船舶柴油机燃烧室中的活塞环磨损主要由缸内磨粒杂质导致的摩擦损耗引起，进而造成活塞环端面形状变形并破坏气缸密封性，加剧高温高压气体的窜气现象。论文《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》针对活塞环磨损等燃烧室关键部件故障，提出了一种热力学仿真辅助随机森林的可解释故障诊断方法。该技术通过将物理层面的热力学机理知识与数据驱动的机器学习模型相结合，构建了一套包含活塞环磨损参数微调模拟、关键热力学参数重要度筛选以及双尺度可解释性分析的诊断架构。
针对活塞环磨损的物理退化特性，该方法首先构建了涵盖进排气管路、增压器、中冷器及多气缸的柴油机一维热力学仿真模型，并利用实船采集的运行数据完成基准模型的校准。在建立活塞环磨损故障模型时，技术方案通过受控调节窜气质量流量参数来模拟密封失效机制，复现磨损发生后气缸内的气体泄漏与热流分布状态，从而获取活塞环磨损在全工作循环中对应的压力、温度、壁面热流及排气状态等一系列连续的热力学参数响应数据。
在提取活塞环磨损工况下的多维热力学响应后，技术流程对连续变量进行离散化切分，并利用基于树结构的沙普利加性解释方法计算各热力学参数对活塞环磨损识别的边际贡献。该步骤对各参数的重要性权重进行量化排序，评估不同热力学变量在活塞环磨损状态下的正负向影响与累积贡献，进而剔除无关冗余变量，筛选出以增压器后排气温度、气缸套壁面热流、窜气热流、窜气质量流及增压器前排气温压等为核心的热力学特征子集。
将优化后的热力学特征子集输入随机森林分类器中，利用多棵独立决策树对样本特征进行多层次划分与集成表决，实现对活塞环磨损状态的分类判别。针对活塞环磨损与活塞环卡死等同属于活塞环运动副且物理响应具有一定相似性的故障类型，随机森林基于基尼指数寻找最优节点分裂路径，从多维特征空间中挖掘活塞环磨损所特有的窜气演化和热传导规律，完成对正常工况及活塞环磨损等状态的分类定位。
为了阐明模型判定活塞环磨损的内部决策机制，研究引入了局部与全局相结合的归因解释方法。在单样本层面，瀑布图量化给出了各热力学参数对活塞环磨损判定概率的推拉效应；在全局层面，蜂群图与依赖图揭示了增压器前排气压力、温度以及窜气热流、窜气质量流等参数在活塞环磨损识别中的主导作用，并可视化呈现了参数间的耦合交互影响，使数据驱动模型的决策逻辑与活塞环磨损导致窜气加剧的热力学物理机制形成严密对应。
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.
