Método de avaliação de risco de acidentes industriais baseado em IOT

Abstract

As tecnologias avançadas de produção digitais tal como a Internet das Coisas destacam-se por viabilizar as soluções de automação e controle da Indústria 4.0. Embora o aumento da automatização dos processos diminua o trabalho manual, a presença humana permanecerá indispensável na produção, do mesmo modo que continuará sujeita aos riscos de acidentes industriais. Para garantir a segurança nos postos de trabalho, existe uma equipe de especialistas e gestores de segurança do trabalho responsável pela avaliação quantitativa de risco nos sistemas de gerenciamento da segurança. A maioria dos modelos de avaliação de risco atuais são estáticos e não consideram as variações naturais dos processos, do ambiente e das condições de trabalho, que afetam a ocorrência de acidentes industriais. Esse trabalho tem por objetivo desenvolver um método para avaliar e notificar os riscos nos postos de trabalho, em tempo real, utilizando os conceitos de Internet das Coisas, a fim de suprir as deficiências nos modelos de avaliação de risco existentes no mercado. O método se baseia no cálculo do Fator Modificador de Risco (FMR) obtido por combinação linear de variáveis de processo, laborais, comportamentais e organizacionais, monitoradas em um posto de trabalho. A multiplicação de um risco estático pelo respectivo FMR torna-o dinâmico. Para viabilizar a implementação do método, foi desenvolvida uma nova ferramenta denominada DRESS (do inglês Dynamic Risk Estimator for Safety Systems), na qual os riscos associados a um posto de trabalho são cadastrados e dinamicamente calculados com base nas variáveis monitoradas, conforme as etapas do método. Os FMRs e os riscos modificados são exibidos por meio de gráficos que auxiliam os especialistas e gestores em uma melhor visualização dos riscos, tanto na perspectiva individual quanto geral do posto de trabalho. Os resultados obtidos mediante a simulação de um conjunto de variáveis tipicamente encontradas no meio industrial apresentam potencial em auxiliar operadores, especialistas e gestores a identificar situações perigosas, possibilitando a tomada de decisão mais bem direcionada para mitigação dos riscos.

Advanced digital production technologies such as the Internet of Things stand out for enabling Industry 4.0 automation and control solutions. Although the increase in process automation will reduce manual work, human presence will remain essential in production, just as it will continue to be subject to the risks of industrial accidents. To ensure safety at workstations, there is a team of occupational safety specialists and managers responsible for the quantitative assessment of risk in safety management systems. Current risk assessment models are usually static and do not consider the natural variations in processes, environment and working conditions that affect the occurrence of industrial accidents. The objective of this work is to develop a method to assess and notify workplace risks, in real time, using Internet of Things concepts, to overcome deficiencies in existing risk assessment models in the market. The method is based on the calculation of the Risk Modifier Factor (RMF) obtained by linear combination of process, labor, behavioral and organizational variables, monitored in a workplace. Multiplying a static risk by the respective RMF makes it dynamic. To make the implementation of the method feasible, a new technique called DRESS (Dynamic Risk Estimator for Safety Systems) was developed, in which the risks associated with a job are registered and dynamically calculated based on the monitored variables, according to the steps of the method. The RMFs and modified risks are displayed through graphics that help specialists and managers to better visualize the risks, both in the individual and general perspective of the job. The results obtained by simulating a set of variables typically found in the industrial environment have the potential to help operators, specialists, and managers to identify dangerous situations, enabling decision-making better directed towards risk mitigation.