Scheduling in Industry 4.0: A Digital Twin-based approach for scheduling and smart Material-Handling Considerations
Notice bibliographique
Résumé
Smart manufacturing constitutes the backbone of Industry 4.0 (I4.0), allowing for heightened autonomy of the various interacting cyber-physical systems on the production floor. Connectivity, a vital enabler, plays a crucial role through state-of-the-art Digital Twin (DT) technologies driven by underlying innovations like the industrial Internet of Things, Cloud Computing, and advancements in sensory devices. In this article, it is argued that a pre-DT optimal approach employing queuing aspects of the machine buffers can play a crucial role in optimally determining the baseline schedules for the shop as well as a few related system-design aspects vis-à-vis the size of the utilized fleet of smart Automated Guided Vehicles (sAGVs) and the employed buffer capacities. sAGVs are autonomous vehicles used for material transportation between machines, reducing manual handling and improving efficiency. Initial dispatching rules for the sAGVs are also determined at that stage. Such initially produced schedules and sAGV dispatching rules are constantly revisited, though, later in the development lifecycle of the manufacturing system at the DT level, according to the undertaking disruptions on the shop floor. At that DT stage, other operational aspects pertaining to the material handling system, namely, aisle directionality, mobile modular buffers, and input/output points of the work centers, are adjusted. The employed two-stage planning framework, integrating both Pre-DT and full-scale DT planning, aims to optimize aspects of the system from the design phase to its real-time operations, employing a novel methodology leveraging mathematical programming, queuing models, and deep learning. A key finding of this study is that dynamically adjusting aisle directionality, rerouting AGVs through alternative paths, and deploying modular mobile buffers while optimizing job scheduling significantly reduce transportation time, minimize delays, and enhance real-time adaptability. The proposed framework effectively mitigates disruptions, achieving 100% elimination of machine failure impact, a 33% reduction in aisle congestion delays, and a 37% decrease in buffer overflow delays, demonstrating notable improvements in system performance and resilience.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».