gfyy25551. 项目概述：当热力学遇上机器学习
船舶柴油机作为远洋货轮的"心脏"，其燃烧室部件的健康状况直接决定了整艘船的动力性能。我曾在某船舶动力实验室亲眼目睹过一次因活塞环卡滞导致的发动机停机事故——价值上千万的设备突然"罢工"，整艘船在海上漂了整整两天。事后分析发现，故障其实早有征兆，只是传统监测手段没能及时捕捉到那些微妙的热力学参数变化。
这正是本研究要解决的核心痛点：如何在不拆解发动机的前提下，通过外部可测参数准确判断燃烧室内部件的健康状态。论文提出的热力学仿真辅助随机森林（TSRF）方法，本质上是在做两件事：
- 用物理模型弥补数据不足（通过一维热力学仿真生成故障样本）
- 用可解释AI打破黑箱桎梏（通过SHAP值揭示诊断依据）
关键突破：将涡轮增压器排气温度这类原本只用于性能监控的常规参数，转化为了故障诊断的"指纹特征"。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术路线深度拆解
2.1 热力学仿真：虚拟故障实验室
传统故障数据获取有两种路径：
- 破坏性实验：人为制造故障（如故意磨损缸套），成本高达数十万元/次
- 三维CFD仿真：单次仿真耗时8-12小时，难以批量生成数据
本研究采用的AVL BOOST一维模型，在保证精度的前提下将仿真时间压缩到秒级。其核心创新在于参数微调策略：
| 故障类型 | 模拟参数调整 | 物理意义 |
|---|---|---|
| 缸盖开裂(F1) | 缸盖传热系数↑30% | 裂纹导致散热异常 |
| 活塞烧蚀(F2) | 燃烧室容积↑5% + 壁面温度↑50K | 材料侵蚀导致结构变形 |
| 缸套磨损(F3) | 窜气间隙↑0.2mm + 漏气面积系数↑15% | 配合间隙增大引发燃气泄漏 |
实测表明，经过DCM采集的真实数据校准后，仿真误差可控制在3%以内。这个精度足以支撑机器学习模型的训练需求。
2.2 特征工程：SHAP值的降维魔法
初始14个热