工业5.0时代将人因工程融入运营管理教育

摘要

本研究提出了一种在工业5.0背景下将人因工程融入运营管理教育的框架。该方案采用并行工程方法，在工作场所设计过程中同步整合工效学评估，包括生产数据采集、问题分析、数字化工厂建立、模型优化及验证。

摘要

工业5.0时代强调以人为本、可持续性和韧性，对现代高等教育的人才培养方向提出了新的要求。工程教育也在不断适应并引领工业5.0的发展。本研究提出了一种创新性框架，将人因工程因素融入高等教育中的现代运营管理教学体系。运营管理涵盖供应链、库存、质量控制等全过程的管理。随着从工业4.0向工业5.0的演进，运营管理逐渐以人为核心，强调人机协作与员工赋权。因此，教学内容需要相应调整，以帮助学生学习如何运用人因工程原理优化工作流程、降低员工疲劳并减轻风险。本文提出通过构建一个虚拟互联的生产环境，模拟真实装配线，识别其中的人因工程问题，并借助数值分析减少偏差，从而实现人因工程在运营管理中的应用。该方案能够在设计阶段识别和评估人体工学风险，并提供针对性的改进措施。该教学方案有助于学生在学习运营管理的过程中理解如何降低事故发生率、提高工作效率，并减少纠正性干预所带来的额外成本。通过数字人体工学技术，学生能够理解并熟练掌握人体工学风险评估方法。因此，本文分析了如何更好地将人因工程融入运营管理，实现工程技术与人因工程的融合，为运营管理领域的教育与实践提供新的思路与方向。在未来的应用中，将人因工程与人体数字孪生（HDT）以及人工智能生成内容（AIGC）相结合，将进一步赋能智能制造，推动工程实践中以人为核心的智能制造发展。

引言

工业4.0通过整合物联网、大数据、网络安全、云计算、增材制造和先进机器人等先进技术，从根本上改变了产品、服务和生产流程^1,2。随着人工智能（AI）的兴起，工业4.0将AI技术与多种先进技术相融合，重塑了制造业和运营格局³。然而，尽管工业4.0显著提高了生产效率并为劳动者创造了新的就业机会，但也带来了认知负荷增加、工作风险升高以及需要持续提升技能等挑战⁴。为应对工业4.0快速发展过程中忽视人的因素这一问题，欧盟委员会提出了工业5.0的概念，强调三大核心要素：以人为本、可持续性和韧性^5,6。工业5.0强调人类与人工智能之间的协作，在提高生产效率的同时保障人类健康和环境可持续性，从而实现可持续的经济增长⁷。Horvat等人对1334家制造企业的数据进行了研究，结果表明，以人为本的工业5.0增强了制造商在产品方面的创新能力，而员工的参与是其中的重要因素，这体现了以人为本的工业5.0的重要性⁸。

工业5.0强调人类创造力与技术精确性的结合，由此催生了“操作员5.0”（Operator 5.0）的概念⁹。操作员5.0将操作人员置于以人为中心的生产系统之中，涉及社会技术系统、社会可持续性以及韧性工程^10. Mattsson和Kurdve提出，操作员5.0包含9个要素：完成任务所需的认知/身体能力、整体数字技能、通用设计、减少意外事件的发生、生产效率与质量、安全性、标准、操作说明以及培训材料¹¹。Peruzzini等人基于操作员5.0提出了增强型数字孪生（Augmented Digital Twin, ADT）模型，该模型整合了机器、机器人、环境、界面和人员，从而构建以人为中心的智能制造系统¹²。Yaqot等人提出了增强型人机协同（enhanced human-automation symbiosis, EHAS）框架，强调通过物理与感官增强、认知与情感增强、沟通与协作增强、数字伦理、数字公民意识、隐私保护以及人权保障来实现人机协同¹³。

从工业4.0向工业5.0的转型标志着制造业从以技术为中心转向以价值为中心¹⁴。高等教育必须应对工业5.0带来的挑战，并改革现有课程体系，以培养未来的劳动力。高校项目必须考虑 Operator 5.0 所需具备的能力，从而为接受工程教育的学生未来职业发展做好准备。

操作员5.0教育的实施已导致运营管理课程教学目标的变化。作为现代企业管理的核心职能之一，运营管理涵盖了从原材料采购到最终产品或服务交付的全过程，涉及供应链管理、生产计划与调度、工效学研究、库存管理以及质量控制等多个方面。运营管理课程的教学目标是使学生理解如何优化资源配置、提高效率、降低成本，并确保产品或服务的质量和交付速度满足市场需求。特别是工效学研究部分，有助于学生深入理解并掌握运营管理中操作员相关的理论知识，通过实践学习分析复杂案例，并提出创新且切实可行的解决方案。

