Page 122 - 2024年第55卷第8期

在传统方 法 的 基 础 上，随 着 人 工 智 能 技 术 的 发 展，以 人 工 神 经 网 络 （ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，
ＡＮＮ）为代表的深度学习模型在泄漏检测研究中逐步得到应用 ［１１ － １４］ 。Ｌａｎｇ等 ［１５］ 采用最小二乘双支持向
量机模型对输油管道进行泄漏 检测研 究，模型能够 有效 识 别 不同 的 运行 工 况，预 测精 度 超过 ９０％。
Ｋｉｍ等 ［１６］ 针对海底高压天然气管道的泄漏问题进行了数值模拟，并利用深度人工神经网络模型构建泄
漏检测模型，该模型能够有效应用于天然气管道的泄漏检测工作。Ｕｌｌａｈ等 ［１７］ 基于 ＡＮＮ等机器学习方
法建立泄漏检测模型，模型总体分类准确度达 ９９％。谭震等 ［１８］ 利用多尺度一维卷积神经网络建立管
道泄漏检测模型，并利用该模型对瞬变流模型仿真得到的样本数据进行了预测研究，以实现对模拟数
据的准确分类。
综上可知，人工智能算法已在泄漏检测领域得到了一定程度的应用，但现有的管道泄漏检测模型
大多是基于仿真数据建立的，而利用智能算法对实测数据的预测研究较少。同时，各类深度学习模型
的适用范围并不相同 ［１９］ ，例如，人工神经网络虽然适用范围广，但是精度偏低且泛化性差。因此，为
实现对管道泄漏事故的高精度检测，需要针对常压、小尺度条件下管道泄漏的特点，构建适应性强、
精度高的泄漏检测模型。
为此，本文开展了常压、小尺度泄漏条件（泄漏面积仅占管截面积的 １．６９％，泄漏流量仅占总流
３
量的 １．６０％～１．７９％）的供水管道泄漏检测研究，获取了 １００～２２０ｋＰａ压力、４０～８０ｍ ?ｈ流量条件下的
泄漏及非泄漏工况数据（共计 ９１３组），分析了泄漏对压力信号的影响，利用变分模态分解（Ｖａｒｉａｔｉｏｎａｌ
ＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ ，ＶＭＤ）对数据进行降噪，并进行 Ｚ － ｓｃｏｒｅ标准化处理，以增强信号特征。同时，
基于卷积神经网络 （ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）、长 短期 记忆 网 络 （ＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ
ｎｅｔｗｏｒｋ ，ＬＳＴＭ）、双向长短期记忆网络（ＢｉｄｉｒｅｃｔｉｏｎａｌＬｏｎｇＳｈｏｒｔ － ＴｅｒｍＭｅｍｏｒｙｎｅｔｗｏｒｋ，ＢｉＬＳＴＭ）以及门
控循环单元（ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ）等深度学习模型，利用降噪后的数据构建 ３种泄漏检测模型，
进行了预测性能的定量评价。本研究工作可为管道泄漏检测系统智慧管理提供一定支撑。

２ 实验系统与实验工况

２．１ 实验系统 实验管道回路布置如图 １所示，回路由水箱，离心泵、电磁流量计、空气阀、止回
阀、截止阀，球阀及相关的测试系统组成。回路采用内径 １００ｍｍ的圆管连接各实验部件，所有部件
及连接管均为 ３０４不锈钢。实验回路中设有 ２个高频压力传感器，并设有 ７个直径为 １３ｍｍ的泄漏点
（由球阀控制开关），泄漏点与高频压力传感器的位置关系如图所示。利用 ＮＩ数据采集系统（ＤＡＱ －
９１７８，ＮＩ９２０３，ＮＩ９２２０）采集高频信号数据，采样频率为 ２０００Ｈｚ。

图 １ 实验管道回路布置图
— １ ０ ０ —
０