Neueste Forschungstrends: Anwendbare Technologien in der intelligenten Fertigung [Blockchain und digitale Zwillinge]

digitaler Zwilling

【Papier 1: Digitaler Zwilling für intelligente Fertigung: Eine Überprüfung von Konzepten für eine praktische industrielle Umsetzung】
Die neuesten Trends und Entwicklungen in der digitalen Technologie machen ein neues Fertigungsmodell möglich. Digitale Systeme können Prozesse überwachen, optimieren und steuern, indem sie virtuelle Kopien der physischen Welt erstellen und dezentrale Entscheidungen treffen. Dieses Modell setzt auf die Entwicklung eines digitalen Gegenstücks, des digitalen Zwillings, jeder am gesamten Fertigungsprozess beteiligten Produktionsressource. Während praktische Anwendungen digitaler Zwillinge in den letzten Jahren in technischen und betrieblichen Details variieren können, um Schlüsselfunktionen und -attribute zu identifizieren und zu definieren.
Eine der größten Herausforderungen moderner Fertigungsverfahren ist die Möglichkeit, die Produktvielfalt durch Kleinserienfertigung zu erhöhen. Der aktuelle Herstellungsprozess erfordert, dass sich die Produktionsressourcen schnell an Änderungen in der Produktionsumgebung anpassen und darauf reagieren können, um Flexibilität, Rekonfigurierbarkeit, Entstörung und höhere Effizienz für den gesamten Produktionsprozess bereitzustellen. 模拟、代码生成、调试和测试等阶段需要“即时”连续执行，避免浪费与不断变化的产品和相关要求不兼容的时间. Mit Industrie 4.0-Technologien werden diese Phasen virtualisiert und in den Prozess selbst integriert, wodurch sie zu einem Echtzeit-Simulations- und Steuerungsgegenstück des physischen Prozesses selbst werden. Basierend auf Feedback aus der digitalen Fertigungsschicht, noch vor der Produktion. Gemäß dieser Vision verbesserte die Reaktion in der Produktion das Modell der Digitalen Zwillinge; 优化算法允许在线重新配置；虚拟调试缩短了专用制造系统的交付时间.

• Internet of Things (IoT)-Lösungen, insbesondere Industrial IoT, bieten allgegenwärtige Sensorfunktionen, die Daten von verschiedenen Betriebsressourcen, Fabriken und Prozessen sammeln können;
• Cyber-physische Systeme (CPS) integrieren Computer- und physische Fähigkeiten und ermöglichen es physischen Ressourcen, zu rechnen, zu kommunizieren und zu steuern;
• Cloud Computing bietet leistungsstarke Rechenfunktionen zum Manipulieren komplexer Modelle;
• Edge-Computing stellt Rechenleistung für verteilte Ressourcen bereit, wenn Latenz-, Datensicherheits- und Bandbreitenprobleme die Einführung von Cloud-basierten Lösungen behindern können;
• Big Data und künstliche Intelligenz liefern Intelligenz für Entitäten, Modelle und Systeme.

Bestehende Probleme:

1. Kommunikationsprotokoll: Wie bestätigt man die Synchronisation und Konsistenz zwischen den beiden Welten und wie implementiert man das bidirektionale Kommunikationsprotokoll richtig?
2. Generierung und Integration von Modelltreue: High-Fidelity und Synchronisierung von Modellen, die die einzige Möglichkeit ist, High-Fidelity-Daten basierend auf physikalischen Ressourcendaten zu entwickeln, die Schwankungen, Störungen und Unsicherheiten unterliegen
3. Integration verschiedener Domänen: Speicherung, Verwaltung, Inspektion und Verifizierung von Daten digitaler Zwillinge.
4. Ökonomische Kostenanalyse: Das Verhältnis von Investition zu Nutzen ist ein Rätsel bei der Bereitstellung.

