管道泄漏检测方法综述

齐承英 ,  王文君 ,  刘喆 ,  顾吉浩 ,  张湛明 ,  高晓宇 ,  吴向东

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13319-13331

PDF (4031KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13319-13331 DOI: 10.12404/j.issn.1671-1815.2508104
综述:环境科学、安全科学

管道泄漏检测方法综述

作者信息 +

Review of Methods for Pipeline Leak Detection

Author information +
文章历史 +

摘要

面对城市管网承压运行与设施老化并存的安全风险,响应国家“两重”“两新”政策,发展高效、智能的管道泄漏监测与精准防控技术,是当前学术研究与工程实践的前沿焦点。总结了现有管道泄漏检测方法,并从基于硬件与基于软件两个维度进行分类,涉及声学、光学等多个学科领域。从传感器测量和仿真建模两大方向系统研究了当前主要的管道泄漏检测技术及其优缺点,同时分析了当前检测技术面临的挑战,并对未来的发展趋势进行了展望,为相关领域的研究与实践提供参考。

Abstract

Confronting the coexisting safety risks of overloaded operation and aging infrastructure in urban pipeline networks, and in response to the national “Two Major Initiatives” and “Two New Drivers” policy, the development of efficient and intelligent pipeline leak monitoring and precise prevention technologies is currently a focal point in academic research and engineering practice. Existing pipeline leak detection methods were summarized and categorized into hardware-based and software-based dimensions, involving multiple disciplines such as acoustics and optics. Current primary leak detection technologies were systematically investigated from the two directions of sensor measurement and simulation modeling, with their advantages and disadvantages studied. Challenges faced by current detection technologies were analyzed, and future development trends were outlooked. This review aims to provide a reference for research and practice in related fields.

Graphical abstract

关键词

管道泄漏 / 检测方法 / 泄漏定位 / 信号识别 / 人工智能

Key words

pipeline leak / detection methods / leak localization / signal identification / artificial intelligence

引用本文

引用格式 ▾
齐承英, 王文君, 刘喆, 顾吉浩, 张湛明, 高晓宇, 吴向东. 管道泄漏检测方法综述[J]. 科学技术与工程, 2026, 26(31): 13319-13331 DOI:10.12404/j.issn.1671-1815.2508104
QI Cheng-ying, WANG Wen-jun, LIU Zhe, GU Ji-hao, ZHANG Zhan-ming, GAO Xiao-yu, WU Xiang-dong. Review of Methods for Pipeline Leak Detection[J]. Science Technology and Engineering, 2026, 26(31): 13319-13331 DOI:10.12404/j.issn.1671-1815.2508104

登录浏览全文

4963

注册一个新账户 忘记密码

管道网络作为城市“生命线”,其安全、高效、稳定运行是维系社会正常运转、保障民生福祉的基石。随着中国城镇化进程进入“提质增效”的新阶段,城市基础设施正步入老化期,管道泄漏事件频发,不仅导致资源巨额浪费,更引发路面塌陷、环境污染,甚至爆炸等次生灾害,对城市公共安全构成严重威胁。
当前,国家正深入推进“城市更新”这一重大战略部署,其核心在于对城市空间进行系统性、可持续性的改造与提升。与此同时,国家着力推动高质量发展,部署了“两新”“两重”战略,将公共安全风险的源头防范与监测预警能力建设提升至前所未有的战略高度。在国家政策背景下,对地下管网实施精准、高效、智能的泄漏检测与健康管理,已成为落实国家战略、提升城市韧性、保障人民生命财产安全的紧迫需求。
管道泄漏的原因复杂多样,主要可归结为自然老化、外力干扰、材料缺陷及操作不当等几大因素[1-3]。首先,管道长期埋设于地下,会因土壤化学与电化学腐蚀、管材自然老化及磨损,管壁逐渐变薄直至穿孔。其次,外部环境的影响尤为显著,包括第三方施工破坏、地质沉降、地基不均匀沉降以及地震等自然灾害对管道造成的机械性损伤。此外,管道本身存在的焊接缺陷、阀门或密封件失效等质量问题,也是泄漏的常见诱因。最后,在运营过程中,压力的剧烈波动或水锤效应等影响,则会进一步加速缺陷的扩展,最终引发泄漏。
目前管道泄漏检测方法众多,根据检测手段不同可分为基于硬件和基于软件两大类[4-6]。基于硬件的方法主要有光学法、声学法、人工听漏法、管道机器人诊断法、负压波检测法,以及分布式光纤传感检测法等;基于软件的方法主要有质量/体积平衡法、压力点分析法以及实时模型法等。绝大多数方法,无论其归属于哪一类别,在实际应用中都需要借助传感器来获取管道的运行参数。因此,将首先重点介绍基于传感器测量的管道泄漏检测方法,这类方法直接依赖于压力、流量、声波等传感器的实时数据进行泄漏分析与定位。此外,仿真建模作为另一重要技术路径,同样构成了一个方法大类。通过构建管道“数字孪生”模型来仿真动态工况。虽然仿真模型建立与校准往往也离不开传感器数据,但其核心在于利用模型本身的机理进行状态估计与泄漏诊断。
本文第一部分介绍几种常用的基于传感器测量的硬件检测方法;第二部分介绍基于仿真建模的软件检测方法。常用的管道泄漏检测方法都离不开对压力、流量、声等信号的处理,故第三部分介绍常用信号处理方法;第四部分介绍泄漏定位中最常用的基于时延估计的泄漏定位方法;第五部分对全文进行总结,并对未来管道泄漏检测发展方向提出建议。

1 基于传感器测量的泄漏检测方法

管道泄漏检测技术涉及多种检测对象、测量信号和诊断机理。为明确各类方法之间的关系,并为后文论述提供分类依据,将现有管道泄漏检测方法归纳分类,如图1所示。

在管道泄漏检测技术领域,依据检测设备或传感器是否需要直接接触被测介质或进入管道内部,主要形成非侵入式和侵入式检测两大类。非侵入式检测立足于管道外部,通过高精度传感器(如声波振动、光纤等)在管壁外侧捕捉因泄漏或缺陷引发的物理场变化(如声纹异常、温度梯度等),再通过复杂的算法模型反演推算出泄漏点的位置与泄漏程度,具有代表性的方法主要有分布式光纤传感检测法、红外热成像法以及声学法等;侵入式检测方式为直接接触管道内介质或置入管道内部,在输送介质中穿行,直接、近距离地获取管道壁及管道环境的数据,从而实现对缺陷的精确定位,具有代表性的方法主要有负压波检测法、管道机器人诊断法以及智能小球法等。

1.1 非侵入式检测

1.1.1 分布式光纤传感检测法

分布式光纤检测法[7]以光纤为传感敏感元件和传输信号介质,对沿线管道的温度变化进行检测。管道发生泄漏时会引起管壁与周围土壤的振动、介质与温度的变化。当光纤贴于管线上,物理参数的变化将导致光学纤维发生温度与应力的变化。因此,分布式光学纤维可用于检测应力与温度的异常现象,从而实时监测管线泄漏情况。光纤除了作为温度和压力物理量的传感器,还可作为声波物理量的传感器,故分布式光纤传感监测系统通常包括测温系统和分布式声学传感(distributed acoustic sensing, DAS)系统两部分,其系统组成如图2所示。分布式光纤测温检测法的定位原理是不同位置的拉曼散射信号返回探测器的时间是不同的,通过测量该回波时间即可确定散射信号所对应的光纤位置。分布式光纤泄漏检测技术是目前检测技术中定位精度较高的,漏点定位精度可精确至1 m以内,但这一技术需光纤敷设与管道敷设工程同步进行,这一特点也决定了其目前主要适用于新建管网。

