基于改進認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
科學技術與工程 2023年25期
施金斌, 劉曉佳*, 馬國旺, 唐慧漪
(1.集美大學航海學院, 廈門 361021; 2.集美大學海上交通安全研究所, 廈門 361021)
近年來,隨著中國經(jīng)濟的快速發(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,隧道交通安全問題日益顯現(xiàn)[2]。隧道具有道路情況復雜、封閉的特點,一旦發(fā)生事故,后果往往非常嚴重。不僅造成相應的經(jīng)濟損失,更會產(chǎn)生生命威脅。據(jù)統(tǒng)計,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[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。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,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)是安全領域的重點研究對象。第二代HRA方法包括認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、海事等領域[5-6]得到了廣泛運用。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系,建立適用于航天發(fā)射場的人因分析模型,從而計算任務的人因失誤概率。席永濤等[8]采用CREAM方法,結合模糊集合、證據(jù)推理及貝葉斯網(wǎng)絡,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擴展法,建立管制行為形成因子與情景控制模式的不確定關系模型,預測管制員的人誤概率。王彥富等[10]從解決CREAM模型中存在的任務環(huán)境與控制模式離散化問題出發(fā),改進預測方法,成功預測海洋平臺火災爆炸風險的人誤概率。然而CREAM方法在汽車駕駛中的應用較少,且駕駛?cè)送ㄟ^隧道時的情景環(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回溯分析法與預測分析法相結合,構建公路駕駛領域的人因可靠性分析模型,提高了人誤概率預測的準確性。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?。提出一種改進的CREAM模型,結合貝葉斯網(wǎng)絡技術,計算人因失誤概率。首先根據(jù)隧道駕駛?cè)蝿仗攸c對CPC因子進行改進,使用模糊邏輯方法將先驗條件概率從確定值轉(zhuǎn)換為概率值,同時考慮CPC因子間的相互影響,結合貝葉斯網(wǎng)絡技術,計算駕駛?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、人機界面和操作支持、規(guī)程/計劃的可用性、同時出現(xiàn)的目標數(shù)量、可用時間、工作時間、培訓和實踐經(jīng)驗培訓、班組成員的合作質(zhì)量。每個CPC因子劃分的等級有所不同,對期望效應產(chǎn)生改進、不顯著、降低3種不同的影響。CREAM通過CPC因子體現(xiàn)人完成任務時所處的情景環(huán)境,結合期望效應,最終確定人因控制模式,即戰(zhàn)略型、戰(zhàn)術型、機會型和混亂型。
CREAM方法起源于核電領域,在核工業(yè)、航空航天等領域已有廣泛運用,但與交通領域存在較大差異,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域,需結合隧道駕駛特點進行調(diào)整。同時原方法并未給出各因子的詳細評估因素,在實際操作中主觀性較強,需給出各CPC因子的評估細則?；谝陨嫌懻?結合CREAM基本法,通過統(tǒng)計分析隧道駕駛事故產(chǎn)生的原因,根據(jù)實際情況結合專家意見,對原CPC因子進行調(diào)整,給出每個因子的評估細則。最終確定9種CPC因子,分別為CPC1組織因素、CPC2工作負荷、CPC3人機界面與支持程度、CPC4行車環(huán)境、CPC5情景感知、CPC6內(nèi)部駕駛環(huán)境、CPC7行車時間、CPC8個人心理生理狀態(tài)、CPC9技能和經(jīng)驗,并給出說明,如表1所示。
表1 改進后的CPC及描述Table 1 Improved CPC and its description
CREAM分為基本法與擴展法兩種,基本法觀察CPC因子的評價水平,分別記錄改進、不顯著和降低的CPC因子數(shù)量,改進為正效應,不改進為負效應。然后根據(jù)正負效用的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CREAM模型的建立
