郭云東， 孫有朝

(南京航空航天大學(xué)民航學(xué)院， 南京 210016)

隨著先進(jìn)航空電子技術(shù)的不斷涌現(xiàn)和機(jī)載設(shè)備可靠性的提高，與飛機(jī)機(jī)電系統(tǒng)有關(guān)的航空事故發(fā)生率在最近幾十年已急劇下降[1]。但是，與人為差錯(cuò)相關(guān)的航空不安全事件/事故發(fā)生率尚未得到很好的控制。國(guó)際民用航空組織的事故統(tǒng)計(jì)數(shù)據(jù)表明，超過(guò)70%的不安全事件/事故與人為差錯(cuò)直接或間接相關(guān)[2-3]。因此，復(fù)雜飛行任務(wù)中飛行員的人因可靠性評(píng)估(human reliability assessment, HRA)對(duì)于識(shí)別關(guān)鍵人為差錯(cuò)，提高飛行安全至關(guān)重要。HRA是一種用于量化人因可靠性的工具，其主要目的是通過(guò)預(yù)測(cè)人為差錯(cuò)概率和評(píng)估人為差錯(cuò)對(duì)人機(jī)系統(tǒng)的退化來(lái)確定操作員對(duì)系統(tǒng)可靠性的影響[4]。

目前，研究學(xué)者們已開(kāi)發(fā)出多種HRA方法，主要包括第一代HRA和第二代HRA[5-6]。20世紀(jì)70年代末至90年代初的第一代HRA方法將人視作像機(jī)械、電氣或結(jié)構(gòu)部件一樣具有固有的失效概率，其中THERP (technique of human error rate prediction)是最具代表性的方法之一，該方法在核電、軌道交通等領(lǐng)域廣泛應(yīng)用[7-8]，但第一代HRA沒(méi)有考慮到外界情境環(huán)境的影響以及人的認(rèn)知特性，如感知、判斷、決策等。20世紀(jì)90年代末至今的第二代HRA方法認(rèn)為情境環(huán)境是影響人的績(jī)效的關(guān)鍵因素，結(jié)合人的認(rèn)知過(guò)程，建立了環(huán)境與人為差錯(cuò)之間的關(guān)系模型[9]。典型的第二代HRA方法有ATHEANA (a technique for human error analysis)和CREAM (cognitive reliability and error analysis method)[10]，其中，ATHEANA主要應(yīng)用于核電領(lǐng)域，而CREAM方法已在航空、航天、海事、地面交通、核電等領(lǐng)域得到了廣泛應(yīng)用。例如，羅鳳娥等[11]考慮到陸空通話影響簽派員和飛行員之間的溝通和交流，對(duì)CREAM方法中給出的認(rèn)知行為和認(rèn)知功能進(jìn)行了改進(jìn)，用于確定簽派員與飛行員間的人因可靠性。裴立冠等[12]通過(guò)優(yōu)化人為差錯(cuò)形成因素(error shaping factor，ESF)的水平等級(jí)，改進(jìn)人為差錯(cuò)形成條件因子依賴規(guī)則，量化飛行員的人因可靠性。Calhoun等[13]考慮了航天飛行的極其復(fù)雜性并改進(jìn)了人為差錯(cuò)形成條件，根據(jù)人為差錯(cuò)形成條件的狀態(tài)不同為每個(gè)ESF分配一個(gè)權(quán)重因子，從而計(jì)算航天員的人因可靠性。王彥富等[14]引入模糊推理對(duì)ESF進(jìn)行模糊評(píng)價(jià)，結(jié)合多元線性回歸方法建立ESF與控制模式間的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了海洋平臺(tái)作業(yè)的人因可靠性量化。李蒙等[15]提出了CREAM與灰色關(guān)聯(lián)相結(jié)合的方法，用于評(píng)估導(dǎo)致核電廠人因失誤的因素，并根據(jù)關(guān)聯(lián)度對(duì)這些因素進(jìn)行排序，識(shí)別出與人因失誤關(guān)聯(lián)度較大的因素。雖然上述方法在各自領(lǐng)域得到了較好應(yīng)用，但是這些方法沒(méi)有考慮人為差錯(cuò)形成條件的不確定性以及人為差錯(cuò)模式的不確定性，且飛機(jī)駕駛的情境環(huán)境不同于航海、航天、核電工業(yè)等，因此，它們不能直接應(yīng)用于飛機(jī)駕駛?cè)艘蚩煽啃栽u(píng)估。

