不同潮流时段船舶靠泊作业风险贝叶斯决策模型

来源:用户上传      作者:

　　摘要：为采取有效决策行为降低船舶靠泊作业风险，分析船舶靠泊作业流程，结合专家的知识对任务节点进行筛选，得到船舶靠泊作业过程图。通过对因素间可靠度进行检验，构建贝叶斯网络结构，建立船舶靠泊作业风险决策模型。结合油船靠泊作业相关数据，获取各节点条件概率，将贝叶斯推理、决策等分析方法应用到模型中，得出一定风险状态下的风险决策结论。将潮流分为6个时段，根据每个时段的证据推理结果，识别出各时段船舶靠泊作业中的关键环节，为相关部门提供参考。
　　关键词： 贝叶斯网络; 船舶靠泊作业风险; 决策模型
　　中图分类号： U675.92    文献标志码： A
　　Abstract： To reduce the ship berthing operation risk by taking effective decision-making behaviors， the ship berthing operation process is obtained by analyzing the ship berthing operation flow and combining the knowledge of experts to screen the task nodes. By testing the reliability between factors， the Bayesian network structure is constructed， and the risk decision-making model of the ship berthing operation is established. Combined with the data related to the berthing operation of oil tankers， the conditional probability of each node is obtained， the Bayesian reasoning and decision-making analysis methods are applied to the model， and the risk decision-making conclusion under a certain risk state is obtained. The tide is divided into six periods. According to the evidence reasoning results of each tide period， the key tasks in the ship berthing operation of each tide period are identified， which provides reference for relevant departments.
　　Key words： Bayesian network; ship berthing operation risk; decision-making model
　　0 引 言
　　伴随全球经济的迅速发展，尤其是发展中国家工业化进程不断加深，全球航运贸易依赖度持续提升，各港口国船舶靠港量持续增长[1]。航运业的繁荣导致越来越多的船舶投入生产使用，在促进经济繁荣的同时，也带来了严重的安全问题[2]。研究表明，在船舶安全事故中，有很大一部分是在港内发生的[3]。船舶安全事故具有发生概率较小，事故后果较为严重的特点，一旦发生事故，不仅会严重威胁生命财产安全，而且会带来恶劣的社会影响。靠泊作业作为船舶港内作业的重要任务环节，应当对其风险进行评估，并及时采用相应的管理措施，以保证船舶靠泊作业的安全。
　　目前，对于港口船舶靠泊安全作業的研究多集中于风险的定性或定量评价方面：周端标[4]根据大型钻井平台靠离泊操作的具体工作，提出了其中可能存在的风险以及相关建议;刘轶华等[5]针对Q-Max型LNG船，配置各个参数，通过模拟找出其在上海洋山港码头靠离泊的主要限制条件，保证靠离泊作业安全;CUI等[6]基于模糊蝴蝶结模型对油船靠离泊作业发生溢油的风险进行了评估。
