CN115713031A - 一种基于计算机视觉的船舶主机气缸润滑优化调节方法 - Google Patents
一种基于计算机视觉的船舶主机气缸润滑优化调节方法 Download PDFInfo
- Publication number
- CN115713031A CN115713031A CN202211414114.1A CN202211414114A CN115713031A CN 115713031 A CN115713031 A CN 115713031A CN 202211414114 A CN202211414114 A CN 202211414114A CN 115713031 A CN115713031 A CN 115713031A
- Authority
- CN
- China
- Prior art keywords
- cylinder
- lubrication
- oil
- image
- lubricating oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005461 lubrication Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000002000 scavenging effect Effects 0.000 claims abstract description 41
- 230000008021 deposition Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000005299 abrasion Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007621 cluster analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000003921 oil Substances 0.000 claims description 98
- 239000010687 lubricating oil Substances 0.000 claims description 72
- 238000002347 injection Methods 0.000 claims description 66
- 239000007924 injection Substances 0.000 claims description 66
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 32
- 239000010727 cylinder oil Substances 0.000 claims description 32
- 238000007689 inspection Methods 0.000 claims description 28
- 239000003738 black carbon Substances 0.000 claims description 22
- 239000000295 fuel oil Substances 0.000 claims description 20
- 229910052742 iron Inorganic materials 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 8
- 230000001050 lubricating effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000013049 sediment Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 108700041286 delta Proteins 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000010705 motor oil Substances 0.000 claims description 3
- 239000002244 precipitate Substances 0.000 claims description 3
- 238000000889 atomisation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003706 image smoothing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 239000002585 base Substances 0.000 description 30
- 238000001514 detection method Methods 0.000 description 5
- 239000003513 alkali Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/38—Apparatus or methods specially adapted for use on marine vessels, for handling power plant or unit liquids, e.g. lubricants, coolants, fuels or the like
