AI mod korrosion: Ny standard for maritim vedligehold

Korrosion er en af de stille omkostningsdræbere i shipping. Den stjæler performance, øger brændstofforbrug, skaber uplanlagte dokophold og kan i værste fald true sikkerheden. Samtidig er kravene til energieffektivitet og CO₂-reduktion skærpet markant frem mod 2030. I denne virkelighed går flere rederier nu digitalt til værks – med kunstig intelligens som central brik.

Et aktuelt eksempel er Ardmore Shipping, der har rullet et AI‑baseret korrosions- og malingsmonitoreringssystem ud på hele flåden. Besætningerne dokumenterer skrogets og tankenes tilstand med billeder, som automatisk analyseres af AI og omsættes til konkrete vedligeholdelsesindsigter. Det er ikke bare et teknologisk kuriosum – det er et glimt ind i den måde, dansk shipping og maritim industri kan organisere forudsigende vedligeholdelse på i de kommende år.

I denne artikel dykker vi ned i, hvad Ardmore gør, hvorfor det virker, og hvordan lignende AI‑løsninger kan skabe værdi for danske rederier, værfter og maritime servicevirksomheder – både økonomisk og i forhold til grøn shipping.

Hvorfor korrosion er perfekt til AI – og et oplagt startpunkt

Korrosion har alle de kendetegn, der gør det ideelt til AI‑understøttet overvågning:

• Det udvikler sig gradvist over tid
• Det er visuelt observerbart
• Fejl og skader er dyre, når de opdages for sent
• Dokumentation er ofte manuel, uensartet og tidskrævende

I dag er korrosionsrapportering typisk baseret på manuelle inspectionsrapporter, fotos i mails og Excel‑ark, der varierer fra skib til skib og fra inspektør til inspektør. Det gør det svært for tekniske afdelinger i land at få et retvisende, sammenligneligt billede af flådens tilstand.

Med et system som SteelCorrs Digital Paint Report, som Ardmore bruger, samles alle data ét sted. Besætningen tager billeder via en app, og AI‑algoritmer analyserer:

• Omfang og type af korrosion
• Malingslagets tilstand
• Udviklingen over tid på samme område

Resultatet er en standardiseret, datadrevet tilstandsrapport, som kan bruges direkte til planlægning, indkøb og beslutninger om dokninger.

For danske aktører – fra tank- og bulkrederier til færgedrift og offshore – er det et oplagt første skridt ind i AI i dansk shipping og maritim industri, fordi:

• Anvendelsen er konkret og forretningsnær
• Investeringsbehovet er relativt overskueligt
• Gevinsterne kan måles hurtigt på både OPEX og CAPEX

Sådan fungerer AI‑baseret korrosionsmonitorering i praksis

Fra billeder til beslutningsgrundlag

Ardmore anvender appen på alle skibe i flåden. Arbejdsgangen kan oversættes sådan her til en dansk kontekst:

1. Besætningen tager billeder af udvalgte områder (dæk, ballasttanke, rørføringer, lastrum m.m.) efter en fastlagt plan eller i forbindelse med ad‑hoc observationer.
2. Billederne uploades til et fælles datamanagement‑system, enten løbende eller i batches afhængigt af forbindelse.
3. AI analyserer billederne og:
   • identificerer korrosionsområder
   • estimerer alvorlighed og udbredelse
   • sammenligner med historiske billeder fra samme position
4. Systemet genererer rapporter med:
   • automatisk prioriteringsliste over områder
   • anbefalinger til vedligehold (touch‑up, spot repair, fuld re‑coating osv.)
   • indicatorer til langtids-trend (forværring/forbedring)
5. Shore‑teamet anvender rapporterne til at planlægge:
   • arbejdsopgaver for besætning
   • bestilling af maling og materialer
   • koordinering med dokninger og klasseinspektioner

På den måde bliver beslutninger om vedligehold databaserede i stedet for mavefornemmelses‑ og tidsstyrede.

Hvad får både skib og land ud af det?

