在复杂海洋环境中动力系统的运行工况处于持续的动态调整之中这种工况迁移给基于数据驱动的故障诊断方法带来了特征分布偏移的挑战。发表于《Transactions of the Institute of Measurement and Control》的论文《Fault diagnosis of marine diesel engine via control-aware domain adversarial network: A control-diagnosis collaboration perspective》针对这一问题展开了研究。该文从控制变量与状态响应的物理耦合机制出发提出了一种控制感知域对抗网络Control-Aware Domain Adversarial Network, CA-DANN通过控制特征对状态特征的动态调制结合细粒度域对抗训练提取在多类机动操纵工况下保持不变的故障辨识表征。一、跨操纵工况下的特征混叠机理在变工况故障诊断任务中实现“域不变性Domain Invariance”的核心前提是模型能够区分“工况变化引起的特征漂移”与“物理故障引起的特征变化”。然而在柴油机高压燃油喷射系统中这两类因素在状态观测空间中存在显著的形态重叠。图1.不同机动操纵工况及喷油器堵塞程度下控制信号与状态信号的时域变化。(a) 无喷孔堵塞时单喷油器在不同输入转速下的质量流量(b) 输入转速为100 rad/s时单喷油器在不同喷孔堵塞程度下的质量流量。图1给出了单缸喷油器喷射质量流量在不同运行条件下的时域演化形态当柴油机执行减速操纵时输入转速下降导致柱塞泵供油特性改变喷射波形的峰值质量流量减小同时喷射拖尾阶段延长当喷油器喷孔出现积碳缩径堵塞故障 F1–F4时流通截面积减小同样引起喷射峰值流量下降与拖尾时间增长。如果诊断模型仅以喷射质量流量等状态变量作为输入不同工况下的健康状态与特定工况下的故障状态在时序特征分布上高度接近。在此情况下单纯依赖常规域对齐算法容易发生误对齐即将由工况变化引起的特征差异强行消除进而损伤不同故障程度之间的可分性。二、物理对象与信号分流定义为了明确控制量与状态量的动态依赖关系研究基于四缸直列式喷油系统的分层耦合热力学模型展开分析。图2.船用柴油机直列式喷油系统分层耦合热力学仿真模型及其内部原理图。(a) 分层耦合热力学仿真模型(b) 凸轮轴子系统局部图© 喷油器子系统局部图i∈{1,2,3,4}i \in \{1, 2, 3, 4\}i∈{1,2,3,4}。如图2所示仿真系统由凸轮轴、输油泵、机械调速器驱动的高压喷油泵以及各缸喷油器构成。系统内部的物理信号被划分为两个集合控制信号集合xcontrolx_{\text{control}}xcontrol​监测点位于凸轮轴子系统采集轴角速度WWW、凸轮线速度VVV及凸轮位移PPP。这类变量属于主动调节量表征外部指令与机构当前的运动学状态状态信号集合xstatex_{\text{state}}xstate​监测点位于喷油器子系统采集四个气缸喷油器的瞬时喷射质量流量。这类变量属于被动响应量直接反映燃烧室前的燃油供给动态。数据集设置了1类恒定转速工况标称源域与6类涵盖加速、减速及加减速交替的动态工况目标域并在各类工况下配置了无故障F0及四种梯度堵塞程度F1–F4。三、控制感知特征提取与门控加权融合传统的多传感器融合方法通常将控制信号与状态信号沿通道维度进行直接拼接Concatenation。这种方式将主动控制变量与被动响应变量置于同等地位未能体现柴油机运转中“控制量决定工作点、状态量反映工作点下的健康偏离”这一物理因果序。CA-DANN 采用了双分支分流提取与自适应乘性加权结构。图3.控制感知域对抗网络CA-DANN整体架构图1. 控制特征分支控制信号xcontrolx_{\text{control}}xcontrol​首先输入多头注意力模块Multi-Head Attention, MHA设定注意力头数h4h4h4通过多个线性投影子空间捕获角速度、线速度与位移之间的耦合模式。提取最后一个时间步TTT的输出以聚合整个序列的全局时序上下文h1MHA(xcontrol)Th_1 \text{MHA}(x_{\text{control}})_Th1​MHA(xcontrol​)T​随后特征经过全连接层映射至 128 维空间生成h2h_2h2​再输入通道注意力网络SE-Net。