Artykuł metodologiczny

Integracja czynników ludzkich w edukacji z zarządzania operacjami w erze Industry 5.0

DOI:

10.3791/69833

⸱

14 kwietnia 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.

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejsze badanie przedstawia ramy integracji czynników ludzkich w edukacji zarządzania operacyjnymi w kontekście Przemysłu 5.0. Protokół stosuje równoległą inżynierię do integracji ergonomicznej oceny podczas projektowania miejsca pracy, w tym zbierania danych produkcyjnych, analizy problemów, cyfrowego zakładania fabryki, optymalizacji modeli oraz walidacji.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Era Przemysłu 5.0 kładzie nacisk na centralność człowieka, zrównoważony rozwój i odporność, stawiając nowe wymagania dotyczące kierunku kształcenia talentów we współczesnym szkolnictwie wyższym. Edukacja inżynierska również adaptuje się i przewodzi rozwojowi Przemysłu 5.0. Niniejsze badanie proponuje innowacyjne ramy integrujące czynniki ludzkie z nowoczesnym systemem edukacji zarządzania operacjami w szkolnictwie wyższym. Zarządzanie operacjami obejmuje zarządzanie całym procesem, w tym łańcuchem dostaw, zapasami, kontrolą jakości itp. Wraz z ewolucją od Przemysłu 4.0 do 5.0, zarządzanie operacyjne koncentruje się na ludziach, kładąc nacisk na współpracę człowieka z maszyną oraz wzmacnianie pozycji pracowników. Dlatego treść nauczania należy dostosować, aby pomóc uczniom nauczyć się wykorzystywać zasady czynników ludzkich do optymalizacji procesów pracy, zmniejszenia zmęczenia pracowników i minimalizowania ryzyka. Niniejszy artykuł proponuje zastosowanie czynników ludzkich w zarządzaniu operacjami poprzez stworzenie wirtualnego, połączonego środowiska produkcyjnego, które symuluje rzeczywiste linie montażowe, wykrywa problemy czynników ludzkich oraz redukuje odchylenia poprzez analizę numeryczną. Protokół ten umożliwia identyfikację i ocenę zagrożeń ergonomicznych na etapie projektowania, zapewniając ukierunkowane działania usprawnienia. Protokół ten pomaga studentom zrozumieć, jak zmniejszyć liczbę wypadków, poprawić efektywność pracy oraz zmniejszyć dodatkowe koszty związane z interwencjami korekcyjnymi podczas nauczania zarządzania operacjami. Dzięki ergonomii cyfrowej uczniowie mogą zrozumieć i opanować ergonomiczne metody oceny ryzyka. W związku z tym artykuł analizuje, jak lepiej integrować czynniki ludzkie w zarządzaniu operacjami, osiągając integrację technologii inżynierskiej i ludzkiej oraz proponując nowe pomysły i kierunki edukacji i praktyki w dziedzinie zarządzania operacjami. W przyszłych zastosowaniach łączenie czynników ludzkich z ludzkim cyfrowym bliźniakiem (HDT) oraz treściami generowanymi przez sztuczną inteligencję (AIGC) umożliwi inteligentną produkcję i umożliwi skoncentrowaną na człowieku inteligentną produkcję w praktyce inżynieryjnej.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przemysł 4.0 zasadniczo zrewolucjonizował produkty, usługi i procesy poprzez integrację zaawansowanych technologii, takich jak Internet Rzeczy, Big Data, Cyberbezpieczeństwo, Chmura Obliczeniowa, Produkcja Addytywna oraz Zaawansowana Robotyka 1,2. Wraz z rozwojem sztucznej inteligencji (AI), Przemysł 4.0 integruje technologię AI z różnymi zaawansowanymi technologiami, zmieniając krajobraz produkcji i operacji3. Jednak choć Przemysł 4.0 znacząco zwiększa produktywność i tworzy nowe możliwości zatrudnienia dla pracowników, niesie ze sobą wyzwania takie jak zwiększone wymagania poznawcze, wyższe ryzyko związane z pracą oraz potrzeba ciągłego doskonalenia umiejętności4. Aby rozwiązać problem zaniedbywania czynników ludzkich podczas szybkiego rozwoju Przemysłu 4.0, Komisja Europejska zaproponowała koncepcję Przemysłu 5.0, podkreślając trzy kluczowe elementy: centralność człowieka, zrównoważony rozwój i odporność 5,6. Przemysł 5.0 kładzie nacisk na współpracę między ludźmi a AI, zwiększając produktywność przy jednoczesnym zapewnieniu zdrowia ludzi i zrównoważonego rozwoju środowiskowego, a tym samym osiągając zrównoważony wzrost gospodarczy7. Horvat i in. przeanalizowali dane z 1334 firm produkcyjnych, a wyniki badania wskazują, że Przemysł 5.0 skoncentrowany na człowieku zwiększa zdolność producenta do innowacji w produktach, przy czym udział pracowników jest istotnym czynnikiem, odzwierciedlając znaczenie Przemysłu 5.08 zorientowanego na człowieka.

