• / 14
  • 下載費用:30 金幣  

一種人誤概率計算方法和裝置.pdf

摘要
申請專利號:

CN201510328819.5

申請日:

2015.06.15

公開號:

CN104915116A

公開日:

2015.09.16

當前法律狀態:

實審

有效性:

審中

法律詳情: 實質審查的生效IPC(主分類):G06F 3/0484申請日:20150615|||公開
IPC分類號: G06F3/0484(2013.01)I 主分類號: G06F3/0484
申請人: 湖南工學院
發明人: 張力; 洪俊; 胡鴻; 青濤; 戴立操; 李鵬程
地址: 421002湖南省衡陽市珠暉區衡花路18號
優先權:
專利代理機構: 武漢智權專利代理事務所(特殊普通合伙)42225 代理人: 沈林華
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510328819.5

授權公告號:

|||

法律狀態公告日:

2015.10.14|||2015.09.16

法律狀態類型:

實質審查的生效|||公開

摘要

本發明公開了一種人誤概率計算方法和裝置,方法包括,確定察覺失誤概率pdet;確定認知失誤概率pcog;確定操作失誤概率pope;計算人誤概率p=pdet+pcog+pope。本發明通過將人誤概率分為察覺失誤概率,認知失誤概率和操作失誤概率,然后分別對察覺失誤概率,認知失誤概率和操作失誤概率進行計算,并將這三者之和作為操縱員的人誤概率,從而實現定量分析操縱員事故后的人誤概率的目的。

權利要求書

權利要求書
1.  一種人誤概率計算方法,其特征在于,包括:
確定察覺失誤概率pdet;
確定認知失誤概率pcog;
確定操作失誤概率pope;
計算人誤概率p=pdet+pcog+pope。

2.  根據權利要求1所述的人誤概率計算方法,其特征在于,所述確定認知失誤概率pcog包括:
確定診斷行為失誤概率pdiag;
確定決策行為失誤概率pdec;
根據pcog=pdiag+pdec計算所述pcog。

3.  根據權利要求2所述的人誤概率計算方法,其特征在于,
所述診斷行為失誤概率pdiag=[1-Πi=1n(1-pmon,i)]k1k2,]]>
其中,k1>0,k2>0,
n為監視節點的個數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個所述監視節點的基本失誤率。

4.  根據權利要求2所述的人誤概率計算方法,其特征在于,
所述決策行為失誤概率pdec=[1-Πi=1n(1-pmon,i)]b1b2,]]>
其中,b1>0,b2>0,
n為監視節點的個數;
b1為心理壓力修正因子;
b2為可用時間修正因子;
pmon,i為第i個所述監視節點的基本失誤率。

5.  根據權利要求1-4任一所述的人誤概率計算方法,其特征在于,
當在正常工作情況下發生事故時,所述察覺失誤概率pdet=10-5;
當在事故處理過程中發生事故時,所述察覺失誤概率pdet=0。

6.  一種人誤概率計算裝置,其特征在于,包括:
察覺失誤概率計算模塊,用于計算察覺失誤概率pdet;
認知失誤概率計算模塊,用于計算認知失誤概率pcog;
操作失誤概率計算模塊,用于計算操作失誤概率pope;
人誤概率計算模塊,用于計算人誤概率p=pdet+pcog+pope。

7.  根據權利要求6所述的人誤概率計算裝置,其特征在于,所述認知失誤概率計算模塊,包括:
第一認知失誤概率計算子模塊,用于計算診斷行為失誤概率pdiag;
第二認知失誤概率計算子模塊,用于計算決策行為失誤概率pdec;
第三認知失誤概率計算子模塊,用于根據pcog=pdiag+pdec計算所述pcog。

8.  根據權利要求7所述的人誤概率計算裝置,其特征在于,所述第一認知失誤概率計算子模塊,具體用于計算pdiag,
pdiag=[1-Πi=1n(1-pmon,i)]k1k2,]]>
其中,k1>0,k2>0,
n為監視節點數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。

9.  根據權利要求7所述的人誤概率計算裝置,其特征在于,所述第二認知失誤概率計算子 模塊,具體用于計算pdec,
所述決策行為失誤概率pdec=[1-Πi=1n(1-pmon,i)]b1b2,]]>
其中,b1>0,b2>0,
n為監視節點的個數;
b1為心理壓力修正因子;
b2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。

