基于腐蚀感知修复去噪的智能水网环境干扰下声学漏损检测增强方法

《Water Research》：Enhancing Acoustic Leak Detection Under Environmental Interference in Smart Water Networks Using Corruption-Aware Restoration Denoising

　　

饮用水配水网络(WDNs)中的漏损检测对于减少水量损失和防止基础设施退化至关重要。为支持大规模监测，声学物联网(IoT)传感器正日益被用于采集常规噪声测量以进行漏损检测，基于机器学习(ML)的分类器使这些数据能够被大规模自动解释。然而，尽管现有研究聚焦于日益复杂的分类器架构，当这些分类器在现场条件下训练或部署时，其实际性能仍强烈受环境干扰影响。这使得数据质量成为可靠漏损检测的关键瓶颈，并确立去噪作为必要的预处理步骤。现有去噪方法可抑制噪声，但在腐蚀间歇性、局部化且结构化时往往表现不佳，难以保持漏损相关特征的连续性并支持可靠的下游分类。研究人员通过提出一种基于机器学习的腐蚀感知修复去噪框架(CARD)解决该问题，该框架首先定位声学时频谱中的腐蚀区域，随后利用针对性修复重建底层时频结构。在去噪与下游漏损分类评估中，CARD优于所评估的基线方法，以更低的误报率实现了更高的漏损检测灵敏度。这些结果表明，通过准确识别并修复腐蚀区域来改善时频谱数据质量，可提升声学漏损检测的鲁棒性，并支持噪声运行环境中更可靠的声学IoT监测。

研究背景方面，饮用水配水网络(WDNs)漏损会引发水量损失、管网失效及公共健康风险，声学传感因非侵入式监测漏损诱发振动而在加压管道中具备实用价值。随着声学加速度计等点式传感器经物联网(IoT)回传至云端分析，漏损检测依赖对采集数据的下游解释。现有机器学习分类器（如支持向量机(SVM)、随机森林、卷积神经网络(CNN)、长短期记忆网络(LSTM)、Transformer）虽架构多样，但现场性能受限于声学数据质量，其中间歇性、局部化、结构化的环境干扰（交通、降雨、水泵、水表等）会掩盖弱持久漏损特征并引入伪模式，导致分类器误报与漏报。传统分解法（经验模态分解(EMD)、变分模态分解(VMD)、小波去噪）与深度学习去噪（DnCNN、Noise2Noise）在间歇结构化腐蚀下要么整体抑制损伤持久结构，要么残差去除带来过平滑伪影，且真实场景难获同源独立腐蚀配对数据。计算机视觉(CV)中掩码引导修复(inpainting)未被充分引入该领域，且合成矩形掩码与声学腐蚀不匹配。为此研究人员开展本研究。

关键技术方法上，研究人员使用来自阿德莱德CBD及另五座城市运行的智能水声学监测部署数据，采用Ortomat-MTC声学加速度计以4681 Hz采样10秒波形，经短时傅里叶变换(STFT)生成257频点×181帧功率谱密度(PSD)谱图并转分贝(dB)后z-score标准化。构建配对去噪集时将干净参考谱图与现场提取的脉冲噪声（水表等）和交通噪声按目标信噪比(SNR, 均值0 dB±7.65 dB)线性混合；下游分类集由1839段真实现场录音（932漏损、907非漏损）按传感器级分离切分。核心方法为两阶段CARD：第一阶段用DnCNN估计残差图，z-score后取z>1得二值腐蚀掩码M，同时产出DnCNN去噪基线；第二阶段以含噪谱图Y、掩码M及有效区Y_valid=Y⊙(1?M)为三通道输入，经DoubleGated块构成的U-Net式编码器-解码器修复网络重建干净谱图X?，训练采用加权重建损失L_rec（掩码区权10、有效区权1）联合谱归一化PatchGAN(SN-PatchGAN)对抗损失L_adv（λ_adv=0.1）。评估指标含谱收敛(SC)、对数谱距离(LSD)、峰值信噪比(PSNR)及分类准确率、灵敏度、特异度、AUC。

研究结果部分，4.1节定性可视化显示，在代表性含间歇条纹状腐蚀谱图上，EMD、VMD、小波、UADM等传统法或残留腐蚀或衰减弱漏损水平结构，DnCNN类深度法更连贯，而CARD在瞬态脉冲、宽带非平稳、混合腐蚀三种工况下均最优地去除局部污染并保持持久水平条带连续性。4.2节定量去噪评估在600对测试样本上，CARD取得最低SC与LSD、最高PSNR且分布紧凑，优于Noisy、DnCNN、DnCNN-Adv、Noise2Noise。4.3节消融表明，去掩码(CARD-NoMask)致有效区被误改、CARD-SimpleMask用阈值掩码在混合腐蚀下漏检、CARD-Lrec仅用L1损失产生失真，全模型结合学习化定位、掩码引导与完整损失方最优。4.4节下游漏损分类中，经CARD修复后谱图送入2D-CNN分类器，相较原始及其他去噪预处理，灵敏度提升且误报率降低，AUC改善。

讨论与结论翻译：间歇性声学腐蚀在操作水网中仍是可靠漏损检测的主要障碍，因其常间歇、局部且结构化，难以在不损伤弱漏损特征下移除。现有抑制法局限为三点——全局抑制不匹配局部腐蚀、选择性抑制残留过平滑、CV显式掩码修复少被用于水管声学且合成掩码假设不符声学实际。研究人员提出CARD两阶段框架，先定位后修复，在六城市大规模真实数据上训练评估，结果显示准确识别并修复腐蚀区域改善谱图质量，可提升声学漏损检测鲁棒性，支持噪声环境中更可靠声学IoT监测；新网络部署可能需针对传感设置、传感器类型与管况做站点级优化。该研究发表于《Water Research》。