在发表于期刊《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》中，探讨了船舶柴油机燃油喷射系统在变工况机动过程中的故障诊断机理。传统基于数据驱动的机械设备故障诊断方法，通常将监测重点完全置于响应端的"状态信号"上。然而，从动力系统的物理本质来看，状态信号仅是被动反映系统运行响应的表象，而作为主动调节指令的"控制信号"才是决定系统动力学行为演变的源头。若割裂控制与状态之间的因果链条，仅凭状态信号进行诊断，模型容易在变工况扰动下陷入物理盲区。
一、变工况诊断的物理混淆：状态响应的"殊途同归"
在船舶动力系统的实际运行中，状态信号的变化往往交织着两类完全不同的物理诱因：一类是来自控制系统的正常工况调节指令（例如船舶加速、减速等机动操作），另一类是执行机构本身的物理劣化或故障（例如喷油器喷孔积碳堵塞）。
以柴油机燃油喷射系统的喷射质量流量这一典型状态信号为例，图1直观展示了工况变化与物理故障在信号形态上的相似性：
- 当操作人员执行减速机动操作时，凸轮轴转速下降，导致单个喷油器的燃油喷射质量流量峰值降低，同时伴随喷射拖尾现象的延长；
- 当柴油机维持在同一输入转速下，若喷孔发生不同程度的积碳堵塞，由于流通截面积减小，其喷射质量流量同样呈现出峰值降低、喷射过程延长的特征。
这种物理规律表明，单一的状态特征在不同工况和故障耦合时会出现高度重叠。诊断模型若无法获取控制端的信息，就只能感知到状态发生了改变（知其然），却无法判别这种改变是由转速调节引起还是由孔径缩减引起（不知其所以然），从而极易在跨工况场景中发生误判。
二、控制-状态协同物理建模基础
为了从机理上解构控制指令与状态响应的耦合关系，需要建立具备明确物理机理的高保真动力学模型。该研究构建了高压共轨/单体泵形式的四缸柴油机直列式燃油喷射系统分层耦合热力学模型。
如图2所示，系统在物理结构上包含凸轮轴子系统、输油泵、直列喷油泵组、柱塞控制机构以及喷油器子系统：
- 控制信号采集：凸轮轴作为动力输入端，其轴向角速度驱动凸轮型线运动，由此解算得到各缸凸轮的瞬时运动速度与相对位置位移。这些运动学量直接反映了控制系统对喷射系统的动作驱动。
- 状态信号采集：喷油器针阀在液压力作用下启闭，通过流量监测节点采集喷入气缸的瞬时燃油质量流量。
通过在不同转速机动曲线（恒速、加速、减速、复合变速等）下模拟不同喷孔内径收缩状态，形成了兼具控制输入参数与状态响应输出的时域数据集。
三、控制感知域对抗网络（CA-DANN）技术步骤
针对状态特征易受工况干扰的物理本质，提出了控制感知域对抗网络（CA-DANN），将控制信号作为调制权值引入状态特征的提取过程，并结合细粒度域对抗机制消除机动工况对故障判别的分布漂移。
如图3所示，该方法包含以下核心技术步骤：
步骤一：双分支特征提取解耦建模
模型摒弃了将控制信号与状态信号直接简单拼接的常规方式，构建了在物理逻辑上相互独立的双分支特征提取结构：
- 控制特征提取分支：输入多通道凸轮轴控制序列（包含轴角速度、凸轮速度及凸轮位置）。首先利用多头自注意力机制在不同子空间内并行投影，捕捉多个控制变量之间在不同时间跨度上的交互关联；提取序列最后一个时间步的隐层向量以保留全局时序演变特征；通过线性变换层降维，输入通道注意力机制（SE模块），通过全局池化挤压与全连接激励操作动态重标定通道重要性；最后经过残差连接与非线性激活函数映射，输出经归一化限制在零到一开区间内的控制感知调制权重。
- 状态特征提取分支：输入各缸喷油器燃油质量流量状态时域信号。利用长短期记忆网络（LSTM）提取非平稳注油过程中的动态时序依赖关系，利用其门控机制滤除传感器噪声，同样截取序列最后一个时间步的隐藏状态作为底层状态表征向量。
步骤二：自适应控制-状态乘性加权融合
在获得零到一区间内的控制调制权重向量以及状态表征向量后，系统采用逐元素相乘的加权融合操作，而非传统特征工程中的维度拼接。
- 该机制的物理设计逻辑在于：控制分支生成的权重充当动态门控开关，依据当前的控制动作模式，对状态特征中的各个物理维度实施自适应的选择性放大或衰减抑制，从而使得融合后的深层特征直接内嵌了工况上下文信息。
步骤三：细粒度的跨机动工况域对抗对齐
融合特征向量被并行送入下游任务，其中一个核心通道是用于消除工况差异的细粒度机动工况分类器：
- 融合特征首先进入梯度反转层（GRL）。在前向传播阶段，特征数值原样通过；在反向传播阶段，损失梯度被乘以负缩放因子进行符号反转。
- 与传统域适应方法仅区分"源域"和"目标域"的二分类域判别器不同，该架构构建了覆盖各类机动状态（包含恒速工况以及多种变速机动工况）的多分类工况判别网络。
- 通过梯度反转层与多分类交叉熵目标的对抗博弈，促使特征提取器主动剥离与各类特定运行工况紧密绑定的分布模式，使得提取出的高层特征在多类加减速机动变化中保持分布一致性。
步骤四：喷孔堵塞故障分类决策
与此同时，融合特征向量被直接送入故障分类分支。通过两层带有非线性修正线性单元的映射变换，输出各故障分类节点的响应概率分布，完成喷油器不同程度物理堵塞严重等级的识别判定。整体网络通过联合最小化故障分类损失与加权后的工况对抗损失进行端到端参数更新。
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.