控制感知仿射网络：一种可借鉴的变工况故障诊断方式

在动力装备的状态监测中，动态机动工况引起的运行参数变化常与部件早期的故障特征相互耦合，从而对故障诊断模型的判断产生干扰。近期发表于《Ships and Offshore Structures》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，提出了一种控制感知仿射网络（Control-Aware Affine Network, CAAN）。该方法并未将控制信号简单地作为并联输入特征，而是将其转化为动态校准参数，配合特征解耦机制，实现变工况条件下的状态特征提取与故障分类。

一、整体诊断架构

CAAN的主要设计目标是在跨工况条件下，解耦由外部控制动作引起的状态漂移与真实的故障损伤特征。系统的总体结构如图1所示，主要包含三个核心环节：

  1. 控制感知校准（CAC）：将时间序列对齐后的控制信号映射为仿射变换参数，对监测特征实施通道级的动态缩放与基线修正；
  2. 双特征解耦：将校准后的特征分解为两组正交表示，即表征损伤程度的故障严重度特征（Fault Severity Features, FSF）与滤除工况影响的工况不变特征（Maneuver-Invariant Features, MIF）；
  3. 特征正交约束与分类：通过差异损失约束两类特征的语义独立性，最后将二者融合送入故障分类器。

图1

图1：CAAN网络整体架构

二、控制感知校准模块（CAC）

在动态变速或变载过程中，控制单元（ECU）的主动调节行为会导致状态信号发生幅值波动与相位基线偏移。CAC模块针对这两种物理响应，构建了显式的逆映射仿射变换。

图2

图2：控制感知校准（CAC）模块结构

如图2所示，设输入故障监测信号为 \(X_{fault} \in \mathbb{R}^{B \times T \times C}\)，控制变量信号为 \(X_{control} \in \mathbb{R}^{B \times T \times D}\)。为了避免直接由控制信号预测参数造成训练不稳定，CAC采用增量更新策略：

  1. 增量生成与参数累加
    在第 \(i\) 次迭代中，\(X_{control}\) 经由线性层映射输出尺度增量 \(\Delta\alpha_i\) 与偏置增量 \(\Delta\beta_i\)，进而对参数进行累积更新：

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

    其中，初始参数设为 \(\alpha_0 = \mathbf{1} \in \mathbb{R}^{1 \times 1 \times C}\)，\(\beta_0 = \mathbf{0} \in \mathbb{R}^{1 \times 1 \times C}\)，\(\alpha'_{i-1}\) 与 \(\beta'_{i-1}\) 表示经过梯度优化后的状态。

  2. 仿射特征重构
    根据生成的增益因子 \(\alpha_i\) 与偏置因子 \(\beta_i\)，对原始特征进行通道级别的仿射变换，输出校准特征 \(Y_i\)：

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

    此过程利用控制输入对工况波动引起的幅值变化与基线偏移进行归一化补偿。

三、双特征解耦机制

校准后的特征仍包含混合语义，CAAN通过双分支结构分别提取故障严重度特征与工况不变特征。

1. 基于傅里叶相位知识蒸馏的故障严重度表征

在燃油喷射等周期性系统中，部件损伤（如喷孔磨损或堵塞）常引发动作正时延迟。基于傅里叶时移定理，信号在时域上的延迟 \(\tau\) 将直接转化为频域相位的线性相移 \(\Delta\phi(f) = -2\pi f \tau\)，而幅值谱对时间偏移保持不变。
图3

图3：基于傅里叶相位的知识蒸馏机制

如图3所示，系统构建了基于相位的知识蒸馏路径：

  • 教师网络（Teacher Net）：输入原始信号沿时间维度的傅里叶变换相位谱 \(\phi = \arg(\mathcal{F}(x))\)，经一维卷积、sLSTM及多头自注意力机制（MHA）训练，提取出对正时延迟高度敏感的中间表征 \(r^t\)。
  • 学生网络（主干特征提取器）：在直接处理时域信号的同时，计算其中间特征 \(r\) 与教师网络特征 \(r^t\) 的均方误差，构建蒸馏损失 \(\mathcal{L}_{distill}\)：

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

    通过此约束，时域特征提取器习得了相位敏感的损伤表征，而无需在测试推理阶段实时进行傅里叶变换计算。

2. 基于对抗训练的工况不变特征提取

针对跨工况分布差异的非线性特征，系统采用基于梯度反转层（GRL）的域对抗网络（DANN）架构：

  • 域分类器试图识别特征所属的工况域（源域与目标域）；
  • 特征提取器通过反转反向传播梯度，使提取到的表征 \(d\) 最大化混淆域判别器，从而滤除工况特异性信息，最小化域对抗损失 \(\mathcal{L}_{domain}\)。

3. 特征正交性约束与联合优化

为保证严重度特征 \(r\) 与工况不变特征 \(d\) 互不冗余，模型引入基于余弦相似度的差异性惩罚项 \(\mathcal{L}_{diff}\)：

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

模型的总目标函数由任务分类交叉熵损失 \(\mathcal{L}_y\)、域判别损失 \(\mathcal{L}_{domain}\)、蒸馏损失 \(\mathcal{L}_{distill}\) 及正交约束损失 \(\mathcal{L}_{diff}\) 线性加权构成：

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

四、实施流程与系统验证平台

该诊断框架的标准实施流程如图4所示，主要涵盖以下步骤：

  1. 数据采集与划分：采集包含控制参数与状态监测参数的时序数据，采用非重叠时间块策略（如70%训练集、30%验证集）进行滑动窗口切分，确保时间序列划分的独立性。
  2. 多任务工况构建：划分加速（C1）、恒速（C2）、减速（C3）三种状态，以两类状态为源域、一类状态为目标域构建典型的跨域泛化验证场景。
  3. 特征映射与分类：依次执行输入对齐、CAC仿射变换、双分支解耦提取与多目标联合训练，最后输出状态判定结果。

图4

图4：故障诊断流程图

该研究采用的仿真验证对象为船用柴油机高压共轨燃油喷射系统，其实体拓扑与仿真结构如图5所示。

图5

图5：柴油机燃油喷射系统仿真模型

该物理系统包含凸轮轴、输油泵、直列喷油泵以及喷油器等组件。在信号接口设计中：

  • 控制输入变量：选取曲轴角速度 \(\omega\)、凸轮转速 \(v\) 及凸轮位置 \(p\) 作为核心控制变量，三者共同约束喷油阀的开启与闭合规律；
  • 状态监测变量：以喷油器喷射质量流量 \(Q\) 作为反映系统状态的主监测信号；
  • 故障模拟设定：通过调节喷油嘴孔径参数，模拟从正常（F0）到轻度（F1）、中度（F2）、重度（F3）、临界严重（F4）的梯度堵塞状态。

总结

CAAN提供了一种变工况机械装备故障诊断的技术方式。其技术核心在于改变了控制变量的利用方式：不将其作为直接输入特征，而是通过仿射网络将其转化为调节监测特征的增益与偏置；同时在表征空间内，通过物理相位蒸馏和对抗正交约束，实现了损伤尺度与工况变化的结构化解耦。

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

posted @ 2026-11-11 19:31  SSCICC  阅读(4)  评论(0)    收藏  举报