Методы мониторинга деятельности операторов досмотровой техники службы авиационной безопасности аэропорта Волков Александр Константинович

Содержание к диссертации

Введение

Глава 1 Анализ компонентов структуры человеческого фактора в системе досмотра аэропорта 11

1.1 Роль человеческого фактора в обеспечении авиационной безопасности 11

1.2 Анализ особенностей профессиональной подготовки операторов досмотровой техники 17

1.2.1 Рекомендуемая практика ИКАО по подготовке операторов досмотровой техники 17

1.2.2. Отечественный и зарубежный опыт применения автоматизированных систем тестового контроля операторов досмотровой техники 22

1.2.3 Анализ факторов сложности рентгеновских изображений 27

1.3 Анализ существующих подходов к оценке уровня подготовленности и мониторинга деятельности операторов досмотровой техники 30

1.4 Технические средства досмотра и проблемы взаимодействия с оператором досмотра 38

1.5 Эксплуатационные условия и нейтрализация возможных ошибок операторов досмотровой техники 45

Выводы по главе 1 54

Глава 2 Совершенствование методов оценки профессиональной подготовленности и мониторинга деятельности операторов досмотровой техники 57

2.1 Применение двухпараметрической модели IRT для оценки вероятностных характеристик обнаружения запрещенных предметов операторами досмотровой техники 57

2.2 Методика адаптивного выбора рентгеновских изображений в системах тестового контроля операторов досмотровой техники 67

2.3 Применение энтропийного моделирования для мониторинга деятельности операторов досмотровой техники 73

2.3.1 Применение энтропии для моделирования различных систем 73

2.3.2 Энтропийная модель мониторинга деятельности операторов досмотровой техники 75

Выводы по главе 2 80

Глава 3 Апробация предложенных моделей оценки профессиональной подготовленности и мониторинга деятельности операторов досмотровой техники 82

3.1 Апробация двухпараметрической модели IRT для оценки вероятностных характеристик обнаружения запрещенных предметов операторами досмотровой техники 82

3.2 Оценка размерности пространства компетенций операторов досмотровой техники методом главных компонент 85

3.3 Экспериментальное исследование влияния методики адаптивного выбора рентгеновских изображений на уровень подготовленности обучающихся 91

Выводы по главе 3 100

Глава 4 Рекомендации по практической реализации результатов исследования 102

4.1 Применение сетевых технологий в практике обеспечения авиационной безопасности 102

4.2 Разработка модели сетевой системы контроля деятельности операторов досмотровой техники 107

4.3 Направления дальнейших исследований человеческого фактора в системе досмотра аэропорта 113

Выводы по главе 4 116

Заключение 118

Список сокращений 121

Список литературы 122

Приложение 134

• Рекомендуемая практика ИКАО по подготовке операторов досмотровой техники
• Применение двухпараметрической модели IRT для оценки вероятностных характеристик обнаружения запрещенных предметов операторами досмотровой техники
• Оценка размерности пространства компетенций операторов досмотровой техники методом главных компонент
• Разработка модели сетевой системы контроля деятельности операторов досмотровой техники

Введение к работе

Актуальность темы исследования. В настоящее время в условиях не снижающейся террористической угрозы применения взрывных устройств на объектах гражданской авиации и воздушных судах проблема повышения уровня ОАБ стоит в ряду первостепенных задач. Одной из основных мер ОАБ в целях противодействия рассматриваемой угрозы является досмотр пассажиров, их ручной клади и багажа. Однако, несмотря на постоянное совершенствование рентгеновских технологий и повышение уровня автоматизации в досмотровых системах, человеческий фактор в виде подготовленности и ответственности операторов является важной составляющей эффективности организации процесса досмотра. Основной задачей операторов досмотровой техники является интерпретация рентгеновского изображения за время порядка 7-10 секунд с целью обнаружения запрещенных предметов и веществ. Решающую роль в процессе подготовке операторов имеет контроль качества ее результатов, целью, которой является оценка соответствия приобретенных операторами знаний необходимым требованиям по заданным критериям. В настоящее время основными подходами к оценке уровня подготовленности операторов по интерпретации рентгеновских изображений являются: скрытое тестирование; применение технологии проецирования изображений опасных предметов (ПИОП); тестирование с помощью компьютерных тренажеров. Технология ПИОП - это технология, которая позволяет проецировать фиктивные предметы, запрещенные к перевозке, на рентгеновское изображение реального багажа пассажира после их сканирования на досмотровом оборудовании. Анализ существующих подходов к оценке эффективности деятельности операторов по результатам либо тестового контроля, либо при использовании технологии ПИОП показал:

- для оценки способности по интерпретации рентгеновских изображений применяется так называемый «индекс чувствительности», который представляет собой разницу между частотой верных обнаружений запрещенных предметов и частотой ложных тревог. Однако данный подход: во-первых, не в полной мере учитывает влияние факторов сложности рентгеновских изображений; во-вторых, рассматривает только факт обнаружения запрещенных предметов операторами без какой-либо

вероятностной оценки, что не соответствует требованиям Международной организации гражданской авиации (ИКАО);

- в качестве критерия компетентности операторов используется относительное количество обнаруженных предметов (выраженное в процентах), которое затем сравнивается с минимальным проходным уровнем компетентности. При этом необходимо учитывать, что нормативных требований, касающихся значения минимального проходного уровня компетентности на сегодняшний день не установлено. Каждое государство или авиапредприятие самостоятельно устанавливает минимальный уровень компетентности оператора, например 75 %.

