船舶設備風險估計模型探討

董良雄 陳 輝

（武漢理工大學能源與動力工程學院 武漢 430063）

風險是未來可能發生的事故的危害程度，單一設備風險的根源是部件的損壞，而船舶設備種類繁多，加上船舶航行環境的特殊性，設備風險的來源、破壞機制、風險影響范圍以及風險破壞力錯綜復雜，因此，對船舶風險的認識要從微觀發展到宏觀，以船舶設備總體上觀察風險并預測風險程度，體現船舶設備的適航性特點．

1 風險預測思路

1．1 設備風險要素分析

建立風險評價指標體系，就應對影響設備風險的各個因素進行系統分析、篩選，確定能夠反映風險水平的關鍵性因素．由于船舶設備種類繁多，設備風險的表現形式也較多，因此先考慮單個設備的風險，包括對風險事件發生概率的分析以及對可能造成后果的估計．船舶設備在一次事故中所承擔的風險由3個因素決定：（1）設備的可靠度，即設備事故發生可能性的概率，以P記之（0＜P＜1），P值通常由過去曾發生過的類似事故統計分析來確定；（2）設備的易損度，即危險因素在人員、財產和環境等方面損失，以L記之（0＜L＜1），L 值由設備事故評價給出［1］；（3）設備適航度，以S記之（0＜S＜1），S值是地點位置的函數，由事故場分析給出，反應設備事故影響的相對嚴重度．每一類設備對船舶安全影響的重要程度是不一樣的，同一風險事件，對不同的環境、人、設備也會造成不同的損害．

單設備和總體設備所承擔風險的程度分別以r和R來表示，可建立如下計算公式

1．2 設備風險指標

根據式（2），風險評價指標體系的建立應從設備可靠度、易損度、適航度3個因素來考慮．事實上，船舶在營運過程中，人、機、環境與管理等影響船舶風險的指標都可納入這3個要素之中．與此相對應，在船舶日常機務管理活動中，機務部門通過統計設備故障率，分析船舶設備技術性能，評估管理效果因素就能有效預測設備風險，具體指標如下：（1）故障統計指標，反應來源于零（元）部件缺陷、零件間的配合不協調、材質和制造工藝的離散性而造成的零（元）件故障、各零部件故障組合等隨機性的事故風險．包括故障發生頻度以及設備缺陷數等指標；（2）技術性能指標，反應設備技術狀態的逐漸劣化，由量變到質變的漸成型故障風險，包括設備新度、完好度以及維護保養的相關指標；（3）安全保障指標，反應設備的控制與監測措施，對船舶干預度以及有效工作的程度，包括信息傳遞故障、人員誤操作等指標．

基于上述指標分類和參考有關船舶安全評價的文獻［2－3］，進一步對上述指標進行取舍，本文選取對船舶安全影響較大的13個風險因素建立船舶風險評價指標體系，見圖1．

圖1 船舶風險估計指標體系

1．3 預測方法的選擇

風險預測的方法大致可以分為2種類型，即概率統計型（如專家預測、回歸分析、變分法、馬爾可夫鏈法等）和連續性預測法（包括灰色GM法、神經網絡法等）．上述船舶設備信息的非平穩性特征，加之隨環境影響較大，所以不宜用概率統計法去預測其故障發展趨勢．采用上式計算總體風險常常有一定的困難，采用灰色GM（1，1）方法預測計算量小，速度快，但在多因素的情況下，灰色模型則顯得有些吃力，誤差較大．相比之下，神經網絡具有良好的容錯性、自適應性、自組織性和并行處理能力，對不同的復雜信息具有良好的融合作用．因此本文采用BP神經網絡作為船舶風險估計的方法．

2 神經網絡各部分參數的確定

2．1 網絡輸入確定

對于輸入來說，上面確定了13個評價因素，這些指標中有一部分是定量的指標，并且除了可以肯定上面的這13個指標對于船舶機務風險評價系統都有關系以外，用明顯的數值關系來表現這些影響的大小是很難確定的．在這種情況下，采用“語言變量”描述代替“數值”描述，通過合理的量化計算，最終得到一個合理的映射關系是能夠做到的．從另一個角度來說，這是數據構成復雜時的一種變通方式．表1反映了各種輸入指標的模糊化語言處理以及響應的量化分值．

表1 網絡輸入指標的模糊化語言變量及相應的量化分值

在上述模型中，各個因素指標均屬性質各異的定量指標，難以根據體系因素指標的評價標準直接確定其究竟何時為“大”，“較大”，“中”或“小”等問題，所以必須對其進行適當的數學處理．

由于以上所列出的12個指標與輸出指標的關系并不一樣，有的呈正相關的的關系，有的則呈負相關的關系．對此可將這種相關性上的表現一致化．體現在數學上的處理就是：

當因素指標與輸出指標呈正相關關系時

當因素指標與輸出指標呈負相關關系時

式中：A0為因素的初始量化值；A為變換后該因素指標的量化值．

根據所制定的因素指標的量化準則，上述2式可以簡化為：當因素指標與輸出指標呈正相關關系時A＝A0；當因素指標與輸出指標呈負相關關系時A＝1－A0．

經過變換后因素指標與網絡的輸出指標“風險等級”之間的關系均可視為正相關的關系，換言之這些指標均屬決策理論中的“效益型”定量指標，因此對他們的處理可引入模糊數學中對于“指標值越大隸屬度越高”的“效益型”指標的隸屬度的計算方法，按照各定量性因素指標在不同風險等級的實際量值，將其轉化為與“風險等級”對應的隸屬度．

