Система анализа полученных из хранилищ данных

Вид работы:

Дипломная (ВКР)
Предмет:

Информационное обеспечение, программирование
Язык:

Русский
,
Формат файла:
MS Word

808,49 Кб
Опубликовано:

2012-06-06

Все дипломные работы по информационному обеспечению

Скачать дипломную работу Читать текст online Заказать дипломную
*Помощь в написании! Посмотреть все дипломные работы

Вы можете узнать стоимость помощи в написании студенческой работы.

Система анализа полученных из хранилищ данных

ВВЕДЕНИЕ

В наше время всё большее количество компаний, стремясь к повышению эффективности и прибыльности бизнеса, пользуются цифровыми (автоматизированными) способами обработки данных и записи их в БД. Это несет в себе как огромные преимущества, так и рождает определенные проблемы, связанные с объемами полученных данных, а именно: при колоссальном увеличении объёма полученной информации усложняется её обработка и анализ, делать выводы по полученным данным становится всё сложнее, и вероятность того, что некоторые детали могут быть упущены, неумолимо растет.

Данная проблема явилась причиной развития различных подходов и методов, позволяющих проводить автоматический анализ данных. Для решения данных вопросов существуют математические методы, которые и образуют направление Data Mining. Термин Data Mining часто переводится как добыча данных, извлечение информации, раскопка данных, интеллектуальный анализ данных, средства поиска закономерностей, извлечение знаний, анализ шаблонов. Понятие «обнаружение знаний в базах данных»(Knowledge Discovering Databases, KDD) можно считать синонимом Data Mining [1]. Data Mining - мультидисциплинарная область, возникшая и развивающаяся на базе таких наук как прикладная статистика, распознавание образов, искусственный интеллект, теория баз данных и так далее.

Понятие Data Mining, появившееся в 1978 году, приобрело высокую популярность в современной трактовке примерно с первой половины 1990-х годов. До этого времени обработка и анализ данных осуществлялся в рамках прикладной статистики, при этом в основном решались задачи обработки не больших баз данных.

Предпосылкой для исследования данной предметной области стала потребность предприятий в анализе и обработке накопленных данных для выявления закономерностей и нахождения предпосылок возникновения некоторых событий. Проблема существующих на данный момент программных решений заключается в том что они заточены под конкретное предприятие(на котором были внедрены) и используют лишь несколько методов анализа, необходимым на данном объекте. Более мелким предприятиям требуются универсальные и более дешевые программные решения, выполняемые разнообразные методы анализа данных.

Для достижения главной бизнес цели можно выделить последовательность следующих задач:

1 Выбрать данные, для которых необходимо провести анализ и обнаружить в них закономерности.

2 Проанализировать выборку данных из хранилища данных.

3 Создание аналитической модели проанализированных данных с возможностью визуального отображения.

Результатом работы станет программный продукт - система анализа полученных из хранилищ данных.

1. ОБЩАЯ ЧАСТЬ

.1 Анализ предметной области анализ полученных из хранилища данных

Предпосылкой для исследования данной предметной области стала потребность в создание системы многофункционального анализа, а именно системы поддерживающей множество алгоритмов для анализа данных.

Для проведения анализа данных в организациях, на данный момент используются программные решения, которые представляют собой больших гигантов способных проводить все возможные виды анализов и операций над данными, но они очень объёмны и потребляют много системных ресурсов, а так же требуют специальное обучение персонала для работы с ними. Использовать такие продукты в небольших фирмах - это все равно что «стрелять из пушки по воробьям». Поэтому целью дипломной работы является разработки компактного программного продукта заточенного на решение конкретной задачи и работающего как с минимальным объемом данных необходимых для определенной цели, так и с очень большими объёмами данных. Разработав программный продукт, который будет предоставлять возможность многофункционального анализа и обрабатывать большие объёмы информации, мы сможем проанализировать данные с разных аспектов, что поможет нам определить новые зависимости и закономерности.

Новый программный продукт с такими возможностями решит проблему малых фирм с анализом накопленной статистики данных, не затрачивая при этом дополнительных средств на приобретения дополнительных программных продуктов. В таблице 1.1 приведен глоссарий предметной области «Анализ данных полученных из хранилища данных».

Таблица 1.1 - Глоссарий предметной области

№

Термин

Определение термина

Анализ данных

Собирательное название, используемое для обозначения совокупности методов обнаружения в данных <#"552870.files/image001.gif"> (1.1)

с x_i, представляющий данные M точек в d-мерном пространстве атрибутов. Предположим теперь, что эти данные были получены с помощью выборки неизвестной функцией, которая входит в некоторое пространство функций, определенных над R^d. Здесь R является множеством действительных чисел. Теперь, нужно как можно лучше восстановить функцию f из приведенных данных. Для того чтобы получить функции f, мы должны решить задачу минимизации

(1.2)

где R-оператор карты V à R. Конечно, большинство алгоритмов Data Mining решают проблему (2.2) лишь косвенно и в приближенном пространстве

V_app ∩ V. На этом этапе важно понять, что любой алгоритм Data Mining использует некоторые подготовленные данные для построения модели интеллектуального анализа данных.

Если мы связываем обучающие данные с множеством Т, алгоритм интеллектуального анализа с оператором R, и модель интеллектуального анализа данных с функцией f, фазу обучения можно проиллюстрировать на рисунке 1.1.

Рисунок 1.1 - Иллюстрация фазы обучения в интеллектуальном анализе данных

Очевидно, что такая ассоциация сильно упрощается, так как, например, алгоритм интеллектуального анализа также связан с правом функцией пространства V и модель интеллектуального анализа данных может содержать больше информации, чем чистая модель функции f. Тем не менее, этот рисунок показывает основной процесс обучения.

В фазе тестирования, функция интеллектуального анализа f применяется к некоторым данным

(1.3)

множества значений функции

(1.4)

Таким образом, если сопоставить данные тестирования с множеством Т, модель интеллектуального анализа данных с моделью функции f, а результат добычи данных со значением множества Y, фаза тестирования может быть проиллюстрирована на рисунке 1.2.

Рисунок 1.2 - Пример фазы тестирования в интеллектуальном анализе данных

Опять же отметим, что такое объединение будет проще.

Если мы посмотрим на рисунки 1.1 и 1.2 то мы увидим, что модель интеллектуального анализа данных, которая является в основном функцией интеллектуального анализа f, так же является центральным объектом любого процесса интеллектуального анализа данных.

Модель интеллектуального анализа данных является результатом подготовки и связывает фазу обучение с фазой тестирования. По этой причине модель интеллектуального анализа данных также является центральным элементом добычи в XELOPES.

Что касается общей классификации методов интеллектуального анализа данных, основные различия заключаются между контролируемыми и неконтролируемыми методами. Разница касается фазы обучения: для контролируемых методов обучения набор также содержит набор значений функции

где

Контролируемые методы в основном подразделяются на классификационные и регрессионные методы (формально классификация может быть интерпретирована как частный случай регрессии).

Примечание: Для самых объемных многомерных (линейные и нелинейные), контролируемых методов, таких как нейронные сети, опорные вектора и разреженная сетка, задача минимизации (1.2) может быть явно описана с использованием следующего оператора регуляризации[GJP93]:

(1.5)

где применяется следующее:

С (х, у): функция погрешности, например ,

:сглаживающий оператор в приближении Соболева,

λ: параметр регулирования.

При этом, первое - приближение - слагаемое обеспечивает хорошее представление данных для обучения, а второй - регуляризация - слагаемое поддерживает функцию классификатора как можно более сглаженной и обеспечивает хорошую обобщающую способность классификатора. Таким образом, первое слагаемое стремится к высокой подгонки, а второе слагаемое как правило, не определено. Через λ параметр регуляризации, регулируется компромисс между двумя этими слагаемыми.

В отличие от контролируемых методов, неконтролируемые методы не получают значение данной функции. Неконтролируемые методы делятся на кластерные, корзины и методы последовательного анализа.

Примечание: По аналогии с (1.5), для кластеризации (например, кластеризация векторной поддержки) Задача минимизации (1.2) может быть явно выражена с помощью следующего оператора регуляризации :

(1.6)

с фиксированным набором , сглаживающий оператор и параметром регуляризации λ как было определено выше. В отличие от классификации / регрессии, здесь f принадлежит карте в R^d, а не R.

Мы подчеркнули, что современные подходы по интеллектуальному анализу данных основываются на операторах (1.2).

Важный вывод из (1.1) и (1.3) является то, что алгоритмы Data Mining и модели всегда требуют матрицы данных для обучения и тестирования соответственно. Они всегда работают в том же пространстве атрибутов. (В отличие от большинства приложений бизнес-аналитики, которые часто работают на реляционных или вложенных схемах).

хранилище данный enterprise miner weka

1.2.1 Основа - MiningDataSpecification и MiningAttribute

Как описано в предыдущем разделе, добытые данные относится к функции f, которая определена на пространстве R^d. Однако, каждый начальный атрибут а отображается на одном или нескольких вещественных атрибутов r^a: a→r^a, r^a ϵ Rⁿ_a. Пусть А - базис пространства S для всех начальных атрибутов а. Тогда объединение всех r^a будет a ϵ A is R^d, так же

Таким образом S↔R^d, благодаря следствию в дальнейшем мы можем определить S и R^d.

Класс MiningDataSpecification представляет собой основу пространства S. Таким образом, он является наиболее важным классом XELOPES. Часто этот класс называют просто метаданными, что является эквивалентом, называя его как основного. Это соответствует PMMLs DataDictionary элементу. Базисные векторы MiningDataSpecification являются MiningAttribute представляющих атрибуты а.

Поэтому MiningDataSpecification наследует CWM класс и Class, а также MiningAttribute расширяет CWM атрибутов класса.

Благодаря этому наследовании MiningDataSpecification автоматически дополняется от бизнес-логики в CWM: класс уже содержит массив атрибутов, MiningDataSpecification не нужна переменная для хранения атрибуты в явном виде. Более того, поскольку Class и Attribute наследуют ModelElement, поэтому MiningDataSpecification и MiningAttribute активно используется при выполнении интеллектуального анализа данных.

1.2.2 Описание модели для анализа данных методом поиска ассоциативных правил

Построим математическую модель ассоциативных правил, дадим формальные определения. Пусть I={i₁,i₂,…,i_m} - множество сущностей (items атомарная сущность, определяемая для конкретной базы данных).

База данных: D={t₁,t₂,…,t_n} - множество транзакций, каждая из которых состоит из множества элементов I из I, и уникального идентификатора - TID. T=(tid,I). Говорится, что транзакция t содержит множество Х в том случае, если .

