Performance-based methods and tools for competitive safety in agriculture

Abstract

Safety is a key aspect in agriculture and the sector is one of the most dangerous among working activities. Machinery, environmental conditions and poor training are just some of the main aspects which negatively influence accident rates. It must be noted although that most of the time there is not a main cause of failure, it rather is a mix of reasons which might be harmless if taken singularly but that may lead to severe accidents if combined. The complexity of the working context is not given by complex machinery or tasks, but it is strongly affected by the presence of harsh working conditions, lack of proper training and hazards that cannot be eliminated. To deal with this context, a dynamic approach to safety is required: a popular and relatively new analysis method called Functional Resonance Analysis Method (FRAM) offers a good way for handling dynamic scenarios and the efficiency-thoroughness trade off (ETTO) which is constantly present in a working environment. FRAM also aims to describe every scenario (including accident scenarios) as generated by output variability among the tasks that an activity is made of, so that there is no more cause-effect analysis only but instead internal and external variability (this is why it is described as "functional resonance" analysis method). This work aims to exploit FRAM's concepts to create a safety analysis method which is specific for agricultural contexts and that allows to identify performance-based safety solutions that prevent production losses and ensure safe operations. The AECAT cycle of analysis (accident analysis, effectiveness working mode, compliance ode, as-low-as-reasonably-possible (ALARP) mode and thoroughness working mode) has been created to manage the evolution of agricultural activities as external variables influence them (weather, soil conditions, market demands, time, etc). Practical applications of this method include safety management tools and artificial intelligence (AI) algorithms which can enhance safety and reliability for specific machinery. Both those applications have been analysed and successfully tested in this thesis and further research can be made to extend the range of possible solutions.

La sicurezza è un aspetto fondamentale in agricoltura ed è uno dei settori più pericolosi tra le attività lavorative. Grandi macchinari, condizioni ambientali difficili e scarsa formazione sono solo alcuni dei principali aspetti che influenzano negativamente gli indici infortunistici. Va notato, tuttavia, che la maggior parte delle volte non è una sola causa a scatenare gli incidenti, piuttosto lo sono un mix di ragioni che potrebbero essere innocue se prese singolarmente ma che possono portare a gravi incidenti se combinate insieme. La complessità del contesto lavorativo non è data da macchinari o mansioni complesse, quando risulta invece fortemente influenzata dalla presenza di condizioni di lavoro gravose, dalla mancanza adeguate informazioni e formazioni e infine da rischi non eliminabili. Per affrontare questo contesto, è necessario un approccio dinamico alla sicurezza: un metodo di analisi relativamente nuovo basato sull’analisi della risonanza funzionale (Functional Resonance Analysis Method, FRAM) offre un buon modo per gestire scenari dinamici e il compromesso tra efficienza e completezza delle operazioni (efficiency-throroughness trade-off, ETTO) che è costantemente presenti in un ambiente di lavoro. FRAM mira anche a descrivere ogni scenario (compresi gli scenari incidentali) come generato dalla variabilità di output tra i compiti di cui è composta un'attività, in modo che non ci sia più solo analisi causa-effetto ma piuttosto variabilità interna ed esterna (ecco perché è descritto come metodo di analisi della "risonanza funzionale"). Questo lavoro punta a sfruttare la metodologia contenuta in FRAM per creare un metodo di analisi della sicurezza specifico per i contesti agricoli e che consenta di identificare soluzioni di sicurezza basate sulle prestazioni, prevenendo così perdite di produzione e garantendo lo svolgimento in sicurezza delle operazioni agricole. Il ciclo di analisi sviluppato nella tesi e denominato AECAT (analisi degli infortuni, modalità di lavoro sull'efficacia, modalità di conformità ai requisiti di legge, ALARP e modalità di lavoro sulla completezza) è stato conseguentemente creato per gestire l'evoluzione delle attività agricole man mano che le variabili esterne le influenzano (meteo, suolo condizioni, richieste di mercato, tempo, ecc.). Le applicazioni pratiche di questo metodo includono strumenti di gestione della sicurezza e algoritmi di intelligenza artificiale (AI) che possono migliorare la sicurezza e l'affidabilità di macchinari specifici. Entrambe queste applicazioni sono state analizzate e testate con successo in questa tesi e ulteriori ricerche possono essere fatte per estendere la gamma di possibili soluzioni.