CN103218689A - 操作员状态评估的可靠性分析方法及装置 - Google Patents

Abstract

本发明公开了一种操作员状态评估的可靠性分析方法及装置，其中，该方法包括：确定待使用的多个PSF，其中，PSF用于状态评估；确定多个PSF中各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系；根据上述各关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析操作人员的可靠性。通过运用本发明，解决了相关技术没有考虑操纵员本身所受的情境环境因子的影响以及它们的影响因果关系，从而可能带来重复计算其影响的可能，对状态评估失误概率可能造成错误的估计的问题，进而为操纵员状态评估可靠性分析提供定性与定量方法，为电厂降低操纵员状态评估失效概率提供对策。

Description

操作员状态评估的可靠性分析方法及装置

技术领域

本发明涉及核电厂检测及人因可靠性分析领域，更具体地，涉及一种操作员状态评估的可靠性分析方法及装置。

背景技术

当核电厂发生异常状态时，操纵员将根据核电厂的状态参数情况构建一个合理的和合乎逻辑的解释，来评估电厂所处的状态，作为后续的响应计划和响应执行决策的依据，这一系列行为过程称为状态评估（Situation assessment or situation awareness，简称为SA）。操纵员对异常事件的正确状态评估对于操纵员行为的正确响应至关重要。

迄今为止，Endsley于1995年发表在“Human factors”期刊上名为“Toward a theory ofsituation awareness in dynamic”中建立的状态评估模型中将其分为3个层次：对当前环境中关键元素的认知（Perception），对当前状态的理解（Comprehension），以及对未来状态的预计（Projection）。Endsley分析了影响状态评估的因素有个体因素和系统/任务因素。Adams和Tenney于1995年发表在“Human factors”期刊上名为“Situation awareness and the cognitivemanagement of complex-systems”中支持由Neisser提出的知觉环（Perceptual cycle）模型来描述状态评估，知觉环模型强调人与环境交互的动态性，模型中包含三个组分：对象（实际的当前环境）、图式（当前环境的图式）和探索（在环境中的搜索行为）。以图式形式或心智模型构成的知识使操作者对环境中的信息产生心理预期，活跃的图式会指导操作者对特定信息的搜索和解释行为，同时，从环境中获取信息会被图式吸收并用于修订和更新图式，再次指导信息的搜索以达到对情境的知觉，是一个不断循环的过程，如图1所示。Bedney和Meister于1999年发表在“International Journal of Cognitive Ergonomics”期刊上名为“Theory of activityand situation awareness”基于行为理论提出了状态评估的子系统交互模型，共包括八个功能模块，即输入信息的含义、印象-目标、主观上认为相关的任务条件、动机和重要性、定向和探索行为、评估的标准、经验、概念模型，它们之间存在交互影响作用，每个功能模块对状态评估的形成有不同的功能。

这些模型基本上描述了操纵员处理信息和环境进行交互以获得状态感知的基本原理和一般的特征，在阐明状态评估的认知机理及影响状态评估的主要因素方面做出了贡献，但没有考虑数字化控制系统中的状态评估特征，并且它们只是定性的分析，而没有对状态评估的可靠性进行量化。

在状态评估的定量建模方法，Miao A.X.,Zacharias G.L.和Kao S.P.,于1997年发表的“Acomputational situation assessment model for nuclear power plant Operations”一文中采用贝叶斯方法对操纵员的状态评估进行了定量计算，Kim M.C.和Seong P.H于2006年在“An analyticmodel for situation assessment of nuclear power plant operators based on Bayesian inference”一文中基于贝叶斯分析建立了状态评估的定量分析模型，Kim和Seong于2009年在“Acomputational model for evaluating the effects of attention,memory,and mental models on situationassessment of nuclear power plant operators”一文也基于贝叶斯网络建立了考虑人因影响的状态评估定量计算模型，但是上述方法只是描述操纵员状态评估的历程，数据也只是基于假设，并且没有考虑操纵员本身所受的情境环境因子的影响以及它们的影响因果关系，从而可能带来重复计算其影响的可能，对状态评估失误概率可能造成错误的估计。

