加减速与性能退化的同构假象：如何剥离操纵行为对故障特征的干扰？基于控制感知域对抗网络的变工况故障诊断
论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》发表于期刊《Transactions of the Institute of Measurement and Control》。该研究聚焦于船用柴油机燃油喷射系统在多变操纵工况下的故障诊断问题，提出了一种基于控制感知域对抗网络的故障诊断架构。该方法从控制与诊断协同的角度出发，重点解决船舶机动过程中因加减速操纵导致的状态波动与硬件性能退化在信号形态上的混淆问题，通过特征级耦合与对抗对齐实现了工况干扰的剥离。
一、现象解析：操纵行为与性能退化的“同构假象”
在船用柴油机动力系统中，高压喷油系统的工作状态直接决定了燃烧效率与运行稳定性。监测系统通常通过采集各缸喷油器的喷油质量流量等状态信号来判定系统健康状况。然而，在船舶进出港、机动航行等实际运行场景中，柴油机频繁经历加速、减速及复合变速操纵，这使得状态监测信号呈现出强烈的非平稳特征。
传统基于数据驱动的故障诊断方法往往将关注点置于状态信号的时域或频域特征提取上，忽略了输入端控制行为对被控对象状态的直接制约。在柴油机物理运行机制中，操纵指令改变引起的转速变化与喷油器喷孔磨损或结焦堵塞引起的流动截面收缩，会在状态监测信号上表现出高度相似的动态响应：
如上图所示，当柴油机执行减速操纵时，凸轮轴转速下降导致柱塞泵供油速率降低，喷油质量流量峰值随之减小，同时伴随喷射拖尾现象的延长；而在恒定转速下，随着喷油器喷孔堵塞程度的加深，由于喷孔节流阻力增大，喷油质量流量同样表现出峰值下降与喷射尾段延长的形态。
这种在时域波形上的高度重叠构成了工况变化与物理故障之间的“同构假象”。如果模型仅从状态信号中提取表征，极易将正常的减速操纵误判为喷孔堵塞故障，或者在加速过程中漏报潜在的性能退化。因此，如何从机制上解耦操纵行为带来的动态扰动与部件退化引发的本质故障特征，是实现变工况可靠诊断的核心技术难点。
二、控制感知机制：控制信号与状态信号的非对称加权融合
针对状态信号被动响应控制指令的物理本质，研究提出了一种双分支异构特征提取结构，以替代传统诊断中对控制量与状态量进行简单拼接的并联输入方式。
整个网络由控制感知特征提取器、喷孔堵塞程度分类器以及操纵工况判别器三个核心功能模块构成。在特征提取阶段，模型分别设立了控制信号特征提取分支与状态信号特征提取分支：
-
控制信号特征提取分支
该分支以来自凸轮轴系统的控制信号作为输入，包括轴角速度、凸轮速度以及凸轮位置等多通道动力学参数。- 为捕捉多通道控制参数在时间维度上的复杂依赖关系，网络首先利用多头自注意力机制将输入投影至多个子空间中进行并行特征提取，并保留序列最后一个时间步所凝聚的时序全局信息。
- 特征通过全连接层映射至指定隐藏维度，并送入通道注意力模块（SE-Net）。该模块通过全局池化的挤压操作汇聚通道全局信息，并经由两层全连接构成的激励操作计算通道间的相关性权重，对各特征通道进行自适应重标定。
- 重标定后的特征与映射层输出通过残差连接相加，经过S型（Sigmoid）激活函数，输出数值范围被严格约束在零到一开区间内的加权系数向量。
-
状态信号特征提取分支
状态分支接收各缸喷油器测得的瞬态喷油质量流量信号。针对高压流体流动受噪声波动干扰大的特点，采用长短期记忆网络（LSTM）对质量流量时序演化过程进行建模，借助其门控机制滤除无关高频波动，并提取序列最终时刻的隐藏状态向量。
- 非对称逐元素乘法加权
在特征融合环节，网络并未采用直接串联或相加的对称操作，而是将控制分支生成的加权系数向量与状态分支输出的特征向量进行逐元素相乘。该机制允许控制分支根据当前实际承担的操纵动力学背景，自适应地对状态特征的各个维度施加放大或抑制调控。这种以控制量为调制权重的融合形式，使提取出的中间特征具备了“控制感知”能力，从特征生成阶段建立起控制指令对状态响应的先验约束。
三、细粒度域对抗机制：操纵工况不变性特征的对抗解耦
即便在前端引入了控制感知加权，由于训练集（如平稳运行工况）与测试集（多变机动工况）之间存在显著的工况分布偏移，常规监督模型仍倾向于拟合特定工况下的表象关联。
常规域对抗神经网络通常将源域（稳态工况）和目标域（变工况）构建为简单的二分类域判别任务。然而，船舶操纵过程包含稳态运行、单一加速、单一减速、先加后减、先减后加以及多阶段复合加减速等多种动态模式，各机动工况之间的动态演变规律并不一致，二分类对抗难以对复杂的连续/多模态工况分布进行有效拉齐。
为此，网络构建了细粒度的多分类域对抗框架：
-
梯度反转层与多分类工况判别器
融合后的控制感知特征一方面直接送入喷孔堵塞程度分类器进行故障类别预测；另一方面，特征在输入操纵工况判别器之前，需先通过一个梯度反转层。在网络前向传播过程中，梯度反转层保持特征数值恒等传递；而在反向传播更新梯度时，该层将后续网络传回的梯度反向乘以域正则化系数，使反向梯度方向发生逆转。 -
对抗博弈优化过程
操纵工况判别器被设计为多分类结构，其分类类别对应于稳态工况及各类不同的加减速机动工况。在训练过程中，工况判别器致力于根据融合特征准确识别样本所处的具体操纵模式，最小化多分类交叉熵损失；而特征提取器在梯度反转层的作用下，以最大化该判别器的分类混淆程度为优化目标。
通过多分类操纵工况的对抗性博弈，特征提取器被迫滤除蕴含在特征空间中的工况独有信息，抑制由转速剧烈变动引入的非稳态漂移，仅保留与喷油器硬件损伤直接相关的本质特征，在特征表征层实现了操纵动力学与退化特征的深度解耦。
四、故障分类与端到端协同诊断流程
在控制感知特征提取与细粒度域对抗学习的联合约束下，下游的喷孔堵塞程度分类器接收到的是兼具控制背景感知与工况不变特性的表征向量。
喷孔堵塞程度分类器由包含线性映射层、非线性激活层和分类输出层的全连接前馈网络组成，根据输入特征直接输出对应于健康状态及各级喷孔收缩程度的诊断类别概率。在整体训练过程中，网络采用端到端联合优化策略：
- 故障分类分支以源域有标签样本的交叉熵作为损失目标，驱动分类器建立对物理退化严重程度的敏感判别边界；
- 操纵工况对抗分支同时覆盖有标签源域样本与无故障标签的目标域变工况样本，通过梯度反转实施全局工况分布对齐；
- 两项损失通过加权系数联合构成总目标函数，在控制分支加权约束与对抗机制的双重引导下同步更新网络参数。
通过这种“控制-状态非对称加权”配合“细粒度多工况对抗解耦”的技术路线，模型有效消解了加减速操作与喷射状态劣化之间的表象混淆，为受动态操纵干扰的往复动力机械故障诊断提供了较为坚实的特征解耦方法。
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