CN103198438A - 响应计划的可靠性分析方法及装置 - Google Patents

Abstract

本发明公开了一种响应计划的可靠性分析方法及装置，在上述方法中，确定在响应计划的可靠性分析过程中待使用的多个行为形成因子PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系；根据确定的多个PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立响应计划的可靠性分析模型，对响应计划的可靠性进行分析。根据本发明提供的技术方案，进而为数字化主控室操纵员响应计划可靠性分析提供定性与定量的方法与工具，为电厂降低操纵员响应计划失效概率提供对策。

Description

响应计划的可靠性分析方法及装置

技术领域

本发明涉及人因可靠性分析领域，具体而言，涉及一种响应计划的可靠性分析方法及装置。

背景技术

响应计划是指为解决异常事件而制定行动方针、方法或方案的决策过程。操纵员在完成状态评估之后对即将执行的行动加以计划。在事故条件下，操纵员为了识别合适的方法来实现目标，应该识别可供选择的备选方法、策略和计划，从而对它们进行评估选择最优的或可行的响应计划。

通常而言，在概率安全评价（PSA）始发事件情况下，数字化控制系统（DCS）的响应计划是执行状态导向的规程（SOP）。对于规程和规程中路径的选择是相对简单的响应计划，但对于某些事故，如果没有合适的规程，操纵员的认知负荷会变得很大，对于工作记忆，长期记忆和注意力资源要求极高。此种情况下，响应计划的制定和计划的正确性等都会遇到困难，响应计划的可靠性由此降低。

目前国内外文献对操纵员响应计划的研究甚少，主要集中在响应计划的失误模式、影响因素等定性层面研究，且研究对象均为基于模拟技术的核电厂主控室，例如：Hollnagel于1998年在其所著的《Cognitive Reliability and Error Analysis Method》书中将响应计划失误模式分为“不充分的计划”和“优先性失误（priority error）”，并指出引起不充分的计划的一般前因可以包括：注意力分散（distraction）、记忆失效（memory failure）、错误的推理（wrong reasoning）、过度的需求（excessive demand）；具体的前因可以包括：目标错误（error in goal）、忽视副效应（overlook side）、不充分的培训（inadequate training）、后果影响评价不充分（consequent）、错误建模（model error）、违规（Violation）、忽视前提条件（Overlook precondition）、规划时目光短浅（too short planning horizon）。优先性失误的一般前因为错误的诊断和交流失效，具体的前因为合法的更高的优先级（legitimate higher priority）和矛盾的标准（conflicting criteria）。

Kontogiannis于1997年在《A framework for the analysis of cognitive reliability in complexsystems：a recovery centred approach》一文中指出影响响应计划的主要因素就是培训实践（training practices）和规程（procedures）。这些共同作用可能带来副作用和花费更多的时间和资源。规程和培训实践上的局限性可能引起忽视备选方案、采用不可能的方法以及中断方法的测试。另外，经验的缺乏和支持的缺乏可能引起计划序列不合适，错误的线索会影响计划的形成。有限的时间窗口使得操纵员可能忽视对事件进展的预计，从而难以做出具体的合适的计划。由于系统的设计方式使得恢复线索的缺乏和操纵员警觉性的缺乏而不能纠正计划。

Chang和Mosleh于2007年发表的《Cognitive modeling and dynamic probabilistic simulationof operating crew response to complex system accidents—part4.IDAC causal model of operatorproblem-solving response》一文中在建立的操纵员问题索解的IDAC因果模型中认为，影响行为计划（action planning）的因素有：注意力、认知偏见、时间压力、感知到的后果的严重度、感知到的决策的责任、感知到的任务的复杂性、角色与责任、知识和经验、对输入信息的记忆、班组因素（协调、合作、交流的有效性、交流的质量、班组构成、领导）以及人-机界面。

上述方法分析了影响响应计划的因素，而没有有效的定量模型和数据来支持响应计划可靠性的定量计算。尽管像CREAM等HRA方法对响应计划的失误概率分析基本上是先确定响应计划失误的基本失误概率，再考虑行为形成因子（Performance Shaping Factor，简称为PSF）的状态对响应计划的失误概率进行修订，而没有考虑PSF之间交互作用，从而可能带来重复计算其影响的可能，对响应计算失误概率可能造成错误的估计。

由此可见，相关技术中存在的问题在于：缺乏考虑数字化人-机系统的特征来研究响应计划可靠性问题。缺乏考虑PSF因果关系的核电厂操纵员响应计划可靠性定量分析技术。缺乏数字化模拟机数据来支持响应计划的定量化。

