大型动力装备在严苛工况下的健康状态监测一直面临实测故障样本稀缺与纯数据驱动模型缺乏物理可解释性的双重制约。论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了一种热力学仿真辅助随机森林（Thermodynamic Simulation-assisted Random Forest, TSRF）方法。该方法将一维机理仿真与树模型可解释性理论相结合，形成了一套可拓展应用于内燃机、燃气轮机等复杂动力装备热力部件的故障建模、特征筛选、状态识别与机理归因分析流程。

一、 整体诊断架构与技术流程

热力学仿真辅助随机森林方法的核心逻辑，在于利用热力学机理知识弥补工程实测故障样本的不足，同时借助可解释机器学习工具，在一定程度上打开数据驱动模型的黑盒决策过程。

整个诊断框架主要由四个环节构成：

1. 机理建模与基准校准 ：构建动力装备的一维热力学仿真系统，利用平稳工况下的台架或车载实测传感数据对模型阻力、换热等关键参数进行校核。

2. 故障工况数值模拟 ：根据部件失效物理机制，通过调整仿真系统中的宏观边界参数，模拟多种典型故障状态，获取全工作循环下的热力学动态响应。

3. 基于树SHAP的特征选择 ：提取初步热力学候选指标并训练初级随机森林模型，通过计算特征在树结构中的边际贡献，量化参数重要度并优选核心诊断特征子集。

4. 分类识别与双尺度归因 ：以优选特征子集构建最终的随机森林诊断分类器，并从局部样本瀑布图与全局蜂群图、依赖图两个维度，将模型的统计决策逻辑与热力学物理规律进行交叉印证。

二、动力装备一维热力学建模与故障参数调控

动力装备燃烧室及气路系统具有强非线性与热-机多场耦合特性。若采用三维微观有限元或流体动力学进行长期失效演化仿真，计算开销巨大且难以快速获得连续循环参数。该方法采用一维热力学建模路线，重点刻画能量传递与工质流动守恒关系。

在完成正常运行基准工况的校准后，系统通过宏观物理参数微调方式实现对不同故障模式的映射：

• 缸盖开裂 ：通过调高气缸盖受热面局部温度，表征开裂引起的结构热阻升高与散热劣化效应；

• 活塞烧蚀 ：同步调整活塞顶面换热温度与气缸漏气质量流量，反映材料烧蚀造成的局部热累积与密封破坏；

• 缸套磨损 ：微调缸径尺寸偏差并增加气缸窜气流量，反映颗粒磨损导致的气缸失圆与间隙扩大；

• 活塞环磨损 ：保持几何尺寸基准，定量增大活塞环区域的漏气质量流量；

• 活塞环卡滞 ：综合调节有效缸径、缸套壁面温度以及窜气质量流量，反映积碳卡死带来的热传导阻断与间隙密封失效。

该建模方式避开了复杂的微观相变计算，能够在较短计算周期内获取反映系统级热力状态演变的循环时序特征。

三、基于树SHAP分析的特征参数筛选机制

仿真输出涵盖气缸压力、缸内温度、活塞壁面热流、缸盖壁面热流、缸套壁面热流、窜气热流、窜气质量流量、排气总管温度与压力、涡轮前后温度与压力等多种热力学参数。全面监测所有参数在工程测点布置上并不现实，需要剔除低灵敏度与高冗余特征。

常规的特征选择方法（如卡方检验、递归特征消除、基尼增益等）往往割裂了特征间的非线性协同效应。该方法引入针对树结构的Shapley解释算法（Tree SHAP）：

1. 连续热力学参数首先通过基于信息熵增益的最优分割阈值进行离散化处理，以适配决策树的划分规则。

2. 树模型沿着特定的决策判定路径进行条件分解，计算某个热力参数加入特征组合时产生的条件期望位移，从而严格量化该参数对分类目标的加权边际贡献。

3. 依据各状态下特征平均绝对贡献值的累积排序，自动截取具有主导判别能力的参数集合（如涡轮后排气温度、缸套壁面热流、窜气热流、窜气质量流量、涡轮前排气压力、涡轮前排气温度、活塞壁面热流、缸盖壁面热流等）。

四、随机森林决策机制的双尺度物理可解释性分析

机器学习应用于严苛工业现场的一个瓶颈在于决策黑盒。热力学仿真辅助随机森林通过局部与全局两个层面的SHAP归因，将数据驱动的决策路径与热力学物理规律直接对齐。

1. 局部单样本解释（瀑布图分析）

在单个样本的判决中，瀑布图以模型的基准期望概率为起点，展示各测量值依次产生的正向推力或负向拉力，各参数贡献累加后得到最终的判据输出。
当某一样本因测点波动出现异常指示时，瀑布图能够清晰反映是哪些特征压低了正确分类的倾向。将这些参数与热力学仿真循环曲线对照，可以辨识出偏离值是否是由工况暂态扰动或特定传感误差所致，避免了纯黑盒判决的盲目性。

2. 全局状态解释（蜂群图、依赖图与交互图）

全局解释关注的是模型在某类故障工况下的整体认知模式是否符合装备热力学机理：

• 特征响应方向一致性 ：在蜂群分布图中，通过数值大小与对应贡献正负极性的分布，检验参数变化趋势与物理直觉的一致性。例如，排气前级压力偏低、窜气热流与窜气质量流量表现为抑制性取值时，模型会显著倾向于识别出活塞环类磨损缺陷。

• 参数物理耦合验证 ：通过计算特征交互值并绘制二维依赖图，可直接观察到涡轮前排气压力与排气温度之间强烈的正相关耦合特征，以及窜气物理量对壁面受热状态的制约关系。这证明随机森林在此特征子集上学习到的分枝逻辑，并非单纯的统计巧合，而是映射了热工流体在实际流动与膨胀过程中的固有物理联系。

五、技术总结

纯机理模型受限于工程边界条件的不确定性与退化参数辨识难度，纯数据驱动模型则受制于故障样本匮乏与可解释性不足。热力学仿真辅助随机森林框架通过“一维仿真补充故障先验—树SHAP筛选高敏参数—集成树模型分类映射—多尺度归因校验物理合理性”的思路，为动力装备复杂系统提供了一种结构清晰、兼顾计算效率与机理透明度的故障诊断方式。

参考文献

Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines[J]. Measurement, 2025.

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