航空裝配作業疲勞監測機理研究及其裝備設計應用

張嵐云，何彥，楊靜怡，周海海，陳炳發

【院士專欄：國防裝備設計與制造】

航空裝配作業疲勞監測機理研究及其裝備設計應用

張嵐云，何彥，楊靜怡，周海海，陳炳發

（南京航空航天大學 工業設計系，南京 210000）

對航空制造業裝配操作者的疲勞檢測方法進行研究，并對疲勞監測設備提出設計策略。以人為中心的設計概念為基礎，運用實證法，通過對新手操作者和熟練操作者的肌電信號和主觀疲勞程度進行采集，整體地分析生理和主觀評價的數據，對操作者的疲勞進行評估。得出肌電信號的特征值隨著人員的疲勞而規律性地變化，其中RMS值（均方根值）和FInsm5值（由Dimitrov提出的新頻域參數）與主觀評價表現出顯著的相關性；新手操作者與熟練操作者的肌電信號也出現差異。結合RMS值和FInsm5值的聯合頻譜分析，提出一個評估肌肉疲勞的模型，包括3種肌肉狀態：肌肉激活、過渡到疲勞、疲勞到精疲力竭；提出將主觀評價標準融入疲勞檢測系統的方法；分析航空制造業裝配操作者疲勞監測設備的設計策略，包括：可穿戴設備、肌肉疲勞模型的應用策略、反饋數據形式。最后根據設計策略對一款可穿戴設備的人機交互進行了設計應用探索。

疲勞監測；可穿戴設備；交互設計；工業設計

我國航空制造業發展至今，智能制造水平有了很大的提高，這極大地提升了飛機生產效率和質量可靠性。不過，由于航空產品生產專用裝備多、工裝復雜、工藝流程多變、制造環境要求高，且具有多品種、小批量、設計制造并行等特點[1]，整個生產活動還是離不開人的參與。例如，對于結構復雜、布局緊湊的飛機零部件，狹窄的空間內進行的裝配、檢測和清理工作依然有賴于人力。航空領域的許多工序難度高，工藝復雜，在需要人工操作的情況下，對操作者的能力及效率有著極高的要求。操作者的身心狀態對航空產品的質量有著不容忽視的影響。基于此，本研究將以航空制造業裝配操作者的疲勞問題作為主題，探索疲勞監測設備的設計研究，以期操作者對自身狀態有實時的感知，以更舒適高效的方式完成作業。

1 制造業疲勞監測的發展現狀

1982年第五屆國際運動生化學術討論將疲勞定義為“機體生理過程不能持續其機能在特定水平或不能維持預定的運動強度”；心理學家認為疲勞是指“感知到個體效能降低后對完成既有工作的主觀厭惡感”；總的來說，疲勞是指持久或過度勞動后引起的機體的不適，并會導致工作效率的降低[2]，在生產和職業環境中是一個不容忽視問題。國內外學者探討了疲勞產生的原因和機理，目前研究還停留在假說階段，主要有3種比較經典的假說：力源消耗論、疲勞物質積累論和中樞系統變化論[3]。目前，與疲勞監測相關的研究大部分都集中在交通運輸領域，其他領域的疲勞研究相對較少，不過近年來隨著人因工程學的逐漸成熟，對疲勞問題的研究范圍有所拓展；同時，人體疲勞的測量對象是人，測量方法在不同行業具有通用性，仍可在文獻中發現許多對制造業疲勞監測問題研究來說有價值的研究成果。

1.1 疲勞測量方法

結合前述對疲勞的定義，人體疲勞由多個維度組成，包括生理上的疲勞和心理上的疲勞，并可將其進一步細分為肌肉性疲勞、心理性疲勞、腦力性疲勞、病理性疲勞及混合性疲勞。

疲勞測量的方法大致可以分為主觀測量和客觀測量兩種[4]，主觀測量的研究方法一般基于問卷或訪談的形式，采用自我報告來評估疲勞程度。主觀測量的方法簡單易行且費用低廉，但客觀性較差，為保證科學研究的可靠性，常見的自評量表有博格量表[5]等。研究中也常使用基于生理、行為等間接指標測量被試者的疲勞程度，常用的疲勞測量方法有心率值測定法、反應時間測定法、腦電波測定法等[6]。其中心率值測定法基于勞動強度越大，心率恢復至正常水平所需時間越長這一現象，使用勞動停止后恢復到靜息心率時間內的心跳總數來表示人的疲勞程度；反應時間測定法則基于人越疲勞，對刺激的反應就越慢這一現象，使用反應時間來測量疲勞程度；腦電波測定法則通過腦活動的直接反映，分析前后的信號變化來測定人體的疲勞程度[7]。

1.2 疲勞監測方法

疲勞監測和疲勞測量是2個不同的概念，盡管二者的測量原理可能相同，但前者對測量有著更高的要求，即對疲勞程度實時動態的感知。

在疲勞監測發展最成熟的交通運輸領域，研究者們針對疲勞駕駛問題已提出了許多方法，其中基于身體反應的監測方法是最常用也最受認可的，此方法通過監測駕駛員頭部傾斜度、身體姿勢的下垂度、眼睛閉合的頻率、駕駛員掌控方向盤的力度等的變化實時感知駕駛員的疲勞程度[8]。而在制造業的背景下，肌肉性疲勞的問題是最關鍵的。人體肌肉發生疲勞時，肌電信號的幅度和頻譜特征會發生變化，通過對電信號的分析，可以實現對肌肉疲勞的連續監測[9]。2022年，González–Zamora等[10]提出了一種基于肌電信號測量肌肉疲勞程度的實時系統，該系統使用平均頻率和功率譜密度作為肌肉疲勞測定的特征，使用線性回歸模型確定肌肉疲勞的程度，并采用了EMG（肌電圖）無線傳感器使工人的操作不受影響。

1.3 新手與熟練操作人員的比較

疲勞測量時必須考慮人口統計學變量。對于相同的任務，每個人的感覺和生理反應都是不同的[11]。在制造業疲勞測量中不能忽視的一個人口統計學變量——操作人員的熟練程度。研究人員已經確定，對于給定的任務，有經驗的操作者相比新手通常采用較低的生物力學脊柱負荷，較少的背部肌肉激活，更窄的腰椎運動范圍，更高的主觀不適閾值和心理上可接受的承重，以及在地面任務期間更大的膝關節屈曲[12]。

1.4 疲勞監測設備的反饋信號類型

疲勞監測設備在用戶達到臨界疲勞值時需要對用戶進行提醒，以避免生產或安全事故。這一過程需要設備主動發出反饋信號傳遞信息，刺激人的感覺器官。若采用合適的方式刺激人體的感覺通道就能獲得好的信息處理效果。常用的感覺通道有視覺通道和聽覺通道。在特定條件下，觸覺和嗅覺通道也有特殊用處[13]。在疲勞檢測設備中，常見的反饋信號類型包括提示消息（視覺）、提示鈴聲（聽覺）、閃爍燈光（視覺）、刺激氣味（嗅覺）、設備振動（觸覺）等。

目前制造業領域內肌肉監測相關產品較少，大多還停留在概念階段，對反饋信號的設計還不成熟。此處以駕駛疲勞監測設備為例介紹反饋信號的類型。尼桑駕駛員注意力提醒系統（Driver Attention Alert）利用轉向感傳感器實時監控駕駛狀態，當系統發現駕駛員疲勞時，會發出鈴聲，同時儀表板上會出現咖啡杯圖標和提醒駕駛員休息的提示信息[14]。福特駕駛員警報系統利用前視攝像頭來監控車輛在車道中的位置并監測駕駛員的注意力集中程度。若系統察覺駕駛員疲勞，系統將發出提示音，儀表盤屏幕會彈出警告彈窗。如果警告被忽視或者駕駛員疲勞程度加深，警告彈窗將由黃變紅，提示音會變得更急促刺耳[15]。

