《Results in Engineering》:Enhancing Engine Reliability with Machine Learning Techniques on Spark Plug Deposition using Green Alcohol Blend Fuels on Gasoline Engine
编辑推荐:
由于传统石油燃料对全球变暖和气候变化产生负面影响,迫切需要更可持续的替代燃料。含乙醇在内的醇类燃料已被研究作为潜在解决方案,但某些燃料掺混物长期使用会损害发动机部件、降低效率并导致过量积碳。本研究考察了单缸风冷点燃式(SI)发动机中三种燃料——纯汽油(PF,
由于传统石油燃料对全球变暖和气候变化产生负面影响,迫切需要更可持续的替代燃料。含乙醇在内的醇类燃料已被研究作为潜在解决方案,但某些燃料掺混物长期使用会损害发动机部件、降低效率并导致过量积碳。本研究考察了单缸风冷点燃式(SI)发动机中三种燃料——纯汽油(PF, Petroleum Fuel)、PF90E10(10%乙醇+90% PF)和PF80E20(20%乙醇+80% PF)——对磨损、沉积物及噪声排放的影响。结果显示,PF80E20发动机的火花塞积碳(34.57%)少于PF90E10(51.09%)和纯汽油(71.15%)。研究采用扫描电子显微镜(SEM)和能量色散X射线光谱仪(EDX)进行深度分析。所有掺混燃料的噪声排放均低于纯汽油,燃料组分是减排主因。在多源发动机数据集上的实验评估表明,集成了少样本学习(FSL, Few-Shot Learning)的方法将剩余使用寿命(RUL, Remaining Useful Life)估算精度提高达20%,减少18%误报维护警报,预测准确率较现有方法提升15%–22%。FSL通过克服数据稀缺这一行业关键挑战,在传统机器学习方法之外展现出显著优势。所提框架因分布式设计及通用性,在航空、航海及工业发动机维护系统(需数据隐私、可扩展性和高预测精度)中具有实际应用前景。该模型优于人工神经网络(ANN)和卷积神经网络(CNN):训练损失0.0294、验证损失0.0258,而ANN训练损失0.0054(验证损失0.1452),CNN训练损失0.0037(验证损失0.0326),证明其燃料性能预测更高效。因此,FSL为航空航天、汽车及智能工厂等常出现新型故障模式且需快速低成本模型适配的现实场景,提供了切实可行且可逐步部署的预测性维护方案。
论文解读:基于机器学习技术利用绿色醇类掺混燃料评估汽油机火花塞沉积物以增强发动机可靠性的研究
该论文发表于《Results in Engineering》。随着化石能源枯竭与温室效应加剧,含氧醇类(如乙醇)掺混汽油被认为是降低有害排放的可再生替代燃料,但长期使用时乙醇的高汽化潜热可能导致燃烧室温度降低,反而引起进气道与火花塞积碳形态改变,且不同掺混比对新旧机型影响缺乏统一预测模型。传统描述性研究难以迁移至不同发动机与工况,而常规机器学习方法(ANN、CNN、SVM等)依赖大量标注样本,在发动机积碳实验中小样本场景下易过拟合或泛化差。为此,研究人员以单缸风冷SI发动机为平台,对比纯汽油(PF100)、PF90E10(90%汽油+10%乙醇v/v)、PF80E20(80%汽油+20%乙醇v/v)三种燃料对火花塞积碳、噪声排放的影响,结合SEM–EDX表征沉积物元素组成,并首次在点火发动机积碳预测中引入少样本学习(FSL, Few-Shot Learning,基于元学习Meta-Learning与迁移学习Transfer Learning的少量标注数据快速适配新任务范式),对比FSL与传统ANN、CNN在沉积速率预测上的表现,探讨乙醇掺混燃料对发动机可靠性及预测性维护的意义。
研究人员采用单缸四冲程风冷SI发动机(排量305 cm3,最大功率7.1 kW@3600 rpm),以 splash blending 法配制PF100、PF90E10、PF80E20三种燃料,在恒定负载1.0 Nm、转速1400 rpm下各运行200 h耐久试验。拆取火花塞,利用扫描电子显微镜(SEM, Scanning Electron Microscopy)与能量色散X射线光谱(EDX, Energy Dispersive X-ray spectroscopy)分析沉积物形貌与元素原子百分比(at.%);同步采集噪声排放数据。构建FSL模型(结合MAML元学习与域适配最大均值差异Maximum Mean Discrepancy, MMD损失),输入7维特征(温度、振动、离子电流、运行小时数、乙醇比例等),输出沉积速率,数据集按70%训练/15%验证/15%测试划分,以ANN(单隐层64神经元,ReLU,Adam优化器,MSE损失)与CNN作对照,评价指标含训练/验证损失曲线、MAE(平均绝对误差Mean Absolute Error)、MSE(均方误差Mean Squared Error)、R2(决定系数Coefficient of Determination)。
3.1. Spark plug visual inspection(火花塞目视检查)
经200 h耐久试验后拆取火花塞拍照比对,纯汽油PF100火花塞电极及陶瓷裙部积碳明显深黑且厚重重叠,PF90E10次之,PF80E20表面最为清洁。目视观察证实乙醇掺混有助于抑制可见碳沉积物附着。
