Pianificazione multi-obiettivo basata su fuzzy per sistemi di produzione uomo–robot

Perché persone e robot devono pianificare insieme

Le fabbriche di oggi devono gestire cicli di vita dei prodotti brevi, clienti esigenti e ordini che cambiano rapidamente. Molte integrano ora lavoratori umani con robot collaborativi per mantenere flessibilità. Ma decidere quanto produrre, quando produrlo e quali compiti assegnare a persone o robot non è più un semplice esercizio da foglio di calcolo—soprattutto quando gli ordini futuri e i tempi di lavoro sono incerti. Questo studio affronta direttamente il problema, proponendo un modo per pianificare la produzione e programmare il lavoro uomo–robot in modo che redditività, velocità e affidabilità delle consegne siano bilanciate contemporaneamente.

La difficoltà di prevedere il futuro

I produttori raramente sanno con esattezza quante unità ordineranno i clienti o quanto durerà ciascun lavoro, soprattutto nelle produzioni personalizzate a basso volume. Un'operazione può essere più rapida su un robot ma più flessibile con una persona, e i tempi reali di ciclo variano con il mix di prodotto, l'esperienza degli operatori e problemi tecnici. Gli strumenti di pianificazione tradizionali spesso assumono numeri fissi e noti o si basano su lunghi archivi storici per costruire modelli probabilistici. In molte linee uomo–robot, quei dati semplicemente non esistono. Di conseguenza, le aziende rischiano di sovraprodurre e sostenere costi per scorte eccessive, oppure di sotto-produrre e affrontare carenze, consegne in ritardo e penali.

Un unico piano che guarda l'intera fabbrica

Gli autori costruiscono un modello integrato che osserva la fabbrica su due livelli contemporaneamente. A livello di pianificazione di medio periodo, decide quante unità di ciascun prodotto produrre in ogni periodo, quanto stoccare e quanto shortage tollerare e posticipare. A livello di reparto, determina quali operazioni sono svolte da umani o robot in ciascuna postazione e in quale sequenza. Ogni prodotto deve passare attraverso più stazioni, e ogni stazione può essere gestita da un umano o da un robot con velocità e costi differenti. Trattando quantità di produzione, inventario, shortage, assegnazione dei compiti e ordine delle operazioni come un unico problema combinato, il modello cattura i compromessi che di solito vengono persi quando pianificazione e schedulazione sono trattate separatamente.

Dare senso alle informazioni fuzzy

Invece di fingere che domanda e tempi di lavorazione siano precisi, lo studio li descrive come intervalli con valori più o meno plausibili—i cosiddetti numeri fuzzy. Gli autori applicano quindi uno schema avverso al rischio che, di fatto, tende verso il lato più pessimista di quegli intervalli. Questo approccio “vincolato per credibilità” richiede che i piani rimangano realizzabili con un livello di fiducia scelto, per esempio l'80%, senza ricorrere a distribuzioni di probabilità complete. Domanda e tempi fuzzy vengono tradotti in valori cautelativi definiti, e il modello matematico risultante persegue tre obiettivi contemporaneamente: massimizzare il ritorno economico complessivo (valore attuale netto), minimizzare il tempo fino al completamento di tutti i lavori (makespan) e minimizzare la somma degli anticipi e dei ritardi nelle consegne.

Cercare buoni compromessi

Poiché il problema combinato di pianificazione uomo–robot è estremamente complesso e cresce rapidamente con il numero di prodotti, stazioni e periodi, i metodi esatti funzionano solo per casi di piccole dimensioni. Gli autori convalidano prima il loro modello su esempi piccoli utilizzando una tecnica matematica precisa chiamata metodo degli epsilon‑vincoli. Per fabbriche realistiche e di grandi dimensioni, ricorrono poi a tre strategie di ricerca ispirate alla natura: NSGA‑II (un algoritmo genetico), MOPSO (ottimizzazione per sciame di particelle) e MOWOA (un algoritmo ispirato alle balene). Tutti e tre producono insiemi di soluzioni “Pareto”—diversi compromessi in cui nessun obiettivo può essere migliorato senza peggiorarne un altro. Su 15 problemi di test e in un impianto di packaging reale in Cina, l'approccio basato sulle balene trova costantemente opzioni più diverse e meglio bilanciate, avvicinandosi di più al mix ideale di profitto, velocità e performance di consegna.

Cosa significano i compromessi nella pratica

Le soluzioni rivelano schemi chiari di interesse per i manager. Affidarsi maggiormente ai robot riduce i tempi di completamento e diminuisce anticipi o ritardi nelle consegne, ma i costi di acquisto e impiego dei robot riducono il valore attuale netto. Una maggiore incertezza nella domanda o nei tempi di lavorazione tende ad allungare la produzione, aumentare gli shortage e peggiorare la performance finanziaria. È interessante notare che variazioni nei tassi d'interesse bancari influenzano fortemente il valore attuale netto tramite lo sconto dei flussi di cassa futuri, ma hanno quasi nessun impatto sui programmi effettivi—chi fa cosa, quando e su quale postazione. In generale, lo studio mostra che integrare pianificazione e schedulazione uomo–robot sotto incertezza può scoprire scenari operativi più efficienti e realistici rispetto a trattare queste decisioni separatamente.

Conclusione di ampio respiro per non specialisti

Per un lettore non tecnico, il messaggio è semplice: quando persone e robot condividono una linea di produzione e il futuro è incerto, le aziende hanno bisogno di strumenti che pianifichino tutto insieme—quanto produrre, dove immagazzinarlo e chi deve eseguire ogni fase—riconoscendo che i numeri chiave sono solo approssimativi. Combinando un modo prudente di gestire l'incertezza con algoritmi di ricerca avanzati, questo lavoro offre ai responsabili di fabbrica un menu di programmi intelligibili e spiegabili. Ogni opzione mostra il compromesso tra guadagnare più denaro, finire il lavoro più in fretta e mantenere le consegne vicine alle date promesse, aiutandoli a scegliere il livello di rischio e l'uso di robot che meglio si adatta alla loro strategia e al loro budget.

Citazione: 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

Parole chiave: collaborazione uomo–robot, pianificazione della produzione, ottimizzazione fuzzy, pianificazione multi-obiettivo, sistemi di produzione