热力学仿真辅助随机森林：面向装备可解释故障诊断的技术实现

针对船舶柴油机燃烧室部件运行工况复杂、真实故障样本获取困难以及纯数据驱动模型缺乏物理可解释性的问题，将机理仿真与机器学习相结合成为一种诊断思路。发表在期刊《Measurement》上的论文《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。该方法通过一维热力学机理建模模拟燃烧室典型故障，利用Tree SHAP算法实现关键特征筛选，并结合随机森林分类器与SHAP归因分析，构建了一套兼顾物理机制与数据特性的故障诊断与解释框架。

1. 总体技术架构

TSRF方法的整体实现流程分为四个主要阶段：热力学仿真建模、故障状态模拟与参数提取、基于Tree SHAP的特征筛选与分类、以及结合物理机理的双尺度模型解释。
CSDN-图1

图1. TSRF诊断方法总体结构流程图

  1. 机理建模与校准：构建柴油机一维热力学仿真模型，并基于实船采集数据完成模型标定。
  2. 故障注入仿真：针对燃烧室五类典型故障模式，通过微调热力学与几何边界参数生成故障仿真数据，提取候选热力学状态参数。
  3. 特征定量筛选：采用随机森林进行初步分类，计算各参数的Tree SHAP值，依据累积特征贡献率构建最优特征子集。
  4. 分类与可解释性分析：将筛选后的特征输入随机森林完成故障分类，并结合局部瀑布图、全局蜂群图以及特征依赖图展开模型决策逻辑与热力学机理的联合分析。

2. 一维热力学建模与故障参数微调

2.1 柴油机热力学系统建模

仿真对象为六缸二冲程低速船用柴油机。构建的一维热力学拓扑结构涵盖系统边界（SB1、SB2）、进排气歧管（PL1、PL2）、涡轮增压器（TC1）、中冷器（CO1）以及六个气缸单元（C1C6），并在关键管路节点布设了6处监测点（MP1MP6）。

CSDN-图2

图2. 柴油机一维热力学仿真模型拓扑结构

模型建立后，利用船载数据采集模块（DCM）记录的转速、排气温度、中冷器进出口水温等稳态试验数据进行校准，确保基准模型反映实际系统的热力学状态。

2.2 燃烧室部件故障微调机理

研究定义了正常状态（F0）及五类燃烧室部件故障（F1~F5），通过对特定物理参数进行受控微调实现故障表征：

  • 气缸盖开裂（F1）：微调气缸盖表面温度。开裂造成局部应力集中与热耗散受阻，通过提高气缸盖表面设定温度体现散热劣化效应。
  • 活塞烧蚀（F2）：微调活塞表面温度与漏气质量流量。材料烧蚀引起表面局部温升，同时破坏活塞-缸套密封界面，增加漏气通道。
  • 气缸套磨损（F3）：微调缸径尺寸与漏气质量流量。磨损引起局部内径扩大与失圆，破坏密封面，进而增加气缸漏气量。
  • 活塞环磨损（F4）：控制调节漏气质量流量参数。磨损破坏活塞环端面密封几何形态，直接加剧窜气程度。
  • 活塞环胶结（F5）：联合微调缸径、缸套表面温度与漏气质量流量。胶结限制活塞环弹性活动，不仅使热阻急剧增大导致活塞面温升，还会产生异常干摩擦并伴随严重窜气。

通过完整工作循环仿真，共提取出14项候选热力学状态参数（P01~P14），涵盖缸内压力、温度、壁面热流、涡轮功率以及增压器前后温压等指标。
CSDN-图3
图3. 不同故障工况下热力学参数随曲轴转角的变化曲线

3. 基于Tree SHAP的热力学参数筛选

为降低高维监测数据带来的冗余度并提升分类效率，该方法采用基于博弈论的Tree SHAP方法评估参数重要性。
CSDN-图4

图4. 基于SHAP值的参数选择流程

3.1 SHAP值与Tree SHAP计算

对于特征子集 \(S \subseteq N \setminus \{i\}\)，参数 \(i\) 的边际贡献定义为：

\[\Delta_{\text{val}}(i, S) = f(S \cup \{i\}) - f(S) \]

参数 \(i\) 的经典Shapley值加权形式为：

\[\phi_i = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!(p - |S| - 1)!}{p!} \cdot \Delta_{\text{val}}(i, S) \]

针对树模型结构，Tree SHAP仅沿着满足分裂判定条件的决策路径递归计算边际增量，将计算复杂度从指数级降低至多项式级：

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

其中 \(T\) 为集成树数量，\(P_j\) 为第 \(j\) 棵树内的决策路径集合。

3.2 连续参数离散化与核心特征提取

对于连续型热力学参数，模型依据信息增益准则进行切分点选取：

\[\text{Gain}(D, P) = \max_{t \in T_P} \left( \text{Ent}(D) - \sum_{\lambda \in \{-, +\}} \frac{|D_t^\lambda|}{|D|} \text{Ent}(D_t^\lambda) \right) \]

候选切分点集合 \(T_P\) 取有序数值相邻区间的均值中点。
CSDN-图5

图5. 基于SHAP值的热力学参数重要性评估：(a) SHAP热图；(b) 累积柱状图；(c) 占比分布图

经初步训练与SHAP值定量计算，按累积贡献率降序排序，最终筛选出8项核心热力学指标构成最优特征子集：

  1. P14：涡轮增压器后排气温度
  2. P05：气缸套壁面热流
  3. P06：漏气热流
  4. P07：漏气质量流量
  5. P11：涡轮增压器前排气压力
  6. P12：涡轮增压器前排气温度
  7. P03：活塞壁面热流
  8. P04：气缸盖壁面热流

4. 随机森林分类器构建

在筛选出的8项关键特征基础上，构建随机森林模型进行故障识别：

  1. 数据划分：仿真数据集按照 70% 训练集与 30% 测试集比例进行划分，并进行 Min-Max 归一化处理以消除量纲差异。
  2. 参数配置：使用网格搜索（Grid Search）配合五折交叉验证优化模型超参数（决策树数量设定为20，划分属性选择最大特征数的平方根，单树最大深度不设限制）。
  3. 节点分裂判据：以基尼指数（Gini Index）作为决策树属性选择的主要指标：

    \[\text{Gini}(D) = 1 - \sum_{i=1}^C p_i^2 \]

  4. 集成决策：通过多棵独立决策树的投票平均输出最终分类结果。

5. 融合机理的双尺度可解释性分析

为打破黑盒模型的不可解释性，该方法以活塞环磨损（F4）故障为例，从局部样本与全局状态两个尺度展开决策归因与机理验证。

CSDN-图6

图6. 基于SHAP值的活塞环磨损（F4）故障分析：(a) 瀑布图；(b) 蜂群图；(c) 交互图；(d) 依赖图

5.1 局部样本决策解释（瀑布图）

瀑布图（图6a）自底部基准期望值 \(E[f(x)]\) 起始，各横向柱定量展示输入参数对该样本分类分值的推拉作用：

  • 红色条形代表正向推动预测为F4的贡献，蓝色条形代表负向抑制贡献。
  • 当特定离散点处 \(P06\) 与 \(P07\) 表现为负偏差时，对判定为F4故障起到显著的正向贡献；反之，若监测点处的排气温度（P14）与缸盖热流（P04）出现偏低数值，则与窜气工况导致的热量上移机理产生背离，从而产生负向SHAP值，拉低模型归类置信度。

5.2 全局特征机理映射（蜂群图与依赖图）

全局分析利用蜂群图和SHAP交互值揭示参数间的物理依赖：

  1. 全局重要性分布（图6b）：P11、P12、P07和P06的数值下降在全局范围内显著促成模型对F4状态的判断。
  2. 特征交互效应（图6c、d）：
    • P11与P12交互：热力学仿真表明增压器前排气压力（P11）与排气温度（P12）呈显著正相关，F4工况下P11处于偏低水平，联动导致P12降低，两者协同为F4判定提供支撑。
    • P06与P07交互：漏气热流（P06）与漏气质量流量（P07）直接反映活塞环处的高温燃气下窜程度，物理机制上两者表现出强耦合特性。模型依赖图证实，两者同时处于负偏差区域是识别活塞环磨损的关键判定依据。

总结

TSRF方法通过一维热力学机理建模弥补了燃烧室部件典型故障数据匮乏的限制，通过Tree SHAP的量化指标实现了从14项候选参数到8项核心指标的降维筛选，并最终依托随机森林与双尺度SHAP分析，建立了“机理参数微调 \(\rightarrow\) 数据驱动分类 \(\rightarrow\) 物理规律验证”的闭环诊断流程。

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/pii/S0263224125006116]

posted @ 2026-11-08 17:17  SSCICC  阅读(8)  评论(0)    收藏  举报