供水管网漏损检测与识别技术研究进展

王杉月，张 葵，艾 静，陶 涛

(同济大学环境科学与工程学院，上海 200092)

漏损问题在给水管网中是普遍存在且难以避免的。不同国家地区的供水系统均面临着不同程度的管网漏损问题，漏损现象严重的地区如挪威奥斯陆、意大利那不勒斯，其管网漏损水量超过总供水量的35%[1]。据《2018年城市供水统计年鉴》显示，载入年鉴的各城市在2017年的管网漏损总量超过60亿m3，平均漏损率为14.56%，这与“水十条”明确规定的控漏目标相比仍存有差距。与此同时，居高不下的管网漏损不仅会造成水资源的严重浪费与能源的额外耗散，影响节水型社会建设与环境可持续发展，还会给供水企业的经营带来巨大压力[2]。因此，高效开展漏损控制工作、有效降低管网漏损率已成为世界各地供水企业的迫切任务。

目前，用于实际管网漏损检测的传统方法主要包括仪器音听法、最小夜间流量法、水量平衡分析法等。随着科技的发展，在依靠仪器设备进行现场搜索的漏损检测硬件技术不断更新的同时，涌现出了一类依靠计算机仿真软件、数据采集与监视控制系统、模型和算法等软件工具来完成管网漏损点检测或漏损区域识别的新型漏损检测软件技术。本文通过整理国内外供水管网漏损检测技术的研究成果，重点对目前较为新颖的漏损点检测与漏损区域识别技术做出简述。

1 漏损检测硬件技术

探寻有效的漏损检测方法对管网漏损控制、降低管网漏损率来说至关重要。随着科学技术的进步和漏损管理意识的增强，管网检漏逐渐由被动转向主动，漏损检测设备与方法也日益丰富。漏损检测硬件技术是一类依靠硬件设备对管道进行现场搜索，从而精准确定漏损点位置的主动漏损识别技术。比较传统和成熟的硬件检漏技术主要包括使用听音杆、噪音记录仪、相关检漏仪等作为检漏设备的一系列声学方法。与此同时，一些正在发展的漏损检测硬件技术如智能球、探地雷达、分布式光纤传感等同样需要受到关注。

1.1 传统声学检测

包括听音法、相关分析法、噪声法等在内的传统声学检测方法是目前在供水企业中普及率高、应用成熟的一类基于管段漏水声音探测的漏损检测硬件技术[3]。

听音法是一种历史悠久、使用非常广泛的人工主动检漏方法。在进行听音检漏时，巡检人员手持听音杆、电子听漏仪等音听设备，直接在管道及管道附属设施(如阀门)处进行听测，以排查异常管道；或顺着供水管道走向在地面上逐点听测漏水声,以查找漏水管道、精准定位漏点。这种方法可操作性强，但人力成本高，检漏质量依赖于检漏人员的素质、经验及工作态度，因此，前期需在人员培训方面投入大量精力。此外，人工听音检漏难以保证每条供水管道被及时排查，且受管道材料、管道埋设深度、敷设位置等因素的影响存在检测盲区，实际应用中还会受到环境噪声、天气原因等外在因素的干扰[4]。

相关分析法利用布设在同一漏水管道两端管壁或阀门、消火栓等附属设备的传感器接收漏水噪声信号，根据该信号传到两端探测器的时间差，结合输入的管道长度、材质等信息，可以依靠相关仪器计算出漏水点相对探测器的位置。该方法精度高，抵抗环境噪音干扰能力更强，适用于深埋管道；但检漏成本高，检测效果受到计算参数设置、传感器布置位置等因素的影响，依赖专业人员操作，在大口径非金属管中运用的可靠性还有待改进。

噪声法通过在供水管道、阀门、消火栓等位置长期或移动设置若干噪音记录仪，分别实现管网漏损情况监测和漏水管段检测。噪音记录仪能够根据预设的工作时间自行启动，通常用于记录夜间2∶00—4∶00的管道漏水噪声信号，而后借助专业软件对采集的数据进行统计分析，推断漏水区域和管段。该方法具有自动化程度更高、易于使用、检漏实时性好、可降低检漏人员的工作强度、检测效率更高等特点，可用于相对大面积管道的漏水检测。与此同时，该方法也存在前期检漏投资高、需要一定的人员经验、检测效果受背景噪声干扰、噪音记录仪数量和布置方式影响等不足。

