Fatigue Monitoring System

Rosselli, Michel (2021) Fatigue Monitoring System. Bachelor thesis, Scuola Universitaria Professionale della Svizzera Italiana.

[img] Text
DOC_ROSSELLI.pdf - Published Version
Available under License Creative Commons Attribution Non-commercial.

Download (3MB)
[img] Text
POSTER_ROSSELLI copy.pdf - Published Version
Available under License Creative Commons Attribution Non-commercial.

Download (426kB)

Abstract

L’industria 4.0 sta prendendo sempre più spazio nell’ambito industriale e produttivo. Essa mira a ren-dere più efficiente, automatizzare ed ottimizzare i processi di produzione riducendo sempre di più l’intervento diretto dell’uomo. In letteratura si è notata l’esistenza di una correlazione tra sforzo percepito dai lavoratori e la qualità del suo operato. A margine di questa costatazione, si è pensato di sviluppare un sistema basato su tecniche di intelligenza artificiale, in grado di rilevare potenziali condizioni di stress e fatica dell’operatore e promuovere così condizioni lavorative e produttive ottimali. Nel documento viene presentata la progettazione e l’implementazione di un componente software (Fa-tigue Monitoring System) che, a partire dai dati biometrici dei lavoratori, di profilazione degli stessi e da dati ambientali, sia in grado di predire il livello di fatica percepito (nel range [0-10] dove 0 è lo sfor-zo percepito nullo e 10 quello massimo) grazie all’utilizzo di algoritmi di machine learning. Questo dato può così venire utilizzato per orientarsi verso una scelta di lavoro appropriata, per migliorare la produt-tività e le condizioni lavorative, per esempio stabilendo quali compiti siano più adatti per il lavoratore, oppure introducendo un Cobot che, collaborando prendendosi a carico alcune mansioni, allevia l’operatore automatizzando determinati processi. La documentazione riporta inoltre una procedura guidata che, a partire dai dati acquisiti durante un esperimento di raccolta degli stessi, permette di identificare features interessanti per l’addestramento e la validazione di modelli, i quali sono in grado di predire lo sforzo percepito. Viene pure presentata l’analisi che ha permesso l’identificazione dell’algoritmo Random Forest quale candidato idoneo per il raggiungimento di questo scopo. Il documento riporta in fine una valutazione su quanto ottenuto partendo dai dati a disposizione. --- Abstract inglese Industry 4.0 is gaining more and more space in the industrial and manufacturing environment. It aims to make more efficient, automate and optimize production processes by increasingly reducing direct human intervention. In the literature, it has been noted the existence of a correlation between effort perceived by workers and the quality of his work. On the sidelines of this observation, it was thought to develop a system based on artificial intelligence techniques, able to detect potential conditions of stress and fatigue of the operator and thus promote optimal working and production conditions. The paper presents the design and implementation of a software component (Fatigue Monitoring System) that, starting from biometric data of workers, profiling of the same and environmental data, is able to predict the level of perceived fatigue (in the range [0-10] where 0 is the perceived effort null and 10 the maximum) through the use of machine learning algorithms. This data can then be used to orient towards an appropriate choice of work, to improve productivity and working conditions, for example by establishing which tasks are most suitable for the worker, or introducing a Cobot that, collaborating by taking charge of certain tasks, relieves the operator by automating certain processes. The documentation reports also a guided procedure that, starting from the data acquired during an experiment of collection of the same, allows to identify interesting features for the training and validation of models, which are able to predict the perceived effort. It is also presented the analysis that allowed the identification of the Random Forest algorithm as a suitable candidate for this purpose. The paper finally reports an evaluation of what has been obtained starting from the available data.

Item Type: Thesis (Bachelor)
Corso: UNSPECIFIED
Supervisors: Landolfi, Giuseppe and Cutrona, Vincenzo
Subjects: Informatica
Divisions: Dipartimento tecnologie innovative > Ingegneria informatica
URI: http://tesi.supsi.ch/id/eprint/4099

Actions (login required)

View Item View Item