液货船综合安全评估专家系统模型

许琦 秦庭荣 马国梁 席永涛

摘要：针对当前石油公司在液货船安全检查和准入审查中存在的非定量、非智能评估问题，引入人工智能技术构建液货船综合安全评估（formal safety assessment， FSA）专家系统模型。该模型将FSA方法与专家系统进行组合，前者通过风险识别、风险衡准和风险量化，解决报告的非定量评估和审查的主观性问题;后者引入K最近邻算法、加权赋值算法等解决审查评估的非智能化和效率低的问题。选取官方案例进行模型检验，其结果表明提出的模型能有效地帮助石油公司实现船舶准入审查的定量化、智能化，并能显著提高审查效率，降低人工评估的主观性影响。

关键词：

液货船; 船舶检查报告; 专家系统; 海事管理; 综合安全评估（FSA）

中图分类号：  U698.3

文献标志码：  A

收稿日期： 2020-05-29

修回日期： 2020-11-17

基金项目： 国家自然科学基金（51709168）;上海市科技创新行动计划（18DZ1206104）

作者简介：

许琦（1990—），男，河北承德人，工程师，硕士，研究方向为海事技术及数字化应用，（E-mail）xuqi2@cnooc.com.cn;

秦庭荣（1976—），男，安徽和县人，讲师，博士，研究方向为海事安全评估、智能航海技术，（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

航運是一个高风险行业，而液货船由于其所运输货物本身的高危性，海上航行风险更大。一旦液货船发生事故，人命安全、财产、海洋环境将会遭受十分严重的损害。目前，船舶安全检查主要以国际海事组织（International Maritime Organization，IMO）和国际劳工组织（International Labor Organization，ILO）颁布的有关法令法规为依据开展工作，而各行业组织的行业检查同样以上述方式展开。针对液货船和液货船所属船公司，目前最权威的国际石油公司协会OCIMF（Oil Company International Maritime Forum）提出了船舶检查报告交换（ship inspection report exchange，SIRE）和液货船管理自评估（tanker management and self-assessment，TMSA）两大主要安全检查手段。其中，SIRE要求第三方安全检查人员以船舶检查问卷（vessel inspection questionnaire，VIQ）的方式对液货船进行全方位检查。在进行检查时，安检员会对存在船舶安全缺陷的项目，即VIQ报告中的“观察项”，标注上“No”，并附上相应缺陷的定性描述。近年来，随着全球海上石油开发和油气运输业的快速发展，以及世界各国对海洋环境保护的日益重视，基于VIQ报告的液货船准入审查已成为油气生产运输行业用船前的必经环节，审查的结果也成为决定船舶能否进入液货船运输市场的关键依据[1]。虽然这种液货船准入审查机制可以为液货船运输新添一道重要安全防线，但是由于审查过程需要大量主观判断和重复劳动，且未能充分利用专家历史审查经验，增添了安检员的工作压力。油气生产运输行业急需一种智能液货船安全评估模型，以降低人员工作强度、提高工作效率、规范审查标准。基于这一需求，本文提出一种液货船综合安全评估（formal safety assessment， FSA）专家系统（expert system，ES）模型（an expert system model for tankers based on FSA，ETF）。

1 液货船安全评估前的风险识别与判断准则

1.1 评估方法的选定

目前，围绕VIQ报告展开的研究多停留在制度研究、应用研究等定性层面[2-3]，难以满足石油公司对以定量的VIQ报告评估结果为评判标准的用船准入审查机制的迫切需求，同时也制约着石油行业的智能化发展，而以属性匹配为基准，采用定量评估与智能算法结合的方式可解决这个问题。经过对各评估方法的比较和分析，最终选用FSA方法对VIQ报告进行量化（该定量评估方法已被IMO采纳和推广）。该方法从风险的角度进行风险识别和风险衡准（包含危险发生频率指数和严重度指数的定义与取值），计算出相关危险对应的风险值，并给出建议。而由第三方安全检查机构和石油公司审查人员分步进行的液货船安全检查同样是一个进行风险识别、风险衡准并给出决策建议的过程，FSA方法的分析思路与目前液货船安全评估的流程特点高度契合，且该方法在各种航运风险的定量评估上表现优异[4-5]，故将其作为本研究中量化VIQ报告的方法。

FSA方法的引入虽实现了VIQ报告的量化，但仍无法实现智能化计算。通过分析可知，液货船安全检查与评估具有很强的专业领域属性，这与ES的应用属性高度匹配。目前，ES作为一种模拟人类专家认知的智能算法，被广泛应用于众多领域，如评估领域（电厂风险评估[6]、企业服务质量评估[7]等）。通过ES构建面向航运业的评估模型更是成为近几年的研究热点。如TANG等[8]将模糊ES与评分系统集成对马来西亚海上油气平台安全性进行了评估;OSIEWICZ等[9]运用ES帮助船舶所有人遴选合格的船员;BORKOWSKI[10]介绍了一种用于自动稳定船舶航向的ES以实现船舶自动航行;胡锦晖等[11]将ES应用于船舶训练模拟器的操作考核评估;HE等[12]利用智能ES对三峡船闸航行风险进行评估。目前在与液货船评估相关的研究领域，结合FSA方法与ES技术而进行的研究较为匮乏。

通过ES对液货船进行评估，可有效开发和利用专家历史审查经验，在提高审查智能性的同时大幅提高审查工作的效率。ES具有的可解释性能很好地满足液货运输行业的服务性要求，如：需要告知船公司其船舶准入审查不通过的原因，这是包括神经网络算法在内的所有涉及“黑箱操作”的智能算法所不具备的。

综上所述，将FSA方法与ES技术相结合，能实现传统评价方法与人工智能技术的优势互补。本研究基于OCIMF成熟的液货船安全检查框架，构建ETF。ETF首先通过FSA方法对定性的评估进行量化，再利用ES技术对量化数据进行智能计算，从而实现对液货船安全的智能量化评估。

1.2 风险识别

依据FSA方法的风险识别步骤，并结合液货船所运输货物的属性以及OCIMF的VIQ 7问卷结构，本研究提出由分属12大类风险的425个风险因素所构建的液货船FSA指标体系（以下简称“指标体系”），见图1。风险因素是基于液货船检查报告中的观察项提炼出来的，425个风险因素分别对应于425个观察项。

图1展示了该指标体系的12大类风险，各大类所含风险因素限于篇幅不便列出，仅在每个大类名称下方列出其所包含的风险因素的数量。液货船检查报告均涵盖了指标体系的425个风险因素。

1.3 风险衡准

为量化VIQ报告中观察项的风险，根据FSA方法定义缺陷项风险R为缺陷项发生的频率F与缺陷项产生的后果C的组合，可表示如下：

R=FC

（1）

對式（1）进行指数形式转化：

IR=IF+IC

（2）

式中：IR为缺陷项风险指数;IF为缺陷项频率指数;IC为缺陷项严重度指数。不同公司对上述指数会有不同的定义。依据中国海洋石油总公司企业标准《事故调查与分级、统计要求》（Q/HS 4018—2015），定义缺陷项的频率指数和严重度指数，见表1和表2。

根据式（2）、表1和表2给出风险矩阵，见图2。图2中风险矩阵值反映的是该观察项对应的风险大小，该值越大意味着风险程度越高，但是该数值并不代表审查员对该观察项风险的赋分值。对观察项风险的具体赋分需要依据行业对该风险的容忍度进行。风险容忍度是一种相对值，代表行业对风险的接受程度，是在风险偏好的基础上设定的对相关目标实现过程中所出现差异的可容忍限度。

1.4 风险赋值

为将观察项风险大小转化为对应的风险赋值，依据风险理论和FSA方法将风险矩阵划分为风险

不可容忍区、最低合理可行区和可忽略区。其中，最低合理可行区是临界区，表示应在合理可行的前提下尽可能将该区风险降至最低。3种区域观察项风险与风险赋值的转化准则见图3。

不可容忍区为重点识别和布控区，对处于该区的观察项风险赋8～10分，并建议审查人员使用液货船准入审查高风险项清单[3]辅助定量评估。处于可忽略区的观察项风险一般很少或极少发生，发生后果较轻或极轻，对审查结果影响较小，因此对处于该区的观察项风险赋0分或1分。为辅助审查人员对最低合理可行区观察项风险进行赋值，将最低合理可行区进一步划分为3级：对后果严重且相当可能发生的观察项风险赋6分或7分;对后果较严重且有时发生的观察项风险赋4分或5分;对后果较轻且较少发生的观察项风险赋2分或3分。因此，审查员在对液货船安全检查报告中的观察项风险进行量化打分时，需要根据自己的专业知识将观察项风险归入上述3个风险区中的一个区，并进行相应的风险赋值。

综上可知，对观察项风险进行赋值的过程，实质上是审查人员对观察项风险进行专业判断的过程。

2 ETF

ETF结合了FSA方法和ES技术的优势，用前者设计标准风险赋值准则以实现液货船检查报告的科学量化，用后者引入语义匹配算法和观察项风险赋值综合算法进行智能计算，满足评估的智能化需求。

2.1 K最近邻算法

ETF采用经典的K最近邻（K-nearest neighbor，KNN）算法作为相似度匹配算法[13]。KNN算法是一种简单有效的有监督机器学习算法，本研究采用基于欧氏距离的KNN算法，其公式为

S（X，Xk）=1-ni=1wi（xi-xki）2

（3）

在ETF中，S（X，Xk）表示新VIQ报告中某个新观察项X与知识库中第k个历史观察项Xk的相似度。新观察项X可以表示为X={x1，x2，…，xn}，其中xi（i=1，2，…，n）表示X的第i个关键词的值;第k个历史观察项Xk可以表示为Xk={xk1，xk2，…，xkn}，其中xki（i=1，2，…，n）表示Xk的第i个关键词的值。历史观察项的关键词值恒为1;当新观察项关键词与历史观察项关键词相同时，新观察项关键词值为1，否则新观察项关键词值为0。n为关键词的数量，wi为第i个关键词的权重，满足约束：

ni=1wi=1

（4）

相似度的有效阈值为80%。推理机将满足条件的观察项及其风险历史赋值记录在综合数据库中。推理机模块采用的风险赋值方法为：如果从知识库中检索到一个观察项的语义相似度≥80%，则直接选用该观察项的风险赋值作为新的观察项风险赋值;如果存在m个历史观察项符合上述条件，则新的观察项风险赋值以相似度为权重进行加权组合计算。加权组合计算过程可以表述为：假设有m个历史观察项的风险赋值，记为V1，V2，…，Vm，对应的相似度分别为S1，S2，…，Sm，则新的观察项风险赋值为

V=mk=1Vk·Skmk=1Sk

（5）

假设检查报告中有N个观察项，由式（4）和（5）计算得到的第j个观察项的风险值为qj，则该液货船的总得分为

Q=100-Nj=1qj

（6）

满分为100分，不设下限。本文不探讨“及格线”问题，这与各石油公司的内部要求、市场竞争行为、当前市场供求关系等均有关联。

2.2 模型构建

基于FSA方法和KNN算法构建ETF，见图4。

对于包含425个风险因素的ETF，其知识库及知识的获取至关重要，且需要大量基础数据作为算法的基础。所有液货船检查报告中观察项风险赋值记录构成知识库的内核，对于没有风险赋值记录的风险因素，仍然需要审查人员进行人工风险衡准，以对知识库进行更新和补充。由于专业的特殊性，知识的更新和补充必须由液货船安全检查领域人员进行。

为提高知识获取的可靠性，定义如下获取规则：

①如果新报告中匹配到语义相似度在[60%， 80%）内的观察项，则按相似度由高到低呈现两个历史相似观察项的风险赋值情况，辅助专家进行人工风险衡准;②如果未能匹配到历史风险赋值记录或观察项语义相似度小于60%，则需要领域专家进行人工风险衡准;③知识获取的另一个途径是基于观察项风险自动赋值确认模块，如果审查人员认为自动赋值结果明显偏离实际情况，则可以进行手动赋值（自动更新到知识库中）。

ETF的解释器用于对求解过程作出说明，包括相似语句的个数、相似度计算值、新报告观察项风险赋值等。人机界面模块仅展示新报告观察项内容、赋值、新报告的总得分。

另外，ETF可以通过对知识库的逐步补充实现分步智能化目标。在当前知识庫不充分的情况下，可以通过审查人员手动赋值的方式实现定量评估和对知识库的更新。随着知识库数据的积累及其迭代更新，该模型将逐渐趋于完善，并更加智能化。

3 模型应用及比较分析

为验证ETF的有效性，选取在OCIMF官网发布的6艘液货船SIRE报告为验证案例。由于观察项数量较多，现以“BEI HAI FEN JIN”号为例介绍ETF计算和人工计算过程，见表3。

对选取的6艘液货船的检查报告分别采用ETF计算和石油公司审查人员手工计算，比较结果见表4。

表4中，ETF评分与审查人员评分基本一致，在一定程度上表明了ETF的有效性。随着观察项数量增多，评分结果偏差有所增大，但是这对液货船准入决策影响不大。造成评分结果偏差变大的原因：一方面是ETF存在运算误差，另一方面是审查员在进行人工扣分赋值时带有主观情感因素。

在效率方面，以进行相同的审查问卷打分为例，ETF评分平均用时在180 s左右，人工评分平均用时则在1 500 s左右。此处的人工用时指电脑将一份报告的观察项自动筛选并汇总到一个页面后，让审查员对观察项进行直接打分并对存疑报告通篇阅读所需的时间。审查人员通篇阅读报告后进行观察项筛选和综合评判，并给出分数的传统审查流程则需要2 h左右。由此可见，ETF自动计算效率远高于人工判断效率。进一步的分析可知，ETF评分最高用时虽然为427 s，但是检索基本控制在4.6 s左右。审查确认是为避免在数据不完备的情况下出现检索不到历史扣分赋值记录的问题，而设计的一个需要人工确认打分的附加模块，比较费时。随着数据的丰富，审查确认操作所用的时间也将大大减少，最终该模块将不再发挥作用。

4 结 论

依据液货船安全检查报告对船舶进行准入审查是石油公司判断是否使用该船的主要依据。针对这一过程中存在的非定量化、非智能化、工作效率低下等问题，本文提出将量化评估FSA方法与人工智能ES技术相结合，构建了一种液货船综合安全评估专家系统模型（ETF）。ETF计算结果与人工计算结果对比显示，ETF具有较高的计算精度，且其评估效率大大高于人工评估效率，具有较好的应用前景。此外，对ETF中知识获取规则进行了一定的修改，让ETF知识库进行自动更新，扩大了ETF的使用场景。下一阶段目标是对高风险清单进行补充和实时更新，并将其融入ETF中进行自动识别和扣分赋值，以加强对高危项的精准把控。

最后，对撰写过程中给予指导的老师和团队其他成员以及评审过程中辛勤付出的各位专家表示衷心感谢。

参考文献：

[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. 中国版“OCIMF组织”如何破题[J]. 中国船检， 2020（1）： 83-86

[3]路友于， 郑录岩. 在SIRE检查中如何避免高风险项的发生[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]胡錦晖， 胡大斌， 何其伟. 基于专家系统的船舶训练模拟器考核评估算法[J]. 中国航海， 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]张华年， 卜凡亮. 公安智能应急预案系统的设计与实现[J]. 中国人民公安大学学报（自然科学版）， 2019（3）： 65-69.

（编辑 贾裙平）