开云优惠体育网页版入口

专利名称：一种基于油雾监控的船舶发动机控制方法及系统

专利类型：发明专利

专利申请号：CN202411273425.X

专利申请（专利权）人：福建省白马船厂
权利人地址：福建省宁德市福安市下白石镇一路1号

专利发明（设计）人：缪健康,刘正阳,胡应征,周剑龙

专利摘要：本发明提供一种基于油雾监控的船舶发动机控制方法及系统，涉及燃油发动机控制技术领域，方法包括：构建船舶发动机燃油雾化模型；获取当前船舶发动机工作参数；将当前船舶发动机工作参数代入至船舶发动机燃油雾化模型中，确定当前时刻的油雾浓度理论值；通过油雾检测器，获取当前时刻的油雾浓度实际值；根据当前一段时间内的油雾浓度实际值，通过三层堆叠双向长短时记忆神经网络，预测未来时刻的油雾浓度预测值；根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制。本发明可以捕获油雾浓度逐渐升高的趋势变化，及时发现发动机可能发生的异常，降低发动机损坏可能性。

主权利要求：
1.一种基于油雾监控的船舶发动机控制方法，其特征在于，包括：S1：构建船舶发动机燃油雾化模型；
S2：获取当前船舶发动机工作参数；
S3：将当前船舶发动机工作参数代入至所述船舶发动机燃油雾化模型中，确定当前时刻的油雾浓度理论值；
S4：通过油雾检测器，获取当前时刻的油雾浓度实际值；
S5：根据当前一段时间内的油雾浓度实际值，通过三层堆叠双向长短时记忆神经网络，预测未来时刻的油雾浓度预测值；
S6：根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制；
其中，所述S6具体包括：
S601：在 且 的情况下，发出一级警报，并控制船舶发动机以第一幅度降低运行功率；
S602：在 且 的情况下，发出二级警报，并控制船舶发动机以第二幅度降低运行功率；
S603：在 且 的情况下，发出三级警报，并控制船舶发动机停机接受检查；
其中，Cr表示当前时刻的油雾浓度实际值，Cy表示未来时刻的油雾浓度预测值，Cs表示当前时刻的油雾浓度理论值，C0表示预设浓度值， 表示预设差异值。
2.根据权利要求1所述的基于油雾监控的船舶发动机控制方法，其特征在于，所述S1具体包括：S101：计算燃油期间的Weber数：其中，We表示Weber数，Ust表示喷雾期间燃油的平均流出速率，dc表示喷嘴直径，ρf表示燃油密度，σf表示燃油表面张力；
S102：计算燃油粘度：
其中，M表示燃油粘度，μf表示燃油动态粘度；
S103：计算充入气体量：
其中，Mm表示充入气体量，ηvs表示气缸填充率，ps表示入口压力，Vc表示燃烧室体积，Ts表示入口温度；
S104：计算压缩终点处的气体量：
其中，Mv表示气体量，γ r表示气体残留率；
S105：计算压缩终点处的空气密度：其中，ρa表示压缩终点处的空气密度，m表示燃油混合物的分子量；
S106：计算混合物密度比：
其中，p表示混合物密度比，ρa表示压缩终点处的空气密度；
S107：计算油雾边界：
其中，lb表示油雾边界，Ck表示喷射系数；
S108：计算油雾夹角：
其中，γ 0表示喷雾夹角，arctan表示反正切函数，fc表示与喷嘴性质相关的常数；
S109：计算喷射体积：
其中，Vs表示喷射体积；
S110：计算燃油质量流率：
其中， 表示燃油质量流率；
S111：计算燃油浓度理论值：
其中，Cs表示燃油浓度理论值。
3.根据权利要求1所述的基于油雾监控的船舶发动机控制方法，其特征在于，所述三层堆叠双向长短时记忆神经网络包括堆叠设置的第一双向长短时记忆神经网络、第二双向长短时记忆神经网络以及第三双向长短时记忆神经网络。
4.根据权利要求3所述的基于油雾监控的船舶发动机控制方法，其特征在于，所述第一双向长短时记忆神经网络的输入用于获取当前一段时间内的油雾浓度实际值，所述第一双向长短时记忆神经网络的隐藏连接所述第二双向长短时记忆神经网络的输入，所述第二双向长短时记忆神经网络的隐藏连接所述第三双向长短时记忆神经网络的输入，所述第三双向长短时记忆神经网络的输出用于根据综合隐状态预测未来时刻的油雾浓度预测值。
5.根据权利要求4所述的基于油雾监控的船舶发动机控制方法，其特征在于，所述S5具体包括：S501：将当前一段时间内的油雾浓度实际值序列输入至所述第一双向长短时记忆神经网络中，沿前向进行学习，得到第一前向隐状态；
S502：将所述第一前向隐状态输入至所述第二双向长短时记忆神经网络中，沿前向进行学习，得到第二前向隐状态；
