通过结合可穿戴全身物联网传感器和机器学习来改善人类培训

科学领域:

• 工业工程 工业工程 工业工程
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 传统的体力劳动培训往往是适合所有人的.
• 缺乏客观的,数据驱动的方法来评估技能能力.
• 人工劳动力需要个性化和高效的升级技能.

研究的目的:

• 引入DigitalUpSkilling,一个物联网和人工智能框架,用于在劳动密集型工作中进行个性化培训.
• 利用数字双胞胎开发一个识别工作活动和评估技能能力的系统.
• 为了证明框架在现实世界肉类加工环境中的有效性.

主要方法:

• 利用可穿戴物联网传感器捕获工人的动态数据.
• 从传感器数据中合成工人数字双胞胎.
• 实施生成对抗网络 (GAN) 和机器学习 (ML) 模型用于工作活动识别.
• 开发用于技能熟练程度评估的ML模型.

主要成果:

• 在肉类加工中识别特定的工作活动时达到99%的准确性.
• 通过比较动力学数据,成功评估工人的熟练程度.
• 证明了使用数字双胞胎用于技能评估的可行性.

结论:

• 数字化技能培训 (DigitalUpSkilling) 为个性化员工培训提供了一种新的,数据驱动的方法.
• 该框架能够准确地识别工作活动和客观的技能评估.
• 在体力劳动部门为下一代数字培训解决方案奠定了基础.