基于人的认知可靠性模型(HCR)的接车进路办理诊断时间的研究

接发列车作业事故在铁路运输事故中占有相当大的比重。为减少接车作业事故的发生,合理制定车站接车进路办理时的诊断时间是保证接车作业安全的关键。针对车站采用写实法查定时具有较大随意性的问题,提出采用人的认知可靠性(HCR)模型,根据人因失误概率计算接车作业诊断时间的方法,并在自动闭塞区段通过模拟机实验进行了验证。结果表明,HCR模型确定的诊断时间与人因失误之间的关系与写实法的测定数据具有良好的符合性;作业人员的训练水平对诊断时间有较大的影响;利用该模型,根据作业人员的训练水平与可接受的人因失误概率,可以确定接车进路办理的最佳诊断时间,或对写实法测定的诊断时间进行订正。     

基于概率神经网络的液氨汽车罐车复合故障诊断

故障诊断在保证危险化学品汽车罐车运输安全方面具有重要意义。从国内交通运输安全的实际要求出发,依据液氨汽车罐车的结构特点及国家法律法规的要求,比较全面、系统地分析了液氨汽车罐车故障特征的相关参数,并将其作为概率神经网络的输入结点。根据实际可能发生的故障分类模式,考虑到故障诊断的容错能力和自适应能力,提出了基于概率神经网络的复合故障诊断模型。利用指标参数作为网络训练样本,对未知故障模式进行诊断,并以广西地区压力容器检验所液氨检测数据为例进行说明。理论分析和实例计算表明,该模型物理概念清晰,计算结果合理,精度较高,在危险化学品汽车罐车故障诊断中有很好的适用性。该项工作可为我国危险化学品汽车罐车故障智能诊断的深入开展提供参考依据。     

基于FMEA与RBF神经网络的LPG汽车罐车储罐系统故障诊断

为了对液化石油气(LPG)公路运输罐车储罐系统故障进行准确、全面的诊断,通过利用故障模式影响分析方法(FMEA)构建储罐系统故障模式及故障特征指标,根据日常检测数据构造训练样本,运用径向基函数(RBF)神经网络对网络进行训练建立诊断模型并利用诊断模型对罐车故障进行诊断。经验证:诊断结果与实际情况相符合。因此,基于FMEA与RBF神经网络所构建的模型可以用于危险化学品汽车罐车储罐系统的故障诊断。     

基于RBF的起重作业岗位人因可靠性预测

为提高起重作业可靠性,防止人因失误酿成事故,针对人因失误的随机性、模糊性和不确定性特点,提出运用具有非线性映射能力和容错能力的径向基函数(RBF)神经网络,分析人因失误非线性动力学过程。以起重机操作岗位作为人因可靠性分析(HRA)实例,首先,建立基于"作业人员、交流界面、作业环境、作业特性、作业组织"的人因可靠性预测指标体系,并对指标进行量化;其次,根据人因可靠性原理,统计出人因失误次数,给出人因失误率;最后,通过对"人的疲劳和情绪、交流通道、作业复杂程度和时间裕度、照明环境和风力影响、工作强度和安全监管"等因素的分析,构建基于RBF的起重机操作岗位人因可靠性预测分析神经网络模型。分析结果表明,RBF预测分析同时包含人的操作可靠性与认知可靠性,预测结果同现场实际观测结果的符合度达到92.0%。