Ingenieure und Wissenschaftler generieren heutzutage riesige Mengen an Simulationsdaten, deren Verwaltung zunehmend schwieriger wird. Metadatenbasierte Lösungen ermöglichen eine bessere Skalierbarkeit der Simulationsbemühungen. So können Unternehmen eine Steigerung des Simulationsvolumens um 30 % bewältigen, ohne dass die Ressourcen entsprechend erhöht werden müssen.Digital Engineering247). Automatisiert Metadatengesteuerte Lösungen die Skalierbarkeit von Simulationsbemühungen weiter beschleunigen und als Kraftmultiplikator wirken, der es Unternehmen ermöglicht, ihre Simulationsdatenvorgänge umzuwandeln.

Engineering-Datenmanagement bricht Silos zwischen Disziplinen auf

Komplexe, multidisziplinäre Simulationen spielen eine entscheidende Rolle bei der Entwicklung und Erprobung neuer Produkte. Die aus diesen Simulationen generierten Daten sind umfangreich und vielfältig, was die manuelle Metadatenverwaltung zunehmend unpraktisch macht. So zum Beispiel in der Luft-und Raumfahrt In der Flugzeugindustrie werden bei der Simulation von Flugzeugkonstruktionen Terabytes an Daten generiert, darunter Strukturanalysen, Strömungsdynamik, thermische Simulationen und mehr. Jeder Analyst erkundet den Konstruktionsraum für eine optimierte Leistung und erstellt dabei riesige Datensätze mit Eingabe- und Ausgabedaten sowie komplexe RechenpipelinesDarüber hinaus verfügt jede Analyse über eigene, spezielle numerische Methoden, die spezielle Dateiformate erfordern. Manuelle Prozesse sind nicht nur zeitaufwändig, sondern auch fehleranfällig und inkonsistent, was zu potenziellem Datenverlust und erhöhten Kosten führen kann. 

Manuelle Datenerfassung schränkt die Engineering-Effizienz ein

Trotz seiner Bedeutung Verwalten von Simulationsmetadaten Die manuelle Verwaltung stellt erhebliche Herausforderungen dar. Das enorme Volumen und die Komplexität der Daten können zu Fehlern, Inkonsistenzen und Ineffizienzen führen. Herkömmliche Methoden der Metadatenverwaltung führen häufig zu:

• Ineffizienz und FehlerManuelle Prozesse sind zeitaufwändig und anfällig für menschliche Fehler, was zu ungenauen Daten und Verzögerungen im Projektablauf führt. Beispielsweise erfolgt die Übergabe zwischen Managern und Ingenieuren typischerweise per E-Mail und über statische Diagramme/Plots, die in Dokumenten geteilt werden. Wird ein anderes Diagramm angefordert, führt der Ingenieur die Simulation erneut aus und sendet sie als anderes statisches Diagrammbild an den Manager zurück. Manchmal dauert es Tage, bis das Diagramm fertiggestellt ist, und Wochen, bis es fertiggestellt ist. Manchmal werden in E-Mails angeforderte Aktualisierungen eines Berichts gar nicht erst durchgeführt. 

• Probleme bei der Zusammenarbeit: Unterschiedliche Datenverwaltungssysteme behindern die reibungslose Zusammenarbeit interdisziplinärer Teams und wirken sich negativ auf die Projektergebnisse aus. Simulationsbenutzer müssen in verschiedenen Systemen nach Daten suchen und diese auf ihre lokalen Rechner exportieren, bevor sie damit arbeiten können. Wenn schließlich Ergebnisse vorliegen, müssen sie unter Umständen verschiedene Systeme aktualisieren. Beispielsweise ist es für Unternehmen mit großen Entwicklungsabteilungen üblich, ihre eigenen Datenverwaltungssysteme zu implementieren, oder wenn Unternehmen durch Akquisitionen wachsen, liegen die Daten in einer Vielzahl von PLM-Systemen vor, deren Harmonisierung Jahre dauern kann. Aufgrund der Komplexität der Bereitstellung, des Risikos größerer Datenverluste oder Betriebsstörungen entscheiden sich Unternehmen dafür, weiterhin mehrere unterschiedliche Systeme zu verwenden. Simulationsingenieure arbeiten in Silos und haben keinen Zugriff auf multidisziplinäre Daten, um das Verhalten des Gesamtsystems zu steuern.

