Дмитрий Александрович Вишневский, доктор технических наук, профессор, ректор
294204, Луганская Народная Республика, г. Алчевск, пр. Ленина, 16
Dmitry A. Vishnevsky, Dr. Sci. (Eng.), Professor, Rector
16, Lenin Ave., Alchevsk, Luhansk People's Republic, 294204
Лидия Евгеньевна Подлипенская, кандидат технических наук, доцент кафедры экологии и безопасности жизнедеятельности
294204, Луганская Народная Республика, г. Алчевск, пр. Ленина, 16
Lidiya E. Podlipenskaya, Cand. Sci. (Eng.), Associate Professor of the Ecology and Life Safety Departmen
16, Lenin Ave., Alchevsk, Luhansk People's Republic, 294204
Наталия Анатольевна Денисова, кандидат технических наук, доцент, заведующий кафедрой машин металлургического комплекса
294204, Луганская Народная Республика, г. Алчевск, пр. Ленина, 16
Nataliya A. Denisova, Cand. Sci. (Eng.), Associate Professor, Head of the Machines of the Metallurgical Complex Departmen
16, Lenin Ave., Alchevsk, Luhansk People's Republic, 294204
Надежда Александровна Бондарь, научный сотрудник научно-исследовательской части
294204, Луганская Народная Республика, г. Алчевск, пр. Ленина, 16
Nadezhda A. Bondar, Researcher, Research Departmen
16, Lenin Ave., Alchevsk, Luhansk People's Republic, 294204
Введение. Математическое моделирование эффективно при анализе промышленной безопасности на металлургических предприятиях, в частности для отслеживания проблем системы «человек — машина». Чтобы ввести в рассмотрение фактор времени, задействуют рекуррентные соотношения (в дискретной модели) и дифференциальные (в непрерывной). Однако необходимо также решить проблему привязки параметров модели к реальным условиям производственной среды и к человеческому фактору. Цель данного исследования — создание метода определения параметров имитационных математических моделей динамики психофизиологических показателей оператора, влияющих на его работу.
Материалы и методы. Психофизиологическое состояние (ПФС) оператора оценивали по работоспособности, утомляемости и ошибаемости. Данные собрали по тесту цифровой корректурной пробы (ЦКП). На основании полученных результатов вычислили экспериментальные значения показателей ПФС оператора, которые привели к нормированной шкале [0, 1]. Эти показатели для конкретного респондента, математическую модель и разработанный алгоритм задействовали при определении числовых значений параметров модели. Для интерпретации показателей работоспособности, утомляемости и ошибаемости ввели шкалы с пятью градациями.
Результаты исследования. Использование модифицированного авторами варианта математической модели показало значительное улучшение ее прогностических свойств. Из 10 участников наилучший результат оказался у респондента № 7, худший — у респондента № 8. В течение 1-го часа работы (с 9.00 до 10.00) их работоспособность выросла примерно одинаково, с 0,5–0,55 почти до 0,6. Затем показатель респондента № 7 активно увеличивался и до конца рабочего дня оставался существенно выше уровня «хороший». Показатель респондента № 8 падал и с 14.00 до 15.00 оказался ниже среднего. Разницу во многом определили хронотипы операторов. Их хронофизиологические особенности сказались также на утомляемости и ошибаемости. Для разных участников экспериментов варьировалось качество модели. В одном случае оно оказалось отличным (средняя относительная ошибка ≤5 %), в трех случаях — хорошим (≤10 %), в четырех — удовлетворительным (≤15 %).
Обсуждение и заключение. Предлагаемый подход дает возможность получить для каждого индивидуума динамические профили его психофизиологических характеристик, оценить их взаимосвязи и выполнить прогноз на основе модифицированной математической модели. Однако для расширения функциональных возможностей моделей в реальных условиях работы оператора металлургического оборудования требуется увеличить объем выборки, уменьшить шаг дискретного времени и выполнить исследования для различных условий работы с учетом технологических, климатических, экологических, психологических и прочих факторов.
Introduction. Mathematical modelling is effective in the analysis of industrial safety at metallurgical plants, in particular for tracking problems of the man — machine system. To introduce the time factor, recurrence relations (in a discrete model) and differential relations (in a continuous model) are used. However, it is also necessary to solve the problem of linking the model parameters to the real conditions of the production environment and to the human factor.
The aim of this study is to create a method for determining the parameters of simulation mathematical models of the dynamics of the operator’s psychophysiological indicators affecting the work.
Materials and Methods. The operator’s psychophysiological state (PPS) was assessed by performance, fatigue levels, and error rate. The data were collected by the Digital Correction Task (DCT) test. Based on the obtained results, the experimental values of the operator’s PPS indicators, which were reduced to the normalized scale [0, 1], were calculated. These indicators for a particular respondent, the mathematical model and the developed algorithm were used to determine the numerical values of the model parameters. In order to interpret the indicators of performance, fatigue and error rate, we introduced scales with five gradations.
Results. The use of the authors’ modified version of the mathematical model showed a significant improvement in its prognostic properties. Out of 10 participants the best result was shown by respondent no. 7, the worst result was shown by respondent no. 8. During the first working hour (from 9.00 to 10.00) their performance increased almost equally, from 0.5–0.55 to almost 0.6. Then the score of respondent no. 7 increased and remained well above the “good” level until the end of the day. The score of respondent no. 8 dropped and was below average from 14.00 to 15.00. The difference was largely determined by the operators’ chronotypes. Their chronophysiological characteristics also affected fatigue and error rate. The model’s quality varied for different participants in the experiments. In one case it was excellent (mean relative error ≤5%), in three cases it was good (≤10%) and in four it was satisfactory (≤15%).
Discussion and Conclusion. The proposed approach allows us to obtain the dynamic profiles of psychophysiological characteristics for every individual, to assess their interrelationships and to perform a prediction on the basis of a modified mathematical model. However, in order to extend the functionality of the models to the real working conditions of the metallurgical plant operator, it is necessary to increase the sample size, reduce the discrete time step and conduct studies for different working conditions, considering technological, climatic, environmental, psychological and other factors.
The authors declare that there are no conflicts of interest present.