為解決飛機(jī)駕駛?cè)藱C(jī)交互過(guò)程中人為差錯(cuò)形成條件的不確定性以及人為差錯(cuò)模式的不確定性問(wèn)題，現(xiàn)提出一種基于FBCREAM(fuzzy Bayesian CREAM)方法的飛機(jī)駕駛?cè)艘蚩煽啃栽u(píng)估模型。首先，對(duì)原始CREAM方法中給出的人為差錯(cuò)形成條件進(jìn)行改進(jìn)優(yōu)化，使其更符合實(shí)際飛行情境。其次，針對(duì)人為差錯(cuò)形成條件的不確定性以及人為差錯(cuò)模式的不確定性問(wèn)題，引入模糊邏輯方法對(duì)人為差錯(cuò)形成條件進(jìn)行模糊化處理，將其作為貝葉斯網(wǎng)絡(luò)的輸入?yún)?shù)，通過(guò)貝葉斯網(wǎng)絡(luò)模型推理和重心法解模糊化技術(shù)，計(jì)算得出人為差錯(cuò)概率精確值，為航空安全評(píng)估提供支持。

1 基于FBCREAM的飛機(jī)駕駛?cè)艘蚩煽啃栽u(píng)估模型

1.1 CREAM方法

1.1.1 人為差錯(cuò)形成條件

為核電廠概率安全評(píng)估開(kāi)發(fā)的原始CREAM方法定義了九個(gè)績(jī)效影響因素，也稱作人為差錯(cuò)形成條件，用于描述操作員發(fā)生錯(cuò)誤行為的原因[16]。這些人為差錯(cuò)形成條件包括：組織的充分性、人機(jī)界面的充分性、工作條件、程序的可用性、同時(shí)目標(biāo)的數(shù)量、可用時(shí)間、工作時(shí)間(白天或者夜晚)、訓(xùn)練/經(jīng)驗(yàn)和團(tuán)隊(duì)協(xié)作質(zhì)量。然而，飛機(jī)駕駛情境環(huán)境顯然不同于核電廠情境環(huán)境，尤其是長(zhǎng)時(shí)間飛行和陸空通信等地面支持的情境因素。在長(zhǎng)時(shí)間飛行中，每個(gè)飛行員必須熟悉各種飛行狀況信息，如飛機(jī)狀態(tài)、故障預(yù)定信息、備用機(jī)場(chǎng)、機(jī)場(chǎng)天氣和航線等。在長(zhǎng)時(shí)程飛行的每個(gè)階段，飛行員需要在合適時(shí)間內(nèi)準(zhǔn)確執(zhí)行大量的操作程序。與此同時(shí)，機(jī)組人員必須通過(guò)無(wú)線通信與地面的空中交通管制員進(jìn)行定期通信，以確保飛行安全。這些煩瑣的操作給飛行的生理和心理都帶來(lái)了極大的挑戰(zhàn)，可能會(huì)進(jìn)一步影響飛行員的表現(xiàn)，甚至導(dǎo)致人為差錯(cuò)。因此，基于原始CREAM方法給出的ESF，結(jié)合飛機(jī)駕駛情境環(huán)境特點(diǎn)，通過(guò)航空事故分析和專家分析判斷，從人-機(jī)-環(huán)系統(tǒng)角度出發(fā)提出一組合理的ESF用于描述飛行情境環(huán)境中飛機(jī)駕駛?cè)藶椴铄e(cuò)形成條件，如表1所示。每個(gè)ESF涉及3個(gè)狀態(tài)水平，即高、中、低。其中，ESF1～ESF6從低到高的狀態(tài)水平對(duì)飛行員效能的影響分別為降低、正常、提升；為了便于統(tǒng)一表述，ESF7、ESF8分別為負(fù)任務(wù)負(fù)荷、負(fù)認(rèn)知壓力，表示負(fù)任務(wù)負(fù)荷和負(fù)認(rèn)知壓力越高，越提升飛行員效能的影響。

