پیش بینی حوادث کارگاهی با الگوریتم های یادگیری ماشین

ایمنی کارگاهی یکی از مهم ترین چالش های صنایع تولیدی و عمرانی است و بروز حوادث، علاوه بر خسارت های مالی، پیامدهای انسانی و اجتماعی قابل توجهی به همراه دارد. در سال های اخیر، پیشرفت الگوریتم های یادگیری ماشین فرصت تازه ای برای تحلیل داده های پیچیده و پیش بینی وقوع حوادث قبل از رخ دادن آن ها فراهم کرده است. هدف این پژوهش، توسعه و ارزیابی یک چارچوب هوشمند برای پیش بینی حوادث کارگاهی بر اساس ترکیبی از داده های انسانی، محیطی و تجهیزاتی است. ابتدا داده ها از گزارش های ایمنی، فرم های بازرسی و سوابق عملیاتی جمع آوری شدند و مراحل پیش پردازش شامل پاک سازی، نرمال سازی و انتخاب ویژگی انجام گرفت. سپس چند الگوریتم متداول — از جمله رگرسیون لجستیک، درخت تصمیم، Random Forest، ماشین بردار پشتیبان و شبکه عصبی — پیاده سازی و با معیارهایی نظیر دقت، بازخوانی، F۱-Score و AUC مقایسه شدند. نتایج نشان داد مدل های مبتنی بر ensemble و شبکه های عصبی عملکرد بالاتری در تشخیص موقعیت های پرریسک دارند و می توانند احتمال وقوع حادثه را با دقت قابل قبولی پیش بینی کنند. تحلیل اهمیت متغیرها نیز نشان داد عواملی مانند تجربه اپراتور، وضعیت آموزش، شرایط آب وهوایی، ساعات کار پیوسته و سلامت تجهیزات نقش مهمی در افزایش ریسک حادثه دارند. چارچوب پیشنهادی قابلیت ادغام با سامانه های مدیریت ایمنی و سیستم های هشداردهنده بلادرنگ را دارد و می تواند به مدیران کمک کند تا با اولویت بندی اقدامات پیشگیرانه، سطح ریسک را کاهش دهند. با این حال، محدودیت هایی همچون کیفیت داده ها، عدم توازن نمونه های حادثه و نیاز به به روزرسانی مستمر مدل ها وجود دارد. در پژوهش های آینده، پیشنهاد می شود داده های بلادرنگ سنسورها و اینترنت اشیا، به همراه اطلاعات پوشیدنی های ایمنی، در مدل تلفیق شوند تا دقت پیش بینی و کارایی تصمیم گیری بیشتر افزایش یابد. به طور کلی، نتایج این مطالعه نشان می دهد یادگیری ماشین ابزاری کارآمد برای گذار از رویکردهای واکنشی به سمت مدیریت پیش بینانه ایمنی کارگاهی است.

کلیدواژه ها:

پیش بینی ، حوادث ، ایمنی ، ریسک