康毅軍，鄭云水，牛行通

（蘭州交通大學自動化與電氣工程學院，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]的實質(zhì)是對行為形成因子 (PSF) 進行綜合評價，涉及 2 個核心算法。

（1）量化若干個PSF對完成相應任務的影響度，即若干個成功似然指數(shù) (SLI)。成功似然指數(shù)法認為，人完成任務的績效很大程度上是依賴于執(zhí)行任務時所處的情景環(huán)境因子，由此可構(gòu)造相應的SLI，以表征PSF對完成任務的影響程度，其表達式為著我國鐵路現(xiàn)代化建設的不斷發(fā)展，各個車站的接發(fā)列車作業(yè)安全系數(shù)都在各方面取得顯著提高[1-2]，然而當系統(tǒng)處于設備故障、技術(shù)設備施工、自然災害、不良天氣等非正常條件時，工作人員受知識經(jīng)驗、工作應力、應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)和國外學者關于鐵路接發(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)出技能型相關的失誤與任務需求有關，規(guī)則型及知識型相關的失誤與缺乏培訓有關。Luca 等[6]用貝葉斯網(wǎng)絡和模糊專家系統(tǒng) 2 種方法對人的可靠性進行了分析。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 (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方法，通過風險評估與控制，以期實現(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j的可靠度。

（2）將SLI轉(zhuǎn)化為任務的失敗概率。任務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 個邊界點求得。

1.2 BN

貝葉斯網(wǎng)絡又稱信度網(wǎng)絡、概率因果網(wǎng)等[13-14]，其原理是在一個擁有N個節(jié)點的貝葉斯網(wǎng)絡中，可以用N= <

（1）第一部分

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

Vi節(jié)點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，可以得到其他關聯(lián)節(jié)點的概率分布，即

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

1.3 熵權(quán)計算法

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

（1） 確定待評價對象i在評價指標j下的指標值比重Qi

j。

式中：Fi

j為評價對象i處于評價指標j下的指標值。

（2） 確定指標j的熵值h j。

式中：l為評價對象總數(shù)；n為每個評價對象的評價指標總數(shù)。

（3）確定指標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主觀性比較強的估計方法，因為影響工作人員行為的PSF，以及在各PSF影響下完成該任務的相對可靠度，均由專家的判斷來確定。針對這一不足，采用貝葉斯網(wǎng)絡彌補這一缺點，由于貝葉斯網(wǎng)絡具有強大的不確定性問題的處理能力，可將專家先驗知識和數(shù)據(jù)進行綜合的理想表達，能在有限的、不完整的或不確定的信息下進行學習和推理。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。將認知行為的SLI定義為網(wǎng)絡的葉節(jié)點，PSF定義為網(wǎng)絡的根節(jié)點和中間節(jié)點，建立貝葉斯網(wǎng)絡的拓撲結(jié)構(gòu)。

（3）確定節(jié)點變量的權(quán)重與先驗概率及條件概率?？紤]到人因失誤指標數(shù)據(jù)本身的特性，用熵權(quán)計算法為節(jié)點賦權(quán)重值，然后在多位專家評估的基礎上分別確定網(wǎng)絡中節(jié)點變量的概率分布。

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

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，而且可能會影響人因可靠性分析的準確性，因而應篩選有效的PSF，這樣才能使分析結(jié)果更加準確。人因可靠性PSF篩選標準如下：盡量完整地把握對認知行為重要的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行可靠性分析；篩選出的靈敏因子要能夠進行評價；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)研資料分析的基礎上，參照人因可靠性PSF篩選標準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。

在建立的模型基礎上，根據(jù)貝葉斯推理計算，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例

3.1 確定節(jié)點變量的權(quán)重與先驗概率及條件概率

構(gòu)建如圖2 所示的 SLIM-BN 模型后，運用熵權(quán)計算法對各節(jié)點變量賦權(quán)重值。由于人因失誤指標本身的特點，結(jié)合 4 位專家根據(jù)非正常情況下接發(fā)列車的實際情況，對 SLIM-BN 模型中 11 個根節(jié)點指標PSF1-PSF11進行打分 (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

計算根節(jié)點指標PSF1-PSF11的熵權(quán)值，根據(jù)公式 ⑺ 至公式 ⑼ 提出的熵權(quán)計算法得到每個根節(jié)點指標的熵權(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)

計算各根節(jié)點指標的概率分布，通過對某鐵路局實地調(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算得到的每個根節(jié)點指標的熵權(quán)值，最終獲得其根節(jié)點的變量狀態(tài)與先驗概率如表2 所示，中間變量“工作負荷”“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)點的變量狀態(tài)與先驗概率Tab.2 Variable state and prior probability of the root node

表3 中間變量“工作負荷”的條件概率 (工作負荷/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，同時進行的任務數(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)各個節(jié)點的狀態(tài)及其概率，應用貝葉斯定理，推導出結(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)絡進行概率推理，計算各根節(jié)點在最佳狀態(tài)時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/培訓與應急演練，經(jīng)驗)Tab.5 Conditional probability of intermediate variable “knowledge and skills” (knowledge and skills/training and emergency drill, experience)

3.3 人因失誤概率計算

同理可計算所有節(jié)點變量處于一般狀態(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)計確定的非正常鐵路接發(fā)列車任務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)時非正常條件下鐵路接發(fā)列車任務的人因失誤概率為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)絡模型，進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)絡模型，則可求得各因子的后驗概率。將求得的各因子處在最不利的狀態(tài)下，比較其后驗概率與先驗概率的大小，變量的先驗概率與后驗概率比較如表6 所示。

表6 變量的先驗概率與后驗概率比較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，“培訓與應急演練”“疲勞程度”“經(jīng)驗”和“完成任務的可用時間”因子處在最不利狀態(tài)的時候，它們的先驗概率和后驗概率變化程度較大。由此得出，節(jié)點“培訓與應急演練”“疲勞程度”“經(jīng)驗”和“完成任務的可用時間”因子敏感度較高，對人因可靠性的影響相應較大，即這些敏感因子很可能會引起人因失誤。為保障安全有序地進行接發(fā)列車作業(yè)，應當從這 4 個方面加強培訓或采取相關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)絡的方法量化人因差錯概率HEP，不但克服了 HRA 方法中傳統(tǒng)計算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，通過應用 BN 的因果推理，得出結(jié)果后再進行 SLIM 的計算，最終得到完成該任務的可靠度，以此使人因可靠性結(jié)果更加可信，并且通過某車站的實際案例，有效識別出人因失誤的主要貢獻因子，即主要原因有“培訓與應急演練”“疲勞程度”“經(jīng)驗”和“完成任務的可用時間”等。因此，在實際作業(yè)過程中，應當重點防范，并且制訂相應的風險控制措施。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意義。

[1] 王 波，何世偉，焦文根，等. 鐵路車務系統(tǒng)安全心里和行為模式的探討[J]. 鐵道運輸與經(jīng)濟，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. 鐵路超限貨物運輸安全影響因素評價[J]. 鐵道貨運，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，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聯(lián)分析[J].系統(tǒng)工程理論與實踐，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-人因差錯風險評估與控制[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，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.