企业官网建设流程全解析

作为船舶动力系统的关键设备，大型柴油机燃烧室部件因长期处于高温、高压等严苛的交变载荷工况下，常面临结构性损伤与失效的风险。然而，在实际航行中，故障样本的缺失以及纯数据驱动模型在决策上的不透明性，给传统诊断方法的实际应用带来了限制。为此，物理机理与数据驱动融合的诊断方案正逐渐成为研究的重点。最近发表的一篇研究论文 《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》 构建了一种热力学仿真辅助随机森林（TSRF）的诊断框架。该方法通过一维热力学仿真补充缺失的故障数据，并引入可解释性工具，以期提升复杂工况下故障分类的物理可解释性。

该框架的核心逻辑首先建立在准确的物理建模基础之上。基于实船数据采集模块（DCM）获得的监测数据，对柴油机的一维热力学仿真模型进行了标定，使模拟输出的温度、压力等关键指标与实验测得值的偏差控制在合理范围内。在此基础上，通过调整缸盖表面温度、漏气质量流量、气缸直径等底层物理参数，仿真模拟了缸盖开裂、活塞烧蚀、缸套磨损、活塞环磨损和活塞环粘着五种典型的燃烧室故障状态。这一步骤为后续的机器学习分类模型提供了多维度的退化演变数据支持。

在分类算法方面，该研究采用了经典的随机森林（Random Forest, RF）算法。随机森林作为一种集成学习方法，通过构建多个独立的决策树来降低单棵树的预测偏差与方差，在小样本、多分类任务中表现出较为稳定的性能。针对热力学参数（如排气温度、壁面热流量）的连续性特征，算法在分裂节点时实施了离散化处理，计算不同切分点下的信息增益，并以基尼指数（Gini Index）作为特征重要性的辅助评估标准。这种树形集成结构不仅能够处理高度非线性的物理交互作用，还天然具备与后续特征贡献度分析方法集成的结构优势。

为了克服传统特征选择方法（如卡方检验、递归特征消除等）无法反映物理变量正负反馈关系的局限性，该研究引入了 Tree SHAP 方法进行特征降维。传统的SHAP方法计算边际贡献时需要遍历所有可能的特征组合，其计算复杂度随特征维度呈指数级增长；而 Tree SHAP 算法充分利用了随机森林的树状结构，仅沿实际决策路径计算特征的条件期望，从而提升了计算效率。利用 Tree SHAP 对14个原始热力学参数进行量化评估后，研究筛选出排气温度、缸套热流量、漏气热流量等8个具有高贡献率的核心特征，这在保证诊断精度的同时，降低了多参数监测的工程实施成本。

在完成故障识别后，研究通过 Tree SHAP 实现了诊断决策的双尺度物理解释。在单样本局部尺度上，利用瀑布图展示了各参数对特定样本判定为活塞环磨损（F4）的具体贡献方向与数值；在全局尺度上，利用蜂群图和依赖关系图揭示了排气温度、漏气热流量等参数与故障演变之间的单调性及物理耦合规律。这种将数据驱动模型的内部机制与热力学基本定律（如漏气量增加导致壁面热流量变化）相印证的尝试，有助于提高诊断结果的可信度，也为船舶动力装置的预测性维护提供了一种较为严谨且具有可解释性的参考方案。

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.

代码、数据：https://ts-rf.github.io/