CN109034636A - 功率持续快速变化下操纵员人因可靠性分析方法与装置 - Google Patents

Abstract

功率持续快速变化下操纵员人因可靠性分析方法和装置，涉及人因工程技术领域，其中，功率持续快速变化下操纵员人因可靠性分析方法包括：一、分析功率持续快速变化下操纵员的认知行为演化历程；二、获取各PSF因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；三、以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；四、结合前述步骤得到的分析和计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。该分析方法更符合功率持续快速变化下核电厂操纵员人因可靠性定量分析要求，可为核电厂顺利参与调峰提供技术保障。

Description

功率持续快速变化下操纵员人因可靠性分析方法与装置

技术领域

本发明涉及人因工程技术领域，特别涉及一种功率持续快速变化下操纵员人因可靠性分析方法与装置。

背景技术

在我国，核电是特许运营，目前的三大核电集团（中核集团、中广核集团、国家电投集团）的能源构成均是以核电为主，出于运行安全的需要，加之发电量在我国能源结构中所占比例很小，国家采取保护政策允许其不参与电网调峰。但随着电网负荷谷峰差的日渐加大以及发电市场竞争规则的完备，核电参与电网调峰势在必行。

功率持续快速变化是核电厂参与电网调峰运行的一个显著特征，在该过程中为了维持电厂系统的稳定运行，核电厂操纵员需要执行一系列持续快速变化的操控任务（这一类操控任务具有时间紧迫、失误率高、后果严重等特点）来实现对多目标、多参数的监控，相较于常规运行工况，频繁升降功率过程中操纵员的认知负荷、心理负荷以及体力负荷均发生了较大改变，加大了人因失误风险。

针对操控任务持续快速变化这一情境特点，现有的人因可靠性分析(HumanReliability Analysis, HRA)方法均无法对其进行全面系统的人因可靠性分析，这主要是由于：1、操控任务持续快速变化给操纵员带来了更大的认知负荷、心理负荷以及体力负荷，在已有 HRA方法的PSFs 中与这些因素相关联的因子有许多，但是没有某些明确的PSF（行为形成因子）或者一个避免了重复性与交叉性的结构化PSF集合来表征操控任务持续快速变化这一特点。2、由于任务场景的动态性、任务之间的关联性、以及人的认知的模糊性，导致人员行为具有更大的随机性和复杂性，而现有方法中对人员行为建模的处理手段都较为单一。因此，现行人因可靠性分析方法已不适用，如何解决功率持续快速变化下核电厂操纵员的人因可靠性问题已成为亟待解决的重要课题。

发明内容

本发明的目的之一是提供一种新的人因可靠性分析方法来解决功率持续快速变化下操纵员人因可靠性分析问题，以满足核电厂参与电网调峰背景下的人因可靠性分析的需求。

为了实现上述目的，本发明采用如下技术方案：一种功率持续快速变化下操纵员人因可靠性分析方法，包括：

步骤一、建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型，分析功率持续快速变化下操纵员的认知行为演化历程；

步骤二、建路基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型，获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；

步骤三、将所述布尔网络模型和所述操纵员作业行为失误因果模型嵌套在系统动力学的框架内构建操纵员作业行为可靠性定量计算模型，以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；

步骤四、结合步骤一得到的分析结果、步骤二与步骤三的计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。

进一步地，上述方法还包括：步骤五、构建所述操纵员作业行为可靠性定量计算模型建立过程中的误差传递函数并寻求最优误差估计，对所述操纵员作业行为可靠性定量计算模型建立过程中的不确定性定量。

在前述功率持续快速变化下操纵员人因可靠性分析方法中，建立所述一般性的用于揭示操纵员认知行为演化机制的布尔网络模型的步骤包括：

确定操控任务持续快速变化背景下操纵员的认知行为特征：识别在核电厂瞬态工况以及在连读高强度工作负荷及任务持续快速多变背景下操纵员的认知行为特征，确定出包括认知历程、认知要素和认知类型在内的操纵员认知行为特征；

确定影响操纵员认知行为失误的 PSF 集：在已确定的操控任务持续快速变化背景下操纵员认知行为特征中析取与操纵员认知行为失误相关的PSF；再基于操纵员作业过程中的人机交互过程，从“监测—诊断—决策—执行”四个认知阶段对所析取的 PSF 构建层次结构模型，建立结构化的PSF分类体系；