1.2 智能球

智能球(smart ball)是一种在管道内部对泄漏噪声信号进行检测的球形设备，它由泡沫外壳、铝制防水内核以及内置传感器、测量仪表、电池、电子元件组成[5]。将智能球投入管道中，其随着管内介质自由向前移动，并在前进过程中持续记录管内噪声信号、发送脉冲追踪信号。当智能球经过管道漏水点时，内置的声音传感器能够灵敏地捕捉到微小泄漏发出的噪声，通过对智能球收集的噪音信号和其他信息进行分析，能够非常精确地对漏损点进行识别，定位误差仅为几英尺。这种设备具有应用不受管材限制、对小漏点响应灵敏、可用于长距离管道等优点，在国外的输水管道漏损检测中已有应用[6]。然而，由于要进行管内测量，这种设备仅适用于直径在300 mm以上的管道，且存在影响供水水质的风险。

1.3 探地雷达

探地雷达(ground penetrating radar，GPR)是一种无损检测技术。它通过发射电磁波并利用电磁波在地下的传播和反射，绘制出反映地下管线情况的雷达图像，由于漏损的水会产生改变管道周围介质的电学性质等影响，通过对图像的分析，可以探查管段的漏水情况，精准确定漏点位置[7]。这项技术目前已有实际应用，具有高效、无破坏性、不易受外界干扰等优点，适用于检测已形成浸湿区域或脱空区域的漏损点，但使用受到管道埋深、土壤类型、人员经验等因素的限制。具体来说，由于GPR技术的穿透深度有限，对寒冷地区埋设在冰冻线以下的管道可能不适用；GPR技术依赖电磁波的发射与接收，在一些具有高电导性、易导致信号衰减的土壤中使用时效果不理想；使用GPR技术时还需要对图像进行解析以获得结果，这对专业人员的经验与知识提出了要求。

1.4 分布式光纤传感

分布式光纤传感技术(distributed optical fiber sensing，DOFS)集传感与传输功能于一体，顺着管道布置单根传感光纤，可以沿光纤传输路径获取数万点温度或应变传感信息[8-9]。管道漏损的发生会引起漏点附近局部区域温度的异常变化或引发管壁振动而对光纤施加应力，而后基于光时域反射技术对光纤受到扰动而产生的光学效应进行检测和分析，最终得到漏损点的准确位置。具备长距离实时诊断功能是这项技术的突出优势，此外，分布式光纤传感相对点式传感器来说，能以更低的成本获取单位长度内的信息。然而，目前这项技术仅适用于直管道[10]，且在给水管线上的应用并不成熟，少数研究者如吴慧娟等[11]、朱新民等[12]分别对该技术进行了实验室和实际工程的验证，取得了良好的效果。在今后的研发中，需对传感光纤的耐久性、抗破坏、抗电磁干扰等能力进行提高，以适应实际工程的需要。

以上几种不同硬件检测技术的主要特点总结如表1所示。

表 1 不同硬件检测技术的主要特点Tab.1 Main Characteristics of Different Hardware-Based Leakage Detection Technologies

2 漏损检测软件技术

随着现代通讯以及计算机软件技术的蓬勃发展，供水企业逐渐将管网分区计量、数据远传等技术应用于实际管网的运行管理，这为漏损检测软件技术的建立提供了大量的原始数据支持。漏损检测软件技术是一类相较于硬件设备更加智慧、更加高效的现代技术，其在采集供水管网大量压力、流量等监测数据的基础上，通过使用数学模型、计算机算法等软件工具，完成漏损点的检测或漏损区域的辨识，指导实际检漏工作，应在计算得到的漏损点附近的管道上或识别的漏损区域内重点开展。这类技术在一定程度上克服了漏损检测硬件技术费时费力、依赖检漏人员的经验、检测成本高昂、在较大规模复杂管网中应用效果不佳等局限[13]，引起了国内外许多学者的关注，本文重点介绍目前较为新颖和具有代表性的几种漏损检测软件方法。

