在船舶航行过程中，主推进柴油机频繁执行加速、减速及变速等机动操作，工况参数随时间连续变动，导致状态监测数据呈现出明显的非平稳性与分布偏移。针对动态机动工况下控制调节与结构故障特征相互耦合的难题，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》提出了一种基于控制感知仿射网络（Control-Aware Affine Network, CAAN）的故障诊断方法。该方法将动力系统的实时控制信号转化为主动校准参数，并结合正交特征解耦与知识蒸馏机制，构建了面向动态机动工况的船用柴油机燃油喷射系统故障诊断流程。
1. 动态机动工况与故障特征的物理耦合机理
在船用柴油机燃油喷射系统中，喷油器喷孔磨损或结焦堵塞会导致有效流通截面积减小，其典型故障状态如表1所列（孔径从正常状态的 0.400 mm 逐步递减至严重堵塞状态的 0.380 mm）。
| 故障标签 | 喷油器堵塞程度 | 喷孔孔径参数（mm） |
|---|---|---|
| F0 | 正常状态（Normal） | 0.400 |
| F1 | 轻度堵塞（Mild） | 0.395 |
| F2 | 中度堵塞（Moderate） | 0.390 |
| F3 | 重度堵塞（Severe） | 0.385 |
| F4 | 严重堵塞（Critical） | 0.380 |
在传统的诊断模式中，若柴油机处于减速等瞬态过渡过程，电子控制单元（ECU）为维持燃烧稳定性，会执行前馈控制以调整喷油正时并延长喷油脉宽。然而，喷孔堵塞同样会引起喷油持续期的补偿性延长。
图1：柴油机喷油质量流量特性分析（减速工况与喷孔堵塞工况对比）
如图1所示，机动减速引起的喷油调整与喷孔堵塞引起的物理响应在时域上存在相似形态。如果仅将控制信号与监测信号进行简单的拼接输入，深度学习网络易学习到虚假的工况关联，从而在跨工况诊断中产生误判。
2. CAAN网络架构设计
CAAN网络通过时间对齐的状态监测信号 X f a u l t ∈ R B × T × C X_{fault} \in \mathbb{R}^{B \times T \times C} Xfault∈RB×T×C（喷油质量流量）与控制变量 X c o n t r o l ∈ R B × T × D X_{control} \in \mathbb{R}^{B \times T \times D} Xcontrol∈RB×T×D（曲轴角速度 ω \omega ω、凸轮转速 v v v、凸轮位置 p p p）协同工作。其总体架构包含控制感知校准模块（CAC）、双特征解耦结构、教师网络蒸馏分支以及域对抗分类器。
图2：控制感知仿射网络（CAAN）总体结构图
3. 控制感知校准模块（CAC）的技术实现
控制感知校准（CAC）模块的作用是将控制参数作为先验物理约束，映射为特征维度的通道仿射变换参数：缩放因子 α \alpha α 与基线偏移因子 β \beta β。
图3：控制感知校准模块（CAC）结构图
3.1 物理参数化映射
- 幅值缩放因子（ α \alpha α）：作为动态增益补偿参数，消除机动负荷变化引起的喷油峰值速率与总体流量波动，将特征通道尺度归一化至基准健康水准。
- 基准偏移因子（ β \beta β）：作为基线平移校正参数，抵消ECU前馈调整与动态瞬态响应引起的喷油正时偏差及轨压基线漂移。
3.2 增量式参数更新机制
针对时序样本间的强依赖性，CAC模块采用增量更新策略以确保迭代稳定性。在第 i i i 次训练迭代中，控制信号输入经过多层线性网络输出缩放增量 Δ α i \Delta \alpha_i Δαi 与偏移增量 Δ β i \Delta \beta_i Δβi：
α i = α i − 1 ′ + Δ α i , β i = β i − 1 ′ + Δ β i \alpha_i = \alpha'{i-1} + \Delta \alpha_i, \quad \beta_i = \beta'{i-1} + \Delta \beta_i αi=αi−1′+Δαi,βi=βi−1′+Δβi
参数初始值设为 α 0 = 1 ∈ R 1 × 1 × C \alpha_0 = 1 \in \mathbb{R}^{1 \times 1 \times C} α0=1∈R1×1×C 与 β 0 = 0 ∈ R 1 × 1 × C \beta_0 = 0 \in \mathbb{R}^{1 \times 1 \times C} β0=0∈R1×1×C，其中 α i − 1 ′ \alpha'{i-1} αi−1′ 与 β i − 1 ′ \beta'{i-1} βi−1′ 为上一轮梯度下降更新后的值。校准后的控制感知特征 Y i Y_i Yi 计算公式为：
Y i = α i ⊙ X f a u l t + β i Y_i = \alpha_i \odot X_{fault} + \beta_i Yi=αi⊙Xfault+βi
4. 双特征解耦与表示学习
校准后的特征被解耦为两个在信息内容上保持正交的特征子空间：机动不变量特征（Maneuver-Invariant Features）与故障严重度特征（Fault Severity Features）。
图4：基于傅里叶相位谱的特征知识蒸馏机制
4.1 傅里叶相位谱与专家教师网络
当喷孔发生物理性堵塞时，喷油系统通过调节动作在时域上引入延迟 τ \tau τ。根据傅里叶时移定理：
F { x ( t − τ ) } = X ( f ) e − j 2 π f τ \mathcal{F}\{x(t - \tau)\} = X(f) e^{-j 2 \pi f \tau} F{x(t−τ)}=X(f)e−j2πfτ
时延 τ \tau τ 仅引起复数指数项相乘，其幅值谱 ∣ e − j 2 π f τ ∣ = 1 |e^{-j 2 \pi f \tau}| = 1 ∣e−j2πfτ∣=1 保持不变，而相位角 ϕ = arg ( X ) \phi = \arg(X) ϕ=arg(X) 则产生与频率成线性关系的相位差：
Δ ϕ ( f ) = − 2 π f τ \Delta \phi(f) = -2 \pi f \tau Δϕ(f)=−2πfτ
因此，系统构建了以时域傅里叶相位角 ϕ \phi ϕ 作为输入的离线专家教师网络（包含 1D-CNN、sLSTM、多头自注意力机制 MHA 及全连接层，如表2所列）。
| 模块名称 | 输入维度 | 输出维度 | 结构参数 |
|---|---|---|---|
| 1D Conv | 64 × 4 × 20 64 \times 4 \times 20 64×4×20 | 64 × 64 × 20 64 \times 64 \times 20 64×64×20 | 卷积核 k = 3 k=3 k=3, 步长 s = 1 s=1 s=1, 填充 p = 1 p=1 p=1 |
| Transpose | 64 × 64 × 20 64 \times 64 \times 20 64×64×20 | 64 × 20 × 64 64 \times 20 \times 64 64×20×64 | 轴置换操作 |
| sLSTM | 64 × 20 × 64 64 \times 20 \times 64 64×20×64 | 64 × 20 × 128 64 \times 20 \times 128 64×20×128 | 单隐藏层（layers=1） |
| MHA | 64 × 20 × 128 64 \times 20 \times 128 64×20×128 | 64 × 20 × 128 64 \times 20 \times 128 64×20×128 | 多头数 heads=8 |
| Pooling | 64 × 20 × 128 64 \times 20 \times 128 64×20×128 | 64 × 128 64 \times 128 64×128 | 时序汇聚层 |
| FC | 64 × 128 64 \times 128 64×128 | 64 × 5 64 \times 5 64×5 | 全连接分类输出层 |
在预训练100轮后，固定教师网络参数，通过均方误差损失将教师网络的中间隐层表征 r t r^t rt 迁移至主干网络的特征 r r r：
L d i s t i l l = 1 n ∑ i = 1 n ( r i − r i t ) 2 \mathcal{L}{distill} = \frac{1}{n} \sum{i=1}^{n} (r_i - r^t_i)^2 Ldistill=n1i=1∑n(ri−rit)2
在模型在线推理阶段，无需进行实时傅里叶变换计算，主模型直接沿用蒸馏得到的相位敏感特征。
4.2 基于梯度反转的机动不变量特征学习
为滤除不同机动操作模式引起的非线性工况扰动，引入域对抗网络（DANN）分支。该分支通过梯度反转层（Gradient Reversal Layer, GRL）在反向传播时将域分类器的梯度取反：
∂ L ∂ θ f e a t u r e = ∂ L s o u r c e ∂ θ f e a t u r e − λ ∂ L d o m a i n ∂ θ f e a t u r e \frac{\partial \mathcal{L}}{\partial \theta_{feature}} = \frac{\partial \mathcal{L}{source}}{\partial \theta{feature}} - \lambda \frac{\partial \mathcal{L}{domain}}{\partial \theta{feature}} ∂θfeature∂L=∂θfeature∂Lsource−λ∂θfeature∂Ldomain
其中源域分类目标损失为：
L s o u r c e = E ( x , y ) ∼ D s o u r c e ℓ ( y \^ , y ) \mathcal{L}{source} = \mathbb{E}{(x, y) \sim \mathcal{D}_{source}} \\ell(\\hat{y}, y) Lsource=E(x,y)∼Dsourceℓ(y\^,y)
