1.一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于，包括以下步骤：步骤S101：列车振动、噪声及关联信号采集与处理；步骤S102：振动、噪声信号增强、融合；步骤S103：振动、噪声复合数据与波磨关系映射和样本集建立；步骤S104：振动、噪声复合样本集卷积神经网络结构设计与训练；步骤S105：钢轨波磨状态识别。
2.根据权利要求1所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述步骤S101中，在车外设置加速度传感器采集振动信号和列车速度信号，同时采集钢轨波磨状态数据，在车内设置声压传感器采集噪声信号；对采集的速度信号进行时间积分获得列车位移信息，将速度信号转换为位移域信号，根据列车位移与时间的一一对应关系，用位移信号替换振动信号和噪声信号的时间坐标。
3.根据权利要求2所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述加速度传感器设置在列车轴箱或转向架处，所述声压传感器设置在转向架上方的列车内，高度为距离车厢内底部1.2m处。
4.根据权利要求2所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述步骤S102中，采用具有0-1之间重叠系数的空间滑移窗对步骤S101中得到的空间域的振动信号和噪声信号进行切割，将同一个滑移窗内的振动数据和噪声数据并联形成双通道数据。
5.根据权利要求1所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述步骤S103包括以下步骤：步骤S301：定义钢轨波磨超限原则，约定连续3个1/3倍频程处的粗糙度超限3dB或单个频率处超限6dB，判断该区段波磨超限；步骤S302：根据波磨是否超标赋予对应振动、噪声的复合数据响应标签，波磨超限标签定义为“1”，否则为“0”；步骤S303：将映射样本集分为训练集和测试集，分别占比p%和（1-p）%。
6.根据权利要求1所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述步骤S104中，根据数据量确定振动、噪声的复合样本集采用一维卷积神经网络结构，确定其层数、作用和函数，采用随机搜索法确定最优参数。
7.根据权利要求6所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述一维卷积神经网络结构共7层，包括1层为输入层，用于将输入数据送入卷积神经网络进行特征提取；2层为大卷积核卷积层，用于进行振动噪声融合样本短时特征提取；3-6层为小卷积核卷积层，用于样本的局部与全局特征捕捉；7层为sigmoid分类层，用于判定样本标签。
8.根据权利要求7所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于，所述一维卷积神经网络结构使用函数包括：same零补命令，卷积层使用，使卷积层输入与输出长度相等；Adam优化训练网络，使训练网络基于样本数据迭代更新神经网络权重，设定学习率为0.0001，损失函数采用binary_crossentropy；批处理，利用批处理样本进行训练，避免梯度弥散与梯度爆炸；5折交叉验证法，对模型进行训练以提高其泛化能力，提高训练模型的模型鲁棒性。
9.根据权利要求8所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：采用随机搜索法确定的最优参数为大卷积核大小为128、小卷积核大小为8、步长为3、批处理大小为512、5折交叉验证法的Early Stopping技术中设置patience为100。
10.根据权利要求6所述的一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，其特征在于：所述步骤S105中，sigmoid分类层阈值约定为0.5，输出低于此数，则判定样本标签为0，则无波磨，反之判定标签为1，代表有波磨。
