《Sensors》：Lightweight Graph Neural Network-Driven Acoustic Anomaly Detection Method for Gas Pipeline Leakage Levels in Underground Utility Tunnels
编辑推荐：
城市地下综合管廊中的燃气管道泄漏对公共安全构成严重威胁。不同孔径的泄漏会引发差异化的扩散和爆炸风险，因此，精确识别泄漏孔尺寸已成为安全管理中的关键问题。为了解决传统方法在复杂管廊环境中难以有效分离不同泄漏等级声学特征的困难，研究人员提出了一种基于轻量级时空图神
城市地下综合管廊中的燃气管道泄漏对公共安全构成严重威胁。不同孔径的泄漏会引发差异化的扩散和爆炸风险，因此，精确识别泄漏孔尺寸已成为安全管理中的关键问题。为了解决传统方法在复杂管廊环境中难以有效分离不同泄漏等级声学特征的困难，研究人员提出了一种基于轻量级时空图神经网络（Spatial–Temporal Graph Neural Network, ST-GNN）的燃气管道泄漏风险等级识别方法。首先，依托真实管廊模拟平台，采集不同压力和泄漏孔尺寸下的声学信号，并通过短时傅里叶变换（Short-Time Fourier Transform, STFT）构建时频幅度特征。此外，每个声学样本被独立转换为一个图，以STFT时间帧为节点，其中时间邻域边和K近邻边共同编码局部动态和非局部频谱相似性。这将非结构化声学信号转化为体现时空耦合关系的图结构数据。在此基础上，研究人员设计了一种轻量级Chebyshev图卷积网络，利用多层卷积逐步提取与泄漏等级强相关的判别特征。在真实管廊模拟平台数据集上的实验结果表明，所提方法在三级泄漏分类任务中取得了优异性能。t-SNE可视化揭示了特征的有效分离，从输入层的完全混合进展到输出层的清晰分离。通过多次训练统计和消融实验，分析了数据集大小和网络层数对识别性能的影响，验证了所提模型在有限样本下的鲁棒性及其轻量结构的有效性。这为地下综合管廊燃气管道泄漏等级的自动化和精细化识别提供了一种可行的解决方案。
**论文解读**
**研究背景、问题及意义**
城市地下综合管廊集中敷设电力、通信、给水及热力管道，是现代城市基础设施的重要组成部分。其中，燃气管道因机械应力、外部冲击、腐蚀老化和地下空间复杂工作环境，偶发损坏和泄漏。不同尺寸的泄漏孔会引发不同程度的燃气扩散和爆炸风险：小孔泄漏时燃气持续低速逸出，不易即时察觉，长期积累后遇点火源可能引发闪爆或火灾；中孔泄漏时射流速度显著增大，易形成定向喷射；大孔泄漏则导致大量燃气短时间内快速释放，极易形成大面积爆炸性气云，对管廊结构和地面公共安全构成严重威胁。因此，实现泄漏孔尺寸的精确识别，可为运维人员提供差异化应急响应与处置决策依据，是城市地下综合管廊燃气管道安全管理领域亟待解决的重要问题。
传统基于声学信号的被动检测技术虽具有高灵敏度和非侵入式安装的优点，适用于地下管廊的连续在线监测，但管廊内强混响和多源噪声干扰等复杂声学特性给泄漏信号的准确识别带来严峻挑战。现有信号处理方法（如短时傅里叶变换、小波变换等）虽提升了检测自动化水平，但提取的特征多面向二元检测（泄漏/正常），对不同泄漏孔尺寸对应的细微声学差异表征能力不足，最终风险等级判定仍需依赖人工经验或固定阈值规则，难以实现泄漏孔尺寸的自动化、精细化分级。近年来，基于深度学习的管道泄漏检测方法（如卷积神经网络、循环神经网络等）虽取得进展，但仍存在两个关键局限：一是将连续声学信号仅作为时间序列样本预测，会丢失不同泄漏孔尺寸声学差异中固有的时空关联；二是将数据转换为二维图像以适应卷积神经网络时，将数据限制在网格结构特征中，可能丢失原始信号中的非欧几里得拓扑关系。这些局限导致不同压力条件下的泄漏特征在弱特征工况下容易相互混淆，影响等级识别准确率和现场应用效果。
为填补上述空白，研究人员首次将时空图神经网络（ST-GNN）应用于城市地下综合管廊燃气管道泄漏风险等级识别任务，旨在解决复杂工况下不同等级泄漏孔特征难以有效分离的问题。该研究基于真实管廊模拟平台数据，提出了轻量级图卷积结构，实现了高精度三级泄漏分类，为管廊管道安全管理的自动化和精细化提供了可行方案。论文发表在《Sensors》。
