驼峰调车作业人因失误概率预测研究

王兴海

（兰州铁路局 武威南车务段，武威 733000）

自动化驼峰的生产环境较以往有了较大的改善，自动化程度也不断提高。但自动化驼峰调车作业中仍有相当多的作业环节需要人工完成。比如编制解体作业计划、到达列车拉风作业、峰顶提钩作业、长轴距车溜放作业等。虽然自动化驼峰设备的可靠性较高，但大量的人工作业环节带来的生产作业人员的种种不安全行为仍是驼峰调车事故发生的重要原因。因此，利用人的可靠性分析方法对驼峰解体作业人因失误概率做定量的研究，揭示人因失误在驼峰作业安全中的作用规律，提高驼峰作业安全控制中对“人的不安全行为”的预防和控制具有重要意义。

人的可靠性分析（Human Reliability Analysis,HRA）是以分析、预测、减少与防止人的失误为研究核心，对人的可靠性进行定性与定量分析和评价的一门新兴学科，是在人因工程学与系统可靠性理论相结合的基础上发展起来的已经相对独立的学科。其中最具代表性的方法是Eric Hollnagel于1998年提出的CREAM（Cognitive Reliability and Error Analysis Method）和美国核管会（NRC）提出的ATHEANA方法。

1 CREAM简介

CREAM，即认知可靠性和失误分析方法。它是基于一种情景依赖认知模型（COCOM）建立起来的。COCOM模型如图1，它构成了CREAM的基础。

图1 COCOM模型

CREAM的核心思想是强调人的绩效输出不是孤立的随机行为，是依赖于人完成任务时所处的情景环境，通过影响人的认知控制模式和其在不同认知活动中的效应，最终决定人的响应行为。CREAM将这些影响因素归纳成9大因素，称为共同绩效条件（CPC），每个因素称为一个CPC因子，每个CPC因子有不同的几个水平等级，会对人的绩效产生3种不同水平的影响：改进、降低和不显著。

CREAM的分析技术有两种，即回溯性分析和预测性分析。回溯性分析主要用于事故和事件分析。预测性分析主要用于人员可靠性分析，其功能就是对一项人的认知活动的任务可能发生失误的概率进行预测。基本法预测分析的基本思想就是按任务所处的情景环境确定CPC因子水平，由CPC因子水平的综合，确定人完成该任务的认知控制模式，进而确定人误概率。扩展法预测分析的基本思想是进一步分析人在完成任务过程中的认知活动和可能的认知功能失误（认知功能归纳为观察、解释、计划、执行4大类功能，每类功能有若干个失误模式），首先得到认知功能失误概率的基本值，然后考虑所处情景环境的CPC因子水平对基本值进行修正，从而对人在完成任务时可能发生失误的概率进行预测。

2 驼峰调车作业人因失误概率预测

2.1 任务分析

根据驼峰解体列车作业流程、作业标准和对相关作业人员的调研，将解体列车过程中峰顶提钩作业和驼峰楼作业描述如下：调车长、调车区长和驼峰值班员互相核对调车作业计划无误后，驼峰值班员通过工作站存储调车作业计划，溜放条件具备后开放驼峰调车信号；调车长根据驼峰调车信号指示，指挥调车机车推峰，随时目测推送速度，指挥调车机车调整推峰速度，并指挥连结员选择合适的提钩点按调车作业计划提开车钩，使车组按计划分离溜下驼峰；进路控制系统按照调车作业计划的钩序自动控制溜放进路，驼峰值班员监控溜放作业，随时观察命令光带、打靶距离及溜放车组速度，出现异常情况时积极采取手动方式合理处置，使溜放车组按计划安全溜入分类线。

