在机械装备的状态监测与故障诊断领域，传统数据驱动模型多聚焦于分析各类传感器采集的设备状态信号。然而，发表于期刊 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” 指出，仅依赖状态响应而忽略控制输入，可能会使诊断系统在面对变工况时陷入混淆。该研究以船用柴油机燃油喷射系统为对象，提出了一种 控制感知域对抗网络，尝试从“控制-诊断协同”的视角解决工况变化干扰下的故障诊断问题。

一、状态信号与控制输入的耦合困境

在柴油机的实际运行过程中，控制信号代表系统的主动调节指令，而状态信号则是系统对控制指令与物理退化共同作用的被动响应。

如果脱离控制输入单纯分析状态输出，极易引发误诊。以喷油系统的喷油质量流量（状态信号）为例：当船舶执行减速操作时，凸轮轴转速下降会导致单次喷油峰值流量降低、尾部喷射时间延长；而当喷油嘴发生孔径磨损或积碳堵塞故障时，节流阻力增大会引发高度相似的变化特征——同样表现为峰值降低与拖尾变长。

从图1可以看出，单纯从状态响应的时序波形特征出发，模型难以可靠区分波形变化是由操作人员的减速指令引起的正常工况漂移，还是由喷油孔变小引发的机械故障。这种混淆构成了传统诊断方法在多机动工况下的主要瓶颈。

二、仿真研究对象与信号体系

为了在物理机理明确的环境下解析这一现象，论文构建了四缸高机动船用柴油机直列式燃油喷射系统的分层耦合热力学仿真模型。

如图2所示，系统在硬件架构上具有清晰的控制与状态分工：

1. 控制端（凸轮轴子系统）：接收输入的运转指令，通过凸轮型线驱动喷油泵，可同步采集轴角速度、凸轮线速度和凸轮角位移等控制信号。

2. 状态端（喷油器子系统）：响应凸轮驱动并经由调速器调节向气缸喷油，采集各缸喷油器的实际燃油瞬时喷射质量流量作为状态信号。

通过在仿真中设置恒速基准工况以及多种加速、减速交替变化的机动工况，并人为设定不同程度的喷孔收缩状态，形成了兼具控制动态与故障退化的时序数据集。

三、控制感知域对抗网络（CA-DANN）的技术步骤

针对上述控制-状态耦合机理，论文提出的诊断框架主要包含三个核心环节：双分支特征提取、控制引导的动态加权融合，以及基于细粒度机动工况判别的域对抗约束。

结合图3所示的网络拓扑，该方法在具体实现上的技术步骤如下：

步骤1：控制信号特征建模（控制分支）

控制分支从多种连续控制量中提取具有工况指征意义的背景特征：

• 多头自注意力处理：将同步采样的轴角速度、凸轮速度与凸轮位置时序输入多头自注意力模块，利用注意力机制在不同子空间中捕获控制变量之间的多维动态关联，提取序列最后一个时间步的隐层向量以保留序列的全局上下文。

• 通道重加权与残差映射：将该向量经由线性变换投影至特定维度后，送入通道注意力模块。通道注意力通过全局压缩与激活操作自适应调整各维度的权值分配，并借助残差连接与线性特征相加。

• 权重压缩输出：将残差相加后的特征输入逻辑激活函数，强制将各通道数值映射至零到一的开区间内，生成一组能够反映当前工况控制强度的动态调制权重。

步骤2：状态信号特征建模（状态分支）

状态分支聚焦于直接反映喷射物理过程的高频响应：

• 时序依赖提取：将各缸喷油器的瞬时喷射质量流量序列送入长短期记忆网络（LSTM）。

• 噪声过滤与状态表征：利用门控机制在拟合喷射抬升斜率、峰值流量及持续时间等动态特征的同时滤除随机波动，截取长短期记忆网络最后一个时间步的隐藏状态输出，作为状态特征向量。

步骤3：控制引导的特征逐元素加权融合

不同于常规方法直接将控制信号与状态信号在特征维度上进行拼接，CA-DANN采用逐元素乘法进行特征融合：

• 利用控制分支输出的零到一区间的调制权重，逐通道乘以状态分支输出的隐层特征。

• 该步骤在物理意义上构成了自适应门控机制：由控制背景自适应决定对状态特征各维度的抑制或放大程度，使融合后的特征内嵌了“在何种控制动作下产生该状态”的物理约束。

步骤4：故障严重程度分类

将加权融合后的特征送入下游的堵塞程度分类器：

• 特征依次经过线性映射层、非线性激活层和二次线性映射层输出各故障类别的对数概率。

• 在训练阶段，使用源域（恒速稳定工况）已知的故障标签计算标准多分类交叉熵损失，指导模型学习从融合特征到喷孔堵塞程度的映射能力。

步骤5：基于梯度反转的细粒度工况域对抗

为消除变转速机动对故障特征分布的干扰，网络引入了域对抗训练机制：

• 梯度反转层接入：将融合特征引入机动工况判别分支，该分支前段设置梯度反转层。在网络前向传播时特征保持原样输入，在反向传播时将工况分类误差的梯度取负号后传递给特征提取主干。

• 多分类工况判别：传统的域对抗网络通常使用二分类判别器（仅区分样本来自源域还是目标域）。CA-DANN将判别器重构为涵盖恒速工况与多种加速、减速机动工况的多分类判别器。

• 特征去工况化对齐：通过多分类工况预测损失的反向对抗优化，特征提取器被迫滤除包含在特征中的特定加速或减速动态差异，仅保留对工况变化不敏感、但对故障退化具有判别力的一致性表征。

四、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