KR20210073895A - System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof - Google Patents

System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof Download PDF

Info

Publication number
KR20210073895A
KR20210073895A KR1020190164661A KR20190164661A KR20210073895A KR 20210073895 A KR20210073895 A KR 20210073895A KR 1020190164661 A KR1020190164661 A KR 1020190164661A KR 20190164661 A KR20190164661 A KR 20190164661A KR 20210073895 A KR20210073895 A KR 20210073895A
Authority
KR
South Korea
Prior art keywords
risk
accident
data
condition
calculating
Prior art date
Application number
KR1020190164661A
Other languages
Korean (ko)
Other versions
KR102327385B1 (en
Inventor
한승우
장지영
박상원
정창훈
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020190164661A priority Critical patent/KR102327385B1/en
Publication of KR20210073895A publication Critical patent/KR20210073895A/en
Application granted granted Critical
Publication of KR102327385B1 publication Critical patent/KR102327385B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to a system for predicting a worker's risk using field conditions and previous accident cases, and a method thereof. According to the present invention, the method for predicting a risk using the system for predicting a worker's risk includes: a step of collecting and quantifying work environment data, personal condition data, and accident type data with respect to each previous accident case; a step of receiving the input of field work environment data and personal condition data from a worker subject to risk prediction; a step of calculating similarity to each previous accident case using the work environment data and the stored work environment data; a step of selecting the previous accident case with the highest similarity and calculating a field conditions risk using a weight with respect to the accident type corresponding to the selected previous accident case; a step of calculating a personal condition risk using the personal condition data; and a step of deriving a final risk by calculating the field conditions risk and the personal condition risk. According to the present invention, it is possible to intuitively check the worker's risk and deal in advance with a potential disaster using the standardized final risk.

Description

현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법{SYSTEM FOR PREDICTING RISK OF WORKER REFLECTING FIELD CONDITIONS AND PREVIOUS ACCIDENT CASES AND METHOD THEREOF}SYSTEM FOR PREDICTING RISK OF WORKER REFLECTING FIELD CONDITIONS AND PREVIOUS ACCIDENT CASES AND METHOD THEREOF

본 발명은 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법에 관한 것으로, 건설안전정보시스템의 데이터와 작업자의 데이터를 이용하여 위험도를 예측하는 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법에 관한 것이다.The present invention relates to a system and method for predicting the risk of workers using field conditions and accident cases, and predicting the risk of workers using field conditions and accident cases for predicting risk using data of a construction safety information system and data of workers It relates to a system and method therefor.

산업용 사물인터넷(IoT)은 제조업, 물류, 건설 산업과 같은 다양한 산업에서 널리 사용되고 있다. IoT의 장치들은 매 시간 엄청난 양의 데이터를 생성하고, 생성된 데이터는 실시간으로 서버 또는 클라우드에 저장된다. Industrial Internet of Things (IoT) is widely used in various industries such as manufacturing, logistics, and construction industries. IoT devices generate a huge amount of data every hour, and the generated data is stored on a server or in the cloud in real time.

그리고, 저장된 빅데이터를 분석하여 산업 현장의 안전과 관련된 통찰력 있는 결과를 도출하기 위한 시도들이 지속되고 있으며, 다양한 산업에 걸쳐 확산되고 있다.In addition, attempts to derive insightful results related to safety in industrial sites by analyzing stored big data are continuing, and are spreading across various industries.

특히, 많은 건설 산업에서 중장비, 독성 물질 및 점화원과 같은 다양한 위험 요소로 인해 공사 현장의 사고율이 매년 증가하기 때문에 공사 현장 안전에 대한 빅데이터 분석은 중요한 과제 중 하나일 수 있다. 빅데이터 분석을 통해 공사현장에서 일어날 수 있는 사고의 발생을 예측하는 연구들이 시도되었으나, 종래의 연구는 오직 특정 사고의 발생에 초점을 맞추고 있기 때문에 특정 사고의 예측에 의한 예측 모델은 실제 공사 현장에서의 사고를 예방하는데 도움을 주지 못하는 문제점이 있다.In particular, in many construction industries, big data analysis for construction site safety can be one of the important tasks because the accident rate at construction sites increases every year due to various risk factors such as heavy machinery, toxic substances and ignition sources. Studies have been attempted to predict the occurrence of accidents that may occur at the construction site through big data analysis, but since conventional studies only focus on the occurrence of specific accidents, the prediction model based on the prediction of specific accidents cannot be performed at the actual construction site. There is a problem that does not help to prevent accidents.

종래의 연구 중 하나로, 건설 안전을 수립하고 장비와 작업자 간의 충돌을 예방하기 위해 실시간 사전 대응(real-time proactive) RF 경고 및 알림 시스템이 제안된 바 있다. 상기 연구에서는 사용자 지정 신호 세기를 초과한 신호가 수신되면 주변에 있는 장치에 실시간으로 경고 신호를 전송한다. As one of the prior studies, a real-time proactive RF warning and notification system has been proposed to establish construction safety and prevent collisions between equipment and workers. In the above study, when a signal exceeding the user-specified signal strength is received, a warning signal is transmitted to nearby devices in real time.

따라서 작업자가 사전에 사고 위험을 인지함으로써 사고를 예방할 수 있다, 그러나, 상기 연구는 작업자와 장비간의 물리적 충돌 만을 고려하기 때문에 여러 위험에 대해서는 취약한 점이 있다. 또한, 작업자의 낙상 사고를 예측하는 모델도 연구된 바 있으나, 이 또한 낙상 사고에 대해서만 초점을 맞추고 있기 때문에, 다양한 사고를 분석하는 것에는 한계가 있다.Therefore, it is possible to prevent accidents by recognizing the risk of accidents in advance by the operator. However, since this study only considers the physical collision between the operator and the equipment, it is vulnerable to various risks. Also, a model for predicting fall accidents of workers has been studied, but since this also focuses only on fall accidents, there is a limit to analyzing various accidents.

또한, 종래의 연구 중 다른 하나로 다차원 데이터 분석 방법을 사용하여 공사 현장의 효과적인 안전 관리에 대한 연관 규칙을 생성하는 방법이 개시된 바 있다. 해당 연구에서 연관 규칙의 생성을 위해 연관 규칙 마이닝에 기반한 건설 사고 위험 평가를 수행한 바 있으나, 공사 현장의 환경적인 요인들에 의한 사고에 대해서는 고려하지 않아, 다양한 사고 분석 및 예측에 대한 한계점이 여전히 존재한다.In addition, as another of the prior studies, a method for generating association rules for effective safety management of a construction site using a multidimensional data analysis method has been disclosed. In this study, construction accident risk assessment based on association rule mining was performed to create association rules, but accidents caused by environmental factors at the construction site were not considered, so there are still limitations in analyzing and predicting various accidents. exist.