发明内容

本发明旨在提供一种操作员状态评估的可靠性分析方法及装置，以至解决相关技术没有考虑操纵员本身所受的情境环境因子的影响以及它们的影响因果关系，从而可能带来重复计算其影响的可能，对状态评估失误概率可能造成错误的估计的问题。

根据本发明的一个方面，提供了一种操作员状态评估的可靠性分析方法，包括：确定待使用的多个行为形成因子（Performance Shaping Factors，简称为PSFs或PSF），其中，所述PSF用于状态评估；确定所述多个PSF中各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系；根据所述多个PSF以及所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性。

优选地，所述操作员状态评估的可靠性分析模型为贝叶斯网络模型。

优选地，根据所述多个PSF以及所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性包括：确定所述贝叶斯网络模型中各个根节点PSF处于不同状态的先验概率分布，其中，所述根节点PSF为没有被其他节点指向的PSF节点；根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系确定所述各个子节点PSF和所述状态评估可靠性节点处于不同状态的条件概率分布，其中，所述子节点PSF为被其他节点指向的PSF节点；将所述条件概率分布与所述先验概率分布进行贝叶斯网络的因果分析以得到特定情境条件下的状态评估可靠性。

优选地，通过模糊方法对所述贝叶斯网络模型的概率分布的值进行计算。

优选地，通过模糊方法对所述贝叶斯网络模型的概率分布的值进行计算包括：通过三角模糊数计算所述各个根节点PSF处于不同状态时的先验概率分布；通过所述三角模糊数计算所述各个子节点PSF与所述状态评估可靠性节点处于不同状态时的条件概率分布；通过三角形重心解模糊的方法确定所述先验概率的值和所述条件概率的值，并将所述先验概率的值与所述条件概率的值进行贝叶斯网络的因果分析以得到所述状态评估的可靠性。

优选地，根据所述多个PSF以及所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性之后，还包括：在确定操纵员状态评估失误的情况下，根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系，以及所述各个PSF与所述状态评估可靠性节点的关联关系，通过贝叶斯网络的诊断分析确定所述各个根节点PSF的后验概率分布；将所述根节点PSF处于预设多个状态中最差状态的后验概率分布与所述根节点PSF处于所述预设多个状态中最差状态的先验概率分布进行比较以得到影响状态评估可靠性的关键要素，以确定预防状态评估失误的对策。

根据本发明的另一个方面，提供了一种操作员状态评估的可靠性分析装置，包括：第一确定模块，用于确定待使用的多个行为形成因子PSF，其中，所述PSF用于状态评估；第二确定模块，用于确定所述多个PSF中各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系；建立模块，用于根据所述多个PSF、所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性。

优选地，所述建立模块建立的所述操作员状态评估的可靠性分析模型为贝叶斯网络模型。

优选地，所述建立模块包括：第一确定单元，用于确定所述贝叶斯网络模型中各个根节点PSF处于不同状态的先验概率分布，其中，所述根节点PSF为没有被其他节点指向的PSF节点；第二确定单元，用于根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系确定所述各个子节点PSF和所述状态评估可靠性节点处于不同状态的条件概率分布，其中，所述子节点PSF为被其他节点指向的PSF节点；分析单元，用于将所述条件概率分布与所述先验概率分布进行贝叶斯网络的因果分析以得到特定情境条件下状态评估可靠性。

优选地，所述装置还包括：第三确定模块，用于在确定操纵员状态评估失误的情况下，根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系，以及所述各个PSF与状态评估可靠性节点的关联关系，通过贝叶斯网络的诊断分析确定所述各个根节点PSF的后验概率分布；比较模块，用于将所述根节点PSF处于预设多个状态中最差状态的后验概率与所述根节点PSF处于预设多个状态中最差状态的先验概率进行比较以得到影响状态评估可靠性的关键要素，以确定预防状态评估失误的对策。

本发明采用在对操作员状态评估的可靠性进行分析时，综合考虑了操作员在状态评估的过程中的多个PSF及各个PSF与其他PSF之间的关联关系，以及各个PSF与状态评估可靠性节点的关联关系，并根据上述各因素建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性。通过运用本发明，解决了相关技术没有考虑操纵员本身所受的情境环境因子的影响以及它们的影响因果关系，从而可能带来重复计算其影响的可能，对状态评估失误概率可能造成错误的估计的问题，进而为操纵员状态评估可靠性分析提供定性与定量方法，为电厂降低操纵员状态评估失效概率提供对策。

附图说明

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示出了相关技术的状态评估模型的示意图；

图2示出了本发明实施例的操作员状态评估的可靠性分析方法的流程图；

图3示出了本发明实施例的操作员状态评估的可靠性分析装置的结构示意图一；

图4示出了本发明实施例的操作员状态评估的可靠性分析装置建立模块的结构示意图；

图5示出了本发明实施例的操作员状态评估的可靠性分析装置的结构示意图二；

图6示出了本发明优选实施例的操作员状态评估的贝叶斯网络模型的示意图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。

基于相关技术没有考虑操纵员本身所受的情境环境因子的影响以及它们的影响因果关系，从而可能带来重复计算其影响的可能，对状态评估失误概率可能造成错误的估计的问题，本发明实施例提供了一种操作员状态评估的可靠性分析方法，该方法的流程如图2所示，包括步骤S202至步骤S206：

步骤S202，确定待使用的多个PSF，其中，PSF用于状态评估；

步骤S204，确定多个PSF中各个PSF与除自身外的其他PSF之间的关联关系，以及各个PSF与状态评估可靠性节点的关联关系；

步骤S206，根据多个PSF以及多个PSF中各个PSF之间的关联关系，以及各个PSF与状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析操作人员的可靠性。

本实施例采用在对操作员状态评估的可靠性进行分析时，综合考虑了操作员在状态评估的过程中的多个PSF及各个PSF与其他PSF之间的关联关系，并根据上述PSF及其之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系建立操作员状态评估的可靠性分析模型以分析操作人员的可靠性。通过运用本实施例，解决了相关技术没有考虑操纵员本身所受的情境环境因子的影响以及它们的影响因果关系，从而可能带来重复计算其影响的可能，对状态评估失误概率可能造成错误的估计的问题，进而为操纵员状态评估可靠性分析提供定性与定量方法，为电厂降低操纵员状态评估失效概率提供对策。

在实施过程中，操作员状态评估的可靠性分析模型可以为贝叶斯网络模型。在根据多个PSF以及多个PSF中各个PSF之间的关联关系，以及各个PSF与状态评估可靠性节点的关联关系建立操作员状态评估的可靠性分析模型以分析操作人员的可靠性的过程中，需要先确定各个根节点PSF处于不同状态的先验概率分布；在根据各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系确定各个PSF与状态评估可靠性节点处于不同状态的条件概率分布；通过贝叶斯网络的因果分析（或根据结果逐步推理）计算操纵员状态评估的可靠性，随后通过贝叶斯网络的诊断分析，得到状态评估的贝叶斯网络模型中的根节点处于不同状态的后验概率分布，将根节点PSF处于不良状态（即预设多个状态中最差状态）的后验概率与根节点PSF处于不良状态的先验概率进行比较以得到影响状态评估可靠性的关键要素（或称关键PSF）。

实施过程中，是根据贝叶斯理论的因果分析，进行状态评估可靠性计算，并且根据贝叶斯理论的诊断分析，识别状态评估贝叶斯网络模型中根节点的后验概率分布，并将根节点PSF处于不良状态的先验概率值与根节点PSF处于不良状态的后验概率值进行比较以得到影响状态评估可靠性的关键要素。