10.  根據權利要求6-9任一所述的人誤概率計算裝置,其特征在于,所述察覺失誤概率計算模塊具體用于:
當在正常工作情況下發生事故時,所述察覺失誤概率pdet=10-5;
當在事故處理過程中發生事故時,所述察覺失誤概率pdet=0。

說明書

說明書一種人誤概率計算方法和裝置
技術領域
本發明涉及信息學科與人因工程學科領域,特別地,涉及一種人誤概率計算方法和裝置。
背景技術
數字化控制系統(Digital control system,簡稱DCS)目前已經廣泛應用于核電、航空、石油化工等領域,人機交互的重要性也已日益受到普遍的關注。有效的人機交互能促進系統的可靠性和安全性,計算機化的規程系統、先進的報警系統與圖形化的信息顯示系統等新的人-系統界面提高了操縱員的績效。
DCS包括大屏幕系統總貌顯示和基于計算機終端顯示(Video display unit,簡稱VDU)。VDU通過屏幕滾動,窗口重疊,層級顯示等方式可以顯示大量的信息。VDU的信息呈現方式可能過快和過多,在緊急情況下,使得人眼和大腦對信息處理的負荷過重。特別是在概率安全評價-人因可靠性分析事故后狀態下,大量的信息顯示、繁重的界面管理工作以及操縱員需要同時執行多個程序等都會增加操縱員的工作負荷,面對過重的負荷,必然會造成一定的人誤操作。
目前,基于DCS的主控室操縱員人誤技術分析缺乏定量分析,無法定量且有效地評估控制室操縱員事故后的人誤概率。
發明內容
本發明提供了一種人誤概率計算方法和裝置,以解決無法定量且有效地評估控制室操縱員事故后的人誤概率的技術問題。
本發明采用的技術方案如下:
一種人誤概率計算方法,包括:
確定察覺失誤概率pdet;
確定認知失誤概率pcog;
確定操作失誤概率pope;
計算人誤概率p=pdet+pcog+pope。
進一步地,確定認知失誤概率pcog包括:
確定診斷行為失誤概率pdiag;
確定決策行為失誤概率pdec;
根據pcog=pdiag+pdec計算pcog。
進一步地,診斷行為失誤概率pdiag=[1-Πi=1n(1-pmon,i)]k1k2,]]>
其中,k1>0,k2>0,
n為監視節點的個數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。
進一步地,決策行為失誤概率pdec=[1-Πi=1n(1-pmon,i)]b1b2,]]>
其中,b1>0,b2>0,
n為監視節點的個數;
b1為心理壓力修正因子;
b2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。
進一步地,當在正常工作情況下發生事故時,察覺失誤概率pdet=10-5;
當在事故處理過程中發生事故時,察覺失誤概率pdet=0。
根據本發明的另一方面,還提供了一種人誤概率計算裝置,包括:
察覺失誤概率計算模塊,用于計算察覺失誤概率pdet;
認知失誤概率計算模塊,用于計算認知失誤概率pcog;
操作失誤概率計算模塊,用于計算操作失誤概率pope;
人誤概率計算模塊,用于計算人誤概率p=pdet+pcog+pope。
進一步地,認知失誤概率計算模塊,包括:
第一認知失誤概率計算子模塊,用于計算診斷行為失誤概率pdiag;
第二認知失誤概率計算子模塊,用于計算決策行為失誤概率pdec;
第三認知失誤概率計算子模塊,用于根據pcog=pdiag+pdec計算pcog。
進一步地,第一認知失誤概率計算子模塊,具體用于計算pdiag,
pdiag=[1-Πi=1n(1-pmon,i)]k1k2,]]>
其中,k1>0,k2>0,
n為監視節點數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個監視節點的基本失誤率。
進一步地,第二認知失誤概率計算子模塊,具體用于計算pdec,
決策行為失誤概率pdec=[1-Πi=1n(1-pmon,i)]b1b2,]]>
其中,b1>0,b2>0,
n為監視節點的個數;
b1為心理壓力修正因子;
b2為可用時間修正因子;
pmon,i為第i個監視節點的基本失誤率。
進一步地,察覺失誤概率計算模塊具體用于:
當在正常工作情況下發生事故時,察覺失誤概率pdet=10-5;
當在事故處理過程中發生事故時,察覺失誤概率pdet=0。
