Intelligent riskbedömning och tidig varning för människa–maskin–miljö-koppling i kolberedningsverk

Varför det är viktigt att hålla kolverk säkra

Kolberedningsverk är platser där råkol rengörs och sorteras innan det förbränns i kraftverk eller används i industrin. Dessa anläggningar är fyllda med snabbrörliga maskiner, damm, buller och vatten — förhållanden som lätt kan sätta arbetare i fara. Denna studie undersöker hur kombinationen av strukturerad riskanalys och modernt datorseende kan förvandla traditionella övervakningskameror till intelligenta väktare som bevakar avstånd mellan människor och maskiner och varnar arbetare innan något går fel.

Dolda faror på en aktiv arbetsplats

Inne i ett kolberedningsverk kommer faran från många håll samtidigt. Krossar och vibrerande siktar kan kasta ut tunga kolstycken eller lossna trasiga delar; densitetsmediesystem driver slipande slurry genom rör under högt tryck som kan läcka som kraftfulla strålar. Högspänningsutrustning står i fuktiga rum där isolering kan svikta, och transportband och lagerutrymmen kan fyllas med fint kolstoft som kan explodera vid antändning. Bassänger, förtjockare och filterpressar medför drunknings- och klämrisker. Långvarig exponering för damm kan också skada arbetarnas lungor. Författarna använde en strukturerad checklista känd som 4M1E-ramverket — som granskar människa, maskin, material, metod och miljö — för att kartlägga dessa mångfacetterade risker i anläggningen.

Rankning av vad som kan skada människor mest

Där inte all utrustning är lika farlig försökte teamet systematiskt bedöma risknivåer. De byggde ett felsökningsträd — en typ av logikdiagram som börjar med en allvarlig olycka, såsom en arbetare som skadas när ett transportband oväntat startar, och arbetar bakåt mot kombinationer av små fel som gjorde det möjligt. Detta hjälpte till att belysa svaga punkter som förbigångna frånkopplingsrutiner, fel i elektrisk styrning och saknade skydd. Med hjälp av internationella riskhanteringsstandarder kombinerade de sedan sannolikheten för en händelse med hur allvarlig dess utgång kunde vara, och tillämpade en viktmetod för att balansera maskinfaktorer, miljöförhållanden och mänskligt beteende. Resultatet blev en "trafikljus"-liknande rangordning där exempelvis transportband och vibrerande siktar flaggades som de högst riskerade objekten som krävde strängast kontroller.

Lära kameror att bevaka avstånd

För att gå från pappersanalys till handling uppgraderade forskarna vanliga övervakningskameror med en modern objektidentifieringsalgoritm känd som YOLOv10. Denna mjukvara låter en dator plocka ut människor och maskiner i varje videoruta i realtid. Eftersom kolverk är dammiga, dunkla och trånga med rör och konstruktioner förbättrade teamet algoritmen med uppmärksamhetsmoduler som hjälper den att fokusera på de mest informativa delarna av bilden, och med smartare sätt att kombinera information från objekt i olika storlekar. De förfinade också hur systemet bedömer överensstämmelsen mellan förutsagda och faktiska positioner för att säkerställa att avgränsningsrutor runt arbetare och maskiner är stabila och precisa även under svåra förhållanden.

Från pixlar till larm på verkstadsgolvet

Att upptäcka objekt är bara halva problemet; systemet måste också veta när människor står för nära fara. Istället för att använda dyra 3D-kameror eller laserskannrar antog teamet en smart genväg: en enda kamera kalibreras med ett objekt av känd bredd så att pixelavstånd i bilden kan omvandlas till ungefärliga verkliga avstånd på golvet. Med denna uppställning mäter mjukvaran kontinuerligt gapet mellan varje person och närliggande maskiner. Om en arbetare går in i en varningszon visas en visuell varning på skärmen; att kliva in i en snävare farozon utlöser ett ljudlarm samt automatiska snapshots och loggposter, vilket skapar en historik över vem som gjorde vad, när och var. Under kontrollerade test kunde systemet uppskatta avstånd med ungefär sex centimeters felmarginal i genomsnitt och höja larm på cirka tre tiondelar av en sekund.

Att omsätta intelligent varning i praktiken

Systemet testades i ett verkligt kolberedningsverk, med fokus på transportkorridorer och filterpressområden som graderats som högrisksområden. En typisk dag genererade det omkring femton giltiga varningar och fångade osäkra handlingar såsom arbetare som närmade sig maskiner i drift eller uteblev från att bära hjälm. Eftersom varje händelse dokumenterades med bilder och tidsstämplar kunde säkerhetschefer identifiera när och var överträdelser var vanligast — till exempel under skiftbyten — och justera tillsynsscheman. Inom en månad minskade dokumenterade överträdelser under dessa topptider med cirka 40 %, vilket tyder på att kombinationen av realtidspåminnelser och spårbar bevisning förändrade beteendet i praktiken.

Vad detta betyder för säkrare kolverksamhet

Kort sagt visar denna forskning att en kombination av systematisk riskrankning och smarta kameror kan hjälpa kolberedningsverk att gå från att reagera efter olyckor till att förebygga dem i realtid. Metoden påstår inte att den fångar varje aspekt av mänskligt beteende eller organisationskultur, och dess noggrannhet beror på kameraplacering, belysning och lokal omträning av detektionsmodellen. Ändå erbjuder angreppssättet, genom att tydligt identifiera de farligaste maskinerna, automatiskt övervaka hur nära arbetare kommer och logga varje varning, en praktisk väg för att förvandla befintliga videosystem till aktiva säkerhetspartner — vilket potentiellt kan rädda liv och minska skador i en av industrins mest utmanande miljöer.

Citering: 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

Nyckelord: säkerhet i kolberedning, övervakning med datorseende, industriell riskbedömning, människa–maskin-interaktion, tidiga varningssystem