买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜哈尔滨工业大学(威海)申请的专利基于热动力学辅助随机森林的船用柴油机故障处理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119293977B 。

龙图腾网通过国家知识产权局官网在2025-05-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411822683.9，技术领域涉及：G06F30/15；该发明授权基于热动力学辅助随机森林的船用柴油机故障处理方法是由赵明航;罗聪聪;付旭云;钟诗胜设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本基于热动力学辅助随机森林的船用柴油机故障处理方法在说明书摘要公布了：本发明涉及船舶动力故障识别处理技术领域，具体的说是一种能够提高船舶动力主机故障分析处理效率和准确率的基于热动力学辅助随机森林的船用柴油机故障处理方法，包括以下步骤：步骤1：构建一维热动力学模型来模拟船用柴油机的工作过程，并借助船舶主机数据采集系统DCM采集的数据进行模型校准；步骤2：通过标定系统关键参数，模拟船用柴油机燃烧室部件的五种典型故障，并初步输出与故障相关的热工参数；步骤3：利用随机森林进行故障预识别，计算各热工参数的SHAP值，并筛选出最具影响力的参数，参数的筛选结果将结合一维热动力学模型进行分析；步骤4：经筛选后的参数被重新输入到随机森林中进行训练和验证。

本发明授权基于热动力学辅助随机森林的船用柴油机故障处理方法在权利要求书中公布了：1.一种基于热动力学辅助随机森林的船用柴油机故障处理方法，其特征在于，包括以下步骤：步骤1：构建一维热动力学模型来模拟船用柴油机的工作过程，并借助船舶主机数据采集系统DCM采集的数据进行模型校准；步骤2：通过标定系统关键参数，模拟船用柴油机燃烧室部件的五种典型故障，并初步输出与故障相关的热工参数；步骤3：利用随机森林进行故障预识别，计算各热工参数的SHAP值，并筛选出最具影响力的参数，参数的筛选结果将结合一维热动力学模型进行分析，具体包括：步骤3-1：从柴油机故障模拟输出中筛选出潜在相关的热工参数，组成原始数据集；步骤3-2：将该数据集输入随机森林进行预识别，基于预识别结果，采用TreeSHAP方法计算各参数的SHAP值，并对模型预识别过程进行可视化；步骤3-3：结合参数密度散点图和特征交互图，对重要性评估结果进行解释性分析；步骤3-4：根据重要性评估结果筛选出关键的热工参数，生成优化后的数据集，并将优化后的数据集重新输入随机森林模型以进行进一步处理；步骤4：经筛选后的参数被重新输入到随机森林中进行训练和验证；步骤1中构建一维热动力学模型中涉及的船用柴油机是一台低速、六缸、二冲程船用柴油发动机，配有涡轮增压器和中冷器，一维热力学模型包括系统边界、进排气歧管、涡轮增压器TC1、中冷器CO1以及六个气缸C1～C6，还设立了六个监测点，分别记为MP1至MP6，用于监测关键的发动机参数，管道1表示压气机进气管，管道2指中冷器进气管，管道3为中冷器排气管，管道4至9对应气缸的进气管，而管道10至15为气缸的排气管，管道16连接到涡轮增压器的进气管，管道17为涡轮增压器的排气管；步骤1中，采用单韦伯模型建立柴油机的燃烧放热模型，表达式如下： 式中：Q为一个循环周期内燃油混合物燃烧释放的热能，kJ；θ为曲轴转角，°；θ0为气缸内燃油混合物开始燃烧时曲轴所处的角度°；a和b是韦伯函数的参数，它们决定了燃烧过程的持续时间和形状，对韦伯函数进行积分，即可得到由燃烧开始时刻到某个时间所消耗的燃油质量分数，即质量分数X： 还采用Woschni1978模型估算气缸内燃气的对流换热系数，表达式如下：式中：h是换热系数，Wm2K；p是气缸内的瞬时压力，MPa；Tg是燃气的瞬时温度，K；v是燃气的特征速度，ms；C1是经验常数，特征速度v的计算基于气缸内的运动，Woschni给出的计算公式如下： 式中：Vd是气缸的排量，单位为m3；V是燃烧时的气缸容积，m3；pm是气缸内的平均压力，MPa；vp是活塞的速度，ms；C2和C3是经验常数，具体值取决于发动机的设计和运行条件；步骤2中船用柴油机燃烧室部件的五种典型故障通过以下方式模拟：燃烧室部件健康状态为6种，分别用代码F0到F6表示：正常状态F0，气缸盖裂纹F1，活塞顶烧蚀F2，缸套磨损F3，活塞环磨损F4，活塞环粘着F5，五种故障模式F1～5的参数标定方法为：气缸盖裂纹F1：通过设定气缸盖的表面温度来模拟气缸盖裂纹故障，气缸盖在工作中承受高温高压，尤其是燃烧室附近区域的温度极高，当出现裂纹时，这些区域的结构强度降低，导致局部热应力集中加剧，气缸盖的冷却效果会因为气缸盖裂纹的存在而受到影响，从而导致局部表面过热；活塞顶烧蚀F2：通过设定活塞表面温度和窜气质量流率，模拟活塞顶烧蚀故障，随着活塞顶表面材料被烧蚀，活塞表面热量分布不均匀，烧蚀区域的局部温度显著升高，此外，烧蚀导致的表面材料缺失会影响活塞与气缸壁之间的密封性，进而引发窜气现象；气缸套磨损F3：通过设定缸径大小与窜气质量流率，模拟气缸套磨损故障，空气滤清器失效或密封不良可导致异物进入燃烧室，从而引发气缸套的异常磨损；磨损后的气缸套会导致圆度误差，局部缸径增大，并影响气缸的密封性能，进而导致窜气现象的发生；活塞环磨损F4：设定窜气质量流率来模拟气缸盖裂纹故障，活塞环可能因缸内杂质等因素发生磨损，导致端面失圆，气缸的密封性下降，最终引发窜气；活塞环黏着F5：通过设定窜气质量流率、缸径大小与活塞的表面温度，模拟活塞环黏着故障，当发动机积碳过多、润滑不足或油泥堆积时，可能会导致活塞环运动受限并失去密封作用，在正常工况下，活塞环能够将活塞顶部的热量传递至气缸壁，从而有效散热；然而，黏着故障显著削弱了这一热传导过程，导致活塞表面温度明显升高，此外，黏着破坏了活塞环与气缸套之间的正常滑动，局部接触区域的摩擦力急剧增加，进一步加剧了气缸套的磨损；步骤3-1中，在SHAP值的计算过程中，采用贡献值来描述热工参数对模型输出的影响，热工参数i在某一参数组合下加入后的边际贡献Δvali,S通过以下公式表示：Δvali,S＝fS∪{i}-fS5，式中：S是不包含参数i的其他参数集合；fS是集合S产生的贡献值；fS∪{i}是参数i加入后的贡献值，考虑所有可能的参数组合后，计算参数i的平均贡献值增量，即SHAP值φi，如下所示： 式中：N是所有参数的集合；S是模型中所使用参数的子集；p表示子集S中参数的数量；在对某个参数组合S进行整体性评估时，通过将每个参数的SHAP值相加，得到该组合的评估结果，每当参数组合中增加一个参数时，输出为原有SHAP值加上新增参数的SHAP值，参数组合S的最终评估结果为所有参数SHAP值的代数和，即： 式中：φ0为基准值，表示无任何参数时模型的平均输出；为各特征对模型预测的SHAP值之和，借助SHAP交互值来进一步探究热工参数间的潜在联系，参数i与j的交互值φi,j定义为： ΔvalS,i,j＝fS∪{i,j}-fS∪{i}-fS∪{j}+fS9，通过联立公式8-9，可以计算出参数间的SHAP交互值；步骤3-2中TreeSHAP只沿着满足当前输入条件的路径计算边际贡献，从而避免了枚举所有参数组合，大幅提升了计算效率，对于一个决策树中的参数i，基于TreeSHAP的SHAP值计算公式如下： 式中：T为决策树的数量；Pj为第j棵树的路径集合；S是模型中使用的特征的子集；p为子集S中特征的数量；步骤3-2中采用随机森林作为故障识别的基础模型，并结合SHAP与热动力学模型对随机森林进行可解释性分析，SHAP值的计算基于随机森林的决策过程，考虑到热工参数为连续型变量，需要对参数进行了离散化处理，以符合决策树模型的输入要求；针对热工参数的决策树分裂方法如下：决策树作为随机森林算法的基础，通过分割特征空间来进行预测，对于一个样本集合D，假定第k类样本所占的比例为pkk＝1,2,…,|y|，则D的信息熵定义为： 假设使用离散属性a＝{a1,a2,…,an}对样本D进行划分，会产生V个分支节点，在第v个分支节点中在属性a上取值为av的样本记为Dv，则根据公式9计算出Dv的信息熵，考虑到不同的分支节点包含的样本数不同，给分支节点赋予权重|Dv||D|，即可计算出属性a对样本集D进行划分所得到的信息增益： 信息增益越大，意味着该属性对于区分数据类别更有帮助，能更有效地降低数据的不确定性，因此，当一个特征的信息增益较大时，更有可能被选择为决策树中的分裂节点；对于船舶柴油机的热工参数，需要对连续属性进行离散化处理：给定一个故障样本D和热工参数P，假设P在D上有n个不同的取值，从小到大排列依次为{P1,P2,…,Pn}，设定一个划分点t，将在参数P上取值不大于t的样本标记为D-t，而取值大于t的样本标记为D+t，对于Pi与Pi+1而言，t的取值只要落在区间[Pi,Pi+1]中，划分结果就是一致的，因此，对于热工参数P，可将区间[Pi,Pi+1]的中位点Pi+Pi+12作为其候选划分点，则包含所有候选划分点的集合TP可表示为： 因此，热工参数P对故障样本D进行划分所得到的信息增益GainD,P可表示为： 当GainD,P相对大时，决策树会更倾向于选择热工参数P作为划分节点；步骤3-3中结合参数密度散点图和特征交互图，对重要性评估结果进行解释性分析，其中通过参数密度散点图给出样本点因热工参数变化而导致的分布变化，参数密度散点图中的每一行代表一个参数，横轴代表SHAP值，参数按照平均绝对SHAP值排序，最重要的参数出现在顶部，每个点对应一个样本，样本点的颜色反映着参数值的大小，SHAP值小于0表示对预测有负面影响，而大于0表示有正面影响，点的水平分布反映了影响的大小，分布越宽，影响越大；通过特征交互图直观展现了目标参数对模型输出的影响趋势及其与其他参数的交互关系，图中，X轴表示参数的实际取值，Y轴对应其SHAP值，每个点代表一个数据样本，点的颜色则反映了交互参数值的大小。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工业大学(威海)，其通讯地址为：264209 山东省威海市文化西路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。