1. 轨检传感器漂移现象识别与初步分类

为什么先分类，再排障

轨检车在运行中采集的传感器原始数据，往往同时混有真实轨道不平顺、车辆振动和传感器自身漂移。若直接拿原始波形去判断“传感器坏了”，很容易把轨道病害误判为设备故障。因此第一步不是校准、也不是拆换传感器，而是把漂移现象按形态分成三类：缓慢偏移、阶跃跳变、周期性波动。三类现象的成因链、验证手段和后续处理完全不同，分类错了，后面的排障就会南辕北辙。

本节的处理对象是轨检车导出的原始检测数据（如里程、时间戳、各传感器通道输出）。核心思路是：先做趋势分离，把慢变成分与快变成分拆开；再用形态判据把三类现象区分开；最后按统一字段记录，形成可追溯的分类台账。

三类漂移的形态判据

分类不能靠“看着像”，要落到可计算的判据上。下面给出本节使用的判据，均基于趋势分离后的结果：设原始序列为 x[n]，用窗口长度 W 的滑动中值得到趋势 t[n]，残差 r[n] = x[n] − t[n]。

用一段可运行的分类脚本落地

下面脚本只依赖标准库，输入是一段模拟的传感器输出（含三类现象各一段），输出每个通道的分类结果。真实使用时把 load_channel 换成读取轨检车导出文件即可，其余逻辑不变。

import math, statistics

def moving_median(x, w):
    half = w // 2
    out = []
    for i in range(len(x)):
        lo, hi = max(0, i - half), min(len(x), i + half + 1)
        out.append(statistics.median(x[lo:hi]))
    return out

def classify(x, fs=100.0, jump_k=5.0, slope_ratio=0.02, peak_db=6.0):
    n = len(x)
    t = moving_median(x, 21)                 # 趋势项
    r = [x[i] - t[i] for i in range(n)]      # 残差
    span = max(x) - min(x) or 1e-9

    # 1) 阶跃：残差差分超限
    d = [r[i] - r[i-1] for i in range(1, n)]
    sd = statistics.pstdev(d) or 1e-9
    jumps = [i+1 for i, v in enumerate(d) if abs(v) > jump_k * sd]

    # 2) 缓慢偏移：趋势首尾差占比
    drift = abs(t[-1] - t[0]) / span

    # 3) 周期性：残差自相关找主频（简化版）
    mean_r = statistics.mean(r)
    rc = [sum((r[i]-mean_r)*(r[i]-mean_r) for i in range(n-lag)) / n
          for lag in range(1, min(n//2, 200))]
    peak = max(rc) if rc else 0
    noise = statistics.median(rc) if rc else 1e-9
    periodic = peak > noise * (10 ** (peak_db / 10.0))

    if jumps:
        return "阶跃跳变", {"跳变点": jumps[:5], "差分阈值": round(jump_k*sd, 4)}
    if drift > slope_ratio:
        return "缓慢偏移", {"趋势首尾差占比": round(drift, 4)}
    if periodic:
        return "周期性波动", {"主频峰/噪声底": round(peak/noise, 2)}
    return "未见明显漂移", {}

# 构造示例数据：前段缓慢上升，中段阶跃，后段叠加正弦
fs = 100.0
x = []
for i in range(300):
    x.append(0.02 * i / 100.0)                       # 缓慢偏移
for i in range(300, 600):
    x.append(0.06 + (0.5 if i >= 450 else 0.0))      # 阶跃
for i in range(600, 900):
    x.append(0.5 + 0.08 * math.sin(2*math.pi*3.0*i/fs))  # 3 Hz 周期波动

print(classify(x, fs))

运行后预期输出类似 ('阶跃跳变', {'跳变点': [450], '差分阈值': ...})。注意脚本按“阶跃优先、偏移次之、周期最后”的顺序判断，因为阶跃会污染趋势项和频谱，必须先剔除。若某通道同时出现两类现象，应在台账中记录主类别并备注次类别，避免后续排障只盯一个方向。

分类记录台账示例

分类结果要能直接交给下一环节使用，字段必须包含定位信息和判据数值，否则后续无法复核。下面是一条填写示例（数据为教学示例，非实测）：

结果判读与常见误判

• 把轨道病害当漂移：同一区段多次检测若波形位置随里程稳定复现，更可能是轨道本身；漂移通常随设备状态变化而不随里程固定。
• 把阶跃当缓慢偏移：阶跃后基线平移，若只用首尾差判断会被误归为偏移，所以必须先做差分检测。
• 把周期性波动当噪声：噪声无稳定主频，周期波动在频谱上有明确峰，且主频常与速度、轮径相关，可用变速检测验证。
• 窗口长度选错：趋势窗口过短会把慢漂当残差，过长会把阶跃抹平，建议窗口覆盖至少 2 个完整波动周期。

完成本节分类后，每个异常通道都应有一条带判据数值的记录，并能回答三个问题：属于哪一类、定位在哪、下一步该验证什么。这三项齐备，才具备移交后续排障的条件。