数据驱动的操纵员情景意识因果模型研究

数据驱动的操纵员情景意识因果模型研究

李鹏程1，张力1,2，戴立操1，邹衍华2，蒋建军1，罗迪凡1，姜瑜1

(1.南华大学 人因研究所，湖南 衡阳421001；2.湖南工学院，湖南 衡阳421002)

摘要：为克服传统情景意识(SA)可靠性评价方法的不足，建立了更具鲁棒性的SA因果模型。首先，采用组织定向的SA失误分析框架或方法对核电厂人因事件进行分析，获得了132组样本数据。然后，采用相关性分析方法识别SA影响因素的相关关系，并采用因子分析方法识别SA失误发生的场景，包括操纵员的心智水平、工作态度、压力水平及系统状态呈现水平等。最后，基于上述研究结果，建立数据驱动的SA因果模型。结果表明，基于数据驱动的SA因果模型识别了SA失误发生的场景，且考虑了行为形成因子的因果关系有利于提升SA可靠性定量评价的精度。

关键词：情景意识；因果模型；人因失误；行为形成因子

中图分类号：X916 文献标志码：A

收稿日期：2014-07-21;修回日期：2015-01-28

基金项目：国家自然科学基金资助项目(71071051，71371070，71301069)；岭东核电公司科研项目资助(KR70543)；湖南省战略性新兴产业产学研创新平台创新能力建设项目资助(2012GK4101)；南华大学管理科学与工程重点学科资助项目

作者简介：李鹏程(1978—)，男，湖南邵阳人，副教授，博士，从事人因工程、系统安全评价和核电厂HRA研究

doi：10.7538/yzk.2015.49.11.2062

Study on Data-driven Operator’s Situational Awareness Causality Model

LI Peng-cheng1, ZHANG Li1，2, DAI Li-cao1, ZOU Yan-hua2,

JIANG Jian-jun1, LUO Di-fan1, JIANG Yu1

(1.HumanFactorInstitute,UniversityofSouthChina,Hengyang421001,China;

2.HunanInstituteofTechnology,Hengyang421002,China)

Abstract:In order to overcome the shortcomings of traditional assessment method of situational awareness (SA) reliability, a more robust SA causality model was built in this paper. Firstly, the organization-oriented SA error analysis framework or method was adopted to analyze nuclear power plant incidents and 132 samples were obtained. Then, the correlation analysis method was used to identify the correlation relationships between factors of influencing SA and factor analysis method was used to identify the scenes triggering SA errors, including operator’s mental level, operator’s work attitude, stress level and system situation display level. Finally, based on the above analysis results, a data-driven SA causality model was established. The results show that the data-based SA causality model can identify the scenes triggering SA errors. It is useful to improve the accuracy of quantitative assessment of SA reliability because of considering the causality relationships of performance shaping factors.

Key words：situational awareness; causality model; human error; performance shaping factor

人因研究中的情景意识(SA)是用来解释复杂人-机系统中操纵员理解系统和环境正在发生什么及如何发生的，正确的SA是保持有效决策和高绩效的先决条件[1]。核电厂也不例外，SA是影响核电厂操纵员决策和绩效的关键要素，SA可靠性是人因可靠性分析(HRA)的重要组成部分。传统的HRA方法(如CREAM[2]，SPAR-H[3]等)中考虑了行为形成因子(PSF)或情景环境(Context)对SA的影响，但未考虑PSF间的因果关系。由于PSF之间不是完全相互独立，因此，在计算它们对SA的影响时存在双重计算的可能，给人因失误概率(HEP)带来错误的估计[4]。迄今为止，存在一些与SA相关的认知行为可靠性研究的文献报道[5-7]，但都是基于专家判断建立影响SA的因果关系模型，缺乏有效的数据支持。随着信息技术和自动化水平的提高，核电厂人-机界面(MMI)由传统的模拟系统界面转变为数字化系统界面，数字化的人-系统界面(HSI)改变了信息的呈现方式(巨量信息有限显示)[8]、规程(计算机化的规程)[9]、控制(软控制)[10]、任务(界面管理任务)[11]、班组的结构、交流与合作[12]等情景环境，使得影响SA的PSF及其因果关系发生变化，因而传统的SA可靠性评定方法不能满足新形势分析的要求。

