Smart manufacturing based on cyber-physical manufacturing systems (CPMS) has become the development trend and been widely recognized all over the world. Throughout the development trend of CPMS, one of the key issues is industrial Internet-of-Things (IIoT) with the characteristics of automation, smart connected, real-time monitoring, and collaborative control. Along with the permeation and applications of advanced technologies in manufacturing, massive amounts of data have been generated in the manufacturing process. However, the current 3th generation mobile network (3G), 4G and other communication technologies cannot meet the demands of CPMS for high data rate, high reliability, high coverage, low latency, etc., which hinders the development and implementation of CPMS. As a future advanced wireless transmission technology, 5G has a significant potential to promote IIoT and CPMS. Based on the architecture and characteristics of 5G wireless communication technology, this paper proposes the architecture of 5G-based IIoT, and describes the implementation methods of different advanced manufacturing scenarios and manufacturing technologies under the circumstances of three typical application modes of 5G, respectively, i.e., enhance mobile broadband (eMBB), massive machine type communication (mMTC), ultra-reliable and low latency communication (URLLC). Besides, the characteristics, key technologies and challenges of the 5G based IIoT are also analyzed.

The digital twin is an emerging and vital technology for digital transformation and intelligent upgrade. Driven by data and model, the digital twin can perform monitoring, simulation, prediction, optimization, and so on. Specifically, the digital twin modeling is the core for accurate portrayal of the physical entity, which enables the digital twin to deliver the functional services and satisfy the application requirements. Therefore, this paper provides systematic research of current studies on the digital twin modeling. Since the digital twin model is a faithful reflection of the digital twin modeling performance, a comprehensive and insightful analysis of digital twin models is given first from the perspective of the application field, hierarchy, discipline, dimension, universality, and functionality. Based on the analysis of digital twin models, current studies on the digital twin modeling are classified and analyzed according to the six modeling aspects within the digital twin modeling theoretical system proposed in our previous work. Meanwhile, enabling technologies and tools for the digital twin modeling are investigated and summarized. Finally, observations and future research recommendations are presented.

Smart manufacturing is increasingly becoming the common goal of various national strategies. Smart interconnection is one of the most important issues for implementing smart manufacturing. However, current solutions are not tended to realize smart interconnection in dealing with heterogeneous equipment, quick configuration and implementation, and online service generation. To solve the issues, industrial Internet-of-Things hub (IIHub) is proposed, which consists of customized access module (CA-Module), access hub (A-Hub), and local service pool (LSP). A set of flexible CA-Modules can be configured or programed to connect heterogeneous physical manufacturing resources. Besides, the IIHub supports manufacturing services online generation based on the service encapsulation templates and also supports quick configuration and implementation for smart interconnection. Furthermore, related smart analysis and precise management have the potential to be achieved. Finally, a prototype is given to illustrate the functions of the proposed IIHub, and to show how IIHub realizes smart interconnection.

The rapid advancement of energy digitization and intelligence has engendered an escalating demand for accurate and timely prediction of natural gas consumption across diverse temporal scales. This exigency finds solutions in the swift development of intelligent algorithms. Most of the current short-term prediction algorithms are season-dependent and can achieve high prediction accuracy in temperate regions. However, in tropical and subtropical regions where seasonal patterns are not obvious, the prediction accuracy of related studies tends to decrease significantly. To address this challenge, we propose a natural gas hybrid prediction model that is applicable to temperate, subtropical, and tropical regions. This model integrates mode decomposition, feature selection and prediction. Specifically, the Feature Matching Maximization (FMM) optimization algorithm and Variational Mode Decomposition (VMD) are proposed to decompose the natural gas consumption into three sub-series: trend component, feature component, and residue component, thereby enhancing the feature representation capability for complex nonlinear characteristics. Furthermore, the Transformer model based on multi-head attention is enhanced to predict the temporal data of each sub-series. This augmentation capitalizes on the Transformer model's robust long-term dependence modeling capability, enabling it to extract valuable information from historical data. The hybrid model is experimentally validated on the natural gas consumption dataset of Xiamen, a subtropical region. Compared to other decomposition-based prediction algorithms, our findings possess superior feature extraction capabilities and higher prediction accuracy, especially in the case of nonlinear and non-stationary data. Finally, the robustness of the model is validated using datasets from multiple cities and different time spans.

Abstract Various Remaining Useful Life (RUL) prediction methods, encompassing model-based, data-driven, and hybrid methods, have been developed and successfully applied to prognostics and health management for diverse rolling bearing. Hybrid methods that integrate the advantages of model-based and data-driven approaches have garnered significant attention. However, the effective integration of the two methods to address the randomness in rolling bearing full lifecycle processes remains a significant challenge. To overcome the challenge, this paper proposes a data and model synergy-driven RUL prediction framework that includes two data and model synergy approaches. Firstly, a convolutional stacked bidirectional long and short-term memory network with temporal attention mechanism is established to construct health index. The RUL prediction is achieved based on HI and polynomial model. Secondly, a three-phase prediction model based on the Wiener process is established by considering the evolution law of different degradation phases. Then, two synergy methods are designed. Strategy 1: HI is adopted as the observation value for online updating of physics degradation model parameters under Bayesian framework, and the RUL prediction results are obtained from the physics degradation model. Strategy 2: The RUL prediction results from the data-driven and physics-based model are weighted linearly combined to improve the overall prediction accuracy. The effectiveness of the proposed model is verified using two bearing full lifecycle datasets. The results indicate that the proposed approach can accommodate both short-term and long-term RUL predictions, outperforming state-of-the-art single models.

Reconfiguration has emerged as a paradigm that adjusts shop-floor operations based on production requirements in such a way as to obtain desired performance and adapt to changes quickly. Existing research puts more emphasis on optimising the layout and configuration of shop floors based on simplified mathematical models and algorithms. However, uncertainty and complexity of shop-floor operations could diminish the effectiveness of the reconfiguration solution. This paper presents a digital twin-based design method for shop-floor reconfiguration to solve the problems. Digital twin models with dynamic fidelity are used for reconfiguration design to provide effective information of shop-floor complexity. To analyse the impact of uncertainty on shop-floor performance and then guide the shop-floor reconfiguration design, methods of shop-floor performance fluctuation identification, uncertain event extraction, reconfiguration operation domain division are proposed. The proposed method is verified with the case study of a chemical fibre silk cake packing shop floor.