MétaCan
Menu
Retour à la cohorte
Enregistrement W4414567801 · doi:10.1016/j.ifacol.2025.09.103

Leveraging Virtual Commissioning for Digital Twins: An example case

2025· article· en· W4414567801 sur OpenAlexafffund
Hermann Boris Djeulezeck Tanegue, William de Paula Ferreira, Rodrigo Furlan de Assis, David Brodeur

Notice bibliographique

RevueIFAC-PapersOnLine · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueDigital Transformation in Industry
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésReuseProject commissioningShadow (psychology)Virtual realityProcess (computing)Industry 4.0Visualization

Résumé

récupéré en direct d'OpenAlex

Virtual commissioning (VC) and digital twins (DT) are pivotal technologies in the Industry 4.0 (I4.0) landscape. However, their integration remains underexplored in the literature. This study proposes a structured methodology for optimising production line design and operation by integrating VC and DT. The proposed approach leverages two VC methodologies—Software-in-the-Loop (SIL) and Hardware-in-the-Loop (HIL)—to facilitate algorithm testing in both simulated and real-world environments. Bidirectional, real-time data exchange between virtual and physical models is established using OPC UA and RTDE protocols, creating a digital shadow that continuously updates to reflect the active system. The proposed framework promotes lifecycle-wide use of simulation models, enabling seamless reuse from VC to DT, while demonstrating the interactive potential of these technologies. Furthermore, the study highlights the advantages for companies in adopting both VC and DT to enhance operational performance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,810
Score d'incertitude au seuil0,920

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,268
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIFAC-PapersOnLineMême sujetDigital Transformation in IndustryTravaux en français237 207