Intelligente risicobeoordeling en vroegtijdige waarschuwing voor mens–machine–omgeving-koppeling in kolenwinningszuiveringsinstallaties

Waarom het belangrijk is koleninstallaties veilig te houden

Kolenzuiveringsinstallaties zijn locaties waar ruwe kolen worden gereinigd en gesorteerd voordat ze in energiecentrales worden verbrand of in de industrie worden gebruikt. Deze installaties zitten vol snel bewegende machines, stof, lawaai en water — omstandigheden die werknemers gemakkelijk in gevaar kunnen brengen. Deze studie onderzoekt hoe het combineren van gestructureerde risicoanalyse met moderne computervisie traditionele bewakingscamera’s kan omvormen tot intelligente bewakers die de afstanden tussen mensen en machines in de gaten houden en werknemers waarschuwen voordat er iets misgaat.

Verborgen gevaren op een druk werkterrein

In een kolenzuiveringsinstallatie komen gevaren tegelijk uit veel richtingen. Brekers en trillingszeven kunnen zware kolenbrokken uitwerpen of gebroken onderdelen verliezen; dichtmediumsystemen persen abrasieve slurry door leidingen onder hoge druk, die als krachtige spuiters kan lekken. Hoogspanningsapparatuur staat in vochtige ruimtes waar isolatie kan falen, en transportbanden en opslagplaatsen kunnen zich vullen met fijn kolenstof dat kan ontploffen als het wordt ontstoken. Bassins, verdikkers en filterpersen brengen verdrinkings- en verpletteringsgevaren met zich mee. Langdurige blootstelling aan stof kan ook de longen van werknemers beschadigen. De auteurs gebruikten een gestructureerde checklist, het 4M1E-kader — met aandacht voor mens, machine, materiaal, methode en omgeving — om deze uiteenlopende risico’s door de hele installatie in kaart te brengen.

Prioriteren van wat mensen het meest kan schaden

Aangezien niet elk stuk apparatuur even gevaarlijk is, stelde het team zich ten doel risiconiveaus systematisch te beoordelen. Ze bouwden een foutboom — een soort logische diagram die begint met een ernstig ongeluk, zoals een werknemer die gewond raakt wanneer een transportband onverwacht start, en terugwerkt naar de combinaties van kleine falen die dat mogelijk maken. Dit hielp zwakke plekken te benadrukken, zoals overgeslagen lockout-procedures, elektrische controlefouten en ontbrekende fysieke afschermingen. Met behulp van internationale risicomanagementnormen combineerden ze vervolgens de kans op een gebeurtenis met de ernst van het mogelijke gevolg, en pasten ze een wegingstechniek toe om apparatuurfactoren, omgevingscondities en menselijk gedrag in balans te brengen. Het resultaat was een ‘verkeerslicht’-achtige rangschikking waarbij bijvoorbeeld transportbanden en trillingszeven als hoogst risicovolle items werden aangeduid die de strengste beheersmaatregelen vereisen.

Camera’s leren afstanden te bewaken

Om van papieren analyse naar daadwerkelijke actie te gaan, upgradeerden de onderzoekers gewone bewakingscamera’s met een modern objectdetectie-algoritme bekend als YOLOv10. Deze software stelt een computer in staat personen en machines in elk videoframe in realtime te herkennen. Omdat koleninstallaties stoffig, schemerig en vol leidingen en constructies zijn, verbeterde het team het algoritme met attentiemodules die helpen zich te concentreren op de meest informatieve delen van het beeld, en met slimmere manieren om informatie van objecten van verschillende grootte te combineren. Ze verfijnden ook de manier waarop het systeem de overeenkomst tussen voorspelde en werkelijke posities beoordeelt, zodat begrenzende vakjes rond werknemers en machines stabiel en accuraat blijven, zelfs onder slechte omstandigheden.

Van pixels naar alarmen op de werkvloer

Objecten detecteren is slechts de helft van het probleem; het systeem moet ook weten wanneer mensen te dicht bij gevaar komen. In plaats van dure 3D-camera’s of laserscanners te gebruiken, koos het team voor een slimme tussenoplossing: een enkele camera wordt gekalibreerd met een object van bekende breedte zodat pixelafstanden in het beeld kunnen worden omgezet naar benaderende werkelijke afstanden op de vloer. Met deze opstelling meet de software continu de afstand tussen elke persoon en nabijgelegen machines. Als een werknemer een waarschuwingszone betreedt, verschijnt er een visuele waarschuwing op het scherm; het betreden van een striktere gevarenzone activeert een hoorbaar alarm en automatische snapshots en logboekvermeldingen, waarmee wordt vastgelegd wie wat, wanneer en waar deed. Onder gecontroleerde tests kon het systeem afstanden schatten met ongeveer zes centimeter gemiddeld en alarmen geven in ongeveer drie tienden van een seconde.

Intelligente waarschuwingen in de praktijk brengen

Het systeem werd in een echte kolenzuiveringsinstallatie gepilot, met focus op transportbandcorridors en filterpersgebieden die als hoog risico waren aangemerkt. Op een typische dag genereerde het ongeveer vijftien geldige waarschuwingen, waarbij onveilige handelingen werden gedetecteerd zoals werknemers die dicht bij draaiende machines kwamen of geen helm droegen. Omdat elk evenement werd gedocumenteerd met beelden en tijdstempels, konden veiligheidsmanagers vaststellen wanneer en waar overtredingen het meest voorkwamen — bijvoorbeeld tijdens ploegwissels — en hun toezichtsschema’s daarop aanpassen. Binnen een maand daalden de geregistreerde overtredingen tijdens deze piekmomenten met ongeveer 40%, wat suggereert dat de combinatie van realtime waarschuwingen en verifieerbaar bewijs gedrag op de werkvloer veranderde.

Wat dit betekent voor veiliger kolenactiviteiten

Kort gezegd toont dit onderzoek aan dat het koppelen van systematische risicoranking aan slimme camera’s kolenzuiveringsinstallaties kan helpen verschuiven van reageren na ongevallen naar het voorkomen daarvan in realtime. De methode beweert niet elk aspect van menselijk gedrag of organisatiecultuur te vatten, en de nauwkeurigheid hangt af van camerapositie, verlichting en lokale hertraining van het detectiemodel. Toch biedt de aanpak — door duidelijk de gevaarlijkste apparatuur te identificeren, automatisch te bewaken hoe dicht werknemers komen en elk waarschuwingsevenement te loggen — een praktische route om bestaande videosystemen om te vormen tot actieve veiligheidspartners en daarmee mogelijk levens te redden en letsel te verminderen in een van de meest uitdagende industriële omgevingen.

Bronvermelding: 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

Trefwoorden: veiligheid bij kolenopwerking, computervisiemonitoring, industriële risicobeoordeling, mens–machine-interactie, vroegtijdige waarschuwingssystemen