仿真輔助隨機(jī)森林（TSRF）：船用柴油機(jī)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(xué)仿真輔助隨機(jī)森林Thermodynamic Simulation-assisted Random ForestTSRF方法用于船舶柴油機(jī)燃燒室部件故障診斷。其基本思路是先建立并校準(zhǔn)一維熱力學(xué)模型根據(jù)不同故障機(jī)理調(diào)整關(guān)鍵參數(shù)進(jìn)行故障仿真再?gòu)姆抡娼Y(jié)果中篩選具有診斷意義的熱力學(xué)參數(shù)最后利用隨機(jī)森林完成故障分類(lèi)并通過(guò) SHAP 分析模型的判斷依據(jù)。將這一技術(shù)路線抽象到高端裝備場(chǎng)景可以把隨機(jī)森林看作連接機(jī)理模型與故障決策的診斷模塊。需要說(shuō)明的是論文研究對(duì)象是船舶柴油機(jī)燃燒室部件因此“高端裝備控診協(xié)同”屬于對(duì)方法結(jié)構(gòu)的工程化概括并非論文已經(jīng)完成跨裝備驗(yàn)證。圖1展示了 TSRF 從熱力學(xué)建模、故障仿真、參數(shù)篩選到隨機(jī)森林診斷和模型解釋的完整流程。1. 技術(shù)路線先用機(jī)理構(gòu)造故障信息高端裝備故障樣本通常比較有限嚴(yán)重故障尤其難以大量采集。論文沒(méi)有完全依賴真實(shí)故障數(shù)據(jù)而是先建立柴油機(jī)一維熱力學(xué)模型并用實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行校準(zhǔn)隨后根據(jù)不同燃燒室故障的物理機(jī)制對(duì)模型中的關(guān)鍵參數(shù)進(jìn)行調(diào)整從而生成不同故障狀態(tài)下的系統(tǒng)響應(yīng)。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(lèi)故障。不同故障采用不同參數(shù)進(jìn)行模擬例如缸蓋裂紋主要通過(guò)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(guān)故障則主要通過(guò)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(duì)應(yīng)具體失效機(jī)理而不是簡(jiǎn)單人為改變故障標(biāo)簽。圖2展示了柴油機(jī)一維熱力學(xué)模型及其主要系統(tǒng)組成。對(duì)于高端裝備這一步可以理解為“用機(jī)理模型構(gòu)造診斷數(shù)據(jù)”。只要裝備具有相對(duì)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(yīng)再把這些響應(yīng)交給機(jī)器學(xué)習(xí)模型進(jìn)行分類(lèi)。2. 隨機(jī)森林承擔(dān)故障狀態(tài)分類(lèi)TSRF 中的隨機(jī)森林不是直接處理未經(jīng)篩選的原始信號(hào)而是處理經(jīng)過(guò)熱力學(xué)仿真和參數(shù)選擇后的診斷特征。論文選擇隨機(jī)森林主要考慮其適合多類(lèi)別分類(lèi)、對(duì)樣本規(guī)模要求相對(duì)有限同時(shí)能夠處理多參數(shù)之間的非線性劃分關(guān)系。隨機(jī)森林由多棵決策樹(shù)組成各樹(shù)分別進(jìn)行分類(lèi)最后通過(guò)集成方式得到結(jié)果。其基本思想可以簡(jiǎn)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(lèi)別由多棵決策樹(shù)的投票結(jié)果決定。在論文中熱力學(xué)參數(shù)是連續(xù)變量需要經(jīng)過(guò)相應(yīng)的離散化或節(jié)點(diǎn)劃分后進(jìn)入決策樹(shù)。這樣隨機(jī)森林主要承擔(dān)的是“多參數(shù)狀態(tài)特征→故障類(lèi)別”的映射而不是從原始數(shù)據(jù)中獨(dú)立完成全部特征學(xué)習(xí)。從控診協(xié)同角度看可以把它理解為前端機(jī)理模型描述設(shè)備在不同運(yùn)行狀態(tài)下的響應(yīng)隨機(jī)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(xué)模型能夠產(chǎn)生較多參數(shù)但并不是每個(gè)參數(shù)都適合用于故障診斷。