Ud fra Ardmores erfaringer og lignende cases kan værdien opsummeres sådan:

For skibet:

• Mindre manuel rapportskrivning – mere tid til drift og sikkerhed
• Klar prioritering af opgaver ombord
• Færre diskussioner om, hvad der er “kritisk” – systemet giver et objektivt billede

For shore‑organisationen:

• Ensartede data på tværs af hele flåden
• Hurtigere beslutninger om reparation vs. “kan vente”
• Bedre planlægning af dokninger og klassesyn
• Mulighed for at dokumentere tilstand over for både kunder, leverandører og myndigheder

I en dansk kontekst kan det fx være relevant ift. dokumentation over for charterers, finansielle partnere eller i forbindelse med ESG‑rapportering, hvor asset integrity og vedligeholdelsesstrategi bliver stadig vigtigere parametre.

Forudsigende vedligeholdelse: Fra kalenderstyring til datadrevne beslutninger

AI‑baseret korrosionsmonitorering er et konkret eksempel på forudsigende vedligeholdelse, som er et centralt tema i serien om AI i dansk shipping og maritim industri.

Fra “repair, when broken” til “repair, before costly”

Traditionelt er vedligehold baseret på:

• Tidsintervaller (hver 6., 12. eller 24. måned)
• Regulatoriske krav (klasse, flagstat osv.)
• Erfaring og visuel inspektion

Med AI og sensordata bevæger vi os hen imod en model, hvor:

• Systemet beregner risikoen for fejl før de opstår
• Vedligehold foretages, når risiko + konsekvens overstiger et vist niveau
• Prioritering sker på tværs af flåden, så ressourcerne bruges der, hvor de skaber mest værdi

Korrosion er her et lavthængende frugt, fordi man relativt hurtigt kan opbygge historik og se:

• Hvor på skibet korrosion udvikler sig hurtigst
• Hvilke typer last eller ruter, der accelererer nedbrydning
• Hvilke malingstyper og systemer, der performer bedst over tid

Denne viden kan derefter kobles til andre AI‑initiativer, fx:

• Ruteoptimering: Valg af ruter og hastigheder, der mindsker påvirkning på skrog og coating
• Energieffektiv drift: Renere skrog og bedre coating reducerer brændstofforbrug og forbedrer CII/EEXI‑scores
• Livstidsomkostninger (LCC): Bedre beslutninger om, hvornår udstyr og strukturer skal renoveres eller udskiftes

Energiomstilling og grøn shipping

Ardmore kobler selv teknologien til deres Energy Transition Plan. Det er en vigtig pointe for danske rederier:

• Hvert procentpoint forbedring i skrog-tilstand kan målbart reducere brændstofforbrug
• Mindre akut stålreparation betyder færre haste‑dokkings og dermed lavere CO₂ aftryk fra værftsophold
• Datadrevet vedligehold giver et stærkere fundament for investeringer i nye, mere miljøvenlige coatings og teknologier

I en tid, hvor kunder i både container, tank og bulk efterspørger grønne transportløsninger, bliver AI‑understøttet vedligehold en del af værktøjskassen til at levere dokumenterbare forbedringer – ikke kun flotte PowerPoint‑løfter.

Hvad kan danske rederier lære af Ardmore‑casen?

Selv om hvert rederi er forskelligt, er der en række generelle læringer fra Ardmores implementering, som er direkte relevante i Danmark.

1. Start med ét klart use case

I stedet for at sigte mod en altomfavnende “smart ship”‑løsning, har Ardmore fokuseret på ét afgrænset problem: korrosions- og malingsmonitorering.

For danske rederier kan tilsvarende use cases være:

• Tilstandsmonitorering af ballasttanke og cargotanke
• Overvågning af dækudstyr og rørføringer
• Digital visuel inspektion af ro‑ro‑ramper og bilbroer

Nøglen er at vælge et område, hvor:

• Datagrundlaget hovedsageligt er visuelt eller sensorbaseret
• Omkostningen ved fejl er høj
• Processen i dag er manuel og uensartet

2. Gør det let for besætningen

En vigtig pointe i Ardmore‑casen er, at teknologien skal reducere den manuelle byrde – ikke tilføje endnu et lag rapportering.