2.1 CPC因子的模糊化
模糊化即將一個系統(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,每個區(qū)間的隸屬度取值范圍為[0,1]。在CREAM基本法中,每個CPC因子僅存在3～4個評價等級,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因子模糊集的論域為[0,100][13],將其轉(zhuǎn)化為模糊輸出。由于CPC7僅有“夜晚”和“白天”兩個區(qū)間,為方便計算,對應論域更改為[0,24],且新增一個“夜晚”區(qū)間,改進后的CPC模糊集如表2所示。
表2 改進后的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)具有運算簡便、形狀簡單等特點,且在性能方面與其他復雜的隸屬度函數(shù)差距較小,因此選擇三角形隸屬度函數(shù)。其中3個模糊子集與4個模糊子集的隸屬度函數(shù)有所區(qū)別,如式(1)～式(3)所示。
3個模糊子集的隸屬度函數(shù)表達式為
(1)
行車時間的隸屬度函數(shù)表達式為
(2)
4個模糊子集的隸屬度函數(shù)表達式為
(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,對9種CPC因子進行編號,如表1所示?？刂颇Ｊ骄幪枮?戰(zhàn)略型D1、戰(zhàn)術型D2、機會型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),“工作負荷”為可接受(L2,2),“人機界面與支持程度”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),“行車時間”為白天(L7,1),“個人心理生理狀態(tài)”為良好(L8,1),“技能和經(jīng)驗”為豐富(L9,1)。那么駕駛員的控制模式將為50%置信度的戰(zhàn)術型及50%置信度的機會型。
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)實中,CPC因子之間并不是獨立存在的,因子間存在著相互依賴的關系。一個CPC因子的評估水平會受到一個或者多個CPC因子的影響,如駕駛?cè)说那榫案兄獣艿叫熊嚟h(huán)境、行車時間、個人生心理狀況等因素的影響。為實現(xiàn)對駕駛?cè)私?jīng)過隧道時的人因可靠性更為精確的分析,需要對其進行調(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的初始評價水平為不顯著,CPC3、CPC4和CPC8中有任意2個及以上因子的評價水平為(改進/降低)時,那么CPC2的評價水平調(diào)整為(改進/降低)。
(2)若CPC4的初始評價水平為不顯著,CPC1、CPC3、CPC7和CPC9中有任意3個因子的評價水平為(改進/降低)時,那么CPC4的評價水平調(diào)整為(改進/降低)。
(3)若CPC5的初始評價水平為不顯著,CPC1、CPC4、CPC7、CPC8和CPC9中有任意4個因子的評價水平為(改進/降低)時,那么CPC5的評價水平調(diào)整為(改進/降低)。
(4)若CPC8的初始評價水平為不顯著,CPC1、CPC4和CPC6中有任意2個及以上因子的評價水平為(改進/降低)時,那么CPC8的評價水平調(diào)整為(改進/降低)。
CPC因子之間的相互影響關系,如圖2所示。
圖2 CPC因子相互影響關系圖Fig.2 CPC interaction diagram
2.3 貝葉斯網(wǎng)絡技術建模
使用貝葉斯網(wǎng)絡技術對IF-THEN規(guī)則庫進行建模,可用條件概率進行表示,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)
改進后的CREAM方法中有4個CPC因子的水平等級為4種,5個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62 208條條件概率用以構建網(wǎng)絡,然而過多的條件概率會導致工作量巨大。因此使用分離方法,在CPC因子與控制模式之間加入3個輔助節(jié)點,以減少父節(jié)點的數(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)絡的形式,其中父節(jié)點為CPC因子,子節(jié)點則為人因控制模式,記子節(jié)點為ND。然后,基于IF-THEN規(guī)則的人誤概率分析推理,簡化為計算子節(jié)點ND的概率,公式為
(7)
則根據(jù)貝葉斯網(wǎng)絡原理可知節(jié)點ND的概率為
(8)
2.4 人因失誤概率計算
