供水管道泄漏會產(chǎn)生復(fù)雜多變的聲學(xué)信號，其聲學(xué)特征容易受到漏點大小、管道材質(zhì)、管徑、傳播距離以及周圍環(huán)境等多種因素的影響。這些因素不僅會改變泄漏信號的頻譜分布，還會導(dǎo)致能量衰減，增加泄漏特征識別的難度。針對這一問題，通過開展管道泄漏實驗，系統(tǒng)分析了泄漏信號中不同頻率成分的傳播衰減規(guī)律，重點從時域和頻域的角度探討了不同傳播距離下聲學(xué)特征的變化規(guī)律?；诖耍_發(fā)了基于機器學(xué)習(xí)的泄漏識別模型，并驗證了這些關(guān)鍵特征在泄漏識別任務(wù)中的有效性。結(jié)果表明，提取的關(guān)鍵特征在保證模型識別準(zhǔn)確性的同時減少了不相關(guān)特征的干擾，提升了模型的穩(wěn)定性和可靠性，展現(xiàn)出其在供水管道泄漏檢測領(lǐng)域的廣泛應(yīng)用前景。 引用本文：郭冠呈,范晶璟,馬興科，等. 供水管道泄漏信號傳播過程中聲學(xué)特征變化規(guī)律［J］. 給水排水，2025，51（3）：158-165.
01 研究方法 1.1 時域特征 時域特征是從時間序列數(shù)據(jù)中直接提取的特征，廣泛應(yīng)用于信號處理、振動分析、音頻處理、生物醫(yī)學(xué)信號分析等領(lǐng)域，可以揭示信號的基本統(tǒng)計特性和時序結(jié)構(gòu)，常用于表征信號的趨勢性、波動性、周期性等特征。本文主要選取了在泄漏識別模型中經(jīng)常用到的一些時域特征，如表1所示。
表1 泄漏信號的時域特征
1.2 頻域特征 頻域特征是從信號或數(shù)據(jù)的頻率域中提取的特征。與時域特征不同，頻域特征主要描述信號在頻率空間中的分布和特性，通過傅里葉變換將時域信號轉(zhuǎn)換為頻域信號來進行分析，常用于揭示信號的周期性、振蕩頻率和能量分布。本文主要選取了在泄漏識別模型中經(jīng)常用到的一些頻域特征，如表2所示。
表2 泄漏信號的頻域特征
1.3 管道泄漏試驗平臺 為了更好地開展供水管道泄漏模擬試驗研究，搭建了一個管道泄漏試驗平臺，如圖1所示。該試驗平臺由直徑為DN100的鍍鋅鋼管組成，管道總長約120 m，布置在地面以上，便于在管道表面密集部署傳感器，用于監(jiān)測管道泄漏時產(chǎn)生的聲學(xué)信號，從而能夠更精確地獲取泄漏信息。因此，本試驗設(shè)置了29個監(jiān)測點，監(jiān)測點之間間隔3 m，從泄漏聲源到最后一個監(jiān)測點的距離為84 m。
圖1 供水管道泄漏試驗平臺
管道系統(tǒng)采用變頻泵和穩(wěn)壓罐來維持管內(nèi)壓力，通過調(diào)節(jié)泄漏孔的開啟度來實現(xiàn)不同的泄漏流量。每次試驗時，先啟動管道系統(tǒng)，待管道系統(tǒng)運行穩(wěn)定后再進行泄漏試驗。
1.4 泄漏識別模型 支持向量機（SVM，Support Vector Machine）是一種常用于分類、回歸和異常檢測的監(jiān)督學(xué)習(xí)模型。其核心思想是通過尋找一個最優(yōu)的超平面，將不同類別的數(shù)據(jù)盡可能有效地分開，并使得該超平面兩側(cè)的間隔最大化，以提高分類的準(zhǔn)確性和模型的泛化能力。
