基于声学的城市供水管道泄漏位置检测方法：多任务深度学习的应用

《Engineering Applications of Artificial Intelligence》：Acoustic based leak location detection for water supply pipelines in urban areas via multi-task deep learning

管道漏损检测与定位研究提出基于噪声记录器的声学信号处理方法，采用离散小波变换降噪后构建深度学习模型，通过多任务学习框架结合变分自编码器和迁移学习提升定位精度，在非金属和金属管道中分别实现100%和98.5%的检测准确率，定位误差为0.273米和0.096米。

　　水管道泄漏的快速和精准定位对供水企业至关重要，这不仅有助于及时修复受损管道，还能有效减少水资源浪费，降低对周边环境和社会经济的影响。本研究提出了一种创新性的方法，以解决泄漏检测与定位中的关键挑战。该方法主要依赖于噪声记录器（noise logger）采集实际管道中的声学信号，并利用这些信号构建深度学习所需的数据库。在信号处理阶段，采用基于离散小波变换（DWT）的降噪技术，以减少噪声对信号的干扰，提高信号的清晰度。随后，设计了一个新颖的多任务深度学习框架，结合变分自编码器（VAE）来获取包含关键信息的潜在表示，从而增强泄漏检测与定位的准确性和效率。此外，为应对数据稀缺的现实问题，研究引入了迁移学习，利用已获得的潜在表示提升模型在新数据集上的泛化能力。通过在独立测试集上的评估，该方法在非金属和金属供水管道中分别达到了100%和98.5%的泄漏检测准确率，同时泄漏定位的平均绝对误差（MAE）分别为0.273米和0.096米，显示出较高的定位精度。

管道泄漏可能带来深远的经济和社会后果，包括水资源的直接损失，以及由此引发的洪水、周边基础设施损坏、商业运营中断、公共健康风险和生态环境恶化等问题。世界银行的一项研究表明，发展中国家每天损失约4500万立方米的水，造成年经济损失超过30亿美元。非收益水（nonrevenue water）是指在供水系统中未被计费的水，这主要源于管道系统的泄漏问题。尽管泄漏问题早已被广泛认知，但供水企业仍缺乏一套完整的解决方案。管道泄漏的主要原因包括对现有供水基础设施的管理不善，例如管道老化、维护不足以及施工质量不达标等。在全球范围内，非收益水约占供水系统总输入量的30%，这给经济带来了显著的损失。因此，精准的泄漏定位对于供水企业而言是至关重要的，它能够帮助企业高效修复管道损坏，确保供水的连续性。

为了应对泄漏检测和定位问题，研究者们提出了多种方法，这些方法通常基于不同的物理属性和检测技术。根据技术特点，这些方法可以分为软件类和硬件类两大类。软件类方法利用计算技术，如质量/体积平衡、统计方法、负压波、瞬态方法和流量/压力测量等。质量/体积平衡方法通过比较输入与输出的水量差异来检测泄漏，但其缺点在于在瞬态状态下容易产生误报，并且检测过程较为耗时。统计方法操作简单，适用于不同类型的管道材料，但其在泄漏发生后需要较长时间才能检测到，且对泄漏的预测能力有限。负压波方法基于泄漏发生时压力的突然下降，但其适用范围受限于管道的长度，并且在某些情况下容易误判。瞬态方法通过分析瞬态波的传播、反射和衰减特性来定位爆管，但其准确性会随着管道数量的增加而下降。此外，大多数此类方法在小泄漏的检测上并不敏感。流量/压力测量方法通过内部管道参数的推断来实现日常的泄漏监测，但其对缓慢发展的泄漏并不敏感。

相比之下，基于声学的方法在泄漏定位的准确性、效率和经济性之间提供了较为平衡的解决方案。声学方法因其与泄漏生成和传播的物理过程直接相关，而成为泄漏定位研究的重要方向。研究者们已经对多种声学设备进行了广泛研究，包括噪声记录器（NL）、加速度计和水听器等。其中，噪声记录器因其安装简便（可在阀门或取水点安装）和成本效益而成为现场泄漏检测的优选设备。此外，其无线通信能力减少了对操作员技能和经验的依赖。然而，声学方法在实际应用中常常受到背景噪声或流体噪声的干扰，这些噪声会掩盖真实的泄漏信号，从而影响检测的准确性。因此，研究者们在数据驱动的声学泄漏检测与定位技术中，需要解决三个主要挑战：一是泄漏检测和定位技术在实际供水管网中的准确性受到噪声干扰；二是虽然已有大量研究关注泄漏检测，但对实际供水管网中的泄漏定位技术研究有限；三是大多数泄漏定位技术在训练数据不足的情况下难以实现理想的定位效果。