根據(jù)上述步驟得到的控制模式結果,可以計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個控制模式,通過最大加權平均值計算UDj的值。在隸屬度為1的情況下,相對應的概率值的對數(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},用以進行基準測試,可知HEP的計算公式為
(9)
3 實例分析
3.1 實例及數(shù)據(jù)處理
為了驗證模型對駕駛?cè)送ㄟ^隧道時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場的通行時間,交通流量大,隧道較長,交通事故時有發(fā)生。研究時間為2022年4月16日,廈門市天氣晴朗,微風。汽車人機交互界面具有充分適當性,駕駛?cè)笋{齡6年。
邀請5位隧道及人因領域?qū)＜?通過專家打分法對駕駛?cè)送ㄟ^隧道任務的CPC因子進行0～100打分,取平均值。此處使用5級李克特量表進行評分,通過隸屬度函數(shù)將分值轉(zhuǎn)換為概率值,結果如表4所示。
表4 CPC績效效應值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的評價水平,其所依賴的因子CPC3為{改進(15%),不顯著(85%),不顯著(0%),降低(0%)},CPC8為{改進(20%),不顯著(80%),降低(0%)}時,可知CPC3與CPC8評價水平中“改進”的重疊部分占15%。此時CPC2評價水平中“不顯著”為100%,故其評價水平中“改進”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的評價水平更改為{改進(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)改進的CREAM模型,運用GeNIe軟件對CPC因子的績效效應值進行處理,從而確定駕駛?cè)送瓿伤淼礼{駛?cè)蝿盏目刂颇Ｊ?如圖3所示。結合式(9),可以計算駕駛?cè)送ㄟ^隧道時的人因失誤概率,具體計算過程為
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^隧道任務時的控制模式為“戰(zhàn)術型”,人因失誤概率為0.001～0.1,概率區(qū)間過大。采用改進的CREAM方法所得到的人因失誤概率為1.955×10-2。改進后的模型較傳統(tǒng)方法能夠更加精確地計算人因失誤概率。
使用靈敏度分析方法,驗證改進后模型的有效性。對CPC1的分值進行以10為增量的改變,經(jīng)過計算可知,當CPC1分值為66時,人因失誤概率為1.943×10-2。當CPC1分值為46時,人因失誤概率為1.961×10-2。由結果可知,當CPC因子分值增大時,人因失誤概率會降低,當CPC因子分值減少時,人因失誤概率隨之增大,從而驗證了模型的有效性。
4 結論
(1)提出了一種基于改進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^隧道時的人因失誤概率。
(2)針對駕駛?cè)送ㄟ^隧道任務的特殊性,優(yōu)化CREAM基本法中的CPC因子,并給出評估細則?？紤]CPC因子之間的相互影響,建立調(diào)整規(guī)則。運用模糊邏輯的方法構建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)絡模型的輸入?yún)?shù),結合貝葉斯網(wǎng)絡計算人因失誤概率。
(3)實例證明,改進CREAM方法得到的結果較基本法的結果更為精確,靈敏性更強。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及參考。
(4)該模型將總體任務的人因失誤概率進行量化,后續(xù)可將復雜任務進行分解,從而得到各認知行為的人因失誤概率,全面分析任務的人因可靠性。
猜你喜歡
張水平作品美與時代·美術學刊(2022年3期)2022-04-27 01:18:15 SBR改性瀝青的穩(wěn)定性評價石油瀝青(2021年4期)2021-10-14 08:50:44 加強上下聯(lián)動 提升人大履職水平人大建設(2019年12期)2019-05-21 02:55:32 用對方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52 四大方法 教你不再“坐以待病”！Coco薇(2015年1期)2015-08-13 02:47:34 捕魚小雪花·成長指南(2015年4期)2015-05-19 14:47:56 基于Moodle的學習評價中國教育技術裝備(2015年19期)2015-03-01 02:43:07 保加利亞轉(zhuǎn)軌20年評價俄羅斯問題研究(2012年1期)2012-03-25 09:54:51 多維度巧設聽課評價表 促進聽評課的務實有效體育師友(2012年4期)2012-03-20 15:30:10 做到三到位 提升新水平中國火炬(2010年8期)2010-07-25 11:34:30
