基于AE-LSTM-TCN的PVC管道漏水检测方法

Water Leakage Detection Method for PVC Pipelines Based on AE-LSTM-TCN

摘要

针对PVC管道漏水检测准确率不高和受外界影响的问题，提出一种可剔除异常数据，准确检测供水管道的漏水检测方法。首先利用自编码器的重构误差作为异常检测的阈值从而剔除异常数据，再经过长短期记忆网络与时间卷积网络改进的并行学习模型，来同步学习管道振动数据的长期依赖特征与局部特征，最后使用模型实现对漏水的检测。通过异常剔除与模型性能对比实验表明，该方法可以剔除异常值，使数据平稳化；相比于其他单一网络模型方法，检测准确率达到0.95，能准确识别漏水。

Abstract

To solve the problems of low accuracy and susceptibility to the influence of the external environment in water leakage detection of PVC pipelines， this paper proposes a water leakage detection method for water supply pipelines that can eliminate outliers and achieve accurate detection. Firstly， the reconstruction error of the autoencoder （AE） is employed as the threshold for anomaly detection to eliminate outliers. Then， a parallel learning model improved by the long short-term memory network （LSTM） and temporal convolutional network （TCN） is adopted to synchronously learn the long-term dependency features and local features of pipeline vibration data. Finally， the model is adopted to realize water leakage detection. By conducting experiments on outlier elimination and model performance comparison， the results show that this method can eliminate outliers and make the data tend to stabilize. Additionally， compared with other single-network model methods， the detection accuracy reaches 0.95， enabling accurate water leakage identification.

Graphical abstract

关键词

自编码器 / 异常值 / 长短期记忆网络 / 时间卷积网络 / 漏水检测

Key words

autoencoder / outlier / long short-term memory network / temporal convolutional network / water leakage detection

供水管道网络是城市基础设施中至关重要的组成部分，直接关系到居民生活、工业生产及城市的正常运行。随着时间的推移，管道的老化、外部损害以及其他因素，常常导致管道出现漏水现象，给城市供水系统带来一系列的挑战。及时发现和修复管道漏水问题，对于推进节水优先方针、减少水资源浪费以及落实城镇节水降损政策，具有至关重要的意义^［1］。

在漏水检测技术发展的早期，人工巡检是最常见的方式。工作人员通过听觉、视觉等感官来检查管道是否存在泄漏问题^［2］，通常依赖对管道的定期巡视或外部视觉观察来做出判断。虽然操作简单，但效率低下，且难以精准检测漏水。随着科技的进步，利用机械探测设备可帮助工作人员更客观地判断漏水情况。虽然机械设备比人工巡检更精确，但仍存在适应性差等问题^［3］。

随着人们对水资源保护的认知加深，漏水检测技术逐渐发展，压力监测技术与红外热成像技术成为漏水检测的主要方法。压力监测方法则通过监测管道内部压力的变化来判断是否发生泄漏^［4］，然而泄漏时压力的突变难以精确捕捉，导致难以及时发现泄漏事件。红外热成像技术通过检测管道表面温度变化来识别漏水^［5］，陈秋艳等^［6］结合红外热成像仪进行实时图像采集，以实现管道泄漏的检测。尽管该方法能够有效捕捉温度变化，但外界环境会对其造成较大影响，例如潮湿、暴雨天气限制了其检测效率。

在现代漏水检测中，物联网设备的应用变得尤为重要。通过在管网中布置多个传感器，实时采集数据并上传至云平台或大数据处理系统，能够实时监测管道的运行状态。结合大数据分析平台，可以通过数据分析预测潜在的漏水问题，提前发出警报。然而，传感器在采集管道相关数据时，可能受到环境噪声和设备故障的影响，导致采集到的数据不够稳定^［7］。

近年来，随着人工智能和机器学习的迅猛发展，基于人工智能的管道泄漏检测方法^［8］逐渐受到关注。这类方法无需大量人工干预和高额成本，只需收集管道相关数据，并利用深度学习神经网络模型进行训练和预测，即可实现泄漏的自动识别。

本文针对传统供水管道漏水检测方法的准确率低，现代方法的数据采集易受外界干扰与设备影响的问题，提出了一种通过自编码器（autoencoder， AE）剔除异常数据，并经过长短期记忆网络（long short-term memory，LSTM）与时间卷积网络（temporal convolutional networks，TCN）相结合的并行网络结构，学习漏水的长期依赖和局部特征以实现对漏水事件进行准确检测的供水管道漏水检测方法。