2.1 采用灵敏度矩阵法识别单个漏损点

供水管网水力模型是供水行业推进智慧水务建设、提高供水管网运行管理水平的重要软件工具，在管网水力水质模拟、管网优化设计、管网故障诊断等诸多方面均有应用[14]。部分学者在利用具有一定精度的管网水力模型对真实管网水力状态、管网系统随时间动态变化进行模拟分析的基础上，引入灵敏度分析，建立了灵敏度矩阵法，完成了对管网中单个漏损点位置的识别。

这类方法的具体步骤是，首先通过计算机模拟管网在无漏损和单漏点工况下的节点压力情况；其次，构建“泄漏-灵敏度”矩阵，即管网节点压力灵敏度矩阵，储存含有测压点压力变化信息的漏损特征向量，从而在理论上评估管网不同位置，即管网模型不同节点发生漏损时对测压点压力监测值的影响；随后，将构建好的灵敏度矩阵用于分析目标管网区域内观测到的实际压力数据，最终达到定位漏水点位置的目的。根据这一思路，Perez等[15]在计算出节点压力灵敏度矩阵与实际压力变化向量之后，采用相关函数法进行漏损特征向量与实际压力变化向量的匹配。类似地，Casillas等[16]提出了Angle法，通过计算灵敏度矩阵中漏损特征向量与实际压力变化向量的夹角以评价两者的相似程度，最终鉴别可能出现漏水的位置。

这类灵敏度矩阵法具有易理解、操作简单的优点，但同时应用上也存在一定的局限性。首先，这类方法仅适用于管网单漏点识别问题。其次，需要选择适宜的名义漏损量以计算灵敏度矩阵元素，当所选名义漏损量与真实管网中的实际漏损量不符时，识别结果可能出现较大偏差。因此，这类方法最好在已估算实际漏损水量大小的前提下使用。

2.2 采用优化校核法识别多个漏损点或漏损区域

另一类具有代表性的漏损检测软件方法是Wu等[17]在2010年基于管网水力模拟和管网模型校核思想提出的压力相关漏损定位(pressure-dependent leakage detection，PDLD)法。这种方法将发生在管网中的漏水事件视为发生在管网模型某些节点上的喷射流，其大小与射流系数以及节点压力有关；随后，将供水管网漏损识别问题视为一个优化问题——以漏损位置(模型节点索引)和漏损水量大小(节点射流系数)为决策变量，以最小化管网压力或流量实际监测值与模型模拟值的差值为目标函数，采用遗传算法等优化算法进行求解；最终，求解结果中若出现射流系数大于0的节点，则认为此节点上存在漏水量。国内的张清周[18]将以布谷鸟算法为优化引擎的PDLD法应用于实际工程案例，经验证，采用先通过模型计算得到漏损点位置，再附加现场设备精准定位实际漏点的方案，能够大大缩短漏损检测的工时，检测效率较传统的扫描式检漏提高了3倍以上。张瑱等[19]将PDLD法应用于安徽省某市供水管网泄漏量较大的漏损事件的识别，指出在线监测点的布置密度将对漏损点定位结果造成影响，对案例管网而言，当只运用流量监测数据进行计算时，计算得到的大部分漏水点与管网实际漏点的距离小于200 m。

这类方法具有易于理解、应用和推广的优点，与灵敏度分析法一样，都在管网水力模型的基础上进行进一步计算。因此，需要高精度的水力模型，并依赖足够准确的管网水力监测数据，以保证漏损识别效果。除此之外，管网内监测点布置方式的合理性也会对结果产生影响。值得注意的是，虽然PDLD法能够有效识别实际管网中多个位置的漏损点，实际检漏时通过重点检查这些计算得到的漏损点位置及其附近的管道便能更快找到实际漏水点，但是PDLD法无法被直接应用于中型或大型管网中。这是因为当把大中型管网的漏损检测问题当作一个优化问题求解时，会面临决策变量数过多而原始观测数据严重不足的问题，现有的优化算法在这种情况下无法进行有效计算。因此，当把这项技术应用于大中型供水管网时，应配合某些缩小搜索域的计算策略进行使用。在这方面，Wu等[17]根据经验人为规定了管网中可能存在的漏点的最大数量；Nasirian等[20]提出了一种逐步消除策略，以缩小候选漏损节点的个数；Sophocleous等[21]在两者研究的基础上，提出了一种两阶段的搜索域缩小策略；Adachi等[22]建立了一种基于管网虚拟分区和管网资产信息的漏损区域识别方法,该方法根据干管、测压点和测流点的分布，将管网划分为若干虚拟子区，以达到管网模型节点分组、减少决策变量个数的目的。随后，结合管长、管龄等管网资产信息，建立管道漏损风险模型。在此基础上，将PDLD法中需要求解的节点射流系数c拆解为与节点所在虚拟分区有关的系数x和与节点漏损风险要素有关的系数k的乘积，即c=x×k；之后，同样采用优化校核思想，对所建立的漏损区域识别问题进行求解，以优化漏损水量的空间分布。通过比较计算得到的各虚拟分区漏损水量，确定管网中漏损情况较为严重的区域，对检漏工作在何区域优先开展提出建议。该方法对管道资料状况良好的管网来说具有较高的实际应用价值。

