机理与数据联合驱动的故障诊断：热力学仿真辅助随机森林
在工业动力装备的状态监测与智能运维领域，针对高可靠性装备关键部件的故障诊断常面临两项基础性挑战：一是实际运行工况下的故障样本天然匮乏，难以直接支撑监督学习模型的训练；二是常规纯数据驱动模型在特征提取与分类决策时缺乏明确的物理机理约束，输出结果呈现“黑箱”特性。发表于仪器与测量领域期刊《Measurement》的研究论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》针对上述问题，提出了一种将一维热力学循环数值仿真与随机森林（Random Forest, RF）算法相结合的故障诊断方法（Thermodynamic Simulation-assisted Random Forest, TSRF）。该方法以机理建模生成多故障状态数据为先验输入，利用树结构博弈论归因（Tree SHAP）实现敏感热力学参数降维，并构建了局部与全局维度的多尺度物理机理反演与决策解释机制。
图1：TSRF总体技术路线与系统架构（对应论文Fig.1）
一、系统总体架构与工作流程
TSRF框架由四个核心阶段构成（如上图所示）：
- 基准热力学建模与参数校准：根据研究对象的机械几何结构与流体管路拓扑，建立一维瞬态热力学机理模型，并利用实船稳态运行监测数据完成基准模型的边界条件与热工参数校准。
- 故障工况参数化数值模拟：根据燃烧室典型机械损伤的物理失效机理，采用宏观物理参数微调方式引入等效扰动，在机理模型中生成覆盖正常状态与多类故障状态的热力学时序状态集。
- 基于Tree SHAP的特征筛选：针对全工作循环输出的多维热力学参数，利用基于树模型的沙普利加性解释算法量化各参数对状态分类的边际贡献度，剔除冗余变量，提取对故障状态高敏感的核心特征子集。
- 随机森林分类与多尺度机理可解释性分析：将筛选后的特征输入随机森林模型进行分类训练，结合瀑布图（Waterfall Plot）、蜂群图（Beeswarm Plot）及交互图（Interaction Plot）从单样本决策推演与全局变量耦合两个维度，验证分类器判别边界与热力学物理规律的一致性。
二、一维热力学建模与故障参数化表征
1. 拓扑结构与基准模型标定
该研究以大型低速二冲程六缸直列船用柴油机为对象。系统的一维热力学机理模型包含了进排气环境边界、进排气总管歧管、涡轮增压器压气机与透平单元、中冷器以及六个独立的气缸工作单元，并在进气支管、缸内、各级排气管路及透平进出口等关键流道截面布置了状态监测节点。基准模型的进气温度、循环喷油量、增压压力等稳态输入参数由实船数据采集模块采集的基准工况进行标定，使模拟的缸内爆发压力、排气温度等主导热工循环响应与实际工作过程保持物理一致。
2. 燃烧室五类典型失效模式的等效微调
针对燃烧室四类关键部件（气缸盖、气缸套、活塞、活塞环），若采用三维流固耦合或断裂力学有限元方法计算微观损伤，其计算耗时较长，难以满足批量样本构建的需求。该研究采用宏观物理量参数微调的工程等效方式，在系统级一维模型中注入故障表征：
- 正常状态（F0）：系统各几何及热工边界维持额定基准值。
- 气缸盖开裂（F1）：裂纹萌生导致局部导热阻力增加与热积聚，在一维模型中通过定量上调气缸盖内壁面温度参数实现等效映射。
- 活塞烧蚀（F2）：活塞顶部材料劣化伴随局部热阻上升与间隙泄漏，模型通过提高活塞顶面温度并引入气缸漏气质量流量参数进行表征。
- 气缸套磨损（F3）：缸壁磨料磨损引起几何形变与间隙增大，模型通过微调气缸内径尺寸并设置对应的窜气质量流量参数来模拟气室密封性能退化。
- 活塞环磨损（F4）：弹性环端面磨损削弱环组径向密封能力，模型直接对窜气质量流量特性施加定量阶梯调制。
- 活塞环胶结/粘着（F5）：活塞环在环槽内卡死阻断了活塞向缸壁的主热传导通道并引发气体下窜，模型通过同步微调气缸内径、缸套壁温以及窜气质量流量以反映多物理参数的复合变化。
三、基于Tree SHAP的特征筛选与降维
1. 状态参数空间的构建
在每个曲轴转角采样周期内，数值仿真模型可输出反映发动机循环特性的14个连续热力学状态变量（P01～P14）：
- 缸内基础工质状态：气缸压力（P01）、气缸温度（P02）。
