被忽视的输入：为什么变工况故障诊断需要引入控制回路信号？

在工业装备状态监测与智能诊断领域，绝大多数数据驱动方法将建模重点置于系统被动输出的响应端------例如振动加速度、排气温度、缸内压力或流体瞬时流量等状态变量。然而，发表在《Transactions of the Institute of Measurement and Control》上的论文《Fault diagnosis of marine diesel engine via control-aware domain adversarial network: A control-diagnosis collaboration perspective》指出，在动态变工况运行环境下，长期被传统诊断模型忽略的控制回路输入信号，在物理机理上构成了约束状态响应的先验基准。该研究以船用柴油机高压喷射系统为对象，分析了控制指令与状态响应之间的主从因果链条，并基于此提出了一种控制感知域对抗网络（Control-Aware Domain Adversarial Network, CA-DANN）。

一、状态信号的表观歧义：工况调控与部件故障的形态重叠

在动力机械运行过程中，工况调节与物理故障常常引起相似的状态变化趋势。以柴油机燃油喷射系统的喷孔积碳结焦（堵塞故障）为例，喷油器喷孔发生不同程度堵塞时，由于有效节流流通截面积缩小，单次循环的喷射质量流量峰值必然降低，且喷射后期的拖尾现象延长。

然而，由机动调速操作引起的转速变化同样会深刻改变喷油泵柱塞的供油速度与压力建立过程。

图1.不同机动操纵工况及喷油器堵塞程度下控制信号与状态信号的时域变化。(a)无喷孔堵塞时单喷油器在不同输入转速下的质量流量；(b)输入转速为100 rad/s时单喷油器在不同喷孔堵塞程度下的质量流量。

如图1所示：

在无故障工况下（图1(a)），当轴转速从100 rad/s依次降低至40 rad/s时，喷油质量流量曲线的峰值逐级下移，同时喷射过程的持续时间拉长；
在固定转速工况下（图1(b)），当喷孔发生由轻微至严重的几何收缩（孔径由0.4 mm降至0.2 mm）时，喷射流量曲线同样表现出峰值下降与尾部拖长。

这两种物理机制截然不同的过程，在单一状态监测通道上映射出了高度重叠的波形响应。若诊断算法仅获取状态变量，而缺失控制端的输入信息，模型便无法在数学上明确判定该信号畸变究竟是由操作人员的主动减速指令引发，还是由喷孔局部流通截面缩减所致。

二、系统物理建模与控制/状态变量界定

为在明确的因果边界下研究这一问题，论文构建了四冲程柴油机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及其内部原理图。(a)分层耦合热力学仿真模型；(b)凸轮轴子系统局部视图；(c)喷油器子系统局部视图(i∈{1,2,3,4}).

如图2所示，该系统包含凸轮轴、输油泵、由调速机构约束的直列柱塞泵以及各缸喷油器。在此物理体系中，信号被严格划分出主从因果层级：

控制信号（ $xcontrol x_{\text{control}}$ xcontrol） ：采集自凸轮轴子系统，包含各缸对应的轴角速度（ $WW$ W）、凸轮线速度（ $VV$ V）及凸轮升程位置（ $PP$ P）。这三类信号直接表征外部输入调控指令对机械机构的驱动状态；
状态信号（ $xstate x_{\text{state}}$ xstate）：采集自喷油器液力管网末端，即四个气缸喷油器的瞬时喷射质量流量。这类信号是被控对象在流体流动阻力、惯性与弹性蓄能共同作用下的被动响应。

根据物理逻辑，控制变量构成了驱动系统状态转移的外源输入，而状态变量是系统在该输入激励及内部健康状态共同约束下的输出。因此，故障诊断不应等同于纯粹的被动响应模式识别，而应是在已知激励条件下的系统内部参数反演。

三、控制感知特征提取：门控加权融合设计

如果直接将控制变量与状态变量进行多通道并联拼接（Concatenation），网络仅是在输入层扩充了张量维度，容易导致控制与状态特征在高维空间中非物理性混叠。CA-DANN 提出了双分支拓扑与自适应加权机制。

图3.控制感知域对抗网络（CA-DANN）整体架构图

1. 控制特征分支与连续权重生成

控制信号 $xcontrol x_{\text{control}}$ xcontrol 包含多个通道且具有严格的时序相位协同关系。该分支首先利用多头注意力机制（Multi-Head Attention, MHA）进行跨通道与时序依赖建模，设定头数 $h=4h=4$ h=4： $h1=MHA(xcontrol)T h_1 = \text{MHA}(x_{\text{control}})_T$ h1=MHA(xcontrol)T 式中截取最终时间步 $TT$ T 的输出以聚合完整周期的控制输入特征。

$h1 h_1$ h1 经全连接层映射至高维空间得到 $h2 h_2$ h2，并传入通道注意力模块（SE-Net）。SE-Net 通过压缩（Squeeze）计算全局上下文，利用激励（Excitation）评估不同特征维度与当前操纵工况的相关性，生成重加权特征 $h3 h_3$ h3。通过残差加和与 Sigmoid 激活函数，最终形成动态调制权重向量 $zcontrol z_{\text{control}}$ zcontrol： $zcontrol=σ(h2+h3)= 11+e −(h2+h3) z_{\text{control}} = \sigma(h_2 + h_3) = \frac{1}{1 + e^{-(h_2 + h_3)}}$ zcontrol=σ(h2+h3)=1+e−(h2+h3)1 由于经由 Sigmoid 映射， $zcontrol z_{\text{control}}$ zcontrol 的各个分量被严格限制在连续区间 $(0,1)(0, 1)$ (0,1) 之内。

