智能制造人機協作運行功能標準模型研究

劉澤雙 ,韓 金 ,王一帆

(1.西安理工大學 經濟與管理學院，陜西 西安 710054；2.石河子大學 經濟與管理學院，新疆 石河子 832003)

0 引言

工業 4.0 戰略舉措正逐步改變生產和運營管理系統，制造業通過智能連接和自動化實現智能化，經歷范式轉變并建立網絡物理生產系統集成最先進的技術，加強人與技術的交互，實現向智能工廠的轉型，加快實現生產系統中的自學習、自組織、自決功能及相關業務流程[1]。智能機器、高級分析技術和技術人員是工業互聯網的3種重要要素[2]，在可以預見的將來，人工智能技術將成為智能制造的主要驅動因素，不僅能拓展制造主體范圍，還能優化智能生產過程，更能重塑人機協作模式。目前，大部分制造企業還處于數字化、智能化轉型階段，尚未達到人機無縫合作的水平，甚至還會出現1+1<2的情況。智能制造人機協作管理方面存在以下問題：首先，被解放出來的人力未被合理分配利用，人類和機器各自需肩負的責任界限比較模糊[3]；其次，如何使員工適應一個無感情的合作伙伴是一大挑戰，大部分員工無法從原有的組織存在形式中轉變過來，與智能機器配合不夠密切[4-5]；再次，智能制造人才需求與現有人才之間存在技能鴻溝，市場上的智能化人才短缺[6]；最后，在非智力因素方面，對某一方面素質的要求會遠遠超過傳統一貫重視的某些品質[7]。加上政策和技術環境的不斷變化，人機協作系統的運行功能標準可能隨著技術的發展而發生改變。因此，結合具體技術發展和最新政策背景研究人機協作標準具有重要意義。

傳統的人機合作范式在一定時期內被看作是研究人機關系的實用性分析框架，但人工智能給其帶來較大沖擊。很多學者認為，與前幾次技術革命不同，人工智能技術引發的人機關系變革是巨大的[8]。通過梳理以往研究發現，人機協作理論大多以人為中心[9-10]，很少從智能機器或二者結合的角度探討雙方形成的協作創新合力，甚至會夸大智能機器的負面影響。人工智能不僅會影響制造企業外部環境，如人才需求、意識形態、公共關系及技術運用[11-14]，還會對企業內部人機主體產生深遠影響，即人類和智能機器的主次地位問題，這關系到智能機器與員工是工具性、平等性抑或是被動性協作關系[15]。目前，學界缺少對智能制造影響下人機協作系統化的理論分析，鮮有文獻提出智能化人機協作的相關治理思路。這就需要在厘清人工智能對人機系統運行和功能影響的基礎上，對人機關系相關理論進行補充，完善智能制造下的人機協作標準和運行功能指導框架，維持智能化人機協作的平穩運行。

為充分探索智能制造中的人機協作標準，本文通過扎根研究、文獻對比和專家討論進行量表開發，基于大樣本數據進行檢驗，得到可靠的人機協作運行功能標準測量量表，并根據得到的內容概念模型，克服傳統管理學建模研究方法和一些代表性建模方法的局限性，基于對象過程方法論，提出研究智能制造人機協作運行功能標準的動靜結合建模方法，該方法層次清晰且關聯性強。

1 文獻回顧

關于智能制造人機協作的研究主要從人機協作主導者和人工智能技術整合方式兩個角度展開。

(1)按照對人類勞動者和人工智能兩大維度的側重程度分類。一是人類主導型研究。航空航天、造船和建筑等技術復雜行業的任務和過程需更多依賴人的主觀能動性[16]。在智能制造對人類操作者的新要求下，產生了促進人類社會化可持續生產和人機共生的第四代操作工理念[17-18]，在信息—人—物理體系中，人類的新角色可以歸納總結為操作員、代理商、使用者和傳感終端用戶等幾種類型[19]。二是人機合作型研究。某些工種通常不僅要求人工智能提供大數據、信息支持、高效計算、快速管理等服務，還要求人類勞動者采取一些具有創新性的工作行為，與人工智能分工合作實現優勢互補[20-21]。有學者結合人工智能時代工作的科學分類，立足人機匹配和人崗匹配的科學原理，形成3類“員工—AI—工作”組合[22]，并基于人機任務團隊角色的概念，指出人工智能隊友在團隊中可能扮演的4種角色[23]，且不同類別的人類管理者對管理決策中的人機權重偏好不同[24]。此外，要有效安全地控制機器，還需準確推斷何時需要人類操作，允許機器同步進行其它任務[25]。三是人工智能主導型研究。人工智能可以獨立自主處理復雜性、常規性的低價值工作，人類只需相對應地擔任控制者、指導者、監管者角色。例如，使用智能規劃技術的人機任務分配方法[26]，以提高工作效率為目標，研究裝配線上以機器為主導的人機配合策略；利用任務規劃算法有效控制包括人類和機器人在內的多智能體團隊[27]；允許自動任務處理技術處理人類與機器人團隊之間的交互[28]。此外，還可使用人工智能技術處理人類存在帶來的時間差異，并根據一對人類工人和機器人的實際行為，動態調整活躍任務計劃[20]。