装配线作为制造业中最典型的生产场景，是操作员5.0相关技术的主要应用领域。工业5.0要求装配线能够应对特定的生产需求。操作员5.0通过融合人类创造力与技术赋能，推动装配线从大规模制造向大规模定制转变。操作员5.0可利用数字孪生和仿真工具快速调整装配线流程，以满足产品的个性化需求，实现装配线的灵活性与适应性¹⁵。操作员5.0可通过数字孪生模拟装配线工人的动作及疲劳程度，优化工位设计，体现智能制造中“人在回路”（Human-in-the-loop）的理念¹⁶。因此，在操作员5.0的教育中，以提升装配线性能为例，图1A展示了当前识别和解决装配线问题所涉及的主要步骤。目前的工程设计早期阶段未能充分考虑与工作相关的肌肉骨骼疾患（WMSDs）。物理人因工程风险因素包括不良姿势、用力操作、物料搬运、固定站姿和重复性动作¹⁷。当这些风险因素存在于实际生产操作中时，不仅会导致工人出现肌肉骨骼疾患，而且在实施纠正措施时还会延长生产周期，增加企业运营成本。Boysen等人对装配线平衡问题进行了系统性综述，强调人因因素在提升装配线性能中的关键作用¹⁸。因此，在工业5.0时代，人因因素在运营管理中的重要性更加凸显，在现代企业战略中发挥着重要作用^19,20。

Caputo 等人将并行工程理论引入工作场所设计，提出在工艺设计阶段就应考虑人机工程学评估，从而有可能在设计阶段即预防人机工程学风险²¹。在工业4.0时代，对人机工程学在生产运营中的核心作用关注不足，导致难以充分适应工业5.0对人机工程学的要求²²。因此，在工业5.0理念的引导下，运营管理的教学实践需要融入更多的人机工程学内容。以流水线改进问题为例，图1B显示，在改进目标和指标明确的情况下，各工序的时间测量与人机工程学风险评估同步进行，并在流水线改进的并行工程思维框架下，于工艺设计阶段同步考虑人机工程学评估。

图1：两种类型的装配线改进流程。（A）传统的装配线改进流程，以及（B）整合人因工程的装配线改进流程。请点击此处查看此图的放大版本。

在 Operator 5.0 框架和工业 5.0 不断发展的需求背景下，劳动力需要掌握相关的数字技能，以有效参与新的工作和任务。62% 的制造企业报告称，缺乏具备适当技能的员工是数字化转型成功的主要障碍²³。Hansen 等人对 30 家正在进行数字化转型的企业进行了调查，发现从工业 4.0 向工业 5.0 转型过程中，数字化转型的成功取决于员工能力的培养²⁴。未来的专业人员需要掌握先进的数字能力，以有效与智能系统进行交互²⁵。Hermawati 等人评估了当前人机工程学教育的现状，发现现有的人机工程学教育与工业 5.0 的要求之间存在差距²⁶。因此，根据工业 5.0 的要求培训新技能至关重要，有必要发展学生的数字素养⁷。

结合人体工程学风险评估的数字孪生技术的出现，使得通过数字仿真实现工作场所设计与人体工程学评估的一体化成为可能，体现了并行工程的理念，进而在工业5.0背景下实现了以人为本的数字化设计。Caputo 等人提出了一种包含人体工程学评估的数字孪生模型，并在菲亚特克莱斯勒汽车公司（FCA）的装配线上，采用人体工程学评估工作表（Ergonomic Assessment Worksheet, EAWS）和Ovako工作姿势分析系统（Ovako Working Posture Analysing System, OWAS）两种评估方法对该模型进行了验证^21,27。上述研究在分析过程中均采用了方法-时间测量（Methods-Time Measurement, MTM）过程语言。MTM 是一种预定时间系统（Predetermined Time System, PTS），它将手工操作流程分解为基本动作单元，并结合工作条件来确定完成某项任务所需的时间。Breznik 等人则结合 MTM 通用分析系统（MTM Universal Analysis System, MTM-UAS）与仿真软件，用于解决装配线平衡问题（assembly line balancing problem, ALBP）²⁸。

针对运营管理中的上述要求——在初始工程设计阶段整合物理人因风险因素，并培养学生的数字能力——本研究以装配线改进问题为例，将人因工程评估融入数字孪生模型，展示工程教育如何适应工业5.0的需求，通过以人为本的设计和数字能力建设，推动操作员5.0的发展。