2.3 采用数据驱动模型识别单个漏损点或漏损区域

数据驱动法利用模式识别的原理，通过对样本特征进行提取、分析和处理，得到样本的类别属性。在供水管网中，安装在管网内的流量计、压力传感器等监测设备能够记录下反映管网运行状态的流量和压力等数据。当有漏损事件发生时，管网中的水力监测数据或其他测量信号将出现不同程度的异常变化。通过构建数据驱动模型，对这种异常变化进行辨识和分析，判断管网的漏损状态，识别管网中的漏损点或漏损区域。

2.3.1 人工神经网络

人工神经网络(artificial neural network，ANN)作为一种有着广泛应用的数据驱动模型，能够学习大量的输入与输出之间的映射关系，在模式识别、故障诊断、信号处理等多个领域取得了成功[23]。在供水管网的漏损识别问题中，可以通过搭建人工神经网络，利用网络对训练样本的分析和学习，建立水力监测数据变化与管网漏损位置之间的联系，最后结合管网中的实际监测数据，找到管网中的漏损点。

王俊岭等[24]以某城市区域管网为研究对象，以目标管段位置均匀分布为原则，选取部分管段进行不同损坏程度的漏损模拟，将仿真漏损发生前后测压点的压力变化和相应漏点坐标作为原始数据训练BP神经网络；随后，利用训练完成的BP神经网络模型，基于仿真测试样本，验证漏点位置预测效果；结果显示，构建的BP神经网络能够在可接受的偏移误差范围内识别漏点位置。这种方法的优点在于能够通过训练好的BP神经网络模型直接建立测压点压力数值变化与漏点坐标的联系，在应用时根据输入的实际监测数据变化即可快速输出预定位的漏点坐标；随后，以该位置为中心，在平均偏移误差范围内，采用检漏设备进行漏损检测，实现对管网漏点的精准定位，大大提高了漏损控制工作效率。但是，人工神经网络的使用尚有一些局限性，如需要专业人员完成网络搭建、需要大量样本进行训练以保证足够的精度、训练样本增加时训练时间也变长、管网物理条件发生变化时模型需要重新训练等。

2.3.2 多级支持向量机

近年来，Zhang等[25]提出了一种利用多级支持向量机(multiclass support vector machines，M-SVMs)的分类功能实现大型给水管网漏损区域识别的软件方法。与人工神经网络相比，支持向量机(SVM)是一种基于统计学理论的机器学习方法，更适合解决小规模样本问题[26]。在SVM基础上发展而来的M-SVMs则拥有更好的多分类能力，Mamo等[27]将其用于独立计量分区(district metered area，DMA)运行状况的评价与多种漏损程度的判断。

Zhang等[25]提出的方法基于“先聚类后分类”的思想。首先，依据管网不同位置，模拟发生漏损时测压点监测值波动的相似性，提出管网待识别漏损区域的划分方案；然后，在各待识别区域内，利用水力仿真软件随机模拟生成漏损事件样本，这些训练样本以测压点压力波动值作为样本数据，以待识别区域编号作为分类标签；利用生成的漏损事件样本，对M-SVMs进行训练，以建立用于漏损区域识别的数据驱动模型；最终，结合测压点现场观测值，运用M-SVMs数据驱动模型，识别管网中可能发生漏损的区域。完成漏损区域识别之后，还可以结合PDLD法进一步缩小漏损检测的范围，将现场设备检漏工作开展的范围减小至可疑漏损区域中某漏损点附近的管段上。多级支持向量机漏损区域识别与PDLD漏点检测的组合方法为提高大型供水管网漏水点搜寻效率、缩短修复时间提供了可能性，具有实际的工程意义。但是，需要注意的是，用户在使用该方法时面临着漏损区域识别准确率与该区域漏点检测范围的权衡，即更多的待识别漏损区域意味着各区域内更小的漏点检测范围，但同时也意味着更高的计算成本与更低的多级支持向量机分类准确率。

