打破诊断“黑箱”：热力学仿真如何辅助船用柴油机的可解释故障诊断

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

（ScienceDirect）

（包含代码、数据集）

一、高可靠性系统对透明决策的需求

轨道交通、航行安全这些关键工业领域，系统越来越复杂、集成度越来越高。技术人员面对一个“黑箱”式的诊断结果，很难贸然采信——尤其是当这个结果缺乏物理层面的依据时。船用柴油机作为核心动力设备，可靠性设计冗余极高，实际运行中重大故障数据少得可怜。传统方法既有样本数据与物理模型融合的难题，又有解释特征决策过程的短板。2025年

期刊上的一项研究，提出了方法，试图在故障样本获取与结果可解释性之间找到平衡，给复杂系统的智能运维提供了一条备选路径。

二、ThermoRF 架构：物理模型与数据驱动的融合

整个诊断框架可以理解为“模型数据协同”，主要包含四个核心阶段：

1.热力学建模与校准

先搭建柴油机的一维热力学模型，用它来模拟故障状态、生成训练数据。通过与真实航行数据校准，模型参数偏差控制在5%以内，仿真环境的可靠性有保障。下图就是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）五种典型故障。实际运维中这些数据很难拿到，仿真算是解了燃眉之急。下表是各故障状态的细节。

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。优化后的特征子集，能有效提升诊断效率。下图为基于SHAP的参数选择过程。

4.智能故障识别

优化后的子集送入随机森林（RF）分类器。实验数据很亮眼：RF平均准确率高达99.07%，明显优于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

这项研究的核心价值在于，让故障判定的逻辑不再是一团迷雾。它实现了两个层面的可解释性分析：

1.局部尺度解释

用瀑布图直观展示模型对单个样本的决策逻辑。比如，通过捕捉窜气热流（P06）与质量流量（P07）的特定异常，能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

蜂群图、交互图及依赖图从整体层面提炼核心指标。分析发现，“窜气导致涡轮前排气压力（P11）降低”等深层物理联系，这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 方法把物理建模和数据驱动的优势结合得不错：故障诊断精度提上去了，双尺度分析又给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，意义不小。

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.