基于HFACs-RAs的鐵路事故致因建模及混合學習方法研究.pdf

1、鐵路系統(tǒng)作為社會復雜系統(tǒng)，其技術的逐步完善一方面提升了設備的可靠性，但設備高集成度和高自動化程度也增加了人機交互的難度。因此，人員的錯誤和組織缺陷成為導致鐵路事故的重要原因。此外，事故中人和組織因素的不確定性和鐵路事故文本形式的初始數(shù)據(jù)給事故調(diào)查帶來難度。本文設計了針對中國高速鐵路系統(tǒng)事故的五階段混合學習方法，對事故中涉及的人因和系統(tǒng)組織缺陷進行定性定量分析，并基于分析結果給出事故預防手段的建議。論文主要內(nèi)容如下:
　　(1)結合

2、歷史事故數(shù)據(jù)設計了鐵路事故人因分析及分類模型(Human FactorAnalysis and Classification System-Railway Accidents，HFACS-RAs)對致因進行分類建模。由不安全行為、不安全行為的前提條件、不安全監(jiān)管和組織影響四類因素組成的HFACS-RAs模型的層次結構能夠從一線人員的錯誤行為追溯到致使人犯錯并間接導致事故發(fā)生的組織變量(Goveming Variables)因素，有助于將

3、無規(guī)律的人和組織因素變得有章可循。
　　(2)結合HFACS-RAs模型的層次分類結構設計了基于網(wǎng)絡分析法(AnalyticNetwork Process，ANP)的量化關聯(lián)性分析法。事故中人和組織致因間的影響關系被劃分為內(nèi)部關聯(lián)性和外部關聯(lián)性，并通過搭建超矩陣(Supermatrix)以計算權重。采用模糊決策試驗及評價實驗法(Fuzzy Decision Making Trail and EvaluationLaboratory

4、, F-DEMATEL)改進內(nèi)部關聯(lián)性分析過程，彌補了ANP方法參數(shù)化過程中大量專家判斷帶來的不可靠性。通過繪制致因的因果圖并計算權重，可以獲取事故的關鍵致因，從而縮小解決問題的范圍，便于有效地改善現(xiàn)有安全缺陷。
　　(3)以“7·23”甬溫線特別重大鐵路交通事故為研究對象，利用HFACS-RAs模型對事故中人和組織因素分類，并分別通過ANP法和DEMATEL法對歸類的致因進行因果關聯(lián)性分析和權重計算，從而識別導致事故的主要致因并