基于系统动力学的无人机事故率预测模型

宫綦 ,  逯鑫 ,  文博

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13700-13710

PDF (13287KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13700-13710 DOI: 10.12404/j.issn.1671-1815.2508134
论文:航空、航天

基于系统动力学的无人机事故率预测模型

作者信息 +

UAV Accident Rate Prediction Model Based on System Dynamics

Author information +
文章历史 +

摘要

建立无人机事故率预测模型对提升无人机运行安全具有重要意义。无人机系统安全性存在如下特点:①影响因素众多、耦合关系复杂:无人机系统涉及管理、维护、操控诸过程,且这些过程内部因素相互影响;②影响因素之间存在动态反馈特性:例如,组织对安全的重视程度会影响操控人员的安全意识,而受安全意识影响的操控活动完成情况,反过来也会影响组织对安全的重视程度。针对这些特点,从人-技术-组织(man-technology-organization, MTO)视角出发,综合考虑操控、维护和管理等各因素间的耦合关系与动态反馈关系,建立了基于系统动力学方法的无人机事故率预测模型。在案例应用中,使用该模型对MQ-1“捕食者”无人机的事故率进行预测,结果显示,预测事故率与实际事故率相比一致性较高,验证了所建事故率预测模型的合理性。同时,也证明系统动力学方法适用于对无人机系统这类影响因素复杂耦合、存在动态反馈的系统进行建模。

Abstract

The development of a prediction model for the unmanned aerial vehicle (UAV) accident rate is regarded as a crucial measure to improve the safety of UAV operations. The operational complexity of the UAV system is derived from a multitude of influencing factors and their intricate coupling relationships in the processes of management, maintenance and operation. In addition, dynamic feedback characteristics are identified among these influencing factors. For instance, the safety awareness of operators is affected by the organizational commitment to safety, and the reverse effect also exists. A prediction model for the UAV accident rate based on system dynamics was established from the perspective of man-technology-organization (MTO). In the model, the coupling relationships and dynamic feedback effects among the operational, maintenance and management factors are fully considered. The accident rate of the MQ-1 “predator” was predicted by applying the established model. The results show that the consistency between the predicted results and actual accident rate data verifies the rationality of the proposed prediction model. It is verified that the system dynamics method is more applicable to the modeling of UAV systems with complex coupling relationships and dynamic feedback characteristics.

Graphical abstract

关键词

无人机 / 事故率预测 / 系统动力学 / 耦合影响 / 动态反馈

Key words

UAV / accident rate prediction / system dynamics / coupling relation / dynamic feedback

引用本文

引用格式 ▾
宫綦, 逯鑫, 文博. 基于系统动力学的无人机事故率预测模型[J]. 科学技术与工程, 2026, 26(31): 13700-13710 DOI:10.12404/j.issn.1671-1815.2508134
GONG Qi, LU Xin, WEN Bo. UAV Accident Rate Prediction Model Based on System Dynamics[J]. Science Technology and Engineering, 2026, 26(31): 13700-13710 DOI:10.12404/j.issn.1671-1815.2508134

