Les ingénieurs et les scientifiques génèrent aujourd’hui des quantités massives de données de simulation qui deviennent difficiles à gérer. Les solutions améliorées par les métadonnées permettent une meilleure évolutivité des efforts de simulation, permettant aux entreprises de gérer une augmentation de 30 % du volume de simulation sans augmentation proportionnelle des ressources​ (Ingénierie numérique247)​. automatique solutions basées sur les métadonnées accélérer encore l'évolutivité des efforts de simulation, agissant comme un multiplicateur de force permettant aux entreprises de transformer leurs opérations de données de simulation.

La gestion des données d’ingénierie brise les silos entre les disciplines

Les simulations complexes et multidisciplinaires jouent un rôle crucial dans la conception et le test de nouveaux produits. Les données générées à partir de ces simulations sont massives et multiformes, ce qui rend la gestion manuelle des métadonnées de moins en moins pratique. Par exemple, dans le aérospatial Dans l'industrie, l'exécution de simulations pour la conception d'avions génère des téraoctets de données qui incluent l'analyse structurelle, la dynamique des fluides, les simulations thermiques et bien plus encore. Chaque analyste explore l'espace de conception pour optimiser les performances en créant des ensembles de données massifs de données d'entrée et de sortie et des données complexes. pipelines informatiques. De plus, chaque analyse possède ses propres méthodes numériques spécialisées nécessitant des formats de fichiers spécialisés. Les processus manuels sont non seulement chronophages, mais également sujets à des erreurs et des incohérences, entraînant une perte potentielle de données et une augmentation des coûts. 

La capture manuelle des données limite l’efficacité de l’ingénierie

Malgré son importance, gestion des métadonnées de simulation manuellement pose des défis importants. Le volume et la complexité des données peuvent entraîner des erreurs, des incohérences et des inefficacités. Les méthodes traditionnelles de gestion des métadonnées aboutissent souvent à :

• Inefficacité et erreurs: Les processus manuels prennent du temps et sont sujets aux erreurs humaines, ce qui entraîne des données inexactes et des retards dans les délais des projets. Par exemple, les transferts typiques entre les managers et les ingénieurs se produisent via des e-mails et des graphiques/tracés statiques partagés dans des documents. Si un graphique différent est demandé, l'ingénieur réexécute la simulation et la renvoie au responsable sous la forme d'une image statique différente d'un graphique. Cela prend parfois des jours pour accomplir et des semaines pour finaliser le tableau. Parfois, les demandes envoyées par courrier électronique pour mettre à jour un rapport sont complètement manquées. 

• Problèmes de collaboration: Des systèmes de gestion de données disparates entravent une collaboration transparente entre les équipes interdisciplinaires, ce qui a un impact négatif sur les résultats des projets. Les utilisateurs de simulation doivent rechercher des données dans différents systèmes, les exporter vers leurs machines locales avant de pouvoir travailler dessus. Enfin, lorsque les résultats sont générés, ils peuvent devoir mettre à jour différents systèmes. Par exemple, il est courant que les entreprises dotées de grandes divisions d'ingénierie mettent en œuvre leurs propres systèmes de gestion de données ou lorsque les entreprises se développent par acquisition, les données existent dans une variété de systèmes PLM, ce qui peut prendre des années. pour harmoniser. En raison de la complexité du déploiement, des risques de perte de données majeure ou de perturbations des opérations, les organisations choisissent de continuer à utiliser plusieurs systèmes disparates. Les ingénieurs en simulation travaillent en silos, incapables d'accéder aux données multidisciplinaires pour éclairer le comportement global des systèmes.

• Problèmes de conformité et de traçabilité: Assurer la conformité réglementaire et traçabilité de la gestion des modifications de données est difficile sans systèmes automatisés, ce qui augmente le risque de non-conformité et les sanctions associées. Par exemple, dans plusieurs secteurs, les normes de sécurité sont différentes selon les pays et peuvent changer au fil du temps. De plus, les exigences en matière d’emballage durable évoluent constamment. L’expédition d’une mauvaise formulation d’aliment ou de médicament, dans le mauvais emballage vers le mauvais pays, peut entraîner de lourdes sanctions.

L'automatisation de la gestion des données génère des résultats d'ingénierie

L'automatisation de la gestion des métadonnées offre de nombreux avantages, répondant aux défis d'ingénierie courants :

