针对列装时间短的现役装备故障样本匮乏、现有算法故障检测准确率较低的问题，将多核学习（Multiple Kernel Learning，MKL）与一类超限学习机（OC-ELM）相结合，提出了lp-范数约束下多核学习一类超限学习机（lp-MKOCELM）的检测模型。在lp-范数约束下，定义了将MKL与OC-ELM相结合的数学优化形式，推导了基核组合权重与Lagrange乘子的更新方式；为方便故障检测的实施，基于lp-MKOCELM定义了统计检验量与检测阈值；通过实验证实了不同范数的约束形式的近似等价性。将所提方法应用于常用的UCI数据集和某型装备的测试数据，实验结果表明：相比于传统的SVDD、PCA、OC-SVM、OC-KELM等方法，所提方法在平衡漏警、虚警的同时，能够显著提升检测精度。