内燃机性能是油品与内燃机协同作用的结果,以油机协同角度入手,以优化内燃机性能为目的进行研究具有重大意义。数据挖掘是当今数据时代十分高效的一种数据处理分析方法。内燃机领域试验及仿真数据量庞大,将数据挖掘的方法与内燃机领域的研究相结合,建立内燃机试验及仿真数据库,并运用数据挖掘的方法对数据库中的数据进行深度挖掘,具有一定的探索价值和潜在的推广前景。本文以数据挖掘流程为基础,以MATLAB为平台,结合神经网络、曲线拟合等算法构建模型,分析油品参数数据集与内燃机性能之间的关联性。对模型可靠性进行验证并进行应用分析,从燃烧的角度对模型结果进行了根源分析,分析结论印证了模型的结果,为后续研究提供参考。本文研究主要内容如下:(1)数据集获取及完整性验证。数据集的完整性由数据集的可靠性与数据集的有效性共同体现。在动力性、经济性及排放特性角度,三种油品的内燃机性能参数随工况变化的趋势一致;均在中间转速中大负荷工况区域内出现最佳燃油经济性工况区域;均在中低转速,中小负荷下,NO_x排放水平有明显降低,低转速大负荷区域存在NO_x排放峰值;低转速区域内,存在THC排放峰值,试验数据集具有工况一致性,验证了数据集的可靠性。数据集中,动力性、经济性、排放特性数据集存在极差,存在数值区分度,验证了数据集的有效性。(2)基于MATLAB平台,结合神经网络、二分法、曲线拟合等算法,构建基于神经网络—曲线拟合的关联分析模型,并对模型分别进行一次函数关系和二次函数关系验证。以神经网络拟合全局相关性为数据间相关程度的评价指标,以曲线拟合相关系数为曲线拟合模型准确度评价指标。模型拟合相关系数达到0.99以上,验证了模型对一次函数与二次函数进行拟合分析的可靠性。(3)基于神经网络的关联分析模型的应用分析。对油耗率数据集进行MATLAB神经网络—曲线拟合分析,对芳烃含量与辛烷值的一次量和二次量之间的相关关系进行分析推测,对模型结果从燃烧角度进行根源分析。油品参数中,芳烃含量作为一次量与燃油消耗率存在很强的相关性(全局相关性约为0.99),引发了二次量辛烷值与燃油消耗率的关联性。相比于辛烷值,芳烃含量与燃油消耗率的相关性更强。在2000r/min,80%负荷率工况下,运用15×9的矩阵作为输入矩阵,芳烃含量与燃油消耗率的曲线拟合模型准确度为0.79。且随着芳烃含量的增加,燃油消耗率呈增加的趋势。基于燃烧角度,芳烃含量的提高,可以提高放热率、缸压以及缸内温度的峰值。其中,烷基化-3#(30%芳烃)的放热率峰值高于烷基化基准油8.7%。同时使得燃烧推后,燃烧速度减慢,从而导致燃烧恶化,导致燃油消耗率增加。燃烧分析结论印证了模型拟合结果,证明了本文所构建的关联分析方法的可用性。