# DataMesh Complete Full-Text Documentation > This file contains the complete, unabridged Markdown text of active DataMesh products, solutions, guides, pages, and news releases. > It is designed to be fully ingested by LLMs to provide perfect context for answering any DataMesh-related questions. ================================================== # SECTION: PRODUCTS ================================================== ## [PRODUCTS] checklist ## Stop relying on memory to complete recurring inspections Recurring checks often look simple until they span multiple shifts, contractors, or sites. Paper forms go missing, required photos are skipped, abnormal findings are described differently, and supervisors cannot see what remains incomplete without chasing people for updates. Checklist gives process owners a focused way to define required checks and gives field teams a clear mobile sequence for completing them. Each inspection follows a repeatable process and produces a reviewable record of what happened. ## Make the expected work and evidence explicit An inspection owner can define required steps, fields, readings, photos, notes, signatures, and exception reasons. Field teams see the relevant checklist near the equipment or location, complete each required item, and submit a consistent record for review. Where connectivity is limited, the workflow can be prepared for field use and synchronized after reconnection. Exact offline behavior, devices, and deployment requirements should be confirmed against the current product release during pilot planning. ## Give supervisors a record they can act on Submitted checks show completion, abnormal findings, missing evidence, and supporting records. Supervisors can review exceptions and decide what follow-up is required under the customer's operating process. Checklist organizes the inspection record used in that decision. The customer manages qualified inspection and safety roles, standards, approval authority, retention policy, compliance certification, equipment release, and regulatory judgment. ## Know where Checklist fits - **Checklist** owns repeatable inspection steps, required evidence, and submitted inspection records. - **Inspector** owns the broader alarm and work-order lifecycle from creation and assignment through execution, review, acceptance, rework, and closure. - **Director** owns reusable guided procedures, 3D work instructions, and training content. - **FactVerse Data Fusion Services** connects external asset, task, and operational context when integration is needed. This boundary lets a customer start with a focused inspection program while keeping existing maintenance systems and Inspector in their defined roles. ## Use public evidence carefully Public DataMesh references show adjacent operational needs: Swire Coca-Cola addresses maintenance-process and frontline-training digitization, Foxconn addresses training and equipment-maintenance workflows, and Yokogawa addresses AI-assisted predictive maintenance. They demonstrate the value of clearer field execution and operational evidence. A Checklist evaluation uses the customer's selected inspection, users, evidence requirements, and existing systems as its direct basis. The project team agrees baseline measures and reviews completion quality, evidence coverage, handoffs, and exceptions in the selected workflow before expanding scope. ## Start with one inspection that exposes real friction Choose a recurring inspection with an accountable owner, a stable standard, known evidence gaps, and a manageable user group. Define what must be completed, what proof is required, who reviews exceptions, and which existing systems need data exchange. During the pilot, measure completion visibility, missing evidence, review effort, field usability, offline behavior, and follow-up handling. Use those findings to decide whether to expand Checklist, connect it to more systems, or adopt Inspector for a broader closed-loop operational workflow. --- ## [PRODUCTS] checklist ## Überblick DataMesh Checklist ist eine mobile Inspektions- und Qualitätsmanagement-Lösung, die Papierinspektionen in digitale Workflows umwandelt. Fotodokumentation, Mängelerfassung und automatische Berichterstellung unterstützen konsistente Compliance-Prozesse und Rückverfolgbarkeit. ## Typische Ergebnisse Teams validieren den operativen Nutzen in einem fokussierten Pilot: bessere Sichtbarkeit, konsistentere Ausführung, sauberere Nachweise, schnellere Übergaben und klarere Entscheidungsgrundlagen. Die konkrete Wirkung hängt von Standortumfang, Datenreife, Prozessreife und Rollout-Tiefe ab. --- ## [PRODUCTS] designer ## Überblick DataMesh macht operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen zu einem ausführbaren Teil des Betriebs. Modelle, Daten, Wissen und Feldarbeit werden nicht getrennt behandelt, sondern in einem gemeinsamen digitalen Zwilling verbunden. ![FactVerse Designer](/images/products/designer-hero.png) ## Kernworkflow 1. **Import aus mehreren Modellquellen** — Import aus mehreren Modellquellen verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen, damit Teams Entscheidungen nachvollziehbar ausführen können. 2. **Behavior-Tree-Editor** — Behavior-Tree-Editor verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen, damit Teams Entscheidungen nachvollziehbar ausführen können. 3. **Echtzeit-Datenbindung** — Echtzeit-Datenbindung verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen, damit Teams Entscheidungen nachvollziehbar ausführen können. 4. **Timeline-Simulation** — Timeline-Simulation verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen, damit Teams Entscheidungen nachvollziehbar ausführen können. 5. **Bereitstellung auf mehreren Geräten** — Bereitstellung auf mehreren Geräten verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen, damit Teams Entscheidungen nachvollziehbar ausführen können. ## Unterstützte Plattformen - **Windows** — vollständige Authoring-Umgebung - **macOS** — vollständige Authoring-Umgebung Der Einstieg beginnt mit vorhandenen BIM/CAD-Modellen, Systemdaten, Sensoren, Arbeitsaufträgen und Dokumenten. Data Fusion Services verbindet die Quellen; FactVerse ordnet sie Räumen, Anlagen, Systemen und Prozessen zu. So entsteht eine Grundlage für operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen. ## Designer oder Director: welches Werkzeug passt? | FactVerse Designer | Director | |---|---| | FactVerse Designer verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von operatives Digital-Twin-Authoring, Simulation und Physical-AI-Szenen, damit Teams Entscheidungen nachvollziehbar ausführen können. | Director verbindet Modelle, Betriebsdaten und Arbeitsabläufe im Kontext von interaktives 3D-Training, Simulator-Szenarien, SOP-Führung und Kompetenznachweise, damit Teams Entscheidungen nachvollziehbar ausführen können. | | Datengetriebene Szenenausführung | Geführte Verfahrensausführung | | Inspector, DataMesh One, Web-Dashboards | DataMesh One, mobil, AR/MR | ## Typische Ergebnisse Teams validieren den Nutzen über bessere Transparenz, konsistentere Ausführung, sauberere Nachweise, schnellere Übergaben und belastbarere Entscheidungen. Die Wirkung hängt von Umfang, Datenreife und Umsetzungstiefe ab. --- ## [PRODUCTS] dfs ## Betriebsdaten sollten Aktionen auslösen, nicht ein weiteres Silo Industrieunternehmen fehlt es selten an Daten. Sie sind jedoch über Steuerungen, Sensoren, Wartungssysteme, Tabellen, Datenbanken und Cloud-Dienste verteilt und verwenden unterschiedliche Namen, Strukturen und Verantwortlichkeiten. Data Fusion Services macht daraus Betriebskontext, dem Teams vertrauen und den sie nutzen können. ![Data Fusion Services Architektur](/images/migrated/dfs-architecture.png) ## Systeme verbinden, ohne Bedeutung zu verlieren Data Fusion Services verbindet Betriebstechnik, Unternehmensanwendungen, Dokumente, Dateien und Cloud-Plattformen und erhält die Herkunft jedes Datensatzes. Live-Signale lassen sich mit Anlagen-, Arbeitsauftrags-, Inspektions-, Energie- und Geschäftskontext kombinieren. ## Eine verlässliche Sicht auf Anlagen und Betrieb schaffen Dieselbe Anlage kann in BMS, CMMS, Tabellen und digitalem Zwilling unterschiedliche Namen tragen. Data Fusion Services gleicht diese Identitäten ab, macht Konflikte prüfbar und bewahrt die Originalquelle. ## Verlässliche Daten in FactVerse nutzen Sind Identität, Qualität und Kontext klar, unterstützt dieselbe Grundlage Live-Zwillinge, Facility Operations, vorausschauende Wartung, Energieanalysen, Berichte und FactVerse AI Agent. Jeder verbundene Ablauf schafft wiederverwendbares Wissen. ## Mit einem Geschäftsergebnis beginnen Der beste Ausgangspunkt ist nicht, alles zu verbinden. Wählen Sie ein sichtbares Ergebnis: eine verlässliche Anlagenübersicht, systemübergreifende Arbeitsaufträge, einen Live-Facility-Zwilling oder einen Wartungsdatensatz. Bestätigen Sie den Nutzen mit dem verantwortlichen Team und erweitern Sie anschließend. --- ## [PRODUCTS] director ## Überblick DataMesh Director ist eine leistungsstarke No-Code-Plattform zur Erstellung interaktiver 3D- und Mixed-Reality-Inhalte. Entwickelt für Branchen wie Fertigung, Schulung und Betrieb ermöglicht sie den einfachen Aufbau immersiver Schritt-für-Schritt-Anleitungen, Workflows und Schulungsszenarien. Durch die Nutzung vorhandener 3D-Modelle verbessert DataMesh Director die Kommunikation, beschleunigt das Lernen und steigert die Betriebseffizienz. Director besteht aus zwei Anwendungen: - **DataMesh Studio** — die Content-Erstellungs-App für 3D/XR-Szenarien - **DataMesh One** — die Kollaborations-App zum Ansehen und Teilen ![Director Geräteunterstützung](/images/migrated/director-device-support.jpg) ## Unterstützte Geräte | Plattform | App | Hinweise | |-----------|-----|----------| | **Windows** | DataMesh Studio, DataMesh One | Vollständige Erstellung + Wiedergabe | | **macOS (Apple Silicon)** | DataMesh Studio | Content-Erstellung | | **iPadOS** | DataMesh Studio | Content-Erstellung | | **Apple Vision Pro** | DataMesh One | Spatial Computing Wiedergabe | | **Meta Quest 3 / 3S** | DataMesh One | Standalone VR/MR-Wiedergabe | | **iOS / iPhone** | DataMesh One | Mobile AR-Wiedergabe | | **ARCore Android** | DataMesh One | Mobile AR-Wiedergabe | | **HoloLens 2** | DataMesh One | Letzte unterstützte Version: 6.2.3 | Auch verfügbar: [DataMesh Director für Sony Spatial Reality Display](/products/sony-srd) — brillenfreies 3D. DataMesh Director bietet sowohl **SaaS-Abonnement** als auch **Private-Deployment** Optionen. ## Director vs Designer — Was brauche ich? | | **Director** | **Designer** | |---|---|---| | **Zweck** | Schritt-für-Schritt SOP-Erstellung für Schulung & Anleitung | Betriebliche Digitalzwilling-Szenengestaltung für Gebäudeüberwachung | | **Kernwerkzeug** | DataMesh Studio — visueller Szenario-Editor | FactVerse Designer — Verhaltensbaum-Szenenbauer | | **Ergebnis** | Interaktive XR-Rundgänge, SOPs und Schulungsszenarien | Datengetriebene 3D-Gebäudeumgebungen mit Live-Sensorbindungen | | **Daten** | Eigenständige Inhalte; keine externen Daten erforderlich | Live-IoT/BMS-Daten über Data Fusion Services | | **Wiedergabe** | DataMesh One (Vision Pro, Quest, iOS, Android, Windows) | Inspector, DataMesh One und Web-Dashboards | | **Ideal für** | Schulungsleiter, L&D-Teams, Außendiensttechniker | Gebäudemanager, Betriebsteams, Digitalzwilling-Architekten | **Director wählen** — wenn Sie jemandem beibringen müssen, *wie* eine Aufgabe auszuführen ist. **Designer wählen** — wenn Sie zeigen müssen, *was gerade* in einer Anlage passiert. ## Typische Ergebnisse Teams validieren den operativen Nutzen in einem fokussierten Pilot: bessere Sichtbarkeit, konsistentere Ausführung, sauberere Nachweise, schnellere Übergaben und klarere Entscheidungsgrundlagen. Die konkrete Wirkung hängt von Standortumfang, Datenreife, Prozessreife und Rollout-Tiefe ab. --- ## [PRODUCTS] factverse-dlc ## Ueberblick FactVerse DLC ist eine Familie vorkonfigurierter Digital-Twin-Content-Packs fuer FactVerse Designer. Teams koennen damit aus wiederverwendbaren Grundlagen starten, statt jede 3D-Szene neu aufzubauen. Aktuelle Foundation-Packs decken Data Center, Campus, Lagerlogistik und diskrete Fertigung ab. Jedes Pack kann wiederverwendbare Modelle, Digital-Twin-Templates, Szenen, Behavior-Tree-Logik und operativen Kontext enthalten, die fuer konkrete Standorte und Workflows angepasst werden. ## Rolle in FactVerse DLC ist Teil des FactVerse-Content-Workflows. Es hilft Designer-Nutzern, Szenen schneller zusammenzustellen und anschliessend mit Betriebsdaten, Arbeitsablaeufen, Inspektionen, Training oder Simulation zu verbinden. --- ## [PRODUCTS] factverse-sdk ## Überblick FactVerse SDK ermöglicht Entwicklern, fortgeschrittene Digital-Twin-Funktionen in eigene Anwendungen zu integrieren. Das SDK bietet Zugriff auf FactVerse-Plattformfunktionen wie Ressourcenverwaltung, DataMesh-Director-Szenariowiedergabe und Digital-Twin-Entitäten. ## Einstieg SDK und Dokumentation stehen im [FactVerse Developer Portal](https://docs.datamesh.com) bereit. --- ## [PRODUCTS] factverse-twin-engine ## Plattformrolle FactVerse Twin Engine ist die 3D-Laufzeitschicht innerhalb der FactVerse-Plattform. Sie verbindet Geometrie, Asset-Modelle, Telemetrie, Szenenlogik und Anwendungsworkflows, damit Teams in einem digitalen Zwilling arbeiten, der die reale Betriebsumgebung widerspiegelt. ## Von Modellen zu ausführbaren Zwillinge Viele Organisationen besitzen bereits 3D-Assets, BIM-Dateien, CAD-Modelle und Betriebsdaten. Häufig bleiben diese Ressourcen getrennt. Twin Engine macht daraus eine nutzbare Ausführungsumgebung, in der Szenen nicht nur sichtbar, sondern auch abfragbar, bindbar und operativ aussagekräftig sind. ## Physischer Kontext für bessere Entscheidungen Dashboards und Berichte zeigen, was sich geändert hat. Sie erklären selten, wie eine Entscheidung mit Raum, Anlagenabhängigkeiten, Sperrzonen oder Workflow-Reihenfolgen zusammenwirkt. Twin Engine liefert den physischen Kontext, um operative Entscheidungen vor der Umsetzung zu prüfen. ## Gemeinsame Laufzeit für Anwendungen Twin Engine ist nicht auf Visualisierung beschränkt. Sie unterstützt Inspektionen, Wartungsführung, Training, Szenario-Wiedergabe, KI-gestützte Analyse und weitere Anwendungen, die ein dauerhaftes räumliches Modell der Betriebsumgebung benötigen. ## Zusammenspiel im FactVerse Stack Twin Engine arbeitet mit Data Fusion Services für Datenkonnektivität, Designer für Authoring und AI Agent für Analyse und Entscheidungsunterstützung. Zusammen entsteht ein geschlossener Kreislauf von Datenerfassung über Schlussfolgerung, Szenenvalidierung und operative Ausführung. --- ## [PRODUCTS] factverse ## Für komplexe Anlagen gebaut FactVerse ist nicht mehr nur eine Digital-Twin-Engine. Es ist die vollständige Betriebsplattform, die Datenzugriff, Szenenausführung, KI-Reasoning und Anwendungsbereitstellung für komplexe industrielle Umgebungen verbindet. ## Dual-Engine-Architektur - **Twin Engine** — die Ausführungsengine für räumliche Laufzeitumgebungen - **AI Agent** — die Entscheidungsengine für Analyse und Empfehlungen ## Bereitstellung FactVerse unterstützt Cloud-, Private- und Hybrid-Deployments. --- ## [PRODUCTS] fai ## Risiken erkennen, bevor sie den Betrieb unterbrechen Betriebsteams verfügen bereits über zahlreiche Alarme, Dashboards und Aufzeichnungen, können jedoch nicht alles kontinuierlich prüfen. FactVerse AI Agent analysiert diese Signale rund um die Uhr, weist auf relevante Veränderungen hin und lenkt die Aufmerksamkeit auf die wichtigsten Anlagen. ## Jede Empfehlung erhält realen Betriebskontext Ein einzelnes Signal erzählt selten die ganze Geschichte. FactVerse verbindet es mit Anlagenidentität, Standort, abhängigen Systemen, Wartungshistorie, Inspektionen, Verfahren und Arbeitsaufträgen. Teams sehen, was sich verändert hat, warum es wichtig ist und welche Belege den nächsten Schritt stützen. ## Erkenntnisse in verantwortliche Aktionen überführen Eine Empfehlung schafft erst dann Wert, wenn die richtigen Personen sie prüfen und umsetzen. Freigegebene Befunde können in Inspector-Arbeitsaufträge, Feldanweisungen, Nachweise, Verifikation und Abschluss einfließen, während die Betriebsteams des Kunden die Kontrolle behalten. ## Ein Betriebssystem schaffen, das weiterlernt Abgeschlossene Inspektionen, Wartungsmaßnahmen, akzeptierte Empfehlungen und Feldergebnisse verbessern die Grundlage für die nächste Prüfung. Dieses Feedback stärkt Betriebswissen und Machine-Learning-Workflows, ohne die menschliche Verantwortung aufzugeben. --- ## [PRODUCTS] inspector ## Überblick Inspector 8.0 verbindet Digital-Twin-Kontext, Asset-Dateien, Live-Gebäudedaten, Alarme, Arbeitsaufträge, SOP-Vorlagen, Felddaten und KI-Unterstützung. Die Lösung führt Problemerkennung, Zuweisung, Ausführung, Nachweiserfassung und Abnahme in einem operativen Ablauf zusammen. - Assets in 3D sehen und Systeme schneller lokalisieren - Alarm -> Arbeitsauftrag -> Ausführung -> Prüfung -> Abnahme -> Abschluss - Offline-fähige Feldworkflows mit Mobile- und AR-Unterstützung - SOP-Vorlagen und Felddaten für wiederholbare Ausführung - Unterstützung für BCA Green Mark durch Betriebsnachweise - Brick Schema für standardisierte Asset-Beziehungen ## Drei Ansichten ### Digital-Twin-Ansicht Immersive 3D-Ansichten unterstützen First-Person-Begehung, geschichtete Anlagenlayouts, 2D-Grundrissnavigation, Standortcodes, Kamerakontext, Asset-Fokus und Asset-Akten per Klick. ### Management-Ansicht Dashboards zeigen Asset-Verteilung, Zustand und Arbeitsstatus. Alarmmanagement priorisiert nach Kritikalität und Zone, bewahrt externe Quelldaten, führt wiederholte Ereignisse zusammen und zeigt Alarmmarker in der 3D-Szene. ### Frontline-Ansicht Techniker folgen Aufgaben, Pflichtschritten, Scan-Prüfpunkten, Referenzdokumenten und geführten Playbooks. Arbeitsaufträge speichern Notizen, Fotos, Videos, Ausnahmengründe, Zeitstempel und Abnahmeinformationen. ## Vom Alarm zur nachvollziehbaren Arbeit Inspector verbindet den operativen Ablauf. Ein BMS-, IoT- oder Gerätealarm kann externe ID und strukturierte Quelldaten behalten, am betroffenen Asset erscheinen und anschließend Arbeitsaufträge erzeugen oder verknüpfen. Ein Alarm kann mehrere Arbeitsaufträge tragen, wenn mehrere Teams oder Maßnahmen beteiligt sind. ## Feldarbeit bei instabiler Verbindung Teams können Arbeitsaufträge, Pflichtschritte, Referenzdokumente, BIM- oder 3D-Szenen, Playbook-Ressourcen, QR- oder NFC-Prüfpunkte und Asset-Kontext vorladen. Felddaten werden lokal gesammelt und nach der Wiederverbindung synchronisiert. ## SOPs aus realer Arbeit Wiederkehrende Wartungs-, Inspektions- und Korrekturmaßnahmen lassen sich als SOP-Vorlagen strukturieren. Pflichtfelder, Pflichtschritte, Ausnahmeformulare, Scan-Prüfungen, Mediennachweise und Abnahmeregeln helfen Teams, Ausführung standortübergreifend zu standardisieren. ## Green-Mark-Vorbereitung Inspector hilft Facility-Teams, Betriebsdaten, Inspektionshistorie, Wartungsmaßnahmen, Arbeitsauftragsabschlüsse und Korrekturmaßnahmen für Green-Mark-Vorbereitung nachvollziehbar zu organisieren. Brick Schema ergänzt eine offene Asset-Semantik für Gebäude, Etagen, Zonen, Geräte, Zähler, Sensoren, Kontrollpunkte und Systembeziehungen. Für tiefere Energieanalysen können diese Betriebsaufzeichnungen im FactVerse-Workflow mit BIM/IFC und EnergyPlus-basierten Gebäudemodellen verbunden werden. ## Typische Ergebnisse Teams validieren den operativen Nutzen in einem fokussierten Pilot: bessere Sichtbarkeit, konsistentere Ausführung, sauberere Nachweise, schnellere Übergaben und klarere Entscheidungsgrundlagen. Die konkrete Wirkung hängt von Standortumfang, Datenreife, Prozessreife und Rollout-Tiefe ab. --- ## [PRODUCTS] omniverse-adaptor ## Überblick Der FactVerse Adaptor for NVIDIA Omniverse verbindet DataMesh FactVerse mit Omniverse. Teams können operative Digital Twins in fortgeschrittene Simulations- und Visualisierungsworkflows überführen, ohne Szenenstruktur oder Echtzeitkontext zu verlieren. ## Warum dieser Adaptor wichtig ist Industrieteams benötigen zunehmend verlässliche operative Zwillinge und hochwertige Simulationsumgebungen zugleich. FactVerse liefert die operative Ground Truth, Omniverse liefert Rendering und Simulation. Der Adaptor verbindet diese Ebenen statt sie in getrennten Toolchains zu halten. ## Was FactVerse in Omniverse einbringt FactVerse ist nicht nur eine Quelle für 3D-Modelle. Es kann Fabrik- oder Facility-Twins mit Szenenhierarchie, räumlichen Beziehungen, Anlagenidentität, Metadaten, Sensor- und Systemdatenbindungen sowie Verhaltenslogik nach Omniverse bringen. Omniverse erhält damit eine nutzbare Industrieszene, nicht nur einen statischen visuellen Export. ## Vom operativen Twin zum USD-Workflow Der Adaptor importiert vollständige FactVerse-Szenen in Omniverse und erweitert sie in USD-basierten Workflows. Das hilft, wenn Teams bessere Visualisierung, Design Reviews oder Simulation brauchen, ohne Digital-Twin-Inhalte neu aufzubauen. ## Echtzeitdaten als Teil der Szene Mit Data Fusion Services als Live-Datenschicht können Omniverse-Szenen auf reale Betriebsbedingungen reagieren. Telemetrie, Gerätestatus und Prozesssignale werden in reichhaltigere Simulationsumgebungen gebracht, statt nur statische Modelle zu nutzen. ## Rendering und Physiksimulation Omniverse kann den FactVerse-Twin hochwertig rendern und für physiksensitive Validierung genutzt werden: Bewegung, Kollisionen, Anlagenlayout, Sicherheitszonen, Roboterpfade, Verpackungs- oder Materialfluss und Prozess-Timing. FactVerse hält die operative Semantik und den Datenkontext; Omniverse stellt Rendering und Simulationsumgebung bereit. ## Bessere Arbeitsteilung zwischen Plattformen FactVerse bleibt der Ort für Betriebskontext, Twin-Struktur und Datenintegration. Omniverse wird der Ort für Simulation, Rendering und spezialisierte Szenenentwicklung. Der Adaptor schafft die Brücke zwischen diesen Verantwortlichkeiten. ## Für industrielle Zusammenarbeit gebaut Besonders nützlich ist das Produkt, wenn Simulationsteams, Betriebsteams und Digital-Twin-Teams an denselben Assets und Szenarien arbeiten müssen, ohne Szenenarbeit in mehreren Plattformen zu duplizieren. --- ## [PRODUCTS] robotics ## Überblick DataMesh Robotics generiert industrietaugliche synthetische Trainingsdaten für Physical AI und Embodied AI. Erstellen Sie digitale Zwillinge, simulieren Sie Sensoren, labeln Sie Ground Truth automatisch und exportieren Sie nach NVIDIA Isaac Sim/Omniverse. > **Vorabzugang** — DataMesh Robotics ist derzeit für ausgewählte Unternehmenspartner verfügbar. ## Bereit für schnellere Robotik-Trainingspipelines? Nennen Sie uns Zielroboter, Aufgaben und Umgebung. Wir