CN112380627A - 远程遥控船舶人因可靠性分析系统及其控制方法 - Google Patents
远程遥控船舶人因可靠性分析系统及其控制方法 Download PDFInfo
- Publication number
- CN112380627A CN112380627A CN202011341742.2A CN202011341742A CN112380627A CN 112380627 A CN112380627 A CN 112380627A CN 202011341742 A CN202011341742 A CN 202011341742A CN 112380627 A CN112380627 A CN 112380627A
- Authority
- CN
- China
- Prior art keywords
- accident
- personnel
- human
- accidents
- control
- 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.)
- Granted
Links
- 241000282414 Homo sapiens Species 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000010206 sensitivity analysis Methods 0.000 claims description 23
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims description 10
- 230000035484 reaction time Effects 0.000 claims description 9
- 238000004880 explosion Methods 0.000 claims description 7
- 206010000369 Accident Diseases 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000005553 drilling Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 29
- 230000007547 defect Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 206010013647 Drowning Diseases 0.000 description 1
- 208000003591 Hepatoerythropoietic Porphyria Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种远程遥控船舶人因可靠性分析系统及其控制方法，涉及智能船舶领域，该系统包括：事故情景设定模块，用于对每次应急训练的事故参数的设置；岸基控制模块，用于基于各操控人员对智能船舶控制，获取行为数据；评价分析模块，用于通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；建模仿真模块，用于根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真；训练模块，用于通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。本发明可以提升人员的应急处置能力。
Description
技术领域
本发明涉及智能船舶领域，尤其是一种远程遥控船舶人因可靠性分析系统及其控制方法。
背景技术
远程遥控船舶人员操作可靠性是指海岸基站的操作人员在规定时间内和预定工作状况下远程控制智能船舶正确的完成任务的概率，操作失误的产生并不是随机的，而是与操作任务的复杂程度、环境的好坏，操作人员的经验以及操作人员之间的相互组织紧密相关。
随着智能化技术的发展，智能船舶已成为现在发展的趋势，但人工智能不可能完全取代人类，在重大任务面前，仍需要人来对事故信息进行提取，判断，以及指挥调度，并且海上发生的事故类型和环境因素复杂化，对岸基智能船舶操控人员的要求也相应提高，这不仅要求操控人员对每一次事故发生后事故类型的判断，事故发生的各信息的及时提取以及现有资源的合理调度等每一个环节的熟悉掌握。然而，从各类安全事故报告中暴露出了当某些海上安全事故发生需要人员操控救援时，往往存在信息判断，设备操作，人员经验等诸多问题，尤其是在在智能化船舶和远程控制更高的要求下，简单的判断个分析已经无法满足现在的岸基智能船舶远程控制的要求。因此，为提高岸基智能船舶远程控制操作人可靠性，减少错误判断、误操作的发生，迫切需要对人因失误机理进行深入研究，以能全方面地考虑分析电网操作失误的各类原因，并进行敏感性分析，建立动态响应模型，克服弱点，以保证岸基智能船舶远程控制安全稳定运行。
发明内容
为解决上述技术问题的至少之一，本发明的目的在于：提供一种远程遥控船舶人因可靠性分析系统及其控制方法，可以以评价操作人员的可靠性，并以此建立类人仿真代理。
第一方面，本发明实施例提供了：
一种远程遥控船舶人因可靠性分析系统，包括：
事故情景设定模块，用于对每次应急训练的事故参数的设置；
岸基控制模块，用于基于各操控人员对智能船舶控制，获取行为数据；
评价分析模块，用于通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；
建模仿真模块，用于根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真。
训练模块，用于通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。
在一些实施例中，所述事故参数通过以下方式表示：
