CN110895495A - 人因失误分析方法、系统、计算机设备及存储介质 - Google Patents

Abstract

本发明属于系统工程可靠性分析技术领域，涉及一种人因失误分析方法、系统、计算机设备及存储介质，所述方法包括通过获取多个绩效因子的评分值，其中，绩效因子为任务场景下各子任务对应的性能影响因子，根据预设的量化处理方式计算评分值，以得到隶属度值和置信度，将隶属度值和置信度输入到预设的贝叶斯网络模型中，以得到任务场景对应的人因失误概率值，使得人因失误概率预测更精确，进而能够为后续主控室及人机界面设计人员提供整个操作任务中人因失误概率的风险点，为后续改进设计提供理论依据，提高核电站安全运行的安全性。

Description

人因失误分析方法、系统、计算机设备及存储介质

技术领域

本申请涉及系统工程可靠性分析技术领域，尤其涉及一种人因失误分析方法、系统、计算机设备及存储介质。

背景技术

随着核电站主控室数字化技术的引入，操纵员的任务类型和情景环境发生了变化，影响绩效从而可能导致人因失误。如，信息获取的方式方面，模拟控制室系统中通过模拟式指示在固定的位置上获取信息，而数字化控制室系统则由VDU显示画面替代，信息的获取需要通过查找和调用，操纵员所处的情景状态发生了很大的变化。因此，核电站数字化人机界面实际应用于工程项目前应采取有效的评价方法对数字化人机界面进行审查。其中，人因可靠性分析(Human Reliability Analysis,HRA)技术不仅可作为一种设计工具和概率安全分析(Probability Safety Analysis,PSA)的重要组成部分，人因可靠性分析的水平也是衡量PSA报告水平的重要指标之一。

人因可靠性分析的理论基础是人因失误机理的研究，人们对历史事故的起因分析认识经历了：技术失效、人的失效、组织失效三个认识过程。起初人们考虑事故发生主要是由技术失效引起，所以事故分析一般采用故障树方法，该方法虽能模拟事故的演变过程，但缺少分析理论思路，分析结果因人而异。但随着人类信息化技术的发展，自动化程度的提高，关于系统的功能分配变得更加复杂，原来人能完成的工作都由计算机代替，系统的功能分配给人还是分配给机器成为一个复杂的问题。所有设计生产过程，以及各个系统的运行维修都离不开人的参与，人类社会的生产生活离不开机器，机器离也不开人。

当前科学技术高度综合，系统的可靠性和人有着干丝万缕的联系。从安全分析角度来说，系统的失误原因排除不了人的因素。三哩岛事故和切尔诺贝利事故的发生，使人们进一步认识到人因失误可能带来的严重后果。据相关资料统计，严重事故发生在一定程度上都与人的失误有关，人因失误已成为导致核电事故的主要根源之一。因此，研究人机环境关系，分析人在核电厂主控室工作环境中可能的失误类型，并根据人因可靠性理论方法计算人因失误概率，根据失误原因找出核电站控制室设计缺陷并加以修正优化显得非常重要。

发明内容

本申请实施例的目的在于提出一种人因失误分析方法和系统，解决人因失误概率对核电站控制室设计缺陷问题。

为了解决上述技术问题，本申请实施例提供一种人因失误分析方法，包括：

获取多个绩效因子的评分值，其中，所述绩效因子为任务场景下各子任务对应的性能影响因子；

根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度；

将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值。

进一步地，所述获取多个绩效因子的评分值包括：

识别所述任务场景对应的多个子任务；

根据预设的绩效评估表查询每个所述子任务对应的所述绩效因子；

按照预设的绩效评分表，获取每个所述绩效因子的评分值。

进一步地，每个所述绩效因子对应n种控制模式，n为正整数，所述根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度包括：

