Aufbau einer Datenpipeline zur Vorhersage von Schäden an Schiffsladungen

in Forschung, Sponsoring von
Ziel der Diplomarbeit war es, eine Datenpipeline zu konzipieren, die AIS-Daten mit von Sensoren gemessenen Umweltdaten kombiniert, um die Route der Fracht und die Bedingungen, denen sie ausgesetzt war, zu verfolgen. 

Wir unterstützen Studenten und Forscher, indem wir Zugang zur FleetMon API Suite und unserem umfangreichen AIS-Datenarchiv mit historischen Schiff Positions- und Hafenanlauf Daten bieten. Lesen Sie diesen Gastbeitrag, den wir von Niklas Scherer, einem Masterstudenten der Fachhochschule Bingen, Deutschland, erhalten haben.

Das akademische Projekt untersucht einen Zusammenhang zwischen bestimmten Wetterbedingungen, denen ein Schiff ausgesetzt war, und auftretenden Ladungsschäden. Anhand von AIS- und Wetterdaten wurde untersucht, ob bestimmte Wetterbedingungen auf stark befahrenen Seewegen wahrscheinlich Schäden an der Fracht verursachen, um durch realistische Vorhersagen Schäden zu vermeiden.

Was passiert mit meiner Fracht während der Reise?

In einer globalisierten Welt werden Produkte und Materialien täglich weltweit verschickt. Dies stellt aufgrund unterschiedlicher Klimazonen, unvorhersehbarer Wetterbedingungen und sich ständig leicht ändernder Routen, die all diese Variablen leicht durcheinander bringen können, eine große Herausforderung dar. Ziel meiner Diplomarbeit war es, eine Datenpipeline zu konzipieren, die AIS-Daten mit geeigneten, von Sensoren gemessenen Umweltdaten kombiniert, um die Route der Fracht und die Bedingungen, denen sie ausgesetzt war, zu verfolgen. 

Vorgeschlagene Infrastruktur und Testlauf

Um dieses Ziel zu erreichen, wurden AIS-Daten verwendet, um ein Schiff auf seiner Route von Deutschland nach Australien zu verfolgen. Diese lange Reise garantiert die Aufzeichnung einer Vielzahl von Temperaturwerten und viele Gelegenheiten für plötzliche Wetterwechsel. Der Frachtcontainer war mit mehreren Sensoren ausgestattet, um Daten über Temperatur, Luftfeuchtigkeit und Beschleunigung in alle Richtungen zu erfassen. 

FleetMonDie API wurde in regelmäßigen Abständen abgefragt, um die Schiffsposition zu einem bestimmten Zeitstempel zu erhalten, die dann automatisch in die Sensorschnittstelle eingespeist werden konnte. Eine externe Wetter-API wurde ebenfalls verwendet, um Daten über die Wetterbedingungen auf See zu erhalten, z. B. die Wellenhöhe. All diese Daten wurden kombiniert, um Datenpunkte zu erstellen, die die Umweltbedingungen für jede aufgezeichnete AIS-Position während der gesamten Reise nach Australien enthielten. 

Ergebnisse und mögliche Anwendungsfälle

Der Testlauf lieferte vielversprechende Daten darüber, wie sich die verschiedenen Variablen im Laufe der Zeit in Abhängigkeit von der aktuellen Position verändern. Die Untersuchung einer einzigen Fahrt als Proof-of-Concept lässt keine Schlussfolgerungen zu. Die verwendete Methodik erwies sich jedoch als ausreichend, um den Betrieb zu erweitern und Daten auf vielen verschiedenen Strecken zu sammeln. 

Sobald genügend Daten gesammelt wurden, würden diese in einem Folgeprojekt zusammengeführt und analysiert werden. Mögliche Anwendungsfälle sind die Datenvisualisierung oder sogar In Zukunft könnte künstliche Intelligenz eingesetzt werden, um auf der Grundlage der Route und der Umweltbedingungen, denen sie ausgesetzt war, Entscheidungen über die beste Route zum Schutz der Fracht zu treffen.