基于SVM的旧式农业拖拉机机械柴油喷射泵振动故障诊断：一种现代化方法 卡洛斯·马夫拉-耶佩斯（Carlos Mafla-Yépez）、 豪尔赫·梅洛（Jorge Melo）、 保罗·埃南德斯（Paul Henándes）、 克里斯蒂娜·卡斯特洪（Cristina Castejón）和 迭戈·特兰-皮内达（Diego Teran-Pineda）

《Machines》：Fault Diagnosis Based on Vibrations of Mechanical Diesel Injection Pumps in Old Agricultural Tractors Using SVM: A Modernization Approach Carlos Mafla-Yépez, Jorge Melo, Paul Henándes, Cristina Castejón and Diego Teran-Pineda

　　摘要 在农业4.0的框架下，传统重型机械的现代化和预测性维护对于确保粮食安全和运营效率至关重要。本研究提出了一种非侵入性的自动化诊断系统，通过振动分析和机器学习来分类农业拖拉机中柴油喷射泵的运行状态。在International 523拖拉机上进行了严格的实验设置，在1至4巴的受控燃油压力条件下收集振动信号，其中2巴被确定为最佳名义压力。信号处理方法采用了混合特征提取技术，结合了快速傅里叶变换（FFT）的频谱成分和时域统计变量。在评估了33种分类算法后，支持向量机（SVM）模型表现出优异的性能，训练准确率达到96.7%，所有类别的曲线下面积（AUC）值均超过0.90。值得注意的是，该模型能够完美识别关键的低压力故障（1巴），这些故障会显著影响发动机的启动和燃烧效率。使用独立数据集进行验证后，确认了系统的稳健性，保持了95%的准确率。这些发现验证了所提出的方法作为一种可靠的、低成本的故障监测解决方案，有助于将传统拖拉机整合到数字化维护生态系统中。

1. 引言
农业4.0基于智能农业（旨在通过数据分析优化产量和运营效率）与精准农业（专注于战略性和局部化资源管理以减轻环境影响）之间的协同作用。在劳动力短缺和向企业化农业转型的背景下，“自动化农场”的概念应运而生：这种机器人生态系统的技术可行性取决于将高精度导航数据与农艺变量相结合，以便在不确定条件下做出决策[1,2,3]。
农业部门目前面临双重挑战：既要满足不断增长的全球粮食需求（到2050年需要增加110%的产量以维持预计的97亿人口），同时又要减少其对环境的影响[4]。全球有超过5.7亿个农场，农业仍然是全球粮食安全的基石[5]。然而，这一需求受到有限的土地、水和能源资源的限制[6]。此外，农业是气候变化的主要驱动因素，约占全球温室气体（GHG）排放量的15%[7]，其中大部分源于对化石燃料（特别是拖拉机）的依赖[8,9]。因此，整个行业的转型至关重要。实施现代维护技术以优化机械性能可以显著降低燃油消耗，从而提高运营效率并促进环境保护。
虽然汽车和工业领域已大量投资于先进的维护系统以防止停机，但专门为农业拖拉机定制的预测性维护方法仍是一个未充分探索的研究领域。智能机械的兴起促进了自主导航系统的发展，以优化生产力并降低劳动力成本[10]。然而，这些进步面临一个关键障碍：需要实时状态监测和预测性维护来确保车辆可靠性。
作为农业中的主要动力单元，拖拉机在耕作、犁地和收割等苛刻条件下运行[11]。随着对粮食需求的增加，农业劳动力持续减少[12]，这推动了可持续集约化（SI）的采用，以平衡生产力和环境完整性[13]。这种可持续性的一个关键因素是保持机械处于最佳状态，以避免昂贵的计划外停机[14]。然而，在向农业4.0转型的过程中，许多传统拖拉机和机械附件缺乏内置的数字接口，对现代维护生态系统来说“不可见”[15]。因此，为这些组件配备外部传感器以进行预测性维护变得迫切。最近的研究证明了这种整合的可行性；例如，Prateek[16]验证了一个实时数据采集系统，该系统中的变量之间具有高度相关性，而Mahore[17]开发了一个使用Raspberry Pi?的低成本物联网系统进行基于云的分析。此外，尽管混合模型在节能方面具有潜力，但功率分配和复杂传动装置（如CVTs）的成本问题确保了短期内仍依赖内燃机[18]。这一现实使得优化其效率并监测易受损的子系统（特别是柴油喷射泵）变得至关重要。
本研究的主要目标是开发和验证一个用于识别柴油喷射泵故障的机器学习模型。通过分析振动信号，该系统旨在保持车辆处于最佳状态，防止影响生产力的意外故障。喷射泵故障尤其关键，因为它们会扰乱燃油压力和计量，可能导致发动机部件的二次损坏。该工具旨在让没有专门机械知识的操作员也能使用，利用振动——通常是即将发生故障的唯一外部指标——作为主要的诊断输入。这项工作的核心创新在于开发了一种基于振动分析和支持向量机（SVMs）的非侵入性、低成本诊断系统，专门为传统机械喷射泵设计，从而将旧机械整合到农业4.0范式中。

1.1. 农业拖拉机：维护和生命周期
在[19]中，Galiev开发了一种方法，使用系统化方法来评估农业拖拉机的资源消耗。该框架关注机械生命周期的三个关键原则：设计特性、资源消耗和运行条件的变化。设计特性包括拖拉机的技术和结构属性，而资源消耗则由几何和诊断参数偏离名义值的程度决定。最后，运行条件涉及田间操作期间可靠性和机械完整性的动态变化[19]。
最后，加速无人农业拖拉机的开发和采用对于最大化土地使用效率和全球粮食安全至关重要。自主平台能够实现标准化的、信息驱动的操作，减少对劳动力的依赖，并消除与操作员技能水平相关的变异性。这种自主导航技术显著提高了田间操作的精度和效率，同时减轻了操作员的认知和体力负担[20]。

1.2. 燃油喷射泵
燃油喷射系统对内燃机的性能至关重要，因为它调节燃油输送的精确时间、数量和压力。这种同步优化了燃烧过程，直接提高了燃油效率，同时减少了污染物排放和噪音水平[21]。从可靠性的角度来看，该系统是一个重要的机械弱点，占发动机总故障的27%以上。因此，通过预测性诊断监测喷射泵是一项重要策略；这些措施确保了操作安全，并通过防止灾难性故障提供了显著的经济优势[22]。
农业发动机中的机械喷射泵利用发动机驱动的凸轮轴为每个活塞的专用气缸和柱塞加压。喷射周期由柱塞的向上运动控制，喷射开始时间（SOI）由凸轮轮廓和发动机转速（RPM）决定。当燃油压力通过调节的出口端口下降并受到调速器的作用时，喷射过程结束。尽管柴油发动机由于高热效率而在农业中至关重要，但减少排放仍然是一个持续的挑战。为了满足美国环保署（EPA）和欧盟等监管机构日益严格的标准，制造商已经开发出了复杂的燃烧技术。因此，现代重型发动机的喷射压力现在达到了200至250 MPa的范围[23]。
Huang[24]的研究表明，喷射故障或低质量的燃油可能会导致点火延迟，即使在恒定的喷射角度下也会显著影响性能。模拟显示，这种延迟会增加排气温度和涡轮增压器的速度，同时降低气缸压力峰值。这种趋势在所有发动机负载下都存在，会产生过度的热应力并形成“热点”[25]，因此实时监测系统的运行完整性至关重要。一个常见的问题是喷射泵的退化，这通常会导致喷射器故障，如泄漏或雾化不良。这些故障是润滑油稀释的主要原因；虽然轻微的稀释是可以预期的，但超过安全的燃油与润滑油比例阈值会对发动机寿命构成严重风险。由于负载和润滑油特性的变化，确定这些限制很复杂[26]，因此监测喷射泵——系统的“心脏”——对于全面保护发动机至关重要。
柴油燃烧过程包括几个阶段，点火延迟期是工程优化中最关键的因素。这个间隔从初始燃油喷射到自燃，期间柴油被雾化、加热并与空气混合。过长的点火延迟是有害的，因为它会导致未燃烧燃料的过度积累，从而增加动态负载、噪音和结构振动[27]。鉴于这种敏感性，保持喷射系统处于最佳状态对于高效燃烧至关重要[28]。因此，经常暴露在恶劣环境因素下的农业拖拉机需要严格的诊断程序，以防止意外的运营停机。

1.3. 故障预测
在预测性维护（PdM）领域，特别是在汽车应用和机械系统中，最常用的传统机器学习算法列在表1中[29]：
表1. 预测性维护PdM中的传统机器学习算法。这些方法对于故障预测、估计剩余使用寿命（RUL）和监测复杂系统内组件的健康状态（SOH）至关重要，特别是在汽车和重型机械领域[30]。线性回归（LR）和高斯过程回归（GPR）等算法通常用于回归任务，如RUL估计；然而，在非线性条件下，它们可能在预测准确性方面存在局限性。为了解决这些限制，使用了更复杂的架构，如人工神经网络（ANNs），它们在性能预测和设计优化方面表现出色。对于诊断分类，支持向量机（SVMs）和基于决策树（DT）的集成模型，包括随机森林（RF），在识别传感器和复杂机械系统中的异常方面表现出高精度[31]。此外，k-最近邻（k-NN）算法仍然是模式识别和监督分类的多功能技术。总体而言，结合这些算法的预测性维护（PdM）提高了系统可靠性，降低了运营成本，并实现了早期故障检测[32]。
为了有效预测喷射泵故障，必须认识到它们在发动机性能中的关键作用；精确的燃油输送控制可以优化燃烧过程，从而提高热效率，同时减少噪音、排放和燃油消耗。因此，监测泵的状态至关重要。本研究提出了一种创新的方法，将物理监测与人工智能相结合，以有效评估柴油发动机的完整性。尽管这是一个不断发展的领域，但最近的研究强调了先进深度学习架构（如长短期记忆（LSTM）、门控循环单元（GRUs）和混合CNN-LSTM模型）在预测关键参数（包括振动特征、温度梯度和性能退化）方面的潜力，提供了比传统实验方法更强大和快速的替代方案[31]。
预测性维护是一个数据驱动的过程，利用历史信息来预测资产子组件中的故障时间和位置。技术人员可以远程获取准确的数据点，然后由预测算法处理这些数据点以确定特定部件的故障概率。这种智能通过协作和数据可视化工具传达给维护团队，允许仅对需要服务的部件进行有针对性的干预。通过实施这一框架（图1），组织可以精确安排部件更换，并提前收到关于由故障硬件触发的退化周期的警告[33]。
图1. 四阶段维护周期：反应性、周期性、主动性和预测性[33]。

