复杂城市环境下基于定制化声学特征的智能水网漏损检测

《Water Resources Research》:Leak Detection in Smart Water Networks Using Tailored Acoustic Features Under Complex Urban Environments

【字体: 大 中 小 】 时间:2026年07月30日 来源:Water Resources Research 6.3

编辑推荐:

  在智能水网(Smart Water Networks, SWN)中,分布式无线声学传感器(如加速度计)越来越多地被用于检测漏损,以防止其发展为管道破裂。除了漏损引起的信号外,这些传感器还会捕获由泵站和阀门操作、行人、交通及其他环境源产生的声学噪声,导致运营水资

  
在智能水网(Smart Water Networks, SWN)中,分布式无线声学传感器(如加速度计)越来越多地被用于检测漏损,以防止其发展为管道破裂。除了漏损引起的信号外,这些传感器还会捕获由泵站和阀门操作、行人、交通及其他环境源产生的声学噪声,导致运营水资产监测系统中出现大量误报。本研究首次开发了一套新的定制化信号特征,用于表征真实城市水网中收集的特定类型声学信号。与在其他应用领域广泛采用的常规声学特征不同,所提出的特征专门设计用于表示供水系统中的漏损噪声和常见的非漏损环境噪声。对非漏损噪声的显式表征(这在现有研究中常被忽视)显著提高了真实城市条件下漏损检测的准确性和可靠性。利用这些定制化特征,研究人员在支持向量机(Support Vector Machine, SVM)框架内有效地将漏损噪声与环境噪声区分开来。所提出的模型使用来自多个运营城市水网的大规模物联网(Internet of Things, IoT)声学数据集进行了验证。结果表明,该模型实现了高漏损检测率,同时将误报率大幅降低至3.2%,从而最大限度地减少了真实水网管理中不必要的现场检查和运营中断。通过实现更早、更可靠的漏损识别,所提出的方法支持及时干预,减少不必要的水损失,并有助于老化的城市水基础设施中水资源的可持续管理和保护。
**论文解读:基于定制化声学特征的智能水网漏损检测研究**

**研究背景、问题与意义**
随着物联网(Internet of Things, IoT)技术的快速发展,成本低廉的无线传感器和广泛互联网连接推动了智能水网(Smart Water Networks, SWN)中声学传感器的部署,用于管道漏损监测。然而,真实城市环境中,传感器不仅捕获漏损引起的声学信号,还记录泵站、阀门操作、交通、行人等产生的环境噪声,导致大量误报。现有研究多采用二元分类(漏损vs非漏损),但非漏损噪声类别复杂且缺乏显式表征,使得模型在复杂城市环境中性能下降。此外,现有特征多基于通用信号处理方法,而非专门针对水网声学噪声机制设计,导致关键特征遗漏。因此,本研究旨在通过开发物理可解释的定制化声学特征,同时表征漏损噪声和常见非漏损环境噪声,以提高漏损检测的准确性和可靠性。该研究发表在《Water Resources Research》。

**主要技术方法**
研究人员从澳大利亚多个运营城市水网的智能水网(SWN)中采集加速度计传感器数据,共计8758个标注波形文件,包括漏损(1573个)、间歇性环境噪声(2489个)、持续性环境噪声(2232个)和背景噪声(2500个)四类。核心方法包括:基于短时傅里叶变换(Short-Time Fourier Transform, STFT)生成频谱图和功率谱密度(Power Spectral Density, PSD)曲线;针对每类噪声设计定制化特征(如间歇性度、PSD尖锐度、漏损相关驼峰特征等);采用支持向量机(Support Vector Machine, SVM)进行分类,并通过五折交叉验证评估性能。

**研究结果**

**4.1 特征重要性分析**
利用最小冗余最大相关性(Minimum Redundancy Maximum Relevance, mRMR)方法对特征进行单类对多类(one-to-rest)重要性评估。结果表明,针对间歇性环境噪声设计的特征(K1、K2、K3)和持续性环境噪声的特征(K4、K6、K7)获得高重要性分数,验证了定制化特征的有效性。漏损特征(K8-K13)需协同工作,而背景噪声特征中K15(改进RMS)和K18(对数尺度中值频率)重要性突出。