[ Paper 2 Digital Twin-driven Smart Manufacturing: Connotation, Reference Model, Applications and Research Issues ]
Dieses Paper gibt einen Überblick über die Entwicklung digitaler Zwillings-gesteuerter Technologien in Fertigungssystemen und -prozessen in den letzten Jahren und analysiert die Digital Twin-gesteuerte intelligente Fertigung vor dem Hintergrund von Industrie 4.0 Konnotationen, Anwendungsszenarien und Forschungsfragen. Um den digitalen Zwilling und sein zukünftiges Potenzial in der Fertigung zu verstehen, fassen wir die Definition und die neuesten Entwicklungen des digitalen Zwillings zusammen. Auf Basis des Referenzmodells des digitalen Zwillings wird die bestehende Technologie des intelligenten digitalen Zwillings in der Fertigung überprüft und die Entwicklungsmethode des digitalen Zwillings systematisiert. Repräsentative Anträge werden geprüft, wobei der Schwerpunkt auf der Konsistenz mit dem vorgeschlagenen Referenzmodell liegt. Abschließend werden herausragende Forschungsfragen zur Entwicklung digitaler Zwillinge für die Smart Manufacturing aufgezeigt.
Von der physischen Ausrüstung über das Fabrikmanagement bis hin zu Produktionsnetzwerken wird die Fertigung auf allen Ebenen intelligent und erhält die Fähigkeit, durch kognitive Intelligenz zu lernen, zu konfigurieren und auszuführen. Dieser Teil skizziert den Entwicklungstrend der intelligenten Fertigung, diskutiert die Konnotation der intelligenten Fertigung mit digitalem Dual-Drive und konzentriert sich auf die möglichen Auswirkungen des digitalen Dual-Drive auf die zukünftige Fertigung.
Intelligente Fertigung wird von mehreren Behörden entwickelt, darunter das US-Energieministerium (DoE) und das National Institute of Standards and Technology (NIST). Nach Ansicht von Davis et al. bezieht sich intelligente Fertigung auf die Intelligentisierung der Fertigung im gesamten Unternehmen der Fertigungslieferkette. Es umfasst Echtzeit-Verständnis, Argumentation, Planung und Verwaltung aller Aspekte des Herstellungsprozesses, erleichtert durch den umfassenden Einsatz fortschrittlicher sensorbasierter Datenanalyse, Modellierung und Simulation. NIST definiert intelligente Fertigungssysteme als vollständig integrierte, kollaborative Fertigungssysteme, die in Echtzeit reagieren, um sich ändernden Anforderungen und Bedingungen in Fabriken, Liefernetzwerken und Kundenanforderungen gerecht zu werden
In der intelligenten Fertigung werden die Einheiten in der Fabrik über Standard-Netzwerk-Gateways mit dem industriellen Internet verbunden und als digitale Zwillinge im Cyberspace abstrahiert. Jeder „digitale Zwilling“ im Cyberspace ist eine Abstraktion seines Gegenstücks in der physischen Welt und spiegelt dessen physischen Zustand wider. Cyberspace speichert und verarbeitet Streaming-Daten von verbundenen physischen Objekten. Diese Daten werden verwendet, um das Verhalten einzelner physikalischer Objekte unter dynamischen Betriebsbedingungen zu modellieren, zu simulieren und vorherzusagen. Die Popularisierung intelligenter Technologien wie Big Data Processing und künstliche Intelligenz ermöglicht die Extraktion von Fertigungsintelligenz in jedem Moment der Fertigungsaktivitäten. Die kollektive Intelligenz lokal verbundener Fabriken und des Cyberspace ebnet den Weg für einige dramatische Veränderungen in Bezug auf unternehmensinterne Abläufe, unternehmensübergreifende Zusammenarbeit und Produktionsmodelle, wie in Abbildung 3 dargestellt.

Digitale Zwillinge spielen eine zentrale Rolle in der Vision der Smart Manufacturing. Es verwandelt die Analyse der Vergangenheit in die Vorhersage der Zukunft. Die Echtzeitdarstellung der Realität durch digitale Zwillinge ermöglicht es uns, uns von der Datenerfassung und -analyse nach der Datenerhebung zu Geschäftspraktiken in Echtzeit und vor dem Ereignis zu entwickeln. In Anlehnung an die Vision der intelligenten Fertigung in Abbildung 3 kann der digitale Zwilling die zukünftige Fertigung auf folgende Weise beeinflussen:
Eine Fertigungsanlage kann durch ihren digitalen Zwilling verbunden und in den Cyberspace abstrahiert werden. Mit nahezu in Echtzeit erfassten Daten aus Anlagen können Hersteller ein klareres Verständnis der tatsächlichen Leistung und Betriebsbedingungen von Produktionsanlagen gewinnen und proaktive Entscheidungen über optimale Betriebsabläufe treffen. Durch den Fluss echter Informationen aus Fertigungsanlagen können Hersteller das Situationsbewusstsein verbessern und die betriebliche Belastbarkeit und Flexibilität erhöhen, insbesondere im Kontext einer umfassenden Personalisierung.
Digitale Zwillinge können auch Arbeiter in der Fertigung verbinden. Ein Profil einer Person, einschließlich personenbezogener Daten wie Gewicht, Gesundheitsdaten, Aktivitätsdaten und emotionalem Zustand, kann dabei helfen, Modelle über das individuelle Wohlbefinden und die Arbeitsbedingungen für Menschen in Fabriken zu erstellen. Das Verständnis des Zustands der Menschen in der Belegschaft kann bei der Entwicklung menschenzentrierter Strategien für die Zusammenarbeit zwischen Mensch und Roboter helfen, um das Wohlbefinden der Arbeiter zu verbessern und eine optimale Produktionsleistung zu erreichen. Arbeiter können ihre Fähigkeiten auch durch ultrarealistische Trainingsprogramme verbessern, die tatsächliche Fabrikeinstellungen mit virtuellen Was-wäre-wenn-Szenarien kombinieren. Die Möglichkeit, personalisierte virtuelle Schulungsprogramme auf der Grundlage digitaler Zwillinge von Arbeitern und Fabriken zu erstellen, kann mit enormer Ressourcenoptimierung und betrieblicher Effizienz richtungsweisend sein.
Der „digitale Zwilling“ kann auch für die Fabrik arbeiten und die reale Fabrikumgebung nachbilden. Digitale Zwillinge und datengesteuerte Produktionsabläufe können eine selbstorganisierende Fabrikumgebung mit vollständiger betrieblicher Transparenz und Flexibilität schaffen. Konnektivität und Datenverfolgung während des gesamten Fertigungsprozesses verwandeln den Fabrikbetrieb in datengesteuerte, evidenzbasierte Praktiken und bieten die Möglichkeit, Quellen von Produktausfällen zu verfolgen, Engpässe bei der Produktionseffizienz zu analysieren und den zukünftigen Ressourcenbedarf vorherzusagen.
Durch die Verbindung von Produktionsanlagen, Mitarbeitern und Dienstleistungen über einen „digitalen Zwilling“ kann jeder Aspekt eines Unternehmens virtuell dargestellt werden. Durch die Verbindung verteilter digitaler Zwillinge zwischen Unternehmen können Unternehmen virtuell verbundene Produktionsnetzwerke aufbauen. Durch die Nutzung von Big-Data-Fähigkeiten bietet diese Strategie einen beispiellosen Einblick in die Betriebsleistung und schafft die Möglichkeit, die zukünftigen Anforderungen des digitalen Zwillingsnetzwerks vorherzusagen.
Digitale Zwillinge spiegeln die bidirektionale dynamische Zuordnung zwischen physischen Objekten und ihren virtuellen Modellen im Cyberspace wider. Ein digitaler Zwilling bietet eine Middleware-Architektur, die seine physischen Objekte für fortschrittliche Engineering-Managementsysteme abstrahiert, um Entscheidungen nahezu in Echtzeit zu treffen. Abbildung 4 zeigt ein digitales Zwillings-Referenzmodell. Im Kern der Technologie erfordert die Entwicklung eines digitalen Zwillings drei Komponenten: (1) ein Informationsmodell, das die Spezifikationen physischer Objekte abstrahiert, (2) einen Kommunikationsmechanismus, der bidirektionale Daten zwischen dem digitalen Zwilling und seinem physischen Gegenstück überträgt; Das Verarbeitungsmodul kann Informationen aus heterogenen Daten aus mehreren Quellen extrahieren und eine Echtzeitdarstellung physischer Objekte erstellen. Diese drei Komponenten müssen zusammenarbeiten, um einen digitalen Zwilling zu erstellen. Ohne ein Informationsmodell zur Abstraktion der Merkmale physischer Einheiten verlieren die in den Cyberspace übertragenen Daten ihre Bedeutung und ihren Kontext. Wenn es keinen Datensynchronisationsmechanismus zwischen dem physischen Modell und dem Informationsmodell gibt, werden die Verbindung und Reflexion zwischen diesen beiden Endpunkten unterbrochen und das Informationsmodell wird zu einer einmaligen Momentaufnahme des physischen Modells. Eine leistungsstarke Datenverarbeitung ist der Schlüssel zur Überbrückung der Lücke zwischen heterogenen Datenströmen und Informationsmodellen digitaler Zwillinge.

