一种面向质量感知的多模态可靠性框架用于寒区隧道健康评估与剩余使用寿命预测

《Infrastructures》：A Quality-Aware Multimodal Reliability Framework for Health Assessment and Remaining Useful Life Prediction of Cold-Region Tunnels

　　

本研究提出了一种面向质量感知的多模态框架，用于寒区隧道的健康状态评估与剩余使用寿命（RUL）预测。该框架集成了结构响应、环境、表观缺陷和工程检测数据，其中表观缺陷路径通过卷积神经网络联合编码原始图像和结构化缺陷变量。五个数据质量维度——完整性、准确性、一致性、及时性和可追溯性——被纳入可靠性引导的多模态融合中。它们的基础权重通过两轮专家咨询重新审计，每轮包含323份有效问卷。基于Cr加权群组层次分析法（Cr-weighted group AHP）得到的权重分别为0.0548、0.1326、0.1372、0.2279和0.4474，群组一致性比率为0.0455；在逐次+10%的扰动下，排序保持稳定。在主要隧道案例研究中，该框架实现了89.7%的健康状态准确率、6.3%的RUL平均绝对百分比误差，以及在标准化数值输入噪声尺度为0.15的高斯扰动下84.1%的准确率。为进一步检验数据质量信息对可靠性的贡献，研究人员使用了一个独立现场面板，包含来自三个运营隧道25个区段的600个区段-月观测数据，采用目标排除规范、双向固定效应、留一隧道验证、多个基线模型和五个固定随机种子进行评估。滞后质量不稳定性每增加一个标准差，后续状态误差指数增加0.0151（95%置信区间：0.0118-0.0184；p < 0.001）。在跨隧道随机森林测试中，纳入质量信息使状态误差预测的R²均值从0.8277提升至0.8323，RUL收缩预测的R²均值从0.8517提升至0.8673，两种改进在配对检验中均显著（p < 0.001）。分裂分形预测区间（Split-conformal intervals）分别实现了95.8%和95.9%的平均跨隧道覆盖。这些发现表明，数据质量信息为跨隧道可靠性提供了适度但统计上支持的改进，而主要贡献在于将可审计的数据治理、可靠性感知融合和工程决策支持整合在一个统一的隧道健康管理框架中。

**论文解读：面向质量感知的多模态可靠性框架用于寒区隧道健康评估与剩余使用寿命预测**

**研究背景与问题**

隧道是运输网络中的关键基础设施，尤其在寒区，衬砌与排水系统面临持续的热、水力和机械应力。季节性冻融循环、负温暴露、水迁移、通风诱导热交换及交通荷载共同加速衬砌开裂、渗漏、结冰及耐久性退化。传统预测维护需超越当前状态评估，扩展至达到维护阈值前的剩余使用寿命（RUL）估计。然而，隧道监测数据来源多样，存在时间分辨率、空间对齐、采样频率及可追溯性上的强异质性，且在实际工程中常出现数据缺失、传感器漂移、图像退化及人工验证延迟。这些问题使直接数据融合具有挑战性，而现有方法（如多传感器加权融合、卡尔曼滤波、Dempster-Shafer证据理论）无法自动防止时间泄漏、目标衍生输入或小样本单站点数据集导致的过度自信结论。因此，有必要开展本研究，以开发一种将数据质量显式集成到学习过程中的跨模态融合框架。

**研究内容与结论**

研究人员开发了一种面向质量感知的跨模态融合框架，用于寒区隧道基础设施的健康状态评估与RUL预测。该框架将结构响应、环境作用、表观缺陷和工程检测四类数据组织为统一窗口级样本，并构建了包含完整性、准确性、一致性、及时性和可追溯性的五维数据质量评估系统。基于质量指标，引入可靠性引导的门控机制动态调节各模态贡献，同时采用混合长短期记忆网络-变换器（LSTM-Transformer）架构建模时间退化演变与全局跨模态依赖。在主要单隧道案例中，该框架实现了89.7%的健康状态准确率、6.3%的RUL平均绝对百分比误差（MAPE），以及在噪声尺度为0.15的高斯扰动下84.1%的准确率。通过使用三个运营隧道25个区段的600个区段-月观测数据进行的独立跨隧道验证，研究人员发现滞后质量不稳定性与后续状态误差指数显著相关，且纳入质量信息后，随机森林的R²在状态误差预测中从0.8277提升至0.8323，在RUL收缩预测中从0.8517提升至0.8673（均p<0.001）。分裂分形预测区间（Split-conformal intervals）实现了95.8%和95.9%的平均跨隧道覆盖。该研究具有重要的工程意义，它证明了数据质量信息能为跨隧道可靠性提供统计上支持的改进，并将可审计的数据治理、可靠性感知融合和工程决策支持统一在一个框架中。论文发表在《Infrastructures》。

**关键技术方法**

研究人员采用了以下主要关键技术方法（样本队列来源：中国西北寒区一条运营公路隧道及三个独立运营隧道，共25个区段）：（1）构建多模态窗口级表示，将结构响应、环境作用、表观缺陷（双分支编码：卷积神经网络处理图像、多层感知机处理结构化缺陷变量）和工程检测数据组织为统一样本；（2）建立五维数据质量评估系统，通过专家咨询和Cr加权群组层次分析法（Cr-weighted group AHP）确定基础权重；（3）采用可靠性引导的门控机制动态调节各模态贡献；（4）设计混合LSTM-Transformer架构，编码时间序列并建模全局跨模态依赖；（5）进行目标无关的跨隧道验证，包括双向固定效应模型、留一隧道验证、分裂分形预测区间（Split-conformal prediction intervals）校准。

