Портал психологических изданий PsyJournals.ru
Каталог изданий 112Рубрики 53Авторы 9127Новости 1805Ключевые слова 5095 Правила публикацииВебинарыRSS RSS

Включен в Web of Science СС (ESCI)

ВАК

РИНЦ

Рейтинг Science Index РИНЦ 2019

36 место — направление «Психология»

0,323 — показатель журнала в рейтинге SCIENCE INDEX

0,829 — двухлетний импакт-фактор

CrossRef

Экспериментальная психология

Издатель: Московский государственный психолого-педагогический университет

ISSN (печатная версия): 2072-7593

ISSN (online): 2311-7036

DOI: https://doi.org/10.17759/exppsy

Лицензия: CC BY-NC 4.0

Издается с 2008 года

Периодичность: 4 номера в год

Доступ к электронным архивам: открытый

 

Оценка действий экипажа воздушного судна на основе модели рисков человеческого фактора 69

Куравский Л.С.
доктор технических наук, декан факультета информационных технологий, Московский государственный психолого-педагогический университет, Москва, Россия
ORCID: https://orcid.org/0000-0002-3375-8446
e-mail: l.s.kuravsky@gmail.com

Юрьев Г.А.
кандидат физико-математических наук, доцент, заведующий научной лабораторией, Московский государственный психолого-педагогический университет, Москва, Россия
ORCID: https://orcid.org/0000-0002-2960-6562
e-mail: g.a.yuryev@gmail.com

Златомрежев В.И.
заведующий лаборатории, Государственный научно-исследовательский институт авиационных систем («ГосНИИАС»), Москва, Россия
ORCID: https://orcid.org/0000-0003-1776-6881
e-mail: vizlatomr@2100.gosniias.ru

Юрьева Н.Е.
кандидат технических наук, научный сотрудник, центра информационных технологий для психологических исследований факультета информационных технологий, Московский государственный психолого-педагогический университет, Москва, Россия
ORCID: https://orcid.org/0000-0003-1419-876X
e-mail: yurieva.ne@gmail.com

Аннотация

В статье представлена модель рисков человеческого фактора при пилотировании воздушного судна. Эта модель построена на сравнениях представлений оцениваемых действий экипажей с сопоставимыми представлениями действий различных типов и качества исполнения, образующих репрезентативную выборку и содержащихся в заранее сформированной специализированной базе данных. Риск представляется вероятностными оценками, которые строятся в результате последовательного применения метода главных компонентов, многомерного шкалирования и кластерного анализа к трем типам характеристик: параметрам полета и состояния систем воздушного судна, траекториям движения глаз и временным рядам первичных показателей глазодвигательной активности, — что приводит к формированию кластеров фрагментов полетов различных типов и качества исполнения, включая аномальные. Дискриминантный анализ обеспечивает вычисление вероятностного профиля принадлежности к целевым кластерам, на основе которого строится итоговое заключение. Ключевым элементом представленного подхода являются три новые метрики, применяемые для сравнений действий экипажей и обеспечивающие значимую дискриминацию фрагментов полетов различных типов и качества исполнения. Выполняется детализация вкладов параметров полета и состояния систем воздушного судна в различия фрагментов полетов в заданной метрике, результаты которой используются при содержательном анализе причин выявляемой аномальности. При достаточной скорости вычислений рассмотренный анализ полетных данных в автоматическом режиме может быть выполнен в реальном времени.

Ссылка для цитирования

Благодарности

Эта работа выполнена как часть проекта «SAFEMODE» (грант № 814961) при финансовой поддержке Министерства науки и высшего образования Российской Федерации (проект UID RFMEFI62819X0014).

Фрагмент статьи

Объективная оценка эффективности работы пилотов важна для оценки рисков, связанных с информационно-управляющим полем (ИУП) кабины экипажа воздушного судна, оптимизации ИУП и обучения экипажей. Одной из критических проблем при этом является разработка критериев оценки.

