趙玉程，李英建，沈世民，韓玉喜，宋杰

(山東科技大學(xué)智能裝備學(xué)院，山東泰安 271000)

0 前言

日益嚴(yán)格的排放要求對汽車的排放提出了更高的要求。柴油機(jī)作為汽車的重要?jiǎng)恿υ?，其燃料的燃燒質(zhì)量決定了汽車的動(dòng)力性、經(jīng)濟(jì)性及排放性[1]。噴油器是柴油機(jī)高壓共軌系統(tǒng)中最核心、最精密的部件，在燃油噴射和控制過程中起著重要作用[2]，然而，由于惡劣的工作環(huán)境[3]，導(dǎo)致其機(jī)械結(jié)構(gòu)極易受損，因此快速故障定位成為當(dāng)前該領(lǐng)域需要解決的關(guān)鍵問題。

目前，國內(nèi)外學(xué)者對噴油器的故障診斷已經(jīng)開展了大量研究。李良鈺等[4]提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)—支持向量機(jī)(SVM)的方法對噴油器進(jìn)行故障診斷。鄭濤[5]從軌壓信號(hào)中提取多種特征值變量，并將這些特征變量作為特征參數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型從而診斷噴油器故障。KROGERUS等[6]通過監(jiān)測共軌管的壓力，以此來確定噴油器噴油的相對時(shí)間，實(shí)現(xiàn)了對噴油器的故障診斷。當(dāng)前針對噴油器的故障診斷研究主要集中在對高壓共軌系統(tǒng)整體進(jìn)行研究，通過對共軌管的壓力信號(hào)進(jìn)行信號(hào)分解來對噴油器進(jìn)行故障診斷。由于高壓共軌系統(tǒng)是由油箱、高壓油泵、共軌管、噴油器高壓油管組成的復(fù)雜系統(tǒng)，在高壓共軌管中提取軌壓信號(hào)對噴油器進(jìn)行故障診斷容易受到其他因素干擾，影響噴油器故障診斷的準(zhǔn)確性。

高壓共軌試驗(yàn)臺(tái)是用來模擬高壓共軌系統(tǒng)的設(shè)備，它能夠模擬發(fā)動(dòng)機(jī)在各種工況下的運(yùn)行情況，并通過多種傳感器采集噴油器的噴油和回油數(shù)據(jù)，維修人員再通過將噴油器的各項(xiàng)指標(biāo)與標(biāo)準(zhǔn)值進(jìn)行比對，對噴油器的故障進(jìn)行診斷。但目前的高壓共軌試驗(yàn)臺(tái)僅能測出各種工況的噴油數(shù)據(jù)，無法進(jìn)行自動(dòng)診斷故障，需要試驗(yàn)人員有一定的經(jīng)驗(yàn)方可定位故障。本文作者提出一種基于網(wǎng)格搜索和投票分類模型的噴油器故障自動(dòng)診斷方法，在試驗(yàn)臺(tái)采集噴油器相應(yīng)數(shù)據(jù)后，通過訓(xùn)練好的故障診斷模型即可快速定位故障位置。

1 壓電噴油器仿真模型建立與驗(yàn)證

基于AMESim液壓仿真軟件[7]建立了高壓共軌燃油系統(tǒng)模型，調(diào)好參數(shù)后需要進(jìn)行模型驗(yàn)證。只有保證通過AMESim建立的高壓系統(tǒng)模型的準(zhǔn)確性才能對噴油器的各種狀態(tài)進(jìn)行仿真模擬。

1.1 壓電噴油器數(shù)據(jù)采集

為獲得型號(hào)為Bosch-0445115007的壓電噴油器在各個(gè)工況下噴油數(shù)據(jù)的參考值，在高壓共軌試驗(yàn)臺(tái)上對壓電噴油器進(jìn)行測試。高壓共軌試驗(yàn)臺(tái)見圖1，壓電噴油器見圖2。

圖1 高壓共軌試驗(yàn)臺(tái)

圖2 壓電噴油器

高壓共軌試驗(yàn)臺(tái)對壓電噴油器的測試主要是針對不同工況下噴油器的噴油量或回油量進(jìn)行測試。此次Bosch-0445115007型壓電噴油器測試結(jié)果如表1所示。全負(fù)荷工況的噴油量、回油量以及中速工況的噴油量數(shù)據(jù)均與此型號(hào)壓電噴油器的參考值有所偏離，故判定測試的這個(gè)壓電噴油器存在故障，但僅根據(jù)測試數(shù)據(jù)無法定位壓電噴油器具體故障位置。

