Schiffbau & Maritime

Jede Rumpfplatte muss mehrfach nachgepresst werden, bis die Geometrie stimmt. Ein erfahrener Kesselschmied braucht dafür Gefühl, das Jahre dauert zu entwickeln, und nicht übertragbar ist.

ML-Regressionsmodell auf historischen Pressdaten (Materialcharge, Blechdicke, Biegeradius, gemessener Springback), Modell sagt Über-Pressfaktor vorher, Pressbediener fährt direkt auf Zielposition oder CNC-Presse übernimmt den Wert automatisch.

Nachpressdurchgänge von 3–5 auf 1–2 reduzierbar. Rüst- und Maschinenzeit je Platte um 40–60 Minuten kürzbar bei Großsektionen. Wissen bleibt im System, auch wenn der Meister in Rente geht.

scikit-learn + FastAPI, self-hosted (Freelancer)Azure ML + FastAPI, Cloud-managedSiemens Industrial Edge, vollintegrierte CNC-Anbindung

Jede Schiffskomponente braucht eine vollständige technische Dokumentation für Klassifikation, Inbetriebnahme und Wartung. Das manuelle Erstellen aus CAD-Daten und Spezifikationen bindet Erfahrene wochenlang.

LLM-basiertes Drafting: KI extrahiert Strukturdaten aus CAD und PLM, generiert per Transformer-Modell Entwürfe für Betriebsanleitungen und Wartungsanleitungen, prüft Vollständigkeit gegen Klassifikationsanforderungen.

Dokumentationserstellungszeit um 40–60 Prozent reduzierbar, von 3–5 Tagen auf 1–2 Tage je Komponente. Konsistenz über Produktvarianten hinweg messbar verbessert. Weniger Rückfragen beim Klassifikationssurvey.

ChatGPT / Claude mit Prompt-Vorlage (kein Setup)plusmeta in SCHEMA ST4 (Redaktionssystem-Integration)Teamcenter Copilot oder Azure Document Intelligence (Vollintegration)

Die Verwaltung von Klassifikationszertifikaten, Survey-Fristen und technischen Nachweisen je Schiff ist komplex, fehleranfällig und bindet qualifiziertes technisches Personal.

LLM-basiertes Regelabgleichsystem: NLP extrahiert Dokumentationspflichten aus Klassenvorschriften, gleicht sie automatisch gegen die Zertifikatsakte ab und generiert priorisierte Survey-Checklisten mit Lückenhinweisen.

Survey-Vorbereitung von 3 Wochen auf ~1 Woche verkürzt; eine verhinderte Liegezeit-Verzögerung (10.000–80.000 €/Tag) rechtfertigt die Jahreskosten des Systems.

ChatGPT/Claude + DNV-PDF (sofort, ~30 €/Monat)AMOS-Erweiterung mit KI-FristentrackingCustom KI + Azure Document Intelligence + CMMS-Integration

Ein erfahrener ZfP-Prüfer wertete bisher jeden Millimeter UT-Scan manuell aus, mehrere Wochen Vollzeiteinsatz je Megablock, mit hoher Fehlerrate bei Ermüdung gegen Ende langer Schichten.

Trainiertes CNN auf UT-A-Scan-Bildern klassifiziert Anzeigen (Pore, Bindefehler, Riss) und priorisiert verdächtige Stellen für Prüfer, Prüfer bestätigt nur noch Auffälligkeiten statt alles selbst zu scannen.

Auswertezeit um bis zu 70% reduzierbar. Befundrate konsistenter, ermüdungsbedingte Fehlklassifikationen sinken nachweislich. Klassifikationsgesellschaft-Berichte schneller fertig.

CNN auf UT-Rohdaten mit DashboardCNN + DNV-/Lloyd's-Export-PipelineCNN + CIVA-Synthetik + Edge-Inferenz

Dockmeister planen die Pumpsequenz heute manuell aus Erfahrung. Jedes Schiff hat andere Gewichtsverteilung und Trimmung, ein Fehler bei 60.000-Tonnen-Schiffen bedeutet Totalschaden.

Ein ML-Modell auf Schiffsstabilitätsdaten (KG, GM, Trimmung, Pumpraten) optimiert Ventil- und Pumpreihenfolge, überwacht live per Neigungssensoren und passt die Sequenz in Echtzeit an.

Dockentwässerungszeit um 15–25 % reduzierbar. Sicherheitsmarge verdoppelt durch kontinuierliches Monitoring, Frühwarnung bei kritischer Schiefstellung 8–12 Minuten früher als bisher.

MPC auf Hydrostatik-Daten + DashboardMPC + Reinforcement Learning + SCADAVollintegration mit Klassen-Zertifizierung

Maschinenraumausfälle auf See kosten zehntausende Euro täglich, gefährden die Besatzung und führen zu Notschlepppflichten. Intervall-basierte Wartung schützt nicht vor Anomalien zwischen den geplanten Terminen.

LSTM-basierte Anomalieerkennung auf Zeitreihendaten, das Modell lernt den Normalzustand jeder Maschinenkomponente und löst Frühwarnungen aus, wenn Vibrations-, Temperatur- oder Druckverläufe vom erlernten Muster abweichen, bevor ein Ausfall eintritt.

Ungeplante Liegezeiten um 20–40 Prozent reduzierbar. Hauptmaschinenintervalle bedarfsorientiert statt kalenderbasiert, Ersatzteilkosten und Überholungsaufwand sinken messbar.

OEM-Servicevertrag (Wärtsilä PCMS / Kongsberg CMS)AVEVA PI + ML-Anomalieerkennung (offene Architektur)IBM Maximo AMS + IoT-Sensorik + CMMS-Integration

Im Golf von Guinea und im Indischen Ozean scannt die Wache stundenlang Radarbilder und verlässt sich auf Intuition. Fehlalarme erschöpfen die Besatzung, echte Bedrohungen werden spät erkannt, oft erst wenn die Angreifer schon im Sichtbereich sind.

LSTM-Zeitreihenklassifikation auf AIS-Daten, Radarsignaturen und Thermal-/Kamera-Feeds erkennt Bedrohungsmuster und stuft Kontakte als 'Routine', 'Auffällig' oder 'Bedrohung' ein, die Brücke reagiert auf qualifizierte Alerts statt auf Rohdaten.

Echte Bedrohungen bis zu 18–25 Minuten früher identifiziert. Fehlalarmquote um bis zu 60 % reduzierbar. Besatzung weniger ermüdet, Reaktionszeit verbessert, SSAS-Eskalation früher möglich.

Thermal-Kamera-KI an Bord (SEA.AI)Sensor-Fusion AIS + Radar + Kamera (LSTM)Vollintegration mit Shore-SOC + ECDIS

Hafenbehörden in den USA, Australien und Kanada verlangen lückenlose Nachweise. Manuelle Probenahmen dauern Stunden und liegen oft erst nach Einfahrt ins Hafengebiet vor, zu spät für Port State Control.

Gaussian-Process-Regression auf Sensorfusion aus UV-Intensität, Durchflussrate, Salinität, Temperatur und Partikelzahl berechnet die Behandlungseffizienz kontinuierlich und generiert automatisch das Compliance-Log. Stichprobenkontrollen per KI-gestützter Flow-Imaging-Mikroskopie (Computer Vision).

Compliance-Nachweis liegt automatisch vor. Hafenliegerzeiten für Probenahmen um 1–3 Stunden reduzierbar. EPA-Bußgelder (bis 200.000 USD je Verstoß) und Schiffsfesthaltung durch PSC vermeidbar.

Sensor-Fusion auf bestehende BWMS-DatenEmbedded ML + automatisches Compliance-LogFlotten-Dashboard mit PSC-Export

Im Entwurfsprozess können Werften nur 5–15 Rumpfvarianten vollständig simulieren. Das optimale Design liegt meist in einem unerforschten Parameterraum, zu viele Rechenzeitkosten.

Ein neuronales Surrogatmodell, trainiert auf vorberechneten CFD-Datensätzen (RANS-Simulationen), lernt die Widerstandslandschaft des Entwurfsraums, Bayes'sche Optimierung findet das Designoptimum in Stunden statt Wochen.

3–7 % geringerer Rumpfwiderstand gegenüber konventionell optimierten Designs erreichbar (dokumentierte Fälle), bei einem VLCC entspricht 3 % weniger Widerstand rund 400–600 t Bunker weniger pro Jahr.

OpenFOAM + Gaussian-Process-SurrogateSTAR-CCM+ + Deep Surrogate + Bayes-OptVollpipeline CAESES + HPC + NeuralShipper

Ein ungeplanter Motorausfall auf See kostet 50.000–200.000 € Schlepperlohn, Lieferungsverzug und Reparatur. Präventive Wartung nach Stundenplan überwartete viele Teile und übersieht trotzdem echte Frühzeichen.

Zeitreihen-Anomalieerkennung auf Vibrations-, Temperatur- und Druckdaten aller Zylinder, das ML-Modell lernt den Fingerabdruck des Normalmotors und schlägt Alarm bei signifikanter Abweichung.

Ungeplante Liegezeiten um 40–60% reduzierbar. Wartungskosten durch bedarfsgerechten Eingriff 20–30% geringer als Kalendarwartung. Einsparung 100.000–500.000 € je vermiedener Notfallreparatur.

Vibrationssensoren am Motor + TrendalarmeEdge-Box mit Zeitreihen-ML pro SchiffFlotten-Dashboard mit OEM-Integration

Ein Klasse-Survey produziert hunderte Einzelbefunde, die in standardisierte Report-Formate gegossen werden müssen, ein Senior-Surveyor verbringt bis zu 40% seiner Arbeitszeit mit Dokumentation statt Prüfung.

LLM-Assistent auf Befunddaten (strukturierte Eingaben + Freitextnotizen) generiert Survey-Report-Entwurf im Klassenformat, Surveyor korrigiert und freizeichnet, schreibt nicht mehr von Grund auf.

Dokumentationszeit je Survey um 50–70% reduzierbar. Weniger Fehler durch automatische Vollständigkeitsprüfung. Frühere Freigabe des Schiffes aus der Werft, wirtschaftlicher Vorteil für Reederei.

LLM-Entwurf aus BefundnotizenStrukturierter Eingabe-WorkflowKlassen-Template-Fine-Tuning + PDF-Export

Nautische Offiziere schätzen den optimalen Trimm aus Erfahrung, bei wechselnden Beladungszuständen, Wetter und aktuellen Bunkerpreisen ein unlösbares Optimierungsproblem für den Menschen.

ML-Modell auf historischen Reisedaten (Trimm, Tiefgang, Speed, Verbrauch, Wetter) lernt die Verbrauchslandschaft und empfiehlt je Reiseabschnitt das optimale Profil via Bridge-Display.

2–5% Bunkerverbrauchsreduzierung erreichbar; bei einem VLCC entspricht das 730 Tonnen Treibstoff/Jahr (Eniram-Studie), ca. 400.000 USD Ersparnis bei 550 USD/t Bunkerpreis.

Bridge-Display mit Trimm-EmpfehlungSaaS-Plattform mit VerbrauchssensorikSchiffsspezifisches ML/CFD-Hybridmodell

Eine klassische Rumpfinspektion durch Taucher dauert 2–4 Tage und kostet 15.000–40.000 €. Dabei werden oft nur Stichproben gezogen, systematische Flächendeckung ist wirtschaftlich nicht darstellbar.

ROV fährt automatisiert die Rumpfoberfläche ab, ein CNN-basiertes Computer-Vision-Modell klassifiziert Korrosionsgrad, Biofouling-Stadium und Beschichtungszustand pixelgenau und liefert einen georeferenzierten Defektbericht für die Klassifikationsgesellschaft.

Inspektionskosten um bis zu 50 % reduzierbar. Vollständige Rumpfabdeckung statt Stichproben. Häufigere Inspektionen ohne Off-hire. Beschichtungsstatus und Korrosionsfortschritt über mehrere Zyklen vergleichbar.

ROV-Inspektion als Dienstleistung buchenComputer-Vision-Klassifikation der AufnahmenGIS-Kartierung + UWILD-Klassenbericht

Manuell erstellte Staupläne sind suboptimal: zu viele Umstauungen im Zwischenhafen, schlechtere Stabilität auf langen Reiseabschnitten, unnötige Krantakte in Containerterminals.

