Hybrydowy model oceny dla inteligentnej produkcji w warunkach niepewności poprzez integrację systemów człowiek‑maszyna i strategii automatyzacji

Dlaczego mądrzejsze fabryki potrzebują mądrzejszych wyborów

W miarę jak fabryki wypełniają się robotami, czujnikami i systemami sztucznej inteligencji, menedżerowie stają przed pozornie prostym pytaniem: ile powinniśmy zautomatyzować, a na ile polegać nadal na ludziach? Odpowiedź rzadko jest jednoznaczna. Rzeczywiste linie produkcyjne to hałaśliwe, nieprzewidywalne środowiska, w których zaufanie operatorów, bezpieczeństwo i obciążenie pracą mają taką samą wagę jak prędkość i koszty. Artykuł przedstawia nowy sposób oceny różnych konfiguracji automatyzacji, który uwzględnia tę złożoną rzeczywistość, pomagając decydentom wybierać rozwiązania wydajne, odporne i faktycznie zorientowane na człowieka.

Wyzwanie oceny współpracy człowiek–maszyna

Nowoczesne systemy „inteligentnej produkcji” łączą ludzi, roboty i narzędzia cyfrowe. Ocena takich systemów jest trudna, ponieważ wiele z najważniejszych czynników — zaufanie operatora, postrzegane bezpieczeństwo, łatwość współpracy — jest subiektywnych i zmienia się w czasie. Równocześnie fabryki generują ogromne ilości danych z czujników i systemów cyberfizycznych, które mogą być niepełne lub zaszumione. Tradycyjne metody punktacji opierają się albo na sztywnych listach kontrolnych, albo mocno na opiniach ekspertów, albo patrzą tylko na wyniki liczbowe. Żadna z nich nie potrafi jednocześnie uchwycić zmieniających się ocen ludzi, sprzecznych kryteriów i twardych danych — a właśnie takie połączenie wymaga Industry 5.0, z jego naciskiem na produkcję zorientowaną na człowieka i odporną na zakłócenia.

Nowe spojrzenie na niepewność w ocenie ekspertów

Pierwszą innowacją badania jest matematyczne narzędzie do opisywania opinii ekspertów, zwane okrągłymi sferycznymi zbiorami rozmytymi. Mówiąc prostymi słowami, zamiast zmuszać inżyniera do oznaczenia opcji jako „dobra” lub „zła”, metoda pozwala wyrazić, jak mocno wydaje się ona dobra, jak mocno wydaje się nie-dobra, jak bardzo jest się niepewnym oraz jak ich pewność może oscylować. Na przykład zaufanie operatora do robota współpracującego może rosnąć wraz ze wzrostem wydajności, gwałtownie spadać po bliskim incydencie kolizyjnym, a potem powoli się odbudowywać po szkoleniu. Tego rodzaju cykliczne wahania nie są dobrze obsługiwane przez wcześniejsze narzędzia rozmyte, które zakładają liniowy przebieg niepewności. Rozszerzenie okrągłe dodaje kierunkowy, niemal kompasowy element wahania, lepiej odzwierciedlając sposób, w jaki ludzie rewizują swoje oceny w miarę zmiany sytuacji.

Zrównoważenie intuicji i twardych liczb

Aby przekształcić te bogate, lecz nieuporządkowane opinie w jasne rankingi opcji automatyzacji, autor łączy dwie techniki decyzyjne w jeden hybrydowy model. Jedna część, nazwana CRITIC, analizuje dane i określa, które kryteria rzeczywiście mają wagę, widząc, jak bardzo się różnicują i jak silnie ze sobą kolidują. Druga część, MAIRCA, porównuje każdą opcję z wyobrażonym „idealnym” zestawem ocen i mierzy, jak daleko od niego odstaje. Okrągłe rozmyte oceny ekspertów są najpierw konwertowane na specjalnie zaprojektowane wartości liczbowe, tak aby CRITIC mógł na nich operować bez utraty istoty niepewności. Razem ta trójka — modelowanie okrągłe rozmyte, ważenie sterowane danymi oraz porównanie ideału z rzeczywistością — dąży do znalezienia równowagi między ludzkim wglądem a obiektywną strukturą.

Wdrożenie modelu w testowej fabryce

Aby pokazać, jak działa ramy, artykuł przeprowadza hipotetyczny przypadek średniej wielkości producenta wybierającego spośród czterech rozwiązań automatyzacji: linii półzautomatyzowanej hybrid, systemu cyberfizycznego kierowanego przez operatora, w pełni zautomatyzowanej linii oraz scenariusza z robotami współpracującymi. Osiem kryteriów łączy aspekty ekonomiczne, techniczne i ludzkie, w tym koszt, wydajność, elastyczność, integrację czynników ludzkich, bezpieczeństwo, obciążenie konserwacyjne, niezawodność i wykorzystanie danych. Eksperci oceniają każdą opcję używając terminów lingwistycznych, takich jak „wysoko” czy „średnio”, które są tłumaczone na okrągłe wartości rozmyte. Metoda hybrydowa następnie oblicza, jak ważne jest każde kryterium, tworzy wzorzec idealny, mierzy, jak bardzo każda opcja od niego odstaje, i klasyfikuje je w kolejności. W tym teście zwycięża linia półzautomatyzowana hybrid, głównie dlatego, że radzi sobie solidnie we wszystkich kryteriach bez poważnych słabości, podczas gdy opcje dążące do maksymalnej automatyzacji płacą cenę w integracji czynników ludzkich i złożoności.

Jak to zmienia decyzje w realnych fabrykach

Ponad przykładem, badanie porównuje swój model hybrydowy z popularnymi metodami, takimi jak AHP i TOPSIS, oraz z ich rozmytymi wariantami. Te klasyczne metody są łatwiejsze do zastosowania, ale podatne na niestabilne rankingi i słabe radzenie sobie z niepewnością. W przeciwieństwie do nich nowe podejście pokazuje stabilniejsze rankingi przy zmianie kluczowych parametrów i potrafi lepiej rozróżniać opcje blisko ze sobą zbliżone, zwłaszcza gdy wahania ekspertów są silnie zależne od kontekstu. Autor zaznacza ostrożnie, że obecne wyniki oparte są na danych syntetycznych i że pełne walidacje na rzeczywistych liniach produkcyjnych są pracą na przyszłość. Mimo to ramy wskazują drogę do narzędzi decyzyjnych, które postrzegają fabryki jako systemy społeczno‑techniczne, gdzie ludzie i maszyny współadaptują się w czasie.

Co to oznacza dla przyszłości pracy i automatyzacji

Mówiąc prosto, wniosek artykułu jest taki, że decyzje dotyczące automatyzacji nie powinny ani ignorować osądu ludzkiego, ani topić go w danych. Zamiast tego powinny explicite modelować, jak poglądy ludzi zmieniają się wraz z doświadczeniem, występowaniem incydentów i adaptacją do nowych technologii. Proponowany model zapewnia uporządkowany sposób, by to robić, jednocześnie uwzględniając koszty, bezpieczeństwo, elastyczność i zdolności cyfrowe. Używany roztropnie, taki zestaw narzędzi może pomóc firmom wybierać strategie automatyzacji, które nie tylko są efektywne na papierze, lecz także zyskują zaufanie pracowników, są bezpieczniejsze w praktyce i bardziej odporne na zmiany warunków — kluczowe składniki dla fabryk wyobrażanych w ramy Industry 5.0.

Cytowanie: 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

Słowa kluczowe: inteligentna produkcja, współpraca człowiek–maszyna, strategia automatyzacji, model podejmowania decyzji, niepewność rozmyta