מאמר שיטה

שילוב גורמי אנוש בחינוך לניהול תפעול בעידן התעשייה 5.0

299 צפיות

⸱

DOI:

10.3791/69833

⸱

14 באפריל 2026

 ,  ,  ,  ,  ,  ,  , 
1School of Economics and Management, Jiangsu University of Science and Technology, 2MTM (Shanghai) Enterprise Management Consulting Co., Ltd., 3Suzhou Jiaze Intelligent Control Technology Co., Ltd.

במאמר זה

סיכום

מחקר זה מציג מסגרת לשילוב גורמי אנוש בחינוך לניהול תפעול בהקשר של תעשייה 5.0. הפרוטוקול מיישם הנדסה מקבילה לשילוב הערכה ארגונומית במהלך תכנון מקום העבודה, כולל איסוף נתוני ייצור, ניתוח בעיות, הקמת מפעל דיגיטלי, אופטימיזציה של מודלים ואימות.

תקציר

עידן התעשייה 5.0 מדגיש את המרכזיות האנושית, הקיימות והחוסן האנושי, ומציב דרישות חדשות לכיוון טיפוח הכישרונות בהשכלה הגבוהה המודרנית. החינוך ההנדסי גם מתאים ומוביל את פיתוח התעשייה 5.0. מחקר זה מציע מסגרת חדשנית המשלבת את גורמי האדם במערכת החינוך המודרנית לניהול תפעול בהשכלה גבוהה. ניהול תפעול כולל ניהול כל התהליך, כולל שרשרת אספקה, מלאי, בקרת איכות ועוד. עם ההתפתחות מתעשייה 4.0 ל-5.0, ניהול התפעול מתמקד בבני אדם, עם דגש על שיתוף פעולה בין אדם למכונה והעצמת עובדים. לכן, יש להתאים את תוכן ההוראה כדי לעזור לתלמידים ללמוד כיצד להשתמש בעקרונות גורמי אנוש כדי לייעל תהליכי עבודה, להפחית עייפות עובדים ולהפחית סיכונים. מאמר זה מציע יישום גורמי אנוש בניהול תפעול על ידי יצירת סביבת ייצור וירטואלית ומקושרת המדמה קווי הרכבה אמיתיים, מזהה בעיות של גורמים אנושיים ומפחיתה סטיות באמצעות ניתוח נומרי. פרוטוקול זה מאפשר זיהוי והערכה של סיכונים ארגונומיים בשלב התכנון, ומספק אמצעי שיפור ממוקדים. פרוטוקול זה מסייע לתלמידים להבין כיצד להפחית את שכיחות התאונות, לשפר את יעילות העבודה ולהפחית את העלויות הנוספות הכרוכות בהתערבויות מתקנות במהלך הוראת ניהול תפעול. באמצעות ארגונומיה דיגיטלית, התלמידים יכולים להבין ולהתמקצע בשיטות הערכת סיכונים ארגונומיות. לכן, מאמר זה מנתח כיצד לשלב טוב יותר את גורמי האדם בניהול תפעול, להשגת שילוב של טכנולוגיה הנדסית וגורמי אנוש, ומציע רעיונות וכיוונים חדשים לחינוך ופרקטיקה בתחום ניהול התפעול. ביישומים עתידיים, שילוב גורמי אנוש עם תאום דיגיטלי אנושי (HDT) ותוכן מבוסס בינה מלאכותית (AIGC) יאפשר ייצור חכם ויאפשר ייצור חכם ממוקד אדם בפרקטיקה הנדסית.

מבוא

תעשייה 4.0 שינתה באופן יסודי מוצרים, שירותים ותהליכים באמצעות שילוב טכנולוגיות מתקדמות כגון אינטרנט הדברים, ביג דאטה, אבטחת סייבר, מחשוב ענן, ייצור תוספתי ורובוטיקה מתקדמת 1,2. עם עליית הבינה המלאכותית (AI), תעשייה 4.0 משלבת טכנולוגיית בינה מלאכותית עם טכנולוגיות מתקדמות שונות, ומעצבת מחדש את נוף הייצור והתפעול3. עם זאת, בעוד שתעשייה 4.0 משפרת משמעותית את הפרודוקטיביות ויוצרת הזדמנויות תעסוקה חדשות לעובדים, היא גם מביאה איתה אתגרים כמו דרישות קוגניטיביות מוגברות, סיכוני עבודה גבוהים יותר, וצורך בשיפור מתמיד של מיומנויות4. כדי להתמודד עם סוגיית הזנחת גורמי אנוש במהלך ההתפתחות המהירה של תעשייה 4.0, הנציבות האירופית הציעה את מושג תעשייה 5.0, תוך הדגשת שלושה מרכיבים מרכזיים: מרכזיות אנושית, קיימות וחוסן 5,6. תעשייה 5.0 מדגישה את שיתוף הפעולה בין בני אדם לבינה מלאכותית, משפרת את הפרודוקטיביות תוך שמירה על בריאות האדם וקיימות סביבתית, ובכך משיגה צמיחה כלכלית בת-קיימא7. הורוואט ואחרים חקרו נתונים מ-1334 חברות ייצור, ותוצאות המחקר מצביעות על כך שתעשייה 5.0 ממוקדת אדם משפרת את יכולת היצרן לחדש במוצרים, כאשר השתתפות העובדים היא גורם חשוב, המשקף את חשיבות התעשייה הממוקדת באדם 5.08.

