| dc.description.abstract | 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. | |
| dc.description.abstract | This thesis investigates the potential of digital twins for the education of engineering students through NTNU's research vessel R/V Gunnerus. As digital twins are becoming more and more relevant for increasing the knowledge of assets in operation, it is essential to evaluate the benefits of using digital twins for education purposes as well. This thesis discusses an infrastructure for a digital twin of R/V Gunnerus, how a digital twin could be a useful tool for educating marine engineering students, and exemplifying this through a case study based on signal data from the vessel. The efforts in this thesis are based on a series of previous initiatives related to a digital twin of R/V Gunnerus and is intended to further the work on the topic.
As the defining properties of a digital twin vary based on its intended purpose and area of application, it is necessary to look at the specific case of an R/V Gunnerus digital twin through the overall definition space of digital twins. In an academic setting, the desired functionality of a digital twin varies based on discipline. To be a valuable resource to as many disciplines as possible, the digital twin needs a well-defined foundation. Based on a literary review of digital twin definitions, an R/V Gunnerus digital twin infrastructure (DTI) is proposed as a fundamental building block for a digital twin. The DTI consists of three components, namely data management, modeling and simulation environment, and software and system realization. Each component enables specific functions necessary for a true digital twin, and the facilitation of these functionalities are explored concerning R/V Gunnerus. Next, a digital twin of R/V Gunnerus is considered as a pedagogical tool, and a lifecycle for digital twins is suggested to include students in all life phases of a digital twin.
As an example of how a typical digital twin application can be used in marine engineering education, a case study revolving condition-based maintenance through means of artificial neural networks (ANNs) is conducted. In the case study, a framework for anomaly detection for predictive maintenance is developed, which makes it possible for students to create, implement, and test data-driven algorithms on a selection of R/V Gunnerus systems. The framework is twofold, where the first part consists of a modeling framework made with Python for developing recurrent neural network (RNN) models. The second part consists of creating a web application for uploading and visualizing model predictions and detected anomalies in a real-time environment. The web application is made with a frontend in React through JavaScript, a backend in Flask through Python, and a database through PostgreSQL for storing vessel data. The web application is launched into development through the cloud platform Heroku. Together, the modeling part and web application form an anomaly detection framework for creating, implementing, and testing sequential ANN models, and successively applying the developed models to a practical use-case.
Both the modeling framework and the web application are tested against a simulated error that has been provoked on the exhaust signals on one of the main engines on R/V Gunnerus, where the temperatures rise above the standard operation maxima. Through the modeling framework, a simple model based on a Long Short-Term Memory (LSTM) network -- which is a type of RNN -- was created as an example to verify functionality. When testing the model through the modeling framework, the prediction model managed to detect 95.8 % of the simulated error interval. When the model was uploaded and tested on the web application, a similar performance was achieved. | |
