綦 磊, 梁真馨, 丁紅兵, 鄭 悅, 芮小博, 張 宇

(1.北京衛(wèi)星環(huán)境工程研究所, 北京 100094；2.天津大學(xué) 精密測(cè)試技術(shù)及儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室, 天津 300072；3.天津大學(xué) 電氣自動(dòng)化與信息工程學(xué)院, 天津 300072)

隨著航天技術(shù)發(fā)展和人類航天活動(dòng)日益頻繁，航天器扮演著越來越重要的角色，其運(yùn)行狀態(tài)直接維系著航天任務(wù)的成敗。長(zhǎng)期運(yùn)行在復(fù)雜空間環(huán)境中的航天器，將受到振動(dòng)、高低溫交變、空間碎片、太陽(yáng)輻射及宇宙射線的作用，艙體可能產(chǎn)生松動(dòng)變形、表面氧化、腐蝕、損傷穿孔等進(jìn)而引發(fā)氣體泄漏事故[1]，若不及時(shí)發(fā)現(xiàn)將釀成慘重后果。因此，航天器在軌泄漏的快速、準(zhǔn)確辨識(shí)是航天系統(tǒng)安全運(yùn)行的重要保障技術(shù)。

傳統(tǒng)泄漏檢測(cè)手段包括聲發(fā)射法、紅外熱成像法、真空氦質(zhì)譜吸槍法，其中聲發(fā)射檢測(cè)技術(shù)是一種原理簡(jiǎn)單、穩(wěn)定、高靈敏的動(dòng)態(tài)無損檢測(cè)技術(shù)[2]，以泄漏引起的結(jié)構(gòu)高頻應(yīng)力波為檢測(cè)目標(biāo)，已經(jīng)廣泛應(yīng)用于泄漏識(shí)別領(lǐng)域。2017年，Yu等[3]通過聲發(fā)射技術(shù)結(jié)合支持向量機(jī)(support vector machine, SVM)算法檢測(cè)并識(shí)別了室內(nèi)氣體管道的微小泄漏；2018年Li等[4]基于聲發(fā)射技術(shù)成功檢測(cè)了水管道泄漏信號(hào)，從中提取泄漏特征參數(shù)并利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了泄漏識(shí)別；2020年，Diao等[5]提出一種改進(jìn)的變分模式分解(variational mode decomposition, VMD)方法并應(yīng)用于水管道泄漏辨識(shí)，進(jìn)一步提高泄漏辨識(shí)準(zhǔn)確度。上述文獻(xiàn)雖然在泄漏檢測(cè)領(lǐng)域取得一定成果，但航天器泄漏具有氣體從大氣向真空流動(dòng)的特點(diǎn)，氣體分子間碰撞減少，泄漏產(chǎn)生的聲發(fā)射信號(hào)較常規(guī)泄漏更加微弱，泄漏辨識(shí)難度增大。

現(xiàn)階段已有研究學(xué)者針對(duì)航天器在軌泄漏展開研究。2006年，Holland等[6]研究了航天器在軌泄漏聲發(fā)射信號(hào)特征，并提出了一種基于陣列信號(hào)處理的泄漏定位方法；2014年，李唯丹等[7]利用空氣耦合聲發(fā)射傳感器研究了真空泄漏產(chǎn)生的聲波中心頻率與聲壓衰減關(guān)系，但是由于空耦傳感器頻率感知范圍有限，未得到通用性結(jié)論；2015年，綦磊等[8]綜合考慮泄漏信號(hào)的時(shí)域和頻域能量特征，利用參數(shù)特征分析法研究了不同孔徑與聲發(fā)射信號(hào)之間的關(guān)系，但能量特征在實(shí)際應(yīng)用中受到信號(hào)傳播距離、傳感器耦合狀態(tài)等因素的影響，其特征的不穩(wěn)定性制約了泄漏辨識(shí)精確度的進(jìn)一步提高。

綜上，本文提出了一種基于聲發(fā)射信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)和小波包分解(wavelet packet decomposition, WPD)并行特征融合的泄漏發(fā)生識(shí)別方法，該方法從分解的聲發(fā)射信號(hào)中提取時(shí)域無量綱因子和頻域特征參數(shù)進(jìn)行泄漏分類模型訓(xùn)練，有效避免能量特征的誤差和不穩(wěn)定特性，進(jìn)一步提高了辨識(shí)的識(shí)別精確度。

