btpsБезопасность техногенных и природных системSafety of Technogenic and Natural Systems2541-9129Don State Technical University10.23947/2541-9129-2025-9-1-55-64HDWZAFbtps-441Research ArticleМАШИНОСТРОЕНИЕMACHINE BUILDINGСистема цифрового мониторинга безопасности для авторемонтного предприятияDigital Safety Monitoring System for Auto Repair Companyhttps://orcid.org/0000-0003-2425-3961ЕгельскийВ. В.EgelskyV. V.

Владислав Витальевич Егельский, аспирант кафедры эксплуатации транспортных систем и логистики

344003, г. Ростов-на-Дону, пл. Гагарина, 1

Vladislav V. Egelsky, Postgraduate Student of the Department of Operation of Transport Systems and Logistics

1, Gagarin Sq., Rostov-on-Don, 344003

sp_5sp_6pb_97n14@mail.ruhttps://orcid.org/0000-0003-2087-0233НиколаевН. Н.NikolaevN. N.

Николай Николаевич Николаев, кандидат технических наук, доцент кафедры эксплуатации транспортных систем и логистики

344003, г. Ростов-на-Дону, пл. Гагарина, 1

Nikolai N. Nikolaev, Cand. Sci. (Eng.), Associate Professor of the Department of Operation of Transport Systems and Logistics

1, Gagarin Sq., Rostov-on-Don, 344003

nnneks@yandex.ruhttps://orcid.org/0000-0003-3864-9254ЕгельскаяЕ. В.EgelskayaE. V.

Елена Владимировна Егельская, кандидат технических наук доцент, кафедры эксплуатации транспортных систем и логистики

344003, г. Ростов-на-Дону, пл. Гагарина, 1

Elena V. Egelskaya, Cand. Sci. (Eng.), Associate Professor of the Department of Operation of Transport Systems and Logistics

1, Gagarin Sq., Rostov-on-Don, 344003

egelskaya72@mail.ruhttps://orcid.org/0000-0002-8485-5983ПанфиловаЭ. А.PanfilovaE. A.

Панфилова Эльвира Анатольевна, кандидат философских наук, доцент кафедры эксплуатации транспортных систем и логистики 

344003, г. Ростов-на-Дону, пл. Гагарина, 1

Elvira A. Panfilova, Cand. Sci. (Philosoph.), Associate Professor of the Department of Transport Systems Operation and Logistics

1, Gagarin Sq., Rostov-on-Don, 344003

korotkaya_elvira@mail.ruДонской государственный технический университетРоссияDon State Technical UniversityRussian Federation202528022025915564Copyright © Егельский В.В., Николаев Н.Н., Егельская Е.В., Панфилова Э.А., 20252025Егельский В.В., Николаев Н.Н., Егельская Е.В., Панфилова Э.А.Egelsky V.V., Nikolaev N.N., Egelskaya E.V., Panfilova E.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.bps-journal.ru/jour/article/view/441Введение

Введение. В научной литературе описываются возможности искусственного интеллекта (ИИ) для обеспечения производственной безопасности. Рассматриваются методы контроля рисков, даются рекомендации по предотвращению инцидентов. Изучена связь между компетенциями машинистов грузоподъемных кранов и вероятностью аварий. Есть примеры использования нейросетей для определения надежности съемных грузозахватных приспособлений. Описан дистанционный мониторинг эксплуатационной безопасности. При этом недостаточно проработаны вопросы применения ИИ для контроля рисков в автосервисе. Представленное исследование призвано закрыть данный пробел. Цель работы — показать возможности использования нейросетей для формирования системы мониторинга безопасности на авторемонтном предприятии.

Материалы и методы

Материалы и методы. В качестве базовой информации использовали проектные материалы станции технического обслуживания при Центре по ремонту и обслуживанию техники. Это предприятие создали специалисты кафедры «Эксплуатация транспортных систем и логистика» (ЭТСиЛ) Донского государственного технического университета (ДГТУ). Риски классифицировали по ГОСТ ISO 12 1001 и ГОСТ Р 58 7712. Нейронные сети обучали по открытым библиотекам для языка «Питон» (Python). Модель системы цифрового мониторинга с визуализацией реализовали в системе имитационного моделирования «Эни лоджик» (AnyLogic).

