XiaoMi-AI文件搜索系统
World File Search System人为失误
控制中人为错误的预测和风险评估...
摘要 人为失误是导致事故发生的重要因素，可能导致人员伤亡和财产损失。发电厂行业作为最重要的基础设施行业，在工业基础设施中发挥着重要作用。目的：本研究旨在通过 SHERPA 方法预测和评估蒸汽发电厂控制室的人为失误。方法：这项描述性横断面研究是在蒸汽发电厂的控制室进行的。本研究通过分层任务分析 (HTA) 和 SHERPA 方法识别和分析人为失误。结果：共识别出 85 个错误，其中 56 个 (65/1%) 为操作失误，24 个 (27/9%) 为检查失误，1 个 (%1/2) 为检索失误，2 个 (2.32%) 为沟通失误，3 个 (3.48%) 与选择失误有关。结果还表明，由于识别错误而导致的风险水平已达到不可接受和不理想的水平。结论：本研究中最重要的识别错误与操作错误有关。为了尽量减少这些错误并限制其后果，我们可以根据工作使用清单和适当的说明并教育控制室操作员。
基于改进的人类飞行安全评估...
人为失误是影响航空安全的最重要风险因素之一。原有为核工业开发的认知可靠性与误差分析方法 (CREAM) 对于人为可靠性量化是可靠的，但它并不完全适用于航空中的人为可靠性分析，因为它忽略了长时间飞行的特点。本文，我们提出了一种改进的 CREAM 方法来预测飞行中的人为失误概率，并为关键操作提供一些改进措施。建立了一组性能影响因素 (PIF)，例如飞行程序和地面支持，以反映飞行中的操作场景。然后，我们开发了 PIF 的预期影响指数和场景影响指数，以构建人为可靠性的定量模型。利用改进的 CREAM 方法计算了进近和着陆阶段每个操作的人为失误概率，结果表明影响人为可靠性最重要的认知功能是误操作。考虑到长时间飞行，该方法可能是一种适用于航空人为可靠性量化的工具。该方法对提高飞行安全性也具有重大的实际意义。
MACSEA 数据科学组合
许多研究已经证明，大多数海上事故都是人为失误造成的。涉及油轮等大型船舶的事故可能会对环境造成灾难性的影响。当今的船舶体积庞大，惯性巨大，对控制命令的反应迟缓。导航员的预测和判断至关重要，因为导航命令必须在预期操作之前提前发出。人为失误的余地非常小，特别是在受限制或拥挤的水道中。随着人们对自动驾驶船舶的浓厚兴趣，确保安全和降低大型船舶自主航行的风险越来越受到关注。许多公司正在开发自动驾驶船舶的人工智能技术，但与最近的媒体报道相反，还有很多工作要做才能确保安全。
ACR 放射科住院医师培训项目健康课程
背景：医疗失误相当复杂，对该主题的深入分析已导致从指责文化转变为促进无指责环境的安全文化。沿着这一思路，质量改进的概念已获得发展势头，组织通过持续流程实施系统以防止发生错误，该流程不断评估潜在问题并提出新方法以确保问题得到纠正。创建多层系统控制可以降低故障/错误发生的可能性，但没有一个系统是万无一失的。尽管研究发现绝大多数医疗失误是由系统性问题而非个人因素引起的，但人为因素仍然与医疗失误有关。詹姆斯·里森 (James Reason) 提出了“瑞士奶酪”人为失误陷阱模型，将人为失误比作瑞士奶酪上的洞。该模型解释道，尽管危险和事故之间有多层防御措施，但每层都存在缺陷（漏洞），一旦这些缺陷出现，就可能导致事故发生。
航空维护决策中的人为因素
鉴于人为失误的安全隐患，航空业中的人为因素仍然是一个关键的研究领域。了解哪些具体因素会导致人为失误，管理人员和操作员可以采取措施减轻这些危害。已经在驾驶舱和机组人员环境中测试了几种方法，但尽管人为失误导致的事故很普遍，但对航空维修部门的关注较少。随着 AC-172A 的推出，FAA 证实了需要对人为因素在航空维修失误中的作用进行额外的研究和培训。然而，这一过程中的一个关键组成部分往往被忽视——决策的作用。在航空维修中，环境可能会迅速变化。技术人员必须做出反应，并相应地调整他们的行为和决策能力。疲劳、压力和干扰等人为因素会干扰认知过程和判断，进而影响决策。随着技术人员适应这些环境挑战，必须制定策略以促进最佳决策。解决航空维护中的人为因素及其对决策过程的影响的建议包括采取主动和被动的方法识别人为错误。主动筛选过于规避风险或过于乐于承担风险的个人可以帮助招聘经理雇用合适的人员，使他们能够在航空等高后果行业做出适当的决策。此外，通过鼓励和审查危险报告，可以采取措施减轻未来的人为错误因素。匿名危险报告工具（例如 REPAIRER）允许维护经理通过包括人为因素分析来利用现有（和 FAA 要求的）安全管理系统 (SMS)。推荐引用：Mrusek, B.& Douglas, S. (2020)。从课堂到行业：航空维修中的人为因素
维修人员报告系统用户分析，以了解航空维护中 SMS 的合规性
摘要。为了解决维护中的人为失误问题，我们重新审视了 REPAIRER 报告系统，因为它将人为因素分析与风险管理安全报告机制相结合，具有巨大潜力。现在可以通过新的强制性 FAA（联邦航空管理局）FAR 121 要求使用 SMS（安全管理系统）支柱以及通过新的 FAA MxHF 人为因素培训，切实实施像 REPAIRER 这样以人为因素为中心的安全报告方法，这也是恰逢其时。在当前 FAA 支持下，以及在航空维护中增加人为因素以对抗人为失误的需求日益增长的情况下，REPAIRER 模型对许多航空维护组织来说似乎很有吸引力。为了说明这一点，研究人员的意图是将 REPAIRER 模型应用于航空维护组织的假设用途，以了解其潜在的好处。为了实现这一目标，首先要全面审视经济效益，即通过安全和更少的事故来节省成本，然后还要考虑可能的效率提升。然后，REPAIRER 被视为一种激励员工和营造公平文化的工具。REPAIRER 增值的最后一个方面是易于将其应用到各种类型和规模的组织中。
使用机器学习模型研究人为错误...
人为因素 (HF) 的重要性早已在航空业得到认可，深入了解和预防人为失误是航空安全委员会面临的首要挑战。本研究的重点是确定导致航空事故和事件的人为失误的特征，并在大量航空事故样本中发现这些特征。考古数据收集于 1971 年至 2018 年，共计 47 年，用于识别 HF 的存在，并与指示飞行员特征、坠机条件和飞机特征的属性进行了彻底分析。模型高斯朴素贝叶斯、随机森林、逻辑回归、XGBoost 分类器、SVM 和人工神经网络 (ANN) 建模，以评估各个属性与坠机时 HF 概率的关联。通过这项研究，我们发现准确度可以为每个分类器提供准确的评估。与前三个模型相比，使用交叉验证的 SVM 可以达到 96% 的最高准确度。使用超参数调整可以提高 ANN 模型中 93.19% 的结果，从而达到 93.29% 的准确度。在评估这项研究的过程中，我们将展示如何使用机器学习模型来获取有意义的信息。