Avaliação inteligente de risco e alerta precoce para o acoplamento humano–máquina–ambiente em plantas de beneficiamento de carvão

Por que manter as usinas de carvão seguras importa

Plantas de beneficiamento de carvão são onde o carvão bruto é limpo e classificado antes de ser queimado em usinas ou usado na indústria. Essas instalações estão cheias de maquinário em movimento rápido, poeira, ruído e água — condições que podem colocar os trabalhadores em risco com facilidade. Este estudo investiga como combinar análise de risco estruturada com visão computacional moderna pode transformar câmeras de vigilância tradicionais em guardiãs inteligentes que monitoram as distâncias entre pessoas e máquinas e alertam os trabalhadores antes que algo dê errado.

Perigos ocultos em um local de trabalho movimentado

No interior de uma planta de beneficiamento de carvão, o perigo vem de muitas direções ao mesmo tempo. Britadores e peneiras vibratórias podem ejetar blocos pesados de carvão ou perder peças quebradas; sistemas de meio denso forçam polpa abrasiva por tubos sob alta pressão, que podem vazar em jatos potentes. Equipamentos elétricos de alta tensão ficam em salas úmidas onde o isolamento pode falhar, e correias transportadoras e áreas de armazenamento podem se encher de finíssima poeira de carvão que pode explodir se houver ignição. Tanques, espessadores e prensas filtrantes introduzem riscos de afogamento e esmagamento. A exposição prolongada à poeira também pode danificar os pulmões dos trabalhadores. Os autores utilizaram uma lista de verificação estruturada conhecida como framework 4M1E — analisando pessoas, máquinas, materiais, métodos e ambiente — para mapear esses riscos diversos por toda a planta.

Classificando o que mais pode ferir pessoas

Como nem todo equipamento é igualmente perigoso, a equipe buscou classificar os níveis de risco de forma sistemática. Eles construíram uma árvore de falhas — um tipo de diagrama lógico que parte de um acidente grave, como um trabalhador ferido quando uma correia transportadora inicia inesperadamente, e trabalha de trás para frente as combinações de pequenas falhas que tornam isso possível. Isso ajudou a destacar pontos fracos, como procedimentos de bloqueio ignorados, falhas no controle elétrico e proteções físicas ausentes. Usando normas internacionais de gestão de risco, combinaram então a probabilidade de um evento com a severidade de seu resultado, e aplicaram um método de ponderação para equilibrar fatores de equipamento, condições ambientais e comportamento humano. O resultado foi uma classificação em estilo “semáforo” em que, por exemplo, correias transportadoras e peneiras vibratórias foram sinalizadas como itens de maior risco, exigindo controles mais rigorosos.

Ensinando câmeras a observar distâncias

Para passar da análise em papel para a ação, os pesquisadores aprimoraram câmeras de vigilância comuns com um algoritmo moderno de detecção de objetos conhecido como YOLOv10. Esse software permite que um computador identifique pessoas e máquinas em cada quadro de vídeo em tempo real. Como plantas de carvão são empoeiradas, mal iluminadas e cheias de tubulações e estruturas, a equipe melhorou o algoritmo com módulos de atenção que o ajudam a focar nas partes mais informativas da imagem e com formas mais inteligentes de combinar informações de objetos de tamanhos diferentes. Eles também refinaram como o sistema avalia o ajuste entre as posições previstas e reais para garantir que as caixas delimitadoras em torno de trabalhadores e máquinas sejam estáveis e precisas mesmo quando as condições são ruins.

De pixels a alarmes na fábrica

Detectar objetos é apenas metade do problema; o sistema também precisa saber quando as pessoas estão muito próximas do perigo. Em vez de usar câmeras 3D caras ou scanners a laser, a equipe adotou um atalho engenhoso: uma única câmera é calibrada usando um objeto de largura conhecida para que distâncias em pixels na imagem possam ser convertidas em distâncias aproximadas no mundo real sobre o piso. Com essa configuração, o software mede continuamente a folga entre cada pessoa e as máquinas próximas. Se um trabalhador entrar em uma zona de atenção, um aviso visual aparece na tela; entrar em uma zona de perigo mais restrita aciona um alarme audível e snapshots e registros automáticos, criando um histórico de quem fez o que, quando e onde. Em testes controlados, o sistema conseguiu estimar distâncias com cerca de seis centímetros de precisão média e disparar alarmes em aproximadamente três décimos de segundo.

Colocando o alerta inteligente em prática

O sistema foi testado em uma planta real de beneficiamento de carvão, com foco em corredores de correias transportadoras e áreas de prensas filtrantes que foram classificadas como de alto risco. Em um dia típico, gerou cerca de quinze alertas válidos, capturando atos inseguros como trabalhadores se aproximando de máquinas em operação ou deixando de usar capacetes. Como cada evento era documentado com imagens e carimbos de tempo, os gerentes de segurança puderam identificar quando e onde as violações eram mais comuns — por exemplo, durante trocas de turno — e ajustar escalas de supervisão. Em um mês, as violações registradas nesses horários de pico caíram cerca de 40%, sugerindo que a combinação de alertas em tempo real e evidências rastreáveis alterou o comportamento no local.

O que isso significa para operações de carvão mais seguras

Em termos simples, esta pesquisa mostra que parear um ranqueamento sistemático de risco com câmeras inteligentes pode ajudar plantas de beneficiamento de carvão a passar de reagir após acidentes para preveni-los em tempo real. O método não afirma capturar todas as nuances do comportamento humano ou da cultura organizacional, e sua precisão depende do posicionamento das câmeras, iluminação e re-treinamento local do modelo de detecção. Ainda assim, ao identificar claramente os equipamentos mais perigosos, monitorar automaticamente quão perto os trabalhadores chegam e registrar cada alerta, a abordagem oferece um caminho prático para transformar sistemas de vídeo existentes em parceiros ativos de segurança — potencialmente salvando vidas e reduzindo ferimentos em um dos ambientes industriais mais desafiadores.

Citação: 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

Palavras-chave: segurança em beneficiamento de carvão, monitoramento por visão computacional, avaliação de risco industrial, interação humano–máquina, sistemas de alerta precoce