管道是用管子、管子联接件和阀门等联接成的用于输送气体、液体或带固体颗粒的流体的装置。2017年，中国的油气管道总里程已经累计达到13.31万千。预计到2020年,全国油气管网规模要达到16.9万千米。当然还有我们日常生活中的给水排水系统，通风系统等也需要用到管道。可见，管道产业在我国发展如此迅速，可是随之而来的当然还有一些管道上的故障，这就需要我们日常的检验、维护与修理。管道系统中最大的问题就是泄漏问题，而且管道大都运输易燃易爆物品,一旦出现泄漏极易引起爆炸等类似事故。研究管道泄漏有利于保障燃油、液化气、水等物品的有效输送；进一步加强各国各地区的资源合理分配；降低易燃易爆资源的输送风险。

管道泄漏的原因大致可分为自然原因和人为原因,其中自然原因占绝大多数,如金属腐蚀、磨损、天气原因等；人为原因主要有安装时的故障、人为破坏、意外事故等。这些都是造成管道泄漏的重要原因。

1.1国内研究现状

早在1997年,北京大学力学与工程科学系的唐秀家教授、颜大椿教授就等研究了管道泄漏后产生的力波在管道内传播的机理，首次将泄漏信号的特征值作为神经网络的输入数据，构建了神经网络模型对管道运行状况进行分类，进而判断管道是否发生泄漏^[16]。目前,国内已有很多研究管道泄漏的方法。如，声发射技术：声发射技术可以对管道泄漏进行连续检测，对诊断的实时性要求不高，不要求在泄漏刚发生时就必须检测到泄漏信号，可以在泄漏发生后的一段时间内进行检测，对管道小泄漏也能够及时发现，极大地提高了诊断的方便性和正确性^[10]。还有采用中亚管道某相邻两站场的历史数据,根据负压波检测原理，在matlab环境下采用基于高木－关野模糊神经网络的预测模型，使用stoner管道仿真软件，用一种较简单的方法较好的实现了管道泄漏定位^[8]。神经网络算法也包括很多内容,如BRF神经网络,T-S神经网络,模糊神经网络等。模糊神经网络模型的优点在于结合模糊算法和神经网络模型，模型检测方法具有较强的抗噪声能力和较低的误警率^[11]。

1.2国外研究现状

近些年，随着人工智能技术和计算机的迅速发展，国内外专家基于已采集的声发射信号提出了反向传播神经网络（BPNN）、DS融合和支持向量机（SupportVector Machine，SVM）等方法对管道故障进行智能诊断。然而BPNN方法存在收敛速度过慢的问题，并且容易陷入局部最优；DS方法通常在识别过程中无法获得大量的样本数据；SVM方法其实是一个针对二分类问题的分类器，而针对分类问题，其存在参数和核函数不容易确定等缺点，并且分类器的构造比较困难。这些都是浅层机器学习方法，其学习能力都非常有限。深度机器学习是由Hinton教授等^[17]在2006年提出的，深度学习神经网络就是其中之一，较强的自动学习能力是它的最大特点。主要体现在可以对输入数据进行逐层的特征学习，并能转换重构新的特点，避免了特征的人工选择和提取，所以其渐渐成为了近几年国内外的研究热点之一^[18-20]。

因此，用神经网络研究管道泄漏对于工业、生活、科技、军事等方面均具有重大意义，本文将会对管道的正常工作提供理论指导。