基于MFCC-ANN模型的管道系统泄漏尺寸估计方法：提升流体运输安全性的创新研究

本文提出了一种融合梅尔频率倒谱系数（MFCC）与人工神经网络（ANN）的混合方法，用于精确估计中密度聚乙烯（MDPE）管道中1–4 mm微泄漏尺寸。该方法通过提取二阶MFCC微分特征并结合Levenberg–Marquardt算法优化的5-20-1结构ANN模型，在152米实验管道中实现了低于3.1%的平均估计误差，显著优于传统FFT、DWT及CNN方法，为工业级实时泄漏监测提供了高效且数据需求低的解决方案。

　　

Research Significance

尽管加压管道泄漏检测技术已得到广泛研究，现有方法仍存在显著局限性。传统信号处理方法如快速傅里叶变换（FFT）和小波变换（DWT）难以捕捉压力波的非平稳和瞬态特征，尤其在检测直径小于5 mm的微泄漏时。同样，机器学习和深度学习方法（包括CNN）虽然表现出强大的分类能力，但通常需要大量标注数据和计算资源，这在实际监测系统中往往不可行。本研究通过结合MFCC的紧凑特征表示和ANN的高效非线性映射能力，提出了一种更适用于实际工程环境的微泄漏尺寸估计框架。

Materials and Methods

本研究采用ANN与瞬态反射方法（TRM）相结合的方式，构建用于估计加压管道系统中泄漏尺寸的预测模型。实验装置包括一条152.3米卷曲MDPE管道，配备高灵敏度压电传感器、电磁阀瞬态发生器以及可控制泄漏尺寸（1–4 mm）的专用泄漏模拟器。实验过程包括信号采集、预处理、MFCC特征提取和ANN建模，最终通过Levenberg–Marquardt算法进行模型优化。

Results and Discussions

本研究采用ANN作为核心估计模型，分析所选特征与泄漏尺寸之间的关系。ANN因其在建模复杂非线性变量关系方面的优势而被选用，能够有效捕捉瞬态压力数据中的细微模式。近年来，计算硬件和软件的进步显著提升了ANN在实时监测任务中的可扩展性和效率。实验结果表明，MFCC–ANN模型在1–4 mm泄漏尺寸估计中均表现出低误差和高一致性，回归分析显示预测值与实际值之间具有强相关性（R = 0.80385）。

Limitations and Failure Scenarios

尽管MFCC–ANN框架在微泄漏尺寸估计中表现出良好性能，仍需注意若干限制和潜在失败情景。首先，模型在检测最小泄漏尺寸（1 mm）时误差和变异性较高，表明在微弱泄漏条件下信噪比成为关键因素。在实际现场环境中，泵振动、流动湍流或土壤-结构相互作用等背景噪声可能进一步降低信号质量，导致模型性能下降。此外，当前模型在具有分支、接头或非均匀材料属性的复杂管网中的泛化能力尚未得到验证。未来需开展更多研究以评估该方法在真实多变条件下的鲁棒性。

Conclusion

本研究提出并验证了一种新颖的混合方法，将二阶MFCC与系统优化的ANN架构相结合，用于精确估计扩展管道系统中的微泄漏尺寸。与传统的信号处理或深度学习模型不同，该框架利用二阶MFCC微分独特捕捉的瞬态反射特性，即使在噪声条件下也能对微小泄漏引起的扰动保持高灵敏度。实验结果表明，该方法在1–4 mm泄漏范围内实现了2.37%–3.08%的低估计误差，且计算效率显著优于CNN和DWT等方法。尽管当前研究基于实验室环境，其一致且可重复的性能表明该方法具备工业级应用的潜力。未来工作应进一步验证该方法在具有分支布局、接头和复杂环境干扰的实际管道网络中的适应性。