发明内容

本发明提供了一种响应计划的可靠性分析方法及装置，以至少解决相关技术中无法结合在响应计划的可靠性分析过程中所使用的多个PSF并考虑PSF的因果关系对响应计划的可靠性进行分析的问题。

根据本发明的一个方面，提供了一种响应计划的可靠性分析方法。

根据本发明的响应计划的可靠性分析方法包括：确定在响应计划的可靠性分析过程中待使用的多个行为形成因子PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系；根据确定的多个PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立响应计划的可靠性分析模型，对响应计划的可靠性进行分析。

优选地，响应计划的可靠性分析模型为贝叶斯网络模型，其中，贝叶斯网络模型中的每个网络节点分别对应一个PSF或响应计划可靠性节点。

优选地，根据确定的多个PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立响应计划的可靠性分析模型包括：根据确定后的各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系将多个PSF中部分PSF设置为贝叶斯网络模型的根节点PSF，其中，根节点PSF中的每个PSF处于不同状态的先验概率分布统计结果独立于多个PSF中除该PSF之外的其余PSF以及响应计划可靠性；将贝叶斯网络模型中除根节点PSF之外的其他部分节点设置为子节点PSF和响应计划可靠性节点，其中，子PSF中的每个PSF和响应计划可靠性处于不同状态的条件概率分布统计结果依赖于根节点PSF中的一个或多个PSF，和/或，依赖于其他部分PSF中的一个或多个PSF。

优选地，对响应计划的可靠性进行分析包括：统计根节点PSF在预设周期内的每个PSF处于不同状态的先验概率分布以及确定根节点PSF之外的子节点PSF和响应计划可靠性节点中的每个节点处于不同状态的条件概率分布；根据统计出的根节点PSF处于不同状态的先验概率统计结果、各个PSF之间的关联关系以及各个PSF与响应计划可靠性的关联关系，获取除根节点PSF之外的子节点PSF处于不同状态的条件概率分布以及响应计划可靠性节点处于不同状态的条件概率分布，依据贝叶斯网络的因果分析对响应计划的可靠性进行评价。

优选地，对响应计划的可靠性进行分析还包括：将获取到的根节点PSF处于不良状态的先验概率统计结果与根节点PSF处于不良状态的后验概率结果进行比较，确定对响应计划的可靠性影响最大的PSF。

根据本发明的另一方面，提供了一种响应计划的可靠性分析装置。

根据本发明的响应计划的可靠性分析装置包括：确定模块，用于确定在响应计划的可靠性分析过程中待使用的多个行为形成因子PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系；分析模块，用于根据确定的多个PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立响应计划的可靠性分析模型，对响应计划的可靠性进行分析。

优选地，响应计划的可靠性分析模型为贝叶斯网络模型，其中，贝叶斯网络模型中的每个网络节点分别对应一个PSF或响应计划可靠性节点。

优选地，分析模块包括：第一设置单元，用于根据确定后的各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系将多个PSF中部分PSF设置为贝叶斯网络模型的根节点PSF，其中，根节点PSF中的每个PSF的先验概率分布统计结果独立于多个PSF中除该PSF之外的其余PSF以及响应计划可靠性；第二设置单元，用于将贝叶斯网络模型中除根节点PSF之外的其他部分节点设置为子节点PSF和响应计划可靠性节点，其中，子节点PSF中的每个PSF和响应计划可靠性的条件概率分布统计结果依赖于根节点PSF中的一个或多个PSF，和/或，依赖于根节点PSF中的一个或多个PSF指向的一个或多个PSF。

优选地，分析模块还包括：统计单元，用于统计根节点PSF在预设周期内的每个PSF处于不同状态的先验概率分布以及确定除根节点PSF之外的子节点PSF和响应计划可靠性节点中的每个节点处于不同状态的条件概率分布；分析单元，用于根据统计出的根节点PSF的概率统计结果以及各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系获取除根节点PSF之外的子节点PSF处于不同状态的条件概率分布以及响应计划可靠性节点处于不同状态的条件概率分布，依据贝叶斯网络的因果分析对响应计划的可靠性进行评价。

优选地，分析模块还包括：比较单元，用于将获取到的根节点PSF处于不良状态的先验概率统计结果与根节点PSF处于不良状态的后验概率结果进行比较，确定对响应计划的可靠性影响最大的PSF。