תעשייה 5.0 מדגישה את השילוב בין יצירתיות אנושית לדיוק טכנולוגי, מה שהוליד את מושג מפעיל 5.09. מפעיל 5.0 מציב את המפעילים בתוך מערכות ייצור ממוקדות אדם, הכוללות מערכות סוציוטכניות, קיימות חברתית והנדסת חוסן10. מאטסון וקורדבה מציעים שמפעיל 5.0 כולל 9 גורמים: יכולת קוגניטיבית/פיזית לבצע משימות, מיומנויות דיגיטליות כוללות, עיצוב אוניברסלי, מזעור אירועים בלתי צפויים, פרודוקטיביות ואיכות, בטיחות, תקנים, הוראות וחומרי הדרכה11. פרוצ'יני ואחרים, בהתבסס על מפעיל 5.0, הציעו את התאום הדיגיטלי המוגבר (ADT) שמשלב מכונות, רובוטים, סביבות, ממשקים ואנשים, ובכך מפתח מערכות ייצור חכמות ממוקדות אדם12. יעקוט ואחרים הציעו את מסגרת הסימביוזה המורחבת בין אוטומציה אנושית (EHAS), המדגישה השגת סימביוזה בין אוטומציה אנושית באמצעות שיפור פיזי וחושי, שיפור קוגניטיבי ורגשי, שיפור תקשורת ושיתופי פעולה, אתיקה דיגיטלית, אזרחות דיגיטלית, פרטיות ושיפור זכויות אדם13.

המעבר מתעשייה 4.0 לתעשייה 5.0 מייצג מעבר מייצור ממוקד טכנולוגיה לייצור ממוקד ערך14. ההשכלה הגבוהה חייבת להתמודד עם האתגרים שמביאה תעשייה 5.0 ולרפורם את תוכניות הלימודים הקיימות כדי להכשיר את כוח העבודה העתידי. תוכניות האוניברסיטה חייבות לשקול את הכישורים הנדרשים למפעיל 5.0 כדי להכין סטודנטים המקבלים השכלה הנדסית לפיתוח הקריירה העתידי שלהם.

יישום חינוך מפעיל 5.0 הוביל לשינויים במטרות ההוראה של קורסי ניהול תפעול. כפונקציה מרכזית בניהול ארגוני מודרני, ניהול תפעול כולל את כל התהליך, מהשגת חומרי גלם ועד אספקת מוצרים או שירותים סופיים. הוא כולל ממדים רבים כגון ניהול שרשרת אספקה, תכנון ותכנון ייצור, לימוד עבודה, ניהול מלאי ובקרת איכות. מטרת ההוראה של קורסי ניהול תפעול היא לאפשר לסטודנטים להבין כיצד למקסם את הקצאת המשאבים, לשפר יעילות, להפחית עלויות ולהבטיח שאיכות ומהירות האספקה של מוצרים או שירותים עומדים בדרישות השוק. במיוחד, רכיב העבודה-לימוד מסייע לסטודנטים להבין ולשלוט בידע תיאורטי של מפעילים בניהול תפעול, לנתח מחקרי מקרה מורכבים ולהציע פתרונות חדשניים ומעשיים באמצעות למידה מעשית.

קו ההרכבה, כמצב הייצור הטיפוסי ביותר בייצור, הוא תחום היישום העיקרי לטכנולוגיה הקשורה למפעיל 5.0. תעשייה 5.0 דורשת קווי הרכבה כדי לטפל בצרכי ייצור ספציפיים. מפעיל 5.0, באמצעות מיזוג של יצירתיות אנושית והעצמת טכנולוגיה, מאפשר מעבר קווי הייצור מייצור המוני להתאמה המונית. מפעיל 5.0 יכול לשנות במהירות את נהלי קו הייצור באמצעות תאומים דיגיטליים וכלי סימולציה כדי לעמוד בדרישות מוצר ייחודיות, ולהשיג את הגמישות וההתאמה של קו הייצור15. מפעיל 5.0 יכול לדמות את תנועות ועייפות עובדי פס הייצור באמצעות תאומים דיגיטליים, ומייצג את עיצוב תחנות העבודה, ומייצג את מושג האדם בלולאה בייצור חכם16. לכן, בחינוך מפעיל 5.0, תוך שימוש בשיפור קו ההרכבה כדוגמה, איור 1A ממחיש את הצעדים המרכזיים המעורבים כיום בזיהוי וטיפול בבעיות בקו הייצור. הפרקטיקות הנוכחיות אינן מתחשבות כראוי בהפרעות שריר-שלד הקשורות לעבודה (WMSDs) בשלבים הראשונים של תכנון הנדסי. גורמי סיכון פיזיים ארגונומיים כוללים יציבות לא נוחות, מאמץ כוח, טיפול בחומרים, עמדות נייחות וחזרה17. כאשר סיכונים אלו קיימים בפעילות הייצור בפועל, הם לא רק גורמים ל-WMSD בקרב העובדים, אלא גם מאריכים את מחזורי הייצור ומגבירים את עלויות התפעול של העסקים כאשר מתבצעים צעדים מתקנים. בויסן ואחרים סיפקו סקירה שיטתית של סוגיות איזון קווי הייצור, והדגישו את גורמי האדם כגורם קריטי בשיפור ביצועי קו הייצור18. לכן, בעידן התעשייה 5.0, חשיבות הגורמים האנושיים בניהול תפעול הפכה לבולטת אף יותר, וממלאים תפקיד משמעותיבאסטרטגיות עסקיות עכשוויות.

קאפוטו ואחרים הכניסו את תיאוריית ההנדסה המקבילית לעיצוב מקום העבודה, והציעו כי יש לשקול הערכות ארגונומיות בשלב תכנון התהליך, ובכך למנוע סיכונים ארגונומיים בשלב21 של התכנון. בעידן תעשייה 4.0, אין מספיק תשומת לב לתפקיד הליבה של הארגונומיה בתפעול הייצור, מה שמקשה על התאמה מלאה לדרישות הארגונומיה בתעשייה 5.022. לכן, בהנחיית מושג תעשייה 5.0, יש צורך בהוראת ניהול תפעול לשלב יותר תוכן ארגונומי. לדוגמה, בנושא שיפור פס הייצור, איור 1B מראה שבמקרה של מטרות ויעדים ברורים לשיפור, מדידת הסיכונים של זמן וארגונומיה בכל תהליך מתבצעת בו-זמנית, והערכות ארגונומיות נלקחות בחשבון בשלב תכנון התהליך במקביל לחשיבה הנדסית מקבילה לשיפור פס הייצור.