**4.2 漏损与背景噪声二元分类**
采用仅含漏损和背景噪声的数据集(Data set 1),对比现有特征集(Set 1-4)与提出特征集的SVM性能。所有特征集均获得高准确率,但差异较小,表明简化任务下通用特征即可胜任。类加权略微提升了漏损召回率,但增加了误报率。

**4.3 漏损与混合噪声二元分类**
加入间歇性和持续性噪声样本(Data set 2)后,现有特征集未加权SVM的召回率下降约30%,而提出特征集仍保持87.8%的召回率,误报率仅为1.6%。类加权后,现有特征集误报率超过12%,而提出特征集召回率升至88.9%,误报率仅升至3.2%,显著优于现有方法。

**4.4 多类分类**
使用四类数据集(Data set 3)训练多类SVM(One-to-One策略),整体验证准确率达到93.6%,混淆矩阵显示各类别区分良好。现有特征集因专为二元分类设计,性能受限。

**现场案例研究**
将训练好的多类SVM模型应用于三个100天现场数据(Logger A、B、C)。Case A中,模型准确检测到第84-100天的漏损事件,并经现场验证。Case B中,尽管存在类似漏损的强环境噪声,模型成功将其分类为背景或间歇性噪声,避免了误报。Case C中,模型正确识别第38天起的漏损,并被现场修复记录证实,但部分日子因降雨或水表操作噪声干扰导致分类偏移,揭示了单标签分类的局限性。

**结论讨论与翻译**
**讨论部分**:本研究通过开发物理可解释的信号处理特征,同时表征漏损噪声和常见非漏损环境噪声,显著提升了运营SWN中声学漏损检测的可靠性。二元分类在仅含背景噪声时表现良好,但加入复杂环境噪声后现有特征集性能大幅下降,而提出特征集将误报率从超过12%降至3.2%,并保持高检测率。多类SVM整体准确率达93.6%。现场应用进一步验证了模型区分漏损与复杂环境噪声的能力,抑制了结构化环境噪声导致的误报,同时保持对已验证漏损事件的敏感性。局限性包括:标注数据集仅覆盖部分声学条件;结果可能受传感器类型、部署配置、管材等因素影响;单标签分类无法处理混合噪声。未来工作需跨更多水务系统验证,并引入时间一致性或多标签分类。

**结论翻译**:本研究旨在通过开发物理可解释的信号处理特征,同时表征漏损噪声和常见非漏损环境噪声,以改进运营SWN中的声学漏损检测。提出了用于表征信号间歇性、PSD曲线中的尖锐和周期性尖峰、漏损引起的驼峰和大斜率以及背景主导声学谱的新特征。大多数特征针对特定声学类别定制,同时提供跨类别分类的交叉效应。结果表明,城市水网中可靠的声学漏损检测需要对漏损和非漏损环境噪声进行显式表征。当非漏损类仅包含安静背景信号时,常规二元漏损/非漏损分类可获得高准确率,但这种简化设置不能代表复杂的城市水网环境。当包含间歇性和持续性环境噪声时,现有特征集性能显著下降。相比之下,提出特征集提高了现场条件下的漏损检测鲁棒性,并将误报率从超过12%降至3.2%,同时保持可靠的漏损检测性能。使用提出特征训练的多类SVM在区分漏损噪声、间歇性噪声、持续性噪声和背景噪声时达到93.6%的整体准确率。对三个现场记录器的应用进一步表明,提出特征为运营SWN中的漏损检测决策提供了更可靠的基础。通过将真实网络中观察到的声学模式融入特征设计,模型提高了现场条件下区分漏损信号与复杂非漏损噪声的能力,有助于抑制由结构化环境噪声引起的误报,同时保持对已验证漏损事件的敏感性。仍存在若干局限性:标注数据集仅代表真实网络中遇到的部分声学条件;结果可能受传感器类型、部署配置、管材和当地运营条件影响;此外,部分现场记录包含混合漏损和环境噪声成分,而当前模型仅给每个记录分配一个类别。未来工作应在更多水务系统和传感器系统中验证提出特征,并引入时间一致性或多标签分类以提高复杂条件下的可靠性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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