通过本发明，采用确定在响应计划的可靠性分析过程中待使用的多个PSF、所述多个PSF中各个PSF之间的关联关系以及每个PSF与响应计划可靠性的关联关系；根据确定的所述多个PSF、所述多个PSF中各个PSF之间的关联关系以及每个PSF与响应计划可靠性的关联关系建立所述响应计划的可靠性分析模型，对所述响应计划的可靠性进行分析，解决了相关技术中在响应计划的可靠性分析过程中没有考虑所使用的多个PSF之间的因果关系对响应计划的可靠性进行分析的问题，进而为数字化主控室操纵员响应计划可靠性分析提供定性与定量的方法与工具，为电厂降低操纵员响应计划失效概率提供对策。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的响应计划的可靠性分析方法的流程图；

图2是根据本发明优选实施例的操纵员响应计划的贝叶斯网络模型的示意图；

图3是根据本发明实施例的响应计划的可靠性分析装置的结构框图；以及

图4是根据本发明优选实施例的响应计划的可靠性分析装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

图1是根据本发明实施例的响应计划的可靠性分析方法的流程图。如图1所示，该方法可以包括以下处理步骤：

步骤S102：确定在响应计划的可靠性分析过程中待使用的多个行为形成因子PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系；

步骤S104：根据确定的多个PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立响应计划的可靠性分析模型，对响应计划的可靠性进行分析。

相关技术中，在响应计划的可靠性分析过程中没有考虑所使用的多个PSF的因果关系对响应计划的可靠性进行分析。采用如图1所示的方法，确定在响应计划的可靠性分析过程中待使用的多个PSF、所述多个PSF中各个PSF之间的关联关系以及每个PSF与响应计划可靠性的关联关系；根据确定的所述多个PSF、所述多个PSF中各个PSF之间的关联关系以及每个PSF与响应计划可靠性的关联关系建立所述响应计划的可靠性分析模型，对所述响应计划的可靠性进行分析，解决了相关技术中在响应计划的可靠性分析过程中没有考虑所使用的多个PSF之间的因果关系对响应计划的可靠性进行分析的问题，进而为数字化主控室操纵员响应计划可靠性分析提供定性与定量的方法与工具，为电厂降低操纵员响应计划失效概率提供对策。

在优选实施例中，基于数字化主控室操纵员的情境环境分析，识别影响操纵员响应计划可靠性的PSF因子及其因果关系，建立响应计划定性分析的贝叶斯网络模型，为操纵员响应计划可靠性的量化奠定基础；基于建立的响应计划的贝叶斯网络模型，通过模拟机实验来收集网络节点的先验概率和条件概率，对于难以收集的数据，可采用事件报告分析和专家判断来获取数据。为确保数据和结果的有效性，建立一种操纵员响应计划可靠性评定的模糊贝叶斯方法，以提高分析的精度。

需要说明的是，如果没有合适的响应计划，则需要重新构建新的响应计划。例如：简单的操纵员响应计划可以包括：对报警的响应，当出现某个报警，操纵员的行为直接对应预设动作，再如：对应急规程的响应，可以直接按照规程处理，而无需选择路径。与简单的响应计划相比，复杂的响应计划，例如：没有对应的规程、程序和规则可以遵循，或者，现有的规程已经被证实无法满足实际工作的需求，同样需要操纵员重新构建新的响应计划，并对该响应计划的可行性与有效性进行评估。

在优选实施过程中，上述响应计划的可靠性分析模型可以为贝叶斯网络模型，其中，贝叶斯网络模型中的每个网络节点分别对应一个PSF或响应计划可靠性节点。

贝叶斯网络（BN）是由节点和边组成的有向无环图（Directed Acyclic Graph，简称为DAG），可以用N=<<V，E>，P>来描述。离散随机变量V={X₁，X₂，…，X_n}对应的节点表示具有有限状态的变量，节点可以是任何抽象的问题，例如：设备部件状态、测试值、组织因素、人的诊断结果等。有向边E表示节点间的概率因果关系，有向边的起始节点i是终节点j的父节点，j称为子节点，没有父节点、只有子节点的节点称为根节点。DAG蕴涵了一个条件独立假设：给定其父节点集，每一个变量独立于它的非子孙节点。P为定量部分，是V上的概率分布，对于离散情况，可用条件概率表（conditional probability table，简称为CPT）来表示，用于定量说明父节点对子节点的影响。根节点的概率分布函数为边缘概率分布函数，由于该类节点的概率不以其它节点为条件，故其概率为先验概率，其它节点为条件概率分布函数。

优选地，在步骤S104中，根据确定的多个PSF、多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立响应计划的可靠性分析模型可以包括以下操作：

步骤S1：根据确定后的各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系将多个PSF中部分PSF设置为贝叶斯网络模型的根节点PSF，其中，根节点PSF中的每个PSF处于不同状态的先验概率分布统计结果独立于多个PSF中除该PSF之外的其余PSF以及响应计划可靠性；

步骤S2：将贝叶斯网络模型中除根节点PSF之外的其他节点设置为子节点PSF和响应计划可靠性节点，其中，子节点PSF中的每个PSF和响应计划可靠性处于不同状态的条件概率分布统计结果依赖于根节点PSF中的一个或多个PSF，和/或，依赖于其他部分PSF中的一个或多个PSF。

优选地，在步骤S104中，对响应计划的可靠性进行分析可以包括以下步骤：

步骤S3：统计根节点PSF在预设周期内的每个PSF处于不同状态的先验概率分布以及确定根节点PSF之外的子节点PSF和响应计划可靠性节点处于不同状态的条件概率分布；

步骤S4：根据各个PSF之间的关联关系以及各个PSF与响应计划可靠性的关联关系，获取除根节点PSF之外的子节点PSF处于不同状态的条件概率分布以及响应计划可靠性节点处于不同状态的条件概率分布，依据贝叶斯网络的因果分析对响应计划的可靠性进行评价。

在优选实施例中，结合数据的获取和响应计划定量计算的模糊贝叶斯方法对上述优选实施过程做进一步的描述。

第一部分、数据采集

1）基于模拟机实验的数据获取

（1）网络节点的先验概率分布。选择典型的事故场景（例如：SGTR、LOCA、全厂失电等）进行实验，对事故场景中关键点的任务所涉及的数字化人机界面、数字化规程、任务的复杂性、事故场景下的时间窗口、交流水平、培训水平等影响因子进行评定，识别主要影响因素的概率分布。例如：针对SGTR事故的关键任务所涉及的数字化人机界面按人机界面设计好坏的评定标准（从信息搜集、诊断和执行的容易度方面）各个画面进行评定，获取概率分布（假设共涉及100副画面，通过专家组的评定，得到90幅画面满足预设条件，8幅画面一般，2幅画面差，则得到人机界面的先验概率分布为：0.9，0.08，0.02，同理可得其他影响因素的先验概率分布）。

（2）网络节点的条件概率分布。在实验过程中对操纵员的知识和经验、压力水平、态度等进行评定。这需要被测试者针对每完成一个关键的任务进行自我评定，其要求实事求是。统计评定结果，得到知识和经验（假设有三个水平：好、中、差）、压力水平（假设有三个水平：好、中、差）、任务的复杂性（假设有三个水平：好、中、差）等的条件概率分布。同时通过响应计划的实验结果的统计分布，得到响应计划可靠性的条件概率分布。

例如：培训和交流水平影响操纵员的知识和经验，则可以选择不同培训水平的人员进行实验，其中，可以包括：培训水平好、中、差以及交流水平一般的情况下分别进行实验，得到培训水平好的一组操纵员的实验结果（需操纵员对其获取的知识和经验进行评定）、培训水平中等与交流水平一般的情况下的实验结果（需操纵员对其获取的知识和经验进行评定）以及培训水平差和交流一般的实验结果（需操纵员对其获取的知识和经验进行评定），从而得到知识和经验的一部分的条件概率分布，同理，控制好交流不同水平的实验变量，可得到所有知识和经验的条件概率分布。控制好其他可以控制的变量，可得到任务的复杂性等节点变量的条件概率分布，如果对于难以进行实验或者难以进行控制的变量，可采用专家判断的方法或回归技术等进行建模估计。最终根据响应计划可靠性的测量结果，得到响应计划可靠性的条件概率分布。

2）基于专家判断的数据获取

对于难以进行实验或者难以进行控制的变量，例如：安全文化、管理水平等节点变量，可以采用专家判断的方法来获取数据。由于因素状态等级评定的复杂性和不确定性以及专家知识、能力、经验的有限性，使某些专家难以确定因素状态等级的确切值，由此导致专家可能用描述性语言或者用范围值来表达，例如：“大约7”、“很可能在5-7这个范围”、“（3，5，7）”等。并且决策者认为，模糊判断比确切值判断更可信，更符合人们的真实思维，因此，本发明提出通过模糊方法对PSF因子处于不同状态的概率分布进行评价，其评价程序如下：