Результаты исследования

Результаты исследования. Авторы представленной работы обучили 20 нейросетей и отметили пять с наименьшими значениями функций ошибок (от 74 % до 78 %). Из пяти наиболее корректно сработавших нейросетей выбрали ту, которая точнее предсказала выходной параметр — 74 %. Наилучшая нейронная сеть, определяющая уровень риска для зоны кузовного ремонта, — это многослойный персептрон с 30 нейронами во входном слое, 15 нейронами в скрытом слое и 3 нейронами в выходном слое. Ее задействовали для создания цифрового двойника, который в режиме реального времени предупреждает о потенциально опасных событиях: движении автомобиля, крана, открытии осмотровой канавы. Кроме того, обнаруживаются работники без средств индивидуальной защиты и лица без допуска в зону работ.

Обсуждение и заключение

Обсуждение и заключение. Применение модели цифровой системы мониторинга безопасности позволит заранее обнаруживать зоны с повышенным риском проведения работ, сокращать аварийность и производственный травматизм. Внедрение этой модели в центрах по ремонту автотранспортных средств предполагает установку датчиков и систем оповещения. В перспективе планируется исследовать возможность дополнения системы мониторинга риска алгоритмами, которые помогут персоналу в ремонте конкретных видов машин.

Introduction

Introduction. The scientific literature discusses the potential of artificial intelligence (AI) for ensuring industrial safety. Risk control methods are considered and recommendations for incident prevention are given. The relationship between the competencies of lifting crane operators and the probability of accidents has been studied. Examples of using neural networks for determining the reliability of removable lifting devices are presented. Remote monitoring of operational safety is described. However, the use of AI to manage risks in a car repair station has not been sufficiently studied. This research aims to address this gap. The aim of this work is to demonstrate the potential of neural networks in creating a safety monitoring system for an automobile repair facility.

Materials and Methods

Materials and Methods. The design materials of the service station at the equipment repair and maintenance center served as basic information. This enterprise was created by specialists of the Department of Operation of Transport Systems and Logistics at the Don State Technical University (DSTU). Risks were classified according to GOST ISO 12 1001 and GOST R 58 7712. Neural networks were trained using open-source libraries for the Python programming language. The digital monitoring system model with visualization was implemented using the AnyLogic simulation system.

Results

Results. The authors of this work trained 20 neural networks and selected five with the lowest error function values (from 74% to 78%). Out of five networks that worked most correctly, one was chosen that predicted the output parameter more accurately — 74%. The neural network with the best performance was a multilayer perceptron with 30 neurons in the input layer, 15 in the hidden layer, and 3 in the output layer. It was used to create a digital twin that warned in real time about potentially dangerous events: the movement of a car, a crane, and the opening of an inspection pit. Additionally, it identified workers without personal protective equipment or access to the work area.

Discussion and Conclusion. The use of a digital safety monitoring system model will make it possible to identify high-risk work areas in advance, and reduce accidents and industrial injuries. The introduction of this model in auto repair facilities involves the installation of sensors and warning systems. In the future, we plan to explore the possibility of integrating algorithms with the risk monitoring system to help personnel repair specific types of machines.

