在大型往复动力机械如船用低速/中速柴油机的服役过程中燃烧室与核心摩擦副气缸套、活塞环、活塞裙及气缸盖处于高温、高压及交变载荷环境中难免发生磨损、烧蚀与卡死等退化故障。传统的纯数据驱动方法通常依赖大量有标签故障样本且决策逻辑呈现黑箱特性而纯物理模型面对复杂非线性多物理场耦合时在线计算开销较大。针对这一问题论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了一种将热力学机理仿真与随机森林Random Forest, RF相结合的混合诊断方法TSRF。该方法通过一维热力学仿真注入机理先验以重构故障退化样本并利用Tree SHAP算法进行敏感特征筛选与局部/全局物理一致性可解释分析。本文将对该框架的具体步骤展开解析。一、 总体技术架构与实施流程TSRF框架由机理建模与校准、故障工况参数化注入、数据离散化与初筛、基于SHAP的特征优选、分类模型重构以及双尺度可解释性分析六个主要环节构成。Fig. 1. Structure of TSRF.整体实施流程包括基准热力学建模建立柴油机全系统一维工作过程热力学模型利用稳态运行实测数据完成外特性校准。故障工况参数化微调通过调整宏观边界参量如缸径增量、漏气流量、壁面温度分布表征摩擦副不同退化状态输出多通道热力学循环参量。参数预处理与分类初筛对连续时域循环参量进行连续属性离散化处理利用随机森林进行初步分类。基于 Tree SHAP 的特征筛选利用决策树路径优化算法计算各参数的边际贡献构建重要性排序剔除低相关参量以精简输入维度。诊断模型重训将最优特征子集输入重构后的分类器进行状态辨识。物理可解释性映射结合瀑布图Waterfall plot、蜂群图Beeswarm plot及参数交互图反向验证数据驱动决策与热力学传递机理的一致性。二、一维热力学仿真建模与故障退化机制映射1. 系统热力学建模与稳态校准模型基于质量守恒、能量守恒与气体状态方程构建涵盖进排气边界SB1, SB2、进排气歧管PL1, PL2、涡轮增压器TC1、中冷器CO1及六个气缸C1–C6的工作过程拓扑系统。在关键管道节点布置监测点MP1–MP6以对应实船传感器安装位置。Fig. 2. One-dimensional thermodynamic model of the diesel engine.在完成气缸做功、流动阻力及涡轮匹配参数的基础标定后采集稳态工况下的排气温度、增压压力、冷却水温等实测均值对仿真模型的容积效率、传热系数及压气机特性图进行校准修正。2. 状态退化的宏观物理参量微调机制为规避微观材料磨损仿真计算量过大、难以直接与整机宏观热力学参数关联的问题该方法将摩擦副与燃烧室的退化演变归纳为系统边界参数的微调气缸盖开裂F1裂纹生成导致局部应力集中与导热热阻异常宏观等效为气缸盖表面温度T H T_{H}TH​的升高。活塞烧蚀F2活塞顶间隙烧损破坏密封界面并诱发局部高温区等效调节活塞表面温度T P T_{P}TP​及漏气质量流量V C V_{C}VC​。气缸套磨损F3摩擦副磨损造成缸径扩大及圆度误差密封失效导致窜气加剧等效调整缸径D L D_{L}DL​与漏气质量流量V C V_{C}VC​。活塞环磨损F4活塞环端隙与环槽贴合面磨损导致环组节流密封能力下降等效增加漏气质量流量V C V_{C}VC​。活塞环卡死F5积碳与润滑失效导致活塞环丧失径向浮动能力阻断活塞顶向缸套的热传导并加剧磨损等效微调缸径D L D_{L}DL​、活塞表面温度T P T_{P}TP​与漏气质量流量V C V_{C}VC​。通过上述宏观参数的梯度设置仿真系统输出涵盖缸内与排气系统的 14 项循环参量P01 至 P14包括缸内压力P01、缸内温度P02、活塞壁面热流P03、气缸盖壁面热流P04、气缸套壁面热流P05、漏气热流P06、漏气质量流量P07、涡轮功率P08、排气压力P09、排气温度P10、增压器前排气压力P11、增压器前排气温度P12、增压器后排气压力P13、增压器后排气温度P14。Fig. 6. Results of fault simulation.三、数据离散化与随机森林分类器构建1. 连续热力学参数的离散化划分热力学状态变量在曲轴转角域内呈连续变化分布。为了提高决策树分区的确定性算法通过信息熵进行最优分割点选择。