Resumen

Los movimientos de proximidad entre vehículos que transportan materiales en plantas de fabricación, o "interfaces", provocan lesiones laborales y muertes. La evaluación de riesgos en las interfaces se limita actualmente a técnicas como las auditorías de seguridad, diseñadas originalmente para entornos estáticos. Es deseable disponer de una alternativa basada en datos para entornos dinámicos que permita cuantificar los riesgos de las interfaces y desarrollar contramedidas eficaces. Presentamos un método para estimar el Número de Priorización de Riesgos (RPN) para interfaces de vehículos móviles en entornos de fabricación, basado en la formulación Probabilidad-Severidad-Detectabilidad (PSD). Lo más destacado del método es la estimación de la probabilidad de ocurrencia (P) de las interfaces de vehículos mediante técnicas de aprendizaje automático y visión por ordenador. Un vector de características disperso basado en PCA para el aprendizaje automático caracteriza la geometría del vehículo desde una perspectiva descendente. La clasificación supervisada de vectores de características dispersos mediante máquinas de vectores de apoyo (SVM) se emplea para detectar vehículos. Se utilizan técnicas de visión por ordenador para el seguimiento de la posición con el fin de identificar interfaces y calcular su probabilidad de ocurrencia (P). Esto conduce a un cálculo automatizado del RPN basado en la formulación PSD. Los datos experimentales se recogen en el laboratorio utilizando un diseño de área de trabajo de muestra y versiones a escala de vehículos. Se simularon físicamente las interfaces y los movimientos de los vehículos para entrenar y probar el modelo de aprendizaje automático. El rendimiento del sistema automatizado se compara con la anotación humana para validar el enfoque.

1. INTRODUCCIÓN

Este estudio presenta una metodología para la detección automatizada y la evaluación de riesgos de las interacciones entre vehículos dedicados al movimiento de materiales en áreas de trabajo de fabricación. El sector manufacturero es especialmente vulnerable desde el punto de vista de la seguridad: ocupó el sexto lugar en Estados Unidos en número de accidentes laborales mortales en 2011 (Bureau of Labor Statistics, 2011). El impacto económico de la seguridad en la fabricación también es significativo. Por ejemplo, un informe de la Unión Europea de 2008 calculó que se perdieron 143 millones de jornadas laborales y más de 55.000 millones de euros a causa de los accidentes laborales (Dirección General de Empleo, Asuntos Sociales e Igualdad de Oportunidades, 2009). Nos centramos en el movimiento de materiales debido al papel predominante de vehículos como las carretillas elevadoras en los accidentes de fabricación en las fábricas (Saric et al, 2013).

• Materias:Seguridad en el trabajo Evaluación del riesgo Aprendizaje automático
• Subjects:Safety at work Risk assessment Machine learning
• Palabras claves:Evaluación de riesgos; FMEA (Análisis de Modos y Efectos de Falla); Aprendizaje automático; Seguridad en el trabajo
• Keywords:Risk assessment; FMEA (Failure Modes and Effects Analysis); Machine learning; Work safety