多工况下天然气集输管道泄漏检测与管段定位的条件感知双流拓扑图神经网络

《Expert Systems with Applications》：Condition-Aware Dual-Stream Topological Graph Neural Network for Leak Detection and Pipeline Segment Localization in Natural Gas Gathering and Transportation Pipeline under Multi-Operating Conditions

　　

**摘要** 管线是现代天然气工业中的关键基础设施，但泄漏可能导致灾难性的环境破坏、人身伤害和经济损失。数据驱动的机器学习模型为地下在役管线提供了一种经济且无侵入性的解决方案。然而，大多数现有研究侧重于单条长距离管线的泄漏检测，未充分考虑不同运行工况（如源压力水平和阀门定义的输送拓扑）的影响。这使得这些方法在实际天然气集输管线（NGGTP）中的适用性尚不明确。为解决这些问题，本文提出了一种无监督图神经网络框架——工况感知双流拓扑图神经网络（C-DSTGNN），用于NGGTP的泄漏检测与定位。具体而言，C-DSTGNN将供气压力编码为运行负荷，将阀门状态编码为输送拓扑，以表征稳态系统行为。双流架构包括参考流和动态流，学习互补的节点关系以实现时空特征聚合和信号重构。此外，所提方法通过物理引导方法将传感器重构误差和结构偏差映射到特定管线段，以定位异常管线段。在物理管线平台上的实验表明，在六种测试工况下，C-DSTGNN的平均F1得分达到0.9744 ± 0.0027，误报率为0.0801 ± 0.0038，在所有真实泄漏窗口上的Top-1管线段定位准确率为78.5%（在直接拓扑邻域内为92.0%），为生成泄漏报警和候选管段优先级排序提供了证据。

**引言** 管线是天然气输送的主要方式，也是现代天然气工业中的关键基础设施，但管线泄漏往往导致灾难性的环境破坏、严重的人身伤害和经济损失。因此，监测天然气管线泄漏始终是运营者关注的主要问题，也是安全管线运营的重要组成部分。监测天然气管线的安全状况并制定智能诊断方法至关重要。天然气集输管线（NGGTP）是上游天然气生产系统中的一种网络化管线系统，设计用于将气田中的井口装置（或计量和分离设施）与天然气净化厂连接起来。与传统长距离管线不同，NGGTP承担了对原始天然气进行多源集气和跨区域分配的双重责任。其主要特点包括原始天然气输送、高压、地下敷设和运行工况多变。原始天然气介质复杂，含有多种烃类成分和酸性杂质，容易引发管线腐蚀导致泄漏。数据驱动的泄漏检测方法容易受到可靠性降低的影响，因为它需要不断适应进料压力和流量的动态变化，同时维持受控的气液两相流输送。这种组合导致了高度可变且复杂的运行工况，使得实现一致的检测性能变得困难。因此，开发一种有效可靠的NGGTP泄漏检测方法既紧迫又具有技术挑战性，这对于降低泄漏事件相关的安全风险至关重要。

为应对复杂工况下的安全挑战，现有管线泄漏检测技术主要分为基于硬件的方法和基于软件的方法。基于硬件的方法依赖于专用装备，如分布式光纤、声波和气体嗅探。尽管它们提供了直接的物理证据，但其应用受限于高部署成本和有限的检测范围。相比之下，基于软件的方法通过分析SCADA系统的数据，因其低成本和易于部署而更受青睐。这些方法主要包括物理机理模型和数据驱动方法。物理模型依赖于流体动力学守恒定律，但在处理因运行负荷和输送拓扑调整而引发的高度非线性耦合相互作用时，往往在参数标定和实时计算效率方面遇到瓶颈。在数据驱动领域，早期研究侧重于监督学习架构。最近，基于支持向量机、卷积神经网络和长短期记忆网络的监督模型在特定数据集上展现了优异的泄漏识别性能。然而，在实际工业现场，泄漏事故是罕见事件。标注样本的极度稀缺使得监督方法在实际应用中难以捕捉不同工况下的故障特征。为克服这一瓶颈，无监督学习已成为研究焦点，通过学习正常运行数据的健康表征，利用重构偏差来识别异常。在此范式下，从高维SCADA数据中提取有效的故障特征是主要目标。Zuo等人构建了一种RP-1dConvLSTM-AE架构，以捕捉集气网络多变量序列中的非线性时空模式，有效解决了多种工况引起的特征波动问题。随后，为缓解长序列建模中的信息丢失问题，Li等人引入了一种掩码Transformer模型，利用自注意力机制挖掘气流与压力信号之间的深层时间相关性。