schlagen einen Plan zur Datengenerierung, einen Integrationsansatz und eine Demo für Ihr industrielles Szenario vor. Kontakt: robotics@datamesh.com --- ## [PRODUCTS] simulator ## Überblick DataMesh Simulator bietet Operatortraining und Kompetenzbewertung auf Basis von Digital Twins und Physiksimulation. Die Plattform unterstützt Turmdrehkrane, Gabelstapler, Drehbohrgeräte, Tiefbrunnen-Casing-Bohrgeräte, Bagger und weitere Maschinen über realistische Bedienabläufe, Feedback und Bewertungsregeln. ## Geräteabdeckung Simulator wird um Zielmaschine, Bedienelemente, Aufgabenfolge, Bewertungskriterien und Hardwareformfaktor konfiguriert. Typische Szenarien umfassen Turmdrehkrane, Gabelstapler, Drehbohrgeräte, Tiefbrunnen-Casing-Bohrgeräte und Bagger. ## Öffentliche Steam-Referenzversion DataMesh veröffentlicht außerdem [Operator Training: Heavy Equipment auf Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) als vereinfachte öffentliche Referenzversion der Simulator-Erfahrung. Diese Version eignet sich, um Trainingskonzept, Interaktionsablauf und Digital-Twin-basierte Maschinenpraxis in leichter Form zu sehen. Sie ist jedoch nicht mit den professionellen Simulator-Systemen gleichzusetzen, die wir für Unternehmen und Bildungseinrichtungen mit kundenspezifischer Hardware, Bewegungsplattformen, Kabinen, Bedienelementen, Inhalten und Bewertungsanforderungen liefern. ## Typische Ergebnisse Teams validieren den operativen Nutzen in einem fokussierten Pilot: bessere Sichtbarkeit, konsistentere Ausführung, sauberere Nachweise, schnellere Übergaben und klarere Entscheidungsgrundlagen. Die konkrete Wirkung hängt von Standortumfang, Datenreife, Prozessreife und Rollout-Tiefe ab. --- ## [PRODUCTS] sony-srd ## Overview DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] designer ## Build the context before the next physical change Industrial planning often starts with source models spread across BIM, CAD, point clouds, equipment libraries, spreadsheets, and operational systems. Each downstream team then rebuilds enough context for its own review, visualization, simulation, or field workflow. FactVerse Designer turns those inputs into a reusable digital-twin scene. Assets receive stable identity, spatial relationships, behavior, process state, timeline logic, and selected data bindings so engineering and operations can work from the same environment. ## Core workflow ### Import and organize Bring facility, line, cell, equipment, and site assets into a consistent coordinate and hierarchy structure. Organize spaces, systems, routes, work areas, and asset relationships for the decision in scope. ### Define semantics and behavior Add equipment states, behavior trees, conditions, actions, sequences, handoffs, and exception paths. The scene begins to express how the environment operates as well as how it looks. ### Connect selected data Use [Data Fusion Services](/products/dfs) to bind relevant sensor, production, building, maintenance, or enterprise data to assets and scenarios. The project selects the data needed for the operating or planning question. ### Compare scenarios Review layout, flow, route, timing, resource, process-state, and operating variants. Current Designer workflows support visual planning, timeline scenarios, discrete-event comparison, and process-flow review. ### Publish governed context Release approved scenes to Inspector, DataMesh One, web experiences, and project-enabled simulation or Physical AI workflows while retaining asset identity and scenario assumptions. ## Prepare for deeper simulation when the decision requires it Designer provides the authoring foundation for [Process Simulation and Virtual Planning](/solutions/process-simulation). It prepares geometry, layout, process logic, scenario variants, stable coordinates, semantics, and SimReady asset context. Project-enabled workflows can extend selected scenarios into reduced-order airflow, GPU airflow, thermal-fluid, rigid-body, Isaac, PhysX, or Newton-oriented analysis. Each project defines the runtime, model inputs, calibration level, comparison metrics, and engineering review path according to the decision being made. ## Supported platforms - **Windows** - Full visual authoring environment - **macOS** - Full visual authoring environment - **FactVerse ecosystem** - Approved scenes can be consumed by Inspector, DataMesh One, web experiences, and project integrations ## Designer and Director support different workflows | | **Designer** | **Director** | |---|---|---| | **Primary outcome** | Reusable operational digital-twin environment | Repeatable 3D procedure, training, or guided work content | | **Core authoring** | Scene, layout, asset identity, behavior, timeline, and scenario | Steps, interactions, media, assessment, and learner guidance | | **Data context** | Can connect selected operating data through Data Fusion Services | Usually self-contained around the procedure or training content | | **Downstream use** | Operations, planning, simulation, and Physical AI preparation | Training, SOP delivery, guided work, and frontline enablement | ## Role across creation, simulation, and operation Designer starts the workflow by creating the governed scene and scenario context. Project-selected simulation runtimes analyze questions that need deeper physics. FactVerse AI Agent can interpret approved operating and simulation evidence, while Inspector carries reviewed actions into asset, inspection, maintenance, work-order, and field-evidence workflows. ## Start with one representative environment A focused evaluation begins with one facility area, production cell, process, or upcoming physical change. DataMesh and the customer define the source assets, operating context, scenarios, comparison criteria, downstream users, and any project-enabled simulation requirements before expanding the model. --- ## [PRODUCTS] dfs ## Operational data should create action, not another silo Industrial data is rarely missing. It is usually scattered across controls, sensors, maintenance systems, spreadsheets, databases, and cloud services, each with different names, structures, and owners. Data Fusion Services turns that fragmentation into operational context teams can trust and use. ![Data Fusion Services Architecture](/images/migrated/dfs-architecture.png) ## Connect systems without losing meaning Data Fusion Services connects operational technology, enterprise applications, documents, files, and cloud platforms while preserving where each record came from. Teams can combine live signals with asset, work-order, inspection, energy, and business context instead of building another isolated data store. ## Create one trusted view of assets and operations The same equipment may have different names in a BMS, CMMS, spreadsheet, and digital twin. Data Fusion Services helps teams reconcile those identities, review conflicts, and keep the original source visible. The result is a consistent operational view without pretending that source-system differences do not exist. ## Put trusted data to work across FactVerse Once data has clear identity, quality, and context, the same foundation can support live digital twins, facility operations, predictive maintenance, energy review, reporting, and FactVerse AI Agent. Each connected workflow adds reusable knowledge instead of creating another one-off integration. ## Start with a business outcome The strongest starting point is not “connect everything.” Choose one visible result: a reliable asset view, a cross-system work-order picture, a live facility twin, or a dataset for predictive maintenance. Prove that the data is useful with the team that owns the outcome, then expand from a trusted foundation. --- ## [PRODUCTS] director ## Keep critical know-how usable beyond the expert who holds it Complex work is often taught through binders, slide decks, videos, and side-by-side instruction. Those methods can leave important spatial detail in the instructor's head: which component matters, what changes between steps, where a hazard sits, and what a technician should check before continuing. When experienced employees move roles or standards change, that knowledge becomes difficult to repeat and maintain. Director helps process owners and training teams turn that know-how into reusable 3D guidance. Qualified instructors and approved procedures remain in control, with a clearer and more maintainable way to explain and reuse what good work looks like. ## Turn a real procedure into guidance people can follow Teams use DataMesh Studio to combine an existing equipment or facility model with work steps, annotations, animations, interactions, and review notes. A subject-matter expert can walk through the procedure with the content team, identify the essential details, and validate the sequence before it is published. DataMesh One then delivers the approved content for training, review, or field guidance on a supported device. When equipment, risk controls, or work standards change, the owner can revise and republish the content instead of rebuilding separate materials for every site and device. ![Director device support](/images/migrated/director-device-support.jpg) ## Fit the delivery method to the work Not every procedure needs a headset. Desktop and mobile delivery can work well for self-study, classroom review, and quick access near equipment. Spatial devices can add value when scale, position, hands-free viewing, or an understanding of hidden internal behavior matters. Current Director releases support DataMesh Studio on Windows, Apple-silicon macOS, and iPadOS, and DataMesh One on Windows, iOS, ARCore-certified Android devices, Apple Vision Pro, and Meta Quest 3/3S. HoloLens 2 remains a legacy path with Director 6.2.3 as the last supported version. Device choice should be confirmed against the current release, site safety rules, network conditions, and the task itself. Director is available through SaaS subscription and private deployment options. During evaluation, teams define the deployment scope, identity model, content ownership, localization approach, and device-management requirements. ## Know where Director fits - **Director** owns reusable guided procedures, standard work, and 3D training content. - **DataMesh Studio** is the Director authoring and review application. - **DataMesh One** delivers approved content for viewing, training, and collaboration. - **FactVerse Designer** creates operational digital twin scenes, process logic, and simulation workflows. - **Simulator** supports physics-based heavy-equipment operator practice with training controls or stations. - **Inspector and Checklist** manage inspections, work tasks, field records, and evidence rather than owning the training content itself. This boundary lets a customer use Director on its own for guided content or combine it with the broader FactVerse stack without presenting every operational workflow as a Director feature. ## Public evidence from operational training - [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) used Director to create 3D instructions for aseptic filling-valve maintenance and frontline training in a bottling facility. - [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) used Director in the first phase of a training and equipment-maintenance initiative, creating reusable MR training materials for delivery across computers, mobile devices, and Apple Vision Pro. - [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) developed digital twin and MR training for ETC equipment and tunnel emergency facilities, making internal structures and behavior easier for trainees to examine. These references demonstrate guided 3D training in real operating environments. Results still depend on procedure selection, content quality, instructor involvement, device fit, and rollout practice. ## Start with one procedure that matters A useful pilot is narrow enough to review but important enough to expose real friction. Choose a procedure with an accountable owner, available source material, an equipment or facility model, and a clear group of learners or field users. Validate whether people understand the sequence and decision points, whether experts can review and update the content, whether the selected device fits the work environment, and whether ownership and updates remain manageable after the pilot. That evidence provides a practical basis for deciding which roles, sites, and procedures come next. --- ## [PRODUCTS] checklist ## Descripción General DataMesh Checklist es una solución móvil de inspección y gestión de calidad que convierte inspecciones en papel en flujos de trabajo digitales. ## Resultados Típicos Los equipos validan el valor operativo con un piloto enfocado: mayor visibilidad, ejecución más consistente, registros más claros, traspasos más rápidos y mejor evidencia para la toma de decisiones. El impacto concreto depende del alcance del sitio, la madurez de datos, los procesos y el despliegue. --- ## [PRODUCTS] designer ## Descripción general DataMesh convierte autoría de escenas operativas, simulación y escenarios de Physical AI en una capacidad operativa ejecutable. Modelos, datos, conocimiento y trabajo de campo se conectan dentro de un mismo gemelo digital. ![FactVerse Designer](/images/products/designer-hero.png) ## Flujo principal 1. **Importación de múltiples fuentes** — Importación de múltiples fuentes conecta modelos, datos operativos y workflows en el contexto de autoría de escenas operativas, simulación y escenarios de Physical AI, con ejecución trazable. 2. **Editor de árboles de comportamiento** — Editor de árboles de comportamiento conecta modelos, datos operativos y workflows en el contexto de autoría de escenas operativas, simulación y escenarios de Physical AI, con ejecución trazable. 3. **Vinculación de datos en tiempo real** — Vinculación de datos en tiempo real conecta modelos, datos operativos y workflows en el contexto de autoría de escenas operativas, simulación y escenarios de Physical AI, con ejecución trazable. 4. **Simulación en línea de tiempo** — Simulación en línea de tiempo conecta modelos, datos operativos y workflows en el contexto de autoría de escenas operativas, simulación y escenarios de Physical AI, con ejecución trazable. 5. **Despliegue multi-dispositivo** — Despliegue multi-dispositivo conecta modelos, datos operativos y workflows en el contexto de autoría de escenas operativas, simulación y escenarios de Physical AI, con ejecución trazable. ## Plataformas compatibles - **Windows** — entorno completo de autoría - **macOS** — entorno completo de autoría El punto de partida son modelos BIM/CAD, datos de sistemas, sensores, órdenes de trabajo y documentos. Data Fusion Services conecta las fuentes; FactVerse las organiza por espacios, activos, sistemas y procesos para soportar autoría de escenas operativas, simulación y escenarios de Physical AI. ## Designer o Director: qué herramienta usar | FactVerse Designer | Director | |---|---| | FactVerse Designer conecta modelos, datos operativos y workflows en el contexto de autoría de escenas operativas, simulación y escenarios de Physical AI, con ejecución trazable. | Director conecta modelos, datos operativos y workflows en el contexto de formación 3D interactiva, escenarios Simulator, guía SOP y evidencias de competencia, con ejecución trazable. | | Ejecución de escenas basada en datos | Ejecución de procedimientos guiados | | Inspector, DataMesh One, dashboards web | DataMesh One, móvil, AR/MR | ## Resultados típicos El valor se valida con más visibilidad, ejecución más consistente, registros más limpios, traspasos más rápidos y mejores evidencias de decisión. --- ## [PRODUCTS] dfs ## Los datos operativos deben generar acción, no otro silo Las empresas industriales no suelen carecer de datos. Están dispersos entre controles, sensores, sistemas de mantenimiento, hojas de cálculo, bases y servicios cloud, con nombres, estructuras y responsables distintos. Data Fusion Services transforma esa fragmentación en contexto operativo fiable y utilizable. ![Arquitectura de Data Fusion Services](/images/migrated/dfs-architecture.png) ## Conectar sistemas sin perder el significado Data Fusion Services conecta tecnología operativa, aplicaciones empresariales, documentos, archivos y nubes conservando el origen de cada registro. Las señales en vivo se combinan con contexto de activos, órdenes, inspecciones, energía y negocio. ## Crear una vista fiable de activos y operaciones El mismo equipo puede tener nombres distintos en BMS, CMMS, hojas de cálculo y gemelos digitales. Data Fusion Services concilia esas identidades, permite revisar conflictos y conserva la fuente original. ## Poner datos fiables al servicio de FactVerse Cuando identidad, calidad y contexto son claros, la misma base sirve a gemelos en vivo, operaciones, mantenimiento predictivo, energía, informes y FactVerse AI Agent. Cada workflow conectado crea conocimiento reutilizable. ## Empezar por un resultado de negocio El mejor inicio no es conectarlo todo. Elija un resultado visible: una vista fiable de activos, órdenes entre sistemas, un gemelo de instalación en vivo o un dataset de mantenimiento. Confirme su utilidad con el equipo responsable y amplíe después. --- ## [PRODUCTS] director ## Descripción General DataMesh Director es una potente plataforma sin código para crear contenido 3D interactivo y de realidad mixta. Diseñada para industrias como manufactura, capacitación y operaciones, permite construir guías paso a paso inmersivas, flujos de trabajo y escenarios de capacitación con facilidad. Director se compone de dos aplicaciones: - **DataMesh Studio** — la app de creación de contenido para escenarios 3D/XR - **DataMesh One** — la app de colaboración para visualizar y compartir contenido ![Soporte de Dispositivos Director](/images/migrated/director-device-support.jpg) ## Dispositivos Compatibles | Plataforma | App | Notas | |------------|-----|-------| | **Windows** | DataMesh Studio, DataMesh One | Creación + reproducción completa | | **macOS (Apple Silicon)** | DataMesh Studio | Creación de contenido | | **iPadOS** | DataMesh Studio | Creación de contenido | | **Apple Vision Pro** | DataMesh One | Reproducción espacial | | **Meta Quest 3 / 3S** | DataMesh One | Reproducción VR/MR independiente | | **iOS / iPhone** | DataMesh One | Reproducción AR móvil | | **ARCore Android** | DataMesh One | Reproducción AR móvil | | **HoloLens 2** | DataMesh One | Última versión soportada: 6.2.3 | DataMesh Director ofrece opciones de **suscripción SaaS** y **despliegue privado**. ## Director vs Designer — ¿Cuál necesito? | | **Director** | **Designer** | |---|---|---| | **Propósito** | Creación de SOPs paso a paso para capacitación y guía | Diseño de gemelo digital operativo para monitoreo de instalaciones | | **Herramienta** | DataMesh Studio — editor visual de escenarios | FactVerse Designer — constructor de escenas con árbol de comportamiento | | **Resultado** | Recorridos XR interactivos, SOPs y escenarios | Entornos 3D con datos en tiempo real | | **Datos** | Contenido autónomo; sin datos externos | Conexión IoT/BMS en vivo vía Data Fusion Services | | **Reproducción** | DataMesh One (Vision Pro, Quest, iOS, Android, Windows) | Inspector, DataMesh One y dashboards web | | **Ideal para** | Gerentes de capacitación, equipos L&D, ingenieros de campo | Gerentes de instalaciones, equipos de operaciones | **Elija Director** cuando necesite enseñar a alguien *cómo* realizar una tarea. **Elija Designer** cuando necesite mostrar *qué está pasando* en una instalación. ## Resultados Típicos Los equipos validan el valor operativo con un piloto enfocado: mayor visibilidad, ejecución más consistente, registros más claros, traspasos más rápidos y mejor evidencia para la toma de decisiones. El impacto concreto depende del alcance del sitio, la madurez de datos, los procesos y el despliegue. --- ## [PRODUCTS] factverse-dlc ## Vision general FactVerse DLC es una familia de paquetes preconfigurados de contenido de gemelo digital para FactVerse Designer. Permite partir de bases reutilizables en lugar de reconstruir cada escena 3D desde cero. Los paquetes actuales cubren data centers, campus, almacen-logistica y manufactura discreta. Cada paquete puede incluir modelos, plantillas de gemelo digital, escenas, logica de behavior tree y contexto operativo adaptables al sitio y a los workflows del cliente. ## Papel dentro de FactVerse DLC forma parte del workflow de contenido de FactVerse. Ayuda a los usuarios de Designer a ensamblar escenas mas rapido y conectarlas con datos operativos, procedimientos, inspecciones, formacion o simulacion. --- ## [PRODUCTS] factverse-sdk ## Visión general FactVerse SDK permite a los desarrolladores integrar capacidades avanzadas de gemelo digital en sus aplicaciones. El SDK ofrece acceso a funciones de FactVerse como gestión de recursos, reproducción de escenarios DataMesh Director e integración de entidades de gemelo digital. ## Primeros pasos El SDK y la documentación están disponibles en el [FactVerse Developer Portal](https://docs.datamesh.com). --- ## [PRODUCTS] factverse-twin-engine ## Rol en la plataforma FactVerse Twin Engine es la capa runtime 3D dentro de la plataforma FactVerse. Conecta geometría, modelos de activos, telemetría, lógica de escena y workflows de aplicación para que los equipos trabajen en un gemelo digital que refleja el entorno operativo real. ## De modelos a gemelos ejecutables Muchas organizaciones ya tienen activos 3D, archivos BIM, modelos CAD y datos operativos, pero esos recursos suelen estar desconectados. Twin Engine los convierte en un entorno de ejecución donde las escenas no solo son visibles, sino también consultables, vinculables y relevantes para la operación. ## Contexto físico para mejores decisiones Los dashboards e informes explican qué cambió, pero rara vez muestran cómo una decisión interactúa con el espacio, dependencias de equipos, zonas restringidas o secuencias de trabajo. Twin Engine aporta el contexto físico necesario para validar decisiones antes de desplegarlas. ## Runtime compartido para aplicaciones Twin Engine no se limita a visualización. Soporta inspecciones, mantenimiento guiado, formación, reproducción de escenarios, razonamiento asistido por IA y otras aplicaciones que requieren un modelo espacial persistente del sistema operativo. ## Trabajo con el stack FactVerse Twin Engine trabaja con Data Fusion Services para conectividad de datos, Designer para authoring y AI Agent para análisis y soporte de decisiones. Juntos crean un ciclo cerrado desde la ingesta de datos hasta el razonamiento, la validación de escenas y la ejecución