תזמון רב-מטרות מבוסס ערפילי למערכות ייצור אדם–רובוט

מדוע אנשים ורובוטים חייבים לתכנן ביחד

מפעלים של היום מנהלים חיי מוצר קצרים, לקוחות צלנמניים והזמנות שמשתנות במהירות. רבים משלבים כיום עובדים אנושיים עם רובוטים שיתופיים כדי לשמור על גמישות. אך החלטה כמה לייצר, מתי לייצר ואילו משימות להקצות לאנשים או לרובוטים כבר אינה תרגיל גיליון אלקטרוני פשוט — במיוחד כאשר ההזמנות העתידיות וזמני המשימות אינם ודאיים. המחקר הזה מתמודד עם המצב המבלבל הזה באופן ישיר, ומציע דרך לתכנן את הייצור ולתזמן את העבודה המשותפת של אדם–רובוט כך שהשיקולים הכספיים, המהירות ואמינות ההספקה יאוזנו במקביל.

האתגר של ניבוי העתיד

יצרנים כמעט אף פעם אינם יודעים במדויק כמה יחידות הלקוחות יזמינו או כמה זמן תיקח כל משימה, במיוחד בייצור מותאם או בנפחים נמוכים. משימה עשויה להיות מהירה יותר על רובוט אך גמישה יותר עם אדם, וזמני מחזור אמיתיים משתנים עם תמהיל המוצרים, ניסיונם של העובדים ותקלות טכניות. כלי תכנון מסורתיים מניחים לעתים ערכים קבועים וידועים או נשענים על רשומות היסטוריות ארוכות לבניית מודלים הסתברותיים. בקווי ייצור משולבים אדם–רובוט רבים, אותן רשומות פשוט אינן קיימות. כתוצאה מכך חברות מסתכנות בייצור-יתר ובתשלום על מלאי עודף, או בייצור-חסר ובחשיפה למחסורים, עיכובי אספקה ועונשים כספיים.

תוכנית יחידה שרואה את כל המפעל

המחברים בונים מודל משולב הבוחן את המפעל בשני רמות בבת אחת. ברמת התכנון לטווח הבינוני הוא קובע כמה יחידות מכל מוצר לייצר בכל תקופה, כמה לאחסן וכמה חוסרים לקבל ולגבות כתורות (backorder). ברמת הייצור בשטח החנות הוא קובע אילו פעולות מבוצעות על-ידי אנשים או רובוטים בכל תחנת עבודה ובאיזה סדר. כל מוצר חייב לעבור דרך מספר תחנות, וכל תחנה יכולה לפעול על-ידי אדם או רובוט במהירויות ועלויות שונות. באמצעות טיפול בכמויות ייצור, מלאי, חוסרים, הקצאת משימות וסדרי עבודה כבעיה משולבת אחת, המודל לוכד את פשרות המערכת שבדרך כלל מפספסים כאשר תכנון ותזמון מטופלים בנפרד.

להבין מידע ערפילי

במקום להתיימר שדרישות וזמני עיבוד מדויקים, המחקר מתאר אותם כטווחים עם ערכים יותר או פחות סבירים — מה שנקרא מספרים ערפיליים. המחברים מיישמים לאחר מכן סכמה זהירה־מגמת סיכון שמטה למעשה לכיוון הצד הפסימי של אותם טווחים. גישה זו, המבוססת על "מגבלות אמינות" (credibility‑constrained), דורשת שהתוכניות יישארו ישימות ברמת אמונה נבחרת, למשל 80 אחוז, ללא צורך בהתפלגויות הסתברותיות מלאות. דרישות ערפיליות וזמני משימה מתורגמות לערכי קשיח זהירים, והמודל המתמטי שנוצר מבקש שלושה מטרות במקביל: למקסם את התשואה הכספית הכוללת (ערך נוכחי נקי), למזער את הזמן עד לסיום כל העבודות (makespan), ולמזער את סכום הפערים של איחור או הקדמה באספקת המוצרים.

חיפוש פשרות טובות

מכיוון שבעיית התכנון המשולבת של אדם–רובוט מורכבת מאוד וגדלה במהירות עם מספר המוצרים, התחנות והתקופות, שיטות מדויקות עובדות רק למקרים קטנים ופשוטים. המחברים מאמתים תחילה את המודל על דוגמאות קטנות באמצעות שיטה מתמטית מדויקת הנקראת שיטת אפסילון‑מגבלה (epsilon‑constraint). למפעלים גדולים וריאליים הם פונים לאחר מכן לשלוש שיטות חיפוש בהשראת טבע: NSGA‑II (אלגוריתם גנטי), MOPSO (אופטימיזציה בעזרת עומס חלקיקים), ו‑MOWOA (אלגוריתם בהשראת לווייתנים). שלושתם מפיקים מערכי פתרונות "פארטו" — פשרות שונות שבהן לא ניתן לשפר מטרה אחת מבלי להרע לאחרת. ב‑15 בעיות בדיקה ובמפעל אריזה אמיתי בסין, הגישה המבוססת על הלווייתן מצאה בעקביות אופציות מגוונות ומאוזנות יותר, והתקרבה לתמהיל האידיאלי של רווח, מהירות וביצועי אספקה.

מה המשמעויות של הפשרות בפועל

הפתרונות חושפים דפוסים ברורים שחשובים למנהלים. הסתמכות יותר על רובוטים מקצרת זמני סיום ומפחיתה אספקות מוקדמות או מאוחרות, אך עלויות רכישה ופרישה של רובוטים מורידות את הערך הנוכחי הנקי. אי‑ודאות גבוהה יותר בביקוש או בזמני המשימות נוטה להאריך ייצור, להעלות חוסרים ולפגוע בביצועים הכספיים. באופן מעניין, שינויים בריביות הבנק משפיעים בחוזקה על הערך הנוכחי הנקי דרך הניכיון של תזרימי מזומנים עתידיים אך כמעט ואינם משפיעים על לוחות הזמנים עצמם — מי עושה מה, מתי ועל איזו תחנה. בסך הכל, המחקר מראה שחלוקת תכנון יחד עם תזמון אדם–רובוט תחת אי‑ודאות יכולה לחשוף תרחישי תפעול יעילים ומציאותיים יותר מאשר טיפול בהחלטות אלה בנפרד.

מסקנה רחבה לקוראים שאינם מומחים

לקורא מן השורה, המסר פשוט: כאשר אנשים ורובוטים חולקים קו ייצור והעתיד מטושטש, חברות צריכות כלים שמתכננים את הכול ביחד — כמה לייצר, היכן לאחסן ומי מבצע כל שלב — תוך הכרה שהנתונים המרכזיים הם בקירוב בלבד. באמצעות שילוב גישה זהירה לטיפול באי‑ודאות עם אלגוריתמי חיפוש מתקדמים, עבודה זו מציעה למנהלי מפעלים תפריט של לוחות זמנים חכמים ומהםירים להסבר. כל אופציה מציגה את הפשרה בין הרווח הכספי, סיום העבודה במהירות ושמירה על אספקות קרובות לתאריכים המובטחים, ועוזרת להם לבחור את רמת הסיכון ושימוש הרובוטים המתאימה לאסטרטגיה ולתקציב.

ציטוט: Deng, Y., Huang, B. & Lai, S. Fuzzy-based multi-objective scheduling for human–robot manufacturing systems. Sci Rep 16, 11253 (2026). https://doi.org/10.1038/s41598-026-40004-9

מילות מפתח: שיתוף פעולה אדם–רובוט, תזמון ייצור, אופטימיזציה ערפילית, תכנון רב-מטרות, מערכות ייצור