总之，在从工业4.0向以人为本的工业5.0转型的背景下，本文探讨了将人因因素融入运营管理教育的路径。通过在教学实践中指导学生进行装配线设计的实例，引入工效学风险评估，帮助学生理解“操作员5.0”的本质。本研究通过展示将工效学融入运营管理教育的过程，旨在为工业5.0时代运营管理领域的教育与实践提供新的思路与方向。

本方案介绍了在装配线设计中测量和改进时间及人体工程学风险的实验步骤。该流程可概括为五个步骤：1）收集生产状态信息，2）分析生产过程中的问题，3）建立数字化工厂，4）模型优化，5）验证数字化工厂的有效性。如果这五个步骤中的任何一项要求未满足，则该过程不完整，不足以证明其有效性。

方案

本研究遵循《赫尔辛基宣言》的原则，并经江苏科技大学机构审查委员会批准。我们已获得实验参与者对其数据使用和发布的知情同意。

1. 生产状态的收集

注意：生产状态采集阶段需要对生产现场进行时间测量并拍摄现场视频，以准备后续的问题分析。确定生产工艺流程，并收集生产现场的工人信息，以及设备、产品和材料的3D模型，用于后续数字化工厂的建设。

1. 收集需要改进的装配线的工作条件。包括装配线节拍、装配线规模与环境布局、所分析生产区域的面积、生产相关设备信息及占地面积、涉及的工位数量、人机协作流程、物料供应类型及方式²⁹。
2. 使用秒表法测量工时，获取每种作业类型的时间数据。
   1. 当工人开始循环动作时，第一次按下机械秒表的表冠。
   2. 当工人结束循环动作时，第二次按下机械秒表的表冠。
   3. 读取时间。
   4. 第三次按下表冠以重置秒表。
3. 拍摄现场生产视频，用于后续问题分析。
4. 从生产现场收集工人信息。包括人口统计学信息：年龄、性别、国籍，以及人体测量数据（单位为 cm）：（1）身高，（2）眼高，（3）肩高，（4）肘高，（5）指关节高，（6）坐姿高度，（7）坐姿眼高，（8）坐姿肘部支撑高，（9）大腿间隙高，（10）坐姿膝高，（11）坐姿臀膝距，（12）坐姿腘高，（13）胸深，（14）肘间宽，（15）坐姿髋宽³⁰。
5. 收集产品、材料和设备的三维模型，包括：产品的三维装配图、材料的三维模型、机械与设备的三维模型以及工具。
   1. 收集手动操作和搬运过程中涉及的零部件及工具的质量（单位为千克）。收集工作流程中所需的关键作用力，例如提升物体所需的力或拧紧螺栓所需的扭矩（单位为牛顿）。

2. 生产过程中的问题分析

注意：根据收集的生产状态数据，使用行为分析软件分析现场生产视频，进而识别数字化工厂建设阶段存在的问题。行为分析软件的基本步骤包括软件基本设置、软件编码设置和视频分析。该软件的网页访问地址为 https://noldus.com/observer-xt-human。

1. 设置基本参数。
   ​注意：此阶段涉及为软件设置样本参数。根据所拍摄的视频选择合适的样本类型（连续性或间断性样本）。完成基本设置后，即可导入视频。
   1. 双击打开行为分析软件。
   2. 点击创建新项目，然后点击新建。
   3. 在新项目的名称中输入文件名。
   4. 在弹出的新窗口中点击设置项目。
   5. 在观察方法中选择结合连续性与瞬时采样，因为现有的生产视频是间断性视频组合的样本。
2. 设置软件编码。
   注意：此阶段涉及设置软件编码。在后续视频分析过程中，需要对视频进行快速编码以统计问题点，此步骤即为此目的而设置编码。完成此步骤后，即可导入并分析视频。
   1. 在设置下的编码方案中设置编码方法。点击编码方案，然后选择瞬时采样和主体。
   2. 在行为界面中点击添加行为组。
   3. 在组名称中输入人体工学风险。
   4. 在下方的行为中输入弯腰、转身和侧身，在持续时间中选择否，因为这些均为瞬时动作。选择本组中的行为类型可重叠，因为这些现象可能与其他可能情况同时发生，完成后点击确定。
      注意：此步骤添加了视频中可能出现的所有人体工学风险，用于后续分析。
   5. 在行为界面中修改编码，将弯腰、转身和侧身的起始与结束按键分别设置为1、2和3。
      注意：首次按下1表示发生弯腰行为，再次按下1表示该行为结束。编码行为有助于分析人员快速识别视频中的问题点，并用于后续分析。
3. 执行视频分析。
   ​注意：此步骤包括视频导入、编码及问题统计。
   1. 在项目资源管理器的观察中进行视频分析。点击观察，在弹出窗口中选择创建新观察，在观察名称中输入所需的文件名，然后点击确定。
   2. 在弹出窗口中定位待分析的视频，然后点击打开。
   3. 点击界面上的开始观察按钮以启动视频分析，当识别到问题点时按下预设的编码数字，例如观察到弯腰动作时按键盘上的1。完成后点击页面顶部文件下的保存以存储数据，从而快速记录视频中出现的所有问题点。
   4. 在项目资源管理器的分析中查看分析数据。点击数据概览以查看编码的时间轴数据。检查视频中是否出现高频生理负荷动作，包括弯腰、转身和侧身移动。
   5. 统计高频生理负荷动作的发生频率。

