Los motores de cohetes líquidos experimentan ocasionalmente fenómenos anormales con mecanismos poco claros, lo que dificulta las mejoras en el diseño. Para abordar el problema anterior, se propone un método de minería de datos que combina la explicabilidad ante hoc, la explicabilidad post hoc y la precisión en la predicción. Para la explicabilidad ante hoc, se establece un método de selección de características impulsado por datos, modelos y conocimiento del dominio. Se utiliza un análisis de sensibilidad global de un modelo físico combinado con conocimiento experto y correlación de datos para establecer las correlaciones entre diferentes tipos de parámetros. Luego, se propone un enfoque de optimización en dos etapas para obtener el mejor subconjunto de características y entrenar el modelo de predicción. Para la explicabilidad post hoc, se utilizan el gráfico de dependencia parcial (PDP) y el análisis de SHapley Additive exPlanations (SHAP) para descubrir patrones complejos entre las características de entrada y la variable dependiente. La efectividad del método híbrido de selección de características y su aplicabilidad bajo diferentes combinaciones de ruido se validan utilizando datos sintetizados de un modelo de simulación de alta fidelidad de un sistema de presurización. Luego, el análisis de las causas de un gran fenómeno de vibración en un motor activo muestra que el modelo de predicción tiene buena precisión, y los resultados de la selección de características tienen un mecanismo claro y se alinean con el conocimiento del dominio, proporcionando tanto precisión como interpretabilidad. El método propuesto muestra un potencial significativo para la minería de datos en productos aeroespaciales complejos.