本文解读发表于工程测量领域权威期刊《Measurement》的研究论文《 Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines 》。针对大型船用柴油机燃烧室组件在实际运行中故障样本匮乏、纯数据驱动模型缺乏物理可解释性的工程痛点，该研究提出了一套热力学仿真辅助随机森林的混合诊断架构。该技术路线的核心思路在于：利用经实测数据校准的一维热力学机理模型生成故障态热力学参数，借助博弈论归因方法完成高维物理参数的降维与精简，在此基础上构建分类模型，并从局部样本决策与全局状态规律两个尺度实现诊断结果与热物理机制的闭环映射。

图1：热力学仿真辅助随机森林（TSRF）故障诊断方法整体架构

一、机理建模：热力学仿真与宏观参数微调

在复杂动力装备的故障诊断中，单纯依赖微观材料劣化机理进行数值仿真往往计算开销过大、收敛周期长，难以快速复现全系统的热力学状态响应。该研究首先构建了船用低速二冲程柴油机的一维热力学仿真模型，涵盖进排气管路、增压器、中冷器以及六个独立气缸等子系统。

图2：船用柴油机一维热力学机理模型拓扑结构

为了确保仿真基准的可靠性，研究采用实船数据采集系统获取的主机运行稳态监测数据，对模型中的关键边界条件与传热系数进行了标定。在完成基准标定后，论文并未采用微观裂纹扩展或材料磨损的有限元建模方式，而是基于故障物理本质，将典型的燃烧室物理损坏等效映射为宏观热力学边界参数的微调：

1. 缸盖开裂：物理上表现为燃烧室局部热阻突变与传热恶化，通过调节气缸盖表面温度进行模拟。

2. 活塞烧蚀：伴随局部高温集中与密封轻微失效，通过同步调整活塞表面温度与漏气质量流量进行模拟。

3. 缸套磨损：磨损引起局部内径扩大与漏气通道增加，通过调大缸径参数与相应漏气质量流量进行表征。

4. 活塞环磨损：端隙扩大削弱密封性能，通过定向调制漏气质量流量的动态边界实现。

5. 活塞环卡死：活塞环丧失径向浮动弹性，导致活塞向缸壁的热传导受阻，同时加剧漏气与磨损，因而通过综合微调气缸内径、缸套表面温度与漏气质量流量三个维度进行联合模拟。

通过上述宏观参数微调机制，模型输出了包含缸内瞬态热工参数、壁面热流密度、漏气能量与进排气系统状态在内的十四项连续热力学状态指标，为后续的数据驱动建模提供了符合能量守恒与热动力学规律的先验数据基础。

二、参数精简：基于树结构沙普利值的特征筛选

船用柴油机测点繁多，在实际监测系统中全量部署高频传感器并不具备工程可行性；此外，高维特征中存在的强共线性与信息冗余容易导致分类模型过拟合。为此，该研究设计了基于树结构沙普利加性解释（Tree SHAP）的敏感参数筛选流程。

图3：基于SHAP的热力学参数筛选流程

传统特征筛选方法如卡方检验主要度量单变量统计独立性，忽略了参数间非线性 的交互；递归特征消除依赖基模型的特定权重且计算代价偏高；基尼不纯度缩减则容易偏向连续型高基数变量。与之相对，沙普利值源自合作博弈论，其通过评估某个特征加入不同特征子集时带来的边际贡献期望，实现对特征重要性的公理化分配。

为了克服传统排列计算随参数维度呈指数级增加的计算瓶颈，该方法利用决策树内部的条件分裂路径直接计算期望边际增量，仅在满足决策分支的局部路径上进行积分求解，从而在线性时间复杂度内评估各项热力学参数的贡献度。

