随着高速铁路的快速发展,钢轨波磨检测问题也越来越被重视。面对多样的数据形态以及庞大的数据量,研究钢轨波磨特征的有效提取和快速检测方法具有重要意义。本文主要通过分析高速铁路实测轴箱振动加速度信号,尝试利用深度学习技术研究钢轨波磨的有效检测方法。针对数据存在的类别极度不平衡问题,通过改进的基于动态时间规整算法对实测数据进行增强,在此基础上利用深度学习方法对钢轨波磨进行检测,取得了良好的效果。主要工作创新如下:1.提出了一种基于同步提取短时傅里叶变换的钢轨波磨检测以及数据自动标签标注方法。通过分析高铁轴箱振动加速度信号的时频域特征,引入同步提取短时傅里叶变换提取信号的瞬时频率进行波磨检测和标签标注工作。实验结果表明同步提取短时傅里叶变换得到的时频平面能量更加集中,提取信号的瞬时频率较准确且抗噪性较好。2.提出了一种基于数据增强和支持向量机相结合的钢轨波磨检测方法。利用基于动态时间规整的数据增强方法对不平衡实测数据进行数据增强。同时改进了细菌觅食优化算法,来优化支持向量机的核参数和惩罚系数。实测数据验证了该算法在钢轨波磨识别方面具有良好效果。3.提出了一种基于深度学习的钢轨波磨检测方法。利用密度聚类和样本加权方法对基于动态时间规整的数据增强算法进行改进。同时将空间金字塔池化引入到深度卷积残差网络结构中,对钢轨波磨进行检测。实验结果表明,算法在钢轨波磨检测中效果明显,同时在几种对比数据集上也具有较高的分类准确率。