SE-Net通过全局压缩操作汇聚各通道信息并通过全连接激励操作建模通道间的相关性输出特征h3h_3h3​。最后通过残差连接与 Sigmoid 函数计算得到归一化的控制权重向量zcontrolσ(h2h3),σ(x)11e−xz_{\text{control}} \sigma(h_2 h_3), \quad \sigma(x) \frac{1}{1 e^{-x}}zcontrol​σ(h2​h3​),σ(x)1e−x1​通过 Sigmoid 映射zcontrolz_{\text{control}}zcontrol​中各维度的取值被严格约束在(0,1)(0, 1)(0,1)区间内。2. 状态特征分支状态信号xstatex_{\text{state}}xstate​包含各缸瞬时喷射质量流量序列采用长短期记忆网络LSTM隐藏层维度为 128提取其时序动态。取最后一个时间步的隐状态作为时序状态特征zstateLSTM(xstate)Tz_{\text{state}} \text{LSTM}(x_{\text{state}})_Tzstate​LSTM(xstate​)T​3. 元素级加权耦合控制特征向量与状态特征向量通过逐元素乘积Hadamard 积进行融合zzcontrol⊙zstatez z_{\text{control}} \odot z_{\text{state}}zzcontrol​⊙zstate​在该结构中zcontrolz_{\text{control}}zcontrol​充当动态门控掩码根据当前的控制与转速状态自适应地调节状态特征中各个通道的增益强度强化受故障主导的特征分量并抑制受工况调制主导的分量。图4.加权融合机制下特征提取器的超参数及张量维度示意图四、细粒度机动工况对抗机制传统的域对抗网络DANN通常引入二分类判别器区分源域与目标域。然而在复杂机动航行场景下目标域并非单一平稳分布而是由多种不同的加减速动态过程复合而成。CA-DANN提出了细粒度工况判别结构将判别器由二分类拓展为KKK分类K7K7K7覆盖恒速工况及各类加减速操纵工况。特征提取器与操纵工况分类器之间通过梯度反转层Gradient Reversal Layer, GRL相连在前向计算时GRL 保持特征zzz不变在反向传播时GRL 将判别器回传的梯度乘以负因子−λ-\lambda−λ。损失函数定义堵塞程度分类器仅在包含标签的源域样本上计算多分类交叉熵损失Lclog−1Ns∑n1Nslog⁡(exp⁡((yclog(n))c(n))∑c1Cexp⁡((yclog(n))c))\mathcal{L}_{\text{clog}} -\frac{1}{N_s}\sum_{n1}^{N_s} \log \left( \frac{\exp((y_{\text{clog}}^{(n)})_{c^{(n)}})}{\sum_{c1}^C \exp((y_{\text{clog}}^{(n)})_c)} \right)Lclog​−Ns​1​n1∑Ns​​log(∑c1C​exp((yclog(n)​)c​)exp((yclog(n)​)c(n)​)​)其中NsN_sNs​为源域样本数量CCC为故障类别数c(n)c^{(n)}c(n)为第nnn个样本的真实故障标签。操纵工况分类器在所有样本源域和无标签目标域上计算细粒度工况分类的交叉熵损失Lregime−1N∑n1Nlog⁡(exp⁡((yregime(n))k(n))∑k1Kexp⁡((yregime(n))k))\mathcal{L}_{\text{regime}} -\frac{1}{N}\sum_{n1}^{N}\log \left( \frac{\exp((y_{\text{regime}}^{(n)})_{k^{(n)}})}{\sum_{k1}^K \exp((y_{\text{regime}}^{(n)})_k)} \right)Lregime​−N1​n1∑N​log(∑k1K​exp((yregime(n)​)k​)exp((yregime(n)​)k(n)​)​)其中NNsNtN N_s N_tNNs​Nt​为总样本数KKK为工况类别数k(n)k^{(n)}k(n)为第nnn个样本的实际工况标签。