مقاله انگلیسی با ترجمه ایمنی مبتنی بر هوش مصنوعی: دگرگونی مدیریت ریسک شغلی از طریق هوش پیش‌بین

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سایت ناشر  خرید ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

ایمنی مبتنی بر هوش مصنوعی: دگرگونی مدیریت ریسک شغلی از طریق هوش پیش‌بین

عنوان انگلیسی:

AI-Powered Safety: Transforming Occupational Risk Management Through Predictive Intelligence

کد محصول: M2137

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Procedia Computer Science

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 6 صفحه PDF

تعداد صفحه ترجمه فارسی:   15 صفحه WORD

قیمت فایل ترجمه شده:  98000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

این مقاله سامانه‌ای مبتنی بر هوش مصنوعی را برای ارتقاء مدیریت ایمنی شغلی در یک محیط صنعتی ارائه می‌دهد. این راهکار که در شرکت بوش براگا  طراحی و پیاده‌سازی شده است، به‌صورت یکپارچه در بستر هوش تجاری تطبیقی (ABI ) ادغام شده و پردازش، تحلیل و پیش‌بینی خودکار رویدادهای مرتبط با ایمنی را هدف قرار می‌دهد. این سامانه از سه ماژول اصلی هوش مصنوعی تشکیل شده است: (1) یک مدل متن‌کاوی برای طبقه‌بندی خودکار شرح حوادث؛ (2) یک ماژول تشخیص ناهنجاری که به‌صورت هم‌زمان ویژگی‌های جدولی و متنی را تحلیل می‌کند تا رکوردهای ناسازگار یا غیرمعمول را شناسایی کند؛ و (3) یک مدل امتیازدهی ریسک که احتمال روزانه وقوع حادثه را بر اساس داده‌های تاریخی برآورد می‌کند. این سامانه با استفاده از مجموعه‌داده‌های عملیاتی واقعی اعتبارسنجی شد و بهبودهای قابل‌توجهی را در کارایی و کیفیت داده‌ها نشان داد. نتایج، کاهش بیش از 50 درصدی در میزان تلاش موردنیاز برای تحلیل دستی، همراه با دسته‌بندی یکنواخت و افزایش قابلیت اطمینان سوابق ایمنی را نشان می‌دهند. اگرچه عملکرد پیش‌بینی همچنان به دلیل کمبود گزارش‌دهی رویدادهای نزدیک به حادثه  با محدودیت مواجه است، یافته‌ها هم سودمندی عملی و هم امکان‌پذیری ادغام هوش مصنوعی در فرایندهای مدیریت ریسک شغلی را تأیید می‌کنند. به‌طور کلی، پلتفرم ABI گذار از رویه‌های ایمنی واکنشی به رویه‌های ایمنی پیش‌بینانه را پشتیبانی کرده و بنیانی مقیاس‌پذیر برای بهبود مستمر عملیات بهداشت، ایمنی و محیط‌زیست (HSE ) در صنایع فراهم می‌سازد.

کلیدواژه‌ها: هوش مصنوعی؛ یادگیری ماشین؛ متن‌کاوی؛ تشخیص ناهنجاری

Abstract: This paper presents an Artificial Intelligence–driven system to enhance occupational safety management within an industrial context. Designed and deployed at Bosch Braga, the solution integrates seamlessly into the Adaptive Business Intelligence (ABI) platform and addresses the automatic processing, analysis, and prediction of safety-related events. The system comprises three core AI modules: (i) a text-mining model for the automated classification of incident descriptions; (ii) an anomaly-detection module that jointly analyses tabular and textual features to identify inconsistent or atypical records; and (iii) a risk-scoring model that estimates the daily probability of accident occurrence based on historical data. The system was validated using real operational datasets, demonstrating substantial gains in efficiency and data quality. Results show a reduction of more than 50% in manual analysis effort, along with consistent categorization and improved reliability of safety records. Although predictive performance remains constrained by the scarcity of near-miss reporting, the findings confirm both the practical utility and the feasibility of integrating AI into occupational risk-management processes. Overall, the ABI platform supports a shift from reactive to predictive safety practices and establishes a scalable foundation for continuous improvement in industrial Health, Safety, and Environment (HSE) operations.

Keywords: Artificial Intelligence; Machine Learning; Text Mining; Anomaly Detection

1. مقدمه

مدیریت بهداشت، ایمنی و محیط‌زیست (HSE) در سازمان‌های صنعتی به دلیل افزایش حجم اطلاعات، ضرورت حفظ دقت و یکپارچگی سوابق ایمنی، و نیاز به واکنش مؤثر در شرایط عملیاتی که به‌سرعت در حال تغییر هستند، روزبه‌روز چالش‌برانگیزتر می‌شود. در محیط‌های تولیدی مدرن، تغییرات کوچک عملیاتی، رفتاری یا زمینه‌ای می‌توانند رویدادهای مخاطره‌آمیز را ایجاد کنند که این امر، ضرورت وجود سامانه‌هایی را برجسته می‌سازد که قادر به شناسایی الگوها، پیش‌بینی انحرافات، و پشتیبانی مستمر از تصمیم‌گیری‌های پیشگیرانه باشند (1–4). در شرکت بوش براگا، فرایند سنتی مدیریت رخدادهای ایمنی به‌شدت به فعالیت‌های دستی وابسته بود. تحلیل حوادث و رویدادها مستلزم مطالعه جداگانه هر شرح متنی، طبقه‌بندی دستی متغیرهای دخیل، و اجرای فرایندهای اعتبارسنجی جامع برای اطمینان از انسجام داده‌های ثبت‌شده بود. افزون بر زمان‌بر بودن، این رویکرد دارای محدودیت‌های ساختاری نیز بود؛ از جمله فقدان معیارهای استاندارد میان کارشناسان، تغییرپذیری بالای تفسیری، و کاهش قابلیت مقایسه اطلاعات میان بخش‌ها، شیفت‌ها یا بازه‌های زمانی مختلف. این محدودیت‌ها موجب کاهش کارایی عملیاتی، تأخیر در فرایند گزارش‌دهی، و کاهش توانایی در شناسایی روندها یا عوامل پیش‌زمینه مرتبط با ریسک می‌شدند. با حرکت به سوی صنعت 5.0 و افزایش بلوغ دیجیتال سازمان‌های تولیدی، نیاز به سامانه‌ای که بتواند وظایف تکراری را خودکار کند، انسجام ساختاری سوابق ایمنی را تضمین نماید و قابلیت‌های تحلیلی پیشرفته را معرفی کند، آشکار شد (1،2). در این چارچوب، سامانه هوش تجاری تطبیقی  به‌عنوان یک پلتفرم ماژولار طراحی شد تا داده‌های ایمنی، محیط‌زیست، انرژی و تولید را یکپارچه کرده و اطلاعات عملیاتی پراکنده را به دانش قابل اقدام تبدیل کند. این مقاله به‌طور ویژه بر ماژول رخدادها تمرکز دارد که در آن سه مؤلفه هوش مصنوعی توسعه یافته و به‌طور کامل یکپارچه شده‌اند (3،4):..

1. Introduction The management of Health, Safety and Environment (HSE) in industrial organizations faces an increasingly complex challenge: handling growing volumes of information, ensuring the quality and consistency of safety records, and maintaining the ability to respond effectively in highly dynamic operational contexts. In modern production environments, small operational, behavioural, or contextual variations can trigger risk events, underscoring the need for systems capable of detecting patterns, anticipating deviations, and consistently supporting preventive decisionmaking [1–4]. At Bosch Braga, the traditional workflow for managing safety occurrences was heavily dependent on manual activities. The analysis of accidents and incidents required reading each textual description individually, manually classifying the variables involved, and performing exhaustive validation procedures to ensure the coherence of recorded data. In addition to being time-consuming, this approach exhibited structural limitations, including the absence of standardized criteria across technicians, high interpretative variability, and reduced comparability of information between areas, shifts, or time periods. These constraints resulted in decreased operational efficiency, delays in the reporting process, and a diminished ability to identify trends or precursor factors associated with risk. With the transition toward Industry 5.0 and the increasing digital maturity of manufacturing organizations, the need for a system capable of automating repetitive tasks, enforcing structural consistency in safety records, and introducing advanced analytical capabilities became evident [1,2]. In this context, the Adaptive Business Intelligence (ABI) system was designed as a modular platform to integrate safety, environmental, energy, and production data, transforming dispersed operational information into actionable intelligence. This article focuses specifically on the Occurrences module, within which three Artificial Intelligence (AI) components were developed and fully integrated [3,4]:..

2. روش‌شناسی و معماری سامانه ABI

طراحی این سامانه بر یک اصل محوری استوار بود: یکپارچه‌سازی و خودکارسازی کل چرخه مدیریت رخدادها، از ثبت اولیه تا تحلیل پیش‌بینانه. شکل 1 معماری مفهومی سامانه هوش تجاری تطبیقی (ABI) را نشان می‌دهد که بر اساس یک توالی منطقی سازمان‌دهی شده و داده‌های خام را به دانش قابل اقدام تبدیل می‌کند…

2. Methodology and ABI System Architecture The system design was based on a central principle: integrating and automating the entire occurrence management cycle, from the initial registration to predictive analysis. Figure 1 presents the conceptual architecture of the Adaptive Business Intelligence (ABI) system, structured according to a logical sequence that transforms raw data into actionable knowledge…

5. نتیجه‌گیری

پیاده‌سازی سامانه ABI با تمرکز بر ماژول‌های طبقه‌بندی خودکار، تشخیص ناهنجاری و پیش‌بینی ریسک نشان داد که به‌کارگیری هوش مصنوعی در یک محیط صنعتی واقعی نه‌تنها امکان‌پذیر است، بلکه قادر است بهبودهای ملموس و قابل اندازه‌گیری در مدیریت بهداشت، ایمنی و محیط‌زیست (HSE) ایجاد کند. این سامانه امکان تبدیل فرایندهایی را که به‌طور سنتی دستی بودند، به تحلیل فردی وابسته بودند و تحت تأثیر تغییرپذیری انسانی قرار داشتند، به یک جریان کاری دیجیتال، استانداردشده و مبتنی بر داده فراهم ساخت و بدین‌ترتیب، بلوغ عملیاتی شرکت بوش براگا را به‌طور چشمگیری تقویت کرد. نتایج، دستاوردهای آشکاری را در بهره‌وری و کارایی نشان می‌دهند؛ از جمله کاهش قابل‌توجه زمان اختصاص‌یافته به تحلیل رخدادها، حذف وظایف تکراری دسته‌بندی، افزایش سازگاری سوابق و بهبود کیفیت کلی مجموعه‌داده. توانایی شناسایی خودکار ناسازگاری‌ها و متمرکز کردن توجه کارشناسان صرفاً بر موارد بحرانی، گامی مهم در جهت افزایش قابلیت اعتماد و ردیابی اطلاعات محسوب می‌شود و از تصمیم‌گیری سریع‌تر و مبتنی بر شواهد که با رویه‌های بهبود مستمر همسو هستند، پشتیبانی می‌کند…

5. Conclusions The implementation of the ABI system, focusing on the modules for automatic classification, anomaly detection and risk prediction, has demonstrated that the application of AI in a real industrial context is not only feasible, but capable of delivering concrete and measurable improvements in Health, Safety and Environment (HSE) management. The system enabled the transformation of traditionally manual processes, dependent on individual analysis and subject to human variability, into a digital, standardized and data-driven workflow, significantly strengthening the operational maturity of Bosch Braga. The results show clear gains in productivity and efficiency: a substantial reduction in the time dedicated to occurrence analysis, elimination of repetitive categorization tasks, increased consistency of records and improvement in overall dataset quality. The ability to automatically detect incoherence and to focus technician attention solely on critical cases represents an important step forward in information reliability and traceability, supporting faster, evidence-based decisions aligned with continuous improvement practices…