許琦 秦庭榮 馬國梁 席永濤

摘要：針對(duì)當(dāng)前石油公司在液貨船安全檢查和準(zhǔn)入審查中存在的非定量、非智能評(píng)估問題，引入人工智能技術(shù)構(gòu)建液貨船綜合安全評(píng)估（formal safety assessment， FSA）專家系統(tǒng)模型。該模型將FSA方法與專家系統(tǒng)進(jìn)行組合，前者通過風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)衡準(zhǔn)和風(fēng)險(xiǎn)量化，解決報(bào)告的非定量評(píng)估和審查的主觀性問題;后者引入K最近鄰算法、加權(quán)賦值算法等解決審查評(píng)估的非智能化和效率低的問題。選取官方案例進(jìn)行模型檢驗(yàn)，其結(jié)果表明提出的模型能有效地幫助石油公司實(shí)現(xiàn)船舶準(zhǔn)入審查的定量化、智能化，并能顯著提高審查效率，降低人工評(píng)估的主觀性影響。

關(guān)鍵詞：

液貨船; 船舶檢查報(bào)告; 專家系統(tǒng); 海事管理; 綜合安全評(píng)估（FSA）

中圖分類號(hào)：? U698.3

文獻(xiàn)標(biāo)志碼：? A

收稿日期： 2020-05-29

修回日期： 2020-11-17

基金項(xiàng)目： 國家自然科學(xué)基金（51709168）;上海市科技創(chuàng)新行動(dòng)計(jì)劃（18DZ1206104）

作者簡(jiǎn)介：

許琦（1990—），男，河北承德人，工程師，碩士，研究方向?yàn)楹Ｊ录夹g(shù)及數(shù)字化應(yīng)用，（E-mail）xuqi2@cnooc.com.cn;

秦庭榮（1976—），男，安徽和縣人，講師，博士，研究方向?yàn)楹Ｊ掳踩u(píng)估、智能航海技術(shù)，（E-mail）trqin@shmtu.edu.cn

An expert system model for formal safety assessment of tankers

XU Qi1， QIN Tingrong2， MA Guoliang2， XI Yongtao2

（1. Marketing Services Co.， CNOOC Energy Technology & Services Co.， Ltd.， Tianjin 300451， China;

2. Merchant Marine College， Shanghai Maritime University， Shanghai 201306， China）

Abstract：

Aiming at the non-quantitative and non-intelligent assessment problems in the safety inspection and access review of tankers in oil companies， the artificial intelligence technology is introduced to construct the expert system model for formal safety assessment （FSA） of tankers. In the model， the FSA method is combined with the expert system. The FSA method is used to solve the problem of non-quantitative assessment and subjective review of reports through risk identification， risk balance and risk quantification; the K-nearest neighbor algorithm and the weighted assignment algorithm are introduced to the expert system to solve the problem of non-intelligence and low efficiency of review evaluation. Official cases are selected to test the model. The test results show that， the proposed model can effectively help oil companies to achieve the quantification and intelligence of ship access review， and can significantly improve the efficiency of review and reduce the subjective impact of artificial assessment.

Key words：

tanker; ship inspection report; expert system; maritime administration; formal safety assessment （FSA）

