基于贝叶斯网络的人因可靠性评价

基于贝叶斯网络的人因可靠性评价

*

孙 旋1,2 牛秦洲1

教授 徐和飞1

巫世晶2

秦 明2

黄河潮

3

(1桂林工学院电子计算机系,桂林541004 2武汉大学动力与机械学院,武汉430072

3香港城市大学建筑系)

学科分类与代码:620.20 中图分类号:X914 文献标识码:A

=摘 要> 提出一种贝叶斯网络的人因可靠性评价(HRAB N)方法,其中的每个因子对应于贝叶斯网络中的节点,该方法可对人因可靠性作定量分析和定性分析。在定性分析上,节点的因果关系(HRA 中的因子关系)及需要改进的薄弱节点都直观地显示在层次图中;在定量分析方面,对节点因子后验概率的推断通过HRA 中的先验信息(包含仿真数据、现场操作及专家知识等)和最新信息得到。如果人因可靠性贝叶斯网络中的每个节点的先验概率分布和后验概率分布都已知,模型的可信性就可通过贝叶斯因子进行定量验证。贝叶斯网络扩展性好,当有新的节点因子需要考虑时,只需要补充对应的节点;笔者的方法也能很好地应用在不同行业的HRA 。

=关键词> 人因可靠性分析(HRA); HRA 模型; 模型的可信性; 贝叶斯网络; 贝叶斯因子

Human Reliabili ty Assessment Based on Bayesian Networks

SUN Xuan 1 NIU Qin -zhou 1,Prof. XU He -fei 1 W U Sh -i jing 2 QIN Ming 2 HUANG He -chao 3

(1Department of Computer,Guilin University of Technology,Guilin 541004,China 2School of Mechanical &Po wer Engineering,Wuhan University,Wuhan 430072,China

3Department of Architecture,City University of Hong Kong,Hong Kong,China)

Abstract: A human reliability assessment method using Bayesian networks is presented,in which each factor in the human reliability assessment corresponds to a node in the Bayesian networks,and could be used in qual-i tative and quantitative analyses.In the qualitative analysis,the causality of the nodes (the factors in the HRA)and the weak points need to be improved will be shown directly through hierarchical graph.In the quantitative analysis,the posterior probability (the potential factor)is inferred by the prior information (including simulation data,onsite experience data and e xpertise kno wledge)and latest information of HRA.A certain potential human actions could be predicted by mathe matical expectation of the node .s posterior probability.The c onfidence of the model of HRAB N might be quantitatively analyzed if the prior probability distribution and posterior probability distribution of every node were known.In addition,the flexibility of Bayesian networks is well,only corre -sponding nodes are added when new factors must be taken into account.The method could be well applied to every aspect in HRA.

Key w ords: Human Reliability Analysis(HRA); model of HRA; c onfidence of model;

Bayesian networks; Bayesian factor

第16卷第8期

2006年8月

中国安全科学学报Chi na Safety Science Journal Vol .16No .8

Aug .2006

文章编号:1003-3033(2006)08-0022-06; 收稿日期:2006-02-21; 修稿日期:2006-07-28

1引言

在现代社会中,随着设备的可靠性不断增长,由人因失误而造成危害的比例越来越大。有关资料表明,在一些大型的灾难性事故中,人因失误导致的伤亡事故占伤亡事故总数的70%~80%[1];在核电站的严重事故中,人的失误造成系统失效的份额占50%~70%[2]。20世纪发生在美国三哩岛核电站事故,就是现场操作人员忘记关闭REA13和122VD阀门所致[3],2004年日本核电站泄漏事故等都与人因失误相关。在高风险企业中,人因可靠性分析/评价已经成为概率风险分析(PRA,Probabilistic Risk Analysis)的重要组成部分,如何通过人因可靠性分析,降低因人因失误所造成的危害,已成为PRA领域及风险管理部门普遍关心和亟待解决的问题。