Constraint-Optimization + ML auf historischen Hafenanläufen und Containerdaten (Gewicht, Gefahrgut, Kühlbedarf, Zielhafen) generiert validierten Stauplan in Minuten statt Stunden.

Umstauungsquote im Zwischenhafen um 20–35% reduzierbar. Hafenumschlagzeiten um 1–2 Stunden kürzer. Kraftstoffersparnis durch bessere Trimmverteilung 1–2% zusätzlich.

Constraint-Solver für StauplanML-Nachfrageprognose pro HafenVolle TOS-Integration (Navis, OPUS)

Leitende Ingenieure tragen täglich Dutzende Einträge manuell nach, oft aus dem Gedächtnis, weil Ablenkungen im Maschinenraum Priorität hatten. Lücken und Fehler sind häufig, Konsequenzen gravierend.

Regelbasierte Sensorfusion liest PLC-Rohdaten aus OWS, Bilgenpumpen und Separatoren und übersetzt sie automatisch per strukturiertem NLP-Formular-Mapping in IMO-konforme Oil-Record-Book-Codes, der Ingenieur prüft und signiert digital, führt nicht mehr von Grund auf.

Eintragungszeit von 45–90 Min./Tag auf 10–15 Min./Tag reduzierbar. Fehlerquote nahezu null. Digitales ORB ist bei Hafenstaatkontrolle sofort vorlegbar, keine Papiersuche mehr.

Digitales ORB-Formular mit SignaturSensorfusion aus OWS/Bilge/SludgePLC-Integration + IMO-konformer Export

Installationsmanager planen Wetterfenster konservativ aus Erfahrung, zu vorsichtige Planung bedeutet teure Wartezeiten, zu optimistische Planung gefährdet Crew und Equipment auf See.

Ensemble-Wettervorhersage (ECMWF + eigene Messboje) kombiniert mit ML-Kalibrierung gibt präzises Operationsfenster mit Wahrscheinlichkeit je Maßnahme und Schiffsklasse.

Standby-Zeiten bei Offshore-Projekten um 8–15 % reduzierbar. Bei einem Großprojekt mit 80 Turbinen und 120 Schiffstagen entspricht das 3–6 Mio. € Einsparung.

Managed Service (StormGeo, Fugro)ECMWF-API + eigene ML-KalibrierungVollintegriertes Operations-Dashboard

Manuelle Vermessung großer Rumpfsektionen dauert 2–3 Tage je Sektion. Abweichungen, die erst beim Zusammenbau auffallen, erzwingen teure Korrekturen auf dem Dock statt in der Sektion.

Punktwolken-Registrierung (ICP-Algorithmus) + ML-Klassifikation der Abweichungen nach Kritikalität und Einbaupriorität, Nacharbeitsplan automatisch nach Montagetakt sortiert.

Sektionsvermessung von 2–3 Tagen auf 4–6 Stunden reduzierbar. Abweichungen über 3 mm werden zu 98% erkannt (vs. ~70% manuell). Dockarbeiten um 15–20% reduzierbar durch Frühkorrektur.

Scanner-Dienstleister beauftragenFARO Focus + FARO SCENE in-houseScanner + PolyWorks + PDM-Integration

Reedereien kleiner Flotten nutzen keine professionellen Wetterrouting-Dienste, zu teuer, zu komplex. Kapitäne entscheiden nach Erfahrung, verpassen günstige Tide- und Sturmfenster.

SaaS-Lösung kombiniert ECMWF-Ensemble-Prognosen, BSH-Tidenmodell und ein LSTM-basiertes Schiffsverbrauchsmodell (trainiert auf Noon-Reports), liefert täglich optimierte Reiseroute als GPX-Datei direkt in die Chart-Plotter-Software.

4–9% Bunkerersparnis durch optimale Geschwindigkeitsprofile und Tidennutzung. Pünktlichkeitsrate steigt um 12–18%. Für einen 3.000-tdw-Kümo ca. 50.000–115.000 € Ersparnis pro Jahr.

PredictWind Offshore SaaS-AboStormGeo oder Marine Digital FOSDWD Open Data + Eigenentwicklung