在复杂动力装备的视情维护与健康管理领域，数据驱动的智能诊断方法已取得长足进展，但其技术路线长期受限于对“状态响应”的孤立分析。发表于期刊《Transactions of the Institute of Measurement and Control》的研究论文《Fault diagnosis of marine diesel engine via control-aware domain adversarial network: A control-diagnosis collaboration perspective》指出，现有诊断框架往往忽略了控制输入的主动激励与系统状态响应之间的因果关联。针对船舶柴油机等具有强动态特性的动力系统，该研究从“控制-诊断协同”的视角出发，提出了 感知控制信息的域对抗网络架构，重新梳理了运行工况多变条件下的故障表征机理与特征解耦路线。

一、传统“纯状态监测”路线的技术困境

在船舶柴油机等复杂动力装备中，燃油喷射系统的健康状态直接关系到动力输出与燃烧品质。传统的故障诊断策略普遍将传感器布置于执行部件末端，通过采集振动、压力或瞬时流量等状态响应信号构建特征空间。然而，这一路线在面临非平稳工况与复杂机动动作时，面临着显著的物理混淆难题。

图1：不同机动操作与喷孔堵塞程度下的控制与状态信号

从动力学响应机理来看，操作层面的机动变化与物理层面的元件劣化可能在状态信号上产生极高的时域相似性。如图1所示，主机转速的主动下降（由调速或操舵机动指令引起）与喷油器喷孔积碳堵塞，在气缸喷油质量流率曲线上呈现出高度重叠的物理表征——两者都会引发峰值喷油量的回落并伴随喷油尾段持续期的拉长。在缺乏控制端先验信息的情况下，仅依赖状态响应的分类器难以辨析信号畸变究竟来源于上游的正常调速命令，还是下游执行器的机械故障，在变工况分布下引发交叉误诊。

二、分层耦合的动力系统物理仿真建模

为了精确表征“控制-驱动-执行”这一物理链条上的因果流动，该研究建立了高压共轨/直列式喷油系统的分层耦合热力学仿真模型。

图2：船用柴油机直列式喷油系统分层耦合热力学仿真模型

如图2所示，系统在拓扑结构上划分为具有清晰层级关系的子模块：

1. 控制与驱动层（凸轮轴子系统）：凸轮轴接收驱动转速，通过偏心凸轮驱动输油泵，并通过四组抛物线型凸轮机构驱动各缸高压喷油泵。该层测点提供主动控制层面的物理量，包括轴角速度、凸轮瞬时速度与凸轮转角相位。

2. 执行与状态层（喷油器子系统）：高压油泵将燃油泵入各缸喷油器，柱塞在调速机构约束下调整循环供油量，针阀开闭则控制燃油向气缸内的高压喷射。该层测点采集各缸喷油质量流率作为状态表征。

3. 管路与阻尼网络：模型集成了管道黏性摩擦流动模块、弹簧储能蓄压器模块、安全减压阀模块以及流体物性计算单元，以模拟压力脉动在管路内的衰减与非线性传递。

这一物理建模为后续算法提供了结构化的信号配置：将凸轮轴系统的运动学参量定义为主动调节的控制信号，将喷油器的质量流率定义为被动响应的状态信号，为消除状态混淆奠定了数据机理基础。

三、结构非对称的感知控制特征提取与加权融合机制

在确定了控制与状态信号的物理角色后，如何将两类物理意义截然不同的信号送入深度网络成为核心问题。传统做法通常是将控制量与状态量直接进行通道层面的平行拼接，这在机理上假设了两者的地位对等，忽视了“控制主动施加、状态被动响应”的非对称物理因果。为此，该研究设计了分叉式的特征提取器架构。

图3：感知控制信息的域对抗网络（CA-DANN）

如图3所示，特征提取器由两条并行的分支组成，分别针对控制和状态时序的内在动力学特性进行定制：

控制特征提取分支：

由于多缸系统的控制信号在各缸之间存在严格的相位协同与幅值约束，控制分支首先采用多头注意力机制对各维控制信号进行子空间投影，建立不同控制通道间的交互关联，并提取最后时刻的全局时序特征；引入通道注意力网络（SE模块），通过全局聚合与激励操作对特征通道进行重新标定；经残差连接后的特征通过非线性映射生成通道维度的加权权重向量，并经由激活函数约束在零到一的开区间内。

状态特征提取分支：

喷油质量流率信号具有明显的脉冲演化特征，且易受随机高频噪声扰动。该分支采用长短期记忆网络（LSTM）对各缸喷油速率的时序演化过程进行建模，利用其门控机制滤除无关扰动，提取最后时步的隐层状态表征。

