【论文解读】没有控制感知的故障诊断，不过是一场自我感动的盲目拟合
在复杂动力装备的状态监测领域，深度学习模型往往表现出很高的拟合精度，但在实际工程环境中却常常遭遇泛化问题。发表于《Transactions of the Institute of Measurement and Control》的研究论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》，直面了工业故障诊断中长期被忽视的一个系统级问题：当外部机动控制行为与内部机理故障产生高度相似的状态响应时，脱离控制指令的纯状态驱动诊断，往往只是在拟合表象而非诊断本质。
一、症结所在：当操作机动“伪装”成部件故障
在船舶柴油机等工业装备的实际运行中，系统的运行状态始终受到控制系统的主动调度与约束。然而，目前绝大多数基于数据驱动的诊断模型，仅仅将传感器采集到的状态信号（如温度、压力、流量等）作为输入，默认这些状态信号自身具备充分的故障可区分性。
这种假设在多变工况下极易失效。柴油机燃油喷射系统展现了一个极具代表性的物理现象：在船舶机动操作过程中，主机转速的主动调低，会导致喷油器的单次喷油峰值流量降低、喷油尾部拖尾延长；而在恒定工况下，喷油孔发生渐进式堵塞故障时，燃油通道受阻同样会导致喷油峰值流量降低以及尾部拖尾延长。
(图1：不同机动操作与喷嘴堵塞程度下的控制与状态信号时域演化。(a) 无故障状态下不同输入转速的单喷油器质量流量；(b) 额定转速下不同堵塞程度的单喷油器质量流量)
从上图可以看出，单纯观察状态层面的质量流量波形，操作意图驱动的工况调整与物理损伤引发的通道退化在时间演化趋势上高度混淆。常规深度学习模型若不感知来自凸轮轴与调速机构的控制指令，仅仅在状态空间中强行拟合分类面，极易将正常的机动减速误判为喷嘴堵塞，反之亦然。诊断系统如果缺少“系统当前接收到了何种控制输入”的先验感知，其对状态信号的分类在物理上是不定解的。
二、仿真机理背景：高压喷射系统的层次化建模
为了准确复现这一控制-状态耦合机理，研究构建了四缸高压共轨/直列喷射系统的层次化热力学仿真模型。
(图2：船用柴油机直列喷射系统层次化热力学仿真模型及内部子系统示意图。(a) 总体拓扑结构；(b) 凸轮轴子系统；(c) 喷油器子系统)
在该物理模型中，凸轮轴接收驱动转速输入，将运动传递至驱动各缸喷油泵的高压凸轮；各缸柱塞泵在调速器控制下向对应喷油器供给高压燃油，完成向缸内的定时定量喷射。控制侧涵盖轴系角速度、凸轮线速度与凸轮瞬时角位移；状态侧则采集各缸喷油器的燃油喷射质量流量。通过在凸轮轴输入端施加平稳运行、加速、减速以及交变加减速等多类机动序列，并在喷孔尺寸上设置不同等级的截面积缩减，模型生成了交织着动态操作与渐进损伤的耦合数据。
三、架构设计：控制感知的特征提取与门控调制
针对控制信号主动调控、状态信号被动响应的因果关系，论文提出了一种控制感知领域对抗网络（CA-DANN），其核心特征提取器并未采取工业界常见的“控制信号与状态信号简单拼合输入”的做法，而是采用了双分支异构建模与动态门控融合结构。
(图3：控制感知领域对抗网络（CA-DANN）框架结构，包含分叉特征提取器、故障程度分类器与机动工况判别器)
1. 控制信号特征分支
柴油机在健康状态下，控制指令在各缸凸轮间呈现严格的相位互差与幅值同步特征。控制分支首先利用多头自注意力机制，对轴系角速度、凸轮速度与位移构成的控制序列进行多子空间投影，建立多控制变量间的动态关联；然后取末端时步特征，送入全连接层投影，并引入通道注意力模块进行通道级的全局池化与相关性激发，自适应重加权控制特征通道；最后经由残差连接并映射至逻辑平滑激活函数，生成介于零到一之间的门控权重向量。
