基于脑力负荷模型和模糊逻辑的动态功能分配方法

摘要

本发明涉及一种基于脑力负荷模型和模糊逻辑的动态功能分配方法，充分利用了各组成个体的优势，最好地配置了系统资源，实现了整个系统性能的最优化。动态功能分配使飞行机组在系统中角色更加灵活，进而能够增加飞行机组的情景意识，提高工作满意度，避免技术降级，增强系统的鲁棒性，增加了飞行过程的安全性。

主权项

一种基于脑力负荷模型和模糊逻辑的动态功能分配方法，其特征在于：包括如下步骤：步骤1：记录飞行员在规定时间段f内的操作序列O_f＝{o₁,o₂,o₃,o₄,o₅,...,o_i,...,o_n}，其中n为操作总数，并得到各操作的操作属性，所述操作属性包括四方面：信息处理类型l、时间范围d、注意力需求比例a和信息域I，其中信息处理类型l的量化方法如下：时间范围d的计算方法如下：d＝endT‑startT式中，startT是各操作的起始时刻，endT是各操作的结束时刻；注意力需求比例a的量化方法如下：信息域I是由能够代表操作内容的文字短语组成的集合，操作内容包含操作涉及的主要情境信息、操作的行为和操作时注意力集中的人机接口；步骤2：依据脑力负荷模型计算脑力负荷MW：步骤a：依据步骤1中获取的操作序列及操作属性，计算该规定时间段内与脑力负荷MW相关的三个独立的参数，所述参数为占用时间TO′、信息处理等级LIP′和任务集切换TSS′：${\mathrm{TO}}^{\prime }\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}{a}_i{d}_i}{f}$${\mathrm{LIP}}^{\prime }\left(O_f\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}{l}_i{d}_i}{f}$${\mathrm{TSS}}^{\prime }\left(O_f\right)=\underset{i=1}{\overset{n-1}{\Sigma }}\frac{\left|(I_i\cap I_{i-1})\right|}{|I_i\cup I_{i-1}|}$式中，l_i，d_i，a_i，I_i分别表示第i个操作的信息处理类型、时间范围、注意力需求比例和信息域；步骤b：对TO′、LIP′和TSS′分别进行归一化，使其落在[0,1]间，得到TO、LIP、TSS：$\left\{\begin{array}{c}LIP=\frac{1}{3}LI{P}^{\prime }\\ TO=T{O}^{\prime }\\ TSS=\frac{1}{n-1}TS{S}^{\prime }\end{array}\right.$步骤c：由TO、LIP、TSS计算飞行员在规定时间内的脑力负荷MW：$\left\{\begin{array}{c}MW=di{s}_O-di{s}_{AO}\\ {\mathrm{dis}}_O=\sqrt{{\left(LIP\right)}^2+{\left(TO\right)}^2+{\left(TSS\right)}^2}\\ {\mathrm{dis}}_{AO}={\mathrm{dis}}_O\times \sin \alpha \\ sin\alpha =\sqrt{1-{\left[\frac{{\mathrm{dis}}_O^2+3-{(LIP-1)}^2-{(TO-1)}^2-{(TSS-1)}^2}{2\sqrt{3}{\mathrm{dis}}_O}\right]}^2}\end{array}\right.$式中，dis_O表示三维空间坐标系中点S(TO,LIP,TSS)到原点O的距离，dis_AO表示点A(1,1,1)到原点O的距离，α表示∠SOA的大小；步骤3：计算飞行员在各个任务下的任务绩效TP：当任务为控制某飞行变量保持在目标值，其任务绩效TP为飞行变量的实际值E(t)与理论值E^*(t)之差的平均值，计算公式：$TP=\overline{E\left(t\right)-E^{*}\left(t\right)}$当任务为飞行指引，其任务绩效TP为实际航线偏离预定航线的程度，计算公式：TP＝d*sinα式中，d表示飞机当前位置距预定航线的最近距离，α表示预定航线距飞机最近处的点的切线与飞机当前航向线的夹角；当任务为航路规划，其任务绩效TP为由于航路更改造成的时间延迟t_d，计算公式：TP＝t_d当任务为起飞中断，其任务绩效TP为不发生安全事故的概率P_s，计算公式：TP＝P_s步骤4：依据脑力负荷MW和任务绩效TP获得自动化等级MODE：将MW和TP转化为一个模糊矢量，作为模糊推理模型的输入，MODE作为模糊推理模型的输出，模糊推理模型根据模糊控制规则求解关系方程，获得模糊输出，实现自动化等级的自动调整。