operativa. --- ## [PRODUCTS] factverse ## Construida para instalaciones complejas FactVerse ya no es solo un motor de gemelo digital. Es la plataforma operativa completa que conecta acceso a datos, ejecución de escenas, razonamiento IA y entrega de aplicaciones para entornos industriales complejos. ## Arquitectura de doble motor - **Twin Engine** — el motor de ejecución para entornos de ejecución espacial - **AI Agent** — el motor de decisión para análisis y recomendaciones ## Despliegue FactVerse soporta despliegues en la nube, privados e híbridos. --- ## [PRODUCTS] fai ## Detectar el riesgo antes de que interrumpa las operaciones Los equipos ya disponen de numerosas alarmas, paneles y registros, pero no pueden revisarlos todos de forma continua. FactVerse AI Agent analiza estas señales 24/7, destaca los cambios que requieren investigación y centra la atención en los activos más importantes. ## Dar contexto operativo real a cada recomendación Una señal aislada rara vez cuenta toda la historia. FactVerse la conecta con la identidad y ubicación del equipo, los sistemas relacionados, el historial de mantenimiento, las inspecciones, los procedimientos y las órdenes de trabajo. Así se entiende qué cambió, por qué importa y qué evidencia respalda el siguiente paso. ## Convertir el análisis en acción responsable Una recomendación solo crea valor cuando las personas adecuadas la revisan y actúan. Los hallazgos aprobados pueden pasar a órdenes de Inspector, instrucciones de campo, captura de evidencia, verificación y cierre, manteniendo el control en el equipo del cliente. ## Construir un sistema operativo que sigue aprendiendo Las inspecciones completadas, acciones de mantenimiento, recomendaciones aceptadas y resultados de campo mejoran la siguiente revisión. Este feedback fortalece el conocimiento operativo y los workflows de machine learning sin perder la responsabilidad humana. --- ## [PRODUCTS] inspector ## Descripción general Inspector 8.0 conecta contexto de gemelo digital, registros de activos, datos de edificio en vivo, alarmas, órdenes de trabajo, plantillas SOP, evidencia de campo y asistencia IA. Está diseñado para que instalaciones y sitios industriales gestionen detección, asignación, ejecución, evidencia y cierre en un mismo flujo operativo. - Ver activos en 3D y localizar sistemas y equipos con mayor rapidez - Alarma -> orden de trabajo -> ejecución -> revisión -> aceptación -> cierre - Workflows de campo sin conexión con soporte móvil y AR - Plantillas SOP y evidencia de campo para ejecución repetible - Preparación de Green Mark mediante evidencia operativa - Brick Schema para relaciones de activos estandarizadas ## Tres vistas ### Vista de gemelo digital Las vistas 3D inmersivas soportan recorrido en primera persona, layouts por capas, navegación desde planos 2D, códigos de ubicación, contexto de cámara, enfoque de activo y acceso por clic a la ficha del equipo. ### Vista de gestión Los dashboards resumen distribución, salud y estado de trabajo. La gestión de alarmas prioriza por severidad y zona, conserva datos externos de origen, fusiona eventos repetidos y muestra marcadores de alarma en 3D. ### Vista de campo Los técnicos siguen tareas, pasos obligatorios, puntos de escaneo, documentos de referencia y playbooks guiados. Las órdenes pueden guardar notas, fotos, videos, motivos de excepción, marcas de tiempo y registros de aceptación. ## De alarma a trabajo trazable Inspector mantiene conectada la cadena operativa. Una alarma de BMS, IoT o equipo puede conservar su ID externo y datos fuente estructurados, aparecer sobre el activo afectado y crear o asociar órdenes de trabajo. Una alarma puede tener varias órdenes asociadas cuando participan varios equipos o acciones. ## Ejecución cuando la red es inestable Los equipos pueden precargar órdenes, pasos obligatorios, documentos, recursos BIM o escenas 3D, playbooks, puntos QR o NFC, datos de ubicación y contexto de activos. La evidencia se guarda en una cola local y se sincroniza al volver la conexión. ## SOP que mejoran con el trabajo real Las acciones repetidas de mantenimiento, inspección y corrección pueden organizarse como plantillas SOP. Campos obligatorios, pasos, formularios de excepción, controles por escaneo, evidencia multimedia y reglas de aceptación ayudan a estandarizar la ejecución. ## Preparación de Green Mark Inspector ayuda a organizar registros operativos habituales para Green Mark: datos energéticos y ambientales, historial de inspecciones, acciones de mantenimiento, cierres de órdenes y evidencia correctiva. Brick Schema añade una capa semántica abierta para edificios, plantas, zonas, equipos, medidores, sensores, puntos de control y relaciones de sistema. Para análisis energético más profundo, estos registros pueden conectarse en el flujo FactVerse con BIM/IFC y modelos EnergyPlus. ## Resultados típicos Los equipos validan el valor operativo con un piloto enfocado: mayor visibilidad, ejecución más consistente, registros más claros, traspasos más rápidos y mejor evidencia para la toma de decisiones. El impacto concreto depende del alcance del sitio, la madurez de datos, los procesos y el despliegue. --- ## [PRODUCTS] omniverse-adaptor ## Visión general FactVerse Adaptor for NVIDIA Omniverse conecta DataMesh FactVerse con Omniverse. Los equipos pueden pasar de gemelos digitales operativos a workflows avanzados de simulación y visualización sin perder estructura de escena ni contexto en tiempo real. ## Por qué importa este adaptador Los equipos industriales necesitan gemelos operativos confiables y entornos de simulación de alta fidelidad. FactVerse aporta la ground truth operativa, mientras Omniverse aporta renderizado y simulación avanzada. El adaptador ayuda a que ambas capas trabajen juntas. ## Qué aporta FactVerse a Omniverse FactVerse no es solo una fuente de modelos 3D. Puede llevar a Omniverse gemelos de fábrica o instalaciones con jerarquía de escena, relaciones espaciales, identidad de equipos, metadatos de negocio, enlaces de datos de sensores y sistemas, y lógica de comportamiento. Omniverse recibe una escena industrial utilizable, no solo una exportación visual estática. ## Del gemelo operativo al workflow USD El adaptador permite importar escenas FactVerse completas en Omniverse y ampliarlas en workflows basados en USD. Es útil cuando se necesita mejor visualización industrial, revisión de diseño o simulación sin reconstruir contenido de gemelo digital. ## Datos en tiempo real como parte de la escena Con Data Fusion Services como capa de datos en vivo, las escenas Omniverse pueden responder a condiciones reales de operación. Telemetría, estado de dispositivos y señales de proceso entran en entornos de simulación más ricos en lugar de depender de modelos estáticos. ## Renderizado y simulación física Omniverse puede renderizar el gemelo FactVerse con una cadena visual de alta fidelidad y servir para validaciones sensibles a la física: movimiento, colisiones, layout de equipos, zonas de seguridad, rutas de robots, flujo de materiales o empaquetado y tiempos de proceso. FactVerse mantiene semántica operativa y contexto de datos; Omniverse aporta renderizado y entorno de simulación. ## Mejor división de trabajo entre plataformas FactVerse sigue siendo el lugar del contexto operativo, la estructura del gemelo y la integración de datos. Omniverse se convierte en el espacio para simulación, renderizado y desarrollo especializado de escenas. El adaptador crea un puente más claro. ## Diseñado para colaboración industrial El producto es especialmente útil cuando equipos de simulación, operaciones y digital twin necesitan colaborar sobre los mismos activos y escenarios sin duplicar preparación de escenas en múltiples plataformas. --- ## [PRODUCTS] robotics ## Descripción general DataMesh Robotics genera datos de entrenamiento sintéticos de grado industrial para Physical AI e IA corporizada. Cree gemelos digitales, simule sensores, etiquete ground truth automáticamente y exporte a NVIDIA Isaac Sim/Omniverse. > **Acceso anticipado** — DataMesh Robotics está disponible actualmente para socios empresariales seleccionados. ## ¿Listo para acelerar su pipeline de entrenamiento robótico? Cuéntenos su robot objetivo, tareas y entorno. Propondremos un plan de generación de datos, un enfoque de integración y una demo adaptada a su escenario industrial. Contacto: robotics@datamesh.com --- ## [PRODUCTS] simulator ## Descripción General DataMesh Simulator ofrece formación de operadores y evaluación de habilidades basada en gemelos digitales y simulación física. La plataforma cubre grúas torre, carretillas elevadoras, perforadoras rotativas, perforadoras con entubación de pozo profundo, excavadoras y otras máquinas con procedimientos, retroalimentación y reglas de evaluación realistas. ## Cobertura de equipos Simulator se configura alrededor de la máquina objetivo, los controles, la secuencia de tareas, los criterios de evaluación y el formato de hardware requerido. Los escenarios comunes incluyen grúas torre, carretillas elevadoras, perforadoras rotativas, perforadoras con entubación de pozo profundo y excavadoras. ## Versión pública de referencia en Steam DataMesh también publica [Operator Training: Heavy Equipment en Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) como una versión pública simplificada de la experiencia Simulator. Sirve para ver el concepto de formación, el flujo de interacción y la práctica de equipos basada en gemelos digitales en un formato ligero. No debe confundirse con los sistemas Simulator profesionales que entregamos a empresas e instituciones educativas con hardware, plataformas de movimiento, cabinas, controles, contenidos y requisitos de evaluación personalizados. ## Resultados Típicos Los equipos validan el valor operativo con un piloto enfocado: mayor visibilidad, ejecución más consistente, registros más claros, traspasos más rápidos y mejor evidencia para la toma de decisiones. El impacto concreto depende del alcance del sitio, la madurez de datos, los procesos y el despliegue. --- ## [PRODUCTS] sony-srd ## Overview DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] factverse-dlc ## Overview FactVerse DLC is a family of preconfigured digital twin content packs for FactVerse Designer. It gives teams a reusable starting point for building scenes. Current foundation packs cover data centers, campuses, warehousing and logistics, and discrete manufacturing. Each pack can include reusable models, digital twin templates, scenes, behavior-tree logic, and operating context that teams can adapt to the customer's actual facility, equipment, and workflow. ## How DLC fits into FactVerse DLC is part of the FactVerse content workflow. It helps Designer users assemble a scene faster, then connect that scene to operational data, procedures, inspections, training, or simulation workflows through the broader FactVerse platform. For product teams and delivery teams, DLC also creates a repeatable baseline: common assets and templates can be reused across projects, while project-specific data, layout, naming, and business logic remain configurable. --- ## [PRODUCTS] factverse-sdk ## Extend FactVerse into the application your users need Enterprise teams often need a digital twin experience shaped around a specific role, device, facility, or workflow. FactVerse SDK gives Unity developers a supported starting point for using selected FactVerse services inside that experience while keeping identity, resources, scenes, and digital twin entities connected to the platform. The result is a customer-specific application that reuses governed FactVerse content and platform context within the customer's own experience. ## Integration surfaces available today The current Unity SDK and samples cover the integration path most teams need first: - authenticate against a configured FactVerse environment and select the tenant context - browse and retrieve governed content from the FactVerse resource library - download and play scenarios authored in DataMesh Director - download and play FactVerse digital twin scenes - access digital twin entities and bind selected properties to application behavior - start from packaged samples for account, resource, scenario, and scene workflows Cloud APIs, single sign-on, and customer-specific extensions can be included when they are part of the reviewed solution scope. ## A practical developer journey 1. **Define the experience** - Choose the user role, workflow, target device, data interaction, and content that the application must deliver. 2. **Confirm the release matrix** - Match the FactVerse environment, SDK package, Unity version, rendering pipeline, dependencies, and target runtime. 3. **Prove platform access** - Validate authentication, tenant selection, permissions, and governed resource retrieval. 4. **Integrate the digital twin experience** - Add Director scenario playback, FactVerse scenes, entity access, and the required property bindings. 5. **Test the production path** - Measure startup, content loading, runtime performance, network behavior, packaging, upgrades, and support procedures on the intended device. ## Clear ownership across the solution FactVerse remains the system of record for tenants, governed resources, scenes, and digital twin context. Director remains the authoring environment for guided scenarios. The customer application owns its interface, role-specific workflow, device interaction, and any approved business logic added around those platform services. This separation gives product teams room to create a differentiated application while preserving a maintainable path for content updates, platform upgrades, and access control. ## Compatibility is confirmed by release combination SDK delivery is versioned. Project teams evaluate Unity, the Universal Render Pipeline, third-party packages, FactVerse services, and target-device runtimes as one combination. The public guide identifies a tested baseline and required packages; project teams confirm the production matrix against the release supplied for their implementation. This release-based approach keeps compatibility decisions concrete and gives the implementation team a clear basis for regression testing and upgrades. ## Public documentation and product evidence The [FactVerse Unity SDK v7.4.1 User Guide](/support/references/sdk/unity-sdk-v7-4-1/) documents package setup, required and optional dependencies, login, resource-library access, Director scenario playback, FactVerse scene playback, and sample projects. DataMesh product release coverage also records URP adoption and digital twin property-binding examples in the SDK line. Customer applications and their source code are typically private. Technical evaluation therefore starts with the published integration surfaces and proves the customer's required workflow against the supplied SDK release. ## Plan an SDK evaluation Choose one representative experience with a defined FactVerse environment, target device, content set, and data interaction. DataMesh can use that scope to confirm the release matrix, prototype path, responsibilities, and production acceptance criteria. [Discuss a FactVerse SDK evaluation](/contact-us/) --- ## [PRODUCTS] factverse-twin-engine ## Platform Role FactVerse Twin Engine is the 3D runtime layer inside the broader FactVerse platform. It connects geometry, asset models, telemetry, scene logic, and application workflows so teams can work inside a digital twin that reflects the real operating environment. ## From Models to Executable Twins Many organizations already have 3D assets, BIM files, CAD models, and operational data, but these resources often remain disconnected. Twin Engine turns them into a usable execution environment where scenes become visible, queryable, bindable, and operationally meaningful. ## Physical Context for Physical AI Decisions Dashboards and reports can explain what changed, but they rarely explain how a Physical AI recommendation interacts with space, equipment dependencies, restricted zones, or workflow sequencing. Twin Engine provides the physical context layer needed to validate operational decisions before they are deployed. ## A Shared Runtime for Applications Twin Engine is not limited to visualization. It supports inspection workflows, maintenance guidance, training experiences, scenario playback, AI-assisted reasoning, and other applications that require a persistent spatial model of the operating system. ## Working with the FactVerse Stack Twin Engine works with Data Fusion Services for data connectivity, Designer for authoring, and AI Agent for analysis and decision support. Together they create a closed loop from data ingestion to reasoning, scene validation, and operational execution. --- ## [PRODUCTS] factverse ## Built for Physical AI in complex facilities FactVerse is no longer best described as a single digital twin engine. It is the full operating platform that connects data access, scene execution, AI reasoning, and application delivery for complex Physical AI environments. That shift matters because most facilities do not struggle with one missing tool. They struggle with disconnected layers: data in one place, geometry in another, workflows in another, and decision support somewhere else. FactVerse brings those layers together under one architecture. ## Dual-engine architecture The center of the platform is a dual-engine model: - **Twin Engine** is the execution engine. It creates the spatial runtime where assets, telemetry, zones, workflows, and simulations become operationally meaningful. - **AI Agent** is the Physical AI decision engine. It turns questions into analysis, scenario comparison, and recommended actions. Together they move teams from "what happened" to "what should we do next" and then to "can this really work in the physical environment?" ## Twin Engine Twin Engine is the part of FactVerse that understands the physical world. It binds 3D scenes, asset relationships, process logic, and real-time signals into an executable runtime. That gives the platform a place where plans can be visualized, checked, and turned into guided operational experiences. This is why Twin Engine is more than a viewer. It is the environment where maintenance, inspections, simulations, training, and operational validation can all run against the same facility model. ## AI Agent AI Agent is the part of FactVerse that helps teams decide. It supports natural language interactions, what-if analysis, optimization, forecasting, anomaly detection, and other decision workflows that are difficult to manage through dashboards alone. Instead of stopping at an answer, AI Agent hands the recommendation back into the FactVerse environment so it can be reviewed against spatial and operational constraints before action is taken. ## Connected data and authoring FactVerse also includes the layers that make the two engines practical in real deployments: - **Data Fusion Services** connects enterprise and industrial systems to the platform. - **Designer** models scenes, behaviors, interfaces, and operational workflows. - **Applications** such as Director, Inspector, Checklist, and Simulator share the platform model, data, and twin logic across releases. ## Product roles inside FactVerse FactVerse is the platform umbrella. Twin Engine owns the executable spatial runtime. Data Fusion Services owns connectivity and data preparation. Designer owns scene authoring, process logic, virtual planning, and simulation workflows. AI Agent owns analysis, recommendations, and decision support. Inspector owns asset, inspection, work-order, and evidence workflows. Director owns guided SOP and training content. Simulator owns heavy equipment operator training. Keeping those responsibilities separate makes the public story clearer: FactVerse connects the products into a Physical AI operating loop, but each product still has a specific role. This is what turns FactVerse into a platform architecture. ## From insight to execution The platform is designed to support a continuous loop: 1. Connect plant, enterprise, and document data through Data Fusion Services. 2. Build and maintain the operational twin in Twin Engine. 3. Ask questions and generate recommendations through AI Agent. 4. Validate the result in the twin before release. 5. Deliver actions through applications, workflows, and frontline interfaces. That loop is what allows FactVerse to support the full decision-to-execution chain across visualization, analysis, and execution. ## Deployment for complex industrial environments FactVerse is built for facilities where deployment choices matter as much as features. Some teams need a public cloud rollout. Others need private infrastructure, local data access, or hybrid connectivity between secure plant systems and shared authoring environments. Because the platform spans data, simulation, AI, and operational interfaces, it can be introduced progressively: start with connectivity and twin visibility, add guided workflows, and then layer in AI-native decision support as teams are ready. --- ## [PRODUCTS] fai ## Keep operations under continuous review Industrial teams already have alarms, dashboards, maintenance systems, reports, and specialist analysis. The challenge is reviewing enough of that evidence consistently, understanding which change deserves attention, and carrying the decision into the operating workflow. FactVerse AI Agent works around the clock across the assets, signals, and workflows selected for the deployment. It brings emerging conditions to the right team with the operational context needed for investigation. ## Connect operating context with approved analysis A temperature, vibration, pressure, alarm, or work record rarely tells the whole story. FactVerse connects the signal with equipment identity, location, connected systems, process state, documents, maintenance history, inspections, and earlier action. Project-enabled simulation can add another evidence layer. Reviewed outputs from airflow, thermal-fluid, hydraulic, process, rigid-body, or resilience studies can enter the same operating context with model identity, assumptions, limits, findings, and review records. AI Agent helps teams relate those findings to current conditions and decide what deserves follow-up. ## Coordinate human-approved action Authorized teams review the evidence and recommendation according to the customer's operating process. Approved findings can move into [Inspector](/products/inspector) work orders, field instructions, evidence capture, verification, closeout, and controlled system updates where project guardrails allow them. This handoff keeps the decision owner, execution record, and result connected. Operations can see which evidence led to an action, who approved it, what happened in the field, and whether the condition changed afterward. ## Build an operating system that keeps learning Completed inspections, maintenance actions, accepted recommendations, rejected suggestions, and field outcomes strengthen the next review. That feedback can refine operating knowledge and support machine-learning workflows over time while preserving human accountability and audit history. A focused evaluation starts with one recurring operating decision, the required data and asset context, a named approval path, and measurable criteria from detection through verified follow-up. --- ## [PRODUCTS] checklist ## Aperçu DataMesh Checklist est une solution mobile d'inspection et de gestion qualité transformant les inspections papier en workflows numériques. ## Résultats Typiques Les équipes valident la valeur opérationnelle par un pilote ciblé : meilleure visibilité, exécution plus cohérente, dossiers plus propres, passages de relais plus rapides et preuves plus claires pour la décision. L'impact dépend du périmètre du site, de la maturité des données, des processus et du déploiement. --- ## [PRODUCTS] designer ## Vue d’ensemble DataMesh transforme création de scènes opérationnelles, simulation et scénarios Physical AI en capacité opérationnelle exécutable. Les modèles, données, connaissances et actions terrain sont reliés dans un même jumeau numérique. ![FactVerse Designer](/images/products/designer-hero.png) ## Flux de travail principal 1. **Import multi-sources** — Import multi-sources relie modèles, données opérationnelles et workflows dans le contexte de création de scènes opérationnelles, simulation et scénarios Physical AI, avec une exécution traçable. 