船用柴油机气缸盖长期处于高温高压的燃烧室恶劣环境中，难免因热机械载荷产生微观缺陷并引发气缸盖开裂故障，严重破坏局部散热效率并危及发动机运行安全。针对包括气缸盖开裂在内的燃烧室部件故障诊断难题，相关研究发表了题为“Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines”的论文。该研究提出了一种 热力学模拟辅助随机森林的诊断框架，将热力学机理先验知识与机器学习算法相结合，建立了一套涵盖物理建模、参数微调、特征优选与可解释性分析的智能化运维诊断流程。

针对柴油机复杂的内部结构，该技术方案首先构建了一维柴油机热力学仿真模型，建模范围涵盖系统边界、进排气总管、涡轮增压器、中冷器以及各气缸单元，并在关键管路节点布设热力学参数监测点。通过船舶数据采集模块获取实船运行的时间序列传感器数据，在执行去重、插值滤波与异常修正等预处理后，利用稳态工况数据对一维热力学仿真模型的结构参数与边界条件进行标定校准，建立起能够准确映射柴油机物理运行状态的仿真基准平台。

在故障机理表征方面，针对气缸盖开裂故障，该方法采用参数微调的方式进行物理模拟。气缸盖裂纹的萌生与扩展会导致结构完整性下降并产生局部应力集中，同时开裂区域会阻碍正常的热量耗散并引发局部热失控现象；热力学模型通过对气缸盖表面温度参数进行微调设定，模拟出因裂纹导致的热阻增大与散热不良过程，进而获取该故障状态下气缸压力、壁面热流、排气温度等一系列热力学状态参数的动态演变规律。

为了从众多的热力学输出变量中提取与气缸盖状态最相关的特征，该方法引入了基于决策树结构的Tree SHAP算法进行特征优选。研究首先对连续型热力学参数进行区间划分与离散化处理，利用随机森林进行初步分类辨识，然后利用Tree SHAP算法计算各候选参数对分类决策的边际贡献与Shapley值。通过对参数重要度进行定量排序，剔除冗余变量，筛选出包括增压器后排气温度、缸盖壁面热流、缸套壁面热流等在内的核心特征子集，构建精简的诊断数据集。

最后，将优选后的特征子集输入随机森林分类器完成最终的状态辨识，并依托SHAP分析方法实现局部与全局相结合的双重视角决策解释。在局部解释层面，通过瀑布图直观展示特定气缸盖开裂样本中各热力学参数的贡献大小与正负驱动方向；在全局解释层面，借助蜂窝图、特征交互图与依赖图，将机器学习模型的分类依据与气缸盖传热机理及物理规律相互印证，揭示参数间的内在关联，使故障诊断的决策逻辑具备较高的透明性与物理合理性。

来源文献：

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/