王显龙 冯 早 赵燕锋

（昆明理工大学a.信息工程与自动化学院；b.云南省人工智能重点实验室）

随着城市建设的快速发展，排水系统成为城市生态物质循环代谢系统的重要一环，正常运行的排水系统起到保护城市环境、提高居民健康水平以及维持城市交通正常运转的作用［1］。近年来，城市内涝灾害频发，排水系统堵塞故障检测的重要性也日益凸显［2］。

因为声波不仅能在空气中传播，还能在固体、液体和气体介质中传播，所以声波作为一种无损检测技术检测排水管道的堵塞故障具有独特优势［3］。利用统计学习方法，对管道内的声波信号进行有效预处理和特征提取，便可实现对管道运行状态的识别。

随着大数据和人工智能技术的发展，机器学习在故障诊断领域的应用越来越广泛，目前基于数据驱动的管道故障识别大多采用监督学习方法。焦敬品等采用BP神经网络对管道泄漏声发射信号进行识别，整体识别率达到了92.5%［4］。伍林峰等采用小波包稀疏表征分类方法对管道堵塞情况进行识别，获得了96.88%的准确率［5］。郎宪明等采用K均值欠采样方法处理不均衡管道数据集，结合改进的双支持向量机快速识别管道泄漏孔径并定位泄漏位置［6］。然而，基于监督学习方法的管道检测识别模型需要大量的已标注数据样本训练模型，这定会增加管道检测数据样本的标注成本。为此，仅在标注少量管道数据样本的情况下，训练高效且泛化能力强的管道堵塞识别分类模型至关重要。……