基于大数据的船舶安全风险评估与预测

基于大数据的船舶安全风险评估与预测

金旭

中国船舶集团渤海造船有限公司   辽宁省葫芦岛市   125005

摘要：随着我国大数据技术的快速发展，在船舶安全管理过程中，船舶的控制难度在增高,安全性也受到了巨大的影响。本文对基于大数据的船舶安全风险评估预测方法进行探讨,并使用该方法对近海海区的安全进行评估和预测分析,证明使用该技术能够较好地进行船舶的安全风险预测,并且可以动态化预测水域内的安全风险,有效保障船舶的安全。

关键词：船舶；安全；风险评估；预测

引言

近年来，我国船舶行业发展迅猛，生产技术水平不断提高，但在实际生产过程中仍然存在诸多的安全隐患。船舶建造过程作业流程长、人员流动性大、劳动密集，事故类型复杂面广，是掣肘企业安全监管工作的最大问题[1-3]。对此，需要积极采取有效措施，针对行业特色加强风险隐患分级分类研究，从而从源头上实现事故的预防预控，为行业生产提供安全保障。

1港船舶操纵安全特性

1.1环境多变性的挑战

作为航运的重要枢纽,其独特的特点主要体现在环境多变性的挑战上。天气和潮汐等自然要素时刻处于变化之中,为船舶操纵带来了复杂而严峻的考验,导致操纵风险的提高。因此,需要深入研究这一问题的本质,分析不同环境条件下的操纵特点,为船舶操纵提供更为可靠和适应性强的风险评估方法,从而降低因环境不确定性导致的操纵风险；同时,通过对多变性的深入挖掘,为船舶操纵领域的安全性做出更为创新和前瞻性的贡献。

1.2技术应用的复杂性

随着科技的飞速进步,船舶操纵系统的技术应用变得日益复杂,自动化系统和高度先进的导航设备等技术的广泛应用为船舶操纵带来了新的挑战与机遇。自动化系统可以提高操作效率,为导航提供更准确的数据,但导航设备的精密度和复杂性也引入了新的安全风险,需要更高水平的技能来操作和应对故障。在面对这种技术复杂性的背景下,需要深入审视各类操纵技术的实际应用,并探讨其在安全性评估中的作用和影响；在技术发展中必须深思如何在追求创新的同时保障船舶操纵的安全性,并在制定操纵系统的设计标准时考虑如何有效应对技术带来的各类挑战,以确保船舶操纵系统的高度可靠性和安全性。

2船舶安全影响因素

2.1环境因素

（1）自然环境：船舶所在区域的气象条件、水文环境将会影响船舶的航行姿态,区域内船舶航行方式,潮汐、洋流等因素还会影响航道的宽度,从而对航道的安全造成影响。（2）航行环境：包括航行的内部变化环境,主要是航行过程中的交通条件,比如水域中船舶的数量、密度、航速、平均船长、平均船宽等等。

2.2人为因素

船舶航行过程中需要接受人员的控制,人员的技能、身体素质、精神状态都会决定对船舶的控制水平,以及在出现突发状况下能否做出正确决策保证船舶安全。船员具备较强的专业技能,拥有丰富的工作经验和理论知识,可以保证在异常状况下做出正确的应变；同时,由于目前船舶上的人员减少,为应对繁重的工作,对人员的身体素质要求也进一步提升。

3船舶航行安全信息挖掘模型

3.1熵权-云模型的船舶安全信息

计算使用熵权-云模型可以建立船舶安全信息特征数据集合,熵权法可以对数据和模型进行重新分配,并针对存在的危险进行量化分析处理,对各类特征数据进行数据计算,获得特征评价模型,并计算隶属度。通过列出隶属度矩阵和权重系数矩阵,相乘之后就可以获得区域内的安全系数。1.云模型云模型是解决复杂问题提出的方法,结合了定性信息和定量数据的不确定转换,能够反映体系的模糊性和随机性,通过使用模糊数学和统计学原理,能够实现定性信息和定量数据之间的相互转换。云理论会建立云的期望、熵、超熵,期望是云滴在定量领域中的分布方式,根据期望可以确定云滴在系统整体分布中的重心位置；熵是体系的模糊度,计算出的熵越大,则体系就有越大的不确定性；超熵是在熵值之上对熵值的进一步计算,根据超熵可以获得整个模型的不确定性。2.安全信息权重确定本文使用熵权法进行信息分析,该方法利用了未知事务所包含信息量和发生概率之间的关系。计算时会分析信息熵,根据信息熵的大小来确定熵权。计算之前需要对数据进行去量化和归一化处理,获得各个方案下的比值,然后进行特征熵的计算,最后通过信息熵进行特征权重的计算。

3.2基于Infomer的船舶安全信息挖掘模型

SNSIMM框架本文使用Infomer神经网络进行船舶安全信息的挖掘,它能够优化神经网络的精度,适用于船舶安全研究,最终建立SNSIMM船舶安全信息框架模型。模型结构中,训练数据会输入到编码器中,获得级联特征图,之后经过解码器解码进入全连接层,最终计算出安全系数。在本模型中,会基于时间排序获取船舶航行安全信息特征数据,并通过稀疏注意力模块获得级联特征图。解码器通过获得长时间的时间序列数据,利用注意力机制和级联特征图交互,最后获得对未来风险的计算结果。模型运行时,会获得船舶所在地区的交通量、水流风向、水流流速、风速等安全信息特征数据,完成对船舶航行安全系数的演算。进行分析时,会每隔十分钟进行一次n条船的安全信息特征时序数据,数据内容包括平均交通量、船舶平均速度、船舶平均距离、会遇率等等。长时间序列建模时,不仅需要局部时间戳,还需要包括年、月、日等其他层次的时序信息,如果基于常规自注意力机制进行序列X的时序匹配时,可能会出现键值匹配错误的问题。为了保证匹配的效果,需要将编码分为标量、局部时间戳和全局时间戳三个部分。

3.3船舶安全信息挖掘试验分析

（1）实验区域概况某水域的交通情况比较复杂,水路交通十分繁忙,容易发生船舶交通事故。近年来商船渔船碰撞、砂石船自沉等事故的占比较大。随着疫情后的贸易恢复,船舶事故发生频次出现上涨。针对该水域复杂的交通环境,获取了6744条船舶静态信息,其中货船数量超过50%,因此主要针对货船进行挖掘。（2）熵权-云模型安全信息计算1.数据集构建AIS数据为该水域连续三个月的实测数据,区域内的风速、流速等基础数据来自国家海洋信息中心网站对船舶安全信息特征的详细数值。通过对数据的预处理,获得流速、风速和船舶的AIS数据,通过对数据进行时空融合,对每10分钟数据进行一次统计。经过六次统计,该水域的平均交通量在90艘/10分钟左右,船舶的平均间距在6.00kn-6.50kn,该水域的水流流速相对稳定,处于0.88m/s-1.00m/s,风速在5m/s左右。2.评语云模型构建结合实际工作,将船舶的安全信息评分分为0,0.3)0.3,0.5)0.5,0.7)0.5,0.9)0.9,1）五个区间,分别对应安全、比较安全、一般、比较危险、危险五个评价,之后可以获得航行的评语云模型,在该模型中,船舶航速呈正态云分布。（3）安全信息权重根据船舶航行安全信息特征数据,需要进行归一化处理,并使用熵权法计算船舶航行的安全特征。根据上述信息分析结果,发现间距和航速的影响权重比较大,说明在该水域出现安全问题主要由速度控制不合理以及平均间距分布不合理导致。说明在管理中,应该加强对水域内平均间距的控制,并要求船舶在进入水域后控制航速,创造安全的通行环境。

结束语

通过使用Informer神经网络建立SNSIMM船舶的大数据分析模型,可以精准预测和分析水域内的安全水平。同时,相比传统分析方式,使用智能技术更为灵活,可以自动化完成各类分析工作,会根据通行状况、水域内的变化不断做出智能分析,能较好地满足船舶航行安全管理的需要。

参考文献

[1]何芳,刘永杰,赵杨等.船舶安全作业管控系统研究[J].信息系统工程,2022,(06):128-132.

[2]李抒.基于船舶大数据的航行安全信息挖掘方法研究[D].武汉理工大学,2022.

[3]高敏.大数据时代的船舶安全监管模式研究分析[J].中国水运,2021,(12):22-23.

[4]唐瑞鹏,孙国玺,张锋.大数据背景下船舶移动网络信息安全风险预测模型[J].舰船科学技术,2021,43(20):163-165.

[5]孙硕.基于大数据的船舶驾驶行为评估[D].大连海事大学,2021