XiaoMi-AI文件搜索系统
World File Search System人为失误
神经人体工程学与飞行安全 - ISAE-SUPAERO
从人为因素到神经人体工程学 众所周知，人为因素是核能、太空探索、医学或航空等许多关键领域发生事故和灾难的一个原因。就航空运输而言，估计约有 60% 至 80% 的航空事故涉及人为失误。自第二次世界大战以来，人为因素研究蓬勃发展。在航空领域，早期研究侧重于驾驶舱的设计（控制、显示……）以及高度和环境因素对飞行员的影响。随着计算机化驾驶舱的复杂性不断增加，研究越来越多地集中在操作员的认知上（例如心理需求）。此外，单人飞行员操作和地面驾驶的新发展构成了新的挑战，需要进行广泛的研究。因此，在 20 世纪，人为因素和人体工程学方法不断发展。传统上，人机交互分析主要侧重于主观和可观察的行为，以研究现场的人类工作。尽管这种方法为取得巨大进步铺平了道路，尤其是当观察结果导致描述性建模时，但飞行员大脑功能的一个重要部分仍然未知。自 21 世纪初以来，神经人体工程学（神经科学、认知工程和人为因素的交叉学科）通过研究人与技术交互之间相互作用背后的大脑机制，提供了一种替代方法来进一步扩展我们对可观察行为的理解。因此，在人为因素的连续性中，神经人体工程学的主要目标是通过使系统设计适合人脑来增强人与技术的耦合，并通过提供帮助、加强培训或改进操作员选择来支持活动。
2011 年 3 月航空安全世界 - 飞行安全基金会
过去几年来，飞行安全基金会一直就将人为失误定为刑事犯罪这一广泛话题直言不讳。最近这方面的情况比较平静，所以我觉得应该提供一些最新情况。我们最近努力的重点是安全信息的法律保护。自愿提供的安全信息越来越多地被用于法庭案件，有时甚至是微不足道的案件，并根据信息自由要求向一般新闻媒体提供。我们说的不是保护松懈的普通国家；我们说的是加拿大和英国等航空业发达的国家。这些披露并不是引人注目的事件。它们是悄无声息的法庭裁决，没有引起太多关注。但这正是让我们感到紧张的原因。在重大事故后的情绪动荡中看到机密信息被披露是一回事，而在正常业务过程中看到法院随意提供这些信息则是另一回事。这些案件的法官正确地指出，普通法或立法没有对这些信息进行保护。让我明确一点：即使你的监管机构可能同意保护自愿提供的信息，并承诺不会利用这些信息对付举报人，但这一承诺对其他想要使用这些信息的人没有任何影响。几乎任何在法庭上声称需要这些信息的人都可以获得这些信息。这就是我们今天所进行的斗争。好消息是我们并不是孤军奋战。国际民航组织正在组建一个小组，专门针对这一问题，并希望制定可行的安全信息保护国际标准。这个小组将包括行业、劳工组织、检察官、
制造业中的人为错误分析 - Redalyc
摘要尽管工业自动化水平不断提高，但手动装配在各个制造业领域仍然发挥着基础性的作用。然而，手工操作容易出现人为失误，从而导致质量问题和经济损失。本文旨在展示一些可以识别不同类型的错误并评估影响工人绩效的因素的影响的方法。特别展示了 SHERPA 和 HEART 方法。本文还讨论了考虑组装复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的概率。本文使用专业文献中的概念，并阐明了人体工程学、工业工程和系统可靠性等几个知识分支。关键词：人的可靠性；装配系统；复杂;人体工程学；持续改进；认知负荷。摘要尽管制造业的自动化水平不断提高，但手动装配在多个生产领域仍然发挥着关键作用。然而，手动装配操作容易出现人为错误，从而导致质量问题和经济损失。本文旨在介绍一些可以识别不同类型的错误以及影响操作员表现的因素的方法。这些方法包括 SHERPA 和 HEART。文章还讨论了考虑任务复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的风险。在讨论中，我们使用了专业文献中的不同概念，同时阐述了人体工程学、工业工程和系统可靠性等不同的知识分支。关键词：人的可靠性；装配系统；复杂性、人体工程学、持续改进认知负荷。
使用该方法对人为因素分析和分类系统 (HFACS) 不安全行为和不安全监督层进行可靠性测试