1 技术原理

1.1 自编码器

自编码器是一种无监督学习算法，主要用于数据的编码和降维。它通过神经网络将输入数据压缩为一个低维表示，然后再将其重构为原始输入。自编码器主要由编码器和解码器两个部分组成，编码器（Encoder）将输入数据映射到一个低维的潜在空间，提取出数据的关键特征；解码器（Decoder）从潜在空间的表示中重构出输入数据，尽可能保留原始信息^［9］。图1表示一种简单的自编码器结构，编码输入层有4个单元，低维空间有2个单元，解码输出层有4个单元。

自编码器的编码与解码过程如图2所示，编解码的公式如下。

编码过程为

h=f\left(x\right)={\sigma }_{\mathrm{e}}\left(W_{\mathrm{e}}x+b_{\mathrm{e}}\right)，（1）

解码过程为

y=g\left(x\right)={\sigma }_{\mathrm{d}}(W_{\mathrm{d}}x+b_{\mathrm{d}})。（2）

其中x为编码前的输入，h为编码后的特征，y为解码后的输出，σ_e和σ_d分别表示编解码过程中的非线性变化，W_e代表编码权重，b_e代表编码偏置，W_d代表解码权重，b_d代表解码偏置。

1.2 长短期记忆网络

在LSTM出现之前，应用较为广泛的是循环神经网络（recurrent neural network，RNN），但RNN在处理较长的序列时容易遇到梯度消失和爆炸问题，为了解决这个问题，Hochreiter和Schmidhuber^［10］提出了长短期记忆网络（LSTM）。LSTM的设计灵感来源于神经科学中有关记忆和遗忘的机制，相较于传统循环神经网络，LSTM引入了门控结构和细胞状态^［11］，让网络能更佳地捕捉和记忆长期依赖关系，进而在时间序列数据处理任务中表现优异。LSTM门控结构如图3所示，时间为t的LSTM网络有三个输入，C_t-1表示（t-1）时间细胞的输入，h_t-1表示（t-1）时间的隐藏状态，X_t 则为（t-1）时间的输入值；同时它也存在三个输出，h_t 表示t时间的状态，C_t 为t时间单元的细胞，Y_t 则为t时间的输出值。

1.3 时间卷积网络

TCN是一种新的网络结构，它基于卷积神经网络（CNN），但与传统的卷积神经网络不同^［12］，传统的卷积神经网络难以处理较长的时序数据，而引入扩张率和因果性使得它能够处理较长的时间序列数据。所以TCN利用了一维卷积神经网络（1D CNN）的优势，并结合了因果卷积、扩张卷积等技术^［13］。

在传统的卷积操作中，卷积核对输入的所有数据都进行操作，这样就不可避免地导致了信息的提前泄漏，所以在预测时间序列数据时可能会出现未来信息泄漏的问题^［14］。为了解决这个问题，TCN使用了因果扩张卷积^［15］。扩张卷积是指在卷积核中插入间隔（或称为扩张率）以增加感受野而不增加参数数量的一种技术。而因果卷积则进一步保证了卷积操作的因果性，即确保在进行卷积操作时，只能使用当前时间步及之前的信息，而不能使用未来的信息^［16］。即在因果关系的卷积层，输出序列中的一个元素只能依赖于输入序列中它之前的元素。在图像处理中，通常在图像的边界周围添加值为0的padding^［17］，通过padding来保证卷积前后特征图尺寸不变。因此在时间序列中，使用padding来保证尺寸不变。以卷积核为3、输入长度为4的因果卷积结构为例（图4），padding_0表示padding值为0，X₁~X₄表示输入元素，Y_i 表示依赖于当前输入X_i 和X_i 之前输入元素X_i-1、X_i-2的输出元素。

扩张卷积是在标准卷积的基础上注入空洞，以此来增加感受野。因此，它在标准卷积的基础上多了一个超参数称之为空洞参数d，表示卷积核的跨度，即卷积核的间隔为d-1。以3×3的标准卷积为例（图5），标准卷积的空洞参数d为1则表示卷积核相邻；以3×3的扩张卷积为例，扩张卷积的空洞参数d为2则表示卷积核间隔为1。

2 漏水检测方法

2.1 整体方案设计

（1）　对采集的PVC管道振动信号数据进行归一化处理，将数据映射到0~1之间，避免各个特征在数值上的差异过大从而导致检测误差增加，计算过程为

X_i^{\text{'}}=\frac{X_i-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}{X_{\mathrm{m}\mathrm{a}\mathrm{x}}-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}，（3）

式中，X_i 为原数据，X_i^'为归一化数据，X{}_{\mathrm{m}\mathrm{i}\mathrm{n}}为最小值，X{}_{\mathrm{m}\mathrm{a}\mathrm{x}}为最大值。

（2）将归一化后的数据输入自编码器进行编码与重构，利用原始数据与重构数据得到重构误差，通过迪基-富勒检验（augmented Dickey-Fuller test， ADF）得到原始数据与三种阈值的ADF检验值，选择ADF检验值最低的阈值作为重构误差阈值，根据重构误差阈值识别并剔除异常数据。

（3）将异常剔除后得到的平稳数据输入LSTM-TCN并行网络模型进行检测，将模型输出的预测概率转换为二进制决策，漏水1与不漏水0。如果预测值大于0.5，就将其视为漏水1，否则视为不漏水0。最后得到检测结果0（正常）与1（漏水）。

综上所述，AE-LSTM-TCN漏水检测模型的整体流程如图6所示。

2.2 异常点剔除

传感器采集的振动数据包含了丰富的信息，如振动的频率、幅度、能量等。因此，当水管系统面临可能存在的漏水问题时，振动数据成为了检测异常的关键。但传感器所采集的数据会被噪声破坏，或因自身故障导致数据序列出现了异常值、缺失值和错误的数据^［18］，因此首先要对采集的数据进行异常剔除以保证神经网络能学习到足够清晰的特征。

通过自编码器的重构误差来识别并剔除异常数据，而自编码器的目的是要在输入层对数据进行编码表示，在输出层重构编码数据。自编码器重构的某一输出数据与原始输入数据的差异就是重构误差，重构误差超出一定阈值，则可判定该节点是异常点^［19］，如图7所示。

2.3 并行神经网络模型

LSTM模型作为一种非常适用于处理时序数据的深度学习模型^［20］，它能够自动捕捉和学习水管振动数据中的长期依赖关系，从而准确识别出异常振动模式。但LSTM门控结构复杂、参数较多、训练时间较长，而TCN相比LSTM结构在一定程度上减少了参数量，从而减少了模型的复杂度和训练时间，提高了模型的训练效率^［21］，且漏水事件通常会伴随着漏水数据局部变化，而TCN则可以有效地学习数据中的局部模式^［22］，二者同时学习数据的长期依赖和局部特征可以更快速更精确地检测漏水模式。

对采集的漏水信号和不漏水信号在剔除异常数据后进行标签标记（漏水标签为1、不漏水信号为0）。使用已标记的数据集进行模型的训练，模型的输入是离散的时间序列数据，输出则是代表着漏与不漏的标签。LSTM网络学习时序数据之间存在长期依赖特征，经过批量归一化层（batch normalization，BN），可提高模型训练速度，增强模型的鲁棒性。TCN网络提取数据的局部特征，经过DropOut层处理，可防止模型过拟合，增强泛化能力。最后二者通过全连接层输出检测结果，改进的并行网络模型结构如图8所示。

3 实验与结果分析

软件为Windows10 64位操作系统，Python3.7， PyCharm Community Edition 2023.2.3。硬件为IntelCore i5-9300H CPU＠2.40GHz 16GB，NVIDIA GeForce GTX1660Ti 6GB，JYAV0-50压电加速度传感器。实验数据采集于建筑楼内PVC供水管道，使用压电加速传感器紧贴漏水管道采集振动信号数据。

3.1 检测误差评价指标

模型以准确率A（accuracy）和F1得分为评价指标，计算过程如下：

A=\frac{Y_{\mathrm{p}}}{Y_{\mathrm{a}}}\times \mathrm{100}\mathrm{\%}，（4）

F\mathrm{1}=\mathrm{2}\bullet \frac{P\bullet R}{P+R}，（5）

P=\frac{TP}{TP+FP}，（6）

R=\frac{TP}{TP+FN}，（7）

式（4）-（5）中，A为准确率，Y_p为预测正确的样本数，Y_a为总样本数；P为精确率，R为召回率。式（6）-（7）中，TP为被模型预测为正类的正样本，FP为被模型预测为正类的负样本，FN为被模型预测为负类的正样本。