**主要关键技术方法**
研究人员采用以下主要关键技术方法：1）基于中国南方某真实管廊空间的模拟实验平台，以压缩空气替代天然气，采集不同内压（低、中、高）和不同泄漏孔尺寸（圆形孔及狭缝，面积覆盖<4mm2、4–8mm2、>8mm2三个等级）的声学信号，构成共960个样本的数据集；2）对每个声学样本应用短时傅里叶变换（STFT），以汉宁窗（窗长256，重叠128，采样率80kHz）生成时频幅度谱矩阵，将每个时间帧的幅度向量作为节点特征（维度129）；3）独立图构建策略：每个样本中STFT时间帧作为节点，定义两类边——时间邻域边（每节点连接前后各两帧）捕获局部动态，K近邻边（K=5，基于余弦相似度）编码非局部频谱相似性，两者并集形成图拓扑；4）轻量级Chebyshev图卷积网络：采用三层Chebyshev图卷积层（第一层64维、第二层32维、第三层16维），后接全局平均池化与线性分类层，参数总数32,611，每样本推理时间2.58ms；5）模型训练与评估：负对数似然损失，Adam优化器（初始学习率0.001），余弦退火学习率调度，训练300轮，数据集按40%训练、30%验证、30%测试划分，采用准确率、宏平均F1分数、宏平均AUC和Matthews相关系数（Matthews correlation coefficient, MCC）评估。
**研究结果**
**4.1 聚类效果分析**：通过训练后节点特征相似性热力图和边连接矩阵热力图分析，发现绝大多数节点对余弦相似度在0.75–0.95之间，表明图神经网络变换后节点嵌入全局收敛且高度聚类；边连接矩阵显示对角带（强自连接）和散布的非对角蓝色块（K近邻边捕获的非局部相似性）。进一步对每层图嵌入进行t-SNE（t-distributed Stochastic Neighbor Embedding）降维可视化，从第一层到第三层，同类样本逐渐聚集，类间距离增大，证实了深层GNN通过邻域聚合逐步精炼类别判别嵌入的能力。混淆矩阵和受试者工作特征（Receiver Operating Characteristic, ROC）曲线分析显示，三个类别及宏平均的AUC均超过0.98，ROC曲线接近左上角，表明模型以极高精度区分不同类别，具有优异的可靠性和判别能力。
**4.2 多次训练结果统计**：为评估模型在不同数据规模下的性能稳定性和数据适应性，构建了总样本量分别为960、840、720、600和480的五个独立数据集进行多组实验。结果表明，模型在大部分组中表现良好，但未观察到随数据集增大而严格单调提升的趋势。大规模数据（960）提供相对稳定高质量的特征学习，训练、验证和测试准确率在0.9611–0.9715之间，AUC约0.985–0.989，MCC约0.94–0.96。中规模组（840和720）出现明显波动，如840样本组测试准确率从0.9048降至0.8421，表明相同样本量下随机划分的数据质量和特征分布差异影响性能。小规模组（600和480）并非总是单调下降，部分组（如600样本组测试准确率0.9009）甚至超过某些中规模组，说明在合适特征分布下模型可在较少样本中取得竞争结果。但部分组存在过拟合风险，验证和测试准确率明显低于训练准确率。总体而言，图神经网络在各种数据规模下展现出鲁棒且可行的识别能力，为按可用数据资源选择训练方案提供了实用参考。
**4.3 消融实验**：为验证各模块有效性，设计了网络层消融实验，分别去除中间层得到两层和单层Chebyshev图卷积网络，与三层网络对比。两层网络全局分类准确率94.44%，但Class 2成为性能瓶颈：8个Class 2样本被误判为Class 1，t-SNE显示Class 1与Class 2边界区域存在显著重叠。单层网络测试准确率92.71%，Class 1和Class 2严重双向混淆（7个Class 1误判为Class 2，9个Class 2误判为Class 1），t-SNE显示嵌入几乎不可区分。三层网络在两次独立运行中测试准确率分别达96.18%和96.73%，F1分数均超过0.96，AUC接近0.99，MCC超过0.94，且无跨类错误。参数和推理时间对比显示，三层网络参数32,611、推理时间2.58ms，仍保持轻量；两层网络参数23,491、推理时间2.22ms；单层网络参数14,371、推理时间1.78ms。综合性能、稳定性和轻量性，三层架构为最优选择。
**4.4 对比分析**：与五种基线方法（1D-CNN、2D-CNN、带通道注意力的2D-CNN（2D-CNN-AT）、时序卷积网络（Temporal Convolutional Network, TCN）、基于特征的支持向量机（Feature-based Support Vector Machine, F-SVM））在同一数据集上全面比较。