- 部件壁面瞬态传热：活塞壁面热流量（P03）、气缸盖壁面热流量（P04）、气缸套壁面热流量（P05）。
- 工质泄漏动力学：漏气热流量（P06）、漏气质量流量（P07）。
- 排气与透平做功状态：透平功率（P08）、排气管压力（P09）、排气管温度（P10）、透平入口压力（P11）、透平入口温度（P12）、透平出口压力（P13）、透平出口温度（P14）。
2. 博弈论加性特征归因机制
为降低参数共线性并避免全量输入带来的模型过拟合，研究引入源于合作博弈论的SHAP（SHapley Additive exPlanations）方法。对于给定样本 \(x\)，特征 \(i\) 的沙普利值 \(\phi_i\) 表示该特征加入不同特征子集 \(S \subseteq F \setminus \{i\}\) 时边际贡献的加权期望：
其中 \(F\) 为全量特征集合，\(f_x(S)\) 为仅依赖子集 \(S\) 特征时模型的条件期望输出。
针对随机森林等集成树模型，算法采用Tree SHAP递归遍历决策树各节点的分裂路径。该计算利用树结构的局部条件推断，在多项式时间复杂度内完成各参数边际贡献的精确求解，避免了子集指数级遍历。通过计算所有样本关于各类故障判别的平均绝对沙普利值，对14个变量实施敏感性重要度排序，最终筛选出涡轮出口排气温度（P14）、气缸套壁面热流量（P05）、漏气热流量（P06）、漏气质量流量（P07）、透平入口压力（P11）、透平入口温度（P12）、活塞壁面热流量（P03）以及气缸盖壁面热流量（P04）等核心参数组成优化输入特征子集。
四、随机森林分类器构建与决策映射
在完成特征空间降维后，诊断任务转化为基于核心热力学特征子集的多分类判别。分类器采用随机森林架构：
- 样本与特征子空间扰动：利用Bootstrap自助抽样法构建多组互有差异的训练子集，并在各决策树节点的划分过程中随机抽取特征子集作为候选分裂属性，利用基尼不纯度（Gini Impurity）最小化准则确定最优分裂阈值。
- 集成表决决策机制：各决策树独立生长至终止条件（未剪枝），最终的多分类判定结果由各基决策树的分类概率输出通过多数投票原则（Majority Voting）进行聚合，抑制单棵分类回归树对测量噪声与局部扰动的方差敏感性。
五、双尺度模型解释与物理机理反演
为验证数据驱动决策规则与底层物理规律的相容性，研究构建了局部与全局维度的解释体系：
1. 局部单样本归因（Waterfall Plot）
对于单个测试样本的特定故障判定结果，局部瀑布图以模型先验期望输出值 \(E[f(x)]\) 为基线，依序展现各输入特征取值引起的SHAP代数增量：
分析表明，当气缸盖开裂（F1）样本中气缸盖壁面热流量（P04）偏离基线时，其SHAP值表现为正向推力，定量展示了局部传热阻力增大对模型输出“F1分类”的边际促进过程；而在窜气相关的特定异常样本中，若测得的排气温度与窜气量因工况扰动而瞬态偏低，对应特征则表现为负向抑制贡献。
2. 全局特征分布与变量耦合（Beeswarm & Interaction Plot）
- 全局贡献分布（蜂群图）：聚合全体样本的SHAP分布，横坐标展现参数对分类趋势的驱动极性与幅值，点位颜色深浅表征物理量的高低。例如在活塞环磨损（F4）状态下，较低的透平入口压力（P11）普遍对应正向的故障判定贡献，反映了气缸密封损坏引起燃气泄漏、进而降低下游涡轮膨胀做功能力的热力学因果关系。
- 参数二阶交互归因（依赖图与交互图）：利用SHAP交互值矩阵 \(\Phi_{i,j}\) 解耦参数间的非线性协同效应：
全局依赖与交互分析揭示了漏气质量流量（P07）与漏气热流量（P06）、透平前排气压力（P11）与透平前排气温度（P12）之间显著的正相关协同依赖关系，说明集成树学习到的分类超平面切分边界贴合工质泄漏、壁面传热受阻与膨胀做工削弱的热力循环物理过程。
参考文献
Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines[J]. Measurement, 2025, 251: 117252.
浙公网安备 33010602011771号