设样本集为D DD离散属性a aa的信息熵为E n t ( D ) − ∑ k 1 N p k log ⁡ 2 p k Ent(D) -\sum_{k1}^{N} p_k \log_2 p_kEnt(D)−k1∑N​pk​log2​pk​对于连续型参数P PP将其取值升序排列为{ P 1 , P 2 , … , P N } \{P_1, P_2, \dots, P_N\}{P1​,P2​,…,PN​}候选划分点集合T P T_PTP​取相邻取值的中点T P { P i P i 1 2 | 1 ⩽ i ⩽ N − 1 } T_P \left\{ \frac{P_i P_{i1}}{2} \,\middle|\, 1 \leqslant i \leqslant N-1 \right\}TP​{2Pi​Pi1​​​1⩽i⩽N−1}计算每个划分点t tt对应的样本子集D t − D_t^-Dt−​与D t D_t^Dt​的信息增益G a i n ( D , P ) max ⁡ t ∈ T P ( E n t ( D ) − ∑ λ ∈ { − , } ∣ D t λ ∣ ∣ D ∣ E n t ( D t λ ) ) Gain(D, P) \max_{t \in T_P} \left( Ent(D) - \sum_{\lambda \in \{-, \}} \frac{|D_t^{\lambda}|}{|D|} Ent(D_t^{\lambda}) \right)Gain(D,P)t∈TP​max​​Ent(D)−λ∈{−,}∑​∣D∣∣Dtλ​∣​Ent(Dtλ​)​选取使得信息增益最大的划分点作为节点的分裂阈值。2. 随机森林分类与基尼指数评估随机森林采用多棵 CART 分类树集成判定单棵树的分裂准则基于基尼指数Gini IndexG i n i ( D ) 1 − ∑ i 1 C p i 2 Gini(D) 1 - \sum_{i1}^{C} p_i^2Gini(D)1−i1∑C​pi2​其中p i p_ipi​为样本属于类别i ii的比例。分类阶段由N NN棵树投票表决最终的健康状态分类标签。四、基于Tree SHAP的敏感特征子集筛选直接利用全维度热力学参数输入模型会引入测量噪声与冗余特征。传统特征工程往往依赖于包装法或单变量统计忽略了参数间的非线性交互效应。该方法引入基于博弈论的 SHAPSHapley Additive exPlanations框架进行特征赋权。Fig. 3. SHAP-based parameter selection process.1. SHAP 边际贡献与 Tree SHAP 计算参数i ii相对于参数子集S SS的边际贡献定义为Δ v a l ( i , S ) f ( S ∪ { i } ) − f ( S ) \Delta_{val}(i, S) f(S \cup \{i\}) - f(S)Δval​(i,S)f(S∪{i})−f(S)参数i ii的全排列加权平均贡献Shapley 值计算公式为ϕ i ∑ S ⊆ N ∖ { i } ∣ S ∣ ! ( p − ∣ S ∣ − 1 ) ! p ! Δ v a l ( i , S ) \phi_i \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!(p - |S| - 1)!}{p!} \Delta_{val}(i, S)ϕi​S⊆N∖{i}∑​p!∣S∣!(p−∣S∣−1)!​Δval​(i,S)由于直接计算 Shapley 值的时间复杂度随特征数呈指数级上升针对基于树的集成结构采用 Tree SHAP 算法。该算法沿着单棵决策树中已满足分支条件的决策路径计算条件期望将计算复杂度从指数级降至多项式级ϕ i ∑ j 1 T ∑ S ⊆ P j ∖ { i } ∣ S ∣ ! ( p − ∣ S ∣ − 1 ) ! p ! Δ v a l ( P j , i , S ) \phi_i \sum_{j1}^{T} \sum_{S \subseteq P_j \setminus \{i\}} \frac{|S|!(p - |S| - 1)!}{p!} \Delta_{val}(P_j, i, S)ϕi​j1∑T​S⊆Pj​∖{i}∑​p!∣S∣!(p−∣S∣−1)!​Δval​(Pj​,i,S)其中T TT为树的数量P j P_jPj​为第j jj棵树中所有有效决策路径集合。