Влияние компетенций специалистов грузоподъемных кранов на вероятность возникновения аварийных ситуаций

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.

1. Егельская Е.В., Каланчукова В.А. Анализ основных причин травматизма для персонала при эксплуатации подъемных сооружений. Молодой исследователь Дона. 2021;4:25–29.

2. Егельская Е.В., Романенко М.Ю. Аспекты применения риск-ориентированного подхода на опасных производственных объектах. Безопасность техногенных и природных систем. 2020;4:45–49. https://doi.org/10.23947/2541-9129-2020-4-45-49

3. Панфилов А.В., Дерюшев В.В., Короткий А.А. Рекомендательные системы безопасности для риск-ориентированного подхода. Безопасность труда в промышленности. 2020;5:48–55. https://doi.org/10.24000/0409-2961-2020-5-48-55

4. Числов О.Н., Лябах Н.Н., Колесников М.Б. и др. Нейросетевое исследование транспортных систем. Транспорт: наука, техника, управление. Научный информационный сборник. 2021;10:9–13. https://doi.org/10.36535/0236-1914-2021-10-2

5. Турулев Р.Р. Нейросети в системах корпоративного управления. В: Труды II Всероссийской научно-практической конференции «Цифровизация: Россия и СНГ в контексте глобальной трансформации». Петрозаводск: Международный центр научного партнерства «Новая Наука»; 2021. С. 7–16, https://doi.org/10.46916/12042021-2-978-5-00174-191-6

6. Barisic A.F., Barišić J.R., Miloloža I. Digital Transformation: Challenges for Human Resources Management. ENTRENOVA — ENTerprise REsearch InNOVAtiony. 2021;7(1):365-375. https://doi.org/10.54820/GTFN9743

7. Haibin Qiu, Shanghong Shi, Tingdi Zhao, et al. Reference to the Safety Engineering Undergraduate Courses to Improve the Subjects and Contents of the Certified Safety Engineer Qualification and Examination System of China. Research Journal of Applied Sciences, Engineering and Technology. 2013;6(18):3320–3323. https://doi.org/10.19026/rjaset.6.3641

8. Kargar V., Jahangiri M., Alimohammadlu M., et al. Risk assessment of mobile crane overturning in Asymmetric Tandem Lifting (ATL) operation based on fuzzy fault tree analysis (FFTA). Results in Engineering. 2022;16:100755. https://doi.org/10.1016/j.rineng.2022.100755

9. Szpytko J., Salgado Duarte Y. Exploitation Efficiency System of Crane based on Risk Managemen. In: Proceedings of International Conference on Innovative Intelligent Industrial Production and Logistics IN4PL. 2020, Vol. 1. P. 24–31. https://doi.org/10.5220/0010123200240031

10. Xing Yong, Li Fan, Sun Ke, et al. Multi-type electric vehicle load prediction based on Monte Carlo simulation. In: The 4th International Conference on Clean Energy and Electrical Systems (CEES 2022). Tokyo, Japan; 2022, Vol. 8, Supplement 10. P. 966–972. https://doi.org/10.1016/j.egyr.2022.05.264

11. Szpytko J., Salgado Duarte Y. Assessing Impacts of Vine-Copula Dependencies: Case Study of a Digital Platform for Overhead Cranes. In: Proceedings of the 2nd International Conference on Innovative Intelligent Industrial Production and Logistics IN4PL. 2021, P. 187–196. https://doi.org/10.5220/0010709900003062

12. Stroganov Yu., Belov V., Belova N., et al. Analysis of model for assessing the road train movement stability. Journal of Physics: Conference Series. 2021;1889:042051. 10.1088/1742-6596/1889/4/042051

13. Varadaraj A., Wadi Al B.M. A Study on Contribution of Digital Human Resource Management towards Organizational Performance. International Journal of Management Science and Business Administration. 2021;7(5): 43-51. https://doi.org/10.18775/ijmsba.1849-5664-5419.2014.75.1004

14. Saarikko T., Westergren U.H., Blomquist T. Digital transformation: Five recommendations for the digitally conscious firm. Business Horizons. 2020;63(6):825–839. https://doi.org/10.1016/j.bushor.2020.07.005

15. Тимофеев Г.О., Рощин А.Б. Повышение устойчивости тестов CAPTCHA к распознаванию сверточными нейросетями. Электросвязь. 2022;6:39–45. https://doi.org/10.34832/ELSV.2022.31.6.006

16. Епихин А.И., Кондратьев С.И., Хекерт Е.В. Прогнозирование многомерных нестационарных временных рядов с использованием нейромоделирования. Морские интеллектуальные технологии. 2020;4(4):23–27. https://doi.org/10.37220/MIT.2020.50.4.092

17. Fuqiang Sun, Fangyou Fu, Haitao Liao, et al. Analysis of multivariate dependent accelerated degradation data using a random-effect general Wiener process and D-vine Copula. Reliability Engineering and System Safety. 2020;204:107168. https://doi.org/10.1016/j.ress.2020.107168

18. Kraus S., Jones P., Roig-Tierno N., et al. Digital Transformation: An Overview of the Current State of the Art of Research. SAGE Open. 2021;11(3). https://doi.org/10.1177/21582440211047576

19. Spirina A., Mironovа A., Datkhuzheva R., et al Analysis of Occupational Injuries in Construction and Offer of a Technical Solution Increasing Tower Crane Stability. In: XIII International Conference on Transport Infrastructure: Territory Development and Sustainability. — Transportation Research Procedia. 2023, Vol. 68. P. 559–565. https://doi.org/10.1016/j.trpro.2023.02.076

20. Ozkeser B. Impact of training on employee motivation in human resources management. In: 3rd World Conference on Technology, Innovation and Entrepreneurship (WOCTINE). Procedia Computer Science. 2019, Vol. 158. P. 802–810. https://doi.org/10.1016/j.procs.2019.09.117