Akustiske sensorer til prædiktiv vedligeholdelse til søs

Udfordring

Prædiktiv vedligeholdelse har et enormt potentiale for at reducere omkostninger til vedligeholdelse og nedetid til søs. Maersk bad Flowtale om at hjælpe med at mindske motorslid ved at identificere hændelser med utilstrækkelig smøring i hovedmotorens cylindre og optimere forbruget af smøremiddel.

Løsning

Med akustiske sensordata fra hovedmotorens cylindre kunne Flowtale opdage slid, forudsige scuffing og afgøre, om smøreniveauet var korrekt — med et konvolutionelt neuralt netværk, der klassificerer smørecyklusser med utilstrækkelig smøring.

• Struktur fra ende til ende. Højfrekvente sensorer monteret på cylindrene, infrastruktur til dataopsamling etableret og en CNN-RNN-model bygget på spektrale lydfeatures.
• Afprøvet under barske forhold. Sensorerne fungerer pålideligt i det maskintunge miljø på et skib i drift og leverer klare, ensartede data gennem en robust pipeline.
• Vellykket AI-modellering. De indsamlede data blev omsat til AI-egnede features, og netværket forudsiger smørehændelser med meget høj nøjagtighed.

Resultater

• Sensorerne er afprøvet i maskinrummet
• Pålidelig pipeline til store datamængder
• Imponerende nøjagtighed i at skelne lav fra normal/høj smøring