本發明具有以下有益效果:
將操縱員事故后的人誤概率分為察覺失誤概率pdet,認知失誤概率pcog,操作失誤概率 pope,然后分別進行計算,并將這三個計算結果之和作為操縱員事故后的人誤概率,從而達到可定量分析操縱員事故后的人誤概率的目的。
除了上面所描述的目的、特征和優點之外,本發明還有其它的目的、特征和優點。下面將參照圖,對本發明作進一步詳細的說明。
附圖說明
構成本申請的一部分的附圖用來提供對本發明的進一步理解,本發明的示意性實施例及其說明用于解釋本發明,并不構成對本發明的不當限定。在附圖中:
圖1是本發明的優選實施例的人誤概率計算方法流程圖一;
圖2是本發明的優選實施例的人誤概率計算方法流程圖二;
圖3是本發明的優選實施例的人誤概率計算方法流程圖三;
圖4是本發明的優選實施例的人誤概率計算裝置結構圖一;
圖5是本發明的優選實施例的人誤概率計算裝置結構圖二;
圖6是本發明的優選實施例的人誤概率計算裝置結構圖三。
具體實施方式
以下結合附圖對本發明的實施例進行詳細說明,但是本發明可以由權利要求限定和覆蓋的多種不同方式實施。
以下實施例中的人誤概率計算方法主要針對應用數字化控制系統的各領域,如核電、航空、石油化工等領域。
實施例一
參照圖1,本發明的優選實施例提供了一種人誤概率計算方法,包括:
步驟101,確定察覺失誤概率pdet。
事故發生后,主控室操縱員可能存在未能成功察覺到事故的情況,若察覺失敗,則會可能導致不能及時對事故進行認知,從而導致操作的失敗,所以察覺失誤概率即為未能成功察覺到事故的概率。
進一步的,當在正常工作情況下發生事故時,察覺失誤概率pdet=10-5;
當在事故處理過程中發生事故時,察覺失誤概率pdet=0。
具體的,對于事故的察覺失誤概率的計算,分如下兩種情況:
(1)在正常工作情況下發生事故
正常工作情況下,操縱員未能在詢盤中發現事故,或未能察覺到相關的報警信號,則會導致操縱員未能成功進入磁盤操作系統(Disk Operating System,簡稱DOS),喪失對事故的診斷,因此對于操縱員未能察覺報警等信號而未能進入DOS的概率,可根據《THERP手冊》,取截斷值Pdet=10-5。
(2)在事故處理過程中發生事故
對于某些突發的事故,事故開始時操縱員已經處于另一事故的處理過程中,當有新的報警信號時,即使操縱員未能察覺該報警,也會在短時間內根據規程指引進入認知部分,因此不存在未能察覺到該事故的可能,對于這一類事故,取Pdet=0。
在計算察覺失誤概率時,根據事故發生的時間,將事故分為在正常工作情況下發生事故和在事故處理過程中發生事故這兩種不同情況,通過分別取值來對察覺失誤概率進行定量分析。
步驟102,確定認知失誤概率pcog。
認知失誤概率,即當操縱員察覺到發生事故后,操縱員對事故的誤解概率。
步驟103,確定操作失誤概率pope。
操作失誤概率,即當操縱員正確認知事故后,操縱員對事故進行錯誤操作的概率,如遺漏操作步驟、選擇錯誤屏幕、選擇錯誤控件等。
步驟104,計算人誤概率p=pdet+pcog+pope。
本實施例通過將操縱員的人誤概率分為察覺失誤概率,認知失誤概率和操作失誤概率,然后分別對察覺失誤概率,認知失誤概率和操作失誤概率進行計算,將這三者之和作為操縱員的人誤概率,從而實現定量分析操縱員事故后的人誤概率的目的。
實施例二
參照圖2,實施例二是在實施例一的基礎上進行的補充說明,其中,步驟102包括:
步驟1021,確定診斷行為失誤概率pdiag。
診斷行為由監視與狀態評估成對循環構成。當DCS的狀態發生變化時,操縱員需要通過監視系統參數的變化來確定DCS當前所處的狀態水平。假設在t時刻,系統提供了N個參數來表征DCS的狀態,操縱員依據電子規程按先后順序來監視這些參數,操縱員每觀察一個參數,都會根據參數的意義來更新自己的狀態模型。如:操縱員在t1時刻觀察參數1,通過其心智模型對參數意義進行解釋,獲得狀態模型1,狀態模型1在t2時刻驅動操縱員轉移至參數2,同樣的過程,獲得狀態模型2,狀態模型2驅動操縱員在t3時刻轉移至參數3、獲得狀態模型3,……,在ti時刻觀察參數i,獲得狀態模型i,隨著監視參數、更新狀態模型的過程的進行,操縱員對DCS狀態的認識逐步逼近操縱員認為的DCS的真實狀態,最終在tn時刻,作出了對DCS狀態的最終判斷。診斷行為失誤概率即為對DCS狀態的最終判斷錯誤的概率。
