基于双声学传感器与跨域特征融合的管道泄漏检测方法

《Flow Measurement and Instrumentation》：Pipeline leak detection method based on dual acoustic sensors and cross-domain feature fusion

　　摘要：小型管道泄漏通常会产生微弱且非平稳的声学响应，这使得不同泄漏状态之间的细微差异难以通过单一信号表示来刻画。为解决这一问题，本研究提出了一种基于双声学传感器与跨域特征融合的管道泄漏检测方法。同步采集的双通道波形由ConvNeXt1D分支处理，以提取时间动态特征；而它们的短时傅里叶变换频谱图则由ConvNeXt2D分支处理，用于捕捉时频纹理和能量分布特征。此外，还引入了基于标记级的跨注意力融合模块，用于建立两个分支中间特征之间的显式关联，生成跨域条件化表示。随后，特征级线性调制双分支融合模块会对高级时域与时频特征进行自适应校准与整合。同时，多尺度并行深度卷积模块被用来在多个尺度上优化融合后的特征嵌入。在0.8 MPa的基准压力下，该方法在识别无泄漏、1毫米泄漏、2毫米泄漏以及4毫米泄漏状态时，分别实现了99.95%的准确率、99.96%的精确度以及99.94%的召回率。其分类准确率比所评估的单传感器配置以及性能最佳的对比模型高出0.75个百分点和4.66个百分点。这些结果证明了在测试条件下，将互补的双传感器信息与不同的时域与时频表示方式相结合，对于小型管道泄漏检测而言是有效的。

引言：燃气管道是城市燃气分配和工业气体传输的重要基础设施，其运行安全与能源供应稳定及公共安全息息相关[1]。然而，在长期使用过程中，由于材料老化、腐蚀、接头松动、外部干扰等因素，仍可能发生管道泄漏[2]。尤其是小型泄漏，由于其泄漏口尺寸小、泄漏速率低以及引发的响应较弱，因此极难被识别。这类微弱的响应很容易被背景噪声和运行条件变化所掩盖，从而增加误报和漏检的风险[3]。因此，在复杂运行条件下提升小型泄漏检测的灵敏度和可靠性，仍是管道安全监测中的重要课题[4]。

现有的管道泄漏检测方法大致可分为三类[5]：基于压力、流量等运行参数的方法，基于负压波或瞬态传播机制的方法，以及基于声学或振动信号的方法。第一类方法通过监测运行参数的变化来识别泄漏异常。例如，Miao等人[6]通过结合无监督学习与应力感知信息，解决了标注样本不足条件下的天然气管道泄漏识别问题；Liang等人[7]则采用时空融合建模方法，分析了实际运行数据中的时间关联性与空间关联性。这类方法能够利用现有的监测参数，具有较高的工程应用价值。不过，其性能可能受运行条件稳定性及参数数据完整性的影响，且微弱泄漏信号容易被正常的运行波动所掩盖。基于负压波或瞬态传播机制的方法，则是通过分析泄漏发生后压力扰动的传播特性，如波前到达时间和时间延迟，来检测并定位泄漏位置[8]。Zhao等人[9]指出，基于压力波的方法在快速响应和物理意义清晰方面具有优势，尤其适用于突发性或较大规模的泄漏。但在小型泄漏情况下，波前提取和定位的精度可能会受到衰减、反射以及噪声干扰的影响。因此，尽管前两类方法在物理意义上较为清晰，但在微弱泄漏场景和复杂噪声环境下，其性能仍可能存在局限。

与上述方法相比，基于声学和振动信号的方法并不依赖完整的管道模型，而是通过分析泄漏引发的异常声学或振动响应来识别管道的运行状态[10]，因此在小型泄漏检测领域受到了越来越多的关注。随着深度学习的发展，相关研究也逐渐从传统的特征工程转向数据驱动的表示学习[11]。在原始时间序列建模方面，An等人[12]采用1D-CNN从燃气管道事件的时序信号中提取一维卷积特征；Peng等人[13]通过残差连接增强了时间特征的学习能力；Yang等人[14]则设计了多通道多分支的1D-CNN，以提高在样本不平衡及多种输入条件下的识别性能。这些方法可以直接从原始声学序列中学习出具有区分能力的特征。但由于其建模过程主要沿着时间维度进行，因此其在表征小型泄漏中的潜在频率演化模式和非平稳结构信息方面仍存在局限[15]。

为增强对微弱非平稳特征的表征能力，时间频域表示也被引入到管道泄漏检测中。Siddique等人[16]将短时傅里叶变换与连续小波变换集成到混合深度学习框架中，用以捕获多尺度时间频域特征；Guo等人[17]对二维时间频域表示进行卷积建模，发现频谱图有助于提升微弱泄漏模式的可分离性；Ahmad等人[18]进一步将声学图像与深度学习相结合用于泄漏检测，表明声学泄漏检测正逐渐从纯粹的时域建模向时间频域及基于图像的表示学习方向发展。Liu等人[19]提出了一种双路径框架，该框架结合原始声发射信号与MFCC特征，并利用MSRNet和BiLSTM进行燃气管道泄漏分类。不过，他们的方法是从同一个声发射传感器中提取两种表示形式，且仅在后期才进行融合，导致中间层面的跨域交互未被充分探索，多传感器之间的互补信息也未能得到充分利用。与此同时，Li等人[20]和Lai等人[21]的研究表明，在低灵敏度及复杂噪声条件下，弱信号增强与鲁棒特征提取仍是关键问题；Wu等人[22]也指出，这类方法在实际应用中仍面临数据质量、场景泛化能力以及系统鲁棒性等方面的挑战。

总体而言，现有研究已在基于波形的建模、时间频域表示学习以及多表示特征融合方面取得了进展。但大多数方法要么仅融合来自单一传感源的异构表示，要么虽使用多个传感器，却未明确建模波形特征与时间频域特征之间的相互作用，因此，在表示域互补性与空间传播信息方面的统一特征级建模仍显不足。

除了基于单一信号源的表示学习之外，基于多个测量点与传感器的协同感知也已成为管道泄漏检测的重要研究方向。单个传感器通常只能提供局部观测信息，可能无法完全捕捉到泄漏引发扰动在空间传播过程中形成的互补响应[23]。为解决这一问题，Zhang等人[24]通过双通道信号重建与深度特征融合提升了泄漏特征的表征能力，证明双点观测能够增强特征表示的稳定性；Wang等人[25]研究了声压信息融合在泄漏状态识别中的应用；Cui等人[26]则通过交叉相关性分析，利用混合声学与振动传感器对泄漏信号进行了研究，表明可以从不同的传感位置和传感器类型中获取与传播相关的信息。此外，Nguyen等人[27]还将声发射信号、到达时间差以及Kolmogorov-Smirnov检验相结合，用于泄漏检测与定位，证明了多点观测在异常识别与定位分析中的价值。

近期研究进一步拓展了协同感知与泄漏检测中的结构特征建模技术。Liu等人[28]在压缩机站的燃气泄漏检测中采用了麦克风阵列与多通道频率建模技术，展现了多通道声学传感在复杂工程环境中的应用潜力；Yan等人[29]提出了一种多源多模态特征融合方法，用于小型燃气管道泄漏检测，表明跨多个来源的信息协作能够提升微弱泄漏的特征表征能力；Mishra等人[30]则进一步将时频域交叉可见性图与图卷积网络相结合，说明对复杂泄漏特征的结构性建模也日益受到重视。这些研究表明，多点感知与多源融合可以为泄漏检测提供有价值的互补信息。与此同时，近期研究还探讨了先进的表示学习与多传感器融合策略，用于管道泄漏检测[31]。然而，目前大多数研究仍将表示域融合与传感源融合视为相对独立的流程，尚未在特征交互层面实现波形特征、时频频谱特征以及来自不同传感位置的互补空间信息的统一建模[32]。综上所述，尽管以往研究已在声学特征表示与多传感器协同感知方面取得了一定进展，但对异构时域与时频特征的联合建模仍然有限，且来自多个传感位置的互补空间信息也尚未在特征交互层面得到充分利用。正是这些局限性推动了旨在整合多种传感源与表示域的统一融合框架的开发，以用于小型泄漏检测。

为解决上述问题，本研究提出了一种基于双声学传感器与跨域特征融合的管道泄漏检测方法。在该框架中，两个声学传感器被布置在泄漏点的两侧，以获取具有空间互补性的声学响应。原始的双传感器波形及其STFT频谱图被共同用于构建一个由时域分支与时频分支组成的协同表示框架。为进一步强化特征间的交互与融合，该框架采用了一种渐进式建模策略，结合了中间阶段的跨域交互、条件化的高级特征融合以及融合后的特征嵌入优化。通过这种方式，该方法能够同时整合时间波形变化、时频能量分布以及来自不同传感位置的互补传播响应，从而实现小型管道泄漏的精准识别。

本研究的主要贡献如下：
(1) 提出了一种用于小型管道泄漏检测的统一双传感器时域/时频表示框架。该框架并未将传感源信息与表示域信息视为两个独立的融合问题，而是将两个传感器采集的同步声学波形及其STFT频谱图进行统一组织，从而实现了空间互补的传感信息与异构波形及时频表示方式的融合。
(2) 通过基于标记级的跨注意力融合模块（TLCA-FM）与基于特征级的线性调制双分支融合模块（FiLM-DFM），设计了一种渐进式的特征交互与条件融合策略。TLCA-FM能够在中间特征层之间建立明确的标记级交互，而非仅进行最终阶段的简单拼接；随后，FiLM-DFM利用TLCA-FM生成的交互引导型条件特征，为两个分支生成特定的调制参数，从而实现基于样本特性的高级特征的自适应校准与融合。
(3) 在条件融合之后，引入了多尺度并行深度卷积模块（MSPDC），通过多尺度深度卷积进一步优化融合后的特征嵌入。具体而言，高级时域特征、FiLM-DFM的输出结果以及高级时频特征会被拼接在一起形成融合后的特征嵌入，随后MSPDC会对该嵌入应用具有不同核大小的并行卷积操作，从而增强局部结构特征，进一步提升最终表示在区分无泄漏、1毫米泄漏、2毫米泄漏以及4毫米泄漏状态时的性能。

本文的其余部分结构如下：第2节介绍相关理论基础；第3节详细阐述所提出的方法及核心模块；第4节给出实验数据与参数设置情况；第5节呈现实验结果与分析；第6节对全文进行总结，并讨论未来的研究方向。该压力值是被选为能够代表相对基线的分类性能的数值。模型性能通过准确率、宏观精确率和宏观召回率来评估，具体公式如下：准确率=正确分类样本数/总样本数×100%；精确率=(K∑c=1KTPc)/(TPc+FPc)×100%；召回率=(K∑c=1KTPc)/(TPc+FNc)×100%，其中K表示类别数量，TPc、FPc和FNc分别表示第c类的真阳性、假阳性和假阴性，Ncorrect表示正确分类的样本数，N表示总样本数。在本研究中，K=4。

结论
本研究提出了一种基于双声学传感器与跨域特征融合的管道泄漏检测方法，可用于区分无泄漏、1毫米泄漏、2毫米泄漏以及4毫米泄漏四种状态。所提出的框架通过时域和时频分支，对同步的声波形及其STFT频谱图进行联合处理。TLCA-FM负责建立标记级的跨域交互，FiLM-DFM则负责对高级分支特征进行条件引导下的重新校准与融合。

资金支持
本研究得到了东北石油大学人才引进科研启动基金（编号13051202405）以及青年科学家基金（C类）（编号6250021644）的支持。

作者贡献说明
颜文迪：资金获取、方法设计、初稿撰写、审稿与编辑；刘嘉豪：数据整理、可视化处理、初稿撰写；周伊娜：资金获取、项目指导、审稿与编辑；姚国斌：数据整理、项目指导、结果验证；谢俊竹子：研究调查、结果验证。

利益冲突声明
作者们声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

颜文迪|刘嘉豪|周伊娜|姚国斌|谢俊竹子
中国东北石油大学电气与信息工程学院