但由于各个PSF的状态等级评定的复杂性和不确定性，可以进一步通过模糊方法对贝叶斯网络模型的概率分布的值进行计算。

在通过模糊方法对贝叶斯网络模型的概率分布的值进行计算的过程中，可以利用三角模糊数对各个PSF进行评价，则上述分析操作员可靠性的过程可以是先通过三角模糊数计算各个根节点PSF处于不同状态时的先验概率分布；再通过三角模糊数计算各个子节点PSF与状态评估可靠性节点处于不同状态的条件概率分布；再通过三角形重心解模糊的方法确定先验概率的值和条件概率的值。在给定的情境条件下，将子节点PSF和状态评估可靠性节点的条件概率与根节点PSF的先验概率进行贝叶斯网络的因果分析以得到状态评估的可靠性。。

通过上述方法进行操作员状态评估的可靠性分析过程中，考虑了PSF的因果关系，可根据不同PSF的不同状态进行可靠性估计，提升了可靠性分析的准确度。

本发明实施例还提供了一种操作员状态评估的可靠性分析装置，该装置的结构示意可以如图3所示，包括：第一确定模块10，用于确定待使用的多个PSF，其中，PSF用于状态评估；第二确定模块20，与第一确定模块10耦合，用于确定多个PSF中各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系；建立模块30，与第一确定模块10和第二确定模块20耦合，用于根据多个PSF以及多个PSF中各个PSF之间的关联关系，以及各个PSF与状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析操作人员的可靠性。其中，建立模块建立的操作员状态评估的可靠性分析模型为贝叶斯网络模型。进一步的，本装置还可以通过贝叶斯网络的诊断分析，识别影响状态评估可靠性的关键要素。

图4示出了建立模块30的结构示意图，其中，第一确定单元302，用于确定各个根节点的PSF处于不同状态的先验概率分布；第二确定单元304，与第一确定单元302耦合，用于根据各个PSF与除自身外的其他PSF之间的关联关系，以及各个PSF与状态评估可靠性节点的关联关系确定各个子节点PSF与状态评估可靠性节点的条件概率分布；分析单元306，与第一确定单元302和第二确定单元304耦合，在给定的情境条件下，用于将子节点PSF和状态评估可靠性节点的条件概率与根节点PSF的先验概率进行贝叶斯网络的因果分析以得到状态评估的可靠性。

在实施过程中，如果选择三角模糊数的方式进行状态估计的可靠性分析，则第一确定单元302，还用于通过三角模糊数和三角形重心解模糊的方法计算各个根节点PSF处于不同状态时的先验概率分布；第二确定单元304，还用于通过三角模糊数和三角形重心解模糊的方法计算各个子节点PSF和状态评估可靠性节点的条件概率分布；分析单元306，在给定的情境条件下，用于将各个子节点PSF和状态评估可靠性节点的条件概率与根节点的先验概率进行贝叶斯网络的因果分析以得到状态评估的可靠性。

图5示出了上述装置的一种优选实施方式的结构示意图，该装置还可以包括：第三确定模块40，与第二确定模块20耦合，用于在确定操纵员状态评估失误的情况下，根据各个根节点的PSF与除自身外的其他PSF之间的关联关系，以及各PSF与状态评估可靠性节点的关联关系，通过贝叶斯网络的诊断分析确定各个根节点的PSF处于不同状态的后验概率分布；比较模块50，与第三确定模块40和第一确定模块10耦合，用于将根节点PSF处于不良状态的后验概率分布与根节点PSF处于不良状态的先验概率分布进行比较以得到影响状态评估可靠性的关键要素，以确定预防状态评估失误的对策。

在上述装置实施上述方法的过程中，其各个模块执行着相应的功能，其中，各模块都可以设置在系统的服务器中，当操作员根据不同的状态进行分析时，服务器中的操作员状态评估的可靠性分析装置对操作员分析过程的可靠性进行分析。当然，各模块也可以设置在计算机中，当需要进行可靠性分析时，通过CPU进行控制。通过运用上述操作员状态评估的可靠性分析装置，可以进一步分析不同操作员状态评估的准确性，具有一定的实用意义。

优选实施例

相关技术通常存在以下的缺点：（1）现在技术没有充分考虑数字化人-机系统的特征来构建状态评估的影响模型；（2）现有技术没有充分考虑PSF的因果关系，使得评估的结果精度有待提升；（3）现有技术缺乏数字化模拟机数据来支持状态评估的定量化。

基于上述待解决的问题，本发明优选实施例提供了一种操作员状态评估的可靠性分析方法，该方法要保护技术方案阐述如下：（1）基于数字化主控室操纵员的情境环境分析，识别影响操纵员的状态评估可靠性的PSF因子及其因果关系以及各PSF与状态评估可靠性节点的因果关系，建立状态评估定性分析的贝叶斯网络模型，为操纵员状态评估可靠性的量化奠定基础；（2）基于建立的状态评估的贝叶斯网络模型，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来获取数据。为确保数据和结果的有效性，建立一种操纵员状态评估可靠性评定的模糊贝叶斯方法，提高分析的精度。

下面通过具体实施例来说明本优选实施例的详尽技术方案。

首先，介绍数字化核电厂主控室操纵员的状态评估行为。

当核电厂发生异常状态时，操纵员将根据核电厂的状态参数情况构建一个合理的和合乎逻辑的解释，来评估电厂所处的状态，作为后续的响应计划和响应执行决策的依据。这一系列过程称为状态评估，并涉及两个相关的模型，即状态模型和心智模型。状态模型就是操纵员对特定电厂系统所呈现出的状态的理解，并且当收集到新信息的时候，状态模型会被经常更新。心智模型是通过正式的教育、具体的培训和操纵员经验来构建的，并且存储在大脑中。状态评估过程主要就是发展一个状态模型来描述当前的电厂状态。

如果一个事件（如报警）非常简单，操纵员对电厂状态的辨识不需要任何推理，则认为是技能型的状态评估。如果一个异常事件属于所谓的“问题”，要求操纵员对该问题产生的原因和影响进行说明来构建状态模型，并且构建好的状态模型与操纵员的心智模型进行匹配（即相似性匹配），则这个过程称为规则型的状态评估。同样，对于不熟悉的状态模式，要求操纵员评估和预测可能的电厂状态，然后分析问题空间的结构和功能之间更加抽象的逻辑关系，进行深层次的分析，逐渐形成一个状态模型并进行验证，最后确定电厂状态，这个过程被认为是知识型的状态评估。

其次，介绍操纵员的状态评估的贝叶斯网络模型。

通过组建专家组（包括核电厂操纵员班组以及人因专家）识别出影响操纵员状态评估可靠性的影响因素以及它们的因果关系，一般来说，当核电厂发生异常事件后，操纵员的状态评估涉及两个相关的模型，即状态模型和心智模型。状态模型就是操纵员对系统或组件的特定状态的理解，并且当收集到新信息的时候，状态模型会被经常更新。心智模型是通过正式的教育、具体的培训和操纵员经验来构建的，并且存储在大脑中。状态评估过程主要就是发展一个状态模型来评估当前的电厂状态。如果操纵员要很好地评估出真实的电厂当前状态，则操纵员需要利用其自身的心智模型去辨识出电厂当前的状态，这个过程受电厂状态呈现的易识别性、操纵员的心智水平/心智模型以及心理压力的影响。心智水平/心智模型来源于操纵员的知识和经验，知识和经验主要受组织培训的影响和班组的交流与合作的影响，如果培训不够，则操纵员的知识和经验会受影响，班组的交流与合作可以补充操纵员个体的知识和经验的不足。

电厂所呈现的状态的易识别性（状态模型的另一种解释）主要受数字化人机界面和系统的自动化水平的影响，如果数字化人机界面设计好，则信息醒目，容易搜集信息和识别出系统所处的状态，如果系统自动化水平高，则操纵员没有参与到具体的任务中，则容易丧失与任务相关的系统状态的理解。另外，压力水平对操纵员在状态模型和心智模型之间的匹配有很大的影响，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，规程或程序好有利于指导操纵员做出响应计划，人机界面不好（如诸多的界面管理任务）则操纵员难以获取有利于任务完成的有用信息。再者，事件越严重，操纵员的心理压力越大，完成任务的可用时间越短，则操纵员的心理压力越大。通过上述分析，状态评估受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以及与系统的自动化水平等因素的影响，这些PSF因子与状态评估的影响关系图（或称状态评估的贝叶斯网络模型）见图6所示，其中，最下层的状态评估可靠性就是一种状态评估可靠性节点。

最后，介绍数据的获取和状态评估定量计算的模糊贝叶斯方法。

（1）数据采集包括以下过程。

（1.1）基于模拟机实验的数据获取。

确定网络节点的先验概率分布：选择典型的事故场景（如SGTR、LOCA、主蒸汽管道破口、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、事故场场景下的时间窗口、交流与合作水平、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。比如针对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）进行每个画面进行评定，得到概率分布（假设共涉及100副画面，通过专家组的评定，得到90幅画面是好的，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）。

确定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水平（或称心智模型水平）、压力水平、状态模型水平（或称系统状态呈现的易识别性）等进行评定。这需要被试针对每完成一个关键的任务进行评定（要求实事求是）。统计评定结果，得到心智模型水平（假设有三个水平，好、中、差）、压力水平（假设有三个水平，好、中、差）、状态模型水平（假设有三个水平，好、中、差）等的条件概率分布。同时通过状态评估的实验结果的统计分布，得到状态评估可靠性的条件概率分布。

比如培训和交流水平影响操纵员的知识和经验或心智模型水平，则选择不同培训水平的人员进行实验，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。同样，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的变量（或难以控制的），可采用专家判断的方法、事件报告统计分析或回归技术等进行建模估计（见下面介绍的模糊化处理）。最终根据状态评估可靠性的测量结果，可得到状态评估可靠性的条件概率分布。

（1.2）基于专家判断的数据获取。

对于难以进行实验的变量（或难以控制的），比如事件的严重度等节点变量等，可采用专家判断的方法来获取数据（如果有足够多的事件样本，也可采用事件统计的方法来获取）。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，因此，导致专家可能用描述性语言或用范围值来表达，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，我们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，本优选实施例的装置在评价过程中是基于专家判断的的数据获取方式，采用模糊方法，其评价程序如下。

第一，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不同，从而影响决策结果，因此，需组建专家组来消除这种影响，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]，

第二，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，如（0.1，0.3，0.6）等，或用描述性语言来表示，如高、中、低等。对于描述性语文可引入模糊隶属函数来确定因素处于某种状态的概率值。

第三，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，公式如下：

其中，s_i是因素F_i的模糊综合得分，它是一个三角模糊数： $(\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{l}_i^k\×c_k,\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{m}_i^k\×c_k,\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_i^k\×c_k).$

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，其公式参考如下：

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。

（2）贝叶斯网络的分析

贝叶斯网络（简称为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，…，Xn}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，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他节点为条件，故其概率为先验概率，其他节点为条件概率分布函数。

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都可计算。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。主要根据下列三个公式（即公式1-1、1-2和1-3）进行分析计算。

联合概率P{X₁,...,X_n}：

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

其中，π_i为X_i父节点的集合。

X_i的边缘概率为：

$P\left(X_i\right)=\underset{\mathrm{except}{X}_i}{\mathrm{\&Sigma;}}P\left(U\right)---(1-2)$

贝叶斯网络的主要应用就是作为一个用于计算事件信念的分析机（也可以称为推理机），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：

$p\left(U\right|e)=\frac{p(U,e)}{p\left(e\right)}=\frac{p(U,e)}{\underset{U}{\mathrm{\&Sigma;}}p(U,e)}---(1-3)$

在贝叶斯网络分析中，主要包括两个过程，即因果分析和诊断分析。下面分别对其进行说明。

因果分析由原因推知结论，是一种自顶向下的推理。在给定的原因或证据的条件下，使用贝叶斯网络分析计算，求出结果发生的概率。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，比如网络中的根节点的先验概率可用表1（根节点的模糊先验概率）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模拟机实验得到其他节点变量的概率分布。

表1

同理可得中间变量的条件概率，可用表2来表示，假设得到的数据见表2所示，即中间变量“心智模型水平M_M”的条件概率P(知识和经验|班组交流合作水平,培训水平)。

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（或心智模型水平）处于“低”水平状态的概率（用P(M_M=M_M,1)表示）可根据公式（1-2）有：

P(M_M=M_M,1)=P(C_O=C_O,1)×[P(T_R=T_R,1)×P(M_M=M_M,1|C_O=C_O,1,T_R=T_R,1)+P(T_R=T_R,2)×P(M_M=M_M,1|C_O=C_O,1,T_R=T_R,2)+P(T_R=T_R,3)×P(M_M=M_M,1|C_O=C_O,1,T_R=T_R,3)]+P(C_O=C_O,2)×[P(T_R=T_R,1)×P(M_M=M_M,1|C_O=C_O,2,T_R=T_R,1)+P(T_R=T_R,2)×P(M_M=M_M,1|C_O=C_O,2,T_R=T_R,2)+P(T_R=T_R,3)×P(M_M=M_M,1|C_O=C_O,2,T_R=T_R,3)]+P(C_O=C_O,3)×[P(T_R=T_R,1)×P(M_M=M_M,1|C_O=C_O,3,T_R=T_R,1)+P(T_R=T_R,2)×P(M_M=M_M,1|C_O=C_O,3,T_R=T_R,2)+P(T_R=T_R,3)×P(M_M=M_M,1|C_O=C_O,3,T_R=T_R,3)]

将获得的数据代入公式可得P(M_M=KM_M,1)，同样可计算得P(M_M=KM_M,2)，和P(M_M=M_M,3)。因此，可得到了中间变量“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。最终计算得到状态评估可靠性P_状。

诊断分析是由结论推知原因，是一种自底向上的推理过程。目的是在已知结果时，找出产生该结果的各种原因的可能性。已知发生了某些结果，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。在状态评估可靠性的模糊贝叶斯网络模型中，假设已发生状态评估失误，则利用贝叶斯法则可计算出相应的后验概率。比如要计算“班组交流与合作水平”处于“不充分”状态的概率，则根据公式（1-3）可得：

$P(C_O=C_{O,1}|R_R=R_{R,2})=\frac{P(C_O=C_{O,1},R_R=R_{R,2})}{P(R_R=R_{R,2})},$ 其中，R_R=R_R,2表示发生状态评估失误。

由公式（1-1）可算出P(C_O=C_O,1,R_R=R_R,2)，由公式（1-2）可算出P(R_R=R_R,2)，从而可以算出所求的值。

诊断分析是将计算得到根节点PSF处于不良状态的后验概率，分别与它们处于不良状态的先验概率进行比较，可得到各变量变化的百分比。识别最有可能引发状态评估失误的影响因素，为失误的预防提供决策支持。

通过运用本发明实施例，可以为数字化主控室操纵员状态评估可靠性分析提供定性与定量方法与工具，为电厂降低操纵员状态评估失效概率提供对策；为核电厂数字化主控室操纵员人因可靠性分析（HRA）与概率安全评价（PSA）提供操纵员状态评估可靠性接口数据与计算工具，建立的状态评估可靠性计算的模糊贝叶斯方法，提高HRA和PSA分析的精度；为核电厂数字化主控室操纵员防人因失误培训与场景开发提供支持；为数字化工业系统主控室作业人员状态评估或者决策行为的可靠性分析与安全风险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，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)