Industry 5.0 kładzie nacisk na połączenie ludzkiej kreatywności i precyzji technologicznej, co dało początek koncepcji Operator 5.09. Operator 5.0 umieszcza operatorów w systemach produkcyjnych skoncentrowanych na człowieku, obejmujących systemy społeczno-techniczne, zrównoważony rozwój społeczny oraz inżynierię odporności10. Mattsson i Kurdve proponują, że Operator 5.0 obejmuje 9 czynników: zdolności poznawczo-fizyczne do wykonywania zadań, ogólne umiejętności cyfrowe, uniwersalny design, minimalizację nieoczekiwanych zdarzeń, produktywność i jakość, bezpieczeństwo, standardy, instrukcje oraz materiały szkoleniowe11. Peruzzini i in., opierając się na Operatorze 5.0, zaproponowali Augmented Digital Twin (ADT), który integruje maszyny, roboty, środowiska, interfejsy i ludzi, tworząc tym samym inteligentne systemy produkcyjne skoncentrowane na człowieku12. Yaqot i in. zaproponowali rozszerzony framework symbiozy człowieka-automatyzacji (EHAS), kładąc nacisk na osiągnięcie symbiozy człowieka-automatyzacji poprzez wzmocnienie fizyczne i sensoryczne, wzmocnienie funkcji poznawczych i emocjonalnych, usprawnienie komunikacji i współpracy, etykę cyfrową, obywatelstwo cyfrowe, prywatność oraz poprawę praw człowieka13.

Przejście z Przemysłu 4.0 do Przemysłu 5.0 oznacza przejście od produkcji technologicznie do produkcji skoncentrowanej na wartości14. Szkolnictwo wyższe musi stawić czoła wyzwaniom niesionym przez Przemysł 5.0 i zreformować istniejące programy nauczania, aby kształcić przyszłą siłę roboczą. Programy uniwersyteckie muszą uwzględnić kompetencje wymagane do Operator 5.0, aby przygotować studentów zdobywających wykształcenie inżynierskie do przyszłego rozwoju kariery.

Wdrożenie edukacji Operator 5.0 doprowadziło do zmian w celach nauczania kursów zarządzania operacyjnym. Jako podstawowa funkcja nowoczesnego zarządzania przedsiębiorstwem, zarządzanie operacyjne obejmuje cały proces od zakupu surowców po dostarczanie finalnych produktów lub usług. Obejmuje wiele wymiarów, takich jak zarządzanie łańcuchem dostaw, planowanie i harmonogramowanie produkcji, studia pracy, zarządzanie zapasami oraz kontrola jakości. Celem nauczania kursów zarządzania operacjami jest umożliwienie studentom optymalizacji alokacji zasobów, poprawy efektywności, obniżenia kosztów oraz zapewnienia, że jakość i szybkość dostarczania produktów lub usług odpowiadają wymaganiom rynku. W szczególności komponent work-study pomaga studentom głęboko zrozumieć i opanować teoretyczną wiedzę operatorów w zarządzaniu operacjami, analizować złożone studia przypadków oraz proponować innowacyjne i praktyczne rozwiązania poprzez naukę praktyczną.

