控制感知仿射网络：船舶柴油机动态机动变工况下的故障诊断

在船舶实际航行中，主柴油机经常处于加速、减速等动态机动过程，工况的连续变化会导致状态监测信号产生强烈的非平稳分布偏移，易使常规诊断模型将正常的控制调节响应误判为机械故障。发表于《Ships and Offshore Structures》期刊的论文《Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers》针对这一问题，提出了一种将实时控制信号转化为主动校准机制的诊断架构——控制感知仿射网络（Control-Aware Affine Network, CAAN）。该方法利用控制系统参数对时域故障特征进行动态仿射调制，并结合对抗训练与知识蒸馏实现工况无关特征与故障严重度特征的正交解耦，以应对机动工况下的跨域诊断问题。

---

1. CAAN整体架构

CAAN的整体结构如图1所示。该框架首先对状态监测信号（如喷油质量流量）与控制信号（如曲轴转角、凸轮轴转速及凸轮位置）进行时域同步对齐，输入至控制感知校准（Control-Aware Calibration, CAC）模块中。CAC模块利用控制信号生成动态缩放与偏移系数，对原始故障特征进行自适应仿射调制。

经过校准的特征进入双特征解耦路径：一条路径通过梯度反转层（Gradient Reversal Layer, GRL）与域分类器进行对抗训练，提取滤除工况信息的机动无关特征；另一条路径借助预先训练的傅里叶相位教师网络，通过知识蒸馏提取反映结构损伤的故障严重度特征。为了保证两组特征在信息层面的互补性与独立性，网络引入了特征正交性正则化损失。最终，两组解耦特征经由拼接融合后，输入分类器输出故障类别标签。

图1 CAAN整体架构

---

2. 控制感知校准模块（CAC）原理与实现

在柴油机动态机动过程中，电子控制单元（ECU）会根据操作目标动态调节喷油脉宽、喷油正时和共轨压力。在正常工况下，此类控制作用会在监测信号上表现为两类物理变化：

1. 幅值缩放（\(\alpha\)）：动态负载变化引起的瞬态循环喷油量与峰值波动。
2. 基线偏移（\(\beta\)）：前馈控制调节与瞬态响应导致的喷油始点及基线压力漂移。

若直接将控制变量拼接至特征输入端，容易导致网络学习到非因果的虚假关联。CAC模块（结构如图2所示）通过建立逆向工况映射，将控制信号转化为仿射变换参数，主动补偿工况波动。

图2 控制感知校准（CAC）模块结构

为保证时序样本训练过程的数值稳定性，CAC模块采用增量迭代更新策略。设输入的故障信号特征为 \(X_{fault} \in \mathbb{R}^{B \times T \times C}\)，控制信号为 \(X_{control} \in \mathbb{R}^{B \times T \times D}\)。在第 \(i\) 次迭代中，\(X_{control}\) 经由线性层映射生成缩放增量 \(\Delta \alpha_i\) 与偏置增量 \(\Delta \beta_i\)：

\[\alpha_i = \alpha'_{i-1} + \Delta \alpha_i, \quad \beta_i = \beta'_{i-1} + \Delta \beta_i \]

参数初始值设为 \(\alpha_0 = \mathbf{1} \in \mathbb{R}^{1 \times 1 \times C}\)，\(\beta_0 = \mathbf{0} \in \mathbb{R}^{1 \times 1 \times C}\)，其中 \(\alpha'_{i-1}\) 与 \(\beta'_{i-1}\) 为上一轮优化更新后的权重。输入特征经仿射调制后的输出特征 \(Y_i\) 为：

\[Y_i = \alpha_i \odot X_{fault} + \beta_i \]

---

3. 双特征解耦与优化机制

校准后的特征需要进一步解耦为表征故障等级的特征和跨工况不变特征，以兼顾目标域的泛化性与类别区分度。

3.1 基于傅里叶相位的故障严重度特征蒸馏

当喷油器发生喷孔磨损或堵塞等机械损伤时，燃油系统的补偿机制会导致喷油延迟 \(\tau\)。根据傅里叶时移定理：

\[\mathcal{F}\{x(t - \tau)\} = X(f) e^{-j 2 \pi f \tau} \]