1.一种操作员状态评估的可靠性分析方法，其特征在于，包括：

确定待使用的多个行为形成因子PSF，其中，所述PSF用于状态评估；

确定所述多个PSF中各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系；

根据所述多个PSF、所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性。

2.根据权利要求1所述的方法，其特征在于，所述操作员状态评估的可靠性分析模型为贝叶斯网络模型。

3.根据权利要求2所述的方法，其特征在于，根据所述多个PSF、所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性包括：

确定所述贝叶斯网络模型中各个根节点PSF处于不同状态的先验概率分布，其中，所述根节点PSF为没有被其他节点指向的PSF节点；

根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系确定所述各个子节点PSF和所述状态评估可靠性节点处于不同状态的条件概率分布，其中，所述子节点PSF为被其他节点指向的PSF节点；

将所述条件概率分布与所述先验概率分布进行贝叶斯网络的因果分析以得到特定情境条件下的状态评估可靠性。

4.根据权利要求2或3所述的方法，其特征在于，通过模糊方法对所述贝叶斯网络模型的概率分布的值进行计算。

5.根据权利要求4所述的方法，其特征在于，通过模糊方法对所述贝叶斯网络模型的概率分布的值进行计算包括：

通过三角模糊数计算所述各个根节点PSF处于不同状态时的先验概率分布；

通过所述三角模糊数计算所述各个子节点PSF与所述状态评估可靠性节点处于不同状态时的条件概率分布；

通过三角形重心解模糊的方法确定所述先验概率的值和所述条件概率的值，并将所述先验概率的值与所述条件概率的值进行贝叶斯网络的因果分析以得到所述状态评估的可靠性。

6.根据权利要求3所述的方法，其特征在于，根据所述多个PSF、所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性之后，还包括：

在确定操纵员状态评估失误的情况下，根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系，以及所述各个PSF与所述状态评估可靠性节点的关联关系，通过贝叶斯网络的诊断分析确定所述各个根节点PSF的后验概率分布；

将所述根节点PSF处于预设多个状态中最差状态的后验概率分布与所述根节点PSF处于所述预设多个状态中最差状态的先验概率分布进行比较以得到影响状态评估可靠性的关键要素，以确定预防状态评估失误的对策。

7.一种操作员状态评估的可靠性分析装置，其特征在于，包括：

第一确定模块，用于确定待使用的多个行为形成因子PSF，其中，所述PSF用于状态评估；

第二确定模块，用于确定所述多个PSF中各个PSF与除自身外的其他PSF之间的关联关系以及各个PSF与状态评估可靠性节点的关联关系；

建立模块，用于根据所述多个PSF、所述多个PSF中各个PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系建立基于PSF因果关系的操作员状态评估的可靠性分析模型以分析所述操作人员的可靠性。

8.根据权利要求7所述的装置，其特征在于，所述建立模块建立的所述操作员状态评估的可靠性分析模型为贝叶斯网络模型。

9.根据权利要求8所述的装置，其特征在于，所述建立模块包括：

第一确定单元，用于确定所述贝叶斯网络模型中各个根节点PSF处于不同状态的先验概率分布，其中，所述根节点PSF为没有被其他节点指向的PSF节点；

第二确定单元，用于根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系、以及所述各个PSF与所述状态评估可靠性节点的关联关系确定所述各个子节点PSF和所述状态评估可靠性节点处于不同状态的条件概率分布，其中，所述子节点PSF为被其他节点指向的PSF节点；

分析单元，用于将所述条件概率分布与所述先验概率分布进行贝叶斯网络的因果分析以得到特定情境条件下状态评估可靠性。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

第三确定模块，用于在确定操纵员状态评估失误的情况下，根据所述各个根节点PSF与除自身外的其他PSF之间的关联关系，以及所述各个PSF与状态评估可靠性节点的关联关系，通过贝叶斯网络的诊断分析确定所述各个根节点PSF的后验概率分布；

比较模块，用于将所述根节点PSF处于预设多个状态中最差状态的后验概率与所述根节点PSF处于预设多个状态中最差状态的先验概率进行比较以得到影响状态评估可靠性的关键要素，以确定预防状态评估失误的对策。

Images