基于極限學習機的柴油機失火故障診斷

關鍵詞：柴油機；極限學習機；失火；故障診斷 DOI：10.3969/j.issn.1001-2222.2025.04.012 中圖分類號：TK427 文獻標志碼：B 文章編號：1001-2222（2025）04-0079-08

作為核心動力裝置，柴油機的安全穩定運行對設備正常工作起著至關重要的作用。然而，柴油機結構復雜且運行環境惡劣，導致其發生故障的概率較大，會對相關操作人員的安全造成很大威脅。常見的柴油機故障主要包括缸內失火、拉缸、撞缸等[]。其中，失火故障會引起柴油機功率下降、耗油量增加、排放惡化等問題[2]，嚴重影響柴油機工作的安全性和穩定性。因此，及時有效地診斷柴油機失火故障意義重大。

目前，神經網絡憑借非線性映射能力強、容錯性高和學習速度快等優勢被廣泛應用于柴油機失火故障診斷。張曉帆3采用循環神經網絡對柴油機的失火故障進行診斷，診斷正確率達到 90% 。賈繼德等[4]提出基于深度置信網絡的高準確率失火故障診斷方法，診斷正確率高達 98.6% 。張金偉5基于自適應共振理論神經網絡實現了準確率較高的失火故障診斷，并且該方法具有對新故障學習的能力。張康等提出了一種隨機丟棄和批標準化的深度卷積神經網絡柴油機失火故障診斷方法，試驗表明該方法具有較好的準確性和魯棒性。高文志等采用卷積神經網絡在較寬工況范圍內實現了對失火故障的準確診斷。宋業棟等8采用殘差網絡實現了柴油機的部分失火故障診斷，該方法具有良好的泛化性能以及較高的診斷準確率。

盡管上述方法在柴油機失火故障診斷中效果顯著，但是其使用的前提是大量的數據作為支撐來訓練診斷模型。通常情況下，實際失火故障數據較難獲取，因此探究一種使用較少樣本對失火故障實現準確診斷的方法具有十分重要的意義。

極限學習機（ELM）是一種簡單高效的單隱藏層前饋神經網絡[9-11]，該方法具有訓練速度快、泛化性能好、參數設置簡單等優點，即使在樣本數量少的情況下，該方法依然具有較高的準確率。因此，ELM被廣泛用于動力機械設備的故障診斷中[12-14]。宋文強等[15]基于深度ELM對燃氣輪機氣路故障進行診斷，其故障診斷效果優于BPNN和SVM，能夠有效識別燃氣輪機氣路上的單故障和多故障類型。王衛玉等[16采用ELM和層次樣本熵對離心泵進行故障診斷，所提出的方法在兩個不同類型的離心泵故障數據集上進行驗證，結果顯示該方法具有良好的診斷性能。張煥可等[17]提出一種黏菌算法優化ELM的旋轉機械綜合故障診斷模型，通過試驗驗證得出此方法能夠準確地對三種旋轉機械進行故障識別。杜董生等[18]基于改進北方蒼鷹優化算法（IN-GO）與混合核極限學習機（HKELM）對齒輪箱進行故障診斷，最后將所提出的模型應用于多個案例中驗證，結果顯示該模型能夠準確分類齒輪箱的故障模式。

綜上可知，在不同類型的動力機械設備故障診斷中，ELM均展現了明顯的優勢，然而基于ELM對柴油機的失火故障診斷的研究相對較少。因此，本研究將ELM應用于柴油機失火故障診斷中。為了探究在小樣本數據集下不同的數據樣本劃分對ELM診斷效果的影響，將獲取的數據集劃分為四種情況，并分別用于ELM進行失火故障診斷。此外，采用滑動窗法對小樣本數據進行擴展，然后基于擴展數據集采用ELM對柴油機的失火故障進行診斷。最后，采用相同數據集對PNN和BPNN進行訓練和測試，并與ELM進行對比，以驗證ELM在失火故障診斷中的優越性。

