近日，北京农学院智能科学与工程学院青年教师张宇轩作为通讯作者，在国际可靠性工程领域顶级期刊Reliability Engineering & System Safety （IF=13.7）在线发表题为“Pipeline Posterior Scoring Module for out-of-distribution detection via attachable uncertainty quantification”的研究论文。该研究围绕复杂工业管网监测场景中深度学习模型面对未知泄漏类型、传感器异常及分布外样本时易产生过度自信误判的问题，提出了一种面向管道泄漏检测的可外挂后验评分模块（Pipeline Posterior Scoring Module, PPSM），为工业管网结构健康监测中的高可靠智能诊断提供了新的技术路径。

随着城市供水、油气输送、农业灌溉及工业流体系统规模不断扩大，管道泄漏可能引发严重安全事故、资源浪费与环境污染。近年来，深度学习方法在管道泄漏识别任务中表现出较高精度，但多数模型仍建立在“封闭世界”假设之上，即训练阶段只学习已知泄漏类型。当实际运行环境中出现未知泄漏模式、传感器漂移、强噪声干扰或其他分布外样本时，模型可能仍给出高置信度的错误分类结果，从而威胁管网监测系统的安全性与可靠性。针对这一问题，研究团队提出PPSM模块，在不修改原有泄漏检测模型参数、不重新训练主干网络的情况下，为已部署模型增加分布外风险识别与不确定性量化能力，实现对现有管道智能监测系统的低成本、低干扰可靠性增强。

该研究的核心创新在于将多层特征融合、贝叶斯不确定性建模与风险感知训练目标相结合。PPSM可外挂于ResNet101、VGG19、MobileNetV2等不同深度神经网络结构，通过提取预训练模型的多层中间特征，融合从浅层信号纹理到深层故障语义的多尺度信息，并输出Dirichlet分布参数，实现对认知不确定性与数据不确定性的刻画。在训练策略上，研究团队设计了风险驱动的变分推断目标和噪声验证策略，使模型从单纯追求分类精度转向同时关注未知风险感知能力，从而有效缓解传统深度学习模型在分布外样本上的过度自信问题。

实验结果表明，所提出的PPSM在真实分布外检测与合成传感器故障检测任务中均表现出良好的稳定性和泛化能力。在真实分布外检测实验中，PPSM在分支型与环型两种管网拓扑结构下、结合三类主流神经网络架构时，AUROC整体保持在0.88以上，且多数情况下漏报警率低于0.15，显著优于Softmax熵和Monte Carlo Dropout等传统不确定性量化方法。在合成故障实验中，PPSM对随机噪声、传感器零点偏移和线性漂移等典型传感器异常均保持较高检测性能。更重要的是，PPSM仅包含约26.3万个参数，单次推理时间约为5ms，具备良好的轻量化部署潜力，适用于资源受限的工业边缘监测系统。

管道后验评分模块（PPSM）方法示意

学校智能科学与工程学院青年教师张宇轩为论文通讯作者，该研究与哈尔滨工程大学、西安交通大学、清华大学以及瑞典中部大学合作完成。此外，清华大学的李彦夫教授为该研究提供了宝贵建议与学术指导。该研究得到了瑞典知识基金会下一代工业物联网与面向欧盟地平线的技术转移项目的资助。

论文链接：https://doi.org/10.1016/j.ress.2026.113029