登录浏览全文

4963

注册一个新账户 忘记密码

目前,无人机以其低成本、高效费比及配置灵活等特点,成为诸多领域执行任务的首选载具[1]。然而,在无人机使用过程中,由于多种因素影响,事故频发。2001—2015年,美国无人机部队共发生236架次A类飞行事故[2]。尽管随着安全管理的改善以及使用人员经验的丰富,无人机事故率呈现下降趋势,但整体来看无人机事故率仍高于有人作战飞机。2011年,MQ-1“捕食者”无人机每100 000 h(累计飞行小时)事故率为8左右,而同期F-16等有人作战飞机事故率均小于1[3]。因此,对无人机系统开展安全评估、建立无人机事故率预测模型,有助于降低无人机事故率,提升无人机安全运行水平[4]。
现有对无人机事故率预测的相关方法主要为定量预测方法。这些定量方法步骤多为首先确定造成无人机事故的因素,并依据因素之间的因果逻辑关系建立模糊认知图(fuzzy cognitive maps, FCM)[5]、贝叶斯网络(Bayesian network, BN)[6]、故障树(fault tree analysis, FTA)[7]等因果逻辑模型;同时,依据统计数据或者专家评估结果确定相关参数,即可对无人机事故率进行预测[8]。周昱林等[2]针对察打一体无人机作战任务复杂多样、测试数据难以获取、安全评估主观性强等问题,提出一种改进的贝叶斯网络模型,旨在通过该模型评估察打一体无人机的使用安全。综合来看,这些方法着眼于系统局部过程,更注重研究局部要素对无人机系统的影响,未从整体层次对无人机系统进行刻画;而从系统层次对无人机相关影响因素建模,存在耦合复杂、整体建模困难的问题。另外,无人机系统内诸要素存在动态反馈特性,典型反馈如无人机系统事故率高企会促使组织改善维护、操控流程,进而降低无人机事故率。这种特性使用类似贝叶斯网络这种有向无环图无法描述,故从系统整体视角对无人机系统这种具有动态反馈特性的系统进行建模,是一个值得研究的问题。
对于影响无人机事故率的相关因素,需要突破单纯考虑机器因素影响而转向人-技术-组织(man-technology-organization,MTO)叙事视角。MTO观点认为事故是人力、技术和组织因素性能变化及其相互作用的结果[9]。换言之,必须综合考虑技术因素和组织、人力等社会因素对无人机事故成因过程进行描述。MTO观点认为:①对比一般事故,MTO系统事故凸显管理层管理不善,维护人员维护不当,操控人员操控失误等诸多问题[1,10];②MTO系统呈现动态变化与动态反馈特征,即管理会影响维护操控状态,同时系统当前维护操控状态也会反馈影响管理状态。无人机系统就是一个典型的MTO系统。
系统动力学(system dynamics,SD)作为建模工具,从建模思想上讲,SD方法运用整体论的思想,着重从系统整体角度刻画内部因素的相互关系及其对系统的影响。从技术上讲,SD方法使用因果关系图描述各影响因素之间的拓扑关系链,通过一组递推差分方程表述各存量流量之间的变化情况,并利用辅助方程模拟不同影响因素在系统中的反馈作用[11]。SD方法已经在风险评估领域得到广泛应用,如陈赟等[12]从地铁施工人员与安全管理人员双方的利益动机出发,构建了不安全行为惩罚的演化博弈模型,并通过SD模型对双方博弈的演化趋势进行仿真模拟,最后提出能够降低不安全行为的策略。王旭磊等[13]利用SD理论和方法,构建了危险化学品的道路运输安全SD模型,并基于历史事故数据及专业知识对危险化学品道路运输安全影响因素间的作用机理进行了仿真分析,明确不同影响因素对危险化学品道路运输安全影响的作用机理和提升危险化学品道路运输安全水平。近年来,SD方法也逐渐应用在无人机领域,赵贝贝等[14]基于SD方法对无人机空战系统内部各因素之间的相互作用关系进行了建模,结果表明SD较好地解决了评估过程中出现的复杂性和不确定性问题。Jia等[15]应用SD方法对无人机蜂群作战效能和作用进行了评估,结果表明所建立的SD模型有助于从定量角度评估无人机蜂群作战效能并为无人装备开发论证提供理论支持。但是,目前尚欠缺利用SD方法对操控、维护与管理因素及其相关性进行建模,并用于无人机事故率预测的相关研究,因而建立基于SD方法的无人机事故率预测模型是一个值得研究的问题。
综上所述,现以无人机系统为研究对象,在MTO视角下,综合考虑操控、维护和管理各因素间的耦合关系与动态反馈关系,基于SD方法建立无人机事故率预测模型,以期对无人机事故率进行预测。

1 无人机事故率影响因素及其动态相关性

1.1 无人机事故率影响因素

影响无人机系统事故率的因素主要包括管理、维护与操控因素。这些因素内涵广泛,因此需要对其进行界定。

(1)管理因素:管理指组织对飞行操控与维护的相关指导与规范。管理不力主要表现为组织对安全重视不足导致维护不到位与操控人员人误频发,进而影响无人机安全。影响管理的主要因素包括组织对安全的重视程度和组织对战斗力的重视程度[16-17]。

(2)维护因素:维护的主要目的是使无人机系统正常运行、降低设备故障率。维护过程中产生的不安全行为主要是检修、维护工作中未能完整、全面地排查潜在故障,从而导致无人机平均故障间隔时间(mean time between failure,MTBF)无法达到理想状态。影响维护过程的主要因素为维护人员安全意识和维护人员经验。

