超越传统域自适应的控制感知域对抗网络:引入控制信号的变工况故障诊断思路

在复杂动力装备的状态监测与故障诊断领域,船舶柴油机等动力装置频繁经历加速、减速等复杂变工况操作。传统的纯数据驱动方法主要依赖状态响应信号进行工况识别与故障分类,往往忽略了控制输入信号中蕴含的诊断先验信息。发表于期刊 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,提出了一种从“控制-诊断协同”视角切入的控制感知域对抗网络(Control-Aware Domain-Adversarial Network, CA-DANN)。该方法通过显式建模控制信号与状态信号的动力学耦合关系,并结合细粒度工况域对抗机制,解决强干扰工况变换下状态特征退化与误诊问题。


一、 控制-状态耦合机理与特征混淆机理

在内燃动力系统的物理传递链路中,控制系统施加的操作指令属于主动调节信号,而各子系统的运行状态属于被动响应信号。以燃油喷射系统为例,凸轮轴转速、凸轮线速度及凸轮升程位置直接决定了喷油泵柱塞的供油行程与频率,而各缸喷油器的瞬时喷油质量流量则是表征喷油系统健康状态的被动响应物理量。

当柴油机执行减速操纵时,输入转速下降会导致柱塞驱动速度变缓,从而使喷油质量流量曲线的峰值降低、喷油持续期拖尾延长;与此同时,若喷油器喷孔发生不同程度的积碳堵塞故障,流通有效截面积减小同样会造成喷油峰值流量降低、喷射过程后延。如图1所示,单纯从状态响应信号(喷油质量流量)的时域波形观察,操纵减速效应与喷孔堵塞效应在波形走势上高度相似。在跨操纵工况场景下,仅依靠状态信号特征的传统诊断模型极易将工况改变引起的流量降低误判为喷孔堵塞,或者将轻度故障误归因于工况波动。

ScreenShot_2026-10-17_152218_297


二、 分层耦合燃油喷射系统物理模型与信号定义

为了系统性获取控制信号与状态响应的基准动态数据,研究基于一维等温流体动力学与机械动力学,构建了高压共轨/直列高压喷射系统的分层耦合热力学仿真模型(如图2所示)。

ScreenShot_2026-10-17_152232_623

系统由凸轮轴、低压输油泵、4套直列高压泵组和4个气缸喷油器构成。凸轮轴接收驱动转速后驱动输油泵偏心凸轮及四个抛物线线型高压喷射凸轮,带动柱塞往复运动实现增压供油。系统部署的监测变量分为控制信号与状态信号两类:

  1. 控制信号序列(Control Signals):
    在凸轮轴子系统布设测点,测点编码为 \(\text{MP}i\text{-}j\)(其中 \(i \in \{1, 2, 3, 4\}\) 为对应气缸编号,\(j \in \{1, 2, 3\}\) 为控制信号类型):

    • \(j = 1\):主轴角速度(Shaft Angular Velocity)\(\omega_i(t)\);
    • \(j = 2\):凸轮线速度(Cam Velocity)\(V_i(t)\);
    • \(j = 3\):凸轮瞬时升程位置(Cam Position)\(P_i(t)\)。
      对于多通道时间序列,定义控制输入矩阵为:

    \[x_{\text{control}} \in \mathbb{R}^{T \times D_{\text{ctrl}}} \]

    其中 \(T\) 为时序滑窗长度,\(D_{\text{ctrl}} = i \times j\) 为控制信号总维数(四缸全测点对应 \(4 \times 3 = 12\) 维)。

  2. 状态响应序列(State Signals):
    在 4 个喷油器测点测量喷射质量流量 \(\dot{m}_i(t)\),测点编码为 \(\text{MP}i\text{-}4\)(\(i \in \{1, 2, 3, 4\}\)):

    \[x_{\text{state}} \in \mathbb{R}^{T \times D_{\text{state}}} \]

    其中 \(D_{\text{state}} = 4\) 维。


三、 控制感知域对抗网络(CA-DANN)算法框架与数学推导

CA-DANN的总体架构由三个核心部分构成:双分支控制感知特征提取器(Control-Aware Feature Extractor)、喷孔堵塞程度分类器(Clogging Degree Classifier) 和 细粒度工况域判别器(Maneuvering-Regime Classifier)。

ScreenShot_2026-10-17_152253_650

1. 双分支控制感知特征提取模块

为了摆脱传统特征拼接方式无法体现控制主导性的弊端,特征提取器采用非对称双通道设计,由控制分支动态生成通道加权系数,对状态分支提取的时序特征执行维度调控。

(1) 控制信号特征提取分支
控制信号表征发动机运行指令的多通道协同性。控制分支引入多头自注意力机制(Multi-Head Attention, MHA)聚合不同凸轮测点间的动态依赖:

\[Q = K = V = x_{\text{control}} \]

