Ein hybrides Bewertungsmodell für intelligente Fertigung unter Unsicherheit durch Integration von Mensch‑Maschine‑Systemen und Automatisierungsstrategien

Warum schlauere Fabriken schlauere Entscheidungen brauchen

Während Fabriken zunehmend mit Robotern, Sensoren und KI gefüllt werden, stehen Führungskräfte vor einer überraschend einfachen Frage: Wie stark sollen wir automatisieren und wie sehr sollten wir weiterhin auf Menschen setzen? Die Antwort ist selten eindeutig. Reale Produktionslinien sind laute, unvorhersehbare Umgebungen, in denen Vertrauen, Sicherheit und Arbeitsbelastung der Menschen genauso zählen wie Geschwindigkeit und Kosten. Dieser Beitrag stellt eine neue Methode vor, verschiedene Automatisierungs‑Setups zu bewerten, die diese unordentliche Realität berücksichtigt und Entscheidungsträgern hilft, Konfigurationen zu wählen, die effizient, widerstandsfähig und wirklich menschenzentriert sind.

Die Herausforderung der Bewertung von Mensch‑Maschine‑Teamarbeit

Moderne „intelligente Fertigungs“systeme vereinen Menschen, Roboter und digitale Werkzeuge. Solche Systeme zu bewerten ist schwierig, weil viele der wichtigsten Faktoren — Vertrauen der Bediener, wahrgenommene Sicherheit, Einfachheit der Zusammenarbeit — subjektiv sind und sich im Laufe der Zeit verändern. Gleichzeitig liefern Fabriken Ozeane von Sensordaten und cyber‑physischen Systemen, die unvollständig oder verrauscht sein können. Traditionelle Bewertungsansätze stützen sich entweder auf starre Checklisten, verlassen sich stark auf Expertenmeinungen oder betrachten nur numerische Leistungskennzahlen. Keiner kann zugleich wechselnde menschliche Wahrnehmungen, widersprüchliche Kriterien und harte Daten erfassen — und genau diese Kombination verlangt Industry‑5.0 mit ihrem Schwerpunkt auf menschenzentrierter und resilienter Produktion.

Eine neue Perspektive auf Unsicherheit in Expertenurteilen

Die erste Innovation der Studie ist eine mathematische Linse zur Beschreibung von Expertenmeinungen, genannt zirkulare sphärische Fuzzy‑Mengen. Einfach ausgedrückt: Statt einen Ingenieur zu zwingen, eine Option einfach als „gut“ oder „schlecht“ zu kennzeichnen, erlaubt die Methode, auszudrücken, wie stark sie als gut erscheint, wie stark sie als nicht gut erscheint, wie unsicher man ist und wie stark die eigene Zuversicht hin und her schwanken kann. Beispielsweise kann das Vertrauen eines Bedieners in einen kollaborativen Roboter mit steigender Produktivität wachsen, nach einer Beinahe‑Kollision stark sinken und nach einer Nachschulung langsam wieder ansteigen. Diese Art zyklischer Unsicherheit lässt sich mit früheren Fuzzy‑Werkzeugen, die Unsicherheit linear annehmen, nur schlecht abbilden. Die zirkulare Erweiterung fügt ein richtungsbezogenes, fast kompassähnliches Element zur Unsicherheit hinzu und spiegelt besser wider, wie Menschen ihre Urteile an veränderte Situationen anpassen.

Das Bauchgefühl und harte Zahlen ausbalancieren

Um diese reichen, aber unruhigen Meinungen in klare Ranglisten von Automatisierungsoptionen zu überführen, kombiniert der Autor zwei Entscheidungstechniken zu einem hybriden Modell. Ein Teil, CRITIC genannt, betrachtet die Daten und bestimmt, welche Kriterien wirklich Gewicht haben, indem er misst, wie stark sie variieren und wie stark sie miteinander in Konflikt stehen. Ein weiterer Teil, MAIRCA, vergleicht jede Option mit einem gedachten „idealen“ Punktesatz und misst, wie weit sie davon entfernt ist. Die zirkular‑fuzzy Bewertungen der Experten werden zuerst in speziell gestaltete numerische Werte überführt, damit CRITIC mit ihnen arbeiten kann, ohne die zugrunde liegende Unsicherheit zu verwerfen. Zusammen zielen diese drei Elemente — zirkulares Fuzzy‑Modell, datengetriebene Gewichtung und Ideal‑gegen‑Real‑Vergleich — darauf ab, einen Ausgleich zwischen menschlicher Einsicht und objektiver Struktur zu finden.

Anwendung des Modells in einer Versuchsfabrik

Um zu zeigen, wie das Rahmenwerk funktioniert, beschreibt der Beitrag einen hypothetischen Fall eines mittelständischen Herstellers, der zwischen vier Automatisierungsdesigns wählt: eine halbautomatisierte Hybridlinie, ein bedienergeführtes cyber‑physisches System, eine vollautomatisierte Linie und ein Szenario mit kollaborierenden Robotern. Acht Kriterien mischen wirtschaftliche, technische und menschliche Aspekte, darunter Kosten, Effizienz, Flexibilität, Integration von Human Factors, Sicherheit, Wartungsaufwand, Zuverlässigkeit und Datennutzung. Experten bewerten jede Option mit sprachlichen Termini wie „hoch“ oder „mittel“, die in zirkulare Fuzzy‑Werte übersetzt werden. Die hybride Methode berechnet dann die Bedeutung jedes Kriteriums, konstruiert einen idealen Maßstab, misst die Abweichung jeder Option von diesem Ideal und ordnet sie entsprechend. In diesem Test schneidet die halbautomatisierte Hybridlinie am besten ab, hauptsächlich weil sie in allen Kriterien solide Leistungen zeigt ohne große Schwächen, während Optionen, die maximale Automatisierung anstreben, in der Integration menschlicher Aspekte und in der Komplexität Nachteile haben.

Wie sich dies auf Entscheidungen in realen Fabriken auswirkt

Über das Beispiel hinaus vergleicht die Studie ihr hybrides Modell mit gebräuchlichen Methoden wie AHP und TOPSIS sowie mit fuzzy Varianten dieser Werkzeuge. Diese Klassiker sind leichter anzuwenden, neigen jedoch zu instabilen Rangfolgen und schwacher Handhabung von Unsicherheit. Im Gegensatz dazu zeigt der neue Ansatz stabilere Ranglisten, wenn Schlüsselparameter variiert werden, und kann besser zwischen eng beieinanderliegenden Alternativen unterscheiden, insbesondere wenn die Expertenzögerlichkeit stark kontextabhängig ist. Der Autor weist sorgfältig darauf hin, dass die vorliegenden Ergebnisse auf synthetischen Daten beruhen und eine vollständige Validierung an realen Produktionslinien künftige Arbeit ist. Dennoch weist das Rahmenwerk auf Entscheidungshilfen hin, die Fabriken als sozio‑technische Systeme sehen, in denen sich Menschen und Maschinen im Laufe der Zeit wechselseitig anpassen.

Was das für die Zukunft von Arbeit und Automatisierung bedeutet

Alltagsgemäß lautet die Schlussfolgerung der Arbeit, dass Entscheidungen über Automatisierung weder menschliche Urteile ignorieren noch sie in Daten ersäufen sollten. Stattdessen sollten sie explizit modellieren, wie sich Ansichten der Menschen verschieben, wenn sie Erfahrung sammeln, Vorfälle erleben und sich an neue Technologien anpassen. Das vorgeschlagene Modell bietet eine strukturierte Möglichkeit, dies zu tun, während es gleichzeitig Kosten, Sicherheit, Flexibilität und digitale Fähigkeiten berücksichtigt. Klug eingesetzt könnten solche Werkzeuge Unternehmen dabei helfen, Automatisierungsstrategien zu wählen, die nicht nur auf dem Papier effizient sind, sondern auch von den Beschäftigten akzeptiert werden, in der Praxis sicherer sind und robuster auf veränderte Bedingungen reagieren — zentrale Zutaten für die unter Industry 5.0 vorgestellten Fabriken.

Zitation: Chen, Z. A hybrid evaluation model for intelligent manufacturing under uncertainties by integrating human-machine systems and automation strategies. Sci Rep 16, 10936 (2026). https://doi.org/10.1038/s41598-026-45749-x

Schlüsselwörter: intelligente Fertigung, Mensch‑Maschine‑Zusammenarbeit, Automatisierungsstrategie, Entscheidungsmodell, fuzzy‑Unsicherheit