ML erkennt frühzeitig katastrophale Ausfälle von Marine‑Dieselmotoren

Katastrophale Ausfälle von Marine‑Dieselmotoren führen zu schwerwiegenden Funktionsverlusten und können die Systeme irreversibel zerstören. Da diese Ereignisse plötzlich und oft unvorhersehbar auftreten, stellen sie eine erhebliche Gefahr für die Navigation, Besatzung und Passagiere dar. Die einzige wirksame Gegenmaßnahme ist die frühzeitige Erkennung solcher Störungen.

Frühere Studien konzentrierten sich überwiegend auf die Modellierung gradueller Verschleißprozesse, während plötzliche, anomale Phänomene kaum berücksichtigt wurden. In der vorliegenden Arbeit wird ein neuer Ansatz vorgestellt, der genau diese Lücke schließen soll.

Der Ansatz nutzt reale Messdaten eines ausgefallenen Motors und berechnet die Ableitungen der Abweichungen zwischen den tatsächlichen Sensorwerten und den erwarteten Normwerten der Motoreigenschaften. Für die Vorhersage wird ein Random‑Forest‑Algorithmus eingesetzt, der sich im Vergleich zu anderen getesteten Modellen als am besten geeignet erwies. Im Gegensatz zu herkömmlichen Verfahren, die lediglich die Abweichungen der überwachten Signale betrachten, liefert die Ableitung der Abweichungen frühzeitig Hinweise auf abnormale Dynamiken und warnt vor einem raschen, gefährlichen Ereignis im System.

Durch die frühzeitige Erkennung von Anomalien, noch bevor Messwerte kritische Schwellenwerte erreichen, können Betreiber rechtzeitig warnen, den Motor abschalten und so Schäden sowie unerwarteten Leistungsverlust verhindern. Gleichzeitig erhalten sie die Möglichkeit, die Schiffsrouten sicher anzupassen und potenzielle Hindernisse zu umgehen.

Simulationsergebnisse bestätigen die Wirksamkeit des vorgeschlagenen Ansatzes bei der Vorhersage katastrophaler Ausfälle. Diese Methode könnte die Überwachung von Marine‑Dieselmotoren revolutionieren und die Sicherheit sowie Zuverlässigkeit im Seeverkehr deutlich erhöhen.