2. **Éditeur d’arbres de comportement** — Éditeur d’arbres de comportement relie modèles, données opérationnelles et workflows dans le contexte de création de scènes opérationnelles, simulation et scénarios Physical AI, avec une exécution traçable. 3. **Liaison de données temps réel** — Liaison de données temps réel relie modèles, données opérationnelles et workflows dans le contexte de création de scènes opérationnelles, simulation et scénarios Physical AI, avec une exécution traçable. 4. **Simulation sur timeline** — Simulation sur timeline relie modèles, données opérationnelles et workflows dans le contexte de création de scènes opérationnelles, simulation et scénarios Physical AI, avec une exécution traçable. 5. **Déploiement multi-appareils** — Déploiement multi-appareils relie modèles, données opérationnelles et workflows dans le contexte de création de scènes opérationnelles, simulation et scénarios Physical AI, avec une exécution traçable. ## Plateformes prises en charge - **Windows** — environnement complet de création - **macOS** — environnement complet de création Le point de départ est constitué des modèles BIM/CAD, données systèmes, capteurs, ordres de travail et documents existants. Data Fusion Services connecte les sources; FactVerse les rattache aux espaces, actifs, systèmes et processus pour soutenir création de scènes opérationnelles, simulation et scénarios Physical AI. ## Designer ou Director : quel outil choisir ? | FactVerse Designer | Director | |---|---| | FactVerse Designer relie modèles, données opérationnelles et workflows dans le contexte de création de scènes opérationnelles, simulation et scénarios Physical AI, avec une exécution traçable. | Director relie modèles, données opérationnelles et workflows dans le contexte de formation 3D interactive, scénarios Simulator, guidage SOP et preuves de compétence, avec une exécution traçable. | | Exécution de scènes pilotée par les données | Exécution guidée des procédures | | Inspector, DataMesh One, tableaux de bord web | DataMesh One, mobile, AR/MR | ## Résultats typiques Les équipes valident la valeur par plus de visibilité, une exécution plus cohérente, de meilleurs dossiers, des passations plus rapides et des décisions plus défendables. --- ## [PRODUCTS] dfs ## Les données opérationnelles doivent déclencher l'action, pas créer un silo de plus Les entreprises industrielles ne manquent généralement pas de données. Elles sont dispersées entre systèmes de contrôle, capteurs, maintenance, feuilles de calcul, bases et services cloud, avec des noms, structures et responsables différents. Data Fusion Services transforme cette fragmentation en contexte opérationnel fiable et exploitable. ![Architecture Data Fusion Services](/images/migrated/dfs-architecture.png) ## Connecter les systèmes sans perdre le sens Data Fusion Services relie technologies opérationnelles, applications d'entreprise, documents, fichiers et clouds tout en préservant l'origine de chaque donnée. Les signaux temps réel peuvent être combinés au contexte des actifs, travaux, inspections, énergie et processus métier. ## Créer une vue fiable des actifs et opérations Un même équipement peut porter des noms différents dans le BMS, le CMMS, un tableur et le jumeau numérique. Data Fusion Services réconcilie ces identités, rend les conflits examinables et conserve la source d'origine. ## Mettre les données fiables au service de FactVerse Une fois l'identité, la qualité et le contexte établis, la même base sert les jumeaux temps réel, l'exploitation, la maintenance prédictive, l'énergie, le reporting et FactVerse AI Agent. Chaque workflow connecté crée des connaissances réutilisables. ## Commencer par un résultat métier Le bon point de départ n'est pas de tout connecter. Choisissez un résultat visible : une vue fiable des actifs, une vision transverse des ordres de travail, un jumeau d'installation temps réel ou un jeu de données de maintenance. Validez son utilité avec l'équipe responsable, puis étendez la base. --- ## [PRODUCTS] director ## Aperçu DataMesh Director est une plateforme no-code puissante pour créer du contenu 3D interactif et de réalité mixte. Conçue pour l'industrie, la formation et les opérations, elle permet de construire facilement des guides pas-à-pas immersifs, des workflows et des scénarios de formation. Director se compose de deux applications : - **DataMesh Studio** — l'app de création de contenu pour scénarios 3D/XR - **DataMesh One** — l'app de collaboration pour visualiser et partager ![Support des appareils Director](/images/migrated/director-device-support.jpg) ## Appareils Supportés | Plateforme | App | Notes | |------------|-----|-------| | **Windows** | DataMesh Studio, DataMesh One | Création + lecture complète | | **macOS (Apple Silicon)** | DataMesh Studio | Création de contenu | | **iPadOS** | DataMesh Studio | Création de contenu | | **Apple Vision Pro** | DataMesh One | Lecture en informatique spatiale | | **Meta Quest 3 / 3S** | DataMesh One | Lecture VR/MR autonome | | **iOS / iPhone** | DataMesh One | Lecture AR mobile | | **ARCore Android** | DataMesh One | Lecture AR mobile | | **HoloLens 2** | DataMesh One | Dernière version supportée : 6.2.3 | DataMesh Director propose des options **abonnement SaaS** et **déploiement privé**. ## Director vs Designer — Lequel choisir ? | | **Director** | **Designer** | |---|---|---| | **Objectif** | Création de SOPs pas-à-pas pour la formation | Conception de jumeau numérique opérationnel pour le suivi | | **Outil** | DataMesh Studio — éditeur visuel de scénarios | FactVerse Designer — constructeur de scènes | | **Résultat** | Parcours XR interactifs, SOPs et scénarios | Environnements 3D avec données en temps réel | | **Données** | Contenu autonome ; aucune donnée externe | Connexion IoT/BMS en direct via Data Fusion Services | | **Lecture** | DataMesh One (Vision Pro, Quest, iOS, Android, Windows) | Inspector, DataMesh One et tableaux de bord | | **Idéal pour** | Responsables formation, équipes L&D | Gestionnaires d'installations, équipes opérations | **Choisissez Director** quand vous devez enseigner *comment* réaliser une tâche. **Choisissez Designer** quand vous devez montrer *ce qui se passe* dans une installation. ## Résultats Typiques Les équipes valident la valeur opérationnelle par un pilote ciblé : meilleure visibilité, exécution plus cohérente, dossiers plus propres, passages de relais plus rapides et preuves plus claires pour la décision. L'impact dépend du périmètre du site, de la maturité des données, des processus et du déploiement. --- ## [PRODUCTS] factverse-dlc ## Apercu FactVerse DLC est une famille de packs de contenu de jumeau numerique preconfigures pour FactVerse Designer. Les equipes partent d'une base reutilisable au lieu de reconstruire chaque scene 3D depuis une page blanche. Les packs actuels couvrent data centers, campus, entrepot-logistique et fabrication discrete. Chaque pack peut inclure modeles, templates de jumeau numerique, scenes, logique behavior tree et contexte operationnel adaptables au site et aux workflows client. ## Role dans FactVerse DLC fait partie du workflow de contenu FactVerse. Il aide les utilisateurs Designer a assembler plus vite les scenes, puis a les connecter aux donnees operationnelles, procedures, inspections, formations ou simulations. --- ## [PRODUCTS] factverse-sdk ## Aperçu FactVerse SDK permet aux développeurs d’intégrer des capacités avancées de jumeau numérique dans leurs applications. Le SDK donne accès aux fonctionnalités FactVerse : gestion des ressources, lecture de scénarios DataMesh Director, entités de jumeau numérique et plus encore. ## Démarrage Le SDK et la documentation sont disponibles dans le [FactVerse Developer Portal](https://docs.datamesh.com). --- ## [PRODUCTS] factverse-twin-engine ## Rôle dans la plateforme FactVerse Twin Engine est la couche runtime 3D de la plateforme FactVerse. Elle relie géométrie, modèles d’actifs, télémétrie, logique de scène et workflows applicatifs pour que les équipes travaillent dans un jumeau numérique fidèle à l’environnement réel. ## Des modèles aux jumeaux exécutables De nombreuses organisations disposent déjà d’actifs 3D, fichiers BIM, modèles CAD et données opérationnelles, mais ces ressources restent souvent séparées. Twin Engine les transforme en environnement d’exécution où les scènes sont visibles, interrogeables, connectables et utiles aux opérations. ## Contexte physique pour de meilleures décisions Les dashboards expliquent ce qui a changé, mais rarement comment une décision interagit avec l’espace, les dépendances d’équipement, les zones restreintes ou l’ordre des workflows. Twin Engine apporte le contexte physique nécessaire pour valider les décisions avant leur déploiement. ## Runtime partagé pour les applications Twin Engine ne se limite pas à la visualisation. Il soutient inspections, maintenance guidée, formation, replay de scénarios, raisonnement assisté par IA et autres applications qui exigent un modèle spatial persistant du système opérationnel. ## Travail avec le stack FactVerse Twin Engine fonctionne avec Data Fusion Services pour la connectivité, Designer pour l’authoring et AI Agent pour l’analyse et l’aide à la décision. Ensemble, ils créent une boucle complète de l’ingestion des données au raisonnement, à la validation de scène et à l’exécution opérationnelle. --- ## [PRODUCTS] factverse ## Conçue pour les installations complexes FactVerse n'est plus simplement un moteur de jumeau numérique. C'est la plateforme opérationnelle complète qui connecte l'accès aux données, l'exécution de scènes, le raisonnement IA et la livraison d'applications. ## Architecture à double moteur - **Twin Engine** — le moteur d'exécution pour les environnements d'exécution spatiale - **AI Agent** — le moteur de décision pour l'analyse et les recommandations ## Déploiement FactVerse prend en charge les déploiements cloud, privés et hybrides. --- ## [PRODUCTS] fai ## Détecter le risque avant qu'il ne perturbe les opérations Les équipes disposent déjà de nombreuses alarmes, tableaux de bord et données, mais ne peuvent pas tout examiner en continu. FactVerse AI Agent analyse ces signaux en permanence, met en avant les changements à investiguer et recentre l'attention sur les actifs les plus importants. ## Donner à chaque recommandation un contexte opérationnel réel Un signal isolé raconte rarement toute l'histoire. FactVerse le relie à l'identité de l'équipement, son emplacement, les systèmes associés, l'historique de maintenance, les inspections, procédures et ordres de travail. Les équipes comprennent ce qui a changé, pourquoi c'est important et quelles preuves soutiennent l'action proposée. ## Transformer l'analyse en action responsable Une recommandation ne crée de valeur que lorsqu'elle est examinée et appliquée par les bonnes personnes. Les constats approuvés peuvent alimenter les ordres de travail Inspector, les instructions terrain, la collecte de preuves, la vérification et la clôture, sous le contrôle de l'équipe du client. ## Construire un système opérationnel qui continue d'apprendre Les inspections terminées, actions de maintenance, recommandations acceptées et résultats terrain renforcent la prochaine analyse. Ce retour améliore les connaissances opérationnelles et les workflows de machine learning sans diluer la responsabilité humaine. --- ## [PRODUCTS] inspector ## Aperçu Inspector 8.0 relie contexte de jumeau numérique, fiches actifs, données bâtiment live, alarmes, ordres de travail, modèles SOP, preuves terrain et assistance IA. Il permet aux sites et environnements industriels de gérer détection, affectation, exécution, preuve et clôture dans un même flux opérationnel. - Voir les actifs en 3D et localiser systèmes et équipements plus vite - Alarme -> ordre de travail -> exécution -> revue -> acceptation -> clôture - Workflows terrain hors ligne avec support mobile et AR - Modèles SOP et preuves terrain pour une exécution répétable - Préparation Green Mark par les preuves opérationnelles - Brick Schema pour relations d'actifs standardisées ## Trois vues ### Vue jumeau numérique Les vues 3D immersives prennent en charge visite en première personne, layouts en couches, navigation depuis plan 2D, codes de localisation, contexte caméra, focus actif et accès par clic à la fiche équipement. ### Vue management Les tableaux de bord résument distribution, santé et statut des travaux. La gestion des alarmes priorise par criticité et zone, conserve les données source externes, fusionne les événements répétés et affiche des repères en 3D. ### Vue terrain Les techniciens suivent tâches, étapes obligatoires, points de scan, documents de référence et playbooks guidés. Les ordres stockent notes, photos, vidéos, motifs d'exception, horodatage et acceptation. ## De l'alarme au travail traçable Inspector relie la chaîne opérationnelle. Une alarme BMS, IoT ou équipement peut conserver son ID externe et ses données source structurées, apparaître sur l'actif concerné, puis créer ou associer des ordres de travail. Une même alarme peut porter plusieurs ordres si plusieurs équipes ou actions sont nécessaires. ## Exécution lorsque le réseau est instable Les équipes peuvent précharger ordres, étapes obligatoires, documents, ressources BIM ou scènes 3D, playbooks, points QR ou NFC, données de localisation et contexte actif. Les preuves sont stockées localement et synchronisées au retour de la connexion. ## Des SOP qui progressent avec le terrain Les actions récurrentes de maintenance, inspection et correction peuvent devenir des modèles SOP. Champs obligatoires, étapes, formulaires d'exception, contrôles par scan, preuves média et règles d'acceptation aident à standardiser l'exécution. ## Préparation Green Mark Inspector aide à organiser les enregistrements opérationnels utilisés pour Green Mark : données énergie et environnement, historique d'inspection, actions de maintenance, clôtures d'ordres et preuves correctives. Brick Schema ajoute une sémantique ouverte pour bâtiments, étages, zones, équipements, compteurs, capteurs, points de contrôle et relations système. Pour des analyses énergétiques plus poussées, ces enregistrements peuvent être reliés dans le workflow FactVerse à BIM/IFC et à des modèles EnergyPlus. ## Résultats typiques Les équipes valident la valeur opérationnelle par un pilote ciblé : meilleure visibilité, exécution plus cohérente, dossiers plus propres, passages de relais plus rapides et preuves plus claires pour la décision. L'impact dépend du périmètre du site, de la maturité des données, des processus et du déploiement. --- ## [PRODUCTS] omniverse-adaptor ## Aperçu Le FactVerse Adaptor for NVIDIA Omniverse connecte DataMesh FactVerse à Omniverse. Les équipes passent des jumeaux numériques opérationnels vers des workflows avancés de simulation et visualisation sans perdre la structure de scène ni le contexte temps réel. ## Pourquoi cet adaptateur compte Les équipes industrielles ont besoin à la fois de jumeaux opérationnels fiables et d’environnements de simulation haute fidélité. FactVerse fournit la ground truth opérationnelle, Omniverse apporte rendu et simulation avancés. L’adaptateur fait fonctionner ces deux couches ensemble. ## Ce que FactVerse apporte dans Omniverse FactVerse n’est pas seulement une source de modèles 3D. Il peut apporter dans Omniverse un twin d’usine ou de site avec hiérarchie de scène, relations spatiales, identité des équipements, métadonnées métier, liaisons de données capteurs et systèmes, ainsi que logique de comportement. Omniverse reçoit une scène industrielle exploitable, pas un simple export visuel statique. ## Du jumeau opérationnel au workflow USD L’adaptateur permet d’importer des scènes FactVerse complètes dans Omniverse et de les étendre dans des workflows USD. C’est utile lorsque les équipes veulent une meilleure visualisation industrielle, des revues design ou de la simulation sans reconstruire le jumeau. ## Les données temps réel comme partie de la scène Avec Data Fusion Services comme couche de données live, les scènes Omniverse peuvent répondre aux conditions réelles d’exploitation. Télémétrie, état des équipements et signaux de processus enrichissent la simulation au lieu de rester dans des modèles statiques. ## Rendu et simulation physique Omniverse peut rendre le twin FactVerse avec une chaîne visuelle haute fidélité et servir à valider des situations sensibles à la physique : mouvement, collision, disposition des équipements, zones de sécurité, trajectoires de robots, flux d’emballage ou de matière, et timing de process. FactVerse conserve la sémantique opérationnelle et le contexte de données ; Omniverse fournit le rendu et l’environnement de simulation. ## Meilleure répartition des rôles entre plateformes FactVerse reste l’espace du contexte opérationnel, de la structure du twin et de l’intégration des données. Omniverse devient l’espace de simulation, rendu et développement spécialisé. L’adaptateur crée un pont clair entre ces responsabilités. ## Conçu pour la collaboration industrielle Le produit est particulièrement utile lorsque les équipes simulation, opérations et digital twin doivent collaborer sur les mêmes actifs et scénarios sans dupliquer la préparation des scènes sur plusieurs plateformes. --- ## [PRODUCTS] robotics ## Aperçu DataMesh Robotics génère des données d'entraînement synthétiques de qualité industrielle pour Physical AI et l'IA incarnée. Créez des jumeaux numériques, simulez des capteurs, annotez automatiquement la vérité terrain et exportez vers NVIDIA Isaac Sim/Omniverse. > **Accès anticipé** — DataMesh Robotics est actuellement disponible pour certains partenaires entreprise. ## Prêt à accélérer votre pipeline d'entraînement robotique ? Indiquez-nous votre robot cible, les tâches et l'environnement. Nous proposerons un plan de génération de données, une approche d'intégration et une démonstration adaptée à votre scénario industriel. Contact : robotics@datamesh.com --- ## [PRODUCTS] simulator ## Aperçu DataMesh Simulator offre une formation opérateur et une évaluation des compétences basées sur le jumeau numérique et la simulation physique. La plateforme couvre les grues à tour, chariots élévateurs, foreuses rotatives, foreuses à tubage de puits profond, excavatrices et autres machines avec des procédures, retours opérateur et règles d’évaluation réalistes. ## Couverture équipements Simulator est configuré autour de la machine cible, des commandes, de la séquence de tâches, des critères d’évaluation et du format matériel requis. Les scénarios courants couvrent grues à tour, chariots élévateurs, foreuses rotatives, foreuses à tubage de puits profond et excavatrices. ## Version publique de référence sur Steam DataMesh publie également [Operator Training: Heavy Equipment sur Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) comme version publique simplifiée de l’expérience Simulator. Cette version permet de voir le concept de formation, le flux d’interaction et la pratique d’équipement basée sur le jumeau numérique dans un format léger. Elle ne doit pas être confondue avec les systèmes Simulator professionnels livrés aux entreprises et organismes de formation avec matériel, plateformes de mouvement, cabines, commandes, contenus et exigences d’évaluation personnalisés. ## Résultats Typiques Les équipes valident la valeur opérationnelle par un pilote ciblé : meilleure visibilité, exécution plus cohérente, dossiers plus propres, passages de relais plus rapides et preuves plus claires pour la décision. L'impact dépend du périmètre du site, de la maturité des données, des processus et du déploiement. --- ## [PRODUCTS] sony-srd ## Overview DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] inspector ## Overview Inspector 8.0 connects digital twin context, asset records, live building data, alarms, work orders, SOP templates, field evidence, and AI assistance. It is built for facilities and industrial sites that need to see issues, assign the right work, guide field teams, preserve proof, and close the loop in one operational flow. - See assets in 3D, locate systems and equipment faster - Alarm -> work order -> execution -> review -> acceptance -> closure - Offline-ready field workflows with mobile and AR support - SOP templates and field evidence capture for repeatable execution - Singapore BCA Green Mark readiness support through operational evidence - Brick Schema support for standardized asset relationships ## Three Views ### Digital Twin View Immersive 3D views support first-person roaming, layered facility layouts, 2D floor-plan navigation, QR or location anchors, camera context, asset focus, and click-to-inspect asset records. Teams can move from a building or system view to the exact equipment, alarm, document, or work record they need. ### Management View Dashboards summarize asset