따라서, 기존의 사고데이터와 개인 데이터를 활용하여 개인 각각에 대해 사고 예측을 위한 시스템이 필요하게 되었다.Therefore, there is a need for a system for predicting accidents for each individual by utilizing existing accident data and personal data.

본 발명의 배경이 되는 기술은 대한민국 등록특허 제10-1916411호(2019.01.30. 공고)에 개시되어 있다.The technology that is the background of the present invention is disclosed in Republic of Korea Patent Registration No. 10-1916411 (2019.01.30. Announcement).

본 발명이 이루고자 하는 기술적 과제는 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법에 관한 것으로, 건설안전정보시스템의 데이터와 작업자의 데이터를 이용하여 위험도를 예측하는 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법을 제공하기 위한 것이다.The technical problem to be achieved by the present invention relates to a system and method for predicting the risk of workers using site conditions and accident cases, and site conditions and accident cases for predicting the risk using data of the construction safety information system and the data of the workers. It is to provide a system and method for predicting the risk of an operator using the same.

이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 작업자의 위험도 예측 시스템을 이용한 위험도 예측 방법에 있어서, 각각의 사고 사례에 대한 작업 환경 데이터, 개인조건 데이터 및 사고 유형 데이터를 수집하여 저장하는 단계, 위험도를 예측하고자 하는 작업자로부터 현장의 작업 환경 데이터와 개인조건 데이터를 입력받는 단계, 상기 작업 환경의 데이터와 상기 저장된 작업 환경 데이터를 이용하여 각각의 사고 사례와의 유사도를 각각 연산하는 단계, 가장 높은 유사도를 가지는 사고 사례를 선택하고, 선택된 사고 사례에 해당되는 사고유형에 대한 가중치를 이용하여 현장조건 위험도를 연산하는 단계, 상기 개인조건 데이터를 이용하여 개인조건 위험도를 연산하는 단계, 그리고 상기 현장조건 위험도와 상기 개인조건 위험도를 이용하여 최종 위험도를 도출하는 단계를 포함한다.According to an embodiment of the present invention for achieving this technical task, in a risk prediction method using a risk prediction system for workers, collecting and storing work environment data, personal condition data, and accident type data for each accident case , receiving field work environment data and personal condition data from the worker who wants to predict the risk, calculating the similarity with each accident case using the work environment data and the stored work environment data, respectively, the most Selecting an accident case having a high degree of similarity, calculating the site condition risk level using the weight for the accident type corresponding to the selected accident case, calculating the personal condition risk level using the personal condition data, and the site and deriving a final risk using the conditional risk level and the individual conditional risk level.

상기 작업 환경 데이터는, 정수형 변수(Ai)인 온도(A1), 습도(A2) 및 공정률(A3)과 일치/불일치형 변수(Bi)인 계절(B1), 공종(B2), 프로젝트 유형(B3), 안전교육(B4) 및 안전 시설물(B5)을 포함할 수 있다.The work environment data is an integer variable (A i ), temperature (A 1 ), humidity (A 2 ), and process rate (A 3 ), and season (B 1 ), which is a variable (B i ) that is consistent with/inconsistent type (B 1 ), work type (B) 2 ), project type (B 3 ), safety education (B 4 ) and safety facilities (B 5 ).

상기 유사도를 연산하는 단계는, 상기 정수형 변수와 상기 일치/불일치형 변수를 아래의 수학식에 적용하여 각각의 사고 사례와의 상기 유사도(SI)를 연산할 수 있다.In the calculating of the degree of similarity, the degree of similarity (SI) with each accident case may be calculated by applying the integer variable and the coincident/discordant variable to the following equation.

Figure pat00001
Figure pat00001

여기서, Ai는 기 저장된 사고 사례에 대한 정수형 변수,

Figure pat00002
는 현장에 대응하는 정수형 변수, Bi는 기 저장된 사고 사례에 대한 일치/불일치형 변수의 값(일치시 1, 불일치시 0임),
Figure pat00003
는 정수형 변수의 가중치,
Figure pat00004
는 일치/불일치형 변수의 가중치이며, n은 정수형 변수의 개수, m은 일치/불일치형 변수의 개수를 나타낸다.Here, A i is an integer variable for pre-stored accident cases,
Figure pat00002
is an integer variable corresponding to the site, B i is the value of the concordance/discordant variable for pre-stored accident cases (1 for match, 0 for mismatch),
Figure pat00003
is the weight of the integer variable,
Figure pat00004
is the weight of congruent/discordant variables, n is the number of integer variables, and m is the number of congruent/discordant variables.

상기 현장조건 위험도를 연산하는 단계는, 가장 높은 유사도를 가지는 사고 사례의 유사도와 사고유형에 대한 가중치를 아래의 수학식에 적용하여 상기 현장조건 위험도를 연산할 수 있다.The calculating of the field condition risk may include calculating the field condition risk by applying a weight for the similarity and accident type of the accident case having the highest similarity to the following equation.

Figure pat00005
Figure pat00005

Figure pat00006
는 사고유형에 대한 가중치이다.
Figure pat00006
is the weight for the thought type.

상기 위험도를 예측하고자 하는 작업자의 성별에 따른 위험도, 연령에 따른 위험도, 경력에 따른 위험도를 합산하여 상기 개인조건 위험도를 연산할 수 있다.The individual condition risk may be calculated by adding up the risk according to the gender, the age according to the age, and the risk according to the career of the worker who wants to predict the risk.

상기 최종 위험도를 도출하는 단계는, 다음의 수학식에 적용하여 상기 최종 위험도를 도출할 수 있다.In the step of deriving the final risk, the final risk may be derived by applying the following equation.

Figure pat00007
Figure pat00007

여기서, 현장조건 가중치는 0.333이고, 개인조건 가중치는 0.667이다.Here, the field condition weight is 0.333 and the personal condition weight is 0.667.

본 발명의 다른 실시예에 따르면, 위험도 예측을 위한 작업 근로자의 위험도 예측 시스템에 있어서, 데이터베이스로부터 각각의 사고 사례에 대한 작업 환경 데이터, 개인조건 데이터 및 사고 유형 데이터를 수집하여 저장하는 데이터베이스부, 위험도를 예측하고자 하는 작업자로부터 작업 환경 데이터와 개인조건 데이터를 입력받는 입력부, 상기 작업 환경의 데이터와 상기 저장된 작업 환경 데이터를 이용하여 유사도(SI)를 각각 연산하고, 상기 유사도(SI) 중에서 가장 높은 값을 가지는 유사도에 해당되는 사고 사례를 선택하고, 선택된 사고사례에 해당되는 사고유형에 대한 가중치를 이용하여 현장조건 위험도를 연산하고, 상기 개인조건 데이터를 이용하여 개인조건 위험도를 연산하는 연산부, 그리고 상기 현장조건 위험도와 상기 개인조건 위험도를 이용하여 최종 위험도를 도출하는 제어부를 포함한다.According to another embodiment of the present invention, in the risk prediction system for work workers for risk prediction, a database unit for collecting and storing work environment data, personal condition data, and accident type data for each accident case from the database, the risk level An input unit that receives work environment data and personal condition data from a worker who wants to predict , calculates a similarity (SI) using the data of the work environment and the stored work environment data, respectively, and the highest value among the degree of similarity (SI) A calculating unit that selects an accident case corresponding to the degree of similarity with , calculates the field condition risk level using the weight for the accident type corresponding to the selected accident case, and calculates the personal condition risk level using the personal condition data, and the and a control unit for deriving a final risk level by using the field condition risk level and the individual condition risk level.

이와 같이 본 발명에 따르면, 표준화된 최종 위험도를 통해 근로자가 얼마나 위험한 상황에 있는지 직관적으로 확인할 수 있고 발생할 수 있는 재해에 대해 미리 대처할 수 있다. As described above, according to the present invention, it is possible to intuitively check how dangerous a worker is in a dangerous situation through a standardized final risk level and to respond in advance to a disaster that may occur.

또한, 사고발생에 영향을 주는 다양한 요인을 고려함으로써 예측의 높은 정확도와 안전에 대한 지식 없이도 사용자에게 최소한의 안전관리를 지원함으로써 재해 발생을 줄일 수 있다.In addition, by considering various factors affecting the occurrence of accidents, it is possible to reduce the occurrence of accidents by supporting the minimum safety management to users without high accuracy of prediction and knowledge of safety.

도 1은 본 발명의 실시예에 따른 위험도 예측 시스템의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 위험도 예측 방법을 설명하기 위한 순서도이다.
도 3은 각각의 사고 사례에 대한 작업 환경 데이터를 나타낸 도면이다.
도 4는 각각의 사고 사례에 대한 개인 조건 데이터 및 사고 유형을 나타낸 도면이다.
도 5는 사고 유형에 따른 가중치를 나타낸 도면이다.
도 6은 정수형 변수의 가중치와 일치/불일치형 변수의 가중치를 나타낸 도면이다.
도 7은 성별에 따른 위험도, 경력에 따른 위험도 및 연령에 따른 위험도를 나타낸 도면이다.1 is a configuration diagram for explaining the configuration of a risk prediction system according to an embodiment of the present invention.
2 is a flowchart illustrating a risk prediction method according to an embodiment of the present invention.
3 is a view showing the work environment data for each accident case.
4 is a view showing personal condition data and accident type for each accident case.
5 is a diagram illustrating weights according to accident types.
6 is a diagram illustrating weights of integer variables and weights of concordance/discordant variables.
7 is a view showing the risk according to the gender, the risk according to the career, and the risk according to the age.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily carry out the present invention. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Then, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them.

도 1은 본 발명의 실시예에 따른 위험도 예측 시스템의 구성을 설명하기 위한 구성도이다.1 is a configuration diagram for explaining the configuration of a risk prediction system according to an embodiment of the present invention.

도 1에서 나타낸 것처럼, 위험도 예측 시스템(100)은 데이터베이스부(110), 입력부(120), 연산부(130) 및 제어부(140)를 포함한다.As shown in FIG. 1 , the risk prediction system 100 includes a database unit 110 , an input unit 120 , a calculation unit 130 , and a control unit 140 .

먼저, 데이터베이스부(110)는 데이터베이스로부터 각각의 사고 사례에 대한 작업 환경 데이터, 개인조건 데이터 및 사고 유형 데이터를 수집하여 정량화한다.First, the database unit 110 collects and quantifies the work environment data, personal condition data, and accident type data for each accident case from the database.

여기서, 데이터베이스는 복수의 이용자가 공유하여 사용할 목적으로 체계화해 통합, 관리하는 데이터의 집합으로, 본 발명에서는 건설안전정보시스템의 데이터베이스에서 제공되는 데이터를 이용한다.Here, the database is a set of data that is systematized, integrated, and managed for the purpose of being shared and used by a plurality of users. In the present invention, data provided from the database of the construction safety information system is used.

다음으로, 입력부(120)는 위험도를 예측하고자 하는 작업자로부터 작업 환경 데이터와 개인조건 데이터를 입력받는다.Next, the input unit 120 receives the work environment data and personal condition data from the worker who wants to predict the degree of risk.

다음으로, 연산부(130)는 작업 환경의 데이터와 저장된 작업 환경 데이터를 이용하여 유사도(SI)를 각각 연산하고, 유사도(SI) 중에서 가장 높은 값을 가지는 유사도에 해당되는 사고 사례를 선택하고, 선택된 사고사례에 해당되는 사고유형에 대한 가중치를 이용하여 현장조건 위험도를 연산하고, 개인조건 데이터를 이용하여 개인조건 위험도를 연산한다.Next, the calculating unit 130 calculates the similarity SI by using the work environment data and the stored work environment data, selects an accident case corresponding to the degree of similarity having the highest value among the similarities SI, and selects the The field condition risk is calculated using the weight for the accident type corresponding to the accident case, and the personal condition risk is calculated using the personal condition data.

다음으로, 제어부(140)는 현장조건 위험도와 상기 개인조건 위험도를 이용하여 최종 위험도를 도출한다.Next, the controller 140 derives the final risk level using the field condition risk level and the personal condition risk level.

이하에서는 도 2 내지 도 5를 이용하여 위험도 예측 시스템을 이용한 위험도 예측 방법을 설명한다.Hereinafter, a risk prediction method using a risk prediction system will be described with reference to FIGS. 2 to 5 .

도 2는 본 발명의 실시예에 따른 위험도 예측 방법을 설명하기 위한 순서도이다.2 is a flowchart illustrating a risk prediction method according to an embodiment of the present invention.

먼저, 데이터베이스부(110)는 각각의 사고 사례에 대한 작업 환경 데이터, 개인조건 데이터 및 사고 유형 데이터를 수집하여 정량화한다(S210).First, the database unit 110 collects and quantifies the work environment data, personal condition data, and accident type data for each accident case (S210).

도 3은 각각의 사고 사례에 대한 작업 환경 데이터를 나타낸 도면이고, 도 4는 각각의 사고 사례에 대한 개인 조건 데이터 및 사고 유형을 나타낸 도면이다. 도 5는 사고 유형에 따른 가중치를 나타낸 도면이다. Figure 3 is a view showing the work environment data for each accident case, Figure 4 is a view showing the personal condition data and the accident type for each accident case. 5 is a diagram illustrating weights according to accident types.

도 3에서는 설명의 편의상, 5개의 사고 사례(No1 ~ No.5)를 예시로 들었으나, 실제로 건설안전정보시스템에서는 252개의 사고 사례를 제공할 수 있다. In FIG. 3, for convenience of explanation, five accident cases (No1 to No.5) are exemplified, but in fact, the construction safety information system may provide 252 accident cases.

도 3에 나타낸 것처럼, 작업 환경 데이터는 정수형 변수(Ai)와 일치/불일치형 변수(Bi)를 포함한다.As shown in FIG. 3 , the work environment data includes an integer variable (A i ) and a coincident/non-matching variable (B i ).

정수형 변수(Ai)는 작업 환경을 별개의 숫자로 나타낼 수 있는 변수로서, 3가지 변수인 온도(A1), 습도(A2) 및 공정률(A3)를 포함한다. The integer variable (A i ) is a variable that can represent the working environment as a separate number, and includes three variables: temperature (A 1 ), humidity (A 2 ), and process rate (A 3 ).

일치/불일치형 변수(Bi)는 일치 또는 불일치로 구분되는 변수로서, 5가지 변수인 계절(B1), 공종(B2), 프로젝트 유형(B3), 안전교육(B4) 및 안전 시설물(B5)을 포함한다.A concordance/discordant variable (B i ) is a variable that is classified as concordant or discordant, and includes five variables: season (B 1 ), work type (B 2 ), project type (B 3 ), safety education (B 4 ), and safety. Includes facility (B 5 ).

따라서, 데이터베이스부(110)는 도 3과 같이 이전에 발생했던 5개의 사고 사례에 대하여 정수형 변수(Ai)와 일치/불일치형 변수(Bi)에 해당하는 8가지 변수에 대한 값 또는 일치여부 등을 데이터베이스화하여 저장할 수 있다. Accordingly, the database unit 110 determines whether the values for the 8 variables corresponding to the integer variable (A i ) and the coincident/nonconforming variable (B i ) with respect to the five accident cases that have occurred previously as shown in FIG. 3 or whether they match or not It can be stored as a database.

그리고, 도 4에 나타낸 것처럼, 데이터베이스부(110)는 5개의 사고 사례(No1 ~ No.5) 각각에 대하여 개인 조건 데이터와 사고 유형을 저장할 수 있다. And, as shown in FIG. 4 , the database unit 110 may store personal condition data and accident type for each of the five accident cases (No1 to No.5).

여기서, 개인 조건 데이터는 각 사고 사례 당시의 작업자의 개인 조건에 해당하는 데이터로서, 성별, 나이, 근속 연수를 포함한다. Here, the personal condition data is data corresponding to the personal condition of the worker at the time of each accident case, and includes gender, age, and number of years of service.

그리고, 사고 유형은 각 사고 사례의 사고 유형을 나타내는 것으로, 사고 유형은 총 19개의 유형을 가진다. 도 5와 같이 19개의 사고 유형의 가중치는 확률기반 알고리즘을 이용하여 연산된 값으로 서로 다른 값을 가진다.And, the accident type indicates the accident type of each accident case, and the accident type has a total of 19 types. As shown in FIG. 5 , the weights of 19 accident types are calculated using a probability-based algorithm and have different values.

다음으로, 입력부(120)는 위험도를 예측하고자 하는 작업자로부터 현장의 작업 환경 데이터와 개인조건 데이터를 입력받는다(S220).Next, the input unit 120 receives the field work environment data and personal condition data from the worker who wants to predict the degree of risk (S220).

여기서, 입력부(120)는 작업자로부터 정량화된 정수형 변수(Ai) 및 일치/불일치형 변수(Bi)에 해당되는 작업환경 데이터와 성별, 나이, 근속 연수를 포함하는 개인조건 데이터를 입력받는다.Here, the input unit 120 receives work environment data corresponding to the quantified integer variable (A i ) and the coincident/discordant variable (B i ) from the worker, and personal condition data including gender, age, and years of service.

다음으로, 연산부(130)는 작업 환경의 데이터와 저장된 작업 환경 데이터를 이용하여 각각의 사고 사례와의 유사도를 각각 연산한다(S230).Next, the calculating unit 130 calculates the degree of similarity with each accident case by using the work environment data and the stored work environment data (S230).

여기서, 연산부(130)는 정수형 변수(Ai)와 일치/불일치형 변수(Bi)를 아래의 수학식 1에 적용하여 각각의 사고 사례와의 유사도(SI)를 연산한다.Here, the calculating unit 130 calculates the degree of similarity (SI) with each accident case by applying the integer variable A i and the coincident/nonconforming variable B i to Equation 1 below.

Figure pat00008
Figure pat00008

여기서, Ai는 기 저장된 사고 사례에 대한 정수형 변수,

Figure pat00009
는 현장에 대응하는 정수형 변수, Bi는 기 저장된 사고 사례에 대한 일치/불일치형 변수의 값(일치시 1, 불일치시 0임),
Figure pat00010
는 정수형 변수(Ai)의 가중치,
Figure pat00011
는 일치/불일치형 변수의 가중치이며, n은 정수형 변수의 개수, m은 일치/불일치형 변수(Bi)의 개수를 나타낸다.Here, A i is an integer variable for pre-stored accident cases,
Figure pat00009
is an integer variable corresponding to the site, B i is the value of the concordance/discordant variable for pre-stored accident cases (1 for match, 0 for mismatch),
Figure pat00010
is the weight of the integer variable (A i ),
Figure pat00011
is the weight of congruent/discordant variables, n is the number of integer variables, and m is the number of concordant/discordant variables (B i ).

특히, 도 3과 같은 사고 사례에 따르면, n은 3(온도, 습도, 공정률)을 나타내고, m은 5(계절, 공종, 프로젝트 유형, 안전교육 이수여부, 안전시설물 유무)를 나타낸다. In particular, according to the accident case as shown in FIG. 3, n represents 3 (temperature, humidity, process rate), and m represents 5 (season, type of work, project type, whether safety education has been completed, whether safety facilities are present).

도 6은 정수형 변수의 가중치와 일치/불일치형 변수의 가중치를 나타낸 도면이다. 6 is a diagram illustrating weights of integer variables and weights of concordance/discordant variables.

도 6과 같이, 사고 빈도수에 따라 3가지의 정수형 변수와 5가지의 일치/불일치형 변수는 서로 다른 가중치(

Figure pat00012
,
Figure pat00013
)를 가진다. As shown in FIG. 6, according to the frequency of accidents, three integer variables and five concordance/discordant variables have different weights (
Figure pat00012
,
Figure pat00013
) has

여기서, 작업자가 입력한 작업 환경 데이터가 5가지 사고 사례 중 어느 하나와 완전히 동일하면, 수학식 1을 통해 연산된 유사도(SI)의 값은 4.17점으로 연산된다.Here, if the work environment data input by the operator is completely the same as any one of the five accident cases, the value of the similarity (SI) calculated through Equation 1 is calculated as 4.17 points.

또한, 작업자가 입력한 작업 환경 데이터가 5가지 사고 사례 중 어느 하나와 완전히 동일하지 않으면, 수학식 1을 통해 연산된 유사도(SI)의 값은 0점으로 연산된다.In addition, if the work environment data input by the operator is not completely the same as any one of the five accident cases, the value of the similarity (SI) calculated through Equation 1 is calculated as 0 points.

즉, 유사도(SI)의 최대 값은 4.17점으로 설정된다.That is, the maximum value of the similarity SI is set to 4.17 points.

그리고, 연산부(130)는 유사도(SI)의 값을 백분위로 나타낸다.In addition, the calculator 130 represents the value of the similarity SI as a percentile.

예를 들어, 작업자로부터 입력된 현장의 작업 환경 데이터가 어느 특정 사고 사례에 대하여 연산된 유사도(SI)가 4.092점이라고 가정하면, 연산부(130)는 해당 사고 사례와의 유사도를 백분위로 변형하여 98.14% (4.092 / 4.17)로 나타낸다.For example, assuming that the field work environment data input from the operator has a similarity (SI) calculated for a specific accident case of 4.092 points, the calculating unit 130 transforms the similarity with the corresponding accident case into a percentile of 98.14 % (4.092 / 4.17).

다음으로, 연산부(130)는 5가지의 사고 사례 중에서 가장 높은 유사도를 가지는 사고 사례를 선택하고, 선택된 사고 사례에 해당되는 사고유형에 대한 가중치를 이용하여 현장조건 위험도를 연산한다(S230).Next, the calculation unit 130 selects an accident case having the highest similarity among the five accident cases, and calculates the field condition risk by using the weight for the accident type corresponding to the selected accident case (S230).

즉, 연산부(130)는 도 5에 나타낸 사고유형에 대한 가중치를 이용하여, 선택된 사고 사례에 대한 가중치를 추출한다. That is, the calculating unit 130 extracts a weight for the selected accident case by using the weight for the accident type shown in FIG. 5 .

그리고, 연산부(130)는 가장 높은 유사도를 가지는 사고 사례의 유사도와 사고유형에 대한 가중치를 아래의 수학식 2에 적용하여 현장조건 위험도를 연산한다.Then, the calculating unit 130 calculates the field condition risk by applying the weights for the similarity and accident type of the accident case having the highest similarity to Equation 2 below.

Figure pat00014
Figure pat00014

여기서,

Figure pat00015
는 선택된 사고사례의 사고유형에 대한 가중치이다. here,
Figure pat00015
is the weight for the accident type of the selected accident case.

예를 들어, 선택된 사고사례의 사고 유형이 "전도"일 경우의

Figure pat00016
의 값은 도 5에 의해 0.0067이고, 사고유형이 "폭발"일 경우의
Figure pat00017
의 값은 도 5에 의해 0.0151으로 설정된다.For example, if the accident type of the selected accident case is "conduction",
Figure pat00016
The value of is 0.0067 according to FIG. 5, and when the accident type is "explosion"
Figure pat00017
The value of is set to 0.0151 by FIG. 5 .

예를 들어, 가장 유사도가 높은 사고 사례의 유사도(SI)가 98.14%이고, 해당 사고 사례의 사고유형이 추락(사고유형 가중치는 0.0395)일 경우에, 수학식 2에 의해 현장조건 위험도는 3.87653으로 연산된다.For example, if the similarity (SI) of the accident case with the highest similarity is 98.14%, and the accident type of the accident case is a fall (the accident type weight is 0.0395), the site condition risk is 3.87653 by Equation 2 is calculated

다음으로, 연산부(130)는 작업자로부터 입력된 개인조건 데이터를 이용하여 개인조건 위험도를 연산한다(S240).Next, the calculating unit 130 calculates the personal condition risk by using the personal condition data input from the operator (S240).

도 7은 성별에 따른 위험도, 경력에 따른 위험도 및 연령에 따른 위험도를 나타낸 도면이다.7 is a view showing the risk according to the gender, the risk according to the career, and the risk according to the age.

여기서, 연산부(130)는 개인조건 데이터를 아래의 수학식 3에 적용하여 개인조건 위험도를 연산한다.Here, the calculator 130 calculates the personal condition risk by applying the personal condition data to Equation 3 below.

Figure pat00018
Figure pat00018

즉, 개인조건 위험도는 수학식 3에서 나타낸 것처럼, 성별에 따른 위험도, 경력에 따른 위험도 및 연령에 따른 위험도를 합산하여 연산된다. That is, as shown in Equation 3, the personal condition risk is calculated by adding up the risk according to the gender, the risk according to the career, and the risk according to the age.

또한, 성별에 따른 위험도, 경력에 따른 위험도 및 연령에 따른 위험도는 각각 이전에 발생했던 사고 빈도를 통하여 확률적으로 산출된다. In addition, the risk according to the gender, the risk according to the career, and the risk according to the age are calculated probabilistically through the frequency of accidents that have occurred previously, respectively.

예를 들어, 작업자가 남자이고, 나이가 33세이고, 근속연수가 11년일 경우에 개인조건 위험도는 수학식 3과 도 7에 의하여 0.498038 + 5.895544 + 1.188292 를 통하여 7.581874로 연산된다.For example, when the worker is a male, the age is 33, and the number of years of service is 11 years, the personal condition risk is calculated as 7.581874 through Equation 3 and FIG. 7 through 0.498038 + 5.895544 + 1.188292.

여기서, 개인조건 위험도의 최대 값은 수학식 3과 도 7에 의하여 7.62546으로, 최소 값은 5.9097으로 연산된다.Here, the maximum value of the personal condition risk is calculated as 7.62546 and the minimum value is 5.9097 according to Equation 3 and FIG. 7 .

다음으로, 제어부(140)는 수학식 2에 의해 도출된 현장조건 위험도와 수학식 3에 의해 도출된 개인조건 위험도를 이용하여 최종 위험도를 도출한다(S250).Next, the control unit 140 derives the final risk by using the field condition risk derived by Equation 2 and the personal condition risk derived by Equation 3 ( S250 ).

제어부(140)는 현장조건 가중치와 개인조건 가중치를 아래의 수학식 4에 적용하여 최종 위험도를 도출한다.The controller 140 derives the final risk by applying the field condition weight and the individual condition weight to Equation 4 below.

Figure pat00019
Figure pat00019

여기서, 현장조건 가중치는 0.333이고, 개인조건 가중치는 0.667이다.Here, the field condition weight is 0.333 and the personal condition weight is 0.667.

또한, 현장조건 위험도와 현장조건 가중치를 곱셈한 최대 값은 1.32이고, 최소 값은 0으로 연산되며, 개인조건 위험도와 개인조건 가중치를 곱셈한 최대 값은 5.08으로, 최소 값은 3.94으로 연산된다.In addition, the maximum value obtained by multiplying the site condition risk by the field condition weight is 1.32, and the minimum value is calculated as 0. The maximum value obtained by multiplying the personal condition risk and the personal condition weight is 5.08, and the minimum value is 3.94.

즉, 최종 위험도의 최대 값은 6.40으로, 최소 값은 3.94로 연산된다.That is, the maximum value of the final risk is calculated as 6.40, and the minimum value is calculated as 3.94.

예를 들어, 현장조건 위험도가 3.87653이고, 개인조건 위험도가 7.581874라고 가정하면, 최종 위험도는 6.35로 도출된다.For example, assuming that the field condition risk is 3.87653 and the individual condition risk is 7.581874, the final risk is derived as 6.35.

그리고, 제어부(140)는 수학식 5와 같은 표준화 과정을 통하여 최종 위험도 값을 나타낼 수 있다.And, the controller 140 may indicate the final risk value through the standardization process as in Equation 5.

Figure pat00020
Figure pat00020

예를 들어, 최종 위험도 값이 6.35로 도출되면, 수학식 5를 통해 최종 위험도의 백분위 값은 97.96%로 변환된다.For example, if the final risk value is derived as 6.35, the percentile value of the final risk is converted to 97.96% through Equation 5.

그러면, 제어부(140)는 변환된 최종 위험도를 이용하여 해당 작업자의 위험을 예측한다.Then, the controller 140 predicts the risk of the worker using the converted final risk.

이와 같이 본 발명의 실시예에 따르면, 표준화된 최종 위험도를 통해 근로자가 얼마나 위험한 상황에 있는지 직관적으로 확인할 수 있고 발생할 수 있는 재해에 대해 미리 대처할 수 있다. As described above, according to an embodiment of the present invention, it is possible to intuitively check how dangerous a worker is in a dangerous situation through the standardized final risk level, and to cope with a disaster that may occur in advance.

또한, 사고발생에 영향을 주는 다양한 요인을 고려함으로써 예측의 높은 정확도와 안전에 대한 지식 없이도 사용자에게 최소한의 안전관리를 지원함으로써 재해 발생을 줄일 수 있다.In addition, by considering various factors affecting the occurrence of accidents, it is possible to reduce the occurrence of accidents by supporting the minimum safety management to users without high accuracy of prediction and knowledge of safety.

본 발명은 도면에 도시된 실시 예를 참고로 설명 되었으나 이는 예시적인 것이 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiment shown in the drawings, which is merely exemplary, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

100: 위험도 예측 시스템, 110: 데이터베이스부,
120: 입력부, 130: 연산부,
140: 제어부100: risk prediction system, 110: database unit,
120: input unit, 130: calculation unit,
140: control unit

Claims (12)

작업자의 위험도 예측 시스템을 이용한 위험도 예측 방법에 있어서,
각각의 사고 사례에 대한 작업 환경 데이터, 개인조건 데이터 및 사고 유형 데이터를 수집하여 저장하는 단계,
위험도를 예측하고자 하는 작업자로부터 현장의 작업 환경 데이터와 개인조건 데이터를 입력받는 단계,
상기 작업 환경의 데이터와 상기 저장된 작업 환경 데이터를 이용하여 각각의 사고 사례와의 유사도를 각각 연산하는 단계,
가장 높은 유사도를 가지는 사고 사례를 선택하고, 선택된 사고 사례에 해당되는 사고유형에 대한 가중치를 이용하여 현장조건 위험도를 연산하는 단계,
상기 개인조건 데이터를 이용하여 개인조건 위험도를 연산하는 단계, 그리고
상기 현장조건 위험도와 상기 개인조건 위험도를 이용하여 최종 위험도를 도출하는 단계를 포함하는 위험도 예측 방법.In the risk prediction method using the operator's risk prediction system,
Collecting and storing work environment data, personal condition data, and accident type data for each accident case;
A step of receiving field work environment data and personal condition data from a worker who wants to predict the degree of risk;
Calculating the degree of similarity with each accident case using the data of the work environment and the stored work environment data, respectively;
selecting an accident case with the highest similarity, and calculating the site condition risk level using the weight for the accident type corresponding to the selected accident case;
calculating the personal condition risk using the personal condition data; and
and deriving a final risk level using the site condition risk level and the individual condition risk level. 제1항에 있어서,
상기 작업 환경 데이터는,
정수형 변수(Ai)인 온도(A1), 습도(A2) 및 공정률(A3)과 일치/불일치형 변수(Bi)인 계절(B1), 공종(B2), 프로젝트 유형(B3), 안전교육(B4) 및 안전 시설물(B5)을 포함하는 위험도 예측 방법.According to claim 1,
The work environment data is
Integer variable (A i ), temperature (A 1 ), humidity (A 2 ), and process rate (A 3 ), and coincident/nonconforming variable (B i ), season (B 1 ), work type (B 2 ), project type ( Risk prediction method including B 3 ), safety education (B 4 ), and safety facilities (B 5 ). 제2항에 있어서,
상기 유사도를 연산하는 단계는,
상기 정수형 변수와 상기 일치/불일치형 변수를 아래의 수학식에 적용하여 각각의 사고 사례와의 상기 유사도(SI)를 연산하는 위험도 예측 방법;
Figure pat00021

여기서, Ai는 기 저장된 사고 사례에 대한 정수형 변수,
Figure pat00022
는 현장에 대응하는 정수형 변수, Bi는 기 저장된 사고 사례에 대한 일치/불일치형 변수의 값(일치시 1, 불일치시 0임),
Figure pat00023
는 정수형 변수의 가중치,
Figure pat00024
는 일치/불일치형 변수의 가중치이며, n은 정수형 변수의 개수, m은 일치/불일치형 변수의 개수를 나타낸다.3. The method of claim 2,
The step of calculating the similarity is:
a risk prediction method of calculating the degree of similarity (SI) with each accident case by applying the integer variable and the coincident/discordant variable to the following equation;
Figure pat00021

Here, A i is an integer variable for pre-stored accident cases,
Figure pat00022
is an integer variable corresponding to the site, B i is the value of the concordance/discordant variable for pre-stored accident cases (1 for match, 0 for mismatch),
Figure pat00023
is the weight of the integer variable,
Figure pat00024
is the weight of congruent/discordant variables, n is the number of integer variables, and m is the number of congruent/noncongruent variables. 제3항에 있어서,
상기 현장조건 위험도를 연산하는 단계는,
가장 높은 유사도를 가지는 사고 사례의 유사도와 사고유형에 대한 가중치를 아래의 수학식에 적용하여 상기 현장조건 위험도를 연산하는 위험도 예측 방법;
Figure pat00025

Figure pat00026
는 사고유형에 대한 가중치이다.4. The method of claim 3,
The step of calculating the field condition risk is,
a risk prediction method for calculating the on-site condition risk by applying a weight for the similarity and accident type of the accident case having the highest similarity to the following equation;
Figure pat00025

Figure pat00026
is the weight for the thought type. 제4항에 있어서,
상기 개인조건 위험도를 연산하는 단계는,
상기 위험도를 예측하고자 하는 작업자의 성별에 따른 위험도, 연령에 따른 위험도, 경력에 따른 위험도를 합산하여 상기 개인조건 위험도를 연산하는 위험도 예측 방법. 5. The method of claim 4,
The step of calculating the personal condition risk is,
A risk prediction method for calculating the individual condition risk by adding up the risk according to the gender, the risk according to the age, and the risk according to the career of the worker who wants to predict the risk. 제5항에 있어서,
상기 최종 위험도를 도출하는 단계는,
다음의 수학식에 적용하여 상기 최종 위험도를 도출하는 위험도 예측 방법;
Figure pat00027

여기서, 현장조건 가중치는 0.333이고, 개인조건 가중치는 0.667이다.6. The method of claim 5,
The step of deriving the final risk is,
a risk prediction method for deriving the final risk by applying the following equation;
Figure pat00027

Here, the field condition weight is 0.333 and the personal condition weight is 0.667. 위험도 예측을 위한 작업 근로자의 위험도 예측 시스템에 있어서,
데이터베이스로부터 각각의 사고 사례에 대한 작업 환경 데이터, 개인조건 데이터 및 사고 유형 데이터를 수집하여 저장하는 데이터베이스부,
위험도를 예측하고자 하는 작업자로부터 작업 환경 데이터와 개인조건 데이터를 입력받는 입력부,
상기 작업 환경의 데이터와 상기 저장된 작업 환경 데이터를 이용하여 유사도(SI)를 각각 연산하고, 상기 유사도(SI) 중에서 가장 높은 값을 가지는 유사도에 해당되는 사고 사례를 선택하고, 선택된 사고사례에 해당되는 사고유형에 대한 가중치를 이용하여 현장조건 위험도를 연산하고, 상기 개인조건 데이터를 이용하여 개인조건 위험도를 연산하는 연산부, 그리고
상기 현장조건 위험도와 상기 개인조건 위험도를 이용하여 최종 위험도를 도출하는 제어부를 포함하는 위험도 예측 시스템.In the risk prediction system for work workers for risk prediction,
A database unit that collects and stores work environment data, personal condition data, and accident type data for each accident case from the database;
An input unit that receives work environment data and personal condition data from a worker who wants to predict the degree of risk;
The similarity (SI) is calculated using the data of the work environment and the stored work environment data, respectively, an accident case corresponding to the degree of similarity having the highest value among the degree of similarity (SI) is selected, and the accident case corresponding to the selected accident case is selected. A calculating unit that calculates the field condition risk by using the weight for the accident type, and calculates the personal condition risk using the personal condition data, and
Risk prediction system including a control unit for deriving a final risk by using the field condition risk level and the personal condition risk level. 제7항에 있어서,
상기 작업 환경 데이터는,
정수형 변수(Ai)인 온도(A1), 습도(A2) 및 공정률(A3)과 일치/불일치형 변수(Bi)인 계절(B1), 공종(B2), 프로젝트 유형(B3), 안전교육(B4) 이수여부 및 안전 시설물(B5)배치여부를 포함하는 위험도 예측 시스템.8. The method of claim 7,
The work environment data is
Integer variable (A i ), temperature (A 1 ), humidity (A 2 ), and process rate (A 3 ), and coincident/nonconforming variable (B i ), season (B 1 ), work type (B 2 ), project type ( B 3 ), safety education (B 4 ) completion and safety facility (B 5 ) risk prediction system including whether or not to deploy. 제8항에 있어서,
상기 연산부는,
상기 정수형 변수와 상기 일치/불일치형 변수를 아래의 수학식에 적용하여 각각의 사고 사례와의 상기 유사도(SI)를 연산하는 위험도 예측 시스템;
Figure pat00028

여기서, Ai는 기 저장된 사고 사례에 대한 정수형 변수,
Figure pat00029
는 현장에 대응하는 정수형 변수, Bi는 기 저장된 사고 사례에 대한 일치/불일치형 변수의 값(일치시 1, 불일치시 0임),
Figure pat00030
는 정수형 변수의 가중치,
Figure pat00031
는 일치/불일치형 변수의 가중치이며, n은 정수형 변수의 개수, m은 일치/불일치형 변수의 개수를 나타낸다.9. The method of claim 8,
The calculation unit,
a risk prediction system for calculating the degree of similarity (SI) with each accident case by applying the integer variable and the coincident/non-matching variable to the following equation;
Figure pat00028

Here, A i is an integer variable for pre-stored accident cases,
Figure pat00029
is an integer variable corresponding to the site, B i is the value of the concordance/discordant variable for pre-stored accident cases (1 for match, 0 for mismatch),
Figure pat00030
is the weight of the integer variable,
Figure pat00031
is the weight of congruent/discordant variables, n is the number of integer variables, and m is the number of congruent/discordant variables. 제9항에 있어서,
상기 연산부는,
가장 높은 유사도를 가지는 사고 사례의 유사도와 사고유형에 대한 가중치를 아래의 수학식에 적용하여 상기 현장조건 위험도를 연산하는 위험도 예측 시스템;
Figure pat00032

Figure pat00033
는 사고유형에 대한 가중치이다.10. The method of claim 9,
The calculation unit,
a risk prediction system for calculating the on-site condition risk by applying a weight for the similarity and accident type of the accident case having the highest similarity to the following equation;
Figure pat00032

Figure pat00033
is the weight for the thought type. 제10항에 있어서,
상기 연산부는,
상기 위험도를 예측하고자 하는 작업자의 성별에 따른 위험도, 연령에 따른 위험도, 경력에 따른 위험도를 합산하여 상기 개인조건 위험도를 연산하는 위험도 예측 시스템. 11. The method of claim 10,
The calculation unit,
A risk prediction system for calculating the individual condition risk by adding up the risk according to the gender, the risk according to the age, and the risk according to the career of the worker who wants to predict the risk. 제11항에 있어서,
상기 제어부는,
다음의 수학식에 적용하여 상기 최종 위험도를 도출하는 위험도 예측 시스템;
Figure pat00034

여기서, 현장조건 가중치는 0.333이고, 개인조건 가중치는 0.667이다.12. The method of claim 11,
The control unit is
a risk prediction system for deriving the final risk by applying the following equation;
Figure pat00034

Here, the field condition weight is 0.333 and the personal condition weight is 0.667.
KR1020190164661A 2019-12-11 2019-12-11 System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof KR102327385B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190164661A KR102327385B1 (en) 2019-12-11 2019-12-11 System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190164661A KR102327385B1 (en) 2019-12-11 2019-12-11 System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof

Publications (2)

Publication Number Publication Date
KR20210073895A true KR20210073895A (en) 2021-06-21
KR102327385B1 KR102327385B1 (en) 2021-11-17

Family

ID=76600178

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190164661A KR102327385B1 (en) 2019-12-11 2019-12-11 System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof

Country Status (1)

Country Link
KR (1) KR102327385B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102454671B1 (en) * 2022-02-09 2022-10-18 에이아이에스앤피 주식회사 SYSTEM AND METHOD FOR MANAGING SAFETY IN WORK SITE THROUGH IoT SENSOR DATA AND VIDEO DATA ANALYSIS BASED ON ARTIFICIAL INTELLIGENCE
KR102496668B1 (en) * 2021-11-23 2023-02-06 차유미 Smart safety management and safety accident prediction method and system
KR20230091420A (en) * 2021-12-16 2023-06-23 현대건설(주) Construction site safety diaster predicting method and system based on artificial intelligence
WO2023175989A1 (en) * 2022-03-18 2023-09-21 日本電気株式会社 Work assisting device, work assisting method, and recording medium
WO2024010247A1 (en) * 2022-07-07 2024-01-11 주식회사 플럭시티 Location-based hazard calculation method and device
KR20240007059A (en) * 2022-07-07 2024-01-16 주식회사 플럭시티 Method and Apparatus for Location-Based Risk Calculation

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015103110A (en) * 2013-11-26 2015-06-04 株式会社日立製作所 Accident analysis utilization support device and method
KR101652099B1 (en) * 2015-12-15 2016-08-29 한국가스안전공사 Risk map based on gas accident response and prevention system
KR20180115123A (en) * 2017-04-12 2018-10-22 한국전자통신연구원 Apparatus and method for predicting workplace accident

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015103110A (en) * 2013-11-26 2015-06-04 株式会社日立製作所 Accident analysis utilization support device and method
KR101652099B1 (en) * 2015-12-15 2016-08-29 한국가스안전공사 Risk map based on gas accident response and prevention system
KR20180115123A (en) * 2017-04-12 2018-10-22 한국전자통신연구원 Apparatus and method for predicting workplace accident

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102496668B1 (en) * 2021-11-23 2023-02-06 차유미 Smart safety management and safety accident prediction method and system
KR20230091420A (en) * 2021-12-16 2023-06-23 현대건설(주) Construction site safety diaster predicting method and system based on artificial intelligence
KR102454671B1 (en) * 2022-02-09 2022-10-18 에이아이에스앤피 주식회사 SYSTEM AND METHOD FOR MANAGING SAFETY IN WORK SITE THROUGH IoT SENSOR DATA AND VIDEO DATA ANALYSIS BASED ON ARTIFICIAL INTELLIGENCE
WO2023175989A1 (en) * 2022-03-18 2023-09-21 日本電気株式会社 Work assisting device, work assisting method, and recording medium
WO2024010247A1 (en) * 2022-07-07 2024-01-11 주식회사 플럭시티 Location-based hazard calculation method and device
KR20240007059A (en) * 2022-07-07 2024-01-16 주식회사 플럭시티 Method and Apparatus for Location-Based Risk Calculation

Also Published As

Publication number Publication date
KR102327385B1 (en) 2021-11-17

Similar Documents

Publication Publication Date Title
KR102327385B1 (en) System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof
Poh et al. Safety leading indicators for construction sites: A machine learning approach
CN109492111B (en) Shortest path query method, shortest path query system, computer device and storage medium
US8844029B2 (en) Risk model correcting system, risk model correcting method, and risk model correcting program
US20160210631A1 (en) Systems and methods for flagging potential fraudulent activities in an organization
KR101652099B1 (en) Risk map based on gas accident response and prevention system
KR100755000B1 (en) Security risk management system and method
US20130067572A1 (en) Security event monitoring device, method, and program
CA2930623A1 (en) Method and system for aggregating and ranking of security event-based data
KR20180076753A (en) System and Method for Anomaly Pattern
US10817140B2 (en) Sequential data
Aspinall et al. Volcanic risk assessment
CN108537243B (en) Violation warning method and device
Skvortsova et al. A hybrid intelligent system for risk assessment based on unstructured data
CN111460174A (en) Resume abnormity detection method and system based on entity knowledge reasoning
CN104320271A (en) Network device security evaluation method and device
EP4038557A1 (en) Method and system for continuous estimation and representation of risk
KR100524649B1 (en) Risk analysis system for information assets
US20190018749A1 (en) Data processing device, data processing method, and program recording medium
KR102578291B1 (en) Security compliance automation method
US20230156043A1 (en) System and method of supporting decision-making for security management
Suthaharan et al. An approach for automatic selection of relevance features in intrusion detection systems
Kustov et al. The information security system synthesis using the graphs theory
Kuzmina et al. Building an Attack Tree for Analysis of Information Security Risks
KR102111136B1 (en) Method, device and program for generating respond directions against attack event

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant