城市轨道钢轨波磨智能识别（铁科院深圳分院合作）

地铁钢轨用久了，轨面会磨出一道道规律的波纹（业内叫”波磨”），会让车更吵、更颠，也让零件更容易坏。高铁那套判波磨的国家标准直接搬到地铁上会漏判——地铁速度低、激起的能量不够，标准里的指标就不灵了。这个项目和中国铁道科学研究院（铁科院）深圳分院合作，改用”图像 + 振动/声音”一起判：相机拍轨面、传感器测振动，两条线索合起来识别波磨。边缘波磨识别 5 折 AUC 0.852、中线波磨 AUC 0.936，并用主动学习标注化解”故障样本极少、标签匮乏”。数据来自深圳地铁 1 号线、11 号线。

背景

钢轨波磨（波长 30–300 mm）会加剧轮轨冲击、噪声与部件疲劳。地铁与高铁的差异使得高铁验收指标（TII/RCI）在地铁低速工况下失效——直接套用会漏检。而波磨样本本身稀少、标签匮乏，纯数据驱动难以落地。

方法

系统分图像侧与振动/声学侧两路：

• 图像侧：线扫相机图像（约 2048 px 宽、0.924 mm/px）经边缘识别 + ROI 提取，用自相关函数（ACF）特征在 30–300 mm 周期带做峰值判定，训练 LightGBM 边缘/中线双模型；区分边缘波磨与中线波磨两种物理独立现象（Spearman ρ≈−0.075）。方法可解释、免大规模训练；
• 标注与修正：主动学习标注器 + verdict 数据修正流程，缓解 606 帧标注集的极端不平衡（sev1 占七成）；
• 振动/声学侧：STFT 时频分析提取波磨（稳态基频+倍频水平条纹）、冲击、弯道、道岔四类特征，并论证 Q/CR 824-2021 用于地铁的失效机理；已有 LLM 工况识别 Demo。

结果（博客技术口径）

• 边缘波磨二分类 5 折 OOF AUC 0.852 ± 0.015；中线波磨 AUC 0.936（pooled 0.904）；
• verdict 修正后 pooled AUC 0.926、准确率 0.960、precision 0.918 / recall 0.788；
• 交流口径：边缘波磨识别准确率 90.9%、中间波磨 96%。

这个项目里我用到 / 练出的能力

• 多模态（图像 + 振动）建模：线扫图像做边缘/中线双模型，振动与声学做证据补充；
• 跨标准迁移的问题定义能力：识别”高铁标准套地铁会漏检”，把失效的验收指标重构为可用判据；
• 主动学习标注体系 + 自相关特征 + LightGBM，做出可解释、免大规模训练的方案。

我的角色

参与多模态数据对齐、识别算法研发与技术交流。

出于合作方数据要求，本页不展示内部原始检测数据截图。