МЕТОД АВТОМАТИЗОВАНОЇ ІДЕНТИФІКАЦІЇ КВАЛІФІКАЦІЙНИХ ПАРАМЕТРІВ ДЛЯ МОРСЬКИХ ОПЕРАТОРІВ В УМОВАХ РИЗИКУ
10.33815/2313-4763.2023.1–2.26–27.144–165
Анотація
Мета дослідження – підвищення безпеки мореплавства шляхом застосування методу ідентифікації та прогнозування кваліфікаційних параметрів операторів-судноводіїв на основі нечіткої логіки.
Основна проблема дослідження полягає у необхідності контролю над внутрішніми факторами невизначеності дій оператора-судноводія та створення системи, яка ідентифікує його кваліфікаційні параметри для забезпечення безпеки прийняття рішень у складних навігаційних умовах.
Методика дослідження включає в себе: а) алгоритм автоматичної обробки даних ECDIS для зменшення суб'єктивності у визначенні нечітких функцій приналежності відносно навігаційних факторів; б) формалізацію структури нечітких функцій та побудову бази правил для ідентифікації ризиків при керуванні судном у складних умовах плавання; і в) імітаційне нечітке моделювання, яке досліджує вплив кваліфікаційних параметрів на загальний показник ризику керування рухом судна.
Результати дослідження полягають у створенні інтелектуальної системи, що прогнозує навігаційні ризики у складних умовах плавання. За допомогою імітаційного моделювання виявлено, що кваліфікаційні параметри операторів-судноводіїв істотно впливають на ризик при управлінні судном. Наприклад, підвищення параметрів за чотирма показниками може значно збільшити загальний ризик, на 15,8%, переводячи ситуацію в небезпечну або критичну категорію.
Практична значущість представлена результативністю автоматизованої обробки даних ECDIS, яка зменшила суб'єктивні помилки та удосконалила прогнозування навігаційних ризиків. Виявлений вплив кваліфікаційних параметрів операторів-судноводіїв на рівень ризику підкреслює важливість індивідуалізації прогнозу, що адаптовано до конкретного оператора. Практична цінність також полягає в потенціалі поліпшення безпеки мореплавства завдяки точному прогнозуванню та управлінню ризиками, враховуючи людський фактор кожного оператора. Майбутні дослідження будуть направлені на інтеграцію методу в інші системи управління рухом судна, створюючи ще більш ефективні інструменти підтримки прийняття рішень оператора в умовах внутрішньої невизначеності. Бібл. 23 рис. 19.
Посилання
2. Wang, Yong and Xu, Haixiang and Feng, Hui and He, Jianhua and Yang, Haojie and Yang, Lian (2023). Deep Reinforcement Learning Based Collision Avoidance System for Autonomous Ships. http://dx.doi.org/10.2139/ssrn.4566668.
3. Schöller, Frederik, E. T., Mogens Blanke, M. K. (2020). Plenge-Feidenhans’ and Lazaros Nalpantidis. “Vision-based Object Tracking in Marine Environments using Features from Neural Network Detections.” IFAC-PapersOnLine 53: 14517-14523. DOI:10.1016/J.IFACOL.2020.12.1455.
4. Nosov, P., Koretsky, O., Zinchenko, S., Prokopchuk, Y., Gritsuk, I., Socol, I., Kyrychenko, K. (2023). Devising an approach to safety management of vessel control through the identification of navigator’s state. Eastern-European Journal of Enterprise Technologies, 4 (3 (124)), 19–32. doi: https://doi.org/10.15587/1729-4061.2023.286156.
5. Mallam, Steven C., Salman Nazir, and Sathiya Kumar Renganayagalu. (2019). "Rethinking Maritime Education, Training, and Operations in the Digital Era: Applications for Emerging Immersive Technologies" Journal of Marine Science and Engineering 7, no. 12: 428. https://doi.org/10.3390/jmse7120428.
6. Anita M. Rothblum, Human error and marine safety. In: National Safety Council Congressand Expo, Orlando, FL. 2000.
7. Chauvin, C., Lardjane, S., Morel, G., Clostermann, JP, Langard, B. (2023). Human and organisational factors in maritime accidents: analysis of collisions at sea using the HFACS. Accid Anal Prev. 2013 Oct; 59: 26–37. https://doi.org/10.1016/j.aap.2013.05.006. Epub 2013 May 18. PMID: 23764875.
