供水管網漏損檢測與識別技術研究進展

王杉月，張 葵，艾 靜，陶 濤

(同濟大學環境科學與工程學院，上海 200092)

漏損問題在給水管網中是普遍存在且難以避免的。不同國家地區的供水系統均面臨著不同程度的管網漏損問題，漏損現象嚴重的地區如挪威奧斯陸、意大利那不勒斯，其管網漏損水量超過總供水量的35%[1]。據《2018年城市供水統計年鑒》顯示，載入年鑒的各城市在2017年的管網漏損總量超過60億m3，平均漏損率為14.56%，這與“水十條”明確規定的控漏目標相比仍存有差距。與此同時，居高不下的管網漏損不僅會造成水資源的嚴重浪費與能源的額外耗散，影響節水型社會建設與環境可持續發展，還會給供水企業的經營帶來巨大壓力[2]。因此，高效開展漏損控制工作、有效降低管網漏損率已成為世界各地供水企業的迫切任務。

目前，用于實際管網漏損檢測的傳統方法主要包括儀器音聽法、最小夜間流量法、水量平衡分析法等。隨著科技的發展，在依靠儀器設備進行現場搜索的漏損檢測硬件技術不斷更新的同時，涌現出了一類依靠計算機仿真軟件、數據采集與監視控制系統、模型和算法等軟件工具來完成管網漏損點檢測或漏損區域識別的新型漏損檢測軟件技術。本文通過整理國內外供水管網漏損檢測技術的研究成果，重點對目前較為新穎的漏損點檢測與漏損區域識別技術做出簡述。

1 漏損檢測硬件技術

探尋有效的漏損檢測方法對管網漏損控制、降低管網漏損率來說至關重要。隨著科學技術的進步和漏損管理意識的增強，管網檢漏逐漸由被動轉向主動，漏損檢測設備與方法也日益豐富。漏損檢測硬件技術是一類依靠硬件設備對管道進行現場搜索，從而精準確定漏損點位置的主動漏損識別技術。比較傳統和成熟的硬件檢漏技術主要包括使用聽音桿、噪音記錄儀、相關檢漏儀等作為檢漏設備的一系列聲學方法。與此同時，一些正在發展的漏損檢測硬件技術如智能球、探地雷達、分布式光纖傳感等同樣需要受到關注。

1.1 傳統聲學檢測

包括聽音法、相關分析法、噪聲法等在內的傳統聲學檢測方法是目前在供水企業中普及率高、應用成熟的一類基于管段漏水聲音探測的漏損檢測硬件技術[3]。

聽音法是一種歷史悠久、使用非常廣泛的人工主動檢漏方法。在進行聽音檢漏時，巡檢人員手持聽音桿、電子聽漏儀等音聽設備，直接在管道及管道附屬設施(如閥門)處進行聽測，以排查異常管道；或順著供水管道走向在地面上逐點聽測漏水聲,以查找漏水管道、精準定位漏點。這種方法可操作性強，但人力成本高，檢漏質量依賴于檢漏人員的素質、經驗及工作態度，因此，前期需在人員培訓方面投入大量精力。此外，人工聽音檢漏難以保證每條供水管道被及時排查，且受管道材料、管道埋設深度、敷設位置等因素的影響存在檢測盲區，實際應用中還會受到環境噪聲、天氣原因等外在因素的干擾[4]。

相關分析法利用布設在同一漏水管道兩端管壁或閥門、消火栓等附屬設備的傳感器接收漏水噪聲信號，根據該信號傳到兩端探測器的時間差，結合輸入的管道長度、材質等信息，可以依靠相關儀器計算出漏水點相對探測器的位置。該方法精度高，抵抗環境噪音干擾能力更強，適用于深埋管道；但檢漏成本高，檢測效果受到計算參數設置、傳感器布置位置等因素的影響，依賴專業人員操作，在大口徑非金屬管中運用的可靠性還有待改進。

噪聲法通過在供水管道、閥門、消火栓等位置長期或移動設置若干噪音記錄儀，分別實現管網漏損情況監測和漏水管段檢測。噪音記錄儀能夠根據預設的工作時間自行啟動，通常用于記錄夜間2∶00—4∶00的管道漏水噪聲信號，而后借助專業軟件對采集的數據進行統計分析，推斷漏水區域和管段。該方法具有自動化程度更高、易于使用、檢漏實時性好、可降低檢漏人員的工作強度、檢測效率更高等特點，可用于相對大面積管道的漏水檢測。與此同時，該方法也存在前期檢漏投資高、需要一定的人員經驗、檢測效果受背景噪聲干擾、噪音記錄儀數量和布置方式影響等不足。

