AIGC标识 热力学仿真辅助随机森林：机理建模与数据驱动协同的动力系统故障诊断

船舶柴油机燃烧室部件长期处于高温、高压的交变载荷环境下，对其进行准确的状态监测与故障诊断是保障动力系统平稳运行的基础工作。针对故障样本获取受限以及纯数据驱动模型缺乏物理可解释性的问题，发表于期刊《Measurement》的研究论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了一种将热力学机理仿真与随机森林（Random Forest, RF）算法相结合的诊断框架（Thermodynamic Simulation-assisted Random Forest, TSRF）。该方法通过机理模型生成故障特征数据，利用Tree SHAP算法实现关键热力学参数的量化筛选，并基于SHAP值构建起连接物理机理与分类决策的双尺度解释机制。

一、TSRF总体技术流程

TSRF框架的技术实现主要划分为五个阶段：物理模型校准与仿真、典型故障机理模拟、连续参数离散化与初分类、基于Tree SHAP的特征参数精简、以及融合机理分析的双尺度模型解释。

图1

图1 热力学仿真辅助随机森林（TSRF）诊断框架总体结构
  1. 机理建模与基准校准：构建柴油机一维热力学仿真模型，利用实船采集的稳态运行参数对模型进行校正，作为健康工况基准。
  2. 故障工况数值模拟：根据部件损伤物理机理，微调热力学与几何边界参数，模拟五类典型燃烧室故障，获取工作循环内的热力学参数响应。
  3. 参数预处理与初分类：对仿真输出的连续时域热力学参数进行离散化，利用随机森林进行初步分类。
  4. 特征评估与筛选：采用Tree SHAP算法计算各热力学参数对分类决策的边际贡献，依据平均绝对SHAP值排序，剔除冗余变量，形成低维核心特征集。
  5. 模型重构与机制解释：利用精简特征集重新训练随机森林模型完成最终分类，并借助局部瀑布图、全局蜂群图及交互依赖图展开归因解析。

二、一维热力学建模与参数校准

为准确刻画动力系统缸内工作过程及进排气流动状态，技术方案首先建立柴油机整机的一维热力学网络模型。

图2

图2 船用柴油机一维热力学模型结构拓扑图

如图2所示，模型拓扑结构涵盖系统进排气边界（SB1、SB2）、进排气歧管（PL1、PL2）、涡轮增压器（TC1）、中冷器（CO1）以及六个做功气缸（C1～C6），并在关键流道设置监测节点（MP1～MP6）。管道1至3对应压气机进口、中冷器进排气管路；管道4至9为气缸进气歧管，10至15为各缸排气歧管；管道16和17分别连接涡轮机进气管与排气尾管。

建模完成后，依托实船数据采集模块（DCM）获取主机稳态运行周期内的测点数据（如输出功率、曲轴转速、涡轮前后排气温度及中冷器冷却水温等），采用滑动窗口滤波去除噪声后，对仿真模型的边界约束与流动损失系数实施校准，确保基准模型反映真实的发动机热力循环特性。

三、燃烧室部件故障微调机理与时域模拟

基于校准后的模型，针对燃烧室核心部件的五种典型失效模式，通过微调宏观热力学与几何参数进行物理等效表征：

  • 气缸盖开裂（F1）：微调气缸盖内表面温度。裂纹萌生削弱了局部导热效率，导致受热面热阻增大并引起局部温度异常。
  • 活塞烧蚀（F2）：联合微调活塞顶面温度分布与环岸漏气质量流量。材料烧蚀破坏了受热面的热均匀性，并因间隙增大引起气体下窜。
  • 气缸套磨损（F3）：微调气缸缸径（尺寸微增）与漏气质量流量。颗粒磨损引起缸套内壁几何失圆与尺寸扩张，降低了缸套-活塞环组密封能力。
  • 活塞环磨损（F4）：微调活塞环漏气质量流量。环端面与外圆磨损导致密封不严，直接表现为燃烧室气体泄漏通量增加。
  • 活塞环卡死（F5）：联合微调气缸缸径、缸套内表面温度与漏气质量流量。由于积碳沉积导致活塞环丧失弹性并卡滞在环槽内，破坏了环-套接触面的正常传热机制与密封通道。

经多工况计算，模型输出涵盖一个完整工作循环的14项瞬态热力学参数（P01～P14，包括缸内压力与温度、活塞/缸盖/缸套壁面热流、漏气热流与质量流量、涡轮功率、排气总管及涡轮前后温压参数）。

四、基于Tree SHAP的特征参数重要度评估与选择

连续热力学状态参数数量较多且存在物理共线性，直接全量输入会增加计算复杂度。因此，需对特征进行离散化与筛选。

1. 连续参数离散化

随机森林在处理连续特征时，首先在特征值排序序列中生成相邻中点作为候选分割点集 \(T_P = \{(P_i + P_{i+1})/2 \mid 1 \leqslant i \leqslant N-1\}\)，并基于信息增益（Information Gain）准则选取使样本子集基尼指数（Gini Index）下降最大的阈值完成节点分裂。

2. Tree SHAP参数筛选流程

传统Shapley值计算需穷举 \(2^{|N|}\) 种特征子集组合，计算代价随维度呈指数增长。该方案采用针对树结构的Tree SHAP算法，沿着随机森林中已生成的决策路径直接追踪特征条件期望：

\[\varphi_i = \sum_{j=1}^{T} \sum_{S \subseteq P_j \setminus \{i\}} \frac{|S|!(p - |S| - 1)!}{p!} \cdot \Delta_{\text{val}}(P_j, i, S) \]

式中，\(T\) 为决策树数量，\(P_j\) 为第 \(j\) 棵树中包含特征 \(i\) 的有效决策路径集合，\(\Delta_{\text{val}}\) 表示特征 \(i\) 沿路径引入时的边际预测增益。

图3

图3 基于Tree SHAP的热力学参数特征筛选流程

图4

图4 基于SHAP值的热力学参数重要度评估（(a) 各状态SHAP值分布矩阵；(b) 累积均值排序；(c) 贡献占比）

如图4所示，根据计算所得的各参数全局平均绝对SHAP值进行降序排序与累积贡献率分析。选取贡献权重居前的核心热力学参数构成降维特征子集：

  • 涡轮后排气温度（P14）
  • 缸套壁面热流（P05）
  • 漏气热流（P06）
  • 漏气质量流量（P07）
  • 涡轮前排气压力（P11）
  • 涡轮前排气温度（P12）
  • 活塞壁面热流（P03）
  • 气缸盖壁面热流（P04）

剔除对状态分类无显著影响的次要参数后，使用该核心子集作为随机森林分类器的输入维度。

五、融合机理的双尺度可解释性分析

为验证分类决策与物理规律的一致性，通过计算局部单样本与全局样本集的SHAP响应展开分析（以活塞环磨损故障F4为例）。

图5

图5 基于SHAP值的活塞环磨损（F4）故障归因分析（(a) 单样本决策瀑布图；(b) 全局特征蜂群图；(c) 核心参数交互图；(d) 特征依赖关系图）

1. 单样本局部决策路径归因（瀑布图）

如图5(a)所示，瀑布图以模型基础期望值 \(E[f(x)]\) 为起点，逐项累加各特征的边际贡献直至最终输出 \(f(x)\)。

  • 正向推力贡献（红色）：当样本的漏气热流（P06）与质量流量（P07）呈现特征偏移时，对判定为F4故障起到主要正向驱动作用。
  • 负向阻碍贡献（蓝色）：当特定采样时刻由于排气波动导致局部壁面热流（P04）与排气温度（P14）出现偏低读数时，模型会受到负向拉力，抑制其向F4分类的置信度。局部归因能够定量展示单次预测中各测点的支持度与制约度。

2. 全局状态分布与交互依赖解析（蜂群图与依赖图）

  • 全局蜂群图（图5b）：点聚集的离散程度反映特征对该类故障分类的影响权重。数值呈现明显低位偏移的涡轮前排气压力（P11）、温度（P12）以及漏气流量参数（P07、P06），在F4样本中均对应正向高SHAP值，表明该类特征的异常跌落是识别环组失效的全局关键依据。
  • 参数交互与依赖关系（图5c、5d）：SHAP交互分析量化了变量间的非线性耦合。依赖图展示了P11与P12、P06与P07之间的强正相关性，这与热力循环中压力-温度膨胀做功、泄漏质量与泄漏对流换热的物理平衡规律完全契合，表明数据驱动模型的判定逻辑具备清晰的热力学物理基础。

参考文献

Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines[J]. Measurement, 2026.

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

posted @ 2026-11-12 16:08  mumuzhui  阅读(6)  评论(0)    收藏  举报