distribution, health, and work status. Alarm management prioritizes by severity and zone, preserves structured external source data, supports repeated-event merging, and shows alarm markers in the 3D scene. Work-order views make dispatch, execution, review, acceptance, rejection, and closure transparent. ### Frontline View Technicians can follow assigned tasks, required steps, scan checkpoints, reference documents, guided playbooks, and local evidence capture. Work orders can store notes, photos, videos, exception reasons, timestamps, and acceptance records so the site has a clear execution trail. ## From alarm to accountable work Inspector keeps the operational chain connected. A BMS, IoT, or equipment alarm can retain its external ID and structured payload, appear on the affected asset, be confirmed by the operations team, and then create or associate work orders. A single alarm can have multiple linked work orders when several teams or actions are needed. The work order flow covers creation, AI-assisted field completion, template selection, assignment, dispatch, execution, review, acceptance, rejection for rework, and closure. Closure notes, media evidence, timestamps, and audit history help supervisors understand what happened and why. ## Field execution when connectivity is unreliable Inspector supports site work in areas where network quality is uneven. Teams can preload work orders, required steps, reference documents, BIM or 3D scene resources, playbook assets, QR or NFC checkpoints, location data, and related asset context. Field evidence is stored in a local queue and synced back after reconnection. This makes the workflow usable in basements, utility rooms, industrial plants, warehouses, and large campus environments where the most important work often happens away from stable office Wi-Fi. ## SOPs that improve through real work Repeated maintenance, inspection, and corrective actions can be organized into SOP templates. Required fields, required steps, exception forms, scan checks, media evidence, and acceptance criteria help teams standardize execution. Completed work enriches the template library and gives AI assistance better context for future recommendations. ## Green Mark readiness support Inspector helps facility teams collect and trace the operating records that matter for Green Mark preparation: energy and environmental data, inspection history, maintenance actions, work-order closure, and corrective evidence. Brick Schema support adds an open asset ontology layer so buildings, floors, zones, equipment, meters, sensors, commands, and system relationships can be described consistently. That makes it easier to show which assets and data points support each evidence item. For deeper energy analysis, these records can be connected with BIM/IFC and EnergyPlus-based modeling in the broader FactVerse workflow. Inspector supports preparation and review by organizing the operational records that consultants, engineers, owners, and service teams need. ## Role in the FactVerse stack Inspector owns the asset, inspection, maintenance, work-order, and evidence loop. It is the product that turns facility context into assignable work, field records, verification, and review material. It also provides the Brick Schema-aligned asset relationship layer used by facility teams to trace buildings, systems, sensors, meters, equipment, and work records. Data Fusion Services connects enterprise and facility systems, FactVerse provides the twin context, AI Agent supports review and recommendations, Designer supports simulation workflows, and Inspector preserves the execution record for inspection, maintenance, evidence tracking, and field closure. ## Typical Outcomes A focused Inspector pilot takes one asset group, inspection route, or maintenance workflow from intake through assignment, field execution, evidence capture, and verified closure. Teams can measure asset-context completeness, overdue-work visibility, response handoffs, record retrieval, and closure quality against the current process. --- ## [PRODUCTS] checklist ## Panoramica DataMesh Checklist è una soluzione mobile di ispezione e gestione qualità che converte le ispezioni cartacee in workflow digitali. ## Risultati Tipici I team validano il valore operativo con un pilota mirato: maggiore visibilità, esecuzione più coerente, registri più puliti, passaggi di consegne più rapidi e migliori evidenze decisionali. L’impatto dipende da ambito del sito, maturità dei dati, processi e profondità del rollout. --- ## [PRODUCTS] designer ## Panoramica DataMesh trasforma authoring di scene operative, simulazione e scenari Physical AI in una capacità operativa eseguibile. Modelli, dati, conoscenza e lavoro sul campo sono collegati nello stesso digital twin. ![FactVerse Designer](/images/products/designer-hero.png) ## Flusso operativo principale 1. **Import da più sorgenti** — Import da più sorgenti collega modelli, dati operativi e workflow nel contesto di authoring di scene operative, simulazione e scenari Physical AI, con esecuzione tracciabile. 2. **Editor Behavior Tree** — Editor Behavior Tree collega modelli, dati operativi e workflow nel contesto di authoring di scene operative, simulazione e scenari Physical AI, con esecuzione tracciabile. 3. **Binding dati real-time** — Binding dati real-time collega modelli, dati operativi e workflow nel contesto di authoring di scene operative, simulazione e scenari Physical AI, con esecuzione tracciabile. 4. **Simulazione su timeline** — Simulazione su timeline collega modelli, dati operativi e workflow nel contesto di authoring di scene operative, simulazione e scenari Physical AI, con esecuzione tracciabile. 5. **Distribuzione multi-dispositivo** — Distribuzione multi-dispositivo collega modelli, dati operativi e workflow nel contesto di authoring di scene operative, simulazione e scenari Physical AI, con esecuzione tracciabile. ## Piattaforme supportate - **Windows** — ambiente completo di authoring - **macOS** — ambiente completo di authoring Il punto di partenza sono modelli BIM/CAD, dati di sistema, sensori, ordini di lavoro e documenti. Data Fusion Services connette le fonti; FactVerse le collega a spazi, asset, sistemi e processi per supportare authoring di scene operative, simulazione e scenari Physical AI. ## Designer o Director: quale strumento serve? | FactVerse Designer | Director | |---|---| | FactVerse Designer collega modelli, dati operativi e workflow nel contesto di authoring di scene operative, simulazione e scenari Physical AI, con esecuzione tracciabile. | Director collega modelli, dati operativi e workflow nel contesto di training 3D interattivo, scenari Simulator, guida SOP e prove di competenza, con esecuzione tracciabile. | | Esecuzione scene guidata dai dati | Esecuzione procedure guidate | | Inspector, DataMesh One, dashboard web | DataMesh One, mobile, AR/MR | ## Risultati tipici Il valore si valida con maggiore visibilità, esecuzione più coerente, registri più puliti, passaggi più rapidi e decisioni meglio documentate. --- ## [PRODUCTS] dfs ## I dati operativi devono generare azione, non un altro silo Alle imprese industriali raramente mancano i dati. Sono però distribuiti tra controlli, sensori, sistemi di manutenzione, fogli di calcolo, database e servizi cloud, con nomi, strutture e responsabili diversi. Data Fusion Services trasforma questa frammentazione in un contesto operativo affidabile e utilizzabile. ![Architettura Data Fusion Services](/images/migrated/dfs-architecture.png) ## Collegare i sistemi senza perdere il significato Data Fusion Services collega tecnologie operative, applicazioni aziendali, documenti, file e cloud mantenendo l'origine di ogni record. I segnali live possono essere combinati con il contesto di asset, ordini di lavoro, ispezioni, energia e processi aziendali. ## Creare una vista affidabile di asset e operazioni Lo stesso impianto può avere nomi diversi in BMS, CMMS, fogli di calcolo e digital twin. Data Fusion Services riconcilia queste identità, rende verificabili i conflitti e conserva la fonte originale. ## Usare dati affidabili in tutto FactVerse Quando identità, qualità e contesto sono chiari, la stessa base supporta digital twin live, facility operations, manutenzione predittiva, energia, reporting e FactVerse AI Agent. Ogni workflow connesso crea conoscenza riutilizzabile. ## Partire da un risultato di business Il punto di partenza non è collegare tutto. Scegli un risultato visibile: una vista asset affidabile, ordini di lavoro tra sistemi, un twin live della facility o un dataset manutentivo. Conferma l'utilità con il team responsabile, poi estendi la base. --- ## [PRODUCTS] director ## Panoramica DataMesh Director è una potente piattaforma no-code per creare contenuti 3D interattivi e di realtà mista. Progettata per settori come manifattura, formazione e operazioni, consente di costruire facilmente guide passo-passo immersive, workflow e scenari di formazione. Director è composto da due applicazioni: - **DataMesh Studio** — l'app per la creazione di contenuti 3D/XR - **DataMesh One** — l'app di collaborazione per visualizzare e condividere ![Supporto dispositivi Director](/images/migrated/director-device-support.jpg) ## Dispositivi Supportati | Piattaforma | App | Note | |-------------|-----|------| | **Windows** | DataMesh Studio, DataMesh One | Creazione + riproduzione completa | | **macOS (Apple Silicon)** | DataMesh Studio | Creazione contenuti | | **iPadOS** | DataMesh Studio | Creazione contenuti | | **Apple Vision Pro** | DataMesh One | Riproduzione spatial computing | | **Meta Quest 3 / 3S** | DataMesh One | Riproduzione VR/MR standalone | | **iOS / iPhone** | DataMesh One | Riproduzione AR mobile | | **ARCore Android** | DataMesh One | Riproduzione AR mobile | | **HoloLens 2** | DataMesh One | Ultima versione supportata: 6.2.3 | DataMesh Director offre opzioni **abbonamento SaaS** e **distribuzione privata**. ## Director vs Designer — Quale scegliere? | | **Director** | **Designer** | |---|---|---| | **Scopo** | Creazione SOP passo-passo per formazione e guida | Progettazione gemello digitale operativo per monitoraggio | | **Strumento** | DataMesh Studio — editor visuale scenari | FactVerse Designer — costruttore scene con albero comportamentale | | **Output** | Percorsi XR interattivi, SOP e scenari di formazione | Ambienti 3D con dati in tempo reale | | **Dati** | Contenuto autonomo; nessun dato esterno | Connessione IoT/BMS dal vivo via Data Fusion Services | | **Riproduzione** | DataMesh One (Vision Pro, Quest, iOS, Android, Windows) | Inspector, DataMesh One e dashboard web | | **Ideale per** | Responsabili formazione, team L&D, tecnici sul campo | Facility manager, team operativi | **Scegli Director** quando devi insegnare *come* eseguire un'attività. **Scegli Designer** quando devi mostrare *cosa sta succedendo* in un impianto. ## Risultati Tipici I team validano il valore operativo con un pilota mirato: maggiore visibilità, esecuzione più coerente, registri più puliti, passaggi di consegne più rapidi e migliori evidenze decisionali. L’impatto dipende da ambito del sito, maturità dei dati, processi e profondità del rollout. --- ## [PRODUCTS] factverse-dlc ## Panoramica FactVerse DLC e una famiglia di pacchetti di contenuti digital twin preconfigurati per FactVerse Designer. Aiuta i team a partire da basi riutilizzabili invece di ricostruire ogni scena 3D da zero. I pacchetti attuali coprono data center, campus, logistica di magazzino e manifattura discreta. Ogni pacchetto puo includere modelli, template digital twin, scene, logica behavior tree e contesto operativo adattabili al sito e ai workflow del cliente. ## Ruolo in FactVerse DLC fa parte del workflow contenuti di FactVerse. Aiuta gli utenti Designer ad assemblare scene piu velocemente e collegarle a dati operativi, procedure, ispezioni, training o simulazione. --- ## [PRODUCTS] factverse-sdk ## Panoramica FactVerse SDK consente agli sviluppatori di integrare funzionalità avanzate di digital twin nelle proprie applicazioni. Il SDK offre accesso a gestione risorse, playback di scenari DataMesh Director, entità digital twin e funzionalità della piattaforma FactVerse. ## Per iniziare SDK e documentazione sono disponibili nel [FactVerse Developer Portal](https://docs.datamesh.com). --- ## [PRODUCTS] factverse-twin-engine ## Ruolo nella piattaforma FactVerse Twin Engine è il runtime 3D all’interno della piattaforma FactVerse. Collega geometria, modelli asset, telemetria, logica di scena e workflow applicativi, permettendo ai team di lavorare in un digital twin che riflette l’ambiente operativo reale. ## Dai modelli ai twin eseguibili Molte organizzazioni dispongono già di asset 3D, file BIM, modelli CAD e dati operativi, ma queste risorse restano spesso scollegate. Twin Engine le trasforma in un ambiente di esecuzione dove le scene non sono solo visibili, ma anche interrogabili, collegabili e operative. ## Contesto fisico per decisioni migliori Dashboard e report spiegano cosa è cambiato, ma raramente mostrano come una decisione interagisce con spazio, dipendenze tra asset, zone limitate o sequenze di workflow. Twin Engine fornisce il contesto fisico necessario per validare le decisioni prima dell’esecuzione. ## Runtime condiviso per le applicazioni Twin Engine non è solo visualizzazione. Supporta ispezioni, guida manutentiva, training, playback di scenari, ragionamento assistito da AI e applicazioni che richiedono un modello spaziale persistente del sistema operativo. ## Integrazione con lo stack FactVerse Twin Engine lavora con Data Fusion Services per la connettività dati, Designer per l’authoring e AI Agent per analisi e supporto decisionale. Insieme creano un ciclo chiuso dall’ingestione dei dati al ragionamento, alla validazione della scena e all’esecuzione operativa. --- ## [PRODUCTS] factverse ## Costruita per strutture complesse FactVerse non è più solo un motore di gemello digitale. È la piattaforma operativa completa che connette accesso ai dati, esecuzione scene, ragionamento IA e distribuzione applicazioni. ## Architettura a doppio motore - **Twin Engine** — il motore di esecuzione per ambienti runtime spaziali - **AI Agent** — il motore decisionale per analisi e raccomandazioni ## Distribuzione FactVerse supporta deployment cloud, privato e ibrido. --- ## [PRODUCTS] fai ## Individuare il rischio prima che interrompa le operazioni I team hanno già molti allarmi, dashboard e registri, ma non possono esaminarli tutti in modo continuo. FactVerse AI Agent analizza questi segnali 24/7, evidenzia i cambiamenti da approfondire e concentra l'attenzione sugli asset più importanti. ## Dare a ogni raccomandazione un contesto operativo reale Un singolo segnale raramente racconta tutta la storia. FactVerse lo collega all'identità dell'impianto, alla posizione, ai sistemi correlati, allo storico manutentivo, alle ispezioni, alle procedure e agli ordini di lavoro. Il team vede cosa è cambiato, perché conta e quali prove sostengono il passo successivo. ## Trasformare l'analisi in azione responsabile Una raccomandazione crea valore solo quando le persone giuste la esaminano e agiscono. I rilievi approvati possono passare a ordini di lavoro Inspector, istruzioni sul campo, raccolta prove, verifica e chiusura, mantenendo il controllo al team del cliente. ## Costruire un sistema operativo che continua a imparare Ispezioni completate, interventi manutentivi, raccomandazioni accettate e risultati sul campo rafforzano la valutazione successiva. Il feedback migliora conoscenza operativa e workflow di machine learning senza perdere la responsabilità umana. --- ## [PRODUCTS] inspector ## Panoramica Inspector 8.0 collega contesto digital twin, schede asset, dati edificio live, allarmi, ordini di lavoro, template SOP, evidenze di campo e assistenza AI. È pensato per facility e siti industriali che vogliono gestire rilevamento, assegnazione, esecuzione, evidenza e chiusura nello stesso flusso operativo. - Visualizzare asset in 3D e localizzare sistemi e apparecchiature più rapidamente - Allarme -> ordine di lavoro -> esecuzione -> revisione -> accettazione -> chiusura - Workflow sul campo offline con supporto mobile e AR - Template SOP ed evidenze di campo per esecuzione ripetibile - Preparazione Green Mark tramite evidenze operative - Brick Schema per relazioni asset standardizzate ## Tre viste ### Vista digital twin Le viste 3D immersive supportano roaming in prima persona, layout a livelli, navigazione da planimetria 2D, codici di posizione, contesto camera, focus asset e accesso alla scheda apparecchiatura con un clic. ### Vista management Le dashboard riepilogano distribuzione, salute e stato dei lavori. La gestione allarmi assegna priorità per severità e zona, mantiene dati sorgente esterni, aggrega eventi ripetuti e mostra marker in 3D. ### Vista sul campo I tecnici seguono task, step obbligatori, checkpoint di scansione, documenti di riferimento e playbook guidati. Gli ordini salvano note, foto, video, motivi di eccezione, timestamp e record di accettazione. ## Dall'allarme al lavoro tracciabile Inspector collega la catena operativa. Un allarme BMS, IoT o di impianto può mantenere ID esterno e dati sorgente strutturati, apparire sull'asset coinvolto e creare o associare ordini di lavoro. Un singolo allarme può avere più ordini collegati quando servono team o azioni diverse. ## Esecuzione con rete instabile I team possono precaricare ordini, step obbligatori, documenti, risorse BIM o scene 3D, playbook, punti QR o NFC, dati di posizione e contesto asset. Le evidenze restano in coda locale e si sincronizzano al ritorno della connessione. ## SOP che crescono con il lavoro reale Attività ricorrenti di manutenzione, ispezione e correzione possono diventare template SOP. Campi obbligatori, step, moduli eccezione, controlli con scansione, evidenze multimediali e regole di accettazione aiutano a standardizzare l'esecuzione. ## Preparazione Green Mark Inspector aiuta a organizzare i registri operativi usati per Green Mark: dati energia e ambiente, storico ispezioni, azioni manutentive, chiusure ordini ed evidenze correttive. Brick Schema aggiunge una semantica aperta per edifici, piani, zone, apparecchiature, misuratori, sensori, punti di controllo e relazioni di sistema. Per analisi energetiche più approfondite, questi registri possono essere collegati nel workflow FactVerse con BIM/IFC e modelli EnergyPlus. ## Risultati tipici I team validano il valore operativo con un pilot mirato: maggiore visibilità, esecuzione più coerente, registri più puliti, handover più rapidi e migliori evidenze decisionali. L'impatto dipende da ambito del sito, maturità dei dati, processi e profondità del rollout. --- ## [PRODUCTS] omniverse-adaptor ## Panoramica FactVerse Adaptor for NVIDIA Omniverse collega DataMesh FactVerse con Omniverse. I team possono passare dai digital twin operativi a workflow avanzati di simulazione e visualizzazione senza perdere struttura di scena o contesto real-time. ## Perché questo adaptor è importante I team industriali hanno bisogno sia di twin operativi affidabili sia di ambienti di simulazione ad alta fedeltà. FactVerse fornisce la ground truth operativa, Omniverse offre rendering e simulazione avanzati. L’adaptor fa lavorare insieme questi livelli. ## Che cosa porta FactVerse in Omniverse FactVerse non è solo una sorgente di modelli 3D. Può portare in Omniverse twin di fabbrica o facility con gerarchia di scena, relazioni spaziali, identità degli asset, metadati di business, data binding da sensori e sistemi, e logica di comportamento. Omniverse riceve una scena industriale utilizzabile, non un semplice export visivo statico. ## Dal twin operativo al workflow USD L’adaptor consente di importare scene FactVerse complete in Omniverse ed estenderle in workflow basati su USD. È utile quando servono migliore visualizzazione industriale, design review o simulazione senza ricostruire contenuti digital twin. ## Dati real-time come parte della scena Con Data Fusion Services come layer dati live, le scene Omniverse possono reagire alle condizioni operative reali. Telemetria, stato dispositivi e segnali di processo entrano in ambienti di simulazione più ricchi invece di restare in modelli statici. ## Rendering e simulazione fisica Omniverse può renderizzare il twin FactVerse con una pipeline visiva ad alta fedeltà e supportare validazioni sensibili alla fisica: movimento, collisioni, layout degli impianti, zone di sicurezza, percorsi robotici, flussi di packaging o materiali e timing di processo. FactVerse conserva semantica operativa e contesto dati; Omniverse fornisce rendering e ambiente di simulazione. ## Migliore divisione del lavoro tra piattaforme FactVerse resta il luogo per contesto operativo, struttura twin e integrazione dati. Omniverse diventa il luogo per simulazione, rendering e sviluppo scene specialistiche. L’adaptor crea un ponte più pulito tra queste responsabilità. ## Creato per la collaborazione industriale Il prodotto è particolarmente utile quando team di simulazione, operation e digital twin devono collaborare sugli stessi asset e scenari senza duplicare la preparazione delle scene su più piattaforme. --- ## [PRODUCTS] robotics ## Panoramica DataMesh Robotics genera dati di addestramento sintetici di livello industriale per Physical AI ed Embodied AI. Crea digital twin, simula sensori, annota automaticamente il ground truth ed esporta verso NVIDIA Isaac Sim/Omniverse. > **Accesso anticipato** — DataMesh Robotics è attualmente disponibile per partner enterprise selezionati. ## Pronti ad accelerare la pipeline di training robotico? Indicateci robot target, compiti e ambiente. Proporremo un piano di generazione dati, un approccio di integrazione e una demo su misura per lo scenario industriale. Contatto: robotics@datamesh.com --- ## [PRODUCTS] simulator ## Panoramica DataMesh Simulator offre training operatori e valutazione competenze basati su digital twin e simulazione fisica. La piattaforma copre gru a torre, carrelli elevatori, perforatrici rotative, perforatrici per pozzi profondi con rivestimento, escavatori e altre macchine con procedure, feedback e regole di valutazione realistiche. ## Copertura attrezzature Simulator viene configurato intorno alla macchina target, ai controlli, alla sequenza di attività, ai criteri di valutazione e al formato hardware richiesto. Gli scenari comuni includono gru a torre, carrelli elevatori, perforatrici rotative, perforatrici per pozzi profondi con rivestimento ed escavatori. ## Versione pubblica di riferimento su Steam DataMesh pubblica anche [Operator Training: Heavy Equipment su Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) come versione pubblica semplificata dell’esperienza Simulator. È utile per vedere il concetto di training, il flusso di interazione e la pratica su attrezzature basata su digital twin in forma leggera. Non va confusa con i sistemi Simulator professionali che forniamo a imprese e istituzioni formative con hardware, piattaforme di movimento, cabine, controlli, contenuti e requisiti di valutazione personalizzati. ## Risultati Tipici I team validano il valore operativo con un pilota mirato: maggiore visibilità, esecuzione più coerente, registri più puliti, passaggi di consegne più rapidi e migliori evidenze decisionali. L’impatto dipende da ambito del sito, maturità dei dati, processi e profondità del rollout. --- ## [PRODUCTS] sony-srd ## Panoramica DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] checklist ## 定期点検を個人の記憶に頼らない 定期点検は単純に見えても、複数のシフト、委託先、拠点に広がると課題が生じます。