CN116128284A

CN116128284A - 一种载人潜器系统动态风险评估方法及系统

Info

Publication number: CN116128284A
Application number: CN202211614159.3A
Authority: CN
Inventors: 乔一丹; 陈登凯; 周垚; 高馨薇
Original assignee: Northwestern Polytechnical University
Current assignee: Northwestern Polytechnical University
Priority date: 2022-12-15
Filing date: 2022-12-15
Publication date: 2023-05-16

Abstract

本发明公开了一种载人潜器系统动态风险评估方法，涉及潜水器装备技术领域，包括将认知负荷引入性能影响因素体系中，在系统动力学模型中运用背景的时间函数表函数定义由任务切换引起动态变化特征的变量，运用信息熵量化性能影响因素之间的影响关系，构建八个性能影响因素与工作绩效之间补偿函数，测度性能影响因素对工作绩效的补偿效应，基于系统动力学建模技术构建12小时制载人潜器系统的动态风险评估系统流图，通过调整变量参数，仿真舱内作业过程。可有效解决现有人因可靠性分析方法中量化结果具有静态特征、性能影响因素相对独立且离散、量化指标单一以及传统性能影响因素体系不适用于载人潜器系统的问题。

Description

一种载人潜器系统动态风险评估方法及系统

技术领域

本发明涉及潜水器装备技术领域，尤其是涉及一种载人潜器系统动态风险评估方法及系统。

背景技术

深海探测是人类实现可持续发展的重要战略途径，也是近年来最受关注的科技领域之一。载人潜器是携带各种电子设备、机械装置以及技术人员快速地准确地到达各种深海环境，进行精准探测的主要运载平台。由于载人潜器的任务与环境复杂，由舱内潜航员操作不当而导致任务出错的情况逐渐凸显。而载人潜器任务在水下千米级的深海域中展开，任何一次意外错误都有可能导致重大安全事故发生或重点计划任务失败。据相关海试数据统计，70-80％的事故与人的因素有关，表明了探究深潜作业系统人因可靠性准确分析与预测的迫切性。因此，研究载人潜器系统的人因失误，挖掘舱内潜航员作业任务的薄弱环节，已在载人潜器研究领域引起重大关注。

人因可靠性分析是复杂系统作业任务中人因失误的主要量化方法，目的是实现复杂系统的动态概率风险评估。人因可靠性的定量分析方法在三代评估技术的发展下已经逐渐成熟。CREAM方法、事故树分析、贝叶斯网络建模、串并联系统、蝴蝶结模型、SPAR-H方法等已经广泛应用于化工、核电、航海、航空等各类复杂作业场景的人因可靠性分析中，并且大部分技术也已经在海事相关领域甚至载人潜器领域实现了人因失误的评估以及事故后果的预测。虽然大多数人因可靠性分析方法在评估人因失误概率与识别关键风险方面发挥了重要作用，但仍然存在静态和性能影响因素离散化的缺点。静态结构的人因可靠性分析无法满足载人潜器系统作业过程中人-机-环境持续变化的特征。此变化特征需要使用比传统静态方法更复杂的数学建模技术，使人因可靠性分析能够更好地模拟人因失误概率及人的绩效的非二元和持续变化性质，并考虑性能影响因素之间的重要依赖关系。

现有技术存在的缺点主要是：1.人因失误量化结果具有静态特征。2.性能影响因素相对独立且离散。3.人因可靠性量化指标单一，仅考虑人因失误概率。4.传统性能影响因素体系不适用于载人潜器系统。

发明内容

本发明的目的在于提供一种载人潜器系统动态风险评估方法及系统，以解决上述背景技术中现有人因可靠性分析方法中量化结果具有静态特征、性能影响因素相对独立且离散、量化指标单一以及传统性能影响因素体系不适用于载人潜器系统的问题。

