通过整合人机系统与自动化策略在不确定性下对智能制造的混合评估模型

为什么更智能的工厂需要更明智的选择

随着工厂被机器人、传感器和人工智能充斥，管理者面临一个看似简单的问题：我们应该把多少工作自动化，多少仍然依赖于人？答案很少是非黑即白的。真实的生产线是嘈杂且不可预测的环境，人类的信任、安全与工作负荷与速度和成本同样重要。本文提出了一种新的评估不同自动化配置的方法，将这种复杂现实纳入考量，帮助决策者选择既高效又有弹性且真正以人为中心的配置。

评判人机协作的难题

现代“智能制造”系统融合了人员、机器人和数字工具。评估此类系统困难在于许多最重要的因素——操作者的信任、感知到的安全性、协作的便捷性——是主观的且随时间变化。同时，工厂来自传感器与网络物理系统的数据浩如烟海，但可能不完整或有噪声。传统评分方法要么依赖僵化的检查表，要么过于依赖专家意见，或只关注数值性能。没有一种方法能同时捕捉到不断变化的人类感知、相互冲突的准则和硬数据——而这正是以人为本与弹性生产为目标的工业5.0所要求的组合。

为专家判断中的不确定性提供新视角

本研究的首个创新是用于描述专家意见的数学视角，称为圆形球面模糊集。通俗地说，不再强迫工程师仅用“好”或“不好”来标记选项，而是让他们表达该选项看起来多么“好”、看起来多么“不好”、他们有多不确定，以及他们的置信度如何来回摆动。例如，操作者对协作机器人的信任可能随着产能上升而增强，在一次险些相撞后急剧下降，然后在再培训后逐步恢复。这类循环性的犹豫难以被早期假设不确定性呈直线移动的模糊工具良好处理。圆形扩展为犹豫增加了方向性，近似指南针般的成分，更好地反映了人们随情境演变调整判断的方式。

在直觉与硬数据之间取得平衡

为了将这些丰富但杂乱的意见转化为清晰的自动化选项排序，作者将两种决策技术结合成单一的混合模型。一部分称为CRITIC，它分析数据并通过观察各准则的波动程度及相互冲突程度来确定哪些准则真正重要。另一部分MAIRCA，将每个选项与一个想象中的“理想”分数组合进行比较，衡量其偏离程度。专家给出的圆形模糊评估首先被转换为专门设计的数值分数，以便CRITIC在不丢弃潜在不确定性的情况下对其进行操作。圆形模糊建模、数据驱动权重确定与理想-现实比较这三者合力，旨在在人的洞见与客观结构之间取得平衡。

在试验工厂中检验模型

为展示该框架的表现，本文通过一个假设案例演示一家中型制造商在四种自动化设计中做出选择：半自动混合产线、由操作员引导的网络物理系统、全自动产线以及协作机器人方案。八项准则混合了经济、技术与人因考虑，包括成本、效率、灵活性、人因整合、安全、维护负担、可靠性和数据利用。专家以诸如“高”或“中”等语言术语对每个选项评分，这些术语被翻译为圆形模糊值。混合方法随后计算每项准则的重要性，构建理想基准，衡量每个选项与该理想的偏离程度，并据此给出排序。在该测试中，半自动混合产线名列前茅，主要因为它在所有准则上表现稳健且没有重大弱点，而追求最高度自动化的选项在人人因整合与复杂性方面付出了代价。

这如何改变真实工厂的决策

除了示例外，该研究还将其混合模型与诸如AHP和TOPSIS等流行方法以及这些工具的模糊变体进行了比较。那些经典方法更易于应用，但容易出现不稳定的排名且对不确定性的处理不足。相比之下，新方法在关键参数变化时显示出更稳定的排序，并且在专家犹豫强烈依赖情境时，能更好地区分紧密匹配的备选方案。作者谨慎指出，当前结果基于合成数据，需在真实生产线上进行全面验证仍是未来工作。但该框架指向的一类决策工具，将工厂视为社会-技术系统，关注人与机器随时间共同适应。

对未来工作与自动化的意义

用通俗的话说，论文的结论是：关于自动化的决策既不应忽视人类判断，也不应让其在海量数据中淹没。相反，应明确建模人们的观点如何随着经验积累、事故发生与新技术适应而发生变化。所提出的模型提供了一种结构化方式来做到这一点，同时也考虑了成本、安全、灵活性与数字化能力。审慎使用时，此类工具可帮助企业选择不仅在纸面上高效、而且为工人所信赖、实践中更安全并在条件变化时更具鲁棒性的自动化策略——这些都是工业5.0愿景下工厂的关键要素。

引用: 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

关键词: 智能制造, 人机协作, 自动化策略, 决策模型, 模糊不确定性