表1 壓電噴油器測試結(jié)果

1.2 仿真模型建立

作為共軌系統(tǒng)的核心，壓電噴油器具有復(fù)雜且動(dòng)態(tài)的電-機(jī)-液耦合特性[8]，故采用AMESim一維建模軟件對其建模仿真。壓電噴油器處于非正常工作時(shí)，壓電執(zhí)行器處于原始位置，伺服閥關(guān)閉，高壓和低壓范圍相互隔斷，壓電噴油器針閥處于原位置；當(dāng)在壓電執(zhí)行器的兩端施加電壓時(shí)，壓電晶體由于具有逆壓電效應(yīng)，故在應(yīng)力方向伸長，致使伺服閥打開，從而使控制室的壓力降低，針閥在高壓作用下向上抬起，噴嘴開啟，開始噴油；當(dāng)壓電執(zhí)行器的兩端停止施加電壓時(shí)，伺服閥關(guān)閉，控制室壓力隨之增大，針閥落下，噴油嘴關(guān)閉。壓電噴油器工作原理簡圖如圖3所示。

圖3 壓電噴油器工作原理簡圖

根據(jù)壓電噴油器及高壓共軌系統(tǒng)的相關(guān)工作原理與AMESim軟件的相關(guān)特性，建立的高壓共軌系統(tǒng)模型如圖4所示。為了保證仿真模擬試驗(yàn)過程中，壓電噴油器受壓力波動(dòng)因素影響較小，在搭建高壓共軌系統(tǒng)模型時(shí)，在高壓油泵和高壓共軌管的接口位置增加了穩(wěn)壓閥，以此來增加高壓燃油的穩(wěn)定性，具體結(jié)構(gòu)如圖4所示。經(jīng)過各個(gè)模型結(jié)構(gòu)參數(shù)的優(yōu)化與調(diào)整，最終在某時(shí)刻壓電噴油器接口處的壓力可穩(wěn)定在一定范圍內(nèi)。壓電噴油器模型主要參數(shù)如表2所示。

表2 壓電噴油器模型主要參數(shù)

圖4 高壓共軌系統(tǒng)

所搭建的高壓共軌系統(tǒng)在噴油接口處產(chǎn)生的壓力和穩(wěn)壓源存在一些差異。該系統(tǒng)通過高壓油泵將低壓燃油逐漸加壓，形成高壓燃油。因此，在高壓共軌管中，壓力會(huì)經(jīng)歷一個(gè)從劇烈變化逐漸趨于平穩(wěn)的波動(dòng)過程。這意味著系統(tǒng)中的壓力短時(shí)間內(nèi)無法保持恒定，并且在初始階段會(huì)出現(xiàn)較大的波動(dòng)。在未給0、1、2、3號(hào)壓電噴油器兩端施加電壓時(shí)，0號(hào)壓電噴油器的接口壓力曲線如圖5所示。

圖5 0號(hào)噴油器接口壓力曲線

由圖5可知：0號(hào)噴油器接口處的壓力將在0.08 s時(shí)穩(wěn)定在預(yù)期壓力左右。經(jīng)過多組仿真實(shí)驗(yàn)對比，將壓電噴油器的噴油測試開始時(shí)間定為0.082 79 s，此時(shí)噴油器接口處的壓力和預(yù)期壓力的差值最小，即此時(shí)噴油器受壓力波動(dòng)產(chǎn)生的影響最小。表3所示在0.082 79 s時(shí)0號(hào)噴油器接口壓力和預(yù)期壓力的對比。

表3 0.082 79 s時(shí)0號(hào)噴油器接口壓力和預(yù)期壓力的對比

1.3 仿真模型驗(yàn)證

為驗(yàn)證文中利用AMESim搭建的高壓共軌仿真模型的準(zhǔn)確性，對高壓共軌系統(tǒng)進(jìn)行仿真試驗(yàn)，涉及壓電噴油器的6種工況。試驗(yàn)中，將采集相應(yīng)的噴油器數(shù)據(jù)，并將其與該型號(hào)壓電噴油器的噴油量或回油量的參考值進(jìn)行對比。壓電噴油器的噴油量對比如圖6所示。

