核能安全人因大数据挖掘研究

吴博

摘要：核电厂人机系统的复杂化和人因研究技术的多样化，导致人因数据的多样化和海量化，核能安全人因分析已进入大数据时代。应用结合人因分析技术的数据挖掘技术挖掘核能安全人因大数据，是目前核能人因研究的重点之一。文章围绕人因大数据挖掘问题，探讨了核能人因大数据挖掘的价值、技术体系及今后的发展趋势。

关键词：人因分析技术；核能安全；人因大数据；数据挖掘；技术体系 文献标识码：A

中图分类号：TP393 文章编号：1009-2374（2016）18-0007-02 DOI：10.13535/j.cnki.11-4406/n.2016.18.004

1 人因数据与大数据

核电已成为我国能源战略的重要发展战略。核电厂是一个由技术设备、人和组织、环境等部分组成的大型复杂人-机系统。保障核能存在和发展的必要条件就是安全。核电厂的安全问题所造成的影響往往是超出想象的，会给社会带来巨大的负面影响。

人因可靠性分析（Human Reliability Analysis，HRA）着重研究的是人对核电厂的安全风险影响的贡献大小。核能安全人因分析经过多年的发展，人因数据呈现出明显的“大数据”特征。（1）数据量大（Volume），大量的核电厂运营数据和事件报告不断累积，已经达到了GB、PB甚至ZB的等级；（2）速度高（Velocity），随着核电厂和机组不断建设和数目增多，数据在快速增长；（3）数据多样化（Variety），HRA方法不断改进，现在常用的HRA方法已有15种，数据类型庞杂；（4）真伪难辨（Veracity），在巨量庞杂的人因数据中存在大量的数据冗余和不真实数据；（5）价值高（Value），核电厂出现的安全事故少，但事故的破坏力大，而事故中人因的影响所导致事故所占的比例较高，人因数据的开发利用对人类有重要意义。由于大数据时代人因分析对于数据的特殊要求，因此对人因大数据的数据挖掘的要求更加迫切，而如何结合人因分析技术的数据挖掘技术成为解决问题的关键。

核电厂对人因的重视不断提高，人因数据获取途径不断丰富，测量研究人的技术和工具不断进步，如眼动议、脑电议等，然而与人因数据获取能力形成鲜明对比的是人因信息处理能力十分低下。目前核能安全人因研究技术，主要针对某个具体人因事件的分析，没有考虑对多数据来源人因数据处理分析，人因数据的分析能力和数据采集能力之间严重失衡，人因大数据处理仍然停留在小数据处理的阶段，因而对人因大数据的利用率低，造成了大数据、小知识的窘境。同时海量人因数据长期占用有限的空间资源并无法有效利用，将导致数据灾难和空间浪费。因此，有必要研究适应于人因大数据的数据挖掘方法。

2 人因大数据的价值

2.1 提高核电厂的运行安全

人因失误在复杂人-机系统中导致事故的比率占到了80%以上，是引发事故的最主要原因之一，因此需对工业系统中人因失误进行分析。人是复杂人-机系统中非常重要的组成部分，尽管核电厂系统和相关设备的安全可靠性得到了很大的提高，运行环境不断改善，系统呈现高度的自动化，但是最终核电厂还是需要人来对系统设备进行设计、制造、组织、控制和维修，需要由人来对系统设备进行操作和控制。因此，人在系统中的作用不仅没有减弱，还越来越显得重要和突出。国外PSA报告研究显示，人因失误相关因素造成的反应堆事故公众风险大约为50%。因而确保核电厂安全运行必须解决的关键问题之一就是预防与减少人因事故，核电厂人因可靠性研究的意义重大。人因大数据挖掘是人因安全研究的重要组成部分，是其重要工具和途径。

2.2 HRA的基础性资源

HRA的研究核心是对人因失误进行分析、预测、减少和预防，定性和定量地分析和评价人的可靠性。HRA的数据都来源于大量的运行数据、实验数据、历史数据和研究科学数据等，都归属于人因数据。人因数据可以为HRA提供所有的定性分析和定量计算的所有数据，从而完成HRA研究。人因大数据是一种基础性资源，可以为HRA研究带来更多的资源。大数据的价值主要在于它的全面性，能够全面反映隐藏在数据后的规律或知识。同理，人因大数据的价值主要在于能全面反映人因事件而不是它的海量，并且能够从数据中挖掘出隐藏在人因大数据背后的各种知识，包括心理知识、生理知识、组织管理知识等。对人因大数据中隐藏知识的挖掘是人因大数据利用的终极目标。

3 人因大数据挖掘的技术支撑

数据挖掘是一门新兴的学科，主要用于研究人工智能方面以及其在商业等领域的应用。从技术方面而言，数据挖掘是从含有复杂、异构、模糊等特性的大规模数据集中寻找隐含的、不易被人们发现的、具有潜在价值的信息的过程。从商业应用方面而言，数据挖掘就是把一些潜在规律和价值从庞大的数据库中抽取出来，获得关键信息以辅助商业决策。

