基于ITFN-DEMATEL的聯合收割機駕駛人員關鍵行為形成因子研究*

吳雪琴，馮海芹

(1. 電子科技大學成都學院計算機學院，成都市，611731； 2. 成都職業技術學院軟件學院，成都市，610041)

0 引言

聯合收割機作為農業現代化的重要工具，已經被廣泛應用于現代農業生產中。隨著《國務院關于加快推進農業機械化和農機裝備產業轉型升級的指導意見》[1]的出臺，全國農業機械化率不斷提高。2020年農機率達到71.25%，農機總數量(包括：拖拉機、播種機、機動植保機、聯合收割機、干燥機、植保無人機、畜牧水產機械)共6 575.08萬臺，其中聯合收割機(包括：稻麥、玉米、大豆)221.75萬臺，占3.37%[2]。隨著農機化的不斷深入，農機事故也成為備受關注的重要社會問題，2020年全國共發生農機道路以外的農機事故246起，其中聯合收割機114起，高達46.34%[2]?？梢?，聯合收割機在農機道以外的事故率遠高于其他農機。

農機事故研究成果中，絕大多數都是以“農機”為籠統研究對象[3-6]，專門針對聯合收割機的事故分析很少[7]。技術的進步正促使聯合收割機向自動化、智能化的方向快速發展，主要表現為：駕駛室的封閉性、隔熱隔音性等改良；工況參數實現液晶數顯；控制操作通過電子系統完成；監測裝置能進行光、聲報警等[8]。駕駛過程的人機交互形式正在從模擬式向數字式轉變，早期以模擬式人機交互形式為對象的事故研究結論不再適用于目前的情況。在聯合收割機的駕駛勞動過程中，人誤行為是導致安全事故的主要原因[4-5]。

大量研究表明，人誤行為的主要誘因是作業者所處的情境環境[9-10]。行為形成因子(Performance Shaping Factor，PSF)作為作業情景環境的表征形式，已成為人誤研究的重要切入點，而關鍵行為形成因子的定義則是問題研究的突破口[11-13]，但是該研究范式在聯合收割機安全事故分析中還很少見。基于此，本研究將建模分析聯合收割機駕駛人員PSF及其相互影響關系，找出關鍵因子，為聯合收割機駕駛作業安全管理提供理論依據。

1 聯合收割機駕駛作業PSF體系

1.1 作業特征分析

目前，聯合收割機向自動化、智能化的方向快速發展，作業情境可描述為：駕駛員在舒適的駕駛室內，通過液晶信息顯示界面獲取工況參數(如：水溫、油壓、發動機轉速、負荷大小、谷物多少、脫谷深淺、阻塞故障、停車剎車燈等)，這些信息經過大腦處理后，通過電子操控系統完成轉速、滑差率、行駛速度等指令的輸出。

可見，聯合收割機的駕駛過程正在向數字式人機交互形式轉變。駕駛者可視為具有信息接收、處理和輸出的機體，駕駛作業已具備典型的腦力勞動特征，屬于“腦—體結合”的人機交互勞動形式。

1.2 作業PSF體系

PSF是對人的行為起影響作用的情境環境表征[10]，研究目的及對象的差異均會影響PSF的分類和體系構建[14]。學者們一般采用“某種經典PSF分類方式+特定作業情境特征專家判斷”的研究范式定義某種作業環境的PSF體系[12-13]。本研究亦采用該范式。

蔣英杰等[15]以人機交互作業為原型，提出系統化的PSF分類方法。該分類方法將作業情境環境表征為操作者、機器、任務、組織、環境和輔助系統等6個方面，共38個PSF因子。聯合收割機駕駛過程屬于數字式人機交互形式，與該分類方式作業原型的特征基本一致。

本研究采用系統化的PSF分類方式[15]，結合對聯合收割機駕駛作業情境特征研究的文獻分析，提出PSF初選因子，見表1。

表1 聯合收割機駕駛作業PSF初選因子Tab. 1 Primary PSFs of combine harvester driving operation

甄選30名專家對聯合收割機駕駛作業PSF初選因子進行評價。專家組由3類人員構成：(1)具有5年以上工作經驗的聯合收割機駕駛作業一線人員10名；(2)農機局、站等管理技術人員10名；(3)高校、研究院(所)等農機研究學者10名。