1 泄漏辨識(shí)算法

1.1 聲發(fā)射信號(hào)分解

當(dāng)航天器真空密封結(jié)構(gòu)發(fā)生氣體泄漏時(shí)，氣體會(huì)在壓力差的作用下穿過微小孔徑并發(fā)生高流速的湍流射流[9]。本項(xiàng)目利用壓電聲發(fā)射傳感器獲取氣體泄漏引起的結(jié)構(gòu)彈性波，并進(jìn)行分析處理以監(jiān)測(cè)識(shí)別泄漏現(xiàn)象發(fā)生，流程如圖1所示。

圖1 航天器泄漏聲發(fā)射檢測(cè)示意圖Fig.1 Schematic diagram of spacecraft leakage acoustic emission detection

本文提出的基于聲發(fā)射信號(hào)EMD-WPD特征融合的氣體泄漏識(shí)別方法流程,如圖2所示，主要包括信號(hào)分解、特征提取、特征鑒別、模型分類等步驟。

圖2 泄漏識(shí)別方法流程圖Fig.2 Flow diagram of leak identification method

首先，將聲發(fā)射信號(hào)分別通過EMD和WPD分解成為不同頻率范圍內(nèi)的子帶信號(hào)。EMD基于局部尺度分離理論，無需預(yù)定基函數(shù)。因此，EMD可以將泄漏信號(hào)自適應(yīng)地分解為一系列頻率分量稱為本征模函數(shù)(intrinsic mode function, IMF)。IMF是通過篩選原始數(shù)據(jù)而產(chǎn)生的，這是一個(gè)反復(fù)的過程[10]。泄漏信號(hào)經(jīng)EMD可以分解為若干個(gè)IMF和一個(gè)殘差函數(shù)之和

(1)

式中：x(t)為泄漏原始信號(hào);imfi(t)為分解獲得的第i個(gè)IMF;rn(t)為經(jīng)分解得到n個(gè)IMF后的泄漏信號(hào)殘余分量。IMF具有從高頻到低頻的多尺度特性，對(duì)分解得到的IMF進(jìn)行適當(dāng)篩選可以剔除高頻干擾，保留泄漏信號(hào)的主要信息，不同的IMF包含泄漏信號(hào)不同頻段的特征信息。

小波包分解是建立在小波分解基礎(chǔ)之上的分解方式，可以對(duì)包含大量中、高頻信息的信號(hào)進(jìn)行更好的時(shí)域局部化分析[11]。設(shè){hn}n∈Z是尺度函數(shù)φ(t)對(duì)應(yīng)的低通系數(shù)濾波器，{gn}n∈Z是小波函數(shù)ψ(t)對(duì)應(yīng)的高通系數(shù)濾波器，其中g(shù)n=(-1)nh1-n，并定義遞推關(guān)系

(2)

當(dāng)n=0時(shí)，w0(t)=φ(t)，w1(t)=ψ(t)，則函數(shù)集合{wn(t)}n∈Z為由w0(t)=φ(t)確定的小波包。不同的小波包基具有不同的泄漏信號(hào)時(shí)頻局部化能力，因此在分小波包分解系數(shù){uk}上定義代價(jià)函數(shù)M，泄漏信號(hào)若在小波包基B下的分解系數(shù)具有最小的代價(jià)函數(shù)值，則B為泄漏信號(hào)在代價(jià)函數(shù)M下的最佳基。通過選擇小波函數(shù)ψ(t)并設(shè)定分解層數(shù)N，WPD將泄漏原始信號(hào)頻段平均分為2N個(gè)子頻段信號(hào)，選合適的子頻段信號(hào)可以濾除噪聲影響，保留主要頻段信息。

1.2 特征提取

為避免能量特征的誤差和不穩(wěn)定特性，本文從無量綱因子和頻率參數(shù)角度進(jìn)行分析，提取了泄漏信號(hào)經(jīng)頻域分解后各子信號(hào)的時(shí)域峰度因子、偏度因子、波形因子，同時(shí)還提取了頻域峰度因子、偏度因子、波形因子、峰值頻率、頻譜帶寬、帶寬質(zhì)心頻率共計(jì)9種特征參數(shù)。時(shí)域峰度因子(K)和偏度因子(S)的計(jì)算方法可參考文獻(xiàn)[12-13]。波形因子的計(jì)算公式如式(3)和式(4)所示

