Intelligent Conceptual Architecture as a Proposal for Integration of Artificial Intelligence for Accident Prevention with Heavy Equipment
Informações
Título
Intelligent Conceptual Architecture as a Proposal for Integration of Artificial Intelligence for Accident Prevention with Heavy Equipment
Título (EN)
Intelligent Conceptual Architecture as a Proposal for Integration of Artificial Intelligence for Accident Prevention with Heavy Equipment
Autor(es)
Acácio Pereira de Macêdo Neto; João Gilberto Mendes dos Reis; Paula Ferreira da Cruz Correia; Gabriel Santos Rodrigues; Joel Porto Alves; Marcio José Padovan de Antônio; Fabricio Henrique do Nascimento da Silva; Jonatas Santos de Souza
Instituição
Universidade Paulista
Tipo
Artigo
Tipo de Mídia
Revista
Resumo (EN)
Operations with heavy load-handling machinery such as reach stacker forklifts, mobile port cranes (MHCs), and automated industrial vehicles are among the most critical topics in ports and industrial environments, being responsible for high rates of operational accidents. This article aims to present an intelligent and integrated functional architecture, based on Artificial Intelligence (AI), aimed at proactive accident prevention through the combination of four modules: real-time hazard detection, predictive maintenance, operator behavioral analysis, and intelligent decision support. The methodology used is based on a conceptual modeling validated by high-impact scientific literature, complemented by the application of the Analytic Hierarchy Process (AHP) method, which allowed the hierarchization of critical decision criteria such as risk reduction (26.32%), adaptive learning (26.32%) and adherence to regulatory standards (23.64%). The results indicated computer vision (43.39%) and predictive maintenance (26.70%) as the technologies with the highest strategic priority. The proposal is in line with the milestones of Industry 4.0, ISO 12100, and ISO 13849–1 standards and guidelines, consolidating itself as a replicable, scalable, and high-impact solution for environments that demand high standards of safety, traceability, and operational efficiency.
Resumo
As operações com máquinas de movimentação de cargas pesadas, como empilhadeiras do tipo reach stacker, guindastes portuários móveis (Mobile Harbor Cranes – MHCs) e veículos industriais automatizados, estão entre as atividades mais críticas em portos e ambientes industriais, sendo responsáveis por elevados índices de acidentes operacionais. Este artigo teve como objetivo apresentar uma arquitetura funcional inteligente e integrada, baseada em Inteligência Artificial (IA), voltada à prevenção proativa de acidentes por meio da integração de quatro módulos principais: detecção de riscos em tempo real, manutenção preditiva, análise comportamental dos operadores e suporte inteligente à tomada de decisão. A metodologia empregada baseou-se em uma modelagem conceitual, validada por literatura científica de alto impacto, complementada pela aplicação do método Analytic Hierarchy Process (AHP), que possibilitou a hierarquização dos principais critérios de decisão. Entre esses critérios, destacaram-se a redução de riscos (26,32%), a aprendizagem adaptativa (26,32%) e a conformidade com normas regulamentadoras (23,64%). Os resultados apontaram a visão computacional (43,39%) e a manutenção preditiva (26,70%) como as tecnologias de maior prioridade estratégica para a implementação da arquitetura proposta. A solução apresentada está alinhada aos princípios da Indústria 4.0 e às diretrizes das normas ISO 12100 e ISO 13849-1, consolidando-se como uma abordagem replicável, escalável e de elevado impacto, capaz de aumentar a segurança, a rastreabilidade e a eficiência operacional em ambientes industriais e portuários que exigem elevados padrões de confiabilidade e gestão de riscos.
Palavras-chave
Artificial Intelligence · Operational Safety · AHP; Heavy Equipment · Human-Machine Interface · Human-AI Collaboration · Accident Prevention
Direito de Acesso
Acesso restrito
Financiamento
Vice-Reitoria de Pós-Graduação e Pesquisa - Universidade Paulista
Publicado em
ABE, Jair Minoro; CARVALHO, Fábio Romeu de; ALMEIDA, Cecília Maria Villas Bôas de; GIANNETTI, Biagio Fernando. Lógica Paraconsistente Anotada Evidencial e Sistemas de Apoio à Decisão. In: INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY & SYSTEMS (ICITS), 21., 2022. Anais [...]. Cham: Springer, 2022. p. 265–276. (Advances in Intelligent Systems and Computing).