Automated generation and exploitation of discrete event simulation models for decision making in manufacturing

The latest developments in industry have involved the deployment of digital twins for both long and short term decision-making, such as supply chain management and production planning and control. The ability to take appropriate decisions online is strongly based on the assumption that digital models are properly aligned with the real system at any time. As modern production environments are frequently subject to disruptions and modifications, the development of digital twins of manufacturing systems cannot rely solely on manual efforts. Industry 4.0 has contributed to the rise of new technologies for data acquisition, storing and communication, allowing for the knowledge of the shop floor status at anytime. If a model could be generated from the available data in a manufacturing system, the development phase may be significantly shortened. However, practical implementations of automated model generation approaches remain scarce. It is also true that automatically built representations may be excessively accurate and describe activities that are not significant for estimating the system performance. Hence, the generation of models with an appropriate level of detail can avoid useless efforts and long computation times, while allowing for easier understanding and re-usability. This research focuses on the development and adoption of automated model generation techniques for obtaining simulation-based digital models starting from the data logs of manufacturing systems, together with methods to adjust the models toward a desired level of detail. The properties and parameters of the manufacturing system, such as buffer sizes, are estimated from data through inference algorithms. The system properties are also used in a model tuning approach, which generates an adjusted model starting from the available knowledge and the user requirements in terms of complexity (e.g., number of stations). In addition, a lab-scale environment has been built with the aim to test decision-making frameworks based on digital twins within a realistic data infrastructure. The experimental results prove the effectiveness of the proposed methodology in generating proper digital models that can correctly estimate the performance of a manufacturing system. The model generation and tuning method can positively contribute to real-time simulation. Indeed, its application within an online framework of production planning and control allows for adapting simulation models to the real system, potentially at any time a modification occurs. This way, decisions taken online are guaranteed to be referring to the current state of the factory. Thanks to this research, manufacturing enterprises will be able to reach a higher production flexibility, together with higher responsiveness to technological changes and market-demand fluctuations.

I recenti sviluppi nel settore manifatturiero hanno comportato la diffusione dei digital twin (o gemelli digitali) per supportare i processi decisionale sia a lungo che a breve termine, come ad esempio la gestione delle catene di approvvigionamento e i processi di pianificazione e controllo della produzione. La capacità di prendere decisioni on-line si basa fortemente sul presupposto che i modelli digitali siano correttamente allineati con il sistema reale in qualsiasi momento. Siccome i sistemi produttivi moderni sono frequentemente soggetti a interruzioni e modifiche, lo sviluppo dei loro gemelli digitali non può fare affidamento esclusivamente su sforzi manuali. La recente quarta rivoluzione industriale ha contribuito alla nascita di nuove tecnologie per l'acquisizione, l'archiviazione e la comunicazione dei dati, consentendo la conoscenza in qualsiasi momento dello stato del sistema. La possibilità di generare un modello digitale dai dati disponibili in un sistema di produzione fa sì che la fase di sviluppo possa essere significativamente accorciata. Ciononostante, implementazioni pratiche della generazione automatica di modelli risultano scarse in letteratura. Inoltre, le rappresentazioni costruite automaticamente possono rivelarsi eccessivamente accurate se descrivono attività che non sono significative per la stima delle prestazioni del sistema. La generazione di modelli con un livello di dettaglio adeguato può evitare sforzi inutili e lunghi tempi di calcolo, oltre che consentire una più facile comprensione e riutilizzabilità dei gemelli digitali. Questa ricerca si concentra sullo sviluppo e l'adozione di tecniche di generazione di modelli di simulazione a partire dai dati dei sistemi di produzione, insieme a metodi per ottenere un livello di dettaglio adeguato. Nella metodologia proposta, le proprietà e i parametri del sistema di produzione, come ad esempio le dimensioni del buffer, vengono stimate dai dati attraverso algoritmi di inferenza. Le proprietà del sistema vengono utilizzate anche in un approccio di tuning, che genera un modello con un’adeguata granularità a partire dalle esigenze dell'utente in termini di complessità (ad esempio limitando il numero di stazioni che vengono rappresentate). In aggiunta, questo lavoro tratta lo sviluppo di un ambiente di testing in laboratorio, con l’obiettivo di testare approcci decisionali basati su gemelli digitali in un contesto di infrastruttura dati realistica. I risultati sperimentali dimostrano l'efficacia della metodologia proposta per quanto riguarda la generazione di modelli digitali adeguati che possano essere usati per stimare correttamente le prestazioni di un sistema produttivo. La generazione del modello in automatico può contribuire positivamente alla ricerca sulla simulazione in tempo reale. Infatti, la sua applicazione in uno scenario di pianificazione e controllo della produzione consente per adattare i modelli di simulazione al sistema reale, potenzialmente in qualsiasi momento avviene una modifica. In questo modo, le decisioni prese online possono essere sempre riferite allo stato attuale della fabbrica. Grazie a questa ricerca, le imprese manifatturiere potranno raggiungere una maggiore flessibilità produttiva, insieme ad una maggiore reattività ai cambiamenti tecnologici e alle fluttuazioni della domanda di mercato.