紙の帳票が見つからない、必要な写真が抜ける、異常の書き方が統一されない、管理者が未完了作業を把握するために担当者へ確認し続ける、といった状況です。 Checklistは、業務責任者が確認事項を明確にし、現場担当者が分かりやすいモバイル手順で実行できるようにします。点検を再現可能にし、実施内容をレビューできる記録として残すことが価値です。 ## 作業内容と必要な証跡を明確にする 点検責任者は、必須手順、入力項目、測定値、写真、メモ、署名、異常理由を定義できます。現場担当者は設備や場所に対応するリストを開き、各項目を完了して、統一された記録をレビューに提出します。 通信が限られる場所では、現場作業に必要な内容を準備し、再接続後に記録を同期できます。具体的なオフライン機能、対応端末、導入要件は、パイロット計画時に現行リリースで確認する必要があります。 ## 判断に使える記録を残す 提出結果から、完了状況、異常、証跡不足、関連記録を確認できます。管理者は例外を優先してレビューし、お客様の運用プロセスに従って必要な対応を判断できます。 Checklistは点検手順、現場記録、レビュー資料を整理します。お客様は有資格者による点検と安全管理を行い、基準、承認権限、保存方針、コンプライアンス認証、設備稼働の判断を管理します。 ## Checklistの役割を明確にする - **Checklist**は、定期点検の手順、必須証跡、提出された点検記録を担当します。 - **Inspector**は、作成、割当、実行、レビュー、受入、再作業、完了までのアラーム・作業指示ライフサイクルを担当します。 - **Director**は、再利用可能なガイド手順、3D作業指示、トレーニングコンテンツを担当します。 - **FactVerse Data Fusion Services**は、連携が必要な場合に外部の資産、タスク、運用情報を接続します。 お客様は対象を絞った点検プログラムから開始し、その後の業務に応じて保全管理システム、企業資産管理システム、Inspectorへ連携できます。 ## 公開事例から得られる参考情報 DataMeshの公開事例には、隣接する運用課題が示されています。Swire Coca-Colaは保全プロセスと現場教育のデジタル化、Foxconnは教育と設備保全のワークフロー、YokogawaはAIを活用した予知保全に取り組んでいます。これらの事例は、現場実行と運用証跡の価値を示します。Checklistの評価には、お客様が選定した点検、利用者、証跡要件、既存システムを直接使用します。 プロジェクトチームは基準値を定め、対象業務の完了品質、証跡範囲、引き継ぎ、例外対応を確認してから展開範囲を判断します。 ## 実際に負担が生じている点検から始める 責任者が明確で、基準が安定し、証跡の不足が分かっており、対象利用者を絞れる定期点検を一つ選びます。完了条件、必要な証跡、例外のレビュー担当、データ交換が必要な既存システムを定義します。 パイロットでは、完了状況の把握、証跡不足、レビュー工数、現場での使いやすさ、オフライン動作、フォローアップを検証します。その結果を基に、Checklistの展開、システム連携の拡大、またはInspectorによる広いクローズドループ運用への移行を判断します。 --- ## [PRODUCTS] designer ## 概要 FactVerse Designerは、産業環境向けのすぐに使えるデジタルツインシーン設計ツールです。直感的なドラッグ＆ドロップ操作で、企業の3Dデータを標準化し、実際のシステムをモデル化、シミュレーション、最適化できる運用デジタルツインシーンに変換します。 ![FactVerse Designer](/images/products/designer-hero.png) ## コアワークフロー ### 1. インポート＆モデリング BIM（IFC、Revit）、CAD（STEP、FBX、OBJ）、点群データをインポート。施設、生産ライン、またはキャンパス全体を表すシーンに資産を整理。 ### 2. ビヘイビアロジックの作成 ビジュアルビヘイビアツリーエディタで設備状態、操作シーケンス、条件ロジックを定義 — コード不要。 ### 3. データバインド Data Fusion Services経由でシーンをリアルタイムデータストリームに接続。センサー値、生産指標、IoT信号を3Dオブジェクトにマッピングし、ライブ可視化を実現。 ### 4. シミュレーション＆テスト タイムラインベースのシミュレーションを実行してロジックを検証、シナリオをテストし、物理環境に変更を展開する前に最適化。 ### 5. パブリッシュ＆デプロイ FactVerseエコシステム全体にシーンを公開 — メンテナンスにはInspector、AR/MRにはDataMesh One、モニタリングにはWebダッシュボード。 ## 対応プラットフォーム - **Windows** — Microsoft Store、フル作成環境 - **macOS** — App Store、フル作成環境 Designerで作成したシーンは、Inspector、DataMesh One、Webダッシュボードを含むFactVerseエコシステム全体で利用可能。 ## DesignerとDirector — どちらを選ぶべき？ | | **Designer** | **Director** | |---|---|---| | **用途** | 施設監視のための運用デジタルツインシーン設計 | 現場トレーニング向けステップバイステップSOP作成 | | **コアツール** | FactVerse Designer — ビヘイビアツリーシーンビルダー | DataMesh Studio — ビジュアルシナリオエディタ | | **出力** | ライブセンサーバインディング付きデータ駆動3D施設環境 | インタラクティブXRウォークスルー、SOP、トレーニングシナリオ | | **データ** | Data Fusion Services経由でIoT/BMSデータにライブ接続 | 自己完結型コンテンツ、外部データ不要 | | **再生端** | Inspector、DataMesh One、Webダッシュボード | DataMesh One（Vision Pro、Quest、iOS、Android、Windows） | | **最適対象** | 施設管理者、運用チーム、デジタルツインアーキテクト | 研修管理者、L&Dチーム、フィールドエンジニア | **Designerを選ぶ** — 施設で*今何が起きているか*を見せる必要がある場合。 **Directorを選ぶ** — タスクの*やり方*を教える必要がある場合。 ## 導入効果 小さく範囲を絞った検証から始めることで、現場の見える化、作業品質の標準化、記録の整備、引き継ぎの短縮、判断根拠の明確化といった運用上の効果を確認できます。実際の効果は、対象範囲、データの整備状況、業務プロセスの成熟度、展開方法によって変わります。 --- ## [PRODUCTS] dfs ## 運用データは、新しいサイロではなく行動を生み出すために 産業現場にデータがないわけではありません。制御システム、センサー、保全システム、表計算、データベース、クラウドサービスに分散し、それぞれ異なる名称、構造、管理者を持つことが課題です。Data Fusion Services はその分散を、チームが信頼して使える運用コンテキストへ変えます。 ![Data Fusion Services アーキテクチャ](/images/migrated/dfs-architecture.png) ## 意味を失わずにシステムを接続 Data Fusion Services は OT、業務アプリケーション、文書、ファイル、クラウドを接続し、各レコードの出所を保持します。リアルタイム信号を設備、作業指示、点検、エネルギー、業務情報と組み合わせ、新たな孤立データベースを作ることを避けます。 ## 設備と運用の信頼できる共通ビューを構築 同じ設備が BMS、CMMS、表計算、デジタルツインで異なる名称を持つことがあります。Data Fusion Services は ID を整合し、不一致を確認し、元の出所を残します。ソース間の違いを隠さず、一貫した運用ビューを作ります。 ## 信頼できるデータを FactVerse 全体で活用 設備 ID、品質、文脈が明確になれば、同じデータ基盤をリアルタイムデジタルツイン、施設運用、予知保全、エネルギーレビュー、レポート、FactVerse AI Agent に利用できます。接続する業務が増えるほど、使い捨ての連携ではなく再利用可能な知識が蓄積します。 ## 一つの業務成果から始める 最初から「すべてのデータを接続」する必要はありません。信頼できる設備ビュー、システム横断の作業指示ビュー、リアルタイム施設ツイン、予知保全データセットなど、一つの明確な成果を選びます。成果の責任者とデータの有用性を確認してから、信頼できる基盤を広げます。 --- ## [PRODUCTS] director ## 重要なノウハウを、熟練者だけのものにしない 複雑な作業は、マニュアル、スライド、動画、OJTで伝えられることが一般的です。しかし、どの部品が重要か、手順ごとに何が変わるか、危険箇所はどこか、次へ進む前に何を確認すべきかといった空間的な情報は、講師や熟練者の経験に残りがちです。担当者の異動や標準の変更があると、その知識を一貫して伝え、更新することが難しくなります。 Directorは、プロセス責任者と教育担当者がそのノウハウを再利用可能な3Dガイダンスに変えることを支援します。資格を持つ講師と承認済み手順が最終判断を担いながら、標準作業をより明確に説明し、維持できるようになります。 ## 実際の手順を、現場で追えるガイダンスへ チームはDataMesh Studioで、既存の設備または施設モデルに作業ステップ、注釈、アニメーション、インタラクション、レビュー内容を組み合わせます。専門家とコンテンツ担当者が一緒に手順を確認し、重要な詳細と順序を公開前に検証できます。 承認後は、DataMesh Oneから対応デバイスへ配信し、教育、復習、現場ガイダンスに利用します。設備、リスク管理、作業標準が変わった場合も、拠点やデバイスごとに別の教材を作り直すのではなく、同じコンテンツを更新して再公開できます。 ![Directorの対応デバイス](/images/migrated/director-device-support.jpg) ## 作業に合う提供方法を選ぶ すべての手順にヘッドセットが必要なわけではありません。デスクトップとモバイルは、自習、教室での復習、設備付近での確認に適しています。縮尺、位置、ハンズフリー表示、設備内部の理解が重要な作業では、空間コンピューティングデバイスが役立ちます。 現行のDirectorでは、DataMesh StudioをWindows、Appleシリコン搭載Mac、iPadOSで利用できます。DataMesh OneはWindows、iOS、ARCore認定Android、Apple Vision Pro、Meta Quest 3/3Sに対応します。HoloLens 2は旧版サポートで、最終対応版はDirector 6.2.3です。デバイスは、現行リリース、現場の安全規則、ネットワーク条件、実際の作業に合わせて選定します。 DirectorにはSaaSサブスクリプションとプライベート導入があります。評価時に、導入範囲、ID管理、コンテンツ責任者、ローカライズ、デバイス管理の要件を確認します。 ## Directorが担当する範囲 - **Director**は、再利用可能な作業ガイダンス、標準作業、3D教育コンテンツを担当します。 - **DataMesh Studio**は、Directorコンテンツの作成とレビューに使用します。 - **DataMesh One**は、承認済みコンテンツの閲覧、教育、共同レビューに使用します。 - **FactVerse Designer**は、運用デジタルツインのシーン、プロセスロジック、シミュレーションを担当します。 - **Simulator**は、訓練用操作機器や訓練席を使った重機の物理ベース訓練を担当します。 - **InspectorとChecklist**は、点検、現場タスク、記録、証跡を担当し、教育コンテンツ自体は担当しません。 この役割分担により、Directorを単独のガイダンス製品として導入する場合も、FactVerseの他製品と組み合わせる場合も、製品の責任範囲を明確に保てます。 ## 実際の業務教育における公開事例 - [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)は、ボトリング工場の無菌充填バルブ保全と現場教育向けにDirectorで3D手順を作成しました。 - [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)は、教育・設備保全施策の第一段階でDirectorを使用し、PC、モバイル、Apple Vision Proで利用できる再利用型MR教材を作成しました。 - [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)は、ETC設備とトンネル非常用設備のデジタルツイン・MR教育を開発し、内部構造と動きを学習者が確認しやすくしました。 これらは、3Dガイダンスを実際の業務教育で活用した公開事例です。成果は、対象手順、コンテンツ品質、講師の関与、デバイス適合性、展開方法によって異なります。 ## 重要な手順を一つ選んで始める 有効なパイロットには、レビュー可能な範囲と、実際の課題が見える重要性の両方が必要です。責任者、既存資料、設備または施設モデル、対象となる学習者や現場利用者が明確な手順を選びます。 手順と判断点を理解できるか、専門家が内容をレビューして更新できるか、選んだデバイスが作業環境に合うか、パイロット後も責任者と更新方法を維持できるかを検証します。その結果を基に、次の職種、拠点、手順を決定します。 --- ## [PRODUCTS] factverse-dlc ## 概要 FactVerse DLC は FactVerse Designer 向けの事前構成済みデジタルツインコンテンツパックです。チームは再利用可能な基盤コンテンツからシーンを構築できます。 現在の基盤パックは、データセンター、キャンパス、倉庫物流、離散製造を対象にしています。各 DLC には、再利用可能なモデル、デジタルツインテンプレート、シーン、ビヘイビアツリー、運用コンテキストを含めることができ、導入チームは顧客の現場、設備、業務フローに合わせて調整できます。 ## FactVerse における DLC の位置づけ DLC は FactVerse のコンテンツワークフローの一部です。Designer ユーザーがより速くシーンを組み立て、運用データ、作業手順、点検、トレーニング、シミュレーションのワークフローへ接続するための起点になります。 製品チームと導入チームにとって、DLC は再利用可能なベースラインでもあります。共通アセットとテンプレートはプロジェクトをまたいで再利用でき、個別プロジェクトのデータ、レイアウト、命名、業務ロジックは引き続き設定できます。 --- ## [PRODUCTS] factverse-sdk ## 利用者が必要とするアプリケーションへ FactVerse を拡張 企業では、特定の役割、デバイス、施設、業務フローに合わせたデジタルツインアプリケーションが求められます。FactVerse SDK は Unity 開発チームに実装の起点を提供し、選択した FactVerse サービスを専用アプリケーションへ組み込みながら、ID、リソース、シーン、デジタルツインエンティティをプラットフォームで一元管理します。 顧客固有の体験を作りながら、FactVerse のコンテンツ管理とプラットフォームコンテキストを活用できます。 ## 現在利用できる連携機能 現行の Unity SDK とサンプルは、多くのチームが最初に検証する連携経路をカバーしています。 - 指定した FactVerse 環境への認証とテナント選択 - FactVerse リソースライブラリ内の管理されたコンテンツの検索と取得 - DataMesh Director で作成したシナリオのダウンロードと再生 - FactVerse デジタルツインシーンのダウンロードと再生 - デジタルツインエンティティへのアクセスとプロパティ連携 - アカウント、リソース、Director シナリオ、FactVerse シーンのサンプル Cloud API、シングルサインオン、顧客専用拡張は、合意したソリューション範囲に応じて実装へ含められます。 ## 実行可能な開発プロセス 1. **体験を定義する** - 利用者の役割、業務フロー、対象デバイス、データ操作、提供コンテンツを決めます。 2. **バージョン構成を確認する** - FactVerse 環境、SDK、Unity、レンダリングパイプライン、依存関係、対象ランタイムを揃えます。 3. **プラットフォームアクセスを検証する** - 認証、テナント選択、権限、管理されたリソースの取得を確認します。 4. **デジタルツイン体験を組み込む** - Director シナリオ、FactVerse シーン、エンティティアクセス、必要なプロパティ連携を追加します。 5. **本番経路をテストする** - 対象デバイスで起動、読み込み、性能、ネットワーク、パッケージング、更新、サポート手順を検証します。 ## ソリューション内の責任範囲 FactVerse はテナント、管理されたリソース、シーン、デジタルツインコンテキストを管理します。Director は作業ガイドやトレーニングシナリオを作成します。顧客アプリケーションは画面、役割別ワークフロー、デバイス操作、承認された業務ロジックを担当します。 この分担により、独自のアプリケーションを構築しながら、コンテンツ更新、プラットフォーム更新、アクセス制御を継続的に運用できます。 ## バージョン構成ごとに互換性を確認 SDK はバージョン単位で提供されます。Unity、Universal Render Pipeline、外部パッケージ、FactVerse サービス、対象デバイスのランタイムを一つの構成として評価します。公開ガイドに検証済みの基準と必要パッケージを示し、実装チームは提供されたリリースに合わせて本番構成を確定します。 バージョンを基準にすることで、互換性の判断、回帰テスト、更新計画を具体化できます。 ## 公開ドキュメントと製品情報 [FactVerse Unity SDK v7.4.1 ユーザーガイド](/support/references/sdk/unity-sdk-v7-4-1/)では、パッケージ設定、必須・任意の依存関係、ログイン、リソースライブラリ、Director シナリオ再生、FactVerse シーン再生、サンプルプロジェクトを説明しています。DataMesh の製品リリース情報では、URP とデジタルツインプロパティ連携のサンプルも紹介しています。 顧客アプリケーションとソースコードは通常、顧客の管理下にあります。技術評価では公開済みの連携機能を起点に、提供する SDK リリースで必要な業務フローを検証します。 ## SDK 技術評価の進め方 代表的な体験を一つ選び、FactVerse 環境、対象デバイス、コンテンツ、データ操作を定義します。DataMesh はその範囲に基づいて、バージョン構成、プロトタイプ、責任分担、本番受け入れ基準を整理します。 [FactVerse SDK の技術評価を相談する](/contact-us/) --- ## [PRODUCTS] factverse-twin-engine ## 概要 FactVerse Twin EngineはFactVerseプラットフォームの空間実行エンジンです。3Dシーン、資産関係、プロセスロジック、リアルタイム信号を実行可能なランタイムにバインドします。 ## コア機能 ### 空間ランタイム Twin Engineは、ワークフローの実行、プランの検証、シミュレーションの実行が可能なライブ環境を作成します。 ### データバインディング センサー値、設備状態、ビジネス指標が3Dオブジェクトに直接マッピングされ、運用チームに空間認識のシチュエーショナルアウェアネスを提供します。 ### マルチアプリケーション配信 同じシーンが複数のアプリケーションに対応：Inspectorでの保全ワークフロー、DataMesh Oneでのトレーニングシナリオ、Webダッシュボードでのモニタリングビュー。 ## 対応フォーマット BIM (IFC, Revit)、CAD (STEP, FBX, OBJ, glTF)、ポイントクラウドフォーマットをサポートし、既存のエンジニアリングデータとの互換性を確保します。 --- ## [PRODUCTS] factverse ## 複雑な施設のために構築 FactVerseは、データアクセス、シーン実行、AI推論、アプリケーション配信を接続する、複雑な産業環境のための完全な運用プラットフォームです。 ## デュアルエンジンアーキテクチャ プラットフォームの中核はデュアルエンジンモデルです： - **Twin Engine** — 実行エンジン。資産、テレメトリ、ゾーン、ワークフロー、シミュレーションが運用上意味を持つ空間ランタイムを構築します。 - **AI Agent** — 意思決定エンジン。質問を分析、シナリオ比較、推奨アクションに変換します。 ## Twin Engine Twin Engineは物理世界を理解するFactVerseの部分です。3Dシーン、資産関係、プロセスロジック、リアルタイム信号を実行可能なランタイムにバインドします。 ## AI Agent AI AgentはFactVerseのチームの意思決定を支援する部分です。自然言語対話、KPI分析、シナリオ比較をサポートします。 ## サポートレイヤー - **Data Fusion Services** — BMS、SCADA、IoT、ERPを接続するデータパイプライン - **Designer** — ビヘイビアツリーでシーンロジックを構成する作成ツール ## デプロイメント FactVerseはクラウド、プライベート、ハイブリッドデプロイメントをサポートしています。 --- ## [PRODUCTS] fai ## 停止につながる前にリスクを捉える 運用チームにはすでに多くのアラーム、ダッシュボード、記録がありますが、そのすべてを継続的に確認することは困難です。FactVerse AI Agent は信号を常時分析し、調査すべき変化を知らせ、重要設備へ注意を集中させます。 ## 提案に現場の文脈を加える 一つの運用信号だけでは、問題の全体像は分かりません。FactVerse は信号を設備 ID、場所、関連システム、保全履歴、点検、手順、作業指示と結び付け、何が起きたのか、なぜ重要なのか、提案の根拠は何かを確認できるようにします。 ## インサイトを責任あるアクションへ変える 提案は、適切な担当者が確認し実行して初めて価値を生みます。承認済みの発見事項は Inspector の作業指示、現場ガイダンス、証拠収集、結果確認、クローズへつながり、承認権限は常に顧客の運用チームに残ります。 ## 継続的に学ぶ運用基盤をつくる 完了した点検、保全作業、採用された提案、現場結果は、次のレビューをより良くする材料になります。このフィードバックにより、人の責任を明確に保ちながら、運用知識と機械学習のワークフローを継続的に改善できます。 --- ## [PRODUCTS] inspector ## 概要 Inspector 8.0は、デジタルツインの文脈、資産ファイル、ライブビルデータ、アラーム、作業指示、SOPテンプレート、現場証跡、AI支援をつなぎます。施設や産業現場で、問題の発見、適切な作業の割当、現場ガイド、証跡保存、クローズまでを一つの運用フローで扱えるようにします。 - 3Dで資産を確認し、システムと設備をすばやく特定 - アラーム -> 作業指示 -> 実行 -> レビュー -> 受入 -> クローズ - モバイルとARに対応したオフライン現場ワークフロー - SOPテンプレートと現場証跡により、再現性のある実行を支援 - シンガポールBCA Green Mark対応準備を運用証跡で支援 - Brick Schemaによる標準化された資産関係 ## 3つのビュー ### デジタルツインビュー 没入型3Dビューは、一人称ローミング、レイヤー化された施設レイアウト、2D平面図ナビゲーション、位置コード、カメラ文脈、資産フォーカス、クリックによる資産ファイル表示に対応します。建物やシステムのビューから、必要な設備、アラーム、文書、作業記録へ移動できます。 ### 管理ビュー ダッシュボードで資産分布、健全性、作業状況を把握できます。アラーム管理は重要度とゾーンで優先順位を付け、外部システムの発生元データを保持し、繰り返しイベントを統合し、3Dシーン上にアラームマーカーを表示します。作業指示ビューでは、割当、実行、レビュー、受入、差し戻し、クローズを追跡できます。 ### 現場ビュー 技術者は割り当てられたタスク、必須手順、スキャン確認、参考文書、ガイド付きプレイブックに沿って作業できます。作業指示にはメモ、写真、動画、例外理由、タイムスタンプ、受入記録を残せるため、現場実行の流れが明確になります。 ## アラームから追跡可能な作業へ Inspectorは運用の流れをつなぎます。BMS、IoT、設備システムからのアラームは、外部IDと構造化された発生元データを保持し、対象資産上に表示され、運用チームの確認後に作業指示を作成または関連付けできます。複数のチームや作業が必要な場合は、1つのアラームに複数の作業指示を紐付けられます。 作業指示の流れは、作成、AI支援による入力、テンプレート選択、割当、実行、レビュー、受入、差し戻し、クローズまでを含みます。クローズメモ、画像・動画証跡、タイムスタンプ、監査履歴により、現場で何が起き、どのように対応したかを把握できます。 ## 通信が不安定な現場での実行 Inspectorは通信品質が安定しない場所での作業にも対応します。作業指示、必須手順、参考文書、BIMまたは3Dシーン資源、プレイブック素材、QR/NFCチェックポイント、位置データ、関連資産コンテキストを事前読み込みできます。現場証跡はローカルキューに保存され、接続回復後に同期されます。 地下空間、ユーティリティ室、産業プラント、倉庫、大規模キャンパスなど、安定したオフィスWi-Fiから離れた場所でも重要な作業を進めやすくなります。 ## 実作業からSOPを育てる 繰り返し行う保全、点検、是正作業はSOPテンプレートとして整備できます。必須項目、必須手順、例外フォーム、スキャン確認、画像・動画証跡、受入ルールにより、実行品質を標準化できます。完了した作業はテンプレートライブラリを充実させ、AI支援に現場に近い文脈を与えます。 ## Green Mark対応準備の支援 Inspectorは、Green Mark対応準備で必要になりやすい運用記録を収集・追跡しやすくします。対象には、エネルギー・環境データ、点検履歴、保全作業、作業指示の完了記録、是正証跡が含まれます。Brick Schema対応により、建物、フロア、ゾーン、設備、メーター、センサー、制御ポイント、システム関係を一貫したセマンティクスで整理できるため、各証跡がどの資産・ポイント・運用記録に基づくものかを説明しやすくなります。 より詳細な評価が必要な場合は、これらの記録をFactVerseのワークフローでBIM/IFCやEnergyPlusによる建物エネルギーモデルと組み合わせ、エネルギー分析や改善案の比較に活用できます。Inspectorで整理した証跡は、認証コンサルタント、専門エンジニア、施設チーム、公式審査に向けた準備プロセスで確認しやすい形になります。 ## 導入効果 小さく範囲を絞った検証から始めることで、現場の見える化、作業品質の標準化、記録の整備、引き継ぎの短縮、判断根拠の明確化といった運用上の効果を確認できます。実際の効果は、対象範囲、データの整備状況、業務プロセスの成熟度、展開方法によって変わります。 --- ## [PRODUCTS] omniverse-adaptor ## 概要 FactVerse Adaptor for NVIDIA Omniverse は DataMesh FactVerse と Omniverse を接続し、 運用デジタルツインを高品質なレンダリング、物理シミュレーション、USD ベースの シーン開発へ移行できるようにします。ツインの価値を決める構造とデータ文脈は保持されます。 ## FactVerse が Omniverse に持ち込むもの FactVerse は工場や施設のデジタルツインに含まれる シーン階層、空間関係、設備 ID、業務メタデータ、センサーやシステムのデータ連携、 振る舞いロジックを Omniverse に持ち込めます。Omniverse では、視覚表現に加えて 産業検証に使えるシーンを扱えます。 ## 運用ツインから USD ワークフローへ アダプターは完全な FactVerse シーンを Omniverse に取り込み、USD ワークフローの中で拡張できます。 生産ライン、施設、工場エリアを Omniverse で描画、レイアウト検証、シナリオ構築、 後続シミュレーションに使えます。既存の FactVerse ツインを起点に、Omniverse ワークフローへ展開できます。 ## リアルタイムデータをシーンの一部にする Data Fusion Services をライブデータ層として使うことで、Omniverse シーンは実際の運用条件に応答できます。 設備状態、センサー値、プロセス信号、業務ロジックが USD 属性やシーン挙動を駆動し、 可視化とシミュレーションを静的モデルに留めません。 ## レンダリングと物理シミュレーション Omniverse は FactVerse ツインをより高品質な表示パイプラインで描画でき、動き、干渉、 設備レイアウト、安全領域、ロボット経路、包装やマテリアルフロー、プロセスタイミングなど、 物理関係に敏感な検証に使えます。FactVerse は運用セマンティクスとデータ文脈を保持し、 Omniverse は描画とシミュレーション環境を提供します。 ## プラットフォーム間の役割分担 FactVerse は運用文脈、ツイン構造、データ統合を担い、Omniverse はシミュレーション、 レンダリング、専門的なシーン開発を担います。アダプターは両者の間に安定した橋渡しを作り、 運用、エンジニアリング、シミュレーション、可視化チームが同じ工場文脈で協働できるようにします。 --- ## [PRODUCTS] qisim ## 産業シーンをエンジニアリング判断へつなぐ 実際の施設を変更する前に、熱、空気、ガス、粒子、設備、運転条件がどのように影響し合うかを把握する必要があります。FactVerse QiSim は、こうした問いを管理されたデジタルツインへ結び付け、シーン準備から物理計算、運用フォローまでの一貫した流れを提供します。 QiSim は、換気案の比較、冷却レジリエンス、ガス検知カバレッジ、障害条件、物理挙動が関わる工程変更を対象とします。各解析は、明確な意思決定、運転範囲、検証計画から開始します。 ## 産業課題に対応する物理解析 | シミュレーション機能 | 支援する判断 | |---|---| | 気流・熱環境解析 | 冷却分布、熱気再循環、換気変更、熱負荷条件、環境条件 | | ガス・汚染物質・粒子輸送 | 拡散経路、排気性能、検知器配置、作業者ばく露、封じ込め | | 空調・環境システム | 風量ネットワーク、差圧、湿度、設備応答、運転状態比較 | | 設備連成物理 | 気流による運動、剛体相互作用、接触、包装挙動、ライン配置案 | モデル範囲と検証レベルはエンジニアリング課題に合わせて設定します。結果には前提条件、適用範囲、レビュー状態が保持され、初期スクリーニング、校正済み比較、意思決定用エビデンスを明確に区別できます。 ## デジタルツインと解析をつなぐワークフロー 1. **シーン準備** — FactVerse Designer で形状、設備、空間、座標、シナリオ版を整理します。 2. **運転条件の接続** — Data Fusion Services から承認済みテレメトリ、設計データ、設備状態、現場計測を取り込みます。 3. **シナリオ実行と比較** — QiSim で対象物理を計算し、基準、改善、障害条件を比較します。 4. **エビデンスのレビュー** — フィールド、プローブ、所見、不確かさ、入力条件、監査チェックを確認します。 5. **運用への反映** — FactVerse AI Agent が解釈と調整を支援し、Inspector が承認済みアクションを点検、保全、作業指示へつなぎます。 ## GPU アクセラレーションによる実践的な反復 エンジニアリング価値は複数案の比較から生まれます。QiSim は NVIDIA Warp と GPU コンピューティングで産業物理モデルを効率よく実行し、限られたレビュー期間内でより多くの運転状態と設計案を検討できるようにします。 シナリオ入力、シミュレーション結果、表示レイヤーは分離されています。同じ結果を Web フィールド表示、エンジニアリングレポート、機械可読エビデンス、高品質映像へ展開できます。 ## OpenUSD と Omniverse の統合 OpenUSD は、形状、座標、階層、シミュレーション対応アセットの共通シーン基盤です。FactVerse が管理された産業コンテキストを提供し、QiSim が専門的な熱流体・産業物理解析を実行します。 Omniverse Kit と RTX は、アセット変換、高品質レンダリング、ボリューム表示、レビュー映像に活用できます。特定の工程・Physical AI プロジェクトでは、QiSim の力やフィールドを PhysX または Newton の剛体シミュレーションへ接続できます。 ## レビュー可能なエンジニアリングエビデンス QiSim は、フィールドデータ、プローブ履歴、シナリオ比較、保存則・収束チェック、モデル来歴、校正状態、不確かさ、元シーンに紐づく所見を提供できます。レビュー担当者は、結果を生成した入力と追加検証が必要な条件を確認できます。 最初の対象には、利用可能な形状、既知の境界条件、測定可能なレビュー基準を持つ一つの運用または設計判断が適しています。検証ワークフローを確立した後、追加の条件、空間、施設へ段階的に展開できます。 --- ## [PRODUCTS] robotics ## 概要 DataMesh Roboticsは、Physical AIとエンボディドAIのための産業グレードの合成学習データを生成します。デジタルツインの構築、センサーシミュレーション、グラウンドトゥルースの自動ラベリング、NVIDIA Isaac Sim/Omniverseおよびロボティクスパイプラインへのエクスポートが可能です。 > **アーリーアクセス** — DataMesh Roboticsは現在、選定されたエンタープライズパートナーにご利用いただけます。 ## ロボット学習パイプラインの加速を始めませんか？ robotics@datamesh.com までお問い合わせください。 --- ## [PRODUCTS] simulator ## 実機を操作する前に職務能力を身につける 重機訓練には、生産計画、指導員の確保、設備の占有、燃料、現場条件、安全管理といった制約があります。それでも、新しいオペレーターは操作系を理解し、正しい順序でタスクを行い、異常を認識し、実機訓練に進む前に安定した操作を身につける必要があります。 DataMesh Simulator は対象設備と職務を反復可能な訓練環境に変換します。デジタルツインシーン、設備挙動、操作系、ガイド付きシナリオ、評価基準を組み合わせ、学習者の練習と責任者による進捗・準備状況の確認を支援します。 ## 職務要件に対応した訓練プロセス 1. **職務を定義** - 設備、担当範囲、必須タスク、準備状況の基準を決めます。 2. **訓練環境を構築** - 設備、作業現場、操作系、視覚条件、必要な物理挙動を設定します。 3. **カリキュラムを作成** - 機器習熟、通常操作、複雑なタスク、異常時対応を段階的なレッスンにします。 4. **練習と評価** - シナリオを反復し、システムと指導員が実績を記録します。 5. **レビューと改善** - 結果に基づいて指導とシナリオを調整し、監督下の実機訓練に進めるかを判断します。 ## 一つのプラットフォームで複数の提供形態 Simulator の構成は学習目標に合わせます。デスクトップと固定式ステーションは機器習熟、手順学習、幅広い展開に適しています。物理コンソールとキャビンは設備固有の操作感を高めます。動きと制御応答が訓練基準に含まれる場合は、モーション、音、振動、拡張映像を追加できます。 ハードウェアはカリキュラムと評価要件に合わせて選択され、すべてのプログラムに同じ構成を求めません。 ## 対応設備 タワークレーン、フォークリフト、ロータリー掘削リグ、深井戸ケーシング掘削リグ、油圧ショベルなどの建設・重機向けプログラムがあります。必要な設備データ、操作ロジック、手順、知的財産の許諾、専門知識を確保できる場合は、専用設備向けプログラムも開発できます。 ## 指導員と責任者のための評価証跡 Simulator は、タスク完了、操作順序、エラー、時間、シナリオ結果、指導員所見を記録できます。お客様は職務に応じて、機器習熟、タスク能力、次の訓練段階へ進む基準を定義できます。結果は指導と管理に活用できます。現場の操作許可と法令上の資格認定は、お客様の規程と適用法令に従って実施します。 ## 公開事例と導入実績 DataMesh は三一と山河智能に掘削リグ訓練を提供し、[タワークレーン操作](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)と[クローラーショベル](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)の訓練体験も公開しています。これらの事例は、設備、操作系、訓練目標に合わせてプラットフォームを構成できることを示しています。 ## Steam 公開参考版 DataMesh は [Operator Training: Heavy Equipment on Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) も公開しています。これは Simulator の操作方法を簡易的に確認するための体験版です。企業・教育機関向けの導入では、設備固有コンテンツ、プロフェッショナルハードウェア、評価、導入支援、サポートを追加します。 ## 一つの職務と一つの設備から始める 有効なパイロットは、明確なオペレーター職務、一つの設備、少数の重要タスクに集中します。DataMesh はお客様と資料、操作系、シナリオ、評価基準、提供形態、受入計画を確認し、その後に設備や拠点を広げます。 --- ## [PRODUCTS] sony-srd ## 概要 DataMesh Director Sony空間リアリティディスプレイ版は、DataMesh Directorの3DコンテンツをSony空間リアリティディスプレイに表示します——ヘッドセットや眼鏡なしで裸眼3Dの没入体験を提供します。 Director for Sony SRDは標準Directorと同じコンポーネントで構成されます： - **DataMesh Studio** — コンテンツ作成用 - **DataMesh One** — 再生用 違いは再生側がSony空間リアリティディスプレイのアイトラッキング裸眼3D技術にネイティブ対応していることで、ヘッドセットの装着を不要にしつつ視覚的忠実度を維持します。 --- ## [PRODUCTS] checklist ## 개요 DataMesh Checklist는 종이 점검을 디지털 워크플로우로 전환하는 모바일 검사 및 품질 관리 솔루션입니다. 사진 기록, 결함 추적 및 자동 보고서 생성을 지원합니다. ## 일반적인 성과 팀은 집중형 파일럿을 통해 가시성 향상, 실행 일관성, 기록 품질, 인수인계 속도, 의사결정 근거를 검증합니다. 실제 효과는 현장 범위, 데이터 준비도, 프로세스 성숙도, 확산 방식에 따라 달라집니다. --- ## [PRODUCTS] designer ## 개요 DataMesh는 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오를 실제 운영에서 실행 가능한 역량으로 만듭니다. 모델, 데이터, 지식, 현장 업무를 하나의 디지털 트윈 안에서 연결합니다. ![FactVerse Designer](/images/products/designer-hero.png) ## 핵심 워크플로 1. **다중 소스 모델 가져오기** — 다중 소스 모델 가져오기은 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. 2. **Behavior Tree 편집기** — Behavior Tree 편집기은 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. 3. **실시간 데이터 바인딩** — 실시간 데이터 바인딩은 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. 4. **타임라인 시뮬레이션** — 타임라인 시뮬레이션은 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. 5. **멀티 디바이스 배포** — 멀티 디바이스 배포은 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. ## 지원 플랫폼 - **Windows** — 전체 저작 환경 - **macOS** — 전체 저작 환경 시작점은 기존 BIM/CAD 모델, 시스템 데이터, 센서, 작업 지시, 문서입니다. Data Fusion Services가 소스를 연결하고 FactVerse가 이를 공간, 자산, 시스템, 프로세스에 매핑해 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오를 지원합니다. ## Designer와 Director 중 무엇을 써야 할까요? | FactVerse Designer | Director | |---|---| | FactVerse Designer은 운영형 디지털 트윈 저작, 시뮬레이션, Physical AI 시나리오 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. | Director은 인터랙티브 3D 교육, Simulator 시나리오, SOP 가이드, 역량 증빙 맥락에서 모델, 운영 데이터, 업무 흐름을 연결해 실행과 기록을 추적할 수 있게 합니다. | | 데이터 기반 장면 실행 | 가이드 절차 실행 | | Inspector, DataMesh One, 웹 대시보드 | DataMesh One, 모바일, AR/MR | ## 일반적인 성과 팀은 가시성, 실행 일관성, 기록 품질, 인수인계 속도, 의사결정 근거를 기준으로 가치를 검증합니다. --- ## [PRODUCTS] dfs ## 운영 데이터는 또 다른 사일로가 아니라 조치를 만들어야 합니다 산업 현장에 데이터가 부족한 경우는 드뭅니다. 데이터는 제어 시스템, 센서, 유지보수 플랫폼, 스프레드시트, 데이터베이스, 클라우드 서비스에 분산되어 있고 이름, 구조, 책임자도 다릅니다. Data Fusion Services는 이 분산을 팀이 신뢰하고 사용할 수 있는 운영 맥락으로 바꿉니다. ![Data Fusion Services 아키텍처](/images/migrated/dfs-architecture.png) ## 의미를 잃지 않고 시스템 연결 Data Fusion Services는 운영 기술, 기업 애플리케이션, 문서, 파일, 클라우드를 연결하면서 각 기록의 출처를 보존합니다. 실시간 신호를 자산, 작업 지시, 점검, 에너지, 비즈니스 맥락과 결합할 수 있습니다. ## 자산과 운영의 신뢰할 수 있는 통합 보기 같은 설비가 BMS, CMMS, 스프레드시트, 디지털 트윈에서 다른 이름을 사용할 수 있습니다. Data Fusion Services는 이러한 ID를 정합하고 충돌을 검토 가능하게 하며 원본 출처를 유지합니다. ## 신뢰 데이터를 FactVerse 전반에서 활용 ID, 품질, 맥락이 명확해지면 같은 기반이 실시간 디지털 트윈, 시설 운영, 예측 유지보수, 에너지 분석, 보고, FactVerse AI Agent를 지원합니다. 연결된 각 워크플로는 재사용 가능한 지식을 만듭니다. ## 하나의 비즈니스 결과에서 시작 처음부터 모든 것을 연결할 필요는 없습니다. 신뢰할 수 있는 자산 보기, 시스템 간 작업 지시, 실시간 시설 트윈, 유지보수 데이터셋처럼 보이는 결과 하나를 선택합니다. 담당 팀과 유용성을 확인한 뒤 기반을 확장합니다. --- ## [PRODUCTS] director ## 개요 DataMesh Director는 인터랙티브 3D 및 혼합현실 콘텐츠를 제작하기 위한 강력한 노코드 플랫폼입니다. 제조, 교육, 운영 등 산업을 위해 설계되었으며, 몰입형 단계별 가이드, 워크플로우 및 교육 시나리오를 쉽게 구축할 수 있습니다. Director는 두 개의 애플리케이션으로 구성됩니다: - **DataMesh Studio** — 3D/XR 시나리오를 구축하는 콘텐츠 제작 앱 - **DataMesh One** — 콘텐츠를 보고 공유하는 협업 앱 ![Director 디바이스 지원](/images/migrated/director-device-support.jpg) ## 지원 장치 | 플랫폼 | 앱 | 비고 | |--------|-----|------| | **Windows** | DataMesh Studio, DataMesh One | 전체 제작 + 재생 | | **macOS (Apple Silicon)** | DataMesh Studio | 콘텐츠 제작 | | **iPadOS** | DataMesh Studio | 콘텐츠 제작 | | **Apple Vision Pro** | DataMesh One | 공간 컴퓨팅 재생 | | **Meta Quest 3 / 3S** | DataMesh One | 독립형 VR/MR 재생 | | **iOS / iPhone** | DataMesh One | 모바일 AR 재생 | | **ARCore Android** | DataMesh One | 모바일 AR 재생 | | **HoloLens 2** | DataMesh One | 최종 지원 버전: 6.2.3 | DataMesh Director는 **SaaS 구독** 및 **프라이빗 배포** 옵션을 제공합니다. ## Director vs Designer — 어느 것을 선택해야 할까요? | | **Director** | **Designer** | |---|---|---| | **목적** | 현장 교육 및 가이드를 위한 단계별 SOP 제작 | 시설 모니터링을 위한 운영 디지털 트윈 씬 설계 | | **핵심 도구** | DataMesh Studio — 비주얼 시나리오 에디터 | FactVerse Designer — 행동 트리 씬 빌더 | | **출력** | 인터랙티브 XR 워크스루, SOP 및 교육 시나리오 | 실시간 센서 바인딩이 있는 데이터 기반 3D 시설 환경 | | **데이터** | 자체 포함 콘텐츠, 외부 데이터 불필요 | Data Fusion Services를 통한 실시간 IoT/BMS 데이터 연결 | | **재생** | DataMesh One (Vision Pro, Quest, iOS, Android, Windows) | Inspector, DataMesh One, 웹 대시보드 | | **적합 대상** | 교육 관리자, L&D 팀, 현장 엔지니어 | 시설 관리자, 운영 팀, 디지털 트윈 아키텍트 | **Director를 선택하세요** — 누군가에게 작업 *방법*을 가르쳐야 할 때. **Designer를 선택하세요** — 시설에서 *현재 무슨 일이 일어나고 있는지* 보여줘야 할 때. ## 일반적인 성과 팀은 집중형 파일럿을 통해 가시성 향상, 실행 일관성, 기록 품질, 인수인계 속도, 의사결정 근거를 검증합니다. 실제 효과는 현장 범위, 데이터 준비도, 프로세스 성숙도, 확산 방식에 따라 달라집니다. --- ## [PRODUCTS] factverse-dlc ## 개요 FactVerse DLC는 FactVerse Designer용 사전 구성 디지털 트윈 콘텐츠 팩입니다. 팀은 재사용 가능한 기반 콘텐츠에서 장면을 구축할 수 있습니다. 현재 기본 팩은 데이터센터, 캠퍼스, 창고 물류, 이산 제조를 다룹니다. 