Покрытие множества Х в D, состоит из множества транзакций, которые содержат Х:

(1.7)

Подмножество (support) множества Х в D называется количество транзакций в покрытии множества Х в базе данных D

(1.8)

Частотой (frequency) множества Х в D называется вероятность, с которой множество Х встречается в транзакциях Т ϵ D

(1.9)

Одним из параметров, задаваемым при поиске ассоциативных правил является частота (frequency) данного множества.

Теперь можно определить задачу поиска кандидатов (Itemset Mining):

Заданно множество элементов I, задана база данных D на множестве I, и заданно значение минимальной поддержки σ, нужно найти

(1.10)

Ассоциативное правило (association rule) это выражение вида Х => Y где Х и Y множества, причем . Это означает, что транзакция, содержащая Х, так же содержит в себе и Y, т.е. что из условия Х следует условие Y.

Поддержкой ассоциативного правила является поддержкой в D.

Достоверностью (confidence) ассоциативного правила Х => Y в D является условная вероятность, что при условии того что множество Х поддерживается данной транзакцией, то и множество Y так же поддерживается данной транзакцией.

(1.11)

Правило называется достоверным, если его достоверность превосходит минимально заданную границу γ, теперь мы можем определить задачу поиска ассоциативных правил (Association Rule Mining): Задано множество элементов I, задана база данных D над I, заданы так же минимальные значения достоверности и поддержки σ,γ, необходимо найти:

(1.12)

Как уже было сказано, одним из условий поставленной задачи является и то, что набор полученных ассоциативных правил должен удовлетворять некоторому заданному шаблону. По сути это булева функция, которая должна быть верна для данного правила. Дадим математическую формулировку. Пусть В- булево выражение на множестве I, зная, что любое булево выражение можно привести к дизъюнктивной нормальной форме (DNF) можем предположить, что В имеет вид , где каждый дизъюнкт D_i имеет вид , где каждый элемент а - это отрицание( -а ) или утверждение (а), где а ϵ I.

Итак, задача алгоритма, по данной транзакционной базе D и заданному ограничению В построить базис ассоциативных правил, поддержка и достоверность которых будет >= минимально заданным значениям.

Проблема нахождения ассоциативных правил содержит в себе 2 подзадачи:

1 Найти все комбинации наборов, чья поддержка больше чем заданная(frequent).

2 На основе полученных наборов, учитывая минимальную заданную достоверность правила, получить конечный набор ассоциативных правил.

Нахождение всех наборов с поддержкой выше заданной - проблема весьма нетривиальная из-за их количества, притом оно увеличивается экспоненциально. Если мощность множества ||I|| =m, то возможное количество таких наборов 2^m.

С вычислительной точки зрения вторая подзадача полностью зависит от 1-й, соответственно большинство работ в данной области направленно на оптимизацию решения первой задачи. Но и 2-я задача несет в себе некоторое количество трудностей. Зачастую, данные в транзакционных базах данных являются сильно связанными, и, несмотря на высокое значение параметра достоверности правила и задания булевого выражения, в итоге получается слишком большое количество ассоциативных правил, по которым очень сложно сделать какие-либо достоверные выводы и выявить интересующие закономерности.

1.3 Сравнение существующих аналогов разработок для анализа данных полученных из хранилища данных

.3.1 Система XELOPES

Xelopes предназначен для встраивания в любую информационную систему, где необходима функциональность Data Mining. В этом смысле, продукт реализует идею "Embeded Data Mining".

Уникальность Xelopes заключается в его гибкой архитектуре, состоящей из трех главных частей: мощной и расширяемой библиотеки алгоритмов Data Mining, унифицированного, основанного на открытых стандартах, интерфейса прикладного программирования, а также, использующей стандарт PMML, подсистемы обмена Data Mining моделями.

В состав Xelopes входит целый ряд мощных алгоритмов анализа данных. Работы над усовершенствованием технологий анализа и включением в среду новых алгоритмов являются одной из приоритетных задач компании. Изначально Xelopes разрабатывался как платформенно-независимая среда. В данный момент времени существуют версии системы для языка Java, C++ и C#. Подобная гибкость стала возможной благодаря тому, что Xelopes был разработан в соответствии с жесткими требованиями к качеству программного обеспечения и придерживается методологии Model Driven Architecture консорциума OMG. Благодаря поддержке таких стандартов для Data Mining, как PMML, CWM Data Mining, OLE DB for Data Mining и CRISP (а в перспективе, JDM и SQL/MM), Xelopes может легко интегрироваться в любую существующую инфраструктуру. Также, в сотрудничестве с компанией IBM, была протестирована его совместимость на уровне обмена информацией в формате PMML с IBM Inteligent Miner. В настоящее время разрабатывается добавление в Xelopes средств визуального анализа данных, основанных на Java3D.

Как показывает опыт, наибольшее распространение технологии Data Mining получили в маркетинге, телекоммуникациях, банковском деле, электронной коммерции, страховании, биоинформатике, медицине, генетике, химии и промышленном производстве. Xelopes, как в качестве отдельного продукта, так и в составе продуктов компании Prudsys, был апробирован, по крайней мере, в следующихобластях: маркетинге (оптимизация direct mail - Deutsche Post AG), электронной коммерции (рекомендательные системы для Интернет магазинов - <#"552870.files/image028.gif">

Рисунок 1.3 - Контекстная SADT-диаграмма «Анализ полученных из хранилища данных»

Описание SADT - диаграммы «Анализ полученных из хранилища данных», представлен в таблице 1.8.

Таблица 1.8 - Описание SADT - диаграммы нулевого уровня

№	Входные данные	Управление	Исполнитель	Выходные данные
А0	Исходные данные	- алгоритм; - ГОСТ; - ограничения; - метод; - шаблон.	Аналитик, Средства Java	Результаты моделирования

Детализирующая SADT-диаграмма для анализа полученных из хранилищ данных представлена на рисунке 1.4.

Рисунок 1.4- Детализирующая SADT-диаграмма для анализа полученных из хранилищ данных

Описание SADT-диаграммы для анализа полученных из хранилищ данных, представлено в таблице 1.8 .

Таблица 1.8 - Описание SADT-диаграммы первого уровня

№	Входные данные	Управление	Исполнитель	Выходные данные
А1	Исходные данные	Алгоритм, Метод	Аналитик	Пакет настроек анализа
А2	Пакет настроек анализа	ГОСТ, шаблон, ограничения	Аналитик	Выборка данных
А3	Выборка данных, свойства атрибутов	Алгоритм, метод	Аналитик	Проанализированные данные
А4	Проанализированные данные	Шаблон, ограничения	Аналитик	Аналитическая модель
А5	Аналитическая модель	Алгоритм	Средства Java	Результаты моделирования

Перед началом анализа выполняем осмысление поставленной задачи и уточняем цели, которые должны быть достигнуты методами Data Mining. Точно формулируем цели и выбираем для их достижения методы. Затем приводим данные к форме, пригодной для применения конкретных методов Data Mining. Вид преобразований, совершаемых над данными, зависит от используемых методов, выбранных в начале анализа. Следующим шагом идет применение методов Data Mining. Далее мы проверяем полученную модель путём разбиения всех имеющиеся данные, которые необходимо анализировать, на две группы. Одну группы делаем большего размера, другую соответственно - меньшего. На большей группе, применяем методы Data Mining, получаем модели, а на меньшей - проверяем их. По разнице в точности между тестовой и обучающей группами можно судить об адекватности построенной модели. Если построенная модель не соответствует требованиям, то активность программы возвращается на один из ключевых этапов и выдаёт пользователю соответствующее сообщение об ошибке. Причины того, что полученная модель не прошла проверку могут быть следующие: неверно выбранный метод анализа данных, некорректная выборка данных после соответствующей обработки, ошибки в анализе данных и построении модели. Вследствие применения выбранных методов анализа и проверки полученной модели мы получаем аналитическую модель. После всех этих действий и операций, происходит создание и отображение аналитической модели содержащей проанализированные данные, которые были получены из хранилища данных.

1.6 Разработка технического задания на создание программно-методического комплекса для анализа полученных из хранилища данных

1.6.1 Введение

1.6.1.1 Наименование программно-методического комплекса

Наименование программно-методического комплекса (ПМК): ”DataAnalitik”

1.6.1.2 Описание и область применения

Данные ПМК представляет собой набор инструментов для анализа и систематизации данных накопленной в хранилище данных на фирмах.

Предполагается, что областью применения станет бизнес сфера.

1.6.2 Основания для разработки

Разработка выполняется на основании индивидуального задания к дипломному проекту и дисциплине ППС, выданного руководителем работы Сагайдой П.И 10.09.2011

1.6.3 Назначение разработки

ПМК предназначен для создания аналитической модели. Что существенно улучшит и облегчит работу при анализе данных.

1.6.4 Требования к программному продукту

1.6.4.1 Требования к функциональным характеристикам

ПМК должен выполнять следующие функции:

предоставлять интерфейс выбора исходных данных;

исходные данные должны предоставляться в форматах arff, svc, txt;

предоставлять интерфейс выбора свойств аналитической модели;

выполнять регрессионный анализ из 1000 записей не дольше 15 сек;

выполнять последовательный анализ из 1000 записей не дольше 10 сек;

выполнять классификацию 1000 записей не дольше 2 сек;

выполнять построение аналитической модели;

сохранение результатов работы в XML файл.

1.6.4.2 Требования к надежности

- ПМК должен устойчиво функционировать;

ПМК должен обеспечивать контроль входящей и исходящей информации на соответствие заданным форматам данных;

ПМК должен обеспечивать обработку ошибочных действий пользователя с выдачей соответствующих сообщений.

1.6.4.3 Условия эксплуатации

Условия эксплуатации ПМК определяются СанПиН 2.2.2 545-96 «Гигиенические требования к видеодисплейным терминалам, персональным вычислительным машинам и организации работы».

1.6.4.4 Требования к составу и параметрам технических средств

- процессор с тактовой частотой не менее 1.5 ГГц;

оперативной памяти не менее 512 мб;

2 мб дискового пространства для файлов;

100 мб дискового пространства для базы данных.

1.6.4.5 Требования к информационной и программной совместимости

1.6.4.5.1 Требования к исходным кодам и языкам программирования

Требования к исходным кодам и языкам программирования не предъявляются.

1.6.4.5.2 Требования к программным средствам, используемым программой

Системные программные средства, используемые программой, должны быть представлены лицензированной версией операционной системы Microsoft Windows XP и выше и Eclipse.

