基于CREAM和不確定推理的人因可靠性分析方法

柴 松，余建星，馬維林，楊 源

(天津大學建筑工程學院港口與海洋工程教育部重點實驗室，天津300072)

海上油氣作業(yè)危險性大，一旦發(fā)生事故后果十分嚴重．近年來，海上油氣事故的有關(guān)研究表明，人因失誤在事故原因中所占的比重越來越高．因此預測人的失誤概率、分析人因可靠性在海洋工程建設(shè)與運營過程中變得十分重要．

人因可靠性分析(human reliability analysis，HRA)發(fā)展至今，其研究方法大致可歸為兩類[1]：以人因失誤率預測技術(shù)(technique of human error rate prediction，THERP)[2]為代表的第一代 HRA 方法；以認知可靠性與失誤分析方法(cognitive reliability and error analysis method，CREAM)[3]和人誤分析技術(shù)(a technique for human error analysis，ATHEANA)[4]為代表的第二代HRA方法．這3種方法是目前最為成熟也是應(yīng)用較多的HRA方法．其中CREAM方法的通用性和可操作性較強，更加便于移植到海洋開發(fā)工程領(lǐng)域．

CREAM 提供了一套科學的且易于實踐的分析流程，但是分析中不可避免地要面臨其固有的不確定性問題[5]．對于這些問題，近年來已有學者應(yīng)用概率理論、模糊數(shù)學等方法進行了研究[5-9]．如 He等[7]根據(jù) CREAM 中控制模式與失誤概率的關(guān)系，建立了人誤概率的簡化計算模型．Marzio等[8]運用模糊推理方法，建立了基于 CREAM 的模糊推理模型．Kim等[9]將貝葉斯網(wǎng)絡(luò)應(yīng)用于CREAM中，通過概率方法來確定控制模式．

從實際應(yīng)用的情況考慮，簡化的計算模型由于沒有考慮 CREAM 在使用時的不確定性，因此其計算結(jié)果會存在一定的誤差．模糊推理模型能夠很好地處理不確定性問題，但是基于 CREAM 的原有結(jié)構(gòu)，需要設(shè)置的推理規(guī)則數(shù)量將達到46,656，因此建模的工作量很大且模型的靈活性差、不便于調(diào)整．貝葉斯網(wǎng)絡(luò)也能夠很好地處理不確定性問題，且建模工作量較小，但是目前只能用于控制模式的確定，很難直接計算得到人誤概率．

為解決上述問題，筆者基于 CREAM 方法的基本原理、綜合運用模糊數(shù)學以及貝葉斯網(wǎng)絡(luò)推理兩種方法的優(yōu)勢完成人因可靠性的定量分析，并將其應(yīng)用到海洋石油開發(fā)工程設(shè)施的人因可靠性分析當中.

1 CREAM的模糊化

CREAM 方法建立有一個完整的認知模型，它認為人因失誤可能性取決于人在特定任務(wù)情境中對自己行為的控制水平．這種控制水平可以劃分成 4種控制模式[3]，即戰(zhàn)略型、戰(zhàn)術(shù)型、機會型與混亂型．同時，每一種控制模式對應(yīng)著一個具體的失誤概率區(qū)間．在一個確定的任務(wù)情景中，人的控制模式可以通過 9種共同績效條件(common performance condition，CPC)進行判斷．根據(jù)CPC的評價，可以判斷其對認知行為可靠性的影響是提高、降低還是無顯著影響，進而可以依據(jù)具有積極影響與消極影響的CPC數(shù)目，確定在這種任務(wù)情景中人的行為控制模式及失誤概率．

CREAM 方法將環(huán)境的影響因素歸納成 9大因素，統(tǒng)稱為共同績效條件，分別為：組織的完善性、工作條件、人機界面與運行支持的完善性、規(guī)程/計劃的可用性、同時出現(xiàn)的目標數(shù)量、可用時間、工作時間區(qū)(生理節(jié)奏)、培訓和經(jīng)驗的充分性、班組成員的合作質(zhì)量[3]．

