Abstract Leak detection is critical for the safety management of pipelines since leakages may cause serious accidents. The present paper aims to develop an efficient method able to detect the presence and importance of leaks in pipelines. This method relies on adequate signal processing of acoustic emission (AE) signals, and improves the variational mode decomposition (VMD) for signal de-noising. In order to optimize the governing parameters, i.e. the penalty term and the mode number of VMD, the particle swarm optimization (PSO) algorithm is coupled to a fitness function based on maximum entropy (ME). After the signal reconstruction, based on the energy ratio of each VMD sub-mode, the waveform feature vectors for leak detection are extracted. Finally, the support vector machine (SVM) is employed for leak pattern recognition. For calibration purposes, artificial input signal is simulated. The results show that the proposed PSO-VMD method is capable of de-noising background noise. For validation purposes, experiments have been conducted on metal pipelines, with water flow. For sensitivity analysis, a set of five different leak apertures are adopted: aperture diameters as {10; 12; 15; 20; 27} mm, whereas the pipeline diameter is 108 mm. A database of AE signals is collected for each leak aperture, and different time sequences. The proposed method appears to be efficient since the classification accuracy of the SVM method reaches up to 100% in identifying the size of the leak on the basis of the AE signals collected in the database for the same leak size, and 89.3% on the basis of the whole database.

中文翻译：

---

基于粒子群优化的液体管道泄漏检测改进变分模态分解方法

摘要 泄漏检测是管道安全管理的关键，泄漏可能导致严重事故。本论文旨在开发一种能够检测管​​道泄漏的存在和重要性的有效方法。该方法依赖于声发射 (AE) 信号的充分信号处理，并改进了用于信号去噪的变分模式分解 (VMD)。为了优化控制参数，即VMD的惩罚项和模式数，粒子群优化（PSO）算法与基于最大熵（ME）的适应度函数耦合。信号重构后，根据每个VMD子模式的能量比，提取泄漏检测的波形特征向量。最后，支持向量机（SVM）被用于泄漏模式识别。出于校准目的，模拟了人工输入信号。结果表明，所提出的PSO-VMD方法能够去除背景噪声。为了验证的目的，在金属管道上进行了实验，有水流。对于灵敏度分析，采用一组五个不同的泄漏孔径：孔径为 {10；12; 15; 20; 27} mm，而管道直径为 108 mm。为每个泄漏孔和不同的时间序列收集 AE 信号的数据库。所提出的方法似乎是有效的，因为 SVM 方法的分类准确度在根据数据库中收集的相同泄漏尺寸的 AE 信号识别泄漏尺寸时达到 100%，在基础上达到 89.3%整个数据库。结果表明，所提出的PSO-VMD方法能够去除背景噪声。为了验证的目的，在金属管道上进行了实验，有水流。对于灵敏度分析，采用一组五个不同的泄漏孔径：孔径为 {10；12; 15; 20; 27} mm，而管道直径为 108 mm。为每个泄漏孔和不同的时间序列收集 AE 信号的数据库。所提出的方法似乎是有效的，因为 SVM 方法的分类准确度在根据数据库中收集的相同泄漏尺寸的 AE 信号识别泄漏尺寸时达到 100%，在基础上达到 89.3%整个数据库。结果表明，所提出的PSO-VMD方法能够去除背景噪声。为了验证的目的，在金属管道上进行了实验，有水流。对于灵敏度分析，采用一组五个不同的泄漏孔径：孔径为 {10；12; 15; 20; 27} mm，而管道直径为 108 mm。为每个泄漏孔和不同的时间序列收集 AE 信号的数据库。所提出的方法似乎是有效的，因为 SVM 方法的分类准确度在根据数据库中收集的相同泄漏尺寸的 AE 信号识别泄漏尺寸时达到 100%，在基础上达到 89.3%整个数据库。随着水流。对于灵敏度分析，采用一组五个不同的泄漏孔径：孔径为 {10；12; 15; 20; 27} mm，而管道直径为 108 mm。为每个泄漏孔和不同的时间序列收集 AE 信号的数据库。所提出的方法似乎是有效的，因为 SVM 方法的分类准确度在根据数据库中收集的相同泄漏尺寸的 AE 信号识别泄漏尺寸时达到 100%，在基础上达到 89.3%整个数据库。随着水流。对于灵敏度分析，采用一组五个不同的泄漏孔径：孔径为 {10；12; 15; 20; 27} mm，而管道直径为 108 mm。为每个泄漏孔和不同的时间序列收集 AE 信号的数据库。所提出的方法似乎是有效的，因为 SVM 方法的分类准确度在根据数据库中收集的相同泄漏尺寸的 AE 信号识别泄漏尺寸时达到 100%，在基础上达到 89.3%整个数据库。