基于HHM-RFRM理论的智能船舶航行风险识别与筛选_张文君.pdf

文章编号:1009-6094(2023)02-0333-08基于 HHMRFRM 理论的智能船舶航行风险识别与筛选*张文君，张英俊，张闯(大连海事大学航海学院，辽宁大连 116026)摘要:针对智能船舶航行过程中航行关键风险因素的有效识别和筛选问题，提出了基于等级全息建模(HierarchicalHolographic Modeling，HHM)框架和风险过滤、评级与管理(Risk Filter，Ranking and Management，RFRM)思想的智能船舶航行风险识别与筛选理论。首先，构建智能船舶航行风险识别 HHM 模型，以全面而准确地选取和反映智能船舶航行风险来源;其次，通过 RFRM 模型对风险因素进行过滤、排序和筛选，结合贝叶斯方法的多判据评估模型，识别出智能船舶航行过程中可能存在的关键风险因素。结果可以为相关海事机构和船舶公司进行动态管理提供理论依据，同时为保障智能船舶航行安全提供一种手段。关键词:安全工程;等级全息建模(HHM)风险过滤、评级与管理(RFRM);智能船舶;风险识别中图分类号:X951文献标志码:ADOI:10.3/j issn1009-6094.2021.1667*收稿日期:20210917作者简介:张文君，博士研究生，讲师，从事智能船舶风险评估研究;张英俊(通信作者)，教授，博导，从事海上 智 能 运 输 系 统 研 究，zhangwenjun dlmu edu cn。基金项目:辽宁省“兴辽英才计划”项目(XLYC1902071)0引言近年来，随着人工智能、大数据、物联网、云计算等技术的快速发展，智能系统已广泛应用于交通、航空和生产运输等领域。具备自主航行能力的智能船舶凭借着经济高效、节能环保、安全可靠等发展优势，成为国际海事界关注的焦点。早在 2006 年，国际 海 事 组 织(International Maritime Organization，IMO)提出了电子航海(e-Navigation)的概念1，标志着智能船舶概念的起源。2016 年 6 月，IMO 海上安全委员会(Maritime Safety Committee，MSC)第 98 次会议首次将“无人船”作为新增议题正式提出2。2018 年5 月 MSC 在第99 次会议上将“无人船”定义为“海 上 自 主 水 面 船 舶”(Maritime AutonomousSurface Ship，MASS)，MASS 不仅具有独立航行的能力，还具备与岸基操作人员实时传递信息的能力。船舶主要包括 4 个层级的自动化水平:第一层级，船员在船上直接操作和控制船上系统，有些系统操作可以是自动化的;第二层级，由远程控制和操作，但船上配备船员，遇到紧急情况船员可以随时操作和控制船舶;第三层级，由远程控制和操作并且船上不配备船员，遇到紧急情况均由远程控制人员处理;第四层级，完全自动化船舶，船上的操作系统能够自动决策并采取有效行动。船舶自动化发展的过程实质上就是智能化发展的过程3，发展到第三层级和第四层级就是现在所研究的“无人船”，本文所研究的智能船舶航行风险识别主要是针对第三层级和第四层级的船舶。智能船舶航行风险识别和评价作为一项具有重大理论意义和实践意义的课题，已经在智能船舶岸基监 测 预 警 关 键 技 术4 5、海 上 风 险 探 测 与 识别6 7、复杂航行条件下无人驾驶船舶风险评估8 10 等方面取得了一定成果。2017 年，Wrobel 等11 第一次根据 100 起传统船舶事故报告，采用海事人因分析、假设分析等方法研究了假设 MASS 为事故船舶情景下的风险识别。Utne 等12 通过系统理论过程分析进行危险源辨识和分析，根据系统理论过程分析(Systems Theoretic Process Analysis，STPA)的结果生成以贝叶斯信念网络为代表的风险识别模型。Bolbot 等13 提出了一种新的船舶系统网络安全风险评估方法。