表1 人為差錯(cuò)形成條件及對(duì)飛行員效能的影響

1.1.2 人為差錯(cuò)模式

在上述ESF共同作用下，飛行員可能出現(xiàn)不同差錯(cuò)模式。引入原始CREAM方法中反映人的可靠性狀態(tài)的四種控制模式，即人為差錯(cuò)模式，包括戰(zhàn)略模式、戰(zhàn)術(shù)模式、機(jī)會(huì)模式和錯(cuò)亂模式[16]。戰(zhàn)略控制模式是指操作員有足夠的時(shí)間來(lái)考慮整個(gè)情況并做出相應(yīng)的計(jì)劃；戰(zhàn)術(shù)控制模式是指操作員按照標(biāo)準(zhǔn)程序或規(guī)則執(zhí)行任務(wù)計(jì)劃；機(jī)會(huì)控制模式是指下一步行動(dòng)取決于當(dāng)前環(huán)境特征，而不是取決于更穩(wěn)定的意圖或目標(biāo)，操作員很少做計(jì)劃或預(yù)期，可能是因?yàn)闆](méi)有清楚理解情境環(huán)境，或是因?yàn)闀r(shí)間非常有限；錯(cuò)亂控制模式是指操作員對(duì)當(dāng)前的情況不熟悉，在任務(wù)需求非常高的情況下失去態(tài)勢(shì)感知。每個(gè)控制模式都有相應(yīng)的人為差錯(cuò)概率(human error reliability，HEP)區(qū)間，具體如表2所示。

表2 人為差錯(cuò)模式及其取值范圍

1.1.3 人為差錯(cuò)形成條件與人為差錯(cuò)模式映射關(guān)系

原始CREAM方法中給出了9個(gè)ESF與4個(gè)人為差錯(cuò)模式的映射關(guān)系，然而本文只有8個(gè)ESF，因此需要對(duì)其進(jìn)行調(diào)整，圖1展示了調(diào)整后的飛機(jī)駕駛?cè)藶椴铄e(cuò)形成條件與人為差錯(cuò)模式的映射關(guān)系，x軸表示降低人績(jī)效的ESF數(shù)量之和，y軸表示提升人績(jī)效的ESF數(shù)量之和。每個(gè)ESF有三個(gè)狀態(tài)水平，對(duì)飛行員效能的影響分別是提升、正常、降低，假定降低人的績(jī)效的ESF數(shù)量之和為i，提升人的績(jī)效的ESF數(shù)量之和為j，則通過(guò)元組(i,j)(i,j=0,1,…,8)可確定飛行員的人為差錯(cuò)模式，且i與j的組合共有45種，如圖1所示。例如，在飛機(jī)單發(fā)失效情境環(huán)境下，假定有6個(gè)ESF會(huì)降低飛行員操作效能，2個(gè)ESF會(huì)提升飛行員操作效能，則(x,y)=(6,2)表明飛行員的人為差錯(cuò)模式為機(jī)會(huì)型控制模式，且人為差錯(cuò)概率值落在區(qū)間(1×10-2,5×10-1)。

圖1 人為差錯(cuò)形成條件與人為差錯(cuò)模式映射關(guān)系Fig.1 Mapping relation between human error shaping factor and human error mode

