Evaluación inteligente del riesgo y alerta temprana para el acoplamiento humano–máquina–entorno en plantas de preparación de carbón

Por qué importa mantener seguras las plantas de carbón

Las plantas de preparación de carbón son donde el carbón bruto se limpia y clasifica antes de ser quemado en centrales eléctricas o utilizado en la industria. Estas instalaciones están llenas de maquinaria en movimiento rápido, polvo, ruido y agua, condiciones que pueden poner a los trabajadores en riesgo con facilidad. Este estudio explora cómo la combinación de un análisis de riesgo estructurado con visión por ordenador moderna puede transformar cámaras de vigilancia tradicionales en guardianes inteligentes que vigilan las distancias entre personas y máquinas y advierten a los trabajadores antes de que ocurra un incidente.

Peligros ocultos en un lugar de trabajo concurrido

Dentro de una planta de preparación de carbón, el peligro llega desde muchas direcciones a la vez. Trituradoras y cribas vibratorias pueden expulsar trozos pesados de carbón o desprender piezas; los sistemas de medio denso impulsan lodos abrasivos por tuberías a alta presión, que pueden fugas en forma de chorros potentes. Equipos eléctricos de alta tensión están en salas húmedas donde el aislamiento puede fallar, y las cintas transportadoras y áreas de almacenamiento pueden llenarse de polvo fino de carbón que puede explotar si se enciende. Piscinas, espesadores y prensas filtrantes introducen riesgos de ahogamiento y aplastamiento. La exposición prolongada al polvo también puede dañar los pulmones de los trabajadores. Los autores utilizaron una lista de verificación estructurada conocida como el marco 4M1E—considerando persona, máquina, material, método y entorno—para mapear estos riesgos diversos a lo largo de la planta.

Clasificar lo que puede hacer más daño a las personas

Puesto que no todo equipo es igualmente peligroso, el equipo se propuso calificar los niveles de riesgo de forma sistemática. Construyeron un árbol de fallos—una especie de diagrama lógico que parte de un accidente grave, como un trabajador lesionado cuando una cinta transportadora se pone en marcha inesperadamente, y retrocede hasta las combinaciones de pequeñas fallas que lo hacen posible. Esto ayudó a resaltar puntos débiles como la omisión de procedimientos de bloqueo/etiquetado, fallos en controles eléctricos y ausencia de protecciones físicas. Empleando normas internacionales de gestión del riesgo, combinaron la probabilidad de un evento con la severidad de su resultado y aplicaron un método de ponderación para equilibrar factores de equipo, condiciones ambientales y comportamiento humano. El resultado fue una clasificación tipo “semáforo” en la que, por ejemplo, las cintas transportadoras y las cribas vibratorias se señalaron como los elementos de mayor riesgo que requieren controles más estrictos.

Enseñar a las cámaras a vigilar distancias

Para pasar del análisis sobre el papel a la acción, los investigadores mejoraron cámaras de vigilancia ordinarias con un algoritmo de detección de objetos moderno conocido como YOLOv10. Este software permite a un ordenador identificar personas y máquinas en cada fotograma de vídeo en tiempo real. Dado que las plantas de carbón son polvorientas, con poca luz y llenas de tuberías y estructuras, el equipo enriqueció el algoritmo con módulos de atención que le ayudan a centrarse en las partes de la imagen más informativas y con formas más inteligentes de combinar información de objetos de distintos tamaños. También refinaron cómo el sistema juzga la correspondencia entre posiciones predichas y reales para asegurar que las cajas delimitadoras alrededor de trabajadores y máquinas sean estables y precisas incluso cuando las condiciones son adversas.

De píxeles a alarmas en el taller

Detectar objetos es solo la mitad del problema; el sistema también debe saber cuándo las personas están demasiado cerca del peligro. En lugar de usar cámaras 3D caras o escáneres láser, el equipo adoptó un atajo ingenioso: calibrar una sola cámara usando un objeto de anchura conocida para que las distancias en píxeles de la imagen puedan convertirse en distancias aproximadas en el mundo real sobre el suelo. Con esta configuración, el software mide continuamente la separación entre cada persona y las máquinas cercanas. Si un trabajador entra en una zona de precaución, aparece una advertencia visual en la pantalla; al entrar en una zona de peligro más cercana se dispara una alarma audible y se generan instantáneas y registros automáticos, creando un historial de quién hizo qué, cuándo y dónde. En pruebas controladas, el sistema pudo estimar distancias con una precisión media de alrededor de seis centímetros y activar alarmas en aproximadamente tres décimas de segundo.

Implantar advertencias inteligentes en la práctica

El sistema se pilotó en una planta real de preparación de carbón, centrándose en los corredores de cintas transportadoras y las zonas de prensas filtrantes que fueron clasificadas como de alto riesgo. En un día típico generaba alrededor de quince advertencias válidas, detectando actos inseguros como trabajadores acercándose a máquinas en funcionamiento o no llevar casco. Debido a que cada evento se documentaba con imágenes y marcas temporales, los responsables de seguridad pudieron localizar cuándo y dónde eran más comunes las infracciones—por ejemplo, durante los relevos de turno—y ajustar los horarios de supervisión. En un mes, las infracciones registradas durante esos momentos pico disminuyeron en torno al 40%, lo que sugiere que la combinación de avisos en tiempo real y evidencia trazable cambió el comportamiento en el lugar.

Qué significa esto para operaciones de carbón más seguras

En términos simples, esta investigación muestra que emparejar una clasificación sistemática del riesgo con cámaras inteligentes puede ayudar a que las plantas de preparación de carbón pasen de reaccionar tras los accidentes a prevenirlos en tiempo real. El método no pretende capturar cada matiz del comportamiento humano o de la cultura organizacional, y su precisión depende de la colocación de las cámaras, la iluminación y el reentrenamiento local del modelo de detección. Aun así, al identificar claramente los equipos más peligrosos, vigilar automáticamente la proximidad de los trabajadores y registrar cada advertencia, el enfoque ofrece una vía práctica para convertir los sistemas de vídeo existentes en socios activos de seguridad—potencialmente salvando vidas y reduciendo lesiones en uno de los entornos industriales más exigentes.

Cita: Zhao, Y., Hu, Y. & Shi, Q. Intelligent risk assessment and early warning for human–machine–environment coupling in coal preparation plants. Sci Rep 16, 12503 (2026). https://doi.org/10.1038/s41598-026-42874-5

Palabras clave: seguridad en preparación de carbón, monitorización por visión por computadora, evaluación de riesgos industriales, interacción humano–máquina, sistemas de alerta temprana