钢轨波磨是城市轨道交通中普遍存在的典型病害，其引起的异常轮轨激扰不仅缩短关键部件的疲劳寿命，更威胁到列车运行安全。实现波磨病害的定性化、智能化监测，是开展状态修及精准打磨策略的基础。针对现有基于轴箱加速度的波磨监测方法在样本分布不平衡、严重波磨细化分级识别准确率受限等问题，本文提出了一种融合物理模型驱动与注意力增强深度学习的波磨多准则分级诊断框架。首先，针对实测样本中严重波磨数据匮乏导致的类别失衡问题，本文构建了一种物理模型驱动的数据增强策略。利用列车-轨道耦合动力学仿真模型生成不同波深与波长的波磨激扰样本如图1。随后，通过SMOTE算法优化数据集结构，构建了涵盖轻微至严重的多准则波磨数据集。诊断算法上设计了一种CNN-LSTM-ATT深度学习架构，利用卷积神经网络CNN提取振动信号特征，结合长短期记忆网络LSTM捕获时序关联性，引入注意力机制ATT加权故障特征提升模型对细化故障程度的判别能力，学习网络框架如图2。实验结果如图3、4所示，该框架在处理非平衡样本时表现可观的稳健性，尤其在严重波磨的分级识别中，其精度优于传统诊断模型。本研究为轨道交通载运装备的智能运维提供了高效的数据处理手段与诊断算法支撑，对保障线路运行质量具有重要的应用价值。
 

钢轨波磨；分级诊断；深度学习；注意力机制；轴箱振动