S503：将所述第二前向隐状态输入至所述第三双向长短时记忆神经网络中，沿前向进行学习，得到第三前向隐状态；
S504：将当前一段时间内的油雾浓度实际值序列输入至所述第一双向长短时记忆神经网络中，沿后向进行学习，得到第一后向隐状态；
S505：将所述第一后向隐状态输入至所述第二双向长短时记忆神经网络中，沿后向进行学习，得到第二后向隐状态；
S506：将所述第二后向隐状态输入至所述第三双向长短时记忆神经网络中，沿后向进行学习，得到第三后向隐状态；
S507：将所述第三前向隐状态与所述第三后向隐状态进行融合，得到综合隐状态；
S508：根据所述综合隐状态，预测未来时刻的油雾浓度预测值。
6.根据权利要求5所述的基于油雾监控的船舶发动机控制方法，其特征在于，所述S507具体为：根据以下公式，将第三前向隐状态与所述第三后向隐状态进行融合，得到所述综合隐状态：其中，Ht表示综合隐状态，Sigmoid()表示Sigmoid激活函数，Wf表示前向权重矩阵，Wb表示后向权重矩阵， 表示第三前向隐状态， 表示第三后向隐状态。
7.根据权利要求6所述的基于油雾监控的船舶发动机控制方法，其特征在于，所述S508具体为：根据以下公式，预测未来时刻的油雾浓度预测值：其中，Cy表示未来时刻的油雾浓度预测值，Sigmoid()表示Sigmoid激活函数，Wh表示隐藏层与分类层之间的权重矩阵，bh表示分类层偏置项。
8.根据权利要求1所述的基于油雾监控的船舶发动机控制方法，其特征在于，以所述第二幅度降低的运行功率大于以所述第一幅度降低的运行功率。
9.一种基于油雾监控的船舶发动机控制系统，其特征在于，包括：处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至8中任一项所述的基于油雾监控的船舶发动机控制方法。 说明书 : 一种基于油雾监控的船舶发动机控制方法及系统技术领域[0001] 本发明涉及燃油发动机控制技术领域，特别是指一种基于油雾监控的船舶发动机控制方法及系统。背景技术[0002] 油雾浓度确实是评估和控制发动机状态的关键参数之一，尤其是在柴油发动机和某些类型的燃气轮机中。例如，油雾浓度反映了燃油雾化的质量和燃烧过程的效率。如果油雾浓度异常，可能意味着燃油喷射系统出现问题，如喷油器堵塞、磨损或调节不当，这会导致燃烧不完全，从而影响发动机的性能和效率。因此，油雾浓度的变化可以反映发动机内部的工作状况和健康状态。[0003] 当前基于油雾浓度的燃油发动机控制技术，往往采用阈值控制技术，当油雾浓度大于警报值时发出警报并控制燃油发动机降低功率甚至停机进行检修，当油雾浓度小于警报值时继续运行。[0004] 然而，阈值控制具有一定的滞后性，当油雾浓度达到警报阈值时，发动机可能已经处于非最优或受损状态一段时间了，这种滞后性可能会导致故障恶化到更严重的程度，甚至在警报触发之前就造成不可逆的损坏。同时，阈值控制往往只关注是否超过警戒线，而忽略了油雾浓度逐渐升高的趋势变化，难以步骤渐进性变化这一早期故障迹象，无法预测潜在的故障，及时发现发动机故障，并在问题变得严重之前采取措施，造成发动机损坏。发明内容[0005] 为了解决当前的阈值控制具有一定的滞后性，当油雾浓度达到警报阈值时，发动机可能已经处于非最优或受损状态一段时间了，这种滞后性可能会导致故障恶化到更严重的程度，甚至在警报触发之前就造成不可逆的损坏，阈值控制往往只关注是否超过警戒线，而忽略了油雾浓度逐渐升高的趋势变化，难以步骤渐进性变化这一早期故障迹象，无法预测潜在的故障，及时发现发动机故障，并在问题变得严重之前采取措施，造成发动机损坏的技术问题，本发明提供了一种基于油雾监控的船舶发动机控制方法及系统。[0006] 本发明实施例提供的技术方案如下：[0007] 第一方面：[0008] 本发明实施例提供的一种基于油雾监控的船舶发动机控制方法，包括：[0009] S1：构建船舶发动机燃油雾化模型；[0010] S2：获取当前船舶发动机工作参数；[0011] S3：将当前船舶发动机工作参数代入至所述船舶发动机燃油雾化模型中，确定当前时刻的油雾浓度理论值；[0012] S4：通过油雾检测器，获取当前时刻的油雾浓度实际值；[0013] S5：根据当前一段时间内的油雾浓度实际值，通过三层堆叠双向长短时记忆神经网络，预测未来时刻的油雾浓度预测值；[0014] S6：根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制。