0 引 言

航運(yùn)是一個(gè)高風(fēng)險(xiǎn)行業(yè)，而液貨船由于其所運(yùn)輸貨物本身的高危性，海上航行風(fēng)險(xiǎn)更大。一旦液貨船發(fā)生事故，人命安全、財(cái)產(chǎn)、海洋環(huán)境將會(huì)遭受十分嚴(yán)重的損害。目前，船舶安全檢查主要以國際海事組織（International Maritime Organization，IMO）和國際勞工組織（International Labor Organization，ILO）頒布的有關(guān)法令法規(guī)為依據(jù)開展工作，而各行業(yè)組織的行業(yè)檢查同樣以上述方式展開。針對(duì)液貨船和液貨船所屬船公司，目前最權(quán)威的國際石油公司協(xié)會(huì)OCIMF（Oil Company International Maritime Forum）提出了船舶檢查報(bào)告交換（ship inspection report exchange，SIRE）和液貨船管理自評(píng)估（tanker management and self-assessment，TMSA）兩大主要安全檢查手段。其中，SIRE要求第三方安全檢查人員以船舶檢查問卷（vessel inspection questionnaire，VIQ）的方式對(duì)液貨船進(jìn)行全方位檢查。在進(jìn)行檢查時(shí)，安檢員會(huì)對(duì)存在船舶安全缺陷的項(xiàng)目，即VIQ報(bào)告中的“觀察項(xiàng)”，標(biāo)注上“No”，并附上相應(yīng)缺陷的定性描述。近年來，隨著全球海上石油開發(fā)和油氣運(yùn)輸業(yè)的快速發(fā)展，以及世界各國對(duì)海洋環(huán)境保護(hù)的日益重視，基于VIQ報(bào)告的液貨船準(zhǔn)入審查已成為油氣生產(chǎn)運(yùn)輸行業(yè)用船前的必經(jīng)環(huán)節(jié)，審查的結(jié)果也成為決定船舶能否進(jìn)入液貨船運(yùn)輸市場(chǎng)的關(guān)鍵依據(jù)[1]。雖然這種液貨船準(zhǔn)入審查機(jī)制可以為液貨船運(yùn)輸新添一道重要安全防線，但是由于審查過程需要大量主觀判斷和重復(fù)勞動(dòng)，且未能充分利用專家歷史審查經(jīng)驗(yàn)，增添了安檢員的工作壓力。油氣生產(chǎn)運(yùn)輸行業(yè)急需一種智能液貨船安全評(píng)估模型，以降低人員工作強(qiáng)度、提高工作效率、規(guī)范審查標(biāo)準(zhǔn)?；谶@一需求，本文提出一種液貨船綜合安全評(píng)估（formal safety assessment， FSA）專家系統(tǒng)（expert system，ES）模型（an expert system model for tankers based on FSA，ETF）。

1 液貨船安全評(píng)估前的風(fēng)險(xiǎn)識(shí)別與判斷準(zhǔn)則

1.1 評(píng)估方法的選定

目前，圍繞VIQ報(bào)告展開的研究多停留在制度研究、應(yīng)用研究等定性層面[2-3]，難以滿足石油公司對(duì)以定量的VIQ報(bào)告評(píng)估結(jié)果為評(píng)判標(biāo)準(zhǔn)的用船準(zhǔn)入審查機(jī)制的迫切需求，同時(shí)也制約著石油行業(yè)的智能化發(fā)展，而以屬性匹配為基準(zhǔn)，采用定量評(píng)估與智能算法結(jié)合的方式可解決這個(gè)問題。經(jīng)過對(duì)各評(píng)估方法的比較和分析，最終選用FSA方法對(duì)VIQ報(bào)告進(jìn)行量化（該定量評(píng)估方法已被IMO采納和推廣）。該方法從風(fēng)險(xiǎn)的角度進(jìn)行風(fēng)險(xiǎn)識(shí)別和風(fēng)險(xiǎn)衡準(zhǔn)（包含危險(xiǎn)發(fā)生頻率指數(shù)和嚴(yán)重度指數(shù)的定義與取值），計(jì)算出相關(guān)危險(xiǎn)對(duì)應(yīng)的風(fēng)險(xiǎn)值，并給出建議。而由第三方安全檢查機(jī)構(gòu)和石油公司審查人員分步進(jìn)行的液貨船安全檢查同樣是一個(gè)進(jìn)行風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)衡準(zhǔn)并給出決策建議的過程，F(xiàn)SA方法的分析思路與目前液貨船安全評(píng)估的流程特點(diǎn)高度契合，且該方法在各種航運(yùn)風(fēng)險(xiǎn)的定量評(píng)估上表現(xiàn)優(yōu)異[4-5]，故將其作為本研究中量化VIQ報(bào)告的方法。