圖6 壓電噴油器的噴油量對比

圖6顯示，在預(yù)熱、開始、全負(fù)荷、中速、怠速和預(yù)噴這幾個(gè)工況下，仿真噴油量都在參考值的范圍內(nèi)，說明本文作者使用AMESim建立的高壓共軌系統(tǒng)可用于壓電噴油器的故障診斷研究。

2 噴油器故障數(shù)據(jù)采集

由于壓電噴油器和發(fā)動(dòng)機(jī)的汽缸蓋相連，噴油嘴深入柴油機(jī)的燃燒室內(nèi)，使其長期處于高壓、高溫的工作環(huán)境，并且由于其核心部件壓電執(zhí)行器的應(yīng)變量較小，為增大工作行程，往往需要施加強(qiáng)電場進(jìn)行驅(qū)動(dòng)[9]。又由于噴油器的機(jī)械結(jié)構(gòu)十分精密，在如此惡劣的環(huán)境下容易發(fā)生多種故障。本文作者通過AMESim仿真建模，總共模擬了5種典型壓電噴油器故障，共計(jì)1 760組數(shù)據(jù)。

2.1 針閥偶件磨損

噴油器的針閥偶件是柴油機(jī)燃油供給系統(tǒng)的核心部件之一，它所處的工作環(huán)境十分惡劣，機(jī)械負(fù)荷和熱負(fù)荷都很高，在實(shí)際工作過程中容易因磨損而失效，從而影響柴油機(jī)正常運(yùn)轉(zhuǎn)[10]。針閥偶件常見的故障類型為針閥卡滯與針閥配合間隙增大，使柴油機(jī)各項(xiàng)指標(biāo)發(fā)生異常。

(1)針閥卡滯故障。由于燃油中充斥著雜質(zhì)且燃油中含有酸性物質(zhì)和水分造成針閥發(fā)生銹蝕，這就導(dǎo)致針閥反復(fù)運(yùn)動(dòng)過程中，某種因素使針閥和針閥體表面上的油膜持續(xù)遭到破壞，而導(dǎo)致在某些點(diǎn)上發(fā)生金屬的直接接觸，使針閥發(fā)生卡滯。

(2)由于針閥和針閥體的導(dǎo)向工作表面間的配合間隙極小，僅有0.002～0.004 mm，在導(dǎo)向工作面發(fā)生磨損后，針閥的密封性變差，通過導(dǎo)向表面的漏油量增加[11]。

2.2 噴孔堵塞

壓電噴油器的噴油嘴由于深入柴油機(jī)的燃燒室內(nèi)部，在長期的工作過程中，由于燃燒室中的混合氣體燃燒不充分會(huì)造成噴油嘴積炭堵塞噴油口；還可能由于燃油中含有雜質(zhì)，長此以往雜質(zhì)堵塞噴孔，使柴油機(jī)功率下降。

2.3 壓電晶體損壞

由于其核心部件壓電執(zhí)行器的應(yīng)變量較小，為增大工作行程，往往需要施加強(qiáng)電場進(jìn)行驅(qū)動(dòng)。 但壓電陶瓷片經(jīng)過多次高壓電場驅(qū)動(dòng)后可能出現(xiàn)損毀，壓電陶瓷片損毀在一定范圍內(nèi)時(shí)對壓電執(zhí)行的位移影響不是很大，但達(dá)到一定的閾值后，導(dǎo)致伺服閥開啟不完全，使柴油發(fā)動(dòng)機(jī)運(yùn)行時(shí)的各項(xiàng)指標(biāo)處于異常狀態(tài)下。

2.4 針閥彈簧損壞

壓電噴油器的針閥工作時(shí)處于長期往復(fù)的工作狀態(tài)，伴隨著針閥每一次的抬起與落下，針閥彈簧也做著循環(huán)往復(fù)的運(yùn)動(dòng)，這就導(dǎo)致針閥彈簧工作一定時(shí)限之后，其彈簧預(yù)緊力有所下降。由張子威等[12]、劉楠等人[13]研究可知，彈簧預(yù)緊力的大小確實(shí)對噴油量有所影響，故本文作者將針閥彈簧的損壞加入到研究之中。

2.5 仿真實(shí)驗(yàn)設(shè)計(jì)