3. 数字化工厂的建立

注意：根据上述问题点分析，该装配线存在作业分配过多、工作时间过长、各工位间负荷不均、工位间在制品积压，以及装配线作业人员频繁弯腰、转身和侧向移动等问题，亟需提出解决方案。本文提出通过构建数字化工厂，模拟人工操作流程，并在数字化工厂中对装配线进行调整。与传统的现场改进方式相比，建立数字化工厂可确保生产过程数据的测量不受现场人员状态的影响。此外，所有改进方案均可在软件中进行验证与优化，无需反复进行现场调整，从而显著减少改进过程中的时间与成本浪费。该软件的网页访问地址为 https://imk-ema.com/en/ema-work-designer。

1. 使用数字工业工程软件模拟装配线。
   1. 打开数字工业工程软件，在弹出窗口中点击创建新项目。
   2. 在页面顶部的仿真项目中设置项目基本信息、节拍时间等参数。
   3. 在页面顶部的对象选项卡中，使用从文件添加对象、添加人体模型和从库中添加项目按钮，导入与第1节中获取的工人信息相匹配的人体模型，以及货架、零部件和其他组件的3D模型。
   4. 在页面底部的3D视图中布置模型。
      1. 首先，将左侧下拉菜单中的控制模式切换为布局，然后在3D视图中选择模型进行移动、旋转等操作，完成数字装配线的布局；通过拖动结构列表中的对象、双击编辑对象名称、颜色和注释，或通过右键子菜单定义父级对象、合并对象结构并生成对象引用，对对象进行分组，建立从属关系，设置参考对象，并修改颜色、对象质量、抓握姿态等参数，为后续动态仿真做准备。
   5. 在软件页面顶部的任务选项卡中，根据工艺流程的装配顺序，将相应的装配任务分配给数字人体模型。从任务页面左侧列表中拖动所需的装配任务至数字人体模型的动作轴上。
      1. 在任务页面左侧列表中查找装配任务，包括物体操作类任务（拾取物体、放置物体、连接物体等）、身体动作类任务（行走、跪下等）以及其他常见的工业生产相关动作任务。
      2. 然后，根据当前任务的仿真和工艺要求填写相应参数，例如指定操作对象、物体应放置的目标位置、选择动作执行过程中的身体姿态限制，以及任务工艺描述（可达等级、放置精度、手指和手臂受力要求等）。
2. 点击仿真图标运行仿真，软件将自动生成仿真动画和分析结果。若出现错误提示或仿真结果不符合要求，则根据第3.1步调整仿真项目。
3. 点击页面顶部的结果按钮查看模型运行结果。通过左侧各个标签页查看时间、人体工效学、行走路径等评估结果，并点击人体工效学以获取操作人员的EAWS评分。
   ​注：EAWS是由国际专家团队开发的一种生物力学负荷风险评估方法，用于评估操作人员在工作中可能暴露于肌肉骨骼疾患（WMSDs）的风险。
4. 根据EAWS评估等级表（图2）确认需要改进的工作站。同时，在软件的人体工效学结果中查看详细的评估数据，进一步识别最需改进的关键操作任务。

