CN114862121B - 考虑人因影响的关联基础设施系统建模方法及装置 - Google Patents
考虑人因影响的关联基础设施系统建模方法及装置 Download PDFInfo
- Publication number
- CN114862121B CN114862121B CN202210369318.1A CN202210369318A CN114862121B CN 114862121 B CN114862121 B CN 114862121B CN 202210369318 A CN202210369318 A CN 202210369318A CN 114862121 B CN114862121 B CN 114862121B
- Authority
- CN
- China
- Prior art keywords
- model
- modeling
- infrastructure system
- human
- infrastructure
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000005094 computer simulation Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 230000006399 behavior Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001149 cognitive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008846 dynamic interplay Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 5
- 235000019580 granularity Nutrition 0.000 abstract description 4
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 34
- 238000010586 diagram Methods 0.000 description 15
- 238000013459 approach Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 239000006071 cream Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 208000003591 Hepatoerythropoietic Porphyria Diseases 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000000701 chemical imaging Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000010206 sensitivity analysis Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000003920 cognitive function Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- KAATUXNTWXVJKI-UHFFFAOYSA-N cypermethrin Chemical compound CC1(C)C(C=C(Cl)Cl)C1C(=O)OC(C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 KAATUXNTWXVJKI-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 102000054766 genetic haplotypes Human genes 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000004069 plant analysis Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种考虑人因影响的关联基础设施系统建模方法、装置、电子设备及存储介质,其中,方法包括:通过采用高级体系结构标准,集成多个特定关键基础设施系统的领域模型和人因因素模型,并模拟模型之间动态的实时交互。本申请在允许表征人员可靠性的因素与其关联的关键基础设施系统的状态和行为相互进行动态调整的同时,还允许对多重粒度的基础设施系统之间的功能关联进行建模,精细化模拟系统的行为。本申请可以辅助对基础设施系统的运行结果进行更合理的评估和预测,从而帮助识别、测试和实施更高效、可靠和安全的工作过程。由此,解决了关键基础设施系统对人因失误概率的评估和预测出现偏差等问题。
Description
技术领域
本申请涉及关联基础设施系统技术领域,特别涉及一种考虑人因影响的关联基础设施系统建模方法、装置、电子设备及存储介质。
背景技术
关键基础设施系统(Critical Infrastructure System,CIS)提供了人类日常生产生活所需的基本服务,是现代社会的支柱。因此,关键基础设施系统的可靠性、安全性和韧性引起了众多专家学者的关注。由于关键基础设施系统中各部分相互关联的性质,CIS内的故障和事故可能在多个系统中迅速传播。一些历史事件表明,关键基础设施系统中大量的故障和事故是人在操作过程中的失误导致的。人参与了关键基础设施系统生命周期中的若干活动,如维修、应急响应以及恢复等等。不完美的天性使人们容易出现失误,这些失误可能导致系统漏洞增加,并对系统的韧性产生负面影响。因此,在对关键基础设施系统运行进行建模和评估时,应该充分地考虑参与在CIS中的人的可靠性、表现和行为特征等人因因素。
目前一些模型或者技术已经可以用来对人因因素进行建模,如人因可靠性分析(HRA)、认知模型、贝叶斯网络等。这些模型量化了关键基础设施系统中操作人员在预设的运行环境中完成某项操作任务的可靠性或者表现。一些研究利用上述模型来预测人的失误对于关键基础设施系统的状态的影响。这些研究的局限性在于只考虑了人对于系统的单向影响而没有考虑人因因素对关键基础设施系统状态的动态调整。例如,当故障通过系统进行传播时,由于压力以及待完成的任务数量等的增加,操作人员的可靠性会显著的降低,这可能会导致操作人员工作出现失误,使得系统的状态进一步恶化。为了揭示这些不可预见的操作复杂性、反馈的循环和系统的漏洞的影响,构建人-技术双向影响机制在对关键基础设施系统建模时是十分重要的。此外,随着时间的增加,长时间连续工作中积累的疲劳、压力和注意力的丧失会使得操作人员的可靠性和表现逐步降低。然而,此前大多数将人因因素纳入关键基础设施系统建模的研究都没有考虑到人因因素对时间的依赖性,因此无法在连续工作时长对关联基础设施系统运行的影响这一方面提出有用的见解。因此,需要新的建模方法,将人因因素纳入关联基础设施建模,同时考虑技术因素和人因因素之间动态的双向影响。
其中,近年来,研究人员提出了大量的建模方法来对关联的基础设施系统进行建模和研究。基于主体的模型(Agent Based Models,ABM),基于复杂网络(Complex Network,CNB)建模和系统动力学(Systems Dynamics,SD)建模是研究关联的关键基础设施系统最常用的方法。由于这些方法经常被应用于开发关联关键基础设施系统的整体模型,它们可以归类为集成建模方法。一些应用上述方法的前沿关联关键基础设施系统模型可以复现出关联系统的拓扑特性、功能特性和运行特征。然而,集成各类建模方法有两个主要的局限性。首先,在一个单一的概念框架内,对不同系统和代理的异构性质和行为进行合理地建模具有一定的挑战性。例如,基于复杂网络建模(CNB)的原理可能适合对供电系统进行建模,但不能合理的对医疗卫生、行政组织(organizational systems)等基于人的系统进行建模。因此,关键基础设施系统在物体网络特征、物质流动特征、操作机制和灾难响应模式方面的差异优势会被忽略或没有准确的被单体模型捕获。相关技术证明了系统的异质性对关键基础设施系统的行为有显著的影响,因此在建模过程中不应忽视这一特性。第二,单体模型的可扩展性收到了限制。当处理大规模和高分辨率的系统模型时,单体模型的计算成本变得更加重要。计算成本的增加限制了复杂的单体模型如何被重用、适应和扩展以应用于其他研究。
近年来,越来越多的研究对使用分布式模拟和联邦建模技术来共同模拟关联关键基础设施系统进行了探索。IEEE高级架构(High Level Architecture,HLA)标准是在开发分布式模拟环境时最广泛采用的标准。