该方法使网络初步危险分析的步骤得到了丰富，新的步骤支持网络攻击场景的识别和风险评估的实施，并且已应用于内河航道智能船舶导航和推进系统的网络风险识别和评估。Fan 等14 提出了航次计划、靠泊和离泊、进出港、航行，人为因素、船舶因素、环境因素和技术因素风险识别模型，通过查阅文献和专家咨询从 4 个航行阶段和 4 种风险类型对 MASS 进行航行风险识别。Zhou 等15 提出了一种新的基于 STPA 的风险识别模型。该模型提供了一个识别危害和揭示因果因素的综合过程，通过系统安全和安全需求将消除或减轻危害的策略落实到系统设计中，使危害得到持续跟踪和闭环管理。在智能船舶航行风险评估和预警研究方面，姚厚杰16 针对自主货物运输船舶航行风险因素辨识过程中数据缺乏的问题，基于传统船舶的事故报告及专家意见，运用文本挖掘和故障假设分析方法实现了对自主货物运输船舶航行风险因素的辨识，从而实现了智能船舶风险预警。智能船舶作为一种新的货物运输形式，虽然有很多方面的优势，但其航行风险等问题也不容忽视。333第 23 卷第 2 期2023 年 2 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 2Feb，20231 637国内外学者主要从微观上对智能船舶航行风险开展定性或半定量研究，但从宏观上系统识别智能船舶航行风险的研究较少，采用何种方法从宏观上识别航行风险是本文研究的主要内容。本文首先采用等级全息模型和风险过滤、排序及管理框架相结合的方法，构建智能船舶风险识别模型，基于所构建的模型结合相关文献与专家经验，对航行风险因素进行识别筛选，并过滤出关键风险因素。1智能船舶航行风险识别 HHM 模型利用 HHM 识别智能船舶航行全过程的风险源首先需要确定船舶在航行计划、靠离泊、进出港和开阔水域航行 4 个阶段可能遇到的风险，并构建风险评价体系。1.1评价指标体系构建风险评价指标体系的构成和逻辑关系主要体现的是每个风险影响因素的排列组合和关联关系。全面合理的指标体系构成可将每个风险因素进行分类处理和科学排序，从而客观全面地反映船舶整体风险状况水平17。人、船、环境和管理是船舶海上安全航行的四大基本要素18，按照这四大要素的分类原则创建智能船舶航行风险识别评价指标，见图 1。图 1智能船舶航行风险识别评价指标体系Fig 1Risk identification and evaluation index systemof intelligent ship navigation1.2航行风险因素分析本文在建立风险评价指标体系时，首先按照待评价的对象和目标特征，筛选出各风险影响指标，并将这些指标制作成调查问卷，通过专家咨询意见对这些选取的指标做进一步的统计分析。然后，结合数理统计思想对专家意见进行推算，从而计算出影响度较高的专家建议选择的风险指标因素。图 2 给出了风险因素迭代分析流程。通过以上流程完成了迭代过程分析，并根据智能船舶实际航行情况将各风险因素归入 4 个视角下。1)操作人员因素。针对操作人员因素而言，智能船舶安全航行的影响要比传统船舶的影响小得多。但智能船舶引入了远程操控中心及岸基操作人员等概念，从而传统有人船舶的一些人为因素影响转移到了岸基操作人员身上。根据国际海事组织对岸基操作人员的定义及工作限定，基于智能船舶岸基操控人员总体角度分析人的影响因素，主要包括岸基操作人员的教育培训、心理状态、生理状态、应急反应等方面。图 2风险因素迭代分析流程Fig 2Iterative analysis process of risk factors2)船舶因素。对于智能船舶来说，船舶因素主要分为船舶自身影响、船舶积载、结构与性能、设备与保养、感知与理解等。船舶自身的安全影响风险因子通常包括船舶尺寸、船舶吨位、船龄等情况19。船舶积载主要考虑货物满载率、货物系固程度和货物危险性质等。在海上航行时，船舶的速度、水密性和船体强度等结构与性能与其碰撞危险及损失影响程度有密切的关系。