Βιομηχανία 5.0: ψηφιακές τεχνολογίες για τη βελτιστοποίηση επιχειρησιακών διεργασιών

Abstract

This doctoral thesis explores the transition from Industry 4.0 to Industry 5.0, focusing on the integration of the human factor into industrial systems through a human-centered approach. While Industry 4.0 prioritized automation, data analytics, and interoperability among systems, Industry 5.0 introduces a new paradigm centered around human well-being, social resilience, and sustainability. This emerging model, supported by European strategies such as Horizon Europe and the Green Deal, promotes technological solutions that foster close collaboration between humans and intelligent machines. This thesis emphasizes the need to move beyond productivity-focused solutions and design systems that also support creativity, safety, and the physical and mental wellness of workers. One major focus of the thesis is the scientific investigation of Industry 5.0. Through a comprehensive literature review, the study identifies the growing importance of developing new tools that facilitate interaction between humans and machines. The findings show that integrating the human factor into modern production environments is crucial, and that Human Digital Twins (HDT)—digital representations of individuals—play a key role. HDTs not only improve safety in industrial environments but also support seamless communication with the wider intelligent ecosystem of Industry 5.0. Another significant part of the research involves the integration of innovative technologies for Quality Control and Safety in industrial settings. The dissertation presents a system utilizing Autonomous Mobile Robots (AMRs) that are capable of performing quality control tasks along the production line. These robots operate collaboratively with human workers, using Artificial Intelligence to predict and prevent accidents, enhance ergonomics, and ensure smooth cooperation. Additionally, the use of autonomous robotic vehicles for disinfection tasks is explored, highlighting their potential to reduce operational costs and environmental impact—further aligning with Industry 5.0’s sustainability goals. The thesis also introduces the design and implementation of a Real-Time Location System (RTLS) based on Ultra-Wideband (UWB) technology. This system addresses the need for accurate tracking and digital representation of non-smart entities within a smart factory setting. By integrating AI-based algorithms, the system significantly reduces localization errors and increases reliability, making it suitable for deployment in demanding industrial environments. This advancement supports the creation of more intelligent and adaptive production processes. In addition, the dissertation proposes an open-source analytical tool for processing the spatiotemporal data generated by RTLS. This tool enables precise mapping of operational workflows and detailed performance monitoring. Finally, a case study conducted in a garment manufacturing facility demonstrates how RTLS data can be used to track the movement of items and workers, providing valuable insights into task completion times and production flow. To support this, a specialized platform was developed for organizing and analyzing operational data, ultimately contributing to enhanced production control, transparency, and efficiency. In conclusion, the thesis offers a comprehensive set of innovative methodologies and technological tools that strengthen human-machine collaboration. These solutions promote safer, more sustainable, and more efficient industrial environments, aligning with the core values of Industry 5.0. Through its holistic and forward-looking approach, the research contributes to redefining industrial production with the human at its core.