多層感知器（MLP，Multilayer Perceptron）模型是一種有監(jiān)督學(xué)習(xí)算法，由一個輸入層、一個或多個隱含層以及一個輸出層組成，每個網(wǎng)絡(luò)層可以包含多個神經(jīng)元，是一種比較簡單的神經(jīng)網(wǎng)絡(luò)模型。雖然MLP模型結(jié)構(gòu)簡單，但卻具有強大地擬合非線性數(shù)據(jù)的能力。
XGBoost是一種基于梯度提升決策樹（GBDT, Gradient Boosting Decision Tree）的高效機器學(xué)習(xí)算法，以其出色的準(zhǔn)確性和魯棒性而聞名，曾在 Kaggle 競賽中多次奪得冠軍。作為當(dāng)前最流行的機器學(xué)習(xí)算法之一，XGBoost廣泛應(yīng)用于分類、回歸、排序等各類監(jiān)督學(xué)習(xí)任務(wù)。
上述三種常見的機器學(xué)習(xí)模型已被應(yīng)用于管道泄漏檢測領(lǐng)域。本文在此基礎(chǔ)上，選取關(guān)鍵泄漏特征作為模型輸入，對比不同模型的泄漏識別效果。
02 試驗結(jié)果與分析 2.1 試驗工況與數(shù)據(jù)采集 在管道泄漏試驗平臺上進行試驗時，將加速度傳感器吸附在管道表面，以采集在不同泄漏流量和傳播距離下的泄漏信號。每次泄漏試驗開始前，先采集3組管道系統(tǒng)穩(wěn)定運行時的背景噪聲數(shù)據(jù)。隨后，打開泄漏孔，并在管道系統(tǒng)壓力穩(wěn)定后，在每個監(jiān)測點處分別采集3組泄漏信號。采樣頻率設(shè)定為10 kHz，采樣時長為3~10 s。所有試驗均在夜間進行，以最大限度地減少環(huán)境噪聲對試驗結(jié)果的影響。試驗工況參數(shù)見表3。
表3 試驗工況參數(shù)
在試驗過程中采集的典型泄漏信號和非漏信號對應(yīng)的波形和頻譜如圖2所示，可以發(fā)現(xiàn)泄漏信號的時域波形振幅更大、分布更密集，主要頻率成分集中在800~1 200 Hz；而非漏信號的時域波形振幅更弱、分布更稀疏，頻率成分在1 200 Hz以下均有分布。
圖2 典型非漏狀態(tài)和泄漏狀態(tài)的波形與頻譜
2.2 泄漏信號的傳播衰減規(guī)律 實際中的泄漏信號成分復(fù)雜，往往含有不同的頻率分成，本文采用譜減法對實際采集到的泄漏信號進行降噪處理。通過估計泄漏信號中的背景噪聲頻譜，在泄漏信號的頻譜上減去背景噪聲部分，然后利用逆傅里葉變換獲得較為純凈的泄漏信號。將不同監(jiān)測點采集到的泄漏信號按不同的頻率范圍從100~2 000 Hz依次劃分為9段，每段間隔200 Hz，統(tǒng)計每一段頻率范圍內(nèi)的泄漏信號能量值，分析泄漏信號中不同頻率成分的傳播衰減規(guī)律。