步驟1022,確定決策行為失誤概率pdec。
基于步驟1021對操縱員診斷過程的分析,可知監視與狀態評估并非獨立,而是交叉進行的一個序列過程,該序列的終點是操縱員確認的DCS狀態。決策是依據最終的“狀態評估”作出的,決策行為失誤概率即依據最終的“狀態評估”做出錯誤的決策的概率。
步驟1023,根據pcog=pdiag+pdec計算所述pcog。
本實施例將操縱員的認知階段分為診斷和決策,并通過分別計算診斷行為失誤概率和決策行為失誤概率來獲得認知失誤概率,從而定量分析操縱員事故后的認知失誤概率。
實施例三
本實施例是在上述實施例的基礎上進行的補充說明。
參照圖3,在確定察覺失誤概率pdet之后,確定診斷行為失誤概率pdiag之前,還包括步驟105,篩選監視節點,篩選方法為:
排除系統能夠自動處理的監視節點;
對于設置有報警信號輔助的監視節點,如果監視節點失效,則排除監視節點;
排除不構成顯著影響的監視節點;
選取的監視節點能夠為診斷出當前事故提供必要且充分的信息,即指選取的監視節點對診斷出事故能夠提供不多余也不可或缺的信息,且可通過信息排除比當前事故更為嚴重的事故,比當前事故更為嚴重的事故即比當前事故狀態功能降級程度更高的事故。
由于事故后操縱員需要執行的監視內容非常多,并非所有節點都需要在人因可靠性分析(Human reliability analysis,簡稱HRA)定量計算中考慮,篩選出的監視節點的數量將顯著影響HRA中診斷行為失誤概率的計算結果,因此通過上述篩選方法對監視節點進行篩選之后,計算得出的診斷行為失誤概率的可靠性更高,從而更有利于定量分析診斷行為失誤概率。
進一步的,診斷行為失誤概率pdiag=[1-Πi=1n(1-pmon,i)]k1k2,]]>
其中,k1>0,k2>0,k1,k2可參考《THERP手冊》進行取值,
n為監視節點的個數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。
具體的,隨機過程在時刻t0所處的狀態為已知的條件下,隨機過程在時刻t>t0所處的狀 態的條件分布與過程在t0時刻之前的狀態無關的特性稱為馬爾科夫性或無后效性。具有馬爾科夫性的隨機過程稱為馬爾科夫過程。用分布函數表述馬爾科夫過程,有:
設I為隨機過程{X(t),t∈T}的狀態空間,如果對時間t的任意數值tn,X(tn)在條件X(ti)=xi下的條件分布函數為
P{X(tn)£xn|X(t1)=x1,X(t2)=x2,…,X(tn-1)=xn-1}=P{X(tn)£xn|X(tn-1)=xn-1},xn∈R
這時稱過程{X(t),t∈T}具有馬爾科夫性或無后效性,并稱此過程為馬爾科夫過程。
操縱員巡盤或在異常狀況下對DCS設備參數的監視,往往遵循以下過程:操縱員每觀察一個參數,都會根據參數的意義來更新自己的狀態模型,如:操縱員在t1時刻觀察參數1,通過其心智模型對參數意義進行解釋,獲得狀態模型1,狀態模型1在t2時刻驅動操縱員轉移至參數2,同樣的過程,獲得狀態模型2,狀態模型2驅動操縱員在t3時刻轉移至參數3、獲得狀態模型3,……,在ti時刻觀察參數i,獲得狀態模型i,隨著觀察參數、更新狀態模型的過程的進行,操縱員對系統狀態的認識逐步逼近操縱員認為的系統的真實狀態,最終在tn時刻,作出了對系統狀態的最終判斷。由以上可知,在任意時刻ti操縱員會觀察到具體哪個參數,主要取決于t(i-1)時刻觀察到的參數(i-1)的意義,因此操縱員的“監視+狀態評估”過程符合馬爾科夫性,為馬爾科夫過程。
監視的轉移為時間和狀態都是離散的隨機序列{Xt=X(t),t=0,1,2,…},假設當前時刻內所有需要操縱員觀察的參數共有n個,則該隨機序列的參數集I={a1,a2,a3…an},即I為該馬爾科夫過程的狀態空間,操縱員在t時刻由參數ai轉移至任一參數aj是服從一定的概率分布的,該分布由操縱員的心智模型和狀態模型共同決定,由此構建描述監視轉移概率分布的轉移矩陣:
p(1)=p11...p1i...p1j...p1n............pi1...pii...pij...pin............pj1...pji...pjj...pjn............pn1...pni...pnj...pnn]]>
