《Flow Measurement and Instrumentation》：Research on Pipeline Leakage Identification Method Based on Improved SNN
编辑推荐：
•将短时傅里叶变换与时空脉冲编码相结合，以捕捉非平稳泄漏信号中的时频特征，并支持对弱管道泄漏的识别。•一种多模态MTSA-SNN架构，将基于SResNet的图像分支与统计特征分支相结合，融合时频图像表征与互补的统计信息用于泄漏识别。•注意力引导的自适应加权机制融合两个分支的输
- •
将短时傅里叶变换与时空脉冲编码相结合，以捕捉非平稳泄漏信号中的时频特征，并支持对弱管道泄漏的识别。
- •
一种多模态MTSA-SNN架构，将基于SResNet的图像分支与统计特征分支相结合，融合时频图像表征与互补的统计信息用于泄漏识别。
- •
注意力引导的自适应加权机制融合两个分支的输出，在区分相似泄漏孔径类别时实现了具有竞争力的分类性能。
引言
天然气管道是跨区域能源输送的核心基础设施，其运行安全直接影响能源供应稳定性、城乡供气可靠性以及公共安全[1]。面向复杂工况的敏感且可靠的泄漏检测方法已成为相关研究和工程应用中的关键问题。
现有泄漏检测方法在工程应用中仍面临一定局限。传统的基于阈值、经验特征或单模态输入的识别策略通常对信号质量和运行工况一致性依赖较强。在噪声放大、负载波动或多干扰耦合的条件下，这些方法往往表现为误报率升高、漏报率增加以及泛化能力下降[2]。仅依赖单一图像模态或单一统计特征往往无法充分表征其判别信息，导致相似微泄漏类型之间的区分能力不足[3]。
为应对上述挑战，本研究聚焦于天然气管道的智能声学泄漏检测，提出了一种基于改进多目标时间序列分析与脉冲神经网络的融合识别方法。在方法层面，我们首先应用短时傅里叶变换将原始时间序列信号映射到时频域，增强非平稳动态模式的表征能力。构建了一个整合时间图像帧与泄漏特征向量的双输入框架，分别利用脉冲神经网络分支和全连接特征分支提取时空脉冲特征与统计特征。此外，采用脉冲编码器统一时间序列表征，并在融合阶段引入自适应权重分配与自注意力机制，实现多源多尺度信息的互补建模与全局重校准。
本研究为天然气管道泄漏的智能监测提供了一种兼顾识别精度与工程适用性的技术路径，同时也为脉冲神经网络在工业时间序列信号诊断场景中的应用提供了有益启示。
章节摘要
短时傅里叶变换
短时傅里叶变换（STFT）是一种经典的时频分析方法，通过对信号沿时间轴施加窗函数并计算局部傅里叶变换，获得信号在时间和频率两个维度上的能量分布特性[4]，它能够直观地展示不同泄漏模式的频域特征差异[5]。
为了直观展示短时傅里叶变换（STFT）的成像效果，本研究采用了
实验平台与数据集构建
实验数据来源于东北石油大学的油气管道泄漏检测平台。在压缩机稳定运行且管道系统压力维持在0.5MPa的条件下，通过更换图3所示的一系列孔板阀模拟五种不同的泄漏孔径（0.1mm、1mm、2mm、4mm和10mm）。详细分布情况见表1。
MTSA-SNN模型结构改进
如图5所示的MTSA-SNN架构，由SNN图像编码器、统计特征编码器和注意力引导的特征融合模块组成。对于每个泄漏信号，按照2.2节和2.3节所述进行去噪和短时傅里叶变换（STFT），以构建时频图像。按照2.4节提取统计特征，形成相应的泄漏特征向量。两个输入按样本配对并共享同一类别
结论
为解决噪声环境和相似孔径条件下微弱管道泄漏信号精确识别的难题，本文提出了一种融合时频图像特征与统计特征向量的改进MTSA-SNN管道泄漏识别方法。首先，采用小波阈值去噪和短时傅里叶变换（STFT）将一维泄漏信号转化为二维时频图像，从而增强时频
CRediT作者贡献声明
姜雪莹：撰写—审阅与编辑。王冬梅：概念设计。刘兴宇：撰写—初稿撰写。卢静怡：研究方法
利益冲突声明
? 作者声明不存在任何可能对本论文所述工作产生影响的可知名利冲突或个人关系。
王冬梅（1977年），女，副教授，主要研究方向包括数字信号处理、通信网络理论与技术以及工业监测系统。通讯地址：中国黑龙江省大庆市163318，东北石油大学电气与信息工程学院。电子邮箱：
wdmljy@126.com。
王冬梅|姜雪莹|刘兴宇|卢静怡