将每个所述评分值进行模糊化处理，以得到每个所述绩效因子对应的隶属函数图；

将每个所述绩效因子对应的隶属函数图转换成每个所述绩效因子的隶属度值；

确定每个所述绩效因子在所述任务场景中的权重系数；

根据预设的条件置信度和所述权重系数，得到每个绩效因子的置信度。

进一步地，所述将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值包括：

基于绩效因子与控制模式建立贝叶斯网络模型，其中，所述绩效因子为父节点、所述控制模式为子节点；

将所述隶属度值转化为所述父节点概率值，以及将所述置信度转化为每个所述父节点对所述子节点的条件概率值；

将所述父节点概率值和所述条件概率值输入到所述贝叶斯网络进行转化率计算，以得到所述子节点的控制模式节点概率；

根据n个所述控制模式节点概率确定所述人因失误概率值。

进一步地，确定每个所述绩效因子在所述任务场景中的权重系数包括：

采用层次分析方式，确定了各个所述绩效因子在所述任务场景中的权重系数。

为了解决上述技术问题，本申请实施例还提供一种人因失误分析系统，包括：

评分模块，用于获取多个绩效因子的评分值，其中，所述绩效因子为任务场景下各子任务对应的性能影响因子；

量化模块，用于根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度；

贝叶斯模块，用于将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值。

进一步地，所述评分模块包括：

识别单元，用于识别所述任务场景对应的多个子任务；

查询单元，用于根据预设的绩效评估表查询每个所述子任务对应的所述绩效因子；

获取单元，用于按照预设的绩效评分表，获取每个所述绩效因子的评分值。

进一步地，每个所述绩效因子对应n种控制模式，n为正整数，所述量化模块包括：

模糊单元，用于将每个所述评分值进行模糊化处理，以得到每个所述绩效因子对应的隶属函数图；

转换单元，用于将每个所述绩效因子对应的隶属函数图转换成每个所述绩效因子的隶属度值；

第一确定单元，用于确定每个所述绩效因子在所述任务场景中的权重系数；

置信单元，用于根据预设的条件置信度和所述权重系数，得到每个绩效因子的置信度。

进一步地，所述贝叶斯模块包括：

建立单元，用于基于绩效因子与控制模式建立贝叶斯网络模型，其中，所述绩效因子为父节点、所述控制模式为子节点；

转化单元，用于将所述隶属度值转化为所述父节点概率值，以及将所述置信度转化为每个所述父节点对所述子节点的条件概率值；

计算单元，用于将所述父节点概率值和所述条件概率值输入到所述贝叶斯网络进行转化率计算，以得到所述子节点的控制模式节点概率；

第二确定单元，用于根据n个所述控制模式节点概率确定所述人因失误概率值。

进一步地，所述第一确定单元还包括：

分析子单元，用于采用层次分析方式，确定了各个所述绩效因子在所述任务场景中的权重系数。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述人因失误分析方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的人因失误分析的方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

通过获取多个绩效因子的评分值，其中，绩效因子为任务场景下各子任务对应的性能影响因子，根据预设的量化处理方式计算评分值，以得到隶属度值和置信度，将隶属度值和置信度输入到预设的贝叶斯网络模型中，以得到任务场景对应的人因失误概率值，使得人因失误概率预测更精确，进而能够为后续主控室及人机界面设计人员提供整个操作任务中人因失误概率的风险点，为后续改进设计提供理论依据，进而提高核电站安全运行的安全性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的人因失误分析方法的一个实施例的流程图；

图3是本申请的一个实施例的隶属函数图；

图4是绩效因子与控制模式之间的贝叶斯网络模型图；

图5是本申请的人因失误分析系统的一个实施例的结构示意图；

图6是本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104 和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器 (Moving Picture E人因失误分析perts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture E人因失误分析perts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、 103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的人因失误分析方法一般由服务器/ 终端设备执行，相应地，人因失误分析系统一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的人因失误分析的方法的一个实施例的流程图。所述的人因失误分析方法，包括以下步骤：

S201：获取多个绩效因子的评分值，其中，绩效因子为任务场景下各子任务对应的性能影响因子。

其中，绩效因子亦称为环境影响因子或者通用绩效条件(CPC，CommonPerformance Condition)。

具体地，根据核电厂主控室操作控制的任务场景描述信息，建立绩效评估表，其中，绩效评估表规定了任务场景下各子任务对应的性能影响因子，即绩效因子，在本实施例中绩效因子有9种，例如，CPC1、CPC2、CPC3、 CPC4、CPC5、CPC6、CPC7、CPC8和CPC9；并根据绩效因子的种类以及大量的实际任务场景测试数据建立绩效评分表，绩效评分表用于给绩效因子进行评分，分值区间范围可以设置为0到100。

