在大型船舶动力系统的状态监测与健康管理中燃烧室部件如气缸盖、活塞、气缸套及活塞环长期处于高温、高压及强交变机械负荷的恶劣工况下属于典型的故障高发区域。然而受限于有限的安装空间、恶劣的缸内环境以及硬件成本工程现场无法在动力系统的所有关键位置全量布置传感器。在论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》发表于Measurement, 2025中作者提出了一种结合一维热力学机理建模与基于树结构沙普利加性解释Tree SHAP的分析框架。该研究从工程实际出发通过机理仿真生成全域热力学参数响应并从博弈论和信息论的角度量化各参数对系统深层退化状态的辨识贡献为动力系统关键状态的可观测性评估与传感器测点优化布局提供了较为严谨的技术路径。1. 动力系统全域热力学状态的机理建模与故障映射动力系统内部的状态演变遵循严格的热力学与流体力学守恒定律。对关键状态实施可观测性评估的前提是构建一个能够真实反映工况边界与状态耦合的物理基准模型。图1TSRF方法整体技术架构论文Fig.11.1 一维热力学仿真拓扑研究建立的二冲程低速柴油机一维热力学模型结构涵盖了进气与排气边界SB1、SB2、进排气歧管PL1、PL2、涡轮增压器TC1、中冷器CO1以及6个独立气缸C1–C6并布设了涵盖主要管路节点的监测点MP1–MP6。图2柴油机一维热力学模型拓扑结构论文Fig.2管路系统具体包含压气机入口管Pipe 1、中冷器进出口管Pipe 2、3、气缸进气分支管Pipes 4–9、气缸排气分支管Pipes 10–15、增压器涡轮入口管Pipe 16及排气总管Pipe 17。通过测试试验数据对进排气压力、温度及冷却水温进行校准确保基准模型能够准确复现全系统的热力学状态分布。1.2 燃烧室退化状态的参数微调表征传统材料微观退化仿真如有限元或微观动力学计算耗时长难以直接输出用于系统级测点配置的热力学全域响应。该研究将燃烧室的5种典型故障状态抽象为一维热力学系统中的集总参数扰动气缸盖开裂F1微裂纹的产生与扩展破坏了局部传热完整性引发局部导热热阻恶化表征为气缸盖表面温度边界的阶跃微调。活塞烧蚀F2活塞顶部材料的渐进性烧损导致表面热不均匀性增加同时恶化活塞-缸套密封间隙表征为活塞表面温度与漏气质量流量Blow-by mass flow的联合微调。气缸套磨损F3磨损颗粒导致的缸径增大破坏了气密封性表征为缸径参数扩张与漏气质量流量特征的改变。活塞环磨损F4端面变形与径向弹力下降加剧了气体泄漏通道主要表征为漏气质量流量参数的受控调节。活塞环卡死F5积碳与润滑失效导致活塞环丧失随动密封能力及导热功能热阻突增使活塞表面温度升高表征为缸径、缸套表面温度与漏气质量流量的三参数联合微调。2. 候选热力学状态空间与测点布设的工程约束通过上述微调机制模型可以在一个完整的发动机工作循环内输出表征动力系统热力过程的14个候选状态变量P01–P14图314个候选热力学参数在一个工作循环内的动态响应曲线论文Fig.6气缸域直接参数缸内压力P01、缸内温度P02、活塞壁面热流P03、气缸盖壁面热流P04、气缸套壁面热流P05。泄漏通道参数漏气热流P06、漏气质量流量P07。涡轮与排气系统参数涡轮功率P08、排气压力P09、排气温度P10、增压器前排气压力P11、增压器前排气温度P12、增压器后排气压力P13、增压器后排气温度P14。在工程实际中直接在运转中的大功率柴油机气缸壁面或活塞顶部全量加装高频热流传感器和动态压力传感器面临寿命短、信号引出难、标定复杂等物理可行性限制。因此必须在这14个候选参数构成的全域特征空间中量化各个参数对动力系统内部退化状态的边际贡献从而剔除冗余测点确定具备最高状态可观测性的物理传感器安装方案。3. 基于Tree SHAP的状态可观测性量化机理为了解决传统特征筛选方法如过滤式的卡方检验、包裹式的RFE以及树模型内置的Gini指数无法有效解析非线性耦合与特征间交互效应的问题该研究引入了源自合作博弈论的沙普利值Shapley value及其面向树模型的快速算法Tree SHAP。图4SHAP与Tree SHAP算法计算路径对比论文Fig.43.1 连续热力学状态的分裂信息增益分类模型以随机森林Random Forest作为基学习器。由于热力学参数温度、压力、热流等均为连续型变量首先需进行基于信息熵的最优分割离散化。