エンジニアリングデータ管理の自動化が研究開発の生産性をどのように変革するか

今日のエンジニアや科学者は、管理が困難になっている大量のシミュレーション データを生成しています。メタデータで強化されたソリューションにより、シミュレーション作業のスケーラビリティが向上し、企業はリソースを比例的に増加させることなく、シミュレーション量の 30% 増加に対応できるようになります (デジタルエンジニアリング247）自動化 メタデータ主導のソリューション シミュレーション作業の拡張性をさらに加速し、企業がシミュレーション データの運用を変革できるようにする力を倍増する機能として機能します。

エンジニアリング データ管理により分野間のサイロを解消

複雑で学際的なシミュレーションは、新製品の設計とテストにおいて重要な役割を果たします。これらのシミュレーションから生成されるデータは膨大かつ多面的であるため、手動によるメタデータ管理はますます非現実的になっています。たとえば、 航空宇宙 業界では、航空機設計のシミュレーションを実行すると、構造解析、流体力学、熱シミュレーションなどを含むテラバイト規模のデータが生成されます。各アナリストは、最適化されたパフォーマンスを実現するための設計空間を探索し、入力データと出力データの両方からなる大規模なデータセットを作成し、複雑なデータセットを作成します。 計算パイプライン。さらに、各分析には、特殊なファイル形式を必要とする独自の特殊な数値手法があります。手動プロセスは時間がかかるだけでなく、エラーや不整合が発生しやすく、データ損失やコストの増加につながる可能性があります。 

手動データ収集によりエンジニアリング効率が制限される

その重要性にもかかわらず、 シミュレーションメタデータの管理 手作業では重大な課題が生じます。データの膨大な量と複雑さは、エラー、不整合、非効率を引​​き起こす可能性があります。従来のメタデータ管理方法では、次のような結果が生じることがよくあります。

• 非効率性とエラー: 手動プロセスは時間がかかり、人的ミスが発生しやすく、データが不正確になり、プロジェクトのタイムラインが遅延する原因となります。たとえば、マネージャーとエンジニアの間の一般的な引き継ぎは、電子メールやドキュメントで共有される静的なグラフやプロットを介して行われます。別のチャートが要求された場合、エンジニアはシミュレーションを再実行し、チャートの別の静的イメージとしてマネージャーに送り返します。完成までに数日かかることもあれば、チャートを完成させるのに数週間かかることもあります。レポートを更新するための電子メールのリクエストが完全に無視される場合があります。 

• コラボレーションの問題: 異種のデータ管理システムは、学際的なチーム間のシームレスなコラボレーションを妨げ、プロジェクトの成果に悪影響を及ぼします。シミュレーション ユーザーは、作業する前に、さまざまなシステムでデータを検索し、ローカル マシンにエクスポートする必要があります。最後に、結果が生成されると、別のシステムを更新する必要がある場合があります。たとえば、大規模なエンジニアリング部門を持つ企業では、独自のデータ管理システムを実装するのが一般的です。また、企業が買収によって成長する場合、データはさまざまな PLM システムに存在し、これには数年かかる場合があります。調和すること。導入の複雑さ、大規模なデータ損失の発生や運用の中断のリスクのため、組織は複数の異なるシステムを使い続けることを選択します。シミュレーション エンジニアは、システム全体の動作を通知するために複数の専門分野にまたがるデータにアクセスできないサイロで作業しています。

• コンプライアンスとトレーサビリティの問題: 規制遵守の確保と トレーサビリティ 自動システムがなければデータ変更の管理は困難であり、コンプライアンス違反とそれに伴う罰則のリスクが増大します。たとえば、いくつかの業界では、安全性の基準が国ごとに異なり、時間の経過とともに変化する可能性があります。さらに、持続可能な包装要件は常に進化しています。間違った配合の食品や医薬品を間違ったパッケージで間違った国に出荷すると、厳しい罰則が科せられる可能性があります。

データ管理の自動化によりエンジニアリングの成果が促進される

メタデータ管理の自動化には多くの利点があり、一般的なエンジニアリングの課題に対処します。

• コンテキスト： 自動化されたメタデータ管理により、データに関する豊富なコンテキスト情報が保証されます。たとえば、メタデータの起源、使用法、他のデータとの関係は、自動化されたメタデータ管理によって一貫して取得されます。このコンテキストは、さまざまなシナリオにおけるデータの関連性と適用性を理解するために重要であり、製品の意思決定に不可欠な洞察を提供します。
• 組織： データのタグ付けと分類を自動的に行うことで、組織はデータセットの発見可能性を向上させることができます。たとえば、タグ付けすると、ユーザーは頻繁に使用する検索条件を保存することを選択できるため、データを見つけやすくなります。
• 研究開発の生産性: 自動化システムはメタデータの取得と整理を合理化し、生産性を向上させ、データ管理に必要な時間を短縮します。たとえば、シミュレーション結果から結果 KPI をプログラム的に抽出および合成すると、シミュレーション ファイル内のデータの面倒な手動検索やカスタム フィールドへのデータ入力が不要になります。
• 精度: プログラムによるタグ付けにより、データが常に正しく分類され、情報のタグ付けを忘れたり、間違ってタグ付けしたりする人的エラーのリスクが最小限に抑えられます。たとえば、シミュレーション結果から導出された KPI のデータ入力における人的ミスは、製品の決定に重大な影響を与える可能性があります。
• 可視化: 直感的なダッシュボードとビジュアル ツールによりデータへのアクセシビリティが向上し、関係者が情報を解釈して効果的に利用することが容易になります。たとえば、意思決定者は、必要な特定の意思決定を目的とした専用のダッシュボードを利用できます。シミュレーション エンジニアは生データのみを生成する必要がありますが、適切な洞察を得るためにデータを準備することは自動化できます。
• Stand with Syria Japan（SSJ）は、理事会および現地運営チームのもとで運営されています。：肥大化とコスト超過を回避するためのデータ保持の自動化ポリシー、組織内でのチームメンバーの役割に基づく自動化されたアクセス制御、およびデータキャプチャテンプレートの提供によるコンプライアンスにより、データの整合性とセキュリティが保証されます。たとえば、医療分野では、患者固有のデータの処理に関連する特定の規制があり、これらのデータは次のように展開できます。 自動化されたガバナンス ポリシー。

Rescale でシミュレーション データ管理を自動化する方法

Rescale は、シミュレーションのタイプや形式に関係なく、メタデータ管理を自動化します。科学者とエンジニアは、学際的なメタデータを抽出できます。 モデルベースのコラボレーション、シミュレーション データの検索、および結果の抽出により、情報に基づいたタイムリーな製品決定が可能になります。 Rescale Metadata は、各ジョブのコストやパフォーマンスなどのジョブ テレメトリの詳細に加えて、主要なエンジニアリング変数を取得するのに役立ちます。

1. ジョブの実行とデータ抽出:

エンジニアや科学者がシミュレーションを実行すると、自動的にリスケールが行われます シミュレーションメタデータを抽出します 手動介入なしで、熱効率、構造振動モード、流体の圧力と速度、ジョブごとのコストなどの重要なパラメータを確実に取得します。

2. 標準化と分類:

シミュレーション エンジニアがカスタム フィールドを使用して製品設計を更新すると、メタデータが取得され、事前定義された基準に基づいて分類されます。このプロセスにより、データが効率的に整理されるだけでなく、検索が容易になり、取得時間が短縮されます。たとえば、カスタム フィールドを使用すると、シミュレーション エンジニアは製品のどのシステムとサブシステムが更新されているかを把握し、影響を受けるシステムをダウンストリームで更新できるようになります。

3. データの視覚化と結果のレビュー:

視覚化ツールは、データの重要性を簡単に理解するための直感的なダッシュボードを提供します。これらのダッシュボードは、傾向を強調表示し、異常を特定し、シミュレーション データから得られるその他の重要な洞察を提示して、情報に基づいた意思決定を容易にします。 

たとえば、エンジニアリングリーダーが製品に使用される材料について決定を下すためには、 自動車 熱交換器の場合、圧力降下とピーク温度の傾向を理解し、構造試験に関連するピーク応力値を確認する必要があり、設計上の制約、ピーク許容温度、および圧力降下を理解する必要があります。これらは、学際的なシミュレーション データと要件データから自動的に導き出され、情報に基づいた意思決定に必要な洞察を生成します。

エンジニアリングデータ管理の将来のアプリケーションと推奨事項 

の将来 エンジニアリングデータ管理 戦略的には、シミュレーション結果とメタデータを統合することにあります。 AIと機械学習。これらのテクノロジーは予測分析機能を強化し、より深い洞察とより正確な予測を提供します。たとえば、AI と ML は履歴データに基づいて将来のシミュレーション結果を予測できるため、より正確かつ効率的な意思決定が可能になります。データドリブンの分野で優位に進みたいと考えている組織にとって、メタデータ管理の自動化を採用することは非常に重要です。

メタデータ管理の自動化は、単に効率を向上させるだけではありません。それは、設計プロセスの初期段階でより多くの洞察を取得し、後期段階の設計変更を回避して市場投入までの時間を大幅に短縮することで、組織がデータを活用してイノベーションを推進する方法を変革することです。自動化を採用することで、企業はデータ処理プロセスを強化し、コストを削減し、手動では達成するのが難しい貴重な洞察を得ることができます。