Linia montażowa, jako najbardziej typowa sytuacja produkcyjna w produkcji, jest głównym obszarem zastosowań technologii związanej z Operatorem 5.0. Przemysł 5.0 wymaga linii montażowych do obsługi konkretnych potrzeb produkcyjnych. Operator 5.0, łącząc ludzką kreatywność z technologicznym wzmocnieniem, umożliwia przejście linii montażowych z masowej produkcji na masową personalizację. Operator 5.0 może szybko zmieniać procedury na linii montażowej, wykorzystując cyfrowe bliźniaki i narzędzia symulacyjne, aby spełnić unikalne wymagania produktu, osiągając elastyczność i elastyczność liniimontażowej 15. Operator 5.0 może symulować ruchy i zmęczenie pracowników linii montażowej za pomocą cyfrowych bliźniaków, optymalizując projektowanie stanowisk roboczych, reprezentując koncepcję Człowieka w pętli inteligentnej produkcji16. Dlatego w edukacji operatora 5.0, biorąc za przykład ulepszenie linii montażowej, Rysunek 1A ilustruje główne etapy obecne w identyfikacji i rozwiązywaniu problemów na linii montażowej. Obecne praktyki nie uwzględniają w wystarczającym zakresie zaburzeń układu mięśniowo-szkieletowego (WMSD) związanych z pracą na wczesnych etapach projektowania inżynierskiego. Fizyczne ergonomiczne czynniki ryzyka obejmują niezgrabne pozycje, wysiłek siłowy, manipulację z materiałem, pozycję stacjonarną oraz powtarzalność17. Gdy te ryzyka występują w rzeczywistej produkcji, nie tylko powodują WMSD wśród pracowników, ale także wydłużają cykle produkcyjne i zwiększają koszty operacyjne przedsiębiorstw przy wdrażaniu środków naprawczych. Boysen i in. przedstawili systematyczny przegląd problemów balansowania linii montażowej, podkreślając czynniki ludzkie jako kluczowy czynnik poprawiający wydajność linii montażowej18. Dlatego w erze Przemysłu 5.0 znaczenie czynników ludzkich w zarządzaniu operacjami stało się jeszcze bardziej widoczne, odgrywając istotną rolę we współczesnych strategiach biznesowych19,20.

Caputo i in. wprowadzili teorię inżynierii współbieżnej do projektowania miejsc pracy, proponując uwzględnianie ergonomicznych ocen na etapie projektowania procesu, co potencjalnie zapobiega ryzykom ergonomicznym w fazie projektowania21. W erze Przemysłu 4.0 nie poświęca się wystarczającej uwagi kluczowej roli ergonomii w operacjach produkcyjnych, co utrudnia pełne dostosowanie się do wymagań ergonomicznych w Przemyśle 5.022. Dlatego, kierując się koncepcją Przemysłu 5.0, praktyka nauczania zarządzania operacjami musi zawierać więcej treści ergonomicznych. Biorąc za przykład kwestię poprawy linii montażowej, Rysunek 1B pokazuje, że w przypadku jasnych celów i celów poprawy, pomiar ryzyka czasowego i ergonomicznego w każdym procesie jest realizowany równocześnie, a ergonomiczne oceny są rozpatrywane na etapie projektowania procesu równolegle z równoczesnym myśleniem inżynierskim dla ulepszania linii montażowej.

figure-introduction-1
Rysunek 1: Dwa rodzaje procesów ulepszania linii montażowej. (A) tradycyjny proces ulepszania linii montażowej oraz (B) integracja czynników ludzkich. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

W ramach Operator 5.0 oraz zmieniających się wymagań Przemysłu 5.0, pracownicy muszą zdobywać odpowiednie umiejętności cyfrowe, aby skutecznie realizować nowe zadania i prace. 62% firm produkcyjnych zgłosiło, że brak pracowników z odpowiednimi kwalifikacjami jest główną przeszkodą w sukcesie transformacji cyfrowej23. Hansen i in. przeprowadzili ankietę wśród 30 firm realizujących transformację cyfrową i stwierdzili, że sukces transformacji cyfrowej podczas przejścia z Przemysłu 4.0 do Przemysłu 5.0 zależy od rozwijania kompetencji pracowników24. Przyszli profesjonaliści muszą opanować zaawansowane możliwości cyfrowe, aby skutecznie współpracować z inteligentnymi systemami25. Hermawati i in. ocenili obecny stan edukacji ergonomicznej i stwierdzili, że istnieje różnica między obecną edukacją ergonomiczną a wymaganiami Przemysłu 5.026. Dlatego kluczowe jest kształcenie nowych umiejętności zgodnie z wymaganiami Przemysłu 5.0 oraz rozwijanie kompetencji cyfrowych uczniów7.

