On the reusability of machine learning-based process monitoring systems for manufacturing digital twins
Notice bibliographique
Résumé
Advanced manufacturing is increasingly supported by machine learning (ML)-based digital twins (DTs) for real-time process monitoring and quality assurance. However, changes in physical domain configurations (e.g., machines, materials, and sensors) often cause domain shifts, limiting the reusability of existing DT components. Rebuilding DTs from scratch for each new configuration is costly and time-consuming. To address this challenge, we define DT reusability through three key criteria: FAIRness (findability, accessibility, interoperability, and reusability), transferability, and transfer efficiency. We propose a framework to systematically support the reuse of ML-based process modeling components in DTs, consisting of three phases: FAIR compliance, transferability analysis, and domain adaptation. To enhance transfer efficiency, we introduce the domain-adversarial and decision distribution alignment (DADDA) network, which enables class-conditional alignment and mitigates overfitting through competing domain alignment objectives. A case study on vision-based process monitoring in additive manufacturing was conducted to validate the proposed framework. A FAIR-compliant database of existing DT components was developed, and the most suitable source domain for the designated target domain was identified through an evaluation of semantic and statistical similarity. Leveraging the selected source dataset, DADDA achieved 84 % accuracy after unsupervised pre-training and 96.9 % after supervised fine-tuning with only 210 labeled examples. Further validation on acoustic-based monitoring systems demonstrated the applicability of DADDA to various modalities. • Changes in physical domain configurations of a digital twin degrade process modeling performance. • Reusability is crucial for maintaining the effectiveness of digital twins over such changes. • Systematic reuse is achieved by ensuring FAIRness, transferability, and transfer efficiency. • Proposed unsupervised domain adaptation improves transfer efficiency while mitigating overfitting. • Validation on laser additive manufacturing shows high accuracy with minimal labeled data required.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».