Reducing the influence of the human factor when operating agricultural machinery

Full Text

Введение

В современных условиях активного импортозамещения особенно остро стоит вопрос о повышении эффективности производства и сокращении затрат во всех отраслях промышленности. Сельскохозяйственная отрасль не является исключением, так как основная её задача — интенсификация производства в максимально быстрые сроки с максимально возможными низкими затратами и вложениями.

В условиях интенсификации возрастает взаимосвязь и взаимообусловленность всех факторов сельскохозяйственного производства, среди которых основным является повышение интенсивности (эффективности) использования действующего производственного потенциала путем уменьшения различных потерь в процессе производства и улучшения использования материальных и трудовых ресурсов и т. д. [1, 2].

На сегодняшний день, можно отметить два аспекта, которые существенно влияют на особенности эксплуатации машин сельскохозяйственного назначения: с одной стороны особенности выполнения сельхозработ, связанные с весьма ограниченными сроками их проведения (привязка к срокам уборки урожая и т. д.) ставят задачу обеспечения максимальной технической готовности парка техники именно в этот период. Вторым обстоятельством является то, что внедрение информационных технологий и современных бортовых систем коренным образом меняет взаимодействие между человеком и машиной. Таким образом, современная машина представляет собой человеко-машинную систему, структуру которой можно показать в виде схемы на рис. 1.

 

Рис. 1. Структурная схема человеко-машинной системы.

Fig. 1. Block diagram of the man-machine system.

 

В данной схеме одно из центральных мест занимает человек-оператор, т.к. он в исследуемом случае выполняет несколько важнейших функций:

• производит обработку поступающей информации от датчиков через индикаторы;
• принимает решения по выбору вида и степени управляющего воздействия;
• реализует (или частично реализует) управляющее воздействие;
• производит оценку эффективности выполненных управляющих воздействий.

В работах [3-5] была проведена оценка роли и места человеческого фактора среди причин ДТП на транспорте (рис. 2).

 

Рис. 2. Причины ДТП.

Fig. 2. Causes of road traffic accidents.

 

Как можно видеть из рис. 2, более половины причин ДТП, так или иначе обусловлены именно человеческим фактором. Данные результаты для сельскохозяйственных машин будут отличаться незначительно.

Цель работы

Разработка решений в области обеспечения требуемого качества операторов машин сельскохозяйственного назначения.

Методы

Понятие «качество» носит комплексный характер и может быть оценено различными показателями: надежность, мастерство, профессионализм и т.д. Решение поставленной задачи эффективно реализовать на основе применения процессного подхода [6–10]. На основе последних тенденций в данной сфере оценку целесообразно выполнять через оценку рисков [11–12].

На рис. 3 приведена процессная модель, иллюстрирующая основные процедуры, связанные с реализацией риск-ориентированного подхода, которые включают вопросы выявления (идентификации) рисков, их оценки и действий по их нейтрализации.

 

Рис. 3. Процессная модель.

Fig. 3. Process model.

 

Таким образом, для решения поставленных в работе задач необходимо разработать инструменты для оценки рисков. Учитывая неопределенность исходных данных, решение целесообразно реализовать в виде экспертной системы, основанной на искусственном интеллекте и методов нечёткой логики [13–17]. Структура системы приведена на рис. 4.

 

Рис. 4. Структура экспертной системы для оценки рисков влияния человеческого фактора на эффективность эксплуатации сельскохозяйственных машин.

Fig. 4. The structure of an expert system for assessing the risks of the influence of the human factor on the operating efficiency of agricultural machines.

 

Факторы целесообразно задавать множествами следующего вида:

$F1\left(уровеньздоровья\right)=\left\{хороший,удовлетворительный,плохой\right\}$

$F2\left(уровеньагрессии\right)=\left\{низкий,средний,высокий\right\}$

$F3\left(уровеньрисковогоповедения\right)=\left\{низкий,средний,высокий\right\}$

…

$Fn\left(nфакто\right)=\left\{\mathrm{....}\right\}$

Также были применены прикладные программные средства для оценки ряда факторов (уровня агрессии и адаптации (агрессивное поведение), степени готовности к рисковым ситуациям (рисковое поведение)), связанных с рисками в части человеческого фактора [18–20]. Пример интерфейса программы приведен на рис. 5.

 

Рис. 5. Пример интерфейса программного средства для факторов риска.

Fig. 5. Example of a software interface for risk factors.

 

Результаты

Первоначальная апробация экспертной системы и программного средства проводилась на предприятии ООО «Мобилайн» путём индивидуального тестирования водителей для выявления факторов «уровень агрессии» и «склонность к рисковому поведению». Было опрошено более 100 водителей, результаты статистической обработки тестов приведены на рис. 6.

 

Рис. 6. Результаты исследований по факторам «уровень агрессии» и «уровень риска».

Fig. 6. Results of studies on the factors “level of aggression” and “level of risk”.

 

После получения статистической информации, были выполнены исследования по верификации результатов. Для оценки состоятельности подхода проводилась оценка количества нарушений, которые допускаются водителями и результатов тестирования. Исследования проводились сопоставлением данных по тестированию в разработанных прикладных программных средствах и данных по нарушениям, Данные по нарушениям считывались из тахографов, установленных на транспортном средстве. В результате оценки было установлено, что водители, обладающие высоким уровнем агрессии и склонности к риску более чем на 30% склонны к нарушению режимов труда (рис. 7).

 

Рис. 7. Статистика по нарушениям.

Fig. 7. Statistics on violations.

 

Анализируя данные на рис. 6–7, можно сказать, что часть факторов риска могут быть оценены инструментальными методами. Однако сделать это для всех факторов невозможно в силу неопределённости исходных данных и качественного характера факторов [20]. В этом случае необходимо использовать модель нейро-нечёткой логики, пример которой приведен на рис. 8–9.

 

Рис. 8. Задание системы правил.

Fig. 8. Setting a system of rules.

 

Рис. 9. Пример оценки параметров.

Fig. 9. Example of parameter estimation.

 

На основе комплекса исходных множеств была построена нейро-нечёткая модель. Результат тестирования точности модели приведен на рис. 10.

 

Рис. 10. Тестирование точности модели.

Fig. 10. Model accuracy testing.

 

Производственная апробация полученной методики производилась в ООО «Региональная транспортная компания». Были опрошены 30 водителей машин сельскохозяйственного назначения. В ходе исследований были выявлены 10 водителей с оптимальными кондициями и 7 водителей с негативным соотношением агрессии и риска. Далее при планировании перевозок в течении 3 месяцев дальние маршруты (более 70 км) отдавались водителям из второй группы, а затем для аналогичного периода — водителям из первой группы. В ходе анализа данных по расходу топлива и количества нарушений, снятых с тахографа установлено, что водители с оптимальными кондициями допускают в 1,7 раза меньше нарушений режима и экономия топлива составила 15%.

Заключение

По результатам выполненных исследований можно сделать ряд выводов:

1. На долю человеческого фактора приходится более 50% причин ДТП.
2. Снизить влияние человеческого фактора для повышения эффективности эксплуатации машин сельскохозяйственного назначения можно только посредством комплексного учета всех факторов риска.
3. Учет факторов риска нужно реализовывать на основе процессного подхода.
4. Часть факторов риска, связанных с рассматриваемой темой, можно измерять инструментально.
5. Более 60% ДТП приходится на водителей, которые обладают высоким уровнем агрессивного и рискового поведения, доля которых составляет около 30% от общего числа водителей.
6. Имеются факторы, которые заданы в неявном виде, для их оценки нужно использовать нечеткую логику.
7. Разработанная модель экспертной системы оценки риска имеет погрешность не более 15%, при этом она обладает гибкой структурой, что позволяет добавлять в нее ранее неучтенные факторы.
8. Производственная апробация модели экспертной системы показала, что водители с оптимальными кондициями допускают в 1.7 раза меньше нарушений, а экономия топлива при этом составляет 15%.
9. Рассматриваемый подход в целом можно использовать в рамках систем менеджмента качества крупных агрохолдингов с вертикально интегрированной структурой.

Дополнительная информация

Вклад авторов. В.Е. Овсянников — обзор литературы, сбор и анализ литературных источников, написание текста статьи; А.С. Губенко — выполнение экспериментов, сбор и анализ данных, создание изображений, подготовка и написание текста статьи; Д.П. Ильященко — сбор и анализ литературных источников, подготовка и написание текста статьи; Е.В. Верхотурова — обзор литературы, сбор и анализ литературных источников, написание и редактирование текста статьи, создание и редактирование изображений, формирование финального текста статьи. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией).

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с проведенным исследованием и публикацией настоящей статьи.

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования и подготовке публикации.

Additional information

Authors’ contribution. V.E. Ovsyannikov — literature review, collection and analysis of literary sources, writing the text of the manuscript; A.S. Gubenko — performing experiments, collecting and analyzing data, creating images, preparing and writing the text of the manuscript; D.P. Il’yaschenko — collection and analysis of literary sources, preparation and writing of the text of manuscript; E.V. Verkhoturova — literature review, collection and analysis of literary sources, writing and editing the text of the manuscript, creating and editing images, forming the final text of the manuscript. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work.

Competing interests. The authors declare that they have no competing interests.

Funding source. This study was not supported by any external sources of funding.

About the authors

Viktor E. Ovsyannikov

Tyumen Industrial University

Email: ng_ig@bk.ru
ORCID iD: 0000-0002-7193-7197
SPIN-code: 4711-3250

Dr. Sci. (Engineering), Professor of the Mechanical Engineering Technology Department

Russian Federation, Tyumen

Arseniy S. Gubenko

Tyumen Industrial University

Email: gubenkoas@tyuiu.ru
ORCID iD: 0009-0007-3108-3127
SPIN-code: 9189-5161

Assistant of the Mechanical Engineering Technology Department

Russian Federation, Tyumen

Dmitry P. Il’yaschenko

National Research Tomsk Polytechnic University; Priazov State Technical University

Email: mita8@rambler.ru
ORCID iD: 0000-0003-0409-8386
SPIN-code: 6873-1991

Cand. Sci. (Engineering), Associate Professor, Associate Professor of the Electronic Engineering Department

Russian Federation, Tomsk; Mariupol

Elena V. Verkhoturova

Irkutsk National Research Technical University

Author for correspondence.
Email: vev.irk@mail.ru
ORCID iD: 0000-0002-7733-7328
SPIN-code: 3508-6556

Cand. Sci. (Chemistry), Associate Professor, Associate Professor of the Engineering and computer graphics Department

Russian Federation, Irkutsk

References

Supplementary files