Case study: Attuazione di modellazione dei dati di successo in ingegneria aerospaziale con Directus

L'ingegneria aerospaziale si trova al confine tra precisione, sicurezza e innovazione continua. Poiché gli aeromobili e le navi spaziali diventano più definiti e data-driven, la necessità di una gestione dei dati robusta e scalabile non è mai stata più pressante. Questo caso studio esamina come un produttore leader aerospaziale ha trasformato i suoi flussi di lavoro di ingegneria implementando una strategia di modellazione dei dati completa utilizzando Directus[[FLT: 1), un miglioramento dei dati di tracciabilità dei dati di Cless]

Lo stato dei dati in ingegneria aerospaziale prima della trasformazione

Il design aerospaziale moderno coinvolge migliaia di componenti, milioni di test simulati e centinaia di ingegneri che lavorano in diverse discipline. L'azienda a fuoco, un fornitore aerospaziale di livello medio responsabile dei sistemi di controllo dei voli critici, ha affrontato un ecosistema di dati frammentato.
  • Un mix di database SQL on-premise per metadati di parti
  • Fogli di calcolo per i registri di cambiamento di progettazione
  • Formati di file pregiati dagli strumenti CAD e CAE
  • Registrazioni di firma basate su carta per la certificazione

Questa frammentazione ha portato a diversi punti di dolore operativi. Gli ingegneri hanno spesso speso ore di recupero dati attraverso silos per verificare i numeri di parte o la cronologia di revisione. Convenzioni di denominazione incoerente ha causato errori nelle esportazioni di materiale di fattura (BOM).

Impostazione di obiettivi chiari per l'Iniziativa di modellazione dei dati

Il team esecutivo ha preso atto di un'iniziativa di sei mesi con i seguenti obiettivi strategici:

  • Standardizzare i formati di dati[[] attraverso i team di ingegneria meccanica, elettrica e software per eliminare il lavoro di riconciliazione.
  • Crea un modello di dati scalabile[[]] che potrebbe ospitare nuove linee di prodotto e standard di certificazione in evoluzione senza richiedere una ri-architettura completa.
  • Abilita la tracciabilità completa[[]] delle modifiche di progettazione, che catturano chi ha cambiato cosa, quando e perché, in modo conforme con AS9100 e DO-178C.
  • Integrate senza soluzione di continuità[[]] con strumenti di simulazione e di test esistenti (ANSYS, Siemens NX, MATLAB/Simulink) per consentire l'accesso in tempo reale ai dati master.
  • Ridurre il time-to-insight[[] per l'analisi fornendo un set di dati pulito e queryable pronto per dashboard e modelli di machine learning.

La piattaforma scelta doveva essere abbastanza flessibile da modellare relazioni complesse (ad esempio, una parte appartiene ad un'assemblea, che appartiene ad un sistema, che viene convalidato da test specifici) offrendo un'interfaccia intuitiva per gli stakeholder non tecnici. Dopo aver valutato diverse opzioni, il team ha selezionato Directus per la sua architettura a carattere autonomo e open source, la sua capacità di generare un accesso REST e GraphQL API automaticamente da schemi personalizzati, e il suo ruolo granulareRBAC

Progettazione del modello di dati aerospaziale-Specifico

Da schemi di ammissione-relazione a uno schema normalizzato

L'implementazione ha avuto inizio con un'analisi approfondita delle strutture dati esistenti. Gli architetti hanno tenuto workshop con i principali ingegneri di ogni disciplina per tracciare ogni entità coinvolta nel ciclo di vita di un attuatore di controllo del volo, dai numeri di lotto delle materie prime ai risultati finali dei test.

Il modello di dati core è stato progettato intorno a cinque principali collezioni:

  • Parts[] – ogni componente fisico o logico con attributi come numero di parte, revisione, spec materiale e peso.
  • Assemblaggi[] – raggruppamenti di parti, con decomposizione gerarchica e guasti di quantità.
  • Design Changes[[]] – un registro completo delle richieste di cambiamento, delle approvazioni e dei record di implementazione (allineati con la gestione dei cambiamenti ingegneristici).
  • Tests[] – collegamenti a simulazioni, protocolli di prova fisici e risultati di passaggio/fallimento con condizioni ambientali.
  • Certificazioni[[] – documenti di conformità regolamentari legati a specifiche revisioni o assemblee dei componenti.

Le relazioni sono state normalizzate per evitare duplicazioni, ad esempio, una specifica del singolo materiale (ad esempio, "AMS 5643") è stata memorizzata nella sua collezione e richiamata da molte parti, piuttosto che essere ripetuta come campo di testo.

Levaggio Directus per la personalizzazione dello schema e la generazione API

Directus ha fornito al team un’interfaccia visiva per costruire questo modello, permettendo ai non sviluppatori di aggiungere campi, impostare regole di validazione e definire relazioni (one-to-many, molti-to-many) senza scrivere SQL.

