强噪声工况下天然气管道泄漏检测与定位方法研究

《Frontiers in Acoustics》：Research on leakage detection and location method of natural gas pipeline under strong noise condition

　　

摘 要：在强噪声（strong-noise）条件下，天然气管道（natural gas pipeline）的准确泄漏定位仍是一项重大挑战。传统方法普遍存在特征提取能力不足、抗噪性弱及定位性能不稳定等缺陷。针对上述问题，本研究聚焦于泄漏发生后的精确定位，未单独进行泄漏/无泄漏二分类检测任务，而将泄漏定位问题表述为泄漏区间分类（leak interval classification）与连续泄漏位置回归（continuous leak location regression）两个子任务。研究人员搭建了集成泄漏信号采集、存储与处理的实验平台，构建了强噪声条件下的管道泄漏信号数据集。针对泄漏区间分类任务，提出多通道混合自注意力卷积神经网络（Multi-Channel Hybrid Self-Attention Convolutional Neural Network, MCSA）。该模型由特征提取模块、自适应特征选择模块、多路径（multi-path）机制及Softmax分类器组成，通过融合多通道特征提取与通道-空间注意力（Channel-Spatial Attention, CSA）机制，自适应增强有效泄漏特征并抑制噪声干扰。针对连续泄漏位置回归任务，进一步提出融合多级级联残差混合注意力机制（Multi-level Cascaded Residual Mixed Attention, MCR-MA）的卷积神经网络，以增强对复杂泄漏特征的表征能力并提高模型鲁棒性与泛化能力。实验结果表明，强噪声条件下MCSA模型的平均分类准确率达99.2%，具备较强的泄漏区间识别能力与噪声鲁棒性；MCR-MA模型在连续泄漏位置回归任务中平均定位精度达98.75%，平均偏差（Bias）为0.0051，决定系数（R2）接近1，表明预测位置与实际位置高度吻合。所提出的MCSA与MCR-MA模型可在复杂强噪声环境中实现稳定、准确的天然气管道泄漏定位，有效提升了泄漏信号特征提取能力与噪声鲁棒性，为天然气输送管道的智能监测与安全预警提供了具技术前景的解决方案。

论文解读：强噪声工况下天然气管道泄漏检测与定位方法研究

研究背景与意义

现有天然气管道泄漏检测分为硬件物理检测法（如磁漏检测、地面穿透雷达）与基于软件的算法检测法（如负压波法、分布式光纤传感、神经网络法）。传统方法在强噪声工业环境中，泄漏声信号常被背景噪声掩盖，导致特征提取困难、误报与漏报率高；普通深度卷积神经网络（Deep Convolutional Neural Network, DCNN）存在特征表示碎片化、分类精度欠佳及噪声敏感等问题，且在高噪声环境下实时性与精度的平衡仍是关键挑战。为此，研究人员开展了以强噪声条件下管道声学泄漏信号为对象，基于改进深度学习的泄漏区间分类与连续位置回归定位研究，相关成果发表于《Frontiers in Acoustics》。

主要关键技术方法

研究人员利用HD-II油气管道实验平台（总长160 m，304不锈钢管，内径50 mm，壁厚4 mm，内压0.5 MPa，泄漏孔直径0.5 mm），沿管线设置10个泄漏点（间距10 m），采用LIT-PZT压电声学传感器（两端间距100 m）采集原始强噪声泄漏信号；原始信号截取为每段2000采样点的样本并进行Z-score归一化，按采集批次划分训练集与验证集（4:1）以避免信息泄露，测试集来自独立采集批次。研究将定位任务解耦为：(1) 10类泄漏区间分类——采用提出的多通道混合自注意力卷积神经网络（MCSA），含多分支一维卷积特征提取、通道-空间注意力（CSA）自适应特征选择模块及三路并行多通道机制（无池化/GAP/GMP），经全连接层与Softmax输出；(2) 连续位置回归——采用多级级联残差混合注意力卷积神经网络（MCR-MA），输入端为上下游双通道信号，嵌入多级残差块与CSA混合注意力机制进行深层特征增强，经全局平均池化（Global Average Pooling, GAP）、全连接层及线性激活输出归一化位置值。评估指标分别为准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值，以及均方误差（Mean Squared Error, MSE）、均方根误差（Root Mean Squared Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、决定系数（R²）与偏差（Bias）；额外加入4 dB、8 dB、12 dB高斯白噪声测试抗噪鲁棒性，并与1D-CNN、LSTM-CNN、ResNet、L-ResNet及长短期记忆网络（Long Short-Term Memory, LSTM）等基准模型对比。