Fig. 4. Details of the SHAP algorithm: a) Marginal contribution; b) Additivity of SHAP values; c) Calculation of SHAP; d) Calculation of Tree SHAP.2. 特征重要度聚合与子集确定通过对所有健康/故障样本计算绝对 SHAP 值均值得到参数的全局重要性排序。Fig. 7. Importance of thermodynamic parameters based on SHAP values: (a) Heat map of SHAP values; (b) Bar stacking chart, © Percentage chart.根据累计贡献率分布从原始 14 个参数中筛选出 8 项关键特征增压器后排气温度P14气缸套壁面热流P05漏气热流P06漏气质量流量P07增压器前排气压力P11增压器前排气温度P12活塞壁面热流P03气缸盖壁面热流P04剔除缸内压强P01、缸内温度P02以及涡轮功率P08等区分度相对较低的参量将筛选后的 8 维特征子集作为重训诊断模型的标准输入。五、热力学机理辅助的双尺度物理可解释性建模为了解决黑箱模型输出不可归因的问题该方法在特征优选的基础上从局部单样本和全局总体两个尺度展开决策逻辑的物理可解释性校验以活塞环磨损 F4 状态为例。Fig. 11. Fault analysis of piston ring wear (F4) based on SHAP values: a) Waterfall plot; b) Beeswarm plot; c) Interaction plot; d) Dependence plot.1. 局部样本决策解释瀑布图 / Waterfall Plot单样本瀑布图显示了单次故障推断中各特征对模型预测基准值的偏移推动方向与幅度基线与累加从模型期望输出E [ f ( x ) ] E[f(x)]E[f(x)]出发红条代表正向边际贡献促使模型倾向判定为 F4蓝条代表负向抑制作用。机理核验在特定局部样本中当观测到较低的增压器前排气温度P12时对应呈现正向 SHAP 贡献而若局部采样点出现异常的 P14 或 P04 低值则会对判定产生反向抑制作用。结合一维仿真机理可知活塞环严重磨损导致窜气量增加正常应引起排气温度升高若局部采样点温度过低模型判定置信度会自动下调这与物理因果逻辑保持一致。2. 全局状态特征贡献蜂群图 / Beeswarm Plot蜂群图直观展现了所有样本在不同特征取值下的分布广度与方向性影响点位与色彩编码每个点代表一个样本横轴为其 SHAP 贡献值纵轴按重要度排序颜色深度对应原始物理量数值高低。规律映射对于活塞环磨损故障F4增压器前排气压力P11、增压器前排气温度P12、漏气质量流量P07及漏气热流P06呈现显著聚类。低水平的 P11 与 P12 对应较大的正向 SHAP 值表明这些特征的偏低取值对识别活塞环故障起主导作用。3. 多参量交互效应分析依赖图与交互图 / Dependence Interaction Plots通过计算二阶 SHAP 交互值SHAP interaction value定量评估参数之间的非线性耦合关系P11–P12 耦合效应热力学循环中涡轮前排气压力与排气温度存在强物理耦合。交互分析表明二者呈现正相关性联动当系统发生严重活塞环磨损导致膨胀功转化效率下降时P11 处于各健康状态下的最低水平区间连带引起 P12 相应降低。P06–P07 漏气相关性漏气热流P06与漏气质量流量P07在机理上直接受控于环-套界面的间隙几何变化。交互图表明两者与漏气严重度保持负相关趋势低位数值集中强化了活塞环磨损特性的判定输出。六、总结上述技术流程表明将一维热力学仿真模型与数据驱动的随机森林算法结合核心在于利用热力学状态方程和系统拓扑结构将难以直接采集的摩擦副退化机理磨损、烧蚀、卡死等转化为可控的宏观参数微调提供确定性的状态演变先验数据利用Tree SHAP算法在树集成结构上的解析路径遍历优势实现多维时变热力学参数的敏感度定量剪枝基于局部和全局SHAP值反演决策依据使数据驱动模型的判定特征与热力学物理守恒机制相互印证。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.https://ts-rf.github.io/TSRF.pdf