Comment intégrer l'acquisition de données avec le logiciel de simulation d'ingénierie

Présentation

La simulation technique est depuis longtemps la pierre angulaire du développement des produits, permettant aux équipes de modéliser des phénomènes physiques, de prévoir les performances et de réduire le besoin de prototypes physiques coûteux. Cependant, la précision de toute simulation dépend de la qualité de ses intrants.Les simulations traditionnelles reposent sur des conditions et des hypothèses de limites idéales qui ne reflètent pas la variabilité réelle du monde.En intégrant l'acquisition de données (DAQ) avec un logiciel de simulation, les ingénieurs peuvent alimenter les mesures de capteurs réelles dans leurs modèles, créant des simulations basées sur des données qui sont plus fiables et plus réalisables.

L'acquisition de données capte les signaux physiques en temps réel, tels que la température, la pression, les vibrations, les contraintes et le débit, des instruments attachés aux actifs physiques. Le logiciel de simulation technique utilise ensuite ces signaux pour calibrer, valider ou piloter ses modèles de calcul. Il en résulte une boucle de rétroaction plus étroite entre le monde numérique et le monde physique, permettant aux ingénieurs d'identifier les défauts de conception plus tôt, d'optimiser les performances et d'accélérer le délai de mise en marché.

Comprendre le logiciel d'acquisition de données et de simulation technique

Qu'est-ce que l'acquisition de données?

L'acquisition de données est le processus d'échantillonnage des signaux du monde réel et de les convertir en valeurs numériques. Un système DAQ typique comprend des capteurs, du matériel de conditionnement des signaux, un convertisseur analogique-numérique (ADC) et un logiciel de l'enregistrement et de l'analyse. Les types de capteurs courants comprennent des thermocouples, des détecteurs de température de résistance (RTD), des accéléromètres piézoélectriques, des jauges de contrainte et des capteurs de pression.

Qu'est-ce que le logiciel de simulation d'ingénierie?

La simulation technique comprend une gamme de techniques de calcul : analyse des éléments finis (FEA), dynamique des fluides informatiques (CFD), dynamique multicorps et simulation de champ électromagnétique.Les plateformes principales comprennent l'ANSYS, la multiphysique COMSOL, Abaqus, Altair HyperWorks et Simcenter. Ces outils résolvent les équations différentielles partielles pour prédire la distribution du stress, le débit des fluides, le transfert de chaleur, etc. Lorsque des mesures du monde réel sont utilisées comme intrants (conditions limites, propriétés des matériaux, charges), la puissance prédictive de la simulation augmente considérablement.

Pourquoi l'intégration est importante

L'intégration de la DAQ à la simulation permet de combler l'écart entre les tests virtuels et physiques. Les ingénieurs peuvent valider les résultats de simulation par rapport aux mesures réelles (validation) et utiliser les données réelles pour mettre à jour les modèles en temps réel (modélisation et jumelage numérique).

Étapes pour intégrer l'acquisition de données avec le logiciel de simulation

Étape 1: Identifier et caractériser les sources de données

Commencez par définir les quantités physiques que vous devez mesurer et où placer les capteurs. Travaillez en étroite collaboration avec les ingénieurs d'essai pour s'assurer que les mesures sont représentatives des conditions limites de la simulation. Par exemple, lorsque vous simulez une lame de turbines, vous pouvez mesurer les températures de surface à plusieurs points à l'aide de thermocouples.

Étape 2: Choisissez le matériel DAQ compatible

Sélectionnez le matériel d'acquisition de données qui peut s'interfacer avec vos capteurs et soutenir les protocoles de communication compatibles avec votre écosystème de simulation.

Types d'entrée: tension analogique, courant, thermocouple, IEPE, déformation, achèvement du pont.
Vitesse d'échantillonnage:[ de quelques Hz pour les processus thermiques lents à MHz pour l'analyse de vibrations ou acoustique.
Résolution: typiquement des CAA de 16 bits ou 24 bits; une résolution plus élevée réduit l'erreur de quantification.
Communication: USB, Ethernet (TCP/IP, UDP), PCIe, sans fil (Wi-Fi, Zigbee, Bluetooth), ou bus de terrain dédié (CAN, Modbus, EtherCAT).

