使用两阶段D-Optimal方案选择柔性制造系统设备

这对现代工厂为何重要

在世界各地，制造商正竞相用机器人、智能设备和计算机化运输系统来自动化生产线。但究竟值得投入多少自动化？本文在一家真实的电子工厂中探讨了这个问题，得出了一个令人意外的结论：表现最佳的系统并非完全自动化，而是在机器与人员之间精心平衡。通过先进的计算机试验与仿真，作者展示了如何选择合适的设备组合以减少浪费、加快生产并避免在技术上过度支出。

把工厂看作有机的、灵活的系统

研究聚焦于柔性制造系统（FMS），在这种系统中，不同类型的机器、机器人、储存单元和运输设备都由中央计算机协调。在案例公司中，两条并行生产线分别制造低压和高压电气产品，每条线从来料检验到最终包装经过五个主要阶段。管理层希望这些生产线能快速响应不断变化的客户订单，但必须在可部署机器和工人人数的严格限制内运作。研究人员并非简单地增加更多自动化，而是问：在这些约束下，何种自动化与人工资源组合能实现最佳整体绩效？

在虚拟生产线上测试数千个“假如”情形

该团队没有在真实车间直接试验，而是使用离散事件仿真构建了工厂的详细计算机模型。这个虚拟生产线再现了零件到达的方式、每道工序所需时间、缺陷出现的频率，以及机器和工人何时忙碌或空闲。随后，他们将该模型与计算机辅助试验设计工具相连接，规划要测试的设备组合。采用一种特殊的两阶段“D-Optimal”设计，以尽可能少的仿真运行覆盖大量可能性，同时遵守自动化与人工设备共用的固定总容量——84个资源单位。

在人与机器之间找到最佳平衡点

为了判断某一配置是好是坏，作者将若干实用指标合并为单一评分。这些指标包括每日产量、物品在系统中的停留时间、站点之间的在制品数量、报废量、机器与工人的利用率以及产出率曲线。公司管理者通过结构化比较法为这些指标分配相对重要性，给“快速生产更多合格品”更高权重，而对降低库存和废料则赋予较低（但仍存在）的权重。每个仿真配置据此获得一个综合评分，反映工厂的真实优先事项。

为何全自动化并非最佳选择

在第一阶段，D-Optimal方案扫描了自动化水平的广阔景观，指出有潜力的区域。第二阶段该方法对这些区域进行放大并测试更多更细粒度的设备组合。结果显示出强烈的非线性模式：随着自动化从当前较低水平上升，绩效先提升，在约92.8%资源实现自动化时达到峰值，然后在接近完全自动化时再次下降。在该最优点，工厂的日产量可提升约三分之二，报废率约下降40%，循环和生产时间缩短，设备利用率提高，而系统中平均等待的在制品数量仅略有增加。

这对产业决策者意味着什么

给非专业人士的核心信息很直接：“更多自动化”并不必然更好。在这家真实的电子厂中，追求完全自动化反而会花费更多且整体绩效更差，而一个精心调校的混合方案——保留一小部分但关键的人工操作——表现更佳。本研究提出的两阶段计算机辅助方法，为管理者提供了一种实用途径，在生产线的数字孪生体上、并在预算、人员与设备的现实限制下，测试数千种假如情形。通过调整绩效度量与约束条件，同样的方法可指导其他领域的设备选择，帮助工厂在人员与机器之间找到各自的最佳平衡点，而非盲目追求100%自动化。

引用: Yu, X., Mi, J., Liu, J. et al. Using a two-stage D-Optimal mode to select equipment for flexible manufacturing systems. Sci Rep 16, 11136 (2026). https://doi.org/10.1038/s41598-026-41466-7

关键词: 柔性制造系统, 自动化水平优化, 离散事件仿真, 设备选择, 工业4.0