（1）组建专家组。不同的专家由于知识背景和经验不同对组织因素的评价结果也有所不同，从而影响决策结果，因此，需组建专家组来消除上述影响，并且每个专家分配不同的权重。假设有m个专家组成的专家组，且第i个专家赋予的权重为c_i,c_i∈[0,1]，

（2）确定PSF处于不同状态的概率

通过专家讨论将每个因素通常处于何种状态的概率可采用三角模糊数（即最有可能的值、最好的值、最差的值）对组织因素进行评价，例如：（0.1，0.3，0.6），或者，用描述性语言来表示，例如：高、中、低。对于描述性语文可引入模糊隶属函数来确定因素处于特定状态的概率值。

（3）计算各因素的综合概率分布值并解模糊

依据专家权重和相应的因素状态概率，可计算各因素的状态概率分布：

$s_i=s_i^1\&times;c_1+s_i^2\&times;c_2+\&CenterDot;\&CenterDot;\&CenterDot;+s_i^m\&times;c_m\&CenterDot;\&CenterDot;\&CenterDot;\left(1\right)$

s_i是因素F_i的模糊综合得分，它是一个三角模糊数：

为了将综合的三角模糊数转化为确切值，可通过三角形重心解模糊的方法求解：

$F_i=\frac{(u_i-l_i)+(m_i-l_i)}{3}+l_i\&CenterDot;\&CenterDot;\&CenterDot;\left(2\right)$

其中，u_i表示最大可能值，m_i表示最可能值，l_i表示最小可能值。

第二部分、贝叶斯网络的分析

链式法则表明一个BN就是在DAG中所有变量的联合分布的一种描述，并且网络中每个节点的边缘概率和条件概率均可计算。

贝叶斯网络的分析原理是基于Bayes概率理论，分析过程实质上就是概率计算过程。主要根据下列三个方程进行分析计算：

联合概率P{X₁,…,X_n}：

$P\left(U\right)=P(X_1,X_2,\&CenterDot;\&CenterDot;\&CenterDot;,X_n)=\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}P\left(X_i\right|{\mathrm{\&pi;}}_i)\&CenterDot;\&CenterDot;\&CenterDot;\left(3\right)$

π_i为X_i父节点的集合。

X_i的边缘概率为：

$P\left(X_i\right)=\underset{\mathrm{except}}{\mathrm{\&Sigma;}}\underset{X_i}{P}\left(U\right)\&CenterDot;\&CenterDot;\&CenterDot;\left(4\right)$

贝叶斯网络的主要应用在于一个用于计算事件信念的推理机，其任务是计算“在给定的证据（或观察数据）的条件下，某些事件的发生概率”。

假设已知证据e，则有：

$p\left(U\right|e)=\frac{p(U,e)}{p\left(e\right)}=\frac{p(U,e)}{\underset{U}{\mathrm{\&Sigma;}}p(U,e)}\&CenterDot;\&CenterDot;\&CenterDot;\left(5\right)$

1）因果分析

因果分析由原因推知结论，是一种自顶向下的分析。在给定的原因或证据的条件下，使用贝叶斯网络分析计算，求解结果发生的概率。在正常情况下，即各变量服从专家组判断和基于模拟机实验数据得到的初始概率分布，例如：网络中的根节点的先验概率可用表1来表示。假设得到的班组的交流与合作水平的处于不同状态的模糊先验概率为(0.09，0.10，0.11)、(0.29，0.30，0.31)、(0.59，0.60，0.61)，分别解模糊后得到班组交流与合作水平处于不充分状态、可接受状态和充分状态的概率分布为（0.1，0.3，0.6），同理可通过专家判断或者模拟机实验得到其他节点变量的概率分布。

表1是根据本发明优选实施例的根节点的模糊先验概率统计表。如表1所示，

表1

同理可得，表2是根据本发明优选实施例的子节点的条件概率信息表。子节点“知识和经验KE”的条件概率P（知识和经验|班组交流合作水平，培训水平），如表2所示：

表2

则班组的交流与合作水平、培训水平引起操纵员的知识和经验处于“低”水平状态的概率（用P（K_E=K_E，1）表示）可根据公式（4），具体如下：

P(K_E=K_E,1)=P(C_O=C_O,1)×[P(T_R=T_R,1)×P(K_E=K_E,1|C_O=C_O,1,T_R=T_R,1)+P(T_R=T_R,2)×P(K_E=K_E,1|C_O=C_O,1,T_R=T_R,2)+P(T_R=T_R,3)×P(K_E=K_E,1|C_O=C_O,1,T_R=T_R,3)]+P(C_O=C_O,2)×[P(T_R=T_R,1)×P(K_E=K_E,1|C_O=C_{O ,2},T_R=T_R,1)+P(T_R=T_R,2)×P(K_E=K_E,1|C_O=C_O,2,T_R=T_R,2)+P(T_R=T_R,3)×P(K_E=K_E,1|C_O=C_O,2,T_R=T_R,3)]+P(C_O=C_O,3)×[P(T_R=T_R,1)×P(K_E=K_E,1|C_O=C_O,3,T_R=T_R,1)+P(T_R=T_R,2)×P(K_E=K_E,1|C_O=C_O,3,T_R=T_R,2)+P(T_R=T_R,3)×P(K_E=K_E,1|C_O=C_O,3,T_R=T_R,3)]

将获得的数据代入公式即可得出P(K_E=K_E,1)，同样可计算得出P(K_E=K_E,2)和P(K_E=K_E,3)。由此得到子节点“知识和经验”的概率处于不同状态的概率分布。同理可计算得到其他节点变量的概率分布。最终计算得到响应计划可靠性P_响。

2）诊断分析

诊断分析是由结论推知原因，是一种自底向上的分析过程，其目的是在已经获知结果的情况下，找寻产生该结果的各种原因的可能性。已知发生了某种结果，根据贝叶斯网络计算，得到造成该结果发生的原因和发生的概率。在响应计划可靠性的模糊贝叶斯网络模型中，假设已发生响应计划失误，则利用贝叶斯法则可计算出相应的后验概率。例如：要计算“班组交流与合作水平”处于“不充分”状态的概率，则根据公式（5）可以得出：

$P(C_O=C_{O,1}|R_R=R_{R,2})=\frac{P(C_O=C_{O,1},R_R=R_{R,2})}{P(R_R=R_{R,2})}$

其中，R_R=R_R,2表示发生响应计划失误。

由公式（3）可以计算出P(C_O=C_O,1,R_R=R_R,2)，由公式（4）可以计算出P(R_R=R_R,2)，从而可以获取需要计算的数值。

优选地，在步骤S104中，对响应计划的可靠性进行分析还可以包括以下处理：

步骤S5：将获取到的根节点PSF处于不良状态的先验概率统计结果与根节点PSF处于不良状态的后验概率结果进行比较，确定对响应计划的可靠性影响最大的PSF。识别最有可能引发响应计划失误的影响因素，为失误的预防提供决策支持。

下面结合图2所示的优选实施方式对上述优选实施过程做进一步的描述。

图2是根据本发明优选实施例的操纵员响应计划的贝叶斯网络模型的示意图。如图2所示，响应计划的可靠性主要受一线操纵员的心理状态、记忆中的信息以及个性固有属性的影响。操纵员的知识和经验丰富，则会认识到特定的电厂状态对应该采取何种响应策略或计划。知识和经验主要受组织培训和班组的交流与合作的影响；如果培训不够，则会对操纵员的知识和经验造成消极影响，班组的交流与合作可以弥补操纵员个体的知识和经验的不足。此外，压力水平对响应计划的制定也会有很大影响，压力水平主要受事件的严重度、任务的复杂性及可用时间的影响，同样任务的复杂性主要受数字化规程设计的好坏与数字化人-机界面设计的好坏的影响，规程中的任务复杂则操纵员需要完成的任务复杂，规程或程序设计的完美有利于指导操纵员做出响应计划，人-机界面的设计存在缺陷，则操纵员难以获取有利于响应计划制定的有用信息。再者，响应计划还要受到操纵员态度的影响，操纵员的态度好、责任心强，则难以违规，注意力集中，其中，操纵员的态度主要受组织的安全文化和管理好坏的影响，如果安全文化没有深入人心，则操纵员的风险意识淡薄、安全态度较差。通过上述分析，响应计划可以受到班组的交流与合作水平、培训水平、数字化规程、数字化人机界面、事件的严重度、事故处置的可用时间、安全文化与组织管理水平等因素的影响。

图3是根据本发明实施例的响应计划的可靠性分析装置的结构框图。如图3所示，该响应计划的可靠性分析装置可以包括：确定模块10，用于确定在响应计划的可靠性分析过程中待使用的多个形成因子PSF、所述多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系；分析模块20，用于根据确定的所述多个PSF、所述多个PSF中各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系建立所述响应计划的可靠性分析模型，对所述响应计划的可靠性进行分析。

采用如图3所示的装置，解决了相关技术中在响应计划的可靠性分析过程中没有考虑所使用的多个PSF的因果关系对响应计划的可靠性进行分析的问题，进而为数字化主控室操纵员响应计划可靠性分析提供定性与定量的方法与工具，为电厂降低操纵员响应计划失效概率提供对策。

在优选实施过程中，上述响应计划的可靠性分析模型可以为贝叶斯网络模型，其中，贝叶斯网络模型中的每个网络节点分别对应一个PSF或响应计划可靠性节点。

优选地，如图4所示，上述分析模块20可以包括：第一设置单元200，用于根据确定后的各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系将多个PSF中部分PSF设置为贝叶斯网络模型的根节点PSF，其中，根节点PSF中的每个PSF的先验概率分布统计结果独立于多个PSF中除该PSF之外的其余PSF以及响应计划可靠性；第二设置单元202，用于将贝叶斯网络模型中除根节点PSF之外的其他节点设置为贝叶斯网络模型的子节点PSF和响应计划可靠性节点，其中，子节点PSF和响应计划可靠性处于不同状态的条件概率分布统计结果依赖于根节点PSF中的一个或多个PSF，和/或，依赖于根节点PSF中的一个或多个PSF指向的一个或多个PSF。

优选地，如图4所示，上述分析模块20还可以包括：统计单元204，用于统计根节点PSF在预设周期内的每个PSF处于不同状态的先验概率分布以及确定除根节点PSF之外的子节点PSF和响应计划可靠性节点中的每个节点处于不同状态的条件概率分布；分析单元206，用于根据确定的各个PSF之间的关联关系以及各个PSF与响应计划可靠性之间的关联关系获取除根节点PSF之外的子节点PSF处于不同状态的条件概率分布以及响应计划可靠性节点处于不同状态的条件概率分布，依据贝叶斯网络的因果分析对响应计划的可靠性进行评价。

优选地，如图4所示，上述分析模块20还可以包括：比较单元208，用于获取到的根节点PSF处于不良状态的先验概率统计结果与根节点PSF处于不良状态的后验概率结果进行比较，确定对响应计划的可靠性影响最大的PSF。

从以上的描述中，可以看出，上述实施例实现了如下技术效果（需要说明的是这些效果是某些优选实施例可以达到的效果）：采用本发明所提供的技术方案，为数字化主控室操纵员响应计划可靠性分析提供定性与定量的方法与工具，为电厂降低操纵员响应计划失效概率提供对策；为核电厂数字化主控室操纵员可靠性分析（HRA）与概率安全评价（PSA）提供操纵员响应计划可靠性接口数据与计算工具，建立的考虑PSF因果关系的响应计划可靠性计算的模糊贝叶斯方法，可以提高HRA和PSA分析的精度；为核电厂数字化主控室操纵员的人因失误预防、培训与场景开发提供支持；为数字化工业系统中主控室作业人员响应计划或者决策行为的可靠性分析与安全评估提供技术支持与工具。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种响应计划的可靠性分析方法，其特征在于，包括：

确定在响应计划的可靠性分析过程中待使用的多个行为形成因子PSF、所述多个PSF中各个PSF之间的关联关系以及所述各个PSF与响应计划可靠性之间的关联关系；

根据确定的所述多个PSF、所述多个PSF中各个PSF之间的关联关系以及所述各个PSF与所述响应计划可靠性之间的关联关系建立所述响应计划的可靠性分析模型，对所述响应计划的可靠性进行分析。

2.根据权利要求1所述的方法，其特征在于，所述响应计划的可靠性分析模型为贝叶斯网络模型，其中，所述贝叶斯网络模型中的每个网络节点分别对应一个PSF或响应计划可靠性节点。

3.根据权利要求2所述的方法，其特征在于，根据确定的所述多个PSF、所述多个PSF中各个PSF之间的关联关系以及所述各个PSF与所述响应计划可靠性之间的关联关系建立所述响应计划的可靠性分析模型包括：

