导读
天然气管道泄漏检测是一个"慢不得"的高风险问题------延误几分钟，可能意味着爆炸、环境污染和巨额损失。近年来，联邦边缘AI驱动的自主无人机蜂群（Federated Edge-AI Autonomous Drone Swarms）成为管道实时监测的前沿方案，但一个核心难题始终存在：来自热成像、气体浓度、声学信号、地理空间等多源传感器的数据天然带有模糊性、矛盾性和不完整性，传统的确定性决策方法难以胜任。
本文提出一种将直觉中子集（Intuitionistic Neutrosophic Set, INS）与Sugeno-Weber（SW）范数相结合的混合多准则决策框架（INS-SW），构建了6类新型聚合算子，能够同时表达传感器证据中的"支持泄漏""否定泄漏"和"不确定"三个独立维度。在一个包含4种管道监测方案、4项评价准则、3位专家打分的案例研究中，6类算子均一致地将量子增强联邦学习无人机蜂群排在首位（得分 0.4476--0.5460），且与基准方法WASPAS的排序结果在最优方案上保持一致，但在中间方案的区分度上表现更优。
论文信息
- 标题： Federated Edge-AI for Reliable and Privacy-Preserving Pipeline Leak Detection in Drone Swarms Using Neutrosophic Sugeno-Weber Norms
- 机构： 西安国际大学（中国）、Khwaja Fareed工程与信息技术大学（巴基斯坦）、喀布尔理工大学（阿富汗，通讯作者）、深圳大学（中国）、高丽大学（韩国）、Dogus大学（土耳其）、维尔纽斯格迪米纳斯技术大学（立陶宛）
- 发表： Scientific Reports（Nature系列）
- DOI： doi.org/10.1038/s41...
一、管道泄漏检测中的多源不确定性：传统决策方法为何力不从心？
天然气管道泄漏检测涉及多维度的评估：检测精度、传感器可靠性、通信延迟、能耗、环境影响等，每个维度都带有不同程度的不确定性。在联邦边缘AI无人机蜂群的场景中，这种不确定性进一步被放大：
- 传感器数据的不完整性：无人机搭载的气体浓度、热成像、压力和振动传感器可能产生相互矛盾的读数
- 分布式环境的异质性：地形差异、气候条件变化、传感器性能波动导致各无人机节点的数据质量参差不齐
- 多方利益相关者的主观偏差：工程师、监管机构、运营商对同一方案的评价标准和权重存在分歧
传统的多准则决策（MCDM）方法如WASPAS（加权聚合和积评估法）采用线性或补偿性聚合，在面对上述三重不确定性时存在明显短板：它们要么假设数据是精确的，要么只能通过模糊集表达有限的"隶属/非隶属"二元信息，无法独立刻画不确定性本身。
论文指出，这正是引入直觉中子集（INS） 的核心动机。INS为每个评估值赋予三个独立维度：真实度（truth） 、不确定度（indeterminacy） 和虚假度（falsity） ，且三者之和可超过1（上界为2），从而提供了比模糊集和直觉模糊集更丰富的不确定性表达能力。
图片来源于原论文
二、INS与Sugeno-Weber范数的结合：用非线性聚合捕捉准则间的相互作用
2.1 直觉中子集（INS）的三维不确定性建模
传统模糊集只有一个隶属度值，直觉模糊集增加了非隶属度但要求两者之和不超过1。中子集（Neutrosophic Set, NS）进一步引入了真实度τ、不确定度ι和虚假度φ三个独立函数，但原始NS过于宽泛。INS在NS基础上施加了约束：
这使得INS既保留了三维独立表达的灵活性，又具备可计算性。在管道泄漏检测的语境中：
- 真实度τ：传感器数据支持"此处存在泄漏"的证据强度
- 虚假度φ：传感器数据否定泄漏的证据强度
- 不确定度ι：传感器读数相互矛盾或信息缺失的程度
2.2 Sugeno-Weber范数：为何选择非线性聚合？
传统的加权平均聚合假设各准则之间是独立的，但在实际管道监测中，检测精度与通信延迟、传感器可靠性与能耗之间往往存在非线性关联。Sugeno-Weber（SW）t-范数和t-余范数通过一个可调参数ℑ，能够灵活地在"最弱关联（ℑ = -1）"到"最强关联（ℑ = +∞）"之间平滑过渡：
- 当 ℑ = -1 时，退化为极端t-范数/极端t-余范数（drastic t-N/t-CN）
- 当 -1 < ℑ < +∞ 时，以非线性方式模拟准则间的交互效应
- 当 ℑ = +∞ 时，退化为代数积/代数和
论文将INS的三维表达能力与SW范数的非线性聚合能力相结合，构成了INS-SW决策框架的理论基础。
三、六类INS-SW聚合算子：从加权平均到混合加权
论文基于INS-SW框架，系统地定义了6类聚合算子，并逐一证明了其幂等性、单调性和有界性：
| 算子类型 | 全称 | 聚合方式 | 特点 |
|---|---|---|---|
| INWA_SW | 直觉中子加权算术SW算子 | 加权算术平均 | 基础算子，对各准则按权重线性组合 |
| INWG_SW | 直觉中子加权几何SW算子 | 加权几何平均 | 对极端值更敏感，适合惩罚短板准则 |
| INOWA_SW | 直觉中子有序加权算术SW算子 | 先排序再加权 | 考虑评估值的相对大小排序 |
| INOWG_SW | 直觉中子有序加权几何SW算子 | 先排序再几何加权 | 结合排序与几何平均 |
| INHWA_SW | 直觉中子混合加权算术SW算子 | 混合加权+平衡系数 | 同时考虑重要度权重和位置权重 |
| INHWG_SW | 直觉中子混合加权几何SW算子 | 混合加权+几何聚合 | 结构最复杂，对方案的区分力度较强 |
以INWA_SW为例，其聚合公式为：
展开后的三维表达涉及SW参数ℑ对真实度、不确定度和虚假度的非线性变换。每增加一层复杂度（从加权→有序加权→混合加权），算子对不确定信息的区分和利用能力都有所增强。
论文通过数学归纳法证明了这6类算子均满足三条基本性质：
- 幂等性：若所有输入相同，输出等于该输入
- 单调性：若每个输入都不劣于对应的另一组输入，则聚合结果也不劣
- 有界性：聚合结果介于所有输入的最小值和最大值之间
四、案例验证：四种管道监测方案的多准则排序与对比分析
4.1 案例设置
论文设计了一个具体的管道泄漏检测技术选型案例，评估4种前沿监测方案在4项关键准则下的表现：
四种备选方案：
- J₁：量子增强联邦学习无人机蜂群------利用量子辅助优化提升分布式学习的收敛性和决策能力
- J₂：AI驱动修复型无人机（自愈管道）------无人机自动发现并修补泄漏，形成自愈闭环
- J₃：数字孪生管道+实时无人机反馈------构建管道虚拟镜像，支持预测性维护
- J₄：水下-空中混合无人机蜂群------同时覆盖陆上和海底管道
四项评价准则：
- F₁：联邦边缘AI与隐私保护学习能力
- F₂：自主蜂群自组织与自愈网络能力
- F₃：多传感器融合AI的精确泄漏检测能力
- F₄：区块链安全联邦更新与网络韧性
3位领域专家分别提供INS三元组决策矩阵，专家权重为ω = {0.38, 0.47, 0.15}，准则权重λ = [0.15, 0.25, 0.25, 0.35]，SW参数α = 2。
4.2 排序结果
经过决策矩阵聚合、评分和排序，6类算子的评分结果如下：
| 算子 | J₁得分 | J₂得分 | J₃得分 | J₄得分 | 排序 |
|---|---|---|---|---|---|
| INWA_SW | 0.5460 | 0.4729 | 0.4849 | 0.4944 | J₁ > J₄ > J₃ > J₂ |
| INWG_SW | 0.5410 | 0.4642 | 0.4783 | 0.4920 | J₁ > J₄ > J₃ > J₂ |
| INOWA_SW | 0.5122 | 0.5071 | 0.4875 | 0.5059 | J₁ > J₂ > J₄ > J₃ |
| INOWG_SW | 0.5083 | 0.4985 | 0.4803 | 0.5039 | J₁ > J₄ > J₂ > J₃ |
| INHWA_SW | 0.4476 | 0.4271 | 0.4205 | 0.4385 | J₁ > J₄ > J₂ > J₃ |
| INHWG_SW | 0.4940 | 0.4022 | 0.4159 | 0.4230 | J₁ > J₄ > J₃ > J₂ |
核心发现：
-
所有6类算子一致将 J₁（量子增强联邦学习） 排在第一位，得分范围 0.4476--0.5460
-
J₄（混合无人机蜂群）在5/6类算子中排名第二
- J₂和J₃的排名在不同算子间有所波动，反映了有序加权和混合加权对中间方案的区分能力
图片来源于原论文
4.3 与WASPAS方法的对比
论文将INS-SW框架与传统WASPAS方法在相同数据上进行对比：
| 方案 | 加权和得分 | 加权积得分 | WASPAS综合得分（λ=0.5） | 排名 |
|---|---|---|---|---|
| J₁ | 0.5457 | 0.5411 | 0.5434 | 1 |
| J₂ | 0.4729 | 0.4642 | 0.4686 | 4 |
| J₃ | 0.4849 | 0.4783 | 0.4816 | 3 |
| J₄ | 0.4944 | 0.4921 | 0.4932 | 2 |
WASPAS的排序为 J₁ > J₄ > J₃ > J₂，与INS-SW中INWA_SW、INWG_SW、INHWG_SW三类算子的排序完全一致。两种方法在最优方案（J₁）上高度吻合，验证了INS-SW框架的有效性。但INS-SW的优势在于：通过6类不同聚合策略提供了更丰富的决策视角，能够揭示中间方案排名的敏感性，为决策者提供更全面的信息。
图片来源于原论文
五、总结与思考
本文提出了一种将直觉中子集与Sugeno-Weber范数相结合的多准则决策框架，系统构建了6类聚合算子，并在联邦边缘AI无人机蜂群管道泄漏检测的场景中验证了其有效性。该框架的核心贡献在于：通过INS的三维（真实度/不确定度/虚假度）表达能力，配合SW范数的非线性聚合特性，为涉及多源不确定性的工业决策问题提供了一种理论完备且可调节的数学工具。
方法层面的价值： 与现有的INS-TOPSIS、INS-WASPAS、INS-EDAS等方法不同，INS-SW框架通过可调参数ℑ显式建模了准则之间的非线性交互关系，这对传感器数据天然存在相互依赖的分布式监测系统具有理论意义。6类算子从不同角度（加权策略、聚合方式）对相同数据进行处理，其排名的一致性和差异性本身就是有价值的决策信息。
应用层面的定位： 需要指出的是，本文的"联邦边缘AI"和"无人机蜂群"主要作为决策框架的应用场景，论文的核心贡献在于MCDM理论和算子设计，而非无人机系统或边缘AI架构的工程实现。案例研究采用的是专家打分的INS决策矩阵，而非真实的传感器数据或系统部署实验。
局限与展望： 论文在结论中提到了边缘设备计算开销、大规模蜂群的通信延迟与可扩展性等实际部署挑战。未来方向包括与区块链结合实现安全数据交换、与数字孪生结合进行预测性维护、以及与MABAC、CoCoSo等其他MCDM方法的进一步对比分析。