基于FCREAM的飞行员人因可靠性定量预测*

乔巍巍　裴立冠　芦建辉　陈东锋

(1.空军航空大学飞行研究所　长春 130022；　2.空军航空大学研究生队　长春 130022)



基于FCREAM的飞行员人因可靠性定量预测*

乔巍巍1裴立冠2芦建辉1陈东锋1

(1.空军航空大学飞行研究所长春 130022；2.空军航空大学研究生队长春 130022)

依据飞行系统实际，以CPC因子的内在依赖性和同类因子的非负相关性为基础，通过在免疫克隆选择算法中，增加抗体净化环节，设置抗体群亲和力函数，建立了模糊规则库优化模型，用于去除FCREAM中的冗余规则，从而完成对方法的改进。采用回看分析法，通过改进前后的FCREAM对“韩亚航空214事故”进行预测，并对预测结果进行对比分析。结果表明，改进的FCREAM与实际较为匹配，且具有较好的连续性，同时敏感性较改进前得到增强，是一种有效的飞行员人因可靠性定量预测分析方法。

飞行员人因可靠性FCREAMCPC

0　引言

自1900年以来，由于飞行员个人原因导致的飞行事故占所有飞行事故总数的65%～70%[1]。由此可见，飞行员人因可靠性的有效预测对于提高航空安全水平意义重大。迄今为止，针对人因可靠性的预测分析方法有几十种，其中，通过模糊控制系统与CREAM基本法相结合而形成的FCREAM，在资源利用率、数据可靠性等方面的优势，得到了证实[2-3]，对预测结果的有效性提升效果较好，已经被应用于电网、海洋工程等领域[4-5]。但是，由于FCREAM中未考虑人误影响因素——CPC的主要性质以及它们的内在关联性，导致其模糊规则库中存在一部分可信度较低、不符合实际的模糊规则，影响人因可靠性预测分析结果的准确性。为此，以FCREAM和飞行实际为基础，通过在免疫克隆选择算法中，增加抗体净化环节，设置抗体群亲和力函数，同时结合CPC因子的主要性质，对模糊规则库进行优化，从而完成对FCREAM的改进，以用于定量预测飞行员的人因可靠性，同时采用回看分析法，对方法的有效性进行验证。

1　CPC因子性质分析

FCREAM以9个CPC因子评价值为输入，通过模糊推理和解模糊化过程，最终输出人因可靠性概率[6]。其中，模糊规则库是模糊推理过程的关键内容，直接影响最终的输出结果，共包含19 683条模糊规则，每条规则以9个CPC因子水平为条件，对应的控制模式为结果。但是，由于FCREAM将9个CPC因子视为相互独立的因子，未考虑因子的相关性质，导致了一些冗余规则的存在。实质上，CPC因子中是存在相互联系的，主要表现为相互依赖性和非负相关性。为叙述方便，在此规定：以CPCk,(k=1,2…9)分别表示CPC因子表[7]中的9类CPC因子，CPCk=1,0,-1分别表示每个输入隶属函数的3个模糊集合对应的因子水平从高到低，以“1”、“2”、“3”、“4”分别表示战略型、战术型、机会型和混乱型四种控制模式。

(1)因子间的相互依赖性

CPC因子之间具有相互依赖性是由Hollnagel首先提出的，后经过YANG Z L等人的优化，得到了改进的CPC因子依赖规则(见表1)[5]，主要用于说明事故发生过程中，当某些因子的初始水平为“0”时，其性质可能由于其他因子的影响而发生改变。

表1　改进的CPC依赖规则

由表1可知，CPC2、CPC5、CPC6和CPC9为被影响因子，初始状态下，CPC2与CPC2、CPC6与CPC6水平相同。n/m表示与之相关的m个影响因子中，n个及其以上的因子水平相同，则被影响因子的性质也将转变为该水平，最终得到新的CPC2、CPC5、CPC6以及CPC9，显然n≤m。例如：若CPC5的初始评估结果为“0”，当CPC2，CPC3，CPC4三个因子中，两个及其以上因子的性质同为“1/-1”，则CPC5的水平等级转变为“1/-1”。

(2)同类因子的非负相关性

CREAM提出之初，HOLLNAGEL就将CPC因子划分为3类，L1(与操作员相关的因子)：CPC5，CPC6，CPC8；L2(与技术和条件相关的因子)：CPC2，CPC3，CPC7；L3(与组织管理相关的因子)：CPC1，CPC4，CPC9。通过对过往飞行案例中的CPC因子的水平评估发现，同类因子间不存在因子水平相悖的现象，即具有非负相关性，例如：L1中，若“同时需要完成的目标数量(CPC5)”水平为“-1(超过实际)”，而“可用时间(CPC6)”为“1(充足)”，则明显不符合系统情境。为此，本文将CPC中同类因子的这种非负相关性定义如下：