图7：基于SHAP值的热力学参数重要性多维度评估

在完成对全量热力学指标的贡献度量化后，研究依据累积重要性排序，剔除对分类判决贡献微弱的冗余参数，最终精选出八项核心热力学指标：增压器后排气温度、气缸套壁面热流、漏气热流、漏气质量流量、增压器前排气压力、增压器前排气温度、活塞壁面热流与气缸盖壁面热流。这一步骤在最大程度保留系统状态差异信息的同时，显著压缩了输入维度。

三、模型分类：连续量离散化与随机森林决策

提取核心热力学特征后，研究采用随机森林作为底层分类器。由于热力学监测参数均为连续型变量，为了使其与树模型的分类分裂机制相适配，模型引入了基于信息熵的信息增益离散化机制。

在构建单棵决策树节点的过程中，连续热力学参数首先按数值大小降序排列，取相邻数值的中点作为备选分割候选阈值。算法遍历所有候选分割点，计算以该点为界划分前后样本集的信息熵变化，选取使信息增益达到最大的分割点作为该节点的最佳判定边界。

通过在样本子集与特征子集上的双重随机采样，算法构建了多棵结构独立的决策树，各决策树在非线性划分的特征空间中独立输出类别判定，由集成框架采用多数投票原则确定最终的健康状态分类归属。

四、双尺度归因：局部决策反演与全局机理印证

传统黑箱模型在输出诊断标签后，运维人员无法获知其判决依据是否符合动力机械工程常理。该研究利用计算得到的沙普利值，建立了由微观到宏观的“双尺度”可解释性归因分析框架，将数据驱动的决策逻辑与柴油机热力学规律进行深度交叉验证。

图11：活塞环磨损状态下的 SHAP 归因分析（瀑布图、蜂群图、交互图与依赖图）

1. 局部样本尺度：单次诊断决策的证据链拆解

在单个测试样本的决策分析中，模型借助瀑布图将判定过程完全透明化。瀑布图以所有训练样本的基准先验概率为起点，将每个输入参数赋予带有方向与长度的贡献条：正贡献条向正向推高预测置信度，负贡献条则向反向抑制预测置信度。

以活塞环磨损样本为例，某些异常工况点在特定时刻表现出的排气温度与气缸盖壁面热流数值，对判定该类故障起到了阻碍作用。通过反查一维热力学仿真曲线发现：由于活塞环磨损会加剧高温燃气下窜（漏气），物理规律上必然伴随排气系统与相关壁面温度的二次升高；若个别离散工况点因外界波动未能体现这一温升趋势，沙普利值会立即产生负向反馈，真实反映了数据异常对模型信心的抑制过程。

2. 全局状态尺度：热物理规律与多参数交互映射

在针对某种故障类型的全局样本分布分析中，模型结合蜂群图、依赖图与交互图揭示了参数分布趋势及参数间的非线性耦合机制：

• 特征数值极性与决策倾向的对应：蜂群图展示了样本在各特征上的数值高低与沙普利贡献分布的关系。分析表明，较低的增压器前排气压力、增压器前排气温度、漏气质量流量及漏气热流数值，是驱动模型将状态判定为活塞环磨损的主要驱动因素。

• 物理耦合关系的客观还原：通过计算参数间的二阶交互值并绘制依赖关系图，模型精准捕获到了热力学参数之间的强联动性。例如，增压器前排气压力与排气温度呈现出高度一致的正向相关交互，这一现象完全符合理想气体状态方程与涡轮增压系统能量流动规律；同时，漏气热流与漏气质量流量同样表现出紧密的正向协同响应。

五、结语

该研究将一维热力学仿真机理引入故障诊断流程，不仅有效缓解了工程现场极端故障样本缺失的难题，更为数据驱动模型提供了较为扎实的物理边界先验。通过将基于博弈论的树结构归因算法贯穿于“特征精简”与“事后解释”两个阶段，该方法既实现了对高维冗余参数的定量压缩，又在一定程度上打破了传统机器学习算法不可视、不可信的决策壁垒，展示了一种将热物理机理与统计学习进行深层融合的技术方式。

参考文献

Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines[J]. Measurement, 2025, 251: 117252.

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