Система цифрового мониторинга безопасности для авторемонтного предприятия

Введение. В ближайшее время методы машинного обучения будут все шире использоваться для обеспечения безопасности и оценки производственных рисков на предприятиях по ремонту транспорта. Об этом свидетельствуют активное развитие искусственного интеллекта и транспортной сферы. Как следствие, растет актуальность теоретических и прикладных исследований данной темы.

Внедряются новые, более сложные машины и оборудование. Автосервисные предприятия все шире задействуют информационные и коммуникационные технологии. Меняются производственные алгоритмы и схемы выполнения работ. Эти процессы могут быть источником вредного воздействия на людей и оборудование. Многие такие потенциально опасные ситуации все еще сложно прогнозируются. Комплексный подход в данном случае предполагает соблюдение перечисленных ниже правил.

1. Важно контролировать поведение персонала, соблюдение требований безопасности. Следует сфокусироваться на таких вопросах, как проведение работ и использование средств индивидуальной защиты (СИЗ).
2. Необходимо регулярно обновлять информацию о характеристиках и состоянии сложного технологического оборудования.
3. Сотрудники должны знать, какие средства пожаротушения есть на предприятии и как ими пользоваться.
4. Всех членов коллектива нужно ознакомить с правилами эвакуации и оказания первой помощи.

Отметим, что качество такой сложной, многофакторной системы нельзя определить по качеству ее составляющих. Общая безопасность в данном случае будет понятием более высокого порядка, и наилучшим инструментарием для ее обеспечения обладает искусственный интеллект. Учитывая очевидную нестатичность рассмотренных выше элементов, отметим важность самообучения нейросетей, которые следует привлечь для решения задач представленной научной работы.

Производственная практика подвергается внешним рискам и генерирует собственные. Невозможно полностью устранить все потенциальные угрозы, однако известны подходы к снижению, ограничению опасности. Один из них — внедрение защитных и контролирующих устройств, которые называются средствами коллективной защиты³. Задача таких решений — уменьшить вероятность вреда или его тяжесть.

В [1] подробно рассматриваются вопросы применения различных методов контроля производственных рисков, даются рекомендации для формирования и поддержки системы безопасности. В [2] приводятся примеры использования нейронных сетей для обеспечения контроля надежности съемных грузозахватных приспособлений. Есть исследования о влиянии компетенций машинистов грузоподъемных кранов на вероятность возникновения аварийных ситуаций [3].

В этом же направлении ведется патентная работа. Например, в патенте RU 2 682 020 C1 описан способ дистанционного контроля безопасности при эксплуатации объекта [4]. Решение базируется на цифровых информационно-технологических системах. Местоположение объектов контроля безопасности фиксируются по геоточкам, данные об их параметрах передаются в нейросетевую систему. Для дистанционного контроля используют видеокамеры. Комплекс объединяет серверное и мобильное программное обеспечение. Патент RU 2 534 371 C1 устанавливает способ дистанционного контроля опасных производственных объектов. Для этого задействуют:

• информационно-технологическую систему;
• средства радиочастотной идентификации;
• комплекс устройств для реализации метода.

Предлагается оснастить объекты контроля безопасности радиочастотными метками (англ. radio frequency identification — RFID). Они предназначены для записи и считывания данных через удаленные устройства, которые в патенте называют ридерами. Так фиксируются параметры безопасности контролируемых объектов и обеспечивается их дистанционная корректировка. При этом неограниченное число авторизованных пользователей получает интернет-доступ к базе данных.

Авторы [5] на примере здравоохранения рассматривают возможность применения блокчейна и интернета вещей для создания систем комплексного мониторинга.

В [6] предлагается установить на объекте датчики контроля опасности. С этой целью моделируются три ситуации:

• можно разблокировать преграды и открывать доступ на объект;
• нельзя разблокировать преграды и открывать доступ на объект;
• следует остановить работу промышленного оборудования.

В последнем случае отключение произойдет при активации светозвуковых сигналов об опасности.

Методы машинного обучения рассматривались для контроля безопасности мостов и дорог. Автор [7] акцентирует внимание на обнаружении повреждений. В этом случае для обучения нейросети используют массив данных, собранных на объекте без изъянов. Эту информацию сравнивают:

• с новыми данными о целых и поврежденных объектах;
• с прогнозами из окрестности выходного сигнала нейронной сети.