目标域对抗损失为：
L d o m a i n = E ( x , d ) ∼ D t a r g e t ℓ ( d \^ , d ) \mathcal{L}{domain} = \mathbb{E}{(x, d) \sim \mathcal{D}_{target}} \\ell(\\hat{d}, d) Ldomain=E(x,d)∼Dtargetℓ(d\^,d)
通过博弈训练使特征提取器生成的表示 d d d 无法被域判别器区分，提取出跨工况的机动不变量表征。
5. 正交性约束与联合优化目标
为避免故障严重度特征 r r r 与机动不变量特征 d d d 存在信息混叠，引入余弦相似度构建特征正交差异约束损失：
L d i f f = ζ ⋅ ( 1 − 1 n ∑ i = 1 n r i ⋅ d i ∥ r i ∥ ∥ d i ∥ ) \mathcal{L}{diff} = \zeta \cdot \left( 1 - \frac{1}{n} \sum{i=1}^{n} \frac{r_i \cdot d_i}{\|r_i\| \|d_i\|} \right) Ldiff=ζ⋅(1−n1i=1∑n∥ri∥∥di∥ri⋅di)
模型最终的联合优化目标函数由多项损失加权构成：
L t o t a l = L y + λ d L d o m a i n + λ d i s t i l l L d i s t i l l + λ d i f f L d i f f \mathcal{L}{total} = \mathcal{L}y + \lambda_d \mathcal{L}{domain} + \lambda{distill} \mathcal{L}{distill} + \lambda{diff} \mathcal{L}_{diff} Ltotal=Ly+λdLdomain+λdistillLdistill+λdiffLdiff
式中， L y \mathcal{L}y Ly 为故障分类的交叉熵损失， λ d \lambda_d λd、 λ d i s t i l l \lambda{distill} λdistill 和 λ d i f f \lambda_{diff} λdiff 为超参数权重系数。解耦后的特征经通道级联后送入标签分类器完成最终的故障状态判定。
6. 系统建模与诊断步骤
诊断方案的实施流程主要包括机理建模、工况划分、时序分块采样与联合网络训练四个阶段。
图5：船用柴油机故障诊断框架实施流程
6.1 燃油系统仿真与控制输入
燃油喷射系统仿真模型包含凸轮轴、输油泵、四组直列高压喷油泵以及喷油器单元。
图6：柴油机燃油喷射系统仿真建模图
流体介质物性设定为：密度 ρ = 835 kg/m 3 \rho = 835\ \text{kg/m}^3 ρ=835 kg/m3，运动粘度 ν = 3.5 cSt \nu = 3.5\ \text{cSt} ν=3.5 cSt，体积模量 E = 1450 MPa E = 1450\ \text{MPa} E=1450 MPa，供油温度 T f u e l = 40 ∘ C T_{fuel} = 40^\circ\text{C} Tfuel=40∘C，轨压调节范围 P r a i l = 120 ∼ 160 MPa P_{rail} = 120 \sim 160\ \text{MPa} Prail=120∼160 MPa，气缸背压固定为 P b a c k = 8.5 MPa P_{back} = 8.5\ \text{MPa} Pback=8.5 MPa。控制量包括角速度、凸轮速度与行程位移。
6.2 信号处理与工况设计
系统设定三种标准机动工况：
- 加速工况（C1）：转速由 926 rpm 上升至 955 rpm。
- 稳态工况（C2）：转速维持在 955 rpm。
- 减速工况（C3）：转速由 955 rpm 降低至 926 rpm。
采样频率为 10 kHz，每类故障采集 2500 个原始采样点。为避免滑动窗口重叠（窗长 50，步长 10）导致的数据泄露，源域时间序列数据在滑窗前按 70% 训练与 30% 验证的比例在时间轴上进行不重叠分块分割，滑窗采样仅在各独立分块内进行。
6.3 算法训练与推理步骤
- 教师网络训练：提取原始喷油流量的傅里叶相位谱，训练教师网络完成故障严重度分类，保存中间特征层权重。
- CAAN网络协同优化：导入控制信号与故障信号，经由CAC模块进行动态仿射参数校准。
- 梯度反转与正交约束：计算对抗域判别损失与特征空间正交损失，更新特征提取层。
- 分类识别：合并故障严重度特征与机动不变量特征，经全连接分类层输出喷油器堵塞程度（F0--F4）的分类结果。
参考文献
Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuversJ. Ships and Offshore Structures, 2026.
https://www.tandfonline.com/doi/full/10.1080/17445302.2026.2748397