基于物理一致性过滤的潜在扩散模型实现建成环境区域供热基础设施的可靠泄漏检测

《Building and Environment》：Reliable leakage detection for district heating infrastructure in the built environment using physics-consistency-filtered latent diffusion

　　

# 物理过滤潜扩散模型：供热管网泄漏检测

## 核心要点

- 提出物理过滤潜扩散模型用于区域供热管网泄漏检测。
- 压力波物理规律指导少数类样本生成。
- 波形级过滤提升生成样本可靠性。
- 在2:1、5:1和10:1不平衡条件下泄漏识别性能提升。
- 该框架支持建筑物供热基础设施的可靠监测。

## 引言

区域供热基础设施的可靠运行对建筑能效、供热可靠性、室内热服务及建筑环境中的维护决策至关重要。数据驱动监测与故障诊断已被广泛研究，以在不确定运行条件下维持建筑能源系统性能[[1]、[2]、[3]]。然而，区域供热管网中的压力波泄漏检测仍具挑战性，因为泄漏事件往往是隐蔽的、偶发的，且难以与运行干扰可靠地区分。延迟检测可导致热媒损失、异常补水、增加泵送需求及推迟维护。在实际区域供热管网中，补水流量监测可间接反映系统水损[4]，而压力波测量则提供互补的瞬态信息进行泄漏分析[5、6]。本研究聚焦于在非泄漏瞬态干扰（包括泵调节、阀调节和应急设备操作）条件下识别泄漏引起的瞬态压力波事件。

## 相关工作

区域供热管网泄漏检测与定位已发展出多种技术路线，包括压力波法、模型驱动法、数据驱动法及结合模型与数据的混合方法。Bahlawan等人[7]开发了区域供热管网故障检测与识别框架，可同时识别多种故障，包括水泄漏、异常热损失和异常压降。Manservigi等人[8]提出了基于物理的区域供热管网典型管道故障检测与识别方法。Zheng等人[5]利用水锤瞬态模型研究了长距离供热管道的泄漏检测，分析了压力波速、仪器误差和采样频率的影响。Xue等人[4]基于压力和流量观测数据开发了机器学习泄漏检测方法，Yang等人[9]强调数据集构建对多源环路区域供热管网泄漏定位与识别具有重要影响。这些研究表明，区域供热管网泄漏诊断不仅依赖于模型选择，还与数据质量和运行条件覆盖范围密切相关。

## 信号增强与鲁棒识别

为增强负压波信号并在复杂工况下实现鲁棒识别，研究者们做出了进一步努力。Lu等人[6]提出了负压波信号去噪方法以提升噪声条件下的泄漏定位精度。Ye等人[10]通过结合变分模态分解、模态选择和特征增强开发了MDDet模型，用于天然气管道微弱泄漏检测。这些研究表明，管道泄漏诊断已从简单的泄漏发生检测逐步转向将泄漏事件与运行干扰区分开来的能力。然而，许多现有方法仍依赖于相对理想的突发故障假设、充分的数据覆盖或单一干扰场景。当泄漏样本有限且泵调节、阀调节和应急设备动作等干扰共存时，任务便成为强干扰、多传感器耦合条件下的少样本不平衡识别问题。

## 故障数据可用性与代表性

除了干扰干扰和压力波表征之外，标注故障数据的可用性与代表性已成为实际区域供热故障检测与诊断（DH FDD）的关键挑战。近期DH FDD研究日益强调标注故障数据的可用性、代表性和可迁移性。van Dreven等人[11]提出了基于受控实验室故障仿真的智能DH FDD系统化数据生成方法，证明了在有限标注数据条件下可重复故障数据生成的重要性。Vallée等人[12]开发并评估了一种区域供热和供冷系统合成数据集生成方法，展示了生成数据集在实测故障样本有限时支持数据驱动故障检测的潜力。最近，面向数据稀缺条件下诊断性能提升的数据增强与故障诊断框架已被开发出来[13]。此外，近期低标签DH FDD研究探讨了从实验室和合成数据集向实际系统迁移的知识转移，表明由管网配置、运行条件和测量特性差异引起的域偏移仍是重要挑战[14]。这些研究表明，数据稀缺、故障数据生成、增强和可迁移性是DH FDD研究中的基本问题。然而，现有方法主要聚焦于提升数据可用性和诊断性能，而对生成的高频多传感器压力波样本的物理可信度仍探索不足。