施金斌, 劉曉佳*, 馬國旺, 唐慧漪
(1.集美大學航海學院, 廈門 361021; 2.集美大學海上交通安全研究所, 廈門 361021)
近年來,隨著中國經(jīng)濟的快速發(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,隧道交通安全問題日益顯現(xiàn)[2]。隧道具有道路情況復雜、封閉的特點,一旦發(fā)生事故,后果往往非常嚴重。不僅造成相應的經(jīng)濟損失,更會產(chǎn)生生命威脅。據(jù)統(tǒng)計,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[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。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,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)是安全領域的重點研究對象。第二代HRA方法包括認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、海事等領域[5-6]得到了廣泛運用。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系,建立適用于航天發(fā)射場的人因分析模型,從而計算任務的人因失誤概率。席永濤等[8]采用CREAM方法,結合模糊集合、證據(jù)推理及貝葉斯網(wǎng)絡,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擴展法,建立管制行為形成因子與情景控制模式的不確定關系模型,預測管制員的人誤概率。王彥富等[10]從解決CREAM模型中存在的任務環(huán)境與控制模式離散化問題出發(fā),改進預測方法,成功預測海洋平臺火災爆炸風險的人誤概率。然而CREAM方法在汽車駕駛中的應用較少,且駕駛?cè)送ㄟ^隧道時的情景環(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回溯分析法與預測分析法相結合,構建公路駕駛領域的人因可靠性分析模型,提高了人誤概率預測的準確性。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?。提出一種改進的CREAM模型,結合貝葉斯網(wǎng)絡技術,計算人因失誤概率。首先根據(jù)隧道駕駛?cè)蝿仗攸c對CPC因子進行改進,使用模糊邏輯方法將先驗條件概率從確定值轉(zhuǎn)換為概率值,同時考慮CPC因子間的相互影響,結合貝葉斯網(wǎng)絡技術,計算駕駛?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、人機界面和操作支持、規(guī)程/計劃的可用性、同時出現(xiàn)的目標數(shù)量、可用時間、工作時間、培訓和實踐經(jīng)驗培訓、班組成員的合作質(zhì)量。每個CPC因子劃分的等級有所不同,對期望效應產(chǎn)生改進、不顯著、降低3種不同的影響。CREAM通過CPC因子體現(xiàn)人完成任務時所處的情景環(huán)境,結合期望效應,最終確定人因控制模式,即戰(zhàn)略型、戰(zhàn)術型、機會型和混亂型。
CREAM方法起源于核電領域,在核工業(yè)、航空航天等領域已有廣泛運用,但與交通領域存在較大差異,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域,需結合隧道駕駛特點進行調(diào)整。同時原方法并未給出各因子的詳細評估因素,在實際操作中主觀性較強,需給出各CPC因子的評估細則?；谝陨嫌懻?結合CREAM基本法,通過統(tǒng)計分析隧道駕駛事故產(chǎn)生的原因,根據(jù)實際情況結合專家意見,對原CPC因子進行調(diào)整,給出每個因子的評估細則。最終確定9種CPC因子,分別為CPC1組織因素、CPC2工作負荷、CPC3人機界面與支持程度、CPC4行車環(huán)境、CPC5情景感知、CPC6內(nèi)部駕駛環(huán)境、CPC7行車時間、CPC8個人心理生理狀態(tài)、CPC9技能和經(jīng)驗,并給出說明,如表1所示。
表1 改進后的CPC及描述Table 1 Improved CPC and its description
