Информационные технологии

21.03.2022

Искусственный интеллект против несчастных случаев на производстве

Искусственный интеллект в промышленности уже нельзя назвать трендом, скорее он перешел в категорию must have. Технологии компьютерного зрения и машинного обучения помогают не только автоматизировать процессы и повысить качество работы, но и предотвращают и сокращают количество несчастных случаев на производстве.

«Несчастные случаи на производстве были?»

По данным исследования TAdviser, с 2018 по 2023 год объем отечественного рынка решений в этой сфере увеличится в пять раз, до 38 млрд руб. Наибольшую долю в нем занимают решения в области видеонаблюдения и безопасности (32%) и решения для промышленности (17%).


• Ежегодно происходит 340 млн инцидентов на производстве (данные МОТ – Международной организации труда).

• Количество производственных травм выросло на 3% за 2021 год.

• 87% смертельных исходов связаны с нарушением простых правил безопасности.


Как показывает статистика, это действительно большая проблема, требующая инновационных решений. На производстве востребованы IT-решения для автоматизированного контроля за соблюдением требований промышленной безопасности и охраны труда, системы контроля качества продукции на базе видеоаналитики. Поэтому в промышленности главным вектором цифрового развития будет внедрение комплексных решений для определения нарушений техники безопасности, основанных на применении компьютерного зрения, чтобы нивелировать и предотвратить возможные проблемы.


Технологии компьютерного зрения и машинного обучения удобно в данных случаях делить по времени применения. Относительно инцидента таких временных зон три:


1. Прогнозирование – использование моделей предиктивной аналитики для предсказания вероятности возникновения несчастного случая на основе анализа больших объемов данных.

2. Реакция в реалтайм – в данном случае широко применяются системы поиска триггеров с помощью видеоаналитики.

3. Пост-аналитика и поиск причин: при оценке прошлого опыта можно и нужно искать паттерны повторяющихся причин, неявных закономерностей.


Рассмотрим подробнее на примерах.


Предвидеть – значит управлять

Собранные после аналитики данные могут стать хорошим заделом для прогнозирования инцидентов, например, по вине человеческого фактора. Например, в практике компании Napoleon IT есть решение по созданию модели предсказания несчастных случаев в железнодорожной сфере.

Существует проблема: высокий процент инцидентов с отрицательными последствиями, вызванными определенным физическим или эмоциональным состоянием сотрудников. За 15 лет были собраны личные и профессиональные данные сотрудников, данные о тренингах и обучении персонала, данные о состоянии материальный базы, используемой сотрудниками. На их основе удалось построить модель экстремального градиентного бустинга с точностью предсказания инцидента с конкретным сотрудником 80% и до 85%, указывая группу лиц, кто с большой степенью вероятности примет участие в инциденте.


Были найдены неочевидные закономерности: если у сотрудника день рождения и он полностью погружен мыслями в это событие, то это повышает вероятность возникновения несчастного случая. Также неукомплектованность бригад может спровоцировать инциденты, например, выходит неполная бригада, люди не успевают очистить от снега пути. Такая спешка также может привести к несчастным случаям из-за отсутствия достаточного количества сотрудников. Анализ больших объемов данных позволяет заранее просчитать и предсказать вероятность возникновения таких ситуаций и принять соответствующие меры: усилить человека напарником в день рождения или вывести дополнительных людей в непогоду. Такие предиктивные модели хороши естественной возможностью повлиять на негативный исход и очень зарекомендовали себя.


Для компаний, которые частично автоматизируют производство, компьютерное зрение может использоваться для того, чтобы следить за состоянием станков и машин и, как следствие, за безопасностью своих рабочих. С помощью сенсоров и машинного обучения собираются данные по работе оборудования, система прогнозирования анализирует состояние машины и посылает сигналы, в случае если какие-то компоненты неправильно работают. Это не только позволяет вовремя починить оборудование, но также помогает предотвратить несчастные случаи с участием сотрудников предприятия, которые могут пострадать при поломке. Отдельным плюсом для бизнеса является то, что эти системы позволяют экономить средства на простое машин. Такое решение под названием ZDT (Zero Downtime) от компании FANUC, одного из ведущих производителей роботов для производств, уже используется на ряде предприятий. В этом случае на оборудовании устанавливаются камеры, которые фиксируют состояние машины, а после обработки данных можно определить потенциальные проблемы.


«Большой брат» нужен для профилактики и минимизации потерь

Системы компьютерного зрения отслеживают ношение СИЗ и реагируют на их отсутствие в режиме реального времени. Несоблюдение техники безопасности в данном случае может привести в дальнейшем к серьезным последствиям. На опасных производствах обычно этот процесс выглядит так: если на человеке нет каски, маски, перчаток, яркого жилета, он получает уведомление. Сигнал отправляется и его руководству.


Технически система собирает видеопоток с камер на предприятии, разбивает его на кадры и затем последовательно передает кадры в пайплайн распознавания. На кадре детектируются все работники, где находятся торс, руки и голова. Затем идет сравнение человека по координатам и визуальным признакам с предыдущими кадрами для отслеживания. Последним этапом идет классификация СИЗ и правильности их ношения: каски, маски, очки, спецодежда, перчатки. После прохождения пайплайна распознавания по заранее заданным правилам для каждого помещения создаются нарушения, на которых фиксируются время, тип нарушения и видеофрагмент.


Если есть отклонения по данным правилам (неправильно надет СИЗ или он вообще отсутствует), система создает карточку нарушения. Далее эту карточку смотрит диспетчер видеоаналитики. На первом этапе проверяет, действительно ли есть нарушение. В случае подтверждения направляет информацию руководителю участка, который определяет нарушителя из списка сотрудников и указывает меру наказания. Затем эти данные отправляют в службу безопасности. Если все действительно справедливо, то СБ подтверждает и применяет меры.


Эффективную автоматизированную систему видеоанализа для контроля соблюдения техники безопасности, которая способна выявлять 26 видов нарушений по 19 параметрам, использует концерн «Росэнергоатом» на Кольской АЭС. Камеры наблюдают за персоналом в процессе выполнения работ. Видео с камер в режиме реального времени проверяются нейросетью на предмет ношения средств индивидуальной защиты, а при нарушении информация сразу передается диспетчеру и начальнику смены для оперативного реагирования.


Если до использования технологии компьютерного зрения на одной АЭС регистрировалось до 80 нарушений в неделю, а диспетчеры контролировали соблюдение техники безопасности, просматривая видео с камер вручную и анализируя нарушения постфактум, то после внедрения решения исключена вероятность пропуска нарушений из-за человеческого фактора – их количество сократилось до восьми в неделю, машина автоматически фиксирует 95–98% нарушений.


Еще один пример – оценка состояния сотрудника. На пультах центрального управления, где важно соблюдать высокий уровень концентрации и не отвлекаться, системы распознавания лиц следят за состоянием специалистов. Если у человека снижается внимание или он засыпает, пользуется телефоном или отходит от своего поста, он и вся команда получают предупреждение.


Таким образом, видеоаналитика помогает вовремя отследить несоблюдение техники безопасности, а также проверить:


а) правильных людей на своем месте:

- подсчет назначенных рабочих в нужной области;

- присутствие людей на объекте;

- определение людей в опасной зоне;

б) ношение средств индивидуальной защиты (очков, каски, спецодежды);

в) определение падения;

д) нахождение на опасной поверхности.


Цыплят по осени считают

Постаналитика и поиск причин инцидентов – не менее важные процессы, чем прогнозирование и реагирование в режиме реалтайм. Они необходимы для перестройки процесса и предсказания новых аварий, следовательно, для изменения регламентов, включения в модели прогнозирования найденных паттернов.


Возвращаясь к случаю работы Napoleon IT над моделью предотвращения и оценки причин аварий на железной дороге, можно сказать, что такие факторы, как неполнота группы сотрудников, необходимых по регламенту, усугубленная, например, днем рождения одного из членов этой команды или его ближайшего родственника, приводили к авариям. Такая оценка поможет в будущем изменению регламентов или включению систем мониторинга подобных ситуаций и их сокращения.


Таким образом, спектр применения искусственного интеллекта в промышленности достаточно широк. Эта отрасль только встает на путь цифровизации, поэтому в конкурентной борьбе будут выигрывать те, кто первым внедрит новейшие технологии. Несмотря на относительную кажущуюся дороговизну внедрения решений на основе компьютерного зрения и машинного обучения, они являются настоящими вложениями в будущее для бизнеса. Системы прогнозирования дефектов оборудования позволяют не только сэкономить деньги на ремонте машины заранее, но и минимизировать простои, а также избежать ситуации по выплате страховки сотруднику, который может пострадать при неисправности. Кроме того, компьютерное зрение, которое будет следить за наличием защитных средств на производстве, позволит разрешить ситуацию со штрафами за их отсутствие у сотрудников: руководство увидит сотрудников без маски раньше, чем регулирующие органы.


Наш сайт использует файлы cookie. продолжая пользоваться сайтом, вы соглашаетесь на использование нами ваших файлов cookie.