1.一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于，包括如下步骤：

S1、通过噪声传感器实时采集城市轨道交通车辆沿轨道运动时产生的特定轮轨噪声信号，获得轮轨噪声时域信息；

S2、将轮轨噪声时域信息转换为时‑频率域信息，提取各个分解节点系数向量，转换为各个节点所对应频段的能量信息；

S3、识别钢轨波磨波长特征；

S4、识别钢轨波磨位置特征；

S5、建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间；

S6、识别钢轨波磨幅值特征；

所述步骤S3中的识别钢轨波磨波长特征具体是：根据钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系，来识别钢轨波磨波长特征；

所述步骤S4中的识别钢轨波磨位置特征具体是：通过获取城市轨道交通车辆运行速度以及初始里程后，根据时域数值梯形积分方程获取里程信息，将轮轨噪声时域信息转换为轮轨噪声的空间域信息，识别对应波长的钢轨波磨位置特征。

2.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：在所述步骤S1获得轮轨噪声时域信息后，将轮轨噪声时域信息截断为与各个不同时间段依次对应的分段噪声时域信息，保证每个分段噪声时域信息所对应的城市轨道交通车辆运动路径一致。

3.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S2中的将轮轨噪声时域信息转换为时‑频率域信息，是采用多层小波包分解方法将轮轨噪声时域信息转换为时‑频率域信息。

4.根据权利要求3所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述的多层小波包分解方法是根据轮轨噪声时域信息，以最小化代价函数为依据，确定最优小波基函数以及最优分解层数；具体是：先对轮轨噪声时域信息用多种小波基函数进行多层分解，以最小化代价函数为依据，得到最优小波基函数；

再利用得到的最优小波基函数进行多层分解，以最小化代价函数为依据，同时考虑数据采样频率以及分解效率,得到最优分解层数。

5.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系具体是：钢轨波磨激振频率(f)=城市轨道交通车辆运行速度(v)/钢轨波磨波长(λ)；所述的城市轨道交通车辆运行速度是通过城市轨道交通车辆运行速度与车轮转速脉冲信息和车轮半径的关系来得到的，城市轨道交通车辆运行速度(v)=2×π×车轮半径(r) ×单位时间脉冲数量(n)。

6.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S5中的建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间是通过数值仿真预测的方法来建立的；所述的数值仿真预测的方法具体是：

建立城市轨道交通列车轮轨噪声预测模型，以不同波长的钢轨波磨的不同粗糙度幅值作为输入，然后仿真计算不同波长的钢轨波磨分别在不同波磨幅值情况下的轮轨噪声时域信息，将仿真计算得到的轮轨噪声时域信息进行小波包多层分解，提取特征节点的小波包系数向量，从而计算特征节点能量，再通过克里金差值方法，建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间。

7.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S6中的识别钢轨波磨幅值特征具体是：将实测的城市轨道交通轮轨噪声时域信息，进行小波包多层分解，提取特征节点的小波包系数向量，从而计算特征节点能量，与步骤S5得到的特征空间匹配，从而完成对钢轨波磨幅值特征的识别。