[发明专利]基于改进的ELMD多尺度熵的管道泄漏信号识别方法

摘要

本发明提供一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法，首先对获取实验数据进行噪声预处理，消除信号中低相关成分；然后对预处理信号进行ELMD处理，得到各个PF分量；通过峰值波形匹配法削弱ELMD分解存留的端点效应问题；分别计算PF分量的多尺度熵，排列比较泄漏信号的多尺度熵值来消除背景噪声；根据多尺度熵值选择主PF分量构造特征向量；将特征向量作为BP神经网络的输入向量，对网络进行训练；将待测样本输入训练好的BP神经网络中获得管道泄漏识别结果。本发明提供的方法能够适应管道的各种状况，具有较好的检测精度。

主权项

1.一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法，其特征在于：包括以下步骤，S1：获取实验数据，利用声发射泄漏检测系统采集管道的泄漏信号x(b)；S2：对泄漏信号x(b)计算自相关函数rx，并进行时域分析，消除信号中低相关成分，得到预处理后的泄漏信号x(t)；S3：确定总体平均次数M和加入的白噪声等级，对预处理后的含有背景噪声的泄漏信号x(t)进行ELMD分解，得到一系列PF分量yn和残余分量εr，其中yn＝εn,m(n＝1,2,...,.N)；S4：对预处理后的泄漏信号x(t)通过峰值波形匹配延拓法削弱ELMD分解存留的端点效应，得到延拓后的信号为x′(t)，进行ELMD分解，得到的PF分量y′n和残余分量ε′r；S5：计算延拓后的各PF分量y′n的多尺度熵值MSEn，n为正整数，并根据多尺度熵值的大小选择包含大量泄漏信息的PF分量来构造特征向量E＝(MSE1，MSE2…MSEn)，进一步消除了原始泄漏信号中的背景噪声和残余分量；S6：将特征向量E作为BP神经网络的输入向量，神经网络设置为3层拓扑结构，其中隐含层与输出层传递函数均选择对数S形，训练算法选择自适应学习率动量梯度下降法，对网络进行训练、测试，最终进行管道泄漏信号识别。