基于改进CREAM的无人机操作员人因可靠性分析

浦同争 何敏 宗容 刘军奇

随着无人机技术的快速发展,无人机被广泛应用于军事及民用领域,但伴随着无人机相关的事故也逐渐上升.虽然随着无人机各种关键技术(新能源及动力技术、新型航空材料、航空微电子系统、空气动力技术等)的高速发展,无人机无论在性能上还是操作性、可靠性等方面都取得了长足进步,但仍不具备人们所期望的可靠性与安全性.近年来,据不完全统计,美国空军无人机系统就发生涉及3大类11个型号81起事故灾难性事故案;从2009年至2014年,FAA通过UAS A&I(Preliminary Reports of Accidents and Incidents Database)平台来收集民用无人机共涉及44个型号274起事故/事故征候[1].目前,无人机系统的安全性及可靠性作为一个新的研究热点受到广大学者及专家的广泛关注.相关研究工作主要集中于系统整体可靠性分析及研究、无人机飞行相关可靠性研究、无人机着陆稳定性,无人机可靠性设计及无人机可靠性管理系统等[2−10].据无人机事故分析,无人机操作的可靠性及其可靠性因素在很大程度上均与人的因素有关.因此,进行无人机系统操作人因可靠性研究工作对于降低无人机系统操作人为差错发生概率、提高无人机系统操作可靠性具有重要意义.

近年来,有部分专家学者针对无人机操作员人因可靠性开展了一些尝试性的研究,但大多主要集中于无人机操作员人因可靠性的影响因素分析[11−13],关于特定情景环境下无人机操作员人因可靠性的定量分析研究还未受到重视.无人机驾驶受环境、训练、人机环境等众多因素影响,无人机驾驶过程主要由认知、观察、判断、执行等一系列活动组成.CREAM方法的核心思想正是基于人完成任务时所处的情景环境,利用影响人的认知控制模式和其在不同认知活动中的效应,从而影响人的行为;且CREAM基本法通过对情景环境量化处理能有效解决缺乏数据这个难题,避免对失误数据的依赖.目前,CREAM方法已经在核工业、航空航天、交通运输等领域广泛应用,并取得很好的效果[14−17].

根据无人机系统中人因失误产生机理及影响因素,结合无人机操作特性,利用改进CREAM基本法构建了无人机操作员CPC因子集,并针对CREAM基本法预测结果不够精确且概率区间存在交叉等问题,对CREAM方法进行改进,利用改进的CREAM方法对无人机操作员人因可靠性进行定量分析研究.

1 无人机系统操作员可靠性人因分析

无人机系统操作是人–机–环境相互交互的一个过程.在此过程中,操作员按照任务指令或预定程序要求,通过获取的系统参数、无人机状态、飞行环境等信息对无人机系统进行分析感知;然后执行相应动作.其中,外界环境条件、操作员本身、组织因素、任务及无人机系统均会对任务执行产生影响,导致操作行为不符合任务要求,产生人为差错.

根据以上分析,无人机系统的操作并不是随机的,而是基于操作员的认知活动,并受到任务情景的影响.无人机操作中人的认知模型如图1所示.

根据CREAM方法,在无人机系统操作过程中,操作员认知行为存在许多失效模式,不同的失效模式对应相应的失效概率,如表1所示.

CREAM方法将任务所处的情景环境影响因素归纳成九大因素,统称为共同绩效条件(Common Performance Condition,CPC),涵盖了影响情景环境的各个要素(组织管理、工作条件、人机交互等).根据无人机系统操作实际,CREAM方法中的CPC因子并不能直接应用于其中,通过对无人机人因相关因素的统计分析,无人机系统操作CPC因子调整如表2所示.

CREAM基本法的基本思想[18]:根据人完成任务所处的情景环境,获取相应CPC因子水平,并确定其绩效效应,然后由综合的绩效效应确定该任务所处的控制模式(即战略型、战术型、机会型及混乱型),如图2所示.相应的控制模式对应一个概率区间,如表3所示,即某确定环境下的人员可靠性.在某一确定任务下的人员失误率(Human Error Probability,HEP)根据分解任务得到人员相关的失误概率,然后利用CPC影响程度修正基本失误概率.