1.6.4.5.3 Требования к защите информации и программ

Требования к защите информации и программ не предъявляются

1.6.4.6 Специальные требования

Специальные требования не предъявляются.

1.6.5 Требования к программной документации

1.6.5.1 Предварительный состав программной документации

Состав программной документации должен включать в себя:

техническое задание;

программу и методику испытаний;

руководство пользователя.

1.6.6 Технико-экономические показатели

1.6.6.1 Экономические преимущества разработки

Экономическая эффективность достигается путем высвобождением времени при работе аналитика, подробный экономический анализ представлен в разделе 3.

1.6.7 Стадии и этапы разработки

1.6.7.1 Стадии разработки

Разработка должна быть проведена в 4 стадии:

1 Исследование предметной области.

2 Разработка технического задания.

3 Рабочее проектирование.

4 Внедрение.

1.6.7.2 Этапы разработки

Этапы разработки представлены в таблице 1.10, на основании 4 стадий разработки.

Таблица 1.10 - Этапы разработки

№	Этап	Длительность этапа (дней)	Содержание работ	Исполнитель
1	Исследование	50	Исследование предметной области Data Mining, поиск аналогов.	Колихов Д.Д
2	Разработка технического задания	5	Анализ формализация требования к ПМК для анализа из хранилища данных , планирование работ.		Колихов Д.Д
3	Разработка функциональной модели	95	Разработка основных функций ПМК для анализа из хранилища данных		Колихов Д.Д.
4	Разработка пользовательского интерфейса	10	Разработка интерфейса пользователя для его взаимодействия с системой		Колихов Д.Д.
5	Технический проект	25	Предварительная разработка проекта		Колихов Д.Д.
6	Рабочий проект	60	Реализация рабочей версии ПМК для анализа из хранилища данных		Колихов Д.Д.
7	Тестирование и отладка программного обеспечения	30	Мероприятия по тестированию и отладке		Колихов Д.Д.
8	Интеграция разработанной системы	3	Внедрение		Колихов Д.Д.
9	Составление руководства пользователя	4	Разработка руководства пользователя		Колихов Д.Д.

1.6.8 Порядок контроля и приемки

Контроль корректности функционирования и пригодности ПМК ”DataAnalitik” в эксплуатацию выполняется совместно Разработчиком и Заказчиком ПМК”DataAnalitik” на основании соответствия функционирования программного продукта и заявленных функциональных характеристик и акта тестовых испытаний.

Прием ПМК”DataAnalitik” проводится преподавателями кафедры КИТ.

1.7 Логическая модель ПМК для анализа полученных из хранилища данных

Для спецификации, визуализации, проектирования и документирования компонентов программного обеспечения составим UML диаграмму прецедентов использования.

Между компонентами диаграммы вариантов использования могут существовать различные отношения, которые описывают взаимодействие экземпляров одних актеров и вариантов использования с экземплярами других актеров.

Один актер может взаимодействовать с несколькими вариантами использования. В свою очередь один вариант использования может взаимодействовать с несколькими актерами, предоставляя для всех их свой сервис.

Диаграмма классов часто не соответствует полностью диаграмме классов предметной области, так как при разработке программной системы принимаются проектные решения и вводятся абстракции несуществующие в предметной области. Обычно на диаграмме классов показываются операции, выполняемые над объектом.

Диаграмма классов программной системы получается путём модификации диаграммы классов предметной области.

На рисунке 1.5 представлена диаграмма прецедентов для “Анализа полученных из хранилища данных”.

Рисунок 1.5 - Диаграмма прецедентов для анализа полученных из хранилища данных

Описание прецедентов представлено в таблицах 1.11-1.13.

Таблица 1.11 -Описание прецедента «Обработать данные»

Свойство прецедента	Описание
Основной исполнитель	Аналитик
Предусловие	Имеются данные для анализа
Входные данные	Данные из хранилища данных
Основной успешный сценарий	Исполнитель выбирает данные для построения модели и выбирает метод Data Mining для анализа
Частота выполнения	По желанию исполнителя
Результаты:	Создаётся выборка данных
Выходные данные:	Сообщение об успешном создании

Таблица 1.12 - Описание прецедента «Анализировать выборку»

Свойство прецедента	Описание
Основной исполнитель	Аналитик
Предусловие	Данные успешно обработаны
Входные данные	Алгоритм и его свойства
Основной успешный сценарий	Исполнитель указывает алгоритм для анализа и задаёт его свойства, при успешной реализации выдается сообщении об успешной работе
Частота выполнения	По желанию исполнителя
Результаты:	Проанализированные данные
Выходные данные:	Проанализированная выборка

Таблица 1.13 - Описание прецедента «Создать аналитическую модель»

Свойство прецедента	Описание
Основной исполнитель	Аналитик
Предусловие	Данные обработаны верно и выборка проанализирована
Входные данные	Проанализированная выборка
Основной успешный сценарий	Исполнитель указывает построить аналитическую модель, указывает ограничения и проверяет модель на точность, система строит её, а после сохраняет построенную модель.
Частота выполнения	По желанию исполнителя
Результаты:	Готовая аналитическая модель
Выходные данные:	Результаты моделирования

В соответствии с диаграммой прецедентов использования можно построить диаграмму классов, которые отражают связи между объектами предметной области. Диаграмма классов строится так, чтобы модель, которую она отражает, реализовывала выделенные прецеденты использования.

Диаграмма классов представлена на рисунке 1.6.

Диаграмма классов предметной области «Анализ данных полученных из хранилища данных» представлена на рисунке 1.6.

Рисунок 1.6 - Диаграмма классов предметной области

Описание диаграммы классов приведено в таблице 1.13

Таблица 1.13 - Описание диаграммы классов

Название класса	Описание
Входной поток	Класс, отвечающий за поступление информации из внешних источников и добавление атрибутов.
Условия Анализа	Класс, хранящий информацию о пользовательских настройках алгоритма и методе анализа.
Модель	Класс, отвечает за отображение и свойства аналитической модели.
Алгоритм	Класс, отвечает за выбор и реализацию алгоритма анализа.

Диаграмма последовательностей для прецедента «Анализа полученных из хранилищ данных» представлена на рисунке 1.7 .

На диаграмме последовательности представленная последовательность работы и взаимодействия выполнения прецедента «Создание аналитической модели для данных полученных из хранилища».

На ней видно процесс добавления начальной информации из базы, обращение к экземпляру класса «Условие_Анализа», указание алгоритма и его свойств, обработка данных.

После всех действий система сообщает пользователю о готовности аналитической модели.

Рисунок 1.7 - Диаграмма последовательностей для предметной области «Анализ данных полученных из хранилища данных»

1.8 Информационная модель данных ПМК для анализа полученных из хранилища данных

Составление ER-диаграммы позволит определить будущую модель базы данных и наглядно увидеть отношения между сущностями.

На рисунке 1.7 представлена ER-диаграмма для ПМК для анализа полученных из хранилища данных. Проведем преобразования отношений к нормальной форме Бойса-Кодда, и получим набор таблиц для базы данных.

Полученные таблицы для анализа, полученных из хранилища данных, представлены на рисунке 1.8

Рисунок 1.7 - ER-диаграмма для ПМК для анализа полученных из хранилища данных.

Набор таблиц для базы данных для ПМК для анализа полученных из хранилища данных представлен на рисунке 1.8.

Рисунок 1.8 - Набор таблиц индивидуализации работы пользователя.

1.9 Физическая модель ПМК анализа полученных из хранилища данных

Для реализации ПМК анализа полученных из хранилища данных, была выбрана СУБД MySQL, полученная структура таблиц представлена на рисунке 1.9.

Рисунок 1.9 - Реализация таблиц баз данных для ПМК для данных полученных из хранилища данных

Диаграмма классов для анализа полученных из хранилища данных представлена на рисунке 1.10.

Описание основных классов разработанной системы представлены в таблице 1.15.

Таблица 1.15 - Описание классов ПМК для анализа полученных из хранилища данных

Описание

MiningInputStream

Класс, отвечающий за поступление информации из внешних источников.

MiningAlgorithm

Класс, отвечает за применение выбранного алгоритма и построение модели.

MiningSettings

Класс, хранящий информацию о пользовательских настройках алгоритма и атрибутов выборки.

Analizer

Абстрактный класс, отвечающий за анализ данных.

Model

Класс, отвечает за визуальное отображение аналитической модели.

Рисунок 1.10 - Диаграмма классов для анализа полученных из хранилища данных

Описание разработанной диаграммы классов

При проектировании данной диаграммы классов был использован паттерн проектирования: Strategy(Стратегия).

Стратегия - паттерн, определяющий семейство алгоритмов, инкапсулирует каждый из них и делает их взаимно заменяемыми. Стратегия позволяет изменять алгоритмы независимо от клиентов, которые ими пользуются. В данном случае паттерн «Стратегия» применяется для выбора нужного алгоритма и проведения анализа по этому алгоритму. Стратегией является абстрактный класс Algorithm.

Для моделирования взаимодействия объектов в языке UML используются соответствующие диаграммы взаимодействия. Говоря об этих диаграммах, имеют в виду аспект взаимодействия, который можно рассматривать во времени.

Вертикальные линии, называемые «линиями жизни», отображают объекты или их роли. Объекты могут посылать и получать сообщения. Сообщения изображаются на диаграммах в виде линий со стрелками, направленных от одной линии жизни к другой.

Диаграммы последовательности отображают некий экземпляр определенной части системы при определенных условиях. Данный экземпляр обычно называют сценарием. Сообщения могут быть синхронными (отображаются с помощью закрашенной стрелки) или асинхронными (отображаются с помощью незакрашенной стрелки).

Последовательность разворачивается от верхней её части к нижней части. На диаграмме также могут быть отображены состояния и условия для линий жизни, а также ограничения.

Для представления временных особенностей передачи и приема сообщений между объектами используется диаграмма последовательности.

На рисунке 1.11 представлена диаграмма последовательности для анализа полученных из хранилища данных.

На диаграмме последовательности представленная последовательность работы «Анализа полученных из хранилища данных». На ней видно процесс добавления начальной информации из базы, обращение к экземпляру класса «MiningSettings», указание алгоритма и его свойств.

После всех действий система сообщает пользователю о готовности аналитической модели.

Рисунок 1.11 - Диаграмма последовательности для анализа полученных из хранилища данных

2 специальная часть. Разработка программного обеспечения для АНАЛИЗА ПОЛУЧЕННЫХ ИЗ ХРАНИЛИЩА ДАННЫХ

.1 Руководство пользователя ПО для анализа полученных из хранилища данных

Для запуска программы, необходимо: запустить приложение «DataAnalitik», ввести свой логин и пароль и подтвердить ввод.

