首页 > 人工智能 > 机器学习 > 控制感知仿射网络:一种变工况故障诊断方法
在船舶柴油机运行过程中,机动航行与负载动态变化会导致工况频繁波动,进而引起状态监测信号的分布偏移。本文基于发表于《Ships and Offshore Structures》期刊的论文《Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers》,探讨一种面向动态变工况柴油机喷油系统的故障诊断方法—— 控制感知仿射网络。该方法将发动机控制单元调控动作转化为主动校准参数,并通过双特征解耦机制分离工况无关信息与故障严重程度信息,以实现变工况环境下的故障分类。
变工况故障诊断流程主要涵盖物理建模、多工况数据构建与网络诊断执行三个阶段。

诊断对象基于柴油机高压共轨燃油喷射系统建立仿真模型(如图1所示),主要组成部分包含凸轮轴、输油泵、高压喷油泵以及喷油器等。通过设定不同的喷油嘴孔径缩减程度,模拟喷油嘴从正常状态到不同程度堵塞的故障表现。
输入诊断系统的数据由两部分构成:
状态监测信号:即喷油器喷射过程中的燃油质量流量信号,其动态波形直接反映喷油状态及潜在堵塞情况;
动态控制信号:包括曲轴角速度、凸轮转速和凸轮位置等参数。这些变量反映了控制单元的调控指令,直接决定喷油阀的开启与闭合时序。

整体实施步骤(如图2所示)如下:
工况划分与数据集生成:定义加速工况、稳态工况以及减速工况三种典型运行状态,以此构建多域数据集。在跨工况迁移验证设置中,选择其中两种工况作为源域,剩余一种工况作为未见过的目标域。
数据隔离采样:为避免滑动窗口重叠导致训练集与验证集之间发生信息泄露,在源域内部采用时序分块切分策略,先按比例划分训练块与验证块,随后在各自独立的时间块内执行滑动窗口切片。目标域数据则保持完全隔离,仅用于测试。
在动态机动过程中,电子控制单元会根据工况动态调整喷油脉宽与正时。直接将控制信号与监测信号拼接输入神经网络,容易使模型学习到虚假关联。控制感知校准模块旨在将控制信号转化为针对特征的主动校准参数。

该模块的物理与计算逻辑(如图3所示)主要包括:
物理效应补偿映射:机动操作引起的工况变化在监测信号中主要体现为两类现象:一是载荷变化导致的峰值流量与总喷油量缩放;二是前馈控制调整引入的基线偏移与时序微调。校准模块据此设计了对应的幅值缩放因子与基线偏移因子。
增量式参数更新:由于时序样本之间存在依赖性,模块采用增量调节策略。控制信号通过多层线性映射生成缩放因子的增量和偏置因子的增量,在训练迭代中对先前的参数进行累加修正,避免剧烈波动。
通道自适应仿射变换:利用计算得到的缩放因子与偏移因子,对原始故障特征进行通道级仿射变换,生成校准后的控制感知特征,以此抑制因工况切换引起的特征分布偏离。
完成控制校准后,特征中依然混合存在与故障严重程度相关的信息以及残余的工况变化模式。为避免全局特征对齐削弱类别区分度,网络采用双特征解耦结构。

网络整体结构如图4所示,核心分为两个正交的特征提取分支:
当喷油嘴出现堵塞时,控制系统为维持燃油供给会产生延迟喷射现象。在频域中,时域延迟表现为线性相位偏移,而幅值谱对时间平移不敏感。

如图5所示,该分支的具体提取步骤为:
构建独立的小型专家教师网络,以时序信号的傅里叶相位谱作为输入进行预训练,使其专注于捕获与堵塞严重程度对应的时滞相位特征。
在主诊断模型训练期间,引入知识蒸馏机制,通过最小化均方误差损失函数,将教师网络提取的相位特征表示传递给主模型的故障严重程度特征提取层。
针对各机动工况间复杂的非线性分布差异,网络设置了工况判别器,并通过梯度反转层构建域对抗训练机制。在反向传播过程中,梯度反转层对特征提取器的梯度进行反转,使得特征提取器提取的工况不变特征能够混淆域判别器,以此过滤掉工况相关的特征分量。
为保证解耦得到的两类特征具有互补性并消除冗余信息,模型引入了特征正交约束与联合训练策略:
正交约束:计算故障严重程度特征向量与工况不变特征向量之间的余弦相似度,通过在总损失中加入差异性惩罚项,促使两个特征分支尽可能处于正交状态,确保各通道独立表征。
特征拼接与多任务联合训练:将解耦并约束后的故障严重程度特征与工况不变特征进行向量拼接,送入全连接分类器输出故障类别与严重程度预测。
目标函数优化:模型的总体损失函数由四个部分加权构成:分类交叉熵损失、域判别二元交叉熵损失、知识蒸馏损失以及特征差异正交损失。通过反向传播算法对全网参数进行端到端联合更新,完成模型的整体优化。
Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers[J]. Ships and Offshore Structures, 2026.
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70051446/viewspace-3188653/ ,如需转载,请注明出处,否则将追究法律责任。