1.2 智能球

智能球(smart ball)是一種在管道內部對泄漏噪聲信號進行檢測的球形設備，它由泡沫外殼、鋁制防水內核以及內置傳感器、測量儀表、電池、電子元件組成[5]。將智能球投入管道中，其隨著管內介質自由向前移動，并在前進過程中持續記錄管內噪聲信號、發送脈沖追蹤信號。當智能球經過管道漏水點時，內置的聲音傳感器能夠靈敏地捕捉到微小泄漏發出的噪聲，通過對智能球收集的噪音信號和其他信息進行分析，能夠非常精確地對漏損點進行識別，定位誤差僅為幾英尺。這種設備具有應用不受管材限制、對小漏點響應靈敏、可用于長距離管道等優點，在國外的輸水管道漏損檢測中已有應用[6]。然而，由于要進行管內測量，這種設備僅適用于直徑在300 mm以上的管道，且存在影響供水水質的風險。

1.3 探地雷達

探地雷達(ground penetrating radar，GPR)是一種無損檢測技術。它通過發射電磁波并利用電磁波在地下的傳播和反射，繪制出反映地下管線情況的雷達圖像，由于漏損的水會產生改變管道周圍介質的電學性質等影響，通過對圖像的分析，可以探查管段的漏水情況，精準確定漏點位置[7]。這項技術目前已有實際應用，具有高效、無破壞性、不易受外界干擾等優點，適用于檢測已形成浸濕區域或脫空區域的漏損點，但使用受到管道埋深、土壤類型、人員經驗等因素的限制。具體來說，由于GPR技術的穿透深度有限，對寒冷地區埋設在冰凍線以下的管道可能不適用；GPR技術依賴電磁波的發射與接收，在一些具有高電導性、易導致信號衰減的土壤中使用時效果不理想；使用GPR技術時還需要對圖像進行解析以獲得結果，這對專業人員的經驗與知識提出了要求。

1.4 分布式光纖傳感

分布式光纖傳感技術(distributed optical fiber sensing，DOFS)集傳感與傳輸功能于一體，順著管道布置單根傳感光纖，可以沿光纖傳輸路徑獲取數萬點溫度或應變傳感信息[8-9]。管道漏損的發生會引起漏點附近局部區域溫度的異常變化或引發管壁振動而對光纖施加應力，而后基于光時域反射技術對光纖受到擾動而產生的光學效應進行檢測和分析，最終得到漏損點的準確位置。具備長距離實時診斷功能是這項技術的突出優勢，此外，分布式光纖傳感相對點式傳感器來說，能以更低的成本獲取單位長度內的信息。然而，目前這項技術僅適用于直管道[10]，且在給水管線上的應用并不成熟，少數研究者如吳慧娟等[11]、朱新民等[12]分別對該技術進行了實驗室和實際工程的驗證，取得了良好的效果。在今后的研發中，需對傳感光纖的耐久性、抗破壞、抗電磁干擾等能力進行提高，以適應實際工程的需要。

以上幾種不同硬件檢測技術的主要特點總結如表1所示。

表 1 不同硬件檢測技術的主要特點Tab.1 Main Characteristics of Different Hardware-Based Leakage Detection Technologies

2 漏損檢測軟件技術

隨著現代通訊以及計算機軟件技術的蓬勃發展，供水企業逐漸將管網分區計量、數據遠傳等技術應用于實際管網的運行管理，這為漏損檢測軟件技術的建立提供了大量的原始數據支持。漏損檢測軟件技術是一類相較于硬件設備更加智慧、更加高效的現代技術，其在采集供水管網大量壓力、流量等監測數據的基礎上，通過使用數學模型、計算機算法等軟件工具，完成漏損點的檢測或漏損區域的辨識，指導實際檢漏工作，應在計算得到的漏損點附近的管道上或識別的漏損區域內重點開展。這類技術在一定程度上克服了漏損檢測硬件技術費時費力、依賴檢漏人員的經驗、檢測成本高昂、在較大規模復雜管網中應用效果不佳等局限[13]，引起了國內外許多學者的關注，本文重點介紹目前較為新穎和具有代表性的幾種漏損檢測軟件方法。