CREAM分為基本法與擴展法兩種,基本法觀察CPC因子的評價水平,分別記錄改進、不顯著和降低的CPC因子數(shù)量,改進為正效應,不改進為負效應。然后根據(jù)正負效用的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CREAM模型的建立
2.1 CPC因子的模糊化
模糊化即將一個系統(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,每個區(qū)間的隸屬度取值范圍為[0,1]。在CREAM基本法中,每個CPC因子僅存在3～4個評價等級,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因子模糊集的論域為[0,100][13],將其轉(zhuǎn)化為模糊輸出。由于CPC7僅有“夜晚”和“白天”兩個區(qū)間,為方便計算,對應論域更改為[0,24],且新增一個“夜晚”區(qū)間,改進后的CPC模糊集如表2所示。
表2 改進后的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)具有運算簡便、形狀簡單等特點,且在性能方面與其他復雜的隸屬度函數(shù)差距較小,因此選擇三角形隸屬度函數(shù)。其中3個模糊子集與4個模糊子集的隸屬度函數(shù)有所區(qū)別,如式(1)～式(3)所示。
3個模糊子集的隸屬度函數(shù)表達式為
(1)
行車時間的隸屬度函數(shù)表達式為
(2)
4個模糊子集的隸屬度函數(shù)表達式為
(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,對9種CPC因子進行編號,如表1所示?？刂颇Ｊ骄幪枮?戰(zhàn)略型D1、戰(zhàn)術型D2、機會型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),“工作負荷”為可接受(L2,2),“人機界面與支持程度”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),“行車時間”為白天(L7,1),“個人心理生理狀態(tài)”為良好(L8,1),“技能和經(jīng)驗”為豐富(L9,1)。那么駕駛員的控制模式將為50%置信度的戰(zhàn)術型及50%置信度的機會型。
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)實中,CPC因子之間并不是獨立存在的,因子間存在著相互依賴的關系。一個CPC因子的評估水平會受到一個或者多個CPC因子的影響,如駕駛?cè)说那榫案兄獣艿叫熊嚟h(huán)境、行車時間、個人生心理狀況等因素的影響。為實現(xiàn)對駕駛?cè)私?jīng)過隧道時的人因可靠性更為精確的分析,需要對其進行調(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的初始評價水平為不顯著,CPC3、CPC4和CPC8中有任意2個及以上因子的評價水平為(改進/降低)時,那么CPC2的評價水平調(diào)整為(改進/降低)。
(2)若CPC4的初始評價水平為不顯著,CPC1、CPC3、CPC7和CPC9中有任意3個因子的評價水平為(改進/降低)時,那么CPC4的評價水平調(diào)整為(改進/降低)。
(3)若CPC5的初始評價水平為不顯著,CPC1、CPC4、CPC7、CPC8和CPC9中有任意4個因子的評價水平為(改進/降低)時,那么CPC5的評價水平調(diào)整為(改進/降低)。
(4)若CPC8的初始評價水平為不顯著,CPC1、CPC4和CPC6中有任意2個及以上因子的評價水平為(改進/降低)時,那么CPC8的評價水平調(diào)整為(改進/降低)。
CPC因子之間的相互影響關系,如圖2所示。
圖2 CPC因子相互影響關系圖Fig.2 CPC interaction diagram
2.3 貝葉斯網(wǎng)絡技術建模
使用貝葉斯網(wǎng)絡技術對IF-THEN規(guī)則庫進行建模,可用條件概率進行表示,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)
改進后的CREAM方法中有4個CPC因子的水平等級為4種,5個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62 208條條件概率用以構建網(wǎng)絡,然而過多的條件概率會導致工作量巨大。因此使用分離方法,在CPC因子與控制模式之間加入3個輔助節(jié)點,以減少父節(jié)點的數(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)絡的形式,其中父節(jié)點為CPC因子,子節(jié)點則為人因控制模式,記子節(jié)點為ND。然后,基于IF-THEN規(guī)則的人誤概率分析推理,簡化為計算子節(jié)點ND的概率,公式為
(7)
