1.一种基于多任务学习神经网络的钢轨波磨识别方法，其特征在于，包括如下步骤：S1、数据采集：采集车载数据，车载数据包括车体振动加速度、噪声数据，再通过钢轨波磨小车采集实际钢轨波磨数据；

S2、数据类别划分和预处理：通过线性插值的方法将车载数据和实际的钢轨波磨数据一一对应，并进一步划分为训练数据集和测试数据集；预处理具体是让训练集样本量占总样本量的80％，测试集样本量占总样本量的20％；

S3、计算1/3倍频程的振动‑噪声频谱GVL1/3，并作为模型的输入；

S4、训练多任务学习钢轨波磨检测神经网络模型；

所述多任务学习钢轨波磨检测神经网络模型包括用于提取深度特征的专家网络和进行多任务波磨检测的任务网络，多任务包括轨道波磨波长分类识别和波深回归识别；

所述专家网络由卷积模块和注意力模块组成；

在卷积模块中，卷积模块的一维卷积神经网络层的计算公式如下：其中，X代表每层神经层所提取的特征图谱，其上标l代表网络的层数，下标u为特征点个数，k是尺寸为n×1的卷积核，b为卷积偏置项，f(·)为ReLU激活函数；

在注意力模块中，注意力模块采用了卷积注意力模块，聚焦通道和空间维度上主要特征并抑制次要特征，包括通道注意力和空间注意力的计算；

通道注意力Mc的计算公式如下：

Mc(Fh)＝σ(MLP(AvgPool(Fh))+MLP(MaxPool(Fh)))为卷积模块的输出，将其输入到通道注意力模块后，计算得到其平均池化AvgPool(Fh)与最大池化MaxPool(Fh)，再输入到多层感知机网络MLP(·)中，最后输入到Sigmoid激活函数σ(·)得到通道注意力计算结果；

空间注意力Ms的计算如下：

3×1

Ms(F′h)＝σ(K ([AvgPool(F′h)；MaxPool(F′h)]))其中， 为矩阵元素相乘运算，F′h为中间过程计算变量，F″h为经过空间注意力模块之后的特征向量值；

在多任务波磨检测的任务网络中，经过通道和空间注意力模块，将模型提取的特征转换成一维向量，并同时输入到波长分类和波深回归两个任务层网络，分别经过两层不同的全连接网络后连接后，波长分类网络连接Softmax激活函数得到分类结果，波深回归网络直接输出波深数值；

S5、将测试集数据输入到训练好的模型中，输出波磨识别结果。

2.根据权利要求1所述的基于多任务学习神经网络的钢轨波磨识别方法，其特征在于：在步骤S3中，计算1/3倍频程的振动‑噪声频谱GVL1/3，具体包括如下：采用声压级和加速度级作为车载加速度‑噪声特征，统一称为振动级，公式如下所示：其中，VRMS表示加速度或噪声数据的均方根，Vr是对应数据类型的一个常数量，加速度和‑5 2 ‑5噪声数据的Vr分别为1e (m/s)和2e (Pa)；

在时域中，VRMS的计算如公式所示：

根据傅里叶变化，推导时域信号V(t)的频域形式，如公式所示：其中，T为振动或噪声数据的总时间长度，时域信号V(t)分解为具有不同频率分量fk的线性组合，Fk为fk频率分量的权重值，F0为数据直流分量，θk为相位；

将时域信号V(t)带入VRMS的计算公式中，得到根据 傅里叶变换的正交性质，简

化后得到 在频域中的计算公式：

根据 在频域中的计算公式，得到1/3倍频程的振动‑噪声频谱GVL1/3，

3.根据权利要求1所述的基于多任务学习神经网络的钢轨波磨识别方法，其特征在于：波长分类任务的损失函数采用交叉熵CE，具体如下：LossCE＝‑P(x)·log(Q(x))‑(1‑P(x))·log(1‑Q(x))波深回归任务的损失函数采用均方根误差MSE，具体如下：式中，x为波长类别，P(x)为各波长类别波磨真实的概率，Q(x)为训练集中各波长类别波磨的概率，yi代表真实的波深值， 代表估计的波深值，N为训练样本总数；

2

采用F1值和R值作为波长分类和波深回归的评价指标，F1值定义为分类精确率和召回2

率的调和平均数，R值可以用来评价预测值和实际值之间的误差，两者取值均为0到1，具体计算公式如下：其中，TP为真阳性预测结果，FP为假阳性预测结果，FN为假阴性预测结果，yi为实际值，为实际值的平均值， 为预测值。

4.根据权利要求1所述的基于多任务学习神经网络的钢轨波磨识别方法，其特征在于：多任务学习钢轨波磨检测神经网络模型的训练中，求解优化器采用Adam，Batch Size取

256，迭代次数最大值取1000次，耐心参数设置为10，当验证损失连续10次迭代均无下降时，训练结束。