忽视控制系统的诊断，如同只看影子猜本体：动力装备变工况故障诊断的反思
在复杂动力装备的健康管理与状态监测领域，发表于《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》探讨了控制系统信息与状态监测信息之间的内在关联。长期以来，以船用柴油机为代表的动力装备故障诊断方法大多聚焦于温度、压力、振动或流量等“状态响应信号”的特征提取与模式分类，而往往将主动调控系统的“控制输入信号”视作环境背景或外部干扰。这种“只看响应、不察控制”的诊断范式，在稳态工况下尚可维持，但在多变操纵工况下，极易将控制调节引起的动态响应与早期物理故障引起的性能衰退混为一谈。
一、状态与控制的时域混淆机理
动力装备具有强非线性与闭环调控特性。从系统因果链条来看，控制信号代表了系统的主动调节指令，而状态信号则是装备各子系统在控制激励与物理约束下的被动动态响应。
以柴油机高压共轨/直列喷油系统的喷孔磨损或积碳堵塞故障为例，如图1所示：
- 操纵工况变化的影响：当执行减速操作时，凸轮轴转速下降，柱塞泵供油速率变缓，喷油器的单次喷射峰值质量流量显著下降，且喷射拖尾阶段在时域上被拉长；
- 物理故障的影响：当喷孔发生物理性微量堵塞时，节流阻力增大，在相同转速与供油压力下，喷嘴喷射的峰值流量同样减小，并伴随拖尾延展。
由于状态信号（喷油质量流量）在变工况调速与喷孔堵塞两种不同物理成因下的外在时域形态具有极高的相似度，纯粹依赖状态量构建的模型在跨工况特征空间中必然出现特征重叠。脱离产生动作的“控制意图”（如转速指令、凸轮相位与速度），仅观察“状态表象”，模型难以区分特征的变化究竟源自正常操控还是物理损伤。
二、物理耦合对象与监测拓扑
为解析控制与状态信号之间的内在约束关系，研究基于四缸高压直列喷射柴油机系统构建了层级耦合热力学模型，其系统拓扑及测点分布如图2所示。
系统由驱动轴、凸轮轴子系统、输油泵、蓄能器、直列喷油泵组及喷油器总成构成：
- 控制侧监测点（MPi-1 至 MPi-3）：在凸轮轴驱动侧布设，分别连续采集轴角速度 \(W\)（\(j=1\)）、凸轮线速度 \(V\)（\(j=2\)）以及凸轮位移 \(P\)（\(j=3\)），构成主动激励向量 \(x_{\text{control}}\)；
- 状态侧监测点（MPi-4）：在各缸喷油器出口布设，直接测量各缸燃料的喷射瞬时质量流量，构成动态响应向量 \(x_{\text{state}}\)。
在不同加减速变工况（包括阶跃加减速、加-减速交替、减-加-减复合调速等多种操纵区间）与多级喷孔堵塞孔径（从标称孔径逐级微小收缩）的交叉作用下，该系统呈现出强动态非平稳特征。
三、控制感知域对抗网络（CA-DANN）技术架构
针对状态特征易受工况驱动干扰的问题，论文提出了控制感知域对抗网络（Control-Aware Domain-Adversarial Network, CA-DANN）。网络由双分支控制感知特征提取器、故障程度分类器和细粒度操纵工况判别器三个模块组成。
1. 双分支特征提取与控制-状态门控加权融合
传统多传感器融合多采用向量级联（Concatenation）或线性加和，此类方式假定各通道信息地位平行。CA-DANN基于“控制支配状态”的物理逻辑，采用门控重加权机制：利用控制分支生成的动态权重，对状态分支提取的特征维度进行非线性缩放。
特征提取器的详细张量维度与层间运算如图4所示。
（1）控制信号特征提取分支
控制信号序列 \(x_{\text{control}} \in \mathbb{R}^{B \times L \times C_{\text{in}}}\) 输入多头自注意力机制（Multi-Head Attention, MHA）模块，以捕获不同缸间凸轮相位的同步性与多变量动态关联。设置注意力头数 \(h=4\)，查询、键、值矩阵均映射自主控信号本身（\(Q=K=V=x_{\text{control}}\)）。截取序列末时步的全局时序聚合特征：