3.2 自编码器异常剔除

将采集的原始数据输入自编码器进行降噪与异常剔除，一般情况下重构误差阈值为均方误差与3个标准差的和。但是由于振动信号微弱，数据波动较大，较大的阈值难以判断漏水数据的异常，所以一般方法不适用于该信号。为了能够更全面地捕捉漏水数据的异常，实验采取均方误差和1~3个标准差的均值作为阈值，这样既考虑了数据重构误差的实际表现（MSE）又参照了数据的统计特性（3σ原则）。对数据进行增广迪基-富勒检验（ADF）得到检验值，见表1。ADF检验值越小越倾向于拒绝序列不平稳的假设，认为时间序列是平稳的。从表1中可以看出，采用均方误差与2个标准差的均值作为阈值效果最佳。

原始数据与清洗后的数据如图9所示，从图9可以看出，原始数据中因环境噪声与传感器灵敏度问题而产生了较多突出的异常值，清洗后的数据则更加平稳。

3.3 漏水检测

以连续采集的1 024个数据值为一个检测点，数据集经过自编码器清洗后共1 024×1 441条数据，通过Python调用数据集处理时常用的train_test_split函数将数据集按照7∶3随机划分为训练集和验证集，随机种子random_state设置为42以确保结果可复现。为分析模型在未见过数据上的表现，因此测试集不参与训练，保留的独立测试集共160条。为验证检测方法的有效性和更佳的性能，本文进行了其他单一线性网络模型与LSTM-TCN并行神经网络的对比实验，分析评估LSTM-TCN并行神经网络的性能。

为了验证所建立的检测模型的有效性，根据LSTM-TCN并行网络构建了4种变体模型。

（1）LSTM模型：在LSTM-TCN模型的基础上去掉了TCN网络，仅用训练后的LSTM模型对时序数据进行检测。

（2）TCN模型：在LSTM-TCN模型的基础上去掉了LSTM网络，即数据直接参与TCN模型预测。

（3）参考领域内近期研究文献，利用左保成^［23］训练的1D-CNN模型对漏水进行检测，该模型的卷积层数为3、激活函数为Tanh、batch-size为10、卷积核大小为16。采用该模型参数构建1D-CNN模型。

（4）LSTM-TCN并行网络模型：即本文提出的模型，数据经过并行网络模型进行漏水检测。得到的各模型在测试集上的漏水检测结果如图10所示，不同模型的准确性和F1得分见表2。

由表2可知，LSTM在测试集上的A为0.88，F1得分为0.87，准确率是所有模型中最差的，且LSTM在未见过的数据上泛化能力相对较弱。由于LSTM提取的是供水管道信号的长期依赖特征，但漏水情况复杂，供水管道信号的长期特征有时不明显，所以LSTM检测漏水时因为信号特征不明显会产生误判且大部分误判集中在漏水情况下。TCN模型在测试集上的A为0.91，F1得分为0.91，检测结果接近真实结果。TCN模型大部分检测结果正确，但对于原本不漏水的信号误判为漏水信号的情况较多，因为TCN学习的是数据的局部模式，优势就在于捕捉漏水信号细微的局部模式变化，因此TCN在测试集中的160条数据中TCN对漏水信号检测的能力比不漏水信号的更佳。

1D-CNN从本质上说也是卷积神经网络，它相比于处理图像的二维卷积神经网络更适用于一维时序信号，但1D-CNN相较于TCN在漏水情况下和正常情况下都有较多误判。LSTM-TCN并行网络比LSTM网络检测效果有明显提高，在测试集上的A提高了7%、F1得分提高了8%，实验结果表明LSTM-TCN并行网络既学习了数据的长期依赖特征又学习了数据的局部特征，因此在漏水情况与正常情况下的误判都有所减少，并且相比于其他网络结构的检测准确率均有所提升。

4 结论与展望

针对水资源浪费问题，提出了一种基于PVC管道漏水检测的方法。通过异常剔除实验，将采集的PVC管道数据输入自编码器进行重构，并利用ADF检验验证数据的平稳性，以选定合适的重构误差阈值进行异常数据剔除。通过这一方法，能够有效剔除不符合预期的数据并确保数据的平稳性。实验结果表明，选取的误差阈值（MSE+2σ）/2，在ADF检验中得到了-17.486的值，表现出较好的异常数据剔除和平稳化效果，优于其他阈值设置。采用LSTM-TCN并行网络对漏水数据的两种特征进行充分学习，取得了0.95的准确率和F1得分，相较于其他三种单一网络模型，展现了更高的准确性和鲁棒性。随着科技的迅速发展，以城市供水管道为核心的水利系统日益增多，水资源的节约与保护已成为亟待解决的重要问题。未来的研究将进一步探讨其他类型管道的泄漏检测，并基于更复杂的环境条件构建检测模型，以实现快速漏水检测，从而提升节水效率。

参考文献

[1] 李国英. 为以中国式现代化全面推进强国建设、民族复兴伟业提供有力的水安全保障［J］. 水利发展研究， 2024， 24（3）： 1-3.

[2] 袁满，高宏宇，路敬祎，等.油气管道泄漏检测技术综述［J］.吉林大学学报（信息科学版），2022，40（2）：159-173.

[3] EL-ZAHAB S， AL-SAKKAF A， MOHAMMED ABDELKADER E， et al. A machine learning-based model for real-time leak pinpointing in buildings using accelerometers［J］. Journal of Vibration and Control， 2023， 29（7-8）： 1539-1553.

[4] KORLAPATI N V S， KHAN F， NOOR Q， et al. Review and analysis of pipeline leak detection methods［J］. Journal of Pipeline Science and Engineering， 2022， 2（4）： 100074.

[5] 王俊岭，邓玉莲，李英，等.排水管道检测与缺陷识别技术综述［J］.科学技术与工程，2020，20（33）：13520-13528.

[6] 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.

[7] 彭能松，张维纬，张育钊，等.基于时间序列数据的无线传感器网络的异常检测方法［J］.传感技术学报，2018，31（4）：595-601.

[8] 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.

[9] 李永飞，李铭洋，常鑫，等.基于可解释性深度学习的物联网水质监测数据异常检测［J］.计算机工程，2024，50（6）：179-187.

[10] HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.

[11] 谭建所，吴兴华，徐文光，等.基于tSNE-LSTM算法的工业预测模型［J］.现代电子技术，2024，47（12）：81-85.

[12] FAN J， ZHANG K， HUANG Y P， et al. Parallel spatio-temporal attention-based TCN for multivariate time series prediction［J］. Neural Computing and Applications， 2023， 35（18）： 13109-13118.

[13] LIU M P， QIN H， CAO R， et al. Short-term load forecasting based on improved TCN and DenseNet［J］. IEEE Access， 2022， 10： 115945-115957.

[14] ZHU R J， LIAO W L， WANG Y S. Short-term prediction for wind power based on temporal convolutional network［J］. Energy Reports， 2020， 6： 424-429.

[15] 袁华，陈泽濠.基于时间卷积神经网络的短时交通流预测算法［J］. 华南理工大学学报（自然科学版），2020，48（11）：107-113.

[16] 梁宏涛，刘硕，杜军威，等.深度学习应用于时序预测研究综述［J］.计算机科学与探索，2023，17（6）：1285-1300.

[17] 白晨燕，周化璇.联合SSFs选择与图像去马赛克［J］.浙江工业大学学报，2024，52（3）：256-268.

[18] 郭风景，王斌，贾澎涛，等.基于梯度提升决策树的瓦斯浓度在线预测［J］.中国煤炭，2023，49（10）：61-67.

[19] 孔翎超，刘国柱.离群点检测算法综述［J］.计算机科学，2024，51（8）：20-33.

[20] 任利强，贾舒宜，王海鹏，等.基于深度学习的时间序列分类研究综述［J］.电子与信息学报，2024，46（8）：3094-3116.

[21] 邢雅轩.工业物联网中基于深度学习的空时数据预测方法研究［D］.呼和浩特：内蒙古大学，2022.

[22] 刘少卿，李帅，苗建国，等.基于TCN-BiGRU的锂离子电池健康状态评估［J］.电子测量技术，2023，46（23）：68-76.

[23] 左保成，郭改枝.基于生成式对抗网络的供水管道漏水信号检测方法［J］.内蒙古师范大学学报（自然科学汉文版），2023，52（2）：197-203.

基金资助

中央引导地方科技发展资金资助项目“‘人工智能+’管道漏水检测设备的实现”(2024ZY0144)

内蒙古自治区教育厅资助项目“多维度创新型研究生导师团队建设提升培养研究生创新能力的探索”(JG2024001Z)