1基于ELM的柴油機失火故障診斷方法

1.1柴油機失火數據采集

由于瞬時轉速信號易獲取，且其波動能夠反映柴油機的失火故障，因此本研究在SC5S122D柴油機上進行試驗，以獲取失火時的瞬時轉速信號。

采集柴油機瞬時轉速信號一般采用的傳感器包括曲軸位置傳感器、凸輪軸位置傳感器和光電編碼器傳感器等。其中，光電編碼器傳感器具有精度高、可靠性強、響應速度快等優點，因此，選擇光電編碼器傳感器采集柴油機失火時的瞬時轉速信號。

瞬時轉速信號采集試驗臺如圖1所示。光電編碼器傳感器每轉輸出720個方波，通過測量每個方波的周期獲取曲軸的瞬時轉速。

圖1瞬時轉速信號采集試驗臺

1.2柴油機失火故障特征提取與選擇

故障特征的提取是故障診斷中至關重要的一步，故障特征對故障的反映能力直接影響故障診斷的準確率。因此，完成瞬時轉速信號采集后，需要對其進行特征提取。

柴油機瞬時轉速信號中包含多種時頻域統計學參量，其中包含的有效特征能夠指示柴油機的失火故障。本研究計算了11個時域特征[19]，分別為算術平均值 P₁ 、整流平均值 P₂ 、方差 P₃ 、標準差 P₄ F峭度 P₅ 、偏度 P₆ 、均方根 P₇ 、波形因子 P₈ 、峰值因子 P₉ 、脈沖因子 P₁₀ 和裕度因子 P₁₁ ，共同組成原始時域特征集。同時計算了5個頻域特征[20]，分別為重心頻率 P₁₂ 、均方頻率 P₁₃ 、均方根頻率 P₁₄ 、頻率方差 P₁₅ 和頻率標準差 P₁₆ ，共同組成原始頻域特征集。上述時頻域特征的計算公式如表1所示。

表1時頻域特征指標

對瞬時轉速信號進行特征提取后，數據中含有冗余特征，這些特征不僅會影響故障診斷的準確性，還會提升數據維度，從而降低診斷效率。為了能更加準確、高效地對柴油機失火故障進行診斷，本研究采用皮爾森相關系數對特征進行選擇，排除冗余特征。

進行特征選擇時，首先計算所提取的16個時頻域特征的皮爾森相關系數[21]，其結果可由式（1）計算得到：

式中： x_q 和 x_b 分別為第 q 個和第 b 個信號特征； 和 分別為 x_q 和 x_b 的均值。通過皮爾森相關系數能夠得到特征參數間的相關性程度，從中剔除相關性系數大于0.7的強相關特征，最后采用相關性低的特征參數組合進行故障診斷。

1.3基于ELM的失火故障診斷模型

ELM作為BPNN的改進網絡，改善了BPNN容易陷入局部最優解的問題，并且具有運行速度快和精度高的優點。

如圖2所示，基于ELM的失火故障診斷模型由輸入層、隱藏層和輸出層構成。其中，輸入層的神經元個數由失火故障特征參數的數量決定。輸出層的神經元個數為1，其輸出值代表診斷結果，1為正常狀態，2為失火故障。隱藏層的神經元個數根據經驗以及反復嘗試確定。

圖2基于ELM的失火故障診斷模型結構

采用ELM對柴油機的失火故障進行診斷，分為三個步驟[22]。首先，設置隱藏層神經元的數量，并且隨機生成神經元間的權重 ω 以及隱藏層神經元的閾值 b 。其次，根據所選擇的激活函數 f 計算出隱藏層輸出矩陣 H ：

式中： x 為輸人數據； j 為隱藏層神經元的個數； n 為輸人層神經元的個數。最后，通過式（3）計算隱藏層和輸出層間的神經元權重矩陣：

式中： L 為ELM的期望輸出。通過求解式（3）的最小二乘解能夠得到 β .

