Куравский Л.С. доктор технических наук, декан факультета информационных технологий, Московский государственный психолого-педагогический университет (ФГБОУ ВО МГППУ), 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 (ФГБОУ ВО МГППУ), 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, центр информационных технологий для психологических исследований факультета информационных технологий, Московский государственный психолого-педагогический университет (ФГБОУ ВО МГППУ), Москва, Россия ORCID: https://orcid.org/0000-0003-1419-876X e-mail: yurieva.ne@gmail.com
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.
Благодарности. Эта работа выполнена как часть проекта «SAFEMODE» (грант № 814961) при финансовой поддержке Министерства науки и высшего образования Российской Федерации (проект UID RFMEFI62819X0014).
Ссылка для цитирования
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
Aaron M. Aircraft trajectory clustering techniques
using circular statistics. Yellowstone Conference Center, Big Sky, Montana,
2016. / IEEE.
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.
Borg I., Groenen, P.J.F. Modern Multidimensional
Scaling Theory and Applications. Springer, 2005. P.140.
Bress Thomas J. Effective LabVIEW Programming: NTS
Press, 2013.
Cottrell M., Faure C., Lacaille J., Olteanu M.
Anomaly Detection for Bivariate Signals. IWANN (1) 2019. P. 162—173.
Cramer H. Mathematical Methods of Statistics.
Princeton: Princeton University Press, 1999. 575 p.
Eerland W.J., Box S. Trajectory Clustering,
Modelling and Selection with the focus on Airspace Protection // AIAA Infotech@
Aerospace. AIAA, 2016. P. 1—14.
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.
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.
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.
Gaffney S., Smyth P. Joint probabilistic curve
clustering and alignment // Advances in Neural Information Processing Systems.
2005. Vol. 17. P. 473—480.
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.
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.
ГОСТ Р ИСО/МЭК 31010 — 2011. Менеджмент риска. Методы
оценки риска. М.: Изд-во стандартов, 2011. 71 с.
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.
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.
Kohonen T. Self-Organizing Maps, Springer, 3th Ed.,
2001. 501 pp.
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.
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
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
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
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.
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
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
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.
Kuravsky L.S., Yuriev G.A. Probabilistic method of
filtering artefacts in adaptive testing. Experimental Psychology. 2012. Vol. 5.
№ 1. P. 119—131.
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).
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).
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.
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
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.
Li Z., et al. Incremental clustering for
trajectories // Database Systems for Advanced Applications. Lecture Notes in
Computer Science. 2010. Vol. 5982. P. 32—46.
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.
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.
Neal P.G. Multiresolution Analysis for Adaptive
Refinement of Multiphase Flow Computations // University of Iowa. 2010. P.
116.
RenéVidal, Yi Ma, Shankar Sastry.
Generalized Principal Component Analysis [Электронный ресурс]. New York:
Springer-Verlag, 2016. URL: http://www.springer.com/
us/book/9780387878102
Rintoul M., Wilson A. Trajectory analysis via a
geometric feature space approach // Statistical Analysis and Data Mining: The
ASA Data Science Journal. 2015.
Trevor F. Cox, M.A.A. Cox. Multidimensional
Scaling, Second Edition. Chapman & Hall/CRC, 2001. P. 299.
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.
Wilson A., Rintoul M., Valicka C. Exploratory
Trajectory Clustering with Distance Geometry // International Conference on
Augmented Cognition / Springer. 2016. P. 263—274.
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