研究结果

3.1 Validation of the MCSA model

研究人员基于Keras框架实现MCSA模型，经超参数寻优确定训练轮数（epochs）=200、批大小（batch_size）=64、学习率（learning_rate）=0.02、通道缩减比（reduction_ratio）=16，采用修正线性单元（Rectified Linear Unit, ReLU）激活函数与Adam优化器及交叉熵损失函数。训练与验证集准确率曲线显示模型快速收敛且无过拟合，约33轮达99%，125轮后稳定，最终验证集平均分类准确率99.2%。

3.2 Analysis of pipeline leakage detection based on the MCSA model

3.2.1 Training results of the MCSA model

如上所述，MCSA在原始强噪声条件下取得99.2%分类准确率，Precision、Recall及F1-score均优于基准模型。

3.2.2 Comparison of anti-noise performance

在原始强噪声及附加12 dB、8 dB、4 dB高斯白噪声下，MCSA各指标均最高：原始噪声下Accuracy=99.2%±0.002，4 dB低信噪比下仍保持Accuracy=95.0%±0.008；对比基准模型中1D-CNN与LSTM-CNN降幅明显，ResNet抗噪性较好但仍低于MCSA。混淆矩阵显示误分类主要集中于相邻泄漏区间，符合声学特征相似性预期。

3.2.3 Ablation study of module design

消融实验表明：仅用特征提取（Feature Extraction, FE）+分类器Accuracy=85.5%；加入CSA注意力机制升至93.1%；加入多路径（Multi-path）机制升至91.8%；完整FE+自适应特征选择（Adaptive feature Selection module containing both multi-path and CSA, ASF）+分类器达99.2%。证明CSA与多路径机制均正向贡献且具互补效应。

3.3 Leakage localization performance of the MCR-MA model

3.3.1 Leakage localization results of the MCR-MA model

MCR-MA超参数为learning_rate=0.002、batch_size=32、reduction_ratio=16，约65轮收敛，验证集定位精度98.75%，平均Bias=0.0051±0.0006（对应160 m管线平均定位偏移约0.816 m），R²=0.9999±0.0001。误差箱线图显示各泄漏位置绝对定位误差主要集中于0.5~1.2 m，个别位置（P7、P9）略大但仍可控。

3.3.2 Comparative analysis of the MCR-MA model

对比实验显示MCR-MA的MSE=0.0004±0.0001、RMSE=0.0207±0.0019、MAE=0.0165±0.0014均为最低，R²最接近1，Bias最低；虽MCSA区间分类准确率略高（99.2% vs 98.75%），但MCR-MA在连续回归误差抑制与拟合优度上更优，适用于连续位置估计。

讨论与结论翻译

研究人员指出当前实验平台未能完全复现现场天然气管线的气体组分、压力范围、管径尺度及复杂运行噪声，未来需用现场实测数据进一步验证；原始强噪声条件虽用原始信噪比（Signal-to-Noise Ratio, SNR_raw）量化但未做详细频谱与时频分析，后续将补充工业噪声时频特性分析；本研究用高斯白噪声测试宽带随机扰动鲁棒性，未涵盖非高斯脉冲噪声、阀门操作噪声及压缩机瞬态噪声，未来将在这些条件下评估模型；当前模型仅在固定压力与孔径下验证，后续将扩展至多压力、多孔径、多介质及轻量化边缘部署。

结论：

本研究通过实验平台搭建、数据集构建与模型设计，系统研究了强噪声条件下燃气管道泄漏定位问题。主要结论如下：(1) 针对基于区间的泄漏位置分类，提出了多通道混合自注意力卷积神经网络（MCSA），通过融合多分支特征提取、通道-空间注意力（CSA）机制及自适应特征选择结构，增强了泄漏相关特征并抑制噪声干扰。实验结果表明MCSA模型在原始强噪声条件下取得高分类准确率，且在附加高斯白噪声干扰下保持稳定性能，证明了其对泄漏位置区间分类具有较强的鲁棒性。(2) 针对连续泄漏位置回归，提出了多级级联残差混合注意力（MCR-MA）模型，通过混合注意力机制与多级级联残差结构相结合，强化了对复杂泄漏特征的提取并提升了回归拟合性能。实验结果表明MCR-MA模型取得了较高的定位精度、较低的偏差（Bias=0.0051±0.0006）及R²=0.9999±0.0001；对于160 m管道，对应平均定位偏移约0.816±0.096 m，表明其在强噪声条件下具有良好的定位稳定性与工程适用性。