Simcenter Testlab 2606: Potenziare i dati di test pronti per l'IA

Simcenter Testlab 2606: Potenziare i dati di test pronti per l'intelligenza artificiale

Team ChampionXperience

22 settembre 2026 5 minuti di lettura

Immaginate la scorciatoia ingegneristica definitiva: prevedere le prestazioni di un prodotto complesso in pochi secondi, anziché impiegare settimane per impostare campagne di test fisiche. Questa è l'enorme promessa intelartificiale e dell'apprendimento automatico nella produzione moderna. Ma se avete mai provato a inserire dati storici di test in una rete neurale, conoscete già la dura realtà. I modelli di intelligenza artificiale sono incredibilmente sensibili; non riescono a distinguere tra un fenomeno fisico reale e un sensore difettoso. Semplicemente, apprendono entrambi.

Storicamente, i dati di test venivano raccolti per rispondere a quesiti ingegneristici molto specifici e isolati, non per addestrare modelli di machine learning. Questo ha comportato che data scientist e ingegneri addetti ai test dedicassero fino all'80% del loro tempo alla pulizia, all'etichettatura e alla convalida manuale di set di dati preesistenti. Con il lancio di Simcenter Testlab 2606, Siemens affronta proprio questo collo di bottiglia introducendo un flusso di lavoro dati unificato e predisposto per l'intelligenza artificiale, che colma il divario tra i test fisici e il machine learning.

Perché i dati di test pronti per l'IA rappresentano il nuovo standard di eccellenza nell'ingegneria

Quando si parla di implementare l'intelligenza artificiale nei test di rumore, vibrazioni e rigidità (NVH) o nei test ambientali dinamici, il collo di bottiglia raramente risiede negli algoritmi di apprendimento automatico stessi. La vera sfida è rappresentata dai dati. Se i dati di addestramento mancano di coerenza, tracciabilità o di un'annotazione adeguata, il modello di intelligenza artificiale genererà previsioni inaffidabili.

Per risolvere questo problema, Simcenter Testlab 2606 si concentra sulla trasformazione delle misurazioni fisiche grezze in risorse digitali strutturate, affidabili e riutilizzabili. Creando una pipeline connessa dal sensore alla piattaforma di addestramento dell'IA, i team di ingegneri possono eliminare i colli di bottiglia della pulizia manuale dei dati e accelerare i loro cicli di progettazione.

I 7 pilastri dei dati di test pronti per l'IA in Simcenter Testlab 2606

Siemens ha delineato sette pilastri fondamentali che i dati di test devono soddisfare per essere considerati veramente "pronti per l'IA". Analizziamo nel dettaglio come l'ultima versione del software risponde a ciascuno di questi requisiti.

1. Qualità

Un modello di intelligenza artificiale apprenderà senza problemi la deriva del sensore, i segnali deboli dell'accelerometro o i canali saturati come se fossero comportamenti fisici reali. Un hardware di acquisizione dati di alta qualità è la prima linea di difesa. L'utilizzo Simcenter SCADAS garantisce l'integrità del segnale direttamente nel punto di misurazione. Incorpora metadati critici, come sovraccarichi di canale, connettività dei sensori e registrazioni di calibrazione, direttamente nei file di dati, assicurando che gli input di addestramento siano fondamentalmente affidabili.

2. Validità

I file salvati sono effettivamente corretti o qualcuno ha semplicemente salvato un'esecuzione errata? La convalida manuale di ore di dati di serie temporali è un processo tedioso. All'interno di Simcenter Testlab Neo, Process Designer automatizza la convalida dei dati temporali, dei risultati dei blocchi e dei singoli valori. Controllando automaticamente i dati dei blocchi rispetto alle curve target o a specifici livelli di soglia, il sistema segnala le anomalie prima ancora che raggiungano il team di data science.

3. Tracciabilità

Un dataset non etichettato è inutile per un modello di machine learning. Se non è possibile identificare immediatamente la configurazione del veicolo, le condizioni operative o l'ambiente di prova di una specifica sessione, non è possibile utilizzarlo per l'addestramento. L' Simcenter editor di modelli e template per dati descrittivi risolve questo problema, aiutandoti a progettare modelli di annotazione conformi allo standard ASAM. Puoi precompilare fino al 90% di queste etichette di metadati prima ancora dell'inizio della campagna di test, lasciando solo le variabili in tempo reale (come le condizioni meteorologiche) da inserire sul posto.

4. Completezza

Per addestrare una rete neurale affidabile, i set di dati devono essere coerenti tra le diverse campagne. Se operatori diversi utilizzano procedure diverse, i dati risultanti non possono essere facilmente confrontati. Il nuovo Acquisizione programmata di Simcenter Testlab Neo automatizza e standardizza l'intera campagna di misurazione. Guida gli operatori passo dopo passo attraverso la strumentazione, l'esecuzione e la reportistica, garantendo che ogni test venga eseguito in condizioni identiche.

5. Quantità

I prototipi fisici sono costosi e i team di test sono costantemente sotto pressione per eseguire un numero inferiore di test fisici. Tuttavia, i modelli di intelligenza artificiale richiedono enormi quantità di dati. Per colmare questa lacuna, Simcenter Testlab 2606 consente di integrare le misurazioni fisiche con dati simulati ad alta fedeltà. Sfruttando l'analisi del percorso di trasferimento basata sui componenti (C-TPA) e l'assemblaggio di prototipi virtuali, è possibile generare set di dati sintetici per colmare lacune critiche nei dati ed espandere la libreria di addestramento.

6. Accessibilità

Gli esperti di data science non dovrebbero essere costretti a cercare i risultati dei test tramite e-mail o messaggi di chat. Simcenter Testlab Data Management offre un database centralizzato conforme allo standard ASAM-ODS. Questo repository centralizzato consente ai team di cercare, filtrare e recuperare istantaneamente i dati storici dei test NVH provenienti da diversi reparti e sedi globali.

7. Connettività

Il passaggio finale consiste nel collegare i dati selezionati direttamente al proprio ambiente di machine learning. Simcenter Testlab Workflow Automation (TWA) è stato aggiornato per cercare ed elaborare i dati archiviati direttamente nel database centralizzato. È possibile definire una query di ricerca, ad esempio per recuperare tutte le misurazioni dei veicoli ibridi effettuate su uno specifico circuito di prova, e il sistema estrarrà, elaborerà ed esporterà automaticamente i dati direttamente in piattaforme di intelligenza artificiale come RapidMiner AI Studio.

Confronto dei flussi di lavoro: tradizionale vs. predisposto per l'IA

Per comprendere l'impatto pratico di questi aggiornamenti, confrontiamo la gestione dei dati di test in un ambiente di test tradizionale con il flusso di lavoro automatizzato della versione 2606.

Sfida dei dati	Flusso di lavoro di test tradizionale	Flusso di lavoro Simcenter Testlab 2606
Qualità dei dati	Registri cartacei; i guasti ai sensori spesso passano inosservati fino alla fase di post-elaborazione.	Simcenter SCADA integra direttamente i dati di integrità del segnale e di calibrazione.
Validazione	Ispezione manuale, che richiede molto tempo, delle singole serie temporali.	Validazione automatizzata dei dati relativi a tempi e blocchi tramite Process Designer.
Etichettatura dei metadati	Convenzioni di denominazione incoerenti e fogli Excel sparsi.	Modelli precompilati conformi ad ASAM tramite modello di dati descrittivo.
Esecuzione della campagna	Procedure dipendenti dall'operatore che portano a set di dati incoerenti.	Campagne di test guidate e automatizzate tramite l'acquisizione della pianificazione.
Pipeline di dati	Trasferimenti manuali di file, richieste via e-mail e script di formattazione personalizzati.	Ricerca diretta nel database ed esportazione automatizzata in RapidMiner AI Studio.

La strada verso la prototipazione zero

Integrando i test fisici con la simulazione virtuale e l'apprendimento automatico, i reparti di ingegneria possono ottenere un'efficienza del flusso di lavoro superiore fino al 60%, acquisendo al contempo informazioni più tempestive sulle prestazioni a livello di sistema. Che si tratti di ridurre i rischi di qualificazione dei veicoli spaziali tramite test con vibratori virtuali o di ottimizzare NVH (rumore, vibrazioni e ruvidità) nel settore automobilistico, la capacità di generare dati di test strutturati, affidabili e riutilizzabili rappresenta un punto di svolta.

Come sta gestendo il vostro team di ingegneri la transizione al machine learning? I vostri data scientist dedicano ancora la maggior parte del tempo alla pulizia di file obsoleti, oppure avete iniziato ad automatizzare la pipeline dei dati di test? Fateci sapere cosa ne pensate nei commenti qui sotto!

Questa guida si basa sulle informazioni contenute nel blog ufficiale Siemens .