基于二维图形特征压缩的物理引导式缸内压力传感器健康监测方法

《Symmetry》：Physics-Guided Graphical Signatures and Machine Learning for In-Cylinder Pressure Sensor Health Monitoring

　　缸内压力传感器（ICPSs）在内燃机中为闭环燃烧控制提供高价值反馈，但其暴露于严苛的热和机械条件之下，产生了对可靠车载健康监测的需求。本研究开发了一种物理引导的诊断框架，其中压缩冲程压力测量通过二维图形特征表示进行转换，然后进行机器学习分类。使用经过实验校准和验证的柴油发动机仿真平台生成了4800次独立运行，涵盖十个被困质量运行水平。传感器退化包括从10到50 kPa的正负压力偏差，以及从1°到5°的曲轴角正时延迟，每种故障类型均设有五个严重级别。研究中使用了嵌套交叉验证、特征消融、严重性解析分析、留一被困质量水平验证以及重复种子鲁棒性检查。压力特征显示比物理变量（0.76% 对 90.2–99.7% 的方差解释率）显著更低的被困质量依赖性。单个特征RBF-SVM在嵌套运行级验证中实现了约90.9%的平衡准确率和95%的特异性，在未见的被困质量测试中保持了90.9%的平衡准确率，优于仅使用物理变量的模型（78.8%）和五特征模型（87.2%）。在六个随机种子上重复完整的嵌套过程，得到90.94% ± 0.18个百分点的平衡准确率，表明对分割的敏感性低。故障敏感度随严重性增加，从约30 kPa或3°以上接近99–100%。这些结果支持图形特征压缩作为紧凑、运行条件鲁棒的表示方法，用于基于机器学习的ICPS健康监测。