La complexité croissante des données d'ingénierie

Un seul programme aérospatial produit des modèles CAO structurés, des registres de simulation semi-structurés, des rapports d'essais non structurés et des réseaux de dépendances graph-like entre les composants. Les bases de données relationnelles traditionnelles ont du mal à tenir compte de cette diversité, tout en utilisant une base de données séparée pour chaque type de données, introduit des frictions d'intégration, des doubles emplois de données et une augmentation des frais généraux opérationnels.

Cette approche est particulièrement convaincante pour les industries comme l'automobile, l'aérospatiale, le génie civil et l'énergie, où les types de données vont des relevés géométriques des maillages et des capteurs de séries chronologiques aux tableaux de bill of matériaux et aux graphiques de flux de travail.

Qu'est-ce que les bases de données multi-modèles?

Contrairement à la persistance des polyglottes, où plusieurs bases de données monomodèles sont utilisées côte à côte, un système multimodèles fournit un seul moteur de requête, une couche de stockage unifiée et une API cohérente, ce qui réduit le besoin de pipelines ETL complexes et simplifie l'architecture des données.

Les bases de données multimodèles populaires comprennent ArangoDB (document, graphique, valeur-clé), [OrientDB[ (graphe, document, objet), et Azure Cosmos DB[ (document, graphique, valeur-clé, colonne-famille).Chaque option offre différents compromis dans la cohérence, la performance et l'intégration de l'écosystème.

Comment les différences multi-modèles à partir des bases de données traditionnelles

Les bases de données relationnelles appliquent un schéma rigide conçu pour les données tabulaires, qui les rend inefficaces pour les documents imbriqués ou les entités profondément connectées. Les magasins de documents NoSQL gèrent bien les données semi-structurées mais manquent souvent de transactions ACID sur plusieurs documents ou de la capacité de traverser les relations efficacement. Les bases de données graphiques excellent dans les requêtes relationnelles, mais ne sont pas optimisées pour le stockage de documents à grande échelle.

Principaux avantages pour la gestion des données d'ingénierie

Polyvalence entre les types de données

Les données techniques sont intrinsèquement hétérogènes. Un cycle de vie unique peut exiger la gestion de données structurées (p. ex. propriétés du matériau, tolérances), de données semi-structurées (p. ex. fichiers de configuration JSON, entrées de simulation XML) et de données non structurées (p. ex. rapports PDF, images d'inspections).

Par exemple, une firme de génie civil peut stocker la géométrie du pont comme documents GeoJSON, les lectures de capteurs comme paires de valeurs clés avec des extensions de séries chronologiques, et les exigences réglementaires comme nœuds graphiques connectés par les bords de conformité.

Réduction de la duplication des données et des flux de travail simplifiés

Lorsque les organisations utilisent des bases de données distinctes pour différents types de données, elles conservent souvent des copies redondantes des mêmes informations, comme le renvoi d'un numéro de pièce unique dans un magasin de documents et une base de données de graphiques. Ce double emploi entraîne des problèmes de synchronisation, des coûts de stockage accrus et des incohérences potentielles dans les données.

Les flux de travail deviennent plus simples parce que les pipelines d'intégration de données sont remplacés par des requêtes natives de modèles croisés. Par exemple, un ingénieur de fabrication peut écrire une requête unique qui récupère un modèle CAO (document), ses instructions d'assemblage connexes (document) et la chaîne de dépendance des sous-composants (graph) sans joindre des tables à travers des systèmes disparates.

Modélisation des relations complexes

Les systèmes d'ingénierie sont définis par des connexions complexes : hiérarchies des composants, séquences de flux de travail, réseaux de chaîne d'approvisionnement et relations cause-effet. Les modèles graphiques sont idéaux pour représenter ces relations, mais ils sont rarement le seul modèle de données nécessaire.

Considérez un jumeau numérique d'un moteur d'avion. Les propriétés physiques du moteur sont stockées comme documents; les flux de données des capteurs sont stockés comme paires de valeurs clés de série chronologique; et les relations entre les modules du moteur, les événements de maintenance et les modes de défaillance sont modélisés comme un graphique. L'approche multimodèle permet de faire des requêtes qui couvrent les trois dimensions, par exemple, trouver tous les composants qui ont échoué dans des conditions de température similaires et tracer leur historique de conception partagée.

Évolutivité pour la croissance des volumes de données

Les données d'ingénierie augmentent rapidement à mesure que les capteurs IoT deviennent omniprésents et que les résolutions de simulation augmentent. Les bases de données multimodèles sont conçues pour l'évolutivité horizontale, supportant souvent le durcissement et la réplication entre les clusters.Cette évolutivité s'étend à tous les modèles supportés.Les documents peuvent être resserrés par l'ID du projet, les graphiques peuvent être cloisonnés par domaine et les magasins à valeur clé peuvent être répartis par intervalle de temps.

De plus, de nombreuses bases de données multimodèles offrent des niveaux de cohérence compatibles, permettant aux ingénieurs de choisir entre une forte cohérence pour les données transactionnelles (p. ex., les registres d'inventaire) et une cohérence éventuelle pour l'ingestion de capteurs à haut débit.

Mise en œuvre de bases de données multimodèles dans les projets d'ingénierie

L'adoption d'une base de données multimodèles exige une planification minutieuse pour s'assurer que le système choisi s'harmonise avec les caractéristiques des données et les exigences de rendement de l'organisation.

Étape 1: Évaluer les types de données et les relations

Commencez par cataloguer toutes les sources de données impliquées dans le projet d'ingénierie. Classez chaque source par sa structure primaire : tabulaire, document, graphique, valeur clé ou colonne. Identifiez les relations entre les modèles – par exemple, un graphique qui relie les lectures de capteurs (valeur clé) à des définitions de parties (document).

Étape 2: Choisissez la bonne plateforme

Évaluer les bases de données multimodèles en fonction de critères tels que le support de modèle natif, le langage de requête (par exemple, AQL dans ArangoDB, Gremlin pour le graphique, extensions SQL), les garanties de cohérence, les repères de performance sous charge de travail d'ingénierie, et l'intégration avec les outils existants. Par exemple, Cosmos DB s'intègre étroitement à l'écosystème d'Azure et offre plusieurs options d'API, tandis qu'ArangoDB fournit un langage de requête unique pour tous les modèles. Lire des articles de comparaison tels que DB-Engines=» classement multimodèle de base de données pour voir comment les systèmes de référence se comparent.

Piloter la base de données sélectionnée avec un sous-ensemble représentatif de données techniques, en se concentrant sur les requêtes les plus critiques en matière de performance. Mesurer la latence, le débit et les frais de stockage.

Étape 3: Concevoir le schéma de données pour tirer parti des forces du modèle

Une base de données multimodèles ne signifie pas utiliser chaque modèle pour chaque entité. Le schéma devrait délibérément attribuer chaque type de données au modèle qui fournit la meilleure adaptation. Par exemple:

  • Documents pour les fichiers CAO/STEP (conservés sous le nom de JSON/BLOBs), les configurations de simulation et les métadonnées.
  • Graphiques pour les parties de hiérarchies, les séquences d'assemblage, les dépendances du flux de travail et les liens de traçabilité.
  • Valeur-clé pour les données de capteur de série temporelle, les résultats de calcul en cache et les paramètres de configuration.
  • Relationnel (s'il est pris en charge) pour des données de référence hautement structurées, telles que des catalogues de matériaux ou des spécifications standard.

Par exemple, un document représentant une partie peut contenir un identifiant de bord de graphique qui se connecte à l'assemblage parent de la partie. De nombreuses bases de données multimodèles permettent d'intégrer des sommets de graphique à l'intérieur des documents pour éviter des jointures supplémentaires, mais ce compromis doit être évalué par rapport à la fréquence de mise à jour et aux modèles de requête.

Étape 4: Mettre en œuvre l'intégration des données et la migration

Une approche de migration progressive réduit les risques. Commencez par migrer un domaine de données unique (p. ex., résultats de simulation) vers la base de données multimodèles tout en maintenant d'autres systèmes opérationnels. Utilisez la capture de données de changement (CDC) ou l'ETL par lots pour synchroniser les données pendant la transition. Élargissez progressivement la portée jusqu'à ce que la base de données multimodèles devienne le dépôt principal.

L'intégration des données implique également le nettoyage et la normalisation. Par exemple, les fichiers géométriques peuvent devoir être convertis en format de document standard, et les numéros de pièces entre différentes sources doivent être rapprochés.