根据确定后的所述各个PSF之间的关联关系以及所述各个PSF与所述响应计划可靠性之间的关联关系将所述多个PSF中部分PSF设置为所述贝叶斯网络模型的根节点PSF，其中，所述根节点为没有被其他节点指向的节点，所述根节点PSF中的每个PSF处于不同状态的先验概率分布统计结果独立于所述多个PSF中除该PSF之外的其余PSF和响应计划可靠性；

将所述多个PSF中除所述根节点PSF之外的其他部分PSF设置为所述贝叶斯网络模型的子节点PSF，其中，所述子节点PSF为被其他节点指向的PSF，所述子节点PSF中的每个PSF和响应计划可靠性节点处于不同状态的条件概率分布统计结果依赖于所述根节点PSF中的一个或多个PSF，和/或，依赖于所述其他部分PSF中的一个或多个PSF。

4.根据权利要求3所述的方法，其特征在于，对所述响应计划的可靠性进行分析包括：

统计所述根节点PSF在预设周期内的每个PSF处于不同状态的先验概率分布以及确定所述根节点PSF之外的子节点PSF和响应计划可靠性节点中的每个节点处于不同状态的条件概率分布；

根据统计出的所述根节点PSF处于不同状态的先验概率统计结果、所述各个PSF之间的关联关系以及所述各个PSF与所述响应计划可靠性的关联关系，获取所述除根节点PSF之外的各子节点PSF处于不同状态的条件概率分布以及响应计划可靠性节点PSF处于不同状态的条件概率分布，依据贝叶斯网络的因果分析对所述响应计划的可靠性进行评价。

5.根据权利要求4所述的方法，其特征在于，对所述响应计划的可靠性进行分析还包括：

将获取到的所述根节点PSF处于不良状态的先验概率统计结果与所述根节点PSF处于不良状态的后验概率结果进行比较，确定对所述响应计划的可靠性影响最大的PSF。

6.一种响应计划的可靠性分析装置，其特征在于，包括：

确定模块，用于确定在响应计划的可靠性分析过程中待使用的多个行为形成因子PSF、所述多个PSF中各个PSF之间的关联关系以及所述各个PSF与响应计划可靠性之间的关联关系；

分析模块，用于根据确定的所述多个PSF、所述多个PSF中各个PSF之间的关联关系以及所述各个PSF与所述响应计划可靠性之间的关联关系建立所述响应计划的可靠性分析模型，对所述响应计划的可靠性进行分析。

7.根据权利要求6所述的装置，其特征在于，所述响应计划的可靠性分析模型为贝叶斯网络模型，其中，所述贝叶斯网络模型中的每个网络节点分别对应一个PSF或响应计划可靠性节点。

8.根据权利要求7所述的装置，其特征在于，所述分析模块包括：

第一设置单元，用于根据确定后的所述各个PSF之间的关联关系以及所述各个PSF与所述响应计划可靠性之间的关联关系将所述多个PSF中部分PSF设置为所述贝叶斯网络模型的根节点PSF，其中，所述子节点PSF为被其他节点指向的PSF，所述根节点PSF中的每个PSF的先验概率分布统计结果独立于所述多个PSF中除该PSF之外的其余PSF和响应计划可靠性；

第二设置单元，用于将所述贝叶斯网络模型中除根节点PSF之外的其他部分节点设置为子节点PSF和响应计划可靠性节点，其中，所述子节点PSF中的每个PSF和响应计划可靠性节点处于不同状态的条件概率分布统计结果依赖于所述根节点PSF中的一个或多个PSF，和/或，依赖于所述根节点PSF中的一个或多个PSF指向的一个或多个PSF。

9.根据权利要求8所述的装置，其特征在于，所述分析模块还包括：

统计单元，用于统计所述根节点PSF在预设周期内的每个PSF处于不同状态的先验概率分布以及确定所述除根节点PSF之外的子节点PSF和响应计划可靠性节点中的每个节点处于不同状态的条件概率分布；

分析单元，用于根据统计出的所述根节点PSF的概率统计结果以及所述各个PSF之间的关联关系以及所述各个PSF与响应计划可靠性之间的关联关系获取所述除根节点PSF之外的子节点PSF处于不同状态的条件概率分布以及响应计划可靠性节点处于不同状态的条件概率分布，依据贝叶斯网络的因果分析对所述响应计划的可靠性进行评价。

10.根据权利要求9所述的装置，其特征在于，所述分析模块还包括：

比较单元，用于将获取到的所述根节点PSF处于不良状态的先验概率统计结果与所述根节点PSF处于不良状态的后验概率结果进行比较，确定对所述响应计划的可靠性影响最大的PSF。

Images