基于ANFIS的人因失误风险严重度识别

为提高人因失误风险评价的精度和效率,考虑人因失误对系统的影响,用人因失误概率(HEP)、失误影响概率(EEP)以及失误后果严重度(ECS)3个参数,对人因失误风险进行度量,以满足概率风险评价(PSA)的最终目的。将神经网络和模糊逻辑推理有机地结合,利用获得的120组人因失误风险数据,建立基于自适应神经-模糊推理系统(ANFIS)的人因失误风险评价模型,用于人因失误风险重要性识别。结果表明,用该模型可克服专家判断的主观性、模糊性和不确定性等缺陷,使人因失误风险评价结果更符合实际。

人误模式、人误影响以及严重度定量分析方法

为达到概率安全评价的最终目的,建立了一种人误模式、人误影响以及严重度量化方法。通过确定人误模式概率、人误影响概率和严重度指标,建立了人误模式和任务严重度辨识矩阵,用于识别关键的人误模式和任务以及重要的组织根原因,通过实例介绍了该方法的具体应用。

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。