【摘 要】
：
如何有效减少空中危险接近事件,进而预防空中碰撞事故的发生一直是安全管理中的核心工作。客观、高效地寻找空中危险接近事件发生的原因和规律,并明晰各个致因因素之间的作用关系、重要性等,可以帮助安全管理人员认识事件发生的机理,针对薄弱环节开展精准化的防控,进而实现减少空中危险接近事件发生的目的。首先,构建了基于文本挖掘的空中危险接近事件致因因素识别框架,利用建立的空中危险接近事件停用词库和自定义词典对空中
论文部分内容阅读
如何有效减少空中危险接近事件,进而预防空中碰撞事故的发生一直是安全管理中的核心工作。客观、高效地寻找空中危险接近事件发生的原因和规律,并明晰各个致因因素之间的作用关系、重要性等,可以帮助安全管理人员认识事件发生的机理,针对薄弱环节开展精准化的防控,进而实现减少空中危险接近事件发生的目的。首先,构建了基于文本挖掘的空中危险接近事件致因因素识别框架,利用建立的空中危险接近事件停用词库和自定义词典对空中危险接近事件语料进行了数据预处理;在此基础上利用TF-IDF算法和LDA模型提取了空中危险接近事件语料中主题和关键词,通过分析总结各个主题下的关键词进而得到了空中危险接近事件致因因素。利用构建的识别框架提取了组织因素等6个致因类别;识别了安全和业务培训不到位等33个致因因素。其次,构建了基于DEMATEL-ISM的空中危险接近事件致因因素分析模型,利用DEMATEL分析了各个致因因素之间的相互作用关系,确定了致因因素的重要性和属性;在此基础上,利用ISM建立了空中危险接近事件致因因素递阶模型,明晰了致因因素之间的层级结构,并将其划分为根本原因、间接原因和直接原因。分析结果表明管制员精力分配不当等15个致因因素重要性较高;确定了指挥席发布指令错误等6个是导致空中危险接近事件的直接原因,管制员排班不合理等24个是导致空中危险接近事件的间接原因,安全和业务培训不到位等3个是导致空中危险接近事件的根本原因。最后,综合考虑了致因因素的各层级作用关系和重要性,针对直接原因层、间接原因层、根本原因层中的因素分别从加强排班制度的优化落实等方面提出了防控对策。
其他文献
随着时代的发展,产品生产正朝着品种多样,个性多变,更新换代加快的方向发展。传统的机器人示教方法在新的制造模式下难以满足要求。因此,高效、自然、适应性强的基于人体体势的示教技术成为研究的热点。本文提出一种基于人体三维体势的机器人自适应示教再现方法。为避免基于红外光测距的人体三维重建存在人体姿态局部深度空洞,导致空间位置示教错误问题,本文利用人体关键点在同一时刻两个相机中形成的视差,对人体姿态进行三维
人脸表情识别是计算机视觉的一个热点研究方向,该技术可以被广泛地应用于人机交互、疲劳驾驶检测、医疗、安防、教育等领域。随着深度学习的出现和发展,卷积神经网络已经更多地被应用于人脸表情识别领域。相比于传统特征提取方法,深度学习方法能够提取图像高层语义特征,获取有表达力的特征,从而达到更高的表情识别准确率。然而,目前已有卷积神经网络表情识别方法多有参数量大、计算成本高的问题。针对卷积神经网络的不足,本文
高速公路上的烟火、非机动车和抛洒物事件,极大地影响了行驶安全。目前高速公路监控中心的工作人员需人工值守监视器,人为发现交通事故和危险隐患,无法通过有效的监控手段对海量外场设备的运行情况进行实时地监控与跟踪。当前对高速公路异常事件的检测方法,在检测准确率和检测速度方面有所欠缺,离实际应用还有一定距离。本文针对高速公路实际情况,研究和实现了高速公路烟火、非机动车和抛洒物事件检测算法。本文的主要内容如下
持续安全是民航强国建设的三大核心之一。探索并总结中国民航保持长周期安全运行记录背后的成功经验,确定影响民航持续安全运行诸多因素中的关键成功因素,通过对关键少数因素的管控,不但能够促进行业持续安全运行,同时能够更加高效的配置资源,提升管理效率。首先,明晰了持续安全关键成功因素的内涵,基于扎根理论的三级编码过程对民航行业专家的调研访谈记录、近十年中国民航安全工作报告、民航企事业单位安全工作报告、民航的
可控飞行撞地事故是仅次于飞行失控事故的第二大致命事故类型,常常造成机毁人亡的严重后果。因此,被国际民航组织认为是导致商用飞机机体坠毁及人员伤亡事故的“头号杀手”。当前常用的单一事故分析模型难以全面识别事故致因,因此需要利用系统分析模型,并辅以人为因素模型进行补充,识别出导致可控飞行撞地事故发生的危险源及其关键风险,同时对关键风险提出相应的干预措施进行风险管控。首先,构建了基于系统理论的致因分析方法
广域信息管理系统（System Wide Information Management,SWIM）是下一代空中交通管理（Air Traffic Management,ATM,简称:空管）系统的基础信息网络,负责海量多源异构空中交通管理业务数据的传输和共享。其中,SWIM基础设施层采用全新互联网架构—信息中心网络（Information-Centric Networking,ICN）,根据命名数据网
随着卷积神经网络的快速发展,面向真实场景的目标检测技术已得到了广泛研究。尽管当前基于深度学习的目标检测算法取得了显著效果,但是检测模型的有效训练通常需要大量有标签数据。相较于通用场景目标检测,密集场景与医学场景下的特定检测任务对数据的标注有更为严格的要求,因此标注的获取更为不易。为了利用无标签数据进行学习以减轻对有标签数据的依赖,本文探索了两种特定场景下基于半监督学习的目标检测算法。（1）针对密集
随着经济与社会的发展,在大数据时代,全局优化问题将会变得越来越复杂,具体表现为优化问题维度（优化变量）的急剧增加,这类问题被称为大规模优化问题（LargeScale Optimization Problem,LSOP）。传统的进化计算（Evolutionary Computation,EC）算法在求解LSOP时很容易过早地陷入局部最优而导致性能急剧下降。因此,如何设计和改进EC算法来高效地求解LS
联邦学习（Federated Learning,FL）是一个适用于移动计算中保护隐私的协作学习框架,其核心思想是在联合训练模型时,参与训练的多方用户设备无需上传原始数据,只需上传自身模型。在FL中,用户设备和服务器之间的通信成本优化问题受到学术界的广泛关注。本文将结合多任务学习、量化压缩、机器学习优化算法、自适应调整等对FL的个性化任务学习和用户选择策略进行研究,主要工作包括:（1）提出一个多项个
由于飞机货舱的密闭性,因此在飞行工作中驾驶员不可能进入到飞机货舱内。根据相关适航条款规定该类不易接近的舱室必须安装火灾探测系统,且在发生火灾后必须在规定时间内给出报警指示。根据美国联邦航空局FAA技术中心的数据统计发现现用烟雾探测器存在高误报率问题。随着民航运输业的发展,飞机货舱要求具备通风的能力,从而引起货舱内火灾烟雾流场变化,致使对火灾烟雾探测器的位置和响应时间产生严重影响。因此针对通风货舱火