Un modèle d’évaluation hybride pour la fabrication intelligente en conditions d’incertitude intégrant systèmes homme‑machine et stratégies d’automatisation

Pourquoi des usines plus intelligentes exigent des choix plus intelligents

À mesure que les usines se remplissent de robots, de capteurs et d’IA, les responsables sont confrontés à une question apparemment simple : jusqu’où automatiser et dans quelle mesure continuer à s’appuyer sur les personnes ? La réponse est rarement tranchée. Les lignes de production réelles sont des environnements bruyants et imprévisibles où la confiance des opérateurs, la sécurité et la charge de travail comptent autant que la vitesse et le coût. Cet article présente une nouvelle manière d’évaluer différentes configurations d’automatisation qui prend en compte cette réalité complexe, aidant les décideurs à choisir des configurations efficaces, résilientes et véritablement centrées sur l’humain.

Le défi d’évaluer le travail d’équipe homme–machine

Les systèmes modernes de « fabrication intelligente » mêlent personnes, robots et outils numériques. Leur évaluation est difficile parce que nombre des facteurs les plus importants — la confiance de l’opérateur, la sécurité perçue, la facilité de collaboration — sont subjectifs et évoluent dans le temps. Parallèlement, les usines génèrent des océans de données issues de capteurs et de systèmes cyber‑physiques qui peuvent être incomplètes ou bruitées. Les approches classiques s’appuient soit sur des listes de contrôle rigides, soit sur l’avis d’experts, soit uniquement sur des performances numériques. Aucune ne capture simultanément les perceptions humaines changeantes, les critères conflictuels et les données concrètes — or c’est précisément ce que réclame l’Industrie 5.0, avec son accent sur une production résiliente et centrée sur l’humain.

Un nouvel angle sur l’incertitude dans le jugement expert

La première innovation de l’étude est une lentille mathématique pour décrire l’avis des experts, appelée ensembles flous sphériques circulaires. En termes simples, au lieu d’obliger un ingénieur à étiqueter une option simplement comme « bonne » ou « mauvaise », la méthode lui permet d’exprimer à quel point elle semble bonne, à quel point elle semble pas bonne, son incertitude, et la façon dont sa confiance peut osciller. Par exemple, la confiance d’un opérateur envers un robot collaboratif peut augmenter avec la productivité, chuter brusquement après un quasi‑accident, puis se rétablir lentement après une remise à niveau. Ce type d’hésitation cyclique ne peut pas être bien traité par les outils flous antérieurs, qui supposent que l’incertitude évolue en ligne droite. L’extension circulaire ajoute un élément directionnel, presque comme une boussole, à l’hésitation, reflétant mieux la manière dont les personnes révisent leurs jugements au fil des évolutions.

Faire coexister l’intuition et les chiffres

Pour transformer ces opinions riches mais désordonnées en classements clairs d’options d’automatisation, l’auteur combine deux techniques de décision dans un modèle hybride unique. Une partie, appelée CRITIC, analyse les données et détermine quelles critères pèsent réellement en évaluant leur variabilité et leurs conflits mutuels. L’autre, MAIRCA, compare chaque option à un ensemble de scores « idéaux » imaginé et mesure l’écart. Les évaluations floues circulaires des experts sont d’abord converties en scores numériques spécialement conçus afin que CRITIC puisse les exploiter sans perdre l’incertitude sous‑jacente. Ensemble, ce trio — modélisation floue circulaire, pondération pilotée par les données et comparaison idéal‑vs‑réel — vise à trouver un équilibre entre l’intuition humaine et une structure objective.

Application du modèle dans une usine test

Pour montrer le comportement du cadre, l’article présente un cas hypothétique d’un fabricant de taille moyenne choisissant parmi quatre conceptions d’automatisation : une ligne hybride semi‑automatisée, un système cyber‑physique guidé par l’opérateur, une ligne entièrement automatisée et un scénario avec robot collaboratif. Huit critères mêlent enjeux économiques, techniques et humains, incluant coût, efficacité, flexibilité, intégration des facteurs humains, sécurité, charge de maintenance, fiabilité et utilisation des données. Des experts notent chaque option à l’aide de termes linguistiques comme « élevé » ou « moyen », lesquels sont traduits en valeurs floues circulaires. La méthode hybride calcule ensuite l’importance de chaque critère, construit un repère idéal, mesure l’écart de chaque option par rapport à cet idéal et les classe en conséquence. Dans ce test, la ligne hybride semi‑automatisée arrive en tête, principalement parce qu’elle présente des performances solides sur l’ensemble des critères sans faiblesses majeures, tandis que les options visant une automatisation maximale payent le prix en intégration des facteurs humains et en complexité.

Ce que cela change pour les décisions en usine

Au‑delà de l’exemple, l’étude compare son modèle hybride à des méthodes populaires telles que AHP et TOPSIS ainsi qu’à des variantes floues de ces outils. Ces classiques sont plus faciles à appliquer mais sujets à des classements instables et à une faible gestion de l’incertitude. En revanche, la nouvelle approche montre des classements plus stables lorsque des paramètres clés varient et peut mieux distinguer des alternatives proches, surtout lorsque l’hésitation des experts dépend fortement du contexte. L’auteur précise que les résultats actuels reposent sur des données synthétiques et que la validation complète sur des lignes de production réelles constitue un travail futur. Néanmoins, le cadre ouvre la voie à des outils de décision qui considèrent les usines comme des systèmes sociotechniques, où personnes et machines co‑adaptent au fil du temps.

Ce que cela signifie pour l’avenir du travail et de l’automatisation

Concrètement, la conclusion de l’article est que les décisions d’automatisation ne devraient ni ignorer le jugement humain ni l’étouffer sous un flot de données. Elles devraient au contraire modéliser explicitement la façon dont les opinions des personnes évoluent à mesure qu’elles acquièrent de l’expérience, rencontrent des incidents et s’adaptent aux nouvelles technologies. Le modèle proposé offre un moyen structuré d’y parvenir, tout en tenant compte des coûts, de la sécurité, de la flexibilité et des capacités numériques. Bien utilisé, un tel outil pourrait aider les entreprises à choisir des stratégies d’automatisation non seulement efficaces sur le papier, mais aussi dignes de la confiance des travailleurs, plus sûres en pratique et plus robustes face aux changements — ingrédients clés des usines imaginées par l’Industrie 5.0.

Citation: 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

Mots-clés: fabrication intelligente, collaboration homme‑machine, stratégie d’automatisation, modèle de prise de décision, incertitude floue