在工业设备的智能化运维中，如何提高故障诊断模型在复杂工况下的泛化性能为核心挑战之一。近期发表在《Transactions of the Institute of Measurement and Control》上的论文——《 Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》（基于控制感知域对抗网络的船用柴油机故障诊断：控制-诊断协同视角）的研究提供了一个思考方向：在进行数据驱动的故障诊断时，不应只盯着设备的运行状态信号，还必须将控制系统的指令信号纳入考量。

一、为什么要引入控制信号？

在传统的故障诊断方法中，研究人员通常将主要的注意力放在状态信号（如振动、温度、质量流量等）上，而忽略了控制系统和操作行为对设备状态的直接影响。

以船用柴油机的燃油喷射系统为例：

1. 工况与故障的表象相似性：当船舶进行机动操作（如加速、减速）时，转速的变化会导致喷射质量流量发生改变；而喷油器发生不同程度的堵塞（流道截面积减小）也会直接影响喷射质量流量。

2. 传统方法的局限：单纯观察状态信号时，由于这两种因素导致的波形变化特征有时非常相似，传统的诊断模型极易将“人为的机动操作”误判为“设备故障”，从而引发误诊断。

因此，为了建立更加鲁棒的诊断模型，必须将代表主动调节指令的控制信号与代表被动响应结果的状态信号进行协同建模。

二、系统的核心架构与技术步骤

该论文提出的控制感知域对抗网络（CA-DANN）主要由以下几个核心技术部分组成：

1. 模拟模型的构建与数据采集

研究基于高速度、四缸船用柴油机及直列喷射系统的热力学仿真模型。数据采集同时涵盖了控制侧和状态侧：

• 控制信号：采集来自凸轮轴子系统的轴角速度、凸轮速度和凸轮位置。

• 状态信号：采集来自喷射器子系统的燃油喷射质量流量。

通过在仿真模型中施加不同的加速、减速等机动操作，并模拟喷油器不同程度的孔径堵塞故障，构建出包含多种复杂工况的数据集。

图2：分层耦合热力学仿真模型及内部结构

2. 双分支特征提取与控制-状态加权融合机制

为了有效利用控制信号，模型没有采用简单的并行输入或直接拼接，而是设计了双分支结构：

• 状态信号分支：利用长短期记忆网络（LSTM）处理时间序列状态信号，捕捉喷射过程中的动态变化特征，并抑制噪声。

• 控制信号分支：利用多头注意力机制（MHA）和通道注意力模块（SE-Net），对控制信号的多维度依赖关系进行建模。

• 加权融合机制：控制分支生成的权重参数经过非线性压缩后，与状态特征进行逐元素相乘。这一步的作用是让模型能够根据实时的控制指令，自适应地放大或抑制状态特征中各个维度的信息，从而理清控制动态与状态动态之间的耦合关系。

图3：控制感知域对抗网络框架

3. 细粒度域对抗与分类器设计

为了让模型在多变的机动工况（如不同的加减速组合）下依然保持稳定的诊断能力，框架引入了域对抗机制：

• 堵塞程度分类器：负责识别喷油器的具体故障严重程度。

• 机动工况分类器与梯度反转层（GRL）：与传统的只区分源域和目标域的二分类对抗不同，这里的域对抗引入了多分类设定，用以区分不同的机动操作运行区间。结合梯度反转层，模型在反向传播时会反转梯度方向，迫使特征提取器提取出对机动工况变化具有不变性的、域无关的特征。

图4：加权融合下特征提取器的超参数

三、总结与思考

从这篇论文的方法设计中，可以得到以下几点工程与研究上的启发：

1. 信息维度的完整性：在处理受控制系统调控的复杂工业对象时，设备的“输入指令（控制信号）”与“输出表现（状态信号）”同等重要。只看状态容易被复杂的工况变化所迷惑。

2. 特征层面的深度交互：相较于简单的特征拼接，通过控制信号动态生成权重去调制状态特征，能够更精准地模拟物理系统内部的耦合逻辑。

3. 面向工况变化的泛化能力：通过引入细粒度的域对抗机制，可以有效消除不同操作机动带来的分布差异，提升模型在实际多变运行环境中的可靠性。

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