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, CNC-Presse fährt direkt in Zielposition.

Nachpressdurchgänge von 3–5 auf 1–2 reduzierbar. Rüst- und Maschinenzeit je Platte um 40–60 Minuten kürzbar bei Großsektionen.

Historische Pressprotokolle als Trainingsdaten + Scikit-learn / Azure ML Regression + CNC-Schnittstelle zur Presssteuerung

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.

Convolutional Neural Net auf UT-Rohdaten + Visualisierungs-Dashboard + Export für Lloyd's / DNV-Dokumentation

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

ML-Modell auf Schiffsstabilitätsdaten (KG, GM, Trimmung, Pumpratenkurven) optimiert Ventil- und Pumpreihenfolge, überwacht live per Neigungssensoren und passt Sequenz an.

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

Stabilitätssimulation (Hydrostatik-Engine) + Reinforcement Learning für Sequenzoptimierung + Sensor-Dashboard

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.

KI-Modell auf Radar-Zeitreihen (Geschwindigkeit, Kurs, Signaturform, Rückkehrstärke) klassifiziert Kontakte als 'Routine', 'Auffällig' oder 'Bedrohung' und priorisiert Wachenanzeige.

Echte Bedrohungen bis zu 18 Minuten früher identifiziert in Feldtests. Fehlalarmquote um 60% reduzierbar — Besatzung weniger ermüdet, Reaktionszeit verbessert.

LSTM-Zeitreihenklassifikation auf AIS + Radar-Fusion + Bridge-Display-Integration (ECDIS-kompatibel)

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.

Sensorfusion aus UV-Intensität, Durchflussrate, Salinität, Temperatur und Partikelzahl — ML-Modell berechnet Behandlungseffizienz kontinuierlich und generiert automatisch Compliance-Log.

Nachweisdokument liegt 45 Minuten früher vor. Hafenliegerzeiten für Probenahmen um 1–3 Stunden reduzierbar. Bußgelder (bis 25.000 USD je Verstoß in den USA) vermeidbar.

Embedded ML auf Schiffs-PLC + automatische Loggenerierung für BWMS-Datenbank + Port State Control Export

Im Entwurfsprozess können Werften nur 5–15 Rumpfvarianten vollständig simulieren. Das optimale Design liegt meist in einem unerforschten Parameterraum — zu viele Rechenzeit-Kosten.

Neural Surrogate auf vorberechneten CFD-Datensätzen (RANS-Simulationen) lernt die Widerstandslandschaft — Bayes'sche Optimierung findet Designoptimum in Stunden statt Wochen.

3–5% geringerer Rumpfwiderstand gegenüber konventionell optimierten Designs erreichbar — bei einem VLCC entspricht das 400–600 t Bunker/Jahr Einsparung.

CFD-Vorberechnung (OpenFOAM / STAR-CCM+) + Gaussian Process / Deep Surrogate + Bayes'sche Optimierungsschleife

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 — 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.

Vibrationssensorik (ICP-Beschleunigungssensoren) + Edge-Computing-Box + Zeitreihen-ML (Prophet, LSTM) + Reedereiflotten-Dashboard

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.

Fine-tuned LLM auf Klassifikationsgesellschaft-Templates + strukturierter Dateneingabe-Workflow + PDF-Export im Klassenformat

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.

3–8% Bunkerverbrauchsreduzierung erreichbar in der Praxis (mehrere Flottenstudien belegen 4–6%). Bei einem 20.000-TEU-Containerschiff entspricht 5% ca. 800.000 USD/Jahr.

Schiffseigenes Verbrauchsmodell (Gaussian Process Regression) + ECDIS/VDR-Integration + Shore-seitige Flottenmanagementsoftware (z.B. Eniram, OSS)

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 mit Kamera und Sonar fährt automatisiert die Rumpfoberfläche ab — KI-Bildanalyse klassifiziert Korrosionsgrad, Pittingtiefe und Beschichtungszustand auf Basis von Trainingsdaten.

Inspektionskosten um 50–70% reduzierbar. Vollständige Rumpfabdeckung statt Stichproben. Befundhistorie über mehrere Trockendockperioden vergleichbar — Korrosionsfortschritt quantifizierbar.

ROV (BlueROV2 / Saab Sabertooth) + CNN auf Unterwasser-Kamerabildern + GIS-Kartierung der Befundstellen + Wartungsempfehlung

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

OR-Tools / CPLEX Constraint-Solver + ML für Nachfrageprognose + Integration in Terminal Operating System (Navis SPARCS, 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.

Sensordaten aus OWS, Bilgenpumpen und Separatoren werden automatisch in strukturierte Oil-Record-Book-Einträge übersetzt — 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.

PLC-Datenabgriff + NLP-Regelwerk für IMO-Textformat + digitale Signatur + PDF-Export ORB-Format

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

Ensemble-Wettervorhersage (ECMWF + eigene Messboje) kombiniert mit ML-Modell für operationale Grenzen je Schiffsklasse gibt präzises 72-h-Operationsfenster mit Wahrscheinlichkeit je Maßnahme.

Stand-by-Zeiten bei Offshore-Projekten um 8–15% reduzierbar in mehreren Nordsee-Projekten. Bei Großprojekt (200 Turbinen) entspricht das 3–6 Mio. € Einsparung.

ECMWF-Daten-API + ML-Kalibrierung auf Messbojen-Historik + Operationslogik je Schiffsklasse + Projektmanagement-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.

FARO Focus Laserscanner + Open3D / CloudCompare + Custom ML für Kritikalitätsklassifikation + Integration in Werft-PDM-System

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-Wetterdaten, Tidenmodell und schiffsspezifisches Verbrauchsmodell — 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. 30.000–70.000 € Ersparnis pro Jahr.

ECMWF-API + BSH-Tidenmodell + Schiffsverbrauchsmodell (von Reederei bereitgestellt) + REST-API + App für Kapitän (iOS/Android)