論文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了熱力學仿真輔助隨機森林Thermodynamic Simulation-assisted Random ForestTSRF方法用于船舶柴油機燃燒室部件故障診斷。其基本思路是先建立并校準一維熱力學模型根據(jù)不同故障機理調(diào)整關鍵參數(shù)進行故障仿真再從仿真結果中篩選具有診斷意義的熱力學參數(shù)最后利用隨機森林完成故障分類并通過 SHAP 分析模型的判斷依據(jù)。將這一技術路線抽象到高端裝備場景可以把隨機森林看作連接機理模型與故障決策的診斷模塊。需要說明的是論文研究對象是船舶柴油機燃燒室部件因此“高端裝備控診協(xié)同”屬于對方法結構的工程化概括并非論文已經(jīng)完成跨裝備驗證。圖1展示了 TSRF 從熱力學建模、故障仿真、參數(shù)篩選到隨機森林診斷和模型解釋的完整流程。1. 技術路線先用機理構造故障信息高端裝備故障樣本通常比較有限嚴重故障尤其難以大量采集。論文沒有完全依賴真實故障數(shù)據(jù)而是先建立柴油機一維熱力學模型并用實際運行數(shù)據(jù)進行校準隨后根據(jù)不同燃燒室故障的物理機制對模型中的關鍵參數(shù)進行調(diào)整從而生成不同故障狀態(tài)下的系統(tǒng)響應。論文考慮了正常狀態(tài)以及缸蓋裂紋、活塞燒蝕、氣缸套磨損、活塞環(huán)磨損和活塞環(huán)卡滯五類故障。不同故障采用不同參數(shù)進行模擬例如缸蓋裂紋主要通過缸蓋表面溫度表征活塞燒蝕考慮活塞表面溫度和竄氣質(zhì)量流量氣缸套及活塞環(huán)相關故障則主要通過缸徑、竄氣和溫度等參數(shù)變化體現(xiàn)。其核心原則是讓仿真參數(shù)變化盡可能對應具體失效機理而不是簡單人為改變故障標簽。圖2展示了柴油機一維熱力學模型及其主要系統(tǒng)組成。對于高端裝備這一步可以理解為“用機理模型構造診斷數(shù)據(jù)”。只要裝備具有相對明確的物理規(guī)律就可以先分析故障如何影響系統(tǒng)響應再把這些響應交給機器學習模型進行分類。2. 隨機森林承擔故障狀態(tài)分類TSRF 中的隨機森林不是直接處理未經(jīng)篩選的原始信號而是處理經(jīng)過熱力學仿真和參數(shù)選擇后的診斷特征。論文選擇隨機森林主要考慮其適合多類別分類、對樣本規(guī)模要求相對有限同時能夠處理多參數(shù)之間的非線性劃分關系。隨機森林由多棵決策樹組成各樹分別進行分類最后通過集成方式得到結果。其基本思想可以簡單表示為y ^ mode ? { T 1 ( x ) , T 2 ( x ) , … , T B ( x ) } \hat y\operatorname{mode}\{T_1(x),T_2(x),\ldots,T_B(x)\}y^?mode{T1?(x),T2?(x),…,TB?(x)}其中最終類別由多棵決策樹的投票結果決定。在論文中熱力學參數(shù)是連續(xù)變量需要經(jīng)過相應的離散化或節(jié)點劃分后進入決策樹。這樣隨機森林主要承擔的是“多參數(shù)狀態(tài)特征→故障類別”的映射而不是從原始數(shù)據(jù)中獨立完成全部特征學習。從控診協(xié)同角度看可以把它理解為前端機理模型描述設備在不同運行狀態(tài)下的響應隨機森林根據(jù)這些狀態(tài)特征完成健康狀態(tài)判斷。3. 參數(shù)篩選利用 SHAP 縮減診斷輸入熱力學模型能夠產(chǎn)生較多參數(shù)但并不是每個參數(shù)都適合用于故障診斷。參數(shù)過多會增加監(jiān)測成本也會增加模型解釋難度。因此論文在隨機森林基礎上引入 Tree SHAP對候選參數(shù)進行篩選。整體過程為熱力學故障仿真 → 候選參數(shù) → 隨機森林預識別 → Tree SHAP分析 → 參數(shù)篩選 → 隨機森林重新診斷。論文最終保留了一組核心熱力學參數(shù)包括增壓器前后排氣壓力與溫度、竄氣質(zhì)量流量、竄氣熱流以及活塞、缸套和缸蓋壁面熱流等。圖3展示了從熱力學仿真參數(shù)到隨機森林預識別、SHAP分析和最終參數(shù)集的篩選過程。SHAP 的一個特點是它不僅可以提供特征重要性還可以說明特征對具體預測的貢獻方向。對于單個樣本可以把模型輸出理解為基準值加上各參數(shù)貢獻f ( x ) ? 