基于改進CUOWGA算子-Sharpley值的應答器傳輸系統風險評價方法

褚心童,張亞東,李 耀

(西南交通大學信息科學與技術學院,成都 611756)

隨著我國高速鐵路的飛速發展，高速鐵路安全運營越來越受到人們關注。應答器傳輸系統作為列車運行控制系統中重要的地-車信息傳輸子系統，在保證列車安全高效運行方面起到了極其重要的作用[1]。如何更加科學、合理地對應答器傳輸系統進行風險評價，對保障高速鐵路安全運行具有重要意義。

危險與可操作性分析 (Hazard and Operability Analysis，HAZOP) 方法是一種系統化的辨識方法，結構化程度較高。HAZOP將系統劃分為若干功能相對獨立的節點，并提取分析要素，通過設計引導詞，辨識系統中潛在的危險及影響。目前廣泛運用于系統安全風險分析領域[2]。

由于HAZOP方法屬于定性分析，無法對識別出的風險進行量化評價。因此近年來國內外學者在HAZOP方法基礎上，綜合ANP分析[3]、模糊綜合評價法[4]、偏移度量化分析[5]等方法，對定量風險評價進行了研究。但這些方法未考慮風險事件間的相關性，并且如何進一步降低風險評價中專家決策的主觀性需要深入研究。

CUOWGA算子是一種改進的OWGA(有序加權幾何平均)算子[6]，它可以對不確定環境中的一組區間數據，基于數據間兩兩比較的可能度公式及模糊互補判斷矩陣公式進行集結決策，降低決策者帶來的主觀影響，得到可信度最高的數據區間。CUOWGA算子目前已經在多屬性決策[7]、聚類分析[8]等領域得到廣泛應用。

而Sharpley值是一種基于合作博弈論的利益分配方式[9]，它可以計算各成員在考慮相互聯盟的情況下對于整體的相對重要程度或權重[10]。根據這一特點，可以計算安全性分析領域中多風險相關下的評價因素權重值。

本文方法首先對被測系統建立功能分層模型，使用HAZOP方法辨識模型潛在的風險及影響；根據辨識結果建立評價因素集，結合模糊統計法建立評判集；邀請5人專家組使用評判集對各底層因素進行模糊評價并量化為置信區間；使用改進的CUOWGA算子集結各專家評價，降低專家評價主觀性，獲得各單一因素的風險評估值；利用Sharpley值函數，計算在考慮風險相關性的情況下，各下層評價因素對上層評價因素的影響權重；根據各下層因素的風險評估值及權重，使用加權平均法計算上層評價指標的風險評估值；重復上述步驟，最終獲得被測系統的整體風險等級。本方法利用模糊統計法、CUOWGA算子及Sharpley值相結合，全面整合了專家組評價，降低了專家主觀影響及經驗差異，且考慮了多風險相關性，對應答器傳輸系統的風險評價提供了新方法。

1 系統建模與HAZOP分析

1.1 功能分層模型

本文利用功能分層模型對系統功能進行建模描述。功能分層模型能夠描述系統的功能分層結構，根據功能涵蓋的范圍，以樹狀圖的形式自上而下進行功能分解[11]。某典型功能分層模型如圖1所示。

圖1 典型功能分層模型示意

功能分層模型能幫助研究人員根據底層功能風險程度，自下而上地完成整個系統的風險評估。

1.2 HAZOP風險識別

基于功能分層模型，運用HAZOP方法對模型中的潛在的風險事件及其影響進行識別，建立HAZOP分析表[12]，包括以下內容。

(1)節點：系統具體的設備單元、功能、操作過程及狀態。

(2)要素：同一節點中可能具有的不同特征，是節點的細化。

(3)引導詞：用于描述對要素設計意圖偏離的詞或短語。常用引導詞及含義見表1[13]。

表1 常用引導詞含義

(4)偏差：一般為“要素”與“引導詞”組成的短語，即識別出的故障模式。

(5)發生原因：從設備單元的硬件、軟件、外界條件等方面分析產生風險或故障的原因。

(6)可能后果：風險可能導致的后果或影響。

按照功能分層模型的層次劃分，結合“節點”及“要素”的定義，將功能分層模型中的中間功能{FⅠ，FⅡ}作為HAZOP分析節點，底層功能{{F1，F2}，{F3，F4}}作為分析要素展開分析。

2 系統風險評價方法

2.1 構建評價因素集

評價因素集是指決策系統中影響評判的各種因素所組成的集合[14]。本方法中可將HAZOP辨識出的所有偏差{u1，u2，…，um}作為評價因素集U。以圖1展示的典型功能分層模型為例，結合各偏差所屬的節點{uⅠ，uⅡ}，可將評價因素集U表示為

