基于时序增强与对比学习的隧道结构异常检测方法
DOI: https://doi.org/10.64083/STE2511228
作者
吴京泽，郑文星
摘要
隧道结构安全关乎国家交通命脉，然而随着服役周期延长及复杂环境（如地质变动、温湿度变化等）的持续作用，隧道时序监测数据易出现异常波动，传统检测方法难以有效捕捉混合周期特征与微弱异常信号。为此，本文提出一种基于时序增强、前置归一化Transformer与对比学习的隧道时序数据异常检测模型MSTF-Transformer-CL。模型通过时序增强模块融合多尺度时间特征，利用前置归一化的Transformer编码器捕捉序列中的长短期依赖关系，并引入对比学习机制强化异常模式与正常模式的区分能力；同时，采用归一化处理优化Transformer的梯度稳定性，降低训练难度。在国内5个隧道实测数据集上的验证表明，以结构应变异常检测为例，相较于基准Transformer模型，MSTF-Transformer-CL的平均F1分数提升4.7%，F1（PA)提升1.8%，且在混合周期数据下的异常检测精度显著提高。实验结果证明，该模型能有效提取隧道时序数据的复杂周期特征，增强对微弱异常的敏感性，同时保持较低的计算复杂度。
关键词
时序序列分析；隧道异常检测；混合周期特征；深度学习；时序增强