FSA方法的引入雖實(shí)現(xiàn)了VIQ報(bào)告的量化，但仍無法實(shí)現(xiàn)智能化計(jì)算。通過分析可知，液貨船安全檢查與評(píng)估具有很強(qiáng)的專業(yè)領(lǐng)域?qū)傩?，這與ES的應(yīng)用屬性高度匹配。目前，ES作為一種模擬人類專家認(rèn)知的智能算法，被廣泛應(yīng)用于眾多領(lǐng)域，如評(píng)估領(lǐng)域（電廠風(fēng)險(xiǎn)評(píng)估[6]、企業(yè)服務(wù)質(zhì)量評(píng)估[7]等）。通過ES構(gòu)建面向航運(yùn)業(yè)的評(píng)估模型更是成為近幾年的研究熱點(diǎn)。如TANG等[8]將模糊ES與評(píng)分系統(tǒng)集成對(duì)馬來西亞海上油氣平臺(tái)安全性進(jìn)行了評(píng)估;OSIEWICZ等[9]運(yùn)用ES幫助船舶所有人遴選合格的船員;BORKOWSKI[10]介紹了一種用于自動(dòng)穩(wěn)定船舶航向的ES以實(shí)現(xiàn)船舶自動(dòng)航行;胡錦暉等[11]將ES應(yīng)用于船舶訓(xùn)練模擬器的操作考核評(píng)估;HE等[12]利用智能ES對(duì)三峽船閘航行風(fēng)險(xiǎn)進(jìn)行評(píng)估。目前在與液貨船評(píng)估相關(guān)的研究領(lǐng)域，結(jié)合FSA方法與ES技術(shù)而進(jìn)行的研究較為匱乏。

通過ES對(duì)液貨船進(jìn)行評(píng)估，可有效開發(fā)和利用專家歷史審查經(jīng)驗(yàn)，在提高審查智能性的同時(shí)大幅提高審查工作的效率。ES具有的可解釋性能很好地滿足液貨運(yùn)輸行業(yè)的服務(wù)性要求，如：需要告知船公司其船舶準(zhǔn)入審查不通過的原因，這是包括神經(jīng)網(wǎng)絡(luò)算法在內(nèi)的所有涉及“黑箱操作”的智能算法所不具備的。

綜上所述，將FSA方法與ES技術(shù)相結(jié)合，能實(shí)現(xiàn)傳統(tǒng)評(píng)價(jià)方法與人工智能技術(shù)的優(yōu)勢(shì)互補(bǔ)。本研究基于OCIMF成熟的液貨船安全檢查框架，構(gòu)建ETF。ETF首先通過FSA方法對(duì)定性的評(píng)估進(jìn)行量化，再利用ES技術(shù)對(duì)量化數(shù)據(jù)進(jìn)行智能計(jì)算，從而實(shí)現(xiàn)對(duì)液貨船安全的智能量化評(píng)估。

1.2 風(fēng)險(xiǎn)識(shí)別

依據(jù)FSA方法的風(fēng)險(xiǎn)識(shí)別步驟，并結(jié)合液貨船所運(yùn)輸貨物的屬性以及OCIMF的VIQ 7問卷結(jié)構(gòu)，本研究提出由分屬12大類風(fēng)險(xiǎn)的425個(gè)風(fēng)險(xiǎn)因素所構(gòu)建的液貨船F(xiàn)SA指標(biāo)體系（以下簡(jiǎn)稱“指標(biāo)體系”），見圖1。風(fēng)險(xiǎn)因素是基于液貨船檢查報(bào)告中的觀察項(xiàng)提煉出來的，425個(gè)風(fēng)險(xiǎn)因素分別對(duì)應(yīng)于425個(gè)觀察項(xiàng)。

