TUTCRIS - Tampereen teknillinen yliopisto

TUTCRIS

Digital Twin: Multi-dimensional Model Reduction Method for Performance Optimization of the Virtual Entity

Tutkimustuotosvertaisarvioitu

Yksityiskohdat

AlkuperäiskieliEnglanti
Otsikko53rd CIRP Conference on Manufacturing Systems 2020
ToimittajatRobert X. Gao, Kornel Ehmann
KustantajaElsevier
Sivut240-245
Sivumäärä6
DOI - pysyväislinkit
TilaJulkaistu - 22 syyskuuta 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaCIRP Conference on Manufacturing Systems - Chicago, Yhdysvallat
Kesto: 1 heinäkuuta 20203 heinäkuuta 2020
https://cirp-cms2020.northwestern.edu/

Julkaisusarja

NimiProcedia CIRP
KustantajaElsevier
Vuosikerta93
ISSN (elektroninen)2212-8271

Conference

ConferenceCIRP Conference on Manufacturing Systems
LyhennettäCIRPCMS
MaaYhdysvallat
KaupunkiChicago
Ajanjakso1/07/203/07/20
www-osoite

Tiivistelmä

Digital Twin (DT) is an emerging technology that allows manufacturers to simulate and predict states of complex machine systems during operation. This requires that the physical machine state is integrated in a virtual entity, instantaneously. However, if the virtual entity uses computationally demanding models like physics-based finite element models or data driven prediction models, the virtual entity may become asynchronous with its physical entity. This creates an increasing lag between the twins, reducing the effectiveness of the virtual entity. Therefore, in this article, a model reduction method is described for a graph-based representation of multi-dimensional DT model based on spectral clustering and graph centrality metric. This method identifies and optimizes high-importance variables from computationally demanding models to minimize the total number of variables required for improving the performance of the DT.

Julkaisufoorumi-taso

Tilastokeskuksen tieteenalat