F=xrms/xarv

(3)

Ff=yrms/yarv

(4)

式中:F為時(shí)域波形因子；Ff為頻域波形因子；x為時(shí)域泄漏信號(hào)；y為泄漏信號(hào)快速傅里葉變換(fast Fourier transform，F(xiàn)FT)后的頻域幅值序列；下標(biāo)rms為信號(hào)有效值；下標(biāo)arv為信號(hào)整流平均值。峰值頻率fmax計(jì)算方法如式(5)所示

fmax=max(y)|f

(5)

式中：f為泄漏信號(hào)FFT變換后的頻率序列；max()為信號(hào)最大值。頻譜帶寬fdB的計(jì)算方法如式(6)所示

fdB=0.3max(y)|fup-0.3max(y)|fdown

(6)

式中,Y|f為幅值為Y時(shí)的頻率值。帶寬質(zhì)心頻率fC計(jì)算方法如式(7)所示

(7)

1.3 特征評(píng)價(jià)與分類算法

在對(duì)所提取的泄漏特征進(jìn)行分類模型訓(xùn)練之前，需要對(duì)泄漏特征進(jìn)行評(píng)價(jià)和選擇，以剔除不相關(guān)、沒有差異刻畫能力的特征，降低特征維度，減少訓(xùn)練時(shí)間。Relief F算法是一種原理簡(jiǎn)單，運(yùn)行效率高的特征挑選算法，在泄漏特征集D中隨機(jī)選擇一個(gè)樣本R，并從R同類的樣本中尋找k個(gè)最近鄰樣本H，從R不同類的樣本中尋找k個(gè)最近鄰樣本M，然后根據(jù)式(8)、式(9)更新每個(gè)泄漏特征的權(quán)重

(8)

(9)

式中：A為泄漏特征；m為隨機(jī)選擇次數(shù)；W為泄漏特征權(quán)重矩陣，初始值為0;diff(A,Ri,Rj)為樣本Ri和樣本Rj在泄漏特征A上的差。以上過程重復(fù)m次，最后得到泄漏特征的平均權(quán)重，權(quán)重越大表示該泄漏特征的區(qū)分能力越強(qiáng)。利用特征評(píng)價(jià)算法得到1.2節(jié)中9種泄漏特征參數(shù)的權(quán)重，選取權(quán)重較高的特征并剔除權(quán)值較低的特征，有助于降低特征維度，減少訓(xùn)練時(shí)間，提高泄漏辨識(shí)準(zhǔn)確度。

確定輸入特征后，利用SVM算法進(jìn)行泄漏辨識(shí)[14]。其核心思想是求解的n維特征權(quán)重w和實(shí)數(shù)偏置b，得到以最大間隔把泄漏與不泄漏兩類樣本分開的最佳超平面wTx+b=0，x為泄漏特征向量。為避免異常數(shù)據(jù)影響，引入松弛因子ξi>0,i=1,2,…,N和懲罰系數(shù)C，SVM求解的最優(yōu)化問題抽象為帶不等式約束條件的極值問題，如式(10)所示

s.t.yi(w·xi+b)≥1-ξi,ξi≥0,i=1,2,…,N

(10)

當(dāng)數(shù)據(jù)集并非線性可分時(shí)，則使用映射函數(shù)將數(shù)據(jù)映射至高維空間，轉(zhuǎn)化為線性可分問題。SVM利用核函數(shù)方法避免求解過程中映射函數(shù)的復(fù)雜內(nèi)積運(yùn)算，徑向基核函數(shù)(radial basis function，RBF)是SVM中較常用的核函數(shù)之一，如式(11)所示，其中σ為核參數(shù)。本文采用網(wǎng)格搜索方法確定SVM分類模型中懲罰系數(shù)C和核參數(shù)σ的最優(yōu)值。

(11)

2 真空泄漏采集試驗(yàn)

2.1 真空泄漏信號(hào)采集平臺(tái)