事故i＝<事故类型Fi，事故等级Di，环境参数，人员参数，组织参数>；
其中，i表示第i个事故，Fi为第i事故的事故类型，Di为第i个事故的事故等级；
事故类型包括：碰撞事故、搁浅事故、触损事故、浪损事故、火灾事故、爆炸事故和自沉事故；
环境参数包括如下参数：风速Wj，以1到10的整数进行评级，风力的强度随数值增大而增大；能见度Vj，以1到10的整数进行评级，能见度随数值增大而增大；流速Fj，以1到10的整数进行评级，水流流速随数值越大而增大；
人员参数包括如下参数：人员经验水平Ei，用1到10的整数进行表示，数值越大水平越高；人员注意力集中程度Ai，用1到5的正数表示，数值越大注意力集中程度越高；人员对于物资熟悉程度Mi，用1到5的整数表示，数值越大，熟悉程度越高；
组织参数包括如下参数：各部门间配合水平Ci，用1到3的整数表示，数值越大，配合默契水平越高。
在一些实施例中，基于各操控人员对智能船舶控制，获取行为数据，包括：
采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei。
在一些实施例中，所述根据获得的行为数据对岸基控制人员的表现进行人因失误率评价，包括：
根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
在一些实施例中，所述根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析，包括：
确定应急处置演练人因可靠性因素PSF；
根据证据合成法则确定各PSF的先验概率；
确定各演练人因可靠性因素PSF之间的依赖关系并建立贝叶斯网络；
根据等概率分布法确定条件概率；
由SLIM方法结合贝叶斯网络计算人因失误率；
进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
第二方面，本发明实施例提供了：
一种远程遥控船舶人因可靠性分析系统的控制方法，包括以下步骤：
设定每次应急训练的事故参数；
基于各操控人员对智能船舶控制，获取行为数据；
通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；
根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真；
通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。
在一些实施例中，所述事故参数通过以下方式表示：
事故i＝<事故类型Fi，事故等级Di，环境参数，人员参数，组织参数>；
其中，i表示第i个事故，Fi为第i事故的事故类型，Di为第i个事故的事故等级；
事故类型包括：碰撞事故、搁浅事故、触损事故、浪损事故、火灾事故、爆炸事故和自沉事故；
环境参数包括如下参数：风速Wj，以1到10的整数进行评级，风力的强度随数值增大而增大；能见度Vj，以1到10的整数进行评级，能见度随数值增大而增大；流速Fj，以1到10的整数进行评级，水流流速随数值越大而增大；
人员参数包括如下参数：人员经验水平Ei，用1到10的整数进行表示，数值越大水平越高；人员注意力集中程度Ai，用1到5的正数表示，数值越大注意力集中程度越高；人员对于物资熟悉程度Mi，用1到5的整数表示，数值越大，熟悉程度越高；
组织参数包括如下参数：各部门间配合水平Ci，用1到3的整数表示，数值越大，配合默契水平越高。
在一些实施例中，基于各操控人员对智能船舶控制，获取行为数据，包括：
采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei。
在一些实施例中，所述根据获得的行为数据对岸基控制人员的表现进行人因失误率评价，包括：
根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
在一些实施例中，所述根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析，包括：
确定应急处置演练人因可靠性因素PSF；
根据证据合成法则确定各PSF的先验概率；
确定各演练人因可靠性因素PSF之间的依赖关系并建立贝叶斯网络；
根据等概率分布法确定条件概率；
由SLIM方法结合贝叶斯网络计算人因失误率；
进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
本发明实施例的有益效果是：通过实施本发明提出的系统和方法，可以对人员的操作能力进行客观的评价，并利用产生的数据建立动态响应模型和类人代理，以进一步用于训练人员来提远程遥控船舶的事故处理能力。
附图说明
图1为根据本发明实施例提供的一种远程遥控船舶人因可靠性分析系统的模块框图；
图2为面向智能船舶岸基控制中心的人员可靠性分析系统原理图；
图3为人员行为数据获取的过程示意图；
图4为运用HEP评价的敏感性分析的过程示意图；
图5为智能船舶的类人代理动态相应类型模型建立的原理图。
具体实施方式
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
本实施例公开的一种远程遥控船舶的人因可靠性分析系统及利用其实现的人员行为评价训练方法，基于此评价训练方法实现对船舶远程遥控人员事故的应急处置选择方法，构建了全面的应急处置评价训练系统，能够根据训练系统得出数据运用贝叶斯网络方法计算人因失误概率(HEP)，对训练系统中的控制人员进行量化评价，并进行敏感性分析，以此用以克服缺陷，根据强化学习对抗训练机器学习，进行建模和仿真，创建动态网络模型类人代理，进而职能的根据控制人员的应急处置训练情况选择合适的训练体系进行训练，克服缺点，获得能力。
远程遥控船舶控制的人因可靠性分析系统包括：事故情景设定模块、岸基控制模块、评价分析模块、建模仿真模块和训练模块。
