Thématiques de recherche

Dans le passé, les approches maquettes numériques (Digital Mock-Up) reposaient principalement sur la disponibilité des données d’un domaine industriel étroit, tels que les départements d’ingénierie ou de conception, permettant aux experts de s’appuyer sur des données d’outils de création à qualité contrôlée provenant directement du noyau systèmes tels que les suites PLM et d’ignorer l’écosystème de données plus larges.

Aujourd’hui, la mise en œuvre réussie du jumeau numérique (Digital Twin) doit permettre de relier les modèles de produits virtuels à des instances physiques réelles dans des systèmes cyber-physiques, et prendre en compte des données sensorielles en temps réel. De plus, créer des modèles comportementaux et prédire les performances futures ne sera pas possible avec un ensemble limité de données. La collaboration de disciplines multiples et diverses avec toutes sortes de données disponibles – indépendamment de leur qualité – sera un moteur clé pour des concepts et des implémentations du jumeau numérique (Digital Twin) plus matures et complexes. Puiser dans le pool de données provenant d’applications développées par l’utilisateur final et d’outils exploités par l’entreprise deviendra une nécessité malgré la couche supplémentaire de complexité résultant d’une gouvernance manquante, d’une qualité de données incertaine, d’états de cycle de vie peu claires…

Aujourd’hui, de nombreuses architectures de solutions informatiques sont souvent adaptées à la gestion d’applications distinctes , séparées par et associées à des fonctionnalités techniques. Cela s’accompagne d’une concentration sur des modèles de données internes et sur une pléthore d’interfaces. Des configurations comme celles-ci manquent d’une architecture de données globales.