《Sensors》：Symmetrized Dot Patterns and CNN-Based Acoustic Signal Analysis for Fault Diagnosis in Internal Combustion Engines
编辑推荐：
内燃机（ICEs）中故障的早期检测仍是提高运行可靠性和支持状态评估的重要挑战。基于车载诊断系统（OBD-II）数据、振动或废气分析的传统方法面临实际局限性，促使研究人员探索非侵入式声学诊断。本研究提出并验证了一种结合声学信号、对称点模式（SDP）变换和卷积神经
内燃机（ICEs）中故障的早期检测仍是提高运行可靠性和支持状态评估的重要挑战。基于车载诊断系统（OBD-II）数据、振动或废气分析的传统方法面临实际局限性，促使研究人员探索非侵入式声学诊断。本研究提出并验证了一种结合声学信号、对称点模式（SDP）变换和卷积神经网络（CNNs）的流程，用于识别多缸内燃机中的喷油器和点火故障。声学测量是在专用半消声室中使用配备微机电系统（MEMS）麦克风的智能手机获取的，确保在受控故障条件下获得高信噪比记录。总共540个独立声学记录被转换为540幅灰度SDP图像，用于训练和测试自定义CNN架构。结果表明，在独立验证中总体准确率达到81.11%，其中火花塞3和火花塞4表现突出（F1 = 1.000），喷油器4和正常工况也表现优异（F1 = 0.947）。更具挑战性的案例包括喷油器1、喷油器3和火花塞1（F1 ≈ 0.70–0.78），在这些情况下频谱重叠导致交叉误分类。这些发现与近期研究报告一致，表明SDP在表示瞬态声学现象方面的鲁棒性以及CNN在模式识别任务中的卓越分类能力。该研究将SDP应用扩展到内燃机，证明了使用声学测量检测喷油和点火故障的可行性。所提出的SDP–CNN流程代表了一种使用消费级传感设备进行非侵入式、低成本声学故障分析的方法。未来研究应侧重于扩展数据集、引入领域自适应技术，并在真实运行条件下验证性能，以提升泛化能力并支持实际声学监测应用。
内燃机故障早期检测的研究背景、方法、结果与结论解读
**研究背景与问题**
内燃机（ICEs）的早期故障检测对于提高运行可靠性和维持燃烧性能至关重要。喷油系统或点火系统的故障（如喷油器失效或火花塞退化）会改变燃烧过程并产生可检测的运行状态变化。传统诊断方法主要依赖电子控制单元通过车载诊断系统（OBD-II）获取信息、振动分析以及废气分析。然而，这些方法存在局限性：OBD-II接口并非始终可用，振动分析仪器需要专门安装，而废气分析仪成本高昂且不便于现场应用。因此，非侵入式声学方法作为一种替代方案，利用低成本麦克风进行外部发动机监测，展现出巨大潜力。但主要挑战在于声学信号的高变异性，其受环境噪声和发动机动态运行条件的强烈影响。先前研究表明，结合先进信号处理技术，使用配备微机电系统（MEMS）麦克风的智能手机采集的声学信号可提供诊断相关信息。为应对信号变异性，研究者探索了更鲁棒的信号表示方法，如语谱图、小波变换，以及近年来出现的对称点模式（SDP）。SDP将一维序列转换为二维极坐标分布，同时保留幅度分布和时间结构，具有抗背景噪声、对短时瞬态现象敏感以及区分正常与异常状态的能力。此外，将信号转换为图像后，可自然集成卷积神经网络（CNN），实现自动特征提取，减少对人工特征工程的依赖。尽管已有研究展示了SDP与深度学习结合在复杂场景中的有效性，但将声学信号、SDP表示和CNN用于多缸内燃机故障检测的研究仍十分有限，这是当前文献中的空白。
