CN103902766A - 基于脑力负荷模型和模糊逻辑的动态功能分配方法 - Google Patents

Abstract

本发明涉及一种基于脑力负荷模型和模糊逻辑的动态功能分配方法，充分利用了各组成个体的优势，最好地配置了系统资源，实现了整个系统性能的最优化。动态功能分配使飞行机组在系统中角色更加灵活，进而能够增加飞行机组的情景意识，提高工作满意度，避免技术降级，增强系统的鲁棒性，增加了飞行过程的安全性。

Description

基于脑力负荷模型和模糊逻辑的动态功能分配方法

技术领域

本发明涉及民机驾驶舱的自动化设计技术，具体涉及一种基于脑力负荷模型和模糊逻辑的动态功能分配方法。 

背景技术

飞机驾驶舱由飞行机组、自动化子系统以及它们之间的交互接口组成的复杂人机系统组成。飞行机组由驾驶舱中的一名或多名飞行员组成。自动化子系统是指可以完成某些特定功能的机器，包括自动飞行控制系统、自动油门、飞行管理计算机、自动化告警系统等。为了能达到预定目标、完成预定任务，同时使人、机能充分发挥各自的作用并协调地工作，需要合理地将要执行的功能或任务分派给飞行机组或者自动化系统，这一过程被称为驾驶舱功能分配。 

传统的功能分配方法是从功能特性和需求分析入手，通过比较飞行机组和自动化机器在完成该功能的能力优势或绩效优劣，决定该功能分配给飞行机组还是机器，例如Fitts表法、Price决策图法。这种分配方式在系统设计阶段就确定了飞行机组和机器各自的角色，而且在系统运行时不允许任何再分配，被称为静态功能分配。静态功能分配虽然已经相当成熟，但是当系统出现意想不到的变化或人的能力下降的情况下，它将失去鲁棒性，如产生“超负荷”现象或“人不在环”现象。 

所以，在系统设计初始阶段，确定一个最优的、静态的功能分配方案保障驾驶舱系统的性能保持在最佳状态是不可行的。究其原因是因为静态的功能分配方式不能随着飞行机组状态和飞行任务需求的变化来改变人、机间的协作关系。为克服静态功能分配的缺点，本发明提出另一种功能分配方式，即动态功能分配（Dynamic Function Allocation,DFA），它允许系统在运行阶段根据情况的变化，将系统功能在飞行机组、自动化系统之间动态地重新分配，从而使人、机工作地更加协调，提高系统整体的功 能效果。 

按照初始化阶段控制主体的不同，动态功能分配的触发机制可以分为机组触发和系统触发两种。其中，用于动态功能分配的系统触发机制，按照触发来源的不同可以分为四种触发策略：基于关键事件的、基于测量的、基于模型的以及三者的合成方法。基于关键事件和基于测量的方法无法单一、准确地反映飞行员完成任务的能力水平，而基于模型的方法很难建立有效、可用的飞行员性能模型，而合成方法综合了前三种策略的触发量，是一种更加可靠的触发机制。 

发明内容

要解决的技术问题 

为了避免现有技术的不足之处，本发明提出一种基于脑力负荷模型和模糊逻辑的动态功能分配方法。 

技术方案 

一种基于脑力负荷模型和模糊逻辑的动态功能分配方法，其特征在于步骤如下： 

步骤1：记录飞行员在规定时间段f内的操作序列O_f＝{o₁,o₂,o₃,o₄,o₅,...,o_i,...,o_n}，其中n为操作总数，并得到各操作的操作属性，所述的操作属性包括四方面：信息处理类型l、时间范围d、注意力需求比例a和信息域I，其中信息处理类型l的量化方法如下： 

时间范围d的计算方法如下： 

d＝endT-startT 

式中，startT是各操作的起始时刻，endT是各操作的结束时刻； 

注意力需求比例a的量化方法如下： 

信息域I是由能够代表操作内容的文字短语组成的集合，操作内容包含操作涉及的主要情境信息、操作的行为和操作时注意力集中的人机接口； 

步骤2：依据脑力负荷模型计算脑力负荷MW： 

步骤a：依据步骤1中获取的操作序列及操作属性，计算该规定时间段内与脑力负荷MW相关的三个独立的参数，所述的参数为占用时间TO′、信息处理等级LIP′和任务集切换TSS′： 

