Soft robots: A methodology based on embedded pneumatic networks (PneuNets) is described that enables large-amplitude actuations in soft elastomers by pressurizing embedded channels. Examples include a structure that can change its curvature from convex to concave, and devices that act as compliant grippers for handling fragile objects (e.g., a chicken egg).

This paper describes the fabrication and the performance of microfluidic paper-based electrochemical sensing devices (we call the microfluidic paper-based electrochemical devices, µPEDs). The µPEDs comprise paper-based microfluidic channels patterned by photolithography or wax printing, and electrodes screen-printed from conducting inks (e.g., carbon or Ag/AgCl). We demonstrated that the µPEDs are capable of quantifying the concentrations of various analytes (e.g., heavy-metal ions and glucose) in aqueous solutions. This low-cost analytical device should be useful for applications in public health, environmental monitoring, and the developing world.

Various new national advanced manufacturing strategies, such as Industry 4.0, Industrial Internet, and Made in China 2025, are issued to achieve smart manufacturing, resulting in the increasing number of newly designed production lines in both developed and developing countries. Under the individualized designing demands, more realistic virtual models mirroring the real worlds of production lines are essential to bridge the gap between design and operation. This paper presents a digital twin-based approach for rapid individualized designing of the hollow glass production line. The digital twin merges physics-based system modeling and distributed real-time process data to generate an authoritative digital design of the system at pre-production phase. A digital twin-based analytical decoupling framework is also developed to provide engineering analysis capabilities and support the decision-making over the system designing and solution evaluation. Three key enabling techniques as well as a case study in hollow glass production line are addressed to validate the proposed approach.

Under a mass individualisation paradigm, the individualised design of manufacturing systems is difficult as it involves adaptive integrating both new and legacy machines for the formation of part families with uncertainty. A systematic virtual model mirroring the real world of manufacturing system is essential to bridge the gap between its design and operation. This paper presents a digital twin-driven methodology for rapid individualised designing of the automated flow-shop manufacturing system. The digital twin merges physics-based system modelling and distributed semi-physical simulation to provide engineering solution analysis capabilities and generates an authoritative digital design of the system at pre-production phase. An effective feedbacking of collected decision-support information from the intelligent multi-objective optimisation of the dynamic execution is presented to boost the applicability of the digital twin vision in the designing of AFMS. Finally, a bi-level iterative coordination mechanism is proposed to achieve optimal design performance for required functions of AFMS. A case study is conducted to prove the feasibility and effectiveness of the proposed methodology.

Students’ informal conversations on social media (e.g., Twitter, Facebook) shed light into their educational experiences—opinions, feelings, and concerns about the learning process. Data from such uninstrumented environments can provide valuable knowledge to inform student learning. Analyzing such data, however, can be challenging. The complexity of students’ experiences reflected from social media content requires human interpretation. However, the growing scale of data demands automatic data analysis techniques. In this paper, we developed a workflow to integrate both qualitative analysis and large-scale data mining techniques. We focused on engineering students’ Twitter posts to understand issues and problems in their educational experiences. We first conducted a qualitative analysis on samples taken from about 25,000 tweets related to engineering students’ college life. We found engineering students encounter problems such as heavy study load, lack of social engagement, and sleep deprivation. Based on these results, we implemented a multi-label classification algorithm to classify tweets reflecting students’ problems. We then used the algorithm to train a detector of student problems from about 35,000 tweets streamed at the geo-location of Purdue University. This work, for the first time, presents a methodology and results that show how informal social media data can provide insights into students’ experiences.

The growth of individualized product demands drives high flexibility of manufacturing processes, which requires large-scale deployment of Industrial Internet of Things (IIoT). Since centralized control of IIoT suffers from poor flexibility in coping with disturbances and changes, a decentralized organization structure is a better choice, in which a permissioned blockchain-driven IIoT can enable partially decentralized self-organization and thus offload and accelerate the optimization of upper-level manufacturing planning. A novel iterative bi-level hybrid intelligence model named ManuChain is proposed to get rid of unbalance/inconsistency between holistic planning and local execution in individualized manufacturing systems. Lower-level blockchain-driven smart contracts proactively decentralize fine-grained and individualized task execution among machine tools via Raspberry Pi-based smart gateways and make the results available on an upper-level digital twin model for iterative coarse-grained holistic optimization. A prototype ManuChain based on a permissioned blockchain network is presented to realize both lower-level crowd self-organizing intelligence and upper-level holistic optimization intelligence.