參數(shù)過(guò)多會(huì)增加監(jiān)測(cè)成本也會(huì)增加模型解釋難度。因此論文在隨機(jī)森林基礎(chǔ)上引入 Tree SHAP對(duì)候選參數(shù)進(jìn)行篩選。整體過(guò)程為熱力學(xué)故障仿真 → 候選參數(shù) → 隨機(jī)森林預(yù)識(shí)別 → Tree SHAP分析 → 參數(shù)篩選 → 隨機(jī)森林重新診斷。論文最終保留了一組核心熱力學(xué)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(xué)仿真參數(shù)到隨機(jī)森林預(yù)識(shí)別、SHAP分析和最終參數(shù)集的篩選過(guò)程。SHAP 的一個(gè)特點(diǎn)是它不僅可以提供特征重要性還可以說(shuō)明特征對(duì)具體預(yù)測(cè)的貢獻(xiàn)方向。對(duì)于單個(gè)樣本可以把模型輸出理解為基準(zhǔn)值加上各參數(shù)貢獻(xiàn)f ( x ) ? 0 ∑ i ? i f(x)\phi_0\sum_i\phi_if(x)?0?i∑??i?這里的重點(diǎn)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(jié)果拆解到各個(gè)參數(shù)上。4. Tree SHAP解釋隨機(jī)森林的診斷依據(jù)隨機(jī)森林由多棵樹(shù)組成直接分析大量樹(shù)結(jié)構(gòu)并不適合工程診斷因此論文采用 Tree SHAP 對(duì)模型進(jìn)行解釋。Tree SHAP 利用樹(shù)模型的分支結(jié)構(gòu)計(jì)算特征貢獻(xiàn)相比直接枚舉所有特征組合更適合樹(shù)模型。論文從兩個(gè)尺度進(jìn)行解釋。局部解釋面向單個(gè)樣本通過(guò) waterfall plot 查看各參數(shù)對(duì)當(dāng)前故障判斷的正負(fù)影響。全局解釋面向整個(gè)故障類(lèi)別通過(guò) beeswarm plot 分析不同參數(shù)在大量樣本中的貢獻(xiàn)分布并進(jìn)一步利用 SHAP 交互值和 dependence plot 分析參數(shù)之間的關(guān)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(jìn)一步說(shuō)明“哪些熱力學(xué)參數(shù)促成了這個(gè)判斷”。但需要注意SHAP 表示的是參數(shù)對(duì)機(jī)器學(xué)習(xí)模型預(yù)測(cè)的貢獻(xiàn)不應(yīng)直接等同于嚴(yán)格的物理因果關(guān)系最終的工程解釋仍需要結(jié)合熱力學(xué)模型和故障機(jī)理進(jìn)行核對(duì)。圖4展示了單樣本 waterfall、全局 beeswarm、參數(shù)交互及 dependence 分析。5. “機(jī)理模型 隨機(jī)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(yùn)行數(shù)據(jù) → 機(jī)理模型校準(zhǔn) → 故障機(jī)理參數(shù)化 → 故障仿真 → 診斷參數(shù)篩選 → 隨機(jī)森林分類(lèi) → SHAP解釋。其中機(jī)理模型解決“故障如何影響裝備狀態(tài)”的問(wèn)題隨機(jī)森林解決“這些狀態(tài)特征對(duì)應(yīng)什么故障”的問(wèn)題SHAP解決“模型為什么這樣判斷”的問(wèn)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(yùn)行條件 → 裝備機(jī)理響應(yīng) → 診斷特征 → 隨機(jī)森林 → 健康狀態(tài)判斷。這里的“控診協(xié)同”主要體現(xiàn)在運(yùn)行條件和裝備機(jī)理被納入診斷特征形成過(guò)程而不是把隨機(jī)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(jī)理參數(shù)在旋轉(zhuǎn)裝備中可以使用轉(zhuǎn)速、載荷以及與能量傳遞和摩擦相關(guān)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(jī)理重新確定不能直接照搬柴油機(jī)中的參數(shù)體系。6. 工程應(yīng)用時(shí)的關(guān)鍵問(wèn)題這類(lèi)方法真正落地時(shí)首先要解決的是機(jī)理模型與真實(shí)設(shè)備的一致性。