尧图网站建设 
在动力装备的智能运维与故障诊断研究中论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》探讨了控制系统输入与被控对象状态响应在变工况故障识别中的内在关联。现阶段大多数基于数据驱动的迁移学习与领域适应Domain Adaptation方法通常将研究重心完全置于振动、温度、压力或流量等“状态信号”的时频特征对齐上试图在不引入外部物理先验的前提下消除工况变化带来的域分布差异。然而当工况调节行为与系统物理故障对状态信号产生相似扰动时单纯依赖状态表征的无监督对齐容易出现混淆。本文从控制-诊断协同的角度梳理该文提出的控制感知领域对抗网络Control-Aware Domain-Adversarial Network, CA-DANN的技术实现路径。一、混淆机理工况操纵与故障演化的状态混叠在船用柴油机等受控动力系统中状态变量是系统对外界控制指令与物理退化共同作用的被动响应。以燃油喷射系统为例喷油嘴的结焦堵塞物理故障会导致喷油截面积减小进而引起喷油质量流量的峰值下降与循环喷射历时改变与此同时操纵系统为响应减速需求而下调凸轮轴转速时单循环内的柱塞供油速率同样会发生变化。图1 不同操纵工况与喷孔堵塞程度下控制信号与状态信号的时程演化曲线(论文原图 Figure 1: Temporal variations of control signals and state signals under different maneuvering operations and injector clogging degrees)如图 1 所示转速下降与喷孔堵塞在单孔喷油质量流量的时域波形上表现出极高的形态相似性——二者均可引发峰值喷油量的回落以及尾喷拖尾特性的改变。如果诊断模型仅采集状态信号如各缸喷油质量流量并直接应用域对抗神经网络DANN对稳态源域与变工况目标域进行边缘分布对齐模型极难界定特征漂移究竟是由操纵工况的主动调节所致还是由零部件的渐进性退化引起。若缺乏控制端的信息约束纯状态域特征空间的对齐往往会误将工况差异作为故障特征进行抹平或将工况波动误判为故障状态。二、物理耦合拓扑与信号空间划分为解耦上述混叠关系该方法在物理建模层面明确划分了主动调控属性的“控制信号”与被动响应属性的“状态信号”。图2 船用柴油机直列式喷油系统层级耦合热力学仿真模型及局部原理图(论文原图 Figure 2: Hierarchically coupled thermodynamic simulation model of the marine diesel engine inline injection system and its internal schematic diagram)基于图2所示的直列式燃油喷射系统热力学耦合仿真结构控制信号分支Camshaft Subsystem监测凸轮轴系统的运动状态包含凸轮轴角速度W WW、各缸凸轮速度V VV以及凸轮瞬时位移P PP。这类信号直接映射调速机构的操作指令具有对系统状态的主导驱动属性。状态信号分支Injector Subsystem采集各气缸对应喷油器的瞬时喷油质量流量。该信号反映经柱塞泵加压、高压油管传输及喷油嘴节流后的实际喷射动态作为表征喷嘴堵塞程度的被动状态响应。三、控制感知特征提取与权重调制融合机制常规多传感器融合网络多采用向量并行拼接Concatenation方式组合异质信号此类并联输入将控制量与状态量置于平等的表征维度忽略了二者之间的因果驱动关系。CA-DANN构建了双分支非对称结构利用控制特征动态调制状态特征通道。图3 控制感知领域对抗网络CA-DANN整体架构图(论文原图Figure 3: Framework of control-aware domain-adversarial network)图4 加权融合机制下特征提取器的超参数与张量流转图(论文原图Figure 4: Hyperparameters of the feature extractor under weighted fusion)如图3与图4所示特征提取过程由以下模块构成1. 控制特征提取分支控制信号序列x control x_{\text{control}}xcontrol首先进入多头自注意力机制Multi-Head Attention, MHA注意力头数设为h 4 h4h4。该模块将各缸凸轮速度、位移与角速度投影至多个子空间以捕获多缸协同控制的时序依赖。截取最后一个时间步的隐层输出h 1 MHA ( x control ) T h_1 \text{MHA}(x_{\text{control}})_Th1MHA(xcontrol)T随后特征向量经线性层升维至128维并输入通道注意力模块SE-Net。SE-Net通过压缩Squeeze与激励Excitation操作评估各特征通道对工况判别的贡献权重输出重标定特征h 3 h_3h3。