Digital Twin Enabled Asset Management of Machine Tools
Notice bibliographique
Résumé
Machine tools (MT) are essential equipment in modern manufacturing. They are a large investment which yields great returns to productivity and profitability. MTs enable the high throughput manufacturing of high precision components. Given their great importance, and their large cost, it is beneficial to implement asset management (AM) strategies such as condition monitoring, fault detection and predictive maintenance. Implementing these processes and methods can improve reliability and performance of MTs, while extending their lifetime and reducing operating expenses. Digital twins (DT) are an emerging technology within the Industry 4.0 landscape. They represent a connection between a physical system, object, or process and it’s virtual representation. DTs can be leveraged for AM implementation in MTs. This work examines the potential benefits of applying DTs to AM, examples in the literature of applying AM methods to MTs using DT, and how advanced AM strategies can be deployed using DT. From examining the literature it was clear that DTs are well suited for AM in MTs. DTs enable improved data collection and processing, modeling and model retention, and historical analysis and trend prediction. DTs have been applied to a variety of application scenarios for MTs such as in cutting tools, spindles, and feed drives. DTs can additionally enable more advanced modeling solutions such as physics informed machine learning which can overcome some issues with traditional data-driven and physics-based modeling strategies. These advanced methods can improve overall AM across the MT’s life-cycle and enable effective prognostic health management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».