Étape 5 : Performances d'essai et scalabilité dans le cadre de scénarios réels mondiaux

Les ingénieurs doivent valider que la base de données multimodèles répond aux SLA de performance pour les charges de travail opérationnelles et analytiques. Créez des scénarios de test qui reflètent l'utilisation réelle – comme l'ajout d'un nouveau composant et la requête instantanée de son impact sur l'ensemble du graphique d'assemblage. Mesurez le débit d'écriture pour l'ingestion des capteurs en même temps que les traversées complexes de graphiques.

Les essais de calibrage devraient simuler la croissance des données sur plusieurs années. Vérifier que les stratégies de soudage distribuent la charge uniformément et que la cohérence de la réplique ne se dégrade pas sous haute cohérence. De nombreuses bases de données multimodèles offrent des tableaux de bord de surveillance intégrés; les intégrer aux piles d'observabilité existantes pour la gestion continue des performances.

Cas d'utilisations réelles dans le monde en génie

Plateformes jumelées numériques

Un jumeau numérique d'un atout d'infrastructure de grande taille, comme une éolienne ou une usine, exige de combiner des données statiques de conception avec des données opérationnelles dynamiques.Les bases de données multimodèles permettent de stocker le modèle 3D comme document, les lectures de capteur comme séries chronologiques à valeur clé et les relations entre les sous-systèmes comme graphique.Les ingénieurs peuvent interroger le jumeau pour répondre à des questions comme .

Gestion du cycle de vie des produits (GPL)

Les systèmes PLM gèrent des définitions de produits qui comprennent des bill-of-matériaux structurés, des ordres de changement d'ingénierie non structurés et des relations d'utilisation partielles semblables à des graphiques. Une base de données multimodèles peut les unifier en un seul système, réduisant la complexité de la synchronisation d'un moteur PLM avec des dépôts de documents et des bases de données graphiques distincts.

Analyses techniques et apprentissage automatique

Les bases de données multimodèles servent de source unique de vérité pour des caractéristiques telles que les propriétés matérielles (relationnelles), les registres de test (document) et les chemins de propagation de défaillance (graphique). En éliminant le mouvement des données, la base de données réduit les frais généraux de prétraitement et accélère l'itération des modèles. Les ingénieurs peuvent même exécuter des algorithmes graphiques comme la détection de PageRank ou de communauté directement sur les données pour identifier les nœuds critiques de défaillance ou des grappes de conception optimisées.

Défis et considérations

Complexité accrue du système

La gestion de plusieurs modèles de données dans une base de données introduit une complexité dans la conception des schémas, l'optimisation des requêtes et l'administration. Les équipes doivent développer une expertise dans les paradigmes de documents, de graphiques et de valeurs clés, ce qui peut nécessiter une formation ou des spécialistes en recrutement.

Tuning de performance à travers les modèles

Bien que les bases de données multimodèles visent à fournir de bonnes performances pour tous les modèles, les charges de travail réelles révèlent souvent des compromis. Par exemple, une base de données optimisée pour le stockage de documents peut ne pas gérer les traversées rapides de graphes aussi efficacement qu'une base de données de graphes dédiée.

Coût et délivrance de licences

Les bases de données multimodèles avancées, en particulier les bases de données basées sur le cloud comme Azure Cosmos DB, peuvent être plus coûteuses que les solutions de rechange simples.Les coûts proviennent des unités de calcul, du stockage et du transfert de données.

Verrouillage des fournisseurs et intégration des écosystèmes

Pour atténuer cette situation, il est possible de hiérarchiser les bases de données qui prennent en charge les standards ouverts tels que SQL pour les requêtes de documents, Gremlin pour les graphes traversants ou l'API MongoDB pour l'interopérabilité des documents. De plus, il est essentiel d'évaluer l'écosystème autour de la base de données – outils de surveillance, solutions de sauvegarde et soutien communautaire pour la viabilité à long terme.

Conclusion

En soutenant des modèles document, graphique, de valeur clé et relationnel au sein d'une même plateforme, ils réduisent la fragmentation du système, éliminent la duplication des données et permettent de mener de puissantes requêtes multimodèles qui conduisent à des idées plus approfondies. La mise en œuvre réussie nécessite une évaluation minutieuse des types de données, un schéma bien conçu qui joue avec les forces de chaque modèle et une validation rigoureuse des performances.

Les projets d'ingénierie continuent de croître en volume et en complexité de données, notamment avec l'essor des jumeaux numériques, de l'IoT et de la conception axée sur l'IA, la capacité de gérer divers types de données sans sacrifier la cohérence ou la performance devient un avantage concurrentiel.