## 过采样与生成模型方法

为缓解样本稀缺和数据不平衡问题，传统过采样策略已被广泛研究。Chawla等人[15]提出了合成少数类过采样技术（SMOTE），后续方法包括边界SMOTE[16]、自适应合成采样（ADASYN）[17]和多数加权少数类过采样技术（MWMOTE）[18]，进一步改进了困难少数类案例的合成样本生成。类似的不平衡学习策略也被应用于建筑设备故障诊断[19、20]。然而，这些方法主要依赖插值或邻域变换，在保持区域供热管网中非线性压力波传播特性和跨传感器依赖关系方面可能存在困难。深度生成模型为建模复杂故障数据分布提供了更灵活的方法。Goodfellow等人[21]引入了生成对抗网络（GAN），随后出现了改进变体，如Arjovsky等人[22]提出的Wasserstein生成对抗网络（WGAN）和Gulrajani等人[23]提出的带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）。Kingma和Welling[24]开发了变分自编码器（VAE）用于潜分布学习。这些生成模型已被应用于故障数据增强，包括泄漏信号生成[25]和暖通空调（HVAC）故障诊断[26、27]。尽管这些方法提升了样本多样性和非线性分布建模能力，但它们主要优化统计相似性，可能无法保持物理传播特性。对于区域供热管网中的压力波信号，生成样本还须保持到达时间关系、幅值衰减模式和跨传感器相关结构。

## 扩散模型与少样本学习

扩散模型近期在少样本和不平衡故障诊断中展现出强大潜力。Ho等人[28]提出了基于去噪扩散概率模型（DDPM）的增强框架，结合格拉姆角场变换缓解故障样本稀缺，Zhang等人[29]开发了用于有限故障样本条件下暖通空调故障诊断的扩散模型框架。近期研究进一步探索了基于扩散模型的少样本故障诊断增强方法。Wang等人[30]将扩散模型与CNN-Transformer架构结合，用于天然气井少样本故障诊断，Zhao等人[31]开发了条件扩散视觉Transformer框架，通过数据增强实现少样本故障诊断。然而，现有基于扩散模型的增强方法主要关注统计分布建模，对压力波传播物理规律的显式约束仍显不足。与此同时，少样本学习方法为应对有限故障观测提供了另一种策略。Wang等人[32]综述了基于度量学习、原型学习、元学习和知识转移的少样本故障诊断策略。Snell等人[33]引入了原型网络，通过类原型估计实现少样本分类。Yan等人[34]通过原型更新策略进一步将基于原型的学习扩展到暖通空调故障诊断。然而，这些方法主要关注分类器构建，而非支持集样本的可靠性和代表性。

## Mamba模型与物理信息方法

近年来，Mamba及相关状态空间模型被探索用于泄漏相关时间序列信号建模。Gu和Dao[35]引入了Mamba以实现高效时间表征学习，Li等人[36]将Mamba-ARN应用于天然气管道控制阀泄漏识别。这些研究表明了Mamba捕获长时间跨依赖关系的能力。除了时间表征学习之外，物理信息和数字孪生方法也被探索用于将物理知识融入数据驱动故障诊断。Raissi等人[37]引入了物理信息神经网络（PINNs），通过将物理方程嵌入神经网络训练。Zhu等人[38]将物理信息条件生成模型集成到不平衡条件下的管道泄漏诊断中。Yan等人[39]、Qin等人[40]和Shang等人[41]通过向数据驱动模型中引入物理信息进一步开发了物理信息和数字孪生辅助故障诊断框架，而Guan等人[42]研究了先验信息引导的生成以提升合成样本质量。这些研究凸显了物理先验知识对提升数据驱动诊断的价值。然而，它们通常需要显式物理模型、精确参数标定或可靠的虚拟-真实映射，这对复杂区域供热管网仍具挑战性。

## 研究动机与挑战

总体而言，现有研究在数据稀缺、干扰丰富的运行条件下进行区域供热管网泄漏诊断仍面临挑战。有限的泄漏和罕见干扰样本可能导致决策边界不稳定和原型估计不可靠。尽管近期DH FDD研究已探讨了故障数据生成、增强和低标签诊断策略，但在运行干扰下用于少样本泄漏诊断的物理可信压力波样本的生成与筛选仍探索不足。高保真物理模型或数字孪生模型可提升可解释性，但需要大量参数辨识和虚拟-真实标定，这对复杂区域供热管网难以实现。因此，要实现建筑环境中区域供热基础设施的可靠监测，关键挑战不仅是增加样本数量，而是生成和筛选支持少数类稳定学习的物理可信样本。

## 研究方法概述

针对上述挑战，本研究提出了一种物理一致性过滤潜扩散增强框架，用于区域供热管网少样本压力波泄漏诊断。该框架直接从可观测压力瞬态构建物理约束，将分布学习与压力波传播一致性相结合，同时避免了高保真数字孪生的繁重建模负担。主要贡献总结如下：

1. **物理一致性引导的潜扩散少数类压力波增强**：将传播延迟、幅值衰减、频谱分布和跨传感器相关结构编码为物理条件向量，以指导潜空间去噪过程。
2. **CNN-Mamba多传感器时间表征**：多尺度卷积提取局部波形特征，双向Mamba模块捕获长时间跨依赖关系，为扩散建模和少样本分类提供紧凑的潜空间表征。
3. **波形级物理一致性过滤筛选可信样本**：构建四个物理一致性损失分量对生成候选样本进行排序，保留物理可信样本，从而减少物理不一致生成样本对决策边界的影响。
4. **面向区域供热管网泄漏诊断的物理一致性过滤支持集增强**：将满足物理一致性要求的合格样本纳入少数类支持集，以提升运行干扰下的原型估计和泄漏检测性能。

## 实验系统与数据集

区域供热管网中的泄漏事件可引起瞬态压力扰动，以压力波形式沿上下游传播。然而，实际泄漏事件通常是偶发的，难以充分采样。此外，常规和应急操作（如泵调节、阀调节、应急泵启停和应急阀关闭）也可能产生与泄漏信号在时间和频率上部分重叠的压力瞬态。

## 方法框架

图3展示了所提出的带物理增强少样本学习（PA-FSL）的物理一致性过滤潜扩散增强方法整体框架。在工作流程层面，该方法包含四个步骤：从实测压力波信号中学习代表性模式、为数据稀缺类别生成候选样本、筛选生成样本的物理一致性，以及使用合格样本进行少样本泄漏分类。

## 少样本场景与增强流程

实验评估遵循第2.2节描述的数据集构建和不平衡设置。考虑三种不平衡比率，即2:1、5:1和10:1，以模拟轻度、中度和重度少数类样本稀缺情况。正常运行、泵调节和阀调节被作为基类，泄漏、应急泵启停和应急阀关闭被作为少数类或极端瞬态类。对于所有增强方法，生成样本的……

## 结论

本研究提出了一种物理一致性过滤潜扩散增强框架，用于数据稀缺、干扰丰富条件下的区域供热管网压力波泄漏诊断。研究旨在解决泄漏样本有限、类别不平衡、运行干扰引起的瞬态混淆以及纯数据驱动生成样本物理不可靠等问题。主要结论如下：

1. CNN-Mamba多传感器时间编码器能够有效……

## CRediT作者贡献声明

Chang Chang：撰写——初稿、可视化、验证、软件、方法学、形式分析、数据管理、概念化。Xiangli Li：撰写——审阅与编辑、项目管理、资金获取、概念化。Wenqian Zhou：撰写——审阅与编辑、可视化、监督、调查。Shu Zheng：撰写——审阅与编辑、监督、调查。Lin Duanmu：撰写——审阅与编辑、监督、软件。

Chang Chang|Xiangli Li|Wenqian Zhou|Shu Zheng|Lin Duanmu