在期刊 Transactions of the Institute of Measurement and Control 发表的论文 Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective 中，针对船舶柴油机在不同操纵工况下运行状态动态变化、导致故障特征与工况变化相互混淆的问题，提出了一种结合控制信号与状态信号的控制感知域对抗网络方法。该研究从控制与诊断协同的角度，探讨了在多操纵工况分布下实现柴油机燃油喷射系统故障诊断的技术路径。

一、问题背景：变工况与故障退化的机理混淆

在船舶实际航行过程中，主机经常需要根据操作指令在恒速、加速、减速等不同操纵工况之间切换。对于高压共轨或机械式燃油喷射系统而言，喷油质量流量等状态监测信号不仅受到喷油器本身物理状态（如喷孔结焦堵塞）的影响，同时也直接受控于转速和油门开度等控制命令。

从物理机理上看，操纵过程导致的转速下降与喷孔堵塞导致的流通面积减小，在时域喷油特性上会呈现出类似的响应趋势：两者均会导致单次喷油峰值流量降低，并伴随喷油尾段持续时间的延长。

图1：不同操纵工况与喷油器堵塞程度下的信号时域变化趋势

如图1所示，单纯依赖状态监测信号的数据驱动模型，在遇到跨工况工况转换时，容易将操纵引起的流量变化误判为堵塞故障，或将堵塞故障归因于正常调速。为了在表征空间中解耦工况调控与部件故障，有必要将反映主动操纵意图的控制信号引入特征提取过程。

二、系统物理建模与信号采集方案

为了系统分析控制信号与状态信号的映射关系，研究构建了四缸高压柴油机直列式喷油系统的分层耦合热力学模型。

图2：分层耦合喷油系统热力学仿真模型及其内部结构示意图

该系统主要由凸轮轴、输油泵、四套直列柱塞喷油泵以及四个喷油器组成，包含等温液体管路摩擦阻力模块、弹簧储能蓄压器模块、限压溢流阀模块及油量调节执行机构（如图2所示）。在数据采集阶段，测点设置分为控制与状态两个维度：

1. 控制信号监测点：布置于凸轮轴子系统中，采集各缸对应的轴角速度、凸轮速度与凸轮瞬时位置信号；

2. 状态信号监测点：布置于喷油器子系统中，实时监测各缸喷油器的喷油质量流量；

3. 工况与故障配置：工况设定涵盖恒速工况（作为源域）以及包含减速、加速、加减速交替、减加减交替等多种变动转速工况（作为目标域）；故障状态通过连续缩减各喷油器喷孔直径来模拟不同程度的喷孔堵塞退化状态。

采集到的连续时序信号通过固定长度和步长的滑动时间窗口进行切片，形成用于后续网络训练的样本序列。

三、CA-DANN网络架构与实施步骤

控制感知域对抗网络（CA-DANN）由控制感知特征提取器、故障堵塞程度分类器以及细粒度操纵工况判别器三个核心部分组成。

图3：控制感知域对抗网络（CA-DANN）整体架构

整体技术实施流程分为以下四个步骤：

步骤一：控制与状态双分支特征提取

考虑到控制信号代表系统的主动调节输入，而状态信号代表系统的被动动态响应，模型设计了分离式双分支特征提取结构：

1.控制特征提取分支：

•  将多通道控制时序信号（轴角速度、凸轮速度、凸轮位置）输入多头注意力机制（Multi-Head Attention），在多个相互平行的子空间中建模各控制变量之间的关联性；

•  提取多头注意力输出中最后一个时间步的特征，以保留序列的全局动态信息；

•  特征经线性变换映射到指定维度后，送入通道注意力模块（Squeeze-and-Excitation Network）。该模块首先通过全局池化汇聚通道信息，再通过全连接瓶颈结构建立通道间的相关性，对各特征通道进行自适应重标定；

