Enabling General-Purpose Digital Twins Using Artificial Intelligence and Distributed Systems

Depuis le début de l’ère de l’industrie 4.0, les fabricants investissent dans la numérisation des systèmes de production et l’intégration de l’intelligence. Les perturbations de la chaîne d’approvisionnement et les variations de la demande du marché ont incité les fabricants à améliorer leur processus décisionnel actuel. Des systèmes de décision adaptatifs à réponse rapide évaluent les alternatives et ajustent les plans de production une fois les changements détectés. Le jumeau numérique (DT) est un concept important qui utilise des modèles de simulation et l’intelligence artificielle (IA) pour fournir une aide à la décision en temps réel. L’industrie 4.0 et l’intégration des technologies de l’information et de la communication (TIC) dans les systèmes de production ont fourni l’infrastructure nécessaire aux systèmes DT. Les DT aident les responsables de production à dépasser leurs limites actuelles avec une meilleure observabilité de leurs systèmes de production. Plusieurs applications DT ont été développées et étudiées dans la littérature; cependant, un petit nombre de publications ont considéré la généralité de la conception de leur système DT. De plus, le concept de DT manque de standardisation malgré l’intérêt pour la DT des communautés académiques et industrielles. Plusieurs concepts de l’industrie 4.0 ont été proposés avec des fonctionnalités similaires et enchevêtrées, telles que le système cyber-physique (CPS), le shell d’administration d’actifs (AAS) et l’ombre numérique (DS). Dans cette recherche, un cadre DT à usage général est développé à l’aide de concepts informatiques. Une définition de DT basée sur la fonctionnalité est proposée pour séparer DS et DT. La définition proposée permet à différents outils d’aide à la décision de fonctionner à partir d’une représentation numérique en temps réel du système physique. Le CPS, les systèmes distribués et l’IA sont des technologies habilitantes clés pour le cadre DT proposé. CPS fournit l’infrastructure de connectivité cyber-physique requise pour intégrer les DT dans les systèmes de production. Les concepts de système distribué permettent la flexibilité et la généralité de la conception du cadre proposé, comme la conteneurisation, les microservices et la communication Pub/Sub. Les algorithmes d’IA combinent raisonnement et inférence pour créer des systèmes de recommandation intelligents. Le cadre DT proposé permet aux concepteurs d’ajuster les modèles numériques (DM) pendant l’exécution pour refléter les modifications du système de production. De nouveaux DM et applications sont déployés sur les systèmes DT existants sans perturber leurs services. La conteneurisation et la séparation entre les DM et les applications DT permettent à différents outils d’aide à la décision de fonctionner simultanément. Une méthodologie est proposée pour le développement du système DT. L’approche de développement agile est adoptée pour concevoir la méthodologie proposée comme un processus itératif par étapes. Les analystes commerciaux, les responsables de production et les opérateurs participent à la définition des rôles DT et à l’amélioration constante du système DT. La méthodologie proposée soutient des cycles de production rapides et une amélioration continue. Plusieurs cas d’utilisation industrielle ont été étudiés dans le cadre de cette recherche, tels qu’un système de transport de matériaux de mine à ciel ouvert, un système de compression de gaz pour le transport offshore, un système de production de semi-conducteurs, et un système d’entrepôt intelligent. Ces cas d’utilisation ont été utilisés pour valider la flexibilité et la généralité du framework DT proposé. Ces cas d’utilisation étudiés les avantages de l’intégration de l’intelligence dans les systèmes de production et les techniques de conception de modèles nécessaires pour créer des modèles DS et des applications DT.

Abstract

Since the start of the industry 4.0 era, manufacturers are investing in production system digitalization and intelligence integration. Supply-chain disruptions and market demand variations influenced manufacturers to improve their current decision-making process. Adaptive fast-response decision systems evaluate alternatives and adjust production plans once changes are detected. Digital twin (DT) is a prominent concept that utilizes simulation models and Artificial intelligence (AI) to provide real-time decision support. Industry 4.0 and the integration of Information and communication technologies (ICT) into production systems provided the needed infrastructure for DT systems. DTs assist production managers to surpass their current limitations with better observability of their production systems. Multiple DT applications were developed and studied in the literature; however, a handful number of publications considered the generality of their DT system design. Additionally, the DT concept lacks standardization despite the interest in DT from both academic and industrial communities. Multiple industry 4.0 concepts were proposed with similar and entangled functionality, such as Cyber-physical system (CPS), Asset administration shell (AAS), and Digital shadow (DS). In this research, a general-purpose DT framework is developed using computer science concepts. A functionality-based definition of DT is proposed to separate between DS and DT. The proposed definition enables different decision-support tools to operate using a real-time digital representation of the physical system. CPS, distributed systems, and AI are key enabling technologies for the proposed DT framework. CPS provides the cyber-physical connectivity infrastructure required to integrate DTs into production systems. Distributed system concepts enable the flexibility and generality of the proposed framework design, such as containerization, Microservices, and Pub/Sub communication. AI algorithms combine reasoning and inference for creating smart recommendation systems. The proposed DT framework allows designers to adjust Digital models (DMs) during runtime to reflect production system changes. New DMs and applications are deployed to existing DT systems without disrupting their services. Containerization and the separation between DMs and DT applications enable different decision-making tools to operate concurrently. A methodology is proposed for DT system development. The agile development approach is adopted to design the proposed methodology as a stepwise iterative process. Business analysts, production managers, and operators are involved in defining the DT roles and constantly improving the DT system. The proposed methodology supports fast production cycles and continuous improvement. Multiple industrial use cases were studied through this research, such as an open-mine pit material transportation system, a gas compression system for offshore transportation, a semiconductor production system, and an intelligent warehouse system. These use cases were used to validate the proposed DT framework’s flexibility and generality. These use cases studied the benefits of embedding intelligence into production systems, and the model design techniques needed to build DS models and DT applications.