在复杂动态工况下，工业动力装备的状态监测与故障诊断往往受到工况过渡过程与系统状态响应混叠的干扰。论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》针对这一问题展开研究，提出了 控制感知领域对抗网络（Control-Aware Domain-Adversarial Network, CA-DANN）。该方法从“ 控诊协同”的视角出发，将控制系统的主动调节信息引入诊断模型，构建了一种适用于变工况动力系统的通用故障诊断技术框架。

一、机动操纵与故障响应的混叠机制

传统基于数据驱动的设备故障诊断方法大多侧重于监测被动状态信号（如温度、振动、流量等）。然而在实际运行中，设备频繁处于加减速等机动操纵过程，系统的物理状态不仅反映了自身的健康状况，更直接受控于上层控制指令的动态调节。

以柴油机燃油喷射过程为例，从上图可以看出：

1. 操纵减速的影响：当外部控制指令降低运转速度时，喷油器的单次循环喷射峰值质量流量降低，同时伴随喷射拖尾拉长；

2. 物理故障的影响：在恒定转速下，当喷油器喷孔出现堵塞故障时，其喷油质量流量同样表现为峰值降低与尾部时间拉长。
   

由外部控制操纵引起的正常状态变化与设备内部物理退化引起的异常状态变化在时序形态上具有高度相似性。如果诊断模型仅采集状态信号，在跨工况场景下极易将转速调节误判为部件故障，或者将真实故障掩盖在工况突变之中。

控制信号代表系统的主动调节指令，主导了物理过程的基准节拍；状态信号则是受控对象在特定物理约束下的被动响应。将控制信号与状态信号进行协同建模，使网络具备感知控制意图的能力，是解耦工况动态与故障表征的核心前提。

二、系统仿真模型与测点配置

该方法依托高压直列式柴油机燃油喷射系统的分层耦合热力学仿真模型展开机理分析与验证。模型结构及测点布局如下图所示：

系统数据主要涵盖两类测点信息：

• 控制侧信号：采集自凸轮轴子系统，包含各缸对应的凸轮轴角速度、凸轮线速度及凸轮瞬时位置，用于刻画机构的主动驱动动态；

• 状态侧信号：采集自各个喷油器子系统，记录喷油过程中的瞬时燃油质量流量，反映执行部件的终端响应。

在工况设计上，模型设置了稳态恒速工况与多种加速、减速及多段交替变速的变工况机动过程；在故障模式上，通过连续调整喷孔流通截面直径来模拟不同程度的喷孔堵塞故障。

三、控制感知加权融合架构

与常规将控制量和状态量在输入端进行简单拼接并联的方法不同，CA-DANN依据“控制主导状态”的物理机理，设计了非对称的双分支特征提取与动态加权融合结构。

该架构主要由控制感知特征提取器、故障程度分类器与机动工况分类器三部分构成：

1. 状态信号提取分支

状态信号（喷油质量流量）具有明显的时序变化规律，且容易叠加测量噪声。该分支采用长短期记忆网络（LSTM）处理多通道状态序列，利用其内部的门控机制提取反映喷射动态演变的隐藏状态，同时抑制无关的高频扰动。

2. 控制信号提取分支

控制信号（凸轮轴角速度、线速度、位置）决定了动作的基本相位。该分支首先利用多头注意力机制在多个投影子空间内建立各控制物理量之间以及各缸之间的空间与相位关联；然后通过全连接层映射并通过通道注意力模块（SE-Net）自适应评估各特征通道的重要性，抑制冗余信息；最后通过残差连接与非线性Sigmoid激活函数，将输出特征严格压缩并归一化至零到一的数值区间内，生成一组动态权重参数。

3. 逐元素加权耦合

控制分支生成的归一化权重与状态分支提取的时序特征进行逐元素相乘。该机制的物理逻辑在于：由控制分支充当自适应特征门控，利用控制信号蕴含的运行边界，对状态特征的各维度进行动态增益或抑制，使融合后的特征对工况波动具备自适应抵消能力。

四、细粒度多分类领域对抗机制

为了使仅在稳态工况数据（源域）下训练的模型能够可靠迁移至动态机动工况（目标域），网络引入了基于梯度反转层（GRL）的领域对抗迁移架构。

传统的领域对抗网络通常仅配置二分类判别器，即简单区分样本来自源域还是目标域。但在动力装备实际运行中，目标域本身包含加速、减速、交替调速等多种动力学特性各异的非平稳过渡态。直接进行源域与目标域的粗粒度对齐，容易模糊不同机动行为内部的特征边界。

CA-DANN将传统的二分类判别器扩展为多分类的机动工况分类器：

• 前向传播阶段：特征提取器提取特征并输送给机动工况分类器，分类器尝试识别样本具体属于恒速源工况还是具体的某一种变转速机动工况；

• 反向传播阶段：工况分类器的梯度在经过梯度反转层时乘以负号反向传递至特征提取器。特征提取器在对抗约束下逐步消除与具体加减速操纵相关的工况特征，迫使其学习跨越多种机动模式的工况不变性特征。

网络的总损失函数由故障分类器的多分类交叉熵损失与工况分类器的多分类交叉熵损失加权构成，通过引入正则化平衡参数调节两者在反向传播中的博弈强度。

五、特征空间分布与结构鲁棒性分析

1.特征空间分离特性

利用流形降维方法对目标域特征进行可视化展示，对比不同特征融合策略与对抗机制下的特征聚类状态：

从降维对比可以看出：

• 在未引入控制信号时，仅依靠状态信号很难完全拉开不同工况与故障等级的界限，不同故障样本之间存在交叠；

• 随着控制变量的引入，各个故障类别的类内聚集度逐渐紧凑，类间间距扩大；

• 相较于直接并联拼接特征的方式，基于动态加权融合的结构在特征分离度上更为明确，表明控制特征对状态特征的自适应调制能够更有效地解耦操纵影响。

2.非理想信号条件下的容错机理

在实际设备监测中，传感器丢失、噪声干扰以及执行机构校准漂移是常见现象。CA-DANN在应对此类非理想测试条件时表现出较稳健的退化特性：

• 传感器缺失时的退化特性：当测试阶段移除控制侧传感器（信号通道置零）时，直接并联输入的方法会将零值直接送入后续网络层，造成表征畸变。而在CA-DANN中，控制分支输出经过Sigmoid函数限制在零到一之间，当控制通道缺失时，其生成的加权参数仅产生有限幅度的数值平移，状态分支依然能够保留基础的时序故障特征通道，避免了诊断精度的断崖式下跌。

• 抗噪与偏置容忍度：向控制侧信号添加高斯噪声或人为引入恒定偏置（模拟执行器零点漂移或卡滞）时，由于多头注意力与池化操作具有一定的平滑效应，模型性能随扰动强度呈现出渐进式衰减，展现了相对稳健的结构容错能力。
  

六、技术总结

控制感知领域对抗网络（CA-DANN）为变工况动力装备故障诊断提供了一种通用的控诊协同建模范式：

• 机理契合的加权融合：利用控制特征生成零到一区间的自适应权重调制状态特征，从结构上表达了控制驱动状态的物理事实；

• 细粒度的对抗解耦：采用多分类工况判别器对抗学习，消除了复杂机动过渡态对特征分布的影响；

• 结构化的容错设计：非对称的门控加权机制限制了外部控制通道异常对状态特征的恶性传导，保障了在信号退化场景下的基础诊断能力。

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/abs/10.1177/01423312261487500