2 肌肉疲勞實驗研究

2.1 實驗設計和過程

本研究擬通過表面肌電信號和主觀量表來預測操作者在工作過程中的肌肉疲勞。由于航空裝配作業以人的上肢肌肉負荷為主，尤其是飛機蒙皮裝配中的鉚接，主要為肘關節和肩關節之間的肱二頭肌承載作業負荷[16]。上肢的重復作業中，肱二頭肌也是主要累及的肌肉[17]。因此為了模擬裝配作業中的主要肌肉負荷，本研究設計了上肢啞鈴卷舉實驗。被試者被要求完成至少五組坐姿孤立啞鈴卷舉，每組重復12次。實驗開始前需要重復5次動作作為熱身。對不同熟練程度的操作者，有3種啞鈴的重量可供選擇（5 kg、8.5 kg和10 kg）。被試者按照不同的實驗模式進行實驗（一半的被試者被要求選擇模式a，另一半為模式b），見圖1。

圖1 肌電實驗休息模式

具體的實驗的流程如下。

第1步，在閱讀完實驗信息表并簽署同意書后，被試者被要求選擇最適合自己能力的啞鈴重量，并被告知給定的工作模式。在肱二頭肌熱身（使用2 kg啞鈴）完后，被試者被要求坐下來并佩戴無線表面肌電信號設備直到整個過程結束（在放置表面肌電電極前，用酒精墊清潔皮膚表面）。

第2步，被試者需要完成5次重復的熱身動作和至少5組坐姿孤立啞鈴卷舉，每組重復12次，組間和組內的休息時間由他們選擇的實驗模式決定，肌電信號的采集在整個過程中一直都是持續的。每組測試結束后，被試者需要立即報告他們的主觀疲勞程度（博格量表），見表1?；贐org CR10量表的主觀性，被試者可能會根據自己的疲勞感受對自己的疲勞程度進行不同的評估，這可能會導致他們在整個實驗過程中不準確地報告自己的努力程度。為了應對這一挑戰，我們對博格量表的各個等級進行了解釋。例如，“3”表示肌肉開始疼痛，“10”表示無法舉起啞鈴。

表1 Borg CR10量表

Tab.1 Borg CR10 scale

第3步：在完成練習后，被試者被要求回答關于日常工作疲勞的半結構化問題，包括間隔的休息時間和他們日常工作的模式。

2.2 實驗被試信息

本實驗招募了20名健康男性被試者，表2顯示了被試者的信息，以及他們在給定的實驗模式下對啞鈴重量的選擇。原始表面肌電信號通過無線8通道生物信號Plux HUB采集，采樣速率為1 000 Hz。被試者測量身體質量指數（BMI）也在表2中給出。其中，新手操作者的招募標準是經過初步訓練或有興趣現場進行操作培訓的人員，熟練操作者的招募標準是在過去至少有1年進行過大重量練習的人員。

表2 被試者信息

Tab.2 Participant information

2.3 數據收集和分析方法

表面肌電信號采樣頻率為1 000 Hz，利用帶通濾波器將20～500 Hz的頻率截斷。在啞鈴彎曲時，肌肉呈現間歇性的激活狀態。Teager–Kaiser能量算子（TKEO）用于檢測肌肉激活的活動段。提取了肌電信號的活動段之后，通過Python提取計算6個肌電特征。6個肌電特征的計算原理如下。

對于振幅特征，提取了2個指標：平均絕對值（MAV值）和均方根值（RMS值）。它們由式（1）—（2）表達。

（1）平均絕對值（MAV）

（2）均方根值（RMS）

（3）過零率（ZCR）

（4）平均功率頻率（MPF）

（5）中值頻率（MDF）

（6）由Dimitrov提出的新頻率參數FInsm5

本文采用SPSS統計軟件對實驗中采集的數據進行描述性分析和統計學分析，探討肌電圖特征和主觀指標隨肌肉疲勞程度增加的變化規律。首先對所有表面肌電信號特征進行歸一化處理。其次，通過單因素方差分析對表面肌電信號特征進行獨立比較，當獲得顯著的F值時，執行Sheffe事后檢驗來檢驗平均值之間的兩兩差異。最后進行相關性分析，分析表面肌電信號特征之間的相關性，以及表面肌電信號特征與主觀測量指標之間的相關性。本文未展示半結構化訪談數據的結果。

