دانلود ترجمه مقاله متدولوژی شبکه بیزی برای ارزیابی قابلیت اطمینان انسان بر اساس روش SLIM

1. مقدمه 2. پیشینه 3. BN-SLIM 4. کاربرد مدل 5. نتیجه گیری پیوست

چکیده – مدل شاخص احتمال موفقیت (SLIM)، در مواردی که داده ها ناکافی هستند، یکی از تکنیک های قطعی و پرکاربرد در ارزیابی قابلیت اطمینان انسان می باشد. با این وجود، این روش، تحت عدم اطمینان شناختی قرار دارد زیرا تا حد زیادی برای تعیین پارامترهای مدل نظیر نرخ ها و وزن های عوامل شکل گیری عملکرد (PSF) به قضاوت متخصص متکی است. همچنین، با توجه به عملیاتی که شامل چندین وظیفه است، SLIM ، احتمال خطای انسانی (HEP) را با نادیده گرفتن وابستگی های احتمالی بین وظایف محاسبه می کند. هدف از این مطالعه، استفاده از شبکه بیزی (BN) جهت بهبود عملکرد SLIM در مدیریت عدم اطمینان ناشی از نظر متخصصان و کمبود داده است. از اینرو، برای ایجاد تکنیکBN-SLIM ،SLIM با BN ترکیب می شود. در این مطالعه شرح می دهیم که چگونه BN-SLIM می تواند با استفاده از توزیع احتمال، عدم اطمینان مربوط به نرخ PSF را در نظر بگیرد. همچنین،BN-SLIM ، برآورد بهتری از احتمال خطای انسانی را با در نظر گرفتن وابستگی های شرطی ناشی از PSF های متداول ارائه می دهد. برای شناسایی PSF ها که بیشترین تأثیر را در رویداد عدم موفقیت انسانی دارند، می توان از ویژگی بروزرسانی احتمال BN-SLIM استفاده نمود. از طریق یک مثال گویا، برتری BN-SLIM نسبت به SLIM نشان داده شده است.

Success Likelihood Index Model (SLIM) is one of the widely-used deterministic techniques in human reliability assessment especially when data is insufficient. However, this method suffers from epistemic uncertainty as it extremely relies on expert judgment for determining the model parameters such as the rates and weights of the performance shaping factors (PSFs). Besides, given an operation consisting of several tasks, SLIM calculates the human error probability (HEP) by ignoring possible dependencies among the tasks. The present study is aimed at using Bayesian Network (BN) for improving the performance of SLIM in handling uncertainty arising from experts opinion and lack of data. To this end, SLIM is combined with BN to form the so-called BN-SLIM technique. We demonstrate how BN-SLIM can consider uncertainty associated with the rates of PSFs by using probability distributions. BN-SLIM is also able to provide a better estimation of human error probability by considering conditional dependencies resulting from common PSFs. The probability updating feature of BN-SLIM can be used to identify the PSFs contributing the most to human failure event. The outperformance of BN-SLIM over SLIM is demonstrated via an illustrative example.

ترجمه این مقاله در 20 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.