HLA是一系列IEEE协同仿真标准,广泛应用于军事仿真、供应链管理、大规模网络计算、信息物理系统建模等多个领域。典型的HLA联邦架构由名为联邦的模拟器、运行时基础设施(RunTime Infrastructure,RTI)中间件和联邦对象模型(Federation ObjectModel,FOM)组成,如图1所示。在联邦执行期间,RTI提供数据交换管理、同步和协调服务。FOM包含有关联邦之间交换的对象属性和数据类型的详细信息。
与常用的集成建模方法相比,采用基于HLA的关联关键基础设施系统建模存在一些优点:包括现有的针对特定领域的CIS模型的可再用的能力、异构模型的互用性、提高了计算效率、联邦的可拓展性和提高了建模的安全性。作者之前的研究表明,基于HLA的关联关键基础设施系统建模可以有效地捕获系统的异质性,同时提供关于关联关键基础设施系统建模的行为的粒度数据。
在关键基础设施系统的研究中,对人的因素的建模通常与对人在系统状态诊断、操作任务的决策和执行等操作活动中的表现建模相关。人员的表现不是一个原因而是由许多人员、技术、组织和环境因素(行为形成因子(PerformanceShaping Factors,PSFs))塑造和激发的结果。针对关键基础设施系统中人的表现的,在关键基础设施系统中对人员的表现进行建模有两种常见的方法,包括以时间为中心的方法和以过程为中心的方法。
在关键基础设施系统中模拟人员表现的以时间为中心的方法考虑了人员主体需要长时间连续工作或在悠闲地时间内对系统中断做出反应场景。研究表明,由于长时间连续工作(Long-time Continuous Work,CWT)导致的疲劳和压力积累以及注意力不集中,系统操作人员的表现会随着时间进展而逐渐变差,从而导致每年发生大量事故。此外,在反应时间有限的紧急情况下,操作人员的表现也可能显著下降。现有文献中已经提出了几种以时间为中心的人类绩效模型,包括比例风险回归模型(Proportional Hazard Model,PHM)、人类认知可靠性(Human Cognitive Reliability,HCR)模型等。
在关键基础设施系统中模拟人员表现的以过程为中心的方法考虑了操作任务的性质和完成这些任务的条件。在这种方法中,系统地分析了工作流程并检查了各种PSF,以预测不同场景下的人员表现。基于过程的方法是文献中提出的大多数人类可靠性分析(Human Reliability Analysis,HRA)技术的基础,例如人因失误率预测法(THERP)、认知可靠性与差错分析方法(CREAM)、人因失误的评估和降低技术(HEART)、人因失误分析技术(ATHEANA)等。其中,CREAM利用一个整合个人、技术和组织因素的认知框架,进行人类绩效评估和失误概率的计算。与其他HRA技术相比,CREAM的一个优点是考虑了PSF之间的相关性,从而对人员表现和人因失误概率(Human Error Probability,HEP)进行了更合理的估计。然而,CREAM是一种基于过程的技术,它没有考虑操作人员的持续工作时间,这使得它不适合对长时间连续的工作过程进行建模。
一些研究采用对人员表现进行建模方法来评估人因因素对关键基础设施系统的性能、可靠性和整体行为的影响。这些研究大多采用HRA技术来量化系统操作人员的人因失误概率。HRA起源于核工业,现在正逐渐被其他关键基础设施领域采用。例如,采用SPAR-H(standardized plant analysis risk-human)HRA技术来研究在级联故障期间操作员失误的概率对电网可靠性的影响。将SHERPA技术用于医疗卫生领域,作为医疗卫生失误管理和患者安全改进的一种方法。采用CREAM技术来评估人员表现对电力系统调度运行的影响。
现有的关键基础设施系统中人因因素建模方法的一个主要的局限性是他们无法在系统运行中同时对系统和人员的动态行为进行建模。大多数关于关键基础设施系统中操作人员的可靠性的研究局限于预测操作人员在预设条件或PSFs下的HEP或任务表现。而没有考虑到物理系统、环境和组织状态随时间的动态变化,因此无法对短时间内的应急响应以及长期运行维护中人员表现的变化进行建模。
一些研究试图通过提出CISs中人员表现的动态仿真模型来解决上述局限性。例如提出了一种基于代理的分层建模方法来评估人员的表现,以及开发了一个A DynamicsSimulator paired with the Information Decision and Action in Crew(ADS-IDAC)用于对操作人员的动态行为进行建模。尽管上述建模方法比传统的人因可靠性分析(HRA)方法更成熟,但这些方法大多数是针对特定的CIS特制的,无法灵活应用于其他CIS领域。例如ADS-IDAC是专门为模拟核能应急响应操作而开发的。此外,先前研究中提出的动态仿真模型主要以过程为中心,未能考虑CWT对人员表现的影响,这可能会显著影响涉及长时间工作场景仿真结果的准确性。
除了上述限制外,先前的研究在其模型中只考虑了单个关键基础设施系统,不能解释系统和操作人员之间跨领域的关联性。因此,在考虑人因因素的相互依赖社会建模以及理解受人因因素影响的相互依赖社会的异质行为方面,仍存在显著的知识空白有待填补。因此,关于考虑人因因素的关联基础设施系统建模,以及理解受人因因素影响的关联基础设施系统异质性行为方面,仍存在显著的知识空白亟待填补。
发明内容
本申请提供一种考虑人因影响的关联基础设施系统建模方法、装置、电子设备及存储介质,以解决关键基础设施系统对人因失误概率的评估和预测出现偏差等问题。
本申请第一方面实施例提供一种考虑人因影响的关联基础设施系统建模方法,包括以下步骤:构造多个特定关键基础设施系统的领域模型和人因因素模型;基于高级体系结构标准,将所述多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,以模拟人-系统交互和跨领域系统的关联性,并模拟模型之间的动态交互;以及通过模拟关联关键基础设施系统的状态和行为,和/或对基础设施系统之间的功能关联性进行精细化建模,构建关联关键基础设施系统CIS模型,以预测揭示在所述关联关键基础设施系统运行过程中人和基础设施状态之间的影响机制,和/或对基础设施系统的运行结果进行评估和预测。
可选地,在本申请的一个实施例中,所述多个特定关键基础设施系统的领域模型由模型实体的集合描述得到,其中,所述模型实体为关键基础设施系统中的任一组件。
可选地,在本申请的一个实施例中,还包括:根据所述关键基础设施系统的模型输入集及选定所述CIS模型的建模原则和方程,更新每个模型实体的输出级别。
可选地,在本申请的一个实施例中,在生成关联基础设施系统CIS模型之前,还包括:基于跨领域功能关联性、以及灾害影响、管理和控制操作生成至少一项约束条件。
可选地,在本申请的一个实施例中,还包括:检索发布到联邦其余部分的模拟器输出;基于所述模拟器输出生成模型用户的日志文件。
本申请第二方面实施例提供一种考虑人因影响的关联基础设施系统建模装置,包括:构造模块,用于构造多个特定关键基础设施系统的领域模型和人因因素模型;融合模块,用于基于高级体系结构标准,将所述多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,以模拟人-系统交互和跨领域系统的关联性,并模拟模型之间的动态交互;以及评估模块,用于通过模拟关联关键基础设施系统的状态和行为,和/或对基础设施系统之间的功能关联性进行精细化建模,构建关联关键基础设施系统CIS模型,以预测揭示在所述关联关键基础设施系统运行过程中人和基础设施状态之间的影响机制,和/或对基础设施系统的运行结果进行评估和预测。
可选地,在本申请的一个实施例中,所述多个特定关键基础设施系统的领域模型由模型实体的集合描述得到,其中,所述模型实体为关键基础设施系统中的任一组件。
可选地,在本申请的一个实施例中,还包括:更新模块,用于根据所述关键基础设施系统的模型输入集及选定所述CIS模型的建模原则和方程,更新每个模型实体的输出级别。
可选地,在本申请的一个实施例中,还包括:生成模块,用于在生成关联基础设施系统CIS模型之前,基于跨领域功能关联性、以及灾害影响、管理和控制操作生成至少一项约束条件。
可选地,在本申请的一个实施例中,还包括:检索模块,用于检索发布到联邦其余部分的模拟器输出;生成模块,用于基于所述模拟器输出生成模型用户的日志文件。
本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的考虑人因影响的关联基础设施系统建模方法。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的考虑人因影响的关联基础设施系统建模方法。
由此,本申请至少具有如下有益效果:
通过采用高级体系结构标准,集成多个特定关键基础设施系统的领域模型和人因因素模型,并模拟模型之间的动态的实时交互作用。本申请在允许表征人员可靠性的因素与其关联的关键基础设施系统的状态和行为相互进行动态调整的同时,还允许对多重粒度的基础设施系统之间的功能关联进行建模,精细化模拟系统的行为。本申请有助于推动将人因因素纳入多领域的关键基础设施研究,开发基于场景的人员可靠性和系统可靠性的预测模型,揭示在系统运行过程中人和基础设施之间无法观察到的复杂影响机制。此外,本申请可以辅助对基础设施系统的运行结果进行更合理的评估和预测,从而帮助识别、测试和实施更高效、可靠和安全的工作过程。由此,解决了关键基础设施系统对人因失误概率的评估和预测出现偏差等问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为一种典型HLA联邦结构示意图;
图2为根据本申请实施例提供的一种考虑人因影响的关联基础设施系统建模方法的流程图;
图3为根据本申请的一个实施例提供的考虑人因因素的关联基础设施系统的联邦模拟示意图;
图4为根据本申请的一个实施例提供的CIS和人类联邦成员之间的模拟步骤和主要数据交换路径流程示意图;
图5为根据本申请的一个实施例提供的SA/DMU的模拟步骤流程示意图;
图6为根据本申请的一个实施例提供的确定PSF“可用时间”水平的贝叶斯网络示例图;
图7为根据本申请的一个实施例提供的人员表现联邦的实施流程示意图;
图8为根据本申请的一个实施例提供的DPU的数据处理算法示意图;
图9(a)为根据本申请的一个实施例提供的供电系统拓扑图(不按实际比例),图9(b)为根据本申请的一个实施例提供的供水系统拓扑图(不按实际比例);
图10为根据本申请的一个实施例提供的一种在联邦运行期间在每个时间步长内联邦之间信息的交换示意图;
图11为根据本申请的一个实施例提供的一种1000余次仿真中操作人员的平均表现示意图;
图12(a)为根据本申请的一个实施例提供的水泵的电力供应示意图;图12(b)为根据本申请的一个实施例提供的分布节点处的水压示意图;图12(c)为根据本申请的一个实施例提供的高架水箱中的水位示意图;图12(d)为根据本申请的一个实施例提供的发电机的使用性能示意图;
图13(a)为根据本申请的一个实施例提供的供电系统的性能指标示意图,图13(b)为根据本申请的一个实施例提供的供水系统的性能指标示意图;
图14为根据本申请的一个实施例提供的对第一组的人因绩效的敏感度分析结果示意图;
图15为根据本申请的一个实施例提供的参数Si几何表示示意图;
图16为根据本申请的一个实施例提供的参数Stotal几何表示示意图;
图17为根据本申请的一个实施例提供的参数|Si-Sj|几何表示示意图;
图18为根据本申请实施例的考虑人因影响的关联基础设施系统建模装置的示例图;
图19为申请实施例提供的电子设备的结构示意图。
附图标记说明:构造模块-100、融合模块-200、评估模块-300、存储器-1901、处理器-1902、通信接口-1903。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的考虑人因影响的关联基础设施系统建模方法、装置、电子设备及存储介质。针对上述背景技术中提到的人的失误会导致大量的故障和事故,这些故障和事故可以在相互关联的关键基础设施系统中传播,从而影响系统的可靠性、安全性和韧性。此前大多数对于关键基础设施系统中人因因素的研究,没有考虑与系统和操作条件动态变化相关的人因因素的演变。因此,对人因失误概率的评估和预测可能会出现偏差,并且可能会显著影响后续管理决策的最优性的问题,本申请提供了一种考虑人因影响的关联基础设施系统建模方法,在该方法中,通过采用高级体系结构标准,集成多个特定关键基础设施系统的领域模型和人因因素模型,并模拟模型之间的动态的实时交互作用。本申请在允许表征人员可靠性的因素与其关联的关键基础设施系统的状态和行为相互进行动态调整的同时,还允许对多重粒度的基础设施系统之间的功能关联进行建模,精细化模拟系统的行为。本申请有助于推动将人因因素纳入多领域的关键基础设施研究,开发基于场景的人员可靠性和系统可靠性的预测模型,揭示在系统运行过程中人和基础设施之间无法观察到的复杂影响机制。此外,本申请可以辅助对基础设施系统的运行结果进行更合理的评估和预测,从而帮助识别、测试和实施更高效、可靠和安全的工作过程。由此,解决了关键基础设施系统对人因失误概率的评估和预测出现偏差等问题。
具体而言,图2为本申请实施例所提供的一种考虑人因影响的关联基础设施系统建模方法的流程图。
如图2所示,该考虑人因影响的关联基础设施系统建模方法包括以下步骤:
在步骤S101中,构造多个特定关键基础设施系统的领域模型和人因因素模型。
在步骤S102中,基于高级体系结构标准,将多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,以模拟人-系统交互和跨领域系统的关联性,并模拟模型之间的动态交互。
为便于参考,表1中提供了本申请中使用的符号清单。
表1建模方法中使用的选定符号
具体地,本申请所提出的考虑人因影响的关联基础设施系统建模方法包括一个HLA联邦架构和一个仿真过程,用于对考虑人因因素在内的关联的关键基础设施系统进行建模。本申请所提出的联邦架构如图3所示。架构描述了关联的关键基础设施系统联邦各个组件的布局,并组成几个关键基础设施系统模块。一个模块是一组关联的联邦,负责对特定关键基础设施系统的物理系统、代理和因素进行建模和仿真。每个模块有一个关键基础设施系统联邦和他的数据处理单元(DPU)、一个人员表现联邦以及它的态势感知和决策单元(SA/DMU)组成。仿真过程如图4所示,描述了在联邦执行期间,CIS和人员联邦之间的仿真步骤和主要数据交换路径。
需要说明的是,CIS联邦可以对特定领域的关键基础设施系统模型进行仿真。特定CIS领域的模型是一组用来对特定CIS组件的特征、功能和相互作用进行建模的算法、函数或方程。这些模型可以是物理驱动模型、数据驱动模型、仿真模型等,在实践中常被专业人员和研究人员用于设计、实时监控和控制系统,以及评估或预测系统行为。
可选地,在本申请的一个实施例中,CIS领域的模型可以描述为模型实体的集合其中ei表示模型的第i个实体。实体是任何作为CIS模型一部分的组件,例如,供电系统模型中的发电机。每个实体在t时间,mi≥1的情况下都有一组属性属性是描述实体状态的参数,例如发电机的可用性。模型在特定时间的状态可以用其所有实体和属性的集合δ(·)={E,A},其中表示。在仿真的每个时间步长中,CIS联邦会根据从DPU收到的模型输入Ii以及选定CIS模型的建模原则和方程,更新每个模型实体的输出级别Oi。
可以理解的是,协同模拟多个特定于CIS领域的模型可以促进来自不同CIS领域的知识、数据、操作和管理流程的集成,从而改进CISs相互依赖关系的建模,促进跨领域协作。融合多个特定CIS领域模型的协同仿真可以促进来自不同CIS领域的知识、数据、运行和管理流程的集成,从而提升关联的关键基础设施系统建模,促进跨领域的合作。
在建立上述CIS模型后,在本申请的实施例中,通过根SA/DMU根据CIS的状态和操作条件,对操作人员PSF的态势感知、决策制定和动态演化进行建模,并构建人员绩效模型。在本申请的实施例中,人因因素模型包括对态势感知所构建的模型以及上述人员绩效模型。从而将人因因素纳入关联基础设施建模,考虑技术因素和人因因素之间动态的双向影响。其中,关联基础设施建模过程下述进行详细介绍,于此不再赘述。
具体地,SA/DMU的建模步骤如图5所示。需要说明的是,本申请的实施例使用基于规则的专家系统方法,对操作人员的系统状态(态势感知)的推断和决策过程进行建模。在典型的专家系统中,信息以生产规则(IF-THEN)的形式表示,这一规则通过检查一个特定系统的领域知识导出。
为了对态势感知进行建模,需要对每个模型实体的属性进行分析来确定这些实体的功能状态(例如,正常状态、故障状态、严重故障状态等)。然后定义一组规则,将特定状态组合与特定情况连接如式(1)所示:
IF[(status 1 is true)AND(status 2 is true)…]THEN[situation 1 istrue] (1)
根据所确定的操作情况,自动更新操作场景,包括必要的紧急干预措施、日常维护等信息。然后就可以确定操作任务。决策过程被建模为将多个情况的组合连接到特定的操作任务中的一组规则,如式(2)所示:
IF[(situation 1 is true)AND(situation 2 is true)…]THEN[perform tasktype 1] (2)
需要注意的是,可能的状态、情况、规则和操作任务是根据现有的工作流程、应急操作指南、历史数据和各关键基础设施系统领域的专业知识来确定的。
