⚡ electrical engineering

Human-centric multi-objective optimisation of operator safety and productivity

Este estudo utiliza otimização metaheurística multiobjetivo para identificar parâmetros de corte que equilibrem a segurança do operador (minimizando a frequência cardíaca e o risco percebido) com a produtividade (maximizando a taxa de remoção de material) em operações de fresagem, revelando que o Algoritmo Genético oferece o melhor compromisso, enquanto a velocidade de avanço é o principal fator de estresse do operador.

Autores originais: Gregoire Tambwe MBANGU, George STILWELL, Yilei ZHANG, Zuzhen Ji, Dirk PONS

Publicado 2026-07-17

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Gregoire Tambwe MBANGU, George STILWELL, Yilei ZHANG, Zuzhen Ji, Dirk PONS

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o capitão de um carro de corrida de alta velocidade. Seu objetivo é dirigir o mais rápido possível para vencer a corrida, mas há um porém: quanto mais rápido você vai, mais seu coração bate forte, suas mãos tremem e mais apavorado você se sente com a possibilidade de bater. No mundo da fabricação, especificamente ao cortar metal com ferramentas giratórias gigantes, os operários de fábrica enfrentam um dilema semelhante. Eles querem ser produtivos — removendo o máximo de metal possível, o mais rápido possível — mas também precisam manter-se seguros e calmos. Se a máquina vibrar demais ou ficar barulhenta demais, a frequência cardíaca do trabalhador aumenta e sua sensação de segurança cai. Isso não é apenas sobre sentir-se bem; um operador estressado é um operador cansado, e um operador cansado comete erros. Assim, os cientistas estão tentando resolver um quebra-cabeça complicado: Como ajustar a máquina para que ela vá rápido sem fazer o "piloto" humano sentir que está prestes a desmaiar?

Esta é a história de um novo estudo que tentou resolver esse quebra-cabeça usando um tipo especial de "cérebro digital" chamado inteligência artificial. Os pesquisadores não apenas adivinharam; eles construíram um modelo computacional que atua como um treinador superinteligente. Este treinador observa três coisas ao mesmo tempo: a rapidez com que o metal está sendo removido (produtividade), a rapidez com que o coração do trabalhador bate (estresse fisiológico) e o quão assustado o trabalhador se sente (segurança subjetiva). O objetivo era encontrar o "ponto ideal" onde a máquina trabalha duro, mas o humano permanece calmo e confiante. Para fazer isso, eles testaram três tipos diferentes de treinadores de IA, cada um com sua própria personalidade, para ver qual deles conseguiria encontrar o melhor equilíbrio.

O Experimento: Uma Dança de Metal e Mente

Os pesquisadores montaram um teste em um ambiente real de oficina. Eles tiveram 11 voluntários, todos treinados para usar uma fresadora, realizar 2-7 tarefas de corte diferentes cada um. Isso totaliza 297 tarefas! Para cada tarefa, eles alteravam três configurações principais: a velocidade com que a ferramenta gira, a profundidade com que ela corta o metal e a velocidade com que ela avança. Enquanto os trabalhadores realizavam seu trabalho, os pesquisadores os observavam de perto. Eles prenderam smartwatches nos pulsos dos trabalhadores para monitorar seus batimentos cardíacos, colocaram microfones para ouvir o ruído e anexaram sensores de vibração à máquina para sentir seu tremor. Depois, os trabalhadores preencheram um questionário, avaliando o quão perigoso, nervoso ou desconfortável eles se sentiram.

A equipe então usou uma poderosa ferramenta estatística chamada "Modelagem Linear Robusta" para transformar todos esses dados bagunçados em regras claras. Pense nisso como um detetive conectando os pontos: eles descobriram exatamente o quanto a frequência cardíaca saltaria se a taxa de avanço aumentasse, ou como o nível de vibração mudava quando o corte ficava mais profundo. Eles descobriram que a frequência cardíaca do trabalhador era a maior pista para entender como ele se sentia seguro. Se o coração estava acelerado, o trabalhador sentia-se inseguro. Curiosamente, descobriram que, embora a velocidade da ferramenta tornasse a máquina mais barulhenta, era a profundidade do corte e a taxa de avanço (a velocidade com que a ferramenta se movia) que realmente estressavam o corpo do trabalhador.

O Confronto de IAs: Três Treinadores, Um Objetivo

Assim que obtiveram as regras, os pesquisadores deixaram três algoritmos de IA tentarem encontrar as configurações perfeitas da máquina. Imagine estes três algoritmos como três tipos diferentes de treinadores tentando ajustar um carro de corrida:

O Algoritmo Genético (AG): Este treinador é como um especialista em seleção natural. Ele mistura e combina diferentes configurações, mantém as que funcionam melhor e descarta as ruins, evoluindo lentamente para uma solução perfeita.
O Sistema Imunológico Artificial (SIA): Este treinador é inspirado no sistema imunológico humano. Ele cria muitas cópias de boas soluções e as ajusta levemente, como glóbulos brancos caçando um vírus, para encontrar o caminho mais seguro e eficaz.
A Otimização por Colônia de Formigas (OCF): Este treinador age como um enxame de formigas. As formigas deixam "rastros de odor" (sinais digitais) em bons caminhos. Se um caminho leva a um ótimo resultado, mais formigas o seguem, reforçando o rastro.

Os Resultados: Quem Venceu a Corrida?

Quando a poeira baixou, os três treinadores apresentaram estratégias e resultados muito diferentes.

O Treinador SIA (O Vencedor Equilibrado):
O Sistema Imunológico Artificial revelou-se o desempenho mais equilibrado. Ele conseguiu manter as frequências cardíacas dos trabalhadores as mais baixas de todas, com apenas 78 batimentos por minuto (bpm). Ao mesmo tempo, manteve a produtividade alta, removendo cerca de 460 mm³ de metal por minuto. Ele encontrou um caminho onde os trabalhadores se sentiam seguros (com uma pontuação de risco de 1,01) sem desacelerar demais a máquina. O estudo sugere que esta é a abordagem mais "razoável", equilibrando o bem-estar humano com a produção da fábrica.

O Treinador AG (A Abordagem Foco na Segurança):
O Algoritmo Genético foi um pouco mais cauteloso. Ele priorizou manter os trabalhadores seguros acima de tudo. Alcançou uma frequência cardíaca muito baixa de 80 bpm e a menor pontuação de risco percebido de 1,10. No entanto, para manter as coisas tão seguras, teve que aceitar uma taxa de produtividade ligeiramente inferior de 399,85 mm³/min. É como um motorista que se recusa a acelerar nem um pouco para garantir que nunca se sinta nervoso.

O Treinador OCF (O Demônio da Velocidade):
A Otimização por Colônia de Formigas foi a mais agressiva. Conseguiu a maior produtividade, removendo 470 mm³ de metal por minuto. Mas havia um problema: as frequências cardíacas dos trabalhadores eram mais altas, atingindo 82 bpm, e o risco percebido também era maior. O estudo descobriu que este algoritmo era um pouco instável; em alguns testes, ele até sugeriu configurações impossíveis (como remoção de metal negativa), mostrando que não era confiável o suficiente para trabalhos críticos de segurança.

A Grande Conclusão

O estudo não encontrou apenas um "botão mágico" para consertar tudo. Em vez disso, mostrou que não existe uma configuração única perfeita que deixe todos felizes o tempo todo. Você tem que escolher o seu compromisso. Se você quer a experiência mais segura e confortável para o trabalhador, você escolhe as configurações do AG. Se você quer o melhor equilíbrio entre segurança e velocidade, a abordagem SIA é a vencedora. Se você quer apenas ir o mais rápido possível e não se importa que os trabalhadores se sintam um pouco mais estressados, o OCF pode te levar lá, mas é arriscado.

Os pesquisadores também descobriram algo surpreendente sobre a própria máquina. Eles descobriram que a taxa de avanço (a velocidade com que a ferramenta se move) era o principal fator que estressava os trabalhadores, enquanto aumentar a profundidade do corte parecia, na verdade, ajudar a reduzir a carga fisiológica em seus testes específicos. Isso é um pouco contraintuitivo, como descobrir que dar um passo maior na verdade faz você se sentir menos cansado do que dar muitos passos pequenos e rápidos.

No fim, este artigo prova que podemos usar modelos computacionais inteligentes para projetar fábricas que se preocupam com as pessoas que nelas trabalham. Ao usar esses treinadores de IA, os gerentes de fábrica podem ajustar suas máquinas não apenas para gerar mais dinheiro, mas para manter o coração de seus trabalhadores batendo em um ritmo confortável e suas mentes sentindo-se seguras. É um passo em direção a um futuro onde a "manufatura inteligente" significa verdadeiramente "inteligente para os humanos também".

Resumo Técnico: Otimização Multiobjetivo Centrada no Humano para Segurança e Produtividade do Operador

Definição do Problema
Na manufatura inteligente moderna, existe um desafio crítico em equilibrar a segurança do operador com a eficiência da produção durante operações de fresagem. As abordagens tradicionais frequentemente priorizam métricas de produtividade, como a Taxa de Remoção de Material (MRR), negligenciando o estresse fisiológico e psicológico imposto aos operadores pelas configurações da máquina e condições ambientais. Altos níveis de vibração, ruído e parâmetros de corte agressivos podem elevar a frequência cardíaca (FC) do operador e induzir sentimentos subjetivos de insegurança, podendo comprometer o desempenho e a saúde a longo prazo. Há uma escassez de estudos empíricos que quantifiquem simultaneamente a carga fisiológica (especificamente a FC) e a percepção de segurança subjetiva (Qi) sob variados parâmetros de fresagem, nem muitos estudos integram essas métricas centradas no humano em um framework de otimização multiobjetivo unificado.

Metodologia
Este estudo desenvolveu um framework impulsionado por IA para otimizar os parâmetros de fresagem, equilibrando a segurança do operador, o estresse fisiológico e a produtividade. A pesquisa empregou uma abordagem de métodos mistos combinando coleta de dados experimentais, modelagem estatística robusta e otimização metaheurística.

Design Experimental: Um design fatorial completo ( $3 \times 3 \times 3$ ) foi implementado envolvendo 11 participantes realizando 25 tarefas de usinagem distintas cada, resultando em 297 pontos de dados. As variáveis independentes foram velocidade de corte (500–1100 rpm), profundidade axial de corte (0,1–0,5 mm) e avanço (125–275 mm/min). O material da peça de trabalho foi aço doce (AISI 1018).
Coleta de Dados: O estresse fisiológico foi monitorado via frequência cardíaca (FC) utilizando um smartwatch de fotopletismografia (PPG) de consumo. Os estressores ambientais (vibração e som) foram medidos usando acelerômetros e medidores de nível de som. A percepção de segurança subjetiva foi capturada através de um questionário customizado de oito itens (Qi), cobrindo dimensões como perigo percebido, nervosismo, desconforto, carga cognitiva e dependência de Equipamentos de Proteção Individual (EPI).
Modelagem Estatística: A Modelagem Linear Robusta (RLM) com norma T de Huber e Mínimos Quadrados Pesados Iterativamente (IRLS) foi utilizada para modelar as relações entre parâmetros de usinagem, fatores ambientais, FC e escores de segurança subjetiva. Esta abordagem foi selecionada para lidar com outliers e ruídos não gaussianos inerentes aos dados fisiológicos e acústicos.
Framework de Otimização: Três algoritmos metaheurísticos baseados em população foram aplicados para identificar parâmetros de corte ideais:
1. Algoritmo Genético (GA): Utilizando seleção, crossover e mutação.
2. Sistema Imunológico Artificial (AIS): Utilizando clonagem e mutação baseada em afinidade.
3. Otimização por Colônia de Formigas (ACO): Utilizando busca probabilística guiada por feromônios.
  A otimização visou maximizar a MRR enquanto minimizava a FC e o índice de risco de segurança subjetiva ( $Q_i$ ). Um framework de função objetivo composto com coeficientes ponderados ( $w_1=0,4$ para FC, $w_2=0,4$ para MRR, $w_3=0,2$ para $Q_i$ ) foi usado para avaliar os trade-offs.

Principais Resultados

Modelagem Preditiva: A análise RLM revelou que a profundidade axial de corte e o avanço são os principais impulsionadores do aumento da frequência cardíaca, enquanto a vibração mostrou uma correlação negativa significativa com a FC (sugerindo uma interação complexa ou efeito de adaptação). Inversamente, a velocidade de corte foi o preditor dominante para os níveis de som. Crucialmente, o estudo descobriu que a FC é o principal determinante da percepção de segurança subjetiva ( $Q_i$ ), com os parâmetros de usinagem tendo pouca influência direta sobre $Q_i$ uma vez que a FC é contabilizada.
Desempenho dos Algoritmos:
- AIS (Sistema Imunológico Artificial): Demonstrou o desempenho mais equilibrado. Alcançou a menor carga fisiológica (mínima FC de 78 bpm) e o menor risco de segurança ( $Q_i = 1,01$ ) enquanto mantinha alta produtividade (MRR $\approx$ 460 mm³/min). Gerou a maior pontuação combinada de segurança-produtividade (0,75–0,95 dependendo da métrica de avaliação).
- GA (Algoritmo Genético): Priorizou a segurança, alcançando uma FC baixa (80 bpm) e o menor risco subjetivo ( $Q_i = 1,10$ ), mas ao custo de uma produtividade moderada em comparação ao AIS. Forneceu o melhor trade-off determinístico em execuções específicas.
- ACO (Otimização por Colônia de Formigas): Exibiu instabilidade e produziu previsões não físicas (MRR negativa) em avaliações determinísticas. Embora tenha alcançado a maior MRR de pico (aprox. 470 mm³/min), fez isso ao custo de uma FC mais alta (82 bpm) e elevado risco percebido ( $Q_i = 2,27$ ).
Influência dos Parâmetros: O avanço foi identificado como o parâmetro de controle dominante afetando o estresse do operador e a segurança subjetiva. Interessantemente, todos os algoritmos convergiram para uma profundidade axial de corte ótima de 0,3 mm para o melhor desempenho combinado.

Significância e Alegações
O artigo afirma oferecer uma integração inovadora de métricas de segurança centradas no humano com a otimização da produtividade em operações de fresagem usando otimização metaheurística multiobjetivo. Suas principais contribuições são:

Quantificação Empírica: Fornecer dados empíricos ligando parâmetros específicos de fresagem ao estresse fisiológico em tempo real (FC) e à percepção de segurança subjetiva, abordando uma lacuna na literatura onde essas métricas são frequentemente estudadas isoladamente.
Eficácia Metodológica: Demonstrar a eficácia da Modelagem Linear Robusta (RLM) para modelagem preditiva em ambientes de manufatura caracterizados por alta variabilidade e outliers.
Comparação Algorítmica: Estabelecer que, embora diferentes metaheurísticas ofereçam trade-offs distintos, o Sistema Imunológico Artificial (AIS) oferece um equilíbrio superior para a manufatura centrada no humano, reduzindo efetivamente a carga fisiológica sem sacrificar significativamente a produtividade.
Framework para Manufatura Inteligente: O estudo apresenta um framework unificado onde dados fisiológicos objetivos e percepções de segurança subjetivas são combinados para identificar condições de usinagem ideais, apoiando a transição para a "manufatura inteligente" que prioriza tanto o bem-estar humano quanto a eficiência operacional.

Os autores mantêm uma postura modesta, observando que, embora o estudo identifique parâmetros ideais dentro dos limites experimentais testados, os achados são específicos para as condições de fresagem definidas e para os algoritmos empregados. O trabalho destaca a necessidade de frameworks multiobjetivo para navegar nos conflitos inerentes entre segurança e produtividade, em vez de depender de uma otimização de critério único.

O Experimento: Uma Dança de Metal e Mente

O Confronto de IAs: Três Treinadores, Um Objetivo

Os Resultados: Quem Venceu a Corrida?

A Grande Conclusão

Mais como este