[0015] 第二方面：[0016] 本发明实施例提供的一种基于油雾监控的船舶发动机控制系统，包括：[0017] 处理器；[0018] 存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于油雾监控的船舶发动机控制方法。[0019] 第三方面：[0020] 本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于油雾监控的船舶发动机控制方法。[0021] 本发明实施例提供的技术方案带来的有益效果至少包括：[0022] 在本发明中，根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制，可以捕获油雾浓度逐渐升高的趋势变化，及时发现发动机可能发生的异常，降低发动机损坏可能性，并且结合油雾浓度理论值与油雾浓度实际值，实时反馈发动机的工作状态，评估发动机异常程度并进行相应控制，确保发动机在最佳工况下运行。附图说明[0023] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0024] 图1为本发明实施例提供的一种基于油雾监控的船舶发动机控制方法的流程示意图；[0025] 图2为本发明实施例提供的一种基于油雾监控的船舶发动机控制方法的结构示意图；[0026] 图3为本发明实施例提供的一种基于油雾监控的船舶发动机控制系统的结构示意图。具体实施方式[0027] 下面结合附图，对本发明中的技术方案进行描述。[0028] 在本发明实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。此外，在本发明实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。[0029] 本发明实施例中，“图像”，“图片”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。“的(of)”，“相应的（corresponding，relevant）”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。[0030] 本发明实施例中，有时候下标如W1可能会笔误为非下标的形式如W1，在不强调其区别时，其所要表达的含义是一致的。[0031] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。[0032] 参考说明书附图1，示出了本发明实施例提供的一种基于油雾监控的船舶发动机控制方法的流程示意图。[0033] 参考说明书附图2，示出了本发明实施例提供的一种基于油雾监控的船舶发动机控制方法的结构示意图。[0034] 本发明实施例提供了一种基于油雾监控的船舶发动机控制方法，该方法可由基于油雾监控的船舶发动机控制设备实现，该基于油雾监控的船舶发动机控制设备可以是终端或服务器。基于油雾监控的船舶发动机控制方法的处理流程可以包括如下的步骤：[0035] S1：构建船舶发动机燃油雾化模型。[0036] 在一种可能的实施方式中，S1具体包括：[0037] S101：计算燃油期间的Weber数：[0038][0039] 其中，We表示Weber数，Ust表示喷雾期间燃油的平均流出速率，dc表示喷嘴直径，ρf表示燃油密度，σf表示燃油表面张力。[0040] 其中，Weber数是一个无量纲数，用于流体力学中，特别是在描述液滴、气泡和液膜等流体系统中的动力行为时。它反映了流体的惯性力与表面张力之间的相对大小。[0041] S102：计算燃油粘度：[0042][0043] 其中，M表示燃油粘度，μf表示燃油动态粘度。[0044] S103：计算充入气体量：[0045][0046] 其中，Mm表示充入气体量，ηvs表示气缸填充率，ps表示入口压力，Vc表示燃烧室体积，Ts表示入口温度。[0047] S104：计算压缩终点处的气体量：[0048][0049] 其中，Mv表示气体量，γr表示气体残留率。[0050] S105：计算压缩终点处的空气密度：[0051][0052] 其中，ρa表示压缩终点处的空气密度，m表示燃油混合物的分子量。[0053] S106：计算混合物密度比：[0054][0055] 其中，p表示混合物密度比，ρa表示压缩终点处的空气密度。[0056] S107：计算油雾边界：[0057][0058] 其中，lb表示油雾边界，Ck表示喷射系数。[0059] 其中，本领域技术人员可以根据实际情况设置喷射系数Ck的大。痉⒚鞑蛔鱿薅。[0060] S108：计算油雾夹角：[0061][0062] 其中，γ 0表示喷雾夹角，arctan表示反正切函数，fc表示与喷嘴性质相关的常数。[0063] S109：计算喷射体积：[0064][0065] 其中，Vs表示喷射体积。[0066] S110：计算燃油质量流率：[0067][0068] 其中， 表示燃油质量流率。[0069] S111：计算燃油浓度理论值：[0070][0071] 其中，Cs表示燃油浓度理论值。[0072] 在本发明中，通过船舶发动机燃油雾化模型可以精确计算在发动机正常工作的理想状态下所产生的燃油浓度理论值，可以为后续确定发动机运行状态提供参考基。嵘⒍诵凶刺觳獾淖既沸。[0073] S2：获取当前船舶发动机工作参数。[0074] 具体而言，可以获取当前船舶发动机所采用的喷嘴型号、燃油型号、发动机燃烧室体积等等。[0075] S3：将当前船舶发动机工作参数代入至船舶发动机燃油雾化模型中，确定当前时刻的油雾浓度理论值。[0076] S4：通过油雾检测器，获取当前时刻的油雾浓度实际值。[0077] 其中，油雾检测器是一种用于监测空气中油雾浓度的设备。油雾检测器的原理可以基于光散射法、光透过法以及电化学传感法等。以光散热法举例来说，一个光源（通常是激光）照射到检测区域，当油雾颗粒通过光束时，会散射光线，检测器（通常是光电二极管）接收散射光，并将其转换为电信号，通过分析散射光信号的强度和模式，可以计算出油雾浓度。[0078] S5：根据当前一段时间内的油雾浓度实际值，通过三层堆叠双向长短时记忆神经网络，预测未来时刻的油雾浓度预测值。[0079] 其中，双向长短时记忆神经网络（BidirectionalLongShort?TermMemory,BiLSTM）是一种深度学习模型，用于处理和预测基于时间序列的数据。它结合了双向RNN和LSTM的优势，能够在考虑到前后文信息的同时，有效地捕捉时间序列中的长期依赖关系。[0080] 可选地，三层堆叠双向长短时记忆神经网络包括堆叠设置的第一双向长短时记忆神经网络、第二双向长短时记忆神经网络以及第三双向长短时记忆神经网络。[0081] 可选地，第一双向长短时记忆神经网络的输入用于获取当前一段时间内的油雾浓度实际值，第一双向长短时记忆神经网络的隐藏连接第二双向长短时记忆神经网络的输入，第二双向长短时记忆神经网络的隐藏连接第三双向长短时记忆神经网络的输入，第三双向长短时记忆神经网络的输出用于根据综合隐状态预测未来时刻的油雾浓度预测值。[0082] 需要说明的是，每一层双向长短时记忆神经网络都在前一层的基础上进一步提取特征。第一层的双向长短时记忆神经网络可以捕捉到时间序列数据的低级特征，如短期趋势和模式。随着数据通过多层双向长短时记忆神经网络，模型可以逐渐提取到更高级别的特征，如长期依赖关系和复杂的时间序列模式。这种逐层提取特征的方法可以增强模型对复杂时间序列数据的理解。[0083] 在一种可能的实施方式中，S5具体包括：[0084] S501：将当前一段时间内的油雾浓度实际值序列输入至第一双向长短时记忆神经网络中，沿前向进行学习，得到第一前向隐状态。[0085] 需要说明的是，初步提取时间序列中的前向依赖关系，获取基本的前向特征。这有助于捕捉时间序列中较近时刻的动态变化。[0086] 具体而言，对于某一层双向长短时记忆神经网络提取隐状态h，当双向长短时记忆神经网络沿前向进行学习时得到的隐状态h为前向隐状态，表示为 ，当双向长短时记忆神经网络沿后向进行学习时得到的隐状态h为后向隐状态，表示为 ：[0087][0088] 其中，It表示t时刻输入门的激活输出向量，Sigmoid()表示Sigmoid激活函数，WXI表示分词序列和输入门之间的权重矩阵，Xt表示t时刻输入的加权词向量，WHI表示隐藏状态和输入门之间的权重矩阵，bI表示输入门的偏置项，Ft表示t时刻忘记门的激活输出向量，WXF表示分词序列和忘记门之间的权重矩阵，WHF表示隐藏状态和忘记门之间的权重矩阵，bF表示忘记门的偏置项，Ot表示t时刻输出门的激活输出向量，WXO表示分词序列和输出门之间的权重矩阵，WHO表示隐藏状态和输出门之间的权重矩阵，bO表示输出门的偏置项，Ct表示t时刻细胞存储单元的激活输出向量， 表示t时刻细胞存储单元的候选输出向量，Ct?1表示t?1时刻细胞存储单元的激活输出向量，tanh()表示tanh激活函数，WXC表示分词序列和细胞存储单元之间的权重矩阵，WHC表示隐藏状态和细胞存储单元之间的权重矩阵，bC表示细胞存储单元的偏置项，ht表示t时刻的隐状态，ht?1表示t?1时刻的隐状态。[0089] S502：将第一前向隐状态输入至第二双向长短时记忆神经网络中，沿前向进行学习，得到第二前向隐状态。[0090] 需要说明的是，进一步处理和提取更高层次的前向特征，增强模型对复杂时间依赖关系的理解。[0091] S503：将第二前向隐状态输入至第三双向长短时记忆神经网络中，沿前向进行学习，得到第三前向隐状态。[0092] 需要说明的是，深入挖掘前向特征，确保模型充分学习时间序列中的前向信息，提高预测的准确性和稳定性。[0093] S504：将当前一段时间内的油雾浓度实际值序列输入至第一双向长短时记忆神经网络中，沿后向进行学习，得到第一后向隐状态。[0094] 需要说明的是，初步提取时间序列中的后向依赖关系，获取基本的后向特征。这有助于捕捉时间序列中较远时刻的动态变化。[0095] S505：将第一后向隐状态输入至第二双向长短时记忆神经网络中，沿后向进行学习，得到第二后向隐状态。[0096] 需要说明的是，进一步处理和提取更高层次的后向特征，增强模型对复杂时间依赖关系的理解。[0097] S506：将第二后向隐状态输入至第三双向长短时记忆神经网络中，沿后向进行学习，得到第三后向隐状态。[0098] 需要说明的是，深入挖掘后向特征，确保模型充分学习时间序列中的后向信息，提高预测的准确性和稳定性。[0099] S507：将第三前向隐状态与第三后向隐状态进行融合，得到综合隐状态。[0100] 需要说明的是，结合前向和后向的特征，获得全面的隐状态。[0101] 可选地，S507具体为：根据以下公式，将第三前向隐状态与第三后向隐状态进行融合，得到综合隐状态：[0102][0103] 其中，Ht表示综合隐状态，Sigmoid()表示Sigmoid激活函数，Wf表示前向权重矩阵，Wb表示后向权重矩阵， 表示第三前向隐状态， 表示第三后向隐状态。[0104] S508：根据综合隐状态，预测未来时刻的油雾浓度预测值。[0105] 需要说明的是，利用全面的综合隐状态进行预测，提供更准确的未来油雾浓度值，有助于提前采取措施，优化系统运行，防止潜在问题。[0106] 可选地，S508具体为：根据以下公式，预测未来时刻的油雾浓度预测值：[0107][0108] 其中，Cy表示未来时刻的油雾浓度预测值，Sigmoid()表示Sigmoid激活函数，Wh表示隐藏层与分类层之间的权重矩阵，bh表示分类层偏置项。[0109] 在本发明中，通过改进后的多层双向LSTM结构，可以更好地捕捉和理解时间序列数据中的复杂模式和长期依赖关系。逐层特征提取和信息整合可以提高模型的预测准确性和稳定性，同时充分利用前后向信息，使得模型在各种应用场景中表现更加出色。这种结构在时间序列预测任务中具有广泛的应用前景，可以为各类工业和环境监测提供强大的技术支持。[0110] 进一步地，为了实现对于油雾浓度的准确预测，需要对三层堆叠双向长短时神经网络进行训练，具体训练方式如下：[0111] 以预测准确性为目标，构架油雾浓度预测损失函数：[0112][0113] 其中，J表示油雾浓度预测损失函数，θ表示三层堆叠双向长短时神经网络的网络参数， 表示t时刻的油雾浓度预测值， 表示t时刻的油雾浓度实际值，T表示总观测时长。[0114] 以最小化油雾浓度预测损失函数为目标，通过梯度下降法，对吊环识别模型的模型参数进行优化：[0115][0116] 其中，θk+1表示第k+1次迭代时的模型参数，θk表示第k次迭代时的网络参数，ηk表示第k次迭代时的自适应学习率， 表示油雾浓度预测损失函数J对模型参数θk的梯度，β表示动量系数。[0117] 需要说明的是，动量项能够帮助模型避免陷入局部最优，通过考虑之前的更新方向来平滑优化路径。自适应学习率方法能够根据梯度的大小自动调整学习率，确保在训练初期学习率较大以加速收敛，而在接近收敛时学习率较小以细化搜索。[0118] 进一步地，自适应学习率的计算方式为：[0119][0120] 其中，ηk表示第k次迭代时的自适应学习率，η0表示初始学习率， 油雾浓度预测损失函数J对模型参数θu的梯度， μ表示防止分母为0的超参数。[0121] 在本发明中，通过计算当前梯度的累积平方和，自适应学习率能够根据训练过程中的实际情况动态调整。这意味着在训练初期，当梯度变化较大时，学习率会较高，从而加快收敛速度；在训练后期，当模型接近收敛时，学习率会降低，从而防止过大的更新步长导致的震荡和不稳定。自适应学习率不仅能提升模型的训练效率和稳定性，还能提高预测准确性，使得模型在复杂的实际应用场景中表现更加优异。[0122] S6：根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制。[0123] 在一种可能的实施方式中，S6具体包括：[0124] S601：在 且 的情况下，发出一级警报，并控制船舶发动机以第一幅度降低运行功率。[0125] 需要说明的是，在实际油雾浓度低于预设值但未来预测值高于预设值时，提前采取措施，防止油雾浓度超标。[0126] S602：在 且 的情况下，发出二级警报，并控制船舶发动机以第二幅度降低运行功率。[0127] 需要说明的是，当油雾浓度超过预设值且接近理论值时，表明情况还不算特别严重，采取中等幅度的功率降低措施，通过进一步降低功率来控制油雾浓度，避免事态恶化。[0128] S603：在 且 的情况下，发出三级警报，并控制船舶发动机停机接受检查。[0129] 需要说明的是，当油雾浓度显著超标且与理论值差距较大时，说明可能存在严重问题或异常情况，此时立即停机检修，以防止进一步的损坏或安全事故。[0130] 其中，Cr表示当前时刻的油雾浓度实际值，Cy表示未来时刻的油雾浓度预测值，Cs表示当前时刻的油雾浓度理论值，C0表示预设浓度值， 表示预设差异值。[0131] 在本发明中，不同级别的响应措施逐步增加，从小幅度降低功率到完全停机，既确保安全又尽量减少对正常运行的影响。通过三级警报系统和对应的控制措施，可以及时发现和处理油雾浓度超标问题，防止突发事故，保障船舶运行安全。[0132] 可选地，以第二幅度降低的运行功率大于以第一幅度降低的运行功率。[0133] 本发明实施例提供的技术方案带来的有益效果至少包括：[0134] 在本发明中，根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制，可以捕获油雾浓度逐渐升高的趋势变化，及时发现发动机可能发生的异常，降低发动机损坏可能性，并且结合油雾浓度理论值与油雾浓度实际值，实时反馈发动机的工作状态，评估发动机异常程度并进行相应控制，确保发动机在最佳工况下运行。[0135] 参考说明书附图3，示出了本发明提供的一种基于油雾监控的船舶发动机控制系统的结构示意图。[0136] 本发明还提供一种基于油雾监控的船舶发动机控制系统20，应用于上述的基于油雾监控的船舶发动机控制方法，包括：[0137] 处理器201；[0138] 存储器202，所述存储器202上存储有计算机可读指令，所述计算机可读指令被所述处理器201执行时，实现如方法实施例所述的基于油雾监控的船舶发动机控制方法。[0139] 本发明提供的基于油雾监控的船舶发动机控制系统20能够执行上述的基于油雾监控的船舶发动机控制方法，并实现相同或相似的技术效果，为避免重复，本发明不再赘述。[0140] 本发明实施例提供的技术方案带来的有益效果至少包括：[0141] 在本发明中，根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制，可以捕获油雾浓度逐渐升高的趋势变化，及时发现发动机可能发生的异常，降低发动机损坏可能性，并且结合油雾浓度理论值与油雾浓度实际值，实时反馈发动机的工作状态，评估发动机异常程度并进行相应控制，确保发动机在最佳工况下运行。[0142] 应理解，在本发明实施例中的处理器可以是中央处理单元（centralprocessingunit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digitalsignalprocessor，DSP）、专用集成电路（applicationspecificintegratedcircuit，ASIC）、现成可编程门阵列（fieldprogrammablegatearray，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0143] 还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read?onlymemory，ROM）、可编程只读存储器（programmableROM，PROM）、可擦除可编程只读存储器（erasablePROM，EPROM）、电可擦除可编程只读存储器（electricallyEPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（randomaccessmemory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（randomaccessmemory，RAM）可用，例如静态随机存取存储器（staticRAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronousDRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（doubledatarateSDRAM，DDRSDRAM）、增强型同步动态随机存取存储器（enhancedSDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlinkDRAM，SLDRAM）和直接内存总线随机存取存储器（directrambusRAM，DRRAM）。[0144] 上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。[0145] 应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。[0146] 本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a,b,c,a?b,a?c,b?c,或a?b?c，其中a,b,c可以是单个，也可以是多个。[0147] 应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。[0148] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0149] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0150] 在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0151] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0152] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0153] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read?onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。[0154] 本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如方法实施例所述的基于油雾监控的船舶发动机控制方法。[0155] 本发明提供的一种计算机可读存储介质可以实现上述方法实施例的基于油雾监控的船舶发动机控制方法的步骤和效果，为避免重复，本发明不再赘述。[0156] 本发明实施例提供的技术方案带来的有益效果至少包括：[0157] 在本发明中，根据当前时刻的油雾浓度理论值、油雾浓度实际值以及未来时刻的油雾浓度预测值，对船舶发动机进行控制，可以捕获油雾浓度逐渐升高的趋势变化，及时发现发动机可能发生的异常，降低发动机损坏可能性，并且结合油雾浓度理论值与油雾浓度实际值，实时反馈发动机的工作状态，评估发动机异常程度并进行相应控制，确保发动机在最佳工况下运行。[0158] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。[0159] 有以下几点需要说明：[0160] （1）本发明实施例附图只涉及到与本发明实施例涉及到的结构，其他结构可参考通常设计。[0161] （2）为了清晰起见，在用于描述本发明的实施例的附图中，或区域的厚度被放大或缩。凑庑└酵疾⒎前凑帐导实谋壤嬷。可以理解，当诸如、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时，该元件可以“直接”位于另一元件“上”或“下”或者可以存在中间元件。[0162] （3）在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。[0163] 以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，本发明的保护范围应以权利要求的保护范围为准。

专利地区：福建

专利申请日期：2024-09-12

专利公开日期：2024-11-19

专利公告号：CN118793527B