3 肌肉疲勞實驗結果分析

3.1 總體數據實驗結果

如圖2所示，表面肌電信號的時域特征（RMS值，ZCR值，MAV值）和頻域特征（MDF值，Flnsm5值，MPF值）的表面肌電信號特征表明，肌肉的疲勞程度增加時，表面肌電信號的時域特征和頻域特征值都表現出規律性的上升或下降。RMS值的方差分析和事后檢驗結果分別表明：在前3組中，前4次重復記錄的RMS值顯著低于（<0.05）高于后4次重復，如圖2a。FInsm5的方差分析和事后檢驗結果表明：在最后3組中，前3次重復記錄的FInsm5顯著低于后3次重復（<0.05），如圖2d。

采用線性回歸法計算各個表面肌電信號特征每組的斜率。Spearman相關分析表明Borg 量表評分與RMS值的斜率具有較強的相關性（=–0.638，< 0.01），其次是Borg量表評分和FInsm5值的斜率（= 0.531，<0.01），見表3。

3.2 新手組和熟練組的對比結果

根據實驗被試者肌肉力量水平的不同，可將被試者分為新手組（所選啞鈴重量為5 kg）和熟練組（所選啞鈴重量為8.5 kg和10 kg）。新手組和熟練組的實驗結果也存在顯著差異。

如表4所示，Mann–Whitney的檢驗結果顯示，新手組和熟練組在表面肌電信號特征的數值上存在顯著差異。從表中可以看出，新手組的幅值特征比熟練組小，原因在于幅值是與肌肉的力量水平呈正相關的。而造成新手組的頻域特征與熟練組也有顯著差異的原因，基于實驗中的觀察，猜測新手組在實驗過程中發力不正確、姿勢不標準，從而造成了與熟練組之間的顯著差異。

為了研究隨著重復次數的增加，新手組和熟練組肌肉疲勞變化程度的不同，對新手組和熟練組按每組12次重復的平均值進行了回歸分析，分析的特征為時域特征RMS值和頻域特征FInsm5值。

圖2 表面肌電信號的變化（均值±標準差）

表3 表面肌電特征與Borg量表評分之間的相關性分析

Tab.3Correlation coefficients between Borg scale ratings and the slope of six sEMG features

注：*<0.05，**<0.01。

表4 新手組與熟練組各肌電特征的數值比較

Tab.4 Numerical comparison of sEMG features between novice group and skilled group

注：*<0.05，**<0.01。

如表5所示，隨著組數的增加，熟練組和新手組的RMS值的回歸系數和相關系數都在減小。但是與新手組相比，熟練組在后期RMS值的變化并不顯著，并且除第1組外，熟練組的相關性都比新手組小。由此可以看出，熟練組到達RMS值的閾值的時間比新手組短。

表5 新手組與熟練組RMS值變化趨勢比較分析

Tab.5Comparison of changing trend of RMS between novice group and skilled group

注：*<0.05，**<0.01。

如表6所示，除了新手組的第1組之外，其他組的數據都呈顯著線性增加的趨勢。對比于新手組，熟練組的上升趨勢更為明顯。新手組4–5組的變化顯著，熟練組最后3組的變化顯著?？梢钥闯?，Flnsm5值反映疲勞對于熟練組更加敏感，新手組在4–5組的趨勢相比1–3組更加明顯。

表6 新手組與熟練組FInsm5值的變化趨勢比較分析

Tab.6Comparison of changing trend of FInsm5 between novice group and skilled group

注：*<0.05，**<0.01。

4 肌肉疲勞模型構建

4.1 疲勞模型的構建原理

現有研究表明，表面肌電信號幅值的增加與肌肉力量[13]高度相關，頻譜的偏移是肌肉疲勞[17]的典型標志。發現在前3組中，RMS值隨著肌肉力量的增加而顯著增加，后2組沒有明顯變化。另一方面，最后3組的FInsm5值明顯增加，這被認為與疲勞的增加高度相關。同時與其他表面肌電信號特征相比，每組的RMS值和FInsm5值的斜率與Borg量表評分的相關性更高。因此，結合RMS值和FInsm5值的聯合頻譜分析，提出了3種疲勞狀態：肌肉激活，過渡到疲勞，疲勞到精疲力竭。模型來評估肌肉疲勞水平，見圖3。

