船舶驾驶员操作可靠性量化的CREAM改进模型

为解决不确定信息条件下船舶值班驾驶员(OOW)操作可靠性量化问题,以认知可靠性和失误分析方法 (CREAM)为基础,采用模糊集合(FS)、贝叶斯网络(BN)和证据推理(ER)算法对多源粗糙观测数据进行处理,构建一个改进的CREAM模型。用该模型对长江特定场景下驾驶员操作可靠性进行量化。结果显示,驾驶员认知行为控制模式为战术型,失误概率为3.40×10-3。数据对比验证和模型灵敏度分析表明,结果合理,模型稳定。

信息冲突与不确定条件下的装备质量状态评估

针对质量状态评估中所需测试信息的冲突性和不确定性,及其对装备质量状态评估准确性和完备性所造成的不良影响,提出一种基于改进证据推理(evidential reasoning,ER)方法的质量状态评估方法。在对质量状态进行等级划分和测试数据预处理之后,该方法通过将各测试参数之间的"冲突"和"不确定"按比例分配到各等级,使证据之间的冲突有效降低,评估的总体不确定性减少。将其应用到导弹装备的质量状态评估中,运算结果和方法对比表明改进后的方法能有效融合冲突信息、降低评估的不确定性,且方法原理简单,理论基础充分,方便程序实现。

基于证据推理的改进加权CREAM模型

为弥补传统认知可靠性与失误分析方法(CREAM)的缺陷,提高人因失误概率(HEP)的计算精度,提出一种基于证据推理(ER)的改进CREAM模型。该模型首先通过决策实验室分析法(DEMATEL)和模糊层次分析法来分别计算共同绩效条件(CPC)的相关性权重和重要性权重;然后利用组合赋权法将两种权重线性组合,获得CPC的综合权重,在此基础上利用ER算法对CPC的绩效效应进行加权数据融合,并利用融合后的数据获取情景影响指数(CII),通过CII实现了HEP点值的输出;最后将该改进的CREAM模型应用到高速铁路列车调度员的人因可靠性定量评估案例中,以验证模型的有效性。案例评估结果表明:调度员在“设置临时限速”时的认知行为控制模式为战术型,HEP值为3.522×10^(-3),并通过与其他方法的对比分析,验证了该模型的有效性和可行性。

基于BRB和LSTM网络的电力大数据用电异常检测方法

为了降低电力公司的运营成本,针对非技术性损失(non-technical loss,NTL),提出一种基于置信规则推理(belief rule-based,BRB)和长短记忆网络模型(long short-term memory,LSTM)的用户窃电行为诊断方法。该方法首先从用电量大数据中提取电量波动系数和用电量曲线的毛刺宽度两种用电异常特征,制定BRB异常特征输入前置属性转换,并通过证据推理(evidential reasoning,ER)方法输出最终的置信度,建立适用于NTL异常检测的置信规则库,从而自动获取具有高鲁棒性的有标签正负样本训练数据集。接着,以此为基础,提出构建一种多LSTM网络检测模型,实现对异常用电特征的有效提取与检测。实验结果表明,与现有的主流网络故障检测模型相比,所提方法能够更准确地从电力大数据中诊断出用户的异常用电行为。