船舶燃油粘度监控与预热器状态分析系统 —— 基于OOP的工业数据实战
"燃油粘度的偏差，写在预热器的出口温度里；而工程师的责任，是在它突破红线之前读懂这条曲线。"
—— 哈尔滨工程大学《工业过程控制》课程核心思想
一、实际应用场景描述
在远洋航运、内河航运、港口工程机械等领域，船用柴油机是动力核心。它不像陆用电厂有稳定的电网，而是靠自己"消化"船上携带的燃油——而燃油的粘度，直接决定燃烧质量、主机寿命和燃油经济性。
典型的船用燃油处理流程：
重油舱(IFO380) 柴油舱(MDO)
│ │
▼ │
┌─────────┐ │
│ 燃油泵 │ │
└────┬─────┘ │
▼ │
┌─────────────────┐ │
│ 预热器(蒸汽加热) │←蒸汽│
│ 目标: 粘度12cSt │ │
│ @50℃测量 │ │
└────┬────────────┘ │
▼ │
┌─────────────────┐ │
│ 粘度计(在线) │ │
│ 反馈→PID→调节阀 │ │
└────┬────────────┘ │
▼ ▼
┌──────────────────────────┐
│ 主机(6S50MC-C) │
│ 转速 ~95 rpm │
│ 功率 ~9.5 MW │
└──────────────────────────┘
哈尔滨工程大学《工业过程控制》课程（彭秀艳教授主讲，国家级一流本科课程）在第三章"过程参数检测仪表及变送器"中系统讲解了粘度检测及变送原理——旋转法、毛细管法、振动法等；在第六章"单回路控制系统设计"中阐述了粘度-温度串级控制的设计方法。课程明确指出：
"船用重油的粘度控制是典型的'大滞后+强耦合'对象。粘度计的测量延迟、预热器的热惯性、燃油批次间的物性差异，三者叠加，使这个看似简单的控制回路成为机舱最易出问题的环节之一。"
二、引入痛点
2.1 现场的真实困境
燃油粘度问题的可怕之处在于——它不会立刻让主机停车，但会慢慢地、持续地侵蚀燃烧效率，等发现时已经烧掉了几吨"无效油"。
场景 现场发生了什么 根因
月度燃油报告 "这个月油耗比标准多了12吨" 粘度偏高→雾化不良→燃烧不完全
主机故障 "为啥敲缸越来越频繁？" 粘度偏低→雾化过细→火焰短→局部高温
航次复盘 "这趟黑烟投诉比上次多" 粘度失控时段没记录、没统计
船级社检验 "请提供燃油处理系统合规记录" 没有结构化的粘度合规报告
备件决策 "预热器该不该拆洗？" 缺乏K值衰减趋势数据
2.2 核心矛盾
粘度计每秒都在测量，预热器温度每小时都在记录，但"粘度超出12±2 cSt区间的总时长"从未被系统计算过。
机舱报警系统能在粘度>18 cSt时响铃，但不自动统计"本月粘度在14~18 cSt之间累积了多少分钟"——而这个区间恰恰是燃烧已经开始恶化、但还没到报警的"灰色地带"。
2.3 我们要解决什么
用一段 Python 程序，读取燃油处理系统历史 CSV 数据，自动完成：
1. 逐点判断粘度是否超出安全区间（10~14 cSt）
2. 合并连续超标时段为可追溯的事件（cumsum 技巧）
3. 评估预热器工作状态（过热/预热不足/蒸汽不足/过载）
4. 按日聚合统计合规率
5. 推断每次事件的可能原因（结垢/蒸汽压力/温控阀）
6. 给出综合健康评级（优/良/中/差）
7. 输出 Excel + CSV + 5 张图表
三、核心逻辑讲解
3.1 理论依据：从粘度到燃烧
本工具全部计算基于哈工程《工业过程控制》第三章"粘度检测" + 第六章"粘度-温度串级控制" + 船级社规范：
① 粘度-温度关系（简化模型）
\mu(T) \approx \mu_0 \cdot e^{\frac{E_a}{R}\left(\frac{1}{T} - \frac{1}{T_0}\right)}
粘度随温度下降呈指数上升。重油从128℃降到95℃，粘度可能从12 cSt飙升到25 cSt——这就是为什么预热器出口温度如此关键。
② 安全区间判定（五级）
级别 粘度范围 燃烧状态 操作员动作
正常 10~14 cSt 雾化均匀、完全燃烧 无需动作
预警(高) 14~15 cSt 开始变粗、黑烟微增 提前干预窗口
超标(高) >15 cSt 雾化颗粒大、燃烧不完全 立即检查预热器/蒸汽
预警(低) 9~10 cSt 开始过细、火焰变短 检查温控阀
超标(低) <9 cSt 穿透力差、敲缸风险 检查温控系统
③ 预热器状态判定矩阵
Q = K \cdot A \cdot \Delta T_{lm}
现象 出口温度 蒸汽压力 负荷率 最可能原因
预热不足 低 正常 正常 结垢（K值下降）
预热不足 低 低 正常 锅炉出力不足/管路漏
过热 高 正常 正常 温控阀卡开/PID失调
过载 正常 正常 >90% 燃油流量超设计
3.2 判定逻辑流
逐点粘度 ──→ 五级状态判定
│
┌────────┼────────┐
↓ ↓ ↓
偏低/预警 正常 偏高/预警
(低温) (高温)
│ │ │
└────────┼────────┘
↓
cumsum 合并连续段 → 异常事件
↓
推断可能原因（结垢/蒸汽/温控）
↓
预热器四维评估（负荷/温度/蒸汽/综合）
↓
按日聚合 → 合规率 → 综合评级
3.3 综合评级逻辑
粘度合规率 ──→ 评级: ≥95%优, ≥85%良, ≥70%中, 其他差
│
┌─────────────────┤
↓
取两者较差的 ──→ 综合评级
3.4 软件实现思路
CSV 日志 ──→ 数据加载 / 编码探测
│
↓
┌── 粘度状态标记 ──┐
│ · 五级判定 │
│ · 偏差百分比 │
│ · is_violation │
└────────┬───────────┘
↓
┌── 预热器评估 ──┐
│ · 负荷状态 │
│ · 出口温度状态 │
│ · 蒸汽压力状态 │
│ · 综合(取最差) │
└────────┬─────────┘
↓
┌── 事件提取 ──┐
│ · cumsum 合并 │
│ · 粘度偏高/偏低 │
│ · 预热器四类异常 │
│ · 原因推断 │
└────────┬────────┘
↓
┌── 日统计 ──┐
│ · 合规率 │
│ · 偏高/偏低时长 │
│ · 预热器正常% │
│ · 评级 │
└────────┬────────┘
↓
┌── 报表生成 ──┐
│ Excel(4Sheet) │
│ CSV × 3 │
│ 图表 × 5 │
└─────────────────┘
四、代码模块化讲解（面向对象设计）
4.1 类结构总览
本项目严格采用面向对象编程（OOP），共设计 6 个核心类 + 3 个数据类：
类名 职责 设计模式
"AppConfig"（聚合根） 聚合所有子配置 聚合根模式
"ShipConfig" /
"ViscosityConfig" /
"PreheaterConfig" 各域参数（dataclass） 值对象
"AlarmConfig" /
"AnalysisConfig" /
"OutputConfig" /
"DataConfig" 报警/分析/输出/数据参数 值对象
"ViscosityDataLoader" CSV加载、编码探测、质量评估、插值修复 封装
"ViscosityAnalyzer" ★ 核心分析引擎（模板方法） 模板方法
"ViscosityEvent" /
"PreheaterEvent" /
"DailySummary" 不可变结果对象 值对象模式
"ReportGenerator" 多格式报表输出 模板方法
4.2 配置层：强类型 + 内聚判定逻辑
# config_loader.py 核心片段
@dataclass
class ViscosityConfig:
"""燃油粘度参数 + 五级状态判定策略"""
target_cst: float = 12.0
min_cst: float = 10.0
max_cst: float = 14.0
warning_margin_cst: float = 1.0
S_NORMAL = "正常"
S_WARNING_HIGH = "偏高(预警)"
S_HIGH = "粘度偏高(超标)"
def assess(self, viscosity_cst: Optional[float]) -> str:
"""根据粘度值返回五级状态 —— 判定逻辑内聚在此"""
if viscosity_cst is None or viscosity_cst != viscosity_cst: # NaN
return "无效"
if viscosity_cst > self.max_cst:
return self.S_HIGH
elif viscosity_cst > self.max_cst - self.warning_margin_cst:
return self.S_WARNING_HIGH
elif viscosity_cst < self.min_cst:
believe self.S_LOW
# ... 完整五级判定
亮点：粘度判定逻辑内聚在配置对象内部，外部只需
"visc_cfg.assess(value)"，不需要知道阈值数字。修改阈值不需改分析器代码——单一职责原则。
4.3 数据加载层：编码自动探测
# data_loader.py 核心片段
@staticmethod
def detect_encoding(filepath: str) -> str:
"""依次尝试常见编码，返回首个能成功读取的"""
candidates = ["utf-8-sig", "utf-8", "gbk", "gb2312", "latin1"]
for enc in candidates:
try:
with open(filepath, "r", encoding=enc) as f:
f.read(2048)
return enc
except (UnicodeDecodeError, OSError):
continue
return "utf-8-sig" # 兜底
亮点：船舶监控系统可能来自不同厂商（瓦锡兰、曼恩、中船重工……），导出 CSV 编码各异。自动探测避免手动切换。
4.4 核心算法①：粘度状态标记
# core_analyzer.py 核心片段
class ViscosityAnalyzer:
"""燃油粘度 + 预热器状态分析引擎（模板方法模式）"""
def mark_viscosity_status(self, df: pd.DataFrame) -> pd.DataFrame:
"""逐点标记粘度状态 —— 委托给 ViscosityConfig"""
out = df.copy()
v = out["viscosity_cst"]
# 委托给配置的判定方法（策略模式）
out["visc_status"] = v.apply(
lambda x: self.visc.assess(x) if pd.notna(x) else self.S_INVALID
)
# 偏差百分比
out["visc_dev_pct"] = v.apply(
lambda x: self.visc.deviation_pct(x) if pd.notna(x) else 0.0
)
# 是否超标（用于事件合并）
out["is_violation"] = out["visc_status"].isin(
[self.visc.S_HIGH, self.visc.S_LOW]
)
return out
关键设计：分析器不直接写判定逻辑，而是委托给
"ViscosityConfig.assess()"。换燃油品种（如从 IFO380 换到 MDO），只需改配置，分析器零修改。
4.5 核心算法②：预热器四维评估
def assess_preheater(self, df: pd.DataFrame) -> pd.DataFrame:
"""评估预热器工作状态（多维度）"""
out = df.copy()
# 维度1：负荷率
out["preh_load_status"] = out["preheater_load_pct"].apply(
lambda x: self.preh.assess_load(x) if pd.notna(x) else "无效"
)
# 维度2：出口温度
out["preh_temp_status"] = out["fuel_temp_out_c"].apply(
lambda x: self.preh.assess_outlet_temp(x) if pd.notna(x) else "无效"
)
# 维度3：蒸汽压力
out["steam_status"] = out["steam_pressure_mpa"].apply(
lambda x: self.preh.assess_steam(x) if pd.notna(x) else "无效"
)
# 综合：取最差的（保守原则）
def _combine(row):
statuses = [row.get("preh_load_status",""),
row.get("preh_temp_status",""),
row.get("steam_status","")]
if "过热" in statuses: return "过热"
if "预热不足" in statuses: return "预热不足"
if "蒸汽不足" in statuses: return "蒸汽不足"
if "过载" in statuses: return "过载"
return "正常"
out["preheater_status"] = out.apply(_combine, axis=1)
return out
关键设计：三维评估取最差的——只要任一维度异常，整体就标记为异常。这是工业安全的"保守原则"。
4.6 核心算法③：事件提取（cumsum 连续分段）
def extract_viscosity_events(self, df: pd.DataFrame) -> List[ViscosityEvent]:
"""将连续超标点合并为事件 —— cumsum 技巧"""
if "is_violation" not in df.columns:
return []
# ★ 用 Boolean Series（与 df 对齐，避免索引错位）
flag_series = df["is_violation"].fillna(False).astype(bool)
if not flag_series.any():
return []
# ★ 核心一行：连续 True 段共享同一 group_id
group_id = (~flag_series).cumsum()
min_pts = max(2, int(np.ceil(self.analysis.min_violation_duration_min / self.dt_min)))
events = []
sub = df.loc[flag_series]
for gid, grp in sub.groupby(group_id.loc[flag_series]):
n_pts = len(grp)
if n_pts < min_pts:
continue # 过滤瞬时波动
dur = n_pts * self.dt_min
visc_vals = grp["viscosity_cst"].dropna()
# 严重度
if dur >= 60 or visc_vals.max() > self.visc.max_cst * 1.3:
sev = "严重"
elif dur >= 20:
sev = "中度"
else:
sev = "轻度"
# 原因推断
cause = self._infer_visc_cause(grp, ev_type)
events.append(ViscosityEvent(
start_time=grp.index.min(),
end_time=grp.index.max(),
duration_min=round(dur, 1),
event_type=ev_type,
severity=sev,
peak_viscosity_cst=round(visc_vals.max(), 1),
avg_viscosity_cst=round(visc_vals.mean(), 1),
possible_cause=cause,
))
return events
关键设计：用
"Boolean Series" 而非
".values" 做索引，保证与
"group_id" 对齐——这是 pandas 处理"连续区间"问题的标准 idiom。
4.7 原因推断引擎
def _infer_visc_cause(self, grp: pd.DataFrame, ev_type: str) -> str:
"""根据关联数据推断可能原因"""
causes = []
if "preheater_load_pct" in grp.columns:
if grp["preheater_load_pct"].mean() < 20:
causes.append("预热器负荷过低→加热不足")
if "steam_pressure_mpa" in grp.columns:
if grp["steam_pressure_mpa"].mean() < self.alarm.steam_pressure_low_mpa:
causes.append("蒸汽压力不足")
if "fuel_temp_out_c" in grp.columns:
if grp["fuel_temp_out_c"].mean() < self.preh.min_effective_temp_c:
causes.append(f"预热出口温度偏低")
if not causes:
causes.append("燃油批次粘度高/预热器结垢/温控PID失调")
return "; ".join(causes)
亮点：不是简单标记"异常"，而是结合多源数据推断根因——这是从"监控"到"诊断"的关键一步。
4.8 实际运行输出
============================================================
船舶燃油粘度监控与预热器状态分析系统 v1.0.0
基于哈尔滨工程大学《工业过程控制》课程理论
============================================================
📋 配置摘要:
船舶: 某远洋散货船 - 主机燃油系统 | 主机: MAN B&W 6S50MC-C
燃油: IFO380 (中间燃料油) | 额定功率: 9500 kW
粘度目标: 12.0 cSt | 区间: [10.0, 14.0] cSt
预热器: 蒸汽加热管式预热器 | 额定: 120.0 kW
┌──────────────────────────────────────────────┐
│ 数据质量评估 │
├──────────────────────────────────────────────┤
│ viscosity_cst 缺失= 0.1% 范围=[ 8.6, 19.0] 均值=12.2 │
│ fuel_temp_out_c 缺失= 0.1% 范围=[ 87.9, 156.5] 均值=127.7│
│ steam_pressure_mpa 缺失= 0.1% 范围=[ 0.2, 0.9] 均值=0.7 │
│ preheater_load_pct 缺失= 0.0% 范围=[ 36.1, 99.4] 均值=56.0 │
└──────────────────────────────────────────────┘
[标记] 偏高=488点 偏低=66点 预警=1428点
┌──────────────────────────────────────────────┐
│ 综合摘要 │
├──────────────────────────────────────────────┤
│ 粘度合规率: 97.4% │
│ 平均粘度: 12.2 cSt │
│ 最大粘度: 19.0 cSt │
│ 预热器有效: 97.6% │
│ 粘度评级: 优 │
│ 预热器评级: 优 │
│ 综合评级: 优 │
│ 粘度事件/严重: 11 / 2 │
│ 预热器事件/严重: 7 / 2 │
└──────────────────────────────────────────────┘
粘度异常事件共 11 个:
#4 03-04 15:00 → 17:59 (180min, 粘度偏高, 严重, 峰值=17.0cSt)
#11 03-10 23:10 → 02:59 (230min, 粘度偏高, 严重, 峰值=19.0cSt)
预热器异常事件共 7 个:
#3 03-04 17:40 → 17:59 (20min, 蒸汽不足, 中度)
#4 03-07 12:03 → 12:29 (27min, 过热, 中度)
#5 03-10 22:00 → 02:59 (300min, 蒸汽不足, 严重) 🚨
#6 03-13 06:00 → 07:32 (93min, 过载, 严重)
📋 工程建议
💡 1. 粘度严重超标 2 次 → 检查预热器结垢/蒸汽压力/PID参数
💡 2. 预热器严重异常 2 次 → 立即安排检修/清垢
✅ 分析完成！耗时: 3.1s
关键成果：
- 注入 4 类异常事件全部被检测到（粘度偏高/偏低/蒸汽不足/过热）
- 粘度严重事件 #11：持续 230 分钟，峰值 19.0 cSt（超标 35%）→ 自动推断"蒸汽压力不足"
- 预热器严重事件 #5：持续 5 小时，蒸汽压力 0.25 MPa → 准确标记为"蒸汽不足"
- 综合评级"优"——虽然合规率 97.4%，但两次严重事件触发了工程建议
五、README 与使用说明
5.1 项目结构
fuel_viscosity_monitor/
├── config.yaml # 配置文件（船舶/粘度/预热器/报警）
├── config_loader.py # 配置加载（dataclass 聚合根）
├── generate_sample_data.py # 模拟数据生成（含 4 类异常事件）
├── data_loader.py # 数据加载与质量评估
├── core_analyzer.py # ★ 核心分析引擎（OOP 模板方法）
├── report_generator.py # 报表生成（Excel/CSV/图表）
├── main.py # 主程序入口（流程编排）
├── requirements.txt # Python 依赖
├── README.md # 本说明
├── data/ # 输入 CSV（自动创建）
└── output/ # 输出报表（自动创建）
├── *.xlsx # 4 个 Sheet 的 Excel 报告
├── *.csv # 事件/日统计 CSV
└── charts/ # 5 张 PNG 图表
5.2 三步上手
# 第1步：安装依赖
pip install -r requirements.txt
# 第2步：生成模拟数据（或用你的真实 CSV 替换）
python generate_sample_data.py
# 第3步：一键运行
python main.py
5.3 使用你自己的数据
将船舶燃油监控系统导出的历史数据整理为 CSV：
timestamp,viscosity_cst,fuel_temp_in_c,fuel_temp_out_c,steam_pressure_mpa,preheater_load_pct,engine_rpm,fuel_flow_kg_h
2025-03-01 00:00:00,12.1,95.2,128.3,0.68,55.1,95.0,1820
2025-03-01 00:01:00,12.0,95.0,128.5,0.69,54.8,95.2,1815
放入
"data/fuel_viscosity_log.csv"，编辑
"config.yaml" 中的参数匹配你的船舶与主机，再运行
"python main.py" 即可。
支持中文列名——只需在
"config.yaml" 中修改映射：
data:
column_mapping:
timestamp: "采集时间"
viscosity_cst: "燃油粘度"
fuel_temp_out_c: "预热出口温度"
steam_pressure_mpa: "蒸汽压力"
5.4 配置文件说明
ship:
name: "某远洋散货船 - 主机燃油系统"
engine_type: "MAN B&W 6S50MC-C"
fuel_type: "IFO380 (中间燃料油)"
rated_power_kw: 9500.0
viscosity:
target_cst: 12.0 # 目标粘度（主机厂商推荐）
min_cst: 10.0 # 安全下限
max_cst: 14.0 # 安全上限
warning_margin_cst: 1.0 # 预警带宽度
measurement_temp_c: 50.0 # 粘度计标定温度
sampling_interval_sec: 60
preheater:
type: "蒸汽加热管式预热器"
rated_capacity_kw: 120.0
design_outlet_temp_c: 125.0
min_effective_temp_c: 80.0
max_safe_temp_c: 150.0
heat_transfer_area_m2: 8.5
steam_pressure_mpa: 0.7
analysis:
min_violation_duration_min: 5 # 最短异常时长（过滤瞬时波动）
interpolate_gaps: true
max_interp_gap_min: 10
5.5 输出文件说明
文件 内容
"output/fuel_viscosity_report_*.xlsx" Sheet1 总体概览(KPI+建议) / Sheet2 粘度异常事件(11条,含着色) / Sheet3 预热器异常事件(7条) / Sheet4 日统计(15行,含着色)
"output/*_visc_events.csv" 粘度事件明细（类型/时长/峰值/原因）
"output/*_preheater_events.csv" 预热器事件明细
"output/*_daily.csv" 每日统计（合规率/负荷/温度/评级）
"output/charts/01_viscosity_trend.png" 粘度趋势 + 安全区间 + 目标线
"output/charts/02_preheater.png" 预热器出口温度 + 负荷率双联图
"output/charts/03_daily_heatmap.png" 每日合规率热力图
"output/charts/04_dashboard.png" 综合仪表盘（合规率/评级/事件/建议）
"output/charts/05_event_timeline.png" 异常事件时长对比图
5.6 命令行参数
python main.py --config my_config.yaml # 使用自定义配置
python main.py --gen-data # 强制重新生成模拟数据
python main.py --no-charts # 跳过图表（加快速度）
python main.py --verbose # 详细调试日志
六、核心知识点卡片
📌 卡片1：燃油粘度对燃烧的影响
粘度状态 雾化效果 燃烧质量 后果
过低 (<10 cSt) 雾化过细 → 穿透力差 火焰短/局部高温 敲缸/NOx↑/活塞过热
正常 (10~14 cSt) 雾化颗粒均匀 完全燃烧 ✅ 最佳
过高 (>14 cSt) 雾化颗粒粗大 燃烧不完全 冒黑烟/积碳/效率↓
📖 参考：《工业过程控制》§3.2 "粘度检测及变送"；船级社《船舶柴油机使用重油指南》
📌 卡片2：预热器的传热原理
Q = K \cdot A \cdot \Delta T_{lm}
符号 含义 典型值（管式预热器）
K 总传热系数 200~400 W/(m²·K)
A 传热面积 5~15 m²
ΔT_lm 对数平均温差 20~60 K
蒸汽侧 饱和蒸汽 @ 0.7 MPa ≈165℃
关键洞察：蒸汽压力从 0.7 MPa 降到 0.4 MPa，饱和温度从 165℃ 降到 144℃——ΔT_lm 减小 21℃，预热器出口温度可能直接跌破 100℃→ 粘度飙升。
📌 卡片3：粘度-温度串级控制
┌──────────┐
粘度计 ──→│ 主调节器 │──→ 温度设定值 ──→┌──────────┐
(PV) │ (外环) │ │ 副调节器 │──→ 蒸汽调节阀
└──────────┘ │ (内环) │
▲ └──────────┘
│ 粘度设定值 ▲
│ │
操作员设定 │
│
预热器出口温度
(快速响应内环)
📖 参考：《工业过程控制》§7.2 "串级控制系统"——外环慢（粘度计有延迟），内环快（温度响应秒级）。
📌 卡片4：cumsum 连续分段（万能 idiom）
# 问题：把 [F,T,T,F,T,F,T,T,T] 分成 [[T,T],[T],[T,T,T]] ?
flags = pd.Series([F,T,T,F,T,F,T,T,T])
# ★ 用 Boolean Series 保证与 DataFrame 对齐
group_id = (~flags).cumsum()
sub = df.loc[flags]
for gid, grp in sub.groupby(group_id[flags]):
# gid 相同的行 = 连续 True 段
💡 踩坑经验：用
".values" 取 numpy 数组后，再和 DataFrame 做 groupby 容易索引错位。正确做法是保持 Boolean Series，用
"df.loc[flags]" 切片。
📌 卡片5：预热器故障诊断矩阵
现象 出口温度 蒸汽压力 负荷率 最可能原因 处置建议
预热不足 低 正常 正常 结垢（K↓） 化学清洗/机械清垢
预热不足 低 低 正常 锅炉出力不足 检查锅炉/减压阀
过热 高 正常 正常 温控阀卡开 检修温控阀/PID
过载 正常 正常 >90% 燃油流量超设计 降负荷/换大预热器
低负荷 正常 正常 <30% 主机降速/待机 无需处置
七、总结
7.1 本工具做了什么
步骤 内容 对应课程章节
① 数据加载 CSV读取、编码自动探测、时间索引化 §3.1 测量误差与仪表指标
② 质量评估 缺失率/超量程/插值修复 §3.1 测量误差
③ 粘度标记 五级状态判定（正常/预警/超标） §3.2 粘度检测及变送
④ 偏差计算 (实测-目标)/目标 × 100% §6 单回路控制系统设计
⑤ 预热器评估 负荷/温度/蒸汽 三维诊断 §6.3 串级控制
⑥ 事件提取 cumsum 合并 + 原因推断 数字信号处理
⑦ 日统计 合规率/偏高时长/预热器正常% 船级社规范要求
⑧ 综合评级 粘度∩预热器 → 取较差 船舶能效管理
⑨ 报表输出 Excel(4Sheet)+CSV×3+图表×5 —
7.2 OOP 设计回顾
设计决策 好处 体现的原则
"ViscosityConfig.assess()" 内聚判定逻辑 换燃油品种不改分析器 单一职责
"PreheaterConfig" 三维评估各自独立 可单独测试/扩展 单一职责
"ViscosityAnalyzer" 模板方法编排流程 新增分析步骤不改调用方 模板方法模式
"ViscosityEvent" /
"DailySummary" 不可变 安全传递结果 值对象模式
"AppConfig" 聚合根统一管理 外部只需持有一个对象 聚合根模式
"ReportGenerator" 支持 xlsx/CSV/图表 新增格式不改流程 模板方法模式
Boolean Series 对齐技巧 避免 cumsum 索引错位 bug 防御性编程
7.3 适用与不适用
✅ 适用 ❌ 不适用
有粘度/温度/压力历史 CSV 的船舶 实时报警（需 OPC UA / Modbus 直连）
月度/航次燃油品质报告 燃油硫含量分析（需专用仪器）
预热器结垢趋势追踪 润滑油粘度（需扩展传感器）
船级社合规审计数据 主机爆压分析（需高频采集）
多船对标（船队管理） 瞬态启动过程分析（需毫秒级数据）
7.4 下一步可以做什么
- 接实时数据：用
"pymodbus" 读取粘度计 Modbus RTU，变成在线监控看板
- 油品批次追溯：关联 BDN（燃油交付单），对比不同批次的粘度稳定性
- 结垢预测：对 K 值做线性回归，预测预热器清洗时间
- 多船对标：扩展为船队燃油管理看板，找出"最费油"的船
- 碳强度指标（CII）：结合油耗数据，计算单位 CO₂ 排放，对接碳交易
- 数字孪生：用机理模型（粘度-温度-流量耦合）生成"理想曲线"作为基准
免责声明：本工具仅用于历史数据的后分析与报表生成，不可替代机舱监测报警系统（CMS）的实时保护功能。粘度安全区间应依据主机厂商手册和船级社规范（如 DNV、CCS、ABS）调整，默认参数仅供参考。
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！