为实现上述目的，本发明提供一种载人潜器系统动态风险评估方法，包括以下步骤：

S1：将认知负荷作为认知绩效的主要量化指标引入性能影响因素体系中，根据插入排序法拟定认知负荷的人因失误乘数；

S2：根据认知绩效的量化值拟定S1中认知负荷的概率质量函数PMF水平值；

S3：根据信息熵理论和S2中概率质量函数PMF水平值计算性能影响因素之间的互信息影响系数，构建性能影响因素的互信息影响系数网络；

S4：运用SPAR-H方法量化人因可靠性的人因失误概率指标HEP；

S5：计算人因可靠性中工作绩效的补偿函数；

S6：根据S3中互信息影响系数网络、S4中人因可靠性分析的人因失误概率和工作绩效两个量化指标绘制载人潜器系统动态风险评估的因果反馈关系图；

S7：基于任务时段数据和动力学模型背景的时间time函数和<Look up>表函数来量化载人潜器系统动态风险评估模型中具有非线性特征的相关常数变量；

S8：根据S6中因果反馈关系图、S3中互信息影响系数网络与S7中量化函数构建载人潜器系统动态风险评估的系统动力学模型，确定各变量的计算方程；

S9：启动S8中载人潜器系统动态风险评估的系统动力学模型，通过各变量的计算方程进行综合仿真分析；

S10：根据区间灵敏度分析方法，在综合仿真环境下，将定值的常数变量进行数值区间更改与设定，得到动力学模型中的相关因变量的变化数据。

进一步的，S5还包括：

S501：工作绩效的补偿函数公式如下：

lg(Mult_max)＝a(1-WE_min)+b

lg(Mult_min)＝a(1-WE_max)+b

其中，Mult_max表示每个性能影响因素的最大乘数值，Mult_min表示每个性能影响因素的最小乘数值，WE_max＝1，WE_min＝0.00001，通过计算可获得每个性能影响因素的a，b常数值，水平变量的Mult_min＝0.00001。

S502：各个性能影响因素对工作绩效的补偿函数公式如下：

压力因素对工作绩效的补偿函数公式为：

疲劳因素对工作绩效的补偿函数公式为：

认知负荷因素对工作绩效的补偿函数公式为：

训练因素对工作绩效的补偿函数公式为：

程序因素对工作绩效的补偿函数公式为：

复杂度因素对工作绩效的补偿函数公式为：

可用时间因素对工作绩效的补偿函数公式为：

人机因素对工作绩效的补偿函数公式为：

S503：综合的工作绩效量化值与各性能影响因素的补偿函数之间的关系通过以下公式计算：

进一步的，S8中各变量的计算方程包括：

压力因素在动力学模型中是水平变量，计算方程为：

s_i＝IF THEN ELSE(F_s<5,R_s,0)

F_s＝S+0.14×A+0.154×CY

R_s＝0.05

疲劳因素在动力学模型中是水平变量，计算方程为：

f_i＝IF THEN ELSE(F_f<5,R_f,0)

F_f＝F+0.093×S+0.113×R

R_f＝0.05

认知负荷因素在动力学模型中是水平变量，计算方程为：

c_i＝IF THEN ELSE(F_c<5,CR_r,0)

F_c＝0.065×A+0.114×CY+0.03×E+0.081×F+0.074×S+C

CR_r＝WITH LOOKUP[0.05×(2-Cognitive performance<TIME>)]

训练因素在动力学模型中是辅助变量，计算方程为：

T＝T_mult+0.09×S

T_mult＝0.5

程序因素在动力学模型中是辅助变量，计算方程为：

P＝P_mult+0.11×CY

P_mult＝0.5

复杂度因素在动力学模型中是辅助变量，计算方程为：

CY＝0.051×E+0.07×S+0.083×T+CY_m

CY_m＝WITH LOOKUP[Mult_complexity<TIME>]

可用时间因素在动力学模型中是辅助变量，计算方程为：

A＝0.054×C+0.075×P+0.085×S+0.064×C+A_m

A_m＝WITH LOOKUP[Mult_{available time}<TIME>]

人机因素在动力学模型中是常数变量，计算方程为：

E＝WITH LOOKUP[Mult_HMI<TIME>]

