0 引　言

近年来，LNG动力船在全球航运业绿色转型浪潮中受到了广泛的关注。相较于传统燃油，LNG燃烧具有污染物排放量较少的优势，可以降低动力船对于大气环境的污染程度，是航运业实现低碳发展的关键路径之一^[1]。但是，在LNG动力船实际运营过程中，其面临着较多的风险，影响着LNG动力船、工作人员及其周围环境的安全^[2]，因此如何对LNG动力船风险态势进行精准地预测，对于航运行业的后续发展具有一定的现实意义^[3]。

已有方法由于参考数据较少、风险指标选取合理性较差等问题，无法精准预测LNG动力船的风险态势，制约着LNG动力船的发展步伐。其中，胡甚平等^[4]从系统控制过程视角，用STPA确立系统安全控制风险致因，揭示基于LNG泄漏三重防护机制的风险因子体系与形成机制。引入HMM，无监督学习确立参数，推理风险转移特征。结合营运场景，对三重防护机制仿真并统计风险态势，该方法可靠性差；张元元等^[5]为降低甲醇船对船加注泄漏风险，构建动态贝叶斯网络模型评估泄漏风险，结合蝴蝶结模型、模糊集理论和遗漏概率模型分析事故致因和后果，该方法复杂，无法大范围推广；耿艳芬等^[6]为评估桥区船舶通航风险，构建考虑船舶运动特性的三维流场模型，确定桥梁和船舶通航风险评估分级标准，建立基于模糊逻辑的船舶顺流通航风险评估模型，该模型的评估准确性差。

为了解决当前方法的缺陷，提出大数据驱动的LNG动力船风险态势预测方法，并分析其性能。

1 LNG动力船风险态势预测方法设计 1.1 风险数据来源确定

为了有效提升LNG动力船风险态势预测精度，对风险数据来源进行精准地确定，为后续风险指标体系构建奠定坚实的基础。LNG动力船风险态势预测主要是根据其运行状态、航行参数、外部环境等数据进行，以此为基础确定LNG动力船风险数据来源，具体如表1所示。

依据表1对LNG动力船风险态势预测所需的数据进行采集与标准化处理，方便后续风险指标的选取与应用，表达式为：

$ {y_i} = \frac{{{x_i} - {x_{i,\min }}}}{{{x_{i,\max }} - {x_{i,\min }}}}。$

(1)

式中：$ {x_i} $与$ {y_i} $为标准化前、后的第$ i $个大数据；$ {x_{i,\min }} $与$ {x_{i,\max }} $为$ {x_i} $的最小值与最大值。

原始大数据经过式(1)处理，可以消除量纲、数值范围等不利影响，为后续研究提供一定的便利。

1.2 风险指标体系构建

以处理后的风险数据$ {y_i} $为基础，以科学性、合理性、代表性等为原则，选取适当的LNG动力船风险指标，构建相应的风险指标体系，风险指标体系如表2所示。可知，设计方法从设备状态、环境因素与人为操作3个维度出发，选取了9个一级指标与27个细分指标，其能够全面涵盖影响LNG动力船安全运营的各类风险因素，为LNG动力船风险态势预测提供充足的支撑^[7]。

1.3 风险态势预测结果获取

以构建的风险指标体系为依据，采用组合赋权法计算风险指标权重系数，获取LNG动力船风险态势的综合得分，以此为基础，对LNG动力船风险态势等级进行划分与预测，为LNG动力船的风险管理提供一定的帮助。单一权重系数计算方法存在着一定的缺陷，无法获得准确的权重系数^[8]。因此，设计方法选用组合赋权法，其能够平衡主观经验与客观数据之间的差异，提升权重系数计算的精度，进而为风险态势预测提供有效的支持。基于组合赋权法的风险指标权重系数确定流程如下：

1）AHP法确定风险指标主观权重

依据表2构建风险指标判断矩阵，表达式为：

$ {\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} {{a_{11}}}& \cdots &{{a_{1n}}} \\ \vdots &{{a_{ij}}}& \vdots \\ {{a_{n1}}}& \cdots &{{a_{nn}}} \end{array}} \right]。$

(2)

式中：$ {\boldsymbol{A}} $为风险指标判断矩阵；$ {a_{ij}} $为判断矩阵内部元素，即第$ i $个风险指标相对于第$ j $个风险指标的重要性，采用1～9标度法对$ {a_{ij}} $进行赋值；$ n $为风险指标的总数量，取值为27。

通过求解判断矩阵$ A $的最大特征值$ {\lambda _{\max }} $及其对应的特征向量$ W = {\left( {{w_1},{w_2}, \cdots ,{w_n}} \right)^{\mathrm{T}}} $，并对特征向量进行归一化处理，得到各风险指标的主观权重系数，表达式为：

$ {\hat w_i} = \displaystyle\frac{{{w_i}}}{{\sum\limits_{j = 1}^n {{w_j}} }}。$

(3)

式中：$ {w_i} $与$ {\hat w_i} $代表归一化处理前、后第$ i $个风险指标对应的主观权重系数。

2）熵权法确定风险指标客观权重

设置原始风险指标为$ {r_i} $，计算其信息熵，表达式为

$ \left\{ {\begin{aligned} &{{E_i} = - \displaystyle\frac{1}{{\ln \left( m \right)}}\sum\limits_{j = 1}^m {{p_{ij}}\ln \left( {{p_{ij}}} \right)} }，\\ &{{p_{ij}} = \displaystyle\frac{{{r_{ij}}}}{{\sum\limits_{j = 1}^m {{r_{ij}}} }}}。\end{aligned}} \right. $

