Digital twin-driven genetic algorithm for optimizing layout and task allocation in human-robot collaborative assemblies

This thesis presents a novel optimization framework for Human-Robot Collaborative (HRC) workcells that integrates digital twin technology with a Genetic Algorithm (GA). The framework aims at optimizing both the layout and task allocation of collaborative industrial environments. Traditional HRC optimization methods often rely on manual ad- justments and the expertise of system integrators, limiting scalability and efficiency. This research addresses these limitations by proposing a systematic, data-driven approach that leverages advanced optimization techniques during the design phase. The framework employs a scalarized multi-objective GA, tailored for HRC applications, within a digital twin environment (Tecnomatix Process Simulate by Siemens). The GA iteratively simulates various workcell configurations and task allocations, evaluating them based on key performance indicators such as cycle time, workspace surface area, er- gonomics, and robot manipulability. A practical case study involving the assembly of an emergency stop button demonstrates the framework’s effectiveness.

Questa tesi presenta una nuova struttura di ottimizzazione per le celle di lavoro collabora- tive uomo-robot che integra la tecnologia del digital-twin con un Algoritmo Genetico (AG). Questa struttura ha l’obiettivo di ottimizzare sia il layout che l’allocazione delle operazioni. I metodi tradizionali di ottimizzazione delle celle collaborative spesso si basano su aggius- tamenti manuali e sull’esperienza degli operatori, limitando la scalabilità e l’efficienza. Questa tesi affronta queste limitazioni proponendo un approccio sistematico basato sui dati che sfrutta tecniche avanzate di ottimizzazione già nella fase di progettazione. Il modello utilizza un AG multi-obiettivo, progettato appositamente per applicazioni col- laborative uomo-robot, all’interno di un ambiente digital twin (Tecnomatix Process Sim- ulate). L’algoritmo simula iterativamente varie configurazioni delle celle di lavoro e allo- cazioni delle operazioni, valutandole sulla base di indicatori come il tempo di ciclo, l’area di lavoro, l’ergonomia e la manipolabilità dei robot. Un caso studio di assemblaggio di un pulsante di emergenza viene infine utilizzato come caso studio per validare l’efficacia del modello.