[ Paper 3 Digital-Twin-Based Job Shop Scheduling Toward Smart Manufacturing ]
Die Job Shop Scheduling hat schon immer eine wichtige Rolle im Fertigungsprozess gespielt und ist einer der entscheidenden Faktoren für die Effizienz der Fertigung. Im eigentlichen Prozess der Produktionsplanung gibt es einige unsichere Ereignisse, Informationsasymmetrien und anormale Störungen, die zu Ausführungsabweichungen führen und die Effizienz und Qualität der Planungsausführung beeinträchtigen. Herkömmliche Scheduling-Methoden können dieses Problem nicht gut lösen. Als Reaktion auf den Aufstieg der Digital-Twin-Technologie wird ein auf der Digital-Twin-Technologie basierendes Job-Shop-Scheduling-Verfahren vorgeschlagen.Dieses Verfahren hat die Eigenschaften von Virtual-Reality-Interaktion, Echtzeit-Mapping und symbiotischer Evolution, wodurch Terminabweichungen reduziert werden. In diesem Whitepaper werden die Architektur und das Arbeitsprinzip eines neuen Job-Shop-Scheduling-Modells vorgestellt. Dann werden ein Verfahren zur Aktualisierung von Scheduling-Ressourcenparametern und eine dynamische interaktive Scheduling-Strategie vorgeschlagen, um ein präzises Scheduling in Echtzeit zu realisieren. Abschließend wird ein Prototypsystem entwickelt, um die Effektivität des Werkstattplanungsmodells zu überprüfen.

Die DT-basierte Job-Shop-Scheduling-Architektur besteht aus zwei Teilen, dem physischen Raum und dem virtuellen Raum, wie in Abbildung 1 dargestellt. Die beiden Teile kommunizieren über die CPS-Einheit. Im virtuellen Raum können Planungsdaten aus der Überwachung von Ressourcen im physischen Raum erhalten werden, wie z. B. Ausrüstung, Arbeiter, Aufgabeninformationen usw. Basierend auf den erhaltenen Ressourcendaten werden ein Scheduling-Modell und ein Algorithmus erstellt, eine Scheduling-Strategie erhalten und eine Simulation durchgeführt. Der endgültig verifizierte Planungsplan wird zur Ausführung an den physischen Raum zurückgemeldet. Im physischen Bereich wird die Planung in Maschinenausführung, Bedienerzuweisung und Materialbewegung unterteilt.

Durch diesen neuen Scheduling-Mechanismus können wir einerseits relevante Parameter (Bearbeitungszeit, Qualifikationsniveau der Arbeiter, Kosten, Energieverbrauch usw.) exakte Wahrscheinlichkeitsverteilungen für exakte Scheduling-Parameter verwenden. Andererseits können durch den Datenaustausch zwischen den beiden Räumen verschiedene Störungsinformationen der Werkstatt analysiert und entsprechende Randbedingungen für verschiedene Störungsinformationen angepasst werden. Daher können Versandpläne aktualisiert und zur besseren Anpassungsfähigkeit und zeitnahen Reaktion an die physische Werkstatt zurückgegeben werden.
Virtual-Reality-Interaktion wird verwendet, um eine Brücke zwischen virtuellem Raum und realem Raum zu schlagen. Wie in Abbildung 2 gezeigt, umfasst die Realisierung der Virtual-Reality-Interaktion drei Schritte. Um die Echtzeit-Interaktion zwischen dem virtuellen Raum und dem physischen Raum zu realisieren, werden zunächst verschiedene Daten der physischen Werkstatt benötigt. Verwenden Sie Radio Frequency Identification, ein drahtloses Sensornetzwerk, ein intelligentes Instrument und verschiedene Sensoren, um Daten im Produktionsprozess der Werkstatt zu sammeln und zu überwachen. Zweitens soll auf der Grundlage der gesammelten Werkstattdaten ein schnelles und stabiles kundenspezifisches Datenübertragungsprotokoll entwickelt werden, um die Synchronisierung und Verschmelzung von Daten des virtuellen Raums und des physischen Raums zu realisieren, wenn in der Werkstatt ungewöhnliche Ereignisse auftreten, einschließlich ungewöhnlicher Verarbeitungstechnologie und Geräteausfall usw. Die Werkstatt sendet anormale Daten. Schließlich wird durch die Modellierungs- und Simulationsoptimierungsanalyse des virtuellen Raums ein zeitnaher und genauer neuer Plan erhalten und an das Ausführungssystem der physischen Werkstatt zurückgemeldet. Durch die Interaktion zwischen der physischen Werkstatt und der virtuellen Werkstatt ist es möglich, die dynamischen Veränderungen der Werkstatt in Echtzeit zu erfassen und darauf zu reagieren. Auch der Produktionsprozess kann kontinuierlich optimiert werden.

Bei der herkömmlichen Auftragsfertigungsplanung sind die Parameter der zugehörigen Planungsressourcen nicht mit den tatsächlichen Produktionsbedingungen in der Werkstatt vereinbar. Die bei der Planung verwendeten Parameter werden auf der Grundlage tatsächlicher Produktionserfahrungen grob geschätzt. In traditionellen Dispatching-Plänen werden Parameter normalerweise durch Statistiken erhalten und als bekannte Konstanten verwendet. Beispielsweise wird die Bearbeitungszeit einer Aufgabe auf einer bestimmten Maschine als konstant betrachtet. Aber in der realen Werkstattfertigung hängt die Bearbeitungszeit eines Auftrags nicht nur von den Bearbeitungsmaschinen und Werkern ab, sondern auch von dem zu bearbeitenden Auftrag. Die Bearbeitungszeit eines Auftrags auf einer bestimmten Maschine wird immer als feste Konstante angenommen. Es ignoriert den Einfluss verschiedener Arten von Arbeitern und Änderungen in der Bearbeitungszeit. Daher können Zeitpläne, die durch feste Zeitparameter generiert werden, in realen Workshops nicht gut funktionieren. Die Methode zur Parameteraktualisierung ist in Abbildung 3 dargestellt.

Auftragsfertigungsplanungsdaten umfassen physische Ausführungsdaten und virtuelle Werkstattdaten, wie z. B. Bearbeitungszeit, Kosten, Betriebsdaten, historische Simulationsdaten usw. Unter Verwendung der Planungsdaten, die aus der Datenfusion und Analyse des virtuellen Raums und des physischen Raums gewonnen wurden, wird die Effizienzverteilungsfunktion von Maschinen und Arbeitern angepasst. Durch kontinuierliche Dateniteration und -fusion können Parameter angereichert und verbessert werden, um sie präziser zu machen. Durch Simulation und Verifizierung wird der Terminplan zur Ausführung an die physische Werkstatt zurückgemeldet.
Unter diesem neuen Planungsmechanismus können genaue Parameterwerte durch die relevanten Verteilungsfunktionen erhalten werden. Das Modell kann durch den entsprechenden Planungsalgorithmus im virtuellen Raum einen genauen Planungsplan erhalten. Die genaue Verteilung relevanter Parameter wird während aufeinanderfolgender Schleifenausführungen aktualisiert. Generiert einen neuen Zeitplan, der realistischer ist.

