基于EEMD和多尺度卷积神经网络图像识别的长输油气管道第三方破坏事件智能监测方法研究

《Optics and Lasers in Engineering》：Research on an intelligent monitoring method for third-party damage events of long-distance oil and gas pipelines based on EEMD and multi-scale convolutional neural network image recognition

　　

• 本研究的智能监测框架将集合经验模态分解（EEMD）与多尺度卷积神经网络（MS-CNN）相结合，用于识别长输油气管道沿线的第三方机械损害事件。该混合框架将自适应信号分解与自动深度特征提取相结合，为处理非线性和非平稳的Φ-OTDR振动信号提供了有效的解决方案。• 采用EEMD将原始振动信号分解为一系列固有模态函数，并利用与干扰相关的高频分量对信号进行重构。该预处理过程能有效抑制复杂环境噪声，缓解模态混叠，并增强微弱的挖掘振动特征，尤其是在干扰源距离传感光纤较远时。• MS-CNN模型使用具有不同感受野的卷积核，同时捕获局部信号纹理、频率变化和整体时间演化模式。多尺度特征的融合提高了模型区分不同径向距离处机械挖掘事件的能力，并增强了其在复杂现场条件下的鲁棒性。• 在华西南某段途经村庄、山区、高速公路和农田的20公里在用天然气管道上进行了现场实验。在0、3、6、9和12米的径向距离处采集了机械挖掘信号，建立了包含3500个训练样本和1000个测试样本的数据集，用于模型开发 and 性能评估。• 所提出的EEMD–MS-CNN模型实现了超过99%的总体识别准确率，其中0米和9米处事件准确率达100%，12米处准确率为99.5%。其性能显著优于传统的SVM和支持向量机、隐马尔可夫模型方法，展现了长输油气管道实时预警、智能巡检和安全管理的强大潜力。引言 随着全球能源结构转型和低碳经济的发展，天然气作为清洁能源在一次能源消费中的比例持续上升。据国际能源署（IEA）统计，2024年全球天然气消费量将占总能源消费量的25%。长输管道是跨区域天然气输送的核心载体，承担着连接气田、储气设施和终端用户的重要战略任务。然而，管道大多埋设于地下或偏远地区，受复杂地质和运营环境影响，容易因自然或人为因素发生故障。一旦发生泄漏或断裂，不仅会造成能源损失和环境污染，还可能引发火灾、爆炸等重大事故，导致人员伤亡和财产损失[1,2]。例如，2024年河北燕郊爆炸火灾事故、2023年重庆綦江坍塌事故以及2025年马来西亚雪兰莪州布特拉 Heights的事故，均由管道泄漏或人为破坏引起，造成了严重后果。这些事件警示我们，第三方破坏（如机械挖掘）是长输天然气管道面临的主要人为风险之一[3]。由于管道与基础设施和施工区域频繁重叠，未经授权的施工活动可能损害管道完整性，导致泄漏或断裂。如表1所示，在美国、欧洲和中国，第三方破坏分别占天然气管道泄漏原因的43.6%、49.6%和40.1%，表明施工和机械挖掘等人为因素对管道安全构成严重威胁[4,5]。 长输天然气管道的建设和运营面临着复杂的自然和社会环境挑战。管道可能穿越山区、河流、沙漠等复杂地形，或位于人口密集区域。这些因素加剧了潜在的安全风险[6,7]。地质灾害、极端天气条件和第三方损害（如施工和挖掘）是事故的主要原因，尤其是第三方损害，往往导致泄漏和断裂，可能引发爆炸和火灾，造成重大的社会和经济影响[8,9]。传统的管道监测方法，如生物巡检、人工巡检和压力数据监测，存在滞后性和精度方面的局限性，难以及时识别突发事故[10,11]。特别是在第三方损害情况下，传统技术的不足对管道安全构成重大挑战[12]。传统监测技术（如压力传感器、声学检测和无人机巡检）存在盲区大、响应延迟、维护成本高等问题[13,14]。基于Φ-OTDR技术的分布式光纤传感系统，凭借其高分辨率和抗电磁干扰的优势，已成为管道安全监测的重要手段[15,16]。然而，在复杂工况下，多源干扰和非线性信号特征使传统信号处理方法在精度和抗干扰能力方面面临局限[17,18]。 在Φ-OTDR振动事件识别中，传统机器学习方法通常采用"特征提取+分类器"的处理框架。常用的特征提取方法包括快速傅里叶变换、小波包变换、离散小波变换、连续小波变换、小波分解和小波包分解[19,20]。这些方法可以获取时域、频域或时频域的特征，以适应Φ-OTDR信号的非线性、动态性和不可预测性。研究表明，梅尔频率倒谱系数能有效降低误报率；经验模态分解在某些情况下优于小波分解，因为它不需要预设基函数[21,22]；多项式最小二乘趋势去除结合小波阈值去噪可进一步提高特征纯度和稳定性[23]。然而，这些特征提取方法存在高度依赖人工经验、特征选择主观性强、特征冗余度高、难以应对跨场景变化等缺陷，在复杂噪声环境中容易出现特征失真[24]。在分类阶段，常用模型包括隐马尔可夫模型、支持向量机[25]、决策树、朴素贝叶斯[26]、K近邻、随机森林[27]、极端梯度提升[28]、高斯混合模型[29]等。