En hybrid utvärderingsmodell för intelligent tillverkning under osäkerheter genom att integrera människomaskinsystem och automatiseringsstrategier

Varför smartare fabriker behöver smartare val

När fabriker fylls med robotar, sensorer och AI ställs chefer inför en till synes enkel fråga: hur mycket ska vi automatisera och hur mycket bör vi fortfarande förlita oss på människor? Svaret är sällan entydigt. Verkliga produktionslinjer är bullriga, oförutsägbara miljöer där människors tillit, säkerhet och arbetsbelastning är lika viktiga som hastighet och kostnad. Denna artikel introducerar ett nytt sätt att bedöma olika automationsupplägg som tar denna röriga verklighet i beaktande, och hjälper beslutsfattare att välja konfigurationer som är effektiva, motståndskraftiga och verkligt människocentrerade.

Utmaningen i att bedöma människan–maskinlagarbete

Moderna ”intelligenta tillverknings”system blandar människor, robotar och digitala verktyg. Att utvärdera sådana system är svårt eftersom många av de viktigaste faktorerna — operatörers förtroende, upplevd säkerhet, lätthet i samarbetet — är subjektiva och förändras över tid. Samtidigt strömmar fabriker ut hav av data från sensorer och cyberfysiska system som kan vara ofullständiga eller brusiga. Traditionella poängsättningsmetoder lutar antingen mot stela checklistor, eller förlitar sig tungt på expertbedömningar, eller fokuserar enbart på numerisk prestanda. Ingen kan samtidigt fånga skiftande mänskliga uppfattningar, motstridiga kriterier och hårda data — ändå är just den kombinationen vad Industry 5.0, med sitt fokus på människocentrerad och resilient produktion, kräver.

En ny lins för osäkerhet i expertbedömningar

Studiens första innovation är en matematisk lins för att beskriva expertåsikter kallad cirkulära sfäriska fuzzymängder. Enkelt uttryckt, istället för att tvinga en ingenjör att märka ett alternativ som helt enkelt ”bra” eller ”dåligt”, tillåter metoden dem att uttrycka hur starkt det verkar bra, hur starkt det verkar inte bra, hur osäkra de är och hur deras förtroende kan svänga fram och tillbaka. Till exempel kan en operatörs förtroende för en kollaborativ robot växa när produktiviteten stiger, falla kraftigt efter en nära-incident och sedan sakta återhämta sig efter omutbildning. Denna typ av cyklisk tvekan kan inte hanteras väl av tidigare fuzzy‑verktyg som antar att osäkerhet rör sig i en rak linje. Den cirkulära förlängningen lägger till ett riktat, nästan kompasslikt element till tvekan och speglar bättre hur verkliga människor reviderar sina bedömningar när situationer utvecklas.

Att balansera magkänsla och hårda siffror

För att omvandla dessa rika men röriga åsikter till tydliga rangordningar av automationsalternativ kombinerar författaren två beslutsmetoder i en enda hybridmodell. En del, kallad CRITIC, granskar data och avgör vilka kriterier som verkligen bär vikt genom att se hur mycket de varierar och hur starkt de kolliderar med varandra. En annan del, MAIRCA, jämför varje alternativ med en föreställd ”ideal” uppsättning poäng och mäter hur långt det avviker. De cirkulära fuzzyutvärderingarna från experter konverteras först till särskilt utformade numeriska poäng så att CRITIC kan verka på dem utan att kasta bort den underliggande osäkerheten. Tillsammans syftar denna trio — cirkulär fuzzy‑modellering, datadriven viktning och ideal‑mot‑verklighet‑jämförelse — till att hitta en balans mellan mänsklig insikt och objektiv struktur.

Att använda modellen i en testfabrik

För att visa hur ramen beter sig går artikeln igenom ett hypotetiskt fall av en medelstor tillverkare som väljer mellan fyra automationsdesigner: en semi‑automatiserad hybridlinje, ett operatörsledt cyberfysiskt system, en fullt automatiserad linje och ett scenario med kollaborativa robotar. Åtta kriterier blandar ekonomiska, tekniska och mänskliga aspekter, inklusive kostnad, effektivitet, flexibilitet, integration av människofaktorer, säkerhet, underhållsbörda, tillförlitlighet och dataanvändning. Experter bedömer varje alternativ med språkliga termer som ”hög” eller ”medel”, vilka översätts till cirkulära fuzzy‑värden. Den hybrida metoden beräknar sedan hur viktigt varje kriterium är, konstruerar en idealreferens, mäter hur långt varje alternativ avviker från det idealet och rangordnar dem därefter. I detta test kommer den semi‑automatiserade hybridlinjen ut i topp, till stor del därför att den presterar stabilt över alla kriterier utan större svagheter, medan alternativ som jagar maximal automation får betala pris i integration av människofaktorer och komplexitet.

Hur detta förändrar beslut i verkliga fabriker

Bortom exemplet jämför studien sin hybridmodell med populära metoder som AHP och TOPSIS samt med fuzzyvarianter av dessa verktyg. De klassikerna är enklare att tillämpa men benägna att ge ostabila rangordningar och hanterar osäkerhet svagt. I kontrast visar det nya tillvägagångssättet stabilare rangordningar när nyckelparametrar varierar och kan bättre särskilja mellan tätt matchade alternativ, särskilt när expertens tvekan är starkt kontextberoende. Författaren noterar med eftertanke att de nuvarande resultaten baseras på syntetiska data och att full validering på riktiga produktionslinjer är framtida arbete. Ändå pekar ramen mot beslutsverktyg som ser fabriker som socio‑tekniska system där människor och maskiner samevolverar över tid.

Vad detta betyder för framtidens arbete och automation

I vardagliga termer är artikelns slutsats att beslut om automation varken bör ignorera mänskliga bedömningar eller överväldiga dem med data. Istället bör de uttryckligen modellera hur människors uppfattningar skiftar när de får erfarenhet, möter incidenter och anpassar sig till ny teknik. Den föreslagna modellen ger ett strukturerat sätt att göra detta, samtidigt som den tar hänsyn till kostnader, säkerhet, flexibilitet och digitala kapabiliteter. Använda klokt kan sådana verktyg hjälpa företag att välja automationsstrategier som inte bara är effektiva på papper utan också betrodda av arbetare, säkrare i praktiken och mer robusta när förhållanden förändras — nyckelingredienser för de fabriker som föreställs under Industry 5.0.

Citering: 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

Nyckelord: intelligent tillverkning, människan–maskinsamarbete, automatiseringsstrategi, beslutsmodeller, fuzzy osäkerhet