Interpretable Digital Twin for Industrial Process

Abstract

The digital transformation of industry has gained emphasis in recent years in academia and industry. Organizations need to be more competitive and efficient, improving their processes and performance to cope with changes in environmental legislation, efficient management of resources and energy, and the tendency to zero wastelands. These factors have led to the emergence of a new concept, the Smart Industry, characterized by efficient, flexible, and reliable control of production processes. This new concept has led to the emergence of new concepts, such as digitalization and Digital Twin (DT), technologies that have undergone a great evolution and that have asserted themselves as technologies capable of improving operational performance, avoiding work accidents, and preventing possible failures that affect the normal performance of the system. A DT enables cyber-physical integration by creating virtual models for physical objects in a way to simulates their behaviours. With this integration, virtual models can know physical entities' state to predict, estimate and analyze system changes. On the other hand, physical entities can respond to changes according to the simulation. With this cyber-physical integration, the DT can help to improve all manufacturing processes. In this sense, creating DTs to simulate industrial processes is an added value for companies. Moreover, having interpretable DTs allows companies to understand better and use all the data generated by these models, facilitating the decision-making process and detecting anomalies, as well as being fundamental for optimizing processes. This dissertation presents an approach to perform a DT for industrial processes, which in this dissertation is focused on the Wastewater Treatment Plant (WWTP) waterline. The proposed approach aims to create interpretable DTs, whose models must be easily interpretable by the expert process operators. For this purpose, to create interpretable DT models, different fuzzy-based models were studied, namely a Model based on Fuzzy C-Means and Least Squares Method (FCM-LSM), the Generalized additive models using zero-order T-S fuzzy systems (GAM-ZOTS) model, and the Iterative Learning of multiple univariate zero-order T-S fuzzy systems (iMU-ZOTS) model. For validation of the proposed approach, the Benchmark Simulation Model 2 (BSM2) simulator is used, which simulates the entire wastewater treatment process based on real data. The DT was performed to predict the key variables throughout the waterline of the wastewater treatment process at different points in the plant. Exhaustive validations were performed. The 3 studied models were used to model 16 key variables at 14 different points in the treatment plant. Each model for each key variable for each point was learned/tested with different sets of input variables and using different learning model parameters. These tests were performed to choose the best parameters for the model to obtain the best results for each variable to be estimated.

A transformação digital da indústria tem ganho destaque nos últimos anos no meio académico e industrial. As organizações necessitam de ser mais competitivas e eficientes, melhorando os seus processos e o seu desempenho para fazer face às alterações na legislação ambiental, à gestão eficiente dos recursos e de energia, e à tendência para zero desperdícios. Estes fatores levaram ao surgimento de um novo conceito, a Smart Industry, caracterizada pelo controlo eficiente, flexível e fiável dos processos de produção. Este novo conceito levou ao aparecimento de novos conceitos, como a digitalização e o Digital Twin (DT), tecnologias que têm sofrido uma grande evolução e que se têm afirmado como tecnologias capazes de melhorar o desempenho operacional, evitar acidentes de trabalho e prevenir possíveis falhas que afetem o normal desempenho do sistema. O DT permite a integração ciber-física através da criação de modelos virtuais para objetos físicos, de forma a simular os seus comportamentos. Com esta integração, os modelos virtuais podem conhecer o estado das entidades físicas para prever, estimar e analisar as alterações do sistema. Por outro lado, as entidades físicas podem responder às alterações de acordo com a simulação. Com esta integração ciber-física, o DT pode ajudar a melhorar todos os processos de produção. Neste sentido, a criação de DTs para simular os processos industriais é uma mais-valia para as empresas. Além disso, ter DTs interpretáveis permite às empresas compreender e utilizar melhor todos os dados gerados por estes modelos, facilitando o processo de tomada de decisão e a deteção de anomalias, além de ser fundamental para a otimização dos processos. Esta dissertação apresenta uma abordagem para realizar um DT para processos industriais, que nesta dissertação é focada na linha de água de uma Estação de Tratamento de Águas Residuais (ETAR). A abordagem proposta tem como objetivo a criação de DTs interpretáveis, cujos modelos devem ser facilmente interpretáveis pelos operadores especializados no processo. Para este efeito, para a criar modelos de DTs intepretáveis, foram estudados diferentes modelos baseados em fuzzy, nomeadamente o Model based on Fuzzy C-Means and Least Squares Method (FCM-LSM), o modelo Generalized additive models using zero-order T-S fuzzy systems (GAM-ZOTS) e o modelo Iterative Learning of multiple univariate zero-order T-S fuzzy systems (iMU-ZOTS). Para a validação da abordagem proposta é utilizado o simulador Benchmark Simulation Model 2 (BSM2), que simula todo o processo de tratamento de águas residuais com base em dados reais. O DT foi utilizado para prever as variáveis-chave ao longo da linha de água do processo de tratamento de águas residuais em diferentes pontos da estação. Foram efetuadas validações exaustivas. Os 3 modelos estudados foram utilizados para modelar 16 variáveis-chave em 14 pontos diferentes da estação de tratamento. Cada modelo para cada variável-chave para cada ponto foi aprendido/testado com diferentes conjuntos de variáveis de entrada e utilizando diferentes parâmetros do modelo de aprendizagem. Estes testes foram efetuados para escolher os melhores parâmetros do modelo para obter os melhores resultados para cada variável a estimar.