Pojawienie się cyfrowych bliźniaków z ergonomiczną oceną ryzyka umożliwiło zintegrowane projektowanie miejsca pracy oraz ergonomiczną ocenę poprzez symulację cyfrową, stosując koncepcję inżynierii współbieżnej. To pozwala na projektowanie cyfrowe skoncentrowane na człowieku w kontekście Przemysłu 5.0. Caputo i in. zaproponowali model cyfrowego bliźniaka, który obejmuje ergonomiczną ocenę projektowania miejsca pracy, który został zweryfikowany na linii montażowej Fiat Chrysler Automobiles (FCA) przy użyciu zarówno Arkusza Oceny Ergonomicznej (EAWS), jak i Ovako Working Posture Analyzying System (OWAS) 21,27. Wspomniane powyżej badania wykorzystywały język procesów Methods-Time Measurement (MTM) w swoich analizach. MTM to rodzaj Systemu Określonego Czasu (PTS), który rozkłada ręczne procedury operacyjne na podstawowe elementy ruchów, uwzględniając warunki pracy, aby określić czas potrzebny na wykonanie zadania. Breznik i in. zastosowali system MTM Universal Analysis System (MTM-UAS) wraz z oprogramowaniem symulacyjnym do rozwiązania problemu balansowania linii montażowej (ALBP)28.

W odpowiedzi na wspomniane wymagania zarządzania operacyjnymi — integrację fizycznych ergonomicznych czynników ryzyka podczas początkowej fazy projektowania inżynierskiego oraz rozwijanie kompetencji cyfrowych studentów — niniejsze badanie wykorzystuje problem ulepszania linii montażowej jako przykład. Integruje ergonomiczną ocenę w modelu cyfrowego bliźniaka, aby pokazać, jak edukacja inżynierska może dostosować się do wymagań Przemysłu 5.0, wspierając rozwój Operatora 5.0 poprzez projektowanie skoncentrowane na człowieku i budowanie cyfrowych kompetencji.

Podsumowując, na tle przejścia od Przemysłu 4.0 do skoncentrowanego na człowieku Przemysłu 5.0, niniejszy artykuł bada integrację czynników ludzkich w edukacji zarządzania operacyjną. Na przykładzie prowadzenia studentów w projektowaniu linii montażowej w ramach praktyk dydaktycznych, wprowadza ergonomiczną ocenę ryzyka, aby pomóc uczniom zrozumieć istotę Operator 5.0. Poprzez demonstrację procesu integracji ergonomii z edukacją zarządzania operacjami, badanie ma na celu dostarczenie nowych spostrzeżeń i kierunków zarówno dla edukacji, jak i praktyki w dziedzinie zarządzania operacyjnego w erze Przemysłu 5.0.

Protokół ten przedstawia eksperymentalne procedury pomiaru i poprawy ryzyka czasu oraz ergonomii w projektowaniu linii montażowej. Procedurę można podsumować w pięciu etapach: 1) Zebranie statusu produkcji, 2) Analiza problemów w procesie produkcyjnym, 3) Utworzenie fabryki cyfrowej, 4) optymalizacja modelu oraz 5) Weryfikacja skuteczności fabryki cyfrowej. Jeśli którykolwiek z tych wymagań w pięciu etapach nie zostanie spełniony, proces jest niekompletny i niewystarczający, by udowodnić skuteczność.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to zostało przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej i zatwierdzone przez Instytucjonalną Radę Przeglądową Uniwersytetu Nauki i Technologii w Jiangsu. Uzyskaliśmy świadomą zgodę uczestników eksperymentu na wykorzystanie i udostępnienie ich danych.

1. Status zbioru produkcji

UWAGA: Faza zbierania statusu produkcji wymaga pomiaru czasu na miejscu produkcji oraz nagrywania filmów na miejscu, aby przygotować się do dalszej analizy problemu. Określić przepływ procesu produkcyjnego oraz zbierać informacje o pracownikach oraz modele 3D sprzętu, produktów i materiałów na placu produkcyjnym do późniejszej budowy fabryki cyfrowej.