表1 失效模式及失效概率对照表

2 改进的CREAM方法

CREAM基本法在人因失误概率预测具有操作简单、应用方便等特点.但CREAM基本法未考虑CPC因子权重,视为同等重要,容易引入误差;此外,根据任务的情景环境确定相应的控制模式,最终只是得到任务发生失效的概率区间,且相邻的概率区间存在重叠,造成最终评估结果存在瑕疵.在实际工作当中,CPC因子重要程度存在差异,且相应任务的情景环境及控制模式均是连续的,CREM基本法中将其离散化了.针对CREAM基本法以上存在的问题,采用序关系分析法确定CPC因子的权重系数,构建了HEP与控制模式连续区间函数,根据绩效可靠性效应得出最终失效概率确定值.

图1 无人机操作中人的行为认知模型

表2 共同绩效条件和绩效可靠性

图2 控制模式与CPC关系图

表3 控制模式及对应HEP区间

2.1 情景环境指数量化

假设情景环境指数为β,其值为CPC因子综合绩效效应之和.为方便计算,对CPC因子绩效效应量化处理有

其中,CCPCi为第i个CPC因子绩效效果量化值.

假设第i个CPC因子的人因可靠性影响权重为wi,则有

2.2 基于序关系分析法的CPC因子权重计算

序关系分析法根据专家经验确定影响因素重要度顺序,通过对评级指标相对重要程度的比较,最终得出各评价指标的权重系数.该方法具有计算简单、定量及定性相结合、实用等优点,而且有效克服了层次分析法计算复杂、一致性检验等问题.序关系分析操作步骤如下.

2.2.1 序关系确定

若评价指标xi相对于某评价目标的重要性程度大于(或小于)xj时,则记为 xi?xj.依此类推,根据专家经验建立评价指标与评价目标的关系式即称评价指标 x1,x2,···,xm之间按“?”确定了序关系.其中,表示{xi}按关系“?”排定顺序后的第i个评价指标(i=1,2,···,m).

2.2.2 评价指标间重要程度判断

设专家关于评价指标xk−1与xk的重要性程度之比ωk−1/ωk的理性判断分别为

当m较大时,可取rm=1.rk的赋值如表4所示.

表4 rk赋值表

2.2.3 权重系数计算

假设 x1,x2,···,xm具有序关系 x1?x2? ···?xm,且 rk与 rk−1满足下式:

则有

其中,m为评价指标的数量.

2.3 人员失效概率计算

假设控制模式是一个连续区域空间[19],用X表示,x为情景指数,且x∈X为X空间的变量;控制模式与HEP值为一一对应关系,HEP与控制模式之间的关系可用函数表示为:

HEP值与情景环境指数x之间呈指数关系[18],式(7)可表示为:

其中,K,λ为常数;x变量与情景环境相关,且当情景环境如果是平衡的,则x=0.相应地,当“改进”、“降低”效应均为0时,x的值也为0,于是有

假设9个CPC因子具有相同的重要程度,则当“改进”之和与“降低”之和分别达到最大、最小值时,即β=7/9,情景环境为最优且HEP值最小.相应地,β=1时,HEP值最大.根据式(8)可得:

其中,HEPmin、HEPmax分别为HEP的最小值及最大值.由表3,HEPmin=0.00005,HEPmax=1.代入式(10)可得:

将式(11)代入式(8)可得HEP的计算公式如下:

2.4 讨论

目前,关于CREAM方法在人因可靠性的应用主要分为两类.第一类首先通过CPC因子集得到其情景影响指数,然后得到其对应的控制模式,最后计算其人因失效概率;另一类,首先通过相关推理规则建立CPC因子与控制模式之间的关系,然后根据CPC因子相应的权重综合CPC因子集,最后计算其失效概率值.改进CREAM方法与现存CREAM方法比较汇总如表5所示.

