船舶柴油机可解释微弱故障诊断的基本方法

船舶柴油机燃烧室长期处于高温高压的严苛工况下，缸盖、活塞、缸套与活塞环等核心部件极易发生微弱损伤。然而，实船故障样本匮乏且传统数据驱动算法存在黑盒问题，导致诊断结果难以被工程技术人员充分信赖。针对这一工程难点，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模拟与随机森林相结合的可解释微弱故障诊断方法。该方法的基本思路是：利用一维热力学仿真构建物理先验知识，弥补真实故障数据的不足；通过可解释性指标定量筛选关键热工参数；最后结合分类模型与可解释分析工具，从微观样本与宏观规律两个维度对决策过程进行机理层面的溯源，形成一套较为透明、可闭环验证的诊断技术流程。

开展诊断的第一步是建立并校准柴油机一维热力学仿真模型，用于模拟燃烧室部件的微弱退化过程。技术人员基于实船传感器采集的平稳运行数据对基础物理模型进行稳态标定，确保仿真系统与实体主机的热工特性一致。在此基础上，通过对关键物理边界参数的定量微调来实现微弱故障的模拟：通过调整气缸盖表面温度模拟裂纹扩展导致的局部散热受阻，通过调整窜气质量流量与活塞温度模拟活塞顶部烧蚀，通过增大缸径尺寸模拟缸套磨损，通过调节窜气量模拟活塞环磨损，以及综合调整缸径、壁温与窜气参数模拟活塞环卡死。这种方法能够快速获取系统级的热工响应，生成覆盖全工作循环的基础仿真数据。

仿真输出通常包含缸内压力、温度、各壁面热流及排气系统状态等多维连续热工指标，直接用于建模不仅计算开销大，而且容易引入冗余信息。为此，该方案引入基于树结构的沙普利加性解释算法开展特征筛选。该算法沿着决策树的真实分裂路径计算特征的边际贡献，定量评估每一个热工参数对不同故障状态判别的相对重要程度。依据全局累积贡献度排序，工程人员可以系统性地剔除不相关变量，保留如增压器后排气温度、气缸套壁面热流、窜气热流与窜气质量流量等对燃烧室损伤最为敏感的核心特征，从而在降低输入维度的同时保证对微弱故障的表征能力。

在完成关键参数筛选后，诊断系统选用集成学习框架下的随机森林算法构建多分类器。由于热工参数均为连续物理量，模型首先利用信息增益准则寻找最优分割点，将连续特征有序划分为离散决策区间，使其适配树模型的输入机制。然后，算法利用并行构建的多棵独立决策树对输入样本进行综合判定与投票集成。随机森林算法在处理工业小样本、多参数工况时具备良好的结构稳定性与抗扰动能力，能够为多类轻微退化状态的快速识别提供稳健的分类基座。

为打破传统机器学习的黑盒壁垒，该方案从局部样本视角对单次诊断结果进行归因解释。技术人员利用瀑布图将某个具体样本的预测概率逐层分解为各个输入参数的正向促进与负向抑制贡献。在诊断特定故障时，若模型出现异常预测，工程人员可以直接调取该样本的各热工参数取值，并与热力学机理曲线相对照。例如，观察排气温度或壁面热流的实际偏离方向是否与漏气机理相悖，能够明确指出是哪一项异常特征误导了分类倾向，确保每一次故障定位都有迹可循。

在宏观层面上，进一步利用蜂群图与依赖图对全工况特征进行全局解释。蜂群图直观展示了关键参数取值的高低变化对某类故障判别趋势的普适性影响，而交互作用图则能够量化两两参数之间的联动关系。例如，排气系统压力与温度之间的正向热力学耦合，以及窜气参数随间隙增大而出现的单调递减效应，均能在依赖图中得到直观呈现。这种让算法决策逻辑与物理热力学原理相互印证的方法，不仅提高了诊断过程的透明度，也为远洋船舶推进系统的状态监测与视情维护提供了参考。

参考文献：

BMSFormer: An efficient deep learning model for online state-of-health estimation of lithium-ion batteries under high-frequency early SOC data with strong correlated single health indicator[J]. Energy, 2024, 313: 134030.

https://www.sciencedirect.com/science/article/pii/S0360544224038088