В настоящее время одной из актуальных проблем при тестировании операторов является задача адаптивного выбора тестовых рентгеновских изображений, которые в наибольшей степени соответствуют текущему уровню подготовленности оператора, в целях реализации достоверной и объективной оценки их способностей по обнаружению опасных предметов. Обзор методов мониторинга деятельности операторов показал, что существующие механизмы характеризуются наличием большого количества отчетов по различным опасным предметам и показателям деятельности (частота обнаружений, и др., выраженных в процентах), что усложняет понимание эффективности работы операторов и не в полной мере дает возможность проводить оценку стабильности их работы в течение времени.

В связи с этим, актуальной задачей является совершенствование моделей оценки уровня профессиональной подготовленности и мониторинга деятельности операторов досмотровой техники.

Степень разработанности темы исследования. Диссертационное исследование основывается на научных трудах следующих авторов, внесших существенный вклад в области изучения проблем ОАБ: Л.Н. Елисова, Н.И. Овченкова, Р.С. Фадеева, Е.А. Куклева, Ю.Б. Михайлов, Ю.М. Волынский-Басманов, СИ. Краснова, А.М. Лебедева, А.Б. Стиславский; в области изучения человеческого фактора в гражданской авиации: В.Г. Ципенко, Б.В. Зубкова, Г.В. Коваленко, С.Г. Косачевского, Д.В. Айдаркина., Л.Г. Большедворской. Учитывая негативное влияние возможных ошибок персонала служб досмотра целесообразно рассматривать принципы ОАБ и вероятное возникновение чрезвычайных ситуаций по причине человеческого фактора с учетом общности их причинно-следственных связей. В указанной предметной области наибольший научный вклад внесли: В.А. Акимов, В.В. Лесных, Н.Н. Радаев, В.А Пучков, В.М. Попов, М.И. Фалеев.

Несмотря на активные исследования указанных проблем, в настоящее время отсутствуют научно-методические основы решения задачи построения эффективной системы непрерывного мониторинга деятельности операторов досмотра, позволяющей учесть характерные особенности и специфику их работы. Данное положение обуславливает необходимость, как обобщения известных результатов, так и выявления новых путей комплексного решения рассматриваемых проблем, что определяет актуальность выбранной темы.

Объектом исследования в работе является система профессиональной подготовки операторов досмотровой техники.

Предметом исследования являются комплексные модели и методы оценки уровня подготовленности и мониторинга практической деятельности операторов досмотровой техники.

Цель работы состоит в повышении эффективности мониторинга деятельности операторов досмотровой техники на основе решения научной задачи совершенствования моделей и методов оценки практической деятельности операторов.

Поставленная цель достигается и решением следующих основных задач:

- провести анализ существующих моделей, методов и критериев оценки
уровня подготовленности операторов досмотра по обнаружению запрещенных
к провозу на воздушном транспорте предметов и веществ, выявить их
достоинства и недостатки;

- разработать модель оценки уровня подготовленности операторов
досмотра по обнаружению запрещенных предметов и веществ, на основе
теории моделирования и параметризации тестов;

получить статистические данные применения предложенных в работе моделей для оценки уровня подготовленности операторов;

обосновать методику выбора тестовых рентгеновских изображений в системах контроля компетентности операторов досмотровой техники;

- предложить и обосновать комплексную модель мониторинга
деятельности операторов досмотровой техники.

Методы исследования. В процессе выполнения исследования использовались методы системного анализа, теория моделирования и параметризации тестов; теория вероятностей и математической статистики, энтропийное моделирование.

Соответствие рассматриваемой специальности. Содержание диссертационной работы соответствует пункту 20 - «Совершенствование систем подготовки, переподготовки, повышения квалификации и сертификации авиационного персонала» и пункту 21 - «Разработка систем и методов защиты воздушного транспорта от несанкционированного вмешательства» паспорта специальности 05.22.14 «Эксплуатация воздушного транспорта», а также пункту 8 -«Разработка научных основ создания и совершенствования систем и средств прогнозирования и мониторинга чрезвычайных ситуаций» паспорта специальности 05.26.02 «Безопасность в чрезвычайных ситуациях» (на воздушном транспорте).