試驗(yàn)平臺(tái)由真空泄漏試驗(yàn)臺(tái)和聲發(fā)射信號(hào)采集系統(tǒng)兩部分組成，試驗(yàn)裝置主要有真空泵、抽氣管、緩沖罐、真空計(jì)、帶孔金屬板，聲發(fā)射信號(hào)采集系統(tǒng)包含聲發(fā)射傳感器、前置信號(hào)放大器、信號(hào)采集儀和計(jì)算機(jī)，采集現(xiàn)場(chǎng)如圖3所示。聲發(fā)射傳感器為Nano30諧振型傳感器，頻帶范圍為1 kHz～1 MHz，靈敏度大于-70 dB，信號(hào)采集儀為DS2-16A全信息信號(hào)分析儀，采樣精度16位，采樣頻率3 000 kHz，前置放大器是增益為40 dB的直通濾波，信號(hào)觸發(fā)閾值為25 dB。金屬板上設(shè)計(jì)有直徑為0.38 mm,0.50 mm,0.80 mm,1.00 mm 4種圓形通道型漏孔。傳感器安裝在板子中心位置(0,0)點(diǎn)，4個(gè)漏孔分別位于(20 cm，20 cm)、(20 cm，-20 cm)、(-20 cm，-20 cm)、(-20 cm，20 cm)處，如圖4所示。傳感器與各漏孔之間聲波傳播路徑相同，避免其他因素對(duì)漏孔辨識(shí)的影響。真空泵運(yùn)行時(shí)不斷抽取緩沖罐內(nèi)氣體，穩(wěn)定后金屬板下側(cè)形成準(zhǔn)真空環(huán)境，通過真空表讀取氣壓約為1 000 Pa，上側(cè)為常壓大氣環(huán)境，氣壓為101 kPa。不移除漏孔上覆蓋的聚酰亞胺膠帶直接采集到的信號(hào)為無泄漏時(shí)的本底噪聲，包含機(jī)械泵運(yùn)轉(zhuǎn)噪聲和電噪聲，該信號(hào)更接近航天器未發(fā)生泄漏時(shí)運(yùn)轉(zhuǎn)的真實(shí)情況，而移除聚酰亞胺膠帶后，在壓力差作用下空氣從漏孔泄漏至緩沖罐，泄漏產(chǎn)生的聲信號(hào)和本底噪聲一同被耦合在金屬板表面上的聲發(fā)射傳感器獲取。試驗(yàn)依次采集4種泄漏孔發(fā)生穩(wěn)定泄漏的信號(hào)及不發(fā)生泄漏的信號(hào)，每種條件重復(fù)試驗(yàn)40次，共計(jì)320組試驗(yàn)數(shù)據(jù)，信號(hào)采集儀采集時(shí)間設(shè)定0.1 s，僅保留每次試驗(yàn)的中間部分穩(wěn)定信號(hào)約17 ms做后續(xù)處理。

圖3 聲發(fā)射泄漏檢測(cè)試驗(yàn)系統(tǒng)Fig.3 Acoustic emission leak detection experiment system

圖4 試驗(yàn)平臺(tái)漏孔分布圖Fig.4 Distribution map of the leakage platform

2.2 泄漏信號(hào)時(shí)-頻域特征分析

以0.50 mm漏孔采集的信號(hào)為例，無泄漏與泄漏狀態(tài)的信號(hào)時(shí)頻域分別如圖5(a)和圖5(b)所示，泄漏與未泄漏信號(hào)的頻率分布范圍接近，很難通過簡(jiǎn)單頻域特征加以區(qū)分。若不進(jìn)行頻域分解直接提取1.2節(jié)中的9種特征參數(shù)，結(jié)果見圖5(c)，泄漏與未泄漏信號(hào)的特征參數(shù)高度相似，僅偏度因子S和峰值頻率fmax存在一定區(qū)分度。訓(xùn)練得到的SVM泄漏辨識(shí)模型準(zhǔn)確度僅為79.2%，需要結(jié)合頻域分解進(jìn)一步提高辨識(shí)精度。

圖5 0.5 mm漏孔信號(hào)特征提取Fig.5 Feature extraction of 0.5 mm leakage signal

3 泄漏辨識(shí)試驗(yàn)結(jié)果

3.1 泄漏信號(hào)EMD與WPD分解

將試驗(yàn)數(shù)據(jù)利用EMD分解為10個(gè)IMF和一個(gè)殘差函數(shù)，計(jì)算各IMF與原始信號(hào)的互相關(guān)系數(shù)，結(jié)果如圖6所示，可以發(fā)現(xiàn)IMF3、IMF4、IMF5、IMF6系數(shù)明顯高于其他IMF，故選擇上述4個(gè)IMF以排除其他無效模態(tài)和噪聲的影響。

