Safety-Oriented Modelling for Human-Robot Collaborative Assembly Line Balancing Problems (HRC-ALBPs)

La collaboration homme-robot (HRC) est devenue une caractéristique déterminante des systèmes de production modernes, apportant flexibilité et réactivité mais soulevant également des enjeux de sécurité et de fiabilité. Malgré les avancées rapides de la robotique collaborative, les problèmes d’équilibrage des lignes d’assemblage (Assembly Line Balancing Problems, ALBPs) demeurent centrés sur l’efficacité, en considérant souvent la sécurité comme une vérification externe plutôt que comme un facteur intrinsèque de décision. Cette recherche propose un cadre de modélisation orienté vers la sécurité pour les ALBPs collaboratifs homme–robot (HRC-ALBPs), en s’attaquant à une lacune critique au niveau tactique, là où l’allocation des tâches, le choix des modes d’exécution et l’affectation des ressources structurent les arbitrages entre productivité et risque. L’étude s’est développée en trois étapes. Tout d’abord, une revue systématique de la littérature sur les HRC-ALBPs a permis de définir les contours du champ de recherche, en identifiant les niveaux décisionnels, les modes de collaboration et les méthodes de résolution existantes. Cette analyse a révélé que, tandis que la conformité stratégique et le suivi opérationnel avaient fait l’objet d’une attention considérable, le niveau tactique restait sous-développé en matière de modélisation des risques. En synthétisant les caractéristiques et les lacunes des travaux existants, la revue a mis en évidence l’optimisation tactique comme un domaine central, mais encore peu exploré, pour intégrer la sécurité dans les systèmes de production collaboratifs. Ensuite, un modèle d’optimisation axé sur la sécurité a été développé à l’aide de la Programmation par Contraintes (CP), intégrant une politique de zonage qui restreint les parallélismes homme–robot jugés dangereux. Cette politique des zones de sécurité a traduit un principe de sécurité au travail en contraintes de faisabilité, éliminant les chevauchements de risque moyen ou élevé tout en préservant les parallélismes de faible risque. Les expérimentations numériques ont montré que l’intégration de telles règles ne se limite pas à filtrer les solutions dangereuses : elle reconfigure structu-rellement le paysage d’optimisation, contraignant le système à privilégier des modes plus sûrs ou des alternatives séquentielles lorsque cela est nécessaire. Le modèle devient ainsi un instrument conjoint de performance et de sécurité normative, et non un simple outil d’optimisation de l’efficacité. Enfin, le cadre a été étendu par une approche inspirée de l’Analyse des Modes de Défaillance, de leurs Effets et de leur Criticité (AMDEC processuelle). Un Indice Alternatif de Priorité de Risque (ARPN), agrégant les scores de sévérité, d’occurrence et de détection sur quatre dimensions (sécurité, temps, qualité, performance), a été introduit comme second objectif aux côtés du temps de cycle (CT). Le modèle bi-objectif résultant a produit un paysage de compromis CT–ARPN, révélant des enseignements structurels tels que l’impact supérieur de l’amélioration des compétences humaines par rapport à l’augmentation de la vitesse des cobots lorsque des contraintes de sécurité s’appliquent. Une contrainte additionnelle fondée sur la sévérité a en outre limité les parallélismes à haut risque, garantissant que les dangers graves ne puissent être compensés par d’autres facteurs. Ce double dispositif, alliant contrainte et objectif de risque, illustre la manière dont l’équilibrage tactique peut internaliser systématiquement la sécurité et le risque. Les contributions de ce travail se situent à la fois sur le plan théorique et pratique. Sur le plan théorique, il redéfinit l’équilibrage de ligne en (i) considérant la sécurité comme une propriété de l’espace de solutions faisables, (ii) démontrant la pertinence de la CP pour traiter les interdépendances logiques et combinatoires des systèmes HRC, et (iii) introduisant l’ARPN comme une mesure de risque additive et interprétable. Sur le plan pratique, il fournit aux responsables industriels des outils d’aide à la décision qui ne se limitent pas à la minimisation du temps de cycle, mais permettent aussi de quantifier la redistribution des risques entre sécurité, temps, qualité et performance. Les modèles se présentent comme des bancs d’essai virtuels, capables de tester divers scénarios (“what-if”) relatifs à la répartition des compétences, aux vitesses des cobots ou aux seuils de sécurité avant la mise en œuvre. Dans leur ensemble, les résultats positionnent l’optimisation tactique comme un levier essentiel pour concrétiser les principes de l’Industrie 5.0, centrée sur l’humain, la résilience et la durabilité. En intégrant directement la sécurité dans les décisions d’allocation des tâches et des ressources, la recherche montre que productivité et protection ne sont pas des objectifs opposés, mais peuvent être harmonisés grâce à des modèles structurés générant des plans efficaces, explicables et conformes aux exigences de sécurité. Ce travail ouvre la voie à une nouvelle génération d’études sur les HRC-ALBPs sensibles aux risques, à l’interface entre la recherche opérationnelle et les impératifs pratiques de sécurité dans les environnements de production collaboratifs.

Abstract

Human-robot collaboration (HRC) has become a defining feature of modern manufacturing systems, offering flexibility and responsiveness but also introducing safety and reliability concerns. Despite rapid advances in collaborative robotics, assembly line balancing problems (ALBPs) have remained largely focused on efficiency, often treating safety as an external check rather than an embedded decision factor. This thesis develops a safety-oriented framework for Human-Robot Collaborative Assembly Line Balancing Problems (HRC-ALBPs), addressing a critical gap at the tactical decision-making layer where task allocation, mode choice, and resource pairing shape the trade-offs between productivity and risk. The research unfolds in three stages. First, a systematic review of HRC-ALBP literature established the field’s outlines, identifying decision layers, collaboration modes, and existing solution methods. The review revealed that while strategic compliance and operational monitoring had received considerable attention, the tactical layer remained underdeveloped in terms of risk-aware modeling. By synthesizing problem features and gaps, the review highlighted tactical optimization as a central, though underdeveloped, domain for embedding safety into collaborative manufacturing systems. Second, a safety-driven optimization model was developed using Constraint Programming (CP), introducing a zone-based policy that restricted unsafe human-cobot parallelism. This safe-zone policy formalized an occupational-safety principle as feasibility constraints, eliminating medium- and high-risk overlaps while preserving low-risk concurrency. Computational experiments showed that embedding such rules not only filters hazardous solutions but also structurally reshapes the optimization landscape. Under such circumstances, throughput gains cannot be pursued through unsafe overlaps and force the system toward safer modes and sequential alternatives when needed. The result represents the optimization model as a joint pursuit of efficiency and regulatory-grade safety, rather than an efficiency-only exercise. Third, the framework was extended through a Process Failure Mode and Effects Analysis (PFMEA)-inspired approach, embedding failure risk into the optimization objective. An Alternative Risk Priority Number (ARPN), aggregating severity, occurrence, and detection scores across four effect categories (safety, time, quality, performance), was introduced as a second objective alongside cycle time (CT). The resulting bi-objective model produced a Pareto landscape of CT–ARPN trade-offs, revealing structural insights such as the superior impact of human skill improvements over cobot speed increases when safety constraints are binding. A severity-based safety constraint further limited unsafe parallels, ensuring that high-severity hazards could not be compensated by other factors. Together, this dual-lever design, which constraint adds additional safety layer to the risk objective, demonstrated how tactical balancing can systematically internalize safety and risk. The contributions of the thesis extend both theoretically and practically. Theoretically, it advances ALBP research by (i) reframing safety as a property of feasible solution spaces, (ii) demonstrating the suitability of CP for handling logical and combinatorial dependencies in HRC systems, and (iii) introducing ARPN as a continuous, interpretable risk measure for optimization. Practically, it provides managers with decision-support tools that not only minimize cycle time but also quantify the redistribution of risks across safety, time, quality, and performance. The models function as virtual testbeds, enabling “what-if” analyses of skill distributions, cobot speeds, and safety thresholds before implementation. Taken together, the findings position tactical optimization as a critical lever for realizing Industry 5.0 principles of human-centricity, resilience, and sustainability. By embedding safety directly into task allocation and resource assignment decisions, the research demonstrates that productivity and protection need not be competing objectives. Instead, they can be harmonized through structured models that deliver plans that are efficient, explainable, and well-regulated. This work lays the foundation for a new generation of risk-aware HRC-ALBP studies that bridge rigorous operations research with practical safety-critical requirements in collaborative manufacturing.