0 ∑ i ? i f(x)\phi_0\sum_i\phi_if(x)?0?i∑??i?這里的重點不是公式本身而是它提供了一種統(tǒng)一方式把一次具體診斷結果拆解到各個參數(shù)上。4. Tree SHAP解釋隨機森林的診斷依據(jù)隨機森林由多棵樹組成直接分析大量樹結構并不適合工程診斷因此論文采用 Tree SHAP 對模型進行解釋。Tree SHAP 利用樹模型的分支結構計算特征貢獻相比直接枚舉所有特征組合更適合樹模型。論文從兩個尺度進行解釋。局部解釋面向單個樣本通過 waterfall plot 查看各參數(shù)對當前故障判斷的正負影響。全局解釋面向整個故障類別通過 beeswarm plot 分析不同參數(shù)在大量樣本中的貢獻分布并進一步利用 SHAP 交互值和 dependence plot 分析參數(shù)之間的關系。這種解釋方式的意義在于診斷系統(tǒng)不僅能夠輸出“是什么故障”還可以進一步說明“哪些熱力學參數(shù)促成了這個判斷”。但需要注意SHAP 表示的是參數(shù)對機器學習模型預測的貢獻不應直接等同于嚴格的物理因果關系最終的工程解釋仍需要結合熱力學模型和故障機理進行核對。圖4展示了單樣本 waterfall、全局 beeswarm、參數(shù)交互及 dependence 分析。5. “機理模型 隨機森林 SHAP”的控診協(xié)同思路把論文的方法壓縮后可以得到一條比較清晰的診斷鏈運行數(shù)據(jù) → 機理模型校準 → 故障機理參數(shù)化 → 故障仿真 → 診斷參數(shù)篩選 → 隨機森林分類 → SHAP解釋。其中機理模型解決“故障如何影響裝備狀態(tài)”的問題隨機森林解決“這些狀態(tài)特征對應什么故障”的問題SHAP解決“模型為什么這樣判斷”的問題。如果推廣到其他高端裝備可以把這一框架理解為控制/運行條件 → 裝備機理響應 → 診斷特征 → 隨機森林 → 健康狀態(tài)判斷。這里的“控診協(xié)同”主要體現(xiàn)在運行條件和裝備機理被納入診斷特征形成過程而不是把隨機森林直接作為控制器的一部分。例如在熱力系統(tǒng)中可以使用溫度、壓力和流量等機理參數(shù)在旋轉裝備中可以使用轉速、載荷以及與能量傳遞和摩擦相關的狀態(tài)參數(shù)在液壓系統(tǒng)中可以使用壓力、流量和執(zhí)行器狀態(tài)等信息。具體參數(shù)必須根據(jù)裝備故障機理重新確定不能直接照搬柴油機中的參數(shù)體系。6. 工程應用時的關鍵問題這類方法真正落地時首先要解決的是機理模型與真實設備的一致性。論文利用實際運行數(shù)據(jù)對正常工況進行了模型校準但也明確指出故障參數(shù)范圍仍需要進一步優(yōu)化。其次是故障嚴重程度。論文目前主要建立若干代表性健康狀態(tài)后續(xù)還需要進一步研究同一故障不同嚴重程度對應的參數(shù)變化。另外仿真數(shù)據(jù)不能自動替代真實故障數(shù)據(jù)。真實設備還存在傳感器特性、環(huán)境變化、部件磨損和測量噪聲等因素因此從仿真診斷走向?qū)嶋H部署仍需要持續(xù)進行實測驗證。7. 總結TSRF 的核心并不是單獨使用隨機森林而是把隨機森林放在一個由物理模型和可解釋分析共同支撐的診斷鏈條中。機理模型負責構造和約束故障信息隨機森林負責多參數(shù)故障分類SHAP負責特征篩選與結果解釋。對于具有明確物理機理、真實故障樣本有限、同時需要較強可解釋性的高端裝備這種方法可以作為一種控診協(xié)同故障診斷的技術框架。其推廣的關鍵不在于直接復制隨機森林參數(shù)而在于重新建立“運行條件—物理響應—故障特征—診斷結果”之間的對應關系。同時需要明確論文目前的主要驗證基礎是船舶柴油機燃燒室故障仿真數(shù)據(jù)作者也將不同運行環(huán)境、故障嚴重度以及更復雜熱力學模型作為后續(xù)研究方向。因此面向其他高端裝備時應將該方法視為一種機理輔助的診斷建模思路而不是已經(jīng)普遍驗證的統(tǒng)一算法。原文出處Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines. Measurement, 251 (2025), 117252. DOI: 10.1016/j.measurement.2025.117252. 熱力學仿真輔助隨機森林（TSRF）：船用柴油機燃燒室部件的可解釋故障診斷
