CN111931985B - 一种非线性纵向结构化人机系统机组负荷预测方法 - Google Patents

Abstract

本发明涉及一种非线性纵向结构化人机系统机组负荷预测方法，包括以下步骤：1)根据基本工作负荷功能及要素，对机组成员任务负荷进行量化；2)根据基本信息决策与控制通道，对机组成员通道负荷进行量化；3)引入虚拟工作负荷，建立人机智能系统机组工作负荷测评机制；4)在人机智能系统机组工作负荷测评机制中附加自动化设备开启状态切换跳跃约束，实现测评机制中人机系统的自动化水平不连续参数的拟马尔可夫单纯形估计；5)通过人机智能系统机组工作负荷测评机制，以相对递推的方式定量预测机组成员的工作负荷。与现有技术相比，本发明具有提高准确性和鲁棒性、考虑耦合特性、客观准确、适应各类机组构型、应用范围广等优点。

Description

一种非线性纵向结构化人机系统机组负荷预测方法

技术领域

本发明涉及航空技术领域，尤其是涉及一种基于非线性纵向结构化潜变动态拓扑的人机智能系统机组工作负荷预测方法。

背景技术

影响或体现飞行机组工作负荷的因素包括人机系统的自动化模式、机组所承担的任务以及完成任务所需付出的生理和心理资源。人机系统功能分配及任务场景中的这些因素是一组复杂的潜在变量，不可直接观测但相互影响并进一步制约飞行绩效甚至安全性。随着机载自动化及智能化技术的成熟，飞行系统逐步集成越来越多的自动化及智能化设备与功能。人机融合是提升人类效率及系统安全性的关键，因此，建立人机系统潜在关系及耦合特性的评估机制，客观定量测算各种自动化及智能化工作模式下的飞行机组工作负荷，并有效验证人机系统功能分配与机组绩效的逻辑关系是一个问题。

当前主流的人机系统工作负荷评估原理如下：1)在实验系统或飞行测试中通过各类传感器获取机组成员的生理指标及行为动作，如心率、血压、眼动、脑电、肌电、语音、手势、操作；2)在实验系统或飞行测试后通过各类主观评价获取机组成员的任务负荷及心理反馈，如脑力需求、体力需求、时间需求、努力程度、业绩水平、受挫程度；3)通过各种加权方法或分级方法综合评判人机系统及相应的工作负荷条件，比如运用NASA-TLX量表计算总的负荷评价，通过SWAT量表合并脑力负荷测量指标，通过修正的Cooper-Harper分级方法评定飞机驾驶的难易程度。

随着人机系统技术与信息的进步、自动化程度及智能程度的提高，上述现有的人机系统工作负荷评估方法已不能有效反映人与自动化及智能化的信任与依赖关系。在步骤1)中获得的生理指标及行为动作在机械化系统及半自动化系统中具有一定的参考价值，在自动化系统及智能化系统中却已无法准确描述知识型作业、人机系统功能分配、机组工作负荷之间的复杂因果效应。在步骤2)中获得的任务负荷及心理反馈存在不可避免的主观性和滞后性。在步骤3)中，NASA-TLX量表法需对脑力需求、体力需求、时间需求、努力程度、业绩水平、受挫程度等因素进行加权，SWAT量表法需把时间、压力、努力三因素分为三个水平，Cooper-Harper分级方法需将飞机驾驶的难易程度分为十个等级；这些方法基于飞行员工作负荷与操纵质量直接相关的假设，在知识型作业及人机混合智能系统中该假设是不合理的；另外，这些方法难以客观量化，且不能应用于飞行器设计、适航符合性验证以及航空运营的全过程。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用于飞行器设计、适航符合性验证以及航空运营，能实时量化各种自动化及智能化工作模式下的非线性纵向结构化人机系统机组负荷预测方法。

