استفاده از روشهای یادگیری عمیق در بستر واقعیت مجازی (VR) در سیستم های هوشمند برای پیش بینی خطاهای انسانی در محیط های صنعتی

امروزه، با گذار از صنعت ۴.۰ به سمت انسان محوری در صنعت ۵.۰، ایمنی و بهبود عملکرد اپراتور انسان در حلقه های کنترل نیمه خودکار به چالشی اساسی تبدیل شده است. با این حال، مکانیزم های ایمنی فعلی در خطوط مونتاژ، عمدتا مبتنی بر قوانین آستانه ای و سنسورهای فیزیکی هستند که ماهیتی واکنشی داشته و صرفا پس از وقوع خطا یا برخورد فیزیکی فعال می شوند. این رویکرد سنتی قادر به درک نشانگرهای رفتاری ظریف پیش از وقوع خطا نیست و در صورت افزایش پیچیدگی وظایف، شناختی کارایی خود را از دست می دهد. شکاف پژوهشی موجود، فقدان یک معماری یکپارچه است که بتواند الگوهای حرکتی و رفتاری اپراتور را در بازه های زمانی کوتاه تحلیل کرده و وقوع خطا را پیش بینی نماید. هدف این پژوهش، توسعه یک سیستم هوشمند پیشگویانه مبتنی بر یادگیری عمیق در بستر واقعیت مجازی (VR) است که با تحلیل داده های کینماتیکی بدن، خطاهای انسانی را پیش از وقوع فیزیکی شناسایی کند. در این راستا، یک چارچوب آزمایشگاهی شبیه سازی شده از ایستگاه کاری مونتاژ هوشمند طراحی گردید. داده های حرکتی ۳۵ شرکت کننده داوطلب با استفاده از سیستم ردیابی حرکت دقیق HTC Vive Pro Eyes و تریکرهای بدن و در محیط موتور بازی سازی Unity ۳D جمع آوری شد. برای پردازش داده ها یک مدل ترکیبی شبکه عصبی کانولوشنی و حافظه کوتاه مدت مکرر CNN-LSTM پیشنهاد شد. بخش CNN وظیفه استخراج ویژگی های مکانی از نقاط کلیدی مفاصل بدن را بر عهده داشت، در حالی که لایه های LSTM برای مدل سازی وابستگی های زمانی و توالی حرکات طراحی شدند. نوآوری این مقاله در معرفی ویژگی جدیدی مبتنی بر بی نظمی کینماتیکی و انحراف مسیر حرکتی است که اپراتور را در وضعیت های مستعد خطا طبقه بندی می کند. ارزیابی مدل با استفاده از روش اعتبارسنجی متقابل ۱۰ لایه نشان داد که معماری پیشنهادی توانایی بالایی در تفکیک حرکات صحیح از حرکات منجر به خطا دارد. نتایج کمی حاصل از آزمایش ها، دقت کلی مدل را ۹۴.۳ نشان داد که نسبت به روش های کلاسیک ماشین بردار پشتیبان (SVM) و شبکه های عصبی پیشخور، به ترتیب ۱۱.۵٪ و ۷.۸٪ بهبود داشته است. شاخص F۱-Score برای کلاس خطا برابر با ۰.۹۲ ثبت شد که نشان دهنده عملکرد مطلوب سیستم در مواجهه با داده های نامتوازن است. نکته کلیدی این است که سیستم پیشنهادی توانست با میانگین زمان پیش زمینه ی ۲۸ ثانیه پیش از وقوع خطای فیزیکی، هشدار لازم را صادر نماید. این تاخیر زمانی فرصت کافی برای مداخله اپراتور یا سیستم ایمنی را فراهم می آورد. پیامدهای این پژوهش، گذار از سیستم های ایمنی غیر فعال به سیستم های ایمنی فعال و شناختی را در محیط های صنعتی ممکن می سازد و گامی موثر در تحقق اهداف پایداری و انسان محوری صنعت ۵.۰ برمی دارد.

کلیدواژه ها:

صنعت ۵.۰ ، پیش بینی خطای انسانی ، واقعیت مجازی ، شبکه های عصبی LSTM ، ایمنی پیشگیرانه