下面以DN100鍍鋅鋼管，泄漏流量0.15 m³/h的試驗工況為例進行分析。圖3所示為泄漏信號中不同頻率成分的能量隨傳播距離的變化規(guī)律，橫坐標(biāo)是監(jiān)測點位，相鄰監(jiān)測點之間的距離為3m。從圖中可以看出，100~300 Hz頻率成分的信號強度衰減較為緩慢，而900~1 100 Hz頻率成分的信號強度衰減較快。線性擬合圖2中不同頻率成分的能量衰減曲線，從低頻范圍到高頻范圍依次得到擬合后的直線斜率為0.95、1.28、1.54、1.56、1.94、1.84、1.75、1.80、1.77。泄漏信號中100~300 Hz頻率成分對應(yīng)的斜率最小，為0.95，說明在傳播過程中低頻信號的能量衰減速度較慢；900~1 100 Hz頻率成分對應(yīng)的斜率最大，為1.94，其余1 100 Hz以上的高頻成分對應(yīng)的斜率也較大，說明在傳播過程中高頻信號的能量衰減速度較快。
圖3 泄漏信號中不同頻率成分的能量變化
在第1個監(jiān)測點，泄漏信號中900~1 100 Hz頻率成分占比最大，隨著泄漏信號的傳播，高頻成分衰減較快，到最后一個監(jiān)測點時，泄漏信號中100~300 Hz頻率成分占最大，如圖4所示。
圖4 泄漏信號中不同頻率成分的能量變化曲線
除了傳播距離會影響泄漏信號能量衰減外，漏量大小也是關(guān)鍵因素之一。泄漏流量越大，產(chǎn)生的泄漏信號強度越高，越能傳播較遠(yuǎn)的距離。在管材、管徑、泄漏孔口形狀、管內(nèi)壓力等條件相同的情況下，分析漏量對泄漏信號頻率成分的影響。圖5所示為DN100鍍鋅鋼管在不同漏量下，泄漏信號中不同頻率成分的占比情況。從中可以看出，不同漏量下的泄漏信號頻率分布差別不大，主頻范圍都為900~100 Hz，說明漏量主要影響泄漏信號的強度大小，而對泄漏信號的頻率分布影響不大。
因此，泄漏信號在傳播過程中，信號的能量大小和頻率分布都會發(fā)生變化，傳播距離越遠(yuǎn)，信號強度越弱，低頻成分占比越大。對于其他試驗工況下的泄漏信號也呈現(xiàn)出相同的規(guī)律。
圖5 不同漏量下的泄漏信號頻率成分占比情況
2.3 不同傳播距離下的泄漏特征 受泄漏信號傳播衰減規(guī)律的影響，其聲學(xué)特征會發(fā)生不同程度的變化。對于同一泄漏聲源，在不同位置采集到的泄漏信號聲學(xué)特征也會有所差異。
圖6展示了不同時域特征隨信號傳播距離的變化情況，橫坐標(biāo)為監(jiān)測點位置，相鄰監(jiān)測點之間的距離為3 m。對于無量綱特征，縱坐標(biāo)未顯示。從圖中可以看出：
圖6 不同時域特征隨傳播距離的變化情況
(1）信號能量隨著傳播距離的增加逐漸減弱。泄漏流量越大，信號強度越高，但漏量對信號的衰減速率影響較小。與信號能量密切相關(guān)的均方根值、峰峰值也呈現(xiàn)出類似的變化趨勢。
(2）偏度因子對傳播距離變化不敏感，圍繞0上下波動，表明泄漏信號在時域上的數(shù)據(jù)分布大致以均值為中心，呈對稱性分布。
(3）過零率隨著傳播距離的增加逐步下降，這表明泄漏信號在傳播過程中變化速率逐漸減緩，頻譜逐漸由低頻成分主導(dǎo)。
（4）脈沖因子、波形因子、峰度因子對傳播距離變化不敏感，這表明信號較為平穩(wěn)，能量分布相對均勻，缺乏明顯的突發(fā)性變化，進一步驗證了泄漏信號屬于寬平穩(wěn)信號的特征。
