企业官网建设流程全解析

从“看状态”走向“理解控制下的状态变化”

论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》提出了一种面向船舶柴油机喷油系统的控制感知领域对抗网络（Control-Aware Domain-Adversarial Network，CA-DANN）。这项工作关注的核心问题并不是单纯提高分类器的复杂度，而是重新组织故障诊断所使用的信息：对于受到控制系统主动调节的高端装备，设备状态信号往往是控制作用后的响应，而控制信号本身包含了理解这种响应所必需的运行背景。因此，从控诊协同的角度看，控制信号不应只被当作普通输入变量，而可以被用于刻画“在什么控制条件下，系统为什么呈现出当前状态”。论文以高转速船舶柴油机喷油系统为对象进行了验证，并据此给出了一个可以进一步抽象到其他高端装备的技术框架。

1. 为什么故障诊断需要引入控制信息

传统数据驱动故障诊断通常以振动、压力、温度、流量等状态信号作为主要输入。这样做的直接原因是：故障通常会改变设备的物理状态，而传感器测到的是这些变化后的结果。

问题在于，高端装备的状态变化并不只由故障决定。控制系统持续地改变转速、执行器位置、给定量或其他调节量，正常的控制动作本身就可以引起显著的状态变化。于是，在不同运行工况之间，正常状态变化与故障引起的变化可能具有相似的时间趋势。

论文中的柴油机喷油系统给出了一个比较典型的例子：转速变化和喷油器堵塞都会影响喷油质量流量，而且二者在部分时间段呈现相似的变化趋势。仅根据状态信号进行判断时，模型容易把“控制工况变化”误认为“故障变化”，从而产生跨工况误诊。论文正是针对这一问题提出CA-DANN，将控制信号与状态信号之间的耦合关系纳入故障特征学习过程。

图1说明了控制变化与故障变化可能在状态信号上产生相近的动态表现。

从高端装备的一般视角理解，可以把问题概括为：状态信号回答“设备现在是什么状态”，控制信号则提供“设备是在什么控制作用下进入这个状态”的上下文。控诊协同的关键，就是不要割裂这两类信息。

2. CA-DANN的总体思路：控制分支与状态分支各自建模，再进行耦合

CA-DANN的网络结构由三个主要部分组成：控制感知特征提取器、故障程度分类器和运行工况分类器。

其中，控制感知特征提取器不是简单地把控制信号和状态信号拼接起来，而是建立两条具有不同建模路径的分支。

一条是状态信号分支。论文把4个喷油器的喷油质量流量作为状态输入，因为这些流量波形直接反映喷油过程，并包含上升斜率、峰值幅值、喷油持续时间等具有明显时间依赖性的特征。针对这种时序信号，论文采用LSTM提取动态特征，并使用最后一个时间步的隐藏状态作为状态表征。

另一条是控制信号分支。论文选取凸轮轴的轴角速度、凸轮速度和凸轮位置作为控制信息，通过多头注意力机制提取不同控制变量之间以及时间维度上的关联信息；随后经过线性映射、通道注意力和残差连接，形成控制特征。其目的不是单纯增加输入维度，而是从控制侧学习能够描述当前运行状态的调制信息。

两条分支得到的特征随后进行逐元素乘法融合。这里的一个关键点是：控制分支产生的不是固定的融合系数，而是由当前控制信号动态生成的权重，并通过Sigmoid约束在0到1之间。这样，控制信息实际上承担了“调节状态特征通道”的作用，使模型能够根据不同控制条件，对状态特征进行自适应强调或抑制。

图2展示了控制侧与喷油系统状态侧的物理连接关系，也说明了论文为什么能够同时获得控制信号和状态信号。

这种融合方式对于通用高端装备具有一定方法论意义。对于数控装备、旋转机械、复杂执行机构或其他闭环控制系统，可以把设备的控制指令、调节量、执行器运动状态等看作“控制侧信息”，把振动、温度、压力、位移、电流、流量等看作“状态侧信息”。网络结构保持“双分支+条件耦合”的思想即可，具体信号和特征提取模块则需要根据装备机理重新设计。

