Page 96 - 2023年第54卷第2期

水 利 学 报

２０２３年 ２月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５４卷 第 ２期

文章编号：０５５９ － ９３５０（２０２３）０２ － ０２２０ － １２

基于多尺度卷积神经网络的管道泄漏检测模型研究

谭 震，郭新蕾，李甲振，郭永鑫，潘佳佳

（中国水利水电科学研究院 流域水循环模拟与调控国家重点实验室，北京 １０００３８）

摘要：如何有效检测管道泄漏是节水型社会建设迫切需要解决的关键和热点问题之一。近年来基于深度学习的管
道泄漏检测方法发展迅速，本文针对传统单尺度卷积神经网络对泄漏特征提取不充分的问题，提出一种基于多尺
度一维卷积神经网络（ ＭＳ１ＤＣＮＮ）的管道系统泄漏检测模型。该方法利用多个不同卷积尺度的卷积通路并行提取
管道泄漏的特征并进行泄漏信息的分类预测。基于经典的管道系统布置，利用瞬变流模型生成管道泄漏工况下的
三个水压数据集对模型进行验证，三个数据集分别用于预测管道的泄漏位置、泄漏量和非恒定摩阻系数，对应样
本数为 ３９６０１、３９８０、４９００，并将预测结果与其他深度学习方法和传统的机器学习方法进行对比分析。结果表明：
ＭＳ１ＤＣＮＮ模型对数据集样本下泄漏位置、泄漏量、非恒定摩阻系数的分类准确率达到 ９９．９６％、９８．４８％、１００％，
三者平均预测精度比传统一维卷积神经网络（ １ＤＣＮＮ）、ＢＰ神经网络、支持向量机（ＳＶＭ）和 ｋ近邻算法（ＫＮＮ）提
高 ０．３１％、２％、１．２７％、２２．８％；ＭＳ１ＤＣＮＮ在信噪比为 － ４～１２ｄＢ的噪声环境下 各 数 据 集 的 平 均 Ｆ 分 数 分 别 为
１
９９．２％、９７．０２％、１００％，三者平均值分别比 １ＤＣＮＮ、ＢＰ、ＳＶＭ、ＫＮＮ模型提高 ０．６１％、２．３％、２．７８％、２８．５９％，
证明了 ＭＳ１ＤＣＮＮ模型的预测性能。本文方法在管道泄漏参数、非恒定摩阻的同步预测方面有一定的潜力。
关键词：管道泄漏检测；瞬变流模型；非恒定摩阻系数；多尺度泄漏特征；卷积神经网络
文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２２０６４４
中图分类号：ＴＶ１３４
１ 研究背景

供水管网漏损带来的跑、冒、滴、漏一直是全球供水行业的热点问题 ［１］ 。管道泄漏常导致严重的
环境污染和巨大的资源浪费，甚至对人们的生命健康造成不利影响，因此管道泄漏的及时检测和定位
具有重要的工程和社会意义。目前管道泄漏检测和定位技术主要可分为两大类：基于硬件和软件的方
法 ［２］ 。前者主要依靠硬件设备，如光纤传感、探地雷达、内窥机器人等 ［３ － ５］ ，这类方法虽然精度高，
但当其大规模应用时，成本较高且时效性较低；后者包括恒定流分析、瞬变流分析和基于检测信号数
据驱动的方法。其中基于瞬变流检测管道泄漏在过去的二十多年受到国内外广泛关注，该法主要分三
种 ［６］ ：（１）直接瞬变流分析，（２）瞬变频域法，（３）瞬变流反问题分析，三种方法虽然侧重不同，但往
往比较依赖于目标管道系统或者是复杂物理模型详细且准确的先验信息，而这些信息的完整获取通常
难以实现，这就一定程度限制了此类方法的实际应用。近年来，基于数据驱动的管道泄漏检测与定位
算法得到了广泛研究和应用，这类方法通常使用压力、流量或声音等时域信号数据来对管道进行泄漏
［９］
检测 ［７］ ，已经有 ＢＰ神经网络 ［８］ 、支持向量机（ＳＶＭ） 、ｋ近邻算法 （ＫＮＮ）、随机森林和贝叶斯网
络 ［１０］ 等传统的机器学习的方法被应用于管道的泄漏检测，且效果较好，但以上算法的准确率和可靠性
很大程度上取决于泄漏特征参数的选取，且需要人工对数据进行预处理来提取特征向量 ［１１ － １２］ ，这个过
程耗时较长且较依赖于人工经验，因此传统的机器学习方法用于泄漏检测具有一定的局限性。

收稿日期：２０２２ － ０８ － １０；网络首发日期：２０２３ － ０２ － １０
网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２３０２１０．１１１２．００２．ｈｔｍｌ
基金项目：国家重点研发计划项目（２０２２ＹＦＣ３２００２１５，２０２２ＹＦＣ３２０２５００）；国家自然科学基金项目（Ｕ２２４３２２１，５１９７９２９１，５２１７９０８２）
作者简介：谭震（ １９９７ － ），硕士生，主要从事水力学研究。Ｅ － ｍａｉｌ：２４７１３２９６３４＠ｑｑ．ｃｏｍ
通讯作者：郭新蕾（１９８０ － ），博士，教授级高级工程师，主要从事水力学研究。Ｅ － ｍａｉｌ：ｇｕｏｘｉｎｌｅｉ＠ｉｗｈｒ．ｃｏｍ
— ２ ２ —
０