論文利用實(shí)際運(yùn)行數(shù)據(jù)對(duì)正常工況進(jìn)行了模型校準(zhǔn)但也明確指出故障參數(shù)范圍仍需要進(jìn)一步優(yōu)化。其次是故障嚴(yán)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(jìn)一步研究同一故障不同嚴(yán)重程度對(duì)應(yīng)的參數(shù)變化。另外仿真數(shù)據(jù)不能自動(dòng)替代真實(shí)故障數(shù)據(jù)。真實(shí)設(shè)備還存在傳感器特性、環(huán)境變化、部件磨損和測(cè)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(jìn)行實(shí)測(cè)驗(yàn)證。7. 總結(jié)TSRF 的核心并不是單獨(dú)使用隨機(jī)森林而是把隨機(jī)森林放在一個(gè)由物理模型和可解釋分析共同支撐的診斷鏈條中。機(jī)理模型負(fù)責(zé)構(gòu)造和約束故障信息隨機(jī)森林負(fù)責(zé)多參數(shù)故障分類(lèi)SHAP負(fù)責(zé)特征篩選與結(jié)果解釋。對(duì)于具有明確物理機(jī)理、真實(shí)故障樣本有限、同時(shí)需要較強(qiáng)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(shù)框架。其推廣的關(guān)鍵不在于直接復(fù)制隨機(jī)森林參數(shù)而在于重新建立“運(yùn)行條件—物理響應(yīng)—故障特征—診斷結(jié)果”之間的對(duì)應(yīng)關(guān)系。同時(shí)需要明確論文目前的主要驗(yàn)證基礎(chǔ)是船舶柴油機(jī)燃燒室故障仿真數(shù)據(jù)作者也將不同運(yùn)行環(huán)境、故障嚴(yán)重度以及更復(fù)雜熱力學(xué)模型作為后續(xù)研究方向。因此面向其他高端裝備時(shí)應(yīng)將該方法視為一種機(jī)理輔助的診斷建模思路而不是已經(jīng)普遍驗(yàn)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(xué)仿真輔助隨機(jī)森林（TSRF）：船用柴油機(jī)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(xué)仿真輔助隨機(jī)森林Thermodynamic Simulation-assisted Random ForestTSRF方法用于船舶柴油機(jī)燃燒室部件故障診斷。其基本思路是先建立并校準(zhǔn)一維熱力學(xué)模型根據(jù)不同故障機(jī)理調(diào)整關(guān)鍵參數(shù)進(jìn)行故障仿真再?gòu)姆抡娼Y(jié)果中篩選具有診斷意義的熱力學(xué)參數(shù)最后利用隨機(jī)森林完成故障分類(lèi)并通過(guò) SHAP 分析模型的判斷依據(jù)。將這一技術(shù)路線抽象到高端裝備場(chǎng)景可以把隨機(jī)森林看作連接機(jī)理模型與故障決策的診斷模塊。需要說(shuō)明的是論文研究對(duì)象是船舶柴油機(jī)燃燒室部件因此“高端裝備控診協(xié)同”屬于對(duì)方法結(jié)構(gòu)的工程化概括并非論文已經(jīng)完成跨裝備驗(yàn)證。圖1展示了 TSRF 從熱力學(xué)建模、故障仿真、參數(shù)篩選到隨機(jī)森林診斷和模型解釋的完整流程。1. 技術(shù)路線先用機(jī)理構(gòu)造故障信息高端裝備故障樣本通常比較有限嚴(yán)重故障尤其難以大量采集。論文沒(méi)有完全依賴真實(shí)故障數(shù)據(jù)而是先建立柴油機(jī)一維熱力學(xué)模型并用實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行校準(zhǔn)隨后根據(jù)不同燃燒室故障的物理機(jī)制對(duì)模型中的關(guān)鍵參數(shù)進(jìn)行調(diào)整從而生成不同故障狀態(tài)下的系統(tǒng)響應(yīng)。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(lèi)故障。不同故障采用不同參數(shù)進(jìn)行模擬例如缸蓋裂紋主要通過(guò)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(guān)故障則主要通過(guò)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(duì)應(yīng)具體失效機(jī)理而不是簡(jiǎn)單人為改變故障標(biāo)簽。