Avaliação do desempenho humano em ambientes virtuais para treinamento profissional de atividades críticas por meio de agrupamento de padrões do erro
| Autor: | Faria, Alexandre Pereira de, 1972 |
|---|---|
| Přispěvatelé: | Geus, Klaus de, Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia, Scheer, Sérgio, 1957 |
| Jazyk: | portugalština |
| Rok vydání: | 2021 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFPR Universidade Federal do Paraná (UFPR) instacron:UFPR |
| Popis: | Orientador: Prof. Sérgio Scheer, Dr. Coorientador: Prof. Klaus de Geus, Dr Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 27/10/2021 Inclui referências Resumo: Atividades de manutenção em subestações elétricas em linha viva são consideradas de alto risco, pois implicam a atuação sobre um sistema complexo e sujeito a situações inesperadas e perigosas. Neste cenário crítico, as intervenções humanas demandam atenção aos procedimentos de segurança e à prevenção e controle do erro humano. Se por um lado, a necessidade de treinamento é prontamente reconhecida, por outro lado, a realização de treinamentos em uma subestação real pode ser difícil ou, dependendo do cenário de treinamento, até mesmo impossível. Neste caso, treinamentos em ambientes virtuais representam uma alternativa tanto para a formação profissional quanto para os estudos de confiabilidade. Este trabalho tem como objetivo desenvolver um método de avaliação do desempenho de eletricistas profissionais com base na análise dos erros cometidos durante a execução de atividades críticas em um ambiente de treinamento virtual. O desenvolvimento proposto segue uma estrutura de pesquisa adaptada da Design Science Research. A partir da conscientização do problema acerca do erro humano, dois modelos de padrões de dados são propostos, o primeiro, baseado nos padrões de erros extraídos a partir da análise da tarefa e o auxílio de um especialista, o segundo, baseado nos padrões de similaridade, onde o domínio do conhecimento é modelado como um grafo. Os agrupamentos K-means definidos sobre espaços de dados modelados tanto como padrões de erros quanto como padrões de similaridade de grafos são analisados e combinados como agrupamentos consensos. O resultado desta análise mostrou que a medida de similaridade entre grafos baseada na distância Resistência Normalizada gera os melhores grupos e apresenta uma boa granularidade representando uma boa alternativa para a avaliação automática do desempenho dos treinandos em sistemas virtuais. Trabalhos futuros devem investigar como a medida de resistência entre grafos captura desvio mínimos associados a certos tipos de erros permitindo a sua identificação automática. Abstract: Live line maintenance activities in electrical substations are considered high risk since they imply operating in a complex system and are subject to unexpected and dangerous situations. In this critical scenario, human interventions demand attention to safety procedures and the prevention and control of human error. Although the need for training is readily recognized, training in a real substation may be difficult or, depending on the training scenario, even impossible. In this case, training in virtual environments represents an alternative for both professional training and reliability studies. This paper aims to propose a method to assess the performance of professional electricians while performing critical activities by looking for the errors made. The proposed development follows a research framework adapted from Design Science Research. From the human error analysis, two data pattern models are proposed, the first, based on the error patterns extracted from the task analysis and the help of an expert, the second, based on the similarity patterns, where the knowledge domain is modeled as a graph. The clusters K-means defined over data spaces modeled as error patterns and as graph similarities patterns are analyzed and combined as consensus clusters. The results showed that the graph similarity measure based on the Normalized Resistance distance generates the best clustering and exhibits good granularity representing a good alternative for automatic evaluation of trainee performance in virtual systems. Future work should investigate how the inter-graph similarity measure captures minimum deviations to identify specific error types. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|