Op engineering-inzicht geïnspireerde datagedreven modellen voor digitale machine-tweelingen

Dit doctoraat maakt deel uit van een groot project dat tot doel heeft een nieuwe benadering te ontwikkelen voor een geïntegreerd productieparadigma op basis van energie-efficiëntie en duurzaam beheer. De industrie moet zich inspannen om het verbruik en de vraag naar energie te verminderen. Om de beschikbare middelen in een productieomgeving te optimaliseren, moet er echter een effectieve digitale tweeling worden ontwikkeld om de afwegingen te beoordelen die samenhangen met verschillende machine- en procesinstellingen. In dit bredere project zal een volledig geïntegreerd raamwerk worden ontwikkeld dat het mogelijk maakt om van het verzamelen van gegevens in de industriële operatie naar de definitie van de digitale tweeling en de exploitatie ervan te gaan om de algehele prestaties van de verschillende beschikbare activa te verbeteren. In dit kader zal dit doctoraat zich richten op de ontwikkeling van de digitale tweeling. De onderzoeker zal nieuwe methoden onderzoeken om de beschikbare metingen op bestaande industriële machines (machine-instellingen, temperaturen, stroomverbruik, …) met a-priori technische kennis (algemene trendregels zoals stroomverbruik als functie van snelheid) te combineren tot een voorspellende digitale tweeling. De onderzoeker zal verschillende data-gedreven methoden gebruiken, gaande van toestandsruimte-modellen en klassieke neurale netwerken tot recurrente neurale netwerken met verschillende structuren en regularisaties. Deze benaderingen zullen worden ontwikkeld en gevalideerd op een interne dataset van een spuitgietproces en op industriële processen en datasets die in het project worden geleverd.