本发明的目的可以通过以下技术方案来实现：

一种非线性纵向结构化人机系统机组负荷预测方法，包括以下步骤：

1)根据基本工作负荷功能及要素，对机组成员任务负荷进行量化，作为预测人机智能系统机组负荷所需的第一类基础观测数据；

2)根据基本信息决策与控制通道，对机组成员通道负荷进行量化，作为预测人机智能系统机组负荷所需的第二类基础观测数据；

3)引入虚拟工作负荷，建立非线性纵向结构化潜变动态拓扑关系，即人机智能系统机组工作负荷测评机制；

4)在人机智能系统机组工作负荷测评机制的非线性纵向结构化方程模型中附加自动化设备开启状态切换跳跃约束，实现测评机制中人机系统的自动化水平不连续参数的拟马尔可夫单纯形估计；

5)以量化后的机组成员任务负荷以及通道负荷为基本观测序列输入，通过人机智能系统机组工作负荷测评机制，以相对递推的方式定量预测机组成员的工作负荷。

所述的步骤1)中，任务负荷量化基础计算因子W_T的测算以基本工作负荷功能及要素为基础，具体测算过程包括：

11)建立飞行任务中影响工作负荷功能及要素的映射；

12)根据功能及要素需求情况、功能及要素相对权重、驾驶舱操控、功能及要素执行情况，测算任务负荷量化基础计算因子，并将其作为观测模型，量化机组任务负荷，任务负荷量化基础计算因子W_T的具体表达式为：

所述的步骤2)中，通道负荷基础计算因子W_R的测算以显示界面编码设计、Fitts定律、Wickens多资源通道理论、感兴趣区域、机组行为编码设计、基本信息感知与决策控制通道为基础，具体包括：

21)依据界面编码设计中视觉和听觉负荷作用于注意资源分配的凸显性因素，测算注意资源编码因子F_coding；

22)依据Fitts定律及设备尺寸、设备面积以及设备之间的距离，测算注意转移难易程度F_fitts；

23)依据机组成员在完成任务过程中对驾驶舱显控情景成分的关注区域及注意力的转移，测算感兴趣区域概率F_frequency；

24)依据驾驶舱操纵设备及关联行为动作，建立信息决策与控制通道索引，依据通道需求情况、通道相对权重、通道使用情况，测算通道占用情况R；

25)依据Wickens多资源通道理论，结合注意资源编码因子F_coding、注意转移难易程度F_fitts、感兴趣区域概率F_frequency和通道占用情况R，测算通道负荷量化基础计算因子，并将其作为观测模型，量化机组通道负荷。

所述的步骤2)中，通道负荷基础计算因子W_R具体表达式为：

其中，a为相应编码元素i的权重系数，c为相应编码元素i的综合绩效值，n为编码元素总数，D为目标位置距离，S为目标大小，s和d为常数参数，h_j为第j个情景成分出现的次数。

所述的步骤3)中，构建非线性纵向结构化潜变动态拓扑关系具体包括以下步骤：

31)以任务负荷量化及通道负荷量化所得基本观测序列作为非线性纵向结构化方程模型的输入；

32)通过引入虚拟工作负荷以及虚拟工作负荷的缓释特性、梯度变化、累积效应、高阶变化和工况切换五类变化因素，建立考虑机组工作负荷、飞行系统自动化水平、任务复杂程度以及机组成员专业技能水平内在关系的非线性纵向结构化潜变动态拓扑关系；

33)以非线性纵向结构化潜变动态拓扑关系作为人机智能系统机组工作负荷测评机制的人机系统机组负荷预测模型。

在人机系统机组负荷预测模型中：

第一类变化反映工作负荷的缓释特性，即通过虚拟工作负荷潜在变量补充工作负荷序列，通过前后两级工作负荷的弛豫比例预测前一级工作负荷对后一级工作负荷的影响，并由此模拟工作负荷的缓释过程；

第二类变化反映工作负荷的梯度变化，即通过工作负荷潜变斜距因子及其非线性基函数表示工作负荷的短时涨落，并由此模拟各级工作负荷的相对变化过程；

第三类变化反映工作负荷的累积效应，即通过工作负荷初始水平因子表示工作负荷初始状态，通过工作负荷变化响应因子缓存各级工作负荷初始水平与相对变化的分时可加性，并由此模拟各级工作负荷的累加过程；

