非標配電柜手工裝配作業腦力負荷分析

劉巍巍, 丁子健, 林 強

(1. 沈陽工業大學 機械工程學院, 沈陽 110870; 2. 沈陽北瑞科技有限公司, 沈陽 110027)

配電柜大多以非標柜個性定制為主,其內部設計會根據配電柜配套產品或應用場景的不同而不同,裝配工藝區別較大,導致其自動化裝配成本遠高于人工裝配成本[1].配電柜裝配為上臂用力為主的輕體力手工裝配,體力消耗相對較低,對操作者的經驗要求較高.操作者在信息的感知、理解、處理和預測等方面存在信息處理資源的消耗,加大了手工操作的復雜性及裝配者腦力負荷水平[2],因此,監測并評估其腦力負荷,確定引起腦力負荷過高或上升過快的關鍵因素,可為非標配電柜手工裝配作業的優化提供理論依據.

手工裝配作業者腦力負荷評估方法主要有等效評估和直接評估兩種.等效評估具有簡單、省時的優點,但因腦力負荷衡量尺度較難統一,而無法確定影響腦力負荷變化的具體因素.直接評估通過采集腦生理信號來評估腦力負荷.高龍龍[3]根據大腦的前額葉皮層與雙側運動皮層的響應機理,使用近紅外光譜技術對不同腦力負荷水平的重復裝配任務進行了相關研究.葛倩[4]采用樂高小汽車裝配模擬單元裝配線裝配作業,采集裝配者腦電波(EEG),以此分析腦力負荷與績效的關系.直接評估法能夠根據生理指標分析出影響腦力負荷變化的具體因素,但實驗室模擬環境未能反映生產現場操作者生理信號受外在干擾因素的影響程度,與實際生理信號數據偏差較大.

本文于配電柜裝配現場采集了配電柜手工裝配人員裝配過程中的EEG信號,分析不同頻率范圍內EEG的變化情況,探究裝配過程中操作者的腦力負荷變化,以期預測裝配者精神疲勞狀態,避免裝配錯誤的發生.本文方法可為配電柜手工裝配作業提供指導方法.

1 實驗設計與流程

EEG信號按照頻率可分為δ波(0.5～3.5 Hz)、θ波(4～8 Hz)、α波(8～12 Hz)、β波(13～30 Hz)和γ波(大于25 Hz)5種腦波[5].α波能量大小會隨著人體放松程度的增加而增加;當執行使人腦力勞動增加的任務時,α波會逐漸減少,同時與神經活動有關的β波能量開始增加;θ波能量會隨著成人困意或疲倦感的增加而增加;而δ波一般會在成人處于麻醉、沉睡或缺氧狀態時出現;γ波會在注意重點放在刺激源上時出現,并且持續時間非常短[6].識別、分析與量化不同頻率范圍內的EEG數據能夠精確反映被試人員警覺性、注意力和腦力負荷隨時間發生的變化規律,非常適合手工裝配人員腦力疲勞狀態監測等方面的研究應用.

基于此,本實驗通過現場采集電氣柜手工裝配人員在裝配過程中的EEG信號,研究其不同頻率范圍的EEG信號能量變化規律以及對裝配人員的腦力負荷進行定量評估.

1.1 被試人員與設備選擇

調查表明,個體差異和超過3年的工作經驗對配電柜裝配作業過程影響不大[7].因此,被試者為12位擁有4～5年以上工作經驗的裝配人員,男性,平均年齡31.2歲,均為右利手,無臨床神經系統疾病,視力或矯正視力正常,聽力正常.所有被試人員要求實驗前24 h內不飲酒、不吃藥物,精神情緒正常.所有被試人員均自愿報名參加且合作態度積極,在知曉實驗安全無害并了解實驗流程后,均簽署了《實驗知情同意書》.

腦電采集設備采用便攜式Ant Neuro EEProbeTMEegosportsTM64非侵入性腦電儀12臺,每臺腦電儀包括非侵入性eegosportsTM電極帽、eegosportsTM信號同步放大器、eegosportsTM背包、eegosportsTM超極本、eegosportsTM觸發適配器、BNC觸發適配器.