1）肌肉激活（RMS值的斜率>0.1，FInsm5值的斜率<0.15），此階段肌肉力量增加，無肌肉疲勞。

2）過渡到疲勞（RMS值的斜率>0.1，FInsm5值的斜率>0.15），此時肌肉力量增加，肌肉疲勞增加。

3）疲勞至力竭（RMS值的斜率<0.1，FInsm5值的斜率>0.15），此階段肌肉力量下降，肌肉疲勞增加。

圖3 基于RMS值的斜率和FInsm5值的斜率的疲勞模型

如圖3所示，軸和軸分別表示每組的RMS值的斜率和FInsm5值的斜率。例如，如果某組的RMS值得斜率大于0.1，FInsm5值的斜率小于0.15，框架就會判定該組的肌肉狀態為肌肉激活。

疲勞模型中的閾值可以根據用戶的使用數據進行調整?；谑占臄祿?，發現博格尺度評分在0–3的組，其RMS值的斜率大多大于0.1；博格評分大于7的組，其RMS值的斜率大多小于0.1。所以決定將0.1設置為軸（RMS軸）的閾值。FInsm5值的斜率閾值的確定方法與RMS值類似?？偟膩碚f，閾值應該可以根據不同的用戶和同一用戶的不同肌肉表現自動調整。在實際的場景中，隨著實驗疲勞監測設備用戶的增加，會收集該用戶的大量數據。因此，疲勞模型中的閾值理論上可以自動調整。

為了測試該疲勞模型，將使用Borg量表的評分作為標簽。根據博格量表的評分，將0–3定義為肌肉激活，4–6定義為過渡到疲勞，7–10定義為疲勞至力竭。在圖4中，3種不同顏色的點代表博格等級的不同范圍。我們將實驗數據放到這個框架中，軸上的每個點代表了1個組的Borg量表評分。

圖4 模型中代表每組的點

準確率的計算方法是將落在相應顏色區域的點的數量除以點的總數。64.29%的0–3的Borg評分被判斷為肌肉激活；55.56%的4–6的Borg評分被判斷為過渡到疲勞；而在7–10的Borg評分中，有61.29%被認定為疲勞至力竭，見表7所示。準確率可以通過不同的方法進一步測試，如機器學習算法。另一方面，主觀感受（即Borg量表的評分）也可以對疲勞模型中的閾值產生影響，而不是僅作為檢驗準確率的參考標準。

表7 3種狀態的識別率（%）

Tab.7Accuracy of identifying three states

4.2 新手和熟練操作者的疲勞模型

由于新手操作者組和熟練操作者組的RMS、FInsm5在數值和斜率上存在一些差異。對于RMS值，與新手組相比，熟練組的整體斜率更偏低一些，在中度疲勞（Borg為3–6）時熟練操作者更低，因此預計將新手肌肉疲勞模型中的RMS值的斜率的閾值調高為0.15，熟練組模型中的RMS值的閾值適當調低為0.05。對于FInsm5值，與新手組相比，熟練組的整體斜率更偏高一些，因此預計將新手組肌肉疲勞模型中的FInsm5值的閾值適當調低為0.1，熟練組適當調高為0.2。

調整完肌肉疲勞模型框架中的閾值之后，將新手組和熟練組對應的組帶入各自不同閾值的疲勞模型中計算準確率，結果（見表8）顯示識別準確率與原先相比有所下降，由于新手組和熟練組的疲勞模型中只有25個數據，可能是由于樣本量減小造成了準確率的下降，需要進一步研究不同肌肉力量水平對應的模型閾值。

表8 新手組和熟練組不同閾值下3種狀態的識別率（%）

Tab.8 Recognition rate of three states in novice group and skilled group under different thresholds %

5 肌肉疲勞監測設備設計策略及其應用

隨著航空制造業復雜程度的提高，腦力作業及心理緊張性作業的負荷加重。在這種情況下，為達到最佳的人機匹配，設計者需要了解感覺器官功能的限度和能力，以及使用時可能出現的疲勞程度[13]。實時監測操作者的肌肉疲勞情況是必要的。肌肉疲勞的評估和測量既是一項技術也是一項服務，它需要設計專門的交互形式，可應用在操作者可穿戴設備上，具體如下。

