Inga nya mätsensorer behöver installeras. Genom att samla in data från fartygets energisystem kan bränsleförbrukningen effektiviseras med hjälp av maskininlärning.
Det är en av slutsatserna i Fredrik Ahlgrens avhandling som läggs fram vid Linnéuniversitet den 13 december.

När Fredrik Ahlgren beskriver sitt avhandlingsarbete pratar han först om förluster, om energi som går åt till ingen nytta. Det handlar bland annat om värmen som finns i motorns avgaser och som försvinner ut genom fartygets skorsten. Värmen skulle kunna tas till vara och göras om till elektricitet. På så sätt kan utsläppen minska med upp till fem procent.

– Om man saktar ner och kör fartyget långsammare så drar det mindre bränsle. Det är självklart, liksom att om man gör ruttplaneringen så effektiv som möjligt så minskas utsläppen. Det är inte vad min avhandling handlar om, utan jag har tittat på fartyget som energisystem och hur det kan effektiviseras, säger Fredrik Ahlgren.

I avhandlingsarbetet har han bland annat gjort en omfattande analys av hela energisystemet ombord på kryssningsfartyget Birka som går mellan Stockholm och Åland.

– Vi samlade in motordata: temperaturer, tryck och avgaser och satte in det i en teoretisk modell av ett ORC-system (Organic Rankine cycle, Reds anm) 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.

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

– 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 Fredrik Ahlgren.

För ett och ett halvt år sedan, när han var en bra bit in i sitt avhandlingsarbete, 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.

Fredrik Ahlgrens avhandling visar att maskininlärning inte bara är ett effektivt verktyg för att noggrant mäta bränsleförbrukningen, det är dessutom sannolikt billigare än andra metoder så som att installera fler massflödesmätare. Kunskapen om hur energisystemet fungerar är givetvis otroligt värdefull 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.

– 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.

Mer information om disputationen