在船舶柴油机的运维管理中，燃烧室部件处于高温、高压的严苛工况，属于故障多发区域。针对实际营运中实测故障样本匮乏以及纯数据驱动诊断模型决策过程不透明的问题，近期发表的论文《Thermodynamic Simulation-assisted Random Forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》（热力学仿真辅助随机森林：面向船用柴油机燃烧室部件的可解释故障诊断）提出了一种将机理建模与集成学习相结合的混合诊断方法。
该方法通过一维热力学仿真构建故障样本库，结合随机森林算法完成分类，并引入沙普利可加性解释方法，进行模型特征筛选与物理机理归因，实现兼具工程适应性与较高透明度的状态监测。
该方法首先开展一维热力学机理建模与典型故障微调。研究基于实际船舶采集的稳态运行数据，对包含气缸、增压器、中冷器以及进排气歧管的柴油机物理模型进行校准，确保基准状态下的热力学参数具备较为可靠的物理对照性。
在此基础上，研究人员避开耗时较长、过程复杂的微观材料退化模拟，通过调整热力学关键边界参数来实现宏观故障特征的复现：分别针对缸盖开裂、活塞烧蚀、缸套磨损、活塞环磨损和活塞环卡死五类常见燃烧室故障，对应调整缸盖表面温度、活塞表面温度、气缸内径尺寸以及燃气窜气泄漏量等参数，快速构建覆盖不同退化状态的热力学故障数据集。
对于连续变化的热力学时序状态，数据处理环节聚焦于特征表征与离散化转换。仿真计算涵盖气缸压力、缸内温度、活塞壁面热流、缸盖壁面热流、缸套壁面热流、窜气热流、窜气质量流量及增压器前后温压等典型参数随曲轴转角的变化过程。
由于树模型在处理连续型变量时依赖于特征空间的阈值划分，研究中通过计算不同划分点的信息增益，对连续的温度、压力与热流参数进行自适应离散化处理，为后续基于决策树集成的分类任务建立了合规的输入格式。
在特征降维与敏感参数提取阶段，该方案采用了面向树模型的树形沙普利解释算法。传统特征选择方法多依赖单一统计量或模型权重，难以全面反映变量间非线性耦合与边际贡献。
该技术通过沿决策树的判定路径追踪特征边际增量，计算各热力学参数在不同故障分类中的平均边际贡献度，进而依据累积贡献率筛选出核心参数子集。
增压器后排气温度、缸套壁面热流、窜气热流与窜气质量流量等指标被定量证实与燃烧室状态退化高度相关，基于这些关键指标构建紧凑特征集，降低了后续模式识别的数据维度。
可解释性分析构成了该诊断体系的另一关键闭环，其借助局部与全局两个层面的可视化工具，让数据驱动模型的预测逻辑得以与热力学物理规律直接互证。在局部单样本层面，瀑布图清晰展示了单个样本由基准期望值推演至最终输出的各个参数正负贡献路径；在全局层面，蜂群图刻画了所有样本在不同特征取值下的分布漂移，依赖图与交互图则进一步反映了多参数间的协同影响机制。
例如在分析活塞环磨损故障时，增压器前进气压力与温度的正相关关系、以及窜气热流与窜气量对分类判定的主导抑制效应，均能与实际气密性受损导致的热力学响应吻合。
综上所述，该项研究展示了一条机理模型与机器学习在设备故障诊断中深度协同的可行路径。通过物理仿真弥补实操现场故障数据稀缺的短板，同时利用解释工具解构随机森林的判定逻辑，使原本难以透视的模型输出转化为符合热力学规律的具体工程指标。
这一思路为后续拓展至变海况运行环境、多故障劣化程度递进分析以及融合更精细燃烧机理的模型开发提供了较好的参考。
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.
https://www.sciencedirect.com/science/article/pii/S0263224125006116
)
