Использование моделирования данных для повышения совместимости и стандартов инженерных данных

Инженерные проекты сегодня полагаются на сложную сеть инструментов, платформ и заинтересованных сторон. От CAD и CAE до PLM и IoT каждая система генерирует огромные объемы данных. Без общего языка для описания этих данных, совместимость ломается, что приводит к ошибкам, переделке и дорогостоящим задержкам. Моделирование данных обеспечивает основополагающую основу для определения, структуры и стандартизации инженерных данных, что позволяет беспрепятственно обмениваться на протяжении всего жизненного цикла. По мере ускорения цифровой трансформации освоение моделирования данных больше не является обязательным - это основная компетенция для любой инженерной организации, стремящейся эффективно внедрять инновации и соответствовать развивающимся отраслевым стандартам.

Что такое моделирование данных в инженерии?

Моделирование данных — это процесс создания абстрактных представлений инженерных концепций реального мира, таких как детали, сборки, материалы, допуски или параметры моделирования, в структурированном формате, который могут интерпретировать как люди, так и машины. Эти модели устанавливают четкие определения для объектов, их атрибутов и отношений между ними. В инженерии модели данных служат единственным источником истины, на который могут ссылаться разные системы, гарантируя, что болт, определенный в модели САПР, несет тот же смысл в системе ERP или инструменте анализа конечных элементов.

Эффективное моделирование данных выходит за рамки простых соглашений об именах. Оно включает в себя формальные схемы, онтологии и таксономии, которые захватывают семантику домена. Например, модель данных для реактивного двигателя может определять объект «фан-лезвия» со свойствами, такими как класс материала, профиль аэродинамической пленки и производственный процесс. Эта модель затем может быть разделена между системами проектирования, моделирования, закупок и обслуживания, устраняя необходимость ручного перевода и снижая риск несоответствия.

Типы моделей данных в инженерии

Модели данных обычно разрабатываются на трех уровнях абстракции, каждая из которых служит определенной цели в процессе проектирования.

Концептуальные модели данных

Концептуальные модели определяют бизнес-концепции самого высокого уровня и их взаимосвязи, независимо от какой-либо технической реализации. Для инженерии это может включать такие объекты, как «Продукт», «Компонент», «Требование» и «Тест». Эти модели используются для согласования заинтересованных сторон по основной терминологии и области применения, прежде чем погружаться в технические детали. Они часто выражаются с использованием диаграмм отношений между объектами или диаграмм классов Unified Modeling Language (UML). Концептуальные модели ценны для установления общего словаря в кросс-функциональных командах.

Логические модели данных

Логические модели добавляют строгость, задавая атрибуты, типы данных, первичные и внешние ключи, и правила нормализации. Они реализуют концептуальную модель таким образом, что могут быть отображены в базу данных или формат обмена данными, но остаются технологически агностическими. В инженерии логические модели часто соответствуют схемам для интерфейсов прикладного программирования (API) или форматов обмена данными, таких как JSON, XML или STEP. Например, логическая модель для Билля о материалах (BOM) может определять «Часть» сущность с атрибутами для номера части, пересмотра, материала и веса, с отношениями к «Поставщику» и «Сборке» объектов.

Модели физических данных

Физические модели переводят логическую модель в конкретную реализацию базы данных, включая таблицы, индексы, разделы и данные хранения. Они оптимизированы для производительности, масштабируемости и ограничений конкретной системы управления базами данных (СУБД). В инженерии физические модели используются для баз данных PLM, хранилища данных моделирования и хранилища данных IoT в реальном времени. В то время как физические модели менее заметны для конечных пользователей, они напрямую влияют на скорость запросов и целостность данных в производственных средах.

Роль стандартов в инженерной совместимости данных

Одно только моделирование данных не гарантирует функциональную совместимость; стандарты обеспечивают общие справочные рамки, которые позволяют модели совместно использовать через организационные границы. Несколько отраслевых стандартов непосредственно связаны с инженерным моделированием данных:

Классы отраслевых фондов (IFC)

IFC является открытым стандартом для данных строительной и строительной отрасли, поддерживаемым BuildingSMART International. Он определяет всеобъемлющую модель данных для архитектурных, структурных и строительных элементов обслуживания. IFC обеспечивает совместимость между инструментами для создания BIM, программным обеспечением структурного анализа и системами управления объектами. Например, модель IFC может нести как геометрическую, так и семантическую информацию о стене, включая ее материал, рейтинг пожара и данные о стоимости. Узнайте больше о IFC в BuildingSMART.