1.4. 通过监测系统现代化机械设备
农业机械的使用对于现代生产的发展是不可或缺的。在许多国家，仍然在运行的完全机械化的机器缺乏电子管理；然而，实时监测现在是优化精度和工作时间的必要技术。因此，使用传感器适应传统设备至关重要，这些传感器可以在不干扰其原始操作的情况下监测其当前状态。这种整合到工业4.0中，可以在不承担购买新机械的高成本的情况下实现操作的现代化[34]。这种技术转型通过减少体力负担和简化劳动强度，使农业工作更加轻松，显著提高了农业福利[35]。
具体来说，在旧拖拉机中安装传感器可以使用SVM等算法进行实时状态监测和故障预测。通过预测故障，这项技术减少了劳动负担和运营成本，确保了农民的经济稳定性和生产力[36,37]。

2. 材料和方法
本节描述了用于数据采集的实验设置及其相关的测量仪器。此外，还详细介绍了本研究采用的方法论框架和测试协议。

2.1. 振动测试
2.1.1.**测试平台**
为了验证所提出的方法论，选用了一台国际523型农业拖拉机作为实验平台（图2a）。选择这一特定型号是因为它在多种农业作业中广泛应用，如耙地、犁地和装载，使其成为生产领域可靠性分析的代表性单元。确保该机械的运行完整性对于维持田间生产力至关重要。

**实验测试平台的组成部分：**
(a) 农业拖拉机；
(b) 加速度计；
(c) 数据采集卡；
(d) 压力计。
拖拉机的技术规格总结在表2中。国际523型拖拉机由一台2.9升、三缸柴油发动机驱动，最大功率输出为51.2马力，其燃油系统的标称流量为每分钟7.5加仑（GPM）。

**2.1.2 振动诊断设备**
**振动传感器（加速度计）**
使用了一款IMI Sensors公司（位于美国纽约州迪普威）生产的603C01型压电加速度计来测量发动机振动。该传感器被战略性地安装在发动机缸体上（图2b），以获取高保真的振动数据，这对于短期故障诊断和预测性维护至关重要。这种工业级加速度计是用于动态机械系统（如内燃机、压缩机和涡轮机）状态监测的标准仪器。其主要技术规格包括灵敏度为100 mV/g（±10%）和动态测量范围为±50 g。

**数据采集系统（DAQ）**
加速度计捕获的模拟信号通过NI 9250数据采集卡（National Instruments公司，美国德克萨斯州奥斯汀）进行数字化处理。该模块将传感器的模拟输出转换为数字数据，从而能够在各种运行条件下对发动机振动进行表征。DAQ装置位于北方技术大学（图2c），确保了高精度的数据采集，用于评估发动机的动态行为。NI 9250具有两个24位分辨率的模拟输入通道和同步采样功能，其内部主时间基准频率为13.1072 MHz，并提供±5 Vpk输入的信号调理功能。该模块可在-54°C至121°C的工作温度范围内正常运行，具备先进的数字滤波和过电压保护功能，以保证高频采样时的信号完整性。

**2.1.3 压力测量**
为了便于控制测量喷油泵内的内部压力，设计并制造了一种专用诊断工具（图2d）。该装置包括一个填充有甘油的压力计（因其具有在封闭液压系统中的减振性能而被选中），并与高压软管和一组精密接头连接，以确保无泄漏连接。此外，还加入了一个定制加工的适配环，以便与发动机燃油泵外壳无缝集成。压力计直接安装在燃油回油管上，从而能够连续监测发动机运行过程中的背压。这种配置允许实时观察压力波动，这对于表征喷油泵在实验压力范围内的性能至关重要（1至4巴）。

**2.1.4 加速度计安装位置**
加速度计安装在发动机缸体上，具体位于第二个气缸对应的位置（图3）。这一测量点在所有实验阶段（包括正常和模拟故障条件）都保持空间一致性。选择这一位置是因为其等距布置，可以最小化信号衰减，并便于捕捉发动机内部动态产生的峰值振动幅度。

**2.1.5 实验方案**
该方法论侧重于系统地采集发动机振动数据，以表征其动态行为、运行状态和性能。使用LabVIEW?软件进行实时信号可视化和高保真记录。实验方案设计用于分析喷油泵压力等变量，每种特定条件进行200次独立测试。每次测试的采集参数都有严格定义：8秒的主动采样窗口期间，传感器持续记录振动数据，随后是4秒的停留时间（死时间），然后进行下一次测量。数据采集通过自定义控制界面进行管理，操作员可以启动、暂停或终止记录过程。系统中集成了视觉状态指示器，以区分主动采集期和停留间隔。每次测试的原始数据会自动导出并存储在指定目录中的结构化文件中。通过这一标准化程序，总共为每个分析的压力变量在200次测试中采集了60,000个数据点。从这些全面的数据集中，选取了100次测试的代表性子集进行进一步特征提取和高级信号分析。

