可解释故障诊断的新思路：

热力学仿真辅助随机森林(TSRF)

原始文献📜:

Thermodynamic Simulation-assisted Random Forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines, Measurement, 2025.

引言

在柴油机的燃烧室故障诊断中，工程实践中长期面临以下三大严峻挑战：

1. 样本匮乏：真实故障样本的稀缺限制了深度学习模型的训练效能；
2. 机理落地难：纯物理模型因计算复杂度极高，难以满足实际工程的实时性需求；
3. 黑箱困境：传统模型往往缺乏可解释性，无法溯源故障发生的内在机理。

针对以上问题，发表在《Measurement》的论文提出了一种创新性且具实际应用潜力的方法：通过物理仿真来辅助机器学习，而不是仅依赖数据来拟合物理模型，从而提升故障诊断的可解释性与可靠性。

基于这一思路，文章提出了热力学仿真辅助随机森林，一种将热力学机理与可解释机器学习结合的燃烧室故障诊断框架。在小样本数据环境下，该方法成功实现了高诊断准确性，同时保持了与物理模型一致的结果，具有显著的工程应用价值。

热力学仿真辅助随机森林整体框架

论文提出的热力学仿真辅助随机森林（Thermodynamic Simulation-assisted Random Forest, TSRF）框架，集成了一维热力学模型、随机森林分类器与SHAP解释器，形成了一个闭环的故障诊断系统。

1. 数据生成与预处理：通过热力学仿真生成包含正常与故障工况的综合数据集，并进行必要的预处理。
2. 模型训练与验证：利用随机森林对预处理后的数据进行训练，并通过交叉验证评估模型性能。
3. 可解释性分析：应用SHAP方法对训练好的模型进行解释 ，识别关键热力学参数及其对故障诊断的贡献。

热力学仿真辅助随机森林 (TSRF) 框架示意图

一维热力学模型构建与校准

论文首先构建了一维热力学模型，模拟柴油机燃烧室的热力学行为。通过对比实验数据，作者对模型进行了精细校准，确保其能够准确反映实际工况下的热力学特性。

柴油机一维热力学模型示意图

此外，模型通过数据采集模块(Data Collection Module, DCM)获取的实测运行数据进行校准，以确保仿真输出与真实工况在关键热力学参数上保持一致。

数据采集模块 (DCM)

燃烧室典型故障的物理建模与仿真

在完成模型校准后，作者对燃烧室关键参数进行有针对性的扰动，仿真了五类典型故障，并确保每一类故障均有明确的物理机理支撑。

故障编号	故障类型	物理机制	关键参数调节
F1	缸盖裂纹	热–机械载荷导致裂纹产生，结构与散热能力退化	缸盖表面温度 TH 提升至 346 °C
F2	活塞烧蚀	材料退化引发热烧蚀，加剧窜气	活塞温度 TP 升高 + 轻微窜气（0.01 kg/s）
F3	缸套磨损	磨粒侵入导致几何变形与严重密封失效	缸径增大 + 大量窜气（0.03 kg/s）
F4	活塞环磨损	磨损变形引发密封退化，形成窜气正反馈	窜气质量流量调节（0.02 kg/s）
F5	活塞环粘着	积碳、润滑不足与油泥堆积	缸径变化 + 缸套温度升高 + 窜气

通过上述故障建模，论文生成了涵盖正常与故障工况的综合数据集，为后续机器学习提供了高质量输入。

基于RF与SHAP的特征筛选

在数据集构建完成后，作者采用随机森林（Random Forest, RF）作为主要的机器学习模型，利用其强大的分类能力对燃烧室故障进行诊断。为了提升模型的可解释性，论文引入了SHAP（SHapley Additive exPlanations）方法，对模型输出进行深入分析。

采用以下两阶段策略进行筛选：

1.随机森林预识别

• 利用 RF 学习参数与故障类型之间的映射关系；
• 根据预测得分计算各参数的边际贡献。

2.Tree SHAP 定量分析

• 计算各参数的 SHAP 值；
• 依据 SHAP 权重筛选出对诊断最具贡献、且物理意义明确的参数。

基于SHAP值的参数筛选流程

实验结果与性能评估

论文通过一系列实验验证了TSRF框架的有效性。结果显示，该方法在小样本数据环境下，依然能够实现高达95%以上的诊断准确率，显著优于传统的黑箱模型。

此外，SHAP分析揭示了各热力学参数在不同故障类型中的重要性分布，为工程实践中的故障根因分析提供了宝贵的参考。

---

了解更多

点击此处 →