Fredrik Ahlgren.
Linnéuniversitetet

Stora fördelar med maskininlärning

Genom datainsamling från ett fartygs energisystem kan bränsleförbrukningen effektiviseras, menar Fredrik Ahlgren, som har forskat i ämnet.

Relaterade artiklar

I ett pressmeddelande från Lighthouse gör han klart att det varken handlar om ruttplanering eller att köra fartyget långsammare för att spara bränsle och minska utsläpp. 

– Jag har i stället tittat på fartyget som energisystem och hur det kan effektiviseras, säger Fredrik Ahlgren, som i sitt avhandlingsarbete bland annat har gjort en omfattande analys av hela energisystemet ombord på kryssningsfartyget Birka, som går mellan Stockholm och Åland.

Ta vara på energi

Genom att samla in data från fartygets energisystem kan bränsleförbrukningen effektiviseras med hjälp av maskininlärning. Det handlar till exempel om att ta vara på all energi, bland annat värmen i motorns avgaser, som kan göras om till elektricitet. Något som enligt forskaren skulle kunna minska utsläppen med upp till fem procent.

– Vi samlade in motordata: temperaturer, tryck och avgaser och satte in det i en teoretisk modell av ett ORC-system (Organic Rankine Cycle) som används för att göra el av spillvärme. På så sätt fick vi reda på hur man skulle kunna dimensionera en sådan anläggning i verklig drift. Och det blev inte alls som man trodde innan eftersom hon som kryssningsfartyg låg och körde långt ifrån designpunkt. Nu kunde vi optimera anläggningen efter det driftscenariot.

Maskininlärning

I dagens fartyg, även i de lite äldre, finns väldigt mycket data från huvudmaskinerier och hjälpmaskiner för el sparade ombord i lokala databaser, enligt forskaren. 

– Datan används för att göra veckorapporter, titta på trender, se om service behöver göras på motorn, men den skulle kunna användas till så mycket mer. Det gäller att lära sig att ta hand om den, säger han.

Under arbetet med avhandlingen fick han en idé om hur man skulle kunna använda maskininlärning för att kunna uppskatta ett fartygs bränsleförbrukning.

– Jag plockade summan av bränsleförbrukningen för varje dygn under en längre tid och kopplade ihop den med annan högupplöst data som temperaturer och varvtal. På så vis kan man skapa virtuella bränslemätare och säga vad varje motor drar för ögonblicket. Du kan alltså visa bränsleförbrukningen i realtid på bryggan utan att ha bränslemätare installerade, alternativt visa varje individuell motors förbrukning endast från en gemensam massflödesmätare. Jag jämförde med en massflödesmätare och lyckades visa att det fungerar.

Hundratals intressenter

Fredrik Ahlgrens avhandling visar också att maskininlärning sannolikt är billigare än att till exempel installera fler massflödesmätare. Kunskapen om hur energisystemet fungerar kan, enligt forskaren, vara värdefull att ha innan stora investeringar som ORC-system installeras. Detta gäller speciellt fartyg som har dynamiska driftscenarion med mycket start och stopp. Där kan det finnas utmaningar att få en ORC att fungera på ett bra sätt, menar han.

– Maskininlärning är ett hett område just nu och det är den delen av mitt arbete som gett störst gensvar. Avhandlingen är på begäran redan skickad till ett hundratal intresserade inom näringen. Just nu för jag diskussioner med redare om att fortsätta med projektet i någon form. Så det finns absolut ett stort intresse. 

Fredrik Ahlgrens lägger fram sin avhandling vid Linnéuniversitet den 13 december.