Научная новизна работы заключается в том, что в ней:

1. предложена двухпараметрическая модель, позволяющая проводить вероятностную оценку уровня подготовленности операторов досмотровой техники, отличающаяся тем, что учитывает параметр, характеризующий меру структурированности знаний операторов;

2. разработан и обоснован критерий оценки уровня индивидуальной подготовленности операторов, позволяющий учитывать статистический

уровень подготовки операторов, отличающийся возможностью применения различных пороговых значений доверительных интервалов;

3. предложенная методика адаптивного выбора рентгеновских изображений позволяет реализовать тестовый контроль операторов досмотровой техники, отличающийся применением единого параметра сложности интерпретации тестовых изображений;

4. с учетом специфики деятельности операторов досмотра впервые предложена энтропийная модель мониторинга деятельности, позволяющая проводить комплексную оценку стабильности работы оператора в течение контрольного периода, отличающаяся выделением элементов системы и связей между ними в качестве отдельных параметров.

На защиту выносятся:

1. одномерная двухпараметрическая модель оценки уровня подготовленности операторов досмотровой техники по обнаружению запрещенных предметов, предполагающая вероятностный подход к оценке его компетентности;

2. комплексный критерий оценки уровня подготовленности операторов досмотровой техники, использующий статистические характеристики индивидуальных способностей оператора;

3. методика адаптивного выбора рентгеновских изображений в системах тестового контроля операторов досмотровой техники, использующая индивидуальный подход к последовательному и направленному повышению компетентности оператора;

4. энтропийная модель мониторинга деятельности операторов досмотровой техники, использующая элементы системы и корреляционные связи между ними в качестве ведущих параметров.

Теоретическая значимость работы:

5. предложена и обоснована одномерная двухпараметрическая модель оценки уровня подготовленности операторов досмотровой техники по обнаружению запрещенных предметов, а также комплексный критерий оценки уровня их подготовленности;

6. впервые предложена адаптированная энтропийная модель мониторинга деятельности операторов досмотровой техники, основанная на представлении системы деятельности операторов в виде многомерного случайного вектора и рассмотрение энтропии в качестве единого критерия оценки ее функционирования.

Практическая значимость состоит в том, полученные результаты позволяют:

7. повысить достоверность оценки уровня подготовленности операторов с учетом влияния факторов сложности рентгеновских изображений, формируемых на основе адаптивного метода их выбора в системах тестового контроля;

8. осуществлять комплексную оценку стабильности работы персонала служб досмотра в течение исследуемого времени на основе динамики энтропии.

Достоверность полученных результатов обеспечивается

непротиворечивостью разработанных методов используемой практике и положениям современной науки; корректным использованием математического аппарата, а также результатами экспериментальных проверок предлагаемых моделей и методов.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на 8 научных конференциях, в т.ч.: VII, VIII, IX Международной молодежной научной конференции «Гражданская авиация: XXI век» (Ульяновск, 2015, 2016, 2017 гг.); Международной научно-технической конференции «Гражданская авиация на современном этапе развития науки, техники и общества» (М., 2016, 2018 гг.); Международной научно-технической конференции «Транспорт России: проблемы и перспективы» (Спб., 2016, 2017 гг.), XXIV Международной научно-технической конференции «Радиолокация, навигация, связь» (Воронеж, 2018 г.).

Публикации. По результатам исследований опубликовано 16 печатных работ (72 с.), в том числе 4 публикации в изданиях, рекомендованных ВАК при Минобрнауки России (34 с), 8 публикаций в трудах международных и всероссийских конференций (21 с.), 4 публикации в прочих изданиях (17 с.).

Личный вклад автора состоит в постановке задачи исследования,
разработке теоретических и экспериментальных методов их решения, в
обработке полученных результатов и формулировке выводов. В

опубликованных в соавторстве работах автору принадлежат постановка задачи, анализ проблем, результаты теоретических и практических исследований, рекомендации по практическому использованию моделей.

Реализация результатов работы. Результаты диссертационной работы использованы в ООО «Авиакомпания ЭйрБриджКарго», ОСП Международный аэропорт «Ульяновск-Восточный» АО «Авиастар-СП», учебном процессе ФГБОУ ВО УИ ГА. Имеются соответствующие акты реализации.

Структура и объем диссертации включает введение, четыре главы, заключение, список литературы и приложение. Диссертация изложена на 140 страницах машинописного текста, содержит 9 таблиц и 31 рисунок. Список литературы включает 109 наименований работ отечественных и зарубежных авторов.

Рекомендуемая практика ИКАО по подготовке операторов досмотровой техники

Согласно рассмотренному выше, 1 элемент человеческого фактора (Операторы) включает в себя методы отбора персонала, профессиональной подготовки и оценки ее качества, а также мер по сохранению кадров [54]. Рекомендуемая практика ИКАО это любое требование к физическим характеристикам, конфигурации, материальной части, техническим характеристикам, персоналу и правилам, единообразное применение которого признается желательным в интересах безопасности, регулярности или эффективности международной аэронавигации и договаривающиеся государства будут стремиться соблюдать в соответствии с Конвенцией [4]. Типовые программы для специализированной подготовки сотрудников САБ, отвечающих за досмотр ручной клади и зарегистрированного багажа, представлены в Руководстве по авиационной безопасности.

Целью отбора персонала заключается в выборе людей, наиболее пригодных для выполнения задач поиска запрещенных предметов. Ввиду того, что основной задачей оператора является интерпретация рентгеновских изображений, существуют следующие рекомендации, касающиеся качеств, которым должен отвечать будущий оператор досмотра [54]:

– быстрота восприятия;

– внимательность;

– способность визуализации изображений в трехмерном пространстве;

– способность мысленно разворачивать изображения объектов;

– способность классифицировать изображения и принимать решения.

Необходимо отметить, что каких-либо стандартов, касающихся отбора кандидатов для работы в качестве сотрудников служб досмотра на сегодняшний день не существует. Отсутствуют процедуры, методы и критерии психометрической оценки кандидатов. Для оценки рассмотренных выше качеств оператора можно применить тесты, предложенные в работе [63].

Основным компонентом данного элемента является профессиональная подготовка, которая включает в себя: начальную подготовку и обучение на рабочем месте. Согласно рекомендациям ИКАО начальная подготовка должна состоять из аудиторных занятий, на которых рассматриваются общие вопросы по обеспечению авиационной безопасности, и обучения с использованием компьютерных технологий (computer based training, CBT). Текущее непрерывное обучение на рабочем месте и повышение квалификации операторов организуется посредством применения технологии ПИОП. Решающую роль в процессе профессиональной подготовки операторов имеет контроль качества ее результатов, целью, которой является оценка соответствия приобретенных операторами знаний необходимым требованиям по заданным критериям.

Применение систем CBT позволяет достигать необходимый уровень компетентности операторов наиболее экономичным образом, а также проводить моделирование реальной ситуации для отработки и приобретения практических навыков работы на досмотровом оборудовании.

Основными требованиями к системам CBT являются [54]:

– возможность включения в себя как образовательных модулей (компонент), так и модулей тестового контроля подготовленности операторов;

– обеспечить стандартизацию подготовки и объективность оценки ее результатов;

– возможность самостоятельно регулировать темпы обучения и приспосабливаться к индивидуальным потребностям обучаемого посредством изменения уровня сложности и концентрации внимания на тех разделах темы, которые ему следует освоить;

– возможность дополнять существующую библиотеку изображений.

Модули подготовки CBT должны включать библиотеку изображений с не менее чем 100 рентгеновских изображений багажа или ручной клади с опасными предметами, каждый из которых должен иметь виды в различных проекциях.

Одним из серьезных технологических достижений последнего времени является разработка и внедрение ПИОП. Технология ПИОП позволяет накладывать виртуальное изображение опасных предметов на реальное изображение отсканированного багажа или в некоторых случаях полностью воспроизводить изображение виртуального багажа [77]. Целями ПИОП являются: организация непрерывного процесса повышения квалификации персонала; оценка результатов работы операторов; поддержание бдительности операторов [77]. Для взаимодействия с оператором на панели управления досмотрового оборудования имеется специальная кнопка указания об угрозе. В случае, если оператор не обнаружил опасный предмет в течение определенного промежутка времени, появляется сообщение, указывающее на то, что запрещенный предмет был пропущен. Специальное сообщение обратной связи также появляется при обнаружении опасного предмета или же в случае ложной тревоги, то есть когда оператор указал на то, что опасный предмет находится в багаже, хотя на самом деле опасный предмет не был спроецирован на рентгеновское изображение. По результатам контроля за определенный период времени делается вывод об индивидуальных показателях деятельности оператора.

Важным компонентом системы ПИОП, как и систем CBT, является библиотека изображений, содержащая различные опасные предметы. Также имеется база данных об операторах досмотра и модуль сбора результатов деятельности пользователя. При использовании технологии ПИОП, устанавливаются следующие эксплуатационные параметры [54]:

1) коэффициент багажа – параметр определяет частоту ПИОП по отношению к количеству мест багажа, проходящих через рентгеновскую установку;

2) диапазон багажа (или диапазон диверсификации) – параметр вносит определенные изменения в «коэффициент багажа», с тем, чтобы операторы не могли прогнозировать появление очередного ПИОП путем простого подсчета количества мест багажа;

3) коэффициент произвольных изображений – параметр «коэффициент произвольных изображений» позволяет проецировать определенный процент регулярных ПИОП вне установленного «диапазона багажа», т. е. на произвольной основе;

4) отбор образцов изображений – параметр устанавливает процентную долю каждой категории опасных предметов;

5) время для определения наличия опасного предмета. На основе рекомендуемой практики ИКАО в РФ разработана следующая нормативно-правовая база, определяющая основные требования к подготовке операторов досмотровой техники.

Нормы подготовки, переподготовки и текущей учебы по авиационной безопасности авиационного персонала утверждены Приказом Федеральной авиационной службы (ФАС) России от 16.10.1998 № 310, Распоряжением ФАС России от 05.02.1999 № 27.1.8-22 и Указанием ФАС России от 06.07.1998 № 9.15-50 «О введении в действие Программы начальной подготовки сотрудников служб авиационной безопасности аэропортов, авиапредприятий и эксплантатов гражданской авиации».

В соответствии с Указанием ФАС России от 06.07.1998 № 9.15-50 начальная подготовка сотрудников САБ проводится в учреждениях дополнительного профессионального образования и непосредственно в аэропортах и авиапредприятиях по 144 часовой программе (24 часа - теоретическая подготовка, 120 часов - стажировка) [38].

Специальная профессиональная подготовка и переподготовка (подтверждение квалификации) сотрудников САБ проводится в сертифицированных учебных заведениях и образовательных учреждениях дополнительного профессионального образования ГА в следующих объемах учебной нагрузки [39]:

– подготовка сотрудников САБ – 80 – 120 часов;

– переподготовка сотрудников САБ (подтверждение квалификации) – 40 – 60 часов.

Текущая учеба сотрудников САБ осуществляется по планам руководителей аэропортов, авиапредприятий и эксплантатов в объеме 48 часов в год, при этом устанавливается следующая периодичность повышения (подтверждения) квалификации по авиационной безопасности [39]:

– первоначальная подготовка для сотрудников САБ, принятых на работу впервые (в течение первого года работы);

– для сотрудников групп досмотра – 2 года. Таким образом, для реализации требований ИКАО в процессе профессиональной подготовки операторов досмотровой техники необходимо использовать специализированные системы CBT.

Применение двухпараметрической модели IRT для оценки вероятностных характеристик обнаружения запрещенных предметов операторами досмотровой техники

В целях совершенствования оценки уровня профессиональной подготовленности операторов досмотровой техники в данной работе предлагается использовать модели, разработанные в рамках теории моделирования и параметризации тестов (Item Response Theory, IRT). Согласно данной теории уровень профессиональной подготовленности операторов принимается за латентную переменную, которая недоступна для непосредственного наблюдения и измерения. Для ее описания разрабатывается набор измеряемых индикаторных переменных (индикатор). Индикатор – это некоторое средство воздействия, связанный с определенным латентным параметром, реакция на который, доступна для непосредственного наблюдения [32]. При оценке уровня латентной переменной операторов по результатам тестового контроля в качестве индикаторов выступают тестовые задания.

В рамках моделей IRT устанавливается функциональная взаимосвязь между латентными параметрами испытуемых, характеризующими уровень их подготовленности, и множеством значений индикаторных переменных, определяющих уровень трудности тестовых заданий. Измерение латентных параметров подготовленности операторов и трудности тестовых заданий осуществляется на единой интервальной шкале логитов. Логит уровня подготовленности оператора находится по формуле: lеi =1пpi , где pi и qi - доли правильных и неправильных соответственно ответов /-го оператора на тестовые задания.

Логит уровня трудности у-го тестового рентгеновского изображения рассчитывается аналогичным образом.

IRT-модели преодолевают ограничения классической теории тестов и имеют следующие преимущества [29, 102]:

- объективность результатов измерений: оценка уровня подготовки не зависит от набора тестовых заданий и, наоборот, оценка уровня трудности тестовых заданий не зависит от выборки испытуемых;

- измерение значений латентной переменной подготовленности и ее индикаторов производится на единой интервальной шкале логитов;

- возможность оценки адекватности модели измерения в нескольких разрезах: для общего набора тестов; отдельного индикатора; комбинаций испытуемый - индикатор латентной переменной;

- возможность анализа результатов с применением статистических процедур.

Среди моделей IRT можно выделить одномерные и многомерные модели. При выборе определенной модели необходимо учитывать вид задания, которое может быть дихотомическим или политомическим.

Рассмотрим математический аппарат одномерной однопараметрической модели Г. Раша. В рамках данной модели, латентная переменная определяется посредством вероятностной модели измерения, в которой вероятность правильного ответа испытуемого на задание теста рассматривается как функция от уровня подготовленности испытуемого и меры трудности задания [55].

Обозначим уровни подготовки операторов досмотровой техники как 9i (7=1..n), где п - количество операторов, а уровень трудности интерпретации рентгеновского изображения при влиянии определенного фактора сложности - (37 (/=1..m), где т - количество заданий.

Согласно модели Г. Раша вероятность правильной интерпретации і–м оператором у-го теневого рентгеновского изображения будет определяться разностью (е7 -ру) [55]: Р = 1 + е1,7(ег-Р;)- (2.1)

Значения параметров 0г- и (37 находятся в интервале (-5; 5) на шкале логитов.

Модель (2.1) является однопараметрической, так как функция вероятности правильной интерпретации рентгеновского изображения зависит от одного параметра - разности между уровнями подготовки оператора и трудности рентгеновского изображения. Согласно модели 2.1 следует, что при (0;. =р,.), то есть когда уровень подготовленности оператора равен трудности рентгеновского изображения, вероятность обнаружения запрещенного предмета р.. = 1/(1 +1) = 0,5. Если уровень подготовленности оператора превышает уровень трудности рентгеновского изображения, то есть Qj р , то вероятность обнаружения запрещенного предмета будет стремиться к единице, но никогда не будет ей равна. С другой стороны, если трудность рентгеновского изображения превосходит уровень подготовленности оператора, то есть 0, р , то вероятность обнаружения запрещенного предмета будет стремиться к нулю, но никогда не будет ему равна.