圖2展示了柴油機(jī)一維熱力學(xué)模型及其主要系統(tǒng)組成。對(duì)于高端裝備這一步可以理解為“用機(jī)理模型構(gòu)造診斷數(shù)據(jù)”。只要裝備具有相對(duì)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(yīng)再把這些響應(yīng)交給機(jī)器學(xué)習(xí)模型進(jìn)行分類(lèi)。2. 隨機(jī)森林承擔(dān)故障狀態(tài)分類(lèi)TSRF 中的隨機(jī)森林不是直接處理未經(jīng)篩選的原始信號(hào)而是處理經(jīng)過(guò)熱力學(xué)仿真和參數(shù)選擇后的診斷特征。論文選擇隨機(jī)森林主要考慮其適合多類(lèi)別分類(lèi)、對(duì)樣本規(guī)模要求相對(duì)有限同時(shí)能夠處理多參數(shù)之間的非線性劃分關(guān)系。隨機(jī)森林由多棵決策樹(shù)組成各樹(shù)分別進(jìn)行分類(lèi)最后通過(guò)集成方式得到結(jié)果。其基本思想可以簡(jiǎn)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(lèi)別由多棵決策樹(shù)的投票結(jié)果決定。在論文中熱力學(xué)參數(shù)是連續(xù)變量需要經(jīng)過(guò)相應(yīng)的離散化或節(jié)點(diǎn)劃分后進(jìn)入決策樹(shù)。這樣隨機(jī)森林主要承擔(dān)的是“多參數(shù)狀態(tài)特征→故障類(lèi)別”的映射而不是從原始數(shù)據(jù)中獨(dú)立完成全部特征學(xué)習(xí)。從控診協(xié)同角度看可以把它理解為前端機(jī)理模型描述設(shè)備在不同運(yùn)行狀態(tài)下的響應(yīng)隨機(jī)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(xué)模型能夠產(chǎn)生較多參數(shù)但并不是每個(gè)參數(shù)都適合用于故障診斷。參數(shù)過(guò)多會(huì)增加監(jiān)測(cè)成本也會(huì)增加模型解釋難度。因此論文在隨機(jī)森林基礎(chǔ)上引入 Tree SHAP對(duì)候選參數(shù)進(jìn)行篩選。整體過(guò)程為熱力學(xué)故障仿真 → 候選參數(shù) → 隨機(jī)森林預(yù)識(shí)別 → Tree SHAP分析 → 參數(shù)篩選 → 隨機(jī)森林重新診斷。論文最終保留了一組核心熱力學(xué)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(xué)仿真參數(shù)到隨機(jī)森林預(yù)識(shí)別、SHAP分析和最終參數(shù)集的篩選過(guò)程。SHAP 的一個(gè)特點(diǎn)是它不僅可以提供特征重要性還可以說(shuō)明特征對(duì)具體預(yù)測(cè)的貢獻(xiàn)方向。對(duì)于單個(gè)樣本可以把模型輸出理解為基準(zhǔn)值加上各參數(shù)貢獻(xiàn)f ( x ) ? 0 ∑ i ? i f(x)\phi_0\sum_i\phi_if(x)?0?i∑??i?這里的重點(diǎn)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(jié)果拆解到各個(gè)參數(shù)上。4. Tree SHAP解釋隨機(jī)森林的診斷依據(jù)隨機(jī)森林由多棵樹(shù)組成直接分析大量樹(shù)結(jié)構(gòu)并不適合工程診斷因此論文采用 Tree SHAP 對(duì)模型進(jìn)行解釋。Tree SHAP 利用樹(shù)模型的分支結(jié)構(gòu)計(jì)算特征貢獻(xiàn)相比直接枚舉所有特征組合更適合樹(shù)模型。論文從兩個(gè)尺度進(jìn)行解釋。局部解釋面向單個(gè)樣本通過(guò) waterfall plot 查看各參數(shù)對(duì)當(dāng)前故障判斷的正負(fù)影響。全局解釋面向整個(gè)故障類(lèi)別通過(guò) beeswarm plot 分析不同參數(shù)在大量樣本中的貢獻(xiàn)分布并進(jìn)一步利用 SHAP 交互值和 dependence plot 分析參數(shù)之間的關(guān)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(jìn)一步說(shuō)明“哪些熱力學(xué)參數(shù)促成了這個(gè)判斷”。