基于改進(jìn)認(rèn)知可靠性與失誤分析方法的隧道駕駛?cè)艘蚩煽啃苑治瞿Ｐ?/h1>
2023-09-27 09:53:54施金斌劉曉佳馬國旺唐慧漪
科學(xué)技術(shù)與工程 2023年25期
施金斌, 劉曉佳*, 馬國旺, 唐慧漪
(1.集美大學(xué)航海學(xué)院, 廈門 361021; 2.集美大學(xué)海上交通安全研究所, 廈門 361021)
近年來,隨著中國經(jīng)濟(jì)的快速發(fā)展,人均車輛保有量及交通需求量與日俱增,中國隧道總里程也在不斷增加,截至2020年末,全國公路隧道為21 316處,全長2 199.93萬m[1]。與此同時(shí),隧道交通安全問題日益顯現(xiàn)[2]。隧道具有道路情況復(fù)雜、封閉的特點(diǎn),一旦發(fā)生事故,后果往往非常嚴(yán)重。不僅造成相應(yīng)的經(jīng)濟(jì)損失,更會產(chǎn)生生命威脅。據(jù)統(tǒng)計(jì),隧道交通事故死亡率為0.48人/起,是同期全部事故死亡率的1.6倍[3],如何減少隧道交通事故已成為急需解決的問題。隧道交通事故產(chǎn)生的原因眾多,其中最主要的便是人的因素,研究表明近89%的隧道事故與人因因素有關(guān)[4],多數(shù)事故的原因包括駕駛?cè)说母兄?、判斷或操作的差錯(cuò)。在駕駛過程中,駕駛?cè)送ㄟ^視覺獲取的交通信息占90%,然而在通過隧道時(shí),駕駛?cè)说目臻g辨識距離變短,觀察能力下降,極易發(fā)生事故。因此研究駕駛?cè)嗽谕ㄟ^隧道時(shí)的人因可靠性十分重要,對道路交通安全研究具有重大意義。
人因可靠性分析(human reliability analysis,HRA)是安全領(lǐng)域的重點(diǎn)研究對象。第二代HRA方法包括認(rèn)知可靠性與失誤分析方法(cognitive reliability and error ana-lysis method,CREAM)、人員執(zhí)行型錯(cuò)誤分析方法(a technique for human error analysis,ATHEANA)等。其中最典型的是CREAM方法,該方法已在核電、航空航天、海事等領(lǐng)域[5-6]得到了廣泛運(yùn)用。馬昕暉等[7]通過模糊方法處理共用績效條件(common performance condition,CPC)與控制模式之間的映射關(guān)系,建立適用于航天發(fā)射場的人因分析模型,從而計(jì)算任務(wù)的人因失誤概率。席永濤等[8]采用CREAM方法,結(jié)合模糊集合、證據(jù)推理及貝葉斯網(wǎng)絡(luò),量化分析不確定信息條件下的船舶駕駛員人因可靠性。楊越等[9]通過CREAM擴(kuò)展法,建立管制行為形成因子與情景控制模式的不確定關(guān)系模型,預(yù)測管制員的人誤概率。王彥富等[10]從解決CREAM模型中存在的任務(wù)環(huán)境與控制模式離散化問題出發(fā),改進(jìn)預(yù)測方法,成功預(yù)測海洋平臺火災(zāi)爆炸風(fēng)險(xiǎn)的人誤概率。然而CREAM方法在汽車駕駛中的應(yīng)用較少,且駕駛?cè)送ㄟ^隧道時(shí)的情景環(huán)境與核電、海事、航天航空存在較大差距,不能直接應(yīng)用于駕駛?cè)送ㄟ^隧道的人因可靠性分析。賴永明等[11]將CREAM回溯分析法與預(yù)測分析法相結(jié)合,構(gòu)建公路駕駛領(lǐng)域的人因可靠性分析模型,提高了人誤概率預(yù)測的準(zhǔn)確性。目前隧道安全研究以隧道施工安全為主,現(xiàn)以隧道內(nèi)行駛的駕駛?cè)藶檠芯繉ο?研究隧道駕駛?cè)艘蚩煽啃?。提出一種改進(jìn)的CREAM模型,結(jié)合貝葉斯網(wǎng)絡(luò)技術(shù),計(jì)算人因失誤概率。首先根據(jù)隧道駕駛?cè)蝿?wù)特點(diǎn)對CPC因子進(jìn)行改進(jìn),使用模糊邏輯方法將先驗(yàn)條件概率從確定值轉(zhuǎn)換為概率值,同時(shí)考慮CPC因子間的相互影響,結(jié)合貝葉斯網(wǎng)絡(luò)技術(shù),計(jì)算駕駛?cè)说娜艘蚴д`概率,為后續(xù)隧道駕駛的人因分析提供依據(jù)。
1 CREAM方法
CREAM[12]方法由Hollnageal于1998年建立,其指出人在各項(xiàng)活動中的行為與環(huán)境緊密相連,不是孤立存在。CREAM方法包括9種CPC因子,分別為:組織因素、工作條件、人機(jī)界面和操作支持、規(guī)程/計(jì)劃的可用性、同時(shí)出現(xiàn)的目標(biāo)數(shù)量、可用時(shí)間、工作時(shí)間、培訓(xùn)和實(shí)踐經(jīng)驗(yàn)培訓(xùn)、班組成員的合作質(zhì)量。每個(gè)CPC因子劃分的等級有所不同,對期望效應(yīng)產(chǎn)生改進(jìn)、不顯著、降低3種不同的影響。CREAM通過CPC因子體現(xiàn)人完成任務(wù)時(shí)所處的情景環(huán)境,結(jié)合期望效應(yīng),最終確定人因控制模式,即戰(zhàn)略型、戰(zhàn)術(shù)型、機(jī)會型和混亂型。