图2：EAWS评估等级。 基于EAWS评分对人机工程学风险等级进行分类的标准。请点击此处查看该图的放大版本。

4. 模型优化

注意：此步骤的目的是将生产工人的EAWS风险值降低至低风险水平。

1. 观察上一阶段确定的需改进工位上各工人的EAWS评分。在人机工程学结果页面中切换不同工人及评估模块（身体姿势、手部用力、负载搬运等），以识别出风险贡献最高的因素。
2. 根据风险贡献最高的因素，确定相关的改进动作，为后续优化做准备。
3. 基于风险点制定改进策略，在软件中调整模型，并重新运行模拟评估。
   1. 点击任务，在树状图中找到风险贡献最高的工人的工作台。点击左上角的从文件添加对象，导入新设计的设备模型，并将该设备添加至工作台目录下，以简化工人的操作动作。
   2. 点击任务，点击worker2_human的动作轴，定位到已更改的操作任务，取消该改进方案中的冗余动作。点击将手移动至目标和“actuate”左侧的空心圆点，直至其变为蓝色背景的右箭头圆点，以取消当前动作的模拟。
   3. 点击模拟运行模型，完成后检查是否存在异常，防止因添加新设备而引发逻辑错误。
      1. 若存在异常，应根据所添加的设备及变更内容，修改相关动作的设置。
   4. 再次运行模型，重复上述步骤，直至动作轴中无任何异常。
   5. 点击结果，选择人机工程学，观察该工人的EAWS风险值是否已降至绿色区域。
      1. 若未降至绿色区域，可考虑在人机工程学页面的通用列中增加休息时长，或继续调整物料供给位置、操作顺序及工装设计。
   6. 重复上述步骤，直至EAWS风险值降至绿色区域。
4. 运行模型，查看结果中工人的EAWS全身评分（EAWS Whole Body）和EAWS上肢评分（EAWS Upper Limbs）是否均处于安全阈值范围内。安全阈值要求EAWS评分低于50分，如图2所示，颜色应为绿色或黄色。
5. 点击MTM-UAS分析，检查改进后的工时是否较之前减少，从而实现装配线优化过程中既减少工时，又将人机工程学风险控制在安全阈值内的目标。

5. 数字化工厂有效性的验证

注意：上述步骤已实现数字化工厂中装配线的设计与优化。本验证阶段的目的是确保软件仿真结果与优化实施后装配线的实际测量状态相一致。若两者一致，则该实验操作方法可被采纳用于未来的装配线设计优化。

1. 验证工时结果。
   1. 按照步骤 1.2 中所述方法，在改进后的生产现场测量工时。
   2. 将工时测量结果与软件输出结果进行比较。
2. 验证人机工程学风险结果。
   1. 按照步骤 2.2 和 2.3 中所述方法，在改进后的现场测量人机工程学风险。
   2. 将软件输出的人机工程学风险结果与实测结果进行比较。

结果

根据上述实验操作，本文的代表性结果以典型机械产品——阀体组件的装配为例，展示将人因工程因素整合到作业管理中以实现工作改进的典型成果。本实验代表了已开设的人因工程课程中的实践教学部分，其教学成果已在2025年MTM中国论坛：数字智能时代的工业工程中进行展示。

生产状态数据采集
本文拟改进的装配线包括工步1、工步2、工步3和工步4，如图3所示。该装配线共有7个工位。经秒表实测，该装配线方案的实际节拍时间为5.2秒。

图3

讨论

本研究不仅包含时间效率，还纳入了装配线设计中的人体工程学风险评估。通过整合人体工程学风险测量，可在设计阶段识别潜在的隐性安全风险，确保装配线布局充分考虑人体工程学风险因素。该方案有助于提高员工生产效率，降低事故发生概率及其影响，并推动实现工业5.0背景下的员工福祉。该方案中包含三个需特别关注的关键步骤，下文将对其进行深入详述。

首先，进行人因问题识别与数字化建模。通过行为分析软件对生产视频进行编码与分析，识别出高频的生理负荷动作（如弯腰、转身），并结合秒表法量化作业效率；随后，利用数字化工业工程软件构建虚拟装配线模型，进行任务分配并运行仿真，获取操作人员的EAWS评分，准确定位高风险工位。该阶段的关键是将实际生产问题转化为可量化、可视化的数字模型，为后续优化奠定数据基础。

第二，仿真优化及有效性验证。基于仿真结果，将EAWS评分降低至安全阈值，并通过多次迭代确保模型无异常。随后利用实际生产数据验证数字化工厂的可靠性，证明其在降低工效学风险和提升时间效率方面的有效性。该步骤实现了从理论建模到实际改进的闭环，凸显了数字技术在工业5...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
ema 软件套件	imk 工业智能有限公司	V2.2.0.3	数字化工厂的建立
Observer XT	Noldus 信息技术公司	V12.0	生产过程中的问题分析