On Predictive Maintenance for Maritime Sector Using AI-Based Analysis of Partial Discharge

Projekt:

Branschprogrammet hållbar sjöfart

Sammanfattning:
Denna rapport presenterar en förstudie om hur partiella urladdningar (eng. Partial Discharge, PD) och anomali-analyser kan användas för att förutsäga fel i elektriska kraftsystem inom den maritima sektorn. Med tanke på de unika driftsförhållandena i
marina miljöer – kännetecknade av hög luftfuktighet, exponering för saltvatten, och upprepande mekanisk stress – står elektriska system ombord på fartyg inför betydande tillförlitlighetsutmaningar och är särskilt utsatta för isolationsnedbrytning, vilket i sin tur kan orsaka fel inom fartygens framdrivning, elförsörjning och kommunikation. I detta
sammanhang fungerar PD—en lokal dielektrisk urladdning—som en viktig indikator på tidiga isolationsskador.
I studien samlades 345 660 PD-händelser in från testobjekt med simulerade defekter som motsvarar vanliga maritima komponenter såsom kablar, ställverk, motorer och samlingsskenor. Händelserna kategoriserades i tio distinkta typer. Nyckelattribut som maximal PD-amplitud, varaktighet, tidsintervall mellan upprepade PD-händelser, samt area under PD-kurvan extraherades och analyserades. Två olika maskininlärningsarkitekturer—en ensemble bagged Decision Tree och ett Long Short-Term Memorynätverk—användes för att klassificera händelserna och lyckades nå klassificeringsnoggrannheter på 95,3 % respektive 98,5 %. Dessa resultat indikerar att PD-baserat prediktivt underhåll kan erbjuda noggrann felsökning och ge tidiga varningar, innan allvarligare elektriska fel uppstår.
Studien visar på möjligheten att koppla specifika PD-signaturer till uppkommandeelektriska isolationsskador. Detta förbättrar inte bara förståelsen för tillståndet och prestandan hos kritiska kraftsystemkomponenter, utan förbättrar också avsevärt
träffsäkerheten i att förutsäga potentiella fel. Den höga träffsäkerheten minskar inte bara osäkerheten, utan medför också betydande fördelar med ökad drifteffektivitet, säkerhet och hållbarhet. Genom att upptäcka PD i ett tidigt skede, långt innan det resulterar i allvarliga fel, kan rederier och underhållspersonal planera förebyggande åtgärder, vilket kan reducera reparationskostnader och minimera oplanerade driftstopp, vilket i sin turökar säkerheten för passagerare och besättning. Det främjar också hållbarhet genom att minska sannolikheten för miljörisker i samband med kritiska elektriska fel och incidenter till havs. Det kan också öka energibesparingar genom att man undviker ineffektiv drift orsakad av föråldrade komponenter.
Utifrån förstudiens resultat och genom diskussioner med maritima intressenter i Sverige,är nästa föreslagna steg att genomföra ett pilotprojekt där PD-övervakning testas i en verklig svensk maritim miljö. Planen är att integrera EcoPhi Merging Units och
Centralized Monitoring Protection and Control (CMPC) eller likvärdiga högfrekventa enheter på lämpliga fartyg, för att kontinuerligt övervaka elektriska komponenter såsom kablar, ställverk, motorer och samlingsskenor. Genom att tillämpa
maskininlärningsmodeller för realtidsklassificering av PD kan underhållspersonal få tidiga varningar som kan förhindra allvarliga fel. Under pilotfasen kommer det att vara centralt att samla in data om hur tillförlitligheten förbättras, vilka kostnadsbesparingar som uppnås och hur säkerhet och drift påverkas totalt sett. Resultaten från piloten kommer att ligga till grund för att förfina metoden och anpassa den efter svenska förhållanden.
Relevanta regler och föreskrifter kommer också utredas för att kunna standardisera ramverk och regelverk för prediktivt underhåll som i förlängningen kan implementeras i hela branschen.

Länk till publikation i fulltext (pdf-fil, 2 093,3 kB. Öppnas i nytt fönster)

Författare: Ebrahim Balouji, Lucas Finati Thomée
Utgivare: Lighthouse
Utgivningsdatum: 2025-04-05
Diarienummer: TRV 2019/27023
Antal sidor: 36
Språk: Engelska
Kontaktperson: Charlott Andersson, PLa1us