figure-introduction-1
איור 1: שני סוגים של תהליכי שיפור בקו הייצור. (א) תהליך שיפור פס הייצור המסורתי, ו-(ב) תהליך השילוב של גורמים אנושיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

במסגרת מפעיל 5.0 ובדרישות המשתנות של תעשייה 5.0, כוח העבודה צריך לרכוש מיומנויות דיגיטליות רלוונטיות כדי להשתתף ביעילות בעבודה ומשימות חדשות. 62% מחברות הייצור דיווחו כי המחסור בעובדים עם כישורים מתאימים הוא מכשול מרכזי להצלחת הטרנספורמציה הדיגיטלית23. הנסן ועמיתיו סקרו 30 חברות שעוקבות אחר טרנספורמציה דיגיטלית ומצאו כי הצלחת הטרנספורמציה הדיגיטלית במעבר מתעשייה 4.0 לתעשייה 5.0 תלויה בפיתוח יכולות העובדים24. אנשי מקצוע עתידיים צריכים לשלוט ביכולות דיגיטליות מתקדמות כדי לתקשר ביעילות עם מערכות חכמות25. הרמוואטי ואחרים העריכו את מצב החינוך הארגונומי הנוכחי ומצאו שיש פער בין חינוך הארגונומי הנוכחי לבין דרישות התעשייה 5.026. לכן, חשוב להכשיר מיומנויות חדשות בהתאם לדרישות התעשייה 5.0, ויש צורך לפתח את הכישורים הדיגיטליים של הסטודנטים7.

הופעת התאומים הדיגיטליים המשלבים הערכת סיכונים ארגונומית אפשרה עיצוב משולב של עיצוב מקום עבודה והערכה ארגונומית באמצעות סימולציה דיגיטלית, תוך יישום מושג ההנדסה המקבילית. זה משיג עיצוב דיגיטלי ממוקד אדם בהקשר של תעשייה 5.0. Caputo ואחרים הציעו מודל תאום דיגיטלי הכולל הערכה ארגונומית לעיצוב מקום עבודה, אשר אומת על פס הרכבה של Fiat Chrysler Automobiles (FCA) באמצעות שיטות הערכת Ergonomic Assessment Worksheet (EAWS) ו-OWAS. המחקרים שהוזכרו לעיל השתמשו בשפת התהליך מדידת שיטות-זמן (MTM) בניתוחים שלהם. MTM הוא סוג של מערכת זמן קבועה מראש (PTS) שמפרקת נהלים תפעוליים ידניים לאלמנטים בסיסיים של תנועות, תוך התחשבות בתנאי העבודה כדי לקבוע את הזמן הנדרש למשימה. ברזניק ואחרים השתמשו במערכת הניתוח האוניברסלית של MTM (MTM-UAS) יחד עם תוכנת סימולציה כדי להתמודד עם בעיית איזון פס ההרכבה (ALBP)28.

בתגובה לדרישות שהוזכרו לעיל בניהול תפעול—שילוב גורמי סיכון פיזיים ארגונומיים בשלב התכנון ההנדסי הראשוני ופיתוח מיומנויות דיגיטליות של הסטודנטים—מחקר זה משתמש בבעיית שיפור פס הייצור כדוגמה. הוא משלב הערכה ארגונומית במודל תאום דיגיטלי כדי להראות כיצד חינוך הנדסי יכול להסתגל לדרישות התעשייה 5.0, ולקדם את פיתוח מפעיל 5.0 באמצעות עיצוב ממוקד אדם ובניית יכולות דיגיטליות.

לסיכום, על רקע המעבר מתעשייה 4.0 לתעשייה 5.0 ממוקדת אדם, מאמר זה בוחן את שילוב גורמי האדם בחינוך לניהול תפעול. באמצעות דוגמה של הנחיית תלמידים בעיצוב פס ייצור במסגרת שיטות ההוראה, היא משלבת הערכת סיכונים ארגונומית כדי לסייע לתלמידים להבין את מהות Operator 5.0. על ידי הדגמת תהליך שילוב הארגונומיה בחינוך לניהול תפעול, מחקר זה שואף לספק תובנות וכיוונים חדשים הן לחינוך והן לפרקטיקה בתחום ניהול התפעול בעידן תעשייה 5.0.

פרוטוקול זה מציג נהלים ניסיוניים למדידה ושיפור סיכוני זמן וארגונומיה בתכנון פס הייצור. ההליך ניתן לסכם בחמישה שלבים: 1) איסוף מצב הייצור, 2) ניתוח בעיות בתהליך הייצור, 3) הקמת מפעל דיגיטלי, 4) אופטימיזציה של מודלים, ו-5) אימות יעילות של המפעל הדיגיטלי. אם אחת מהדרישות בחמשת השלבים אינה מתקיימת, התהליך אינו שלם ובלתי מספיק להוכחת יעילותו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מחקר זה נערך בהתאם לעקרונות הצהרת הלסינקי ואושר על ידי מועצת הביקורת המוסדית של אוניברסיטת המדע והטכנולוגיה של ג'יאנגסו. קיבלנו את הסכמה מדעת של המשתתפים בניסוי להשתמש ולשחרר את הנתונים שלהם.

1. איסוף סטטוס ייצור

הערה: שלב איסוף מצב ההפקה דורש מדידת זמן באתר ההפקה וצילום סרטונים באתר כהכנה לניתוח בעיות עתידי. לקבוע את זרימת תהליך הייצור, ולאסוף מידע על עובדים, וכן מודלים תלת-ממדיים של ציוד, מוצרים וחומרים באתר הייצור לצורך בניית מפעל דיגיטלי מאוחר יותר.