U={uⅠ，uⅡ}={{u1，u2}，{u3，u4}}

其中，uⅠ表示節點FⅠ的所有偏差組成的評價因素子集，u1表示要素F1辨識出的偏差的評價因素。

2.2 構建標準評判集及模糊評判集

評判集是指對評估標準進行劃分而得到的各風險等級的集合。根據EN50126標準中對列控系統風險級別的說明，將其作為標準評判集G={G1，G2，G3，G4}={“可接受的”，“可容許的”，“不期望的”，“不可接受的”}[15]。

傳統方法中，往往將評判集量化為確定數值，主觀性較強。為解決這一問題，將評判集量化為區間數。定義風險等級最大值為1，最小值為0。根據等分原則，標準評判集可表示為G={G1，G2，G3，G4}={[0，0.25]，[0.25，0.5]，[0.5，0.75]，[0.75，1]}。

當專家進行風險評價時，受限于經驗認知或現場環境復雜等條件，標準評判集的4等級劃分較為模糊。為便于專家給出客觀評價，將風險等級擴展為7級，定義模糊評判集V={v1，v2，…，v7}={“最小”，“很小”，“較小”，“一般”，“較大”，“很大”，“最大”}。其含義及對應量化區間如表2所示。

表2 模糊評判集量化含義

2.3 單因素評判集

2.4 基于CUOWGA算子的專家評價集結

CUOWGA算子是一種針對區間決策數據的集結方法，有利于解決模糊性問題。集結過程中引入規范化決策矩陣及可能度矩陣，降低了專家個人主觀性及專家間經驗差異性帶來的影響[16]。

傳統CUOWGA算子獲得的結果與評判集量綱不同，本文針對此增加了算子-評判集轉換步驟。以n個專家參評包含m個風險事件的因素集為例，具體計算過程如下。

(1)專家位置權重ω=(ω1，ω2，…，ωk，…，ωn)

(1)

其中，Q(r)為模糊語義量化算子

(2)

其中，a，b，r∈[0，1]。規定模糊語義計算原則分別為“至少半數”“大多數”“盡可能多”的前提下，Q(r)中的參數[a，b]對應取值為 (0，0.5),(0.3，0.8),(0.5，1)。

(3)

令la=aU-aL，lb=bU-bL，定義：

(4)

(5)

(5)規范化評判數據排序

(6)計算CUOWGA算子

利用位置權重ω，對b(k)進行加權處理，得到因素uk的CUOWGA算子

(6)

因素集的CUOWGA算子可表示為CUOWGA(u1，u2，…，um)。

(7)算子-評判集置信區間轉換

利用式(3)的逆推公式，獲得因素uk的集結評判數據J(uk)，其中

(7)

因素集的集結評判數據可表示為J(u1，u2，…，um)。

2.5 基于Sharpley值函數的因素權值計算

由于在應答器傳輸系統中，各風險可能同時出現且相互影響，風險相關性的評估對評價結果的準確性至關重要。Sharpley值函數本質是一種考慮成員可以聯盟的情況下，按各成員對整體貢獻度進行分配的一種分配方式[17]。將其引入安全性分析領域，可以合理分析在考慮風險相關性的情況下，各因素對因素集的影響權重。具體步驟如下[18]。

(1) 集結評判數據歸一化

對集結評判數據J(u1，u2，…，uk，…，um)進行歸一化處理，得到歸一化評判數據C(c1，c2，…，ck，…，cm)。

(8)

(2)計算因素組合影響程度

將因素集中所有可能同時出現的因素組合用集合S表示，s表示其中的一種組合方式。組合s對因素集的影響程度v(s)可表示為

(9)

其中，σ表示關系系數，uk表示組合s包含的一個因素，ck表示uk的歸一化評判數據。v(s)計算值大于1時取值為1。

組合方式s中包含的因素相互影響時，關系系數σ取1.2，增強影響程度；當各因素相互獨立或s包含所有因素時，關系系數σ取1。

(3)計算各因素的風險相關權重

根據Sharpley值的計算公式，因素uk對因素集的影響權重φk可表示為

(10)

其中，|s|表示組合方式s中含有的因素個數；v(s)表示組合s對因素集的影響程度；v(s/k)表示組合s剔除因素uk后形成的新組合對因素集的影響程度；n是因素集包含的因素個數，w(|s|)表示組合s的加權因子。

2.6 加權綜合評判

根據各因素的集結評判數據J(u1，u2，…，um)及權重(φ1，φ2，…，φm)，運用加權平均法計算因素集U的綜合評判值Z(U)，可表示為

(11)

