CN104915116A - 一种人误概率计算方法和装置 - Google Patents

Abstract

本发明公开了一种人误概率计算方法和装置，方法包括，确定察觉失误概率p_det；确定认知失误概率p_cog；确定操作失误概率p_ope；计算人误概率p＝p_det+p_cog+p_ope。本发明通过将人误概率分为察觉失误概率，认知失误概率和操作失误概率，然后分别对察觉失误概率，认知失误概率和操作失误概率进行计算，并将这三者之和作为操纵员的人误概率，从而实现定量分析操纵员事故后的人误概率的目的。

Description

一种人误概率计算方法和装置

技术领域

本发明涉及信息学科与人因工程学科领域，特别地，涉及一种人误概率计算方法和装置。

背景技术

数字化控制系统(Digital control system，简称DCS)目前已经广泛应用于核电、航空、石油化工等领域，人机交互的重要性也已日益受到普遍的关注。有效的人机交互能促进系统的可靠性和安全性，计算机化的规程系统、先进的报警系统与图形化的信息显示系统等新的人-系统界面提高了操纵员的绩效。

DCS包括大屏幕系统总貌显示和基于计算机终端显示(Video display unit，简称VDU)。VDU通过屏幕滚动，窗口重叠，层级显示等方式可以显示大量的信息。VDU的信息呈现方式可能过快和过多，在紧急情况下，使得人眼和大脑对信息处理的负荷过重。特别是在概率安全评价-人因可靠性分析事故后状态下，大量的信息显示、繁重的界面管理工作以及操纵员需要同时执行多个程序等都会增加操纵员的工作负荷，面对过重的负荷，必然会造成一定的人误操作。

目前，基于DCS的主控室操纵员人误技术分析缺乏定量分析，无法定量且有效地评估控制室操纵员事故后的人误概率。

发明内容

本发明提供了一种人误概率计算方法和装置，以解决无法定量且有效地评估控制室操纵员事故后的人误概率的技术问题。

本发明采用的技术方案如下：

一种人误概率计算方法，包括：

确定察觉失误概率p_det；

确定认知失误概率p_cog；

确定操作失误概率p_ope；

计算人误概率p＝p_det+p_cog+p_ope。

进一步地，确定认知失误概率p_cog包括：

确定诊断行为失误概率p_diag；

确定决策行为失误概率p_dec；

根据p_cog＝p_diag+p_dec计算p_cog。

进一步地，诊断行为失误概率 $p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2,$

其中，k₁＞0,k₂＞0，

n为监视节点的个数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

进一步地，决策行为失误概率 $p_{dec}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]b_1{b}_2,$

其中，b₁＞0,b₂＞0，

n为监视节点的个数；

b₁为心理压力修正因子；

b₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

进一步地，当在正常工作情况下发生事故时，察觉失误概率p_det＝10^-5；

当在事故处理过程中发生事故时，察觉失误概率p_det＝0。

根据本发明的另一方面，还提供了一种人误概率计算装置，包括：

察觉失误概率计算模块，用于计算察觉失误概率p_det；

认知失误概率计算模块，用于计算认知失误概率p_cog；

操作失误概率计算模块，用于计算操作失误概率p_ope；

人误概率计算模块，用于计算人误概率p＝p_det+p_cog+p_ope。

进一步地，认知失误概率计算模块，包括：

第一认知失误概率计算子模块，用于计算诊断行为失误概率p_diag；

第二认知失误概率计算子模块，用于计算决策行为失误概率p_dec；

第三认知失误概率计算子模块，用于根据p_cog＝p_diag+p_dec计算p_cog。

进一步地，第一认知失误概率计算子模块，具体用于计算p_diag，

$p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2,$

其中，k₁＞0,k₂＞0，

n为监视节点数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个监视节点的基本失误率。

进一步地，第二认知失误概率计算子模块，具体用于计算p_dec，

决策行为失误概率 $p_{dec}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]b_1{b}_2,$

其中，b₁＞0,b₂＞0，

n为监视节点的个数；

b₁为心理压力修正因子；

b₂为可用时间修正因子；

p_mon,i为第i个监视节点的基本失误率。

进一步地，察觉失误概率计算模块具体用于：

当在正常工作情况下发生事故时，察觉失误概率p_det＝10^-5；

当在事故处理过程中发生事故时，察觉失误概率p_det＝0。

本发明具有以下有益效果：

将操纵员事故后的人误概率分为察觉失误概率p_det，认知失误概率p_cog，操作失误概率p_ope，然后分别进行计算，并将这三个计算结果之和作为操纵员事故后的人误概率，从而达到可定量分析操纵员事故后的人误概率的目的。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，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是本发明的优选实施例的人误概率计算方法流程图一；

图2是本发明的优选实施例的人误概率计算方法流程图二；

图3是本发明的优选实施例的人误概率计算方法流程图三；

图4是本发明的优选实施例的人误概率计算装置结构图一；

图5是本发明的优选实施例的人误概率计算装置结构图二；

图6是本发明的优选实施例的人误概率计算装置结构图三。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

以下实施例中的人误概率计算方法主要针对应用数字化控制系统的各领域，如核电、航空、石油化工等领域。

实施例一

参照图1，本发明的优选实施例提供了一种人误概率计算方法，包括：

步骤101，确定察觉失误概率p_det。

事故发生后，主控室操纵员可能存在未能成功察觉到事故的情况，若察觉失败，则会可能导致不能及时对事故进行认知，从而导致操作的失败，所以察觉失误概率即为未能成功察觉到事故的概率。

进一步的，当在正常工作情况下发生事故时，察觉失误概率p_det＝10^-5；

当在事故处理过程中发生事故时，察觉失误概率p_det＝0。

具体的，对于事故的察觉失误概率的计算，分如下两种情况：

(1)在正常工作情况下发生事故

正常工作情况下，操纵员未能在询盘中发现事故，或未能察觉到相关的报警信号，则会导致操纵员未能成功进入磁盘操作系统(Disk Operating System，简称DOS)，丧失对事故的诊断，因此对于操纵员未能察觉报警等信号而未能进入DOS的概率，可根据《THERP手册》，取截断值P_det＝10^-5。

(2)在事故处理过程中发生事故

对于某些突发的事故，事故开始时操纵员已经处于另一事故的处理过程中，当有新的报警信号时，即使操纵员未能察觉该报警，也会在短时间内根据规程指引进入认知部分，因此不存在未能察觉到该事故的可能，对于这一类事故，取P_det＝0。

在计算察觉失误概率时，根据事故发生的时间，将事故分为在正常工作情况下发生事故和在事故处理过程中发生事故这两种不同情况，通过分别取值来对察觉失误概率进行定量分析。

步骤102，确定认知失误概率p_cog。

认知失误概率，即当操纵员察觉到发生事故后，操纵员对事故的误解概率。

步骤103，确定操作失误概率p_ope。

操作失误概率，即当操纵员正确认知事故后，操纵员对事故进行错误操作的概率，如遗漏操作步骤、选择错误屏幕、选择错误控件等。

步骤104，计算人误概率p＝p_det+p_cog+p_ope。

本实施例通过将操纵员的人误概率分为察觉失误概率，认知失误概率和操作失误概率，然后分别对察觉失误概率，认知失误概率和操作失误概率进行计算，将这三者之和作为操纵员的人误概率，从而实现定量分析操纵员事故后的人误概率的目的。

实施例二

参照图2，实施例二是在实施例一的基础上进行的补充说明，其中，步骤102包括：

步骤1021，确定诊断行为失误概率p_diag。

诊断行为由监视与状态评估成对循环构成。当DCS的状态发生变化时，操纵员需要通过监视系统参数的变化来确定DCS当前所处的状态水平。假设在t时刻，系统提供了N个参数来表征DCS的状态，操纵员依据电子规程按先后顺序来监视这些参数，操纵员每观察一个参数，都会根据参数的意义来更新自己的状态模型。如：操纵员在t1时刻观察参数1，通过其心智模型对参数意义进行解释，获得状态模型1，状态模型1在t2时刻驱动操纵员转移至参数2，同样的过程，获得状态模型2，状态模型2驱动操纵员在t3时刻转移至参数3、获得状态模型3，……，在ti时刻观察参数i，获得状态模型i，随着监视参数、更新状态模型的过程的进行，操纵员对DCS状态的认识逐步逼近操纵员认为的DCS的真实状态，最终在tn时刻，作出了对DCS状态的最终判断。诊断行为失误概率即为对DCS状态的最终判断错误的概率。

步骤1022，确定决策行为失误概率p_dec。

基于步骤1021对操纵员诊断过程的分析，可知监视与状态评估并非独立，而是交叉进行的一个序列过程，该序列的终点是操纵员确认的DCS状态。决策是依据最终的“状态评估”作出的，决策行为失误概率即依据最终的“状态评估”做出错误的决策的概率。

步骤1023，根据p_cog＝p_diag+p_dec计算所述p_cog。

本实施例将操纵员的认知阶段分为诊断和决策，并通过分别计算诊断行为失误概率和决策行为失误概率来获得认知失误概率，从而定量分析操纵员事故后的认知失误概率。

实施例三

本实施例是在上述实施例的基础上进行的补充说明。

参照图3，在确定察觉失误概率p_det之后，确定诊断行为失误概率p_diag之前，还包括步骤105，筛选监视节点，筛选方法为：

排除系统能够自动处理的监视节点；

对于设置有报警信号辅助的监视节点，如果监视节点失效，则排除监视节点；

排除不构成显著影响的监视节点；

选取的监视节点能够为诊断出当前事故提供必要且充分的信息，即指选取的监视节点对诊断出事故能够提供不多余也不可或缺的信息，且可通过信息排除比当前事故更为严重的事故，比当前事故更为严重的事故即比当前事故状态功能降级程度更高的事故。

由于事故后操纵员需要执行的监视内容非常多，并非所有节点都需要在人因可靠性分析(Human reliability analysis，简称HRA)定量计算中考虑，筛选出的监视节点的数量将显著影响HRA中诊断行为失误概率的计算结果，因此通过上述筛选方法对监视节点进行筛选之后，计算得出的诊断行为失误概率的可靠性更高，从而更有利于定量分析诊断行为失误概率。

进一步的，诊断行为失误概率 $p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2,$

其中，k₁＞0,k₂＞0，k₁,k₂可参考《THERP手册》进行取值，

n为监视节点的个数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

具体的，随机过程在时刻t₀所处的状态为已知的条件下，随机过程在时刻t＞t₀所处的状态的条件分布与过程在t₀时刻之前的状态无关的特性称为马尔科夫性或无后效性。具有马尔科夫性的随机过程称为马尔科夫过程。用分布函数表述马尔科夫过程，有：

设I为随机过程{X(t),t∈T}的状态空间，如果对时间t的任意数值t_n，X(t_n)在条件X(t_i)＝x_i下的条件分布函数为

P{X(t_n)￡x_n|X(t₁)＝x₁,X(t₂)＝x₂,…,X(t_n-1)＝x_n-1}＝P{X(t_n)￡x_n|X(t_n-1)＝x_n-1},x_n∈R

这时称过程{X(t),t∈T}具有马尔科夫性或无后效性，并称此过程为马尔科夫过程。

操纵员巡盘或在异常状况下对DCS设备参数的监视，往往遵循以下过程：操纵员每观察一个参数，都会根据参数的意义来更新自己的状态模型，如：操纵员在t1时刻观察参数1，通过其心智模型对参数意义进行解释，获得状态模型1，状态模型1在t2时刻驱动操纵员转移至参数2，同样的过程，获得状态模型2，状态模型2驱动操纵员在t3时刻转移至参数3、获得状态模型3，……，在ti时刻观察参数i，获得状态模型i，随着观察参数、更新状态模型的过程的进行，操纵员对系统状态的认识逐步逼近操纵员认为的系统的真实状态，最终在tn时刻，作出了对系统状态的最终判断。由以上可知，在任意时刻ti操纵员会观察到具体哪个参数，主要取决于t(i-1)时刻观察到的参数(i-1)的意义，因此操纵员的“监视+状态评估”过程符合马尔科夫性，为马尔科夫过程。

监视的转移为时间和状态都是离散的随机序列{X_t＝X(t),t＝0,1,2,…}，假设当前时刻内所有需要操纵员观察的参数共有n个，则该随机序列的参数集I＝{a₁,a₂,a₃…a_n}，即I为该马尔科夫过程的状态空间，操纵员在t时刻由参数a_i转移至任一参数a_j是服从一定的概率分布的，该分布由操纵员的心智模型和状态模型共同决定，由此构建描述监视转移概率分布的转移矩阵：

$p\left(1\right)=\left[\begin{array}{ccccccc}{p}_{11}& ...& p_{1i}& ...& p_{1j}& ...& p_{1n}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ p_{i1}& ...& p_{ii}& ...& p_{ij}& ...& p_{in}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ p_{j1}& ...& p_{ji}& ...& p_{jj}& ...& p_{jn}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ p_{n1}& ...& p_{ni}& ...& p_{nj}& ...& p_{nn}\end{array}\right]$

p_ij表示状态模型和心智模型驱动下操纵员由参数a_i转移至参数a_j的概率。

其中，n＞1，n∈Z，1≤i≤n，1≤j≤n，

I,j∈Z，i≠j，

$0\≤p_{ij}\≤1,\underset{j}{\Σ}{p}_{ij}=1.$

对于任一状态X_t，其转移至X_t+1的概率均可如下表达：

p_ij＝P(X_t+1＝a_j|X_t＝a_i}      (1)

如果需要参数a_i成功转移至参数a_j，前提是对参数a_i的监视也需要成功。因此如果操纵员执行监视转移成功，则需要对参数a_i监视成功且在心智模型、状态模型联合驱动下转移至参数a_j二者同时成立，即有：

p_diag'＝p_mon'×p_SA'＝p_mon'×p_ij     (2)

p_diag'：对参数a_i监视成功且在心智模型、状态模型联合驱动下转移至参数a_j二者同时成立的概率；

p_mon'：对参数a_i监视成功的概率；

p_SA'：心智模型与状态模型驱动下由参数a_i转移至a_j的概率。

对于数据驱动，如果需要参数a_i成功转移至参数a_j，需要满足两点：对参数a_i监视成功；参数a_i的数值与规程中已经设定好的值的匹配正确。这样的基于规程的匹配行为，其失误概率小至可忽略，即p_ij无限接近于1，因此在HRA中可将公式(2)近似简化：

p_diag'＝p_mon'×p_ij≈p_mon'      (3)

假设所有过程的名义监视失误概率均相同，为p_mon”，则有

p_mon”＝1-p_mon'      (4)

对于规则型失误，监视过程中监视对象的显著性成为影响监视可靠性的重要因素，而不同的目标显著性可能是不一致的，因此，HRA中对每个监视节点的监视可靠性均考虑目标显著性对其的影响，设第i个监视节点的影响因子为k'_i，则第i个监视节点的基本失误率为：

p_mon,i＝p_mon”×k'_i，k'_i＞0      (5)

对于诊断阶段，心理压力(k₁)和可用时间(k₂)都会在整体上显著影响其可靠性，考虑这两个因素，如果一个事故的诊断过程中存在n个监视节点，则其诊断失误概率为：

$p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2---\left(6\right)$

其中，k₁＞0,k₂＞0，k₁,k₂可参考《THERP手册》进行取值，

n为监视节点的个数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个监视节点的基本失误率。

决策阶段的监视行为亦为数据型驱动，计算方法与诊断阶段相同，同于诊断阶段的分析过程，可得操纵员决策失误概率计算公式：

$p_{dec}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]b_1{b}_2---\left(7\right)$

其中，b₁＞0,b₂＞0，b₁,b₂可参考《THERP手册》进行取值，

n为监视节点的个数；

b₁为心理压力修正因子；

b₂为可用时间修正因子；

p_mon,i为第i个所述监视节点的基本失误率。

进一步的，操作失误概率p_ope＝p_oper×c₁×c₂…×c_i，其中，

p_oper为操纵员基本失误率，c_i为影响操纵员操作绩效的行为影响因子。

具体的，DCS中，操纵员的操作过程可以分为四个阶段：操作选择→屏幕选择→控件选择→控件操作，各阶段定义如下：

操作选择：操纵员选择当前操作的规程步骤，操作选择失败意味着遗漏规程步骤，即遗漏该操作步骤；

屏幕选择：操纵员选择当前操作的屏幕，由于DCS下，操纵员需要在不同画面间切换，而不同的画面布置结构较为相似，因此存在选择错误屏幕的可能；

控件选择：操纵员在画面中选择当前需要操作的控件，DCS画面中同类型的控件外形相似且部分控件按列布置，存在选择错误控件的可能；

控件操作：操纵员完成对控件的操作，如开/关、调大/小等，由于疏忽等原因，存在未能成功完成操作的可能。

根据序列中操作行为的不同特征，建立反映DCS人员行为特征的操纵员事件树进行表征。具体分析过程包括：

建立操纵员动作树分解操纵员操作动作；

确定操纵员动作树名义人误概率；

确定行为形成因子(performance shaping factor，简称PSF)因子；

采用PSF因子c_i对操纵员动作树名义人误概率值进行修正，修正采用公式。

P_ope＝P_b,ope×c₁×c₂…×c_i      (9)

P_b,ope为操作员基本失误概率，c_i为影响操纵员操作绩效的行为影响因子。此部分属于现有技术，具体可参见现有技术中的介绍，在此不再赘述。

实施例四

参照图4，本发明的优选实施例提供了一种人误概率计算装置，包括：察觉失误概率计算模块201，认知失误概率计算模块202，操作失误概率计算模块203，人误概率计算模块204。

其中，察觉失误概率计算模块201，用于计算察觉失误概率p_det；认知失误概率计算模块202，用于计算认知失误概率p_cog；操作失误概率计算模块203，用于计算操作失误概率p_ope；人误概率计算模块204，用于计算人误概率p＝p_det+p_cog+p_ope。

本实施例是与方法实施例一对应的装置实施例，具体可参见实施例一中的记载，在此不再赘述。

通过察觉失误概率计算模块201，认知失误概率计算模块202，操作失误概率计算模块203，分别对察觉失误概率，认知失误概率和操作失误概率进行计算，将这三者之和作为操纵员的人误概率，从而实现定量分析操纵员事故后的人误概率。

进一步的，察觉失误概率计算模块具体用于：

当在正常工作情况下发生事故时，所述察觉失误概率p_det＝10^-5；

当在事故处理过程中发生事故时，所述察觉失误概率p_det＝0。

实施例五

本实施例是在实施例四的基础上进行的补充说明。参照图5，认知失误概率计算模块202包括第一认知失误概率计算子模块2021，第二认知失误概率计算子模块2022和第三认知失误概率计算子模块2023。

其中，第一认知失误概率计算子模块2021，用于计算诊断行为失误概率p_diag；第二认知失误概率计算子模块2022，用于计算决策行为失误概率p_dec；第三认知失误概率计算子模块2023，用于根据p_cog＝p_diag+p_dec计算所述p_cog。

本实施例是与方法实施例二对应的装置实施例，具体可参见实施例二中的记载，在此不再赘述。

将认知失误概率计算模块202分为第一认知失误概率计算子模块2021，第二认知失误概率计算子模块2022和第三认知失误概率计算子模块2023，并通过分别计算诊断行为失误概率和决策行为失误概率来获得认知失误概率，从而定量分析操纵员事故后的认知失误概率。

实施例六

本实施例是在上述实施例的基础上进行的补充说明。

参照图6，人误概率计算装置还包括监视节点筛选模块205。监视节点筛选模块205用于筛选监视节点，具体用于：

排除系统能够自动处理的所述监视节点；

对于设置有报警信号辅助的所述监视节点，如果所述监视节点失效，则排除所述监视节点；

排除不构成显著影响的所述监视节点；

选取的监视节点能够为诊断出当前事故提供必要且充分的信息，即指选取的监视节点对诊断出事故能够提供不多余也不可或缺的信息，且可通过信息排除比当前事故更为严重的事故，比当前事故更为严重的事故即比当前事故状态功能降级程度更高的事故。

进一步的，第一认知失误概率计算子模块2021具体用于计算p_diag，

$p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2,$

其中，k₁＞0,k₂＞0，k₁,k₂可参考《THERP手册》进行取值，

n为监视节点数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

进一步的，第二认知失误概率计算子模块2022具体用于计算p_dec，

$p_{dec}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]b_1{b}_2,$

其中，b₁＞0,b₂＞0，b₁,b₂可参考《THERP手册》进行取值，

n为监视节点的个数；

b₁为心理压力修正因子；

b₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

本实施例是与方法实施例三对应的装置实施例，具体可参见实施例三中的记载，在此不再赘述。

以上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)

1.一种人误概率计算方法，其特征在于，包括：

确定察觉失误概率p_det；

确定认知失误概率p_cog；

确定操作失误概率p_ope；

计算人误概率p＝p_det+p_cog+p_ope。

2.根据权利要求1所述的人误概率计算方法，其特征在于，所述确定认知失误概率p_cog包括：

确定诊断行为失误概率p_diag；

确定决策行为失误概率p_dec；

根据p_cog＝p_diag+p_dec计算所述p_cog。

3.根据权利要求2所述的人误概率计算方法，其特征在于，

所述诊断行为失误概率 $p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2,$

其中，k₁＞0,k₂＞0，

n为监视节点的个数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个所述监视节点的基本失误率。

4.根据权利要求2所述的人误概率计算方法，其特征在于，

所述决策行为失误概率 $p_{dec}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]b_1{b}_2,$

其中，b₁＞0,b₂＞0，

n为监视节点的个数；

b₁为心理压力修正因子；

b₂为可用时间修正因子；

p_mon,i为第i个所述监视节点的基本失误率。

5.根据权利要求1-4任一所述的人误概率计算方法，其特征在于，

当在正常工作情况下发生事故时，所述察觉失误概率p_det＝10^-5；

当在事故处理过程中发生事故时，所述察觉失误概率p_det＝0。

6.一种人误概率计算装置，其特征在于，包括：

察觉失误概率计算模块，用于计算察觉失误概率p_det；

认知失误概率计算模块，用于计算认知失误概率p_cog；

操作失误概率计算模块，用于计算操作失误概率p_ope；

人误概率计算模块，用于计算人误概率p＝p_det+p_cog+p_ope。

7.根据权利要求6所述的人误概率计算装置，其特征在于，所述认知失误概率计算模块，包括：

第一认知失误概率计算子模块，用于计算诊断行为失误概率p_diag；

第二认知失误概率计算子模块，用于计算决策行为失误概率p_dec；

第三认知失误概率计算子模块，用于根据p_cog＝p_diag+p_dec计算所述p_cog。

8.根据权利要求7所述的人误概率计算装置，其特征在于，所述第一认知失误概率计算子模块，具体用于计算p_diag，

$p_{diag}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]k_1{k}_2,$

其中，k₁＞0,k₂＞0，

n为监视节点数；

k₁为心理压力修正因子；

k₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

9.根据权利要求7所述的人误概率计算装置，其特征在于，所述第二认知失误概率计算子模块，具体用于计算p_dec，

所述决策行为失误概率 $p_{dec}=\[1-\underset{i=1}{\overset{n}{\Π}}(1-p_{mon,i})\]b_1{b}_2,$

其中，b₁＞0,b₂＞0，

n为监视节点的个数；

b₁为心理压力修正因子；

b₂为可用时间修正因子；

p_mon,i为第i个监视点的基本失误率。

10.根据权利要求6-9任一所述的人误概率计算装置，其特征在于，所述察觉失误概率计算模块具体用于：

当在正常工作情况下发生事故时，所述察觉失误概率p_det＝10^-5；

当在事故处理过程中发生事故时，所述察觉失误概率p_det＝0。