为此，本文基于建立的数字化控制系统中的情景意识失误(SAE)分析方法，对与SAE相关的人因事件报告进行分析，通过对获得的样本数据进行相关性分析和因子分析，建立数据驱动的SA因果模型，为定量评价SA的可靠性奠定基础。

1情景意识失误分析框架

由于技术的发展和自动化程度的提高，在核电厂这种复杂的社会-技术系统中，操纵员的主要任务表现为认知任务，主要包括：1) 监视和发觉；2) 状态评价；3) 响应计划；4) 响应执行[13-14]。Endsley[15]将SA定义为：SA就是在一定的时间和空间范围内对环境中的元素的感知、对元素的含义理解以及对元素不久后的状态的预计。由Endsley的定义可知，SA过程包括一系列认知行为(至少包括监视、发觉及状态评估过程)，这些认知行为的失误是SAE的组成部分。据此，认为SA就是在操纵员通过监视行为收集到系统状态参数信息的基础上，通过各种信息处理手段和策略对系统状态进行合理解释，明确系统发生了什么以及为何发生，以确定系统当前所处状态并对未来状态进行预计，这一系列认知过程和评估结果称为SA。

通过核电厂数字化主控室模拟机试验的现场观察和操纵员访谈，识别数字化控制系统中操纵员的SA行为特征。事故工况下，系统会产生一个或多个报警，操纵员会查看报警及其发生的原因以采取相应的处理措施来缓解事故，此过程涉及监视和状态评估。监视就是从系统获取信息的行为，在数字化主控室，操纵员监视的信息来源于计算机显示的画面，有些信息在画面上较分散，需借助“界面管理任务”进行搜索定位。如针对规程中的基本任务“确认RCP016KG处于自动”，在此任务的完成过程中，操纵员首先需执行监视行为(看、听)，然后需对此任务进行认读，最后需在画面中定位或搜索到RCP016KG，以完成对单个信息的监视。因此，在信息搜集过程中操纵员产生的认知行为有“看、听”、信息的“认读”、“搜索、定位”。

完成信息搜索之后，操纵员需对信息进行处理。由于数字化主控室采用的是状态导向的规程(SOP)，操纵员的任务可分解为几个简单的任务，主要表现在信息比较(如压力大小的比较)、简单的判断(如至少1个蒸汽发生器被隔离？)、简单的计算(如2个蒸汽发生器的压差大于1×106Pa(g)？)等。因此，对于上述简单任务的评估称之为“信息比对”。再者，若干简单任务的组合可识别出系统组件的状态(如是否关闭反应堆冷却剂系统泵需判断一系列标准)，即将这些一系列比对结果进行信息整合(涉及理解和推理)，识别更大的组件或子系统的状态，这一系列认知过程可能涉及的认知功能包括“信息比对”、“信息整合”和“状态理解”等。

另外，需对不同的故障或事件的原因进行识别，才有利于响应计划的选择和制定。组件和系统状态未来发展的情况和趋势需做出预测，以明确事件的严重性。对于新出现的情况，操纵员也需根据收集到的信息、自己的知识和经验进行系统状态估计，以便采取对策进行干预。因此，在此认知过程中，操纵员的SA还涉及的认知行为有“原因识别”、“状态预计”，因此，本文基于信息处理理论和认知任务分析，构建的组织定向的SA模型和分析框架如图1所示。组织定向是指影响操纵员的SA的因素只考虑组织内部因素，而不考虑组织外部因素，如国家政策、法律、社会环境等。具体的影响因素定义与分类参见文献[4，16]。

图1　核电厂操纵员的SA模型和分析框架 Fig.1　Operator’s SA model and analysis framework in nuclear power plant

