液貨船綜合安全評估專家系統模型

許琦 秦庭榮 馬國梁 席永濤

摘要：針對當前石油公司在液貨船安全檢查和準入審查中存在的非定量、非智能評估問題，引入人工智能技術構建液貨船綜合安全評估（formal safety assessment， FSA）專家系統模型。該模型將FSA方法與專家系統進行組合，前者通過風險識別、風險衡準和風險量化，解決報告的非定量評估和審查的主觀性問題;后者引入K最近鄰算法、加權賦值算法等解決審查評估的非智能化和效率低的問題。選取官方案例進行模型檢驗，其結果表明提出的模型能有效地幫助石油公司實現船舶準入審查的定量化、智能化，并能顯著提高審查效率，降低人工評估的主觀性影響。

關鍵詞：

液貨船; 船舶檢查報告; 專家系統; 海事管理; 綜合安全評估（FSA）

中圖分類號：? U698.3

文獻標志碼：? A

收稿日期： 2020-05-29

修回日期： 2020-11-17

基金項目： 國家自然科學基金（51709168）;上海市科技創新行動計劃（18DZ1206104）

作者簡介：

許琦（1990—），男，河北承德人，工程師，碩士，研究方向為海事技術及數字化應用，（E-mail）xuqi2@cnooc.com.cn;

秦庭榮（1976—），男，安徽和縣人，講師，博士，研究方向為海事安全評估、智能航海技術，（E-mail）trqin@shmtu.edu.cn

An expert system model for formal safety assessment of tankers

XU Qi1， QIN Tingrong2， MA Guoliang2， XI Yongtao2

（1. Marketing Services Co.， CNOOC Energy Technology & Services Co.， Ltd.， Tianjin 300451， China;

2. Merchant Marine College， Shanghai Maritime University， Shanghai 201306， China）

Abstract：

Aiming at the non-quantitative and non-intelligent assessment problems in the safety inspection and access review of tankers in oil companies， the artificial intelligence technology is introduced to construct the expert system model for formal safety assessment （FSA） of tankers. In the model， the FSA method is combined with the expert system. The FSA method is used to solve the problem of non-quantitative assessment and subjective review of reports through risk identification， risk balance and risk quantification; the K-nearest neighbor algorithm and the weighted assignment algorithm are introduced to the expert system to solve the problem of non-intelligence and low efficiency of review evaluation. Official cases are selected to test the model. The test results show that， the proposed model can effectively help oil companies to achieve the quantification and intelligence of ship access review， and can significantly improve the efficiency of review and reduce the subjective impact of artificial assessment.

Key words：

tanker; ship inspection report; expert system; maritime administration; formal safety assessment （FSA）

0 引 言

航運是一個高風險行業，而液貨船由于其所運輸貨物本身的高危性，海上航行風險更大。一旦液貨船發生事故，人命安全、財產、海洋環境將會遭受十分嚴重的損害。目前，船舶安全檢查主要以國際海事組織（International Maritime Organization，IMO）和國際勞工組織（International Labor Organization，ILO）頒布的有關法令法規為依據開展工作，而各行業組織的行業檢查同樣以上述方式展開。針對液貨船和液貨船所屬船公司，目前最權威的國際石油公司協會OCIMF（Oil Company International Maritime Forum）提出了船舶檢查報告交換（ship inspection report exchange，SIRE）和液貨船管理自評估（tanker management and self-assessment，TMSA）兩大主要安全檢查手段。其中，SIRE要求第三方安全檢查人員以船舶檢查問卷（vessel inspection questionnaire，VIQ）的方式對液貨船進行全方位檢查。在進行檢查時，安檢員會對存在船舶安全缺陷的項目，即VIQ報告中的“觀察項”，標注上“No”，并附上相應缺陷的定性描述。近年來，隨著全球海上石油開發和油氣運輸業的快速發展，以及世界各國對海洋環境保護的日益重視，基于VIQ報告的液貨船準入審查已成為油氣生產運輸行業用船前的必經環節，審查的結果也成為決定船舶能否進入液貨船運輸市場的關鍵依據[1]。雖然這種液貨船準入審查機制可以為液貨船運輸新添一道重要安全防線，但是由于審查過程需要大量主觀判斷和重復勞動，且未能充分利用專家歷史審查經驗，增添了安檢員的工作壓力。油氣生產運輸行業急需一種智能液貨船安全評估模型，以降低人員工作強度、提高工作效率、規范審查標準。基于這一需求，本文提出一種液貨船綜合安全評估（formal safety assessment， FSA）專家系統（expert system，ES）模型（an expert system model for tankers based on FSA，ETF）。