論文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了熱力學仿真輔助隨機森林Thermodynamic Simulation-assisted Random ForestTSRF方法用于船舶柴油機燃燒室部件故障診斷。其基本思路是先建立并校準一維熱力學模型根據(jù)不同故障機理調(diào)整關鍵參數(shù)進行故障仿真再從仿真結果中篩選具有診斷意義的熱力學參數(shù)最后利用隨機森林完成故障分類并通過 SHAP 分析模型的判斷依據(jù)。將這一技術路線抽象到高端裝備場景可以把隨機森林看作連接機理模型與故障決策的診斷模塊。需要說明的是論文研究對象是船舶柴油機燃燒室部件因此“高端裝備控診協(xié)同”屬于對方法結構的工程化概括并非論文已經(jīng)完成跨裝備驗證。圖1展示了 TSRF 從熱力學建模、故障仿真、參數(shù)篩選到隨機森林診斷和模型解釋的完整流程。1. 技術路線先用機理構造故障信息高端裝備故障樣本通常比較有限嚴重故障尤其難以大量采集。論文沒有完全依賴真實故障數(shù)據(jù)而是先建立柴油機一維熱力學模型并用實際運行數(shù)據(jù)進行校準隨后根據(jù)不同燃燒室故障的物理機制對模型中的關鍵參數(shù)進行調(diào)整從而生成不同故障狀態(tài)下的系統(tǒng)響應。論文考慮了正常狀態(tài)以及缸蓋裂紋、活塞燒蝕、氣缸套磨損、活塞環(huán)磨損和活塞環(huán)卡滯五類故障。不同故障采用不同參數(shù)進行模擬例如缸蓋裂紋主要通過缸蓋表面溫度表征活塞燒蝕考慮活塞表面溫度和竄氣質(zhì)量流量氣缸套及活塞環(huán)相關故障則主要通過缸徑、竄氣和溫度等參數(shù)變化體現(xiàn)。其核心原則是讓仿真參數(shù)變化盡可能對應具體失效機理而不是簡單人為改變故障標簽。圖2展示了柴油機一維熱力學模型及其主要系統(tǒng)組成。對于高端裝備這一步可以理解為“用機理模型構造診斷數(shù)據(jù)”。只要裝備具有相對明確的物理規(guī)律就可以先分析故障如何影響系統(tǒng)響應再把這些響應交給機器學習模型進行分類。2. 隨機森林承擔故障狀態(tài)分類TSRF 中的隨機森林不是直接處理未經(jīng)篩選的原始信號而是處理經(jīng)過熱力學仿真和參數(shù)選擇后的診斷特征。論文選擇隨機森林主要考慮其適合多類別分類、對樣本規(guī)模要求相對有限同時能夠處理多參數(shù)之間的非線性劃分關系。隨機森林由多棵決策樹組成各樹分別進行分類最后通過集成方式得到結果。其基本思想可以簡單表示為y ^ mode ? { T 1 ( x ) , T 2 ( x ) , … , T B ( x ) } \hat y\operatorname{mode}\{T_1(x),T_2(x),\ldots,T_B(x)\}y^?mode{T1?(x),T2?(x),…,TB?(x)}其中最終類別由多棵決策樹的投票結果決定。在論文中熱力學參數(shù)是連續(xù)變量需要經(jīng)過相應的離散化或節(jié)點劃分后進入決策樹。這樣隨機森林主要承擔的是“多參數(shù)狀態(tài)特征→故障類別”的映射而不是從原始數(shù)據(jù)中獨立完成全部特征學習。從控診協(xié)同角度看可以把它理解為前端機理模型描述設備在不同運行狀態(tài)下的響應隨機森林根據(jù)這些狀態(tài)特征完成健康狀態(tài)判斷。3. 參數(shù)篩選利用 SHAP 縮減診斷輸入熱力學模型能夠產(chǎn)生較多參數(shù)但并不是每個參數(shù)都適合用于故障診斷。參數(shù)過多會增加監(jiān)測成本也會增加模型解釋難度。因此論文在隨機森林基礎上引入 Tree SHAP對候選參數(shù)進行篩選。整體過程為熱力學故障仿真 → 候選參數(shù) → 隨機森林預識別 → Tree SHAP分析 → 參數(shù)篩選 → 隨機森林重新診斷。論文最終保留了一組核心熱力學參數(shù)包括增壓器前后排氣壓力與溫度、竄氣質(zhì)量流量、竄氣熱流以及活塞、缸套和缸蓋壁面熱流等。圖3展示了從熱力學仿真參數(shù)到隨機森林預識別、SHAP分析和最終參數(shù)集的篩選過程。SHAP 的一個特點是它不僅可以提供特征重要性還可以說明特征對具體預測的貢獻方向。