船舶设备风险估计模型探讨

董良雄 陈 辉

（武汉理工大学能源与动力工程学院 武汉 430063）

风险是未来可能发生的事故的危害程度，单一设备风险的根源是部件的损坏，而船舶设备种类繁多，加上船舶航行环境的特殊性，设备风险的来源、破坏机制、风险影响范围以及风险破坏力错综复杂，因此，对船舶风险的认识要从微观发展到宏观，以船舶设备总体上观察风险并预测风险程度，体现船舶设备的适航性特点．

1 风险预测思路

1．1 设备风险要素分析

建立风险评价指标体系，就应对影响设备风险的各个因素进行系统分析、筛选，确定能够反映风险水平的关键性因素．由于船舶设备种类繁多，设备风险的表现形式也较多，因此先考虑单个设备的风险，包括对风险事件发生概率的分析以及对可能造成后果的估计．船舶设备在一次事故中所承担的风险由3个因素决定：（1）设备的可靠度，即设备事故发生可能性的概率，以P记之（0＜P＜1），P值通常由过去曾发生过的类似事故统计分析来确定；（2）设备的易损度，即危险因素在人员、财产和环境等方面损失，以L记之（0＜L＜1），L 值由设备事故评价给出［1］；（3）设备适航度，以S记之（0＜S＜1），S值是地点位置的函数，由事故场分析给出，反应设备事故影响的相对严重度．每一类设备对船舶安全影响的重要程度是不一样的，同一风险事件，对不同的环境、人、设备也会造成不同的损害．

单设备和总体设备所承担风险的程度分别以r和R来表示，可建立如下计算公式

1．2 设备风险指标

根据式（2），风险评价指标体系的建立应从设备可靠度、易损度、适航度3个因素来考虑．事实上，船舶在营运过程中，人、机、环境与管理等影响船舶风险的指标都可纳入这3个要素之中．与此相对应，在船舶日常机务管理活动中，机务部门通过统计设备故障率，分析船舶设备技术性能，评估管理效果因素就能有效预测设备风险，具体指标如下：（1）故障统计指标，反应来源于零（元）部件缺陷、零件间的配合不协调、材质和制造工艺的离散性而造成的零（元）件故障、各零部件故障组合等随机性的事故风险．包括故障发生频度以及设备缺陷数等指标；（2）技术性能指标，反应设备技术状态的逐渐劣化，由量变到质变的渐成型故障风险，包括设备新度、完好度以及维护保养的相关指标；（3）安全保障指标，反应设备的控制与监测措施，对船舶干预度以及有效工作的程度，包括信息传递故障、人员误操作等指标．

基于上述指标分类和参考有关船舶安全评价的文献［2－3］，进一步对上述指标进行取舍，本文选取对船舶安全影响较大的13个风险因素建立船舶风险评价指标体系，见图1．

图1 船舶风险估计指标体系

1．3 预测方法的选择

风险预测的方法大致可以分为2种类型，即概率统计型（如专家预测、回归分析、变分法、马尔可夫链法等）和连续性预测法（包括灰色GM法、神经网络法等）．上述船舶设备信息的非平稳性特征，加之随环境影响较大，所以不宜用概率统计法去预测其故障发展趋势．采用上式计算总体风险常常有一定的困难，采用灰色GM（1，1）方法预测计算量小，速度快，但在多因素的情况下，灰色模型则显得有些吃力，误差较大．相比之下，神经网络具有良好的容错性、自适应性、自组织性和并行处理能力，对不同的复杂信息具有良好的融合作用．因此本文采用BP神经网络作为船舶风险估计的方法．

2 神经网络各部分参数的确定

2．1 网络输入确定

对于输入来说，上面确定了13个评价因素，这些指标中有一部分是定量的指标，并且除了可以肯定上面的这13个指标对于船舶机务风险评价系统都有关系以外，用明显的数值关系来表现这些影响的大小是很难确定的．在这种情况下，采用“语言变量”描述代替“数值”描述，通过合理的量化计算，最终得到一个合理的映射关系是能够做到的．从另一个角度来说，这是数据构成复杂时的一种变通方式．表1反映了各种输入指标的模糊化语言处理以及响应的量化分值．

表1 网络输入指标的模糊化语言变量及相应的量化分值

在上述模型中，各个因素指标均属性质各异的定量指标，难以根据体系因素指标的评价标准直接确定其究竟何时为“大”，“较大”，“中”或“小”等问题，所以必须对其进行适当的数学处理．

由于以上所列出的12个指标与输出指标的关系并不一样，有的呈正相关的的关系，有的则呈负相关的关系．对此可将这种相关性上的表现一致化．体现在数学上的处理就是：

当因素指标与输出指标呈正相关关系时

当因素指标与输出指标呈负相关关系时

式中：A0为因素的初始量化值；A为变换后该因素指标的量化值．

根据所制定的因素指标的量化准则，上述2式可以简化为：当因素指标与输出指标呈正相关关系时A＝A0；当因素指标与输出指标呈负相关关系时A＝1－A0．

经过变换后因素指标与网络的输出指标“风险等级”之间的关系均可视为正相关的关系，换言之这些指标均属决策理论中的“效益型”定量指标，因此对他们的处理可引入模糊数学中对于“指标值越大隶属度越高”的“效益型”指标的隶属度的计算方法，按照各定量性因素指标在不同风险等级的实际量值，将其转化为与“风险等级”对应的隶属度．

式中：xij，xi，min，xi，max分别为样本j中指标i的数值，所有样本集中指标i的最大值和最小值．

同时，为了和其他定性指标评价标准的一致，对式（5）进行修正，并映射到1－5之间的评价分值：

评价的分值 mij＝4×rij＋1 （6）

2．2 网络输出确定

神经网络模型的输出为船舶设备风险等级，风险等级分级针对船舶航行安全可靠性以及对人员和环境的影响而制定，系统的划分应覆盖到全部事故领域．采用航运公司的习惯划分方法，将船舶设备的总体风险程度分为5个级别，相对应于船舶及设备的总体故障状态［4］，见表2．

表2 设备总体风险等级状态

对于训练目标的确立，由于神经网络的输出层要描述上述5个风险状态，所以输出使用3个神经元，3个神经元可以最多描述8个状态，从而训练目标确定为T＝（0，0，1），（0，1，0），（0，1，1），（1，0，0）（1，0，1），分别对应各种风险等级状态．

2．3 隐层节点数设计

隐层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示．隐单元的数目与问题的要求、输入／输出单元的数目都有着直接关系．隐单元数目太多会导致学习时间过长、误差也不一定最佳，也会导致容错性差、不能识别以前没有看到过的样本，因此一定存在一个最佳的隐单元数［5］．

文献［3］研究表明，在多次试验中发现，隐层节点数取输入节点数和输出节点数之间的值，在靠近输入节点时，网络的收敛速度较快．但是也不能盲目的扩大节点数，因为在节点数变大的时候，虽然迭代次数变少，但网络明显变大，计算量变大，从而使计算时间变长，因而提出了一个单隐层隐层节点数的极端公式：

式中：n为输入节点数；m为输出节点数．

本文也正是采用了这种方法，从而得出隐层节点数为19个．进而确定了BP神经网络的结构为13－19－3．

3 基于BP神经网络的风险甄别

3．1 样本收集与构造

现代船舶大多按ISM规则建立一套事故、事故隐患和违章行为的报告制度，任何事故、事故隐患和违章行为都由船舶管理部门进行调查分析而形成了船舶典型机务风险案例，用专家打分的方法确定案例中设备的风险水平，就形成了风险估计训练样本．

根据指标特性可先构造基本的训练样本，然后利用典型机务风险案例对基本训练样本进行插值扩充，并根据因素指标量化准则进行数据处理，可使得整个网络既有普遍性，又有针对性和准确性［6］，通过此种方法构造的训练样本集见表3．

表3 网络的训练样本集

续表3

3．2 网络训练与检验

进行样本训练时，将训练样本作为神经网络的输入，以训练目标作为神经网络的目标，然后对每一个输入矢量在训练好的网络中进行计算，得到输出矢量，从而得到训练值．

进行预测分析时，将检验样本放在训练好的网络中进行计算，从而得到预测值，这个预测值与目标值进行对比，就可以得到预测误差．网络的检测样本集合见表4．

表4 网络的检验样本集

上面几次检验样本中，网络的输出依次为：（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）．也就是说检验样本1对应的风险等级为C，检验样本2对应的风险等级为A，检验样本3和4对应的风险等级为D，检验样本5对应的风险等级为B．从表4可以看出，对各个分析输入矢量进行训练后预测后，输出的结果已经很接近理想输出，其中输出的最小误差为0．012 6，最大误差为0．198 1，这是由于训练样本点过少造成的．虽然输出不是标准的0和1，但完全可以依靠模型进行船舶设备总体风险等级识别．

4 结束语

本文分析影响船舶设备整体风险的因素，从单设备风险因素出发建立船舶设备总体风险模型，构建船舶总体设备风险估计指标体系以及BP神经网络模型，借助Matlab软件实现BP神经网络对船舶风险样本的学习与训练．通过BP神经网络模型的输出值与船舶总体风险值（期望值）的比较和检验，验证BP神经网络对船舶风险估计具有一定的可行性与有效性．实例验证表明，该模型预测精度高，预测效果好，具有可操作性．

［1］鲍君忠，刘正江，黄通涵．船舶风险评价模型［J］．大连海事大学学报，2011，36（4）：11－13．

［2］李 勇，张 哲．基于神经网络的航行安全性预测模型［J］．武汉理工大学学报：交通科学与工程版，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］葛哲学，沙 威．小波分析理论与MATLAB 2007实现［M］．北京：电子工业出版社，2007．

［6］葛哲学，孙志强．神经网络理论与MATLAB 2007实现［M］．北京：电子工业出版社，2008．