CREAM方法起源于核電領(lǐng)域,在核工業(yè)、航空航天等領(lǐng)域已有廣泛運(yùn)用,但與交通領(lǐng)域存在較大差異,因此原方法提出的CPC因子并不完全適用于隧道駕駛?cè)艘蚍治鲱I(lǐng)域,需結(jié)合隧道駕駛特點(diǎn)進(jìn)行調(diào)整。同時(shí)原方法并未給出各因子的詳細(xì)評估因素,在實(shí)際操作中主觀性較強(qiáng),需給出各CPC因子的評估細(xì)則。基于以上討論,結(jié)合CREAM基本法,通過統(tǒng)計(jì)分析隧道駕駛事故產(chǎn)生的原因,根據(jù)實(shí)際情況結(jié)合專家意見,對原CPC因子進(jìn)行調(diào)整,給出每個(gè)因子的評估細(xì)則。最終確定9種CPC因子,分別為CPC1組織因素、CPC2工作負(fù)荷、CPC3人機(jī)界面與支持程度、CPC4行車環(huán)境、CPC5情景感知、CPC6內(nèi)部駕駛環(huán)境、CPC7行車時(shí)間、CPC8個(gè)人心理生理狀態(tài)、CPC9技能和經(jīng)驗(yàn),并給出說明,如表1所示。
表1 改進(jìn)后的CPC及描述Table 1 Improved CPC and its description
CREAM分為基本法與擴(kuò)展法兩種,基本法觀察CPC因子的評價(jià)水平,分別記錄改進(jìn)、不顯著和降低的CPC因子數(shù)量,改進(jìn)為正效應(yīng),不改進(jìn)為負(fù)效應(yīng)。然后根據(jù)正負(fù)效用的CPC因子數(shù)量,確定在該環(huán)境下所處的人因失誤模式。改進(jìn)后的人因失誤模式如圖1所示。
圖1 CREAM基本法控制模式圖Fig.1 Control mode diagram of CREAM fundamentals
2 改進(jìn)CREAM模型的建立
2.1 CPC因子的模糊化
模糊化即將一個(gè)系統(tǒng)的離散語言轉(zhuǎn)化為模糊集合的形式。模糊集合與普通集合不同,通過隸屬度函數(shù)來描述對象的全體,每個(gè)區(qū)間的隸屬度取值范圍為[0,1]。在CREAM基本法中,每個(gè)CPC因子僅存在3～4個(gè)評價(jià)等級,因子的影響都是離散和確定的,即0%或100%,區(qū)分度過小,因此需要對其進(jìn)行模糊化處理,將系統(tǒng)的離散輸入量轉(zhuǎn)化為連續(xù)值。選定CPC因子模糊集的論域?yàn)閇0,100][13],將其轉(zhuǎn)化為模糊輸出。由于CPC7僅有“夜晚”和“白天”兩個(gè)區(qū)間,為方便計(jì)算,對應(yīng)論域更改為[0,24],且新增一個(gè)“夜晚”區(qū)間,改進(jìn)后的CPC模糊集如表2所示。
表2 改進(jìn)后的CPC模糊集Table 2 Improved CPC fuzzy set
然后通過隸屬度函數(shù)將CPC因子的連續(xù)值轉(zhuǎn)換為概率值,隸屬度函數(shù)包括三角形、梯形、高斯形、鐘形等。三角形隸屬度函數(shù)具有運(yùn)算簡便、形狀簡單等特點(diǎn),且在性能方面與其他復(fù)雜的隸屬度函數(shù)差距較小,因此選擇三角形隸屬度函數(shù)。其中3個(gè)模糊子集與4個(gè)模糊子集的隸屬度函數(shù)有所區(qū)別,如式(1)～式(3)所示。
3個(gè)模糊子集的隸屬度函數(shù)表達(dá)式為
(1)
行車時(shí)間的隸屬度函數(shù)表達(dá)式為
(2)
4個(gè)模糊子集的隸屬度函數(shù)表達(dá)式為
(3)
2.2 模糊規(guī)則的建立及CPC因子的調(diào)整
模糊規(guī)則的建立依賴于CREAM方法自身的邏輯,CPC因子的模糊輸入與控制模式的模糊集通過模糊規(guī)則建立。建立單輸入-多輸出的模糊IF-THEN規(guī)則[14],其中輸入為CPC因子,輸出為人因失誤的控制模式。為簡化表達(dá),對9種CPC因子進(jìn)行編號,如表1所示?？刂颇Ｊ骄幪枮?戰(zhàn)略型D1、戰(zhàn)術(shù)型D2、機(jī)會型D3、混亂型D4。模糊規(guī)則可表示為
IFL1,mANDL2,mAND…ANDL9,m,THEN
(4)
舉例說明如下。
Rk:若“組織因素”為無效(L1,3),“工作負(fù)荷”為可接受(L2,2),“人機(jī)界面與支持程度”為支持(L3,1),“行車環(huán)境”為優(yōu)越(L4,1),“情景感知”為效果差(L5,4),“內(nèi)部駕駛環(huán)境”為舒適(L6,1),“行車時(shí)間”為白天(L7,1),“個(gè)人心理生理狀態(tài)”為良好(L8,1),“技能和經(jīng)驗(yàn)”為豐富(L9,1)。那么駕駛員的控制模式將為50%置信度的戰(zhàn)術(shù)型及50%置信度的機(jī)會型。
可用公式表示為
IFL1,3ANDL2,2ANDL3,1ANDL4,1ANDL5,4
ANDL6,1ANDL7,1ANDL8,1ANDL9,1,THEN
{(0,D1),(0.5,D2),(0.5,D3),(0,D4)}
(5)
