热力学仿真辅助随机森林（TSRF）：基于物理-数据双驱动的船用柴油机燃烧室部件可解释性故障诊断方法

在现代船舶动力系统运维中，船用柴油机燃烧室部件由于长期处于高温、高压等恶劣工作环境，极易发生故障。传统的智能故障诊断方法在面对实际工程应用时，往往受到故障样本稀缺以及机器学习“黑盒”模型缺乏物理解释性的双重制约。针对这些瓶颈问题，近期发表在《Measurement》期刊上的研究提出了一种新型诊断框架，其论文题目为“Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines”。该研究构建了热力学仿真辅助随机森林（TSRF）模型，通过将热力学物理机制与数据驱动方法相结合，为解决船用柴油机关键部件的故障诊断与物理解释提供了一种有价值的参考路径。

故障仿真与参数微调是该方法克服数据匮乏的关键步骤。研究团队首先建立了一维船用柴油机热力学仿真模型，并利用现场数据采集模块收集的实际运行数据对该模型进行校准，确保仿真模型与真实发动机的系统响应偏差在合理范围内。然后，针对气缸盖开裂、活塞烧蚀、缸套磨损、活塞环磨损和活塞环粘着五种燃烧室典型故障，通过微调表面温度、漏气量、缸径等关键物理参数，模拟出不同故障状态下的热力学响应。这种方法避开了复杂的微观材料物理建模，能够较快地获取多维度故障特征数据，为后续诊断模型的训练提供了必要的样本支持。

在获取大量的仿真热力学参数后，如何从中筛选出最具诊断价值的特征是降低计算复杂度的关键。为此，研究引入了Tree SHAP方法对提取的14个热力学参数进行定量评估，计算出各个参数在故障识别中的边际贡献度。通过累计贡献率的排序，筛选出了包括增压器后排气温度、气缸套传热量、漏气热流以及漏气质量流量在内的8个核心热力学特征参数。相比于传统的卡方检验和递归特征消除等特征选择方法，基于SHAP值的特征筛选不仅考虑了变量间的非线性关系，还清晰展现了参数对特定故障状态的直接影响方向。

在确定核心特征参数后，研究采用随机森林分类器对燃烧室部件的健康状态进行识别。为了验证特征筛选和分类器的有效性，研究将随机森林与支持向量机、K近邻等方法在原始数据集以及优化子集上进行了对比测试。实验结果表明，在选定的热力学参数子集上，各分类模型的识别表现均有一定程度的提升，其中随机森林模型表现出较好的诊断效果，在所构建的数据集上取得了较高的平均分类准确率。这表明，通过物理意义明确的特征筛选，能够在减少监测参数数量、降低计算资源消耗的同时保持较好的诊断精度。

提升智能诊断模型的可解释性是本研究的核心特色。通过将SHAP可视化工具与热力学仿真结果相融合，研究从局部和全局两个层层面对决策过程进行了深入解构。以活塞环磨损故障为例，在局部层面上，利用瀑布图直观地展现了单个样本中各项参数对模型预测输出的贡献大小与正负方向；在全局层面上，则通过蜂群图和依赖图揭示了排气温度、漏气热流等关键特征与活塞环磨损严重程度之间的对应关系。这种双视角的解释方式不仅有助于技术人员论证算法决策的合理性，更让诊断结果能够与热力学物理规律形成相互印证。

综上所述，该研究通过结合一维热力学模型、随机森林以及SHAP解释方法，在保证诊断效果的同时，提升了决策过程的透明度，为船舶动力设备的健康管理提供了一种新思路。未来，相关工作将进一步考虑复杂多变的实际海洋环境条件，并尝试将深度学习等更先进的数据驱动算法与多区热力学模型、化学动力学模型相融合，以期在更广泛、更复杂的工况下实现更高精度的物理-数据双驱动智能诊断。

参考文献：

Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines[J]. Measurement, 2025, 251: 117252.