活塞环黏着是重型柴油机燃烧室组件的典型严重故障之一，主要由于过量积碳堆积、润滑油膜破坏及油泥沉积阻碍活塞环在环槽内的径向与轴向自由浮动，导致密封失效并引起活塞与缸套界面的热阻增加及异常干摩擦。针对该类燃烧室部件故障，发表于《Measurement》的研究《Thermodynamic simulation-assisted random forest: Towards explainable fault diagnosis of combustion chamber components of marine diesel engines》提出了一种融合一维热力学仿真与随机森林算法的可解释故障诊断方法。该方法基于热力学机理构建故障仿真先验知识，通过精细化调整关键物理边界参数来模拟活塞环黏着等故障工况，并结合可解释机器学习方法实现多维度特征筛选、故障分类与决策机制的物理溯源。
在一维热力学仿真建模阶段，研究建立了涵盖进排气管路、涡轮增压器、中冷器以及多缸燃烧室的柴油机整机一维气体动力学与热力学模型。针对活塞环黏着这一特定故障机理，研究通过调整气缸内径尺寸、缸套表面温度以及漏气质量流量三项核心参数进行故障映射。模型中增大气缸内径以表征环与缸套严重摩擦导致的局部磨损与拉缸倾向，提高壁面温度以体现因活塞环导热能力丧失而导致的接触热阻增大和活塞表面热量积聚，同时设定异常的漏气质量流量以反映气环密封性能退化后的窜气行为，从而在热力学系统级响应中复现活塞环黏着的动力学演变过程。
针对热力学仿真输出的大量连续循环热力学参数，研究利用Tree SHAP算法对活塞环黏着及其他燃烧室工况下的参数重要性进行量化筛选。仿真输出覆盖了气缸压力、缸内温度、活塞与缸套壁面热流、窜气热流与质量流量、涡轮进出口温度及压力等14种热力学状态变量。通过计算各参数在不同子集组合下的边际贡献期望，Tree SHAP对各状态参数与活塞环黏着故障的关联显著性进行打分排序，剔除对故障区分度低的冗余变量，最终提取出对活塞环黏着状态敏感的窜气热流、窜气质量流量、气缸套壁面热流、增压器前后排气温压等关键特征子集，作为后续故障识别的核心数据输入。
在故障诊断模型构建中，研究采用随机森林作为基分类器来识别活塞环黏着等多种燃烧室状态。连续的热力学仿真特征经离散化处理后，输入由多棵独立决策树组成的随机森林中，利用集成学习的结构优势处理多工况下参数间的复杂非线性映射。模型通过网格搜索与五折交叉验证进行超参数优化配置，在节点分裂过程中依据基尼系数等特征重要性指标持续评估各输入特征对活塞环黏着故障与其他活塞环/缸套类故障的判别权重，进而输出最终的集成投票分类结果。
为打开机器学习模型的黑箱并验证活塞环黏着诊断决策与物理热力学定律的一致性，研究通过SHAP瀑布图、蜂群图及交互依存图开展了局部与全局层面的双重可解释性分析。在单样本局部解释中，瀑布图追踪了窜气热流、排气温度等各参数偏离基线对判定为活塞环故障的正负向贡献，验证其实际数值与物理仿真先验的一致度。在全局解释层面，蜂群图与依赖图清晰展示了窜气流量参数变化、排气系统压力与温度的耦合下降趋势对模型决策倾向的影响规律，从特征交互与边际效应的角度揭示了模型识别活塞环黏着故障的内部机理逻辑，建立了数据驱动决策与柴油机物理热力学机理之间的对应关系。
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.