(3)操控因素:操控指无人机操控人员完成既定任务的过程。操控过程产生的不安全行为主要是操控人员失误。影响操控人员失误的主要因素包括操控人员经验值、操控人员安全意识、任务压力和机器状态。

1.2 影响因素间动态相关性

MTO视角下,事故是各影响因素性能变化及其耦合作用的结果。如图1所示,无人机系统中存在三类耦合关系,即管理因素与维护因素耦合,管理因素与操控因素耦合,维护因素与操控因素耦合。其中管理因素与维护因素或操控因素的耦合方式类似:管理不力会导致维护人员或者操控人员安全意识薄弱,进而影响维护或者操控过程而使得无人机事故风险增加。同时,无人机事故风险增加会促使组织改善管理,从而着力提升维护人员和操控人员安全意识。另一类耦合关系为维护因素与操控因素耦合。这里,维护因素与操控因素为单向影响关系,即维护不到位导致无人机系统故障频发时,会连带使操控人员人误发生概率也处于较高水平,但操控人员不会将操控结果反馈至维护人员以提醒维护人员增强安全意识并改善维护作业水平。这是因为假设一切安全意识的改善均需通过组织来规范和约束,即操控人员需将操控结果反馈至组织,再由组织统筹措施以改善维护人员安全意识与操控人员安全意识。

无人机系统的耦合关系是反馈回路形成的基础,三类耦合关系通过“因素变化—系统状态响应—组织/人员调整—因素优化”的逻辑链形成闭环反馈。首先,管理与维护/操控的双向耦合形成基础反馈:管理因素的变化直接改变维护/操控人员的安全意识,进而影响MTBF/人误概率,使无人机事故风险发生变化;事故风险的变化会直接作用于组织的管理决策,促使组织调整对安全/战斗力的重视程度,形成管理层次的反馈修正,即维护/操控因素通过耦合关系反向作用于管理因素。其次,维护/操控的单向耦合结合管理的中介作用形成间接反馈:维护因素的不足导致机器状态恶化,进而提升人误概率,人误概率的上升通过管理因素的中介,反向推动组织对维护人员的培训与管理优化,最终改善维护因素,形成“维护—操控—管理—维护”的间接反馈回路。最后,维护/操控因素自身的状态变化也会形成自反馈:MTBF的降低会直接促使维护人员提升安全意识,人误概率的上升会直接推动操控人员优化操作行为,形成单因素的自反馈回路。上述基于耦合关系推导的四类反馈回路(管理—维护、管理—操控、维护—操控—管理、单因素自反馈)共同构成了无人机事故率影响因素的动态反馈体系,也是SD模型因果关系图构建的核心逻辑。

2 无人机事故率预测的SD模型

SD方法对于无人机事故率预测的基本原理是:①无人机事故率主要由MTBF和人误概率确定,即MTBF较低或人误概率较高均对应较高的无人机事故率;②MTBF受维护因素影响,人误概率受操控因素影响,同时MTBF与人误概率也会对维护因素、操控因素以及管理因素产生反馈;③通过确定变量间的函数关系,可以确定变量间的连接及反馈强度,以此为基础,便可驱动SD模型运行。下面从SD因果关系图及流图建立过程中详细论述所建立无人机事故率预测模型。

2.1 SD模型因果关系图

由1.2节分析可知,无人机事故率预测模型共有两类动态反馈回路。

(1)人误变化反馈至管理层次和操控层次,即发生人误后,促使组织与操控人员响应以消除人误影响。其中的主要回路包括:①人误→人误对组织的影响→组织主要变量目标值变化→组织主要变量变化→组织对操控人员影响→操控人员安全意识目标值变化→操控人员安全意识变化→人误;②人误→人误对操控人员影响→操控人员安全意识目标值变化→操控人员安全意识变化→人误。

(2)MTBF变化反馈至管理层次和维护层次,即MTBF变化后,促使组织与维护人员采取行动提高MTBF至目标值。其中主要的回路包括:③MTBF→MTBF对组织的影响→组织主要变量目标值变化→组织主要变量变化→组织对维护人员影响→维护人员安全意识目标值变化→维护人员安全意识变化→MTBF;④MTBF→MTBF对维护人员影响→维护人员安全意识目标值变化→维护人员安全意识变化→MTBF。

