Copyright Marinminds BV © 2020

De 5 beste AI-applicaties om boordsystemen te monitoren (en onderhoud te voorspellen)

De maritieme industrie is in beweging: systemen aan boord van schepen genereren gigabytes aan data, data wordt realtime getoond op een scherm of wordt verwerkt, opgeslagen en vervolgens geanalyseerd ten behoeve van het monitoren van de staat van het schip of het opsporen van de oorzaak van een storing. In dit artikel bespreken we hoe kunstmatige intelligentie zorgt voor een betere, snellere en efficiëntere analyse van de immense hoeveelheid data en engineers de helpende hand biedt bij monitoring en fout-analyse.


Lees hier: Waarom we onderhoud aan boord willen voorspellen



Onder kunstmatige intelligentie, "Artificial Intelligence" of "AI" verstaan we technieken als "neurale netwerken, "data mining", "big data analyse" en "machine learning". We passen deze technieken toe in onderstaande applicaties om systemen aan boord van schepen te monitoren, te analyseren en vervolgens onderhoud te kunnen voorspellen.



Contextuele data

Door AI-toepassingen context te bieden en hen te voorzien van gerelateerde informatie bovenop de data van sensoren weten we meer over de situatie waarin het systeem zich bevindt. Neem als voorbeeld meetwaardes van luchttemperatuur en luchtvochtigheid: als de meetwaardes aan boord significant afwijken van de weersvoorspellingen en zelfs nooit gemeten zijn op de locatie waarin het schip zich bevindt, dan kan een storing worden afgeleid.


Met contextuele connecties tussen datapunten maken we dus betere beslissingen, versnellen en optimaliseren we beslissingsprocessen en identificeren we de best voorspellende elementen in data.



Signaal classificatie en Voorspelling van reeksen

Kerncomponenten van elk soort intelligent systeem zijn signaal classificatie en het voorspellen van tijdreeksen.


Een diagnostisch systeem is altijd uitgerust met een aantal sensoren, die de toestand van het systeem bewaken; een juiste classificering van de sensorsignalen is nodig voor de goede beoordeling van de status van het systeem.


Vervolgens is het maken van een voorspelling en de beoordeling van mogelijke toekomstige toestanden essentieel voor de keuze van de best passende, volgende actie.


Detecteren van afwijkingen: "Anomaly detection"

Een van de standaardtoepassingen van Machine Learning en patroonherkenning is de geautomatiseerde detectie van afwijkingen, incidenten en storingen. Met Machine Learning is het mogelijk om normale, verwachte observaties te trainen in een wiskundig model. Nieuwe data die niet aan deze verwachtingen voldoet en die verschilt van alle eerdere trainingsdata, wordt vervolgens gedetecteerd.


Mocht nieuwe data ongewenst als abnormaal worden geclassificeerd, dan wordt deze data eenvoudigweg in het model getraind. Op deze wijze kan de detectie op een adaptieve manier worden geïmplementeerd.


Virtuele Sensoren

Virtuele sensoren zijn gemaakt voor het meten van waarden die erg moeilijk, zeer duur of zelfs onmogelijk kunnen worden gemeten door conventionele fysieke sensoren. Voor dit doel worden wiskundige modellen en software functies gebruikt om de gewenste waarden uit eenvoudige en goedkoop beschikbare sensorsignalen te berekenen.


Voor een efficiënte en geautomatiseerde identificatie van de beste basis sensoren worden "data mining" methodes toegepast. Om virtuele sensoren te ontwikkelen en te kalibreren worden "machine learning" technieken ingezet omdat ze de gewenste functionaliteit eenvoudig en efficiënt kunnen trainen.


Met behulp van virtuele sensoren wordt onderhoud uitgevoerd afhankelijk van reële belastingen en operationele omstandigheden.