  1. Zbierz warunki pracy linii montażowych, które wymagają poprawy. Obejmuje to tempo linii montażowej, skalę linii montażowej i układ środowiskowy, obszar analizowanego obszaru produkcji, informacje o sprzęcie produkcyjnym i powierzchni produkcyjnej, liczbę zaangażowanych stanowisk, procesy współpracy człowiek-maszyna, rodzaje dostaw materiałów oraz metody29.
  2. Mierz liczbę roboczogodzin metodą stopera, aby uzyskać dane o czasie dla każdego typu pracy.
    1. Po raz pierwszy naciśnij koło ręczne mechanicznego stopera, gdy pracownik rozpoczyna cykliczne czynności.
    2. Naciśnij koło ręczne po raz drugi, gdy pracownik kończy cykliczne działania.
    3. Przeczytaj godzinę.
    4. Naciśnij koło po raz trzeci, aby zresetować stoper.
  3. Nagrywaj filmy produkcyjne na miejscu do dalszej analizy problemów.
  4. Zbieraj informacje o pracownikach z miejsca produkcji. Obejmuje to dane demograficzne: wiek, płeć, narodowość oraz dane antropometryczne (jednostka to cm): (1) Wzrost, (2) Wysokość oczu, (3) Wysokość barków, (4) Wysokość łokcia, (5) Wysokość kostki, (6) Wysokość podczas siedzenia, (7) Wysokość oczu, (8) Wysokość podpierek łokci, (8) Wysokość podpórki między udem, (10) Wysokość kolana, siedzące, (11) Odległość między pośladkami, siedzenie, (12) Wysokość pośladków, siedzenie, (13) Głębokość klatki piersiowej, (14) Szerokość łokcia, (15) Szerokość bioder, siedzący30.
  5. Zbieraj modele 3D produktów, materiałów i sprzętu, w tym: rysunki montażowe 3D produktów, modele 3D materiałów, modele 3D maszyn i urządzeń oraz narzędzia.
    1. Zbieraj jakość komponentów i narzędzi zaangażowanych w ręczną obsługę i obsługę (jednostka to kilogramy). Zbierz kluczowe siły niezbędne w przepływie pracy, takie jak siła potrzebna do podnoszenia obiektów lub moment potrzebny do dokręcania śrub (jednostka to niutony).

2. Analiza problemów w procesie produkcyjnym

UWAGA: Na podstawie zebranych danych o stanie produkcji korzystaj z oprogramowania do analizy zachowań do analizy materiałów produkcyjnych na miejscu, a następnie identyfikuj problemy podczas fazy budowy fabryki cyfrowej. Podstawowe kroki oprogramowania do analizy zachowań obejmują podstawowe ustawienia oprogramowania, ustawienia kodowania oraz analizę wideo. Dostępność oprogramowania w sieci jest https://noldus.com/observer-xt-human.

  1. Ustaw podstawowe ustawienia.
    UWAGA: Ta faza polega na ustawianiu parametrów próbek dla oprogramowania. Wybierz odpowiedni typ próbki (ciągłą lub nieciągłą próbkę) na podstawie nakręconego wideo. Po ukończeniu podstawowych ustawień wideo można zaimportować.
    1. Kliknij dwukrotnie, aby otworzyć oprogramowanie do analizy zachowań.
    2. Kliknij Create a New Project, a następnie New.
    3. Wpisz nazwę pliku w Nazwa nowego projektu.
    4. Kliknij Ustaw projekt w wyskakującym oknie z nowym oknem.
    5. Wybierz opcję Połączenie ciągłego i natychmiastowego próbkowania w metodzie obserwacji , ponieważ istniejące wideo produkcyjne jest próbką kombinacji wideo nieciągłych.
  2. Ustaw programowanie.
    UWAGA: Ten etap obejmuje konfigurację programowania. Podczas dalszej analizy wideo wymagane jest szybkie kodowanie wideo, aby zliczyć punkty problemowe, a ten etap przygotowuje kodowanie do tego celu. Po ukończeniu tego etapu wideo może zostać zaimportowane i przeanalizowane.
    1. Ustaw metodę kodowania w schemacie kodowania w sekcji Setup. Kliknij schemat kodowania, następnie Natychmiastowe Próbkowanie i Temat.
    2. Kliknij Dodaj grupę zachowań w interfejsie Zachowania.
    3. W nazwie grupy wpisz ryzyko ergonomiczne.
    4. Wejdź w pochylanie, zwrot i boczne w sekcji Zachowania poniżej, wybierz Nie w Czas trwania, ponieważ są to wszystkie działania natychmiastowe. Wybrane zachowania w tym typie grupy mogą się nakładać, ponieważ zjawiska te mogą występować jednocześnie z innymi możliwymi sytuacjami, a po zakończeniu kliknij OK.
      UWAGA: Ten krok dodaje wszystkie ergonomiczne ryzyka, które mogą pojawić się w filmie do późniejszej analizy.
    5. Zmodyfikuj kod w interfejsie Zachowania, ustawiając klawisze start i end dla pochylenia, zwrotu i bocznego ruchu odpowiednio na 1, 2 i 3.
      UWAGA: Naciśnięcie 1 po raz pierwszy oznacza wystąpienie zachowania pochylenia, a ponowne naciśnięcie 1 oznacza zatrzymanie zachowania pochylania. Zachowania kodujące pomagają analitykom szybko zidentyfikować problematyczne punkty wideo i wykorzystać je do dalszej analizy.
  3. Wykonaj analizę wideo.
    UWAGA: Ten etap obejmuje import, kodowanie i statystykę problemów.
    1. Przeanalizuj wideo w Obserwacjach Project Explorer. Kliknij Obserwacje, wybierz Utwórz nową obserwację w oknie wyskakującym oknem, wpisz pożądaną nazwę pliku w nazwie Obserwacji i kliknij OK.
    2. Znajdź film do analizy w oknie wyskakującym i kliknij Otwórz.
    3. Kliknij przycisk Start Observation w interfejsie, aby rozpocząć analizę wideo, i naciśnij gotowy numer kodu przy identyfikacji problemowego punktu, na przykład naciskając 1 na klawiaturze podczas zaobserwowania ruchu zginania. Kliknij Zapisz w sekcji Plik na górze strony po zakończeniu zakończenia, aby przechować dane, umożliwiając szybką dokumentację wszystkich problematycznych punktów pojawiających się w filmie.
    4. Zobacz dane analityczne w analizach Project Explorer. Kliknij Profil danych, aby zobaczyć dane osi czasowej kodu. Sprawdź, czy na filmie pojawiają się wysokoczęstotliwościowe działania obciążenia fizjologiczne, w tym pochylanie, obracanie się i ruchy na boki.
    5. Policz częstotliwość wysokich częstotliwości działań obciążenia fizjologicznego.

