基于时间-频率图与并行CNN-GRU的油气管道声学故障诊断方法

《Machines》：An Acoustic Fault Diagnosis Method for Oil and Gas Pipelines Based on Time–Frequency Diagrams and Parallel CNN-GRU

　　

油气管道是能源运输的核心基础设施，其安全运行对国家能源安全至关重要。针对管道声学故障特征提取困难及诊断精度不足的问题，研究人员提出了一种基于原始时间序列信号与时间-频率图双分支并行特征融合的故障诊断方法。该方法通过连续小波变换（CWT）生成一维声学信号的时间-频率图，并将原始信号分别输入双分支网络。上分支使用嵌入坐标注意力（CA）的轻量级深度可分离卷积（LDconv）提取空间-频率域特征。下分支通过可变形卷积v4（DCNv4）和门控循环单元（GRU）挖掘局部细节与时间依赖性。双分支特征经全局平均池化（GAP）拼接融合，最后由全连接网络和Softmax输出分类结果。在工业现场数据上的实验表明，所提方法的平均诊断准确率为98.87%，能够有效提取复杂噪声下的微弱故障特征，在早期故障识别和泛化性能方面具有显著优势。

**论文解读：基于时间-频率图与并行CNN-GRU的油气管道声学故障诊断方法**

**1. 研究背景与问题**

油气管道是能源运输的核心基础设施，其安全运行直接关系到国家能源安全。然而，管道长期运行于高原、冻土、沙漠、海洋等复杂地质环境，承受高温、高压、交变载荷及极端气候，易发生腐蚀、裂纹、泄漏、机械异常及第三方施工干扰等故障。这些故障往往从微观缺陷逐渐演变为严重失效，且突发故障难以预测。传统检测方法如压力监测、流量平衡分析和智能清管器存在明显局限：压力监测对微小泄漏（<1%额定流量）不敏感，定位精度易受工况影响；流量平衡分析在多分支管网中精度骤降，且无法定位；智能清管器需停输排空，无法实现7×24小时连续在线监测。相比之下，声学特征分析具有非接触、低成本、高灵敏度、可连续在线监测等优势，已成为研究热点。但现有深度学习方法仍面临三大核心挑战：非平稳现场噪声严重掩盖早期微弱故障特征；单模态特征输入无法提供鲁棒完整的故障表示；变工况下诊断精度和泛化性能不满足工业要求。因此，研究人员提出一种基于时间-频率图与并行CNN-GRU的双分支网络，旨在实现端到端的高鲁棒性故障诊断。

**2. 研究方法与关键技术**

该研究采用以下主要关键技术方法：首先，通过连续小波变换（CWT）将一维声学信号转换为二维时间-频率图，保留时域演化和频域能量分布信息。其次，构建双分支并行特征提取网络：上分支处理时间-频率图，使用轻量级深度可分离卷积（LDconv）嵌入坐标注意力（CA）提取空间-频率域特征；下分支处理原始一维时序信号，使用可变形卷积v4（DCNv4）提取局部细节，再经两层堆叠门控循环单元（GRU）建模长程时间依赖。双分支特征经全局平均池化（GAP）后，通过信噪比（SNR）自适应权重融合策略进行拼接，最后由全连接网络和Softmax输出分类结果。实验数据来自大庆油田、塔里木油田及西气东输主干线的工业现场，共10种管道运行状态（正常、微小泄漏、中度泄漏、严重泄漏、均匀腐蚀、局部腐蚀、管壁裂纹、支架松动、阀门异常、第三方施工干扰），每类200个样本，采样率48 kHz，时长10秒。

**3. 研究结果**

**3.1 训练收敛性与过拟合分析**
在无噪声条件下，模型经25个epoch迭代训练后训练集准确率达99.96%，验证集准确率达98.72%，最终测试集准确率稳定在98.87%。训练损失与验证损失一致下降，无发散或波动，表明未发生过拟合。

**3.2 基线性能评估**
在5次重复独立实验中，模型对所有10类工况的平均准确率、精确率、召回率和F1分数均超过96%。正常工况和严重泄漏的识别准确率达100%；对早期微小泄漏和局部点蚀（传统方法难以检测的微弱故障）识别准确率仍超过97%，精确率、召回率和F1分数均高于96%，归因于双分支结构对多维度微弱故障特征的互补提取。

**3.3 噪声鲁棒性验证**
在测试集中添加不同信噪比（SNR）的高斯白噪声，SNR=10 dB条件下模型仍保持95.32%的整体分类准确率，误分类主要发生在相邻故障严重等级之间。在恶劣噪声条件（SNR=?5 dB和0 dB）下，所提方法较其他先进模型保持3%~5%的准确率优势；在中低噪声条件下优势更显著，SNR=15 dB时比MSCNN模型高13.80%。

**3.4 与最先进方法比较**
与七种代表性故障诊断模型对比，所提方法在相同测试集上取得最高平均准确率（98.87%）和F1分数（98.04%），比第二优的MCNN+MAIR模型分别高0.42%和0.53%。单样本推理时间仅26.2 ms，参数仅2.75 M，FLOPs为0.42 G，模型大小10.8 MB，验证了边缘部署的轻量级可行性。配对t检验显示所有p值<0.05，95%置信区间不跨零，表明性能提升具有统计显著性。

**3.5 消融实验**
基线模型（标准卷积、无CA）准确率95.10%。替换上分支为LDconv提升2.15%并减少35%参数量；替换下分支为DCNv4提升1.80%；两者联合使用达98.45%；嵌入CA后进一步提升2.00%；完整模型达98.87%，比基线高3.77%，且性能提升超过各模块单独改进之和，表明三者具有协同效应。

**4. 讨论与结论**

讨论部分指出，尽管模型在工业现场数据上表现优异，但存在以下局限性：当前数据集仅覆盖固定管径范围（508–1016 mm）和两种介质（原油、天然气），对不同管径、更高压力或其他介质（如成品油、多相流）的泛化性需进一步验证；现场类别不平衡和稀有故障样本可能影响召回率；模型未集成故障定位功能，无法满足工业“检测-分类-定位”全流程需求；在电池供电的边缘声学监测终端上部署仍面临功耗、实时流推理和传感器漂移鲁棒性等挑战。

研究结论部分（翻译）：本文提出了一种基于CWT时间-频率谱图与并行CNN-GRU双分支网络的油气管道声学故障诊断新方法。该方法通过CWT将一维声学时间序列信号转换为二维时间-频率谱图，并通过双分支并行CNN网络同时从原始一维时间序列信号和二维时间-频率谱图中提取多模态特征。坐标注意力（CA）机制自适应增强关键故障特征，GRU网络捕获长程时间依赖，信噪比自适应权重融合策略根据输入噪声强度动态平衡两个分支。定量结果总结如下：（1）所提方法在10种管道运行状态下平均诊断准确率为98.87%，F1分数为98.04%，超过第二优的MCNN+MAIR模型0.42%和0.53%，改进经配对t检验证实具有统计显著性（p<0.05）。（2）在强背景噪声（SNR=10 dB）下，模型保持95.32%的整体准确率，在恶劣噪声条件（SNR=?5 dB和0 dB）下比其他先进模型保持3%~5%的优势。（3）对早期微弱故障（微小泄漏和局部点蚀），识别准确率超过97%，精确率、召回率和F1分数均高于96%。（4）完整模型仅需2.75 M参数、0.42 GFLOPs和10.8 MB存储，单样本推理时间26.2 ms，确认其适用于轻量级边缘部署。（5）消融结果表明，LDconv、DCNv4和CA共同贡献了3.77%的准确率提升，具有明显的协同效应。