{d1,d2}∈Li，若d1=-1，则d2=-1或0；若d1=1，则d2=1或0。

定义中，d1，d2为第Li类因子中的任意两个，d1=1,0,-1表示d1水平为1，0，-1；i=1,2,3。

2　模糊规则库的优化

免疫克隆选择算法(Clone Selection Algorithm, CSA)是基于细胞的克隆选择原理提出的，与其他最优化算法相比，在收敛性、结果可靠性等方面具有一定优越性[8-9]，因此，选取CSA作为模糊规则库优化的基本方法。但是，由于CSA的最终优化结果为单一最优解，而模糊规则库的优化期望值为数条模糊规则，为此通过增加抗体净化环节，设置抗体群亲和力函数，同时结合CPC因子的主要性质，建立了模糊规则库的优化模型，具体分析步骤如下。

(1)初始化抗体群

抗体群的初始化是指随机或者按照某种既定方式生成研究对象的初始抗体。本文的研究对象是FCREAM中由9个CPC因子及其对应的控制模式构成的模糊规则库，因此每个抗体由10条编码组成。令迭代次数max=50，本次迭代i=1，随机生成的抗体群规模为N=10 000，记为A：

(1)

式(1)中，Aj表示抗体群的第j个抗体，j=1,2…,N-1,N；a1(j)表示第j个抗体的第I条编码，I=1,2,…,9,10。a1(j)中，I=1,2,…,8,9时，分别代表9个CPC因子，基于CPC水平的表示方法，则每条编码的随机产生方式见式(2)。而a10(j)与控制模式相对应，不属于随机生成的范畴，由CPC评估水平确定。

a1(j)=round(1-2×rand)

(2)

(2)抗体克隆

依据克隆选择原理，抗体克隆的数量与亲和力大小成正比，因此，需要建立能够反映抗体性能的亲和力函数。而从数学角度对CPC的非负相关性进行分析可知，在同类因子中，两个因子间的欧氏距离越小，与飞行实际的相符性越大。为此，本文选取L1，L2，L3中的3组因子：CPC6与CPC8，CPC3与CPC7，CPC1与CPC4，作为衡量同类因子之间欧氏距离的代表因子，建立了单个抗体的亲和力函数f(Aj)和抗体克隆函数Qs。f(Aj)=

(3)

(4)

式中，f(As)，Qs分别代表j=s时的亲和力大小、克隆数量，s=1,2,…,N-2,N；β为放大系数，设定为β=10×N=100 000。

(3)抗体变异与修正

(5)

CPC的内在依赖性指出，某些因子的性质会受到其他因子的影响而改变，因此抗体变异完成后，需要对抗体中与飞行实际不相符的编码予以修正，为此依据改进的CPC因子依赖规则对每个抗体的前9条编码进行调整，然后基于基本法中控制模式的确定方法，对第10条编码进行重新确定。

(4)抗体净化与选择

抗体群的随机生成和变异操作均可能产生重复抗体，给最终的模糊规则库带来重复规则，影响预测效果，因此本文增加抗体净化环节，在进行局部最优搜索时，首先去除与之前得到的j-1个局部最优相重复的抗体，而抗体选择主要完成对净化后的Aj抗体群的局部最优搜索任务，具体净化和选择过程见表2。

表2　抗体净化和选择过程表

注：B(m)表示当j=m时，Am抗体群的局部最优抗体。

(5)计算抗体群亲和力并判断。

为判断迭代过程中抗体群的优劣，引入抗体群亲和力函数Fi，见式(5)作为判断标准，该值越小表示得到的抗体群水平越优。在搜索完成后，选出历次迭代亲和力最小值对应的抗体群，即为最优模糊规则库。值得注意的是，为保证算法的收敛性，优化模型中将传统CSA中的记忆功能进行了重新定义，由原先对每次迭代完成后最优抗体的记忆调整为对最优抗体群的记忆。

(5)式中，Fi表示第i次迭代完成后抗体群的亲和力函数值，f[B(j)]表示第j个局部抗体群的最优值B(j)的亲和力值。

基于以上分析，通过优化模型将模糊规则库中原有的19 683条规则优化为10 000条，从而得到了改进的FCREAM，用于对飞行员人因可靠性的预测分析。

3　方法有效性的验证

2013年7月6日11时28分，一架由仁川国际机场飞往旧金山国际机场的波音777-200客机准备降落，但在着陆前飞机偏离跑道，造成大量人员伤亡。据悉，当日天气状况对飞机降落无影响，当时正在执行驾驶任务的飞行员为机组副驾驶员，该机型总飞行时间为43 h，降落时由于跑道自动提示系统无法使用，需要目视降落。当班次机长具有3 220 h的波音777飞行经验。为验证改进的FCREAM的有效性，采取回看分析法，对“韩亚214航班事故”进行预测，并将预测结果与实际发生结果进行对比分析。方法中，输入、输出模糊隶属函数采用三角形分布。