式中： H⁺ 為隱藏層輸出矩陣 H 的Moore-Penrose 廣義逆。

為了評估ELM模型的故障診斷效果，采用準確率、精確率、召回率和 F₁ 值作為評價指標[23]，計算公式分別如下：

式中： N_T 為正常狀態且被模型正確分類的樣本數；N_F 為失火狀態但被模型分類為正常狀態的樣本數； P_T 為失火狀態且被模型正確分類的樣本數； P_F 為正常狀態但被模型分類為失火狀態的樣本數。另外，本研究中的故障診斷正確率是指正常狀態或者失火狀態的診斷正確樣本數占各自標簽的總樣本數之比，分別由式（9）和式（10）計算得出：

2試驗驗證與結果分析

2.1失火故障診斷數據集的建立

通過光電編碼器傳感器采集SC5S122D柴油機在正常狀態以及失火狀態下的瞬時轉速信號。最終，獲取正常狀態下的瞬時轉速信號153組，失火狀態下的瞬時轉速信號27組。

將獲取的瞬時轉速信號進行特征提取。首先，采用皮爾森相關系數計算其相關性，結果如圖3所示。同時，對相關性系數大于0.7的強相關特征進行篩選，剔除強相關性的時頻域特征參數組合，最后，將 P_{2，P4，P5，P8，P15} 保留并作為特征參數用于柴油機失火故障診斷。如圖4所示，經過特征選擇后特征參數間的相關性均在0.7以下。

圖3時頻域特征參數相關性矩陣

圖4特征選擇后的時頻域特征參數相關性矩陣

特征選擇完成后，為了模擬數據樣本較少時，不同數據集劃分情況對失火診斷效果的影響，在153組正常狀態的樣本中隨機選取107組作為訓練集，剩余的46組數據作為測試集。對于27組失火狀態的樣本，依次隨機選取5，10，15，18個樣本作為訓練集，9個樣本作為測試集。最終，訓練集樣本總數分別為112，117，122和125，測試集樣本總數為55。表2示出失火故障診斷數據集劃分的具體情況，接下來將分別采用4種數據集進行診斷模型的建立。

表2失火故障診斷小樣本數據集劃分

2.2基于ELM的柴油機失火故障診斷結果

在Matlab中建立基于ELM的失火故障診斷模型。首先，將 [P₂，P₄，P₅，P₈，P₁₅] 作為ELM模型的輸入特征，同時按照表2的4種數據集分別建立模型。經過不斷嘗試，將隱藏層神經元個數設置為200時訓練效果較為理想。利用訓練集完成ELM訓練后，在測試集中對模型的診斷效果進行驗證，通過診斷結果與實際結果的對比確認ELM對失火故障診斷的效果。

圖5示出ELM模型采用小樣本數據集的失火故障診斷結果。圖中ELM診斷結果包括了46個正常狀態樣本和9個失火故障樣本的診斷情況，實際結果代表正確的診斷結果。

圖5a示出了將107個正常狀態樣本，5個失火故障樣本作為訓練集的故障診斷結果。從圖中可以看出，ELM對正常狀態的診斷正確率較高，但在失火故障狀態下的診斷正確率較低。將訓練集的正常狀態樣本數量保持不變，失火故障樣本增加為10個時，ELM模型的失火故障診斷結果如圖5b所示。很明顯，隨著測試集樣本數的增加，ELM模型的診斷正確率并沒有變化。進一步增加訓練集中失火故障樣本，當失火故障樣本為15時，ELM模型的診斷結果如圖5c所示。可以看出，ELM對失火故障的診斷正確率有所提升。圖5d示出將107個正常狀態樣本，18個失火故障樣本作為訓練集的故障診斷結果。從圖中可以看出，失火故障的分類正確率較高，并且正常狀態的分類正確率能夠達到 95.6% 。

