Analysing ship operational data using big-data methods

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Korpela, Ville
dc.contributor.advisor Valdez Banda, Osiris
dc.contributor.author Nenonen, Lauri
dc.date.accessioned 2018-11-13T13:35:10Z
dc.date.available 2018-11-13T13:35:10Z
dc.date.issued 2018-10-29
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/34715
dc.description.abstract Most modern ships record their operational data such as speed, power and weather conditions. This data accumulates fast and can be hard to analyse with traditional methods. Unlike data from model tests or numerical analyses data collected under actual operational conditions is especially useful, since it contains elements that cannot yet be replicated in test environments. In this thesis, a new method capable of analysing big data from ship operations is developed and tested with selected case studies of fuel efficiency. Based on literature research three different methods capable of handling and analysing big data were considered and compared. Among the considered methods Gaussian Processes (GP) was selected for its superior predictive performance. GP was used to analyse the operational data provided by two partner companies of their RoRo-vessels. The GP is a so-called black box model that builds correlations between input and output variables, without having prior knowledge about the phenomena or system. The method developed in this thesis introduces this knowledge by combining different data sources such as ice maps and empirical formulas. In addition, the operational data is complemented making the method a grey box model. The most important parameters for the grey box model depend on the analysed data. Common variables of importance for all models were main engine fuel temperature and propulsion power. Heading and wind speed were important variables when estimating ship speed. The days since last hull cleaning and days since last ice contact were important when estimating fuel consumption. The developed method was successfully used to create models that estimate ship speed and fuel consumption. These models were used for four case studies to analyse the effect hull fouling, a lubricant additive, fuel quality and jumboisation of vessels have on fuel efficiency. Fuel efficiency was shown to vary seasonally due to hull fouling depending on the date, time elapsed since the last hull cleaning and how severe the ice winter was. Bad fuel quality, and especially a too high water content was shown to have a negative effect on fuel efficiency and the use of a lubricant additive and jumboisation were shown to improve the fuel efficiency. The thesis introduced a new method to analyse ship operational data. This method was tested with RoRo-vessels’ data and used to estimate the fuel efficiency of vessels. The results were validated through literature. In order to have further validation of the developed method, the other ships types and operational areas should be studied also in the future. en
dc.description.abstract Useimmat modernit laivat tallentavat operatiivista dataa kuten nopeutta, tehoa ja sääolosuhteita. Tätä dataa kertyy nopeasti ja sitä voi olla vaikea käsitellä perinteisin menetelmin. Toisin kuin mallikokeista tai numeerisissa analyyseissä, oikeissa operatiivisissa oloushteissa kerätty data on erityisen hyödyllistä sillä se sisältää komponentteja joita ei voi vielä mallintaa testiolosuhteissa. Tässä diplomityössä kehitetään uusi menetelmä joka pystyy analysoimaan laivan operoinnista kertyvää big dataa ja sitä testataan tapaustutkimuksilla. Kirjallisuustutkimuksen perusteella vertailtiin kolmea eri menetelmää jotka pystyvät käsittelemään ja analysoimaan big dataa. Näiden joukosta valittiin Gaussiset Prosessit (GP) sen ylivertaisen suorituskyvyn perusteella. GP:tä käytettiin analysoimaan operatiivista dataa joka saatiin kahdelta yhteistyöyritykseltä heidän RoRo-aluksistaan. GP itsessään on niin kutsuttu mustalaatikko malli joka rakentaa korrelaatioita syötteen ja tuloksen välille ilman että sillä on aiempaa tietoa systeemistä tai ilmiöstä. Tässä työssä kehitetty menetelmä pyrkii tuomaan tätä tietoa mallille yhdistämällä eri tietolähteitä, kuten jääkarttoja ja empiirisä kaavoja. Laivojen operatiivista tietoa näin täydentäen menetelmä on niin kutsuttu harmaalattikko malli. Tärkeimmät parametrit menetelmälle riippuvat itse analysoitavasta datasta mutta yhteisiä tärkeitä muuttujia kaikille malleille ovat pääkoneiden polttoaineen lämpötila ja propulsioteho. Laivan kulkusuunta ja tuulennopeus olivat tärkeitä muuttujia arvioidessa laivan nopeutta. Kuinka monta päivää oli kulunut edellisestä pohjan harjauksesta ja jääkontaktista olivat tärkeitä arvioidessa laivan polttoaineenkulutusta. Kehitettyä menetelmää käytettiin onnistuneesti luomaan malleja jotka arvioivat laivan nopeutta ja polttoaineenkulutusta. Näitä malleja käytettiin neljässä casetutkimuksessa, joissa tutkittiin laivan rungon likaantumisen, voitelulisäaineen, polttoaineen laadun ja laivan pidennyksen vaikutusta polttoainetehokkuuteen. Polttoainetehokkuuden näytettiin vaihtelevan kausittain johtuen rungon likaantumisesta ja riippuen siitä milloin laivan pohja on viimeksi harjattu ja kuinka ankara jäätalvi on. Huonolaatuisen polttoaineen, etenkin liian korkean vesipitoisuuden todettiin huonontavan polttoainetehokkuutta ja voitelulisäaineen ja laivan pidentämisen todettiin parantavan polttoainetehokkuutta. Työ esittelee uuden menetelmä laivan operatiivisen tiedon analysointiin. Menetelmää testattiin RoRo-alusten datalla ja sitä käytettiin alusten polttoainetehokkudeen arviointiin. Tulokset varmennettiin kirjallisuuden avulla. Kehitetyn menetelmän edelleen vahvistamiseksi, muita laivatyyppejä ja operatiivisia alueita tulisi tutkia jatkossa. fi
dc.format.extent 61
dc.language.iso en en
dc.title Analysing ship operational data using big-data methods en
dc.title Laivan operaatiotietojen analysointi big-data menetelmin fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Insinööritieteiden korkeakoulu fi
dc.subject.keyword big-data en
dc.subject.keyword Gaussian processes en
dc.subject.keyword fuel efficiency en
dc.subject.keyword operational data en
dc.identifier.urn URN:NBN:fi:aalto-201811135752
dc.programme.major Marine Technology fi
dc.programme.mcode ENG25 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Remes, Heikki
dc.programme Master's Programme in Mechanical Engineering (MEC) fi
local.aalto.electroniconly yes
local.aalto.openaccess no


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account