事故情景设定模块用于对每次应急训练的事故发生的位置、时间、类型的设定，基于环境参数，人员参数，组织参数的设置，并引入火灾爆炸，搁浅、触礁等情形；岸基控制模块由各智能船舶控制人员组成，基于各操控人员对智能船舶控制，实现对事故发生信息的获取，诊断以及人员的反应、指挥调度、行动、组织配合，达到应急处置训练效果，获得数据；评价分析模块通过控制人员对海事事故的应急处置流程和方法，并根据获得的人员行为数据对岸基控制人员的表现进行人因失误率评价，以实现人员可靠性分析及敏感性分析。建模仿真模块用以建立动态响应模型和类人代理仿真，对上述步骤重复进行，进行深度学习对抗训练，是的机器学习训练出与人无差异的类人代理用以在某些方面替代操控人员；训练模块通过使用动态响应模型，并将系统中一些控制部分由类人代理替代操作人员，另一部分或某一部分由操控人员进行控制，获得团队合作能力或个人能力，实现缺点克服。
参照图1，本实施例公开了一种远程遥控船舶人因可靠性分析系统，包括：
事故情景设定模块，用于对每次应急训练的事故参数的设置；
岸基控制模块，用于基于各操控人员对智能船舶控制，获取行为数据；
评价分析模块，用于通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；
建模仿真模块，用于根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真。
训练模块，用于通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。
在一些实施例中，所述事故参数通过以下方式表示：
事故i＝<事故类型Fi，事故等级Di，环境参数，人员参数，组织参数>；
其中，i表示第i个事故，Fi为第i事故的事故类型，Di为第i个事故的事故等级；
事故类型包括：碰撞事故、搁浅事故、触损事故、浪损事故、火灾事故、爆炸事故和自沉事故；
环境参数包括如下参数：风速Wj，以1到10的整数进行评级，风力的强度随数值增大而增大；能见度Vj，以1到10的整数进行评级，能见度随数值增大而增大；流速Fj，以1到10的整数进行评级，水流流速随数值越大而增大；
人员参数包括如下参数：人员经验水平Ei，用1到10的整数进行表示，数值越大水平越高；人员注意力集中程度Ai，用1到5的正数表示，数值越大注意力集中程度越高；人员对于物资熟悉程度Mi，用1到5的整数表示，数值越大，熟悉程度越高；
组织参数包括如下参数：各部门间配合水平Ci，用1到3的整数表示，数值越大，配合默契水平越高。
在一些实施例中，基于各操控人员对智能船舶控制，获取行为数据，包括：
采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei。
具体地，岸基智能船舶远程控制人员根据设定的事故情景及根据各自所承担的任务进行应急处置演练，且每一个环节均有人员对智能船舶进行操作，采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei，任务完成质量。
在一些实施例中，所述根据获得的行为数据对岸基控制人员的表现进行人因失误率评价，包括：
根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
在一些实施例中，所述根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析，包括：
确定应急处置演练人因可靠性因素PSF；
根据证据合成法则确定各PSF的先验概率；
基本概率分配(BPA)或每个个体概率分布函数的置信质量是从不同的来源获得的。如果可以为PSF分配三种不同的状态可能性：{是}、{否}和{是，否}，则由专家为每种状态分配一个BPA来代表专家的信任程度。BPA用m(pi)表示，可以用以下等式来表征:
m(pi)→[0,1]；
然后，一个测试组合规则被用来根据他们各自的信任度来聚合多个知识源。采用两个证据判断m1,m2。
m1,m2表示两个专家对一个事件的综合知识，K表示两个专家之间的冲突程度，这由以下因素决定：
确定各演练人因可靠性因素PSF之间的依赖关系并建立贝叶斯网络；
根据等概率分布法确定条件概率；
由SLIM方法结合贝叶斯网络计算人因失误率；
其中SLIj是任务j的SLI，ωi第i个PSF的权重，Rij为任务j的第i个PSF的工作评级。
成功可能性指数：SLIj＝∑Rijωi；
转换公式：logHEP＝aSLI+b；
评估另外两个任务，其中已知的HEPs为1E-5和0.9，对应的SLI分别被评估为1和0。根据这些，常数a和b可以计算为a＝-4.954和b＝-0.046。从而可求得HEP。
进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
事故i的环境系数Environmentnessi为：
事故i的人员系数Operatornessi为：
事故i的组织系数Contactnessi为：
事故i的完成质量系数Qualitiness为：
使用事故i在本次应急训练处置的人因失误率评价ErrorPerformi为：
ErrorPerfoemi＝Environmentness*Opratorness*Contactness*Qualitiness。
在部分实施例中，根据敏感性分析结果对人员缺陷进行克服改正，重复上述步骤，直至获取的信息中不再出现人员缺陷。
相同的事故情景的相同的操作人员，将每次进行的应急处置演练的判断信息，反应信息，行动信息以及人因失误率进行分类存储。
对每一次的敏感性分析的结果进行人员缺陷的改正，并对每一次失误率小的数据进行更新，直至获取的信息中不再出现人员缺陷，为完全无失误的信息为止。
在上述实施例中，运用知识库和工作记忆中的完全正确的判断、操作、指挥调度信息构建动态响应模型，进行HBM仿真，创建类人代理。
运用同策略蒙特卡洛学习算法ξb进行训练数据集样本的模型构建。
