船舶風險診斷推理模型的設計與應用

董良雄， 盧金樹， 朱發(fā)新

(浙江海洋學院 海運與港航建筑工程學院, 浙江 舟山 316022)

船舶風險診斷推理模型的設計與應用

董良雄， 盧金樹， 朱發(fā)新

(浙江海洋學院 海運與港航建筑工程學院, 浙江 舟山 316022)

在船舶風險管理中，為從已有的風險監(jiān)測實例中挖掘出潛在的風險診斷知識，將人工智能的思想應用于風險狀態(tài)識別，利用基于信息熵的決策樹的知識獲取方法從監(jiān)測實例中推理風險與相應特征的對應關系。采用主元分析方法約簡條件屬性，采用C4.5算法度量風險監(jiān)測實例表中各條件屬性對狀態(tài)識別的重要性，建立基于狀態(tài)監(jiān)測實例庫的風險診斷推理模型。通過運用此模型對船體腐蝕程度進行風險監(jiān)測管理，驗證了診斷推理的效果，相應的信息處理流程為船舶的持續(xù)風險監(jiān)控提供了手段支持。

水路運輸；船舶風險診斷；推理系統；知識獲??；決策樹

根據《國際安全管理(International Safety Management,ISM)規(guī)則》，船舶應能根據本船已發(fā)生的風險案例，對船舶安全狀態(tài)進行有效監(jiān)測，并建立一套診斷與預控機制來確定船舶運行的風險。通過定期檢驗船舶與報告船舶運行管理中的事故隱患機制，可以收集許多風險信息或監(jiān)測實例。因此，為在船舶營運中有效識別風險，必須從這些監(jiān)測實例中挖掘出風險辨識知識，并以此為基礎進行風險診斷推理。

船舶風險通常具備隨機性、模糊性，風險的特征又常常具有信息不完全性，具體表現為征象組合重疊、復雜多變，實際中這些特征直接導致風險檢測困難?，F有風險分析方法常常不能兼顧客觀性和普適性，客觀性強的分析方法因缺乏普適性而應用困難，普適性強的分析方法的客觀性往往又很差。文獻[1]和[2]建立了船舶風險狀態(tài)的綜合評估模型，但較多地依靠人員的現場經驗，風險推理過程中主觀性過強。文獻[3]和[4]建立了船舶管理信息系統，形成了岸基管理人員和船舶共同使用的綜合性網絡，實現了船舶狀態(tài)監(jiān)控、風險診斷以及數據統計等功能，這也是現代船舶管理公司普遍采用的管理平臺，但目前在平臺建設中多強調管理系統的整體性，功能上多注重閉環(huán)控制與嚴密性，在風險診斷中存在特征因素分析和數據處理方面的困難。

為解決這些問題，可在風險辨識中利用監(jiān)測得來的信息和數據，通過知識工程的思路和技術，借助計算機技術，實現風險自動識別[5]，兼顧風險診斷中的普適性和客觀性，使風險管理更科學、更智能，從而使船舶信息管理系統不斷完善。

1 基于學習推理的風險診斷原理

完整的船舶風險診斷需要監(jiān)測較多的狀態(tài)參數，實施困難；而通過分類辨識和歸納學習，從大量的實例中提取相關知識，形成相應的推理規(guī)則，能夠在參數較少的情況下進行船舶風險狀態(tài)辨識，從而將風險診斷與船舶已有的信息管理系統相結合，實現風險自動識別。其原理結構見圖1，包括數據庫模塊、診斷規(guī)則庫模塊、推理模塊和結果輸出模塊等。[6]通過數學方法對案例庫中的實例進行篩選和知識提取，從而將診斷規(guī)則載入診斷模塊。新監(jiān)測的風險特征向量經離散化處理后實時送到診斷模塊，診斷模塊則根據診斷規(guī)則進行推理并輸出相應結果。此外，由于風險本身的不確定性和多變性，案例庫和規(guī)則庫也需要隨風險進行動態(tài)更新，利用每次風險發(fā)生后收錄與存儲的數據促進風險診斷的優(yōu)化。

圖1 風險診斷推理模型

2 決策樹學習算法

目前獲取知識應用較多的方法是決策樹算法，此處選用C4.5決策樹算法，依據信息增益比來選擇測試屬性。設實例樣本空間S由k類組成，分別為C1,C2,…,Ck，對應的概率為pi=|Ci|/|S|，i=1,2,…,k，則該樣本空間的期望分類信息熵為

(1)