确定操纵员认知行为演化机制：首先，设计操控任务持续快速变化工况下的核电厂模拟机实验，结合专家意见和动态逻辑分析法对实验过程进行离散化处理，以操纵员认知行为状态转移的时间节点作为实验观测点，在所述实验观测点上记录当前操纵员认知行为的状态转移数据并以向量形式存储；其次，根据每次实验所采集的状态转移数据，利用矩阵的半张量积推导出其对应的状态转移矩阵，进而确定布尔网络模型中各逻辑函数所对应的结构矩阵；然后，对各个实验场景下所获得的布尔网络模型进行除噪处理以剔除不同实验场景下操纵员认知行为可能存在的特殊性，总结其数学结构上的共性，进而确定操纵员认知行为演化机制；

建模：将所述操控任务持续快速变化背景下操纵员的认知行为特征、影响操纵员认知行为失误的 PSF 集与操纵员认知行为演化机制结合，建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型。

进一步地，在前述功率持续快速变化下操纵员人因可靠性分析方法中，建立所述基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型的步骤包括：

构建失误因果模型中的PSF集：从认知负荷、心理负荷、体力负荷、情境环境四个维度构建影响操纵员作业行为的PSF集；

确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关系：在确定影响操纵员作业行为失误的PSF集之后，对PSF集中的因子进行因子分析和相关性分析，识别影响因子之间以及影响因子与作业行为失误之间的因果关系，并对影响因子进行敏感性分析，选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量；

建模：首先，获得根节点变量的先验概率；其次，评估父节点对子节点变量的影响以确定相应权值，并通过统计分析获得子节点变量的条件概率分布；最后基于贝叶斯网络模型建立数据驱动的操纵员作业行为失误因果模型。

优选地，在上述建立所述一般性的用于揭示操纵员认知行为演化机制的布尔网络模型的步骤中：

确定操控任务持续快速变化背景下操纵员的认知行为特征时，通过文献调研、操纵员访谈、现场观察以及模拟实验的手段识别在核电厂瞬态工况下操纵员的认知行为特征；利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行分析，识别操纵员在连读高强度工作负荷及任务持续快速多变工况下的认知行为特征；

确定影响操纵员认知行为失误的 PSF 集时，通过大数据挖掘、相关性分析、主成分分析和因子分析手段对各类与操纵员认知行为失误相关的人因事件报告及研究报告进行分析，根据分析结果在已确定的操控任务持续快速变化背景下操纵员认知行为特征中析取与操纵员认知行为失误相关的PSF。

优选地，在上述建立所述基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型的步骤中：

构建失误因果模型中的PSF集时，在利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行充分挖掘的基础上，辅以人因工程实验室的模拟实验、仿真实验，采用事件相关电位和脑电测试手段从认知负荷、心理负荷、体力负荷、情境环境四个维度构建影响操纵员作业行为的PSF集；

确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关时，使用SPSS 统计分析软件对影响因子进行敏感性分析，再在专家判断的基础上选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量；

建模时，通过对各类与操纵员认知行为失误相关的人因事件报告数据的统计分析，获得根节点变量的先验概率；结合人因工程实验室仿真实验和核电厂模拟机实验，利用模糊认知图评估父节点对子节点变量的影响以确定相应权值。

本发明的目的之二是提供一种功率持续快速变化下操纵员人因可靠性分析装置，其包括：

分析模块，所述分析模块中嵌入一般性地用于揭示操纵员认知行为演化机制的布尔网络模型，用于分析功率持续快速变化下操纵员的认知行为演化历程；

第一计算模块，所述第一计算模块中嵌入基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型，用于获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；

第二计算模块，所述第二计算模块中嵌入由一般性地用于揭示操纵员认知行为演化机制的布尔网络模型和基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型嵌套在系统动力学框架内构建的操纵员作业行为可靠性定量计算模型，用于以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；

第三计算模块，用于结合分析模块得到的分析结果、第一计算模块与第二计算模块的计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。

进一步地，在功率持续快速变化下操纵员人因可靠性分析装置中还包括：

第四计算模块，所述第四计算模块中嵌入所述操纵员作业行为可靠性定量计算模型建立过程中的误差传递函数，用于寻求所述误差传递函数最优误差估计，对所述操纵员作业行为可靠性定量计算模型建立过程中的不确定性定量计算。

