CN109299868A - 多机组核电厂动态人因可靠性分析方法与装置 - Google Patents
多机组核电厂动态人因可靠性分析方法与装置 Download PDFInfo
- Publication number
- CN109299868A CN109299868A CN201811076946.0A CN201811076946A CN109299868A CN 109299868 A CN109299868 A CN 109299868A CN 201811076946 A CN201811076946 A CN 201811076946A CN 109299868 A CN109299868 A CN 109299868A
- Authority
- CN
- China
- Prior art keywords
- human
- power plant
- nuclear power
- multiunit
- equation error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 73
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 43
- 230000001364 causal effect Effects 0.000 claims abstract description 28
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 16
- 230000001149 cognitive effect Effects 0.000 claims description 54
- 230000019771 cognition Effects 0.000 claims description 34
- 238000011160 research Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 230000003920 cognitive function Effects 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 10
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000003340 mental effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000002344 surface layer Substances 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000010977 unit operation Methods 0.000 claims description 4
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 description 48
- 239000000523 sample Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001983 electron spin resonance imaging Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000009021 linear effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 239000004069 plant analysis Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
多机组核电厂动态人因可靠性分析方法包括:步骤一、利用动态事件树对人因失误事件建模,并对多机组核电厂操纵员的人因失误进行分析,确定人因失误类型以及潜在的人因失误;步骤二、基于贝叶斯网络与数据指引型建模技术构建人因失误因果模型,再利用该模型计算各类人因失误的名义人误概率;步骤三、基于反问题数值求解方法建立行为形成因子关于时间变量的函数,再根据所得到的函数关系式建立动态人因失误概率的计算格式;步骤四、利用系统动力学对步骤一中所建模型中的动态反馈回路进行分析,并结合步骤二中的计算结果以及步骤三中建立的动态人因失误概率的计算格式,构建动态可靠性定量分析模型,计算人因可靠性定量计算值。
Description
技术领域
本发明涉及人因工程技术领域,特别涉及一种多机组核电厂动态人因可靠性分析方法与装置。
背景技术
传统的人因可靠性分析(HRA)主要针对单个机组的操纵员或操纵班组进行可靠性评价,在考虑多机组整体风险时也只是简单叠加各单个机组的风险,而并未过多地考虑核电厂各机组之间的关联性、设备和系统的共用情况、不同机组操纵员行为之间的相关性、以及始发事件在各机组之间产生的联动效应等,因此在面对多机组HRA问题时,传统的HRA方法或将不再适用。
多机组运行模式对人员行为的影响可以通过三个方面来体现:一是可以通过共享硬件设备的方式体现,例如,多机组之间共用设备;二是可以通过类似硬件共因失效(CommonCause Failure,CCF)的方式体现,例如,不同操纵员在不同反应堆机组中执行相同任务;三是可以通过共享环境的方式体现,例如,多个机组的操纵员共用同一主控室。就目前我国运行核电厂的实际情况而言,多机组对人员行为的影响更多的是表现在第二个方面。此外,相较于单机组运行模式,多机组在资源分配、不同机组操纵员之间的恢复支持、以及应急响应组织等方面对操纵员的影响也存在实质性的差异。
对于多机组核电厂HRA而言,现行HRA方法主要存在以下不足:(1)缺乏能够表征多机组运行特征的认知可靠性模型和人因失误因果模型;(2)现行HRA 方法中对PSFs 的处理方式无法满足多机组运行模式下的任务分析要求;(3)对人因失误事件(Human FailureEvent, HFE)的建模大多采用静态的建模技术,如决策树和事件树,这样的建模技术无法真实、准确地反映HFE 随时间的演变历程(尤其是在极端事故条件下);(4)现有HRA定量计算模型的动态性、预测性和回溯性不足,功能结构普遍单一。因此,如何将核电厂HRA的分析范围从单个机组层面扩大至多机组层面,进而保证分析结果的完整性和精确性已成为人因可靠性分析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多机组核电厂动态人因可靠性分析问题,实现了将核电厂HRA的分析范围从单个机组层面扩大至多机组层面,保证了分析结果的完整性和精确性。