pij表示狀態模型和心智模型驅動下操縱員由參數ai轉移至參數aj的概率。
其中,n>1,n∈Z,1≤i≤n,1≤j≤n,
I,j∈Z,i≠j,
0pij1,Σjpij=1.]]>
對于任一狀態Xt,其轉移至Xt+1的概率均可如下表達:
pij=P(Xt+1=aj|Xt=ai}      (1)
如果需要參數ai成功轉移至參數aj,前提是對參數ai的監視也需要成功。因此如果操縱員執行監視轉移成功,則需要對參數ai監視成功且在心智模型、狀態模型聯合驅動下轉移至參數aj二者同時成立,即有:
pdiag'=pmon'×pSA'=pmon'×pij     (2)
pdiag':對參數ai監視成功且在心智模型、狀態模型聯合驅動下轉移至參數aj二者同時成立的概率;
pmon':對參數ai監視成功的概率;
pSA':心智模型與狀態模型驅動下由參數ai轉移至aj的概率。
對于數據驅動,如果需要參數ai成功轉移至參數aj,需要滿足兩點:對參數ai監視成功;參數ai的數值與規程中已經設定好的值的匹配正確。這樣的基于規程的匹配行為,其失誤概率小至可忽略,即pij無限接近于1,因此在HRA中可將公式(2)近似簡化:
pdiag'=pmon'×pij≈pmon'      (3)
假設所有過程的名義監視失誤概率均相同,為pmon”,則有
pmon”=1-pmon'      (4)
對于規則型失誤,監視過程中監視對象的顯著性成為影響監視可靠性的重要因素,而不同的目標顯著性可能是不一致的,因此,HRA中對每個監視節點的監視可靠性均考慮目標顯著性對其的影響,設第i個監視節點的影響因子為k'i,則第i個監視節點的基本失誤率為:
pmon,i=pmon”×k'i,k'i>0      (5)
對于診斷階段,心理壓力(k1)和可用時間(k2)都會在整體上顯著影響其可靠性,考慮這兩個因素,如果一個事故的診斷過程中存在n個監視節點,則其診斷失誤概率為:
pdiag=[1-Πi=1n(1-pmon,i)]k1k2---(6)]]>
其中,k1>0,k2>0,k1,k2可參考《THERP手冊》進行取值,
n為監視節點的個數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個監視節點的基本失誤率。
決策階段的監視行為亦為數據型驅動,計算方法與診斷階段相同,同于診斷階段的分析過程,可得操縱員決策失誤概率計算公式:
pdec=[1-Πi=1n(1-pmon,i)]b1b2---(7)]]>
其中,b1>0,b2>0,b1,b2可參考《THERP手冊》進行取值,
n為監視節點的個數;
b1為心理壓力修正因子;
b2為可用時間修正因子;
pmon,i為第i個所述監視節點的基本失誤率。
進一步的,操作失誤概率pope=poper×c1×c2…×ci,其中,
poper為操縱員基本失誤率,ci為影響操縱員操作績效的行為影響因子。
具體的,DCS中,操縱員的操作過程可以分為四個階段:操作選擇→屏幕選擇→控件選擇→控件操作,各階段定義如下:
操作選擇:操縱員選擇當前操作的規程步驟,操作選擇失敗意味著遺漏規程步驟,即遺漏該操作步驟;
屏幕選擇:操縱員選擇當前操作的屏幕,由于DCS下,操縱員需要在不同畫面間切換,而不同的畫面布置結構較為相似,因此存在選擇錯誤屏幕的可能;
控件選擇:操縱員在畫面中選擇當前需要操作的控件,DCS畫面中同類型的控件外形相似且部分控件按列布置,存在選擇錯誤控件的可能;
控件操作:操縱員完成對控件的操作,如開/關、調大/小等,由于疏忽等原因,存在未能成功完成操作的可能。
根據序列中操作行為的不同特征,建立反映DCS人員行為特征的操縱員事件樹進行表征。具體分析過程包括:
建立操縱員動作樹分解操縱員操作動作;
確定操縱員動作樹名義人誤概率;
確定行為形成因子(performance shaping factor,簡稱PSF)因子;
采用PSF因子ci對操縱員動作樹名義人誤概率值進行修正,修正采用公式。
Pope=Pb,ope×c1×c2…×ci      (9)
Pb,ope為操作員基本失誤概率,ci為影響操縱員操作績效的行為影響因子。此部分屬于現有技術,具體可參見現有技術中的介紹,在此不再贅述。