則根據(jù)貝葉斯網(wǎng)絡原理可知節(jié)點ND的概率為
(8)
2.4 人因失誤概率計算
根據(jù)上述步驟得到的控制模式結果,可以計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個控制模式,通過最大加權平均值計算UDj的值。在隸屬度為1的情況下,相對應的概率值的對數(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},用以進行基準測試,可知HEP的計算公式為
(9)
3 實例分析
3.1 實例及數(shù)據(jù)處理
為了驗證模型對駕駛?cè)送ㄟ^隧道時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場的通行時間,交通流量大,隧道較長,交通事故時有發(fā)生。研究時間為2022年4月16日,廈門市天氣晴朗,微風。汽車人機交互界面具有充分適當性,駕駛?cè)笋{齡6年。
邀請5位隧道及人因領域?qū)＜?通過專家打分法對駕駛?cè)送ㄟ^隧道任務的CPC因子進行0～100打分,取平均值。此處使用5級李克特量表進行評分,通過隸屬度函數(shù)將分值轉(zhuǎn)換為概率值,結果如表4所示。
表4 CPC績效效應值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的評價水平,其所依賴的因子CPC3為{改進(15%),不顯著(85%),不顯著(0%),降低(0%)},CPC8為{改進(20%),不顯著(80%),降低(0%)}時,可知CPC3與CPC8評價水平中“改進”的重疊部分占15%。此時CPC2評價水平中“不顯著”為100%,故其評價水平中“改進”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的評價水平更改為{改進(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)改進的CREAM模型,運用GeNIe軟件對CPC因子的績效效應值進行處理,從而確定駕駛?cè)送瓿伤淼礼{駛?cè)蝿盏目刂颇Ｊ?如圖3所示。結合式(9),可以計算駕駛?cè)送ㄟ^隧道時的人因失誤概率,具體計算過程為
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^隧道任務時的控制模式為“戰(zhàn)術型”,人因失誤概率為0.001～0.1,概率區(qū)間過大。采用改進的CREAM方法所得到的人因失誤概率為1.955×10-2。改進后的模型較傳統(tǒng)方法能夠更加精確地計算人因失誤概率。
使用靈敏度分析方法,驗證改進后模型的有效性。對CPC1的分值進行以10為增量的改變,經(jīng)過計算可知,當CPC1分值為66時,人因失誤概率為1.943×10-2。當CPC1分值為46時,人因失誤概率為1.961×10-2。由結果可知,當CPC因子分值增大時,人因失誤概率會降低,當CPC因子分值減少時,人因失誤概率隨之增大,從而驗證了模型的有效性。
4 結論
(1)提出了一種基于改進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^隧道時的人因失誤概率。
(2)針對駕駛?cè)送ㄟ^隧道任務的特殊性,優(yōu)化CREAM基本法中的CPC因子,并給出評估細則?？紤]CPC因子之間的相互影響,建立調(diào)整規(guī)則。運用模糊邏輯的方法構建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)絡模型的輸入?yún)?shù),結合貝葉斯網(wǎng)絡計算人因失誤概率。
(3)實例證明,改進CREAM方法得到的結果較基本法的結果更為精確,靈敏性更強。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及參考。
(4)該模型將總體任務的人因失誤概率進行量化,后續(xù)可將復雜任務進行分解,從而得到各認知行為的人因失誤概率,全面分析任務的人因可靠性。
猜你喜歡
美與時代·美術學刊(2022年3期)2022-04-27 01:18:15
石油瀝青(2021年4期)2021-10-14 08:50:44
人大建設(2019年12期)2019-05-21 02:55:32
Coco薇(2016年2期)2016-03-22 02:42:52
Coco薇(2015年1期)2015-08-13 02:47:34
小雪花·成長指南(2015年4期)2015-05-19 14:47:56
中國教育技術裝備(2015年19期)2015-03-01 02:43:07
俄羅斯問題研究(2012年1期)2012-03-25 09:54:51
體育師友(2012年4期)2012-03-20 15:30:10
中國火炬(2010年8期)2010-07-25 11:34:30