- B63H21/386—Apparatus or methods specially adapted for use on marine vessels, for handling power plant or unit liquids, e.g. lubricants, coolants, fuels or the like for handling lubrication liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Ocean & Marine Engineering (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Lubrication Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于计算机视觉的船舶主机气缸润滑优化调节方法，属于船舶动力系统技术领域。该方法包括：建立船舶主机润滑数据库，用于气缸润滑分析与质量评估；采集当前每个气缸的气缸润滑数据，并对所述气缸润滑图像集数据进行预处理；将预处理后的所述气缸润滑图像集进行图像分割及聚类分析，对比所述船舶主机润滑数据库得到结碳、脏污、划痕、磨损程度的特征识别结果；针对所述特征识别结果进行气缸润滑质量评估得到评估等级，并根据所述评估等级进行气缸润滑优化调节。本发明利用计算机视觉技术定量化处理通过船舶主机扫气道检查气缸润滑的结果，综合历史数据分析，得到评估等级，克服人工观察凭经验定性描述的不足和失误。
Description
技术领域
本发明涉及船舶动力系统技术领域，特别涉及一种基于计算机视觉的船舶主机气缸润滑优化调节方法。
背景技术
摩擦/磨损与润滑是机械运动的基础和关键技术，相关研究多集中在摩擦机理、磨损分析、润滑油及其质量检测、故障诊断等领域。船舶低速机气缸润滑的研究多是被动的、事后的，缺少气缸润滑过程优化控制技术和方法。
船舶主机为低速二冲程柴油机，其气缸润滑是轮机管理的难点和重点，气缸润滑过程管理水平决定了低速柴油机寿命的关键因素之一，其管理不当经常发生拉缸现象，影响船舶营运与安全。而决定气缸润滑质量优劣的关键因素是气缸油碱值和注油率，目前没有可量化的、固定规律遵循的经验或标准来控制气缸润滑质量，多是些气缸润滑过程管理的经验性描述和注油率凭人工经验试探性调节，缺少气缸润滑计算机视觉先进技术的应用研究。
船舶轮机员流动性大，在一艘船上工作时间10个月左右，交接班中对本轮主机气缸润滑的经验难以有效传授给接班轮机员，其再上另一艘船工作时会利用其他船的工作经验，出现失误的概率较大，同时又需要重新摸索新上船的气缸润滑优化调节方法。特别地，船舶燃烧的燃油因不同产地、不同供油商出现了燃油质量不可控、成分复杂，主机所烧燃油改变，气缸润滑需要重新调节；另一方面，海况及船舶工况多变造成燃烧不稳定，气缸润滑需要及时调节，这都对气缸润滑油碱值-注油率优化调节提出了挑战。
因此，利用计算机视觉开发气缸润滑扫气道图像分析技术代替人眼对气缸润滑质量的分类识别和等级评定应用于气缸注油率调节，解决气缸润滑优化管理的难题具有重要意义和推广应用价值，填补轮机管理领域上的空白。
发明内容
针对现有技术的缺陷，本发明基于计算机视觉的气缸润滑调节可防止缸套过度磨损，解决轮机员经验不足的问题，填补轮机管理领域上的空白。
为了达到上述目的，本发明提供了一种基于计算机视觉的船舶主机气缸润滑优化调节方法，包括：
(1)建立船舶主机润滑数据库，包括出厂台架气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据，以及前期运行中采集的历史气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据；
(2)实时采集当前气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据，并对所述当前气缸的气缸润滑图像集进行预处理；
(3)将预处理后的所述当前气缸的气缸润滑图像集进行图像分割及聚类分析，对比所述船舶主机润滑数据库得到结碳、脏污、划痕、磨损程度的特征识别结果；
(4)针对所述特征识别结果进行气缸润滑质量评估得到评估等级，并根据所述评估等级进行气缸润滑优化调节。
进一步的，所述步骤2中的将所述当前气缸的气缸润滑图像集进行预处理包括：
图像校正：对所述当前气缸的气缸润滑图像集中图像进行区域定位并提取图像特征信息，利用Hough变换进行直线测量、计算倾角，然后进行图像旋转得到图像校正结果；
图像平滑滤波：基于形态学的权重自适应图像去噪法，减少图像噪声和图像采集过程中随机噪声，采用中值滤波法，将像素邻域的灰度值排序后取中位数值为中心像素的新灰度值，使邻域内亮度值突变像素出现在序列的首或尾，中值滤波算法将其消除；
图像灰度化：基于直方图优化的图像去雾技术，采用加权平均值法对原RGB图像进行灰度化处理得到最适合观察的灰度图像；
图像二值化：设置将目标和背景分开的灰度值阈值Γ，当像素点灰度值＜Γ时，该点颜色值为0，否则为1。
进一步的，所述步骤3中特征识别方法包括：
(3.1)将预处理后的所述当前气缸的气缸润滑图像集进行归一化处理，得到待检测识别图像集；
(3.2)基于阈值分割、分水岭分割法将所述待检测识别图像集分成各具特性区域并提取出感兴趣的目标，包括：白色积碳、黑色积碳及划痕，获得图像分割结果；
(3.3)采用K-means均值法对所述待检测识别图像集进行聚类分析，所述K-means聚类算法在每次迭代中对分类是否正确进行判断、调整、修改聚类中心，进入下一次迭代，直至满足评价聚类性能的误差平方和准则函数为局部最小，得到聚类分析结果；
(3.4)将所述图像分割结果及所述聚类分析结果，与所述出厂台架气缸的气缸润滑图像集进行比较，得到被检测图像的结碳、脏污、划痕、磨损程度的特征识别结果；与所述历史气缸的气缸润滑图像集进行图像对比后选择最接近的所述历史气缸的气缸润滑图像集对应的气缸润滑油数据和扫气道残油数据作为参考值。
进一步的，所述气缸润滑图像集包括缸套内表面、活塞头区域、活塞头侧部、活塞环区域4类图像；
所述气缸润滑油数据包括气缸润滑油的碱值和注油率；
所述扫气道残油数据包括扫气道残油的残碱值和含铁量。
进一步的，所述评估等级分3级：
Ⅰ级：缸套内表面没有划痕，活塞头顶部、活塞头侧部或活塞环区域第一道环周围，这四个部位都会出现白色沉积物，表明所述当前气缸的气缸润滑油的注油率过大或者所述当前气缸的气缸润滑油的碱值过高；
Ⅱ级：缸套内表面没有划痕，活塞头顶部、活塞头侧部或活塞环区域的第一道环槽周围，这四个部位都会出现黑色积碳，表明所述当前气缸的气缸润滑油的注油率过少或者所述当前气缸的气缸润滑油的碱值过低；
Ⅲ级：缸套内表面存在划痕或/和活塞环表面存在麻点、剥落、凹坑，表明所述当前气缸的气缸润滑油的注油率过少，产生干摩擦；缸套内表面存在划痕且缸套内表面泛红色，活塞头顶部沉积物泛红色，或活塞环表面划痕，表明气缸润滑过量、所述当前气缸的气缸润滑油的碱值太高，产生磨料磨损。
进一步的，所述气缸润滑优化调节方法包括：
(4.1)Ⅰ级气缸润滑优化的调节方法
(4.1.1)若所述当前气缸的气缸润滑油的碱值小于BN1，所述当前气缸的气缸润滑油的注油率超过δ1，则逐步减小所述当前气缸的气缸润滑油的注油率直至其降到δ2范围内；每次以气缸注油率调节幅度μ1减小所述当前气缸的气缸润滑油的注油率后应保持连续运行N1天后停车检查，直至白色沉淀物最终消除；
(4.1.2)若所述当前气缸的气缸润滑油的碱值高于BN2，则更换碱值小的BN3气缸油，连续运行N1天后停车检查，若白色沉积物仍存在，则逐步减小所述当前气缸的气缸润滑油的注油率直至其降到δ3范围内，每次以气缸注油率调节幅度μ1减小所述当前气缸的气缸润滑油的注油率后，应保持连续运行N1天后停车检查，直至白色沉积物最终消除；
(4.2)Ⅱ级气缸润滑优化调节方法
若所述当前气缸的气缸润滑油的注油率低于δ4，则逐步增大所述当前气缸的气缸润滑油的注油率直至活塞环上部区域内黑色积碳消除；每次以注油率调节幅度μ1增大后应保持连续运行N2天停车检查；若所述当前气缸的气缸润滑油的注油率增大到δ5，黑色积碳仍未消除，则更换为碱值为BN2的气缸油并连续运行N1天停车检查，若检查结果确认黑色积碳趋势减少，则继续使用高碱值气缸油；若检查发现黑色积碳消失或出现轻微白色积碳，则改为低碱值BN3的气缸润滑油；若检查结果黑色积碳继续存在并有增多发展的趋势，则应更换该缸的燃油喷油器并跟踪检查；
(4.3)Ⅲ级气缸润滑优化调节方法
Ⅲ级表明缸套发生过度磨损事故，应立即停机并进行吊缸检查测量；若主机缸套磨损率超过极限值M，且缸套磨损量超过极限值K，则更换新缸套，若缸套磨损量没有超过极限值K，则减小所述当前气缸的气缸润滑油碱值，即选择碱值小的BN4气缸油；同时增大所述当前气缸的气缸润滑油的注油率直至硬接触痕迹消除，每次气缸注油率调节幅度μ2增大后应保持连续运行N1天停车检查；若过度磨损现象消除后，则应逐步减少所述当前气缸的气缸润滑油的注油率至δ6，每次气缸注油率调节幅度μ2降低后应保持连续运行N1天停车打开扫气箱检查；若所述当前气缸的气缸润滑油的注油率增大达到δ5限制值硬接触痕迹仍未消除，则需要加强燃油过滤或更换燃油，重新进行缸套测量后确认是否需要更换新缸套。
进一步的，δ1＝1.1g/kwh，δ2＝0.9～1.05g/kwh，δ3＝1.0g/kwh，δ4＝0.9g/kwh，δ5＝1.2g/kwh，δ6＝0.9～1.1g/kwh，μ1＝0.05/kwh/次，μ2＝0.2/kwh/次，N1＝3，N2＝2，M＝0.1mm/1000h，K＝4/1000缸径，BN1＝BN70，BN2＝BN70～BN100，BN3＝BN40～BN70，BN4＝BN40。
进一步的，所述各等级气缸润滑优化调节过程中，还需要多次检测所述当前气缸的扫气道残油的残碱值和含铁量进行优化调节方向的判断；
若所述扫气道残油的含铁量呈下降趋势，表明气缸磨损减小；若所述扫气道残油的含铁量≥70ppm而不能降低，则需要停止调整，检查燃油系统，燃油成分中的颗粒物是否超标，主机油头是否雾化不良；
若所述扫气道残油的残碱值<25％所述气缸润滑油的碱值，则需要选择所述气缸润滑油的碱值大一号的气缸油。
本发明的有益效果：
(1)利用计算机视觉技术定量化处理通过扫气道检查的缸套内表面、活塞头顶部、活塞头侧部、活塞环区域脏污程度的像素值，综合历史数据分析，得到评估等级，克服人工观察凭经验定性描述的不足和失误。
(2)建立船舶主机气缸润滑特征模型，建立了主机类型、台架实验数据、试航数据、运行数据、检查结果数据等数据库，主机运行前起动备车程序，将本次运行数据与历史数据多角度比较分析，提供本次主机运行需选择气缸润滑参考值(注油率和碱值)，克服了轮机员凭经验选择的不准确性、可靠性低的难题。
(3)主机正常运转期间，执行气缸润滑最优调节程序，使扫气道残油含铁量往最小的方向趋势发展，克服燃油不稳定影响，这样实现了主机缸套磨损最小的目标。主机运行中通过扫气道残油检测发现气缸润滑异常问题，立即执行气缸润滑优化调节程序，分析本次气缸润滑数据及缸内图像处理，调用历史数据和图像集进行比对分析，得出本次调节气缸润滑的参考数据和调节方向，调节过程中反馈扫气道残油含铁量发展趋势应该为减小的方向，克服了目前需要轮机员试探性整定气缸注油率大小、失误较高的难题。
附图说明
图1是本发明实施例基于计算机视觉的船舶主机气缸润滑优化调节方法的流程示意图。
图2是本发明实施例气缸润滑优化的过程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的描述。
当前的船舶低速机气缸润滑控制系统不能根据气缸润滑状况调节气缸注油率，气缸润滑状况需要轮机员停车、打开扫气道进行缸套内和活塞头拍照、观察，评估缸套内表面、活塞头顶部、活塞头侧部和活塞环区域的图像，结合轮机员的管理经验，然后手动整定气缸注油率，该过程繁琐、效率低、误差大、轮机员的工作经验影响太大，这也是造成船舶主机缸套过度磨损的主要原因。本发明的创新之处是利用计算机视觉学习气缸润滑系统的内部图像，跟历史数据比较分析，评估出气缸润滑状态的量化等级，自动整定气缸注油率，效率高、调节准确度高，具体实施方案如图1所示。
S101、建立船舶主机润滑数据库，包括出厂台架气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据，以及前期运行中采集的历史气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据；
建立船舶主机润滑数据库，首先确定主机类型为MAN MC或ME、RT-FELX或WinGD及其系列号，主机额定参数，还要包括船舶主机出厂的台架实验数据、新船试航的主机运行数据，这些都是基础和参考数据，作为气缸润滑状态分析的标准。
船舶主机确定后，建立各缸润滑数据库，包括每个缸的图像集：缸套内表面、活塞头、活塞头侧部及其活塞环区域；对应每个缸的背景数据库：气缸油碱值、气缸注油率、扫气道残油碱值、残油含铁量。气缸润滑数据库和背景数据库作为计算机视觉学习参考的标准。
S102、实时采集当前气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据，并对所述当前气缸的气缸润滑图像集进行预处理；
采集当前气缸的相关数据，针对气缸润滑图像集进行如下预处理：
①气缸润滑图像校正：因为打开扫气箱检查，轮机员拍摄的检查部位图像位置不固定，需要旋转校正图像，便于检测和识别。扫气箱内部检查所得图像的有效信息位于整幅图像的特定部位，如活塞头顶部靠近油头侧、缸套内表面扫气口附近、活塞环区域、活塞侧面上部区域等等，因此，对这些区域定位提取图像特征信息，可利用Hough(霍夫)变换进行直线测量、计算倾角，然后进行图像旋转得到图像校正结果。
②气缸润滑图像平滑滤波：基于形态学的权重自适应图像去噪法，减少图像噪声和图像采集过程中随机噪声，采用中值滤波法，将像素邻域的灰度值排序后取中位数值为中心像素的新灰度值，使邻域内亮度值突变像素出现在序列的首或尾，中值滤波算法将其消除。
③气缸润滑图像灰度化：基于直方图优化的图像去雾技术，拍摄的彩色图像灰度化，灰度图像也便于存储、加快识别速度，采用加权平均值法对原RGB图像进行灰度化处理，R、G和B的权值系数分别为0.299、0.587和0.114，得到最适合观察的灰度图像。
④气缸润滑图像二值化：图像二值化的关键是阈值选取，灰度图像的灰度值Γ(0≤Γ≤225)二值化，将目标和背景分开的灰度值Γ为阈值。当像素点灰度值＜Γ时，该点颜色值为0，否则为1，只包含黑白色的二值图像，容易区分白色积碳与黑色积碳，得出气缸注油量大或小，碱值高或低的定性描述判别。
S103、将预处理后的所述当前气缸的气缸润滑图像集进行图像分割及聚类分析，对比所述船舶主机润滑数据库得到结碳、脏污、划痕、磨损程度的特征识别结果；
气缸润滑图像的特征区域为缸套内表面、活塞头顶部、活塞头侧面和活塞环区域，这些图像经过归一化处理后，得到待检测识别图像，需要特定区域分割定位、霍夫(Hough)变换，进行目标区域标识。
气缸润滑图像目标检测和识别的基础是图像分割，本发明实施例基于阈值分割、分水岭分割法把活塞、缸套图像分成各具特性区域并提取出轮机员感兴趣的目标(如白色积碳、黑色积碳、划痕等)。
最常用的聚类算法是K-means均值法。K-means聚类算法在每次迭代中每个气缸润滑图像样本分类是否正确需要判断、调整、修改聚类中心，进入下一次迭代，直至满足条件终止。防止重新分配给不同聚类的对象，聚类中心是变化的，评价聚类性能的误差平方和准则函数为局部最小。
将图像分割结果及聚类分析结果，首先与出厂台架气缸的气缸润滑图像集进行比较，得到被检测图像的结碳、脏污、划痕、磨损程度的特征识别结果；再与所有历史气缸的气缸润滑图像集进行图像对比，然后选择其中最接近的历史气缸的气缸润滑图像集对应的气缸润滑油数据和扫气道残油数据作为参考值。
S104、针对所述特征识别结果进行气缸润滑质量评估得到评估等级，并根据所述评估等级进行气缸润滑优化调节。
评估等级分3级，描述如下：
(1)Ⅰ级
缸套内表面没有划痕，活塞头顶部、活塞头侧部或活塞环区域第一道环周围，这四个部位都会出现或多或少的白色沉积物，表明该缸的气缸注油率过大或者气缸油碱值过高。
(2)Ⅱ级
缸套内表面没有划痕，活塞头顶部、活塞头侧部或活塞环区域的第一道环槽周围，这四个部位都会出现或多或少的黑色积碳，表明该缸气缸注油率过少或者气缸油碱值过低。
(3)Ⅲ级
缸套内表面存在划痕或/和活塞环表面存在麻点、剥落、凹坑，表明该缸的气缸注油率过少，产生干摩擦。缸套内表面存在划痕且缸套内表面泛红色，活塞头顶部沉积物泛红色，或/和活赛环表面划痕，表明气缸润滑过量、气缸油碱值太高，产生磨料磨损。
根据被检测图像的结碳、脏污、划痕、磨损程度的特征识别结果，选择其对应的评估等级，然后按照对应的等级进行如下调节。
优化调节方法如下：