在复杂航行条件下，尤其是在狭水道、浅水水域、桥区、大风浪条件、极区航行中，智能船舶的感知与理解显得尤为重要，感知系统代表了传统有人船舶的环境信息观察等工作。智能船舶在进行目标识别时，通过各类传感器获取环境的多源异构信息进行航行环境理解，进而进行态势判断，并将判断的结果通过语义描述输入智能船舶航行决策系统，做出避碰决策与规划，进而实现安全航行。感知与理解方面主要包括目标识别能力、航行环境理解、态势判断、语义理解。智能船舶航行过程中，需要与岸基操作中心保持联系与通信，而海上通信设备的可靠性是需要主要考虑的影响因素。3)环境因素。综合分析各类内外环境因素之后，将智能船舶风险评价分析涉及的环境因素划分为气象条件、水文条件、通航条件、进出港条件和其他干扰因素 5 个方面。根据智能船舶对外界航行信息的需求分析，将水文气象指标具体划分为能见度、风、雨、雷电、光433Vol 23No 2安全 与 环 境 学 报第 23 卷第 2 期照、流速和涌浪等;将通航条件、进出港条件和其他干扰因素具体划分为交通流、碍航物、助航条件、富余水深、泊位利用率、港口环境、海上漂浮物、沉船和礁石等。4)管理因素。对于智能船舶而言，管理因素主要涉及相应的船舶管理公司及海事管理部门等。本文的侧重点在于智能船舶船公司的安全管理体系。综合考虑和借鉴传统有人驾驶船舶管理影响因素及智能船舶管理的特点，选择船公司船舶安全管理体系、部门合作、海事监管、维修方案中的维修及时性和检修周期、应急管理能力、技术保障能力和船岸互动能力等指标作为管理因素的次级指标进行分析。图 3智能船舶航行风险识别 HHM 模型Fig 3HHM model of intelligent ship navigation risk identification1.3HHM 框架构建智能船舶航行风险识别作为一项复杂、多层级结构的系统工程，其内在风险因素之间的相互影响关系错综复杂，外部环境与船舶之间交互作用产生不同视角下的风险源，在风险识别中仅考虑局部风险因素无法达到有效控制风险的目标，因此，利用HHM 对其分层次进行全方位、多视角的分析是极其有效的。为了全面而准确地选取和反映智能船舶航行风险来源，本文在以上风险因素分析的基础上建立智能船舶航行风险识别 HHM 模型，见图 3。2基于 HHMRFRM 方法的风险识别与筛选结合智能船舶海上航行的特点，按照 RFRM 方法进行风险识别与筛选，步骤如下。1)根据建立的 HHM 模型，识别出智能船舶安全航行的 4 个主要风险场景，即岸基操作人员分析场景、船舶分析场景、环境分析场景和管理分析场景。2)对识别出的主要风险场景进行过滤。根据需要研究的风险场景结合实际调查研究结果进行风险过滤，以减少进入下一步的风险数量。本文综合 10位专家的调查意见，筛选掉了生理状态 P3、船龄 S13、货物危险性质 S23、船体强度 S33、船舶保养程度 S42、5332023 年 2 月张文君，等:基于 HHMRFRM 理论的智能船舶航行风险识别与筛选Feb，2023雷电 E14、部门合作 M12和检修周期性 M328 个风险场景，剩余 36 个风险场景。3)利用风险矩阵进一步对风险因素进行过滤，并且对风险进行初步的排序，以便提高下一步分析的准确性。风险矩阵过滤有两个判据:一个是风险发生的可能性，另一个是风险产生的影响后果。相应的评价等级见图 4。将风险的影响后果和发生的可能性结合起来就是风险的严重程度，按风险的严重程度划分为高风险、较高风险、一般风险和较低风险 4 个等级。从决策者角度而言，低风险影响一般可以忽略，重点考虑很高风险和较高风险。专家对筛选后的风险场景、风险发生的后果和发生的可能性进行评价。综合专家对风险后果和可能性的意见，可以得到关于风险发生可能性和发生后果的评级。将过滤后的风险组成矩阵，去掉位于低风险和一般风险等级中的风险，结果见表 1。表 1风险过滤及排序矩阵Table 1Risk filtering and ranking matrix