2. 状态信号特征分支
燃油质量流量等状态信号包含升压斜率、峰值流量与持续期等强时序特征，同时易受流体湍动与测量扰动影响。状态分支采用长短期记忆网络处理四缸喷油流量时序，利用其遗忘门与输入门机制滤除高频抖动，保留末端隐藏状态作为状态特征表征。
(图4：加权融合机制下特征提取器的超参数设计)
3. 动态乘性加权融合
在特征融合阶段，模型避免使用简单的特征拼接，而是将控制分支生成的门控向量与状态分支的时序特征进行逐元素相乘。
这种设计的物理合理性在于：控制信号本质上是系统的激励源，决定了当前状态响应的基线与边界。控制分支输出的门控值起到了动态调制器的作用，依据当前的控制动作模式，选择性地抑制或放大了状态特征中与机动强相关的维度，迫使进入下游分类器的融合特征聚焦于因物理堵塞引起的异常残差。
四、细粒度机动工况对抗
在工业迁移学习中，经典的领域对抗网络（DANN）通常只设立一个二分类域判别器，即仅判别样本来自“源域（如平稳工况）”还是“目标域（如变转速工况）”。
然而在复杂的航行场景下，目标域并非单一分布，而是由连续加速、急减速、加减速交替等多种机动模式构成的混合多模态分布。若仅执行源域与目标域的二元对抗，域判别器提供的对抗梯度过于宽泛，难以剥离复杂交织的工况特征，甚至可能破坏本就脆弱的故障损伤特征。
为此，CA-DANN 引入了细粒度领域对抗机制：
- 多分类工况判别器：将传统的二元真伪判别扩展为多类别分类任务，涵盖平稳工况以及多种不同时序组合的变速机动模式。
- 梯度反转层对抗：在特征提取器与工况判别器之间接入梯度反转层。在反向传播时，工况分类的交叉熵梯度被反向缩放并反转回传给特征提取器。
- 优化博弈：工况判别器竭力根据融合特征推断当前的具体操作模式；而特征提取器则在反转梯度的驱使下，抹除所有携带具体机动模式信息的特征痕迹，最后仅输出对各类机动行为均具备不变性的故障损伤特征。
五、鲁棒性根源与工程局限
在实际工程部署中，控制传感器存在发生断线、测量丢失或漂移的可能。该网络结构在面对控制输入异常时表现出结构性韧性：
- 门控有界性：由于控制分支输出施加了逻辑平滑函数，生成的调制权重被天然约束在零与一的开区间内。当控制通道缺失置零或叠加恒定偏差时，门控权重的波动被严格限幅在有限区间内，状态特征的主干通路不会因输入剧变而发生数值崩塌。相比直接将控制量作为原始输入拼接的多层感知机，门控机制有效切断了异常数值的直接前向传播路径。
客观局限性与反思
保持严谨求实的态度，该方法目前仍存在明确的工程边界：
- 真实台架验证的缺失：当前研究结论均建立在确定性热力学耦合仿真数据之上。尽管仿真计入了流动动力学与机件运动，但真实发动机面临结构热变形、燃烧室壁面积碳、燃油物性随温度漂移等复杂未建模动态，该机制在实船环境下的稳健性仍需实测检验。
- 控制系统本身的故障假设：当前方法建立在“控制执行与传感机构工作正常，仅喷油器本体发生机械堵塞”的先验假设之上。若执行机构自身卡死或传感器发生严重非线性漂移，控制通道所提供的先验信息本身即成为错误源，此时控制感知机制可能会引发衍生误判。未来研究仍需探索控制回路自身故障与被控对象物理故障的联合解耦诊断机制。
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/abs/10.1177/01423312261487500
浙公网安备 33010602011771号