进一步地，分析当前任务场景下的各子任务的描述信息，也就是分析当前任务场景的运行任务，利用层次任务分析(HTA)方法构建总任务(当前任务场景)和该总任务对应的各子任务，每个子任务对应具体的描述信息，例如，描述信息可以是“工作进行的工作环境条件，如光照、屏闪、警报的噪声、对任务的干扰等”等；根据各子任务的描述信息在绩效评估表查询每个子任务对应的绩效因子，例如，上述的描述信息“工作进行的工作环境条件，如光照、屏闪、警报的噪声、对任务的干扰等”在绩效评估表(表一) 查询到对应的是绩效因子名称为“工作环境”；并在绩效评分表中获取每个绩效因子的评分值，其中，绩效评分表包括每个绩效因子名称、绩效因子序号以及绩效因子对应的评分值；最终得到该任务场景下各个子任务对应的评分值，例如，绩效因子名称“工作环境”对应的绩效因子序号为“CPC2”，在绩效评分表(表二)中查询到“CPC2”的评分值为100。

需要说明的是，每种绩效因子的各子任务的描述信息可以不少于1种，例如，当子任务信息描述为“组织提供的给予所执行的任务的支持和资源的质量”、“包括交流系统，安全管理系统的质量”或者“对于外部活动的支持”中的其中一种均属于绩效因子名称为“组织的充分性”。

S202：根据预设的量化处理方式计算评分值，以得到隶属度值和置信度。

其中，预设的量化处理方式包括模糊化处理和置信度计算。

具体地，对绩效因子的评分值进行量化处理包括：采用模糊数学方法，例如隶属函数，对各个绩效因子的评分值进行模糊处理，以得到各个绩效因子的模糊集合对应的隶属函数图。也就是将每个绩效因子的四种控制模式组成一个模糊集合中，例如，绩效因子名称为“组织的充分性”，对应的模糊集合可以表示为{非常有效、有效、无效、有缺陷}。如图3为本申请的一个实施例的隶属函数图所示，对于模糊集合的隶属函数，隶属函数图可以是梯形隶属函数图或者三角形隶属函数图。本实施例采用三角形隶属函数分布来描述每个绩效因子，坐标系中的水平轴表示绩效因子的评分值，定义为[0，100]，评分值越高说明情景环境条件越好，对人的可靠性起到更积极的作用。坐标系中的竖轴表示隶属度值，范围为[0，1]。例如，模糊集合{非常有效，有效，无效，有缺陷}中，模糊集合中的每个语言的三角形分布为{非常有效(0，0， 40)，有效(0，40，70)，无效(40，70，100)，有缺陷(70，100，100)}。

进一步地，四种控制模式包括混乱型、机会型、战术型和战略型，通过多项式拟合与回归分析来确定各个控制模式的绩效因子的评分值与隶属度值之间的关系，可将4个隶属函数图转化为对应的隶属函数，例如：

混乱型：y＝-0.0594^x+0.47；

机会型：y＝-0.0053x²-0.0466^x+0.8343；

战术型：y＝-0.0018x²+0.0212^x+0.8515；

战略型：y＝0.0659^x+0.6087；

其中，y表示隶属度值，而x则表示绩效因子的评分值。

进一步地，通过层析分析方法计算绩效因子的权重系数，根据绩效因子的权重系数计算各个CPC因子的置信度。

S203：将隶属度值和置信度输入到预设的贝叶斯网络模型中，以得到该任务场景对应的人因失误概率值。

具体地，贝叶斯网络模型是一种基于空间映射技术的多元统计分析模型，实质就是把在过程监控中所得到的大量测量数据，从高维数据空间投影到低维特征子空间，这样得到的新的特征变量在不损失有价值信息的情况下，使得变量间相关性严重、原始数据空间维数过大以及众多的未知干扰等问题得到了解决，使过程内在变化更清晰地展现出来，以保证生产线上产品的质量，提供了可靠的信息。

进一步地，贝叶斯网络模型的输入数据包括隶属度值和置信度，其中，隶属度值作为贝叶斯网络模型的节点概率、置信度作为贝叶斯网络模型的条件概率值最终输出该任务场景下的人因失误概率值。

在本实施例中，通过获取多个绩效因子的评分值，其中，绩效因子为任务场景下各子任务对应的性能影响因子，根据预设的量化处理方式计算评分值，以得到隶属度值和置信度，将隶属度值和置信度输入到预设的贝叶斯网络模型中，以得到任务场景对应的人因失误概率值，使得人因失误概率预测更精确，进而能够为后续主控室及人机界面设计人员提供整个操作任务中人因失误概率的风险点，为后续改进设计提供理论依据，进而提高核电站安全运行的安全性。

在本实施例的一些可选的实现方式中，步骤S201，即获取多个绩效因子的评分值包括：

识别任务场景对应的多个子任务；

根据预设的绩效评估表查询每个子任务对应的绩效因子；

按照预设的绩效评分表，获取每个绩效因子的评分值。

具体地，根据核电厂主控室具体工作场景，通过构建任务序列的方式分解需要操纵员执行的具体任务和操作，将在任务场景下的具体任务和操作分解为最小的子任务，并将每个子任务作为后续该场景下人因失误概率的事件，其中，每个子任务对应具体的描述信息，每种描述信息对应一种绩效因子。

进一步地，根据每个绩效因子实际评估的详细指标，结合主控室设计经验，以及经过多名运行专家咨询，制定了每个绩效因子的评估细则，即如表一所示的绩效评估表。通过预先建立的绩效评估表能查询到每个子任务对应的绩效因子。

表一 绩效评估表

进一步地，针对上述绩效评估表示出的各个子任务对应的绩效因子，对各个绩效因子制定了具体的评分值，如表二所示的绩效评分表。其中绩效评分表是基于任务场景下的条件来设置的，评分值越高说明情景环境条件越好，对人的可靠性起到更加积极的作用。例如，核电站发生紫色报警表示核电机组出现了异常情况，需要操纵员紧急进入规程进行处理，属于应急情况，此时需要操纵员尽快进行确认和操作，所以此时的时间压力比较大，所以“可用时间”评分为80分，由于该场景下操纵员经过长时间的培训，经验丰富，对该情况比较熟悉，所以“培训和准备的充分性”评估为100分，其余场景都按照最好的情况考虑。因此，根据子任务的描述信息在绩效评估表中获取对应的绩效因子名称，根据绩效因子名称在绩效评分表中获取每个绩效因子的评分值。

表二 绩效评分表

序号	绩效因子名称	评分
			CPC1	组织的充分性	100
CPC2	工作环境	100
			CPC3	MMI和操作支持的充分性	100
CPC4	规程和计划的可用性	100
			CPC5	需同时响应的目标数	100
CPC6	可用时间	80
			CPC7	工作时段/值班时段	100
CPC8	培训和准备的充分性	100
			CPC9	班组协作质量	90

在本实施例中，通过识别任务场景对应的多个子任务，根据预设的绩效评估表查询每个子任务对应的绩效因子，按照预设的绩效评分表，获取每个绩效因子的评分值，即通过主控室人机界面任务操作的绩效评分表，解决了以往情景环境评价只有3到4个评价等级的问题，使得绩效因子的水平评估更加标准化，使后续计算人因失误概率值更加精确。

在本实施例的一些可选的实现方式中，每个所述绩效因子对应n种控制模式，n为正整数，步骤S202，即根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度包括：

将每个评分值进行模糊化处理，以得到每个绩效因子对应的隶属函数图；

将每个绩效因子对应的隶属函数图转换成每个绩效因子的隶属度值；

确定每个绩效因子在任务场景中的权重系数；

根据预设的条件置信度和权重系数，得到每个绩效因子的置信度。

具体地，步骤S202中所述采用模糊数学方法对绩效因子的评分值进行模糊处理的过程包括将每个绩效因子的四种控制模式组合成一个模糊集合，并根据每个绩效因子的评分值结合隶属函数形成隶属函数图。

由于模糊集合与普通集合不同，它采用的是隶属函数μ_A(x)来描述全体对象，取值范围为[0，1]，从0到1可以连续平滑地变化。μ_A＝1表示属于相应的隶属度值；μ_A＝0表示不属于相应的隶属度值；还可以描述中间状态，如μ_A＝0.4或者μ_A＝0.6等，从而大大扩展了普通集合的描述能力和描述范围。模糊集合可以采用序偶表示法来表示，将论域中元素x_i及其隶属度值μ_i构成序偶来表示模糊集合A，其中，n为正整数：

A＝{(μ₁,x₁)，(μ₂,x₂)，…，(μ_n,x_n)} 公式1-1

因此，采用模糊集合来表示每个绩效因子的等级水平，每个等级水平对应相应的评分值，故根据绩效因子、等级水平以及评分值构成隶属函图，其中，隶属函数有梯形和三角形，例如，绩效因子名称为“组织的充分性”的模糊集合为{非常有效，有效，无效，有缺陷}中，每个语言的评分值为{非常有效(0，0，40)，有效(0，40，70)，无效(40，70，100)，有缺陷(70，100， 100)}，并由该模糊集合和三角形隶属函数构成“组织的充分性”的隶属函数图，根据该隶属函数图的水平轴在坐标系上表示的绩效因子评分值，可在该隶属函数图所在的竖轴坐标系上查找到该绩效因子的评分值对应的隶属度值。

进一步地，本实施例根据模糊数学方法对绩效因子和控制模式之间关系还建立了模糊IF THEN规则库，IF THEN规则库用于计算置信度。为了方便表达和后续分析，将9个绩效因子的等级水平和4个控制模式进行编号，其中，在所建立的IF-THEN规则中，输入是绩效因子，输出是各个控制模式，是一种单输入-多输出规则。该设计规则为包含了拥有置信度结构的模糊规则，定义如下：

R_k：IFL_1,mANDL_2,mAND…L_9,m，THEN

其中，R_k表示规则序号，即模糊IFTHEN规则库包括多个规则，L_i,m为绩效因子序号为CPC_i对应的水平，i＝1,2,…,9，即为九种绩效因子，D_j表示为控制模式，j＝1,2,3,4，

表示为D_j的置信度。该模糊规则如表三所示的绩效因子水平标号表，当i＝1,3,9时，m＝1,2,3,4；当i＝2,4,5,6,7,8时，m＝1,2,3。

表三 绩效因子水平标号表

进一步地，根据影响效果的种类和数量，给定影响效果为正面和负面分别在各种控制模式下的绩效因子数量，将每种控制模式对应的各个影响效果的绩效因子数量的比例进行归一化，得到条件置信度。

进一步地，采用层次分析方式，确定了各个绩效因子在任务场景中的权重系数。

其中，层次分析方式AHP(Analytic Hierarchy Process)通过明确问题、建立层次分析模型、构造判断矩阵、层次单排序和层次总排序五个步骤，来确定各个绩效因子在整个任务场景中的权重系数。根据层次分析方式来确定每个绩效因子在任务场景中的权重系数。

进一步地，根据条件置信度和权重系数，得到每个绩效因子的置信度的计算方式可以是：

取条件置信度分别为

和

以及

和

分别对应的权重系数w^k+和w^k-，在第k个规则中，A^k表示具有置信度的四个控制模式，其子集为A^k+和 A^k-，设U^k+和U^k-表示归一化后的权重系数w^k+和w^k-，且U^k++U^k-＝1。设

和

分别是子集A^k+和A^k-的加权隶属度，而A^k+和A^k-合成值可以确定四种控制模式，则

设

表示非归一化后的置信度，j＝1,2,3,4，且

将得到

进行归一化得到四种控制模式下的每个绩效因子的置信度

其中，

在本实施例中，通过将每个评分值进行模糊化处理，以得到每个绩效因子对应的隶属函数图，将每个绩效因子对应的隶属函数图转换成每个绩效因子的隶属度值，确定每个绩效因子在任务场景中的权重系数，根据预设的条件置信度和权重系数，得到每个绩效因子的置信度，充分考虑了绩效因子的权重系数以及绩效因子相互之间的关系对操纵员人因失误，使得情景环境的评价更加合理，进而为后续精准算出人因失误概率值提供了有效的数据支持。

在本实施例的一些可选的实现方式中，步骤S203，即将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值包括：

基于绩效因子与控制模式建立贝叶斯网络模型，其中，绩效因子为父节点、控制模式为子节点；

将隶属度值转化为父节点概率值，以及将置信度转化为每个父节点对子节点的条件概率值；

将父节点概率值和条件概率值输入到贝叶斯网络进行转化率计算，以得到子节点的控制模式节点概率；

根据n个控制模式节点概率确定人因失误概率值。

具体地，根据传统认知可靠性和失误分析方法(CREAM)中控制模式与 CPC数量关系，如图4所示为绩效因子与控制模式之间的贝叶斯网络模型图，其中，贝叶斯网络模型具有10个节点，CPC1-CPC9即9个绩效因子代表影响控制模式的9个父节点，用ND表示控制模式的子节点。贝叶斯网络模型可以根据MSBN分析软件建模，该软件可以基于所有节点的概率分布。

通将上述步骤得到的隶属度值转化为各个绩效因子的父节点概率值为 P(N_ij)，其中，设N_ij表示第i个绩效因子的第j个水平，即P(N_ij)的值等于N_ij的隶属度值，将各个绩效因子对控制模式的置信度转化为各个父节点对子节点的条件概率为

具体地，通过贝叶斯网络模型计算控制模式的子节点ND的概率P(D_j)，

其中，

P(D_j|N_ij)＝(D_j|L_1,m,L_2,m,L_3,m,L_4,m,L_5,m,L_6,m,L_7,m,L_8,m,L_9,m)，

进一步地，在本实施例中n个控制模式为4个控制模式，根据预设的控制模式失效概率表(如表四所示)中四个控制模式的人误概率区间，确定一个通用的人误概率值U_Dj，将四个控制模式进行模糊化，采用最大加权平均值的方法确定U_Dj的值，即当隶属度值为1时，确定此时的概率值就是U_Dj的值。当隶属度为1时，四个控制模式对应的概率值的对数分别为{-3.65，-2，-1.15， -0.5}，统一去对数后得{2.24×10^-4，0.01，0.0708，0.316}，因此最终得出主控室操纵员人因失误概率HEP计算公式为

其中，U_Dj＝{2.24×10^-4,0.01,0.0708,0.316}，j＝1，2，3，4。

表四 控制模式失效概率表

控制模式	失效概率区间
		战略型D<sub>1</sub>	0.000005<p<0.01
战术型D<sub>2</sub>	0.001<p<0.1
		机会型D<sub>3</sub>	0.01<p<0.5
混乱型D<sub>4</sub>	0.1<p<1

在本申请实施例中，通过基于绩效因子与控制模式建立贝叶斯网络模型，其中，绩效因子为父节点、控制模式为子节点，将隶属度值转化为父节点概率值，以及将置信度转化为每个父节点对子节点的条件概率值，将父节点概率值和条件概率值输入到贝叶斯网络进行转化率计算，以得到子节点的控制模式节点概率，根据n个控制模式节点概率确定人因失误概率值，结合贝叶斯网络模型的优势和特点，建立了基于贝叶斯网络模型的人因失误概率计算方方式，充分考虑了绩效因子的权重系数以及绩效因子相互之间的关系对操纵员人因失误，使得情景环境的评价根据合理。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种人因失误分析系统的一个实施例，该系统实施例与图2所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。

如图5所示，本实施例所述的人因失误分析系统包括：评分模块501、量化模块502以及贝叶斯模块503。其中：

评分模块501，用于获取多个绩效因子的评分值，其中，绩效因子为任务场景下各子任务对应的性能影响因子；

量化模块502，用于根据预设的量化处理方式计算评分值，以得到隶属度值和置信度；

贝叶斯模块503，用于将隶属度值和置信度输入到预设的贝叶斯网络模型中，以得到任务场景对应的人因失误概率值。

进一步地，评分模块501包括：

识别单元5011，用于识别任务场景对应的多个子任务；

查询单元5012，用于根据预设的绩效评估表查询每个子任务对应的绩效因子；

获取单元5013，用于按照预设的绩效评分表，获取每个绩效因子的评分值。

进一步地，每个绩效因子对应n种控制模式，n为正整数，量化模块502 包括：

模糊单元5021，用于将每个评分值进行模糊化处理，以得到每个绩效因子对应的隶属函数图；

转换单元5022，用于将每个绩效因子对应的隶属函数图转换成每个绩效因子的隶属度值；

第一确定单元5023，用于确定每个绩效因子在任务场景中的权重系数；

置信单元5024，用于根据预设的条件置信度和权重系数，得到每个绩效因子的置信度。

进一步地，贝叶斯模块503包括：

建立单元5031，用于基于绩效因子与控制模式建立贝叶斯网络模型，其中，绩效因子为父节点、控制模式为子节点；

转化单元5032，用于将隶属度值转化为父节点概率值，以及将置信度转化为每个父节点对子节点的条件概率值；

计算单元5033，用于将父节点概率值和条件概率值输入到贝叶斯网络进行转化率计算，以得到子节点的控制模式节点概率；

第二确定单元5034，用于根据n个控制模式节点概率确定人因失误概率值。

进一步地，第一确定单元5023还包括：

分析子单元50231，用于采用层次分析方式，确定了各个绩效因子在任务场景中的权重系数。

关于上述实施例中人因失误分析系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。

所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D人因失误分析存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器 (ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器 (PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card, SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6 的操作系统和各类应用软件，例如人因失误分析方法的程序代码等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62 通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据，例如运行所述人因失误分析方法的程序代码。

所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63 通常用于在所述计算机设备6与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有人因失误分析程序，所述人因失误分析程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的人因失误分析方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种人因失误分析方法，其特征在于，包括：

获取多个绩效因子的评分值，其中，所述绩效因子为任务场景下各子任务对应的性能影响因子；

根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度；

将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值。

2.根据权利要求1所述的人因失误分析方法，其特征在于，所述获取多个绩效因子的评分值包括：

识别所述任务场景对应的多个子任务；

根据预设的绩效评估表查询每个所述子任务对应的所述绩效因子；

按照预设的绩效评分表，获取每个所述绩效因子的评分值。

3.根据权利要求1所述的人因失误分析方法，其特征在于，每个所述绩效因子对应n种控制模式，n为正整数，所述根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度包括：

将每个所述评分值进行模糊化处理，以得到每个所述绩效因子对应的隶属函数图；

将每个所述绩效因子对应的隶属函数图转换成每个所述绩效因子的隶属度值；

确定每个所述绩效因子在所述任务场景中的权重系数；

根据预设的条件置信度和所述权重系数，得到每个绩效因子的置信度。

4.根据权利要求3所述的人因失误分析方法，其特征在于，所述将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值包括：

基于绩效因子与控制模式建立贝叶斯网络模型，其中，所述绩效因子为父节点、所述控制模式为子节点；

将所述隶属度值转化为所述父节点概率值，以及将所述置信度转化为每个所述父节点对所述子节点的条件概率值；

将所述父节点概率值和所述条件概率值输入到所述贝叶斯网络进行转化率计算，以得到所述子节点的控制模式节点概率；

根据n个所述控制模式节点概率确定所述人因失误概率值。

5.根据权利要求3所述的人因失误分析方法，其特征在于，所述确定每个所述绩效因子在所述任务场景中的权重系数包括：

采用层次分析方式，确定了各个所述绩效因子在所述任务场景中的权重系数。

6.一种人因失误分析系统，其特征在于，所述系统包括：

评分模块，用于获取多个绩效因子的评分值，其中，所述绩效因子为任务场景下各子任务对应的性能影响因子；

量化模块，用于根据预设的量化处理方式计算所述评分值，以得到隶属度值和置信度；

贝叶斯模块，用于将所述隶属度值和所述置信度输入到预设的贝叶斯网络模型中，以得到所述任务场景对应的人因失误概率值。

7.根据权利要求6所述的人因失误分析系统，其特征在于，所述评分模块包括：

识别单元，用于识别所述任务场景对应的多个子任务；

查询单元，用于根据预设的绩效评估表查询每个所述子任务对应的所述绩效因子；

获取单元，用于按照预设的绩效评分表，获取每个所述绩效因子的评分值。

8.根据权利要求6所述的人因失误分析系统，其特征在于，每个所述绩效因子对应n种控制模式，n为正整数，所述量化模块包括：

模糊单元，用于将每个所述评分值进行模糊化处理，以得到每个所述绩效因子对应的隶属函数图；

转换单元，用于将每个所述绩效因子对应的隶属函数图转换成每个所述绩效因子的隶属度值；

第一确定单元，用于确定每个所述绩效因子在所述任务场景中的权重系数；

置信单元，用于根据预设的条件置信度和所述权重系数，得到每个绩效因子的置信度。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的人因失误分析方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的人因失误分析方法的步骤。

Images