買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜哈爾濱工業大學(威海)申請的專利基于熱動力學輔助隨機森林的船用柴油機故障處理方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119293977B 。

龍圖騰網通過國家知識產權局官網在2025-05-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411822683.9，技術領域涉及：G06F30/15；該發明授權基于熱動力學輔助隨機森林的船用柴油機故障處理方法是由趙明航;羅聰聰;付旭云;鐘詩勝設計研發完成，并于2024-12-12向國家知識產權局提交的專利申請。

本基于熱動力學輔助隨機森林的船用柴油機故障處理方法在說明書摘要公布了：本發明涉及船舶動力故障識別處理技術領域，具體的說是一種能夠提高船舶動力主機故障分析處理效率和準確率的基于熱動力學輔助隨機森林的船用柴油機故障處理方法，包括以下步驟：步驟1：構建一維熱動力學模型來模擬船用柴油機的工作過程，并借助船舶主機數據采集系統DCM采集的數據進行模型校準；步驟2：通過標定系統關鍵參數，模擬船用柴油機燃燒室部件的五種典型故障，并初步輸出與故障相關的熱工參數；步驟3：利用隨機森林進行故障預識別，計算各熱工參數的SHAP值，并篩選出最具影響力的參數，參數的篩選結果將結合一維熱動力學模型進行分析；步驟4：經篩選后的參數被重新輸入到隨機森林中進行訓練和驗證。

本發明授權基于熱動力學輔助隨機森林的船用柴油機故障處理方法在權利要求書中公布了：1.一種基于熱動力學輔助隨機森林的船用柴油機故障處理方法，其特征在于，包括以下步驟：步驟1：構建一維熱動力學模型來模擬船用柴油機的工作過程，并借助船舶主機數據采集系統DCM采集的數據進行模型校準；步驟2：通過標定系統關鍵參數，模擬船用柴油機燃燒室部件的五種典型故障，并初步輸出與故障相關的熱工參數；步驟3：利用隨機森林進行故障預識別，計算各熱工參數的SHAP值，并篩選出最具影響力的參數，參數的篩選結果將結合一維熱動力學模型進行分析，具體包括：步驟3-1：從柴油機故障模擬輸出中篩選出潛在相關的熱工參數，組成原始數據集；步驟3-2：將該數據集輸入隨機森林進行預識別，基于預識別結果，采用TreeSHAP方法計算各參數的SHAP值，并對模型預識別過程進行可視化；步驟3-3：結合參數密度散點圖和特征交互圖，對重要性評估結果進行解釋性分析；步驟3-4：根據重要性評估結果篩選出關鍵的熱工參數，生成優化后的數據集，并將優化后的數據集重新輸入隨機森林模型以進行進一步處理；步驟4：經篩選后的參數被重新輸入到隨機森林中進行訓練和驗證；步驟1中構建一維熱動力學模型中涉及的船用柴油機是一臺低速、六缸、二沖程船用柴油發動機，配有渦輪增壓器和中冷器，一維熱力學模型包括系統邊界、進排氣歧管、渦輪增壓器TC1、中冷器CO1以及六個氣缸C1～C6，還設立了六個監測點，分別記為MP1至MP6，用于監測關鍵的發動機參數，管道1表示壓氣機進氣管，管道2指中冷器進氣管，管道3為中冷器排氣管，管道4至9對應氣缸的進氣管，而管道10至15為氣缸的排氣管，管道16連接到渦輪增壓器的進氣管，管道17為渦輪增壓器的排氣管；步驟1中，采用單韋伯模型建立柴油機的燃燒放熱模型，表達式如下： 