圖1展示了該指標(biāo)體系的12大類風(fēng)險(xiǎn)，各大類所含風(fēng)險(xiǎn)因素限于篇幅不便列出，僅在每個(gè)大類名稱下方列出其所包含的風(fēng)險(xiǎn)因素的數(shù)量。液貨船檢查報(bào)告均涵蓋了指標(biāo)體系的425個(gè)風(fēng)險(xiǎn)因素。

1.3 風(fēng)險(xiǎn)衡準(zhǔn)

為量化VIQ報(bào)告中觀察項(xiàng)的風(fēng)險(xiǎn)，根據(jù)FSA方法定義缺陷項(xiàng)風(fēng)險(xiǎn)R為缺陷項(xiàng)發(fā)生的頻率F與缺陷項(xiàng)產(chǎn)生的后果C的組合，可表示如下：

R=FC

（1）

對(duì)式（1）進(jìn)行指數(shù)形式轉(zhuǎn)化：

IR=IF+IC

（2）

式中：IR為缺陷項(xiàng)風(fēng)險(xiǎn)指數(shù);IF為缺陷項(xiàng)頻率指數(shù);IC為缺陷項(xiàng)嚴(yán)重度指數(shù)。不同公司對(duì)上述指數(shù)會(huì)有不同的定義。依據(jù)中國海洋石油總公司企業(yè)標(biāo)準(zhǔn)《事故調(diào)查與分級(jí)、統(tǒng)計(jì)要求》（Q/HS 4018—2015），定義缺陷項(xiàng)的頻率指數(shù)和嚴(yán)重度指數(shù)，見表1和表2。

根據(jù)式（2）、表1和表2給出風(fēng)險(xiǎn)矩陣，見圖2。圖2中風(fēng)險(xiǎn)矩陣值反映的是該觀察項(xiàng)對(duì)應(yīng)的風(fēng)險(xiǎn)大小，該值越大意味著風(fēng)險(xiǎn)程度越高，但是該數(shù)值并不代表審查員對(duì)該觀察項(xiàng)風(fēng)險(xiǎn)的賦分值。對(duì)觀察項(xiàng)風(fēng)險(xiǎn)的具體賦分需要依據(jù)行業(yè)對(duì)該風(fēng)險(xiǎn)的容忍度進(jìn)行。風(fēng)險(xiǎn)容忍度是一種相對(duì)值，代表行業(yè)對(duì)風(fēng)險(xiǎn)的接受程度，是在風(fēng)險(xiǎn)偏好的基礎(chǔ)上設(shè)定的對(duì)相關(guān)目標(biāo)實(shí)現(xiàn)過程中所出現(xiàn)差異的可容忍限度。

1.4 風(fēng)險(xiǎn)賦值

為將觀察項(xiàng)風(fēng)險(xiǎn)大小轉(zhuǎn)化為對(duì)應(yīng)的風(fēng)險(xiǎn)賦值，依據(jù)風(fēng)險(xiǎn)理論和FSA方法將風(fēng)險(xiǎn)矩陣劃分為風(fēng)險(xiǎn)

不可容忍區(qū)、最低合理可行區(qū)和可忽略區(qū)。其中，最低合理可行區(qū)是臨界區(qū)，表示應(yīng)在合理可行的前提下盡可能將該區(qū)風(fēng)險(xiǎn)降至最低。3種區(qū)域觀察項(xiàng)風(fēng)險(xiǎn)與風(fēng)險(xiǎn)賦值的轉(zhuǎn)化準(zhǔn)則見圖3。

