基于贝叶斯-SVR 与 NSGA-II 的多目标优化用于碳垢混合激光清洗工艺参数

为什么更清洁的发动机很重要

长期驾驶的车辆会发现发动机逐渐失去一部分动力。一个隐蔽的原因是活塞顶部逐渐覆盖的一层顽固、烟灰状的碳，这会浪费燃料并增加排放。本文研究了一种基于激光的新方法，旨在高效去除这些碳垢，同时保护下面的金属表面。研究还展示了现代数据工具如何在电脑上调优该工艺，从而减少车间里的反复试验。

顽固发动机积碳的问题

在运转中的发动机内，燃料燃烧并非完全干净。随着时间推移，薄薄的碳层会在每个活塞冠部堆积。这些沉积物改变燃烧室形状，降低效率、增加油耗并提升有害尾气。在极端情况下，它们还会引发爆震甚至损伤发动机。传统清洁方法依赖化学品、喷砂或手工刮除，这些方式既混乱又耗时，可能使金属表面变粗糙或出现点蚀，并产生废溶剂和碎屑等环境风险。

更智能的清洁方式

研究人员将注意力集中在一种“混合”激光清洗系统上，该系统结合了两种工业激光束：一种连续光束用于温和地预热并软化碳层，另一种脉冲光束则以短促而强劲的能量将其打掉。他们在一台高里程宝马发动机的废旧活塞上测试了此方法，活塞冠部的碳层大约与一根头发的厚度相当。两个简单的度量定义了成功：清洗后金属表面的光滑度以及剩余碳量。问题在于，激光功率太高可以彻底去碳但会留下粗糙、受损的表面；功率太低则能保护金属但残留物过多。

让数据来调参

研究团队没有手工调节激光参数，而是转向机器学习——即从数据中学习模式的计算模型。通过81次精心设计的实验，他们记录了清洗系统的四个关键旋钮：两台激光的功率、光束扫过表面的速度以及脉冲光束的触发频率。随后他们训练了若干模型来预测这些参数下的表面光滑度和剩余碳量。其中一种称为支持向量回归的方法表现最佳，尤其在对其内部参数进行一轮“贝叶斯”细化后。借助改进后的模型，对剩余碳量的预测与实测值更加接近。

在清洁度与温和处理之间取得平衡

在获得可靠的预测器后，作者使用一种进化搜索方法来寻找最有前途的激光参数组合。该搜索并非输出单一的“最佳”配方，而是生成了一组在光滑度与清洁度之间权衡的解。某些参数能得到极为光滑的活塞冠但留下较多碳；另一些能将残留物降到很低，但代价是表面稍显粗糙。在这组解中，研究人员指出了三种典型选择：低粗糙度选项、低残留选项和介于两者之间的平衡设置。当他们在新的实验中验证该平衡配方时，最终的粗糙度和剩余碳量均与模型预测相差在10%以内——对于真实车间而言已属可接受范围。

这对发动机及更广领域的意义

对普通读者而言，结论是：用激光照射脏污的发动机零件只是部分故事，真正的进步在于用数据和算法来智能引导这些光束。这项研究表明，即便只有适量的实验，计算机也能帮助发现人工试错可能错过的工况“最佳点”，从而减少浪费并保护零件。作者强调，他们的结果适用于所测试的特定条件，若要更广泛推广还需要更大的数据集。尽管如此，该工作指向了一个前景：将高级激光与数据驱动优化相结合，可使从汽车发动机到飞机部件等高价值零件的清洁与修复变得更清洁、更安全且更节能。

引用: Su, Y., Hu, Y., Zhang, Q. et al. Multi-objective optimization of hybrid laser cleaning process parameters for carbon deposits based on bayesian-SVR and NSGA-II. Sci Rep 16, 8681 (2026). https://doi.org/10.1038/s41598-026-41748-0

关键词: 激光清洗, 发动机碳垢, 机器学习优化, 多目标设计, 表面粗糙度