• 时间:
  • 分类:

📘论文标题：
Thermodynamic Simulation-assisted Random Forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines

🔗论文链接（ScienceDirect）

💡原作者Blog（包含代码、数据集）

一、高可靠性系统对透明决策的需求

在轨道交通、航行安全等关键工业领域，现代系统正向复杂化与集成化演进，技术人员难以采信缺乏物理依据的诊断结果。船用柴油机作为核心动力设备，其设计具有极高的可靠性，导致实际运行中重大故障数据极度匮乏。此外，传统诊断方法在融合样本数据与物理模型，并合理解释特征决策过程方面存在显著局限。2025年《Measurement》期刊发表的研究提出了一种热力学仿真辅助随机森林（ThermoRF）方法。该方法在获取故障样本与实现结果可解释性之间寻求平衡，为复杂系统的智能运维提供了备选路径。

二、ThermoRF 架构：物理模型与数据驱动的融合

该研究构建了一个具备“模型数据协同”特点的诊断框架，主要包含以下核心阶段：

1.热力学建模与校准

构建柴油机一维热力学模型，用于模拟故障状态并生成训练数据。通过与真实航行数据校准，该模型参数偏差小于 5%，确保了仿真环境的可靠性。下图为柴油机的一维热力学模型。

图1 柴油机的一维热力学模型

2.高保真故障数据集生成

通过微调物理参数，模拟出包括气缸盖开裂（F1）、活塞烧蚀（F2）、缸套磨损（F3）、活塞环磨损（F4）及活塞环粘着（F5）在内的五种典型故障，解决了实际运维中故障数据匮乏的难题。下表为各故障状态细节。

3.基于 SHAP 理论的特征筛选

利用 SHAP（Shapley Additive Explanations）值量化 14 个热力学参数的重要性。最终精选出涡轮后排气温度（P14）、缸套壁热流（P05）等 8 个核心参数，组成优化特征子集以提升诊断效率。下图为基于SHAP的参数选择过程。

4.智能故障识别

将优化后的子集输入随机森林（RF）分类器。实验证明，RF 在该数据集上的平均准确率高达 99.07%，其表现优于 KNN 与 SVM 等分类算法。下图为 KNN、SVM 和 RF 的精度-召回率曲线图。

三、双尺度可解释故障诊断分析

该研究的核心价值在于使故障判定的逻辑透明化，实现了两个层面的可解释性分析：

1.局部尺度解释

采用瀑布图直观展示模型对单个样本的决策逻辑。例如，通过捕捉窜气热流（P06）与质量流量（P07）的特定异常，揭示模型如何根据物理规律判定特定故障。

2.全局尺度解释

利用蜂群图、交互图及依赖图从整体层面提炼核心指标。分析揭示了“窜气导致涡轮前排气压力（P11）降低”等深层物理联系，证明了数据特征与内燃机热力学机制的一致性。

下图为基于 SHAP 值的双尺度故障分析：(a)瀑布图；(b)蜂群图；(c)交互图；(d)依赖图。

四、结论与展望

ThermoRF 方法成功发挥了物理建模与数据驱动的互补优势，不仅提升了故障诊断的精度，更通过双尺度分析为诊断结果提供了物理支撑。这种可解释故障诊断模式，对于提升重大装备运维的安全感与科学性具有重要意义。

原始文献
C. Luo, M. Zhao, X. Fu, S. Zhong, S. Fu, K. Zhang, X. Yu. Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines[J]. Measurement, 2025, 251: 117252.

标签: none

添加新评论