Stolt Tankers geht einen wichtigen Schritt im Machine Learning

Stellen Sie sich vor, Sie hätten eine umfangreiche Datenmenge zur Verfügung, in der Sie wertvolle Informationen vermuten. Wäre es nicht denkbar, auf Basis dieser Daten zukünftige Motordefekte und andere Probleme vorherzusagen? Mit genau dieser Frage wandte sich Berend Vree, Reliability & Performance Manager bei Stolt Tankers, an HSO. Das Team für Advanced Analytics & KI von HSO, geleitet von Niek Timmermans, stellte sich dieser Herausforderung. Hier beschreiben wir den gemeinsamen Weg von Berend und Niek und zu welchem Ergebnis er geführt hat.

Mit einem konkreten Anwendungsfall in Machine Learning einsteigen

Niek: „Wir sehen, dass es für viele Unternehmen schwierig ist, den Schritt von der Theorie zu einem konkreten Geschäftsfall für KI zu machen. Daten und künstliche Intelligenz können enorm dabei helfen, verborgene Werte im Unternehmen freizusetzen und bessere Entscheidungen zu treffen. Man muss jedoch den Sprung zu einer ersten Anwendung wagen. Wir unterstützen unsere Kunden bei diesem ersten Schritt.

Unser Ansatz basiert lose auf dem Business Model Canvas. Innerhalb von zwei Tagen entwickeln wir einen konkreten Anwendungsfall, indem wir drei Fragen beantworten: Was wollen Sie erreichen, was benötigen Sie dafür und welche Vorteile erwarten Sie. Für diesen Anwendungsfall bauen wir ein MVP, ein Minimum Viable Product. Wir starten klein und entwickeln ein erstes Modell, das sofort einen Mehrwert bietet. Dabei arbeiten wir agil, das heißt, wir schauen immer, was funktioniert und was nicht und passen unsere Arbeit dementsprechend an. Sobald Sie ein erstes, funktionierendes MVP haben wird es einfacher, Investitionen für die nächsten Schritte zu bekommen.“

Der Kolbenring als Schlüssel zum Erfolg

Bei Stolt brachte genau dieser flexible Ansatz Ergebnisse. Berend erklärt: „Ursprünglich wollten wir die Ausfallwahrscheinlichkeit des Hauptmotors vorhersagen. Im Laufe der Modellentwicklung stellte sich jedoch heraus, dass wir dafür nicht genügend Daten hatten. Wir gingen einen Schritt zurück und nahmen uns vor, die technischen Zustände des Motors vorherzusagen. Auch hierfür erwiesen sich die Daten als unzureichend. Letztendlich entwickelten wir ein MVP, das den Ausfall des Kolbenrings vorhersagt.“

Niek betont: „Es ist in jedem Projekt sehr wichtig, dass eine Person im Team über umfangreiches Fachwissen verfügt, um die Daten und Ergebnisse tatsächlich interpretieren zu können. So wissen wir, ob ein bestimmtes Ergebnis oder ein Faktor relevant ist oder nicht. In diesem Projekt konzentrierten wir uns auf den Kolbenring.“ Der Kolbenring ist so wichtig, weil sein Ausfall zu erheblichen Folgeschäden führt und den Kraftstoffverbrauch in die Höhe treibt. Das Modell sagt die Wahrscheinlichkeit dafür voraus, dass ein Kolbenring bei der nächsten geplanten Inspektion in schlechtem Zustand sein wird. Die Crew kann dann entscheiden, ob sie die Inspektion vorzieht, um das Teil rechtzeitig zu warten.

Beginnen Sie mit den Daten, die Sie haben

Der Start mit prädiktiven Algorithmen und KI bedeutet nicht, alle möglichen neuen IoT-Sensoren zu implementieren und immer mehr Daten zu sammeln. Berend sagt: „Wir hatten bereits erhebliche Datenmengen zur Verfügung – darunter alle Reparaturdaten der letzten fünf Jahre, Inspektionsberichte und Kraftstoffberichte. Unsere Ingenieure achten ganz genau auf diese Berichte. Das müssen sie gesetzlich auch. Die Herausforderung für uns war: Wie ziehen wir uns diese Daten ‘an Land’ und wie machen wie sie für die Analyse und das Modell nutzbar? HSO brachte das Wissen und die passenden Tools dafür mit.“

Niek fügt hinzu: „Viele Unternehmen denken, ihre Daten müssen für jegliche Nutzung komplett und perfekt sein. Das ist nicht der Fall; oft kann man mit zu 95 % genauen Daten wertvolle Vorhersagen treffen. Es ist oft eine Frage des Anfangens und Ausprobierens.“

Smartere Schiffe für die Zukunft

Berend: „Wir erwarten, dass das Modell uns auch bei der bevorstehenden Energiewende helfen wird. Was passiert, wenn wir andere Treibstoffe nutzen? Welche Auswirkungen hat das auf die Kolbenringe und Filter? Das Modell bietet uns viele Möglichkeiten, anders zu managen. Wollen wir mit der Crew eine Inspektion vorziehen, wenn ein baldiger Ausfall dessen wahrscheinlich ist? Und welche Risiken bestehen für den Motor, wenn die Crew sich entscheidet weiterzufahren – zum Beispiel, weil das Schiff in einem unsicheren Gebiet ist?“

Auch eine klare Visualisierung der Ergebnisse war für Stolt wichtig. Berend erläutert: „Wir arbeiten lieber mit Schrauben und Bolzen; Algorithmen sind uns zu abstrakt. Wir wollten klare Bilder und ein gut funktionierendes Dashboard.“

Berend sieht viele Möglichkeiten für die Digitalisierung bei Stolt. „Unsere Branche ist ziemlich konservativ, aber ich bin überzeugt, dass Daten und Automatisierung einen Unterschied machen können. Unsere Mission ist es, Schiffe intelligenter zu machen. Und das nicht so sehr mit Hilfe von mehr IoT, sondern eher durch die Nutzung von Unternehmensdaten, vorhandenen Informationen aus den Geschäftsprozessen und beispielweise Informationen aus den Werften, wo die Schiffe gebaut wurden.“

Möchten auch Sie den Schritt aus der Theorie in die Praxis gehen und wie Stolt Tankers KI und dem IoT für Ihr Unternehmen nutzen?