基于多通道时空感知与多视图学习的气体泄漏智能监测方法

《Engineering Applications of Artificial Intelligence》：A gas leakage intelligent monitoring method based on multi-channel spatiotemporal perception and multi-view learning

　　

**摘要**

天然气泄漏监测是一项知识密集型工程任务，对于维持机械完整性和运行安全至关重要。在实际的泄漏场景中，信号往往微弱且噪声强烈，使得精确监测极具挑战性。现有方法无法充分捕捉真实工况下信号的多通道时空特征和多视角耦合关系，导致监测精度较低。因此，本文提出了一种基于多通道声学发射信号的多视角时空感知网络（MSPN），用于自适应气体泄漏监测。具体而言，首先设计了一种多通道筛选策略以识别可靠的信号通道。随后，采用对称点图案（SDP）方法将信号转换为图像表示，从而增强特征的可学习性。接着，设计了空间增强型Mamba（SEMamba）和时序增强型双向门控循环单元（TEBiGRU），以构建多视角特征提取框架。该框架能够捕捉多通道信号的空间特征和时序演化模式。最后，设计了一种自适应优化机制，在模型训练过程中学习多视角特征的最优融合权重，从而实现互补空间与时间信息的有效融合，以进行气体泄漏监测。在两组实测气体泄漏数据集上的实验结果表明，所提方法实现了高监测精度，优于十四种最先进的诊断方法。该框架不仅提供了准确可靠的基于信号的诊断能力，还能够实现工业管道运行中的机械系统健康监测。

**引言**

管道运输是能源输送和工业生产的关键基础设施，在确保连续运行和工程安全方面发挥着至关重要的作用（Seto等，2026）。在长期服役过程中，管道及相关机械设备容易发生腐蚀、疲劳和载荷波动，导致结构逐渐退化，泄漏风险增加（Zhang等，2025）。气体泄漏对结构完整性、系统可靠性和人员安全构成直接威胁（Wang等，2023a）。因此，快速准确的泄漏监测对于确保机械系统安全运行和提高工程可靠性至关重要（Liu等，2025a）。然而，真实工况下的信号往往受到强噪声、频繁工况变化和多种来源耦合的影响（Aljameel等，2024）。这些因素使得传统方法难以提取可靠特征，导致高误报率和有限的鲁棒性。因此，开发自动化和智能化的气体泄漏监测方法对于增强管道运输系统的运行安全性和可靠性至关重要（Peng等，2024）。

早期的气体泄漏监测方法主要依赖传统信号处理和机器学习技术，通过人工设计时域、频域或时频特征，并结合经验阈值或浅层分类器进行泄漏识别（Kang等，2025；Liu等，2019；Satterlee等，2025；Sitaropoulos等，2023；Zuo等，2023）。常用特征包括均值、方差和峰度等统计指标、频谱能量分布特征和小波包分解特征。这些特征随后与支持向量机、k近邻或神经网络等分类模型结合，用于状态识别（Liu等，2022）。例如，Wei等（Liang和Zhang，2012）提出了一种基于梯度和斜率转折拒绝的管道泄漏监测方法。该方法利用瞬态压力数据结合小波包分析、主成分分析和高斯混合模型，实现了无需历史故障数据即可进行高精度泄漏检测和监测。Waqar等（2025）提出了一种领域引导的深度学习框架用于管道多泄漏检测，其中引入了一种脉冲型泄漏函数作为目标变量，使模型能够在不同的泄漏场景下无需重新训练。尽管这些方法在简单结构和稳定工况下可以达到可接受的性能，但它们高度依赖先验知识和特征工程，对噪声干扰、工况变化和复杂非线性关系的适应性有限，难以满足工程应用中高可靠性和安全性的要求。

随着深度学习技术的快速发展，气体泄漏监测逐渐进入了数据驱动和端到端智能检测的新阶段（Dong等，2026；Hu等，2021；Sahin和Yüce，2024；Zuo等，2022）。深度学习方法可以直接从原始振动、声学发射或频谱信号中自动学习层次化且高判别性的特征表示，避免了对手工特征设计的依赖，显著提高了特征表示的完备性和适应性（Huang等，2024；Liang等，2024；Liu等，2025b）。例如，Shi等（2026）设计了一种基于轻量级MobileNetV3并结合注意力机制的模型用于边缘设备部署，Zhu等（2025）开发了一种物理信息驱动的数据增强框架。此外，Mishra等（2025）将多层时频交叉可见性图与图卷积网络相结合，用于压力敏感型泄漏分类。尽管这些方法提高了精度，但它们通常依赖于单一表示视角，限制了在复杂条件下互补特征和跨视角耦合的利用。将这一视角扩展到更广泛的关键基础设施管理领域，最先进的时空深度融合和概率风险预测框架已被广泛应用于建模复杂系统的不确定性。具体而言，Wang等（Gao等，2023；Wang等，2022、2023b、2024b、2024c、2026）开发了一系列先进的方法，利用贝叶斯网络、时空易损性模型和时变可靠性分析，涵盖多种安全关键场景。这些工作包括预测风致漂浮物入侵风险（Wang等，2022）、建模闪电相关故障风险（Wang等，2023b）、在外部气象条件下进行多层预测概率风险评估（Gao等，2023）、建立不确定性感知的高可信故障预测器（Wang等，2024b）、评估考虑维护活动和闪电击打的架空接触网时变可靠性（Wang等，2024c），以及实现输电线路附近高精度火点识别（Wang等，2026）。这些开创性工作表明，将空间环境变量与时序动态轨迹耦合对于高置信度可靠性评估至关重要。尽管这些宏观层面的框架在建模离散的环境级风险方面表现出色，但气体监测需要对连续、非平稳且有噪声的微观级声学发射波形进行处理。因此，如何利用时空融合技术从连续的声学发射信号中提取局部跨通道相关性和时序模式仍然是一个紧迫的挑战。

近年来，多视角学习在工业故障监测领域引起了越来越多的关注，通过整合振动（Gao等，2025）、声学（Shi等，2026）、温度（Xu等，2025b）和电流信号，实现复杂工况下设备状态的综合感知和准确识别（Wang等，2025；Xu等，2025a；Zhang等，2026a）。多视角学习能够有效利用不同视角间的互补信息和相关特征，从而缓解单视角信息的局限性以及噪声干扰的影响（Leng等，2026）。例如，Yan等（2024b）提出了一种多视角深度学习方法用于天然气管道泄漏监测。该方法利用基于注意力的双信息模块和多尺度卷积模块融合来自多个传感器的时频特征，以实现小泄漏的准确检测，并增强了泛化能力和诊断性能。Zhang等（Zhang和Zhang，2024）提出了一种多视角气体泄漏监测系统，结合了气体传感器数据和热图像。该方法使用深度森林集成模型融合从多个卷积神经网络（CNN）中提取的深层特征，实现了高精度、高可靠性和冗余的泄漏检测。受这些多视角学习方法的启发，将多视角学习引入气体泄漏监测有助于构建更全面、稳定、可靠的泄漏识别模型，从而提高系统安全性和工程适用性（Gong等，2025；Zheng等，2025）。因此，本文提出了一种基于多通道声学发射（AE）信号的多视角时空感知网络（MSPN）用于气体泄漏监测。首先，开发了一种多通道信号筛选策略以识别信息量丰富的通道并减少冗余干扰。然后，利用对称点图案（SDP）算法将时序信号转换为结构化图像表示，以实现对空间特征的有效提取。随后，设计了空间增强型Mamba（SEMamba）模块和时序增强型双向门控循环单元（TEBiGRU）模块，分别捕捉泄漏信号的空间相关性和时序演化模式。最后，引入了一种自适应优化机制以在训练过程中学习多视角特征的相对贡献并融合互补的时空信息。本研究的主要贡献总结如下：

（1）提出了一种端到端的MSPN用于自适应气体泄漏监测。与现有多视角诊断方法（Gong等，2025；Yan等，2024b；Zhang和Zhang，2024；Zheng等，2025）相比，所提模型将多通道声学发射信号转换为图像视角，同时捕捉时序特征，从而有效地建模了多通道信号之间的相关性。

（2）设计了一种新颖的SEMamba架构用于从多通道信号图像和时序视角中提取特征。与现有Mamba框架（Xu等，2025b、2026）相比，它在增强多通道空间相关性建模的同时，联合捕捉局部细节和全局依赖关系。此外，引入了TEBiGRU以有效克服传统BiGRU在建模长时时序依赖关系和动态演化模式方面的局限性。

（3）提出了一种自适应优化机制以在模型训练过程中学习空间特征和时序特征的相对贡献。训练过程中学到的融合权重在推理阶段固定不变，无需在部署时引入额外的计算成本即可实现多视角信息的有效融合。

（4）构建了两组在真实工况下采集的多通道气体泄漏数据集用于模型验证。实验结果表明，MSPN在两个数据集上均显著优于十四种最先进的诊断模型。

本文其余部分的组织如下。第2节详细介绍了基于MSPN的气体泄漏监测框架。第3节描述了实验设计和案例分析。第4节提供了讨论，最后第5节总结全文。

**章节片段**

**概述**

MSPN用于气体泄漏监测的工作流程如图1所示，包含四个主要步骤。步骤1：使用麦克风阵列测量泄漏产生的多通道声学发射信号。然后应用通道选择算法和对称点图案（SDP）算法构建和预处理多视角信号。步骤2：使用所设计的SEMamba架构从转换后的SDP图像中提取特征，进一步捕捉空间相关性。

**实验设置**

所提出的MSPN模型基于PyTorch框架实现，并在配备NVIDIA GeForce RTX 4060 GPU（8 GB显存）的计算平台上从零开始训练。最大训练轮数设置为50，批大小为16，初始学习率为0.001。采用Adam优化器进行模型参数优化，并使用CosineAnnealingLR学习率调度器在训练过程中动态调整学习率，从而……

**消融实验**

为进一步研究MSPN中各关键组件的贡献，在高压管道泄漏数据集（案例1）和工业压缩气体泄漏数据集（案例2）上进行了细粒度的消融实验。基于完整的MSPN架构，通过逐一移除或替换特定模块设计了若干变体，以分析它们对最终诊断性能的影响。具体而言，首先使用完整的MSPN模型作为基线……

**结论**

本研究提出了一种用于自适应气体泄漏监测的MSPN模型，解决了复杂工业环境中捕捉多通道空间和时间依赖关系的挑战。通过整合多通道筛选策略、基于SDP的图像表示、用于空间特征增强的SEMamba、用于时序模式建模的TEBiGRU以及自适应融合机制，所提框架有效地提取并整合了多通道……

**作者贡献声明**

Han Xu：撰写初稿、可视化、验证、方法论、调查研究、形式分析、数据整理、资金获取、软件。Ruichan Lv：审阅与编辑、监督、资金获取。Bixiao Li：数据整理。Ziyue Ju：验证、数据整理。Jiahang Ma：调查研究、数据整理。Jiayi Niu：验证、数据整理。Jianhao Qin：验证、数据整理。Jiangtao Liu：审阅与编辑。

李子（Bin Zi）：撰写——审阅与编辑、指导、利益冲突声明

作者声明：作者们声明没有已知的竞争性经济利益或个人关系可能会影响本文报告的研究工作。

致谢

作者们衷心感谢所有编辑和匿名审稿人提出的宝贵意见，这些意见极大地帮助改进了本文稿。

本研究得到以下资助支持：国家自然科学基金（编号：82472104和U24B2053）；陕西省自然科学基础研究计划（编号：2025JC-JCQN-023）；陕西省重点核心技术研发项目（编号：2024QY2-GJHX-03）；西安市中青年科技创新人才项目。

韩旭 | 吕瑞晨 | 李碧肖 | 鞠子越 | 马佳航 | 牛嘉懿 | 秦建豪 | 刘江涛 | 李子

高性能电子设备机电集成制造国家重点实验室，电子科技大学机电工程学院，西安，陕西，710071，中国