• Contexte: La gestion automatisée des métadonnées garantit des informations contextuelles riches sur les données. Par exemple, leur origine, leur utilisation et leurs relations avec d'autres données sont systématiquement capturées grâce à la gestion automatisée des métadonnées. Ce contexte est essentiel pour comprendre la pertinence et l'applicabilité des données dans divers scénarios, fournissant ainsi des informations essentielles aux décisions relatives aux produits.
• Organisation: En balisant et en catégorisant automatiquement les données, les organisations peuvent améliorer la visibilité de leurs ensembles de données. Par exemple, une fois identifiés, les utilisateurs peuvent choisir d'enregistrer les critères de recherche fréquemment utilisés, ce qui facilite la recherche de leurs données.
• Productivité R&D: Les systèmes automatisés rationalisent la capture et l'organisation des métadonnées, augmentant ainsi la productivité et réduisant le temps nécessaire à la gestion des données. Par exemple, l'extraction et la synthèse programmatiques des résultats KPI à partir des résultats de simulation évitent la lourde recherche manuelle des données dans les fichiers de simulation et la saisie des données dans des champs personnalisés.
• Exactitude: le balisage programmatique garantit que les données sont toujours catégorisées correctement, minimisant ainsi le risque d'erreur humaine telle que l'oubli de baliser les informations ou leur balisage incorrect. Par exemple, une erreur humaine lors de la saisie des données des KPI dérivés des résultats de simulation peut avoir de graves conséquences sur les décisions relatives aux produits.
• Visualisation: Des tableaux de bord intuitifs et des outils visuels améliorent l'accessibilité des données, permettant aux parties prenantes d'interpréter et d'utiliser plus facilement les informations de manière efficace. Par exemple, les décideurs peuvent utiliser des tableaux de bord spécialisés destinés aux décisions spécifiques qu'ils doivent prendre. L'ingénieur en simulation doit générer uniquement les données brutes, mais la préparation des données pour obtenir les informations appropriées peut être automatisée.
• Gouvernance: Des politiques automatisées de conservation des données pour éviter les surcharges et les dépassements de coûts, un contrôle d'accès automatisé basé sur le rôle du membre de l'équipe dans l'organisation et la conformité en fournissant des modèles de capture de données garantissent l'intégrité et la sécurité des données. Par exemple, dans le domaine de la santé, il existe des réglementations spécifiques liées au traitement des données spécifiques aux patients qui peuvent être déployées en tant que gouvernance automatisée politiques.

Comment automatiser la gestion des données de simulation lors du rescale

Rescale automatise la gestion des métadonnées quel que soit le type ou le format de simulation. Les scientifiques et les ingénieurs sont capables d'extraire des métadonnées à des fins multidisciplinaires collaboration basée sur un modèle, la recherche de données de simulation et l'extraction de résultats pour des décisions de produits éclairées et opportunes. Les métadonnées de rescale sont utiles pour capturer les variables d'ingénierie clés en plus des détails de télémétrie des tâches, tels que le coût et les performances de chaque tâche.

1. Exécution des tâches et extraction de données :

Pendant que les ingénieurs et les scientifiques effectuent leurs simulations, Rescale automatiquement extrait les métadonnées de simulation sans intervention manuelle, garantissant que les paramètres critiques sont capturés, tels que l'efficacité thermique, les modes de vibration structurelle, la pression et la vitesse du fluide et les coûts par tâche.

2. Normalisation et catégorisation :

À mesure que les ingénieurs en simulation mettent à jour les conceptions de produits à l'aide de champs personnalisés, les métadonnées sont capturées et classées en fonction de critères prédéfinis. Ce processus organise non seulement les données de manière efficace, mais les rend également facilement consultables, améliorant ainsi les temps de récupération. Par exemple, grâce aux champs personnalisés, les ingénieurs de simulation peuvent capturer quels systèmes et sous-systèmes du produit sont mis à jour, permettant ainsi des mises à jour en aval des systèmes concernés.

3. Visualisation des données et examen des résultats :

Les outils de visualisation proposent des tableaux de bord intuitifs pour comprendre facilement l'importance des données. Ces tableaux de bord mettent en évidence les tendances, identifient les anomalies et présentent d'autres informations critiques dérivées des données de simulation, facilitant ainsi une prise de décision éclairée. 

Par exemple, pour qu'un responsable technique puisse prendre une décision concernant le matériau utilisé dans un automobile échangeur de chaleur, ils doivent comprendre la tendance entre la chute de pression et la température maximale, ils doivent voir les valeurs de contrainte maximale associées aux tests structurels, et ils doivent comprendre les contraintes de conception, les températures maximales admissibles et la chute de pression. Celles-ci peuvent être automatiquement dérivées de données de simulation multidisciplinaires et de données sur les exigences, générant ainsi les informations nécessaires à une décision éclairée.

Applications futures et recommandations pour la gestion des données d'ingénierie 

Magasinage de gestion des données d'ingénierie réside stratégiquement dans l’intégration des résultats de simulation et des métadonnées avec IA et apprentissage automatique. Ces technologies peuvent améliorer les capacités d’analyse prédictive, en fournissant des informations plus approfondies et des prédictions plus précises. Par exemple, l’IA et le ML peuvent prédire les résultats futurs des simulations sur la base de données historiques, permettant ainsi une prise de décision plus précise et plus efficace. Pour les organisations qui cherchent à garder une longueur d’avance dans le paysage axé sur les données, il est crucial d’adopter l’automatisation de la gestion des métadonnées.

L'automatisation de la gestion des métadonnées ne consiste pas seulement à améliorer l'efficacité ; il s'agit de transformer la manière dont les organisations exploitent leurs données pour stimuler l'innovation en capturant davantage d'informations dès le début du processus de conception et en réduisant considérablement les délais de mise sur le marché en évitant les modifications de conception tardives. En adoptant l'automatisation, les entreprises peuvent améliorer leurs processus de traitement des données, réduire les coûts et obtenir des informations précieuses qui seraient difficiles à obtenir manuellement.