根据上述确定的操作场景和操作任务,可以确定可能影响任务执行的静态和动态PSF。静态PSF是在任务执行过程中将保持不变的因素,如“培训和准备的充分性”和“程序的可用性”等。动态PSF是在每个时间步长中都应该进行评估的因素,如“模拟目标的数量”和“可用时间”等。本申请的实施例所考虑的PSF在下述的表4再进行描述。动态PSF可以使用基于规则的方法或贝叶斯网络进行调整。当动态的PSF可以用“如果实际时间在早上6点到下午5点之间,则PSF的‘一天中的时间’的水平为‘日时间’”这一简单的规则来解释时,则使用基于规则的方法。当PSF的动态复杂且涉及多个变量时,则使用贝叶斯网络。图6说明了一个确定PSF“可用时间”水平的贝叶斯网络的例子。
上述人员表现联邦基于一组静态和动态的PSF来确定操作人员的操作任务的结果。为此,本申请提出了一种第二代HRA技术,即改进版本的CREAM,其旨在利用CREAM的认知框架,并纳入一个与时间相关的变量来捕捉CWT对人员表现的影响。图7详细的描述了人员表现联邦的实施。
具体的,在本申请的实施例中,首先根据SA/DMU所确定的操作任务来确定认知功能和失效的模式。如表2所示,CREAM提出了观察、解释、计划和执行这四种认知活动类型,以及13种一般的认知功能失效的类型。每种失效类型都有一个名义上的人因误差概率(HEPi),HEPi近似HSP但是不考虑PSF的影响。
表2 13种通用认知故障模式的标准值
本申请为了引入CWT对人员表现的影响,利用威布尔分布函数对HEPi进行修正,得到了CREAM随时间变化的名义误差概率如式(3)-式(6)所示。以往的研究均采用威布尔分布函数来描述人类可靠性与工作时间之间的关联性。威布尔分布函数提供了一个恒定的故障率,生成了一个随时间增加的不可靠性曲线。
k=1-HEPi (5)
其中k表示操作人员的可靠性系数,t是操作人员的工作时间,α是用式(6)计算出的尺度参数,而β是描述威布尔曲线形状的系数。上述系数可根据操作人员完成的一般任务来确定,如表3所示。
表3通用任务和可靠性系数列表
HEP调整系数μ根据SA/DMU所提供的更新后的PSF水平进行计算。CREAM引入了对操作人员表现有预期影响的9个PSF,可以概括为改进、不显著和减少三个级别(如表4所示)。每个PSF水平都有一个影响系数(αi),用于计算下式中μ的值:
μ=∑iαi (7)
最后,操作人员完成操作任务的调整后的HEP可用如下方式计算:
表4 PSFs及其对绩效可靠性的影响
然后用计算出的HEP来确定操作任务的结果。操作任务的可能结果通常被概括为“成功”或“失败”,其中HEP只是操作员失败任务的概率。然而,一些任务可能会导致不同级别的成功或失败。例如维护任务的结果可以是“由于维护失误导致的组件故障-A”、“组件和过去一样糟糕-B”或“组件和新的一样好-C”。在上述情况下,每个结果的概率可以确定如下:
PA=HEP·ξA (9)
PB=HEP·ξB (10)
PC=1-(PA+PB) (11)
其中ξA和ξBξi为一个系数,表示由人因失误引起的某一任务结果的比例。
本申请的实施例采取HLA协同仿真标准作为关联关键基础设施系统和人因因素模型的解决方案,并允许两者随时进行信息的传递。
在步骤S103中,通过模拟关联关键基础设施系统的状态和行为,和/或对基础设施系统之间的功能关联性进行精细化建模,构建关联关键基础设施系统CIS模型,以预测揭示在关联关键基础设施系统运行过程中人和基础设施状态之间的影响机制,和/或对基础设施系统的运行结果进行评估和预测。
需要说明的是,如图3所示,本申请实施例中每个CIS模块除有一个关键基础设施系统联邦外,还包括其对应的数据处理单元(DPU)等。其中DPU作为构造器,即构造上述关联基础设施系统CIS模型,无需额外的计算就可以处理RTI和CIS之间数据的调用以及修改数据的传递。
可选地,在本申请的一个实施例中,在生成关联基础设施系统CIS模型之前,还包括:基于跨领域功能关联性、以及灾害影响、管理和控制操作生成至少一项约束条件。
具体地,在本申请的实施例中,DPU提供对跨领域功能关联性、以及灾害影响、管理和控制操作等外部约束条件对CIS的影响进行建模。CIS中功能的关联性被建模为不同CIS中关联实体之间(资源和信息)服务的交换。因此每个模型实体均存在描述关联的实体为维持该实体的功能所需的服务量的指标——服务需求描述实体可以提供给其他实体的服务量的指标——服务供应以及它所关联的其他实体向该实体提供的服务
需要注意的是,DPU只对不同CIS实体之间的功能关联性进行建模。可能包括操作任务的成功或失败,系统组件的损坏或断开等等的外部约束与接收到的服务一起处理以更新CIS模型。图8说明了DPU的数据处理机制。
功能完整性损失是指由于服务供应不足或外部约束的影响,导致实体功能的减少。实体的功能完整性损失会导致其服务能力的降低。如果选用的CIS模型支持DPU处理的所有输入变量,则可以按照图8中的外部关联数据的交换路径对实体的功能完整性损失进行建模。此时,DPU根据输入变量在每个仿真的时间步长自动更新实体的参数,然后允许CIS模型根据更新后的模型参数来对CIS的行为进行仿真。否则采用图8中的替代的数据交换路径。此时,DPU首先根据输入变量计算实体的功能完整性损失和可服务性。然后,DPU对CIS模型进行更新来根据模型状态检索实体在每个仿真时间步长可以提供的最大服务量,最后根据计算出的可服务性调整实体的服务输出。实施该方法是为了解决模型互通性的问题。
在上述替代的数据交换路径中,在t时刻,Xi(t)∈[0,1]条件下实体i的功能完整性损失计算如下:
Δt=t-t′ (14)
其中是约束k对实体i的强度,t′是对实体施加约束的时间。外部约束变量用于对操作任务的结果进行建模。例如,可以表示操作任务的“成功”或“失败”,并分别假设值“1”和“0”。然后将该值插入式(13)中,以确定由于任务结果而导致的实体的功能完整性损失。函数fk(·)∈[0,1]是一个单调的递减函数,其定义了功能完整性达到其新的稳定值的动态值。函数fk(·)根据受影响实体的功能属性和约束的性质,可以采取线性函数、阈值函数、逻辑函数等各种形式。然后利用功能完整性损失来确定实体的可服务性ωi(t),计算方式如下:
可选地,在本申请的一个实施例中,还包括:检索发布到联邦其余部分的模拟器输出;基于模拟器输出生成模型用户的日志文件。
具体地,在本申请的实施例中,除了管理订阅的数据和对关联系统进行建模之外,DPU还用于检索要通过RTI发布到联邦其余部分的模拟器输出,并为模型用户生成日志文件。例如在模拟运行过程中,DPU检索有关CIS模型状态的信息,然后将其发布给上述SA/DMU,以提高系统操作人员的态势感知。
可以理解的是,本申请的实施例采取HLA协同仿真标准作为关联关键基础设施系统和人因因素模型的解决方案,并允许两者随时进行信息的传递。基于HLA的建模方法能够克服连接异构模型并在它们之间建立无缝通信的挑战,因此它可以作为将人因因素纳入关联基础设施系统建模的理想解决方案。可以利用目前前沿的人类行为模型,将其纳入一个关联关键基础设施系统联邦,以在关键基础设施系统和操作人员之间建立一个动态的时间-节拍交互。
下面通过具体实施例对本申请的一种考虑人因影响的关联基础设施系统建模方法进行详细说明。
本申请所考虑人因影响的关联基础设施系统建模方法在美国田纳西州谢尔比县的一个关联的供水和供电系统的案例中进行了测试。如图9(a)和图9(b)所示,供电系统由8个500kV闸站组成,将县外发电厂的电力中继到该县26个23kV和12kV的变电站,然后为供电系统的终端用户供电。供水系统由9个泵站组成,从深井中取水,通过埋地管道输送至6个高架储罐和许多分布节点。
采用压力驱动需求模型(Pressure Driven Demand Model)进行配水系统的水力学计算,用瓦格纳方程表示分布节点上的压力依赖关系,采用哈森-威廉姆斯公式计算管道的摩擦水头损失。供水系统模型使用EPANETv2.2软件实现。采用潮流分析法解决供电系统,并使用OpenDSSv9.0软件实现。
供电系统和供水系统依靠彼此的服务来维持其预期功能。供水系统的泵站依靠供电系统变电站的供电,因此将泵的能耗建模为变电站的负荷。同时,供电系统的发电机依靠配水节点的供水,从而将发电机建模为供水网络上的需求节点。这两个CIS模型的模型实体和属性总结在表5中。
表5模型实体和属性列表
本实施例的研究旨在调查人因因素的影响如何在关联系统中传播,因此仅在供电系统中考虑人因因素,并评估其对两个关键基础设施系统性能的影响。该研究复制了相关技术中描述的供电系统故障场景,其中需要对供电操作人员进行如下所述的紧急干预。
在仿真场景中,对负责监控输电线路中潮流的一组传感器的固件进行了更新。然而,错误的送出了不正确的固件补丁,使得受影响的传感器报告了比实际情况更大的潮流的值。传感器的故障导致整个供电系统给出错误的功率过载警告。在本实施例研究中,一名供电系统操作人员负责在过载报警的情况下对系统进行监控。当出现过载报警时,操作人员必须及时识别警报,并通过发送正确固件补丁的方式来处理警报。如果操作人员因为HEP未能正确或及时响应过载警报,SCADA(监控和数据采集)系统将自动断开过载线路,以防止永久损坏。操作人员必须在收到错误固件补丁后的20分钟内处理过载警报,否则SCADA系统将永久断开故障线路。
