Developing a Cloud-Based Monitoring System for Digital Twins

Abstract

Et bredt spekter av virksomheter og næringer over hele verden tar i stadig større grad digitale tvillinger i bruk for å oppnå mer intelligente og automatiserte produksjonsprosesser. Bruksområdene deres gir mer innsikt i fysiske eiendeler, revolusjonerer utdaterte arbeidsprosesser og sparer selskaper tid og penger. Industrielt utstyr er utstyrt med sensorteknologi, som muliggjør kontinuerlig overvåking av eiendeler. Overvåking av industrielt utstyr avdekker potensielt skadelige driftsforhold, og innsikten som innhentes gir et bedre grunnlag for å ta beslutninger om systemet. Ved å innlemme nye teknologitrender som dataanalyse, skytjenester og maskinlæring, kan man simulere gjenværende nyttig levetid og optimalisere driften av eiendeler.

Utviklingen av digitale tvillingplattformer for overvåking og prediktiv vedlikehold er en kompleks prosess, ettersom den krever omfattende kunnskap om informasjons-, kommunikasjons- og sensorteknologier, og ekspertise innen applikasjonsdomenet. De fleste av disse plattformene er basert på dyre proprietære formater, og gjelder ikke akademia og SMB-selskaper. Ved NTNU er det et pågående prosjekt ved institutt for maskinteknikk og produksjon som har som mål å utvikle et skybasert overvåkingssystem (CBMS) for digitale tvillinger. Prosjektet er utviklet i flere iterasjoner av studenter ved instituttet.

Forfatternes fordypningsprosjekt høsten 2019 (Kjernlie and Wold 2019) foretok en grundig evaluering av status for CBMS-prosjektet. Denne avhandlingen videreutvikler CBMS basert på funn fra fordypningsprosjektet, inkludert å bygge en helt ny front-end-løsning og betydelige utvidelser til back-end. En database og en autentiseringstjeneste muliggjør opprettelse av vedvarende prosjekter. Plattformen er utstyrt med funksjoner for å lette overvåking av fysiske eiendeler, for eksempel kurveplott, videostreaming og dynamiske kart. Brukere blir varslet om alarmerende sensorverdier av \emph{event triggere} og prediksjoner basert på maskinlæringsmodeller. Fast Fourier transformer (FFTs) og spektrogramanalyser avslører endringer i strukturell integritet. Filtre kan brukes for å fjerne støy fra signalet. Denne oppgaven viser at alle kravene er oppfylt. Framtidig arbeid foreslås for neste iterasjon av utviklingsprosessen. Dette arbeidet bidrar med en funksjonell CBMS, og tar prosjektet et skritt nærmere ønsket fullverdige CBMS for digitale tvillinger.

A wide range of businesses and industries worldwide are increasingly adopting digital twins to achieve more intelligent and automated manufacturing processes. Their applications expose more insight into physical assets, revolutionize outdated work processes and save companies time and money. Industrial equipment is instrumented with sensor technology, which enables continuous monitoring of assets. Monitoring of industrial equipment uncovers potentially harmful operating conditions, and the insights gained provides a better basis for making decisions about the system. By incorporating emerging technology trends such as data analytics, cloud computing, and machine learning, one can simulate remaining useful lifetime and optimize operations of assets.

The development of digital twin platforms for monitoring and predictive maintenance is a complex process, as it requires extensive knowledge about information, communication and sensor technologies, and expertise within the application domain. Most of these platforms are based on expensive proprietary formats, and are not applicable to academia and SME companies. At NTNU, there is an ongoing project at the Department of Mechanical and Industrial Engineering that aims to develop a cloud-based monitoring system (CBMS) for digital twins. The project is developed in multiple iterations by students at the department.

The authors' specialization project in the fall of 2019 (Kjernlie and Wold 2019) made a thorough evaluation of the state of the CBMS. This thesis further develops the CBMS based on findings from the specialization project, including building a completely new front-end solution and substantial extensions to the back-end. A database and an authentication service enable the creation of persisting projects. The platform is equipped with features to facilitate monitoring of physical assets, such as curve plots, video streaming, and dynamic maps. Users are notified of alarming sensor values by event triggers and predictions based on machine learning models. Fast Fourier transforms (FFTs) and spectrogram analyses expose changes in the structural integrity. Filters can be applied to remove noise from the signal. This thesis demonstrates that all the requirements are fulfilled. Future work is proposed for the next iteration of the development process. This work contributes a functional CBMS, and takes the project one step closer to the desired full-featured CBMS for digital twins.