Η παρούσα διδακτορική διατριβή εξετάζει τη μετάβαση από τη Βιομηχανία 4.0 στη Βιομηχανία 5.0, δίνοντας έμφαση στην επανένταξη του ανθρώπινου παράγοντα στα βιομηχανικά συστήματα μέσω μιας ανθρωποκεντρικής προσέγγισης. Ενώ η Βιομηχανία 4.0 έθεσε στο επίκεντρο την αυτοματοποίηση, την ανάλυση δεδομένων και τη διαλειτουργικότητα των συστημάτων, η Βιομηχανία 5.0 εισάγει ένα νέο πρότυπο που δίνει προτεραιότητα στην ανθρώπινη ευημερία, την κοινωνική ανθεκτικότητα και τη βιωσιμότητα. Αυτό το αναδυόμενο μοντέλο, που υποστηρίζεται από ευρωπαϊκές στρατηγικές όπως το πρόγραμμα Horizon Europe και η Ευρωπαϊκή Πράσινη Συμφωνία, προάγει τεχνολογικές λύσεις που ενισχύουν τη στενή συνεργασία μεταξύ ανθρώπων και έξυπνων μηχανών. Η διατριβή υπογραμμίζει την ανάγκη υπέρβασης της μονοδιάστατης στόχευσης στην παραγωγικότητα, μέσω του σχεδιασμού συστημάτων που ενισχύουν τη δημιουργικότητα, την ασφάλεια και τη ψυχοσωματική υγεία των εργαζομένων. Κεντρικός άξονας της έρευνας αποτελεί η επιστημονική διερεύνηση του πλαισίου της Βιομηχανίας 5.0. Μέσα από μια εκτενή βιβλιογραφική επισκόπηση, αναδεικνύεται η αυξανόμενη σημασία της ανάπτυξης νέων εργαλείων για την αλληλεπίδραση ανθρώπου και μηχανής. Τα ευρήματα υπογραμμίζουν ότι η ενσωμάτωση του ανθρώπινου παράγοντα στο σύγχρονο παραγωγικό περιβάλλον είναι κρίσιμη. Επίσης αναδεικνύονται τα Ανθρώπινα Ψηφιακά Δίδυμα (Human Digital Twins – HDTs) τα οποία ενισχύσουν την ασφάλεια στο βιομηχανικό περιβάλλον και διευκολύνουν την επικοινωνία με τα υπόλοιπα έξυπνα υποσυστήματα της Βιομηχανίας 5.0. Ένα ακόμα σημαντικό μέρος της έρευνας αφορά την ενσωμάτωση καινοτόμων τεχνολογιών για τον Ποιοτικό Έλεγχο και την Ασφάλεια στο βιομηχανικό περιβάλλον. Παρουσιάζεται ένα σύστημα που βασίζεται σε Αυτόνομα Κινητά Ρομπότ (AMRs), τα οποία εκτελούν εργασίες ποιοτικού ελέγχου κατά μήκος της γραμμής παραγωγής. Τα ρομπότ αυτά συνεργάζονται με ανθρώπους, χρησιμοποιώντας αλγορίθμους Τεχνητής Νοημοσύνης για την πρόβλεψη και αποτροπή ατυχημάτων, τη βελτίωση της εργονομίας και την ομαλή συνεργασία. Παράλληλα, διερευνάται η χρήση αυτόνομων ρομποτικών οχημάτων για εφαρμογές απολύμανσης, με στόχο τη μείωση του λειτουργικού κόστους και του περιβαλλοντικού αποτυπώματος, σε απόλυτη ευθυγράμμιση με τους στόχους της Βιομηχανίας 5.0. Η διατριβή εισάγει επίσης τον σχεδιασμό και την υλοποίηση ενός Συστήματος Εντοπισμού Θέσης Πραγματικού Χρόνου (RTLS). Το σύστημα αυτό αντιμετωπίζει την ανάγκη για ακριβή εντοπισμό και ψηφιακή αναπαράσταση φυσικών μη-έξυπνων οντοτήτων εντός του «έξυπνου εργοστασίου». Μέσω της ενσωμάτωσης αλγορίθμων Τεχνητής Νοημοσύνης, επιτυγχάνεται σημαντική μείωση των σφαλμάτων εντοπισμού και βελτίωση της αξιοπιστίας, καθιστώντας το σύστημα κατάλληλο για απαιτητικά βιομηχανικά περιβάλλοντα. Επιπλέον, προτείνεται ένα εργαλείο ανοιχτού κώδικα για την ανάλυση των χωροχρονικών δεδομένων από τα RTLS, το οποίο επιτρέπει την ακριβή αποτύπωση των επιχειρησιακών διαδικασιών. Τέλος, μέσω μιας μελέτης περίπτωσης σε βιομηχανία ενδυμάτων, αποδεικνύεται πώς τα δεδομένα RTLS μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κίνησης αντικειμένων και εργαζομένων και την αξιολόγηση των χρόνων ολοκλήρωσης επιμέρους διεργασιών. Για την υποστήριξη αυτής της εφαρμογής, αναπτύχθηκε ειδική πλατφόρμα για την οργάνωση και ανάλυση των λειτουργικών δεδομένων, ενισχύοντας τον έλεγχο παραγωγής. Συνοψίζοντας, η διατριβή προσφέρει ένα ολοκληρωμένο σύνολο καινοτόμων μεθοδολογιών και τεχνολογικών εργαλείων που ενισχύουν τη συνεργασία ανθρώπου-μηχανής. Οι λύσεις αυτές συμβάλλουν στη διαμόρφωση ενός πιο ασφαλούς, βιώσιμου και αποδοτικού βιομηχανικού περιβάλλοντος, απόλυτα ευθυγραμμισμένου με τις αρχές της Βιομηχανίας 5.0. Μέσα από την ολιστική και προοδευτική προσέγγιση της, η έρευνα συμβάλλει στον επαναπροσδιορισμό της βιομηχανικής παραγωγής με επίκεντρο τον άνθρωπο.