(1)Ⅰ级气缸润滑优化调节方法
①若气缸注油率较高(超过1.1g/kwh)，应以0.05g/kwh/次幅度逐步减小气缸注油率到0.9g/kwh～1.05g/kwh范围内，每次减小后均需要保持运行3天左右停车检查，直至白色沉淀物最终消除。
②若主机正在使用高碱值气缸油(BN70～BN100)，则应尽快更换为低碱值气缸油(BN40～BN70)，连续运行3天左右后停车检查，若使用低碱值气缸油后白色沉积物仍存在，则应以0.05g/kwh/次幅度逐步减小气缸注油率到1.0g/kwh左右，每次减小后均需要保持运行3天左右停车检查，直至白色沉积物最终消除。
(2)Ⅱ级气缸润滑优化调节方法
若气缸注油率较低(低于0.9g/kwh)，则应逐步提高气缸注油率，每次提高0.05g/kwh/次并保持连续运行2天后停车检查，直至活塞环上部10CM左右区域内黑色积碳消除。若注油率增大到1.2g/kwh，黑色积碳仍未消除，则更换碱值为BN70～BN100的气缸油并连续运行3天停车检查，若检查结果确认黑色积碳趋势减少，则继续使用高碱值气缸油；若检查发现黑色积碳消失或出现轻微白色积碳，则改为低碱值BN40～BN70的气缸润滑油；若检查结果黑色积碳继续存在并有发展的趋势，则应更换该缸的燃油喷油器并跟踪检查。
(3)Ⅲ级气缸润滑优化调节方法
Ⅲ级表明缸套发生过度磨损事故，应立即停机并进行吊缸检查测量，若主机缸套磨损量超过极限值0.1mm/1000h，表明过度磨损已经发生了，检测发现缸套磨损量超过4/1000缸径，则换新缸套。若缸套磨损量没有超过极限值4/1000缸径，缸套、活塞环存在磨痕，则减小气缸润滑油碱值，即选择碱值小的BN40气缸油，同时应尽快逐步增大气缸油注油率直至硬接触痕迹消除，每次注油率增加量为0.2g/kwh/次，且需要运行3天后停车检查状态。若过度磨损现象消除后，则应逐步减少气缸注油率回至0.9～1.1g/kwh，每次降低0.2g/kwh后应保持连续运行3天停车，打开扫气箱检查。若气缸油注油率达到1.2g/kwh硬接触痕迹仍未消除，表明所烧燃油质量太差，燃油中催化剂颗粒物超标，需要加强燃油过滤或更换燃油；重新进行缸套测量后确认是否需要更换新缸套。
吊缸检修、换新缸套后，应将该缸的燃油喷油器全部更换并按照主机厂家要求的磨合程序对该缸进行磨合。
Ⅰ级Ⅱ级Ⅲ级优化过程中，需要频繁检测扫气道残油值，重点关注残油含铁量往减小方向趋势发展，表明气缸润滑的优化方向是正确的。
若扫气道残油的含铁量呈下降趋势，表明气缸磨损减小；若所述扫气道残油的含铁量≥70ppm而不能降低，则需要停止调整，检查燃油系统，燃油成分中的颗粒物是否超标，主机油头是否雾化不良；
若残油碱值<25％气缸油碱值，则选择气缸油大一号的碱值。
气缸润滑优化目标：优化控制扫气道残油的含铁量最小，最佳为扫气道残油含铁量不超过40PPM，残油碱值不低于所用气缸油碱值的25％，这样磨损小、无腐蚀、不结碳。
船舶主机气缸润滑是复杂的、不确定性的难题，目前全靠轮机员的工作经验进行管理，许多影响因素靠轮机员经验难以综合分析，本发明的基于计算机视觉的气缸润滑优化策略，可将历史数据、专家经验、检查结果等综合学习与分析，获得最优的气缸润滑调节方法，提高效率、降低失误。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于，包括：
(1)建立船舶主机润滑数据库，包括出厂台架气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据，以及前期运行中采集的历史气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据；
(2)实时采集当前气缸的气缸润滑图像集、气缸润滑油数据和扫气道残油数据，并对所述当前气缸的气缸润滑图像集进行预处理；
(3)将预处理后的所述当前气缸的气缸润滑图像集进行图像分割及聚类分析，对比所述船舶主机润滑数据库得到结碳、脏污、划痕、磨损程度的特征识别结果；
(4)针对所述特征识别结果进行气缸润滑质量评估得到评估等级，并根据所述评估等级进行气缸润滑优化调节。
2.根据权利要求1所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于，所述步骤2中的将所述当前气缸的气缸润滑图像集进行预处理包括：
图像校正：对所述当前气缸的气缸润滑图像集中图像进行区域定位并提取图像特征信息，利用Hough变换进行直线测量、计算倾角，然后进行图像旋转得到图像校正结果；
图像平滑滤波：基于形态学的权重自适应图像去噪法，减少图像噪声和图像采集过程中随机噪声，采用中值滤波法，将像素邻域的灰度值排序后取中位数值为中心像素的新灰度值，使邻域内亮度值突变像素出现在序列的首或尾，中值滤波算法将其消除；
图像灰度化：基于直方图优化的图像去雾技术，采用加权平均值法对原RGB图像进行灰度化处理得到最适合观察的灰度图像；
图像二值化：设置将目标和背景分开的灰度值阈值Γ，当像素点灰度值＜Γ时，该点颜色值为0，否则为1。
3.根据权利要求1所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于，所述步骤3中特征识别方法包括：
(3.1)将预处理后的所述当前气缸的气缸润滑图像集进行归一化处理，得到待检测识别图像集；
(3.2)基于阈值分割、分水岭分割法将所述待检测识别图像集分成各具特性区域并提取出感兴趣的目标，包括：白色积碳、黑色积碳及划痕，获得图像分割结果；
(3.3)采用K-means均值法对所述待检测识别图像集进行聚类分析，所述K-means聚类算法在每次迭代中对分类是否正确进行判断、调整、修改聚类中心，进入下一次迭代，直至满足评价聚类性能的误差平方和准则函数为局部最小，得到聚类分析结果；
(3.4)将所述图像分割结果及所述聚类分析结果，与所述出厂台架气缸的气缸润滑图像集进行比较，得到被检测图像的结碳、脏污、划痕、磨损程度的特征识别结果；与所述历史气缸的气缸润滑图像集进行图像对比后选择最接近的所述历史气缸的气缸润滑图像集对应的气缸润滑油数据和扫气道残油数据作为参考值。
4.根据权利要求1所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于：
所述气缸润滑图像集包括缸套内表面、活塞头区域、活塞头侧部、活塞环区域4类图像；
所述气缸润滑油数据包括气缸润滑油的碱值和注油率；
所述扫气道残油数据包括扫气道残油的残碱值和含铁量。
5.根据权利要求4所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于，所述评估等级分3级：
Ⅰ级：缸套内表面没有划痕，活塞头顶部、活塞头侧部或活塞环区域第一道环周围，这四个部位都会出现白色沉积物，表明所述当前气缸的气缸润滑油的注油率过大或者所述当前气缸的气缸润滑油的碱值过高；
Ⅱ级：缸套内表面没有划痕，活塞头顶部、活塞头侧部或活塞环区域的第一道环槽周围，这四个部位都会出现黑色积碳，表明所述当前气缸的气缸润滑油的注油率过少或者所述当前气缸的气缸润滑油的碱值过低；
Ⅲ级：缸套内表面存在划痕或/和活塞环表面存在麻点、剥落、凹坑，表明所述当前气缸的气缸润滑油的注油率过少，产生干摩擦；缸套内表面存在划痕且缸套内表面泛红色，活塞头顶部沉积物泛红色，或活塞环表面划痕，表明气缸润滑过量、所述当前气缸的气缸润滑油的碱值太高，产生磨料磨损。
6.根据权利要求5所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于，所述气缸润滑优化调节方法包括：
(4.1)Ⅰ级气缸润滑优化的调节方法
(4.1.1)若所述当前气缸的气缸润滑油的碱值小于BN1，所述当前气缸的气缸润滑油的注油率超过δ1，则逐步减小所述当前气缸的气缸润滑油的注油率直至其降到δ2范围内；每次以气缸注油率调节幅度μ1减小所述当前气缸的气缸润滑油的注油率后应保持连续运行N1天后停车检查，直至白色沉淀物最终消除；
(4.1.2)若所述当前气缸的气缸润滑油的碱值高于BN2，则更换碱值小的BN3气缸油，连续运行N1天后停车检查，若白色沉积物仍存在，则逐步减小所述当前气缸的气缸润滑油的注油率直至其降到δ3范围内，每次以气缸注油率调节幅度μ1减小所述当前气缸的气缸润滑油的注油率后，应保持连续运行N1天后停车检查，直至白色沉积物最终消除；
(4.2)Ⅱ级气缸润滑优化调节方法
若所述当前气缸的气缸润滑油的注油率低于δ4，则逐步增大所述当前气缸的气缸润滑油的注油率直至活塞环上部区域内黑色积碳消除；每次以注油率调节幅度μ1增大后应保持连续运行N2天停车检查；若所述当前气缸的气缸润滑油的注油率增大到δ5，黑色积碳仍未消除，则更换为碱值为BN2的气缸油并连续运行N1天停车检查，若检查结果确认黑色积碳趋势减少，则继续使用高碱值气缸油；若检查发现黑色积碳消失或出现轻微白色积碳，则改为低碱值BN3的气缸润滑油；若检查结果黑色积碳继续存在并有增多发展的趋势，则应更换该缸的燃油喷油器并跟踪检查；
(4.3)Ⅲ级气缸润滑优化调节方法
Ⅲ级表明缸套发生过度磨损事故，应立即停机并进行吊缸检查测量；若主机缸套磨损率超过极限值M，且缸套磨损量超过极限值K，则更换新缸套，若缸套磨损量没有超过极限值K，则减小所述当前气缸的气缸润滑油碱值，即选择碱值小的BN4气缸油；同时增大所述当前气缸的气缸润滑油的注油率直至硬接触痕迹消除，每次气缸注油率调节幅度μ2增大后应保持连续运行N1天停车检查；若过度磨损现象消除后，则应逐步减少所述当前气缸的气缸润滑油的注油率至δ6，每次气缸注油率调节幅度μ2降低后应保持连续运行N1天停车打开扫气箱检查；若所述当前气缸的气缸润滑油的注油率增大达到δ5限制值硬接触痕迹仍未消除，则需要加强燃油过滤或更换燃油，重新进行缸套测量后确认是否需要更换新缸套。
7.根据权利要求6所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于：δ1＝1.1g/kwh，δ2＝0.9～1.05g/kwh，δ3＝1.0g/kwh，δ4＝0.9g/kwh，δ5＝1.2g/kwh，δ6＝0.9～1.1g/kwh，μ1＝0.05/kwh/次，μ2＝0.2/kwh/次，N1＝3，N2＝2，M＝0.1mm/1000h，K＝4/1000缸径，BN1＝BN70，BN2＝BN70～BN100，BN3＝BN40～BN70，BN4＝BN40。
8.根据权利要求6所述的基于计算机视觉的船舶主机气缸润滑优化调节方法，其特征在于：所述各等级气缸润滑优化调节过程中，还需要多次检测所述当前气缸的扫气道残油的残碱值和含铁量进行优化调节方向的判断；
若所述扫气道残油的含铁量呈下降趋势，表明气缸磨损减小；若所述扫气道残油的含铁量≥70ppm而不能降低，则需要停止调整，检查燃油系统，燃油成分中的颗粒物是否超标，主机油头是否雾化不良；
若所述扫气道残油的残碱值<25％所述气缸润滑油的碱值，则需要选择所述气缸润滑油的碱值大一号的气缸油。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211414114.1A CN115713031B (zh) | 2022-11-11 | 2022-11-11 | 一种基于计算机视觉的船舶主机气缸润滑优化调节方法 |
| US18/506,476 US20240158065A1 (en) | 2022-11-11 | 2023-11-10 | Method for adjusting lubrication optimization of marine main engine cylinder based on computer vision |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211414114.1A CN115713031B (zh) | 2022-11-11 | 2022-11-11 | 一种基于计算机视觉的船舶主机气缸润滑优化调节方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115713031A true CN115713031A (zh) | 2023-02-24 |
| CN115713031B CN115713031B (zh) | 2023-12-22 |
Family
ID=85232863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211414114.1A Active CN115713031B (zh) | 2022-11-11 | 2022-11-11 | 一种基于计算机视觉的船舶主机气缸润滑优化调节方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240158065A1 (zh) |
| CN (1) | CN115713031B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105332762A (zh) * | 2015-11-12 | 2016-02-17 | 哈尔滨工程大学 | 一种船舶柴油机电控共轨式气缸注油润滑系统 |
| CN105754685A (zh) * | 2016-03-10 | 2016-07-13 | 吴其增 | 一种高碱值船用气缸润滑油及其制备方法 |
| CN106762016A (zh) * | 2017-03-15 | 2017-05-31 | 上海海事大学 | 一种船用柴油机汽缸油节能方法 |
| CN113032912A (zh) * | 2021-04-20 | 2021-06-25 | 上海交通大学 | 基于关联规则的船舶柴油机故障检测方法 |
| CN113158335A (zh) * | 2021-04-07 | 2021-07-23 | 广东交通职业技术学院 | 船舶电控气缸注油可视化方法、系统、装置和存储介质 |
| WO2021213603A1 (en) * | 2020-04-22 | 2021-10-28 | Hans Jensen Lubricators A/S | Method for lubricating large slow-running marine diesel engines |
| CN113958382A (zh) * | 2021-10-20 | 2022-01-21 | 中船动力研究院有限公司 | 一种低速柴油机电子气缸注油控制系统 |
| CN114970404A (zh) * | 2022-07-28 | 2022-08-30 | 江铃汽车股份有限公司 | 基于缸内燃烧cfd分析的发动机油耗计算及优化方法 |
| CN217638511U (zh) * | 2022-07-11 | 2022-10-21 | 张一铭 | 一种船舶舵轴承材料摩擦磨损试验装置 |
-
2022
- 2022-11-11 CN CN202211414114.1A patent/CN115713031B/zh active Active
-
2023
- 2023-11-10 US US18/506,476 patent/US20240158065A1/en active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105332762A (zh) * | 2015-11-12 | 2016-02-17 | 哈尔滨工程大学 | 一种船舶柴油机电控共轨式气缸注油润滑系统 |
| CN105754685A (zh) * | 2016-03-10 | 2016-07-13 | 吴其增 | 一种高碱值船用气缸润滑油及其制备方法 |
| CN106762016A (zh) * | 2017-03-15 | 2017-05-31 | 上海海事大学 | 一种船用柴油机汽缸油节能方法 |
| WO2021213603A1 (en) * | 2020-04-22 | 2021-10-28 | Hans Jensen Lubricators A/S | Method for lubricating large slow-running marine diesel engines |
| CN113158335A (zh) * | 2021-04-07 | 2021-07-23 | 广东交通职业技术学院 | 船舶电控气缸注油可视化方法、系统、装置和存储介质 |
| CN113032912A (zh) * | 2021-04-20 | 2021-06-25 | 上海交通大学 | 基于关联规则的船舶柴油机故障检测方法 |
| CN113958382A (zh) * | 2021-10-20 | 2022-01-21 | 中船动力研究院有限公司 | 一种低速柴油机电子气缸注油控制系统 |
| CN217638511U (zh) * | 2022-07-11 | 2022-10-21 | 张一铭 | 一种船舶舵轴承材料摩擦磨损试验装置 |
| CN114970404A (zh) * | 2022-07-28 | 2022-08-30 | 江铃汽车股份有限公司 | 基于缸内燃烧cfd分析的发动机油耗计算及优化方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘世伟: "船舶柴油机气缸润滑技术研究与分析", 中国设备工程, no. 8, pages 159 - 160 * |
| 张志斌;蔡振雄;滕宪斌;: "船用柴油机气缸油注油率与润滑技术探析", 中外船舶科技, no. 02, pages 25 - 27 * |
| 焦品博 等: "基于长短期记忆网络的船舶主柴油机性能预测", 内燃机学报, vol. 39, no. 03, pages 250 - 256 * |
| 郑国杰;蔡振雄;刘建华;: "船舶柴油机气缸润滑技术探析", 天津航海, no. 01, pages 13 - 16 * |
| 酷友慈爱的蒙莉萨亲: "张桂臣—《船舶主机气缸润滑计算机视觉深度学习应用研究》", pages 13, Retrieved from the Internet <URL:https://v.youku.com/v_show/id_XNTg5NDg5MzE2NA==.html?playMode=pugv&frommaciku=1> * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240158065A1 (en) | 2024-05-16 |
| CN115713031B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
| CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN108764345B (zh) | 一种基于局部与全局聚类的水下大坝裂缝检测方法 | |
| CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
| CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| Borselli et al. | A fuzzy inference system applied to defect detection in flat steel production | |
| CN111145165A (zh) | 一种基于机器视觉的橡胶密封圈表面缺陷检测方法 | |
| CN114359270A (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
| CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
| CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
| CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
| CN112419237B (zh) | 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法 | |
| CN115880284A (zh) | 一种用于润滑油磨粒均匀度的检测方法及系统 | |
| CN115239738A (zh) | 一种汽车零件配置智能检测方法 | |
| CN110728286A (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
| CN115713031B (zh) | 一种基于计算机视觉的船舶主机气缸润滑优化调节方法 | |
| Yang et al. | Image Classification for Automobile Pipe Joints Surface Defect Detection Using Wavelet Decomposition and Convolutional Neural Network | |
| CN116773528B (zh) | 一种用于候选区域的视觉缺陷检测方法及系统 | |
| Jalalian et al. | An automatic visual inspection method based on statistical approach for defect detection of ship hull surfaces | |
| KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
| CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
| CN114820533A (zh) | 家具板表面耐磨花纹保留率分析计算方法 | |
| Elanangai et al. | Automated system for defect identification and character recognition using IR images of SS-plates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |