Когнитивно-графический интерфейс рабочего места диспетчера ситуационного центра агропромышленного предприятия

Актуальность исследования обусловлена необходимостью повышения эффективности управления сложной сельскохозяйственной техникой в агропромышленных предприятиях Российской Федерации. В условиях роста количества аварийных и нештатных ситуаций ключевая роль отводится диспетчеру ситуационного центра, оперативность действий которого напрямую зависит от качества графического интерфейса системы визуализации. Целью работы является сокращение времени ликвидации аварийных ситуаций путём оптимизации времени анализа информации и принятия решения диспетчером на основе применения когнитивно-графического интерфейса.

В статье предложена оригинальная формализация общего времени ликвидации аварии, представленного в виде суммы четырёх независимых компонентов: времени обнаружения и идентификации аварии, времени анализа информации и принятия решения, времени на логистику и времени устранения аварии. Показано, что наиболее управляемым фактором является второй компонент, зависящий от метода поддержки принятия решения и качества графического интерфейса. Для его оптимизации разработан когнитивно-графический интерфейс на основе фрактала Новоселова, реализующий иерархическую самоподобную структуру визуализации. В едином интерактивном окне интегрированы 36 контролируемых параметров, сгруппированных в шесть смысловых блоков (сложность ситуации, опасность, метеоусловия, состав бригады, доступные средства, логистика).

Полученные результаты экспериментальной оценки показывают, что применение предложенного интерфейса позволяет сократить время анализа информации и принятия решения на 30–40 % по сравнению с классическими интерфейсами без потери точности. Разработанные принципы могут быть использованы при модернизации программного обеспечения ситуационных центров агропромышленных предприятий.

1. Жиздюк А. А., Буйлов В. Н., Чумакова С. В., Ахилбеков М. Н. Применение цифровых двойников технологических машин в АПК при эксплуатации и сервисном обслуживании // Агроинженерия. 2025. Т. 27, № 1. С. 20–25. https://doi.org/10.26897/2687-1149-2025-1-20-25. EDN: CCHMVF.

2. Черныш А. П. Конструкторско-технологическое обеспечение надежности машин агропромышленного комплекса при ремонте путем формирования технологических ремонтных блоков: монография. Кемерово: Кузбасская ГСХА, 2013. 320 с. ISBN 978-5-902282-24-2. EDN: RJLYNP.

3. Подвесовский А. Г., Титарев Д. В., Исаев Р. А. Нечеткие когнитивные модели в задачах анализа и планирования программных проектов // Вестник компьютерных и информационных технологий. 2019. № 8. С. 22–31. https://doi.org/10.14489/vkit.2019.08.pp.022-031. EDN: XBXEXX.

4. Паздерин А. В. Существующая система противоаварийной автоматики Единой энергосистемы России и направления ее развития // Спецвыпуск «Россети». 2025. № 2 (37). С. 30–33. EDN: YHQBUQ.

5. Листюхин В. А. Перспективы внедрения информационно-измерительных систем контроля параметров ВЛ 0,4–10 кВ в сложных метеорологических условиях // Спецвыпуск «Россети». 2023. № 3 (30). С. 26–31. EDN: JRCNUF.

6. Подоплелова Е. С. Анализ методов многокритериального принятия решений на примере задачи ранжирования // Известия ЮФУ. Технические науки. 2023. № 3 (233). С. 118–125. https://doi.org/10.18522/2311-3103-2023-3-118-125. EDN: QWZEBE.

7. Пищухина Т. А. Проектирование схемы системы поддержки принятия решений на основе онтологии перекомпонуемого производства // Онтология проектирования. 2022. № 2 (44). С. 231–244. https://doi.org/10.18287/2223-9537-2022-12-2-231-244. EDN: UXPDWX.

8. Емельянова Ю. Г., Фраленко В. П. Методы когнитивнографического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. 2018. № 4. С. 117–158. https://doi.org/10.25209/2079-3316-2018-9-4-117-158. EDN: HYAUHE.

9. Емельянова Ю. Г. Разработка методов когнитивного отображения состояний динамических систем реального времени // Искусственный интеллект и принятие решений. 2016. № 3. С. 21–30. EDN: WWUTID.

10. Емельянова Ю. Г., Фраленко В. П., Хачумов В. М. Методы комплексного оценивания когнитивных графических образов // Программные системы: теория и приложения. 2018. Т. 9, № 3 (38). С. 49–63. https://doi.org/10.25209/2079-3316-2017-9-3-49-63 EDN: YAJGJF.

11. Paas F., Tuovinen J., Tabbers H. [et al.]. Cognitive load measurement as a means to advance cognitive load theory. Educational Psychologist. 2003;38(1):63–71. https://doi.org/10.1207/S15326985EP3801_8.

12. Новикова С. И. Ритмы ЭЭГ и когнитивные процессы // Современная зарубежная психология. 2015. Т. 4, № 1. С. 91–108. EDN: TZJDZX.

13. Szafir D. A. Modeling color difference for visualization design. IEEE Transactions on Visualization and Computer Graphics. 2016;22(1):392–401. https://doi.org/10.1109/TVCG.2017.2744359.

14. Prudnikov S. I. Decision support model for intellectual property management. Journal of Computational and Engineering Mathematics. 2025;12(4):61–70. https://doi.org/10.14529/jcem25040.

15. Endert A., Ribarsky W., Turkay C. [et al.]. The state of the art in integrating machine learning into visual analytics. Computer Graphics Forum. 2017;36(8):458–486. https://doi.org/10.1111/cgf.13092.

16. Joye Y., Steg L., Unal A. [et al.]. When complex is easy on the mind: Internal repetition of visual information in complex objects is a source of perceptual fluency. Journal of Experimental Psychology: Human Perception and Performance. 2016;1(42):103–114. https://doi.org/10.1037/xhp0000105.