【Papier 4: Digitale Zwillings-gesteuerte CO2-Emissionsvorhersage und kohlenstoffarme Steuerung intelligenter Fertigungs-Job-Shops】
Mit der Entwicklung von Sensortechnologie und Datenverarbeitungstechnologie ist die intelligente Fertigung auf der Grundlage von Cyber ​​​​Physical System (CPS) die Entwicklung von Trend der Fertigungsindustrie. Digitale Zwillinge wurden als Implementierungsmethode für CPS in Betracht gezogen. Angesichts der Komplexität und Unsicherheit diskreter Fertigungswerkstätten sind die automatische Integration von CO2-Emissionsdaten und die kohlenstoffarme Steuerung von Fertigungssystemen zwei große Herausforderungen. Um eine Reduzierung der CO2-Emissionen in intelligenten Fertigungswerkstätten zu erreichen, wird eine digitale Dual-Drive-CO2-Emissionsvorhersage und kohlenstoffarme Steuerung für intelligente Fertigungswerkstätten vorgeschlagen, einschließlich digitaler Dual-Drive-Modelle für CO2-arme Fertigungswerkstätten und digitale duale Dateninteraktion für kohlenstoffarme Fertigung und Integration, digitale CO2-Emissionsvorhersage mit Doppelantrieb und kohlenstoffarme Kontrolle. Es wurden drei Schlüsseltechnologien untersucht, darunter die Datenverarbeitung digitaler Zwillinge von kohlenstoffarmen Fertigungswerkstätten, Kohlenstoffemissionsbewertungs- und Prognosedienste auf der Grundlage digitaler Zwillinge und kohlenstoffarme Kontrollmethoden von Fertigungswerkstätten, die von digitalen Zwillingsdaten angetrieben werden. Der Ansatz kombiniert die neuesten Informations- und Computertechnologien mit kohlenstoffarmer Fertigung, um Kontrollsysteme durch einen virtuellen Workshop zu validieren und zu optimieren. Gleichzeitig können die Bewertung und Prognose von CO2-Emissionen als Dienstleistung verpackt werden, die von Werkzeugmaschinen für Kunden bereitgestellt wird.
Für die virtuelle Werkstatt des digitalen Zwillings kann diese nicht nur mit der physischen Welt simuliert, sondern auch synchron aktualisiert werden. Um dieses Ziel zu erreichen, muss zunächst ein Datensensornetzwerk aufgebaut werden. Für kohlenstoffarme Fertigungswerkstätten bezieht sich das Kohlenstoffemissionserfassungssensornetzwerk auf das Datenerfassungsnetz für die kohlenstoffarme Fertigung, einschließlich Kohlenstoffemissionsdaten, Werkzeugmaschinenstatusdaten und Daten über laufende Arbeiten. Kombiniert mit dem eigentlichen Produktionsprozess umfasst die Struktur des Sensornetzwerks zwei Teile: die statische Netzwerkstruktur und die dynamische Netzwerkstruktur. Durch das Design des Fertigungssystems wird der physikalische Konfigurationsprozess des statischen Netzwerkkonfigurations-Fertigungssystems realisiert. Andererseits zielt das dynamische Sensornetzwerk auf eine oder mehrere spezifische Produktionsaufgaben nach der Produktionsplanung und -terminierung ab, das heißt, die Auswahl geeigneter Sensoren zum Aufbau eines Teilnetzwerks, um dem logischen Konfigurationsprozess der Aufgabe zu dienen. Durch dynamischen Netzwerkaufbau können die erforderlichen digitalen Daten gewonnen werden, und die Nutzungseffizienz von Sensoren ist ebenfalls hoch.

Die Daten digitaler Zwillinge stammen hauptsächlich aus vier Aspekten, nämlich Daten in Bezug auf die physische Werkstatt, Daten in Bezug auf die virtuelle Werkstatt, Daten in Bezug auf das Werkstattservicesystem und Daten, die aus den oben genannten drei Teilen fusioniert sind. Da digitale Zwillingsdaten verschiedene Arten von Daten umfassen, ist die Datenverarbeitung für die anschließende Simulation, Vorhersage und Entscheidungsfindung von entscheidender Bedeutung. Wie in Abbildung 2 dargestellt, wird eine Datenverarbeitungsmethode für digitale Zwillinge einer kohlenstoffarmen Fertigungswerkstatt vorgeschlagen.
Da diskrete Fertigungsprozesse stochastisch sind, ändern sich Produktionsprozesse im Laufe der Zeit ständig. Unter Verwendung der Abweichung als Eingangsdaten wird das Vorhersagemodell basierend auf dem Algorithmus der künstlichen Intelligenz trainiert, d. h. inkrementelles Lernen. Die Datenverarbeitung umfasst hauptsächlich drei Schritte: Datenvorverarbeitung, Bias-Vergleich und inkrementelles lernbasiertes Vorhersagemodell.
Datenvorverarbeitung Da Rohdaten wie CO2-Emissionen, Maschinenstatus und Work-in-Process-Status Fehler, Wiederholungen oder Redundanzen aufweisen können, ist eine Datenvorverarbeitung erforderlich. Hier besteht die Vorverarbeitung aus drei Schritten: Datenbereinigung, Datenintegration und Datenkomprimierung. a) Datenbereinigung: Da energiebezogene Produktionsdaten automatisch und in Echtzeit erfasst werden, kommt es zu einer Vielzahl von Fehlern wie Doppelerfassungen und unvollständigen Erfassungen. In diesem Fall kann eine effektive Bereinigungsmethode verwendet werden, um eine Datenbereinigung zu erreichen;
b) Datenintegration: Die bereinigten Daten stammen normalerweise aus verschiedenen Datenquellen und müssen einen konsistenten Datenspeicher bilden, beispielsweise ein Data Warehouse; c) Datenkomprimierung
: Aufgrund der großen und komplexen Datenmenge, die erfasst wird, dauert es viel Zeit, die Daten zu analysieren und den Workshop zu minen, der nicht funktionsfähig ist. Durch Datenkomprimierung können kleinere Datenmengen erreicht werden, ohne die Integrität der Originaldaten zu zerstören.