设定注意力头数为 \(h = 4\),每个注意力头的特征子空间投影维度为 \(d_k = d_v = D_{\text{ctrl}} / h\)。多头注意力机制对输入序列完成自注意力变换后,截取序列最后一个时间步(第 \(T\) 步)的隐层向量以捕获全局序列信息:

\[h_1 = \left[ \text{MHA}(x_{\text{control}}) \right]_T \in \mathbb{R}^{h \cdot d_v} \]

向量 \(h_1\) 经全连接线性层投影至128维空间:

\[h_2 = W_{\text{proj}} h_1 + b_{\text{proj}}, \quad h_2 \in \mathbb{R}^{128} \]

为了自适应增强与故障相关的控制通道并抑制冗余分量,\(h_2\) 被送入压缩-激励通道注意力模块(SE-Net)。首先执行压缩(Squeeze)聚合通道信息,再通过两个全连接层实现激励(Excitation)计算:

\[h_3 = \text{SE}(h_2) = \sigma_{\text{relu}} \left( W_{\text{se2}} \, \text{ReLU}(W_{\text{se1}} h_2 + b_{\text{se1}}) + b_{\text{se2}} \right) \]

其中压缩比(Reduction Ratio)设为4。

为保留输入特征的基础表达能力,控制分支将 \(h_2\) 与 SE-Net 输出 \(h_3\) 进行残差相加,并通过Sigmoid函数将权重系数严格压缩至 \((0, 1)\) 区间:

\[z_{\text{control}} = \sigma(h_2 + h_3) \in \mathbb{R}^{128} \]

其中 Sigmoid 激活函数定义为:

\[\sigma(x) = \frac{1}{1 + e^{-x}} \]

由于 \(z_{\text{control}}\) 的各通道元素严格位于 \((0, 1)\),其在数学上构成状态特征的门控衰减/放大权重,避免了控制输入剧烈扰动时引起特征尺度的非发散性偏移。

(2) 状态响应特征提取分支
状态信号(喷油流量)的时序演化具有强非线性与噪声干扰特性。状态分支采用长短期记忆网络(LSTM)提取时序动态特征。LSTM内部通过遗忘门 \(f_t\)、输入门 \(i_t\)、候选状态 \(\tilde{C}_t\) 及输出门 \(o_t\) 滤除随机波动,最终输出最后时间步 \(T\) 的隐状态向量:

\[z_{\text{state}} = \left[ \text{LSTM}(x_{\text{state}}) \right]_T \in \mathbb{R}^{128} \]

(3) 控制-状态耦合加权融合
控制特征向量 \(z_{\text{control}}\) 与状态特征向量 \(z_{\text{state}}\) 维度相同,二者通过元素级哈达玛积(Hadamard Product, \(\odot\))生成最终的融合表征向量 \(z\):

\[z = z_{\text{control}} \odot z_{\text{state}} \in \mathbb{R}^{128} \]

其中:

\[z^{(i)} = z_{\text{control}}^{(i)} \cdot z_{\text{state}}^{(i)}, \quad i \in \{1, 2, \dots, 128\} \]

该融合机制使得每个状态特征维度均受到对应控制权重的自适应调制。


2. 喷孔堵塞程度分类器结构与损失函数

融合特征向量 \(z\) 被输入上层的故障分类器,网络由两层全连接线性层及ReLU非线性激活函数构成:

\[y_{\text{clog}} = W_{\text{clog2}} \, \text{ReLU}(W_{\text{clog1}} z + b_{\text{clog1}}) + b_{\text{clog2}} \]

其中 \(W_{\text{clog1}} \in \mathbb{R}^{H_{\text{clog}} \times 128}\),\(b_{\text{clog1}} \in \mathbb{R}^{H_{\text{clog}}}\);\(W_{\text{clog2}} \in \mathbb{R}^{C \times H_{\text{clog}}}\),\(b_{\text{clog2}} \in \mathbb{R}^{C}\);\(C\) 为堵塞等级分类总数(如正常F0至严重堵塞F4共5类)。输出logits向量记为 \(y_{\text{clog}} = \left[ (y_{\text{clog}})_1, (y_{\text{clog}})_2, \dots, (y_{\text{clog}})_C \right]^T\)。

最终的离散类别判定通过最大后验概率(Argmax)获得:

\[\hat{c} = \arg\max_{c \in \{0, 1, \dots, C-1\}} (y_{\text{clog}})_c \]

在模型训练阶段,喷孔堵塞分类损失仅在带标签的源域样本集(样本数记为 \(N_s\))上计算,采用多类交叉熵损失函数(Multi-Class Cross-Entropy):

\[\mathcal{L}_{\text{clog}} = - \frac{1}{N_s} \sum_{n=1}^{N_s} \log \left( \frac{\exp \left( (y_{\text{clog}}^{(n)})_{c^{(n)}} \right)}{\sum_{c=1}^{C} \exp \left( (y_{\text{clog}}^{(n)})_c \right)} \right) \]