**研究内容与结论**
本研究提出并验证了一种基于SDP和CNN的声学信号分析方法，用于检测多缸内燃机中与喷油器和火花塞相关的故障。实验在专门设计的半消声室中进行，使用iPhone 15智能手机（集成MEMS麦克风阵列）采集声学信号，确保了高信噪比和可重复的采集条件。共模拟了9种运行工况（正常工况、4个喷油器单独断油、4个火花塞单独故障），每种工况采集60个10秒长的录音（采样率48 kHz，16位分辨率），总计540个音频样本。每个录音经过离散傅里叶变换（DFT）得到幅度谱，再通过SDP变换转换为224×224像素的灰度图像，形成540幅SDP图像。其中450幅图像用于CNN开发（80%训练，20%验证），剩余90幅用于独立测试。CNN架构包含12个卷积层（主要使用6×6卷积核）、7个最大池化层、5个全连接层，共约240万个可训练参数，采用Adam优化器训练。经过超参数调整后，验证准确率达到86.67%，独立测试集总体准确率为81.11%。分类性能因工况而异：火花塞3和火花塞4实现完美识别（F1=1.000），喷油器4和正常工况表现优异（F1=0.947），喷油器2表现良好（F1=0.870），而喷油器1、喷油器3和火花塞1表现较差（F1≈0.70–0.78），主要由于声学特征相似导致误分类。该研究发表于《Sensors》。
**主要关键技术方法**
本研究采用的关键技术方法包括：（1）在专用半消声室中，使用iPhone 15智能手机（集成MEMS麦克风）以48 kHz采样率、16位分辨率采集内燃机声学信号，共采集540个10秒录音（9种工况各60个，包括正常工况、4种喷油器故障和4种火花塞故障）；（2）通过离散傅里叶变换（DFT）获取声学信号的幅度谱；（3）应用对称点模式（SDP）变换，将幅度谱转换为224×224像素的灰度图像，参数经灵敏度分析确定为径向长度参数l=80、角放大因子ξ=30°；（4）构建并训练一个自定义CNN（12个卷积层、7个最大池化层、5个全连接层），用于SDP图像的自动分类。
**研究结果**
**3.1 训练与验证性能**
初始训练中，训练准确率超过90%而验证准确率低于40%，表明严重过拟合。通过调整超参数（如学习率、批量大小等），优化后的训练曲线显示验证准确率逐步提升至86.67%，训练与验证损失同步下降，模型泛化能力显著改善。
**3.2 分类性能与结果分析**
基于独立测试集（90幅SDP图像）的归一化混淆矩阵和F1分数显示，总体准确率为81.11%。火花塞3和火花塞4达到完美分类（F1=1.000），喷油器4和正常工况的F1=0.947，喷油器2的F1=0.870。而喷油器1、喷油器3和火花塞1的F1分别为0.762、0.778和0.700，误分类主要发生在这些工况之间，原因是频谱重叠导致SDP图像相似。火花塞2的F1=0.800，表现中等。
**讨论与结论**
讨论部分指出，SDP–CNN方法在独立测试中取得81.11%的总体准确率，最佳结果出现在火花塞3、火花塞4和喷油器4，而喷油器1、喷油器3和火花塞1的分类难度更大。初始过拟合通过超参数调整得到缓解，凸显了在中等规模数据集下优化的重要性。这些发现与近期研究一致，表明SDP具有抗噪声、对瞬态现象敏感以及自然兼容CNN的优势。分类性能差异主要源于多缸发动机中燃烧事件按点火顺序依次发生，产生部分重叠的声学发射，且通过公共结构传播，导致不同故障工况的频谱能量分布高度相似，进而影响SDP图像的区分度。该研究在受控实验室条件下验证了SDP–CNN框架的可行性，为进一步在实际环境中评估鲁棒性和泛化能力奠定了基础。
研究结论部分翻译如下：
基于对称点模式（SDP）和卷积神经网络（CNN）的声学故障检测方法在多缸内燃机上得到开发和评估。使用MEMS麦克风采集的声学信号被转换为SDP图像，并通过CNN进行分类，在受控实验室条件下独立测试集上实现了81.11%的总体准确率。结果表明，SDP表示能够保留与喷油器和火花塞故障条件相关的判别性声学信息，从而通过深度学习技术实现自动分类。尽管该研究仅在单一发动机平台上于受控实验条件下验证，但它确立了将SDP应用于多缸发动机诊断的概念验证。未来研究应关注更大数据集、多发动机平台、变化运行条件以及更真实的声学环境，以进一步评估所提出方法的鲁棒性和泛化能力。
