基于瞬态反射的MFCC与ANN在聚乙烯管道泄漏检测与定位中的应用

《Measurement: Sensors》:Leak Detection and Localization in Polyethylene Pipelines Using MFCC and ANN Based on Transient Reflection

【字体: 大 中 小 】 时间:2026年03月27日 来源:Measurement: Sensors CS7.0

编辑推荐:

  本研究提出一种高精度管道泄漏检测与定位方法,该方法将瞬态反射法(Transient Reflection Method, TRM)与梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)以及轻量级人工神经网络(A

  
本研究提出一种高精度管道泄漏检测与定位方法,该方法将瞬态反射法(Transient Reflection Method, TRM)与梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)以及轻量级人工神经网络(Artificial Neural Network, ANN)相结合,用于泄漏尺寸估计。与传统时域或基于快速傅里叶变换(FFT)的方法不同,该方法利用MFCC表征由泄漏引起的阻抗不连续性所产生的瞬态压力波反射的频谱特征,而非依赖泄漏引起的频率偏移。在152米中密度聚乙烯(Medium-Density Polyethene, MDPE)管道系统上的实验室实验实现了平均定位误差±1.98米,并对小至1毫米的泄漏达到96.5%的检测灵敏度。ANN回归模型展现出高预测可靠性,泄漏尺寸估计的平均绝对误差(Mean Absolute Error, MAE)为0.15毫米。在220米埋地MDPE管道上的现场验证获得了可比的性能,定位误差维持在±2.12米,检测灵敏度为94.1%,证实了在实际市政运行条件下的可扩展性。一个结构化的预处理流程,包括信号归一化和MFCC特征向量化,被证明对模型稳定性至关重要,使泄漏尺寸MAE在归一化后改善超过12%,同时保留基于反射的频谱模式。该系统仅需单点消防栓接入,使用最小化便携硬件,并避免了典型深度卷积模型的计算开销。这些结果确认了一种用于加压水管道系统早期泄漏检测与量化的成本效益高、便携且可扩展的解决方案,提供了高空间分辨率和对现场部署的强大鲁棒性。
**论文解读文章**

**研究背景与问题**
加压管道系统中的泄漏检测与定位是水配给网络和工业流体输送中的重大挑战。国际水协会数据显示,全球水务机构因未检测到的泄漏每年损失高达1260亿立方米水,经济损失超过400亿美元。传统方法如声学相关法、压力监测和负压波(Negative Pressure Wave, NPW)分析虽有一定效果,但常受限于高噪声敏感性、有限空间分辨率或多传感器节点需求。瞬态反射法(Transient Reflection Method, TRM)通过阀门操作产生的压力波检测管道不连续性(如泄漏)具有潜力,但从小泄漏反射信号中提取有效信息仍面临信号衰减、色散和管道结构特征干扰等难题。为此,研究人员提出将梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)与TRM结合,并利用人工神经网络(Artificial Neural Network, ANN)进行泄漏尺寸估计,以克服现有方法的局限性。

**研究内容与意义**
研究人员提出了一种集成TRM、MFCC和轻量级ANN的泄漏检测与定位框架。通过在152米中密度聚乙烯(Medium-Density Polyethene, MDPE)管道实验室系统及220米埋地MDPE管道现场试验,该系统成功检测小至1毫米的泄漏,实验室平均定位误差±1.98米,灵敏度96.5%;现场定位误差±2.12米,灵敏度94.1%。ANN模型在泄漏尺寸估计中达到实验室MAE 0.15毫米、现场MAE 0.18毫米的高精度。该研究首次将MFCC应用于基于TRM的管道监测系统,实现了高空间分辨率与强鲁棒性,为智能水基础设施提供了成本效益高、便携且可扩展的解决方案。论文发表在《Measurement: Sensors》。

**主要关键技术方法**
该研究采用瞬态反射法(Transient Reflection Method, TRM)生成并分析由电磁阀诱导水锤产生的压力瞬变。信号预处理包括归一化、时间对齐和汉明窗滤波,以降低噪声。利用梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)提取反射信号的频谱特征,通过14带梅尔滤波器组和离散余弦变换(Discrete Cosine Transform, DCT)获得倒谱系数。基于MFCC特征,采用轻量级前馈人工神经网络(Artificial Neural Network, ANN)进行泄漏尺寸回归估计。系统仅需单点消防栓接入,使用便携硬件。实验室测试在152米MDPE管道(内径57毫米,外径60毫米)进行,现场验证在220米埋地MDPE管道(半城区,2.1 bar)完成,人工泄漏通过校准阀引入。