但是，由于 CREAM 方法本身是源于核工業(yè)領(lǐng)域，而核工業(yè)領(lǐng)域的工作活動又與海洋石油領(lǐng)域存在顯著差異，因此理論上原有 CPC并不能完全適用于國內(nèi)海洋石油領(lǐng)域的生產(chǎn)作業(yè)特點．根據(jù)海上油氣作業(yè)的實際情況及專家和員工的反饋，將原 CPC調(diào)整為7項，如表1所示．

表1 共同績效條件Tab.1 Common performance conditions

CREAM 對各項 CPC的評價水平進行了分類，不同的 CPC評價水平代表了 CPC對人因可靠性的不同影響，這也為應(yīng)用模糊方法提供了理論支持和便利．基于表1對CPC的調(diào)整，重新給出了CPC的評價水平及其對人因可靠性的影響，見表 2．考慮到模糊化的需要，同時為了與采用的調(diào)查問卷相適應(yīng)，將論域定義為[1，5]，見表 2．模糊化時，采用高斯隸屬度函數(shù)，即

表2 CPC和績效可靠性對應(yīng)關(guān)系Tab.2 Relationship between CPC and performance reliability

式中：μ 為期望值；σ 為標準偏差．根據(jù)式(1)及表 2，參考文獻[5,8]的研究并經(jīng)過多次試驗，確定了參數(shù)μ、σ的大小，進而得到 CPC評價水平的隸屬度函數(shù)為

式中f1、f2、f3依次對應(yīng)CPC的評價水平(順序由低到高，即“不滿意”、“可接受”、“滿意”)．此外，在隸屬度為 0.25處對函數(shù)進行了截斷，隸屬度函數(shù)曲線見圖1．

圖1 CPCs的模糊集Fig.1 Fuzzy sets of CPCs

在 CREAM 中，每種控制模式都對應(yīng)一個失誤概率區(qū)間，見表3．

表3 控制模式與人誤概率Tab.3 Control modes and human error probability

相鄰的控制模式均存在失誤概率的重疊區(qū)間，需要使用模糊數(shù)學方法解決這種固有的不確定性．根據(jù)表 3及式(1)，可以得到控制模式的隸屬度函數(shù)，即

式中 fstr、ftac、fopp和 fscr分別對應(yīng) 4種控制模式，即戰(zhàn)略型、戰(zhàn)術(shù)型、機會型和混亂型．同樣在隸屬度為0.25處對函數(shù)進行了截斷；同時為了計算方便，統(tǒng)一對失誤概率 p取以 10為底的對數(shù)，對應(yīng)的隸屬度函數(shù)曲線如圖2所示．

圖2 控制模式的模糊集Fig.2 Fuzzy sets of control modes

為了能夠計算失誤概率，需要根據(jù)控制模式的推理結(jié)果，利用式(3)進行去模糊化．去模糊化的過程通常可以選擇最大數(shù)均值法(mean of maximum，MOM)或重心法(center of area，COA)．由于 MOM法采用最大值點進行平均，且經(jīng)過對比所得結(jié)果誤差較 COA法更大，因此采用重心法來完成去模糊化的過程．

2 貝葉斯網(wǎng)絡(luò)推理

貝葉斯網(wǎng)絡(luò)是一種基于概率推理的圖形化網(wǎng)絡(luò)，它是為了解決不定性和不完整性問題而提出的，也是目前不確定知識表達和推理領(lǐng)域最為有效的數(shù)學模型之一[10]．建立貝葉斯網(wǎng)絡(luò)模型的過程可以簡化為 2個步驟：首先是建立貝葉斯網(wǎng)絡(luò)，其次是確定條件概率表(conditional probability table，CPT)．

CREAM 方法提供了可操作性很強的人因可靠性分析過程，為建立貝葉斯網(wǎng)絡(luò)提供了很大的便利．據(jù)此可建立由 CPC確定控制模式的貝葉斯網(wǎng)絡(luò)如圖3所示．

