管道非稳态微泄漏检测基于声学内检测信号的方法

《Acoustics》：A Pipeline Unsteady Micro-Leakage Detection Method Based on Acoustic Internal Inspection Signals

　　

由于流量、压力及泵运行状态的波动，以及温度变化和结构振动等环境干扰，管道泄漏信号表现出显著的非平稳特性。传统的固定传感器受限于布设位置，导致检测性能欠佳。对于微泄漏而言，更是难以实现有效检测。声学内检测器凭借体积小和通过能力强的优势，非常适用于全面的管道检测任务。因此，本文基于声学内检测信号开展了非稳态微泄漏检测研究。研究人员进行了管道非稳态微泄漏仿真实验以采集泄漏声学信号进行方法验证。本文研究了变分模态分解(VMD)、随机森林(RF)和最小二乘支持向量机(LSSVM)在信号处理和泄漏分类中的集成应用，提出了一种基于声学内检测信号的非稳态微泄漏检测方法，该方法非常适用于管道泄漏检测任务。实验结果表明，所提方法的识别准确率达到95.31%，优于传统的泄漏检测方法。

基于声学内检测信号的管道非稳态微泄漏检测方法研究解读

研究背景与意义

油气资源的运输在全球能源体系中占据重要地位，管道因其连续、安全和经济的特点，成为长距离、大运量运输的首选。然而，在实际运营中，油气泄漏事故时有发生，严重威胁能源安全与生态环境。目前的管道泄漏检测技术主要分为基于模型的方法和基于信号的方法。基于模型的方法往往过于理想化，难以适应实际复杂工况；而基于信号的方法中，流量信号变化微弱，压力信号虽直观但受限于传感器布局。声学信号检测法应用最广且性能优越，但极易受到噪声干扰。此外，现有研究多在稳态条件下进行，面对实际工况中因流量、压力波动导致的非稳态微泄漏，传统固定传感器和常规方法难以奏效。为此，引入具有体积小、通过能力强优势的声学内检测器，开展针对非稳态微泄漏的检测研究具有重要的工程实用价值。

主要关键技术方法

研究人员采用实验与算法结合的方式，核心技术包括：首先，利用声学内检测器采集非稳态微泄漏声学信号；其次，应用变分模态分解(VMD)算法对信号进行预处理，抑制背景噪声并分离趋势分量与瞬态冲击；随后，从时域和频域提取统计特征，并利用随机森林(RF)评估特征重要性，筛选出在非稳态条件下相对稳定的最优特征子集以消除冗余；最后，将优选特征输入最小二乘支持向量机(LSSVM)分类器，实现对不同泄漏孔径状态的识别。

研究结果

非稳态微泄漏检测方法

研究人员构建了包含信号采集与分段、预处理、特征提取与选择、泄漏检测的完整框架。该框架的核心在于通过VMD去噪、RF选择时间稳定特征以及LSSVM分类的有机结合，显著提升了非稳态条件下的检测鲁棒性与泛化能力。

泄漏检测基础理论

依据气动声学理论，管道泄漏产生的噪声源包括单极子源、偶极子源和四极子源，分别对应质量流变化率、流体与管壁相互作用及湍流应力。在初始泄漏阶段，高压介质释放产生冲击波，其时域信号呈现瞬态冲击特征，频域能量主要集中在低频范围；进入连续泄漏阶段后，流体产生湍流噪声，可通过活塞式声源表征。

基于VMD的信号去噪

VMD作为一种模态分解算法，能有效消除经验模态分解(EMD)中的模态混叠问题。研究人员将原始信号分解为7个本征模态函数(IMF)分量，通过计算各分量与原始信号的相关系数筛选有效分量进行重构。实验显示，去噪后的信号有效移除了缓慢变化的压力衰减趋势，增强了频域特征，且无明显的模态混叠或过分解现象。

基于RF的时域与频域特征提取

研究人员从预处理后的信号中提取了17个时域特征和7个频域特征，构成24维特征向量。利用RF算法计算各特征的重要性系数并进行排序，筛选出重要性高于特定阈值的最优特征子集，从而在保证信息量的同时降低了特征维度与冗余度。

基于LSSVM的管道泄漏检测

LSSVM通过将凸二次规划问题转化为线性优化问题，在保证精度的同时简化了训练过程。研究人员将最优特征子集输入LSSVM模型进行训练与测试，实现了对不同泄漏孔径的有效分类。

结果与分析

在检测性能评估中，研究人员采用了准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1-score)和Kappa系数等指标。通过5折交叉验证，所提VMD-RF-LSSVM方法的平均测试准确率达到95.31%，F1分数为0.9529，Kappa系数为0.9375。消融实验表明，单独的LSSVM模型因存在冗余特征和噪声导致性能受限；加入RF特征选择或VMD去噪均能提升性能，验证了二者结合的有效性。在与传统机器学习(XGBoost、AdaBoost、CatBoost、KNN)和深度学习(CNN、BiLSTM、ResNet-50)方法的对比中，所提方法表现最优。深度学习模型受限于非平稳特性、噪声干扰及小样本条件，准确率均低于55%。这表明该研究提出的融合框架在小样本、非稳态泄漏检测中具有显著优势。

讨论与结论

现有研究多基于手工特征结合传统机器学习，或非依赖大规模标注数据的深度学习方法，在处理非稳态信号或小样本场景时面临挑战。本研究提出的VMD-RF-LSSVM模型，将信号分解、特征选择与分类相统一，在实验场景下证明了其卓越的性能。

结论翻译

本文提出了一种基于VMD-RF-LSSVM的管道非稳态微泄漏检测框架，并进行了实验验证。主要结论总结如下：

1. 1.
   提出了一种基于VMD-RF-LSSVM的管道非稳态微泄漏检测方法。在该方法中，VMD用于抑制噪声并分离趋势分量与瞬态冲击，RF用于评估特征重要性并选择代表性特征，LSSVM用于建立泄漏分类的最优决策边界。
2. 2.
   实验结果表明，在非稳态运行条件下，所提出的VMD-RF-LSSVM方法优于传统检测方法，泄漏检测准确率达到95.31%。
3. 3.
   所提出的框架为基于声学信号的管道泄漏诊断提供了一种可靠方法。然而，目前的研究仅限于实验室规模的水管道实验。未来的工作将侧重于在实际运行条件下验证所提出的框架，并进一步提高其鲁棒性和泛化能力。