Modeling Vessel Shaft Power from Noon Reports: Data Fusion Strategies for Deep Learning under varying Data Availability

Die Weltwirtschaft bewegt sich auf dem Wasser. Ungefähr achtzig Prozent des gesamten internationalen Handels werden per Schiff transportiert, was den Seetransport zum unsichtbaren Rückgrat des modernen Lebens macht. Um diese massiven Schiffe effizient am Laufen zu halten, müssen Betreiber genau verstehen, wie viel Leistung ihre Motoren zu jedem gegebenen Zeitpunkt verbrauchen. Diese Leistung, bekannt als Wellenleistung, ist direkt mit dem Treibstoffverbrauch und den Treibhausgasen verbunden, die Schiffe ausstoßen. Je effizienter sich ein Schiff durch das Wasser bewegt, desto weniger Treibstoff verbrennt es und desto sauberer bleibt die Luft. Das Wissen über diese Leistung in Echtzeit ist jedoch schwierig. Während einige moderne Schiffe mit Hightech-Sensoren ausgestattet sind, die die Motorleistung alle fünfzehn Minuten aufzeichnen, operieren viele Schiffe ohne diese. Stattdessen verlassen sie sich auf „Noon Reports“, einen traditionellen Logbucheintrag, der einmal täglich von der Besatzung erstellt wird. Diese täglichen Notizen halten eine Momentaufnahme der Reise eines Schiffes fest, einschließlich seiner Geschwindigkeit, des Wetters und der Motorleistung, aber ihnen fehlt die feine Detailtiefe einer kontinuierlichen Überwachung. Über Jahrzehnte hinweg hat diese Datenlücke es schwierig gemacht, vorherzusagen, wie ein Schiff performen wird oder seine Route zur Treibstoffeinsparung zu optimieren, was eine erhebliche Informationslücke bei den Bemühungen hinterließ, die Schifffahrt grüner zu gestalten.

Ein Forschungsteam des Simula Research Laboratory in Norwegen hat einen neuen Weg entwickelt, um diese Lücke zu schließen. Sie fragten sich, ob es möglich ist, die spärlichen, täglichen Noon Reports kombiniert mit öffentlichen Daten über Wetter und Meeresströmungen zu nutzen, um die Motorleistung eines Schiffes genau vorherzusagen, selbst wenn hochfrequente Sensordaten fehlen. Um dies zu testen, entwickelten sie drei verschiedene Deep-Learning-Modelle, eine Art künstliche Intelligenz, die Muster aus Daten lernt. Jedes Modell wurde für eine andere Situation konzipiert: eines für Schiffe mit sehr wenig historischen Daten, eines für Schiffe, die über einige Monate an Protokollen verfügen, und eines für Schiffe mit jahrelangen Aufzeichnungen. Die Forscher testeten diese Modelle an zwei sehr unterschiedlichen Gruppen von Schiffen: acht großen Massengutfrachtern und sieben Öltankern. Sie fanden heraus, dass sie durch die Verschmelzung der täglichen Crew-Protokolle mit externen Informationen über Wind, Wellen und Strömungen die Genauigkeit der Leistungsprognosen signifikant verbessern konnten. Vor allem entdeckten sie, dass die beste Methode vollständig davon abhängt, wie viele Daten für ein spezifisches Schiff verfügbar sind, und nicht davon, wie ähnlich dieses Schiff anderen ist.

Die Kernherausforderung liegt in der Natur der Daten. Die Noon Reports liefern einen Tagesdurchschnitt, aber der Ozean verändert sich ständig. Ein Schiff könnte am Morgen einen Sturm erleben und am Nachmittag ruhige See, doch das Logbuch zeichnet nur eine Zahl für den gesamten Tag auf. Die Forscher erkannten, dass sie die fehlenden Details des Tages rekonstruieren mussten, um die Wellenleistung genau vorherzusagen. Dies taten sie, indem sie den täglichen Bericht nahmen und ihn „upsamplten“, also die Lücken mit Daten aus öffentlichen Quellen wie Satelliten-Wetterkarten und Monitoren für Meeresströmungen füllten. Dies erzeugte ein viel reichhaltigeres Bild der Reise des Schiffes und verwandelte effektiv eine einzige tägliche Notiz in eine detaillierte Zeitlinie von Ereignissen. Es funktionierte jedoch nicht gut, dieses neue Datenmaterial einfach in ein Standard-Computermodell einzuspeisen, da dem Modell immer noch die wahren, minutengenauen Leistungswerte zum Lernen fehlten. Die Forscher mussten neue Wege finden, um die Modelle unter Verwendung der täglichen Zusammenfassungen zu trainen.

Ihr erster Ansatz, der für Schiffe mit sehr wenig Daten konzipiert war, nutzte eine Technik namens Transfer Learning. Stellen Sie sich einen Schüler vor, der ein Thema bereits im Detail gelernt hat und dann versucht, einem neuen Schüler zu helfen, der nur wenige Notizen besitzt. Die Forscher nahmen ein Modell, das auf den hochwertigen Sensordaten eines Schiffes trainiert worden war, und nutzten es als Ausgangspunkt für ein anderes Schiff, das nur über tägliche Protokolle verfügte. Indem sie die frühen Schichten des Modells, die die allgemeine Physik verstanden, „eingefroren“ und nur die letzte Schicht mit den begrenzten Protokollen des neuen Schiffes neu trainierten, konnten sie Wissen effektiv übertragen. Diese Methode erwies sich als die robusteste für Schiffe mit fast keiner Historie und ermöglichte es ihnen, zuverlässige Vorhersagen mit nur einem Monat an Daten zu treffen. Sie funktionierte gut genug, um die Übertragbarkeit zwischen den spezifischen Flotten der Massengutfrachter und Öltanker zu demonstrieren, obwohl die Studie anmerkte, dass dies anhand eines einzelnen Quellschiffes bewertet wurde und die Verallgemeinerung auf andere Schiffskategorien nicht untersucht wurde.

Für Schiffe mit einer moderaten Menge an Daten, speziell zwischen zwei und vier Monaten an Protokollen, fanden die Forscher eine andere Strategie als am besten geeignet heraus. Dieser Ansatz behandelte das tägliche Protokoll wie ein Puzzle. Das Modell wurde gebeten, zwei Dinge gleichzeitig zu tun: die Motorleistung vorherzusagen und zu versuchen, die fehlenden hochfrequenten Details des Tages basierend auf dem Tagesdurchschnitt zu rekonstruieren. Indem das Modell gezwungen wurde, die zugrunde liegenden Muster des Tages zu verstehen, um die Rekonstruktionsaufgabe zu lösen, lernte es eine bessere Repräsentation des Verhaltens des Schiffes. Diese Methode, die die Forscher als „reconstruction-guided learning“ bezeichneten, bot einen stabilen Mittelweg. Sie war zuverlässiger als die Transfer-Learning-Methode für Schiffe mit dieser spezifischen Menge an Historie und bot ein Gleichgewicht zwischen Leistung und Stabilität, ohne ein „Schwesterschiff“ zum Lernen zu benötigen.

Wenn Schiffe über eine lange Historie von Protokollen verfügten, die sechs Monate oder mehr umfasste, wurde ein dritter Ansatz zum klaren Gewinner. Diese Methode, bekannt als „aggregate loss supervision“, änderte die Art und Weise, wie das Modell lernte. Anstatt zu versuchen, die Leistung für jeden einzelnen Moment des Tages vorherzusagen, wurde das Modell darauf trainiert, sicherzustellen, dass der Durchschnitt seiner Vorhersagen für den Tag mit dem tatsächlichen täglichen Protokolleintrag übereinstimmt. Dies ermöglichte es dem Modell, die allgemeinen Trends und Muster des Schiffsbetriebs zu lernen, ohne durch das Rauschen fehlender Datenpunkte verwirrt zu werden. Mit ausreichend historischen Daten produzierte diese Methode die genauesten Vorhersagen aller Ansätze und übertraf die anderen beiden Methoden. Sie demonstrierte, dass das Modell mit genügend historischen Daten in der Lage war, das Verhalten des Schiffes so gut zu generalisieren, dass es die Leistung mit hoher Frequenz vorhersagen konnte, was die Detailtiefe der teuren Sensordaten erreichte, obwohl es nur mit den täglichen Protokollen trainiert wurde.

Eine überraschende Erkenntnis ergab sich, als die Forscher untersuchten, wie man die richtige Methode für ein neues Schiff auswählt. Sie hatten erwartet, dass die physische Ähnlichkeit zwischen Schiffen – wie Größe, Motortyp oder Geschwindigkeit – der entscheidende Faktor sein würde. Sie erstellten einen komplexen Index, um zu messen, wie ähnlich sich zwei Schiffe sind, in der Hoffnung, diesen zur Auswahl des besten Modells nutzen zu können. Die Daten zeigten jedoch keinen signifikanten Zusammenhang zwischen dieser Ähnlichkeit und dem Erfolg des Modells. Stattdessen war der zuverlässigste Prädiktor für den Erfolg schlichtweg, wie gut die eigenen täglichen Protokolle des Schiffes bereits in der Lage waren, seine Leistung vorherzusagen, bevor eine fortgeschrittene Modellierung angewendet wurde. Wenn die eigenen Protokolle bereits einigermaßen vorhersagbar waren, funktionierte die Transfer-Learning-Methode am besten. Wenn die Protokolle chaotisch waren, wurden die anderen Methoden benötigt. Dies deutet darauf hin, dass Betreiber nicht nach einem „Schwesterschiff“ suchen müssen, um ein gutes Modell zu erhalten; sie müssen lediglich die Qualität der Daten bewerten, die ihr eigenes Schiff bereits produziert.

Die Studie befasste sich auch mit der praktischen Frage, wie viel Daten benötigt werden, um zu beginnen. Für die Transfer-Learning-Methode fanden die Forscher heraus, dass ein Schiff zuverlässige Vorhersagen mit nur einem Monat an Daten erreichen kann, sofern es auf der Historie eines ähnlichen Schiffes trainiert wird. Für die Rekonstruktionsmethode waren etwa vier Monate an Daten erforderlich, um einen stabilen Zustand zu erreichen. Die Aggregate-Loss-Methode, obwohl die genaueste, benötigte mindestens sechs Monate an Daten, um zu einer zuverlässigen Lösung zu konvergieren. Diese Schwellenwerte bieten Unternehmen der Schifffahrt einen klaren Fahrplan: Wenn ein Schiff ganz neu ist, verwenden Sie den Transfer-Learning-Ansatz; wenn es über einige Monate an Protokollen verfügt, nutzen Sie die Rekonstruktionsmethode; und wenn es über ein Jahr an Protokollen verfügt, wechseln Sie zur Aggregate-Loss-Methode für die höchste Genauigkeit.

Am Ende zeigt die Forschung, dass die Einschränkungen durch spärliche, tägliche Daten durch die Verschmelzung mit den richtigen externen Informationen und der richtigen Lernstrategie überwunden werden können. Die Studie widerlegte die Vorstellung, dass ein einziges Modell für jedes Schiff funktionieren könne oder dass die physische Ähnlichkeit der entscheidende Faktor sei. Stattdessen zeigte sie, dass die Menge der verfügbaren historischen Daten die kritischste Variable ist. Indem man den Modellierungsansatz an die Verfügbarkeit der Daten anpasst, ist es möglich, einfache tägliche Protokolle in ein leistungsstarkes Werkzeug zur Überwachung der Schiffsleistung zu verwandeln. Diese Fähigkeit ermöglicht es Betreibern, Routen zu optimieren und den Treibstoffverbrauch zu senken, ohne auf jedem Schiff teure Sensoren installieren zu müssen. Die Ergebnisse bieten einen praktischen Weg für die maritime Industrie, die Effizienz zu steigern und den ökologischen Fußabdruck zu verringern, und beweisen, dass selbst die ältesten Datenquellen mit modernen Techniken revitalisiert werden können.