变工况故障诊断的解决思路:基于控制感知仿射校准与双特征解耦的诊断框架
在动力装备的运行过程中,变工况机动操作引起的动态调整与部件早期故障引发的参数变化往往高度相似,容易导致常规故障诊断模型在工况变化时产生误判。针对这一问题,发表在期刊《Ships and Offshore Structures》上的论文《Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers》提出了一种控制感知仿射网络(Control-Aware Affine Network, CAAN)框架。该方法将控制信号由被动扰动转换为主动校准参数,并结合双特征解耦机制,构建了面向动态变工况的故障表征与分类流程。
1. 变工况机动响应与故障演化的耦合机理
在装备运行过程中,控制单元(ECU)会根据负荷需求实时调整执行机构参数。例如在柴油机减速工况下,控制系统为维持燃烧稳定性会主动延长喷油持续时间;而在喷油嘴发生孔隙堵塞故障时,系统为保证供油量同样会补偿性地延长喷油持续时间。

如上图所示,减速动态与早期堵塞故障在时间域响应上表现出高度的形态重叠。当早期故障引发的微弱偏离被工况变换的主动控制调整所覆盖时,单纯基于状态监测信号的诊断模型难以有效解耦工况漂移与结构性损伤。
2. CAAN诊断框架总体结构
为了消除控制动态对故障判别的干扰,CAAN将控制量与状态监测信号进行时序对齐,并构建包含特征校准、特征解耦与特征融合的完整处理流水线。

其处理流程主要包括以下步骤:
- 控制感知校准(CAC):以实时控制信号生成仿射变换参数,对监测特征进行通道级缩放与偏移校正;
- 双特征解耦:将校准后的特征分解为两组独立表征,即反映故障严重程度的特征分量与对工况变化保持不变的特征分量;
- 正交约束与特征融合:引入正交损失函数以最小化两类特征之间的信息冗余,并将两组互补特征拼接后输入分类器输出诊断结果。
3. 控制感知校准模块(CAC)的设计
CAC模块的核心逻辑是通过控制信号构建逆向工况映射,将不同工况下的特征基线统一映射至标准化健康状态。

3.1 物理参数化表征
在动态运行中,控制作用主要引起特征幅值变化与基线漂移:
- 幅值缩放因子(\(\alpha\)):作为动态增益补偿参数,用于消除由机动负载变化引起的特征通道能量波动;
- 基线偏移因子(\(\beta\)):作为时序与偏置修正参数,用于中和执行器响应引起的基线静态偏移。
设监测故障信号为 \(X_{fault} \in \mathbb{R}^{B \times T \times C}\),控制信号为 \(X_{control} \in \mathbb{R}^{B \times T \times D}\)。校准后的特征 \(Y_i\) 计算公式为:
3.2 增量更新策略
为避免样本时序依赖导致的网络训练震荡,模块采用增量更新机制:
其中,\(\alpha_0 = 1\) 且 \(\beta_0 = 0\) 为初始状态,\(\Delta\alpha_i\) 和 \(\Delta\beta_i\) 由控制信号经全连接层计算得出,\(\alpha'_{i-1}\) 与 \(\beta'_{i-1}\) 分别为上一轮梯度反向传播更新后的参数状态。
4. 双特征解耦与表征学习
经校准后的特征进入解耦通路,分别提取故障严重度特征与工况不变特征。
4.1 基于傅里叶相位知识蒸馏的故障严重度表征
在时域信号中,时序滞后在频域表现为相位的线性位移。根据傅里叶时移定理,时延 \(\tau\) 作用于信号 \(x\) 时,其频域幅值谱保持不变,而相位角 \(\phi\) 会产生线性偏移:
因此,相位谱对于表征执行机构的时序延迟具有明确的物理意义。

该框架设计了一个以频域相位数据为输入的预训练专家教师网络(Teacher Net)。在主模型(CAAN 学生网络)训练过程中,固定教师网络权重,通过最小二乘误差(MSE)约束学生网络中间特征 \(r\) 与教师网络特征 \(r^t\) 的分布一致性:
4.2 基于梯度反转层的机动工况不变特征提取
针对跨工况分布偏移,框架引入领域对抗机制(DANN)。在工况分类器前设置梯度反转层(GRL),其反向传播更新规则为:
特征提取器在最小化源域标签分类误差的同时,最大化目标域工况判别损失,从而迫使提取出的特征分量 \(d\) 滤除工况关联信息,保留工况无关的基础故障模式。
4.3 特征正交性约束
为确保故障严重度特征 \(r\) 与工况不变特征 \(d\) 不包含重叠信息,引入基于余弦相似度的正交正则项:
该项约束驱动两类特征向量相互垂直,保证信息维度的独立性。
5. 联合损失优化与实施流程

系统的联合训练目标函数定义为:
其中,\(\mathcal{L}_y\) 为分类交叉熵损失,\(\lambda_d\)、\(\lambda_{distill}\)、\(\lambda_{diff}\) 为权衡各项任务梯度的超参数。
整个工程实施流程可划分为三个标准化阶段:
- 数据采集与划分:采集包含控制参数与状态响应的时序信号,按时间序列块(如 70% 训练、30% 验证)进行非重叠切分并滑动采样;
- 跨工况任务定义:构建覆盖不同加减速及稳态区间的源域与目标域迁移场景;
- 端到端训练与推理:加载预训练教师网络先验,利用控制信号实时调节仿射参数,并在特征解耦与正交约束下完成多目标优化,最终输出故障状态类别。
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

浙公网安备 33010602011771号