Оценка действий экипажа воздушного судна на основе модели рисков человеческого фактора ¹⁵⁹

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.

Ключевые слова: модель рисков человеческого фактора, метод главных компонентов, многомерное шкалирование, кластерный анализ, показатели глазодвигательной активности

Рубрика: Психология труда

Тип: научная статья

DOI: https://doi.org/10.17759/exppsy.2020130211

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

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.

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