5.1 可穿戴設備的思考

技術進步為可穿戴電子設備的產品設計、操作效率和使用體驗帶來新的機遇。例如在航空裝配場景下，飛機部件鉚接裝配，操作者需要長時間保持同一姿勢或重復同一過程，即使擁有外骨骼機器人的輔助，操作者的肌肉疲勞狀況依然需要密切關注、監測。目前市場上已有大量監測類可穿戴設備，包括監測運動的智能手表、用于分析用戶睡眠模式的健身手環，以及監測溫度、心率和水合水平的靈活貼片設備[18]。雖然這些設備并沒有應用于肌肉疲勞的領域，但已經展現了可穿戴設備的巨大潛力。在專為科學研究和運動學研究領域，現在已經有一些用于測量肌肉活力和被激活狀態的可穿戴設備[19]，但這些設備不能對肌肉的疲勞進行評估和反饋。因此，本文提出針對專用于航空裝配過程中的疲勞監測可穿戴設備是值得研究和開發的。

5.2 肌肉疲勞模型的應用策略

本文提出的疲勞模型旨在評估肌肉重復舒張背景下的疲勞。該模型可以通過分析原始肌電信號來幫助了解人們的肌肉狀況。“肌肉激活”狀態可以幫助操作者了解是否進入工作狀態，“疲勞至力竭”狀態可以防止操作者過度疲勞。在實際應用中，閾值可以通過從操作者前2到3次重復中收集的數據來確定，并且隨著肌肉激活、肌肉力量和疲勞程度的增加，模型中的閾值應該能夠相應地調整。此外，主觀數據可以通過2種不同的方法參與到肌肉疲勞評估中。第1種，主觀報告作為標簽來調整模型，并間接影響疲勞評估結果；第2種，主觀報告作為輸入，直接影響疲勞評估結果。

5.3 反饋信號的設計

可穿戴設備能為佩戴者提供實時反饋。實時反饋的目的是讓操作者在裝配任務期間對其的姿勢和運動行為有更好的自我意識，并促進改變、減輕或管理肌肉的骨骼損傷。視覺反饋是大多數設備的主要選擇[20]，振動觸覺或聽覺反饋策略不需要視覺刺激，這對一些需要持續視覺注意的任務，例如本文的場景，可能是首選。然而，視覺反饋可以通過更詳細地可視化操作者的運動來增強的學習。工作場所環境中的聲音反饋可能不切實際，并會引起潛在的混淆效應。在對航空裝配過程中的肌肉疲勞監測設備設計思考時，需要整體考慮。

5.4 可穿戴設備的人機交互設計應用

課題組設計了飛機裝配操作者可穿戴疲勞監測系統的外觀和交互系統，由可穿戴手環和操作者疲勞信息軟件2部分組成，見圖5。首先，關于可穿戴形式的思考，對產品加綁帶的形式進行了選擇，不同長度的綁帶可以適宜不同的肌肉部位，且穿戴簡單、易于使用。其次，關于肌肉疲勞模型的應用策略，根據疲勞模型將操作者的疲勞程度分成了3類，即肌肉激活、過渡到疲勞、疲勞；產品可以根據采集到的肌電信號來判斷操作者的疲勞狀態。再次，針對不同肌肉力量、不同熟練程度的操作者，模型的閾值與系統推薦的休息時間也是不同；針對新手和熟練操作者在實驗中表現出來的疲勞數據不同，本設計對2類人群進行了模型的相應修改和閾值的調整；在設計的界面中，操作者也可以查看自己在裝配作業過程中疲勞程度的變化和系統給出的建議。最后，關于反饋信號的設計，為模型中3種不同疲勞狀態設計了不同的指示燈和振動程度，當操作者達到不同的疲勞程度時，系統會即時反饋不同顏色的燈光，并且當達到疲勞狀態后會發出振動以提醒休息。

圖5 飛機裝配操作者可穿戴疲勞監測系統造型和界面設計

Fig.5Productand interface design of wearable fatigue monitoring system for aircraft assembly operators

6 結語

航空領域的許多工序難度高、操作復雜，對操作者有著極高的要求。操作者的疲勞狀態對工作效率有著不容忽視的影響。因此，對航空制造業裝配操作者疲勞監測設備的研究是一個很重要的課題。本文通過肌肉疲勞實驗，對新手和熟練操作者的肌電信號和主觀疲勞程度進行采集，整體地分析了生理和主觀評價的數據?；趯嶒灥慕Y果，提出了基于肌電信號時域和頻域特征的肌肉疲勞模型，初步檢測了其準確率，并分析了如何將主觀評價標準融入疲勞檢測系統的方法。

在實驗的基礎上，本文從可穿戴設備、肌肉疲勞模型的應用策略、反饋數據形式等3個方面分析了航空制造業裝配操作者疲勞監測設備的設計策略，并根據設計策略對一款可穿戴設備的人機交互進行了設計應用探索。

[1] 王國磊, 吳丹, 陳懇. 航空制造機器人現狀與發展趨勢[J]. 航空制造技術, 2015, 58(10): 26-30.

WANG Guo-lei, WU Dan, CHEN Ken. Current Status and Development Trend of Aviation Manufacturing Robot[J]. Aeronautical Manufacturing Technology, 2015, 58(10): 26-30.

[2] 楊奎. 鐵路列車調度員疲勞機理與發展規律研究[D]. 成都: 西南交通大學, 2017.

YANG Kui. Mechanism and Developing Law of Railway Dispatchor’s Fatigue[D]. Chengdu: Southwest Jiaotong University, 2017.

[3] 謝曉莉. 駕駛疲勞生成機理研究[D]. 北京: 北京工業大學, 2010.

XIE Xiao-li. Study on Driving Fatigue Formation Me-chanism[D]. Beijing: Beijing University of Technology, 2010.

[4] SEDIGHI MAMAN Z, ALAMDAR YAZDI M A, CAV-UOTO L A, et al. A Data-Driven Approach to Modeling Physical Fatigue in the Workplace Using Wearable Sensors[J]. Applied Ergonomics, 2017, 65: 515-529.

[5] TROIANO A, NADDEO F, SOSSO E, et al. Assessment of Force and Fatigue in Isometric Contractions of the Upper Trapezius Muscle by Surface EMG Signal and Perceived Exertion Scale[J]. Gait & Posture, 2008, 28(2): 179-186.

[6] 徐騰. 制造業線上工人作業疲勞影響因素綜合評價研究[D]. 淮南: 安徽理工大學, 2017.

XU Teng. Research on Comprehensive Evaluation of Factors Influencing Fatigue of Workers’ Job in Manufacturing Industry[D]. Huainan: Anhui University of Science & Technology, 2017.

[7] 曾志康. 用于精神疲勞監測的多模態表皮電子傳感器研究[D]. 武漢: 華中科技大學, 2020.

ZENG Zhi-kang. Research on Multi-Modal Epidermal Electronic Sensor for Mental Fatigue Monitoring[D]. Wuhan: Huazhong University of Science and Technology, 2020.

[8] 黃瀚敏. 基于汽車駕駛員疲勞狀態監測技術的汽車主動安全系統研究[D]. 重慶: 重慶大學, 2007.

HUANG Han-min. Based on Detecting Driver’s Fatigue Status of Vehicle Active Safety[D]. Chongqing: Chong-qing University, 2007.

[9] 唐曉. 基于表面肌電的運動單位活動特性分析及應用[D]. 合肥: 中國科學技術大學, 2021.

TANG Xiao. Analysis and Application of Motor Unit Activities Derived from Surface Electromyography[D]. Hefei: University of Science and Technology of China, 2021.

[10] GONZáLEZ-ZAMORA P, BENITEZ V H, PACHECO J. A Feature-Based Processing Framework for Real- Time Implementation of Muscle Fatigue Measurement [J]. Cluster Computing, 2022: 1-10.

[11] LAMBAY A, LIU Ying, JI Ze, et al. Effects of Demographic Factors for Fatigue Detection in Manufacturing[J]. IFAC-PapersOnLine, 2022, 55(2): 528-533.

