铁道车辆轮轨系统服役环境复杂，车载与地面监测数据在采集、传输及存储过程中，易受传感器失效、通信延迟、工况波动及多激励耦合等因素干扰，产生异常值、缺失段和混叠成分等数据质量问题，直接降低数据驱动故障诊断与状态评估方法的准确性与可靠性。面向轮轨系统健康管理与故障诊断的数据质量保障需求，本文构建涵盖异常数据清洗、缺失数据重构与多源数据分离的数据质量提升框架。
首先，提出基于自适应滑动窗与加权多尺度局部离群因子的异常数据检测方法，利用自适应窗口动态表征监测信号的局部统计特征，并通过多尺度局部离群因子加权融合，实现突变、漂移及脉冲干扰等异常数据的精准识别与清洗；其次，建立压缩感知增强上下文编码器的缺失数据重构模型，设计融合时域波形均方误差与主导频域加权误差的联合损失函数，协同约束重构信号的时域形态一致性和关键频率成分准确性，有效降低传统压缩感知方法对严格稀疏先验与随机采样条件的依赖，实现缺失数据的高精度重构与时频连续性恢复；最后，针对钢轨波磨与车轮多边形等典型轮轨病害并存时的激励耦合问题，提出稀疏角域同步平均算法，结合压缩感知随机下采样与角域同步平均理论，从轴箱加速度等车载监测信号中解耦车轮多边形与钢轨波磨诱发的混叠振动成分，实现多源病害特征的分离提取与定量表征。
通过仿真模型、台架试验及现场测试数据，结合消融试验与多算法对比分析，验证了所提方法在异常数据检出率、数据重构拟合度与多源数据特征分离效果上的有效性和优越性，可为轮轨系统健康状态评估、典型病害识别及精准维修决策提供高质量数据基础。

 

轮轨系统状态监测,异常数据清洗,缺失数据重构,多源数据分离,数据质量提升