對30名專家進行問卷調查，要求選擇表1中對聯合收割機駕駛作業安全績效影響較大的PSF因子，數量不限?；厥沼行柧?0份，統計問卷中PSF因子的被提及率。

選擇提及率高于60%的PSF因子(共19個)，構建聯合收割機駕駛作業PSF體系，結果見表2。

表2 PSF因子提及率Tab. 2 Mentioning rate of performance shaping factor

2 聯合收割機駕駛作業PSF因果關系分析

2.1 ITFN-DEMATEL方法

決策試驗與評價實驗室法(Decision Making Trial and Evaluation Laboratory，DEMATEL)是一種運用圖論和矩陣工具描述系統構成要素之間關系的有效工具。但是，在分析復雜系統要素之間關系時，描述信息通常具有模糊屬性或專家判斷要素間關系時存在不確定性，傳統DEMATEL方法的有效性會大幅下降[23]。聯合收割機駕駛作業PSF因子數量多，彼此之間關系復雜，專家在進行關系判斷時存在較高不確定性。

因此，本研究將梯形直覺模糊數(Intuitionistic Trapezoidal Fuzzy Number，ITFN)與DEMATEL方法相結合，分析聯合收割機駕駛作業PSF之間的關系。該方法能給予專家直覺偏好的表達途徑，規范模糊化過程、影響矩陣計算過程和清晰化過程，提高復雜不確定關系分析的有效性。ITFN-DEMATEL模型總體框架如圖1所示。

圖1 ITFN-DEMATEL模型總體框架圖

2.2 構建專家直覺評分集

設A=(a,b,c,d)是實數集上的一個梯形模糊數，其隸屬度函數可表示為uA(x)，非隸屬度函數表示為vA(x)[23]，如式(1)和式(2)所示。

(1)

(2)

由此，梯形直覺模糊數可以表示為{[ua,ub,uc,ud],[va,vb,vc,vd]}。

表3 模糊語言變量與梯形模糊數對應關系Tab. 3 Correspondence of linguistic variable and ITFN

由表4可知3名專家對任意2個PSF之間的直覺評分。比如e72={[g4,g4,g3],[g8,g9,g7]}，表明：專家1對f7與f2之間的關系判斷結果為：f7對f2的最小可能影響程度是g4，最大可能影響程度是g8；專家2認為f7對f2的最小可能影響程度是g4，最大可能影響程度是g9；專家3認為f7對f2的最小可能影響程度是g3，最大可能影響程度是g7。

表4 專家直覺模糊評分集(f1～f7)Tab. 4 Expert intuitionistic score set(f1～f7)

2.3 直覺關系模糊影響矩陣

(3)

A1+A2={[ua1+ua2-ua1ua2,ub1+ub2-ub1ub2,uc1+uc2-uc1uc2,ud1+ud2-ud1ud2],[va1va2,vb1vb2,vc1vc2,vd1vd2]}

(4)

λA1={[1-(1-ua1)λ,…,1-(1-ud1)λ],

[va1λ,…,vd1λ]}

(5)

考慮工程實踐經驗的重要性，文章根據專家的實踐經驗和知識背景，確定了三類專家“作業一線人員、管理技術人員、研究學者”的權重向量，其值為w=[0.4,0.4,0.2]。

由表5可知任意2個PSF之間關系的梯形直覺模糊數。比如f7與f2之間關系的最大可能影響程度和最小可能影響程度，根據3名專家的直覺評分，考慮3名專家的權重分配[0.4,0.4,0.2]，用梯形直覺模糊數表示分別為[0.068,0.119,0.322,0.314]和[0,0,0,0]。

表5 直覺關系模糊影響矩陣(f1～f7)Tab. 5 Intuitionistic relationship fuzzy influence matrix(f1～f7)

續表

2.4 綜合關系模糊影響矩陣

由于篇幅原因，文中僅給出f1～f7的結果，見表6。計算隸屬度標準化參數μu和非隸屬度標準化參數μv，如式(6)和式(7)所示。

表6 綜合關系模糊影響矩陣(f1～f7)Tab. 6 Comprehensive relationship fuzzy influence matrix

(6)

(7)

求出μu=0.571，μv=0.182。

m,n=1,2,…,19;ρ=a,b,c,d

(8)

m,n=1,2,…,19;ρ=a,b,c,d

(9)

(10)

(11)

由表6可知任意2個PSF之間的綜合關系模糊影響值，比如f7與f2之間的最大可能綜合影響程度和最小可能綜合影響程度，可用梯形模糊數[0.04,0.1,0.173,0.281]和[0,0.071,0.163,0.328]表示。

