一种用于锅炉能耗运行系统的管道泄漏检测方法：基于改进SVM的声发射技术

电厂中隐匿泄漏为何重要

在大型电厂内部，金属管网输送滚烫的蒸汽和热气以维持供电。如果这些管道出现泄漏——即便是针尖大小的孔——也会浪费能量、损坏设备，并在极端情况下引发危险的爆炸。然而，运行中的锅炉本身的噪声和高温使得此类泄漏难以及早发现。本研究探讨了一种更智能的“听”管道内异常的方法，结合声波与机器学习，目标是在非常嘈杂的工业环境中仍能快速、可靠地捕捉到微小泄漏。

听管道而不是盯着仪表

传统的泄漏检测方法侧重于压力或流量：操作员监测压力下降或进出流量不匹配。这些方法对大而突发的故障效果尚可，但反应较慢且常常漏检小规模或缓慢增长的泄漏。本文的方法则依赖声发射——当裂纹形成或蒸汽逸出时在金属中传播的微小应力波。粘贴在管壁上的敏感压电传感器接收这些波形，随后对信号进行滤波并数字化。由于这些声学特征直接来自泄漏本身，它们能更早揭示问题，并在其他传感器难以工作的恶劣条件下仍然有效。

将原始噪声转化为有意义的模式

仅仅采集声音不足以解决问题：运行中的锅炉充斥着来自泵、风扇和气体流动的背景噪声。研究者通过将每个声发射突发事件压缩为八个数的“指纹”来应对这一挑战，这些数字描述了信号随时间和频率的表现。部分数值反映突发的强度和持续时间；另一些衡量上升速度、振铃频率以及能量在低频或高频的分布。这些指纹在他们研究的三类泄漏——局部小孔、扩展裂缝和剧烈管爆——之间表现出典型差异，从而使计算机能够学习并区分它们。

为嘈杂工厂设计的更智能决策引擎

系统的核心是一个改进版的支持向量机（SVM）分类器。标准的SVM在数据噪声大且不同泄漏类型产生的信号不易分离时会遇到困难。作者提出了两项关键改进。首先，他们根据信号频谱的集中或分散程度自动在简单与更灵活的判决规则之间选择：对于稀疏、尖峰式的谱采用简单规则，而对复杂的宽带谱则采用曲线型规则。其次，在训练时对那些落入决策边界附近的样本给予更高的权重——正是在这些区域噪声最可能导致错误——从而让算法学会画出更可靠的分界线。

方法的实测验证

团队搭建了一个实验室尺度的锅炉管道系统，以产生受控的三类泄漏并记录其声学特征。在类似良好隔音实验室的安静条件下，改进的分类器将局部小孔、裂缝和爆裂样本全部正确识别——达到100%精度。真正的挑战出现在研究者加入强人工噪声以模拟典型锅炉房约70 dB的恶劣背景时。即便如此，他们的方法在三类泄漏上的总体正确分类率仍超过85%，并且比经过精心调参的传统支持向量机高出约12到15个百分点。它也优于其他常用工具，如决策树、随机森林、提升模型、k近邻以及在相同小样本集上训练的轻量深度学习网络。

对更安全、更清洁能源的意义

对非专业读者而言，结论是这项工作使得利用声学手段监控关键锅炉管道变得更为可行，无需大量训练数据或完全无噪声的环境。通过将紧凑的声学指纹与自适应、噪声感知的分类器结合，该方法能及早且可靠地标记可能的泄漏类型。在发电厂中，这可能转化为更少的灾难性故障、更少的燃料浪费以及更高效的维护流程——现场人员可借助智能监听系统，在问题可见之前就被指引到故障位置。

引用: 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

关键词: 管道泄漏检测, 声发射, 锅炉安全, 机器学习, 支持向量机