突破动态变工况故障诊断：基于控制感知仿射网络（CAAN）的跨工况自适应机制

船舶柴油机在航行过程中频繁经历加速、减速及变速巡航等动态操纵工况，动态载荷与控制调节导致监测信号产生明显的分布漂移，使得传统稳态诊断模型在跨工况场景下的泛化能力受到制约。针对这一问题，发表于期刊《Ships and Offshore Structures》上的研究论文《Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers》提出了一种名为控制感知仿射网络（Control-Aware Affine Network, CAAN）的诊断框架。该框架改变了将控制量作为被动输入或干扰的传统处理方式，构建了由实时控制参数驱动的有源特征校准与正交解耦机制。

1. 动态操纵工况下的特征耦合机理

在船舶柴油机运行过程中，电控单元（ECU）会根据操纵指令实时调整喷油脉宽、喷油正时及轨压设定值。在减速等动态过渡过程中，ECU的前馈补偿机制可能延长喷油持续时间以维持燃烧稳定性；而在物理层面，喷油器喷孔发生堵塞时，控制系统同样会通过增加喷油脉宽来补偿喷油量不足。

图1 柴油机喷油质量流量特性：（a）–（b）柴油机减速过程；（c）–（d）不同程度喷油器喷孔堵塞状态

如图1所示，操纵引起的动态响应与早期机械故障在燃油喷射时域波形上具有高度相似的表现形式。传统模型若直接拼接控制参数与状态监测信号，极易在样本受限时拟合出伪相关特征。因此，解耦操纵工况对物理监测信号的干扰是实现跨工况可靠诊断的前提。

2. CAAN总体技术架构

CAAN主要由三个核心部分构成：控制感知校准（Control-Aware Calibration, CAC）模块、双特征解耦结构以及最终的故障分类器。

图2 CAAN网络总体架构图

系统首先在时间维度对齐控制信号与故障监测信号（喷油质量流量），通过CAC模块利用控制信号对故障特征实施动态仿射变换。校准后的特征被解耦为互补的两个正交分支：

1. 故障严重度特征（Fault Severity Features, FSF）：通过引入预训练专家教师网络的知识蒸馏来获取；
2. 工况无关特征（Maneuver-Invariant Features, MIF）：通过带有梯度反转层（GRL）的域对抗学习机制提取。

两组特征在正交损失约束下保持信息独立，最终拼接融合输入标签分类器完成故障状态识别。

图3 柴油机故障诊断技术流程图

3. 控制感知校准模块（CAC）实现

为将控制参数从扰动因素转化为主动校准算子，CAC模块根据实时控制信号输出通道级缩放因子 $\alpha$ 和偏移因子 $\beta$。

图4 控制感知校准（CAC）模块结构图

3.1 仿射参数的物理意义

• 幅值缩放因子 $\alpha$：针对变工况引起的喷射峰值速率与总循环供油量波动，$\alpha$ 起到动态增益补偿器的作用，将特征幅值归一化至基准健康状态。
• 基线偏移因子 $\beta$：消除ECU前馈调整与动态瞬态响应引起的喷射正时与基线压力漂移，消除运行偏置。

3.2 增量更新机制

为避免控制信号时序波动导致网络训练发散，CAC采用增量更新策略。设输入故障信号为 $X_{fault} \in \mathbb{R}^{B \times T \times C}$，控制信号为 $X_{control} \in \mathbb{R}^{B \times T \times D}$。在第 $i$ 次迭代中，控制信号通过多层线性映射生成缩放增量 $\Delta \alpha_i$ 和偏移增量 $\Delta \beta_i$：

$$\alpha_i = \alpha'_{i-1} + \Delta \alpha_i, \quad \beta_i = \beta'_{i-1} + \Delta \beta_i$$

