Towards AI-assisted digital twins for smart railways: preliminary guideline and reference architecture

Towards AI-assisted digital twins for smart railways : preliminary guideline and reference architecture

In the last years, there has been a growing interest in the emerging concept of digital twins (DTs) among software engineers and researchers. DTs not only represent a promising paradigm to improve product quality and optimize production processes, but they also may help enhance the predictability and resilience of cyber-physical systems operating in critical contexts. In this work, we investigate the adoption of DTs in the railway sector, focusing in particular on the role of artificial intelligence (AI) technologies as key enablers for building added-value services and applications related to smart decision-making. In this paper, in particular, we address predictive maintenance which represents one of the most promising services benefiting from the combination of DT and AI. To cope with the lack of mature DT development methodologies and standardized frameworks, we detail a workflow for DT design and development specifically tailored to a predictive maintenance scenario and propose a high-level architecture for AI-enabled DTs supporting such workflow.

TEKNIK OCH TEKNOLOGIER Elektroteknik och elektronik Datorsystem hsv//swe
ENGINEERING AND TECHNOLOGY Electrical Engineering, Electronic Engineering, Information Engineering Computer Systems hsv//eng
NATURVETENSKAP Data- och informationsvetenskap Datavetenskap hsv//swe
NATURAL SCIENCES Computer and Information Sciences Computer Sciences hsv//eng
TEKNIK OCH TEKNOLOGIER Samhällsbyggnadsteknik Transportteknik och logistik hsv//swe
ENGINEERING AND TECHNOLOGY Civil Engineering Transport Systems and Logistics hsv//eng
Artificial intelligence
Cyber-physical system
Digital twin
Internet of things
Machine learning
Railway
Decision making
E-learning
Embedded systems
Railroad transportation
Railroads
Artificial intelligence technologies
Cybe-physical systems
Cyber-physical systems
Machine-learning
Predictive maintenance
Production process
Products quality
Reference architecture
Work-flows
Cyber Physical System
Computer Science

Dirnfeld, RuthLinnéuniversitetet,Institutionen för datavetenskap och medieteknik (DM) (författare)
Somma, AlessandraUniversity of Naples Federico II, Italy (författare)
De Benedictis, AlessandraUniversity of Naples Federico II, Italy (författare)
Flammini, Francesco,Senior Lecturer,1978-Linnéuniversitetet,Mälardalens universitet,Innovation och produktrealisering,Department of Computer Science and Media Technology, Linnaeus University, Växjö, Sweden,Institutionen för datavetenskap och medieteknik (DM),Mälardalen University, Sweden(Swepub:lnu)frflaa (författare)
Marrone, StefanoUniversity of Naples Federico II, Italy (författare)
Saman Azari, MehdiLinnéuniversitetet,Institutionen för datavetenskap och medieteknik (DM)(Swepub:lnu)mhsaaa (författare)
Vittorini, ValeriaUniversity of Naples Federico II, Italy (författare)
University of Naples Federico II, ItalyInstitutionen för datavetenskap och medieteknik (DM) (creator_code:org_t)

Ingår i:Journal of Reliable Intelligent Environments: Springer Science and Business Media Deutschland GmbH2199-46682199-4676

Av författaren/redakt...: De Donato, Loren ...; Dirnfeld, Ruth; Somma, Alessandr ...; De Benedictis, A ...; Flammini, France ...; Marrone, Stefano; visa fler...; Saman Azari, Meh ...; Vittorini, Valer ...; visa färre...

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Elektroteknik oc ...; och Datorsystem

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Samhällsbyggnads ...; och Transportteknik ...

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.