• Compliance- und Rückverfolgbarkeitsprobleme: Sicherstellung der Einhaltung gesetzlicher Vorschriften und Rückverfolgbarkeit Die Überwachung von Datenänderungen ist ohne automatisierte Systeme schwierig, was das Risiko von Verstößen und damit verbundenen Strafen erhöht. Beispielsweise gelten in verschiedenen Branchen länderspezifische Sicherheitsstandards, die sich im Laufe der Zeit ändern können. Darüber hinaus entwickeln sich die Anforderungen an nachhaltige Verpackungen ständig weiter. Der Versand falsch formulierter Lebensmittel oder Medikamente in der falschen Verpackung in das falsche Land kann empfindliche Strafen nach sich ziehen.

Automatisiertes Datenmanagement steigert die Engineering-Ergebnisse

Die Automatisierung der Metadatenverwaltung bietet zahlreiche Vorteile und bewältigt gängige technische Herausforderungen:

• Hintergrund: Automatisiertes Metadatenmanagement gewährleistet umfassende Kontextinformationen zu Daten. So werden beispielsweise Herkunft, Verwendung und Beziehungen zu anderen Daten durch automatisiertes Metadatenmanagement konsistent erfasst. Dieser Kontext ist entscheidend für das Verständnis der Relevanz und Anwendbarkeit der Daten in verschiedenen Szenarien und liefert wichtige Erkenntnisse für Produktentscheidungen.
• Organisation: Durch die automatische Kennzeichnung und Kategorisierung von Daten können Unternehmen die Auffindbarkeit ihrer Datensätze verbessern. Beispielsweise können markierte Benutzer häufig verwendete Suchkriterien speichern, um ihre Daten leichter zu finden.
• F&E-ProduktivitätAutomatisierte Systeme optimieren die Erfassung und Organisation von Metadaten, steigern die Produktivität und reduzieren den Zeitaufwand für die Datenverwaltung. Beispielsweise vermeidet die programmgesteuerte Extraktion und Synthese von Ergebnis-KPIs aus Simulationsergebnissen die mühsame manuelle Suche nach Daten in Simulationsdateien und die Dateneingabe in benutzerdefinierte Felder.
• Genauigkeit: Programmatisches Tagging stellt sicher, dass Daten immer korrekt kategorisiert werden. Dadurch wird das Risiko menschlicher Fehler, wie z. B. das Vergessen oder falsche Taggen von Informationen, minimiert. Beispielsweise können menschliche Fehler bei der Dateneingabe von KPIs, die aus Simulationsergebnissen abgeleitet wurden, schwerwiegende Folgen für Produktentscheidungen haben.
• Visualisierung: Intuitive Dashboards und visuelle Tools verbessern die Datenverfügbarkeit und erleichtern Stakeholdern die Interpretation und effektive Nutzung der Informationen. Entscheidungsträger können beispielsweise spezielle Dashboards für die jeweiligen Entscheidungen nutzen. Der Simulationsingenieur muss lediglich die Rohdaten generieren, die Aufbereitung der Daten für die richtigen Erkenntnisse kann jedoch automatisiert werden.
• Governance: Automatisierte Richtlinien zur Datenaufbewahrung zur Vermeidung von Datenüberlastung und Kostenüberschreitungen, automatisierte Zugriffskontrolle basierend auf der Rolle des Teammitglieds im Unternehmen und Compliance durch die Bereitstellung von Datenerfassungsvorlagen gewährleisten Datenintegrität und -sicherheit. Im Gesundheitswesen gibt es beispielsweise spezifische Vorschriften für den Umgang mit patientenspezifischen Daten, die wie folgt eingesetzt werden können: Automatisierte Governance Politik.

So automatisieren Sie die Simulationsdatenverwaltung bei Rescale

Rescale automatisiert die Metadatenverwaltung unabhängig von Simulationstyp oder -format. Wissenschaftler und Ingenieure können Metadaten für multidisziplinäre modellbasierte Zusammenarbeit, Simulationsdatensuche und Ergebnisextraktion für fundierte und zeitnahe Produktentscheidungen. Rescale-Metadaten sind wertvoll, um neben Job-Telemetriedetails wie Kosten und Leistung jedes Jobs auch wichtige technische Variablen zu erfassen.

1. Auftragsausführung und Datenextraktion:

Während Ingenieure und Wissenschaftler ihre Simulationen durchführen, skaliert Rescale automatisch extrahiert Simulationsmetadaten ohne manuelles Eingreifen, wodurch sichergestellt wird, dass kritische Parameter erfasst werden, wie etwa Wärmeeffizienz, strukturelle Schwingungsmodi, Flüssigkeitsdruck und -geschwindigkeit sowie Kosten pro Auftrag.

2. Standardisierung und Kategorisierung:

Wenn Simulationsingenieure Produktdesigns aktualisieren, werden Metadaten mithilfe benutzerdefinierter Felder erfasst und anhand vordefinierter Kriterien kategorisiert. Dieser Prozess organisiert die Daten nicht nur effizient, sondern macht sie auch leicht durchsuchbar, was die Abrufzeiten verkürzt. Mithilfe benutzerdefinierter Felder können Simulationsingenieure beispielsweise erfassen, welches System und Subsystem des Produkts aktualisiert wird, und so spätere Aktualisierungen der betroffenen Systeme ermöglichen.

3. Datenvisualisierung und Ergebnisüberprüfung:

Visualisierungstools bieten intuitive Dashboards, um die Bedeutung der Daten leicht zu verstehen. Diese Dashboards heben Trends hervor, identifizieren Anomalien und präsentieren weitere wichtige Erkenntnisse aus den Simulationsdaten, was eine fundierte Entscheidungsfindung erleichtert. 

Um beispielsweise eine Entscheidung über das in einem Automobilindustrie Wärmetauscher müssen sie den Trend des Druckabfalls im Vergleich zur Spitzentemperatur verstehen, sie müssen die Spitzenspannungswerte im Zusammenhang mit Strukturtests kennen und sie müssen die Konstruktionsbeschränkungen, die zulässigen Spitzentemperaturen und den Druckabfall verstehen. Diese können automatisch aus multidisziplinären Simulationsdaten und Anforderungsdaten abgeleitet werden und liefern die Erkenntnisse, die für eine fundierte Entscheidung erforderlich sind.

Zukünftige Anwendungen und Empfehlungen für das Engineering-Datenmanagement 

Die Zukunft von Engineering-Datenmanagement strategisch liegt in der Integration von Simulationsergebnissen und Metadaten mit KI und maschinelles LernenDiese Technologien können die prädiktiven Analysefunktionen verbessern und tiefere Einblicke sowie genauere Vorhersagen ermöglichen. Beispielsweise können KI und ML zukünftige Simulationsergebnisse auf Basis historischer Daten vorhersagen und so präzisere und effizientere Entscheidungen ermöglichen. Für Unternehmen, die in der datengesteuerten Landschaft die Nase vorn behalten wollen, ist die Automatisierung des Metadatenmanagements von entscheidender Bedeutung.

Bei der Automatisierung des Metadatenmanagements geht es nicht nur um Effizienzsteigerungen. Vielmehr geht es darum, die Art und Weise zu verändern, wie Unternehmen ihre Daten nutzen, um Innovationen voranzutreiben. Dies geschieht durch die frühzeitige Erfassung von Erkenntnissen im Designprozess und die drastische Verkürzung der Markteinführungszeit durch die Vermeidung von Designänderungen in der späten Phase. Durch Automatisierung können Unternehmen ihre Datenverarbeitungsprozesse verbessern, Kosten senken und wertvolle Erkenntnisse gewinnen, die manuell nur schwer zu gewinnen wären.