R/V Gunnerus Digital Twin Infrastructure

Denne rapporten undersøker potensialet for bruk av digitale tvillinger i utdannings-øyemed for ingeniørstudenter gjennom NTNUs forskningsfartøy FF Gunnerus. Samtidig som digitale tvillinger blir mer og mer relevant for å øke kunnskapen om et fartøy eller system under operasjon, bør man evaluere nytteverdien av digitale tvillinger også for utdanning. I denne oppgaven foreslås en infrastruktur for en digital tvilling av FF Gunnerus, samt hvordan en digital tvilling kan være en nyttig ressurs for utdanningen av mariningeniører. Dette eksemplifiseres i en casestudie basert på signaldata fra FF Gunnerus. Arbeidet i denne rapporten har utgangspunkt i en rekke tidligere initiativer knyttet til en digital tvilling av FF Gunnerus, og formålet er å fremme videre arbeid mot en slik tvilling. Definisjonen av en digital tvilling varierer med formål og anvendelsesområde. Derfor er det nødvendig å knytte ulike definisjoner opp mot en digital tvilling av FF Gunnerus. Fra et akademisk ståsted er ønsket funksjonalitet avhengig av disiplin. For å være en ressurs for mange ulike disipliner trenger en digital tvilling et robust fundament. Basert på en litteraturstudie rundt definisjoner og bruk av digital tvillinger foreslås en digital tvilligsinfrastruktur som byggestein for en fullverdig digital tvilling. Infrastruktur består av tre deler, nemlig databehandling, modellerings- og simuleringsmiljø, og program- og systemvare. Hver komponent legger til rette ulike funksjoner som gjennomgås i rapporten. Videre diskuteres verdien av en digital tvilling som pedagogisk verktøy, og en livssyklusmodell for digitale tvillinger foreslås for å inkludere studenter i en større del av det teknologiske handlingsrommet knyttet til digitale tvillinger. Gjennom en casestudie eksemplifiseres et typisk brukseksempel av en digital tvilling til utdanning av mariningeniører. Casestudien tar for seg tilstandsbasert vedlikehold ved hjelp av kunstige nevrale nettverk (ANNs). Gjennom casestudien utvikles et rammeverk for avviksdetektering. Rammeverket kan anvendes som et prediktivt vedlikeholdsverktøy. Gjennom rammeverket har studenter mulighet til å lage, implementere og teste data-drevne algoritmer på utvalgte systemer på FF Gunnerus. Rammeverket er todelt, hvor den ene delen omhandler et modelleringsverktøy utviklet i Python for utvikling av tilbakematede nevrale nettverksmodeller (RNNs). Den andre delen tar for seg utvikling av en webapplikasjon hvor man kan laste opp trente modeller og visualisere predikert data og detekterte avvik i et sanntidsmiljø. Webapplikasjonen er utviklet med en React frontend skrevet i JavaScript, en Flask backend skrevet i Python og et databasesystem for lagring av skipsdata gjennom PostgreSQL. Webapplikasjonen publiseres gjennom skytjenesten Heroku. Både modelleringsverktøyet og webapplikasjonen testes ved å implementere en testmodell gjennom modelleringsverktøyet. Testmodellen er en type RNN kjent som lang kortsiktig hukommelsesnettverk (LSTM). Modellen testes mot en simulert feil på to av eksosutløpene på den ene hovedmotoren. Feilen gjør at eksostemperaturen stiger over forventet maksverdi over et gitt intervall. Gjennom testing klarer modelleringsverktøyet å detektere 95,8 % av de simulerte feilene. Etter å ha lastet opp modellen til webapplikasjon oppnådde sanntidsvisualiseringen liknende prestasjon, som forventet