煤矿采掘作业人员情景意识可靠性影响因素分析
2017-08-31陈兆波郝丽萍曾建潮李亨英
陈兆波,郝丽萍,曾建潮,李亨英
(1.太原科技大学 经济与管理学院,山西 太原 030024;2.太原科技大学 工业与系统工程研究所,山西 太原 030024; 3.中北大学 计算机与控制工程学院,山西 太原 030051)
煤矿采掘作业人员情景意识可靠性影响因素分析
陈兆波1,2,郝丽萍1,曾建潮3,李亨英1
(1.太原科技大学 经济与管理学院,山西 太原 030024;2.太原科技大学 工业与系统工程研究所,山西 太原 030024; 3.中北大学 计算机与控制工程学院,山西 太原 030051)
为研究煤矿采掘作业人员情景意识(SA)的主要影响因素,以煤矿操作规程为依据,分别构建感知、理解、预测的贝叶斯网络模型,并利用层次分析法、语义数字概率估计法及三角模糊法等方法确定节点的条件概率分布。然后,利用串联系统的可靠性向量法对SA可靠性进行定量分析与比较,从而得到影响煤矿作业人员SA可靠性的主要因素。结果表明:培训是影响感知、理解的主要因素,而心智模式是影响预测的主要原因。心智模式对于整个SA串联系统的影响最大,个人素质和经验次之,然后是培训。该模型可以为煤矿领域个体作业人员SA可靠性研究提供支持。
煤矿安全;情景意识(SA);贝叶斯网络;感知;理解;预测
根据ENDSLEY的定义,情景意识(situation awareness,SA)是指在一定时间和空间内对环境中各组成要素的感知、对要素内在含义的理解以及对系统未来变化状况的预测[1]。大量研究表明,情景意识是不安全行为发生的主要原因。据统计,造成煤矿安全事故的不安全行为中,有59.1%的不安全行为是由于煤矿作业人员对矿井人-机-环相关因素的感知、理解及预测出现偏差所致[2],即作业人员的情景意识差是煤矿作业人员不安全行为发生的重要原因。因此,从情景意识的角度研究煤矿作业人员不安全行为的抑制策略是非常有意义的。
目前,SA理论已经受到学术界和实业界的广泛关注,并逐渐发展成为心理学和人因工效学领域的前沿研究问题之一[3],Human Factors等期刊都先后开辟了情景意识理论的特辑。在交通方面,WALKER等[4]研究了培训对汽车驾驶员SA的影响;YOUNG等[5]研究了视听干扰对汽车驾驶员SA的影响作用。在核电方面,李鹏程等[6]分析了核电厂数字化主控室操纵员的SA失误问题;戴立操等[7]针对核电厂操纵员,研究了操纵员SA的主要影响因素。在航空方面,ENDSLEY等[8-9]基于航空领域安全报告的统计分析发现,与SA相关的失误中,有76.0%的失误发生在第一层,即未能正确感知信息导致的,20.3%发生在第二层,即未能理解情境导致的,3.4%发生在第三层,即未能正确预测未来情境造成的;王永刚等[10]分析了影响空中交通管制员SA形成与保持的因素;杨家忠等[11]研究了管制扇区内航空器的动态变化和扇区内的航空器数量对管制员SA的影响;CUNNINGHAM等[12]采用现状评价方法,通过利用在线调查问题的技术来测量操作员的SA。在航海方面,SANDHALAND等[13]通过调查23起碰撞事故报告,研究分析了人、技术、组织因素如何影响值勤人员的情景意识;SNEDDON等[14]研究了压力和疲劳对海上钻井工人SA的影响关系。上述研究大多是通过实证方法借助某种SA测量方法,研究培训、干扰、疲劳、工作负荷等因素对作业人员个体SA的影响。此外,还有一些学者为了减少作业人员在异常环境下操作者个体SA的差错,研究基于SA理论的决策支持系统[15-17]。但现有的SA研究主要集中在航空、航海、核电、交通、医疗等领域,煤矿领域SA研究尚未发现。