其中，HMM可结合统计方法挖掘时间上下文信息，解释事件的动态演化过程，并可与GMM或卷积神经网络结合以提高识别性能。然而，HMM在训练过程中需要精确的逐帧标注，费时且容易产生偏差，容易导致识别错误[30]。此外，传统分类器存在参数调优依赖人工、复杂时间序列建模能力有限、小样本不平衡场景下容易过拟合等问题。为了克服人工特征设计的局限性，近年来深度学习方法已被广泛应用于Φ-OTDR信号识别。卷积神经网络[31,32]、一维卷积神经网络[33]、长短期记忆网络[34,35]、双向LSTM（Bi-LSTM）及其与注意力机制的组合结构，可以端到端地自动提取时空特征，显著提高识别准确率和收敛速度[36]。例如，将一维振动序列输入1D-CNN提取轮廓特征，并结合LSTM提取时间依赖信息，可在短时傅里叶变换后有效融合时频特征；预训练网络（如AlexNet）在小样本下仍可达到90%以上的分类准确率[37,38]。然而，深度学习方法高度依赖大规模标注数据，训练过程计算成本高，模型可解释性差，数据不足时存在明显的过拟合风险。此外，深度网络对微小扰动和对抗样本敏感，在鲁棒性方面存在潜在风险[39,40]。 在实际应用中，研究人员通常采用混合策略来结合传统信号处理方法与深度学习方法的优点。在长输油气管道沿线第三方损害事件识别中，Φ-OTDR采集的振动信号通常呈现非线性、非平稳和弱干扰特征，容易受复杂环境噪声影响。特别是在长距离机械挖掘条件下，目标信号容易衰减并可能淹没在背景噪声中，使传统方法难以充分提取有效特征。同时，单一深度学习模型也可能面临弱信号表示不足和泛化能力有限的问题。为了提高系统对弱事件的识别能力和抗干扰鲁棒性，本研究引入集合经验模态分解算法[41]对Φ-OTDR采集的原始背向散射信号进行预处理。EEMD是一种适用于分析非线性和非平稳信号的自适应时频分解方法，能有效将复杂信号分解为若干个具有物理意义的固有模态函数（IMF），在提取高频事件特征方面表现良好。通过选取与机械干扰相关的高频IMF分量进行信号重构，可提高信噪比，突出微弱振动事件特征，并为后续卷积神经网络提供更清晰的多尺度输入特征。 在此基础上，本研究进一步设计了结合EEMD和多尺度卷积神经网络的第三方损害事件识别模型。MS-CNN通过具有不同感受野的卷积核在不同尺度上提取时域和时频特征，兼顾局部细节信息和整体演化模式，将空间局部性与频域多样性相融合，从而增强模型对不同距离处机械挖掘损害事件的识别能力和泛化性能。本研究的目的是构建一种适用于识别长输油气管道沿线第三方损害事件的智能监测方法。具体包括以下方面：基于Φ-OTDR分布式光纤传感系统，在不同距离条件下采集现场机械挖掘振动信号；应用EEMD对原始信号进行分解并增强高频弱特征；构建MS-CNN模型实现对不同距离处损害事件的分类与识别；并通过混淆矩阵、多种评估指标以及与传统SVM和HMM等模型的比较，验证所提方法的有效性。 基于上述分析，本研究的假设如下：EEMD能有效增强复杂噪声背景下Φ-OTDR振动信号中的高频弱干扰特征，而MS-CNN可进一步在不同尺度上提取信号特征，两者的结合可提高对长输油气管道沿线第三方机械挖掘损害事件的识别准确率、稳定性和抗干扰能力。总之，从信号预处理的角度出发，本研究融合了基于EEMD的时频分析与基于深度学习的特征提取的优势，提出了一种适用于Φ-OTDR系统的高精度、抗干扰第三方事件检测方法，为长输管道的智能监测和安全防护提供了新的技术方案。章节片段 系统构建 如图1所示，系统以"DVS光路模块"为中心，涵盖从激光发射到事件报警的端到端链路，特别强调了"第三方破坏事件"信号的产生、提取和处理逻辑。系统由八个主要部分组成：光源、调制、放大、环行器、传感光纤、检测、采集和上位机[42]。光源与一级放大：采用"超窄..."模型数据分析 针对上述长距离管道在不同距离下的机械挖掘损害事故数据，使用EEMD算法进行处理（图5）。 图6展示了管道在不同距离（0米、3米、6米、9米和12米）受到机械挖掘损害时，通过EEMD算法获得的固有模态函数（IMF）结果。该图反映了各频率分量的衰减特性...结论 本研究解决了长输油气管道沿线第三方机械挖掘损害事件识别中面临的挑战，包括复杂环境噪声的强干扰、微弱振动信号特征提取困难以及传统识别方法鲁棒性不足等问题。提出了一种结合集合经验模态分解和多尺度卷积神经网络的智能识别方法。基于现场振动...CRediT作者贡献声明 张新伟：写作–审阅与编辑，写作–初稿撰写，资金获取，形式分析，数据整理，概念构思。苏斌：可视化，监督，方法学，调查研究，数据整理，概念构思。罗镇民：方法学，调查研究，资金获取，形式分析。李丁汉：资源，资金获取，形式分析，数据整理。刘璐：形式分析，数据整理。

王思佳：项目管理，正式分析，数据、利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本论文中报告的工作。

张欣伟|苏斌|罗振民|李定汉|刘璐|王思佳|孙天杭