为了减少背景噪声的干扰，一些研究已经尝试采用不同的信号处理方法。例如，Wang等人（2019）利用匹配场处理（MFP）方法对粘弹性管道中的泄漏进行定位。Zhang等人（2024）采用不同的分解技术提取泄漏特征，其中快速傅里叶变换（FFT）分解技术在泄漏定位中表现更为优异。在本研究中，为了减少噪声记录器在泄漏定位过程中受到的噪声干扰，采用基于离散小波变换的降噪技术。该方法通过分析不同类型的母小波函数对信号的影响，来评估降噪效果。小波变换在信号处理中具有较强的适应性，能够有效提取信号中的关键特征，同时去除不必要的噪声成分，从而提高信号的清晰度和可靠性。

在泄漏定位技术中，确定性水力模型（如Bicik等人，2011；Meseguer等人，2014）被广泛应用于泄漏点的识别。这些模型通常基于水力方程和管网结构，能够提供较为精确的泄漏位置预测。然而，模型方法对水力模型本身的精度要求较高，且容易受到不确定性和复杂性的影响。因此，研究者们逐渐转向数据驱动的方法，以提高泄漏检测和定位的准确性和适应性。这些方法包括机器学习模型（如人工神经网络、聚类分析和支持矢量机）以及深度学习技术。例如，EI-Abbasy等人（2016）和EI-Zahab等人（2018）利用神经网络、聚类和支持矢量机进行管道泄漏点的识别。然而，这些方法需要人工设计合适的特征提取器，且难以学习复杂的特征。Qui?ones-Grueiro等人（2021）采用深度神经网络对泄漏检测中的残差进行评估，而Xu等人（2019）则引入了一种基于神经网络的分类模型，利用生成对抗网络（GAN）和长短期记忆网络（LSTM）预测管道泄漏。Zhou等人（2019）采用密集连接卷积网络（DenseNet）对压力信号进行高效特征提取，从而提升泄漏定位的准确性。Siddique等人（2023）提出了一种新的框架，通过结合泄漏增强的Scalogram和卷积自编码器来提高管道泄漏诊断的准确性。Ahmad等人（2023）则提出了一种新的泄漏检测与尺寸识别技术，利用新开发的脆弱性指数和一维卷积神经网络进行泄漏分析。

当前的泄漏检测与定位方法通常将检测和定位任务分开，分别采用不同的模型进行处理。然而，这两个任务之间存在内在的联系，因为它们共享相同的训练数据和输入输出结构。因此，多任务学习（multi-task learning）在泄漏检测与定位的建模中展现出更高的效率，能够同时捕捉任务之间的相关性，而不是单独对每个任务进行学习。在本研究中，提出了一种基于多任务深度学习的泄漏定位预测模型，以解决当前模型在训练数据不足情况下的定位精度问题。为了提升模型在小数据集上的表现，研究引入了迁移学习，利用一个相关领域的数据集进行预训练，然后将该模型在目标数据集上进行微调。该方法通过变分自编码器（VAE）实现知识的迁移，从而提升模型在复杂管网环境下的泛化能力。

在模型构建过程中，研究采用了一种编码器-解码器架构，其中编码器负责处理从原始数据集中随机选取的信号转换而来的Mel频谱图，以生成潜在变量。解码器则利用潜在变量所定义的概率分布进行数据重建，从而恢复Mel频谱图。该过程能够有效提取信号中的关键特征，同时去除噪声成分，提升信号的可用性。在训练阶段，模型首先基于原始数据集进行训练，以学习潜在表示。随后，利用这些潜在表示对目标数据集进行微调，以适应不同的管网拓扑结构。通过这种方式，模型能够在数据稀缺的情况下仍保持较高的定位精度。

本研究的结构如下：第二部分介绍了所提出的泄漏定位方法，包括其理论框架和深度学习方法的实现。第三部分讨论了方法的具体实施和目标数据集的验证。第四部分总结了本研究的主要结论。此外，研究还提供了作者贡献声明和利益冲突声明，以确保研究的透明性和公正性。最后，研究得到了香港特别行政区创新与技术基金的支持，为项目提供了必要的资金保障。

在实际应用中，泄漏检测与定位的挑战不仅来自于信号本身的复杂性，还来自于环境噪声和管道条件的多样性。因此，需要一种能够适应不同场景的通用方法。基于噪声记录器的声学信号采集和处理方法，能够提供实时、高精度的泄漏信息，但其在噪声干扰下的性能仍然受到限制。本研究通过引入基于离散小波变换的降噪技术，有效提高了信号的清晰度，从而提升了泄漏检测与定位的准确性。同时，采用多任务深度学习框架，结合变分自编码器，实现了对潜在表示的高效学习，使得模型能够在不同数据集之间进行迁移，从而适应不同的管网结构和环境条件。

此外，本研究还关注了数据驱动方法在泄漏检测中的应用。传统的泄漏检测方法通常依赖于物理模型和经验规则，而数据驱动方法则通过机器学习和深度学习技术，从大量的声学信号中提取模式和特征，以实现更精确的泄漏定位。例如，基于深度学习的模型能够自动学习信号中的复杂特征，而无需人工设计特征提取器。这种方法在处理大规模数据集时表现出较高的效率和准确性，但也面临数据稀缺和噪声干扰的挑战。因此，研究引入了迁移学习，以利用已有数据集的潜在表示，提升模型在新数据集上的性能。这种方法不仅能够减少对大量训练数据的依赖，还能在数据质量不高的情况下保持较高的定位精度。