在SA的可靠性研究方面,戴立操等利用贝叶斯网络研究了核电厂操纵员的SA主要影响因素;李鹏程等[18]结合模拟机实验数据和贝叶斯理论,建立并完善了核电厂操纵员的SA可靠性模型。虽然已有的很多研究数据是通过模拟实验得到,但是笔者构建的贝叶斯网络涉及2 796个参数,数据量较大,不适合通过模拟实验得到数据。因此,笔者通过确定一种规范合理的方法来确定贝叶斯网络的条件概率分布,从而有效地推理分析得到煤矿作业人员SA可靠性的主要影响因素。现有的研究主要是从总体层面分析影响SA的因素,很少有研究从感知、理解、预测这3个层次进行深入研究。由于个体的情景意识受环境、任务、组织及个人等众多因素的影响,难以获得大量的数据来建立因素之间影响关系和影响程度的精确模型。因此,笔者将借助贝叶斯网络模型在解决不确定性问题中的优势,通过概率推理,分析得到煤矿作业人员SA各层次的主要影响因素。由于SA是一个串联系统,故利用张鹏等[19]提出的串联系统的可靠性向量方法,对SA可靠性的安全概率及失效概率进行度量与分析,得到煤矿作业人员SA可靠性的主要影响因素。
1 SA的贝叶斯网络因果图构建
煤矿采掘作业人员情景意识的贝叶斯网络因果图主要包含两个部分:影响因素(节点)和因素之间的因果关系。基于煤矿操作规程,通过分析采煤机司机的工作任务,结合事故报告及其他相关文献资料,从组织、任务、环境、个人因素4个方面总结归类了影响感知、理解、预测的因素。因素间的因果关系通过查阅《煤矿本质安全管理》、《安全原理》、《人因工程学》、《煤矿安全技术与管理》、《认知心理学》等[20-24]相关文献资料获得。
1.1 煤矿采掘作业人员感知的贝叶斯网络因果图
对于影响感知的因素,从环境、任务、组织、个人因素4个方面进行分析,选定16个节点构建该贝叶斯网络因果图。由于涉及参数多达2 796个,为简化计算,增设了人机交互水平、个人记忆水平和个人能力与团队合作3个节点,最终确定由该19个节点构建煤矿挖掘作业人员感知的贝叶斯网络因果图,如图1所示。
图1 煤矿采掘作业人员感知的贝叶斯网络因果图
1.2 煤矿采掘作业人员理解的贝叶斯网络因果图
对于影响理解的因素,从组织、任务、个人因素3方面分析。组织因素是指培训;任务因素包括工作设计、脑力负荷;个人因素包括个人素质和经验、记忆、心智模式、期望,其中记忆包含短时记忆和长时记忆。最终选定8个节点构建了煤矿采掘作业人员理解的贝叶斯网络因果图,如图2所示。 从图2可知,培训和工作设计是影响理解的根本原因,记忆、心智模式、期望、脑力负荷是影响理解的直接原因。
图2 煤矿采掘作业人员理解的贝叶斯网络因果图
1.3 煤矿采掘作业人员预测的贝叶斯网络因果图
预测主要受个人自身因素的影响,受其他外在因素的影响较小。通过分析,从个人素质和经验、心智模式、个人性格缺陷等方面来分析影响预测的主要原因,构建对应的贝叶斯网络因果图,如图3所示。
图3 煤矿采掘作业人员预测的贝叶斯网络因果图
2 贝叶斯网络参数的确定及检验
贝叶斯网络参数主要包括根节点与中间节点条件概率分布的确定,以及节点间条件独立性检验两个部分。其中,根节点的概率分布的确定,笔者主要利用专家打分法结合三角模糊法处理数据得到;中间变量的条件概率表主要利用ROED等[25]提出的公式计算得到。节点间的条件独立性通过互信息进行检验。
2.1 根节点概率的确定
根节点概率的确定步骤如下:①设计专家打分所需的概率刻度尺,其设计方法参照文献[26];②选择3名有经验的煤矿领域专家组成专家组;③专家利用概率刻度尺分别对各根节点的好、中、差3个状态发生的概率进行打分;④对得到的模糊概率进行均值化处理,进一步采用均值面积法解模糊,最终得到各根节点的概率分布。
2.2 中间节点条件概率分布的确定
由于构建的贝叶斯网络因果图所涉及的节点及参数较多,主观确定概率的计算工作量较大,因此有必要选取一种规范化的方法来确定中间变量的条件概率分布,具体步骤如下:
(1)确定相对权重。利用层次分析法确定某一中间节点直接相连的父节点的相对权重wi,i=1,2,…,n,其中n为其父节点变量的个数。
(2)计算父节点与子节点在不同状态下的加权距离的绝对值。文献[18]对文献[25]所提出的计算距离的绝对值公式进行了改进,并提出用父节点、子节点各状态之间的加权距离的绝对值来分配节点变量分别处于好、中、差3个状态的概率,有效地解决了正负距离抵消的问题。因此,利用式(1)来计算加权距离的绝对值:
(1)
式中:n为某一贝叶斯网络因果图中父节点变量的个数;j为所考虑的子节点变量可能的状态,j=(a,b,c),a、b、c分别表示状态“好”、“中”、“差”,计算时,令a=2,b=1,c=0。