• Abweichungsvergleich Vergleichen Sie
  nach Erhalt der Vorverarbeitungsdaten den Ist-Zustand mit dem Plan-Zustand, um den Abweichungsvergleich zu realisieren, einschließlich Prozessstatus, Logistikstatus und Pufferstatus. Denn diese drei Daten beeinflussen den Bearbeitungsfortschritt der Werkzeugmaschine.
• Vorhersage- und kohlenstoffarmes Steuerungsmodell basierend auf inkrementellem Lernen
  Durch Datenvorverarbeitung und Abweichungsvergleich kann ein auf inkrementellem Lernen basierendes Vorhersagemodell verwendet werden, um die Kohlenstoffemissionen einer bestimmten Werkzeugmaschine vorherzusagen. Das Modell wird mit einigen historischen Daten trainiert, darunter Prozessdaten, Maschinendaten, Planungsdaten und Logistikdaten. Das trainierte Vorhersagemodell kann verwendet werden, um die CO2-Emissionen von Werkzeugmaschinen vorherzusagen.

Blockchain

【Paper 5 Blockchain-Secured Smart Manufacturing in Industry 4.0: A Survey】
Blockchain ist eine neue Generation sicherer Informationstechnologie, die geschäftliche und industrielle Innovationen fördert. Es wurde viel Forschung zu den Schlüsseltechnologien der Ressourcenorganisation und des Systembetriebs der Blockchain-Sicherheit und der intelligenten Fertigung im Rahmen von Industrie 4.0 durchgeführt. Die Entwicklung und Verbreitung dieser Blockchain-Anwendungen wird jedoch grundlegend durch verschiedene Probleme in Bezug auf Skalierbarkeit, Flexibilität und Netzwerksicherheit behindert. In dieser Umfrage wird erörtert, wie Blockchain-Systeme potenzielle Cybersicherheitsbarrieren überwinden können, um Intelligenz in Industrie 4.0 zu ermöglichen. In diesem Zusammenhang wurden acht Cybersecurity Concerns (CIs) in Fertigungssystemen identifiziert. Bei der Untersuchung der Forschung zur Blockchain-sicheren intelligenten Fertigung werden zehn Indikatoren für die Implementierung von Blockchain-Anwendungen in Fertigungssystemen entworfen. Diese Studie beleuchtet die Studien dieser CIs in der Literatur. Basierend auf den aus der obigen Analyse gewonnenen Erkenntnissen werden zukünftige Forschungsrichtungen für Blockchain-gesicherte intelligente Fertigung vorgeschlagen, die eine Anleitung für die Forschung zu dringenden Cybersicherheitsfragen zur Realisierung von Industrie 4.0-Intelligenz bieten können.
【Papier 6 Blockchain-basierter Vertrauensmechanismus für IoT-basierte intelligente Fertigungssysteme】
Da die Technologie des Internets der Dinge riesige Datenmengen erfasst, entsteht ein integriertes kollaboratives Fertigungssystem, wie es die Zeit erfordert. Die den Herstellern auferlegte Treuhandsteuer ist jedoch bei ihren unzähligen Kontakten mit Kunden, Lieferanten, Händlern, Regierungen, Dienstleistern und anderen Herstellern sehr hoch. Blockchain ist eine aufstrebende Technologie, die transparentere, sicherere und effizientere Transaktionen ermöglicht. Es repräsentiert ein neues Paradigma und ein neues Denken darüber, wie Daten sicher gespeichert, integriert und zwischen unterschiedlichen Interessengruppen, Organisationen und Systemen kommuniziert werden können, die einander nicht vertrauen müssen. Blockchain kann eine große Hilfe bei der Senkung der Treuhandsteuern sein, insbesondere für KMU, die höhere Treuhandsteuern tragen müssen als etablierte Hersteller. Dieses Papier untersucht den auf Blockchain basierenden Sicherheits- und Vertrauensmechanismus und erläutert die spezifische Anwendung von Blockchain in der Qualitätssicherung, einem der Schlüsselpunkte einer intelligenten Fertigungsstrategie. Mithilfe der während des intelligenten Fertigungsprozesses generierten Daten ist es möglich, die Materialquelle abzurufen, die Geräteverwaltung zu vereinfachen, die Transaktionseffizienz zu verbessern und einen flexiblen Preismechanismus zu schaffen. Die Milchindustrie wird genutzt, um das Wertversprechen der Blockchain für die Qualitätssicherung zu instanziieren.

