类型b：学术综述报告

本文由University of Alberta机械工程系的Masoud Aliramezani、Charles Robert Koch和Mahdi Shahbakhti三位学者合作完成，于2021年10月发表在能源与燃烧科学领域顶级期刊《Progress in Energy and Combustion Science》（PECS）上，标题为《Modeling, Diagnostics, Optimization, and Control of Internal Combustion Engines via Modern Machine Learning Techniques: A Review and Future Directions》。该综述系统梳理了机器学习（Machine Learning, ML）在内燃机（Internal Combustion Engine, ICE）建模、诊断、优化与控制中的应用现状，并提出了未来发展方向。

机器学习在内燃机研究中的必要性
文章首先指出，内燃机作为交通和能源领域的核心动力装置，其高效低排放运行面临多重挑战：真实驾驶排放（Real Driving Emission, RDE）建模与控制、爆震检测、多模式发动机燃烧模式切换、燃烧噪声建模、循环变率控制以及耗时昂贵的标定过程等。传统物理模型（如计算流体动力学CFD）虽能描述燃烧过程，但计算成本高且难以实时控制；而数据驱动方法（如系统辨识）缺乏物理可解释性。机器学习通过融合数据驱动与物理模型优势（即灰箱模型Grey-Box Approach），为上述问题提供了创新解决方案。作者强调，第三代人工智能浪潮下，ML凭借强大的非线性建模能力、云计算和车联网（Vehicle-to-Infrastructure, V2I）支持，正成为ICE研究的重要工具。

机器学习方法分类与应用
文章将ML技术分为三大类并详细阐述其原理与ICE应用：
1. 监督学习（Supervised ML）：重点分析了人工神经网络（Artificial Neural Network, ANN）、极限学习机（Extreme Learning Machine, ELM）、支持向量机（Support Vector Machine, SVM）、相关向量机（Relevance Vector Machine, RVM）和高斯过程（Gaussian Processes, GP）。例如，ANN通过多层神经元非线性映射输入输出关系，已成功预测IMEP（指示平均有效压力）和排放物（NOx、HC等）；ELM因单隐层结构和随机权重初始化，训练速度比传统ANN快10倍，适用于在线标定；SVM通过核函数处理高维数据，在爆震分类中表现优异。
2. 无监督学习（Unsupervised ML）：包括K均值聚类、模糊C均值（Fuzzy C-Means, FCM）、高斯混合模型（Gaussian Mixture Model, GMM）和自组织映射（Self-Organizing Map, SOM），主要用于故障诊断。例如，GMM通过声发射数据实现了柴油机异常状态的无人监督检测。
3. 强化学习（Reinforcement Learning, RL）：分为基于模型（Model-Based）和无模型（Model-Free）两类。前者结合物理模型降低试错风险，后者通过实时交互适应环境变化。典型案例包括RL神经网络用于火花点火（SI）发动机怠速控制，通过动作评估网络（AEN）和动作选择网络（ASN）动态调整节气门和点火正时。

关键挑战的ML解决方案
针对ICE核心问题，文章提出以下ML应用框架：
- 排放建模：ANN和SVM可预测瞬态排放，但需解决实时传感器数据获取难题。例如，LP-SVM（线性参数支持向量机）结合状态空间模型，将CA50（50%燃料燃烧曲轴转角）预测误差控制在1°CA内（图11）。
- 爆震与自燃控制：SVM通过缸压高频振荡特征识别爆震，准确率超95%；RVM则利用贝叶斯概率输出优化控制边界。
- 燃烧噪声优化：ELM通过自适应学习调整喷油参数，将燃烧噪声级（Combustion Noise Level, CNL）降低3-5 dB。
- 多模式切换：模型强化学习（MB-RL）在SI-HCCI（均质压燃）过渡中协调节气门与EGR阀，减少扭矩波动。

未来方向与建议
作者提出四点前瞻性建议：
1. 数据质量：需建立标准化ICE数据集，涵盖不同燃料、工况和老化状态；
2. 算法融合：推荐灰箱模型（如ANN耦合热力学子模型）平衡精度与实时性；
3. 边缘计算：部署轻量化ML模型至车载ECU（发动机控制单元），实现毫秒级响应；
4. 协同学习：通过V2I共享群体数据，提升模型泛化能力。

学术价值与创新点
本文首次系统评估了16种ML技术在ICE全链条应用中的效能，并构建了决策树以指导方法选择（如高非线性问题优先选用ANN/SVM）。其核心创新在于提出“ML灰箱平台”，整合物理定律与数据驱动模型，例如将CFD局部等效比数据作为ANN输入，预测反应梯度分布。该综述为ICE智能化提供了方法论基础，被引量达199次（截至2021年），凸显其领域影响力。

局限性
文中亦指出ML应用的瓶颈：如ANN依赖大量标注数据、GP（高斯过程）无法处理超大规模数据集、在线学习面临传感器延迟等。这些开放问题为后续研究指明了突破方向。

（注：全文术语首次出现时均标注英文原词，专业表述如“灰箱模型（Grey-Box）”、“CA50（50%燃料燃烧曲轴转角）”等符合学术规范。）