Antropometrisk utformning vid

ergonomisimulering

Kandidatarbete i Produkt- och produktionsutveckling

HERMAN ERIKSSON VICTOR LÖFGREN Institutionen för Produkt- och produktionsutveckling Avdelningen för produktionssystem

CHALMERS TEKNISKA HÖGSKOLA Göteborg, Sverige 2008 Kandidatarbete 2008:06

KANDIDATARBETE 2008:06

Antropometrisk utformning vid ergonomisimulering

Kandidatarbete i Produkt- och produktionsutveckling

HERMAN ERIKSSON

VICTOR LÖFGREN

Institutionen för Produkt- och produktionsutveckling Avdelningen för produktionssystem

CHALMERS TEKNISKA HÖGSKOLA Göteborg, Sverige 2008

Antropometrisk utformning vid ergonomisimulering Kandidatarbete i Produkt- och produktionsutveckling

HERMAN ERIKSSON VICTOR LÖFGREN

© Herman Eriksson och Victor Löfgren, 2008

Kandidatarbete 2008:06

Institutionen för Produkt- och produktionsutveckling Avdelningen för produktionssystem

Chalmers tekniska högskola

SE-412 96 Göteborg Sverige Telefon: + 46 (0)31-772 1000

Tryckeri /Institutionen för Produkt- och produktionsutveckling Göteborg, Sverige 2008

Sammanfattning

Produktutvecklare använder sig mer och mer av datorbaserade program vid ergonomisimulering, för att undersöka hur väl en produkt eller en miljö passar för den önskade målgruppen. I datorprogrammen används manikiner som är modeller av människor. För att utforma dessa manikiner finns olika metoder och två av dessa är percentil- samt familjmetoden. I projektet har dessa metoder testas med olika experiment för att utvisa när och hur de lämpliga att använda. Studier med hjälp av datorprogrammet Jack har visat att funktionen som skapar en familj av manikiner i Jack, Principal component manikins, inte fungerar tillfredställande. Funktionen kan inte anpassa familjen till den målgrupp man önskar. Det har medfört att en annan metod använts för att framställa gränsmanikiner kallad gränsmanikinmetoden. Flera gränsmanikiner bildar en familj. Metoden är baserad på tidigare forskning. Percentilmetoden tar inte hänsyn till att människor har olika kroppsproportioner, vilket dock gränsmanikinmetoden gör. Detta leder till att percentilmetoden fungerar bra då man designar produkter eller miljöer som endast har ett kritiskt mått. Är de kritiska måtten två fungerar percentilmetoden dåligt och den fungerar sämre och sämre ju fler kritiska mått man har i sin ergonomisimulering. Gränsmanikinmetoden används med fördel för ergonomisimuleringar som har två eller tre kritiska mått. Metoden fungerar även för ett kritiskt mått men innebör då överflödigt arbete. Arbetet har utförts under vårterminen 2008 på institutionen för Produkt- och produktionsutveckling vid Chalmers Tekniska Högskola, Göteborg.

Abstract

Product developer uses computer aided programs for simulation, more often nowadays, to examine whether a product or environment fit as wished for target of a population. The computer program use manikins as models for humans. To design these manikins there are several different methods. Two of them are percentile- and family method which are tested in different experiments to indicate when and how they are appropriate for a design task. By using Jack the study has shown that the function, Principal component manikins, which create families of manikins in Jack seem to not operate satisfactory. The function can not accommodate a family to the wished target. Therefore a new method, boundary manikin method, has been developed to create boundary manikins. Several boundary manikins create a family. The method is based on previous research. The percentile method does not take to consideration that people has different body proportions, which the method of boundary manikins does. It leads to that percentile method operate just fine when there is only one critical measure (one dimensional) for the product or environment. The backside of this method is that it does not work well when the number of critical values is two or more. The more critical values, the less useful is the method to construct manikins. The boundary manikin method is used with advantage for problems which include more than one critical value (two or three dimensional). This method also works for one dimensional problems but causes unnecessary work. The work of this paper has been made spring 2008 at the institution for Product and production development at Chalmers University of Technology, Gothenburg.

Förord

På uppdrag från institutionen för Produkt- och produktionsutveckling (PPU) ska vi, Herman Eriksson och Victor Löfgren, genomföra kanditatarbetet Antropometrisk utformning vid ergonomisimulering. Båda studerar till civilingenjör på Maskinteknikprogrammet (300hp) vid Chalmers Tekniska Högskola. Kandidatarbetet om 15 högskolepoäng är en obligatorisk del i utbildningen och utförs på vårterminen under tredje läsåret. Under hela vårterminen 2008 har vi arbetat med kandidatarbetet ungefär 20 till 25 timmar per vecka. Resultatet presenteras i den här rapporten om antropometrisk utformning vid ergonomisimulering. Uppgiften innebär i stort att jämföra de olika antropometriska metoderna percentil- och gränsmanikinmetoden, där den första metoden ofta är till för endimensionella designproblem medan den andra används för flerdimensionella problem. Jämförelser av metoderna har gjorts genom simuleringar i datorprogram. Valet av kandidatarbete gjordes under hösten 2007 efter eget intresse av forskningsområde. Projektgruppen blev sedan sammansatt av utbildningsledningen för maskinprogrammet. När valet begav sig kände vi inte till speciellt mycket inom området för projektet men har genom kontinuerliga studier under våren samlat på oss en kunskapsbas för att kunna utföra arbetet på ett tillfredställande sätt. Det har inneburit informationssökning och egenstudier av programvaran vi använt. PPU som har initierat det här specifika kandidatarbetet har tillhandahållit oss en handledare vars namn är Hans Sjöberg, forskningsingenjör. Hans har funnits för att stödja oss i arbetet. Exempelvis har Hans hjälpt oss finna information och försätt oss med litteratur under arbetets gång men även kommit med synpunkter och gett oss vägledning under resans gång. Vi vill tacka Hans för det stöd vi fått under projektets gång.

Innehållsförteckning

1 Inledning............................................................................................................................................... 1 1.1 Syfte............................................................................................................................................... 1 1.2 Avgränsningar................................................................................................................................ 1 1.3 Genomförande .............................................................................................................................. 2

2 Teori...................................................................................................................................................... 3 2.1 Antropometri................................................................................................................................. 3

2.1.1 Antropometrisk data .............................................................................................................. 3 2.1.2 Insamling av antropometrisk data.......................................................................................... 3

2.2 Percentil......................................................................................................................................... 4 2.2.1 Beräkning av percentilmått .................................................................................................... 6

2.3 Manikinfamiljer ............................................................................................................................. 7 2.4 Jack version 5.1............................................................................................................................ 10

3 Analys ................................................................................................................................................. 13 3.1 Kikhål på ytterdörr....................................................................................................................... 13

3.1.1 Tillämpning av percentilmetoden vid kikhål på ytterdörr.................................................... 14 3.1.2 Tillämpning av gränsmanikinmetoden vid kikhål på ytterdörr ............................................ 14 3.1.3 Slutsats experiment kikhål på ytterdörr............................................................................... 16

3.2 Postsortering ............................................................................................................................... 16 3.2.1 Del 1. Ett kritiskt mått: Räckvidd .......................................................................................... 17 3.2.2 Del 2. Två kritiska mått: Räckvidd och knäveckshöjd........................................................... 17 3.2.3 Del 3. Tre kritiska mått: Räckvidd, knäveckshöjd samt stuss till knäveck ............................ 19 3.2.4 Slutsats experiment postsortering ....................................................................................... 20

3.3 Simulering av lagerplockning....................................................................................................... 21 3.3.1 Bakgrund och hypotes.......................................................................................................... 21 3.3.2 Manikinerna skapade efter percentilmått ........................................................................... 22 3.3.3 Ländryggsanalysen för percentilmanikiner .......................................................................... 23 3.3.4 Gränsmanikiner .................................................................................................................... 24 3.3.5 Ländryggsanalysen för gränsmanikiner................................................................................ 25 3.3.6 Slutsats experiment simulering av lagerplockning............................................................... 26

4 Diskussion........................................................................................................................................... 27 4.1 Experiment i Matlab.................................................................................................................... 27 4.2 Kommentarer kring gränsmanikinmetoden................................................................................ 27 4.3 Experiment i Jack......................................................................................................................... 28 4.4 Slutsatser och rekommendationer.............................................................................................. 30

Källförteckning....................................................................................................................................... 31 Appendix A ............................................................................................................................................... I Appendix B ............................................................................................................................................. VI Appendic C.............................................................................................................................................. XI Appendix D ........................................................................................................................................... XVI Appendix E.......................................................................................................................................... XVIII

1

1 Inledning

Idag ser man en trend som går allt mer mot kundanpassning av produkter såsom fordon, kläder, elektronikutrustning med mera. Denna kundanpassning ska ske så snabbt som möjligt för att tiden från idé till färdig produkt minimeras. Då är det ytterst viktigt att man väljer rätt från början, bland annat rätt utvärderingsgrupp vilket beskrivs i ett stycke längre ner. Tre centrala begrepp i denna rapport är antropometri, manikiner och percentil, de beskrivs därför först för att underlätta läsandet. Antropometri är läran och vetenskapen om människokroppens utformning och egenskaper. Ett antropometriskt mått är till exempel längd, armlängd och så vidare. En manikin är en modell av en människa. Manikinerna finns i form av fysiska dockor eller, som i denna rapport, en virtuell variant i en dator då kallad datormanikin. Här benämns dock datormanikin som manikin för att förenkla läsningen. Percentil är ett statistiskt verktyg som visar distributionen av mätdata där mätdatan i denna skrift är antropometriska mått. En utvärderingsgrupp är ett urval av personer som ska representera en stor population till exempel Sveriges befolkning. Utvärderingsgruppen används sedan vid antropometriska ergonomisimuleringar för att designa exempelvis förarplatsen i en bil. Det finns olika tekniker att välja utvärderingsgrupp och de som kommer att behandlas och jämföras i denna rapport är de två antropometriska metoderna percentilmetoden samt gränsmanikinmetoden. Vid antropometrisk ergonomisimulering genom percentilmetoden förbises ofta delar av populationen som man tror att man tar med i beräkningarna. Detta blir särskilt tydligt då man designar produkter eller arbetsmiljöer som har flera ingående antropometriska mått. Till exempel måste förarplatsen i en bil designas efter många olika mått däribland längd, ögonhöjd, benlängd med mera. Percentilmetoden tar inte hänsyn till att människor som är lika långa kan ha vitt skilda proportioner, det vill säga att vissa har långa ben men kort överkropp och andra har de omvända storleksförhållandena. Gränsmanikinmetoden tar till skillnad från percentilmetoden detta i beaktande, varför denna börjat användas i allt större utsträckning då man ska välja en utvärderingsgrupp. Projektrapporten inleds med en teoridel där centrala begrepp förklaras som är återkommande i texten. Även grundläggande statistik förklaras och sammankopplas till undersökningen. Efter teoridelen kommer en analysdel. Där beskrivs genomförandet av flera experiment som görs i undersökande syfte för att ta reda på huruvida metoderna är applicerbara i verkligheten eller ej. Utvärderingar och slutsatser kommer att göras utifrån de experiment som utförs genom simulering i datormanikinprogrammet Jack version 5.1 samt med hjälp av beräkningsprogrammet Matlab. Resultatet av experimenten presenteras i avsnittet diskussion.

1.1 Syfte

Syftet är att undersöka de olika metoderna percentilmetoden och gränsmanikinmetoden som används vid val av utvärderingsgrupp. Genom att utföra experiment och beräkningar som ska simulera olika arbetsförhållanden, skall slutsatser och rekommendationer kunna framställas för att bestämma när och hur de olika metoderna ska användas. Resultatet ska underlätta arbetet för forskare inom området ergonomisimulering. Syftet är också att hjälpa framtida brukare av datorprogrammet Jack version 5.1 att bli medvetna om dess brister och fördelar.

1.2 Avgränsningar

Endast män är beaktade i experimenten. Detta för att undvika komplikationer som kan uppstå då den antropometriska datan inte blir normalfördelad. Ett resonemang kring varför fördelningskurvan blir annorlunda förs i avsnitt 2.2.

2

1.3 Genomförande

Genom litteraturstudier skaffas en bild av hur ergonomi och kroppsmått är väsentliga för utformning av produkter och arbetssituationer. Det är även av intresse hur antropometrisk data ska behandlas samt hur percentiler och gränsmanikiner framställs. Detta behandlas i avsnitt 2. För simuleringar används datorprogrammet Jack version 5.1. I det skapar man arbetsmiljöer där en så kallad datormanikin verkar och utför programmerade uppgifter. Kunskaper i Jack fås mestadels genom självinlärning med stöd från manualen i Jack samt handledare Hans Sjöberg. I manualen finns instuderingsuppgifter som är tydligt beskrivna och de visar prov på programmets kapacitet. Utifrån utvärderingarna av simuleringarna i Jack samlas information in som påvisar hur väl manikinen klarar den tilldelade uppgiften med avseende på de antropometriförhållanden som råder. Data ska sedan analyseras för att ge en bild av vilka utvärderingsgrupper som ger mest korrekta simuleringar för olika funktioner, produkter eller miljöer. Metoderna kommer även att jämföras med hjälp av datorverktyget Matlab då Jack inte har någon inbyggd beräknande funktion. Observera att experimentens syfte inte är att finna de optimala ergonomiska måtten för ingående produkt eller arbetsmiljö. De antropometriska data som kommer användas är 1988 U.S. Army Anthropometry Survey vilket förkortas ANSUR88. Det är NASA:s antropometriska undersökning från 1988 där 1774 män och 2208 kvinnor är delaktiga. Personerna är av olika etniskt ursprung och de är mellan 17 och 51 år gamla. För att göra beräkningarna enklare kommer analyserna endast att göras på männen, mer om varför i avsnitt 2.2. [9] Till en början var det tänkt att gränsmanikinerna skulle framställas med hjälp av en funktion i Jack som heter Principal component manikins. Den fungerade tyvärr inte som den skulle och därför framställs manikinerna för gränsmanikinmetoden istället manuellt. Ett resonemang kring varför Principal component manikins inte fungerade förs i kapitel 4.

3

2 Teori

I denna del beskrivs begrepp och metoder som är bra att förstå för att göra experimenten längre fram i rapporten mer begripliga.

2.1 Antropometri

Antropometri kan beskrivas som läran och vetenskapen om människoproppens utformning och egenskaper. Namnet antropometri härstammar från orden antropos och metrikos som betyder människa respektive hörande till mått. Antropometri kan alltså beskrivas som ett verktyg vilket man mäter människokroppen med. Det man mäter kan vara fysisk geometri, storlek, massa och styrka på människokroppen och de antropometriska storheterna kan således vara längd, ålder, vikt, muskelmassa med mera. [1]. I denna rapport kommer antropometriska mått vara förknippat med kroppsmått som till exempel längd eller armlängd. Antropometri började användas på allvar för mer än 200 år sedan då man delade in människan i olika raser och etniska grupper, för att enklare kunna identifiera brottslingar och ställa medicinska diagnoser. Inte förrän på 1900-talet började man använda antropometri för att designa arbetsplatser, fordonsäten, verktyg och kläder och så vidare. [1]

2.1.1 Antropometrisk data

Antropometriska mått delas ofta in i statiska (orörliga) och funktionella (dynamiska data). Exempel på statiska antropometriska data är längd, sitthöjd med mera. I tabell 2.1 och figur 2.1 visas en mängd olika statiska antropometriska mått. Dessa mått tas enkelt fram genom att mäta populationen man önskar designa för vilket beskrivs i nästkommande avsnitt 2.1.2. [3] Funktionella mått, då människan är i rörelse, kan till exempel vara funktionell räckvidd vid sittande. Då tas armen och handens längd, samt rörelseförmågan i handled, armbåge och axel plus andra eventuella yttre omständigheter såsom kläder, med i beräkningen. Dessa mått är betydligt svårare att mäta men också mycket bättre att använda vid design av till exempel en bilinteriör. [5]

2.1.2 Insamling av antropometrisk data

Antropometriska data är enkla att ta fram men det faktum att en stor mängd människor måste involveras i studien gör att den blir mycket dyr och tidskrävande. I Sverige har nyligen en undersökning gjorts av IFP Research där cirka 4000 svenskar medverkat. Den är ämnad för kläd- och bilindustrin samt andra produkter. Den senaste undersökningen i Sverige innan denna, gjordes 1969 av Lewin där ca 270 anställda från SKF och sjukhusmiljöer medverkade. Sen dess har svensken både blivit längre och bredare [7] varför de aktuella antropometriska undersökningarna är mycket uppskattade bland produktutvecklare. [6]. I Tyskland har företaget Human Solutions utvecklat en människoscanner som läser in antropometriska mått mycket snabbt. Deras scanner finns i en klädbutik i Hamburg där man mäter upp sina kunder som sedan får specialtillverkade kläder som är klara för leverans tre veckor efter scanningen [4]. Det finns många fördelar med scanning jämfört med manuell uppmätning av antropometriska mått. Tiden det tar att mäta reduceras betydligt och felmarginalerna sjunker då mätandet sker automatiskt. Den senaste antropometriska undersökningen i Sverige genomfördes med hjälp av scanning. Vid manuell mätning är det flera människor som mäter, i alla fall vid större undersökningar, vilket leder till fel i mätningarna. Felen kan bero på att varje person som mäter har sin egen teknik att mäta och en person kan helt enkelt läsa av fel. Manuell mätning är dock mycket billigare eftersom det i praktiken endast behövs ett måttband medan vid människoscanning behövs det en dyr scanner med tillhörande datorer.