对于样本集D DD及连续参数P PP取值降序排列为{ P 1 , P 2 , … , P N } \{P_1, P_2, \dots, P_N\}{P1​,P2​,…,PN​}候选分割点集合定义为相邻区间的几何中点T P { P i P i 1 2 | 1 ⩽ i ⩽ N − 1 } T_P \left\{ \frac{P_i P_{i1}}{2} \,\middle|\, 1 \leqslant i \leqslant N-1 \right\}TP​{2Pi​Pi1​​​1⩽i⩽N−1}通过最大化信息增益确定节点最佳分裂阈值Gain ( D , P ) max ⁡ t ∈ T P [ Ent ( D ) − ∑ λ ∈ { − , } ∣ D t λ ∣ ∣ D ∣ Ent ( D t λ ) ] \text{Gain}(D, P) \max_{t \in T_P} \left[ \text{Ent}(D) - \sum_{\lambda \in \{-, \}} \frac{|D_t^\lambda|}{|D|} \text{Ent}(D_t^\lambda) \right]Gain(D,P)t∈TP​max​​Ent(D)−λ∈{−,}∑​∣D∣∣Dtλ​∣​Ent(Dtλ​)​3.2 边际贡献与加性属性分解在博弈论框架下某热力学状态参数i ii被引入参数子集S SSS ⊆ N ∖ { i } S \subseteq N \setminus \{i\}S⊆N∖{i}时的边际贡献定义为Δ v a l ( i , S ) f ( S ∪ { i } ) − f ( S ) \Delta_{val}(i, S) f(S \cup \{i\}) - f(S)Δval​(i,S)f(S∪{i})−f(S)参数i ii的全域平均增量贡献即 SHAP 值ϕ i \phi_iϕi​表示为所有可能子集排列的加权和ϕ i ∑ S ⊆ N ∖ { i } ∣ S ∣ ! ( p − ∣ S ∣ − 1 ) ! p ! Δ v a l ( i , S ) \phi_i \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!\,(p - |S| - 1)!}{p!} \Delta_{val}(i, S)ϕi​S⊆N∖{i}∑​p!∣S∣!(p−∣S∣−1)!​Δval​(i,S)模型的最终输出可严格分解为各参数 SHAP 值的线性叠加f ( S ) ϕ 0 ∑ i 1 M ϕ i f(S) \phi_0 \sum_{i1}^M \phi_if(S)ϕ0​i1∑M​ϕi​式中ϕ 0 \phi_0ϕ0​为无输入状态下的基线期望值。3.3 面向集成树的路径优化计算Tree SHAP传统 SHAP 值的精确计算在特征维度增加时面临指数级组合爆炸。Tree SHAP 利用随机森林中单棵决策树的层次结构仅沿满足判定规则的决策路径递归计算边际期望将组合复杂度压缩至与树深度和节点数相关的多项式级别ϕ i ∑ j 1 T ∑ S ⊆ P j ∖ { i } ∣ S ∣ ! ( p − ∣ S ∣ − 1 ) ! p ! Δ v a l ( P j , i , S ) \phi_i \sum_{j1}^T \sum_{S \subseteq P_j \setminus \{i\}} \frac{|S|!\,(p - |S| - 1)!}{p!} \Delta_{val}(P_j, i, S)ϕi​j1∑T​S⊆Pj​∖{i}∑​p!∣S∣!(p−∣S∣−1)!​Δval​(Pj​,i,S)式中T TT为决策树总量P j P_jPj​为第j jj棵树中包含参数i ii的判定路径集合。4. 全局贡献度评估与最优传感器测点子集提取基于Tree SHAP对多工况下6种健康状态F0–F5的全局敏感性分析论文给出了14个热力学参数对系统状态辨识的贡献度分布。图5基于SHAP值的热力学参数贡献度分析论文Fig.74.1 核心状态参数的筛选从均值SHAP柱状图及累积百分比分布中可以看出全域参数的重要性呈现出明显的梯度分化。