Una volta impostato lo schema, Directus ha generato automaticamente un'API RESTful con gli endpoint CRUD (Crea, Leggi, Aggiorna, Elimina) completi. Questa API è diventata la spina dorsale per l'integrazione con gli strumenti CAD, CAE e PLM esistenti. Gli ingegneri potrebbero ora effettuare la revisione della parte più recente direttamente nel loro ambiente di simulazione tramite una semplice chiamata HTTP, eliminando il vecchio processo di esportazione manuale dei file CSV.

Controllo di accesso basato sul ruolo per i dati di ingegneria sensibile

Le aziende aerospaziale devono proteggere la proprietà intellettuale, consentendo la collaborazione. L’RBAC di Directus è stato configurato con quattro livelli di autorizzazione:

  • I telespettatori[ – personale del piano di produzione e revisori esterni che hanno bisogno di visualizzare le informazioni dei pezzi ma non modificarle mai.
  • Editori[] – ingegneri che possono aggiornare gli attributi tecnici ma non possono eliminare i record o approvare le modifiche.
  • Approvers[[] – ingegneri senior e manager di certificazione che possono bloccare le revisioni e firmare su richieste di cambiamento.
  • Amministratori[] – un piccolo team che gestisce lo schema e la configurazione del sistema.

Questa granularità ha garantito il rispetto del principio di minore privilegio, promuovendo comunque una condivisione efficiente dei dati.

Processo di attuazione: Rollout di fase con feedback continuo

Fase 1 – Migrazione e pulizia dei dati

I record dei componenti duplicati sono stati fusi, i formati di unità inconsistenti (pounds vs. kilograms) sono stati standardizzati, e i record orfani (parti collegate a nessun assemblaggio) sono stati contrassegnati per la revisione. Il team di dati ha scritto gli script Python che hanno utilizzato la Directus API per caricare i record di pulizia del batch, inclusi i timestamp di audit e gli identificatori di sistema sorgente per la responsabilità.

Fase 2 – Pilota con il Team di progettazione attuatore

Oltre a un'implementazione di grandi dimensioni, l'azienda ha scelto un gruppo pilota di 12 ingegneri che lavorano su una linea di prodotti attuatori. Questo gruppo ha ricevuto una settimana di formazione pratica che copre l'interfaccia di Directus, il nuovo modello di dati e le migliori pratiche per l'inserimento dei registri di cambiamento.

  • La necessità di un cruscotto che mostra modifiche di progettazione in sospeso e il loro stato di approvazione
  • Una richiesta per aggiungere inline le anteprime dell'immagine per i disegni dei pezzi
  • La capacità di sfruttare i risultati dei test di simulazione

Le funzioni di estensione e anteprima personalizzate del cruscotto di Directus sono state rapidamente affrontate. Il loop di feedback è stato breve perché gli amministratori potrebbero modificare lo schema o aggiungere pagine personalizzate direttamente nell'app di amministrazione senza aspettare un rilascio del software.

Fase 3 – Integrazione con gli strumenti CAD/CAE

La fase più impegnativa tecnicamente ha coinvolto l'integrazione dell'API Directus con Siemens NX (CAD) e ANSYS (CAE). Utilizzando Directus webhooks, ogni volta che un ingegnere ha aggiornato una revisione della parte in Directus, un webhook ha innescato un'automazione che ha spinto l'ultimo BOM a un drive condiviso dedicato e ha notificato i relativi team di simulazione tramite Slack.

L’integrazione si è estesa anche al sistema PLM legacy dell’azienda, che è stato mantenuto come archivio di sola lettura per i dati storici. L’autenticazione OAuth 2.0 di Directus ha permesso un singolo segnale (SSO) in modo che gli ingegneri potessero passare senza soluzione di continuità tra i sistemi.

Fase 4 – Sfruttamento e formazione completa

Dopo il pilota convalidato l'approccio, il rollout si è espanso a 400 ingegneri in tre reparti.

  • Due workshop di mezza giornata per tutti gli utenti che coprono la navigazione di base e l'ingresso dei dati
  • Quattro sessioni avanzate per gli amministratori di dati che coprono la manutenzione degli schemi e l'utilizzo delle API
  • Allenamento one-on-one per team con flussi di lavoro specializzati (ad esempio, ingegneria di prova)

Una wiki interna dedicata è stata creata con tutorial video e domande frequenti. L'azienda ha anche stabilito un mensile "data office hours" dove gli ingegneri potrebbero sollevare problemi direttamente con il team di dati.