圖5采用小樣本數據集的ELM失火故障診斷結果

如圖6所示，在4種數據集分配情況下，ELM的診斷效果都比較理想。此外，隨著訓練故障樣本數量的增加，雖然召回率指標有所下降，但是結合其他評價指標，ELM的診斷效果總體呈現提升趨勢。因此，ELM能夠在數據樣本較少的情況下較準確地診斷柴油機失火故障。

圖6小樣本數據集下的ELM模型診斷效果比較

ELM模型在樣本不足的情況下能夠對柴油機失火實現較為準確地診斷，為了進一步說明該模型在不同樣本數量下具有穩定的診斷效果，采用滑動窗口將柴油機故障診斷數據集進行擴充。正常狀態的樣本數量擴充為918個，失火故障樣本數量擴充為169個。將擴充的樣本按照 70% 和 30% 的劃分原則分為訓練集和測試集。采用ELM模型對擴充樣本進行訓練和測試。

圖7示出ELM采用擴展數據集后的診斷結果。可以看出，正常狀態的診斷結果正確率比較高，但失火故障診斷的正確率較低。經計算可知，ELM在擴展數據集上的診斷準確率、精確率、召回率和F₁ 值分別為0.9205，1，0.4902和0.7045。顯然，ELM在樣本缺少時的診斷效果更加突出，但是該模型在樣本充足時診斷準確率也達到了較為理想的結果。由于ELM具有隨機初始化和快速訓練的特點，在處理小樣本數據以及實時性較強的問題中優勢較為明顯。然而，當數據量龐大時，ELM簡單的結構會造成特征學習不足的問題。因此，在柴油機失火故障診斷過程中，ELM在樣本不充足的情況下診斷效果更加理想。

圖7擴展數據集下的ELM失火故障診斷結果

2.3 不同方法對比試驗

為了驗證ELM在失火故障診斷中的有效性，采用PNN和BPNN作為對比方法，將 [P₂，P₄，P₅ ，P₈，P₁₅ 作為輸入特征，進行不同分類模型的對比試驗。

PNN模型的輸入層和輸出層神經元個數與ELM模型相同。此外，根據PNN的結構特點，其隱藏層神經元的個數與訓練樣本數相同，因此PNN的隱藏層神經元的個數為125。

PNN模型在小樣本數據集下的失火診斷結果如圖8所示。可以看出，隨著訓練集樣本數的增加，PNN模型對于失火故障的診斷正確率逐漸提升，但對正常狀態的診斷正確率有所下降。

結合圖9可知，當訓練集樣本數為125時PNN的診斷效果最佳，其準確率、精確率、召回率和 F₁ 值分別為0.927，0.778，0.778和0.778。

圖8小樣本數據集下的PNN失火故障診斷結果

圖9小樣本數據集下的PNN模型診斷效果比較

采用擴展數據集的PNN失火故障診斷結果如圖10所示。PNN對于正常狀態的診斷正確率比較理想，但對于失火故障的診斷正確率較低。PNN在小樣本和擴展數據集的故障診斷正確率均低于ELM。通過計算得到PNN失火故障診斷的準確率、精確率、召回率和 F₁ 值分別為0.9083，0.9565，0.4314和0.5946。

圖10擴展數據集下的PNN失火故障診斷結果

BPNN模型的輸入層和輸出層與ELM相同，并且設置其隱藏層神經元個數為100。采用表2中的數據集分別建立BPNN診斷模型，并分析其診斷效果。

基于BPNN的小樣本數據集失火故障診斷結果如圖11所示。BPNN對正常狀態的診斷正確率較高，并且當采用數據集4時其正常狀態的診斷正確率比ELM理想。然而，在失火狀態時BPNN的診斷正確率均低于ELM和PNN。