式中：xij，xi，min，xi，max分別為樣本j中指標i的數值，所有樣本集中指標i的最大值和最小值．

同時，為了和其他定性指標評價標準的一致，對式（5）進行修正，并映射到1－5之間的評價分值：

評價的分值 mij＝4×rij＋1 （6）

2．2 網絡輸出確定

神經網絡模型的輸出為船舶設備風險等級，風險等級分級針對船舶航行安全可靠性以及對人員和環境的影響而制定，系統的劃分應覆蓋到全部事故領域．采用航運公司的習慣劃分方法，將船舶設備的總體風險程度分為5個級別，相對應于船舶及設備的總體故障狀態［4］，見表2．

表2 設備總體風險等級狀態

對于訓練目標的確立，由于神經網絡的輸出層要描述上述5個風險狀態，所以輸出使用3個神經元，3個神經元可以最多描述8個狀態，從而訓練目標確定為T＝（0，0，1），（0，1，0），（0，1，1），（1，0，0）（1，0，1），分別對應各種風險等級狀態．

2．3 隱層節點數設計

隱層的神經元數目選擇是一個十分復雜的問題，往往需要根據設計者的經驗和多次實驗來確定，因而不存在一個理想的解析式來表示．隱單元的數目與問題的要求、輸入／輸出單元的數目都有著直接關系．隱單元數目太多會導致學習時間過長、誤差也不一定最佳，也會導致容錯性差、不能識別以前沒有看到過的樣本，因此一定存在一個最佳的隱單元數［5］．

文獻［3］研究表明，在多次試驗中發現，隱層節點數取輸入節點數和輸出節點數之間的值，在靠近輸入節點時，網絡的收斂速度較快．但是也不能盲目的擴大節點數，因為在節點數變大的時候，雖然迭代次數變少，但網絡明顯變大，計算量變大，從而使計算時間變長，因而提出了一個單隱層隱層節點數的極端公式：

式中：n為輸入節點數；m為輸出節點數．

本文也正是采用了這種方法，從而得出隱層節點數為19個．進而確定了BP神經網絡的結構為13－19－3．

3 基于BP神經網絡的風險甄別

3．1 樣本收集與構造

現代船舶大多按ISM規則建立一套事故、事故隱患和違章行為的報告制度，任何事故、事故隱患和違章行為都由船舶管理部門進行調查分析而形成了船舶典型機務風險案例，用專家打分的方法確定案例中設備的風險水平，就形成了風險估計訓練樣本．

根據指標特性可先構造基本的訓練樣本，然后利用典型機務風險案例對基本訓練樣本進行插值擴充，并根據因素指標量化準則進行數據處理，可使得整個網絡既有普遍性，又有針對性和準確性［6］，通過此種方法構造的訓練樣本集見表3．

表3 網絡的訓練樣本集

續表3

3．2 網絡訓練與檢驗

進行樣本訓練時，將訓練樣本作為神經網絡的輸入，以訓練目標作為神經網絡的目標，然后對每一個輸入矢量在訓練好的網絡中進行計算，得到輸出矢量，從而得到訓練值．

進行預測分析時，將檢驗樣本放在訓練好的網絡中進行計算，從而得到預測值，這個預測值與目標值進行對比，就可以得到預測誤差．網絡的檢測樣本集合見表4．

表4 網絡的檢驗樣本集

上面幾次檢驗樣本中，網絡的輸出依次為：（0．020 6，0．987 4，0．891 5），（0．058 9，0．134 3，0．960 8），（0．972 5，0．024 0，0．192 6），（0．934 6，0．198 1，0．128 7），（0．115 3，0．972 4，0．056 8）．也就是說檢驗樣本1對應的風險等級為C，檢驗樣本2對應的風險等級為A，檢驗樣本3和4對應的風險等級為D，檢驗樣本5對應的風險等級為B．從表4可以看出，對各個分析輸入矢量進行訓練后預測后，輸出的結果已經很接近理想輸出，其中輸出的最小誤差為0．012 6，最大誤差為0．198 1，這是由于訓練樣本點過少造成的．雖然輸出不是標準的0和1，但完全可以依靠模型進行船舶設備總體風險等級識別．

4 結束語

本文分析影響船舶設備整體風險的因素，從單設備風險因素出發建立船舶設備總體風險模型，構建船舶總體設備風險估計指標體系以及BP神經網絡模型，借助Matlab軟件實現BP神經網絡對船舶風險樣本的學習與訓練．通過BP神經網絡模型的輸出值與船舶總體風險值（期望值）的比較和檢驗，驗證BP神經網絡對船舶風險估計具有一定的可行性與有效性．實例驗證表明，該模型預測精度高，預測效果好，具有可操作性．

［1］鮑君忠，劉正江，黃通涵．船舶風險評價模型［J］．大連海事大學學報，2011，36（4）：11－13．

［2］李 勇，張 哲．基于神經網絡的航行安全性預測模型［J］．武漢理工大學學報：交通科學與工程版，2002，26（2）：217－219．

［3］Vassie L H，Fuller C W．Assessing the inputs and outputs of partnership arrangements for health and safety management［J］．Health and Safety Management，2003，25（5）：490－501．

［4］IMO．MSC82／INF．3FSA．Possible improvements on FSA guidelines，submitted by denmark at MSC8［R］．IMO，2006．

［5］葛哲學，沙 威．小波分析理論與MATLAB 2007實現［M］．北京：電子工業出版社，2007．

［6］葛哲學，孫志強．神經網絡理論與MATLAB 2007實現［M］．北京：電子工業出版社，2008．