圖6 IMF與原信號(hào)互相關(guān)系數(shù)Fig.6 Correlation between IMF and original signal

試驗(yàn)數(shù)據(jù)用WPD進(jìn)行頻域分解，選擇dmey小波作為小波母函數(shù)，分解層數(shù)設(shè)定為8層，選擇信息熵代價(jià)函數(shù)如式(12)所示

(12)

式中，uk為小波包分解系數(shù)序列。選擇分解得到的前4個(gè)子頻帶信號(hào)從中提取特征參數(shù)分頻段反映信號(hào)特點(diǎn)。

每組試驗(yàn)數(shù)據(jù)經(jīng)過上述2種分解方式成為8個(gè)子帶信號(hào)，以0.50 mm漏孔的實(shí)驗(yàn)數(shù)據(jù)為例，其EMD和WPD分解結(jié)果時(shí)域圖如圖7所示，頻域圖如圖8所示，可以看出，經(jīng)EMD或WPD分解后的子信號(hào)具有從高頻到低頻的多尺度特性，且每段子信號(hào)包含原始數(shù)據(jù)主要頻帶范圍內(nèi)的部分信息，頻域分解有助于后續(xù)的多維度特征提取。

圖7 0.50 mm漏孔泄漏信號(hào)的EMD與WPD分解結(jié)果時(shí)域圖Fig.7 Time domain diagram of EMD and WPD decomposition results of 0.50 mm leakage signal

圖8 0.50 mm漏孔泄漏信號(hào)EMD和WPD分解結(jié)果頻域圖Fig.8 Frequency domain diagram of the decomposition results of EMD and WPD of the leakage signal of the 0.50 mm

3.2 無量綱因子和頻率特征提取及評(píng)級(jí)

分解得到的各IMF和子頻帶信號(hào)中提取1.2節(jié)所述9種特征參數(shù)，并對(duì)提取結(jié)果歸一化處理，最終形成640×36的數(shù)據(jù)矩陣作為機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)。以0.50 mm試驗(yàn)數(shù)據(jù)的特征提取結(jié)果為例，如圖9和圖10所示，可以看出相同試驗(yàn)下的特征參數(shù)具有較好一致性和穩(wěn)定性，不同子信號(hào)的特征之間則有一定區(qū)分度，利用特征選擇和SVM分類算法可以進(jìn)一步量化泄漏發(fā)生與不發(fā)生特征的差別，達(dá)到泄漏發(fā)生識(shí)別的目的。

圖9 0.50 mm漏孔泄漏信號(hào)特征提取結(jié)果Fig.9 0.50 mm leak leakage signal feature extraction results

圖10 0.50 mm漏孔泄漏信號(hào)特征提取結(jié)果Fig.10 0.50 mm leak leakage signal feature extraction results

按照Relief F算法原理對(duì)640×36數(shù)據(jù)矩陣中各特征泄漏區(qū)分能力進(jìn)行量化評(píng)價(jià)并排序，部分計(jì)算結(jié)果如表1所示，表中IMF編號(hào)取值為3、4、5、6，子頻帶序號(hào)取值為1、2、3、4，符號(hào)含義詳見論文1.2節(jié)，計(jì)算方式見式(3)～式(7)。表中可知特征IMF5的頻譜帶寬fdB和子頻帶4的頻率峰值因子Kf權(quán)值最高，由Relief F算法原理可知上述2種特征的泄漏區(qū)別能力最高。

表1 基于Relief F算法的特征權(quán)重排序表

3.3 泄漏辨識(shí)結(jié)果

在640×36的機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中，隨機(jī)選定其中70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，其余30%作為測(cè)試數(shù)據(jù)集，徑向基核函數(shù)RBF作為SVM泄漏分類模型的核函數(shù)，使用交叉驗(yàn)證方式來評(píng)估分類器性能。對(duì)于SVM分類模型的懲罰系數(shù)C和核參數(shù)σ，利用網(wǎng)格搜索方法確定其最優(yōu)值，網(wǎng)格搜索范圍設(shè)定為0.1～10.0，步長(zhǎng)設(shè)定為0.1?；赗elief F算法對(duì)特征的評(píng)估結(jié)果，選擇不同泄漏特征組建SVM訓(xùn)練集，驗(yàn)證不同特征對(duì)模型分類的影響。