（5）在0.15 m³/h泄漏流量下，偏度因子、脈沖因子、波形因子、峰度因子在17~23監(jiān)測點之間有較大波動，這4個特征常用于評估信號中的突發(fā)性和異常值特征，例如信號中是否有沖擊干擾等。主要原因有兩個方面：一方面，由于泄漏流量較小，產(chǎn)生的泄漏信號強度相對較弱，易受管內(nèi)外干擾噪聲的影響；另一方面，從17~23監(jiān)測點之間存在彎頭、閥門等管道附件，水流經(jīng)過這些附件時會產(chǎn)生水動力噪聲，從而影響泄漏信號的特征分布。而在0.30 m³/h和0.88 m³/h的泄漏流量下并沒有出現(xiàn)類似的情況，主要是因為泄漏流量較大，產(chǎn)生的泄漏信號強度相對較強，不易被管內(nèi)外干擾噪聲所淹沒。
圖7顯示了不同頻域特征隨信號傳播距離的變化情況，橫坐標(biāo)表示監(jiān)測點位置，相鄰監(jiān)測點之間的距離為3 m。對于無量綱特征，縱坐標(biāo)未顯示。從圖中可以看出：
圖7 不同頻域特征隨傳播距離的變化情況
（1）泄漏信號頻譜的波形因子對傳播距離變化不敏感，這一現(xiàn)象與其在時域中的變化規(guī)律一致。此外，頻譜的脈沖因子、峰度因子和偏度因子同樣對傳播距離不敏感，表明這些特征不受傳播距離的影響，泄漏信號在這些特征維度上保持平穩(wěn)。
（2）頻率中心隨著傳播距離的增加逐漸降低，從最初的1 000 Hz下降到約200 Hz；頻譜滾降同樣呈現(xiàn)相似的下降趨勢，從1 200 Hz降至約400 Hz。這表明泄漏信號的能量逐漸集中在低頻范圍內(nèi)。這種 現(xiàn)象與信號傳播過程中的衰減規(guī)律密切相關(guān)，即高頻成分衰減較快，而低頻成分衰減較慢。
（3）頻譜通量、譜熵、譜平坦度隨傳播距離的增加逐漸降低，這表明泄漏信號的頻譜變化速率在傳播過程中逐步減慢。信號在產(chǎn)生時包含豐富的頻率成分，頻譜能量分布較為均勻，因此譜熵較高。然而，隨著傳播距離的增加，頻率成分逐漸減少，頻譜能量開始集中于少數(shù)頻率范圍內(nèi)，導(dǎo)致譜熵逐步降低。
綜上所述，對于時域特征，信號能量、均方根值、峰峰值以及過零率對傳播距離的變化較為敏感；而在頻域特征中，頻率中心、頻譜滾降、頻譜通量、譜熵、譜平坦度也對傳播距離的變化較為敏感。因此，在開發(fā)泄漏識別模型時，可以優(yōu)先選擇這些對距離變化敏感的關(guān)鍵特征作為模型輸入，從而提高模型的識別精度與穩(wěn)定性。
03 泄漏識別結(jié)果分析 根據(jù)上述試驗結(jié)果，本文選取了信號能量、均方根值、峰峰值、過零率、頻率中心、頻譜滾降、頻譜通量、譜熵、譜平坦度這9個對傳播距離較為敏感的特征作為模型輸入。隨后，依次采用SVM、MLP、XGBoost分類算法構(gòu)建泄漏識別模型。通過對比不同模型的泄漏識別效果，進一步驗證這些關(guān)鍵特征在泄漏識別任務(wù)中的有效性與適用性。
本文依托團隊在上海、成都等地實際管網(wǎng)中采集的聲波數(shù)據(jù)開發(fā)泄漏識別模型，并未使用試驗數(shù)據(jù)。數(shù)據(jù)集由2 370條泄漏聲波和2 721條干擾噪聲組成，采樣頻率為8 k~10 kHz，采樣時長為3~10 s。然后，將數(shù)據(jù)集按6∶2∶2的比例隨機劃分為訓(xùn)練集、驗證集和測試集，確保模型能夠在不同數(shù)據(jù)集上進行有效訓(xùn)練和評估。通過調(diào)用 Python 的機器學(xué)習(xí)庫Scikit-learn來實現(xiàn)SVM、MLP、XGBoost 這三種分類算法，采用Grid-Search網(wǎng)格搜索技術(shù)尋找每個模型的最優(yōu)參數(shù)。
