Page 107 - 2023年第54卷第2期

［２２］ ＧＵＪ，ＷＡＮＧＺ，ＫＵＥＮ Ｊ，ｅｔａｌ．Ｒｅｃｅｎｔａｄｖａｎｃｅｓｉｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，
２０１８，７７：３５４ － ３７７．
［２３］ ＡＬＥＸＫＲＩＺＨＥＶＳＫＹ，ＩＬＹＡＳＵＴＳＫＥＶＥＲ，ＧＥＯＦＦＲＥＹＥＨＩＮＴＯＮ．ＩｍａｇｅＮｅｔｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕ
ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＣｏｍｍｕｎｉｃａｔｉｏｎｓｏｆｔｈｅＡＣＭ，２０１７，６０（６）：８４ － ９０
［２４］ 卞景艺，刘秀丽，徐小力，等．基于多尺度深度卷积神经网络的故障诊断方法 ［Ｊ］．振 动 与 冲 击，２０２１，
４０（１８）：２０４ － ２１１．
［２５］ ＣＨＥＴＣ，ＤＵＡＮＨ Ｆ，ＬＥＥＰＪ．Ｔｒａｎｓｉｅｎｔｗａｖｅ － ｂａｓｅｄｍｅｔｈｏｄｓｆｏｒａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｉｎｆｌｕｉｄｐｉｐｅｓ：Ａｒｅｖｉｅｗ
［Ｊ］．ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０２１，１６０：１０７８７４．
［２６］ ＢＲＵＮＯＮＥＢ，ＫＡＲＮＥＹＢＷ，ＭＥＣＡＲＥＬＬＩＭ，ｅｔａｌ．Ｖｅｌｏｃｉｔｙｐｒｏｆｉｌｅｓａｎｄｕｎｓｔｅａｄｙｐｉｐｅｆｒｉｃｔｉｏｎｉｎｔｒａｎｓｉｅｎｔ
ｆｌｏｗ ［Ｊ］．ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓＰｌａｎｎｉｎｇａｎｄＭａｎａｇｅｍｅｎｔ，２０００，１２６（４）：２３６ － ２４４．
＇
［２７］ Ｖ?ＴＫＯＶＳＫＹＪＰ，ＢＥＲＧＡＮＴＡ，ＳＩＭＰＳＯＮＡＲ，ｅｔａｌ．Ｓｙｓｔｅｍａｔｉｃｅｖａｌｕａｔｉｏｎｏｆｏｎｅ － ｄｉｍｅｎｓｉｏｎａｌｕｎｓｔｅａｄｙｆｒｉｃ
ｔｉｏｎｍｏｄｅｌｓｉｎｓｉｍｐｌｅｐｉｐｅｌｉｎｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇ，２００６，１３２（７）：６９６ － ７０８．
［２８］ 郭新蕾，杨开林，郭永鑫，等．管道系统泄漏检 测 的 瞬 变 水 击 压 力 波 法 ［Ｊ］．应 用 基 础 与 工 程 科 学 学 报，
２０１１，１９（１）：２０ － ２８．
［２９］ ＧＵＯＸ，ＹＡＮＧＫ，ＧＵＯＹ．Ｌｅａｋｄｅｔｅｃｔｉｏｎｉｎｐｉｐｅｌｉｎｅｓｂｙｅｘｃｌｕｓｉｖｅｌｙｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｍｅｔｈｏｄ［Ｊ］．ＳＣＩＥＮＣＥ
ＣＨＩＮＡＴｅｃｈｎｏｌｏｇｉｃａｌＳｃｉｅｎｃｅｓ．２０１２ ，５５（３）：７４３ － ７５２．
［３０］ ＷＡＮＧＸ，ＬＩＮＪ，ＫＥＲＡＭＡＴＡ，ｅｔａｌ．Ｍａｔｃｈｅｄ － ｆｉｅｌｄｐｒｏｃｅｓｓｉｎｇｆｏｒｌｅａｋｌｏｃａｌｉｚａｔｉｏｎｉｎａｖｉｓｃｏｅｌａｓｔｉｃｐｉｐｅ：Ａｎ
ｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙ ［Ｊ］．ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０１９，１２４：４５９ － ４７８．