對于單個樣本可以把模型輸出理解為基準值加上各參數(shù)貢獻f ( x ) ? 0 ∑ i ? i f(x)\phi_0\sum_i\phi_if(x)?0?i∑??i?這里的重點不是公式本身而是它提供了一種統(tǒng)一方式把一次具體診斷結果拆解到各個參數(shù)上。4. Tree SHAP解釋隨機森林的診斷依據(jù)隨機森林由多棵樹組成直接分析大量樹結構并不適合工程診斷因此論文采用 Tree SHAP 對模型進行解釋。Tree SHAP 利用樹模型的分支結構計算特征貢獻相比直接枚舉所有特征組合更適合樹模型。論文從兩個尺度進行解釋。局部解釋面向單個樣本通過 waterfall plot 查看各參數(shù)對當前故障判斷的正負影響。全局解釋面向整個故障類別通過 beeswarm plot 分析不同參數(shù)在大量樣本中的貢獻分布并進一步利用 SHAP 交互值和 dependence plot 分析參數(shù)之間的關系。這種解釋方式的意義在于診斷系統(tǒng)不僅能夠輸出“是什么故障”還可以進一步說明“哪些熱力學參數(shù)促成了這個判斷”。但需要注意SHAP 表示的是參數(shù)對機器學習模型預測的貢獻不應直接等同于嚴格的物理因果關系最終的工程解釋仍需要結合熱力學模型和故障機理進行核對。圖4展示了單樣本 waterfall、全局 beeswarm、參數(shù)交互及 dependence 分析。5. “機理模型 隨機森林 SHAP”的控診協(xié)同思路把論文的方法壓縮后可以得到一條比較清晰的診斷鏈運行數(shù)據(jù) → 機理模型校準 → 故障機理參數(shù)化 → 故障仿真 → 診斷參數(shù)篩選 → 隨機森林分類 → SHAP解釋。其中機理模型解決“故障如何影響裝備狀態(tài)”的問題隨機森林解決“這些狀態(tài)特征對應什么故障”的問題SHAP解決“模型為什么這樣判斷”的問題。如果推廣到其他高端裝備可以把這一框架理解為控制/運行條件 → 裝備機理響應 → 診斷特征 → 隨機森林 → 健康狀態(tài)判斷。這里的“控診協(xié)同”主要體現(xiàn)在運行條件和裝備機理被納入診斷特征形成過程而不是把隨機森林直接作為控制器的一部分。例如在熱力系統(tǒng)中可以使用溫度、壓力和流量等機理參數(shù)在旋轉裝備中可以使用轉速、載荷以及與能量傳遞和摩擦相關的狀態(tài)參數(shù)在液壓系統(tǒng)中可以使用壓力、流量和執(zhí)行器狀態(tài)等信息。具體參數(shù)必須根據(jù)裝備故障機理重新確定不能直接照搬柴油機中的參數(shù)體系。6. 工程應用時的關鍵問題這類方法真正落地時首先要解決的是機理模型與真實設備的一致性。論文利用實際運行數(shù)據(jù)對正常工況進行了模型校準但也明確指出故障參數(shù)范圍仍需要進一步優(yōu)化。其次是故障嚴重程度。論文目前主要建立若干代表性健康狀態(tài)后續(xù)還需要進一步研究同一故障不同嚴重程度對應的參數(shù)變化。另外仿真數(shù)據(jù)不能自動替代真實故障數(shù)據(jù)。真實設備還存在傳感器特性、環(huán)境變化、部件磨損和測量噪聲等因素因此從仿真診斷走向?qū)嶋H部署仍需要持續(xù)進行實測驗證。7. 總結TSRF 的核心并不是單獨使用隨機森林而是把隨機森林放在一個由物理模型和可解釋分析共同支撐的診斷鏈條中。機理模型負責構造和約束故障信息隨機森林負責多參數(shù)故障分類SHAP負責特征篩選與結果解釋。對于具有明確物理機理、真實故障樣本有限、同時需要較強可解釋性的高端裝備這種方法可以作為一種控診協(xié)同故障診斷的技術框架。其推廣的關鍵不在于直接復制隨機森林參數(shù)而在于重新建立“運行條件—物理響應—故障特征—診斷結果”之間的對應關系。同時需要明確論文目前的主要驗證基礎是船舶柴油機燃燒室故障仿真數(shù)據(jù)作者也將不同運行環(huán)境、故障嚴重度以及更復雜熱力學模型作為后續(xù)研究方向。因此面向其他高端裝備時應將該方法視為一種機理輔助的診斷建模思路而不是已經(jīng)普遍驗證的統(tǒng)一算法。原文出處Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines. Measurement, 251 (2025), 117252. DOI: 10.1016/j.measurement.2025.117252.