基于操舵規(guī)律的船舶行為預(yù)測的擱淺率動態(tài)風險研究

尉浩然，郭志新，李夢霞

摘 要：難航航段存在船舶操縱難度大的問題，本文針對此問題采用船舶模擬器中的大數(shù)據(jù)實驗，進行難航航段操舵規(guī)律的提取，擬合出內(nèi)河特定水域船舶的操舵規(guī)律。根據(jù)船舶操縱性指數(shù)、船舶初始數(shù)據(jù)建立了船舶模型，并根據(jù)外界環(huán)境建立航行環(huán)境模型，采用蒙特卡洛仿真計算船舶擱淺概率。該模型可以為船舶通航航道的擱淺概率進行預(yù)報，可為海事管理部門監(jiān)管轄區(qū)水域通航安全水平提供重要的參考依據(jù)。

關(guān)鍵詞：操舵規(guī)律;蒙特卡洛仿真;船舶行為;動態(tài)風險

中圖分類號：U675.6 ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ?文章編號：1006—7973（2019）12-0074-02

船舶擱淺主要是受到航行水域水深的影響，在正常航道航行時，船舶不會出現(xiàn)擱淺情況，船舶駛離航道時，有可能出現(xiàn)船舶擱淺的概率。目前結(jié)合外界干擾因素，對船舶進行模擬試驗已經(jīng)是較為先進的研究方法了。李典慶等[1] 采用混合事件樹方法進行船舶駕駛失效所引起的擱淺的模糊概率，解決了傳統(tǒng)事件樹不能處理的人為因素對擱淺概率的影響;陳婷婷等[2] 建立了船舶航行計劃失效造成船舶擱淺的事件樹，構(gòu)造了船舶擱淺概率的灰色模糊隸屬度函數(shù)，根據(jù)各基本事件的失效概率來分析航行計劃失效造成船舶擱淺事故的灰色模糊概率分布情況;胡中凱等[3] 運用貝葉斯網(wǎng)絡(luò)對事件之間的多態(tài)性和邏輯性進行了研究。 Mascaro[4]等人對比相關(guān)文獻，提出一種基于貝葉斯網(wǎng)絡(luò)的船舶航跡異常檢測模型;Osekowka等[5]基于船舶AIS軌跡數(shù)據(jù)及水上交通信息，運用勢場方法建立了水上交通異常檢測模型;Lei[6]通過挖掘船舶歷史航跡數(shù)據(jù)分析水域船舶運動模式，提出了基于實時軌跡數(shù)據(jù)的船舶異常活動檢測算法。

綜上所述，無論是模糊事件樹、事件樹、貝葉斯網(wǎng)絡(luò)等研究方法都或多或少的存在主觀因素，并且對船舶擱淺的研究局限于一個宏觀層面。本文將基于操舵規(guī)律這一微觀層面，采集操舵數(shù)據(jù)，建立船舶與環(huán)境模型，預(yù)測船舶行為，對船舶擱淺進行探究。采用蒙特卡洛仿真模型能夠較好的避開主觀因素的干擾，仿真結(jié)果能夠較好的預(yù)測該航段船舶的擱淺概率。

1長江上的狹長水域

1.1航段介紹

一般來說，處于三角彎曲的航段，其自然環(huán)境相對惡劣，事故發(fā)生的概率極高。尹公洲航段正處于這一彎曲位置，通航環(huán)境十分復(fù)雜，是事故多發(fā)地段。因此，本文將尹公洲這一難航航段作為研究水域，研究水域如圖1所示。

1.2舵角數(shù)據(jù)處理

本文是依據(jù)操舵規(guī)律對船舶的行為預(yù)測，因此舵角數(shù)據(jù)需要作為輸入?yún)?shù)。本文通過船舶模擬器中大數(shù)據(jù)的模擬實驗，同一駕駛員在同一航段的模擬操舵，得到了2000次的舵角數(shù)據(jù)，進行統(tǒng)計分析.仿真原型采用長江實測船型意大利籍散貨船“尤麗愛娃”，船舶長221m，寬32米，與實測K為0.079 s-1、T為128 T/s。采用MATLAB自帶的分布擬合，由擬合結(jié)果可知，該統(tǒng)計數(shù)據(jù)能夠較好的服從正態(tài)分布，舵角分布近似為正態(tài)分布 。

2蒙特卡洛方法估算船舶擱淺率

本文以船舶操縱野本模型如式（1）所示為基礎(chǔ)，結(jié)合蒙特卡洛仿真思想輸入舵角控制量，預(yù)測下一時刻船舶船位在內(nèi)河航道的分布，進而量化船舶偏離航道的擱淺概率。蒙特卡洛過程首先建立一個與仿真的現(xiàn)實系統(tǒng)存成一系列關(guān)系的數(shù)學模型，并定義該模型的輸入量和輸出量。

（1）

式（1）中：K、T為操縱性指數(shù); 為船舶轉(zhuǎn)首角加速度; 為船舶轉(zhuǎn)首角速度 ?為舵角。

本文假設(shè)船舶在轉(zhuǎn)向過程中（t≦100s）不改變主機轉(zhuǎn)速，考慮到船舶在轉(zhuǎn)向運動過程中的速降，即轉(zhuǎn)向過程中的航速小于初始航速，在多數(shù)情況下，用平均航速來代替，其范圍為初始航速的85%-95%，本文取船舶在轉(zhuǎn)向過程中（t≦100s）的航速。船舶操舵后的縱距X和橫距Y可用式（2）求解，如式（2）所示，根據(jù)不同的舵角值輸入，將會得到不同的船位。在這個仿真系統(tǒng)中根據(jù)舵角的分布規(guī)律，隨機產(chǎn)生上萬次隨機舵角，依據(jù)隨機舵角獲得船位隨機運行位置，最終根據(jù)頻率計算概率。

3 操舵規(guī)律對船舶位置分布影響仿真模型

仿真框架分為船舶的初始化設(shè)置模塊、船舶行為狀態(tài)判斷模塊、輸出與存儲模塊。

船舶的初始化設(shè)置模塊用于輸入船舶的一些基本參數(shù)來構(gòu)建船舶模型的重要數(shù)據(jù)。輸入實驗航段的舵角分布規(guī)律作為“隨機數(shù)”;船舶行為狀態(tài)判斷模塊，主要是進行船舶行為的判斷。采用MATLAB軟件隨機產(chǎn)生符合該航段操舵規(guī)律的舵角數(shù)據(jù)，將舵角數(shù)據(jù)輸入船舶模型，在模型上顯示船舶下一時刻船舶位置的顯示。結(jié)合航道信息，計算下一時刻船舶分布于航道外的概率;輸出與存儲模塊，將有效信息如船舶下一時刻的船舶位置預(yù)測分布與船舶的擱淺概率輸出并進行儲存，并將船舶的初始化設(shè)置模塊的數(shù)據(jù)一并儲存，形成一個完整的數(shù)據(jù)系統(tǒng)。

4仿真實驗與分析

4.1試驗參數(shù)設(shè)置

試驗?zāi)M是一小段時間間隔內(nèi)（模擬時間間隔設(shè)為100s），根據(jù)船舶AIS數(shù)據(jù)情況下對船舶下一時刻船舶行為的預(yù)測模擬實驗。實驗中初始的航段操舵規(guī)律是通過船員使用模擬器進行大數(shù)據(jù)實驗獲得，不同船員的操舵規(guī)律是不一致的，會有一定的偏差。

本文忽略操舵延時及舵角變化率（即自正舵至舵角操舵時間為零），且假設(shè)t1 = 0時，轉(zhuǎn)首角速度 = 0，即船舶初始為直航狀態(tài)，基于式（1）求解船舶轉(zhuǎn)首對操舵的響應(yīng)，見式（3）

4.2實驗結(jié)果輸出及分析

將模擬器中獲取的航經(jīng)該航段的航速求取平均值得：，以5kn為初始航速。本文仿真實驗的次數(shù)n=次，并以所得舵角分布為輸入預(yù)測了100s后船舶偏離航道中線的頻率分布圖，如圖2所示：

以舵角分布為和初始航速為5kn為輸入時，橫向偏移量在（-20m，20m）的范圍的概率最大為0.476;在（-100m，100m）范圍的總體概率為0.999。該航段航道單向?qū)挾燃s200m，基于本文舵角和航速輸入條件下，根據(jù)圖4可知，偏離中心航道是在100m之外的為擱淺船舶，由此可知，船舶在此條件下擱淺概論低于0.001。

5 結(jié)論與展望

船舶行為與航行安全密切相關(guān)，結(jié)合內(nèi)河水域船舶操舵存在一定的分布規(guī)律，以船舶操縱野本模型為基礎(chǔ)，結(jié)合蒙特卡洛仿真思想輸入舵角控制量，預(yù)測下一時刻船舶船位在內(nèi)河航道的分布，進而量化船舶偏離航道的擱淺概率。船舶行為預(yù)測模型已經(jīng)能夠模擬出船舶操舵后較短時間內(nèi)（t<100s）的船舶運動軌跡，使用船舶操縱模擬器統(tǒng)計分析某航段的操舵規(guī)律，進而預(yù)測該航段的船舶行為集，該方法為無準確舵角輸入的船舶行為預(yù)測提供了新思路。本文主要是研究船舶操縱這一微觀層面下，某一航段船舶操舵這一數(shù)據(jù)分布規(guī)律，輸入船舶運動模型中，來得出船舶的擱淺率。通過改變不同的舵角分布規(guī)律，計算出不同的船舶擱淺概論，在擱淺概率處于極低時，記錄此時的舵角分布規(guī)律，此舵角分布規(guī)律可用于該航段船舶的操縱時，操舵的安全范圍。通過仿真模擬可以知道船舶安全通過某一航段的操舵安全范圍，為船舶安全航行提供參考。

參考文獻：

[1] 李典慶，唐文勇，張圣坤. 船舶駕駛失效擱淺概率的混合事件樹分析[J]. 上海交通大學學報，2003，08：1146-1150.

[2]陳婷婷，施朝健，雷琴. 基于灰色模糊集理論的船舶擱淺概率分析[J]. 安全與環(huán)境學報，2015，04：21-24.

[3] 胡中凱，尹群，劉海燕. 基于貝葉斯網(wǎng)絡(luò)方法對船舶擱淺概率的研究[J]. 艦船科學技術(shù)，2010，02：23-26+31

[4] Mascaro S，Nicholson A，Korb K. Anomaly detection in vessel tracks using Bayesian networks [J]. International Journal of Approximate Reasoning，2014（55）： 84-98.

[5] Osekowska E，Johnson H，Carlsson B. Grid size optimization for potential field based maritime anomaly detection [J]. Transportation ?Research ?Procedia，2014（3）：720-729.

[6] Lei P. Exploring trajectory behavior model for anomaly detection in maritime moving objects，IEEE2013[C]. Seattle.

基金項目：國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（201810497237）