Представлен начальный вид программы, на котором пользователю предлагают пройти авторизацию, рисунок 2.1.

Рисунок 2.1 - Окно авторизации ПО для анализа полученных из хранилища данных

В данном окне необходимо ввести логин и пароль, выданный, администратором и подтвердить ввод, нажав на кнопку “Ок”.

На рисунке 2.2 представлено главное окно программы, после успешной авторизации.

На вкладке «MiningData» находятся следующие компоненты:

кнопка для загрузки файла содержащего данные для анализа;

текстовое поле в котором отображается имя и тип выбранного пользователем файла;

таблица для отображения данных из загруженного файла с возможностью редактирования данных

Рисунок 2.2 - Рабочее окно аналитика

На рисунке 2.3 показано диалоговое окно для выбора файла с данными, тип файла строго ограничен.

Рисунок 2.3 - Диалоговое окно выбора файла для анализа

При выборе и загрузке файла с данными содержимое файла отобпажается на главной форме, экранная форма представлена на рисунке 2.4.

Рисунок 2.4 - Экранная форма отображения данных из файла

Данная таблица отображает данные из файла, а именно:

название атрибута (имя переменной для хранения данных);

тип атрибута (может быть либо числовой либо текстовый);

тестовые значения (если аналитик решит сам заполнить данные для анализа).

После выбора файла для анализа и корректировки начальных данных аналитик переходит на вкладку «MiningSettings» экранная форма которой представлена на рисунке 2.5

На первой вкладке «MiningSettings» находятся следующие компоненты:

чекбоксы для выбора алгоритма анализа (ассоциативные правила, классификация, последовательный анализ, регрессия);

текстовое поле «Minimum support» для ввода наименьше поддержки правила (вводимые значения ограничены диапазоном[0,1] );

текстовое поле «Minimum confidence» для ввода минимальной достоверности правила(вводимые значения ограничены диапазоном[0,1] );

комбобокс «Transaction Attribute» для выбора атомарной сущности из базы в качестве атрибута передаваемого в транзакцию;

комбобокс «Item Attribute» для выбора конкретного атрибута для анализа;

кнопка «Build Model» для вызова функции обработки данных и применения настроек алгоритма с последующим созданием модели;

кнопка «Show PMML Model» для вывода модели в формате pmml, модель представлена на рисунке 2.6.

Рисунок 2.5 - Экранная форма для выбора и настроек алгоритма анализа

является XML-диалектом, который используется для описания статистических моделей и моделей data mining.

Рисунок 2.6 - Аналитическая модель в XML формате для стандарта PMML

Данные ПМК поддерживает такие форматы данных для анализа как .arff, .csv. txt. Файл с исходными данными формата .ARFF (Attribute-Relation File Format), где определяются типы данных, которые будут загружены. Сначала указываются названия колонок и тип данных соответствующий каждой колонке. После идут уже сами данные, каждая строчка соответствует строке в таблице, элементы которой перечисляются через запятую. Содержание файла представлено на рисунке 2.7.

Рисунок 2.6 - Аналитическая модель в XML формате для стандарта PMML

3 ЭКОНОМИЧЕСКИЕ РАСЧЕТЫ

Автоматизация рабочего места аналитика также является важным заданием, так как увеличение документооборота затрудняет работу аналитического отдела организации, а ручная обработка информации хранящейся в базе данных ведет к накоплению ошибок и искажению отчетности.

Чтобы определить эффект от внедрения созданного ПМК, сравним его с базовым вариантом, в качестве которого принимается выполнение всех видов работ, неавтоматизированным способом.

Основной задачей при разработке программного продукта является обеспечение максимальной экономической эффективности, т.е. требуется выполнять работу с наименьшей затратой трудовых ресурсов.

Источники экономии при этом определяются по следующим направлениям:

– снижение трудоемкости;

– увеличение объемов и сокращение сроков обработки информации;

– повышение коэффициента использования вычислительной техники, средств подготовки и передачи информации.

3.1 Расчёт капитальных затрат на создание ПМК для анализа полученных из хранилища данных с использованием библиотеки XELOPES

Капиталовложения в создание ПМК носят единовременный характер:

К=К₁+К₂+К_{3 ,} (3.1)

где К₁ - затраты на оборудование, грн.;

К₂-затраты на лицензионные программные продукты, грн;

К₃ - затраты на создание ПО, грн.

Для приобретения одного компьютера, на котором будет использоваться разрабатываемый программный продукт требуется затратить К₁=3000 грн.

Для реализации ПО необходимы следующие лицензионные программные продукты:

– Embarcadero JBuilder 2008 R2 Professional <#"552870.files/image045.gif">, (3.3)

где N_k - количество разработчиков k-й профессии, чел;

r_k - часовая зарплата разработчика k-й профессии, грн._зар- коэффициент начислений на фонд заработной платы, доли.

T_к - общая трудоемкость, ч

Принимаем N_k=1 человек.

Часовая зарплата разработчика определяется по формуле 3.4.

(3.4)

где М_к - месячная зарплата k-го разработчика, грн.;

F^мес_k- месячный фонд времени его работы, час.

Принимаем:

М_k=2100 грн; F^мес_k = 160 часов.

Тогда r_k= 2100/160 =13.125 грн/час.

Принимаем K_зар= 1,34.

Трудоёмкость разработки включает время выполнения работ, представленных в таблице 14.

Общая трудоемкость T_к = 520 часов.

Тогда затраты труда разработчиков-программистов равны (формула 3.3):

З₁= 1*13.125*520*1,34 = 9145,5 грн.

Таблица 3.1 - Длительность этапов работы

Этапы работ	Трудоемкость, часов
Техническое задание	70
Эскизный проект	90
Технический проект	140
Рабочий проект	170
Внедрение	50
Итого:	520

Расчет затрат компьютерного времени выполним по формуле 3.5:

З₂ = С_к·F₀, (3.5)

где С_к - стоимость компьютерного часа, грн.;₀ - затраты компьютерного времени на разработку программы, час.

Стоимость компьютерного часа вычисляется по формуле 3.6:

С_К= С_А + С_Э + С_ТО, (3.6)

где С_А - амортизационные отчисления, грн.;

С_Э - энергозатраты, грн.;

С_ТО - затраты на техобслуживание, грн.

Амортизационные отчисления найдем по формуле 3.7:

С_А= С_i· N_Аi/ F_годi, (3.7)

где С_i = 5000 - балансовая стоимость i-го оборудования, которое использовалось для создания ПМК, грн._А- годовая норма амортизации i-го оборудования, доли._год - годовой фонд времени работы i-го оборудования, час.

Принимаем:_А= 0,18; F_год= 1920 часов.

Из формулы 3.7 получим: С_А= 5000*0,18/1920 = 0,47 грн.

Энергозатраты найдем по формуле 3.8:

С_Э= Р_Э · С_кВт, (3.8)

где Р_Э = 0,3- расход электроэнергии, потребляемой компьютером, кВт/ч;

С_кВт = 0, 2436 - стоимость 1 кВт/ч электроэнергии, грн.

Тогда получим: С_Э= 0,3*0, 2436 = 0,07 грн.

Затраты на техобслуживание найдем по формуле 3.9:

С_ТО= r_ТО* l, (3.9)

где r_ТО - часовая зарплата работника обслуживающего оборудование, грн;

l - периодичность обслуживания (формула 3.10).

Принимаем часовую зарплату работника, обслуживающего оборудование:_ТО= 2100/160 = 13,125 грн/час.

l = N_то/ F^мес, (3.10)

где N_то - количество обслуживаний оборудования в месяц;^мес- месячный фонд времени работы оборудования, час.

Принимаем N_то= 1; F^мес= 160 часов.

Тогда (формула 3.10): l=1/160 = 0,0062.

Применяя формулу 3.9, получим: С_ТО=13.125*0,0062 = 0,0813 грн.

Тогда стоимость компьютерного часа равна:

С_К= 0,47 + 0,07 + 0,0813 = 0,6213 грн/час.

Таким образом, затраты компьютерного времени составят:

З₂ = 0,6213*520 = 323,1 грн.

Косвенные расходы З₃ определяются по формуле 3.11:

(3.11)

где С₁ - расходы на содержание помещений, грн.

С₂- расходы на освещение, отопление, охрану и уборку помещения, грн.₃ - прочие расходы (стоимость различных материалов, используемых при разработке проекта,услуги сторонних организаций и т.п.), грн.

Площадь помещения составляет 15 м². Принимаем стоимость 1м²помещения - 200 грн. Следовательно, стоимость помещения составляет: 17*410= 3000 грн.

С₁ = 3000*0,02 = 60 грн - затраты на содержание помещений составляют 2% от стоимости здания;

С₂ =3000*0,003 = 9 грн - расходы на освещение, отопление охрану и уборку помещений составляют 0,03% от стоимости здания.₃ = 1500*1 = 1500 - прочие расходы (стоимость различных материалов, используемых при разработке проекта, услуги сторонних организаций и т.п.) составляют 50% от стоимости вычислительной техники.

Тогда, используя формулу 3.11, получим: З₃ = 60+9+1500 = 1569 грн.

Таким образом, по формуле 3.2 рассчитаем затраты на создание ПМК:

К₃= 9145,5 + 323,1 + 1569 = 11037,5 грн.

Капитальные затраты на выполнение и реализацию ПМК составят:

К = 3000 + 3600 + 11037,5 = 17637,5 грн.

3.2 Расчёт годовой экономии от автоматизации работы аналитика

Годовая экономия от автоматизации работы аналитика рассчитывается по формуле 3.12:

(3.12)

где t_i^p, t_i^a - трудоёмкость выполнения i-й операции соответственно в ручном и автоматизированном варианте, час;

k_i^p, k_i^a - повторяемость выполнения i-й операции в ручном и автоматизированном вариантах в течении года, шт.;

C_p, C_a - часовая себестоимость выполнения операций в ручном и автоматизированном вариантах, грн.;

n - количество различных операций, выполнение которых автоматизируется.

Себестоимость выполнения операций аналитика в ручном варианте определяется по формуле 3.13:

C_p = C₁^p + C₂^p, (3.13)

где C₁^p- затраты на оплату труда персонала, грн.;

C₂^p - косвенные расходы, грн.

Затраты на оплату труда персонала найдем по формуле 3.14.

