控制感知域对抗网络：通过控制感知解决变工况故障诊断难题

在船舶动力系统状态监测领域，针对高机动操纵工况下柴油机燃油喷射系统的故障诊断问题，论文《Fault diagnosis of marine diesel engine via control-aware domain adversarial network: A control-diagnosis collaboration perspective》提出了一种结合控制先验与域适应机制的控制感知域对抗网络（Control-Aware Domain Adversarial Network, CA-DANN）。现有数据驱动方法通常仅采集并分析系统状态响应信号，将控制系统的操纵行为视为外部未知干扰；该研究从控制与诊断协同的角度，构建了控制信号与状态信号的非对称耦合结构，并结合细粒度对抗训练实现变工况下的特征解耦与对齐。

---

1. 物理机制冲突与问题成因

在柴油机工作过程中，船舶操纵引发的转速波动与喷油器喷孔堵塞故障对缸内喷油状态具有高度相似的影响机制。

图1：不同操纵工况与喷孔堵塞程度下的控制信号与状态信号时序变化(对应论文图1：(a) 无堵塞状态下不同输入转速下单喷油器的质量流量；(b) 100 rad/s转速下不同喷嘴堵塞程度下的喷油质量流量)

如图1所示，当柴油机处于减速等操纵工况时，输入转速下降会导致单次喷射的峰值流量降低并伴随喷射尾部延长；而在恒定转速下，喷孔直径因积碳或磨损减小时（由正常孔径逐步退化），喷射质量流量同样表现出峰值下降与尾部延展的趋势。

若诊断模型仅依赖质量流量等状态响应信号作为输入，模型难以辨识状态退化是由控制指令驱动的转速调节引起，还是由机械部件本身的物理故障引起。在跨工况场景下，这种特征层面的混淆常导致传统模型在变工况分布中产生误判。

---

2. 喷射系统仿真建模与信号定义

为系统分析控制信号与状态信号的动力学关联，论文构建了四缸高机动柴油机直列式燃油喷射系统的分层耦合热力学物理模型。

图2：船舶柴油机直列式喷射系统分层耦合热力学仿真模型结构(对应论文图2：(a) 分层耦合热力学仿真模型整体架构；(b) 凸轮轴子系统局部结构；(c) 喷油器子系统局部结构)

该物理模型由凸轮轴、输油泵、直列式喷油泵组、高压油管网络及喷油器构成（图2(a)）：

• 控制侧信号源：凸轮轴接收驱动角速度输入，通过抛物线凸轮型线向各分泵传递运动（图2(b)）。监测点布置于凸轮轴子系统，采集轴角速度 \(W\)、凸轮线速度 \(V\) 及凸轮位移 \(P\) 三类控制参数。
• 状态侧信号源：高压油流经针阀喷孔进入气缸（图2(c)）。监测点设置在喷嘴出口处，采集四组喷油器的实时喷射质量流量作为状态响应。
• 工况与故障配置：设置恒速、加速、减速以及交替加减速等多类机动工况；通过调整喷孔直径模拟不同等级的喷嘴堵塞状态。

---

3. CA-DANN网络架构与控制感知特征提取

柴油机动力学本质上遵循“控制指令主动调节、系统状态被动响应”的物理因果律。针对控制与状态信号的非对称关系，CA-DANN没有采用简单特征拼接的处理方式，设计了双分支控制-状态加权融合提取器。

图3：控制感知域对抗网络（CA-DANN）整体架构

图4：加权融合机制下特征提取器的网络参数配置

3.1 控制分支建模

控制信号 \(x_{\text{control}}\)（包含轴角速度、凸轮速度与凸轮位置）首先输入至多头自注意力机制（Multi-Head Attention, MHA）模块：

\[h_1 = \text{MHA}(x_{\text{control}})_T \]

其中，查询、键、值均映射自控制序列本身，通过设置多个注意力头捕获各缸之间与控制变量之间的耦合相位，取末端时间步特征以汇聚全局时域依赖。

特征通过全连接层降维，输入至Squeeze-and-Excitation（SE-Net）通道注意力模块。经全局挤压与通道激励后得到调制特征 \(h_3\)，并通过残差连接与前层线性特征 \(h_2\) 相加，最后经由Sigmoid函数将权值约束在 \((0, 1)\) 区间内：

\[z_{\text{control}} = \sigma(h_2 + h_3) \]

3.2 状态分支建模

状态信号 \(x_{\text{state}}\)（喷射质量流量）由于直接反映喷射规律且伴随流动扰动，被送入长短期记忆网络（LSTM）提取时序演化特征：

\[z_{\text{state}} = \text{LSTM}(x_{\text{state}})_T \]

通过其内部遗忘门与输入门机制，压制由流体压力脉动引起的瞬态噪声，保留波形前沿上升斜率与峰值持续时间等本征信息。

3.3 元素级加权融合

两个分支的输出特征通过逐元素相乘实现耦合：

\[z = z_{\text{control}} \odot z_{\text{state}} \]

