船用柴油机是船舶动力系统的核心其燃烧室部件长期处于高温、高压的恶劣工作环境中可能会发生各类故障这对船舶的安全航行构成了不小的挑战。传统的诊断方法往往面临故障样本匮乏或黑盒模型缺乏物理可解释性等问题。为此国内研究人员近期在知名期刊《Measurement》上发表了题为《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》的学术论文。该研究提出了一种名为热力学仿真辅助随机森林TSRF的诊断框架通过将物理先验知识与数据驱动算法深度结合来提升故障分类的准确性以及决策过程的透明度。图1.算法步骤为了解决实际航行中故障诊断数据不足的问题首先构建了一个一维船用柴油机热力学仿真模型并利用船端数据采集系统获取的真实监测数据对其进行了校准。以此高精度模型为基础针对气缸盖开裂、活塞烧蚀、缸套磨损、活塞环磨损以及活塞环粘着五种典型的燃烧室关键部件故障进行了参数微调与仿真模拟。这种微观物理机制向宏观热力学参数响应的转化方法能够快速、准确地重现复杂故障状态下的系统表现为后续的智能诊断算法提供了数据基础与合理的物理支撑。图2. 船用柴油机一维热力学模型结构示意图面对热力学仿真输出的众多繁杂参数盲目全盘监测往往会带来极高的计算复杂度。因此该研究创新性地引入了Tree SHAP方法来进行特征参数的选择。通过对随机森林预分类模型中各热力学指标的贡献度进行量化评估算法能够清晰地排出各参数对故障状态辨识的重要性顺序。相比于传统的卡方检验或Gini指数等特征筛选手段这种基于沙普利值的特征选择方法不仅考虑了参数间的非线性交互还保证了筛选过程的物理合理性挑选出了数个最具诊断价值的核心特征。图3. 基于SHAP值的热力学特征参数重要性分析在获得优化后的特征子集后采用随机森林作为核心分类模型进行了故障识别。实验结果表明该模型在经过优化特征筛选后在构建的仿真故障数据集上取得了较为理想的分类表现其平均诊断准确率达到了百分之九十九左右。通过与支持向量机和K最近邻等传统机器学习算法的对比随机森林展现出了更强的多分类处理能力和对有限样本的适应性特别是在区分容易混淆的活塞环相关故障时表现出了较好的整体稳定性。图4. 各种诊断模型在原始数据集和优化子集上的混淆矩阵对比提升模型的可解释性是该项研究的核心亮点之一。借助SHAP工具开展了从局部和全局双重维度对诊断决策过程的解密。在局部样本分析中通过瀑布图直观地展示了各特征参数如何正向或反向推动最终的故障预测结论在全局分析中则利用蜂群图和依赖图揭示了参数变化与故障趋势之间的内在联系。这种可视化方法让原本黑盒的数据驱动模型变得相对清晰透明。图5. 基于SHAP值的活塞环磨损故障多维度解释分析该项研究将物理机理与经典机器学习方法相融合为船用动力装备的智能运维和健康管理提供了一条可行的路径。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/abs/pii/S0263224125006116https://ts-rf.github.io/