A digital twin framework for production system availability and performance assessment

Recent years have seen the rising of the fourth industrial revolution, also known as Industry4.0. This new paradigm paves the way towards a full integration between latest technologies with real-time data analysis and production systems. A fundamental role is played by the Cyber Physical System (CPS), an edge environment between physical production systems and virtual world, which provides an easier integration between smart devices and physical components. To fully exploit the innovative concept of CPS, a Digital Twin (DT) of the production system is hosted in this hybrid space. Also known as cyber-twin, this virtual replica is capable to mirror, replicate and simulate the behaviour of its physical counterpart. Moreover, laying in a digital world, a DT can additionally perform advanced tasks such as health assessment of components, production optimization or predictive maintenance. The study of the scientific literature highlighted some gaps in the current state of the art, revealing the miss of a framework that combines different DTs into a unique cyber-twin able to represent the whole production system. This dissertation aims to close the gaps, suggesting a new hierarchical architecture that combines the elementary virtual units of a virtual production system into a unique model, capable to describe and to act on the whole system. Subsequently, a practical application was carried out in the Industry4.0 Lab of the Politecnico di Milano, to validate the proposed models. Moreover, advanced machine learning tools have been developed during this research, to enhance the hierarchical architecture, and proving how these new Industry4.0 concepts drastically change the way in which a production system can be managed and optimized to full exploit its resources. An Artificial Neural Network, developed together with the Universidad Politecnica de Madrid, has been integrated into a DT to support a local decision making process. Two machine learning algorithms have been developed with the University of Cincinnati to assess the health state of two stations, detecting and diagnosing failure mode occurrences, updating in real-time a scheduling tool, and so allowing a more robust schedule. The developed mathematical models provide information and data to the proposed architecture, in order to enhance operations management activities, supporting scheduling, performance evaluation, local and global decision making. Finally, a user friendly Graphical User Interface was developed to provide an efficient tool that helps the user exploiting the integration of architectural and advanced data evaluation aspects.

Negli ultimi anni si è vista nascere la quarta rivoluzione industriale, conosciuta anche come Industria4.0. Questo nuovo paradigma apre la strada verso una totale integrazione tra le più recenti tecnologie e sistemi di controllo e analisi dati in tempo reale. Un ruolo fondamentale è occupato dal Cyber Physical System (CPS), uno spazio che si posiziona al confine tra sistema produttivo fisico e mondo virtuale, capace di supportare un’integrazione più agile tra smart devices e componenti fisici. Al suo interno può essere sviluppato un Digital Twin. Conosciuta anche come cyber-twin, questa entità virtuale è capace di simulare e replicare il comportamento del suo gemello fisico, sfruttando i dati raccolti; inoltre può svolgere attività avanzate di valutazione dello stato di salute di componenti, ottimizzazione della produzione o supportare la manutenzione predittiva. Lo studio della letteratura scientifica evidenzia delle mancanze nello stato dell’arte, rivelando l’assenza di un framework capace di unire diversi DTs in un unico modello capace di rappresentare l’intero sistema produttivo e di supportare la sua gestione. Questa tesi aspira a colmare queste mancanze, proponendo una nuova architettura gerarchica che unisce le singole unità elementari in un unico modello capace di rappresentare l’intero sistema produttivo e di agire su di esso. Per supportare ulteriormente la gestione delle operations di un sistema produttivo, dei modelli di machine learning sono stati sviluppati e integrati nell’architettura proposta, dimostrando come i concetti introdotti dall’Industria4.0 posso drasticamente modificare, migliorando, la gestione di un sistema produttivo tramite lo sfruttamento ottimizzato delle sue risorse. Una rete neurale artificiale (ANN) è stata sviluppata in collaborazione con l’Università Politecnica di Madrid per stimare l’andamento di alcune variabili vitali per il funzionamento di una macchina, supportando processi di decision making locali. Con una collaborazione instaurata con l’Università di Cincinnati sono stati sviluppati due algoritmi di machine learning per la valutazione dello stato di salute di alcune macchine. Le informazioni raccolte infine da questi modelli vengono poi usate per aggiornare in tempo reale uno strumento di ottimizzazione dello scheduling per ottenere un risultato ancor più robusto. Il lavoro si conclude con lo sviluppo di un’interfaccia grafica tramite cui l’operatore può attivare in base alle necessità le funzionalità integrate nell’architetture, tra cui i modelli avanzati di machine learning. Il modello è stato infine testato all’interno del Laboratorio I4.0 “Marco Garetti” del Politecnico di Milano.