20世纪80年代以来,许多学者就人因可靠性问题进行了研究,并提出各自的理论和方法:Swain A.D,Guttmann H.E.等著名人因分析学专家,完成/Handbook of Human Reliability Analysis with E mphasis on Nuclear Power Plant Application0研究报告[4],提出/人的失误率预测技术0(THE RP,Technique for Human Error Rate Prediction)方法,该方法通过THERP表格,对操作人员的失误作定量和定性分析;Hanna man BW.等学者提出了人的认知可靠性模型(HCR:Hu-man C ognitive Reliability),把操作人员的动作时间引入到HCR模型中,使得HCR模型更加合理一些; Embrey等学者提出了成功似然指数法(SLI M,Succ-cess Likeihood Index Methodology),该方法是应用于人因失误数据非常缺乏的情况,通过专家集体进行评判,并且只有当对人员的各种响应的绩效形成因子已知的条件才能进行定量化计算。

近年来,人因可靠性研究从人-机系统进一步扩展到对人的自身研究,如在应急环境(环境情景)下人的心理、情绪、行为等方面的研究。代表性的研究方法有人因失误分析技术(ATHE ANA,A Technique for Human Error Analysis)[5]和认知可靠性与失误分析方法(CRE AM,Cognitive Reliability and Error Analysis Model)[6)7]。有关学者对HRA(人因可靠性分析)方法作了研究和统计,现有的HRA方法有几十种,但该方法存在着以下不足之处[3,7)8]:

1)人的可靠性数据的缺乏。

2)数据的量化过多依赖专家的判断,无法对数据的可信性进行验证,使得预测的正确性和准确性受主观因素的影响。

3)HRA方法的正确性和准确性难以验证。

4)对人的认知行为和心理处于探索和研究阶段;对组织管理的方法和态度、文化差异、社会背景等,在处理方法上缺乏一致性和可比性。

综合上述观点,有关学者提出了新的HRA模型,首先它是一种可信的方法[8],该方法有助于人们做到以下几点:

1)辨识人在PSA情景下的反应(失误行为是关注重点);

2)能够估计人的行为反应概率;

3)识别人行为失误的原因,以支持预防和降低危害的措施的发展。

笔者提出基于贝叶斯网络的人因可靠性评价方法,重点不在于人的可靠性数据的获取。其关键在于建立一个贝叶斯网络的因果模型,该模型的节点对应影响人因可靠性的因子,节点概率代表因子的可靠性,通过模型图,可以直观地对人因可靠性作定量分析和定性分析,并找出影响人因可靠性的关键节点;如果获得最新人因可靠性数据,并且人因可靠性贝叶斯网络中的每个节点的先验概率分布和后验概率分布都已知,就可以通过贝叶斯因子对专家评判人因可靠性的数据和模型本身的可信性给出一个定量的评价,即对数据和模型的可信性进行验证。

2贝叶斯网络及贝叶斯因子

211贝叶斯网络

贝叶斯网络的理论基础是统计概率理论和图论,作为一种强有力的不确定性知识表达与推理模型,具有简单有效的处理方法,严格的、可以解释的数学基础;贝叶斯网络使用图形的方法描述数据间的相互关系,语义清晰,易于理解,使得以因果结构知识表达更为容易,推理结构也更易解释。它用具有网络结构的有向图表达各个信息要素之间的关联关系及影响程度,用节点变量表达各个信息要素,用连接节点之间的有向边表达各个信息要素之间的关联关系,用条件概率表(CPT,Conditional Probabilities Table)表达各个信息要素之间的影响程度。

贝叶斯网络又被称为信念/信度网络(Belief Ne tworks)、概率因果网(Causal Probabilistic Networks)、有向马尔科夫域(Directed Markov Fields)等。1988年,Pearl首次给出贝叶斯网络的定义[9]。

定义:贝叶斯网络是一个有向无环图(DAG),其数学描述为L={DAG,PT},其中,DAG表示网络的

#

23

#

第8期孙旋等:基于贝叶斯网络的人因可靠性评价