This paper reviews the recent development of Digital Twin technologies in manufacturing systems and processes, to analyze the connotation, application scenarios, and research issues of Digital Twin-driven smart manufacturing in the context of Industry 4.0. To understand Digital Twin and its future potential in manufacturing, we summarized the definition and state-of-the-art development outcomes of Digital Twin. Existing technologies for developing a Digital Twin for smart manufacturing are reviewed under a Digital Twin reference model to systematize the development methodology for Digital Twin. Representative applications are reviewed with a focus on the alignment with the proposed reference model. Outstanding research issues of developing Digital Twins for smart manufacturing are identified at the end of the paper.

Facial expression recognition faces great challenges due to factors such as face similarity, image quality, and age variation. Although various existing end-to-end Convolutional Neural Network (CNN) architectures have achieved good classification results in facial expression recognition tasks, these network architectures share a common drawback that the convolutional kernel can only compute the correlation between elements of a localized region when extracting expression features from an image. This leads to difficulties for the network to explore the relationship between all the elements that make up a complete expression. In response to this issue, this article proposes a facial expression recognition network called HFE-Net. In order to capture the subtle changes of expression features and the whole facial expression information at the same time, HFE-Net proposed a Hybrid Feature Extraction Block. Specifically, Hybrid Feature Extraction Block consists of parallel Feature Fusion Device and Multi-head Self-attention. Among them, Feature Fusion Device not only extracts the local information in expression features, but also measures the correlation between distant elements in expression features, which helps the network to focus more on the target region while realizing the information interaction between distant features. And Multi-head Self-attention can calculate the correlation between the overall elements in the feature map, which helps the network to extract the overall information of the expression features. We conducted a lot of experiments on four publicly available facial expression datasets and verified that the Hybrid Feature Extraction Block constructed in this paper can improve the network’s recognition ability for facial expressions.

Abstract To deal with the complex structure of subsea riser system and the lack of failure statistics and insufficient information during operation, a fuzzy fault tree analysis (FFTA) method is applied to analyse the reliability of the subsea riser system, and a qualitative and quantitative analysis is carried out by establishing a fault tree model of the riser system to obtain the minimum set of cuts and the basic events. The fuzzy importance degree of each fundamental event is determined as well as the failure probability of the headline event of the fuzzy fault tree, “failure of subsea riser system,” using the triangular fuzzy number computation method. Finally, the “average value” method of comprehensive analysis of the fault tree model, the analysis results show that the bottom event riser check valve, riser buoyancy device, riser working medium isolation valve, riser line, riser gas lift device and other components of the failure of the subsea riser system is relatively the weak links, compared with the actual situation, the analysis results in line with the actual engineering situation, these five aspects should be regularly detected and focused on prevention. In conclusion, this research helps to comprehensively analyse the reliability of the riser system and take into account the uncertainty factors, and provides more accurate guidance on the reliability constraints for the localized design and production of subsea riser system.