過去幾十年，隨著機器和工藝安全的進步，延伸到工業機器人的協作技術，工業生產已經變得安全，但工人的安全仍存在風險。隨著新型互聯技術在工業領域的發展，工人們的流動性也越來越強，這意味著人員在設施設備中間移動，他們個人的安全風險也在不斷變化。

作為工業4.0和工業物聯網計劃的一部分，聯網傳感器收集設備數據正在更多的應用在工人身上，以保護他們的安全。例如，一種旨在捕捉工人移動數據的工業級輕型物聯網傳感器設備和平臺就有這樣的作用。工人佩戴的傳感器每秒讀取12.5倍的數據，也就是說，在8小時的輪班班次中，讀取次數約為30萬次。

傳感器包含一個9軸慣性測量單元，可以檢測到組成用戶安全評分的5個主要部分的準確讀數。安全評分的5個部分來自William Marras博士的腰部運動監測風險模型，包括平均最大屈曲、平均扭轉速度、平均最大橫向速度、抬升率和最大彎矩。

每個設備收集的數據上傳到云端，平臺的專有機器學習算法分析穿戴者的肌肉骨骼損傷風險。而傳感器被設計成具有多個集成傳感器的單一設備。

至于傳感器獲取的數據如何轉化為針對工人的糾正措施，負責人說，這些數據使專業人員能夠真正深入地研究數據中的各種趨勢和異常。通過使用平臺數據表單的核心特性，能夠了解在哪些地方可以應用培訓和實時反饋等行為進行改進。同時，平臺還能夠識別需要改進的領域，并指出可能需要實施工程控制或物理約束的地方。

例如，在一家大型零售商的配送中心，在倉庫的某個特定區域，安全得分一直很低。經過與客戶的分析和討論，了解到該倉庫存在一處環境上的限制，沒法做到安全并恰當的動作。所以，倉庫相應改變了工作環境。而此次部署中的數據和經驗也被收集到選項庫中，并在客戶檔案中進行改進，以便將來適用于其他客戶。

這種應用給工業領域帶來了對工人進行安全評估的重大變化。目前的人體工程學和安全評估通常是由訓練有素的人體工程學專家或安全專家，帶著紙、相機、卷尺和視覺觀察來完成的。可以想象，這種方法有幾個弊端：

1）只能在特定的時間范圍內觀察那么多人；

2）觀察的性質會使正在進行的工作發生某種變化，即所謂的“霍桑效應”（即，當人們在意識到自己正在被關注或者觀察的時候，會刻意去改變一些行為或者是言語表達的效應）。

對用戶來說，該應用最直接的利益就是減少工人傷害，并減少因受傷引發的索賠。

對于那些擔心可穿戴設備可能會被追蹤的員工也不必擔心，設備的目的是保護工人，并專注于數據如何為他們解決特定的風險，并不會追蹤工人的工作效率，也不會因工作加以懲罰因素和泄露隱私。