其中，所述一般性的用于揭示操纵员认知行为演化机制的布尔网络模型通过以下步骤构建：

确定操控任务持续快速变化背景下操纵员的认知行为特征：首先，通过文献调研、操纵员访谈、现场观察以及模拟实验的手段识别在核电厂瞬态工况下操纵员的认知行为特征；其次，利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行分析，识别操纵员在该工况下的认知行为特征；最后，整合在核电厂瞬态工况下操纵员的认知行为特征与在连读高强度工作负荷及任务持续快速多变工况下的认知行为特征，确定出包括认知历程、认知要素和认知类型在内的操纵员认知行为特征；

确定影响操纵员认知行为失误的 PSF 集：通过大数据挖掘、相关性分析、主成分分析和因子分析手段对各类与操纵员认知行为失误相关的人因事件报告及研究报告进行分析，在已确定的操控任务持续快速变化背景下操纵员认知行为特征中析取与操纵员认知行为失误相关的PSF；最后，基于操纵员作业过程中的人机交互过程，从监测—诊断—决策—执行四个认知阶段对所析取的 PSF 构建层次结构模型，建立结构化的PSF分类体系；

确定操纵员认知行为演化机制：首先，设计操控任务持续快速变化工况下的核电厂模拟机实验，结合专家意见和动态逻辑分析法对实验过程进行离散化处理，以操纵员认知行为状态转移的时间节点作为实验观测点，在所述实验观测点上记录当前操纵员认知行为的状态转移数据并以向量形式存储；其次，根据每次实验所采集的状态转移数据，利用矩阵的半张量积推导出其对应的状态转移矩阵，进而确定布尔网络模型中各逻辑函数所对应的结构矩阵；然后，对各个实验场景下所获得的布尔网络模型进行除噪处理以剔除不同实验场景下操纵员认知行为可能存在的特殊性，总结其数学结构上的共性，进而确定操纵员认知行为演化机制；

建模：将所述操控任务持续快速变化背景下操纵员的认知行为特征、影响操纵员认知行为失误的 PSF 集与操纵员认知行为演化机制结合，建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型。

其中，所述基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型通过以下步骤构建：

构建失误因果模型中的PSF集：在利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行充分挖掘的基础上，辅以人因工程实验室的模拟实验、仿真实验，采用事件相关电位和脑电测试手段从认知负荷、心理负荷、体力负荷、情境环境四个维度构建影响操纵员作业行为的PSF集；

确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关：在确定影响操纵员作业行为失误的PSF集之后，对PSF集中的因子进行因子分析和相关性分析，识别影响因子之间以及影响因子与作业行为失误之间的因果关系，并对影响因子进行敏感性分析，在专家判断的基础上选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量；

建模：首先，通过对各类与操纵员认知行为失误相关的人因事件报告数据的统计分析，获得根节点变量的先验概率；其次，结合人因工程实验室仿真实验和核电厂模拟机实验，利用模糊认知图评估父节点对子节点变量的影响以确定相应权值，并通过统计分析获得子节点变量的条件概率分布；最后基于贝叶斯网络模型建立数据驱动的操纵员作业行为失误因果模型。

本发明创造性地将基于矩阵的半张量积和布尔网络模型构建的一般性地用于揭示操纵员认知行为演化机制的布尔网络模型与基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型嵌套入基于系统动力学的框架中，基于矩阵的半张量积(Semi-Tensor Product, STP)和布尔网络 (Boolean Network, BN)分析操纵员认知行为演化规律，利用贝叶斯网络 (Bayesian Belief Network, BBN)和模糊认知图(FuzzyCognitive Maps, FCM)建立的数据驱动的操纵员作业行为失误因果模型获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率，而基于系统动力学 (System Dynamic, SD)框架建立综合集成“SD+BBN+BN”的操纵员HRA定量分析模型以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率，再结合前述分析和计算结果获得最终的人因可靠性定量计算值。总的来看，本发明通过确定操控任务持续快速变化背景下操纵员的认知行为特征及失误机理，分析操纵员认知行为演化机制和作业行为失误因果关系，全面地考虑了在连续高强度工作负荷下操纵员对系统动态响应过程中的认知行为变化，更符合在功率持续快速变化下核电厂操纵员人因可靠性定量分析的要求，从而可以为核电厂顺利参与调峰提供技术保障。

附图说明

图1为人机交互回路示意图。

图2为操纵员认知行为演化机制布尔网络模型图。

图3为操纵员作业行为失误因果模型框架图。

图4为误差传递函数的一般化模型图。

具体实施方式

下面结合实施例和附图来对本发明作更进一步的说明，实施例中提供的方案并非对本发明保护范围的限定。

针对核电厂参与电网调峰运行时功率持续快速变化这一特定的情境，下述实施例提供了一种功率持续快速变化下操纵员人因可靠性分析方法，包括：

步骤一、建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型，分析功率持续快速变化下操纵员的认知行为演化历程；