根据印尼国家运输安全委员会（KNKT）2013年的报告，印尼60%的航空运输事故是人为因素造成的。已经开发出各种方法来识别和分析人为错误，其中之一就是人为因素分析和分类系统 (HFACS)。该方法从不安全行为、不安全行为的前提条件、不安全监管、组织影响四个层次解释了人为失误。本研究旨在确定印度尼西亚航空事故调查中HFACS不安全行为和不安全监督层的可靠性，并确定影响这种可靠性的因素。测试HFACS可靠性的方法是一致性指数（IOC）。此方法计算受访者之间的百分比一致性。共有 7 名受访者参与了本研究，通过评估五起使用 HFACS 的事故案例，并填写了一份评估 HFACS 的全面性、灵活性、效率和可用性的问卷。超过 70% 的百分比被认为是可靠的。从问卷调查结果看，层次化层面的同意率为89.50%，细层次层面的同意率为24.11%。因此，不安全行为和不安全的监督层在层级别上是可靠的，但在子层级别上是不可靠的。有几个因素影响这种可靠性，即信息的完整性、HFACS 问卷调查对象、HFACS 说明和研究程序。 。
英国石油公司德克萨斯城和雪佛龙里士满事故
尽管石油行业在提高安全性方面做出了努力，但严重事故发生率仍然很高，许多事故涉及人为失误事件 (HFE)，这些事件可以通过人为可靠性分析 (HRA) 进行识别、建模和量化。石油行业通常通过关注技术障碍来分析过程安全性，因此可以从 HRA 中受益。Phoenix 方法是一种 HRA 方法，它使用人为响应模型并将机组故障模式 (CFM) 与性能影响因素 (PIF) 联系起来。基于 Phoenix CFM 和 PIF，本文分析了两起炼油厂事故，即 BP 德克萨斯城 (2005) 和雪佛龙里士满 (2012)。分析包括构建事故时间表；识别 HFE 并将其分配给适当的 CFM；最后分析 PIF。分析有助于更好地了解操作员如何应对过程的异常情况，以及他们采取这些行动的原因，调查人为错误对事故的影响。评估人为错误在这些事故中所起的作用，有助于理解事故发生的原因，也是避免将来再次发生同样事件的关键信息。此外，还讨论和评估了主要基于核电站运营开发的 Phoenix HRA 在炼油厂运营场景中的应用特点和局限性。本文对调查人为错误对石油工业事故的潜在影响的价值提供了见解。
附录 1. ADREP 数据的管理因素分析
附录1. ADREP 数据管理因素分析 ICAO ADREP 系统由 1974 年的 ICAO 事故调查与预防委员会建立。ICAO 提供了一种标准的报告格式，已被世界各地的 ICAO 成员国采用。敦促成员国使用标准的 Adrep 分类法和报告格式提交信息，以纳入 ICAO 事故/事件报告 (Adrep) 数据库。我们分析的数据是从 1990 年到 2006 年。 1. ADREP 分类框架：在 ADREP 分类法中，机组人员失误分为两个级别的故障。 1) 飞机操作失误：ADREP 分类法将机组失误编码为 122 个描述性因素，这些因素分为 5 类： • 机组的感知/判断（感知） • 机组的决策失误（决策） • 机组的设备操作失误（行动） • 机组的飞机处理失误（行动） • 机组根据机组程序采取的行动（违规） 在每个类别中，对机组失误进行了更详细的描述。完整列表请参阅 [1]。 2) 在 ADREP 分类法 [1] 中，ADREP 分类法中最详细的超过 250 个解释因素描述了导致人为失误发生的根本原因。原因分为 5 类，表 1.1 给出了每个类别中的一些详细原因示例。 o 人类 o 人类与工作环境之间的界面
制造业中的人为错误分析 - Redalyc
摘要尽管工业自动化水平不断提高，但手动装配在各个制造业领域仍然发挥着基础性的作用。然而，手工操作容易出现人为失误，从而导致质量问题和经济损失。本文旨在展示一些可以识别不同类型的错误并评估影响工人绩效的因素的影响的方法。特别展示了 SHERPA 和 HEART 方法。本文还讨论了考虑组装复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的概率。本文使用专业文献中的概念，并阐明了人体工程学、工业工程和系统可靠性等几个知识分支。关键词：人的可靠性；装配系统；复杂;人体工程学；持续改进；认知负荷。摘要尽管制造业的自动化水平不断提高，但手动装配在多个生产领域仍然发挥着关键作用。然而，手动装配操作容易出现人为错误，从而导致质量问题和经济损失。本文旨在介绍一些可以识别不同类型的错误以及影响操作员表现的因素的方法。这些方法包括 SHERPA 和 HEART。文章还讨论了考虑任务复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的风险。在讨论中，我们使用了专业文献中的不同概念，同时阐述了人体工程学、工业工程和系统可靠性等不同的知识分支。关键词：人的可靠性；装配系统；复杂性、人体工程学、持续改进认知负荷。
制造业中的人为错误分析 - Redalyc
