A comprehensive STPA-PSO framework for quantifying smart glasses risks in manufacturing
Notice bibliographique
Résumé
The integration of cutting-edge technologies, such as wearables, in complex systems is crucial for enhancing collaboration between humans and machines in the era of Industry 5.0. However, this increased interaction also introduces new challenges and risks, including the potential for human errors. A thorough analysis of the literature reveals an absence of studies that have quantified these risks, underscoring the utmost importance of this research. To address the above gap, the present study introduces the STPA-PSO methodology, which aims to quantify the risks associated with the use of smart glasses in complex systems, with a specific focus on human error risks. The proposed methodology leverages the Systems-Theoretic Process Analysis (STPA) approach to proactively identify hazards, while harnessing the power of the Particle Swarm Optimization (PSO) algorithm to accurately calculate and optimize risks, including those related to human errors. To validate the effectiveness of the methodology, a case study involving the assembly of a refrigerator was conducted, encompassing various critical aspects, such as the Industrial, Financial, and Occupational Health and Safety (OHS) aspects. The results provide evidence of the efficacy of the STPA-PSO approach in assessing, quantifying, and managing risks during the design stage. By proposing a robust and comprehensive risk quantification framework, this study makes a significant contribution to the advancement of system safety analysis in complex environments, providing invaluable insights for the seamless integration of wearables and ensuring safer interactions between humans and machines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».