在船舶柴油机运行过程中，动态机动工况下的负荷突变与电控单元（ECU）的主动调节往往会导致监测信号的分布发生显著偏移，给故障特征提取带来干扰。针对这一问题，发表于期刊 Ships and Offshore Structures 的研究论文《Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers》提出了一种基于 控制感知仿射网络（Control-Aware Affine Network, CAAN）的故障诊断方法。该方法将实时控制信号转化为主动校准参数，通过仿射变换对故障特征进行动态调制，并结合特征解耦策略提取对机动工况具备不变性的特征与反映故障程度的特征，为变工况条件下的设备状态监测提供了新的技术路径。

一、控制动作与故障特征的动态耦合机理

在柴油机燃油喷射系统中，机动操作引起的工况变化与机械故障在物理响应上存在相似的表象。当船舶执行减速操作时，ECU

为维持燃烧稳定性会采取前馈控制策略延长喷油持续期；而当喷油器发生喷孔堵塞时，喷油系统同样会通过延长喷射时间以保证额定喷油量。

图1 柴油机喷油质量流量特性：(a)-(b) 柴油机减速工况；(c)-(d) 喷油嘴不同程度堵塞工况

由于动态机动调整与早期堵塞故障引起的喷射延迟在波形上存在重叠，传统直接将控制信号与监测信号拼接作为输入的诊断模型，容易在数据有限时建立错误的关联模式。因此，需要从机理层面将控制作用引入特征校准过程。

二、控制感知仿射网络整体架构

CAAN的整体技术架构包含三个关键环节：控制感知校准、双特征解耦提取、特征正交约束与融合分类。

图2 控制感知仿射网络（CAAN）整体结构

系统首先在时间维度上对齐故障监测信号与实时控制信号。然后，控制感知校准模块利用控制信号生成仿射变换参数，对故障特征进行自适应校准；校准后的特征被进一步分解为工况不变特征与故障程度特征；最后，通过正交性约束保证两个特征维度的互补性，拼接融合后送入状态分类器完成故障识别。

三、关键技术步骤与实现方法

1. 控制感知校准模块（CAC）

在动态机动过程中，控制动作对燃油喷射信号引起的物理变化主要表现为两方面：一是发动机负荷变化引起的喷射峰值和总量变化（表现为幅值缩放）；二是前馈喷射正时调整与动态瞬态响应引起的基线漂移（表现为基线偏移）。

图3 控制感知校准模块（CAC）结构

为了主动消除工况干扰，CAC模块将曲轴角速度、凸轮转速及凸轮位置等实时控制信号作为输入，通过全连接层映射出通道维度的缩放因子与偏移因子：

• 动态增益补偿（缩放）：通过缩放因子对故障特征通道的幅值进行动态调整，消除负荷变化引起的幅值波动；

• 基线漂移校正（偏移）：通过偏移因子中和动态操作引入的瞬态偏差，将特征映射至统一的基准状态。

• 增量更新机制：为避免连续样本间时序关联性引起的训练震荡，模块采用增量调节策略。在网络反向传播迭代中，控制信号网络预测的是参数的增量步长，并在上一轮优化参数的基础上进行累加，以保证校准过程的稳定性。

2. 基于傅里叶相位的故障程度特征提取

喷油嘴堵塞引发的直接物理现象是喷射延迟。根据傅里叶时移性质，时域信号上的时间延迟在频域中仅表现为与频率成正比的线性相位偏移，而幅值谱对时间平移保持不变。因此，傅里叶相位谱能够直接反映喷油正时特征与系统结构时延。

图4 基于傅里叶相位的知识蒸馏示意图

为避免在线实时推断过程中重复计算傅里叶变换，该方法设计了教师-学生知识蒸馏架构：

• 预训练教师网络：构建包含一维卷积、门控循环单元（sLSTM）、多头自注意力机制（MHA）及池化层的教师网络，以频域相位角作为输入进行预先训练，使其学习到与喷孔堵塞程度相关的时延特征；

• 特征级知识蒸馏：在CAAN模型训练阶段，提取教师网络中间层的表征向量，通过均方误差损失函数约束学生网络（CAAN的故障特征分支）的中介特征，将基于相位的先验知识转移给诊断模型。

3. 基于对抗学习的工况不变特征提取

为消除不同机动工况（加速、稳态、减速）之间复杂的非线性分布差异，模型引入了域对抗训练机制：

• 模型构建了由多层神经网络构成的域分类器，用于判别提取的特征来自哪一种机动工况；

• 在特征提取器与域分类器之间设置梯度反转层（GRL）。在前向传播过程中特征正常传递，在反向传播时将域分类损失的梯度取负并传递给特征提取网络；

• 通过最大化域分类误差，迫使特征提取器滤除与工况转换相关的冗余动态，保留跨工况通用的本质故障模态。

4. 特征正交约束与多任务联合优化

为了防止故障程度特征与工况不变特征发生信息混淆，框架引入了余弦相似度作为特征正交性约束损失：

• 最小化两组特征向量之间的余弦相似度，促使网络学习两个相互独立的特征表征通道；

• 最终将解耦后的工况不变特征与故障程度特征进行拼接，输入全连接层分类头；

• 优化目标由分类交叉熵损失、域对抗辨识损失、知识蒸馏损失和特征正交差异损失加权组成，实现端到端的联合训练。

四、故障诊断实施流程与数据配置

该诊断框架在实施阶段分为仿真建模与数据预处理、任务构建、特征提取与诊断推理三个阶段。

图5 故障诊断框架流程

具体步骤如下：

• 系统建模与信号采集：搭建集成电控单元的高压共轨燃油喷射系统一维物理仿真模型，设置包括凸轮轴、输油泵、高压共轨管及各缸喷油器等组件。通过调整喷油器喷孔内径模拟正常及四种不同程度的喷油嘴堵塞状态。采集喷油质量流量作为故障监测信号，曲轴角速度、凸轮转速与凸轮位置作为同步控制信号。

图6 柴油机燃油喷射系统建模

• 工况划分与独立采样：构建加速（转速上升）、稳态（转速恒定）、减速（转速下降）三种机动操作工况数据。在数据划分过程中，采用非重叠时序分块策略，在连续时间序列上按比例先划分训练段与验证段，在各段内部独立应用滑动窗口截取样本，以严格避免滑动窗口重叠造成的时序数据泄漏。

• 跨工况任务迁移与模型验证：以两类工况作为源域、剩余一类工况作为完全未参与训练的目标域，构建跨工况域泛化任务。通过CAAN模型的端到端训练，实现对未知动态机动工况下喷油器状态的分类诊断。

参考文献

Control-aware affine network: A novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers[J]. Ships and Offshore Structures, 2026.

https://www.tandfonline.com/doi/full/10.1080/17445302.2026.2748397