为了实现上述目的,本发明采用如下技术方案:一种多机组核电厂动态人因可靠性分析方法,包括:
步骤一、利用动态事件树DET对人因失误事件建模,并对多机组核电厂操纵员的人因失误进行分析,确定多机组核电厂的人因失误类型以及潜在的人因失误;
步骤二、确定与多机组核电厂操纵员人因失误相关的行为形成因子PSFs,利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系,并基于贝叶斯网络BN与数据指引型建模技术构建人因失误因果模型,再利用该模型计算各类人因失误的名义人误概率HNEP;
步骤三、基于反问题数值求解方法建立行为形成因子关于时间变量的函数,再根据所得到的函数关系式建立动态人因失误概率HEP的计算格式;
步骤四、利用系统动力学对步骤一所建模型中包含“监视-诊断-决策-执行”的动态反馈回路进行分析,并结合步骤二中的计算结果以及步骤三中建立的动态人因失误概率的计算格式,构建综合集成“BN+DET+SD”的动态可靠性定量分析模型,对多机组核电厂动态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、基于蒙特卡洛仿真,并在贝叶斯理论的基础上结合 Metropolis抽样算法,对步骤五中所建立的动态可靠性定量分析模型的参数进行不确定性定量。
进一步地,前述步骤一中对所述多机组核电厂操纵员的人因失误进行分析时包括:
识别多机组核电厂操纵员的认知行为特征:先识别多机组核电厂主控室操纵员的认知行为过程,再辨识操纵员认知过程中所包含的具体认知行为及表征,最后结合认知行为过程以及具体认知行为及表征确定出包括认知类型、认知要素和认知历程在内的操纵员认知行为特征;
基于认知功能模型的人因失误分类:在操纵员的认知行为过程中内嵌认知功能模型来分解复杂任务,再根据最表层任务的认知功能模型来进行人因失误分类,包括基于可观察到的错误行为特征进行行为失误分类以及基于认知机理的假设和理论上的推理进行认知失误分类;
确定人误因果关系:从“组织-情境状态-人员个体”的层面确定其与人因失误之间的影响关系及失误传递机制。
进一步地,前述步骤二中,
确定与多机组核电厂操纵员人因失误相关的行为形成因子PSFs时,首先,搜集国内外多机组运行事件报告;其次,搜集有关多机组核电厂风险评估的研究报告;然后,对所搜集的资料进行数据挖掘,基于步骤一中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的PSFs;最后,从操纵员的心理负荷、认知负荷、以及 体力负荷三个维度来对PSFs 集进行补充和完善;
利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系时,首先,对每一份多机组运行事件报告进行根本原因分析并获得与该事件相关的PSFs;然后,将PSFs集视为输入变量,人因失误视为输出变量,对所有事件报告相对应的输入和输出变量用二值逻辑的数组存储起来;最后,基于人工神经网络分析所获得的数据样本,进而得到 PSFs因子与人因失误之间的映射关系;
基于贝叶斯网络BN与数据指引型建模技术构建人因失误因果模型时,首先,对PSFs因子进行相关性分析,并结合PSFs与人因失误的映射关系,通过GeNIe分析软件筛选并确定与人因失误关联度较高的因子作为模型中的节点变量;然后,对所搜集的人因事件报告进行统计分析,获得各根节点的先验概率,结合仿真实验和模拟机实验的数据统计分析获取各中间节点变量的条件概率分布;最后,基于贝叶斯网络建立具有回溯性的数据指引型人因失误因果模型。
再进一步地,前述步骤三中,
基于反问题数值求解方法建立行为形成因子关于时间变量的函数时,首先,针对不同的始发事件,预先设定该事件序列中的实验观测点;然后,对模拟机实验和仿真实验的过程进行分析,以获取在每个实验序列观测点上PSFs的状态;最后,采用最小二乘法和Tikhonov正则化方法进行数据拟合及优化求解,得到行为形成因子关于时间变量的函数。
更进一步地,在识别所述多机组核电厂操纵员的认知行为特征时:
通过现场观察、操纵员访谈以及文献调研识别多机组核电厂主控室操纵员的认知行为过程;利用数据挖掘和文本挖掘技术,对所搜集的多机组运行事件报告和文献资料进行深度挖掘分析,辨识操纵员认知过程中所包含的具体认知行为及表征。
优选地,在确定所述与多机组核电厂操纵员人因失误相关的行为形成因子PSFs时:
通过国家核安全局经验反馈平台和世界核电运营者协会经验反馈平台搜集国内外多机组运行事件报告;搜集来自IAEA、NRC、KAERI、美国核电运行研究院以及美国电力研究院有关多机组核电厂风险评估的研究报告;利用主成分分析、相关性分析、关联规则分析和因子分析技术对所搜集的资料进行数据挖掘,基于步骤一中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的PSFs;在对上述资料进行分析挖掘的基础上,辅以人因工程实验研究,利用脑电图和事件相关电位的实验研究手段,从操纵员的心理负荷、认知负荷、以及体力负荷三个维度来对PSFs集进行补充和完善。
本发明的目的之二是提供一种多机组核电厂动态人因可靠性分析装置,其包括:
识别模块:所述识别模块中嵌入利用动态事件树对人因失误事件构建的模型以及多机组核电厂操纵员人因失误分析模型,用于确定多机组核电厂的人因失误类型以及识别潜在的人因失误;
第一计算模块:所述第一计算模块中嵌入基于贝叶斯网络与数据指引型建模技术构建的人因失误因果模型,用于计算各类人因失误的名义人误概率;
第二计算模块:所述第二计算模块中嵌入由行为形成因子关于时间变量的函数关系式建立而成的动态人因失误概率的计算格式,用于利用系统动力学对识别模块所建模型中包含“监视-诊断-决策-执行”的动态反馈回路进行分析,并结合第一计算模块的计算结果以及动态人因失误概率的计算格式,对多机组核电厂动态人因可靠性定量计算,得到最终的动态人因可靠性定量计算值。
进一步地,在上述多机组核电厂动态人因可靠性分析装置中还包括:
第三计算模块:所述第三计算模块基于蒙特卡洛仿真,并在贝叶斯理论的基础上结合Metropolis抽样算法,对第二计算模块的多机组核电厂动态人因可靠性定量计算过程中的参数的不确定性定量计算。
其中,所述的多机组核电厂操纵员人因失误分析模型通过以下步骤构建:
识别多机组核电厂操纵员的认知行为特征:先识别多机组核电厂主控室操纵员的认知行为过程,再辨识操纵员认知过程中所包含的具体认知行为及表征,最后结合认知行为过程以及具体认知行为及表征确定出包括认知类型、认知要素和认知历程在内的操纵员认知行为特征;