4

Tabell 2.1. Antropometriska mått som illustreras i figur 2.1.

Nr. Mått Nr. Mått Nr. Mått

1 Längd/Kroppslängd 11 Fotbredd 21 Axelhöjd sittande

2 Bukdjup 12 Fotlängd 22 Ögonhöjd sittande 3 Vristhöjd 13 Handbredd 23 Sitthöjd 4 Skulderhöjd 14 Handlängd 24 Knähöjd sittande 5 Armlängd 15 Huvudbredd 25 Lårtjocklek sittande

6 Skulderbredd 16 Huvudhöjd 26 Räckvidd 7 Axelbredd 17 Huvudlängd 27 Knäveckshöjd 8 Stuss till knä 18 Höftbredd 28 Ögonhöjd 9 Armbågshöjd (sittande) 19 Ögonbredd 29 Stuss till knäveck

10 Armbåge till fingertopp 20 Axel till armbåge

Figur 2.1. Illustration över de antropometriska måtten från tabell 2.1. Bilden är modifierad [2].

2.2 Percentil

Percentil är ett statistiskt verktyg för att visa distribution av mätdata och ofta används normalfördelningskurvor för att illustrera detta. Percentilmått motsvarar ett värde på en hundragradig skala som visar andelen av spridningen som har samma eller mindre värde än det aktuella percentilmåttet. I figur 2.2 presenteras en normalfördelningskurva för kroppslängd av en viss population. Här representeras 10:e-percentilen av en kroppslängd på 165 cm, vilket medför att 10 % av den aktuella populationen är 165 cm eller kortare. På samma sätt står 99:e-percentilen för en kroppslängd strax över 190 cm och således är 99% 190 cm eller kortare. Percentilmått används inte bara för kroppslängd utan kan beräknas för alla antropometriska mått. Percentiler kommer fortsättningsvis i denna rapport betecknas med %il, exempelvis kommer 5:e percentilen skrivas 5%ilen.

5

Figur 2.2. Principiell normalfördelningskurva över människors kroppslängd samt percentiler för normalfördelningen.

Bilden är modifierad [2].

Figur 2.2 visar en normalfördelning där toppen av kurvan, och följaktligen 50%ilen också kallat medelvärdet, återfinns i mitten av spridningen. Denna kurva kan också vara asymmetriskt beroende på undersökningsgrupp, till exempel att toppen är förskjuten åt antingen höger eller vänster och kallas då positiv- respektive negativ snedfördelning. Det finns också fall med flera toppar, vanligen då både kvinnor och män tas med i samma undersökning vilket kan ses i figur 2.3. Då man använder sig av samma kön och inte blandar vuxna med barn kommer de flesta antropometriska mått ha en normalfördelning. [2]

7 8 9 10 110

50

100

150

200Handbredd för män

[cm]

Ant

al p

erso

ner

6 7 8 9 10 110

50

100

150

200

250Handbredd för både män och kvinnor

[cm]

Ant

al p

erso

ner

Figur 2.3. Fördelningskurvor för handbredd för män respektive både män och kvinnor. Mätvärden är från ANSUR88. Då

populationen inte blandar vuxna och barn eller män och kvinnor kommer spridningen ofta bli normalfördelad enligt den vänstra figuren. Annars finns risk för avvikelser som i bilden till höger där spridningen har flera toppar.

Resonemanget i stycket ovan är orsaken varför endast män beaktas senare i experimenten. Anledningen till att män och inte kvinnor används är att experimenten började utföras med män och tiden blev för knapp att även utföra dem på kvinnor. Percentilmått för varje kroppsdel är inte adderbara med varandra vilket illustreras i tabell 2.2 och figur 2.4. Här ses tydligt att summan av de adderade percentilmåtten (1-7) inte överensstämmer med det enskilda måttet för längd mått (8). Nedan visas vad som händer om man skulle göra detta med 5%ilen respektive 95%ilen [10].

6

Tabell 2.2. Percentilmått är inte adderbara. [10]

Figur 2.4. Bilden tillhör tabell 2.2 [10].

För varje ytterligare percentilmått man adderar så ökar skillnaden mellan den population man önskar och den population man i verkligheten anpassar för. Figur 2.5 nedan illustrerar att då man önskar designa för en andel av en population på 90% anpassar man i verkligheten för en mindre och mindre andel desto fler mått man tar i beaktning. [13]

Figur 2.5. Bilden visar att ju fler mått man vill ta hänsyn till, ju mindre andel passar in i situationen då man använder

percentilmått. [13]

Ett annat exempel som visar att percentilmått inte är adderbara är när cockpiten i flygplanet T-1 skulle designas. Cockpiten designades med percentiler så att 98% av piloterna skulle kunna använda flygplanet. Men när cockpiten testades med riktiga personer fann man att 30% av de vita manliga piloterna, 80% av de svarta manliga piloterna och 90% av de kvinnliga piloterna inte kunde använda flygplanet. Detta berodde på att deras lår hindrade dem att använda ratten obehindrat samt att synfältet skymdes. De personerna som cockpiten inte passade hade låg ögonhöjd sittande och långa ben eller låg ögonhöjd sittande och stor lårtjocklek sittande. [11]

2.2.1 Beräkning av percentilmått

Om man vill översätta ett antropometriskt mått till en percentil används ekvation (1) nedan tillsammans med en Z-tabell. Det krävs att man känner till storleksförhållandet kring medelvärdet, vilket kallas standardavvikelse (SD), samt medelvärdet för den mängd data som det antropometriska måttet tillhör.

( )

SD

medelXZ

−= där X är det måttet man söker percentilen för (1)

Detta Z-värde motsvarar i sin tur en percentil som man finner i en Z-tabell, se Appendix D. För att använda den här beräkningsmetoden krävs det att den antropometriska datasamlingen har en spridning enligt normalfördelningskurvan. Som föregående avsnitt behandlade är antropometriska mått normalfördelade då måtten kommer från vuxna som är av samma kön. Då man vill ta fram ett antropometriskt mått utifrån en given percentil använder man en omskrivning av ekvation (1) som visas nedan i ekvation (2).

Variabel Mått 5 %ilen 95 %ilen 1 Axel till hjässa 27,1 cm 32,8 cm 2 Byst till axel 10,8 cm 17,8 cm 3 Midja till byst 13,4 cm 21,8 cm 4 Stuss till midja 13,8 cm 21,7 cm 5 Gren till stuss 4,8 cm 10,4 cm 6 Vrist till gren 57,8 cm 71,1 cm 7 Vrist höjd 9,2 cm 13,3 cm Total 136,9 cm 188,8 cm

8 Längd 152,5 cm 173,1 cm

7

SDZmedelX ×+= (2)

Standardmedelavvikelsen och medelvärdet finns ofta uträknat i tabeller från antropometriska undersökningar. [2]. I denna rapport används Matlab för att beräkna dessa.

2.3 Manikinfamiljer

Familj är ett samlingsnamn för en grupp manikiner där en manikin är en modell av en människa. Här kommer familjerna skapas av ett flertal gränsmanikiner vilket beskrivs senare i detta avsnitt. Till skillnad från manikiner baserade på percentiler som används vid endimensionella problem eller designutformningar, skapas gränsmanikinerna för flerdimensionella problem. Antalet dimensioner bestäms av hur många kritiska kroppsmått en uppgift innehåller. Exempelvis så är dimensionering av en dörr oftast ett endimensionellt problem med ett kritiskt mått. Det kritiska måttet är dörrens höjd som dimensioneras efter kroppslängd (se mått 1, figur 2.1). Ett flygplans cockpit behöver dock vara dimensionerad utefter fler mått så som kroppslängd, räckvidd, ögonhöjd med mera [8]. Ju fler kroppsmått uppgiften är beroende av, desto fler manikiner konstrueras vilket ekvationen nedan visar.

måttkritiskaantalndärnkön

inergränsmanikAntal n== ,2* (3)

I denna rapport kommer två eller tre kritiska mått användas vid framställning av familjer och det ger upphov till 8 respektive 24 st gränsmanikiner enligt ekvation (3). För att bestämma hur dessa gränsmanikiner ska se ut används antropometriska data, som här motsvaras av männen i ANSUR88. Man bestämmer sig för hur stor del av populationen som situationen skall anpassas för vilket kallas central anpassning, se figur 2.6. Eftersom man antar att den insamlade data man tillhandahåller har en spridning som en normalfördelningskurva så blir den centrala anpassningen ett intervall centrerat kring medelvärdet med ett undre och övre percentilvärde som ges av ekvationerna nedan

2

100100

XPövre

−−= (4)

2

100 XPundre

−= (5)

där X är den centrala anpassningen. I figur 2.6 är den centrala anpassningen 90% och med ekvation (4) och (5) ges ett intervall mellan den undre gränsen 5%ilen och övre gränsen 95%ilen. I denna rapport kommer även uttrycket målgrupp användas för att beskriva en del av populationen. Målgrupp kommer användas då andelen inte är centralt anpassad. Detta kan förklaras med exemplet som nämndes ovan då man designar höjden på en dörr efter den övre gränsen. Då man har en central anpassning på 90% ger det en övre gräns på 95%ilen. Detta gör att alla personer som är kortare än 95%ilen kan gå igenom dörren och målgruppen blir således 95%.

8

Figur 2.6. Normalfördelningskurva. Arean under grafen från 0 mm till den undre gränsen, 5%ilen, är 5 % av populationen. Det samma gäller för den övre gränsen. Den centrala anpassningen blir således 100% - 2x5% = 90%. Bilden är modifierad

[2].

Här följer en beskrivning steg för steg hur man manuellt finner kroppsmåtten för gränsmanikinerna som bildar en familj. Tanken är att man skall täcka in flera olika möjligheter av utfall för de två kritiska kroppsmåtten som vi kallar k1 och k2. I denna förklaring är de kritiska måtten räckvidd (k1) och längd (k2) men de kan bytas ut mot godtyckliga antropometriska mått. Metoden baseras på tidigare forskning men med inslag av egen modifiering som diskuterats fram tillsammans med Lars Hanson, Tekn Dr. vid institutionen för designvetenskaper, ergonomi och aerosolteknologi vid LTH [6,8]. 1. För det första bestämmer man hur stor del av en mängd människor man vill anpassa sig efter, låt oss säga 75 %. En centrerad anpassning på 75% ger en nedre gräns vid 12,5%ilen och övre vid 87,5%ilen med ekvation (4) och (5). 2. Då det är känt mellan vilka percentilmått målgruppen sträcker sig kan Z-värdet tas ur en Z-tabell, se Appendix D, varmed motsvarande kroppsmått k1 och k2 beräknas med ekvation (2). De undre respektive övre värdena vid en central anpassning på 75% är 75,5 cm och 84,6 cm för k1 (räckvidd) samt 167,9 cm och 183,5 cm för k2 (längd), se tabell 2.3. 3. Därefter går man in i ANSUR88 och söker upp de uträknade värdena från steg 2 och hittar där en grupp personer med dessa värden. En avvikelse på ≤0,1 cm läggs till för att få ett större spann av personer. Det innebär att för k1:s undre värde 75,5 cm söker man upp de personer som har en räckvidd mellan 75,4-75,6 cm. På samma sätt bildas grupper för k1:s övre mått samt k2:s nedre och övre mått. 4. Varje person har ett värde k1 med ett tillhörande värde k2 i ANSUR88. Nu kan man se mellan vilka värden k1 och k2 varierar i grupperna från steg 3. Från dessa grupper plockas min- och maxvärdena ut för respektive undre och övre mått för k1 och k2. Det innebär att för k1:s undre grupp så finner man för k2 ett minvärde på 163,2 cm och ett maxvärde på 178,5 cm. Med ekvation (1) och en Z-tabell (Appendix D) kan man översätta min- och maxvärdena till percentiler. Detta upprepas för resterande grupper från steg 3. När detta är genomfört är hela familjen skapad. Uträkningarna för dessa steg utförs med fördel i Matlab där man snabbt kan ta fram en familj utifrån givna kritiska mått samt central anpassning. Se Appendix A för programkod. Tabell 2.3 nedan visar hur det kan se ut då 75% av populationen är tagna i beaktning och då de kritiska kroppsmåtten är räckvidd (k1) och längd (k2). För manikin #1 kan här då utläsas att av de personer som är av

9

12,5%ilen för räckvidd så motsvarar den kortaste och den längsta personen 3,2%ilen respektive 67%ilen. Vill man tala i längdenheter blir det att för räckvidden 75,5 cm är minsta längdmåttet 163,2 cm och det maximala är 178,5cm.

Tabell 2.3. Åtta manikiner baserat på de två antropometriska måtten räckvidd och längd med en central anpassning på 75%.

75% central anpassning

Räckvidd (k1) Längd (k2)

Manikin #1 12,5%il 75,5 cm 3,2%il(Min) 163,2 cm Manikin #2 12,5%il 75,5 cm 67%il(Max) 178,5 cm Manikin #3 87,5%il 84,6 cm 35%il(Min) 172,8 cm Manikin #4 87,5%il 84,6 cm 98,6%il(Max) 190,2 cm

Längd (k2) Räckvidd (k1) Manikin #5 12,5%il 167,9 cm 2,9%il(Min) 73,1 cm Manikin #6 12,5%il 167,9 cm 38%il(Max) 78,8 cm Manikin #7 87,5%il 183,5 cm 43%il(Min) 79,3 cm Manikin #8 87,5%il 183,5 cm 96,5%il(Max) 87,2 cm

Manikinerna från tabell 2.3 visas i figur 2.7 nedan plottade i samma diagram som alla män i ANSUR88 för räckvidd och längd. De åtta gränsmanikinerna bildar en tänkt ellips som ska täcka 75% av populationen. Ellipsen i figur 2.7 är ingen exakt illustration utan den är ämnad för att göra bilden mer begriplig. Därför ligger några gränsmanikiner utanför ellipsen vilket de egentligen inte ska göra.

Figur 2.7. Visar manikinerna från tabell 2.3 som bildar en ellips (blå prickar) [12]. De är plottade tillsammans med

männen i ANSUR88 (röda prickar) för måtten räckvidd och längd. Måttskalan är angiven i cm.