Des plateformes comme National Instruments (NI) DAQ devices, Measurement Computing et DEWETRON offrent une large compatibilité. Assurez-vous que votre matériel choisi a des pilotes pour votre logiciel de simulation et d'analyse.

Étape 3 : Établir une architecture de communication des données fiable

Pour les applications critiques dans le temps (p. ex., essais de soufflerie avec validation CFD), prioriser les protocoles déterministes à faible latence comme les interfaces EtherCAT ou mémoire partagée. Pour les applications non en temps réel, TCP/IP avec tampon et horodatage peut être suffisant.

Connexion directe:[ USB ou PCIe du matériel DAQ à un ordinateur dédié exécutant à la fois le logiciel DAQ et le logiciel de simulation.
Configuration réseau:[ Matériel DAQ sur un réseau local en streaming de données vers un serveur ou un poste de travail via des scripts LabVIEW ou Python personnalisés.
Les périphériques Edge préprocédent et téléchargent les données du capteur dans un dépôt cloud, où la simulation l'ingère via des API.

Étape 4: Configurer le logiciel d'acquisition de données pour l'exportation

La couche DAQ (p. ex., NI LabVIEW, MATLAB Data Acquisition Toolbox, Python avec ou ) doit formater les données pour faciliter l'ingestion par des outils de simulation.

Écrire des données dans des formats neutres tels que les fichiers HDF5, CSV, TDMS ou MAT.
Ajouter des horodatages et des métadonnées (ID du capteur, paramètres d'étalonnage, unités) pour assurer la traçabilité.
Implémenter le prélèvement ou la moyenne à l'intérieur du logiciel DAQ pour réduire la taille du fichier tout en préservant les caractéristiques clés.
Utiliser des scripts qui déclenchent automatiquement une simulation une fois qu'un lot de données est collecté.

Étape 5 : Importer les données dans l'environnement de simulation

Les plateformes de simulation offrent différents mécanismes d'importation:

Importation manuelle:[ Utiliser des dialogues GUI pour sélectionner les fichiers et les colonnes de carte aux conditions limites.
Importation en script (API) :[ Utiliser Python, MATLAB ou le langage de conception paramétrique d'ANSYS (APDL) pour charger les données de façon programmatique.
En streaming direct via intergiciel: Des solutions comme Directus peuvent agir comme un moteur de données, agréger les flux de capteurs et fournir une API REST pour les applications de simulation pour tirer des données en temps réel.

Pour les simulations dynamiques (p. ex., réponse thermique transitoire ou réponse de fréquence), la structure temporelle des données doit être préservée – importer des séries chronologiques et les assigner comme charges ou profils de limites dépendants du temps.

Étape 6 : Valider et itérer

Après avoir importé des données, effectuer la simulation et comparer les sorties (contrainte, température, vitesse) aux données expérimentales qui n'ont pas été utilisées comme données d'entrée (si disponibles).Utiliser des mesures de divergence pour affiner les paramètres du modèle (propriétés du matériau, coefficients d'amortissement) par une analyse inverse.Ce processus itératif – souvent appelé module update – est le cœur de la validation de la simulation.

Meilleures pratiques pour une intégration efficace

Validation et nettoyage des données

Les données brutes de la DAQ contiennent souvent du bruit, des valeurs aberrantes, des dérives ou des échantillons manquants. Appliquer des techniques de filtrage (moving moyen, filtre médian, dénigrement d'onde) et des contrôles de la santé avant de donner des données à des simulations.

Automatisation du pipeline de données

Le transfert manuel des données est sujet à erreur. Automatisez le workflow en utilisant:

Acquisition et exportation de données en script (p. ex., un script Python fonctionnant sur un ordinateur DAQ qui extrait périodiquement des données, convertit le format et les téléverse vers un dossier partagé).
Moteurs de flux de travail tels qu'Apache NiFi, Node-RED ou modèles MATLAB/Simulink qui relient les sources de données aux solveurs de simulation.
Des travaux de simulation containerized qui écoutent de nouvelles données sur un bus de message (MQTT, RabbitMQ) et lancent automatiquement.