  1. אסוף את תנאי העבודה של קווי הייצור שזקוקים לשיפור. זה כולל את קצב פס ההרכבה, היקף פס הייצור ומבנה הסביבה, שטח אזור הייצור שנבדק, מידע על ציוד ייצורי ושטח רצפה, מספר העמדות המעורבות, תהליכי שיתוף פעולה בין אדם למכונה, סוגי אספקת חומרים ושיטות29.
  2. מדוד שעות אדם באמצעות שיטת סטופר כדי לקבל נתוני זמן לכל סוג עבודה.
    1. לחץ על גלגל היד של השעון המכני בפעם הראשונה כאשר העובד מתחיל פעולות מחזוריות.
    2. לחץ על גלגל היד בפעם השנייה כאשר העובד מסיים פעולות מחזוריות.
    3. תקרא את השעה.
    4. לחץ על גלגל היד בפעם השלישית כדי לאפס את הסטופר.
  3. סרטוני הפקה באתר לניתוח בעיות מאוחר יותר.
  4. אסוף מידע על העובדים מאתר הייצור. זה כולל דמוגרפיה: גיל, מין, לאום ונתונים אנתרופומטריים (היחידה היא ס"מ): (1) גובה, (2) גובה עיניים, (3) גובה כתפיים, (4) גובה מרפק, (5) גובה מפרקי האצבע, (6) גובה, ישיבה, (7) גובה עיניים, ישיבה, (8) גובה משענת מרפק, ישיבה, (9) גובה מרווח ירך, (10) גובה ברך, ישיבה, (11) מרחק ישבן לברך, ישיבה, (12) גובה פופליטיאלי, ישיבה, (13) עומק חזה, (14) רוחב מרפק-מרפק, (15) רוחב ירך,ישיבה 30.
  5. אסוף מודלים תלת-ממדיים של מוצרים, חומרים וציוד, כולל: שרטוטי הרכבה תלת-ממדיים של מוצרים, מודלים תלת-ממדיים של חומרים, מודלים תלת-ממדיים של מכונות וציוד, וכלים.
    1. איסוף איכות הרכיבים והכלים המעורבים בהפעלה ידנית ובטיפול (היחידה היא קילוגרמים). אסוף את הכוחות המרכזיים הנדרשים בזרימת העבודה, כמו הכוח הנדרש להרמת עצמים או המומנט הנדרש להידוק ברגים (היחידה היא ניוטון).

2. ניתוח בעיות בתהליך הייצור

הערה: בהתבסס על נתוני מצב הייצור שנאספו, השתמש בתוכנת ניתוח התנהגות לניתוח סרטוני ייצור באתר, ולאחר מכן זהה בעיות במהלך שלב הבנייה הדיגיטלי במפעל. השלבים הבסיסיים של תוכנת ניתוח ההתנהגות כוללים הגדרות בסיסיות בתוכנה, הגדרות קידוד תוכנה וניתוח וידאו. הנגישות לאינטרנט בתוכנה היא https://noldus.com/observer-xt-human.

  1. הגדר הגדרות בסיסיות.
    הערה: שלב זה כולל הגדרת פרמטרים לדוגמה עבור התוכנה. בחרו סוג דגימה מתאים (דגימה רציפה או לא רציפה) בהתבסס על הווידאו שצולם. לאחר השלמת ההגדרות הבסיסיות, ניתן לייבא את הווידאו.
    1. לחצו פעמיים כדי לפתוח את תוכנת ניתוח ההתנהגות.
    2. לחץ על יצירת פרויקט חדש ואז על חדש.
    3. הזן את שם הקובץ בשם הפרויקט החדש.
    4. לחץ על הגדרת פרויקט בחלון החדש הקופץ.
    5. בחר לשלב דגימה רציפה ומיידית בשיטת התצפית , שכן סרטון ההפקה הקיים הוא דוגמה של שילובי וידאו לא רציפים.
  2. הגדר קידוד תוכנה.
    הערה: שלב זה כולל הגדרת קידוד תוכנה. במהלך ניתוח הווידאו הבא, נדרש קידוד מהיר של הווידאו כדי לספור נקודות בעיה, ושלב זה מכין את הקידוד למטרה זו. לאחר השלמת שלב זה, ניתן לייבא ולנתח את הסרטון.
    1. הגדר את שיטת הקידוד בסכמת הקידוד תחת Setup. לחץ על תכנית קידוד, ואז דגימה מיידית ונושא.
    2. לחץ על הוספת קבוצת התנהגות בממשק ההתנהגויות.
    3. הכינוס סיכון ארגונומי בשם הקבוצה.
    4. הכנס כפתור, חזרה לאחור וצדדים בהתנהגויות למטה, בחר לא במשך, כי כל אלה פעולות מיידיות. בחירת התנהגויות בסוג קבוצה זה יכולה לחפוף, שכן תופעות אלו יכולות להתרחש בו-זמנית עם מצבים אפשריים אחרים, ואז לוחצים על אישור לאחר ההשלמה.
      הערה: שלב זה מוסיף את כל הסיכונים הארגונומיים שעשויים להופיע בסרטון לניתוח עתידי.
    5. שנו את הקוד בממשק Behaviors, והגדרו את מקשי ההתחלה והסוף ל-stoop, turn-back ו-sideways ל-1, 2 ו-3, בהתאמה.
      הערה: לחיצה על 1 בפעם הראשונה מצביעה על התרחשות התנהגות כפיפה, ולחיצה נוספת על 1 מציינת את עצירת התנהגות הקפידה. התנהגויות קידוד מסייעות לאנליסטים לזהות במהירות נקודות בעיה בסרטון ולהשתמש בהן לניתוח עתידי.
  3. בצע ניתוח וידאו.
    הערה: שלב זה כולל ייבוא וידאו, קידוד וסטטיסטיקות בעיות.
    1. נתח את הווידאו בתצפיות על פרויקט אקספלורר. לחץ על תצפיות, בחר ליצור תצפית חדשה בחלון הקופץ, הזן את שם הקובץ הרצוי בשם התצפית, ולחץ על אישור.
    2. מצא את הסרטון לניתוח בחלון הקופץ ולחץ על פתיחה.
    3. לחצו על כפתור Start Observation בממשק כדי להתחיל ניתוח וידאו, ולחצו על מספר הקוד המוגדר מראש בעת זיהוי נקודת בעיה, כמו לחיצה על 1 במקלדת בעת צפייה בתנועת כיפוף. לחץ על שמור תחת קובץ בראש הדף לאחר סיום המשחק כדי לאחסן את הנתונים, מה שמאפשר תיעוד מהיר של כל נקודות הבעיה שמופיעות בסרטון.
    4. צפו בנתוני ניתוח בניתוחים של פרויקט אקספלורר. לחץ על פרופיל הנתונים כדי לצפות בנתוני ציר הזמן של הקידוד. בדוק האם פעולות עומס פיזיולוגיות בתדר גבוה מופיעות בסרטון, כולל כיפוף, פנייה ותנועות צידיות.
    5. סופר את תדירות פעולות העומס הפיזיולוגי בתדר גבוה.

3. הקמת המפעל הדיגיטלי

הערה: לקו ההרכבה יש הקצאת עבודה מופרזת, שעות עבודה ארוכות, עומס עבודה לא אחיד בין התחנות, הצטברות של עבודה בתהליכים בין עמדות, ותנועות תכופות של כפוף, סיבוב וצדדים בקרב עובדי פס הייצור, לפי ניתוח נקודות הבעיה שהוזכר לעיל. כדי לפתור את הבעיות הללו, נדרשים פתרונות. מאמר זה מציע לדמות תהליכי הפעלה אנושיים ולהתאים את קו ההרכבה במפעל הדיגיטלי על ידי הקמת מפעל דיגיטלי. בהשוואה לשיפורים המסורתיים באתר, הקמת מפעל דיגיטלי מבטיחה שמדידת נתוני תהליך הייצור אינה מושפעת ממצב הצוות באתר. בנוסף, כל פרוטוקולי השיפור ניתנים לאימות ואופטימיזציה בתוכנה ללא התאמות חוזרות באתר, מה שמפחית משמעותית בזבוז זמן ועלויות במהלך תהליך השיפור. הנגישות לאינטרנט בתוכנה היא https://imk-ema.com/en/ema-work-designer.

  1. סימולציה של פס הייצור באמצעות תוכנת הנדסה תעשייתית דיגיטלית.
    1. פתח את תוכנת ההנדסה התעשייתית הדיגיטלית. לחץ על יצירת פרויקט חדש בחלון הקופץ.
    2. הגדר מידע בסיסי על הפרויקט, זמן מחזור וכו', בפרויקט הסימולציה בראש העמוד.
    3. השתמשו בכפתורי Add Object(s) From File, Add Mankin ו-Add Item From Library בלשונית Objects בראש הדף כדי לייבא מודל אנושי התואם למידע העובד שהושג בסעיף 1, יחד עם מודלים תלת-ממדיים של מדפים, חלקים ורכיבים נוספים.
    4. פרסו את הדגמים בתצוגת התלת-ממד בתחתית העמוד.
      1. ראשית, החלף את מצב הבקרה בתפריט הנפתח השמאלי ל-Layout, ואז בחר מודלים בתצוגת התלת-ממד להזזה, סיבוב וכו', השלים את פריסת קו ההרכבה הדיגיטלי, ועל ידי גרירה והזזה של האובייקט ברשימת המבנים, לחיצה כפולה לעריכת שם, צבע והערות של האובייקט, או הגדרת אובייקט האב, מיזוג מבנה האובייקטים ויצירת הפניות לאובייקט דרך תפריט המשנה בלחיצה ימנית, קבץ את האובייקטים, הקמת יחסי כפיפה, הגדרת אובייקטים רפרנס, ושינוי פרמטרים כמו צבע, מסת האובייקט ותנוחת אחיזה לסימולציה דינמית הבאה.
    5. הקצה משימות אסמבלי למודלים האנושיים הדיגיטליים המתאימים בהתאם לרצף ההרכבה של זרימת התהליך בלשונית המשימות בראש דף התוכנה. גרור את משימות ההרכבה הנדרשות מהרשימה השמאלית בדף המשימות לציר הפעולה של המודל האנושי הדיגיטלי.
      1. מצא משימות הרכבה ברשימה השמאלית של דף המשימות, כולל משימות טיפול באובייקטים (בחירת אובייקט, מיקום אובייקט, חיבור אובייקטים וכו'), משימות תנועת גוף (הליכה, כריעה וכו'), ומשימות פעולה נפוצות נוספות הקשורות לייצור תעשייתי.
      2. לאחר מכן, מלא את הפרמטרים המתאימים בהתאם לדרישות הסימולציה והתהליך של המשימה הנוכחית, כגון הגדרת האובייקט שיש להפעיל, מיקום המטרה שבו יש למקם את האובייקט, בחירת מגבלות תנוחת גוף במהלך ביצוע הפעולה, ותיאור תהליך המשימה (רמת ההגעה, דיוק המיקום, דרישות כוח האצבעות והזרוע וכו').
  2. לחץ על סמל הסימולציה כדי להריץ את הסימולציה, והתוכנה מייצרת אוטומטית אנימציית סימולציה ותוצאות ניתוח. אם מופיעה הודעת שגיאה או שתוצאות הסימולציה אינן עומדות בדרישות, התאימו את פרויקט הסימולציה בהתאם לשלב 3.1.
  3. לחצו על כפתור התוצאות בראש הדף כדי לצפות בתוצאות פעולת המודלים. צפו בתוצאות הערכה כמו זמן, ארגונומיה אנושית ומסלול הליכה מכל לשונית שמאלית, ולחצו על ארגונומיה לקבלת ציון EAWS של העובד.
    הערה: EAWS היא שיטת הערכת סיכוני עומס ביומכנית שפותחה על ידי צוות מומחים בינלאומי, המשמשת להערכת הסיכון של WMSD אליו מפעילים עלולים להיחשף במהלך העבודה.
  4. אשר את תחנות העבודה שדורשות שיפור לפי טבלת הציונים של EAWS (איור 2). בינתיים, צפו בנתוני הערכה מפורטים בתוצאות הארגונומיה של התוכנה כדי לזהות עוד יותר את המשימות התפעוליות הקריטיות ביותר שדורשות שיפור.

figure-protocol-1
איור 2: רמת הערכת EAWS. התקן לסיווג רמות סיכון ארגונומיות על פי ציוני EAWS. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

4. אופטימיזציה של מודלים

הערה: מטרת שלב זה היא להפחית את ערך הסיכון של EAWS של עובדי הייצור לרמת סיכון נמוכה.

  1. צפו בציוני העובדים בעמדות העבודה שזוהו לשיפור בשלב הקודם. עברו בין עובדים שונים ומודולים להערכה (יציבת גוף, כוח יד, טיפול בעומס וכו') בדף תוצאות הארגונומיה כדי לזהות את התורמים בסיכון הגבוה ביותר.
  2. זהה פעולות קשורות מצד התורמים בסיכון הגבוה ביותר כדי להתכונן לשיפורים הבאים.
  3. פתח אסטרטגיות שיפור המבוססות על נקודות סיכון, התאים את המודל בתוכנה, והריץ מחדש את הערכת הסימולציה.
    1. לחץ על משימות, מצא את שולחן העבודה של העובד עם התרומה הסיכונית הגבוהה ביותר בדיאגרמת העץ. לחץ על Add Object(s) From File בפינה השמאלית העליונה, ייבא את דגם התקן העיצוב החדש, והוסף את המכשיר תחת תיקיית Workbench כדי לפשט את פעולות העובד.
    2. לחץ על משימות, לחץ על ציר הפעולה של worker2_human, אתר את המשימה התפעולית שהשתנתה, ובטל פעולות מיותרות בשיטת שיפור זו. לחצו על הנקודות החלולות משמאל של מחוגי התנועה כדי לכוון ולהפעיל עד שהן הופכות לנקודות כחולות עם חץ ימין ברקע כדי לבטל את סימולציית הפעולה הנוכחית.
    3. לחץ על Simulate כדי להריץ את המודל, ובדוק חריגות לאחר השלמה כדי למנוע שגיאות לוגיות שנגרמות מהוספת מכשירים חדשים.
      1. אם קיימות אנומליות, יש לשנות את תוכן הפעולות הקשורות בהתאם לציוד ולשינויים שנוספו.
    4. הרץ את המודל שוב, חוזר על השלבים הנ"ל עד שאין אנומליות בציר הפעולה.
    5. לחץ על תוצאות, בחר ארגונומיה, וראה האם ערך הסיכון של העובד ב-EAWS ירד לירוק.
      1. אם זה לא ירד לירוק, שקול להאריך את משך המנוחה בעמודת Common בדף הארגונומיה, או להמשיך להתאים את מיקומי אספקת החומרים, רצפי התפעול ועיצוב הכלים.
    6. חזור על השלבים הנ״ל עד שסיכון ה-EAWS יורד לירוק.
  4. הרץ את המודל, וראה האם הגפיים העליונות של EAWS והגפיים העליונות של EAWS בתוצאות שניהם בתוך סף הבטיחות. סף הבטיחות דורש שציון EAWS יהיה פחות מ-50 נקודות, כפי שנראה באיור 2, והצבע הוא ירוק או צהוב.
  5. לחצו על ניתוח MTM-UAS כדי לבדוק האם שעות העבודה המשופרות הופחתו בהשוואה לשעות העבודה הקודמות, ובכך השגת המטרה של הפחתת שעות העבודה ושמירה על סיכוני ארגונומיה בתוך סף הבטיחות במהלך שיפור פס הייצור.

5. אימות יעילות של המפעל הדיגיטלי

הערה: השלבים הנ״ל הביאו לעיצוב ואופטימיזציה של קו ההרכבה במפעל הדיגיטלי. מטרת שלב האימות הזה היא להבטיח שתוצאות סימולציית התוכנה תואמות את המצב הנמדד בפועל של פס ההרכבה לאחר יישום האופטימיזציה. אם היא עקבית, ניתן לאמץ את שיטת ההפעלה הניסיונית הזו לאופטימיזציה עתידית של תכנון קווי הרכבה.

  1. אמת את תוצאות שעות העבודה.
    1. מדוד את שעות העבודה באתר הייצור המשופר כפי שמתואר בשלב 1.2.
    2. השווה את תוצאות שעות העבודה עם תוצאות התוכנה.
  2. בדוק את תוצאות הסיכון הארגונומי.
    1. מדדו סיכונים ארגונומיים באתר המשופר כפי שמתואר בשלבים 2.2 ו-2.3.
    2. השווה את תוצאות הסיכונים הארגונומיים מפלט תוכנה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

בהתבסס על פעולות הניסוי הנ״ל, התוצאות המייצגות של מאמר זה לוקחות את הרכבת מוצר מכני טיפוסי—רכיב גוף השסתום—כדוגמה להדגמת התוצאות הטיפוסיות של שילוב גורמי אנוש בניהול תפעול לשיפור העבודה. ניסוי זה מייצג את רכיב ההוראה המעשי בקורס גורמי אנוש שכבר קיים, ותוצאות ההוראה שלו הוצגו בפורום MTM סין 2025: הנדסה תעשייתית בעידן האינטליגנציה הדיגיטלית.

אוסף סטטוס הפקה
קווי הייצור שיש לשפר במאמר זה הם שלב עבודה 1, שלב עבודה 2, שלב עבודה 3 ושלב עבודה 4, כ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מחקר זה משלב לא רק יעילות בזמן אלא גם מדידת סיכונים ארגונומיים בתכנון קווי ייצור. על ידי שילוב מדידת סיכון ארגונומית, ניתן לזהות סיכוני בטיחות נסתרים פוטנציאליים במהלך שלב התכנון, כדי להבטיח שפריסת קווי הייצור מתחשבים בגורמי סיכון ארגונומיים. פרוטוקול זה משפר את פרודוקטיביות העובדים, מפחית את הסיכוי וההשפעה לתאונות, ותורם למימוש רווחת העובדים במסגרת תעשייה 5.0. ישנם שלושה שלבים קריטיים בפרוטוקול שכדאי לשים לב אליהם במיוחד, אשר יפרטו כאן לעומק.

ראשית, גורמי אנו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין מה לחשוף.

תודות

מחקר זה נתמך על ידי הקרן הלאומית למדעי הטבע של סין (72374088, 72471105, 72001096), פרויקט מרכזי לתכנון מחקר מדעי בהשכלה גבוהה של איגוד ההשכלה הגבוהה הסיני לשנת 2024 (24XX0205, מנגנוני אסטרטגיות שיתוף פעולה בין אדם לבינה מלאכותית לשיפור תוצאות הלמידה), פרויקט מרכזי לתכנון מדעי החינוך במחוז ג'יאנגסו לשנת 2024 (B-b/2024/01/162, בניית מודלים ומחקר אמפירי בלמידה רב-מודלית מנקודת מבט חינוכית מדעי המוח) וקרן מדעי הרוח והחברה של משרד החינוך של סין (24YJCZH445).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
חבילת תוכנה של EMAIMK אינדסטריאל אינטליגנציה GmbHV2.2.0.3הקמת המפעל הדיגיטלי
Observer XTנולדוס טכנולוגיית מידעV12.0ניתוח בעיות בתהליך הייצור

מקורות

  1. Moeuf, A., Pellerin, R., Lamouri, S., Tamayo-Giraldo, S., Barbaray, R. The industrial management of SMES in the era of Industry 4.0. Int J Prod Res. 56 (3), 1118-1136 (2018).
  2. Trstenjak, M., Benesova, A., Opetuk, T., Cajner, H. Human factors and ergonomics in industry 5.0-a systematic literature review. Appl Sci. 15 (4), 2123(2025).
  3. Jackson, I., Ivanov, D., Dolgui, A., Namdar, J. Generative artificial intelligence in supply chain and operations management: A capability-based framework for analysis and implementation. Int J Prod Res. 62 (17), 6120-6145 (2024).
  4. Alves, J., Lima, T. M., Gaspar, P. D. Is Industry 5.0 a human-centred approach? A systematic review. Processes. 11 (1), 193(2023).
  5. Castagnoli, R., Cugno, M., Maroncelli, S., Cugno, A. A new research agenda for human-centric manufacturing: A systematic literature review. IEEE Trans Eng Manag. 71, 15236-15253 (2024).
  6. Ivanov, D. The industry 5.0 framework: Viability-based integration of the resilience, sustainability, and human-centricity perspectives. Int J Prod Res. 61 (5), 1683-1695 (2023).
  7. Bolis, I., Marques, J. N., Cagno, E., Morioka, S. N. Digital technologies, sustainability, and work: How can these themes be brought together to promote a human-centered future in industry 5.0 implementation. Appl Ergon. 125, 104475(2025).
  8. Horvat, D., Jäger, A., Lerch, C. M. Fostering innovation by complementing human competences and emerging technologies: An industry 5.0 perspective. Int J Prod Res. 63 (3), 1126-1149 (2025).
  9. Gladysz, B., et al. Current development on the operator 4.0 and transition towards the operator 5.0: A systematic literature review in light of industry 5.0. J Manuf Syst. 70, 160-185 (2023).
  10. Verdugo-Cedeño, M., Jaiswal, S., Ojanen, V., Hannola, L., Mikkola, A. Simulation-based digital twins enabling smart services for machine operations: An industry 5.0 approach. Int J Hum Comput Interact. 40 (20), 6327-6343 (2024).
  11. Mattsson, S., Kurdve, M. Skills and Information Needed for Operator 5.0 in Emergency Production. Advances in Production Management Systems. Production Management Systems for Volatile, Uncertain, Complex, and Ambiguous Environments. APMS 2024. , IFIP Advances in Information and Communication Technology. Springer. Cham. (2024).
  12. Peruzzini, M., Prati, E., Pelicciari, M. A framework to design smart manufacturing systems for industry 5.0 based on the human-automation symbiosis. Int J Comput Integr Manuf. 37 (10-11), 1426-1443 (2024).
  13. Yaqot, M., Menezes, B., Mohammed, A., Moloney, K. A State-of-the-Art Review and Framework for Human-Centric Automation in Industry 5.0. Advances in Production Management Systems. Production Management Systems for Volatile, Uncertain, Complex, and Ambiguous Environments. APMS 2024. , IFIP Advances in Information and Communication Technology. Springer. Cham. (2024).
  14. Enang, E., Bashiri, M., Jarvis, D. Exploring the transition from techno centric industry 4.0 towards value centric industry 5.0: A systematic literature review. Int J Prod Res. 61 (22), 7866-7902 (2023).
  15. Durugbo, C. M. Uncertainties of supply chain transition and integration for industry 5.0: A review of operations management literature. Int J Prod Res. 63 (18), 6915-6937 (2025).
  16. Kim, D. B., et al. Human-in-the-loop in smart manufacturing (h-sm): A review and perspective. J Manuf Syst. 82, 178-199 (2025).
  17. Otto, A., Battaïa, O. Reducing physical ergonomic risks at assembly lines by line balancing and job rotation: A survey. Comput Ind Eng. 111, 467-480 (2017).
  18. Boysen, N., Schulze, P., Scholl, A. Assembly line balancing: What happened in the last fifteen years. Eur J Oper Res. 301 (3), 797-814 (2022).
  19. Hasanain, B. The role of ergonomic and human factors in sustainable manufacturing: A review. Machines. 12 (3), 159(2024).
  20. Reiman, A., Takala, E. -P., Parviainen, E., Kaivo-Oja, J. Human work in strategic technology transitions in manufacturing. Int J Hum Factors Ergon. 11 (3), 266-288 (2024).
  21. Caputo, F., Greco, A., Fera, M., Macchiaroli, R. Digital twins to enhance the integration of ergonomics in the workplace design. Int J Ind Ergon. 71, 20-31 (2019).
  22. Brunner, S., Yuching, C. K., Bengler, K. Streamlining operations management by classifying methods and concepts of lean and ergonomics within a sociotechnical framework. Oper Manag Res. 17 (3), 1172-1196 (2024).
  23. Investment Report 2022/2023: Resilience and renewal in Europe. , European Investment Bank. Luxembourg. https://www.eib.org/en/publications/online/all/investment-report-2022-2023 (2023).
  24. Hansen, A. K., Christiansen, L., Lassen, A. H. Technology isn't enough for industry 4.0: On smes and hindrances to digital transformation. Int J Prod Res. 63 (18), 6585-6605 (2025).
  25. Xu, X., Lu, Y. Q., Vogel-Heuser, B., Wang, L. H. Industry 4.0 and industry 5.0-inception, conception and perception. J Manuf Syst. 61, 530-535 (2021).
  26. Hermawati, S., Correa, R., Mohan, M., Lawson, G., Houghton, R. Defining human-centricity in Industry 5.0 and assessing the readiness of ergonomics/human factors communities in UK. Ergonomics. 68 (6), 857-876 (2025).
  27. Caputo, F., Greco, A., Fera, M., Macchiaroli, R. Workplace design ergonomic validation based on multiple human factors assessment methods and simulation. Prod Manuf Res. 7 (1), 195-222 (2019).
  28. Breznik, M., Buchmeister, B., Herzog, N. V. Assembly line optimization using mtm time standard and simulation modeling-a case study. Appl Sci. 13 (10), 6265(2023).
  29. Stephens, M. P. Manufacturing Facilities Design & Material Handling. , 6th ed, Purdue University Press. West Lafayette. (2019).
  30. Sanders, M. S., Mccormick, E. J. Human Factors in Engineering and Design. , 7th ed, McGraw-Hill Education. New York. (1993).
  31. Gualtieri, L., et al. Updating design guidelines for cognitive ergonomics in human-centred collaborative robotics applications: An expert survey. Appl Ergon. 117, 104246(2024).
  32. Lucchese, A., Mummolo, G. Human-centric assistive technologies in manual picking and assembly tasks: A literature review. Manag Prod Eng Rev. , https://journals.pan.pl/dlibra/show-content?id=132156 (2024).
  33. Su, C., Tang, X., Han, Y., Wang, T., Jiang, D. S. Cognitive digital twin in manufacturing process: integrating the knowledge graph for enhanced human-centric Industry 5.0. Int J Prod Res. , (2024).
  34. Huang, K., et al. Spatial relationship-aware rapid entire body fuzzy assessment method for prevention of work-related musculoskeletal disorders. Appl Ergon. 115, 104176(2024).
  35. Breznik, M., Buchmeister, B., Herzog, N. V. Evaluation of the EAWS ergonomic analysis on the assembly line: Xsens vs. Manual expert method-a case study. Sensors. 25 (15), 4564(2025).
  36. Simeone, A., Grant, R., Ye, W., Caggiano, A. A human-cyber-physical system for operator 5.0 smart risk assessment. Int J Adv Manuf Technol. 129 (5), 2763-2782 (2023).
  37. Zheng, T., Grosse, E. H., Morana, S., Glock, C. H. A review of digital assistants in production and logistics: Applications, benefits, and challenges. Int J Prod Res. 62 (21), 8022-8048 (2024).
  38. Dolgui, A., Ivanov, D. Metaverse supply chain and operations management. Int J Prod Res. 61 (23), 8179-8191 (2023).
  39. Langendorf, L. N., Khalid, M. S. Systematic literature review on usability and training outcomes of using digital training technologies in industry. Comput Hum Behav Rep. 17, 100604(2025).
  40. Mourtzis, D., Angelopoulos, J. Development of an extended reality-based collaborative platform for engineering education: Operator 5.0. Electronics. 12 (17), 3663(2023).
  41. Guo, J., et al. Industrial metaverse towards industry 5.0: Connotation, architecture, enablers, and challenges. J Manuf Syst. 76, 25-42 (2024).
  42. Leng, J., et al. Digital twins-based remote semi-physical commissioning of flow-type smart manufacturing systems. J Clean Prod. 306, 127278(2021).
  43. Rožanec, J. M., et al. Human-centric artificial intelligence architecture for Industry 5.0 applications. Int J Prod Res. 61 (20), 6847-6872 (2023).
  44. Ni, M. Z., Wang, T., Leng, J. W., Chen, C., Cheng, L. L. A large language model-based manufacturing process planning approach under Industry 5.0. Int J Prod Res. , (2025).
  45. Ma, Y., Zheng, S., Yang, Z., Pan, H., Hong, J. A knowledge-graph enhanced large language model-based fault diagnostic reasoning and maintenance decision support pipeline towards Industry 5.0. Int J Prod Res. , (2025).
  46. Leng, J., et al. Resilient manufacturing: A review of disruptions, assessment, and pathways. J Manuf Syst. 79, 563-583 (2025).
  47. Leng, J., et al. Review of manufacturing system design in the interplay of industry 4.0 and industry 5.0 (part I): Design thinking and modeling methods. J Manuf Syst. 76, 158-187 (2024).
  48. Leng, J., et al. Review of manufacturing system design in the interplay of industry 4.0 and industry 5.0 (part ii): Design processes and enablers. J Manuf Syst. 79, 528-562 (2025).
  49. Yan, J., et al. Human-centric artificial intelligence towards industry 5.0: Retrospect and prospect. J Ind Inf Integr. 47, 100903(2025).
  50. Leng, J., et al. Aigc-empowered smart manufacturing: Prospects and challenges. Rob Comput Integr Manuf. 97, 103076(2026).
  51. Wang, B., et al. Human digital twin in the context of Industry 5.0. Rob Comput Integr Manuf. 85, 102626(2024).
  52. Bucci, I., Fani, V., Bandinelli, R. Towards human-centric manufacturing: Exploring the role of human digital twins in industry 5.0. Sustainability. 17 (1), 129(2025).
  53. Gaffinet, B., Ali, J. A., Naudet, Y., Panetto, H. Human digital twins: A systematic literature review and concept disambiguation for Industry 5.0. Comput Ind. 166, 104230(2025).
  54. Caterino, M., Rinaldi, M., Fera, M. Digital ergonomics: An evaluation framework for the ergonomic risk assessment of heterogeneous workers. Int J Comput Integr Manuf. 36 (2), 239-259 (2023).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים