Hempel
Kan AI afsløre, hvad et skibs overflade fortæller?
Leverance
Predictive Maintenance, Platform Arkitektur
Azure, back-end applikation, Machine Learning, MLOps
Lande med inspektioner
Platform & AI arkitektur
sekunders svartid
SAMARBEJDET
Hempel
Hempel er en global specialist i maling og overfladebeskyttelse med mere end 100 års erfaring. Virksomhedens løsninger beskytter alt fra skibe og industriel infrastruktur til bygninger verden over. Særligt i den maritime sektor spiller overfladernes tilstand en afgørende rolle for både brændstofforbrug, vedligeholdelse og driftsøkonomi. Med mere end 80 lande repræsenteret i sin forretning arbejder Hempel kontinuerligt med at udvikle nye teknologier og serviceløsninger, der kan forlænge levetiden på kundernes aktiver og gøre deres drift mere effektiv.
Udfordring
Et skibs overflader udsættes konstant for skiftende forhold. Temperatur, vejr, belastning, ruter og sejlmønstre påvirker deres tilstand og dermed behovet for vedligeholdelse. Men den faktiske slitage er vanskelig at vurdere, og beslutninger træffes ofte på baggrund af faste serviceintervaller og erfaring frem for præcis indsigt. Det kan føre til unødvendige omkostninger, for tidlig vedligeholdelse eller problemer, der opdages for sent.
Løsning
Codellent udviklede en avanceret Platform Arkitektur i Azure, der kombinerer billedanalyse med måledata fra malingsprøver. Machine Learning-modeller identificerer malingstyper, defekter og slid, der leverer input til et neuralt netværk, hvor modellernes output sammenholdes med prøvedata. Gennem en central backend og automatiserede dataintegrationer blev analyserne gjort tilgængelige via en mobilapp, så serviceteknikere hurtigt kunne få adgang til relevant information direkte i felten.
Resultat
Codellent lykkedes med at samle avanceret billedanalyse og historiske prøvedata i en løsning, der kunne levere avancerede resultater på under 10 sekunder. Dermed demonstrerede projektet, hvordan serviceteknikere verden over kan få adgang til specialiseret viden og AI-baserede vurderinger direkte fra en mobil enhed. Løsningen viste på den måde potentialet for hurtigere og mere kvalificerede inspektioner verden over.
PERSPEKTIV
Hempel, Trust is earned
UDGANGSPUNKT
Ambitionen
Hempel ønskede at give sine kunder et mere præcist grundlag for at planlægge vedligeholdelsen af deres skibe. Med bedre indsigt i overfladernes faktiske tilstand ville virksomheden kunne rådgive om, hvornår vedligeholdelse er nødvendig, og dermed hjælpe kunderne med at undgå unødvendige omkostninger og driftsforstyrrelser. Projektet skulle samtidig undersøge potentialet for nye, datadrevne serviceløsninger, der kunne styrke Hempels forretning i den maritime sektor.
Opgaven
At udvikle en model, der kan forudsige vedligeholdelsesbehov, krævede mere end at træne en algoritme. Codellent skulle skabe et pålideligt datagrundlag, omsætte viden om den maritime virkelighed til anvendelige datamodeller og udvikle en arkitektur, hvor AI-modellerne kunne opdateres og videreudvikles over tid. Samtidig skulle løsningen kunne indgå i Hempels eksisterende teknologiske landskab, så modellerne ikke blot fungerede isoleret, men kunne danne grundlag for nye anvendelser.
I DYBDEN
2024
Case, Hempel
Avanceret analyse og AI samlet i én teknisk platform
Et billede af en malet overflade kan afsløre meget om et skibs tilstand. Men den egentlige værdi opstår, når billedet kan analyseres sammen med historiske målinger, laboratoriedata og information om materialets egenskaber. Det var den tekniske udfordring, Codellent skulle løse for Hempel: at gøre kompleks viden om maling og overflader tilgængelig for serviceteknikere på få sekunder, uanset deres geografiske placering.
Codellent udviklede en samlet platformarkitektur i Azure med Kubernetes, Docker og en central backend-applikation udviklet med REST API'er i Python og C#. Azure Event Hubs og Azure Functions håndterede integrationer og dataudveksling, mens Cosmos DB, Blob Storage og SQL Server understøttede forskellige datatyper. Arkitekturen gjorde det muligt at samle billeder, målinger og GPS-data fra mobile enheder og behandle informationerne på tværs af systemerne.
Kernen i løsningen var samspillet mellem flere AI-modeller og back-end applikationen. En Machine Learning-model til billedklassifikation blev udviklet til at identificere malingstyper, defekter og slidniveauer. Modellens resultater blev derefter kombineret med analysedata fra malingsprøver i et neuralt netværk, som kunne danne strukturerede vurderinger på tværs af datakilderne.
En tilhørende mobilapp gav teknikerne mulighed for at tage et billede og få adgang til analyseresultaterne. Bag den enkle brugeroplevelse lå en avanceret infrastruktur, hvor Codellent havde samlet dataintegration, billedanalyse og AI i en løsning, der kunne levere information på under 10 sekunder – også når brugeren befandt sig på den anden side af kloden.
SAMARBEJDET
Hempel
OVERBLIK
AI-baseret forudsigelse af vedligeholdelsesbehov på skibes overflader.
Codellent
Implementeret infrastruktur og AI-modellerne, der danner grundlag for Hempels videre arbejde med datadrevne serviceløsninger.
Leverance
Predictive Maintenance, Platform Arkitektur
Industri
Maritim industri, overfladebeskyttelse og maling
Område
Implementeret infrastruktur og AI-modellerne, der danner grundlag for Hempels videre arbejde med datadrevne serviceløsninger.
Effekt
Forudsigelse af vedligeholdelsesbehov
(03)
PROJECTS