•  引入残差连接，将通道注意力标定后的特征与前级线性层的输出相加；

•  最终经由逻辑函数（Sigmoid）进行数值压缩，输出各维度取值位于零到一区间的动态权重向量。

2.状态特征提取分支：

• 将各缸喷油器的喷油质量流量时序信号输入长短期记忆网络（LSTM），利用其循环门控机制跟踪喷油波形的上升沿、峰值和喷射持续周期，并滤除偶发性测量噪声；

• 取长短期记忆网络最后一个时间步的隐状态向量，作为状态特征的紧凑表征。

图4：加权融合机制下特征提取器的超参数与张量维度示意图

步骤二：控制感知的自适应加权融合

区别于将控制与状态特征直接拼接的常规做法，该网络采用逐元素相乘的融合策略。将控制分支生成的动态权重向量与状态分支输出的特征向量按对应维度逐元素相乘，生成统一的融合表征。

该设计的机制在于将控制分支作为软门控结构：根据当前凸轮运动与转速状态，自适应地放大或抑制状态特征中不同维度的分量，使融合后的特征显式地包含控制调控引起的基线变化，从而增强特征空间对工况与故障模式的解耦能力。

步骤三：基于梯度反转的细粒度工况域对抗适配

为使模型在跨工况迁移时保持诊断一致性，融合特征需进一步消除与具体操纵工况相关的特定分布偏差：

1. 细粒度多分类判别：传统的域对抗网络通常采用二分类判别器（仅区分样本来自源域还是目标域）。针对变工况场景中存在多种加速、减速等复杂动态过程的特点，该方法采用多分类操纵工况判别器，将恒速状态与各类不同的变动转速工况均设为独立类别进行辨识；

2. 对抗梯度反转机制：在融合特征提取器与操纵工况判别器之间接入梯度反转层（Gradient Reversal Layer）。在网络正向传播过程中，特征正常输入判别器；在反向传播过程中，梯度反转层将判别器传递回来的梯度乘以负缩放系数并反转方向，再传递给特征提取器；

3. 特征对齐作用：在工况判别器最小化类别分类误差的同时，特征提取器在对抗训练下被迫学习无法区分具体操纵工况的域不变特征，促使变工况目标域特征向源域稳态分布靠拢。

步骤四：多任务联合优化与故障分类

融合特征在经过对抗约束的同时，直接输入堵塞程度分类器：

1. 故障分类输出：特征经过线性层、线性整流激活函数（ReLU）以及第二层线性变换映射后，输出对应于各喷油器堵塞程度类别的非归一化对数概率，最终通过极大值选取确定预测等级；

2. 多任务损失构建：整个网络采用端到端联合训练。损失函数由源域样本在故障堵塞分类器上的多分类交叉熵损失，以及全部域样本在操纵工况判别器上的多分类交叉熵损失按权重线性加权构成；

3. 参数同步更新：通过误差反向传播算法，利用带有动量校正的一阶与二阶矩自适应优化器（Adam）协同更新双分支提取器、分类器与判别器的连接权重。

四、网络结构的工程考量

该方法在模块构建上体现了面向实际监测环境的针对性设计：

1. 输出约束对传感器异常的隔离机制：控制分支的输出被逻辑函数限制在零到一的严格区间内。当在测试阶段遇到控制传感器故障、断线或测量缺失导致输入通道置零时，权重计算仅发生小范围平滑偏移，避免了在直接拼接输入时异常大数值或零值直接破坏特征向量分布的问题，保证状态分支仍可维持基础诊断；

2. 细粒度对抗的正则化约束：将域分类拓展至覆盖具体减速、加速及其组合形式的多分类任务，相比传统的单源域/单目标域二元对抗提供了更细致的分布约束边界，有助于避免工况对抗过度退化导致分类决策面模糊；

3. 非对称噪声容忍机制：在信息流设计中，状态信号决定了喷油特性的基础波形，对附加高斯噪声更为敏感；而控制信号主要用于构建特征维度的调控权重，具有更平缓的退化容忍度，这种非对称特性符合动力机械系统中执行机构控制命令与被控物理对象状态之间的主从响应规律。

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