从物理仿真到智能决策：构建高可信度可解释故障诊断框架

在船舶动力系统的运行与维护中，气缸盖、气缸套及活塞组件等燃烧室核心部件长期承受高温、高压与交变机械应力，是可能发生机械损伤与热力退化的薄弱环节。传统基于纯数据驱动的智能诊断方法受限于实船故障样本匮乏，且模型内部特征决策路径呈黑箱特性，难以验证其物理一致性；而单纯的物理建模则受制于系统强非线性与复杂环境干扰，在线计算灵活性不足。论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》（发表于 Measurement）提出了一种热力学仿真辅助的随机森林（Thermodynamic Simulation-assisted Random Forest, TSRF）诊断框架。该方法通过一维热力学仿真注入机理先验知识，结合博弈论归因算法（SHAP）与集成学习模型，形成了机理建模—参数筛选—集成决策—机理反演的完整技术路线。

一、TSRF 诊断框架总体技术流程

TSRF 框架的核心思路在于利用物理模型的因果推演能力弥补实船故障数据的不足，并运用特征归因技术解释机器学习模型的决策边界。

图1: TSRF 整体框架与执行流程

整体技术路线划分为以下四个主要阶段（如图1所示）：

1. 热力学基准建模与实船数据校准：构建柴油机循环一维仿真模型，并基于实船数采系统校准基准稳态工况。
2. 故障机理表征与仿真样本生成：通过调节关键热力边界与几何参数，仿真燃烧室典型故障，提取热力学特征参数并进行连续变量离散化。
3. 基于 Tree SHAP 的敏感参数重要度量化与子集筛选：利用基于树结构的 Shapley 算法剔除冗余测点，确定核心参数空间。
4. 随机森林故障辨识与多尺度机理解释：训练随机森林模型分类器，并基于局部瀑布图与全局蜂群图、依赖图解析特征影响机制。

二、一维热力学基准建模与工况校准

为建立高保真度的仿真基准，研究构建了涵盖扫排气歧管、增压系统、中冷器以及六个独立气缸的一维热力学循环模型。

图2: 柴油机一维热力学系统拓扑结构

1. 拓扑结构构建

如图2所示，模型由系统边界（SB1、SB2）、进排气歧管（PL1、PL2）、增压器涡轮与压气机（TC1）、中冷器（CO1）以及六个做功气缸（C1–C6）构成。测点 MP1 至 MP6 涵盖了压气机进出口、中冷器进出口、涡轮前进出口等关键截面。

2. 实船数据采集与平滑处理

基准模型的验证数据来源于船舶主推进系统数据采集模块（DCM）。DCM 以高频采集底层测点信号，通过滑动窗口滤波与 60s 滑动均值消除高频扰动，经卫星链路定时传输至岸端服务器，建立稳态工况下的物理参数对比基准。通过微调气缸燃烧放热规律、换热系数及管路阻力损失，使模拟的热力学参数与实测基准保持一致，确保仿真模型具备复现真实热力过程的能力。

三、基于物理机制的故障注入与数据离散化

在验证通过的基准模型上，通过修改直接映射物理故障的系统底层参数，模拟燃烧室五类典型失效模式（F1–F5）与正常状态（F0）。

1. 典型故障微调机制

• 气缸盖开裂（F1）：裂纹扩展会恶化局部热传导效率，诱发局部热阻增大，仿真中通过升高气缸盖内表面边界温度表征传热劣化。
• 活塞烧蚀（F2）：活塞顶部材料剥落与热蚀导致壁面热阻与泄漏通道改变，通过同步调整活塞壁面温度与漏气质量流量进行模拟。
• 气缸套磨损（F3）：磨损引起局部内径扩大并伴随密封性失效，通过增大缸径几何尺寸并增加漏气质量流量进行复合模拟。
• 活塞环磨损（F4）：活塞环端间隙及外圆磨损导致密封失效，直接通过定量增大曲轴箱漏气质量流量进行表征。
• 活塞环卡滞（F5）：积碳与结胶使环丧失径向自适应密封能力，加剧环与缸套间的干摩擦，通过协同调整缸径、缸套壁温与漏气质量流量实现模拟。

2. 热力学特征空间提取

从仿真循环中采集覆盖缸内燃烧、壁面热流及涡轮进出口的 14 个热力学时序参数（P01–P14），包括气缸压力、壁面换热量、漏气流率、涡轮进出口温压等。

3. 连续参数离散化处理

决策树算法在处理连续属性时，需计算最优划分阈值。设连续参数 $P$ 在样本集 $D$ 中排序后包含 $N$ 个取值 $\{P_1, P_2, \dots, P_N\}$，构建相邻点中值候选分割集：

$$T_P = \left\{ \frac{P_i + P_{i+1}}{2} \;\middle|\; 1 \leqslant i \leqslant N-1 \right\}$$

计算在候选切分点 $t$ 下的信息增益：

$$\text{Gain}(D, P, t) = \text{Ent}(D) - \sum_{\lambda \in \{-, +\}} \frac{|D_t^\lambda|}{|D|} \text{Ent}(D_t^\lambda)$$

