动态因果图网络在可靠管道泄漏检测中的应用
《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Dynamic Causal Graph Network for reliable pipeline leak detection
【字体:
大
中
小
】
时间:2026年04月28日
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11
编辑推荐:
张宇轩|卢宇辰|李顿|塞巴斯蒂安·巴德|恩里科·齐奥
中国北京农业大学智能科学与工程学院
**摘要**
在管道结构健康监测(SHM)中,实现可靠的泄漏检测仍然是一个核心挑战。诊断错误可能导致灾难性故障或代价高昂的误报,从而危及系统安全。结合图神经网络(GNNs)的多
张宇轩|卢宇辰|李顿|塞巴斯蒂安·巴德|恩里科·齐奥
中国北京农业大学智能科学与工程学院
**摘要**
在管道结构健康监测(SHM)中,实现可靠的泄漏检测仍然是一个核心挑战。诊断错误可能导致灾难性故障或代价高昂的误报,从而危及系统安全。结合图神经网络(GNNs)的多传感器SHM为捕捉非欧几里得传感器拓扑结构提供了有前景的方法,但其对统计相关性的依赖性削弱了在工业环境中的可靠性。环境振动和流体湍流等混淆因素会在物理上不相连的传感器之间引入虚假相关性,降低诊断的可靠性。为了提高检测可靠性,本研究提出了动态因果图网络(DCGN),该网络利用因果推断来区分虚假连接并恢复真实的物理传播路径。DCGN包含因果节点编码器(CNE),用于从传感器信号中提取状态嵌入;因果骨架学习器(CSL)和动态因果机制(DCM)共同重建因果连接,并使用部分相关矩独立性(PCMI)先验来建模时变效应。基于Transformer的因果推断与推理(CIR)模块汇总长距离因果证据,以实现稳健的状态推断。在分支和环形管道拓扑结构上的实验表明,DCGN的准确率分别达到了96.32%和96.60%,显著优于基线方法,并且这种优势通过ANOVA得到了验证。即使在信噪比为5 dB和强脉冲噪声的极端条件下,DCGN的准确率仍保持在86%以上;仅使用10%的训练样本时,准确率也能达到81%以上,显示出其强大的鲁棒性。消融实验证实了因果模块对性能提升的关键作用。因果图结构的验证表明,学习到的骨架与物理管道拓扑结构一致,跨不同工况的传输实验显示两种拓扑结构下的准确率下降幅度不超过2.9%,进一步证明了因果表示的分布不变性。DCGN建立了一个智能诊断框架,以因果图替代统计相关图,并用真实的物理传播路径替换虚假连接,为复杂工业环境中的管道安全保障提供了新的方法。
**引言**
管道是现代工业基础设施的支柱,负责在城市和工业系统中输送水、天然气、石油以及各种危险化学流体[1]、[2]、[3]、[4]、[5]。这些流体的意外泄漏可能引发严重的安全事件,包括有毒物质暴露和爆炸,同时还会对土壤、地下水和生态系统造成不可逆的污染[6]、[7]、[8]、[9]、[10]、[11]。因此,确保管道基础设施的可靠运行对于人类安全和环境保护至关重要。由于基础设施老化、环境腐蚀和运行压力,现代城市供水、能源传输和工业制造中的泄漏事件变得频繁且难以预测,这给可靠性带来了重大挑战[6]、[12]、[13]。通过管道输送的加压气体和危险液体暴露在自然环境中,恶劣的条件和管道老化可能引发爆炸和泄漏[14];对于地下管道,阴极保护仍是防止腐蚀的最有效手段[15]。如果小泄漏未被及时发现,可能会迅速演变成灾难性故障,造成严重的经济损失、环境污染和公共安全威胁。传感器网络和工业物联网的普及使得能够实时获取大量的管道运行数据,为智能监测奠定了数据基础[16]。在这种背景下,开发能够在结构健康监测(SHM)框架内从海量传感器数据中可靠地识别早期泄漏特征的智能方法,已成为可靠性工程和基础设施安全保障的迫切需求[17]、[18]、[19]、[20]。
管道泄漏检测方法已经从依赖物理原理的模型驱动方法发展到利用多传感器测量的数据驱动范式[21]。早期的技术包括压力瞬态分析、声发射和质量平衡方法,可以揭示泄漏发生的物理过程,但这些方法通常需要精确的系统参数,并且在复杂的网络拓扑结构、变化的操作条件和环境干扰下难以保持可靠的性能[22]。随着传感器网络部署的扩展和数据采集成本的降低,大量工业数据的积累为应用人工智能(特别是深度学习)进行管道监测奠定了基础[23]、[24]、[25]。利用卷积神经网络、循环神经网络和基于注意力的模型的强大端到端表示学习能力,这些方法在自动特征提取和模式识别方面表现出色,有效减少了了对专家知识和手动特征工程的依赖[26]、[27]、[28]、[29]。然而,传统的深度学习方法仅仅将多个传感器的测量数据连接成向量或序列,忽略了管道网络中传感器之间的空间关系及其交互模式[30]、[31]。这种局限性降低了泄漏检测的可靠性,因为它无法捕捉泄漏波沿物理管道路径传播的本质特征。在安全至关重要的SHM应用中,误报和漏检会带来不对称的成本:误报可能导致不必要的停机,而漏检则可能导致灾难性后果;仅靠高整体准确率并不能保证运行的可靠性[32]。因此,同时抑制这两种错误类型是管道泄漏检测的基本要求。
为了克服这一限制,研究人员开始将每个传感器视为图结构中的一个节点,构建传感器之间的连接来描述它们的交互模式[33]、[34]、[35],随后利用图神经网络在非欧几里得数据上的强大表示能力来执行管道泄漏检测任务[36]、[37]、[38]。将传感器映射到图节点的这种视角为捕捉传感器网络中的复杂拓扑依赖性提供了新的途径。尽管如此,现有的图神经网络方法仍面临两个核心挑战。首先是空间虚假相关性问题。大多数现有方法依赖于传感器测量数据之间的统计相关性来构建图连接,而在管道监测场景中,混淆因素普遍存在。当泄漏引起的波在管道中传播时,环境振动、流体湍流和管道壁材料的变化等混淆因素会在多个传感器之间产生同步的波动[39]、[40]、[41]、[42],形成统计上的强相关性,但这些相关性并非因果关系。这些虚假连接错误地将缺乏直接物理传播路径的传感器节点关联起来,使得模型无法区分真实的泄漏波传播路径和由混淆因素引起的伴随响应,从而在面对新的管道拓扑或操作条件时导致性能大幅下降。第二个问题是时间信息衰减问题。泄漏引起的瞬态现象表现出明显的长距离时间依赖性,早期时间段内的微妙压力波动包含了关于泄漏源位置的关键因果证据。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号