机务维修人员疲劳风险评价模型及管理系统实现
汪磊副研究员任勇( 中国民航大学飞行技术学院，天津300300)
学科分类与代码: 6203070( 安全系统工程) 中图分类号: X949 文献标志码:A
资助项目: 中国民航局科技项目( MHＲD20140206) ; 中国民航局重点科技项目( MHＲD2011238) ;中央高校基本科研项目( 3122016B007) 。
【摘要】为量化评价民航机务维修人员疲劳风险，首先通过调研和德尔菲法构建机务维修人员疲劳影响因素评价指标体系，依据灰色聚类原理，建立民航机务维修人员疲劳风险灰色聚类评价模型; 然后从维修单位采集实际数据，结合各指标权重，通过算例验证模型的有效性; 最后将模型应用于机务维修人员疲劳风险管理系统的开发中，实现调查问卷的电子化和评价过程的自动化计算。
结论表明: 用灰色聚类模型可实现机务维修人员疲劳风险的量化评价与分级，系统软件可作为机务维修单位疲劳风险管理的实际工具进一步推广应用。
【关键词】机务维修人员; 疲劳风险; 风险评价; 灰色聚类; 疲劳风险管理系统Fatigue risk evaluation model and system forcivil aviation maintenance personnelWANG Lei ＲEN Yong( Flight Technology College，Civil Aviation University of China，Tianjin 300300，China)
Abstract: For the sake of evaluating fatigue risk of civil aviation maintenance personnel in a quantitativeway，firstly an evaluation index system of fatigue inducing factors was developed based on Delphi methodand a fatigue risk evaluation model for aviation personnel was built based on the gray clustering principles．Then the practical data were collected from a certain maintenance company and a case study was conductedfor validating the model． Finally，the model was integrated into the development of a fatigue maintenancemanagement system where the electronic questionnaire processing and the automated calculation process
were realized． The findings of this study indicate that this gray clustering model could be used to quantitativelyevaluate fatigue risk of maintenance personnel and the system could be used by maintenance organizationsas a practical tool for fatigue risk management．Keywords: maintenance personnel; fatigue risk; risk evaluation; gray clustering;fatigue risk management system
0 引言
维修人为差错是诱发或直接引起飞行事故的主要因素之一，全球民航运输中20% ～ 30%的空中停车、50%的航班延误、50%的航班取消均是由维修时的人为差错引起的［1］。疲劳会造成人的警觉性降低、注意力和记忆力水平下降［2－3］，进而在维修工作中易发生“错、忘、漏”事件，因此，疲劳被认为是导致机务维修人为差错的重要原因。近年来我国航空运输量持续增长，航空公司机队规模不断扩大、机场起降架次日益增长，同时维修人员相对短缺，导致民航机务维修人员的工作负荷也随之增加; 而维修单位通常只依赖于控制维修工时来缓解机务人员疲劳的问题，缺乏针对机务维修人员疲劳风险的系统性管控方案。因此，如何建立科学的评价指标体系，提出一套切实可行的评价方法，实现机务维修人员疲劳风险的定量评价，是目前机务维修领域亟待解决的现实问题。国内外针对民航从业人员疲劳风险问题开展了较为广泛的研究，但其研究对象多为飞行人员及管制人员［4－7］，针对机务维修人员疲劳问题的研究相对较少，张晓全等［8］根据中国某维修厂的具体情况，将决策试验与评价实验室方法和网络分析法相结合，分析了机务人员疲劳的诱发因素，结果显示，健康状态、排班制度、人员岗位安排以及睡眠状况为该维修厂主要疲劳致因; 王燕青等［9］确定了航空维修人员疲劳影响指标及各指标权重，并以问卷调查
