点击蓝字 关注我们↑↑↑
DIGITAL TWIN
如果您不希望错过文章，就加个星标吧！
本期阅读
文章信息
论文“Digital twin composition in smart manufacturing via Markov decision processes”于2023年8月发表于《 Computers in Industry》期刊，这篇文章由Giuseppe De Giacomo, Marco Favorito, Francesco Leotta等人共同完成。
DOI: https://doi.org/10.1016/j.compind.2023.103916
论文链接：
https://www.sciencedirect.com/science/article/pii/S0166361523000660
引用本文：
Giuseppe De Giacomo, Marco Favorito, Francesco Leotta, Massimo Mecella, Luciana Silo.Digital twin composition in smart manufacturing via Markov decision processes,Computers in Industry,Volume 149, 2023,103916,ISSN 0166-3615, https://doi.org/10.1016/j.compind.2023.103916.
文章阅读
Digital twin composition in smart manufacturing via Markov decision processes
Giuseppe De Giacomo a, Marco Favorito a b, Francesco Leotta a, Massimo Mecella a, Luciana Silo a
a Dipartimento di Ingegneria informatica, automatica e gestionale Antonio Ruberti Sapienza Università di Roma, Italy
b Banca d’Italia, Italy
Abstract
Digital Twins (DTs) are considered key components in smart manufacturing. They bridge the virtual and real world with the goal to model, understand, predict, and optimize their corresponding real assets. Such powerful features can be exploited in order to optimize the manufacturing process. In this paper, we propose an approach, based on Markov Decision Processes (MDPs) and inspired by Web service composition, to automatically propose an assignment of devices to manufacturing tasks. This assignment, or policy, takes into account the uncertainty typical of the manufacturing scenario, thus overcoming limitations of approaches based on classical planning. In addition, obtained policies are proven to be optimal with respect to cost and quality, and are continuously updated in order to adapt to an always evolving scenario. The proposed approach is showcased in an industrial application scenario, and is implemented as a freely available tool.
Keynote
Service composition, Roman model, Digital twins, Industry 4.0, Smart manufacturing, Markov decision processes
摘要
数字孪生（DTs）被视为智能制造中的关键组件。它们连接虚拟世界与真实世界，旨在对其对应的实体资产进行建模、理解、预测和优化。这些强大的功能可用于优化制造过程。在本文中，我们提出了一种基于马尔可夫决策过程（MDPs）并受Web服务组合启发的方法，以自动为制造任务分配设备。此分配方案或策略考虑了制造场景中典型的不确定性，从而克服了基于经典规划的方法的局限性。此外，所获得的策略在成本和质量方面被证明是最优的，并且会不断更新以适应不断变化的环境。本文所提出的方法在一个工业应用场景中得到了展示，并已实现为一个可免费使用的工具。
关键词
服务组合, 罗马模型, 数字孪生, 工业4.0, 智能制造, 马尔可夫决策过程
Fig. 1. The proposed architecture.
研究背景
工业4.0与智能制造： 工业4.0是第四次工业革命的代名词，由新技术如数字技术和互联网技术推动，实现全自动化生产过程。智能制造旨在提高生产过程的生产力和质量，减轻工人负担，并定义新的商业机会。
数字孪生（DT）技术： 数字孪生作为工业领域的一项关键技术，通过虚拟代表物理系统，实现生产决策评估、产品性能访问、远程控制和故障排除等。
服务组合： 服务组合技术，特别是罗马模型，为智能制造中的数字孪生提供了一种自动化的解决方案，但其假设服务行为是确定性的，这在数字孪生中并不现实。
研究方法
数字孪生建模为随机服务： 为克服罗马模型在智能制造中的局限性，将每个数字孪生及其对应的物理行为建模为随机服务，允许服务表现出不确定性和概率性。
制造过程建模：利用目标服务的概念来模拟制造过程，目标服务由更简单的服务组合而成。
组合问题： 定义了目标服务和系统服务的联合历史，以及如何通过或解器实现目标服务。
解决方案技术： 提出了一种基于马尔可夫决策过程（MDP）的解决方案技术，通过解决MDP来找到最优的生产计划。
实验设计
案例研究： 通过一个陶瓷制造公司的实际应用场景来展示所提方法的适用性。
实施： 描述了如何将所提方法实现为一个工具，并在案例研究中部署。
结果分析
案例研究分析： 通过案例研究展示了所提方法在实际工业场景中的应用，证明了其能够自动为制造任务分配设备，并考虑了制造场景中的不确定性。
实施结果： 实现了一个原型系统，该系统能够根据计算出的最优策略执行制造过程，并通过HTTP请求与设备进行通信。
研究结论
方法的有效性： 所提出的方法能够有效地为制造过程中的任务分配设备，考虑了成本和质量的最优性，并能够适应不断变化的场景。
未来研究方向： 提出了未来研究的方向，包括将条件和守卫转换纳入过程自动机、定义安全约束和KPI、异常处理、数据集成和学习技术的集成等。
关注公众号，后台回复“论文89”即可下载原文
相关阅读
本公众号致力于分享高质量的数字孪生与数字工程相关学术研究与知识资讯，以促进学术交流与知识传播。推送的论文内容主要来源于公开出版或在线发布的学术资源，版权归原作者所有，仅供学术交流，未经授权不得商用。如有侵权，请联系删除。
如您有优秀论文需推荐，或者成果发布、企业进展、科研交流等需求，请在公众号后台留言，或发送邮件到digitaltwin@buaa.edu.cn，与我们取得联系。感谢您的持续关注与支持！
