发表于《Transactions of the Institute of Measurement and Control》的研究《 Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》（基于控制感知对抗网络的船用柴油机故障诊断：控诊协同视角）指出，传统的数据驱动故障诊断往往只关注机器运行的“状态信号”（如振动、温度、流量等），而忽略了控制系统下发操作指令的“控制信号”（如转速、位置、控制指令等）。这种割裂的做法在面临复杂多变的工作状态时，容易因状态相似而导致误判。为此，本文将结合该研究的核心思路，探讨如何将“ 控诊协同”的设计理念迁移应用到风机、电机、机床等各类高端装备中。

一、背景与挑战：为什么需要“控诊协同”？

在许多高端工业装备（如船用柴油机、大型风电变桨电机、数控机床主轴）中，运行状态受到控制指令的直接驱动。例如，在面对加速、减速等复杂的机动或变载运行场景时，由于控制指令变化和局部故障（如燃油系统堵塞或机械磨损）引起的动态响应在时序特征上往往具有高度的相似性。

如果诊断模型只看末端的物理状态信号（如振动、流量、温度），而忽视了上游的控制意图（如转速指令、轴角位置、阀门开度），模型就很难在变工况下区分“这是正常的变载操作”还是“设备内部发生了故障”。因此，建立一个同时融合控制信号与状态信号的“控诊协同”架构，是提升复杂工况下故障诊断准确率的关键。

二、核心技术架构与步骤

该论文提出了一种名为控制域对抗网络（CA-DANN）的技术方案，其整体架构与处理步骤对于其他工业领域的故障诊断具有高度的参考价值。

1.数据采集与多源输入构建

在系统部署时，不仅需要收集反映设备运行后果的状态信号（如振动加速度、输出流量等），还需要同步采集反映设备运行指令的控制信号（如给定转速、位置指令、控制电流等）。

• 控制信号分支：用于捕捉系统的输入指令与运动学特征。

• 状态信号分支：用于捕捉系统受物理法则和故障影响而产生的实际物理响应。

2.控制-状态耦合与加权融合机制

为了避免直接将控制信号与状态信号进行简单拼接带来的信息干扰，该技术设计了一种控制感信号加权融合机制：

• 利用多头注意力机制和通道注意力机制对控制信号进行深度特征提取。

• 通过特殊的激活函数（如将特征压缩到特定区间的函数），动态生成针对每个特征维度的权重参数。

• 将控制信号提取出的权重与状态信号提取出的特征进行按元素相乘（即加权融合），从而在特征层面自适应地放大与故障高度相关的信息，抑制无关噪声。

3.细粒度域对抗训练与迁移学习

工业装备往往需要在不同的运行状态（如恒速、变速、加减速交替的工况）之间进行泛化。为了消除工况分布差异带来的负面影响，模型引入了域对抗训练策略：

• 任务分类器：负责准确识别设备的故障严重程度或具体故障类型。

• 状态/工况判别器：通过梯度反转层，促使特征提取器学习到与具体工况无关的“域不变特征”。

• 细粒度分类：将传统的二分类域对抗（仅区分源域和目标域）扩展为多分类框架，以适应包含多种变工况的目标域环境。

三、在各大高端装备上的迁移应用指南

“控诊协同”与域对抗的思想，不仅适用于船用柴油机燃油系统的故障诊断，还可以迁移到以下几个典型的工业场景中：

1.风力发电系统

• 控制信号：变桨距角指令、发电机给定转矩、风轮转速。

• 状态信号：齿轮箱振动信号、主轴轴承温度。

• 应用价值：在风机经历频繁切入、切出以及风速剧烈波动的变工况过程中，利用控制信号作为先验约束，可以有效区分因风速突变引起的振动波动与齿轮箱早期剥落故障。

2.工业机器人与数控机床伺服电机

• 控制信号：控制器下发的轴位移指令、速度环给定、电流环指令。

• 状态信号：伺服电机实际反馈电流、末端加速度、光栅尺位置偏差。

• 应用价值：机床在执行复杂加工轨迹时，加减速频繁。通过融合控制指令，模型能够更准确地诊断出丝杠间隙过大、导轨润滑不良或机械卡滞等微小故障，避免将正常的轨迹调整误判为机械故障。

3.重载离心压缩机与燃气轮机

• 控制信号：导叶开度调节指令、燃料阀门开度。

• 状态信号：通流部分压力、轴承振动、排气温度。

• 应用价值：在负荷动态调节阶段，控制信号主导了系统的热力学状态变化。引入控诊协同机制，有助于在变负荷运行区间内实现喘振、气封泄漏等故障的早期预警。

四、总结与工程落地建议

在将上述方法工程化落地时，技术人员需要注意以下几点：

1. 传感器完备性与鲁棒性：虽然控制信号具有很高的诊断辅助价值，但在实际工程中应考虑到控制传感器可能存在丢包或噪声污染的情况。模型本身需要具备一定的容错和抗干扰能力。

2. 仿真到实装的迁移：在缺乏真实故障数据的高端装备领域，通常可以先基于高保真的物理机制或多体动力学仿真模型生成带标签的故障数据，再结合无标签的实际运行数据，通过域对抗网络完成模型从虚拟到现实的迁移。

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