基于脑力负荷的通航飞机座舱显示界面测评研究

在飞行过程中,飞行员需从座舱显示界面获取和处理很多视觉信息，大量的视觉信息会使飞行员脑力负荷过高，从而易导致飞行事故。为降低飞行员在飞行过程中的脑力负荷和提高飞行的安全性，需判断通航飞机座舱显示界面对飞行员脑力负荷的影响，并为通航飞机座舱显示界面优化设计提供依据。以塞斯纳172SP飞机为例，综合应用主观评价法、绩效评估法和生理测量法，对五边飞行过程中飞行员的脑力负荷进行评估。综合主观评分、飞行绩效、脑电（Electroencephalogram, EEG）指标、眼动指标的分析结果，得出了五边飞行不同飞行阶段的脑力负荷大小排序。采用眼动追踪技术对不同飞行阶段飞行员所关注的界面信息进行定位，确定飞机座舱显示界面上对脑力负荷影响较大的注视热区。结果显示飞行员在平飞阶段的脑力负荷较低，降落阶段的脑力负荷较高；显示界面侧滑指示器对脑力负荷的影响最大。综上可知结合脑力负荷测量和眼动指标可以有效地评价通航飞机座舱显示界面的性能。     

飞机着陆阶段飞行员工作负荷分析

飞行员工作负荷的大小与飞行安全息息相关,因此有必要对飞行员的工作负荷进行深入研究。文章针对安全事故发生最多的着陆阶段作为研究对象,设计飞行试验,采用生理机能测量与主观评价相结合的方法对飞行员在着陆阶段的工作负荷情况进行分析,验证了飞行员呼吸率数据与工作负荷的相关性,得出着陆阶段工作负荷变化的规律和影响工作负荷的一些特殊因素,为安全飞行提出建议。     

面向复杂装配任务的脑力负荷综合评估方法

复杂装配作业脑力负荷过高会降低装配绩效和质量,甚至引发安全事故。因此,对装配任务脑力负荷进行准确测量与评估,确定作业人员的脑力负荷水平,是生产系统优化的重要依据。本文针对复杂装配任务的脑力负荷评估问题,设计了基于Lego积木模拟的装配任务实验,使用主观测量法、绩效测量法和生理测量法采集了27项指标数据,分析了各项数据对脑力负荷变化的敏感性,发现绩效测量指标、主观测量指标、注视次数、总注视时间、扫视次数、总扫视时间和平均瞳孔直径这7项指标是复杂装配任务脑力负荷的有效测量指标。基于有效测量指标,采用BP (back propagation)神经网络和贝叶斯线性判别两种建模方法,构建了装配任务脑力负荷综合评估模型。研究结果表明,使用因子分析将7维指标转化为二维综合指标作为主成分输入,使用归一化共轭梯度法为训练算法的BP神经网络模型是装配作业脑力负荷的最佳综合评估模型,其判别准确率达到84.80%。本文提出的脑力负荷测量与评估方法可为装配作业脑力负荷评定和优化提供参考依据。     

民航飞行员工作负荷影响因素体系研究

飞行员工作负荷作为一个多维且较为复杂的研究对象,其受大量影响因素的影响。本文将建立完整的民航飞行员工作负荷影响因素体系,并对各影响因素的相对重要度进行分析。首先在工作负荷及其影响因素的分析研究基础上,结合飞机驾驶舱环境和飞行环境,通过与飞行员面谈的方法建立了影响因素体系。然后结合专家主观评估对飞行员工作负荷的影响因素指标进行筛选,采用5点Likert型标度获得各影响因素的相对重要性。最终建立了由飞行任务,飞行环境,驾驶舱人机界面,个体因素四大类下的完整的民航飞行员工作负荷影响体系。通过因素的重要度分析结果发现,影响程度最大的前四个影响因素依次为:时间压力、飞机类型(真机、模拟)、飞行时间、飞行阶段。完整的飞行员工作负荷影响因素体系对飞行员工作负荷的研究工作的开展有着重要的指导作用,同时提高工作负荷预测模型的精度。     

虚拟现实中多通道信息呈现方式的认知负荷定量研究

目的 针对虚拟现实体验系统中的不同信息呈现方式,对使用者交互效率影响难以确定及量化的问题,进行定量研究。方法 通过搭建虚拟现实场景,以信息呈现通道的类别与数量作为变量,展开跟踪–检测响应双任务实验;通过记录任务行为数据中的跟踪误差和响应时间,以及生理数据中的瞳孔直径大小,分析并讨论在不同通道刺激影响因素下的实验中,任务绩效及眼动生理反应变化规律;同时结合主观负荷评价数据,建立了基于BP神经网络的多通道认知负荷模型,以认知负荷作为交互效率的综合评价指标,量化任务执行效率。结果 信息呈现的通道类别及其数量对任务效率均有显著的影响。结论 信息呈现通道数量与任务绩效及生理反应呈一定程度的正相关;多个任务使用相同通道呈现信息会损害所有任务的绩效,增加认知负荷。模型输出的负荷值与主观认知负荷评估值吻合较好,相对误差为8.2%,验证了其有效性。     