特征 \(h_1\) 经由全连接线性层投影至128维空间生成中间隐特征 \(h_2\)。为建立通道维度的依赖关系，引入通道注意力模块（SE-Net），经过全局信息压缩（Squeeze）与通道激励（Excitation）后生成通道重标定特征 \(h_3\)。利用残差连接将 \(h_2\) 与 \(h_3\) 相加，并通过Sigmoid函数映射生成严格限定在 \((0, 1)\) 区间的控制门控权重向量 \(z_{\text{control}}\)：
（2）状态信号特征提取分支
状态信号序列 \(x_{\text{state}}\) 包含瞬时喷射质量流量的高频动态波形，极易叠加高频流动湍流与传感器扰动。该分支采用长短期记忆网络（LSTM）对状态响应的时序演化特性（升压斜率、峰值流量、喷射持续期）进行建模，提取其隐藏层末时步状态：
（3）控制-状态耦合融合
两分支的输出特征通过逐元素哈达玛积（Hadamard Product）进行调制融合：
在此机制下，控制特征并不直接充当分类输入，而是作为时变衰减/放大门控因子，自适应地调节状态特征中各个通道维度的增益，从而使融合后的特征 \(z\) 保留了解耦工况影响后的状态演变信息。
四、细粒度域对抗判别机制与优化目标
在变工况迁移场景中，传统域对抗神经网络（DANN）通常将域判别器设计为二分类任务（仅区分样本属于源域还是目标域）。然而，实船或工业装备的运行工况往往由多种加减速机动操作复合而成，目标域内部呈现出多峰分布。
1.细粒度操纵工况判别器
CA-DANN将传统的二分类域判别器拓展为覆盖 \(K\) 类细分工况的多分类判别器（例如稳态基准工况与多组不同加速度的变工况序列）。特征向量 \(z\) 首先经过梯度反转层（Gradient Reversal Layer, GRL）：
- 在前向传播阶段，恒等映射传递特征；
- 在反向传播阶段，将后续判别器传回的梯度乘以负标量系数 \(-\lambda\) 后向特征提取器回传。
经过GRL后，特征向量通过带有非线性激活函数（ReLU）的两层全连接层生成各工况类别的非归一化对数概率（Logits）：
2.故障等级分类器
故障分类分支与判别分支共享融合特征 \(z\)，通过独立的两层感知机输出各故障类别（不同喷孔堵塞程度）的分类预测：
3.联合优化目标
网络整体通过多任务损失函数进行端到端对抗训练：
-
故障分类多分类交叉熵损失（在具有状态标签的源域样本集 \(N_s\) 上计算）：
\[\mathcal{L}_{\text{clog}} = -\frac{1}{N_s} \sum_{n=1}^{N_s} \log \left( \frac{e^{(y_{\text{clog}}^{(n)})_{c^{(n)}}}}{\sum_{c=1}^C e^{(y_{\text{clog}}^{(n)})_c}} \right) \] -
操纵工况多分类交叉熵损失（在全部样本集 \(N = N_s + N_t\) 上计算）：
\[\mathcal{L}_{\text{regime}} = -\frac{1}{N} \sum_{n=1}^{N} \log \left( \frac{e^{(y_{\text{regime}}^{(n)})_{k^{(n)}}}}{\sum_{k=1}^K e^{(y_{\text{regime}}^{(n)})_k}} \right) \] -
系统联合总损失：
\[\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{clog}} + \lambda \, \mathcal{L}_{\text{regime}} \]
式中，\(\lambda\) 为平衡故障分类收敛与跨域特征对齐程度的超参数。通过对抗博弈，GRL强制控制感知特征提取器去抑制所有能够区分具体机动工况的信息，促使提取器在多工况对抗约束下提炼出对操纵动态不敏感、而对真实故障劣化高度敏感的解耦特征。
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