SmartShip – Digitale Zwillinge für Intelligente Schiffe & Schiffsflotten

Organisationen der Seenotrettung spielen eine wichtige Rolle in der zivilen Sicherheit. Sie sichern die Seewege, klären Seenotfälle und liefern Informationen bzgl. des Zustandes kritischer Infrastrukturen auf See. Dabei werden Einsatzszenarien und Umfang des Schiffsverkehrs zunehmend komplexer. Lösungen hierfür bieten Methoden der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML). Solche Methoden könnten Benutzern bei den zunehmend schwierigeren Schiffskonfigurationen helfen, Suchmanöver zwischen Schiffen optimieren oder mittels bildgebender Verfahren Personen und Objekte im Wasser auch bei Seegang automatisch erkennen. Aktuell fehlen hierzu aber leistungsstarke Sensoren (z. B. Kameras) und vor allem auch Sensorvernetzung. Des Weiteren werden aktuell Daten von verschiedenen Schiffen nicht untereinander abgeglichen.

In diesem Projekt sollen daher verschiedene Schiffe mit neuer Sensorik inkl. eines Kamerasystems und eingebauten IT-/KI-Systemen als Testplattform umgerüstet werden. Mittels dieser erhobenen Daten sollen Digitale Zwillinge für die Schiffe entstehen. Ein Digitaler Zwilling ist hier als ein im Lebenszyklus angereichertes Modell eines realen Systems definiert und wird zur Analyse und Prognose des Systemverhaltens verwendet. Digitale Zwillinge erlauben es in diesem Fall auch, die sehr heterogenen (Sensor-)Informationen (Navigation, Wetter, Kameras, Motor ...) zu einem einheitlichen, abgestimmten Prognosemodell zusammenzufassen. Ein Digitaler Zwilling für ein Schiff erlaubt es, z. B. Anomalien wie Probleme früh zu erkennen, indem erwartendes Verhalten (Prognose des Digitalen Zwillings) mit aktuellen Sensorinformationen verglichen wird. Es entstehen hier also Prototypen für IT-basierte Schiffe einer neuen Generation. Ein weiterer Schwerpunkt ist die Erstellung solcher Digitalen Zwillinge für Flotten von Schiffen. Hierdurch soll sowohl das Flottenverhalten optimiert werden können (z. B. für Suchmanöver oder die Einsatzplanung) als auch die Übertragbarkeit von gelernten Erkenntnissen von einem Schiff auf ein anderes Schiff untersucht werden. Zur Verifikation der Methoden werden verschiedene KI-Services wie Anomalieerkennung und Flottenoptimierung implementiert. Mittels Echtzeitdaten und intelligenter Prognosen können so auf Flottenebene Bunkerkosten reduziert, Betriebsstoffe bedarfsgerecht beschafft und die Lagerhaltung reduziert werden.


Projektlaufzeit: 01.09.2020 / 4 Jahre


Projektleitung

Prof. Dr. Oliver Niggemann
Helmut-Schmidt-Universität |
Universität der Bundeswehr Hamburg
Fakultät für Maschinenbau
Institut für Automatisierungstechnik
Tel.: +49 40 6541-2722
E-Mail: oliver.niggemann@hsu-hh.de
www.hsu-hh.de/imb

Projektbeteiligte