基于认知功能模型的人因失误分类:在操纵员的认知行为过程中内嵌认知功能模型来分解复杂任务,再根据最表层任务的认知功能模型来进行人因失误分类,包括基于可观察到的错误行为特征进行行为失误分类以及基于认知机理的假设和理论上的推理进行认知失误分类;
确定人误因果关系:从“组织-情境状态-人员个体”的层面确定其与人因失误之间的影响关系及失误传递机制;
将多机组运行模式下操纵员的认知行为特征、人因失误分类与人误因果关系结合,构建多机组核电厂操纵员人因失误分析模型。
再有,所述的基于贝叶斯网络与数据指引型建模技术构建的人因失误因果模型通过以下步骤构建:
确定与多机组核电厂操纵员人因失误相关的行为形成因子PSFs:首先,搜集国内外多机组运行事件报告;其次,搜集有关多机组核电厂风险评估的研究报告;然后,对所搜集的资料进行数据挖掘,基于步骤一中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的PSFs;最后,从操纵员的心理负荷、认知负荷、以及体力负荷三个维度来对PSFs集进行补充和完善;
利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系:首先,对每一份多机组运行事件报告进行根本原因分析并获得与该事件相关的PSFs;然后,将PSFs集视为输入变量,人因失误视为输出变量,对所有事件报告相对应的输入和输出变量用二值逻辑的数组存储起来;最后,基于人工神经网络分析所获得的数据样本,进而得到 PSFs因子与人因失误之间的映射关系;
基于贝叶斯网络BN与数据指引型建模技术构建人因失误因果模型:首先,对PSFs因子进行相关性分析,并结合PSFs与人因失误的映射关系,通过GeNIe分析软件筛选并确定与人因失误关联度较高的因子作为模型中的节点变量;然后,对所搜集的人因事件报告进行统计分析,获得各根节点的先验概率,结合仿真实验和模拟机实验的数据统计分析获取各中间节点变量的条件概率分布;最后,基于贝叶斯网络建立具有回溯性的数据指引型人因失误因果模型。
另外,所述的行为形成因子关于时间变量的函数关系式是基于反问题数值求解方法所得,包括以下步骤:
首先,针对不同的始发事件,预先设定该事件序列中的实验观测点;
然后,对模拟机实验和仿真实验的过程进行分析,以获取在每个实验序列观测点上PSFs的状态;
最后,采用最小二乘法和Tikhonov正则化方法进行数据拟合及优化求解,得到行为形成因子关于时间变量的函数关系式。
本发明以多机组核电厂操纵员可靠性为研究对象,探究多机组运行模式下操纵员的认知行为特征与人因失误机理,揭示多机组运行模式对人因可靠性的动态影响及因果传递机制,建立多机组核电厂操纵员动态可靠性分析方法。首先,通过定性分析识别多机组核电厂操纵员的认知行为特征,形成基于认知功能模型的人因失误分类,并从“组织-情境状态-人员个体”的角度确定人误因果关系,进而建立人因失误分析方法;其次,基于文本数据和实验数据,利用人工神经网络和贝叶斯网络分析PSFs因子与人因失误之间的映射关系,并建立一种数据指引型的人因失误因果模型;然后,基于动态事件树对人因失误事件建模,并利用反问题数值求解方法建立PSFs因子关于时间变量的动态函数关系式,将两者与系统动力学相结合以获得动态可靠性定量分析模型;最后,基于蒙特卡洛仿真对所建立的定量分析模型进行不确定性分析。
总体而言,本发明充分考虑了多机组运行特征对操纵员认知机理的影响,从整体上分析了PSFs因子对人因可靠性的影响及PSFs因子间的相关性,建立了能够准确表征多机组运行特征的认知可靠性模型和人因失误因果模型,很好的满足了多机组运行模式下的任务分析要求,另外,本发明采用动态的建模技术对人因失误事件建模,对多机组核电厂系统正常运行和事故状态下可能存在的人因失误进行了定量化评价并将人误概率整合到PSA的研究框架中,真实、准确地反映了人因失误事件的演变历程,创建出一种具有动态性、预测性和回溯性的HRA定量计算模型,获得了更为接近实际的整体概率风险值,可以有效保证动态人因可靠性分析结果的完整性和精确性,符合在多机组核电厂动态人因可靠性定量分析的要求,所以,与传统的HRA方法相比,本发明更适用于多机组核电厂的动态人因可靠性分析,很好的实现了将核电厂HRA的分析范围从单个机组层面扩大至多机组层面的跨越。
附图说明
图1为人工神经网络模型的结构图。
图2为动态人因失误概率HEP的计算格式。
图3为动态可靠性定量分析模型图。
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。
一种多机组核电厂动态人因可靠性分析方法,包括:
步骤一、利用动态事件树DET对人因失误事件建模,并对多机组核电厂操纵员的人因失误进行分析,确定多机组核电厂的人因失误类型以及潜在的人因失误;
步骤二、确定与多机组核电厂操纵员人因失误相关的行为形成因子PSFs,利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系,并基于贝叶斯网络BN与数据指引型建模技术构建人因失误因果模型,再利用该模型计算各类人因失误的名义人误概率HNEP;
步骤三、基于反问题数值求解方法建立行为形成因子关于时间变量的函数,再根据所得到的函数关系式建立动态人因失误概率HEP的计算格式;
步骤四、利用系统动力学SD对步骤一所建模型中包含“监视-诊断-决策-执行”的动态反馈回路进行分析,并结合步骤二中的计算结果以及步骤三中建立的动态人因失误概率的计算格式,构建综合集成“BN+DET+SD”的动态可靠性定量分析模型,对多机组核电厂动态人因可靠性定量计算,得到最终的人因可靠性定量计算值。
上述实施例以多机组核电厂操纵员可靠性为研究对象,探究多机组运行模式下操纵员的认知行为特征与人因失误机理,揭示多机组运行模式对人因可靠性的动态影响及因果传递机制,建立多机组核电厂操纵员动态可靠性分析方法。本实施例充分考虑了多机组运行特征对操纵员认知机理的影响,从整体上分析了PSFs因子对人因可靠性的影响及PSFs因子间的相关性,建立了能够准确表征多机组运行特征的认知可靠性模型和人因失误因果模型,很好的满足了多机组运行模式下的任务分析要求,另外,本发明采用动态的建模技术对人因失误事件建模,对多机组核电厂系统正常运行和事故状态下可能存在的人因失误进行了定量化评价并将人误概率整合到PSA的研究框架中,真实、准确地反映了人因失误事件的演变历程,创建出一种具有动态性、预测性和回溯性的HRA定量计算模型,获得了更为接近实际的整体概率风险值,可以有效保证动态人因可靠性分析结果的完整性和精确性,符合在多机组核电厂动态人因可靠性定量分析的要求,所以,与传统的HRA方法相比,本发明更适用于多机组核电厂的动态人因可靠性分析,很好的实现了将核电厂HRA的分析范围从单个机组层面扩大至多机组层面的跨越。
