刘路勇1, 2, 刘名杨1, 2, 王磊3, 胡开胜4, 熊建森3, 张明4, 王琳1, 2, 仇芝1, 2
振动与冲击. 2026, 45(5): 120-129.
在传统天然气管道泄漏检测方法中,泄漏信号中的周期性微扰与短时结构突变特征常被忽视,严重制约管道泄漏识别精准度。提出一种借助美洲狮优化算法(Puma Optimizer,PO),构建新型的自适应特征模态分解方法(Adaptive Feature Mode Decomposition, AFMD),用以提取泄漏声信号中的周期性微扰动与短时结构突变目标特征,并采用卷积神经网络(Convolutional Neural Networks,CNN)与支持向量机(Support Vector Machine,SVM)形成联合识别模型,对目标特征进行泄漏识别分类。试验结果表明,该混合模型对管道泄漏识别准确率高达99.07%,优于其它特征提取算法及独立CNN分类模型,展现出良好的鲁棒性与泛化能力,在多种工况下识别效果明显优于传统方法。