@phdthesis{oai:kitami-it.repo.nii.ac.jp:02000198,
 author = {Angkush Kumar Ghosh and ゴーシュ　アンクシュ　クマール},
 month = {Mar},
 note = {Manufacturing has rapidly been transforming under the umbrella of the
fourth industrial revolution, known as Industry 4.0 or smart manufacturing,
which diligently utilizes information and communication technology. In
smart manufacturing, cyber-physical systems host Internet-of-Things (IoT)-
based networks and digital twins. The networks integrate manufacturing enablers
such as computer numerical control machine tools, robots, numerous
process and resource planning systems, and human resources. Digital twins
are computable virtual abstractions of real-world entities exhibiting real-time
responsive capacities. The twins work as the brains of the enablers; that is,
the twins supply the required knowledge and help enablers solve problems
autonomously, responding to various sensor signals in real-time.
Remarkably, three types of digital twins (object, process, and phenomenon
twins) must populate the cyber-physical systems. Compared to other twins,
phenomena twins have not yet been researched elaborately. This thesis fills
this gap. The issues underlying semantic annotation and time latency (or
delay) are significant for a phenomenon twin. Time latency or delay occurs
when sensor signals are exchanged through the abovementioned embedded
systems. As a result, the signal at its origin (e.g., machine tools) and signal
received at the receiver end (e.g., digital twin) differ. Moreover, many
datasets of heterogeneous sensor signals are exchanged through IoT-based
networks. Hence, acquiring the right signals for a twin is difficult and timeconsuming.
Semantic annotation-based representation of sensor signals can
solve this problem. Thus, a phenomenon twin must machine-learn the required
knowledge to emulate the phenomenon from the relevant historical
sensor signal datasets, seamlessly interact with the real-time sensor signals,
handle the semantically annotated datasets stored in clouds, and accommodate
the transmission delay or latency.
Accordingly, this thesis presents two systems denoted as Digital Twin
Construction System (DTCS) and Digital Twin Adaptation System (DTAS).
The first system constructs a phenomenon twin, and the other adapts the
constructed twin into a cyber-physical system. Both systems are developed
using a JavaTM-based platform. The modular architectures of the systems
are presented in detail. In addition, real-life machining torque signals are
used to demonstrate the efficacy of DTCS and DTAS.
DTCS consists of five modules denoted as Input, Modeling, Simulation,
Validation, and Output Modules. The Input Module can make sense of the
semantically annotated datasets and helps users select the right ones. It ensures
fast and effective data mining using a human-machine-comprehensible
semantic annotation mechanism (concept map and Extensible Markup Language
(XML) driven). The Modeling Module can extract the required knowledge
to emulate a phenomenon from the information supplied by the Input
Module. This module uses a Markov chain-based machine learning method
and accommodates data transmission delay-related arrangements. The Simulation
Module can operate on the knowledge extracted by the Modeling
Module and simulate the signals of the phenomenon using a discrete eventbased
stochastic simulation method. The Validation Module can validate the
simulated signals of the phenomenon against the real signals using quantitative
measures (e.g., fuzzy numbers). Finally, the Output Module transfers
the selected Modules of DTCS to DTAS. DTAS, in turn, can adapt the constructed
phenomenon twin into the cyber-physical system for monitoring and
troubleshooting.
The thesis is organized as follows. Chapter 1 presents the introduction
of this study. Chapter 2 provides a literature review on the role of cyberphysical
systems and digital twins in smart manufacturing or Industry 4.0.
Chapter 3 describes a semantic annotation-based representation mechanism
of data and knowledge. Chapter 4 describes the role of the delay domain in
mitigating the effect of time delay or latency of signal transmission. Chapter
5 presents the proposed DTCS and DTAS. Chapter 6 demonstrates the
efficacy of DTCS and DTAS using a real-life case of intelligent monitoring
of machining (milling). Chapter 7 discusses the implications of this study
and highlights future research directions. Finally, Chapter 8 provides the
concluding remarks of this thesis.
Since the digital twins of the machining phenomena are needed to make
the machine tools and other programmable devices more intelligent and autonomous,
the presented DTCS and DTAS contribute to the befitting advancement
of Industry 4.0 or smart manufacturing., 製造業は、インダストリー4.0またはスマートマニュファクチャリングと
して知られる第4次産業革命のもとで急速に変化している。この革命は
積極的な情報通信技術の利用によってサイバーフィジカルシステムを明
示し、IoTを規範とするネットワークおよびデジタルツインで構成され
る。IoTを規範とするネットワークは、コンピューター数値制御型工作
機械、ロボット、多数のプロセスおよびリソース計画システム、人材な
どの製造イネーブラーを統合する。デジタルツイン（リアルタイムの応
答能力を持つ実世界のエンティティの計算可能な仮想モデル化）は製造
イネーブラーの頭脳として機能している。つまり、デジタルツインは製
造イネーブラーが問題を自律的に解決するために必要な知識の獲得やさ
まざまなセンサー信号のリアルタイムによる応答を支援する。
注目すべき点はサイバーフィジカルシステムには3種類のデジタルツ
イン（物体、工程、および現象ツイン）を用意しなければならない点で
ある。しかし物体及び工程ツインの研究は進んでいるが、現象ツインに
おいてはまだ研究は不十分である。本論文はこのギャップを埋めること
を目的にしている。
現象ツインは、サイバースペースで与えられた現象（切削抵抗、ト
ルク、表面粗さなど）をエミュレートし、製造イネーブラー（工作機械
など）に必要な知識を与えることでそのイネーブラーをより効率的に活
躍させる。しかし現象ツインの作成に当たり、セマンティックアノテー
ション及び時間遅れという問題を考慮した対策を導入する必要がある。
時間遅れは、センサー信号が上記の組み込みシステムを介して交換
されるときに発生する。その結果、発信元の信号（工作機械側）と受信
側で獲得される信号（デジタルツイン側）が異なる。さらに、異種セン
サー信号の多くのデータセットは、IoTを規範とするネットワークを介
して交換される。従って、現象ツインには次の機能が求められる。
1. 与えられたセンサー信号データセットから必要な知識を機械学習に
よって獲得すること。
2. リアルタイムセンサー信号とシームレスに相互作用すること。
3. クラウドに保存されているセマンティックアノテーションデータ
セットを処理すること。
4. センサー信号の時間遅れに対応すること。
本論文ではデジタルツイン構築システム（DTCS）およびデジタルツ
イン適応システム（DTAS）について述べる。DTCSは現象ツインを構築
し、DTASは構築されたツインをサイバーフィジカルシステムに適応さ
せる。本システムはJavaTMプラットフォームによって開発する。各シス
テムの詳細について述べるとともに機械加工のとき発生するトルク信号
を用いて開発されたシステムの有効性を実証する。DTCSは、入力、モ
デリング、シミュレーション、バリデーション、および出力という5つ
のモジュールで構成される。入力モジュールは、セマンティックアノ
テーションされた信号データセットを理解し、ユーザーが選択した適
切なデータセットを獲得することができる。このモジュールは、セマ
ンティックアノテーションメカニズムによって用意されたデータ（概念
マップおよびExtensible Markup Language（XML）型データ）を高速か
つ効果的にマイニングすることができる。モデリングモジュールは、入
力モジュールによって提供されるデータセットから現象をエミュレート
するための知識を獲得することができる。その際、マルコフ連鎖型機械
学習の実施および時間遅れの影響に対応することができる。シミュレー
ションモジュールは、モデリングモジュールによって獲得された知識
に基づいて動作し、離散事象シミュレーションを用いて現象の信号をシ
ミュレートすることができる。バリデーションモジュールは、定量的手
法によって（例：ファジー数）現象のシミュレーションされた信号を実
際の信号に対して検証することができる。出力モジュールは、DTCSか
ら選択されたモジュールをDTASに転送することができる。最後に、モ
ニタリングやトラブルシューティングのため、DTASはDTCSから転送さ
れた現象ツインの各モジュールをサイバーフィジカルシステムに導入す
ることができる。
本論文は次のように構成する。第1章では、第4次産業革命および関
連研究分野の概要を説明する。第2章では、インダストリー4.0における
サイバーフィジカルシステムやデジタルツインの役割に関する文献を
レビューする。第3章では、セマンティックアノテーションに関するメ
カニズムを述べる。第4章では、時間遅れとそのセンサー信号の性質へ
の影響および時間遅れドメイン型信号処理の有効性について述べる。},
 school = {北見工業大学},
 title = {Developing a System for Constructing Digital Twins of Machining Phenomena Based on Semantic Annotation and Time-Delayed Sensor Signals},
 year = {2022}
}