在实验过程中，研究采用了一种系统化的数据处理流程，包括信号采集、降噪处理、特征提取和模型训练等多个步骤。首先，噪声记录器被部署在实际管道系统中，以采集声学信号。这些信号随后经过离散小波变换进行降噪处理，以去除背景噪声和流体噪声的影响。降噪后的信号被存储在独立的数据集中，以用于后续的比较和评估。接着，通过卷积和解卷积神经网络对降噪后的信号进行处理，以提取潜在表示。这些潜在表示能够捕捉信号中的关键信息，从而提升模型的泛化能力。最后，通过多任务深度学习框架对泄漏检测和定位任务进行联合建模，以提高模型的综合性能。

在模型评估方面，研究采用了独立测试集进行验证，以确保模型在实际应用中的有效性。测试结果表明，该方法在非金属和金属供水管道中分别达到了100%和98.5%的泄漏检测准确率，同时泄漏定位的平均绝对误差（MAE）分别为0.273米和0.096米。这些结果显示出该方法在泄漏检测与定位中的优异表现。此外，研究还探讨了不同母小波函数对信号降噪效果的影响，以选择最优的小波函数进行信号处理。通过这种方式，模型能够更有效地提取信号中的关键特征，从而提升泄漏定位的准确性。

本研究的创新点在于将泄漏检测与定位任务整合到同一模型中，以提高模型的整体性能。传统的泄漏检测与定位方法通常需要分别训练和优化，这不仅增加了计算复杂度，还可能导致模型之间的不一致性。而多任务深度学习框架能够同时学习多个任务，从而提升模型的泛化能力和适应性。此外，通过引入迁移学习，模型能够在数据稀缺的情况下仍保持较高的定位精度，这为实际应用提供了更大的灵活性。因此，该方法在实际供水管网中的应用具有重要意义，能够帮助供水企业更高效地识别和修复泄漏问题，确保供水的连续性和稳定性。

在实施过程中，研究还关注了数据的多样性和复杂性。由于实际供水管网中的管道条件和环境噪声各不相同，因此需要一种能够适应不同情况的通用方法。本研究通过采用基于离散小波变换的降噪技术，提高了信号的清晰度，从而提升了模型的性能。同时，通过多任务深度学习框架，模型能够同时处理多个任务，提高了计算效率。此外，研究还探讨了不同类型的母小波函数对信号降噪效果的影响，以选择最优的小波函数进行信号处理。通过这种方式，模型能够更有效地提取信号中的关键特征，从而提升泄漏定位的准确性。

在实际应用中，泄漏检测与定位的准确性受到多种因素的影响，包括信号质量、噪声水平和管网结构等。因此，需要一种能够综合考虑这些因素的方法。本研究通过采用基于噪声记录器的声学信号采集和处理方法，结合多任务深度学习框架，实现了对泄漏点的精准识别。同时，通过迁移学习，模型能够在不同数据集之间进行知识迁移，从而适应不同的管网结构和环境条件。这种方法不仅提高了模型的泛化能力，还减少了对大量训练数据的依赖，使得模型在实际应用中更加实用。

此外，本研究还关注了模型的可解释性和实用性。由于深度学习模型通常被视为“黑箱”方法，因此需要一种能够解释模型决策过程的方法。通过结合变分自编码器，模型能够生成潜在表示，这些潜在表示不仅包含关键信息，还能够帮助理解泄漏的特征和模式。同时，研究还通过实验验证了模型的有效性，确保其在实际供水管网中的适用性。通过这种方式，模型不仅能够提高泄漏检测的准确性，还能够为供水企业提供有价值的决策支持。

在实际应用中，泄漏检测与定位的挑战不仅来自于技术层面，还涉及到经济和社会因素。因此，需要一种能够在保证检测精度的同时，降低实施成本的方法。本研究通过采用基于噪声记录器的声学信号采集和处理方法，结合多任务深度学习框架，实现了对泄漏点的精准识别。同时，通过迁移学习，模型能够在数据稀缺的情况下仍保持较高的定位精度，这为实际应用提供了更大的可行性。因此，该方法不仅具有较高的技术先进性，还具有较强的经济适应性，能够帮助供水企业更高效地管理水资源，减少经济损失。

总之，本研究提出了一种基于多任务深度学习的泄漏定位方法，该方法结合了基于离散小波变换的降噪技术、变分自编码器和迁移学习，以提升泄漏检测与定位的准确性和效率。通过实验验证，该方法在实际供水管网中的表现优异，能够有效识别泄漏点，并减少对大量训练数据的依赖。因此，该方法为供水企业提供了新的解决方案，有助于提高水资源管理的效率，减少经济损失，并确保供水的连续性和稳定性。