Proaktive Fehlerprognose in Schiffsdieselmotoren mittels multivariaten Machine Learning

Warum Schiffsmotoren und intelligente Vorhersagen wichtig sind

Die meisten Güter, die wir kaufen – von Telefonen bis Lebensmitteln – überqueren die Ozeane auf Schiffen, die von großen Dieselmotoren angetrieben werden. Fällt einer dieser Motoren unerwartet aus, kann das Lieferungen stoppen, Millionen für Notreparaturen kosten und Treibstoff verschwenden, während zusätzliche Schadstoffe ausgestoßen werden. Diese Studie untersucht, wie eine neue Kombination aus Sensorik und Machine Learning die Vitalwerte eines Motors überwachen und Besatzungen Tage oder Stunden bevor etwas tatsächlich ausfällt vor Problemen warnen kann, sodass Schiffe sicherer, kostengünstiger und sauberer betrieben werden können.

Vom Reparieren nach dem Ausfall zum Beheben, bevor es bricht

Traditionelle Schiffswartung wartet oft, bis etwas schiefgeht, oder folgt festen Zeitplänen, die zu früh oder zu spät sein können. Die Autoren plädieren für ein anderes Denken: proaktive Wartung, die Live-Daten nutzt, um Anzeichen von Problemen im Voraus zu erkennen. Bessere Motorpflege dient nicht nur dazu, Verzögerungen zu vermeiden. Sie reduziert auch den Kraftstoffverbrauch und die Emissionen, gerade in einer Zeit, in der die Schifffahrtsbranche unter Druck steht, ihren Klima-Fußabdruck zu verringern. Bei mehr als 100.000 Handelsschiffen weltweit können bereits kleine Verbesserungen in Zuverlässigkeit und Effizienz große Auswirkungen auf den Welthandel und die Treibhausgasemissionen haben.

Aufbau eines kleinmaßstäblichen Stellvertreters für ein echtes Schiff

Um ihre Ideen sicher und systematisch zu testen, baute das Team einen Vierzylinder-Dieselmotor im Labor als Stellvertreter für einen Hauptmotor eines Schiffs auf. Sie statteten ihn mit Temperatursensoren an jedem Zylinder, Thermometern am Kühlwasser ein- und auslaufend, dreiachsigen Vibrationssensoren am Motorblock sowie Messgeräten für Drehzahl, Spannung, Strom und Leistung aus. Anschließend führten sie gezielt realistische Störungen ein – teilweise Verstopfungen in der Luftzufuhr, der Abgasleitung, dem Kühlwasser- und dem Schmierölsystem sowie niedrige Ölstände – in unterschiedlichen Schweregraden. Es wurden über 21.000 Datensätze erhoben, während der Motor Aufheizen, Normalbetrieb, gestörten Betrieb und Abkühlen durchlief, wodurch ein reichhaltiger „Film“ entstand, der zeigt, wie ein gesunder Motor allmählich in verschiedene Problemzustände abdriftet.

Algorithmen das Vorhersagen und Erkennen von Störungen beibringen

Kern der Arbeit ist ein zweiteiliges Machine-Learning-System. Zunächst wird ein Prognosemodell auf Basis eines neuronalen Netzes vom Typ ConvLSTM trainiert, das vorhersagen soll, wie sich alle 13 gemessenen Signale – Temperaturen, Vibrationen, Drehzahl und elektrische Leistung – über die nächsten Zeitschritte entwickeln. Dieses Modell betrachtet nicht jede Messung isoliert, sondern lernt, wie Änderungen in einer Messgröße sich im Zeitverlauf auf andere auswirken. Verglichen mit konventionelleren Ansätzen wie Entscheidungsbäumen, Standard-Neuronalen-Netzen und einfachen rekurrenten Netzen lieferte das ConvLSTM deutlich genauere Vorhersagen: Eine zentrale Fehlerkennzahl sank um etwa 15 % und das Modell übertraf die Mitbewerber in den meisten Tests.

Vorhersagen in klare Fehlerwarnungen umwandeln

Der zweite Teil des Systems nimmt diese prognostizierten Motorsignale und stellt eine einfachere Frage: Welchen Betriebszustand repräsentiert dieses Muster? Dafür setzten die Autoren einen Random-Forest-Klassifikator ein, der die Entscheidungen vieler kleiner Entscheidungs„bäume“ kombiniert. Auf denselben multikanaligen Daten trainiert, lernt er, zwischen 13 verschiedenen Betriebs- und Fehlerzuständen zu unterscheiden – vom normalen Betrieb und Abkühlen bis hin zu mehreren Schweregraden von Luft-, Wasser- und Ölproblemen. Im Test erkannte dieser Klassifikator den richtigen Modus in mehr als 82 % der Fälle korrekt. Die meisten Fehler traten zwischen benachbarten Schweregraden desselben Fehlertyps auf – zum Beispiel zwischen mittlerer und hoher Luftverstopfung – statt gesunden Betrieb mit schweren Störungen zu verwechseln, was für den praktischen Einsatz ermutigend ist.

Was das für Schiffe auf See bedeutet

Zusammen gesehen wirken die Prognose- und Klassifikationsschritte wie eine intelligente Frühwarnschicht. Kontinuierliche Sensorwerte aus einem Maschinenraum werden in das ConvLSTM gespeist, das projiziert, wohin sich Temperaturen, Vibrationen und Belastungen entwickeln. Der Random Forest interpretiert diese Projektionen dann als spezifische aufkommende Fehler und deren wahrscheinliche Schweregrade, sodass die Besatzung die Betriebsweise anpassen oder Wartungen planen kann, bevor Schäden entstehen. Zwar wurde diese Studie an einem einzelnen Motor unter kontrollierten Bedingungen durchgeführt und es bedarf weiterer Arbeit, um zusätzliche Fehlertypen und reale Variabilität abzudecken, doch sie weist in Richtung „intelligenter Schiffe“, deren Motoren im Voraus effektiv sagen können: „Hier tritt bald ein Problem auf“ – wodurch Kosten gespart, Ausfallzeiten reduziert und unnötiger Kraftstoffverbrauch sowie Emissionen verringert werden können.

Zitation: Michel, M., Mehanna, A., Saleh, S.N. et al. Proactive fault prediction in marine diesel engines using multivariate machine learning. Sci Rep 16, 9678 (2026). https://doi.org/10.1038/s41598-026-40979-5

Schlüsselwörter: Schiffsdieselmotoren, vorausschauende Wartung, Machine Learning, Zustandsüberwachung, Schifffahrtsemissionen