On application of digital twin in ship operation and performance

Abstract

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.

Shipping is a growing industry and is today responsible for over 90% of world trade. Tight schedules while in port and long travelling distances are common aspects of transportation, and hence efficiency is very important to maintain maximum profit. One of the most important factors to maintain profitability is to reduce operational downtime. Methods for predicting these events can be developed to prevent unwanted repairs and shutdowns. Condition monitoring is a strategy which involves monitoring the condition of physical components located on e.g. a vessel. If irregularities in vibration data or temperature are discovered, condition-based maintenance can be performed on the relevant components before the failure happens. This reduces the maintenance cost as well as increases operational up-time. To predict future failures, three different modelling methods are typically used. Data-driven modelling uses datasets and machine learning technology to develop a model by either using classification or regression algorithms. Physics-based modelling is a mathematical representation of an asset which uses common physical characteristics to simulate its behaviour. An approach combining these two condition-based methods is called hybrid modelling. A model gathering real-time data for monitoring the condition of a physical asset is called a Digital Twin. A Digital Twin is a digital representation of an object. This technology is gradually getting more attention within several industries. In this thesis, a data-driven model is developed to predict fuel oil consumption per day for marine vessels, which directly correlates to the power output, a relevant parameter in the context of machinery conditions. Several regression models have been trained based on data from four of Gearbulk's vessels. Data from a fifth vessel has been used as test data to validate the accuracy of the model. A ranking of the ten best algorithms showed a low RMSE for both the training and test dataset. The results showed a clear correlation between fuel oil consumption per day and the predictor parameters. The accuracy was higher on the test dataset which indicates a potential overfitted model. This can however be solved by adjusting the data handling and training method. The use of condition monitoring systems and digital twins are increasing in popularity within the maritime industry, but the technology is not yet flawless. It is important to understand how the technology works before it is implemented to maximise its potential.