基于AHP-BN的航空安全风险评估与诊断研究

2022-05-07谷倩倩

滨州学院学报 2022年2期

谷倩倩

(1.滨州学院航空工程学院；2.滨州学院山东省航空材料与器件工程技术研究中心;3.滨州学院滨州市航空光电材料与器件重点实验室，山东滨州 256603)

0 引言

民航作为航空运输的两翼之一，在快速发展的同时带来了很多的机遇，也对民用航空的安全水平提出了更高的要求。进入21世纪之后，民航强国建设方针的不断推进使得我国民航客运量不断上升。为保证民用航空运行的持续安全性，对航空安全管理的水平需进一步提升。

国内外许多学者针对如何提高航空运行的安全水平做了诸多的研究，这些研究主要从航空安全管理所涉及的两个重要组成部分，即航空安全风险评估与风险预测两个角度来进行。戴蓉等将时间序列法与支持向量机相结合建立飞行事故预测模型，并采用线性回归方法计算飞机事故规律的权重值，然后进行权重值分析得到飞行事故预测结果[1]。王永刚等将灰色模糊理论与神经网络两种方法相结合，构建了基于灰色神经网络的民航安全运行预测模型，运用实例进行了结果验证，表明该种方法比只运用灰色预测模型的预测精确度更高[2]。程明等主要利用多种数学统计的方法开展民航安全预测分析，通过对多种方法的比较分析，得到多元线性回归方法和自回归移动平均方法对民航安全状况预测情况较好[3]。郭媛媛等运用蒙特卡罗方法分别建立了单机风险和机队风险计算方法，分析部件故障引起的单机风险水平和机队风险水平，基于运行数据给出民用飞机单机和机队在持续适航阶段的风险水平[4]。刘梦娜在进行航空安全预测时，采用神经网络建立深度学习模型，构建了航空安全分类器，神经网络模型不仅能够对航空安全影响因素进行分类同时还能进行数据分析[5]。任博等通过对影响航空安全的确定性因素与不确定性因素开展定量分析，计算航空不安全事件发生的概率[6]。国外学者针对航空安全评估的研究主要从飞行安全[7]、机场跑道管理[8]、人的可靠性[9]等角度采用概率风险评估、故障树[10]等方法开展研究。

通过分析可以得知，国内学者的研究侧重于人工智能方法在航空安全评估与预测中的应用，利用机器学习深度发掘少量的数据所包含的信息，从而得到航空安全状况。虽然人工智能方法能够相对准确地得到航空安全水平，但在影响因素众多且各因素之间具有相关性的航空安全系统中，若考虑的影响因素范围不够广且使用的方法较单一时，则可能使最终的研究结果存在局限性。国外学者所做的研究中使用的主要以数理统计的方法居多，然而数理统计的方法对样本数据的需求量较大。随着航空安全水平的逐步提高，航空事故数据越来越少，从而限制了该类方法的适用。贝叶斯网络模型[11]作为机器学习中的经典算法，在1986年由Peal首次提出，该模型不仅能够分析各影响因素之间的关联度，同时能够对航空安全状况做出定量的评价分析;该模型在风险分析[12]、事故预测[13]等方面有较成熟的应用。

基于此，本文充分考虑影响航空安全因素的广泛性以及研究方法的科学性，将定性分析方法与定量分析方法相结合开展航空安全风险评估与诊断研究。以SHELL模型为分析基础，结合历年来航空事故数据，搭建航空安全风险评估指标体系，利用层次分析法对各评估指标进行重要度排序，筛选出主要指标作为贝叶斯网络的节点，建立基于贝叶斯网络模型的航空安全风险评估与诊断模型。通过将定性分析方法和定量分析方法相结合，对航空安全状况开展分析，为进一步提升航空安全管理水平提供参考。

1 基于SHELL模型的航空安全影响因素分析

1.1 SHELL模型介绍

图1 SHELL模型基本示意图

通过将工作中的人与其在工作中有着密切联系的因素联系起来，组成一个整体，分析它们之间的关系，其中包括软件(Software)、硬件(Hardware)、环境(Environment)和人(Liveware)。由于这四个因素的英文首字母分别为S、H、E、L,于是就将该整体称为SHELL模型，如图1所示。

