控制感知领域对抗网络：高端装备控诊协同故障诊断的新视角

在复杂工况与频繁变工况运行下，高端装备的关键部件状态监测面临着工况变化与故障特征相互耦合的挑战。论文《Fault diagnosis of marine diesel engine via control-aware domain-adversarial network: A control-diagnosis collaboration perspective》针对这一问题，探讨了如何将控制信息有机融入数据驱动模型，提出了一种控制感知领域对抗网络，为高端装备的控诊协同故障诊断提供了一种通用的建模思路。

一、控诊协同的物理逻辑与特征解耦

在许多典型高端动力装备中，系统的动力学演变遵循清晰的因果逻辑：控制信号作为主动调节指令输入系统，而状态监测信号则是系统在控制作用下的被动物理响应。以柴油机燃油喷射系统为例，操作人员或控制系统的加减速操纵会改变转速与循环供油节律，喷油器喷孔磨损或堵塞等机械故障同样会造成喷射流量的波形衰减与延时。由于两类因素在时序响应特征上具有相似的形态畸变，仅依赖状态信号的常规诊断模型极易将正常的变工况响应误判为系统故障。

实现控诊协同诊断的核心，在于避免将控制信号与状态信号进行简单的多通道并行拼接，而是根据物理层面的主从支配关系进行网络架构设计。

二、双分支控制加权融合机制

控制感知领域对抗网络构建了一种非对称的双分支特征提取架构，分别处理异质的控制信号与状态信号：

1. 状态特征提取分支：状态信号（如高频质量流量变化）直接反映部件的动态退化程度，但易受瞬态扰动与工况切换影响。网络利用长短期记忆单元建模状态时序响应，利用其内部门控机制滤除高频噪声，提取表征系统当前运转状态的深层动态特征。
2. 控制感知分支：控制信号（如轴系角速度、凸轮速度与位移）表征了装备各执行机构的同步动作与驱动规律。网络先采用多头注意力机制在多个子空间内解耦各控制物理量之间的关联性，再通过通道注意力机制对控制特征维度进行自适应重标定，以识别与工况调制最密切相关的控制分量。
3. 自适应加权耦合：控制分支的输出经过非线性映射后，压缩生成取值在零到一区间的调制权重。该权重与状态特征进行逐元素相乘，从而根据当前控制指令的上下文，动态放大或抑制状态特征中的特定响应模式。这种融合方式使得控制信号充当了状态表征的“软门控”，即使在传感器偶发缺失或含有噪声时，模型也仅发生渐进的性能衰退，避免了直接输入异常数值导致的特征塌陷。

三、细粒度领域对抗迁移机制

常规领域对抗网络通常仅构建二分类判别器，用于区分样本来自源域还是目标域。然而，高端装备在实际运行中往往涵盖多种非平稳动态工况，如匀速、线性加速、阶跃减速及多段交替变转速等，目标域内部呈现出多模态的数据分布。

控制感知网络在隐层特征之后引入梯度反转层与细粒度工况分类器。该分类器不再局限于源域与目标域的二元对立判别，而是直接面向具体的多种运行模式进行多类别细粒度划分。在反向传播过程中，梯度反转层将判别误差的负梯度反传至特征提取器，迫使特征提取网络在优化故障分类精度的同时，主动消除多类复杂操纵模式带来的分布差异，最终提取出对各类动态工况具有较高不变性、仅对故障严重程度敏感的稳健表征。

结语

控制感知领域对抗网络通过在网络结构中内嵌控制对状态的主导关系，以及引入基于多工况的细粒度对抗学习机制，形成了控制与诊断相互协作的架构。该方法为高动态、变工况运行下的各类工业往复机械与动力总成装备故障诊断提供了可参考的技术路径。

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.