Метод обнаружения утечек в трубопроводе для системы энергоснабжения котла с использованием усовершенствованной акустической эмиссии на базе SVM

Почему незаметные утечки на электростанциях имеют значение

Внутри крупных электростанций сети металлических труб переносят кипящий пар и горячие газы, которые обеспечивают подачу энергии. Если одна из этих труб начинает протекать — даже через отверстие размером с игольное — это может приводить к потере энергии, повреждению оборудования и в крайних случаях вызывать опасные взрывы. При этом шум и тепло работающего котла затрудняют раннее обнаружение таких утечек. В этом исследовании рассматривается более «умный» способ «слушать» трубы с помощью звуковых волн и методов машинного обучения, чтобы быстро и надежно выявлять небольшие утечки, даже в очень шумной промышленной среде.

Слушать трубы вместо того, чтобы смотреть на манометры

Традиционные методы обнаружения утечек ориентированы на давление или расход: операторы следят за падением давления или расхождениями между объемом жидкости, поступающей и выходящей. Эти методы работают удовлетворительно при больших резких авариях, но они медлительны и часто пропускают маленькие или медленно развивающиеся утечки. Подход, описанный в статье, опирается на акустическую эмиссию — крошечные волны напряжения, распространяющиеся по металлу, когда формируется трещина или уходит пар. Чувствительные пьезоэлектрические датчики, приклеенные к стенке трубы, улавливают эти волны, которые затем фильтруют и преобразуют в цифровые сигналы. Поскольку эти звуковые сигнатуры исходят непосредственно от источника утечки, они позволяют выявлять проблемы раньше и работают в суровых условиях, где другим датчикам сложно справиться.

Преобразование шума в информативные шаблоны

Простейшего захвата звука недостаточно: в работающем котле много фонового шума от насосов, вентиляторов и движущегося газа. Исследователи решают эту проблему, сжимая каждое всплесковое событие акустических данных в «отпечаток» из восьми чисел, описывающих поведение сигнала во времени и по частотам. Некоторые показатели фиксируют силу и длительность всплеска; другие измеряют, как быстро он нарастает, как часто он затухает и как распределена его энергия по низким или высоким частотам. Эти отпечатки по-разному характеризуют три типа утечек, которые изучали авторы — точечные отверстия, развивающиеся трещины и взрывообразные разрушения труб — так что компьютер может научиться их различать.

Более умный механизм принятия решений для шумных производств

В основе системы лежит усовершенствованная версия метода опорных векторов, широко используемого алгоритма классификации. Стандартные варианты этого алгоритма испытывают трудности, когда данные шумные и сигналы разных типов утечек неразделимы чисто. Авторы предлагают два ключевых улучшения. Во-первых, они автоматически выбирают между простой и более гибкой разделяющей функцией в зависимости от того, насколько сконцентрировано или распределено частотное содержимое сигнала: разреженные, резко пиковые спектры обрабатываются простой функцией, тогда как сложные широкополосные спектры используют искривленную. Во-вторых, при обучении они придают повышенный вес тем образцам сигналов, которые попадают близко к границе решения — именно там шум наиболее вероятно приведет к ошибкам — чтобы алгоритм научился проводить более надежные разделяющие линии.

Проверка метода на практике

Команда собрала лабораторную модель трубопровода котла, чтобы генерировать контролируемые утечки трех типов и записывать их акустические сигнатуры. В условиях тишины, похожих на хорошо изолированную лабораторию, усовершенствованный классификатор правильно распознавал все тестовые образцы точечных, трещинных и взрывных утечек — достигнув 100-процентной точности. Настоящим испытанием стало добавление сильного искусственного шума, имитирующего жесткий фон в 70 дБ, типичный для реальных котельных. Даже в этих условиях метод корректно классифицировал более 85 процентов утечек по всем трем типам и превзошел тщательно настроенный традиционный SVM примерно на 12–15 процентных пунктов. Он также показал лучшие результаты по сравнению с другими распространенными инструментами: деревьями решений, случайными лесами, бустинговыми моделями, k-ближайших соседей и компактной нейросетью глубокого обучения, обученной на том же небольшом наборе данных.

Что это значит для более безопасной и чистой энергетики

Для неспециалистов главное — это то, что работа делает гораздо более практичным мониторинг критичных трубопроводов котлов с помощью звука, без необходимости огромных объемов обучающих данных или абсолютно бесшумных условий. Сочетая компактный акустический отпечаток с адаптивным, устойчивым к шуму классификатором, метод может ранжировать вероятный тип утечки рано и надежно. На электростанциях это может означать меньше катастрофических аварий, меньшие потери топлива и более эффективные графики технического обслуживания — когда бригады направляют интеллектуальные системы прослушивания к источнику проблемы задолго до того, как она станет видимой.

Цитирование: Yuan, T., Zhang, X., Zhang, Q. et al. A pipeline leakage detection method for boiler energy operation system using enhanced SVM-based acoustic emission technology. Sci Rep 16, 12520 (2026). https://doi.org/10.1038/s41598-026-42769-5

Ключевые слова: обнаружение утечек в трубопроводе, акустическая эмиссия, безопасность котла, машинное обучение, метод опорных векторов