Методика определения параметров математической модели динамики психофизиологического состояния оператора металлургического оборудования

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.

1. Негреева В.В., Василенок В.Л., Кагиян О.А. Исследование проблем охраны труда и их влияние на промышленную безопасность предприятий черной металлургии. Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2019;(4):41–50. https://doi.org/10.17586/2310-1172-2019-12-4-41-50

2. Вишневский Д.А. Исследования распределения несчастных случаев в кузнечно-прессовом производстве по месту происшествия и по времени от начала работы. Сборник научных трудов Донбасского государственного технического университета. 2018;12(55):84–90.

3. Кудрин Р.А., Лифанова Е.В., Плотникова А.В. Биоэлектрическая активность головного мозга у операторов с разным хронотипом. Вестник ВолГМУ. 2019;1(69):116–119. https://doi.org/10.19163/1994-9480-2019-1(69)-116-119

4. Абашин В.Г. Автоматизация процесса определения психофизиологического состояния оператора автоматизированного рабочего места в АСУТП. Автореф. дис. канд. тех. наук. Орел; 2008. 20 с. URL: https://new-disser.ru/_avtoreferats/01003315723.pdf?ysclid=lrfzw8ogf4552201100 (дата обращения: 03.11.2023).

5. Абашин В.Г. Адаптивная математическая модель мультибиометрической подсистемы определения работоспособности человека-оператора АРМ на основе нечетких множеств. Информационные системы и технологии. 2011;5(67):90–95. URL: https://oreluniver.ru/file/archive/ISiT%205-20111.pdf (дата обращения: 21.112023).

6. Васильев В.И., Сулавко А.Е., Борисов Р.В., Жумажанова С.С. Распознавание психофизиологических состояний пользователей на основе скрытого мониторинга действий в компьютерных системах. Искусственный интеллект и принятие решений. 2017;(3):21–37.

7. Vishnevskiy D.A., Petrov P.A. Mathematical correlation modeling for the operator's operability, fatigue and error-making in metallurgical industry using anylogic system dynamics tools. Journal of Advanced Research in Technical Science. 2022;32:50–55. https://doi.org/10.26160/2474-5901-2022-32-50-55

8. Городецкий И.Г., Парахин А.В. Обзор физиологических, субъективных и объективных параметров для оценки работоспособности оператора. StudNet. 2020;3(9):699–707. https://doi.org/10.24411/2658-4964-2020-1101

9. Бубнова А.Е. Комплексная оценка субъективных и объективных физиологических характеристик критического уровня утомления у операторов МЧС. Вестник ВолГМУ. 2019;3(71):91–95. https://doi.org/10.19163/1994-9480-2019-3(71)-91-95

10. Michielsen H.J., Vries J.D., Van Heck G.L. Psychometric qualities of a brief self-rated fatigue measure: the fatigue assessment scale. Journal of Psychosomatic Research. 2003;54(4):345–352. https://doi.org/10.1016/s0022-3999(02)00392-6

11. Глуткин С.В., Чернышева Ю.Н., Зинчук В.В., Балбатун О.А., Орехов С.Д. Физиологическая характеристика лиц с различными хронотипами. Вестник Смоленской государственной медицинской академии. 2017;16(2):48–58. URL: https://cyberleninka.ru/article/n/fiziologicheskaya-harakteristika-lits-s-razlichnymi-hronotipami/viewer (дата обращения: 21.11.2023).

12. Allebrandt K.V., Roenneberg T. The search for circadian clock components in humans: new perspectives for association studies. Brazilian Journal of Medical and Biological Research. 2008;41(8):716–721. https://doi.org/10.1590/S0100-879X2008000800013

13. Суфиянова М.А., Волохина А.Т., Глебова Е.В. Разработка механизмов повышения культуры производственной безопасности по результатам анализа анкетирования работников. Безопасность техногенных и природных систем. 2023;7(4):70–79. https://doi.org/10.23947/2541-9129-2023-7-4-70-79