For at lykkes i en dansk flåde bør man derfor:

• Integrere app og rapportering i eksisterende arbejdsgange (fx runder, planned maintenance system)
• Sikre, at brugerfladen er intuitiv – også ved skiftende besætning
• Kommunikere tydeligt, hvordan data faktisk bliver brugt til at forbedre hverdagen ombord

Hvis besætningen oplever, at AI‑værktøjet primært sparer tid og giver bedre dialog med teknisk afdeling, øger det kvaliteten af data markant.

3. Skab en samlet dataarkitektur

Ardmore bruger et fælles datamanagement‑system på tværs af flåden. I en dansk sammenhæng betyder det, at AI‑løsningen bør ses som en brik i en større digital infrastruktur, ikke som et isoleret “appen på telefonen”‑projekt.

Overvej tidligt:

• Hvordan korrosionsdata skal spille sammen med PMS, dokplaner og økonomisystem
• Hvordan billeder og rapporter arkiveres og kan genbruges til klasse, audit og kundekrav
• Hvem der har adgang til hvad – både ombord og i land

Her er dataroller og governance lige så vigtige som selve AI‑algoritmen.

Sådan kommer du i gang i en dansk kontekst

Hvis du arbejder i en dansk rederiorganisation, værft eller maritim servicevirksomhed og vil bygge videre på Ardmores erfaringer, kan du tage udgangspunkt i følgende trin.

Trin 1: Kortlæg jeres mest korrosionskritiske områder

• Hvor opstår de største uforudsete reparationsomkostninger?
• Hvilke områder er mest udfordrende at inspicere og dokumentere ensartet?
• Hvor vil bedre dokumentation kunne reducere tvivl og diskussioner internt eller med eksterne parter?

Resultatet bør være en prioriteret liste over 2‑3 oplagte startområder.

Trin 2: Definér succeskriterier

Før pilotprojektet starter, bør I definere konkrete KPI’er, fx:

• Reduceret tid brugt på manuelle korrosionsrapporter
• Færre uplanlagte reparationsopgaver mellem dokninger
• Bedre forudsigelighed i vedligeholdsbudgetter
• Dokumenterbar forbedring i skrogtilstand og brændstofforbrug

Det gør det lettere at vurdere, om løsningen skal skaleres til hele flåden.

Trin 3: Vælg teknologi og partnere med maritim forståelse

AI‑billedgenkendelse findes i mange brancher, men sømiljøet er unikt: dårlig belysning, salt, rust, maling og vand skaber udfordrende billeddata. Vælg derfor løsninger og partnere, der:

• Har erfaring med maritime use cases
• Forstår klassekrav og regulatoriske rammer
• Kan integrere med eksisterende maritime systemer

Trin 4: Tænk skalerbart – men start småt

Læg en plan for, hvordan en vellykket pilot kan udbredes:

• Fra ét skib til en hel skibstype
• Fra én skibstype til hele flåden
• Fra korrosion til andre AI‑områder (energieffektiv drift, ruteoptimering, performance‑monitorering)

Men hold første fase enkel: få én ting til at virke rigtig godt, før I breder projektet ud.

Konklusion: AI‑vedligehold som hjørnesten i fremtidens danske flåde

Ardmores brug af et AI‑drevet korrosionsmonitoreringssystem viser, hvordan kunstig intelligens i shipping er rykket fra vision til konkret drift – her og nu. Ved at digitalisere og automatisere noget så klassisk som korrosionsinspektion opnår de:

• Bedre asset integrity og færre ubehagelige overraskelser
• Mere effektiv brug af både besætningens og shore‑teamets tid
• Et stærkere datagrundlag for energioptimering og grøn omstilling

For danske aktører er læringen klar: AI i dansk shipping og maritim industri behøver ikke starte med fuldautonome skibe. Det kan lige så vel begynde med en app, et kamera og en algoritme, der gør en kendt udfordring håndterbar på en ny måde.

Næste skridt er at beslutte, hvor i jeres flåde eller forretning AI‑baseret forudsigende vedligeholdelse vil give størst effekt – og tage det første, konkrete skridt. Spørgsmålet er ikke længere, om AI bliver en del af maritim vedligeholdelse, men hvor hurtigt de danske aktører vil udnytte potentialet.