在规定模型已知时，对任意策略π能估计出该策略带来的期望累积奖赏.令函数Vπ())表示从状态x出发,使用策略π所带来的累积奖赏；函数Qπ(,a)表示从状态x出发,执行动作a后再使用策略π带来的累积奖赏.这里的V()称为“状态值函数”，Q()称为“状态-动作值函数”。
令x0表示起始状态，a0表示起始状态上采取的第一个动作；对于T步累积奖赏，用下标t表示后续执行的步数.我们有状态动作值函数。
输入：MDP四元组E＝(X,A,P,R)；被评估的策略π；累积奖赏参数T输出状态函数V。
有了状态值函数V，就能直接计算出状态动作值函数：
首先将样本数据集运用到机器学习中，通过训练样本数据集进行强化学习，依次进行对抗，形成对抗网络，一次次训练后，对数据进行更新，直至训练出类人代理智能控制。
在一些实施例中，将动态响应模型和类人代理运用到岸基智能船舶远程控制系统中，用以操作人员进行训练，缺点克服，获得能力。
将动态响应模型和类人代理运用到岸基远程遥控船舶的控制系统中，其中环境模型用以情景设计部分，可构成事故库，以供选择，无需重复构建情景；操作员模型结合类人代理仿真，可构成操作人员库，在一定场景可进行人员替代，实现智能船舶自动化，无需人员操控；任务网络模型可直接对系统分配指定任务，以供应急处置演练。
在系统中，根据人员弱点，可在需要锻炼的部分，智能船舶由训练操作员操控，其他部分由操作员模型进行替代，以及操控员直接需要锻炼相互之间的合作部分，由部分操控员组织进行训练，形成半智能化训练系统，以供岸基操控人员克服自身缺点，获得能力或加强团队间合作能力，达到更好的效果。
一种远程遥控船舶人因可靠性分析系统的控制方法，包括以下步骤：
设定每次应急训练的事故参数；
基于各操控人员对智能船舶控制，获取行为数据；
通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；
根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真；
通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。
在一些实施例中，所述事故参数通过以下方式表示：
事故i＝<事故类型Fi，事故等级Di，环境参数，人员参数，组织参数>；
其中，i表示第i个事故，Fi为第i事故的事故类型，Di为第i个事故的事故等级；
事故类型包括：碰撞事故、搁浅事故、触损事故、浪损事故、火灾事故、爆炸事故和自沉事故；
环境参数包括如下参数：风速Wj，以1到10的整数进行评级，风力的强度随数值增大而增大；能见度Vj，以1到10的整数进行评级，能见度随数值增大而增大；流速Fj，以1到10的整数进行评级，水流流速随数值越大而增大；
人员参数包括如下参数：人员经验水平Ei，用1到10的整数进行表示，数值越大水平越高；人员注意力集中程度Ai，用1到5的正数表示，数值越大注意力集中程度越高；人员对于物资熟悉程度Mi，用1到5的整数表示，数值越大，熟悉程度越高；
组织参数包括如下参数：各部门间配合水平Ci，用1到3的整数表示，数值越大，配合默契水平越高。
在一些实施例中，基于各操控人员对智能船舶控制，获取行为数据，包括：
采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei。
在一些实施例中，所述根据获得的行为数据对岸基控制人员的表现进行人因失误率评价，包括：
根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
在一些实施例中，所述根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析，包括：
确定应急处置演练人因可靠性因素PSF；
根据证据合成法则确定各PSF的先验概率；
确定各演练人因可靠性因素PSF之间的依赖关系并建立贝叶斯网络；
根据等概率分布法确定条件概率；
由SLIM方法结合贝叶斯网络计算人因失误率；
进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
参照图2、图3、图4和图5，下面结合具体的例子对本发明进行说明，在本实施例中，基于船舶碰撞是案例的智能船舶岸基控制人员的可靠性分析及训练过程。
阶段一：碰撞事故情景设定。
通过情景设定模块设定两艘船舶在某一位置发生碰撞，相应的自然环境条件，碰撞事故等级并最终导致传播沉没事故，同时设定碰撞过程有人员伤亡和落水现象。
远程遥控船舶控制中心设置人员类别：
指挥调度决断人员：主要在事故发生后，根据事故信息，人员信息，物资信息对整个应急处置过程每一部分做出决策决断，并对岸基控制其他人员以及物资的指挥调度。
信息发现与提取人员：主要对事故发生地点、事故类型、事故等级等信息进行提取，以及获取对资源信息的报告。
远程遥控船舶行动人员：主要根据指挥调度决断人员给予的命令控制智能船舶进行现场处理、搜救、封航管制等。
阶段二：事故发现及信息提取。
信息发现人员通过监视终端及时发现事故的发生，并确定事故的发生地点，报告给指挥调度人员，在指挥调度人员进行决策决断时，通过监视信息终端实现对事故坐标、事故类型、事故等级等详细信息的获取。
阶段三：指挥调度决断决策。
指挥调度决断人员接收信息发现与提取人员提供的信息，对事故信息进行分析判断，及时反应，并做出相应的决断决策，给予智能船舶远程控制人员命令，令其开展活动。
阶段四：远程遥控施援救助。
智能船舶远程控制人员根据指挥调度决策决断人员的命令进行智能船舶的远程操控，及时到达事故现场进行应急处置，维持事故发生地点的周边通航秩序，并实行通航管制，以便于更好的对船舶伤亡人员进行搜救。
阶段五：行为记录评价分析。
从事故发生开始到搜救任务完成为止，所有人员的行为被信息终端进行记录，从而为应急处置效果评价提供基础数据，主要统计参数包括：事故发现，信息提取，决策水平，行动能力等各阶段的流程是否执行顺畅，各人员在应急处置训练过程中的预测时间，决断时间，反应时间以及执行的效果。
下表1～5给出了本次碰撞事故案例中个参数的设定：
表1事故场景环境参数设定
