在复杂动力装备的健康监测与状态评估中基于机器学习的智能诊断方法常因“黑盒”特性面临决策逻辑不透明、缺乏物理机理支撑的问题。论文Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines针对这一问题提出了一种热力学仿真辅助随机森林Thermodynamic Simulation-assisted Random Forest, TSRF的方法框架。该研究以船用低速二冲程柴油机燃烧室组件为对象通过机理建模构建故障状态下的热力学响应并引入博弈论中的SHAPSHapley Additive exPlanations方法量化输入特征对分类器输出的边际贡献从局部样本与全局分布两个维度对模型的决策路径进行机理解释。1. 总体框架与热力学故障建模智能故障诊断算法在实际工业对象上面临的关键制约之一是真实故障样本的匮乏以及故障演化机理与特征空间映射的不明确。该研究提出的TSRF框架将机理仿真作为先验知识源其总体流程涵盖热力学建模与标定、故障参数微调模拟、关键特征提取与筛选、随机森林分类器构建以及双尺度可解释性分析。图1TSRF总体架构流程截取自论文Fig.1(注对应论文Fig.1展示了从热力学建模、故障模拟、分类训练到SHAP解释的完整技术路线)1.1 一维热力学仿真模型构建研究建立了一维热力学仿真模型模拟直列6缸二冲程船用柴油机的工作过程。模型拓扑结构涵盖系统进出口边界SB1、SB2、进排气歧管PL1、PL2、增压器TC1、中冷器CO1以及6个独立气缸C1至C6并在关键管路与气缸部位设置监测节点MP1至MP6。图2柴油机一维热力学仿真模型结构截取自论文Fig.2(注对应论文Fig.2展示了一维柴油机热力学系统管路与组件拓扑关系)1.2 燃烧室典型故障的参数化映射传统的微观材料退化仿真耗时较长难以直接耦合进宏观热力循环分析。该研究将燃烧室常见故障抽象为宏观热力学边界参数的调整定义了正常状态F0与5类典型故障F1F5缸盖开裂F1裂纹导致燃烧室邻近区域传热恶化引发局部热量聚集。通过调节缸盖表面温度进行模拟。活塞烧蚀F2活塞表面材料损伤导致温度场不均匀同时密封面破坏加剧燃气下窜。通过上调活塞表面温度与漏气质量流量进行模拟。缸套磨损F3磨料磨损造成气缸内径扩大和圆度偏差恶化气密性。通过调整气缸内径与漏气质量流量进行模拟。活塞环磨损F4活塞环端面磨损降低密封效能导致气缸燃气向曲轴箱窜漏。通过调整漏气质量流量表征泄漏通道的扩大。活塞环卡死F5积炭或润滑失效导致活塞环丧失浮动密封能力环与缸壁间热阻增大活塞传热受阻且伴随缸壁异常摩擦。通过联合调整气缸内径、活塞表面温度和漏气质量流量进行表征。2. 基于Tree SHAP的参数筛选与建模柴油机仿真系统可输出涵盖瞬态压力、温度、传热流率及增压系统状态等在内的14个热力学参数P01P14。由于全参数监测会增加采集系统负担并引入信息冗余需要对特征变量进行针对性筛选。图3基于SHAP的参数筛选流程截取自论文Fig.3(注对应论文Fig.3展示了从原始热力学数据预识别、SHAP计算到优化特征集重识别的闭环流程)2.1 Tree SHAP算法原理SHAP 属于加性特征归因方法。对于某一特征i ii其在特征子集S SS中的边际贡献定义为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)在所有可能的子集组合下特征i ii的 Shapley 值ϕ i \phi_iϕi​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!} \cdot \Delta_{val}(i, S)ϕi​S⊆N∖{i}∑​p!∣S∣!(p−∣S∣−1)!​⋅Δval​(i,S)式中N NN为全体特征集合p pp为特征总数。对于基于决策树的集成模型如随机森林传统 SHAP 遍历所有特征子集的时间复杂度随特征维数呈指数增长。Tree SHAP 利用树结构的分支路径仅沿满足特定分割条件的决策路径递归计算期望值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!} \cdot \Delta_{val}(P_j, i, S)ϕi​j1∑T​S⊆Pj​∖{i}∑​p!∣S∣!(p−∣S∣−1)!​⋅Δval​(Pj​,i,S)式中T TT为决策树数量P j P_jPj​为第j jj棵树中的决策路径集合。该算法将计算复杂度从指数级降至多项式级使高维集成树模型的可解释性分析具有工程可行性。2.2 特征连续属性离散化与参数重要性排序随机森林中的单棵决策树通过信息增益进行特征分割。针对连续型热力学参数P PP通过在排序序列相邻取值间计算中点作为候选分割点t ttT 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}并以最大化信息增益原则选取最佳分割阈值G a i n ( D , P ) max ⁡ t ∈ T P G a i n ( D , P , t ) Gain(D, P) \max_{t \in T_P} Gain(D, P, t)Gain(D,P)t∈TP​max​Gain(D,P,t)在初步训练随机森林模型后通过计算各状态下的平均绝对SHAP值来评估特征的贡献权重。