对这四条反馈回路进行整合,得到如图2所构建的无人机事故率预测模型因果关系图。

2.2 SD模型流图及相关变量

SD模型包含四个子模块,即管理过程模块、维护过程模块、操控过程模块与事故率预测模块。下面,分模块介绍其流图建立过程。

2.2.1 管理过程模型

管理过程的核心模块是组织对战斗力重视程度和组织对安全重视程度。假设组织更注重系统安全,则组织对安全重视程度处于主导位置。组织对安全重视程度会受到组织对战斗力重视程度的影响:组织过于重视战斗力会降低组织对安全的重视,即二者之间存在负相关关系。同时,组织对战斗力重视程度和组织对安全重视程度也会受到人误概率和机器状态的影响。如图3所示为管理过程系统动力学流图。

管理过程最主要的方程反映人误概率与MTBF对组织对安全重视程度的反馈关系。人误概率与MTBF均以指数形式对管理过程进行反馈,相关计算公式为

A1-1=SMTH1(${\mathit{A}}_{3-1}^{0.4}$, T)
A1-6=SMTH1(${\mathit{A}}_{3-1}^{0.4}$, T)
A1-9=SMTH1(1/${\mathit{A}}_{3-6}^{0.9}$, T)
A1-10=SMTH1(1/${\mathit{A}}_{3-6}^{0.9}$, T)

式(1)~式(4)中各参数确定依据:①一阶指数平滑函数SMTH1的引入,是为了模拟管理过程的迟滞效应,该函数为SD建模中表征 “渐进式变化” 的经典函数,符合组织管理决策调整的实际规律[11];②A3-1为人误概率相对值,其反馈指数设定为 0.4,A3-6为机器状态相对值,其反馈指数设定为0.9,该参数取值参考Rong等[18]在导弹事故人因不确定性分析中的指数设定方法,结合无人机系统的管理特性与专家评估结果确定;③时间区间 T为管理过程的调整周期,参考美军事故整改的时间规范确定。如此,可计算得到A1-1人误对战斗力重视程度影响、A1-6人误对安全重视程度影响、A1-9MTBF对战斗力重视程度影响和A1-10MTBF对安全重视程度影响。

2.2.2 维护过程模型

维护过程的核心模块是维护人员安全意识和维护人员经验值。维护人员安全意识和维护人员经验值均受组织对安全重视程度的影响:若组织对安全重视程度较高,则组织对维护人员培训等也会较充分。如此,维护人员安全意识较强,且通过培训获得的经验值较高。同时,若维护人员安全意识较强,会注重日常任务经验积累,则通过任务获取的经验值也比较高。结合维护人员安全意识和维护人员经验值,可得到当前维护水平下所输出的MTBF值。如图4所示为维护过程系统动力学流图。

维护过程主要方程反映MTBF对维护人员安全意识的调整,具体表达式为

A2-1=S2-1A1-8/SMTH1(${\mathit{A}}_{3-6}^{0.9}$, T)

式(5)中参数确定依据:该方程中SMTH1函数的指数0.9与管理过程保持一致,表征MTBF对维护人员安全意识的反馈迟滞。该方程描述了维护人员安全意识的调整机制,即维护人员将综合组织影响与MTBF反馈影响,并结合当前安全意识数值确定安全意识变更的目标值。下一步维护人员便会使当前安全意识值渐次过渡到目标安全意识值。

2.2.3 操控过程模型

操控过程核心模块是人误概率。人误概率的主要影响因素有机器状态、任务压力、操控人员安全意识和操控人员经验。其中操控人员安全意识和操控人员经验的运作机制与维护过程类似;任务压力使用脑力负荷指数表征;而机器状态则使用实际MTBF与理想MTBF比值表征。

操控过程的主要方程为人误概率的计算,这里使用人因可靠性方法中的HEART方法计算人误概率,影响因素包括机器状态、任务压力、操作人员安全意识和经验,表达式[19]为

PHE=PNHE$\prod _{}^{\mathrm{n}}$[(Ni-1)Fai+1]

式(6)中:PNHE为标称人误概率,根据文献[19],无人机控制任务是一类在控制面板上按照一定控制程序进行操控的任务,且操作需要在信息反馈的条件下进行,可得PNHE=0.001;Ni为第i个因素的最大影响值,其中机器状态、任务压力、操作人员安全意识和经验的Ni分别为4、6、2、8;Fai为第i个因素的影响评估比例(assessed proportion of affect,APOA),取值根据专家评估得出;PHE为计算得到的人误概率值。将上面的数值代入,具体计算公式为