[12] CHEN Yi-lang. Effects of Work Experience and Exertion Height on Static Lifting Strengths and Lift Strategies of Experienced and Novice Female Participants[J]. International Journal of Industrial Ergonomics, 2014, 44(5): 607-614.

[13] 丁玉蘭. 人機工程學[M]. 4版. 北京: 北京理工大學出版社, 2011.

DING Yu-lan. Human engineering[M]. 4th ed. Beijing: Beijing Insititute of Technology Press, 2011.

[14] Nissan. Driver Attention Alert System[EB/OL]. (2015-07- 25)[2022-07-13]. https://www.nissanusa.com/experience- nissan/news-and-events/drowsy-driver-attention-alert-car- feature.html

[15] Ford. What Is the Ford Driver Alert System?[EB/OL]. (2021-04-22)[2022-07-13]. https://www.ford.com/ support/how-tos/ford-technology/driver-assist-features/ what-is-the-driver-alert-system/.

[16] 張永建, 景世才, 唐健鈞, 等. 面向飛機總裝的人機工程仿真技術[J]. 航空制造技術, 2018, 61(20): 96-101.

ZHANG Yong-jian, JING Shi-cai, TANG Jian-jun, et al. Ergonomic Simulation Technology for Aircraft Final Assembly[J]. Aeronautical Manufacturing Technology, 2018, 61(20): 96-101.

[17] 張非若, 丁嘉順, 戴文濤, 等. 重復作業上肢肌肉疲勞的表面肌電實驗研究[J]. 工業衛生與職業病, 2007, 33(1): 5-8.

ZHANG Fei-ruo, DING Jia-shun, DAI Wen-tao, et al. Experimental Study on Muscle Fatigue of Upper Limbs during Repetitive Performance by Using sEMG[J]. Industrial Health and Occupational Diseases, 2007, 33(1): 5-8.

[18] BARNES K, KAUFFMAN V, CONNOLLY C. Health Wearables: Early Days[R]. Delaware: Pricewater House Coopers LLP 2014.

[19] Cometa. PicoEMG[EB/OL]. (2021-06-22) [2022-07-13]. https://www.cometasystems.com/products/picoemg.

[20] LEE R, JAMES C, EDWARDS S, et al. Evidence for the Effectiveness of Feedback from Wearable Inertial Sensors during Work-Related Activities: A Scoping Review[J]. Sensors, 2021, 21(19): 6377.

Investigating Fatigue Assessment Mechanism for Aviation Manufacturing and Application of the Device Design

ZHANG Lan-yun, HE Yan, YANG Jing-yi, ZHOU Hai-hai, CHEN Bing-fa

(Department of Industrial Design, Nanjing University of Aeronautics and Astronautics, Nanjing 210000, China)

In aviation manufacturing industry,fatigue is a common problem among operators. In order to monitor operators's muscle fatigue, sEMG signal and self-perceived fatigue level are collected between novice and skilled operators. The collected data are further analyzed. It is found that a few sEMG features indicated directional changes with the increase of dynamic muscle fatigue. Spearman correlation analysis indicates that Borg ratings have strong correlations with RMS and FInsm5slopes. Significant differences in the sEMG signals between novice and skilled operators are found. Combined with experimental results, a model is proposed for muscle fatigue assessment. Furthermore, design implications to guide fatigue monitoring devices are discussed for aviation manufacturing workers: design of wearable device, how to apply the proposed model to assess muscle fatigue, and the design of the feedback signal. At last, the design and application of a wearable device for human-computer interaction in this context is explored.

fatigue detection; wearable device; interaction design; industrial design

TB472

A

1001-3563(2022)16-0001-09

10.19554/j.cnki.1001-3563.2022.16.001

2022–07–15

江蘇省雙創博士基金（JSSCBS20210190）；南京航空航天大學科研基金（56YAH20099）；南京航空航天大學前瞻布局科研專項（ILA22060）

張嵐云（1988—），女，博士，講師，主要從事人機交互設計與研究。

陳炳發（1963—），男，碩士，教授，主要從事人機工程與交互、CAD&CG等研究。

責任編輯：陳作