当前管道泄漏监测技术通过在关键环节引入先进算法以提升性能。在信号降噪方面,赵亚丽[8]基于相位敏感光时域反射技术(phase-sensitive optical time domain reflectometry,ϕ-OTDR)的系统采用指数阈值小波分析来有效抑制噪声;在特征识别方面,Zhan等[9]结合分布式光纤声学传感技术与一维DAS管道泄漏识别网络(DAS pipeline leakage recognition network, DPR-net)模型,区分不同泄漏孔径、压力和方向下的天然气管道泄漏信号;在精确定位方面,毕灵月等[10]提出了结合层次聚类与自适应方差阈值的算法,相较于传统阈值定位精度提升0.32 m。

随着研究的深入,基于光纤布拉格光栅的准分布式监测方案,为长距离管道的监测提供了另一种有效技术路径。Gan等[11]采用超弱光纤布拉格光栅阵列对气体管道泄漏振动信号进行监测,并结合小波变换与功率谱密度提取主频稳定特征,实现了气体管道泄漏的准确识别与分区定位。Li等[12]提出了一种主动分布式温度传感方法,将主动加热光纤传感器布设于埋地管道附近,通过捕捉泄漏引起的土体热湿耦合变化和温度场异常,实现了埋地管道泄漏的识别、定位与泄漏程度评估。这些方法为长距离管道的健康监测提供了有效的技术路径。然而,如何进一步提高光纤测温技术的检测精度、降低成本、实现长距离大范围的管道泄漏检测,仍是光纤测温系统在未来发展中面临的挑战。

1.1.2 红外热成像法

红外热成像法[13]是利用红外探测器和光学成像物镜,接收被测目标的红外辐射能量分布图形,并反映在红外探测器的光敏元件上,从而获得红外热像图,可用于检测管线上的介质热辐射变化。当发生泄漏时,管道内泄漏的高温热水会向四周辐射出热量,设置的红外线探测装置会持续进行监测,一旦发现能量异常便会马上报警。目前较先进的技术是无人机智能热网成像巡检技术,其利用无人机快速移动平台,搭载双光(红外和可见光)热成像设备、网络图传设备、识别诊断系统和专家分析系统,实现管网温度场实时监测,其工作原理如图3所示[7]。该方法能够在短时间内覆盖大面积区域,及时发现热力不平衡,减少人工巡检的劳动强度和安全风险。

在利用红外热成像技术获取管道表面温度分布后,为了更准确地识别泄漏点,需要对热成像图片进行增强和去噪处理,以提升图像质量和检测精度。近年来,红外图像预处理方法逐渐由单一滤波向多尺度分解、边缘保持滤波和深度学习辅助增强方向发展。Yang等[14]提出基于改进小波阈值和加权引导滤波的红外图像增强算法,通过小波分解、高频去噪和低频细节增强,提高了红外图像的对比度与清晰度。Jia等[15]对中值滤波、高斯滤波、双边滤波和非局部均值滤波等红外图像去噪增强方法进行了比较,其中双边滤波在抑制噪声的同时能够较好保留边缘信息。这些方法均可应用于热成像图像的预处理,以提升管道泄漏点检测的准确度。

实现管道泄漏检测准确度显著提升,需将红外热成像技术与人工智能和算法相结合,构建智能化的识别系统。Guan等[16]提出了一种基于红外热成像与计算机视觉的自动故障诊断算法,通过图像分割与温度、管径、缺陷分析相结合,实现了对管道泄漏与保温层损伤的精准识别,在实际建筑中验证准确率达92.74%。更进一步,陈秋艳等[17]通过水循环管道泄漏实验获取多工况红外热图像,并基于YOLOv4模型实现单漏点与多漏点的自动识别,提升了红外热成像在复杂泄漏场景下的检测能力。Shi等[18]提出了一种改进的融合全维动态卷积、压缩激励注意力机制和归一化高斯瓦瑟斯坦距离的YOLO目标检测网络(omni-dimensional dynamic convolution, squeeze-and-excitation, and normalized Gaussian Wasserstein distance-you only look once, ODSW-YOLO),通过引入全维动态卷积、SE注意力机制和归一化高斯Wasserstein距离,提升了红外热成像下气动系统管道泄漏点的定位能力,检测精度从基准模型的0.677提升至0.755。这进一步表明“红外成像+AI算法”在高精度泄漏定位中的有效性。

1.1.3 声波检测法

基于声波法的管道泄漏检测技术因其灵敏度高、定位精度高、可长期使用等优势近年来成为研究热点。声波法可分为主动声波检测法和被动声波检测法。主动声波检测法是主动向管道内发射一个特定的声波或超声波信号,然后分析回波信号的变化来判断管道内是否存在异常;被动声波检测法则不主动发射任何信号,而是通过高灵敏度的声学传感器来捕捉管道泄漏时自身产生的特定声音信号,进而判断泄漏是否存在并定位漏点。二者中应用较广泛的是被动声波检测法,被动声波检测法中最经典的是声发射检测法,其信号采集原理如图4所示[19]。声波法同样需要与机器学习模型进行深度融合,何立新等[20]通过比较支持向量机(support vector machine,SVM)、随机森林、梯度提升决策树(gradient boosting decision tree,GBDT)、极限梯度提升(extreme gradient boosting,XGBoost)和BP神经网络(back propagation neural network)5种机器学习模型,结合梅尔频率倒谱系数特征对供水管网漏损声信号进行识别,并在实验与真实场景中验证了方法的有效性,其中SVM展现出最优泛化能力,为基于声学的漏损检测提供了有效技术路径。

基于声波法的管道泄漏检测技术,中外学者关注的方向主要为泄漏声波产生机理、声波传播与衰减特性及泄漏声波信号处理方法。其中,对于声波检测信号,如何选择有效的滤波降噪方法,是该方法的研究重点,将在本文第三部分着重介绍信号处理方法。为研究供水管道泄漏声波机理,Yang等[21]通过大涡模拟与计算流体动力学方法,系统揭示了供水管道泄漏振动信号的产生机理,将泄漏流场演化划分为形成、不稳定与稳定3个阶段,并识别出脉动流速、脉动压力、气泡破裂、空腔脉动、涡激振动与气体膨胀等6类声波激励源,阐明了其相互耦合关系及随管道压力与泄漏孔径的变化规律。对于埋地非金属管道,Scussel等[22]采用波动态刚度方法指出泄漏噪声主要以流体主导的轴对称波形式传播,其中管壁环向刚度、土体剪切刚度及管土界面连接状态是影响泄漏声波传播的重要因素。对于供热管道,郭帅杰等[23]发现泄漏声波能量集中于高频段;孙少杰等[24]采用次声波法,通过仿真与实验研究,确定了供热管道泄漏声源以偶极子为主、中心频率为1 Hz,并揭示了泄漏声压幅值随孔径和管内压力增大而增大的规律。对于输气管道泄漏声波传播机理,陈一鸣等[25]通过数值模拟研究,基于声比拟理论,揭示了埋地输气管道泄漏声场主要由偶极子和四极子声源构成,并量化了管道内压对泄漏声波强度的主导影响。

1.2 侵入式检测法

1.2.1 负压波检测法

当管道某处突然发生泄漏时,泄漏点处将产生瞬时压降,从而产生负压波。通过布置于管道两端的传感器计算压力信号和时间差的变化,确定泄漏点位置,其原理如图5所示[7]。

为了提高负压波检测法的灵敏识别与精确定位,学者对其进行优化。Yan等[26]利用时间卷积网络深度学习方法,直接从负压波序列中提取深层时序特征,实现对复杂单点与多点泄漏位置的高精度预测。周杰[27]利用累积和(cumulative sum,CUSUM)基于累积偏差的敏感检测策略,能够更有效识别微小压力突变,从而提升弱泄漏工况下的定位可靠性。Liu等[28]提出一种基于多传感器压力波联合分析的泄漏检测方法,通过融合多点压力信号的传播时间与波形特征,提高了复杂工况下泄漏识别与定位的稳定性。在此基础上,陈斌等[29]引入小波分析对瞬态负压波信号进行去噪与特征提取,并结合改进的AlexNet卷积神经网络捕捉双端压力信号的微小变化,显著提升了整体检测与定位精度。

然而,负压波方法在面对复杂噪声、缓慢泄漏以及多点并发泄漏等复杂工况时,其识别能力与工况分辨能力仍显不足,亟须引入更为先进的智能分析方法。为此,李建刚等[30]提出将小波去噪与卷积神经网络相结合,通过对原始信号进行降噪处理,使深度模型能够更准确地捕捉关键泄漏特征,显著提升对泄漏工况的识别能力,并辅以改进的负压波定位算法,实现更高精度的泄漏点定位;同年,其团队又采用小波包分解提取多尺度能量特征,结合粒子群优化算法(particle swarm optimization,PSO)对最小二乘支持向量机进行参数寻优,从而实现对正常、泄漏与调阀工况的高精度判别,进一步引入登姆普斯特-谢弗(Dempster-Shafer,D-S)证据理论,融合多个传感器的诊断结果,有效降低识别过程中的不确定性,提升泄漏定位的稳定性与系统整体的可靠性[31]。

1.2.2 管道机器人诊断法

管道机器人诊断法是一种将机器人技术、遥感技术以及自动控制等技术相结合的技术结晶,机器人车体搭载高清摄像机、红外热成像仪双视云台、定位装置系统及温湿度传感器,在工作人员操控下对待检查设备进行故障诊断[7]。该方法替代传统的人工巡检,规避运维人员安全风险,为管沟、管廊敷设的管道提供高效的巡检手段。但机器人的可靠性和续航能力是关键挑战,在长距离管道中,供电和信号传输稳定性等是目前面临的问题。

早在2001年,美国卡内基梅隆大学机器人技术学院的HagenSchempf博士和纽约煤气集团公司的Daphne D'Zurko在美国国家航空和宇宙航行局的资助下,研究开发了长距离、无缆式的管道检测机器人系统——SXPLORER,专门用于检测地下煤气管道的状况[32]。在此之后,不少学者对其进行了研究。马云宾等[33]系统综述了油气管道机器人的研究进展,涵盖管道内(被动式、主动式)与管道外机器人的多种运动结构,分析了其在管道缺陷诊断与检测中的性能与挑战,并指出实现多参数融合是提升管道安全检测能力的关键发展方向。

在众多针对管道机器人的优化研究中,学者从结构、驱动、通信到感知与决策等多个层面进行了深入探索,旨在提升机器人在复杂管道环境中的适应性与智能水平。Xu等[34]提出一种柔性模块化仿蠕虫管道机器人,通过柔性驱动与模块化结构设计提高了机器人对不同管径和复杂场景的适应能力;马英涵等[35]利用响应面法优化了流体驱动式机器人的外形以显著降低行进阻力;Eltwab等[36]构建了集成视觉、超声与气体检测功能的多传感器模块化管道机器人,并结合无线数据传输实现复杂管道环境下的实时监测与自主巡检。这些研究推动了管道机器人向结构可变形、驱动高效化与控制远程化发展。而面对在未知或动态变化的管道中实现精准、自主导航这一核心挑战,Jang等[37]进一步提出了基于接触传感器模块的自主导航方法,使机器人能够主动感知弯头方向并实现实时三维映射,标志着管道机器人的研究正从依赖外部控制的智能化,向具备环境感知与自主决策能力的更高层级演进。与此同时,Liu等[38]提出的基于张拉整体结构的尺蠖式管道机器人,不仅具备径向与轴向的双重形变能力,能够适应100~180 mm的管径,还在无需外部供气的情况下实现了全无缆爬行,进一步拓展了机器人在垂直管道与弯管中的移动性能,体现了结构仿生与智能驱动相结合的研究趋势。

1.2.3 智能小球法

智能小球法是一种将一个或多个小型、自容式的检测装置(俗称“智能球”)投入运行的管道中。小球依靠输送介质的流动在管道内运动,最终在末端被回收。目前,智能小球等自由漂浮式检测系统已能够在不停输条件下完成长距离管道在线巡检,并广泛应用于供水、输油及供热主干管线[39]。智能小球内部集成了传感器,通过检测管道运行参数的变化来推断泄漏,主要技术如下。

(1)声学/振动法:与相关仪类似,但传感器在管内。小球记录泄漏噪声,通过分析噪声强度并结合自身的定位系统来确定泄漏点。

(2)压力波法:泄漏发生时,泄漏点会产生一个负压波,这个压力波会向管道上下游传播。安装在球上的高精度压力传感器可以捕捉到这个压力波信号,结合球的位置信息进行定位。

(3)磁通法等:如果是检测油管,泄漏的油品会改变管道周围的磁场,小球可以通过检测磁场异常来发现泄漏。

现有研究表明,基于声学原理的管道泄漏检测方法与人工智能技术正呈现深度融合的趋势。其中,智能小球法作为该趋势的代表性成果,目前主要集中于大口径的供水与输油主干管线以及供热管道[40]。面向未来,该技术的研究仍面临一系列关键挑战,需在传感器性能、运动控制及数据分析算法等方面寻求突破[41]。

2 基于仿真建模的泄漏检测方法

在管道泄漏检测的多种技术路径中,基于仿真建模的方法因其能够从本质机理上复现管网系统的动态运行特性,长期以来被视为实现精准定位与定量分析的核心技术路线。该方法的核心在于构建与真实管网高度契合的仿真模型,通过集成流体力学、热力学以及管网拓扑结构等先验知识,建立以流体运动方程(如能量方程、连续性方程)为基础的精确机理模型。在理想状态下,该模型能够实时模拟无泄漏工况下的压力、流量等关键参数,并通过与现场实测数据进行持续比对,一旦发现显著偏差,即可判定泄漏发生,并依据偏差的时空分布特征反演计算出泄漏点位置与泄漏量。其技术路线可分为四个阶段:第一阶段为构建高精度的管网机理模型;第二阶段为实时数据同化与模型动态校准;第三阶段为泄漏检测、定位与定量;第四阶段为诊断反馈与模型自学习。此外,要捕捉泄漏引发的微小波动,必须建立精细模型,并将其与数据采集与监控(supervisory control and data acquisition,SCADA)系统紧密结合,实现从静态模拟到动态分析的转变。

中国学者在基于仿真建模的管道泄漏检测领域取得了一系列进展。宋进舟等[42]提出了基于Brunone瞬变流模型与SCADA系统融合的管道泄漏监测方法,通过引入非稳态摩阻项改进传统仿真模型,并结合SCADA实时数据动态修正模型参数,实现了对泄漏引发压力波动更精确的模拟与快速定位。王冬梅等[43]构建了基于算术优化算法优化支持向量机的数字孪生管道识别模型,通过Ansys建立三维降阶模型,实现了泄漏工况的动态可视化识别,分类准确率达90.5%。Wang等[44]基于EPANET软件建立了供水管网水力仿真模型,该模型通过模拟不同泄漏位置与程度下的压力变化,利用压力变化率实现泄漏点快速定位,最终在案例中成功识别泄漏区域,定位精度显著,为中小型管网泄漏控制提供了低成本、实用的技术支撑。进一步地,Garg等[45]结合实验与CFD仿真研究了不同泄漏形状和孔径条件下的气体管道流场特性,分析了泄漏工况下压力与速度分布变化规律,为泄漏位置识别与泄漏特征分析提供了理论依据。

为了从大量的仿真与监测数据中提炼出更深层次、更鲁棒的泄漏模式,研究重心逐渐转向了数据驱动的分析方法。在此背景下,融合了机器学习与优化算法的智能诊断技术应运而生,它们通过强大的非线性拟合、特征学习和全局寻优能力,能够高效处理仿真数据,精准识别泄漏状态并定位泄漏点。蒋白懿等[46]提出基于Node2Vec与深度信念网络的时空联合检测模型,分区识别漏损,正确率均超80%;赵林硕等[47]采用连续小波变换结合卷积神经网络,对振动信号时频图进行分类,平均准确率达97.3%;谭震等[48]构建多尺度一维卷积网络,对泄漏位置、泄漏量及非恒定摩阻系数的识别准确率分别达99.96%、98.48%与100%,抗噪性能优异;彭燕莉等[49]基于PSO-GA混合算法与EPANET水力仿真,实现漏损位置与漏损量的同步预测,在单点及多点漏损工况下平均绝对百分比误差分别低于3%与5.22%;王彤等[50]则利用PSO优化最小二乘支持向量机参数,构建时序预测模型,通过残差分析实现漏失区域的有效识别与定位。

管道泄漏检测方法的优缺点对比如表1所示。

3 信号识别方法

管道泄漏检测方法尽管形式多样,但其核心都离不开对关键物理信号的精准识别与分析。常用的物理信号包括流量信号、压力信号以及声信号。其中基于声信号的检测技术较为广泛,故以下信号识别方法介绍以声信号为主。原始信号往往淹没在复杂的背景噪声和管道系统的固有振动中,其本身并不能直接给出“是否泄漏”的明确判断。因此,如何从这些看似杂乱无章的原始数据中,精准、可靠地提取出表征泄漏的特征,便成了泄漏检测的核心环节。

当前,管道泄漏检测领域的信号处理已形成一个多层次的技术体系:一方面,以傅里叶变换、小波变换、经验模态分解(empirical mode decomposition,EMD)和变分模态分解(variational mode decomposition,VMD)等为核心的基础算法构成了分析方法的主体;另一方面,神经网络(包括深度学习)、GA、PSO、灰狼优化算法及SVM等智能算法,常作为优化器被集成于上述流程中,以自适应地提升其分解精度与特征提取能力。

3.1 常规信号分析法——傅里叶变换与小波变换

早在2009年,Lay-Ekuakille等[51]就基于光谱分析响应技术,将快速傅里叶变换应用于小管径管道泄漏检测,将常规流体瞬态响应变换为频率响应,可捕捉到小瞬态响应。杨红英等[52]基于声波法提出利用短时傅里叶变换方法提取泄漏声信号的频率特征,减少噪声对泄漏检测的影响,并结合分析该频段内的信号幅值来判断管道是否泄漏。但傅里叶变换基函数为有规则正弦函数,适用平稳、周期性信号,而管道泄漏信号为不平稳、无规则波动,泄漏信号特征识别难,故仅通过傅里叶变换无法准确识别泄漏信号特征,易导致泄漏信号特征误判[53]。

与傅里叶变换基函数相比,小波基函数种类多、应用广泛,选择与信号特征相似的小波基函数可准确识别信号特征,故小波变换成为信号识别方法的首要选择。小波变换有连续小波变换与离散小波变换两种。但由于离散小波变换的分解,它存在频率混叠和频移可变的缺点,为解决此问题,Ma等[54]提出一种结合小波去噪与LSTM-Transformer的油气管道泄漏检测方法,通过对压力信号进行小波降噪和时序特征提取,实现了泄漏信号的高精度识别与定位,实验结果表明其泄漏预测准确率达到99.995%,定位误差小于2.5%。

小波去噪主要有3种方法:模极大值去噪法、相关性去噪法以及阈值去噪法,其中阈值去噪法最常用。为提高小波阈值法降噪效果,需改进阈值函数。具有代表性的改进阈值函数包括半软阈值函数、Garrote阈值函数、双曲线阈值函数以及其他改进阈值函数等。这些方法多介于软硬阈值函数之间,弥补了常规阈值函数的不足,推进了小波阈值降噪的应用。Liu等[55]针对管道次声泄漏信号易受背景噪声干扰的问题,构建了连续且高阶可导的改进小波阈值函数,提升了低信噪比泄漏信号的降噪效果;Wang等[56]提出北方苍鹰优化算法-变分模态分解(northern goshawk optimization-variational mode decomposition,NGO-VMD)与改进小波阈值相结合的声发射信号降噪方法,利用优化VMD 分解信号并对高频分量进行小波阈值处理,提高了供水管网泄漏信号的信噪比和识别准确率;Xu等[57]则提出了一种基于改进小波阈值函数的噪声还原算法,结合声波法处理埋地供热管道泄漏信号,有效提取泄漏特征并克服了传统阈值函数的缺陷,在不同工况下均实现了低于3.5%的高精度泄漏定位。

3.2 自适应信号分析法——EMD与VMD

为更好地分析非平稳、非线性信号,20世纪90年代末,Huang等[58]提出了一种基于信号时频分析的方法——EMD。与小波分析法相比较,该方法无需确定基函数,根据信号自身特征自适应地分解信号,在非线性、非平稳信号的分析处理中具有显著优势。但EMD算法本身缺少完整的数学理论基础,在实际计算中存在模态混叠、端点效应、停止迭代条件难以判定、抗噪性差等问题。

Dragomiretskiy 等[59]2014年提出了VMD,能有效消除EMD分解过程中产生的模式混叠现象,且具备比EMD更强的噪声稳健性以及更弱的端点效应。VMD算法预设参数分解层数和惩罚因子的设置是 VMD分解性能的关键。

齐卫雪等[60]提出了一种结合VMD与双向门控循环单元的方法,通过处理负压波信号以抑制高频噪声并挖掘时序特征,实现了对供热管道泄漏的检测与定位,误差控制在200 m内。史宝军等[61]提出了一种结合冠豪猪优化算法与VMD及多特征提取的方法,通过处理气体管道泄漏声波信号以自适应优化分解参数并融合多维特征,实现了对不同泄漏孔径的精确检测与分类。实验结果表明,该方法对3种泄漏孔径的分类准确率达到94.20%。

针对EMD和VMD所存在的问题,Lang等[62]通过处理次声波信号并利用完全集成经验模式分解与模态分量分层重构,实现了对管道多点泄漏的精确检测,较传统方法提升了20.26%;Liu等[63]提出了一种基于增强小波包优化集合平均经验模态分解(ensemble empirical mode decomposition,EEMD)的光谱去噪方法,该方法利用EEMD对红外光谱信号进行分解以识别并分离含噪声的模态分量,再通过灰狼算法优化小波包阈值进行去噪,显著提高了烃类气体光谱定量分析的准确性。