模拟持续时间从午夜开始,设置为12小时,并在仿真的1点触发故障场景。在模拟过程中,每个过载警报都对应一条故障线路。在假设的故障情况下,传感器固件更新期间总共收到了60个错误的固件补丁,每5分钟收到5个错误的固件补丁。受错误固件补丁影响的线路由供电系统联邦的DPU随机选择。当收到错误的固件补丁,或操作人员成功处理警报,或SCADA断开故障线路时,同时发生过载警报的数量都会发生更改。
图10总结了在联邦运行期间在每个时间步长内联邦之间信息的交换。故障场景由供电系统的DPU控制,该DPU向SA/DMU传递了有关故障传输线路的信息。
SA/DMU中基于规则的专家系统负责对人员表现联邦的PSF进行动态调整。SA/DMU控制了三个动态PSF即“同时目标的数量”、“可用时间”和“一天中的时间”。“同时目标的数量”这一PSF会根据操作人员处理的同时过载警报的数量而变化。如果同时过载报警数低于8个,则将“同时目标的数量”这一PSF设置为“匹配容量”,否则设置为“大于容量”。同样,如果同时报警数超过8则将“可用时间”这一PSF设置为“持续不足”,在4~8之间设置为“暂时不足”,低于4则设置为“充分”。在上午7点到晚上7点之间则将“一天中的时间”这一PSF设置为“白天时间”,否则将其设置为“夜晚时间”。其他的所有PSF均被认为是静态的,并设置为不具有显著预期效应的水平。
操作人员处理意外过载报警的认知功能包括“观察”、“解释”和“执行”(见表2)。在每个认知功能中选择名义上的人因误差概率作为相关失效模式的最大HEPi。选择符合常规、高度练习的任务的威布尔函数系数(见表3)。然后人员表现联邦根据式(3)-式(8)计算操作人员在每个模拟时间步长的HEP。动态的PSFs和操作人员持续工作时间的增加导致处理报警的HEP随时间不断变化。
供电系统操作人员的HEP用于确定处理每条超载输电线路的成功或失败。这通过在每个1分钟的模拟时间步长上,为每条过载线路随机生成二进制数字“1”和“0”(即“成功处理”和“未能正确处理”)来完成。如果结果为“成功”,则传输线路恢复到正常状态,报警停止。否则,警报将维持激活状态,直到SCADA系统将故障线路断开。当传输线路断开时,线路组件的功能完整性损失为1,意味着该组件失去了所有功能。在整个模拟期间,每个过载报警都重复此过程,并进行1000次重复模拟。
由于供电系统和供水系统之间存在建模时涉及的关联性,供电系统中输电线路的断开将导致供水系统中泵站供电的中断。因此,本实施例选择了供电系统总输出功率和供水系统总液压头两个绩效指标来评估关联的CIS在未达标的人因因素的影响下的性能。将性能评估的结果与两种系统的正常输出水平进行了比较。
图11总结了1000次仿真中操作人员的平均表现。从图中可以看出,在故障情况下,操作人员的HEP会显著的受到CIS状态的影响。操作人员的HEP随时间的推移变化很大,从而导致操作人员无法成功处理一些警报。操作员处理失误的警报数平均值约为7个。从图中可以看出,在0:00~1:00之间,操作人员的HEP从0.0312缓慢下降到0.02。这是因为操作人员在接受服务后由于适应其操作环境和条件的认知过程更容易出错。威布尔分布函数将这个适应周期近似为1小时。
在系统故障启动(时间戳为1:00)时,同时出现过载报警的数量为5,操作人员的HEP为0.0884。在仿真为1:20时,同时出现过载报警的数量达到最大值21,此时操作人员的HEP为0.2286。可以发现,操作人员的最高HEP没有与过载报警的数量的最大值同时出现,而是稍晚出现在时间戳为1:39时,此时同时报警的数量为14次。这一现象的原因是,操作人员的名义HEP还受到CWT的影响,会随着时间的推移不断增加。这也解释了为什么在时间戳2:39之后,尽管没有进一步的故障,操作人员的HEP仍然在增加。在时间戳6:00,即早上6点,观察到HEP出现突然的下降。这是因为“一天中的时间”这一PSF的水平由“夜间”改为“白天”,对操作人员的表现有积极的影响。以上结果表明,在本实施例研究中捕捉到了人因因素的动态变化。情景条件的变化导致PSF水平的变化,进一步引起操作人员HEP的波动。此外,操作人员的HEP值随着时间的推移而持续增加这一现象也反映了CWT对人员表现的影响。在这种情况下,由于CWT,最高的HEP值并没有发生在最预期的时间,而是更晚的出现。这一现象也表明了在关联的关键基础设施系统建模中纳入人因因素时考虑CWT的重要性。
图12(a)表示提供给泵的电力,图12(b)表示分布节点处的水压,图12(c)表示高架水箱中的水位,图12(d)表示发电机的使用性能。图13(a)和图13(b)分别显示了供电系统和供水系统的性能指标。
从图12(c)中可以看出,在故障启动的时间戳0:54时,T1罐装满(达到最大水量),无法接收任何水流入。因此需要将原本要填充罐T1的水重新分配到邻近的分配节点,导致管网的水压和水头突然上升,如图12(b)和图13(b)所示。为了应对不必要的水压上升,泵站P6自动调整其效率和功耗,导致供电系统总输出功率下降,如图12(a)和图13(a)所示。上述两个系统的功能层面和输出层面的动态变化表明了在正常运行条件下,关联性对CIS行为的影响。
图12(a)中显示,由于在故障场景下供电系统触发了多个过载警报,操作人员未达到标准的表现导致系统分别在时间戳为3:02、2:19和2:05的时候断开了为泵站P2、P3和P8供电的变电站。变电站故障导致电网中电力的重新分配,直到达到新的稳定状态。变电站断开导致泵站P2、P3、P8因供电不足而失效,导致N1、N3、N5、N6、N7等几个配电节点的水压在最终达到新的稳定水平前逐渐下降,如图12(b)所示。由于整个供水管网的水压下降,无法完全满足G1发电机的使用需求,导致G1发电机的使用能力轻微下降1%,如图12(d)所示。从图13(a)和图13(b)中可以看出。关联的CIS的性能受到操作人员未达到标准的表现的显著影响。与两个CIS的正常输出水平相比,由于操作人员未能成功处理部分过载报警,本场景下系统的输出水平开始下降。由于供水系统依赖于供电系统的功率输出,供电系统的连续故障和水泵所依赖的变电站的断开,导致供水系统的液压水头也迅速下降。时间戳3:20后,当电力系统b不再发生进一步崩溃时,两个CIS都稳定下来,再次表明功能的关联性在CISs的发展行为中起了重要作用。
可以理解的是,上述仿真结果清楚地揭示了在正常运行条件和应急响应条件下关联的系统之间的故障传播的路径和影响机制。人员操作的影响和系统关联性对关联的CIS行为的影响可以很好地追踪。可见本申请所提出的对关联的CIS进行建模的框架,能够实现高度的细节和粒度。因此,本申请所提出的考虑人因影响的关联基础设施系统建模方法可用于评估和预测运行决策和行动对多个关联的CIS的影响。
此外,本申请的实施例也实施了两组仿真对所开发的联邦的敏感性进行分析,如表6所示。由于操作人员表现的变化主要受操作人员连续工作时间和电力系统状态的影响,因此在敏感性分析中测试了CWT和错误固件更新的数量这两个参数。在第一组敏感性分析中,基线场景与其他三个场景的区别在于模拟开始时间之前,操作人员的持续工作时间(CWT)有所不同。第一组敏感性分析旨在揭示CWT如何影响操作人员的表现。值得注意的是,场景#2采用了CWT不适用的CREAM技术。在敏感性分析中添加了场景#2,以更好地强调考虑系统操作人员持续工作时间的重要性。在第二组敏感性分析中,基线场景与其他三个场景的区别在于受错误固件补丁影响的传感器数量不同。第二组敏感性分析旨在揭示故障场景的严重程度将如何影响操作人员的表现和系统的性能。每个模拟场景都重复1000次,对结果取平均值。
表6.敏感度分析中模拟情景设置
图14总结了基线场景和场景#2、#3、#4的操作人员的表现。从图14中可以看出,在模拟开始时间前,当CWT的初始值较大时,操作人员的总体HEP值较大。例如,初始CWT为6小时的场景#4的HEP曲线几乎是基线场景的两倍,这表明操作人员的可靠性显著下降。在时间戳1:00和2:30之间这一容易出错的时间段,场景3和场景4中的操作人员的平均可靠性分别比基线场景中的操作人员低12.77%和34.46%。此外,当将基线场景与场景#2进行比较时,可以观察到两种模拟的HEP曲线形状最初几乎相同。然而,由于基线情景考虑了CWT的积累,而情景#2没有考虑,因此两种情景中HEP之间的差异持续增加,基线情景显示随着时间的推移HEP值相对较大。对于考虑CWT的情况,即使在电力系统停止接收错误的固件补丁之后,用于处理过载警报的标称HEP也会随着时间的推移继续增加。如果在模拟结束时触发另一个故障,操作人员的HEP曲线轮廓将远远高于早期工作时期。即操作人员将会更容易出错,这将导致更多的任务失误,对系统造成更多的损害。因此,在对CISs中的人因因素进行建模时,正确考虑CWT的影响,对提高人因表现的预测和检测潜在操作风险的准确性具有重要意义。
