En vanlig orsak till att elsystem kollapsar är att kablar slits eller att isoleringen bryts ner över tid. Genom att mäta små, partiella urladdningar i systemet och analysera informationen med hjälp av AI, kan man upptäcka problem i ett tidigt skede och därmed förebygga olyckor. Det visar en ny förstudie från Lighthouse och Trafikverket.

I mars förra året, på väg ut från Baltimore, kraschade containerfartyget M/S Dali in i den väldiga bron Francis Scott Key Bridge som kollapsade. Olyckan, som krävde sex människoliv och orsakade kostnader för hundratals miljoner dollar, berodde på en blackout (totalt strömavbrott) på det 300 meter långa fartyget. En av de vanligaste orsakerna till att elektriska kraftsystem kollapsar är olika typer av slitage och nedbrytning av isolering.

­– Inom industrin har man länge försökt förstå varför strömavbrott uppstår. Oavsett om det gäller ett elsystem på land eller ombord på ett fartyg fungerar de på liknande sätt – med kablar, generatorer, motorer, brytare och kopplingsstationer. Med tiden slits dessa delar ner av olika anledningar. Ett sätt att upptäcka problemen i ett tidigt skede är att studera förekomsten av partiella urladdningar. Genom att mäta ström och spänning kan man identifiera dessa små urladdningar innan de utvecklas till en större urladdning, och därmed förebygga skador genom tidiga insatser, säger Lucas Finati Thomée, en av författarna till förstudien On Predictive Maintenance for Maritime Sector Using AI-Based Analysis of Partial Discharge.

På grund av de tuffa driftsförhållandena till havs – med hög luftfuktighet, saltvatten och ständig mekanisk belastning – utsätts elsystemen ombord på fartyg för stora påfrestningar, vilket gör dem extra känsliga för nedbrytning. Till detta kommer utmaningen att man är isolerad ute till havs. Om en kabel går sönder finns det kanske ingen möjlighet att byta ut den direkt – och i värsta fall kan det vara omöjligt att koppla om för att få ström från en annan källa. Därför är det extra viktigt att upptäcka och åtgärda fel i ett tidigt skede på ett fartyg.

– Att mäta partiella urladdningar är i sig inget nytt. Det som däremot är nytt är hur vi använder AI och maskininlärning för att tolka mätdata – att förstå var urladdningarna sker, vad som orsakar dem och hur de utvecklas över tid. Det är just den här tillämpningen i en marin kontext som vi har fokuserat på, och det är där nytänkandet ligger, säger Lucas Finati Thomée.

Resultaten från förstudien visar att konceptet, som testats i teorin, går att applicera på befintliga system, och den potentiella ekonomiska vinningen är stor – särskilt eftersom konsekvenserna av strömavbrott kan bli mycket kostsamma. Dessutom är AI-lösningen relativt enkel och billig att implementera.

– Självklart finns det också utmaningar. Personal behöver utbildas för att kunna använda systemen, och det krävs förstås också en generell förståelse om att det här är något man borde satsa på.

Nästa steg i processen blir förhoppningsvis ett pilotprojekt där konceptet kan testas i verklig miljö.

– Vi för just nu diskussioner med flera rederier som är intresserade. När man testar på fartyg kommer vi säkert upptäcka fler utmaningar som vi inte har tänkt på, säger Lucas Finati Thomée

Förstudien On Predictive Maintenance for Maritime Sector Using AI-Based Analysis of Partial Discharge har genomförts inom ramen för Trafikverkets branschprogram Hållbar sjöfart som Lighthouse driver. Den har författats av Ebrahim Balouji (EcoPhi/Chalmers) och Lucas Finati Thomée (DNV).