基于SCEMN-RAVMD复合分解与ARIMA-Res-LSTM混合深度学习的水下管道检测器速度估计方法

本文提出了一种融合SCEMN-RAVMD复合信号分解、ARIMA-Res-LSTM混合建模与改进麻雀算法（ISSA）优化的水下管道检测器（PIG）速度估计框架。通过多模态信号特征重构与非线性时序建模，显著提升了复杂环境下MAE（17.6%-71.2%）和R2（0.974-0.996）指标，为长距离海底管道缺陷定位提供了高精度技术方案。

　　

Highlight

本研究针对复杂干扰下的管道检测器（PIG）速度估计难题，创新性地提出集成SCEMN-RAVMD复合分解、ARIMA-Res-LSTM混合预测与改进麻雀搜索算法（ISSA）的优化框架。

SCEMN-RAVMD复合信号重构策略

如图2所示，该框架首先采用镜像扩展噪声稳定集成（SCEMN）进行信号初级分解，通过排列熵量化各IMF分量复杂度；对高熵IMF进一步采用鲁棒自适应变分模态分解（RAVMD）进行二级分解，最终基于距离相关系数加权重构，获得优化的IMF特征信号。

ARIMA-Res-LSTM混合估计模型

如图3所示，该混合模型结合自回归积分滑动平均（ARIMA）的线性周期建模优势与残差门控LSTM（Res-LSTM）的非线性时序捕捉能力，通过双重残差连接缓解梯度消失，显著提升多尺度动态特征的表达能力。

改进ISSA优化策略

传统麻雀算法在超参数调优中存在局部最优陷阱。本研究通过改进初始化分布、引入动态惯性权重和柯西变异算子，使ISSA在ARIMA阶数(p,d,q)和LSTM隐含层维度等关键参数搜索中实现全局优化。

实验平台与数据采集

如图5所示，φ212mm管道实验平台集成牵引系统与多源传感器阵列，采集包含压力波动、磁通泄漏等6类模态的时序数据，构建了覆盖5种典型工况的基准数据集。

Conclusion

实验表明，本框架在MAE（0.026-0.362）、MSE（0.0009-0.157）等指标上超越主流方法，为复杂环境下PIG高精度测速提供了理论支撑与技术实现路径。