Agendamento multiobjetivo baseado em fuzzy para sistemas de fabricação humano–robô

Por que pessoas e robôs devem planejar juntos

As fábricas atuais lidam com ciclos de vida curtos de produtos, clientes exigentes e pedidos que mudam rapidamente. Muitas agora combinam trabalhadores humanos com robôs colaborativos para manter a flexibilidade. Mas decidir quanto produzir, quando produzir e quais tarefas devem ser feitas por pessoas ou por robôs deixou de ser um simples exercício de planilha — especialmente quando pedidos futuros e tempos de tarefa são incertos. Este estudo aborda esse emaranhado diretamente, propondo uma forma de planejar a produção e agendar o trabalho humano–robô de modo que custo, rapidez e confiabilidade de entrega sejam equilibrados simultaneamente.

O desafio de prever o futuro

Os fabricantes raramente sabem exatamente quantas unidades os clientes irão pedir ou quanto tempo cada trabalho vai levar, particularmente em produção personalizada de baixo volume. Uma tarefa pode ser mais rápida em um robô, mas mais flexível com uma pessoa, e os tempos reais de ciclo mudam conforme a mistura de produtos, a experiência do trabalhador e percalços técnicos. Ferramentas tradicionais de planejamento costumam assumir números fixos e conhecidos ou depender de históricos longos para construir modelos de probabilidade. Em muitas linhas humano–robô, esses registros simplesmente não existem. Como resultado, as empresas correm o risco de produzir em excesso e arcar com inventário excedente, ou de produzir de menos e enfrentar faltas, entregas atrasadas e penalidades.

Um plano único que vê a fábrica inteira

Os autores constroem um modelo integrado que observa a fábrica em dois níveis simultaneamente. No nível de planejamento de médio prazo, decide quantas unidades de cada produto fabricar em cada período, quanto armazenar e quanto de falta tolerar e colocar em atraso (backorder). No nível de chão de fábrica, determina quais operações são feitas por humanos ou por robôs em cada posto de trabalho e em que sequência. Cada produto deve passar por várias estações, e cada estação pode ser operada por um humano ou por um robô com velocidades e custos diferentes. Ao tratar quantidades de produção, estoque, faltas, atribuição de tarefas e sequência de jobs como um problema combinado, o modelo captura trade‑offs que costumam passar despercebidos quando planejamento e agendamento são tratados separadamente.

Fazendo sentido da informação fuzzy

Em vez de fingir que demanda e tempos de processamento são precisos, o estudo os descreve como intervalos com valores mais ou menos plausíveis — os chamados números fuzzy. Os autores então aplicam um esquema avesso a risco que, na prática, tende para o lado mais pessimista desses intervalos. Essa abordagem “constrangida por credibilidade” exige que os planos permaneçam viáveis com um nível de crença escolhido, por exemplo 80%, sem recorrer a distribuições de probabilidade completas. Demandas e tempos fuzzy são traduzidos em valores cautelosos e crisp, e o modelo matemático resultante busca três objetivos ao mesmo tempo: maximizar o retorno financeiro total (valor presente líquido), minimizar o tempo até todos os jobs serem finalizados (makespan) e minimizar a soma dos adiantamentos e atrasos nas entregas.

Procurando bons compromissos

Como o problema combinado de planejamento humano–robô é extremamente complexo e cresce rapidamente com o número de produtos, estações e períodos, métodos exatos funcionam apenas para casos pequenos. Os autores primeiro validam seu modelo em exemplos reduzidos usando uma técnica matemática precisa chamada método epsilon‑constraint. Para fábricas realistas e de grande porte, recorrem então a três estratégias de busca inspiradas na natureza: NSGA‑II (um algoritmo genético), MOPSO (otimização por enxame de partículas) e MOWOA (um algoritmo inspirado em baleias). Os três produzem conjuntos de soluções de Pareto — diferentes compromissos em que nenhum objetivo pode ser melhorado sem piorar outro. Em 15 problemas-teste e em uma planta de embalagem real na China, a abordagem baseada em baleias encontrou consistentemente opções mais diversas e melhor equilibradas, aproximando‑se mais do mix ideal entre lucro, rapidez e desempenho de entrega.

O que os trade‑offs significam na prática

As soluções revelam padrões claros que importam para gestores. Confiar mais em robôs encurta os tempos de conclusão e reduz adiantamentos ou atrasos nas entregas, mas os custos de compra e implantação de robôs reduzem o valor presente líquido. Maior incerteza na demanda ou nos tempos de tarefa tende a alongar a produção, aumentar faltas e rebaixar o desempenho financeiro. Curiosamente, variações nas taxas de juros afetam fortemente o valor presente líquido via desconto de fluxos de caixa futuros, mas têm pouco impacto nos cronogramas reais — quem faz o quê, quando e em qual estação. No geral, o estudo mostra que integrar planejamento com agendamento humano–robô sob incerteza pode revelar cenários operacionais mais eficientes e realistas do que tratar essas decisões separadamente.

Conclusão geral para não especialistas

Para o leitor leigo, a mensagem é direta: quando pessoas e robôs compartilham uma linha de produção e o futuro é incerto, as empresas precisam de ferramentas que planejem tudo junto — quanto produzir, onde armazenar e quem deve executar cada etapa — reconhecendo que números-chave são apenas aproximados. Ao combinar uma forma cautelosa de lidar com a incerteza com algoritmos avançados de busca, este trabalho oferece aos gestores de fábrica um leque de agendas inteligentes e explicáveis. Cada opção mostra o trade‑off entre ganhar mais dinheiro, terminar o trabalho mais rápido e manter as entregas próximas às datas prometidas, ajudando-os a escolher o nível de risco e de uso de robôs que melhor se adapta à estratégia e ao orçamento.

Citação: 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

Palavras-chave: colaboração humano–robô, agendamento de produção, otimização fuzzy, planejamento multiobjetivo, sistemas de manufatura