基于 SLIM-BN 的非正常條件下鐵路接發(fā)列車人因可靠性分析

康毅軍，鄭云水，牛行通

（蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院，甘肅蘭州730070）

1 基于SLIM-BN人因可靠性分析的原理與步驟

1.1 SLIM

SLIM[11-12]的實(shí)質(zhì)是對行為形成因子 (PSF) 進(jìn)行綜合評價(jià)，涉及 2 個(gè)核心算法。

（1）量化若干個(gè)PSF對完成相應(yīng)任務(wù)的影響度，即若干個(gè)成功似然指數(shù) (SLI)。成功似然指數(shù)法認(rèn)為，人完成任務(wù)的績效很大程度上是依賴于執(zhí)行任務(wù)時(shí)所處的情景環(huán)境因子，由此可構(gòu)造相應(yīng)的SLI，以表征PSF對完成任務(wù)的影響程度，其表達(dá)式為著我國鐵路現(xiàn)代化建設(shè)的不斷發(fā)展，各個(gè)車站的接發(fā)列車作業(yè)安全系數(shù)都在各方面取得顯著提高[1-2]，然而當(dāng)系統(tǒng)處于設(shè)備故障、技術(shù)設(shè)備施工、自然災(zāi)害、不良天氣等非正常條件時(shí)，工作人員受知識經(jīng)驗(yàn)、工作應(yīng)力、應(yīng)急演練不足等因素的影響，發(fā)生人因失誤的概率將比正常條件下顯著增加[3]。國內(nèi)和國外學(xué)者關(guān)于鐵路接發(fā)列車作業(yè)人因可靠性研究較多。Melissa 等[4]利用人因素分析和分類系統(tǒng) (HFACS) 分析了多起鐵路行車事故。Read 等[5]通過對鐵路行車人因事故分析，總結(jié)出技能型相關(guān)的失誤與任務(wù)需求有關(guān)，規(guī)則型及知識型相關(guān)的失誤與缺乏培訓(xùn)有關(guān)。Luca 等[6]用貝葉斯網(wǎng)絡(luò)和模糊專家系統(tǒng) 2 種方法對人的可靠性進(jìn)行了分析。吳海濤[7-8]分析了非正常條件下高速鐵路調(diào)度指揮人因可靠性，并提出了一種改進(jìn)的人因失誤概率量化方法。從國內(nèi)外的研究成果看，多數(shù)接發(fā)列車作業(yè)人因可靠性分析研究仍然處于經(jīng)驗(yàn)階段，而且在各種人的可靠性分析 (HRA) 的研究中或多或少存在缺陷，如缺乏人因可靠性分析數(shù)據(jù)、數(shù)據(jù)量化存在一定的片面影響而必須依靠專家的主觀判斷、人的心理特征和認(rèn)知行為很難量化等[9-10]。為此，提出一種基于成功似然指數(shù)法 (SLIM) 與貝葉斯網(wǎng)絡(luò) (BN) 相結(jié)合 (SLIM-BN) 的非正常條件下鐵路接發(fā)列車人因可靠性分析評價(jià)方法，通過風(fēng)險(xiǎn)評估與控制，以期實(shí)現(xiàn)對非正常條件下接發(fā)列車作業(yè)人員人因可靠性的定量分析。式中：SLIj為完成任務(wù)j的成功似然指數(shù)；Wi為第i種PSF歸一化下的權(quán)重值，且Rij為在第i種PSF的作用影響下，完成任務(wù)j的可靠度。

（2）將SLI轉(zhuǎn)化為任務(wù)的失敗概率。任務(wù)的失敗概率人因失誤概率 (HEP) 轉(zhuǎn)化公式為

式中：a，b為待定常數(shù)，可由已知的人因失誤概率的 2 個(gè)邊界點(diǎn)求得。

1.2 BN

貝葉斯網(wǎng)絡(luò)又稱信度網(wǎng)絡(luò)、概率因果網(wǎng)等[13-14]，其原理是在一個(gè)擁有N個(gè)節(jié)點(diǎn)的貝葉斯網(wǎng)絡(luò)中，可以用N= <

（1）第一部分

（2）在根節(jié)點(diǎn)先驗(yàn)概率和非根節(jié)點(diǎn)條件概率已知條件下，可獲得包含所有節(jié)點(diǎn)的聯(lián)合概率分布如下。