第四类变化反映工作负荷的高阶变化，即累积效应中的各级缓释特性与梯度变化涵盖工作负荷的各阶高阶变化，用以精确反映工作负荷随时间的变化，并通过各阶变化与观测误差的分离，消除随机误差；

第五类变化反映工作负荷的工况切换，即通过自动化设备开启状态预测因子(A)对飞行工况进行自动分组，使工作负荷测算及自动化水平评估具有准确性和鲁棒性。

所述的步骤4)中，在考虑自动化与智能化驾驶舱环境的变化及其对飞行机组及工作负荷的影响下，进行非连续参数的拟马尔可夫单纯形估计，具体为：

41)在人机智能系统机组工作负荷测评机制中引入自动化设备开启状态预测因子及飞行系统自动化程度载荷因子，并将非线性纵向结构化方程模型作为拟马尔可夫单纯形；

42)附加约束拟马尔可夫单纯形以任务负荷量化及通道负荷量化基本观测序列为依据，并通过数据同化估计非线性纵向结构化方程模型的模型参数。

所述的步骤41)中，自动化设备开启状态预测因子用于记录自动化设备开启状态在相应时刻发生的变化，并将其作为拟马尔可夫单纯形的附加约束；自动化水平用于体现人与自动化及智能化的耦合特性，验证人机智能系统的自动化程度；

所述的步骤5)中，以任务负荷量化及通道负荷量化基本观测序列作为非线性纵向结构化方程模型的输入，通过飞行系统自动化程度载荷因子及各时刻工作负荷响应因子进行递推更新，获得机组工作负荷及自动化水平的稳定预测输出。

所述的步骤5)具体包括以下步骤：

51)建立包含飞行系统自动化程度载荷因子、工作负荷响应因子、机组工作负荷、飞行系统自动化程度、任务复杂程度、飞行员专业技能水平以及相关潜在变量与观测变量之间内在关系的非线性纵向结构化方程模型；

52)将作为观测模型的任务负荷量化及通道负荷量化基本观测序列持续更新输入非线性纵向结构化方程模型；

53)根据非线性纵向结构化方程模型以及输入的基本观测序列，通过数据同化表示相关潜在变量的内在关系，动态更新自动化程度载荷因子及工作负荷响应因子的历时状态，并据此获得工作负荷(工作负荷响应因子W)及自动化水平(动化程度载荷因子a)的稳定预测输出。

与现有技术相比，本发明具有以下优点：

一、本发明综合考虑人机系统自动化与智能化、机组任务以及完成任务所需付出的生理和心理资源，提高了工作负荷测算的准确性和鲁棒性，适于人机系统功能分配及人机融合等研究与应用；

二、本发明以非线性纵向结构化潜变动态拓扑为核心，通过引入虚拟工作负荷及工作负荷的缓释特性、梯度变化、累积效应、高阶变化、工况切换五类变化的时序依赖关系，附加反映自动化设备开启状态跳跃约束的拟马尔可夫单纯形及其非连续参数估计，有效避免工作负荷与自动化静态测评的割裂，并评估人与自动化及智能化的耦合特性；

三、本发明的全部流程及环节均为实时客观量化，可避免现有技术的主观性和滞后性；

四、本发明适用于各类机组构型，包括单人机组、双人机组、多人机组、以及人机混合智能机组；

五、本发明能应用于飞行器设计、适航符合性验证、航空运营全过程。

附图说明

图1为本发明的流程示意图。

图2为任务负荷量化示意图。

图3为通道负荷量化示意图。

图4为人机智能系统机组工作负荷测评机制示意图。

图5为测评机制非连续参数的拟马尔可夫单纯形估计示意图。

图6为飞行机组工作负荷及的相对递推测评示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明提供一种基于非线性纵向结构化潜变动态拓扑的人机系统机组负荷预测方法，包括以下步骤：