表2事故场景人员参数设定
| 人员参数 | 本事故中取值 | 说明 |
| 人员经验 | E＝7 | 经常控制，较为熟练 |
| 注意力集中 | A＝2 | 傍晚遥控，困意袭来 |
| 物资熟悉 | M＝3 | 熟悉程度较高 |
表3事故场景组织参数设定
| 组织参数 | 本事故中取值 | 说明 |
| 配合水平 | C＝1 | 初次合作，磨合较少 |
表4事故过程人员行动标准时间设定及花费时间对比
| 时间参数 | 标准值 | 实际值 |
| 信息判断时间 | 90s | 115s |
| 反应时间 | 10s | 9s |
| 任务执行时间 | 3h | 3.8h |
表5本次碰撞事故的评价分析结果计算
经过前面对事故应急处置训练的岸基远程遥控船舶的人因可靠性评价方法可得到所有人员的应急处置训练综合人控制人因可靠性评价ErrorPerformi。
根据人因可靠性评价ErrorPerformi的值，对记录的人员数据信息使用贝叶斯网络结合人类可靠性指数方法进行人因失误率的计算，并进行人因可靠性评价和针对人员缺陷进行敏感性分析。
阶段六：模型构建类人仿真。
经过不断的应急处置训练，最终得到无误差数据，将得到的数据进行深度学习进行对抗训练，彼此循环进行训练，更换新数据，最终通过机器学习实现类人代理，并构建动态响应模型，包括任务网络模型，操作员模型，环境模型等。
阶段七：克服弱点获得能力。
将建立的动态响应模型和类人代理运用到远程遥控船舶系统中用以实现智能分配任务设计事故场景，部分替代人员进行机器无差别无失误控制智能船舶，部分或单个智能船舶由人员控制，实现供岸基操控人员克服自身缺点，获得能力或加强团队间合作能力，达到更好的效果。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种远程遥控船舶人因可靠性分析系统，其特征在于，包括：
事故情景设定模块，用于对每次应急训练的事故参数的设置；
岸基控制模块，用于基于各操控人员对智能船舶控制，获取行为数据；
评价分析模块，用于通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；
建模仿真模块，用于根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真；
训练模块，用于通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。
2.根据权利要求1所述的远程遥控船舶人因可靠性分析系统，其特征在于，所述事故参数通过以下方式表示：
事故i＝<事故类型Fi，事故等级Di，环境参数，人员参数，组织参数>；
其中，i表示第i个事故，Fi为第i事故的事故类型，Di为第i个事故的事故等级；
事故类型包括：碰撞事故、搁浅事故、触损事故、浪损事故、火灾事故、爆炸事故和自沉事故；
环境参数包括如下参数：风速Wj，以1到10的整数进行评级，风力的强度随数值增大而增大；能见度Vj，以1到10的整数进行评级，能见度随数值增大而增大；流速Fj，以1到10的整数进行评级，水流流速随数值越大而增大；
人员参数包括如下参数：人员经验水平Ei，用1到10的整数进行表示，数值越大水平越高；人员注意力集中程度Ai，用1到5的正数表示，数值越大注意力集中程度越高；人员对于物资熟悉程度Mi，用1到5的整数表示，数值越大，熟悉程度越高；
组织参数包括如下参数：各部门间配合水平Ci，用1到3的整数表示，数值越大，配合默契水平越高。
3.根据权利要求1所述的远程遥控船舶人因可靠性分析系统，其特征在于，基于各操控人员对智能船舶控制，获取行为数据，包括：
采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei。
4.根据权利要求3所述的远程遥控船舶人因可靠性分析系统，其特征在于，所述根据获得的行为数据对岸基控制人员的表现进行人因失误率评价，包括：
根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
5.根据权利要求4所述的远程遥控船舶人因可靠性分析系统，其特征在于，所述根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析，包括：
确定应急处置演练人因可靠性因素PSF；
根据证据合成法则确定各PSF的先验概率；
确定各演练人因可靠性因素PSF之间的依赖关系并建立贝叶斯网络；
根据等概率分布法确定条件概率；
由SLIM方法结合贝叶斯网络计算人因失误率；
进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
6.一种如权利要求1所述的远程遥控船舶人因可靠性分析系统的控制方法，包括以下步骤：
设定每次应急训练的事故参数；
基于各操控人员对智能船舶控制，获取行为数据；
通过控制人员对海事事故的应急处置流程和方法，并根据获得的行为数据对岸基控制人员的表现进行人因失误率评价；
根据事故情景设定模块、评价分析模块、岸基控制模块的数据建立动态响应模型和类人代理仿真；
通过动态响应模型和类人代理仿真代替部分控制人员对控制人员进行训练。
7.根据权利要求6所述的远程遥控船舶人因可靠性分析系统的控制方法，其特征在于，所述事故参数通过以下方式表示：
事故i＝<事故类型Fi，事故等级Di，环境参数，人员参数，组织参数>；
其中，i表示第i个事故，Fi为第i事故的事故类型，Di为第i个事故的事故等级；
事故类型包括：碰撞事故、搁浅事故、触损事故、浪损事故、火灾事故、爆炸事故和自沉事故；
环境参数包括如下参数：风速Wj，以1到10的整数进行评级，风力的强度随数值增大而增大；能见度Vj，以1到10的整数进行评级，能见度随数值增大而增大；流速Fj，以1到10的整数进行评级，水流流速随数值越大而增大；
人员参数包括如下参数：人员经验水平Ei，用1到10的整数进行表示，数值越大水平越高；人员注意力集中程度Ai，用1到5的正数表示，数值越大注意力集中程度越高；人员对于物资熟悉程度Mi，用1到5的整数表示，数值越大，熟悉程度越高；
组织参数包括如下参数：各部门间配合水平Ci，用1到3的整数表示，数值越大，配合默契水平越高。
8.根据权利要求6所述的远程遥控船舶人因可靠性分析系统的控制方法，其特征在于，基于各操控人员对智能船舶控制，获取行为数据，包括：
采集控制人员的信息判断时间ti1，反应时间ti2，任务执行时间ti3，物资消耗量Ei。
9.根据权利要求8所述的远程遥控船舶人因可靠性分析系统的控制方法，其特征在于，所述根据获得的行为数据对岸基控制人员的表现进行人因失误率评价，包括：
根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
10.根据权利要求9所述的远程遥控船舶人因可靠性分析系统的控制方法，其特征在于，所述根据所述行为数据运用贝叶斯网络结合成功可能性指数SLIM相结合的方法进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析，包括：
确定应急处置演练人因可靠性因素PSF；
根据证据合成法则确定各PSF的先验概率；
确定各演练人因可靠性因素PSF之间的依赖关系并建立贝叶斯网络；
根据等概率分布法确定条件概率；
由SLIM方法结合贝叶斯网络计算人因失误率；
进行人因失误率HEP评价，并运用贝叶斯网络图进行敏感性分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011341742.2A CN112380627B (zh) | 2020-11-25 | 2020-11-25 | 远程遥控船舶人因可靠性分析系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011341742.2A CN112380627B (zh) | 2020-11-25 | 2020-11-25 | 远程遥控船舶人因可靠性分析系统及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112380627A true CN112380627A (zh) | 2021-02-19 |
| CN112380627B CN112380627B (zh) | 2024-02-20 |
Family
ID=74588347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011341742.2A Active CN112380627B (zh) | 2020-11-25 | 2020-11-25 | 远程遥控船舶人因可靠性分析系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380627B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862121A (zh) * | 2022-04-08 | 2022-08-05 | 清华大学 | 考虑人因影响的关联基础设施系统建模方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070134639A1 (en) * | 2005-12-13 | 2007-06-14 | Jason Sada | Simulation process with user-defined factors for interactive user training |
| CN103268222A (zh) * | 2013-04-23 | 2013-08-28 | 湖南工学院 | 数字化人机界面监视单元布局方法及布局系统 |
| US20130260346A1 (en) * | 2010-08-20 | 2013-10-03 | Smarty Ants Inc. | Interactive learning method, apparatus, and system |
| CN103632580A (zh) * | 2013-11-21 | 2014-03-12 | 武汉理工大学 | 面向海事应急指挥的多角色人员在环测试系统 |
| CN103646184A (zh) * | 2013-12-24 | 2014-03-19 | 西安工业大学 | 一种利用slim预测车间人因失误概率的方法 |
| KR101388091B1 (ko) * | 2013-12-18 | 2014-04-25 | 한국해양과학기술원 | 선박운항 평가 관리 시스템 및 이를 이용한 선박운항 평가관리방법 |
| WO2016082263A1 (zh) * | 2014-11-28 | 2016-06-02 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于预案的多目标辅助决策平台及其实施方法 |
| CN107065596A (zh) * | 2017-05-17 | 2017-08-18 | 武汉理工大学 | 一种紧迫危险下船舶应急避碰行动效果的仿真评价方法 |
| US20180225976A1 (en) * | 2017-02-06 | 2018-08-09 | Architecture Technology Corporation | Automated real-time clearance analysis for air traffic |
| US10133983B1 (en) * | 2013-10-02 | 2018-11-20 | Hrl Laboratories, Llc | Method and apparatus for modeling probability matching and loss sensitivity among human subjects in a resource allocation task |