步骤二、建路基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型，获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；

步骤三、将所述布尔网络模型和所述操纵员作业行为失误因果模型嵌套在系统动力学的框架内构建操纵员作业行为可靠性定量计算模型，以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；

步骤四、结合步骤一得到的分析结果、步骤二与步骤三的计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。

上述实施例创造性地将基于矩阵的半张量积和布尔网络模型构建的一般性地用于揭示操纵员认知行为演化机制的布尔网络模型于基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型嵌套入基于系统动力学的框架中，构建出功率持续快速变化条件下操纵员作业行为可靠性定量计算模型，基于矩阵的半张量积和布尔网络分析操纵员认知行为演化规律，利用贝叶斯网络和模糊认知图建立的数据驱动的操纵员作业行为失误因果模型获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率，而基于系统动力学框架建立综合集成“SD+BBN+BN”的操纵员HRA定量分析模型以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率，进而获得最终的人因可靠性定量计算值。总的来看，以上实施例通过确定操控任务持续快速变化背景下操纵员的认知行为特征及失误机理，分析操纵员认知行为演化机制和作业行为失误因果关系，全面地考虑了在连续高强度工作负荷下操纵员对系统动态响应过程中的认知行为变化，更符合在功率持续快速变化下核电厂操纵员人因可靠性定量分析的要求，从而可以为核电厂顺利参与调峰提供技术保障。

总的来说，本发明主要包括以下部分：1、分析并识别操控任务持续快速变化背景下核电厂操纵员的认知行为特征与失误机理，基于布尔网络和矩阵的半张量积确定操纵员认知行为的演化机制。2、利用模糊认知图和贝叶斯网络建立一种数据驱动的操纵员作业行为失误因果模型。3、以系统动力学为框架，整合贝叶斯网络模型和布尔网络模型，建立一种综合集成的人因可靠性定量分析模型，并解决模型集成过程中的不确定性定量问题。

下面具体对每部分作详细的说明。

其中，第1部分主要包括以下内容：

一、识别操控任务持续快速变化背景下操纵员的认知行为特征。

首先，通过文献调研、操纵员访谈、现场观察以及模拟实验识别在核电厂瞬态工况下操纵员的认知行为特征；其次，考虑到核动力航母、核动力潜艇、以及小型核反应堆的操纵员也经常需要在连续高强度工作负荷及任务持续快速多变背景下作业，所以可以搜集这方面的各类事件报告和文献资料，然后利用文本挖掘和数据挖掘手段对所搜集的各类事件报告和文献资料进行分析，识别以上两类操纵员在升、降负荷等工况下的认知行为特征；最后，将上述两步的分析结果结合，辨识出包括认知历程、认知要素和认知类型在内的操纵员认知行为特征。

二、确定影响操纵员认知行为失误的 PSF 集。

首先，可以利用世界核电运营者协会(World Association of NuclearOperators,WANO)的运行经验反馈平台和国家核安全局的运行经验反馈平台，广泛搜集国内外运行核电厂阶跃升降负荷等瞬态工况的事件报告，筛选出与操纵员认知行为失误相关的人因事件报告；其次，还可以搜集来自国际原子能机构(International AtomicEnergyAgency, IAEA)、美国核管会(U.S. Nuclear Regulatory Commission, NRC)、美国电力研究院(Electric Power Research Institute, EPRI)、美国核电运行研究院(Institute ofNuclear Power Operations, INPO)、韩国原子能研究院(Korea AtomicEnergy ResearchInstitute, KAERI)等机构的研究报告；然后，利用大数据挖掘 (Big Data Mining)、相关性分析、主成分分析和因子分析手段对所搜集的资料进行分析，在识别出的操控任务持续快速变化背景下操纵员的认知行为特征基础上辨识出该工况条件下与操纵员认知行为失误相关的 PSF；最后，基于图 1 所示的人-机交互过程，从“监测—诊断—决策—执行”四个认知阶段对所析取的 PSF 构建层次结构模型，建立结构化的影响因素分类体系。

三、基于“BN+STP”的操纵员认知行为演化机制。

布尔网络(Boolean Network, BN)近年来已成为系统控制学科与其它学科的交叉研究热点，由于其良好的能观性和能控性，使得其可以很好地刻画和描述事物的演化历程。矩阵的半张量积(Semi-Tensor Product, STP)是由中国科学院数学与系统科学研究院程代展研究员等人提出的一种新的矩阵乘法，可解决矩阵乘法中前阵列数与后阵行数不等问题，从而将矩阵的普通乘法推广到任意两个矩阵，使矩阵方法成为描述和处理逻辑函数、高维数组及非线性问题的有力工具。对于本发明而言， STP 可帮助构建布尔网络的状态转移矩阵，进而分解为结构矩阵，用于描述布尔网络模型中各变量之间的逻辑演化关系。因此，可以在布尔网络的基础上，利用矩阵的半张量积，分析并确定操纵员认知行为的演化机制。

首先，设计不同瞬态工况（即具备操控任务持续快速变化特点）下的核电厂模拟机实验，结合专家意见和动态逻辑分析法对实验过程（时间序列）进行离散化处理，选定具有显著意义的操纵员认知行为状态转移（即在两相邻时间节点上，影响操纵员认知行为的PSF 发生了变化）的时间节点作为实验观测点，在所设定的观测点上记录当前操纵员认知行为的状态转移数据并以向量形式存储；其次，根据每次实验所采集的状态转移数据，利用STP 推导出其对应的状态转移矩阵，进而确定布尔网络模型中各逻辑函数所对应的结构矩阵；然后，对各个实验场景下所获得的布尔网络模型进行“除噪”处理（即剔除不同实验场景下操纵员认知行为可能存在的特殊性），并总结其数学结构上的共性；最后，结合上述一、二部分分析结果，即可建立一般性地用于揭示操纵员认知行为演化机制布尔网络模型，操纵员认知行为演化机制布尔网络模型如图 2 所示。其中，L 为状态转移矩阵，f 为逻辑函数，M 为结构矩阵。

其中，第2部分的内容主要包括：

一、构建失误因果模型中的 PSF 集。

操控任务持续快速变化给操纵员带来持续高强度工作负荷，且具有操控任务复杂、失误率高以及后果严重等特点，使得影响操纵员作业行为可靠性的 PSF发生了改变。因此，为了准确地识别这些 PSF 和其变异，在对文献资料和事件报告进行充分挖掘的基础上，辅以人因工程实验室的模拟实验、仿真实验，采用事件相关电位(ERP)和脑电(EEG)测试手段从认知负荷、心理负荷、体力负荷、情境环境四个维度来构建影响操纵员作业行为的PSF 集。

二、确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关系。

在确定影响操纵员作业行为失误的 PSF 集之后，对 PSF 集中的因子进行因子分析和相关性分析，识别影响因素之间以及影响因素与作业行为失误之间的因果关系。为保证后续所建立因果模型的鲁棒性，使用 SPSS 统计分析软件对影响因子进行敏感性分析，在专家判断的基础上选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量。

三、基于“FCM+BBN”的作业行为失误因果模型。

模糊认知图(Fuzzy Cognitive Maps, FCM)是模糊逻辑(Fuzzy Logic)和神经网络(Neural Network)的结合，它的模糊图(fuzzy-graph)结构可用于表示因果推理和系统的因果传导。考虑到在核电厂瞬态工况下人-机交互的复杂性以及操纵员作业行为的不确定性，本发明基于FCM和贝叶斯网络模型(Bayesian BeliefNetwork, BBN)来构建操纵员的作业行为失误因果模型，以弥补传统因果模型动态性不足的缺陷。首先，通过所搜集的人因事件报告数据的统计分析，获得根节点变量的先验概率；其次，结合人因工程实验室仿真实验和核电厂模拟机实验，利用 FCM 评估父节点对子节点变量的影响（确定相应权值），并通过统计分析获得子节点变量的条件概率分布；最后基于 BBN 建立更具鲁棒性的数据驱动的操纵员作业行为失误因果模型。模型框架如图 3 所示。

其中，第3部分的内容主要包括：

一、建立一种综合集成“SD+BBN+BN”的定量分析模型。

系统动力学(System Dynamic, SD)是一种以反馈控制理论为基础，以计算机仿真技术为手段，通常用于研究复杂社会经济系统的定量分析方法。考虑到：1、核电厂作为复杂技术系统其本身所具有的动态性；2、人-机交互过程（如图 1）本身可视为一个动态反馈回路；3、在功率持续快速变化过程中由于高强度工作负荷，操纵员作业行为的非线性性体现得更加突出。因此采用系统动力学框架来构建操纵员作业行为可靠性的定量计算模型。