На основе моделей IRT можно строить и анализировать две характеристические, или логистические, кривые (item characteristic curve), которые наглядно описывают поведение латентной переменной (уровень подготовленности оператора) и ее индикатора (тестового рентгеновского изображения). Рисунок 2.1 - Характеристическая кривая трудности тестового рентгеновского изображения

Характеристическая кривая трудности рентгеновского изображения (рисунок 2.1) Р описывает возможности операторов с различным уровнем подготовки интерпретировать рентгеновское изображение уровня р . В общем случае, вероятность верной интерпретации у-го рентгеновского изображения будет являться возрастающей функцией от переменной 0оп. . Характеристическая кривая уровня подготовленности 0оп. описывает способности оператора по интерпретации рентгеновских изображений различной трудности р. В этом случае, вероятность верной интерпретации і-м оператором различных по трудности рентгеновских изображений будет являться убывающей функцией переменной р.

Более общей моделью является одномерная двухпараметрическая модель А. Бирнбаума [55]:

Формула для оценки данного параметра имеет следующий вид [55]: his,-a = ,, J\-(rbis.f где rte . - бисериальный коэффициент корреляции у-го задания. Для рассматриваемой модели уровень подготовленности /-го оператора будет определяться не первичным баллом Y.xij (т - количество тестовых рентгеновских изображений, где ху - элемент дихотомической матрицы ответов.), а суммой Ца,ху . Преимущество модели (2.2) составляет пониженное требование к тестовым заданиям, так как малоэффективные задания с низкой избирательностью дают несущественный вклад в конечный результат.

Параметр Xj характеризует крутизну характеристической функции (кривой) 7-го задания в точке ее перегиба (рисунок 2.2).

Оценка размерности пространства компетенций операторов досмотровой техники методом главных компонент

В ходе профессиональной подготовки операторов с использованием специализированных тренажёров необходимо учитывать возможную многомерность формируемой компетенции по обнаружению запрещенных предметов с учетом влияния факторов сложности. Это обуславливает значительные временные и ресурсные затраты на разработку блока тестовых изображений с учетом влияния всех предполагаемых факторов сложности.

В связи с этим, актуальной является задача оценка размерности пространства данной компетенции в целях повышения эффективности профессиональной подготовки.

В качестве исходных данных использованы результаты тестирования курсантов, описанного в главе 3.1. В табл. 3.2 представлен фрагмент данных по среднему времени обнаружения запрещенных предметов по отдельным факторам сложности для 10 первых курсантов.

Для снижения полученного пространства данных был использован метод главных компонент впервые предложенный К. Пирсоном в 1901 г [46].

Целью метода главных компонент является аппроксимация данных, представленная исходным набором многомерных векторов, в пространство меньшей размерности. Т.е. для заданного набора точек в линейном векторном пространстве требуется найти линейное многообразие меньшей размерности, так, чтобы проекции исходных точек на него в среднеквадратичном выражении оказались ближе всего к исходным точкам [46]. Метод главных компонент решает сразу две задачи: снижает размерность исходных данных, а также выявляет взаимосвязь исследуемых данных.

Анализ полученных результатов проводился с использованием программного пакета для статистического анализа Statistica 10.

При проведении компонентного анализа были использованы следующие сокращения для обозначения факторов сложности рентгеновских изображений: цветовое восприятие – CV; количество и беспорядок расположения предметов в багаже – SL; наложение запрещенного предмета – OV; изменение ориентации опасного предмета – OR; сложность восприятия геометрии запрещенного предмета – GE.

Собственные значения наблюдений, отражающие степень важности соответствующих выделенных факторов для объяснения вариации исходных данных, представлены на рисунке 3.2.

Из анализа данных, представленных на рисунке 3.2 видно, в результате применения метода главных компонент было выделено 3 компоненты, описывающих 92 % всей дисперсии исходных признаков, что является достаточно хорошим показателем. Причем первая главная компонента описывает 71,85 % общей дисперсии исходных данных, вторая и третья компоненты описывают 11,43 % и 8,93 % соответственно.

Оценка соответствия исходных наблюдений с полученными факторами на основе корреляций представлена на рисунке 3.3. Анализ данных показывает, что цветовое восприятие (CV) и наложение запрещенного предмета (OV) положительно коррелируют с первой главной компонентой, что говорит о том, что основную сложность для курсантов представляет цветовое восприятие рентгеновских снимков. Поэтому этот фактор можно интерпретировать как фактор, отвечающий за цветовое восприятие изображения. Вторая компонента положительно коррелирует с факторами изменения ориентации опасного предмета (OR) и со сложностью восприятия геометрии запрещенного предмета (GE). Следовательно, её можно интерпретировать как сложность распознавания курсантами геометрического образа опасного предмета. Для третьей компоненты характерна смешанная корреляция факторов CV, OV, OR, GE, что не дает четко ее охарактеризовать. Однако при этом имеется слабая корреляция с фактором количество и беспорядок расположения предметов багаже (SL). Поэтому данную компоненту можно охарактеризовать как компоненту, отвечающую за восприятие сложного багажа.

Проекция наблюдений на фактурную плоскость (рисунок 3.4) позволяет визуально оценить корреляции между исследуемыми факторами сложности рентгеновских изображений.

В результате проведённого анализа можно заключить, что 5 исходных факторов сложности рентгеновских изображений сгруппировалась в три группы.

Для проверки полученной группы укрупненных факторов сложности проведен иерархический кластерный анализ исходных статистических данных методом Уорда (мера близости – квадрат евклидова расстояния). В результате анализа получена дендограмма (рисунок 3.5), из которой видно, что совокупность признаков также разделилась на три класса. В первый класс вошли CV и OV, во второй –OR и GE и третий класс описывается SL.

Выделение трех основных классов подтверждается анализом данных методом k-средних (рисунок 3.6). Таким образом, можно сделать вывод о правильности проведенной классификации.

Полученная структура пространства компетенций содержит 3 основных компоненты вместо изначально предполагаемых 5 факторов. Первая компонента определяется такими факторами сложности как цветовое восприятие и наложение запрещенного предмета. Вторая компонента включает факторы изменение ориентации опасного предмета и сложности восприятия геометрии запрещенного предмета, а третья – количество и беспорядок расположения предметов багаже.

Использование метода главных компонент позволило снизить размерность исходных данных (пространства компетенции) с минимальной потерей данных и получить взаимосвязями между исследуемыми факторами сложности рентгеновских изображений.

Таким образом, применение метода главных компонент для анализа результатов тестирования операторов досмотра позволило определить размерность пространства компетенции по обнаружению опасных предметов в ходе профессиональной подготовки операторов.

Данная трехмерная модель пространства компетенций позволит повысить эффективность разработки модулей тестового контроля в специализированных тренажерах подготовки операторов досмотра за счет четкого понимания структуры формируемой компетенции, что также позволит снизить временные и ресурсные затраты при формировании блоков тестовых заданий.

Аналогичные исследования по другим компетенциям операторов досмотра позволят также оценить возможную многомерность формируемых компетенций.

Разработка модели сетевой системы контроля деятельности операторов досмотровой техники

В качестве рекомендаций по практической реализации результатов исследований предложено внедрить в практику ОАБ сетевые технологии и единые ситуационные центры в целях решения задачи независимого контроля и целенаправленной подготовки операторов досмотровой техники. Данное решение позволит повысить объективность контроля подготовленности операторов досмотра при использовании технологии ПИОП. Аппаратная схема системы сетевого контроля деятельности операторов досмотровой техники представлена на рисунке 4.2.

Предложенная система состоит из двух уровней: уровень авиапредприятия и уровень ситуационного центра авиационной безопасности (рисунок 4.2).

На уровне авиапредприятия сетевая технология ПИОП объединена с АОС, что позволяет данной системе работать в 2-х режимах: адаптивном и тестовом. В адаптивном режиме, проецирование опасных предметов на рентгеновское изображение начинается без влияния факторов сложности. Последующее увеличение трудности проецирования опасных предметов связано с влиянием факторов сложности и зависит от индивидуальных характеристик обнаружения конкретного оператора досмотра. Цель данного режима заключается в непрерывном обучении и поддержании бдительности операторов досмотра в период выполнения своих производственных функций. В режиме тестирования каждому оператору проецируется определённое изображение опасного предмета. Целью данного режима является обеспечение надежной оценки индивидуальной компетентности операторов по обнаружению запрещенных предметов. Центральный сервер системы посредством сети собирает данные о пропущенных изображениях, а затем перенаправляет их на АРМ и сервер с АОС. На АРМ происходить первичный анализ данных ПИОП. На сервере с АОС согласно разработанным моделям (главы 2.1, 2.3) формируются отчеты, графики мониторинга деятельности операторов, рассчитываются индивидуальные оценки уровня подготовленности, а также среднее время принятия решений. На основе разработанного метода (глава 2.2) решается задача выбора тестовых изображений, которые в наибольшей степени позволяют адаптировать подготовку к потребностям конкретного оператора на основе данных ПИОП. В связи с этим, в начале следующей производственной сессии на досмотровом оборудовании с использованием ПИОП оператору будет представлен блок тестовых изображений, который соответствуют текущему уровню его потребностей.

На уровне ситуационного центра авиационной безопасности главными составляющими являются база данных и устройство сетевого контроля деятельности операторов досмотровой техники, структурная схема которого показана на рисунке 4.3.

Устройство содержит блок согласования с сервером, внешние выходы и входы которого посредством сетевых технологий подключены к периферийным серверам авиапредприятий, первый выход, которого подключен к одному входу блока управления, при этом первый выход этого блока подключен к первому входу блока согласования с сервером (рисунок 4.3). Также дополнительно введены датчик случайных чисел выбора ситуаций, блок тестовых ситуаций, датчик случайных чисел выбора объекта, блок сбора статистических данных и блок пользовательского интерфейса. При этом второй выход блока согласования с сервером через датчик случайных чисел выбора ситуаций и блока тестовых ситуаций подключен к другому входу блока управления, тогда как второй выход блока управления через случайных чисел выбора объекта подключен ко второму входу блока согласования с сервером. Третий выход блока управления через блок сбора статистических данных подключен к блоку пользовательского интерфейса.

Работа данного устройства заключается в следующем: через второй выход блока 2 управления и датчик 5 случайного числа выбора объекта подается команда на блок 1 согласования с сервером о случайном выборе периферийного объекта, одновременно с этим через первый выход блока 2 управления и второй выход блока 1 согласования с сервером на датчик 3 случайного числа выбора ситуаций подается команда на блок 4 тестовых ситуаций о выборе конкретного тестового задания, которое через другой вход блока 2 управления и его первый выход подается на первый вход блока 1 согласования с сервером, а после чего в выбранный случайным образом объект, подключенный через один из внешних выходов блока 1 согласования с сервером, при этом соответствующий вход этого блока получает реакцию внешнего оператора, который через третий выход блока 2 управления попадает в блок 6 сбора статистических данных и по запросу отображается в блоке 7 пользовательского интерфейса.

Одной из ключевых задач при внедрении ситуационного центра является создание базы данных из реалистичных рентгеновских изображений багажа и ручной клади, содержащие запрещенные к провозу вещества и предметы. Качественная база данных играет важную роль как при разработке систем подготовки операторов досмотровой техники, так и при разработке алгоритмов автоматического обнаружения угроз на основе методов распознавания образов. Можно предложить следующие способы формирования такой базы данных. Первый способ заключается в использовании реальных рентгеновских изображений, предоставленных САБ различных аэропортов. Однако число изображений потенциальных угроз, взятых из реального опыта, остается ограниченным и при этом сбор данных с использованием реальной рентгеновской аппаратуры – задача, требующая времени. В целях преодоления данного недостатка можно рассмотреть возможность создания рентгеновских изображений опасных предметов посредством виртуального моделирования. Суть данного подхода заключается в использовании технологии 3D моделирования объектов и программного обеспечения моделирования неразрушающего контроля «CIVA».

Главной задачей технологии 3D моделирования является создание виртуальных макетов опасных предметов в целях увеличения разнообразия изображений, содержащих угрозы (рисунок 4.4).

Далее 3D модели различных типов угроз загружаются в моделирующую среду «CIVA». Выбрав необходимую точку обзора и положение опасного предмета посредством виртуального «рентгеновского» сканирования создается 2D модель (проекция) опасного предмета (рисунок 4.4). Спектр источника и параметры детектора рентгеновского сканера с высокой энергией могут быть определены в программном обеспечении симулятора «CIVA». Уровень шума изображений устанавливается таким же, как и в реальных досмотровых системах. Затем смоделированная 2D модель опасного предмета прикрепляется к изображению багажа или ручной клади в выбранной ориентации. Основная сложность данного этапа – это выбор подходящего и реалистичного места для размещения выбранного объекта с угрозой.

Используя программное обеспечение «CIVA», можно получать изображение, схожее с изображением, полученным с реального досмотрового оборудования. Основной принцип создания виртуальных «рентгеновских» изображений основывается на законе «Beer-Lambert», который описывает затухание фотонов при прохождении различных материалов. Данный процесс описывается следующим образом [100]: где Idet и I0 – интенсивность рентгеновского пучка после прохождения материала и в начальной точке источника излучения соответственно, Ibg – интенсивность фона (багажа или ручной клади), а Iii – интенсивность запрещенного предмета (то есть имитируемого объекта).

Предложенные подходы к созданию единой базы данных рентгеновских изображений имеют свои достоинства и недостатки. Например, в случае если материал, из которого сделан опасный предмет, имеет очень специфичную текстуру, которую трудно смоделировать, необходимо применять изображения с реального досмотрового оборудования. С другой стороны, применение подхода основанного на технологии 3D моделирования объектов при создании единой базы данных является важным компонентом при реализации проактивных механизмов реагирования на новые типы угроз, которые еще не появлялись в реальной практике ОАБ. В связи с этим, наиболее эффективным является комбинированное применение предложенных способов.

Таким образом, предложенная система контроля деятельности операторов досмотровой техники благодаря развитой сетевой инфраструктуре и наличию разработанного устройства сетевого контроля позволит осуществлять независимый контроль и в случае необходимости целенаправленную подготовку операторов. Также появляется возможность своевременно информировать САБ аэропортов о возникновение актуальных угроз, обнаруженных на любом их подключенных к устройству серверов авиапредприятий. Предложены способы создания базы данных рентгеновских изображений с использованием реальных изображений, полученных с действующего досмотрового оборудования и посредством виртуального моделирования опасных объектов.