| KR102126956B1 (ko) * | 2020-04-21 | 2020-06-25 | 한화시스템 주식회사 | 전투 체계 효과도 분석을 위한 차세대 함정용 데이터 수집 시스템 |
-
2020
- 2020-11-25 CN CN202011341742.2A patent/CN112380627B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070134639A1 (en) * | 2005-12-13 | 2007-06-14 | Jason Sada | Simulation process with user-defined factors for interactive user training |
| US20130260346A1 (en) * | 2010-08-20 | 2013-10-03 | Smarty Ants Inc. | Interactive learning method, apparatus, and system |
| CN103268222A (zh) * | 2013-04-23 | 2013-08-28 | 湖南工学院 | 数字化人机界面监视单元布局方法及布局系统 |
| US10133983B1 (en) * | 2013-10-02 | 2018-11-20 | Hrl Laboratories, Llc | Method and apparatus for modeling probability matching and loss sensitivity among human subjects in a resource allocation task |
| CN103632580A (zh) * | 2013-11-21 | 2014-03-12 | 武汉理工大学 | 面向海事应急指挥的多角色人员在环测试系统 |
| KR101388091B1 (ko) * | 2013-12-18 | 2014-04-25 | 한국해양과학기술원 | 선박운항 평가 관리 시스템 및 이를 이용한 선박운항 평가관리방법 |
| CN103646184A (zh) * | 2013-12-24 | 2014-03-19 | 西安工业大学 | 一种利用slim预测车间人因失误概率的方法 |
| WO2016082263A1 (zh) * | 2014-11-28 | 2016-06-02 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于预案的多目标辅助决策平台及其实施方法 |
| US20180225976A1 (en) * | 2017-02-06 | 2018-08-09 | Architecture Technology Corporation | Automated real-time clearance analysis for air traffic |
| CN107065596A (zh) * | 2017-05-17 | 2017-08-18 | 武汉理工大学 | 一种紧迫危险下船舶应急避碰行动效果的仿真评价方法 |
| KR102126956B1 (ko) * | 2020-04-21 | 2020-06-25 | 한화시스템 주식회사 | 전투 체계 효과도 분석을 위한 차세대 함정용 데이터 수집 시스템 |
Non-Patent Citations (13)
| Title |
|---|
| 侯政良;杨自春;陈国宾;: "基于贝叶斯网络的燃油控制系统人因安全性定量分析", 燃气轮机技术, no. 04 * |
| 傅明炀: "船舶应急操纵状态下人的可靠性分析方法", 《价值工程》 * |
| 傅明炀: "船舶应急操纵状态下人的可靠性分析方法", 《价值工程》, no. 06, 28 February 2015 (2015-02-28), pages 42 - 44 * |
| 吴兵等: "水上交通事故人因可靠性定量评价方法", 《交通运输系统工程与信息》 * |
| 吴兵等: "水上交通事故人因可靠性定量评价方法", 《交通运输系统工程与信息》, no. 04, 15 August 2016 (2016-08-15), pages 24 - 30 * |
| 席永涛: "基于APJE-SLIM 的海运人因失误概率的确定", 《中国安全科学学报》 * |
| 席永涛: "基于APJE-SLIM 的海运人因失误概率的确定", 《中国安全科学学报》, vol. 21, no. 3, 15 March 2011 (2011-03-15), pages 84 - 89 * |
| 席永涛;陈伟炯;夏少生;张晓东;: "基于APJE-SLIM的海运人因失误概率的确定", 中国安全科学学报, no. 03 * |
| 席永涛等: "船舶驾驶员操作可靠性量化的CREAM改进模型", 《中国安全科学学报》 * |
| 席永涛等: "船舶驾驶员操作可靠性量化的CREAM改进模型", 《中国安全科学学报》, no. 11, 15 November 2015 (2015-11-15), pages 3 - 9 * |
| 张笛;梁峥;范存龙;伍静;: "基于贝叶斯网络的船舶自沉事故后果预测", 中国航海, no. 01 * |
| 王彦富;秦桃;刘帅;孙小斐;: "海洋平台疏散过程中的人因可靠性分析", 工业安全与环保, no. 02 * |
| 陈思;魏晓阳;吴青;汪洋;: "基于动态贝叶斯的水上交通应急能力评估模型", 统计与决策, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862121A (zh) * | 2022-04-08 | 2022-08-05 | 清华大学 | 考虑人因影响的关联基础设施系统建模方法及装置 |