任何一个工作系统，特别是航空业这样庞大而又精细的工作系统，任何一个工作连接处出了问题所带来的后果都是极其严重的。SHELL模型便提供了一种思路去寻找容易出现的安全隐患。工作中的人的行为受到若干种复杂因素的共同影响，而从SHELL模型图可以看出，安全差错容易发生在人与硬件、软件、环境以及其他工作人员之间，各个因素之间要完美的契合在一起才可以高效安全地工作。因此，本文主要从人-人、人-环境、人-硬件、人-软件4个角度来查找筛选影响航空安全的影响因素。

1.2 航空安全影响因素分析

ICAO 在 2017—2019 年的全球航空安全计划中确认的高风险事件为：跑道安全、飞机失控、可控飞行撞地 3 类事件[14]。通过对2007—2016年近10年国民航航空飞行事故数据分析得出飞行事故类型有:冲出跑道、偏出跑道、场外接触、挂高压线、挂树、撞山、撞地坠水、撞其他障碍物、发动机停车、天气、飞机失控、其他[15]，其中发生频率较高，且影响较大的3种事故类型为：冲/偏出跑道、可控飞行撞地、飞机失控。因此，在本文中运用SHELL模型重点分析导致此3种事故的影响因素，由于影响航空安全的因素不仅有定性指标同时也有定量指标。因此，在建立指标体系时采用德尔菲法、极小极大离差法对各影响因素进行筛选，最终建立如图2所示的航空安全风险评估指标体系，具体的分析步骤如下：

(1)确定最大离差

其中，j表示第j项指标。

(2)确定最小离差

(3)判断筛选指标

如果最小离差dj0≈0，则可以删除与dj0对应的指标xj0。对初步确定的评估指标全部运用极小极大离差法进行筛选剔除，得到最终的评估指标体系。

图2 航空安全风险评估指标体系

2 层次分析法-贝叶斯网络

2.1 确定各评估指标的权重

根据1.2中得到的航空安全风险评估指标体系，利用层次分析法计算各评估指标的权重值，根据权重值对评估指标进行重要度排序得出重要指标。层次分析法是一种定性与定量相结合的决策方法，尤其是在处理一些多目标、多准则或无结构特性的复杂问题时有很好的实用性[16]。基于层次分析法确定指标权重的过程如下[17]。

2.1.1 构造判断矩阵

邀请相关专家根据Saaty1-9比例标度法(见表1)规定的相应标度值，对评估指标体系中的m项一级影响因素和n项二级指标(见图2)，分别进行指标之间的重要度比较，得到相对重要度的数值分别构成判断矩阵B和Ci。

表1 判断矩阵的标度值及含义

式中，bjk表示一级影响因素中的第j项因素与第k项因素相比的重要程度。

2.1.2 一致性检验

计算一致性指标CI=(λmax-n)/(n-1)，其中λmax为判断矩阵的最大特征值，n为判断矩阵的阶数。查表2找出相应的平均随机一致性指标RI,计算一致性比率CR=CI/RI。

表2 1～8阶的平均随机一致性指标

若CR<0.1，则判断矩阵具有满意的一致性，否则需要调整判断矩阵中元素的取值。

2.1.3 计算评估指标的权重

分别对判断矩阵B、Ci的各列做归一化处理，得到

(1)

(2)

则有

W=(W1,W2,…,Wm),ωi=(ω1,ω2,…,ωn),i=1,2,…,m,

式中，

2.2 贝叶斯网络原理

图3 贝叶斯网络结构图

贝叶斯网络作为一种概率模型，主要是以无向图的拓扑结构对结构中变量之间的相互作用进行定量的分析。同时，贝叶斯网络对于处理不确定性以及复杂性问题具有良好的适用性，已被广泛应用于人工智能与专家系统中[18]。

贝叶斯网络的概念图主要有网络节点和边组成，节点代表随机变量。将贝叶斯网络应用于航空安全风险评估中，影响航空安全的风险因素便表示贝叶斯网络中的节点，节点之间通过边进行连接，表示对节点之间影响关系的假设。从而由节点和边组成的有向无环图，来表示变量之间的因果结构，如图3所示。

2.3 贝叶斯网络的建模过程

贝叶斯网络的建模过程主要包含两部分：结构学习和参数学习。首先，对各变量之间进行相关性分析，删除相关性较弱的变量，从而提高学习的效率。由于影响航空安全的因素众多，且各影响因素具有较强的模糊性,因此，对航空安全风险评估指标体系中因素进行重要度、关联度分析，剔除权重小且关联性弱的指标。其次，使用K2算法进行结构学习，确定节点之间的因果关系，得到贝叶斯网络模型图。最后，利用参数学习的方法对各节点的关联度量化分析，得到各节点的后验概率分布。贝叶斯网络中参数的学习方法主要有贝叶斯法和最大似然估计法。最大似然估计法对数据样本的需求量比较大，这样就会使处理过程变得复杂,所以结合各影响因素的特性分析，本文使用贝叶斯方法进行参数学习。

