论控制信号在变工况机械故障诊断中的重要性:控制感知域对抗网络
在复杂工况与机动操作下,机械系统的状态信号往往同时受到外部控制输入和内部健康状态退化的耦合影响。论文 Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective 发表于期刊 Transactions of the Institute of Measurement and Control。该研究针对船用柴油机燃油喷射系统在变工况机动过程中的故障诊断问题,提出了一种控制感知域对抗网络(Control-Aware Domain-Adversarial Network, CA-DANN)。本文将从系统物理动力学混淆机制、数据流构建、特征提取分支设计以及细粒度域对抗对齐等环节,对其核心技术步骤进行解析。
一、物理背景与控制-状态混淆
在传统数据驱动的故障诊断研究中,模型通常仅依赖于状态监测信号(如压力、流量、振动等)。但在闭环受控机械系统中,控制变量主动调节设备运行状态,而状态变量则是被动的动态响应。当工况发生机动变化(如加速、减速)时,状态信号所呈现的时域响应特征可能会与特定故障模式的表现高度重叠。

如图1所示,以柴油机喷油器的喷油质量流量为例:
- 当转速下降时,单次喷油过程的峰值流量降低,喷油尾部持续时间延长;
- 当喷油嘴出现积碳堵塞(喷孔直径缩减)时,同样会导致峰值流量下降并伴随尾部拖尾。
若仅依据状态信号建模,模型难以判定此类波形变化是由操作人员/调速机构改变输入转速引起,还是由喷孔堵塞引起。因此,将能够表征主动调节指令的控制变量引入特征空间,是解耦工况漂移与故障劣化的物理前提。
二、仿真模型结构与监测变量定义
研究基于热力学与流体管网建立了四缸船用柴油机直列式喷油系统的分层耦合仿真模型,结构如图2所示。

该系统主要包含凸轮轴、输油泵、4组直列式喷油泵及4个喷油器。信号采集测点设置如下:
- 控制信号测点(凸轮轴子系统,MP\(i\)-\(j\),\(j \in \{1, 2, 3\}\)):包括轴角速度 \(\omega\)(\(j=1\))、凸轮线速度 \(V\)(\(j=2\))以及凸轮位置 \(P\)(\(j=3\)),共计12个通道。
- 状态信号测点(喷油器子系统,MP\(i\)-\(4\)):4个喷油器各自的燃油喷射质量流量,共计4个通道。
时序样本采集过程中,通过施加7类机动工况(涵盖恒速工况A与6类加减速过渡工况BG)及5种喷嘴孔径磨损/堵塞状态(F0F4,孔径自0.40 mm依次缩减至0.20 mm),经由滑动窗口(窗长50,步长10)切分得到离散样本时序序列 \(x_{\text{control}} \in \mathbb{R}^{T \times C_{\text{ctrl}}}\) 与 \(x_{\text{state}} \in \mathbb{R}^{T \times C_{\text{state}}}\)。
三、控制感知域对抗网络(CA-DANN)技术步骤
CA-DANN的整体架构由三个核心模块构成:分叉式控制感知特征提取器、故障(堵塞)程度分类器,以及细粒度机动工况鉴别器。


