Mostrar el registro sencillo del ítem

dc.contributor.advisorBregón Bregón, Aníbal 
dc.contributor.advisorMartínez Prieto, Miguel Angel 
dc.contributor.authorGarcía García, Álvaro
dc.contributor.editorUniversidad de Valladolid. Escuela de Doctorado 
dc.date.accessioned2024-08-27T08:45:44Z
dc.date.available2024-08-27T08:45:44Z
dc.date.issued2024
dc.identifier.urihttps://uvadoc.uva.es/handle/10324/69488
dc.description.abstractRecent unpredictable world economy challenges, such as the coronavirus pandemic and global energy crisis, have impacted the manufacturing industry, forcing production plants to reduce costs and improve productivity and sustainability. The demand for disruptive solutions and specialised workers under the Industry 4.0 paradigm has become an increasingly important digital priority for the manufacturing industry, which pushes technological upgrades towards building new cyber-physical ecosystems and supporting the skills improvement of the workforce. Despite the rapid adoption of next-generation Information Technologies, the accomplishment of this cyber-physical convergence remains an open issue in traditional manufacturing. In this way, the evolution of digital twins leveraged by progressive cyber-physical convergence has provided smart manufacturing systems with knowledge-generation ecosystems based on new models of collaboration between the workforce and industrial processes. However, industry will need to face the challenges of building and supporting new technical and digital infrastructures, while workers’ skills development eventually manages to include the increased complexity of industrial processes. Similarly, academia faces the challenges of providing technological research programs and experts in line with complex manufacturing life cycle processes. From the point of view falling between industry and academia, this PhD thesis is intended to reach a better understanding of human-machine learning opportunities offered by emerging Industry 4.0 digital twin ecosystems in manufacturing. To overcome knowledge acquisition barriers associated with traditional manufacturing, the proposed research activities have contributed to a set of incremental results obtained in industrial environments, which are summarised as follows: (i) understanding of the current enablers and challenges found in the digital twin cyber-physical convergence concerning human–machine collaborative ecosystems; (ii) original definition of Digital Twin Learning Ecosystem (DTLE) and presentation of its three-layer DTLE conceptual architecture; (iii) application of two case studies in traditional manufacturing to address both digital retrofitting and human-machine integration, without interfering in working conditions; (iv) development of a three-tier digital twin-based methodology and the knowledge modelling process focused on a non-intrusive cyber-physical twinned interaction between skilled workers and legacy systems, for building an adaptive DTLE in manufacturing; and (v) implementation and replication of a DTLE in two different traditional manufacturing Small and Medium-sized Enterprises (SMEs) under the actual human-machine work conditions. The results derived from this research culminated in a compendium of three publications. Based on these findings, the research priorities presented in this PhD thesis are considered a recognised basis in industry, which should help digital twins with the objective of progressive integration as a future learning ecosystem.en
dc.description.abstractRecientes e impredecibles desafíos para la economía mundial, entre los que se encuentran la pandemia de coronavirus y una crisis energética global, han impactado directamente en la industria de fabricación, exigiendo a las plantas productivas una reducción de costes a la vez que se mejora la productividad y la sostenibilidad. La demanda de soluciones disruptivas y de perfiles especializados, bajo el nuevo paradigma de la Industria 4.0, se ha convertido en una creciente prioridad para la digitalización de la industria manufacturera, potenciando la modernización tecnológica como base para la construcción de nuevos ecosistemas ciberfísicos y la mejora de las competencias de los trabajadores. Pese a la rápida adopción de las Tecnologías de la Información de nueva generación, la ejecución de esa convergencia ciberfísica es todavía un tema no resuelto en la fabricación tradicional. De esta forma, la evolución del gemelo digital, impulsada por una progresiva convergencia ciberfísica, ha proporcionado ecosistemas de generación de conocimiento a los sistemas de fabricación inteligentes a partir de nuevos modelos de colaboración entre el conjunto de los trabajadores y los procesos industriales. Pero la industria se encuentra en la necesidad de enfrentarse a los desafíos que supone construir y soportar nuevas infraestructuras digitales y técnicas al mismo tiempo que el desarrollo de las capacidades de los trabajadores se adapta para dar respuesta a la creciente complejidad de los procesos industriales. De la misma manera, el mundo académico se enfrenta a los desafíos de proporcionar programas de investigación tecnológica y expertos formados en el conocimiento del ciclo de vida de procesos de fabricación complejos. Desde un punto de vista a caballo entre la industria y el mundo académico, esta tesis doctoral pretende conseguir una mejor comprensión de las oportunidades de aprendizaje hombre-máquina que ofrecen los ecosistemas de gemelos digitales emergentes de la Industria 4.0 en la fabricación. Para superar las barreras de adquisición de conocimiento asociadas a la fabricación tradicional, nuestro trabajo contribuye con un conjunto de resultados obtenidos en entornos industriales de forma progresiva, que se resumen a continuación: (i) comprensión de los habilitadores y retos actuales encontrados en la convergencia ciberfísica de gemelos digitales relativos a los ecosistemas de colaboración hombre-máquina; (ii) definición original de Digital Twin Learning Ecosystem (DTLE) y presentación de su arquitectura conceptual de tres capas; (iii) aplicación de dos estudios de investigación en entornos de fabricación tradicional para abordar tanto la modernización digital como la integración hombre-máquina, sin interferir en las condiciones de trabajo; (iv) desarrollo de una metodología basada en un gemelo digital de tres niveles y el proceso de generación de conocimiento centrado en una interacción ciberfísica, que aúna trabajadores expertos y sistemas heredados, para la construcción de un DTLE adaptativo en la industria de fabricación; y (v) implementación y reproducción de un DTLE en dos pequeñas y medianas (PYMES) diferentes de fabricación tradicional atendiendo a las condiciones existentes de trabajo hombre-máquina. Los resultados obtenidos durante la investigación han dado lugar a un compendio de tres publicaciones. Sobre la base de estos resultados, las prioridades de investigación presentadas en esta tesis doctoral se consideran reconocidas en la industria y, como tales, deberían ayudar a cumplir el objetivo de la progresiva integración del gemelo digital hacia un futuro ecosistema de conocimiento.es
dc.description.sponsorshipEscuela de Doctorado
dc.format.mimetypeapplication/pdf
dc.language.isoeng
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectDesarrollo sostenible
dc.subject.classificationIndustry 4.0
dc.subject.classificationIndustria 4.0
dc.subject.classificationDigital Twin
dc.subject.classificationGemelo Digital
dc.subject.classificationHuman-machine interaction
dc.subject.classificationInteracción hombre-máquina
dc.subject.classificationLearning ecosystems
dc.subject.classificationEcosistemas de aprendizaje
dc.titleA non-intrusive and adaptive Digital Twin as enabling learning ecosystem for the development of predictive models in manufacturing environments
dc.typeinfo:eu-repo/semantics/doctoralThesis
dc.date.updated2024-08-27T08:45:44Z
dc.description.degreeDoctorado en Informática
dc.identifier.doi10.35376/10324/69488
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersion
dc.subject.unesco33 Ciencias Tecnológicas


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem