基于YOLOv4的客車轉向架部件漏油故障圖像檢測

李海霞 徐彥恒

摘? 要：作為車體主要部件的鐵路客車轉向架是列車運行安全保障的關鍵部件，目前主要依靠客車故障軌旁圖像檢測系統檢測出轉向架故障并分類定位，但存在一定漏檢和誤檢，檢測準確率無法保證?；诖?，針對客車轉向架常見的關鍵部件漏油現象，展開漏油區域視覺圖像缺陷檢測研究，提出一種改進的YOLOv4目標檢測算法，使用k-means++聚類方法獲得更匹配關鍵部位漏油區域目標的候選框參數，更準確地識別和定位漏油區域目標。在網絡中將部分標準卷積替換為可變形卷積，提高目標檢測的準確性。

關鍵詞：客車轉向架；深度學習；故障檢測；YOLOv4；檢測精度

中圖分類號：U279.3+23? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）08-0049-05

Abstract： As a main component of the carbody， the railway passenger car bogie plays a crucial role in ensuring the safety of train operations. Currently， the detection of bogie faults relies mainly on the trackside image monitoring system， which detects and classifies bogie faults. However， this system suffers from certain shortcomings， including missed detections and false alarms， leading to a lack of accuracy in fault detection. In response to this， this research focuses on the visual image detection of common oil leakage issues in key components of passenger car bogies. An improved YOLOv4 object detection algorithm was proposed， utilizing the k-means++ clustering method to obtain candidate box parameters that better match the oil leakage areas in key components. This approach aims to achieve more accurate identification and localization of oil leakage areas. In the network， part of the standard convolution is replaced by deformable convolution to improve the accuracy of target detection.

Keywords： passenger car bogie; deep learning; fault detection; YOLOv4; detection accuracy

鐵路運輸在現代社會交通運輸系統中起著至關重要的作用。其中，鐵路客車轉向架[1]作為車體主要部件，是列車運行安全保障的關鍵部件，對其進行故障檢測十分重要。隨著客車速度不斷提升，易受到磨損、硬物撞擊，加上零部件多樣化極易出現各類故障，任何細微故障都可能導致重大事故發生。開發一套智能客車故障檢測系統實現精準、高效的列車故障檢測具有重要意義。目前，我國對于普速客車動態檢測主要依靠客車故障軌旁圖像檢測系統（TVDS）[2]，該系統可在客車關鍵部位的圖像中檢測出轉向架故障并分類定位，但檢測準確度較低，存在一定漏檢和誤檢，高精度的實時檢測有一定困難。

近年來，基于深度學習的客車關鍵部位目標檢測技術得到不斷發展，能自動檢測和標注客車關鍵部位圖像中故障的位置和類型，預判可能存在的故障，減少事故發生。因此，采用深度學習方法提升客車可視部位故障檢測的精度和速度具有實際意義?；谏疃葘W習的目標檢測方法主要分為兩大類，一類是基于回歸的目標檢測算法，如YOLO系列[3]、SSD等[4]；另一類是基于候選區域的檢測算法，如R-CNN[5]、Fast R-CNN[6]、Faster R-CNN[7]等?；谏疃葘W習的檢測方法在鐵路故障、缺陷檢測中已得到了應用。如Liu等[8]針對列車運行接觸網緊固件松動、缺失缺陷，提出了通過YOLO算法實現緊固件定位，并通過深度卷積神經網絡DCNN實現緊固件故障識別。Yao等[9]利用密集卷積網絡，并結合遷移學習實現車輛底部異物檢測。張江勇[10]融合Inception網絡和深度殘差網絡設計出新的基礎網絡，在動車可視部位圖像中檢測出故障并分類定位。杜家豪等[11]提出一種基于聯邦學習（Federated learning）的轉向架全局故障診斷方法，解決了單一線路高速列車（HST）轉向架缺少足量故障數據特征而導致故障診斷模型泛化能力有限的問題。趙江平等[12]針對小尺度螺栓檢測方面存在的問題，提出改進Faster R-CNN檢測的客車關鍵部件圖像缺陷檢測算法，解決缺陷目標定位不準確的問題。李利榮等[13]針對列車底部零件難以檢測的問題，提出了一種基于OSE-dResnet網絡的列車底部零件檢測算法。

雖然上述檢測算法在檢測列車各類故障問題上有了一定研究，但在列車關鍵部位常見漏油區域檢測的問題上研究較少。本文根據轉向架可視部位區域常出現的油壓減震器漏油等車輛常見故障作為研究目標，主要針對漏油部位的形式不同，漏油范圍形狀差異大等問題，提出一種改進的YOLOv4客車可視部位漏油故障檢測方法，相較于原YOLO算法，提高了檢測精度。

1? 客車轉向架故障圖像檢測

在基于深度學習的列車部件漏油故障檢測中，存在圖像背景較為復雜、不同尺度漏油區域檢測等挑戰。為了解決相關問題，并進一步提高檢測精度，本文研究了一種基于改進的YOLOv4的列車關鍵部件漏油故障目標檢測構架。首先介紹了目標檢測模型（CSPDarknet53）的主干框架，核心模塊Cross-Stage Partial Layer （CSPLayer）包含一個大卷積核，使檢測網絡能夠更全面精確地捕獲信息。為了應對適應列車部件漏油尺度幾何變化加入了可變形卷積，使得檢測網絡檢測精度進一步提高。

1.1? YOLOv4目標檢測算法

YOLOv4[14]是近些年來頗受歡迎的一種高效、強大的目標檢測算法，網絡結構如圖1所示。該算法框架包括輸入部分、CSPDarknet53主干網絡、PANet特征增強模塊和檢測頭（Dense Prediction）4個部分。

1.1.1? 輸入數據增強

算法數據增強采用Mosaic方式，隨機拼接4張訓練圖像。這樣增加了小目標數據集，提高了網絡的魯棒性。同時，也顯著減少了對Mini-batch的需求。采用自對抗訓練SAT在原樣本上加入一些輕微的擾動，從而表現出更好的泛化性能。

1.1.2? 主干網絡Backbone

主干特征提取網絡采用CSPDarknet53[15]，是在YOLOv3的Darknet53網絡結構的基礎上引入了CSP模塊結構。主干特征提取網絡CSPDarknet53經過CBM模塊、CSP1模塊、CSP2模塊和CSP8模塊獲得第一層特征，后經CSP8模塊獲得第二層特征，再經CSP4模塊獲得第三層特征，最后進入目標檢測模塊（圖1）。其中，CBM模塊由卷積層、批歸一化層BN和Mish激活函數構成。CSP模塊由CBM模塊和殘差模塊Res構成。CSP模塊先將特征映射分為2個分支，再將這2個分支進行concat融合，這樣在輕量化網絡、降低內存成本的同時，可保持主干網絡提取特征信息的準確性。

1.1.3? 特征增強模塊Neck

模塊Neck由空間金字塔池化SPP結構、特征金字塔網絡FPN、路徑聚合網絡PANet構成。SPP對特征層使用3種大小的卷積核進行最大池化操作，在不降低網絡運行速度的同時增加了感受野。PANnet從特征網絡提取低、中、高不同特征圖，再引入自底向上的路徑，傳達定位特征，更好地融合不同層網絡的特征信息，從而進一步提高特征提取的能力。

1.1.4? 檢測頭Head

YOLO Head的目的是利用得到的特征進行預測。首先由主干網絡部分提取特征信息，然后由Neck部分進行特征的語義表示，最后通過CBL模塊和卷積運算得到19×19、38×38、76×76尺度的預測特征圖，分別用于大、中、小物體預測。YOLOv4通過引入縮放因子，解決了當預測特征圖中真實物體質心非常接近網格邊界時，預測坐標難以預測真實坐標的問題。在邊界框位置計算損失時用CIoU代替了MSE，作為Bounding box的損失函數，公式如下

LCIoU=1-IoU++α·v ，? ?（1）

式中：IoU為預測框和真實框之間的交并比；ρ2（.）為歐氏距離；Actr、Bctr分別為預測框和真實框的中心點坐標；c為2個框最小包圍框的對角線長度；α·v為長寬比的懲罰項系數，α為一個正數，v用來衡量長寬比一致性的參數，具體定義如下

v=（arctan-arctan）2，? ? （2）

α=?， （3）

式中：wgt和hgt為真實框的寬和高；w和h為預測框的寬和高。

1.2? 模型優化

1.2.1? 先驗框設計

YOLOv4使用錨框機制，生成目標檢測的先驗框。原始算法的檢測對象為人物等通用類型，錨框（anchor）尺寸并不適用于本文檢測目標任務。通過對實驗數據集分析，漏油區域的尺度主要集中在30～190像素之間。為了涵蓋漏油區域的不同尺寸，提高檢測精度，使用K-means++聚類對訓練集中的漏油標注區域進行分析。實驗確定了9組anchor，（32，31），（28，81），（43，66），（64，57），（68，176），（97，131），（143，143），（140，294），（209，297），平均分配到3個預測尺度的特征圖。經過K-means++聚類優化后生成的anchor更適合數據漏油區域尺寸，生成質量更高的正樣本，提高模型的檢測準確率。

1.2.2? 可變形卷積

本次檢測任務的漏油區域的尺寸和形態多樣，可在模型預測網絡中適當引入可變形卷積[16]（Deformable Convolution Networks，DCN）。為了在保證算法速度幾乎不變的情況下，僅在CSPDarknet53網絡中CSP4的3×3標準卷積替換為可變形卷積?？勺冃尉矸e是通過附加的卷積層，從特征圖進行學習，在規則網格R上增加一個偏移量。{？駐pn|n=1，2，…N}，N∈|R|，偏移是通的。因此，變形以局部、密集、自適應的方式以輸入特征為條件。使卷積核的形態更貼近漏油區域形狀。傳統卷積和可變形卷積過程如公式（4）、（5）所示

y（p0）=w（pn）x（p0+pn） ， （4）

y（p0）=w（pn）x（p0+pn+？駐pn） ， （5）

式中：p0為輸出的特征圖上的每個位置；w（pn）為采樣點的權重；pn為R所列位置的枚舉值。

可變形卷積隨著關鍵部件漏油區域形態變化來自動地改變采樣點位置，增強定位能力，改變感受野范圍。如圖2所示。

2? 實驗結果及分析

本文實驗環境平臺為Intel（R）Core（TM）i7 9700 CPU，64 GB內存，64位Windows10操作系統；訓練使用GPU為RTX-1080Ti（32 GB），深度學習框架為Pytorch1.7.0，Python版本為3.7。

2.1? 數據集制作

本文實驗數據來自于現場TVDS采集圖像，采集范圍主要包括：鐵路客車車體底部可視部件（車體底部及轉向架制動裝置、輪對、車鉤裝置）、側部可視部件（側部裙板、轉向架及軸箱、搖枕及彈簧、油壓減震器和車端連接部等可視部位）。數據集的制作流程包括圖像裁剪、圖像標注和增強。首先，采集到列車可視部位原始圖像分辨率為1 024×1 028像素，由于計算資源限制，采用圖像分割處理為算法608×608像素。其次，采用LabelImg軟件標注制作VOC格式數據集。最后，送入檢測網絡進行Mosaic數據增強，增加數據樣本多樣性。本次實驗共采集列車可視部位含有漏油故障圖像2 825張，經過軟件標注，生成VOC數據集格式。在YOLOv4的Mosaic數據增強下，每批導入4張圖片，進行隨機翻轉、縮放等增強拼接組合成新的圖片。

2.2? 評價方法

YOLOv4目標檢測精度指標有準確率（Precision， P），召回率（Recall， R），計算見式（6）—式（9）。轉向架可視部件按照是否漏油分為有漏油故障（正樣本）和無漏油故障（負樣本）圖像，屬于二分類目標。因此，TP（True Positive）為正樣本，即檢測到的漏油故障標識為漏油故障樣本，否則是錯誤的正樣本FP（False Positive）。FN（False Negative）是把檢測到的漏油故障標識為無故障樣本。

P=，（6）

R=。（7）

平均準確率（Average Precision， AP）為P-R曲線下方的面積，計算如式（8）所示。平均準確率均值（mean Average Precision， mAP）是所有類別的平均準確率的均值，計算如式（9）所示

AP=P（R）dR，（8）

mPA=APi，（9）

式中：N為類別數量。

2.3? 結果分析

為了進行充分的對比實驗，分別對YOLO模型、計算新錨盒后的YOLO模型YOLOv4-1、本文提出的dcn-YOLOv4模型進行訓練。設置實驗訓練Epoch為100，初始學習率為0.001，Batchsize為4，衰減系數為0.000 5，動量為0.9。對測試集的圖像進行目標檢測，得到檢測的平均精度與檢測速度，實驗結果見表1。

