基于压缩感知与优化支持向量机（CS-MI-PSVM）的供水管道泄漏高效识别方法及其在健康监测中的应用意义

本文提出了一种集成压缩感知（CS）、最大可辨性最小冗余（MDMR）特征选择与改进顺序浮动前向选择（ISFFS）算法以及参数优化支持向量机（PSVM）的新型管道泄漏检测方法CS-MI-PSVM。该方法通过信号压缩与特征提取显著提升检测效率，在噪声环境下仍保持高精度，为城市供水系统安全运行与公共卫生风险防控提供了关键技术支撑。

　　

Section snippets

Compressed sensing (CS)

压缩感知（CS）代表了信号处理领域的范式转变，突破了传统奈奎斯特-香农采样定理的限制。传统方法要求采样频率至少为最高频率分量的两倍（奈奎斯特速率），但这种高速采样在实际应用中带来数据存储和计算复杂度的挑战。CS通过基于信号稀疏性的高效采集方案克服了这些限制。

The proposed CS-MI-PSVM method

本研究利用CS理论对供水管道泄漏信号进行高效压缩，在保留关键信号特征的同时减轻特征提取的数据负担。通过CS最小化计算开销，可在不损失核心信息的前提下实现更高效处理。识别判别性信号特征对提升漏水检测模型性能至关重要，因此采用MDMR-ISFFS方法生成优化特征数据集，最终通过混沌创意搜索优化算法（DCS）调参的PSVM模型实现泄漏特征分类。

Experimental setup

在某钢铁厂消防管道系统中采集声学数据集验证CS-MI-PSVM算法。实验管道为碳钢材质，操作压力0.5 MPa，全长240米，埋深1.5米，管径范围DN100-DN400。数据集包含592个无泄漏样本和1184个泄漏样本，通过专业声学传感器（灵敏度-65±3dB）采集信号，采样频率48kHz，实验环境模拟实际城市供水管网噪声条件。

Conclusions

声发射（AE）技术在供水管道泄漏检测领域面临数据量过大、信息冗余、特征选择复杂及检测精度要求高的多重挑战。本研究提出的CS-MI-PSVM方法通过三重技术融合有效解决上述问题：CS压缩实现数据降维，MDMR-ISFFS完成特征优选，DCS算法优化的PSVM模型最终实现高精度泄漏识别。该方法为复杂环境下的管道健康监测提供了创新解决方案，对保障供水安全及预防公共卫生风险具有重要实践价值。