首先，利用第1部分中所建立的布尔网络模型分析功率持续快速变化下操纵员的认知行为演化历程；其次，基于第2部分中所建立的贝叶斯网络模型和模糊认知图来获取各PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；然后，将布尔网络模型和认知失误因果模型嵌套在系统动力学的框架内，以图 1 所示的循环回路为主线，计算在功率持续快速变化这一过程中操纵员的认知行为失误概率；结合第1部分的分析结果和第2部分的计算结果，即可轻易计算出最终的人因可靠性定量计算值（可以参考现有技术中的人因可靠性定量计算过程，在此不再赘述）。

二、不确定性定量(Uncertainty Quantification)。

现有的研究主要是利用统计学方法对定量计算模型的输出值进行均值分析和方差分析，但这些方法的缺陷在于无法分析所建立的定量计算模型在集成过程中的误差传递。为此，本发明通过构建误差传递函数来寻求最优误差估计，对不确定性定量计算。误差传递函数的一般化模型如图 4 所示。

基于上述功率持续快速变化下操纵员人因可靠性分析方法，本发明还提供一种功率持续快速变化下操纵员人因可靠性分析装置，该装置包括分析模块，分析模块中嵌入一般性地用于揭示操纵员认知行为演化机制的布尔网络模型，用于分析功率持续快速变化下操纵员的认知行为演化历程；

第一计算模块，第一计算模块中嵌入基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型，用于获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；

第二计算模块，第二计算模块中嵌入由一般性地用于揭示操纵员认知行为演化机制的布尔网络模型和基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型嵌套在系统动力学框架内构建的操纵员作业行为可靠性定量计算模型，用于以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；

第三计算模块，用于结合分析模块得到的分析结果、第一计算模块与第二计算模块的计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。

在上述分析装置中，进一步地，还包括：第四计算模块，所述第四计算模块中嵌入操纵员作业行为可靠性定量计算模型建立过程中的误差传递函数，用于寻求所述误差传递函数最优误差估计，对操纵员作业行为可靠性定量计算模型建立过程中的不确定性定量计算。

在上述装置中，一般性的用于揭示操纵员认知行为演化机制的布尔网络模型、基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型构建方式在前面已有详细描述，在此不再作说明。

最后，本领域技术人员应当明白，上述功率持续快速变化下操纵员人因可靠性分析方法中的分析模型和用以实现该人因可靠性分析方法各步骤的计算程序可以封装在一个计算机软件系统中并储存于存储装置中由计算装置来执行，当然也可以将其制作成各个集成电路模块，或者将其中多个模块或步骤制成单个的集成电路模块来实现，本发明并不限于特定的硬件和软件的结合。

上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。

为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处，本发明的一些附图和描述已经被简化，并且为了清楚起见，本申请文件还省略了一些其它元素，本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。

Claims (10)

1.功率持续快速变化下操纵员人因可靠性分析方法，其特征在于，包括：

步骤一、建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型，分析功率持续快速变化下操纵员的认知行为演化历程；

步骤二、建路基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型，获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；

步骤三、将所述布尔网络模型和所述操纵员作业行为失误因果模型嵌套在系统动力学的框架内构建操纵员作业行为可靠性定量计算模型，以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；

步骤四、结合步骤一得到的分析结果、步骤二与步骤三的计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。

2.根据权利要求1所述的功率持续快速变化下操纵员人因可靠性分析方法，其特征在于，还包括：

步骤五、构建所述操纵员作业行为可靠性定量计算模型建立过程中的误差传递函数并寻求最优误差估计，对所述操纵员作业行为可靠性定量计算模型建立过程中的不确定性定量。

3.根据权利要求1或2所述的功率持续快速变化下操纵员人因可靠性分析方法，其特征在于，建立所述一般性的用于揭示操纵员认知行为演化机制的布尔网络模型的步骤包括：

确定操控任务持续快速变化背景下操纵员的认知行为特征：识别在核电厂瞬态工况以及在连读高强度工作负荷及任务持续快速多变背景下操纵员的认知行为特征，确定出包括认知历程、认知要素和认知类型在内的操纵员认知行为特征；

确定影响操纵员认知行为失误的PSF集：在已确定的操控任务持续快速变化背景下操纵员认知行为特征中析取与操纵员认知行为失误相关的PSF；再基于操纵员作业过程中的人机交互过程，从“监测—诊断—决策—执行”四个认知阶段对所析取的 PSF 构建层次结构模型，建立结构化的PSF分类体系；

确定操纵员认知行为演化机制：首先，设计操控任务持续快速变化工况下的核电厂模拟机实验，结合专家意见和动态逻辑分析法对实验过程进行离散化处理，以操纵员认知行为状态转移的时间节点作为实验观测点，在所述实验观测点上记录当前操纵员认知行为的状态转移数据并以向量形式存储；其次，根据每次实验所采集的状态转移数据，利用矩阵的半张量积推导出其对应的状态转移矩阵，进而确定布尔网络模型中各逻辑函数所对应的结构矩阵；然后，对各个实验场景下所获得的布尔网络模型进行除噪处理以剔除不同实验场景下操纵员认知行为可能存在的特殊性，总结其数学结构上的共性，进而确定操纵员认知行为演化机制；

建模：将所述操控任务持续快速变化背景下操纵员的认知行为特征、影响操纵员认知行为失误的 PSF 集与操纵员认知行为演化机制结合，建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型。

4.根据权利要求3所述的功率持续快速变化下操纵员人因可靠性分析方法，其特征在于，建立所述基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型的步骤包括：

构建失误因果模型中的PSF集：从认知负荷、心理负荷、体力负荷、情境环境四个维度构建影响操纵员作业行为的PSF集；

确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关系：在确定影响操纵员作业行为失误的PSF集之后，对PSF集中的因子进行因子分析和相关性分析，识别影响因子之间以及影响因子与作业行为失误之间的因果关系，并对影响因子进行敏感性分析，选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量；

建模：首先，获得根节点变量的先验概率；其次，评估父节点对子节点变量的影响以确定相应权值，并通过统计分析获得子节点变量的条件概率分布；最后基于贝叶斯网络模型建立数据驱动的操纵员作业行为失误因果模型。

5.根据权利要求4所述的功率持续快速变化下操纵员人因可靠性分析方法，其特征在于，在建立所述一般性的用于揭示操纵员认知行为演化机制的布尔网络模型的步骤中：

确定操控任务持续快速变化背景下操纵员的认知行为特征时，通过文献调研、操纵员访谈、现场观察以及模拟实验的手段识别在核电厂瞬态工况下操纵员的认知行为特征；利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行分析，识别操纵员在连读高强度工作负荷及任务持续快速多变工况下的认知行为特征；

确定影响操纵员认知行为失误的 PSF 集时，通过大数据挖掘、相关性分析、主成分分析和因子分析手段对各类与操纵员认知行为失误相关的人因事件报告及研究报告进行分析，根据分析结果在已确定的操控任务持续快速变化背景下操纵员认知行为特征中析取与操纵员认知行为失误相关的PSF。

6.根据权利要求5所述的功率持续快速变化下操纵员人因可靠性分析方法，其特征在于，在建立所述基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型的步骤中：

构建失误因果模型中的PSF集时，在利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行充分挖掘的基础上，辅以人因工程实验室的模拟实验、仿真实验，采用事件相关电位和脑电测试手段从认知负荷、心理负荷、体力负荷、情境环境四个维度构建影响操纵员作业行为的PSF集；

确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关时，使用SPSS 统计分析软件对影响因子进行敏感性分析，再在专家判断的基础上选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量；

建模时，通过对各类与操纵员认知行为失误相关的人因事件报告数据的统计分析，获得根节点变量的先验概率；结合人因工程实验室仿真实验和核电厂模拟机实验，利用模糊认知图评估父节点对子节点变量的影响以确定相应权值。

7.功率持续快速变化下操纵员人因可靠性分析装置，其特征在于，包括：

分析模块，所述分析模块中嵌入一般性地用于揭示操纵员认知行为演化机制的布尔网络模型，用于分析功率持续快速变化下操纵员的认知行为演化历程；

第一计算模块，所述第一计算模块中嵌入基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型，用于获取各 PSF 因子间的逻辑关系、权重、以及条件概率值，进而对每个操控任务计算其失误概率；

第二计算模块，所述第二计算模块中嵌入由一般性地用于揭示操纵员认知行为演化机制的布尔网络模型和基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型嵌套在系统动力学框架内构建的操纵员作业行为可靠性定量计算模型，用于以操纵员作业过程中的人机交互循环回路为主线，计算在功率持续快速变化这一过程中操纵员的作业行为失误概率；

第三计算模块，用于结合分析模块得到的分析结果、第一计算模块与第二计算模块的计算结果，对功率持续快速变化下操纵员人因可靠性定量计算，得到最终的人因可靠性定量计算值。

8.根据权利要求7所述的功率持续快速变化下操纵员人因可靠性分析装置，其特征在于，还包括：

第四计算模块，所述第四计算模块中嵌入所述操纵员作业行为可靠性定量计算模型建立过程中的误差传递函数，用于寻求所述误差传递函数最优误差估计，对所述操纵员作业行为可靠性定量计算模型建立过程中的不确定性定量计算。

9.根据权利要求7所述的功率持续快速变化下操纵员人因可靠性分析装置，其特征在于，所述一般性的用于揭示操纵员认知行为演化机制的布尔网络模型通过以下步骤构建：

确定操控任务持续快速变化背景下操纵员的认知行为特征：首先，通过文献调研、操纵员访谈、现场观察以及模拟实验的手段识别在核电厂瞬态工况下操纵员的认知行为特征；其次，利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行分析，识别操纵员在该工况下的认知行为特征；最后，整合在核电厂瞬态工况下操纵员的认知行为特征与在连读高强度工作负荷及任务持续快速多变工况下的认知行为特征，确定出包括认知历程、认知要素和认知类型在内的操纵员认知行为特征；

确定影响操纵员认知行为失误的 PSF 集：通过大数据挖掘、相关性分析、主成分分析和因子分析手段对各类与操纵员认知行为失误相关的人因事件报告及研究报告进行分析，在已确定的操控任务持续快速变化背景下操纵员认知行为特征中析取与操纵员认知行为失误相关的PSF；最后，基于操纵员作业过程中的人机交互过程，从监测—诊断—决策—执行四个认知阶段对所析取的 PSF 构建层次结构模型，建立结构化的PSF分类体系；

确定操纵员认知行为演化机制：首先，设计操控任务持续快速变化工况下的核电厂模拟机实验，结合专家意见和动态逻辑分析法对实验过程进行离散化处理，以操纵员认知行为状态转移的时间节点作为实验观测点，在所述实验观测点上记录当前操纵员认知行为的状态转移数据并以向量形式存储；其次，根据每次实验所采集的状态转移数据，利用矩阵的半张量积推导出其对应的状态转移矩阵，进而确定布尔网络模型中各逻辑函数所对应的结构矩阵；然后，对各个实验场景下所获得的布尔网络模型进行除噪处理以剔除不同实验场景下操纵员认知行为可能存在的特殊性，总结其数学结构上的共性，进而确定操纵员认知行为演化机制；

建模：将所述操控任务持续快速变化背景下操纵员的认知行为特征、影响操纵员认知行为失误的 PSF 集与操纵员认知行为演化机制结合，建立一般性地用于揭示操纵员认知行为演化机制的布尔网络模型。

10.根据权利要求9所述的功率持续快速变化下操纵员人因可靠性分析装置，其特征在于，所述基于贝叶斯网络模型和模糊认知图构建的操纵员作业行为失误因果模型通过以下步骤构建：

构建失误因果模型中的PSF集：在利用文本挖掘和数据挖掘手段对操纵员在连读高强度工作负荷及任务持续快速多变背景下作业的各类事件报告和文献资料进行充分挖掘的基础上，辅以人因工程实验室的模拟实验、仿真实验，采用事件相关电位和脑电测试手段从认知负荷、心理负荷、体力负荷、情境环境四个维度构建影响操纵员作业行为的PSF集；

确定 PSF 之间的影响关系以及 PSF 与作业行为失误之间的因果关：在确定影响操纵员作业行为失误的PSF集之后，对PSF集中的因子进行因子分析和相关性分析，识别影响因子之间以及影响因子与作业行为失误之间的因果关系，并对影响因子进行敏感性分析，在专家判断的基础上选定与操纵员作业行为具有较高关联度的因子作为失误因果模型中的变量；

建模：首先，通过对各类与操纵员认知行为失误相关的人因事件报告数据的统计分析，获得根节点变量的先验概率；其次，结合人因工程实验室仿真实验和核电厂模拟机实验，利用模糊认知图评估父节点对子节点变量的影响以确定相应权值，并通过统计分析获得子节点变量的条件概率分布；最后基于贝叶斯网络模型建立数据驱动的操纵员作业行为失误因果模型。