不可容忍區(qū)為重點(diǎn)識(shí)別和布控區(qū)，對(duì)處于該區(qū)的觀察項(xiàng)風(fēng)險(xiǎn)賦8～10分，并建議審查人員使用液貨船準(zhǔn)入審查高風(fēng)險(xiǎn)項(xiàng)清單[3]輔助定量評(píng)估。處于可忽略區(qū)的觀察項(xiàng)風(fēng)險(xiǎn)一般很少或極少發(fā)生，發(fā)生后果較輕或極輕，對(duì)審查結(jié)果影響較小，因此對(duì)處于該區(qū)的觀察項(xiàng)風(fēng)險(xiǎn)賦0分或1分。為輔助審查人員對(duì)最低合理可行區(qū)觀察項(xiàng)風(fēng)險(xiǎn)進(jìn)行賦值，將最低合理可行區(qū)進(jìn)一步劃分為3級(jí)：對(duì)后果嚴(yán)重且相當(dāng)可能發(fā)生的觀察項(xiàng)風(fēng)險(xiǎn)賦6分或7分;對(duì)后果較嚴(yán)重且有時(shí)發(fā)生的觀察項(xiàng)風(fēng)險(xiǎn)賦4分或5分;對(duì)后果較輕且較少發(fā)生的觀察項(xiàng)風(fēng)險(xiǎn)賦2分或3分。因此，審查員在對(duì)液貨船安全檢查報(bào)告中的觀察項(xiàng)風(fēng)險(xiǎn)進(jìn)行量化打分時(shí)，需要根據(jù)自己的專業(yè)知識(shí)將觀察項(xiàng)風(fēng)險(xiǎn)歸入上述3個(gè)風(fēng)險(xiǎn)區(qū)中的一個(gè)區(qū)，并進(jìn)行相應(yīng)的風(fēng)險(xiǎn)賦值。

綜上可知，對(duì)觀察項(xiàng)風(fēng)險(xiǎn)進(jìn)行賦值的過程，實(shí)質(zhì)上是審查人員對(duì)觀察項(xiàng)風(fēng)險(xiǎn)進(jìn)行專業(yè)判斷的過程。

2 ETF

ETF結(jié)合了FSA方法和ES技術(shù)的優(yōu)勢(shì)，用前者設(shè)計(jì)標(biāo)準(zhǔn)風(fēng)險(xiǎn)賦值準(zhǔn)則以實(shí)現(xiàn)液貨船檢查報(bào)告的科學(xué)量化，用后者引入語義匹配算法和觀察項(xiàng)風(fēng)險(xiǎn)賦值綜合算法進(jìn)行智能計(jì)算，滿足評(píng)估的智能化需求。

2.1 K最近鄰算法

ETF采用經(jīng)典的K最近鄰（K-nearest neighbor，KNN）算法作為相似度匹配算法[13]。KNN算法是一種簡(jiǎn)單有效的有監(jiān)督機(jī)器學(xué)習(xí)算法，本研究采用基于歐氏距離的KNN算法，其公式為

S（X，Xk）=1-ni=1wi（xi-xki）2

（3）

在ETF中，S（X，Xk）表示新VIQ報(bào)告中某個(gè)新觀察項(xiàng)X與知識(shí)庫中第k個(gè)歷史觀察項(xiàng)Xk的相似度。新觀察項(xiàng)X可以表示為X={x1，x2，…，xn}，其中xi（i=1，2，…，n）表示X的第i個(gè)關(guān)鍵詞的值;第k個(gè)歷史觀察項(xiàng)Xk可以表示為Xk={xk1，xk2，…，xkn}，其中xki（i=1，2，…，n）表示Xk的第i個(gè)關(guān)鍵詞的值。歷史觀察項(xiàng)的關(guān)鍵詞值恒為1;當(dāng)新觀察項(xiàng)關(guān)鍵詞與歷史觀察項(xiàng)關(guān)鍵詞相同時(shí)，新觀察項(xiàng)關(guān)鍵詞值為1，否則新觀察項(xiàng)關(guān)鍵詞值為0。n為關(guān)鍵詞的數(shù)量，wi為第i個(gè)關(guān)鍵詞的權(quán)重，滿足約束：

