本篇博客围绕发表于学术期刊Measurement的SCI论文《 Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》展开，探讨如何应用随机森林算法联合SHAP全局特征归因方法，对船用柴油机活塞环磨损（F4）故障的决策路径进行深度解析。在获取活塞环磨损仿真序列数据并构建好优化的输入特征向量后，研究将数据样本输入至决策树集成的随机森林分类器中。为剖析模型如何跨越复杂非线性边界、正确归类F4故障，研究采用了SHAP全局解释机制，从群体样本分布的视角揭示特征演变对分类决策的影响规律。

为了实现宏观层面的决策机理解释，研究人员绘制了如下图(b)所示的SHAP蜂群图（Beeswarm Plot）。蜂群图的y轴代表按重要性降序排列的热力学参数，x轴对应参数对分类为F4的SHAP值大小，并以颜色标记参数原始数值的高低。通过观察该图，可以直观地追踪到当模型判定样本属于活塞环磨损（F4）故障时，较低的增压器前排气压力（P11）、较低的增压器前排气温度（P12）、以及较低的窜气质量流量（P07）与窜气热流量（P06）等参数如何协同产生负向偏移，从而推高模型预测为F4的概率。

针对多物理场耦合导致的参数强相关性问题，该诊断框架进一步引入了SHAP交互值（SHAP Interaction Value）的计算，用于剥离单一参数之间的协同扰动。如图(c)的交互关系矩阵图所示，算法重点计算并提取了对F4分类最具有引导性的一组交互作用，其中包括增压器前废气温度与压力的耦合、窜气质量流量与窜气热流量的耦合。这种交互值的计算可以量化两个特征同时发生偏移时，相比其单独偏移给模型输出带来的额外判定权重。

进一步地，研究通过论文图(d)所示的特征依赖图（Dependency Plot）展示了具体参数之间的数值演变路径。在依赖图中，横坐标为某主参数的实际测量值，纵坐标为其对F4分类的SHAP贡献度，而散点的颜色代表交互参数的数值高低。分析结果显示，增压器前排气压力（P11）与排气温度（P12）之间呈现出明显的正相关变化趋势，且较低的P11和P12数值直接对应于判定为F4故障的最高SHAP贡献。这一数据驱动模型中提取出的规律，较为客观地反映了由活塞环失效、做功泄漏引起废气总管能量密度下降的物理过程。

通过这种多维度的可解释性图表映射，随机森林分类器对活塞环磨损（F4）故障的判定依据被还原为一系列具有较高物理连贯性的逻辑规则链。模型决策中对低压、低热流等参数的高权重赋予，在热力学原理上均能找到因窜气损失工质导致整机膨胀压力降低、排气能量亏损的直接物理解释。这不仅验证了随机森林模型内部逻辑的物理真实性，也证明了融合SHAP分析的智能诊断框架在确保船舶动力系统诊断可靠度方面的技术可行性。

参考文献：

C. Luo, M. Zhao, X. Fu, S. Zhong, S. Fu, K. Zhang, X. Yu. 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/