Då tre mått är beroende blir det hela 24 stycken manikiner för vardera kön enligt ekvation (3) och de tas fram enligt samma stegprincip som med två kritiska mått vilket visades tidigare i detta avsnitt. I Appendix C förklaras vidare hur manikinerna framställs då antalet kritiska mått är tre. De tre kritiska måtten bildar med önskad centrerad anpassning en tredimensionell ellips. I figur 2.8 nedan visas ett exempel på en sådan där den centrade anpassningen är 75% och de ingående måtten är längd,

räckvidd och stuss till knä. Likt vid figur 2.7 är 75% av populationen plottad i figur 2.8 nedan där dessa 75% ska rymma i den tredimensionella ellipsen.

10

Figur 2.8. Gränsmanikinerna vid tre beroende mått bildar en ellips [12]. Måttskalan är angiven i cm.

Då de beroende måtten blir större än tre kan man inte längre illustrera gränsmanikinerna grafiskt. Det blir också hastigt många simuleringar då antalet involverade mått ökar eftersom ekvation (3) ökar exponentiellt och det är då av intresse att reducera antalet simuleringar för att spara tid och arbete. Till exempel om man designar en miljö för en övre gräns behövs endast de manikiner vid den övre gränsen beaktas. Rekommendationer säger att om det går att bryta ned problemet till ett tvådimensionellt problem är det fördelaktigt eftersom det reducerar komplexiteten som uppstår vid simulering med flera kritiska mått.[8]. Tidigare studier har visat att då designproblemet är flerdimensionellt är det fördelaktigt att använda gränsmanikiner eller Principal component manikin, där det senare alternativet används i Jack [14].

2.4 Jack version 5.1

I detta stycke förklaras det program som kommer användas senare i analysdelen. Jack version 5.1 är ett datorprogram där man med hjälp av en eller flera datormanikiner (benämns manikin i rapporten) utför ergonomiska simuleringar. En datormanikin är en virtuell variant av en manikin. Datormanikinens kroppsmått, kön och vikt kan bestämmas efter eget behov. När man tar fram manikiner baserat på percentiler kan man välja mellan 1-, 5-, 50-, 95- och 99%ilen för man, kvinna eller barn. På vilka grunder Jack bestämmer måtten för dessa percentilmanikiner är okänt. I figur 2.9 visas tio stycken datormanikiner med olika storlekar.

Figur 2.9. 1-, 5-, 50-, 95- och 99%ilen för kvinnor respektive män i datormanikinprogrammet Jack 5.1

Då man vill ta fram en familj av manikiner används funktionen Principal component manikins, se figur 2.10. Denna funktion kan endast anpassa en familj som är centrerad i normalfördelningskurvan likt den metod som beskrivs i föregående avsnitt 2.3. Man ska kunna anpassa familjen med ett värde mellan 0 och 100%. Ett större värde skapar en familj som täcker en större del av populationen medan ett mindre värde genererar en familj som är närmare medelmänniskan. Det var tänkt från projektets

11

början att den här funktionen skulle användas i analysdelen, men när den inte gjorde det var det nödvändigt att använda en annan metod. Vad problemet var behandlas senare i kapitel 4.

Figur 2.10. En familj av manikiner sedd från sidan och framifrån. Notera att proportionerna för armlängd och längd

skiljer sig åt.

Vid framställning av familjer används valfri datafil som innehåller antropometriska mått, som kallas Principal component analysis (PCA). Denna PCA-fil bör innehålla de mått som anses viktiga för den produkt eller miljö man ämnar designa. Ett exempel på en sådan PCA-fil är den tidigare nämnda ANSUR88. I programmet finns flera färdiga arbetsmiljöer samt verktyg som man snabbt och enkelt kan utföra simuleringar med. Det är även möjligt att bygga egna miljöer men det är betydligt krångligare och mer tidskrävande. Jack version 5.1 har en CAD-funktion men den är mycket basal. Det går att analysera många olika saker i Jack bland annat räckvidd, synfält och fysiska påfrestningar för datormanikinen. Datorprogrammet Jack version 5.1 kommer i fortsättningen att benämnas Jack.

12

13

3 Analys

I detta kapitel kommer percentilmetoden och gränsmanikinmetoden analyseras med hjälp av Jack samt Matlab. Genom att utföra experiment där antalet kritiska mått varierar, ska de utvisa vilken metod som passar för vilket tillfälle. De experiment som utförs med hjälp av Matlab är Kikhål på

ytterdörr samt Postsortering där det förstnämnda innehåller ett kritiskt mått och det andra innehåller ett till tre kritiska mått. I Jack kommer experimentet Simulering av lagerplockning utföras, där antalet kritiska mått är två. Experimenten har valts för att analysera olika situationer med olika antal kritiska mått. Att ett experiment är just dörrkikhål har ingen större betydelse utan det relevanta är att experimentet innehåller ett kritiskt mått. För att utföra en ergonomisimulering måste en önskad målgrupp väljas. Målgruppen ska representera den population som ergonomisimuleringen är avsedd för. Det kan till exempel vara att designa en produkt eller en miljö som ska passa 95% av svenska befolkningen. Experimentens syfte är inte att finna de optimala måtten för de ingående produkterna eller miljöerna utan de ska beskriva den metod som är bäst på att uppnå den önskade målgruppen. Här beskrivs experiment som kommer att genomföras i MatIab. Dessa experiment, Kikhål på

ytterdörr och Postsortering, ska visa när percentilmetoden och gränsmanikinmetoden är försvarbara att använda samt hur man ska använda dem. Matlab används för att beräkna hur nära varje metod kommer den önskade målgruppen. Detta görs genom att gå igenom alla personer i ANSUR88 och se hur många som uppfyller uppställt krav. För att verifiera att metoderna fungerar allmänt kommer experimenten att utföras på flera olika målgrupper, närmare bestämt för målgrupper på 60%, 80%, 90% och 95%. Målgrupper är inte detsamma som central anpassning vilket fastslogs i avsnitt 2.3. Motsvarande central anpassning skulle vara 20% , 60%, 80%, och 90% för de givna målgrupperna vilket ges av ekvation 6 nedan.

Central Anpassning (%) = 100% - 2* (100% - Målgrupp(%)) (6)

Observera att ekvation 6 inte är en allmän formel utan den fungerar då man designar efter en undre eller en övre gräns för den centrala anpassningen vilket görs i de två första experimenten. Försöken för målgruppen på 95% kommer att förklaras grundligt medan de resterande målgrupperna endast kommer redovisas i tabellform. Detta eftersom tillvägagångssättet är samma för de olika målgrupperna samt för att man ofta ämnar designa för en stor del av populationen. Ett experiment använder sig av datormanikinprogrammet Jack. I simuleringsmiljön skapas en miljö som ska efterlikna ett lager där människor arbetar. Åtta stycken manikiner skapas för att undersöka hur de klarar sig i lagerlokalen med avseende på huruvida de når objekt och om de får ryggproblem. De jämförs mot varandra för att se om någon klarar sig bättre än någon annan. Det är kan liknas med att undersöka hur den optimala personen ser ut för uppgiften. Det är visserligen flera faktorer som inte tas hänsyn till i Jack eftersom det är en förenkling av verkligheten vi arbetar med. Dessa faktorer bör givetvis tas hänsyn till vid utvärderingen av arbetsplatsen även om det inte görs det i den här rapporten.

3.1 Kikhål på ytterdörr

I det här experimentet ska ett dörrkikhål placeras så att aktuell målgrupp ska kunna se genom hålet utan att sträcka sig. Experimentet innehåller endast ett kritiskt mått nämligen ögonhöjd. I de datafiler som används existerar inte det antropometriska måttet för ögonhöjd, men det kan räknas fram med hjälp av andra antropometriska mått enligt följande

Ögonhöjd = Längd – (Sittande höjd – Ögonhöjd sittande) (7)

Tidigare i avsnitt 2.2 fastslogs att percentilmått inte är adderbara. I ekvation (7) adderas dock inte percentilmått utan ögonhöjden beräknas för varje enskild persons mått i databasen ANSUR88.

14

3.1.1 Tillämpning av percentilmetoden vid kikhål på ytterdörr

Då målgruppen är att 95% av populationen ska kunna se genom kikhålet ska höjden sättas så att 5%ilen precis klarar av detta. 5%ilen för män beräknas i Matlab och ger tillsammans med ekvation (7) en ögonhöjd på 152,9 cm. Dörrkikhålet ska vid tillämpning av percentilmetoden således sitta 152,9 cm upp från den yta som personen står på då målgruppen är 95%. Denna höjd jämförs sedan med personerna i ANSUR88 och man finner då att 94,98% av dessa uppfyller kravet. Alltså väldigt nära de önskade 95%. Experimenten för de resterande målgrupperna utförs på samma sätt och resultaten redovisas i tabell 3.1 nedan.

Tabell 3.1. Resultat från kikhålsexperimentet med tillämpning av percentilmetoden.

Målgrupp Percentil Ögonhöjd Andel

godkända Differens

60% 40%il 161,6 cm 60,03% +0,03 80% 20%il 158,0 cm 80,21% +0,21 90% 10%il 155,1 cm 90,08% +0,08 95% 5%il 152,9 cm 94,98% -0,02

Tillämpningen av percentilmetoden fungerar utmärkt eftersom målgruppen prickas med mycket liten differens i alla försöken. Resten av stycket förklarar tabell 3.1 ovan eftersom det är en återkommande tabelltyp. För varje försök i experimentet finns en önskad målgrupp. Från denna målgrupp får man fram ett undre percentilvärde som man designar efter, se ekvation (4). Percentilvärdet motsvarar i sin tur ett antropometriskt mått i detta fall ögonhöjd, se ekvation (2). Detta mått jämförs sedan med personerna i ANSUR88 med hjälp av Matlab och resultatet redovisas i kolumnen Andel godkända. Differensen är värdet i kolumnen Andel godkända minus värdet i kolumnen Målgrupp och det är således ett mått på hur nära man är önskad målgrupp.

3.1.2 Tillämpning av gränsmanikinmetoden vid kikhål på ytterdörr

Gränsmanikinerna skapas med den metod som beskrevs i avsnitt 2.3. Likt vid tillämpningen av percentilmetoden så används inte alla manikiner för att bestämma placeringen av dörrkikhålet. Detta eftersom de manikiner med större ögonhöjd alltid klarar av att se minst lika högt som den kortaste. För att skapa gränsmanikinerna behövs dock minst två mått, och för att spridningen inte ska bli stor används ögonhöjd tillsammans med ett mått med hög korrelation. Längd är ett mått med hög korrelation till ögonhöjd, närmare bestämt 0,994 (Appendix A), varför detta används. I figur 3.1 kan man tydligt se att längd och ögonhöjd är högt korrelerade genom att spridningen nästan blir en rät linje. Det kan jämföras med spridningen av ögonhöjd plottat mot bukdjup som har låg korrelation 0,187 (Appendix D) och således ett väldigt litet samband finns. Om det senare alternativet används skulle manikinerna få stor spridning vilket skulle försämra resultatet. Detta jämförs senare i tabell 3.2 nedan där gränsmanikinerna tas fram med ögonhöjd och längd i försök 1 samt ögonhöjd och bukdjup i försök 2.

15

Figur 3.1. a) Ögonhöjd plottad mot det högt korrelerade måttet längd och således en liten spridning. b) Ögonhöjd plottat

mot det lågt korrelerade måttet bukdjup vilket ger en stor spridning. Måttskalan är angiven i cm.

För att uppfylla kravet att 95% av populationen ska kunna se genom kikhålet så behöver endast manikin #1, #2, #5 eller #6 användas från tabell 3.2 nedan. De resterande manikinerna i tabellen är inte intressanta för detta experiment och tas inte med i beräkningarna. Detta eftersom de uppenbart klarar uppsatt krav och de är därför gråmarkerade i tabellen.

Tabell 3.2. Två försök med en målgrupp på 95%. Försök 1 innefattar ögonhöjd och längd. Försök 2 innefattar ögonhöjd och bukdjup.

Målgrupp 95%

Försök 1 Försök 2

Manikin Längd Ögonhöjd Bukdjup Ögonhöjd #1 5%il 164,9 cm 4%il (Min) 152,1 cm 5%il 19,9 cm 0,3%il (Min) 145,5 cm #2 5%il 164,9 cm 7%il (Max) 153,9 cm 5%il 19,9 cm 98%il (Max) 176,1 cm #3 95%il 186,8 cm 94%il (Min) 173,9 cm 95%il 29,0 cm 6%il (Min) 153,4 cm #4 95%il 186,8 cm 96%il (Max) 175,1 cm 95%il 29,0 cm 87%il (Max) 171,2 cm

Ögonhöjd Längd Ögonhöjd Bukdjup #5 5%il 152,9 cm 3%il (Min) 163,0 cm 5%il 152,9 cm 1,1%il (Min) 18,7 cm #6 5%il 152,9 cm 9%il (Max) 166,7 cm 5%il 152,9 cm 85%il (Max) 26,9 cm #7 95%il 174,4 cm 93%il (Min) 185,5 cm 95%il 174,4 cm 24%il (Min) 21,7 cm #8 95%il 174,4 cm 97%il (Max) 187,2 cm 95%il 174,4 cm 97%il (Max) 29,7 cm

Om man skulle designa kikhålet efter den manikin som har kortast ögonhöjd så skulle man välja manikin #1 i tabell 3.2 ovan i båda försöken. Kikhålet skulle således sitta på en höjd av 152,1 cm i försöket med längd som korrelerande mått och 145,5 cm i försöket med bukdjup som korrelerande mått. Dessa höjder jämförs sedan med personerna i ANSUR88 och man finner då att 96.00% respektive 99,94% av dessa uppfyller kravet vilket i båda försöken är fler än de önskade 95%. Experimenten för de resterande målgrupperna utförs på samma sätt och visas i tabell 3.3 nedan. Här kan ses att då man designar efter manikinen med kortast ögonhöjd kommer man att dimensionera för en större målgrupp än den man önskar. Skillnaden blir mindre ju större målgruppen är. Resultatet blir väldigt missvisande om man använder sig av det lågt korrelerade måttet bukdjup då nästan hela populationen kan se genom kikhålet vilken målgrupp man än väljer.

16

Tabell 3.3. Resultat från försök 1 och 2 i kikhålsexperimentet med tillämpning av gränsmanikiner.

Försök 1 (Ögonhöjd och Längd) Försök 2 (Ögonhöjd och Bukdjup)

Målgrupp Percentil Höjd Andel

godkända Differens Percentil Höjd

Andel godkända

Differens

60% 28%il 159,4 cm 72,27% +12,27 0,1%il 142,1 cm 99,94% +39,94 80% 15%il 156,8 cm 85,01% +5,01 1,5%il 149,5 cm 98,59% +18,59 90% 8%il 154,4 cm 91,94% +1,94 0,5%il 146,5 cm 99,49% +9,49 95% 4%il 152,1 cm 96,00% +1,00 0,3%il 145,5 cm 99,72% +4,72

Tar man dock hänsyn till att det enbart är ögonhöjden som är beroende kan manikin #1-#4 strykas ur beräkningarna och kikhålet placeras efter ögonhöjden för manikin #5 eller #6. Detta blir då en kopia av tillämpningen för percentilmetoden och kikhålet hamnar på samma höjd det vill säga 152,9 cm och resultatet blir således likadant som vid tillämpning av percentilmetoden.

3.1.3 Slutsats experiment kikhål på ytterdörr

Tillämpningen av percentilmetoden fungerade bäst eftersom man nästintill precis prickade målgruppen vid alla försök. Då man använde gränsmanikinmetoden och formgav efter den manikinen med kortast ögonhöjd så passade kikhålet för en större andel än den önskade. Detta blev än mer påtagligt i det försöket man använde två mått som var lågt korrelerade, då kikhålet uteslutande passade nästan hela populationen oavsett målgrupp. Vid experimentet som endast har ett kritiskt antropometriskt mått är det onödigt att använda sig av flera mått och således är tillämpningen av gränsmanikinmetoden överflödigt. Detta styrks även av att resultaten från dessa blir missvisande.

