Гибридная модель оценки интеллектуального производства при неопределённостях с интеграцией человеко‑машинных систем и стратегий автоматизации

Почему более умным фабрикам нужны более разумные решения

По мере того как фабрики наполняются роботами, датчиками и ИИ, перед управляющими встает на вид простая, но обманчивая дилемма: сколько автоматизировать, а на сколько полагаться на людей? Ответ редко бывает однозначным. Реальные производственные линии — шумные, непредсказуемые среды, где доверие людей, безопасность и нагрузка важны так же, как скорость и затраты. В статье представлен новый подход к оценке вариантов автоматизации, учитывающий эту сложную реальность и помогающий принимать решения о конфигурациях, которые эффективны, устойчивы и действительно ориентированы на человека.

Сложность оценки командной работы человека и машины

Современные системы «интеллектуального производства» объединяют людей, роботов и цифровые инструменты. Оценить такие системы сложно, потому что многие ключевые факторы — доверие оператора, ощущение безопасности, удобство взаимодействия — субъективны и меняются со временем. Одновременно фабрики генерируют потоки данных с датчиков и кибер‑физических систем, которые могут быть неполными или шумными. Традиционные методы оценки опираются либо на жёсткие чек‑листы, либо сильно зависят от экспертных мнений, либо учитывают лишь числовые показатели. Ни один из них не способен одновременно захватить меняющееся восприятие людей, противоречивые критерии и жесткие данные — а именно такое сочетание требует Industry 5.0 с её акцентом на человеко‑ориентированное и устойчивое производство.

Новый взгляд на неопределённость в экспертных суждениях

Первое новшество исследования — математический инструмент для описания экспертного мнения, называемый круговыми сферическими нечеткими множествами. Проще говоря, вместо того чтобы заставлять инженера пометить вариант просто как «хороший» или «плохой», метод позволяет выразить, насколько сильно он кажется хорошим, насколько сильно кажется нехорошим, насколько эксперт не уверен и как его уверенность может колебаться. Например, доверие оператора к коллаборативному роботу может расти с повышением производительности, резко падать после почти‑столкновения и затем постепенно восстанавливаться после перенастройки и обучения. Такая циклическая нерешительность плохо ложится на традиционные нечеткие модели, которые предполагают линейное движение неопределённости. Круговое расширение вводит направленный, почти компасный аспект колебания, лучше отражая то, как люди пересматривают суждения по мере развития ситуации.

Баланс между интуицией и жёсткими данными

Чтобы превратить такие богатые, но неструктурированные мнения в однозначные ранжирования вариантов автоматизации, автор объединяет два метода принятия решений в единую гибридную модель. Одна часть, CRITIC, анализирует данные и определяет, какие критерии действительно имеют вес, исходя из их изменчивости и степени противоречия между ними. Другая часть, MAIRCA, сравнивает каждый вариант с воображаемым «идеальным» набором оценок и измеряет расстояние до него. Круговые нечеткие оценки экспертов сначала переводятся в специально разработанные числовые показатели, чтобы CRITIC мог работать с ними, не теряя заложенной неопределённости. В совокупности эта тройка — круговое нечеткое моделирование, взвешивание на основе данных и сравнение с идеалом — стремится найти баланс между человеческой интуицией и объективной структурой.

Применение модели на экспериментальном заводе

Чтобы показать поведение фреймворка, в статье рассмотрён гипотетический случай среднего производителя, выбирающего среди четырёх вариантов автоматизации: полуавтоматическая гибридная линия, кибер‑физическая система под управлением оператора, полностью автоматизированная линия и сценарий с коллаборативными роботами. Восемь критериев смешивают экономические, технические и человеческие соображения: стоимость, эффективность, гибкость, интеграция человеческого фактора, безопасность, нагрузка на обслуживание, надёжность и использование данных. Эксперты оценивают каждый вариант лингвистическими терминами вроде «высоко» или «средне», которые переводятся в круговые нечеткие значения. Гибридный метод затем вычисляет важность каждого критерия, строит идеальный эталон, измеряет отклонение каждого варианта от этого идеала и ранжирует их. В этом тесте полуавтоматическая гибридная линия оказывается в лидерах главным образом потому, что демонстрирует устойчивые результаты по всем критериям без серьёзных слабостей, тогда как варианты, ориентированные на максимальную автоматизацию, платят ценой за интеграцию человеческого фактора и возрастание сложности.

Как это меняет решения на реальных производствах

Помимо примера, исследование сравнивает гибридную модель с популярными методами, такими как AHP и TOPSIS, а также с их нечеткими вариантами. Классические подходы проще применять, но они склонны к нестабильным ранжированиям и слабо справляются с неопределённостью. Напротив, новый подход демонстрирует более устойчивые ранжирования при варьировании ключевых параметров и лучше различает близкие по качеству альтернативы, особенно когда экспертная нерешительность сильно зависит от контекста. Автор осторожно отмечает, что текущие результаты получены на синтетических данных и что полная валидация на реальных производственных линиях — дело будущего. Тем не менее фреймворк указывает путь к инструментам принятия решений, которые рассматривают фабрики как социотехнические системы, где люди и машины со временем сосуществуют и взаимно адаптируются.

Что это значит для будущего труда и автоматизации

В обиходном смысле вывод статьи заключается в том, что решения об автоматизации не должны игнорировать человеческое суждение и не должны тонуть в массивах данных. Напротив, следует явно моделировать, как взгляды людей меняются по мере накопления опыта, столкновений с инцидентами и адаптации к новым технологиям. Предложенная модель предоставляет структурированный способ сделать это, одновременно учитывая затраты, безопасность, гибкость и цифровые возможности. При осмотрительном применении такие инструменты могут помочь компаниям выбирать стратегии автоматизации, которые не только эффективны на бумаге, но и доверительны для работников, безопаснее на практике и более устойчивы при изменении условий — ключевые элементы фабрик, которые представляет Industry 5.0.

Цитирование: 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

Ключевые слова: интеллектуальное производство, сотрудничество человека и машины, стратегия автоматизации, модель принятия решений, нечеткая неопределённость