Поддержка принятия решения по профилактике нарушений безопасности в работе

Цель. Целью работы является рассмотрение опыта снижения влияния человеческого фактора на ход технологических процессов, разработка структуры и математического обеспечения системы поддержки принятия решений по профилактике нарушений безопасности в работе машиниста с использованием методов машинного обучения, анализ полученных результатов.
Методы. В исследовании, представленном в статье, используются методы машинного обучения, статистического анализа и экспертного анализа. В части методов машинного обучения использовались: логистическая регрессия, случайные леса, градиентный бустинг над решающими деревьями при частотном представлении категориальных признаков, нейронные сети.
Результаты. Сформировано множество характеризующих работу машиниста показателей, которые используются в создаваемой системе. Сформулирован термин «надежность машиниста», как способность не совершать нарушения безопасности движения в течение определенного количества поездок. Реализованы и исследованы алгоритмы прогнозирования нарушений в работе машинистов, используемые для формирования групп надежности и перечня профилактических мероприятий, рекомендуемых для снижения числа нарушений безопасности в работе машиниста. В качестве меток для задачи прогнозирования нарушений безопасности были выбраны грубые нарушения с установленной виной машиниста, которые могут быть совершены в ближайшие 3, 7, 10, 20, 30, 60 дней. Анализ результатов на тестовой выборке позволил выявить, что модель, основанная на градиентном бустинге над решающими деревьями при частотном представлении категориальных признаков, показывает лучшие результаты для задачи бинарной классификации на горизонте прогнозирования 30 и 60 дней. Разработанный алгоритм дал верный прогноз: в 76% случаях при пороге 0,7 и горизонте 30 дней; в 82% случаях при пороге 0,9 и горизонте 60 дней. Перспективным направлением решения поставленной задачи является интеграция различных подходов к прогнозированию возникновения нарушений безопасности в работе машиниста. В качестве дополнительных результатов с помощью лучшей из рассмотренных модели градиентного бустинга над решающими деревьями при частотном представлении категориальных признаков определены 10 наиболее значимых показателей работы машинистов.
Заключение. Представлен обзор методов и систем оценки надежности человека и влияния человеческого фактора на безопасность транспортных систем, позволивший выбрать перспективные направления и методы решения задач прогнозного анализа работы машиниста, к которым относятся методы машинного обучения. Сформированное множество показателей работы машиниста, учитывающих динамику изменения качества работы машиниста в прошлом, позволило получить исходные данные для обучения моделей, реализованных в рамках создаваемой системы. Реализованные модели позволили агрегировать информацию о машинистах для принятия точечных и временных профилактических мероприятий, рекомендуемых для повышения надежности машиниста. Сформулированный подход по формированию профилактических мероприятий внедрен в трех депо ОАО «РЖД» в режиме опытной эксплуатации.

1. Свидетельство 2019612885. Развитие системы учета и анализа нарушений безопасности движения поездов по результатам автоматической расшифровки кассет регистрации локомотивных устройств (АСУТ HБД-2): программа для ЭВМ / А.П. Голицын, А.А. Маслов, Д.А. Ручкин (RU); правообладатель Открытое акционерное общество «Российские железные дороги». № 2019612885; заявл. 22.02.19; опубл. 04.03.2019, 300 Мб.

2. Шубинский И.Б. Структурная надежность информационных систем. Методы анализа. М: Журнал «Надежность» – 2012. – 212 с.

3. Шубинский И.Б. Функциональная надежность информационных систем. Методы анализа. М: Журнал «Надежность» – 2012. – 296 c.

4. Swain A.D. Human reliability analysis: Need, status, trends and limitations // Reliability Engineering & System Safety, Vol. 29, No. 3, 1990. pp. 301-313.

5. Swain A. D., Guttmann H.E. Handbook of humanreliability analysis with emphasis on nuclear power plant applications, Sandia National Labs, Final report №. NUREG/CR--1278, 1983.

6. Corlett E.N., Wilson J.R. Evaluation of human work. CRC Press, 1995.

7. Forester J.A., Ramey-Smith A., Bley D.C. Discussion of comments from a peer review of a technique for human event analysis (ATHEANA). Sandia National Laboratories, 1998.

8. Holmberg J.E., Bladh K., Oxstrand J. The Application of the Enhanced Bayesian THERP in the HRA Methods Empirical Study Using Simulator Data // Proc. of PSAM, 2008.

9. Cooper S.E., Ramey-Smith A.M., Wreathall J.A technique for human error analysis. USNRC ed. Washington: DC: NUREG/CR-6350, 1996.

