基于HRA的煤礦事故人誤辨識結構模型的研究
2014-09-23 09:25:08崔寧陳智陽張炳訓
價值工程 2014年23期
崔寧+陳智陽+張炳訓
摘要： 借用人因事故樹對煤礦人因事故的致因進行分析，辨識出幾種重要的人誤影響因素，進行匯總。再結合HRA思想和貝葉斯網絡進行模型構建，確定各個因素的條件概率，從HRA數據庫中提取所需的概率值填充，得到先驗分布和后驗分布，從而對結構模型有了良好的定性和定量分析，當有新節點加入時也可依據公式進行補充，具有良好的拓展性。
Abstract: This paper borrowed FAT model to analyze the reasons of the coal mine accident, recognized several important factors and aggregated them, then combining HRA ideas and a bayesian network for model building， determining the conditional probability of the various factors, extracting the desired probability from the HRA database, getting the prior distribution and the posterior distribution, in order to have a good qualitative and quantitative analysis of the structural model. When a new node is added that may be supplemented in accordance with the formula，which has good expansibility.
關鍵詞： 事故樹；人誤辨識；HRA；貝葉斯網絡
Key words: FAT；human error identification；HRA；Bayesian network
中圖分類號：X752文獻標識碼：A文章編號：1006-4311（2014）23-0049-02
0引言
中國是資源開采和能源消耗大國，煤炭產業占了能源中的百分之六十，可是隨著煤礦產業的盛行，煤礦安全事故也頻頻發生。在這些事故中，人的行為因素是煤礦事故致因的一個很重要的因素。因此，認為很有必要從人的行為失誤方面對煤礦事故做一些研究。
1HRA定義與方法
1.1 定義HRA是Human Reliability Analysis的縮寫，指人因可靠性分析，它能定性以及定量地分析人因可靠性，其理論基礎有人因工程、概率統計、系統分析、行為科學、認知科學等等的許多學科，還分析預測減少以及預防人的失誤。人因可靠性分析的作用很多，可以用來評價人們在人機系統中產生的各種失誤，且可用來預測或者追溯事故，對系統進行改善，從而最大限度地減少系統中的人誤概率。
1.2 現行的HRA方法概述人員失誤概率預測技術（THERP）為HRA最初盛行時常用的一種人誤可靠性分析模型，以人物分析為基礎，可以很清晰地表述人誤行為因子，定性定量地分析人誤產生的各種原因；人的認知可靠性模型（HCR）[1]一種以數據研究為基礎的方法，其目的是用來評價各種人為因素的概率；人誤分析技術主要是研究運行經驗的一種先進的人因可靠性分析方法；成功似然指數法（SLIM）是從許多設定方案中按照專家標準作選擇，根據專家的評價和決策分析來研究HRA；認知可靠性與失誤分析方法（CREAM）有別于上述的第一代HRA方法，是根據情景控制對人誤行為因子作認知分析；人誤評價與減少方法（HEART）以分析人誤行為因子產生的原因中的反面因素為基礎的方法，能夠定量定性地考慮環境因子、工效學因子等等。
2利用事故樹作人誤辨識
2.1煤礦人因事故樹及其定性分析煤礦人因事故的產生有許多原因，根據大量數據研究大體可以分成兩個主要原因，即煤礦作業中的各種危險因素和人誤行為。根據事故致因理論和FTA原理，可得出煤礦人因事故邏輯關系，如下。
煤礦人因事故=人為誘發+作業環境危險因素
作業環境危險因素包括設備原因、水電原因、管理因素、審查因素等等。
通過邏輯原理，運用布爾代數原理可以得到：T=X1（X2+X3+X4+X5+X6）
其中T：煤礦人因事故；X1：人為誘發；X2：設備原因；X3：作業環境；X4：審查因素；X5：管理因素；X6：物質因素；通過邏輯圖可以看出：人的因素、管理因素、環境因素都是主要誘因。事故樹分析法是可以從結果事件追溯到事件發生的過程，用逆序的思想分析人因可靠性，是一種目前運用很廣泛的辨識事故人誤行為的方法。
2.2 人誤辨識人因失誤辨識（human error identification：HEI）[2]是一種廣泛運用于煤礦安全系統中的分析人因可靠性的方法，它同時也能夠對整個煤礦系統作安全系數評估，大大減少了事故的發生，同時也能使操作人員找到很好的安全防范措施。
本文討論的是對煤礦事故人誤因素的辨識，先列出影響因素：①個體因素：包括人的心理因素和生理因素。②環境因素：包括家庭環境、社會環境和作業環境等。③組織因素：組織結構、組織功能、組織規范和組織文化。
3基于HRA的人誤辨識結構模型研究
3.1 貝葉斯網絡介紹貝葉斯網絡是一種為了解決不完整性問題提出的有向無環圖，能夠清晰地表達各種變量之間的依賴程度和依賴關系，貝葉斯推理有兩個步驟：首先是建立貝葉斯網絡，其次是確定條件概率表（CPT）[4]。
3.2 結合HRA思想及事故樹分析構建模型先進行由事故樹向貝葉斯網絡的轉換，如下所示。
A、B事件和關系：
P（T=1|A=1，B=1）=1P（T=1|else）=0
A、B事件或關系：
P（T=1|A=0，B=0）=0 P（T=1|else）=1
貝葉斯網絡可以從定量和定性兩個方面分析模型，下圖給出了利用貝葉斯網絡構建的結構模型，見圖1。
圖1給出了一種結構模型（附條件概率），已經標注兩層概率，先簡要敘述下符號標記和貝葉斯原理：圖中人因失誤為父節點記為A，其子節點記為B1，B2，B3，再依次劃C1、C2等等。圖中有些概率值可以通過查詢數學中模型參數的相關知識得到的，這樣的概率分布π（θ）為先驗分布[5]。P（X1，X2，…Xnθ）指事件或樣本x1，x2，…，xn對模型參數θ的條件密度； g（ x1，x2，…，xnθ）指模型參數θ對事件或樣本x1，x2，…，xn的條件密度，這樣的概率分布視作模型參數θ在樣本x1，x2，…，xn條件下的概率分布情況，這個時候，g（θ x1，x2，…，xn）視為在經過數據樣本x1，x2，…，xn檢測后得到的概率，我們稱g（θx1，x2，…，xn）為后驗分布。
圖1人誤結構模型
模型的結構圖確立后再進行對各個子節點的條件概率進行計算，根據貝葉斯公式P（A∩B）=P（A）*P（B|A）=P（B）*
P（A|B） 和P（A|B，C）=P（B|A）*P（A）*P（C|A，B）/（P（B）*P（C|B））并利用已知的人因數據庫信息得出每一個子節點的概率，當節點的數據有變動或是有新的節點數據加入時仍然可以應用貝葉斯理論進行預測且合理運用該方法對事件作定量分析。
另外，合理運用貝葉斯網絡方法能夠拓寬信息量，可以通過計算后驗概率豐富事件的信息，然后用通過得到的概率進行推理或是診斷，比其他方法有更好的建模分析。
3.3 案例分析
2004年2月23日6時10分，百興煤礦東一工作面發生一起重大瓦斯爆炸事故，造成37人死亡，直接經濟損失巨大，經確認，這是一起人誤引起的責任事故，人因事故樹表示如下：
T=AX0B=（X1+X2+X3+X4）X0（X5+X6+X7+X8）
對上述例子進行人誤辨識：個人原因有上班脫崗、工人未做好安全措施、違章拆卸等。組織原因有：審批制度不嚴、檢察員未做好工作等。
瓦斯事故T分為瓦斯積聚A，氧氣X0，火源B。
瓦斯積聚A分為開停風機X1，瓦檢人員脫崗X2，瓦檢漏檢X3，其他原因X4。
火源B分為人為拆卸X5，帶電檢修X6，吸煙火源
X7，其他火源X8。
接下來進行貝葉斯網絡的轉換，見圖2。
圖2轉換后的貝葉斯網絡
假定事件A發生的概率為0.5，事件B發生的概率為0.5，已知的概率值如下：開停風機X1=0.2、瓦檢人員脫崗X2=0.3、瓦檢漏檢X3=0.1、其他原因X4=0.4、人為拆卸X5=0.2、帶電檢修X6=0.3、吸煙火源X7=0.2、其他火源X8=0.3。
再根據貝葉斯公式
P（A∩B）=P（A）*P（B|A）=P（B）*P（A|B）（1）
因為A,B事件獨立時
P（A|B）=P（A），P（B|A）=P（B）（2）
所以
P（A∩B）=P（A）*P（B）（3）
結合模型即可得到后驗概率，如表1。
表1瓦斯事件后驗概率
[P
X5=1
X5=0
X6=1
X6=0
X7=1
X7=0
X8=1
X8=0
X1=1
0.02
0.08
0.03
0.07
0.02
0.08
0.03
0.07
X1=0
0.08
0.32
0.12
0.28
0.08
0.32
0.12
0.28
X2=1
0.03
0.12
0.04
0.10
0.03
0.12
0.04
0.10
X2=0
0.07
0.28
0.10
0.24
0.07
0.28
0.10
0.24
X3=1
0.01
0.04
0.01
0.03
0.01
0.04
0.01
0.03
X3=0
0.09
0.36
0.13
0.31
0.09
0.36
0.13
0.32
X4=1
0.04
0.16
0.06
0.14
0.04
0.16
0.06
0.14
X4=0
0.06
0.24
0.09
0.21
0.06
0.24
0.09
0.21]
通過數據表明該方法較與傳統方法能夠得到更多的信息，例如各種條件概率和結構信息，且描述事件更加具有邏輯性和多態性，便于進一步進行可靠性分析。
4結論
本文介紹了HRA的定義與方法，通過事故樹分析方法對影響煤礦事故發生中人的失誤行為因素進行了較為全面的辨識，把人誤分為個體影響因素、環境影響因素和組織影響因素，通過事故樹向貝葉斯網絡的轉換，得到一個便于計算條件概率的模型，該模型突破傳統事故樹的局限性，能夠得到更豐富的信息，更加直觀，非常適合于進行可靠性分析，且拓展性好，當數據發生變化或缺失時它都能良好地應對。
參考文獻：
[1]牛可.基于第二代人因可靠性分析方法的煤礦人為事故研究[D].山西太原：太原理工大學，2011：50-51.
[2]魏紹敏.煤礦人因事故發生機理及防范對策研究[D].陜西西安：西安科技大學，2004：34-35.
[3]常悅.基于煤礦人因事故影響因素的安全防范體系研究[D].山西太原：太原理工大學，2012：25-26.
[4] 柴松.基于CREAM和不確定推理的人因可靠性分析方法[D].天津：天津大學，2012：11-12.
[5]孫旋.基于貝葉斯網絡的人因可靠性評價[D].香港：香港城市大學，2006：8-9.
圖1人誤結構模型
模型的結構圖確立后再進行對各個子節點的條件概率進行計算，根據貝葉斯公式P（A∩B）=P（A）*P（B|A）=P（B）*
P（A|B） 和P（A|B，C）=P（B|A）*P（A）*P（C|A，B）/（P（B）*P（C|B））并利用已知的人因數據庫信息得出每一個子節點的概率，當節點的數據有變動或是有新的節點數據加入時仍然可以應用貝葉斯理論進行預測且合理運用該方法對事件作定量分析。
另外，合理運用貝葉斯網絡方法能夠拓寬信息量，可以通過計算后驗概率豐富事件的信息，然后用通過得到的概率進行推理或是診斷，比其他方法有更好的建模分析。
3.3 案例分析
2004年2月23日6時10分，百興煤礦東一工作面發生一起重大瓦斯爆炸事故，造成37人死亡，直接經濟損失巨大，經確認，這是一起人誤引起的責任事故，人因事故樹表示如下：
T=AX0B=（X1+X2+X3+X4）X0（X5+X6+X7+X8）
對上述例子進行人誤辨識：個人原因有上班脫崗、工人未做好安全措施、違章拆卸等。組織原因有：審批制度不嚴、檢察員未做好工作等。
瓦斯事故T分為瓦斯積聚A，氧氣X0，火源B。
瓦斯積聚A分為開停風機X1，瓦檢人員脫崗X2，瓦檢漏檢X3，其他原因X4。
火源B分為人為拆卸X5，帶電檢修X6，吸煙火源
X7，其他火源X8。
接下來進行貝葉斯網絡的轉換，見圖2。
圖2轉換后的貝葉斯網絡
假定事件A發生的概率為0.5，事件B發生的概率為0.5，已知的概率值如下：開停風機X1=0.2、瓦檢人員脫崗X2=0.3、瓦檢漏檢X3=0.1、其他原因X4=0.4、人為拆卸X5=0.2、帶電檢修X6=0.3、吸煙火源X7=0.2、其他火源X8=0.3。
再根據貝葉斯公式
P（A∩B）=P（A）*P（B|A）=P（B）*P（A|B）（1）
因為A,B事件獨立時
P（A|B）=P（A），P（B|A）=P（B）（2）
所以
P（A∩B）=P（A）*P（B）（3）
結合模型即可得到后驗概率，如表1。
表1瓦斯事件后驗概率
[P
X5=1
X5=0
X6=1
X6=0
X7=1
X7=0
X8=1
X8=0
X1=1
0.02
0.08
0.03
0.07
0.02
0.08
0.03
0.07
X1=0
0.08
0.32
0.12
0.28
0.08
0.32
0.12
0.28
X2=1
0.03
0.12
0.04
0.10
0.03
0.12
0.04
0.10
X2=0
0.07
0.28
0.10
0.24
0.07
0.28
0.10
0.24
X3=1
0.01
0.04
0.01
0.03
0.01
0.04
0.01
0.03
X3=0
0.09
0.36
0.13
0.31
0.09
0.36
0.13
0.32
X4=1
0.04
0.16
0.06
0.14
0.04
0.16
0.06
0.14
X4=0
0.06
0.24
0.09
0.21
0.06
0.24
0.09
0.21]
通過數據表明該方法較與傳統方法能夠得到更多的信息，例如各種條件概率和結構信息，且描述事件更加具有邏輯性和多態性，便于進一步進行可靠性分析。
4結論
本文介紹了HRA的定義與方法，通過事故樹分析方法對影響煤礦事故發生中人的失誤行為因素進行了較為全面的辨識，把人誤分為個體影響因素、環境影響因素和組織影響因素，通過事故樹向貝葉斯網絡的轉換，得到一個便于計算條件概率的模型，該模型突破傳統事故樹的局限性，能夠得到更豐富的信息，更加直觀，非常適合于進行可靠性分析，且拓展性好，當數據發生變化或缺失時它都能良好地應對。
參考文獻：
[1]牛可.基于第二代人因可靠性分析方法的煤礦人為事故研究[D].山西太原：太原理工大學，2011：50-51.
[2]魏紹敏.煤礦人因事故發生機理及防范對策研究[D].陜西西安：西安科技大學，2004：34-35.
[3]常悅.基于煤礦人因事故影響因素的安全防范體系研究[D].山西太原：太原理工大學，2012：25-26.
[4] 柴松.基于CREAM和不確定推理的人因可靠性分析方法[D].天津：天津大學，2012：11-12.
[5]孫旋.基于貝葉斯網絡的人因可靠性評價[D].香港：香港城市大學，2006：8-9.
圖1人誤結構模型
模型的結構圖確立后再進行對各個子節點的條件概率進行計算，根據貝葉斯公式P（A∩B）=P（A）*P（B|A）=P（B）*
P（A|B） 和P（A|B，C）=P（B|A）*P（A）*P（C|A，B）/（P（B）*P（C|B））并利用已知的人因數據庫信息得出每一個子節點的概率，當節點的數據有變動或是有新的節點數據加入時仍然可以應用貝葉斯理論進行預測且合理運用該方法對事件作定量分析。
另外，合理運用貝葉斯網絡方法能夠拓寬信息量，可以通過計算后驗概率豐富事件的信息，然后用通過得到的概率進行推理或是診斷，比其他方法有更好的建模分析。
3.3 案例分析
2004年2月23日6時10分，百興煤礦東一工作面發生一起重大瓦斯爆炸事故，造成37人死亡，直接經濟損失巨大，經確認，這是一起人誤引起的責任事故，人因事故樹表示如下：
T=AX0B=（X1+X2+X3+X4）X0（X5+X6+X7+X8）
對上述例子進行人誤辨識：個人原因有上班脫崗、工人未做好安全措施、違章拆卸等。組織原因有：審批制度不嚴、檢察員未做好工作等。
瓦斯事故T分為瓦斯積聚A，氧氣X0，火源B。
瓦斯積聚A分為開停風機X1，瓦檢人員脫崗X2，瓦檢漏檢X3，其他原因X4。
火源B分為人為拆卸X5，帶電檢修X6，吸煙火源
X7，其他火源X8。
接下來進行貝葉斯網絡的轉換，見圖2。
圖2轉換后的貝葉斯網絡
假定事件A發生的概率為0.5，事件B發生的概率為0.5，已知的概率值如下：開停風機X1=0.2、瓦檢人員脫崗X2=0.3、瓦檢漏檢X3=0.1、其他原因X4=0.4、人為拆卸X5=0.2、帶電檢修X6=0.3、吸煙火源X7=0.2、其他火源X8=0.3。
再根據貝葉斯公式
P（A∩B）=P（A）*P（B|A）=P（B）*P（A|B）（1）
因為A,B事件獨立時
P（A|B）=P（A），P（B|A）=P（B）（2）
所以
P（A∩B）=P（A）*P（B）（3）
結合模型即可得到后驗概率，如表1。
表1瓦斯事件后驗概率
[P
X5=1
X5=0
X6=1
X6=0
X7=1
X7=0
X8=1
X8=0
X1=1
0.02
0.08
0.03
0.07
0.02
0.08
0.03
0.07
X1=0
0.08
0.32
0.12
0.28
0.08
0.32
0.12
0.28
X2=1
0.03
0.12
0.04
0.10
0.03
0.12
0.04
0.10
X2=0
0.07
0.28
0.10
0.24
0.07
0.28
0.10
0.24
X3=1
0.01
0.04
0.01
0.03
0.01
0.04
0.01
0.03
X3=0
0.09
0.36
0.13
0.31
0.09
0.36
0.13
0.32
X4=1
0.04
0.16
0.06
0.14
0.04
0.16
0.06
0.14
X4=0
0.06
0.24
0.09
0.21
0.06
0.24
0.09
0.21]
通過數據表明該方法較與傳統方法能夠得到更多的信息，例如各種條件概率和結構信息，且描述事件更加具有邏輯性和多態性，便于進一步進行可靠性分析。
4結論
本文介紹了HRA的定義與方法，通過事故樹分析方法對影響煤礦事故發生中人的失誤行為因素進行了較為全面的辨識，把人誤分為個體影響因素、環境影響因素和組織影響因素，通過事故樹向貝葉斯網絡的轉換，得到一個便于計算條件概率的模型，該模型突破傳統事故樹的局限性，能夠得到更豐富的信息，更加直觀，非常適合于進行可靠性分析，且拓展性好，當數據發生變化或缺失時它都能良好地應對。
參考文獻：
[1]牛可.基于第二代人因可靠性分析方法的煤礦人為事故研究[D].山西太原：太原理工大學，2011：50-51.
[2]魏紹敏.煤礦人因事故發生機理及防范對策研究[D].陜西西安：西安科技大學，2004：34-35.
[3]常悅.基于煤礦人因事故影響因素的安全防范體系研究[D].山西太原：太原理工大學，2012：25-26.
[4] 柴松.基于CREAM和不確定推理的人因可靠性分析方法[D].天津：天津大學，2012：11-12.
[5]孫旋.基于貝葉斯網絡的人因可靠性評價[D].香港：香港城市大學，2006：8-9.
