Complete digital twin for production control based on remaining cycle time prediction

In recent years, the industry has invested heavily in digital technologies to push manufacturing systems’ productivity and automation. With the new technologies, different approaches for optimization are being applied, especially aggregated under the name of Industry 4.0. Within the scope of this new revolution, many research studies have focused on the topic of Digital Twins (DT). A DT can be seen as a virtual representation of a physical system capable of replicating its behavior to conduct a decision-making process. This process takes advantage of advanced analysis, and the decision chosen is given back to the physical system as a feedback loop. For this, the DT has to be fed in real-time with data from the physical system and sent back the feedback information, optimizing the real system without human interaction. To achieve a complete DT, several digital components need to be orchestrated. To the best of the authors’ knowledge, several research studies focused on the specific development of individual components or only on proposing theoretical architectures, and the practical ones did not consider complex systems with multiple path choices. Moreover, no significant contributions were made to applying a complete Digital Twin architecture and developing all the necessary services to run the DT. This work aims to present a DT fully operational manufacturing system based on Discrete Event Simulation (DES). Besides all the minimum components to replicate the physical system and keep it updated, this work also develops a DT service that manages the production flow in an optimal approach through the prediction of Remaining Cycle Time (RCT). To validate the proposed architecture, an experimental campaign is conducted using a lab-scale model, allowing the testing of each system component. Finally, to confirm the targeted optimization of the system using the proposed Digital Twin, a complete case study is done using the same lab-scale model, showing the benefits of the DT application.

Negli ultimi anni, l’industria ha investito molto nelle tecnologie digitali per spingere ulteriormente la produttività e l’automazione dei sistemi di produzione. Date le nuove tecnologie in fase di sviluppo, sono stati applicati diversi approcci per l’ottimizzazione, aggregati in modo speciale sotto il nome di Industria 4.0. Nell’ambito di questa nuova rivoluzione, molte ricerche si sono concentrate sul tema dei Digital Twins (DT). Un DT può essere affrontato come una rappresentazione virtuale di un sistema fisico in grado di replicare il suo comportamento per condurre un processo decisionale. Questo processo sfrutta l’analisi avanzata e la decisione scelta viene restituita al sistema fisico come ciclo di feedback. Per ottenere un DT completo, è necessario orchestrare diversi componenti digitali. Per quanto ne sanno gli autori, sono state condotte diverse ricerche incentrate sullo sviluppo specifico di singoli componenti o solo sulla proposta di architetture teoriche, e quelle pratiche non hanno preso in considerazione sistemi complessi con più scelte di percorsi. Inoltre, non è stato apportato alcun contributo significativo nell’applicazione di un’architettura Digital Twin completa e nello sviluppo di tutti i servizi necessari per far funzionare il DT. Questo lavoro mira a presentare un DT completamente operativo per il sistema di produzione basato sulla simulazione di eventi discreti (SED). Oltre a tutti i componenti minimi per replicare il sistema fisico e mantenerlo aggiornato, questo lavoro progetta anche un servizio DT che gestisce il flusso di produzione in un approccio ottimale attraverso la previsione del tempo di ciclo rimanente (RCT). Inoltre, per convalidare l’architettura proposta, è stata condotta una campagna sperimentale utilizzando un modello in scala di laboratorio, consentendo di testare ogni componente del sistema. Infine, per confermare l’ottimizzazione mirata del sistema utilizzando il Digital Twin proposto, viene eseguito uno studio di caso completo utilizzando lo stesso modello su scala di laboratorio che mostra i vantaggi dell’utilizzo del DT in diversi scenari; in particolare, il caso mostra un aumento del 34% della produttività per il sistema che ha ricevuto il feedback dal DT.