物理非对称的加权融合：

控制分支输出的受限权重向量直接作用于状态分支输出的高维特征上，通过逐元素相乘的方式完成特征融合。在此机制下，控制特征并不直接构成诊断决策空间的维度，而是演化为一套对状态特征各通道的动态调节门控，根据当前控制动作的主动意图，自适应放大或抑制特定状态响应分量，在特征层显式嵌入控制先验。

四、细粒度多分类工况域对抗框架

在远洋船舶与复杂动力机械的实际运行中，设备极少工作在单一稳态下，而是面临加减速交替的多重机动工况。常规的域适应方法（如经典域对抗网络DANN）通常采用二分类判别器，仅粗糙地区分数据来自源域还是目标域。然而，目标域本身往往包含多种各异的机动状态，单一的二分类判别器无法对目标域内部由不同控制变化引起的分布差异进行精细对齐。

为解决这一问题，该技术路线构建了细粒度的多分类工况判别框架：

1. 多分类机动工况判别器：将稳态巡航工况设为源域，将各种不同加速度、阶段性升速与降速等动态工况统一纳入判别体系，将工况判别任务拓展为多分类任务。

2. 梯度反转层引导的特征解耦：在状态-控制加权融合特征输入工况判别器前接入梯度反转层。在反向传播过程中，工况判别器的交叉熵损失所产生的梯度在反向穿过该层时被赋予负标量系数，迫使特征提取器最大化机动工况分类的不确定性。

通过多类别的对抗博弈，特征提取器被迫滤除与各类动态调速动作强相关的工况特异性特征，提取出与具体加减速历程解耦的域不变特征，使下游的故障程度分类器能够在纯粹的故障损伤空间中进行决策。

五、特征表征分布与结构性鲁棒机理

通过对高维潜空间特征降维分布以及输入退化情况下的网络行为进行理论解析，可以更清晰地理解该技术路线的内在特性。

图4：不同特征融合策略与对抗机制在目标域上的t-SNE特征分布演化

1.潜空间特征的可分性演化

如图4所示，特征空间的聚类形态直观揭示了各个模块的物理功能：

• 当完全移除控制分支、仅依赖状态网络并结合常规对抗机制时，不同积碳程度的样本在特征空间中严重重叠，特别是微小故障与正常状态之间的流形边界极为模糊。

• 当引入控制信息后，即便采用平行拼接方式，类内聚拢度也开始显现；而采用控制加权融合机制时，不同机动条件下的同类故障样本被紧密约束在同一紧凑簇内，不同故障等级之间的边界间隔显著扩大。这表明控制门控的施加有效消除了由于工况变化引起的状态流形畸变。

图5：控制传感器丢失、附加噪声及静态偏差下的目标域模型行为演变

2.面向传感器失效的结构性容错优势

在实际工程系统的服役期内，控制通道传感器可能出现丢失、偏置或噪声污染。常规将控制信号作为直接输入拼接的多传感器融合网络，容易发生“误差直通传播”，即控制通道的零值或剧烈漂移会直接污染最终决策特征。

如图5所示，基于动态加权的协同机制在结构上展现出了独特的内在容错能力：

• 传感器丢失与置零：当特定位置的控制传感器发生物理断线或失效，控制分支对应通道输入为零时，经过前向多层映射以及末端激活函数的非线性挤压，其生成的逐通道权重依然被平滑约束在零到一的有限区间内。控制分支的输出退化为相对平缓的静态衰减系数，并未破坏状态分支的主体特征拓扑，使得主干状态诊断通道依然能够维持基本的判别流形。

• 参数偏置与渐变扰动：当控制执行部件出现静态漂移（如执行机构卡滞或校准偏移）时，网络表征的退化趋势表现为平缓渐进下降而非突发性断崖崩溃，这为系统划定安全容错运行窗口提供了明确的物理依据。

六、总结与技术展望

从“单向状态解译”走向“控制-诊断协同”，代表着复杂动力装备故障诊断技术路线的一次重要思维拓展。该方法并非在统计学意义上简单堆叠多源数据，而是依据动力学因果律，重构了控制变量与状态变量在网络中的拓扑层级：

1. 以控制流生成权重门控，非对称地调制状态流的高维表征；

2. 以细粒度多分类工况对抗取代笼统的二分类对齐，消解复杂机动历程对故障表征的掩盖效应。

从技术实现路径来看，该架构为利用高置信度物理仿真模型构建数字孪生诊断系统提供了可行方案：通过以确定性热力学模型产生的工况数据作为标记源域，以小样本无标签的实机台架运行数据作为目标域，借助细粒度域对抗机制拉通仿真机理与实机测量的分布鸿沟。在未来的技术演进中，将控制系统本身的故障辨识与执行部件的物理损伤诊断深度融合，构建双向闭环的“容错控制-智能诊断”一体化系统，将是这一技术路线继续深化的核心方向。

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