2.3.3 卷积神经网络与支持向量机组合模型

近年来，深度学习成为人工智能领域的研究热点。卷积神经网络(convolutional neural network，CNN)作为深层神经网络的经典结构之一，具有特征提取能力强、泛化能力好、可拓展性强、容错能力强等优点，在处理复杂分类问题时具有优异的表现[28]。

Kang等[29]创新地提出了一种将卷积神经网络与支持向量机相结合构成双分类器的漏损检测方法。为获得更高的漏损识别精度，该方法并未使用测流点、测压点处收集的水力监测数据，而是利用安装在管网中的压电式加速度传感器收集振动信号作为原始数据；随后，采用CNN自动对原始数据的特征进行提取，并将提取的特征分别作为CNN全连接层以及SVM的输入；而后，综合两者的分类结果，得到以概率形式呈现的最终输出，由此判断管网的漏损情况。在检测到管网漏损之后，Kang等[29]还采用了一种基于图论的算法对漏损点进行了定位。该研究提出的方法综合了CNN在样本特征提取以及SVM在处理分类问题方面的优势，采用在韩国首尔某管网中实际收集的夜间时段(2∶00—4∶00)数据进行验证；结果表明，CNN与SVM的组合数据驱动模型与单独的CNN、SVM模型相比，具有更高的漏损检测准确率与更低的误报率，其缺陷在于CNN与SVM的组合模型需要较长的训练时间，且在使用前需添加单独的预处理单元对采集的信号进行去噪预处理以保证检测精度。

以上3类软件检测技术的主要特点如表2所示。

表 2 不同软件检测技术的主要特点Tab.2 Main Characteristics of Different Software-Based Leakage Detection Technologies

3 结论

管网漏损带来的一系列负面影响使其成为供水管网中一个亟待控制和解决的问题。与此同时，“水十条”的考核目标对各地供水企业的漏损控制工作提出了更高的要求。主动漏损检测是管网漏损控制中的关键一环，它作为一项系统性工程，需要先进的设备、因地制宜的核心技术方法、专业的人才等多方面的协同作用。通过了解和借鉴国内外漏损识别新技术，可以帮助供水企业实现传统检漏设备、技术和模式的改造与升级，最终更加高效和有效地开展管网漏损控制工作。

(1)漏损检测硬件技术依靠硬件设备对管道进行现场搜索，通常具有很高的漏损识别精度，可以准确找到漏损点的实际位置。然而，这种方法一般检测范围小，直接在管网中运用时需要付出人力、物力的双重代价，需要花费很长的时间进行漏点搜寻，其使用还受制于工作人员经验、管道大小、管道材料等因素。在硬件技术方面，在结合管网实际情况引进智能球等国外先进硬件设备的同时，今后还应注重基于探地雷达、光纤传感等新技术的设备研发与实地检验。

(2)漏损检测软件技术相对硬件技术来说更加智慧，具有成本费用更低、人工劳动强度更低、检测效率更高、使用不受管道尺寸和管道材料的限制等优点，具有广阔的应用前景。然而，这类技术无法精准定位漏损点，只能识别管网中漏损点的大致位置或辨识管网中的漏损区域。对软件检漏技术而言，小漏损和大型管网漏损的识别是未来需要关注的问题，目前关于大型管网的漏损识别问题可以重点考虑将漏损区域辨识和漏损点定位相结合的思路。

(3)总体来说，目前虽尚没有完全可靠和各场景通用的漏损检测方法，但出现了一种软硬件技术结合检漏的趋势——漏损检测技术，由单纯地依靠硬件设备现场检查转向以软件方法为核心、软硬件结合检漏的综合方法。这种综合方法可首先利用软件检漏技术缩小可疑漏损范围，以指明现场检漏工作开展的方向，再利用硬件检漏技术进行精准识别，提高了漏损检测工作的效率。