为保留控制基底信息引入残差连接并经由 Sigmoid 激活函数映射z control σ ( h 2 h 3 ) z_{\text{control}} \sigma(h_2 h_3)zcontrolσ(h2h3)式中σ ( ⋅ ) \sigma(\cdot)σ(⋅)将输出值严格约束在( 0 , 1 ) (0, 1)(0,1)区间内形成无量纲的调制权重因子。2. 状态特征提取分支状态信号序列x state x_{\text{state}}xstate各缸喷油质量流量包含瞬态上升沿、喷射持续期及峰值波动序列易受流体阻尼波动与测量噪声干扰。状态分支采用长短期记忆网络LSTM提取时序演化特征取其最终隐藏状态z state LSTM ( x state ) T z_{\text{state}} \text{LSTM}(x_{\text{state}})_TzstateLSTM(xstate)T3. 逐元素乘法权重调制两分支提取的特征不采用拼接操作而是通过逐元素相乘Element-wise multiplication生成最终的融合判别表征z zzz z control ⊙ z state z z_{\text{control}} \odot z_{\text{state}}zzcontrol⊙zstate在该机制下z control z_{\text{control}}zcontrol充当动态特征门控Gating mechanism。当特定工况下某些状态通道的波动与故障相关性较高时控制分支生成趋近于 1 的权重予以保留若状态变动仅为特定转速过渡引起的常规工况响应控制分支则输出较小数值进行抑制。这种物理导向的特征调制机制使得融合后的隐层特征z zz具备了控制先验约束。四、细粒度多分类域对抗机制经典的领域对抗网络DANN主要依赖二值域判别器区分样本来自“源域”还是“目标域”。然而在复杂的变工况动态过渡过程中如连续的加速、减速或复合工况切换目标域内部呈现出多模态连续分布二值判别器倾向于将具有复杂分布的目标域整体拉向单工况源域容易抹去同域内不同子工况下的局部几何流形。CA-DANN 将传统的二值域分类器重构为支持K KK种操纵工况K KK-class的细粒度工况判别器故障诊断分类器以融合特征z zz为输入通过两层全连接与 ReLU 激活函数输出喷孔堵塞等级的预测对数概率y clog y_{\text{clog}}yclog以有监督的多分类交叉熵构建故障分类损失L clog \mathcal{L}_{\text{clog}}Lclog。工况判别器与梯度反转层GRL特征z zz经过带有负标量超参数− λ -\lambda−λ的梯度反转层后输入工况判别器。前向传播时特征正常传递反向传播时工况分类损失产生的梯度反向传入特征提取器迫使提取器学习混淆具体操纵工况的特征表征。工况分类损失定义为L regime − 1 N ∑ n 1 N ∑ k 1 K I ( k ( n ) k ) log ( e ( y regime ( n ) ) k ∑ j 1 K e ( y regime ( n ) ) j ) \mathcal{L}_{\text{regime}} -\frac{1}{N} \sum_{n1}^N \sum_{k1}^K \mathbb{I}(k^{(n)} k) \log \left( \frac{e^{(y_{\text{regime}}^{(n)})_k}}{\sum_{j1}^K e^{(y_{\text{regime}}^{(n)})_j}} \right)Lregime−N1n1∑Nk1∑KI(k(n)k)log∑j1Ke(yregime(n))je(yregime(n))k网络联合优化的总体损失函数为L total L clog λ L regime \mathcal{L}_{\text{total}} \mathcal{L}_{\text{clog}} \lambda \mathcal{L}_{\text{regime}}LtotalLclogλLregime在此多任务博弈结构中控制感知特征提取器一方面受L clog \mathcal{L}_{\text{clog}}Lclog驱动分离各类故障流形另一方面在多类工况分类目标下经由对抗梯度对齐稳态源工况与多种加速、减速及复合变工况。细粒度划分避免了传统二值判别在多变工况下的粗糙对抗使模型在跨工况迁移过程中保持特征空间的解耦能力。五、技术总结CA-DANN的核心技术逻辑在于重构了机械系统变工况故障诊断中的信号拓扑关系。面对操纵动作与系统退化在状态层面的混叠问题该方案放弃了将领域适应单纯视为数学分布对齐的传统范式通过构建“控制生成门控权重、状态承载故障信息”的物理耦合网络并在对抗端采用多类工况细粒度对齐机制从网络拓扑层面提供了一种控制信号与状态信号协同表征的实现结构。参考文献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.https://journals.sagepub.com/doi/10.1177/01423312261487500 变工况下的装备故障诊断：忽视了“控制信号”，再复杂的域适应也是盲人摸象？
在动力装备的智能运维与故障诊断研究中论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》探讨了控制系统输入与被控对象状态响应在变工况故障识别中的内在关联。现阶段大多数基于数据驱动的迁移学习与领域适应Domain Adaptation方法通常将研究重心完全置于振动、温度、压力或流量等“状态信号”的时频特征对齐上试图在不引入外部物理先验的前提下消除工况变化带来的域分布差异。然而当工况调节行为与系统物理故障对状态信号产生相似扰动时单纯依赖状态表征的无监督对齐容易出现混淆。本文从控制-诊断协同的角度梳理该文提出的控制感知领域对抗网络Control-Aware Domain-Adversarial Network, CA-DANN的技术实现路径。一、混淆机理工况操纵与故障演化的状态混叠在船用柴油机等受控动力系统中状态变量是系统对外界控制指令与物理退化共同作用的被动响应。以燃油喷射系统为例喷油嘴的结焦堵塞物理故障会导致喷油截面积减小进而引起喷油质量流量的峰值下降与循环喷射历时改变与此同时操纵系统为响应减速需求而下调凸轮轴转速时单循环内的柱塞供油速率同样会发生变化。图1 不同操纵工况与喷孔堵塞程度下控制信号与状态信号的时程演化曲线(论文原图 Figure 1: Temporal variations of control signals and state signals under different maneuvering operations and injector clogging degrees)如图 1 所示转速下降与喷孔堵塞在单孔喷油质量流量的时域波形上表现出极高的形态相似性——二者均可引发峰值喷油量的回落以及尾喷拖尾特性的改变。如果诊断模型仅采集状态信号如各缸喷油质量流量并直接应用域对抗神经网络DANN对稳态源域与变工况目标域进行边缘分布对齐模型极难界定特征漂移究竟是由操纵工况的主动调节所致还是由零部件的渐进性退化引起。若缺乏控制端的信息约束纯状态域特征空间的对齐往往会误将工况差异作为故障特征进行抹平或将工况波动误判为故障状态。二、物理耦合拓扑与信号空间划分为解耦上述混叠关系该方法在物理建模层面明确划分了主动调控属性的“控制信号”与被动响应属性的“状态信号”。图2 船用柴油机直列式喷油系统层级耦合热力学仿真模型及局部原理图(论文原图 Figure 2: Hierarchically coupled thermodynamic simulation model of the marine diesel engine inline injection system and its internal schematic diagram)基于图2所示的直列式燃油喷射系统热力学耦合仿真结构控制信号分支Camshaft Subsystem监测凸轮轴系统的运动状态包含凸轮轴角速度W WW、各缸凸轮速度V VV以及凸轮瞬时位移P PP。这类信号直接映射调速机构的操作指令具有对系统状态的主导驱动属性。状态信号分支Injector Subsystem采集各气缸对应喷油器的瞬时喷油质量流量。该信号反映经柱塞泵加压、高压油管传输及喷油嘴节流后的实际喷射动态作为表征喷嘴堵塞程度的被动状态响应。三、控制感知特征提取与权重调制融合机制常规多传感器融合网络多采用向量并行拼接Concatenation方式组合异质信号此类并联输入将控制量与状态量置于平等的表征维度忽略了二者之间的因果驱动关系。CA-DANN构建了双分支非对称结构利用控制特征动态调制状态特征通道。图3 控制感知领域对抗网络CA-DANN整体架构图(论文原图Figure 3: Framework of control-aware domain-adversarial network)图4 加权融合机制下特征提取器的超参数与张量流转图(论文原图Figure 4: Hyperparameters of the feature extractor under weighted fusion)如图3与图4所示特征提取过程由以下模块构成1. 控制特征提取分支控制信号序列x control x_{\text{control}}xcontrol首先进入多头自注意力机制Multi-Head Attention, MHA注意力头数设为h 4 h4h4。该模块将各缸凸轮速度、位移与角速度投影至多个子空间以捕获多缸协同控制的时序依赖。截取最后一个时间步的隐层输出h 1 MHA ( x control ) T h_1 \text{MHA}(x_{\text{control}})_Th1MHA(xcontrol)T随后特征向量经线性层升维至128维并输入通道注意力模块SE-Net。SE-Net通过压缩Squeeze与激励Excitation操作评估各特征通道对工况判别的贡献权重输出重标定特征h 3 h_3h3。为保留控制基底信息引入残差连接并经由 Sigmoid 激活函数映射z control σ ( h 2 h 3 ) z_{\text{control}} \sigma(h_2 h_3)zcontrolσ(h2h3)式中σ ( ⋅ ) \sigma(\cdot)σ(⋅)将输出值严格约束在( 0 , 1 ) (0, 1)(0,1)区间内形成无量纲的调制权重因子。2. 状态特征提取分支状态信号序列x state x_{\text{state}}xstate各缸喷油质量流量包含瞬态上升沿、喷射持续期及峰值波动序列易受流体阻尼波动与测量噪声干扰。状态分支采用长短期记忆网络LSTM提取时序演化特征取其最终隐藏状态z state LSTM ( x state ) T z_{\text{state}} \text{LSTM}(x_{\text{state}})_TzstateLSTM(xstate)T3. 逐元素乘法权重调制两分支提取的特征不采用拼接操作而是通过逐元素相乘Element-wise multiplication生成最终的融合判别表征z zzz z control ⊙ z state z z_{\text{control}} \odot z_{\text{state}}zzcontrol⊙zstate在该机制下z control z_{\text{control}}zcontrol充当动态特征门控Gating mechanism。当特定工况下某些状态通道的波动与故障相关性较高时控制分支生成趋近于 1 的权重予以保留若状态变动仅为特定转速过渡引起的常规工况响应控制分支则输出较小数值进行抑制。这种物理导向的特征调制机制使得融合后的隐层特征z zz具备了控制先验约束。四、细粒度多分类域对抗机制经典的领域对抗网络DANN主要依赖二值域判别器区分样本来自“源域”还是“目标域”。然而在复杂的变工况动态过渡过程中如连续的加速、减速或复合工况切换目标域内部呈现出多模态连续分布二值判别器倾向于将具有复杂分布的目标域整体拉向单工况源域容易抹去同域内不同子工况下的局部几何流形。CA-DANN 将传统的二值域分类器重构为支持K KK种操纵工况K KK-class的细粒度工况判别器故障诊断分类器以融合特征z zz为输入通过两层全连接与 ReLU 激活函数输出喷孔堵塞等级的预测对数概率y clog y_{\text{clog}}yclog以有监督的多分类交叉熵构建故障分类损失L clog \mathcal{L}_{\text{clog}}Lclog。工况判别器与梯度反转层GRL特征z zz经过带有负标量超参数− λ -\lambda−λ的梯度反转层后输入工况判别器。前向传播时特征正常传递反向传播时工况分类损失产生的梯度反向传入特征提取器迫使提取器学习混淆具体操纵工况的特征表征。工况分类损失定义为L regime − 1 N ∑ n 1 N ∑ k 1 K I ( k ( n ) k ) log ( e ( y regime ( n ) ) k ∑ j 1 K e ( y regime ( n ) ) j ) \mathcal{L}_{\text{regime}} -\frac{1}{N} \sum_{n1}^N \sum_{k1}^K \mathbb{I}(k^{(n)} k) \log \left( \frac{e^{(y_{\text{regime}}^{(n)})_k}}{\sum_{j1}^K e^{(y_{\text{regime}}^{(n)})_j}} \right)Lregime−N1n1∑Nk1∑KI(k(n)k)log∑j1Ke(yregime(n))je(yregime(n))k网络联合优化的总体损失函数为L total L clog λ L regime \mathcal{L}_{\text{total}} \mathcal{L}_{\text{clog}} \lambda \mathcal{L}_{\text{regime}}LtotalLclogλLregime在此多任务博弈结构中控制感知特征提取器一方面受L clog \mathcal{L}_{\text{clog}}Lclog驱动分离各类故障流形另一方面在多类工况分类目标下经由对抗梯度对齐稳态源工况与多种加速、减速及复合变工况。细粒度划分避免了传统二值判别在多变工况下的粗糙对抗使模型在跨工况迁移过程中保持特征空间的解耦能力。五、技术总结CA-DANN的核心技术逻辑在于重构了机械系统变工况故障诊断中的信号拓扑关系。面对操纵动作与系统退化在状态层面的混叠问题该方案放弃了将领域适应单纯视为数学分布对齐的传统范式通过构建“控制生成门控权重、状态承载故障信息”的物理耦合网络并在对抗端采用多类工况细粒度对齐机制从网络拓扑层面提供了一种控制信号与状态信号协同表征的实现结构。参考文献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.https://journals.sagepub.com/doi/10.1177/01423312261487500