| CN114862121B (zh) * | 2022-04-08 | 2023-02-28 | 清华大学 | 考虑人因影响的关联基础设施系统建模方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112380627B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108490889B (zh) | 基于te模型的智能工厂安全大数据数据源发生方法及装置 | |
| Zio | Reliability engineering: Old problems and new challenges | |
| Zhou et al. | A slim integrated with empirical study and network analysis for human error assessment in the railway driving process | |
| US20140156584A1 (en) | Systems and methods for management of risk in industrial plants | |
| Sanderson | Cognitive work analysis | |
| CN112380627A (zh) | 远程遥控船舶人因可靠性分析系统及其控制方法 | |
| Yang et al. | An intelligent operational supervision system for operability and reliability analysis of operators manual actions in task implementation | |
| Morais et al. | Human reliability analysis—accounting for human actions and external factors through the project life cycle | |
| Boring et al. | A research roadmap for computation-based human reliability analysis | |
| Zarri | Operational expert system applications in Europe | |
| Hanea et al. | Using dynamic Bayesian networks to implement feedback in a management risk model for the oil industry | |
| US10997513B1 (en) | Dynamic, risk informed decision support systems and methods | |
| Zaky | Risk analysis using fuzzy system based risk matrix methodology | |
| Bearman et al. | Expert systems: opportunities in the minerals industry | |
| Kobbacy et al. | Artificial intelligence in maintenance | |
| Das | An efficient way to enable prognostics in an onboard system | |
| Falcone et al. | An Experimental Study on Developing a Cognitive Model for Human Reliability Analysis | |
| Park et al. | Verification strategy for artificial intelligence components in nuclear plant instrumentation and control systems | |
| Polkovnikova et al. | Hybrid expert system development using computer-aided software engineering tools | |
| CN117436849B (zh) | 基于大数据技术的医疗器械维修处理方法及系统 | |
| Núñez-Carrera et al. | Failure analysis of the standby liquid control system for a boiling water reactor with fuzzy cognitive maps | |
| Yan et al. | Design of Ecological Interface for Nuclear Power Plant Based on Cognitive Work Analysis | |
| Parhizkar et al. | Dynamic probabilistic risk assessment | |
| Parhizkar | Simulation-based Probabilistic Risk Assessment | |
| Massel et al. | Semiotic approach to development of intelligent systems of contingency management in energy sector |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |