一种基于量子质量函数模型的依赖性评估方法，在人类可靠性分析中的应用

《Expert Systems with Applications》：A dependence assessment method based on quantum model of mass function in human reliability analysis

人类可靠性分析（HRA）中动态不确定依赖性评估方法研究。提出基于量子质量函数（QMMF）的动态修正模型，将时间因素编码为相位角变量，结合D-S证据理论实现不确定信息的融合与动态调整，有效提升复杂场景下条件人类错误概率（CHEP）计算的准确性。

　　人类可靠性分析（HRA）在对可靠性要求极高的领域中扮演着至关重要的角色，如核工业。在这些领域中，准确评估人类失误事件（HFEs）之间的依赖关系，对于提升系统风险评估的精确性、减少人为错误的概率具有重要意义。依赖关系的分析不仅有助于识别操作员在完成任务过程中可能产生的失误风险，还能优化系统设计和操作流程，从而有效降低人为失误对整体系统安全和可靠性的负面影响。然而，传统的HRA依赖分析方法在处理动态和不确定场景时存在一定的局限性，尤其是在时间因素的建模和不确定性表达方面。本文提出了一种基于量子质量函数模型（QMMF）的新方法，旨在解决HRA中依赖关系评估的问题。

随着能源危机和环境污染问题的加剧，清洁能源如风能、太阳能、水力发电和核能等受到了广泛的关注。清洁的能源系统在运行过程中，其可靠性成为关键议题之一。在可靠性分析方法中，不确定性量化是核心组成部分。目前，研究人员已经提出了多种分析方法，包括基于决策树（DTs）的模型和模糊专家系统（FES）等，这些方法在一定程度上提高了HRA的灵活性和可重复性。然而，这些方法在处理时间动态因素时仍然存在不足，例如无法有效表达时间因素的变化、对复杂系统的适应性较差等。因此，开发一种能够更全面地考虑时间变化和不确定性表达的依赖分析方法具有重要的现实意义。

传统的HRA依赖分析方法之一是技术用于人为错误率预测（THERP），它最早提出了依赖关系的模型和方法，并且至今仍然被广泛应用。THERP通过识别五个主要影响因素——空间、时间、功能、压力和操作员之间的相似性——来评估事件之间的依赖关系。它还定义了五个依赖等级：完全依赖（C）、高度依赖（H）、中度依赖（M）、低度依赖（L）和零依赖（Z）。此外，THERP提供了一个公式用于计算不同依赖等级下的条件人为错误概率（CHEP）。然而，THERP方法依赖于专家判断来确定影响因素的重要性及其与依赖等级之间的关系，这一过程具有较强的主观性，难以满足可追溯性和可重复性的要求。

为了克服THERP方法的不足，学者们提出了基于决策树的方法，如标准化植物分析风险-人为可靠性分析（SPAR-H）、电力研究机构人为可靠性分析（EPRI-HRA）、约瑟夫·斯蒂芬研究所人为可靠性分析（IJS-HRA）以及IDHEAS-HRA等。这些方法通过提供标准化的判断指导，使得分析过程更加系统化和客观化。分析师只需评估输入因素的状态，而无需直接判断依赖等级，从而减少了主观性。然而，这些方法在处理动态因素时仍显不足，尤其是在时间因素的建模上，往往将其视为静态变量，而忽略了影响因素随时间变化的特性。

此外，基于模糊专家系统的依赖分析方法也被提出，这种方法利用模糊数来表达不确定信息，并通过专家制定的模糊规则来评估输入因素与输出变量之间的关系。尽管这种方法在一定程度上提高了分析的灵活性和可重复性，但它在信息处理过程中可能会出现信息的增减，且无法准确反映分析师的置信水平。同时，模糊规则的制定仍然依赖于专家的主观判断，这在一定程度上限制了其应用的广泛性和准确性。

近年来，基于Dempster-Shafer证据理论（DSET）的依赖分析方法也得到了发展，如Su等人提出的结合层次分析法（AHP）与DSET的模型。这种方法允许分析师更灵活地表达不确定性，并通过数学框架将影响因素与依赖等级进行关联，从而提升分析的客观性。然而，该方法在计算复杂性和结果的准确性方面仍存在不足，尤其是在高冲突条件下，Dempster规则的组合可能会导致非直观的结果。因此，进一步改进基于判断的依赖分析方法，以更好地适应动态和不确定环境，成为当前研究的重要方向。

针对上述问题，本文提出了一种基于量子质量函数模型（QMMF）的新方法，用于在不确定和动态条件下评估HRA中的依赖关系。该方法的核心在于将时间因素引入量子证据理论的框架中，通过“相位角”这一变量来表达时间的动态特性。这一创新使得影响因素及其不确定性能够随着时间演变而进行建模，从而更准确地反映实际运行中的复杂情况。相比传统的证据理论模型，量子证据理论具有更强的不确定性表达能力和更高的灵活性，使得在处理高冲突和动态变化的依赖关系时更加有效。

在该方法中，首先需要识别影响依赖关系的关键因素，并根据专家的评估构建基本信念分配（BBAs）。接着，建立一个时间校正模型，以生成时间校正后的BBAs。通过引入相位角变量，该模型能够动态调整影响因素的权重，从而更准确地反映时间因素对依赖关系的影响。随后，利用QMMF对静态和动态因素进行融合，以计算最终的条件人为错误概率（CHEP）。这种融合过程不仅能够保留初始的BBAs信息，还能在时间变化的背景下更精确地表达依赖关系的演变。

在应用实例中，本文以核电站启动后的人为失误事件为例，详细展示了该方法的实施过程。这一案例聚焦于操作员在未触发紧急停堆（ATWS）的预期瞬态条件下执行的关键操作，如启动备用液体控制系统（SLCS）以协助反应堆停堆。通过将时间因素引入相位角变量，该方法能够更准确地表达操作过程中时间对依赖关系的影响，从而提升系统风险评估的精度。

通过多个测试案例的验证，本文展示了该方法的有效性。首先，进行了静态敏感性分析，以评估不同影响因素对CHEP的影响。其次，分析了在动态条件下的依赖关系演变，结果表明，随着任务之间的时间间隔增加，依赖等级和CHEP呈现出单调递减的趋势，这与实际认知一致。相比之下，某些传统方法可能会产生与实际不符的非直观结果，如时间间隔增加反而导致依赖等级增强。此外，还对不同来源的基本信念分配（BBAs）进行了比较研究，进一步验证了该方法在动态环境下的适应性和准确性。

综上所述，本文提出的方法在HRA依赖分析中具有显著的优势。通过将时间因素与量子证据理论相结合，该方法能够更全面地表达不确定性，并在动态条件下进行有效的依赖关系建模。相比传统的HRA依赖分析方法，该方法不仅提高了分析的准确性，还增强了模型的灵活性和可重复性。在实际应用中，该方法能够为复杂系统的可靠性评估提供更加科学和合理的依据，从而提升系统的安全性和稳定性。此外，该方法还为未来的研究提供了新的思路，特别是在如何更精确地表达时间因素和不确定性之间的关系方面，具有广阔的应用前景。