方式，对各项得分与权重加权求和，以评价航空维修人员的疲劳风险; 孙瑞山等［10］基于权的最小平方法和熵权法，深入分析了机务维修人员疲劳的几个主要影响因素，并确定了各指标的组合权重。综合来看，机务维修人员疲劳所带来的安全问题将日趋凸显，并在短期内持续，但现有研究尚未实现机务维修人员疲劳风险的量化评价。因此，笔者将采用德尔菲法，建立机务维修人员疲劳影响因素评价指标体系，并将灰色聚类方法引入机务维修人员疲劳风险研究，以实现机务维修人员疲劳风险的量化评价。
1 机务维修人员疲劳风险评价模型
1 评价指标体系及权重
通过文献、资料分析及调研［8－10］，并采用德尔菲法［11］确定机务维修人员疲劳影响因素评价指标体系，用权的最小平方法和熵权法［10］，将主观权重和客观权重相结合，得到指标的组合权重，最终获得指标体系及权重，见表1。
表1 机务维修人员疲劳影响因素评价指标体系及各指标权重
Tab．1 Evaluation index system for factors influencing fatigue of maintenance personnel and index weights
2 确定聚类对象和灰类
灰色聚类理论属于灰色系统理论，邓聚龙［12］于20 世纪70 年代末提出。灰色聚类评价方法是建立在灰数白化权函数基础上，利用已知信息代替未知且不确定信息的一种方法［13］。采用这一方法可将集合内评价对象的疲劳风险划分为几个等级，通过计算各项指标来确定集合内各个评价对象所处级别，进而评价出机务维修人员的疲劳风险等级。
选取某航空公司机务维修人员为聚类对象i，聚类指标即机务维修人员疲劳影响因素二级评价指标Cj，共m 个，1≤ j≤ m。聚类对象i 即量化评价者有n 个，1 ≤ i ≤ n。按照评价要求，将各指标划分为s 个灰类，即将疲劳风险等级划分为s 个等级。根据机务维修人员i 关于第j 个疲劳影响因素的量化评价值xij，将对象i 归入第s 灰类。文中将机务维修人员的疲劳风险等级划分为5 个级别，即s = 1，2，3，4，5，分别代表疲劳风险等级很低、低、一般、高、很高。
1. 3 建立量化评价样本矩阵
根据以上评价指标体系及疲劳风险等级的划分，建立样本评价矩阵X = { xij
} 。采用下式将指标值标准化，处理后的数据统一控制在0 ～ 1 范围内［14］。
( 1)
式中x'ij为标准化后的量化评价值。建立标准化后的量化评价样本矩阵，记为X'。
1. 4 构造白化权函数
传统灰色聚类评价大都采用4 类白化权函数，即典型白化权函数、上限测度白化权函数、适中测度白化权函数及下限测度白化权函数。将疲劳影响因素指标j 的第s 灰类白化权函数记为f sj( x) ，白化函数值记为f sj( xij) 。鉴于机务维修人员疲劳风险等级的划分情况，根据上限测度白化权、适中测度白化权及下限测度白化权3 种函数构造形式的特点，在适中测度白化权函数基础上，分别向上、向下拓展一个测度，即适中偏下测度白化权函数和适中偏上测度白化权函数，建立下列各灰类白化权函数表达式:
式中λsj( 1) ，λsj( 2) ，λsj( 3) ，λsj( 4) 和λsj( 5) 为f sj( x)的特征值。则f 1j( x) 表征疲劳影响因素j 属于“很低”这一灰类，f 2j( x) 表征疲劳影响因素j 属于“低”这一灰类，以此类推，f 5j( x) 表征疲劳影响因素j 属于“很高”这一灰类。
1. 5 综合评价
1) 计算灰色聚类系数
式中ηj为评价指标j 的权重。
2) 判断聚类对象所属灰类如果
则机务维修人员i 的疲劳风险属于灰类s。
3) 综合评分
根据聚类系数，建立机务维修人员疲劳风险综合评价模型:
式中: Ｒi为机务维修人员疲劳风险总分值; ws为灰类s 的量化权重值，建议取值见表2。
2 模型验证及实例分析
为进一步验证上述疲劳风险评价模型的适用性和可靠性，设计了《机务维修人员疲劳调查问卷》，并在某大型机务维修公司实施问卷调查。问卷分为2 部分: 第1 部分为个人资料调查; 第2 部分为疲劳因素对机务维修人员疲劳状况的影响程度调查。共收回有效问卷151 份，由于机务人员的工作岗位和环境差异性较大，选取同一工作车间10 名机务维修人员的评价数据作为样本，即聚类对象n 为10，共16 个影响因素，即m 为16。确定了各聚类指标权重后，即可按照上述模型评价机务维修人员的疲劳风险。首 先根据问卷数据得到10 名机务维修人员对各评价指标的量化评价值，根据式( 1) 将评价值归一化，得出量化评价矩阵:
白化权函数中λsj( 1) ，λsj( 2) ，λsj( 3) ，λsj( 4) ，λsj( 5) 的取值没有固定的程式，一般按照已知信息结合实际情况设计［15］。取指标j 第s 灰类的临界值λsj( 1) ～ λsj( 5) 分别为0. 2，0. 4，0. 6，0. 8，1. 0，各指标权重ηj已在表1 中给出，由式( 3) —式( 7) 计算出各指标对应不同灰类的白化值，再根据式( 8) 计算各指标对应不同灰类的聚类系数。当i = 1 时，
风险属于灰类1，即疲劳风险等级为很低。之后，根据式( 9) 计算出对象1 的疲劳风险总分值Ｒ1为13. 97，同理可得σ2，σ3，…，σ10及Ｒ1，Ｒ2，…，Ｒ10。最终，得出10 名机务维修人员的疲劳风险评价结果见表3。
从整体结果来看，10 名机务维修人员的疲劳风险总分均值为40. 86，则应用该模型评价出该车间总体的疲劳风险为中等水平，说明该车间机务维修人员的疲劳风险处于可接受水平。
3 机务维修人员疲劳风险管理系统
在机务维修人员疲劳风险评价模型的基础上，利用Java 语言、Eclipse Mars 工具和MySQL 数据库进一步开发，设计出完整的机务维修人员疲劳风险管理系统，其中包括疲劳预测、疲劳影响因素评价、认知绩效测试、疲劳风险指数以及疲劳事件风险报告等5 大功能模块。系统的主要功能界面如图1所示。
其中，疲劳影响因素评价模块实现了调查问卷的电子化和评价过程的自动化计算，可以综合分析、评价及预警疲劳风险。管理员用户可以用其管理和查询机务维修人员疲劳调查问卷数据，也可以统计、查询和检索评价结果( 图2) 。
将系统在机务维修单位试用，结果表明，机务维修人员通过系统提交问卷后，系统可自动计算出各员工的疲劳风险评价等级和疲劳风险分值，并统计出车间总体的疲劳风险等级分布情况，最终得出车间疲劳风险等级为“很高”的人员占30. 77%，疲劳风险等级为“一般”的人员占26. 92%，总体的疲劳风险为中等水平。系统计算结果与应用模型人工计算的结果一致，说明系统具有较好的可用性，计算结果准确可靠。
4 结论
1) 实施系统化的疲劳风险管理是解决机务维修人员疲劳问题的有效途径，在机务维修人员疲劳影响因素评价指标体系的基础上，依据灰色聚类评价原理建立了机务维修人员疲劳风险的数学模型，实现了机务维修人员疲劳风险的量化评价。
2) 采集某航空维修公司疲劳风险影响因素数据，实例验证模型，结果表明: 该模型计算结果与实际情况比较符合，说明模型具有适用性。
3) 在该模型基础上开发了机务维修人员疲劳风险管理系统，实现了调查问卷的电子化和量化评价过程的自动化计算，为该方法的进一步推广应用奠定基础。
2017年
参考文献
［1］ 谭鑫，周长春． 机务维护人员的工作压力与压力管理［J］． 航空维修与工程，2006( 5) : 55－57．
TAN Xin，ZHOU Changchun． Job stress of maintenance personnel and its management ［J］．Aviation Maintenance ＆ Engineering，
2006 ( 5) : 55－57．
［2］ DAWSON D，ＲEID K． Fatigue，alcohol and performance impairment ［J］． Nature，1997，388: 235－237．
［3］ WILLIAMSON A，LOMBAＲDI D A，FOLKAＲD S，et al． The link between fatigue and safety ［J］． Accident Analysis and
Prevention，2011，43 ( 2) : 498－515．
［4］ WILSON G F，CALDWELL J A，ＲUSSELL C A． Performance and psychophysiological measures of fatigue effects on aviation
related tasks of varying difculty ［J］． International Journal of Aviation Psychology，2007，17 ( 2) : 219－247．
［5］ GANDEＲ P． Fatigue management in air traffic control: New Zealand approach ［J］． Transportation Ｒesearch Part F: Traffic
Psychology and Behavior，2001，4 ( 1) : 49－62．
［6］ 孙瑞山，田万里． 飞行疲劳检测方法研究进展［J］． 职业与健康，2015，31( 8) : 1 142－1 146．
SUN Ｒuishan，TIAN Wanli． PＲOGＲESS IN Ｒesearch on flight crew fatigue detection methods［J］． Occupation and
Health，2015，31( 8) : 1 142－1 146．
［7］ 汪磊，孙瑞山． 基于面部特征识别的管制员疲劳监测方法研究［J］． 中国安全科学学报，2012，22( 7) : 66－71．
WANG Lei，SUN Ｒuishan． Study on face feature recognition－based fatigue monitoring method for air traffic controller ［J］．
China Safety Science Journal，2012，22( 7) : 66－71．
［8］ 张晓全，潘晶，王欢，等． 机务人员疲劳致因影响分析［J］． 中国安全科学学报，2013，23( 2) : 97－102．
ZHANG Xiaoquan，PAN Jing，WANG Huan，et al． Analysis of fatigue causes for aircraft maintenance personnel ［J］．
China Safety Science Journal，2013，23( 2) : 97－102．
［9］ 王燕青，冯贺． 航空维修人员疲劳影响指标研究［J］． 安全与环境工程，2015，22( 6) : 139－142．
WAND Yanqing，FENG He． Study of impact indexes of personnel fatigue in aircraft maintenance ［J］． Safety and Environmental
Engineering，2015，22( 6) : 139－142．
［10］ 孙瑞山，胡臻，汪磊，等． 基于权的最小平方法和熵权法的机务维修人员疲劳影响因素研究［J］． 安全与环境
工程，2016，23( 3) : 167－170．
SUN Ｒuishan，HU Zhen，WANG Lei，et al． Ｒesearch based on WLSM and entropy weight method about influence factors
for maintenance personnel［J］． Safety and Environmental Engineering，2016，23( 3) : 167－170．
［11］ LINSTONE H A，TUＲOIFF M． The Delphi method: techniques and applications ［J］． Journal of Marketing Ｒesearch，
1975，18( 3) : 363－364．
［12］ 邓聚龙． 灰理论基础［M］． 武汉: 华中科技大学出版社，2002: 151－154．
DENG Julong． The theory of grey［M］． Wuhan: Huazhong University of Science and Technology Press，2002: 151－154．
［13］ 刘思峰，谢乃明．灰色系统理论及其应用( 第4 版) ［M］．北京: 科学出版社，2008: 74－93．
LIU Sifeng，XIE Naiming． The grey system theory and its application ( 4th Edition) ［M］． Beijing: Science Press，2008:
74－93．
［14］ 俞立平，潘云涛，武夷山． 学术期刊综合评价数据标准化方法研究［J］． 图书情报工作，2009，53( 12) : 136－139．
YU Liping，PAN Yuntao，WU Yishan． Ｒesearch on data normalization methods for multi－attribute evaluation of learned
journals ［J］． Library and Information Service，2009，53( 12) : 136－139．
［15］ 孙瑞山，杨绎煊，汪磊． QAＲ 数据在飞行安全评价中的应用［J］． 中国安全科学学报，2015，25( 7) : 87－92．
SUN Ｒuishan，YANG Yixuan，WANG Lei．Study on flight safety evaluation based on QAＲ data ［J］． China Safety Science
Journal，2015，25( 7) : 87－92．
文章来源：中国安全科学学报，第2 7 卷第5 期
热门跟贴