2.1 采用靈敏度矩陣法識別單個漏損點

供水管網水力模型是供水行業推進智慧水務建設、提高供水管網運行管理水平的重要軟件工具，在管網水力水質模擬、管網優化設計、管網故障診斷等諸多方面均有應用[14]。部分學者在利用具有一定精度的管網水力模型對真實管網水力狀態、管網系統隨時間動態變化進行模擬分析的基礎上，引入靈敏度分析，建立了靈敏度矩陣法，完成了對管網中單個漏損點位置的識別。

這類方法的具體步驟是，首先通過計算機模擬管網在無漏損和單漏點工況下的節點壓力情況；其次，構建“泄漏-靈敏度”矩陣，即管網節點壓力靈敏度矩陣，儲存含有測壓點壓力變化信息的漏損特征向量，從而在理論上評估管網不同位置，即管網模型不同節點發生漏損時對測壓點壓力監測值的影響；隨后，將構建好的靈敏度矩陣用于分析目標管網區域內觀測到的實際壓力數據，最終達到定位漏水點位置的目的。根據這一思路，Perez等[15]在計算出節點壓力靈敏度矩陣與實際壓力變化向量之后，采用相關函數法進行漏損特征向量與實際壓力變化向量的匹配。類似地，Casillas等[16]提出了Angle法，通過計算靈敏度矩陣中漏損特征向量與實際壓力變化向量的夾角以評價兩者的相似程度，最終鑒別可能出現漏水的位置。

這類靈敏度矩陣法具有易理解、操作簡單的優點，但同時應用上也存在一定的局限性。首先，這類方法僅適用于管網單漏點識別問題。其次，需要選擇適宜的名義漏損量以計算靈敏度矩陣元素，當所選名義漏損量與真實管網中的實際漏損量不符時，識別結果可能出現較大偏差。因此，這類方法最好在已估算實際漏損水量大小的前提下使用。

2.2 采用優化校核法識別多個漏損點或漏損區域

另一類具有代表性的漏損檢測軟件方法是Wu等[17]在2010年基于管網水力模擬和管網模型校核思想提出的壓力相關漏損定位(pressure-dependent leakage detection，PDLD)法。這種方法將發生在管網中的漏水事件視為發生在管網模型某些節點上的噴射流，其大小與射流系數以及節點壓力有關；隨后，將供水管網漏損識別問題視為一個優化問題——以漏損位置(模型節點索引)和漏損水量大小(節點射流系數)為決策變量，以最小化管網壓力或流量實際監測值與模型模擬值的差值為目標函數，采用遺傳算法等優化算法進行求解；最終，求解結果中若出現射流系數大于0的節點，則認為此節點上存在漏水量。國內的張清周[18]將以布谷鳥算法為優化引擎的PDLD法應用于實際工程案例，經驗證，采用先通過模型計算得到漏損點位置，再附加現場設備精準定位實際漏點的方案，能夠大大縮短漏損檢測的工時，檢測效率較傳統的掃描式檢漏提高了3倍以上。張瑱等[19]將PDLD法應用于安徽省某市供水管網泄漏量較大的漏損事件的識別，指出在線監測點的布置密度將對漏損點定位結果造成影響，對案例管網而言，當只運用流量監測數據進行計算時，計算得到的大部分漏水點與管網實際漏點的距離小于200 m。

這類方法具有易于理解、應用和推廣的優點，與靈敏度分析法一樣，都在管網水力模型的基礎上進行進一步計算。因此，需要高精度的水力模型，并依賴足夠準確的管網水力監測數據，以保證漏損識別效果。除此之外，管網內監測點布置方式的合理性也會對結果產生影響。值得注意的是，雖然PDLD法能夠有效識別實際管網中多個位置的漏損點，實際檢漏時通過重點檢查這些計算得到的漏損點位置及其附近的管道便能更快找到實際漏水點，但是PDLD法無法被直接應用于中型或大型管網中。這是因為當把大中型管網的漏損檢測問題當作一個優化問題求解時，會面臨決策變量數過多而原始觀測數據嚴重不足的問題，現有的優化算法在這種情況下無法進行有效計算。因此，當把這項技術應用于大中型供水管網時，應配合某些縮小搜索域的計算策略進行使用。在這方面，Wu等[17]根據經驗人為規定了管網中可能存在的漏點的最大數量；Nasirian等[20]提出了一種逐步消除策略，以縮小候選漏損節點的個數；Sophocleous等[21]在兩者研究的基礎上，提出了一種兩階段的搜索域縮小策略；Adachi等[22]建立了一種基于管網虛擬分區和管網資產信息的漏損區域識別方法,該方法根據干管、測壓點和測流點的分布，將管網劃分為若干虛擬子區，以達到管網模型節點分組、減少決策變量個數的目的。隨后，結合管長、管齡等管網資產信息，建立管道漏損風險模型。在此基礎上，將PDLD法中需要求解的節點射流系數c拆解為與節點所在虛擬分區有關的系數x和與節點漏損風險要素有關的系數k的乘積，即c=x×k；之后，同樣采用優化校核思想，對所建立的漏損區域識別問題進行求解，以優化漏損水量的空間分布。通過比較計算得到的各虛擬分區漏損水量，確定管網中漏損情況較為嚴重的區域，對檢漏工作在何區域優先開展提出建議。該方法對管道資料狀況良好的管網來說具有較高的實際應用價值。