3.1飞行员人因可靠性预测

在此，邀请5名航空专家对上述案例的CPC因子进行打分，并取平均值作为最终的评估值，同时设定4组值与该评估值进行对比，具体评估和设定值见表3中Y，S1，S2，S3，S4，其中S3与S4间只有微小变化，用于检验方法的敏感性。采用改进前后的FCREAM分别对飞行员人因失效预测值进行计算，得到P1，P2，依据CREAM基本法的预测方法得到对应的控制模式及其人因失效概率范围值P3。

表3　飞行员人因可靠性预测表

3.2结果分析

由表3可知，应用改进的FCREAM求得上述案例中飞行员的人因失效预测值为0.052 5，隶属于机会型控制模式，表示操作员由于面对新的环境或本身知识欠缺，极有可能发生事故，与案例中飞行员的驾驶经验及其发生结果相吻合。从表中4组情境环境下P2的变化情况可知，改进的FCREAM随着情境环境水平的提高人因失效概率值均减小，并且与基本法中对应的控制模式相匹配，符合实际。在情境环境为S3，S4时，P1无明显变化，而P2变化值为0.000 15，表明改进后的FCREAM较改进前敏感性增强。

另外，由于模糊规则库优化后模糊规则的减少，可能导致结果不连续而无法用于实际预测。为更好地观察CPC因子与人因失效概率值的对应情况，将9个输入的高维度问题进行简化，仅选取CPC8和CPC9两个CPC因子进行变动，而余下因子设为固定值，得到图1。显然，方法的结果连续性较好。

图1　FCREAM规则曲面

4　结语

以飞行案例实际为基础，通过对CPC性质的分析，并结合免疫克隆选择法，优化了模糊规则库，完成了对FCREAM的改进，以用于飞行员人因可靠性的定量预测，分析结果表明，利用改进的方法得到的预测结果随着系统情境环境水平的降低，人因可靠性概率逐渐减小，并且与基本法中的控制模式及其对应的概率范围相匹配，证明方法具有一定的可靠性。而当情境环境水平变化较小时，改进的FCREAM较改进前敏感性得到增强。同时，在去除方法中模糊规则库的冗余模糊规则后，结果的连续性并未受到影响。由此可见，改进的FCREAM是一种有效的飞行员人因可靠性定量预测方法。

[1]俞选民,徐浩军,刘莉，等.飞行事故人因分析及飞行员可靠性建模研究[J].微计算机信息,2010,26(11):182-184.

[2]ALVARENGA M A B, MELO P F F E, FONSECA R A. A critical review of methods and models for evaluating organizational factors in human reliability analysis[J].Process in Nuclear Energy,2014,75(4):25-41.

[3]杨利钢.一种改进的人因失误概率量化方法及其应用研究[D].衡阳:南华大学,2011.

[4]陆海波,王媚,郭创新,等.基于CREAM的电网人为可靠性定量分析方法[J].电力系统保护与控制,2013,41(5):37-41.

[5]YANG Z L,BONSALL S,WALL A, et al. A modified CREAM to human reliability quantification in marine engineering [J].Ocean Engineering, 2013,58(2):293-303.

[6]KONSTANDINIDOU M,NIVOLIANITOU Z,KIRANOUDIS C.A fuzzy modeling application of CREAM methodology for human reliability analysis[J].Reliability Engineering and System Safety,2006,91(6):706-716.

[7]HOLLNAGEL E M. Cognitive reliability and error analysis method [M].Oxford (UK): Elsevier Science Ltd, 1998.

[8]石刚,马佳,赵伟.免疫克隆选择算法的研究与应用[M].沈阳:东北大学出版社,2014:69-78.

[9]GAN Z H, CHOW T W S, CHAU W N. Clone selection programming and its application to symbolic regression[J]. Expert Systems with Application, 2009, 36(2):3996-4005.

裴立冠，男，1990年生，硕士，主要研究方向为人因可靠性和飞行安全。

Quantitative Prediction for Human Reliability of Pilot Based on FCREAM

QIAO Weiwei1PEI Liguan2LU Jianhui1CHEN Dongfeng1

(1.FlightInstitute,AviationUniversityofAirForceChangchun130022)

FCREAM is improved for quantitative prediction of pilot’s reliability. On the basis of flight system, the inter-dependency and the same kind of factors’ uncorrelation of CPC are analyzed. Antibody cleaning of CSA is added and the objective function of the antibody-set is made, along with CPC’s quality, the rule set of FCREAM is optimized. The retrospective analysis method is adopted to analyze and predict “ Asiana Airlines OZ214 flight accident” by FCREAM before and after the improvement and then the predicted results are compared and analyzed. The results show that the prediction in the improved method is uniform with the reality and has strong continuity, meanwhile its sensitivity becomes stronger and is one kind of effective prediction method.

pilothuman reliabilityFCREAMCPC

国家自然科学基金(61102120)。

乔巍巍，女，1969年生，博士，副研究员，主要研究方向为飞行安全。

2015-03-16)