Одним из самых сложно выявляемых видов нарушений требований системы менеджмента качества (СМК) фармацевтического предприятия в «чистой зоне» является некорректное поведение персонала. «Чистая зона» — это производственные участки с установленными требованиями к чистоте. Некорректным поведением персонала являются быстрые и резкие движения, которые приводят к возникновению турбулентных потоков, а в результате и к контаминации продукта.

Источником первичной информации об объекте исследования выбран смартфон на базе операционной системы Android, содержащий сенсорное устройство акселерометр. Данные, получаемые от акселерометра, представляют векторный временной ряд. При этом положение акселерометра относительно земли недетерминированное. Необходимо выявить, соответствует ли поведение персонала в «чистой зоне» установленным требованиям по скорости и способу выполнения операций.

Данные, получаемые смартфоном от сенсорного устройства, передаются по беспроводной сети Wi-Fi на сервер. На сервере получаемый временной ряд обрабатывается программой, написанной на языке python, которая классифицирует окна временного ряда. Результатом работы классификатора является определение соответствия работы персонала заданным критериям.

Для решения задачи использовано машинное обучение на базе SVM (Support Vector Machine) классификатора.  Для данной задачи вещественным вектором параметров являются обработанные показания акселерометра. Принадлежность вектора параметров на соответствие требованиям СМК, определялась экспертным методом на основе видеофиксации (определяется в ходе обучения классификатора).

Методика классификации производственной деятельности персонала в «чистой зоне» фармацевтического предприятия состоит из следующих этапов:

1) сбор информации акселерометром

2) передача данных на сервер

3) обработка временного ряда

4) классификация окон временного ряда.

Из-за недетерминированности расположения акселерометра необходимо перейти к анализу производных по модулю вектора и угловым значениям. Для устранения шумов был применен метод скользящего среднего в несколько прогонов, с размером окна равным 100 измерениям . Вид исходных данных с учетом представленных преобразований представлен на рис 1. Первые три ряда являются исходными данными.

accelerometer_image

Рис.  1. Итоговый набор данных

При оценке работоспособности метода использовалась выборка из 100 временных рядов с 5000 измерений в каждом, контрольная выборка составила 10%. По результатам анализа было установлено, что данных недетерминированного ориентированного акселерометра достаточно для классификации поведения персонала с уровнем ложноположительных срабатываний менее 5%. При этом необходимо существование двух отдельных классификаторов, так как некорректное поведение, может быть выявлено с точки зрения двух классов: активность движения в «чистой зоне» и корректность исполнения операций. Для первой категории классификатор является персонал-независимым, для второй требуется осуществлять обучение классификатора индивидуально под каждого работника.

Предложенная методика апробирована в модуле определения активности «в чистой зоне» фармацевтического предприятия в составе программно-аппаратного комплекса одгАссист на существующем фармацевтическом предприятии.