A3-20=0.001(3A3-11+1)(5A3-12+1)×(A3-13+1)(7A3-14+1)

如图5所示为操控过程系统动力学流图。

2.2.4 事故率预测

无人机,尤其是案例中应用的MQ-1“捕食者”无人机,其故障可分为三种类型:一类是无人机动力/推力系统故障之类的重大故障,一旦发生,无论操控人员干预与否都会造成严重后果;一类是飞行控制子系统故障和通信子系统故障,这类故障发生后不会直接导致无人机失事,但是需要人为干预修正,若人为干预失误,也会造成无人机失控;最后一类是其他一般故障,这类故障不会直接导致严重后果,也不需要人为干预修正。计算前两类故障发生概率,即可得到无人机事故率。事故率计算公式为

A4-3=0.23A4-1+0.4A4-1A4-2

式(8)中参数确定依据:①机器故障概率A4-1由 MTBF 换算得到,换算公式参考航空装备可靠性分析的经典方法;②动力/推进子系统故障占比23%、飞行控制与通信子系统故障占比40%,该参数取自 MQ-1 无人机的官方故障统计数据[20];③A4-2为发生故障后人为干预失误的概率,可由机器故障概率与人误概率得到。综合两值,可得到无人机事故率数值A4-3。

最后,所建立的SD模型整体如图6所示。模型中共有14个速率变量、8个水平变量、46个辅助变量,具体情况如表1所示。

3 案例分析

3.1 案例基本情况及参数确定

本部分将应用MQ-1“捕食者”无人机数据对模型进行验证。MQ-1“捕食者”无人机是一种高空长航时无人机系统,该型无人机在美军作战体系中可遂行多种作战任务,包括侦察、监视、情报收集、打击和轰炸等,故具有很好的借鉴意义。

对于模型中需要确定的参数:管理过程中尚需给定的参数是组织对战斗力重视程度和组织对安全重视程度改变所需时间T。事实上,不只管理过程,维护过程和操控过程也需要使用该参数。根据美军相关规定,事故发生后整改时间为2~3个月。如2017年,美国海军第七舰队接连发生事故,美军规定的整改时间即为2~3个月[21]。在这里,将T统一确定为3个月。

维护过程需要确定的值是实际MTBF,MQ-1“捕食者”无人机1999—2006财年的MTBF数据如表2所示[22]。MQ-1的平均每次出动持续时间,设定为20 h。

操控过程有两类参数需要确定,分别为APOA值与脑力负荷值。机器状态APOA值为0.3,任务压力APOA值为0.24,操控人员安全意识APOA值为0.3,操控人员经验APOA值为0.35。脑力负荷值取值为23.8,由VACP方法加权得到[23]。

最后,模型仿真时长为96个月,与MTBF数据时间跨度一致。仿真步长为1个月。

3.2 事故率预测结果及合理性分析

根据文献[22],可以得到MQ-1“捕食者”无人机在1999—2006财年的事故率数据。以此为基准,对模型仿真结果进行验证。结果如图7、表3所示。与实际数据相比,RMSE为9.52。若去除前两个吻合度较低的数据,RMSE为5.11,数据吻合程度更高。

1999财年与2000财年数据吻合度较低,分析原因如下:除初始部署阶段飞行时长较低、事故率本身存在随机波动这一外部因素外,模型本身的误差主要来源于两方面:①参数初始化误差,1999—2000财年为MQ-1无人机初始部署阶段,缺乏完整的维护、操控数据,模型中维护人员经验值、操控人员APOA值等关键参数均通过专家评估确定,与实际值存在偏差;②反馈回路的迟滞效应未充分表征,初始阶段组织的管理决策调整尚未形成有效的反馈修正,SD模型中设置的3个月迟滞周期与实际初始阶段的管理响应周期存在差异,这导致模型对事故率的动态调整滞后。上述模型本身的误差均为初始阶段的系统性误差,随着无人机部署时长增加,数据完整性提升,反馈回路逐步生效,模型误差显著降低,预测值与实际值的一致性大幅提升。

3.3 关键影响因素分析

由图7可知事故率呈现波动状态。首先从故障率与人误概率入手,分析这些变量对事故率的影响。仿真结果呈现波动状态是由于动态反馈所致。以管理过程为例,分析各反馈过程、反馈强度以更好地理解模型内在运行逻辑。

