Implementering af AI-modeller og Data Platform til Predictive Maintenance
Codellent
Kategori
Overblik og baggrund
AI-modeller udviklet
Gen-trænings flow med MLOps implementeret
Sekunders responstid fra data-punkt til model-svar
Udfordring
Vedligeholdelse af skibe er en konstant balancegang. Overflader skal serviceres for at undgå slid, ineffektivitet og fejl, men samtidig er det både dyrt og forstyrrende at tage et fartøj ud af drift for tidligt. Udover de direkte omkostninger kan forkert timet vedligeholdelse føre til betydelig tabt omsætning.
Udfordringen forstærkes i det maritime miljø, hvor forhold som vejr, belastning og sejlmønstre varierer løbende. Den faktiske tilstand af skibenes overflader er derfor svær at vurdere og ofte delvist skjult. Det gjorde det vanskeligt at planlægge vedligehold baseret på reel tilstand frem for faste intervaller eller antagelser.
Løsninger
For Hempel var målet at bruge data og AI til at flytte vedligeholdelse fra en reaktiv omkostning til en mere forudsigelig og værdiskabende disciplin. I samarbejde med Hempel designede, udviklede og implementerede Codellent en data- og AI-platform i Azure, der kunne understøtte dette skifte.
Platformen blev opbygget med domænespecifikke datamodeller og automatiserede dataflows fra relevante datakilder, så information løbende kunne opdateres og anvendes i analyser. På den baggrund udviklede Codellent AI-modeller baseret på neurale netværk til at identificere mønstre og forudsige behov for vedligehold. For at sikre, at modellerne kunne fungere stabilt over tid, blev der etableret et MLOps-setup med løbende gen-træning samt integrationer til relevante applikationer og forretningssystemer.
Resultater
Projektet har skabt et nyt grundlag for at arbejde mere systematisk og datadrevet med vedligehold i den maritime sektor. Hempel har fået mulighed for at planlægge service baseret på faktiske forhold frem for faste intervaller og dermed forbedre både beslutningskvalitet og ressourceanvendelse.
Leverancen har samtidig fungeret som et pionerprojekt, der har vist, hvordan data og AI kan anvendes til at udvikle mere effektive processer, styrke indsigt og understøtte nye, mere fleksible serviceløsninger i praksis.