[Paper 7 Integration of Blockchain, IoT and Machine Learning for
Multistage Quality Control and Enhancing Security in
Smart Manufacturing ]
Basierend auf verschiedenen Anforderungen an die Anlagenzuverlässigkeit und Qualitätsvorhersage entwickeln sich intelligente Fertigungssysteme. Zu diesem Zweck werden viele Techniken des maschinellen Lernens erforscht. Ein weiteres Thema, das als wichtiger Bestandteil der Branche angesehen wird, ist die Datensicherheit und -verwaltung. Um die oben genannten Probleme zu überwinden, verwenden wir eine Kombination aus Blockchain und maschinellem Lernen, um Systemtransaktionen zu sichern und einen Datensatz zu verarbeiten, um gefälschte Datensätze zu überwinden. Um die gesammelten Daten zu verwalten und zu analysieren, verwenden wir Big-Data-Technologie. Das Blockchain-System ist auf der privaten Plattform Hyperledger Fabric implementiert. Ebenso werden die prädiktiven Aspekte der Fehlerdiagnose basierend auf hybriden prädiktiven Techniken bewertet. Die nichtlineare maschinelle Lerntechnologie wird verwendet, um die Qualitätskontrolle des Systems zu bewerten, und die komplexe Umgebung wird modelliert, um die wahre positive Rate der Systemqualitätskontrollmethode zu erhalten.Die Hauptbeiträge dieses Dokuments sind wie folgt:

•
Echtzeitüberwachung basierend auf Umweltsensoren des Internets der Dinge.
• Verwenden Sie Blockchain, um Verzögerungen bei der Entscheidungsfindung zu reduzieren.
• Blockchain anwenden, um dezentralisierte und transparente Transaktionen zu sichern.
• Verwenden Sie Smart Contracts, um Fertigungsnetzwerke zu verbessern.
• Predictive Analytics basierend auf der Fehlerdiagnose von Fertigungssystemen.
• Anwendung von Big-Data-Techniken zur Verwaltung umfangreicher Fertigungsdatensätze.

[Paper DeepBlockScheme: Ein auf Deep Learning basierendes Blockchain-
gesteuertes Schema für sichere Smart City ]
Heutzutage treibt der kontinuierliche Einsatz von Sensoren und dem Internet der Dinge (IoT) die Menge an hergestellten Daten in Smart Cities voran. Fabriken auf der ganzen Welt werden durch sensorische Daten immer stärker vernetzt. Big Data hat im Allgemeinen fünf Vs: große Kapazität, hoher Wert, hohe Genauigkeit, große Vielfalt und hohe Geschwindigkeit. Latenz, Skalierbarkeit, Zentralisierung, Zuverlässigkeit, Sicherheit und Datenschutz sind große Herausforderungen für fortschrittliche Smart-City-Anwendungen wie Smart Manufacturing, Smart Factories usw. Inzwischen ist Blockchain eine aufstrebende verteilte Technologie, die eingesetzt wird, um die Kontrolle durch die zentrale Autorität zu minimieren und in neueren Anwendungen eine sichere Umgebung bereitzustellen. Andererseits gehört Deep Learning zu den Spitzentechnologien, die moderne Analysewerkzeuge für die Verarbeitung und Analyse von Daten bereitstellen und eine skalierbare Produktion in Smart-Factory-Anwendungen in Smart Cities ermöglichen. In diesem Artikel schlagen wir DeepBlockScheme vor: ein Deep-Learning-basiertes Blockchain-gesteuertes Schema für sichere Smart Cities, bei dem Blockchain auf verteilte Weise auf der Nebelschicht verwendet wird, um die Integrität von Fertigungsdaten, Dezentralisierung und Sicherheit zu gewährleisten. Auf Cloud-Ebene wird Deep Learning eingesetzt, um die Produktion zu steigern, die Datenanalyse zu automatisieren und die Kommunikationsbandbreite von Smart Factories und Smart Manufacturing-Anwendungen in Smart Cities zu erhöhen. Wir präsentieren eine Fallstudie der Automobilherstellung mit einem hochmodernen Service-Szenario des vorgeschlagenen Systems und vergleichen es mit bestehenden Studien unter Verwendung von Schlüsselparametern wie Sicherheits- und Datenschutz-Tools. Schließlich werden auch offene Forschungsherausforderungen auf der Grundlage dieses Schemas diskutiert.

Die erste Schicht besteht aus verschiedenen physischen IoT-Geräten, die in drei Teile unterteilt sind: Industrieausrüstung (Durchflussmesser, Leistungsmesser, Tachometer usw.), Sensorgeräte (RFID, Lichtsensoren, Näherungssensoren, Druck- und Ultraschallsensoren) und IoT-Geräte (Smart Autos, Uhren, Kameras, Monitore und Lautsprecher). Diese Geräte werden verwendet, um IoT-Rohdaten zu verschiedenen Smart Cities (SC1, SC2, SC3) zu sammeln.
Die zweite Schicht umfasst verschiedene industrielle Gateways an der Randschicht der Smart City als Datenkommunikationsmedium zwischen der Geräteschicht und der Blockchain-Schicht.
Die dritte Schicht, die Edge-Schicht der Smart City, übernimmt die auf Blockchain basierenden Edge-Knoten des verteilten Informationsknotenpunkts. Diese Konsortium-Blockchain wird von vertrauenswürdigen Stellen kontrolliert (entworfen von Regierungen und/oder Smart Manufacturing), und ihre Hauptaufgabe besteht darin, Daten zu überprüfen und zu validieren, bevor sie der Blockchain hinzugefügt werden.
Die vierte Schicht ist die Datenverarbeitungs- und Analyseschicht, die alle von der Geräteschicht gesammelten und von der Netzwerkschicht verifizierten Daten analysiert und Methoden verwendet, die auf Deep Learning basieren, um Wissen zu extrahieren.
Die fünfte und letzte Schicht stellt die Anwendungsschicht dar. Alle Erkenntnisse und Ergebnisse, die aus der Datenanalyseschicht extrahiert werden, werden direkt auf die Anwendungsschicht angewendet, um Selbstverwaltung, Selbstverteilung, Selbstautomatisierung, skalierbare Produktion und schnelle Entwicklung einer intelligenten Fertigung zu realisieren.

