针对船舶柴油机在复杂机动操纵工况下故障诊断准确率易受干扰的问题，近期发表于《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》 从“控诊协同”的视角提出了一种新的解决思路。

在船舶实际航行过程中，船舶柴油机频繁经历加速、减速等机动操纵动作。现有的数据驱动诊断方法大多仅关注燃油喷射质量流量等系统状态信号，而忽略了操纵控制系统的主动调节作用。

然而，柴油机转速变化引起的流量变化与喷油器堵塞故障引发的流量衰减在时序形态上具有高度相似性，两者均会导致喷油峰值降低与喷油拖尾延长。若诊断模型无法感知控制动作的输入，极易将正常的机动调节误判为部件故障，从而导致诊断准确率下降。因此，引入控制系统的信息以实现控制与诊断的协同感知，是厘清外在操纵与内在故障本质差异的关键基础。

为了在机理层面验证控诊协同机制，研究构建了四缸高品质船舶柴油机直列式喷油系统的分层耦合热力学仿真模型。

该模型涵盖凸轮轴、输油泵、直列喷油泵、调速器、蓄压器、安全阀及喷油器等核心构件，反映了机械传动与等温液体管网中的流动动力学。

凸轮轴接收主动操纵设定的转速输入，驱动各缸喷油泵工作，喷油器则根据柱塞泵的供油向气缸内喷射燃油。

在该物理架构中，凸轮轴转速、凸轮线速度和凸轮位置等属于反映操作指令的主动控制信号，而喷油质量流量则属于系统被动响应的状态信号。

通过在模型中设置不同孔径缩小的喷嘴堵塞故障以及多种加减速机动工况，可以采集到由控制输入与故障状态共同激励的时序响应，为后续控诊协同网络的设计提供一致性的物理动力学基础。

在网络架构设计上，论文构建了名为CA-DANN的控制感知域对抗网络。模型整体由控制感知特征提取器、喷油器堵塞程度分类器以及机动工况分类器组成。

根据柴油机控制信号主导状态信号的物理因果逻辑，模型并未采用简单的控制-状态通道直接拼接方式，而是设计了分流提取与加权融合机制。状态分支专门处理多缸喷油质量流量时序数据，而控制分支则处理凸轮轴系统的运动学控制信号。

两个分支分别根据各自信号的动力学特性进行深度表征提取，由控制特征生成调节权重来对状态特征进行动态调制，以此建立控制命令与状态响应之间的耦合表征，使特征空间能够区分出相似时序波形背后的真实工况与故障类别。

特征提取的具体实现中，控制信号分支通过多头注意力机制对多通道控制量进行并行子空间投影，以捕捉多缸之间的相位与幅值关联性，通过取末端时间步特征、线性变换以及通道注意力机制，自适应地强化对故障表征有贡献的特征通道，并结合残差连接与逻辑激活函数，生成取值受限且平滑的通道权重向量。

状态信号分支则采用长短期记忆网络捕捉喷油过程的动态演变并过滤偶发噪声，提取其最终时间步的隐藏状态。两者通过逐元素相乘完成特征融合。

这种加权融合机制利用控制特征对状态特征的各个维度进行针对性的放大或抑制；即便在测试阶段遭遇控制传感器丢失或存在噪声漂移时，受控生成的权重由于幅值约束仅会产生轻微变化，保证状态分支仍能提供稳定的诊断输出，避免了直接拼接输入引起的数值剧烈发散。

除了控制-状态的特征解耦与融合，模型还引入了细粒度域对抗机制以应对不同机动工况间的数据分布漂移。传统的域对抗神经网络多采用二分类判别器区分源域与目标域，但在实际航行中，目标域往往包含由不同加减速组合构成的多种连续机动工况。

该模型通过梯度反转层连接一个针对全部操纵工况的多分类机动判别器，在反向传播过程中将判别器的对抗梯度回传至特征提取器。这一对抗约束迫使特征提取器抹除不同加减速动态引起的工况特征差异，实现多工况流形特征在潜在空间的对齐，促使分类器仅聚焦于与喷油器堵塞程度相关的本质故障特征。

在仿真数据集上的消融与测试对比表明，单纯依赖状态信号的诊断模型在工况变化时极易产生误判，直接引入域对抗甚至可能因缺乏辅助基准而扰乱特征提取；而在融入控制信号后，无论是特征类内紧凑度还是类间可分离度均得到改善，加权融合相较于普通拼接进一步提升了表征质量。

该研究目前仍局限于热力学仿真环境，模型在应对真实船用主机更为复杂的非线性磨损、复杂环境扰动以及控制系统自身硬件故障时，仍有待未来结合台架试验与实船数据展开进一步的验证与算法迭代。

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/10.1177/01423312261487500