實驗所用配電柜為BR公司12組大小相似但內部結構互不相同的GCS型抽屜式非標配電柜.裝配過程中所需電氣元件、安裝輔材器具等均按需準備齊全,分類放置于可移動物料小車內.裝配現場的溫度、光照與噪聲等均保持適宜穩定.

1.2 實驗過程

實驗前,所有被試者進行無任何化學洗護用品的頭部清潔,清潔后靜坐15 min進行精神放松,同時對EEG電極帽進行清洗與消毒.放松完畢后,所有被試者按照“國際10-20系統電極放置方式”佩戴EEG電極帽,并對每個電極依次打入適量醫用導電膏.

實驗中,每位被試者采取抽簽的方式隨機抽選一臺配電柜進行手工裝配,裝配工藝大致分為孔位測量并標記、打孔等6項,具體如圖1所示.在裝配任務進行的同時同步對裝配者EEG信號進行記錄,并且在每一個裝配單元架設攝像機,全程記錄整個實驗過程,以方便后續對不同工序時間、行為等數據的分析.被試者裝配時盡可能減少眨眼、咀嚼、咬牙等無關行為.每步工序設定最晚完成時間與獎勵完成時間,獎勵完成時間內完成給予被試者額外現金獎勵,超過最晚完成時間則立即停止裝配并終止EEG的記錄.裝配完成后停止EEG采集,對配電柜進行外觀布線打分、電氣元件安裝規范性檢測、線路通斷檢測,具體檢測結果如表1所示.整個實驗過程歷時4 h,其中裝配過程3.2 h,檢測過程0.8 h.

表1 檢測結果

圖1 配電柜裝配工藝圖

1.3 流程設計

12位被試者EEG采集完畢后,首先進行EEG數據預處理,剔除原始數據中的偽跡干擾;其次通過時頻分析提取出EEG信號中所蘊含的不同頻率范圍內的EEG時頻信息;最后通過數據可視化的方式將EEG和腦力負荷變化規律同配電柜裝配檢測結果進行對比,分析出腦力負荷變化因素與易出現裝配錯誤的腦力負荷閾值.研究具體流程如圖2所示.

圖2 研究流程圖

2 EEG信號采集及預處理

2.1 信號數據采集

由于第3、第5、第9三位被試者EEG信號存在偽跡過多、超出最晚完成時間等問題,故將三者EEG刪除,剩余9位被試者EEG信號均為64電極通道,1 024 Hz采樣率,無壞段與壞電極,每個信號長度在10 790～11 320 s之間.

2.2 數據預處理

EEG數據使用EEGLAB進行預處理.首先,由于被試者在實驗過程中未額外佩戴外接眼電電極,因此刪除設備外接EOG眼電通道;其次,采用FIR濾波器進行帶通濾波處理,截取并保留頻率范圍為0.3～40 Hz的EEG信號;最后,以全腦63個電極平均作為參考電極后,對EEG信號進行獨立成分分析(ICA),進一步剔除掉眼電、肌電等偽跡干擾成分.ICA分析結果如圖3所示.

圖3 ICA結果地形圖

3 基于小波包分解的時頻分析

3.1 方法選取

小波分析作為傅里葉分析的發展與延拓,小波變換在時間與頻率兩域都具有表征信號局部特征的能力,通過小波變換對信號進行多尺度細化分析,能夠有效地從信號中提取信息[8].小波包分解作為離散小波變換的進一步優化,能夠彌補小波變換只對低頻信號分解,不再對高頻信號分解的缺點,并且小波包分解能根據信號特性和分析要求自適應地選擇相應頻帶,從而與信號頻譜相匹配,是一種比小波分解更為精細的分解方法,是EEG時頻分析的最佳方法之一[9].因此本文擬采用小波包分解對EEG信號進行時頻分析.

3.2 小波包分解與重構

3.2.1 小波包分解

(1)

(2)

由于EEG信號采樣率為1 024 Hz,因此對其進行7層小波包分解,其中,小波函數采用多貝西小波,消失矩為10,采用的熵為香濃熵,分解后得到128個小波包子帶,每個小波包子帶對應的頻率范圍如表2所示.小波包分解示意圖如圖4所示.

表2 小波包分解最底層頻帶劃分

圖4 小波包分解樹示意圖

小波包變換中的每一層信號都被分解成低頻和高頻部分[10].7層小波包分解之后的EEG信號S可以表示為S=S(7,0)+S(7,1)+S(7,2)+S(7,3)+S(7,4)+S(7,5)+S(7,6)+S(7,7)+S(7,8)+S(7,9).

