可解释故障诊断的教学案例:热力学仿真辅助随机森林
在大型船舶动力系统的运行与维护中,柴油机燃烧室部件(包括气缸盖、气缸套、活塞及活塞环等)长期处于高温、高压与交变载荷的复杂工作环境,其状态监测与故障诊断具有重要工程意义。本文介绍的案例来源于发表在期刊《Measurement》上的学术论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》。针对传统数据驱动诊断模型物理机制表征不足、决策过程透明度欠缺的问题,该研究提出了一种结合一维热力学仿真机理与随机森林(Random Forest, RF)的诊断框架(Thermodynamic Simulation-assisted Random Forest, TSRF),利用仿真生成故障先验数据,并结合树形沙普利加性解释(Tree SHAP)实现参数降维与决策归因。

整个技术流程主要由五个核心步骤构成:
- 构建并校准柴油机一维热力学仿真模型;
- 设定参数微调规则以模拟燃烧室典型故障并提取热力学特征;
- 基于连续参数离散化与Tree SHAP算法筛选关键热力学参数;
- 建立随机森林分类模型完成故障工况识别;
- 从局部样本与全局分布双尺度结合热力学物理规律对模型决策机制进行解释。
步骤一:柴油机一维热力学建模与仿真校准
在缺乏足量实船故障标记数据的情况下,该方法通过建立机理模型来生成系统故障先验知识。

1. 模型架构搭建
依据某型六缸二冲程船用柴油机的几何规格与运行参数(如缸径620 mm、冲程2658 mm、标定功率2900 kW等),建立一维机理仿真网络。模型结构包括系统边界(SB1、SB2)、进排气歧管(PL1、PL2)、涡轮增压器(TC1)、空冷器(CO1)以及六个独立气缸(C1至C6)。系统管路中布设了进排气连接管路(管1至管17)与监测测点(MP1至MP6),用于采集进气增压、缸内燃烧与排气做功过程中的热力学状态变量。

2. 试验数据驱动的模型校准
模型输入与基准参数依托集成在船机系统上的数据采集模块(DCM)进行标定。该模块包含快速信号单元、尾气处理单元与集中监控系统,原始传感器数据以固定时间间隔记录并采用移动平均滤波后,经由海事卫星定期传输。对实测时序数据完成缺省值插补与滑动窗口异常剔除后,将其用于调整仿真模型的基础几何与边界换热参数,使模型在标定工况下的功率、转速、增压器前后温度及水冷壁温等热力学输出与实测稳态工况吻合。
步骤二:燃烧室典型故障微调模拟与参数提取
在基准模型验证的基础上,研究通过调整关键结构与边界状态参数,模拟五种燃烧室典型故障(F1至F5)与一种正常健康工况(F0):
- 正常工况(F0):系统运行于标准标定参数下;
- 气缸盖开裂(F1):微调气缸盖表面温度参数,表征裂纹扩展导致的局部热耗散性能劣化;
- 活塞烧蚀(F2):调整活塞表面温度与漏气质量流量,表征活塞冠部热阻增加及表面材料烧蚀引起的配合密封失效;
- 缸套磨损(F3):微调缸径尺寸及漏气质量流量,表征磨料磨损造成的局部缸径增大与漏气增加;
- 活塞环磨损(F4):单独微调漏气质量流量参数,表征端间隙与环面磨损引起的配合间隙增大;
- 活塞环卡滞(F5):同时调整缸径、缸套表面温度与漏气质量流量,表征结碳与油泥沉积导致环槽运动受阻、传热不良及润滑不良。

模型在不同工况下运行全工作循环,提取出具有状态区分潜力的14项连续热力学状态参数(P01至P14),包括缸内压力、缸内温度、活塞壁面热流、气缸盖壁面热流、气缸套壁面热流、漏气热流、漏气质量流量、涡轮功率、排气总管压力/温度、增压器前排气压力/温度、增压器后排气压力/温度。
步骤三:基于连续特征离散化与Tree SHAP的参数优选
连续高维参数直接输入分类器会增加训练开销并引入冗余干扰,因此该技术引入特征离散化与Shapley值量化分析完成核心参数筛选。

1. 连续热力学参数离散化
为契合基于树结构的分割机制,对连续参数 \(P\) 建立有序离散化划分。对于样本集 \(D\) 中按降序排列的取值 \(\{P_1, P_2, \dots, P_N\}\),构建相邻取值的中点作为候选切分点集合:
通过计算划分后样本子集的信息增益确定最优切分点 \(t\):
其中 \(\text{Ent}(D)\) 为样本集的信息熵,\(D_t^-\) 与 \(D_t^+\) 分别为切分点两侧的子集。

