基于RBF神经网络的人因可靠性研究

论文摘要

现代科学技术发展的结果,使人机系统中机的可靠性有了很大的提高,而作为人机系统组成元素之一的人相对成了人机系统中最不可靠的因素,现代事故的统计结果也充分证明了这一点;同时,现代工业系统也越来越朝着巨型化、复杂化方向发展,一旦事故发生,其危害将是极其严重的。因此,研究人因失误的致因及发展模式,特别是制定行之有效的控制措施,对现代工业生产安全具有重大意义。论文在充分研究人因可靠性（HRA）的国内外研究现状基础上,首先,基于主成分分析方法（PCA）和径向神经网络技术（RBF）,系统分析了PCA-RBF神经网络在HRA中的可行性和优越性;其次,在提出人因可靠性预测体系构建原则的前提下,通过对人因操作可靠性影响因子的分析,初选出了人因可靠性预测模型应包含的主要指标;然后,针对建筑施工企业“事故易发点”之一的高处作业岗位,在对人因可靠性影响因子量化基础上,运用PCA方法的降维原理及RBF神经网络的“形象思维”技术,在作业前对高处作业人员的操作可靠性进行了定性预测,以期解决作业前人员的选拔问题;最后,以起重机操作司机为例,对作业过程中人因可靠性进行了定量预测,从而实现对人因失误的动态控制。通过实例验证,所构建的模型能很好实现对人因失误的预测。其中,论文提出的在作业条件基本相同的条件下,以完成相同工程量所发生的失误次数作为人因可靠性的预测指标,能够解决在复杂作业及流动性作业中,传统的HRA由于作业任务分解难及动作可靠性难以赋值而无法预测的问题;所建立的针对特定作业岗位的人因可靠性的定量预测模型,可以解决传统HRA所不能实现的人因可靠性动态预测问题,且将人的动作可靠性及人的认知可靠性有机的结合在一起,以提高预测结果的准确性。本文将安全系统工程、人因工程,可靠性工程、RBF神经网络、主成分分析方法以及MATLAB有机的结合起来,运用到HRA预测中,所构建的模型可以为重大危险源监控岗位,化工、矿山、建筑等特别重要及特别危险岗位操作人员的选拔及动态控制提供可靠的依据,从而提高企业的安全管理水平。

论文目录

• 摘要
• ABSTRACT
• 绪论
• 第一章 PCA-RBF 神经网络模型及其在HRA 中的可行性及优越性
• 1.1 主成分分析方法的基本理论
• 1.1.1 主成分分析基本思想
• 1.1.2 主成分分析法的一般数学模型
• 1.1.3 主成分分析步骤
• 1.2 RBF 人工神经网络
• 1.3 PCA-RBF 神经网络模型在HRA 中的可行性
• 1.4 PCA-RBF 神经网络模型在HRA 中的应用范围及流程
• 1.4.1 在HRA 定性预测中的应用范围及流程
• 1.4.2 在HRA 定量预测中的应用范围及流程
• 1.5 PCA-RBF 神经网络模型在HRA 中的优越性
• 本章小结
• 第二章 人因可靠性预测指标体系研究
• 2.1 人因可靠性预测体系的建立原则
• 2.2 HRA 预测指标体系的建立流程
• 2.3 人因可靠性影响因子的选择依据
• 2.3.1 人的行为影响因素分析
• 2.3.2 人因失误影响因素分析
• 2.3.3 人机环境系统分析
• 2.4 预测指标体系的初选
• 2.5 人因可靠性预测指标定量化处理
• 2.5.1 定量指标的分级方法
• 2.5.2 定性指标的量化及分级方法
• 2.5.3 定性定量指标的分级标准
• 2.6 人因可靠性主要影响因子特性
• 2.6.1 人的感觉系统、神经系统、运动系统等生理学因素
• 2.6.2 安全心理学影响因素
• 2.6.3 人机界面与作业空间
• 2.6.4 组织管理对人因事故的作用和影响
• 本章小结
• 第三章 基于PCA-RBF 神经网络的作业前操作可靠性定性预测
• 3.1 高处作业事故简介
• 3.2 高处作业人员可靠性预测指标的选取及体系的建立
• 3.2.1 可靠性影响因子的选取
• 3.2.2 预测体系的建立
• 3.3 定性指标的量化及定性定量指标的分级
• 3.3.1 可靠性影响因子的量化与分级依据
• 3.3.2 可靠性影响因子的量化与分级
• 3.3.3 人的操作可靠性的量化与分级
• 3.4 样本数据的收集
• 3.4.1 人的操作可靠性数据收集方法及收集数据的可靠性
• 3.4.2 人因可靠性影响因素数据的收集
• 3.5 样本数据的处理
• 3.5.1 基于PCA 的数据约简
• 3.5.2 RBF 神经网络输入端数据处理
• 3.5.3 数据处理结果
• 3.6 基于RBF 神经网络的高处作业人员作业前HRA 预测
• 3.6.1 RBF 神经网络的构建及训练
• 3.6.2 BP 神经网络与RBF 神经网络性能比较
• 本章小结
• 第四章 单人操作岗位作业过程中可靠性定量预测
• 4.1 起重机司机操作岗位作业现状简介
• 4.2 可靠性预测指标的选择及预测体系的建立
• 4.3 样本数据的收集
• 4.3.1 指标的量化
• 4.3.2 样本数据
• 4.4 基于RBF 神经网络的训练及预测
• 本章小结
• 结论
• 参考文献
• 附录A 作业人员原始数据采集表
• 附录B SPSS 分析图
• 攻读硕士学位期间发表的学术论文
• 致谢