безопасность авторемонтного предприятияинструмент оценки рискабезопасность зоны кузовного ремонтацифровой двойник для оценки безопасностиauto repair shop safetyrisk assessment toolbody repair shop safetydigital twin for safety assessmentАвторы выражают признательность коллегам за помощь при подготовке материалов исследования: Короткому Анатолию Аркадьевичу — заведующему кафедрой «ЭТСиЛ» ДГТУ, доктору технических наук, профессору, и Хвану Роману Владимировичу — доценту кафедры «ЭТСиЛ» ДГТУ, кандидату технических наук.The authors would like to thank their colleagues for their help in preparing the research materials: Anatoly A. Korotkiy, Head of the Department of Operation of Transport Systems and Logistics at DSTU, Dr. Sci. (Engineering), Professor, and Roman V. Khvan, Associate Professor at the Department of Operation of Transport Systems and Logistics at DSTU, Cand. Sci. (Engineering).ReferencesПанфилов А.В., Бахтеев О.А., Дерюшев В.В., Короткий А.А. Система адаптивного дистанционного мониторинга и контроля эксплуатации опасных объектов на основе риск-ориентированного подхода. Безопасность техногенных и природных систем. 2020;(2):19−29. https://doi.org/10.23947/2541-9129-2020-2-19-29Panfilov AV, Bakhteev OA, Deryushev VV, Korotkiy AA. Adaptive Remote Monitoring and Control System for the Operation of Hazardous Facilities Based on a Risk-Based Approach. Safety of Technogenic and Natural Systems. 2020;(2):19−29. https://doi.org/10.23947/2541-9129-2020-2-19-29Егельский В.В., Николаев Н.Н., Егельская Е.В., Короткий А.А. Использование искусственного интеллекта для контроля надежности съемных грузозахватных приспособлений. Безопасность техногенных и природных систем. 2024;(2):57−67. https://doi.org/10.23947/2541-9129-2024-8-2-57-67Egelsky VV, Nikolaev NN, Egelskaya EV, Korotkiy AA. Use of Artificial Intelligence to Monitor the Reliability of Removable Load-Handling Devices. Safety of Technogenic and Natural Systems. 2024;2:57−67. https://doi.org/10.23947/2541-9129-2024-8-2-57-67Егельский В.В., Николаев Н.Н., Егельская Е.В., Короткий А.А. Влияние компетенций специалистов грузоподъемных кранов на вероятность возникновения аварийных ситуаций. Безопасность техногенных и природных систем. 2023;2:70–79. https://doi.org/10.23947/2541-9129-2023-7-2-70-79Egelsky VV, Nikolaev NN, Egelskaya EV, Korotkiy AA. Influence of the Competencies of Lifting Crane Specialists on the Probability of Emergencies. Safety of Technogenic and Natural Systems. 2023;2:70–79. (In Russ.) https://doi.org/10.23947/2541-9129-2023-7-2-70-79Лагерев А.В., Лагерев И.А., Каныгин П.С., Кинжибалов А.В., Кинжибалов А.А., Кобилев А.Г. и др. Способ дистанционного контроля безопасности при эксплуатации объекта на базе цифровых информационно-технологических систем. Патент РФ № 2682020. 2019. Бюл. № 8. 14 с.Lagerev AV, Lagerev IA, Kanygin PS, Kinzhibalov AV, Kinzhibalov AA, Kobilev AG, et al. A Method of Remote Safety Control during the Operation of an Object Based on Digital Information Technology Systems. Patent RF No. 2682020. 2019. 14 p. (In Russ.)Sanjay Kumar Jena, Ram Chandra Barik, Rojalina Priyadarshini. A Systematic State-of-Art Review on Digital Identity Challenges with Solutions Using Conjugation of IOT and Blockchain in Healthcare. Internet of Things. 2024;25:101111. https://doi.org/10.1016/j.iot.2024.101111Sanjay Kumar Jena, Ram Chandra Barik, Rojalina Priyadarshini. A Systematic State-of-Art Review on Digital Identity Challenges with Solutions Using Conjugation of IOT and Blockchain in Healthcare. Internet of Things. 2024;25:101111. https://doi.org/10.1016/j.iot.2024.101111Müller E, Hopf H. Competence Center for the Digital Transformation in Small and Medium-Sized Enterprises. Procedia Manufacturing. 2017;11:1495–1500. https://doi.org/10.1016/j.promfg.2017.07.281Müller E, Hopf H. Competence Center for the Digital Transformation in Small and Medium-Sized Enterprises. Procedia Manufacturing. 2017;11:1495–1500. https://doi.org/10.1016/j.promfg.2017.07.281Le HB, Felici F, Paley JI, Duval BP, Moret J-M, Coda S, et al. Distributed Digital Real-Time Control System for TCV Tokamak. Fusion Engineering and Design. 