從表1中可以看出，使用聚類獲得新的錨框，有更高的交并比，因此比起YOLOv4原算法mPA小幅提升。加入可變形卷積的dcn-YOLOv4比原始YOLOv4算法檢測速度有所下降，但是仍然能達到實時效果。檢測精度提高了2.14個百分點，表明添加的可變形卷積模塊可對客車部件不同形狀和尺寸的漏油區域進行特征的有效提取。

從實驗結果可以看出dcn-YOLOv4 模型在犧牲了較小檢測速度的情況下，有效提升了模型的檢測精度，滿足了客車轉向架關鍵部位漏油故障的檢測要求。

測試數據集的檢測效果，如圖3所示。從圖3中可以看出，dcn-YOLOv4模型能較好地識別出油壓減震器等關鍵部位的漏油位置。

3? 結束語

本文基于YOLOv4目標檢測框架，開展客車轉向架關鍵部件圖像故障檢測的研究。使用k-means++聚類方法獲得更匹配關鍵部位漏油區域目標的候選框參數，更準確地識別和定位漏油區域目標。在CSPDarknet53網絡中將部分標準卷積替換為可變形卷積，提高了目標檢測的準確性。根據現場TVDS采集圖像數據集上的實驗結果表明，該模型相比原YOLO算法，目標檢測表現出更好的性能。在接下來的工作中，還需保證在不降低模型計算速度的前提下，更好地提高本方法的檢測效果。

參考文獻：

[1] 吳昀璞，金煒東，黃穎坤.基于多域融合CNN的高速列車轉向架故障檢測[J].系統仿真學報，2018，30（11）：4492-4497.

[2] 肖齊.鐵路客車故障軌旁圖像監測系統（TVDS）統型機設計及運用[J].鐵道機車車輛，2018，38（1）：43-45.

[3] JOSEPH R，SANTOSH K D，ROSS B. Girshick，AliFarhadi. You only look once： unified， real-time object detection[C]//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2016：779-788．

[4] JIA S， DIAO C， ZHANG G， et al. Object Detection Based on the Improved Single Shot MultiBox Detector[J].Journal of Physics： Conference Series， 2019， 1187：042041..

[5] ROSS B，GIRSHICK，JEFF D，et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Ｒecognition，2014：580-587．

[6] ROSS G. Fast R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision，2015：1440-1448．

[7] REN S Q，HE K，GIRSHICK R，et al.Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE transactions on pattern analysis and machine intelligence. 2017，39（6）：1137-1149.

[8] LIU Z，ZHONG J， YANG L， et al. Location and fault detection of catenary support components based on deep learning[C]//IEEE2018 International Instrumentation and Measurement Technology Conference，2018：1-6.

[9] YAO Z， HE D， CHEN Y， et al. Inspection of Exterior Substance on High-Speed Train Bottom Based on Improved Deep Learning Method[J]. Measurement， 2020（163）：108013.

[10] 張江勇.基于深度學習的動車關鍵部位故障圖像檢測[D].成都：電子科技大學，2019.

[11] 杜家豪，秦娜，賈鑫明，等.基于聯邦學習的多線路高速列車轉向架故障診斷[J].西南交通大學學報，2024，59（1）：185-192.

[12] 趙江平，徐恒，黨悅悅.基于改進Faster R-CNN的鐵路客車螺栓檢測研究[J].中國安全科學學報，2021，31（7）：82-89.

[13] 李利榮，王子炎，張開，等.基于OSE-dResnet網絡的列車底部零件檢測算法[J].計算機工程與科學，2022，44（4）：692-698.

[14] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal Speed and Accuracy of Object Detection [C]//IEEE conference on Computer Vision and Pattern Recognition，2020： 2004.10934.

[15] WANG C Y， LIAO H Y M， WU Y H， et al.CSPNet： A New Backbone that can Enhance Learning Capability of CNN[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.IEEE， 2020.

[16] DAI J，QI H，XIONG Y，et al. Deformable convolutional networks[C]//Proceedings of the IEEE international conference on computer vision，2017：764-773.

海洋石油勘探開發中，固定式導管架平臺是目前最為經濟且技術最為成熟的平臺之一，導管架平臺開發的難點在于大型導管架的安裝，此類導管架下水的方式通常采用滑移下水。在這一過程中，搖臂作為重要的受力結構，承擔著為導管架提供支撐力和保護導管架主體結構的重要作用，是保證下水成功的關鍵。搖臂在導管架下水過程中隨水平角度的變化而發生翻轉運動。然而，由于搖臂通常重量較大，導致搖臂復位成為一個挑戰性任務，需要綜合考慮安全、穩定和效率等因素。這種導管架滑移下水后搖臂的復位問題，不僅對駁船自身的強度提出了更高的要求，也對搖臂復位技術提出了更為精確和嚴格的要求。那么該類搖臂使用什么方法復位，如何更高效，更安全復位，就成為了工程實際中急需解決的問題。

1? 背景介紹

導管架滑移下水是海洋石油勘探開發中常用的下水方式之一，它具有成本低、操作簡單、適用范圍廣等優點。然而，滑移下水的過程中，導管架及其附屬結構所承受的力學性能要求極高，其安全性和穩定性是下水成功的重要保障。搖臂作為導管架的一個重要受力結構，承擔著支撐導管架和保證下水成功的關鍵作用。

在現有的搖臂復位方法中，常規的方法需要大量人力和物力，操作風險高；而自動化復位方法雖然可以提高效率，但需要高成本的設備支持，對于很多企業而言難以承擔，而且自動復位方案還有搖臂與導管架主體結構碰撞的風險[1]。本研究以駁船海洋石油229為例，針對搖臂復位問題，通過復位方案和工具的優化設計，并通過實際操作驗證復位效果，旨在提供一種可靠有效的解決方案，為滑移下水過程中搖臂復位帶來創新思路和方法。

新設計搖臂復位專用門字框導向結構。系固纜系固于搖臂首部吊軸，由麻繩固定在搖臂上，待導管架下水后，系固纜另一端通過八字扣連接過橋纜，過橋纜上端通過鉤頭纜由浮吊船起吊，起吊力通過門字框發生變向，從而完成搖臂復位。

2? 方案介紹

2.1? 復位方案所需結構與物料

方案中主要構成要件如圖1所示。

海洋石油229：運輸駁船，負責導管架的運輸，滑移下水等工作。其參數見表1。

海洋石油201：負責提供復位力。其參數見表2。

搖臂：在導管架滑移下水時能夠隨導管架水平角度的變化而翻轉，從而分散導管架局部應力，減小壓強，保護導管架主體結構[2]。

門字框：改變復位力方向，作用相當于定滑輪。

系固纜：？椎80×28 m高強纜，一端系固于搖臂首部吊柱，沿搖臂預布，用麻繩固定，另一端固定于甲板。待導管架滑移下水后，與過橋纜用“八字扣”連接。

過橋纜：？椎80×20 m高強纜，連接系固纜與鉤頭纜。

鉤頭纜：？椎80×10 m高強纜，上端直接連接鉤頭，下端通過150 t卡環連接過橋纜。

2.2? 復位方案

在本方案中，系固纜從門字框中通過，門字框起到萬向滑輪的作用。頂部滑動滾軸套在門字框上，以減小纜繩與門字框之間的摩擦。此外，為了避免卡環無法通過門字框的問題，系固纜和過橋纜采用了“八字扣”連接方式。綜合HYSY229船艉處甲板面布置，基于DP動力定位浮吊船進行的搖臂復位作業的特點，考慮復位過程中搖臂受力分析，復位門字框設計結構形式如圖2所示。門字框布置在駁船滑道的兩端，整體布置如圖3所示。

搖臂復位詳細過程如下。

1）隨著導管架完成滑移下水，搖臂傾斜到最大角度85°，此時系固纜經由八字扣形式連接到過橋纜，過橋纜上端用卡環連接鉤頭纜，鉤頭纜上部連接到提升鉤頭。如圖4所示。

在工程實際中因為卡環體積過大難以通過門字框，因此，使用八字扣連接（圖5）系固纜和過橋纜，簡化施工過程，且有效地減少了摩擦力。

2）提升鉤頭力，扯斷系固纜固定麻繩，使八字扣通過門字框。如圖6所示。

3）繼續提升鉤頭力，浮吊提供的復位力逐漸將搖臂復位，在這個過程中回復力為搖臂浮力和纜繩拉力，傾斜力為搖臂結構重力和搖臂內水重力，圖7所示時刻為搖臂與水線面夾角45°。

隨著搖臂角度逐漸回復，鉤頭施加的回復力與搖臂接近垂直，拉力力矩達到最大值，浮力逐漸減小。搖臂的傾斜力包括搖臂重力和壓載水重力力距也在逐漸減小。圖8所示為搖臂與水平面角度為30°。

角度減小到30°以下，重心位置回落到駁船一側，重力變為回復力，浮力完全消失，傾斜力為搖臂水重力。繼續提升鉤頭高度，載荷逐漸減小，直至搖臂水平，此時搖臂復位完成。如圖9所示。

2.3? 關鍵節點計算

為了分析搖臂的受力狀態，本研究選取85°、45°、30°和0° 4個關鍵節點作為樣本，計算搖臂上的各個作用力，包括搖臂自身重力、進水艙內水的重力、搖臂浸水部分的浮力、浮吊提供的復位力，以及轉軸處駁船提供的支持力。其中搖臂的重心X=FR0+1 967 mm；Y=0；Z=13 434 mm，其總重量為716 724 kg。搖臂重心位置如圖10所示。

搖臂各部分構件的重量重心見表3。

以搖臂處于45°時的狀態為例，搖臂受力分析如圖11所示。

根據力矩平衡原理，浮吊的提升力P=（G1×L1+G2×L2-G3×L3）/L，具體受力計算見表4。

浮吊所能提供的最大拉力為800 t，遠高于所需的浮吊提升力，符合工程要求。

為了確保門字框足夠強度以承受負荷，本文使用ANSYS進行有限元分析，進行強度校核[3]。將250 t的負荷施加到框架平面偏轉18°的方向上，結果顯示極限強度因子UC為0.90，強度滿足工程要求[4]。

2.4? 優勢分析

相比于原方案[5]，采用絞車+滑輪組拉動搖臂進行復位的方法，通過液壓絞車拖動滑輪組，帶動纜繩，作用力于系固纜柱。本研究提出的新方案采用了更加簡潔有效的復位方案和更少量的作業工具，剔除絞車滑輪組進行的拖拉作業，避免因復位纜剮蹭搖臂而使復位方案失效，避免了因兩側絞車操作誤差而受力不均，從而大大縮短了作業時長，降低了作業耗費的資源和成本，用時消除原方案存在的隱患。同時，新方案的工具設計更加合理，避免了復位纜繩與搖臂固定筋板干涉的問題，提高了復位效果和安全性。綜合來看，新方案具有操作簡便、耗費資源少、成本低廉等優點，為搖臂復位問題的解決提供了更加可靠和有效的方案和工具。

3? 結論

本研究以海洋石油229為例，以陸豐12-3項目為依托，對搖臂復位方法進行了優化設計，并通過實際操作驗證了此方案的可行性。結果表明，本文提出的優化復位方案和工具可以有效地解決搖臂復位過程中的問題，與原方案對比具有高效率、低成本、低風險的特點，并且具有較高的安全性和可操作性[6]。此外，本研究對海洋石油勘探開發領域中的搖臂復位現存問題進行了深入探討和分析，并提出了可靠的解決方案和創新思路。這些成果不僅為搖臂復位問題的解決提供了一種新的思路和方法，同時也為滑移下水過程中的安全穩定運行提供了一定的參考和借鑒價值。

綜上所述，本研究對于海洋石油勘探開發領域中的搖臂復位問題的解決具有一定的實際應用和推廣價值，為日后同類的搖臂復位作業提供了寶貴的經驗和思路。

參考文獻：

[1] 劉玲.導管架下水后駁船搖臂運動與自動復位研究[D].天津：天津大學，2009.

[2] 樊之夏.深水導管架安裝研究[J].中國海洋平臺，2003（2）：29-31.

[3] 梁學先，張永國，何敏，等.MOSES軟件在大型導管架海上安裝分析中的應用[J].中國造船，2012，53（S2）：362-371.

[4] 環境條件和環境荷載規范：SY/T 10050—2004[S].

[5] 邵亮亮，魏佳廣，劉濤，等.牽引系統輔助工程駁船搖臂復位研究[J].石油工程建設，2018，44（1）：27-29，35.

[6] 侯金林，于春潔，沈曉鵬.深水導管架結構設計與安裝技術研究——以荔灣3-1氣田中心平臺導管架為例[J].中國海上油氣，2013，25（6）：93-97，127.