Page 81 - 城镇燃气管道检测与评估技术规程

第二章 管道智能检测研究

应问题与信号极值选取有关，为了解决此问题，NordanE.Huang 等人又开发了
EEMD 算法，即在每一次分解过程中混入不同振幅的白噪声，改变了极值点性质，
进而改善 EMD 中存在的模态效应问题。通过多次分解的 IMF 总体平均抵消加入

的高斯白噪声，较好地抑制了噪声对缺陷信号的干扰，使得真实的缺陷信号特征
更加明显。
（2）互补集合经验模态分解（Complementary Ensemble EMD，CEEMD）
EEMD 通过添加噪声，可以从信号内分离出真正有实际意义的成分。然而需

要花费较多时间，而且存在附加白噪声的残留问题。为了消除添加的白噪声残差，
提高算法计算效率，YEH 等人提出了噪声辅助分析的改进算法 CEEMD，有效地
解决了残留噪声问题。CEEMD 与 EEMD 方法的区别在于 CEEMD 方法添加的高
斯白噪声为一对幅值相等、相位相反的白噪声，因此可以减少残余噪声的影响，

提高信号分析效率。
（3）自适应噪声完整集合经验模态分解（Complete Ensemble Empirical
Mode Decomposition with Adaptive Noise，CEEMDAN）
CEEMD 算法通过加入幅值相等、相位相反的白噪声，残余噪声有所减

少，但仍有改进的空间。为此，Torre 提出了另一种改进的 EEMD 算法，即
CEEMDAN 算法。CEEMDAN 包含一个精确的原信号重建方式和更好的光谱分
离模式，重构误差几乎为零，克服了 EEMD 因添加噪声完备性较差和 CEEMD
在分解中添加相反白噪声计算量增加的缺点，算法实现过程成本更低。

通过对上述不同降噪方法的分析与比较，可以发现 CEEMDAN 算法性能优
势明显。因此，将 CEEMDAN 算法应用于天然气管道磁涡流信号的降噪问题中。
2. 无监督智能诊断方法研究
无标签的训练缺陷样本集合被分为许多种类，同一个类中的样本相似，不同

类的样本区分度高，该方法称为无监督学习。无监督学习方法旨在从训练样本中
发现潜在的规律，对分类结果没有对错之分。聚类分析是机器学习技术和计算几
何中的一个典型问题，是将数据对象组织成一系列单独组合的过程，被越来越多
地用于研究缺陷类型的差异、自然语言处理、市场细分和统计、某些疾病的异质

性等方面，已经被证实是一种对未知数据进行分析的重要工具。
分层聚类和非分层聚类或分区聚类组成了聚类算法。分层聚类是通过利用树
状图将数据分成更小的数据集。与此同时，非分层聚类算法将数据集构建成具有

73