通过分层一致性学习和类别级门控融合技术实现水管道中的少量样本声学泄漏检测

《Water Research》：Few-shot acoustic leak detection in water pipelines via hierarchical consistency learning and class-wise gating fusion

　　金振芬|李志|王子宇 浙江大学土木建筑工程学院，杭州310058，中国 **摘要** 由于水分配网络（WDNs）中隐藏的泄漏造成的水资源损失一直是供水公司面临的持续挑战，这促使人们需要在现实的现场条件下进行可靠的泄漏监测。然而，实际应用中的声学泄漏检测（ALD）常常受到标记数据稀缺、非平稳干扰以及需要超出简单泄漏/无泄漏判断的精细识别的风险意识的限制。本研究开发了一种少样本ALD框架，该框架在提高精细性能的同时减少了高风险的跨父级错误。为此，建立了一个统一的基准测试，用于评估不同信号表示和模型架构在具有两级标签层次结构（父级：泄漏和无泄漏；子级：四个不平衡子类）的真实在役数据集上的表现。提出了层次一致性学习（HCL）来强制父级和子级预测之间的一致性，并开发了类别门控融合（CWGF）来适应性地利用共享标签空间内的专家互补性。实验表明，与基线相比，HCL平均将Macro-F1提高了5.11个百分点，Parent-F1提高了2.12个百分点。CWGF在面对更强的专家模型时进一步实现了1.93个百分点的可靠正面提升，且随着训练样本量的减少，这种优势更加明显。在考虑组间差异和不同训练样本量的情况下进行的鲁棒性和数据效率评估显示，该方法在少样本情况下仍表现出良好的性能。本研究支持一种面向实际应用的、数据稀缺环境下的泄漏监测方法，该方法在提高精细准确性的同时增强了运营风险控制。 **引言** 水分配网络（WDNs）是关键的城市基础设施，必须可靠且高效地提供饮用水。然而，老化的管道、施工缺陷和运营压力可能导致泄漏，而这些泄漏可能在很长一段时间内未被发现。由此产生的非收益水（NRW）对供水公司造成了巨大的经济损失，并伴随着诸如地面沉降、路面塌陷和周围结构损坏等次生风险（Farah和Shahrour，2024；Shaban等人，2023；Yan和Huang，2023）。在现有的监测方法中，声学泄漏检测（ALD）已成为一种广泛使用的无损技术（Fan等人，2022；Sohn等人，2025；Z. Xu等人，2024）。它利用泄漏产生的振动声波，并通过安装在管道或配件上的加速度计或水听器捕捉这些声波。在实际操作中，工作人员通常依靠手动听诊和相关设备来解读疑似泄漏段的声学信号。尽管在专家操作下效果显著，但手动听诊劳动强度大、主观性强且难以扩展，特别是在密集的城市环境中或噪声条件严重时（Vanijjirattikhan等人，2022；Zuo等人，2026）。这些局限性激发了对基于AI的ALD系统的兴趣，这些系统能够自动区分泄漏特征和正常运行及背景噪声。 尽管取得了进展，但仍存在一些实际障碍。标记的泄漏数据本身就很稀缺：泄漏现象罕见、表现多样，且往往只有部分记录。收集涵盖不同管道材料、直径、压力和泄漏类型的大规模、平衡的数据集在操作上具有挑战性且成本高昂（Guo等人，2021；R. Liu等人，2025；D. Wang等人，2025）。现场声学记录还受到泵振动、阀门操作、过往交通和客户使用引起的间歇性瞬态等非平稳噪声的污染（Kim和Kim，2023；R. Liu等人，2025；Scussel等人，2021）。这些干扰在时频域中可能模仿泄漏信号，如果建模不当，会导致误报。此外，操作人员不仅需要二进制的泄漏/无泄漏判断，还需要更细致的区分：不同的泄漏机制（例如渗漏与阀门泄漏）以及具有强烈脉冲或周期性干扰的无泄漏情况可能需要不同的响应或后续检查（Fan等人，2022；R. Liu等人，2025；Romero-Ben等人，2023；Taiwo等人，2025）。当前的AI系统很少明确解决这种精细分类需求，尤其是在少样本情况下。 已经探索了多种数据驱动的ALD方法。传统方法通常采用一个顺序流程，包括信号预处理（Fan等人，2022；R. Liu等人，2025；Sohn等人，2025）、手工特征提取（Z. Xu等人，2024）和传统分类（Quy和Kim，2021；Ullah等人，2023；Xu等人，2021）。典型的特征包括时域和频域统计量、小波能量和参数描述符，结合支持向量机、k最近邻、随机森林或浅层神经网络（Kammoun等人，2022；Puust等人，2010；Romero-Ben等人，2023）。这些方法相对数据效率高且易于解释，但它们严重依赖于特定任务的特征工程，通常难以扩展到更复杂的操作条件。随着深度学习的快速发展，一维卷积神经网络（1D CNNs）可以直接在原始声波信号（或压力迹线）上进行训练，无需显式特征设计即可学习多尺度时间模式和局部瞬态（Guo等人，2021；Shukla和Piratla，2020；Vanijjirattikhan等人，2022）。同时，短时傅里叶变换（STFT）频谱图和连续小波变换（CWT）频谱图等时频表示方法使得原本为计算机视觉开发的二维卷积神经网络（2D CNNs）得以应用（Siddique等人，2023；Uchendu等人，2024；C. Wang等人，2025b）。这些模型在实验室和现场研究中都展示了区分泄漏特征和正常运行条件的强大性能。然而，更深的神经架构通常需要大量的标记数据，许多现有工作采用单一表示和单一模型架构，缺乏系统比较。它们主要关注二进制的泄漏/无泄漏分类，这进一步限制了在数据稀缺情况下的实际应用价值，尤其是在需要风险意识精细区分的情况下（Taiwo等人，2025；C. Wang等人，2025a）。 最近的研究开始将先进的学习范式（包括数据增强（Hu等人，2021；Ma，2024；Wu等人，2024）、迁移学习（Hu等人，2024；C. Wang等人，2025a；Wu等人，2024）和少样本学习（Satterlee等人，2025；Y. Xu等人，2024）引入ALD，以更好地利用有限的标记数据并提高对噪声的鲁棒性。同时，在相关的条件监测领域，层次分类（Li等人，2019；Villegas等人，2024；Wang等人，2026）和专家混合思想（Li等人，2025；Zhou等人，2025）已被用于使模型输出与自然类别分类法（或严重程度级别）对齐，并让不同专家专注于不同类型的故障。