但需要注意SHAP 表示的是參數(shù)對(duì)機(jī)器學(xué)習(xí)模型預(yù)測(cè)的貢獻(xiàn)不應(yīng)直接等同于嚴(yán)格的物理因果關(guān)系最終的工程解釋仍需要結(jié)合熱力學(xué)模型和故障機(jī)理進(jìn)行核對(duì)。圖4展示了單樣本 waterfall、全局 beeswarm、參數(shù)交互及 dependence 分析。5. “機(jī)理模型 隨機(jī)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(yùn)行數(shù)據(jù) → 機(jī)理模型校準(zhǔn) → 故障機(jī)理參數(shù)化 → 故障仿真 → 診斷參數(shù)篩選 → 隨機(jī)森林分類(lèi) → SHAP解釋。其中機(jī)理模型解決“故障如何影響裝備狀態(tài)”的問(wèn)題隨機(jī)森林解決“這些狀態(tài)特征對(duì)應(yīng)什么故障”的問(wèn)題SHAP解決“模型為什么這樣判斷”的問(wèn)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(yùn)行條件 → 裝備機(jī)理響應(yīng) → 診斷特征 → 隨機(jī)森林 → 健康狀態(tài)判斷。這里的“控診協(xié)同”主要體現(xiàn)在運(yùn)行條件和裝備機(jī)理被納入診斷特征形成過(guò)程而不是把隨機(jī)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(jī)理參數(shù)在旋轉(zhuǎn)裝備中可以使用轉(zhuǎn)速、載荷以及與能量傳遞和摩擦相關(guān)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(jī)理重新確定不能直接照搬柴油機(jī)中的參數(shù)體系。6. 工程應(yīng)用時(shí)的關(guān)鍵問(wèn)題這類(lèi)方法真正落地時(shí)首先要解決的是機(jī)理模型與真實(shí)設(shè)備的一致性。論文利用實(shí)際運(yùn)行數(shù)據(jù)對(duì)正常工況進(jìn)行了模型校準(zhǔn)但也明確指出故障參數(shù)范圍仍需要進(jìn)一步優(yōu)化。其次是故障嚴(yán)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(jìn)一步研究同一故障不同嚴(yán)重程度對(duì)應(yīng)的參數(shù)變化。另外仿真數(shù)據(jù)不能自動(dòng)替代真實(shí)故障數(shù)據(jù)。真實(shí)設(shè)備還存在傳感器特性、環(huán)境變化、部件磨損和測(cè)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(jìn)行實(shí)測(cè)驗(yàn)證。7. 總結(jié)TSRF 的核心并不是單獨(dú)使用隨機(jī)森林而是把隨機(jī)森林放在一個(gè)由物理模型和可解釋分析共同支撐的診斷鏈條中。機(jī)理模型負(fù)責(zé)構(gòu)造和約束故障信息隨機(jī)森林負(fù)責(zé)多參數(shù)故障分類(lèi)SHAP負(fù)責(zé)特征篩選與結(jié)果解釋。對(duì)于具有明確物理機(jī)理、真實(shí)故障樣本有限、同時(shí)需要較強(qiáng)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(shù)框架。其推廣的關(guān)鍵不在于直接復(fù)制隨機(jī)森林參數(shù)而在于重新建立“運(yùn)行條件—物理響應(yīng)—故障特征—診斷結(jié)果”之間的對(duì)應(yīng)關(guān)系。同時(shí)需要明確論文目前的主要驗(yàn)證基礎(chǔ)是船舶柴油機(jī)燃燒室故障仿真數(shù)據(jù)作者也將不同運(yùn)行環(huán)境、故障嚴(yán)重度以及更復(fù)雜熱力學(xué)模型作為后續(xù)研究方向。因此面向其他高端裝備時(shí)應(yīng)將該方法視為一種機(jī)理輔助的診斷建模思路而不是已經(jīng)普遍驗(yàn)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.