控诊协同技术：船舶柴油机微弱故障诊断的新思路

在复杂海况与工况下，船舶柴油机运行工况处于动态调速与机动过程中。论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》针对机动工况分布下燃油喷射系统故障特征易受干扰的问题，从控制与诊断协同的角度，提出了一种控制感知域对抗网络模型。该技术致力于解决传统数据驱动诊断方法仅依赖状态监测量、忽略控制作用物理机理所导致的工况变化与早期微弱故障混淆问题。

一、机动工况与喷油器故障的状态耦合问题

在船舶柴油机实际运行中，控制信号（如转速调节引起的凸轮运动）是主动调节输入，而状态信号（如喷油质量流量）是被动响应输出。当喷油器发生喷孔微小堵塞时，其瞬态质量流量峰值会下降且喷射拖尾延长；然而，当船舶执行减速等机动操作时，转速降低在状态信号上同样会呈现出峰值下降与拖尾延长的趋势。

如上图所示，转速变化带来的外在动态响应与早期机械故障造成的内在响应极为相似。若诊断模型仅基于状态量进行模式匹配，可能在变工况下将机动动态与真实故障混淆。因此，需要引入控制端特征以辅助状态端特征的解耦与校正。

二、物理耦合系统的数据基础

该研究所依托的基础是四缸船舶柴油机直列式燃油喷射系统的层次化耦合热力学仿真模型。

系统由凸轮轴、输油泵、高压共轨/直列泵以及各缸喷油器构成。数据采集点分为两类：

1. 控制端信号：布置于凸轮轴子系统，采集轴角速度、凸轮速度与凸轮位置。
2. 状态端信号：布置于喷油器端，采集各缸实际喷油质量流量。

通过设定不同的加减速机动工况曲线，并设置不同梯度的喷孔堵塞截面尺寸，构建出涵盖稳态与机动瞬态的复合运行场景。

三、控制感知域对抗网络（CA-DANN）核心架构

针对控制与状态信号的物理主从逻辑，网络并未采用传统的通道简单拼接，而是设计了分流提取再加权融合的双分支结构，整体由特征提取器、故障程度分类器与机动工况判别器三部分构成。

1. 控制-状态加权融合机制

• 控制分支：将多通道控制时序输入多头注意力模块，以捕捉不同控制变量之间的相位与幅值关联；然后通过一维卷积/全连接层映射，并引入通道注意力模块重新标定各特征通道的响应强度，最后通过残差连接与门控激活函数，将输出约束为连续权值分布。
• 状态分支：利用长短期记忆网络处理喷油瞬态流量的时序演化，借助门控结构过滤测量干扰并提取流动特征。
• 特征融合：将控制分支输出的权值与状态分支输出的隐层特征执行逐元素相乘。这种机制利用控制信号生成的动态权值，自适应地对状态特征通道进行增强或抑制，避免了控制输入缺失或波动时对状态特征产生直接的线性破坏。

2. 细粒度多类域对抗对齐

常规域对抗网络通常仅设置二分类判别器（仅区分源域与目标域）。但在机动工况下，目标域包含加速、减速及复合加减速等多种非稳态分布。

为促使网络提取具备工况不变性的判式特征，该框架构建了细粒度的多类机动工况判别器。特征在传入判别器前经过梯度反转层处理。在反向传播过程中，工况判别损失的梯度被反向赋权传递至特征提取器，迫使其主动消除与具体机动模式相关的冗余信息，使得源域（稳态工况）所学到的故障分类判别超平面能够平滑迁移至目标域（各类非稳态工况）。

四、技术总结

通过控制与诊断协同的方式，CA-DANN在特征层面建立了控制指令对状态响应的调节约束。其采用的动态门控乘法融合结构，使模型在面对传感器异常或参数漂移时具备结构层面的容错缓冲机制；结合多类别对抗训练，弱化了外部运行边界变动对微弱故障分类界面的侵蚀，为机械系统在动态瞬态工况下的稳健诊断提供了参考。

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, First published online September 24, 2026.

https://journals.sagepub.com/doi/10.1177/01423312261487500