10. Hidayatulloh A. Dampak adaptasi presentasi treeview terhadap niat untuk melakukan pembelian secara online: emosi dan sikap pengguna sebagai mediator (didasarkan pada stimulus-organism-response model) // Optimum: Jurnal Ekonomi dan Pembangunan, Vol. 5, No. 2, 2015. pp. 147-156.

11. Горелик А.В., Тарадин Н.А., Журавлев И.А. Методы анализа безопасности функционирования систем железнодорожной автоматики и телемеханики // Надежность. 2011. №. 1. С. 40-46.

12. Лисенков В.М. Безопасность и эффективность перевозочных процессов // Экономика железных дорог. 2008. № 4. С. 33-42.

13. Пат. 133960 Российская Федерация. Мобильный учебный демонстрационный комплекс устройств безопасности движения железнодорожного транспорта / Ю.И. Попов, А.Г. Ройзнер, Б.Л. Зеликман, М.А. Певзнер, Ф.В. Ярковский: заявитель Открытое акционерное общество «Российские железные дороги». № 2013125124/11; заявл. 30.05.13; опубл. 27.10.13.

14. Кучумов В.А., Никифорова Н.Б., Мурзин Р.В. и др. Методы прогнозирования потребления электроэнергии на тягу поездов // Наука и техника транспорта. 2015. № 3. С. 104-110.

15. Тельпов Б.В., Борисенков С.С. Универсальная система автоматизированного ведения пассажирского поезда // Железнодорожный транспорт 2011. № 3. С. 48-52.

16. Колмаков В.О., Зубков В.В., Новиков А.В. Система автоматического управления тормозами САУТ // Инновации. Наука. Образование. 2020. № 22. С. 545-549.

17. Пат. 2420418 Российская Федерация. Комплексное локомотивное устройство безопасности / В.И. Зорин, С.А. Перевозчиков, А.С. Рычков: заявитель Открытое акционерное общество «Ижевский радиозавод». № 2007145632/11; заявл. 11.12.07; опубл. 10.06.11.

18. Бугаев А.С., Герус С.В., Дементиенко В.В. и др. Телемеханическая система контроля бодрствования машиниста // Бюллетень объединенного ученого совета ОАО «РЖД». 2017. № 2. С. 21-41.

19. А.с. 990573 Российская Федерация. Устройство для контроля бдительности машиниста / Я.Г. Шихер, Ю.Е. Бовэ, Ю.М. Меерзон, Е.В. Орешкин, В.М. Шахнарович; заявитель: Проектно-конструкторское бюро главного управления локомотивного хозяйства министерства путей сообщения СССР. № 3337528; заявл. 11.08.81; опубл. 23.01.83.

20. Бодров В.А., Орлов В.Я. Психология и надежность: человек в системах управления техникой. М.: «Институт психологии РАН», 1998. 288 с.

21. Апатцев В.И., Завьялов А.М., Синякина И.Н. и др. Обеспечение безопасности движения поездов на основе снижения влияния человеческого фактора // Наука и техника транспорта. 2014. № 2. С. 75-78.

22. Воронкова Е.А., Медведева В.М. Оценка профессиональных рисков машинистов и помощников машинистов железнодорожно-строительных машин // Проблемы безопасности российского общества. 2019. № 4. С. 42-48.

23. Баранов Л.А., Сидоренко В.Г., Балакина Е.П. и др. Интеллектуальное централизованное управление движением внеуличного городского железнодорожного транспорта в условиях интенсивного движения // Надежность. 2021. Т. 21. № 2. С. 17-23. DOI: 10.21683/1729-2646-2021-21-2-17-23

24. Свидетельство 2020613754. Автоматизированная система Доверенная среда локомотивного комплекса: программа для ЭВМ / О.В. Харин, С.М. Якимов, М.А. Кулагин и др. (RU); правообладатель Открытое акционерное общество «Российские железные дороги». № 2020613754; заявл. 11.03.2020; опубл. 23.03.2020, 490 Кб.

25. Сидоренко В.Г., Кулагин М.А. Подход к формированию рейтинга работы машиниста с использованием различных метрик сравнения // Электроника и электрооборудование транспорта. 2018. № 1. С. 14-17.

26. Кулагин М.А., Сидоренко В.Г. Квалификация машинистов как фактор повышения надежности работы электроподвижного состава // Наука и техника транспорта. 2018. № 4. С. 70-76.

27. Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support // arXiv preprint arXiv:1810.11363. 2018.

28. Kulagin M., Sidorenko V. A Recommender Subsystem Construction for Calculating the Probability of a Violation by a Locomotive Driver using Machine-learning Algorithms // 2020 IEEE East-West Design & Test Symposium (EWDTS). 2020. pp. 1-5.