2.3 采用數據驅動模型識別單個漏損點或漏損區域

數據驅動法利用模式識別的原理，通過對樣本特征進行提取、分析和處理，得到樣本的類別屬性。在供水管網中，安裝在管網內的流量計、壓力傳感器等監測設備能夠記錄下反映管網運行狀態的流量和壓力等數據。當有漏損事件發生時，管網中的水力監測數據或其他測量信號將出現不同程度的異常變化。通過構建數據驅動模型，對這種異常變化進行辨識和分析，判斷管網的漏損狀態，識別管網中的漏損點或漏損區域。

2.3.1 人工神經網絡

人工神經網絡(artificial neural network，ANN)作為一種有著廣泛應用的數據驅動模型，能夠學習大量的輸入與輸出之間的映射關系，在模式識別、故障診斷、信號處理等多個領域取得了成功[23]。在供水管網的漏損識別問題中，可以通過搭建人工神經網絡，利用網絡對訓練樣本的分析和學習，建立水力監測數據變化與管網漏損位置之間的聯系，最后結合管網中的實際監測數據，找到管網中的漏損點。

王俊嶺等[24]以某城市區域管網為研究對象，以目標管段位置均勻分布為原則，選取部分管段進行不同損壞程度的漏損模擬，將仿真漏損發生前后測壓點的壓力變化和相應漏點坐標作為原始數據訓練BP神經網絡；隨后，利用訓練完成的BP神經網絡模型，基于仿真測試樣本，驗證漏點位置預測效果；結果顯示，構建的BP神經網絡能夠在可接受的偏移誤差范圍內識別漏點位置。這種方法的優點在于能夠通過訓練好的BP神經網絡模型直接建立測壓點壓力數值變化與漏點坐標的聯系，在應用時根據輸入的實際監測數據變化即可快速輸出預定位的漏點坐標；隨后，以該位置為中心，在平均偏移誤差范圍內，采用檢漏設備進行漏損檢測，實現對管網漏點的精準定位，大大提高了漏損控制工作效率。但是，人工神經網絡的使用尚有一些局限性，如需要專業人員完成網絡搭建、需要大量樣本進行訓練以保證足夠的精度、訓練樣本增加時訓練時間也變長、管網物理條件發生變化時模型需要重新訓練等。

2.3.2 多級支持向量機

近年來，Zhang等[25]提出了一種利用多級支持向量機(multiclass support vector machines，M-SVMs)的分類功能實現大型給水管網漏損區域識別的軟件方法。與人工神經網絡相比，支持向量機(SVM)是一種基于統計學理論的機器學習方法，更適合解決小規模樣本問題[26]。在SVM基礎上發展而來的M-SVMs則擁有更好的多分類能力，Mamo等[27]將其用于獨立計量分區(district metered area，DMA)運行狀況的評價與多種漏損程度的判斷。

Zhang等[25]提出的方法基于“先聚類后分類”的思想。首先，依據管網不同位置，模擬發生漏損時測壓點監測值波動的相似性，提出管網待識別漏損區域的劃分方案；然后，在各待識別區域內，利用水力仿真軟件隨機模擬生成漏損事件樣本，這些訓練樣本以測壓點壓力波動值作為樣本數據，以待識別區域編號作為分類標簽；利用生成的漏損事件樣本，對M-SVMs進行訓練，以建立用于漏損區域識別的數據驅動模型；最終，結合測壓點現場觀測值，運用M-SVMs數據驅動模型，識別管網中可能發生漏損的區域。完成漏損區域識別之后，還可以結合PDLD法進一步縮小漏損檢測的范圍，將現場設備檢漏工作開展的范圍減小至可疑漏損區域中某漏損點附近的管段上。多級支持向量機漏損區域識別與PDLD漏點檢測的組合方法為提高大型供水管網漏水點搜尋效率、縮短修復時間提供了可能性，具有實際的工程意義。但是，需要注意的是，用戶在使用該方法時面臨著漏損區域識別準確率與該區域漏點檢測范圍的權衡，即更多的待識別漏損區域意味著各區域內更小的漏點檢測范圍，但同時也意味著更高的計算成本與更低的多級支持向量機分類準確率。

