控制与监测特征的联合表征：复杂动力装备变工况故障诊断的发展方向

在动力装备智能运维与健康管理领域，变工况运行条件下的特征畸变与误诊问题始终是故障诊断领域的核心挑战之一。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" ，从"控制-诊断协同"的视角探讨了高变工况下船用柴油机燃油喷射系统的故障诊断问题，提出了一种控制感知域对抗网络（Control-Aware Domain-Adversarial Network, CA-DANN）。该工作改变了传统诊断算法仅依赖被动监测状态信号的模式，系统构建了主动控制信号与被动状态信号的联合表征方法。

---

一、控制与状态信号的物理耦合机理与特征混叠

在复杂动力装备（如大功率柴油机、燃气轮机等）的动态运行过程中，控制系统发出的调节指令主动驱动执行机构，而机载传感器采集的状态信号则是系统受控后的被动响应。传统数据驱动模型通常仅提取状态信号的统计或时域特征，容易在工况快速过渡阶段出现混叠。

以柴油机高压喷射过程为例，喷油嘴的孔径堵塞会导致循环喷油量下降和喷射持续角变化；与此同时，操纵动作引起的凸轮轴转速下降同样会导致单个喷油循环的峰值质量流量降低并伴随喷射拖尾现象。

如图1所示，图1(a)展示了无喷孔堵塞状态下，不同驱动转速引起的单次喷射质量流量波形变化；图1(b)展示了固定转速下，不同喷嘴堵塞程度导致的质量流量变化。二者在时域波形形态（如上升沿斜率、峰值流量、拖尾时间）上具有相似的变化趋势。

若诊断模型仅基于状态特征输入，极易将转速变化引起的流量波动错判为结构性堵塞故障。引入能够反映操纵意志与执行过程的控制侧物理量，是实现工况扰动与故障表征解耦的前提。

---

二、动力系统层次化模型与多源测点配置

为获取控制-状态全闭环动态参数，研究基于流体网络与机械动力学搭建了四缸柴油机直列式燃油喷射系统的层次化热力学仿真模型。

系统整体结构及监测点分布如图2所示：

1. 控制侧监测点（凸轮轴子系统）： 凸轮轴驱动各缸高压油泵柱塞运动，设置测点 $MPi-1MPi\backslash text\{-\}1$ MPi-1（轴角速度 $WW$ W）、 $MPi-2MPi\backslash text\{-\}2$ MPi-2（凸轮运动线速度 $VV$ V）、 $MPi-3MPi\backslash text\{-\}3$ MPi-3（凸轮升程位置 $PP$ P），其中 $i\in \{1,2,3,4\}i\; \backslash in\; \backslash \{1,\; 2,\; 3,\; 4\backslash \}$ i∈{1,2,3,4} 代表缸号，构成了反映执行机构运动边界的控制输入向量 $xcontrol\; x\_\{\backslash text\{control\}\}$ xcontrol。
2. 状态侧监测点（喷油器子系统）： 测点 $MPi-4MPi\backslash text\{-\}4$ MPi-4 实时采集针阀动作过程中的喷油质量流量（Mass flow rate），构成了直接反映系统健康状态的状态监测向量 $xstate\; x\_\{\backslash text\{state\}\}$ xstate。
3. 管路与阻尼网络： 包含计及黏性摩擦损失的等温液相管路模型、弹簧蓄能器模型、定压泄压阀以及油量调节机构（Governor），确保流体压力波传递与多缸相位差具备严格的物理约束。

---

三、控制感知双分支特征提取与自适应加权融合

CA-DANN放弃了传统的控制-状态信号直接物理拼接的模式，构建了非对称的双分支特征提取网络，实现控制侧对状态侧的通道级动态调制。

网络的详细数据流向如图3所示：

1. 状态信号特征提取分支

状态信号 $xstate\; x\_\{\backslash text\{state\}\}$ xstate 包含高频脉冲与瞬态波动，极易受流体阻尼与量化噪声干扰。该分支采用长短期记忆网络（LSTM）提取时序演变过程： $zstate=LSTM(xstate)T\; z\_\{\backslash text\{state\}\}\; =\; \backslash text\{LSTM\}(x\_\{\backslash text\{state\}\})\_T$ zstate=LSTM(xstate)T 通过其门控单元衰减不相关的周期性扰动，保留序列最终时刻 $TT$ T 的隐层状态作为故障判别基准特征。