${\mathrm{TO}}^{\′}\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{d}_i}{f}$

${\mathrm{LIP}}^{\′}\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i{d}_i}{f}$

${\mathrm{TSS}}^{\′}\left(O_f\right)=\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}\frac{\left|(I_i\∩I_{i-1})\right|}{|I_i\∪I_{i-1}|}$

式中，l_i，d_i，a_i，I_i分别表示第i个操作的信息处理类型、时间范围、注意力需求比例和信息域； 

步骤b：对TO′、LIP′和TSS′分别进行归一化，使其落在[0,1]间，得到TO、LIP、TSS： 

$\left\{\begin{array}{c}\mathrm{LIP}=\frac{1}{3}{\mathrm{LIP}}^{\′}\\ \mathrm{TO}={\mathrm{TO}}^{\′}\\ \mathrm{TSS}=\frac{1}{n-1}{\mathrm{TSS}}^{\′}\end{array}\right.$

步骤c：由TO、LIP、TSS计算飞行员在规定时间内的脑力负荷MW： 

$\left\{\begin{array}{c}\mathrm{MW}={\mathrm{dis}}_O-{\mathrm{dis}}_{\mathrm{AO}}\\ {\mathrm{dis}}_O=\sqrt{{\left(\mathrm{LIP}\right)}^2+{\left(\mathrm{TO}\right)}^2+{\left(\mathrm{TSS}\right)}^2}\\ {\mathrm{dis}}_{\mathrm{AO}}={\mathrm{dis}}_O\×\sin \mathrm{\α}\\ \sin \mathrm{\α}=\sqrt{1-{\left[\frac{{\mathrm{dis}}_O^2+3-{(\mathrm{LIP}-1)}^2-{(\mathrm{TO}-1)}^2-{(\mathrm{TSS}-1)}^2}{2\sqrt{3}{\mathrm{dis}}_O}\right]}^2}\end{array}\right.$

式中，dis_O表示三维空间坐标系中点S(TO,LIP,TSS)到原点O的距离，dis_AO表示点A(1,1,1)到原点O的距离，α表示∠SOA的大小； 

步骤3：计算飞行员在各个任务下的任务绩效TP： 

当任务为控制某飞行变量保持在目标值，其任务绩效TP为飞行变量的实际值E(t)与理论值E^*(t)之差的平均值，计算公式： 

$\mathrm{TP}=\stackrel{\‾}{E\left(t\right)-E^{*}\left(t\right)}$

当任务为飞行指引，其任务绩效TP为实际航线偏离预定航线的程度，计算公式： 

TP＝d*sinα 

式中，d表示飞机当前位置距预定航线的最近距离，α表示预定航线距飞机最近处的点的切线与飞机当前航向线的夹角； 

当任务为航路规划，其任务绩效TP为由于航路更改造成的时间延迟t_d，计算公式： 

TP＝t_d

当任务为起飞中断，其任务绩效TP为不发生安全事故的概率P_s，计算公式： 

TP＝P_s

步骤4：依据脑力负荷MW和任务绩效TP获得自动化等级MODE： 

将MW、TP转化为一个模糊矢量，作为模糊推理模型的输入，MODE作为模糊推理模型的输出，模糊推理模型根据模糊控制规则求解关系方程，获得模糊输出，实现自动化等级的自动调整。 

有益效果 

本发明提出的一种基于脑力负荷模型和模糊逻辑的动态功能分配方法，充分利用了各组成个体的优势，最好地配置了系统资源，实现了整个系统性能的最优化。动态功能分配使飞行机组在系统中角色更加灵活，进而能够增加飞行机组的情景意识，提高工作满意度，避免技术降级，增强系统的鲁棒性，增加了飞行过程的安全性。 

附图说明

图1人机动态功能分配方法 

图2飞行员脑力负荷计算示意图 

图3动态功能调整规则 

具体实施方式

现结合实施例、附图对本发明作进一步描述： 

步骤1：在飞行员执行飞行任务时获取规定时间f内的操作序列和各操作的操作属性。 

（1）按照发生的顺序记录规定时间段内飞行员的操作序列，操作如：机头拉起操作、增加油门操作等。 

（2）各操作的属性包括信息处理类型l、时间范围d、注意力需求比例a和信息域I。各属性计算方法如下： 

a)信息处理类型l 

采用SRK（Skill-Rule-Knowledge）框架对各操作进行量化。将飞行员的操作分为三类，基于技能的（无需分析综合，条件反射式的）、基于规则的（需要较少的分析综合）和基于知识的（需要较多的分析综合）。量化方法如下： 

b）时间范围d 

记录各操作的起始时刻startT与结束时刻endT。则操作的时间范围： 

d＝endT-startT 

c）注意力需求比例a 

描述了飞行员执行某个操作的连续性，取值范围为0～1，a=1表示飞行员需要不间断地执行操作，a=0表示飞行员不必执行操作，0<a<1表示飞行员需要执行操作，但不必持续执行操作。 

d）获取操作的信息域I 

由能够代表操作内容的文字短语组成的集合。操作内容可以包含操作涉及的主要情境信息、操作的行为和操作时注意力集中的人机接口。例如，对于起飞阶段机头拉起操作，波音737-800飞机标准飞行员操作程序所做的描述为“机长监控主飞行显示上的速度值，在VR时候以2.5度到3度每秒的速度拉起驾驶杆”。该操作的信息域I={“速度”,“拉杆”，“主飞行显示器”}。其中“速度”是操作涉及的主要信息，“拉杆”是操作的行为，“主飞行显示器”是操作时注意力集中的人机接口。 

步骤2：依据脑力负荷模型计算脑力负荷MW 

获取各操作的四个属性后，计算规定时间f内的三个参数：信息处理等级LIP′、占用时间TO′和任务集切换总次数TSS′。它们的计算方式分别如下（公式中，l_i，d_i，a，_iI分别表示第i个操作的信息处理类型、时间范围、注意力需求比例和信息域，n表示操作总数）： 

（1）信息处理等级LIP′ 

为规定时间f内所有操作的信息处理类型的平均值： 

${\mathrm{LIP}}^{\&prime;}\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_i{d}_i}{f}$

（2）占据时间TO′ 

为飞行员的操作时间占规定时间f的比例。TO′的取值范围为0到1，0代表完全空闲，1代表完全忙碌。它的计算公式如下： 

${\mathrm{TO}}^{\&prime;}\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{d}_i}{f}$

（3）任务集切换次数TSS′ 

两个操作信息域中的相同元素越多，则它们之间的相关性越强，反之越弱。如果两个操作的信息域中的信息完全相同，则它们对TSS′的大小没有影响，如果两个操作的信息域中的内容完全不同，则需要对TSS′增加1。具体的计算公式如下： 

${\mathrm{TSS}}^{\&prime;}\left(O_f\right)=\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}\frac{\left|(I_i\&cap;I_{i-1})\right|}{|I_i\&cup;I_{i-1}|}$

例如，假设某一操作集合O_f＝{o₁,o₂}，I1={“主飞行显示器”}，I2={“主飞行显示器”,“向ATC通告高度”}分别为操作o₁、o₂的信息域。则 

对上述三个参数进行归一化，使落在[0,1]间： 

$\left\{\begin{array}{c}\mathrm{LIP}=\frac{1}{3}{\mathrm{LIP}}^{\&prime;}\\ \mathrm{TO}={\mathrm{TO}}^{\&prime;}\\ \mathrm{TSS}=\frac{1}{n-1}{\mathrm{TSS}}^{\&prime;}\end{array}\right.$