其中 \(c^{(n)} \in \{0, 1, \dots, C-1\}\) 为第 \(n\) 个源域样本的真实喷孔堵塞故障标签。


3. 细粒度工况域对抗机制与梯度反转层

传统域对抗神经网络(DANN)通常将域判别器建模为简单的二分类器(即仅区分样本来源于源域还是目标域)。但在实际操纵过程中,目标域内部包含恒速、急加速、急减速、加-减速、减-加速以及多段交替复合操纵等多种不同动力学特征。简单的二分类域对抗极易忽略目标域内部的多模态子流形分布差异。

因此,CA-DANN提出了细粒度工况分类的对抗判别策略。将工况域判别器扩展为 \(K\) 分类网络(包含1种源域稳态工况与 \(K-1\) 种目标域变工况,例如 \(K=7\))。

(1) 梯度反转层(Gradient Reversal Layer, GRL)
融合特征 \(z\) 在传入工况判别器前首先经过GRL。GRL包含互逆的正向与反向动力学映射:

  • 前向传播(Forward Propagation): 保持特征完全不变,直接恒等映射传递:

    \[\mathcal{R}(z) = z \]

  • 反向传播(Back-Propagation): 捕获后续层传递的损失梯度,乘以负标量系数 \(-\lambda\) 后反向回传至特征提取器:

    \[\frac{\partial \mathcal{L}_{\text{regime}}}{\partial z} = -\lambda \frac{\partial \mathcal{L}_{\text{regime}}}{\partial \mathcal{R}(z)} \]

    其中 \(\lambda\) 为域正则化超参数。

(2) 细粒度判别器前向计算
经GRL后的特征进入双层非线性映射网络:

\[y_{\text{regime}} = W_{\text{regime2}} \, \text{ReLU}(W_{\text{regime1}} \mathcal{R}(z) + b_{\text{regime1}}) + b_{\text{regime2}} \]

其中 \(W_{\text{regime1}} \in \mathbb{R}^{H_{\text{regime}} \times 128}\),\(b_{\text{regime1}} \in \mathbb{R}^{H_{\text{regime}}}\);\(W_{\text{regime2}} \in \mathbb{R}^{K \times H_{\text{regime}}}\),\(b_{\text{regime2}} \in \mathbb{R}^{K}\);\(K\) 为工况总数。工况判别输出为 \(\hat{k} = \arg\max_{k \in \{0, 1, \dots, K-1\}} (y_{\text{regime}})_k\)。

(3) 细粒度工况交叉熵损失
工况判别损失在包含源域与目标域的所有样本总集(\(N = N_s + N_t\))上联合计算:

\[\mathcal{L}_{\text{regime}} = - \frac{1}{N} \sum_{n=1}^{N} \log \left( \frac{\exp \left( (y_{\text{regime}}^{(n)})_{k^{(n)}} \right)}{\sum_{k=1}^{K} \exp \left( (y_{\text{regime}}^{(n)})_k \right)} \right) \]

其中 \(k^{(n)} \in \{0, 1, \dots, K-1\}\) 为样本所属的具体操纵工况索引。


4. 联合优化目标函数与极小极大博弈

整个网络架构通过统一的目标函数实现端到端联合训练:

\[\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{clog}} + \lambda \, \mathcal{L}_{\text{regime}} \]

在优化过程中,网络参数划分为特征提取器参数 \(\theta_f\)、堵塞分类器参数 \(\theta_y\) 和细粒度工况判别器参数 \(\theta_d\)。优化过程构成典型的极小极大(Min-Max)博弈:

\[\hat{\theta}_y, \hat{\theta}_d = \arg\min_{\theta_y, \theta_d} \mathcal{L}_{\text{total}}(\hat{\theta}_f, \theta_y, \theta_d) \]

\[\hat{\theta}_f = \arg\min_{\theta_f} \left[ \mathcal{L}_{\text{clog}}(\theta_f, \hat{\theta}_y) - \lambda \, \mathcal{L}_{\text{regime}}(\theta_f, \hat{\theta}_d) \right] \]

通过基于GRL的反向梯度传播,特征提取器 \(\theta_f\) 一方面通过最小化 \(\mathcal{L}_{\text{clog}}\) 保障所提取表征对故障程度的高敏感性与高判别力;另一方面通过反转梯度迫使 \(\mathcal{L}_{\text{regime}}\) 最大化,使得提取出的融合特征抹除特定操纵工况的分布流形痕迹,实现在多类复杂变工况条件下的域不变特征对齐。


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.

https://journals.sagepub.com/doi/10.1177/01423312261487500

posted @ 2026-10-17 15:29  翼下之峰  阅读(9)  评论(0)    收藏  举报