尽管小波、EMD、VMD等信号处理技术能有效揭示泄漏信号的时频特征,但其性能始终受限于对物理机理的深刻理解与繁复的人工参数调整。针对信号预处理中的自适应性问题,杨亚龙[64]提出了自适应PF选择策略,与局部平均分解/集成局部平均分解方法结合,实现了对强噪声泄漏信号的智能重构与增强。面对最终分类任务对自动化与高精度的要求,杨智伦等[65]则通过引入卷积注意力模块(convolutional block attention module, CBAM)注意力机制改进ShuffleNet V2,证明了深度学习在特征学习与分类上的巨大潜力。

4 泄漏定位方法

管道泄漏源的精确定位是泄漏防控工作的核心目标,其精度直接关系到能否及时处置泄漏故障,从而避免重大安全事故的发生并有效控制经济损失。目前管道泄漏检测的定位方法根据检测原理不同,可分为4种:基于时延估计的泄漏定位方法(time difference of arrival,TDOA)、基于声波衰减的泄漏定位方法、基于特征参数的管道泄漏定位方法、基于信息融合的管道泄漏定位方法[66],其中最常用的定位方法还是基于时延估计的泄漏定位方法。

TDOA技术的泄漏定位原理是利用泄漏信号到达不同采集点的时间差估计泄漏点位,其定位原理如图6所示。

在泄漏管道外壁上安装传感器A和B,可捕捉到某个泄漏信号传递到A和B的时间差Δt = tA-tB,再根据式(1)[67]可得泄漏点与传感器A之间的距离X。

$\mathit{X}=\frac{\mathit{L}+\mathrm{\Delta }\mathit{t}\mathit{v}}{2}$

式(1)中:L为传感器A与传感器B之间的距离,m;v为声波传播速度,m/s。

在定位计算中,关键环节在于准确获取泄漏信号到达不同传感器的时间差,即时间延迟估计。时间延迟估计算法主要有自适应滤波、基于互相关和高阶统计量的时延估计、基于分数低阶统计量的时延估计、基于相关熵的时延估计、压缩感知时延估计以及采用多重信号分类算法、基于旋转不变技术的信号参数估计算法和加权傅里叶变换与松弛算法等[70]。其中互相关法作为时延估计中的经典算法,通过分析两路信号互相关函数的峰值位置,实现对时间延迟的可靠估计。

近年来,VMD与EEMD被广泛使用,不少学者将其结合互相关时延估计方法提升定位精度。Liu等[68]提出基于EMD-CC的供水管道泄漏定位方法,通过EMD分解提取有效泄漏信号,并结合互相关分析进行时延估计,提高了强噪声环境下的定位稳定性。沈海荣[69]采用EEMD与互相关时延估计的组合方法,先对泄漏信号进行降噪,再利用时延估计定位泄漏点,所有测点相对误差均控制在0.5%以内。施亮等[70]则引入VMD与希尔伯特变换相结合的降噪定位方法,通过VMD分解泄漏信号并重构有效成分,结合互相关时延估计实现定位,其最大与最小相对误差分别为9.24%和0.18%。上述方法均在不同类型管道与多工况下验证了工程适用性。

尽管基于时延估计的方法在管道泄漏定位研究中取得了较好效果,但在缓慢发展的微小泄漏场景下,泄漏信号往往信噪比较低,易导致时延识别困难和定位精度下降。为克服传统时延模型的局限,研究人员逐渐探索基于数据驱动与物理模型融合的新方法。Zhang等[71]提出一种基于注意力机制与长短期记忆网络的实时泄漏检测定位方法,通过对多传感器压力时序数据进行权重分配和特征学习,实现了城市燃气管网泄漏位置的自动识别,提高了复杂管网场景下检测结果的可解释性与鲁棒性。Yang等[72]针对供热管网泄漏定位问题,构建了融合水力仿真与机器学习的定位框架,并通过优化泄漏样本生成和评价方式,提高了复杂供热管网中的定位效率与精度。上述研究表明,数据驱动模型与物理机理相结合,可有效提升微小泄漏和复杂管网场景下的泄漏定位可靠性。

5 结论与展望

管道泄漏检测是保障油气输送、市政供水供热、化工管网及长距离输送系统安全运行的关键技术环节。对现有管道泄漏检测方法进行了系统梳理与分类,并对各类方法的优缺点进行了对比分析。在此基础上发现,现有方法已由单一物理量监测扩展到多传感器综合应用,由经验阈值判断向智能诊断模型过渡。当前相关研究多集中于油气长输管道,相关检测方法和传感技术发展较为充分,但在微小泄漏识别、长距离信号衰减抑制及应对复杂工况与跨场景迁移等方面仍存在不足。相比之下,市政供水和供热管网具有拓扑结构复杂、运行工况波动频繁、泄漏形式隐蔽等特点,相关研究、标准化数据积累及工程化验证仍有待加强。因此,未来应在持续深化油气管道泄漏检测关键问题研究的同时,进一步拓展供水、供热等城市管网场景下的检测方法与工程应用研究。结论与展望如下。

(1)深化泄漏机理与多物理场耦合机制研究,是提升检测精度的理论基础。管道泄漏过程并非单一压力或声学信号变化,而是涉及管内流体扰动、泄漏孔口射流、管壁振动、声波传播、介质扩散以及外部环境耦合等多种物理过程。对于油气管道而言,高压输送、多相流、管壁腐蚀、地形起伏和埋地条件会显著影响泄漏信号的产生和传播;对于供水和供热管网,管网分支、用户端用量波动、阀门频繁调节以及温度变化等因素也会增加泄漏识别难度。现有部分检测模型仍依赖经验特征或理想边界条件,对复杂实际工况考虑不足。未来应加强流体力学、固体力学、声学、热学与数据科学的交叉融合,建立多物理场模型,为特征提取、传感器布设和定位算法设计提供理论支撑。

(2)微小泄漏和早期泄漏识别仍是管道泄漏检测领域的核心难点。与突发性大泄漏相比,微小泄漏产生的压力扰动、声波信号和流量变化幅值较低,持续时间长,信噪比低,容易被正常运行波动和环境噪声淹没。在油气长输管道中,微小泄漏信号经过长距离传播后会发生明显衰减和畸变,导致泄漏点定位误差增大;在供水和供热管网中,微小泄漏可能长期隐藏于地下或建筑物内部,表现为缓慢渗漏、局部压力异常或热损失,早期发现难度更高。未来应重点研究微小泄漏的压力、声波、振动、温度和流量等多维信号演化规律,发展高灵敏度传感、弱信号增强与自适应降噪技术,推动泄漏检测由事后报警向早期识别与风险预判转变。

(3)面向复杂工况的自适应检测与定位算法是工程应用的关键方向。管道系统运行状态具有明显的动态性和不确定性,流速、压力、温度、介质性质、阀门状态、管网拓扑和边界条件变化都会导致泄漏特征分布发生变化。传统阈值法和单一模型往往只适用于特定工况,在跨管段、跨介质、跨季节和跨管网应用时泛化能力不足。尤其对于油气管道,复杂地形、压力波动、站场扰动和长距离传输会降低模型稳定性;对于供水和供热管网,用户端负荷变化和分支管网耦合会使泄漏信号更加复杂。未来应发展机理与数据融合的智能算法,攻克小样本、低信噪比等条件下的泄漏识别难题,提升模型的跨场景适应能力。

(4)构建多源信息融合的综合诊断体系,是提升泄漏检测可靠性的必然趋势。复杂工况下的泄漏信号往往具有弱特征、强噪声和多因素耦合等特点,单一检测方法难以兼顾灵敏度、定位精度和工程适用性。未来应推动声波、压力、流量、光纤振动等多源数据融合,实现泄漏状态的交叉验证与综合诊断。该方向的关键难点在于多源异构数据的时间同步、空间配准、传感器优化布设及融合决策机制构建。通过多源信息融合,进一步提升泄漏检测的准确性、鲁棒性和工程可靠性。

(5)标准化数据集与工程验证体系仍需进一步完善。管道泄漏具有低频、高风险和现场试验成本高等特点,真实泄漏样本获取困难,公开数据集和可复现实验平台仍不完善,尤其是供水、供热管网的长期监测数据与标准化标注样本相对不足,制约了智能检测模型的训练、对比评价和工程应用验证。未来应建立覆盖油气、供水、供热及化工管网等不同场景的标准化试验平台和数据库,并综合考虑管材、管径、介质、压力等级、泄漏孔径、埋设环境及噪声条件等因素。同时,应构建包含检测率、误报率、漏报率、定位误差、响应时间、最小可检泄漏量、鲁棒性和运行成本等指标的综合评价体系,以提高不同检测方法和智能模型之间的可比性与工程适用性。

参考文献

[1]

蔡昌新, 易康, 廖锐全. 长输油管道泄漏检测与定位技术研究进展[J]. 科学技术与工程, 2023, 23(24): 10177-10189.

[2]

Cai Changxin, Yi Kang, Liao Ruiquan. Research progress of leak detection and localization technology for long-distance oil pipelines[J]. Science Technology and Engineering, 2023, 23(24): 10177-10189.

[3]

王大治, 张传伟, 张敬香. 石油天然气长输管道的泄漏原因及检测方法探析[J]. 中国化工贸易, 2025(25): 121-123.

[4]

Wang Dazhi, Zhang Chuanwei, Zhang Jingxiang. Analysis of leakage causes and detection methods for long-distance oil and gas pipelines[J]. China Chemical Trade, 2025(25): 121-123.

[5]

白烨, 张云鹏, 彭烁, 等. 管道泄漏检测技术与安全评估的研究进展[J]. 无损检测, 2025, 47(2): 59-67.

[6]

Bai Ye, Zhang Yunpeng, Peng Shuo, et al. Research progress in pipeline leak detection technology and safety assessment[J]. Nondestructive Testing, 2025, 47(2): 59-67.

[7]

高琳, 曹建国. 管道泄漏检测方法研究综述[J]. 现代制造工程, 2022(2): 154-162.

[8]

Gao Lin, Cao Jianguo. A review of pipeline leak detection methods[J]. Modern Manufacturing Engineering, 2022(2): 154-162.

[9]

Sekhavati J, Hashemabadi S H, Soroush M. Computational methods for pipeline leakage detection and localization: a review and comparative study[J]. Journal of Loss Prevention in the Process Industries, 2022, 77: 104771.

[10]

Islam M R, Azam S, Shanmugam B, et al. A review on current technologies and future direction of water leakage detection in water distribution network[J]. IEEE Access, 2022, 10: 107177-107201.

[11]

赵泽生, 袁宏永. 城市供热安全工程[M]. 北京: 中国建筑工业出版社, 2025.

[12]

Zhao Zesheng, Yuan Hongyong. Urban heating safety engineering[M]. Beijing: China Architecture and Building Press, 2025.

[13]

赵亚丽. 基于ϕ-OTDR的分布式光纤管道泄漏监测系统研究[J]. 机电信息, 2022(5): 34-36.

[14]

Zhao Yali. Research on distributed optical fiber pipeline leak monitoring system based on ϕ-OTDR[J]. Mechanical and Electrical Information, 2022(5): 34-36.

[15]

Zhan Y G, Liu L R, Wang Z Y, et al. Pipeline leakage identification method based on DPR-net and distributed optical fiber acoustic sensing technology[J]. Optics Communications, 2025, 574: 131096.

[16]

毕灵月, 王强, 巫宇航. 基于自适应方差阈值算法的DTS合成气管道漏损检测与定位[J]. 科学技术与工程, 2025, 25(12): 5037-5044.

[17]

Bi Lingyue, Wang Qiang, Wu Yuhang. DTS-based leak detection and localization in syngas pipelines using an adaptive variance threshold algorithm[J]. Science Technology and Engineering, 2025, 25(12): 5037-5044.

[18]

Gan W B, Zhang Y J, Jia S K, et al. UWFBG array vibration sensing technology for gas pipeline leakage detection and location[J]. Optics Communications, 2024, 560: 130414.

[19]

Li H J, Zhu H H, Tan D Y, et al. Detecting pipeline leakage using active distributed temperature sensing: theoretical modeling and experimental verification[J]. Tunnelling and Underground Space Technology, 2023, 135: 105065.

[20]

Vollmer E, Ruck J, Volk R, et al. Detecting district heating leaks in thermal imagery: comparison of anomaly detection methods[J]. Automation in Construction, 2024, 168: 105709.

[21]

Yang H T, Tong Y N, Cao Z Q, et al. Infrared image enhancement algorithm based on improved wavelet threshold function and weighted guided filtering[J]. Journal of Physics: Conference Series, 2023, 2525(1): 012017.

[22]

Jia H L, Feng Y, Qi W J. Research on infrared image denoising and enhancement algorithm[C]//7th International Conference on Artificial Intelligence and Pattern Recognition. New York: Association for Computing Machinery, 2025: 466-471.

[23]

Guan H, Xiao T, Luo W, et al. Automatic fault diagnosis algorithm for hot water pipes based on infrared thermal images[J]. Building and Environment, 2022, 218: 109111.

[24]

陈秋艳, 张新燕, 贺敏, 等. 基于深度学习的管道热图像泄漏识别[J]. 红外技术, 2024, 46(5): 522-531.

[25]

Chen Qiuyan, Zhang Xinyan, He Min, et al. Leakage identification in pipeline thermal images based on deep learning[J]. Infrared Technology, 2024, 46(5): 522-531.

[26]

Shi Y, Chang J Q, Li L, et al. Improved object detection network for pipeline leakage localization in the pneumatic system based on thermal images[J]. Measurement: Journal of the International Measurement Confederation, 2025, 242: 116225.

[27]

谢陈龙. 基于声发射信号的供水管网泄漏识别技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2024.

[28]

Xie Chenlong. Research on leak identification technology in water supply networks based on acoustic emission signals[D]. Harbin: Harbin Institute of Technology, 2024.

[29]

何立新, 张宏洋, 张峥, 等. 基于梅尔频率倒谱系数特征识别供水管网漏损的机器学习模型比较研究[J]. 给水排水, 2024, 60(8): 137-143.

[30]

He Lixin, Zhang Hongyang, Zhang Zheng, et al. Comparative study of machine learning models for water supply network leakage identification based on Mel-frequency cepstral coefficients[J]. Water and Wastewater Engineering, 2024, 60(8): 137-143.

[31]

Yang X, Fang H Y, Yu X, et al. Study on the mechanism of vibration signal generation in water supply pipeline leaks[J]. Measurement, 2024, 229: 114415.

[32]

Scussel O, Michael J B, Jennifer M M, et al. An investigation into the physical mechanisms of leak noise propagation in buried plastic water pipes: a wave dynamic stiffness approach[J]. Acoustics, 2024, 6(1): 157-176.

[33]

郭帅杰, 张立申, 李成, 等. 声波法直埋热水供热管道泄漏检测定位[J]. 科学技术与工程, 2023, 23(11): 4765-4772.

[34]

Guo Shuaijie, Zhang Lishen, Li Cheng, et al. Leak detection and localization in directly buried hot-water heating pipelines using acoustic method[J]. Science Technology and Engineering, 2023, 23(11): 4765-4772.

[35]

孙少杰, 乔磊, 李勇, 等. 供热管道泄漏声源特性仿真及实验[J]. 机电工程技术, 2023, 52(7): 111-114.

[36]

Sun Shaojie, Qiao Lei, Li Yong, et al. Simulation and experiment on acoustic source characteristics of heating pipeline leakage[J]. Mechanical and Electrical Engineering Technology, 2023, 52(7): 111-114.

[37]

陈一鸣, 王博, 刘宏达, 等. 基于声比拟法的埋地输气管道泄漏数值模拟[J]. 西安石油大学学报(自然科学版), 2023, 38(5): 85-91.

[38]

Chen Yiming, Wang Bo, Liu Hongda, et al. Numerical simulation of leakage in buried gas transmission pipelines based on acoustic analogy method[J]. Journal of Xi'an Shiyou University (Natural Science Edition), 2023, 38(5): 85-91.

[39]

Yan D, Wang G, Wang J J, et al. Pipeline multi-point leakage identification based on temporal convolutional network[J]. Flow Measurement and Instrumentation, 2025, 106: 102992.

[40]

周杰. 基于CUSUM 算法的负压波管道无损检测方法[J]. 科技创新与生产力, 2024, 45(3): 105-107.

[41]

Zhou Jie. Nondestructive testing method for pipelines based on CUSUM algorithm using negative pressure wave[J]. Science and Technology Innovation and Productivity, 2024, 45(3): 105-107.

[42]

Liu W, Fu Q, Gao H. Pipeline leak detection and localization based on the flow balance and negative pressure wave methods[J]. AIP Advances, 2024, 14(11): 115203.

[43]

陈斌, 韩旭彤, 王琳泉, 等.一种基于AlexNet卷积神经网络的供暖管道泄漏检测方法: 202310222531[P]. 2023-07-14.

[44]

Chen Bin, Han Xutong, Wang Linquan, et al. A heating pipeline leak detection method based on AlexNet convolutional neural network: 202310222531[P]. 2023-07-14.

[45]

李建刚, 齐卫雪, 王晶晶, 等.一种供热管网泄漏识别及定位方法: 202310916827[P]. 2023-11-10.

[46]

Li Jiangang, Qi Weixue, Wang Jingjing, et al. A method for leak identification and localization in heating pipeline networks: 202310916827[P]. 2023-11-10.

[47]

李建刚, 石光辉, 姬克丹, 等.一种基于D-S证据的供热管网泄漏识别及定位方法: 202310916425[P]. 2023-09-29.

[48]

Li Jiangang, Shi Guanghui, Ji Kedan, et al. A method for leak identification and localization in heating pipeline networks based on D-S evidence theory: 202310916425[P]. 2023-09-29.

[49]

Vradis G C, Schempf H. Design, construction and field demonstration of explorer: a long-range untethered live gasline inspection robot system: 815463[R]. United States: U.S. Department of Energy, 2002.

[50]

马云宾, 尚祖跃, 郑杰, 等. 油气管道机器人研究进展[J]. 科学技术与工程, 2025, 25(8): 3089-3101.

[51]

Ma Yunbin, Shang Zuyue, Zheng Jie, et al. Research progress of oil and gas pipeline robots[J]. Science Technology and Engineering, 2025, 25(8): 3089-3101.

[52]

Xu Y N, Yu Z P, Cui G M, et al. A flexible modular worm-inspired robot for multi-scenario explorations in pipeline[J]. Cell Reports Physical Science, 2026, 7(1): 103038.

[53]

马英涵, 赵弘, 余家昊, 等. 一种流体驱动式管道检测机器人的结构设计与优化[J]. 重庆理工大学学报(自然科学), 2023, 37(1): 322-329.

[54]

Ma Yinghan, Zhao Hong, Yu Jiahao, et al. Structural design and optimization of a fluid-driven pipeline inspection robot[J]. Journal of Chongqing University of Technology (Natural Science), 2023, 37(1): 322-329.

[55]

Eltwab A A A, Sameh A. A modular, multi-sensor crawler robot for adaptive pipeline inspection: design and experimental validation[J]. Scientific Reports, 2026, 16(1): 880.

[56]

Jang H, Kim T Y, Lee Y C, et al. Autonomous navigation of in-pipe inspection robot using contact sensor modules[J]. IEEE/ASME Transactions on Mechatronics, 2022, 27(6): 1-10.

[57]

Liu Y X, Dai X L, Wang Z, et al. A tensegrity-based inchworm-like robot for crawling in pipes with varying diameters[J]. IEEE Robotics and Automation Letters, 2022, 7(4): 1-8.

[58]

Xylem Inc. SmartBall technology for inline pipeline leak detection[EB/OL].[2026-05-11]. https://prod.xylem.com/en-me/products--services/pipeline-assessment/smartball-inline-free-swimming-inspection-platform/.

[59]

方文君, 王昊, 沈琪璐, 等.基于智能球和声波定位的供热管道泄漏位置检测方法: 202411320208[P]. 2024-10-25.

[60]

Fang Wenjun, Wang Hao, Shen Qilu, et al. Leak location detection method for heating pipelines based on intelligent ball and acoustic localization: 202411320208[P]. 2024-10-25.

[61]

Xu T S, Chen S L, Guo S X, et al. A small leakage detection approach for oil pipeline using an inner spherical ball[J]. Process Safety and Environmental Protection: Transactions of the Institution of Chemical Engineers Part B, 2019, 124: 279-289.

[62]

宋进舟, 吴同, 陈頔, 等. 基于Brunone模型的实时模型法管道泄漏监测技术研究[J]. 天然气与石油, 2025, 43(4): 148-154.

[63]

Song Jinzhou, Wu Tong, Chen Di, et al. Research on real-time model-based pipeline leak monitoring technology using Brunone model[J]. Natural Gas and Oil, 2025, 43(4): 148-154.

[64]

王冬梅, 宋南南, 张丹, 等. 基于AOA-SVM的数字孪生管道泄漏识别模型[J]. 吉林大学学报(信息科学版), 2025, 43(5): 937-943.

[65]

Wang Dongmei, Song Nannan, Zhang Dan, et al. A digital twin-based pipeline leak identification model using AOA-SVM[J]. Journal of Jilin University (Information Science Edition), 2025, 43(5): 937-943.

[66]

Wang J L, Wang H H, Nie L T. Hydraulic simulation of water supply network leakage based on EPANET[J]. Journal of Pipeline Systems Engineering and Practice, 2024, 15(1): 1-9.

[67]

Garg K, Singh S, Rokade M, et al. Experimental and computational fluid dynamic (CFD) simulation of leak shapes and sizes for gas pipeline[J]. Journal of Loss Prevention in the Process Industries, 2023, 84: 105112.

[68]

蒋白懿, 牟天蔚, 李维轲, 等. 基于深度学习框架的时空联合供水管网漏损检测研究[J]. 给水排水, 2024, 60(6): 152-158.

[69]

Jiang Baiyi, Mu Tianwei, Li Weike, et al. Spatiotemporal joint water supply network leakage detection based on a deep learning framework[J]. Water and Wastewater Engineering, 2024, 60(6): 152-158.

[70]

赵林硕, 叶郭煊, 申永刚, 等. 基于时频卷积神经网络的供水管道漏损检测[J]. 中国给水排水, 2023, 39(17): 53-58.

[71]

Zhao Linshuo, Ye Guoxuan, Shen Yonggang, et al. Water supply pipeline leakage detection based on time-frequency convolutional neural network[J]. China Water and Wastewater, 2023, 39(17): 53-58.

[72]

谭震, 郭新蕾, 李甲振, 等. 基于多尺度卷积神经网络的管道泄漏检测模型研究[J]. 水利学报, 2023, 54(2): 220-231.

[73]

Tan Zhen, Guo Xinlei, Li Jiazhen, et al. Research on pipeline leak detection model based on multi-scale convolutional neural network[J]. Journal of Hydraulic Engineering, 2023, 54(2): 220-231.

[74]

彭燕莉, 刘俊红, 陶修斌, 等. 基于PSO-GA模型的供水管网漏损预测研究[J]. 沈阳建筑大学学报(自然科学版), 2025, 41(1): 121-129.

[75]

Peng Yanli, Liu Junhong, Tao Xiubin, et al. Water supply network leakage prediction based on PSO-GA model[J]. Journal of Shenyang Jianzhu University (Natural Science), 2025, 41(1): 121-129.

[76]

王彤, 金赵归, 杨瑞虎, 等. 基于PSO-LSSVM时序预测模型的管网漏失信号识别[J]. 水电能源科学, 2022, 40(2): 132-135, 181.

[77]

Wang Tong, Jin Zhaogui, Yang Ruihu, et al. Pipeline network leakage signal identification based on PSO-LSSVM time series prediction model[J]. Water Resources and Power, 2022, 40(2): 132-135, 181.

[78]

Lay-Ekuakille A, Trotta A, Vendramin G. FFT- based spectral response for smaller pipeline leak detection[C]//2009 IEEE Instrumentation and Measurement Technology Conference. Piscataway: IEEE, 2009: 1642-1646.

[79]

杨红英, 华科, 叶昊, 等. 基于管内声波的输气管道泄漏诊断方法研究[J]. 计算机与应用化学, 2010(8): 1009-1012.

[80]

Yang Hongying, Hua Ke, Ye Hao, et al. Research on leak diagnosis method for gas transmission pipelines based on in-pipe acoustic waves[J]. Computers and Applied Chemistry, 2010(8): 1009-1012.

[81]

高茹霞. 基于改进变分模态分解重构降噪的供热管道泄漏定位研究[D]. 北京: 北京建筑大学, 2024.

[82]

Gao Ruxia. Research on heating pipeline leak localization based on improved variational mode decomposition with reconstruction denoising[D]. Beijing: Beijing University of Civil Engineering and Architecture, 2024.

[83]

Ma Y B, Shang Z Y, Zheng J, et al. Research on leak detection and localization algorithm for oil and gas pipelines using wavelet denoising integrated with long short-term memory (LSTM)-Transformer models[J]. Sensors (Basel, Switzerland), 2025, 25(8): 2411.

[84]

Liu Z M, Tang J C, Li B G, et al. Research on denoising methods for infrasound leakage signals using improved wavelet threshold algorithm[J]. Machines, 2025, 13(11): 1062.

[85]

Wang J H, Zheng C Z, Qiu J, et al. An optimized VMD-wavelet denoising method for leakage detection in water supply networks from acoustic emission signals[J]. International Journal of Pressure Vessels and Piping, 2025, 217: 105535.

[86]

Xu Z Q, Li C, Mu L B, et al. Leakage detection method of underground heating pipeline based on improved wavelet threshold function[J]. Energy, 2024, 295: 131051.

[87]

Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.

[88]

Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544.

[89]

齐卫雪, 姬克丹, 王晶晶, 等. 基于VMD-BiGRU的供热管道泄漏检测与定位[J]. 中国测试, 2025, 41(12): 148-157.

[90]

Qi Weixue, Ji Kedan, Wang Jingjing, et al. Heating pipeline leak detection and localization based on VMD-BiGRU[J]. China Measurement and Testing, 2025, 41(12): 148-157.

[91]

史宝军, 李政鑫, 赖光金, 等.基于CPO-VMD与多特征提取的气体管道泄漏声学检测装置及方法: 202510196722[P]. 2025-05-02.

[92]

Shi Baojun, Li Zhengxin, Lai Guangjin, et al. Acoustic detection device and method for gas pipeline leakage based on CPO-VMD and multi-feature extraction: 202510196722[P]. 2025-05-02.

[93]

Lang X M, Yuan L, Li S Y, et al. Pipeline multipoint leakage detection method based on KKL-MSCNN[J]. IEEE Sensors Journal, 2024, 24(7): 11438-11449.

[94]

Liu G, Chen X, Zhang Y, et al. Spectral denoising approach using enhanced wavelet packet-optimized EEMD algorithm[J]. Vibrational Spectroscopy, 2025, 140: 103844.

[95]

杨亚龙. 供热管道泄漏声信号的自适应降噪方法研究[J]. 区域供热, 2025 (4): 92-100.

[96]

Yang Yalong. Research on adaptive denoising method for heating pipeline leak acoustic signals[J]. District Heating, 2025(4): 92-100.

[97]

杨智伦, 朱铮涛, 陈树雄, 等. 改进CNN的供水管道泄漏声音识别[J]. 国外电子测量技术, 2023, 42(1): 153-158.

[98]

Yang Zhilun, Zhu Zhengtao, Chen Shuxiong, et al. Water supply pipeline leak sound recognition using improved CNN[J]. Foreign Electronic Measurement Technology, 2023, 42(1): 153-158.

[99]

曹智敏, 胡斌, 李志农, 等. 输气管道泄漏声波识别和定位方法研究现状[J]. 无损检测, 2023, 45(3): 49-57.

[100]

Cao Zhimin, Hu Bin, Li Zhinong, et al. Research status of acoustic recognition and localization methods for gas transmission pipeline leakage[J]. Nondestructive Testing, 2023, 45(3): 49-57.

[101]

刘小松, 徐再祥, 单泽彪, 等. 基于二次分数低阶协方差的时延估计方法[J]. 电子测量与仪器学报, 2024, 38(2): 112-119.

[102]

Liu Xiaosong, Xu Zaixiang, Shan Zebiao, et al. Time delay estimation method based on quadratic fractional lower-order covariance[J]. Journal of Electronic Measurement and Instrumentation, 2024, 38(2): 112-119.

[103]

Liu H J, Fang H Y, Yu X, et al. Adaptive leak signal extraction based on EMD-CC for water pipeline leak location[J]. Structures, 2023, 56: 104884.

[104]

沈海荣. 基于EEMD和SDE组合方法的管道泄漏信号定位分析[J]. 山西电子技术, 2025(3): 16-18.

[105]

Shen Hairong. Pipeline leak signal localization analysis based on a combined EEMD and SDE method[J]. Shanxi Electronic Technology, 2025(3): 16-18.

[106]

施亮, 江竹, 谢俊懿. 结合变分模态分解和希尔伯特变换的供水管道泄漏信号降噪方法研究[J]. 中国农村水利水电, 2025(4): 52-57, 64.

[107]

Shi Liang, Jiang Zhu, Xie Junyi. Denoising method for water supply pipeline leakage signals combining variational mode decomposition and Hilbert transform[J]. China Rural Water and Hydropower, 2025(4): 52-57, 64.

[108]

Zhang X Q, Shi J H, Yang M, et al. Real-time pipeline leak detection and localization using an Attention-based LSTM approach[J]. Process Safety and Environmental Protection, 2023, 174: 460-472.

[109]

Yang G, Xing D H, Wang H. Leak localization in district heating networks integrating physical model-based and data driven-based methods: impact of dataset construction on model performance[J]. Energy, 2024, 308: 132839.

基金资助

中央引导地方科技发展资金项目(254Z0101G)

PDF (4031KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