3.2 Postsortering Detta experiment består av tre delar. I den första delen ska ett antal fack placeras så att given målgrupp med rakt utsträckt hand ska nå facken utan att böja eller sträcka sig framåt. I den andra delen byggs experimentet på med att målgruppen också ska kunna sitta så att hela foten får stöd från golvet. I den tredje delen ska stolsitsen designas så att målgruppen också ska kunna sitta med hela undersidan av låren utan att vaderna hindras av stolsitsens ände samtidigt som ryggen är mot ryggstödet. Se figur 3.2 nedan för illustration av de tre delarna. Experimentet är döpt till Postsortering eftersom det kan liknas den arbetssituation som brevbärare har när de sorterar post.

Figur 3.2. a) Del 1 med räckvidd som beroende mått. b) Del 2 med räckvidd och knäveckshöjd som beroende mått. c) Del

3 med de beroende måtten räckvidd, knäveckshöjd och stuss till knäveck.

17

3.2.1 Del 1. Ett kritiskt mått: Räckvidd

I detta avsnitt tillämpas metoderna för att bestämma vilket avstånd facket ska sitta på.

3.2.1.1 Tillämpning av percentilmetoden, del 1

Då målgruppen är 95% dimensioneras avståndet till facken efter 5%ilen vilket motsvarar en räckvidd på 74,0 cm. Vid jämförelse med personerna i ANSUR88 finner man att 95,55% passar denna anpassning vilket är nära de önskade 95%. Experimenten för resterande målgrupper utförs på samma sätt och visas i tabell 3.4 nedan.

Tabell 3.4. Reslultat från postsorteringsexperiment del 1 med tillämpning av percentilmetoden.

Målgrupp Percentil Räckvidd Andel godkända

Differens

60% 40%il 79,0 cm 60,43% 0,43 80% 20%il 76,7 cm 80,44% 0,44 90% 10%il 75,1 cm 90,42% 0,42 95% 5%il 74,0 cm 95,55% 0,55

Som tabell 3.4 ovan visar är differensen mycket liten för alla målgrupperna, det vill säga resultatet för percentilmetoden är mycket bra.

3.2.1.2 Tillämpning av gränsmanikinmetoden, del 1

I föregående experiment med kikhålet fastslogs att tillämpning av gränsmanikinmetoden är överflödig då man ska designa efter ett kritiskt mått. Därför utförs inte några experiment med gränsmanikiner här i del 1.

3.2.2 Del 2. Två kritiska mått: Räckvidd och knäveckshöjd

I detta avsnitt tillämpas metoderna för att dimensionera avståndet till facket samt höjden på stolen.

3.2.2.1 Tillämpning av percentilmetoden, del 2

Då målgruppen är 95% så designas arbetsmiljön efter 5%ilen med respektive ingående mått och dessa är

Räckvidd = 74,0 cm Knäveckshöjd = 39,5 cm

Miljön designas således efter dessa mått. Då man jämför med personerna i ANSUR88 finner man att 92,67% av dessa uppfyller kraven vilket är mindre än de önskade 95%. Experimenten för de resterande målgrupperna utförs på samma sätt och redovisas i tabell 3.5 nedan.

Tabell 3.5. Resultat från del 2 med tillämpning av percentilmetoden.

Målgrupp Percentil Räckvidd Knävecks-

höjd Andel

godkända Differens

60% 40%il 79,0 cm 42,6 cm 51,41% -8,59 80% 20%il 76,7 cm 41,3 cm 72,72% -7,28 90% 10%il 75,1 cm 40,4 cm 85,23% -4,77 95% 5%il 74,0 cm 39,5 cm 92,67% -2,33

Med tillämpning av percentilmetoden så missar man delar av målgruppen i detta experiment. Förlusten blir större desto mindre målgruppen är. Det är intressant att se vilken percentil man ska dimensionera efter för att kravet för målgrupperna uppfylls. Därför itereras experimenten tills kravet uppfylls. Resultatet visas i tabell 3.6 nedan.

18

Tabell 3.6. Visar vilken percentil man behöver designa efter för att uppfylla aktuell målgrupp i del 2.

Målgrupp Percentil Räckvidd Sitthöjd 60% 31,5%il 78,1 cm 42,1 cm 80% 15%il 75,9 cm 40,8 cm 90% 6,9%il 74,3 cm 39,9 cm 95% 3,3%il 73,4 cm 39,0 cm

3.2.2.2 Tillämpning av gränsmanikinmetoden, del 2

Då målgruppen är 95% och experimentet innehåller två mått, räckvidd och knäveckshöjd, ger det upphov till en familj av åtta manikner som kan ses i tabell 3.7 nedan. Manikin #2-#4 och #6-#8 tillhör de manikiner innehållande max-värden och är följaktligen inte intressanta för detta experiment eftersom man designar efter en undre gräns. Dessa manikiner är gråmarkerade i tabellen.

Tabell 3.7. Familj av åtta gränsmanikiner baserat på måtten räckvidd och knäveckshöjd.

Målgrupp 95%

Räckvidd Knäveckshöjd

Manikin #1 5%il 74,0 cm 0,9%il (Min) 37,7 cm Manikin #2 5%il 74,0 cm 64%il (Max) 44,3 cm Manikin #3 95%il 86,5 cm 53%il (Min) 43,5 cm Manikin #4 95%il 86,5 cm 99,3%il (Max) 49,8 cm

Knäveckshöjd Räckvidd Manikin #5 5%il 39,5 cm 1,6%il (Min) 72,4 cm Manikin #6 5%il 39,5 cm 52%il (Max) 80,2 cm Manikin #7 95%il 47,6 cm 73%il (Min) 82,4 cm Manikin #8 95%il 47,6 cm 99,1%il (Max) 89,5 cm

Här kan man välja att dimensionera på flera olika sätt. Om man dimensionerar efter de lägsta värdena som kan hittas hos de olika manikinerna så kommer räckvidden bli 72,4 cm och knäveckshöjden 37,7 cm. Detta ger att 98,14% av personerna i ANSUR88 uppfyller kravet för aktuell målgrupp vilket är mer än det önskade värdet 95%. Väljer man istället att dimensionera efter manikin #1 eller #2 kommer arbetsmiljön att få måtten för räckvidd samt knäveckshöjd för de respektive manikinerna i tabell 3.7 ovan. Om man jämför dessa värden med personerna i ANSUR88 finner man att 95,38% passar måtten för manikin #1 och 94,53% passar måtten för manikin #2, alltså väldigt nära den önskade målgruppen på 95% för båda manikinerna. Experimenten för de resterande målgrupperna utförs på samma sätt och resultatet kan ses i tabell 3.8 nedan där endast manikin #1 och #5 samt minimum värdet för alla manikiner redovisas. Fullständig tabell finns i Appendix C där även tabeller för resterande målgrupper finns.

Tabell 3.8. Resultat från del 2 med tillämpning av gränsmanikinmetoden.

Målgrupp Manikin Räckvidd Knäveckshöjd Andel

godkända Differens

60% #1 40%il 79,0 cm 8%il 40,0 cm 59,86% -0,14 60% #5 3%il 73,4 cm 40%il 42,6 cm 61,61% +1,61 60% Min(#1-#8) 3%il 73,4 cm 8%il 40,0 cm 91,54% +31,54 80% #1 20%il 76,7 cm 1,5%il 38,3 cm 80,44% +0,44 80% #5 0,8%il 71,4 cm 20%il 41,3 cm 80,78% +0,78 80% Min(#1-#8) 0,8%il 71,4 cm 1,5%il 38,3 cm 98,25% +18,25 90% #1 10%il 75,1 cm 0,7%il 37,4 cm 90,36% +0,36 90% #5 0,9%il 71,6 cm 10%il 40,4 cm 90,02% +0,02 90% Min(#1-#8) 0,9%il 71,6 cm 0,7%il 37,4 cm 98,87% +8,87 95% #1 5%il 74,0 cm 0,9%il 37,7 cm 95,38% +0,38 95% #5 1,6%il 72,4 cm 5%il 39,5 cm 94,53% -0,47 95% Min(#1-#8) 1,6%il 72,4 cm 0,9%il 37,7 cm 98,14% +3,14

19

Som tabell 3.8 ovan visar så är det bäst att dimensionera efter antingen manikin #1 eller #5 för att komma så nära önskad målgrupp som möjligt. Designar man istället för de lägsta värdena hos alla manikiner i familjen eller någon av de resterande manikinerna så passar miljön en för stor eller för liten del av populationen. Resten av detta stycke förklarar tabell 3.8 ovan och senare kommer liknande tabeller. För varje målgrupp genereras åtta manikiner eftersom man designar efter två kritiska mått, se ekvation (3). Varje manikin har ett percentilvärde som motsvarar ett antropometrisk mått för varje ingående mått, i detta fall räckvidd och knäveckshöjd. Med hjälp av Matlab jämförs sedan dessa mått mot personerna i ANSUR88 för att se hur många som uppfyller uppställt krav. I detta fall är kravet att nå fram till facket utan att sträcka sig samtidigt som hela foten får stöd från golvet. Differensen är Andel godkända minus Målgrupp där noll eller ett värde nära noll är mest eftertraktat.

3.2.3 Del 3. Tre kritiska mått: Räckvidd, knäveckshöjd samt stuss till knäveck

I detta avsnitt tillämpas metoderna för att designa arbetsmiljön efter de tre ingående kritiska måtten.

3.2.3.1 Tillämpning av percentilmetoden, del 3

Då målgruppen är 95% så designas miljön efter 5%ilen för respektive ingående mått och dessa är

Räckvidd = 74,0 cm Knäveckshöjd = 39,5 cm Stuss till knäveck = 45,8 cm

Då man jämför med personerna i ANSUR88 finner man att 90,76% av dessa uppfyller kraven vilket är mindre än de önskade 95%. Experimenten för de resterande målgrupperna utförs på samma sätt och redovisas i tabell 3.9 nedan.

Tabell 3.9. Resultat från del 3 med tillämpning av percentilmetoden.

Målgrupp Percentil Räckvidd Knävecks-

höjd Stuss till knäveck

Andel godkända Differens

60% 40%il 79,0 cm 42,6 cm 49,3 cm 44,87% -15,13 80% 20%il 76,7 cm 41,3 cm 47,8 cm 68,04% -11,96 90% 10%il 75,1 cm 40,4 cm 46,7 cm 82,13% -7,87 95% 5%il 74,0 cm 39,5 cm 45,8 cm 90,76% -4,24

Likt för experimentet i föregående del med två kritiska mått missar man att pricka målgruppen. Förlusten med tre kritiska mått blir ännu mera påtagligt jämfört med experimenten i del 2. I tabell 3.10 nedan visas likadant som i del 2 vilka percentiler och dess tillhörande mått man behöver dimensionera efter då man vill uppfylla kravet för målgrupperna.

Tabell 3.10. Visar vilken percentil man behöver designa efter för att uppfylla aktuell målgrupp i del 3.

Målgrupp Percentil Räckvidd Sitthöjd Stuss till knäveck

60% 26,1%il 77,5 cm 41,8 cm 48,3 cm 80% 11,5%il 75,3 cm 40,6 cm 46,8 cm 90% 5,3%il 74,1 cm 39,5 cm 45,9 cm 95% 2,5%il 73,1 cm 38,8 cm 45,0 cm

3.2.3.2 Tillämpning av gränsmanikinmetoden, del 3

Då målgruppen är 95% och experimentet innehåller tre mått, räckvidd, knäveckshöjd samt stuss till

knäveck, ger det upphov till en familj av 24 manikner enlligt ekvation (3). De tre minsta manikinerna #1, #9 och #17 är intressanta i detta experiment eftersom de tillhör den undre gränsen i den tänkta ellipsen och de kan ses i tabell 3.11 nedan. Manikinerna #2-#8, #10-#16 samt #18-#24 tillhör de övre gränserna och är följaktligen inte intressanta för detta experiment och de är därför inte redovisade i

20

den här delen av rapporten. För fullständig tabell se Appendix C där även tabeller för resterande målgrupper finns.

Tabell 3.11. De minsta gränsmanikinerna från familjen baserat på måtten räckvidd, knäveckshöjd och stuss till knäveck.

Manikin Räckvidd Knäveckshöjd Stuss till knäveck #1 5%il 74,0 cm 0,9%il 37,7 cm 0,1%il 41,4 cm #9 1,6%il 72,4 cm 5%il 39,5 cm 1,4%il 44,5 cm #17 0,4%il 70,3 cm 1,1%il 37,9 cm 5%il 45,8 cm

Vid jämförelse med personerna i ANSUR88 finner man att manikin #1 passar 95,38% av dessa, manikin #9 passar 94,36% och manikin #17 passar 94,81% vilket är nära de önskade 95% för alla dessa manikiner. Om man skulle dimensionera efter de lägsta värdena för alla gränsmanikiner i familjen skulle det passa 98,87% vilket är mer än de önskade 95%. Experimenten för de resterande målgrupperna utförs på samma sätt och visas i tabell 3.12 nedan.

Tabell 3.12. Reslutat från del 3 med tillämpning av gränsmanikinmetoden.

Målgrupp Manikin Räckvidd Knäveckshöjd Stuss till knäveck

Andel godkända

Differens

60% #1 40%il 79,0 cm 8%il 40,0 cm 2,9%il 45,1 cm 59,86% -0,14 60% #9 3,2%il 73,4 cm 40%il 42,6 cm 5,1%il 45,9 cm 61,44% +1,44 60% #17 1,1%il 72,0 cm 3%il 38,9 cm 40%il 49,3 cm 61,16% +1,16 60% Min(#1-#24) 1,1%il 72,0 cm 2,9%il 38,8 cm 2,9%il 45,1 cm 95,72% +35,72 80% #1 20%il 76,7 cm 1,6%il 38,3 cm 3,2%il 45,3 cm 80,10% +0,10 80% #9 0,8%il 71,4 cm 20%il 41,3 cm 1,1%il 44,4 cm 80,78% +0,78 80% #17 2,2%il 73,0 cm 2%il 38,5 cm 20%il 47,8 cm 80,89% +0,89 80% Min(#1-#24) 0,8%il 71,4 cm 1,6%il 38,3 cm 1,1%il 44,4 cm 97,86% +17,86 90% #1 10%il 75,1 cm 0,7%il 37,4 cm 0,6%il 43,8 cm 90,36% +0,36 90% #9 0,9%il 71,6 cm 10%il 40,4 cm 0,6%il 43,8 cm 90,02% +0,02 90% #17 0,8%il 71,4 cm 1,1%il 37,9 cm 10%il 46,7 cm 90,08% +0,08 90% Min(#1-#24) 0,8%il 71,4 cm 0,7%il 37,4 cm 0,6%il 43,8 cm 98,70% +8,7 95% #1 5%il 74,0 cm 0,9%il 37,7 cm 0,15%il 41,4 cm 95,38% +0,38 95% #9 1,6%il 72,4 cm 5%il 39,5 cm 1,4%il 44,5 cm 94,36% -0,64 95% #17 1,3%il 72,1 cm 0,5%il 37,3 cm 5%il 45,8 cm 94,81% -0,19 95% Min(#1-#24) 1,3%il 72,1 cm 0,5%il 37,3 cm 0,15%il 41,4 cm 98,65% +4,65

Då man designar efter manikin #1, #9 eller #17 kommer man oberoende målgrupp nära det önskade värdet. Dimensionerar man dock efter de lägsta värden passar miljön för mer än den önskade målgruppen. Då man designar efter någon av de resterande manikinerna i familjen passar arbetsmiljön genomgående för färre personer än önskat.

3.2.4 Slutsats experiment postsortering

Vid försök med ett kritiskt mått så går det utmärkt att använda sig av tillämpningen med percentilmetoden. Då är det också, som tidigare fastställt, onödigt att använda tillämpningen av gränsmanikinmetoden. När man dock har två kritiska variabler är det fördelaktigt att använda sig av gränsmanikinmetoden och designa efter någon av de två minsta manikinerna #1 eller #5. Tillämpningen med percentilmetoden börjar här avvika med några procent från önskad målgrupp. Avvikelsen blir ännu tydligare vid användandet av percentilmetoden då man går över till experimentet med tre kritiska mått. Detta styrker även den teori som nämndes i avsnittet 2.2 att felet blir större desto fler percentilmått man adderar. Tillämpningen med gränsmanikinmetoden fungerar dock bra även vid det sista experimentet om man designar efter någon av de tre minsta manikinerna #1, #9 eller #17. Vid tillämpningen av gränsmanikinmetoden blir det genomgående fel

21

om man designar efter de minsta uppmätta värdena hos gränsmanikinerna. Gör man detta passar miljön för nästan hela populationen vilken målgrupp man än väljer. Då man väljer att designa efter andra manikiner i familjerna än de ovan rekommenderade så kommer man genomgående dimensionera för en mindre andel än man önskar. Alltså säger dessa experiment att man bör använda gränsmanikinmetoden då de kritiska måtten är två eller tre. Percentilmetoden bör användas då endast ett mått är kritiskt. Detta experiment baseras på statiska mått. Men för att designa denna miljö i verkligheten skulle det vara nödvändigt att använda funktionella mått som nämnts i avsnitt 2.1. I Jack finns funktionen Reach zones där man ser hur långt en person når då han till exempel får böja ryggen framåt en viss vinkel, och det är således ett funktionellt mått. Figur 3.3 nedan visar hur detta skulle kunna se ut.

Figur 3.3. Funktionen Reach Zones i Jack från tre olika vyer.

3.3 Simulering av lagerplockning

- Följande simulering görs i Jack.

3.3.1 Bakgrund och hypotes

Det är intressant att undersöka hur simuleringarna grundade på gränsmanikinkonceptet och percentilkonceptet skiljer sig åt då manikinen skall utföra en arbetskrävande uppgift. Eftersom manikinerna i de två fallen är utformade på olika sätt bör de ge olika resultat. Då manikinerna skapas med gränsmanikinmetoden bör man i det här fallet använda sig av måtten längd och räckvidd för att simulera ett räckviddstest. De här två måtten är relevanta för att se och nå objektet som avses hanteras, i det här fallet den röda lådan på hyllan i figur 3.4. Räckvidden tas inte hänsyn till då generering av manikiner baserade på percentilmått görs, därför förmodas det bli en viss skillnad mellan manikinerna. Testet skall undersöka vilka av manikinerna som når till de översta hörnen av lådan och om det spelar någon roll hur man väljer ut datormanikinerna. Det utförs även tester av analysfunktionen ländryggsanalys (i programmet namngivet Lower back analysis) i Jack för att undersöka hur väl de fungerar i sammanhanget. Det är ett test för att se vilken kraft som uppkommer i ryggen mellan de två specifika ländkotorna L4 och L5. För att sätta en undre gräns bestäms centrala anpassningen för fördelningskurvan till 90%. Det innebär att 5%il manikinen ska kunna nå precis till lådans överkant enligt ekvation (5).

22

Figur 3.4. Hyllan och lådan

Lådan och hyllan är objekt man kan importera för att skapa en simuleringsmiljö. Lådan placeras på översta hyllplanet (143,3 cm från golvet) dit det är olika svårt för manikinerna att nå med anledning av deras varierande räckvidder och längder. För att undersökningen med datormaniknerna skall bli så korrekt som möjligt ska alla manikinerna vara placerade på samma avstånd från hyllan och lådan. Avstånden bestäms så att manikinen för 5%ilen klarar av uppgiften precis, vilket ger 100 cm mellan manikin och hylla samt 60 cm mellan manikin och låda. De startar alla i förvalspositionen stå avslappnat (posture stand relaxed) för att sedan sträcka armarna snett uppåt mot lådan. Med analysfunktionen Reach Zones räknar programmet ut hur långt manikinen kan nå utan att böja eller sträcka övriga kroppen. Resultatet pressenteras visuellt i Jack och då ser man om manikinen når punkten högst upp på lådan. Om räckviddszonen, med reservation för översättningen, täcker lådans övre hörn så är det godkänt för att manikinen ska antas klara av uppgiften.

3.3.2 Manikinerna skapade efter percentilmått

När testet ska utföras behövs manikiner. För experimentet genereras manikener som motsvarar 1-, 5-, 50- och 95%ilen för män baserat på data från ANSUR88. Då går man in och hämtar de fyra percentilernas motsvarande mått för längd och räckvidd i ANSUR88 för att kunna bestämma manikinernas mått för simuleringen i Jack.

Figur 3.5. De fyra manikinerna baserade på percentil. Siffran på ryggen står för vilken percentil manikinen motsvarar.

I vanliga fall ska man kunna bestämma för en manikin i Jack vilken percentil den ska motsvara. Efter undersökning uppenbaras det att det blir olikheter vad det gäller kroppsmåtten då räckvidden blir större för manikinen än vad som motsvarar den givna percentilen. Exempelvis för en manikin som

23

skall motsvara 1%ilen så ger Jack räckvidden 76,9 cm medan genom att skapa en manikin för 1%ilen med data från PCA-filen, som är den samma som ANSUR88, ger räckvidden 70,9 cm. I Jack framgår det inte var måtten som ligger till grund för percentilen härstammar ifrån. Kanske är det från samma PCA-fil som används för att skapa familjer i Jack eller så är det någon annan datafil som inte är tillgänglig att studera. Troligen är fallet det sistnämnda grundat på att undersökningen om olikheter mellan manikinerna. Därför används inte den funktionen. Istället för att göra jämförelsen mellan gränsmanikiner och manikiner baserade på percentil så korrekt som möjligt, används de manikiner baserade på informationen från ANSUR88. Egna manikiner skapas där måtten för längd och räckvidd är bestämda efter 1-, 5-, 50- och 95%ilen. I tabell 3.13 nedan återfinns manikinerna skapade efter percentil för experimentet.

Tabell 3.13. Jämförelse mellan percentilmanikiner från Jack och manikiner baserade på ANSUR88. Differensen mellan räckvidd med Jacks percentilmått och räckvidd för percentilmanikinen med ANSUR88 data kan uppgå till 6 cm i skillnad.

Det är måtten i kolumnen längst till höger som används i testet tillsammans med längden.

Percentiler från Jack

Längd [cm]

Räckvidd med Jack´s

percentilmått

Räckvidd för percentil-

manikinen med ANSUR88 data.

1%il 160,3 76,9 70,9 5%il 164,7 79,2 73,6 50%il 175,5 84,8 80,1 95%il 186,7 90,9 86,2

Av de fyra når alla lådans övre hörn utom 1%ilen manikinen vilket är i linje med teorin eftersom manikinerna är placerade så att 5%ilen precis skall nå. I figur 3.6 ser man att 1%ilen inte når hela vägen upp. Det saknas några centimeter.

Figur 3.6. Manikin av 1%ilen. De svarta ringarna påvisar ett avstånd mellan manikinen fingerspetsar och lådans övre

hörn.

3.3.3 Ländryggsanalysen för percentilmanikiner

När krafter appliceras i händerna (se kraftvektorerna i figur 3.6) för att simulera lådans tyngd (14 kg) kan det uppmärksammas att manikinerna får olika arbetsamma arbetsställningar då de når olika högt. Då man tittar på krafter i ländryggen med analysmetoden Lower Back Analysis vid lyft från höga höjder, beräknat med tillagda vikter i händerna, kan man observera ett samband mellan ökande krafter i ryggen ju längre manikinerna är. Värdena presenteras i diagramform i figur 3.9. Det kan ju tyckas vara konstigt att korta manikiner skulle vara mindre känsliga för att lyfta men förmodligen beror det på att de längre personerna har mer kroppsmassa och därför får ryggen bära upp större krafter. En annan faktor kan vara att hävarmen blir större för de personer med längre armar då tyngdpunkten för den tillagda kraften är placerad mitt i handen på manikinen. Följaktligen räknar Jack med att armen fungerar som en hävarm för kraften i handen och beräknar kraften utifrån det.

24

Värdena korrelerar i mycket hög grad. Korrelationen är nämligen 0,9937 mellan kraften i ryggen och kroppslängden. Korrelationerna kan ses i tabell 3.14 nedan. Korrelationskonstanterna som är uträknade i Excel visar på att kraften i ryggen har ett starkt samband med längden och räckvidden.

Tabell 3.14. Korrelationer för gränsmanikiner och percentil. Inputdata finns i appendix E.

Korrelationer Percentiler Gränsmanikiner Längd korrelerat till kraft 0,993698 0,93382353 Vikt korrelerat till kraft 0,989615 0,93440015 Räckvidd korrelerat till kraft 0,995373 0,95288737

3.3.4 Gränsmanikiner

I den här kategorin ingår åtta stycken manikiner med kroppsmått tagna från ANSUR88. De är framställda enligt metoden som redovisas stegvis i 2.3. Vanligtvis behöver man inte använda så många manikiner som åtta stycken för två kritiska mått vilket förklaras i avsnittet om familjer, se 2.3. Ofta antas det fungera att reducera bort de mindre eller större människorna som klarar av uppgiften ifråga utan problem och därför behöver inte simuleras. Här simuleras alla åtta ändå för att det är intressant hur ländryggsanalysen slår ut för de längre datormanikinerna. Det råder samma förutsättningar för gränsmanikinerna som titigare i testet. De befinner sig på samma avstånd från lådan och hyllan.

Tabell 3.15. Gränsmanikinernas percentilmått och kroppsmått

Manikin Räckvidd Längd #1 5%il 73,6 cm 1,7%il (min) 161,4 cm #2 5%il 73,6 cm 40,6%il (max) 174 cm #3 95%il 86,5 cm 50%il (min) 175,6 cm #4 95%il 86,5 cm 99,86%il (max) 195,5 cm Längd Räckvidd

#5 5%il 164,5 cm 3,75%il (min) 73,1 cm #6 5%il 164,5 cm 19,4%il (max) 76,7 cm #7 95%il 186,5 cm 67%il (min) 81,8 cm #8 95%il 186,5 cm 99%il (max) 89,4 cm

Utfallet blev att manikin #1 och #5 inte når till lådans övre kant. I figur 3.7 illustreras hur det ser ut och vad den slutsatsen grundas på. Resten av manikinerna, #2 -4 och #6-8, når. Manikin #2 och #6 når väldigt knappt medan de fyra manikiner med 95%ilens räckvidd eller 95%ilens längd klarar uppgiften med råge. Se figur 3.8. Eftersom avsåndet är dimensionerat efter 5%ilen så är det rimligt att de manikinerna som är mindre på något kroppsmått inte klarar att nå den bestämda punkten.

25

Figur 3.7. Gränsmanikin #1 når inte till lådan. Räckviddszonen sträcker sig inte upp till lådan hörn.

Tabell 3.16. Sammanställning över vilka manikiner som når lådans övre hörn.

Klara uppgiften: Manikin nummer: Ja, mycket väl 3,4,7,8

Precis okej 2,6 Nej 1,5

Figur 3.8. De åtta gränsmanikinerna. Räckviddszonerna illustreras för nr 1, 2, 5 och 6

3.3.5 Ländryggsanalysen för gränsmanikiner

En kraft 7 kg applicerad i båda händerna på manikinerna för att simulera lådans vikt. På samma sätt som för percentilmanikinerna görs en ländryggsanalys som resulterar i ett liknande utslag som ovan i 3.3.3, nämligen att de längre manikinerna utsätts för en större kraft i ryggen än de kortare. Det framgår även att två manikiner med samma längd och olika räckvidd får olika påfrestningar i ryggen. Manikinen med längre armar och därmed längre räckvidd utsätts för en större kraft i ländryggen. I diagrammet nedan framgår det då manikin #5 och #6 har samma längd och manikin #7 och #8 med. Orsaken är att hävarmen från kraften ökar när armlängden gör detsamma.

26

Figur 3.9. Ländryggsanalys för alla tolv manikiner. Analyserna återfinns i appendix B.

3.3.6 Slutsats experiment simulering av lagerplockning

Experimentet utföll inte som förväntat enligt hypotesen. Det blev i det här fallet inga större skillnader mellan att designa med percentil eller gränsmanikiner. De två gränsmanikinerna som inte når den tänkta punken har för korta armar eller saknar längden. Samma två manikiner är antingen kortare eller har sämre räckvidd än 5%ilen vilket faller sig naturligt då det är konstruerade enligt den givna metoden. Jämförelsen gav visserligen olika resultat med tanke på ländryggsanalysen vilket beror på att Jack beräknar kraften efter kroppsmåtten snarare än verkliga muskler i kroppen. Det grundas på de höga korrelationskoefficienterna presenterade i tabell 3.14. Ländryggsanalysen är således inte passande för den här typen av uppgift då den ger missvisande resultat. Däremot skulle den passa bättre för att jämföra olika arbetsställningar för en specifik manikin eftersom värdena man får ut är relativt arbetsställningen. En upptäckt av viktigare karaktär är att när Jack skapar manikiner efter percentil så bortses det ifrån att dimensionera för alla kroppsmått förutom kroppslängden och vikten. Det resulterar i att en manikin får till exempel längre armar än vad en person för samma percentilen har. För att visa ett exempel antar vi att 5%ilens manikin är sökt och längden blir då 164,7 cm vilket motsvarar 5%ilen. Däremot är manikinens räckvidd 79,2 cm vilket motsvarar 41%ilen då det bör vara omkring 5%ilen. Det här medför att jämförelser mellan gränsmanikiner och percentilmanikiner blir felaktig eftersom de inte jämförs på lika villkor. Förmodligen beror felet på att Jack inte använder data från PCA-filen för att skapa percentilmanikiner. Därför rekommenderas att då kroppsmåtten har betydelse för experimentet skall manikiner konstrueras efter egen data för att undvika missvisningar.

27

4 Diskussion

Här förs diskussioner angående resultat och slutsatser som utförts i analysdelen. Det beskrivs även hur Jack har fungerat samt vad programmet har för brister och fördelar.

4.1 Experiment i Matlab

De experiment som gjordes i Matlab var Kikhål på ytterdörr samt Postsortering. Som nämndes i teoridelen lämpar sig percentilmetoden bäst, vid val av utvärderingsgrupp, för simuleringar med ett kritiskt mått. Innehåller simuleringarna flera kritiska mått kommer man att missa delar av populationen enligt tidigare forskning, se avsnitt 2.2. Då experimenten innehöll ett kritiskt mått träffades den önskade målgruppen med mycket liten differens (mindre än en procentenhet) för samtliga målgrupper som testades, se tabeller i avsnitt 3.1-3.2. Med detta dras slutsatsen att percentilmetoden fungerar utmärkt då antal kritiska mått är ett. När antalet kritiska mått är två fungerar dock inte percentilmetoden lika fläckfritt. Differensen blev negativ för alla testade målgrupper, det vill säga att de designade miljöerna passade färre personer än önskat. Då antalet kritiska mått var tre blev denna negativa differens ännu mera påtaglig. Detta stämmer även det överens med vad tidigare forskning visat, det vill säga att ju fler kritiska mått desto sämre anpassning av målgruppen. Vid val av utvärderingsgrupp fungerar gränsmanikinmetoden bäst då antalet kritiska mått är två eller flera enligt tidigare forskning, se avsnitt 2.3. Metoden testades även i experimentet Kikhål på

ytterdörr i en simulering med ett kritiskt mått. Slutsatsen blev dock att denna metod inte fungerade speciellt bra. Jämfört med percentilmetoden krävdes betydligt mer arbete som också gav ett sämre resultat. Ett lika bra resultat som percentilmetoden gav, kunde gränsmanikinmetoden ge efter resonemang kring vilka manikiner som det skulle designas för. Med detta i beaktande så är gränsmanikinmetoden inte lämpad för simuleringar med ett kritiskt mått. Ett sunt förnuft kan även utesluta gränsmanikinmetoden i detta fall eftersom den baseras på flera kritiska mått. När de kritiska måtten var två blev resultatet dock bättre. Differensen blev liten för alla testade målgrupper då man designade efter de två manikinerna med min-värden i familjen. I experimenten här är de kritiska manikinerna de med min-värden, men för designproblem för övre gränser är det manikinerna med max-värden i familjen som bör användas. Till exempel då man designar för trånga utrymmen. Designade man dock för någon av de resterande manikinerna blev differensen genomgående negativ. Om man designar för de minsta enskilda värdena, för de kritiska måtten som förekommer i familjen, designar man genomgående för en för stor andel av populationen oavsett målgrupp. Slutsatsen är att gränsmanikinmetoden fungerar bra för två kritiska mått då rätt manikiner väljs ur familjen. Rätt manikiner innebär ofta manikinerna med max- eller min-värden. Vid simulering av tre kritiska mått kan i stort sett samma slutsatser dras för gränsmanikinmetoden som för simulering med två kritiska mått. Här uppnås bäst resultat då man designar efter någon av de tre manikinerna med min-värden i familjen #1, #9 och #17, se avsnitt 3.2.3.2. Annars dras samma slutsatser som ovan.

4.2 Kommentarer kring gränsmanikinmetoden

De maximala och minimala värdena hos manikinerna i familjen (steg 3 och 4 i avsnitt 2.3) kan variera kraftigt beroende på vilka personer som påträffas. Detta eftersom dessa max- och min-värden baseras på verkliga personer i ANSUR88. Ibland kan en person med extrema proportioner påträffas och då kommer sannolikt denna metod ge en för stor anpassning som skiljer sig från den önskade målgruppen. Detta illustreras i figur 4.1 nedan. Det skulle även kunna inträffa att inga eller väldigt få personer påträffas, vilket skulle innebära det omvända, det vill säga att anpassningen blir för liten. Dessa scenarion har förmodligen inte inträffat i de experiment som utförts här, men de är tänkbara utfall. De här eventuella felen, som ovan diskuterats, beror i stor utsträckning på vilken data som är

28

tillgänglig. Det spann på ≤0,1 cm som används i denna metod passar bra för ANSUR88 som innehåller 1782 män. Antalet personer i ANSUR88 är tillräckligt många för att det givna spannet nästan uteslutande ger någon eller några personer med aktuellt mått. Hade antalet personer varit mindre borde spannet vara större, och vice versa. Detta för att vara säker på att lagom antal personer existerar med aktuellt mått.

Figur 4.1. Då personer med extrema proportioner påträffas kommer en för stor anpassning att uppnås. Här visas

spridningen av handlängd och fotlängd. Måttskalan är angiven i cm.

Gränsmanikinmetoden, som beskrivs i denna rapport, grundas på att hitta ett antal personer med ett specifikt percentilmått. Jämfört med percentilmått som är mycket stora eller mycket små kommer percentilmått som är nära medelvärdet sannolikt påträffa många fler personer. Således ökar sannolikheten att spridningen där blir större, se återigen figur 4.1 för illustration. Detta anses rimligt eftersom det är en ellips som ska skapas och spridningen på en sådan är större vid mitten än vid dess ändar.

4.3 Experiment i Jack

Efter att ha gjort experimentet i Jack där lagerplockningen simuleras upptäcktes att Jack konstruerar de endimensionella manikinerna grundade på percentil på ett underligt sätt. Enligt teorin är det inte nödvändigtvis så att en person med 5%ilens längd har 5%ilens mått i övrigt, till exempel räckvidd. Vad vi uppmärksammat i studien så är inte räckvidden av samma percentil som kroppslängden i Jack för percentilmaniknerna, alltså i linje med tidigare forskning. Skillnaden är dock väldigt stor vilket fastslogs i avsnitt 3.3.6. Det innebär att percentilmanikinerna når längre i simuleringen än i verkligheten, vilket i sin tur skulle kunna leda till felkonstruktion om konstruktören tror att manikinen har samma kroppsmått som människorna i målgruppen. Kroppslängden stämmer överens med informationen i PCA-filen som används för Principal components manikins, alltså manikinerna av n:e percentilen (0 < n < 100) blir lika långa med Principal components manikins som med den endimensionella percentilmetoden Jack använder. Som exempel skulle man kunna ta en arbetsstation för montering. Den skulle innefatta en arbetsbänk, som har en viss höjd baserat på kroppslängd, så personen blir tillräckligt lång för att kunna arbeta ergonomiskt vid bänken. Om personen behöver ett verktyg som befinner sig inom räckhåll i simuleringen men kräver att människan sträcker sig lite för att nå blir det ju uppenbarligen inte som det var tänkt från början, nämligen att människan ska nå utan någon extra ansträngning. Ett problem, som vi har hört talas om, vid ergonomisimulering i datorprogram är att manikiner når sämre än vad motsvarande verkliga personer gör. Detta har dock inte studerats noggrannare. Antagligen finns det fler aspekter som kan spela in när man ska designa för den komplicerade människan men det faller också utanför området för studien. Kontentan är att man ska undersöka sin manikin då man gör simuleringar för att undvika den här typen av fel. Det är viktigt att man har

29

kunskaper om simuleringsprogrammet och teorin för att kunna kringgå komplikationer och göra korrekta förenklingar och antaganden. Det kräver också vissa kunskaper om antropometri för att förstå vad som kan orsaka fel i simuleringen vilket vi upplevde under studiens gång. Vår rekommendation är, förutsatt att man har en klar bild om hur man gör, att man skapar sina egna manikiner för simuleringen för att ha vetskap om manikinens kritiska mått. Experimentet Simulering av lagerplockning som presenteras i 3.3 resulterade i att det inte blev någon större skillnad mellan att designa med percentil- eller gränsmanikiner, för val av utvärderingsgrupp. De två manikiner som var kortare än 5%ilen för något av de kritiska måtten nådde helt enkelt inte lådan. Hade testet nyttjat Jacks metod för att framställa percentilmanikiner så hade inte heller gränsmanikin #6 som precis nådde, klarat att nå. Det hade berott på att 5%ilen manikinen hade haft längre räckvidd och kunnat stå längre ifrån lådan. Utgångspunkten var ju att refernsmanikinen precis skulle nå. Jämför man måtten för 5%ilen i tabell 3.13 med gränsmanikinerna #1, #2, #5 och #6 i tabell 3.15 så ser man att alla har kortare räckvidd än 5%ilen. Alla utom #5 är dessutom kortare är 5%ilen och är således underkvalificerade för båda kritiska de måtten. Antagligen hade #5 varit på gränsen till att klara uppgiften eller nära inpå då hans längd inte verkar kompensera räckvidden tillräckligt mycket. I Jack finns, som tidigare nämnts i avsnitt 2.4, en funktion Principal component manikins (PCM) som utifrån givna antropometriska data (PCA-fil) bildar en familj av manikiner. Från början var det tänkt att denna skulle analyseras men efter en tids användande fann vi att den inte fungerade som den skulle. Det som inte fungerade var den centrala anpassningen som beskrivs i avsnitt 2.4. PCM gav alltid exakt samma familj oavsett vilken procent man valde som central anpassning. Vi ansåg det även omöjligt att analysera den familj som faktiskt skapades eftersom vi inte visste vilken central anpassning den hade. Som vi antar har framgått i rapporten flöt inte allt på smärtfritt under studiens gång. När det uppenbarades att Principal components manikins inte fungerade som det är tänkt och det blev läge att ersätta den funktionen med vår egen modifierade metod för att ta fram gränsmanikiner, var det bra att ha den kunskapen vi samlat på oss under projektets inledande veckor. Från början var det tänkt att den funktionen skulle användas för att framställa manikiner till de flerdimensionella experimenten. I efterhand har det i våra ögon inte förstört så mycket. Studien fick en liten vridning som var nyttig utifrån den aspekten att vi fick fördjupad förståelse teorin för att kunna framställa metoden som presenterats i rapporten, se 2.3. Det är ännu ett belägg för att teorin bakom vetenskapen är viktig för tillämpningen i form av simuleringsprogram.

30

4.4 Slutsatser och rekommendationer

Nedan följer det viktigaste som diskuterats tidigare i kapitlet i punktform. • Då antal kritiska mått är ett vid ergonomisimulering bör percentilmetoden användas vid val av

utvärderingsgrupp. Percentilmetoden är olämplig då antalet kritiska mått överstiger ett. • För att välja utvärderingsgrupp då antalet kritiska mått är två eller tre bör gränsmanikinmetoden

användas. Gränsmanikinmetoden är onödig då antal kritiska mått är ett. • Funktionen som skapar en manikinfamilj i Jack, Principal component manikins, fungerar inte. Man

varken vet eller kan variera den centrala anpassningen. • Då manikinerna skapas med gränsmanikinmetoden bör man anpassa denna efter den mängd

data man har att tillgå. • Vi är tveksamma till Jacks metod att framställa percentilmanikiner, på grund av att det

förekommer stora proportionsskillnader mellan kroppsmåtten för manikinen. • För att kunna göra meningsfulla analyser och simuleringar i Jack är det bra att ha goda kunskaper

om ergonomi och antropometri.

31

Källförteckning

[1] Roebuck, John A. Jr. (1995). Anthropometric Methods: Designing to Fit the Human Body. California, US: Human Factors and Ergonomics Society. ISBN 0-945289-01-4 [2] Pheasant, S. & Haslegrave C. M. (2006). BODYSPACE: Anthropometry, Ergonomics and the Design

of Work. Florida, US: Taylor & Francis Group. ISBN: 0-415-28520-8 [3] Hedge, Alan (2007) Anthropometry and Workspace Design. Cornell University, New York, US [hämtat 2008-03-30] Tillgänglig: http://ergo.human.cornell.edu/studentdownloads/DEA325pdfs/AnthroDesign.pdf [4] Human Solutions (2008) Body Scanning - and the future of customized clothing is now here - to

stay. [hämtat 2008-03-05] Tillgänglig: http://www.human-solutions.com/apparel_industry/bodyscanning_en.php [5] Högberg, Dan (2007). Föreläsning Produktergonomi Datormanikiner / Antropometri. Högskolan Skövde: Institution för Teknik och Samhälle [hämtat 2008-02-24] Tillgänglig: http://www.his.se/upload/39070/PErgo%202007%20F7_3.pdf [6] Hanson, Lars (2008) Tekn Dr. vid institutionen för designvetenskaper, Ergonomi och aerosolteknologi vid LTH. Lund, Telefon: 046-2224066 [7] IFP Research (2005) Projektet Proforma 04 [hämtat 2008-03-14] Tillgänglig: http://www.ifp.se/UserFiles/IFP%20Research/www.ifp.se/Documents/Document/proforma_04_del_1.pdf [8] Junhong Dai and Yu Teng (2005) Optimization and Minimization of Boundary Mannequins Tyskland: Daimler Chrysler AG. ISSN: 0096-736X [9] Reed, Matthew P. (1988) 1988 U.S. Army Anthropometry Survey (ANSUR) [hämtat 2008-03-10] Tillgänglig: http://mreed.umtri.umich.edu/mreed/downloads.html [10] K.M. Robinette and J.T. McConville(1981) An alternative to percentile models. Warrendale, Society of Automotive Engineers. SAE Technical Paper 810217 [11] G.F. Zehner (1996) Cockpit anthropometric accommodation and the JPATS program.

SAFEJournal, vol 26 US. [12] Moshtagh, Nima (2007) Ellipse_plot.m & MinVolEllipse.m [hämtat 2008-04-12] Tillgänglig: http://www.mathworks.com/matlabcentral/fileexchange/loadCategory.do [13] Moroney W.F. & Smith M.J. (1972) Empirical Reduction in Potential User Population as the Result

of Imposed Multivariate Anthropometric Limits, Pensacola, FL: Naval Aerospace Medical Research Laboratory Report, NAMRL-1164 (AD 752 032) [14] Dainoff, M., Gordon, C., Robinette, K. & Strauss, M (2004) Guidelines for Using Anthropometric

Data in Product Design, California, US: HFES 300 Committee

I

Appendix A

load Jack_Measures % Hämtar data från ANSUR88 Central_Accommodation=20; % Centrerad anpassning antro_1=26; % Antropometriskt mått 1 antro_2=27; % Antropometriskt mått 2 antro_3=29; % Antropometriskt mått 3 Perc_min=(100-Central_Accommodation)/2; Perc_max=100-(100-Central_Accommodation)/2; Prct_value_min1=round(prctile(matris_m(:,antro_1),Perc_min)*10)*10; Prct_value_min2=round(prctile(matris_m(:,antro_2),Perc_min)*10)*10; Prct_value_min3=round(prctile(matris_m(:,antro_3),Perc_min)*10)*10; Prct_value_max1=round(prctile(matris_m(:,antro_1),Perc_max)*10)*10; Prct_value_max2=round(prctile(matris_m(:,antro_2),Perc_max)*10)*10; Prct_value_max3=round(prctile(matris_m(:,antro_3),Perc_max)*10)*10; % ---------------- Bboundary +/- 1 mm, 2 variabler -----------------------% k_12=1;K_12=[]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)*100==Prct_value_min1 || round(matris_m(i,antro_1)*100)==round(Prct_value_min1+10) || round(matris_m(i,antro_1)*100)==round(Prct_value_min1-10); K_12(k_12)=matris_m(i,antro_2)*100; k_12=k_12+1; end end if length(K_12)==0 K_12=Prct_value_min2; end k_56=1;K_56=[]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_2)*100==Prct_value_min2 || round(matris_m(i,antro_2)*100)==round(Prct_value_min2+10) || round(matris_m(i,antro_2)*100)==round(Prct_value_min2-10); K_56(k_56)=matris_m(i,antro_1)*100; k_56=k_56+1; end end if length(K_56)==0 K_56=Prct_value_min1; end k_34=1;K_34=[]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)*100==Prct_value_max1 || round(matris_m(i,antro_1)*100)==round(Prct_value_max1+10) || round(matris_m(i,antro_1)*100)==round(Prct_value_max1-10); K_34(k_34)=matris_m(i,antro_2)*100; k_34=k_34+1; end end if length(K_34)==0 K_34=Prct_value_max2; end k_78=1;K_78=[]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_2)*100==Prct_value_max2 || round(matris_m(i,antro_2)*100)==round(Prct_value_max2+10) || round(matris_m(i,antro_2)*100)==round(Prct_value_max2-10); K_78(k_78)=matris_m(i,antro_1)*100; k_78=k_78+1; end end if length(K_78)==0 K_78=Prct_value_max1; end % Skapar gränsmanikiner med två kritiska mått

II

Boundary_manikin=[ Prct_value_min1 min(K_12) Prct_value_min1 max(K_12) Prct_value_max1 min(K_34) Prct_value_max1 max(K_34) Prct_value_min2 min(K_56) Prct_value_min2 max(K_56) Prct_value_max2 min(K_78) Prct_value_max2 max(K_78) ]/100 % ---------------- Boundary +/- 1 mm, 3 variabler ------------------------% k_1234=1;K_1234=[]; for i=1:length(matris_m(:,1)) if round(matris_m(i,antro_1)*100)==round(Prct_value_min1) || round(matris_m(i,antro_1)*100)==round(Prct_value_min1+10) || round(matris_m(i,antro_1)*100)==round(Prct_value_min1-10); K_1234(k_1234,1)=matris_m(i,antro_1)*100; K_1234(k_1234,2)=matris_m(i,antro_2)*100; K_1234(k_1234,3)=matris_m(i,antro_3)*100; k_1234=k_1234+1; end end if length(K_1234)==0 K_1234(1,1)=Prct_value_min1; K_1234(1,2)=Prct_value_min2; K_1234(1,3)=Prct_value_min3; end k_5678=1;K_5678=[]; for i=1:length(matris_m(:,1)) if round(matris_m(i,antro_1)*100)==round(Prct_value_max1) || round(matris_m(i,antro_1)*100)==round(Prct_value_max1+10) || round(matris_m(i,antro_1)*100)==round(Prct_value_max1-10); K_5678(k_5678,1)=matris_m(i,antro_1)*100; K_5678(k_5678,2)=matris_m(i,antro_2)*100; K_5678(k_5678,3)=matris_m(i,antro_3)*100; k_5678=k_5678+1; end end if length(K_5678)==0 K_5678(1,1)=Prct_value_max1; K_5678(1,2)=Prct_value_max2; K_5678(1,3)=Prct_value_max3; end k_912=1;K_912=[]; for i=1:length(matris_m(:,1)) if round(matris_m(i,antro_2)*100)==round(Prct_value_min2) || round(matris_m(i,antro_2)*100)==round(Prct_value_min2+10) || round(matris_m(i,antro_2)*100)==round(Prct_value_min2-10); K_912(k_912,1)=matris_m(i,antro_1)*100; K_912(k_912,2)=matris_m(i,antro_2)*100; K_912(k_912,3)=matris_m(i,antro_3)*100; k_912=k_912+1; end end if length(K_912)==0 K_912(1,1)=Prct_value_min1; K_912(1,2)=Prct_value_min2; K_912(1,3)=Prct_value_min3; end k_1316=1;K_1316=[]; for i=1:length(matris_m(:,1)) if round(matris_m(i,antro_2)*100)==round(Prct_value_max2) || round(matris_m(i,antro_2)*100)==round(Prct_value_max2+10) || round(matris_m(i,antro_2)*100)==round(Prct_value_max2-10); K_1316(k_1316,1)=matris_m(i,antro_1)*100; K_1316(k_1316,2)=matris_m(i,antro_2)*100; K_1316(k_1316,3)=matris_m(i,antro_3)*100; k_1316=k_1316+1;

III

end end if length(K_1316)==0 K_1316(1,1)=Prct_value_max1; K_1316(1,2)=Prct_value_max2; K_1316(1,3)=Prct_value_max3; end k_1720=1;K_1720=[]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_3)*100==Prct_value_min3 || round(matris_m(i,antro_3)*100)==round(Prct_value_min3+10) || round(matris_m(i,antro_3)*100)==round(Prct_value_min3-10); K_1720(k_1720,1)=matris_m(i,antro_1)*100; K_1720(k_1720,2)=matris_m(i,antro_2)*100; K_1720(k_1720,3)=matris_m(i,antro_3)*100; k_1720=k_1720+1; end end if length(K_1720)==0 K_1720(1,1)=Prct_value_min1; K_1720(1,2)=Prct_value_min2; K_1720(1,3)=Prct_value_min3; end k_2124=1;K_2124=[]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_3)*100==Prct_value_max3 || round(matris_m(i,antro_3)*100)==round(Prct_value_max3+10) || round(matris_m(i,antro_3)*100)==round(Prct_value_max3-10); K_2124(k_2124,1)=matris_m(i,antro_1)*100; K_2124(k_2124,2)=matris_m(i,antro_2)*100; K_2124(k_2124,3)=matris_m(i,antro_3)*100; k_2124=k_2124+1; end end if length(K_2124)==0 K_2124(1,1)=Prct_value_max1; K_2124(1,2)=Prct_value_max2; K_2124(1,3)=Prct_value_max3; end % Skapar gränsmanikiner med tre kritiska mått Boundary_manikins=[ Prct_value_min1 min(K_1234(:,2)) min(K_1234(:,3)) Prct_value_min1 min(K_1234(:,2)) max(K_1234(:,3)) Prct_value_min1 max(K_1234(:,2)) min(K_1234(:,3)) Prct_value_min1 max(K_1234(:,2)) max(K_1234(:,3)) Prct_value_max1 min(K_5678(:,2)) min(K_5678(:,3)) Prct_value_max1 min(K_5678(:,2)) max(K_5678(:,3)) Prct_value_max1 max(K_5678(:,2)) min(K_5678(:,3)) Prct_value_max1 max(K_5678(:,2)) max(K_5678(:,3)) Prct_value_min2 min(K_912(:,1)) min(K_912(:,3)) Prct_value_min2 min(K_912(:,1)) max(K_912(:,3)) Prct_value_min2 max(K_912(:,1)) min(K_912(:,3)) Prct_value_min2 max(K_912(:,1)) max(K_912(:,3)) Prct_value_max2 min(K_1316(:,1)) min(K_1316(:,3)) Prct_value_max2 min(K_1316(:,1)) max(K_1316(:,3)) Prct_value_max2 max(K_1316(:,1)) min(K_1316(:,3)) Prct_value_max2 max(K_1316(:,1)) max(K_1316(:,3)) Prct_value_min3 min(K_1720(:,1)) min(K_1720(:,2)) Prct_value_min3 min(K_1720(:,1)) max(K_1720(:,2)) Prct_value_min3 max(K_1720(:,1)) min(K_1720(:,2)) Prct_value_min3 max(K_1720(:,1)) max(K_1720(:,2)) Prct_value_max3 min(K_2124(:,1)) min(K_2124(:,2)) Prct_value_max3 min(K_2124(:,1)) max(K_2124(:,2)) Prct_value_max3 max(K_2124(:,1)) min(K_2124(:,2)) Prct_value_max3 max(K_2124(:,1)) max(K_2124(:,2))]/100; % ---------- Undersöker hur många det passar för, 2 kritiska mått ------------%

IV

for j=1:4 OK_p=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikin(j,1) && matris_m(i,antro_2)>=Boundary_manikin(j,2); OK_p=OK_p+1; end end Percentage_p(j)=OK_p/length(matris_m(:,1)) end Percentage_p' % ---------- Undersöker hur många det passar för, 3 kritiska mått ------------% % Boundaryförsök % Manikin #1 Manikin_1=Boundary_manikins(1,:); OK_1=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikins(1,1) && matris_m(i,antro_2)>=Boundary_manikins(1,2) && matris_m(i,antro_3)>=Boundary_manikins(1,3) OK_1=OK_1+1; end end Percentage_Manikin_1=OK_1/length(matris_m(:,1)); % Manikin #n=1-8 n=1; for n=1:8 Manikin_n=Boundary_manikins(n,:); OK_n=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikins(n,1) && matris_m(i,antro_2)>=Boundary_manikins(n,2) && matris_m(i,antro_3)>=Boundary_manikins(n,3) OK_n=OK_n+1; end end Percentage_Manikin_n(n)=OK_n/length(matris_m(:,1)); end Percentage_Manikin_n'; % Manikin #9 Manikin_9=[Boundary_manikins(9,2) Boundary_manikins(9,1) Boundary_manikins(9,3)]; OK_9=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikins(9,2) && matris_m(i,antro_2)>=Boundary_manikins(9,1) && matris_m(i,antro_3)>=Boundary_manikins(9,3) OK_9=OK_9+1; end end Percentage_Manikin_9=OK_9/length(matris_m(:,1)); % Manikin #n=9-16 n2=16; for n2=9:16 Manikin_n2=[Boundary_manikins(n2,2) Boundary_manikins(n2,1) Boundary_manikins(n2,3)]; OK_n2=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikins(n2,2) && matris_m(i,antro_2)>=Boundary_manikins(n2,1) && matris_m(i,antro_3)>=Boundary_manikins(n2,3) OK_n2=OK_n2+1; end end Percentage_Manikin_n2(n2)=OK_n2/length(matris_m(:,1)); end

V

Percentage_Manikin_n2'; % Manikin #17 Manikin_17=[Boundary_manikins(17,2) Boundary_manikins(17,3) Boundary_manikins(17,1)]; OK_17=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikins(17,2) && matris_m(i,antro_2)>=Boundary_manikins(17,3) && matris_m(i,antro_3)>=Boundary_manikins(17,1) OK_17=OK_17+1; end end Percentage_Manikin_17=OK_17/length(matris_m(:,1)); % Manikin #n=17-24 n3=24; for n3=17:24 Manikin_n3=[Boundary_manikins(n3,2) Boundary_manikins(n3,3) Boundary_manikins(n3,1)]; OK_n3=0; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=Boundary_manikins(n3,2) && matris_m(i,antro_2)>=Boundary_manikins(n3,3) && matris_m(i,antro_3)>=Boundary_manikins(n3,1) OK_n3=OK_n3+1; end end Percentage_Manikin_n3(n3)=OK_n3/length(matris_m(:,1)); end Percentage_Manikin_n3'; % Percentilförsök shelf_dist_p=min([Boundary_manikins(1:8,1);Boundary_manikins(9:24,2)]); % Avstånd till hylla i cm chair_height_p=min([Boundary_manikins(1:8,2);Boundary_manikins(9:16,1);Boundary_manikins(17:24,3)]); % Stolhöjd i cm chair_dept_p=min([Boundary_manikins(1:16,3);Boundary_manikins(17:24,1)]); % Stoldjup i cm % shelf_dist_p=75.4; % Avstånd till hylla i cm % chair_height_p=40.6; % Stolhöjd i cm % chair_dept_p=46.9; OK_p=0; Alla_manikiner=[shelf_dist_p chair_height_p chair_dept_p]; for i=1:length(matris_m(:,1)) if matris_m(i,antro_1)>=shelf_dist_p && matris_m(i,antro_2)>=chair_height_p && matris_m(i,antro_3)>=chair_dept_p OK_p=OK_p+1; end end Percentage_p=OK_p/length(matris_m(:,1)); corrcoef(matris_m(:,1),matris_m(:,28))=0,994 % Ögonhöjd och längd corrcoef(matris_m(:,2),matris_m(:,28))=0,187 % Ögonhöjd och bukdjup

VI

Appendix B

Jack Low Back Analysis Report Lift from rack

Analyser för percentilmanikinerna

1%il, 03 May 2008

Analysis Recommendations The low back compression force of 1750.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

5%il, 03 May 2008

Analysis Recommendations The low back compression force of 1995.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

VII

50%il, 03 May 2008

Analysis Recommendations The low back compression force of 2351.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

95%il, 03 May 2008

Analysis Recommendations The low back compression force of 2670.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

Analyser för gränsmanikinerna

Manikin #1, 03 May 2008

Analysis Recommendations The low back compression force of 1965.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

VIII

Manikin #2, 03 May 2008

Analysis Recommendations The low back compression force of 2149.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

Manikin #3, 03 May 2008

Analysis Recommendations The low back compression force of 2511.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

Manikin #4, 03 May 2008

Analysis Recommendations The low back compression force of 2729.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

IX

Manikin #5, 03 May 2008

Analysis Recommendations The low back compression force of 1963.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

Manikin #6, 03 May 2008

Analysis Recommendations The low back compression force of 2098.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers

Manikin #7, 03 May 2008

Analysis Recommendations The low back compression force of 2567.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

X

Manikin #8, 03 May 2008

Analysis Recommendations The low back compression force of 2770.00 is below the NIOSH Back Compression Action Limit of 3400 N, representing a nominal risk of low back injury for most healthy workers.

XI

Appendic C

Då man har tre kritiska mått K1, K2 och K3 bildas en familj med 24 manikiner. Vid en central anpassing på X% fås de övre repektive undre percentilgränserna för de kritiska måtten enligt

Pövre = 100-(100-X)/2 Pundre = (100-X)/2

För det kritiska måttet K1 finner man sedan ett max- och minvärde för K2 och K3 i ANSUR88, baserat på K1:s undre respektive övre percentilvärde. Dessa bildar manikin #1-#8 i tabell 1. Resten av manikinerna bildas på samma sätt för K2 och K3. Tabell 1. Visar hur manikinerna i familjen då antal kritiska mått är tre

Manikin K1 K2 K3 #1 Pundre (Min) (Min) #2 Pundre (Min) (Max) #3 Pundre (Max) (Min) #4 Pundre (Max) (Max) #5 Pövre (Min) (Min) #6 Pövre (Min) (Max) #7 Pövre (Max) (Min) #8 Pövre (Max) (Max)

K2 K1 K3 #9 Pundre (Min) (Min)

#10 Pundre (Min) (Max) #11 Pundre (Max) (Min) #12 Pundre (Max) (Max) #13 Pövre (Min) (Min) #14 Pövre (Min) (Max) #15 Pövre (Max) (Min) #16 Pövre (Max) (Max)

K3 K1 K2 #17 Pundre (Min) (Min) #18 Pundre (Min) (Max) #19 Pundre (Max) (Min) #20 Pundre (Max) (Max) #21 Pövre (Min) (Min) #22 Pövre (Min) (Max) #23 Pövre (Max) (Min) #24 Pövre (Max) (Max)

XII

Tabell 2

Målgrupp 60% vilket motsvarar en central anpassning 20%

Manikin Räckvidd Knäveckshöjd Stuss till knäveck

Andel godkända Differens

#1 40%il 79,0 cm 8%il 40,0 cm 2,8%il 45,1 cm 59,86% 0,14 #2 40%il 79,0 cm 8%il 40,0 cm 91%il 53,8 cm 8,74% 51,26 #3 40%il 79,0 cm 83%il 45,8 cm 2,8%il 45,1 cm 16,85% 43,15 #4 40%il 79,0 cm 83%il 45,8 cm 91%il 53,8 cm 6,09% 53,81 #5 60%il 81,1 cm 19%il 41,2 cm 5,5%il 45,9 cm 39,91% 20,09 #6 60%il 81,1 cm 19%il 41,2 cm 92%il 53,9 cm 7,84% 52,16 #7 60%il 81,1 cm 94%il 47,4 cm 5,5%il 45,9 cm 5,69% 54,31 #8 60%il 81,1 cm 94%il 47,4 cm 92%il 53,9 cm 3,21% 56,79

Knäveckshöjd Räckvidd Stuss till knäveck

#9 40%il 42,6 cm 3,3%il 73,4 cm 5,5%il 45,9 cm 61,44% 1,44 #10 40%il 42,6 cm 3,3%il 73,4 cm 89%il 53,3 cm 11,22% 48,78 #11 40%il 42,6 cm 90%il 85,2 cm 5,5%il 45,9 cm 10,20% 49,8 #12 40%il 42,6 cm 90%il 85,2 cm 89%il 53,3 cm 5,92% 54,08 #13 60%il 44,0 cm 21%il 76,8 cm 7%il 46,3 cm 40,14% 19,86 #14 60%il 44,0 cm 21%il 76,8 cm 97%il 55,3 cm 2,93% 57,07 #15 60%il 44,0 cm 98%il 88,6 cm 7%il 46,3 cm 2,20% 57,8 #16 60%il 44,0 cm 98%il 88,6 cm 97%il 55,3 cm 0,79% 59,21

Stuss till knäveck Räckvidd Knäveckshöjd #17 40%il 49,3 cm 1,1%il 72,0 cm 2,8%il 38,9 cm 61,16% 1,16 #18 40%il 49,3 cm 1,1%il 72,0 cm 83%il 45,8 cm 16,69% 43,31 #19 40%il 49,3 cm 93%il 85,8 cm 2,8%il 38,9 cm 7,38% 52,62 #20 40%il 49,3 cm 93%il 85,8 cm 83%il 45,8 cm 5,41% 54,59 #21 60%il 50,6 cm 13%il 75,7 cm 2,5%il 38,8 cm 41,09% 18,91 #22 60%il 50,6 cm 13%il 75,7 cm 96%il 47,8 cm 4,51% 55,49 #23 60%il 50,6 cm 94%il 86,3 cm 2,5%il 38,8 cm 5,86% 54,14 #24 60%il 50,6 cm 94%il 86,3 cm 96%il 47,8 cm 2,42% 57,58

Räckvidd Knäveckshöjd Stuss till knäveck

Min(#1-24) 1,1%il 72,0 cm 2,5%il 38,8 cm 2,8%il 45,1 cm 95,72% 35,72 Tabell 3

Målgrupp 60% vilket motsvarar en central anpassning 20% Manikin Räckvidd Knäveckshöjd Andel godkända Differens

#1 40%il 79,0 cm 8%il 40,0 cm 59,86% 0,14 #2 40%il 79,0 cm 83%il 45,8 cm 16,85% 43,15 #3 60%il 81,1 cm 19%il 41,2 cm 38,73% 41,27 #4 60%il 81,1 cm 94%il 47,4 cm 5,69% 74,31 Knäveckshöjd Räckvidd

#5 40%il 42,6 cm 3,3%il 73,4 cm 61,61% 1,61 #6 40%il 42,6 cm 90%il 85,2 cm 10,20% 49,8 #7 60%il 44,0 cm 21%il 76,8 cm 40,14% 19,86 #8 60%il 44,0 cm 21%il 76,8 cm 2,20% 57,8

XIII

Tabell 4

Målgrupp 80% vilket motsvarar en central anpassning 60%

Manikin Räckvidd Knäveckshöjd Stuss till knäveck

Andel godkända Differens

#1 20%il 76,7 cm 1,5%il 38,3 cm 3,3%il 45,3 cm 80,10% 0,1 #2 20%il 76,7 cm 1,5%il 38,3 cm 65%il 51,0 cm 34,95% 46,05 #3 20%il 76,7 cm 59%il 43,9 cm 3,3%il 45,3 cm 41,26% 38,74 #4 20%il 76,7 cm 59%il 43,9 cm 65%il 51,0 cm 28,07% 51,93 #5 80%il 83,3 cm 28%il 41,9 cm 21%il 47,9 cm 20,18% 59,82 #6 80%il 83,3 cm 28%il 41,9 cm 97%il 55,3 cm 2,71% 77,29 #7 80%il 83,3 cm 95%il 47,7 cm 21%il 47,9 cm 4,11% 75,89 #8 80%il 83,3 cm 95%il 47,7 cm 97%il 55,3 cm 1,13% 78,87

Knäveckshöjd Räckvidd Stuss till knäveck

#9 20%il 41,3 cm 0,8%il 71,4 cm 1,1%il 44,4 cm 80,78% 0,78 #10 20%il 41,3 cm 0,8%il 71,4 cm 83%il 52,6 cm 17,47% 62,53 #11 20%il 41,3 cm 67%il 81,7 cm 1,1%il 44,4 cm 33,77% 46,23 #12 20%il 41,3 cm 67%il 81,7 cm 83%il 52,6 cm 14,83% 65,17 #13 80%il 45,5 cm 19%il 76,5 cm 30%il 48,6 cm 19,95% 60,05 #14 80%il 45,5 cm 19%il 76,5 cm 99,1%il 56,4 cm 0,90% 79,1 #15 80%il 45,5 cm 99,8%il 91,6 cm 30%il 48,6 cm 0,17% 79,83 #16 80%il 45,5 cm 99,8%il 91,6 cm 99,1%il 56,4 cm 0,11% 79,89

Stuss till knäveck Räckvidd Knäveckshöjd

#17 20%il 47,8 cm 2,1%il 73,0 cm 2%il 38,5 cm 80,89% 0,89 #18 20%il 47,8 cm 2,1%il 73,0 cm 65%il 44,4 cm 35,06% 44,94 #19 20%il 47,8 cm 80%il 83,3 cm 2%il 38,5 cm 20,35% 59,65 #20 20%il 47,8 cm 80%il 83,3 cm 65%il 44,4 cm 17,19% 62,81 #21 80%il 52,3 cm 26%il 77,5 cm 14%il 40,8 cm 20,18% 59,82 #22 80%il 52,3 cm 26%il 77,5 cm 97%il 48,1 cm 3,16% 76,84 #23 80%il 52,3 cm 97%il 87,5 cm 14%il 40,8 cm 2,93% 77,07 #24 80%il 52,3 cm 97%il 87,5 cm 97%il 48,1 cm 1,58% 78,42

Räckvidd Knäveckshöjd Stuss till knäveck

Min(#1-24) 0,8%il 71,4 cm 1,5%il 38,3 cm 1,1%il 44,4 cm 97,86% 17,86 Tabell 5

Målgrupp 80% vilket motsvarar en central anpassning 60%

Manikin Räckvidd Knäveckshöjd Andel

godkända Differens

#1 20%il 76,7 cm 1,5%il 38,3 cm 80,44% 0,44 #2 20%il 76,7 cm 59%il 43,9 cm 41,26% 38,74 #3 80%il 83,3 cm 28%il 41,9 cm 20,24% 59,76 #4 80%il 83,3 cm 95%il 47,7 cm 4,11% 75,89 Knäveckshöjd Räckvidd

#5 20%il 41,3 cm 0,8%il 71,4 cm 80,78% 0,78 #6 20%il 41,3 cm 67%il 81,7 cm 33,77% 46,23 #7 80%il 45,5 cm 19%il 76,5 cm 20,18% 59,82 #8 80%il 45,5 cm 99,8%il 91,6 cm 0,17% 79,83

XIV

Tabell 6

Målgrupp 90% vilket motsvarar en central anpassning 80%

Manikin Räckvidd Knäveckshöjd Stuss till knäveck

Andel godkända Differens

#1 10%il 75,1 cm 0,7%il 37,4 cm 0,6%il 43,8 cm 90,36% 0,36 #2 10%il 75,1 cm 0,7%il 37,4 cm 53%il 50,2 cm 47,46% 42,54 #3 10%il 75,1 cm 56%il 43,7 cm 0,6%il 43,8 cm 44,80% 45,2 #4 10%il 75,1 cm 56%il 43,7 cm 53%il 50,2 cm 34,95% 55,05 #5 90%il 85,2 cm 0,2%il 41,9 cm 46%il 49,7 cm 10,20% 79,8 #6 90%il 85,2 cm 0,2%il 41,9 cm 97%il 55,4 cm 1,92% 88,08 #7 90%il 85,2 cm 98%il 48,8 cm 46%il 49,7 cm 1,69% 88,31 #8 90%il 85,2 cm 98%il 48,8 cm 97%il 55,4 cm 0,62% 89,38

Knäveckshöjd Räckvidd Stuss till knäveck

#9 10%il 40,4 cm 0,9%il 71,6 cm 0,6%il 43,8 cm 90,02% 0,02 #10 10%il 40,4 cm 0,9%il 71,6 cm 95%il 54,8 cm 4,62% 85,38 #11 10%il 40,4 cm 55%il 80,5 cm 0,6%il 43,8 cm 45,43% 44,57 #12 10%il 40,4 cm 80,5 cm 95%il 54,8 cm 4,45% 85,55 #13 90%il 46,5 cm 19%il 76,5 cm 46%il 49,7 cm 10,60% 79,4 #14 90%il 46,5 cm 19%il 76,5 cm 99,6%il 57,0 cm 0,28% 89,72 #15 90%il 46,5 cm 99,6%il 91,0 cm 46%il 49,7 cm 0,28% 89,72 #16 90%il 46,5 cm 99,6%il 91,0 cm 99,6%il 57,0 cm 0,17% 89,83

Stuss till knäveck Räckvidd Knäveckshöjd

#17 10%il 46,7 cm 0,8%il 71,4 cm 1,1%il 37,9 cm 90,08% 0,08 #18 10%il 46,7 cm 0,8%il 71,4 cm 67%il 44,5 cm 33,71% 56,29 #19 10%il 46,7 cm 76%il 82,8 cm 1,1%il 37,9 cm 24,35% 65,65 #20 10%il 46,7 cm 76%il 82,8 cm 67%il 44,5 cm 19,22% 70,78 #21 90%il 53,5 cm 39%il 78,9 cm 53%il 43,5 cm 9,92% 80,08 #22 90%il 53,5 cm 39%il 78,9 cm 99%il 49,4 cm 0,96% 89,04 #23 90%il 53,5 cm 97,5%il 87,8 cm 53%il 43,5 cm 2,09% 87,91 #24 90%il 53,5 cm 97,5%il 87,8 cm 99%il 49,4 cm 0,73% 89,27

Räckvidd Knäveckshöjd Stuss till knäveck

Min(#1-24) 0,8%il 71,4 cm 0,7%il 37,4 cm 0,6%il 43,8 cm 98,70% 8,7 Tabell 7

Målgrupp 90% vilket motsvarar en central anpassning 80%

Manikin Räckvidd Knäveckshöjd Andel

godkända Differens

#1 10%il 75,1 cm 0,7%il 37,4 cm 90,36% 0,36 #2 10%il 75,1 cm 56%il 43,7 cm 44,48% 45,52 #3 90%il 85,2 cm 0,2%il 41,9 cm 10,26% 79,74 #4 90%il 85,2 cm 98%il 48,8 cm 1,69% 88,31 Knäveckshöjd Räckvidd

#5 10%il 40,4 cm 0,9%il 71,6 cm 90,02% 0,02 #6 10%il 40,4 cm 55%il 80,5 cm 45,43% 44,57 #7 90%il 46,5 cm 19%il 76,5 cm 10,77% 79,23 #8 90%il 46,5 cm 99,6%il 91,0 cm 0,28% 89,72

XV

Tabell 8

Målgrupp 95% vilket motsvarar en central anpassning 90%

Manikin Räckvidd Knäveckshöjd Stuss till knäveck

Andel godkända Differens

#1 5%il 74,0 cm 0,9%il 37,7 cm 0,15%il 41,4 cm 95,38% 0,38 #2 5%il 74,0 cm 0,9%il 37,7 cm 65%il 51,0 cm 35,46% 59,54 #3 5%il 74,0 cm 64%il 44,3 cm 0,15%il 41,4 cm 36,30% 58,7 #4 5%il 74,0 cm 64%il 44,3 cm 65%il 51,0 cm 26,04% 68,96 #5 95%il 86,5 cm 53%il 43,5 cm 55%il 50,3 cm 5,24% 89,76 #6 95%il 86,5 cm 53%il 43,5 cm 97%il 55,2 cm 1,63% 93,37 #7 95%il 86,5 cm 99,3%il 49,8 cm 55%il 50,3 cm 0,73% 94,27 #8 95%il 86,5 cm 99,3%il 49,8 cm 97%il 55,2 cm 0,34% 94,66

Knäveckshöjd Räckvidd Stuss till knäveck

#9 5%il 39,5 cm 1,6%il 72,4 cm 1,3%il 44,5 cm 94,36% 0,64 #10 5%il 39,5 cm 1,6%il 72,4 cm 71%il 51,4 cm 29,31% 65,69 #11 5%il 39,5 cm 52%il 80,2 cm 1,3%il 44,5 cm 48,42% 46,58 #12 5%il 39,5 cm 52%il 80,2 cm 71%il 51,4 cm 26,16% 68,84 #13 95%il 47,6 cm 73%il 82,4 cm 76%il 51,9 cm 4,68% 91,16 #14 95%il 47,6 cm 73%il 82,4 cm 98%il 55,5 cm 1,01% 93,99 #15 95%il 47,6 cm 99%il 89,5 cm 76%il 51,9 cm 0,73% 94,27 #16 95%il 47,6 cm 99%il 89,5 cm 98%il 55,5 cm 0,45% 94,55

Stuss till knäveck Räckvidd Knäveckshöjd

#17 5%il 45,8 cm 1,3%il 72,1 cm 0,5%il 37,3 cm 94,81% 0,19 #18 5%il 45,8 cm 1,3%il 72,1 cm 47%il 43,1 cm 53,78% 41,22 #19 5%il 45,8 cm 61%il 81,2 cm 0,5%il 37,3 cm 39,18% 55,82 #20 5%il 45,8 cm 61%il 81,2 cm 47%il 43,1 cm 35,06% 59,94 #21 95%il 54,7 cm 26%il 77,5 cm 11%il 40,5 cm 5,02% 89,98 #22 95%il 54,7 cm 26%il 77,5 cm 99,6%il 50,3 cm 0,34% 94,66 #23 95%il 54,7 cm 99,1%il 89,6 cm 11%il 40,5 cm 0,73% 94,27 #24 95%il 54,7 cm 99,1%il 89,6 cm 99,6%il 50,3 cm 0,23% 94,77

Räckvidd Knäveckshöjd Stuss till knäveck

Min(#1-24) 1,3%il 72,1 cm 0,5%il 37,3 cm 0,15%il 41,4 cm 98,65% 3,65 Tabell 9

Målgrupp 95% vilket motsvarar en central anpassning 90%

Manikin Räckvidd Knäveckshöjd Andel

godkända Differens

#1 5%il 74,0 cm 0,9%il 37,7 cm 95,38% 0,38 #2 5%il 74,0 cm 64%il 44,3 cm 36,30% 58,7 #3 95%il 86,5 cm 53%il 43,5 cm 5,24% 89,76 #4 95%il 86,5 cm 99,3%il 49,8 cm 0,73% 94,27 Knäveckshöjd Räckvidd

#5 5%il 39,5 cm 1,6%il 72,4 cm 94,53% 0,47 #6 5%il 39,5 cm 52%il 80,2 cm 48,42% 46,58 #7 95%il 47,6 cm 73%il 82,4 cm 5,07% 89,93 #8 95%il 47,6 cm 99%il 89,5 cm 0,73% 94,27

XVI

Appendix D

[Hämtat 2008-03-03] Tillgänglig: http://lilt.ilstu.edu/dasacke/eco148/ZTable.htm

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

-3.4 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002

-3.3 .0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003

-3.2 .0007 .0007 .0006 .0006 .0006 .0006 .0006 .0005 .0005 .0005

-3.1 .0010 .0009 .0009 .0009 .0008 .0008 .0008 .0008 .0007 .0007

-3.0 .0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010

-2.9 .0019 .0018 .0018 .0017 .0016 .0016 .0015 .0015 .0014 .0014

-2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019

-2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026

-2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036

-2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048

-2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064

-2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084

-2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110

-2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143

-2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183

-1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233

-1.8 .0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294

-1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367

-1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455

-1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559

-1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681

-1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823

-1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985

-1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170

-1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379

-0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611

-0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867

-0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148

-0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451

-0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776

-0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121

-0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483

-0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859

-0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247

0.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641

XVII

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359

0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753

0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141

0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517

0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879

0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224

0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549

0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852

0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133

0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389

1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621

1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830

1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015

1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177

1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319

1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441

1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545

1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633

1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706

1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767

2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817

2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857

2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890

2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916

2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936

2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952

2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964

2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974

2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981

2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986

3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990

3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993

3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995

3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997

3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998

XVIII

Appendix E

Tabell 1

Manikin Lower back compression force [N]

Thumbtip reach Staure

Längd (cm)

Räckvidd (cm)

#1 1965 5%il 1,7%il min 161,4 73,6 #2 2149 5%il 40,6%il max 174 73,6 #3 2511 95%il 50,0%il min 175,6 86,5 #4 2729 95%il 99,86%il max 195,5 86,5 Stature Tumbtip reach

#5 1963 5%il 3,75%il min 164,5 73,1 #6 2098 5%il 19,40%il max 164,5 76,7 #7 2567 95%il 67,0%il min 186,5 81,8 #8 2770 95%il 99,0%il max 186,5 89,4

Percentiler från Jack

Längd [cm]

Räckvidd 1

Räckvidd 2

1%il 160,3 76,9 70,9 5%il 164,7 79,2 73,6 50%il 175,5 84,8 80,1 95%il 186,7 90,9 86,2

Manikin Kraft [N]

Längd [cm]

Räckvidd [cm] Vikt [kg] Kraft/längd Kraft/kg

#1 1965 161,4 73,6 65,7 12,1747 29,9086 #2 2149 174 73,6 77,1 12,3505 27,8728 #3 2511 175,6 86,5 78,6 14,2995 31,9465 #4 2729 195,5 86,5 96,6 13,9590 28,250 #5 1963 164,5 73,1 68,5 11,933 28,6569 #6 2098 164,5 76,7 68,5 12,7537 30,6277 #7 2567 186,5 81,8 88,5 13,7640 29,0056 #8 2770 186,5 89,4 88,5 14,8525 31,2994

1%il 1750 160,3 70,9 55,3 10,9170 31,6455 5%il 1995 164,7 73,6 68,6 12,112 29,0816 50%il 2351 175,5 80,1 78,6 13,396 29,9109 95%il 2670 186,5 86,2 88,5 14,3163 30,1694

Tabell 2 Korrelationer Percentil Gränsmanikin Längd korrelerat till kraft Längd korrelerat till kraft 0,993698 0,933823 Vikt korrelerat till kraft Vikt korrelerat till kraft 0,989615 0,934400 Räckvidd korrelerat till kraft Räckvidd korrelerat till kraft 0,995373 0,952887