参数初始化设定为 $\alpha_0 = 1 \in \mathbb{R}^{1 \times 1 \times C}$，$\beta_0 = 0 \in \mathbb{R}^{1 \times 1 \times C}$，其中 $\alpha'_{i-1}$ 与 $\beta'_{i-1}$ 表示经过梯度更新后的历史参数。校准后的控制感知特征 $Y_i$ 计算公式为：

$$Y_i = \alpha_i \odot X_{fault} + \beta_i$$

4. 双特征解耦与表征学习

经校准后的特征需进一步剥离工况波动与故障损伤信息，CAAN通过双分支机制协同提取正交特征。

4.1 基于傅里叶相位知识蒸馏的故障严重度表征

喷孔堵塞直接表现为有效流通面积减小与喷射响应延迟。根据傅里叶时移定理，时域信号 $x$ 中的延迟量 $\tau$ 在频域表现为相位谱的线性相移 $\Delta \phi(f) = -2\pi f \tau$，而幅值谱模长 $|e^{-j 2\pi f \tau}| = 1$ 保持不变。因此，相位谱能定量反映喷射系统的时序畸变。

对输入特征进行快速傅里叶变换并提取相位角：

$$X = \mathcal{F}(x) = \text{FFT}(x, \text{axis}=1)$$

$$\phi = \arg(X)$$

图5 傅里叶相位知识蒸馏机制

为了在推理阶段避免重复执行傅里叶变换计算，模型预先训练了一个基于相位谱输入的教师网络（Teacher Net）。在诊断网络训练期间，通过均方误差（MSE）约束将教师网络的中间层特征 $r^t$ 迁移至主网络分支特征 $r$：

$$\mathcal{L}_{distill} = \frac{1}{n} \sum_{i=1}^{n} (r_i - r_i^t)^2$$

4.2 基于梯度反转的工况无关特征提取

对于工况不变性特征 $d$，CAAN采用域对抗训练架构，由特征提取器与工况分类器构成对抗博弈。源域样本分类损失与目标域对抗损失分别表示为：

$$\mathcal{L}_{source} = \mathbb{E}_{(x, y) \sim \mathcal{D}_{source}} [\ell(\hat{y}, y)]$$

$$\mathcal{L}_{domain} = \mathbb{E}_{x \sim \mathcal{D}_{target}} [\ell(\hat{d}, d)]$$

在反向传播过程中，梯度反转层（GRL）按预设系数 $\lambda$ 反转域判别梯度：

$$\frac{\partial \mathcal{L}}{\partial \theta_{feature}} = \frac{\partial \mathcal{L}_{source}}{\partial \theta_{feature}} - \lambda \frac{\partial \mathcal{L}_{domain}}{\partial \theta_{feature}}$$

4.3 特征正交性正则化

为确保故障严重度特征 $r$ 与工况无关特征 $d$ 之间不存在冗余或重叠信息，引入基于余弦相似度的正交性损失：

$$\mathcal{L}_{diff} = \zeta \cdot \left( 1 - \frac{1}{n} \sum_{i=1}^{n} \frac{r_i \cdot d_i}{\|r_i\| \|d_i\|} \right)$$

通过最小化余弦相似度，促使两组特征向量在隐空间内相互垂直，实现物理信息的解耦。

5. 联合优化目标与执行流程

CAAN模型的整体端到端训练由多任务联合损失函数驱动：

$$\mathcal{L}_{total} = \mathcal{L}_y + \lambda_d \mathcal{L}_{domain} + \lambda_{distill} \mathcal{L}_{distill} + \lambda_{diff} \mathcal{L}_{diff}$$

式中，$\mathcal{L}_y$ 为故障类别的交叉熵损失，$\lambda_d$、$\lambda_{distill}$ 和 $\lambda_{diff}$ 为权衡域适应、知识迁移和正交约束的超参数系数。

在具体实施流程中：

1. 输入处理：同步采集曲轴角速度 $\omega$、凸轮转速 $v$ 及凸轮位置 $p$ 作为三维动态控制信号，与喷油质量流量时序信号共同输入网络；
2. 有源校准：通过CAC根据控制信号逐通道动态调整故障特征的幅值与偏置；
3. 特征解耦与蒸馏：利用GRL提取抵御操纵工况变化的域不变分量，同时在教师网络的中间表征引导下提取相位敏感的故障程度分量，并通过正交约束解绑两者的相关性；
4. 决策判决：融合正交解耦后的互补表征向量，由全连接分类层输出喷油器堵塞程度的诊断结论。

参考文献

Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers[J]. Ships and Offshore Structures, 2026.