(1)获取应用场景下的人机系统数据，所述的应用场景包括飞行仿真、试飞、航空运营等；所述的人机系统数据包括飞机状态、机组操作、视听监控、眼动监控等；这些数据共同构成实验系统或飞行测试数据，是本发明展开后续测算与评估的依据；所述的人机系统包括单人机组、双人机组、多人机组、以及人机混合智能机组驾驶的飞行系统。

(2)量化与任务相关的机组工作负荷，根据飞行任务中影响工作负荷的基本功能及要素映射、功能需求情况、功能及要素相对权重，测算任务负荷量化基础计算因子，并将其作为观测模型，量化相应时刻的机组任务负荷；为使技术人员对本发明的任务量化过程有更全面的了解，相关细节在图2中进行说明。

(3)量化与通道相关的机组工作负荷，根据显示界面的编码设计、Fitts定律、Wickens多资源通道理论、机组行为的编码设计、信息感知与决策控制通道索引，获得注意资源编码因子、注意转移难易程度、感兴趣区域概率、信息感知与决策控制通道占用情况，据此测算通道负荷基础计算因子，并将其作为观测模型，量化相应时刻的机组通道负荷；为使技术人员对本发明的通道量化过程有更全面的了解，相关细节在图3中进行说明。

(4)建立人机智能系统机组工作负荷测评机制，所述的测评机制包括机组工作负荷测算及人机系统自动化水平评估两个部分；其主要过程为依据任务负荷量化及通道负荷量化所得基本观测序列，引入虚拟工作负荷及工作负荷缓释特性、梯度变化、累积效应、高阶变化、工况切换五类变化，并根据其间的时序依赖关系，建立机组工作负荷、飞行系统自动化水平、任务复杂程度、机组成员专业技能水平及相关观测或潜在变量之间的非线性纵向结构化潜变动态拓扑关系；为使技术人员对本发明的人机智能系统机组工作负荷测评机制有更全面的了解，相关细节在图4中进行说明。

(5)估计测评机制中的不连续参数，所述的不连续参数具体指人机系统自动化水平，主要用于反映自动化设备开启状态切换所导致的自动化水平跳跃，体现人与自动化及智能化的耦合特性，验证人机系统的自动化程度；所述的参数估计具体指根据附加自动化设备开启状态切换跳跃约束的非线性纵向结构化潜变动态拓扑关系，即由测评机制所关联的非线性纵向结构化方程模型及附加跳跃约束构成的拟马尔可夫单纯形，结合任务负荷量化及通道负荷量化基本观测序列，实现人机系统自动化水平的估计；为使技术人员对本发明的测评机制不连续参数拟马尔可夫单纯形估计有更全面的了解，相关细节在图5中进行说明。

(6)以相对递推的方式测评飞行机组工作负荷和人机系统自动化水平，所述的相对递推方式具体指依据时序，以任务负荷量化及通道负荷量化基本观测序列为输入，以机组工作负荷及人机系统自动化水平测评机制为模型，通过数据同化揭示相关潜在变量的内在关系，并获得对机组工作负荷的稳定预测输出；为使技术人员对本发明的相对递推测评过程有更全面的了解，相关细节在图6中进行说明。

如图2所示，飞行机组任务负荷量化的主要步骤为：

(2.1)建立影响工作负荷的功能及要素映射，分两步进行。其中，第一步为表1所示的基本工作负荷功能及要素配置需求标志位及相对功能权重，所述的需求标志位用于记录完成飞行任务所需的功能或所需涉及的要素；第二步为基本工作负荷功能及要素与所对应的驾驶舱操控建立映射表，即若驾驶舱操控设备与相应的功能及要素有关联，相应的交叉位置设置为1；所述的驾驶舱操控包括但不限于操纵杆、油门杆、方向舵、副翼、襟翼、扰流板、起落架、ATC、PFD、MFD、ECM、ND、FMC等。

(2.2)测算任务负荷量化基础计算因子，分三步进行。其中，第一步根据基本工作负荷功能及要素的需求标志，统计飞行任务的功能需求情况；第二步根据机组成员的操控行为、影响工作负荷的功能即要素映射，统计飞行任务的功能执行情况；第三步根据飞行任务的功能需求及执行情况、基本工作负荷功能及要素的相对权重，测算任务负荷量化基础计算因子，并将其作为飞行机组任务负荷的基本观测；所述任务负荷量化基础计算因子测算方法为：