(3.14)

где N_k- количество работников k-й профессии, выполнявших работу до автоматизации, чел.;

r_k- часовая зарплата одного работника k-й профессии, грн.;

K_зар- коэффициент начислений на фонд заработной платы, доли;

k - число различных профессий, используемых в ручном варианте.

Часовая зарплата работника k-й профессии рассчитывается по формуле 3.15:

r_k = M_k/F_k^мес , (3.15)

где M_k- месячный оклад работника, грн.;_k^мес- месячный фонд времени работ работника, час.

Принимаем F_k^мес = 160 часов.

До автоматизации работу выполняли 2 человека, т.е. N _k= 2чел.

Месячный оклад работника составляет: M_k=800 грн.

Часовая зарплата составляет: r_k = 800/160 = 5 грн/час.

Затраты на оплату труда персонала составляют: C₁^p = 2 * 5*1.3=13 грн.

Косвенные расходы рассчитываются по формуле 3.16:

C₂^p = C₁ + C₂ + C₃ (3.16)

где С₁ - затраты на содержание помещений, грн.;

С₂ - расходы на освещение,отопление охрану и уборку помещений, грн.;₃ - прочие расходы.

Площадь помещения составляет 15 м². Принимаем стоимость 1м²помещения - 200 грн. Следовательно, стоимость помещения составляет:

*200= 3000 грн.

С₁ = 3000*2%/100% = 60 грн - затраты на содержание помещений составляют 2% от стоимости здания;

Расходы на освещение,отопление охрану и уборку помещений С₂ составляют 0,2-0,5 % от стоимости помещения: С₂= 3000*0,4%/100%= 9 грн.

Прочие расходы C₃ составляют 100-120 % от фонда заработной платы:₃=13*100%/100% = 13 грн.

Из формулы 3.16 получим косвенные расходы:

C₂^p= 60 + 9 + 13 = 82 грн.

Себестоимость выполнения операций аналитика в ручном варианте по формуле 3.13 составит: С_Р= 13+ 82 = 95 грн.

Расчёт себестоимости выполнения операций аналитика в автоматизированном варианте выполняется по формуле 3.17:

С_а = C₁^a + C₁^a + C₁^a, (3.17)

где C₁^a- затраты на оплату труда персонала, грн.;

C₂^a - стоимость компьютерного времени, грн.;

C₃^a - косвенные расходы, грн.

Затраты на оплату труда персонала найдем по формуле 3.18:

(3.18)

где N_p- количество работников p-й профессии, выполнявших работу после автоматизации, чел.;

r_p- часовая зарплата одного работника p-й профессии, грн.;

K_зар- коэффициент начислений на фонд заработной платы, доли ;

p - число различных профессий, используемых в автоматизированном варианте.

Принимаем:

N_p = 2; K_зар= 1,3.

Количество работников и их оклады не изменились, поэтому:

С^а₁ = С^р₁= 13 грн.

Стоимость компьютерного времени найдем по формуле 3.19.

С₂^А= С_А + С_Э + С_ТО, (3.19)

где С_А= 0,3 - амортизационные отчисления, грн.;

С_Э = 0,04 - энергозатраты, грн.;

С_ТО= 0,0017 - затраты на техобслуживание, грн.

Таким образом, С₂^А= 0,3 + 0,04 + 0,0017 = 0,3417 грн.

Косвенные расходы С₃^А определяются по формуле 3.11:

С₃^А= 60 + 9 + 1500 = 1569 грн

Тогда по формуле 3.17: С_А= 13 + 0,6213 + 1569= 1582,6 грн.

В таблице 3.1 приведен перечень операций аналитика и их трудоемкость в ручном и автоматизированном вариантах.

Таблица 3.1 - Трудоемкость операций аналитика при выполнении вручную и автоматически

№	Наименование операций	Трудоемкость Р (ч)	Трудоемкость А (ч)	Повторяемость (раз/год)
1	Сортировка результатов по категориям	1	5/60	48
2	Анализ выборки с помощью определенного алгоритма	4	10/60	48
3	Формирование графической модели результатов анализа	4	10/60	48
4	Формирование отчета по проделанной работе	8	5/60	6

Годовую экономию от внедрения программного комплекса получим по формуле 3.12:

3.3 Расчет годового экономического эффекта

Экономический эффект определяется по формуле 3.20:

Э_ф = Э_г - Е_н · K, (3.20)

где Э_г = 64331,5- годовая экономия текущих затрат, грн;

К = 17637,5- капитальные затраты на создание ПМК, грн.;

Е_н= 0,42 - нормативный коэффициент экономической эффективности капиталовложений, доли.

Тогда Э_ф = 13156,7 - 0,42*17637,5= 5748,95 грн.

3.4 Расчет коэффициента экономической эффективности и срока окупаемости капиталовложений

Коэффициент экономической эффективности капиталовложений найдем по формуле:

E_p = Э_г/К. (3.21)

Е_Р= 13156,7/ 17637,5= 3,65.

Так как, Е_Р=0,75 > Е_н = 0,42, то внедрение разработанного программного комплекса является экономически эффективным.

Срок окупаемости капиталовложений определим по формуле 3.22:

(3.22)

Тогда подставив значение коэффициента экономической эффективности в формулу 3.22, получим

года.

Так как Т_Р =1,3 < Т_н = 2,4 года (срок окупаемости капиталовложений меньше нормативного), то можно утверждать, что капиталовложения используются эффективно.

3.5 Выводы по разделу

Данный экономический расчет показывает, что разработка и использование ПМК, разработанного в целях автоматизации работы аналитика, является экономически оправданным и целесообразным. Об этом свидетельствуют следующие данные:

– годовая экономия текущих затрат при внедрении программного комплекса составит 13156,7 грн.;

– экономический эффект составит 5748,95 грн;

– срок окупаемости капиталовложений составит 1,3 года.

Вышеприведенные расчёты и сравнительная оценка эффективности работы аналитика показали целесообразность создания автоматизированного рабочего места. Основная экономия достигается за счет автоматизации труда, высвобождения времени аналитика от выполнения рутинных операций. Автоматизация рабочего места приведёт к уменьшению загруженности аналитика «бумажной» работой, что в свою очередь, повысит эффективность работы, и снизит вероятность ошибок.

4. ОХРАНА ТРУДА

.1 Анализ опасных и вредных производственных факторов

На пользователя ПЭВМ воздействуют различные группы факторов трудовой среды:

факторы производственной среды;

факторы трудового процесса (тяжесть и напряженность труда);

внутренние средства деятельности (производственный опыт человека, его функциональное состояние);

внешние средства деятельности (рабочее место, пульт управления, СОИ, основное и вспомогательное оборудование);

социально-психологические аспекты трудовых взаимоотношений.

Специфика использования ПЭВМ состоит в том, что в процессе диалога человека и машины пользователь воспринимает интеллектуальную машину как равноправного собеседника. Поэтому возникает много совершенно новых психологических и психофизиологических проблем, суть которых нужно учитывать при проектировании трудового процесса. Другой особенностью является значительная информационная нагрузка. Значительная нагрузка на центральную нервную и зрительную системы вызывает повышение нервно-эмоционального напряжения, и, как следствие, негативно влияет на сердечнососудистую систему. Важной стороной функционирования организма пользователя является влияние на него комплекса факторов трудовой среды, включающих действие электромагнитных волн разных частотных диапазонов, статического электричества, шума, микроклиматических факторов и др. Воздействие этого специфического комплекса может оказать на здоровье человека отрицательное влияние. При работах с использованием компьютеров возникает целый ряд эргономических проблем, решение которых может значительно снизить нагрузку.

В этом случае имеются в виду только вопросы конструирования рабочего места пользователя и не охватываются вопросы формирования рационально построенных символов на экране и других, изменение которых возможно только при конструировании новой техники. Работа пользователя ЭВМ чаще всего проходит при активном взаимодействии с другими людьми. Поэтому возникают вопросы межличностных взаимоотношений, включающие как психологические, так и социально-психологические аспекты. Таким образом, на пользователя ЭВМ воздействуют 4 группы факторов трудовой среды: физические, эргономические, информационные и социально-психологические.

Все факторы производственной среды в соответствии с классификацией по ГОСТ 12.0.003-74 «Опасные и вредные производственные факторы. Классификация» подразделяют на опасные и вредные факторы. При работе на ПЭВМ существует возможность воздействия следующих опасных производственных факторов: возможность возникновения пожаров; воздействие электрического тока; возможность механического травмирования (падения, ушибы и др.); ожоги в результате случайного контакта с горячими поверхностями внутри лазерного принтера.

Вредные производственные факторы подразделяют на физические, химические, биологические и психофизиологические производственные факторы. В процессе работы на пользователя ПЭВМ оказывают действие следующие физические производственные факторы:

повышенный уровень электромагнитного излучения;

повышенный уровень статического электричества;

повышенные уровни запыленности воздуха рабочей зоны;

повышенное содержание положительных и отрицательных ионов в воздухе рабочей зоны;

пониженная или повышенная влажность воздуха рабочей зоны;

пониженная или повышенная подвижность воздуха рабочей зоны;

повышенный уровень шума;

повышенный или пониженный уровень освещенности;

нерациональная организация освещения рабочего места (повышенный уровень прямой и отраженной блесткости, повышенный уровень ослепленности, неравномерность распределения яркости в поле зрения, повышенная яркость светового изображения, повышенный уровень пульсации светового потока).

Химические производственные факторы определяются характеристикой соответствующего рабочего окружения. Контакт с веществами, специфичными для рабочих мест с ПЭВМ (тонер, озон при работе лазерных принтеров) в правильно проветриваемых помещениях ниже предельного уровня и не представляет опасности, однако он может стать опасным в плохо вентилируемом помещении, содержащем несколько лазерных принтеров и копировальных машин.

К психофизиологическим производственным факторам относятся: напряжение зрения, напряжение внимания, интеллектуальные и эмоциональные нагрузки, длительные статические нагрузки, монотонность труда, большие информационные нагрузки, нерациональная организация рабочего места.

Вероятность воздействия биологических факторов (повышенное содержание в воздухе рабочей зоны микроорганизмов) возрастает в переполненных и неправильно вентилируемых помещениях.

Пользователи ПЭВМ в основном подвергаются воздействию физических и психофизиологических производственных факторов.

Компьютер является источником электромагнитных полей (ЭМП) в диапазоне от 3 Гц до 300 МГц, которые могут быть разделены по их физическим свойствам на электростатическое, переменное электрическое и переменное магнитное.