3. 控制感知并不等于简单拼接

在多源传感器故障诊断中，常见做法是把不同信号经过编码后直接拼接，再交给后续分类器。这样的结构能够利用多源信息，但没有明确刻画“控制对状态的调制作用”。

CA-DANN的加权融合更接近一种条件特征选择机制：状态分支负责描述设备本身表现出来的动态特征，控制分支则负责告诉网络，在当前控制条件下哪些状态特征更值得关注。

从模型结构上看，控制分支输出的权重先经过Sigmoid限制，再作用到状态表征上。这一设计带来两个直接结果。

第一，控制信号的作用被放在“特征调制”位置，而不是与状态特征处于完全对等的拼接关系中。第二，当某一路控制信号发生一定程度的缺失或扰动时，其影响首先体现在权重调节上，而不是把异常的原始控制值直接传播到所有后续特征中。这也是论文后续针对控制传感器丢失和控制信号噪声所进行分析的结构基础。论文同时强调，该方法对控制组件本身发生故障的处理仍有限：控制组件失效会污染控制信号，因此需要单独考虑控制侧故障诊断问题。

4. 为什么还需要领域对抗：解决跨工况的特征偏移

仅仅把控制信息加入网络，并不能自动解决跨工况问题。即使控制信号已经参与特征提取，不同运行工况下的数据分布仍然可能发生明显变化。

论文的第二个核心设计就是领域对抗学习。传统DANN通常设置二分类领域判别器，让特征提取器尽量学到“无法区分源域和目标域”的表示。CA-DANN进一步细化了这一思路：它不把所有变化工况简单压缩成一个目标域，而是让运行工况分类器直接区分多个具体的机动状态。

在论文的实验构造中，源域是恒速条件，目标域由多个变速条件构成；运行工况判别器采用多分类形式，对不同加速、减速及组合变化进行区分。经过梯度反转层后，运行工况分类器在训练时承担“识别工况”的任务，而特征提取器接收到反向梯度，从而受到约束，逐步减少特征表示中与具体运行工况相关、但与故障类别无关的差异。

换句话说，CA-DANN不是要求模型“看不见控制变化”，而是希望模型学会区分两件事：一类是能够解释故障的控制-状态耦合信息；另一类是仅仅代表运行工况变化的分布差异。前者被保留，后者尽可能被弱化。

这一点也是“控制感知”和“领域对抗”需要同时存在的原因。只有领域对抗，没有充分的控制上下文，模型可能把本来有诊断价值的运行差异一起消掉；只有控制感知，没有领域对抗，模型又可能仍然依赖某个特定工况下的特征分布。论文把两者放在同一个特征空间内进行联合训练，形成了控诊协同与跨工况适应的统一结构。

图3则是论文方法的核心结构图：左侧为控制与状态双分支特征提取，中间通过控制生成的权重实现耦合，右侧分别输出故障类别和运行工况信息；运行工况分支前设置梯度反转层。

5. 从“故障分类器”到“控诊协同模型”

如果把CA-DANN放到高端装备故障诊断体系中，它与一般故障分类网络的区别，不只是网络多了一个分支，而是诊断任务的组织方式发生了变化。

传统诊断模型可以抽象成“状态信号→故障类别”。CA-DANN对应的思路更接近“控制作用+状态响应→故障特征→诊断结果”。也就是说，诊断模型不再只观察设备输出，还显式利用产生这些输出的控制背景。

这使得故障诊断和控制系统之间形成了一个较清晰的信息闭环：控制系统提供当前运行意图或调节状态，设备状态提供实际响应，诊断模型分析二者是否符合正常的控制-状态关系，并进一步判断是否存在故障及其程度。

对于高端装备而言，这种组织方式尤其适合存在强闭环调节、工况切换频繁、控制作用显著的对象。需要强调的是，“适合”是技术上的结构匹配，并不意味着在不同装备上可以直接复用当前网络而无需重新建模。控制变量的物理意义、状态信号的可观测性以及故障机理都会影响模型设计。

6. 训练流程：以稳定工况作为源域，以变化工况作为目标域

论文给出的训练过程具有比较明确的工程逻辑。

首先，对控制信号和状态信号进行同步采集与预处理，并通过滑动窗口构造时序样本。论文中的窗口长度为50个采样点、步长为10个采样点，对应1 MHz采样条件下的毫秒级时间片段。

随后，控制信号与状态信号分别进入各自分支。控制分支提取多变量控制关联特征，状态分支提取设备动态特征，两个分支完成条件加权融合。

融合后的特征同时进入两个任务头：一个用于喷油器堵塞程度诊断，另一个用于运行工况判别。故障分类任务直接约束特征必须保留故障信息；工况判别任务则通过梯度反转层对特征提取器施加反向约束，使最终故障特征尽量减少对具体运行工况的依赖。

因此，整个训练过程实际上在同时解决两个问题：一是“故障能不能被分出来”，二是“换一个运行工况后，原来的故障特征还能不能成立”。后者正是领域自适应在控诊协同场景中的作用所在。