如果監(jiān)測屬性A可取n個不同的值，在劃分規(guī)則下可將樣本空間S劃分為n類集合S1,S2,…,Sn，pj=|Sj|/|S|，pij=|Si∩Ci|/|S|，j=1,2,…,n，樣本空間S的條件信息熵、信息增益、分裂信息、信息增益比分別為

(2)

gain(S,A)=H(S)-H(S,A)

(3)

(4)

GainRatio(S,A)=Gain(S,A)/SI(S,A)

(5)

依次針對所有監(jiān)測屬性計算上述各參數，比較各監(jiān)測屬性的信息增益比，將具有最大信息增益比的屬性作為決策樹的根節(jié)點。若樣本空間被劃分為m個不相交的子集，則從根節(jié)點下伸出m個分叉而形成m個新的葉節(jié)點[7]。根節(jié)點的不同屬性值同樣將樣本空間劃分為幾組，同樣選擇各組新的根節(jié)點作為該組的新分類依據，依此類推，直到所有的實例樣本都被分類，或實例樣本達到某一設定的分類程度(即決策樹建成)。對樹中每一分支進行描述，便形成風險診斷知識的產生式分類規(guī)則。

3 主元分析約簡算法

樣本空間往往會有大量狀態(tài)監(jiān)測參數或屬性，但并不是所有的狀態(tài)監(jiān)測參數都是必須的，因為參數之間可能存在冗余，且參數越多，所需花費的狀態(tài)辨識時間越長；形成的決策樹太大會導致規(guī)則的普適性不強，精度也有可能降低。因此，要對監(jiān)測屬性進行篩選。采用主元分析法，原理是數據空間降維，即將原來的n維空間降至m維空間，也就是將原來的n維空間融合為m維空間，此時的m維空間數據仍能表達原來信息的大部分內容[7]，因而更適合船舶風險監(jiān)測實例的數據特征。

4 診斷步驟與實例

船體腐蝕是影響船舶安全的重要因素，一般在塢檢時根據船體測厚數據進行判斷。由于上塢全面檢查間隔期一般較長,且會有較大的經濟損失，因此可在船舶非停航狀態(tài)下采集船體局部測厚數據對整體腐蝕程度進行診斷推理，將船舶塢檢的記錄作為監(jiān)測實例，通過學習歸納和提取實例中的知識，將這些知識以決策樹的形式表示出來,并從中提取辨識規(guī)則，做到對船體腐蝕風險的持續(xù)監(jiān)測。

4.1數據準備與離散化

為提高建立決策樹的效率，需對連續(xù)屬性進行離散化變換。數據離散化有等距離劃分、等頻率劃分及信息熵等方法。等頻率劃分是將屬性中的m個對象劃為k段，這樣每段中有m/k個對象，把每個監(jiān)測屬性值從小到大排列，然后等頻率劃分為幾個等級。以某公司同型船的塢修記錄為數據來源的離散化樣本見表1。

表1 離散化的船體腐蝕監(jiān)測樣本

表1中,決策屬性為船體腐蝕程度，采用評價值，即高、低、中3種狀態(tài)與決策屬性{H，M，L}相對應，評價值結合實測定量數據、船體強度計算數據等進行綜合判斷；局部船體監(jiān)測點的腐蝕程度采用等頻率劃分法分為高、中、低3種狀態(tài),使之與條件屬性值{3，2，1}相對應。根據屬性約簡的主元分析方法計算各條件屬性的貢獻率，可知前7個條件屬性(C1～C7)的累計貢獻率已超過85%，因此選取這些條件屬性數據向量能有效表達樣本整體信息。

4.2決策樹根節(jié)點的確定

由于樣本的決策屬性被分成了3類，因此該樣本的期望分類信息熵為

以C1,C2,C3,C4,C5,C6,C7為條件屬性，對各監(jiān)測屬性的信息分類熵、增益值、分裂信息及增益比按式(1)～式(4)進行計算，以屬性C1為例計算為

Gain(S,A)=1.554-0.499=1.055

GainRatio(S,A)=0.677

用同樣方法計算其他屬性參數，為方便對比，將各屬性計算值列于一個表中(見表2)。

表2 按屬性取值劃分的子類表

由表2可知,監(jiān)測屬性C1的增益比最大，因而將監(jiān)測屬性C1作為決策樹的根節(jié)點。

4.3決策樹生成及規(guī)則提取

決策樹的根節(jié)點確定后，可看到C1把監(jiān)測屬性樣本S劃為3個子集C11，C12，C13，其中：C11的樣本已是同一類，因而不需要分解;C12和C13則需要繼續(xù)挑選最大增益比的測試屬性并進行分解，計算方法與根節(jié)點計算方法相同,逐步計算，直到無法繼續(xù)分類。對決策樹進行剪枝[9]得到的船體腐蝕風險推理決策樹見圖2。由于決策樹中從根節(jié)點到每個葉節(jié)點的路徑都表示相應的規(guī)則，因此根據生成的決策樹可產生6條IF-THEN規(guī)則。這些獲取的知識具有可移植性，從而在風險的特征空間與狀態(tài)空間形成了對應關系的狀態(tài)辨識推理體系。