总的来说,本发明主要包括以下部分:1、识别多机组核电厂操纵员的认知行为特征,基于认知功能模型的人因失误分类,并从“组织-情境状态-人员个体”的角度来确定人误因果关系。2、利用人工神经网络分析 PSFs 因子与人因失误之间的映射关系,并基于贝叶斯网络建立一种具有回溯性的数据指引型的人因失误因果模型。3、基于反问题数值求解方法建立PSFs因子关于时间变量的函数关系,与动态事件树、系统动力学相结合建立一种综合集成的动态可靠性定量分析模型,并利用蒙特卡洛仿真对该模型的不确定性进行定量分析。
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、识别多机组核电厂操纵员的认知行为特征。
首先,通过现场观察、操纵员访谈以及文献调研识别多机组核电厂主控室操纵员的认知行为过程,在这其中重点需要分析不同机组操纵员之间的认知行为相关性;其次,利用数据挖掘(Data Mining) 和文本挖掘(Text Mining)技术,如自然语言处理技术(Natural Language Processing,NLP),对所搜集的多机组运行事件报告和文献资料进行深度挖掘分析,辨识操纵员认知过程中所包含的具体认知行为及表征;最后,结合前两部分的工作,辨识出包括认知类型、认知要素和认知历程等在内的操纵员认知行为特征。
二、基于认知功能模型的人因失误分类。
由于多机组存在共用构筑物、系统和设备(Structures,Systems,andComponents,SSCs)的情况,可能会导致一个内部事件同时影响到多个反应堆机组,因而在一定程度上增加操纵员执行任务的复杂性。为了更加全面地涵盖多机组核电厂操纵员的失误类型并获取更为合理的人因失误分类,本实施方式考虑在操纵员的认知行为过程中内嵌认知功能模型来帮助分解复杂任务,进而根据最表层任务的认知功能模型来进行人因失误分类。在人因失误分类的处理上将采用行为失误分类和认知失误分类相结合,即基于可观察到的错误行为特征(如行为的外在特点、结果的可观察性、责任主体以及可恢复程度等)进行行为失误分类,基于认知机理的假设和理论上的推理进行认知失误分类。
三、确定人误因果关系。
组织和管理因素是引发人因失误的重要根本原因,因此,在确定人误因果关系时应该包括组织层面的根本原因,这样才能更加准确地从源头上预防人因失误的发生。对于多机组核电厂而言,无论是正常运行还是事故状态下,组织因素对于人员绩效的影响都显得尤为突出,因此,本实施方式拟从“组织-情境状态-人员个体”的层面来确定它们各自与人因失误之间的影响关系及失误传递机制。此外,本实施方式可以重点关注在严重事故状态下和应急状态下组织因素对于多机组核电厂操纵员作业行为可靠性的影响,并系统地分析确定组织错误和人因失误之间的因果关系。
其中,第2部分的内容主要包括:
一、确定失误因果模型中的PSFs集。
首先,通过国家核安全局经验反馈平台和世界核电运营者协会(WANO)经验反馈平台搜集国内外多机组运行事件报告;其次,搜集来自IAEA、NRC、KAERI、美国核电运行研究院(INPO)以及美国电力研究院(EPRI)这些机构的有关多机组核电厂风险评估的研究报告;然后利用主成分分析、相关性分析、关联规则分析和因子分析技术对所搜集的资料进行数据挖掘,基于第1部分中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的PSFs。为了保证研究的全面性和充分性,该部分的研究工作拟在对上述资料进行分析挖掘的基础上,辅以人因工程实验研究,利用脑电图(Electroencephalography,EEG)和事件相关电位(Event-Related Potential,ERP)的实验研究手段,从操纵员的心理负荷、认知负荷、以及体力负荷三个维度来对 PSFs 集进行补充和完善。
二、确定PSFs 对人因失误的影响。
作为一门新兴的信息处理科学,人工神经网络(ANN)近年来在认知科学和机器学习等领域获得了广泛的应用,并且正在成为人工智能、非线性动力学、神经生物学等相关专业的热点。ANN是以人的大脑工作模式为基础,研究自适应、非程序的信息处理方法。为了研究PSFs因子对人因失误的影响,将上述确定的PSFs集视为输入变量,将人因失误视为输出变量。由于这两者之间存在复杂的非线性关系,因而难以用传统的数理方程建立其相应的数学模型。对于这类问题,ANN却有着独到的优势,通过设计合理的神经网络对输入输出样本进行训练学习,从理论上讲,能够以任意精度逼近任意复杂的非线性函数。首先,在上述研究基础上,对每一份多机组运行事件报告进行根本原因分析并获得与该事件相关的PSFs;然后,对输入和输出变量用二值逻辑的数组存储,每一份事件报告相对应的有一组输入和输出;最后,基于ANN分析所获得的数据样本,进而得到PSFs因子与人因失误之间的映射关系。图1是ANN模型的基本结构。
三、基于 BN 的人因失误因果模型。
数据指引型建模是一种基于数据分析的建模技术,可根据样本数据的即时更新随时调整模型结构,具有很强的动态特性。考虑到贝叶斯网络(BN)作为一种有效的因果推理模型,可以通过条件概率来表达节点之间的关系强弱,所以本实施方式中将BN与数据指引型建模技术相结合,用以构建人因失误因果模型。首先,对上述所确定的PSFs因子进行相关性分析,并结合上述所获得的PSFs与人因失误的映射关系,通过GeNIe分析软件筛选并确定与人因失误关联度较高的因子作为模型中的节点变量;然后,对所搜集的人因事件报告进行统计分析,获得各根节点的先验概率,结合仿真实验和模拟机实验的数据统计分析获取各中间节点变量的条件概率分布;最后,基于BN建立具有很好的回溯性的数据指引型人因失误因果模型。
其中,第3部分的内容主要包括:
一、建立 PSFs 关于时间变量的函数。
在对人因失误事件的分析中,绝大部分HRA方法都采用PSFs来对名义人误概率(Nominal Human Error Probability,NHEP)进行修订,以获得最终的失误概率。但是,这些方法都没有考虑PSFs对人员绩效的影响可能会随事件进展而发生相应的改变。此外,由于现 有的曲线方程难以较好地拟合PSFs与时间变量之间的函数关系。因此,本实施方式中基于反问题数值求解方法建立PSFs关于时间变量的函数。首先,针对不同的始发事件,预先设定该事件序列中的实验观测点;其次,对模拟机实验和仿真实验的过程进行分析,以获取在每个实验序列观测点上 PSFs的状态;然后,采用最小二乘法和Tikhonov正则化方法进行数据拟合及优化求解,最后,根据所得到的函数关系式建立动态人因失误概率HEP的计算格式:
二、建立一种综合集成“贝叶斯网络+动态事件树+系统动力学”的动态可靠性定量分析模型。