Surveillance et rétroaction en temps réel

Pour les applications telles que les tests de matériel dans la boucle (HIL) ou les jumelles numériques, l'intégration en temps réel est essentielle. Utilisez des systèmes d'exploitation dédiés en temps réel (RTOS) et des équipements DAQ à grande vitesse pour fermer la boucle. Le logiciel de simulation doit prendre en charge un mode d'entrée en continu (p. ex., Simulink Desktop Real-Time, NI VeriStand).

Documentation complète

Tenir un document en direct qui enregistre :

Emplacements du capteur, dates d'étalonnage et spécifications de précision.
Configuration matérielle de la DAQ (gain, paramètres du filtre, débit d'échantillonnage).
Étapes de transformation des données et de conversion des unités.
Version du logiciel de simulation et des paramètres du solveur.
Toute correction manuelle ou suppression aberrante.

Une documentation approfondie assure la reproductibilité et simplifie les audits dans les industries réglementées (ISO 9001, AS9100, FDA 21 CFR, partie 11).

Défis dans l'intégration de la DAQ à la simulation

Synchronisation des données et alignement des temps

Les systèmes DAQ et les solveurs de simulation fonctionnent souvent sur différentes horloges. Sans synchronisation en temps voulu, les simulations transitoires peuvent fausser l'alignement des données d'entrée avec la chronologie de simulation. Utilisez les signaux GPS PPS IEEE 1588 (Precision Time Protocol) ou le matériel d'amplificateur dédié pour assurer la précision de sous-milliseconde.

Traitement des volumes importants de données

Le stockage, le déplacement et le prétraitement de ces gros ensembles de données échappent à l'infrastructure informatique. Implémenter le traitement des bords (p. ex., calculer les FFT sur l'ordinateur DAQ) pour réduire la taille des données avant la transmission ou utiliser des formats binaires efficaces comme HDF5 avec compression en morceaux.

Latence et débits de gaz

Dans les applications en temps réel en boucle fermée, tout retard dans le transfert de données peut déstabiliser le système. Repérer l'ensemble du pipeline (DAQ -> réseau -> solveur de simulation -> actionneur) pour vérifier que la latence de bout en bout répond aux exigences de la boucle de commande.

Compatibilité entre les écosystèmes logiciels

Les outils de simulation de différents fournisseurs peuvent ne pas accepter nativement tous les formats de fichiers DAQ. Utilisez des plateformes intermédiaires qui offrent de vastes capacités d'importation/exportation, comme MATLAB, Python avec et , ou des logiciels intermédiaires comme Directus qui peuvent normaliser les schémas de données et fournir une API unifiée.

Outils et plateformes pour l'intégration sans soudure

L'acquisition de données Frontends

NI LabVIEW + DAQmx: Un écosystème mature pour une logique DAQ personnalisée, avec exportation intégrée au TDMS et au CSV. LabVIEW peut également communiquer avec un logiciel de simulation via .NET ou ActiveX.
MATLAB Data Acquisition Toolbox: Permet la configuration du matériel DAQ directement à partir de MATLAB, et les données acquises peuvent être écrites dans des fichiers ou des tableaux MAT qui alimentent les modèles Simulink.
Python (pylab, nidaqmx, pydaqmx):[ Solution de remplacement open-source pour le prototypage rapide; facile à intégrer avec les scripts de simulation en utilisant NumPy/SciPy.

Plateformes de simulation d'ingénierie

ANSYS Workbench: Prend en charge l'importation de données externes via les tables de conditions de bordure, les personnalisations ACT et le script Python. Peut appeler les scripts MATLAB pour le pré-traitement.
COMSOL Multiphysique:[ Offre -LiveLink-- pour MATLAB et Excel, et peut importer des fonctions d'interpolation à partir de fichiers texte ou d'API.
Simcenter 3D (Siemens): Intégre avec le matériel DAQ de Simcenter SCADAS pour l'importation directe de données.
Altair HyperWorks: supporte les importations de .m et de .txt, et possède une API Python pour le traitement par lots.