ISO 10303 (STEP)

ISO 10303, широко известный как STEP (Standard for the Exchange of Product Model Data), представляет собой семейство стандартов для обмена данными о продукте на протяжении всего жизненного цикла. Он охватывает геометрию, допуски, материалы и структуру продукта. Протоколы приложений (AP) в рамках STEP, такие как AP242 для управляемой модели на основе 3D-инженерии, предоставляют подробные модели данных для аэрокосмической, автомобильной и производственной деятельности. Модели STEP широко используются для долгосрочного архивирования и кросс-платформенного обмена. Прочитайте о ISO 10303-242 на официальном сайте ISO.

OSLC (Открытые сервисы для совместной работы на протяжении всего жизненного цикла)

OSLC является открытым стандартом для интеграции инженерных инструментов путем связывания данных по доменам жизненного цикла - требования, управление изменениями, управление тестами и т. Д. Вместо того, чтобы обмениваться целыми моделями, OSLC использует связанные принципы данных с RDF и RESTful API, позволяя инструментам ссылаться на общие ресурсы без дублирования данных. Модель данных OSLC легка и ориентирована на анализ отслеживаемости и воздействия изменений.

OMG SysML и UML

Группа управления объектами (OMG) поддерживает язык моделирования систем (SysML) и унифицированный язык моделирования (UML), которые используются для создания моделей данных для сложных систем. SysML особенно важен для системной инженерии, где модели захватывают требования, структуру, поведение и параметрические отношения. Эти модели могут храниться в формате XMI и обмениваться между инструментами моделирования, такими как Cameo Systems Modeler, IBM Rational Rhapsody и другими.

Преимущества моделирования данных для инженерной совместимости

Когда организации инвестируют в надежные методы моделирования данных, соответствующие стандартам, они открывают ряд измеримых преимуществ.

Проблемы в реализации моделирования данных для стандартов

Несмотря на очевидные преимущества, внедрение эффективного моделирования данных в инженерии не лишено препятствий. Организации часто сталкиваются со следующими проблемами:

Инерция системы наследственности

Многие инженерные подразделения полагаются на устаревшие инструменты, использующие проприетарные форматы данных и базы данных. Модернизация этих систем в соответствии с современными открытыми стандартами, такими как IFC или STEP, требует значительных усилий. Миграция данных, перевод схем и разработка API могут быть дорогостоящими и трудоемкими. Поэтапный подход, использующий адаптеры или промежуточное ПО, может смягчить сбои при постепенном улучшении совместимости.

Семантическая неоднородность

Даже когда две системы используют один и тот же стандарт, они могут интерпретировать семантику по-разному. Например, атрибут «температура» может храниться как Цельсия в одном инструменте и Кельвин в другом. Или «номер части» может иметь разные правила форматирования. Модели данных должны включать четкие семантические определения, включая единицы, диапазоны значений и допустимые значения. Подходы на основе онтологии, используя такие инструменты, как OWL или SHAC, могут помочь формализовать семантику и позволить рассуждать о согласованности данных.

Управление и техническое обслуживание

Модель данных не является разовым документом; она должна развиваться по мере появления новых требований, обновления стандартов и изменения бизнес-процессов. Создание совета по управлению данными с представителями инженеров, ИТ и специалистов по стандартам имеет важное значение. Контроль версий для моделей данных, используя такие инструменты, как Git со схемой диффинга, помогает управлять изменениями и откатами. Без управления модели быстро расходятся с реальностью и теряют свою ценность.

Навыки и обучение

Моделирование данных требует опыта как в области инженерии, так и в области информационных наук. Многие инженеры не обучены формальным методам моделирования, таким как UML, диаграммы отношений с организациями или RDF. Организации должны инвестировать в учебные программы и, возможно, нанимать архитекторов данных или онтологов. Онлайн-ресурсы от OMG, buildingSMART и ISO могут помочь объединить навыки. Ресурс UML от OMG является хорошей отправной точкой.

Практические шаги по внедрению моделирования данных для обеспечения совместимости

Организации, готовые улучшить взаимодействие инженерных данных, могут придерживаться структурированного подхода:

1.Оценить текущее состояние и болевые точки

Начните с отображения потоков данных по всему жизненному циклу инженерии. Определите, где данные ломаются, где требуется ручной повторный вход, и где команды прибегают к электронным таблицам или электронной почте для обмена информацией. Определите стоимость проблем качества данных - переработка, пропущенные сроки, штрафы. Этот анализ поможет построить бизнес-кейс для инвестиций.

2.Выберите стандарты и рамки

На основе вашей отрасли и ландшафта инструментов выберите наиболее релевантные стандарты. Для строительства / строительства IFC - очевидный выбор. Для производства посмотрите STEP AP242, OSLC для интеграции жизненного цикла и SysML для системной инженерии. Если вы работаете с регулирующими органами, проверьте их мандаты (например, требования BIM Европейского союза). Гибридные подходы распространены; например, использование IFC для геометрических данных и OSLC для ссылок управления изменениями.

3. Разработка или принятие эталонных моделей данных

Не стройте все с нуля. Повторно используйте существующие модели справочных данных, предоставляемые органами по стандартизации или отраслевыми консорциумами. Во многих секторах есть заранее определенные модели: в отрасли AEC есть схема IFC; в автомобильной промышленности есть модель AutoSTEP; в нефтегазовом секторе есть модель ISO 15926. Настройте эти модели в своем организационном контексте, но сопротивляйтесь чрезмерной кастомизации, поскольку это наносит ущерб совместимости.

4.Прототип и проверка реальных данных

Выберите пилотный проект, который предполагает кросс-инструментальный обмен данными. Внедрите выбранную модель данных в тестовую среду. Используйте наборы данных выборки, чтобы убедиться, что модель фиксирует все необходимые атрибуты и отношения. Проверяйте, что инструменты могут правильно импортировать / экспортировать модель. Этот этап часто выявляет пробелы или двусмысленности, которые требуют разрешения перед развертыванием.

5. Интеграция в Toolchains и Workflows

Работайте со своими ИТ- и инженерными командами, чтобы обновить существующие инструменты или добавить промежуточное ПО, которое может читать / писать стандартизированные модели данных. Для устаревших инструментов рассмотрите возможность использования адаптеров, таких как процессоры STEP для систем САПР или импортеров IFC для структурного анализа. Обновить документацию рабочего процесса, чтобы отразить новые стандарты ввода данных (например, обязательные поля, контролируемые словари). Обеспечить обучение и справочные руководства.

6. постоянное улучшение

Мониторинг производительности модели данных с течением времени. Сбор обратной связи от инженеров, администраторов инструментов и потребителей. Отслеживание показателей, таких как время, сэкономленное при обмене данными, сокращение ошибок данных и простота аудитов соответствия. Расписание периодических обзоров для включения новых версий стандартов или бизнес-потребностей. Используйте автоматизированные скрипты проверки для обеспечения постоянного соблюдения.

Будущие направления: семантическое моделирование и управление данными на основе ИИ

По мере роста объемов инженерных данных и повышения уровня интеллектуальности приложений традиционные модели данных могут оказаться недостаточными. Будущее за семантическим моделированием и валидацией на основе ИИ, которые могут адаптироваться к новым контекстам без обновления ручной схемы.

Семантическая паутина и онтологии

Семантические технологии, такие как RDF, OWL и SPARQL, позволяют выражать модели данных в виде связанных графиков концепций с богатыми отношениями. Это позволяет машинам выводить новые знания, такие как открытие, что «подгонка труб» является подклассом «компонента» и, следовательно, наследует такие свойства, как «вес» и «материал». Онтологии могут быть легко расширены и объединены, поддерживая данные из нескольких областей. Например, онтология батареи (BattINFO) модели химический состав батареи, производительность и данные жизненного цикла, облегчая взаимодействие в автомобильном и энергетическом секторах.

ИИ и машинное обучение для проверки модели

Алгоритмы машинного обучения могут быть обучены на исторических наборах данных для обнаружения аномалий в данных, которые нарушают ограничения модели. Например, модель ИИ может отмечать весовое значение, которое является тремя стандартными отклонениями выше нормы для данного типа детали, даже если оно попадает в числовой диапазон схемы. ИИ также может предлагать новые отношения, основанные на шаблонах использования данных, помогая активно развивать модель. Такие инструменты, как библиотека проверки данных Google и качество данных AWS Glue, включают возможности ML для проверки схемы.

Модельно-управляемая инженерия с генеративным ИИ

Генеративные инструменты ИИ, такие как большие языковые модели (LLM), могут помочь в генерации определений моделей данных из описаний естественного языка. Инженеры могут описать новый тип продукта, а ИИ предлагает набор объектов, атрибутов и отношений, согласованных с существующими стандартами. Это может ускорить процесс моделирования и уменьшить кривую обучения для команд, новых для формального моделирования. Однако человеческий надзор остается критически важным для обеспечения правильности и соответствия.

Заключение

Моделирование данных является основой взаимодействия инженерных данных и соответствия стандартам. Создавая структурированные, четко определенные представления инженерных концепций, организации могут разбить пробелы между инструментами, улучшить качество данных и оптимизировать соответствие. Принятие открытых стандартов, таких как IFC, STEP и OSLC, обеспечивает общую основу, в то время как семантическое моделирование и ИИ обещают расширить границы. Путь требует инвестиций в навыки, управление и инструментарий, но выгода - более быстрые инновации, уменьшенные ошибки и более устойчивые инженерные процессы - стоит усилий. Для любой инженерной организации, которая работает в многоинструментальной среде с несколькими заинтересованными сторонами, овладение моделированием данных - это не просто ИТ-инициатива; это стратегический императив для будущей конкурентоспособности.