基于多目标追踪任务的飞行员心理运动能力测评方法

目的 为飞行员心理运动能力评估及个性化训练提供技术支撑,保障飞行安全。方法 采用文献归纳法制定飞行员心理运动能力测评指标,招募54名飞行学员开展现场测试,设计飞行员心理运动能力测量量表,采用重复测量方差分析进行信度效度检验。结果 (1)分析飞行职业特性以及飞行操作特征,提出基于多目标追踪任务的飞行员心理运动能力测评方法,包括四个维度,即眼手协调能力、双手协调能力、注意分配能力和速度判断能力;(2)研制飞行员心理运动能力测评系统;(3)飞行员心理运动能力测评4个能力测试项目的内部一致性信度克伦巴赫α系数为0.67～0.89之间,分半信度系数在介于0.82～0.95之间,效度检验达到统计学显著水平;(4)采用鉴别指数法分析测量项目关联度均置于0.32-0.40之间,具备较好鉴别效果。结论 基于多目标追踪任务的飞行员心理运动能力测评系统能够满足心理测量学要求,可以作为飞行员心理运动能力评估的有效工具。     

基于AHP和生理电的机器人语音交互认知负荷评价

目的 提出一种兼具主观测量和生理数据验证的机器人语音交互认知负荷的评价方案。方法 设计实验使受试者对不同的机器人语音交互系统进行体验，完成相应的任务并接受主观认知负荷测量，同时加以生理电信号测量。主观测量部分利用层次分析法（AHP）对传统的NASA-TLX量表进行改进，使得测量更加客观与细致；并利用生理信号测量的结果验证主观评价的可靠程度与实际意义。结果 得出不同语音交互系统认知负荷的主观评价数据与生理测量数据，两者相互印证，从而得到可靠的认知负荷评价结果，并进一步证明了评价系统本身的有效性。结论 基于AHP的基本原理，改进了NASA-TLX量表，并建立起了一套包含四个准则十四个指标的语音交互认知负荷评价体系，利用心率与皮肤电信号测量进行了辅助验证，提出了一种研究机器人语音交互用户体验的技术手段。     

基于树模型机器学习的皮肤电信号情绪识别

为了提高维度模型生理信号情绪识别准确率和泛化能力,本文基于DEAP维度情感生理数据集,提取皮肤电信号时域统计特征、功率谱特征、小波包熵特征,分别采用决策树和随机森林算法在唤醒度和效价两个情感维度进行情绪分类.通过选取合适的维度情感标签阈值,有效提高机器情绪识别准确率和稳健性;利用情绪诱发状态与自然状态下的皮肤电信号的差值进行归一化处理,消除个体差异,提高模型的泛化能力;采用多特征融合并基于集成学习的随机森林算法,获得更好的情绪识别性能.在唤醒度维度上的分类准确率Acc和F1值分别为92.0%和0.933,在效价维度上的分类准确率Acc和F1值分别为90.9%和0.925.仿真实验表明,基于树模型的机器学习方法可以实现维度情绪的准确识别,该研究可用于可穿戴设备生理信号情绪自动分析和机器识别.     

基于任务情境的飞行员合作交流能力测评方法

目的 实现对民航飞行员合作交流能力的有效测量,研究飞行员合作交流能力测评。方法 首先基于飞行任务情境,引入基于会话代理的人机交互模式,根据路径节点选择的差异,从建立和维持共识、采取适当行动解决问题、建立和维护团队组织形式三个维度对飞行员被试合作能力进行评分;然后,引入波士顿失语症测验并结合飞行任务特点进行指标设置,形成基于飞行任务场景的语言交流能力测评方法;最后,招募20名航线飞行员,基于上述测评方法设计并实施合作交流能力测评实验。结果 飞行员合作交流能力测评实验可应用于飞行员合作交流能力定量测评,对于不同水平的被试具有较好的区分度。结论 飞行员合作交流能力测评实验可为飞行员合作交流能力的定量化和标准化测评提供一种新的思路,同时为下一步开发相应测评软件和工具提供基础。     