2. Tree SHAP参数重要度评估
传统SHAP方法基于合作博弈论,计算特征 \(i\) 在所有特征子集 \(S \subseteq N \setminus \{i\}\) 中的边际增量贡献加权和:
该方法复杂度随特征数量呈指数级增加。
Tree SHAP算法针对决策树集成结构进行优化,仅沿满足判定条件的决策路径递归计算边际贡献:
其中 \(T\) 为树的数量,\(P_j\) 为第 \(j\) 棵树中包含特征 \(i\) 的判定路径集合。


3. 最优参数子集提取
利用随机森林进行初步训练,计算各工况下14个参数的SHAP值并排序。依据累积重要度评分,筛选出前8项核心特征构成紧凑子集:
- P14:增压器后排气温度
- P05:气缸套壁面热流
- P06:漏气热流
- P07:漏气质量流量
- P11:增压器前排气压力
- P12:增压器前排气温度
- P03:活塞壁面热流
- P04:气缸盖壁面热流
步骤四:随机森林分类模型构建与超参数优化
完成参数优选后,采用随机森林作为基分类器执行状态分类任务:
- 样本归一化与划分:对提取的样本集采用Min-Max极差变换进行无量纲化处理,随后按比例划分为训练集与测试集;
- 基分类器节点划分:每棵决策树训练时,以基尼指数(Gini Index)作为属性切分选择准则:\[\text{Gini}(D) = 1 - \sum_{i=1}^C p_i^2 \]其中 \(p_i\) 表示样本集 \(D\) 中第 \(i\) 类故障样本的比例,\(C\) 为工况类别数;
- 超参数搜索与集成决策:结合五折交叉验证与网格搜索机制,确定最佳决策树数量(\(n\_\text{estimators}=20\))、最大深度(不限制)以及单节点候选特征数(特征总数的平方根)。最终输出由各独立决策树投票判定。
步骤五:结合热力学机理的双尺度可解释性分析
为打破传统机器学习“黑箱”局限,该方法以活塞环磨损(F4)工况为例,利用SHAP解释体系从局部样本与全局层面结合热力学物理规律展开双尺度机制解释。

1. 局部样本归因(瀑布图分析)
瀑布图(图11a)以基准值 \(E[f(x)]\) 作为起点,量化展示了各参数对单一判定样本得分的逐项推拉效应:
- 漏气热流 P06 与增压器前排气温度 P12 等特征表现为正向推力,驱动预测倾向于活塞环磨损;
- 当个别采样点由于工况微扰出现增压器后排气温度 P14 和气缸盖壁面热流 P04 异常偏低时,热力学上与活塞环磨损引发剧烈漏气导致排气能量上升的机理相悖,这些特征在瀑布图中即刻显示为负向下拉条形,揭示了模型对异常样本产生判别波动的内部物理成因。
2. 全局参数效应(蜂群图分析)
蜂群图(图11b)汇集了该工况下全部测试样本的特征贡献分布:
- 每一行按平均绝对SHAP值由大到小排列,横轴代表SHAP贡献值正负,点的颜色表示原始特征数值高低;
- 数据点在 P11(增压器前排气压力)、P12(增压器前排气温度)、P07(漏气质量流量)和 P06(漏气热流)的分布表明:这些参数处于较低数值(蓝色点)时,其SHAP值显著分布于正值区域,证明低气压、低热流是模型识别活塞环磨损工况的主导判定特征。
3. 特征交互作用与物理机理验证
通过求解二阶SHAP交互值,提取影响程度最高的特征交互对(图11c),并绘制依赖散点图(图11d):
- P11 与 P12 强正相关:增压器前排气压力与排气温度呈现一致的同向耦合特性,符合绝热膨胀与能量守恒定律;
- P06 与 P07 关联特性:漏气热流与漏气质量流量在热力学上直接表征环区窜气程度,两者同步下降时为活塞环磨损判断提供了高度集中的正向贡献。
技术方案总结
该案例通过将一维热力学仿真机理、树模型离散化切分、Tree SHAP特征优选与双尺度归因可视化相结合,构建了一套逻辑闭环的故障诊断技术框架。工程人员既能基于机理仿真弥补故障样本匮乏的短板,又能借助博弈论与热力学规律对模型分类逻辑进行定量追踪与机理解释。
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/pii/S0263224125006116

浙公网安备 33010602011771号