**研究结果**

**4.1 数据质量策略的效果**
通过逐步纳入数据质量策略（基础预处理、数据治理、质量加权、完整质量感知配置），健康状态准确率从84.9%提升至89.7%，RUL MAPE从8.8%降至6.3%，高斯扰动下准确率从76.7%提升至84.1%。在跨隧道随机森林测试中，质量变量使外部隧道R²在状态误差预测中从0.8277提升至0.8323，在RUL收缩预测中从0.8517提升至0.8673，均显著（p<0.001）。

**4.2 与传统融合基线的比较**
与加权融合、贝叶斯融合、卡尔曼滤波和Dempster-Shafer融合相比，所提配置在健康状态准确率上最高，RUL MAPE最低。但该比较不包括强现代机器学习基线，因此不能作为确认性性能声明。

**4.3 鲁棒性与消融分析**
完整框架在高斯扰动（η=0.15）下保持84.1%的健康状态准确率。模态特异性测试（传感器漂移、块缺失、完全模态丢失、时间错位、图像遮挡）显示，可靠性门控一致地减少了性能下降。消融实验（分别移除数据治理、质量加权、源可靠性调整、模态门控、跨模态注意力）表明，完整配置在干净、扰动和模态故障条件下表现最一致。

**4.4 关键预测变量的解释**
留出排列重要性分析显示，冻胀压力、裂缝增长斜率、温度过零频率、渗漏频率、衬砌变形、负温持续时间和材料劣化指标具有最高且稳定的贡献，且排序在时间顺序和隧道独立测试集中一致。

**4.5 超参数敏感性与模型稳定性**
通过嵌套群组时间验证选择超参数，最终架构采用两层LSTM、两层Transformer、四个注意力头、128维嵌入和最多100个epochs（早停）。更深或更高维度的配置未带来性能提升。

**4.6 合成泄漏抵抗应力测试的结果**
随机分割导致比时间顺序测试更高的表观性能。在泄漏抵抗测试（时间顺序、区段分组、留一隧道）中，质量感知集成未显著优于最强对照模型（所有p>0.05）。目标域重新校准后，外部隧道覆盖从87.6%恢复至95.9%，预测区间宽度为37.83个窗口。

**讨论与结论**

**讨论总结**
本研究的贡献在于将多模态数据治理、源可靠性、质量敏感表示、健康状态评估、RUL预测、不确定性校准和维护决策支持整合在一个统一工作流中。数据质量被视为操作模型输入。专家咨询建立了稳定的基础权重结构，独立三隧道现场分析表明质量维度包含超出物理退化、交通荷载、环境严重性和数据源复杂性的预测信息。双向缺陷编码器增强了表观缺陷表示，可靠性门控减少了退化缺陷特征的影响。不确定性分析提供了预测与维护行动的直接接口。分裂分形校准在开发域内实现了名义覆盖，目标隧道重新校准在分布偏移下恢复了外部覆盖。验证设计通过独立工程裁决、固定干预阈值、非重叠时间分区、区段分组评估、重复种子、强基线和独立隧道测试控制了时间、空间和目标泄漏。

**结论翻译**
本研究开发了一种面向质量感知的多模态框架，用于寒区隧道的健康状态评估和RUL预测。结构响应和环境作用被编码为时间序列，表观缺陷通过并行CNN图像和结构化变量分支表示，工程检测信息通过可靠性引导的模态门控和跨模态注意力整合。完整配置实现了89.7%的健康状态准确率、6.3%的RUL MAPE，以及高斯扰动（η=0.15）下84.1%的准确率。五维质量系统提供了数据治理与预测建模之间的量化联系。两轮专家咨询（每轮323份有效问卷）产生了完整性、准确性、一致性、及时性和可追溯性的一致权重，Cr加权群组AHP的一致性比率为0.0455，排序稳定。目标无关验证使用了来自三个运营隧道25个区段的600个区段-月观测和19,200个特征级记录，排除了初始RUL指数、累积目标损伤、响应衍生退化率和预测期信息。滞后质量不稳定性在控制退化和运行条件后仍与后续状态误差指数显著相关。在留一隧道测试中，质量信息使随机森林的R²在状态误差预测中从0.8277提升至0.8323，在RUL收缩预测中从0.8517提升至0.8673（均p<0.001）。分裂分形预测区间分别实现了95.8%和95.9%的平均跨隧道覆盖。时间顺序、区段分组和外部隧道评估证明了质量框架的跨站点适用性。模态特异性鲁棒性测试进一步确认了其在传感器漂移、缺失观测、时间错位、检测延迟、图像退化和完全模态丢失下的有效性。由此产生的质量概况、可靠性门控、预测区间和审计记录为区分立即维护干预与数据重新采集及补充检查提供了可追溯基础。因此，该框架建立了从多模态监测和数据质量治理到可靠隧道状态评估和工程决策支持的综合路径。