2. 控制信号特征提取分支

控制信号 $xcontrol\; x\_\{\backslash text\{control\}\}$ xcontrol 反映各缸多变量之间的几何与运动依赖关系，网络采用"多头自注意力机制（Multi-Head Attention, MHA）+ 通道注意力机制（SE-Net）"级联结构：

• MHA模块： 设定注意力头数 $h=4h=4$ h=4，以控制时序信号本身构建 $Q=K=VQ=K=V$ Q=K=V。若输入包含角速度、线速度、位置3类控制信号，则头维度 $dk=dv=3\; d\_k\; =\; d\_v\; =\; 3$ dk=dv=3；通过多子空间投影提取序列末时刻的依赖表征 $h1=MHA(xcontrol)T\; h\_1\; =\; \backslash text\{MHA\}(x\_\{\backslash text\{control\}\})\_T$ h1=MHA(xcontrol)T。
• SE-Net模块： 经线性映射升维后，通过挤压（Squeeze）进行全局平均池化，再通过激励（Excitation）两层线性映射学习控制特征通道间的相互关系，输出通道权重 $h3\; h\_3$ h3。
• 残差激活层： 将SE权重与映射特征相加，通过Sigmoid函数压缩至 $(0,1)(0,\; 1)$ (0,1) 区间： $zcontrol=\sigma (h2+h3)=\; 11+e\; -(h2+h3)\; z\_\{\backslash text\{control\}\}\; =\; \backslash sigma(h\_2\; +\; h\_3)\; =\; \backslash frac\{1\}\{1\; +\; e^\{-(h\_2\; +\; h\_3)\}\}$ zcontrol=σ(h2+h3)=1+e−(h2+h3)1

3. 元素级加权融合机制

融合特征 $zz$ z 通过控制分支输出向量与状态分支输出向量的Hadamard积生成： $z=zcontrol\odot zstate\; z\; =\; z\_\{\backslash text\{control\}\}\; \backslash odot\; z\_\{\backslash text\{state\}\}$ z=zcontrol⊙zstate 控制特征 $zcontrol\; z\_\{\backslash text\{control\}\}$ zcontrol 在此充当自适应滤波门控（Gating Vector），依据当前工况动态缩放状态特征各维度的增益。若控制侧输入发生变化，门控权重将自动重新分配状态特征中受转速主导与受堵塞主导的频带或通道。

网络层级参数拓扑详见图4。状态分支经LSTM处理后输出 $32\times 12832\; \backslash times\; 128$ 32×128 维张量；控制分支经由注意力与激活后同样匹配为 $32\times 12832\; \backslash times\; 128$ 32×128 维权重矩阵，最终通过逐元素乘法完成特征空间对齐。

---

四、细粒度工况分类与域对抗表征解耦

在实现控制-状态特征融合后，为消除复杂变速操纵对故障模式判别的分布偏移，CA-DANN设计了细粒度多类别域判别器，结合梯度反转层（Gradient Reversal Layer, GRL）进行对抗优化。

传统DANN的域判别器仅执行"源域 vs 目标域"的二分类判定。但在实际动力装置运行中，目标域往往包含加速、减速、多级加减速等多样化的非平稳工况。该架构将工况辨识拓展为细粒度的 $KK$ K 分类（ $K=7K=7$ K=7：包含1种定速平稳工况源域，以及加速、减速、复合加减速等6种工况目标域）。

1. 结构与梯度反转

融合特征 $zz$ z 进入工况判别器前首先通过GRL：

• 前向传播阶段：恒等映射，输出保持不变；
• 反向传播阶段：将后级反传的梯度乘以系数 $-\lambda -\backslash lambda$ −λ 倒置后传入前级特征提取器： $R(z)=z,\; dRdz\; =-\lambda I\backslash mathcal\{R\}(z)\; =\; z,\; \backslash quad\; \backslash frac\{d\backslash mathcal\{R\}\}\{dz\}\; =\; -\backslash lambda\; \backslash mathbf\{I\}$ R(z)=z,dzdR=−λI

判别器经由两层全连接与 ReLU 单元输出各工况概率分布： $yregime=Wregime2ReLU(Wregime1z+bregime1)+bregime2\; y\_\{\backslash text\{regime\}\}\; =\; W\_\{\backslash text\{regime2\}\}\; \backslash text\{ReLU\}(W\_\{\backslash text\{regime1\}\}\; z\; +\; b\_\{\backslash text\{regime1\}\})\; +\; b\_\{\backslash text\{regime2\}\}$ yregime=Wregime2ReLU(Wregime1z+bregime1)+bregime2

2. 多任务联合损失函数

网络训练采用端到端联合优化，总损失函数定义为： $Ltotal=Lclog+\lambda Lregime\; \backslash mathcal\{L\}${\text{total}} = \mathcal{L}{\text{clog}} + \lambda \mathcal{L}_{\text{regime}} Ltotal=Lclog+λLregime

其中，喷嘴堵塞等级分类损失 $Lclog\; \backslash mathcal\{L\}${\text{clog}} Lclog 仅在有标签的源域样本集 $Ns\; N\_s$ Ns 上计算： $Lclog=-\; 1Ns\; \sum n=1Ns\; log\; (\; e\; (\; yclog(n)\; )c(n)\; \sum c=1C\; e\; (\; yclog(n)\; )c\; )\; \backslash mathcal\{L\}${\text{clog}} = -\frac{1}{N_s} \sum_{n=1}^{N_s} \log \left( \frac{e^{(y_{\text{clog}}^{(n)}){c^{(n)}}}}{\sum{c=1}^C e^{(y_{\text{clog}}^{(n)})_c}} \right) Lclog=−Ns1∑n=1Nslog(∑c=1Ce(yclog(n))ce(yclog(n))c(n))

细粒度工况分类损失 $Lregime\; \backslash mathcal\{L\}${\text{regime}} Lregime 在源域与未标注目标域样本全集 $N=Ns+Nt\; N\; =\; N\_s\; +\; N\_t$ N=Ns+Nt 上联合计算： $Lregime=-1N\; \sum n=1N\; log\; (\; e\; (\; yregime(n)\; )k(n)\; \sum k=1K\; e\; (\; yregime(n)\; )k\; )\; \backslash mathcal\{L\}${\text{regime}} = -\frac{1}{N} \sum_{n=1}^{N} \log \left( \frac{e^{(y_{\text{regime}}^{(n)}){k^{(n)}}}}{\sum{k=1}^K e^{(y_{\text{regime}}^{(n)})_k}} \right) Lregime=−N1∑n=1Nlog(∑k=1Ke(yregime(n))ke(yregime(n))k(n))

通过极大极小博弈过程，特征提取器被迫学习能够最大化分类健康状态、同时最小化多类工况可分性的隐层流形表征，使得各瞬态过渡工况下的特征分布被投影至与稳态工况一致的子空间内。

---

五、核心架构总结

将控制量与监测状态联合建模，为复杂动力系统在动态变工况下的状态辨识提供了确定性的物理先验支撑。该方法的技术核心可归纳为两点：

1. 控制引导的自适应通道调制： 利用物理上处于"因"地位的控制量构建连续可微的缩放系数，直接干预被动状态特征在隐层的增益结构，抑制因输入突变引起的假性故障表征；
2. 全工况谱的细粒度域对抗机制： 突破了单一域标签的二元限制，构建了涵盖多元操纵过渡态的对抗约束，强制深层特征提取器完成非平稳工况与机械故障模式的完全解耦。

---

参考文献

Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspectiveJ. Transactions of the Institute of Measurement and Control, 2026.

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