瀑布图+蜂群图：这篇论文把柴油机故障诊断做成了‘病理切片’

针对传统数据驱动诊断方法缺乏物理机理支撑且决策过程如同黑盒的问题，发表于期刊《Measurement》的研究《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了一种热力学仿真辅助随机森林（TSRF）的可解释故障诊断流程。该方法将船用柴油机燃烧室组件的一维热力学仿真建模与树模型相结合，并引入基于博弈论的SHAP解释性分析工具，力求将复杂的AI决策过程像医学“病理切片”一样，从微观单样本到宏观多工况进行多尺度的透明化机理解构。

在具体实施流程的第一步，研究人员利用实船数据采集模块采集的稳态运行数据，校准并建立柴油机的一维热力学物理模型。然后，通过对关键参数进行定量微调，在仿真环境中构建缸盖开裂、活塞烧蚀、气缸套磨损、活塞环磨损和活塞环卡死五类燃烧室部件故障，模拟出包含气缸压力、壁面热流、漏气流量及增压器前后排气参数在内的多维连续热力学输出信号，为后续诊断提供具备明确物理机制的状态数据。

在特征提取与降维阶段，由于热力学参数具有连续性，系统先通过信息增益对连续变量进行离散化处理，再输入随机森林模型中。接着，利用Tree SHAP算法沿决策树判定路径计算各热力学参数的边际贡献度，量化评估各参数对分类决策的正负向驱动权重。基于各变量对不同故障类别的贡献度排序，研究从原始的14个热力学参数中筛选出增压器后排气温度、缸套壁热流、漏气热流等8个核心物理指标，重构为用于识别的精简数据集。

进入模型解释环节后，针对单个故障样本的微观分析采用了SHAP瀑布图进行“切片化”展示。瀑布图从模型的预期基准值出发，将每个输入物理量的具体测量值转化为水平方向的增量条带，红色代表正向推动判定、蓝色代表反向抑制判定。条带的长度直观对应贡献绝对值大小，所有参数的代数和最终汇聚至终端预测值，由此清晰还原出当前样本判定为某项故障的完整归因链路。

在全局机制解释层面，该流程进一步运用SHAP蜂群图与依赖交互图对整体样本集进行群体“病理特征”总结。蜂群图通过数据点的堆叠密度与颜色梯度，呈现所有样本中各参数取值高低对诊断趋向的离散程度；交互图则进一步剥离出多参数之间的非线性耦合关系，直接呈现如排气压力与排气温度、漏气热流与漏气质量流之间的物理关联，从而在宏观上阐明热力学状态演变对分类决策的实际影响规律。

参考文献：

C. Luo, M. Zhao, X. Fu, et al. Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines. Measurement, 2025, 251: 117252.