基于机器学习的住宅能耗预测

针对机器学习模型在住宅能耗预测领域的应用进行研究。首先在能耗数据集中对住宅能耗的影响因素进行分析,NSM(当前时刻距离当天零时的秒数)与家电能耗的相关性最强,相关系数为0.22,其次是照明能耗,相关系数为0.21。其次提出并讨论4种家电能耗的数据驱动预测模型:支持向量机、BP神经网络、随机森林和梯度提升机。其中,基于集成学习方法的2个模型——随机森林和梯度提升机是表现性能最好的模型,梯度提升机能耗预测模型在训练集中有最小的均方根误差RMSE(9.99),随机森林能耗预测模型在测试集中有最小的均方根误差RMSE(77.07),集成学习方法在住宅能耗预测方面具有优势。     

基于知识-数据混合驱动的综合能源系统多元负荷预测方法

当前的综合能源系统(IES)负荷预测方法几乎都是单一的数据驱动方法,忽略了IES中的能量耦合关系。此外,在现有的研究中,数据驱动方法的训练数据主要集中于历史负荷、气象等影响因素,较少考虑可再生能源出力以及不同能源供应给IES负荷预测结果带来的影响。针对上述问题,本文提出一种知识-数据混合驱动的IES多元负荷预测方法。该方法首先通过解析模型对IES中的能量耦合特性知识进行描述,并利用该知识模型对原始样本数据进行重构。然后将重构后的新样本数据作为数据驱动模型的训练样本,并使用基于随机森林算法的特征选择方法和Dropout技术提高模型的泛化能力。最后采用某IES工业园区的实际数据对本文所提方法的有效性进行了验证。仿真结果表明,该方法相较于传统单一数据驱动模型具有更好的预测效果和较高的可靠性。     

基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测

为解决短期电力负荷预测模型中迭代训练过程的误差累积,预测结果精度低的问题,基于双向门控循环单元（BiGRU）在短期电力负荷预测中的理论基础,在BiGRU的底层结构上进行改进,并对预测过程中产生的误差进行补偿,提出一种基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测方法。第一阶段,建立堆叠的反向双层高低级门控循环单元（SRDHLGRU）网络模型,得到模型预测过程中产生的误差序列。第二阶段采用差分分解（DD）方法将第一阶段产生的误差序列进行一阶前向差分得到误差变化量序列,再次建立SRDHLGRU模型进行训练和预测,从而对第一阶段结果进行误差补偿。结合西部某市负荷数据集,基于Python算法开展短期电力负荷预测的仿真,对比几种主流预测算法,仿真结果表明该组合模型的预测精度和稳定性比传统模型都有一定提升。     

基于神经网络模型的高架轨道噪声烦恼度预测

为了准确高效预测高架轨道噪声居民主观烦恼度,建立BP神经网络模型并对其进行优化,并对BP神经网络模型的训练和检验结果进行相关性分析,结果表明该模型具有很好泛化能力和学习能力。相较于多元线性回归,BP神经网络模型更适合应用于高架轨道交通噪声的烦恼度预测。将建立的烦恼度预测模型与通过仿真得到的噪声数据结合,可以为高架轨道交通噪声居民主观烦恼度的评估提供新的方法。     

冷水机组多故障耦合研究

为了提高冷水机组的运行效率、设备可靠性和能源利用率,本研究将对冷水机组的多故障耦合进行检测和诊断。首先,本研究使用RP-1043(Research Promotion)项目的故障数据,对冷水机组几种典型故障数据进行分析对比。其次,本研究使用3种树模型对数据进行训练,发现随机森林在准确率和训练预测的效率上综合表现最好。使用随机森林模型,结合专家知识,对故障等级为1的冷水机组的运行数据进行特征选取,然后建立贝叶斯网络故障诊断模型。最后,使用该模型对实际故障案例进行诊断与分析,对比附加信息层对故障诊断的影响。结果表明,该模型仅使用故障特征节点便可以对故障进行有效的诊断,合理利用附加信息层可以进一步提高故障诊断的可靠性。     

基于残差网络的航空发动机滚动轴承故障多任务诊断方法

针对当前基于深度学习的航空发动机滚动轴承故障诊断技术诊断任务单一的问题,提出一种基于多任务残差网络的滚动轴承故障诊断方法,该方法采用残差网络为深层特征提取与共享主框架,建立能够同时进行故障诊断的多任务模型。首先,在数据预处理中,将滚动轴承的振动加速度时域信号转换为频谱图,并直接作为网络的输入;然后,应用标签平滑技术对故障类别标签做了平滑处理以提高网络的测试精度;最后,利用两组实际的滚动轴承故障数据集对所建立的多任务模型进行试验验证,将诊断任务划分为：故障状态识别(正常和异常)、故障部位识别(内圈、外圈和滚动体故障)、以及故障程度识别(损伤尺寸大小预测)。结果表明,所搭建的多任务模型在故障状态识别和部位诊断中的准确率达到97%以上。同时,在故障识别中,损伤大小预测达到了满意的精度,充分表明该方法具有很强的故障多任务诊断能力。     

