Learning Paradigms and Modelling Methodologies for Digital Twins in Process Industry

要約

プロセス産業のデジタル変革の中心となるのは、デジタル ツイン (DT) です。デジタル ツイン (DT) は、センサー データと高度なデータベースまたは物理ベースのモデル、またはそれらの組み合わせを組み合わせて、産業関連のさまざまな課題に取り組む物理的製造システムの仮想レプリカです。
プロセス監視、予測制御、意思決定支援などのタスク。
DT のバックボーン、つまり具体的なモデリング手法とこれらのモデルをサポートするアーキテクチャ フレームワークは複雑かつ多様で、急速に進化しているため、高度な技術を維持するには最新の手法とトレンドを徹底的に理解する必要があります。
競争市場。
研究の観点から見ると、DT のさまざまな側面を検討することに高い研究関心が寄せられているにもかかわらず、特にプロセス産業における DT 作成に利用されている学習パラダイム (自己教師あり学習など) を解明することに焦点を当てた構造化された文献レポートは、この分野における新たな貢献です。
。
この研究は、(1) DT 作成に使用されるモデリング方法論 (畳み込みニューラル ネットワーク、エンコーダー デコーダー、隠れマルコフ モデルなど) とパラダイム (データ駆動型、物理ベース、ハイブリッドなど) を体系的に分析することにより、これらのギャップに対処することを目的としています。
（２）利用された学習戦略（例えば、教師あり、教師なし、自己教師あり）を評価する。
(3) モデリング タスクのタイプを分析する (回帰、分類、クラスタリングなど)。
(4) 課題と研究のギャップを特定し、提供される可能性のある解決策について話し合う。

要約(オリジナル)

Central to the digital transformation of the process industry are Digital Twins (DTs), virtual replicas of physical manufacturing systems that combine sensor data with sophisticated data-based or physics-based models, or a combination thereof, to tackle a variety of industrial-relevant tasks like process monitoring, predictive control or decision support. The backbone of a DT, i.e. the concrete modelling methodologies and architectural frameworks supporting these models, are complex, diverse and evolve fast, necessitating a thorough understanding of the latest state-of-the-art methods and trends to stay on top of a highly competitive market. From a research perspective, despite the high research interest in reviewing various aspects of DTs, structured literature reports specifically focusing on unravelling the utilized learning paradigms (e.g. self-supervised learning) for DT-creation in the process industry are a novel contribution in this field. This study aims to address these gaps by (1) systematically analyzing the modelling methodologies (e.g. Convolutional Neural Network, Encoder-Decoder, Hidden Markov Model) and paradigms (e.g. data-driven, physics-based, hybrid) used for DT-creation; (2) assessing the utilized learning strategies (e.g. supervised, unsupervised, self-supervised); (3) analyzing the type of modelling task (e.g. regression, classification, clustering); and (4) identifying the challenges and research gaps, as well as, discuss potential resolutions provided.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google