Егельский Владислав Витальевич, аспирант кафедры «Эксплуатация транспортных систем и логистика»
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Vladislav V Egelskiy, postgraduate student of the Operation of Transport Systems and Logistics Department
1, Gagarin Sq., Rostov-on-Don, 344003, RF
Николаев Николай Николаевич, доцент кафедры «Эксплуатация транспортных систем и логистика», кандидат технических наук, доцент
344003, г. Ростов-на-Дону, пл. Гагарина, 1
ScopusID
Nikolay N Nikolaev, associate professor of the Operation of Transport Systems and Logistics Department, Cand. Sci. (Eng.), associate professor
1, Gagarin Sq., Rostov-on-Don, 344003, RF
Егельская Елена Владимировна, доцент кафедры «Эксплуатация транспортных систем и логистика», кандидат технических наук
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Elena V Egelskaya, associate professor of the Operation of Transport Systems and Logistics Department, Cand. Sci. (Eng.)
1, Gagarin Sq., Rostov-on-Don, 344003, RF
Короткий Анатолий Аркадьевич, заведующий кафедрой «Эксплуатация транспортных систем и логистика», доктор технических наук, профессор
344003, г. Ростов-на-Дону, пл. Гагарина, 1
ScopusID
Anatoliy A Korotkiy, head of the Operation of Transport Systems and Logistics Department, Dr. Sci. (Eng.), professor
1, Gagarin Sq., Rostov-on-Don, 344003, RF
Введение. Эксплуатация грузоподъемных кранов является неотъемлемой частью производственных процессов. Для безаварийной работы этих механизмов необходимы определенные знания, умения и навыки, которыми должны обладать в том числе и специалисты, осуществляющие организационные и контролирующие функции на объектах, где задействованы такие краны. И здесь существует важная проблема – отсутствие обоснованной связи между уровнем освоения профессиональных компетенций и возможными аварийными ситуациями, а также различными инцидентами при эксплуатации грузоподъёмных кранов. Авторы данного исследования пытаются решить ее. Их цель в связи с этим – посредством применения нейронных сетей дать оценку вероятности возникновения аварийной ситуации при эксплуатации грузоподъемных кранов в зависимости от уровня профессиональных компетенций специалистов.
Материалы и методы. Для обучения нейронных сетей в качестве исходных данных использовались компетенции работников по эксплуатации грузоподъемных кранов (знания, умения и трудовые обязанности), предусмотренные профессиональным стандартом «Специалист по эксплуатации подъемных сооружений». На их основе был составлен перечень возможных инцидентов. Для целей обучения сгенерированы результаты аттестации 200 условных работников. При генерации использовался метод Монте-Карло, и данные выведены в таблицы Excel. Обучение нейронных сетей производилось на языке Python 3.10 в среде разработки PyCharm. При обучении нейронных сетей использовались открытые библиотеки Keras и TensorFlow, а также вспомогательные библиотеки представления и обработки данных (Pandas, NumPy, Scikit-learn).
Результаты исследования. В результате получен инструмент – нейронная сеть в виде исполняемого программного кода, позволяющая выполнить оценку вероятности возникновения аварийных ситуаций при эксплуатации грузоподъемных кранов посредством анализа степени владения специалистами профессиональными компетенциями. Предлагается осуществить внедрение технологий искусственного интеллекта на базе нейронных сетей с целью дать оценку знаний, умений и навыков специалистов объектов, эксплуатирующих грузоподъемные краны, как при проведении аттестации работников, так и в процессе трудовой деятельности.
Обсуждение и заключения. Основным результатом использования нейронных сетей для оценки знаний работников объектов, эксплуатирующих грузоподъемные краны, является предполагаемое снижение аварийности, что может быть обеспечено за счет своевременного выявления некомпетентного персонала на стадиях первичной аттестации и, что особенно важно, при периодических проверках знаний на основании беспристрастного анализа и оценки данных.
Introduction. The operation of lifting cranes is an integral part of the production processes. For the trouble-free operation of these mechanisms, certain knowledge, skills and abilities are required, which should also be possessed by specialists performing organizational and supervisory functions at facilities where such cranes are involved. Here there is an important problem – the lack of a reasonable connection between the level of development of professional competencies and possible emergency situations, as well as various incidents during the operation of lifting cranes. The authors of this study are trying to solve it. Their goal in this regard is to assess the probability of an emergency during the operation of lifting cranes, depending on the level of professional competence of specialists, through the use of neural networks.
Materials and Methods. The competencies of workers in the operation of lifting cranes (knowledge, skills and work responsibilities) provided for by the professional standard «Specialist in the operation of lifting structures» were used as initial data to train neural networks. Based on them, a list of possible incidents was compiled. For the purposes of training, the results of the certification of 200 conditional employees were generated. During the generation, the Monte Carlo method was used, and the data were output to Excel tables. Neural networks were trained in Python 3.10 in the PyCharm development environment. Open libraries Keras and TensorFlow, as well as auxiliary libraries for data representation and processing (Pandas, NumPy, Scikit-learn) were used for neural networks training.
Results. As a result, a tool was obtained – a neural network in the form of executable program code, which makes it possible to assess the probability of emergencies during the operation of lifting cranes by analyzing the degree of proficiency of specialists in professional competencies. It is proposed to implement artificial intelligence technologies based on neural networks in order to assess the knowledge, skills and abilities of specialists of facilities operating lifting cranes, both during the certification of employees and in the course of work.
Discussion and Conclusion. The main result of using neural networks to assess the knowledge of employees of facilities operating lifting cranes is the expected reduction in accidents, which can be ensured by timely identification of incompetent personnel at the stages of primary certification and, most importantly, during periodic tests of knowledge based on an impartial analysis and evaluation of data.
The authors declare that there are no conflicts of interest present.