圖2 風險診斷決策樹

4.4信息流程設計

利用挖掘的風險診斷知識進行風險辨識推理的實質是對風險信息進行分析、轉化和推斷[10]，采集、更新風險信息，從而輸出風險評估及對策建議，使原始信息高效地轉化為可用于決策的有用信息。將診斷模型應用到目前廣泛使用的船舶信息管理系統[2]中，即可建立風險管理過程中的信息模式與流程(見圖3)。

圖3 風險診斷系統信息結構圖

圖3明確了風險診斷推理及相關任務的完成過程以及相應的信息收集、信息存儲、信息加工、信息管理、人機對話與輸出等步驟，可促進船舶信息管理系統風險辨識與預警功能的完善。

5 結 語

運用知識獲取方法進行船舶的風險診斷，采用決策樹和主元分析方法從船舶狀態(tài)監(jiān)測實例中獲取相對簡單的風險診斷規(guī)則，為風險辨識與預警提供了有效的方法和手段。其中，診斷模型通過新監(jiān)測數據判別船舶設備所處的風險狀態(tài)，使用參數較少，且具有較高的準確率和工作效率，在船舶信息管理系統的建設中具有較高的工程實用價值。

[1] 鄭士君, 韓成敏, 董建華. 船舶狀態(tài)綜合評估模型的建立[J]. 中國航海,2008, 31(2): 144-147.

[2] 黃常海, 胡甚平, 郝嚴斌, 等. 單船動態(tài)風險評估模糊推理系統的設計與模擬[J]. 中國航海,2011, 34(2):68-73.

[3] 董良雄. 船舶機務安全系統風險預警研究[D]. 武漢:武漢理工大學,2012.

[4] 白洪芬. 基于B/S架構的船舶機務管理系統設計[D]. 廈門:集美大學,2013.

[5] DONG Liangxiong, CHE Hui. Research on Knowledge Acquisition about Condition Identification of Faults in Ship Equipment[C]. The 1st International Conference on Transportation Information and Safety, 2011.

[6] 劉繼清, 黃金花. 基于改進決策樹算法的設備故障智能診斷模型[J]. 制造業(yè)自動化,2011, 33(4):30-33.

[7] FANG Yong, QI Feihu. A New Decision Tree Learning Algorithm[J]. Journal of Harbin Institute of Technology, 2005, 12(6): 684-689.

[8] 趙廣社, 張希仁. 基于主成分分析的支持向量機分類方法研究[J]. 計算機工程與應用, 2004(3): 37-38.

[9] XU Wenhua, QIN Zheng, CHANG Yang. Clustering Feature Decision Trees for Semi-Supervised Classification from High Speed Data Streams[J]. Journal of Zhejiang University, 2011, 12(8):615-628.

[10] 胡甚平, 方泉根, 喬歸民, 等. 大型船舶航行的風險分析與風險控制[J].中國航海，2006(3): 34-38.

DesignandApplicationofInferenceModelforShipRiskDiagnosis

DONGLiangxiong,LUJinshu,ZHUFaxin

(School of Shipping and Ports Architecture Engineering, Zhejiang Ocean University, Zhoushan 316022, China)

The artificial intelligence method of knowledge acquisition for ship risk management to extract hidden diagnostic knowledge from the risk monitoring instances is introduced. The knowledge about condition-risk relations are acquired from monitor instances through building decision trees based on information entropy. The attributes of observations are reduced by principal component analysis and the importance of each attribute for the condition identification is measured by the C4.5 algorithm afterwards. With the results of the processing, the inference model for ship risk diagnosis based on monitor instances is established. The method has been used to predict ship hull corrosion and proved to be effective. The process is suitable for continuous risk monitoring and management.

waterway transportation; ship risk diagnosis; reasoning system; knowledge acquisition; decision tree

2014-09-02

浙江省重大科技專項(2013C03033)；舟山市科技計劃項目(2013C11015)；浙江省自然科學基金(LQ14E090001)；浙江海洋學院科研啟動經費資助(201185011513)

董良雄(1974—), 男, 湖北武漢人，博士，從事設備綜合管理與船舶交通安全研究。E-mail:434368381@qq.com

1000-4653(2014)04-0084-04

U698

A