綜合上文所分析的噴油器故障情況，壓電噴油器幾種常見的故障類型及故障結(jié)果如表4所示。

表4 壓電噴油器常見故障分析

針對上述5種故障類型，為了提高故障樣本的多樣性，將每一種噴油器故障類型進(jìn)行了不同軌壓及不同脈寬進(jìn)行仿真，如針閥行程減少20%，軌壓取60 MPa時(shí)，脈寬分別取565、765、1 000、1 200、1 500、1 800、2 200、2 500 μs，其余情況以此類推，仿真具體情況如表5所示。

表5 故障仿真方案設(shè)計(jì)

為排除其他干擾因素，本文作者以圖5中的0號(hào)噴油器為研究對象。每一種噴油器都設(shè)置了3種故障狀態(tài)和1種正常工作狀態(tài)，在11種不同的軌壓以及8種不同的脈寬情況下，每組噴油器故障類型共計(jì)352組數(shù)據(jù)，故5種故障類型共計(jì)1 760組數(shù)據(jù)，每組數(shù)據(jù)設(shè)置脈寬、共軌壓力、噴油峰值流量、噴油峰值時(shí)間、噴油關(guān)閉時(shí)間、噴油總量、回油總量這7種數(shù)據(jù)作為故障診斷的特征參數(shù)。

3 故障診斷模型建立

在噴油器故障數(shù)據(jù)采集完成后，將這些數(shù)據(jù)整理為用在機(jī)器學(xué)習(xí)訓(xùn)練的數(shù)據(jù)集，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。故障診斷流程如圖7所示。

圖7 故障診斷流程

如圖7所示，將數(shù)據(jù)集按照7∶3的比例劃分為訓(xùn)練集和測試集后，為了提高機(jī)器學(xué)習(xí)算法的性能和效率以及使數(shù)據(jù)更加易于理解和分析，將訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，之后將訓(xùn)練集用機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，并使用網(wǎng)格搜索法尋找最優(yōu)超參數(shù)。網(wǎng)格搜索又被稱作窮舉搜索，是目前機(jī)器學(xué)習(xí)中很常用的一種尋優(yōu)調(diào)參的方法[14]，它可以自動(dòng)搜索指定算法的超參數(shù)組合，并使用交叉驗(yàn)證技術(shù)來評估每個(gè)組合的性能。網(wǎng)格搜索法會(huì)嘗試所有可能的參數(shù)組合，從而找到最優(yōu)的超參數(shù)組合。最終，利用這些超參數(shù)重新擬合模型，以獲得更好的性能。在實(shí)踐中，使用網(wǎng)格搜索法能夠幫助人們更快地尋找最優(yōu)超參數(shù)組合，從而提高機(jī)器學(xué)習(xí)模型的準(zhǔn)確性和泛化能力。最后使用最優(yōu)超參數(shù)重新訓(xùn)練機(jī)器學(xué)習(xí)模型。對比隨機(jī)森林(Random Forest)、logreg邏輯回歸(Logistic Regression)、支持向量機(jī)(Support Vector Machine)、高斯樸素貝葉斯(Gaussian Naive Bayes)、GBM(Gradient Boosting Machine)、XGBoost(eXtreme Gradient Boosting)、AdaBoost(Adaptive Boosting)等模型的綜合表現(xiàn)后，發(fā)現(xiàn)隨機(jī)森林模型、支持向量機(jī)、GBM和XGBoost對壓電分類器故障分類情況較好。

3.1 隨機(jī)森林模型

隨機(jī)森林是一種組合式自學(xué)習(xí)分類算法，具有變量重要性排序、并行處理等優(yōu)點(diǎn)，能夠組合多棵決策樹做出預(yù)測的一種多決策樹模型[15]。在隨機(jī)森林中，每個(gè)樹都是基于隨機(jī)子樣本和隨機(jī)特征來構(gòu)建的，通過隨機(jī)化可以使數(shù)據(jù)具有更好的多樣性，在避免過擬合的同時(shí)提高了模型的準(zhǔn)確性和泛化能力。在分類問題中，每個(gè)決策樹投票出一種類別，隨機(jī)森林則以投票最多的類別作為預(yù)測結(jié)果。

