文章标题：基于参数优化的ICEEMDAN与CNN-SVM的天然气管道缺陷诊断

文章作者：骆正山1, 孔莹胜1, *, 高懿琼1, 2
关 键 字：天然气管道; 缺陷诊断; 信号分解; 卷积神经网络; 支持向量机
文章摘要：随着运行年限的增加，天然气管道易出现凹坑、裂纹等典型缺陷，而传统缺陷诊断方法在处理复杂非平稳信号时存在精度不足、抗干扰能力弱的问题。为此，提出一种基于改进的自适应完全集合经验模态分解（ICEEMDAN）与卷积神经网络（CNN）−支持向量机（SVM）的天然气管道缺陷诊断模型。该模型首先通过牛顿−拉夫逊优化算法（NRBO）对ICEEMDAN算法进行全局参数寻优，提升信号模态分解质量；其次计算本征模态函数（IMF）分量的样本熵，结合CNN自动提取深层判别信息，构建高鲁棒性特征向量；最后通过SVM实现缺陷类型的精准识别。研究结果表明，该模型可实现参数自适应优化，显著增强特征表达能力，综合诊断准确率达98.33%，即使在强扰动环境下精度仍可维持在94%以上，性能显著优于常规模型。该模型通过信号分解优化与深度特征提取的有效结合，实现了天然气管道缺陷的高精度、强鲁棒性智能诊断，为天然气管道安全运行与维护提供了精准可靠的技术方案。