7. 一个更通用的高端装备应用框架

将论文方法抽象后，可以得到一个面向高端装备的通用控诊协同框架。

第一层是控制信息层。输入包括控制指令、执行器给定、转速指令、位置指令、阀门开度或其他能够反映装备主动控制行为的信号。它们主要承担运行背景和控制上下文的描述作用。

第二层是状态感知层。输入包括振动、温度、压力、位移、电流、流量等反映设备实际响应的监测信号。该层的任务仍然是提取故障相关的时序特征。

第三层是控制-状态耦合层。通过控制分支生成条件权重，对状态特征进行自适应调制。对于不同装备，这里可以继续采用加权乘法，也可以根据具体机理研究其他条件融合方式；但“由控制状态影响诊断特征解释”的思想应保持不变。

第四层是工况域适应层。把稳定工况、变速工况、不同负载、不同任务阶段等视为多个分布，通过细粒度的工况判别建立领域对抗训练，使故障特征尽可能减少对特定工况分布的依赖。

第五层是诊断决策层。输出可以是故障类别、故障程度或其他设备健康状态指标。论文当前验证的是喷油器堵塞程度分类，但从结构上看，诊断输出并不局限于这一种故障类型，具体任务仍需要结合装备机理与数据标签重新定义。

从这个角度看，“控制感知领域对抗网络”更适合作为一种控诊协同建模范式，而不只是针对某一种柴油机故障的专用网络。其通用性主要来自结构思想：控制信号负责提供条件信息，状态信号负责描述实际响应，二者进行耦合；同时利用细粒度领域对抗降低运行工况变化对故障表示的干扰。

8. 工程落地时需要特别注意的几个问题

第一，控制信号不是越多越好，而是要有物理作用。论文中的控制输入来自凸轮轴相关变量，并与喷油过程存在直接动力学联系。对于其他装备，控制输入的选择应优先考虑其是否真正参与或影响被诊断部件的状态变化，而不是简单堆叠所有可用控制量。

第二，源域和目标域的划分必须有明确的工况含义。论文采用恒速与变速工况构造跨分布问题，这是有明确物理背景的。推广到其他装备时，不能为了使用领域对抗而任意划分训练集和测试集，而应让域之间的差异对应真实的运行工况变化。

第三，控制侧故障与被控对象故障需要分开考虑。论文明确指出，其堵塞诊断建立在控制组件本身正常的前提下。如果控制执行机构、传感器或控制链路自身发生故障，控制信号就不再可靠，此时需要建立控制组件故障诊断、信号重构或多源冗余机制。

第四，仿真到真实设备仍然存在数据鸿沟。原论文目前的实验数据来自分层耦合热力学仿真模型，作者将真实发动机验证明确列为后续工作。论文同时提出，可以把仿真数据作为有标签源域，把少量无标签真实台架数据作为目标域，利用已有的领域对抗结构进行仿真-现实分布对齐，但这一方案仍需要真实装备数据进一步验证。

9. 这套方法真正值得关注的技术点

从技术路线看，CA-DANN有三个彼此关联的核心。

其一，是控制感知。它改变了故障诊断只围绕状态信号建模的常见思路，把控制信号作为解释状态变化的重要条件信息。

其二，是控制-状态加权耦合。控制分支不只是提供附加特征，而是动态产生权重，对状态特征进行选择和调制，从网络结构上明确表达“控制条件会改变状态特征的诊断价值”。

其三，是细粒度领域对抗。领域判别不再只回答“这是源域还是目标域”，而是进一步区分具体运行工况，让特征提取器在更细的工况差异下学习相对稳定的故障表示。

三者结合起来后，故障诊断模型实际上从“识别异常模式”进一步转向“识别控制条件下是否存在异常的控制-状态关系”。这也是将其理解为高端装备控诊协同方法时最重要的一层抽象。

10. 小结

控制感知领域对抗网络的核心，并不在于增加多少网络模块，而在于重新定义故障诊断的输入关系：控制系统提供运行条件，状态信号提供实际响应，诊断模型在两者耦合关系中寻找故障信息，再通过细粒度领域对抗降低运行工况变化对故障表示的影响。

对于高端装备，这种思路可以作为一种通用的控诊协同故障诊断建模框架来理解，但具体落地仍需要从装备自身的控制结构、故障机理、可观测信号和工况变化出发进行设计。论文当前的验证范围仍限于船舶柴油机喷油系统的仿真数据，真实台架和真实装备上的进一步验证，是从方法研究走向工程应用时必须补充的一步。

原文链接：Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective. Transactions of the Institute of Measurement and Control, 2026: 1–12. DOI: 10.1177/01423312261487500.