Отдельного внимания заслуживает работа колумбийских ученых, посвященная использованию нейронных сетей для повышения безопасности передвижения слабовидящих людей [88]. Авторы создавали искусственные нейронные сети из коэволюционного кооперативного генетического алгоритма. Он отвечает за структурирование, модификацию и обучение нейросетей. Разработанная программа сформировала несколько нейросетей. После обучения выбрали те, которые лучше предотвращают столкновения, то есть будут полезны слабовидящему человеку.

Анализ научных работ о безопасности в различных сферах выявил общие тенденции:

• проверка имеющихся в системе рисков, а также методов их снижения основана на стандартах ISO 12100 и ISO 14121;
• активно применяется машинное обучение нейронных сетей;
• широко используются датчики, системы накопления и обработки информации о состоянии объектов контроля;
• датчиками и метками следует оснащать как оборудование, так и экипировку персонала.

Отметим, однако, недостаточную проработанность вопросов использования искусственного интеллекта для контроля и снижения производственных рисков в сфере автомобильного сервиса. Представленное научное исследование призвано закрыть данный пробел. Цель работы — показать возможности использования нейросетей для формирования системы мониторинга безопасности на авторемонтных предприятиях.

Материалы и методы. Исходными материалами для научных изысканий были открытые данные об инцидентах на станциях технического обслуживания и ремонта автотранспортных средств. Принимались во внимание:

• случаи аварий, травмирования персонала;
• причины таких событий.

Исследование предполагает создание и обучение нейросетей, позволяющих оценить уровень производственного риска на авторемонтных предприятиях. Разработка может стать базой будущей единой системы мониторинга безопасности, основанной на цифровых технологиях. На рис. 1 представлена схема функционирования такой системы. Нейронная сеть показана как отдельный инструмент оценки риска.

Облачный сервер автоматически получает от датчиков сведения о телеметрии, персонале, использовании СИЗ и оборудовании. Нейронная сеть анализирует риски и выдает информацию для управляющих воздействий.

Итак, частная задача представленной научной работы — формирование искусственной нейронной сети. Для ее создания необходимо выбрать инструменты, а также входные и выходные параметры.

Авторы рассмотрели готовые платформы различных компаний — в частности, «Тензор флоу» (TensorFlow), «Пи торч» (PyTorch), «Кирас» (Keras), «Экс-джи буст» (XGBoost), «Статистика» (Statistica).

Первые четыре платформы требуют написания программного кода, а при работе со «Статистикой» в этом нет необходимости. Весь нужный функционал заложен в графическом интерфейсе. Кроме того, Statistica обладает обширным инструментарием обработки и представления данных.

Для создания нейросети используем входные данные по ремонту автомобилей на станции технического обслуживания. Этот объект — подразделение Центра по ремонту и обслуживанию техники, который создали специалисты кафедры «Эксплуатация транспортных систем и логистика» Донского государственного технического университета.

Рассмотрим формирование нейронной сети оценки риска для зоны кузовного ремонта. Назовем показатели безопасности, которые непрерывно меняются [9].

1. Остаточный ресурс (или срок службы) технологического оборудования. Присвоим показателю код А.
2. Остаточный ресурс (или срок службы) до проведения планового технического обслуживания или освидетельствования. Присвоим показателю код B.
3. Срок, оставшийся до планового повышения квалификации допущенных к выполнению работ специалистов. Присвоим показателю код D.
4. Срок, оставшийся до следующей поверки оборудования пожаротушения (преимущественно огнетушителей). Присвоим показателю код E.

Перечислим показатели, которые определяются только двумя состояниями: безопасное и опасное.

1. Полнота выдачи и правильность использования спецодежды и СИЗ (выданы или не выданы, правильно или неправильно). Присвоим показателю код G.
2. Выполнение работ допущенными специалистами (да или нет). Присвоим показателю код H.
3. Освещенность зоны работы (соответствует или не соответствует нормативам). Присвоим показателю код I.
4. Температура воздуха в зоне работ (соответствует или не соответствует нормативам). Присвоим показателю код J.
5. Содержание контролируемых вредных веществ в зоне выполнения работ (соответствует или не соответствует нормативам). Присвоим показателю код K.

При необходимости набор показателей можно расширить.

Также следует выделить особый класс переменных — лингвистические качественные показатели, то есть словесные описания параметров оборудования. Например, техническое состояние оборудования «очень хорошее», «хорошее», «удовлетворительное», «плохое», «очень плохое». Такие сведения получают при опросах персонала, который работает с оборудованием. Присвоим этому показателю код C. Лингвистические оценки можно представить в численном виде с помощью функции желательности Харрингтона [10].

Итак, выше представлены буквенные обозначения кодов показателей безопасности. Они нужны для удобства введения информации в нейросеть. В таблице 1 приводятся некоторые показатели, касающиеся оборудования в зоне кузовного ремонта.

Создание и обучение нейронных сетей требует объемных выборок данных, поэтому количественные и качественные входные параметры для зоны кузовного ремонта привели к единому виду с помощью функции желательности Харрингтона. Это позволяет определить обобщенный показатель оценки риска [10].

С целью классификации выходного параметра нейронной сети воспользуемся графом, представленным в ISO 14121 (рис. 2).

Буквенные обозначения взяли из указанного стандарта. Они не связаны с кодами в таблице 1. Следует также отметить, что данный граф — это лишь методический ориентир для оценки уровня риска, он не позволяет учесть все многообразие воздействующих факторов. Именно для этого и обучается нейронная сеть.

Для оценки каждой опасной ситуации на выходе графа учитываются описанные ниже условия:

• индекс риска, равный 1 или 2, соответствует наименьшему приоритету действий (приоритет 3);
• индекс риска 3 или 4 соответствует среднему приоритету действий (приоритет 2);
• индекс риска 5 или 6 соответствует наивысшему приоритету действий (приоритет 1).

Таким образом, можно выделить риски, которые соответствуют зеленому (наименьшему), желтому (среднему) и красному (высокому) уровню опасности. То есть выходной параметр нейронной сети — обобщенный показатель оценки риска определим как зеленый, желтый или красный.

Для обучения нейронных сетей в электронных таблица х «Эксель» (Excel) сгенерировали входные параметры для 1 тыс. вариантов показателей зоны кузовного ремонта. При меньшем количестве вариантов нейронные сети не могут качественно обнаружить все закономерности и взаимосвязи. На основе рассчитанного значения обобщенной функции желательности оценки риска [11] для каждого варианта данных определили уровень риска по трехцветной шкале. Фрагмент данных для обучения нейронной сети представлен на рис. 3. Это часть кодов, не вошедших в таблицу 1.

Исходную информацию импортировали в таблицу данных, созданную в рабочей книге Statistica.

Модуль «Нейронные сети» среды Statistica решает задачи пяти типов:

• регрессия — regression;
• классификация — classification;
• временные ряды (регрессия) — time series (regression);
• временные ряды (классификация) — time series (classification);
• кластерный анализ — cluster analysis.

В разрабатываемой модели нейронной сети выходной параметр — это уровень риска (зеленый, желтый, красный), поэтому данная задача решается как задача классификации.

Далее необходимо выбрать тип искусственной нейросети. В рамках этой работы рассматривались:

• многослойный персептрон (multilayered perceptron, MLP);
• сеть радиальной базисной функции (radial basis function).

Система предложила, а авторы использовали:

• количество нейронов скрытого слоя;
• количество тренируемых и возвращаемых сетей;
• функции активации скрытого и выходного слоя сети.

Результаты исследования. Система разбивает входные данные на тренировочную, проверочную и контрольную выборки. Их соотношение оставили по умолчанию. В качестве функций ошибок выбрали сумму квадратов отклонений и кросс-энтропию, которые Statistica применяет для оценки качества обучения нейронных сетей.

В итоге обучили 20 нейронных сетей и отметили пять с наименьшими значениями функций ошибок (рис. 4). Система автоматически выбирала тип функции ошибок для каждой нейросети. В использованной версии Statistica окно с обученными нейронными сетями не раздвигается по вертикали, поэтому на рис. 4 показаны только три из пяти сетей. Здесь значения функции ошибок — от 76,7 % до 78 %. У скрытых на рис. 4 нейросетей 1 и 2 значения функции ошибок — 77,2 % и 74 % соответственно.

Ошибка нейронной сети оценивалась с помощью кросс-энтропии [12]. В качестве функции активации скрытого слоя нейронов система выбрала гиперболическую тангенциальную функцию, а для выходного слоя нейронов — многомерную логистическую функцию.

Полученную нейронную сеть после сохранения в формате xml можно загрузить и использовать для вычислений в среде Statistica. Здесь же можно сохранить нейронную сеть в виде кода на нескольких языках программирования для последующего использования в разработке программного обеспечения.

Из пяти обученных нейросетей, наиболее соответствующих проверочной и тестовой выборкам данных, определили наилучшую по точности предсказания выходного параметра — 74 %. Этот показатель выражается в процентах сходимости с выходными параметрами выборок (рис. 5).

Наилучшая нейронная сеть, определяющая уровень риска для зоны кузовного ремонта, имеет структуру MLP 30-15-3, то есть многослойный персептрон с 30 нейронами во входном слое, 15 нейронами в скрытом слое и 3 нейронами в выходном слое. Входной слой в 30 нейронов определяется количеством входящих показателей для данной рабочей зоны. В разделе «Материалы и методы» описаны 10 групп таких индикаторов. Все их невозможно привести из-за ограниченного объема статьи. При необходимости количество показателей можно увеличить.

Полученную нейросеть перевели на язык программирования «Ява» (Java). Код (рис. 6) внедрили в программу цифрового двойника [13] и систему искусственного интеллекта [14] платформы оценки безопасности автосервисного предприятия, разработанную на AnyLogic.

Цифровой двойник платформы оценки безопасности автосервисного предприятия, разработанный на AnyLogic, представлен на рис. 7.

Цифровой двойник в режиме реального времени [15] отображает уровни риска на каждом участке производственного цеха, выводит предупреждения о потенциально опасных событиях:

• движение крана;
• въезд и выезд автомобиля;
• открытие осмотровой канавы.

Выявляются работники без средств индивидуальной защиты и лица, не имеющие допуска в зону проведения опасных работ.

В результате своевременно обнаруживаются опасные факторы производственного процесса автосервисного предприятия. Их комплексная оценка представляется как определенный уровень риска. При этом развитию неблагоприятного сценария могут препятствовать два фактора:

• персонал своевременно получает информацию об опасности в графической (цветовой) и звуковой форме;
• устраняются факторы риска, т. е. проводятся мероприятия по предупреждению аварий и производственных травм.

Обсуждение и заключение. Результаты представленного исследования закрывают один из пробелов в менеджменте рисков. Его научная новизна обусловлена спецификой работы автосервисных предприятий, которые ранее не рассматривались с этой точки зрения. Первая и наиболее вероятная сфера практического применения предложенной модели цифровой системы мониторинга безопасности — авторемонтные мастерские. Следует отметить, что практическое использование данного решения предполагает обязательную установку на объекте датчиков и систем оповещения. Применение модели цифровой системы мониторинга безопасности позволит заранее обнаруживать зоны с повышенным риском проведения работ и сократить производственный травматизм. Так, цифровой двойник платформы оценки безопасности автосервисного предприятия сгенерировал и передал следующую информацию, необходимую для контроля и управленческих решений:

• в зоне подготовки к покраске — средний уровень риска;
• в зоне кузовного ремонта — средний уровень риска, особого внимания требует движущийся кран;
• в 1-й зоне ямочного ремонта — низкий уровень риска при открытой яме;
• во 2-й зоне ямочного ремонта — низкий уровень риска при закрытой яме;
• в зоне ремонта — средний уровень риска.

В планах дальнейших исследований — развитие системы мониторинга риска в автосервисе. Ее можно дополнить элементами, которые помогут персоналу при обслуживании конкретных моделей машин. Объединение систем помощи и мониторинга позволит избежать ошибочных действий и повысит безопасность работ. Это важно при обслуживании автомобилей с особенностями конструкции — например, военных. Планируется задействовать технологию дополненной реальности и выводить на специальные экраны визуальные подсказки.