Fuzzy-baserad multiobjektiv schemaläggning för människa–robot tillverkningssystem

Varför människor och robotar måste planera tillsammans

Fabriker i dag jonglerar korta produktlivscykler, kräsna kunder och snabbt föränderliga order. Många kombinerar nu mänskliga arbetare med kollaborativa robotar för att behålla flexibiliteten. Men att bestämma hur mycket som ska produceras, när det ska produceras och vilka uppgifter som bör utföras av människor respektive robotar är inte längre en enkel uppgift för ett kalkylblad — särskilt när framtida order och arbetstider är osäkra. Denna studie tar itu med den problematiken direkt och föreslår ett sätt att planera produktion och schemalägga människa–robot arbete så att ekonomi, hastighet och leveranspålitlighet balanseras samtidigt.

Utmaningen att gissa framtiden

Tillverkare vet sällan exakt hur många enheter kunder kommer att beställa eller hur lång tid varje jobb tar, särskilt vid kundanpassad, lågvolymsproduktion. En uppgift kan gå snabbare på en robot men vara mer flexibel med en person, och verkliga cykeltider varierar med produktmix, arbetserfarenhet och tekniska störningar. Traditionella planeringsverktyg antar ofta fasta, kända värden eller förlitar sig på långa historiska register för att bygga sannolikhetsmodeller. I många människa–robot linjer finns dessa register helt enkelt inte. Som ett resultat riskerar företag antingen att överproducera och bära kostnader för överskottslager, eller att underproducera och möta brist, sena leveranser och straffkostnader.

En enda plan som ser hela fabriken

Författarna bygger en integrerad modell som betraktar fabriken på två nivåer samtidigt. På medellång sikt bestämmer den hur många enheter av varje produkt som ska tillverkas i varje tidsperiod, hur mycket som ska lagras och hur mycket brist som får tolereras och backorder hanteras. På verkstadsgolvsnivå bestämmer den vilka operationer som utförs av människor eller robotar vid varje arbetsstation och i vilken ordning. Varje produkt måste passera flera stationer, och varje station kan köras antingen av en människa eller en robot med olika hastigheter och kostnader. Genom att behandla produktionsmängder, lager, brister, uppgiftsfördelning och arbetsordning som ett sammansatt problem fångar modellen upp avvägningar som vanligtvis förbises när planering och schemaläggning hanteras separat.

Att göra vett av osäker information

I stället för att låtsas att efterfrågan och bearbetningstider är exakta beskriver studien dem som intervall med mer eller mindre sannolika värden — så kallade fuzzy-tal. Författarna använder därefter ett riskavert schema som i praktiken lutar åt den mer pessimistiska sidan av dessa intervall. Detta ”trovärdighetsbegränsade” tillvägagångssätt kräver att planer förblir genomförbara med en vald nivå av tro, till exempel 80 procent, utan att behöva fullfjädrade sannolikhetsfördelningar. Fuzzy‑efterfrågan och uppgiftstider översätts till försiktiga skarpa värden, och den resulterande matematiska modellen söker tre mål samtidigt: att maximera det totala finansiella utfallet (nettovärde), att minimera tiden tills alla jobb är färdiga (makespan) och att minimera summan av hur tidigt eller sent produkter levereras.

Söka efter bra kompromisser

Eftersom det kombinerade människa–robot planeringsproblemet är extremt komplext och växer snabbt med antalet produkter, stationer och perioder fungerar exakta metoder endast för små leksaksexempel. Författarna validerar först sin modell på små exempel med en exakt matematisk teknik kallad epsilon‑begränsningsmetoden. För realistiska, stora fabriker använder de sedan tre naturinspirerade sökstrategier: NSGA‑II (en genetisk algoritm), MOPSO (partikel‑svärmoptimering) och MOWOA (en valinspirerad algoritm). Alla tre producerar uppsättningar av ”Pareto”‑lösningar — olika kompromisser där inget mål kan förbättras utan att ett annat försämras. Över 15 testproblem och en verklig förpackningsfabrik i Kina finner val‑baserade metoden konsekvent mer mångsidiga och bättre balanserade alternativ, och kommer närmare den ideala mixen av vinst, hastighet och leveransprestanda.

Vad avvägningarna betyder i praktiken

Lösningarna visar tydliga mönster som är viktiga för chefer. Ett större beroende av robotar förkortar genomförandetider och minskar tidiga eller sena leveranser, men kostnader för köp och driftsättning av robotar pressar ner nettovärdet. Högre osäkerhet i efterfrågan eller arbetstider tenderar att förlänga produktionen, öka brister och sänka den finansiella prestationen. Intressant nog påverkar förändringar i bankräntor nettovärdet kraftigt genom diskontering av framtida kassaflöden men har nästan ingen inverkan på de faktiska schemana — vem som gör vad, när och vid vilken station. Sammantaget visar studien att integrering av planering med människa–robot schemaläggning under osäkerhet kan avslöja mer effektiva och realistiska driftscenarier än att hantera dessa beslut separat.

Större slutsats för icke‑specialister

För en lekmannaläsare är budskapet enkelt: när människor och robotar delar en produktionslinje och framtiden är dimmig behöver företag verktyg som planerar allt tillsammans — hur mycket som ska tillverkas, var det ska lagras och vem som ska utföra varje steg — samtidigt som man erkänner att nyckeltal bara är ungefärliga. Genom att kombinera ett försiktigt sätt att hantera osäkerhet med avancerade sökalgoritmer erbjuder detta arbete fabriksledningen en meny av smarta, förklarliga scheman. Varje alternativ visar avvägningen mellan att tjäna mer pengar, slutföra arbetet snabbare och hålla leveranser nära utlovade datum, vilket hjälper dem att välja den risknivå och robotanvändning som bäst passar deras strategi och budget.

Citering: 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

Nyckelord: människa–robot samarbeten, produktionsschemaläggning, fuzzy-optimering, multiobjektiv planering, tillverkning system