(4)

式中：$ {E_i} $为第$ i $个风险指标的信息熵；$ m $为风险指标的样本数量；$ {p_{ij}} $为第$ i $个风险指标第$ j $个样本的比重；$ {r_{ij}} $为第$ i $个风险指标第$ j $个样本对应的数值。

依据式(4)计算结果确定风险指标的客观权重系数，表达式为：

$ {\hat \upsilon _i} = \frac{{1 - {E_i}}}{{\sum\limits_{j = 1}^n {\left( {1 - {E_j}} \right)} }}。$

(5)

式中：$ {\hat \upsilon _i} $为第$ i $个风险指标对应的客观权重系数；$ 1 - {E_i} $为第$ i $个风险指标的差异系数。

3）组合权重系数合成

将确定的主观权重系数$ {\hat w_i} $与客观权重系数$ {\hat \upsilon _i} $进行线性加权融合处理，以此来获取风险指标的组合权重系数，表达式为：

$ {\delta _i} = {\alpha _1}{\hat w_i} + {\alpha _2}{\hat \upsilon _i}。$

(6)

式中：$ {\delta _i} $为第$ i $个风险指标的组合权重系数；$ {\alpha _1} $与$ {\alpha _2} $为偏好系数，两者之和为1。

以式(6)输出的组合权重系数为依据，联合风险指标实际数值，获取LNG动力船风险态势综合得分，表达式为：

$ \zeta = \sum\limits_{i = 1}^n {{r_i} \times {\delta _i}}。$

(7)

式中：$ \zeta $为LNG动力船风险态势综合得分。

以此为基础，对LNG动力船风险态势等级进行划分与预测，具体规则如下：

1）当$ \zeta \lt 0.3 $时，认定LNG动力船风险态势等级为低风险，需定期进行风险态势预测，以此来确保动力船的安全运营；

2）当$ 0.3 \leqslant \zeta \lt 0.7 $时，认定LNG动力船风险态势等级为中风险，需密切关注其风险态势变化，及时采取预防措施，防止风险进一步升级；

3）当$ \zeta \geqslant 0.7 $时，认定LNG动力船风险态势等级为高风险，需深入分析其主要风险因素，找出导致风险较高的原因，并制定相应的风险应对措施。

2 性能验证性实验

选取文献[2]基于do算子的船舶风险态势预测方法与文献[3]基于动态贝叶斯网络的船舶风险态势预测方法作为对比方法1与对比方法2，联合设计方法共同进行对比实验，通过实验数据探究设计方法的应用性能。

2.1 实验对象和数据

选取LN-1200型号LNG动力船作为实验对象，其基础结构如图1所示。

实验对象-LNG动力船（LN-1200）长度约为120 m，宽度约为20 m，深度约为10 m，满载排水量约为8500 t，LNG储罐容量约为300 m³，航速约为14 kn，续航里程约为4500 n mile。在LNG动力船仿真数据库中随机抽取风险数据，构建实验数据集，如表3所示。

2.2 LNG动力船风险态势预测资源消耗量分析

应用设计方法、对比方法进行LNG动力船风险态势预测，对其资源消耗量进行统计分析，如图2所示。相较于对比方法，设计方法应用后LNG动力船风险态势预测资源消耗量显著较低，其最小值达到了10 MB。这主要是因为设计方法在风险数据中全面、精准地选取了LNG动力船风险指标，最大限度地降低了风险数据的体量，简化了风险态势预测的运算环节，从而减少了LNG动力船风险态势预测资源消耗量，提升了设计方法的应用效率。

2.3 LNG动力船风险态势综合得分计算误差分析

应用设计方法、对比方法进行LNG动力船风险态势预测，获取风险态势综合得分，并计算其与实际风险态势综合得分之间的误差，如图3所示。设计方法应用后LNG动力船风险态势综合得分计算误差显著低于对比方法，其最小值达到了0.2%。这是因为设计方法选用了组合赋权法，相较于单一赋权法，可以缩小主观经验与客观数据间的差异，提升风险指标权重系数的计算准确性，从而降低了LNG动力船风险态势综合得分计算误差。

2.4 LNG动力船风险态势预测结果分析

应用设计方法、对比方法进行实验，获取LNG动力船风险态势预测结果，如图4所示。设计方法的预测结果与样本标注结果相同，而对比方法的预测结果与实验样本标注结果存在着一定的偏差。这是因为设计方法通过风险数据与组合赋权法的联合使用，提升了风险态势综合得分的精准性，提高了设计方法的风险态势预测精度。

3 结　语

LNG动力船是现今航运行业的主要船舶类型之一，需要配备专门的LNG燃料储存系统、供应系统、发动系统等，致使LNG动力船结构相对复杂，对船员的操作技能和维护水平提出了更高的要求。与此同时，LNG动力船运营环境比较恶劣，也会增加船舶的安全风险。为了避免安全事件的发生，提出大数据驱动的LNG动力船风险态势预测研究。实验结果显示，设计方法有效地降低了LNG动力船风险态势预测资源消耗量与LNG动力船风险态势综合得分计算误差，提高了LNG动力船风险态势预测精度，能够为LNG动力船后续发展提供一定的支撑。