1.一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法，其特征在于：包括以下步骤，S1：获取实验数据，利用声发射泄漏检测系统采集管道的泄漏信号x(b)；

S2：对泄漏信号x(b)计算自相关函数rx，并进行时域分析，消除信号中低相关成分，得到预处理后的泄漏信号x(t)；

S3：确定总体平均次数M和加入的白噪声等级，对预处理后的含有背景噪声的泄漏信号x(t)进行ELMD分解，得到一系列PF分量yn和残余分量εr，其中yn＝εn，m(n＝1，2，...，.N)；

S4：对预处理后的泄漏信号x(t)通过峰值波形匹配延拓法削弱ELMD分解存留的端点效应，得到延拓后的信号为x′(t)，进行ELMD分解，得到的PF分量y′n和残余分量ε′r；

S5：计算延拓后的各PF分量y′n的多尺度熵值MSEn，n为正整数，并根据多尺度熵值的大小选择包含大量泄漏信息的PF分量来构造特征向量E＝(MSE1，MSE2…MSEn)，进一步消除了原始泄漏信号中的背景噪声和残余分量；

S6：将特征向量E作为BP神经网络的输入向量，神经网络设置为3层拓扑结构，其中隐含层与输出层传递函数均选择对数S形，训练算法选择自适应学习率动量梯度下降法，对网络进行训练、测试，最终进行管道泄漏信号识别；

其中，步骤S4具体包括以下步骤：

先进行左端点延拓，设预处理后的信号为x(t)，p1、q1分别为信号x(t)的波形在时间tp、tq处的极大值和极小值，设信号x(t)波形的左端点值为x(1)，以x(1)-p1-q1三点构成一个三角波形，并称之为特征波形，然后沿着信号x(t)的波形搜索与特征波形最为匹配的三角波形；将匹配波形前的数据作为x(t)的延拓波形，便会符合信号的自然趋势；具体步骤如下：S4.1：寻找除特征波形外的三角波形的起始点x(i)，对应时间点为tx(i)，则S4.2：计算所有三角波形与特征波形的匹配误差e(i)，误差公式为：e(i)＝|pi-p1|+|qi-q1|+|xi-x(1)|          (5)S4.3：找出最小的误差值e(i)，记为emin(i)，并设定阈值α，若emin(i)＜α，则将emin(i)对应的三角波形作为匹配波形，将匹配波形前的数据延拓到原始信号前面，若emin(i)≥α，进行下一步；

S4.4：若emin(i)≥α，计算每个三角波形中的峰值系数F，并设定阈值β，若Fmin＜β，则重复S4.3；若Fmin≥β，直接设置信号端点处的极值，进行下一步；

S4.5：若Fmin≥β，直接设置信号端点处的极值，即分别求出最靠近信号左端相邻的两个极大值、极小值的平均值，分别将其作为信号x(t)的极大值和极小值；

S4.6：按同样的方法进行右端点延拓，设完全延拓后的信号为x′t，进行ELMD分解，进行ELMD分解，得到的PF分量y′n和残余分量ε′r。

2.如权利要求1所述的基于改进的ELMD多尺度熵的管道泄漏信号识别方法，其特征在于：步骤S2中泄漏信号x(b)的自相关函数表示为：式中，x(b)是管道原始泄漏信号通过声发射仪转换而来的压力信号，x(b+a)是延时时间a的泄漏信号，且a、b均为正整数；自相关函数反映了信号x(b)和其自身作了一段延迟之后的x(b+a)的相似程度。

3.如权利要求2所述的基于改进的ELMD多尺度熵的管道泄漏信号识别方法，其特征在于：步骤S3中ELMD分解的具体包括以下步骤：S3.1：确定总体平均次数M及加入的白噪声等级，设初始分解次数m＝1；

S3.2：在预处理信号x(t)中加入确定等级的白噪声nm(t)，则泄漏信号表示为：xm(t)＝x(t)+nm(t)        (2)

其中，m为分解次数，t是时间，nm(t)为白噪声信号，xm(t)为加入白噪声后的混合泄漏信号；

S3.3：对混合泄漏信号xm(t)进行m次LMD分解，获得多个PF分量εn，m(n＝1，2，...，.N)，N为正整数；εn，m为第m次分解得到的第n个PF分量；

S3.4：如果m＜M，则重复步骤S3.2、S3.3，分解次数m加1；

S3.5：M次分解的PF分量总体平均为：

其中，n＝1，2，...，N，m＝1，2，...，M，N，M为正整数；

将N个PF分量M次分解的均值yn(n＝1，2，...，N)作为最终的PF分量。

4.如权利要求1所述的基于改进的ELMD多尺度熵的管道泄漏信号识别方法，其特征在于：步骤S5计算PF分量的多尺度熵值具体步骤包括：S5.1：设PF分量y′n的原始时间序列为{x1，x2，...，xn}，其数据由声发射仪获得的压力信号转换而来，对原始时间序列进行粗粒化变换，得到新的时间序列：其中， μ，为正整数且 s为离散时间序列长度，τ为尺度因子，原始序列被分割成τ段且每段长为s/τ的粗粒序列，当τ＝1时，新的时间序列就是原始序列；

S5.2：给定模式维数k和相似容限r(r＞0)，构造时间序列的k维向量：xk(μ)＝{xμ，xμ+1，...，xμ+k-1}         (8)其中，i＝1，2，...，s-k；

S5.3：计算向量 与 之间的距离：

其中，L＝0，1，...，k-1；μ， 且

S5.4：对每个μ，计算xk(μ)与 的距离，统计距离小于r的数目并将此数目的距离总数s-k+1的比值记作Ckμ(r)，则S5.5：将Ckμ(r)的平均值记作 则

S5.6：把维数加1，变成k+1，重复步骤S5.1至S5.5，计算当S为有限值时，按上述步骤得出的序列长度为s时的样本熵估计值为：S5.7：重复上述过程，得到不同尺度下的样本熵值SampEn，选取在各尺度下最优的即为多尺度熵MSEn，最终计算得到经过延拓后的各PF分量的多尺度熵值记为：MSE1，MSE2，MSE3…MSEn。

5.如权利要求4所述的基于改进的ELMD多尺度熵的管道泄漏信号识别方法，其特征在于：步骤S6构造特征向量的步骤具体包括：S6.1：计算各PF分量y′n的多尺度熵值MSEn，选取多尺度熵值较大的来构造特征向量E＝(MSE1，MSE2…MSEn)；

S6.2：由不同的特征向量E1、E2…En来构造训练输入矩阵A、测试输出矩阵B，其中n为正整数，按照BP神经网络中训练样本与测试样本比例来确定矩阵A、B的样本数，根据输入矩阵A及期望输出矩阵B，确定BP神经网络的系统参数；

S6.3：将训练样本的输入特征向量矩阵输入到BP神经网络分类器中进行学习，获得神经网络分类模型；

S6.4：将待识别样本的输入特征参数向量矩阵输入到已训练好的神经网络分类器中，进行信号的分类识别，并输出最终识别真实的泄漏信号。