The nature of manufacturing systems faces ever more complex, dynamic and at times even chaotic behaviors. In order to being able to satisfy the demand for high-quality products in an efficient manner, it is essential to utilize all means available. One area, which saw fast pace developments in terms of not only promising results but also usability, is machine learning. Promising an answer to many of the old and new challenges of manufacturing, machine learning is widely discussed by researchers and practitioners alike. However, the field is very broad and even confusing which presents a challenge and a barrier hindering wide application. Here, this paper contributes in presenting an overview of available machine learning techniques and structuring this rather complicated area. A special focus is laid on the potential benefit, and examples of successful applications in a manufacturing environment.

Industry 5.0 blows the whistle on global industrial transformation. It aims to place humans’ well-being at the center of manufacturing systems, thereby achieving social goals beyond employment and growth to provide prosperity robustly for the sustainable development of all humanity. However, the current exploration of Industry 5.0 is still in its infancy where research findings are relatively scarce and little systematic. This paper first reviews the evolutionary vein of Industry 5.0 and three leading characteristics of Industry 5.0: human-centricity, sustainability, and resiliency. The connotation system of Industry 5.0 is discussed, and its diversified essence is analyzed. Then, this paper constructs a tri-dimension system architecture for implementing Industry 5.0, namely, the technical dimension, reality dimension, and application dimension. The paper further discusses key enablers, the future implementation path, potential applications, and challenges of realistic scenarios of Industry 5.0. Finally, the limitations of the current research are discussed with potential future research directions highlighted. It is expected that this review work will arouse lively discussions and debates, and bring together the strengths of all beings for building a comprehensive system of Industry 5.0. • The evolutionary vein and the connotation system of Industry 5.0. • Tri-dimension system architecture of Industry 5.0. • Enablers, potential applications, and challenges of Industry 5.0.

The purpose of this article is to collect and structure the various characteristics, technologies and enabling factors available in the current body of knowledge that are associated with smart manufacturing. Eventually, it is expected that this selection of characteristics, technologies and enabling factors will help compare and distinguish other initiatives such as Industry 4.0, cyber-physical production systems, smart factory, intelligent manufacturing and advanced manufacturing, which are frequently used synonymously with smart manufacturing. The result of this article is a comprehensive list of such characteristics, technologies and enabling factors that are regularly associated with smart manufacturing. This article also considers principles of “semantic similarity” to establish the basis for a future smart manufacturing ontology, since it was found that many of the listed items show varying overlaps; therefore, certain characteristics and technologies are merged and/or clustered. This results in a set of five defining characteristics, 11 technologies and three enabling factors that are considered relevant for the smart manufacturing scope. This article then evaluates the derived structure by matching the characteristics and technology clusters of smart manufacturing with the design principles of Industry 4.0 and cyber-physical systems. The authors aim to provide a solid basis to start a broad and interdisciplinary discussion within the research and industrial community about the defining characteristics, technologies and enabling factors of smart manufacturing.

Abstract Manufacturing systems have recently witnessed a shift from the widely adopted automated systems seen throughout industry. The evolution of Industry 4.0 or Smart Manufacturing has led to the introduction of more autonomous systems focused on fault tolerant and customized production. These systems are required to utilize multimodal data such as machine status, sensory data, and domain knowledge for complex decision making processes. This level of intelligence can allow manufacturing systems to keep up with the ever-changing markets and intricate supply chain. Current manufacturing lines lack these capabilities and fall short of utilizing all generated data. This paper delves into the literature aiming at achieving this level of complexity. Firstly, it introduces cognitive manufacturing as a distinct research domain and proposes a definition by drawing upon various preexisting themes. Secondly, it outlines the capabilities brought forth by cognitive manufacturing, accompanied by an exploration of the associated trends and technologies. This contributes to establishing the foundation for future research in this promising field.

Abstract Production systems, including flexible and smart manufacturing systems, adhere to a predetermined sequence of machine operations based on the demand criterion. As the number of machines and jobs to sequence grows, the problem’s complexity also increases. To address this issue, which is considered a top priority in the industry today, agile sequencing techniques are necessary. Nonetheless, most of the present sequencing and scheduling algorithms are unable to handle the personalized machine setups found in various factories and educational facilities. Furthermore, these setups frequently have unique precedence orders for processing jobs and other limitations. This paper aims to address this pressing problem by modeling and developing an optimum job sequence for a real-life custom machine setup with precedence constraints. According to the scheduling literature, this is a variant of the permutation flow shop problem. As part of the research, the optimal job sequence is tested and validated in a simulated environment. The Nawaz, Enscore, and Ham (NEH) algorithm and the Campbell Dudek Smith (CDS) algorithm are modified to accommodate the special structure of the problem at hand and to execute the sequencing task. The NEH algorithm’s resulting sequence is compared with that of the CDS algorithm in terms of makespan time for both flow shop and job shop scenarios for this specific case study. Although NEH and CDS performed similarly in the flow-shop problem, as the product variety is consistent, NEH outperformed CDS in the job-shop scenario for combination of different ratios and different categories of product variants. A thorough sensitivity analysis is also conducted to examine the effects of various supplementary parameters on makespan time.

Industry 5.0 integrates human-centered production systems with cyber-physical systems, the Internet of Things (IoT), and machine learning technologies to create flexible, efficient, and environmentally friendly manufacturing processes. Small and medium-sized enterprises (SMEs), despite their importance in the manufacturing sector, typically need more resources and skills to implement Industry 5.0 technology. This article presents a blockchain-based supplier collaboration network to support small and medium-sized enterprises migrating to Industry 5.0. Small suppliers, manufacturers, and other supply chain stakeholders can engage securely and transparently within the proposed framework. The underlying blockchain technology allows for secure, immutable storage and real-time data sharing and collaboration. The proposed approach uses smart contracts to automate cooperation procedures and integrates blockchain with emerging technologies like IoT and machine intelligence. Moreover, the underlying method can boost SMEs businesses’ competitiveness and market access. The proposed approach will therefore be of benefit to companies that have limited resources to build their own supply chain management systems. Finally, we discuss the challenges and limitations of the proposed system for implementing a blockchain-enabled supplier collaboration network for SMEs in Industry 5.0.

Smart manufacturing contributes to a better management of uncertainties and risks in today's business environment, leading to a more resilient system. Despite its significance, the quantification of resilience in manufacturing environments is not well developed and is considered a pressing research gap. This study introduces a novel approach for assessing resilience through the development of a mathematical model for smart manufacturing systems. The sensitivity and applicability of the proposed model are investigated through simulation-based experimentation. The results demonstrate the level of resilience with the adaptability of smart manufacturing technologies. Interestingly, the trigger point derived from the simulation results is an indicator of the threshold limit for effective implementation of smart manufacturing technologies for the desired system resilience. The research provides a tool for decision-makers in industry that are considering investing in smart manufacturing solutions to increase their operational resilience. Decision-makers can design the deployment of smart manufacturing systems based on an informative trade-off to maintain the required resilience capabilities and achieve a competitive edge in the market.