工程热物理学报杂志论文格式要求是什么?

工程热物理学报杂志近十年出版发文量：

工程热物理学报杂志论文格式要求

　　1、来稿要求突出创新点、理论论据充分、数据可靠，具有创造性、科学性、准确性、规范性和可读性。

　　2、来稿禁止一切学术不端行为，切勿一稿多投。

　　3、来稿须遵守国家有关保密规定和著作权规定。如发生泄密、侵权问题，一切责任由作者承担。

　　4、来稿请附页注明投稿人及联系人的简介、通信地址、手机号码、电话、电子信箱, 以便于联系。

　　5、稿件内容及撰写顺序：首页右上角标明投稿学科(如燃烧学);中文题名(一般不超过20个汉字)，作者、单位(包括一、二级单位，全称)、所在城市、邮政编码，中文摘要(包括研究目的、方法、结果和结论)，中文关键词(3~5个)，中图分类号;英文题名、作者、单位、所在城市、邮政编码、国别，英文摘要，英文关键词;引言，正文，参考文献;首页下角注明基金项目名称及编号，第一作者简介(包括作者姓名、出生年份、性别、职称、学位、研究方向)。

　　6、稿件中使用的各种量、单位和符号须符合中华人民共和国国家标准《量和单位》中颁布的有关规定，非法定许用单位应换算成法定许用单位;文中字母、符号必须分清大、小写，正、斜体，黑、白体，且全文统一。

　　7、文中的插图应大小适中，线条和图注应清晰可辨。

　　8、参考文献须在文中标注，并按文中出现的先后顺序编排。未公开发表的资料一般不宜引用。

进入期刊首页

1.基于卷积孪生网络的风力机状态监测研究

作者：杨万千;张明明

作者单位：哈尔滨工业大学

关键词：风电机组;状态监测;卷积孪生网络;智能运维;SCADA

　　摘 要：风力机运行故障具有突发性，几乎无预留时间做出反应。连带地，一些微小缺陷将引发一系列连锁故障和非必要损失， 因此对其状态监测和提前预知机组状态是一个必要问题。本文基于卷积孪生网络，结合机组 SCADA 数据进行基于模型训练的 状态监测。利用历史健康数据进行离线模型训练，经测试后将预训练模型加载到在线监测系统，基于状态指示来描述机组的运行 状态，并结合统计过程控制技术定义机组状态异常的监测阈值，从而实现在线状态监测。通过对甘肃省某风电场运行 SCADA 数据及故障报告的分析对比，本文方法具有较好的机组状态监测和预知性能。

　　0 引 言

　　在 “双碳” 背景下，风力发电行业得到了长足 发展，在此过程中，降本增效成为一个所需要关注 的核心问题，这一问题影响并限制着风电机组的全 生命周期，从设计、加工、运输、安装、生产、运 维的不同角度都提出了较高标准 [1]。本文着力关注 风电运维环节，旨在通过智能化方法，对风力机的 运行 SCADA 数据进行信息挖掘，从而评估其运行 状态，提前预知机组故障，以便安排科学合理的维 护，减少未知的突发故障引发的经济损失及其所带 来的连锁故障和损失。同时，智能化方法直接从机 组 SCADA 数据获取信息，通过分析实时给出合理 的评判结果，运维人员无需通过对数据的复杂分析， 无需通过近距离接触机组，即可获知机组的运行状 态，这大幅提高了运维整体效率。

　　风电场运维人员现场监控机组运行状态，观察 各数据运行平稳性，较少利用综合性算法进行整体 考虑，基于对运行数据的整体分析进行状态的监测 和评估 [2]。大多数情况下，现场能观测到的机组故 障时间点在于发生故障之后，而故障往往具有突发 性，因此，会造成大量的连锁故障和非必要损失。

　　常见的机械故障具有较为普遍的发生扩展规 律，即疲劳 → 微小裂纹 → 疲劳累积 → 裂纹扩 展 → 故障发生。机组运行过程中复杂多变的运行 工况是造成风电机组故障发生以及对故障检测过程 中出现误报和漏报现象的主要原因之一 [3]。而故障 的发生是裂纹扩展到一定限度才具有的状态 [4]，若 能对故障整个过程进行实时监控，在故障早期或前 期进行准确识别，并辅以合理的检修和维护，则会 大幅降低故障发生率，避免连锁故障和更多非必要 损失 [5]。

　　研究人员在风力机状态监测问题上做了大量工 作，取得了相应的进展。张书瑶等 [6] 基于 K 近邻 算法，针对该算法对随机采样不敏感的问题进行优 化，根据健康度曲线对风电机组齿轮箱健康度进行 监测。马良玉等 [7] 基于 Stacking 多模型融合方法， 结合 Pearson 相关系数为选取指标，进行对各预测 模型的预测误差相关性的计算和基学习器的选取， 同时根据区间估计理论设置的阈值进行对机组的故 障预警。胡阳等 [8] 提出了一种基于有限差分回归向 量和带注意力机制长短期记忆神经网络的大型风电 机组变频器状态监测方法，针对风电机组的变频器 温度变化状态进行预测，所提出的有限差分神经网 络模型相较于传统的机器学习方法有较大提升，取 得了较好的预测效果。肖碧涛等 [9] 提出了一种基于 高斯混合模型的风电机组异常数据识别方法，在对 风电机组运行数据功率散点在风速-功率坐标系中 的分布特征的分析基础上，提出基于贝叶斯信息准 则的高斯混合模型异常数据识别方法。李斌等 [10] 基于 SCADA 正常状态下数据和深度学习方法，实 现了对风电机组的运行状态评估，结合最大相关最 小冗余方法和门控循环单元网络进行信息挖掘和状 态分析。Zhang 等 [11] 基于协同整合分析方法，构 造一种针对风力机状态监测的智能化方法，通过对 SCADA 数据协同整合过程获得残差值，进而实现 对风力机运行状态的评估。Jin 等 [12] 提出了一种集 成方法来检测风力机的异常并实现对故障的分析和 诊断。基于 SCADA 数据建模，并建立 Mahalanobis 空间作为参考空间，将预训练模型预测的风力机状 态与参考空间进行比较，进而实现机组运行的状态 监测和异常检测。最后，通过分析风力机 SCADA 数据的分布和相关性进行故障诊断。Wang 等 [13] 提出了一种基于级联稀疏自编码器异常状态监测的 风电机组状态监测框架，结合孤立森林算法和深度 卷积自编码器，实现对风力机运行 SCADA 数据的 分析和机组状态监测。通过实例验证，该方法可以 在原始运行数据上实现对机组有效的状态监测。此 外，Wu 等 [14] 基于长短时记忆网络和 KL 散度进 行对风力机的状态监测和识别，从其效果来看，具 有较高的识别准确度，并且此方法也可以很好地适 应变工况情况下运行的风电机组。Fernando 等 [15] 基于半监督学习方法实现了故障的自动特选择，基 于半监督聚类，采用多目标优化框架和排序遗传算 法，实现了对风力机的故障检测和状态分析。

　　当前，针对风力机状态监测的方法较多关注某 一个具体的部件，从智能化算法信息挖掘的角度进 行有效信息的深度挖掘。同时，对机组运行 SCADA 数据的使用和挖掘更多关注一些重要参数，例如转 速、转矩、功率、温度等。但是，现实状态下的风 力机运行环境、机组状态都是复杂多变的，机组内 部不同组成部分之间的影响也具有高维复杂性，所 以对机组的状态评估过程应该建立在整体分析的基 础上，同时，机组 SCADA 数据所包含的信息尚不 足以清晰地描述机组运行状态，所以对机组的评估 应将整个数据集加以综合考虑和使用。

　　因此，本文针对甘肃某风电场运行中出现的故 障问题，将结合风电场的运维报告，在对风力机运 行过程整体分析的基础上，利用机组运行的全部 SCADA 数据，基于卷积神经网络 (Convolutional neural network，CNN) [16] 和孪生网络 (Siamese neural network，SNN) [17] 进行信息挖掘和模型训练。在 利用历史数据进行离线模型训练的基础上，利用实 时数据进行在线验证和在线监测，通过对机组状态 指示的计算评估其运行状态。

　　本文方法应用过程基于甘肃省某风电场 32 台 机组采集的 SCADA 数据，计算平台基本配置为： Intel i5-13400 CPU，Nvidia Geforce RTX 3060Ti GPU，32 GB 运行内存，使用 PyTorch 2.0.0 深度 学习框架和 Python 3.10.11 支持。

　　1 卷积神经网络及孪生网络计算方法

　　1.1 卷积神经网络

　　卷积神经网络 (CNN) 是一种广泛使用的深度 学习模型，其最早应用在图像识别任务中，后续在 目标定位检测、目标分割、人脸识别、特征识别等 不同任务中均得到应用。 风力机因其运行工况复杂多变，所采集的原始SCADA 数据无法清晰描述机组的运行状态，而从 原始数据中挖掘有用信息、进行特征识别的任务可 以用 CNN 方法来完成。具体体现在：CNN 可以从 原始数据中逐层提取特征，以不同特征表示的形式 来描述机组的运行状态。CNN 的基本结构如图 1 所示，其主要包含三个不同的网络层，分别为：卷 积层，池化操作，全连接层。

　　其中，卷积层主要进行对数据样本的卷积计算， 通过调整卷积核的大小实现对感受域大小的调控。 池化操作又可称为 “下采样”，即在某一个区域内部 以其平均值或最大值来代替这个区域的所有值。通 过池化操作，可以对原始数据进行降维，从而有效 避免模型过拟合。全连接层使数据扩展成想要的维 度，计算过程如式 (1) 所示，其中 σ 为激活函数，x 为当前层的输入，y 为当前层的输出，w 和 b 分别 为权重矩阵和偏置矩阵。

　　模型训练过程中定义了损失函数，损失值通过 反向传播算法，基于随机梯度下降方法进行模型参 数的更新和训练，更进一步，本文引入一个积攒历 史梯度信息的动量以加快梯度下降的速度，梯度下 降方法将更有效。

　　1.2 孪生网络

　　孪生网络 (SNN) 由共享权重数值的两个神经 网络构成，是一种用于衡量两边输入输出相似程度 的方法，其基本结构如图 2 所示，通过对不同的 数据样本 x1 和 x2 在两个编码器和后续预测模块 中的计算，评估两边计算所得结果的相似度。这是 一种广泛使用的自监督学习方法，在原始样本无 标签状态下，能够有效地通过对比学习的方式进 行模型训练，以达到模型对数据中所包含知识的学 习目的。 SNN 包含两个重要分支，原始数据经过数据 预处理操作后，分别送入共享权值的两个编码器， 接着在其中一条支路中设置预测模块，并进行两个 分支相似度的计算。共享权值的两个编码器采用统 一架构，基于 CNN 和全连接网络的组合实现编码 器。预测模块为一个独立的全连接网络，其采用一 个 “瓶颈结构” 即输入层和输出层大、隐藏层小的 网络结构。模型训练所用目标函数基于负余弦函数 (Negative cosine loss，NCL) 构造，NCL 的计算过 程见式 (2) 所示，其中 x1 和 x2 表示用于计算的两 个向量。

　　假设编码器为 f，预测模块为 h，数据经过编 码器后结果为 z，经过预测模块结果为 p，那么有：

　　因此，本文相似度计算目标函数如式 (5) 所示， 其中参数 λ 为控制各项比例的比例系数，实际应用 中取值为 0.001，同时在模型训练过程中加入 L2-正 则化操作来防止模型过拟合。

　　2 基于卷积孪生网络的状态监测

　　风力机运行在复杂多变的工况和环境因素下， 其故障的发生往往是瞬时的，给维护人员预留的反 应时间较短，极有可能引发一系列连锁故障和非必 要的经济损失。故障发生于瞬间，但故障的产生到发展是一个缓慢的过程，若能在机组运行全过程中 进行实时监测，并给出健康状态，则可以指导运维人 员提前预知并合理安排运维过程。因此，本文构建 了卷积孪生网络 (Convolutional siamese network， CSN) 来实现对机组运行过程中的实时状态监测。 CSN 基于 CNN 和 SNN 两个基本网络模型构造， 其模型组成和训练过程如图 3 所示。

　　一台机组从安装生产到报废的全生命周期，其 健康状态是一直变化的，在风力普遍的 5 年质保 期内，机组运行健康状态良好。随着使用时间推移， 由于载荷、疲劳、腐蚀等多方面因素，机组状态处 于不断的变化之中。本文状态监测方法将使用健康 状态的历史数据进行模型训练，并对机组当前和未 来节点的状态进行监测。基于对健康历史数据所训 练模型在未知数据上的反馈和多维空间内的距离计 算，定义机组的健康状态，并给出异常阈值。

　　整个过程分为两步：第一步进行基于离线健康 SCADA 数据的 CSN 训练，将原始采集到的历史 数据作为基础样本，进行数据预处理，所得结果经 过编码器和预测器的计算，利用目标函数 G 进行 反向传播训练。模型训练完毕后进入第二步，面向 当前和未来时间节点的在线监测过程，基于前期预 训练的 CSN 模型和在线采集所得的 SCADA 数据， 进行测试和在线监测。最终实现对风力机的状态识 别、异常判别以及状态预知。

　　数据预处理阶段，首先对原始样本基于主成分 分析 (Principal component analysis，PCA) 方法 [18] 进行降维，该方法是一种常见的无监督数据降维的 计算方法，能够有效实现对原始数据样本的信息提 取和数据降维。将原始数据重新映射到 100 维空间 后，使用最大最小归一化方法进行样本归一化，如 式 (6) 所示，其中 x0 表示原始数据样本。

　　归一化之后得到的原始数据样本添加高斯随机 噪声，得到一个噪声样本，并与原始数据分别送入 CSN 的两个分支进行计算和训练。高斯随机噪声的 标准差取 1 × 10 −5。如前所述，CSN 由 CNN、映 射器、预测器三者构成，其中所用的 CNN 为一个 浅层的基本卷积神经网络，其网络参数组成见表 1 所示。

 

　　对卷积层使用 Leaky-ReLU 函数 [19] 作为激活 函数，负半轴系数设置为 0.01，该函数改变了神经 网络中数据流的分布，在本文中，选取对网络模型的 Kaiming 初始化方法 [20] 进行优化。此外，CSN 中所 使用的映射器和预测器均为全连接网络，其各层维 度数量见表 2 所示，对每一层均使用 Leaky-ReLU 函数作为激活函数，负半轴系数设置为 0.01。

　　模型训练所用的基本超参数按照实际应用阶段 的参数调整，批次尺寸 256，学习率 0.001，训练 周期 400。模型离线训练完成后，对预训练模型进 行在线测试，验证模型训练的准确度，并进行训练 结果的优化。通过测试后的监测模型将用于风力机 SCADA 数据的在线监测和风力机运行状态判别。

　　本文定义了一个状态指示 (Status indicator， SI) 值来描述风力机的运行状态，该值变化范围在 0∼1 之间，当 SI = 0 时，表示机组运行正常、机 组无故障，当 SI = 1 时，表示出现故障。不同数 值表示机组不同程度的故障状态。SI 值基于马氏 距离 [21] 构造，马氏距离如式 (7) 所示，其中 S 为 多维随机变量的协方差矩阵，µ 为样本均值，x 为 样本向量。

　　马氏距离描述了预训练模型所包含的原始机组 数据信息和待监测机组数据信息的相似程度，由于 原始机组数据离线训练模型时，选取的机组为正常 状态，那么这个距离的计算则描述了待监测机组与 正常状态机组之间的相似度大小。若该距离数值较 小，则表明待监测机组与正常状态机组的相似程度 高，进而说明待监测机组的健康程度较好；反之，距 离数值大，则待监测机组与正常状态机组间相似程 度低，因此待监测机组的健康程度较差。

　　在此基础上，SI 的计算公式如式 (8) 所示，其 中，t 为时间点，α、β 分别为变量系数，用于控制 在当前时刻的马氏距离值和 t − 1 时刻的 SI 对当前 时刻的 SI 计算结果产生影响的大小。实际应用中 分别取值为 0.6 和 0.3。该式计算所得的 SI 值进行 归一化处理得到最终的健康状态指示值。

　　从统计学的角度来讲，统计过程控制 (Statistical Process Control，SPC) 技术 [22] 可以采用统计 分析相关的原理对生产过程进行实时监控，并科学 地区分生产过程中产品质量波动的普通原因和特殊 原因。假设某产品在生产过程中的质量变量服从正 态分布，其质量特征 X 服从正态分布，均值为 µ， 标准差为 σ，那么，质量特征在 (−∞, µ + 2.326σ] 内的概率 P 的计算公式可见式 (9) 所示。

　　实际应用中，用样本均值 µ 和标准差 σ 表示 正态分布的均值和方差，那么，定义超过 2.326σ 的 范围为故障状态。根据计算所得的状态指示，按照 SPC 原理进行阈值计算，见式 (10) 所示。

　　考虑到 SI 的定义，此处选取区域边界值时，只 考虑上边界对应的值，该上边界即为此处定义的失 效阈值 Th。因此，在状态监测的过程中，只要计算 所得的 SI 值超过了对应的失效阈值 Th，可认为机 组对应时刻的运行状态是异常的。

　　上述 SI 和 Th 明确地给出机组当前时间节 点的状态，在其发生故障之前进行识别和预知，并给巡检工人一个合理的参考意见。通过上述方法能 够在机组故障发生前进行机组运行状态的评估，给 出合理的评估结果，这对于整个运维过程具有重大 意义。

　　3 方法应用及讨论

　　3.1 数据及其描述

　　所使用的数据来源于中国甘肃省某风电场内部 署的某型号 SCADA 系统，其场区各风力机布局可 见图 4 所示的中尺度卫星分布图。

　　所获取到的数据时间跨度为一整年，即 2021 年 1 月 1 日至 12 月 31 日，逐 10 分钟进行一个多维 数据点的采样。该型号 SCADA 系统共有 104 个特 征，包括功率、温度、电压、电流、扭矩、角度、振 动、速度、压力等。根据风电场的运维报告，在役 的 32 台风力机中，2021 年共发生故障 159 条，其 中，变桨系统 52 条、变频系统 51 条、发电机类 16 条、液压系统 8 条、电气系统 8 条、偏航系统 7 条、 油冷系统 6 条、其他故障 11 条。

　　其中，9 号、14 号、25 号、27 号、31 号、32 号均出现了不同形式、不同程度的故障，其发生故 障的时间和状态如表 3 所示，其中的 “发现故障时 间” 是指工人巡检时发现机器异响、温度升高等异 常状态的时间。

　　根据表 3 信息，结合现有的 2021 年各机组 SCADA 数据，故障发生时间过早的机组如 14 号 和 31 号机组将无法体现其具体状态的变化。其他 机组在不同程度的范围内均可体现机组运行状态的 变化过程。更为重要的是，当前可获得的机组数据 只包含 2021 年，对于故障机组来说，其早期运行 过程中健康的历史数据无法获取，这对于模型的训 练和对机组状态的监测都是不利的。考虑到该场区 内 32 台机组均为同一批次，各机组之间布局相对 集中，即所处工作环境相对一致，同时，本文面向整 个机组的运行过程进行整体分析，不涉及细节差异， 所以可使用健康状态的机组数据代替故障状态在应 用早期的健康历史数据进行对方法的应用验证。因 此，本文方法应用部分将采用当前正常机组的数据 进行模型训练，然后对故障机组进行状态识别和评 估。图 5 所示描述了 32 台机组中 1 号和 3 号机组 在 2021 年内的功率与风速变化。

　　3.2 CSN 模型有效性

　　模型训练过程主要基于未发生故障的机组数 据，为说明模型有效性及各超参数配置有效性，同 时为说明模型泛化能力，对该风电场在役的 32 台 机组数据都进行模型训练。

　　描述了利用 1 号机组一直到 10 号机组数据进 行模型训练的损失变化，WT1 到 WT10 分别表示 机组编号。横轴为训练周期，纵轴表示损失值。使 用任意机组数据进行训练，本文所构造的 CSN 网 络均具有较好的泛化能力和稳定性，在训练 40 个 周期后，模型趋于收敛，损失值收敛于-0.9 附近。由 此可得本文构造的 CSN 模型是有效的。

　　3.3 风力机状态监测有效性

　　在离线训练基础上，进行对机组的在线监测。 方法实际应用重点关注来自风场运维报告中已出现 故障的机组。图 7 展示了基于不同预训练模型的 25 号机组状态识别结果，其中，预训练模型选取基于 3 号、4 号、5 号、6 号机组数据的训练过程。各子 图的红色横线表示计算过程中的阈值 Th 大小，各 阈值分别为：0.322、0.385、0.463、0.445。

　　根据运维报告，4 月 28 日巡检工人发现机组 故障，至 6 月 30 日维修完成，这期间机组处于停 机状态。由上图可知，在发现故障之前，模型已经 能够识别出机组运行异常状态，具体体现在各图中 机组的健康指引 SI 值超过了计算阈值。在完成维 修前后，维修人员需要开机进行试运行，其中包含 诸多不稳定因素例如振动信号强、电流不稳定、转 速不稳定等，因此模型计算出的 SI 值出现较大波 动，这属于正常范围。此外，未列出的其他预训练 模型针对 25 号机组的状态识别也达到了类似的效 果。由此可知，针对 25 号机组发生故障前后，预训练模型可以准确识别其运行状态。图 8 所示为来自 风电场运维报告中 25 号机组的部分故障。

　　图 9 描述了基于不同机组数据的预训练模型针对 9 号机组的运行状态识别结果，分别选取基于 1 号、3 号、5 号、7 号机组数据所训练的模型，在 针对 9 号机组的运行过程中的状态识别任务进行识 别。各阈值分别为：0.492、0.396、0.335、0.529。

　　根据运维报告，9 号机组故障发现于 2020 年 11 月 14 日，维修工作完成于 2021 年 7 月 15 日。由于 只拥有 2021 年的各机组数据，无法展示机组故障 前后的状态识别结果，而在图中展示了维修工作完 成前后的机组状态。由图可知，各预训练模型能够 准确判别机组维修完成前后的运行状态。图 10 所 示为来自风电场运维报告中 9 号机组的部分故障。

　　由此可知，本文方法在针对风力机状态识别的 任务中具有较好的表现，能够给出计算过程中的阈值，所识别的状态变化时间节点符合来自风电场 的运维报告中所给出的时间节点。在模型训练和状 态识别过程中，所使用的各项关键超参数可汇总如 表 4 所示。各值都在实际应用过程中进行调整。

　　4 结 论

　　本文面向风力机状态监测任务，基于现实风电 场的 SCADA 数据，构造了卷积孪生网络进行模 型训练，数据中所包含的信息以模型知识的形式 保存在模型参数中；接着将正常状态机组的数据 所训练好的模型用于对异常状态机组进行状态监 测，通过一系列的方法应用，说明了本文方法的有 效性。

　　本文构造了 CSN 网络，面向机组全部 SCADA 数据进行训练。基于 CSN 的训练和验证，构造了 一套针对现实风力机的在线状态监测方法，基于对 正常状态和异常状态数据及模型相似度的对比，定 义健康状态指示和阈值以描述风力机的运行状态。 同时，对异常状态的机组实现提前预知，并给出 反馈。

　　通过对甘肃省某风电场 2021 年 SCADA 数据 的训练和分析，同时对比来自风电场的故障报告发 现，本文所构造的方法能够有效地在 32 台机组中 实现状态识别和状态预知，具有较好的有效性和普 适性。

　　下阶段研究将重点关注风力机异常状态发生的 原因，在对机组状态整体分析基础上进行故障定位 和具体故障类型的识别。同时，基于本文方法，在 多个风电场的数据中进行适配，调整模型参数，提 高模型泛化能力及其鲁棒性。