按照综合重要性排序前8个核心参数构成了高可观测性子集P14增压器后排气温度Temperature of Exhaust Gas after TurbochargerP05气缸套壁面热流Liner Wall Heat FlowP06漏气热流Blow-By Heat FlowP07漏气质量流量Blow-By Mass FlowP11增压器前排气压力Pressure of Exhaust Gas before TurbochargerP12增压器前排气温度Temperature of Exhaust Gas before TurbochargerP03活塞壁面热流Piston Wall Heat FlowP04气缸盖壁面热流Head Wall Heat Flow而其余变量如涡轮功率 P08、排气压力 P09、排气温度 P10、气缸压力 P01、气缸温度 P02 及增压器后排气压力 P13对整体状态分类的增量增益较低被判定为可剔除的冗余或弱相关变量。图6不同特征选择方法筛选出的参数子集对比论文Fig.104.2 测点布局降维的工程映射从物理测点布局角度审视上述筛选结果具有明确的工程指导价值关键外场宏观测点得到凸显增压器进出口的热力状态P11、P12、P14作为涡轮做功和全机扫排气过程的总能量汇对缸内燃烧与流动异常具有高度的宏观集成放大效应。此类测点布设在管路外部环境恶劣程度远低于缸内具有极高的工程可行性与长期运行可靠性。次表面与窜气通道状态具有关键物理表征活塞环及缸套退化在物理上直接诱发窜气量的增大与热传导界面的破坏。因此监测漏气相关的流动参数P06、P07以及缸套边界的热流状态P05能够提供直接反映密封面完整性的高敏感状态信息。5. 多尺度可解释性验证与参数耦合物理机制为确保所选测点不仅在统计上具备区分度且在物理机理上符合热力学演变规律研究以活塞环磨损F4为例展开了局部样本与全局分布的双尺度归因分析。图7活塞环磨损F4状态下的SHAP多尺度可解释性分析论文Fig.115.1 局部样本决策轨迹Waterfall Plot图7(a)瀑布图展示了单一样本输入时的参数贡献方向与强度底部以基线期望值E [ f ( x ) ] E[f(x)]E[f(x)]开始水平条带直观展示了各个参数在具体采样时刻推高红色或拉低蓝色模型判定置信度的定量过程。机理对比表明当某些测点采集到的瞬态值出现与先验故障机制矛盾的异常漂移时例如活塞环磨损导致窜气增强理论上会推高排气与壁面热流相关参数SHAP值在局部呈现负向抵消作用。这为测点现场的数据合理性校验提供了因果链条支持。5.2 全局参数指向性分布Beeswarm Plot图7(b)的蜂群图通过点的空间散布与颜色梯度刻画了全量样本在不同状态参数取值下的响应规律对于活塞环磨损状态P11增压器前排气压力、P12增压器前排气温度、P07漏气质量流量和 P06漏气热流的低值分布集中落在正向SHAP贡献区。这一现象的物理原因为当活塞环磨损诱发严重窜气时膨胀做功阶段有效工质减少排入增压器前歧管的能量受到削弱导致增压器前压力与温度P11、P12相较于其他工况表现出相对抑制从而成为模型锁定该类故障的关键征兆。5.3 参数间二阶交互机理SHAP Interaction Analysis参数之间并非独立发挥作用。通过计算SHAP交互值SHAP Interaction Values图7©和图7(d)解析了关键参数对之间的协同机制P11与P12的正相关交互作为增压器入口的共轭热力状态排气压力与排气温度在膨胀与流变过程中高度耦合。依赖图显示两者呈现同步偏离基准值的物理协同作用。P06与P07的共生表征漏气热流与漏气质量流量共同构成了密封面失效引起的气体泄漏边界二者在指示活塞环密封完整性时表现出一致的联合敏感区间。这种交互分析有效验证了所筛选的参数集合不存在单纯的统计虚假相关而是各自承载了动力系统不同流动与传热维度的非退化物理动力学特征。6. 总结在大型动力系统的设计与运维过程中全域物理建模与算法可解释性工具的结合为解决“测点有限”与“状态多维”之间的矛盾提供了较为可行的工程路径状态空间全域映射借助经过试验标定的一维热力学仿真将难以直接连续实测的微观配合面劣化过程映射为宏观全域热力学参数的时域动态波形。定量灵敏度归因基于 Tree SHAP 严格的博弈论加性分配准则打破传统特征工程中“黑箱式”或“孤立式”评估的局限定量计算全域候选测点对不同退化状态的边际贡献。测点优化与物理闭环通过剔除低贡献与冗余参数将全系统监测聚焦于增压器进出口能量状态及窜气传热边界等核心位置在最小化测点配置规模的同时在一定程度上保证了动力系统关键内部状态的可观测性与物理因果链条的完整性。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/abs/pii/S0263224125006116