尽管时序无监督模型能够提取非线性序列特征，但将监测变量主要视为独立序列的做法限制了它们表征传感器间关系随工况变化的能力。图神经网络（GNN）通过将监测点建模为节点、将它们的依赖关系建模为边，为这种网络化场景提供了合适的表示方式。GraphWaveNet引入自适应邻接矩阵以学习隐含的空间相关性，AGCRN进一步利用节点自适应参数来表征异构节点行为。这些模型为数据驱动的时空图建模奠定了重要基础。它们的原始公式主要针对时空预测，并未直接考虑在健康传感器关系随源压力水平和阀门定义的输送路径变化的情况下进行无监督泄漏检测和定位。

最近的异常检测研究进一步发展了用于多变量时间序列的图学习和关系学习方法。GDN通过学习传感器依赖图产生的预测偏差来检测异常，GReLeN在变分自编码器中引入随机图关系学习，MTGFlow将动态图学习与实体感知归一化流相结合，CST-GL构建相关性感知的时空图用于无监督异常评分。DCdetector提供了一种基于多尺度双注意力对比学习的互补非图方法。这些方法将关系感知建模扩展到了无监督异常评分。然而，它们学到的关系主要从观测数据、节点嵌入或统计相关性中推断。已知的运行变量未被显式用于组织依赖于工况的健康关系，期望的工况依赖关系也与当前测量所表达的关系未进行分离。

对于天然气网络，Yu等人结合NGO-VMD信号去噪与改进的GDN-VI框架，利用预测偏差和学到的依赖权重进行无监督泄漏检测和定位。Zhang等人将变分贝叶斯推断引入概率图神经网络，以量化依赖不确定性并利用传感器偏差和后验依赖权重变化进行泄漏定位。这些研究展示了基于图的无监督多泄漏点泄漏检测和定位的可行性。然而，它们报告的评估主要关注固定或单压力管线配置，未系统考察源压力与阀门定义输送拓扑的组合。

综上所述，先前的研究为关系感知的异常检测和泄漏定位提供了基础。将此设置扩展到多种运行工况引入了三个相关问题。首先，正常压力-流量关系随源压力和活跃输送路径而变化，因此工况混合的关系表示可能无法提供一致的健康参考。其次，由运行工况变化引起的改变和与泄漏相关的改变都可能出现在学到的传感器关系中；期望的工况依赖关系与当前测量所表达的关系需要承担不同的角色。第三，泄漏的空间响应随运行工况和泄漏位置而变化，需要按照统一的定位规则将分布式传感器偏差映射到候选物理管段。

为解决这些问题，本文提出了一种无监督工况感知双流拓扑图神经网络（C-DSTGNN），用于在多种运行工况下对NGGTP进行泄漏检测和管线段定位。源压力和阀门状态构成运行工况表示，并与时间特征和节点嵌入相结合。参考流生成与指定运行工况相关联的拓扑，动态流估计当前测量和归一化流量差所表达的关系。在无泄漏训练期间，结构一致性约束将两种拓扑关联起来。在检测期间，它们的偏差与信号重构误差形成互补。对于定位，拓扑偏差、端点重构误差和方向性流量残差被映射到物理连接的候选管段，使同一模型能够为多个泄漏位置产生泄漏评分和管线段定位结果。

