Интеллектуальная оценка рисков и раннее предупреждение при взаимодействии человек–машина–окружающая среда на углеочистительных предприятиях

Почему важно обеспечивать безопасность углеочистительных предприятий

Углеочистительные установки — это места, где сырый уголь очищают и сортируют перед его сжиганием на электростанциях или использованием в промышленности. Эти предприятия наполнены быстро движущимися механизмами, пылью, шумом и водой — условиями, которые легко могут поставить рабочих под угрозу. В этом исследовании рассматривается, как сочетание структурированного анализа рисков и современных методов компьютерного зрения может превратить традиционные камеры наблюдения в интеллектуальных стражей, отслеживающих расстояния между людьми и машинами и предупреждающих работников до того, как случится авария.

Скрытые опасности на оживлённом производстве

На углеочистительном участке опасности приходят одновременно со многих сторон. Дробилки и вибрационные грохоты могут выбрасывать тяжёлые куски угля или терять сломавшиеся детали; системы с плотной средой проталкивают абразивную суспензию по трубам под высоким давлением, что может привести к мощным утечкам. Высоковольтное электрооборудование размещается во влажных помещениях, где изоляция может выйти из строя, а конвейеры и зоны хранения заполняются мелкой угольной пылью, которая может взорваться при воспламенении. Пуллы, утяжелители и фильтровальные прессы создают риски утопления и раздавливания. Длительное воздействие пыли также может повредить лёгкие работников. Авторы использовали структурированный чеклист, известный как рамка 4M1E — рассматривающий людей, машины, материалы, методы и среду — чтобы сопоставить эти разнообразные риски по всему предприятию.

Ранжирование наиболее опасных факторов

Поскольку не всё оборудование представляет одинаковую опасность, команда поставила задачу систематически оценить уровни риска. Они построили дерево отказов — своего рода логическую схему, которая начинается с серьёзного происшествия, например травмы рабочего при неожиданном запуске конвейера, и отрабатывает назад комбинации мелких сбоев, которые этому способствовали. Это помогло выявить уязвимые места, такие как пропущенные процедуры блокировки, неисправности электрического управления и отсутствие физических ограждений. Используя международные стандарты управления рисками, далее они комбинировали вероятность события с тяжестью его последствий и применили метод взвешивания, чтобы сбалансировать факторы оборудования, условия окружающей среды и поведение людей. В результате получился рейтинг в стиле «светофора», в котором, например, ленточные конвейеры и вибрационные грохоты были отмечены как наиболее высокорисковые объекты, требующие строгих мер контроля.

Обучение камер отслеживать расстояния

Чтобы перейти от бумажного анализа к практическим мерам, исследователи модернизировали обычные камеры видеонаблюдения с помощью современного алгоритма детекции объектов YOLOv10. Это программное обеспечение позволяет компьютеру в реальном времени выделять людей и машины на каждом кадре видео. Поскольку углеочистительные участки пыльные, слабо освещённые и загромождённые трубами и конструкциями, команда усилила алгоритм модулями внимания, которые помогают сосредоточиться на наиболее информативных частях изображения, и более продвинутыми способами объединения информации об объектах разных размеров. Они также уточнили способ оценки соответствия между предсказанными и фактическими позициями, чтобы обеспечивать стабильные и точные ограничивающие рамки вокруг работников и машин даже при плохих условиях.

От пикселей до сигналов тревоги на производстве

Обнаружение объектов — это только половина задачи; система также должна уметь определять, когда люди находятся слишком близко к опасности. Вместо дорогостоящих 3D-камер или лазерных сканеров команда применила хитрый упрощённый подход: одна камера калибруется с использованием объекта известной ширины, чтобы пиксельные расстояния на изображении можно было преобразовать в приближённые реальные расстояния на полу. С такой настройкой программное обеспечение непрерывно измеряет промежуток между каждым человеком и ближайшими машинами. Если работник входит в зону внимания (caution zone), на экране появляется визуальное предупреждение; при переходе в более узкую зону опасности срабатывает звуковая сигнализация и автоматически делаются снимки и записи в журнале, создавая запись о том, кто, что, когда и где сделал. В контролируемых тестах система могла оценивать расстояния с точностью примерно до шести сантиметров в среднем и выдавать тревогу примерно за три десятых секунды.

Внедрение интеллектуального предупреждения на практике

Систему опробовали на реальном углеочистительном предприятии, сосредоточив внимание на коридорах конвейеров и зонах фильтр-прессов, которые были оценены как высокорисковые. В типичный день она генерировала около пятнадцати действительных предупреждений, фиксируя небезопасные действия, такие как приближение работников к работающим машинам или отсутствие касок. Поскольку каждое событие документировалось изображениями и метками времени, менеджеры по безопасности могли точно определить, когда и где нарушения были наиболее частыми — например во время сменных передач — и скорректировать графики надзора. В течение месяца зафиксированные нарушения в эти пиковые периоды снизились примерно на 40%, что указывает на то, что сочетание оперативных напоминаний и отслеживаемых доказательств изменило поведение на местах.

Что это означает для более безопасной работы с углём

Проще говоря, это исследование показывает, что сочетание систематического ранжирования рисков и умных камер может помочь углеочистительным предприятиям перейти от реагирования после аварий к их предотвращению в реальном времени. Метод не претендует на то, чтобы учесть все тонкости человеческого поведения или организационной культуры, и его точность зависит от расположения камер, освещения и локальной дообучаемости модели детекции. Тем не менее, чётко идентифицируя наиболее опасное оборудование, автоматически отслеживая, насколько близко подходят работники, и фиксируя каждое предупреждение, подход предлагает практический путь преобразования существующих видеосистем в активных помощников по безопасности — что потенциально может спасти жизни и снизить число травм в одной из самых сложных производственных сред.

Цитирование: 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

Ключевые слова: безопасность углеочистки, мониторинг компьютерным зрением, оценка промышленных рисков, взаимодействие человек–машина, системы раннего предупреждения