上述事件可以进一步分解为更小的活动：（1）调车长核对调车作业计划；（2）驼峰值班员核对调车作业计划；（3）驼峰值班员存储计划；（4）驼峰值班员开放驼峰调车信号；（5）调车长确认驼峰调车信号；（6）调车长指挥调车机车推峰；（7）调车长目测推送速度；（8）调车长指挥调车机按要求速度推峰；（9） 调车长指挥连结员选择合适地点提开车钩；（10）驼峰值班员（驼峰作业员）监控溜放车组；（11）驼峰值班员（驼峰作业员）发现异常情况及时手动合理处置。

2.2 评估CPCs

CREAM中如何确定共同绩效条件（CPC）因子的水平，是一个关键待研究的问题。目前由专家根据对现场人员的访谈结果、设计和规程的资料、作业人员作业记录以及运行和事故报告等进行主观判断，确定CPC因子水平。通过对有经验的作业人员及技术人员的访谈，查阅相关资料，确定驼峰调车作业中CPC因子水平，如表1。

表1 驼峰解体作业CPCs

2.3 确定工作现场控制模式

根据表1中CPC因子水平统计出各种效应的结果，“降低”共1次，“不显著”共6次，“改进”共2次，即：

图2 CPC分数和控制模式之间的关系

根据CPC因子的评价结果以及图2所示的CPC分数和控制模式之间的关系，该情境环境下作业人员完成任务所处的认知控制模式在战术型区域内，即为战术型。

表2 控制模式和失效概率区间的关系

表2为控制模式和实效概率区间的关系，根据确定的认知控制模式，得到完成任务时可能发生失误的概率区间：

0.001

2.4 识别认知功能可能失误模式

由基本法得到的事件失误概率范围较大，是粗略的人误概率。为更精确地进行预测，通过考察、访谈，进一步辨识事件每一项活动的认知行为，由此得到对应的COCOM中的基本认知功能，再按CREAM中提供的13类认知功能失误模式，参考CPC因子水平找到每个认知活动中最可能发生的认知失误模式，得出每项活动认知失误概率（cognitive failure probability 记为CFP0）的基本值，如表3。

表3 各项活动认知行为、最有可能发生的认知功能失误模式和对应的失误概率

2.5 计算作业失误概率

考虑情景模式对每个活动失误概率的影响，需要对认知活动的基本失误概率加以修正。CREAM提供了每种控制模式下的“平均权重因子”，根据CPC因子水平确定控制模式后即可查得平均权重因子，则修正后的CFP值为：

CFP=CFP0×平均权重因子

前文已经确定事件控制模式为“战术型”的。“战术型”的平均权重因子为1.9，代入可计算出每项活动的CFP值，如表3最后一列所示。

该事件包含若干个认知活动，总的失误概率需要根据事件中各活动的逻辑关系来确定。通过分析，事件中各活动的逻辑关系如图3。

图3 事件中各活动逻辑关系

事件总体失误概率计算如下：

3 结束语

CREAM的预测分析精确地说明了溜放作业过程中作业人员每个操作具体的失误概率和总的失误概率。通过量化后的对比以及各个活动的逻辑关系可以直观地发现，在驼峰调车作业过程中核对计划、调车机车推峰速度、驼峰值班员手动处理异常情况等是确保安全的关键环节，也是出现人为失误概率极高的环节。认真执行调车作业计划核对制度，提高调车长业务水平，精确观速和测距是提高驼峰作业安全的有效手段。在这些方面制定安全控制措施所需成本不高，但取得的安全效益却非常可观。

[1] 袁昌明，王金国，于 飞. 实用安全管理技术[M].北京：冶金工业出版社，1998.

[2] 孙雁胜，刘树华，王洪廷. 保证驼峰调车作业安全的建议[J]. 铁道运输与经济，2006，28（5）.

[3] 陈文芳. 编组站驼峰解体作业撞车原因分析与对策[J]. 铁道运输与经济，2007，29（3）.

[4] 王 遥，沈祖培. CREAM—第二代人因可靠性分析方法[J].工业工程与管理，2005（3）：17-21.

[5] 高 佳，黄祥瑞，沈祖培. 人的可靠性分析：需要、状况和发展[J]. 中南工学院学报，1999，13（2）：11-24.