Een hybride evaluatiemodel voor intelligente productie onder onzekerheden door integratie van mens‑machine systemen en automatiseringsstrategieën

Waarom slimere fabrieken slimere keuzes nodig hebben

Naarmate fabrieken voller raken met robots, sensoren en AI, staan managers voor een schijnbaar eenvoudige vraag: hoeveel moeten we automatiseren en hoeveel moeten we nog op mensen vertrouwen? Het antwoord is zelden eenduidig. Werkelijke productielijnen zijn lawaaierige, onvoorspelbare omgevingen waar menselijk vertrouwen, veiligheid en werklast net zo belangrijk zijn als snelheid en kosten. Dit artikel introduceert een nieuwe manier om verschillende automatiseringsopstellingen te beoordelen die deze rommelige realiteit meeneemt, en helpt besluitvormers configuraties te kiezen die efficiënt, veerkrachtig en daadwerkelijk mensgericht zijn.

De uitdaging van het beoordelen van mens‑machine samenwerking

Moderne “intelligente productie” systemen mengen mensen, robots en digitale hulpmiddelen. Het evalueren van zulke systemen is moeilijk omdat veel van de belangrijkste factoren — operatorvertrouwen, ervaren veiligheid, gemak van samenwerking — subjectief zijn en in de loop van de tijd veranderen. Tegelijk sturen fabrieken enorme hoeveelheden data van sensoren en cyber‑fysieke systemen die onvolledig of ruisachtig kunnen zijn. Traditionele beoordelingsmethoden leunen ofwel op starre checklists, of zijn sterk afhankelijk van experts, of kijken alleen naar numerieke prestaties. Geen van deze benaderingen kan tegelijk verschuivende menselijke percepties, conflicterende criteria en harde data vastleggen — en juist die combinatie vereist Industry 5.0, met zijn nadruk op mensgerichte en veerkrachtige productie.

Een nieuwe kijk op onzekerheid in expertschattings

De eerste innovatie van de studie is een wiskundige lens voor het beschrijven van expertschattings, genaamd circulaire sferische fuzzy sets. Eenvoudig gezegd: in plaats van een ingenieur te dwingen een optie simpelweg als “goed” of “slecht” te labelen, laat de methode hen uitdrukken hoe sterk iets goed lijkt, hoe sterk het niet goed lijkt, hoe onzeker ze zijn, en hoe hun vertrouwen heen en weer kan schommelen. Bijvoorbeeld, het vertrouwen van een operator in een collaboratieve robot kan groeien naarmate de productiviteit stijgt, sterk dalen na een bijna‑botsing en daarna langzaam herstellen na bijscholing. Dit soort cyclische aarzeling kan eerdere fuzzy‑hulpmiddelen, die veronderstellen dat onzekerheid in een rechte lijn beweegt, niet goed aan. De circulaire uitbreiding voegt een richtingselement toe, bijna als een kompas, dat aarzeling beter weergeeft naarmate mensen hun oordeel herzien terwijl situaties evolueren.

Het afwegen van intuïtie en harde cijfers

Om deze rijke maar rommelige meningen om te zetten in duidelijke rangschikkingen van automatiseringsopties combineert de auteur twee besluitvormingstechnieken in één hybride model. Eén deel, CRITIC genoemd, kijkt naar de data en bepaalt welke criteria werkelijk gewicht hebben door te zien hoeveel ze variëren en hoe sterk ze met elkaar conflicteren. Een ander deel, MAIRCA, vergelijkt elke optie met een denkbeeldige “ideale” set scores en meet hoe ver deze er vanaf valt. De circulaire fuzzy‑evaluaties van experts worden eerst omgezet in speciaal ontworpen numerieke scores zodat CRITIC erop kan werken zonder de onderliggende onzekerheid weg te gooien. Samen mikken deze drieën — circulaire fuzzymodellering, data‑gestuurde weging en ideaal‑tegen‑werkelijkheid vergelijking — op een evenwicht tussen menselijke inzichten en objectieve structuur.

Het model toepassen in een proeffabriek

Om te laten zien hoe het kader werkt, loopt het artikel door een hypothetisch geval van een middelgrote fabrikant die kiest tussen vier automatiseringsontwerpen: een semi‑geautomatiseerde hybride lijn, een door operator geleide cyber‑fysieke installatie, een volledig geautomatiseerde lijn en een collaboratieve robotopstelling. Acht criteria combineren economische, technische en menselijke zorgen, waaronder kosten, efficiëntie, flexibiliteit, integratie van menselijke factoren, veiligheid, onderhoudslast, betrouwbaarheid en datagebruik. Experts beoordelen elke optie met linguïstische termen als “hoog” of “gemiddeld,” die worden vertaald naar circulaire fuzzywaarden. De hybride methode berekent vervolgens hoe belangrijk elk criterium is, stelt een ideaal referentiekader op, meet hoe ver elke optie van dat ideaal afwijkt en rangschikt ze dienovereenkomstig. In deze test komt de semi‑geautomatiseerde hybride lijn als beste uit de bus, grotendeels omdat deze stevig presteert over alle criteria heen zonder grote zwakke punten, terwijl opties die maximale automatisering nastreven een prijs betalen in integratie van menselijke factoren en complexiteit.

Hoe dit beslissingen in echte fabrieken verandert

Buiten het voorbeeld vergelijkt de studie het hybride model met gangbare methoden zoals AHP en TOPSIS en met fuzzy varianten van deze tools. Die klassiekers zijn makkelijker toe te passen maar gevoelig voor onstabiele rangordes en zwakke omgang met onzekerheid. Daarentegen laat de nieuwe aanpak stabielere ranglijsten zien wanneer sleutelparameters worden gevarieerd en kan beter onderscheiden tussen dicht bij elkaar liggende alternatieven, vooral wanneer expertaarzeling sterk contextafhankelijk is. De auteur merkt voorzichtig op dat de huidige resultaten gebaseerd zijn op synthetische data en dat volledige validatie op echte productielijnen toekomstig werk is. Toch wijst het kader op besluitvormingshulpmiddelen die fabrieken zien als socio‑technische systemen, waar mensen en machines zich in de loop van de tijd gezamenlijk aanpassen.

Wat dit betekent voor de toekomst van werk en automatisering

Simpel gezegd is de conclusie van het artikel dat beslissingen over automatisering noch menselijk oordeel moeten negeren, noch het moeten verdrinken in data. In plaats daarvan zouden ze expliciet moeten modelleren hoe de opvattingen van mensen verschuiven naarmate ze ervaring opdoen, incidenten tegenkomen en zich aanpassen aan nieuwe technologie. Het voorgestelde model biedt een gestructureerde manier om dit te doen, terwijl het ook rekening houdt met kosten, veiligheid, flexibiliteit en digitale mogelijkheden. Als dergelijke instrumenten verstandig worden gebruikt, zouden bedrijven automatiseringsstrategieën kunnen kiezen die niet alleen op papier efficiënt zijn, maar ook worden vertrouwd door werknemers, veiliger in de praktijk en robuuster wanneer omstandigheden veranderen — sleutelcomponenten voor de fabrieken die onder Industry 5.0 worden voorgesteld.

Bronvermelding: 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

Trefwoorden: intelligente productie, mens‑machine samenwerking, automatiseringsstrategie, beslissingsmodel, vage onzekerheid