圖11小樣本數據集下的BPNN失火故障診斷結果

如圖12所示，當采用數據集4時BPNN診斷效果最好，并且其召回率比較理想。此外，BPNN的診斷效果比PNN理想，但與ELM相比存在一定差距。

圖12小樣本數據集下的BPNN模型診斷效果比較

圖13示出擴展數據集下的BPNN失火故障診斷結果。從中可看出，正常狀態的診斷正確率能夠達到0.98，但是失火故障的診斷正確率較低。與ELM相比，BPNN的失火故障診斷正確率更加優秀。經計算，BPNN在擴展數據集上的診斷準確率、精確率、召回率和 F₁ 值分別為0.9358，0.9167，0.6471和 0.7586 。

圖13擴展數據集下的BPNN失火故障診斷結果

如圖14所示，在小樣本數據集下，PNN和BPNN能夠達到的精確率有限，而ELM在數據樣本缺少的情況下不僅保證了較高的精確率，同時在準確率、召回率和 F₁ 值指標上也具有較好的結果。

圖14不同模型在小樣本數據集下的診斷結果評價指標比較圖15示出了在擴展數據集下，ELM模型、PNN模型以及BPNN模型的診斷結果評價指標。ELM模型在樣本量大的條件下其失火故障診斷效果比BPNN模型差，但是從綜合角度考慮，ELM模

圖15不同模型在擴展數據集下的診斷結果評價指標比較

型不僅在小樣本數據集上表現出突出的失火故障診斷效果，并且在擴展數據集上的故障診斷正確率也比較理想。因此，ELM的綜合診斷性能優于PNN和BPNN，該方法能夠對柴油機的失火故障進行有效診斷。

3結論

a）在4種不同數據集劃分情況下，ELM的失火故障準確率均能達到0.945以上；隨著訓練集樣本的增加，ELM在數據集4下的失火診斷效果最理想，其準確率、精確率、召回率和 F₁ 值分別為0.964，1，0.818和0.9；b）在對比試驗中，PNN和BPNN的診斷效果同樣隨著訓練樣本數的增加而逐漸提升，但其最佳的診斷效果與ELM相比仍存在一定差距；c）基于ELM的柴油機失火故障診斷方法具有速度快、準確率高、可行性強的優勢，并且該方法能夠在數據樣本較少時實現較好的診斷效果，對實現神經網絡在柴油機故障診斷上的應用，進一步提升設備穩定性、安全性具有重要意義。

參考文獻：

[1]劉嘉濛.基于信號特征分析的柴油機故障診斷方法研究[D].北京：北京化工大學，2020.

[2] 張攀，高文志，高博，等.基于人工神經網絡的柴油機失火故障診斷[J].振動、測試與診斷，2020，40（4）：702-710.

[3] 張曉帆.基于振動沖擊特征的柴油機典型故障監測診斷方法及應用研究D.北京：北京化工大學，2018.

[4] 賈繼德，賈翔宇，梅檢民，等.基于小波與深度置信網絡的柴油機失火故障診斷[J].汽車工程，2018，40（7）：838-843.

[5] 張金偉.共軌柴油機故障診斷技術的研究與應用[D].南京：東南大學，2018.

[6] 張康，陶建峰，覃程錦，等.隨機丟棄和批標準化的深度卷積神經網絡柴油機失火故障診斷[J.西安交通大學學報，2019，53（8）：159-166.

[7]高文志，王彥軍，王欣偉，等.基于卷積神經網絡的柴油機失火故障實時診斷[J吉林大學學報（工學版），2022，52（2）：417-424.

[8] 宋業棟，王彥軍，張振京，等.基于深度學習的柴油機部分失火故障診斷[J].車用發動機，2022（6）：76-82.

[9]VASQUEZ-CORONELJA，MORA M，VILCHES K.Areview of multilayer extreme learning machine neu-ral networks[J].Artificial intelligence review，2o23，56：1-52.

[10]徐睿，梁循，齊金山，等.極限學習機前沿進展與趨勢[J].計算機學報，2019，42（7）：1641-1670.