1. 控制信号特征提取与通道权值生成
控制信号分支的目标是从多维运动学参数中抽取多尺度时间依赖关系,并将其映射为针对状态特征的维度调制权值:
- 多头自注意力层(MHA):输入序列 \(x_{\text{control}}\) 首先送入头数 \(h=4\) 的多头注意力机制(其中投影维度 \(d_k = d_v\) 与输入控制变量种类数匹配),通过不同的子空间投影捕捉凸轮轴角速度、线速度与位置之间的多通道时空关联。取最后一个时间步 \(T\) 的输出保留序列全局依赖:\[h_1 = \text{MHA}(x_{\text{control}})_T \]
- 特征降维与通道重标定(SENet):\(h_1\) 经线性全连接层映射至128维空间获得特征 \(h_2\);进入通道注意力模块(SENet),通过全局压缩与激励操作生成通道依赖权重向量,与原特征计算得到 \(h_3\)。
- 残差融合与 Sigmoid 压缩:为保留原特征表现并限制权重边界,通过残差连接求和后,经Sigmoid函数将各维度数值严格约束至 \((0, 1)\) 区间内,形成调控权重向量 \(z_{\text{control}}\):\[z_{\text{control}} = \sigma(h_2 + h_3) = \frac{1}{1 + e^{-(h_2 + h_3)}} \in (0, 1)^{128} \]
2. 状态信号特征提取
状态信号分支主要捕获流量时序的动态演化特征(如上升沿斜率、峰值流量与喷射持续周期):
- 长短期记忆网络(LSTM):4路喷油器的质量流量时序信号 \(x_{\text{state}}\) 输入隐层维度为128的LSTM模块中,利用其遗忘门与输入门过滤随机瞬态波动,提取最后一个时间步对应的隐状态向量:\[z_{\text{state}} = \text{LSTM}(x_{\text{state}})_T \in \mathbb{R}^{128} \]
3. 控制-状态自适应乘性加权融合
模型并未采用传统将两组特征直接拼接(Concatenation)的高维并行方式,而是基于“控制引导状态”的先验机制,采用 Hadamard 积进行逐元素乘法加权:
由于 \(z_{\text{control}}\) 的各通道值位于 \((0, 1)\) 之间,该操作实质上构成了一种软门控选择机制。控制分支根据当前工况的瞬态运动特征,自适应放大对故障敏感的特征维度,同时抑制受转速变动扰动明显的冗余维度。
4. 故障状态分类损失构建
融合特征 \(z\) 输入至堵塞程度分类器,通过包含 ReLU 激活的两层感知机映射输出故障类别预测 logits:
仅利用源域(稳态工况)的有标签样本计算多分类交叉熵损失:
其中 \(N_s\) 为源域样本数,\(C\) 为故障级别数(本模型中 \(C=5\)),\(c^{(n)}\) 为样本 \(n\) 的真实故障标签。
5. 细粒度多类机动工况对抗对齐
传统域对抗神经网络(DANN)的判别器通常仅输出二值类别(判断样本来自源域还是目标域)。然而,当目标域内部包含多种动态差异极大的机动过程时,粗粒度的二分类对抗难以约束复杂的域内多峰分布。
CA-DANN构建了多分类机动工况判别器:
- 梯度反转层(GRL):前向传播过程中特征 \(z\) 保持不变;反向传播阶段,判别器反传的梯度乘以缩放系数 \(-\lambda\),迫使特征提取器学习与具体机动工况解耦的不变量。
- 多工况预测:通过包含ReLU的两层前馈网络,将反转后的特征映射为 \(K\) 类工况 logits(\(K=7\),覆盖恒速及加速、减速等6种复合机动模式):\[y_{\text{regime}} = W_{\text{regime}2} \text{ReLU}(W_{\text{regime}1} z + b_{\text{regime}1}) + b_{\text{regime}2} \]
- 工况判别损失:在所有样本(源域样本 \(N_s\) 与目标域样本 \(N_t\) 的全集 \(N\))上计算多分类交叉熵:\[\mathcal{L}_{\text{regime}} = -\frac{1}{N} \sum_{n=1}^{N} \log \left( \frac{e^{(y_{\text{regime}}^{(n)})_{k^{(n)}}}}{\sum_{k=1}^K e^{(y_{\text{regime}}^{(n)})_k}} \right) \]其中 \(k^{(n)}\) 为样本 \(n\) 所属的工况真实类别。
整个网络的联合优化目标定义为:
通过最小化主任务分类损失并最大化细粒度工况判别损失,最终驱动特征提取器在隐空间内形成既能分离各级堵塞程度、又对各类变转速机动过程保持不变性的表征。
四、技术总结
CA-DANN架构从机械动力学的主/被动属性出发,给出了结合控制信号辅助故障诊断的规范性处理流程:
- 控制与状态分流建模:针对控制与状态信号的时序与频域特异性,分别采用MHA-SENet与LSTM实施异构特征抽取;
- 乘性门控权值交互:利用有界连续函数将控制信号转化为权重因子,避免了简单特征拼接在控制信号丢失或异常时直接向后级传递数值偏移的结构缺陷;
- 细粒度对抗约束:将域鉴别器从粗放的“源-目标”二分类拓展为覆盖完整机动形态的多分类器,提高了多峰目标域分布对齐的约束强度。
参考文献
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.

浙公网安备 33010602011771号