Ｍｕｌｔｉ － ｓｃａｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｆｏｒｐｉｐｅｌｉｎｅｌｅａｋｄｅｔｅｃｔｉｏｎ

ＴＡＮＺｈｅｎ，ＧＵＯＸｉｎｌｅｉ，ＬＩＪｉａｚｈｅｎ，ＧＵＯＹｏｎｇｘｉｎ，ＰＡＮＪｉａｊｉａ
（ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｍｕｌａｔｉｏｎａｎｄＲｅｇｕｌａｔｉｏｎｏｆＷａｔｅｒＣｙｃｌｅｉｎＲｉｖｅｒＢａｓｉｎ，
ＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏｐｏｗｅｒＲｅｓｅａｒｃｈ，Ｂｅｉｊｉｎｇ １０００３８，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｈｏｗｔｏｄｅｔｅｃｔｐｉｐｅｌｉｎｅｌｅａｋｓｅｆｆｅｃｔｉｖｅｌｙｉｓｏｎｅｏｆｔｈｅｋｅｙａｎｄｈｏｔｒｅｓｅａｒｃｈｔｏｐｉｃｓｔｏｂｅｓｏｌｖｅｄｉｎｔｈｅｃｏｎ
ｓｔｒｕｃｔｉｏｎｏｆｗａｔｅｒ － ｓａｖｉｎｇｓｏｃｉｅｔｙ．Ｒｅｃｅｎｔｌｙ ，ｐｉｐｅｌｉｎｅｌｅａｋｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇｈａｖｅｂｅｅｎｄｅ
ｖｅｌｏｐｅｄｒａｐｉｄｌｙ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｐｉｐｅｌｉｎｅｌｅａｋｄｅｔｅｃｔｉｏｎｍｏｄｅｌｆｏｒｐｉｐｅｌｉｎｅｓｙｓｔｅｍｓｂａｓｅｄｏｎｍｕｌｔｉ － ｓｃａｌｅｏｎｅ －
ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＭＳ１ＤＣＮＮ）ｆｏｒｔｈｅｐｒｏｂｌｅｍｏｆｉｎａｄｅｑｕａｔｅｅｘｔｒａｃｔｉｏｎｏｆｌｅａｋｆｅａｔｕｒｅｓｂｙ
ｔｒａｄｉｔｉｏｎａｌｓｉｎｇｌｅ － ｓｃａｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｍｏｄｅｌａｄｏｐｔｓｍｕｌｔｉｐｌｅｃｏｎｖｏｌｕｔｉｏｎｐａｔｈｓｗｉｔｈｄｉｆｆｅｒｅｎｔ
ｃｏｎｖｏｌｕｔｉｏｎｋｅｒｎｅｌｓｉｚｅｓｔｏｅｘｔｒａｃｔｔｈｅｆｅａｔｕｒｅｓｏｆｐｉｐｅｌｉｎｅｌｅａｋｓａｎｄｔｏｃｌａｓｓｉｆｙｔｈｅｌｅａｋｉｎｆｏｒｍａｔｉｏｎ．Ｂａｓｅｄｏｎｔｈｅ
ｃｌａｓｓｉｃａｌｐｉｐｅｌｉｎｅｓｙｓｔｅｍｌａｙｏｕｔ ，ｉｎｏｒｄｅｒｔｏｖａｌｉｄａｔｅｔｈｅｍｏｄｅｌ，ｔｈｅｔｒａｎｓｉｅｎｔｆｌｏｗｍｏｄｅｌｗａｓｕｓｅｄｔｏｇｅｎｅｒａｔｅｔｈｒｅｅ
ｗａｔｅｒｐｒｅｓｓｕｒｅｄａｔａｓｅｔｓｗｈｉｃｈｗｅｒｅｕｓｅｄｔｏｉｄｅｎｔｉｆｙｔｈｅｌｅａｋｌｏｃａｔｉｏｎ ，ｌｅａｋａｇｅａｎｄｕｎｓｔｅａｄｙｆｒｉｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｒｅ
ｓｐｅｃｔｉｖｅｌｙｕｎｄｅｒｖａｒｉｏｕｓｐｉｐｅｌｉｎｅｌｅａｋｃａｓｅｓ．Ｔｈｅｓａｍｐｌｅｎｕｍｂｅｒｓｗｅｒｅ３９６０１ ，３９８０ａｎｄ４９００．Ｔｈｅｍｏｄｅｌｈａｓ
ｂｅｅｎｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｓｏｒｔｒａｄｉｔｉｏｎａｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｓｌｉｋｅｔｒａｄｉｔｉｏｎａｌｏｎｅ － ｄｉ
ｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（１ＤＣＮＮ），ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ａｎｄｋ －
ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ （ＫＮＮ）．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＭＳ１ＤＣＮＮｍｏｄｅｌａｃｈｉｅｖｅｓ９９．９６％，９８．４９％ ａｎｄ１００％ ｏｆ
ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｆｏｒｌｅａｋｌｏｃａｔｉｏｎ ，ｌｅａｋａｇｅａｎｄｕｎｓｔｅａｄｙｆｒｉｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｕｎｄｅｒｔｈｅｄａｔａｓｅｔｓ．Ｔｈｅａｖｅｒ
ａｇｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｉｓ０．３１％，２．００％，１．２７％ ａｎｄ２２．８０％ ｈｉｇｈｅｒｔｈａｎｏｔｈｅｒｍｏｄｅｌｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅａｖｅｒ
ａｇｅＦ １ ｓｃｏｒｅｓｏｆＭＳ１ＤＣＮＮｍｏｄｅｌｆｏｒｅａｃｈｄａｔａｓｅｔｓａｒｅ９９．２％，９７．０２％ ａｎｄ１００％ ｒｅｓｐｅｃｔｉｖｅｌｙｉｎｔｈｅｎｏｉｓｅｅｎｖｉ
ｒｏｎｍｅｎｔｗｉｔｈＳＮＲｏｆ － ４ － １２ｄＢ．Ｔｈｅｙａｒｅ０．６１％，２．３％，２．７８％ ａｎｄ２８．５９％ ｈｉｇｈｅｒｔｈａｎｔｈｏｓｅｏｆ１ＤＣＮＮ，ＢＰ
ｎｅｕｒａｌｎｅｔｗｏｒｋ ，ＳＶＭ ａｎｄＫＮＮ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｐｒｏｖｅｓｔｈｅｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆＭＳ１ＤＣＮＮｍｏｄｅｌ．Ｔｈｅ
ｍｏｄｅｌｐｒｅｓｅｎｔｅｄｉｎｔｈｉｓｐａｐｅｒｉｓａｐｐｌｉｃａｂｌｅｆｏｒｔｈｅｓｙｎｃｈｒｏｎｏｕｓｐｒｅｄｉｃｔｉｏｎｏｆｐｉｐｅｌｉｎｅｌｅａｋａｇｅｐａｒａｍｅｔｅｒｓａｎｄｕｎ
ｓｔｅａｄｙｆｒｉｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ．
Ｋｅｙｗｏｒｄｓ：ｐｉｐｅｌｉｎｅｌｅａｋｄｅｔｅｃｔｉｏｎ；ｔｒａｎｓｉｅｎｔｆｌｏｗｍｏｄｅｌ；ｕｎｓｔｅａｄｙｆｒｉｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ；ｍｕｌｔｉ － ｓｃａｌｅｌｅａｋｆｅａｔｕｒｅ；
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ

（责任编辑：李福田）

— ２ ３ １ —