船舶柴油机燃烧室处于严苛的交变热机械负荷环境，其核心部件如气缸盖、活塞和气缸套在长期运行中难免发生性能劣化与机械故障。针对数据驱动方法在工程现场缺乏故障样本、模型决策机制缺乏物理可解释性等问题，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》的学术论文，提出了 热力学仿真辅助随机森林（TSRF）故障诊断方法。该方法将一维热力学仿真所包含的机理先验知识引入机器学习建模流程中，通过系统参数微调再现部件故障特征，并结合博弈论可解释性分析实现特征筛选与决策归因，形成了融合机理模型与数据驱动的诊断架构。

在热力学机理建模方面，首先构建了包含进排气系统、增压器、中冷器及多气缸的船舶柴油机一维热力学仿真模型，并基于实船监测系统采集的运行数据完成模型校准。然后，研究通过调整关键系统参数模拟气缸盖开裂、活塞烧蚀、气缸套磨损、活塞环磨损及活塞环卡死五类典型燃烧室故障。建模过程依据各故障模式的物理演化机理，分别对气缸盖表面温度、活塞表面温度分布、气缸缸径以及漏气质量流量等参数进行微调，模拟不同故障状态下的缸内传热与工质流动行为，进而提取出包含压力、温度、壁面热流量与漏气流动在内的多维热力学仿真参数序列。

为降低传感器监测维度并剔除低相关性特征，该研究引入了面向树模型的Tree SHAP方法进行热力学参数优选。该方法基于博弈论框架计算各热力学参数对分类模型输出的平均边际贡献，能够兼顾参数间的非线性关系与相互作用效应。在对仿真获得的多维热力学参数进行初步特征评估后，算法计算出各个参数在不同健康状态下的贡献权重与重要性排序，进而筛选出对燃烧室部件状态变化敏感度高的一组核心热力学参数，构成降维后的优化特征子集以供后续诊断建模。

在故障状态分类环节，研究采用随机森林算法作为核心分类器。针对热力学监测参数具备连续变化的特点，决策树在节点划分过程中通过计算信息增益确定各连续变量的最优分割阈值，实现状态区间的离散化表征。在训练阶段，模型集成多棵相互独立的决策树进行集体投票判决，利用子空间抽样与集成机制降低单棵树的预测偏差与方差，并在优选后的特征子集上实现对正常状态及五类燃烧室部件故障的多分类判别。

在模型决策机制解释方面，研究结合SHAP值与热力学物理机理建立了局部与全局相结合的归因分析体系。在局部样本层面，利用瀑布图量化展示单个样本中各项热力学指标对特定故障判定方向的正负向贡献，并对照仿真曲线验证特征取值与故障机理的逻辑一致性；在全局层面，利用蜂窝图呈现全体样本的特征分布影响，并通过交互作用图与依赖图分析关键参数间的协同变化规律，例如排气压力、排气温度与漏气热流之间的关联性，使数据驱动模型的判定依据能够与热力学先验规律相互印证。

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://www.sciencedirect.com/science/article/pii/S0263224125006116