圖3 基于CPCs判斷控制模式的貝葉斯網(wǎng)絡(luò)Fig.3 Bayesian network defined for determining control modes based on assessed CPCs

圖 3中，左側(cè)第 1層節(jié)點與表 1中所描述的CPC依次對應(yīng)，作為網(wǎng)絡(luò)的輸入；第2層節(jié)點用于完成 CPC的相關(guān)性調(diào)整[3]；第 3層節(jié)點是為簡化建模過程所設(shè)置的輔助節(jié)點；第 4層節(jié)點表示控制模式，是整個網(wǎng)絡(luò)的輸出．

CPC作為任務(wù)情景的描述指標，當其評價水平確定之后，便可以由表 2得到每項 CPC對于認知行為可靠性的影響是積極還是消極．在 CREAM 的方法體系中，具有積極影響與消極影響的 CPC數(shù)目構(gòu)成決定了在該種環(huán)境下人的認知行為將處于何種控制模式當中．由于 CPC數(shù)目由 9項變?yōu)?7項，因此CPC影響與控制模式的對應(yīng)關(guān)系也經(jīng)過了相應(yīng)調(diào)整，其結(jié)果見圖4．根據(jù)圖4，可以確定節(jié)點之間的條件概率．例如，經(jīng)過之前步驟，得到具有積極與消極影響的CPC數(shù)目分別為 4和 3，根據(jù)圖4可知控制模式為戰(zhàn)術(shù)型，寫成表達式的形式為

式中：C表示控制模式；NCPC,po與 NCPC,na分別表示具有積極和消極影響的CPC數(shù)目．

在貝葉斯網(wǎng)絡(luò)中，每一條有向線段均代表父節(jié)點與子節(jié)點的一個“因果”關(guān)系，用條件概率進行表示．假設(shè)一個父節(jié)點有m個狀態(tài)，有n個這樣的父節(jié)點連接到同一個子節(jié)點上，那么這個子節(jié)點對應(yīng)的條件概率表的規(guī)模將達到m的n次方．由表2可知，7項CPC每項均有3個狀態(tài)，因此，如果沒有第3層的輔助節(jié)點，那么由 CPC確定控制模式條件概率表的規(guī)模將達到 37= 2 187．這與采用模糊推理方法需要建立的模糊推理規(guī)則的數(shù)量相等．

然而，根據(jù)貝葉斯網(wǎng)絡(luò)的推理機制，可以在網(wǎng)絡(luò)中添加輔助節(jié)點(如圖3中的“var3”和“var4”)而不影響最終的結(jié)果．此處設(shè)置輔助節(jié)點的原理是將 7項CPC分為2組，先分別統(tǒng)計每組CPC對可靠性的影響，再將2組的結(jié)果綜合后根據(jù)圖4來確定控制模式．設(shè)置輔助節(jié)點后，表達同樣映射關(guān)系所需要的條件概率表的總規(guī)模將變?yōu)?33+ 34+7× 9 = 1 71．通過對比可以看出，合理地設(shè)置輔助節(jié)點后，條件概率表的規(guī)模約降為原先的1/12，極大地縮短了推理模型的建模時間．

圖4 控制模式與CPCs關(guān)系Fig.4 Diagram for definition of control modes based on CPCs

3 實例分析

分析對象為蓬萊海域已投產(chǎn)的某井口平臺，采用問卷的方式對一線工人進行了調(diào)查．問卷的設(shè)計參考了 WSFⅡ[11]、NORSOK S-002[12]和國內(nèi)海洋工程的事故分析資料．問卷包含 7組題目，分別與 7項CPC相對應(yīng)，以便于后續(xù)的分析和計算．此次調(diào)查共發(fā)放問卷40份，收回有效問卷34份．通過對有效問卷進行統(tǒng)計，可以求出各組題目得分的均值，然后代入式(2)得到各項CPC評價水平的隸屬度，如表4所示，表 4中字母 A～G與表 1中介紹的 CPC依次對應(yīng)．

表4 CPCs隸屬度Tab.4 Membership of CPCs

歸一化后得到貝葉斯網(wǎng)絡(luò)的輸入，如表 5所示，表5中字母A～G與表1中介紹的CPC依次對應(yīng)．

將問卷結(jié)果模糊化并求出CPC隸屬度并不能直接得到人誤概率的大小，必須首先由貝葉斯網(wǎng)絡(luò)完成推理分析后，得到控制模式的概率分布．結(jié)果為：戰(zhàn)略型54.19%，戰(zhàn)術(shù)型45.81%，機會型0，混亂型0．

表5 貝葉斯網(wǎng)絡(luò)輸入Tab.5 Input for Bayesian network

得到控制模式的隸屬度后，接著根據(jù)式(3)并利用重心法完成去模糊化，從而求出人誤概率HEPP ，即

若根據(jù) CREAM 原方法進行分析，只能得出控制模式為戰(zhàn)略型，對應(yīng)的失誤概率區(qū)間為(5.0×10-5，1.0×10-2)．因此，與原方法相比，上述算法不僅結(jié)果更為準確，而且提供了更高精度．

4 結(jié) 語

根據(jù)海洋工程的作業(yè)環(huán)境特點，對 CPC進行了修正，利用模糊數(shù)學原理實現(xiàn)CPC評價的模糊化，再基于 CREAM 的分析流程建立貝葉斯網(wǎng)絡(luò)，完成由CPC得到控制模式的推理過程，有效地解決了CREAM中固有的不確定性問題．最后由貝葉斯網(wǎng)絡(luò)輸出經(jīng)過去模糊化計算得出人誤概率．該方法不僅能夠減少計算量，提高分析效率，同時也能夠保證分析結(jié)果具有所需要的計算精度．因此，作為人誤概率快速預測方法在海洋工程定量風險分析中具有應(yīng)用價值．

［1］ Simon F，Tim B，Simon J T，et al. Human reliability analysis：A critique and review for managers [J]. Safety Science，2011，49(6)：753-763.

［2］ Swain A D，Guttman H E. Handbook of Human Reliability Analysis with Emphasis on Nuclear Power Plant Applications [M]. Washington，USA：US Nuclear Regulatory Commission，1983.

［3］ Hollnagel E. Cognitive Reliability and Error Analysis Method：CREAM [M]. Oxford，UK：Elsevier Science Ltd，1998.

［4］ Cooper S E，Ramey-Smith A M，Wreathall J，et al. A Technique for Human Error Analysis[M]. Washington，USA：US Nuclear Regulatory Commission，1994.

［5］ Konstandinidou M，Nirolianitou Z，Kiranoudis C，et al. A fuzzy modeling application of CREAM methodology for human reliability analysis[J]. Reliability Engineering and System Safety，2006，91(6)：706-716.

［6］ Fujita Y， Hollnagel E. Failure without errors：Quantification of context in HRA [J]. Reliability Engineering and System Safety，2004，83(2)：145-151.

［7］ He Xuhong，Wang Yao，Shen Zupei，et al. A simplified CREAM prospective quantification process and its application [J]. Reliability Engineering and System Safety，2008，93(2)：298-306.

［8］ Marzio M，Enrico Z，Massimo L. Human reliability analysis by fuzzy“CREAM”[J]. Risk Analysis，2007，27(1)：137-154.

［9］ Kim M C，Seong P H，Hollnagel E. A probabilistic approach for determining the control mode in CREAM[J]. Reliability Engineering and System Safety，2006，91(2)：191-199.

［10］ DarwicheA. Modeling and Reasoning with Bayesian Networks [M]. Cambridge，UK：Cambridge University Press，2009.

［11］ Kathryn M，Sean W，Rhona F，et al. Factoring the Human into Safety：Translating Research into Practice[M]. Sudbury，UK：HSE Books，2003.

［12］ Standards Norway. NORSOK S-002 Rev 4 Working Environment[S]. Lysaker：Standards Norway，2004.