Experiência com Aprendizado de Máquina para Construção de um Digital Twin para a

(1)

Experiˆ

encia com Aprendizado de M´

aquina

para Constru¸

c˜

ao de um Digital Twin para a

Ind´

ustria da Minera¸

c˜

ao

Luiz Guilherme Menezes Barata∗

Saul Emanuel Delabrida Silva∗∗

∗_{Vale S/A, Universidade Federal de Ouro Preto, Instituto Tecnol´}_ogico

Vale - PROFICAM, MG (e-mail: luiz.barata@vale.com).

∗∗_{Universidade Federal de Ouro Preto, Instituto de Ciˆ}_{encias Exatas e}

Biol´ogicas, Departamento de Computa¸c˜ao, MG (e-mail: saul@sdelabrida.com)

Abstract: Industrial equipment are subject to different operational conditions during their lifecycle which makes the use of classic modeling and simulation techniques more complex. The digital convergence paved the way for the development of models capable of adatping to operational changes therefore predicting occurrences and prescribing actions accurately. Use of digital twins is in the early stages in the mining industry, this article presents: concepts and related work to digital twins; experience and preliminary results in the development of machine learning to predict failures towards the construction of a digital twin for a long distance conveyor belt; and proposes an architecture for a digital twin environment based on the experience. Equipamentos industriais estão sujeitos a diferentes condi¸cões operacionais durante seu ciclo de vida que tornam complexo o uso da modelagem e simula¸cão clássicas. A convergência digital abriu caminho para desenvolvimento modelos capazes de se adaptarem e melhor prever situa¸cões e prescrever a¸cões. O emprego de digital twins na indústria de minera¸cão é incipiente, este artigo apresenta: conceitos do digital twin e trabalhos relacionados à indústria em geral; a experiência e resultados preliminares no desenvolvimento de aprendizado de máquina para predi¸cão de falhas em dire¸cão à constru¸cão de um digital twin de um transportador de correia de longa distância; e uma proposta de arquitetura para um ambiente de digital twin a partir da experiência. Keywords: Digital Twin, Machine Learning, Anomaly Detection, Industry 4.0.

Palavras-chaves: Digital Twin, Aprendizado de Máquinas, Deteçcão de Anomalias, Indústria 4.0.

1. INTRODU ¸C ˜AO

Um processo ou equipamento industrial está sujeito a condi¸cões operacionais diversas que impactam o desem-penho geral de uma planta com o passar dos anos. Uma abordagem para aumentar o rendimento dos ativos ope-racionais em busca de resultados é a constru¸cão de uma representa¸cão virtual dos equipamentos capaz de adaptar-se às mudan¸cas nas condi¸cões.

Modelos de simula¸cão tipicamente utilizados na indústria de minera¸cão são desenvolvidos na fase de engenharia detalhada e podem não representar com exatidão um equi-pamento ou processo industrial em opera¸cão há muitos anos por não considerar fatores como: desgaste de pe¸cas, manuten¸cões, condi¸cões climáticas, variabilidade dos pro-dutos ou insumos e melhorias executadas.

A evolu¸cão tecnológica, i.e. Indústria 4.0, e a convergência digital facilitaram a captura, armazenamento e análise de dados as bases para o digital twin (DT), ou seja, as fontes dos dados come¸cam nos sensores do chão de fábrica, sistemas de controle (CLP, SCADA, SDCD) e sistemas

embarcados e vão até os sistemas corporativos de gestão (PIMS, LIMS, MES, ERP) (Uhlemann et al., 2017). Um estudo apresentado em World Economic Forum (2017) mostrou um potencial impacto econômico de 321 bilhões de dólares americanos até 2025 com a digitaliza¸cão da indústria de minera¸cão (Figura 1). Têm rela¸cão direta com a implementa¸cão de DT as frentes de smart sensors, opera¸cões autônomas, plataformas integradas e análise avan¸cada de dados.

Outros apresentados em Gartner (2017) e Gartner (2018) estimam que até 2021 metade das grandes empresas in-dustriais implementarão DT resultando em um ganho de até 10% em produtividade. O número de organiza¸cões utilizando DT crescerá três vezes até 2022.

Este artigo apresenta um projeto em andamento que avalia o desenvolvimento e análise de um modelo de aprendizado de máquina para a constru¸cão de um DT para equipamentos em uma planta de beneficiamento de minério de ferro, tendo como base um transportador de correia de longa distância (TCLD). O trabalho contribui ao apresentar:

(2)

Figura 1. Potencial impacto econômico da digitaliza¸cão na indústria da minera¸cão.

• Aplica¸cão prática do aprendizado em máquina usando dados reais de um equipamento industrial;

• An´alise do modelo estudado para implementa¸c˜ao do DT;

• Proposta de uma arquitetura para implementa¸c˜ao do DT considerando os requisitos da ind´ustria.

As se¸cões estão organizadas da seguinte forma: 2 a 5 apresentam os conceitos básicos e trabalhos relacionados; 6 descreve a solu¸cão proposta de aprendizado de máquina; 8 apresenta os resultados preliminares; 7 apresenta uma proposta de arquitetura; e 9 conclui a partir dos resultados e propõe abordagens para futuro trabalho.

2. DIGITAL TWIN

O termo digital twin (DT) foi descrito primeiramente pelo professor Dr. Michael Grieves em uma apresenta¸cão de 2002 para a indústria sobre Product Lifecycle Management (PLM) na Universidade de Michigan, sendo que, na época, era chamado de conceito ideal de PLM e possu´ıa todos os elementos básicos de um DT (Grieves and Vickers, 2016). O autor define o DT como um conjunto de constru¸cões das informa¸cões virtuais que descrevem por completo um produto manufaturado desde o n´ıvel micro-atômico ao n´ıvel macro-geométrico e estabelece dois tipos de DT conforme a seguir:

• Digitel Twin Prototype (DTP): descreve o protótipo de um ente f´ısico e contém as informa¸cões necess´ a-rias para descrever e produzir uma versão f´ısica que duplica a virtual;

• Digital Twin Instance (DTI): ´e a instˆancia do DTP que representa um ente f´ısico espec´ıfico e que conecta-se a este durante todo conecta-seu ciclo de vida.

Grieves and Vickers (2016) também apresentam o Digital Twin Environment (DTE), o ambiente onde são realizadas as intera¸cões, podendo ser: preditiva, cujo objetivo é pre-ver estado futuro ou desempenho; ou interrogativa, cujo objetivo é monitorar o estado atual ou analisar o passado. O DT pode ser reconhecido como a representa¸cão virtual de um ativo, processo ou sistema e, segundo conceito de

sistema de produ¸cão cyber-f´ısico (CPPS), tem como obje-tivo o monitoramento, análise e/ou simula¸cão de condi¸cões operacionais com foco em objetivos espec´ıficos dos setores de manufatura como: aumentar produtividade, vida útil dos ativos ou reduzir custos operacionais.

Rosen et al. (2015) apresentam o DT como sendo um dos pilares para a implementa¸cão de processos ou plantas autônomas, impulsionado pela internet das Coisas (IoT). Os autores entendem que o conceito de DT seria o próximo passo das tecnologias de modelagem e simula¸cão.

Tao and Zhang (2017) apresentam brevemente a evolu¸cão da convergência entre f´ısico e digital na Figura 2 no âmbito da Industria 4.0 e lista três desafios para que a conver-gência ocorra com sucesso. Nesse contexto, fica evidente o desafio de sincronismo automático dos parâmetros dos equipamentos em opera¸cão com modelos virtuais devido ao desgaste de materiais, manuten¸cões e etc.

• Como construir um modelo digital coexistindo com o ativo f´ısico e com a mesma relevˆancia para o ch˜ ao-de-f´abrica;

• Consistˆencia entre os ativos f´ısicos e o modelo digital; • Convergˆencia dos dados dos ativos f´ısicos e modelo

digital gerando informa¸c˜oes para a produ¸c˜ao.

Figura 2. Evolu¸c˜ao da convergˆencia entre os mundos f´ısico e digital.

Pode-se considerar que um DT possui três elementos sig-nificativos para implementa¸cão no ambiente da indústria conectados conforme apresentado na Figura 3 e descritos a seguir.

• Modelo: é a estrutura¸cão dos componentes no DTI, tipicamente encontrada em forma de hierarquia; • Analytics: algoritmos de análise avan¸cada de dados

com finalidade de descrever, prever ou prescrever a opera¸c˜ao da entidade f´ısica;

• Base de conhecimento: conjunto de todos os dados (por exemplo, séries temporais de sensores) e resulta-dos derivaresulta-dos resulta-dos algoritmos de análise avan¸cada. Dessa forma, entende-se como parte do DT, mais espe-cificamente do DTI, o modelo preditor de falhas de um transportador de correia a partir das séries históricas dos sensores com a finalidade de alertar operadores e auxiliar na revisão dos set points operacionais e programa¸cão de manuten¸cão.

(3)

Figura 3. Elementos do DT para a indústria. 3. SUPPORT VECTOR MACHINE (SVM) Support Vector Machine é um método de aprendizado supervisionado tipicamente empregado em problemas de classifica¸cão e regressão. O método define hiperplanos que maximizam as margens, i.e., as distâncias entre os limi-tes de decisão e as amostras do dataset de treino que estão próximas desses limites (chamados de support vec-tors) (Raschka and Mirjalili, 2017). A Figura 4 apresenta graficamente o método considerando um espa¸co de duas variáveis, nota-se que podem ser tra¸cados diversos limites de decisão neste espa¸co e o resultado do algoritmo de treino é um plano (linha tracejada no gráfico à direita) que maximiza a distância para os support vectors (destacados com c´ırculos no mesmo gráfico).

Figura 4. Support Vector Machine.

4. TRABALHOS RELACIONADOS

O conceito de um gêmeo para engenharia de equipamentos não é novo e foi amplamente utilizado pela NASA nos programas espaciais. Durante o programa Apollo, foram desenvolvidos dois ve´ıculos sendo que o ve´ıculo em terra era utilizado no treinamento preparatório e, durante as missões espaciais, era utilizado para simular precisamente as condi¸cões da missão e permitir análise de solu¸cão para situa¸cões cr´ıticas no espa¸co.

Empresas de tecnologia como Amazon, Apple e Google utilizaram o conceito de DT ao implementar uma c´opia

virtual do perfil de cada consumidor de seus servi¸cos. Par-tindo de modelos demográficos genéricos, essas empresas coletaram dados de seus consumidores e aplicaram técnicas de análise avan¸cada para criar o perfil virtual de cada um, que é aprimorado a cada clique, comentário, compra ou página visitada (GE Digital, 2018).

Rosen et al. (2015) apresentam o caso da Airbus Industrie, que desenvolveu um gêmeo f´ısico de aeronaves para simu-lar, validar e otimizar sistemas vitais em tempo de projeto e com o passar do tempo converteu alguns componentes para modelos virtuais. Shafto et al. (2012) detalham a visão futura para os sistemas de engenharia baseados em simula¸cão da NASA a partir do desenvolvimento de DT, e o considera o terceiro desafio técnico a ser enfrentado pela agência americana.

Cerrone et al. (2014) discorrem sobre o processo de simu-la¸cão de falhas em pe¸cas de prova retiradas de uma de-terminada frota de ve´ıculos e consideraram a aplica¸cão do conceito de DT para endere¸car o problema de ambiguidade no diagnóstico ou previsão do caminho da falha nas pe¸cas, ou seja, a ”personaliza¸cão”de cada pe¸ca e elabora¸cão de um algoritmo para predi¸cão das falhas.

Recentemente, Luo et al. (2019) exemplificam a aplica¸cão do DT em um equipamento e relatam a importância do algoritmo predi¸cão de falhas para se atingir os objetivos de precisão na simula¸cão e auto-avalia¸cão do DT. Em sua experiência foi implementada uma rede neuro-fuzzy, mas não foram avaliados outros algoritmos para endere¸car os principais desafios de implementa¸cão do DT.

Xu et al. (2019) propõem a utiliza¸cão de um DT existente gerando grande volume de dados para: contornar os pro-blemas de datasets de tamanho limitado, com distribui¸cões diferentes e desbalanceados; alimentar um algoritmo de Deep Transfer Learning com objetivo de aumentar signi-ficativamente a acurácia da predi¸cão de falhas.

Schroeder et al. (2017) mostra em seu estudo de caso uma metodologia baseada no padrão AutomationML para modelar o DT em alto n´ıvel e facilitar a integra¸cão com outros sistemas. O emprego de AutomationML é de inte-resse relevante, porque permitiu armazenar informa¸cões de engenharia segundo o paradigma da orienta¸cão a objetos e, consequentemente, modelar componentes f´ısicos e lógicos como objetos englobando diferentes aspectos.

No contexto de monitoramento, deteçcão e predi¸cão de falhas, destaca-se trabalhos como o de Chen et al. (2011) e Widodo and Yang (2007), que avaliaram modelos de aprendizado de máquina sobre dados de equipamentos complexos no ambiente industrial e apresentam uma re-visão de aplica¸cões conhecidas.

Nota-se que DT é um conceito relativamente novo e pouco aplicado na indústria de base e transforma¸cão. No entanto, verifica-se que empresas no ramo de tecnologia operacio-nal (TO) cada vez mais procuram evoluir suas solu¸cões (sistemas de controle, gestão de ativos, aplicativos, etc.) baseadas no conceito de DT (GE Digital, 2019; Siemens, 2019; ABB, 2019), porém as constru¸cões de DT são pouco divulgadas dado o caráter estratégico e vantagem compe-titiva.

(4)

5. TRANSPORTADOR DE CORREIA

Os transportadores de correias são os equipamentos res-ponsáveis pela movimenta¸cão de materiais por distâncias variadas e são essenciais na opera¸cão de uma usina de beneficiamento dada a dependência do processo na mo-vimenta¸cão de minério de ferro.

A t´ıtulo de exemplo, um transportador de correia de longa distância com capacidade de 16.000 toneladas por hora operando com utiliza¸cão de 72% em um per´ıodo de 30 dias transporta 345.600 toneladas de minério de ferro. Um aumento de 1% em sua utiliza¸cão significa transportar mais 4.800 toneladas de minério no mesmo per´ıodo, que se traduz em um resultado financeiro de US$ 321.360. O transportador de correia de longa distância (TCLD) escolhido para o estudo faz parte do circuito que trans-porta minério dos britadores semi-móveis nas frentes de lavra para a usina de beneficiamento. Este equipamento é considerado o mais cr´ıtico para a opera¸cão da usina porque tem manuten¸cão complexa e é único na linha de alimen-ta¸cão de minério para toda a usina, portanto, sua parada pode significar uma parada geral em todos os processos em sua sequência. Aumentar a utiliza¸cão deste equipamento representará um ganho significativo na produtividade e redu¸cão dos custos de manuten¸cão.

6. SOLU ¸C ÃO PROPOSTA E AVALIADA Este trabalho desenvolveu um modelo SVM para deteçcão de anomalias utilizando uma série temporal multivariável (MTS) de um TCLD de minério de ferro com a finalidade de se identificar requisitos de uma plataforma de DT para o ambiente industrial.

Em uma aplica¸cão de monitoramento de equipamentos e deteçcão de anomalias, o modelo é treinado para identi-ficar um padrão nas variáveis e classificá-los conforme a ocorrência de falhas no dataset. Equipamentos industriais possuem muitos sensores sendo que alguns podem não ser significativos ou conter informa¸cão suficiente sobre a condi¸cão do equipamento, portanto, é necessário analisar as variáveis para aumentar a acurácia do classificador baseado em SVM (Widodo and Yang, 2007).

A partir de entrevistas com analistas operacionais e enge-nheiros de automa¸cão obteve-se maior conhecimento sobre a opera¸cão e manuten¸cão do equipamento. Foram identi-ficadas 192 variáveis associadas ao TCLD no sistema de informa¸cões de processos (PIMS) da usina. As variáveis foram amostradas a cada minuto, em um per´ıodo de nove meses (Abril/2018 a Dezembro/2018) para capturar dinˆ a-micas operacionais do equipamento e obter um resultado mais realista.

A Figura 5 apresenta o diagrama de Pareto dos estados do TCLD no per´ıodo considerado para análise. Dado que a amostragem é de um minuto, calcula-se que a correia funcionou por 75,2% e ficou em defeito por 12,0% do tempo. A opera¸cão da correia funcionando com alarme na maior parte do tempo é esperada porque que a usina de beneficiamento está em processo de ramp up.

A primeira análise das variáveis mostrou que existem informa¸cões redundantes ou irrelevantes no banco de dados

Figura 5. Distribui¸c˜ao dos estados do transportador de correia.

do PIMS e que, portanto, podem ser removidas sem preju´ızo para a modelagem. Um exemplo são as palavras de estado redundantes com o estado calculado, porque a informa¸cão do estado é suficiente para classifica¸cão de uma anomalia. Foram criadas três variáveis no dataset representando o estado do equipamento com atraso de uma hora, um dia e sete dias.

O dataset definido para alimentar o modelo foi definido com 93 variáveis e 385.869 amostras, ou seja, 35.885.817 dados, divididos em 70% para treino do modelo e 30% para testes. É importante explorar rela¸cões entre as variáveis para direcionar a sele¸cão de uma fun¸cão kernel adequada sendo que, neste caso, identificou-se uma não-linearidade, o que determina, inicialmente, a fun¸cão radial basis function com complexidade computacional O(N2n), onde N é o número de amostras e n é o número de variáveis.

Portanto, devido ao tamanho do dataset, foi necess´ a-rio selecionar as variáveis mais significativas para treina-mento do modelo, conforme recomenda¸cões apresentadas em Dash and Liu (1997), Guyon and Elisseeff (2003) e Saeys et al. (2007). Dessa forma, o modelo foi treinado com os mesmos parâmetros, para compara¸cão de resulta-dos, com todas as variáveis, uma sele¸cão de 25 variáveis utilizando o método estat´ıstico Chi-Quadrado (Huan Liu and Setiono, 2002) e redu¸cão de dimensões baseada em análise de componentes principais (PCA) como demons-trado por Sun et al. (2007) e Yang and Shahabi (2004). As variáveis foram normalizadas a partir de sua média e desvio padrão com objetivo de otimizar a execu¸cão do algoritmo de treinamento.

Para treinamento do modelo, considerou-se como alvo o estado geral do equipamento com atraso de sete dias para avaliar a capacidade do modelo de prever um defeito com dada antecedˆencia.

7. PROPOSTA DE ARQUITETURA

A experiência no desenvolvimento deste trabalho ressaltou a necessidade por uma plataforma dedicada para DT. O transportador de correia analisado possui muitos dados, consequentemente, o volume de dados gerado em tempo real é grande e demanda uma integra¸cão com baixa latˆ en-cia entre a infraestrutura de dados do equipamento e a base de conhecimento do DT. A plataforma também pre-cisa prover escalabilidade e capacidade de processamento

(5)

paralelo para treinar e executar os diversos modelos de aprendizado de máquina em tempo adequado e depois apresentar os resultados para otimiza¸cão da opera¸cão ou manuten¸cão do transportador de correia.

A infraestrutura de dados dos equipamentos existentes das plantas precisa disponibilizar servi¸cos padronizados e sim-plificados para atingir baixa latência e permitir a opera¸cão da solu¸cão em tempo real. Este é hoje um grande desafio para empresas com muitas plantas porque os sistemas tipicamente são complexos, utilizam tecnologia proprie-tária e há heterogeneidade entre as plantas. Recomenda-se, portanto, o desenvolvimento da plataforma para DT baseada em tecnologia que utilize servi¸cos na nuvem.

Figura 6. Proposta de arquitetura para implementa¸c˜ao do DTE.

A arquitetura, conforme demonstrada na Figura 6, propõe a cria¸cão do digital twin environment (DTE) em uma nuvem aproveitando servi¸cos existentes no ambiente para implementar: servi¸co de ingestão de dados em tempo real para alimentar o modelo e um data lake com os dados dos equipamentos; repositório de modelos pré-definidos, prontos para treino, e ferramentas para engenharia de novos modelos; e, por último, a aplica¸cão para visualiza¸cão e simula¸cão do DTI.

Figura 7. Framework de IIoT Analytics.

Moura et al. (2017) propõem o framework apresentado na Figura 7 para implementa¸cão de solu¸cões de Internet

da Coisas Industriais (IIoT) e análise avan¸cada de dados com casos de uso na minera¸cão que se aplica à arquitetura proposta. Uma prova de conceito foi implementada para estudo do framework, onde dados são consumidos dos sistemas na usina e o modelo de aprendizado de máquina na nuvem prevê falhas de um moinho de bolas.

8. RESULTADOS DO MODELO

O modelo obteve 83,2% (7 dias de antecedência) e 86% (1 dia de antecedência) de acurácia com o dataset reduzido a 5 variáveis pelo PCA com. O treino com pesos iguais para o erro de classifica¸cão prevê que o equipamento sempre estará operando e apresenta maior acurácia porque esta classe é dominante. Ao implementar a penaliza¸cão maior para erros da classe minoritária tem-se um resultado fiel à realidade operacional do TCLD, porém apresenta menor acurácia com 33,8% e 81,4% de acurácia, respectivamente, para 7 e 1 dia de antecedência.

Devido ao tamanho do dataset, o tempo médio para treinar o modelo foi de 2,3 horas, sendo o menor tempo 44 minutos e o maior 5,4 horas. Observou-se um consumo elevado dos recursos do computador durante os treinos, o que evidencia a necessidade pela implementa¸cão da plataforma do DT em uma infraestrutura na nuvem como proposto na Se¸cão 7. A deteçcão de anomalias não apresentou um tempo de execu¸cão relevante que demandasse uma análise.

9. CONCLUS ˜OES

Uma aplica¸cão real para o DT exige um modelo com alta acurácia para endere¸car os desafios apresentados na Se¸cão 2. Portanto, sugere-se avaliar outras formas de prepara¸cão dos dados (árvore de decisões proposta por Saimurugan et al. (2011)) ou utiliza¸cão de outros classificadores com deep learning, como: Recurrent Neural Networks ou Long Short-Term Memory.

Fica evidente que o resultado do modelo SVM, neste es-tudo de caso, está baseado na análise exploratória e prepa-ra¸cão dos dados. Apesar deste processo demandar intera-¸

cão humana, entende-se ser necessário o desenvolvimento de uma plataforma de DT com autonomia a fim de reduzir a interven¸cão humana, sem eliminá-la por completo, para permitir a constru¸cão do DT de equipamentos e processos em maior escala e reduzir a demanda de manuten¸cão dos modelos virtuais por parte de especialistas.

Do ponto vista da opera¸cão e manuten¸cão do TCLD, há ausência de dados importantes para a deteçcão mais precisa de anomalias, por exemplo sensores de vibra¸cão dos acionamentos. Os roletes do TCLD também não pos-suem instrumenta¸cão para medi¸cões de deslocamento dos eixos, vibra¸cão e temperatura, dados que agregariam ao modelo para melhora dos resultados. Deve-se considerar também cada bit das palavras de estado para desenvolver a capacidade de prever qual falha ocorrerá no equipamento e/ou ainda indicar a¸cões que o operador deve tomar para evitá-la.

Finalmente, deve-se evoluir o desenho da arquitetura pro-posta na se¸cão 7, em um trabalho futuro, para alcan¸car um modelo de integra¸cão simples que alimente uma pla-taforma de DT baseada em servi¸cos escaláveis na nuvem

(6)

para cria¸c˜ao de modelos para os diversos equipamentos e processos de uma planta de minera¸c˜ao.

REFER ˆENCIAS

ABB (2019). Digital Twin Application - What is new. URL https://new.abb.com/control-systems/ features/digital-twin-applications.

Cerrone, A., Hochhalter, J., Heber, G., and Ingraffea, A. (2014). On the effects of modeling as-manufactured geometry: Toward digital twin. International Journal of Aerospace Engineering, 2014, 1–10. doi:10.1155/2014/ 439278.

Chen, K.Y., Chen, L.S., Chen, M.C., and Lee, C.L. (2011). Using SVM based method for equipment fault detection in a thermal power plant. Computers in Industry, 62(1), 42–50. doi:10.1016/J.COMPIND.2010.05.013.

Dash, M. and Liu, H. (1997). Feature Selection for Classification. Technical report.

Gartner (2017). Top Trends in the Gartner Hype Cycle for Emerging Technologies, 2017. URL http://www.gartner.com/smarterwithgartner/

top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/. Gartner (2018). Gartner Survey Reveals Nearly Half of

Organizations Implementing IoT Are Using or Plan to Use Digital Twin Initiatives in 2018. URL https:// www.gartner.com/newsroom/id/3868363.

GE Digital (2018). The Digital Twin: Compressing time-to-value for digital industrial companies. Technical report. URL https://www.ge.com/ digital/sites/default/files/The-Digital-Twin_

Compressing-Time-to-Value-for-Digital-Industrial-Companies. pdf.

GE Digital (2019). Digital Twin. URL https://www.ge. com/digital/applications/digital-twin.

Grieves, M. and Vickers, J. (2016). Digital twin: Miti-gating unpredictable, undesirable emergent behavior in complex systems. In Transdisciplinary Perspectives on Complex Systems: New Findings and Approaches, 85– 113. Springer International Publishing, Cham. doi:10. 1007/978-3-319-38756-7{\ }4.

Guyon, I. and Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research, 3, 1157–1182.

Huan Liu and Setiono, R. (2002). Chi2: Feature Selection and Discretization of Numeric Attributes. Proceedings of 7th IEEE International Conference on Tools with Artificial Intelligence, 388–391. doi:10.1109/tai.1995. 479783.

Luo, W., Hu, T., Zhang, C., and Wei, Y. (2019). Di-gital twin for CNC machine tool: modeling and using strategy. Journal of Ambient Intelligence and Hu-manized Computing, 10(3), 1129–1140. doi:10.1007/ s12652-018-0946-5.

Moura, R.L.D., Ceotto, L.D.L.F., and Gonzalez, A. (2017). Industrial IoT and Advanced Analytics Framework: An Approach for the Mining Industry. In Proceedings of the 2017 International Conference on Computational Sci-ence and Computational IntelligSci-ence, volume 1, 1308– 1314. IEEE, Las Vegas, NV, USA. doi:10.1109/CSCI. 2017.228.

Raschka, S. and Mirjalili, V. (2017). Python Machine Learning - Machine Learning and Deep Learning with

Python, scikit-learn, and TensorFlow. Packt Publishing, Birmingham, Reino Unido, segunda ed edition.

Rosen, R., Von Wichert, G., Lo, G., and Bettenhausen, K.D. (2015). About the importance of autonomy and digital twins for the future of manufacturing. In IFAC-PapersOnLine, volume 28, 567–572. doi:10.1016/j.ifacol. 2015.06.141.

Saeys, Y., Inza, I., and Larranaga, P. (2007). A review of feature selection techniques in bioinformatics. Bioinfor-matics, 23(19), 2507–2517. doi:10.1093/bioinformatics/ btm344.

Saimurugan, M., Ramachandran, K., Sugumaran, V., and Sakthivel, N. (2011). Multi component fault diagnosis of rotational mechanical system based on decision tree and support vector machine. Expert Systems with Applications, 38(4), 3819–3826. doi:10.1016/J.ESWA. 2010.09.042.

Schroeder, G., Steinmetz, C., Pereira, C.E., Muller, I., Garcia, N., Espindola, D., and Rodrigues, R. (2017). Visualising the digital twin using web services and aug-mented reality. In IEEE International Conference on In-dustrial Informatics (INDIN), 522–527. IEEE, Emden, Alemanha. doi:10.1109/INDIN.2016.7819217.

Shafto, M., Conroy, M., Doyle, R., Glaessgen, E., Kemp, C., LeMoigne, J., and Wang, L. (2012). Modeling, Simulation, information Technology & Processing Road-map. Technical report, National Aeronautics and Space Administration, Washington, EUA.

Siemens (2019). Digital Twin. URL https://www.plm. automation.siemens.com/global/en/our-story/ glossary/digital-twin/24465.

Sun, W., Chen, J., and Li, J. (2007). Decision tree and PCA-based fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing, 21(3), 1300– 1317. doi:10.1016/J.YMSSP.2006.06.010.

Tao, F. and Zhang, M. (2017). Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing. IEEE Access, 5, 20418–20427. doi: 10.1109/ACCESS.2017.2756069.

Uhlemann, T.H., Schock, C., Lehmann, C., Freiberger, S., and Steinhilper, R. (2017). The Digital Twin: Demons-trating the Potential of Real Time Data Acquisition in Production Systems. Procedia Manufacturing, 9, 113– 120. doi:10.1016/j.promfg.2017.04.043.

Widodo, A. and Yang, B.S. (2007). Mechanical Systems and Signal Processing Support vector machine in ma-chine condition monitoring and fault diagnosis. Mecha-nical Systems and Signal Processing, 21, 2560–2574. doi: 10.1016/j.ymssp.2006.12.007.

World Economic Forum (2017). Digital Transformation Initiative: Mining and Metals Industry. Technical report, World Economic Forum. URL http:// reports.weforum.org/digital-transformation/ mining-and-metals/.

Xu, Y., Sun, Y., Liu, X., and Zheng, Y. (2019). A Digital-Twin-Assisted Fault Diagnosis Using Deep Transfer Learning. IEEE Access, 7, 19990–19999. doi:10.1109/ ACCESS.2018.2890566.

Yang, K. and Shahabi, C. (2004). A PCA-based similarity measure for multivariate time series. In Proceedings of the 2nd ACM international workshop on Multimedia databases - MMDB ’04, 65. ACM Press, New York, New York, USA. doi:10.1145/1032604.1032616.