Middleware & Data Orchestration

Des outils comme Directus[ peuvent servir de centre de données CMS/qui collecte des données de mesure à partir de plusieurs flux DAQ, les enrichit de métadonnées et les expose via une API REST aux scripts de simulation ou applications web. Cette couche d'abstraction découple l'acquisition de données des solveurs de simulation, simplifie l'intégration entre les équipes et les chaînes d'outils. D'autres options de middleware incluent InfluxDB pour les données de séries temporelles et Node-RED pour l'automatisation de codes bas.

Exemples d'intégrations dans le monde réel

Automobile : Essais dans un tunnel éolien et validation de CFD

Un OEM automobile place des robinets de pression et des anémomètres à fil chaud sur un véhicule à grande échelle à l'intérieur d'un tunnel à vent. Le système DAQ s'échantillonne à 1000 Hz, diffuse les données sur EtherCAT sur un PC hôte, qui se connecte aux fichiers TDMS. Un script post-traitement dans Python nettoie les données et les écrit dans un format lisible par Ansys Fluent. Les distributions de pression de surface mesurées sont appliquées comme conditions limites pour un modèle CFD de même géométrie. En comparant les coefficients de traînée simulés aux valeurs mesurées, l'équipe valide le modèle de turbulence et ajuste les paramètres de mesh en conséquence.

Aéronautique : Surveillance de la santé structurelle avec les jumeaux numériques

Un constructeur d'aéronefs équipe un article d'essai d'ailes de 300 jauges de contrainte et 50 accéléromètres. Le système DAQ (Châssis NI PXI) exécute une application en temps réel qui envoie des données condensées (valeurs de crête, spectres de fréquence) sur UDP à un serveur cloud. Un logiciel numérique jumelé Siemens Simcenter souscrit aux données et met à jour le modèle d'éléments finis en temps quasi réel. Lorsque la contrainte mesurée dépasse un seuil, la simulation planifie automatiquement une analyse détaillée de fatigue et alerte l'ingénieur de la structure.

Énergie: Performance thermique des capteurs solaires

Une start-up solaire thermique utilise des RTD et des pyranomètres pour mesurer la température du tube absorbant et l'irradiance solaire toutes les 10 secondes. Les données sont poussées par MQTT vers une base de données Directus. Pendant la phase de conception, un modèle COMSOL Multiphysique récupère les données historiques pour une journée typique via l'API REST et définit des conditions de limite de flux de chaleur variables dans le temps. La simulation prédit la température de sortie du fluide de transfert de chaleur, guidant la conception d'une géométrie de collecteur plus efficace.

Tendances futures de l'intégration DAQ-Simulation

Edge AI et fusion intelligente des capteurs

Les dispositifs à faible puissance intégrés dans des actifs physiques feront de plus en plus fonctionner des réseaux neuraux légers qui pré-procédent à l'analyse des données des capteurs (filtrage, détection d'anomalies) avant de les envoyer aux solveurs de simulation, ce qui réduit la bande passante et permet des alertes en temps réel.

Orchestration de simulation Cloud-Native

Avec le passage du logiciel de simulation au cloud (modèles SaaS comme SimScale, OnScale ou Cloud-Native INSYS Gateway), les données DAQ peuvent être ingérées directement dans des pipelines de données cloud.

API unifiées et standards ouverts

Des normes émergentes comme OSI-PI[ (Interface ouverte de simulation – Intégration physique) et RESTful les modèles de données (SENSR, FMI) visent à faire du plug-and-play DAQ-to-simulation des données d'échange. La Fondation Eclipse Open Simulation Platform est une initiative qui conduit à l'interopérabilité.

Conclusion

L'intégration de l'acquisition de données avec le logiciel de simulation technique n'est plus facultative, c'est une nécessité concurrentielle.En établissant des modèles virtuels dans des mesures réelles, les organisations améliorent la précision des prédictions, réduisent les coûts d'essais physiques et compressent les cycles de développement de produits. Le processus nécessite une planification minutieuse : choisir un matériel compatible, mettre en place une communication fiable des données, automatiser les pipelines de données et suivre les meilleures pratiques de validation.