图7基于SHAP值的热力学参数重要性分布截取自论文Fig.7(注对应论文Fig.7包含各故障状态下参数SHAP热图、堆叠柱状图及累积贡献率占比)根据参数在各故障类别下的综合归因筛选出贡献度显著的8个核心参数子集P14增压器后排气温度P05缸套壁面热流P06漏气热流P07漏气质量流量P11增压器前排气压力P12增压器前排气温度P03活塞壁面热流P04缸盖壁面热流该特征子集涵盖了燃烧室传热、窜气泄漏以及涡轮增压边界的热力学响应量。3. 诊断决策的双尺度可解释性分析为检验分类模型对故障特征的学习是否符合热力学物理规律研究以活塞环磨损F4作为基准案例展开了局部单个样本与全局样本集的解释性分析。图11活塞环磨损F4的SHAP可解释性分析截取自论文Fig.11(注对应论文Fig.11涵盖瀑布图、蜂群图、特征交互矩阵及局部依赖图)3.1 局部样本解释瀑布图Waterfall Plot对于单个测试样本瀑布图图 11a清晰展示了从模型基线输出E [ f ( x ) ] E[f(x)]E[f(x)]到最终输出概率f ( x ) f(x)f(x)的演化过程横轴代表 SHAP 值红色条柱表示特征使预测概率向目标类别F4偏移正贡献蓝色条柱表示特征抑制该预测负贡献。终端预测值为基线值与各特征 SHAP 值的代数和f ( x ) ϕ 0 ∑ i 1 M ϕ i f(x) \phi_0 \sum_{i1}^{M} \phi_if(x)ϕ0​i1∑M​ϕi​在个别分类出现偏差的样本中局部归因能够指出冲突所在例如当漏气热流P06与增压器前排温P12显示出正向支撑但增压器后排气温度P14和缸盖热流P04处于低位时后者会对模型产生负向抑制。结合机理可知活塞环磨损导致燃气下窜通常会推高排气侧温度若输入样本在该变量上的数值出现瞬态异常模型归因能够直接反映该异常特征对最终判断的拉扯效应。3.2 全局重要性与响应方向蜂群图Beeswarm Plot蜂群图图 11b汇集了该故障类别下所有测试样本的归因分布纵轴依据特征的平均绝对 SHAP 值由高到低排列。横轴代表 SHAP 值的大小每个散点代表一个样本散点颜色由蓝到红对应特征实际数值由低到高。结果显示P11增压器前排气压力、P12增压器前排气温度、P07漏气质量流量和 P06漏气热流的散点分布跨度最宽。更重要的是较低的 P11、P12、P07 和 P06 取值蓝色散点均集中分布在正 SHAP 区域大于 0表明这些参数数值的降低构成了模型判定活塞环磨损F4的主要正向驱动力。3.3 特征交互与依赖性分析Interaction Dependence Plots热力学系统变量间存在天然的物理耦合。通过计算 SHAP 二阶交互值Φ i , j ∑ S ⊆ N ∖ { i , j } ∣ S ∣ ! ( p − ∣ S ∣ − 2 ) ! 2 ( p − 1 ) ! [ Δ v a l ( i , S ∪ { j } ) − Δ v a l ( i , S ) ] \Phi_{i,j} \sum_{S \subseteq N \setminus \{i, j\}} \frac{|S|!(p - |S| - 2)!}{2(p - 1)!} \left[ \Delta_{val}(i, S \cup \{j\}) - \Delta_{val}(i, S) \right]Φi,j​S⊆N∖{i,j}∑​2(p−1)!∣S∣!(p−∣S∣−2)!​[Δval​(i,S∪{j})−Δval​(i,S)]能够量化两个变量协同作用对决策产生的额外影响。P11 与 P12 交互分析在依赖图图 11d 顶部中横轴为 P12纵轴为其 SHAP 值颜色代表 P11。结果显示 P11 与 P12 呈现出显著的正相关耦合效应。在活塞环发生磨损漏气时气缸有效做功膨胀阶段气体损失进入排气管路的可用工质能量下降使得涡轮前排气压力 P11 和排气温度 P12 同步走低两者在低值区间共同强化了模型对 F4 类别的归因权重。P06 与 P07 交互分析漏气热流P06与漏气质量流量P07直接反映燃烧室密封界面的失效程度。两者在物理上紧密伴生其数值联合偏离正常区间为模型捕捉窜气类故障提供了稳定的复合判断依据。4. 总结与讨论通过将一维热力学仿真与 Tree SHAP 归因技术结合该方法在传统数据驱动模型的外层建立了一个机制校核界面先验注入与数据补充利用参数微调方法模拟燃烧室典型损伤绕过了微观多物理场长时间计算的限制快速获取具备热力学规律表征的模拟数据。机理对齐的可解释性验证SHAP 方法不仅用于量化变量重要性以完成特征降维更重要的是通过蜂群图与依赖图检验了机器学习模型在判定故障时所依赖的特征变动方向与耦合关系是否符合实际热力循环规律例如排气压力、排气温度降低以及漏气参数的变化趋势。技术边界说明该类方法依赖于热力学基础模型的几何与热力边界精度对于多缸不均匀性、瞬态加减速过程以及极轻微复合故障的表征仍受限于一维均质循环假设需要在更复杂的燃烧物理模型与多工况数据下进一步校验其决策边界的稳定性。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://www.sciencedirect.com/science/article/pii/S0263224125006116