[论文解读] Sustainability Through Cognition Aware Safety Systems -- Next Level Human-Machine-Interaction

Juergen Mangler, Konrad Diwold+8 more|arXiv (Cornell University)|Oct 13, 2021

Human-Automation Interaction and Safety参考文献 37被引用 5

一句话总结

本文提出认知感知安全系统（CASS），一种基于人工智能的架构，可依据实时的人类认知状态（如注意力、压力和工作负荷）动态调整工业安全参数，从而在维持功能安全合规性的同时减少不必要的安全停机。通过将人工智能推理与自适应人机交互相结合，CASS在不改变现有安全法规的前提下，提升了工人的福祉，减少了生产中断，并提高了生产效率。

ABSTRACT

Industrial Safety deals with the physical integrity of humans, machines and the environment when they interact during production scenarios. Industrial Safety is subject to a rigorous certification process that leads to inflexible settings, in which all changes are forbidden. With the progressing introduction of smart robotics and smart machinery to the factory floor, combined with an increasing shortage of skilled workers, it becomes imperative that safety scenarios incorporate a flexible handling of the boundary between humans, machines and the environment. In order to increase the well-being of workers, reduce accidents, and compensate for different skill sets, the configuration of machines and the factory floor should be dynamically adapted, while still enforcing functional safety requirements. The contribution of this paper is as follows: (1) We present a set of three scenarios, and discuss how industrial safety mechanisms could be augmented through dynamic changes to the work environment in order to decrease potential accidents, and thus increase productivity. (2) We introduce the concept of a Cognition Aware Safety System (CASS) and its architecture. The idea behind CASS is to integrate AI based reasoning about human load, stress, and attention with AI based selection of actions to avoid the triggering of safety stops. (3) And finally, we will describe the required performance measurement dimensions for a quantitative performance measurement model to enable a comprehensive (triple bottom line) impact assessment of CASS. Additionally we introduce a detailed guideline for expert interviews to explore the feasibility of the approach for given scenarios.

研究动机与目标

• 解决日益增长的刚性功能安全标准与现代人机生产环境中动态、认知负荷高的特性之间的不匹配问题。
• 减少由人类认知超载、注意力不集中或疲劳导致的安全相关生产中断，此类问题目前造成高昂的系统停机成本。
• 开发一种认知感知安全系统（CASS），利用人工智能实时监测并响应人类认知状态，实现更安全、更灵活、更高效的协作式人机操作。
• 建立一个量化的三重底线绩效评估模型，用于从经济、社会和技术三个维度评估CASS在实际应用中的表现。
• 制定结构化的专家访谈指南，以评估CASS在真实工业场景中实施的可行性与影响。

提出的方法

• 本文提出一种认知感知安全系统（CASS）架构，通过多模态传感与行为分析技术，实现基于人工智能的人类工作负荷、压力和注意力的实时监测。
• CASS采用自适应系统参数，根据实时认知状态评估动态调整安全阈值，从而减少不必要的安全停机。
• 系统整合了视觉、听觉和触觉反馈机制，在高工作负荷情境下引导操作员，增强情境意识。
• 采用增强现实与虚拟现实（AR/VR）技术，用于模拟和训练操作员在真实场景中的应对能力，提升技能保留率并减少错误。
• 提出一个全面的绩效评估框架，与ISO WD22400/2 KPI保持一致，用于评估经济、运营和以人为本的影响。
• 开发了结构化的专家访谈问卷，以收集关于CASS实施在经济、员工管理及技术管理方面的行业洞察。

实验结果

研究问题

• RQ1 认知负荷在工业生产环境中如何影响人类表现与安全？此类影响的可测量后果是什么？
• RQ2 人工智能驱动的认知状态监测在不损害功能安全的前提下，如何减少不必要的安全停机？
• RQ3 在真实生产环境中评估CASS影响时，必须衡量的关键经济、社会和技术绩效维度有哪些？
• RQ4 CASS如何在不需修改监管法规的前提下，可行地集成到现有工业安全法规与生产流程中？
• RQ5 从行业专家和决策者的视角来看，CASS实施的潜在障碍与促进因素分别是什么？

主要发现

• 所提出的CASS架构实现了动态、认知感知的安全适应，减少了因短暂认知超载或注意力不集中引发的非必要安全停机。
• 通过监测并响应人类认知状态，CASS可减少非计划性生产中断，从而提高吞吐率、设备可用性及整体设备效率（OEE）。
• 该系统有潜力显著降低在制品（WIP）、废品率、返工率以及重复性任务（如零件上料与装夹）的人工工时。
• 专家访谈表明，CASS在提升工人满意度、减轻认知负担以及支持年轻一代数字原生员工的融入方面具有显著潜力。
• 绩效评估模型支持全面的三重底线评估，涵盖经济KPI（如OEE、投资回报率、节拍时间）、员工福祉以及长期技术采纳情况。
• 本研究识别出若干关键挑战，包括对AI系统的过度依赖以及操作员专业能力下降的风险，需通过适当的培训与系统透明度加以缓解。