2. 状态特征分支与加权融合

状态信号 $xstate x_{\text{state}}$ xstate 是受流体动力学支配的时序序列，采用长短期记忆网络（LSTM）提取其时序响应特征，提取其最终隐状态： $zstate=LSTM(xstate)T z_{\text{state}} = \text{LSTM}(x_{\text{state}})_T$ zstate=LSTM(xstate)T

最终特征表征并非简单拼接，而是采用 Hadamard 逐元素相乘实现调制融合： $z=zcontrol⊙zstate z = z_{\text{control}} \odot z_{\text{state}}$ z=zcontrol⊙zstate

图4.加权融合机制下特征提取器的超参数与张量维度示意图

如图4所示，该操作在数学上构成了一种物理门控机制：由控制变量推导出的权重向量 $zcontrol z_{\text{control}}$ zcontrol 充当了连续空间中的滤波掩码。对于那些与机动操作强烈相关、容易引发混叠的状态特征维度，控制分支输出较小的权值对其予以抑制；对于真正表征部件物理损伤的本质特征维度，则赋予较高的增益，以此显式体现"控制主导状态"的系统规律。

四、细粒度机动工况对抗机制

在将控制变量引入特征提取后，还需要解决跨工况分布对齐问题。传统的域对抗神经网络（DANN）采用二分类判别器区分源域与目标域。然而，在机动操纵场景中，变工况并非单一均质的分布偏移，而是包含加速、减速、交替加减速等多种动态模式。

CA-DANN将工况分类器扩展为多分类模式（ $K=7K=7$ K=7 类，涵盖稳态与各类机动过程）：

融合特征 $zz$ z 首先经过梯度反转层（Gradient Reversal Layer, GRL），其前向传播恒等、反向传播梯度乘以负缩放系数 $−λ-\lambda$ −λ；
经过全连接网络计算各机动类别的预测logits，并基于有标签的源域与无标签的目标域数据计算多分类交叉熵损失 $Lregime \mathcal{L}_{\text{regime}}$ Lregime；
堵塞程度分类器同时在源域标签上计算多分类交叉熵损失 $Lclog \mathcal{L}_{\text{clog}}$ Lclog。

总优化目标为： $Ltotal=Lclog+λLregime \mathcal{L}$ {\text{total}} = \mathcal{L}{\text{clog}} + \lambda \mathcal{L}_{\text{regime}} Ltotal=Lclog+λLregime

细粒度工况判别器强制网络辨析具体操纵动作的类别边界，而 GRL 的反向梯度则驱使特征提取器不断抹除这些具体机动动作在特征空间中留下的印记，促使模型提取出独立于操纵模式的域不变故障表征。

五、引入控制信号的技术特性分析

1. 特征空间的类簇解耦

引入控制信号及设计合理的融合机制，对深层特征分布具有直接影响。

图5.不同模型与控制信号配置下目标域特征表征的二维t-SNE可视化

如图5所示，观察目标域特征的二维t-SNE聚类演化：

控制信号为零时（子图a--c）：由于失去了控制基准，各故障类别样本在低维投影中混杂在一起，正常与轻微故障之间的判别界面基本无法区分；
控制信号类型增加时（由1类增至3类）：特征流形中的类内离散度逐步减小，各堵塞程度的类间间距逐渐清晰；
融合结构差异：在相同控制输入下，采用门控加权融合的网络（M3）相较于单纯张量拼接网络（M1），其簇群边界的黏连现象得到更彻底的解耦。这表明控制信息如果以门控增益的形式介入，更有利于压制跨工况引入的非平稳干扰。

2. 测试时控制通道退化的结构性容错

在实际测量系统中，控制传感器同样可能发生断线缺失、噪声干扰或零点漂移。

图6.测试阶段信号退化下的模型鲁棒性（10次随机种子测试均值±标准差）：(a)控制传感器缺失情况下六种方法的目标域故障诊断准确率；(b)CA-DANN在不同信噪比下的目标域诊断准确率；(c)CA-DANN在控制信号叠加恒定偏差下的目标域诊断准确率。

图6揭示了门控架构带来的结构鲁棒性：

传感器丢失（图6(a)） ：当测试时控制传感器发生缺失（通道数据置零），基于原始数据直接拼接的模型会因输入维度的突变导致特征剧烈失真；而在CA-DANN中，由于控制权重由 Sigmoid 严格限定在 $(0,1)(0, 1)$ (0,1)，即使输入为零，门控权重依然是有界连续变量，状态分支提取的主干时序信息不至于被异常缩放截断，从而避免了诊断判别的崩塌；
噪声敏感度差异（图6(b)）：加性高斯噪声作用于控制信号时，对最终判别的影响明显弱于直接作用于状态信号的情况。这说明通过MHA与SE-Net的层层映射，高频扰动在生成门控权重时得到了一定程度的平滑滤波；
静态偏差响应（图6(c)）：在控制信号存在常值偏置（如传感器标定漂移）时，模型输出表征呈现平缓过渡而非阶跃式跳变，展现出结构约束所赋予的渐进退化特征。

六、结语

从信号处理与动力学因果角度看，变工况机械装备的故障诊断不应是孤立的状态模式匹配问题。控制回路信号并非外部附加的冗余维度，而是约束状态演化轨迹的物理因果边界。

将控制信号通过具备物理约束逻辑的网络拓扑（如基于注意力的门控加权与细粒度域对抗）引入诊断模型，能够在特征抽取层面对冲工况变化引起的形态失真，为消除动力机械跨工况特征混叠提供了一种兼顾物理机制与表征学习的建模方式。

来源文献

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.

journals.sagepub.com/doi/10.1177...