2014;89(3):155–164. https://doi.org/10.1016/j.fusengdes.2013.11.001Le HB, Felici F, Paley JI, Duval BP, Moret J-M, Coda S, et al. Distributed Digital Real-Time Control System for TCV Tokamak. Fusion Engineering and Design. 2014;89(3):155–164. https://doi.org/10.1016/j.fusengdes.2013.11.001Alvarado Coral JD, España E Muñoz. Sistema Anticolisión para Invidentes Usando Redes Neuronales Evolutivas. Inge Cuc. 2018;14(2):28–44. http://doi.org/10.17981/ingecuc.14.2.2018.03Alvarado Coral JD, España E Muñoz. Sistema Anticolisión para Invidentes Usando Redes Neuronales Evolutivas. Inge Cuc. 2018;14(2):28–44. http://doi.org/10.17981/ingecuc.14.2.2018.03Федорченко С.Г. Интегральная мера оценки состояния энергетической безопасности. Проблемы энергетики региона. 2014;24:1–16. URL: https://journal.ie.asm.md/assets/files/03_01_24_2014.pdf (дата обращения: 29.12.2024)Fedorchenko SG, Fedorchenko GS. Integral Measure of Evaluation of the Status of Energy Security. Problems of the Regional Energetics. 2014;24:1–16. (In Russ.) URL: https://journal.ie.asm.md/assets/files/03_01_24_2014.pdf (дата обращения: 29.12.2024).Zhang Qi, Durfee EH, Satinder Singh. Risk-Aware Analysis for Interpretations of Probabilistic Achievement and Maintenance Commitments. Artificial Intelligence. 2023;317:103864. https://doi.org/10.1016/j.artint.2023.103864Zhang Qi, Durfee EH, Satinder Singh. Risk-Aware Analysis for Interpretations of Probabilistic Achievement and Maintenance Commitments. Artificial Intelligence. 2023;317:103864. https://doi.org/10.1016/j.artint.2023.103864Menzefricke JS, Wiederkehr I, Koldewey Ch, Dumitrescu R. Socio-Technical Risk Management in the Age of Digital Transformation — Identification and Analysis of Existing Approaches. Procedia CIRP. 2021;100:708–713. https://doi.org/10.1016/j.procir.2021.05.094Menzefricke JS, Wiederkehr I, Koldewey Ch, Dumitrescu R. Socio-Technical Risk Management in the Age of Digital Transformation — Identification and Analysis of Existing Approaches. Procedia CIRP. 2021;100:708–713. https://doi.org/10.1016/j.procir.2021.05.094Popov K, Bold RDe, Chai H-K, Forde MC, Ho CL, Hyslip JP, et al. Big-Data Driven Assessment of Railway Track and Maintenance Efficiency Using Artificial Neural Networks. Construction and Building Materials. 2022;349:128786. https://doi.org/10.1016/j.conbuildmat.2022.128786Popov K, Bold RDe, Chai H-K, Forde MC, Ho CL, Hyslip JP, et al. Big-Data Driven Assessment of Railway Track and Maintenance Efficiency Using Artificial Neural Networks. Construction and Building Materials. 2022;349:128786. https://doi.org/10.1016/j.conbuildmat.2022.128786Liu Liu, Ningshuang Zeng, Yan Liu, Daguang Han, König M. Multi-Domain Data Integration and Management for Enhancing Service-Oriented Digital Twin for Infrastructure Operation and Maintenance. Developments in the Built Environment. 2024;18:100475. https://doi.org/10.1016/j.dibe.2024.100475Liu Liu, Ningshuang Zeng, Yan Liu, Daguang Han, König M. Multi-Domain Data Integration and Management for Enhancing Service-Oriented Digital Twin for Infrastructure Operation and Maintenance. Developments in the Built Environment. 2024;18:100475. https://doi.org/10.1016/j.dibe.2024.100475Kutscher V, Anokhin O, Anderl R. Enhancing Digital Twin Performance Through Simulation of Computerized Numerical Control Firmware. Procedia Manufacturing. 2020;49:69–74. https://doi.org/10.1016/j.promfg.2020.06.013Kutscher V, Anokhin O, Anderl R. Enhancing Digital Twin Performance Through Simulation of Computerized Numerical Control Firmware. Procedia Manufacturing. 2020;49:69–74. https://doi.org/10.1016/j.promfg.2020.06.013Vogt A, Müller RK, Kampa T, Stark R, Großmann D. Concept and Architecture for Information Exchange between Digital Twins of the Product (CPS) and the Production System (CPPS). Procedia CIRP. 2021;104:1292–1297. https://doi.org/10.1016/j.procir.2021.11.217Vogt A, Müller RK, Kampa T, Stark R, Großmann D. Concept and Architecture for Information Exchange between Digital Twins of the Product (CPS) and the Production System (CPPS). Procedia CIRP. 2021;104:1292–1297. https://doi.org/10.1016/j.procir.2021.11.217

The authors declare that there are no conflicts of interest present.