**研究结果**

**3.1 灵敏度分析**
通过改变内部管道压力至1.5 bar、2.0 bar和2.5 bar,分析压力对信号清晰度、反射强度及定位精度的影响。在2.0 bar时,系统达到最佳性能:定位误差±1.98米,泄漏尺寸MAE 0.15毫米。压力升至2.5 bar时,定位误差略降至±1.72米,但高频噪声增加导致较大泄漏的ANN预测方差上升。在1.5 bar时,信号反射减弱,定位误差增至±2.87米,尤其对小泄漏灵敏度下降。结论:2.0–2.5 bar为最优工作压力范围。

**3.2 利用MFCC的信号特征提取**
MFCC分解有效区分无泄漏与泄漏条件。在泄漏场景下,特定MFCC系数(尤其第2–6个)在泄漏位置(如47.9米处)出现明显峰值,灵敏度高。第二MFCC微分系数可同时检测结构特征(如阀门)和泄漏反射,空间分辨率高。无泄漏时,MFCC系数稳定在基线附近,代表管道固有反射谱。该倒谱表示法基于阻抗瞬态谱特征而非绝对频率偏移,增强了粘弹性参数(如声速、反射阻抗不连续性)的提取,且不泄露可逆的频率迁移信息。

**3.3 利用人工神经网络(ANN)进行泄漏尺寸估计**
采用监督回归ANN模型,输入为MFCC特征向量(128×14矩阵展平为1×1792向量,经z-score标准化)。网络结构:输入层36个神经元(对应MFCC特征),两个隐藏层(64和32节点,ReLU激活),输出层线性激活。使用Adam优化器(学习率0.001)和均方误差损失函数训练。与支持向量机(SVM)、k-最近邻(k-NN)、随机森林和卷积神经网络(Conv1D)相比,所提ANN在整体MAE 0.15毫米上优于除CNN外的模型(CNN MAE 0.14毫米但训练时间更长,约24.3秒 vs 4.5秒)。ANN对1毫米泄漏的MAE为0.16毫米,2毫米为0.15毫米,3毫米为0.14毫米,4毫米为0.13毫米。数据集采用分层80:20分割训练与内部验证,并利用现场数据(30个样本,10个每类)进行外部验证,证明模型泛化能力。

**3.4 性能验证与灵敏度分析**
实验室与现场性能对比:实验室定位误差±1.98米,灵敏度96.5%,泄漏尺寸MAE 0.15毫米;现场定位误差±2.12米,灵敏度94.1%,MAE 0.18毫米。系统在噪声、土壤耦合、压力波动等现场条件下保持稳定。在1.5–2.5 bar压力范围内,2.0–2.5 bar为最优工作区间。与现有方法比较(如声学时间延迟+SVM、频率域分析+CNN、压力瞬变+规则ANN、振动监测+深度神经网络等),所提方法在空间精度(±1.98米)、小泄漏灵敏度(1毫米)和便携性方面具有优势。

**总结讨论与结论**
讨论部分指出,MFCC特征提取结合信号归一化有效提高了模型稳定性,泄漏尺寸预测MAE改善超过12%。该方法对噪声鲁棒,在实验室和现场均保持高精度。研究确认了MFCC-ANN框架在加压水管道系统中早期泄漏检测与量化的实用性和可扩展性。结论部分原文翻译如下:本研究提出了一种高精度泄漏检测与定位框架,将瞬态反射法(TRM)与梅尔频率倒谱系数(MFCC)及轻量级人工神经网络(ANN)集成用于泄漏尺寸估计。通过在152米MDPE管道上的全面实验室测试和220米埋地管道上的现场验证,该系统在检测小至1毫米的泄漏时展现出强鲁棒性和高精度,实验室平均定位误差为±1.98米,现场条件下为±2.12米。所有场景下泄漏检测灵敏度均超过94%。实验发现强调了MFCC在从瞬态压力信号中提取感知相关频谱特征方面的关键作用,即使在噪声或非平稳条件下也能增强泄漏反射的区分能力。此外,信号预处理(尤其是归一化)改善了模型稳定性,并使泄漏尺寸预测MAE降低超过12%。ANN模型在实验室取得MAE 0.15毫米,现场部署时为0.18毫米,展示了强泛化能力和预测准确性。该系统在空间分辨率、小泄漏灵敏度和操作简便性方面优于多种传统方法(如SVM、FFT-CNN)。它仅需最小基础设施(单个消防栓接入点)和便携仪器,适用于水配给网络的可扩展实时部署,为智能管道监测和早期泄漏检测提供了经济高效的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

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