在現(xiàn)實(shí)中,CPC因子之間并不是獨(dú)立存在的,因子間存在著相互依賴的關(guān)系。一個(gè)CPC因子的評估水平會受到一個(gè)或者多個(gè)CPC因子的影響,如駕駛?cè)说那榫案兄獣艿叫熊嚟h(huán)境、行車時(shí)間、個(gè)人生心理狀況等因素的影響。為實(shí)現(xiàn)對駕駛?cè)私?jīng)過隧道時(shí)的人因可靠性更為精確的分析,需要對其進(jìn)行調(diào)整[15]。列出可能需要調(diào)整的CPC因子,及其所依賴的其他因子,如表3所示。
表3 CPC因子調(diào)整規(guī)則Table 3 CPC adjustment rules
調(diào)整規(guī)則如下。
(1)若CPC2的初始評價(jià)水平為不顯著,CPC3、CPC4和CPC8中有任意2個(gè)及以上因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC2的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
(2)若CPC4的初始評價(jià)水平為不顯著,CPC1、CPC3、CPC7和CPC9中有任意3個(gè)因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC4的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
(3)若CPC5的初始評價(jià)水平為不顯著,CPC1、CPC4、CPC7、CPC8和CPC9中有任意4個(gè)因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC5的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
(4)若CPC8的初始評價(jià)水平為不顯著,CPC1、CPC4和CPC6中有任意2個(gè)及以上因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC8的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
CPC因子之間的相互影響關(guān)系,如圖2所示。
圖2 CPC因子相互影響關(guān)系圖Fig.2 CPC interaction diagram
2.3 貝葉斯網(wǎng)絡(luò)技術(shù)建模
使用貝葉斯網(wǎng)絡(luò)技術(shù)對IF-THEN規(guī)則庫進(jìn)行建模,可用條件概率進(jìn)行表示,Rk可以轉(zhuǎn)化為
P(Dj|L1,3,L2,2,L3,1,L4,1,L5,4,L6,1,L7,1,L8,1,
L9,1)=(0,0.5,0.5,0)
(6)
改進(jìn)后的CREAM方法中有4個(gè)CPC因子的水平等級為4種,5個(gè)CPC因子的水平等級為3種,根據(jù)IF-THEN規(guī)則,共有44×35,共計(jì)62 208條條件概率用以構(gòu)建網(wǎng)絡(luò),然而過多的條件概率會導(dǎo)致工作量巨大。因此使用分離方法,在CPC因子與控制模式之間加入3個(gè)輔助節(jié)點(diǎn),以減少父節(jié)點(diǎn)的數(shù)量。第一組A1包括CPC1、CPC2、CPC3;第二組A2包括CPC4、CPC5、CPC6;CPC7、CPC8、CPC9則包含于第三組A3,如圖3所示。
將CPC因子與控制模式轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)的形式,其中父節(jié)點(diǎn)為CPC因子,子節(jié)點(diǎn)則為人因控制模式,記子節(jié)點(diǎn)為ND。然后,基于IF-THEN規(guī)則的人誤概率分析推理,簡化為計(jì)算子節(jié)點(diǎn)ND的概率,公式為
(7)
則根據(jù)貝葉斯網(wǎng)絡(luò)原理可知節(jié)點(diǎn)ND的概率為
(8)
2.4 人因失誤概率計(jì)算
根據(jù)上述步驟得到的控制模式結(jié)果,可以計(jì)算給定場景下的人因失誤概率(human error probability,HEP),HEP越低,則人因可靠性越高。此時(shí)依據(jù)圖1中人因控制模式的人誤概率區(qū)間確定通用人誤概率值UDj。首先,模糊化處理4個(gè)控制模式,通過最大加權(quán)平均值計(jì)算UDj的值。在隸屬度為1的情況下,相對應(yīng)的概率值的對數(shù)表示為{-3.65,-2,-1.12,0.5},統(tǒng)一去對數(shù)后得{2.24×10-4,0.01,0.070 8,0.316},用以進(jìn)行基準(zhǔn)測試,可知HEP的計(jì)算公式為
(9)
3 實(shí)例分析
3.1 實(shí)例及數(shù)據(jù)處理
為了驗(yàn)證模型對駕駛?cè)送ㄟ^隧道時(shí)人因可靠性分析的適用性,選定駕駛?cè)送ㄟ^廈門市梧村隧道進(jìn)行研究。梧村隧道是目前國內(nèi)最長的城市公路隧道,全長3.7 km,極大地縮短了廈門火車站至機(jī)場的通行時(shí)間,交通流量大,隧道較長,交通事故時(shí)有發(fā)生。研究時(shí)間為2022年4月16日,廈門市天氣晴朗,微風(fēng)。汽車人機(jī)交互界面具有充分適當(dāng)性,駕駛?cè)笋{齡6年。