Vi節(jié)點(diǎn)的邊緣概率可表示為

由貝葉斯定理可知，在某事件發(fā)生的條件下，可以得到其他關(guān)聯(lián)節(jié)點(diǎn)的概率分布，即

式中：e為與節(jié)點(diǎn)V相關(guān)聯(lián)的事件，在進(jìn)行貝葉斯推理時(shí)由已知條件給出其概率大小。

1.3 熵權(quán)計(jì)算法

熵權(quán)計(jì)算法[15]可以量化評價(jià)指標(biāo)的固有信息與專家決策者的主觀信息，運(yùn)用數(shù)學(xué)方法確定各評價(jià)指標(biāo)的重要程度。評價(jià)指標(biāo)的熵權(quán)值越大，表明該指標(biāo)可以提供越多的有用信息，對評價(jià)結(jié)果產(chǎn)生的影響作用越大?？紤]到人因失誤指標(biāo)數(shù)據(jù)本身的特性，選用客觀熵權(quán)計(jì)算方法為指標(biāo)賦權(quán)重值，步驟如下。

（1） 確定待評價(jià)對象i在評價(jià)指標(biāo)j下的指標(biāo)值比重Qi

j。

式中：Fi

j為評價(jià)對象i處于評價(jià)指標(biāo)j下的指標(biāo)值。

（2） 確定指標(biāo)j的熵值h j。

式中：l為評價(jià)對象總數(shù)；n為每個(gè)評價(jià)對象的評價(jià)指標(biāo)總數(shù)。

（3）確定指標(biāo)j的熵權(quán)值w j。

1.4 基于 SLIM-BN 的人因可靠性分析步驟

SLIM 的核心算法一是一個(gè)主觀性比較強(qiáng)的估計(jì)方法，因?yàn)橛绊懝ぷ魅藛T行為的PSF，以及在各PSF影響下完成該任務(wù)的相對可靠度，均由專家的判斷來確定。針對這一不足，采用貝葉斯網(wǎng)絡(luò)彌補(bǔ)這一缺點(diǎn)，由于貝葉斯網(wǎng)絡(luò)具有強(qiáng)大的不確定性問題的處理能力，可將專家先驗(yàn)知識和數(shù)據(jù)進(jìn)行綜合的理想表達(dá)，能在有限的、不完整的或不確定的信息下進(jìn)行學(xué)習(xí)和推理。該方法主要分析步驟如下。

（1）PSF的識別與篩選。首先進(jìn)行人因失誤模型下的情景環(huán)境分析，其次在構(gòu)建的PSF體系中篩選出重要的PSF。

（2）構(gòu)建貝葉斯網(wǎng)絡(luò)。將認(rèn)知行為的SLI定義為網(wǎng)絡(luò)的葉節(jié)點(diǎn)，PSF定義為網(wǎng)絡(luò)的根節(jié)點(diǎn)和中間節(jié)點(diǎn)，建立貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

（3）確定節(jié)點(diǎn)變量的權(quán)重與先驗(yàn)概率及條件概率?？紤]到人因失誤指標(biāo)數(shù)據(jù)本身的特性，用熵權(quán)計(jì)算法為節(jié)點(diǎn)賦權(quán)重值，然后在多位專家評估的基礎(chǔ)上分別確定網(wǎng)絡(luò)中節(jié)點(diǎn)變量的概率分布。

（4）進(jìn)行貝葉斯推理與 SLIM 法計(jì)算。在貝葉斯推理計(jì)算得出SLI后，按照 SLIM 法中的核心算法二，進(jìn)行人因失誤概率的計(jì)算。

2 非正常條件下鐵路接發(fā)列車作業(yè)人員SLIM-BN模型

2.1 非正常條件下鐵路接發(fā)列車作業(yè)人員可靠性影響因素

鐵路非正常條件下的接發(fā)列車作業(yè)是行車組織的重要環(huán)節(jié)，它的工作性質(zhì)決定了作業(yè)人員要長時(shí)間的精力集中，以此來保障鐵路行車作業(yè)的正常、安全、有序運(yùn)營。為全面了解非正常情況下人因可靠性影響因子，對某車站作業(yè)人員進(jìn)行了調(diào)研和訪談，通過整理該調(diào)查資料得到非正常條件下接發(fā)列車工作人員PSF如圖1 所示。

圖1 非正常條件下接發(fā)列車工作人員 PSFFig.1 Staff PSF for arrival and departure of trains under abnormal conditions

2.2 PSF 篩選

在大量的 PSF 中，必定存在相互交叉的情況，而且可能會(huì)影響人因可靠性分析的準(zhǔn)確性，因而應(yīng)篩選有效的PSF，這樣才能使分析結(jié)果更加準(zhǔn)確。人因可靠性PSF篩選標(biāo)準(zhǔn)如下：盡量完整地把握對認(rèn)知行為重要的PSF；盡可能地避免PSF之間的交叉影響；盡量篩選出能直接影響人行為失誤的靈敏因子；篩選出的靈敏因子要能進(jìn)行可靠性分析；篩選出的靈敏因子要能夠進(jìn)行評價(jià)；篩選那些較容易理解的術(shù)語描述因子。

在非正常狀況下的人因可靠性影響因素和某車站多位工作人員調(diào)研資料分析的基礎(chǔ)上，參照人因可靠性PSF篩選標(biāo)準(zhǔn)得到非正常條件下接發(fā)列車作業(yè)人員的主要的PSF如表1 所示。

圖2 非正常情況下鐵路接發(fā)列車作業(yè)人員 SLIM-BN 模型Fig.2 SLIM-BN model of the arrival and departure of trains under abnormal conditions

2.3 非正常條件下接發(fā)列車作業(yè)人因 SLIM-BN 模型構(gòu)建

根據(jù)前述分析，構(gòu)建非正常情況下鐵路接發(fā)列車作業(yè)人員可靠性分析 SLIM-BN 模型如圖2 所示。

在建立的模型基礎(chǔ)上，根據(jù)貝葉斯推理計(jì)算，則可得到SLI。將求得的SLI和人因失誤概率的上下限代入公式 ⑵，就可得到人因失誤概率。

3 非正常條件下接發(fā)列車作業(yè)人員人因可靠性分析實(shí)例

3.1 確定節(jié)點(diǎn)變量的權(quán)重與先驗(yàn)概率及條件概率

構(gòu)建如圖2 所示的 SLIM-BN 模型后，運(yùn)用熵權(quán)計(jì)算法對各節(jié)點(diǎn)變量賦權(quán)重值。由于人因失誤指標(biāo)本身的特點(diǎn)，結(jié)合 4 位專家根據(jù)非正常情況下接發(fā)列車的實(shí)際情況，對 SLIM-BN 模型中 11 個(gè)根節(jié)點(diǎn)指標(biāo)PSF1-PSF11進(jìn)行打分 (滿分為 5 分)，最終確定決策初始判定矩陣為

表1 非正常條件下接發(fā)列車作業(yè)人員的主要 PSFTab.1 Main PSF for arrival and departure of trains under abnormal conditions

計(jì)算根節(jié)點(diǎn)指標(biāo)PSF1-PSF11的熵權(quán)值，根據(jù)公式 ⑺ 至公式 ⑼ 提出的熵權(quán)計(jì)算法得到每個(gè)根節(jié)點(diǎn)指標(biāo)的熵權(quán)值為

W= (0.094 3，0.075 2，0.092 7，0.076 8，0.066 2，0.107 4，0.088 6，0.109 8，0.085 5，0.109 6，0.093 9)

計(jì)算各根節(jié)點(diǎn)指標(biāo)的概率分布，通過對某鐵路局實(shí)地調(diào)研，整理出全鐵路局 2012—2016 年的人因失誤數(shù)據(jù)統(tǒng)計(jì)表，并從中篩選出非正常條件下接發(fā)列車作業(yè)人因失誤的數(shù)據(jù)，再結(jié)合多位專家評估與計(jì)算得到的每個(gè)根節(jié)點(diǎn)指標(biāo)的熵權(quán)值，最終獲得其根節(jié)點(diǎn)的變量狀態(tài)與先驗(yàn)概率如表2 所示，中間變量“工作負(fù)荷”“注意力水平”和“知識與技能”的條件概率如表3 至表5 所示。

表2 根節(jié)點(diǎn)的變量狀態(tài)與先驗(yàn)概率Tab.2 Variable state and prior probability of the root node

表3 中間變量“工作負(fù)荷”的條件概率 (工作負(fù)荷/工作環(huán)境，工作壓力)Tab.3 Conditional probability of intermediate variable “workload” (workload/working environment, working pressure)

表4 中間變量“注意力水平”的條件概率(注意力水平/分心事件，同時(shí)進(jìn)行的任務(wù)數(shù))Tab.4 Conditional probability of intermediate variable “attention level” (attention level/distraction event, simultaneous task number)

3.2 貝葉斯的因果推理

貝葉斯的因果推理是根據(jù)各個(gè)節(jié)點(diǎn)的狀態(tài)及其概率，應(yīng)用貝葉斯定理，推導(dǎo)出結(jié)果發(fā)生的可能性。在此結(jié)合 SLIM-BN 模型，利用微軟開發(fā)的貝葉斯建模工具 (MSBN) 軟件，構(gòu)建貝葉斯網(wǎng)絡(luò)進(jìn)行概率推理，計(jì)算各根節(jié)點(diǎn)在最佳狀態(tài)時(shí)的非正常情況下鐵路接發(fā)列車作業(yè)的SLI值為 0.933 85。

表5 中間變量”知識與技能”的條件概率(知識與技能/培訓(xùn)與應(yīng)急演練，經(jīng)驗(yàn))Tab.5 Conditional probability of intermediate variable “knowledge and skills” (knowledge and skills/training and emergency drill, experience)

3.3 人因失誤概率計(jì)算

同理可計(jì)算所有節(jié)點(diǎn)變量處于一般狀態(tài)和最差狀態(tài)下，非正常情況下鐵路接發(fā)列車作業(yè)的SLI為(0.893 86，0.840 21)。根據(jù)專家調(diào)研與數(shù)據(jù)統(tǒng)計(jì)確定的非正常鐵路接發(fā)列車任務(wù)的人因失誤概率上下限為 (0.01，0.2)，帶入公式 ⑵，得到a=-13.894，b= 10.975。將在一般狀態(tài)下非正常條件下接發(fā)列車作業(yè)人員的SLI= 0.893 86代入公式 ⑵，可以求得在一般狀態(tài)時(shí)非正常條件下鐵路接發(fā)列車任務(wù)的人因失誤概率為HEP= 0.035 95。

3.4 貝葉斯診斷推理

貝葉斯診斷推理是一種逆推理過程，其原理是在結(jié)果發(fā)生之后，依據(jù)所構(gòu)建的貝葉斯網(wǎng)絡(luò)模型，進(jìn)行逆向的診斷推理過程，分析其事故可能發(fā)生的原因。如果已經(jīng)發(fā)生非正常條件下接發(fā)列車作業(yè)人因失誤，根據(jù)建立的貝葉斯網(wǎng)絡(luò)模型，則可求得各因子的后驗(yàn)概率。將求得的各因子處在最不利的狀態(tài)下，比較其后驗(yàn)概率與先驗(yàn)概率的大小，變量的先驗(yàn)概率與后驗(yàn)概率比較如表6 所示。

表6 變量的先驗(yàn)概率與后驗(yàn)概率比較Tab.6 Contrast between the prior probability and the posterior probability of the variable

由表6 可知，發(fā)生非正常情況下接發(fā)列車人因失誤時(shí)，“培訓(xùn)與應(yīng)急演練”“疲勞程度”“經(jīng)驗(yàn)”和“完成任務(wù)的可用時(shí)間”因子處在最不利狀態(tài)的時(shí)候，它們的先驗(yàn)概率和后驗(yàn)概率變化程度較大。由此得出，節(jié)點(diǎn)“培訓(xùn)與應(yīng)急演練”“疲勞程度”“經(jīng)驗(yàn)”和“完成任務(wù)的可用時(shí)間”因子敏感度較高，對人因可靠性的影響相應(yīng)較大，即這些敏感因子很可能會(huì)引起人因失誤。為保障安全有序地進(jìn)行接發(fā)列車作業(yè)，應(yīng)當(dāng)從這 4 個(gè)方面加強(qiáng)培訓(xùn)或采取相關(guān)有效的措施來提升工作人員的知識與技能。

4 結(jié)束語

在人因可靠性分析模型中，結(jié)合成功似然指數(shù)法與貝葉斯網(wǎng)絡(luò)的方法量化人因差錯(cuò)概率HEP，不但克服了 HRA 方法中傳統(tǒng)計(jì)算HEP的局限性，而且也提高了人因可靠性分析的質(zhì)量。在建立的BN 模型中，通過應(yīng)用 BN 的因果推理，得出結(jié)果后再進(jìn)行 SLIM 的計(jì)算，最終得到完成該任務(wù)的可靠度，以此使人因可靠性結(jié)果更加可信，并且通過某車站的實(shí)際案例，有效識別出人因失誤的主要貢獻(xiàn)因子，即主要原因有“培訓(xùn)與應(yīng)急演練”“疲勞程度”“經(jīng)驗(yàn)”和“完成任務(wù)的可用時(shí)間”等。因此，在實(shí)際作業(yè)過程中，應(yīng)當(dāng)重點(diǎn)防范，并且制訂相應(yīng)的風(fēng)險(xiǎn)控制措施。以上研究表明，該SLIM-BN模型適用于非正常條件下鐵路接發(fā)列車作業(yè)人因可靠性的分析，對于制定非正常接發(fā)列車作業(yè)規(guī)章制度具有一定的指導(dǎo)意義。

[1] 王 波，何世偉，焦文根，等. 鐵路車務(wù)系統(tǒng)安全心里和行為模式的探討[J]. 鐵道運(yùn)輸與經(jīng)濟(jì)，2016，38(1)：63-67.WANG Bo，HE Shi-wei，JIAO Wen-gen，et al. Discussion on Safety Mentality and Behavioral Patterns of Train Crew System[J]. Railway Transport and Economy，2016，38(1)：63-67.

[2] 韓 勇. 鐵路超限貨物運(yùn)輸安全影響因素評價(jià)[J]. 鐵道貨運(yùn)，2017，35(5)：10-15.HAN Yong. Evaluation of Factors Influencing the Safety of Railway Out-of-gaugeGoods Transportation[J]. Railway Freight Transport，2017，35(5)：10-15.

[3] 趙文江. 如何加強(qiáng)非正常情況下鐵路車站接發(fā)列車的安全管理[J]. 科技展望，2016，26(20)：193.ZHAO Wen-jiang. How to Strengthen the Safety Management of Arrival and Departure of Trains under Abnormal Conditions[J]. Prospect of Science and Technology，2016，26(20)：193.

[4] BAYSARI M T，MCLNTOSH A S，WILSON J R.Understanding the Human Factor Contribution to Railway Accident and Incident in Australia[J]. Accident Analysis and Prevention，2010，40(17)：50-57.

[5] READ G J，LENNE M G，MOSS S A. Associations between Task，Training and Social Environmental Factors and Error Types Involved in Rail Incidents and Accidents[J].Accident Analysis & Prevention，2012，48 (48)：416-422.

[6] BARALDI P，PODOFILLINI L，MKRTCHYAN L，et al. Comparing the Treatment of Uncertainty in Bayesian Networks and Fuzzy Expert Systems Used for a Human Reliability Analysis Application[J]. Reliability Engineering and System Safety，2015，138(2)：176-193.

[7] 吳海濤. 非正常條件下高鐵列車調(diào)度指揮人因可靠性研究[D].成都：西南交通大學(xué)，2014.WU Hai-tao. Research on Human Reliability of High Speed Train Dispatching Command under Abnormal Conditions[D].Chengdu：Southwest Jiaotong University，2014.

[8] 李鵬程，王以群，張 力. 人誤原因因素灰色關(guān)聯(lián)分析[J].系統(tǒng)工程理論與實(shí)踐，2006，26(3)：131-134.LI Peng-cheng，WANG Yi-qun，ZHANG Li. Gray Relational Analysis of Human Factors[J]. System Engineering Theory and Practice，2006，26(3)：131-134.

[9] MALAKIS S，KONTOGIANNIS T，KIRWAN B. Managing Emergencies and Abnormal Situations in Air Traffic Control：part I：Task Work Trategies[J]. Applied Ergonomics，2010，41(4)：620-627.

[10] MALAKIS S，KONTOGIANNIS T，KIRWAN B. Managing Emergencies and Abnormal Situations in Air Traffic Control：Part II：Teamwork Strategies[J]. Applied Ergonomics，2010，41(4)：628-635.

[11] PARK K S，LEE J I. A New Method for Estimating Human Error Probabilities：AHP-SLIM[J]. Reliability Engineering &System，2008，93(4)：578-587.

[12] 王黎靜，王彥龍. 人的可靠性分析-人因差錯(cuò)風(fēng)險(xiǎn)評估與控制[M]. 北京：航空工業(yè)出版社，2015.

[13] TRUCCO P，CAGNO E，RUGGERI F. A Bayesian Belief Network Modeling of Organizational Factors in Risk Analysis：A Case Study in Maritime Transportation[J].Reliability Engineering & System Safety，2008，93(6)：845-856.

[14] GROTH K M，SWILER L P. Bridging the Gap between HRA Research and HRA Practice：A Bayesian Network Version of SPAR-H[J]. Reliability Engineering & System Safety，2013，115(7)：33-42.

[15] 鮑新中，張建斌. 基于粗糙集條件信息熵的權(quán)重確定方法[J]. 中國管理科學(xué)，2009，3(17)：131-135.BAO Xin-zhong，ZHANG Jian-bin. A Method for Determining Weights based on Conditional Information Entropy of Rough Sets[J]. Chinese Management Science，2009，3(17)：131-135.