其中,特定时间段内操作员的平均可靠性可根据操作员的人因失误概率(HEP)曲线计算。首先,通过将HEP曲线下的面积除以HEP=1的总面积,如式(16)所示来计算操作员在该时间段内的平均人因失误概率(“HEP”)平均值。然后,可以通过从1中减去平均人因失误概率,如式(17)所示,来计算指定时间段内操作员的平均可靠性K_average。
Kaverage=1-HEPaverage (17)
其中Si表示指定时间段内操作员HEPi曲线下的面积,如图15所示,S_total表示同一时间段内HEP=1曲线下的总面积,如图16所示。
Si和Stotal可通过以下公式计算:
将两条HEP曲线之间的所夹面积除以HEP=1曲线下的总面积,可以计算特定时间段内两条HEP曲线i和j之间的可靠性差异,如式(20)所示。
表7总结了敏感性分析集II的结果。从表7中可以看出,操作人员在处理系统故障时的表现随着故障严重程度的增加而降低。在接收到的错误固件补丁总数为60个的基线场景中,操作人员在1000个模拟实例中平均每次失败7.131个任务。而在场景#7这一总共收到了30个错误固件补丁的场景中,操作人员平均只失败了2.255个任务。上述结果表明了人员表现对CIS状态的敏感性。结果表明,随着供电系统失败操作任务数量的增加,两种关联的系统输出水平的损失也增加。这表明,关联的CISs的性能可能会受到操作人员表现或行为的显著影响。因此,在对关联的CISs进行建模时,不应忽视人因因素。
表7.第二组分析结果汇总
CIS的运行涉及不断相互影响的技术和人因因素。本申请提出的考虑人因影响的关联基础设施系统建模方法试图在纳入这种双向影响机制的同时对关联的CISs进行建模。上述具体实施例的实验结果表明,通过考虑一些动态的PSF,操作人员的表现可能会根据CIS的状态和操作条件的不同而出现差异。操作人员的动态表现影响了操作任务的动态结果,进而影响了关联的CIS的行为。而当仅采用静态PSF来对人类行为进行建模时,则无法观察到上述反馈回路。因此,申请提出的考虑人因影响的关联基础设施系统建模方法可能有助于提供针对CIS及其运行的新见解,并为改进CISs的运行建立坚实的基础。
同时,可以理解的是,虽然与时间相关的PSF,如“可用时间”、“剩余时间”或“一天的时间”,通常会在对人类行为进行建模时加以考虑,但长时间连续工作对操作人员的表现和可靠性的影响在此前CIS模型内部人因因素的研究中往往被忽视。本申请的实施例展示了如何集成以过程为中心和以时间为中心的人类表现建模方法,以更好地捕捉人类行为相对于时间的动态演化。对考虑和不考虑CWT的模拟结果的比较表明,操作人员在长时间工作后明显更容易出现失误。这一结果对于管理实践具有重要意义,因为其可以帮助系统管理人员对更高效、更可靠和更安全的工作实践进行识别、测试和实施。
除了揭示动态的人机交互外,上述实验结果还证明了本申请所提出的建模方法如何用于揭示关联的CIS的影响机制和故障传播路径。以往的研究认为CIS的运行被隔离在单一系统内,但由于现代CIS之间的关联关系,一个CIS的工作流程和运行结果会受到其他CIS的影响,反之亦然。本申请的研究结果表明,供水系统的输出水平对其关联的供电系统中的操作人员的操作结果很敏感。这表明为了确保关联的CIS的正确运作,需要在关联系统的技术层面和人类层面之间建立坚实的协调和沟通机制。本申请所提出的建模方法还有助于识别CIS运作中由于跨系统的关联性而导致的系统漏洞。
这项研究表明,操作人员和关联基础设施系统之间的动态交互显著影响了关键基础设施系统运行期间系统和人员的可靠性和行为。人的失误会导致系统中断,这些中断很容易通过关联的系统传播,并对关键基础设施系统的性能、可靠性、安全性和韧性产生负面影响。本申请提出将人因因素纳入关联的关键基础设施系统建模的方法,并在两个关联的供电和供水系统的案例中进行了测试。上述实施例结果证明所提出的建模方法对模拟人与系统间交互和性能的动态演化、不同CIS之间的影响路径和机制以及连续工作时间对操作人员动态表现的影响的有效性。本申请所提出的建模方法为预测不同动态操作场景下关联的关键基础设施系统对操作人员的表现提供一种有用的工具。
根据本申请实施例提出的考虑人因影响的关联基础设施系统建模方法,通过基于高级体系结构标准的建模方法能够克服连接异构模型并在它们之间建立无缝通信的挑战,因此可以作为将人因因素纳入关联基础设施系统建模的理想解决方案。可以利用目前前沿的人类行为模型,将其纳入一个关联关键基础设施系统联邦,以在关键基础设施系统和操作人员之间建立一个动态的时间-节拍交互。基于高级体系结构标准的建模方法的另一个优点是,仿真模型的执行可以分布在一组计算引擎(本地或地理分布)上,从而提高模型的计算能力、资源可用性和容错能力,并允许开发更大规模的模型。此外,基于高级体系结构标准的建模允许重复使用现有模型,从而降低开发复杂系统模型的成本,并促进利用单独开发的高级模型进行联合仿真的集成仿真项目。从实践的角度来看,采用基于高级体系结构标准的建模方法有助于打破由不同机构或公司运营的关联基础设施之间因安全问题和异构工作流程而产生的信息隔离。
其次参照附图描述根据本申请实施例提出的考虑人因影响的关联基础设施系统建模装置。
图18是本申请实施例的考虑人因影响的关联基础设施系统建模装置的方框示意图。
如图18所示,该考虑人因影响的关联基础设施系统建模装置10包括:构造模块100、融合模块200以及评估模块300。
其中,构造模块100,用于构造多个特定关键基础设施系统的领域模型和人因因素模型;融合模块200,用于基于高级体系结构标准,将多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,以模拟人-系统交互和跨领域系统的关联性,并模拟模型之间的动态交互;以及评估模块300,用于通过模拟关联关键基础设施系统的状态和行为,和/或对基础设施系统之间的功能关联性进行精细化建模,构建关联关键基础设施系统CIS模型,以预测揭示在关联关键基础设施系统运行过程中人和基础设施状态之间的影响机制,和/或对基础设施系统的运行结果进行评估和预测。
可选地,在本申请的一个实施例中,多个特定关键基础设施系统的领域模型由模型实体的集合描述得到,其中,模型实体为关键基础设施系统中的任一组件。
可选地,在本申请的一个实施例中,还包括:更新模块,用于根据关键基础设施系统的模型输入集及选定CIS模型的建模原则和方程,更新每个模型实体的输出级别。
可选地,在本申请的一个实施例中,还包括:生成模块,用于在生成关联基础设施系统CIS模型之前,基于跨领域功能关联性、以及灾害影响、管理和控制操作生成至少一项约束条件。
可选地,在本申请的一个实施例中,还包括:检索模块,用于检索发布到联邦其余部分的模拟器输出;生成模块,用于基于模拟器输出生成模型用户的日志文件。
需要说明的是,前述对考虑人因影响的关联基础设施系统建模方法实施例的解释说明也适用于该实施例的考虑人因影响的关联基础设施系统建模装置,此处不再赘述。
根据本申请实施例提出的考虑人因影响的关联基础设施系统建模装置,通过采用高级体系结构标准,将多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,来模拟人-系统交互和跨领域系统的关联性。本申请允许对多粒度的基础设施系统之间的功能关联进行建模,不同模型之间的无缝时间步进通信使得能够对动态过程和时间关联因素进行建模和仿真,精细化模拟模拟系统的行为。
图19为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器1901、处理器1902及存储在存储器1901上并可在处理器1902上运行的计算机程序。
处理器1902执行程序时实现上述实施例中提供的考虑人因影响的关联基础设施系统建模方法。
进一步地,电子设备还包括:
通信接口1903,用于存储器1901和处理器1902之间的通信。
存储器1901,用于存放可在处理器1902上运行的计算机程序。
存储器1901可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器1901、处理器1902和通信接口1903独立实现,则通信接口1903、存储器1901和处理器1902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图19中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器1901、处理器1902及通信接口1903,集成在一块芯片上实现,则存储器1901、处理器1902及通信接口1903可以通过内部接口完成相互间的通信。