邀請5位隧道及人因領(lǐng)域?qū)＜?通過專家打分法對駕駛?cè)送ㄟ^隧道任務(wù)的CPC因子進(jìn)行0～100打分,取平均值。此處使用5級李克特量表進(jìn)行評分,通過隸屬度函數(shù)將分值轉(zhuǎn)換為概率值,結(jié)果如表4所示。
表4 CPC績效效應(yīng)值Table 4 CPC performance effect value
考慮CPC因子間的相互影響,以CPC因子調(diào)整規(guī)則1為例。已知CPC2的評價(jià)水平,其所依賴的因子CPC3為{改進(jìn)(15%),不顯著(85%),不顯著(0%),降低(0%)},CPC8為{改進(jìn)(20%),不顯著(80%),降低(0%)}時(shí),可知CPC3與CPC8評價(jià)水平中“改進(jìn)”的重疊部分占15%。此時(shí)CPC2評價(jià)水平中“不顯著”為100%,故其評價(jià)水平中“改進(jìn)”部分更改為15%,剩余的85%不滿足調(diào)整規(guī)則1,保持不變。最終CPC2的評價(jià)水平更改為{改進(jìn)(15%),不顯著(85%),降低(0%)},用概率值表示為0.15L2,1和0.85L2,2,同理可得CPC4、CPC5、CPC8調(diào)整后的概率值。
依據(jù)改進(jìn)的CREAM模型,運(yùn)用GeNIe軟件對CPC因子的績效效應(yīng)值進(jìn)行處理,從而確定駕駛?cè)送瓿伤淼礼{駛?cè)蝿?wù)的控制模式,如圖3所示。結(jié)合式(9),可以計(jì)算駕駛?cè)送ㄟ^隧道時(shí)的人因失誤概率,具體計(jì)算過程為
HEP=0.08×2.24×10-4+0.75×0.01+0.17×0.070 8+0=1.955×10-2。
3.2 結(jié)果分析
采用傳統(tǒng)CREAM方法分析,僅可獲知駕駛?cè)嗽谕瓿赏ㄟ^隧道任務(wù)時(shí)的控制模式為“戰(zhàn)術(shù)型”,人因失誤概率為0.001～0.1,概率區(qū)間過大。采用改進(jìn)的CREAM方法所得到的人因失誤概率為1.955×10-2。改進(jìn)后的模型較傳統(tǒng)方法能夠更加精確地計(jì)算人因失誤概率。
使用靈敏度分析方法,驗(yàn)證改進(jìn)后模型的有效性。對CPC1的分值進(jìn)行以10為增量的改變,經(jīng)過計(jì)算可知,當(dāng)CPC1分值為66時(shí),人因失誤概率為1.943×10-2。當(dāng)CPC1分值為46時(shí),人因失誤概率為1.961×10-2。由結(jié)果可知,當(dāng)CPC因子分值增大時(shí),人因失誤概率會降低,當(dāng)CPC因子分值減少時(shí),人因失誤概率隨之增大,從而驗(yàn)證了模型的有效性。
4 結(jié)論
(1)提出了一種基于改進(jìn)CREAM方法的隧道駕駛?cè)艘蚩煽啃苑治瞿Ｐ?可以量化得到駕駛?cè)送ㄟ^隧道時(shí)的人因失誤概率。
(2)針對駕駛?cè)送ㄟ^隧道任務(wù)的特殊性,優(yōu)化CREAM基本法中的CPC因子,并給出評估細(xì)則?？紤]CPC因子之間的相互影響,建立調(diào)整規(guī)則。運(yùn)用模糊邏輯的方法構(gòu)建CPC因子的隸屬度函數(shù),將其不同狀態(tài)水平的隸屬度作為貝葉斯網(wǎng)絡(luò)模型的輸入?yún)?shù),結(jié)合貝葉斯網(wǎng)絡(luò)計(jì)算人因失誤概率。
(3)實(shí)例證明,改進(jìn)CREAM方法得到的結(jié)果較基本法的結(jié)果更為精確,靈敏性更強(qiáng)。該方法與隧道駕駛聯(lián)系緊密,可為后續(xù)開展隧道駕駛?cè)艘蚴д`概率研究提供理論基礎(chǔ)及參考。
(4)該模型將總體任務(wù)的人因失誤概率進(jìn)行量化,后續(xù)可將復(fù)雜任務(wù)進(jìn)行分解,從而得到各認(rèn)知行為的人因失誤概率,全面分析任務(wù)的人因可靠性。
猜你喜歡
基于“BOPPS+對分”的人因工程課堂教學(xué)改革與實(shí)踐中學(xué)生學(xué)習(xí)報(bào)(2022年26期)2022-05-23 19:17:08 可靠性管理體系創(chuàng)建與實(shí)踐上海質(zhì)量(2019年8期)2019-11-16 08:47:46 智珠領(lǐng)導(dǎo)文萃(2019年18期)2019-09-25 06:10:58 電子制作(2017年2期)2017-05-17 03:55:06 貝葉斯公式及其應(yīng)用數(shù)理化解題研究(2017年4期)2017-05-04 04:07:54 基于貝葉斯估計(jì)的軌道占用識別方法鐵道通信信號(2016年6期)2016-06-01 12:10:20 一種基于貝葉斯壓縮感知的說話人識別方法電子器件(2015年5期)2015-12-29 08:43:15 基于可靠性跟蹤的薄弱環(huán)節(jié)辨識方法在省級電網(wǎng)可靠性改善中的應(yīng)用研究電測與儀表(2015年6期)2015-04-09 12:01:18 可靠性比一次采購成本更重要風(fēng)能(2015年9期)2015-02-27 10:15:24 IIRCT下負(fù)二項(xiàng)分布參數(shù)多變點(diǎn)的貝葉斯估計(jì)鄭州大學(xué)學(xué)報(bào)（理學(xué)版）(2014年2期)2014-03-01 04:20:49