基于虚拟技术的飞机安全警告设备仿真训练软件研制

开发了一种可在PC机上使用的飞机安全警告设备仿真训练软件。基于OpenGL图形技术开发的三维视景和可自由操作的虚拟座舱环境，建立了飞机系统模型和飞行动力学仿真模型。系统具有真实飞行感受，可完成增强型近地警告系统EGPWS、空中交通警戒与防撞系统TCAS、风切变预警系统PWS、火警系统等多项模拟训练，可作为飞行员辅助专项训练软件使用。     

基于任务分层的地铁驾驶员应急处置作业工作负荷评价

目的 从任务的不同层次探究地铁驾驶员应急处置作业的工作负荷。方法 首先从应急处置作业的结构分析出发,将其分解为行为单元层和多任务层。行为单元层采用主观评价法标定其工作负荷量化的视觉-听觉-认知-执行(VACP)量表;多任务层综合考虑执行任务的时间消耗、行为单元工作负荷及时间压力等因素,构建了基于时间占用率的工作负荷评价模型;最后以12项应急处置作业为例进行实证分析。结果 本文标定的行为单元层VACP量表具有较好的信度(Cronbach’sα=0.71)和效度(KMO=0.75),并结合美国航空航天局任务负荷指数(NASA-TLX)量表验证了本文提出的地铁驾驶员应急处置作业工作负荷评价方法的准确性(r=0.7938,P<0.05)。结论 本文构建的基于时间占用率的多任务层工作负荷评价模型与NASA量表吻合较好,验证了模型的有效性,对于评估地铁驾驶员工作负荷,降低运营风险有较大的现实意义。     

人-机器人协作任务中人体生理心理负荷资源评估理论框架构建研究

随着科技的发展，多种机械装置正在实现机器人化，如何评定人机交互过程中的作业负荷成为众多学者研究的焦点。本研究旨在探究人-机器人在共同完成生产任务时人体生理心理负荷的资源变化，构建了一个理论框架用以评估人机交互过程中的作业负荷，设计了包装和计算任务，模拟不同生理心理负荷水平的作业，以验证各个指标在不同负荷任务之间是否存在显著性差异。结果表明，根据该模型选取的评估指标可以有效区分和预测不同作业任务下的生理心理负荷，验证了该模型的有效性。本文的研究方法和结论可为人-机器人交互过程中的生理心理负荷资源评估提供借鉴，为生产系统中的作业任务分配、作业者作业健康与安全提供理论支撑。     

多联机系统故障类型识别及故障细化诊断模型研究

本文针对多联机系统实际运行中可能出现的多故障并发问题,提出一种结合线性判别分析(LDA)和随机森林(RF)算法的多故障诊断策略,可以在完成故障类型识别后,自适应地根据故障类型选择最佳细化诊断模型,进一步诊断出故障发生水平或故障发生原因。首先,在不同的制冷和制热工况下,引入四通阀故障、电子膨胀阀故障、制冷剂充注量故障,并按照7∶3的比例划分为训练集和测试集,利用训练集建立基于RF算法的故障类型识别模型;然后,利用LDA方法对训练集中3类故障的特征分别进行降维,并利用降维后的训练集建立故障细化诊断模型;最后,测试集中的样本数据在经过故障类型识别后,根据识别结果自适应地输入至最优故障细化诊断模型。结果显示:故障类型识别模型在测试集上的准确率达到99.99%,3类故障细化诊断准确率分别为96.12%、100%、97.44%,说明该策略能够较好的完成针对多联机系统的多类型故障诊断任务。     

基于DTL与DC-ResNet的非侵入式多标签负荷识别方法

针对目前负荷识别中存在的人工挖掘特征困难的问题,同时为了进一步提升识别精度,提出了一种基于深度转换学习(DTL)与双通道深度残差神经网络(DC-ResNet)的非侵入式多标签负荷识别方法。首先运用改进的DTL从原始的负荷数据中自动提取有效的负荷特征,可以达到降维的效果。然后将负荷数据按时间滑窗生成特征图作为DC-ResNet的输入,利用卷积核自动提取时间尺度上的有效特征。DC-ResNet的一条通道用于提取大类特征预测负荷的开关状态,另一条通道用于提取小类特征预测负荷的运行模式,综合两条通道的输出可以得到最后的多标签分类结果。实验结果表明,经DTL提取后的负荷数据更易被识别,DC-ResNet在总体和单一设备的识别上都具有更好的效果,而且模型所需的训练时间较短。