Page 97 - 2023年第54卷第2期

深度学习是最近的热点研究方向，卷积神经网络（ＣＮＮ）作为典型的深度神经网络，因其具有独特
的卷积结构、权值共享、局部连接，以及强大的自主提取特征能力 ［１３］ ，被引入到管道漏损故障诊断
中。众多学者的研究表明，ＣＮＮ在管道泄漏检测中具有较好的分类预测效果。Ｃｈｕａｎｇ等 ［１４］ 提出了一
种基于卷积神经网络的地下水管道泄漏检测方法，该模型以泄漏声信号的梅尔频率倒谱系数作为模型
的输入，以管道是否存在泄漏为输出，该模型的分类准确率可达到 ９８％；Ｚｈｏｕ等 ［１５］ 为了实现使用小
样本准确检测和定位泄漏，提出了一种集成迁移学习的一维卷积神经网络方法（ ＴＬ１ＤＣＮＮ），并使用粒
子群优化算法（ＰＳＯ）对基学习器的权重进行优化；Ｋａｎｇ等 ［１６］ 将一维卷积神经网络与 ＳＶＭ融合，提出
一种基于图像的供水管网泄漏检测和定位算法，泄漏检测精度可达到 ９９．３％；Ｃｏｄｙ等 ［１７］ 提出一种基
于 ＣＮＮ与变异自动编码器结合的管道泄漏检测方法，对泄漏与非泄漏的水声数据进行分类预测，达
到了 ９７．２％的分类准确率；Ｇｕｏ等 ［１８］ 使用泄漏谱图来描述泄漏信号特征，建立时频卷积神经网络模型
来识别泄漏信号，在不同信噪比的条件下，该模型的平均分类准确率达到了 ９８％。总的来说，ＣＮＮ方
法分类预测效果较好，但该方法在以下方面似有不足：（ １）当所采集的数据中泄漏工况类别较多，不
同工况下的信号数据中能够体现泄漏特征的数据点在时域信号中所占的位置和大小均不固定，加上噪
声的影响，检测信号中泄漏特征呈现多尺度复杂性，所采用的单一尺度卷积核的 ＣＮＮ易在池化层丢
失部分特征信息 ［１９］ ，以致无法充分提取管道的多尺度泄漏特征；（２）当使用瞬态压力数据预测管道泄
漏时，除泄漏外，非恒定摩阻系数也直接影响着瞬变压力波的衰减和畸变特性 ［２０］ ，从而影响泄漏检测
的准确率。因此，可以尝试采用多尺度卷积神经网络建立分类预测模型，以提高检测精度。
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，本文尝试采用多尺度卷积神经网络
对泄漏管道中泄漏位置、泄漏量及非恒定摩阻系数进行分类预测。即首先对传统单一尺度卷积神经网
络进行改进，构建基于多尺度一维卷积神经网络 ［２１］ （ＭＳ１ＤＣＮＮ）的管道泄漏检测模型，然后通过管道
非恒定摩阻瞬态模型生成分别用于预测相应泄漏参数的 ３类模拟数据集，进而对泄漏信息进行分类预
测。此外，为验证模型抗噪性能，对各数据集进行加噪处理，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。

２ 基于多尺度一维卷积神经网络的管道泄漏检测模型

本文首先对传统一维卷积神经网络（１ＤＣＮＮ）进行改进，构建基于 ＭＳ１ＤＣＮＮ的预测模型对管道泄
漏位置、泄漏量、非恒定摩阻系数进行分类预测，具体模型的建立及测试包括网络结构设计、网络参
数优化和模型评估与验证。
２．１ 模型方法
２．１．１ 一维卷积神经网络 ＣＮＮ作为深度学习的代表性网络之一 ［２２］ ，是一类包含卷积计算且具有深
度结构的前馈神经网络。典型的 ＣＮＮ结构由输入层、卷积层、池化层（也称为下采样层）、全连接层
和输出层组成。对于一维卷积神经网络，其经典的网络结构如图 １所示。
（ １）输入层首先将一维数据输入到输入层中，输出维度与输入数据维度一致；卷积层由一定数量
的一维卷积核组成，卷积核以一定步长对输入的一维数据进行滑动卷积操作，卷积运算过程如下：
（ｌ ＋ １ ）
ｌ
ｌ
ｙ （ｊ） ＝Ｗ Ｘ（ｊ） ＋ ｂ ｌ （１）
ｉ
ｉ
ｉ
ｌ
ｌ
ｌ
式中：为卷积核运算；Ｗ 与 ｂ为第 ｌ层中第 ｉ个卷积核的权重和偏置；Ｘ（ｊ）为第 ｌ层中第 ｊ个局部卷
ｉ ｉ
积区域；ｙ （ｌ ＋ １ ） （ｊ）为第 ｌ ＋ １ 层第 ｉ个卷积核运算结果中第 ｊ个神经元的输入。
ｉ
卷积运算后，ＣＮＮ通常需要使用激活函数增强神经网络的非线性学习能力，常用的激活函数主要
包括 ＲｅＬＵ、Ｔａｎｈ、Ｓｉｇｍｏｉｄ等。Ｋｒｉｚｈｅｖｓｋｙ等 ［２３］ 研 究 对 比 发 现，ＲｅＬＵ对 神 经 网 络 性 能 的 提 升 优 于
Ｔａｎｈ及 Ｓｉｇｍｏｉｄ函数，因此通常使用 ＲｅＬＵ函数作为激活函数，其表达式如下：
ＲｅＬＵ（ｘ） ＝ｍａｘ （０，ｘ） （２）
（ ２）池化操作实质上就是对特征向量的信息进一步提取的过程，该过程不需要任何新的参数，因
此可以达到降维的目的。比较常用的池化方式包括最大池化和平均池化，运算过程为：
— ２ ２ １ —