在此机制下，\(z_{\text{control}}\) 充当动态门控向量。依据当前输入的转速与凸轮运动学状态，控制分支生成的连续权重对状态特征的特定维度进行自适应增益或抑制，使融合后的隐层表征 \(z\) 显式携带控制调节上下文。

---

4. 细粒度域对抗机制与目标函数设计

为解决源域（恒定工况）到目标域（变工况）之间的分布漂移，网络下游并行构建了两个任务分支：

4.1 堵塞程度分类器

接收特征向量 \(z\)，通过包含非线性激活的双层多层感知机映射至故障类别空间：

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

在带标签的源域样本集上，采用多分类交叉熵损失进行优化：

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

4.2 细粒度工况判别器

常规域对抗网络（DANN）通常采用二值分类器判断样本来源于源域或目标域。但在复杂机动运行条件下，目标域内部包含加速、减速、多段过渡等多种模态。

CA-DANN 引入细粒度工况判别器，将对抗目标重构为多分类任务（涵盖源域恒速与目标域内多种变速工况）。特征 \(z\) 在进入判别网络前先通过梯度反转层（Gradient Reversal Layer, GRL）：

• 前向传播时保持特征不变；
• 反向传播时将后续梯度乘以负缩放因子 \(-\lambda\) 后向特征提取器回传。

判别器损失基于所有可用样本（源域与目标域无标签样本）计算：

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

系统总体优化目标为：

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

对抗训练使得特征提取器主动滤除具有工况判别能力的成分，迫使融合表征在不同操纵模态之间趋于对齐，仅保留与喷孔物理退化相关的判别信息。

---

5. 特征空间表征与机制消融特性

通过对比不同网络配置下的特征空间分布，可以直观观察到控制感知模块与域对抗机制的作用过程。

图5：不同模型结构与控制信号输入下目标域特征的t-SNE二维降维分布(对应论文图5：M1为拼接融合对抗模型，M2为加权融合非对抗模型，M3为CA-DANN；纵向对比输入0/1/2/3种控制信号对特征聚类边界的影响)

从表征流形（图5）可以看出：

1. 控制输入的必要性：在缺失控制输入时（图5(a)–(c)），因不同工况与不同故障状态的时序混淆，各类故障样本在特征空间中大面积重叠，各退化等级间的几何边界模糊。
2. 加权融合相对拼接融合的紧凑性：对比同等控制输入下的特征分布，直接将控制信号与状态信号进行维度拼接时，类内聚合度相对松散；而采用自适应加权机制后，类内特征在各流形上的方差显著缩小，不同堵塞等级的间距拉大。
3. 域判别器的协同作用：消融分析显示，若完全不提供控制先验信息，单纯引入域判别器可能导致网络过度平滑而抹去状态信号中的有效退化特征；但当控制信息输入后，多工况对抗判别器能够有效抑制操作模态引起的类间漂移，使目标域样本自适应收敛至与源域一致的聚类拓扑。

---

6. 输入退化环境下的网络容错表现

在真实工况中，传感器故障可能导致控制参数丢失、混入高频干扰或发生零漂。CA-DANN在设计上通过权值有界性降低了对控制通道完整性的脆弱依赖。

图6：测试期信号退化条件下的诊断鲁棒性表现(对应论文图6：(a) 传感器丢弃工况下各模型诊断表现对比；(b) 噪声注入信噪比响应曲线；(c) 控制输入恒定偏置漂移响应曲线)

• 通道缺失适应机制：常规基准模型多将控制变量作为底层输入直接接入特征网络，当传感器掉线导致输入通道置零时，零值扰动将逐层扩散并破坏深层表征。而在CA-DANN中，控制分支输出经过 Sigmoid 激活函数映射至 \((0, 1)\)。当部分或全部控制通道置零时，权重计算仅在有界区间内发生平缓偏移，状态分支的特征流依旧可由主干网络向下传递，减缓了特征崩溃过程（图6(a)）。
• 非对称噪声敏感性：将高斯噪声分别施加于控制通道与状态通道的测试表明（图6(b)），控制分支由于注意力汇聚和非线性饱和特性的缓冲，对输入噪声展现出较高的宽容度；而状态分支直接承载故障几何参数的表征信息，对信噪比下降较为敏感。
• 偏置漂移响应：在控制信号叠加大范围恒定偏差以模拟执行机构标定漂移时，模型表征退化曲线呈现连续单调缓降特性（图6(c)），未见剧烈的非线性骤降。

---

7. 总结

CA-DANN通过结合物理先验与深度网络架构，呈现了以下技术特点：

1. 控制-状态非对称耦合：利用注意力和通道加权机制，使控制信号作为调制因子作用于状态特征提取路径，在一定程度上解决了传统拼接策略物理逻辑不一致的问题。
2. 细粒度对抗对齐：通过多分类工况判别器扩展了常规域自适应架构，强化了特征在多模态机动运行区间内的工况不变性。
3. 结构性容错能力：有界的加权门控形式增强了在控制传感器丢弃或信号退化场景下的结构鲁棒性。

---

来源文献

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