基于CEEMDAN-RCMDE-LSTM的管道泄漏检测研究

作     者：杨文武 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：张勇;胡金海

授予年度：2022年

学科分类：080706[工学-化工过程机械] 08[工学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0811[工学-控制科学与工程] 

主      题：CEEMDAN 改进小波阈值去噪 管道泄漏检测 RCMDE LSTM 

摘      要：本文以管道压力波信号为研究对象,针对长输油气管道运行时噪声影响过大、泄漏特征提取困难、工况识别精度低等问题,利用实验室管道采集不同工况压力信号,提出一种添加自适应白噪声的完备集合经验模态分解与改进小波阈值去噪算法相结合的去噪预处理方法。对降噪信号,提取精细复合多尺度散布熵作为特征向量,利用特征序列训练长短时神经网络模型,对管道不同工况进行识别分类。首先深入研究经验模态分解算法以及在此基础上改进的CEEMDAN算法理论,研究改进小波阈值去噪算法的相关知识。利用两种算法结合处理非平稳信号Heavy sine、Doppler曲线,与EMD-HD、EEMD-HD、CEEMDAN-HD等算法对比,对算法鲁棒性、降噪能力进行分析,经实验发现利用本文算法处理信号得到的信噪比最高,初步验证本文算法处理管道压力信号的可行性。针对增强管道压力信号中有效分量的特征信息以及CEEMDAN分解后模态难以选取的问题,引入豪斯多夫距离,先将管道信号进行CEEMDAN分解,利用HD筛选有效分量、异常分量以及无用分量,将利用改进小波阈值去噪算法处理的异常分量与有效分量重构得到降噪信号。通过相关系数、均方根误差评估处理效果,发现融合去噪算法既可以有效去除噪声又可以将泄漏特征有效保留。其次,针对管道微小泄漏信号特征难以提取的问题,提出基于信息熵的管道特征提取方法,采用精细复合多尺度散布熵有效解决了单一尺度散布熵无法完全反映泄漏的全部特征信息的问题以及多尺度散布熵随着尺度因子的增大序列中的有效数据点减少的问题。最后,以天然气管道工况识别为出发点,利用多种机器学习算法处理管道压力信号的特征,训练得到管道泄漏检测模型,并提出基于长短时神经网络的管道泄漏检测系统,对比分析算法的识别准确率和识别速率。实验表明利用LSTM神经网络进行工况识别可以进一步提升模型的检测精度与效率。