针对复杂装备在变工况运行下的故障特征混叠问题，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”，提出了一种基于“控制-诊断协同”视角的 控制感知领域对抗网络（Control-Aware Domain-Adversarial Network, CA-DANN）。该研究以船用柴油机燃油喷射系统为对象，将控制回路信号作为动态调节先验引入特征提取与领域适应过程，从动力学物理逻辑出发构建了控制信号与状态信号的协同建模与自适应对齐机制。

一、问题分析：工况切换与故障响应的波形混叠

在动力机械等复杂受控装备中，控制信号（如转速调节指令、机构运动规律）属于主动调节变量，直接决定装备的基础工作基准；而状态信号（如介质流量、振动响应、压力脉动）则是装备在控制指令驱动下的被动动态响应。传统数据驱动的故障诊断方法大多仅针对状态信号构建特征提取与分类模型，忽略了控制系统的主动干预作用。

在实际运行环境中，装备频繁面临加减速等变工况调节，由此引发的状态信号波动极易与机械部件自身结构退化引起的故障特征发生重叠。以柴油机燃油喷射系统为例，喷油器喷孔发生堵塞时，燃油流通截面积收缩，喷油质量流量曲线的峰值会显著降低，且喷射尾部持续时间延长；与此同时，当系统执行减速操纵指令时，主轴转速下降同样会导致单次喷射的峰值流量降低并伴随尾部拖尾现象。

如图1所示，工况调整与机械故障对终端状态信号的作用方向呈现出高度相似的物理表象。在此背景下，如果诊断模型仅依据状态信号进行模式识别，统计分布或几何边界极易产生混淆，进而导致变工况过渡过程中的误判。

二、系统物理模型与监测变量界定

为分析控制量输入与状态量响应在各回路间的耦合传递规律，该项研究构建了高压直列式喷油系统的分层耦合热力学仿真模型。该模型包含了驱动凸轮轴、输油泵、直列喷油泵、高压喷油器，并集成了管道黏性摩擦阻力单元、弹簧式蓄能器以及限压溢流阀等液压附件。

系统中的信号采集划分为两个物理层面（如图2所示）：

1.控制端监测：布置于凸轮轴子系统，采集轴角速度、凸轮线速度和凸轮瞬时位置等时序运动参数，表征系统的主动输入边界与调速执行状态。

2.状态端监测：布置于各缸喷油器子系统，采集各缸喷油器在喷射全过程中的瞬时燃油质量流量，表征最终的液力响应状态。

数据集设定涵盖了恒速稳定工况与包含单次加速、单次减速、连续交替加减速在内的多类动态机动工况；部件健康状态则涵盖了喷孔正常无故障状态以及多级不同收缩程度的堵塞故障状态。

三、控制感知域对抗网络（CA-DANN）整体架构

针对状态特征易受工况调制干扰的特性，研究提出了CA-DANN网络架构。该网络主要由三个核心模块构成：控制感知特征提取器、堵塞程度分类器以及机动工况分类器（域判别器）。

1.双分支特征提取与逐通道加权融合

依据动力系统物理特性，控制信号处于主动支配地位，状态信号处于被动跟随地位。因此，网络摒弃了将两类数据简单并行拼接的做法，设计了双分支拓扑结构与自适应特征门控机制：

• 控制信号提取分支：输入包含轴角速度、凸轮速度与凸轮位置的多通道控制时序数据。通过多头自注意力机制在多个投影子空间内建立通道间的时序关联与运动依赖，提取最后一个时步的全局表征向量；经全连接层映射，送入通道注意力模块（SE模块）进行全局平均池化与非线性激励，学习各通道的相对重要度；通过残差连接将加权表征与映射特征叠加，经过Sigmoid激活函数处理，输出数值严格落在零到一区间内的逐通道权重因子。

• 状态信号提取分支：输入各缸喷油器的瞬时喷油质量流量序列。利用长短期记忆网络（LSTM）捕获喷油过程中上升沿斜率、峰值流量及喷射持续时间等具有强时变特性的动力学演化过程，并利用其内部门控机制滤除随机测量扰动，截取最后一个时步的隐状态作为状态表征向量。

• 控制-状态加权融合：将控制分支生成的权重因子与状态分支提取的特征向量进行逐元素相乘。该机制使得控制信号能够根据当前的动态运行基准，自适应地对状态特征的不同维度进行幅值放大或抑制，从而实现控制信号对状态信号的物理调制映射。

2.细粒度域对抗机制与跨工况表征对齐

传统的域对抗神经网络通常将判别器设计为仅区分“源域”与“目标域”的二分类结构。然而在复杂的连续机动场景下，目标域包含多种截然不同的加减速过程，粗放的二分类判别难以消除多峰分布之间的差异。

CA-DANN在此基础上构建了细粒度域对抗机制：

• 机动工况分类器与梯度反转：在融合特征输出端接入梯度反转层（GRL），后接多层感知机组成机动工况分类器。该分类器将包含恒速源工况与各类变速目标工况在内的全部运行状态作为离散类别，执行多分类任务。在前向传播过程中，特征正常输入分类器；在误差反向传播时，梯度反转层将来自工况分类器的反向梯度乘以负系数并传递给特征提取器。

• 极小极大博弈优化：梯度反转操作促使特征提取层在最小化堵塞程度识别误差的同时，最大化机动工况辨识器的分类误差。这种对抗博弈迫使特征提取网络主动过滤掉与特定加减速操纵强相关的瞬态工况分量，使得映射后的深层特征空间在不同机动工况之间达到统计分布对齐，仅保留与机械部件物理故障相对应的本征不变量。

3.任务损失函数定义

网络的端到端训练由两部分联合优化目标构成：

1. 堵塞程度分类损失：基于带有故障标签的源域样本，采用多分类交叉熵损失函数计算预测类别与真实故障等级之间的误差，指导主干网络构建准确的故障判别超平面。

2. 机动工况分类损失：涵盖源域与目标域的全部样本，同样采用多分类交叉熵损失函数计算工况类别误差。

整个网络通过引入领域正则化权重参数，将上述两项交叉熵损失加权求和构成总损失函数，实现特征提取器、故障分类器与工况对抗判别器的协同更新。

四、网络结构对信号退化的适应机制

在动力系统状态监测中，传感器易受物理环境影响发生信号缺失、高斯随机噪声混入或标定零漂。CA-DANN在拓扑设计上对这些信号退化模式具备一定的结构适应特性：

1. 通道缺失时的权重边界约束：常规将控制量作为原始输入直接拼接的网络，当传感器发生故障导致输入通道置零时，零值偏差会直接向后层全连接层渗透传播，导致深层特征分布剧烈畸变。而在CA-DANN中，控制分支输出端通过Sigmoid激活函数映射，其生成的权重被严格约束在零到一的开区间内。当控制传感器全部或部分脱落置零时，计算出的加权系数仅在该有限区间内平缓移动，状态分支的主干时序特征通路依然保持连通，避免了特征的直接崩塌。

2. 非对称噪声与偏置传递特性：控制分支包含多头自注意力池化操作，其主要提取的是表征宏观工况调控的基础趋势，对高斯白噪声具备平滑抑制作用；当在控制信号上叠加大范围恒定偏置（模拟执行机构卡滞或零点漂移）时，由于门控非线性函数的存在，深层特征的退化呈现出连续缓降的特点，表现出渐进式的退化响应规律。

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