处理器1902可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的考虑人因影响的关联基础设施系统建模方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种考虑人因影响的关联基础设施系统建模方法,其特征在于,包括以下步骤:
步骤S101,构造多个特定关键基础设施系统的领域模型和人因因素模型;
所述多个特定关键基础设施系统的领域模型由模型实体的集合描述得到,其中,所述模型实体为关键基础设施系统中的任一组件;
所述人因因素模型包括对态势感知所构建的模型以及人员绩效模型;
步骤S102,基于高级体系结构标准,将所述多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,以模拟人-系统交互和跨领域系统的关联性,并模拟模型之间的动态交互;
步骤S103,通过模拟关联关键基础设施系统的状态和行为,和/或对基础设施系统之间的功能关联性进行精细化建模,构建关联关键基础设施系统CIS模型,以预测揭示在所述关联关键基础设施系统运行过程中人和基础设施状态之间的影响机制,和/或对基础设施系统的运行结果进行评估和预测;
所述考虑人因影响的关联基础设施系统建模方法包括高级架构HLA联邦架构和仿真过程,用于对考虑人因因素在内的关联的关键基础设施系统进行建模;所述联邦架构包括多个关键基础设施系统模块,每个关键基础设施系统模块是一组关联的联邦,负责对特定关键基础设施系统的物理系统、代理和因素进行建模和仿真;每个所述关键基础设施系统模块由一个关键基础设施系统联邦和对应的数据处理单元DPU、一个人员表现联邦以及对应的态势感知和决策单元SA/DMU组成;
所述人员表现联邦基于一组静态和动态的行为形成因子PSF来确定操作人员的操作任务的结果,利用认知可靠性与差错分析方法CREAM的认知框架,并纳入一个与时间相关的变量来捕捉长时间连续工作CWT对人员表现的影响;
为了引入CWT对人员表现的影响,利用威布尔分布函数对人因误差概率HEPi进行修正,得到了CREAM随时间变化的名义误差概率HEPi T,具体如下公式:
所述态势感知和决策单元的建模步骤包括:推断系统状态、更新操作场景、确定操作任务、分析和调整PSF水平;
所述DPU提供对跨领域功能关联性、以及灾害影响、管理和控制操作外部约束条件对CIS的影响进行建模;
所述DPU采用替代的数据交换路径,在所述替代的数据交换路径中,在t时刻,Xi(t)∈[0,1]条件下实体i的功能完整性损失计算如下:
其中,t表示时间,k表示外部约束变量,i表示实体,j表示服务,表示实体i已有服务j
的供给,表示实体i对服务j的需求,表示实体i总功能损失,,表示实体上
由于外部约束变量k而造成的功能损失,可计算如下:
其中,Δt=t-t′,是外部约束变量k对实体i的强度,t′是对实体施加约束的时间;外
部约束变量用于对操作任务的结果进行建模;函数(·)∈[0,1]是一个单调的递减函数,
其定义了功能完整性达到其新的稳定值的动态值;函数(·)根据受影响实体的功能属性
和约束的性质,采取线性函数、阈值函数或逻辑函数;然后利用功能完整性损失来确定实体
的可服务性,计算方式如下:
所述DPU除了管理订阅的数据和对关联系统进行建模之外,DPU还用于检索要通过运行时基础设施RTI发布到联邦其余部分的模拟器输出,并为模型用户生成日志文件;
在模拟运行过程中,所述DPU检索有关CIS模型状态的信息,然后将其发布给上述SA/DMU,以提高系统操作人员的态势感知。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述关键基础设施系统的模型输入集及选定所述CIS模型的建模原则和方程,更新每个模型实体的输出级别。
3.根据权利要求1所述的方法,其特征在于,在生成关联基础设施系统CIS模型之前,还包括:
基于跨领域功能关联性、以及灾害影响、管理和控制操作生成至少一项约束条件。
4.一种考虑人因影响的关联基础设施系统建模装置,采用了如权利要求1所述的考虑人因影响的关联基础设施系统建模方法,其特征在于,包括:
构造模块,用于构造多个特定关键基础设施系统的领域模型和人因因素模型;
融合模块,用于基于高级体系结构标准,将所述多个特定关键基础设施系统的领域模型和人因因素模型集成在一个协同仿真环境中,以模拟人-系统交互和跨领域系统的关联性,并模拟模型之间的动态交互;以及
评估模块,用于通过模拟关联关键基础设施系统的状态和行为,和/或对基础设施系统之间的功能关联性进行精细化建模,构建关联关键基础设施系统CIS模型,以预测揭示在所述关联关键基础设施系统运行过程中人和基础设施状态之间的影响机制,和/或对基础设施系统的运行结果进行评估和预测;
更新模块,用于根据所述关键基础设施系统的模型输入集及选定所述CIS模型的建模原则和方程,更新每个模型实体的输出级别;
生成模块,用于在生成关联基础设施系统CIS模型之前,基于跨领域功能关联性、以及灾害影响、管理和控制操作生成至少一项约束条件;
检索模块,用于检索发布到联邦其余部分的模拟器输出;
生成模块,用于基于所述模拟器输出生成模型用户的日志文件。
5.根据权利要求4所述的装置,其特征在于,所述多个特定关键基础设施系统的领域模型由模型实体的集合描述得到,其中,所述模型实体为关键基础设施系统中的任一组件。
6.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-3任一项所述的考虑人因影响的关联基础设施系统建模方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-3任一项所述的考虑人因影响的关联基础设施系统建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369318.1A CN114862121B (zh) | 2022-04-08 | 2022-04-08 | 考虑人因影响的关联基础设施系统建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369318.1A CN114862121B (zh) | 2022-04-08 | 2022-04-08 | 考虑人因影响的关联基础设施系统建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862121A CN114862121A (zh) | 2022-08-05 |
CN114862121B true CN114862121B (zh) | 2023-02-28 |
Family
ID=82628817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210369318.1A Active CN114862121B (zh) | 2022-04-08 | 2022-04-08 | 考虑人因影响的关联基础设施系统建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862121B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203835A (zh) * | 2017-04-25 | 2017-09-26 | 北京航空航天大学 | 一种飞行员操作的人因可靠性实验分析方法 |
CN109284896A (zh) * | 2018-08-17 | 2019-01-29 | 北京航空航天大学 | 人误模式影响分析方法 |
CN109697558A (zh) * | 2018-12-18 | 2019-04-30 | 北京航空航天大学 | 一种考虑路径依赖的人误机理建模方法 |
CN109711667A (zh) * | 2018-11-21 | 2019-05-03 | 中国航天标准化研究所 | 一种空间人机系统舱内维修任务人因失误建模分析方法 |
CN109918791A (zh) * | 2019-03-08 | 2019-06-21 | 湖南工学院 | 一种核电站数字化主控室操纵员人因可靠性分析方法 |
CN111177900A (zh) * | 2019-12-17 | 2020-05-19 | 中国航天标准化研究所 | 一种基于匹配适应度的空间人机系统安全性动态建模方法 |
CN111881623A (zh) * | 2020-07-28 | 2020-11-03 | 南京航空航天大学 | 一种面向任务的飞机驾驶人为差错风险评估方法 |
CN112380627A (zh) * | 2020-11-25 | 2021-02-19 | 武汉理工大学 | 远程遥控船舶人因可靠性分析系统及其控制方法 |
CN113255163A (zh) * | 2021-06-24 | 2021-08-13 | 清华大学 | 基于分布式仿真技术的关联基础设施系统建模方法及装置 |
-
2022
- 2022-04-08 CN CN202210369318.1A patent/CN114862121B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203835A (zh) * | 2017-04-25 | 2017-09-26 | 北京航空航天大学 | 一种飞行员操作的人因可靠性实验分析方法 |
CN109284896A (zh) * | 2018-08-17 | 2019-01-29 | 北京航空航天大学 | 人误模式影响分析方法 |
CN109711667A (zh) * | 2018-11-21 | 2019-05-03 | 中国航天标准化研究所 | 一种空间人机系统舱内维修任务人因失误建模分析方法 |
CN109697558A (zh) * | 2018-12-18 | 2019-04-30 | 北京航空航天大学 | 一种考虑路径依赖的人误机理建模方法 |
CN109918791A (zh) * | 2019-03-08 | 2019-06-21 | 湖南工学院 | 一种核电站数字化主控室操纵员人因可靠性分析方法 |
CN111177900A (zh) * | 2019-12-17 | 2020-05-19 | 中国航天标准化研究所 | 一种基于匹配适应度的空间人机系统安全性动态建模方法 |
CN111881623A (zh) * | 2020-07-28 | 2020-11-03 | 南京航空航天大学 | 一种面向任务的飞机驾驶人为差错风险评估方法 |
CN112380627A (zh) * | 2020-11-25 | 2021-02-19 | 武汉理工大学 | 远程遥控船舶人因可靠性分析系统及其控制方法 |
CN113255163A (zh) * | 2021-06-24 | 2021-08-13 | 清华大学 | 基于分布式仿真技术的关联基础设施系统建模方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114862121A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yodo et al. | Predictive resilience analysis of complex systems using dynamic Bayesian networks | |
Yazdi et al. | Improved DEMATEL methodology for effective safety management decision-making | |
Kammouh et al. | Probabilistic framework to evaluate the resilience of engineering systems using Bayesian and dynamic Bayesian networks | |
O’Connor et al. | A general cause based methodology for analysis of common cause and dependent failures in system risk and reliability assessments | |
Ouyang et al. | A three-stage resilience analysis framework for urban infrastructure systems | |
Nan et al. | Analyzing vulnerabilities between SCADA system and SUC due to interdependencies | |
Aalipour et al. | Human reliability assessment (HRA) in maintenance of production process: a case study | |
EP2120192A1 (en) | Method and system for supporting a decision-making process | |
De Iuliis et al. | Quantifying restoration time of power and telecommunication lifelines after earthquakes using Bayesian belief network model | |
CN104246798A (zh) | 基于模糊专家系统的问题分析和优先级确定 | |
Gran et al. | A Bayesian belief network for reliability assessment | |
Chakraborty et al. | Knowledge management with case-based reasoning applied on fire emergency handling | |
Nan et al. | Developing an agent-based hierarchical modeling approach to assess human performance of infrastructure systems | |
Magoua et al. | Incorporating the human factor in modeling the operational resilience of interdependent infrastructure systems | |
Duan et al. | Fault diagnosis for complex systems based on reliability analysis and sensors data considering epistemic uncertainty | |
Ma et al. | Development of a time-variant causal model of human error in construction with dynamic Bayesian network | |
Mcheick et al. | Stroke prediction context-aware health care system | |
Lee et al. | A computational model for evaluating the effects of attention, memory, and mental models on situation assessment of nuclear power plant operators | |
CN114862121B (zh) | 考虑人因影响的关联基础设施系统建模方法及装置 | |
Praynlin et al. | Performance analysis of software effort estimation models using neural networks | |
Wei et al. | A new BRB model for security-state assessment of cloud computing based on the impact of external and internal environments | |
Lin et al. | Ontologies and decision support for failure mitigation in intelligent water distribution networks | |
Kelly et al. | Common-cause failure treatment in event assessment: basis for a proposed new model | |
CN113255163B (zh) | 基于分布式仿真技术的关联基础设施系统建模方法及装置 | |
Atashfeshan et al. | A novel dynamic function allocation method in human-machine systems focusing on trigger mechanism and allocation strategy |
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 |