3. Utworzenie fabryki cyfrowej

UWAGA: Linia montażowa charakteryzuje się nadmiernym przydziałem zadań, długimi godzinami pracy, nierównym obciążeniem pracą między stanowiskami, gromadzeniem się pracy w toku między stanowiskami oraz częstym pochylaniem się, skręcaniem i ruchami na boki wśród pracowników linii montażowej, zgodnie z analizą problemu wspomnianą powyżej. Aby rozwiązać te problemy, potrzebne są rozwiązania. Niniejszy artykuł proponuje symulację procesów pracy człowieka oraz dostosowanie linii montażowej w cyfrowej fabryce poprzez utworzenie fabryki cyfrowej. W porównaniu z tradycyjnymi ulepszeniami na miejscu, utworzenie fabryki cyfrowej zapewnia, że pomiar danych o procesie produkcyjnym nie jest zakłócony przez stan personelu na miejscu. Dodatkowo, wszystkie protokoły poprawcze mogą być weryfikowane i optymalizowane w oprogramowaniu bez konieczności powtarzających się dostosowań na miejscu, co znacząco zmniejsza straty czasu i kosztów podczas procesu ulepszania. Dostępność oprogramowania w sieci jest https://imk-ema.com/en/ema-work-designer.

  1. Symuluj linię montażową za pomocą cyfrowego oprogramowania inżynierii przemysłowej.
    1. Otwórz cyfrowe oprogramowanie inżynierii przemysłowej. Kliknij Utwórz nowy projekt w okienku wyskakującym (pop up).
    2. Ustaw podstawowe informacje o projekcie, czas cyklu itp. w Projekcie Symulacyjnym na górze strony.
    3. Użyj przycisków Dodaj obiekt(y) z pliku, Dodaj manikin oraz Dodaj element z biblioteki w zakładce Obiekty na górze strony, aby zaimportować model człowieka odpowiadający informacjom o pracowniku uzyskanym w sekcji 1, wraz z modelami 3D półek, części i innych komponentów.
    4. Rozmieszczcie modele w widoku 3D na dole strony.
      1. Najpierw przełącz tryb sterowania w lewym menu rozwijanym na Layout, następnie wybierz modele w widoku 3D do przesunięcia, obrócenia itp., dokończ układ cyfrowej linii montażowej, a następnie przeciągając i przesuwając obiekt w liście struktur, dwukrotnie klikając w celu edycji nazwy, koloru i adnotacji obiektu lub zdefiniowania obiektu nadrzędnego, Łączenie struktury obiektu i generowanie referencji dla obiektu za pomocą podmenu prawego przycisku myszy, grupowanie obiektów, ustanawianie relacji podporządkowania, ustawianie obiektów referencyjnych oraz modyfikacja parametrów takich jak kolor, masa obiektu i postawa chwytu dla późniejszej symulacji dynamicznej.
    5. Przypisz zadania asemblerowe odpowiadającym im cyfrowym modelom ludzkim zgodnie z kolejnością asemblowania przepływu procesu w zakładce Zadania na górze strony oprogramowania. Przeciągnij wymagane zadania montażowe z lewej listy na stronie zadań do osi akcji cyfrowego modelu człowieka.
      1. Znajdź zadania assembly w lewej liście strony Zadania, w tym zadania związane z obsługą obiektów (pick object, place object, join objects itd.), zadania ruchu ciała (chodzenie, klękanie itp.) oraz inne popularne zadania związane z produkcją przemysłową.
      2. Następnie wypełnij odpowiednie parametry zgodnie z symulacją i wymaganiami procesu bieżącego zadania, takimi jak określenie obiektu do obsługi, pozycja docelowa, w której obiekt powinien być umieszczony, wybór ograniczeń postawy ciała podczas wykonywania akcji oraz opis procesu zadania (poziom zasięgu, dokładność umieszczania, wymagania dotyczące siły palców i ramienia), itd.).
  2. Kliknij ikonę symulacji, aby uruchomić symulację, a oprogramowanie automatycznie generuje animację symulacji i wyniki analizy. Jeśli pojawi się komunikat o błędzie lub wyniki symulacji nie spełniają wymagań, dostosuj projekt symulacji zgodnie z krokiem 3.1.