信号时移在频域中仅改变相位谱，而不改变幅值谱，即相位变化量与时移满足 \(\Delta \phi(f) = -2\pi f \tau\)。因此，相较于易受载荷影响的幅值谱，傅里叶相位谱能够更直接地表征喷油时序延迟与结构磨损程度。

图3 傅里叶相位知识蒸馏示意图

如图3所示，系统预先构建了一个以频域相位特征 \(\phi = \arg(\mathcal{F}(x))\) 为输入的教师网络（结构包含一维卷积、转置层、sLSTM、多头自注意力机制及全连接层）。在主诊断网络（学生网络）训练过程中，固定教师网络参数，采用均方误差（MSE）约束使学生网络的中间特征 \(r\) 逼近教师网络的语义特征 \(r^t\)：

\[\mathcal{L}_{distill} = \text{MSE}(r, r^t) = \frac{1}{n} \sum_{i=1}^n (r_i - r^t_i)^2 \]

该设计使得在线推理阶段无需进行额外的傅里叶变换计算，即可保持端到端的时域特征提取。

3.2 域对抗机动无关特征学习

针对非线性动态机动引起的分布漂移，CAAN采用基于梯度反转层（GRL）的域对抗机制。源域分类损失基于真实故障标签计算：

\[\mathcal{L}_{source} = \mathbb{E}_{(x, y) \sim \mathcal{D}_{source}} [\ell(\hat{y}, y)] \]

域判别器对目标域样本来源进行判断，其对抗损失为：

\[\mathcal{L}_{domain} = \mathbb{E}_{x \sim \mathcal{D}_{target}} [\ell(\hat{d}, d)] \]

GRL在反向传播时将域判别器的梯度乘以负系数 \(-\lambda\)，促使特征提取器生成的特征 \(d\) 最大化域分类误差，从而滤除工况相关信息。

3.3 特征正交性约束与总损失函数

为避免故障严重度特征 \(r\) 与机动无关特征 \(d\) 之间存在信息冗余，网络引入基于余弦相似度的正交正则化项：

\[\mathcal{L}_{diff} = \zeta \cdot \left( 1 - \frac{1}{n} \sum_{i=1}^n \frac{r_i \cdot d_i}{\|r_i\| \|d_i\|} \right) \]

CAAN的综合优化目标定义为：

\[\mathcal{L}_{total} = \mathcal{L}_y + \lambda_d \mathcal{L}_{domain} + \lambda_{distill} \mathcal{L}_{distill} + \lambda_{diff} \mathcal{L}_{diff} \]

其中 \(\mathcal{L}_y\) 为多分类交叉熵损失，\(\lambda_d\)、\(\lambda_{distill}\) 和 \(\lambda_{diff}\) 为平衡域自适应、特征蒸馏及正交约束的超参数。

---

4. 诊断系统实施流程与仿真系统建模

4.1 实施流程

图4展示了该诊断架构从物理系统到故障决策的完整技术流程：

1. 数据采集与预处理：从仿真系统获取原始监测信号和控制参数，经异常值剔除与归一化处理后，采用无重叠的时序分块进行滑动窗口切片。
2. 任务构建：将加速工况（C1）、恒速工况（C2）和减速工况（C3）划分为不同的源域和目标域组合，建立跨域泛化迁移任务。
3. 模型训练与推理：联合优化仿射校准参数与解耦特征表征，完成最终故障状态判定。

图4 故障诊断框架实施流程

4.2 柴油机燃油喷射系统建模

实验采用的柴油机燃油喷射物理仿真拓扑如图5所示。系统由凸轮轴、输油泵、4组柱塞式高压共轨喷油泵及4组喷油器总成构成。

图5 柴油机燃油喷射系统仿真建模

• 监测信号：取各缸喷油器的瞬态质量流量。喷孔堵塞等级依据喷嘴孔径缩减量设定（从正常0.400 mm逐步递减至严重堵塞的0.380 mm，共5类状态）。
• 控制输入参数：选取曲轴角速度 \(\omega\)、凸轮轴转速 \(v\) 以及凸轮线性位移 \(p\)。上述三组状态量直接关联喷油阀开启和关闭特性，用于驱动CAC模块生成仿射变换参数。

---

参考文献

Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers[J]. Ships and Offshore Structures, 2026.

https://www.tandfonline.com/doi/full/10.1080/17445302.2026.2748397