基本失误概率在动力学模型中是常数变量，计算方程为：

NHEP＝WITH LOOKUP[NHEP<TIME>]

其中，INTEG(·)表示积分函数，S表示压力，s_i表示压力增量，IF THEN ELSE(·)表示条件函数，F_s表示压力影响因素，R_s表示压力原始增长率，A表示可用时间，CY表示复杂度，F表示疲劳，f_i表示疲劳增量，F_f表示疲劳影响因素，R_f表示疲劳原始增长率，C表示认知负荷，c_i表示认知负荷增量，F_c表示认知负荷影响因素，CR_r表示认知负荷增长率的修正，E表示人机，CY_m表示主任务的复杂度，A_m表示主任务的可用时间，WITH LOOKUP(·)表示表函数，T表示训练，T_mult表示训练的人因失误乘数，P表示程序,P_mult表示程序的人因失误乘数，NHEP表示基本失误概率。

进一步的，S9中实验仿真运行时间为12h。

一种载人潜器系统动态风险评估系统，包括：

性能影响因素体系模块：将认知负荷引入传统性能影响因素体系中，并根据信息熵构建性能影响因素之间的互影响系数，形成性能影响因素体系的互信息影响系数网络；

因果反馈关系模块：根据性能影响因素体系模块以及人因可靠性量化指标构建因果反馈关系模块；

动力学流图模块：根据因果反馈关系模块和变量的计算方程构建动力学流图模块，通过启动仿真，进行动态风险评估；

仿真结果输出模块：启动动力学流图模块之后，输出载人潜器系统动态风险评估结果，并进行灵敏性分析。

进一步的，因果反馈关系模块还包括：

计算子模块一：计算工作绩效的补偿函数；

计算子模块二：计算各个性能影响因素对工作绩效的补偿函数；

计算子模块三：计算综合的工作绩效量化值与各性能影响因素的补偿函数之间的关系。

进一步的，动力学流图模块还包括：

方程确定子模块：确定各个性能影响因素在动力学模型中的变量方程。

一种载人潜器系统动态风险评估设备，包括：

处理器和存储器，计算机程序将数据信息存储在存储器中，计算机程序被处理器执行时实现权利要求1中载人潜器系统动态风险评估方法的步骤。

与现有技术相比，本发明的有益效果是：

1.本发明将认知负荷引入了性能影响因素体系中，完善了该体系在认知心理方面的覆盖性，并构建认知效能影响体系以量化认知绩效，使考虑认知绩效的性能影响因素体系更符合载人深潜任务及环境；

2.本发明根据信息熵理论量化了性能影响因素之间的互影响程度，驱动了动力学模型的非线性信息反馈机制，解决了性能影响因素之间相互独立的问题；

3.本发明构建性能影响因素与工作绩效之间补偿函数，测度了性能影响因素对舱内潜航员工作绩效的补偿效应，解决了传统的人因可靠性分析中量化指标单一性的问题；

4.本发明根据系统动力学理论构建了载人潜器系统动态风险评估仿真模型，使人因可靠性分析具有动态特征，更加逼近真实的作业系统人因失误状态；

5.本发明还可以推广应用到其他密闭舱室复杂系统的人因可靠性分析问题中。

附图说明

图1是本发明的性能影响因素之间的互信息影响系数网络图；

图2是本发明的载人潜器系统动态风险评估的因果反馈关系图；

图3是本发明的基于任务时段的载人潜器系统相关变量动态量化图；

图4是本发明的载人潜器系统动态风险评估的系统动力学模型图；

图5是本发明的载人潜器系统的性能影响因素动态仿真结果图；

图6是本发明的载人潜器系统的人因失误概率动态仿真结果图；

图7是本发明的载人潜器系统的工作绩效动态仿真结果图；

图8是本发明的载人潜器系统动态风险评估系统及设备示意图。

具体实施方式

下面将结合本发明的实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-图8所示，本发明的载人潜器系统动态风险评估方法，包括以下步骤：

S1：将认知负荷作为认知绩效的量化指标引入性能影响因素体系中，根据插入排序法拟定认知负荷的人因失误乘数。

进一步地，S1具体包括：

将认知负荷的状态分为三个水平：正常、高、很高，将正常水平的认知负荷的人因失误乘数赋值为1，表示正常水平的认知负荷将对系统的人因可靠性没有显著影响，然后采用插入排序法对很高水平的认知负荷进行赋值，将很高水平的认知负荷的乘数赋值为5，最后将高水平认知负荷的乘数赋值为1-5的中间水平值3。

S2：根据认知绩效的量化值拟定S1中认知负荷的概率质量函数PMF水平值。

从生理与心理两个方面构建认知效能影响体系以量化认知绩效。认知效能影响体系包括肢体舒适度、视觉舒适度、身体稳定性、心理工作量、心理疲劳度、危险感知度和工作记忆。根据灰色关联度计算获得认知绩效的量化值Cg.。

进一步地，S2具体包括：

肢体舒适度包括上肢舒适度、下背部舒适度、下肢舒适度以及平衡因素。动作姿势、时间、震动与不平衡环境、干涉因素都会影响人肢体舒适度。肢体舒适度会影响信息处理过程中的观察、注意和记忆的认知功能，从而影响认知效能；

视觉舒适度是指人眼受到刺激后的感受，会受到光环境、时间和显控面板设计的情境因素的影响。视觉舒适度是影响认知绩效的重要因素，低水平的视觉舒适度会影响信息加工过程中的观察、执行两个重要的认知功能；

身体稳定性是指人体平衡性和静态稳定性，较多受到任务性质、环境特征的影响。若作业人员身体稳定性较差，处于非正常作业状态，则会影响人在信息加工过程的各个认知环节，极大地影响认知绩效；

心理工作量会随着工作环境、工作任务、时间的变化而动态变化。高水平的心理工作量会导致大脑活动放缓、产生疲劳感以及工作记忆储存量变小的影响认知效能的后果；

心理疲劳度通常会随着任务时间的累积而递增。心理疲劳变现为警觉度水平下降、信息加工效率变低以及执行力减弱；

危险感知度是指对可造成重大影响或危险事物的关注度。任务重要度和情境危险系数都会刺激人的危险感知度。高水平的危险感知度将刺激提升警觉度从而提高认知效能；

工作记忆是对信息进行暂时加工和贮存的容量有限的记忆系统。人的工作记忆容量通常为7±2个项目，持续时间约为12s，每35ms提取一个项目。任务的复杂程度、持续时间和情境环境均会影响工作记忆。

从海洋行业标准HY/T225-2017载人潜水器下潜作业规程中提取舱内潜航员关键作业任务。邀请海洋科学技术研究中心的专家员对不同任务情境下所述认知效能影响因素对认知绩效的影响进行评价，运用灰色关联理论与公式对所述认知效能影响因素的评价结果进行分析与运算，计算获得的评价集与参考集的灰色关联度即为认知绩效的量化值Cg.：

将认知绩效值＞0.9的作业任务认知负荷的状态水平划分为正常水平，将认知绩效值＞0.85且≤0.9的作业任务认知负荷的状态水平划分为高水平，将认知绩效值≤0.85的作业任务认知负荷的状态水平划分为很高水平，然后根据频率计算PMF值。计算认知负荷正常水平的PMF值为12/21＝0.571，高水平的PMF值为0.238，很高水平的PMF值为0.191，具体如表1所示。

表1

性能影响因素体系中每个因素不同状态的人因失误乘数和PMF值如表2所示。

表2

S3：根据信息熵理论和S2中概率质量函数PMF水平值计算S1中性能影响因素之间的互信息影响系数，构建性能影响因素的互信息影响系数网络。性能影响因素之间的互信息影响系数如表3所示，性能影响因素之间的互信息影响系数网络图如图1所示。

表3

进一步地，S3具体包括：将每个性能影响因素不同状态特征的PMF值组成概率空间，每个性能影响因素的信息熵通过以下公式计算：

通过专家打分法对两个性能影响因素中两两之间不同的状态特征共同导致的工作绩效值进行主观评价。工作绩效评价值的区间为[0,1]，评价值趋于1表示工作绩效值越高，形成一个工作绩效评价矩阵W(I，II)；两个性能影响因素的联合熵通过以下公式计算：

两个性能影响因素之间的互信息影响系数由单个变量的信息熵和两两变量之间的联合熵运用公式以下公式计算：

S4：运用SPAR-H方法量化人因可靠性的人因失误概率指标HEP。

进一步地，S4具体包括：

若乘数大于1的性能影响因素数量小于3个，人因失误概率通过以下公式计算：

HEP＝NHEP·PSF_composite

若乘数大于1的性能影响因素数量大于3个，人因失误概率通过以下公式计算：

其中，NHEP表示基本失误概率。若任务类别为行动，NHEP值为0.001。若任务类别为诊断，NHEP值为0.01。PSF_composite表示各个性能影响因素相应状态水平乘数的乘积。

S5：计算人因可靠性中工作绩效的补偿函数；

S501：工作绩效的补偿函数公式如下：

lg(Mult_max)＝a(1-WE_min)+b

lg(Mult_min)＝a(1-WE_max)+b

其中，Mult_max表示每个性能影响因素的最大乘数值，Mult_min表示每个性能影响因素的最小乘数值。WE_max＝1，WE_min＝0.00001。通过计算可获得每个性能影响因素的a，b常数值。因水平变量具有时间累积特征，为了研究水平变量的正常状态水平前后的变化趋势，所以水平变量的Mult_min＝0.00001。

S502：各个性能影响因素对工作绩效的补偿函数公式如下：

压力因素对工作绩效的补偿函数公式为：

疲劳因素对工作绩效的补偿函数公式为：

认知负荷因素对工作绩效的补偿函数公式为：

训练因素对工作绩效的补偿函数公式为：

程序因素对工作绩效的补偿函数公式为：

复杂度因素对工作绩效的补偿函数公式为：

可用时间因素对工作绩效的补偿函数公式为：

人机因素对工作绩效的补偿函数公式为：

S6：根据S3中互信息影响系数网络、S4中人因可靠性分析的人因失误概率和S5中工作绩效绘制载人潜器系统动态风险评估的因果反馈关系图，如图2所示。

进一步的，S7具体包括：

载人潜器系统动态风险评估模型中的认知负荷增长率的修正、主任务可用时间、主任务复杂度、人机和基本失误概率通过以下量化函数表示：

f(q₁)＝0.05×(2-Cognitive performance＜TIME＞)

f(q₂)＝Mult_available _time＜TIME

f(q₃)＝Mult_complexity＜TIME

f(q₄)＝Mult_HMI＜TIME

f(q₅)＝NHEP<TIME

其中，<TIME>表示系统背景的时间函数，f(q₁)表示所述认知负荷增长率的修正的量化函数，f(q₂)表示所述主任务可用时间的量化函数，f(q₃)表示所述主任务复杂度的量化函数，f(q₄)表示所述人机的量化函数，f(q₅)表示所述基本失误概率的量化函数。

基于任务时段而动态变化的变量的量化值通过专家分别对每个任务时段进行评价而获取，并将评价值赋予给变量在某个任务时段的中间时间的量化值，然后分别与前一个任务时段的中间时间的量化值和后一个任务时段的中间时间的量化值进行拟合过渡，形成的拟合仿真曲线作为该变量基于任务时段的动态趋势，具体如图3所示。

S8：根据S6中因果反馈关系图、S3中互信息影响系数网络与S7中量化函数构建载人潜器系统动态风险评估的系统动力学模型，如图4所示，确定各变量的计算方程。

进一步的，S8具体包括：

压力因素在动力学模型中是水平变量，计算方程为：

s_i＝IF THEN ELSE(F_s<5，R_s，0)

F_s＝S+0.14×A+0.154×CY

R_s＝0.05

疲劳因素在动力学模型中是水平变量，计算方程为：

f_i＝IF THEN ELSE(F_f<5，R_f，0)

F_f＝F+0.093×S+0.113×R

R_f＝0.05

认知负荷因素在动力学模型中是水平变量，计算方程为：

c_i＝IF THEN ELSE(F_c<5，CR_r，0)

F_c＝0.065×A+0.114×CY+0.03×E+0.081×F+0.074×S+C

CR_r＝WITHLOOKUP[0.05×(2-Cognitive performance<TIME>)，([(0,0)-(10,10)],(0,0.05),(0.5,0.054),(0.75,0.057),(1,0.063),(1.8,0.053),(2.4,0.054),(3,0.055),(3.6,0.058),(4,0.062),(4.2,0.057),(4.5,0.057),(4.7,0.058),(5,0.057),(6,0.059),(7,0.061),(7.2,0.063),(7.4,0.06),(7.6,0.064),(8.3,0.068),(9,0.065),(11.5,0.059),(12,0.061))]

训练因素在动力学模型中是辅助变量，计算方程为：

T＝T_mult+0.09×S

T_mult＝0.5

程序因素在动力学模型中是辅助变量，计算方程为：

P＝P_mult+0.11×CY

P_mult＝0.5

复杂度因素在动力学模型中是辅助变量，计算方程为：

CY＝0.051×E+0.07×S+0.083×T+CY_m

CY_m＝WITH LOOKUP[Mult_complexity<TIME>([(0,0)-(10,10)],(0,0),(0.5,1),(0.75,1),(1,1),(1.8,1),(2.4,1),(3,1),(3.6,1),(4,2),(4.2,1),(4.5,1),(4.7,1),(5,1),(6,1),(7,1),(7.2,1),(7.4,1),(7.6,1),(8.3,2),(9,2),(11.5,1),(12,2))]

可用时间因素在动力学模型中是辅助变量，计算方程为：

A＝0.054×C+0.075×P+0.085×S+0.064×C+A_m

A_m＝WITH LOOKUP[Mult_{available time}<TIME>，([(0,0)-(10,10)],(0,0),(0.5,1),(0.75,1),(1,1),(1.8,1),(2.4,1),(3,1),(3.6,1),(4,2),(4.2,1),(4.5,1),(4.7,1),(5,1),(6,1),(7,1),(7.2,1),(7.4,1),(7.6,1),(8.3,2),(9,2),(11.5,1),(12,2))]

人机因素在动力学模型中是常数变量，计算方程为：

E＝WITH LOOKUP[Mult_HMI<TIME>，([(0,0)-(10,10)],(0,0),(0.5,0.5),(0.75,0.5),(1,1),(1.8,0.5),(2.4,0.5),(3,0.5),(3.6,0.5),(4,1),(4.2,0.5),(4.5,1),(4.7,1),(5,0.5),(6,1),(7,1),(7.2,0.5),(7.4,0.5),(7.6,0.5),(8.3,1),(9,1),(11.5,0.5),(12,1))]

基本失误概率在动力学模型中是常数变量，计算方程为：

NHEP＝WITH LOOKUP[NHEP<TIME>，([(0,0)-(10,10)],(0,0),(0.5,0.01),(0.75,0.001),(1,0.001),(1.8,0.01),(2.4,0.01),(3,0.01),(3.6,0.01),(4,0.001),(4.2,0.01),(4.5,0.01),(4.7,0.001),(5,0.01),(6,0.001),(7,0.001),(7.2,0.01),(7.4,0.01),(7.6,0.01),(8.3,0.001),(9,0.001),(11.5,0.01),(12,0.001))]

其中，INTEG(·)表示积分函数，S表示压力，s_i表示压力增量，IF THEN ELSE(·)表示条件函数，F_s表示压力影响因素，R_s表示压力原始增长率，A表示可用时间，CY表示复杂度，F表示疲劳，f_i表示疲劳增量，F_f表示疲劳影响因素，R_f表示疲劳原始增长率，C表示认知负荷，c_i表示认知负荷增量，F_c表示认知负荷影响因素，CR_r表示认知负荷增长率的修正，E表示人机，CY_m表示主任务的复杂度，A_m表示主任务的可用时间，WITH LOOKUP(·)表示表函数，T表示训练，T_mult表示训练的人因失误乘数，P表示程序，P_mult表示程序的人因失误乘数，NHEP表示基本失误概率。