3.3.1 人误概率与故障率

根据仿真数据可知,MQ-1“捕食者”无人机事故率在部署过程中出现了波动,即在2001财年与2005财年事故率较高,分别达到了52.8/100 000 h与21.9/100 000 h。假如只考虑机器因素,那么MTBF随年份呈上升趋势,即故障概率逐年下降,如图8(a)所示。如果考虑其中23%为易导致事故的重大故障,那么事故率也应逐年下降,这与实际不符。考虑操控因素对管理因素的反馈,这一现象可得到合理解释。如图8(b)所示,人误概率呈波动状态,这是由于图2中回路①与回路②所示反馈造成的影响。以回路①为例,其变量间相互影响的关系为:人误概率增大→人误对组织的影响值增大→组织对安全重视程度目标值增大→组织对安全重视程度增大→组织对操控人员影响值增大→操控人员安全意识目标值增大→操控人员安全意识增强→人误概率减小,如此往复。

上述解释也可以通过数据验证。根据美国国防部官方统计,2001财年与2005财年的MQ-1“捕食者”无人机事故率与其他年份相比,处于较高水平。根据相关统计,在所有MQ-1“捕食者”无人机事故中,人为失误所造成的事故数目占比约为67%[24]。故相比其他财年,2001财年与2005财年中由人误造成的事故数目也应处于较高水平。根据海恩法则,每一起严重事故的背后,必然有29次轻微事故和300起未遂先兆以及1 000起事故隐患,那么由人误造成的较高事故数目背后也蕴含着操控人员人误概率处于较高水平。

3.3.2 动态反馈强度分析

变量反馈强度不同,对模型结果影响也不同,因此对不同变量反馈程度进行分析有助于更好地理解模型内在运行逻辑。在Stella软件中,内置的PATHSCORE函数可计算某一变量的变化将以何种程度对另一变量产生影响,故可用该函数对变量间的反馈强度进行评估。应用该函数对变量进行评估,可得到不同变量的反馈强度:MTBF反馈强度为0.59,人误概率反馈强度为0.16,即MTBF的反馈强度大于人误概率的反馈强度。这个结果可以合理地解释预测数据为何呈现图7中分布:①相较MTBF的反馈强度,人误概率反馈强度不可忽略,故最终预测数据呈现波动状态;②由于MTBF的反馈强度高于人误概率,故波动的峰值整体呈现下降趋势。

以上分析反映了美军中存在的一个问题,即对机器状态的重视程度高于对人员状态的重视程度。这是因为机器状态的提升更为直观,而人员状态的改善则不易直观体现。如此,组织可能会把更多资源倾斜到设备性能提升上。但实际上,设备性能提升与人员水平提升同样重要,不可偏废。

3.4 模型的应用拓展分析

SD方法适用于长周期的系统动态建模,研究建立的无人机事故率预测模型在验证有效性后,可在无人机安全管理与运行管控中开展多维度的应用分析,为无人机安全提升策略制定提供量化支撑,具体应用方向如下。

(1)安全资源投入的优化分析:通过调整模型中“组织对安全重视程度”的参数,模拟不同安全资源投入比例(如人员培训、设备维护、管理体系优化)下的事故率变化趋势,确定安全资源的最优投入结构。例如,模拟将维护人员培训投入提升20%后,得到MTBF的提升幅度及事故率的下降比例,为资源分配提供量化依据。

(2)人员管理策略的效果预测:通过调整模型中操控/维护人员的经验值、安全意识提升速率等参数,模拟不同人员管理策略(如岗前培训、在岗考核、人员流动控制)的效果。例如,模拟将操控人员的岗前培训周期延长1个月后,得到人误概率的降低幅度,为人员管理制度制定提供参考。

(3)长期事故率的趋势预测:利用模型的长周期建模特性,预测未来5~10年无人机事故率的变化趋势,结合无人机的部署规模、任务类型变化,提前识别安全风险点。例如,预测无人机任务压力提升后,得到人误概率的上升趋势,为提前制定风险防控措施提供依据。

(4)多因素耦合的风险预警:通过模型识别事故率上升的关键耦合因素,建立无人机运行的风险预警阈值。例如,当MTBF低于60 h且人误概率高于0.05时,模型预测事故率将超过30次/100 000 h,此时触发安全预警,及时采取设备维护、人员培训等干预措施。

4 结论

针对无人机事故率预测问题,从MTO视角出发,对影响无人机事故率的因素及其耦合关系进行了分析。通过对这些影响因素及耦合关系进行整合,得到了无人机事故率预测的SD因果关系图及流图。基于所建立的无人机事故率预测模型,对无人机事故率进行了仿真,并与MQ-1“捕食者”无人机相关数据进行了比较,得到如下主要结论。

(1)SD方法可以有效地对无人机系统影响因素及其耦合关系进行建模。通过整合各影响因素的耦合关系及动态变化、动态反馈过程,基于耦合关系推导出反馈回路的形成逻辑,可以建立反映无人机系统内在运转逻辑的因果关系图及流图。

(2)基于SD方法所建立的无人机事故率预测模型可对无人机事故率进行预测。与MQ-1“捕食者”无人机数据相比较,模型预测准确率较高,初始阶段的误差为系统性误差,随数据完善与部署时长增加可显著降低,证明所建立的模型具有较高合理性。

(3)所建立的SD模型可在无人机安全管理中开展多维度的应用分析,为安全资源投入、人员管理策略、长期风险预测、耦合因素预警提供量化支撑,实现了从“事故率预测”到“安全管控策略制定”的延伸。

在运用系统动力学方法对无人机事故率进行仿真研究时,对一些因素进行了简化,但由于无人机系统涉及的范围广、内容多,难免会出现一些不确定因素,因此未来还需要对更多影响因素进行定性和定量研究,如考虑无人机任务环境、通信链路干扰等外部因素的耦合影响,进一步完善模型的通用性;同时结合实际无人机运行数据,对模型参数进行持续校准,从而提升模型的预测精度。

参考文献

[1]

齐福强, 张晓阳, 陈姝宁, 等. 基于BT-BN的无人机运行安全风险分析[J]. 科学技术与工程, 2025, 25(20): 8745-8752.

[2]

Qi Fuqiang, Zhang Xiaoyang, Chen Shuning, et al. Risk analysis of UAV operation based on BT-BN[J]. Science Technology and Engineering, 2025, 25(20): 8745-8752.

[3]

周昱林, 刘树光, 王柯. 基于改进贝叶斯网络的察打一体无人机使用安全评估[J]. 空军工程大学学报, 2025, 26(3): 86-95.

[4]

Zhou Yulin, Liu Shuguang, Wang Ke. An assessment on use and safety of reconnaissance-strike UAV based on improved Bayesian network[J]. Journal of Air Force Engineering University, 2025, 26(3): 86-95.

[5]

Ghasri M, Maghrebi M. Factors affecting unmanned aerial vehicles' safety: a post-occurrence exploratory data analysis of drones' accidents and incidents in Australia[J]. Safety Science, 2021, 139: 105273.

[6]

李柯, 王东煌, 罗帆. 民用无人机事故致因文本挖掘和社会网络分析[J]. 安全与环境学报, 2025, 25(7): 2709-2716.

[7]

Li Ke, Wang Donghuang, Luo Fan. Text mining social network and analysis of accidents causes for civil unmanned aerial vehicle[J]. Journal of Safety and Environment, 2025, 25(7): 2709-2716.

[8]

贺强, 徐艺, 马尧. 基于FCM的无人机飞行安全风险评估[J]. 民航学报, 2018, 2(1): 31-34.

[9]

He Qiang, Xu Yi, Ma Yao. UAS flight safety risk assessment based on fuzzy cognitive maps[J]. Journal of Civil Aviation, 2018, 2(1): 31-34.

[10]

李航, 聂芳艺. 基于贝叶斯网络的物流无人机碰撞风险评估[J]. 科学技术与工程, 2023, 23(15): 6700-6706.

[11]

Li Hang, Nie Fangyi. Collision risk assessment of logistics UAV based on Bayesian network[J]. Science Technology and Engineering, 2023, 23(15): 6700-6706.

[12]

岳仁田, 韩磊. 基于FTA-BN模型的多旋翼无人机事故致因分析[J]. 中国民航大学学报, 2025, 43(4): 91-96.

[13]

Yue Rentian, Han Lei. Cause analysis of multi-rotor UAV accidents based on FTA-BN model[J]. Journal of Civil Aviation University of China, 2025, 43(4): 91-96.