1.2 模糊邏輯

1.2.1 模糊化

模糊化是將一個(gè)系統(tǒng)的輸入變量分解成一個(gè)或多個(gè)模糊集，從而產(chǎn)生多個(gè)輸入的模糊感知數(shù)。模糊數(shù)是一個(gè)凸模糊集，其特征是在給定的實(shí)數(shù)區(qū)間，每個(gè)區(qū)間的隸屬度在0～1之間。8個(gè)ESF的定性描述高(提升)、中(正常)、低(降低)對(duì)應(yīng)的取值范圍如表1所示，人為差錯(cuò)模式定性描述及對(duì)應(yīng)的概率區(qū)間如表2所示，選取三角形隸屬函數(shù)與梯形隸屬函數(shù)，構(gòu)建人為差錯(cuò)形成條件和人為差錯(cuò)模式的隸屬函數(shù)，結(jié)果如圖2所示。為了便于圖形化顯示人為差錯(cuò)模式區(qū)間范圍值采用了對(duì)數(shù)運(yùn)算處理。將每個(gè)ESF不同狀態(tài)水平的隸屬度作為貝葉斯網(wǎng)絡(luò)的輸入，通過(guò)貝葉斯網(wǎng)絡(luò)模型得出四種人為差錯(cuò)模式的隸屬度。

圖2 人為差錯(cuò)形成條件與人為差錯(cuò)模式的隸屬函數(shù)Fig.2 Membership function of human error shaping factor and human error mode

其中，人為差錯(cuò)形成條件的隸屬函數(shù)表達(dá)式為

(1)

人為差錯(cuò)模式的隸屬函數(shù)表達(dá)式為

(2)

2.2.2 解模糊化

解模糊化就是將模糊輸出轉(zhuǎn)化為精確值。目前研究學(xué)者已開(kāi)發(fā)出多種解模糊化方法，如最大隸屬度法、重心法和加權(quán)平均法等[17]。選擇相對(duì)準(zhǔn)確的重心法計(jì)算精確值，具體表達(dá)式為

(3)

式(3)中：CV為精確值；f(x)=f戰(zhàn)略(x)+f戰(zhàn)術(shù)(x)+f機(jī)會(huì)(x)+f錯(cuò)亂(x)。

則人為差錯(cuò)概率HEP的計(jì)算表達(dá)式為

HEP=10CV

(4)

1.3 貝葉斯網(wǎng)絡(luò)

原始CREAM方法是一種簡(jiǎn)單且易于使用的人為差錯(cuò)概率評(píng)估方法，但原始CREAM方法主要缺陷是沒(méi)有考慮人為差錯(cuò)形成條件的不確定性和人為差錯(cuò)模式的不確定性。為了解決原始CREAM法的局限性，引入貝葉斯網(wǎng)絡(luò)將這些不確定性反映到網(wǎng)絡(luò)中，通過(guò)貝葉斯網(wǎng)絡(luò)推理得到飛機(jī)駕駛?cè)藶椴铄e(cuò)模式的隸屬度，將其用于解模糊化分析?；谌藶椴铄e(cuò)形成條件與人為差錯(cuò)模式的關(guān)系構(gòu)造貝葉斯網(wǎng)絡(luò)，如圖3所示。

圖3 人為差錯(cuò)模式貝葉斯網(wǎng)絡(luò)Fig.3 Bayesian network of human error mode

圖3中第一層是8個(gè)ESF，也是貝葉斯網(wǎng)絡(luò)的輸入層，可以通過(guò)模糊邏輯方法計(jì)算得到。每個(gè)ESF有3個(gè)狀態(tài)水平，對(duì)飛行員效能有三種影響，共有8個(gè)ESF，那么有38=6 561個(gè)可能狀態(tài)，然而，過(guò)多狀態(tài)會(huì)導(dǎo)致計(jì)算過(guò)于復(fù)雜。因此，將8個(gè)ESF分為3組：組織管理類(lèi)、環(huán)境類(lèi)、工作負(fù)荷類(lèi)，以此降低計(jì)算復(fù)雜性。其中屬于組織管理類(lèi)的人為差錯(cuò)形成條件包括ESF1(陸空通信)、ESF2(機(jī)組資源管理)、ESF3(組織充分性)、ESF4(機(jī)組訓(xùn)練/經(jīng)驗(yàn))；屬于環(huán)境類(lèi)的人為差錯(cuò)形成條件包括ESF5(人機(jī)界面性能)、ESF6(駕駛艙環(huán)境)；屬于工作負(fù)荷類(lèi)的人為差錯(cuò)形成條件包括ESF7(負(fù)任務(wù)負(fù)荷)、ESF8(負(fù)認(rèn)知壓力)。第三層是人為差錯(cuò)模式，也是網(wǎng)絡(luò)的輸出層。

2 實(shí)例分析

為了驗(yàn)證本文模型在飛機(jī)駕駛?cè)藶椴铄e(cuò)概率評(píng)估的適用性，選擇了單發(fā)故障情境下的飛行任務(wù)進(jìn)行實(shí)驗(yàn)研究。

2.1 實(shí)驗(yàn)及數(shù)據(jù)

本文實(shí)驗(yàn)在南京航空航天大學(xué)人機(jī)工效與適航技術(shù)研究中心進(jìn)行，以研究中心搭建的飛行模擬器為實(shí)驗(yàn)平臺(tái)，選取6名南京航空航天大學(xué)民航學(xué)院/飛行學(xué)院的飛行學(xué)員作為被試人員。6名飛行學(xué)員被邀請(qǐng)?jiān)陲w行模擬器上進(jìn)行單發(fā)故障情境下飛行任務(wù)執(zhí)行實(shí)驗(yàn)，任務(wù)結(jié)束后需要對(duì)8個(gè)ESF進(jìn)行自我評(píng)估并填寫(xiě)ESF問(wèn)卷，從0～100進(jìn)行打分，分值越高該ESF負(fù)面影響越大。為了盡量減少未知因素影響，每天9:00—11:00邀請(qǐng)兩名飛行學(xué)員進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)進(jìn)行3 d，實(shí)驗(yàn)過(guò)程如圖4所示。表3為記錄的實(shí)驗(yàn)結(jié)果，根據(jù)獲取的實(shí)驗(yàn)結(jié)果，通過(guò)8個(gè)ESF的隸屬函數(shù)計(jì)算每個(gè)ESF的隸屬度，并將其作為構(gòu)建的貝葉斯網(wǎng)絡(luò)模型的輸入?yún)?shù)。

2.2 人為差錯(cuò)概率評(píng)估

由于使用了6名飛行學(xué)員進(jìn)行實(shí)驗(yàn)，且每個(gè)人的人為差錯(cuò)模式隸屬度及HEP計(jì)算過(guò)程是類(lèi)似的，本部分僅以飛行學(xué)員1的實(shí)驗(yàn)為例進(jìn)行計(jì)算演示?；跇?gòu)建的人為差錯(cuò)形成條件隸屬函數(shù)計(jì)算每個(gè)ESF隸屬度，結(jié)果如表4所示，結(jié)合建立的貝葉斯網(wǎng)絡(luò)模型(圖3)，計(jì)算得出飛行學(xué)員1的人為差錯(cuò)模式隸屬度，如圖5所示。

圖5 飛行學(xué)員1的貝葉斯網(wǎng)絡(luò)推理結(jié)果Fig.5 Reasoning result of No.1 pilot cadet

表4 飛行學(xué)員1的人為差錯(cuò)形成條件隸屬度

由圖5可知，飛行學(xué)員1的人為差錯(cuò)模式的隸屬度為(0.23, 0.75, 0.02, 0)，結(jié)合式(2)～式(4)，通過(guò)重心法解模糊化計(jì)算輸出的精確值CV，進(jìn)而求得飛行學(xué)員1的HEP，具體計(jì)算過(guò)程為

(5)

(6)

(7)

HEP=10CV=3.14×10-3

(8)

類(lèi)似地，通過(guò)上述方法依次計(jì)算求得其他5名飛行學(xué)員的人為差錯(cuò)概率，最終結(jié)果如表5所示。

表5 被試飛行學(xué)員的人為差錯(cuò)模式隸屬度及HEP

2.3 結(jié)果討論

飛行學(xué)員的人為差錯(cuò)模式隸屬度及HEP結(jié)果表明飛行學(xué)員的主要人為差錯(cuò)模式均為戰(zhàn)術(shù)型控制模式，這意味著他們是根據(jù)飛行程序或計(jì)劃有序地進(jìn)行任務(wù)操作。飛行學(xué)員4的人為差錯(cuò)概率為1.50×10-3，是所有飛行學(xué)員中的最低值，表明飛行學(xué)員4在飛行學(xué)習(xí)過(guò)程中較好地掌握了飛行知識(shí)和操作技能，針對(duì)事故情境下的飛行任務(wù)處理能力也要高于其他被試飛行學(xué)員。相反，飛行學(xué)員5的操作績(jī)效表現(xiàn)最差，其人為差錯(cuò)概率為1.08×10-2，是所有被試人員中發(fā)生差錯(cuò)概率最高的人員，表明該飛行學(xué)員較為缺乏非正常事件應(yīng)對(duì)操作的經(jīng)驗(yàn)，需加強(qiáng)在特殊情況下的應(yīng)急反應(yīng)和操作技能訓(xùn)練。飛行學(xué)員1、2、3的人為差錯(cuò)模式隸屬度比較接近，因此，針對(duì)此三人求得的精確值和人為差錯(cuò)概率也很接近，可以用于檢驗(yàn)?zāi)Ｐ偷撵`敏性。飛行學(xué)員6相比于飛行學(xué)員1、2、3也具有較高的人為差錯(cuò)概率，其人為差錯(cuò)模式隸屬度與飛行學(xué)員5類(lèi)似，表明該飛行學(xué)員在單發(fā)故障情境下的飛行任務(wù)操作能力仍有不足，在處理突發(fā)事件情境下具有較高的任務(wù)負(fù)荷與認(rèn)知壓力，需進(jìn)一步提升自身的認(rèn)知能力，積累更多飛行經(jīng)驗(yàn)。

基于原始CREAM方法的觀點(diǎn)，本次實(shí)驗(yàn)的6名飛行學(xué)員的操作績(jī)效均處于可接受且適當(dāng)?shù)膮^(qū)域，通過(guò)模糊邏輯和貝葉斯網(wǎng)絡(luò)建模方法得出的結(jié)果落在原始CREAM給出的概率區(qū)間范圍內(nèi)，驗(yàn)證了本模型在飛機(jī)駕駛?cè)藶椴铄e(cuò)評(píng)估的適用性與合理性。同時(shí)，改進(jìn)后的飛機(jī)駕駛?cè)藶椴铄e(cuò)評(píng)估模型較原始CREAM方法能夠更加精確計(jì)算人為誤差概率值，為事件樹(shù)或故障樹(shù)分析等其他定量航空安全風(fēng)險(xiǎn)評(píng)估提供了確定值。

3 結(jié)論

(1)提出了一種基于FBCREAM方法的飛機(jī)駕駛?cè)藶椴铄e(cuò)評(píng)估模型，用于量化飛行任務(wù)執(zhí)行過(guò)程中的飛行員人因可靠性。

(2)考慮到飛機(jī)駕駛的特殊情境環(huán)境，改進(jìn)了原始CREAM方法中的人為差錯(cuò)形成條件，使其更加真實(shí)地反映飛機(jī)駕駛艙中飛行員的人因特點(diǎn)和任務(wù)情境環(huán)境。引入模糊邏輯方法來(lái)構(gòu)建人為差錯(cuò)形成條件和人為差錯(cuò)模式的隸屬函數(shù)，并將每個(gè)ESF不同狀態(tài)水平的隸屬度作為貝葉斯網(wǎng)絡(luò)模型的輸入?yún)?shù)，通過(guò)貝葉斯網(wǎng)絡(luò)推理計(jì)算獲得不同人為差錯(cuò)模式的隸屬度，結(jié)合解模糊化方法求得人為差錯(cuò)概率。選取了單發(fā)故障情境下飛行員任務(wù)操作進(jìn)行了實(shí)驗(yàn)研究，結(jié)果表明本次被試飛行學(xué)員的人因可靠性基本上是可以接受的且符合實(shí)際情況，他們的主要人為差錯(cuò)模式是戰(zhàn)術(shù)型控制方式，與原始CREAM給出的概率區(qū)間相比，得到的結(jié)果是令人滿意的，并且在預(yù)期范圍內(nèi)。

(3)所提出的方法和模型可應(yīng)用于航空安全風(fēng)險(xiǎn)評(píng)估領(lǐng)域，為減少人為差錯(cuò)，確保飛行安全提供了重要支持。