S9：启动S8中载人潜器系统动态风险评估的系统动力学模型，通过各变量的计算方程进行综合仿真分析。

实验仿真运行时间为12h，为一个完整的载人潜器下潜作业时段。性能影响因素动态仿真结果如图5所示，人因失误概率动态仿真结果如图6所示，工作绩效动态仿真结果如图7所示，根据仿真数据结果，可以识别出“E1读取声纳数据”、“E18用机械手操控手柄采样”、“E20检查信息显示界面参数”、“E8打开多普勒计程仪并抛弃终止下潜压载”、“E19将采样样品放入指定采样篮”和“E21打开成像声呐和避碰声呐”为关键风险任务。

S10：根据区间灵敏度分析方法，在综合仿真环境下，将定值的常数变量直接进行数值区间更改与设定，得到动力学模型中基于动态风险评估的相关因变量的变化数据，测度常数变量对人因失误概率和工作绩效的影响程度的灵敏性。

进一步的，S10具体包括：输入变量压力、疲劳的原始增长率的变化区间设为[0.01，1]，变化水平设置为5个水平，分别为0.01，0.05，0.25，0.5和1。输入变量训练的变化区间基于其乘数划分水平设置为[0.5,3]，变化水平设置为3个水平，分别为0.5，1和3。输入变量程序的变化区间基于其乘数划分水平设置为[1,50]，变化水平设置为4个水平，分别为1，5，10和50。输入变量的状态水平值可在综合性仿真下进行数值区间的准确设定。

根据区间数学理论进行灵敏度系数的计算，相对区间的灵敏度系数

计算公式为：

在载人潜器系统动态风险评估的系统动力学模型中进行综合性仿真后，四个输入变量对于人因失误概率和工作绩效的灵敏度系数，如表4所示。

因此，压力原始增长率是该系统中占比最大的敏感性性能影响因素。

一种载人潜器作业系统动态风险评估系统，包括：

进一步的，因果反馈关系模块还包括：

计算子模块一：计算工作绩效的补偿函数；

进一步的，动力学流图模块还包括：

一种载人潜器系统动态风险评估设备，包括：

处理器和存储器，计算机程序将数据信息存储在存储器中，计算机程序被处理器执行时实现S1-S10中的方法步骤。

具体包括以下步骤：

S11：计算机程序在商业软件Vensim的环境中进行开发。Vensim中模型的配置信息由输入组件完成。输入组件主要包括载人潜器系统动态风险评估系统中的性能影响因素体系模块、因果反馈关系模块和动力学流图模块。输出组件包括载人潜器系统动态风险评估系统的仿真结果输出模块。

S12：将压力、疲劳和认知负荷输入为计算机程序的水平变量，将认知负荷增长率的修正、主任务可用时间、主任务复杂度、人机、基本失误概率、程序人因失误乘数以及训练人因失误乘数输入为计算机程序的常数变量，其余变量输入为计算机程序的辅助变量。

S13：通过Vensim中的<INTEG>积分函数、<IF THEN ELSE>函数、<LOOK UP>表函数和<TIME>函数描述模型中变量的数学表达式。

S14：计算机程序输入组件和输出组件均可将相关信息保存在存储器中。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims

1.一种载人潜器系统动态风险评估方法，包括以下步骤：

S1：将认知负荷作为认知绩效的量化指标引入性能影响因素体系中，根据插入排序法拟定认知负荷的人因失误乘数；

S3：根据信息熵理论和S2中概率质量函数PMF水平值计算S1中性能影响因素之间的互信息影响系数，构建性能影响因素的互信息影响系数网络；

S4：运用SPAR-H方法量化人因可靠性的人因失误概率指标HEP；

S5：计算人因可靠性中工作绩效的补偿函数；

S6：根据S3中互信息影响系数网络、S4中人因可靠性分析的人因失误概率和S5中工作绩效绘制载人潜器系统动态风险评估的因果反馈关系图；

S7：基于任务时段数据和动力学模型背景的时间time函数和<Lookup>表函数来量化载人潜器系统动态风险评估模型中具有非线性特征的相关常数变量；

S10：根据区间灵敏度分析方法，在S9中综合仿真环境下，将定值的常数变量进行数值区间更改与设定，得到动力学模型中基于动态风险评估的相关因变量的变化数据。

2.根据权利要求1所述的一种载人潜器系统动态风险评估方法，其特征是：S5还包括：

S501：工作绩效的补偿函数公式如下：

lg(Mult_max)＝a(1-WE_min)+b

lg(Mult_min)＝a(1-WE_max)+b

其中，Mult_max表示每个性能影响因素的最大乘数值，Mult_min表示每个性能影响因素的最小乘数值，WE_max＝1，WE_min＝0.00001，通过计算可获得每个性能影响因素的a，b常数值，水平变量的Mult_min＝0.00001；

S502：各个性能影响因素对工作绩效的补偿函数公式如下：

压力因素对工作绩效的补偿函数公式为：

疲劳因素对工作绩效的补偿函数公式为：

认知负荷因素对工作绩效的补偿函数公式为：

训练因素对工作绩效的补偿函数公式为：

程序因素对工作绩效的补偿函数公式为：

复杂度因素对工作绩效的补偿函数公式为：

可用时间因素对工作绩效的补偿函数公式为：

人机因素对工作绩效的补偿函数公式为：

3.根据权利要求2所述的一种载人潜器系统动态风险评估方法，其特征是：S8中各变量的计算方程如下：

压力因素在动力学模型中是水平变量，计算方程为：

s_i＝IF THEN ELSE(F_s<5,R_s,0)

F_s＝S+0.14×A+0.154×CY

R_s＝0.05

疲劳因素在动力学模型中是水平变量，计算方程为：

f_i＝IF THEN ELSE(F_f<5,R_f,0)

F_f＝F+0.093×S+0.113×R

R_f＝0.05

认知负荷因素在动力学模型中是水平变量，计算方程为：

c_i＝IF THEN ELSE(F_c<5,CR_r,0)

F_c＝0.065×A+0.114×CY+0.03×E+0.081×F+0.074×S+C

CR_r＝WITH LOOKUP[0.05×(2-Cognitive performance<TIME>)]

训练因素在动力学模型中是辅助变量，计算方程为：

T＝T_mult+0.09×S

T_mult＝0.5

程序因素在动力学模型中是辅助变量，计算方程为：

P＝P_mult+0.11×CY

P_mult＝0.5

复杂度因素在动力学模型中是辅助变量，计算方程为：

CY＝0.051×E+0.07×S+0.083×T+CY_m

CY_m＝WITH LOOKUP[Mult_complexity<TIME＞]

可用时间因素在动力学模型中是辅助变量，计算方程为：

A＝0.054×C+0.075×P+0.085×S+0.064×C+A_m

A_m＝WITH LOOKUP[Mult_{available time}＜TIME>]

人机因素在动力学模型中是常数变量，计算方程为：

E＝WITH LOOKUP[Mult_HMI<TIME>]

基本失误概率在动力学模型中是常数变量，计算方程为：

NHEP＝WITH LOOKUP[NHEP<TIME>]

4.根据权利要求3所述的一种载人潜器系统动态风险评估方法，其特征是：S9中实验仿真运行时间为12h。

5.一种载人潜器系统动态风险评估系统，其特征是：包括：

6.根据权利要求5所述的一种载人潜器系统动态风险评估系统，其特征是：因果反馈关系模块还包括：

计算子模块一：计算工作绩效的补偿函数；

7.根据权利要求6所述的一种载人潜器系统动态风险评估系统，其特征是：动力学流图模块还包括：

8.一种载人潜器系统动态风险评估设备，其特征是：包括：

处理器和存储器，计算机程序将数据信息存储在存储器中，计算机程序被处理器执行时实现权利要求1中的方法步骤。