2数据驱动的情景意识因果模型

由于组织定向的情景意识失误原因分析框架中的PSF分类不是完全独立和正交的，因此，它们之间存在相关关系或因果关系，传统SA可靠性分析方法没有考虑PSF的因果关系，从而对PSF的影响可能存在双重计算，难以得到更加精确的估计或结果。为了考虑PSF的因果关系，提高SA可靠性的分析精度，识别影响核电厂数字化主控室操纵员的SA的影响因素的因果关系，本文收集了2011—2013年共132件小偏差报告和人因事件。毋庸置疑，可观察到人因失误(如操作失误)是由于操纵员认知失误(情景意识)的结果，因此，基于上述建立的SAE分析框架进行原因分析，得到用于分析的132组样本数据。每个样本数据(情景意识失误事件)包含1个或多个SAE的影响因素，同一类影响因素归于同一大类(如规程的复杂性、规程不可用则同样归于规程因素)，如果同一事件中含有重复的影响因素，则合并为1个，则受某个影响因素的影响对应为1，不涉及某个影响因素则为0。然后对样本数据进行统计分析，通过相关性分析识别影响因素间的相关关系或因果关系，通过因子分析识别公共因子或PSF的结合模式，最终建立SAE的因果模型，为SA可靠性研究奠定基础。

2.1SAE影响因素的相关性分析

相关性可对两个变量间的关联强度给出定量的测量，相关性水平(相关系数)一般用-1～1间的数值来表示，0表示变量之间完全独立，不存在相关关系，1表示完全的线性关系。对于不同类型的变量应采用不同的相关系数来度量，常用的相关系数有Pearson、Spearman、Kendall及Polychoric相关系数(与Pearson相关性分析相似)。由于人因失误的行为影响因素属于定距型变量[17]，故本文选用Pearson相关性分析来度量行为影响因素间的相关水平。

将132个样本数据用统计分析软件SPSS17.0进行相关性分析，获得行为影响因素间的相关系数列于表1(具体的影响子因素都归于大类中，如时间压力归于心理状态这大类等)。影响操纵员的SA的因素主要包括心理状态、素质和能力、技术系统、人-机界面、任务、规程、班组、组织管理、培训、组织文化及组织设计。本文依据相关系数绝对值大于0.3来确定影响因素的相关性。由表1可知：心理状态主要与技术系统、人-机界面、任务、组织设计相关；操纵员的素质和能力与班组、培训及组织文化相关；技术系统与心理状态、任务及组织设计相关；人-机界面与心理状态、任务、组织设计相关；任务与心理状态、技术系统、规程相关；规程与任务、组织设计相关；班组与素质和能力、培训相关；培训与素质和能力、班组相关；组织文化与素质和能力、培训相关；组织设计与心理状态、技术系统、人-机界面、任务、规程等相关。因此，由相关性分析结果可识别PSF的相关关系。

表1　影响SA的PSF间的相关性

注：1) 在0.01 水平(双侧)上显著相关

2) 在0.05 水平(双侧)上显著相关

2.2SAE影响因素的因子分析

相关性分析只能说明影响因素不是独立的和非正交的，高相关说明PSF间存在因果关系及对SA有共同的影响，而不能确定SAE发生的场景(PSF的结合模式)。一般来讲，SAE可能由多种原因因素组合引起，并且可能有多种结合模式。因此，本文借助因子分析方法来识别公共因子(对应PSF的结合模式)，从而可识别影响因素的结合模式。根据SPSS17.0的统计结果可知，SAE影响因素之间具有相关性：经KMO检验，其值为0.822(>0.5)；经Bartlett球度检验，其值为795.127，概率p值Sig=0.000 1(<0.01)，差异非常显著。上述检验表明，对SAE影响因素进行因子分析是可行的。根据因子分析，得到总方差解释表(表2)。由表2可知，由3个公共因子(表2中的前3项)来描述总解释变异量达到69.233%，保留了原始变量的大部分信息[18]，因此，影响SAE的11个影响因素可综合提炼为3个公共因子。采用方差最大法对因子载荷矩阵实施正交旋转以使因子具有命名解释性，得到旋转后的因子载荷矩阵列于表3。由表3可知：培训、素质和能力、心理状态、组织设计、班组、人-机界面、技术系统等在第1个因子上有较高的载荷；规程、任务、技术系统等在第2个因子上具有较高的载荷；组织文化和组织管理在第3个因子上具有较高的载荷。