摘要尽管工业自动化水平不断提高，但手动装配在各个制造业领域仍然发挥着基础性的作用。然而，手工操作容易出现人为失误，从而导致质量问题和经济损失。本文旨在展示一些可以识别不同类型的错误并评估影响工人绩效的因素的影响的方法。特别展示了 SHERPA 和 HEART 方法。本文还讨论了考虑组装复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的概率。本文使用专业文献中的概念，并阐明了人体工程学、工业工程和系统可靠性等几个知识分支。关键词：人的可靠性；装配系统；复杂;人体工程学；持续改进；认知负荷。摘要尽管制造业的自动化水平不断提高，但手动装配在多个生产领域仍然发挥着关键作用。然而，手动装配操作容易出现人为错误，从而导致质量问题和经济损失。本文旨在介绍一些可以识别不同类型的错误以及影响操作员表现的因素的方法。这些方法包括 SHERPA 和 HEART。文章还讨论了考虑任务复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的风险。在讨论中，我们使用了专业文献中的不同概念，同时阐述了人体工程学、工业工程和系统可靠性等不同的知识分支。关键词：人的可靠性；装配系统；复杂性、人体工程学、持续改进认知负荷。
寻找裂缝：人工智能在军事应用的新视角
亚当斯，道格拉斯。终极搭便车指南。完整且未删节。纽约：Wings Books，1996 年。 Ben Jiang。“中国科技老兵在 ChatGPT 狂潮中投身人工智能初创企业。”南华早报，2023 年 4 月 7 日。https://www.scmp.com/tech/tech-trends/article/3217457/chinese-tech-veterans-jump-ai-start-ups-amid-chatgpt-frenzy。 克劳塞维茨，卡尔·冯。论战争。迈克尔·艾略特·霍华德和彼得·帕雷特主编。第一次平装印刷。新泽西州普林斯顿：普林斯顿大学出版社，1989 年。 哈夫，达雷尔和欧文·盖斯。如何用统计数据说谎。诺顿平装再版。纽约：诺顿，1993 年。 Ian Bogost。“ChatGPT 比你想象的还要愚蠢。”大西洋月刊 (在线)，2022 年 12 月 7 日。https://www.theatlantic.com/technology/archive/2022/12/chatgpt-openai-artificial- intelligence-writing-ethics/672386/。李开复。人工智能超级大国：中国、硅谷和新世界秩序。纽约霍顿·米夫林·哈考特出版社，2018 年。迈克尔·拉里斯。 “致命的特斯拉车祸与技术和人为失误有关”，《华盛顿邮报》[在线]，2020 年 2 月 25 日。https://www.washingtonpost.com/local/trafficandcommuting/deadly-tesla-crash-tied-to-technology-and-human-failures-ntsb-says/2020/02/25/86b710bc-574d-11ea-9b35-def5a027d470_story.html。奥尼尔，凯茜。数学毁灭武器：大数据如何加剧不平等并威胁民主。第一版。纽约：Crown，2016 年。肖天亮。军事战略学。楼耀良、康武超、蔡仁钊主编。北京，中国：国防大学出版社，2020 年。
海上运输系统中的风险管理
国家经济依赖于使用主要港口和水道的安全高效的海上运输。美国的港口和水道在船舶交通、提供的服务种类、地理和环境条件方面差异巨大。港口必须能够提供高效、快速的周转能力，以适应不断扩大的贸易以及不断增加的远洋船舶的尺寸和速度，其中越来越多的船舶悬挂外国国旗。许多美国港口还为大量沿海和内陆船舶交通提供服务，拥有各种各样的驳船、拖船、客运渡轮和休闲船。除了交通量增长和船舶特性变化外，许多其他因素也汇聚在一起，造成影响港口安全和效率的潜在问题。安全问题包括船舶类型复杂、货物危险以及人为失误导致海事事故的持续存在。潜在的安全问题还源于商业船队的老化、一些不合标准的悬挂外国国旗的船只和船员、通信超载、航海图过时以及环境数据不足。此外，许多港口太浅，无法容纳吃水最深的船只，而经济因素有时要求在受限的航道和码头使用最大的船只。联邦、州和地方机构负责向水道使用者提供服务，并协调水道的使用，以实现最大公共利益。安全、负责地管理水道的使用可以为特定地区乃至整个国家带来重大利益。美国主要港口运营管理人员面临的主要挑战之一是，在运输量、复杂性和多样性不断增加的情况下，及时了解并在适当时实施最佳可用技术来管理风险并防止事故发生。