其中 $\text{Ent}(D) = - \sum_{k=1}^C p_k \log_2 p_k$。选取使信息增益达到最大值 $\max_{t \in T_P} \text{Gain}(D, P, t)$ 的分割点作为决策树节点的最佳候选划分。

四、基于 Tree SHAP 的敏感特征量化与筛选

在包含 14 个初始特征的高维空间中，直接全维监控会增加硬件成本并引入共线性冗余。为此，论文引入基于合作博弈论的 SHAP 框架筛选最优特征子集。

图3: 基于 SHAP 的参数评价与筛选流程

1. Tree SHAP 计算原理

传统 SHAP 需遍历特征全子集 $S \subseteq N \setminus \{i\}$，计算复杂度随特征数量呈指数级增加。而在树集成模型中，Tree SHAP 算法利用决策树固有的条件路径，仅在满足划分条件的路径上递推计算边际贡献：

$$\phi_i = \sum_{j=1}^T \sum_{S \subseteq P_j \setminus \{i\}} \frac{|S|!(p - |S| - 1)!}{p!} \cdot \Delta_{\text{val}}(P_j, i, S)$$

其中 $T$ 为决策树总数，$P_j$ 为第 $j$ 棵树中包含有效划分规则的路径集合，$\Delta_{\text{val}}(P_j, i, S)$ 为加入特征 $i$ 后的预测输出增量。

2. 核心特征确定

通过 Tree SHAP 计算各参数对多分类输出的平均绝对贡献值，量化参数在不同故障类别下的贡献权重。

图7: 基于 SHAP 值的热力学参数重要度分布

根据重要度累计贡献率（如图7所示），从 14 个候选参数中筛选出对燃烧室状态最具辨识力的 8 个核心参数：

• P14：涡轮后排气温度
• P05：气缸套壁面热流量
• P06：漏气热流量
• P07：漏气质量流量
• P11：涡轮前排气压力
• P12：涡轮前排气温度
• P03：活塞壁面热流量
• P04：气缸盖壁面热流量

五、随机森林模型构建与分类诊断

筛选得到的 8 维核心特征子集被输入至随机森林（Random Forest, RF）分类器。

1. 自助重采样（Bagging）：通过 Bootstrap 方式从处理后的训练数据集中抽取样本子集，构建 $n$ 棵独立的分类回归树（CART）。
2. 节点随机特征分裂：在树构建的每个分裂节点，随机抽取部分特征并依据基尼不纯度准则进行最优切分：

   $$\text{Gini}(D) = 1 - \sum_{i=1}^C p_i^2$$

3. 集成决策输出：测试样本经过所有单树推理，最终通过投票机制决定故障归属：

   $$T(x) = \frac{1}{N} \sum_{b=1}^N T_b(x)$$

六、机理协同的双尺度可解释性分析

TSRF 的关键优势在于不仅输出分类结论，更通过 SHAP 与热力学原理的对照分析，从单样本（局部）与全样本（全局）两个维度解构模型的决策边界。

图11: 活塞环磨损（F4）状态下的 SHAP 多维度可解释性分析

以活塞环磨损故障（F4）为例，展开深层次归因分析（如图11所示）：

1. 单样本局部决策归因（Waterfall Plot）

如图 11(a) 所示，瀑布图从基线期望值 $E[f(x)]$ 出发，逐步累加各特征的局部贡献：

• 当特定采样点中 $P06$（漏气热流）、$P07$（漏气质量流）及 $P12$（涡轮前排气温）处于异常区段时，其产生的正向 Shapley 值推动模型输出概率向 F4 类转移。
• 出现反向抑制的特征（如较低的 $P14$ 与 $P04$）在物理上与漏气加剧导致的热量后移特征相冲突，归因分析清晰呈现了由于参数时序波动而引起的模型正负抵消效应。

2. 全局特征影响分布（Beeswarm Plot）

如图 11(b) 所示，蜂群图刻画了参数在所有样本上的影响广度与方向性：

• 样本点沿水平轴的散布范围反映其决策权重，参数值大小通过颜色深浅映射。
• 结果表明，活塞环失效（F4）在全局上高度依赖于 $P11$、$P12$、$P07$ 及 $P06$ 的显著变化，其低取值区域形成了该故障类别的强判定特征。

3. 多参数非线性交互作用（Dependence & Interaction Plot）

利用 SHAP 交互值矩阵（图 11c），研究进一步剖析了双参数间的耦合影响（图 11d）：

• $P11$ 与 $P12$ 耦合机制：涡轮前排气压力与排气温度呈现明显的同向协同效应。当增压系统做功能力因缸内漏气降低时，$P11$ 降至低位，诱发 $P12$ 同步降低并共同提供正向分类贡献。
• $P06$ 与 $P07$ 状态关联：漏气热流与漏气质量流存在强相关性，二者数值的持续偏移直接勾勒出气缸密封性能衰退的物理轨迹。

结语

TSRF 框架通过结合一维机理仿真与树系集成学习，建立了一条由机理模型生成故障特征、由树集成模型识别模式、再由博弈论归因验证物理逻辑的技术路径。这种将领域物理知识与机器学习决策逻辑互为佐证的方法，为大型动力装置在稀疏故障样本条件下的可解释状态监测与高可信智能维护提供了务实的技术参考。

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.