如图3所示，飞行机组通道负荷量化的主要步骤为：

(3.1)依据显示界面的编码设计测算注意资源编码因子，所述显示界面编码设计具体是指视觉和听觉负荷作用于注意资源分配的凸显性因素，相应的测算方法为：

其中，a为相应编码元素的权重系数，c为相应编码元素的综合绩效值。

(3.2)依据Fitts定律测算注意转移难易程度，所述Fitts定律的具体内涵指依据设备尺寸、设备面积、设备之间的距离，衡量注意力转移所需付出的努力程度，相应的测算方法为：

其中，D为目标位置距离，S为目标大小，s及d为待定常数。

(3.3)依据注意力的转移测算感兴趣区域概率，所述感兴趣区域具体指机组成员在完成任务过程中对驾驶舱显控情景成分的关注区域；对感兴趣区域的量化可表征为相应区域事件发生的概率或频度：

其中，h_j为相应情景成分出现的次数。

(3.4)测算信息感知与决策控制通道的占用情况，分五步进行。其中，第一步为表2所示的信息决策与控制通道配置需求标志位及相对通道权重，所述的需求标志位用于记录完成飞行任务所涉及的信息决策与控制通道；第二步为驾驶舱操纵设备及其关联行为动作与所对应的信息决策与控制通道建立索引表，即若前者与后者有关联，则相应的交叉位置设置为1；第三步根据信息决策与控制通道配置需求标志，统计完成飞行任务的通道需求情况；第四步根据机组行为的编码设计、操纵设备、信息决策与控制通道索引，统计完成飞行任务的通道使用情况；第五步根据完成飞行任务的通道需求及使用情况、信息决策与控制通道的相对权重，测算信息感知与决策控制通道的占用情况；所述通道占用情况测算方法为：

(3.5)测算通道负荷基础计算因子，结合显示界面编码设计、Wickens多资源通道理论、Fitts定律、感兴趣区域、机组行为的编码设计、信息决策与控制通道建立索引，测算通道负荷基础计算因子，并将其作为飞行机组通道负荷的基本观测。该通道负荷基础计算因子可表征机组成员信息决策与控制通道的实际占用情况，代表机组成员自身生理和心理的实际资源消耗；所述通道负荷基础计算因子测算方法为：

如图4所示，人机智能系统机组工作负荷测评机制面向知识型作业、自动化及智能化系统，可不依赖于机组工作负荷与操纵质量直接相关的假设，能够避免传统方法的主观性和滞后性；所述测算与评估机制通过非线性纵向结构化方程建模引入不可直接观测的潜在变量，利用蕴含于时序数据中的因果关系表达所关切的变量关系，即图4所列的各类因子及相关变量统计特性之间的动态拓扑；具体而言，通过引入虚拟工作负荷以及工作负荷在不同时刻的五类变化，建立机组工作负荷、飞行系统自动化程度、任务复杂程度、飞行员专业技能水平以及相关潜在变量与观测变量之间的内在关系。

所述工作负荷在不同时刻的五类变化具体如下：

(4.1)第一类变化反映工作负荷的缓释特性，即通过虚拟的工作负荷潜在变量补充工作负荷序列，通过前后两级工作负荷的弛豫比例预测前一级工作负荷对后一级工作负荷的影响，并由此模拟工作负荷的缓释过程；

(4.2)第二类变化反映工作负荷的梯度变化，即通过工作负荷潜变斜距因子及其非线性基函数表示工作负荷的短时涨落，并由此模拟各级工作负荷的相对变化过程；

(4.3)第三类变化反映工作负荷的累积效应，即通过工作负荷初始水平因子表示工作负荷初始状态，通过工作负荷变化响应因子缓存各级工作负荷初始水平与相对变化的分时可加性，并由此模拟各级工作负荷的累加过程；

(4.4)第四类变化反映工作负荷的高阶变化，即累积效应中的各级缓释特性与梯度变化涵盖了工作负荷的各阶高阶变化，有利于精确反映工作负荷随时间的变化，并通过各阶变化与观测误差的分离，消除随机误差；

(4.5)第五类变化反映工作负荷的工况切换，即通过自动化设备开启状态预测因子对飞行工况进行自动分组，使工作负荷测算及自动化水平评估具有准确性和鲁棒性。

如图4所示，人机智能系统机组工作负荷测评机制，其实质为一组具有未知变量及待定参数的非线性纵向结构化方程；以此为数学基础，本方法使不可直接观测的潜在变量可测，复杂因果关系可解释，使对自动化及智能化系统与飞行机组工作负荷的联合测评成为可能。

图4中的参数含义如下所示：

W[0]、W[1]、...：工作负荷响应因子；

ΔW：工作负荷变化响应因子；

W[01]、W[12]、W[23]...：虚拟工作负荷响应因子；

W_R：通道负荷预测因子；

W_T：任务负荷预测因子；

A：自动化设备开启状态预测因子；

Q{0}：工作负荷初始水平因子；

Q{1}：工作负荷潜变斜距因子；

a：飞行系统自动化程度载荷因子；

b：任务复杂程度指数因子；

c：机组成员专业技能水平指数因子；

α[t]：工作负荷潜变斜距因子非线性基函数，且α[t]＝e^-(t-1)τ；

β：驰豫比例系数；

μ[0]、μ[1]、υ[0]、υ[1]：相关系数；

ψ{0}²、ψ{1}²：方差。

人机智能系统机组工作负荷测评机制，以参数W_T，W_R，A为输入，其他参数均为输出，本发明目的是实现工作负荷W的预测，飞行系统自动化程度载荷因子a(自动化水平)可用于反映工作负荷可用于反映人与自动化及智能化的耦合特性，根据图4中的人机智能系统机组工作负荷测评机制相对递推的方式进行预测。

如图5所示，人机智能系统机组工作负荷测评机制中非连续参数的拟马尔可夫单纯形估计主要考虑到驾驶舱自动化与智能化工作模式的变化及其对飞行机组的影响；由于所构建的非线性纵向结构化方程模型建立了各级工作负荷对其前级工作负荷的直接或间接依赖关系，各级工作负荷的观测模型具有多个测量指标，且所引入的虚拟工作负荷没有相应的观测模型，因此该模型为拟马尔可夫单纯形。对于完备的单纯形结构，由于测量误差的存在，其相关系数以预定的比例变化，拟单纯形结构的情形并非如此。

(5.1)自动化设备开启状态维持不变时，人机系统自动化水平表征参数理论上也应维持不变；自动化设备开启状态发生切换时，此参数原则上应当产生与之相符的变化，即该参数在自动化设备开启状态切换后具有相应程度的跳跃；

(5.2)若自动化设备开启状态在相应时刻发生变化，非线性纵向结构化方程模型可附加如下约束：

(5.3)拟马尔可夫单纯形可将任务负荷量化及通道负荷量化基本观测序列、人机智能系统机组工作负荷测评机制、自动化设备开启状态切换附加跳跃约束，转化为附加跳跃约束下的非线性纵向结构化方程；通过数据同化可实现人机系统自动化水平的稳定与变化表征及其非连续参数估计；

(5.4)数据同化具体指附加跳跃约束下的非线性纵向结构化方程具有稳定的结构，但其参数及变量可根据任务负荷量化及通道负荷量化基本观测序列、自动化设备开启状态切换附加跳跃约束，通过拟马尔可夫单纯形参数估计及方程求解，进行动态更新。

如图6所示，作为前述技术方案的实现和应用，通过飞行机组工作负荷的相对递推测评，可得到机组工作负荷的稳定预测输出；其中，人机智能系统机组工作负荷测评机制为系统模型，其实质为非线性纵向结构化潜变动态拓扑，建立了自动化程度载荷因子、工作负荷响应因子、机组工作负荷、飞行系统自动化水平、任务复杂程度、飞行员专业技能水平以及相关潜在变量与观测变量之间的内在关系；任务负荷量化及通道负荷量化基本观测序列为机组工作负荷测评机制的持续更新输入，其实质为任务负荷及通道负荷观测模型；所述的自动化程度载荷因子为人机系统自动化水平表征参数，工作负荷响应因子为飞行机组工作负荷潜在变量，两者是非线性结构化方程建模中对权重系数和响应变量的标准命名。

(6.1)所述的相对递推测评具体指在上述数据同化过程中，自动化程度载荷因子及工作负荷响应因子根据测评机制的历时状态、任务负荷量化及通道负荷量化的持续观测，进行动态更新；

(6.2)所述的稳定预测输出具体指上述动态更新保障基于非线性纵向结构化潜变动态拓扑的人机智能系统机组工作负荷测评机制具有准确性和鲁棒性，尤其是测评机制的自动化程度载荷因子及工作负荷响应因子可以有效综合人机系统功能分配及任务场景中的诸多动态因素，包括机组任务负荷、机组通道负荷、驾驶舱自动化与智能化工作模式、以及其间的时序依赖关系，保障机组工作负荷测算及自动化水平评估的置信度和容错性。

Claims (4)

1.一种非线性纵向结构化人机系统机组负荷预测方法，其特征在于，包括以下步骤：

1)根据基本工作负荷功能及要素，对机组成员任务负荷进行量化，作为预测人机智能系统机组负荷所需的第一类基础观测数据；

2)根据基本信息决策与控制通道，对机组成员通道负荷进行量化，作为预测人机智能系统机组负荷所需的第二类基础观测数据；

3)引入虚拟工作负荷，建立非线性纵向结构化潜变动态拓扑关系，即人机智能系统机组工作负荷测评机制，构建非线性纵向结构化潜变动态拓扑关系具体包括以下步骤：

31)以任务负荷量化及通道负荷量化所得基本观测序列作为非线性纵向结构化方程模型的输入；

32)通过引入虚拟工作负荷以及虚拟工作负荷的缓释特性、梯度变化、累积效应、高阶变化和工况切换五类变化因素，建立考虑机组工作负荷、飞行系统自动化水平、任务复杂程度以及机组成员专业技能水平内在关系的非线性纵向结构化潜变动态拓扑关系；

33)以非线性纵向结构化潜变动态拓扑关系作为人机智能系统机组工作负荷测评机制的人机系统机组负荷预测模型，在人机系统机组负荷预测模型中：

第一类变化反映工作负荷的缓释特性，即通过虚拟工作负荷潜在变量补充工作负荷序列，通过前后两级工作负荷的弛豫比例预测前一级工作负荷对后一级工作负荷的影响，并由此模拟工作负荷的缓释过程；

第二类变化反映工作负荷的梯度变化，即通过工作负荷潜变斜距因子及其非线性基函数表示工作负荷的短时涨落，并由此模拟各级工作负荷的相对变化过程；

第三类变化反映工作负荷的累积效应，即通过工作负荷初始水平因子表示工作负荷初始状态，通过工作负荷变化响应因子缓存各级工作负荷初始水平与相对变化的分时可加性，并由此模拟各级工作负荷的累加过程；

第四类变化反映工作负荷的高阶变化，即累积效应中的各级缓释特性与梯度变化涵盖工作负荷的各阶高阶变化，用以精确反映工作负荷随时间的变化，并通过各阶变化与观测误差的分离，消除随机误差；

第五类变化反映工作负荷的工况切换，即通过自动化设备开启状态预测因子(A)对飞行工况进行自动分组，使工作负荷测算及自动化水平评估具有准确性和鲁棒性；

4)在人机智能系统机组工作负荷测评机制的非线性纵向结构化方程模型中附加自动化设备开启状态切换跳跃约束，实现测评机制中人机系统的自动化水平不连续参数的拟马尔可夫单纯形估计，在考虑自动化与智能化驾驶舱环境的变化及其对飞行机组及工作负荷的影响下，进行非连续参数的拟马尔可夫单纯形估计，具体为：

41)在人机智能系统机组工作负荷测评机制中引入自动化设备开启状态预测因子及飞行系统自动化程度载荷因子，并将非线性纵向结构化方程模型作为拟马尔可夫单纯形，自动化设备开启状态预测因子用于记录自动化设备开启状态在相应时刻发生的变化，并将其作为拟马尔可夫单纯形的附加约束；自动化水平用于体现人与自动化及智能化的耦合特性，验证人机智能系统的自动化程度；

42)附加约束拟马尔可夫单纯形以任务负荷量化及通道负荷量化基本观测序列为依据，并通过数据同化估计非线性纵向结构化方程模型的模型参数；

5)以量化后的机组成员任务负荷以及通道负荷为基本观测序列输入，通过人机智能系统机组工作负荷测评机制，以相对递推的方式定量预测机组成员的工作负荷，以任务负荷量化及通道负荷量化基本观测序列作为非线性纵向结构化方程模型的输入，通过飞行系统自动化程度载荷因子及各时刻工作负荷响应因子进行递推更新，获得机组工作负荷及自动化水平的稳定预测输出；

具体包括以下步骤：

51)建立包含飞行系统自动化程度载荷因子、工作负荷响应因子、机组工作负荷、飞行系统自动化程度、任务复杂程度、飞行员专业技能水平以及相关潜在变量与观测变量之间内在关系的非线性纵向结构化方程模型；

52)将作为观测模型的任务负荷量化及通道负荷量化基本观测序列持续更新输入非线性纵向结构化方程模型；

53)根据非线性纵向结构化方程模型以及输入的基本观测序列，通过数据同化表示相关潜在变量的内在关系，动态更新自动化程度载荷因子及工作负荷响应因子的历时状态，并据此获得工作负荷及自动化水平的稳定预测输出。

2.根据权利要求1所述的一种非线性纵向结构化人机系统机组负荷预测方法，其特征在于，所述的步骤1)中，任务负荷量化基础计算因子W_T的测算以基本工作负荷功能及要素为基础，具体测算过程包括：

11)建立飞行任务中影响工作负荷功能及要素的映射；

12)根据功能及要素需求情况、功能及要素相对权重、驾驶舱操控、功能及要素执行情况，测算任务负荷量化基础计算因子，并将其作为观测模型，量化机组任务负荷，任务负荷量化基础计算因子W_T的具体表达式为：

3.根据权利要求1所述的一种非线性纵向结构化人机系统机组负荷预测方法，其特征在于，所述的步骤2)中，通道负荷基础计算因子W_R的测算以显示界面编码设计、Fitts定律、Wickens多资源通道理论、感兴趣区域、机组行为编码设计、基本信息感知与决策控制通道为基础，具体包括：

21)依据界面编码设计中视觉和听觉负荷作用于注意资源分配的凸显性因素，测算注意资源编码因子F_coding；

22)依据Fitts定律及设备尺寸、设备面积以及设备之间的距离，测算注意转移难易程度F_fitts；

23)依据机组成员在完成任务过程中对驾驶舱显控情景成分的关注区域及注意力的转移，测算感兴趣区域概率F_frequency；

24)依据驾驶舱操纵设备及关联行为动作，建立信息决策与控制通道索引，依据通道需求情况、通道相对权重、通道使用情况，测算通道占用情况R；

25)依据Wickens多资源通道理论，结合注意资源编码因子F_coding、注意转移难易程度F_fitts、感兴趣区域概率F_frequency和通道占用情况R，测算通道负荷量化基础计算因子，并将其作为观测模型，量化机组通道负荷。

4.根据权利要求3所述的一种非线性纵向结构化人机系统机组负荷预测方法，其特征在于，所述的步骤2)中，通道负荷基础计算因子W_R具体表达式为：

其中，a为相应编码元素i的权重系数，c为相应编码元素i的综合绩效值，n为编码元素总数，D为目标位置距离，S为目标大小，s和d为常数参数，h_j为第j个情景成分出现的次数。

Images