8. Nosov, P., Zinchenko, S., Plokhikh, V., Popovych, I., Prokopchuk, Y., Makarchuk, D., Mamenko, P., Moiseienko, V., & Ben, A. (2021). Development and experimental study of analyzer to enhance maritime safety. Eastern-European Journal of Enterprise Technologies, 4/3(112), 27–35. https://doi.org/10.15587/1729-4061.2021.239093.
9. Chybowska, Dorota & Chybowski, Leszek & Myskow, Jaroslaw & Manerowski, Jerzy. (2023). Identification of the Most Important Events to the Occurrence of a Disaster Using Maritime Examples. Sustainability. 15. 10613. https://doi.org/10.3390/su151310613.
10. Plokhikh, V., Popovych, I., Zavatska, N., Losiyevska, O., Zinchenko, S., Nosov, P., & Aleksieieva, M. (2021). Time Synthesis in Organization of Sensorimotor Action. BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 12(4), 164–188. https://doi.org/10.18662/brain/12.4/243.
11. Hetherington, C., Flin, R., Mearns, K. (2006). Safety in shipping: the human element. J Safety Res. 2006; 37(4): 401–11. https://doi.org/10.1016/j.jsr.2006.04.007. Epub 2006 Oct 16. PMID: 17046789.
12. Porathe, Thomas. (2023). Alarm and Hand-Over Concepts for Human Remote Operators of Autonomous Ships. 2861-2868. 10.3850/978-981-18-8071-1_P203-cd.
13. Hong, Seung-Kweon. (2022). Operator Function Model to Analyze Ship Accidents Related to Navigation Aids. 10.54941/ahfe1002426.
14. Chen, Xinqiang & Qi, Lei & Yang, Yongsheng & Luo, Qiang & Postolache, Octavian & Tang, Jinjun & Wu, Huafeng. (2020). Video-Based Detection Infrastructure Enhancement for Automated Ship Recognition and Behavior Analysis. Journal of Advanced Transportation. 2020. 1-12. 10.1155/2020/7194342.
15. Zhu, Man & Hahn, Axel & Wen, Yuan-Qiao & Bolles, Andre. (2017). Comparison and Optimization of the Parameter Identification Technique for Estimating Ship Response Models. 10.1109/CCSSE.2017.8088033.
16. Wan, Hui & Fu, Shanshan & Zhang, Mingyang & Xiao, Yingjie. (2023). A Semantic Network Method for the Identification of Ship’s Illegal Behaviors Using Knowledge Graphs: A Case Study on Fake Ship License Plates. Journal of Marine Science and Engineering. 11. 1906. 10.3390/jmse11101906.
17. Weintrit, A. (2009). The Electronic Chart Display and Information System (ECDIS): An Operational Handbook (1st ed.). CRC Press. https://doi.org/10.1201/9781439847640.
18. Gunal, Murat, M. (2018). Maritime Simulation Using Open Source Tools: Ship Transits in Bosporus. https://doi.org/10.1007/978-3-319-61801-2_7.
19. Harris, C. R., Millman, K. J., van der Walt, S. J. et al. (2020). Array programming with NumPy. Nature 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2.
20. Sii, Slive & Wang, J. & Ruxton, T. & Yang, J. & Liu, Jonhson. (2004). Application of fuzzy logic approaches to safety assessment in maritime engineering applications. Proceedings of the Institute of Marine Engineering, Science, and Technology. Part A, Journal of marine engineering and technology. 3. https://doi.org/10.1080/20464177.2004.11020182.
21. Redi, Mekonnen & Ulsido, Mihret & Thillaigovindan, Natesan. (2021). A Bi-level Neuro-Fuzzy System Soft Computing for Reservoir Operation. International Journal of Advances in Soft Computing and its Applications. 13. https://doi.org/10.15849/IJASCA.211128.15.
22. Macwan, N. & Sajja, Priti. (2013). Modeling performance appraisal using soft computing techniques: Designing neuro-fuzzy application. 2013 International Conference on Intelligent Systems and Signal Processing, ISSP 2013. 403–407. https://doi.org/10.1109/ISSP.2013.6526943.
23. Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International journal of man-machine studies, 7(1), 1–13.
