近日，山东大学智能探测与应用团队在工业工程和安全领域国际顶级期刊Reliability Engineering and System Safety (中科院1区Top, IF=9.4)发表研究成果“Natural gas pipeline weak leakage detection based on negative pressure wave decomposition and feature enhancement”，山东大学机电与信息工程学院硕士研究生叶霖为第一作者，王成优副教授为该文通讯作者，山东大学为第一完成单位。

天然气管道泄漏检测是保障城市燃气输送安全的关键环节。然而，传统检测方法在外部噪声干扰和特征提取能力不足的情况下，往往难以实现对微小泄漏的高精度识别。针对这一难题，研究团队提出了MDDet模型，该模型基于变分模态分解(Variational Mode Decomposition, VMD)，集成信号分解与特征增强策略，以提高泄漏信号的提取精度和特征表达能力。MDDet主要由两个核心算法构成：相异差(Mutual Difference Distance, MDD)算法和双流特征增强(Dual-stream Enhanced Feature, DEF)算法。其中，MDD算法通过负压波(Negative Pressure Wave, NPW)信号分解进行降噪，并筛选出最优固有模态分量，以有效减少噪声干扰并提升泄漏信号提取的精准度。而DEF算法通过数据裁剪和交叉排序优化特征提取过程，进一步增强对微小泄漏的识别能力。

为了验证MDDet的有效性，研究团队在山东省和广东省的燃气中压管道上开展了实际测试，并进一步评估了该模型在威海市管网环境中微小泄漏检测的应用表现。实验结果表明，MDD算法能够精准提取泄漏信息，DEF算法则能高效分类多通道特征样本，准确反映管道运行状态。与三种搜索算法、三种机器学习模型和七种深度学习模型的对比结果显示，MDDet在去除外部噪声和增强特征有效性方面均表现优越，在真实城市管网环境中，其检测准确率达99.33%，展现出优越的微小泄漏检测能力。

该研究成果为天然气管网的安全监测提供了一种高效、精准的微小泄漏检测方法，在复杂管网环境中具有重要的工程应用价值。

本研究受山东省重点研发计划、山东省自然科学基金创新发展联合基金等项目资助。

作者：叶霖