  3. Kliknij przycisk Wyniki na górze strony, aby zobaczyć wyniki operacji modelu. Zobacz wyniki oceny, takie jak czas, ergonomia człowieka i ścieżka chodzenia z każdej lewej karty, a następnie kliknij Ergonomia, aby uzyskać wynik EAWS pracownika.
    UWAGA: EAWS to biomechaniczna metoda oceny ryzyka obciążenia opracowana przez międzynarodowy zespół ekspertów, służąca do oceny ryzyka WMSD, na które operatorzy mogą być narażeni podczas pracy.
  4. Potwierdź stanowiska wymagające poprawy zgodnie z tabelą ocen EAWS (Rysunek 2). Tymczasem szczegółowe dane ewaluacyjne w wynikach ergonomicznych oprogramowania, aby lepiej zidentyfikować najważniejsze zadania operacyjne wymagające poprawy.

figure-protocol-1
Rysunek 2: Poziom oceny EAWS. Standard klasyfikacji poziomów ryzyka ergonomicznego na podstawie wyników EAWS. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

4. Optymalizacja modelu

UWAGA: Celem tego kroku jest obniżenie wartości ryzyka EAWS dla pracowników produkcyjnych do poziomu niskiego ryzyka.

  1. Obserwuj wyniki EAWS pracowników na stanowiskach zidentyfikowanych do poprawy w poprzedniej fazie. Przełączaj się między różnymi pracownikami i modułami oceny (postawa ciała, siła dłoni, obsługa obciążenia itp.) na stronie wyników ergonomii, aby zidentyfikować osoby o najwyższym ryzyku.
  2. Zidentyfikuj powiązane działania ze strony najwyższego ryzyka, aby przygotować się na kolejne ulepszenia.
  3. Opracuj strategie poprawy oparte na punktach ryzyka, dostosuj model w oprogramowaniu i ponownie przeprowadź ocenę symulacji.
    1. Kliknij Zadania, znajdź stanowisko robocze pracownika o najwyższym ryzyku w diagramie drzewa. Kliknij Dodaj obiekt(y) z pliku w lewym górnym rogu, zaimportuj nowy model urządzenia projektowego i dodaj urządzenie do katalogu workbench, aby uprościć działania pracowników.
    2. Kliknij Zadania, kliknij oś akcji worker2_human, zlokalizuj zmienione zadanie operacyjne i anuluj zbędne działania w tym schemacie ulepszeń. Kliknij puste kropki po lewej stronie ruchowych rąk, aby namierzyć i aktywować, aż zamienią się one w niebieskie tło w prawej strzałce, anulując aktualną symulację akcji.
    3. Kliknij Symuluj, aby uruchomić model i sprawdzić anomalie po ukończeniu, aby zapobiec błędom logicznym spowodowanym dodawaniem nowych urządzeń.
      1. Jeśli występują anomalie, modyfikuj zawartość powiązanych działań zgodnie z dodatkowym wyposażeniem i zmianami.
    4. Uruchom model ponownie, powtarzając powyższe kroki, aż nie pojawią się żadne anomalie w osi akcji.
    5. Kliknij Wyniki, wybierz Ergonomię i sprawdź, czy wartość ryzyka EAWS pracownika spadła do zielonej.
      1. Jeśli nie spadł do zielonego poziomu, rozważ wydłużenie czasu odpoczynku w kolumnie Common na stronie Ergonomia lub kontynuuj dostosowywanie pozycji dostaw materiału, sekwencji operacyjnych i projektu narzędzi.
    6. Powtarzaj powyższe kroki, aż ryzyko EAWS spadnie do zielonego poziomu.
  4. Uruchom model i sprawdź, czy całe ciało pracownika i kończyny górne EAWS w wynikach mieszczą się w progu bezpieczeństwa. Próg bezpieczeństwa wymaga, aby wynik EAWS był niższy niż 50 punktów, jak widać na Rysunku 2, a kolor to zielony lub żółty.
  5. Kliknij Analiza MTM-UAS, aby sprawdzić, czy poprawione liczby roboczogodzin zostały zmniejszone w porównaniu z poprzednimi godzinami, osiągając cel redukcji liczby roboczogodzin i utrzymania ergonomicznych ryzyk w granicach bezpieczeństwa podczas ulepszania linii montażowej.

