在船用柴油机故障诊断研究中，近期发表于 *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”提出了一个结合控制与诊断协同视角的建模框架。该研究针对柴油机在复杂机动操纵工况下状态信号与控制响应混淆的物理特性，构建了一种**控制感知域对抗网络**（Control-Aware Domain Adversarial Network, CA-DANN），通过挖掘控制信号中的诊断信息并结合细粒度域对抗机制，开展跨操纵工况下的喷油系统故障识别。

---

## 1. 物理问题与研究背景

船用柴油机在航行过程中常处于加速、减速等变工况运行状态。现有的数据驱动故障诊断方法通常依赖于状态监测信号（如喷油质量流量、振动、缸温等），而较少将控制系统的操作信号纳入特征提取框架。

在实际物理过程中，柴油机的控制信号对状态信号具有主动驱动作用。如图1所示，操纵操作引起的转速变化与喷油孔堵塞引起的流道阻力增加，均会对喷油质量流量产生直接影响：
* 随着转速下降，喷油峰值流量降低且尾部延长；
* 随着喷油孔堵塞加剧，喷油峰值流量同样呈现降低趋势，喷油历程亦发生形变。

这种时域变化趋势的相似性使得仅依赖状态信号的模型在跨工况场景下面临状态与工况相互混淆的问题。

![QQ20261009-191351.jpg](https://developer.qcloudimg.com/http-save/yehe-7136653/fa5a199b08a9cc0d5602f01b78d76c97.png)
*图1：不同操纵工况与喷油器堵塞程度下控制信号与状态信号的时域变化*

为系统获取控制与状态变量的时序响应，论文基于分层耦合热力学模型（如图2所示）生成了仿真数据集。该系统包含凸轮轴、输油泵、直列喷油泵组及喷油器等子系统，在凸轮轴侧设置控制信号监测点（轴角速度、凸轮速度、凸轮位置），并在各缸喷油器处监测喷油质量流量状态信号。

![QQ20261009-191408.jpg](https://developer.qcloudimg.com/http-save/yehe-7136653/e29353b051bf1b5f5380b19580560e74.png)
*图2：船用柴油机直列式喷油系统分层耦合热力学仿真模型结构图*

---

## 2. 控制感知域对抗网络（CA-DANN）架构

CA-DANN的整体网络结构如图3所示，主要由三个模块构成：**控制感知特征提取器（Control-aware Feature Extractor）**、**堵塞程度分类器（Clogging Degree Classifier）** 和 **操纵工况分类器（Maneuvering Regime Classifier）**。

![QQ20261009-191418.jpg](https://developer.qcloudimg.com/http-save/yehe-7136653/6cd1dd5b57f2f65c17231df31d753e6d.png)
*图3：控制感知域对抗网络（CA-DANN）整体架构图*

### 2.1 双分支控制-状态加权融合机制

不同于常规直接拼接（Concatenation）的特征输入方式，CA-DANN根据控制信号主导状态信号的物理因果逻辑，设计了不对称的双分支提取与加权结构：

1. **控制信号特征提取分支**  
   输入为凸轮轴采集的控制时序信号 $x_{\text{control}}$（包含轴角速度、凸轮速度与凸轮位置）。
   * 采用多头注意力机制（Multi-Head Attention, MHA）建立各控制变量与多缸时序之间的依赖关系，注意力头数设为 $h=4$，$Q=K=V$ 由控制信号映射生成。
   * 截取 MHA 最后一个时间步的特征以保留全局时序信息：
     $$h_1 = \text{MHA}(x_{\text{control}})_T$$
   * 将 $h_1$ 经全连接层投影至128维空间后，送入通道注意力模块（SE-Net），通过挤压（Squeeze）与激励（Excitation）操作动态重加权特征通道，生成特征 $h_3$。
   * 引入残差连接并经 Sigmoid 函数压缩，生成控制权重向量 $z_{\text{control}}$：
     $$z_{\text{control}} = \sigma(h_2 + h_3)$$
     其中 $\sigma(x) = \frac{1}{1 + e^{-x}}$，输出被严格约束在区间 $(0, 1)$。

2. **状态信号特征提取分支**  
   输入为四个喷油器的喷油质量流量时序信号 $x_{\text{state}}$。
   * 采用长短期记忆网络（LSTM）捕获喷油过程中脉冲上升沿、峰值与持续期的时变动态，利用门控机制滤除随机扰动。
   * 提取 LSTM 最终时刻的隐状态作为状态表征：
     $$z_{\text{state}} = \text{LSTM}(x_{\text{state}})_T$$

3. **逐元素乘法加权融合**  
   特征融合并非简单增加维度，而是通过点乘操作实现动态调制：
   $$z = z_{\text{control}} \odot z_{\text{state}}$$
   该设计中，控制分支输出的权重向量 $z_{\text{control}} \in (0, 1)$ 充当特征门控因子，自适应增强或抑制状态特征 $z_{\text{state}}$ 中的各个维度。