Литература
  1. Aaron M. Aircraft trajectory clustering techniques using circular statistics. Yellowstone Conference Center, Big Sky, Montana, 2016. / IEEE.
  2. Bastani V., Marcenaro L., Regazzoni C. Unsupervised trajectory pattern classification using hierarchical Dirichlet Process Mixture hidden Markov model // 2014 IEEE International Workshop on Machine Learning for Signal Processing (MLSP) / IEEE. 2014. P. 1—6.
  3. Borg I., Groenen, P.J.F. Modern Multidimensional Scaling Theory and Applications. Springer, 2005. P.140.
  4. Bress Thomas J. Effective LabVIEW Programming: NTS Press, 2013.
  5. Cottrell M., Faure C., Lacaille J., Olteanu M. Anomaly Detection for Bivariate Signals. IWANN (1) 2019. P. 162—173.
  6. Cramer H. Mathematical Methods of Statistics. Princeton: Princeton University Press, 1999. 575 p.
  7. Eerland W.J., Box S. Trajectory Clustering, Modelling and Selection with the focus on Airspace Protection // AIAA Infotech@ Aerospace. AIAA, 2016. P. 1—14.
  8. Enriquez M. Identifying temporally persistent flows in the terminal airspace via spectral clustering // Tenth USA/Europe Air Traffic Management Research and Development Seminar (ATM2013) / Federal Aviation Administration (FAA) and EUROCONTROL. Chicago, IL, USA, 2013. June. P. 10—13.
  9. Enriquez M., Kurcz C. A Simple and Robust Flow Detection Algorithm Based on Spectral Clustering // International Conference on Research in Air Transportation (ICRAT) / Federal Aviation Administration (FAA) and EUROCONTROL. Berkeley, CA, USA, 2012. May. P. 22—25.
  10. Faure C., Bardet J.M., Olteanu M., Lacaille J. Using Self-Organizing Maps for Clustering and Labelling Aircraft Engine Data Phases // WSOM. 2017. P. 96—103.
  11. Gaffney S., Smyth P. Joint probabilistic curve clustering and alignment // Advances in Neural Information Processing Systems. 2005. Vol. 17. P. 473—480.
  12. Gaffney S., Smyth P. Trajectory clustering with mixtures of regression models // Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining. 1999. P. 63—72.
  13. Gariel M., Srivastava A., Feron E. Trajectory clustering and an application to airspace monitoring // IEEE Transactions on Intelligent Transportation Systems. 2011. Vol. 12. № 4. P. 1511—1524.
  14. ГОСТ Р ИСО/МЭК 31010 — 2011. Менеджмент риска. Методы оценки риска. М.: Изд-во стандартов, 2011. 71 с.
  15. Grevtsov N. Synthesis of control algorithms for aircraft trajectories in time optimal climb and descent // Journal of Computer and Systems Sciences International. 2008. Vol. 47. № 1. P. 129—138.
  16. Hung C., Peng W., Lee W. Clustering and aggregating clues of trajectories for mining trajectory patterns and routes // The VLDB Journal — The International Journal on Very Large Data Bases. 2015. Vol. 24. № 2. Р. 169—192.
  17. Kohonen T. Self-Organizing Maps, Springer, 3th Ed., 2001. 501 pp.
  18. Красильщиков М.Н., Евдокименков В.Н., Базлев Д.А. Индивидуально-адаптированные бортовые системы контроля технического состояния самолета и поддержки управляющих действий летчика. М.: Изд-во МАИ, 2011. 438 с.
  19. Kuravsky L.S., Artemenkov S.L., Yuriev G.A., Grigorenko E.L. New approach to computer-based adaptive testing. Experimental Psychology. 2017. Vol. 10. № 3. P. 33—45. doi:10.17759/exppsy.2017100303
  20. Куравский Л.С., Марголис А.А., Мармалюк П.А., Панфилова А.С., Юрьев Г.А. Математические аспекты концепции адаптивного тренажера. Психологическая наука и образование, 2016. Том. 21. № 2. С. 84—95. doi: 10.17759/pse.2016210210
  21. Kuravsky L.S., Margolis A.A., Marmalyuk P.A., Panfilova A.S., Yuryev G.A., Dumin P.N. A Probabilistic Model of Adaptive Training [Электронный русурс] // Applied Mathematical Sciences. Vol. 10. 2016. № 48. P. 2369—2380. URL: http://dx.doi.org/10.12988/ams.2016.65168
  22. Куравский Л.С., Мармалюк П.А., Юрьев Г.А. Диагностика профессиональных навыков на основе вероятностных распределений глазодвигательной активности // Вестник РФФИ. 2016. № 3(91). С. 72—82.
  23. Kuravsky L.S., Marmalyuk P.A., Yuryev G.A. and Dumin P.N. A Numerical Technique for the Identification of Discrete-State Continuous-Time Markov Models [Электронный русурс] // Applied Mathematical Sciences. 2015. Vol. 9. № 8. P. 379—391. URL: http://dx.doi.org/10.12988/ams. 2015.410882