Risultati misurabili e impatto aziendale

Gain di efficienza operativa

Sei mesi dopo la completa distribuzione, l'azienda ha condotto una retrospettiva, i risultati quantitativi sono stati convincenti:

  • 33% di riduzione[[]] nel tempo trascorso alla ricerca di informazioni di progettazione (da una media di 45 minuti al giorno a 30 minuti al giorno per ingegnere).
  • 70% drop[]] in errori di inserimento dati nel BOM a causa di convalida automatizzata e liste di discesa controllate in Directus.
  • 50% più veloce[[]]] preparazione di audit – il team di conformità potrebbe ora generare un rapporto di tracciabilità completo per qualsiasi parte entro ore anziché giorni.
  • 20% di riduzione[[]] nel tempo di ciclo di cambiamento di ingegneria, perché le approvazioni non richiedevano più il routing manuale di moduli di carta.

Collaborazione e innovazione migliorate

Oltre alle metriche, il cambiamento culturale è stato notevole. Gli ingegneri di diverse discipline hanno iniziato a riferire la stessa "single fonte di verità" per i dati di parte. Il team di ingegneria dei sistemi ha usato i registri di attività di Directus per analizzare l'impatto dei cambiamenti di progettazione più accuratamente. Ad esempio, hanno scoperto che un particolare tipo di fissaggio era sopra specificato in aree a bassa intensità, portando a peso non necessario.

Il team di analisi avanzato ha anche iniziato a eseguire modelli di machine learning sui dati esportati di Directus, predisponendo potenziali modalità di fallimento basate sui risultati storici dei test e sui dati del lotto materiale.

Lezioni Imparate e Migliori Pratiche

Inizia con un modello di governo chiaro

L'azienda ha appreso che un modello di dati è altrettanto buono quanto le regole che lo applicano. All'inizio del progetto, alcune squadre hanno cercato di bypassare i campi standard aggiungendo commenti nelle aree di libero testo. Una scheda di governance ha rapidamente rilasciato linee guida che richiedono tutti gli attributi critici da catturare in campi strutturati, con il testo libero consentito solo per le note operative. Il team di dati ha anche creato avvisi automatizzati quando gli utenti hanno deviato da convenzioni di denominazione concordata.

Investire nella gestione dei cambiamenti

La strategia più efficace è stata quella di identificare i "campioni di dati" all'interno di ogni squadra, ingegneri che hanno compreso sia il dominio che il valore dei dati puliti, che hanno aiutato i pari a migrare i loro fogli di calcolo a Directus e dimostrare i guadagni di efficienza nel loro lavoro quotidiano.

Costruisci in modo incredibile, ma Piano per Scala

L'approccio graduale ha permesso al team di correggere il corso in anticipo, ma hanno anche progettato lo schema dal primo giorno per ospitare l'espansione futura. Ad esempio, la collezione "Part" includeva un generico campo "attributi" JSON per le proprietà specifiche della linea di prodotto che non si adattavano allo schema centrale, che ha impedito la necessità di aggiungere nuove colonne ogni volta che una nuova famiglia di prodotti è stata introdotta.

Future Directions: AI, Digital Twins, e Beyond

Integrazione con piattaforme digitali Twin

La società sta ora esplorando come estendere il modello di dati a potenza diretta in un ambiente completo di gemellaggio digitale. Collegando il modello di dati a flussi IoT da prove di volo e aeromobili in servizio, progettano di creare una rappresentazione vivente di ogni prodotto che aggiorna con dati di performance in tempo reale.

Convalida della progettazione assistita

Con un set di dati relazionali pulito in Directus, i modelli di machine learning possono essere addestrati a contrassegnare le incongruenze di progettazione o le lacune di conformità prima che una richiesta di cambiamento raggiunga la scheda di approvazione. Il team di dati sta pilotando un semplice modello di rilevamento di anomalia che esegue la scansione di nuove voci di parte per combinazioni di attributi che hanno storicamente portato a test guasti (ad esempio, lega ad alta resistenza con uno spessore sottile parete).

Espansione ai dati del fornitore

Attualmente, il modello di dati copre solo i progetti interni, la fase successiva include l'imbarco di fornitori critici per un progetto condiviso Directus. I fornitori avranno una visione limitata delle proprie parti, e l'azienda può validare automaticamente le certificazioni dei materiali in entrata contro i loro standard.

Conclusione: La modellazione dei dati offre un vantaggio competitivo nell'aerospaziale

Questo caso di studio dimostra che anche in un settore altamente regolamentato e complesso come l'aerospaziale, una piattaforma open source come Directus può fornire la flessibilità, la sicurezza e le prestazioni necessarie per un'iniziativa di modellazione dei dati di successo.

Per le organizzazioni aerospaziali che cercano di modernizzare la loro gestione dei dati, i takeaway chiave sono semplici: investire in uno schema flessibile, coinvolgere gli utenti in anticipo e scegliere una piattaforma che mette in controllo i titolari di dati.Quando implementato correttamente, un dataset ben modellato diventa un asset strategico, che alimenta tutto dal processo decisionale di giorno in giorno per innovazione.

Per ulteriori informazioni sulla costruzione di modelli di dati scalabili con Directus, visitate la documentazione [Directus[] ed esplorate i loro case study comunitari.