特征提取器各层的具体维度与参数拓扑如图4所示。

![QQ20261009-191430.jpg](https://developer.qcloudimg.com/http-save/yehe-7136653/7c6f6ecf1989db6c5c3f95b3c8f3b5a0.png)
*图4：加权融合机制下特征提取器的网络超参数与张量维度*

---

## 3. 细粒度域对抗机制与损失函数

传统域对抗网络（DANN）通常采用二分类判别器区分源域与目标域。而在实际机动航行中，工况由多种不同的加速、减速及加减速交替状态构成。为此，CA-DANN将传统的二分类判别拓展为细粒度的多分类操纵工况对抗架构。

### 3.1 模块结构定义

* **堵塞程度分类器**：  
  接收融合特征 $z$，经两层带ReLU激活的线性层映射，输出各类堵塞程度的logits：
  $$y_{\text{clog}} = W_{\text{clog2}} \left( \text{ReLU}(W_{\text{clog1}} z + b_{\text{clog1}}) \right) + b_{\text{clog2}}$$

* **操纵工况分类器**：  
  在特征 $z$ 进入工况分类器前，接入梯度反转层（Gradient Reversal Layer, GRL）。在前向传播阶段特征保持不变，反向传播时将后续梯度乘以因子 $-\lambda$（$\lambda$ 为域正则化超参数）并反向回传至特征提取器。经全连接网络输出工况分类logits：
  $$y_{\text{regime}} = W_{\text{regime2}} \left( \text{ReLU}(W_{\text{regime1}} z + b_{\text{regime1}}) \right) + b_{\text{regime2}}$$

### 3.2 损失函数构造

模型的整体目标函数由两部分多分类交叉熵损失组成：

1. **故障分类损失**（在源域样本上计算，类别数 $C=5$）：
   $$\mathcal{L}_{\text{clog}} = - \frac{1}{N_s} \sum_{n=1}^{N_s} \log \left( \frac{e^{(y_{\text{clog}}^{(n)})_{c^{(n)}}}}{\sum_{c=1}^C e^{(y_{\text{clog}}^{(n)})_c}} \right)$$

2. **操纵工况分类损失**（在源域与目标域的所有样本上计算，类别数 $K=7$，覆盖恒速工况与 6 种变速机动工况）：
   $$\mathcal{L}_{\text{regime}} = - \frac{1}{N} \sum_{n=1}^{N} \log \left( \frac{e^{(y_{\text{regime}}^{(n)})_{k^{(n)}}}}{\sum_{k=1}^K e^{(y_{\text{regime}}^{(n)})_k}} \right)$$

3. **联合优化目标**：
   $$\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{clog}} + \lambda \mathcal{L}_{\text{regime}}$$

通过对抗训练，特征提取器在最小化故障诊断分类误差的同时，最大化操纵工况分类器的混淆程度，促使提取的特征表示具备对变工况操纵的分布不变性。

---

## 4. 总结

该研究针对传统数据驱动诊断方法忽略控制变量输入的问题，从控制-状态协同建模出发，设计了包含MHA与SE-Net的控制特征生成路径，并利用Sigmoid门控权重与LSTM状态特征进行逐元素乘法融合。配合 $K$ 类细粒度域对抗机制，该方法在网络结构层面提供了解耦操纵响应与故障表征的一种途径。

---

## 来源文献

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

在船用柴油机故障诊断研究中，近期发表于 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”提出了一个结合控制与诊断协同视角的建模框架。该研究针对柴油机在复杂机动操纵工况下状态信号与控制响应混淆的物理特性，构建了一种控制感知域对抗网络（Control-Aware Domain Adversarial Network, CA-DANN），通过挖掘控制信号中的诊断信息并结合细粒度域对抗机制，开展跨操纵工况下的喷油系统故障识别。

考虑控制信号的变工况故障诊断新方法：控制感知域对抗网络

在船用柴油机故障诊断研究中，近期发表于 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

人工智能

算法

大数据

船用柴油机跨工况故障诊断中，控制信号与状态信号混淆影响识别精度。最新研究提出控制感知域对抗网络（CA-DANN），通过双分支加权融合与细粒度域对抗，解耦操纵响应与故障表征，实现喷油系统堵塞故障精准识别。该方法融合控制-诊断协同视角，提升复杂机动工况下模型泛化能力。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

考虑控制信号的变工况故障诊断新方法：控制感知域对抗网络-腾讯云开发者社区-腾讯云

考虑控制信号的变工况故障诊断新方法：控制感知域对抗网络

考虑控制信号的变工况故障诊断新方法：控制感知域对抗网络

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