3 案例分析

應答器傳輸系統是列控系統的重要地-車信息傳輸子系統，也是保障列車安全運行的關鍵設備[19]。論文以應答器傳輸系統為對象進行方法應用與驗證。

3.1 構建評價因素集

應答器設備由地面、車載兩部分設備構成。車載設備包括BTM與天線單元，地面設備包括LEU及地面應答器。應答器設備結構如圖2所示[20]。

圖2 應答器設備結構

應答器系統的核心功能，是實現地面設備與車載設備之間信息的安全傳輸，而系統核心功能的實現，需要地面應答器功能、LEU功能、BTM及天線單元功能的共同支撐[21-22]。

根據應答器系統結構，建立三層功能分層模型。最上層為應答器傳輸系統功能；第二層為應答器部件功能；第三層功能為各部件具體功能，也是最簡潔、不能繼續分解和細化的功能。。

利用HAZOP對功能分層模型進行風險辨識，可得到如表3所示的應答器系統功能分層模型風險識別表。共識別出風險偏差11個，由于篇幅限制，僅列出部分辨識結果。

表3 應答器傳輸系統功能分層模型風險辨識

根據HAZOP辨識結果，將11個風險偏差編號，并建立應答器風險評價因素集U={uⅠ，uⅡ，uⅢ}={{u1，u2，u3，u4}，{u5，u6，u7}，{u8，u9，u10，u11}}，如圖3所示。

圖3 應答器風險評價因素集

3.2 單因素評判

邀請5人專家組對因素集的底層因素進行單因素評判。以“地面應答器功能失效”因素子集uⅠ為例，共包含4個因素。評判數據如表4所示。

表4 專家組模糊評價數據

表5 單因素評價矩陣

3.3 專家評價集結

(1)計算專家位置權重

對風險預測時，應考慮風險最大的情況，因此選擇模糊語義為“盡可能多”，即[a，b]取值為(0.5，1)。根據式(1)、式(2)計算可得，專家位置權重為

ω=(0.4，0.4，0.2，0，0)

(2)單因素評判矩陣規范化

表6 規范化評判矩陣

同理，可得其余3個因素的可能度矩陣如下

b(1)=

b(3)=

(7)計算CUOWGA(u1，u2，…，u4)

根據式(6)，結合位置權重ω，可計算各因素的CUOWGA算子

CUOWGA(u1，…，u4)=

(8)根據式(7)計算集結評判數據

J(u1，…，u4)=

([42.9，57.2]，[0，23.5]，[0，24.9]，[0，29.3])

3.4 因素權值計算

根據上述集結評判數據的中間值，計算多風險相關下的底層因素對因素子集uⅠ的影響權重。

(1)根據式(8)，對集結評判數據中間值進行歸一化處理

C=[0.563 0，0.132 2，0.14，0.164 7]

(2)將因素{u1，u2，u3，u4}隨機組合，根據式(9)各組合對因素子集uⅠ的影響程度v(s)如表7所示。

表7 各組合影響程度數據

(3)根據表7及式(10)，計算各因素權值

φ1(v)=0.598 5；φ2(v)=0.124 0

φ3(v)=0.129 7；φ4(v)=0.145 8

3.5 加權綜合評判

(1) 因素子集綜合評判

將各底層因素的集結評判數據J(u1，u2，…，um)及權重(φ1，φ2，φ3，φ4)，應用式(11)計算得因素子集uⅠ“地面應答器功能失效”的綜合評判值Z(uⅠ)=[25.7，44.6]。

選取不同因素子集，重復3.3節內容，可計算得：“LEU功能失效”Z(uⅡ)=[15.1，28.9]，“BTM及天線功能失效”Z(uⅢ)=[41.3，54.6]。

(2)因素集U綜合評判

將因素集U={uⅠ，uⅡ，uⅢ}作為評價集合，{Z(uⅠ)，Z(uⅡ)，Z(uⅢ)}作為{uⅠ，uⅡ，uⅢ}的集結決策數據，重復3.4節內容計算權值，再利用式(10)獲得因素集U“應答器系統失效”綜合評判值Z(U)為[30.9，46.1]。

取Z(U)中值38.5作為“應答器系統失效”的最終評價值，則根據標準評判集可知，應答器系統功能失效等級為“可容許的”，該結果與現場使用情況相符，表明基于改進CUOWGA算子-Sharpley值的應答器傳輸系統風險評價方法是有效的。同時，根據因素子集的綜合評判值大小，可發現“BTM及天線單元功能失效”對系統整體影響最大，應采取措施重點防護。

4 結論

(1)將專家評判數據量化為區間數并運用CUOWGA算子進行集結，可以有效降低專家決策的主觀性。

(2)引入Sharpley值函數可以對多風險相關下的風險事件權重進行計算，提升了結果的客觀性與可信度。

(3)以應答器設備為例，驗證評價方法的有效性。案例結果表明：應答器系統功能失效等級為“可容許的”，“BTM及天線單元功能失效”對系統整體影響最大，該結果與現場使用情況相符，驗證了本方法的有效性。