主要贡献总结如下：

1) 提出了一个工况感知的C-DSTGNN框架，用于多种输送拓扑和运行负荷下NGGTP的实际泄漏监测。阀门状态和源压力被整合到统一模型中，使得六种测试的拓扑-压力工况下的正常运行模式可以被表征，而无需为每种工况单独构建检测器。这提供了一种与站控系统已有工况信息兼容的数据驱动监测方法。

2) 开发了一种包括参考流和动态流的双流拓扑架构，以支持泄漏检测和管线段定位。参考拓扑描述了指定运行工况下期望的传感器关系，动态拓扑则代表当前测量所表达的关系。它们的一致性有助于模型区分与运行工况相关的差异和与泄漏相关的关系变化。所得的拓扑偏差进一步与重构误差和方向性流量信息结合，从分布式传感器响应中评估候选物理管线管段。

3) 所提方法在覆盖两种代表性输送拓扑、三个源压力水平和多个泄漏位置的物理管线仿真平台上进行了评估。在六种测量工况下的三次独立训练运行中，模型达到了平均F1得分0.9744 ± 0.0027和误报率0.0801 ± 0.0038，以及固定评估Top-1管线段定位准确率78.5%和直接邻域准确率92.0%。一项留一压力实验结合基于图的基线方法，进一步考察了当一个压力水平从模型拟合中排除时的检测性能，为在不同运行负荷下应用该方法提供了额外证据和实际应用边界。

本文余下内容组织如下：第2节介绍了NGGTP的物理架构及其对应的基于图的仿真抽象；第3节详细阐述了C-DSTGNN的模型架构和物理引导的定位逻辑；第4节介绍了实验系统和数据集，随后是性能比较、消融实验以及泄漏检测和定位的可视化分析；最后，第5节总结了本文内容。

**章节片段——NGGTP** NGGTP是连接气井与下游处理和输送系统的核心枢纽，其主要功能是收集和输送原始天然气，对天然气进行集约化运输和调度。该管线网络呈现典型的网格拓扑结构，其运行工况受开采条件、介质特性和外部环境共同影响。

其流程遵循分布式采集、集中传输的逻辑，
架构概述 如图 2 所示，提出的 C-DSTGNN 包含五个模块：
在模块（a）中，运行状态编码器接收代表输送结构的离散阀门状态和代表运行负载的气井出口压力；它通过多层感知机（MLP）和层归一化将这些异构数据编码为运行状态表示 zcond，以指导后续的动态节点表征、参考拓扑生成和信号
设备设置 为了验证 C-DSTGNN 模型在多种运行条件下的性能，在中国石油西南油气田分公司川中油气田的一条管道泄漏模拟平台上进行了实证研究，如图 3 所示。该天然气管道采用工业级 DN15 镀锌钢管网络，具有三层盘绕结构，总长度为 742.42 米。以压缩空气为工作介质，该网络在逻辑上被划分为七个
结论 该平台使用的是压缩空气而非天然气；因此，所报告的结果本身并不能确立在真实气体成分或两相流条件下的性能。多种运行条件下的 NGGTP 泄漏检测因依赖于正常压力 - 流量关系随条件变化而变得复杂，而分布式传感器的偏差并不能直接识别需要检查的物理管段。为了解决这些问题，提出了 C-DSTGNN 作为一种
未引用浮动项 表 1。
CRediT 作者贡献声明 Yuanqi Wu：概念构思、方法学、验证、撰写——初稿。Zheng Li：方法学、数据整理、软件、撰写——审稿与编辑。Li Ma：数据整理、项目管理、资源。Hongyu Zhou：调查、资源、形式分析。Shan Liang：概念构思、资金获取、监督、撰写——审稿与编辑。
利益冲突声明 作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。
Yuanqi Wu|Zheng Li|Li Ma|Hongyu Zhou|Shan Liang