Page 124 - 2024年第55卷第8期

将随着流量的增减而整体升降，与泄漏造成的压力变化规律并不相同。因此，基于压力信号变化特
征，可有效应用于泄漏事故的识别。

图 ２ 典型 ＶＭＤ分解结果

但是，常压、小尺度泄漏条件下，泄漏信号的变化
特征并不明显。在 本文 工况下，压 力的瞬 时下降 仅为
７％～１３％，泄漏前后的压力也仅相差 ０．５％～２％，导致
传统的泄漏检测模型难以提取其特征、无法准确区分识
别泄漏及非泄漏工况，从而难以建立准确可靠的泄漏检
测模型。因此，为了针对小尺度泄漏的特点，建立准确
度高、可靠性强的泄漏检测模型，需要对实验数据进行
预处理，增强信号特征。
为此，本文利用 Ｚ － ｓｃｏｒｅ标准化式（３）对实验数据
进行预处理，得到标准化数据 ｙ（ｉ＝ １ ，２，…，Ｎ，Ｎ
ｉ
３
为实验数据组个数）。典型工况（Ｑ＝ ７０ｍ ?ｈ）的处理结 图 ３ 原始信号与去噪信号的对比结果
果如图 ５所示。处理后的实验数据，变化特征更加明显，泄漏发生造成的瞬时变化率，从约 １１％提升
至接近 ８００％，泄漏前后的压力变化比例也提升至 ２００％，从而增强了信号特征，有助于提升泄漏检测
模型的检测精度。
ｘ
ｘ － 珋
ｉ
ｙ＝ （３）
ｉ
σ （ｘ）
ｘ和 σ （ｘ）分别为原始实验数据的平均值和标准差。
式中：ｘ为第 ｉ个原始实验数据； 珋
ｉ
４ 泄漏检测模型构建

本文根据泄漏信号数据的特点，基于 ＣＮＮ、ＬＳＴＭ、ＢｉＬＳＴＭ 以及 ＧＲＵ等深度学习模型，利用降
噪后的数据构建了 ３种泄漏检测模型：卷积长短期神经网络（ＣＮＮ － ＬＳＴＭ）、卷积双向长短期记忆网络

— １ ０ ２ —
０