5. Weryfikacja skuteczności fabryki cyfrowej

UWAGA: Powyższe kroki umożliwiły zaprojektowanie i optymalizację linii montażowej w cyfrowej fabryce. Celem tego etapu weryfikacji jest zapewnienie, że wyniki symulacji oprogramowania odpowiadają rzeczywistemu zmierzeniu linii montażowej po wdrożeniu optymalizacji. Jeśli ta metoda pracy będzie spójna, można ją zastosować do przyszłej optymalizacji projektowania linii montażowej.

  1. Sprawdź wyniki pracy na godzinę roboczą.
    1. Mierz liczbę roboczogodzin na ulepszonym miejscu produkcyjnym, jak opisano w kroku 1.2.
    2. Porównaj wyniki pracy z wynikami z oprogramowania.
  2. Sprawdź wyniki ergonomicznego ryzyka.
    1. Mierz ryzyka ergonomiczne na ulepszonym miejscu, zgodnie z krokami 2.2 i 2.3.
    2. Porównaj wyniki ergonomicznych ryzyk wynikających z wychodzenia oprogramowania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Na podstawie powyższych operacji eksperymentalnych, reprezentatywne wyniki tego artykułu przyjmują montaż typowego produktu mechanicznego — komponentu korpusu zaworu — jako przykład, aby pokazać typowe wyniki integracji czynników ludzkich w zarządzaniu operacjami w celu poprawy pracy. Ten eksperyment stanowi praktyczny element nauczania już istniejącego kursu Czynniki Ludzkie, a jego wyniki dydaktyczne zostały zaprezentowane na MTM China Forum 2025: Inżynieria przemysłowa w erze cyfrowej inteligencji.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to obejmuje nie tylko efektywność czasową, ale także pomiar ergonomicznych ryzyk związanych z projektowaniem linii montażowej. Dzięki integracji ergonomicznego pomiaru ryzyka możliwe jest zidentyfikowanie potencjalnych ukrytych zagrożeń bezpieczeństwa już na etapie projektowania, zapewniając, że układ linii montażowej uwzględnia ergonomiczne czynniki ryzyka. Protokół ten zwiększa produktywność pracowników, zmniejsza prawdopodobieństwo i skutki wypadków oraz przyczynia się do realizacji dobrostanu pracowników w ra...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to zostało wsparte przez Narodową Fundację Nauk Przyrodniczych Chin (72374088, 72471105, 72001096), 2024 Kluczowy Projekt Planowania Badań Naukowych w szkolnictwie wyższym Chińskiego Stowarzyszenia Szkolnictwa Wyższego (24XX0205, Mechanizmy strategii współpracy człowiek-AI w poprawie wyników nauczania), 2024 Kluczowy Projekt Planowania Nauk Edukacyjnych w prowincji Jiangsu (B-b/2024/01/162, Budowa modeli i empiryczne badania nad uczeniem się multimodalnym z perspektywy edukacji Neurobiologia) oraz Funduszu Humanistycznych i Nauk Społecznych Ministerstwa Edukacji Chin (24YJCZH445).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
EMA Software Suiteimk Industrial Intelligence GmbHV2.2.0.3Utworzenie fabryki cyfrowej
Observer XTNoldus Information TechnologyV12.0Analiza problemów w procesie produkcyjnym

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Edukacja in ynieryjnawsp praca cz owiek maszynaupodmiotowienie pracownik wocena ryzyka ergonomicznegoergonomia cyfrowacyfrowy bli niak cz owiekainteligentna produkcja

Powiązane artykuły