Die Abnutzung von Motorkomponenten steht in direktem Zusammenhang zu der Last, der sie im Betrieb ausgesetzt sind. Die Analyse der Lastprofile ist deshalb ein wichtiger Aspekt bei der Betrachtung des Zustands des Motors. Sind Motoren beispielsweise länger als ursprünglich angenommen im Volllastbetrieb gelaufen, kann eine frühere Wartung nötig sein, um Ausfälle zu verhindern. Gleichermaßen kann bei einer schonenderen Nutzung des Motors gegebenenfalls ein Wartungsintervall verlängert und der Wartungsplan entsprechend angepasst werden. Auf diese Weise lässt sich die Verfügbarkeit von Schiffen deutlich zuverlässiger kalkulieren und das Risiko von ungeplanten Stillstandzeiten verringern. Darüber hinaus können Zeitpunkt und Umfang der Wartung optimiert werden, was großes Potenzial für Kosteneinsparungen birgt.
Der früher erforderliche Blick auf Wartungspläne und Betriebsanleitungen in Papierform erübrigt sich ebenfalls, weil alle diese separaten Dokumente nun in das Automationssystem integriert sind. Das vereinfacht die Handhabung erheblich und erfordert deutlich weniger Einarbeitung der Besatzung.
3.3 Condition-Based Maintenance
Condition-Based Maintenance hat das Potenzial, die Nutzung und Wartung von Antriebsanlagen auf Schiffen tiefgreifend zu verändern: Mit dieser neuen Fähigkeit ermöglicht Callosum zukünftig die permanente Darstellung des Maschinenzustands in Echtzeit. Grundlage sind Big-Data-Auswertungen mittels moderner Analysemethoden, die von mtu-Experten aufgrund jahrelanger Erfahrung und tiefgehender Kenntnis der spezifischen Kundenbedürfnisse entwickelt wurden. So soll es zukünftig möglich sein, die Wartung der Motoren noch sehr viel genauer an ihren tatsächlichen Zustand anzupassen.
Dieses Ziel erreicht mtu unter anderem mittels der sogenannten Trend- und Baselineanalyse. Im Rahmen der Trendanalyse werden zunächst großen Mengen von Motor-Messdaten erfasst und analysiert. Alle binären und analogen Daten werden mindestens einmal in der Stunde oder bei einer Änderung von über einem Prozent aufgenommen und in einem dafür zugeordnetem Speicher abgelegt. So ist es möglich, zum Beispiel festzustellen, wie sich verschiedene Motorparameter vor einem Defekt verhalten haben. Dies ist der erste Schritt, um das sogenannte Maschinelle Lernen (Machine Learning) anzuwenden. Darunter versteht man die Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Wenn nach der Lernphase für Callosum im realen Betrieb ähnliche Messdaten wieder in einem Motor auftreten, kann ein Alarm erfolgen, bevor der gleiche Schaden dort eintritt (Abbildung 6). So kann der Motor geschützt und eine Beschädigung verhindert werden.