飞行员的脑力负荷MW按下式进行计算： 

$\left\{\begin{array}{c}\mathrm{MW}={\mathrm{dis}}_O-{\mathrm{dis}}_{\mathrm{AO}}\\ {\mathrm{dis}}_O=\sqrt{{\left(\mathrm{LIP}\right)}^2+{\left(\mathrm{TO}\right)}^2+{\left(\mathrm{TSS}\right)}^2}\\ {\mathrm{dis}}_{\mathrm{AO}}={\mathrm{dis}}_O\&times;\sin \mathrm{\&alpha;}\\ \sin \mathrm{\&alpha;}=\sqrt{1-{\left[\frac{{\mathrm{dis}}_O^2+3-{(\mathrm{LIP}-1)}^2-{(\mathrm{TO}-1)}^2-{(\mathrm{TSS}-1)}^2}{2\sqrt{3}{\mathrm{dis}}_O}\right]}^2}\end{array}\right.$

式中，dis_O表示三维空间坐标系中点S(TO,LIP,TSS)到原点O的距离，dis_AO表示点 A(1,1,1)到原点O的距离，α表示∠SOA的大小，如图2所示。 

步骤3：获取飞行员的任务绩效TP 

任务绩效是指飞行员完成任务的效果和质量，它的定义直接取决于完成的任务和飞行员的目的，但必须反映任务的目标。几种典型任务的任务绩效计算方法如表1所示。 

表1几种典型任务的任务绩效 

除此之外，对于一些任务而言，要求其在限定较短的时间内给出反应，任务绩效可以表示为完成任务的时间与给出的完成任务时间的比值。 

以控制某飞行变量保持在目标值的任务为例来说明任务绩效的一种计算方法。任务绩效表现为飞行变量的实际值E(t)与理论值E^*(t)之差的平均值。即 

$\mathrm{TP}=\stackrel{\&OverBar;}{E\left(t\right)-E^{*}\left(t\right)}$

理论值最优近似等价为飞行任务的控制模式为自动模式时该飞行变量的实际值与目标值的偏差E^A(t)。这样，上式可近似表示为 

$\mathrm{TP}=\stackrel{\&OverBar;}{E\left(t\right)-E^A\left(t\right)}$

可采用等间隔取样求平均值法计算TP，即 

$\mathrm{TP}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}[E\left(t_i\right)-E^A\left(t_i\right)]$ （N为取样总数） 

步骤4：依据MW和TP获得自动化等级MODE 

选取MW、TP作为输入，MODE作为输出，构建模糊推理模型实现自动化等级的自动调整，如图1所示。 

假设MW的论域为

TP的论域为[0,5]。将MW和TP划分为四个等级，用模糊语言值表示为：“低”、“中”、“高”、“非常高”。MODE的论域为{1,2,3}，其中1代表手动模式，2代表建议模式，3代表自动模式。将MODE划分成三个等级，用模糊语言值表示为：“低”、“中”、“高”。MW、TP和MODE三个模糊语言变量的范围，如表2所示。对于两端模糊子集，隶属度函数采用半梯形分布形式；对于其它模糊子集，隶属度函数采用三角形分布形式。 

表2模糊语言变量及模糊集 

采用4×4矩阵表示模糊规则，如图3所示。 

图中横轴是TP，其有四个模糊语言取值，分别为L，M，H，VH；纵轴是MW，同样也有四个模糊语言取值，分别为L，M，H，VH。每行和每列的交点即为输出变量MODE的模糊语言取值，有三个模糊语言取值，分别为L，M，H。例如第二行第三列表示的模糊规则为：if(MW is M)and(TP is H)then(MODE is M)。 

Claims (1)

1.一种基于脑力负荷模型和模糊逻辑的动态功能分配方法，其特征在于步骤如下：

步骤1：记录飞行员在规定时间段f内的操作序列O_f＝{o₁,o₂,o₃,o₄,o₅,...,o_i,...,o_n}，其中n为操作总数，并得到各操作的操作属性，所述的操作属性包括四方面：信息处理类型l、时间范围d、注意力需求比例a和信息域I，其中信息处理类型l的量化方法如下：

时间范围d的计算方法如下：

d＝endT-startT

式中，startT是各操作的起始时刻，endT是各操作的结束时刻；

注意力需求比例a的量化方法如下：

信息域I是由能够代表操作内容的文字短语组成的集合，操作内容包含操作涉及的主要情境信息、操作的行为和操作时注意力集中的人机接口；

步骤2：依据脑力负荷模型计算脑力负荷MW：

步骤a：依据步骤1中获取的操作序列及操作属性，计算该规定时间段内与脑力负荷MW相关的三个独立的参数，所述的参数为占用时间TO′、信息处理等级LIP′和任务集切换TSS′：

${\mathrm{TO}}^{\&prime;}\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{d}_i}{f}$

${\mathrm{LIP}}^{\&prime;}\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_i{d}_i}{f}$

${\mathrm{TSS}}^{\&prime;}\left(O_f\right)=\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}\frac{\left|(I_i\&cap;I_{i-1})\right|}{|I_i\&cup;I_{i-1}|}$

式中，l_i，d_i，a_i，I_i分别表示第i个操作的信息处理类型、时间范围、注意力需求比例和信息域；

步骤b：对TO′、LIP′和TSS′分别进行归一化，使其落在[0,1]间，得到TO、LIP、TSS：

$\left\{\begin{array}{c}\mathrm{LIP}=\frac{1}{3}{\mathrm{LIP}}^{\&prime;}\\ \mathrm{TO}={\mathrm{TO}}^{\&prime;}\\ \mathrm{TSS}=\frac{1}{n-1}{\mathrm{TSS}}^{\&prime;}\end{array}\right.$

步骤c：由TO、LIP、TSS计算飞行员在规定时间内的脑力负荷MW：

$\left\{\begin{array}{c}\mathrm{MW}={\mathrm{dis}}_O-{\mathrm{dis}}_{\mathrm{AO}}\\ {\mathrm{dis}}_O=\sqrt{{\left(\mathrm{LIP}\right)}^2+{\left(\mathrm{TO}\right)}^2+{\left(\mathrm{TSS}\right)}^2}\\ {\mathrm{dis}}_{\mathrm{AO}}={\mathrm{dis}}_O\&times;\sin \mathrm{\&alpha;}\\ \sin \mathrm{\&alpha;}=\sqrt{1-{\left[\frac{{\mathrm{dis}}_O^2+3-{(\mathrm{LIP}-1)}^2-{(\mathrm{TO}-1)}^2-{(\mathrm{TSS}-1)}^2}{2\sqrt{3}{\mathrm{dis}}_O}\right]}^2}\end{array}\right.$

式中，dis_O表示三维空间坐标系中点S(TO,LIP,TSS)到原点O的距离，dis_AO表示点A(1,1,1)到原点O的距离，α表示∠SOA的大小；

步骤3：计算飞行员在各个任务下的任务绩效TP：

当任务为控制某飞行变量保持在目标值，其任务绩效TP为飞行变量的实际值E(t)与理论值E^*(t)之差的平均值，计算公式：

$\mathrm{TP}=\stackrel{\&OverBar;}{E\left(t\right)-E^{*}\left(t\right)}$

当任务为飞行指引，其任务绩效TP为实际航线偏离预定航线的程度，计算公式：

TP＝d*sinα

式中，d表示飞机当前位置距预定航线的最近距离，α表示预定航线距飞机最近处的点的切线与飞机当前航向线的夹角；

当任务为航路规划，其任务绩效TP为由于航路更改造成的时间延迟t_d，计算公式：

TP＝t_d

当任务为起飞中断，其任务绩效TP为不发生安全事故的概率P_s，计算公式：

TP＝P_s

步骤4：依据脑力负荷MW和任务绩效TP获得自动化等级MODE：

将MW、TP转化为一个模糊矢量，作为模糊推理模型的输入，MODE作为模糊推理模型的输出，模糊推理模型根据模糊控制规则求解关系方程，获得模糊输出，实现自动化等级的自动调整。

Images