Art der Arbeit: Bachelorarbeit

Fachlicher Hintergrund:

Schiffe verfügen heute über eine Vielzahl von nautischen Geräten, die über Feldbusse miteinander verbunden sind. Gleiches gilt für die Motorsteurung. Die Daten können permanent ausgewertet werden.

Die Limanda ist ein Forschungsschiff der Universität Rostock. Sie ist ein 15,73m langer Katamaran, die Breite beträgt 6,16m, der Tiefgang 1,30m. Sie wurde im Jahr 2020 gebaut und am 28. Juli 2021 getauft. Als Antrieb dienen zwei MAN D2676LE438 Dieselmotoren mit je 373kW Leistung. Zu den nautischen Instrumenten gehören unter anderem ein Radar,  ein GPS-Empfänger Furuno GP-170, ein Windsensor LCJ CV3F, ein Satellitenkompass Furuno SC-70, Magnetischer Kompass, ein AIS Sender mit eigenem GPS-Empfänger Furuno FA-170 AIS, Echolot Xsonic Airmar SS260 und Autopilot Navitron NT888G. Die nautischen Geräte sind über NMEA 0183 oder NMEA 2000 untereinander vernetzt. Im Bereich der Maschine wurde überwiegend J1939 eingesetzt.

Die nautischen Geräte und das Motorsteuergerät senden Daten mit unterschiedlichen Aktualisierungsraten. Diese reichen bei NMEA 2000 von ca. 0,1 bis zu ca. 10 Samples pro Sekunde, bei den Motordaten von 0,5 bis ca. 50 Samples pro Sekunde. Konkret liegen uns Daten von über 100 Datenpunkten mit unterschiedlicher zeitlicher Auflösung in einer Datenbank oder live auf dem Schiff vor.

Zwischen den Messwerten bestehen etliche offensichtliche und sicherlich einige weniger offensichtliche Zusammenhänge. Ein Beispiel ist die Kraftstoff-Einspritzmenge am Motor und die Windgeschwindigkeit am Windmesser.

Aufgabenbeschreibung:

Im Rahmen der Arbeit soll ein Verfahren zur Outlier-Detection in den vorliegenden Daten entwickelt und überprüft werden.

Es sollen folgende Fragestellungen beantwortet werden:

  • Welche kausalen Abhängigkeiten, Korrelationen oder Scheinkorrelationen gibt es?
  • Wie können Outlier (Abweichungen vom Normalen) erkannt werden? Welche Verfahren gibt es dafür?
  • Wie gut funktioniert das Erkennen mit einzelnen Verfahren?
  • Welche Komplexität haben die verwendeten Verfahren? Kann die Komplexität reduziert werden?

Mögliche Arbeitsschritte:

  • Exploration der Daten
    • Grundlegendes Verständnis der nautischen Parameter und der Parameter von der Hauptmaschine.
    • Grafische Darstellung einiger Daten
  • Einarbeitung in Methoden und Tools der Datenanalyse
  • Suche nach Zusammenhängen in den Daten
  • Auswertung und Darstellung

Die genaue Festlegung des Themas erfolgt in Abstimmung mit den Betreuern unter Berücksichtigung eventuell schon an andere Studenten vergebener Themengebiete. Eine gemeinsame Bearbeitung verschiedener Teilthemen durch mehrere Studenten ist unter Umständen möglich. 

Literatur und Ressourcen:

  • Idris, Ivan. Python data analysis. Packt Publishing Ltd, 2014.

  • Luft, Lee A., Larry Anderson, and Frank Cassidy. "Nmea 2000 a digital interface for the 21st century." Proceedings of the 2002 National Technical Meeting of The Institute of Navigation. 2002.

  • Burakova, Yelizaveta, et al. "Truck hacking: An experimental analysis of the SAE J1939 standard." 10th USENIX Workshop on Offensive Technologies (WOOT 16). 2016.

  • McKinney, Wes. Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. " O'Reilly Media, Inc.", 2012.

Betreuer: Dr. Thomas Mundt (thomas.mundt@uni-rostock.de) 

Voraussetzungen: Keine besonderen, Programmierkenntnisse in einer höheren Programmiersprache sind von Vorteil. Ein grundlegendes Verständnis der elektrischen Eigenschaften von Netzwerken ist hilfreich.