本文采用準(zhǔn)確率、準(zhǔn)報率、誤報率來評估泄漏識別模型效果，將泄漏樣本（泄漏信號）視為正樣本，正常樣本（干擾噪聲）視為負(fù)樣本。準(zhǔn)確率是模型正確識別的樣本數(shù)占總樣本數(shù)的比例，準(zhǔn)報率是模型正確識別的泄漏樣本數(shù)占實際泄漏樣本數(shù)的比例，誤報率是模型錯誤識別的泄漏樣本數(shù)占實際正常樣本數(shù)的比例。
表4所示為泄漏識別模型在測試集上的結(jié)果，所有特征表示選取了之前提到的17個時域和頻域特征。從表中可以看出，相較于使用所有特征相比，選擇9個關(guān)鍵特征有助于提高SVM、MLP、XGBoost模型的識別效果，還降低了模型復(fù)雜度。其主要原因在于，這9個關(guān)鍵特征能夠更有效地捕捉泄漏信號的能量分布和頻譜特征，而泄漏的準(zhǔn)確識別在很大程度上依賴于這些反映能量和頻譜分布的關(guān)鍵特征。因此，減少不相關(guān)特征的干擾，集中在與能量和頻譜相關(guān)的特征上，能夠提高模型的識別精度。
表4 泄漏識別模型效果
04 結(jié) 論 本文通過供水管道泄漏試驗，研究了泄漏信號在傳播過程中的聲學(xué)特征變化規(guī)律，遴選出9個對傳播距離敏感的關(guān)鍵泄漏特征，并驗證了這些關(guān)鍵特征在泄漏識別任務(wù)中的有效性，得出以下結(jié)論：
(1）泄漏信號在傳播過程中，信號的能量大小和頻率分布都會發(fā)生顯著變化。傳播距離越遠(yuǎn)，信號強度越弱，低頻成分占比就越大；泄漏信號中不同頻率成分表現(xiàn)出不同的衰減規(guī)律，高頻成分衰減快，低頻成分衰減慢；此外，漏量大小主要影響泄漏信號的能量分布，而對其頻率分布的影響相對較小。
（2）信號的能量、均方根值、峰峰值、過零率等4個時域特征，以及頻率中心、頻譜滾降、頻譜通量、譜熵、譜平坦度等5個頻域特征能夠更敏感地反映泄漏信號的能量分布和頻譜變化特征。這些特征在不同傳播距離下能夠準(zhǔn)確刻畫泄漏信號的變化，特別是在能量和頻譜特性方面的表現(xiàn)尤為顯著。
（3）基于上述9個關(guān)鍵特征構(gòu)建的機器學(xué)習(xí)模型（SVM、MLP、XGBoost）在泄漏識別任務(wù)中表現(xiàn)出優(yōu)異的識別效果，減少了不相關(guān)特征的干擾，進一步提升了模型的準(zhǔn)確性和穩(wěn)定性。
通過對關(guān)鍵特征的合理選擇以及與機器學(xué)習(xí)模型的結(jié)合，可以有效提高供水管道泄漏識別效果。在未來的工作中，還需在更多的泄漏識別任務(wù)上測試并驗證這些特征的有效性，以確保其在不同應(yīng)用場景下的適用性和穩(wěn)健性。
微信對原文有修改。原文標(biāo)題：供水管道泄漏信號傳播過程中聲學(xué)特征變化規(guī)律；作者：郭冠呈、范晶璟、馬興科、趙云峰、吳以朋、馮樂、劉書明；作者單位：清華大學(xué)環(huán)境學(xué)院、上海臨港供排水發(fā)展有限公司、成都市自來水有限責(zé)任公司?？窃凇督o水排水》2025年第10期。