當(dāng)使用EMD分解方式提取得到的全部特征用于SVM分類訓(xùn)練時(shí)，泄漏分類模型精度為90.6%；而使用WPD分解方式提取得到的全部特征用于SVM分類訓(xùn)練時(shí)，泄漏分類模型精度為94.8%；若從原始數(shù)據(jù)中直接提取3.2節(jié)中的特征用于SVM分類訓(xùn)練，略過頻域分解步驟，則分類模型精度為79.2%?？梢园l(fā)現(xiàn)經(jīng)過EMD或WPD頻域分解后的泄漏識(shí)別精度得到了提高，模型分類精度分別提高了11.4%和15.6%，表明通過頻域分解以分頻段多角度分析信號(hào)方法的有效性。

以Relief F算法對(duì)特征權(quán)值的排序?yàn)轫樞?，隨著輸入特征數(shù)量的增加，分類器泄漏識(shí)別精度曲線如圖11所示，由圖11可見在前3種特征中，2種特征組合方訓(xùn)練得到的分類器精度隨特征數(shù)量遞增，在前6種特征中，泄漏分類器精度均保持較高水平，表明Relief F算法有助于篩選區(qū)分能力好的特征并保持模型分類精度。但隨著輸入特征數(shù)量的繼續(xù)增加，WPD分解方式訓(xùn)練的分類器精度下降且波動(dòng)較大，對(duì)特征的選擇較為敏感，表明從WPD分解中提取的特征存在噪聲特征數(shù)據(jù)，導(dǎo)致模型計(jì)算誤差增大分類精度波動(dòng)。相比之下EMD分解方式訓(xùn)練的分類器精度緩慢上升，達(dá)到最高精度需要輸入前18種特征，由于過多的特征數(shù)量會(huì)影響模型的泛化能力[15-16]，需要結(jié)合2種分解方式所得特征，進(jìn)一步提高分類器精度的同時(shí)減少輸入特征數(shù)量。

圖11 模型分類精度隨特征數(shù)量變化曲線Fig.11 The curve of model classification accuracy with the number of features

采用EMD-WPD并行特征融合的方式組建訓(xùn)練集，分別選擇EMD和WPD中Relief F評(píng)價(jià)結(jié)果權(quán)值較高的特征并行融合作為SVM輸入訓(xùn)練集，模型分類準(zhǔn)確度如圖12所示。表2中對(duì)比了在不同輸入特征數(shù)量下，3種訓(xùn)練特征集組建方式的模型泄漏識(shí)別準(zhǔn)確度，可以看出在相同輸入特征數(shù)量下，EMD-WPD并行特征融合訓(xùn)練得到的分類器精度均高于其他特征組合方式，并在輸入特征數(shù)量為8時(shí)，即EMD和WPD分解所得特征權(quán)值排序中各前4種特征，分類器精度達(dá)到96.9%，是一種可行的航天器泄漏識(shí)別方法。

4 結(jié) 論

本文提出了一種基于聲發(fā)射信號(hào)EMD-WPD并行特征融合的氣體泄漏發(fā)生識(shí)別方法并開展了試驗(yàn)驗(yàn)證，得到如下結(jié)論：

(1)在分類模型相同的條件下，通過EMD或WPD頻域分解提取特征的方法，比原始數(shù)據(jù)直接提取特征的分類精度分別提高了11.4%和15.6%，證明了通過分解方式以分頻段多角度分析信號(hào)方法可以有效提高泄漏辨識(shí)準(zhǔn)確度。

(2)Relief F算法有助于篩選區(qū)分能力好的特征，減少訓(xùn)練特征數(shù)量并提高模型分類精度。

(3)EMD-WPD特征并行融合方法訓(xùn)練分類器，分類器能夠保持較高分類精度的同時(shí)輸入特征數(shù)量進(jìn)一步減少，最高辨識(shí)精度可達(dá)96.9%，是一種具有應(yīng)用潛力的航天器泄漏辨識(shí)方法。