式中：Q為一個循環周期內燃油混合物燃燒釋放的熱能，kJ；θ為曲軸轉角，°；θ0為氣缸內燃油混合物開始燃燒時曲軸所處的角度°；a和b是韋伯函數的參數，它們決定了燃燒過程的持續時間和形狀，對韋伯函數進行積分，即可得到由燃燒開始時刻到某個時間所消耗的燃油質量分數，即質量分數X： 還采用Woschni1978模型估算氣缸內燃氣的對流換熱系數，表達式如下：式中：h是換熱系數，Wm2K；p是氣缸內的瞬時壓力，MPa；Tg是燃氣的瞬時溫度，K；v是燃氣的特征速度，ms；C1是經驗常數，特征速度v的計算基于氣缸內的運動，Woschni給出的計算公式如下： 式中：Vd是氣缸的排量，單位為m3；V是燃燒時的氣缸容積，m3；pm是氣缸內的平均壓力，MPa；vp是活塞的速度，ms；C2和C3是經驗常數，具體值取決于發動機的設計和運行條件；步驟2中船用柴油機燃燒室部件的五種典型故障通過以下方式模擬：燃燒室部件健康狀態為6種，分別用代碼F0到F6表示：正常狀態F0，氣缸蓋裂紋F1，活塞頂燒蝕F2，缸套磨損F3，活塞環磨損F4，活塞環粘著F5，五種故障模式F1～5的參數標定方法為：氣缸蓋裂紋F1：通過設定氣缸蓋的表面溫度來模擬氣缸蓋裂紋故障，氣缸蓋在工作中承受高溫高壓，尤其是燃燒室附近區域的溫度極高，當出現裂紋時，這些區域的結構強度降低，導致局部熱應力集中加劇，氣缸蓋的冷卻效果會因為氣缸蓋裂紋的存在而受到影響，從而導致局部表面過熱；活塞頂燒蝕F2：通過設定活塞表面溫度和竄氣質量流率，模擬活塞頂燒蝕故障，隨著活塞頂表面材料被燒蝕，活塞表面熱量分布不均勻，燒蝕區域的局部溫度顯著升高，此外，燒蝕導致的表面材料缺失會影響活塞與氣缸壁之間的密封性，進而引發竄氣現象；氣缸套磨損F3：通過設定缸徑大小與竄氣質量流率，模擬氣缸套磨損故障，空氣濾清器失效或密封不良可導致異物進入燃燒室，從而引發氣缸套的異常磨損；磨損后的氣缸套會導致圓度誤差，局部缸徑增大，并影響氣缸的密封性能，進而導致竄氣現象的發生；活塞環磨損F4：設定竄氣質量流率來模擬氣缸蓋裂紋故障，活塞環可能因缸內雜質等因素發生磨損，導致端面失圓，氣缸的密封性下降，最終引發竄氣；活塞環黏著F5：通過設定竄氣質量流率、缸徑大小與活塞的表面溫度，模擬活塞環黏著故障，當發動機積碳過多、潤滑不足或油泥堆積時，可能會導致活塞環運動受限并失去密封作用，在正常工況下，活塞環能夠將活塞頂部的熱量傳遞至氣缸壁，從而有效散熱；然而，黏著故障顯著削弱了這一熱傳導過程，導致活塞表面溫度明顯升高，此外，黏著破壞了活塞環與氣缸套之間的正常滑動，局部接觸區域的摩擦力急劇增加，進一步加劇了氣缸套的磨損；步驟3-1中，在SHAP值的計算過程中，采用貢獻值來描述熱工參數對模型輸出的影響，熱工參數i在某一參數組合下加入后的邊際貢獻Δvali,S通過以下公式表示：Δvali,S＝fS∪{i}-fS5，式中：S是不包含參數i的其他參數集合；fS是集合S產生的貢獻值；fS∪{i}是參數i加入后的貢獻值，考慮所有可能的參數組合后，計算參數i的平均貢獻值增量，即SHAP值φi，如下所示： 式中：N是所有參數的集合；S是模型中所使用參數的子集；p表示子集S中參數的數量；在對某個參數組合S進行整體性評估時，通過將每個參數的SHAP值相加，得到該組合的評估結果，每當參數組合中增加一個參數時，輸出為原有SHAP值加上新增參數的SHAP值，參數組合S的最終評估結果為所有參數SHAP值的代數和，即： 式中：φ0為基準值，表示無任何參數時模型的平均輸出；為各特征對模型預測的SHAP值之和，借助SHAP交互值來進一步探究熱工參數間的潛在聯系，參數i與j的交互值φi,j定義為： ΔvalS,i,j＝fS∪{i,j}-fS∪{i}-fS∪{j}+fS9，通過聯立公式8-9，可以計算出參數間的SHAP交互值；步驟3-2中TreeSHAP只沿著滿足當前輸入條件的路徑計算邊際貢獻，從而避免了枚舉所有參數組合，大幅提升了計算效率，對于一個決策樹中的參數i，基于TreeSHAP的SHAP值計算公式如下： 式中：T為決策樹的數量；Pj為第j棵樹的路徑集合；S是模型中使用的特征的子集；p為子集S中特征的數量；步驟3-2中采用隨機森林作為故障識別的基礎模型，并結合SHAP與熱動力學模型對隨機森林進行可解釋性分析，SHAP值的計算基于隨機森林的決策過程，考慮到熱工參數為連續型變量，需要對參數進行了離散化處理，以符合決策樹模型的輸入要求；針對熱工參數的決策樹分裂方法如下：決策樹作為隨機森林算法的基礎，通過分割特征空間來進行預測，對于一個樣本集合D，假定第k類樣本所占的比例為pkk＝1,2,…,|y|，則D的信息熵定義為： 假設使用離散屬性a＝{a1,a2,…,an}對樣本D進行劃分，會產生V個分支節點，在第v個分支節點中在屬性a上取值為av的樣本記為Dv，則根據公式9計算出Dv的信息熵，考慮到不同的分支節點包含的樣本數不同，給分支節點賦予權重|Dv||D|，即可計算出屬性a對樣本集D進行劃分所得到的信息增益： 信息增益越大，意味著該屬性對于區分數據類別更有幫助，能更有效地降低數據的不確定性，因此，當一個特征的信息增益較大時，更有可能被選擇為決策樹中的分裂節點；對于船舶柴油機的熱工參數，需要對連續屬性進行離散化處理：給定一個故障樣本D和熱工參數P，假設P在D上有n個不同的取值，從小到大排列依次為{P1,P2,…,Pn}，設定一個劃分點t，將在參數P上取值不大于t的樣本標記為D-t，而取值大于t的樣本標記為D+t，對于Pi與Pi+1而言，t的取值只要落在區間[Pi,Pi+1]中，劃分結果就是一致的，因此，對于熱工參數P，可將區間[Pi,Pi+1]的中位點Pi+Pi+12作為其候選劃分點，則包含所有候選劃分點的集合TP可表示為： 因此，熱工參數P對故障樣本D進行劃分所得到的信息增益GainD,P可表示為： 當GainD,P相對大時，決策樹會更傾向于選擇熱工參數P作為劃分節點；步驟3-3中結合參數密度散點圖和特征交互圖，對重要性評估結果進行解釋性分析，其中通過參數密度散點圖給出樣本點因熱工參數變化而導致的分布變化，參數密度散點圖中的每一行代表一個參數，橫軸代表SHAP值，參數按照平均絕對SHAP值排序，最重要的參數出現在頂部，每個點對應一個樣本，樣本點的顏色反映著參數值的大小，SHAP值小于0表示對預測有負面影響，而大于0表示有正面影響，點的水平分布反映了影響的大小，分布越寬，影響越大；通過特征交互圖直觀展現了目標參數對模型輸出的影響趨勢及其與其他參數的交互關系，圖中，X軸表示參數的實際取值，Y軸對應其SHAP值，每個點代表一個數據樣本，點的顏色則反映了交互參數值的大小。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人哈爾濱工業大學(威海)，其通訊地址為：264209 山東省威海市文化西路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。