Predictive Maintenance using Digital Twin for Cyber Physical System A case study analysis on role of predictive maintenance for improving productivity and quality using simulation model(Heating Tunnel) of CP factory.

Abstract

Forutseende vedlikehold har utviklet seg til å bli en viktig del av industriell produksjon fordi det bidrar til å redusere nedetid, øke effektiviteten og forbedre kvaliteten på produktene. Med fremveksten av cyberfysiske systemer (CPS) finnes det nå nye måter å bruke digital tvillingteknologi på for å forbedre den prediktive vedlikeholdsprosessen. I denne avhandlingen ble muligheten for bruk av prediktivt vedlikehold ved hjelp av digital tvilling i cyberfysiske systemer studert med foreslått rammeverk. For studien ble en stasjon fra et cyberfysisk system tatt som referanse for å bygge den digitale modellen og gjenskape det mulige feilscenariet. Bruk av sensorfeiltilstanden og dens effekt på produktets kvalitet ble studert der kvaliteten på produktet ble kategorisert i god, overopphetet og underopphetet. For å analysere korrelasjonen mellom variabel som feilsensoravlesning og produktkvalitet ble logistisk regresjonsmodell brukt som et statistisk verktøy. Tilsvarende, for å forstå feiltrenden og mønsteret til temperatursensoren Fbprophet tidsserie maskinlæringsmodell og LSTM (Long short-term memory) RNN (Recurrent Neural Network) ble brukt, og nøyaktigheten til disse modellene ble sammenlignet for å finne ut den bedre passformen for de ekstraherte dataene fra den digitale modellen, der feilmønsteranalysen av sensoren ble funnet å være avgjørende for å forbedre produktkvaliteten. Resultatene fra analysen konkluderte med at for de gitte dataene ga LSTM bedre resultater med lav (MAE) gjennomsnittlig absolutt feil sammenlignet med andre modeller etter evalueringen av modellens nøyaktighet ved hjelp av evalueringsberegninger.

Predictive maintenance has evolved into an important part of industrial manufacturing because it helps to reduce downtime, improve efficiency, and improve the quality of the products. With the rise of cyber-physical systems (CPS), there are now new ways to use digital twin technology to improve the predictive maintenance process. In this thesis study, the possibility of use of predictive maintenance using digital twin in cyber physical system was studied with proposed framework. For the study , a station from cyber physical system was taken as reference to build the digital model and replicate the possible failure scenario. Using the sensor failure condition and its effect on the quality of the product was studied where the quality of product was categorized into good , overheated and underheated. For analyzing the correlation between variable like fault sensor reading and quality of product logistic regression model was used as a statistical tool. Similarly, to understand the failure trend and pattern of the temperature sensor Fbprophet time series machine learning model and LSTM (Long short-term memory) RNN(Recurrent Neural Network) were used, and accuracy of those model were compared to find out the better fit model for the extracted data from the digital model, where the failure pattern analysis of the sensor was found to be crucial in improving the quality of product. The results from the analysis concluded that for the given data LSTM produced better results with low (MAE) mean absolute error as compared to other model after the model accuracy evaluation using evaluation metrics.