1 液貨船安全評估前的風險識別與判斷準則

1.1 評估方法的選定

目前，圍繞VIQ報告展開的研究多停留在制度研究、應用研究等定性層面[2-3]，難以滿足石油公司對以定量的VIQ報告評估結果為評判標準的用船準入審查機制的迫切需求，同時也制約著石油行業的智能化發展，而以屬性匹配為基準，采用定量評估與智能算法結合的方式可解決這個問題。經過對各評估方法的比較和分析，最終選用FSA方法對VIQ報告進行量化（該定量評估方法已被IMO采納和推廣）。該方法從風險的角度進行風險識別和風險衡準（包含危險發生頻率指數和嚴重度指數的定義與取值），計算出相關危險對應的風險值，并給出建議。而由第三方安全檢查機構和石油公司審查人員分步進行的液貨船安全檢查同樣是一個進行風險識別、風險衡準并給出決策建議的過程，FSA方法的分析思路與目前液貨船安全評估的流程特點高度契合，且該方法在各種航運風險的定量評估上表現優異[4-5]，故將其作為本研究中量化VIQ報告的方法。

FSA方法的引入雖實現了VIQ報告的量化，但仍無法實現智能化計算。通過分析可知，液貨船安全檢查與評估具有很強的專業領域屬性，這與ES的應用屬性高度匹配。目前，ES作為一種模擬人類專家認知的智能算法，被廣泛應用于眾多領域，如評估領域（電廠風險評估[6]、企業服務質量評估[7]等）。通過ES構建面向航運業的評估模型更是成為近幾年的研究熱點。如TANG等[8]將模糊ES與評分系統集成對馬來西亞海上油氣平臺安全性進行了評估;OSIEWICZ等[9]運用ES幫助船舶所有人遴選合格的船員;BORKOWSKI[10]介紹了一種用于自動穩定船舶航向的ES以實現船舶自動航行;胡錦暉等[11]將ES應用于船舶訓練模擬器的操作考核評估;HE等[12]利用智能ES對三峽船閘航行風險進行評估。目前在與液貨船評估相關的研究領域，結合FSA方法與ES技術而進行的研究較為匱乏。

通過ES對液貨船進行評估，可有效開發和利用專家歷史審查經驗，在提高審查智能性的同時大幅提高審查工作的效率。ES具有的可解釋性能很好地滿足液貨運輸行業的服務性要求，如：需要告知船公司其船舶準入審查不通過的原因，這是包括神經網絡算法在內的所有涉及“黑箱操作”的智能算法所不具備的。

綜上所述，將FSA方法與ES技術相結合，能實現傳統評價方法與人工智能技術的優勢互補。本研究基于OCIMF成熟的液貨船安全檢查框架，構建ETF。ETF首先通過FSA方法對定性的評估進行量化，再利用ES技術對量化數據進行智能計算，從而實現對液貨船安全的智能量化評估。

1.2 風險識別

依據FSA方法的風險識別步驟，并結合液貨船所運輸貨物的屬性以及OCIMF的VIQ 7問卷結構，本研究提出由分屬12大類風險的425個風險因素所構建的液貨船FSA指標體系（以下簡稱“指標體系”），見圖1。風險因素是基于液貨船檢查報告中的觀察項提煉出來的，425個風險因素分別對應于425個觀察項。

圖1展示了該指標體系的12大類風險，各大類所含風險因素限于篇幅不便列出，僅在每個大類名稱下方列出其所包含的風險因素的數量。液貨船檢查報告均涵蓋了指標體系的425個風險因素。

1.3 風險衡準

為量化VIQ報告中觀察項的風險，根據FSA方法定義缺陷項風險R為缺陷項發生的頻率F與缺陷項產生的后果C的組合，可表示如下：

R=FC

（1）

對式（1）進行指數形式轉化：

IR=IF+IC

（2）

式中：IR為缺陷項風險指數;IF為缺陷項頻率指數;IC為缺陷項嚴重度指數。不同公司對上述指數會有不同的定義。依據中國海洋石油總公司企業標準《事故調查與分級、統計要求》（Q/HS 4018—2015），定義缺陷項的頻率指數和嚴重度指數，見表1和表2。

根據式（2）、表1和表2給出風險矩陣，見圖2。圖2中風險矩陣值反映的是該觀察項對應的風險大小，該值越大意味著風險程度越高，但是該數值并不代表審查員對該觀察項風險的賦分值。對觀察項風險的具體賦分需要依據行業對該風險的容忍度進行。風險容忍度是一種相對值，代表行業對風險的接受程度，是在風險偏好的基礎上設定的對相關目標實現過程中所出現差異的可容忍限度。

1.4 風險賦值

為將觀察項風險大小轉化為對應的風險賦值，依據風險理論和FSA方法將風險矩陣劃分為風險

不可容忍區、最低合理可行區和可忽略區。其中，最低合理可行區是臨界區，表示應在合理可行的前提下盡可能將該區風險降至最低。3種區域觀察項風險與風險賦值的轉化準則見圖3。

不可容忍區為重點識別和布控區，對處于該區的觀察項風險賦8～10分，并建議審查人員使用液貨船準入審查高風險項清單[3]輔助定量評估。處于可忽略區的觀察項風險一般很少或極少發生，發生后果較輕或極輕，對審查結果影響較小，因此對處于該區的觀察項風險賦0分或1分。為輔助審查人員對最低合理可行區觀察項風險進行賦值，將最低合理可行區進一步劃分為3級：對后果嚴重且相當可能發生的觀察項風險賦6分或7分;對后果較嚴重且有時發生的觀察項風險賦4分或5分;對后果較輕且較少發生的觀察項風險賦2分或3分。因此，審查員在對液貨船安全檢查報告中的觀察項風險進行量化打分時，需要根據自己的專業知識將觀察項風險歸入上述3個風險區中的一個區，并進行相應的風險賦值。

綜上可知，對觀察項風險進行賦值的過程，實質上是審查人員對觀察項風險進行專業判斷的過程。

2 ETF

ETF結合了FSA方法和ES技術的優勢，用前者設計標準風險賦值準則以實現液貨船檢查報告的科學量化，用后者引入語義匹配算法和觀察項風險賦值綜合算法進行智能計算，滿足評估的智能化需求。

2.1 K最近鄰算法

ETF采用經典的K最近鄰（K-nearest neighbor，KNN）算法作為相似度匹配算法[13]。KNN算法是一種簡單有效的有監督機器學習算法，本研究采用基于歐氏距離的KNN算法，其公式為

S（X，Xk）=1-ni=1wi（xi-xki）2

（3）

在ETF中，S（X，Xk）表示新VIQ報告中某個新觀察項X與知識庫中第k個歷史觀察項Xk的相似度。新觀察項X可以表示為X={x1，x2，…，xn}，其中xi（i=1，2，…，n）表示X的第i個關鍵詞的值;第k個歷史觀察項Xk可以表示為Xk={xk1，xk2，…，xkn}，其中xki（i=1，2，…，n）表示Xk的第i個關鍵詞的值。歷史觀察項的關鍵詞值恒為1;當新觀察項關鍵詞與歷史觀察項關鍵詞相同時，新觀察項關鍵詞值為1，否則新觀察項關鍵詞值為0。n為關鍵詞的數量，wi為第i個關鍵詞的權重，滿足約束：

ni=1wi=1

（4）

相似度的有效閾值為80%。推理機將滿足條件的觀察項及其風險歷史賦值記錄在綜合數據庫中。推理機模塊采用的風險賦值方法為：如果從知識庫中檢索到一個觀察項的語義相似度≥80%，則直接選用該觀察項的風險賦值作為新的觀察項風險賦值;如果存在m個歷史觀察項符合上述條件，則新的觀察項風險賦值以相似度為權重進行加權組合計算。加權組合計算過程可以表述為：假設有m個歷史觀察項的風險賦值，記為V1，V2，…，Vm，對應的相似度分別為S1，S2，…，Sm，則新的觀察項風險賦值為

V=mk=1Vk·Skmk=1Sk

（5）

假設檢查報告中有N個觀察項，由式（4）和（5）計算得到的第j個觀察項的風險值為qj，則該液貨船的總得分為

Q=100-Nj=1qj

（6）

滿分為100分，不設下限。本文不探討“及格線”問題，這與各石油公司的內部要求、市場競爭行為、當前市場供求關系等均有關聯。

2.2 模型構建

基于FSA方法和KNN算法構建ETF，見圖4。

對于包含425個風險因素的ETF，其知識庫及知識的獲取至關重要，且需要大量基礎數據作為算法的基礎。所有液貨船檢查報告中觀察項風險賦值記錄構成知識庫的內核，對于沒有風險賦值記錄的風險因素，仍然需要審查人員進行人工風險衡準，以對知識庫進行更新和補充。由于專業的特殊性，知識的更新和補充必須由液貨船安全檢查領域人員進行。

為提高知識獲取的可靠性，定義如下獲取規則：

①如果新報告中匹配到語義相似度在[60%， 80%）內的觀察項，則按相似度由高到低呈現兩個歷史相似觀察項的風險賦值情況，輔助專家進行人工風險衡準;②如果未能匹配到歷史風險賦值記錄或觀察項語義相似度小于60%，則需要領域專家進行人工風險衡準;③知識獲取的另一個途徑是基于觀察項風險自動賦值確認模塊，如果審查人員認為自動賦值結果明顯偏離實際情況，則可以進行手動賦值（自動更新到知識庫中）。

ETF的解釋器用于對求解過程作出說明，包括相似語句的個數、相似度計算值、新報告觀察項風險賦值等。人機界面模塊僅展示新報告觀察項內容、賦值、新報告的總得分。

另外，ETF可以通過對知識庫的逐步補充實現分步智能化目標。在當前知識庫不充分的情況下，可以通過審查人員手動賦值的方式實現定量評估和對知識庫的更新。隨著知識庫數據的積累及其迭代更新，該模型將逐漸趨于完善，并更加智能化。

3 模型應用及比較分析

為驗證ETF的有效性，選取在OCIMF官網發布的6艘液貨船SIRE報告為驗證案例。由于觀察項數量較多，現以“BEI HAI FEN JIN”號為例介紹ETF計算和人工計算過程，見表3。

對選取的6艘液貨船的檢查報告分別采用ETF計算和石油公司審查人員手工計算，比較結果見表4。

表4中，ETF評分與審查人員評分基本一致，在一定程度上表明了ETF的有效性。隨著觀察項數量增多，評分結果偏差有所增大，但是這對液貨船準入決策影響不大。造成評分結果偏差變大的原因：一方面是ETF存在運算誤差，另一方面是審查員在進行人工扣分賦值時帶有主觀情感因素。

在效率方面，以進行相同的審查問卷打分為例，ETF評分平均用時在180 s左右，人工評分平均用時則在1 500 s左右。此處的人工用時指電腦將一份報告的觀察項自動篩選并匯總到一個頁面后，讓審查員對觀察項進行直接打分并對存疑報告通篇閱讀所需的時間。審查人員通篇閱讀報告后進行觀察項篩選和綜合評判，并給出分數的傳統審查流程則需要2 h左右。由此可見，ETF自動計算效率遠高于人工判斷效率。進一步的分析可知，ETF評分最高用時雖然為427 s，但是檢索基本控制在4.6 s左右。審查確認是為避免在數據不完備的情況下出現檢索不到歷史扣分賦值記錄的問題，而設計的一個需要人工確認打分的附加模塊，比較費時。隨著數據的豐富，審查確認操作所用的時間也將大大減少，最終該模塊將不再發揮作用。

4 結 論

依據液貨船安全檢查報告對船舶進行準入審查是石油公司判斷是否使用該船的主要依據。針對這一過程中存在的非定量化、非智能化、工作效率低下等問題，本文提出將量化評估FSA方法與人工智能ES技術相結合，構建了一種液貨船綜合安全評估專家系統模型（ETF）。ETF計算結果與人工計算結果對比顯示，ETF具有較高的計算精度，且其評估效率大大高于人工評估效率，具有較好的應用前景。此外，對ETF中知識獲取規則進行了一定的修改，讓ETF知識庫進行自動更新，擴大了ETF的使用場景。下一階段目標是對高風險清單進行補充和實時更新，并將其融入ETF中進行自動識別和扣分賦值，以加強對高危項的精準把控。

最后，對撰寫過程中給予指導的老師和團隊其他成員以及評審過程中辛勤付出的各位專家表示衷心感謝。

參考文獻：

[1]LEGIEC' W. Position cross-checking on ECDIS in view of international regulations requirements and OCIMF recommendations[J]. The International Journal on Marine Navigation and Safe of Sea Transportation， 2016， 10（1）： 105-113. DOI： 10.12716/1001.10.01.12.

[2]辛英祺. 中國版“OCIMF組織”如何破題[J]. 中國船檢， 2020（1）： 83-86

[3]路友于， 鄭錄巖. 在SIRE檢查中如何避免高風險項的發生[J]. 天津航海， 2015（4）： 44-46.

[4]ASUELIMEN G， BLANCO-DAVIS E， WANG Jin， et al. Formal safety assessment of a marine seismic survey vessel operation， incorporating risk matrix and fault tree analysis[J]. Journal of Marine Science and Application， 2020， 19： 155-172. DOI： 10.1007/s11804-020-00136-4.

[5]KHORRAM S. A novel approach for ports container terminals risk management based on formal safety assessment： FAHP-entropy measure — VIKOR model[J]. Natural Hazards， 2020， 103： 1671-1707. DOI： 10.1007/s11069-020-03976-z.

[6]ISLAM M S， NEPAL M P， SKITMORE M， et al. A knowledge-based expert system to assess power plant project cost overrun risks[J]. Expert Systems with Applications， 2019， 136： 12-32. DOI： 10.1016/j.eswa.2019.06.030.

[7]ZUZK M， ZENKA M. Expert system assessing threat level of attacks on a hybrid SSH honeynet[J]. Computers & Security， 2020， 92： 1-18. DOI： 10.1016/j.cose.2020.101784.

[8]TANG K H D， DAWAL S Z M， OLUGU E U. Integrating fuzzy expert system and scoring system for safety performance evaluation of offshore oil and gas platforms in Malaysia[J]. Journal of Loss Prevention in the Process Industries， 2018， 56： 32-45. DOI： 10.1016/j.jlp.2018.08.005.

[9]OSIEWICZ Z， NIKON'CZUK P， PIELKA D. Application of artificial intelligence in the process of supporting the ship owners decision in the management of ship machinery crew in the aspect of shipping safety[J]. Procedia Computer Science， 2019， 159： 2197-2205. DOI： 10.1016/j.procs.2019.09.394.

[10]BORKOWSKI P. Inference engine in an intelligent ship course-keeping system[J]. Computational Intelligence and Neuroscience， 2017： 2561383. DOI： 10.1155/2017/2561383.

[11]胡錦暉， 胡大斌， 何其偉. 基于專家系統的船舶訓練模擬器考核評估算法[J]. 中國航海， 2015， 38（4）： 59-63.

[12]HE Wei， CHU Xiumin， ZHOU Yumeng， et al. Navigational risk assessment of Three Gorges ship lock： field data analysis using intelligent expert system[J]. Journal of Intelligent & Fuzzy Systems， 2020， 38： 1197-1202. DOI： 10.3233/JIFS-179481.

[13]張華年， 卜凡亮. 公安智能應急預案系統的設計與實現[J]. 中國人民公安大學學報（自然科學版）， 2019（3）： 65-69.

（編輯 賈裙平）