5種EEG波段分別對應的小波包系數為δ波=S(7,0);θ波=S(7,1);α波=S(7,2);β波=S(7,3)+S(7,4)+S(7,5)+S(7,6);γ波=S(7,7)+S(7,8)+S(7,9).

3.2.2 小波包重構

EEG信號的子帶范圍會在小波包分解的過程中發生一次顛倒,分解后的各EEG小波包子帶中會夾雜少量在該頻率范圍之外的高頻信號.因此,本文選擇小波包子帶節點S(7,0)～S(7,6)進行小波包重構,重構并按照不同波段合并子帶后的EEG信號如圖5所示.

圖5 重構后的EEG各節律波

3.3 時頻分析

繪制重構后的EEG小波包子帶時間頻率圖與能量占比圖,分別如圖6～7所示.圖6中顏色沒有意義,深淺程度代表相應波段能量的大小.

圖6 時間頻率圖

圖7橫坐標數字從左至右依次為S(7,0)～S(7,9).由圖7可以看出,θ波、α波、β波能量分別約占總能量的12%、20%、67%,δ波與γ波能量總和占比小于1%.

圖7 各頻率段能量占比圖

4 腦力負荷模型建立

綜合圖6～7,每一位被試者EEG信號均包含大量θ波、α波與β波,且能量大小隨時間的變化而變化.此外,配電柜裝配者未達麻醉、沉睡、缺氧等特殊狀態且裝配過程未有額外刺激源,因此忽略δ波與γ波.目前研究表明,當腦力疲勞程度加深吋,大腦皮層受到抑制,EEG快波含量增加,慢波含量減少[11].因此,本文提出將快波θ波與β波的能量之和與慢波α波能量的比值作為評估腦力負荷指標模型,其表達式為

(3)

5 實驗結果與分析

5.1 實驗結果

首先,運用Fieldtrip工具,將9位被試者EEG信號分別以10 s為間隔提取θ波、α波、β波能量大小.其次,繪制每一位被試者EEG各波段能量隨時間變化曲線圖.接著,將9位被試者EEG能量變化曲線以多項式擬合和的形式擬合出一條變化曲線.三條擬合曲線顯著性水平均小于0.05,R2(COD)分別為0.86、0.89、0.90,說明擬合較為優越.利用三條擬合曲線構建并繪制腦力負荷變化曲線,具體如圖8所示.最后,根據腦力負荷曲線變化趨勢,將腦力負荷曲線分成五個階段,同時對應腦力負荷分段將EEG各波段變化曲線分成相同的五段.EEG各波段能量變化曲線如圖8所示,腦力負荷變化曲線如圖9所示.

圖8 EEG各波段能量變化曲線

圖9 腦力負荷變化曲線圖

5.2 結果分析

5階段EEG各波段曲線與腦力負荷曲線的具體分析如下.

5.2.1 第1階段

第1階段對應裝配工藝為孔位測量標記與打孔前200 s.首先,在配電柜手工裝配剛開始,即0時刻時,裝配者MWL值約為0.1,并且腦內含有0.49 V的α波、0.05 V的θ波和接近0 V的β波.可知15 min靜坐在實驗前非常有效地放松了裝配者精神狀態,此時少量θ波是由于裝配者輕微的困意而非疲勞所導致.

其次,在裝配者開始裝配后,MWL在前500 s由0.1上升至0.6,隨后緩慢下降至0.5,并保持相對平穩.θ波能量在前900 s內緩慢降低至接近0 V保持至1 200 s后,開始上升;α波能量在約500 s時下降至約0.45 V,之后保持相對平穩;β波能量在700 s左右迅速上升至0.25 V,在710～1 430 s下降至0.20 V.

由上述數據變化可知,第1階段裝配者精神疲勞程度較低,MWL穩定保持低水平.該階段前半段裝配者精神放松程度由較高水平開始降低,腦神經活動強度開始增加;后半段裝配者依舊穩定保持放松的精神狀態,腦神經活動強度有所減少.

5.2.2 第2階段

第2階段對應裝配工藝為打孔、元件安裝、布線和接線前500 s.MWL由0.5上升至1.75,MWL曲線上升斜率為3.5;θ波在打孔和元件安裝過程中由0.02 V上升至0.1 V,在布線和接線過程中緩慢上升至0.125 V;α波則在整個階段由0.48 V大幅下降至0.32 V;β波在打孔過程中緩慢上升至0.21 V,在元件安裝、布線、接線過程中大幅上升至0.446 V.

由上述數據變化可知,第2階段裝配者精神疲勞程度開始變大,MWL開始大幅上升.精神放松程度在整個階段內均大幅下降,腦神經活動強度在元件安裝、布線、接線三個過程中開始大幅提升,在打孔和元件安裝過程中累計作業疲勞開始增加.根據實驗檢測結果,有5位被試者在此階段元件安裝不正確,表明發生裝配錯誤的幾率在41.7%,故需注意裝配者腦力負荷的變化,采取相應預防措施.

5.2.3 第3階段

第3階段對應裝配工藝為接線,主要為主回路接線過程.腦力負荷由1.75上升至2.7,MWL曲線上升斜率為0.19;θ波在整個階段由0.125 V大幅上升至0.25 V;α波在整個階段保持相對平穩;β波由0.48 V小幅上升至0.52 V.

由上述數據變化可知,第3階段裝配者精神疲勞程度變化不大,MWL上升幅度較小.精神放松程度與腦神經活動強度均保持穩定,累積作業疲勞持續大幅增加.同時實驗檢測結果顯示,在此階段未有接線錯誤的現象出現.

5.2.4 第4階段

第4階段對應裝配工藝為接線,主要為主回路、輔助回路接線.MWL在整個階段由2.7上升至5,MWL曲線上升斜率為0.42;θ波在整個階段由0.25 V持續上升至0.38 V;α波由0.28 V下降至0.24 V;β波由0.52 V上升至0.69 V.

由上述數據變化可知,第4階段裝配者精神疲勞程度開始大幅增加,MWL在較高水平的基礎上仍上升較快,精神放松程度以一定程度小幅下降,腦神經活動強度在高水平基礎上持續大幅上升,累積作業疲勞持續大幅增加.同時根據實驗檢測結果,有5位被試者在此階段出現共計5條線路接線錯誤,表明應在第4階段對裝配者高水平且持續上升的腦力負荷密切關注,并采取相應的預防措施.

5.2.5 第5階段

第5階段對應裝配工藝為接線,主要為輔助回路接線與線纜固定.MWL在整個階段由5上升至7.8,MWL曲線上升斜率為1.04;θ波在整個階段由0.38 V持續上升至0.475 V;α波由0.24 V下降至0.16 V;β波由0.69 V小幅上升至0.73 V.

由上述數據變化可知,第5階段裝配者精神疲勞程度持續大幅增加,腦力負荷在高水平基礎上仍繼續大幅上升,身心放松程度在較低水平上持續下降,腦神經活動強度在高水平基礎上進一步持續上升,累積作業疲勞持續大幅增加.同時根據實驗檢測結果,在此階段有7位被試者出現共計11條線路接線錯誤,表明在第5階段應密切關注裝配者高水平且持續上升的腦力負荷,并采取相應預防措施.

6 結 論

本文通過分析得出以下結論:

1) 本文通過采集非標配電柜裝配現場操作者EEG信號,利用小波包分解提取其中的θ波、α波和β波,根據EEG信號各波段的擬合曲線建立出腦力負荷模型;通過腦力負荷變化曲線判斷腦力負荷閾值和腦力負荷指數的閾值.為非標配電柜手工裝配信號采集與腦力負荷分析方法提供了理論支持.

2) 本文根據腦力負荷變化曲線,劃分腦力負荷的不同變化階段,對照實際裝配檢測結果,確定易出現裝配錯誤的階段;通過對應階段的EEG分析,明確了影響腦力負荷指數變化的關鍵性因素.本文研究結果與實際檢測結果相一致,驗證了該方法的有效性,可進一步應用到輕體力手工裝配作業優化的實踐指導中.

3) 本文只采用EEG為腦力負荷評估依據,后續采用腦磁圖(MEG)、近紅外光譜(fNIRS)等多項腦神經生理信號評估腦力負荷.