【摘 要】
:
铁路系统对我国的经济发展至关重要。随着铁路系统机械设备可靠性大大提升,人为可靠性在铁路系统安全中的重要性日益凸显。定量评估人为可靠性,对于铁路系统安全管理具有重大研究意义。铁路系统中,人为可靠性相关的人为错误并非是孤立的,而是由人因因素耦合导致的。为了分析人为可靠性,就要确定铁路系统中存在的人因因素,并探究人为错误的致因路径。以往的研究主要利用专家经验知识确定人为错误的致因路径,通过利用事后机制的
【基金项目】
:
国家自然科学基金面上项目(72171096); 深圳市科创委项目(JSGG20201103091200003); 广东省基础与应用基础研究基金资助项目(2022A1515010112);
论文部分内容阅读
铁路系统对我国的经济发展至关重要。随着铁路系统机械设备可靠性大大提升,人为可靠性在铁路系统安全中的重要性日益凸显。定量评估人为可靠性,对于铁路系统安全管理具有重大研究意义。铁路系统中,人为可靠性相关的人为错误并非是孤立的,而是由人因因素耦合导致的。为了分析人为可靠性,就要确定铁路系统中存在的人因因素,并探究人为错误的致因路径。以往的研究主要利用专家经验知识确定人为错误的致因路径,通过利用事后机制的事故调查报告,辅助确定这种路径关系。但是,这些研究主要是少数专家进行评估,主观性较强;同时,以往利用贝叶斯网络进行人为可靠性评估的研究工作,存在根节点先验概率和节点间条件概率估计难的问题。因此,如何削减专家的主观性,更准确地评估人为错误的致因路径,并在此基础上,克服上述估计难问题,进而客观合理地计算人为可靠性,具有重要的研究意义。本文的主要研究内容包括:首先,基于大群体专家决策方法提取事故报告中的二元变量的人因因素,即该人因因素是否导致事故的发生。大群体专家的意见往往具有高度异质性,因此,本文提出大群体人因因素提取决策模型,定量指导专家意见调整。该模型包括两种调整方法来管理专家的非合作行为,从而有效率地提升大群体的共识性。其次,基于上述人因因素数据,利用统计学方法,得到人因因素与人为可靠性之间的路径关系。然后,基于这种路径关系,构建贝叶斯网络进行人为可靠性评估。通过拟合基本根节点的寿命分布函数,并利用监-检数据,计算根节点的先验概率。考虑到贝叶斯网络节点间的概率数据难以获得,但又因为可以获取事故数据,本文提出了适用于小样本事故数据的、基于经验贝叶斯理论与Gibbs抽样结合的条件概率估计方法,最终利用728起铁路事故报告数据,对铁路人为可靠性进行定量计算,并通过对比实验验证了模型的可靠性。本文提出的大群体人因因素提取决策模型可以定量定向指导专家调整意见,结构化提取事故报告中的人因因素。提出的条件概率估计方法,能够克服贝叶斯网络概率传递估计难问题。本文综合采用的人为可靠性评估模型,可以分析因素间的耦合关系,客观准确评估人为可靠性,为铁路安全管理提供理论支撑与指导。
其他文献
时空域人-物交互行为检测是指在无剪辑视频中,定位时域发生交互行为的起止时间,检测空域相关人-物对的位置及类别,并生成时空管道。对以人为中心的场景理解具有重要意义。然而,受制于复杂的空间交互关系和冗余的时序背景信息,难以直接从视频中检测交互起止时间和人物关系。本文率先尝试将时空域任务解耦为空域检测任务和时序定位任务,前者聚焦于提升人-物交互行为对在复杂图像中的建模性能,后者聚焦于精确定位具有交互行为
红外弱小目标检测在军事和国防领域具有举足轻重的地位,广泛应用于精准制导、预警系统以及武器装备中。由于探测器离目标空间位置远,成像环境复杂多变,导致目标呈现点状或斑状,缺乏纹理、颜色等特征,给红外弱小目标检测带来较大困难。现有算法大多为单帧检测,没有充分利用帧间的时序信息,场景鲁棒性和检测精度不高,而现有多帧检测算法速度有待提升。此外,检测结果中通常存在较多虚警,给实际应用中后续跟踪任务带来干扰。为
