Beyond the black box: transparent digital twins for human-centric and sustainable manufacturing in industry 5.0

The integration of Artificial Intelligence (AI) into Digital Twin (DT) systems has advanced manufacturing optimization; however, most implementations operate as black boxes: their recommendations are neither interpretable by human operators nor aligned with the human-centricity and sustainability pillars of Industry 5.0. This constitutes the first gap addressed in this thesis. A parallel gap exists at the problem formulation level, where surrogate-based approaches to the Buffer Allocation Problem (BAP) have not jointly optimized buffer allocation and Work-In-Process (WIP) level within a DT, limiting applicability to real production environments where WIP is a critical decision variable. This thesis addresses both gaps through three contributions: a PRISMA-based Systematic Literature Review of 68 papers mapping transparency, sustainability, and human-centricity in AI-based DTs; a conceptual framework proposing an architecture in which an Explainable Artificial Intelligence (XAI) layer sits between the AI predictive model and the human operator, producing dual operational and sustainability insight streams; and a proof of concept extending prior surrogate-based BAP work to a joint BAP+WIP optimization problem on a five-station LEGO production line, where an Artificial Neural Network (ANN) surrogate trained through active learning on 2,792 configurations (mean error 1.96%) is coupled with Differential Evolution under cost minimization and throughput maximization formulations. The surrogate identifies optimal configurations in under 5 seconds versus over 3,300 seconds for simulation (885x and 965x speedup) within the 10% prediction error threshold. KernelSHAP reveals that WIP level W dominates throughput predictions (58-59% of local SHAP contribution), with W = 10 as the inflection point between rapid gains and diminishing returns, and B3 and B4 as the most influential buffer variables. The resulting feature-level explanations connect recommendations to sustainability insights and supporting human-centric decision-making at operational and managerial levels. This is the first application of post-hoc XAI to an ANN-based digital shadow for joint BAP and WIP optimization, offering practitioners a computationally efficient and transparent approach to Industry 5.0-aligned DT systems.

L'integrazione dell'Intelligenza Artificiale (IA) nei sistemi di Digital Twin (DT) ha fatto progredire l'ottimizzazione manifatturiera; tuttavia, la maggior parte delle implementazioni opera come scatola nera: le loro raccomandazioni non sono interpretabili dagli operatori umani né allineate ai pilastri di centralità umana e sostenibilità dell'Industria 5.0. Questo costituisce il primo gap affrontato in questa tesi. Un gap parallelo esiste a livello di formulazione del problema, dove gli approcci basati su modelli surrogati al Buffer Allocation Problem (BAP) non hanno ottimizzato congiuntamente l'allocazione dei buffer e il livello di Work-In-Process (WIP) all'interno di un DT, limitando l'applicabilità ad ambienti produttivi reali in cui il WIP è una variabile decisionale critica. Questa tesi affronta entrambi i gap attraverso tre contributi: una Systematic Literature Review basata sul protocollo PRISMA di 68 articoli che mappano trasparenza, sostenibilità e centralità umana nei DT basati su IA; un framework concettuale che propone un'architettura in cui uno strato di Explainable Artificial Intelligence (XAI) è posizionato tra il modello predittivo e l'operatore umano, producendo flussi di informazioni operativi e di sostenibilità; e una proof of concept che estende il lavoro precedente sul BAP surrogato a un problema di ottimizzazione congiunta BAP+WIP su una linea di produzione LEGO a cinque stazioni, dove un surrogato basato su Artificial Neural Network (ANN) addestrato tramite active learning su 2.792 configurazioni (errore medio 1,96%) è accoppiato con Differential Evolution sotto formulazioni di minimizzazione dei costi e massimizzazione del throughput. Il surrogato identifica configurazioni ottimali in meno di 5 secondi rispetto a oltre 3.300 secondi per la simulazione (speedup 885x e 965x) entro la soglia del 10% di errore. KernelSHAP rivela che il WIP W domina le previsioni di throughput (58–59% del contributo SHAP locale), con W = 10 come punto di flesso tra guadagni rapidi e rendimenti decrescenti, e B3 e B4 come buffer più influenti. Le spiegazioni a livello di feature collegano le raccomandazioni a decisioni operative e informazioni di sostenibilità, supportando il processo decisionale centrato sull'uomo a livello operativo e manageriale. Questa è la prima applicazione di XAI post-hoc a un digital shadow ANN per ottimizzazione congiunta BAP+WIP, offrendo un approccio efficiente e trasparente per sistemi DT allineati all'Industria 5.0.