喬巍巍　裴立冠　蘆建輝　陳東鋒

(1.空軍航空大學飛行研究所　長春 130022；　2.空軍航空大學研究生隊　長春 130022)

?

基于FCREAM的飛行員人因可靠性定量預測*

喬巍巍1裴立冠2蘆建輝1陳東鋒1

(1.空軍航空大學飛行研究所長春 130022；2.空軍航空大學研究生隊長春 130022)

依據(jù)飛行系統(tǒng)實際，以CPC因子的內(nèi)在依賴性和同類因子的非負相關性為基礎，通過在免疫克隆選擇算法中，增加抗體凈化環(huán)節(jié)，設置抗體群親和力函數(shù)，建立了模糊規(guī)則庫優(yōu)化模型，用于去除FCREAM中的冗余規(guī)則，從而完成對方法的改進。采用回看分析法，通過改進前后的FCREAM對“韓亞航空214事故”進行預測，并對預測結(jié)果進行對比分析。結(jié)果表明，改進的FCREAM與實際較為匹配，且具有較好的連續(xù)性，同時敏感性較改進前得到增強，是一種有效的飛行員人因可靠性定量預測分析方法。

飛行員人因可靠性FCREAMCPC

0　引言

自1900年以來，由于飛行員個人原因?qū)е碌娘w行事故占所有飛行事故總數(shù)的65%～70%[1]。由此可見，飛行員人因可靠性的有效預測對于提高航空安全水平意義重大。迄今為止，針對人因可靠性的預測分析方法有幾十種，其中，通過模糊控制系統(tǒng)與CREAM基本法相結(jié)合而形成的FCREAM，在資源利用率、數(shù)據(jù)可靠性等方面的優(yōu)勢，得到了證實[2-3]，對預測結(jié)果的有效性提升效果較好，已經(jīng)被應用于電網(wǎng)、海洋工程等領域[4-5]。但是，由于FCREAM中未考慮人誤影響因素——CPC的主要性質(zhì)以及它們的內(nèi)在關聯(lián)性，導致其模糊規(guī)則庫中存在一部分可信度較低、不符合實際的模糊規(guī)則，影響人因可靠性預測分析結(jié)果的準確性。為此，以FCREAM和飛行實際為基礎，通過在免疫克隆選擇算法中，增加抗體凈化環(huán)節(jié)，設置抗體群親和力函數(shù)，同時結(jié)合CPC因子的主要性質(zhì)，對模糊規(guī)則庫進行優(yōu)化，從而完成對FCREAM的改進，以用于定量預測飛行員的人因可靠性，同時采用回看分析法，對方法的有效性進行驗證。

1　CPC因子性質(zhì)分析

FCREAM以9個CPC因子評價值為輸入，通過模糊推理和解模糊化過程，最終輸出人因可靠性概率[6]。其中，模糊規(guī)則庫是模糊推理過程的關鍵內(nèi)容，直接影響最終的輸出結(jié)果，共包含19 683條模糊規(guī)則，每條規(guī)則以9個CPC因子水平為條件，對應的控制模式為結(jié)果。但是，由于FCREAM將9個CPC因子視為相互獨立的因子，未考慮因子的相關性質(zhì)，導致了一些冗余規(guī)則的存在。實質(zhì)上，CPC因子中是存在相互聯(lián)系的，主要表現(xiàn)為相互依賴性和非負相關性。為敘述方便，在此規(guī)定：以CPCk,(k=1,2…9)分別表示CPC因子表[7]中的9類CPC因子，CPCk=1,0,-1分別表示每個輸入隸屬函數(shù)的3個模糊集合對應的因子水平從高到低，以“1”、“2”、“3”、“4”分別表示戰(zhàn)略型、戰(zhàn)術型、機會型和混亂型四種控制模式。

(1)因子間的相互依賴性

CPC因子之間具有相互依賴性是由Hollnagel首先提出的，后經(jīng)過YANG Z L等人的優(yōu)化，得到了改進的CPC因子依賴規(guī)則(見表1)[5]，主要用于說明事故發(fā)生過程中，當某些因子的初始水平為“0”時，其性質(zhì)可能由于其他因子的影響而發(fā)生改變。