近年来随着无人机广泛应用,基于无人机航拍图像的车辆检测算法在智慧城市、军事侦察等众多领域都有广阔的应用前景。现有深度学习方法大多基于可见光航拍图像,但囿于成像方法的局限性,无法在弱光条件下准确检测,而红外图像可与之形成信息互补,二者可在全天时提供充足的目标信息。本文分别从构建双谱段航拍数据集、单谱段车辆检测算法、双谱段融合车辆检测,引入旋转目标检测四个方面展开研究,解决现有双谱段数据集不足,无人机
目标检测广泛用于自动驾驶、机器人视觉、视频监控以及航天航空等领域,随着深度学习的发展,基于卷积神经网络的目标检测算法逐渐成为主流,但卷积神经网络庞大的计算量和参数量使得其难以在边缘设备上得到应用。本文针对卷积神经网络在边缘设备上推理效率低、部署困难和实时性差的问题进行研究,从软硬协同优化的角度出发,设计基于FPGA的目标检测网络加速器。首先,将SkyNet作为基础网络,对其进行结构优化,得到适用于
随着三维成像设备和人工智能技术的飞速发展,计算机视觉领域相关研究逐渐从二维拓展到三维。激光雷达获取的点云因其蕴含着丰富的空间信息,已成为三维环境感知中的重要数据源,并在机器人、自动驾驶、安全巡检等领域得到广泛应用。然而,由于点云具有数据量大、非结构化的特点,导致地面目标三维检测识别任务中仍存在亟待解决的问题,针对这些问题,本文对地面目标检测、分类及位姿估计方法进行深入研究,主要内容如下:(1)在目
互联网技术的发展与数据交互的变革,给人们生活带来便利的同时也导致了大量的数据冗余。作为一种视频自动化处理技术,视频目标分割能够从海量的冗余数据中快速准确地提取人们感兴趣的信息,因此被广泛应用于自动驾驶、动作识别、视频理解等领域。其中,半监督视频目标分割仅需给定第一帧目标掩膜,可自动地对后续视频帧进行分割,是目前主流的研究方向。对于分割精度、分割速度和鲁棒性三个需求,现阶段的视频目标分割算法通常无法
在能源危机和温室效应的背景下,包含风光等新能源的微电网(Micro-Grid,MG)得到了快速发展。微电网中新能源机组比例的增加有助于实现微电网自给自足,但也给提高微电网新能源本地消纳率带来了新的问题。固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)技术与可以产生氢气的电转气技术相配合,是一种具有投资价值的提高新能源消纳率的途径。但SOFC系统是一个强热电耦合发电系统,动
不可再生的化石燃料从工业革命时期开始广泛应用,到如今太阳能、风能、氢能等新一代清洁能源逐渐占领市场的一席之地,能源技术的更新换代是推动世界经济发展的重要动力来源之一。在日益紧张的国际能源形势和日渐严重的环境污染现状面前,燃料电池以新型清洁能源氢能为动力,凭借其自身环保、高效、可靠、低风险等诸多优势广泛应用于交通运输、工业生产、分布式储能等领域。然而较高的成本和较短的使用寿命是制约氢能燃料电池发展和
随着我国成品油消费市场规模的扩大,成品油配送需求日益增多,制定合理的配送方案,对降低物流成本和提升客户服务满意度是十分必要的。然而,目前多数关于成品油配送优化问题的研究只考虑了加油站补货时间窗约束,并未考虑单个订单的交货期,难以从根本上保证客户服务满意度。因此,本文考虑加油站订单具有多交货期的特点,主要围绕单行程多交货期的成品油配送优化问题、多行程多交货期的成品油配送优化问题和动态需求下多行程多交
近年来,随着智慧交通系统的快速发展,道路交通的实时监测感知是智慧交通的重要模块。其中,在复杂城市场景中实现对主要交通参与者——车辆的目标检测、识别、跟踪是交通环境感知的核心技术,它旨在跨传感器实现全城覆盖的车辆追踪,涉及目标检测及目标重识别两个分任务。在大视场路口、高速匝道等场景中,激光雷达高精度三维探测的特点能弥补摄像机目标定位和测速的局限性,结合点云和图像互补特征,能准确检测违规车辆。然而检测