(3)确定R指数的值。采用ROED等提出的概率分布公式进行计算:
(2)
由于缺乏大量确定性的数据,无法利用现有数据得到R值。因此,需要利用公式推导的方法得到R值。首先,利用语义数字概率估计法得到节点变量处于a状态与c状态间的概率的比值,并利用三角模糊法处理数据,得到精确倍数值x。然后,再代入公式,计算得到R值。确定倍数的概率刻度尺与图4类似。
图4 影响感知的因素间语义-数字概率调查问卷示意图
假设Pa与Pc的概率值之比为x,即:
(3)
节点变量处于好的状态的概率值是处于差的状态的概率值的x倍,由此可计算出R值,即:
(4)
(4)计算得到各子节点的条件概率分布表。将对应的D值、R值代入式(2),计算得到各贝叶斯网络涉及的各子节点各个状态对应的条件概率分布。
2.3 节点间的独立性检验
互信息的计算公式为:
(5)
式中:H(Xi)为随机变量Xi的熵;H(Xi|Xj)是随机变量Xi的条件熵。
(6)
(7)
互信息具有非负性,即I(Xi;Xj)≥0,当且仅当Xi和Xj相互独立时等号成立(Xi和Xj越倾向于独立,I(Xi;Xj)越接近于0),因此可用于随机变量之间独立性检验[27]。
以理解贝叶斯网络因果图中的节点X为例,与X直接相连的节点分别为U、V、W、GG,其他节点与X点不直接相连,其互信息值如表1所示。以预测贝叶斯网络因果图中的节点E为例,与其直接相连的点为O、V,其互信息值如表2所示。由表1、表2可知,与节点X、E不直接相连的节点的互信息值均小于0.01,因此节点X、E分别与其不直接相连的节点独立。同理,其他节点也均通过了检验。
表1 节点X的互信息值
表2 节点E的互信息值
3 煤矿采掘作业人员SA的主要影响因素分析
3.1 感知、理解、预测的主要影响因素分析
通过对已构建的感知、理解、预测的贝叶斯网络模型进行推理分析,可以定量比较各节点对于感知、理解、预测的影响大小,从而识别得到主要的影响因素。
(1)当感知状态差即S=c时,只改变一个根节点变量,如令A=c,观察S=c的概率变化大小。其中各根节点状态差时对感知的影响情况如表3所示,中间节点状态差时对感知的影响情况如表4所示。由表3可知,培训E对感知的影响最大,其次是自然环境B、设备完备性A。由此可见,组织培训的进行及个人接受培训知识的水平会很大程度地影响个人感知水平。由表4可知,个人素质和经验O对感知的影响最大,其次是设备可靠性V和注意力K。由于感知受环境、任务、组织和个人四大因素的影响,所以可以从这4个方面分析各因素对感知的影响程度,结果如表5所示,可以看出个人因素对感知影响最大,这一结论与已有的研究结果相一致,充分证明了个人因素是造成感知失误的主要原因。
表3 根节点对感知的影响大小比较
表4 中间节点对感知的影响大小比较
表5 四大因素对感知的影响大小比较
(2)当理解状态差即X=c时,只改变其中一个节点变量,观察X=c的概率变化大小,其中各节点状态差时对理解的影响情况如表6所示。
由表6可知,培训E是影响理解的主要根原因。在直接影响理解的因素中,期望W是主要原因,其次是心智模式V,记忆U对理解的影响最小。分别调整组织、任务、个人三大因素中的各节点状态,观察其对理解的概率影响大小,结果如表7所示,可以看出对理解影响最大的因素是个人因素,组织因素次之,任务因素相对而言对理解的影响最小。
表6 各节点对理解的影响大小比较
表7 三大因素对理解的影响大小比较
(3)当预测状态差即Z=c时,只改变其中一个节点变量,观察Z=c的概率变化大小 ,其中各节点状态差时对预测的影响情况如表8所示,可以看出心智模式V是影响预测的最主要因素,其次是个人素质和经验O。
3.2 情景意识可靠性的影响因素分析
根据ENDSLEY的定义,情景意识是由感知、理解、预测构成的一个串联系统,首先作业人员对环境、设备等信息进行感知,其次对于感知到的信息进行理解分析,最后根据理解后的信息进行预测。笔者采用张鹏等提出的串联系统的可靠性向量方法,对SA可靠性的安全概率及失效概率进行了度量。
表8 各节点对预测的影响大小比较
通过上述分析可知,培训E、个人素质和经验O、设备完备性A、自然环境B、注意力K、心智模式V等是影响感知、理解、预测的主要因素。因此,选定这些因素来分析其对SA的影响大小。
假设系统由N个单元组成,且系统和每个单元都有安全、中介、失效3种状态,系统可靠性可以用可靠性向量φ=Pa+Pb+Pc来表示,其中,Pa∈[0,1],Pb∈[0,1],Pc∈[0,1],且Pa+Pb+Pc=1。Pa为处于安全状态的概率,简称安全概率;Pb为中介概率;Pc为失效概率。
系统安全概率和失效概率的计算步骤如下:
(1)分别列出N个单元中各单元的可靠性向量[Pan,Pbn,Pcn],n=1,2,…,N。
(2)串联系统的安全概率Pa的递推公式为:
(8)
(3)串联系统的失效概率Pc的递推公式为:
(9)
其中,相关系数λ∈[0,1],相关性越强,λ值越小。
(4)由Pa+Pb+Pc=1可知中介概率Pc=1-Pa-Pb。
根据已构建的贝叶斯网络模型,得到感知、理解、预测分别处于好、中、差3种的概率分别为Pai,Pbi,Pci,i=(1,2,3),感知为单元1,理解为单元2,预测为单元3,也即这3个单元的可靠性向量分别为:φ1=[Pa1,Pb1,Pc1],φ2=[Pa2,Pb2,Pc2],φ3=[Pa3,Pb3,Pc3]。
通过计算得到SA的可靠性向量[Pa,Pb,Pc],之后调整节点E的状态,令E=c,观察并记录感知、理解、预测三者的状态概率变化,然后利用式(8)和式(9)分别计算得到调整后的SA可靠性向量。节点O、A、B、K、V的调整过程及变化概率计算同上。
由于感知、理解、预测之间的相关关系λ不可知,所以分别取[0,1]之间的11个点为λ值,并作出对应的函数图像。调整E=c,绘制的失效概率随λ变化的曲线图如图5所示。
图5 SA可靠性的失效概率变化图
根据上述分析,可以发现:
(1)由图5可知,随着λ值的不断增大,SA可靠性的失效概率也在不断增大,即失效概率随着单元间相关性程度的减小而增加。随着λ值的增大,单元间的相关性程度降低,单元1、2、3趋向于独立,当λ=1时,即3个单元处于独立时,任何一个单元失效都会造成整个系统失效,此时,系统失效概率最大。
(2)各影响因素对于SA可靠性的影响大小比较结果为:V>O>E>K>B>A。即心智模式对于整个系统的影响最大,个人素质和经验次之,其次是培训,上述三者是影响SA可靠性较大的因素。心智模式的状态会直接影响理解和预测的状态,从而影响SA可靠性,当心智模式状态差时,理解和预测这两个单元处于状态差的概率会增大,这就会造成SA可靠性失效概率增加。而上述研究结果表明,个人素质和经验是个人因素中影响个体作业人员SA最重要的因素。当作业人员缺乏经验,或个人技能、学习能力、安全意识等综合能力较低时,作业人员在对人-机-环等信息感知时可能会出现未注意到相关信息等感知失误,还可能对信息的理解判断出现差错。个人经验还会直接影响到对未来情境的预测。如果作业人员有丰富的经验,更容易在事故发生前提前做出有效、正确的判断和预测,从而可以避免事故的发生,减少人员伤亡。此外,组织培训的进行,可以有效提高作业人员的技能水平和安全意识,因此,所有煤矿作业人员在上岗前都应接受培训,包括安全教育培训和技能培训。当个体作业人员接受培训的水平较高时,作业人员可以在开始工作任务前,做好相关的安全设施配备,并准确全面地获取采掘工作所必要的信息。同时,培训的有效进行还可以提高个人素质和心智模式水平,从而为理解和预测水平的提高提供基础。
(3)注意力K也会对作业人员的SA造成一定的影响,自然环境B和设备完备性A次之。注意力是人的感觉(视觉、听觉、味觉等)和知觉(意识、思维等)同时对一定对象的选择指向和集中。当注意力不集中时,会直接影响人的视觉、听觉、触觉等感官获取信息的正确率,从而影响感知水平。而设备是否完备将会影响到作业人员在作业过程中能否利用相关设备获取所需的正确信息,如煤层硬度、瓦斯含量等信息。自然环境包括矿压、水压、地温、地压及煤层地质构造情况等。井下的矿压、水压、地温、地压会影响人的触觉和平衡觉感知,如果煤层地质构造情况复杂会造成作业人员需要感知的信息量大,同时还会造成工作人员的工作负荷,最终影响感知水平。
4 结论
为了提高煤矿作业人员的情景意识可靠性,笔者利用贝叶斯网络理论从感知、理解、预测3个方面构建了煤矿采掘作业人员的SA可靠性模型,利用串联系统可靠性向量法对SA可靠性进行了定量评价与分析,得出如下结论:①通过分析煤矿操作规程,结合其他文献资料,得到影响煤矿采掘作业人员SA 3个层次的因素及因素间的因果关系,为后续煤矿领域个体作业人员SA的研究提供理论基础;②在计算各节点的概率分布过程中,由于依据专家打分法等主观判断,主观性较强,故在未来研究中,宜尽量收集客观数据进行整理分析,以更好地将定量与定性相结合,进而得到更准确的结果;③从环境、任务、组织和个人4个方面,分析影响感知、理解、预测的主要因素,再通过串联系统的可靠性向量法分析得到各相关因素对于SA可靠性的影响大小,从而得到影响作业人员情景意识的主要因素。
[1] ENDSLEY M R. Towards a theory of situation awareness in dynamic systems [J]. Human Factory, 1995,37(1):32-64.
[2] 陈兆波,曾建潮,董追,等.基于HFACS的煤矿安全事故人因分析[J].中国安全科学学报,2013,23(7):116-121.
[3] SALMON P M,STANTON N A,SALMON P M, et al. Situation awareness and safety: contribution or confusion: situation awareness and safety editorial [J]. Safety Science, 2013,56(7):1-5.
[4] WALKER G H, STANTON N A, KAZI T A, et al. Does advanced driver training improve situational awareness[J].Applied Ergonomics, 2009,40(4):678-687.
[5] YOUNG K L, SALMON P M, COMELISSEN M. Missing links: the effects of distraction on driver situation awareness[J]. Safety Science, 2013,56(7):36-43.
[6] 李鹏程,张力,戴立操,等.核电厂操纵员的SA模型与失误辨识研究[J].中国安全科学学报,2014,24(4):56-61.
[7] 戴立操,肖东生,陈建华,等.核电厂操纵员情景意识评价模型[J].系统工程,2012,30(11):83-88.
[8] ENDSLEY M R. Situation awareness and human error: designing to support human performance[C]∥Proceedings of the High Consequence Systems Surety Conference.[S.l.]:[s.n.] ,1999:287-292.
[9] ENDSLEY M R, GARLAND D G. Pilot situation awareness training in general aviation[C]∥Proceedings of the 14th Triennial Congress of the International Ergonomics Association and the 44th Annual Meeting of the Human Factors and Ergonomics Society. [S.l.]:[s.n.], 2000:357-360.
[10] 王永刚,陈道刚.基于结构方程模型的管制员情景意识影响因素研究[J].中国安全科学学报,2013,23(7):19-25.
[11] 杨家忠,RANTANEN E M,张侃.交通复杂度因素对空中交通管制员脑力负荷与情境意识的影响[J].心理科学,2010,33(2):368-371.
