On application of digital twin in ship operation and performance

Shipping er en voksende industri og står for over 90% av verdenshandelen i dag. Stramme tidsskjemaer i havn og lange reiseavstander er typisk innen transportering, og derfor er effektivitet svært viktig for å opprettholde maksimal fortjeneste. En av de viktigste faktorene for å opprettholde lønnsomheten er å redusere operasjonell nedetid. For å forhindre uønskede reparasjoner og plutselig maskineristans, finnes det metoder for å forutse disse hendelsene. Tilstandsovervåking er en strategi som innebærer å overvåke tilstanden av fysiske komponenter plassert på et fartøy. Hvis uregelmessigheter i vibrasjonsdata eller temperatur oppdages, kan tilstandsbasert vedlikehold utføres på relevante komponenter før feilen skjer. Dette reduserer også vedlikeholdskostnadene og øker driftstiden. Tre forskjellige modelleringsmetoder blir ofte brukt for å forutse fremtidige feil. Datadrevet modellering bruker datasett og maskinlæringsteknologi for å utvikle en modell enten ved bruk av klassifiserings- eller regresjonsalgoritmer. Fysikkbasert modellering er en matematisk representasjon av en gjenstand som bruker typiske fysiske egenskaper for å simulere dens oppførsel. En kombinasjon av disse to tilstandsbaserte metodene kalles hybrid modellering. En modell som samler sanntidsdata for overvåking av tilstanden til en fysisk gjenstand kalles en Digital Tvilling. En Digital Tvilling er en digital representasjon av et fysisk objekt. I dag har denne teknologien har fått stadig mer oppmerksomhet innenfor flere bransjer. I denne oppgaven er det blitt utviklet en datadrevet modell for å forutsi fyringsoljeforbruk per dag for marine fartøyer, som direkte korrelerer med kraftuttaket, en relevant parameter i sammenheng med maskinens tilstand. Flere regresjonsmodeller har blitt trent basert på data fra fire av Gearbulk’s fartøyer. Data fra et femte fartøy har blitt brukt som test-data for å validere nøyaktigheten til modellen. En rangering av de ti beste algoritmene viste en lav RMSE for både trening og test datasett. Resultatene indikerte en klar sammenheng mellom drivstofforbruk per dag og prediktor parameterne. Nøyaktigheten var høyere på testdatasettet, noe som indikerer en potensiell overtilpasset modell. Dette kan imidlertid løses ved å justere datahåndteringen og treningsmetoden. Tilstandsovervåking og digitale tvillinger har økt i popularitet innen den maritime industrien, men teknologien er enda ikke feilfri. Det er viktig å forstå hvordan teknologien fungerer før den implementeres for å maksimere potensialet