Unleashing the Potential of AI-Driven Digital Twins: A Framework for Research using a Sensor-Enhanced Greenhouse

Abstract

I løpet av de siste årene har store fremskritt blitt gjort innen kunstig intelligens, datamaskiners beregningskraft og tilgjengelighet på informasjon. Utviklingen av digitale tvillinger har derfor skutt fart, men konseptet er fortsatt ikke modent nok for storskala bruk i industrien. For standardisering og videreutvikling av teknologier knyttet til digitale tvillinger kommer akademisk forskning til å være essensielt. Dette arbeidet presenterer en fysisk ressurs som kan brukes til forskning på digitale tvillinger. Ressursen er et drivhus som er instrumentert med sensorer og aktuatorer for måling og kontroll av plantevekst og miljøet inne i drivhuset. Automatisk innsamling og lagring av måledata er implementert gjennom toveiskommunikasjon mellom drivhuset og en nettserver. I tillegg til det fysiske oppsettet demonstrerer dette arbeidet hvordan diverse teknologier knyttet til digitale tvillinger kan anvendes. Temperaturmålinger fra et lite antall sensorer brukes til å estimere temperatur- og lufthastighetsfeltene inne i drivhuset med høy oppløsning. Ved hjelp av maskinlæringsmodeller analyseres bilder av planten inne i drivhuset, for å gi informasjon om plantens tilstand. Maskinlæring brukes også til å forutse hvordan miljøet inne i drivhuset vil forandre seg fremover i tid. Resultatene fra disse teknologiene visualiseres i et brukergrensesnitt som gjør det enkelt å aksessere detaljert informasjon om drivhusets tilstand. I fremtidig arbeid er det mange muligheter for å videreutvikle både det fysiske oppsettet og de avendte teknologiene. Alt i alt danner dette arbeidet et skalérbart rammeverk med stort potensiale for videre forskning på digitale tvillinger.

Due to the advances of computation, artificial intelligence, and data availability, digital twin technology has undergone rapid development in the recent years. However, the concept of digital twins is not yet mature enough to be implemented effectively on a large scale. To enable standardization and further development of digital twin technologies, academic research is going to be vital. This work presents a physical asset that can be used to research digital twins. The physical asset is a greenhouse equipped with sensors and control actuators, which allow for measurement and control of its inside environment and the growth of plants. Bidirectional communication between the asset and a cloud server is implemented, and used to perform automatic acquisition and storage of data. Along with the construction of the physical setup, this work demonstrates how various digital twin technologies can be applied to the asset. Sparse measurements of temperature are used to estimate high resolution temperature and air velocity fields inside the greenhouse. Using machine learning models, images of the plant inside the greenhouse are processed to provide information about the state of the plant. Machine learning is also used to forecast the future state of the environment inside the asset. The results from these technologies are visualized in a user interface, providing the users with detailed analysis of the condition of the greenhouse. In future work, both the physical greenhouse and the applied technologies can be improved to increase the capability of the digital twin. All in all, this work provides an expandable framework with wide potential for further research on digital twins.