Новые подходы к оцениванию работы операторов сложных технических систем

348

Аннотация

Представлены новые подходы, обеспечивающие оценивание результатов работы операторов сложных технических систем, в основе которых лежит сравнение упражнений, которые выполняются в заданный момент, с паттернами из базы данных как в вейвлет-метрике, связанной с временными рядами параметров поведения системы, так и в метрике правдоподобия траекторий собственных значений преобразований таких параметров, а также вероятностная оценка определения класса навыков с использованием функций выборочных распределений расстояний упражнений до центров исследуемых кластеров в пространстве шкалирования и байесовские оценки правдоподобия с использованием вероятностных профилей принадлежности определённым диапазонам параметров поведения системы. Эти методы продемонстрировали способность распознавать аномально выполненные упражнения и определять параметры, характеризующие ошибки оператора, с целью выявления их причин. Рассматриваемые методы преодолевают ограничения, характерные для существующих методов, и имеют преимущества по сравнению с анализом данных вручную, поскольку значительно сокращают перебор анализируемых вариантов.

Общая информация

Ключевые слова: операторы сложных технических систем, дискретное вейвлет-преобразование, распознавание уровня сформированности навыков, метод главных компонентов, многомерное шкалирование, кластерный анализ, дискриминантный анализ, траектории собственных значений

Рубрика издания: Когнитивная психология

Тип материала: научная статья

DOI: https://doi.org/10.17759/exppsy.2019120403

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

Для цитаты: Куравский Л.С., Юрьев Г.А., Златомрежев В.И. Новые подходы к оцениванию работы операторов сложных технических систем // Экспериментальная психология. 2019. Том 12. № 4. С. 27–49. DOI: 10.17759/exppsy.2019120403

Литература

  1. 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. Pp. 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. ISBN 1-934891-08-8.
  5. Cottrell M., Faure C., Lacaille J., Olteanu M. Anomaly Detection for Bivariate Signals. IWANN (1) 2019: 162—173.
  6. Cramer H. Mathematical Methods of Statistics. Princeton: Princeton University Press. 1999. — 575 pp.
  7. Eerland W.J., Box S. Trajectory Clustering, Modelling and Selection with the focus on Airspace Protection // AIAA Infotech@ Aerospace. _ AIAA, 2016. Pp. 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 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 22—25.
  10. Faure C., Bardet J.M., Olteanu M., Lacaille J. Using Self-Organizing Maps for Clustering and Labelling Aircraft Engine Data Phases. In: WSOM (2017): 96—103.
  11. Gaffney S., Smyth P. Joint probabilistic curve clustering and alignment // In Advances in Neural Information Processing Systems. Vol. 17. Cambridge, MA: MIT Press, 2005. Pp. 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. Pp. 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, no. 4. Pp. 1511—1524.
  14. 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, no. 1. Pp. 129—138.
  15. 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, no. 2. Pp. 169—192.
  16. Krasilshchikov M.N., Evdokimenkov V.N., Bazlev D.A. Individually adapted airborne systems for monitoring the aircraft technical condition and supporting the pilot control actions. Moscow, MAI Publishing House, 2011. — 440 pp (in Russian).
  17. Kuchar J. K., Yang L. C. A review of conflict detection and resolution modeling methods // IEEE Transactions on Intelligent Transportation Systems. 2000. Vol. 1, no. 4. Pp. 179—189.
  18. Kuravsky L.S., Artemenkov S.L., Yuriev G.A., Grigorenko E.L. New approach to computer-based adaptive testing. Experimental Psychology. 2017. Vol. 10. No. 3. Pp. 33—45. doi:10.17759/exppsy.2017100303
  19. Kuravsky L.S., Margolis A.A., Marmalyuk P.A., Panfilova A.S. , Yuriev G.A. Mathematical aspects of the adaptive simulator concept — Psychological Science and Education. 2016. Vol. 21. No. 2. Pp. 84—95. doi: 10.17759/pse.2016210210 (in Russian).
  20. Kuravsky L.S., Margolis A.A., Marmalyuk P.A., Panfilova A.S., Yuryev G.A., Dumin P.N. A Probabilistic Model of Adaptive Training. — Applied Mathematical Sciences, Vol. 10, 2016, no. 48, 2369—2380, http:// dx.doi.org/10.12988/ams.2016.65168
  21. Kuravsky L.S., Marmalyuk P.A., Yurev G.A. Diagnostics of Professional Skills Based on Probability Distributions of Oculomotor Activity. — RFBR Journal, No. 3 (91), 2016, pp. 72—82 (Supplement to “Information Bulletin of RFBR” No. 24, in Russian).
  22. 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 — Applied Mathematical Sciences. Vol. 9, 2015, No. 8, pp. 379—391. URL: https://doi.org/10.12988/ams. 2015.410882
  23. Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Belyaeva O.B. and Prokopieva O.Yu. Mathematical Foundations of Flight Crew Diagnostics Based on Videooculography Data. — Applied Mathematical Sciences, Vol. 10, 2016, no. 30, 1449—1466, https://doi.org/10.12988/ams.2016.6122
  24. 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. — In: Proc. 12th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies, Oxford, UK, June 2015.
  25. Kuravsky L.S., Yuriev G.A. Probabilistic method of filtering artefacts in adaptive testing. — Experimental Psychology, Vol.5, No. 1, 2012, pp. 119—131 (in Russian).
  26. Kuravsky L.S., Yuryev G.A. Certificate of state registration of the computer program № 2018660358 Intelligent System for Flight Analysis v1.0 (ISFA#1.0). Application №2018617617; declared 18 July 2018; registered 22 August 2018. (ROSPATENT).
  27. Kuravsky L.S., Yuryev G.A. Detecting abnormal activities of operators of complex technical systems and their causes basing on wavelet representations // International Journal of Civil Engineering and Technology (IJCIET). Vol. 10(2). P. 724—742. URL: http://www.iaeme.com/MasterAdmin/UploadFolder/ IJCIET_10_02_070/IJCIET_10_02_070.pdf. (Accessed 17.09.2019).
  28. Kuravsky L.S., Yuryev G.A. On the approaches to assessing the skills of operators of complex technical systems. In: Proc. 15th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies, Nottingham, UK, September 2018. 25 pp.
  29. Laxhammar R., Falkman G. Online learning and sequential anomaly detection in trajectories // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. Vol. 36, no. 6. Pp. 1158—1173.
  30. Li Z., et al. Incremental clustering for trajectories // Database Systems for Advanced Applications. Lecture Notes in Computer Science. 2010. Vol. 5982. Pp. 32—46.
  31. 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. Pp. 3716—3720.
  32. Markov models in the diagnostics and prediction problems: Textbook. /Edited by L.S. Kuravsky. 2nd Edition, Enlarged. — Moscow: MSUPE Edition, 2017. — 203 pp. (in Russian).
  33. Neal P.G. Multiresolution Analysis for Adaptive Refinement of Multiphase Flow Computations. University of Iowa, 2010.116 pp.
  34. René Vidal, Yi Ma, Shankar Sastry. Generalized Principal Component Analysis. Springer-Verlag: New York, 2016.URL: http://www.springer.com/ us/book/9780387878102
  35. Rintoul M., Wilson A. Trajectory analysis via a geometric feature space approach // Statistical Analysis and Data Mining: The ASA Data Science Journal. 2015.
  36. Trevor F. Cox, M.A.A. Cox. Multidimensional Scaling, Second Edition. Chapman & Hall/CRC, 2001. P. 299.
  37. Wei J., et al. Design and Evaluation of a Dynamic Sectorization Algorithm for Terminal Airspace // Journal of Guidance, Control, and Dynamics. 2014. Vol. 37, no. 5. Pp. 1539—1555.
  38. Wilson A., Rintoul M., Valicka C. Exploratory Trajectory Clustering with Distance Geometry // International Conference on Augmented Cognition /Springer. 2016. Pp. 263—274.
  39. Xiangyu Kong, Changhua Hu, Zhansheng Duan. Principal Component Analysis Networks and Algorithms. Springer, 2017. URL: http://www.springer.com/us/book/9789811029134.

Информация об авторах

Куравский Лев Семенович, доктор технических наук, профессор, 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 Григорий Александрович, кандидат физико-математических наук, доцент, заведующий кафедрой, "Прикладная информатика и мультимедийные технологии" факультета "Информационные технологии", ведущий научный сотрудник молодежной лаборатории информационных технологий для психологической диагностики, 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 Валентин Игоревич, 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

Метрики

Просмотров

Всего: 868
В прошлом месяце: 12
В текущем месяце: 2

Скачиваний

Всего: 348
В прошлом месяце: 1
В текущем месяце: 0