實施例四
參照圖4,本發明的優選實施例提供了一種人誤概率計算裝置,包括:察覺失誤概率計算模塊201,認知失誤概率計算模塊202,操作失誤概率計算模塊203,人誤概率計算模塊204。
其中,察覺失誤概率計算模塊201,用于計算察覺失誤概率pdet;認知失誤概率計算模塊202,用于計算認知失誤概率pcog;操作失誤概率計算模塊203,用于計算操作失誤概率pope;人誤概率計算模塊204,用于計算人誤概率p=pdet+pcog+pope。
本實施例是與方法實施例一對應的裝置實施例,具體可參見實施例一中的記載,在此不再贅述。
通過察覺失誤概率計算模塊201,認知失誤概率計算模塊202,操作失誤概率計算模塊203,分別對察覺失誤概率,認知失誤概率和操作失誤概率進行計算,將這三者之和作為操縱員的人誤概率,從而實現定量分析操縱員事故后的人誤概率。
進一步的,察覺失誤概率計算模塊具體用于:
當在正常工作情況下發生事故時,所述察覺失誤概率pdet=10-5;
當在事故處理過程中發生事故時,所述察覺失誤概率pdet=0。
實施例五
本實施例是在實施例四的基礎上進行的補充說明。參照圖5,認知失誤概率計算模塊202包括第一認知失誤概率計算子模塊2021,第二認知失誤概率計算子模塊2022和第三認知失誤概率計算子模塊2023。
其中,第一認知失誤概率計算子模塊2021,用于計算診斷行為失誤概率pdiag;第二認知失誤概率計算子模塊2022,用于計算決策行為失誤概率pdec;第三認知失誤概率計算子模塊2023,用于根據pcog=pdiag+pdec計算所述pcog。
本實施例是與方法實施例二對應的裝置實施例,具體可參見實施例二中的記載,在此不再贅述。
將認知失誤概率計算模塊202分為第一認知失誤概率計算子模塊2021,第二認知失誤概 率計算子模塊2022和第三認知失誤概率計算子模塊2023,并通過分別計算診斷行為失誤概率和決策行為失誤概率來獲得認知失誤概率,從而定量分析操縱員事故后的認知失誤概率。
實施例六
本實施例是在上述實施例的基礎上進行的補充說明。
參照圖6,人誤概率計算裝置還包括監視節點篩選模塊205。監視節點篩選模塊205用于篩選監視節點,具體用于:
排除系統能夠自動處理的所述監視節點;
對于設置有報警信號輔助的所述監視節點,如果所述監視節點失效,則排除所述監視節點;
排除不構成顯著影響的所述監視節點;
選取的監視節點能夠為診斷出當前事故提供必要且充分的信息,即指選取的監視節點對診斷出事故能夠提供不多余也不可或缺的信息,且可通過信息排除比當前事故更為嚴重的事故,比當前事故更為嚴重的事故即比當前事故狀態功能降級程度更高的事故。
進一步的,第一認知失誤概率計算子模塊2021具體用于計算pdiag,
pdiag=[1-Πi=1n(1-pmon,i)]k1k2,]]>
其中,k1>0,k2>0,k1,k2可參考《THERP手冊》進行取值,
n為監視節點數;
k1為心理壓力修正因子;
k2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。
進一步的,第二認知失誤概率計算子模塊2022具體用于計算pdec,
pdec=[1-Πi=1n(1-pmon,i)]b1b2,]]>
其中,b1>0,b2>0,b1,b2可參考《THERP手冊》進行取值,
n為監視節點的個數;
b1為心理壓力修正因子;
b2為可用時間修正因子;
pmon,i為第i個監視點的基本失誤率。
本實施例是與方法實施例三對應的裝置實施例,具體可參見實施例三中的記載,在此不再贅述。
以上僅為本發明的優選實施例而已,并不用于限制本發明,對于本領域的技術人員來說,本發明可以有各種更改和變化。凡在本發明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本發明的保護范圍之內。

關 鍵 詞:
一種 概率 計算方法 裝置
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種人誤概率計算方法和裝置.pdf
鏈接地址:http://www.rgyfuv.icu/p-6373490.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图