Page 105 - 2023年第54卷第2期

式中：Ｐ为信号的平均功率；Ｐ为噪声的平均功率。
ｓ ｎ
对比各模型测试结果可知，本文所提出的 ＭＳ１ＤＣＮＮ模型在不同信噪比的情况下的分类性能表现
相比其他模型较优。由图 １１可知，对于数据集［Ｌ］，对各信噪比下的 Ｆ值取平均值可达 ９９．２％，分别
１
比 １ＤＣＮＮ、ＢＰ、ＳＶＭ、ＫＮＮ模 型 提 高 ０．９％、５．９７％、２．５％、１５．７６％；由 图 １２可 知，对 于 数 据 集
［Ｑ］，平均 Ｆ值可达到 ９７．０２％，分别比各模型提高 ０．６７％、０．８３％、５．１２％、３８．６８％；由图 １３可知，
１
对于数据集［ Ｋ］，除了 ＫＮＮ模型对非恒定摩阻系数的预测效果较差之外，其他模型均能较好的预测，
ＭＳ１ＤＣＮＮ模型在各噪声水平下均达到 １００％，具有更强的抗噪性能；对三个加噪数据集的平均 Ｆ值再
１
取平均 值 可 知，ＭＳ１ＤＣＮＮ模 型 的 Ｆ 值 分 别 比 １ＤＣＮＮ、ＢＰ、ＳＶＭ、ＫＮＮ模 型 提 高 ０．６１％、２．３％、
１
２．７８％、２８．５９％。综合各模型在各数据集上的表现，可以看出，在没有对数据进行去噪处理的情况下，
相比于其他方法，ＭＳ１ＤＣＮＮ模型仍然可以保持较高的准确率，具有较好的鲁棒性。

图 １０ 加噪数据集示例图（ｌ ＝ ０．２５ ，Ｑ＝ １０％Ｑ ０ ） 图 １１ 加噪数据集［Ｌ］各模型 Ｆ １ 值

图 １２ 加噪数据集［Ｑ］各模型 Ｆ １ 值 图 １３ 加噪数据集［Ｋ］各模型 Ｆ １ 值

５ 结论

针对传统单一尺度卷积神经网络无法充分提取管道泄漏瞬变压力波的多尺度泄漏特征的问题，本
文提出一种基于 ＭＳ１ＤＣＮＮ的管道泄漏检测模型来实现管道的泄漏位置、泄漏量、非恒定摩阻系数的
分类预测，并与其他模型对比验证了本文模型的准确率和抗噪性能。主要结论如下：
（ １）ＭＳ１ＤＣＮＮ模型具有较高的预测准确率。对管道泄漏位置、泄漏量、非恒定摩阻系数的分类准
确率达到了 ９９．９６％、９８．４８％、１００％，该准确率是基于简单管网系统，且为无噪声的模拟数据集下的
准确率，实际工程或实验中该模型的预测性能会受到一定影响，还需进一步验证。
（２）通过与 １ＤＣＮＮ、ＢＰ、ＳＶＭ和 ＫＮＮ模型对比发现，本文模型对于管道的泄漏位置及泄漏量的
预测均具有一定的优势；除 ＫＮＮ模型之外，其他模型均能准确的预测非恒定摩阻系数，说明使用基
于数据驱动的方法用于预测非恒定摩阻系数是有效的。
（ ３）Ｍ１ＤＣＮＮ模型具有良好的鲁棒性。在不同程度噪声环境下，ＭＳ１ＤＣＮＮ模型相比于其他模型
也具有较好的预测精度，各数据集的平均 Ｆ值达到了 ９７％以上。
１
需要指出的是，本文模型只是在简单的 ＲＰＶ管道系统模拟的数据集上取得较好的预测分类效果，
后续仍需要使用现场观测数据和物理试验对该模型进一步验证。对于复杂管道系统，如分支和环状管

— ２ ２ ９ —