　　在船舶作业风险评价研究中也出现了基于综合安全评估（formal safety assessment，FSA）[7]、熵权物元模型[8]、可拓学理论[9]、脆性联系理论[10]、贝叶斯分析[11-15]等的风险评估方法。贝叶斯分析方法在推理、预测和决策方面有着较大的优势，并在水上航行风险评估领域得到了一定的应用。TRUCCO等[11]通过事故树分析法分析技术因素，并结合贝叶斯信念模型对公海船舶碰撞风险进行了评估;ZHANG等[12]结合FSA和贝叶斯网络，对我国长江航道的船舶航行安全进行了评估;郭云龙等[13]利用贝叶斯网络建立了引航风险的动态预测模型，对引航任务进行分级;叶跃祥等[14]对不确定多属性的决策问题，使用贝叶斯网络推理技术进行了研究;陈朝等[15]构建了贝叶斯网络拓扑结构实现对长江航运安全状态的监测。以上这些研究大多是基于因素识别的船舶航行风险评估，但对于船舶作业可以看作时间顺序下不同作业任务的衔接过程这一特点考虑较少。此外，如何根据船舶风险状态采取有效的决策行为也是一个值得研究的问题。
　　本文通过对船舶靠泊作业过程进行分析，利用贝叶斯网络建立基于作业过程的船舶靠泊作业风险决策模型，分析在一定风险状态下各任务环节的决策行为，并利用贝叶斯网络推理技术对靠泊作业过程中的主要风险环节进行分析。
　　1 相关问题的描述
　　1.1 船舶靠泊作业过程分析
　　影响船舶靠泊作业安全的因素众多，以往的研究多集中于风险因素的研究，但是结合大量事故样本的分析发现，船舶靠泊作业事故主要是由作业任务环节失败造成的。基于船舶靠泊作业历史数据分析，以及对相关专业人员进行访谈，对船舶靠泊作业过程进行梳理分析，得出主要任务环节。船舶靠泊作业过程见图1。在船舶靠泊作业准备阶段，主要有辅助作业、船舶位置控制、作业区清爽3个任务环节。 　　 （1）辅助作业是船舶在靠泊作业时同步进行的作业任务，包括缆绳和拖船的准备，其所提供的辅助作业服务可大大提高靠泊作业的安全性。拖船在作业前需依照相关管理部门规定依计划使用，同时需要根据气象、潮流等环境条件的变化及时对拖船作业任务进行调整。
　　（2）船舶位置控制指在机舱内工作人员和出舱人员的配合下，通过不断调整船舶角度，保证船舶处于安全位置。船舶位置控制与泊位前后是否有系泊船舶有关：一般分为前后已有船停泊、前或后有1艘船停泊、前后无他船停泊3种情况。不同情况下准备靠泊的操作方案有较大的差异，本文以前后已有船停泊的靠泊作业为研究对象。
　　（3）作业区清爽的目的是保障船舶安全航行。安全航行主要依靠船舶状况和速度控制，同时依赖方案准备和信息系统。船舶状况主要体现在船舶的抗风险能力上，不良的船舶状况在靠泊作业时会大大降低船舶抗风险能力，使事故更易发生，良好的船舶状况以及合适的行驶速度，不仅能够提升靠泊作业效率，还可以很大程度上保证船舶靠泊作业安全;方案准备指利用信息、潮流等通过合理有效的方法制订靠泊作业方案，以保证船舶靠泊作业的安全性;信息系统包含人员信息、他船信息和VTS信息，实时动态掌握、利用这些信息，可以有效避开不安全行为，提升船舶靠泊作业安全度。
　　船舶靠泊作业任务包括缆绳作业和系泊控制：缆绳作业指船舶在进行靠泊作业时的系、解缆作业，用于辅助调整船舶位置，直至完成靠泊作业;系泊控制的目的是将船舶固定在规定的位置上，可靠的系泊控制是保证船舶安全进行装卸等作业任务的关键。根据对船舶靠泊作业过程中各作业任务的分析，综合数据样本所反映的主要作業环节，按照实际操作流程解析船舶靠泊作业路径，初步得到船舶靠泊作业任务图;进一步结合相关作业人员经验及专家知识，对图中不合理的节点、网络结构进行调整，在真实反映船舶靠泊作业任务的基础上，方便对船舶靠泊作业风险进行科学研究。
　　1.2 不同作业条件下船舶靠泊作业风险贝叶斯决策  船舶靠泊作业可以看作时间顺序下不同操作任务的衔接过程，通过对船舶靠泊作业任务的分析，将船舶靠泊作业过程分为靠泊作业前的准备阶段和靠泊作业阶段，在每一阶段都有基于操作顺序的一系列任务，且两个任务阶段也是具有前后关系的。
　　2.3 船舶靠泊作业决策模型
　　为在贝叶斯网络中实现船舶靠泊作业风险决策，增加决策节点F和效用节点D[14]。决策节点F表示在经过模型评估得到船舶靠泊作业风险值后所采取的各种措施，包括继续作业（F1）、暂缓整治后作业（F2）和停止作业（F3）3种。效用节点D表示在一定的靠泊作业风险值下采取各决策行为所得到的期望值。在本文模型中，经过贝叶斯网络推理后得到该节点的值（即效用值），然后根据该值进行决策，选取最合适的措施。以靠泊作业准备工作Z1为例，根据其风险状态进行相应的决策，对应的船舶靠泊作业决策模型见图3。
　　3 案例分析
　　3.1 情景描述
　　 以油船在港口的靠泊作业为例，搜集油船多次靠泊作业数据，获取节点的条件概率。在某次油船靠泊时，人员失误造成船舶位置控制失误，同时造成缆绳作业失效，管理部门叫停了作业任务，经过6 h的排查整治后作业继续进行。
　　3.2 数据获取与网络结构
　　在船舶靠泊作业风险贝叶斯网络中，对于与父节点存在逻辑关系的节点，可以通过逻辑分析得到其条件概率，对于在父节点共同作用下的节点，结合该港口相关历史数据和专家经验获得其条件概率。为此，对某港船舶靠泊作业现场进行调研：选取2012—2017年该港油船靠泊作业数据和253起历史事故数据作为样本;对该港口引航员、船员、港口管理人员以调查问卷的方式进行访谈，共发放问卷120份，收回问卷114份，剔除其中的无效问卷2份，最终得到有效问卷112份;把处理后的数据代入式（1）和（2），对因素之间的相关性进行检验，结果见表1。
　　 由表1可以看出，因素相关性检验结果与建立的贝叶斯网络具有一致性。然而，也有个别例外，如节点L6与R1、节点L10与Z1之间的相关系数均大于0.3，但是在网络结构中，两两节点间并无直接的连线。这是因为节点L6可以通过L6-N2-R1与节点R1建立联系，节点L10可以通过L10-Y1-Z1与节点Z1建立联系，虽然两者之间有相关性，但是可以省略掉两者之间的连线。至此，完成对图2所示的船舶靠泊作业风险贝叶斯网络的验证，表明网络结构是可靠的。
　　3.3 节点条件概率获取
　　在搜集到的油船靠泊作业相关数据中，随机选取125起事故数据和56份有效问卷构建训练集对模型进行训练。通过在各节点连续设置证据信息（即单因素和多因素失效信息）对模型进行训练，通过预测推理，得到相应条件下的不同风险值和决策效用值，通过对风险值和决策效用值的分析，获得最佳效用系数和效用值区间。训练结果显示，决策效用值的范围为[-100，100]，且决策效用值越大表明决策效果越好。对于网络中的根节点（即没有父节点的节点），其条件概率主要通过历史数据获取，见表2。
　　 对于有父节点的节点，其条件概率主要结合实际作业状况及专家经验获取，如节点Y2、R1等节点。对于需要根据专家打分来获取先验概率的节点，聘请来自海事领域的教授1名、引航员2名和船长1名对其风险概率进行打分，并进行加权平均计算，得到这些节点的条件概率表。限于文章篇幅，以节点Y2为例，Y2的条件概率见表3。
　　3.4 模型仿真
　　在进行船舶靠泊作业风险决策时，增加效用节点，根据其效用值来选择决策行为。为保证决策结果的有效性，需要对模型进行训练，即对模型进行多次输入输出，得到效用节点中最佳的决策效用系数。获取油船靠泊作业风险决策模型各节点条件概率后，将各节点条件概率输入到模型中，进行模型的决策演练。以图3所示的决策行为为例，为“靠泊作业准备工作”节点添加父节点“决策”，为“靠泊作业”节点添加子节点“效用”，同时连接由“决策”指向“效用”的连线。该决策以“靠泊作业准备工作”的风险状态为依据，根据不同的决策行为所产生的效用值，确定是否进行靠泊作业。 　　 在更新节点数据和状态后，得到该任务环节的风险决策结果，如图4所示。从模型决策结果看，采取暂缓整治后作业（F2）的效果最佳，采取停止作业（F3）的效果次之，而不推荐采取继续作业（F1）措施，这与实际作业中所采取的决策行为是一致的，同时也验证了模型的可靠性。
　　3.5 结果分析
　　靠泊作业管理是一项复杂的工作，涉及到众多的不确定性因素。潮流对船舶靠泊作业有较大的影响，为更好地保障该港口船舶靠泊作业安全，将潮流分为初涨、急涨、高平潮、初落、急落和落末6个时段。对节点L3进行初始条件设定，见表4。设置靠泊作业风险值为100%，进行诊断推理，得出不同潮流作用下的决策行为，找出影响船舶靠泊作业的主要风险任务节点（本文取风险值最高的4个节点），见表5。
　　 根据诊断推理的结果，在不同潮流时段船舶靠泊作业应各有侧重，保证作业安全：
　　（1）在初涨潮时段，应做好靠泊的方案准备，密切关注吃水，提早控制船速，及时加强缆绳作业。如果选择顺流靠泊作业方式，应避免侧推作业，必要时增加拖船协助作业。
　　（2）在急涨潮时段，根据模型推理结果显示，各任务环节均处于高风险状态，不适合进行靠泊作业。
　　（3）在高平潮时段，应派遣有经验的引航员，按要求在指定地点带缆、送缆，提前做好应急预案。在该时段应注意避免掉头靠泊作业，如采取掉头靠泊的作业方式，应增加拖船作业，以保障作业安全。
　　（4）在初落潮时段，要高标准进行靠泊方案准备工作，提前控制好船舶速度和靠泊姿态，规范操作，必要时增加辅助作业，如拖船协助。
　　（5）在急落潮时段，船方应密切配合，注意提前控制余速，掌握船舶角度，关注小船动态，保证船舶间的有效安全距离，提前避让。
　　（6）在落潮末时段，要做好顺流靠泊的方案准备，尽量增加拖船来协助靠泊作业，提前控制余速，及时关注船舶姿态，远距离候泊，同时注意提前避让其他船舶。
　　3.6 网络灵敏度分析
　　为验证模型的可靠性，需要对模型进行灵敏度分析。在油船靠泊作业风险评估和决策模型中，可通过创建一个新的决策节点（灵敏度检测）验证模型的灵敏度，灵敏度检测节点的状态集合为{low，normal，high}，表示网络灵敏度的高低。将新创建的灵敏度检测节点分别与决策节点F和一个根节点用弧线连接，以便在两个决策节点之间引入一个明确的时间顺序，通过效用值的差异判别网络的灵敏性。为增强验证的可靠性，从不同作业任务环节中选取船舶状况（L7）、缆绳（L10）和机舱配合（L12）3个根节点分别作为连接节点依次进行验证。
　　以节点L7进行灵敏度检测为例。在图4所建模型的基础上，新建灵敏度检测节点，分别连向节点L7和决策节点F;通过第3.1节对各因素的条件概率分析可以知道，节点L7在正常状态下的low risk为0.62;基于此，假设灵敏度检测节点分别处于low、normal、high灵敏度状态，节点L7的low risk分别为0.52、0.62、0.72，进而获得节点L7的条件概率表;对灵敏度检测节点设置证据信息后运行模型进行逻辑推理，分别获得其在low、normal、high灵敏度状态下的效用值，完成灵敏度检测。节点L10和节点L12的灵敏度检测同理进行。得到的灵敏度检测结果见图5。
　　 从图5可以看出：（1）在相同决策行为下，选择不同任务环节作为检测节点，同一灵敏度状态下效用值具有一致性，表明模型具有良好的稳定性;（2）当选择某一任务环节，如船舶状况（L7）为不变量时，效用值在不同灵敏度状态、不同决策行为下表现出明显的差异性，表明网络有较高的灵敏性;（3）模型是可靠的，具有普遍的适用性。
　　4 结 论
　　结合船舶靠泊作业流程和贝叶斯决策分析方法，针对船舶靠泊作业的特点，基于船舶靠泊实际操作过程，得到船舶靠泊作业过程图。利用贝叶斯推理、决策等分析方法，构建船舶靠泊作业风险贝叶斯网络，通过节点间的置信度检验对模型可靠性进行验证。添加决策变量和效用变量，以“靠泊作业准备工作”任务环节为例，构建船舶靠泊作业风险决策模型，通过大量样本信息，进行网络训练，获取效用值区间范围。以某港油船靠泊作业为研究对象，针对“靠泊作业准备工作”的决策行为进行建模分析，通过設置证据信息，得到不同潮流条件下采取“继续作业”决策行为的船舶靠泊作业主要风险任务。
　　结果表明，模型决策结果与作业实际情况具有良好的一致性，且在不同潮流作用下，模型表现出很强的灵敏性，表明在不同潮流作用下船舶靠泊作业的主要风险环节有明显的差异性。本模型可为港口相关管理人员进行靠泊作业决策提供参考。本文研究背景为前后有他船停靠情况下的船舶靠泊作业风险决策，对于其他停靠情况未做研究;所建的风险决策模型属于静态模型，对动态预警功能的研究存在不足：下一步的研究可以从这两点进行拓展。
　　参考文献：
　　[1] TSAINI P. International shipping and world trade[R]. Greece： University of Piraeus， 2012.
　　[2] VIDMAR P， PERKOVI M. Safety assessment of crude oil tankers[J]. Safety Science， 2018， 105：178-191. DOI： 10.1016/j.ssci.2018.02.009.
　　[3] PIKE K， BUTT N， JOHNSON D， et al. 15 years of shipping accidents： a review for WWF[R]. Southampton： Southampton Solent University， 2013.
　　[4] 周端标. 海上大型钻井平台拖带航行与靠离泊方法[J]. 中国航海， 2013， 36（3）： 147-150. 　　[5] 刘轶华， 杨小军， 肖英杰. Q-Max型LNG船舶靠离江苏洋口港模拟[J]. 上海海事大学学报， 2014， 35（3）： 1-6. DOI： 10.13340/j.jsmu.2014.03.001.
　　[6] CUI Wengang， FAN Houming， YAO Xi， et al. Oil spill risk analysis of tanker berthing and handling operation based on fuzzy bow-tie model[C]//International Conference on System Reliability and Science. IEEE， 2017： 72-77.DOI： 10.1109/ICSRS.2016.7815841.
　　[7] 羅福才， 林焰， 王运龙. 基于综合安全评估的渔船安全风险分析[J]. 大连海事大学学报， 2011， 37（2）： 51-53. DOI： 10.16411/j.cnki.issn1006-7736.2011.02.029.
　　[8] 胡甚平， 方泉根， 夏海波. 船舶航行规范化安全评估技术与相对风险评估模型[J]. 大连海事大学学报， 2005， 31（2）： 18-22.DOI： 10.16411/j.cnki.issn1006-7736.2005.02.006.
　　[9] 郑世民， 翁大涛， 刘广强. 跨海客滚运输船舶航行风险评估[J]. 交通运输研究， 2015（4）： 75-80. DOI： 10.16503/j.cnki.2095-9931.2015.04.011.
　　[10] 陈厚忠， 赵尊荣， 郭国平， 等. 基于脆性联系理论的客滚船航行风险辨识研究[J]. 武汉理工大学学报（交通科学与工程版）， 2016， 40（3）： 490-494.DOI： 10.3963/j.issn.2095-3844.2016.03.020.
　　[11] TRUCCO P， CAGNO E， RUGGERI F， et al. A Bayesian belief network modelling of organisational factors in risk analysis： a case study in maritime transportation[J]. Reliability Engineering & System Safety， 2008， 93（6）： 845-856. DOI： 10.1016/j.ress.2007.03.035.
　　[12] ZHANG D， YAN X P， YANG Z L， et al. Incorporation of formal safety assessment and Bayesian network in navigational risk estimation of the Yangtze River[J]. Reliability Engineering & System Safety， 2013， 118（10）： 93-105.DOI： 10.1016/j.ress.2013.04.006.
　　[13] 郭云龙， 胡甚平， 轩少永， 等. 基于动态风险预测的船舶引航任务分级管理[J]. 中国安全科学学报， 2014， 24（12）： 63-69.DOI： 10.16265/j.cnki.issn1003-3033.2014.12.019.
　　[14] 叶跃祥， 糜仲春， 王宏宇， 等. 基于贝叶斯网络的不确定环境下多属性决策方法[J]. 系统工程理论与实践， 2007， 27（4）： 107-113.
　　[15] 陈朝， 张庆年， 殷月， 等. 基于贝叶斯网络的长江航运安全状况监测模型研究[J]. 交通运输研究， 2017， 3（6）： 32-39. DOI： 10.16503/j.cnki.2095-9931.2017.06.005.
　　[16] FU Shanshan， ZHANG Di， MONTEWKA J， et al. Towards a probabilistic model for predicting ship besetting in ice in Arctic waters[J]. Reliability Engineering & System Safety， 2016， 155： 124-136.DOI： 10.1016/j.ress.2016.06.010.
　　（编辑 赵勉）
转载注明来源:https://www.xzbu.com/4/view-15151753.htm