2.3.3 卷積神經網絡與支持向量機組合模型

近年來，深度學習成為人工智能領域的研究熱點。卷積神經網絡(convolutional neural network，CNN)作為深層神經網絡的經典結構之一，具有特征提取能力強、泛化能力好、可拓展性強、容錯能力強等優點，在處理復雜分類問題時具有優異的表現[28]。

Kang等[29]創新地提出了一種將卷積神經網絡與支持向量機相結合構成雙分類器的漏損檢測方法。為獲得更高的漏損識別精度，該方法并未使用測流點、測壓點處收集的水力監測數據，而是利用安裝在管網中的壓電式加速度傳感器收集振動信號作為原始數據；隨后，采用CNN自動對原始數據的特征進行提取，并將提取的特征分別作為CNN全連接層以及SVM的輸入；而后，綜合兩者的分類結果，得到以概率形式呈現的最終輸出，由此判斷管網的漏損情況。在檢測到管網漏損之后，Kang等[29]還采用了一種基于圖論的算法對漏損點進行了定位。該研究提出的方法綜合了CNN在樣本特征提取以及SVM在處理分類問題方面的優勢，采用在韓國首爾某管網中實際收集的夜間時段(2∶00—4∶00)數據進行驗證；結果表明，CNN與SVM的組合數據驅動模型與單獨的CNN、SVM模型相比，具有更高的漏損檢測準確率與更低的誤報率，其缺陷在于CNN與SVM的組合模型需要較長的訓練時間，且在使用前需添加單獨的預處理單元對采集的信號進行去噪預處理以保證檢測精度。

以上3類軟件檢測技術的主要特點如表2所示。

表 2 不同軟件檢測技術的主要特點Tab.2 Main Characteristics of Different Software-Based Leakage Detection Technologies

3 結論

管網漏損帶來的一系列負面影響使其成為供水管網中一個亟待控制和解決的問題。與此同時，“水十條”的考核目標對各地供水企業的漏損控制工作提出了更高的要求。主動漏損檢測是管網漏損控制中的關鍵一環，它作為一項系統性工程，需要先進的設備、因地制宜的核心技術方法、專業的人才等多方面的協同作用。通過了解和借鑒國內外漏損識別新技術，可以幫助供水企業實現傳統檢漏設備、技術和模式的改造與升級，最終更加高效和有效地開展管網漏損控制工作。

(1)漏損檢測硬件技術依靠硬件設備對管道進行現場搜索，通常具有很高的漏損識別精度，可以準確找到漏損點的實際位置。然而，這種方法一般檢測范圍小，直接在管網中運用時需要付出人力、物力的雙重代價，需要花費很長的時間進行漏點搜尋，其使用還受制于工作人員經驗、管道大小、管道材料等因素。在硬件技術方面，在結合管網實際情況引進智能球等國外先進硬件設備的同時，今后還應注重基于探地雷達、光纖傳感等新技術的設備研發與實地檢驗。

(2)漏損檢測軟件技術相對硬件技術來說更加智慧，具有成本費用更低、人工勞動強度更低、檢測效率更高、使用不受管道尺寸和管道材料的限制等優點，具有廣闊的應用前景。然而，這類技術無法精準定位漏損點，只能識別管網中漏損點的大致位置或辨識管網中的漏損區域。對軟件檢漏技術而言，小漏損和大型管網漏損的識別是未來需要關注的問題，目前關于大型管網的漏損識別問題可以重點考慮將漏損區域辨識和漏損點定位相結合的思路。

(3)總體來說，目前雖尚沒有完全可靠和各場景通用的漏損檢測方法，但出現了一種軟硬件技術結合檢漏的趨勢——漏損檢測技術，由單純地依靠硬件設備現場檢查轉向以軟件方法為核心、軟硬件結合檢漏的綜合方法。這種綜合方法可首先利用軟件檢漏技術縮小可疑漏損范圍，以指明現場檢漏工作開展的方向，再利用硬件檢漏技術進行精準識別，提高了漏損檢測工作的效率。