施金斌, 劉曉佳*, 馬國旺, 唐慧漪
(1.集美大學(xué)航海學(xué)院, 廈門 361021; 2.集美大學(xué)海上交通安全研究所, 廈門 361021)
近年來,隨著中國經(jīng)濟(jì)的快速發(fā)展,人均車輛保有量及交通需求量與日俱增,中國隧道總里程也在不斷增加,截至2020年末,全國公路隧道為21 316處,全長2 199.93萬m[1]。與此同時(shí),隧道交通安全問題日益顯現(xiàn)[2]。隧道具有道路情況復(fù)雜、封閉的特點(diǎn),一旦發(fā)生事故,后果往往非常嚴(yán)重。不僅造成相應(yīng)的經(jīng)濟(jì)損失,更會產(chǎn)生生命威脅。據(jù)統(tǒng)計(jì),隧道交通事故死亡率為0.48人/起,是同期全部事故死亡率的1.6倍[3],如何減少隧道交通事故已成為急需解決的問題。隧道交通事故產(chǎn)生的原因眾多,其中最主要的便是人的因素,研究表明近89%的隧道事故與人因因素有關(guān)[4],多數(shù)事故的原因包括駕駛?cè)说母兄?、判斷或操作的差錯(cuò)。在駕駛過程中,駕駛?cè)送ㄟ^視覺獲取的交通信息占90%,然而在通過隧道時(shí),駕駛?cè)说目臻g辨識距離變短,觀察能力下降,極易發(fā)生事故。因此研究駕駛?cè)嗽谕ㄟ^隧道時(shí)的人因可靠性十分重要,對道路交通安全研究具有重大意義。
人因可靠性分析(human reliability analysis,HRA)是安全領(lǐng)域的重點(diǎn)研究對象。第二代HRA方法包括認(rèn)知可靠性與失誤分析方法(cognitive reliability and error ana-lysis method,CREAM)、人員執(zhí)行型錯(cuò)誤分析方法(a technique for human error analysis,ATHEANA)等。其中最典型的是CREAM方法,該方法已在核電、航空航天、海事等領(lǐng)域[5-6]得到了廣泛運(yùn)用。馬昕暉等[7]通過模糊方法處理共用績效條件(common performance condition,CPC)與控制模式之間的映射關(guān)系,建立適用于航天發(fā)射場的人因分析模型,從而計(jì)算任務(wù)的人因失誤概率。席永濤等[8]采用CREAM方法,結(jié)合模糊集合、證據(jù)推理及貝葉斯網(wǎng)絡(luò),量化分析不確定信息條件下的船舶駕駛員人因可靠性。楊越等[9]通過CREAM擴(kuò)展法,建立管制行為形成因子與情景控制模式的不確定關(guān)系模型,預(yù)測管制員的人誤概率。王彥富等[10]從解決CREAM模型中存在的任務(wù)環(huán)境與控制模式離散化問題出發(fā),改進(jìn)預(yù)測方法,成功預(yù)測海洋平臺火災(zāi)爆炸風(fēng)險(xiǎn)的人誤概率。然而CREAM方法在汽車駕駛中的應(yīng)用較少,且駕駛?cè)送ㄟ^隧道時(shí)的情景環(huán)境與核電、海事、航天航空存在較大差距,不能直接應(yīng)用于駕駛?cè)送ㄟ^隧道的人因可靠性分析。賴永明等[11]將CREAM回溯分析法與預(yù)測分析法相結(jié)合,構(gòu)建公路駕駛領(lǐng)域的人因可靠性分析模型,提高了人誤概率預(yù)測的準(zhǔn)確性。目前隧道安全研究以隧道施工安全為主,現(xiàn)以隧道內(nèi)行駛的駕駛?cè)藶檠芯繉ο?研究隧道駕駛?cè)艘蚩煽啃?。提出一種改進(jìn)的CREAM模型,結(jié)合貝葉斯網(wǎng)絡(luò)技術(shù),計(jì)算人因失誤概率。首先根據(jù)隧道駕駛?cè)蝿?wù)特點(diǎn)對CPC因子進(jìn)行改進(jìn),使用模糊邏輯方法將先驗(yàn)條件概率從確定值轉(zhuǎn)換為概率值,同時(shí)考慮CPC因子間的相互影響,結(jié)合貝葉斯網(wǎng)絡(luò)技術(shù),計(jì)算駕駛?cè)说娜艘蚴д`概率,為后續(xù)隧道駕駛的人因分析提供依據(jù)。
1 CREAM方法
CREAM[12]方法由Hollnageal于1998年建立,其指出人在各項(xiàng)活動中的行為與環(huán)境緊密相連,不是孤立存在。CREAM方法包括9種CPC因子,分別為:組織因素、工作條件、人機(jī)界面和操作支持、規(guī)程/計(jì)劃的可用性、同時(shí)出現(xiàn)的目標(biāo)數(shù)量、可用時(shí)間、工作時(shí)間、培訓(xùn)和實(shí)踐經(jīng)驗(yàn)培訓(xùn)、班組成員的合作質(zhì)量。每個(gè)CPC因子劃分的等級有所不同,對期望效應(yīng)產(chǎn)生改進(jìn)、不顯著、降低3種不同的影響。CREAM通過CPC因子體現(xiàn)人完成任務(wù)時(shí)所處的情景環(huán)境,結(jié)合期望效應(yīng),最終確定人因控制模式,即戰(zhàn)略型、戰(zhàn)術(shù)型、機(jī)會型和混亂型。