表1　改進的CPC依賴規(guī)則

由表1可知，CPC2、CPC5、CPC6和CPC9為被影響因子，初始狀態(tài)下，CPC2與CPC2、CPC6與CPC6水平相同。n/m表示與之相關的m個影響因子中，n個及其以上的因子水平相同，則被影響因子的性質(zhì)也將轉(zhuǎn)變?yōu)樵撍?，最終得到新的CPC2、CPC5、CPC6以及CPC9，顯然n≤m。例如：若CPC5的初始評估結(jié)果為“0”，當CPC2，CPC3，CPC4三個因子中，兩個及其以上因子的性質(zhì)同為“1/-1”，則CPC5的水平等級轉(zhuǎn)變?yōu)椤?/-1”。

(2)同類因子的非負相關性

CREAM提出之初，HOLLNAGEL就將CPC因子劃分為3類，L1(與操作員相關的因子)：CPC5，CPC6，CPC8；L2(與技術和條件相關的因子)：CPC2，CPC3，CPC7；L3(與組織管理相關的因子)：CPC1，CPC4，CPC9。通過對過往飛行案例中的CPC因子的水平評估發(fā)現(xiàn)，同類因子間不存在因子水平相悖的現(xiàn)象，即具有非負相關性，例如：L1中，若“同時需要完成的目標數(shù)量(CPC5)”水平為“-1(超過實際)”，而“可用時間(CPC6)”為“1(充足)”，則明顯不符合系統(tǒng)情境。為此，本文將CPC中同類因子的這種非負相關性定義如下：

{d1,d2}∈Li，若d1=-1，則d2=-1或0；若d1=1，則d2=1或0。

定義中，d1，d2為第Li類因子中的任意兩個，d1=1,0,-1表示d1水平為1，0，-1；i=1,2,3。

2　模糊規(guī)則庫的優(yōu)化

免疫克隆選擇算法(Clone Selection Algorithm, CSA)是基于細胞的克隆選擇原理提出的，與其他最優(yōu)化算法相比，在收斂性、結(jié)果可靠性等方面具有一定優(yōu)越性[8-9]，因此，選取CSA作為模糊規(guī)則庫優(yōu)化的基本方法。但是，由于CSA的最終優(yōu)化結(jié)果為單一最優(yōu)解，而模糊規(guī)則庫的優(yōu)化期望值為數(shù)條模糊規(guī)則，為此通過增加抗體凈化環(huán)節(jié)，設置抗體群親和力函數(shù)，同時結(jié)合CPC因子的主要性質(zhì)，建立了模糊規(guī)則庫的優(yōu)化模型，具體分析步驟如下。

(1)初始化抗體群

抗體群的初始化是指隨機或者按照某種既定方式生成研究對象的初始抗體。本文的研究對象是FCREAM中由9個CPC因子及其對應的控制模式構(gòu)成的模糊規(guī)則庫，因此每個抗體由10條編碼組成。令迭代次數(shù)max=50，本次迭代i=1，隨機生成的抗體群規(guī)模為N=10 000，記為A：

(1)

式(1)中，Aj表示抗體群的第j個抗體，j=1,2…,N-1,N；a1(j)表示第j個抗體的第I條編碼，I=1,2,…,9,10。a1(j)中，I=1,2,…,8,9時，分別代表9個CPC因子，基于CPC水平的表示方法，則每條編碼的隨機產(chǎn)生方式見式(2)。而a10(j)與控制模式相對應，不屬于隨機生成的范疇，由CPC評估水平確定。

a1(j)=round(1-2×rand)

(2)

(2)抗體克隆

依據(jù)克隆選擇原理，抗體克隆的數(shù)量與親和力大小成正比，因此，需要建立能夠反映抗體性能的親和力函數(shù)。而從數(shù)學角度對CPC的非負相關性進行分析可知，在同類因子中，兩個因子間的歐氏距離越小，與飛行實際的相符性越大。為此，本文選取L1，L2，L3中的3組因子：CPC6與CPC8，CPC3與CPC7，CPC1與CPC4，作為衡量同類因子之間歐氏距離的代表因子，建立了單個抗體的親和力函數(shù)f(Aj)和抗體克隆函數(shù)Qs。f(Aj)=

(3)

(4)

式中，f(As)，Qs分別代表j=s時的親和力大小、克隆數(shù)量，s=1,2,…,N-2,N；β為放大系數(shù)，設定為β=10×N=100 000。

(3)抗體變異與修正

(5)

CPC的內(nèi)在依賴性指出，某些因子的性質(zhì)會受到其他因子的影響而改變，因此抗體變異完成后，需要對抗體中與飛行實際不相符的編碼予以修正，為此依據(jù)改進的CPC因子依賴規(guī)則對每個抗體的前9條編碼進行調(diào)整，然后基于基本法中控制模式的確定方法，對第10條編碼進行重新確定。

(4)抗體凈化與選擇

抗體群的隨機生成和變異操作均可能產(chǎn)生重復抗體，給最終的模糊規(guī)則庫帶來重復規(guī)則，影響預測效果，因此本文增加抗體凈化環(huán)節(jié)，在進行局部最優(yōu)搜索時，首先去除與之前得到的j-1個局部最優(yōu)相重復的抗體，而抗體選擇主要完成對凈化后的Aj抗體群的局部最優(yōu)搜索任務，具體凈化和選擇過程見表2。

表2　抗體凈化和選擇過程表

注：B(m)表示當j=m時，Am抗體群的局部最優(yōu)抗體。

(5)計算抗體群親和力并判斷。

為判斷迭代過程中抗體群的優(yōu)劣，引入抗體群親和力函數(shù)Fi，見式(5)作為判斷標準，該值越小表示得到的抗體群水平越優(yōu)。在搜索完成后，選出歷次迭代親和力最小值對應的抗體群，即為最優(yōu)模糊規(guī)則庫。值得注意的是，為保證算法的收斂性，優(yōu)化模型中將傳統(tǒng)CSA中的記憶功能進行了重新定義，由原先對每次迭代完成后最優(yōu)抗體的記憶調(diào)整為對最優(yōu)抗體群的記憶。

(5)式中，F(xiàn)i表示第i次迭代完成后抗體群的親和力函數(shù)值，f[B(j)]表示第j個局部抗體群的最優(yōu)值B(j)的親和力值。

基于以上分析，通過優(yōu)化模型將模糊規(guī)則庫中原有的19 683條規(guī)則優(yōu)化為10 000條，從而得到了改進的FCREAM，用于對飛行員人因可靠性的預測分析。

3　方法有效性的驗證

2013年7月6日11時28分，一架由仁川國際機場飛往舊金山國際機場的波音777-200客機準備降落，但在著陸前飛機偏離跑道，造成大量人員傷亡。據(jù)悉，當日天氣狀況對飛機降落無影響，當時正在執(zhí)行駕駛?cè)蝿盏娘w行員為機組副駕駛員，該機型總飛行時間為43 h，降落時由于跑道自動提示系統(tǒng)無法使用，需要目視降落。當班次機長具有3 220 h的波音777飛行經(jīng)驗。為驗證改進的FCREAM的有效性，采取回看分析法，對“韓亞214航班事故”進行預測，并將預測結(jié)果與實際發(fā)生結(jié)果進行對比分析。方法中，輸入、輸出模糊隸屬函數(shù)采用三角形分布。

3.1飛行員人因可靠性預測

在此，邀請5名航空專家對上述案例的CPC因子進行打分，并取平均值作為最終的評估值，同時設定4組值與該評估值進行對比，具體評估和設定值見表3中Y，S1，S2，S3，S4，其中S3與S4間只有微小變化，用于檢驗方法的敏感性。采用改進前后的FCREAM分別對飛行員人因失效預測值進行計算，得到P1，P2，依據(jù)CREAM基本法的預測方法得到對應的控制模式及其人因失效概率范圍值P3。

表3　飛行員人因可靠性預測表

3.2結(jié)果分析

由表3可知，應用改進的FCREAM求得上述案例中飛行員的人因失效預測值為0.052 5，隸屬于機會型控制模式，表示操作員由于面對新的環(huán)境或本身知識欠缺，極有可能發(fā)生事故，與案例中飛行員的駕駛經(jīng)驗及其發(fā)生結(jié)果相吻合。從表中4組情境環(huán)境下P2的變化情況可知，改進的FCREAM隨著情境環(huán)境水平的提高人因失效概率值均減小，并且與基本法中對應的控制模式相匹配，符合實際。在情境環(huán)境為S3，S4時，P1無明顯變化，而P2變化值為0.000 15，表明改進后的FCREAM較改進前敏感性增強。

另外，由于模糊規(guī)則庫優(yōu)化后模糊規(guī)則的減少，可能導致結(jié)果不連續(xù)而無法用于實際預測。為更好地觀察CPC因子與人因失效概率值的對應情況，將9個輸入的高維度問題進行簡化，僅選取CPC8和CPC9兩個CPC因子進行變動，而余下因子設為固定值，得到圖1。顯然，方法的結(jié)果連續(xù)性較好。

圖1　FCREAM規(guī)則曲面

4　結(jié)語

以飛行案例實際為基礎，通過對CPC性質(zhì)的分析，并結(jié)合免疫克隆選擇法，優(yōu)化了模糊規(guī)則庫，完成了對FCREAM的改進，以用于飛行員人因可靠性的定量預測，分析結(jié)果表明，利用改進的方法得到的預測結(jié)果隨著系統(tǒng)情境環(huán)境水平的降低，人因可靠性概率逐漸減小，并且與基本法中的控制模式及其對應的概率范圍相匹配，證明方法具有一定的可靠性。而當情境環(huán)境水平變化較小時，改進的FCREAM較改進前敏感性得到增強。同時，在去除方法中模糊規(guī)則庫的冗余模糊規(guī)則后，結(jié)果的連續(xù)性并未受到影響。由此可見，改進的FCREAM是一種有效的飛行員人因可靠性定量預測方法。

[1]俞選民,徐浩軍,劉莉，等.飛行事故人因分析及飛行員可靠性建模研究[J].微計算機信息,2010,26(11):182-184.

[2]ALVARENGA M A B, MELO P F F E, FONSECA R A. A critical review of methods and models for evaluating organizational factors in human reliability analysis[J].Process in Nuclear Energy,2014,75(4):25-41.

[3]楊利鋼.一種改進的人因失誤概率量化方法及其應用研究[D].衡陽:南華大學,2011.

[4]陸海波,王媚,郭創(chuàng)新,等.基于CREAM的電網(wǎng)人為可靠性定量分析方法[J].電力系統(tǒng)保護與控制,2013,41(5):37-41.

[5]YANG Z L,BONSALL S,WALL A, et al. A modified CREAM to human reliability quantification in marine engineering [J].Ocean Engineering, 2013,58(2):293-303.

[6]KONSTANDINIDOU M,NIVOLIANITOU Z,KIRANOUDIS C.A fuzzy modeling application of CREAM methodology for human reliability analysis[J].Reliability Engineering and System Safety,2006,91(6):706-716.

[7]HOLLNAGEL E M. Cognitive reliability and error analysis method [M].Oxford (UK): Elsevier Science Ltd, 1998.

[8]石剛,馬佳,趙偉.免疫克隆選擇算法的研究與應用[M].沈陽:東北大學出版社,2014:69-78.

[9]GAN Z H, CHOW T W S, CHAU W N. Clone selection programming and its application to symbolic regression[J]. Expert Systems with Application, 2009, 36(2):3996-4005.

裴立冠，男，1990年生，碩士，主要研究方向為人因可靠性和飛行安全。

Quantitative Prediction for Human Reliability of Pilot Based on FCREAM

QIAO Weiwei1PEI Liguan2LU Jianhui1CHEN Dongfeng1

(1.FlightInstitute,AviationUniversityofAirForceChangchun130022)

FCREAM is improved for quantitative prediction of pilot’s reliability. On the basis of flight system, the inter-dependency and the same kind of factors’ uncorrelation of CPC are analyzed. Antibody cleaning of CSA is added and the objective function of the antibody-set is made, along with CPC’s quality, the rule set of FCREAM is optimized. The retrospective analysis method is adopted to analyze and predict “ Asiana Airlines OZ214 flight accident” by FCREAM before and after the improvement and then the predicted results are compared and analyzed. The results show that the prediction in the improved method is uniform with the reality and has strong continuity, meanwhile its sensitivity becomes stronger and is one kind of effective prediction method.

pilothuman reliabilityFCREAMCPC

國家自然科學基金(61102120)。

喬巍巍，女，1969年生，博士，副研究員，主要研究方向為飛行安全。

2015-03-16)