3 基于AHP-BN的航空安全风险评估与诊断模型的构建

(1)确定各评估指标的权重。运用层次分析法确定各评估指标的权重，由于层次分析法在处理一些多目标、多准则的复杂问题时有较好的适用性，且应用比较广泛。限于篇幅有限本文将不再详细论述层次分析法确定航空安全各影响指标权重的计算过程。经过分析计算得到各评估指标的权重如下。

W=(0.327,0.176,0.253,0.244),ω1=(0.227,0.240,0.308,0.225)，ω2=(0.358,0.212,0.215,0.209)，

ω3=(0.165,0.341,0.219,0.275)，ω4=(0.300,0.246,0.220,0.189)。

(2)确定贝叶斯网络节点。根据以上各评估指标权重的数值，对每组影响因素下的指标进行重要度排序，选取每组影响因素下所占权重较大的前两个指标为重要指标。经过分析得到人-人因素：机组与其他人员配合不力程度(u12)、违规操作频率(u13);人-环境因素：天气恶劣程度(u21)、航路结构复杂(u23);人-硬件因素：机载设备故障率(u32)、设备维修不合格(u34)；人-软件因素：机组人员培训不合格的情况(u41)、飞行程序设计不良(u42)，如表3所示。

表3 航空安全事故致因要素取值

图4 航空事故致因的贝叶斯网络结构模型

(3)贝叶斯网络的结构学习。为构建航空安全风险评估的贝叶斯网络模型，对表3中的影响因素采用K2算法开展航空事故结构学习，得到如图4所示的贝叶斯网络结构图。在图4的结构图中有9个节点组成，节点代表变量表示每个影响航空安全的影响因素，节点之间的连线代表变量之间的相互影响关系。通过对图4的结构图进行分析得到航空事故(M)的直接影响变量为违规操作频率(C2)、机载设备的故障率(C5)、机组人员培训不合格的情况(C7)。

(4)贝叶斯网络的参数学习。通过对贝叶斯网络结构模型分析得到，影响航空事故的3个直接影响变量为违规操作频率(C2)、机载设备的故障率(C5)、机组人员培训不合格的情况(C7)。现运用贝叶斯方法主要对这3个直接影响变量进行参数学习，如表4所示。

通过对表4分析可以得知，当3种情况皆不发生时(C2=1，C5=1，C7=1)，航空事故发生的概率为0.9；当机组人员没有出现违规操作的情况但机载设备出现故障以及对机组人员的培训不合格时(C2=0，C5=1，C7= 1)，航空事故发生的概率为0.65；当机组人员没有违规操作的情况以及机载设备无故障，但对机组人员培训不合格时(C2=0，C5=0，C7=1)，航空事故发生的概率上升为0.75；当机载设备良好运行且各机组人员培训合格，但机组人员有违规操作的情况发生时，航空事故的发生概率为0.8。由此可知机组人员违规操作以及机组人员培训不合格都会提升航空事故发生的概率。

表4 基于贝叶斯网络的航空事故参数学习结果

(5)节点后验概率分布。贝叶斯网络模型不仅可以开展航空安全风险评估，同时贝叶斯网络模型还具有故障诊断的功能。即在已知航空安全状况下，使用后验概率分析可以找出导致该结果发生的最直接的影响因素。本文利用后验概率分布结果，识别导致航空事故的关键风险因素，为航空事故发生后的原因与诊断提供依据，从而采取相应的措施避免不安全事件的发生。

假设航空事故发生的概率为100%，即节点M的取值为1，得到节点M的后验概率分布如图5所示。在航空事故100%发生的情况下，发生违规操作(C2=1)的概率最大，为94.7%；机组人员培训不合格(C7=1)的概率为92.4%;环境的恶劣程度(C3=1)概率为81.7%；设备维修不合格(C6=1)的概率为74.5%。由此可知，机组人员的失误操作与机组人员的培训不合格对航空不安全事件的发生具有直接影响，从而体现了人在航空安全系统中的重要作用。