(2)按人工智能技術整合方式分類。一是基礎替代?；A替代是人機協作的最底層，將人工智能技術簡單引入任務中替代傳統人類勞動方式和基礎工具，該過程對人類合作者的影響程度很低，如制造業場所中用機器傳送產品、運送包裝袋、記錄工作日志等基礎服務工作。二是提高增強。人工智能與提高增強之間既存在聯系又相互排斥，人工智能同時具備取代人類和延伸人類智能的功能，需要機器深度學習[29]。通過引入神經網絡對特征進行有效表示，可以實現降低任務復雜性、提高學習速度的效果[30]；利用一種基于DRL的多機器人編隊控制方法對可觀測的高維狀態空間信息進行壓縮表示也可加快機器學習進度[31]；將深度神經網絡與Q學習算法相結合，讓計算機學習策略性游戲的玩法，其超越專業人類玩家的表現也證明深度強化學習方法具有強大的自主學習能力[32]；將專家神經網絡應用到基于RL的抓取控制中，通過對輸入物體圖像的特征學習，使機械爪具有與人類相似的感知與決策能力[33]。三是創新重塑。在智能制造重塑下的現代企業制造環境中，大中型技術裝備企業除引進最高端的技術設備外，還需要不斷汲取智能趨勢下新的企業發展理念，以實現動態創新和自身長遠發展。自20世紀80年代以來，學者試圖讓機器自己執行認知任務，以解決創新的問題，但存在很大爭議[34-35]。此后，認知創新理論——模糊特征假說(OFH)強調，所有創新解決方案都至少建立在問題的一個模糊特征之上[36]，并在后續發展中基于對象特征的新定義(對象與其它實體之間的交互影響)，得出人機伙伴關系可能比任何一個合作伙伴都更具創新性的結論，未來的人機融合發展方向更是將人機協作推到一個前所未有的水平。

總體看，雖然有關人機協作任務規劃技術的研究已經取得了一些成果，但大部分學者主要關注人工智能技術的整體發展作為前因變量對社會、企業和個人的影響，對人發展的影響大多只從人機關系的定位方面展述，很少有從學理角度探討人與人工智能合作時，基于未來需要達到的任務目標，各自應該遵循的水平和準則，即缺少關于人工智能運用到人機合作中的標準理論體系。大多數文獻只有定性和描述性的展望，缺少對其運行功能標準的制定，更缺少人機任務系統作為對象、過程及整體的建模。隨著人類在系統中參與的靈活性和機器性能的提高，任務活動的復雜性也會增加[37]，其中蘊含的人機協作運行功能標準維度之間的關系錯綜復雜，這就需要一種能處理系統復雜性問題的建模方法，由此本文提出采用OPM構建模型。

2 智能制造人機協作運行功能標準概念界定與量表開發

本文基于《國家智能制造標準體系建設指南》對人機關系需求和智能制造系統涉及內容的界定，結合國際標準化組織[38]發布的協助機器人規范設計訪談提綱，包括智能感知、制造過程中的生產人員、生產設備、原輔材料、制造環境、互聯互通、協作、分析與統計、預測與預警、決策支持、控制與執行等因素，對人機關系和人機協作標準進行研究。

2.1 扎根研究

本文認為，智能制造要求的人機協作運行功能標準是指機器和人類各自或共同需要達到的一種足以發展智能化的水平，只有達到這種標準，才能發揮人機協作最大優勢，企業才能最大限度提升績效。本文遵循科學的測量工具開發范式，利用文獻分析法、扎根理論法和專家訪談法等獲得理論。

2.1.1 資料收集

本文通過訪談的方式收集一手資料，遵循最大差異信息飽和原則，采用理論抽樣方法[39]，當訪談不再有新的信息產生時，停止訪談。訪談對象主要是正在進行數字化、智能化轉型的大中型制造企業管理人員，受訪企業5家，受訪人數共14人，其中高層、中層和基層管理者分別有5人、5人和4人，男性占72.2%，女性占22.2%。深度訪談歷時1個月，獲得有效文本資料約13萬字。本文通過權威途徑收集二手數據，包括企業高層在學術論壇中的演講、公司網站資料、訪談視頻音頻、國際權威媒體新聞報道、人工智能發展白皮書等研究報告。二手數據收集歷時兩個月，計20萬字，作為一手資料的三角檢驗，使研究結果更為全面和準確。

2.1.2 人機協作標準內容結構

資料收集完成后，筆者和兩名熟悉該研究主題并有足夠能力詮釋數據的研究生進行獨立編碼，通過討論，解決有問題或沖突的編碼，以使差異最小化。在編碼過程中，通過與兩名專家、1個研究團隊、8位研究生交流并收集意見，從多角度得到啟發。首先，在初始編碼之前，先對口語化的訪談文本資料進行書面化整理，減少無關文字干擾，再對資料逐段、逐句編碼，保留表達最鮮活的部分。以人工編碼為主，借助質性分析軟件Nvivo，將訪談時建立的大致分類想法存到備忘錄。第一次信息處理相對隨意，主要是提取并涵蓋所有有用信息。依據相關性、準確性、典型性原則，剔除不符合人機協作標準內容、表達意思含糊不清、出現頻率較低且不具有代表性的編碼，合并表達重復的編碼。整理后，獲得符合主題的初始編碼共101個。部分初始編碼見表1。

表1 初始編碼(部分)Tab.1 Initial code (partial)

聚焦編碼是指將訪談文本與研究主題相關聯，進行理論整合。對101個初始編碼進行綜合、分類和區別，對語義關系、過程與結果的關系進行迭代分析，體現出概念之間的相關、類屬和同一關系。將初始編碼與子范疇相聯系，使編碼結果不斷接近研究主題，101個初始概念共整理為52個子范疇，最終確定52個聚焦編碼C1～C52，見表2。

表2 聚焦、軸心與理論編碼結果Tab.2 Focus, axis and theoretical coding results

軸心編碼是指系統整理子范疇之間的關系，緊扣編碼主題和相關研究，進而確定核心范疇的過程。人機協作運行功能標準是指以完成共同任務為目的，人機雙方在協作運行過程中所要達到的機器功能標準和人員素質行為標準。這一階段編碼既要契合人機協作的定義，又要突出人機協作區別于一般協作的特征。因此，需要進一步緊扣現有研究成果，提高概念的抽象層次。經過整合與精煉，52個子范疇概括為人機協作運行功能標準的24個主范疇B1～B24。

理論編碼是指把支離破碎的線索重新聚攏在一起，使分析型數據變得理論化。對之前的編碼與資料進行互動和比較，繼續考察和深入分析24個主范疇后發現，維度劃分可以按照內容的不同特性進行最終編碼。結合人機協作模式和上述24個主范疇，經過專家評議和研究團隊審議，認為人機協作運行功能標準可劃分為靈活性、及時性、可預測性、可重復性、擴展性、重塑性和多角色性7個維度(A1～A7)。

本研究的總訪談人數為14+2的形式，通過對14位專家訪談確定編碼后，再利用兩位專家的訪談內容進行飽和度檢驗，直至未發現新的內容結構。本研究還對已有文獻進行梳理，共有47篇涉及智能制造人機協作或人機合作的文獻，其中33篇外文文獻，14篇中文文獻，再綜合新聞報道、演講、研究報告和公司網站資料，經比較，這些資料均可劃分在7個維度內，一定程度上可為編碼結果的合理性和飽和度提供文獻支撐。最后，本研究邀請8位智能制造代表性企業的中高層管理人員，從反映程度和語義表達歸類是否合適等方面對量表題項提出建議。討論認為人機協作中機器的技術部分是決定性的，人在其中的作用有多種情況，其標準需具有整合互補性，最終為提高協作效率服務，因此從機器單向輔助和人機雙向協作兩方面考慮更能反映智能制造企業人機協作發展現狀。最終確定人機任務系統運行功能標準的初始量表，如表3所示。

續表2 聚焦、軸心與理論編碼結果Tab.2(Continued) Focus, axis and theoretical coding results

表3 人機協作運行功能標準初始量表題項Tab.3 Items of initial scale of human-computer cooperative operation function standard

2.2 量表預調研

為保證量表質量，需要進行預調研。通過線上和線下相結合的方式收集小樣本預調研問卷109份，其中有效問卷102份。信度分析的α系數為 0.931，驗證為可靠后，使用單項—總體修正系數或CITC系數進行題項凈化，如果某題項的系數小于0.5，則應該刪除。從CITC值最小的答卷題項入手，逐步剔除問卷題項并檢測新量表的α系數，當剔除JS1、JS2和JS3題項后，新量表的α系數上升至0.932，且各題項的CITC值均大于0.5。經過信度和題項分析，人機任務系統運行功能規范的題項從24個減至21個，及時性被剔除，剩下6個核心維度。

3 量表有效性檢驗

3.1 數據收集

本研究選擇智能制造企業或包括智能制造環節的企業基層、中層、高層管理者作為調查對象，發放大樣本問卷?；鶎庸芾碚呤熘斯ぶ悄軝C器操作性部分內容，中高層管理者知曉統籌性戰略實施部分內容，不同層級管理人員對人機協作標準有不同看法，因此三者皆需涵蓋。2021年9月—10月，通過郵件、微信、QQ以及線下熟人推薦填寫等渠道發放問卷，剔除同一選項過多、漏填、選項前后信息矛盾的樣本，得到有效問卷共369份。

3.2 樣本特征

主要在安徽、陜西、山西、北京、廣東等地進行數據收集，共回收問卷397份，其中有效樣本369份，回收率為79.4%。樣本特征為：男性55%，女性45%；年齡范圍18～45歲，26～35歲占比最多，占45.3%；學歷方面，博士占3%，碩士占32%，本科占49.9%，其它占15.2%；企業所屬領域中，包括電子(18.2%)、醫藥(13.3%)、機械(11.9%)、化工(11.7%)、紡織(8.1%)、食品(7.6%)、材料(6%)、儀器(6%)、印染(2.4%)、其它(14.9%)；公司成立時間在10年以上占50.4%，3～10年占36.6%，3年以內占13%；企業規模方面，100人以內占14.6%，101～500人占46.9%，2000人以上占10.8%；高層管理者占6.2%，中層管理者占53.1%，基層管理者占40.7%。

3.3 數據分析

3.3.1 探索性因子分析

人機協作運行功能標準量表因子分析旋轉矩陣如表4所示。21個題項的KMO值為0.91，Bartlett's球形檢驗值顯著，總解釋能力達到74.681%，共同度均大于0.5，各測量題項的因素負荷量均大于0.5，且交叉載荷均小于0.4，每個題項均落到對應的因素中，表明量表具有較高的結構效度。

表4 人機協作運行功能標準量表因子分析旋轉矩陣Tab.4 Factor analysis rotation matrix of human-computer cooperative operation function standard scale

3.3.2 驗證性因子分析

在探索性因子檢驗中，共包含21個測量題目，利用Amos26.0執行驗證性因素分析后，結果如圖1、表5所示。結果顯示，CMIN/DF為1.261，符合標準，GFI、AGFI、NFI、TLI、IFI、CFI均大于0.9的標準值，RMR為0.042，小于0.08，RMSEA為0.027，小于0.08。所有模型擬合指數都滿足一般研究準則，由此可以認為模型具有較高的配適度。

圖1 智能制造人機協作運行功能量表驗證性因子分析模型Fig.1 Confirmatory factor analysis model of human-computer cooperative operation function scale for intelligent manufacturing

表5 模型擬合結果Tab.5 Model fitting results

3.3.3 信效度檢驗

量表的α系數為0.919，靈活性、可預測性、可重復性、擴展性、重塑性、多角色性6個維度的α信度系數分別為 0.88、0.855、0.81、0.865、0.864、0.874，不需要刪減任何題項。表明測試量表具備較高的內容一致性，可以認為該測試量表穩定可信。所有測量指標的標準化因素負荷均大于0.6，平均值組成的可信度系數(CR)均大于0.7，平均值變化萃取量(AVE)均大于0.5，說明所有變量都具有較高的收斂效度。

如表6所示，各因素的AVE開根號都大于除可對角化外的所有標準化相關系數，對角線數值大于該列的其它數值，表明不同構面之間的關聯度不高；對角線數值大于橫向排列的其它數值，說明構面之間的關聯度較高。據此可斷定本研究變量之間具備較高的區別效度。

表6 區別效度檢驗結果Tab.6 Test results of discriminant validity

3.4 人機任務系統運行功能標準模型確定

結合訪談文本資料和文獻分析，通過分析預試問卷和正式問卷數據，得到人機任務系統運行功能標準模型的6個主要運行功能標準，分別為靈活性、可預測性、可重復性、擴展性、重塑性、多角色性，如圖2所示。

圖2 人機任務系統運行功能標準模型Fig.2 Standard model of operation function of man-machine task system

4 智能制造人機協作運行功能標準的OPM模型

人機協作運行功能標準概念模型涉及6個維度和對應的21個主范疇，因協作標準的特殊性，范疇間的關系無論在理論上還是應用中都應相互關聯，而不是獨立的，因而不同范疇間的關系還需進一步解釋。軟件系統環境處于不斷變化中，OPM的一個重要特性是能在概念模型中找到靜態結構與動態行為表達之間的合理平衡點，動態行為能詳細描述軟件系統運作過程與功能實現的機制，對靜態結構進行合理補償。本文對人機協作運行功能標準概念進行延伸和補充。智能制造人機協作運行功能是企業對員工與機器之間完成共同任務目標的具體行為，也可看作一個動態過程行為。雖然智能制造企業中不同任務單元實現人機協作的具體方式存在差別，但總體遵循“下達命令—整合信息—執行任務”的關聯機制，本文構建如圖3所示人機協作運行功能標準模型。OPM的高度可執行性意味著模型的動態行為實時可測、可視，且通過恰當的設計能在軟件系統環境中進行運行模式的推演。其推演功能與用計算機語言編程過程中的調試器比較相近，都是從軟件流程中檢測系統的動態行為，從而發現錯誤。本文基于同一視圖建立人機協作運行功能系統整體結構模型和行為模型，使用的對象過程方法中包含的鏈接關系有激活鏈接、條件鏈接、過程鏈接、結構鏈接、變換鏈接、支持鏈接、手段鏈接等幾大類，每一類鏈接還可根據需要繼續細分。

模型圖中對象過程語言名詞之間的鏈接詞由OPCAT自動生成，用于說明模型中描述人機協作場景過程、場景活動功能、場景執行流程、重復實施和完成任務的要求[40]。根據OPM的時間軸基本原理，整個流程次序一般默認由過程橢圓的頂端至其底面依次進行，除非有特定指示。演示觀察時按照語義強度理解過程，例如在變換鏈和支持連接過程中，可以按連接的優先級順序進行，即消耗=結果>影響>主體>手段。其中，指定狀態的基礎連接比沒有指定狀態的基礎連接具有更大的優先權。模型主要描述如下：首先，以共享任務和整合信息兩個主要過程為依托，面對人類和機器兩個對象，通過虛擬仿真界面進行人機交互合作過程。其中，達到學習性過程標準可以使機器狀態從未學習變為已學習，表示鏈接為特定狀態的變換事件鏈接；事務性和持續性標準的執行主體是機器，表示鏈接為特定狀態的支持事件鏈接。其次，虛擬仿真界面、管理控制、環境應變能力和多角色性標準均需要人機交互合作過程。知識生產觸發人機交互合作，人機交互合作影響深度態勢感知，經過人機交互合作，人類狀態從未分配變為已分配。重塑性標準會影響知識生產，并產生深度態勢感知、管理控制、環境應變能力3個標準。最后，實時概念具有實時輔助和建議制定的屬性，責任邊界是實時輔助和建議制定的條件。擴展性是環境的，在有定制化、維護機制、責任邊界和機器招聘的情況下，可以認為系統滿足擴展性。整合信息過程中包括實時概念、實時組織、偏好服務等子過程，問題糾正和監測分析作為系統子過程的補充部分。風險干預的主體是人類。其余部分根據OPL語句對照OPD圖可以自然推斷各部分的內容表達。

對人機任務系統運行功能標準進行OPM建模，在建模過程中完成方案分析。確定人機任務系統運行功能統一規范的運行方案，對選定的行動方案進行分析和推演。利用OPCAT軟件的演示選項，對圖3所示的對象過程圖(OPD)進行從上到下、從左到右的自動演示運行。人機任務系統運行功能統一規范建模是任務推演的指導基礎，任務推演的主要目的是驗證既定方案能否達成預期目標，或設想行動是否與實際情況相符。在領會上級命令和充分獲得工作任務信息后，通過任務編輯設定行動步驟：①判斷如何最大化發揮人機配合效能，同時降低操作風險和提高人體工程友好度；②預判真實工作環境中出現的各類情況和潛在應對措施；③判斷在何時、何處投入任務行動力量和資源；④判斷要達成行動目標和預期終止狀態所需的力量和資源；⑤針對性信息收集、處理和分析需求；⑥判斷行動方案的靈活性和容錯性。企業通過運用該人機任務系統的OFUS，能夠使管理者和團隊更好地理解行動方案和方案中可能出現的問題。

圖3 人機協作運行功能標準模型Fig.3 Model of man-machine cooperative operation function standard

5 結語

5.1 研究結論

本研究首先通過扎根研究對獲取的訪談和文獻資料進行分析，發現智能制造下的人機協作運行功能標準大體包括7個方面，分別是靈活性、及時性、可預測性、可重復性、擴展性、重塑性和多角色性。其次，基于人機協作運行功能標準的內容結構，即分別以單向輔助和雙向合作為核心，基于靈活性、及時性、可預測性等7個核心維度，形成24個題項的人機協作運行功能標準初始測量量表，經過預調研和正式調研，對量表進行修正和驗證，剔除及時性維度，最終開發形成包括6個核心維度21個題項在內的正式量表，可為后續相關研究提供可靠的測量工具。最后，依據得到的人機協作運行功能標準概念模型，提出基于對象過程方法論的人機協作標準建模方法，該方法可以將靜態和動態模型統一起來，根據幾個副范疇之間的基本組成邏輯，提出可進行動態推演的整體概念模型，提供一種實現人機協作標準“設計—推演—優化”全過程的可行思路。

5.2 理論貢獻

當前學界對人機協作標準的研究主要集中在人機任務規劃技術的發展和人工智能技術的單方面改進，而對于按照何種標準進行人機協作則關注較少，更缺乏對二者協同進行管理創新的探索。智能制造的人機關系是一個動態變化過程，隨著政策和技術的改變，其管理理論也會發生變化。首先，本研究基于國家智能制造政策和企業智能化轉型需求，探索新要求下的智能制造人機協作運行功能標準，不僅彌補了現有人機協作管理理論的不足，還結合定性與定量分析，更加全面地發掘人機關系中的隱含內容，拓展人機協作理論的新視角。其次，本文突破了以靜態為主的框架模型范式，將人機協作之間的范疇關系可視化，依照概念之間的語義關系在對象過程方法中進行合理表達，從而更好地把握維度與細分范疇之間的邏輯關系，從系統性、整體性方面豐富智能制造人機系統理論。利用該方法探索智能制造個性化的新管理模式，為人機協作管理理論提供新穎的思考方向和研究工具。

5.3 實踐啟示

通過對智能制造人機協作工作標準內容的探究，對于人機協作關系重構后的企業人力資源管理具有以下啟示：首先，管理者要關注管理模式升級，從而對經營系統有更高層面、更透徹的理解，并針對崗位要求提升相應管理技能，具備超越計算機的整體把握能力和大局思維，儲備高水平的計算機技能與相關知識。其次，員工需要了解計算機系統的程序化決定步驟，要具備監控與調度計算機功能的先進技術能力，以現場操作管理人員的身份參與到由人工智能實現的作業流程中。最后，企業評估任務并預留計算機和算法程序尚未滲透領域覆蓋的任務或崗位，設置專門標準，招聘符合條件的相應人員。

此外，本文研究結果還對未來人機協作標準建模具有重要借鑒意義，其模型也可應用到實際的制造企業管理案例中，為智能制造下的人機研究提供新思路，未來也可以采用其它研究方法進一步驗證該模型。