系统动力学(SD)是以控制论为理论基础,以计算机仿真实验为手段,用于研究社会系统动态行为的计算机仿真方法。SD已被证明能有效应用于人员行为建模、动态反馈回路分析等方面,且目前已有学者开始尝试将SD用于PSA分析中。考虑到多机组核电厂本身所具有的动态特性,以及人员行为的非线性性,本实施方式中将SD与贝叶斯网络、动态事件树(DET)相集成用以构建动态可靠性定量分析模型。首先,利用DET对人因失误事件建模,并利用上述第1部分中建立的人因失误分析方法识别潜在的人因失误;其次,利用第2部分中建立的人因失误因果模型计算各类人因失误的NHEP;然后,将SD用于利用DET对人因失误事件构建的模型的动态反馈回路分析中;最后,整合前三部分的研究工作与上述建立的动态HEP计算格式,得到一种综合集成 “BN+DET+SD”的动态可靠性定量分析模型,模型框架如图3所示,利用该动态可靠性定量分析模型即可轻易计算出最终的动态人因可靠性定量计算值。
三、不确定性定量。
模型的不确定性通常主要来源于实验观测数据的不确定性、模型集成的不确定性、以及参数的不确定性。为了使研究结果更具精确性,需要对上述建立的定量分析模型的参数进行不确定性定量。因此,本实施方式拟基于蒙特卡洛仿真,在贝叶斯理论的基础上结合Metropolis抽样算法对参数进行抽样分析,从而可获得参数的后验分布与它的不确定定量。此外,该方法还可以对模型结构和输入数据的不确定性进行评估。
基于上述多机组核电厂动态人因可靠性分析方法,本发明还提供一种多机组核电厂动态人因可靠性分析装置,该装置包括:
识别模块:所述识别模块中嵌入利用动态事件树对人因失误事件构建的模型以及多机组核电厂操纵员人因失误分析模型,用于确定多机组核电厂的人因失误类型以及识别潜在的人因失误;
第一计算模块:所述第一计算模块中嵌入基于贝叶斯网络与数据指引型建模技术构建的人因失误因果模型,用于计算各类人因失误的名义人误概率;
第二计算模块:所述第二计算模块中嵌入由行为形成因子关于时间变量的函数关系式建立而成的动态人因失误概率的计算格式,用于利用系统动力学对识别模块所建模型中包含“监视-诊断-决策-执行”的动态反馈回路进行分析,并结合第一计算模块的计算结果以及动态人因失误概率的计算格式,对多机组核电厂动态人因可靠性定量计算,得到最终的动态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:
第三计算模块:所述第三计算模块基于蒙特卡洛仿真,并在贝叶斯理论的基础上结合Metropolis抽样算法,对第二计算模块的多机组核电厂动态人因可靠性定量计算过程中的参数的不确定性定量计算。
在上述装置中,多机组核电厂操纵员人因失误分析模型的构建方法、基于贝叶斯网络与数据指引型建模技术构建人因失误因果模型的方法以及行为形成因子关于时间变量的函数关系式的求解方法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,上述多机组核电厂动态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.多机组核电厂动态人因可靠性分析方法,其特征在于,包括:
步骤一、利用动态事件树对人因失误事件建模,并对多机组核电厂操纵员的人因失误进行分析,确定多机组核电厂的人因失误类型以及潜在的人因失误;
步骤二、确定与多机组核电厂操纵员人因失误相关的行为形成因子,利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系,并基于贝叶斯网络与数据指引型建模技术构建人因失误因果模型,再利用该模型计算各类人因失误的名义人误概率;
步骤三、基于反问题数值求解方法建立行为形成因子关于时间变量的函数,再根据所得到的函数关系式建立动态人因失误概率的计算格式;
步骤四、利用系统动力学对步骤一所建模型中包含“监视-诊断-决策-执行”的动态反馈回路进行分析,并结合步骤二中的计算结果以及步骤三中建立的动态人因失误概率的计算格式,构建综合集成“贝叶斯网络+动态事件树+系统动力学”的动态可靠性定量分析模型,对多机组核电厂动态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所述的多机组核电厂动态人因可靠性分析方法,其特征在于,还包括:
步骤五、基于蒙特卡洛仿真,并在贝叶斯理论的基础上结合 Metropolis抽样算法,对步骤五中所建立的动态可靠性定量分析模型的参数进行不确定性定量。
3.根据权利要求1或2所述的多机组核电厂动态人因可靠性分析方法,其特征在于,步骤一中对所述多机组核电厂操纵员的人因失误进行分析时包括:
识别多机组核电厂操纵员的认知行为特征:先识别多机组核电厂主控室操纵员的认知行为过程,再辨识操纵员认知过程中所包含的具体认知行为及表征,最后结合认知行为过程以及具体认知行为及表征确定出包括认知类型、认知要素和认知历程在内的操纵员认知行为特征;
基于认知功能模型的人因失误分类:在操纵员的认知行为过程中内嵌认知功能模型来分解复杂任务,再根据最表层任务的认知功能模型来进行人因失误分类,包括基于可观察到的错误行为特征进行行为失误分类以及基于认知机理的假设和理论上的推理进行认知失误分类;
确定人误因果关系:从“组织-情境状态-人员个体”的层面确定其与人因失误之间的影响关系及失误传递机制。
4.根据权利要求3所述的多机组核电厂动态人因可靠性分析方法,其特征在于,在步骤二中,
确定与多机组核电厂操纵员人因失误相关的行为形成因子时,首先,搜集国内外多机组运行事件报告;其次,搜集有关多机组核电厂风险评估的研究报告;然后,对所搜集的资料进行数据挖掘,基于步骤一中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的行为形成因子;最后,从操纵员的心理负荷、认知负荷、以及 体力负荷三个维度来对行为形成因子集进行补充和完善;
利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系时,首先,对每一份多机组运行事件报告进行根本原因分析并获得与该事件相关的行为形成因子;然后,将行为形成因子集视为输入变量,人因失误视为输出变量,对所有事件报告相对应的输入和输出变量用二值逻辑的数组存储起来;最后,基于人工神经网络分析所获得的数据样本,进而得到行为形成因子与人因失误之间的映射关系;
基于贝叶斯网络BN与数据指引型建模技术构建人因失误因果模型时,首先,对行为形成因子进行相关性分析,并结合行为形成因子与人因失误的映射关系,通过GeNIe分析软件筛选并确定与人因失误关联度较高的因子作为模型中的节点变量;然后,对所搜集的人因事件报告进行统计分析,获得各根节点的先验概率,结合仿真实验和模拟机实验的数据统计分析获取各中间节点变量的条件概率分布;最后,基于贝叶斯网络建立具有回溯性的数据指引型人因失误因果模型。