ni=1wi=1

（4）

相似度的有效閾值為80%。推理機(jī)將滿足條件的觀察項(xiàng)及其風(fēng)險(xiǎn)歷史賦值記錄在綜合數(shù)據(jù)庫中。推理機(jī)模塊采用的風(fēng)險(xiǎn)賦值方法為：如果從知識(shí)庫中檢索到一個(gè)觀察項(xiàng)的語義相似度≥80%，則直接選用該觀察項(xiàng)的風(fēng)險(xiǎn)賦值作為新的觀察項(xiàng)風(fēng)險(xiǎn)賦值;如果存在m個(gè)歷史觀察項(xiàng)符合上述條件，則新的觀察項(xiàng)風(fēng)險(xiǎn)賦值以相似度為權(quán)重進(jìn)行加權(quán)組合計(jì)算。加權(quán)組合計(jì)算過程可以表述為：假設(shè)有m個(gè)歷史觀察項(xiàng)的風(fēng)險(xiǎn)賦值，記為V1，V2，…，Vm，對(duì)應(yīng)的相似度分別為S1，S2，…，Sm，則新的觀察項(xiàng)風(fēng)險(xiǎn)賦值為

V=mk=1Vk·Skmk=1Sk

（5）

假設(shè)檢查報(bào)告中有N個(gè)觀察項(xiàng)，由式（4）和（5）計(jì)算得到的第j個(gè)觀察項(xiàng)的風(fēng)險(xiǎn)值為qj，則該液貨船的總得分為

Q=100-Nj=1qj

（6）

滿分為100分，不設(shè)下限。本文不探討“及格線”問題，這與各石油公司的內(nèi)部要求、市場(chǎng)競(jìng)爭(zhēng)行為、當(dāng)前市場(chǎng)供求關(guān)系等均有關(guān)聯(lián)。

2.2 模型構(gòu)建

基于FSA方法和KNN算法構(gòu)建ETF，見圖4。

對(duì)于包含425個(gè)風(fēng)險(xiǎn)因素的ETF，其知識(shí)庫及知識(shí)的獲取至關(guān)重要，且需要大量基礎(chǔ)數(shù)據(jù)作為算法的基礎(chǔ)。所有液貨船檢查報(bào)告中觀察項(xiàng)風(fēng)險(xiǎn)賦值記錄構(gòu)成知識(shí)庫的內(nèi)核，對(duì)于沒有風(fēng)險(xiǎn)賦值記錄的風(fēng)險(xiǎn)因素，仍然需要審查人員進(jìn)行人工風(fēng)險(xiǎn)衡準(zhǔn)，以對(duì)知識(shí)庫進(jìn)行更新和補(bǔ)充。由于專業(yè)的特殊性，知識(shí)的更新和補(bǔ)充必須由液貨船安全檢查領(lǐng)域人員進(jìn)行。

為提高知識(shí)獲取的可靠性，定義如下獲取規(guī)則：

①如果新報(bào)告中匹配到語義相似度在[60%， 80%）內(nèi)的觀察項(xiàng)，則按相似度由高到低呈現(xiàn)兩個(gè)歷史相似觀察項(xiàng)的風(fēng)險(xiǎn)賦值情況，輔助專家進(jìn)行人工風(fēng)險(xiǎn)衡準(zhǔn);②如果未能匹配到歷史風(fēng)險(xiǎn)賦值記錄或觀察項(xiàng)語義相似度小于60%，則需要領(lǐng)域?qū)＜疫M(jìn)行人工風(fēng)險(xiǎn)衡準(zhǔn);③知識(shí)獲取的另一個(gè)途徑是基于觀察項(xiàng)風(fēng)險(xiǎn)自動(dòng)賦值確認(rèn)模塊，如果審查人員認(rèn)為自動(dòng)賦值結(jié)果明顯偏離實(shí)際情況，則可以進(jìn)行手動(dòng)賦值（自動(dòng)更新到知識(shí)庫中）。

ETF的解釋器用于對(duì)求解過程作出說明，包括相似語句的個(gè)數(shù)、相似度計(jì)算值、新報(bào)告觀察項(xiàng)風(fēng)險(xiǎn)賦值等。人機(jī)界面模塊僅展示新報(bào)告觀察項(xiàng)內(nèi)容、賦值、新報(bào)告的總得分。

