船用柴油机变工况故障诊断：基于控制感知仿射网络的特征解耦与迁移框架

在船舶实际航行过程中，主机经常需要执行加速、减速等动态机动操作，由此引发的非平稳工况会导致监测信号产生显著的分布偏移，给数据驱动的故障诊断模型带来域泛化难题。发表于期刊《Ships and Offshore Structures》的论文《Control-aware affine network: a novel framework for reliable fault diagnosis of marine diesel engines in dynamic maneuvers》针对这一工程问题，提出了控制感知仿射网络（Control-Aware Affine Network, CAAN）。该方法改变了以往将工况扰动视为被动干扰项的处理思路，利用机动控制信号构建主动校准机制，并结合特征解耦与正交约束，实现跨机动工况下的柴油机喷油系统故障识别。

1. 物理机理与问题表述

在柴油机动态机动过程中，电子控制单元（ECU）会根据操纵指令实时调整喷油脉宽、喷油正时以及轨压设定值。如图1所示，当船舶执行减速机动时，ECU前馈控制会延长喷油持续时间以保证燃烧平稳性（图1a–b）；而在硬件发生故障时，如喷油嘴喷孔发生结焦堵塞，控制系统为了维持循环供油量同样会补偿性地延长喷油持续时间（图1c–d）。

这种控制补偿机制导致瞬态工况变化引发的参数调节与早期间歇性机械故障在监测信号（如循环喷油质量流量）上呈现相似的变化模式。若仅依靠状态监测信号进行分类，常规诊断模型容易将工况瞬变误判为部件故障，或将早期渐变故障掩盖在正常的控制调节之中。

2. CAAN总体网络架构

CAAN的整体架构如图2所示，系统输入包括时间同步的工况控制信号序列 $X_{\text{control}} \in \mathbb{R}^{B \times T \times D}$ 与故障状态监测信号序列 $X_{\text{fault}} \in \mathbb{R}^{B \times T \times C}$。

整个诊断流水线包含三个主要功能阶段：

1. 控制感知校准（CAC）模块：将实时控制信号映射为仿射变换参数，主动补偿工况波动引起的幅值缩放与基线漂移。
2. 双特征解耦机制：将校准后的特征空间解耦为两组正交分量——表征机械损伤程度的故障严重度特征（Fault Severity Features, FSF），以及剔除机动属性的工况不变特征（Maneuver-Invariant Features, MIF）。
3. 特征正交融合与分类：通过余弦相似度正交正则化约束两类特征的互补性，最后将两组特征拼接并输入分类器，输出故障诊断类别。

3. 核心技术实现步骤

3.1 步骤一：基于控制感知的动态仿射校准（CAC）

控制信号本身并不直接包含故障损伤信息，若直接将其与振动或流量信号拼接输入神经网络，容易导致模型在小样本或非平衡分布下学习到虚假的统计关联。为此，CAC模块将控制信号参数化为物理映射因子，对故障特征执行可控的仿射变换（图3）。

该模块在物理层面模拟了ECU调控对燃油喷射过程的两种主要影响：

• 幅值缩放因子 $\alpha$：补偿负荷变化引起的喷油峰值流量与总量缩放，将特征通道幅值校准至归一化基准；
• 基线偏移因子 $\beta$：补偿喷油正时调整及瞬态液压迟滞带来的基准偏置。

为避免时序连续样本间直接求解仿射参数引发的网络训练不稳定，CAC采用参数增量更新机制。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 $\Delta \alpha_i$ 与偏置增量 $\Delta \beta_i$：

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

初始化设定为恒等映射状态：$\alpha_0 = \mathbf{1} \in \mathbb{R}^{1 \times 1 \times C}$，$\beta_0 = \mathbf{0} \in \mathbb{R}^{1 \times 1 \times C}$。校准后的控制感知特征 $Y_i$ 计算为：

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

式中，$\odot$ 表示逐元素按通道相乘。

3.2 步骤二：双特征正交解耦与提取

校准后的特征 $Y_i$ 经过浅层特征提取器后，分别输入两个平行的学习分支进行特征解耦。

1. 故障严重度特征提取（频域相位知识蒸馏）

喷嘴堵塞引起的喷射迟滞具有确定的时移物理特性。设一维时序信号为 $x$，根据傅里叶时移定理，时域延迟 $\tau$ 在频域中表现为复指数相乘项 $e^{-j2\pi f \tau}$。由于 $|e^{-j2\pi f \tau}| = 1$，幅值谱对时间平移不敏感，而相位谱 $\phi$ 则表现出与频率成线性关系的相位漂移：

$$\Delta \phi(f) = -2\pi f \tau$$

基于此机理，首先在离线阶段构建一个教师网络（Teacher Net），其结构包含一维卷积（1D Conv）、带状态的LSTM（sLSTM）、多头注意力机制（MHA）、池化层及全连接分类层。教师网络直接以傅里叶变换的相位谱作为输入进行预训练（图4）。

在诊断网络（学生网络）训练过程中，固定教师网络权重，通过最小均方误差损失（MSE）约束学生网络提取的中间特征 $r$ 逼近教师网络的相位表征 $r^t$：

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

该设计使得主网络在端到端在线诊断时无需实时进行傅里叶变换计算，即可继承对喷油迟滞敏感的特征表达。

2. 工况不变特征提取（域对抗训练）

针对变工况引起的非线性分布漂移，另一分支引入域对抗机制（DANN）。由特征提取器与域判别器构成博弈系统，源域分类任务使用交叉熵损失：

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

域分类器损失为：

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

通过在特征提取器与域分类器之间加入梯度反转层（GRL），在反向传播时将域分类梯度的符号反转（缩放因子为 $-\lambda$）：

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

通过对抗博弈，促使该分支滤除与机动工况强相关的运行分量，仅保留跨工况共存的本质故障模式。

3.3 步骤三：正交正则化与联合优化目标

为了保证严重度特征分支 $r$ 与工况不变特征分支 $d$ 在信息维度上的独立性，防止两类特征发生语义冗余，引入基于余弦相似度的特征差异损失 $\mathcal{L}_{\text{diff}}$：

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

CAAN整体网络的端到端联合训练损失函数定义为：

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

式中，$\mathcal{L}_y$ 为最终分类器预测类别标签的交叉熵损失，$\lambda_d$、$\lambda_{\text{distill}}$ 与 $\lambda_{\text{diff}}$ 为对应损失项的超参数权重系数。

4. 实施流程与实验设定

整个诊断框架的工程实施流程如图5所示，主要涵盖仿真建模、工况与故障设定、时序切分以及跨域迁移实验构建。

4.1 仿真模型与测点配置

试验数据基于柴油机高压共轨燃油喷射系统一维物理仿真平台采集（图6），该系统包含凸轮轴、输油泵、四个直列式喷油泵、共轨管路及四个喷油器单元。

系统关键物理与状态参数设置如下：

• 燃油物性参数：密度 $\rho = 835\text{ kg/m}^3$，运动粘度 $\nu = 3.5\text{ cSt}$，体积模量 $E = 1450\text{ MPa}$，供油温度 $T_{\text{fuel}} = 40^\circ\text{C}$；
• 压力边界条件：共轨压力动态范围 $P_{\text{rail}} = 120 \sim 160\text{ MPa}$，气缸环境反压恒定为 $P_{\text{back}} = 8.5\text{ MPa}$；
• 控制变量测点：采集曲轴角速度 $\omega$、凸轮转速 $v$ 及凸轮位置 $p$ 作为动态控制输入信号向量；
• 监测变量测点：各缸喷油器的瞬时喷油质量流量 $Q$。

4.2 故障等级与域迁移任务构建

通过改变喷油嘴的孔径大小模拟不同程度的喷嘴结焦堵塞故障，设定5级状态：正常F0（0.400 mm）、轻度堵塞F1（0.395 mm）、中度堵塞F2（0.390 mm）、重度堵塞F3（0.385 mm）以及临界堵塞F4（0.380 mm）。

定义三种标准操作工况以构建迁移学习任务：

• 加速工况（C1）：转速由 926 rpm 上升至 955 rpm；
• 稳态工况（C2）：转速恒定维持在 955 rpm；
• 减速工况（C3）：转速由 955 rpm 下降至 926 rpm。

由此组合出三项域泛化评价任务：Task 1（C2 + C3 $\to$ C1）、Task 2（C1 + C3 $\to$ C2）以及 Task 3（C1 + C2 $\to$ C3）。

4.3 样本切分与防泄漏策略

数据采集采样频率为 10 kHz。为严格保证时序样本独立性并防止滑动窗口导致的训练集与验证集数据泄漏，实施了以下隔离流程：

1. 域间独立隔离：目标工况数据在训练阶段完全不参与反向传播，仅作为未见测试域；
2. 域内按块时间切分：源域连续时序信号在进行滑动窗口采样之前，先按时间轴严格切分为前 70% 训练块与后 30% 验证块；
3. 独立滑窗采样：在各离散时间块内分别执行窗口长度为 50、步长为 10 的滑动切片，确保没有任何时间窗跨越训练集与验证集的边界。

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.