所提ST-GNN在深度学习方法中取得最高指标：测试准确率96.73%，F1分数0.9653，MCC 0.9621；AUC 0.9892略低于F-SVM的0.9916。CNN方法和TCN表现不理想，根本原因是固定网格卷积架构与泄漏声学数据非欧几里得特性之间的结构不匹配。1D-CNN训练准确率仅约73%；2D-CNN因严重训练振荡和高参数冗余，测试准确率仅66.60%；2D-CNN-AT出现中度过拟合。TCN通过膨胀卷积扩大感受野，达到最佳基线性能（测试准确率接近91%），但训练曲线仍显示轻微过拟合和初始收敛振荡。ST-GNN的训练、验证和测试准确率曲线快速收敛并紧密对齐，无过拟合迹象，损失曲线在约120轮后平滑趋近于零。模型复杂度与推理速度比较显示，ST-GNN以32,611参数和2.58ms推理时间实现最佳准确率，而TCN需43,843参数（多34%）且测试准确率仍低6个百分点以上。F-SVM推理最快（0.053ms），但缺乏端到端特征学习能力。ST-GNN在准确率、复杂度和延迟之间取得有利平衡，适合管廊监测系统的边缘部署。
**总结与结论**
本文针对城市地下综合管廊中燃气管道泄漏等级的精细化识别难题，提出了一种轻量级时空图神经网络（ST-GNN）。核心创新在于逐样本图构建策略：与传统方法将声学信号视为固定网格谱图或时间序列不同，每个信号被独立转换为图，其中STFT时间帧作为节点，时间邻域边和K近邻边共同显式编码局部时间动态和非局部频谱相似性。这种图表示自然捕捉了泄漏声学中固有的非欧几里得拓扑结构——这是基于CNN或RNN的方法根本缺乏的能力。在此基础上，设计了具有32,611个参数和每样本2.58ms推理时间的三层Chebyshev图卷积网络，实现了适合边缘部署的准确率-效率平衡。
在真实管廊模拟平台上的实验结果表明，ST-GNN在三级泄漏分类任务中达到测试准确率96.73%，F1分数0.9653，AUC 0.9892。t-SNE可视化证实了特征逐步分离从完全混合到明显聚类，消融实验验证了三层架构的最优性。与1D-CNN、2D-CNN、2D-CNN-AT、TCN和F-SVM的对比实验进一步揭示，基于图的范式从根本上克服了固定网格卷积与泄漏信号非欧几里得频谱拓扑之间的结构不匹配，提供了更优的收敛稳定性和分类准确率。多尺度训练统计数据也验证了模型在有限数据条件下的鲁棒性。
本研究的主要贡献是将逐样本时空图构建和Chebyshev图卷积引入地下综合管廊燃气管道泄漏等级识别，填补了该方法在该特定场景中的研究空白。所提出的轻量级设计在保持高准确率的同时实现低计算成本，便于后续在边缘计算平台上部署。未来工作可从以下方向开展：第一，将该方法扩展到其他市政管道的泄漏检测任务，如供水管道，以验证其跨领域迁移性；第二，对算法进行精炼优化，并嵌入RK3588设备平台进行实际运行。
**研究结论翻译：** 本文针对城市地下综合管廊中燃气管道泄漏等级的精细化识别难题，提出了一种轻量级时空图神经网络（ST-GNN）。核心创新在于逐样本图构建策略：与传统方法将声学信号视为固定网格谱图或时间序列不同，每个信号被独立转换为图，其中STFT时间帧作为节点，时间邻域边和K近邻边共同显式编码局部时间动态和非局部频谱相似性。这种图表示自然捕捉了泄漏声学中固有的非欧几里得拓扑结构——这是基于CNN或RNN的方法根本缺乏的能力。在此基础上，设计了具有32,611个参数和每样本2.58ms推理时间的三层Chebyshev图卷积网络，实现了适合边缘部署的准确率-效率平衡。在真实管廊模拟平台上的实验结果表明，ST-GNN在三级泄漏分类任务中达到测试准确率96.73%，F1分数0.9653，AUC 0.9892。t-SNE可视化证实了特征逐步分离从完全混合到明显聚类，消融实验验证了三层架构的最优性。与1D-CNN、2D-CNN、2D-CNN-AT、TCN和F-SVM的对比实验进一步揭示，基于图的范式从根本上克服了固定网格卷积与泄漏信号非欧几里得频谱拓扑之间的结构不匹配，提供了更优的收敛稳定性和分类准确率。多尺度训练统计数据也验证了模型在有限数据条件下的鲁棒性。本研究的主要贡献是将逐样本时空图构建和Chebyshev图卷积引入地下综合管廊燃气管道泄漏等级识别，填补了该方法在该特定场景中的研究空白。所提出的轻量级设计在保持高准确率的同时实现低计算成本，便于后续在边缘计算平台上部署。
