2. 检测数据里程对齐与采样间隔统一化

为什么采样间隔不一致会污染超限判别

轨道几何检测车在不同线路、不同检测周期或不同设备配置下，常输出不同的里程采样间隔。例如一段数据每 0.25 m 一个采样点，另一段每 1.0 m 一个采样点。若直接把两段数据按行号拼接或逐点比较，同一物理里程会对应到不同数组下标，导致峰值位置错位、区段均值失真，超限里程报告出现系统性偏移。

本案例的处理原则是：以里程为唯一基准，先统一采样间隔（重采样），再按里程区间对齐。里程是物理量，采样点序号只是存储顺序，不能作为对齐依据。

关键实现：以里程为键的重采样

下面给出一个可直接运行的 Python 实现。核心思路是：先确定统一里程网格（取两段数据里程范围的交集，按目标间隔生成），再对每段数据用 numpy.interp 做线性插值。示例数据为教学构造值，用于演示对齐逻辑，不代表真实检测结果。

import numpy as np
import pandas as pd

# 教学示例数据：两段采样间隔不同的轨距偏差
# 数据源 A：Δs = 0.25 m
mileage_A = np.arange(1000.00, 1002.01, 0.25)
gauge_A = np.array([1.2, 1.5, 1.8, 2.1, 2.4, 2.8, 3.2, 3.6, 3.9])

# 数据源 B：Δs = 1.00 m
mileage_B = np.arange(1000.00, 1002.01, 1.00)
gauge_B = np.array([1.0, 2.0, 3.5])

# 统一网格：取交集范围，目标间隔 0.50 m
target_ds = 0.50
start = max(mileage_A.min(), mileage_B.min())
end = min(mileage_A.max(), mileage_B.max())
unified_mileage = np.arange(start, end + target_ds / 2, target_ds)

# 线性插值重采样
gauge_A_rs = np.interp(unified_mileage, mileage_A, gauge_A)
gauge_B_rs = np.interp(unified_mileage, mileage_B, gauge_B)

aligned = pd.DataFrame({
    "里程_m": unified_mileage,
    "A_轨距偏差_mm": gauge_A_rs,
    "B_轨距偏差_mm": gauge_B_rs,
})
print(aligned.round(3).to_string(index=False))

运行后输出如下（教学示例预期结果）：

 里程_m  A_轨距偏差_mm  B_轨距偏差_mm
1000.0          1.2          1.0
1000.5          1.8          1.5
1001.0          2.4          2.0
1001.5          3.2          2.75
1002.0          3.9          3.5

对齐质量检查

重采样完成后不能直接进入超限判别，必须先做三项检查，否则插值误差会被误判为轨道缺陷：

• 里程覆盖检查：统一网格必须落在两段数据里程范围的交集内，交集外不插值，避免外推产生虚假峰值。
• 插值点标记：保留“原始点/插值点”标志列，后续统计超限时对插值点单独标注，便于追溯。
• 峰值位置复核：对重采样前后的峰值里程做对比，若峰值里程偏移超过一个原始采样间隔，说明网格或插值方式需要调整。