МАТЕМАТИЧНА МОДЕЛЬ БЛОЧНОГО ПРОЦЕСНОГО ПЛАНУВАННЯ В СИСТЕМАХ АЛОКАЦІЇ ЗАВДАНЬ МІЖ ЛЮДЬМИ ТА КАЛАБОРАТІВНИМИ РОБОТАМИ В РАМКАХ ІНДУСТРІЙ 5.0

Анотація

У даній статті розглянуто актуальну проблему алокації завдань між людьми та колаборативними роботами в умовах Індустрії 5.0 з використанням блочного процесного планування. Основна увага приділяється аналізу взаємодії між операторами та автоматизованими системами, що працюють у спільному виробничому середовищі. Основною метою є забезпечення гармонійної співпраці між людьми та роботами шляхом оптимізації розподілу завдань з урахуванням низки важливих факторів, таких як часові та ресурсні обмеження, складність виконуваних операцій, рівень автономності роботизованих систем, а також пріоритетність виконання різних етапів виробництва. У рамках дослідження запропоновано математичну модель, яка включає функції вартості та вигідності, що дозволяють оцінити ефективність планування. Модель також містить численні обмеження на час і ресурси, що є критично важливими для підтримки продуктивності, безпеки та гнучкості сучасних виробничих систем. Для перевірки її працездатності було розроблено програмне забезпечення на мові Python, яке дозволяє не лише автоматично здійснювати процес планування, але й оцінювати загальну ефективність запропонованих стратегій розподілу завдань. Проведені експериментальні дослідження продемонстрували, що успішність планування значною мірою залежить від збалансованості часових і ресурсних параметрів. Проведені експерименти показали, що успішність планування залежить від збалансованості часових і ресурсних параметрів: при значеннях Tmax ≥ 5 і Rmax ≥ 7 всі обмеження виконуються, а функція вартості коливається в межах 30–80. Натомість у разі недостатності ресурсів система виявляє підвищену чутливість, що робить виконання деяких завдань неможливим або неефективним. Отримані результати підтверджують, що розроблена модель є стійкою до змін параметрів і забезпечує оптимальний розподіл завдань у більшості виробничих сценаріїв. Перспективи подальших досліджень включають розширення моделі для динамічних середовищ, інтеграцію алгоритмів машинного навчання для прогнозування та вдосконалення процесу адаптивного планування.