3.2 支持向量機(jī)模型

SVM是一種適合小樣本的學(xué)習(xí)方法，其算法簡單，具有較強(qiáng)的魯棒性和泛化能力，不易陷入局部最優(yōu)，還能剔除大量冗余樣本，可解決變壓器故障樣本數(shù)量少、故障復(fù)雜多樣的問題[16]。SVM的基本思想是將訓(xùn)練集映射到高維空間中，通過尋求最大的間隔來構(gòu)建分類超平面，從而將不同類別的樣本分開。從幾何角度來講，SVM試圖找到一個(gè)最優(yōu)分割超平面，使得該超平面距離最近的樣本點(diǎn)到超平面的距離最大化。這個(gè)距離被稱為“間隔”。SVM不僅可以處理線性可分的數(shù)據(jù)，還可以通過核函數(shù)技巧處理非線性可分的數(shù)據(jù)。

3.3 XGBoost模型

XGBoost是由 GBDT 改良而來的梯度提升算法。基于殘差的訓(xùn)練框架下，在k次迭代訓(xùn)練過程中，每次都使用不同的二叉樹(CART)訓(xùn)練，從而彌補(bǔ)前一次訓(xùn)練后模型存在的不足，提升模型的預(yù)測精度，最終的預(yù)測結(jié)果為k次訓(xùn)練產(chǎn)生的k個(gè)預(yù)測值之和[17-18]。具體來說，XGBoost采用梯度提升(Gradient Boosting)方法，對損失函數(shù)進(jìn)行優(yōu)化，同時(shí)引入正則化項(xiàng)和剪枝等技術(shù)來防止過擬合，使得模型更加魯棒、快速、準(zhǔn)確。

3.4 GBM模型

GBM是一種基于加法模型的Boosting算法，是一種非常流行的機(jī)器學(xué)習(xí)方法之一。與XGBoost類似，它也是通過不斷迭代來訓(xùn)練多個(gè)弱分類器，每個(gè)新的分類器都是在先前所有分類器的殘差基礎(chǔ)上訓(xùn)練得到的。GBM的基本思想是將多個(gè)簡單模型組合在一起構(gòu)成一個(gè)更加復(fù)雜的模型，通過不斷地學(xué)習(xí)誤差和調(diào)整模型參數(shù)來逐步提高模型的性能。

3.5 投票分類模型

作者采用集成學(xué)習(xí)的思想，將隨機(jī)森林、SVM、XGBoost與GBM組合形成新的投票分類器，稱之為 Voting Classifier。投票法是通過多個(gè)模型集成進(jìn)而降低方差，不同算法集成可能會(huì)比單個(gè)算法獲得更好的效果，投票方式分為軟投票和硬投票。文中所采用的投票方法為軟投票，使用輸出類概率分類的投票法，為了進(jìn)一步提升精度加入權(quán)重操作，使得原本軟投票的普通求和操作改為加權(quán)求和操作[19]。拓?fù)浣Y(jié)構(gòu)如圖8 所示。

圖8 投票算法拓?fù)浣Y(jié)構(gòu)

將噴油器的噴油數(shù)據(jù)以及狀態(tài)參數(shù)輸入該分類器中即可對壓電噴油器的故障進(jìn)行診斷。投票分類器的架構(gòu)如圖9所示。

圖9 投票分類器的架構(gòu)

4 實(shí)驗(yàn)驗(yàn)證

為了評估各分類模型的性能，本文作者采用了4個(gè)常用的指標(biāo)：準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1-score。分類結(jié)果分為真陽性(TP)、假陽性(FP)、真陰性(TN)和假陰性(FN)。在文中研究的噴油器故障診斷模型中，準(zhǔn)確率是正確預(yù)測的故障類型的數(shù)量與測試數(shù)據(jù)集樣本總數(shù)的比值；精確率表明該模型具有準(zhǔn)確分類噴油器故障類型的能力；召回率反映了模型對噴油器故障的檢測能力；F1-score是用來評價(jià)分類模型在正例和負(fù)例兩個(gè)類別上綜合性能的指標(biāo)，同時(shí)考慮了模型的準(zhǔn)確性和覆蓋能力。上述4個(gè)指標(biāo)的評價(jià)范圍為0～1，且指標(biāo)的數(shù)值越高表示模型的能力越好。各指標(biāo)的定義[20]如下：

(1)

(2)

(3)

(4)

作者將壓電噴油器6種狀態(tài)下的噴油器數(shù)據(jù)，共計(jì)1 760組作為訓(xùn)練所需的數(shù)據(jù)集，按照測試集與訓(xùn)練集3∶7的比例進(jìn)行隨機(jī)劃分，其中測試集528組，訓(xùn)練集1 232組。在將訓(xùn)練集以及測試集輸入RF、SVM、XGBoost、GBM和投票分類模型(權(quán)重按照1∶1∶1∶1劃分)后得到如圖10所示的機(jī)器學(xué)習(xí)模型分類結(jié)果的評價(jià)指標(biāo)。可知：支持向量機(jī)模型在絕大多數(shù)情況下分類效果最優(yōu)，投票分類模型次之，但圖10(c)所示的噴油器彈簧損壞的分類表現(xiàn)不如投票分類模型，在圖10(f)所示的噴油器正常狀態(tài)綜合表現(xiàn)僅比隨機(jī)森林模型要好，而投票分類模型在噴油器6種狀態(tài)的分類表現(xiàn)都非常優(yōu)秀，但其分類表現(xiàn)都不是最優(yōu)。

圖10 機(jī)器學(xué)習(xí)模型分類結(jié)果的評價(jià)指標(biāo)

為了探究投票分類模型對噴油器狀態(tài)分類的最佳表現(xiàn)結(jié)果，以圖10中在大多數(shù)分類上表現(xiàn)都為最優(yōu)的支持向量機(jī)模型為核心，按照不同的權(quán)重以及不同的模型組合重新設(shè)計(jì)投票分類模型，合計(jì)共有45種組合，并將不同的權(quán)重組合類型按照1-9號(hào)進(jìn)行編號(hào)，權(quán)重組合未到編號(hào)9、7的權(quán)重編號(hào)空余。編號(hào)結(jié)果如表6所示。將訓(xùn)練集以及測試集輸入到本文作者設(shè)計(jì)的不同權(quán)重模型中，其準(zhǔn)確率情況如圖11所示。圖11(a)中的4種模型組合權(quán)重最優(yōu)組合為[1，3，1，1]，即支持向量機(jī)模型占比重最高，準(zhǔn)確率為98.67%；圖11(b)中的3種模型組合表現(xiàn)最優(yōu)的是(RF，SVM，GBM)組合，最優(yōu)權(quán)重比為[1，2，1] ，其準(zhǔn)確率為98.86%，圖11(c)中的2種模型組合表現(xiàn)最優(yōu)的是(SVM，XGB)組合，最優(yōu)權(quán)重比為[2，1] ，其準(zhǔn)確率為98.29%。顯然，投票分類器由RF、SVM、GBM組成且其三者權(quán)重為[1，2，1]時(shí)，投票分類模型對噴油器的故障診斷準(zhǔn)確率最高。

表6 投票分類模型權(quán)重組合設(shè)計(jì)

圖11 投票分類模型準(zhǔn)確率曲線

同理，在與故障診斷模型的其他評價(jià)指標(biāo)對比后，由RF、SVM、GBM組成(權(quán)重為[1，2，1])的診斷模型的表現(xiàn)均優(yōu)于其他分類模型，精確率達(dá)到99.13%，召回率為98.56%，F(xiàn)1-score為98.83%。

5 結(jié)論

提出一種基于網(wǎng)格搜索和投票分類模型的噴油器故障自動(dòng)化診斷方法，將由隨機(jī)森林模型、支持向量機(jī)模型、GBM組成的投票分類模型和高壓共軌試驗(yàn)臺(tái)結(jié)合用于診斷壓電器的故障狀態(tài)。為了使各模型的分類效果達(dá)到最佳，使用網(wǎng)格搜索法來尋找各模型的最優(yōu)超參數(shù)，提高各個(gè)模型的評價(jià)指標(biāo)。結(jié)果表明：由隨機(jī)森林模型、支持向量機(jī)模型、GBM組成的投票分類模型且權(quán)重為[1，2，1]對壓電噴油器各種狀態(tài)的分類情況最好，其準(zhǔn)確率為98.86%，精確率為99.13%，召回率為98.56%，F(xiàn)1-score為98.83%，各項(xiàng)模型評價(jià)指標(biāo)均優(yōu)于各分模型以及其余權(quán)重組成的投票分類模型。