Fuzzy-gebaseerde multi-objectieve planning voor mens–robot productiesystemen

Waarom mensen en robots samen moeten plannen

Fabrieken balanceren tegenwoordig korte productlevenscycli, veeleisende klanten en snel wijzigende orders. Veel bedrijven combineren daarom menselijke werknemers met collaboratieve robots om flexibel te blijven. Maar beslissen hoeveel te produceren, wanneer te produceren en welke taken aan mensen of robots toe te wijzen is geen simpel spreadsheet‑vraagstuk meer—zeker niet wanneer toekomstige orders en taakduur onzeker zijn. Deze studie pakt dat knooppunt direct aan en stelt een manier voor om productie en planning van mens–robot werkzaamheden te integreren, zodat geld, snelheid en leverbetrouwbaarheid tegelijk in balans worden gebracht.

De uitdaging van het raden van de toekomst

Fabrikanten weten zelden precies hoeveel eenheden klanten zullen bestellen of hoe lang elke klus duurt, met name bij klantgerichte, lage‑volume productie. Een taak kan sneller zijn op een robot maar flexibeler bij een mens, en werkcyclustijden veranderen door productmix, ervaring van werknemers en technische storingen. Traditionele planningsinstrumenten gaan vaak uit van vaste, bekende waarden of bouwen kansmodellen op basis van lange historische reeksen. In veel mens–robotlijnen bestaan die gegevens gewoon niet. Daardoor lopen bedrijven het risico te veel te produceren en te veel inventaris te hebben, of te weinig te produceren en te kampen met tekorten, late leveringen en boetekosten.

Een enkel plan dat de hele fabriek overziet

De auteurs bouwen een geïntegreerd model dat de fabriek op twee niveaus tegelijk bekijkt. Op het middenlange‑termijn planningsniveau beslist het model hoeveel eenheden van elk product in elke periode geproduceerd moeten worden, hoeveel opgeslagen moet worden en hoeveel tekorten en achterstanden worden geaccepteerd. Op het werkplaatsniveau bepaalt het welke operaties door mensen of robots op elk werkstation worden uitgevoerd en in welke volgorde. Elk product moet meerdere stations passeren en elk station kan door een mens of een robot worden bediend met verschillende snelheden en kosten. Door productiehoeveelheden, voorraad, tekorten, taaktoewijzing en volgorde van werkzaamheden als één gecombineerd probleem te behandelen, legt het model afwegingen bloot die vaak worden gemist wanneer planning en scheduling apart worden behandeld.

Zin krijgen in vage informatie

In plaats van te doen alsof vraag en bewerkingstijden precies bekend zijn, beschrijft de studie ze als bereiken met meer of minder plausibele waarden—zogenoemde fuzzy‑getallen. De auteurs passen vervolgens een risicomijdend schema toe dat in de praktijk de neiging heeft naar de pessimistischere kant van die bereiken te leunen. Deze "credibility‑geconstrueerde" aanpak vereist dat plannen haalbaar blijven met een gekozen betrouwbaarheidsniveau, bijvoorbeeld 80 procent, zonder terug te vallen op volledige kansverdelingen. Fuzzy vraag en bewerkingstijden worden omgezet in voorzichtige scherpe waarden, en het resulterende wiskundige model streeft naar drie doelen tegelijk: het maximaliseren van het totale financieel rendement (netto contante waarde), het minimaliseren van de tijd tot alle opdrachten zijn afgerond (makespan), en het minimaliseren van de som van vroege of late leveringen.

Zoeken naar goede compromissen

Aangezien het gecombineerde mens–robot planningsprobleem extreem complex is en snel groeit met het aantal producten, stations en perioden, werken exacte methoden alleen voor kleine voorbeeldgevallen. De auteurs valideren hun model eerst op kleine voorbeelden met een precieze wiskundige techniek genaamd de epsilon‑constraint methode. Voor realistische, grote fabrieken schakelen ze daarna over op drie door de natuur geïnspireerde zoekstrategieën: NSGA‑II (een genetisch algoritme), MOPSO (particle swarm optimalisatie) en MOWOA (een door walvissen geïnspireerd algoritme). Alle drie produceren verzamelingen "Pareto"‑oplossingen—verschillende compromissen waarbij geen enkel doel kan worden verbeterd zonder een ander te verslechteren. Over 15 testproblemen en een echte verpakkingsfabriek in China vindt de walvisgebaseerde aanpak consequent meer gevarieerde en beter uitgebalanceerde opties, dichter bij de ideale mix van winst, snelheid en leverprestaties.

Wat de afwegingen in de praktijk betekenen

De oplossingen onthullen duidelijke patronen die voor managers van belang zijn. Meer vertrouwen op robots verkort de voltooiingstijden en vermindert te vroege of te late leveringen, maar de aanschaf- en inzetkosten van robots drukken de netto contante waarde. Grotere onzekerheid in vraag of bewerkingstijden leidt meestal tot langere productie, meer tekorten en lagere financiële prestaties. Interessant genoeg beïnvloeden wijzigingen in bankrentes de netto contante waarde sterk via discontering van toekomstige kasstromen, maar hebben ze bijna geen effect op de feitelijke roosters—wie wat doet, wanneer en op welk station. Over het geheel genomen laat de studie zien dat het integreren van planning met mens–robot scheduling onder onzekerheid efficiëntere en realistischer bedrijfsscenario’s kan opleveren dan het apart nemen van deze beslissingen.

Belangrijkste conclusie voor niet‑specialisten

Voor de geïnteresseerde leek is de boodschap helder: wanneer mensen en robots een productielijn delen en de toekomst onduidelijk is, hebben bedrijven hulpmiddelen nodig die alles samen plannen—hoeveel te maken, waar het op te slaan en wie elke stap moet uitvoeren—terwijl erkend wordt dat belangrijke cijfers slechts bij benadering bekend zijn. Door een voorzichtige manier van omgaan met onzekerheid te combineren met geavanceerde zoekalgoritmen, biedt dit werk fabrieksmanagers een reeks slimme, uitlegbare planningen. Elke optie toont de afweging tussen meer winst, sneller afronden en leveringen dicht bij de beloofde data, en helpt hen het niveau van risico en robotgebruik te kiezen dat het beste bij hun strategie en budget past.

Bronvermelding: 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

Trefwoorden: mens–robot samenwerking, productieplanning, fuzzy optimalisatie, multi-objectieve planning, productiesystemen