摘要：管道泄漏检测长期面临同一个悖论：声学是最有效的技术手段，却也是最难标准化的。供水管网漏损率已被列为国家节水型城市的底线指标（CJJ 92 规定核算后 ≤9%），但"听音法依赖老师傅经验、相关仪成本高、噪声记录仪误报多"的现实没有根本改变。本文梳理管道声学检测从听音棒到 AI 声纹的技术谱系，拆解工业管网与城市水务之间四个必须重新校准的物理变量，并给出水务场景的三个可落地切入点。适合管网运维、智慧水务规划与设备选型的工程人员。
引言：一个被低估的难题
城市公共供水管网漏损，是世界性难题。
2022 年 2 月，住房和城乡建设部办公厅与国家发展改革委办公厅联合印发《关于加强公共供水管网漏损控制的通知》，明确到 2025 年，全国城市公共供水管网漏损率力争控制在 9% 以内。这一指标随后进入《国家节水型城市评选标准》，成为底线指标——意味着不达标直接失去评选资格。
"9% 以内"这个数字，看起来不高。但要知道，国内相当一部分城市的实际漏损率长期在两位数运行，老旧城区与城乡结合部片区更高。
漏损不只是水量损失。它同时意味着：
• 供水安全风险：管道破损处是外界污染物入侵的通道
• 公共安全风险：地下空洞、路面塌陷，很多源于长期暗漏冲刷
• 直接经济损失：水厂处理好的成品水，白白漏进了土壤
于是问题回到技术层面：怎么在大面积埋地管网里，把漏点找出来？
________________________________________
01 管道泄漏的声学本质：为什么"听得到"不等于"听得准"
先讲清楚物理前提。
管道内带压流体从破口喷出，会产生两个物理现象：
1. 湍流噪声——流体喷出时形成湍流，辐射宽频噪声
1. 管壁振动——喷流冲击与压力波动激发管壁振动，沿管壁向两侧传播
这两个现象，构成了所有声学检漏方法的基础。只要能捕获管壁振动或喷流噪声，就能间接判断漏点的存在与位置。
听起来直接，难点在三个地方：
难点一：信号弱，且衰减快
漏水声波的有效频段通常在 100 Hz – 5000 Hz 之间。这个频段的信号在传播中最容易被土壤吸收——尤其高频部分，埋深每增加一段，高频衰减就多一分。埋深 2 米以上的漏点，传到地面的往往只剩下低频段。
难点二：每种管材的声速都不一样
这是最容易被忽略、也最影响定位精度的变量：
管材 声波传播速度 对检测的影响
铸铁管 约 1200 m/s 传播远，利于定位
钢管 约 1300 m/s 传播远，但易受电噪声干扰
PE 塑料管 约 350 m/s 衰减极快，高频几乎传不出，检测难度陡增
PE 管在现代供水管网里的占比越来越高（尤其新建小区、城乡结合部支管）。它的声学特性与金属管不在一个量级——同样的检测方法和参数，在铸铁管上工作良好，换到 PE 管上可能完全失效。
难点三：环境噪声的干扰是结构性的
管网周边的噪声源几乎是恒定的：
• 城市交通（低频、连续）
• 水泵机组工频振动（周期性、稳定）
• 二次供水设备运行噪声
• 沿街商铺设备、施工噪声
这些噪声与漏点信号的频段高度重叠。所以问题不是"信号太小听不见"，而是"目标信号和干扰信号混在一起，分不开"。
这就解释了为什么"听得到"和"听得准"是两件事：传统听音法靠人耳在噪声中筛选目标信号，本质上是把判断责任交给了经验——这也是它无法规模化的根本原因。
________________________________________
02 技术谱系：从听音棒到 AI 声纹
管道声学检测的技术演进，大致经历了五个阶段：
第一代：机械听漏棒
一根金属杆，一端抵住阀门、消火栓或管道暴露点，一端贴耳。结构简单、无需供电、成本极低。
局限同样明显：完全依赖人耳主观判断，无法识别微小暗漏与深埋漏点，在嘈杂环境下基本失效。
第二代：电子听漏仪
加入传感器与放大器，灵敏度显著提升，可捕捉中小量级漏点。
但这一代没有噪声过滤能力，抗干扰性差，检测数据无法存储和追溯。结果高度依赖操作人员经验，新人上手难度大。
第三代：数字相关仪
这是目前供水管网检漏的主力装备。
原理是互相关分析：在疑似漏水管段两端各安装一枚高灵敏度压电加速度传感器（通常装在阀门井或消火栓），管壁传播的漏水声波被转换为电信号；主机对两路信号做数字滤波后，计算互相关函数，得到两路信号的时延差 Δt，再根据声速 V 反推漏点位置：
其中 D 为两传感器间距，L 为漏点距近端传感器的距离。
数字相关仪把定位精度提升到 0.1–0.3 米，成为行业标准工具。但它有三个现实门槛：
• 需要管段两端都有可安装传感器的接入点
• 需要知道该管段准确的声速参数（管材、管径、埋深都影响）
• 设备成本与操作门槛都较高
第四代：多探头噪声记录仪
固定安装在管网节点上，24 小时连续监听，通过"夜间最小流量时段"的低噪窗口识别异常声源。
这一代的关键进步是从"被动巡检"转向"主动监测"——不再等巡检周期到了才去听，而是让管网一直处在监听状态。
代价是：节点数量与成本成正比，且大量节点产生的告警需要人工复核，误报率是规模化部署的主要阻力。
第五代：AI 声纹识别
在噪声记录仪的基础上叠加机器学习：不再靠人工设阈值，而是用模型自动甄别"车流扰动、水泵工频、施工噪声"等干扰声源，只把真正符合漏水特征的事件推给人。
主流做法是预训练声纹库路线：厂商采集海量现场声学样本（公开资料中已有"数十万条管网漏水声纹样本"级别的表述），训练通用模型，客户部署后直接使用。
这条路线的工程价值是明确的：大幅降低对人工经验的依赖。但它也有一个前提假设，而这个假设在现实中经常不成立——下一节展开。
________________________________________
03 一个被忽略的前提：漏点样本永远不够
预训练声纹库路线的隐含假设是："漏水声"是一种可以跨管网迁移的稳定特征。
这个假设在多大程度上成立，取决于漏点信号的一致性。而现实中，影响同一处漏点声纹特征的变量至少有：
• 管材（铸铁 / 钢 / PE / PVC，声速差 3–4 倍）
• 管径与壁厚
• 埋深与土壤类型（砂土 / 黏土 / 回填土，吸声特性不同）
• 管内压力与流速（压力 0.2 MPa 与 0.5 MPa，喷流噪声强度差异显著）
• 漏口形态（孔洞 / 裂缝 / 接口渗漏，辐射特性完全不同）
• 周边噪声基底（主干道旁的管网与郊区管网的可用信噪比天差地别）
这些变量组合起来，使得"一套模型打遍全城管网"很难成立。 更现实的情况是：通用模型在典型工况下能给出参考，但要在某个具体片区内做到低误报，仍然需要针对该片区做适配。
而对模型做适配，就回到了工业 AI 最经典的那个困境——你需要该片区的漏点样本。
问题是，漏点样本从哪来？
• 漏点是异常事件，一个维护良好的片区，一年可能只发生几处
• 漏点出现后会被快速修复，修复完信号就消失了
• 不可能为了训练模型，在管网上人为制造漏点
这就是工业声学场景的共性矛盾：异常样本天然稀缺，而监督学习要求先有大量异常样本。
这个矛盾在产线质检里表现为"攒不出足够的不良品"，在管网检漏里表现为"攒不出足够的漏点录音"。本质是同一个问题。
________________________________________
04 从工业管网到城市水务：四个必须重新校准的变量
工业管道场景（如蒸汽管网、厂区工艺管道）与城市供水管网，在声学检测上共享同一套物理原理，但有四个关键差异，决定了方案不能直接照搬。
变量一：集中式 vs 分布式
工业管网的检测点是集中的——一个厂区、一条管线，可以部署固定式高精度设备，用较高的单位成本换取检测质量。
城市供水管网是分布式的：数百公里的管线、成千上万个节点，任何方案都必须先把单节点成本压到可持续的水平，否则铺不开。
变量二：可达性
工业管道通常有明确的巡检通道、阀门井、支架平台，设备安装与维护相对可控。
城市管网埋在路面下，很多节点位于车行道、绿化带、小区内部。安装需要开挖或占道许可，维护成本高。 这要求设备必须具备长期免维护能力——包括供电自持、通信可靠、防误报。
变量三：噪声基底完全不同
工业园区的主要干扰是设备运转噪声，频谱相对稳定、可预测。
城市管网要面对的是：交通流（早晚高峰差异巨大）、施工（突发、不规律）、商业活动、二次供水机组。噪声基底是非平稳的，任何基于"固定阈值"或"稳定背景"的方法都会失效。
变量四：判断标准不一样
产线质检的判断标准是"这个工件合格 / 不合格"——二分类，单一工件。
管网监测的判断标准是"这一段管网里有没有漏点、大概在哪"——这是区域级、多节点协同的问题。单个节点的告警价值有限，必须结合节点间的空间关系与时间相关性才能定位。
小结：工业管网的经验可以迁移的是方法论（声学特征提取、抗噪处理、跨平台一致性），不能直接迁移的是部署形态与判断逻辑。
________________________________________
05 水务场景的四个可落地切入点
基于上述差异，水务领域的声学检测有几个务实的切入点——它们不一定都需要"全城管网全覆盖"这样的大工程。
切入点一：工业水系统（厂区内闭环）
这是与既有工业经验最接近、也最容易见效的场景：工厂的循环水系统、冷却水管道、消防水管网、污水处理厂内的工艺管道。
特点是：范围可控、可达性好、能部署固定式设备。工业客户对"管网健康监测"的付费意愿也明确——因为这些管道一旦泄漏，直接影响生产。
切入点二：DMA 分区计量 + 声学复核
分区计量（DMA）解决的是"哪个片区有问题"，不解决"具体在哪一段"。而声学检测解决的正是后者。
两者组合的价值在于：用 DMA 把排查范围从全城管网缩小到一个小区、一条支线，再用声学设备精确锁定。 这使得声学设备不需要全域铺开，只需要按需部署在重点片区——成本门槛一下子降下来了。
（广州黄埔区的实践可作为参照：通过构建四级分区计量体系，该区公共供水管网漏损率下降了 7.41 个百分点。分区计量的价值已被验证，而它下游的"最后一公里精确定位"正是声学方案的用武之地。）
切入点三：老旧管网与高风险管段的重点监测
不必追求全线覆盖。把有限的设备投向已知高风险的管段——管龄超过 20 年的铸铁管、历史漏点密集区、地质沉降区、重载交通下方的管道。
这是典型的风险导向部署：用 20% 的节点覆盖 80% 的风险。
切入点四：PE 管等非金属管道的专项方案
PE 管声速只有金属管的三分之一左右、高频衰减极快，是现有方法公认的难点。
正因为难，这里反而存在技术差异化的空间：谁能把 PE 管场景做扎实，谁就能拿到增量市场——而 PE 管在新建管网里的占比还在上升。
________________________________________
06 落地建议：分三步走
对准备引入声学检测的水务单位，建议按以下路径推进，避免一次性大规模部署的风险：
第一步：单片区验证（1–2 个月）
选一个管网条件明确、漏损率偏高、边界清晰的独立片区（优先选 DMA 已建成的分区），部署有限数量的监测点，用已知漏点验证检出率与误报率。
关键动作：在验证期同步采集该片区正常运行的声学基线——这是后续所有模型的基础。
第二步：基线学习与模型本地化（1–3 个月）
这一步是区分不同技术路线的分水岭：
• 若走预训练库路线：直接调用厂商通用模型，接受其在该片区的泛化误差
• 若走基线学习路线：用第一步采集的正常运行声纹建立该片区的"健康基线"，凡是偏离基线的报为异常
后者不需要漏点样本，恰好绕开了"漏点稀缺"这个根本矛盾。代价是需要在验证期投入一些基线采集工作。
第三步：按风险扩面（持续）
验证通过后，不追求全域铺开，而是按风险等级把成功经验复制到同类片区——同样的管材、同样的埋深条件、同样的噪声环境。
同类片区之间的模型迁移成功率，远高于跨类型迁移。
________________________________________
结语：技术路线的分歧，本质是对"样本"的回答
回到本文开头那个悖论：声学是管道检漏最有效的技术手段，却最难标准化。
难在哪？难在"漏点样本永远不够"这个前提上。
于是行业出现了两条技术路线：
预训练声纹库路线 基线学习路线
依赖 海量厂商侧漏点样本 客户侧正常运行样本
优势 开箱可用，无需本地数据积累 无需漏点样本，本地适配性强
局限 跨管网泛化存在误差，需现场适配 需要验证期采集基线
适合 通用场景、快速覆盖 重点片区、高精度要求
这两条路线不是对立的，而是互补的——这正是工业声学 AI 在管网场景里的现实格局。
真正决定方案成败的，往往不是算法本身，而是那些更朴素的问题：设备能不能长期免维护地跑下去？误报能不能压到运维人员愿意接受？数据能不能接进客户已有的系统？
这些问题的答案，不在论文里，在现场。
________________________________________
作者：贺中义 单位：上海创单电子科技有限公司（ISSAUTO）