Verarbeitung und Visualisierung von Schiffsdaten für die energieeffiziente Schifffahrt

Der weltweite Schiffsverkehr ist für 2,6% der globalen CO2-Emissionen im Jahr 2015 verantwortlich
(Olmer et al., 2017). Vor diesem Hintergrund ist es notwendig, sich mit Maßnahmen zu befassen,
die dabei helfen, die Emissionen zu reduzieren. Zum einen können Schiffe technologisch verbessert
und zum anderen operative Maßnahmen ergriffen werden, um Energie zu sparen. Letztere haben
den Vorteil, dass sie sowohl auf neuen als auch auf bestehenden Schiffen umgesetzt werden können
(Barreiro et al., 2022; Bouman et al., 2017). Eine Möglichkeit, Menschen bei operativen Maßnahmen
zu unterstützen, ist die Visualisierung von Daten. Beispielsweise können Energieverbrauchsdaten im
Zeitverlauf dargestellt werden, um die Auswirkungen verschiedener Maßnahmen zu verdeutlichen
oder um Verbrauchsspitzen zu identifizieren (Murugesan et al., 2015; Viktorelius, 2020). Diese
Arbeit beschäftigt sich mit der Visualisierung von Schiffsdaten, die mit dem Energieverbrauch von
Schiffen im Zusammenhang stehen, sowie den hierfür notwendigen Voraussetzungen. Hierfür kommt
die Datenvisualisierungssoftware Microsoft Power BI (PBI) zu Einsatz. Anhand von beispielhaften
Visualisierungen sollen die Möglichkeiten einer solchen Software für diesen Anwendungszweck aufgezeigt
werden. Für die Realisierung der Visualisierungen gibt es zwei grundlegende Themenfelder,
die in dieser Arbeit gleichermaßen behandelt werden. Mittels Literaturrecherche und der Auswertung
vorliegender Experteninterviews werden Parameter identifiziert, die für die energieeffiziente Schifffahrt
relevant sind. Diese werden anschließend mit einem Experten validiert. Weiterführend wird
sich mit der Datenverarbeitung der Quelldaten auseinandergesetzt. Eine wesentliche Voraussetzung
ist, dass die zu visualisierenden Daten in einem für das konsumierende System geeigneten Format
vorliegen (Keim et al., 2010; Kimball & Ross, 2013). Das entwickelte System wird hinsichtlich Performanz
und Skalierbarkeit evaluiert. Dazu werden Beispielabfragen auf einer Produktivdatenbank
und einer deutlich größeren generierten Datenbank hinsichtlich der Ausführungszeiten untersucht.
Die Quelldaten werden in dem Maschinenraumsimulator der Hochschule Flensburg akquiriert sowie
von MariData bereitgestellt. Mithilfe der identifizierten Parameter können relevante Daten aus den
Datenquellen extrahiert werden. Für die Datenverarbeitung stellt sich ein ELT-Prozess (Extract, Load,
Transform), sowie das Organisieren der Daten in einem Sternschema als geeignet heraus. Mit PBI
werden verschiedene Visualisierungen umgesetzt. Es zeigt sich jedoch auch, dass der Einsatz einer
solchen Software Grenzen hat.