由表5可知,改进方法相比CREAM基本法[18]更加科学合理,预测结果更加准确;与模糊CREAM方法[20]相比,改进方法操作更加简单高效.

为验证式(12)的合理性,选取不同情境进行分析,如表6所示.

表6中,改进CREAM方法所得的HEP相应评估值与CREAM基本法HEP区间值范围吻合;此外,根据图3及式(12)可知,随着改进、降低之和增加/减少HEP的值也随着增加/减少,进一步验证改进方法的合理性.

表5 改进CREAM方法与现存CREAM方法比较表

表6 不同情景的HEP评估值及失效概率区间对照表

图3 改进CREAM方法HEP函数曲线

3 实例分析

3.1 实例描述

以某型固定翼无人机着陆为例,具体过程:无人机从一定高度(一般为10m)下滑,至3m左右,根据无人机距地面高度及速度,开始拉平;随着高度的降低,减少俯角及下降速度,0.5m左右转入平飘;无人机平滑降到0.2m开始控制速度(80∼90km/h)使主轮接地;主轮滑跑后在速度小于40km/h后刹车,最终实现无人机完整着陆,如图4所示.

图4 某型无人机着陆过程示意图

下面选取同一操作员不同情景环境的操作数据,采用改进后的CREAM方法计算其人因可靠性.具体案例如下:

案例I:降落时间上午6:05,临时巡查任务,能见度一般,干扰因素多,操作员判断、识别、预测无人机状态变化反应一般,小组成员的分工协作一般;

案例II:降落时间上午10:15,常规巡查任务,能见度好,干扰因素少,操作员判断、识别、预测无人机状态变化反应及时,小组成员的分工协作良好.

案例III:降落时间下午8:06,常规巡查任务,能见度差,干扰因素多,操作员判断、识别、预测无人机状态变化反应良好,小组成员的分工协作良好.

3.2 无人机操作员人因可靠性预测

对照无人机操作规范及相应管理规定,邀请3名资深教练员对该操作员不同情景环境的CPC因子期望效应进行评价,统计平均后得到该操作员最终CPC量化评分如表7所示.

表7 不同情景环境下CPC因子效应量化值

选取3名专家根据CPC因子之间的相互关系,采用2.2节介绍的序分析法确定不同情景下的CPC因子权重,如表8所示.

表8 不同情景环境下CPC因子权重

将表7和表8的结果代入式(12),得到不同情景环境下该操作员执行任务可能发生人因失效概率值(保留小数点后五位),如表9所示.

表9 不同情景环境下操作员的人因失效概率

3.3 结果分析

采用CREAM基本法分析可得该操作员在不同情景下的控制模式依次分别为战术型、战略型、战术性,与改进方法结果对比如表10所示.

表10 不同情景环境下HEP对照表

由表10可知,不同情景环境下CREAM基本法得到的失效概率预测值均为战术型,无法体现不同CPC因子绩效效应下失效概率的差异;采用改进的CREAM方法获得的失效概率,反映了不同CPC因子绩效效应下失效概率的差异,更加科学合理,符合无人机操作过程变化特点;此外,改进的CREAM方法计算结果更加准确,提供的精度更高.

4 结论

根据无人机操作的“人–机–环境”特点,分析建立了无人机操作员CPC因子集,通过序关系分析法确定了CPC因子的贡献度,并建立了情景环境指数与控制模式之间的连续区间函数.通过实例分析,改进方法相比CREAM基本法对不同情境下人因可靠性更敏感,预测结果更加科学合理,并解决了CREAM基本法中存在不确定性的问题.

在实际工作中,改进的CREAM方法为无人机操作员考核评价提供了新的思路;通过该方法预测无人机操作过程中可能出现的操作差错概率,能有效地避免出现重大安全事故的概率,同时也为无人机操作员相关训练提供数据支持.为满足未来复杂情境环境下的人因可靠性的需求,可考虑与深度学习、智能决策等技术相结合,进一步提升人因可靠性分析、判断、优化的能力.