[12] CUNNINGHAM J C, BATTISTE H, CURTIS S, et al. Measuring situation awareness with probe questions: reasons for not answering the probes [J]. Procedia Manufacturing, 2015(3):2982-2989.
[13] SANDHALAND H, OLTEDAL H, EID J. Situation awareness in bridge operations: a study of collisions between attendant vessels and offshore facilities in the North Sea[J]. Safety Science,2015,79(4):277-285.
[14] SNEDDON A, MEARNS K, FLIN R. Stress, fatigue, situation awareness and safety in offshore drilling crews [J]. Safety Science, 2013,56(7):80-88.
[15] NADERPOUR M, LU J, ZHANG G Q. An abnormal situation modeling method to assist operators in safety-critical systems[J]. Reliability Engineering and System Safety, 2015,133(1):33-47.
[16] NADERPOUR M, LU J, ZHANG G Q. A situation risk awareness approach for process systems safety[J]. Safety Science, 2014,64(3):173-189.
[17] NADERPOUR M, LU J, ZHANG G Q. An intelligent situation awareness support system for safety-critical environments [J]. Decision Support Systems, 2014,59(1):325-340.
[18] 李鹏程,张力,戴立操,等.核电厂数字化主控室操纵员的情景意识可靠性模型[J].系统工程理论与实践,2016,36(1):243-252.
[19] 张鹏,胡秀庄,孙鸿玲.失效相关下串联和并联工程系统的可靠性向量方法[J].四川大学学报(工程科学版),2004,36(1):1-6.
[20] 武予鲁.煤矿本质安全管理[M].北京:化学工业出版社,2009:86-90.
[21] 陈宝智.安全原理[M].北京:冶金工业出版社,2002:91-140.
[22] 郭伏,钱省三.人因工程学[M].北京:机械工业出版社,2007:185-197.
[23] 郭国政,陆明心.煤矿安全技术与管理[M].北京:冶金工业出版社,2006:230-231.
[24] 戈尔茨坦.认知心理学:心智、研究与你的生活[M].张明,译.北京:中国轻工业出版社,2015:120-142.
[25] ROED W, MOSLEH A, VINNEM J E, et al. On the use of the hybrid causal logic method in offshore risk analysis [J]. Reliability Engineering and System Safety, 2009,94(2):445-455.
[26] GAAG L C V D, RENOOIJ S, WITTEMAN C L M, et al. Probabilities for a probabilistic network: a case study in oesophageal cancer [J]. Artificial Intelligence in Medicine, 2002,25(2):123-148.
[27] 王双成.贝叶斯网络学习、推理与应用[M].上海:立信会计出版社,2010:16-23.
CHEN Zhaobo:Assoc. Prof.; College of Economy and Management, Taiyuan University of Science and Technology, Taiyuan 030024, China.
Analysis of the Influencing Factors of Situation Consciousness Reliability of Coal Mine Excavator
CHENZhaobo,HAOLiping,ZENGJianchao,LIHengying
To explore the main factors influencing the situation awareness of coal mine excavator, the Bayesian network model of situation awareness is established which is coalesced by three sub-models: perception, comprehension and projection based on the coal mining operation procedures. Then, the Analytic Hierarchy Process (AHP), verbal-numerical probability method and triangle fuzzy are combined to elicit the conditional probability of the Bayesian network model. Furthermore, the reliability vector method of series system is used to quantitative analysis the main factors that affect the reliability of SA for coal mining operators. The results show that training is the most important factor that influences the perception and comprehension; mental model is the main factor influencing the projection. The mental model is most important factor that impacts the entire SA series system for coal mine operators, the second most important is personal qualities and experience, and the third is training. The model can provide support for the research of SA reliability of individual workers in the field of coal mine.
coal mine safety; situation awareness (SA); Bayesian networks; perception; comprehension; projection
2095-3852(2017)04-0408-07
A
2017-02-10.
陈兆波(1983-),男,四川冕宁人,太原科技大学经济与管理学院副教授,主要研究方向为人因与系统安全.
国家自然科学基金项目(41272374);教育部人文社会科学青年基金项目(15YJC630012);山西省自然科学青年基金项目(2015021098);太原科技大学研究生创新基金项目(20151033).
X936
10.3963/j.issn.2095-3852.2017.04.007