2.5 綜合關系影響矩陣

(12)

(13)

由表7可知任意2個PSF之間去模糊化后的綜合關系(相互之間的影響度和被影響度)，比如f7對f2的影響度為0.19。

表7 綜合關系影響矩陣Tab. 7 Comprehensive relationship influence matrix

2.6 聯合收割機駕駛作業PSF因果關系

(14)

(15)

聯合收割機駕駛作業PSF中心度和原因度結果見表8。

1)f2(態度)、f3(技能)、f4(經驗)、f5(顯示方式)、f6(顯示界面布局)、f7(操縱裝置布局)、f15(作業監管)、f18(操作規程)等8個PSF的中心度高于平均值；原因度分析：f5(顯示方式)、f6(顯示界面布局)、f7(操縱裝置布局)、f8(前向視野)、f14(安全教育)、f15(作業監管)、f19(監管機構)等7個PSF的原因度大于0。

2) 將中心度高于平均值及原因度高于0的因子列為關鍵因子，f2(態度)、f3(技能)、f4(經驗)、f5(顯示方式)、f6(顯示界面布局)、f7(操縱裝置布局)、f8(前向視野)、f14(安全教育)、f15(作業監管)、f18(操作規程)、f19(監管機構)等11個因子為聯合收割機駕駛作業關鍵PSF。其中，f5、f6、f7、f15等4個因子屬于高中心度的原因因子，為重中之重。管理技術人員應高度重視關鍵因子，針對性提出策略。

3) 11個關鍵PSF中：f2、f3、f4屬于駕駛者技能及心理因素，f5、f6、f7、f8屬于聯合收割機的信息顯示及操作界面因素，f14、f15、f18、f19則屬于監管環境因素。前文提出聯合收割機駕駛作業屬于“腦-體結合”的人機交互勞動形式，關鍵PSF結論滿足該勞動形式的特征需求；另外，隨著技術的進步，駕駛室舒適度不斷提高，照明、振動等早期重要的直接作業環境因素已不再重要，關鍵PSF結論也體現了此特點。

表8 PSF中心度和原因度Tab. 8 Center degree and reasoning degree of PSF

3 靈敏度仿真分析

圖2 仿真趨勢圖

仿真結果顯示：隨著聯合收割機駕駛作業PSF體系中其他因子對f14(安全教育)影響度的逐步提高，f14的中心度逐步提高(5.28→5.808→6.389→7.028→7.730→8.503)，原因度逐步降低(0.74→0.212→-0.369→-1.008→-1.710→-2.483)，從原因因子轉變為結果因子；其他所有因子的中心度和原因度均逐步平穩提高(如f7操縱裝置布局的中心度變化軌跡：6.66→6.793→6.929→7.068→7.209→7.353，原因度的變化軌跡：0.92→1.048→1.177→1.308→1.441→1.576)，但原因因子和結果因子屬性并未改變。可見，聯合收割機駕駛作業PSF關系分析模型有效。

4 結論

1) 在PSF系統化分類方法的基礎上，采用文獻分析法和專家判斷法構建聯合收割機駕駛PSF體系。根據30名專家的問卷調查結果，提及率高于60%的影響聯合收割機駕駛作業行為形成因子共有19個，涉及駕駛者、機器、任務、組織、環境和輔助系統等6個方面。

2) 運用ITFN-DEMATEL方法，在專家直覺評分集的基礎上，對聯合收割機駕駛作業行為形成因子之間關系進行模糊化處理，構建直覺關系模糊影響矩陣，通過模糊運算轉化為綜合關系模糊影響矩陣，并計算PSF的中心度和原因度。提取中心度大于均值5.75、原因度高于0的關鍵行為形成因子共11個：態度、技能、經驗、顯示方式、顯示界面布局、操縱裝置布局、前向視野、安全教育、作業監管、操作規程、監管機構。管理技術人員應注重對關鍵因子的分析，提出針對性建議，減低安全事故率。

3) 靈敏度仿真分析結果顯示，隨機選擇f14的中心度逐步提高從5.28逐步提高至8.503，原因度從0.74逐步降低至-2.483，從原因因子轉變為結果因子，而其他所有PSF的中心度和原因度均逐步平穩提高，但原因因子和結果因子屬性穩定?？梢?，基于ITFN-DEMATEL方法構建聯合收割機駕駛作業PSF關系分析模型有效，能克服專家表征評估信息時存在的模糊性和不確定性。