表2　影响SA的PSF评价的总方差解释表

注：提取方法采用主成分分析，1～11为11种影响因素

表3　旋转后的因子载荷矩阵

注：提取方法采用主成分分析法和Varimax正交旋转法

2.3基于数据的SA因果模型

由上述因子分析结果可知，对于公共因子命名存在困难，故需结合相关性分析结果和专家意见，对第1个公共因子进行分解，且不再考虑组织管理因素，才能更好地进行PSF结合模式的解释，最终建立的SA因果模型如图2所示。由图2可知，引发SAE的场景或PSF结合模式有4个(可看成分解后的公共因子)，分别命名为：操纵员的心智水平、工作态度、压力水平和系统状态呈现水平。

1) 在PSF结合模式1中，涉及的因素包括操纵员的素质和能力、培训水平、班组交流与合作水平。显然，培训不好和班组的交流与合作不充分会影响操纵员的心智水平，如操纵员的心智水平可通过班组合作来弥补。

图2　基于数据驱动的SA因果模型 Fig.2　Data-driven-based SA causality model

2) 在PSF结合模式2中，只有安全文化1个PSF，如果安全文化不良，会影响操纵员的工作态度，如缺乏风险意识和质疑的态度等，从而容易产生情景意识失误。

3) 在PSF结合模式3中，涉及的PSF包括组织设计、规程、技术系统(如复杂性、可用时间)、人-机界面、任务复杂性等。如果组织设计方面(如系统设计、规程设计)存在缺陷，则会导致规程设计、技术系统设计及人-机界面设计不良。规程是用来指导操纵员处置事故的程序书，规程的好坏影响任务的复杂性水平，同样，人-机界面设计也影响任务的复杂性，如信息的醒目性差、过多的界面管理任务等。再者，技术系统的设计(系统设计确定的处置事故的可用时间有限)也会给操纵员带来压力，同样任务的复杂性也影响操纵员的压力水平。

4) 在PSF结合模式4中，涉及的因素包括组织设计、技术系统、人-机界面等因素。人-机界面设计的好坏影响系统信息呈现的醒目性和易理解性，好的人-机界面有利于操纵员对电厂系统状态的理解。同样，技术系统的自动化水平也影响操纵员能否更好地参与系统的控制中，系统自动化水平越高，越容易使操纵员处于控制环之外，丧失对系统运行机理和状态的理解。综上所述，最有可能发生SAE的风险场景可能由上述4个方面构成及它们共同结合的结果。基于建立的SA因果模型，就可采用相关的理论(如贝叶斯理论)和收集模拟机实验数据(SA测量数据)进行更为客观的SA可靠性定量评价。

3结论

为了克服传统SA可靠性分析方法的不足，本文基于建立的SAE分析框架或方法，对人因事件报告进行分析，对样本数据采用相关性分析和因子分析方法，建立了数据驱动的SA因果模型，得到如下结论。

1) 操纵员的SA是影响操纵员的决策和绩效，并最终可能导致事故的关键认知行为。核电厂主控室数字化，改变了操纵员所处的情境环境和认知特征，使SA问题更为凸显。

2) 从组织的视角建立的SAE分析框架或方法有利于识别引发SAE的组织根原因，为从源头上预防SAE提供理论支持。

3) 由于PSF分类的非独立性和正交性，对样本数据通过相关性分析，识别PSF的因果关系，克服传统方法在计算PSF对SA可靠性的影响时存在双重计算的不足，以期提高分析的精度。

4) 对样本数据通过因子分析识别SAE发生的场景或PSF的结合模式，命名为4个公共因子来直接影响操纵员的SA可靠性以进行收敛，包括操纵员的心智水平、工作态度、压力水平及系统状态呈现的水平，并最终建立收敛的SA因果模型。

参考文献：

[1]LEE S W, PARK J, KIM A R, et al. Measuring situation awareness of operation teams in NPPs using a verbal protocol analysis[J]. Annals of Nuclear Energy, 2012, 43: 167-175.

[2]HOLLNAGEL E. Cognitive reliability and error analysis method[M]. Oxford(UK): Elsevier Science Ltd., 1998.

[3]GERTMAN D, BLACKMAN H, MARBLE J, et al. The SPAR-H human reliability analysis method, NUREG/CR-6883[R]. Washington D. C.: NRC, 2005.

[4]李鹏程. 核电厂数字化控制系统中人因失误与可靠性研究[D]. 广州：华南理工大学，2011.

[5]DAI Licao, LI Pengcheng, ZHANG Li. Operator situation awareness assessment model in a nuclear power plant[C]∥Proceedings of the 2010 IEEE IEEM. China: [s. n.], 2010.

[6]KIM M C, SEONG P H. An analytic model for situation assessment of nuclear power plant operators based on Bayesian inference[J]. Reliability Engineering and System Safety, 2006, 91(3): 270-282.

[7]LEE H C, SEONG P H. A computational model for evaluating the effects of attention, memory, and mental models on situation assessment of nuclear power plant operators[J]. Reliability Engineering and System Safety, 2009, 94(11): 1 796-1 805.

[8]张力，杨大新，王以群. 数字化控制室信息显示对人因可靠性的影响[J]. 中国安全科学学报，2010，20(9)：81-85.

ZHANG Li, YANG Daxin, WANG Yiqun. The effect of information display on human reliability in a digital control room[J]. China Safety Science Journal, 2010, 20(9): 81-85(in Chinese).

[9]HUANG F H, HWANG S L. Experimental studies of computerized procedures and team size in nuclear power plant operations[J]. Nuclear Engineering and Design, 2009, 239(2): 373-380.

[10]LEE S J, KIM J, JANG S C. Human error mode identification for NPP main control room operations using soft controls[J]. Journal of Nuclear Science and Technology, 2011, 48(6): 902-910.

[11]O’HARA J M, BROWN W S, LEWIS P M, et al. The effects of interface management tasks on crew performance and safety in complex, computer-based systems: Detailed analysis, Vol 2, NUREG/CR-6690[R]. Washington D. C.: NRC, 2002.

[12]O’HARA J M, HIGGINS J C, BROWN W. Identification and evaluation of human factors issues associated with emerging nuclear plant technology[J]. Nuclear Engineering and Technology, 2009, 41(3): 225-236.

[13]THOMPSON C M, COOPER S E, BLEY D C, et al. The application of ATHEANA: A technique for human error analysis[C]∥IEEE Sixth Annual Human Factors Meeting. Florida: [s. n.], 1997.

[14]LEE S J, KIM M C, SEONG P H. An analytical approach to quantitative effect estimation of operation advisory system based on human cognitive process using the Bayesian belief network[J]. Reliability Engineering and System Safety, 2008, 93(4): 567-577.

[15]ENDSLEY M R. Toward a theory of situation awareness in dynamic systems[J]. Human Factors, 1995, 37(1): 32-64.

[16]LI Pengcheng, ZHANG Li, DAI Licao, et al. Study on analysis method of operator’s errors of situation awareness in digitized main control rooms of nuclear power plants[C]∥The 12th Probabilistic Safety Assessment & Management Conference. USA: [s. n.], 2014.

[17]张力，邹衍华，黄卫刚. 核电站运行事件人误因素交互作用分析[J]. 核动力工程，2010，31(6)：41-46.

ZHANG Li, ZOU Yanhua, HUANG Weigang. Interactive analysis of human error factors in NPP operation events[J]. Nuclear Power Engineering, 2010, 31(6): 41-46(in Chinese).

[18]杨学军，曾国军. 影响服务外包承接地竞争力的因子分析——基于示范城市软件外包企业的问卷调查[J]. 科技管理研究，2011(20)：112-115.

YANG Xuejun, ZENG Guojun. Factor analysis on competence of provider city of outsourcing of services: A study of ITO vendors in demonstration city[J]. Science and Technology Management Research, 2011(20): 112-115(in Chinese).