ПК является источником нескольких видов электромагнитных полей и излучений: мягкого рентгеновского, ультрафиолетового, инфракрасного, видимого, низкочастотного, сверхнизкочастотного и высокочастотного.

Работа на ПЭВМ связана с действием ряда стрессогенных факторов, которые приводят к возникновению физиологических, психологических и поведенческих изменений, расстройства здоровья. Психо-эмоциональный стресс способствует или является причиной многих функциональных нарушений и заболеваний:

психосоматических (психозов, неврозов, нарушений сна);

сердечно-сосудистой системы (аритмии, гипертонической болезни, инфаркта миокарда);

язвенно-дистрофических поражений желудочно-кишечного тракта;

снижение иммунитета, развития предрасположенности к вирусным и многим инфекционным заболеваниям;

ревматических поражений и остеохондрозов;

онкологических заболеваний;

гормональных расстройств и нарушений половых функций и т.д.

Учет уровня и специфики действия негативных факторов на работоспособность и здоровье пользователей компьютеров позволит конструировать рациональную трудовую среду, в которой человек не только сохранит свое здоровье, но и сможет производительно трудиться.

Элементы, которые формируют условия труда, являются отдельными составляющими совокупности условий труды (шум, вибрация, температура и т.д.), которые влияют на работников.

Элементы, которые определяют условия труда, можно сгруппировать в два блока: санитарно-гигиенические; нервно-психологические.

От этих элементов зависит состояние здоровья работников и результат их работы. Они обусловлены материально-производственной средой, возможностями человека и машин (технологического процесса), социально-демографическим составом работников. Специфика их заключается в том, что они кроме непосредственного влияния на формирование условий труда, устанавливают дополнительные мероприятия по развитию технологий, организации производства и социального развития.

При работе в положении сидя большинство групп мышц находятся в постоянном напряжении, которое приводит к быстрой утомляемости, содействует развитию профессиональных патологических изгибов позвоночника. Неправильное расположение дисплеев по высоте: очень низкое, под неправильным углом - является основной причиной появления сутулости; очень высокое положение дисплея приводит к длительному напряжению шейного отдела позвоночника, которое может привести к развитию остеохондроза. Ненормальное состояние позвоночника (неправильная осанка, разного рода искривления, сдвиг или деформация межпозвоночных дисков) может стать причиной заболевания всего организма.

Интенсивная работа с клавиатурой вызывает болевые ощущения в локтевых суставах, запястьях, в кистях и пальцах рук. Это может стать источником тяжелых профессиональных заболеваний рук. Работа с клавиатурой является причиной 12 % профессиональных заболеваний, вызванных повторяющимися движениями. Заболевания, связанные с повторяющимися движениями, охватывают болезни нервов, мышц и сухожилий рук.

Проведем расчет интегральной оценки условий труда и определения тяжести труда. Определим категорию тяжести труда экономиста - оператор ЭВМ. Для этого каждому фактору, который характеризует условия труда, необходимо присвоить соответствующий балл. Данные представлены в таблице 4.1.

Таблица 4.1 - Оценка условий труда на рабочем месте

Факторы	Значение	Баллы
Температура воздуха на рабочем месте, t °C	21	2
Относительная влажность воздуха, ω %	50	1
Скорость движения воздуха,V м\с	0,6	3
Освещенность, Е, лк	300	2
Шум (уровень звука), L, дБ	54	3
Длительность сосредоточенного наблюдения, % от рабочего времени	80	4

Исходя из данных, приведенных в таблице, следует, что такие показатели, как температура воздуха на рабочем месте, шум, точность зрительных работ, длительность сосредоточенного наблюдения, длительность повторяющихся операций, количество важных объектов наблюдения имеют бальную оценку выше 1. Данные оценки будут использованы при дальнейших расчетах.

Для расчета интегральной бальной оценки тяжести труда используют следующую формулу

(4.1)

где Ит1 - интегральная бальная оценка тяжести труда;

Хоп - элемент условий труда, который получил наибольшую оценку;

- средний балл всех активных элементов условий труда кроме определяющего Хоп.

Расчет интегральной оценки тяжести работы требует предварительного расчета среднего значения оценочных баллов Х (в расчет среднего балла не включается высший балл).

Средний балл всех активных элементов условий труда, кроме определяющего Хоп, рассчитывается по формуле:

(4.2)

где - сумма всех элементов кроме определяющего Хоп;

n - количество учтенных элементов условий труда.

В соответствии с имеющимися данными, Хоп = 4, а количество учетных элементов условий труда равняется 6.

Произведем расчеты по приведенным выше формулам.

Средний балл всех активных элементов условий труда, кроме определяющего Хоп:

=(2+3+1+2+3)/(6-1) =2,2 (балла),

Интегральная бальная оценка тяжести труда

(балла)

Интегральная оценка тяжести труда составляет 47,3, что соответствует IV категории тяжести труда.

Интегральная бальная оценка тяжести труда позволяет определить влияние условий труда на работоспособность человека. Степень утомления определяется в условных единицах по формуле

(4.3)

где У - степень утомления;

Ит - интегральная бальная оценка тяжести труда;

,6 и 0,64 - коэффициенты регрессии.

Степень утомления составит

Работоспособность человека определяется как величина противоположная утомлению (в условных единицах):

R = 100 - У (4.4)

где R - работоспособность человека;

У - степень утомления.

Работоспособность составит:

R₁= 100 - 49,5 = 50,5.

К факторам, которые требуют проведения мероприятий по улучшению условий труда, относятся факторы, которые имеют бальную оценку выше 2. Поэтому необходимо разработать мероприятия для обеспечения безопасных и комфортных условий труда, произвести расчеты вентиляции производственного помещения и шума.

4.2 Разработка мероприятий для обеспечения безопасных и комфортных условий труда

В соответствии с НПАОП 0.00-1.28-10 в рабочих помещениях и на рабочих местах с ПЭВМ должны обеспечиваться оптимальные значения параметров микроклимата.

Для обеспечения оптимальных микроклиматических условий в помещениях, в которых размещены компьютеризованные рабочие места, они оборудованы системами отопления и общеобменной вентиляции. При этом необходимо рассчитать минимальное количество воздуха, подаваемое в помещение. Количество воздуха, удаляемого или подаваемого общеобменной вентиляцией, определяется объемом помещения, приходящегося на одного человека.

Расчет осуществляется в зависимости от количества работающих.

Определяем свободный объем одной комнаты помещения:

. (4.5)

V=9 ∙ 4 ∙ 5,0 = 180,0 м³.

Определяем полный свободный объем помещения:

V_полн =2V. (4.5)

V_полн =2∙180,0 м³ = 360 м³.

Удельный свободный объем составляет:

V' = V / N. (4.6)

V' = 360 /9 = 40 м³ / чел.

Объем помещения на одного работающего составляет 40 м³ / чел. При = 40 м3/чел требуется объем вентиляционного воздуха >=20 м3/ч.

Таким образом, для наших условий работы требуется объем вентиляционного воздуха >=20 м3/ч.

Для снижения скорости воздуха, дующего на работника, необходимо рабочее место оградить перегородками. Также, рабочее место можно установить так, чтобы оно не находилось на прямой линии между окном и дверью. Таким образом, мы уберем работника со сквозняка.

В воздухе помещений всегда имеется в наличии повышенное количество заряженных частиц. Ионный состав воздуха может значительно изменяться под воздействием целой группы факторов.

НПАОП 0.03-3.06-80 «Санитарно-гигиенические нормы допустимых уровней ионизации воздуха производственных и общественных помещений» регламентирует уровни ионизации воздуха помещений при работе на ПЭВМ.

Необходимые концентрации позитивных и негативных ионов в воздухе рабочих зон обеспечиваются применением:

генераторов негативных ионов;

кондиционеров;

проветриванием, систем обще обменной вентиляции, устройств местной вентиляции;

защитных экранов, которые заземлены;

влажной уборки

Таблица 4.2 - Уровни ионизации воздуха помещений при работе на электронно-вычислительной машине

Уровни	Количество ионов в	1 воздуха

Минимально необходимые	400	600
Оптимальные	1500-3000	3000-5000
Максимально допустимые	50000	50000

Наиболее опасной для здоровья является увеличенная концентрация озона - высокотоксичного раздражающего газа. Согласно ГОСТ 12.1.005-88 содержание озона в воздухе рабочей зоны не должно превышать 0,1мг/; содержание пыли - 4 мг/. Для избежания увеличенной концентрации озона необходимо выключать ПЭВМ в случае, когда он не используется, а лазерный принтер желательно размещать подальше от рабочего места оператора. Однако, это дополнительные методы, основным же методом предотвращения негативного воздействия озона и других вредных веществ на здоровье операторов есть обеспечение функционирования приточно-вытяжной вентиляции. Для того, чтобы вредные вещества не проникали из соседних помещений в помещениях с ПЭВМ, необходимо создать некоторое избыточное давление.

Под производственным помещением понимают замкнутое пространство в специально предназначенных зданиях и сооружениях, в которых постоянно (по сменам) или периодически (на протяжении рабочего дня) осуществляется трудовая деятельность людей.

Помещения для работы на ПЭВМ должны соответствовать требованиям СНиП 2.09.02-85 «Производственные здания», СНиП 2.01.02-85 «Противопожарные нормы проектирования зданий и сооружений», НПАОП 0.00-1.31-99 «Правила охраны труда при эксплуатации электронно вычислительных машин» и ДСанПіН 3.3.2-007-98 «Государственные санитарные правила и нормы работы с визуальными дисплейными терминалами электронно-вычислительных машин».

Важнейшее значение имеет организация освещения. Освещение помещения должно соответствовать требованиям СНиП II-4-79 «Естественное и искусственное освещение» и НПАОП 0.00-1.31-99 «Правила охраны труда при эксплуатации электронно-вычислительных машин». С учетом специфики зрительной работы с ПЭВМ наиболее пригодными являются помещения с односторонним расположением окон, причем желательно, чтобы площадь застекления не превышала 25-50%. Лучше всего, если окна ориентированы на север или северо-восток. Это даст возможность устранить нежелательное ослепляющее действие солнечных лучей. Окна оборудуют регулирующими устройствами (жалюзи, занавески, внешние козырьки). Коэффициент естественной освещенности не менее 1,5%. Для исключения попадания отраженных отблесков в глаза пользователей поверхности в помещении должны иметь матовую или полуматовую фактуру. Коэффициент отражения составляет: для потолка - 0,7-0,8; стен - 0,5-0,6; пола - 0,3-0,5; др. поверхностей - 0,4-0,5. Искусственное освещение помещений - общее равномерное с применением люминесцентных ламп, освещенность рабочих поверхностей составляет 300 - 500 лк. Общее освещение выполнено в виде сплошных или прерывистых линий светильников, размещаемых сбоку от рабочих мест (преимущественно слева). Допускается применение светильников следующих классов светораспределения: светильники прямого света, преимущественно прямого света и преимущественно отраженного света. Применяются светильники с рассеивателями и зеркальными экранными сетками или отражателями, укомплектованные высокочастотными пускорегулирующими аппаратами. В качестве источника света предпочтительнее применять люминесцентные лампы типа ЛБ. Коэффициент запаса для осветительной установки следует принимать равным 1,4. Применение местного освещения разрешается только при работе с двумя носителями (бумажным и электронным, при этом преобладает работа с документами) или в случае невозможности обеспечения системой общего освещения требуемого уровня освещенности. Светильники местного освещения (допускается применение ламп накаливания) имеют полупрозрачный отражатель с защитным углом не менее 40^о.

Уровень шума на рабочих местах в соответствии с требованиями ГОСТ 12.1.003-89 «Шум. Общие требования безопасности», НПАОП 0.00-1.28-10 «Правила охраны труда при эксплуатации электронно-вычислительных машин» и ДСанПіН 3.3.2-007-98 «Государственные санитарные правила и нормы работы с визуальными дисплейными терминалами электронно-вычислительных машин» не превышает:

для программистов - 50 дБ·А;

помещения управления, рабочие комнаты - 60 дБ·А;

для операторов обработки информации на ПЭВМ и операторов компьютерного набора - 65 дБ·А;

в помещениях для размещения шумных агрегатов ЭВМ -
75 дБ·А.

Для достижения требуемого уровня применяют рациональное размещение рабочих мест в помещении и акустическую обработку помещения. В качестве средств шумопоглощения применяются не горючие или трудно горючие специальные перфорированные плиты, панели с максимальным коэффициентом звукопоглощения в пределах частот 31,5 - 8000 Гц. Кроме того, применяются подвесные потолки с аналогичными свойствами.

Аккустическая обработка помещения защищает работающих от внутренних и внешних шумов(улица, смежные помещения) и является более универсальной. Понижение уровня шума за счет акустической обработки помещения определяется по формуле

, (4.7)

Где А1,А2 - звукопоглащение помещения до и после акустической обработки, единицы поглощения.

Звукопоглащение помещения определяется по формуле:

, (4.8)

Где S - площадь поверхности;

а - коэффициент поглощения материала поверхности, единицы поглощения.

Уровень шума в помещении, размером 9х4х5 м, составляет 54 дбА.

Пол в помещении паркет, стены и потолок - обычная штукатурка. Вычислим понижение уровня шума после акустической обработки стен и потолка звукопоглощающим материалом(коэффициент поглощения 0,9)

А1 = 2*9*5*0,03 + 2*4*5*0,03 + 9*4*0,03 + 9*4*0,06 = 7,14 единиц поглощения.

Вычислим звукопоглощение помещения после акустической обработки:

А2 = 2*9*5*0,9 + 2*4*5*0,9 + 9*4*0,9 + 9*4*0,06 = 151,56 единиц поглощения.

Понижение уровня шума составляет:

DL = 10 lg (151,56/7,14) = 13,2 дБА.

Уровень шума в помещении после обработки (54 - 13,2 = 40,8 дбА ) отвечает нормативным требованиям к помещению с ПЭВМ

Уровни вибрации в помещении не превышают требований ГОСТ 12.1.012-90 «Вибрационная безопасность. Общие требования». Для снижения вибрации оборудование устанавливается на специальные амортизационные прокладки.

Параметры электромагнитного и электростатического полей на рабочих местах соответствуют требованиям ГОСТ 12.1.006-84 «Электромагнитные поля радиочастот. Допустимые уровни на рабочих местах и требования к проведению контроля», ГОСТ 12.1.005-88 «Общие санитарно-гигиенические требования к воздуху рабочей зоны», ГОСТ 12.1.045-84 «Электростатические поля. Допустимые уровни на рабочих местах и требования к проведению контроля», НПАОП 0.00-1.28-10и ДСанПіН 3.3.2-007-98. Электробезопасность обеспечивается выполнением требований ПУЭ, ПТЭ, ПТБ, НПАОП 0.00-1.31-99, ГОСТ 12.1.019-79 «Электробезопасность. Общие требования», ГОСТ 12.1.030-87 «Электробезопасность. Защитное заземление, зануление». Оборудование, электропровода и кабели по исполнению и степени защиты соответствуют классу зоны по ПУЭ, имеют аппаратуру защиты от тока короткого замыкания и других аварийных режимов.

Требования к пожарной безопасности

Пожарная безопасность обеспечивается выполнением требований Правил пожарной безопасности в Украине, НПАОП 0.00-1.31-99, ГОСТ 12.1.004-91 «Пожарная безопасность. Общие требования». Здания и те их части, в которых располагаются ПЭВМ, имеют степень огнестойкости не ниже II. Помещения для обслуживания, ремонта и наладки относятся по пожаро-, взрывоопасности к категории В в соответствии с ОНТП 24-86 «Определение категорий помещений и зданий по взрывопожарной и пожарной опасности», а по классу помещения - к II - IIа согласно ПУЭ. Помещения оснащены системой автоматической пожарной сигнализации с дымовыми извещателями и переносными углекислотными огнетушителями из расчета 2 штуки на каждые 20 м² площади помещения с учетом предельно допустимых концентраций огнетушащего вещества. Недопустимо располагать помещения с ПЭВМ в подвалах и цокольных этажах. Они не должны граничить с помещениями, в которых уровни шума и вибрации превышают допустимые значения.

При помещениях с ПЭВМ оборудованы комнаты для отдыха во время работы, приема пищи, психологической разгрузки и прочие бытовые помещения. Все эти помещения отвечают СНиП 2.09.04-87 «Административные и бытовые здания».

НПАОП 0.00-1.28-10 регламентирует требования к организации рабочего места пользователя ПЭВМ. Организация рабочего места предусматривает:

правильное размещение рабочего места в помещении;

выбор обоснованного с точки зрения эргономики рабочего положения, производственной мебели с учетом антропометрических характеристик человека;

рациональную компоновку оснащения на рабочих местах;

учет характера и особенностей трудовой деятельности.

Требования к организации рабочего пространства

Организация рабочего места пользователя ПЭВМ обеспечивает соответствие всех элементов рабочего места и их взаимного расположения эргономическим требованиям ГОСТ 12.2.032-78 «Общие эргономические требования. Рабочее место при выполнении работ сидя», характеру и особенностям трудовой деятельности.

Лучше всего размещать рабочие места с ПЭВМ рядами, причем относительно окон они должны находиться так, чтобы естественный свет падал сбоку, преимущественно слева. Это дает возможность исключить зеркальное отражение на экране источников естественного света (окон) и попадания последних в поле зрения пользователей.

При размещении рабочих мест придерживаются следующих требований:

рабочие места размещаются на расстоянии не меньше 1 м от стен со световыми проемами;

расстояние между боковыми поверхностями мониторов не меньше 1,2 м;

расстояние между тыльной поверхностью одного монитора и экраном другого не меньше 2,5 м;

При необходимости высокой концентрации внимания во время выполнения работ с высоким уровнем напряженности рабочие места отделяются одно от другого перегородками высотой 1,5 - 2 м.

Исходя из общих принципов организации рабочего места, систематизированы факторы, которые оказывают влияние на конструкцию производственной мебели: рабочая поза, поддержка веса тела, высота, глубина и ширина сидения, стабилизация корпуса, спинка стула, форма и наклон поверхности сидения, подлокотники, высота поверхности стола, расстояние от пола к нижней части крышки стола.

Конструкция рабочего стола отвечает современным требованиям эргономики и обеспечивает оптимальное размещение на рабочей поверхности всего оснащения и используемых приспособлений с учетом их размеров и конструктивных особенностей. Высота рабочей поверхности стола находится в пределах 680 - 800 мм, а ширина и глубина - обеспечивает возможность выполнения операций в зоне достижимости моторного поля. Рекомендованные размеры стола: ширина 600 - 1400 мм, глубина 800 - 1000 мм. Рабочий стол имеет пространство для ног, может быть оборудован подставкой для ног.

Рабочий стул пользователя ПЭВМ имеет такие основные элементы: сидение, спинку и стационарные или съемные подлокотники. Конструкция рабочего стула обеспечивает поддержку рациональной рабочей позы во время выполнения основных производственных операций, создает условия для изменения позы.

Ширина и глубина сиденья составляют не меньше 400 мм. Высота поверхности сиденья регулируется в пределах 400-500 мм, а угол наклона поверхности - от 15° вперед до 5° назад. Поверхность сиденья может быть плоской, передний край - закруглен. Высота спинки сиденья составляет 300±20 мм, ширина - не меньше 380 мм, радиус кривизны в горизонтальной плоскости - 400 мм. Угол наклона спинки регулируется в пределах 0-30° относительно вертикального положения. Расстояние от спинки к переднему краю сиденья регулируется в пределах 260 - 400 мм.

Для снижения статического напряжения мышц рук применяются стационарные или съемные подлокотники длиной не меньше 250 мм, шириной 70 мм, которые регулируются по высоте над сидением в пределах 230±30 мм и по расстоянию между подлокотниками в пределах 350 - 500 мм.

Расположение экрана монитора обеспечивает удобство зрительного наблюдения в вертикальной плоскости под углом ± 30° от линии зрения пользователя. Наилучшие зрительные условия и возможность распознавания знаков достигается такой геометрией размещения, когда верхний край монитора находится на высоте глаз, а взгляд направлен вниз, на центр экрана. Поскольку наиболее благоприятным считается наклон головы вперед приблизительно на 20° от вертикали (при таком положении головы мышцы шеи расслабляются), то экран также наклонен назад на 20° от вертикали.

Экран монитора и клавиатура располагаются на оптимальном расстоянии от глаз пользователя, но не ближе 600 мм, с учетом размера буквенно-цифровых знаков и символов.

ПЭВМ, специальные периферийные устройства и другое оборудование отвечает требованиям действующих в Украине стандартов, нормативов по охране труда и НПАОП 0.00-1.31-99.

Допустимые значения электромагнитного излучения (НПАОП 0.00-1.31-99):

напряженность электромагнитного поля на расстоянии 50 см вокруг монитора по электрической составляющей превышает: в диапазоне частот от 5 Гц до 2 кГц - 25 В/м; в диапазоне частот от 2 до 400 кГц - 2,5 В/м;

плотность магнитного потока не должна превышать: в диапазоне частот от 5 Гц до 2 кГц - 250 нТл; в диапазоне частот от 2 до 400 кГц - 25 нТл;

поверхностный электростатический потенциал не должен превышать 500 В;

мощность дозы рентгеновского излучения на расстоянии 5 см от экрана и других поверхностей монитора не должна превышать 100 мкР/год.

Режим труда и отдыха - это распорядок, регламентирующий определенное чередование времени работы и отдыха на протяжении смены, недели, месяца, года. Режим труда и отдыха пользователей ПЭВМ определяется в зависимости от выполняемой работы в соответствии с ДСанПіН 3.3.2-007-98 «Государственные санитарные правила и нормы работы с визуальными дисплейными терминалами электронно-вычислительных машин». Для сохранения здоровья, предупреждения профессиональных заболеваний и обеспечения оптимальной работоспособности предусматривают внутрисменные регламентированные перерывы для отдыха.

В случае невозможности предоставления регламентированных перерывов по производственным обстоятельствам длительность непрерывной работы на ПЭВМ не превышает 4 ч.

Во время регламентированных перерывов с целью снижения развивающегося у пользователей нервно-эмоционального напряжения, утомление зрительного анализатора, устранения негативного влияния гиподинамии, предотвращения развития утомления выполняются комплексы специальных профилактических упражнений.

С целью уменьшения негативного влияния монотонности работы применяют изменение содержания и темпа работы. При высоком уровне напряженности работы на ПЭВМ проводят психологическую разгрузку в специально оборудованных помещениях во время регламентированных перерывов или в конце рабочего дня.

Исходя из осуществленной бальной оценки и произведенных расчетов, можем сделать вывод о необходимости применения мероприятий по улучшению состояния таких факторов, как вентиляция производственного помещения и уровень шума.

Улучшение условий микроклимата проводят за счет кондиционирования или использования общеобменной вентиляции. Снижение уровня шума осуществляется за счет акустической обработки помещений или установки перегородок.

4.3 Расчет эффективности мероприятий по охране труда

В результате проведенных мероприятий мы привели в соответствие параметры освещенности и вентиляции, количественная оценка которых снизилась до 2 -х баллов.

Произведем оценку соответствия факторов производственной среды, тяжести и напряженности трудового процесса нормативным требованиям.

Произведем количественную и аналитическую оценку условий труда.

температура, х₁=2 балла;

скорость движения воздуха, х₂= 2 балла;

влажность воздуха, х₃= 1 балл;

общее освещение, х₄= 2 балла;

продолжительность сосредоточенного наблюдения, х₅= 2 балла;

- уровень шума,х₆= балла.

Определим интегральную оценку тяжести труда определяют по формуле:

(4.13)

где

(4.14)

= (2+2+1+2+2)/5 = 1,8 (балла).

(балла).

Интегральная балльная оценка тяжести труда в 32 балла отвечает 2 категории тяжести труда.

Определим степень утомления в условных единицах:

, (4.15)

где 15,6 и 0,64 - коэффициенты регрессии.

Работоспособность человека определяется как величина противоположная утомлению (в условных единицах):

(4.16)

R= 100 - 25,6 = 74,4

Кроме того, можно определить каким образом изменение тяжести работы влияет на работоспособность человека и его производительность:

(4.17)

где - рост производительности труда, %;и R2 - работоспособность в условных единицах до и после внедрения мероприятий по охране труда, которые снизили тяжесть труда;

,2 - эмпирический коэффициент, который показывает влияние роста уровня работоспособности на производительность труда.

Определяем рост производительности труда по формуле (4.17):

Для оценки эффективности мероприятий по охране труда определяем также уменьшение тяжести труда и степени утомления:

% (4.18)

% (4.19)

Таким образом, в результате разработки мероприятий по обеспечению безопасных и комфортных условий труда, позволили повысить производительности труда, уменьшить тяжесть труда и степень утомления.

ОБЩИЕ ВЫВОДЫ

В результате выполнения дипломного проекта, были проанализированы системы анализа данных, создано техническое задание на создание программно методического комплекса для анализа полученных из хранилища данных, спроектировано и реализовано программное обеспечение для анализа данных и построения модели. При проектировании структуры системы использовались SADT-диаграммы и диаграммы UML: диаграмма классов, диаграмма последовательности. Разработана структура базы данных.

На основе JAVA-технологий создан программный комплекс, который позволяет удобно выбирать и редактировать данные до применение алгоритма анализа, выполнять посторенние модели и сохранять её в общепринятых стандартах.

Был выполнен экономический анализ эффективности от внедрения программного обеспечения. Были рассчитаны: годовая экономия текущих затрат при внедрении программного комплекса, экономический эффект, срок окупаемости капиталовложений.

Выполнен расчет условия труда, предложены мероприятия по их улучшению.

СПИСОК ЛИТЕРАТУРЫ

1. Барсегян А. А. Технологии анализа данных/А.А Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. - СПб.: Питер, 2004. - 331 с.

2. Дюк В.А. Data Mining: учебный курс/ В.А Дюк, А.П. Самойленко. - СПб.: Питер, 2001. - 250 с.

. Бусленко Н.П. Моделирование сложных систем - М.: Наука, 2007- 400 с.

4. Архипенков С. Я Хранилища данных /С. Я. Архипенков, Д. В. Голубев, О. Б. Максименко <http://www.ozon.ru/detail.cfm/ent=2&ID=116727&partner=lissianski>. - СПб.: Питер, 2002. - 275 с.

. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб: Питер, 2001. - 384с.

. Бусленко Н.П. Моделирование сложных систем - М.: Наука, 2007.- 400 с

. Советов Б.Я. Моделирование систем. Учебник для ВУЗов/ Б.Я. Советов, Яковлев С.А.. - М.: Высшая школа, 2004. - 426 с.

. Математическое моделирование: Методы, описания и исследования сложных систем / Под ред. А.А. Самарского. - М.: Наука, 2003. - 614 с.

. Бендат Дж. Прикладной анализ случайных данных/ Дж. Бендат, А. Пирсол. - М.: Мир, 1989. - 300 с.

. Елиферов В.Г. Бизнес-процессы: Регламантация и управление: Учебник/ В.Г. Елиферов, В.В. Репин. - М.: ИНФРА М, 2007. - 319 с.

. Краснощеков П.С. Принципы построения моделей/ П.С. Краснощеков, А.А. Петров. - М., МГУ, 1983. - 165 с.

. Воеводин В.В. Информационная структура алгоритмов. М.: Изд-во МГУ, 2002. - 235 с.

. Комков Н.И. Организация систем планирования и управления прикладными исследованиями и разработками / Н.И. Комков, Левин Б.И., Журдан Б.Е. - М.: Наука, 1986 - 233с.

. Гилуа М.М. Множественная модель данных в информационных системах. - М.: Наука, 2004 - 114 с.

. Алгоритмы, математическое обеспечение и архитектура многопроцессорных вычислительных систем/Под ред. В.Е. Котова, И. Миклюшко. - М.: Наука 1982. - 336 с.

. Косенко Е.Ю. Методы моделирования и проектирования распределенных информационно-управляющих систем. / Е.Ю. Косенко, Макаров С.С., Финаев В.И., Таганрог: Изд-во ТРТУ, 2004. - 198 с.

. Финаев В.И. Модели принятия решений: Учебное пособие. - Таганрог: Изд-во ТРТУ, 2005. - 118 с.

. К. Арнольд. Язык программирования Java. -М.:Вильямс, 1997. -304с.

19. Гама Э. Прийоми Об’єктно-орієнтованого проектування. Паттерни проектування / Э. Гама, Р. Хелм, Р.Джонсон, Дж. Влиссидес. - Спб. : Питер, 2011. - 368 с.

20. Косенко Е.Ю. Методы моделирования и проектирования распределенных информационно-управляющих систем. / Е.Ю. Косенко, Макаров С.С., Финаев В.И., Таганрог: Изд-во ТРТУ, 2004. - 198 с.

. Методические указания к выполнению экономической части дипломных проектов студентами специальности “Компьютерные системы проектирования” / Сост. Скибина А. В., Подгора Е. А. - Краматорск: ДГМА, 1998. - 22 с.

22. Демирчоглян Г.Г. Компьютер и здоровье - М.: Лукоморье, 1997. - 256 с.

. Жидецький В.Ц. Охорона праці користувачів комп’ютерів. - Львів: Афіша, 2000. - 176 с.

24. Навакатикян А.О. Охрана труда пользователей компьютерных видеодисплейных терминалов / А.О. Навакатикян, В.В. Кальниш, С.Н. Стрюков. - К.: Охрана труда, 1997. - 400 с.

Система анализа полученных из хранилищ данных

Система анализа полученных из хранилищ данных

ВВЕДЕНИЕ

1. ОБЩАЯ ЧАСТЬ

.1 Анализ предметной области анализ полученных из хранилища данных

1.2.1 Основа - MiningDataSpecification и MiningAttribute

1.2.2 Описание модели для анализа данных методом поиска ассоциативных правил

1.3 Сравнение существующих аналогов разработок для анализа данных полученных из хранилища данных

.3.1 Система XELOPES

1.6 Разработка технического задания на создание программно-методического комплекса для анализа полученных из хранилища данных

1.7 Логическая модель ПМК для анализа полученных из хранилища данных

1.8 Информационная модель данных ПМК для анализа полученных из хранилища данных

2 специальная часть. Разработка программного обеспечения для АНАЛИЗА ПОЛУЧЕННЫХ ИЗ ХРАНИЛИЩА ДАННЫХ

.1 Руководство пользователя ПО для анализа полученных из хранилища данных

3 ЭКОНОМИЧЕСКИЕ РАСЧЕТЫ

3.1 Расчёт капитальных затрат на создание ПМК для анализа полученных из хранилища данных с использованием библиотеки XELOPES

3.2 Расчёт годовой экономии от автоматизации работы аналитика

3.3 Расчет годового экономического эффекта

3.4 Расчет коэффициента экономической эффективности и срока окупаемости капиталовложений

3.5 Выводы по разделу

4. ОХРАНА ТРУДА

.1 Анализ опасных и вредных производственных факторов

4.2 Разработка мероприятий для обеспечения безопасных и комфортных условий труда

4.3 Расчет эффективности мероприятий по охране труда

ОБЩИЕ ВЫВОДЫ

СПИСОК ЛИТЕРАТУРЫ

Похожие работы на - Система анализа полученных из хранилищ данных