Forscher haben ein System entwickelt, um riskantes Verhalten in Fabriken zu überwachen

Forscher an der University of Washington haben ein neues System entwickelt, das in der Lage ist, Fabrik- und Lagerarbeiter zu überwachen und sie in Echtzeit vor riskantem Verhalten zu warnen. Das neue System basiert auf Machine Learning, um dies zu erreichen.  

Laut dem U.S. Bureau of Labor Statistics gab es etwa 350.000 Fälle, in denen Arbeiter wegen Verletzungen an Muskeln, Nerven, Bändern oder Sehnen ausfielen. Die Arbeiter mit der höchsten Anzahl an Fällen waren diejenigen, die in Fabriken und Lagern arbeiteten. 

Diese Fälle sind normalerweise muskuloskelettale Störungen, die auftreten, wenn Menschen bestimmte Aufgaben ausführen, die eine Belastung für den Körper darstellen. Diese Forscher suchten nach einer Möglichkeit, diese Verhaltensweisen zu erkennen, damit die Arbeiter sich ihrer bewusster sein können. 

Der Algorithmus des neuen Systems teilt bestimmte Aufgaben, wie das Heben von Kisten von hohen Regalen und das Tragen von Objekten, in einzelne Aktionen auf. Dann wird für jede Aktion ein Risikowert berechnet.

Ashis Banerjee, Assistant Professor in den Abteilungen für industrielle und Systemingenieurwesen sowie Maschinenbau an der UW, ist einer der Hauptautoren.

“Derzeit können Arbeiter eine Selbstbewertung durchführen, bei der sie ihre täglichen Aufgaben in einer Tabelle ausfüllen, um zu schätzen, wie riskant ihre Aktivitäten sind”, sagte sie. “Aber das ist zeitaufwändig und es ist schwierig für die Menschen zu sehen, wie es ihnen direkt nützt. Jetzt haben wir diesen gesamten Prozess vollautomatisiert. Unser Plan ist, es in eine Smartphone-App zu integrieren, damit die Arbeiter sich selbst überwachen und sofortige Rückmeldung erhalten können.”

Die aktuellen Selbstbewertungen basieren auf Momentaufnahmen von Aufgaben, die ausgeführt werden. Die Position jedes Gelenks wird bewertet und alle werden addiert, um einen Risikowert zu bestimmen. Dieser neue Algorithmus wird es viel einfacher machen, da er in der Lage ist, eine gesamte Aktion zu bewerten, anstatt nur einzelne Momente. 

Das Team testete den Algorithmus, indem es eine Datenbank mit 20 drei-minütigen Videos von Menschen, die 17 Aktivitäten ausführten, verwendete. Diese Aktivitäten sind in Lagern und Fabriken üblich. 

“Eine der Aufgaben, die wir den Menschen geben wollten, war, eine Kiste von einem Regal zu nehmen und sie auf einen Tisch zu legen”, sagte der erste Autor Behnoosh Parsa, ein Doktorand in Maschinenbau an der UW. “Wir wollten verschiedene Szenarien erfassen, also mussten sie manchmal ihre Arme strecken, ihre Körper verdrehen oder sich bücken, um etwas aufzuheben.”

Die Forscher verwendeten dann eine Microsoft Kinect-Kamera, um die Datenbank aufzunehmen, und 3D-Videos wurden aufgezeichnet. Sie bestimmten dann, was mit den Gelenken der Person während der Aufgaben passierte. 

Der Algorithmus konnte zunächst Risikowerte für jedes Video-Bild berechnen. Schließlich konnte er erkennen, wenn eine Aufgabe begann und endete, so dass er einen Risikowert für die gesamte Aktion geben konnte. 

Der nächste Schritt des Teams ist die Entwicklung einer App, die von Fabrikarbeitern und Vorgesetzten verwendet werden kann. Sie wollen, dass es in der Lage ist, moderat riskante Aktionen und hochriskante Aktionen zu erkennen und zu warnen. 

Langfristig hoffen sie, dass Roboter in diesen Fabriken eingesetzt werden können und den Algorithmus verwenden, um die Arbeiter sicher zu halten. 

“Fabriken und Lager haben seit mehreren Jahrzehnten Automation verwendet. Jetzt, da Menschen in Umgebungen arbeiten, in denen Roboter eingesetzt werden, haben wir eine einzigartige Gelegenheit, die Arbeit so aufzuteilen, dass die Roboter die riskanten Aufgaben übernehmen”, sagte Banerjee. “Roboter und Menschen könnten eine aktive Zusammenarbeit haben, bei der ein Roboter sagen kann: ‘Ich sehe, dass du diese schweren Objekte von dem oberen Regal aufhebst und ich denke, du machst das viele Male. Lass mich dir helfen.'” 

Die Forschung wurde am 26. Juni in IEEE Robotics and Automation Letters veröffentlicht und wird am 23. August auf der IEEE International Conference on Automation Science and Engineering in Vancouver, British Columbia, präsentiert.