  24. Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Belyaeva O.B., Prokopieva O.Yu. Mathematical Foundations of Flight Crew Diagnostics Based on Videooculography Data [Электронный русурс] // Applied Mathematical Sciences. 2016. Vol. 10. № 30. P. 1449—1466 URL: http://dx.doi.org/10.12988/ ams.2016.6122
  25. Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Dumin P.N., Panfilova A.S. Probabilistic modeling of CM operator activity on the base of the Rasch model // Proc. 12th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies. Oxford: UK, June, 2015.
  26. Kuravsky L.S., Yuriev G.A. Probabilistic method of filtering artefacts in adaptive testing. Experimental Psychology. 2012. Vol. 5. № 1. P. 119—131.
  27. Куравский Л.С., Юрьев Г.А. Свидетельство о государственной регистрации программы для ЭВМ № 2018660358 Intelligent System for Flight Analysis v1.0 (ISFA#1.0) / Правообладатели Куравский Л.С., Юрьев Г.А. (Россия). Заявка № 2018617617; Заявка 18.07.2018; Зарегистр. 22.08.2018. (РОСПАТЕНТ).
  28. Kuravsky L.S., Yuryev G.A. Detecting abnormal activities of operators of complex technical systems and their causes basing on wavelet representations [Электронный русурс] // International Journal of Civil Engineering and Technology (IJCIET). 2019. Vol. 10(2). Issue 02, February. P. 724—742. URL: http:// www.iaeme.com/MasterAdmin/UploadFolder/IJCIET_10_02_070/IJCIET_10_02_070.pdf. (дата обращения: 17.09.2019).
  29. Kuravsky L.S., Yuryev G.A. On the approaches to assessing the skills of operators of complex technical systems // Proc. 15th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies. Nottingham, UK, September 2018. P. 25.
  30. Kuravsky L.S., Yuryev G.A., Zlatomrezhev V.I. New approaches for assessing the activities of operators of complex technical systems // Eksperimental’naya psikhologiya = Experimental psychology. 2019. Vol. 12. № 4. P. 27—49. doi:10.17759/exppsy.2019120403
  31. Laxhammar R., Falkman G. Online learning and sequential anomaly detection in trajectories // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. Vol. 36. № 6. P. 1158—1173.
  32. Li Z., et al. Incremental clustering for trajectories // Database Systems for Advanced Applications. Lecture Notes in Computer Science. 2010. Vol. 5982. P. 32—46.
  33. Liu H., Li J. Unsupervised multi-target trajectory detection, learning and analysis in complicated environments // 2012 21st International Conference on Pattern Recognition (ICPR) / IEEE. 2012. P. 3716—3720.
  34. Марковские модели в задачах диагностики и прогнозирования: Учеб. пособие 2-е изд., доп. / Под ред. Л.С. Куравского. М.: Изд-во МГППУ, 2017. 197 с.
  35. Neal P.G. Multiresolution Analysis for Adaptive Refinement of Multiphase Flow Computations // University of Iowa. 2010. P. 116.
  36. René Vidal, Yi Ma, Shankar Sastry. Generalized Principal Component Analysis [Электронный ресурс]. New York: Springer-Verlag, 2016. URL: http://www.springer.com/ us/book/9780387878102
  37. Rintoul M., Wilson A. Trajectory analysis via a geometric feature space approach // Statistical Analysis and Data Mining: The ASA Data Science Journal. 2015.
  38. Trevor F. Cox, M.A.A. Cox. Multidimensional Scaling, Second Edition. Chapman & Hall/CRC, 2001. P. 299.
  39. Wei J., et al. Design and Evaluation of a Dynamic Sectorization Algorithm for Terminal Airspace // Journal of Guidance, Control, and Dynamics. 2014. Vol. 37. № 5. P. 1539—1555.
  40. Wilson A., Rintoul M., Valicka C. Exploratory Trajectory Clustering with Distance Geometry // International Conference on Augmented Cognition / Springer. 2016. P. 263—274.
  41. Xiangyu Kong, Changhua Hu, Zhansheng Duan. Principal Component Analysis Networks and Algorithms [Электронный русурс]. Springer, 2017. P. 322. URL: http://www.springer.com/us/book/9789811029134
Статьи по теме
 
О проекте PsyJournals.ru

© 2007–2020 Портал психологических изданий PsyJournals.ru  Все права защищены

Свидетельство регистрации СМИ Эл № ФС77-66447 от 14 июля 2016 г.

Издатель: ФГБОУ ВО МГППУ

Creative Commons License Репозиторий открытого доступа     Рейтинг репозиториев Webometrics

Яндекс.Метрика