融合热力学仿真辅助随机森林的船舶柴油机可解释故障诊断研究

融合热力学仿真辅助随机森林的船舶柴油机可解释故障诊断研究研究背景在船舶柴油机运维领域，传统的诊断方法各有所长但也存在局限：模型驱动法具有清晰的物理意义，但在处理高度非线性的复杂系统时，建模难度大且灵活性受限。数据驱动法展现了强大的识别能力，但由于缺乏对底层物理规律的表达，往往被视为“黑盒”，其诊断逻辑难以被工程人员完全信任。针对这些挑战，在《Measurement》期刊发表的题为“ThermodynamicSimulation-assistedRandomForest:Towardsexplainablefaultdiagnosisofcombustionchambercomponentsofmarinedieselengines”的研究论文尝试开发了一种名为热力学仿真辅助随机森林(TSRF)的混合框架，通过热力学机理来加强智能化模型的泛用性能与解释能力。整体框架该框架通过以下四个阶段实现从物理机理到智能诊断的融合：·物理建模与校准：首先基于实船DCM模块采集的运行数据，构建并校准一维热力学仿真模型，确保模拟环境与真实工况的高度一致。·故障特征挖掘：通过参数微调技术，在虚拟环境中复现五类典型燃烧室故障，从而获取在实际运维中难以大规模采集的“涵盖典型故障特征的仿真样本数据”。·特征智能筛选：面对复杂的14个热力学指标，利用TreeSHAP算法进行定量评估，剔除冗余变量，精炼出8个对故障状态最敏感的核心特征。·智能诊断与透明化解释：最后，利用随机森林模型进行高精度分类，并结合SHAP值的多维度可视化，将模型特征权重与物理机理进行关联分析。图SEQ图\*ARABIC1热力学仿真辅助随机森林整体框架图核心思路研究工作主要从以下三个维度展开：1.故障机理建模作者首先建立了一维热力学仿真模型，并利用DCM模块采集的实机数据进行了参数校准。图SEQ图\*ARABIC2一维柴油机模型图图SEQ图\*ARABIC3DCM模块图通过参数微调法，团队模拟了缸盖开裂（F1）、活塞烧蚀（F2）、缸套磨损（F3）、活塞环磨损（F4）和活塞环粘着（F5）五类典型故障。故障类型物理机制建模实现F1：气缸盖裂纹热传导受阻将气缸盖表面温度提升至346C°F2:活塞烧蚀材料缺损与密封失效提高活塞温度+轻微窜气F3:缸套磨损磨损导致缸径增大增大缸径+大量窜气F4:活塞环磨损气体泄漏调节窜气质量流量F5:活塞环粘着摩擦力增大与密封失效缸径变化+缸套温度升高+窜气这种方法避开了复杂的微观材料特性分析，通过宏观热力学参数的变化规律，提高了获取样本数据的效率。2.基于TreeSHAP的特征筛选在众多的监测参数中，并非所有变量都具有等同的诊断价值。团队引入了TreeSHAP方法，对14个热力学指标进行了定量化的贡献度评估。实验结果表明，通过筛选出的8个核心参数（如增压器后排气温度、缸套壁面热流、漏气热流等）训练的模型，在保持较低计算复杂度的同时，实现了99.07%的平均诊断准确率。图SEQ图\*ARABIC4特征筛选流程图3.从全局到局部的解释性分析图SEQ图\*ARABIC5(a)瀑布图；(b)蜂群图为了让诊断结果“有据可查”，TSRF提供了双维度的可视化分析：局部解释：利用瀑布图（WaterfallPlot）展示特定故障样本中，各参数如何具体影响预测结果。全局解释：通过蜂群图（BeeswarmPlot）和依赖图（DependencePlot）揭示参数间的交互作用（如P11与P12的正相关性），验证模型逻辑是否符合基本物理定律。实验观察为了验证TSRF框架的优越性，研究团队将其与传统的机器学习算法（如KNN和SVM）进行了严格的对比实验。1.诊断精度通过对比原始数据集与经过SHAP筛选后的优化子集，实验结果显示，各模型的诊断效能均有较多的提升。其中，随机森林模型在优化子集上的表现最好，平均诊断准确率达到了99.07%。图SEQ图\*ARABIC6混淆矩阵图(a)-(c)分别为KNN、SVM和RF在原始数据集上的混淆矩阵；(d)-(f)分别为KNN、SVM和RF在最优子集上的混淆矩阵从混淆矩阵中可以直观观察到，RF模型在正常状态（F0）和复杂故障（如F1缸盖裂纹）的识别上达到了相对较低的误差。虽然在Pistonring相关故障（F4与F5）的区分上存在极轻微的重叠，但考虑到两者物理特征的相似性，这种表现已超过了同类算法。2.分类稳定性在反映模型综合性能的Precision-Recall（准确率-召回率）曲线中，TSRF框架下的各故障类别曲线均向右上方靠拢，曲线下面积（AUC）趋近于1.0。这表明该框架不仅能够准确识别故障类别，且在处理类别不平衡或样本干扰时具有较强的鲁棒性。图SEQ图\*ARABIC7精确率-召回率曲线：(a)-(c)分别为KNN、SVM和RF在原始数据集上的精确率-召回率曲线；(d)-(f)分别为KNN、SVM和RF在最优子集上的精确率-召回率曲线论文信息：Luo,C.,Zhao,M.,Fu,X.,etal.ThermodynamicSimulation-assistedRandomForest:Towardsexplainablefaultdiag