CREAM方法起源于核電領(lǐng)域,在核工業(yè)、航空航天等領(lǐng)域已有廣泛運(yùn)用,但與交通領(lǐng)域存在較大差異,因此原方法提出的CPC因子并不完全適用于隧道駕駛?cè)艘蚍治鲱I(lǐng)域,需結(jié)合隧道駕駛特點(diǎn)進(jìn)行調(diào)整。同時(shí)原方法并未給出各因子的詳細(xì)評估因素,在實(shí)際操作中主觀性較強(qiáng),需給出各CPC因子的評估細(xì)則。基于以上討論,結(jié)合CREAM基本法,通過統(tǒng)計(jì)分析隧道駕駛事故產(chǎn)生的原因,根據(jù)實(shí)際情況結(jié)合專家意見,對原CPC因子進(jìn)行調(diào)整,給出每個(gè)因子的評估細(xì)則。最終確定9種CPC因子,分別為CPC1組織因素、CPC2工作負(fù)荷、CPC3人機(jī)界面與支持程度、CPC4行車環(huán)境、CPC5情景感知、CPC6內(nèi)部駕駛環(huán)境、CPC7行車時(shí)間、CPC8個(gè)人心理生理狀態(tài)、CPC9技能和經(jīng)驗(yàn),并給出說明,如表1所示。
表1 改進(jìn)后的CPC及描述Table 1 Improved CPC and its description
CREAM分為基本法與擴(kuò)展法兩種,基本法觀察CPC因子的評價(jià)水平,分別記錄改進(jìn)、不顯著和降低的CPC因子數(shù)量,改進(jìn)為正效應(yīng),不改進(jìn)為負(fù)效應(yīng)。然后根據(jù)正負(fù)效用的CPC因子數(shù)量,確定在該環(huán)境下所處的人因失誤模式。改進(jìn)后的人因失誤模式如圖1所示。
圖1 CREAM基本法控制模式圖Fig.1 Control mode diagram of CREAM fundamentals
2 改進(jìn)CREAM模型的建立
2.1 CPC因子的模糊化
模糊化即將一個(gè)系統(tǒng)的離散語言轉(zhuǎn)化為模糊集合的形式。模糊集合與普通集合不同,通過隸屬度函數(shù)來描述對象的全體,每個(gè)區(qū)間的隸屬度取值范圍為[0,1]。在CREAM基本法中,每個(gè)CPC因子僅存在3～4個(gè)評價(jià)等級,因子的影響都是離散和確定的,即0%或100%,區(qū)分度過小,因此需要對其進(jìn)行模糊化處理,將系統(tǒng)的離散輸入量轉(zhuǎn)化為連續(xù)值。選定CPC因子模糊集的論域?yàn)閇0,100][13],將其轉(zhuǎn)化為模糊輸出。由于CPC7僅有“夜晚”和“白天”兩個(gè)區(qū)間,為方便計(jì)算,對應(yīng)論域更改為[0,24],且新增一個(gè)“夜晚”區(qū)間,改進(jìn)后的CPC模糊集如表2所示。
表2 改進(jìn)后的CPC模糊集Table 2 Improved CPC fuzzy set
然后通過隸屬度函數(shù)將CPC因子的連續(xù)值轉(zhuǎn)換為概率值,隸屬度函數(shù)包括三角形、梯形、高斯形、鐘形等。三角形隸屬度函數(shù)具有運(yùn)算簡便、形狀簡單等特點(diǎn),且在性能方面與其他復(fù)雜的隸屬度函數(shù)差距較小,因此選擇三角形隸屬度函數(shù)。其中3個(gè)模糊子集與4個(gè)模糊子集的隸屬度函數(shù)有所區(qū)別,如式(1)～式(3)所示。
3個(gè)模糊子集的隸屬度函數(shù)表達(dá)式為
(1)
行車時(shí)間的隸屬度函數(shù)表達(dá)式為
(2)
4個(gè)模糊子集的隸屬度函數(shù)表達(dá)式為
(3)
2.2 模糊規(guī)則的建立及CPC因子的調(diào)整
模糊規(guī)則的建立依賴于CREAM方法自身的邏輯,CPC因子的模糊輸入與控制模式的模糊集通過模糊規(guī)則建立。建立單輸入-多輸出的模糊IF-THEN規(guī)則[14],其中輸入為CPC因子,輸出為人因失誤的控制模式。為簡化表達(dá),對9種CPC因子進(jìn)行編號,如表1所示?？刂颇Ｊ骄幪枮?戰(zhàn)略型D1、戰(zhàn)術(shù)型D2、機(jī)會型D3、混亂型D4。模糊規(guī)則可表示為
IFL1,mANDL2,mAND…ANDL9,m,THEN
(4)
舉例說明如下。
Rk:若“組織因素”為無效(L1,3),“工作負(fù)荷”為可接受(L2,2),“人機(jī)界面與支持程度”為支持(L3,1),“行車環(huán)境”為優(yōu)越(L4,1),“情景感知”為效果差(L5,4),“內(nèi)部駕駛環(huán)境”為舒適(L6,1),“行車時(shí)間”為白天(L7,1),“個(gè)人心理生理狀態(tài)”為良好(L8,1),“技能和經(jīng)驗(yàn)”為豐富(L9,1)。那么駕駛員的控制模式將為50%置信度的戰(zhàn)術(shù)型及50%置信度的機(jī)會型。
可用公式表示為
IFL1,3ANDL2,2ANDL3,1ANDL4,1ANDL5,4
ANDL6,1ANDL7,1ANDL8,1ANDL9,1,THEN
{(0,D1),(0.5,D2),(0.5,D3),(0,D4)}
(5)
在現(xiàn)實(shí)中,CPC因子之間并不是獨(dú)立存在的,因子間存在著相互依賴的關(guān)系。一個(gè)CPC因子的評估水平會受到一個(gè)或者多個(gè)CPC因子的影響,如駕駛?cè)说那榫案兄獣艿叫熊嚟h(huán)境、行車時(shí)間、個(gè)人生心理狀況等因素的影響。為實(shí)現(xiàn)對駕駛?cè)私?jīng)過隧道時(shí)的人因可靠性更為精確的分析,需要對其進(jìn)行調(diào)整[15]。列出可能需要調(diào)整的CPC因子,及其所依賴的其他因子,如表3所示。
表3 CPC因子調(diào)整規(guī)則Table 3 CPC adjustment rules
調(diào)整規(guī)則如下。
(1)若CPC2的初始評價(jià)水平為不顯著,CPC3、CPC4和CPC8中有任意2個(gè)及以上因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC2的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
(2)若CPC4的初始評價(jià)水平為不顯著,CPC1、CPC3、CPC7和CPC9中有任意3個(gè)因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC4的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
(3)若CPC5的初始評價(jià)水平為不顯著,CPC1、CPC4、CPC7、CPC8和CPC9中有任意4個(gè)因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC5的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
(4)若CPC8的初始評價(jià)水平為不顯著,CPC1、CPC4和CPC6中有任意2個(gè)及以上因子的評價(jià)水平為(改進(jìn)/降低)時(shí),那么CPC8的評價(jià)水平調(diào)整為(改進(jìn)/降低)。
CPC因子之間的相互影響關(guān)系,如圖2所示。
圖2 CPC因子相互影響關(guān)系圖Fig.2 CPC interaction diagram
2.3 貝葉斯網(wǎng)絡(luò)技術(shù)建模
使用貝葉斯網(wǎng)絡(luò)技術(shù)對IF-THEN規(guī)則庫進(jìn)行建模,可用條件概率進(jìn)行表示,Rk可以轉(zhuǎn)化為
P(Dj|L1,3,L2,2,L3,1,L4,1,L5,4,L6,1,L7,1,L8,1,
L9,1)=(0,0.5,0.5,0)
(6)
改進(jìn)后的CREAM方法中有4個(gè)CPC因子的水平等級為4種,5個(gè)CPC因子的水平等級為3種,根據(jù)IF-THEN規(guī)則,共有44×35,共計(jì)62 208條條件概率用以構(gòu)建網(wǎng)絡(luò),然而過多的條件概率會導(dǎo)致工作量巨大。因此使用分離方法,在CPC因子與控制模式之間加入3個(gè)輔助節(jié)點(diǎn),以減少父節(jié)點(diǎn)的數(shù)量。第一組A1包括CPC1、CPC2、CPC3;第二組A2包括CPC4、CPC5、CPC6;CPC7、CPC8、CPC9則包含于第三組A3,如圖3所示。
將CPC因子與控制模式轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)的形式,其中父節(jié)點(diǎn)為CPC因子,子節(jié)點(diǎn)則為人因控制模式,記子節(jié)點(diǎn)為ND。然后,基于IF-THEN規(guī)則的人誤概率分析推理,簡化為計(jì)算子節(jié)點(diǎn)ND的概率,公式為
(7)
則根據(jù)貝葉斯網(wǎng)絡(luò)原理可知節(jié)點(diǎn)ND的概率為
(8)
2.4 人因失誤概率計(jì)算
根據(jù)上述步驟得到的控制模式結(jié)果,可以計(jì)算給定場景下的人因失誤概率(human error probability,HEP),HEP越低,則人因可靠性越高。此時(shí)依據(jù)圖1中人因控制模式的人誤概率區(qū)間確定通用人誤概率值UDj。首先,模糊化處理4個(gè)控制模式,通過最大加權(quán)平均值計(jì)算UDj的值。在隸屬度為1的情況下,相對應(yīng)的概率值的對數(shù)表示為{-3.65,-2,-1.12,0.5},統(tǒng)一去對數(shù)后得{2.24×10-4,0.01,0.070 8,0.316},用以進(jìn)行基準(zhǔn)測試,可知HEP的計(jì)算公式為
(9)
3 實(shí)例分析
3.1 實(shí)例及數(shù)據(jù)處理
為了驗(yàn)證模型對駕駛?cè)送ㄟ^隧道時(shí)人因可靠性分析的適用性,選定駕駛?cè)送ㄟ^廈門市梧村隧道進(jìn)行研究。梧村隧道是目前國內(nèi)最長的城市公路隧道,全長3.7 km,極大地縮短了廈門火車站至機(jī)場的通行時(shí)間,交通流量大,隧道較長,交通事故時(shí)有發(fā)生。研究時(shí)間為2022年4月16日,廈門市天氣晴朗,微風(fēng)。汽車人機(jī)交互界面具有充分適當(dāng)性,駕駛?cè)笋{齡6年。
邀請5位隧道及人因領(lǐng)域?qū)＜?通過專家打分法對駕駛?cè)送ㄟ^隧道任務(wù)的CPC因子進(jìn)行0～100打分,取平均值。此處使用5級李克特量表進(jìn)行評分,通過隸屬度函數(shù)將分值轉(zhuǎn)換為概率值,結(jié)果如表4所示。
表4 CPC績效效應(yīng)值Table 4 CPC performance effect value
考慮CPC因子間的相互影響,以CPC因子調(diào)整規(guī)則1為例。已知CPC2的評價(jià)水平,其所依賴的因子CPC3為{改進(jìn)(15%),不顯著(85%),不顯著(0%),降低(0%)},CPC8為{改進(jìn)(20%),不顯著(80%),降低(0%)}時(shí),可知CPC3與CPC8評價(jià)水平中“改進(jìn)”的重疊部分占15%。此時(shí)CPC2評價(jià)水平中“不顯著”為100%,故其評價(jià)水平中“改進(jìn)”部分更改為15%,剩余的85%不滿足調(diào)整規(guī)則1,保持不變。最終CPC2的評價(jià)水平更改為{改進(jìn)(15%),不顯著(85%),降低(0%)},用概率值表示為0.15L2,1和0.85L2,2,同理可得CPC4、CPC5、CPC8調(diào)整后的概率值。
依據(jù)改進(jìn)的CREAM模型,運(yùn)用GeNIe軟件對CPC因子的績效效應(yīng)值進(jìn)行處理,從而確定駕駛?cè)送瓿伤淼礼{駛?cè)蝿?wù)的控制模式,如圖3所示。結(jié)合式(9),可以計(jì)算駕駛?cè)送ㄟ^隧道時(shí)的人因失誤概率,具體計(jì)算過程為
HEP=0.08×2.24×10-4+0.75×0.01+0.17×0.070 8+0=1.955×10-2。
3.2 結(jié)果分析
采用傳統(tǒng)CREAM方法分析,僅可獲知駕駛?cè)嗽谕瓿赏ㄟ^隧道任務(wù)時(shí)的控制模式為“戰(zhàn)術(shù)型”,人因失誤概率為0.001～0.1,概率區(qū)間過大。采用改進(jìn)的CREAM方法所得到的人因失誤概率為1.955×10-2。改進(jìn)后的模型較傳統(tǒng)方法能夠更加精確地計(jì)算人因失誤概率。
使用靈敏度分析方法,驗(yàn)證改進(jìn)后模型的有效性。對CPC1的分值進(jìn)行以10為增量的改變,經(jīng)過計(jì)算可知,當(dāng)CPC1分值為66時(shí),人因失誤概率為1.943×10-2。當(dāng)CPC1分值為46時(shí),人因失誤概率為1.961×10-2。由結(jié)果可知,當(dāng)CPC因子分值增大時(shí),人因失誤概率會降低,當(dāng)CPC因子分值減少時(shí),人因失誤概率隨之增大,從而驗(yàn)證了模型的有效性。
4 結(jié)論
(1)提出了一種基于改進(jìn)CREAM方法的隧道駕駛?cè)艘蚩煽啃苑治瞿Ｐ?可以量化得到駕駛?cè)送ㄟ^隧道時(shí)的人因失誤概率。
(2)針對駕駛?cè)送ㄟ^隧道任務(wù)的特殊性,優(yōu)化CREAM基本法中的CPC因子,并給出評估細(xì)則?？紤]CPC因子之間的相互影響,建立調(diào)整規(guī)則。運(yùn)用模糊邏輯的方法構(gòu)建CPC因子的隸屬度函數(shù),將其不同狀態(tài)水平的隸屬度作為貝葉斯網(wǎng)絡(luò)模型的輸入?yún)?shù),結(jié)合貝葉斯網(wǎng)絡(luò)計(jì)算人因失誤概率。
(3)實(shí)例證明,改進(jìn)CREAM方法得到的結(jié)果較基本法的結(jié)果更為精確,靈敏性更強(qiáng)。該方法與隧道駕駛聯(lián)系緊密,可為后續(xù)開展隧道駕駛?cè)艘蚴д`概率研究提供理論基礎(chǔ)及參考。
(4)該模型將總體任務(wù)的人因失誤概率進(jìn)行量化,后續(xù)可將復(fù)雜任務(wù)進(jìn)行分解,從而得到各認(rèn)知行為的人因失誤概率,全面分析任務(wù)的人因可靠性。
猜你喜歡
中學(xué)生學(xué)習(xí)報(bào)(2022年26期)2022-05-23 19:17:08
上海質(zhì)量(2019年8期)2019-11-16 08:47:46
領(lǐng)導(dǎo)文萃(2019年18期)2019-09-25 06:10:58
數(shù)理化解題研究(2017年4期)2017-05-04 04:07:54
鐵道通信信號(2016年6期)2016-06-01 12:10:20
電子器件(2015年5期)2015-12-29 08:43:15
電測與儀表(2015年6期)2015-04-09 12:01:18
風(fēng)能(2015年9期)2015-02-27 10:15:24
鄭州大學(xué)學(xué)報(bào)（理學(xué)版）(2014年2期)2014-03-01 04:20:49