[14]

Washington A, Clothier R A, Silva J. A review of unmanned aircraft system ground risk models[J]. Progress in Aerospace Sciences, 2017, 95: 24-44.

[15]

Lundberg J, Rollenhagen C, Hollnagel E. What you look for is what you find, the consequences of underlying accident models in eight accident investigation manuals[J]. Safety Science, 2009, 47(10): 1297-1311.

[16]

冯传宴, 刘双, 完颜笑如, 等. 无人机系统人因设计关键技术研究进展[J]. 航空学报, 2025, 46(11): 174-188.

[17]

Feng Chuanyan, Liu Shuang, Wangyan Xiaoru, et al. Research progress on key technologies for human factors design of unmanned aircraft systems[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(11): 174-188.

[18]

石学刚, 高丹. 碳税政策下航空货运联盟三方演化博弈[J]. 科学技术与工程, 2025, 25(1): 365-373.

[19]

Shi Xuegang, Gao Dan. Tripartite evolution game of air cargo alliance under carbon tax policy[J]. Science Technology and Engineering, 2025, 25(1): 365-373.

[20]

陈赟, 刘慧琳. 基于演化博弈的地铁施工人员不安全行为动态惩罚策略优化[J]. 科学技术与工程, 2022, 22(13): 5506-5512.

[21]

Chen Yun, Liu Huilin. Optimization of dynamic punishment strategy for unsafe behavior of subway construction workers based on evolutionary game[J]. Science Technology and Engineering, 2022, 22(13): 5506-5512.

[22]

王旭磊, 孙春薇. 基于系统动力学的危险化学品道路运输安全管理仿真[J]. 公路交通科技, 2025, 42(4): 189-198.

[23]

Wang Xulei, Sun Chunwei. Simulation on hazardous chemicals road transport safety management based on system dynamics[J]. Journal of Highway and Transportation Research and Development, 2025, 42(4): 189-198.

[24]

赵贝贝, 王方博, 马红侠, 等. 基于系统动力学的无人机集群空战效能评估[J]. 吉林大学学报(信息科学版), 2025, 43(2): 327-337.

[25]

Zhao Beibei, Wang Fangbo, Ma Hongxia, et al. Evaluation of air combat effectiveness based on system dynamics[J]. Journal of Jilin University (Information Science Edition), 2025, 43(2): 327-337.

[26]

Jia N, Yang Z, Yang K. Operational effectiveness evaluation of the swarming UAVs combat system based on a system dynamics model[J]. IEEE Access, 2019, 7: 25209-25224.

[27]

Mohaghegh-Ahmadabadi Z. On the theoretical foundations and principles of organizational safety risk analysis[D]. Park: University of Maryland, 2007.

[28]

Loh T Y, Brito M P, Bose N, et al. Human error in autonomous underwater vehicle deployment: a system dynamics approach[J]. Risk Analysis, 2020, 40(6): 1258-1278.

[29]

Rong H, Tian J, Zhao T. Temporal uncertainty analysis of human errors based on interrelationships among multiple factors: a case of minuteman III missile accident[J]. Applied Ergonomics, 2016, 52: 196-206.

[30]

He C, Söffker D. Quantification of human behavior levels by extending Rasmussen's SRK model and the effects of time pressure and training on the levels switching[J]. Heliyon, 2023, 9(4): e15019.

[31]

高俊杰. 无人机安全飞行风险评估研究[D]. 成都: 中国民用航空飞行学院, 2018.

[32]

Gao Junjie. Safety flight risk assessment study of unmanned aircraft[D]. Chengdu: Civil Aviation Flight University of China, 2018.

[33]

Department of the Navy. Report on the collision between USS FITZGERALD (DDG 62) and motor vessel ACX CRYSTAL[R]. Washington: Department of the Navy, 2017.

[34]

Air Force Safety Center. Aviation statistics[EB/OL].[2026-08-13]. https://www.safety.af.mil/Divisions/Aviation-Safety-Division/Aviation-Statistics.

[35]

Zhang Y, Wen H, Dai X, et al. Research on modeling in operator mental workload based on VACP method[J]. Quality and Reliability Engineering International, 2024, 40: 19-33.

[36]

Williams K W. A summary of unmanned aircraft accident/incident data: human factors implications[R]. Oklahoma City: Civil Aerospace Medical Institute, Federal Aviation Administration, 2004.

PDF (13287KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