编辑推荐：
针对核电站主控制室人类可靠性水平预测中传统方法存在的静态、主观和滞后性缺陷，本研究提出了一种融合概率神经网络与BP神经网络的混合预测模型。通过引入k-means聚类优化隐层结构和概率参数优化，显著提升了预测精度和实时性，为核电站人因风险防控提供了动态量化评估工具。
Jianjun Jiang | Jianqiao Liu | Jinbiao Zhao | Kai Lv
湖南工业大学安全与管理工程学院，衡阳421002，中国
摘要
人类可靠性水平（HRL）是核电站（NPP）主控制室（MCR）中人为错误的关键因素，这可能对交互安全性产生潜在风险。然而，目前NPP中HRL预测的方法通常依赖于主观的问卷调查或定性分析方法，这些方法在科学严谨性和预测效果方面存在固有的局限性。这种不足阻碍了对操作员实际认知状态和功能能力的全面客观描述。针对这一问题，本研究以NPP的MCR为背景，通过结合概率论和反向传播（BP）神经网络开发了一种混合预测模型。该模型的核心架构是改进后的概率神经网络（PNN），其输入层采用了BP网络的结构框架，模式层的中心点通过k均值聚类算法得出，参数优化不仅通过梯度下降方法实现，还结合了先验概率理论。性能分析结果显示，在相同的实验条件下，该模型表现出良好的收敛行为和预测准确性，优于其他预测模型，包括概率模型、径向基函数（RBF）和BP神经网络。
引言
NPP主控制室（MCR）中的人机交互过程涉及实时感知、信息处理和复杂系统状态的执行。随着自动化水平的提高，操作员的角色逐渐从直接控制器转变为系统监控者，他们的核心任务也从机械操作转向认知决策，这对操作员的情境感知能力、注意力分配和压力响应机制提出了更高的要求。然而，现有研究表明，某些因素（如个人特征、环境条件、组织因素等）可能会影响NPP中的人类可靠性[[1], [2]]。例如，在时间压力下，操作员的平均执行时间缩短，而心理负荷显著增加[[3], [4]]，这可能导致判断失误或操作延迟。因此，通过合理的预测模型提前识别潜在风险水平对于减少人为错误具有重要的工程应用价值[[5], [6]]。此外，相关研究表明，在复杂的工业系统中，60%到90%的事故或故障归因于人为错误[7]；在核能领域，由人为因素引起的事故比例达到了50%-70%。显然，人类性能预测对于提高NPP的安全性和效率至关重要[[8], [9]]。为了减少人为错误并提高交互过程中的人类可靠性水平，已经取得了一些成果，例如关于可靠性评估的简化马尔可夫状态模型[10]、用于建立NPP中性能塑造因素（PSFs）之间不确定依赖关系的贝叶斯信念网络（BBN）框架和聚类方法[11]、基于心理生理数据的人类性能测量方法[12]，以及传统的人类可靠性方法，如HCR、SLIM等。然而，MCR中的人类可靠性水平受到多种复杂因素的影响（如工作压力、疲劳程度等）。传统的分析或评估方法主要依赖于主观的定性分析或简单的定量评分[13]，这使得难以全面客观地捕捉实际的人类可靠性水平和潜在风险；另一方面，这些传统方法也严重依赖于事后分析、定期评估、模拟练习的观察和主观评价[[14], [15]]。这些方法有一定的价值，例如：(1) 它们表明人类错误评估方法需要发展为动态过程，这为本文提出的模型提供了灵感；(2) 这些成果为本研究的数据驱动人类性能方法提供了参考；(3) 这些方法减少了人类错误评估的主观性。尽管这些研究具有这些优势，但它们通常存在明显的局限性，如滞后效应、量化难度以及无法反映实时动态变化。它们更像“定期评估”，缺乏预测潜在风险的能力，特别是在面对意外情况时。缺乏预测能力使得管理者难以在风险实际发生之前有效干预，例如动态调整任务分配、提供及时支持或触发辅助决策，这可能导致错过防止人为错误的最佳时机。
为了解决上述问题并减少人机交互带来的潜在风险，本研究以NPP的MCR为研究背景，基于人工智能方法和作者之前关于人类可靠性性能分析的研究成果，构建了一个预测模型。通过利用这个预测模型，可以提前识别出人类可靠性水平降低的潜在可能性，为风险预警和制定干预措施提供基础，从而从源头上减轻由人为错误引起的安全隐患。该研究推动了从静态定性分析向动态定量评估的转变，从经验驱动转向数据和理论的结合，最终实现了人类可靠性的精确预测和主动预防。本文的主要贡献包括：(1) 提出了一种用于人机交互过程中人类可靠性水平预测的人工智能模型，解决了传统方法的静态、主观和滞后性局限；(2) 将k均值算法融入该模型的模式层和求和层，扩展了人工智能技术在人机交互领域的应用；(3) 该模型的训练和测试数据来自中国某国内核电站的17个场景的模拟器数据，解决了人类可靠性数据不足的问题，并为人类数据收集提供了帮助；(4) 该模型实现了从事故后分析到事故前预防的突破。该模型的关键思想是将BP网络架构嵌入概率神经网络中，嵌入的网络架构不仅弥补了概率神经网络隐藏层扩展的局限性，还弥补了反向传播网络在分类复杂性方面的不足。
部分摘录
人机交互中的人类可靠性分析
人类可靠性是人机交互（HCI）的一个关键研究方面，关注人类性能和潜在错误如何影响交互的安全性和效率[[16], [17], [18]]。
2015年，Havlikova等人讨论了人机交互的可靠性水平，这项研究强调人类因素在人机系统中起着重要作用[19]；2022年，Ahn等人提出了一种新的人类可靠性评估方法[20]
NPP主控制室中HCI的混合人类性能水平预测模型
HCI中的人类性能分析的传统方法主要包括层次分析法（AHP）、灰色相关分析法、模糊综合评估法等。这些方法已广泛应用于静态性能评估，但在适应现实世界HCI的复杂性和动态性方面经常面临挑战。近年来，作为人工智能（AI）技术核心分支的神经网络具有很好的应用价值和兼容性。
数据来源
训练数据来自中国某核电站的全范围模拟器，确保数据与NPP主控制室（MCR）中的真实世界HCI场景一致。数据收集涵盖了17个典型的操作场景（详见表3），涉及8名操作员，他们的角色涵盖了NPP MCR中的关键岗位：第一电路操作员、第二电路操作员、协调员和值班主管。为了确保样本数据的全面性和代表性，
结论
为了预测人机交互中的人类可靠性水平，本文开发了一种用于核电站主控制室的混合网络模型。主要贡献和发现总结如下：(1) 该模型将BP神经网络与概率方法相结合，提高了预测准确性。基于BP的输入层允许根据数据复杂性动态扩展网络层和灵活添加隐藏节点；(2) 概率神经网络
CRediT作者贡献声明
Jianjun Jiang：撰写 – 审稿与编辑，撰写 – 原稿，验证，监督，方法论，资金获取，正式分析，数据管理。Jianqiao Liu：验证，正式分析。Jinbiao Zhao：调查，数据管理。Kai Lv：调查，数据管理。