3.2. Scanning Electron Microscopy & Energy Dispersive X-ray spectroscopy(扫描电镜与能谱分析)
SEM显微图显示PF100沉积物致密且覆盖面积大,PF90E10中等,PF80E20仅有零星薄层。EDX定量结果:PF100火花塞沉积物碳(C)原子百分比71.15%、氧(O) 25.99%;PF90E10为C 51.09%、O 26.87%;PF80E20为C 34.57%、O 30.38%。各样品均检出Fe、Cr、Ca、Zn、P等源于润滑油添加剂与发动机轻微磨损的金属元素。随乙醇比例升高,沉积物碳含量显著下降、氧含量上升,说明含氧燃料促进更完全燃烧并减少碳质聚合。
3.3. Model selection(模型选择)
传统ANN/CNN在小样本新掺混比任务上需重训且易过拟合;FSL经多相关任务元训练,习得将传感器与工况数据映射至反映沉积行为的隐空间(latent space),仅需少数标注样本即可快速适配新燃料配比,解决数据稀缺问题。FSL架构引入域不变特征学习与MMD对抗适配损失(Ltotal=Lpred+λLMMD),缩小源域(已知掺混比数据)与目标域(新掺混比或工况)分布差异,实现跨域泛化。
3.4. Data Preparation(数据准备)
整理三种燃料下随时间变化的沉积速率与声发射(Acoustic Emission, AE)数据。沉积速率随运行小时单调上升,PF100斜率最大(积碳最快),PF80E20最平缓(积碳最慢)。原始数据经清洗、标准化(StandardScaler)后去除失效前健康阶段无关片段,构造支持集(support set)与查询集(query set)供FSL episodic training。
3.5. Noise Emission(噪声排放)
纯汽油PF100噪声声压级最高,PF90E10与PF80E20均降低,其中PF80E20降噪最显著。归因于乙醇高辛烷值(RON 106 vs 汽油95)提升抗爆性、含氧(34.78 wt%)改善燃烧完全度,使缸内压力升高率放缓、燃烧噪声减小。
3.6. Feature engineering(特征工程)
从时域与频域提取磨损率、积碳特征及噪声统计量,经PCA与相关性分析筛选7个关键输入特征生成健康指标(Health Indicator, HI)。三维归一化特征图中,PF100特征空间梯度尖锐(沉积不均),PF90E10梯度减弱,PF80E20最平滑,印证高乙醇比使燃烧过程均匀、沉积率降低。
3.7. Training and Evaluation(训练与评估)
FSL模型训练/验证MSE在初期迅速下降至约0.05–0.07,最终分别收敛于0.0294(训练)与0.0258(验证),两曲线紧密贴合无过拟合迹象。ANN训练损失降至0.0054但验证损失飙升至0.1452(严重过拟合);CNN训练损失0.0037、验证损失0.0326(略优但仍高于FSL验证误差)。表明FSL在低数据 regime 下学习效率高、泛化强。
3.8. Actual Vs predicted deposition rate of FSL model(FSL模型实测值与预测值对比)
对PF100、PF90E10、PF80E20测试集,FSL预测沉积速率曲线与实测值高度吻合(R2分别达0.9996、0.9996、0.9950),MAE分别为0.1567、0.1164、0.0851,MSE分别为0.0616、0.0354、0.0190。ANN与CNN在上述指标上误差显著更大(如CNN对PF100的MAE达74.4607)。FSL能以极少样本精确追踪不同燃料的积碳发展趋势。
讨论与结论总结(翻译CONCLUSION部分要点):
研究在单缸风冷SI发动机上评估PF100、PF90E10、PF80E20对SI发动机沉积物形成与噪声排放的影响。乙醇加入汽油掺混物提高了稳定性与互溶性;PF80E20火花塞碳含量最低(PF100为71.15 at.%,PF90E10为51.09 at.%,PF80E20为34.57 at.%),延长发动机寿命并降低维护需求。PF80E20与PF90E10可在现有机型上直接使用而无需大幅改动内部零件;因含氧量与高辛烷值改善抗爆性与燃烧平稳性,掺混燃料噪声低于基准燃料,其中20%乙醇掺混(PF80E20)噪声最低。FSL模型训练损失0.0294、验证损失0.0258,优于ANN(训练损失0.0054,验证损失0.1452)与CNN(训练损失0.0037,验证损失0.0326),在燃料性能预测中展现更高效率。FSL为航空航天、汽车及智能制造中频繁出现新型故障模式且需快速低成本模型适配的场景,提供了切实可部署的预测性维护方案。研究表明PF90E10与PF80E20是降低发动机磨损、噪声污染并提升燃烧效率的良好燃料替代品,机器学习模型可进一步提高燃料性能预测精度,助力未来燃料配方与发动机设计优化。局限性包括极少标注样本下的潜在过拟合风险、域偏移(domain shift)影响跨平台泛化、深度嵌入空间可解释性不足;未来建议扩充多平台多工况数据集、引入时序预训练基础模型、开发持续学习FSL框架及增加不确定性量化。