Im Verfahrensablaufplan des vorgeschlagenen Fahrplans für sicheres Smart City-Fahren sind die Funktionen in drei Module unterteilt: Datenerfassung, Datenkommunikation und Datenverarbeitung und -analyse. Die Blockchain-Technologie wird auf der Fog-Schicht bereitgestellt, um die Kommunikationssicherheit zu gewährleisten, und Daten werden auf unveränderlichen oder manipulationssicheren Hauptbüchern gespeichert, und Deep Learning wird für die Datenverarbeitung und -analyse auf der Cloud-Schicht verwendet. Mit der Entwicklung von Deep Learning steigt die Produktion von Smart Manufacturing entsprechend den Anforderungen von Smart Cities. Der methodische Ablauf des in diesem Papier vorgeschlagenen Programms „Safe Smart City“ ist in Abbildung 2 dargestellt, und die Modulklassifizierung wird nachstehend erörtert. Datenerfassung
: Als Teil der Geräteschicht ist die Datenerfassung das erste Modul des Programms. Diese Schicht enthält verschiedene Arten von Geräten, darunter Industrieanlagen, Sensoren und IoT-Geräte (Durchflussmesser, Leistungsmesser, Ultraschall, Näherungssensoren, intelligente Uhren und intelligente Monitore). Alle diese Geräte erzeugen Rohdaten wie Temperatur, Drehzahl, Leistung und Strom, die an Smart-City-Anwendungen wie Smart Manufacturing, Smart Grid usw. übertragen werden. Diese Anwendungen leiten nützliche Informationen aus Rohdaten ab.
Datenkommunikation: Verfügbar auf der Randschicht als zweites Modul der in diesem Dokument vorgeschlagenen Smart-City-Lösung. Mit Hilfe von Industrial Gateways werden nützliche Informationen oder Daten in das Blockchain-Netzwerk übertragen. Die gesamte intelligente Fertigung ist zentralisiert, daher gibt es Nachteile wie Sicherheit und Datenschutz. Um dieses Problem zu lindern, geben wir Daten oder Informationen an das Blockchain-Netzwerk weiter.
Blockchain-basierter Distributed Information Hub: Die Nebelschicht besteht aus einem Blockchain-basierten Distributed Information Hub-Modul mit einigen Blockchain-Netzwerken. Dieses Netzwerk hat verschiedene staatliche Bergleute und lokale Knoten. Validierungs- und Validierungsfunktionen werden von Bergleuten als Proof-of-Work-Konsensalgorithmus durchgeführt. Zuerst übermittelt Smart Manufacturing Informationen im Blockchain-Netzwerk, und dann leiten alle Miner den Verifizierungsprozess ein. Der Verifizierungsprozess wird zuerst von einem Miner durchgeführt, genau wie das Lösen eines Rechenpuzzles. Die Verifizierungsinformationen werden dann über das Blockchain-Netzwerk übertragen und von allen anderen Miner-Knoten verifiziert. Wenn die Miner-Knoten, die die Informationen verifizieren, 51 % überschreiten, ist der Verifizierungsprozess abgeschlossen und ein Block wird zur Blockchain hinzugefügt; andernfalls besteht keine Notwendigkeit, den Block zur Blockchain hinzuzufügen. Mit Hilfe des verteilten Blockchain-Netzwerks bieten wir die Sicherheit und den Datenschutz eines manipulationssicheren und unveränderlichen Ledgers.
Datenanalyse und -verarbeitung: Dies ist das letzte Modul des vorgeschlagenen anwendungsgesteuerten Smart-City-Schemas, genannt Datenanalyse und -verarbeitung. Dies wird für die Datenanalyse oder Cloud-Schicht verwendet und bietet Deep Learning. In dieser Schicht nutzen wir also intelligente Cloud-Funktionen auf Basis von Deep Learning. In diesem Prozess besteht es aus drei Teilen: einer Eingabeschicht, mehreren verborgenen Schichten und einer Ausgabeschicht. Die Eingabeschicht verwendet aktuelle Produktions- und Analysedaten als Eingabe. Anschließend werden die Daten in die verschiedenen verborgenen Schichten übertragen. Mit versteckten Schichten können wir zukünftige Ausgaben vorhersagen und die Datenausbeute oder Skalierbarkeit erhöhen. Diese Daten werden dann an die Ausgabeschicht von Deep Learning weitergegeben. Die verborgenen Schichten A1, A2, A3 sind in Abbildung 2 dargestellt. Diese Ausgabe wird dann an die letzte Schicht, die so genannte Anwendungsschicht, übermittelt. In Smart-City-Anwendungen wie Smart Manufacturing und Smart Grid bietet es mehrere Vorteile für die schnelle Entwicklung von Daten, skalierbare Datenproduktion, Datenselbstautomatisierung, Selbstverwaltung, Selbstverteilung und Eigenleistung.