网络的联合优化目标为LtotalLclogλLregime\mathcal{L}_{\text{total}} \mathcal{L}_{\text{clog}} \lambda \mathcal{L}_{\text{regime}}Ltotal​Lclog​λLregime​在该对抗博弈过程中工况分类器试图识别具体的机动操纵模式而特征提取器则在GRL驱动下学习消除不同操纵模式对特征造成的分离最终诱导特征空间形成对机动工况变化不敏感、但对物理故障高度敏感的领域不变表征。五、特征空间表征与鲁棒性分析1. 控制信号与融合结构对特征解耦的作用通过在目标域特征上进行 t-SNE 降维投影可以直观观察不同网络配置下特征流形的聚集情况。图5.不同模型结构与控制信号配置下目标域特征表征的二维t-SNE可视化(a)引入0种控制信号的M1模型(b)引入0种控制信号的M2模型©引入0种控制信号的M3模型与(a)中的模型结构完全一致(d)引入1种控制信号的M1模型(e)引入1种控制信号的M2模型(f)引入1种控制信号的M3模型(g)引入2种控制信号的M1模型(h)引入2种控制信号的M2模型(i)引入2种控制信号的M3模型(j)引入3种控制信号的M1模型(k)引入3种控制信号的M2模型(l)引入3种控制信号的M3模型。分析图5的表征分布可以得出以下技术特性控制信号的存在性当移除控制分支图5(a)–©仅依赖状态信号时不同故障严重度尤其是正常状态F0与早期轻微堵塞F1、F2在目标域内出现严重的流形缠绕随着控制信号逐步引入图5(d)–(l)类内样本分布收缩类间边界逐步清晰加权融合与拼接融合的对比在相同控制输入下采用直接拼接特征的M1模型在跨工况下的簇间分离度弱于采用门控加权融合的M3模型表明乘性调制相比于简单线性组合更有效地表达了控制量对状态量的缩放约束域判别器的作用边界在缺乏控制信号时单独增加域判别器可能导致特征提取器对判别性特征产生过度模糊化而在控制信号辅助提供工作点基准后对抗对齐能够有效消除工况引起的子流形差异实现清晰的类簇隔离。2. 测试时信号退化下的网络结构容错性在测试阶段传感器可能出现通道丢失、高斯测量噪声或零点校准漂移。图6. 测试阶段信号退化下的模型鲁棒性表现10次随机种子测试均值±标准差(a)控制传感器缺失情况下六种方法的目标域故障诊断准确率(b)CA-DANN在不同信噪比下的目标域准确率© CA-DANN在控制信号叠加恒定偏差下的目标域准确率。图6展示了不同信号退化模式下的响应趋势传感器缺失当测试时控制传感器发生丢失、对应通道被置零时将控制量直接作为原始输入的模型会由于输入层数值突变导致特征深层畸变而在CA-DANN中控制分支末端经过Sigmoid函数约束在(0,1)(0, 1)(0,1)通道缺失引起的权重扰动被限制在局部区间内状态分支的时序特征流依然能够传递至分类层表现出结构层面的平缓退化噪声容限差异向控制通道引入高斯噪声时网络分类表现受到的影响相对平缓而向状态通道引入噪声则较快影响诊断判别这与状态信号直接携带高频故障波形信息的物理特性相符偏置误差当控制信号出现静态校准漂移时系统输出随偏置幅度增加呈现连续渐变下降未发生突发性的表征崩塌。六、结语在动力机械跨工况故障诊断问题中单纯依赖被动响应信号难以根本解决工况漂移与故障退化的解耦难题。CA-DANN通过在特征提取阶段构建非对称的门控加权拓扑将控制量作为动态调制因子作用于状态特征并结合细粒度工况对抗训练强制滤除具体操纵模式的特异性信息。这一方法从结构设计上体现了被控对象的物理主从关系为动态变工况下的特征不变性建模提供了一种明确的技术思路。来源文献Fault diagnosis of marine diesel engine via control-aware domain adversarial network: A control-diagnosis collaboration perspective[J]. Transactions of the Institute of Measurement and Control, 2026.https://journals.sagepub.com/doi/10.1177/01423312261487500