[11]LI S，MA H，ZHANG Y，et al.Emergency evacuationrisk assessment method for educational buildingsbased on improved extreme learning machine[J].Reli-ability engineering 8. system safety，2023，238：1-10.

[12]王素華，徐小健，于飛，等.基于振動特征優選和極限學習機的滾動軸承故障診斷[J].深圳大學學報（理工版），2023，40（4）：504-512.

[13]吳寶存.基于AP-ELM地鐵轉向架軸承系統故障診斷方法[J].現代制造工程，2023（1）：112-116.

[14]YANG ZX，WANGXB，WONGPK.Single and simultaneous fault diagnosis with application toa multi-stage gearbox：A versatile dual-ELM network ap-proach[J].IEEE transactions on industrial informat-ics，2018，14（12）：5245-5255.

[15]宋文強，沈登海.基于深度極限學習機的燃氣輪機氣路故障診斷技術研究[J].北京化工大學學報（自然科學版），2024，51（4）：89-98.

[16]王衛玉，趙訓新，魏加達，等.基于改進層次樣本熵和極限學習機的離心泵故障診斷方法[J].排灌機械工程學報，2024，42（9）：872-880.

[17]張煥可，王帥旗，陳會濤.基于自適應鄰域局部保留ELM-AE的機械故障診斷[J].計算機應用與軟件，2024，41（1）：56-63.

[18]杜董生，王夢姣，冒澤慧，等.基于改進北方蒼鷹算法與混合核極限學習機的齒輪箱故障診斷[J].控制理論與應用，2025，42（4）：796-804.

[19]文妍.基于多源信息融合的數控機床進給系統機械故障診斷研究[D].青島：青島理工大學，2016.

[20]程曉涵，汪愛明，花如祥，等.24種特征指標對軸承狀態識別的性能研究[J].振動、測試與診斷，2016，36（2）：351-358.

[21]LI Z，YANG Y，LI L，et al.A weighted pearson core-lation coefficient based multi-fault comprehensive di-agnosis for battery circuits[J].Journal of energy stor-age，2023，60：1-14.

[22]HUANG GB，ZHUQY，SIEW C K.Extreme learn-ingmachine：A new learning scheme of feedforwardneural networks[C]//IEEE international joint confer-ence on neural networks（IEEE Cat.No.04CH37541）.[S.l.]：IEEE，2004：985-990.

[23]賴岳華.變工況下柴油機故障在線監測與維修決策優化方法研究與應用[D].北京：北京化工大學，2020.

Abstract：Aimingattheproblemthatdieselenginemisfirefaultscouldnotbeaccuratelydiagnosed whentherewerefewerdata samplesinpracticalappications，amisfirefaultdiagnosis method basedonextremelearning machine（ELM）was proposed， whichwasverifiedbySC5S122Dinstantaneousspeedsignalofdieselengine.Theacquiredinstantaneousspeedsignalwas extractedinthetime-frequencydomain，andthenthefeatureselectionwascarredoutaccordingtothePearsoncorelationcoeficient，and thefeatureparametersetcomposedof selectedfeature wasusedtodiagnosethediesel engine misfirefault.Finally， thesmallsampledatasetwasdividedintofourcasesandusedtotrainELMtoevaluatethediagnosticefectofELMwhenthe datasamplewassmallAtthesametime，thesmallsampledata wasexpanded，andELMwasusedtodiagnosediesel engine misfirefaultsontheexpandeddataset.AnalysisoftheexperimentalresultsdemonstratesthattheELMexhibitssuperiorperformanceinmisfirefaultdiagnosiscomparedtobothPNNandBPNN，asevidencedbyhigheraccuracy，precision，recall，and F₁ -scoremetrics.Consequently，ELMprovescapableofachievingaccurateandefectivedieselenginemisfirediagnosiseven with limited training data samples.

Keywords：diesel engine;extreme learning machine;misfire;fault diagnosi：

[編輯：潘麗麗]