另外，ETF可以通過對(duì)知識(shí)庫的逐步補(bǔ)充實(shí)現(xiàn)分步智能化目標(biāo)。在當(dāng)前知識(shí)庫不充分的情況下，可以通過審查人員手動(dòng)賦值的方式實(shí)現(xiàn)定量評(píng)估和對(duì)知識(shí)庫的更新。隨著知識(shí)庫數(shù)據(jù)的積累及其迭代更新，該模型將逐漸趨于完善，并更加智能化。

3 模型應(yīng)用及比較分析

為驗(yàn)證ETF的有效性，選取在OCIMF官網(wǎng)發(fā)布的6艘液貨船SIRE報(bào)告為驗(yàn)證案例。由于觀察項(xiàng)數(shù)量較多，現(xiàn)以“BEI HAI FEN JIN”號(hào)為例介紹ETF計(jì)算和人工計(jì)算過程，見表3。

對(duì)選取的6艘液貨船的檢查報(bào)告分別采用ETF計(jì)算和石油公司審查人員手工計(jì)算，比較結(jié)果見表4。

表4中，ETF評(píng)分與審查人員評(píng)分基本一致，在一定程度上表明了ETF的有效性。隨著觀察項(xiàng)數(shù)量增多，評(píng)分結(jié)果偏差有所增大，但是這對(duì)液貨船準(zhǔn)入決策影響不大。造成評(píng)分結(jié)果偏差變大的原因：一方面是ETF存在運(yùn)算誤差，另一方面是審查員在進(jìn)行人工扣分賦值時(shí)帶有主觀情感因素。

在效率方面，以進(jìn)行相同的審查問卷打分為例，ETF評(píng)分平均用時(shí)在180 s左右，人工評(píng)分平均用時(shí)則在1 500 s左右。此處的人工用時(shí)指電腦將一份報(bào)告的觀察項(xiàng)自動(dòng)篩選并匯總到一個(gè)頁面后，讓審查員對(duì)觀察項(xiàng)進(jìn)行直接打分并對(duì)存疑報(bào)告通篇閱讀所需的時(shí)間。審查人員通篇閱讀報(bào)告后進(jìn)行觀察項(xiàng)篩選和綜合評(píng)判，并給出分?jǐn)?shù)的傳統(tǒng)審查流程則需要2 h左右。由此可見，ETF自動(dòng)計(jì)算效率遠(yuǎn)高于人工判斷效率。進(jìn)一步的分析可知，ETF評(píng)分最高用時(shí)雖然為427 s，但是檢索基本控制在4.6 s左右。審查確認(rèn)是為避免在數(shù)據(jù)不完備的情況下出現(xiàn)檢索不到歷史扣分賦值記錄的問題，而設(shè)計(jì)的一個(gè)需要人工確認(rèn)打分的附加模塊，比較費(fèi)時(shí)。隨著數(shù)據(jù)的豐富，審查確認(rèn)操作所用的時(shí)間也將大大減少，最終該模塊將不再發(fā)揮作用。

4 結(jié) 論

依據(jù)液貨船安全檢查報(bào)告對(duì)船舶進(jìn)行準(zhǔn)入審查是石油公司判斷是否使用該船的主要依據(jù)。針對(duì)這一過程中存在的非定量化、非智能化、工作效率低下等問題，本文提出將量化評(píng)估FSA方法與人工智能ES技術(shù)相結(jié)合，構(gòu)建了一種液貨船綜合安全評(píng)估專家系統(tǒng)模型（ETF）。ETF計(jì)算結(jié)果與人工計(jì)算結(jié)果對(duì)比顯示，ETF具有較高的計(jì)算精度，且其評(píng)估效率大大高于人工評(píng)估效率，具有較好的應(yīng)用前景。此外，對(duì)ETF中知識(shí)獲取規(guī)則進(jìn)行了一定的修改，讓ETF知識(shí)庫進(jìn)行自動(dòng)更新，擴(kuò)大了ETF的使用場(chǎng)景。下一階段目標(biāo)是對(duì)高風(fēng)險(xiǎn)清單進(jìn)行補(bǔ)充和實(shí)時(shí)更新，并將其融入ETF中進(jìn)行自動(dòng)識(shí)別和扣分賦值，以加強(qiáng)對(duì)高危項(xiàng)的精準(zhǔn)把控。

最后，對(duì)撰寫過程中給予指導(dǎo)的老師和團(tuán)隊(duì)其他成員以及評(píng)審過程中辛勤付出的各位專家表示衷心感謝。

參考文獻(xiàn)：

[1]LEGIEC' W. Position cross-checking on ECDIS in view of international regulations requirements and OCIMF recommendations[J]. The International Journal on Marine Navigation and Safe of Sea Transportation， 2016， 10（1）： 105-113. DOI： 10.12716/1001.10.01.12.

[2]辛英祺. 中國版“OCIMF組織”如何破題[J]. 中國船檢， 2020（1）： 83-86

[3]路友于， 鄭錄巖. 在SIRE檢查中如何避免高風(fēng)險(xiǎn)項(xiàng)的發(fā)生[J]. 天津航海， 2015（4）： 44-46.

[4]ASUELIMEN G， BLANCO-DAVIS E， WANG Jin， et al. Formal safety assessment of a marine seismic survey vessel operation， incorporating risk matrix and fault tree analysis[J]. Journal of Marine Science and Application， 2020， 19： 155-172. DOI： 10.1007/s11804-020-00136-4.

[5]KHORRAM S. A novel approach for ports container terminals risk management based on formal safety assessment： FAHP-entropy measure — VIKOR model[J]. Natural Hazards， 2020， 103： 1671-1707. DOI： 10.1007/s11069-020-03976-z.

[6]ISLAM M S， NEPAL M P， SKITMORE M， et al. A knowledge-based expert system to assess power plant project cost overrun risks[J]. Expert Systems with Applications， 2019， 136： 12-32. DOI： 10.1016/j.eswa.2019.06.030.

[7]ZUZK M， ZENKA M. Expert system assessing threat level of attacks on a hybrid SSH honeynet[J]. Computers & Security， 2020， 92： 1-18. DOI： 10.1016/j.cose.2020.101784.

[8]TANG K H D， DAWAL S Z M， OLUGU E U. Integrating fuzzy expert system and scoring system for safety performance evaluation of offshore oil and gas platforms in Malaysia[J]. Journal of Loss Prevention in the Process Industries， 2018， 56： 32-45. DOI： 10.1016/j.jlp.2018.08.005.

[9]OSIEWICZ Z， NIKON'CZUK P， PIELKA D. Application of artificial intelligence in the process of supporting the ship owners decision in the management of ship machinery crew in the aspect of shipping safety[J]. Procedia Computer Science， 2019， 159： 2197-2205. DOI： 10.1016/j.procs.2019.09.394.

[10]BORKOWSKI P. Inference engine in an intelligent ship course-keeping system[J]. Computational Intelligence and Neuroscience， 2017： 2561383. DOI： 10.1155/2017/2561383.

[11]胡錦暉， 胡大斌， 何其偉. 基于專家系統(tǒng)的船舶訓(xùn)練模擬器考核評(píng)估算法[J]. 中國航海， 2015， 38（4）： 59-63.

[12]HE Wei， CHU Xiumin， ZHOU Yumeng， et al. Navigational risk assessment of Three Gorges ship lock： field data analysis using intelligent expert system[J]. Journal of Intelligent & Fuzzy Systems， 2020， 38： 1197-1202. DOI： 10.3233/JIFS-179481.

[13]張華年， 卜凡亮. 公安智能應(yīng)急預(yù)案系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 中國人民公安大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019（3）： 65-69.

（編輯 賈裙平）