基于多维声纹特征与XGBoost模型的城轨钢轨波磨故障识别方法

作     者：刘力 袁英强 王鑫 吕彦朋 戴泽宇 LIU Li;YUAN Yingqiang;WANG Xin;LYU Yanpeng;DAI Zeyu

作者机构：中国铁道科学研究院集团有限公司城市轨道交通中心北京100081 铁科院(北京)工程咨询有限公司北京100081 北京谛声科技有限责任公司北京100080 

出 版 物：《现代城市轨道交通》 (Modern Urban Transit)

年 卷 期：2025年第3期

页      面：111-116页

学科分类：08[工学] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

基　　金：中国铁道科学研究院集团有限公司基金资助项目(2023YJ093) 

主　　题：城市轨道交通 钢轨波磨 声学检测 XGBoost 

摘      要：为提高城市轨道交通钢轨波磨故障的检测精度和效率,文章提出一种基于多维声纹特征与XGBoost模型的识别方法。研究过程中,在北京地铁某线路部署声学采集设备,收集波磨和正常轨道的声学数据,构建钢轨波磨故障识别数据集。通过对时域与频域特征的提取与分析,建立多维声纹特征集,并采用特征选择与模型参数优化策略对模型进行训练和测试。实验结果表明,相较于传统单一声压级特征,多维声纹特征在不同机器学习算法上的性能均得到显著提升,验证了多维特征在故障识别中的有效性。同时,采用XGBoost算法的钢轨波磨故障识别模型平均准确率达到95.6%,显著优于其他经典机器学习算法。此外,该模型的漏检率和误检率均维持在较低水平,进一步证实其在实际应用中的可靠性与有效性。