**2.2 特征选择和数据处理**
流程图（图4）概述了本研究实施的方法论架构，该架构专注于机械柴油喷油泵的状态监测和预测性维护（PdM）。方法论分为三个主要阶段：
- **数据采集和预处理**：重点在于高频振动信号的捕获和噪声降低。
- **特征工程和建模**：涉及统计和频谱描述符的提取，随后是机器学习分类器的训练。
- **结果部署和解释**：验证模型在实际应用中的诊断准确性。

**2.2.1 数据采集和预处理**
这一阶段首先对喷油泵的标称运行状态进行表征，基准压力设为2巴。为了生成异常行为的全面数据集，通过将系统压力调节到1巴、3巴和4巴来模拟故障条件。使用高速数据采集系统（DAQ）和压力/振动传感器，在LabVIEW? 2020 SP1（National Instruments公司，美国德克萨斯州奥斯汀）环境中进行原始数据采集。每种条件记录了200次实验试验，每次试验产生60,000个样本的高密度数据集。

**2.2.2 特征工程和建模**
在初始数据采集之后，通过选择每个类别的100个随机样本来创建一个代表性子集，以确保统计平衡。然后应用快速傅里叶变换（FFT）将时间序列数据转换为频域数据。这种转换被广泛认为能够提供关于旋转机械频谱特征和动态行为的关键见解。频域表示有助于提取特征，特别是识别高幅度谐波，这些谐波可作为喷油泵动态和潜在机械异常的指标。统计分析和特征定义均在MATLAB? R2025a版本（The MathWorks公司，美国马萨诸塞州纳蒂克）中执行。

**2.2.3 结果应用**
最后阶段利用训练好的模型生成主动诊断警报，为基于状态的维护调度提供强有力的决策支持。最终，优化后的特征集被用于机器学习（ML）模型的训练和交叉验证，成功将诊断结果整合到预测性维护框架中。

**2.3 喷油泵性能评估**
喷油泵是柴油燃料系统中的关键子系统，负责高精度燃油计量和向气缸输送柴油的加压。其主要功能是促进高效燃烧，从而直接提升发动机性能并减少污染物排放。这一组件已从纯机械装置发展到复杂的电子柴油控制（EDC）系统，与喷油器协同工作，优化喷射时机，这一参数从根本上决定了发动机的功率密度和结构耐久性。
在本研究的框架下，重点关注对喷油泵运行压力的控制调节，因为喷射压力是实现最佳燃油雾化和随后燃烧效率的决定性因素。喷射压力的波动直接影响喷射开始时刻（SOI）和供给的燃油质量，进而影响制动特定燃油消耗（BSFC）、功率输出以及排气气体排放浓度。因此，监测和表征这些压力变化的影响对于性能优化和遵守日益严格的环境法规至关重要。

**2.3.1 标称运行状态（良好状态）**
根据现有文献[37]，机械喷油泵的最佳标称运行压力定义为2巴。这一基准压力代表了理想的运行完整性，并具有以下技术优势：
- **最佳燃油雾化**：2巴的压力差确保柴油燃油被雾化成细小均匀的液滴，从而形成高度均匀的空气-燃油混合物，促进燃烧室内的完全高效燃烧。
- **提升发动机性能**：在该设定点下，燃油输送精确且同步，实现最大功率输出、改善瞬态响应以及稳定的、减振的发动机运行。
- **高容积和燃油效率**：严格的压力控制减少了燃油泄漏和浪费，从而最大化发动机的整体容积效率和热转换效率。
- **减排**：在标称压力下的高燃烧效率显著减少了颗粒物和未燃烧碳氢化合物等污染物。
- **系统寿命和耐久性**：将液压压力保持在这个校准范围内，可防止喷油泵组件和喷油嘴的过早机械磨损，显著延长系统的平均故障间隔（MTBF）。

**2.3.2 由于压力变化导致的故障模拟**
喷射压力的不受控制波动——无论是超过还是低于标称阈值——都是燃烧异常的主要驱动因素。这类故障通常表现为燃油供给不足或过量，导致功率损失、特定消耗增加以及发动机部件的潜在结构损坏。本研究模拟了三种不同的故障条件：
- **异常低压力（1巴）**：在1巴压力下运行喷油泵（比标称压力低50%）会严重损害发动机性能，因为燃油雾化不足和燃烧不完全。这种情况是最严重的运行故障之一。
- **冷启动障碍**：降低的液压压力阻碍了实现自燃所需的初始燃油喷射。
- **燃烧不完全**：燃油以大液滴形式喷射，导致空气-燃油混合不良和燃烧不均匀，从而显著降低热效率。
- **制动马力损失（BHP）**：喷射窗口内的燃油流量不足会导致有效功率急剧下降，尤其是在高负载或加速瞬态下。
- **异常中等高压（3巴）**：将压力提高到3巴会引发特定的燃烧问题，降低排放质量和机械平稳性：
- **颗粒物（PM）排放**：延迟或不完全的燃烧循环会导致烟尘颗粒的形成，表现为排气流中的可见黑烟。
- **燃烧不稳定（爆震）**：不理想的点火时机会导致爆震（爆燃或提前点火），因为过压燃油喷射的化学性质发生变化。
- **特定燃油消耗增加（SFC）**：发动机管理系统通常试图通过延长喷射时间来补偿感知到的功率不足，导致过度喷射和效率下降。
- **异常高压（4巴）**：在过高的压力（4巴）下运行存在难以通过常规手段检测到的潜在风险，但会导致灾难性的结构故障：
- **加速喷油器磨损**：过高的压力会导致空化现象和内部侵蚀，改变喷油器的喷射模式，降低长期雾化质量。
- **气缸壁划伤**：燃油喷射过度穿透会直接冲击气缸壁，冲掉保护性润滑层，导致气缸壁划伤和活塞环的加速磨损。
- **剧烈热释放率**：过度细化的雾化可能导致几乎即时的爆燃，增加气缸内的峰值压力，缩短发动机的疲劳寿命。

**2.3.3 状态变量分配**
为了建模和分类的目的，为每种分析的压力条件分配了一个状态变量（表3），对运行状态进行分类（表3：喷油泵故障时的发动机运行变量）。

**2.4 信号处理和频谱分析**
使用快速傅里叶变换（FFT）算法分析采集的振动信号。由于捕获的数据是由数字采样的离散序列组成，因此离散傅里叶变换（DFT）是适用于此分析的数学框架。该工具将表示记录的机械振动的有限时间域数据转换为频域中的等效表示。DFT将复杂的非平稳振动信号分解为其组成正弦波，从而能够详细检查其频谱密度。这种分解对于识别与特定喷射泵状态相关的主导频率成分和谐波模式至关重要。数学上，离散信号x[n]的离散傅里叶变换（DFT）定义为：(1) 其中X[k]：表示频域中信号的离散傅里叶变换（DFT）系数；x[n]：由NI 9250数据采集系统捕获的时间域中的原始振动信号；n：时间样本索引；k：频率索引（即“频率区间”；N：采集的样本总数；e^-j2πkn/N：基于欧拉恒等式的变换核。分析使用了快速傅里叶变换（FFT），这是一种计算优化的算法，用于高效计算DFT。开发的脚本处理了选定的数据文件，并包含了每个分析变量的元数据，如测试类型和操作压力。数据处理流程包括对每种条件下的100次试验分别进行FFT计算。随后，每个结果信号被转换到频域以表征其频谱特征。在这个域中，识别并提取了主导谐波（振幅最大的谐波）。这些峰值幅度被记录下来，以构建用于分组分析的结构化数据集。图5展示了每种操作条件下的频谱密度结果。

2.5 振动特征分析
振动模式分析是本研究采用的一项基本技术，用于表征农业拖拉机发动机的动态行为。这种方法能够识别机械系统中的振动分布和传播，这对于诊断诸如质量不平衡、不对中、机械磨损、共振和结构疲劳等异常情况至关重要。具体来说，在拖拉机的柴油发动机中，振动特征分析有助于检测关键子系统中的故障。这包括气门机构（凸轮轴和气门正时）、往复运动组件（区分由燃烧引起的瞬变和纯粹的机械冲击）以及曲轴（识别质量不平衡或轴承磨损）。每种机械状况都会在信号频谱中产生独特的振动特征，从而实现精确的故障识别和隔离。

2.6 机器学习方法论
该方法论利用机器学习（ML）来分析和分类从农业拖拉机柴油发动机获取的振动数据集。计算工作流程分为四个关键阶段：通过快速傅里叶变换（FFT）进行信号预处理、振动特征提取和选择、监督模型训练以及通过标准化指标进行严格的性能评估。

2.6.1 基于机器学习的数据处理
用于从频域振动信号中提取代表性谐波的算法基于测试台内部组件的理论运动频率。关键物理域特征——特别是与曲轴、凸轮轴和活塞相关的特征——被均匀且单独地应用于每个信号。通过独立处理8秒的振动信号，这种方法避免了依赖于整体数据分布的优化过程，从而防止了数据泄露。实验数据的中心趋势是通过计算每个变量的算术平均值来确定的。这提供了一种统计离散度量，优化了训练前的振动特征。因此，发动机频谱组分的效率得到了高精度表示，并且不受数据集驱动的偏差影响。

2.6.2 振动数据的统计分析
从时间域的每个振动信号中提取了九个统计特征，作为分类模型的响应变量。这组特征包括平均值、中位数、众数、方差、标准差、峰度、偏度和均方根（RMS）和峰因数，用于表征信号的配置和能量分布。重要的是要强调，每个描述符都是针对每个8秒的时间间隔独立计算的，以确保样本的自主性。通过独立处理这些特征，避免了依赖于整个数据集的统计参数的全局归一化或缩放技术的使用。这种方法防止了测试集中的任何数据泄露到训练集中，确保了模型的通用性和鲁棒性。这些描述符被组织成一个特征矩阵，作为学习阶段的输入，在这里建模了振动特征与四种泵压状态（1、2、3和4巴）之间的关系。

2.6.3 模型训练和验证方法
为了评估预测诊断系统的准确性，实施了一种数据划分策略。包含400次试验（每个变量100次）的数据集被分为两个独立的块。保留了一个保留测试集——每个变量25个样本——并从训练阶段中排除。剩余的数据经过5折交叉验证程序，将训练集分为五个随机子集；每次迭代使用四个子集进行学习，一个用于验证。这确保了每个数据点都对训练过程有所贡献，从而验证了精细高斯SVM模型的效率。使用之前保留的保留测试集进一步验证了训练的鲁棒性，在未见数据上的准确率超过了95%。为了防止数据泄露并保持模型的完整性，最初的400个样本数据集被划分为75%用于训练和验证，25%（100个样本）作为保留集。这个保留集被排除在特征提取过程之外，仅用于最终验证。使用频谱谐波特征和时间域统计描述符进行了两次不同的训练会话。对于每次会话，评估了三十三种不同的机器学习算法。分类准确性作为模型选择的主要指标，根据其正确分类模拟压力状态的能力来识别最稳健的分类器。

以下诊断工具被用于全面评估所选模型的性能：
- 混淆矩阵：用于量化模型的预测准确性和误分类率，具体分析所有类别中的真正例（TP）、假正例（FP）和假负例（FN）的分布。
- 接收者操作特征（ROC）曲线：生成ROC曲线（真正例率与假正例率）来评估模型在不同决策阈值下的敏感性。曲线下面积（AUC）被用作分类器区分能力的定量度量。
- 多变量数据可视化：实施了散点图和平行坐标图进行可视化分析，以便解释统计特征（例如RMS、方差）与结果诊断类别之间的多维关系。

3. 结果
作为结果的初步阶段，并为了确保本研究所需的压力测量的准确性，对燃油喷射系统进行了全面维护。这些活动对于保证操作可靠性和获取数据的完整性至关重要。程序包括拆卸喷射泵和喷油器，以确保最佳的启动条件。喷射泵经过大修和校准，以维持稳定的标称压力2巴，并通过严格的测试台验证。关于喷油器，由于内部压力不足，喷嘴被更换，因为这之前导致燃油雾化不良并在燃烧室内“滴落”。更换喷嘴后，使用手动测试泵验证喷油器，以确保均匀的喷射模式和正常的雾化。最后，燃油箱进行了彻底清洁，以去除可能影响喷油器性能的内部污染物，并更换了燃油过滤器，以防止实验试验期间的液压堵塞。

3.1 燃油压力变化对发动机振动响应的结果
在维护和重新组装阶段之后，系统被配置为数据采集。在发动机的几何中心放置了一个压电加速度计，以确保最佳的振动捕获，同时将压力表集成到燃油泵回流管中，以实时监控操作压力。为了模拟不同的实验条件（从1巴到4巴），修改了一个压力调节阀。通过一系列校准的调整行程压缩了阀门的内部弹簧。使用游标卡尺测量调整机构的增量位移（以2毫米为步长），从而建立了弹簧压缩与每次实验目标液压压力之间的可重复相关性。

3.2 通过FFT光谱学进行的谐波信号分析
3.2.1 使用傅里叶变换的谐波分析
为了数据解释和信号处理，开发了一个自定义算法来实施快速傅里叶变换（FFT）。这种计算工具通过将振动信号从时间域转换到频域来提取代表性谐波。图7展示了实验集中最具代表性的振动信号的峰值幅度及其对应的基频的识别。图7表示频域中的振动信号处理，其中谐波被提取出来。振动信号处理是通过计算算术平均值和标准差来执行的，从而验证了方法论中先前详细描述的发动机振动特征。选择了六个振幅最大的谐波作为主要参考特征。每个谐波根据其相应的运动频率映射到特定的发动机部件，如表4所示。表4展示了谐波数据库的生成。每个机械元件都由一个基频表征，该基频与每次试验中提取的谐波的幅度和频率一起记录下来。这个系统化的过程导致了一个全面的特征数据库（以Excel格式）的建立，用于后续的多变量分析和模型训练。

3.2.2 统计分析
为了在自主学习框架内实现双重验证，对提取的参数进行了全面的统计分析，如图8所示。总共使用了400次试验（每个压力条件100次）来构建训练和验证阶段的输入特征矩阵。这个稳健的数据集是学习过程的基础，其中统计描述符提供了分类算法区分标称状态和诱导故障状态所需必要的方差和类别分离。来自频谱振动特征和多变量统计分析的数据集是机器学习框架的主要输入。这些变量代表了提取的信号描述符，用于建模喷射泵的各种操作状态，特别是针对识别和分类与标称基线（2巴）相关的诱导压力故障（1、3和4巴）。

3.3 机器学习
一旦对应于频域频谱特征和时间域统计分析的特征矩阵被构建——每个都按其特定的故障标签分类——就使用分类学习器应用程序来评估两种学习场景。如图9所示，这种环境使得可以同时训练和比较分析多种算法，以识别最稳健的喷射泵压力状态诊断模型。学习输入数据：(A) 统计分析。(B) 振动特征分析。注意：范围列中的省略号（...）表示数值已被截断以方便显示；完整的数据范围被用于模型训练。通过训练环境中所有33种分类算法，进行了全面的基准测试，以确定最佳的诊断模型。评估结果显示，与频谱谐波数据相比，多变量统计分析提供了更加稳健和高效的特征集。因此，最终的学习过程使用了时域统计描述符作为主要输入。表5回顾了这些算法家族的工作情况，强调了Fine Gaussian SVM与其他方法（如k-NN或决策树）相比的优越准确性。表5. 按家族分类的33种机器学习模型的比较分析。在执行分类试验后，结果显示使用Fine Gaussian核（尺度2.3）的支持向量机（SVM）达到了96.8%的验证准确性。这一最佳性能是在包含标称基线（2 bar）和诱导故障条件（1、3和4 bar）的400次实验数据集上获得的。相比之下，仅基于频谱振动特征训练的模型的准确率低于50%，表明时域统计特征在这种特定的机械诊断中具有更强的区分能力。

3.3.1. 分散性
正如性能评估中所确定的，Fine Gaussian SVM模型（尺度2.3）实现了最高的验证准确性。对特征分布的详细分析显示，1-bar故障条件（图10b）的统计分散性显著高于其他运行状态。这种增加的方差是由于异常低的燃油压力引起的发动机行为不稳定和燃烧不稳定性，这破坏了振动信号的均匀性。图10. 振动特征的分散性：(a) 完整的可视化显示了1 bar的关键分散性。(b) 故障的顺序分组。当这种特定故障条件被隔离时，剩余的变量（2、3和4 bar）显示出更均匀和集中的分散性（图10a）。当泵在标称或超压条件下运行时，数据保持了高度的空间一致性和序列稳定性。这种特征聚类对分类器非常有利，因为它有助于定义稳健的决策边界，从而提高了系统进行预测性故障诊断的可靠性。

3.3.2. 混淆矩阵
混淆矩阵（图11）展示了模型使用振动派生的统计特征在所有运行状态下的高诊断性能。在ME3B和ME4B条件之间观察到轻微的分类错误，这主要是由于它们的特征集在频谱和统计上的相似性。各类的具体分类准确性如下：BE2B（94%）、ME1B（100%）、ME3B（92%）和ME4B（85%）。图11. BE2B、ME1B、ME3B和ME4B类的混淆矩阵。ME1B（1 bar）条件下的100%准确性证实了低压故障的不规则振动特征非常明显，从而实现了完美的类别分离。相反，模型偶尔会错误地识别相邻类别——特别是在3 bar和4 bar之间——这是由于它们的参数有显著的重叠。这种行为在物理上是合理的，因为发动机在高压和超高压力条件下的机械响应变化很小，导致统计描述符几乎相同。

为了验证SVM模型的性能，从混淆矩阵中得出了额外的指标。这种方法允许对算法针对每个特定喷射泵变量（BE2B、ME1B、ME3B和ME4B）的有效性进行单独评估。因此，获得了一个不受任何特定条件或变量影响的高效模型，如表6所示。表6. SVM模型的每个变量的性能指标。

3.3.3. ROC曲线
性能验证结果确认模型能够以高精度准确分类所有运行状态。具体来说，ME1B条件表现出优越的分类性能，而ME4B条件的曲线下面积（AUC）最低，为0.90。即使是对于最具挑战性的类别（4 bar），0.90的AUC也强调了使用时域统计描述符进行柴油喷射系统预测性维护的可靠性。图12. 多类分类的接收者操作特征（ROC）曲线。虚线代表随机分类器的基线性能。

3.3.4. 并行坐标
平行坐标图（图13）中的结果显示了统计描述符之间的不同交互模式。标称条件BE2B（用蓝线表示）在多个变量上表现出较高的分散性；然而，在特定的峰度和众数范围内显示出显著的聚类。图13. 模型预测的平行坐标，显示了BE2B、ME1B、ME3B和ME4B类的分布。相反，故障条件ME1B、ME3B和ME4B显示出更高的特征重叠程度。这种在多维空间中的相互干扰证实了混淆矩阵的发现，即超压状态（3 bar和4 bar）之间统计参数的接近性使得类别分离变得困难。尽管存在这种重叠，但在特征空间中识别这些局部簇仍然证明了支持向量机的高准确性，因为它成功定义了非线性决策边界以隔离每个运行状态。

3.4. 预测数学模型的生成
训练好的分类器函数作为包含优化分类模型的导出结构，使其能够集成到实验验证环境中进行实时预测。这个自主学习框架旨在处理不同的案例研究，并根据预定义的喷射泵条件对其进行分类。为了严格验证模型的预测能力，使用了主数据库中剩余的100次试验组成的保留数据集。如表7所示，结果表明每个类别的分类效率超过了95%。这种在验证子集上的高水平性能证实了所提出的诊断模型在检测农业柴油发动机压力相关异常方面的稳健性和可靠性。

3.5. 预测模型的训练和评估
在优化过程之后，使用Fine Gaussian核的支持向量机模型实现了出色的类别分离，从而准确地表征了振动特征。核尺度被调整到一个特定值，使模型能够捕捉统计描述符中的微妙非线性变化。这一调整对于实现96.8%的验证准确性至关重要。因此，该模型展示了在压力水平几乎相同的情景下区分决策边界的能力，例如在3 bar和4 bar变量中观察到的情况。

4. 结果讨论及其在故障诊断中的重要性
基于核的支持向量机（SVM）的实施展示了在燃油喷射系统中进行故障诊断的强大能力。这些结果验证了振动特征包含了足够的信息来有效区分不同的压力状态。96.8%的总体准确性表明，时域统计描述符和谐波幅度的结合构成了发动机非线性动态行为的高度代表性特征向量。一个关键发现是1-bar故障条件的明确识别，其可分离性达到了100%（AUC = 1.0）。从机械角度来看，这直接与由注射压力不足引起的严重燃烧不稳定性相关。该类别在散点图中观察到的高分散性反映了燃烧周期中的显著变化，产生了与标称运行根本不同的脉冲性和随机性振动。模型能够无误地检测到这种状态对于预测性维护至关重要，因为低注射压力会导致即时功率不足和污染物排放增加。相反，混淆矩阵分析显示超压类别（3 bar和4 bar）之间存在轻微的重叠。这种现象在物理上是合理的，因为发动机在高压和过高压条件下的机械响应变化很小，导致统计描述符几乎相同。

4.1. 模型实施和测试集验证
一旦选择了最佳分类器，训练好的模型就被导出到生产环境中进行实施和推理阶段。为了严格评估系统的泛化能力并确保没有过拟合，构建了一个新的输入特征矩阵，保持了训练阶段使用的精确统计和频谱描述符。外部验证过程使用了未见过的测试数据集（保留集），该数据集包含100个从初始训练和交叉验证程序中排除的实验样本。这个数据集提供了四种喷射泵状态（1、2、3和4 bar）的平衡表示。当这些新数据被分类算法处理时，系统展示了显著的预测稳健性。最终验证结果证实了所提出方法的有效性，实现了每个运行条件的分类准确性超过95%。这些发现证实了该模型在现实农业环境中的自动化诊断应用的可行性，其中可靠和快速的故障检测至关重要。

4.2. 机器学习与深度学习方法
虽然支持向量机（SVM）算法达到了96.8%的准确性，但也需要考虑其他深度学习模型，如神经网络（NNs）和长短期记忆（LSTM）网络。NNs具有直接从振动信号中提取复杂模式的能力，消除了手动特征工程的需要。同样，LSTM网络在处理时间序列方面也非常有效，因为它们能够捕捉序列依赖性。然而，这些深度学习模型需要大量的数据集来防止过拟合，并且计算需求较高。对于硬件资源有限的旧式拖拉机来说，高斯核SVM方法具有显著优势；它不仅提供了稳健的预测诊断，还便于在低成本嵌入式系统中实现，而无需广泛的计算基础设施。

4.3. 训练模型的考虑
SVM模型实现了高训练效率；然而，在解释结果时必须考虑某些限制。实验数据来自一台国际523型拖拉机，这是一种代表类似拖拉机车辆共同特性的模型。由于振动数据可能根据发动机参数（特别是技术）而有所不同，因此需要注意的是，这些数据来自纯机械发动机，可能无法直接与当前进入该地区的电子发动机进行比较。故障是通过调节喷射泵的压力阀来模拟的，实现了从1到4 bar的不同运行状态。尽管如此，这种方法可能无法完全捕捉喷射泵或发动机本身的组件磨损的随机性质。此外，车辆的维护历史直接影响其动态行为。虽然在高保真度的NI 9250数据采集设备（DAQ）用于数据采集和模型训练，但在大规模应用中，更倾向于使用低成本的加速度计和微控制器（例如MEMS和Raspberry Pi），以在现实农业环境中获得可比的结果。5. 结论：成功设计并实现了一种能够实时运行的低成本振动数据采集架构。实验验证表明，传感器的放置是一个关键参数；与喷射压力（范围从1到4巴）相关的谐波的最佳捕获直接取决于发动机缸体位置的刚性连接以及高结构传递性。此外，在全面维护燃油系统后，在受控条件下建立基准线，确保了训练数据集的高保真度。这种混合信号处理方法将时域统计描述符（如均方根值、标准差和峰度）与频谱分析（FFT）相结合，证明了其在表征发动机非线性动态行为方面的有效性。这种特征工程方法有效地降低了特征空间的维度，同时保留了区分细微操作压力变化所需的关键信息。经过对33种机器学习算法的全面评估，精细高斯SVM模型（核尺度2.3）表现出优异的性能，验证准确率达到96.8%。ROC曲线分析证实了该模型强大的区分能力，所有类别的曲线下面积（AUC）均大于0.90。值得注意的是，该模型对关键的低压故障（1巴）实现了完美检测（AUC = 1.0），这对于确保发动机运行安全至关重要。使用独立保留数据集（每类100个样本）进行的外部验证显示，准确率超过95%，与训练阶段的结果一致。这一成功表明该模型避免了过拟合，并且非常适合用于基于状态的维护（CBM）策略。所提出的框架能够无创地预测喷射系统异常，提供了一种可靠的诊断工具，以降低发动机灾难性故障的风险。总之，基于振动信号的预测性诊断——由机器学习驱动——为在正常条件下运行的传统拖拉机提供了一种有效的解决方案。这种方法通过低成本实施诊断平台，有效地将传统车辆（没有电子管理的机械发动机）整合到智能农业中。因此，这种方法通过确保现有农业机械的可靠性，增强了粮食安全。