基本的大数据技术有：（1）采集技术、传感技术等数据产品的开发和发展是人因大数据采集的重要工具和技术；（2）储存技术。人因大数据挖掘的基础就是数据存储，是人因大数据面临的困难之一，它提供了性能稳定可靠且扩展性好的储存管理方案可以承载不断增加的人因大数据；（3）处理技术。把人因数据转变为人因知识是其主要任务；（4）表达技术。表达就是把人因数据中包含的信息予以清楚、有效地描述出来，可以为寻找难以掌握的数据提供新的视角；（5）评估技术。由于数据量庞大、测量密度高所以人因大数据中易出现错误，最大程度地减少错误带来的风险就是评估技术的任务。

4 人因大数据挖掘

目前大数据处理的主要工具和有效方法之一就是数据挖掘，因为它可以从核能安全人因大数据中发现人的行为模式和规律，并探索出降低核电厂的人因风险的方法。人因数据具有行业特点和领域性特点，具有其多样性和复杂性，这决定了人因大数据挖掘手段既要具有人因数据属性特点，又要具有大数据特点。

（1）人因大数据来源多样且丰富、海量、数据结构类型众多、数据呈现形式非常复杂多样；（2）需要借助于水平较高的数据分析手段，并结合人因分析技术使用模型对复杂的人因数据予以组织分析处理。由于较之前小规模数据环境下的简单数据整合、分析处理而言，人因数据挖掘技术的定位已经有了很大提升；（3）人因大数据所涉及的挖掘手段类别多样，对于不同研究目的和数据类型要求有不同属性表现。人因数据挖掘技术依据HRA模型而在数据挖掘的侧重点上存在区别；（4）人因数据挖掘原则是从多尺度、多维度对数据进行并行分析。现代核能安全对人因数据信息分析需求逐渐趋于多元化和复杂化，但多HRA方法并行分析是其趋势和方向，原因在于今后信息分析的归一性。

下面将具体分析人因大数据挖掘过程和目标：

4.1 人因大数据挖掘过程

人因大数据挖掘的过程就是知识发现。如图1，它由数据获取与存储、数据分析与处理、数据挖掘、数据可视化、数据融合等部分组成。大数据的特点贯穿于整个过程，其依赖于人因分析理论和大数据技术的支撑。人因大数据挖掘具体过程为数据采集和存储，对多源的人因数据存储并将其筛选整合成数据集，然后对数据集进行处理和分析；接着对处理后的数据利用决策树、遗传算法等技术进行数据挖掘，探索和发现数据关联、模式及规律；最后将这些模式及规律可视化、直观地展示。为方便分析和利用，将发现的信息规律与现有的知识进行融合。

4.2 人因大数据挖掘目标

核能安全人因大数据是核电厂安全人因数据的全面反映。一方面，它能与其他行业领域人因数据形成互补；另一方面，人因大数据应该包含所有的核电厂运行数据、实验数据和各领域专家学者的研究数据和成果。人因大数据的综合信息挖掘能揭示更多的人的行为和人为规律。通过一系列的关联规则等数据挖掘方法，可以从人因大数据中提取出其隐含的有用信息，它是把人因数据发展到人因信息，再把人因信息发展到人因知识的过程。人因数据挖掘作用在于将人因数据进行挖掘，并应用人因分析技术分析挖掘结果。对核能安全人因数据做到处理，并为核电厂安全提供决策支持。人因知识具有普遍性、自学习性等特点，容易被人们认可和应用，可以为核电厂安全决策提供重要依据。将人因数据挖掘技术应用于核电厂领域，就会使人因分析工作变为更加精细和简单易行的工作，从而提高人因大数据的利用率，减少存储资源浪费，促进核电厂安全可靠性的提高。

5 结语

大数据的发展促使人类的活动范围在扩大、需求在增长。把大数据技术带入到核能安全领域能够大大推动我国核能战略的发展，不仅能改善核电厂运行环境、提高核电厂的运行效率，还为核电厂的实时监测、多分布式人因数据采集等方面提供更多的方式和可能，人因数据的内容更加丰富、全面。同时，这也将加重人因数据处理和挖掘的负担，因为更加丰富的数据类型和结构以及更加大量的数据将加大人因大数据的范围，使人因数据分析工作变得更加困难，还有可能会对人因分析提出更高的要求，如在线处理实时分析、自动分析等。可以看到，对人因大数据挖掘的重视和发展不仅具有重要的学术价值，还具有重要的现实意义。

参考文献

[1] 张力.人因分析：需要，问题和发展趋势[J].系统工程理论与实践，2001，21（6）.

[2] US Nuclear Regulatory Commission，Reactor Safety Study：An assessment of Accident Risks in US Commercial Nuclear Power Plants，WASH-1400，NUREG-75/014，Washington，DC，October，1975.

[3] Dougherty EM，Fragola JR.Human reliability analysis：a systems engineering approach with nuclear power plant applications[M].John Wiley & Sons，1998.

[4] ZIKOPOULOS P，EATON C，DEROOS D，et al.Understanding of Big Data[M].New York：Mc Graw Hill，2012.

[5] Levine，S.and Rasmussan，N.C.Nuclear plant PRA：how fast has it come[J].Risk Analysis，1984，4（4）.

[6] 李德仁，童慶禧，李荣兴，等.高分辨率对地观测的若干前沿科学问题[J].中国科学：地球科学，2012，42（6）.

（责任编辑：黄银芳）