2. 工程数据特征分析
工程分析数据平台的核心挑战在于其数据来源多样、结构复杂且贯穿产品全生命周期。理解工程数据的类型、生命周期阶段以及固有的质量挑战，是构建有效数据模型与主数据管理体系的前提。本章将从这三个维度展开分析。
2.1 工程数据类型
根据数据产生的业务阶段与用途，工程数据可划分为四大核心类型：设计、仿真、试验与运维。每种类型在数据结构、存储方式与使用频率上存在显著差异。
| 数据类型 | 典型内容 | 数据结构 | 主要存储形式 |
|---|---|---|---|
| 设计数据 | 三维模型（CAD）、二维图纸、物料清单（BOM）、技术规范 | 结构化 + 半结构化（几何、属性、关联关系） | PDM/PLM 系统、文件服务器 |
| 仿真数据 | 有限元模型（FEA）、计算流体动力学（CFD）结果、多体动力学分析 | 半结构化 + 非结构化（网格、场数据、时间序列） | SDM 系统、HPC 存储、专用数据库 |
| 试验数据 | 台架测试信号、环境试验曲线、耐久性测试日志 | 结构化（时间序列）+ 非结构化（原始波形） | TDM 系统、数据湖、实时数据库 |
| 运维数据 | 现场故障报告、传感器 IoT 数据、维修记录、健康管理（PHM）数据 | 结构化（关系型）+ 流式数据 | MES/ERP、IoT 平台、数据仓库 |
关键洞察： 在数据集成时，设计数据（尤其是 BOM）通常作为主数据的核心锚点，而仿真与试验数据则提供验证闭环，运维数据反馈实际性能，形成“设计-仿真-试验-运维”的数字主线。
2.2 数据生命周期
工程数据并非静态资产，其价值随产品阶段动态变化。一个典型的数据生命周期包含以下阶段：
- 创建/生成： 设计模型创建、仿真作业提交、试验传感器采集、运维事件记录。
- 处理/转换： 数据清洗、格式转换、特征提取、仿真结果后处理。
- 存储/归档： 数据入库、版本控制、长期归档（如磁带库、冷存储）。
- 共享/分发： 跨部门协同、供应商数据交换、发布至下游系统。
- 使用/分析： 查询检索、可视化分析、机器学习模型训练。
- 销毁/淘汰： 项目结束后的数据清理或合规性删除。
2.3 数据质量挑战
工程数据环境中的数据质量问题远比传统业务数据复杂，主要体现在以下六个方面：
- 完整性缺失： 仿真边界条件记录不全、试验通道数据丢失、运维日志字段为空。
- 一致性问题： 同一零部件在设计 BOM 与仿真模型中的命名或版本不一致；不同试验台对同一物理量的单位不统一。
- 准确性偏差： 传感器漂移导致测量值失真、仿真模型简化引入的数值误差、人工录入错误。
- 时效性滞后： 设计变更未及时同步至仿真与试验团队，导致“用旧数据做新分析”。
- 唯一性冲突： 同一物理对象（如发动机序列号）在多个系统中存在多条记录，缺乏主数据标识。
- 可追溯性断裂： 试验结果无法关联回具体的仿真工况与设计版本，导致问题定位困难。
实践警示： 在工程分析平台项目中，约 60% 的数据集成故障源于“一致性”与“唯一性”问题。建议在数据模型设计阶段即引入主数据管理（MDM）策略，以设计 BOM 为核心建立统一的数据资产目录。
2.4 数据治理切入点
基于上述特征分析，工程分析数据平台在数据治理方面应优先建立以下能力：
| 治理领域 | 核心动作 | 预期收益 |
|---|---|---|
| 主数据管理 | 统一零部件编码、建立产品结构树（EBOM/MBOM） | 消除“一物多码”，提升跨系统关联效率 |
| 元数据管理 | 定义仿真工况、试验条件、传感器通道的元数据标准 | 增强数据可发现性与可解释性 |
| 数据质量监控 | 部署完整性、一致性、时效性自动化校验规则 | 降低“脏数据”流入分析流程的风险 |
| 数据血缘追踪 | 记录从设计模型→仿真网格→试验结果的数据流转路径 | 支撑问题回溯与合规审计 |