5.根据权利要求4所述的多机组核电厂动态人因可靠性分析方法,其特征在于,在步骤三中,
基于反问题数值求解方法建立行为形成因子关于时间变量的函数时,首先,针对不同的始发事件,预先设定该事件序列中的实验观测点;然后,对模拟机实验和仿真实验的过程进行分析,以获取在每个实验序列观测点上行为形成因子的状态;最后,采用最小二乘法和Tikhonov正则化方法进行数据拟合及优化求解,得到行为形成因子关于时间变量的函数。
6.根据权利要求5所述的多机组核电厂动态人因可靠性分析方法,其特征在于,在识别所述多机组核电厂操纵员的认知行为特征时:
通过现场观察、操纵员访谈以及文献调研识别多机组核电厂主控室操纵员的认知行为过程;利用数据挖掘和文本挖掘技术,对所搜集的多机组运行事件报告和文献资料进行深度挖掘分析,辨识操纵员认知过程中所包含的具体认知行为及表征。
7.根据权利要求6所述的多机组核电厂动态人因可靠性分析方法,其特征在于,在确定所述与多机组核电厂操纵员人因失误相关的行为形成因子时:
通过国家核安全局经验反馈平台和世界核电运营者协会经验反馈平台搜集国内外多机组运行事件报告;搜集来自IAEA、NRC、KAERI、美国核电运行研究院以及美国电力研究院有关多机组核电厂风险评估的研究报告;利用主成分分析、相关性分析、关联规则分析和因子分析技术对所搜集的资料进行数据挖掘,基于步骤一中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的行为形成因子;在对上述资料进行分析挖掘的基础上,辅以人因工程实验研究,利用脑电图和事件相关电位的实验研究手段,从操纵员的心理负荷、认知负荷、以及体力负荷三个维度来对行为形成因子集进行补充和完善。
8.多机组核电厂动态人因可靠性分析装置,其特征在于,包括:
识别模块:所述识别模块中嵌入利用动态事件树对人因失误事件构建的模型以及多机组核电厂操纵员人因失误分析模型,用于确定多机组核电厂的人因失误类型以及识别潜在的人因失误;
第一计算模块:所述第一计算模块中嵌入基于贝叶斯网络与数据指引型建模技术构建的人因失误因果模型,用于计算各类人因失误的名义人误概率;
第二计算模块:所述第二计算模块中嵌入由行为形成因子关于时间变量的函数关系式建立而成的动态人因失误概率的计算格式,用于利用系统动力学对识别模块所建模型中包含“监视-诊断-决策-执行”的动态反馈回路进行分析,并结合第一计算模块的计算结果以及动态人因失误概率的计算格式,对多机组核电厂动态人因可靠性定量计算,得到最终的动态人因可靠性定量计算值。
9.根据权利要求8所述的多机组核电厂动态人因可靠性分析装置,其特征在于,还包括:
第三计算模块:所述第三计算模块基于蒙特卡洛仿真,并在贝叶斯理论的基础上结合Metropolis抽样算法,对第二计算模块的多机组核电厂动态人因可靠性定量计算过程中的参数的不确定性定量计算。
10.根据权利要求9所述的多机组核电厂动态人因可靠性分析装置,其特征在于,
所述的多机组核电厂操纵员人因失误分析模型通过以下步骤构建:
识别多机组核电厂操纵员的认知行为特征:先识别多机组核电厂主控室操纵员的认知行为过程,再辨识操纵员认知过程中所包含的具体认知行为及表征,最后结合认知行为过程以及具体认知行为及表征确定出包括认知类型、认知要素和认知历程在内的操纵员认知行为特征;
基于认知功能模型的人因失误分类:在操纵员的认知行为过程中内嵌认知功能模型来分解复杂任务,再根据最表层任务的认知功能模型来进行人因失误分类,包括基于可观察到的错误行为特征进行行为失误分类以及基于认知机理的假设和理论上的推理进行认知失误分类;
确定人误因果关系:从“组织-情境状态-人员个体”的层面确定其与人因失误之间的影响关系及失误传递机制;
将多机组运行模式下操纵员的认知行为特征、人因失误分类与人误因果关系结合,构建多机组核电厂操纵员人因失误分析模型;
所述的基于贝叶斯网络与数据指引型建模技术构建的人因失误因果模型通过以下步骤构建:
确定与多机组核电厂操纵员人因失误相关的行为形成因子:首先,搜集国内外多机组运行事件报告;其次,搜集有关多机组核电厂风险评估的研究报告;然后,对所搜集的资料进行数据挖掘,基于步骤一中确定的人误因果关系,识别与多机组核电厂操纵员人因失误相关的行为形成因子;最后,从操纵员的心理负荷、认知负荷、以及 体力负荷三个维度来对行为形成因子集进行补充和完善;
利用人工神经网络分析行为形成因子与各类型人因失误之间的映射关系:首先,对每一份多机组运行事件报告进行根本原因分析并获得与该事件相关的行为形成因子;然后,将行为形成因子集视为输入变量,人因失误视为输出变量,对所有事件报告相对应的输入和输出变量用二值逻辑的数组存储起来;最后,基于人工神经网络分析所获得的数据样本,进而得到行为形成因子与人因失误之间的映射关系;
基于贝叶斯网络与数据指引型建模技术构建人因失误因果模型:首先,对行为形成因子进行相关性分析,并结合行为形成因子与人因失误的映射关系,通过GeNIe分析软件筛选并确定与人因失误关联度较高的因子作为模型中的节点变量;然后,对所搜集的人因事件报告进行统计分析,获得各根节点的先验概率,结合仿真实验和模拟机实验的数据统计分析获取各中间节点变量的条件概率分布;最后,基于贝叶斯网络建立具有回溯性的数据指引型人因失误因果模型;
所述的行为形成因子关于时间变量的函数关系式是基于反问题数值求解方法所得,包括以下步骤:
首先,针对不同的始发事件,预先设定该事件序列中的实验观测点;
然后,对模拟机实验和仿真实验的过程进行分析,以获取在每个实验序列观测点上行为形成因子的状态;
最后,采用最小二乘法和Tikhonov正则化方法进行数据拟合及优化求解,得到行为形成因子关于时间变量的函数关系式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076946.0A CN109299868A (zh) | 2018-09-14 | 2018-09-14 | 多机组核电厂动态人因可靠性分析方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076946.0A CN109299868A (zh) | 2018-09-14 | 2018-09-14 | 多机组核电厂动态人因可靠性分析方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299868A true CN109299868A (zh) | 2019-02-01 |
Family
ID=65163206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811076946.0A Pending CN109299868A (zh) | 2018-09-14 | 2018-09-14 | 多机组核电厂动态人因可靠性分析方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299868A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084528A (zh) * | 2019-05-06 | 2019-08-02 | 南华大学 | 核电厂人因失误数据收集方法、装置、设备及介质 |
CN110110999A (zh) * | 2019-05-06 | 2019-08-09 | 南华大学 | 核电厂主控室内系统事件hra评价方法、装置、设备及介质 |
CN111950359A (zh) * | 2020-07-06 | 2020-11-17 | 核动力运行研究所 | 一种核电厂防止人因失误智能化系统及方法 |
CN112784447A (zh) * | 2021-03-12 | 2021-05-11 | 哈尔滨工程大学 | 一种用于det与relap5程序动态耦合框架的核电厂事故建模方法 |
CN113052443A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨工程大学 | 一种基于辅助变量法的ddet与relap5耦合的动态特性分析方法 |
CN113051722A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨工程大学 | 利用嵌入离散动态事件树改进核电厂安全性能分析的方法 |
CN113051726A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨工程大学 | 基于离散动态事件树与relap5耦合的动态特性分析方法 |
CN113392527A (zh) * | 2021-06-17 | 2021-09-14 | 华南理工大学 | 操纵序列适用性评价方法、装置、计算机设备和存储介质 |
CN113505979A (zh) * | 2021-07-01 | 2021-10-15 | 国网山西省电力公司运城供电公司 | 一种用于智能电网环境下的电力安全行为评估方法 |
WO2022188895A1 (zh) * | 2021-03-12 | 2022-09-15 | 哈尔滨工程大学 | 基于通用型辅助变量法的det与relap5耦合的动态特性分析方法 |
CN116501437A (zh) * | 2023-06-30 | 2023-07-28 | 之江实验室 | 一种基于人因工程的人机交互认知模型构建方法和装置 |
-
2018
- 2018-09-14 CN CN201811076946.0A patent/CN109299868A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084528A (zh) * | 2019-05-06 | 2019-08-02 | 南华大学 | 核电厂人因失误数据收集方法、装置、设备及介质 |
CN110110999A (zh) * | 2019-05-06 | 2019-08-09 | 南华大学 | 核电厂主控室内系统事件hra评价方法、装置、设备及介质 |
CN111950359A (zh) * | 2020-07-06 | 2020-11-17 | 核动力运行研究所 | 一种核电厂防止人因失误智能化系统及方法 |
CN112784447B (zh) * | 2021-03-12 | 2022-09-09 | 哈尔滨工程大学 | 一种用于det与relap5程序动态耦合框架的核电厂事故建模方法 |
CN113052443B (zh) * | 2021-03-12 | 2022-09-09 | 哈尔滨工程大学 | 一种基于辅助变量法的ddet与relap5耦合的动态特性分析方法 |
CN113051722A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨工程大学 | 利用嵌入离散动态事件树改进核电厂安全性能分析的方法 |
CN113051726A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨工程大学 | 基于离散动态事件树与relap5耦合的动态特性分析方法 |
WO2022188895A1 (zh) * | 2021-03-12 | 2022-09-15 | 哈尔滨工程大学 | 基于通用型辅助变量法的det与relap5耦合的动态特性分析方法 |
CN113052443A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨工程大学 | 一种基于辅助变量法的ddet与relap5耦合的动态特性分析方法 |
CN113051722B (zh) * | 2021-03-12 | 2022-03-11 | 哈尔滨工程大学 | 利用嵌入离散动态事件树改进核电厂安全性能分析的方法 |
CN113051726B (zh) * | 2021-03-12 | 2022-05-13 | 哈尔滨工程大学 | 基于离散动态事件树与relap5耦合的动态特性分析方法 |
CN112784447A (zh) * | 2021-03-12 | 2021-05-11 | 哈尔滨工程大学 | 一种用于det与relap5程序动态耦合框架的核电厂事故建模方法 |
CN113392527B (zh) * | 2021-06-17 | 2022-08-12 | 华南理工大学 | 操纵序列适用性评价方法、装置、计算机设备和存储介质 |
CN113392527A (zh) * | 2021-06-17 | 2021-09-14 | 华南理工大学 | 操纵序列适用性评价方法、装置、计算机设备和存储介质 |
CN113505979A (zh) * | 2021-07-01 | 2021-10-15 | 国网山西省电力公司运城供电公司 | 一种用于智能电网环境下的电力安全行为评估方法 |
CN116501437A (zh) * | 2023-06-30 | 2023-07-28 | 之江实验室 | 一种基于人因工程的人机交互认知模型构建方法和装置 |
CN116501437B (zh) * | 2023-06-30 | 2023-09-22 | 之江实验室 | 一种基于人因工程的人机交互认知模型构建方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299868A (zh) | 多机组核电厂动态人因可靠性分析方法与装置 | |
Münch et al. | Software project control centers: concepts and approaches | |
Fernández-Llatas et al. | Activity-based process mining for clinical pathways computer aided design | |
Pence et al. | Data-theoretic methodology and computational platform to quantify organizational factors in socio-technical risk analysis | |
Zou et al. | Human reliability analysis for digitized nuclear power plants: case study on the LingAo II nuclear power plant | |
Nair et al. | Classification, structuring, and assessment of evidence for safety--a systematic literature review | |
Wang et al. | Performance shaping factors dependence assessment through moderating and mediating effect analysis | |
Nan et al. | Developing an agent-based hierarchical modeling approach to assess human performance of infrastructure systems | |
Tamburis et al. | Process mining as support to simulation modeling: A hospital-based case study | |
CN103942739A (zh) | 建筑项目风险知识库的构建方法 | |
Shirley et al. | Development of a quantitative Bayesian network mapping objective factors to subjective performance shaping factor evaluations: An example using student operators in a digital nuclear power plant simulator | |
Motta et al. | Solving VT in VITAL: a study in model construction and knowledge reuse | |
Li et al. | Study on operator's SA reliability in digital NPPs. Part 2: Data-driven causality model of SA | |
Mosleh et al. | A model-based human reliability analysis framework | |
CN109034636A (zh) | 功率持续快速变化下操纵员人因可靠性分析方法与装置 | |
Boring et al. | Lessons learned on benchmarking from the international human reliability analysis empirical study | |
Koc et al. | Determining susceptible body parts of construction workers due to occupational injuries using inclusive modelling | |
Silva Filho et al. | Towards an approach to support software process simulation in small and medium enterprises | |
Zemenkova et al. | Technology for developing expert modules and DSS comprehensive platform for reliability and risks monitoring in the Oil and Gas Engeneering | |
Wu et al. | Safety archetypes identification and behavior simulation for nuclear power plant operation human reliability improvement | |
CN106295959A (zh) | 核电厂人员行为分析与管理系统及其方法 | |
Ernst et al. | Using AI to model quality attribute tradeoffs | |
Garrido-Píriz et al. | Overview of resilience: a concept to assess healthcare infrastructure preparedness against disasters. Evaluation of existing models and applicability to HVAC systems | |
Bastidas et al. | A Systematic Literature Mapping: risk-based testing in software development | |
Jung et al. | A framework of HRA data collection in nuclear power plants |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |
|
RJ01 | Rejection of invention patent application after publication |