각 DLC는 재사용 가능한 모델, 디지털 트윈 템플릿, 장면, 동작 트리 로직, 운영 맥락을 포함할 수 있으며, 구축 팀은 고객 현장과 장비, 업무 흐름에 맞게 조정할 수 있습니다. ## FactVerse 안에서의 역할 DLC는 FactVerse 콘텐츠 워크플로의 일부입니다. Designer 사용자가 장면을 더 빠르게 구성하고 운영 데이터, 절차, 점검, 교육, 시뮬레이션 워크플로에 연결할 수 있게 합니다. --- ## [PRODUCTS] factverse-sdk ## 개요 FactVerse SDK는 개발자가 고급 디지털 트윈 기능을 자체 애플리케이션에 통합하도록 지원합니다. 리소스 관리, DataMesh Director 시나리오 재생, 디지털 트윈 엔터티 통합 등 FactVerse 플랫폼 기능에 접근할 수 있습니다. ## 시작하기 SDK와 문서는 [FactVerse Developer Portal](https://docs.datamesh.com)에서 확인할 수 있습니다. --- ## [PRODUCTS] factverse-twin-engine ## 플랫폼 역할 FactVerse Twin Engine은 FactVerse 플랫폼 안의 3D 런타임 레이어입니다. 형상, 자산 모델, 텔레메트리, 장면 로직, 애플리케이션 워크플로를 연결해 실제 운영 환경을 반영하는 디지털 트윈 안에서 팀이 일할 수 있게 합니다. ## 모델에서 실행 가능한 트윈으로 많은 조직은 이미 3D 자산, BIM 파일, CAD 모델, 운영 데이터를 보유하고 있지만 이 자원들은 종종 분리되어 있습니다. Twin Engine은 이를 조회, 바인딩, 운영 활용이 가능한 실행 환경으로 전환합니다. ## 더 나은 의사결정을 위한 물리적 맥락 대시보드와 보고서는 무엇이 바뀌었는지 설명하지만, 결정이 공간, 장비 의존성, 제한 구역, 워크플로 순서와 어떻게 상호작용하는지는 잘 보여주지 못합니다. Twin Engine은 실행 전 운영 결정을 검증하는 물리적 맥락을 제공합니다. ## 애플리케이션을 위한 공유 런타임 Twin Engine은 시각화에만 머물지 않습니다. 점검 워크플로, 유지보수 안내, 교육 경험, 시나리오 재생, AI 보조 추론 등 운영 시스템의 지속적인 공간 모델이 필요한 애플리케이션을 지원합니다. ## FactVerse 스택과의 연동 Twin Engine은 데이터 연결을 위한 Data Fusion Services, authoring을 위한 Designer, 분석과 의사결정 지원을 위한 AI Agent와 함께 작동합니다. 이 조합은 데이터 수집에서 추론, 장면 검증, 운영 실행까지 닫힌 루프를 만듭니다. --- ## [PRODUCTS] factverse ## 복잡한 시설을 위해 설계 FactVerse는 더 이상 단순한 디지털 트윈 엔진이 아닙니다. 복잡한 산업 환경을 위한 데이터 접근, 씬 실행, AI 추론 및 애플리케이션 제공을 연결하는 완전한 운영 플랫폼입니다. ## 듀얼 엔진 아키텍처 - **Twin Engine** — 공간 런타임을 위한 실행 엔진 - **AI Agent** — 분석 및 추천을 위한 의사결정 엔진 ## 배포 FactVerse는 클라우드, 프라이빗 및 하이브리드 배포를 지원합니다. --- ## [PRODUCTS] fai ## 운영 중단으로 이어지기 전에 위험 발견 운영팀에는 이미 많은 알람, 대시보드, 기록이 있지만 모든 정보를 지속적으로 검토하기는 어렵습니다. FactVerse AI Agent는 신호를 24시간 분석하고 조사할 변화를 알려 주며 가장 중요한 자산에 집중하도록 돕습니다. ## 모든 권고에 실제 운영 맥락 제공 하나의 신호만으로는 전체 상황을 알기 어렵습니다. FactVerse는 신호를 설비 ID, 위치, 연관 시스템, 유지보수 이력, 점검, 절차, 작업 지시와 연결합니다. 팀은 무엇이 바뀌었는지, 왜 중요한지, 다음 조치의 근거가 무엇인지 확인할 수 있습니다. ## 분석을 책임 있는 조치로 전환 권고는 적절한 담당자가 검토하고 실행할 때 가치를 만듭니다. 승인된 발견 사항은 Inspector 작업 지시, 현장 안내, 증거 수집, 검증, 종결로 이어지며 고객 운영팀이 통제권을 유지합니다. ## 계속 학습하는 운영 체계 구축 완료된 점검, 유지보수 조치, 채택된 권고, 현장 결과는 다음 검토의 기반을 강화합니다. 이 피드백은 사람의 책임을 유지하면서 운영 지식과 머신러닝 워크플로를 개선합니다. --- ## [PRODUCTS] inspector ## 개요 Inspector 8.0은 디지털 트윈 컨텍스트, 자산 파일, 실시간 건물 데이터, 알람, 작업 지시, SOP 템플릿, 현장 증빙, AI 지원을 연결합니다. 시설과 산업 현장에서 문제 발견, 배정, 실행, 증빙 수집, 승인을 하나의 운영 흐름으로 관리할 수 있게 합니다. - 3D로 자산을 확인하고 시스템과 설비를 더 빠르게 찾기 - 알람 -> 작업 지시 -> 실행 -> 검토 -> 승인 -> 종결 - 모바일과 AR을 지원하는 오프라인 현장 워크플로 - 반복 가능한 실행을 위한 SOP 템플릿과 현장 증빙 - 운영 증빙을 통한 BCA Green Mark 준비 지원 - 표준화된 자산 관계를 위한 Brick Schema 지원 ## 세 가지 보기 ### 디지털 트윈 보기 몰입형 3D 보기는 1인칭 로밍, 계층형 시설 레이아웃, 2D 평면도 탐색, 위치 코드, 카메라 컨텍스트, 자산 포커스, 클릭 기반 자산 파일 확인을 지원합니다. ### 관리 보기 대시보드는 자산 분포, 상태, 작업 진행을 요약합니다. 알람 관리는 심각도와 구역 기준 우선순위 지정, 외부 원천 데이터 보존, 반복 이벤트 병합, 3D 알람 마커 표시를 지원합니다. ### 현장 보기 기술자는 작업, 필수 단계, 스캔 체크포인트, 참조 문서, 안내형 플레이북을 따라 실행합니다. 작업 지시는 메모, 사진, 영상, 예외 사유, 타임스탬프, 승인 기록을 저장합니다. ## 알람에서 추적 가능한 작업까지 Inspector는 운영 흐름을 연결합니다. BMS, IoT, 설비 알람은 외부 ID와 구조화된 원천 데이터를 유지한 채 영향을 받은 자산 위에 표시되고, 이후 하나 이상의 작업 지시를 생성하거나 연결할 수 있습니다. ## 네트워크가 불안정한 현장 실행 팀은 작업 지시, 필수 단계, 참조 문서, BIM 또는 3D 장면 리소스, 플레이북, QR 또는 NFC 체크포인트, 위치 데이터, 자산 컨텍스트를 미리 내려받을 수 있습니다. 현장 증빙은 로컬 큐에 저장되고 연결 복구 후 동기화됩니다. ## 실제 작업에서 발전하는 SOP 반복되는 유지보수, 점검, 시정 조치는 SOP 템플릿으로 정리할 수 있습니다. 필수 필드, 필수 단계, 예외 양식, 스캔 확인, 미디어 증빙, 승인 규칙은 여러 현장에서 실행 품질을 표준화하는 데 도움이 됩니다. ## Green Mark 준비 지원 Inspector는 Green Mark 준비에 필요한 운영 기록을 정리합니다. 여기에는 에너지 및 환경 데이터, 점검 이력, 유지보수 조치, 작업 지시 종결, 시정 증빙이 포함됩니다. Brick Schema는 건물, 층, 구역, 설비, 계량기, 센서, 제어 포인트, 시스템 관계를 위한 개방형 의미 계층을 제공합니다. 더 깊은 에너지 분석이 필요한 경우 이 기록은 FactVerse 워크플로에서 BIM/IFC 및 EnergyPlus 기반 건물 에너지 모델과 연결될 수 있습니다. ## 일반적인 성과 팀은 집중형 파일럿을 통해 가시성 향상, 실행 일관성, 기록 품질, 인수인계 속도, 의사결정 근거를 검증합니다. 실제 효과는 현장 범위, 데이터 준비도, 프로세스 성숙도, 확산 방식에 따라 달라집니다. --- ## [PRODUCTS] omniverse-adaptor ## 개요 FactVerse Adaptor for NVIDIA Omniverse는 DataMesh FactVerse와 Omniverse를 연결합니다. 팀은 장면 구조와 실시간 맥락을 잃지 않고 운영 디지털 트윈에서 고급 시뮬레이션 및 시각화 워크플로로 이동할 수 있습니다. ## 이 Adaptor가 중요한 이유 산업 팀은 신뢰 가능한 운영 트윈과 고품질 시뮬레이션 환경을 동시에 필요로 합니다. FactVerse는 운영 ground truth를 제공하고 Omniverse는 고급 렌더링과 시뮬레이션을 제공합니다. adaptor는 두 계층이 함께 작동하도록 연결합니다. ## FactVerse가 Omniverse에 가져오는 것 FactVerse는 단순한 3D 모델 소스가 아닙니다. 공장 또는 시설 디지털 트윈의 장면 계층, 공간 관계, 설비 ID, 업무 메타데이터, 센서 및 시스템 데이터 바인딩, 동작 로직을 Omniverse로 가져올 수 있습니다. 따라서 Omniverse에는 산업 검증에 사용할 수 있는 장면이 전달됩니다. ## 운영 Twin에서 USD 워크플로로 Adaptor는 완성된 FactVerse 장면을 Omniverse로 가져와 USD 기반 워크플로 안에서 확장할 수 있게 합니다. 디지털 트윈 콘텐츠를 처음부터 재구성하지 않고 더 나은 산업 시각화, 설계 리뷰, 시뮬레이션이 필요할 때 유용합니다. ## 장면의 일부가 되는 실시간 데이터 Data Fusion Services가 라이브 데이터 레이어가 되면 Omniverse 장면은 실제 운영 조건에 반응할 수 있습니다. 텔레메트리, 장치 상태, 프로세스 신호를 풍부한 시뮬레이션 환경으로 가져옵니다. ## 렌더링과 물리 시뮬레이션 Omniverse는 FactVerse Twin을 고품질 시각 파이프라인으로 렌더링하고, 움직임, 충돌, 설비 배치, 안전 구역, 로봇 경로, 포장 또는 자재 흐름, 프로세스 타이밍처럼 물리 관계가 중요한 검증에 사용할 수 있습니다. FactVerse는 운영 의미 정보와 데이터 맥락을 유지하고 Omniverse는 렌더링 및 시뮬레이션 환경을 제공합니다. ## 플랫폼 간 더 나은 역할 분담 FactVerse는 운영 맥락, 트윈 구조, 데이터 통합의 공간으로 남습니다. Omniverse는 시뮬레이션, 렌더링, 전문 장면 개발의 공간이 됩니다. adaptor는 두 책임 사이에 명확한 연결을 제공합니다. ## 산업 협업을 위한 설계 시뮬레이션 팀, 운영 팀, 디지털 트윈 팀이 동일한 자산과 시나리오를 두고 협업해야 할 때 특히 유용합니다. 여러 플랫폼에서 장면 준비 작업을 중복하지 않아도 됩니다. --- ## [PRODUCTS] robotics ## 개요 DataMesh Robotics는 Physical AI와 Embodied AI를 위한 산업급 합성 훈련 데이터를 생성합니다. 디지털 트윈 구축, 센서 시뮬레이션, 그라운드 트루스 자동 라벨링, NVIDIA Isaac Sim/Omniverse 내보내기를 지원합니다. > **얼리 액세스** — DataMesh Robotics는 현재 선별된 엔터프라이즈 파트너에게 제공됩니다. ## 로봇 훈련 파이프라인을 더 빠르게 시작하시겠습니까? 목표 로봇, 작업, 환경을 알려주시면 데이터 생성 계획, 통합 방식, 산업 시나리오에 맞춘 데모를 제안합니다. 문의: robotics@datamesh.com --- ## [PRODUCTS] simulator ## 개요 DataMesh Simulator는 실제 장비를 점유하지 않고도 운전자를 교육하고 평가할 수 있는 디지털 트윈 및 물리 시뮬레이션 기반 플랫폼입니다. 타워 크레인, 지게차, 회전식 드릴 리그, 심정 케이싱 드릴 리그, 굴착기 등 건설 및 중장비 교육을 지원하며, 실제 절차와 조작 피드백, 평가 규칙으로 교육 위험을 낮춥니다. ## 장비 커버리지 Simulator는 대상 장비, 조작 장치, 작업 순서, 평가 기준, 필요한 하드웨어 형태에 맞춰 구성됩니다. 일반적인 시나리오는 타워 크레인, 지게차, 회전식 드릴 리그, 심정 케이싱 드릴 리그, 굴착기 교육입니다. ## Steam 공개 참고 버전 DataMesh는 Simulator 경험의 간소화된 공개 참고 버전으로 [Operator Training: Heavy Equipment on Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/)도 제공합니다. 이 버전은 교육 개념, 인터랙션 흐름, 디지털 트윈 기반 장비 조작 연습을 가볍게 확인하는 데 적합합니다. 기업 및 교육기관에 제공하는 전문 Simulator 시스템과는 다르며, 전문 버전은 대상 장비, 과정, 모션 플랫폼, 조종석, 조작 장치, 콘텐츠, 평가 요구사항에 맞춰 구성됩니다. ## 일반적인 성과 팀은 집중형 파일럿을 통해 가시성 향상, 실행 일관성, 기록 품질, 인수인계 속도, 의사결정 근거를 검증합니다. 실제 효과는 현장 범위, 데이터 준비도, 프로세스 성숙도, 확산 방식에 따라 달라집니다. --- ## [PRODUCTS] sony-srd ## 개요 DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] omniverse-adaptor ## Reuse industrial context in specialized simulation workflows Factory and facility teams often rebuild the same environment for visualization, planning, physics, and robotics. Geometry may survive the transfer while asset identity, process logic, operating state, and source history are lost. The FactVerse Adaptor for NVIDIA Omniverse carries governed digital-twin context into OpenUSD and Omniverse workflows. Teams can start from a prepared industrial scene and extend only the parts needed for rendering, simulation, robotics, or Physical AI development. ## Carry more than geometry FactVerse can provide scene hierarchy, coordinates, spatial relationships, equipment identity, business metadata, data bindings, behavior logic, and source versions. This context gives downstream teams a stronger starting point for building runtime-ready assets and scenarios. Factory-scale workflows depend on scene preparation, approved asset rights, runtime compatibility, performance targets, and the required level of synchronization. Those decisions are established during the project evaluation. ## Prepare scenes and SimReady assets for the target runtime [FactVerse Designer](/products/designer) creates the scene, layout, process logic, scenario variants, and SimReady preparation context. The adaptor carries approved scene and asset structures into OpenUSD workflows where teams can add runtime-specific materials, collision geometry, sensors, physics assumptions, robot models, and validation settings. NVIDIA now delivers Omniverse through libraries, microservices, SDKs, and APIs for industrial digital-twin and Physical AI applications. This architecture lets project teams assemble the rendering, physics, storage, and integration capabilities needed for a specific workflow while FactVerse remains the governed source of industrial context. ## Use project-enabled physics where it changes the decision Selected projects can connect FactVerse scenes with Omniverse, Isaac Sim, Isaac Lab, PhysX, or Newton-oriented workflows for rigid-body motion, collision, contact, equipment interaction, sensors, synthetic data, robot testing, learning, and sim-to-real preparation. Airflow, thermal-fluid, species, or other specialized engineering studies use project-selected solvers and validation methods. Their reviewed fields, metrics, assumptions, and findings can return to the digital-twin workflow as decision evidence. ## Connect operating data with the scene [Data Fusion Services](/products/dfs) can connect selected equipment state, telemetry, process signals, maintenance context, and historical data to the assets and scenarios in scope. This gives visualization and simulation teams a shared reference for comparing engineering assumptions with operating conditions. ## Keep evidence and versions connected Simulation value depends on knowing which scene, asset, input, model, and setting produced a result. Project workflows can retain version identity, assumptions, comparison metrics, audit checks, findings, and review records across FactVerse and the selected runtime. FactVerse AI Agent can relate approved findings to current operations and coordinate review. [Inspector](/products/inspector) can carry approved follow-up into asset, inspection, maintenance, work-order, and field-evidence workflows. ## Align digital-twin, simulation, and operations teams The adaptor gives each team a clear role. Designer prepares the governed scene. The target runtime provides specialized rendering or physics. Qualified reviewers assess the evidence. AI Agent supports interpretation and coordination. Inspector records field execution and verification. This continuity reduces repeated scene preparation and keeps the operating decision connected to the digital environment that supported it. ## Start with one target runtime and decision A focused evaluation begins with one representative scene, a target runtime, stable source assets, required data, and a measurable engineering or sim-to-real criterion. DataMesh and the customer can then confirm scene exchange, asset readiness, integration depth, evidence handling, and review ownership before expanding the workflow. --- ## [PRODUCTS] qisim ## Turn industrial scenes into engineering decisions Industrial teams often need to understand how heat, air, gases, particles, equipment, and operating changes will behave before changing a live site. FactVerse QiSim connects those questions to the governed digital twin, providing a repeatable path from scene preparation to simulation evidence and operational follow-up. QiSim is built for industrial decisions such as comparing ventilation strategies, reviewing cooling resilience, evaluating gas-detection coverage, testing failure conditions, and exploring physics-sensitive process changes. Each study begins with a defined decision, operating envelope, and validation plan. ## Physics capabilities matched to industrial questions | Simulation capability | Decisions it can support | |---|---| | Airflow and thermal analysis | Cooling distribution, hot-air recirculation, ventilation changes, heat-load scenarios, and environmental conditions | | Gas, contaminant, and particle transport | Dispersion paths, exhaust performance, detector placement, exposure review, and containment scenarios | | HVAC and environmental systems | Air-network behavior, pressure relationships, humidity, equipment response, and operating-state comparison | | Coupled equipment physics | Airflow-driven motion, rigid-body interaction, contact, packaging behavior, and process-layout alternatives | The model scope and validation depth are selected for the engineering question. Results carry their assumptions, limits, and review status so teams can distinguish screening analysis, calibrated comparison, and decision-ready evidence. ## A connected simulation workflow 1. **Prepare the scene** — FactVerse Designer organizes geometry, equipment, spaces, coordinates, and scenario variants. 2. **Connect operating conditions** — Data Fusion Services supplies approved telemetry, engineering data, equipment states, and field measurements. 3. **Run and compare scenarios** — QiSim calculates the selected physics and evaluates baseline, proposed, and failure conditions. 4. **Review the evidence** — Teams inspect fields, probes, findings, uncertainty, assumptions, and audit checks. 5. **Carry decisions into operations** — FactVerse AI Agent supports interpretation and coordination, while Inspector can connect approved actions with inspection, maintenance, and work-order workflows. ## GPU acceleration for practical iteration Engineering teams create more value when they can compare multiple alternatives within the available review window. QiSim uses NVIDIA Warp and GPU computing to run industrial physics models efficiently, helping teams explore more operating states and design choices. Scenario inputs and result contracts remain separate from the presentation layer. The same simulation can feed browser-based field exploration, engineering reports, machine-readable evidence, or high-fidelity visual media. ## OpenUSD and Omniverse integration OpenUSD provides a shared scene foundation for geometry, coordinates, hierarchy, and simulation-ready assets. FactVerse can carry governed industrial context into this workflow, while QiSim supplies specialized thermal-fluid and industrial physics analysis. Omniverse Kit and RTX can support asset conversion, high-fidelity rendering, volume visualization, and review media. Selected process or Physical AI projects can also connect QiSim forces and fields with PhysX or Newton rigid-body simulation. This modular structure lets each project use the physics and visualization components that fit its engineering goal. ## Evidence designed for review QiSim results can include field data, probe histories, scenario comparisons, conservation and convergence checks, model provenance, calibration status, uncertainty, and findings tied to the source scene. Engineering reviewers can see which inputs produced a result and which conditions remain to be validated. The strongest starting point is one operational or design decision with available geometry, known boundary conditions, and a measurable review criterion. From there, the same governed workflow can expand to additional scenarios, spaces, and facilities. --- ## [PRODUCTS] robotics ## Overview DataMesh Robotics generates industrial-grade synthetic training data for Physical AI and embodied AI. Build digital twins, simulate sensors, auto-label ground truth, and export to NVIDIA Isaac Sim/Omniverse and robotics pipelines. > **Early Access** — DataMesh Robotics is currently available to select enterprise partners. We are working with partners including industrial automation companies to refine simulation-based data generation workflows for real-world robotics applications. ## Ready to Accelerate Your Robot Training Pipeline? Tell us your target robot, tasks, and environment. We'll propose a data generation plan, integration approach, and a demo tailored to your industrial scenario. Contact us at: robotics@datamesh.com --- ## [PRODUCTS] SANY: drill rig operator training ## Build capability before operators take control Heavy equipment training competes with production schedules, instructor availability, machine access, fuel, site conditions, and safety controls. New operators still need enough practice to understand the controls, sequence work correctly, recognize abnormal conditions, and respond consistently before they operate a live machine. DataMesh Simulator turns the target machine and job role into a repeatable training environment. Digital twin scenes, equipment behavior, controls, guided scenarios, and assessment criteria give trainees room to practice while supervisors retain evidence of progress and readiness. ## A training journey tied to the job 1. **Define the role** - Select the equipment type, operator responsibilities, required tasks, and readiness criteria. 2. **Build the training environment** - Configure the machine, worksite, controls, visual conditions, and relevant physical behavior. 3. **Author the curriculum** - Organize familiarization, normal operations, complex tasks, and exception scenarios into progressive lessons. 4. **Practice and assess** - Let trainees repeat scenarios while the system and instructor capture performance evidence. 5. **Review and improve** - Use results to focus coaching, update scenarios, and decide when the trainee is ready for supervised live-equipment practice. ## One platform, several delivery forms Simulator is configured around the learning objective. Desktop and fixed-base stations support control familiarization, procedure learning, and broad access. Physical consoles and equipment cabins increase equipment specificity. Motion platforms, audio, vibration, and expanded visual systems can be added when movement and control response are important to the training standard. This keeps hardware in service of the curriculum instead of forcing every program into the same configuration. ## Equipment coverage Current programs cover tower cranes, forklifts, rotary drilling rigs, deep well casing drilling rigs, excavators, and other construction or heavy equipment. Customer-specific programs can be developed when the required equipment data, controls, procedures, intellectual-property permissions, and subject-matter expertise are available. ## Evidence for instructors and supervisors A Simulator program can capture completion, sequence accuracy, errors, timing, scenario outcomes, and instructor observations. The customer defines which measures demonstrate familiarization, task proficiency, or readiness for the next stage of training. Results support coaching and governance. Site authorization and legally required certification continue to follow the customer's applicable procedures and regulations. ## Public references and deployments DataMesh has delivered drill rig simulator programs with SANY and Sunward and has published training experiences for [tower crane operations](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1) and [crawler excavators](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations). These references show how the platform can be adapted to different machine types, controls, and training objectives. ## Steam public reference version DataMesh also publishes [Operator Training: Heavy Equipment on Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) as a simplified way to experience the interaction model. Enterprise and education deployments extend that foundation with equipment-specific content, professional hardware, assessment, rollout services, and support. ## Start with one role and one machine The fastest route to a useful pilot is a clearly defined operator role, one equipment type, and a small set of high-value tasks. DataMesh works with the customer to confirm source material, controls, scenarios, assessment criteria, delivery form, and acceptance plan before expanding to additional equipment or sites. --- ## [PRODUCTS] sony-srd ## Overview DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] checklist ## ภาพรวม DataMesh Checklist เป็นโซลูชันตรวจสอบและจัดการคุณภาพบนมือถือที่แปลงการตรวจสอบกระดาษเป็นเวิร์กโฟลว์ดิจิทัล รองรับเอกสารภาพถ่าย, การติดตามข้อบกพร่อง และการสร้างรายงานอัตโนมัติ ## ผลลัพธ์ทั่วไป ทีมมักตรวจสอบคุณค่าด้านการปฏิบัติงานผ่านโครงการนำร่องแบบมุ่งเป้า เช่น การมองเห็นงานที่ดีขึ้น การทำงานที่สม่ำเสมอขึ้น บันทึกที่ชัดเจนขึ้น การส่งต่องานที่เร็วขึ้น และหลักฐานประกอบการตัดสินใจที่ครบถ้วนขึ้น ผลลัพธ์จริงขึ้นอยู่กับขอบเขตไซต์ ความพร้อมของข้อมูล ความ成熟ของกระบวนการ และระดับการขยายผล --- ## [PRODUCTS] designer ## ภาพรวม DataMesh ทำให้ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI กลายเป็นความสามารถที่ใช้งานได้จริงในงานปฏิบัติการ โมเดล ข้อมูล ความรู้ และงานภาคสนามถูกเชื่อมอยู่ในดิจิทัลทวินเดียวกัน ![FactVerse Designer](/images/products/designer-hero.png) ## เวิร์กโฟลว์หลัก 1. **นำเข้าโมเดลจากหลายแหล่ง** — นำเข้าโมเดลจากหลายแหล่ง เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ 2. **ตัวแก้ไข Behavior Tree** — ตัวแก้ไข Behavior Tree เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ 3. **เชื่อมข้อมูลเรียลไทม์** — เชื่อมข้อมูลเรียลไทม์ เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ 4. **การจำลองตามไทม์ไลน์** — การจำลองตามไทม์ไลน์ เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ 5. **ใช้งานบนหลายอุปกรณ์** — ใช้งานบนหลายอุปกรณ์ เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ ## แพลตฟอร์มที่รองรับ - **Windows** — สภาพแวดล้อมสร้างเนื้อหาเต็มรูปแบบ - **macOS** — สภาพแวดล้อมสร้างเนื้อหาเต็มรูปแบบ จุดเริ่มต้นคือโมเดล BIM/CAD ข้อมูลระบบ เซนเซอร์ ใบงาน และเอกสารเดิม Data Fusion Services เชื่อมแหล่งข้อมูล และ FactVerse จัดเข้ากับพื้นที่ สินทรัพย์ ระบบ และกระบวนการเพื่อรองรับ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI ## ควรใช้ Designer หรือ Director | FactVerse Designer | Director | |---|---| | FactVerse Designer เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การสร้างฉากดิจิทัลทวินสำหรับงานปฏิบัติการ การจำลอง และสถานการณ์ Physical AI เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ | Director เชื่อมโมเดล ข้อมูลปฏิบัติการ และเวิร์กโฟลว์ในบริบทของ การฝึก 3D แบบโต้ตอบ สถานการณ์ Simulator คู่มือ SOP และหลักฐานทักษะ เพื่อให้การทำงานและหลักฐานตรวจสอบย้อนกลับได้ | | การรันฉากจากข้อมูล | ดำเนินขั้นตอนแบบมีคำแนะนำ | | Inspector, DataMesh One, แดชบอร์ดเว็บ | DataMesh One, มือถือ, AR/MR | ## ผลลัพธ์ที่มักตรวจสอบ ทีมตรวจสอบคุณค่าจากการมองเห็นที่ดีขึ้น การทำงานสม่ำเสมอขึ้น บันทึกชัดเจนขึ้น การส่งต่องานเร็วขึ้น และหลักฐานประกอบการตัดสินใจที่ดีขึ้น --- ## [PRODUCTS] dfs ## ข้อมูลปฏิบัติการควรสร้างการลงมือทำ ไม่ใช่สร้างไซโลใหม่ องค์กรอุตสาหกรรมมักไม่ได้ขาดข้อมูล แต่ข้อมูลกระจายอยู่ในระบบควบคุม เซนเซอร์ ระบบบำรุงรักษา spreadsheet ฐานข้อมูล และบริการ cloud โดยใช้ชื่อ โครงสร้าง และผู้รับผิดชอบต่างกัน Data Fusion Services เปลี่ยนความกระจัดกระจายนี้ให้เป็นบริบทการปฏิบัติงานที่ทีมเชื่อถือและใช้งานได้ ![สถาปัตยกรรม Data Fusion Services](/images/migrated/dfs-architecture.png) ## เชื่อมต่อระบบโดยไม่สูญเสียความหมาย Data Fusion Services เชื่อมเทคโนโลยีปฏิบัติการ แอปพลิเคชันองค์กร เอกสาร ไฟล์ และ cloud พร้อมรักษาที่มาของแต่ละรายการ สัญญาณเรียลไทม์จึงสามารถใช้ร่วมกับบริบทของสินทรัพย์ ใบงาน การตรวจสอบ พลังงาน และธุรกิจได้ ## สร้างมุมมองสินทรัพย์และการปฏิบัติงานที่เชื่อถือได้ อุปกรณ์เดียวกันอาจใช้ชื่อต่างกันใน BMS, CMMS, spreadsheet และดิจิทัลทวิน Data Fusion Services จัดตัวตนเหล่านี้ให้ตรงกัน ทำให้ตรวจสอบข้อขัดแย้งได้ และรักษาแหล่งข้อมูลต้นทาง ## นำข้อมูลที่เชื่อถือได้ไปใช้ทั่ว FactVerse เมื่ออัตลักษณ์ คุณภาพ และบริบทชัดเจน ฐานข้อมูลเดียวกันสามารถรองรับดิจิทัลทวินแบบเรียลไทม์ การบริหารสถานที่ การบำรุงรักษาเชิงคาดการณ์ พลังงาน รายงาน และ FactVerse AI Agent ทุก workflow ที่เชื่อมต่อจะสร้างความรู้ที่นำกลับมาใช้ได้ ## เริ่มจากผลลัพธ์ทางธุรกิจหนึ่งเรื่อง จุดเริ่มต้นที่ดีไม่ใช่การเชื่อมทุกอย่าง เลือกผลลัพธ์ที่มองเห็นได้ เช่น มุมมองสินทรัพย์ที่เชื่อถือได้ ใบงานข้ามระบบ ดิจิทัลทวินสถานที่แบบเรียลไทม์ หรือ dataset งานบำรุงรักษา ยืนยันประโยชน์กับทีมที่รับผิดชอบแล้วจึงขยายฐานข้อมูลต่อไป --- ## [PRODUCTS] director ## ภาพรวม DataMesh Director เป็นแพลตฟอร์ม no-code ที่ทรงพลังสำหรับสร้างเนื้อหา 3D แบบโต้ตอบและ Mixed Reality ออกแบบสำหรับอุตสาหกรรมการผลิต การฝึกอบรม และการปฏิบัติงาน ช่วยให้สร้างคู่มือทีละขั้นตอนแบบ Immersive, เวิร์กโฟลว์ และสถานการณ์การฝึกอบรมได้อย่างง่ายดาย Director ประกอบด้วยสองแอปพลิเคชัน: - **DataMesh Studio** — แอปสร้างเนื้อหาสำหรับสถานการณ์ 3D/XR - **DataMesh One** — แอปทำงานร่วมกันสำหรับดูและแชร์เนื้อหา ![Director การรองรับอุปกรณ์](/images/migrated/director-device-support.jpg) ## อุปกรณ์ที่รองรับ | แพลตฟอร์ม | แอป | หมายเหตุ | |-----------|-----|----------| | **Windows** | DataMesh Studio, DataMesh One | สร้าง + เล่นเต็มรูปแบบ | | **macOS (Apple Silicon)** | DataMesh Studio | สร้างเนื้อหา | | **iPadOS** | DataMesh Studio | สร้างเนื้อหา | | **Apple Vision Pro** | DataMesh One | เล่น Spatial Computing | | **Meta Quest 3 / 3S** | DataMesh One | เล่น VR/MR แบบ Standalone | | **iOS / iPhone** | DataMesh One | เล่น AR มือถือ | | **ARCore Android** | DataMesh One | เล่น AR มือถือ | | **HoloLens 2** | DataMesh One | เวอร์ชันที่รองรับล่าสุด: 6.2.3 | DataMesh Director มีตัวเลือก **สมัครสมาชิก SaaS** และ **การติดตั้งส่วนตัว** ## Director vs Designer — ควรเลือกอันไหน? | | **Director** | **Designer** | |---|---|---| | **วัตถุประสงค์** | สร้าง SOP ทีละขั้นตอนสำหรับการฝึกอบรม | ออกแบบ Digital Twin สำหรับการตรวจสอบสิ่งอำนวยความสะดวก | | **เครื่องมือหลัก** | DataMesh Studio — ตัวแก้ไขสถานการณ์ภาพ | FactVerse Designer — ตัวสร้างฉากด้วย Behavior Tree | | **ผลลัพธ์** | XR Walkthrough, SOP และสถานการณ์ฝึกอบรม | สภาพแวดล้อม 3D ที่ขับเคลื่อนด้วยข้อมูลแบบเรียลไทม์ | | **ข้อมูล** | เนื้อหาครบในตัว ไม่ต้องใช้ข้อมูลภายนอก | เชื่อมต่อ IoT/BMS แบบเรียลไทม์ผ่าน Data Fusion Services | | **เล่นบน** | DataMesh One (Vision Pro, Quest, iOS, Android, Windows) | Inspector, DataMesh One, แดชบอร์ดเว็บ | | **เหมาะสำหรับ** | ผู้จัดการฝึกอบรม, ทีม L&D, วิศวกรภาคสนาม | ผู้จัดการสิ่งอำนวยความสะดวก, ทีมปฏิบัติงาน | **เลือก Director** เมื่อคุณต้องสอนใครบางคน*วิธี*ทำงาน **เลือก Designer** เมื่อคุณต้องแสดงให้เห็นว่า*กำลังเกิดอะไรขึ้น*ในสถานที่ ## ผลลัพธ์ทั่วไป ทีมมักตรวจสอบคุณค่าด้านการปฏิบัติงานผ่านโครงการนำร่องแบบมุ่งเป้า เช่น การมองเห็นงานที่ดีขึ้น การทำงานที่สม่ำเสมอขึ้น บันทึกที่ชัดเจนขึ้น การส่งต่องานที่เร็วขึ้น และหลักฐานประกอบการตัดสินใจที่ครบถ้วนขึ้น ผลลัพธ์จริงขึ้นอยู่กับขอบเขตไซต์ ความพร้อมของข้อมูล ความ成熟ของกระบวนการ และระดับการขยายผล --- ## [PRODUCTS] factverse-dlc ## ภาพรวม FactVerse DLC คือชุดเนื้อหา digital twin ที่ตั้งค่าไว้ล่วงหน้าสำหรับ FactVerse Designer ช่วยให้ทีมเริ่มสร้าง scene จากฐานที่นำกลับมาใช้ซ้ำได้ pack ปัจจุบันครอบคลุม data center, campus, warehousing and logistics และ discrete manufacturing แต่ละ DLC อาจมี model, digital twin template, scene, behavior-tree logic และ operational context ที่ปรับตาม site และ workflow ของลูกค้าได้ ## บทบาทใน FactVerse DLC เป็นส่วนหนึ่งของ content workflow ของ FactVerse ช่วยให้ผู้ใช้ Designer ประกอบ scene ได้เร็วขึ้น แล้วเชื่อมต่อกับ operational data, procedure, inspection, training หรือ simulation workflow --- ## [PRODUCTS] factverse-sdk ## ภาพรวม FactVerse SDK ช่วยให้นักพัฒนาเชื่อมความสามารถ digital twin ขั้นสูงเข้ากับแอปพลิเคชันของตนเอง SDK ให้การเข้าถึง resource management, DataMesh Director scenario playback, digital twin entity integration และฟีเจอร์ของแพลตฟอร์ม FactVerse ## เริ่มต้นใช้งาน ดาวน์โหลด SDK และเอกสารได้จาก [FactVerse Developer Portal](https://docs.datamesh.com) --- ## [PRODUCTS] factverse-twin-engine ## บทบาทในแพลตฟอร์ม FactVerse Twin Engine คือ runtime 3D ภายในแพลตฟอร์ม FactVerse ที่เชื่อม geometry, asset model, telemetry, scene logic และ workflow ของแอปพลิเคชัน เพื่อให้ทีมทำงานในดิจิทัลทวินที่สะท้อนสภาพแวดล้อมจริง ## จากโมเดลสู่ twin ที่ปฏิบัติได้ หลายองค์กรมี asset 3D, ไฟล์ BIM, โมเดล CAD และข้อมูล operation อยู่แล้ว แต่ข้อมูลเหล่านี้มักแยกจากกัน Twin Engine เปลี่ยนสิ่งเหล่านี้เป็นสภาพแวดล้อมสำหรับ execution ที่ query ได้ ผูกข้อมูลได้ และมีความหมายต่อ operation ## บริบททางกายภาพเพื่อการตัดสินใจที่ดีขึ้น dashboard และรายงานบอกได้ว่าอะไรเปลี่ยนไป แต่ไม่ค่อยอธิบายว่าการตัดสินใจหนึ่งส่งผลต่อพื้นที่ ความสัมพันธ์ของอุปกรณ์ เขตจำกัด หรือ sequence งานอย่างไร Twin Engine ให้บริบททางกายภาพเพื่อ validate การตัดสินใจก่อนนำไปใช้จริง ## Runtime ร่วมสำหรับแอปพลิเคชัน Twin Engine ไม่ได้จำกัดที่การ visualization แต่รองรับ workflow ตรวจสอบ คู่มือบำรุงรักษา training, scenario playback, AI-assisted reasoning และแอปอื่นที่ต้องการ spatial model ถาวรของระบบปฏิบัติการ ## ทำงานร่วมกับ FactVerse stack Twin Engine ทำงานกับ Data Fusion Services สำหรับการเชื่อมต่อข้อมูล, Designer สำหรับ authoring และ AI Agent สำหรับ analysis และ decision support รวมกันเป็น closed loop จาก data ingestion ไปสู่ reasoning, scene validation และ operational execution --- ## [PRODUCTS] factverse ## สร้างขึ้นสำหรับสิ่งอำนวยความสะดวกที่ซับซ้อน FactVerse เป็นแพลตฟอร์มการดำเนินงานที่เชื่อมต่อการเข้าถึงข้อมูล การดำเนินการฉาก การใช้เหตุผล AI และการส่งมอบแอปพลิเคชัน ## สถาปัตยกรรมเอนจินคู่ - **Twin Engine** — เอนจินดำเนินการสำหรับสภาพแวดล้อมรันไทม์เชิงพื้นที่ - **AI Agent** — เอนจินตัดสินใจสำหรับการวิเคราะห์และคำแนะนำ ## การปรับใช้ FactVerse รองรับการปรับใช้บนคลาวด์ ส่วนตัว และแบบไฮบริด --- ## [PRODUCTS] fai ## มองเห็นความเสี่ยงก่อนกระทบการดำเนินงาน ทีมปฏิบัติการมีสัญญาณเตือน dashboard และบันทึกจำนวนมากอยู่แล้ว แต่ไม่สามารถตรวจสอบทุกอย่างได้อย่างต่อเนื่อง FactVerse AI Agent วิเคราะห์สัญญาณเหล่านี้ตลอด 24 ชั่วโมง ชี้ให้เห็นการเปลี่ยนแปลงที่ควรตรวจสอบ และช่วยให้ทีมมุ่งไปที่สินทรัพย์สำคัญที่สุด ## ให้บริบทจากการปฏิบัติงานจริงแก่ทุกคำแนะนำ สัญญาณเดียวมักไม่อธิบายภาพทั้งหมด FactVerse เชื่อมสัญญาณกับตัวตนอุปกรณ์ ตำแหน่ง ระบบที่เกี่ยวข้อง ประวัติการบำรุงรักษา การตรวจสอบ ขั้นตอน และใบงาน ทีมจึงเห็นว่าอะไรเปลี่ยนไป เหตุใดจึงสำคัญ และหลักฐานใดสนับสนุนขั้นตอนถัดไป ## เปลี่ยนการวิเคราะห์เป็นการลงมือทำที่รับผิดชอบได้ คำแนะนำจะสร้างคุณค่าเมื่อผู้รับผิดชอบตรวจสอบและนำไปปฏิบัติ ผลการวิเคราะห์ที่อนุมัติแล้วสามารถส่งไปยังใบงาน Inspector คำแนะนำภาคสนาม การเก็บหลักฐาน การยืนยันผล และการปิดงาน โดยทีมลูกค้ายังคงควบคุมการอนุมัติ ## สร้างระบบปฏิบัติการที่เรียนรู้ต่อเนื่อง ผลการตรวจสอบ งานบำรุงรักษา คำแนะนำที่ยอมรับ และผลลัพธ์ภาคสนามจะช่วยให้การวิเคราะห์ครั้งต่อไปดีขึ้น feedback นี้ช่วยพัฒนาความรู้ด้านการปฏิบัติงานและ workflow ของ machine learning โดยยังคงความรับผิดชอบของมนุษย์ --- ## [PRODUCTS] inspector ## ภาพรวม Inspector 8.0 เชื่อม digital twin context, asset record, live building data, alarm, work order, SOP template, field evidence และ AI assistance เข้าด้วยกัน เหมาะกับ facility และ industrial site ที่ต้องการจัดการตั้งแต่การพบปัญหา การมอบหมายงาน การทำงานหน้างาน การเก็บหลักฐาน และการปิดงานใน operational flow เดียว - เห็น asset ใน 3D และหา system หรือ equipment ได้เร็วขึ้น - Alarm -> work order -> execution -> review -> acceptance -> closure - Field workflow แบบ offline-ready พร้อม mobile และ AR support - SOP template และ field evidence สำหรับการทำงานที่ repeatable - สนับสนุน BCA Green Mark readiness ด้วย operational evidence - Brick Schema สำหรับความสัมพันธ์ของ asset ที่เป็นมาตรฐาน ## สามมุมมอง ### มุมมองดิจิทัลทวิน มุมมอง 3D รองรับ first-person roaming, layout แบบ layer, navigation จาก floor plan 2D, location code, camera context, asset focus และการเปิด asset record ด้วยการคลิก ### มุมมองการจัดการ Dashboard สรุป asset distribution, health และ work status ส่วน alarm management จัด priority ตาม severity และ zone, เก็บ external source data, merge event ที่ซ้ำ และแสดง alarm marker ใน 3D scene ### มุมมองหน้างาน Technician ทำตาม task, required step, scan checkpoint, reference document และ guided playbook Work order เก็บ note, photo, video, exception reason, timestamp และ acceptance record ได้ ## จาก alarm สู่ work order ที่ trace ได้ Inspector เชื่อม operational chain ให้ต่อเนื่อง Alarm จาก BMS, IoT หรือระบบอุปกรณ์สามารถเก็บ external ID และ structured source data แสดงบน asset ที่เกี่ยวข้อง แล้วสร้างหรือเชื่อม work order ได้ หนึ่ง alarm สามารถเชื่อม work order หลายรายการเมื่อมีหลายทีม หรือหลาย action ที่ต้องทำ ## ทำงานได้เมื่อเครือข่ายไม่เสถียร ทีมสามารถโหลด work order, required step, reference document, BIM หรือ 3D scene resource, playbook, QR หรือ NFC checkpoint, location data และ asset context ไว้ก่อน หลักฐานหน้างานจะถูกเก็บใน local queue และ sync เมื่อกลับมา online ## SOP ที่พัฒนาจากงานจริง งาน maintenance, inspection และ corrective action ที่ทำซ้ำสามารถจัดเป็น SOP template ได้ Required field, required step, exception form, scan check, media evidence และ acceptance rule ช่วยให้การทำงานมีมาตรฐานมากขึ้น ## Green Mark readiness Inspector ช่วยจัด operational record ที่ใช้ในการเตรียม Green Mark เช่น energy และ environmental data, inspection history, maintenance action, work-order closure และ corrective evidence Brick Schema เพิ่ม semantic layer สำหรับอาคาร ชั้น โซน อุปกรณ์ meter, sensor, control point และความสัมพันธ์ของระบบ สำหรับ energy analysis ที่ลึกขึ้น record เหล่านี้สามารถเชื่อมกับ BIM/IFC และ EnergyPlus-based model ใน FactVerse workflow ## ผลลัพธ์ทั่วไป ทีมสามารถเริ่มจาก pilot ที่ scope ชัดเจน เพื่อวัด visibility, consistency ของ execution, คุณภาพ record, ความเร็ว handoff และ evidence สำหรับ decision-making ผลลัพธ์จริงขึ้นอยู่กับขอบเขตไซต์ ความพร้อมของข้อมูล ความเป็นระบบของ process และระดับ rollout --- ## [PRODUCTS] omniverse-adaptor ## ภาพรวม FactVerse Adaptor for NVIDIA Omniverse เชื่อม DataMesh FactVerse กับ Omniverse เพื่อให้ทีมย้ายจาก operational digital twin ไปสู่ workflow simulation และ visualization ขั้นสูง โดยไม่สูญเสียโครงสร้างฉากหรือบริบทแบบเรียลไทม์ ## ทำไม Adaptor นี้สำคัญ ทีมอุตสาหกรรมต้องการทั้ง operational twin ที่เชื่อถือได้และ environment simulation ที่มีความละเอียดสูง FactVerse ให้ operational ground truth ส่วน Omniverse ให้ rendering และ simulation ขั้นสูง Adaptor ช่วยให้สองชั้นนี้ทำงานร่วมกันได้ ## FactVerse นำอะไรเข้า Omniverse FactVerse สามารถนำ factory หรือ facility digital twin เข้า Omniverse พร้อม scene hierarchy, spatial relationship, equipment identity, business metadata, sensor/system data binding และ behavior logic ดังนั้น Omniverse จะได้ฉากอุตสาหกรรมที่ใช้งานตรวจสอบได้และต่อยอด workflow ได้ ## จาก operational twin สู่ USD workflow Adaptor ช่วยนำเข้าฉาก FactVerse ทั้งหมดเข้า Omniverse และต่อยอดใน workflow ที่ใช้ USD เหมาะเมื่อทีมต้องการ visualization, design review หรือ simulation ที่ดีกว่า โดยไม่ต้องสร้างเนื้อหา digital twin ใหม่ตั้งแต่ต้น ## ข้อมูลเรียลไทม์เป็นส่วนหนึ่งของฉาก เมื่อ Data Fusion Services เป็น live data layer ฉาก Omniverse สามารถตอบสนองต่อสภาพ operation จริงได้ telemetry, สถานะอุปกรณ์ และสัญญาณ process จะเข้าสู่ environment simulation ที่สมบูรณ์ขึ้น แทนการพึ่งพาโมเดลนิ่ง ## Rendering และ physics simulation Omniverse สามารถ render FactVerse twin ด้วย visual pipeline ที่ละเอียดขึ้น และใช้ ตรวจสอบ scenario ที่เกี่ยวกับ physics เช่น motion, collision, equipment layout, safety zone, robot path, packaging/material flow และ process timing FactVerse รักษา operation semantics และ data context ส่วน Omniverse ให้ rendering และ simulation environment ## แบ่งหน้าที่ระหว่างแพลตฟอร์มได้ดีขึ้น FactVerse เป็นพื้นที่สำหรับบริบท operation โครงสร้าง twin และ data integration ส่วน Omniverse เป็นพื้นที่สำหรับ simulation, rendering และการพัฒนาฉากเฉพาะทาง Adaptor เป็นสะพานเชื่อมบทบาทเหล่านี้ ## สร้างเพื่อการทำงานร่วมกันในอุตสาหกรรม ผลิตภัณฑ์นี้มีประโยชน์เมื่อทีม simulation, operations และ digital twin ต้องทำงานบน asset และ scenario เดียวกัน โดยไม่ต้องทำงานเตรียมฉากซ้ำในหลายแพลตฟอร์ม --- ## [PRODUCTS] robotics ## ภาพรวม DataMesh Robotics สร้างข้อมูลฝึกสังเคราะห์ระดับอุตสาหกรรมสำหรับ Physical AI และ Embodied AI โดยรองรับการสร้างดิจิทัลทวิน การจำลองเซ็นเซอร์ การติดป้าย ground truth อัตโนมัติ และการส่งออกไปยัง NVIDIA Isaac Sim/Omniverse > **การเข้าถึงล่วงหน้า** — DataMesh Robotics เปิดให้ใช้งานสำหรับพันธมิตรองค์กรที่คัดเลือกในขณะนี้ ## พร้อมเร่ง pipeline การฝึกหุ่นยนต์หรือไม่? บอกเราถึงหุ่นยนต์เป้าหมาย งาน และสภาพแวดล้อมของคุณ เราจะเสนอแผนสร้างข้อมูล แนวทางเชื่อมต่อ และเดโมที่เหมาะกับสถานการณ์อุตสาหกรรมของคุณ ติดต่อ: robotics@datamesh.com --- ## [PRODUCTS] simulator ## ภาพรวม DataMesh Simulator ให้การฝึก operator และการประเมินทักษะด้วย digital twin และ physics simulation รองรับ tower crane, forklift, rotary drilling rig, deep well casing drilling rig, excavator และอุปกรณ์หนักอื่นๆ ผ่านขั้นตอนการทำงาน feedback และเกณฑ์ประเมินที่ใกล้เคียงสถานการณ์จริง ## ประเภทอุปกรณ์ที่รองรับ Simulator จะถูกกำหนดตามเครื่องเป้าหมาย controls ลำดับงาน เกณฑ์ประเมิน และรูปแบบ hardware ที่ต้องใช้ scenario ทั่วไปรวมถึง tower crane, forklift, rotary drilling rig, deep well casing drilling rig และ excavator ## เวอร์ชันอ้างอิงสาธารณะบน Steam DataMesh ยังเผยแพร่ [Operator Training: Heavy Equipment บน Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) เป็นเวอร์ชันอ้างอิงสาธารณะแบบ simplified ของประสบการณ์ Simulator เวอร์ชันนี้เหมาะสำหรับดู concept การฝึก flow การโต้ตอบ และการฝึกอุปกรณ์ด้วย digital twin ในรูปแบบเบาๆ ส่วนระบบ Simulator ระดับมืออาชีพที่เราส่งมอบให้ลูกค้า enterprise และสถาบันการศึกษา จะปรับแต่งตาม hardware, motion platform, cabin, controls, content และเกณฑ์ประเมินของแต่ละโครงการ ## ผลลัพธ์ทั่วไป ทีมมักตรวจสอบคุณค่าด้านการปฏิบัติงานผ่านโครงการนำร่องแบบมุ่งเป้า เช่น การมองเห็นงานที่ดีขึ้น การทำงานที่สม่ำเสมอขึ้น บันทึกที่ชัดเจนขึ้น การส่งต่องานที่เร็วขึ้น และหลักฐานประกอบการตัดสินใจที่ครบถ้วนขึ้น ผลลัพธ์จริงขึ้นอยู่กับขอบเขตไซต์ ความพร้อมของข้อมูล ความ成熟ของกระบวนการ และระดับการขยายผล --- ## [PRODUCTS] sony-srd ## ภาพรวม DataMesh Director for Sony Spatial Reality Display creates the ultimate glasses-free 3D experience. Using Sony's eye-tracking Spatial Reality Display technology, viewers can see 3D models and scenarios with natural stereoscopic depth — no headset or glasses required. Director for Sony SRD is composed of the same components as standard Director: - **DataMesh Studio** for content creation - **DataMesh One** for display and collaboration - **DataMesh Importer** for easy model integration --- ## [PRODUCTS] checklist ## 不再依靠个人记忆完成重复巡检 重复检查看似简单，但一旦涉及多个班次、承包商或站点，问题就会出现：纸质表单丢失、必需照片漏拍、异常描述口径不一，主管还要逐一追问才能知道哪些工作尚未完成。 Checklist让流程负责人明确每次必须检查什么，也让现场人员按照清晰的移动流程执行，从而提高巡检一致性，并为实际发生过的事情保留可复核记录。 ## 明确规定工作步骤和所需证据 巡检负责人可以定义必做步骤、字段、读数、照片、备注、签名和异常原因。现场人员在设备或位置附近打开对应清单，完成每个必检项，并提交格式一致的记录供主管复核。 在网络条件有限的区域，可以预先准备现场所需内容，重新联网后再同步记录。具体离线能力、支持设备和部署要求应在试点规划时根据当前产品版本确认。 ## 给主管一份可以直接采取行动的记录 提交结果会呈现完成情况、异常发现、缺失证据及相关记录。主管可以集中复核例外，并按照客户自己的运营流程决定后续处理方式。 Checklist整理巡检步骤、现场记录和复核依据。客户负责安排合格的巡检与安全岗位，并管理检查标准、批准权限、记录保留、合规认证和设备投运判断。 ## 明确Checklist在产品体系中的位置 - **Checklist**负责重复巡检步骤、必需证据和已提交的巡检记录。 - **Inspector**负责更完整的告警与工单生命周期，包括创建、派发、执行、复核、验收、返工和关闭。 - **Director**负责可复用的引导式流程、3D作业说明和培训内容。 - **FactVerse Data Fusion Services**在需要集成时连接外部资产、任务和运营上下文。 客户可以从范围明确的巡检项目开始，并根据后续流程分别连接计算机化维护管理系统、企业资产管理系统或 Inspector。 ## 公开案例提供的参考 DataMesh公开案例体现了相邻的运营需求：太古可口可乐涉及维护流程和一线培训数字化，富士康涉及培训与设备维护工作流，横河电机涉及AI辅助预测性维护。这些案例说明了清晰现场执行和运营证据的价值。Checklist评估则直接使用客户选定的巡检流程、用户、证据要求和现有系统。 项目团队先确定基线，再复核所选流程中的完成质量、证据覆盖、交接和异常处理，之后决定是否扩展范围。 ## 从一项真正存在摩擦的巡检开始 选择一项重复发生、有明确负责人、标准稳定、证据缺口已知且用户范围可控的巡检。先定义必须完成的事项、需要保留的证据、例外由谁复核，以及哪些现有系统需要交换数据。 试点期间验证完成可视性、证据缺失、复核工作量、现场易用性、离线行为和后续处理。再根据结果决定是否扩展Checklist、连接更多系统，或采用Inspector建立更完整的闭环运营流程。 --- ## [PRODUCTS] designer ## 概述 FactVerse Designer是一款开箱即用的数字孪生场景设计工具，专为工业环境打造。通过直观的拖拽操作，将企业3D数据标准化并转化为可以建模、仿真和优化真实系统的运营数字孪生场景。 ![FactVerse Designer](/images/products/designer-hero.png) ## 核心工作流 ### 1. 导入与建模 导入BIM（IFC、Revit）、CAD（STEP、FBX、OBJ）和点云数据。将资产组织成代表设施、产线或整个园区的场景。 ### 2. 编排行为逻辑 使用可视化行为树编辑器定义设备状态、操作序列和条件逻辑——全程无需编写代码。 ### 3. 绑定数据 通过Data Fusion Services将场景连接到实时数据流。将传感器数值、生产指标和IoT信号映射到3D对象，实现实时可视化。 ### 4. 仿真与测试 运行基于时间线的仿真来验证逻辑、测试场景，并在将变更部署到物理环境之前进行优化。 ### 5. 发布与部署 将场景发布到FactVerse生态系统中——Inspector用于维护，DataMesh One用于AR/MR，Web仪表盘用于监控。 ## 支持平台 - **Windows** — Microsoft Store；完整创作环境 - **macOS** — App Store；完整创作环境 在Designer中创建的场景可在整个FactVerse生态系统中使用，包括Inspector、DataMesh One和Web仪表盘。 ## Designer 与 Director — 该选哪一个？ | | **Designer** | **Director** | |---|---|---| | **用途** | 面向设施监控的运营数字孪生场景设计 | 面向一线培训与指导的分步SOP制作 | | **核心工具** | FactVerse Designer — 行为树场景构建器 | DataMesh Studio — 可视化场景编辑器 | | **输出** | 数据驱动的3D设施环境，支持实时传感器绑定 | 交互式XR操作指引、SOP和培训场景 | | **数据** | 通过Data Fusion Services连接实时IoT/BMS数据 | 内容自包含，无需外部数据 | | **播放端** | Inspector、DataMesh One 和 Web 仪表盘 | DataMesh One（Vision Pro、Quest、iOS、Android、Windows） | | **最适合** | 设施经理、运营团队、数字孪生架构师 | 培训经理、学习发展团队、现场工程师 | **选择 Designer**：当您需要呈现设施中*正在发生什么*。 **选择 Director**：当您需要教他人*如何*完成一项任务。 ## 典型成效 建议从范围明确的试点开始，验证现场可视性、执行一致性、记录完整度、交接效率和决策依据是否得到改善。具体效果取决于场景范围、数据基础、流程成熟度和推广方式。 --- ## [PRODUCTS] dfs ## 运营数据应该推动行动，而不是制造新的孤岛 工业企业通常并不缺数据。问题在于数据分散在控制系统、传感器、维护平台、电子表格、数据库和云服务中，并使用不同的名称、结构和责任体系。Data Fusion Services 将这些碎片转化为团队能够信任和使用的运营上下文。 ![Data Fusion Services 架构](/images/migrated/dfs-architecture.png) ## 连接系统，同时保留数据含义 Data Fusion Services 连接运营技术、企业应用、文档、文件和云平台，并保留每条记录的来源。团队可以把实时信号与资产、工单、巡检、能源和业务上下文结合起来，而不是再建设一个孤立的数据存储。 ## 建立一致可信的资产与运营视图 同一设备在 BMS、CMMS、电子表格和数字孪生中可能使用不同名称。Data Fusion Services 帮助团队对齐这些身份、复核冲突并保留原始来源，从而形成一致的运营视图，而不是掩盖源系统之间的差异。 ## 让可信数据服务整个 FactVerse 当数据具有清晰的身份、质量和上下文后，同一基础可以服务实时数字孪生、设施运营、预测性维护、能源复核、报告和 FactVerse AI Agent。每接入一项工作，都能沉淀可复用知识，而不是增加一次性集成。 ## 从一项业务成果开始 最好的起点不是“连接所有数据”。可以先选择一个清晰结果：可靠的资产视图、跨系统工单全景、实时设施孪生或预测性维护数据集。先与结果负责人确认数据确实可用，再从可信基础逐步扩展。 --- ## [PRODUCTS] director ## 让关键经验不再只掌握在少数专家手中 复杂工作通常依靠手册、幻灯片、视频和师傅带教来传递。但零件之间的关系、步骤变化、危险点以及继续操作前需要检查的事项，往往仍留在讲师或资深员工的经验里。人员换岗或标准变化后，这些知识很难保持一致，也不容易持续更新。 Director 帮助流程负责人和培训团队把这些经验转化为可复用的 3D 指导。合格讲师和已批准流程仍然负责最终把关，同时获得一种更清晰、更容易维护的方式来解释和复用标准做法。 ## 把真实流程变成可以跟随的指导 团队在 DataMesh Studio 中把现有设备或设施模型与操作步骤、标注、动画、交互和评审意见组合起来。流程专家可以与内容团队共同走查，确认必须讲清的细节，并在发布前验证步骤顺序。 DataMesh One 随后在支持的设备上提供已批准内容，用于培训、复习或现场指导。设备、风险控制或作业标准变化时，负责人可以更新并重新发布同一套内容，无需为每个工厂和设备分别重做材料。 ![Director 设备支持](/images/migrated/director-device-support.jpg) ## 根据工作本身选择交付方式 并非每个流程都需要头戴设备。桌面和移动设备适合自主学习、课堂复习以及在设备旁快速查看。对于比例、位置、解放双手或设备内部机理特别重要的任务，空间计算设备可以提供更多帮助。 当前 Director 版本支持在 Windows、Apple 芯片 Mac 和 iPadOS 上使用 DataMesh Studio；DataMesh One 支持 Windows、iOS、ARCore 认证 Android 设备、Apple Vision Pro 和 Meta Quest 3/3S。HoloLens 2 属于旧版支持路径，最后支持版本为 Director 6.2.3。设备选择需要结合当前版本、现场安全规则、网络条件和具体任务确认。 Director 提供 SaaS 订阅和私有化部署。评估阶段需要明确部署范围、身份体系、内容负责人、本地化方式和设备管理要求。 ## 明确 Director 在产品组合中的职责 - **Director** 负责可复用的作业指导、标准作业和 3D 培训内容。 - **DataMesh Studio** 用于 Director 内容创作和评审。 - **DataMesh One** 用于查看、培训和协作使用已批准内容。 - **FactVerse Designer** 负责运营数字孪生场景、流程逻辑和仿真工作流。 - **Simulator** 负责配合训练控制器或训练台的重型设备物理仿真实操。 - **Inspector 和 Checklist** 负责巡检、现场任务、记录和证据，不负责培训内容本身。 这样的边界既允许客户单独使用 Director，也能与 FactVerse 其他产品组合，而不会把所有运营流程都包装成 Director 功能。 ## 来自真实运营培训的公开证据 - [太古可口可乐](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)使用 Director 为灌装工厂的无菌灌装阀维护和一线培训制作 3D 指导。 - [富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)在培训和设备维护项目第一阶段使用 Director 制作可复用的 MR 培训材料，并通过电脑、移动设备和 Apple Vision Pro 使用。 - [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)为 ETC 设备和隧道应急设施开发数字孪生与 MR 培训，让学员更直观地观察内部结构和运行机理。 这些案例证明了 3D 引导式培训可以进入真实运营环境。实际效果仍取决于流程选择、内容质量、讲师参与、设备适配和推广方式。 ## 从一个真正重要的流程开始 有效试点既要范围可控，也要足以暴露真实问题。选择一个负责人明确、有现成资料和设备模型、并且有清晰学习者或现场使用者的流程。 验证人员是否理解步骤和判断点，专家是否能有效评审和更新内容，设备是否适合工作环境，以及试点后内容负责人和更新机制是否可持续。再根据这些证据决定下一批岗位、工厂和流程。 --- ## [PRODUCTS] factverse-dlc ## 概述 FactVerse DLC 是面向 FactVerse Designer 的预配置数字孪生内容包。它让团队可以从可复用基础内容开始搭建场景，减少从空白 3D 项目开始的重复工作。 目前基础包覆盖数据中心、园区、仓储物流和离散制造。每类 DLC 可以包含可复用模型、数字孪生模板、场景、行为树逻辑和运营上下文，交付团队可以再根据客户现场、设备和业务流程进行定制。 ## DLC 在 FactVerse 中的位置 DLC 属于 FactVerse 内容工作流的一部分。它帮助 Designer 用户更快搭建场景，并进一步接入运营数据、作业流程、巡检、培训或仿真工作流。 对产品和交付团队来说，DLC 也是一个可复用基线：常见资产和模板可以跨项目复用，具体项目中的数据、布局、命名和业务逻辑仍然保持可配置。 --- ## [PRODUCTS] factverse-sdk ## 将 FactVerse 能力延伸到用户真正需要的应用中 企业往往需要围绕特定岗位、设备、设施或业务流程设计数字孪生应用。FactVerse SDK 为 Unity 开发团队提供可支持的起点，把选定的 FactVerse 服务接入定制应用，同时让身份、资源、场景和数字孪生实体继续由平台统一管理。 这样，客户可以形成符合自身业务要求的应用体验，并复用 FactVerse 已有的内容治理与平台上下文。 ## 当前可用的集成能力 现有 Unity SDK 和示例覆盖了多数团队首先需要验证的集成路径： - 连接指定的 FactVerse 环境并选择租户上下文 - 浏览和获取 FactVerse 资源库中的受控内容 - 下载并播放由 DataMesh Director 制作的场景 - 下载并播放 FactVerse 数字孪生场景 - 访问数字孪生实体，将选定属性与应用行为关联 - 从账户、资源、Director 场景和 FactVerse 场景示例开始开发 Cloud API、单点登录和客户专用扩展可根据经过评审的方案范围纳入实施。 ## 一条可执行的开发路径 1. **定义应用体验** - 明确用户岗位、业务流程、目标设备、数据交互和需要交付的内容。 2. **确认版本组合** - 对齐 FactVerse 环境、SDK 包、Unity 版本、渲染管线、依赖和目标运行环境。 3. **验证平台访问** - 验证身份认证、租户选择、权限和受控资源获取。 4. **集成数字孪生体验** - 加入 Director 场景播放、FactVerse 场景、实体访问和所需的属性绑定。 5. **测试生产链路** - 在目标设备上测试启动、内容加载、运行性能、网络行为、打包、升级和支持流程。 ## 明确各部分的职责 FactVerse 负责租户、受控资源、场景和数字孪生上下文。Director 负责制作操作指导和培训场景。客户应用负责自身界面、岗位流程、设备交互，以及围绕平台服务增加的业务逻辑。 这种分工既保留应用创新空间，也为内容更新、平台升级和权限控制提供长期可维护的路径。 ## 按具体版本组合确认兼容性 SDK 按版本交付。Unity、Universal Render Pipeline、第三方依赖、FactVerse 服务和目标设备运行环境需要作为一个完整组合进行评估。公开指南给出了经过测试的基线和所需依赖，项目团队再根据实际交付版本确认生产环境配置。 以版本为基础的评估方式能够让兼容性判断更具体，也便于实施团队安排回归测试和后续升级。 ## 公开文档与产品依据 [FactVerse Unity SDK v7.4.1 使用指南](/support/references/sdk/unity-sdk-v7-4-1/)介绍了软件包配置、必选与可选依赖、登录、资源库访问、Director 场景播放、FactVerse 场景播放和示例项目。DataMesh 的产品版本信息还记录了 SDK 对 URP 和数字孪生属性绑定示例的支持。 客户应用及其源代码通常属于私有资产。技术评估会从公开的集成能力开始，再使用交付的 SDK 版本验证客户所需的实际流程。 ## 规划 SDK 技术评估 选择一个有代表性的应用场景，明确 FactVerse 环境、目标设备、内容范围和数据交互要求。DataMesh 将据此确认版本组合、原型路径、双方职责和生产验收标准。 [讨论 FactVerse SDK 技术评估](/contact-us/) --- ## [PRODUCTS] factverse-twin-engine ## 概述 FactVerse Twin Engine是FactVerse平台的空间执行引擎。它将3D场景、资产关系、流程逻辑和实时信号绑定到一个可执行的运行时中。 ## 核心能力 ### 空间运行时 Twin Engine创建可以执行工作流、验证计划、运行仿真的持续运营环境。维护程序可以基于真实设施布局运行；培训场景可以使用实际资产几何体；巡检路线可以参考空间关系；物理智能建议可以先在这里被验证。 ### 数据绑定 传感器值、设备状态和业务指标直接映射到3D对象上。变化反映在场景中，为运营团队提供空间感知的态势感知。 ### 多应用交付 同一场景可以服务于多个应用：Inspector中的维护工作流、DataMesh One中的培训场景、Web仪表盘中的监控视图。 ## 支持格式 Twin Engine支持BIM (IFC, Revit)、CAD (STEP, FBX, OBJ, glTF)和点云格式，确保与现有工程数据兼容。 --- ## [PRODUCTS] factverse ## 为复杂设施中的物理智能而生 FactVerse不再仅仅是一个数字孪生引擎。它是一个完整的运营平台，将数据接入、场景执行、AI推理和应用交付连接在一起，服务于复杂工业环境中的物理智能落地。 这一转变非常重要，因为大多数设施面临的是数据、几何、工作流和决策支持之间的层级断裂。FactVerse在统一架构下整合了这些层。 ## 双引擎架构 平台的核心是双引擎模型： - **Twin Engine** 是执行引擎。它创建空间运行时，使资产、遥测、区域、工作流和仿真具有运营意义。 - **AI Agent** 是物理智能决策引擎。它将问题转化为分析、场景对比和推荐操作。 两者协同将团队从"发生了什么"带到"我们接下来应该做什么"，再到"这在物理环境中真的可行吗？" ## Twin Engine Twin Engine是FactVerse中理解物理世界的部分。它将3D场景、资产关系、流程逻辑和实时信号绑定到可执行的运行时中。这为维护、巡检、仿真、培训和运营验证提供了一个统一的设施模型环境。 ## AI Agent AI Agent是FactVerse中帮助团队做决策的部分。它支持自然语言交互、KPI分析、场景对比，以及需要跨多个数据源推理的复杂运营问题。 AI Agent从Twin Engine的场景上下文、Data Fusion Services的数据管道和Designer的行为模型中获取信息。这意味着推荐方案可以基于经过验证的数字孪生数据和物理约束。 ## 支撑层 - **Data Fusion Services** — 连接BMS、SCADA、IoT、ERP和外部API的数据管道 - **Designer** — 通过行为树配置场景逻辑和数据绑定的创作工具 ## 部署 FactVerse支持云、私有和混合部署。这使企业可以根据工厂连接性、网络安全、合规性和区域推广需求来匹配平台。 --- ## [PRODUCTS] fai ## 在中断发生前看见风险 运营团队已经拥有大量告警、看板和记录，却很难持续、完整地复核所有信息。FactVerse AI Agent 全天候分析这些信号，主动提示值得调查的变化，帮助团队把注意力放在最关键的资产上。 ## 让每项建议都带有真实现场上下文 单个运营信号很少能说明全部问题。FactVerse 将信号与设备身份、所在位置、关联系统、维护历史、巡检、操作流程和工单连接起来，让团队看清发生了什么、为什么重要以及建议依据来自哪里。 ## 把洞察转化为责任明确的行动 建议只有经过正确人员复核并付诸行动，才能产生价值。确认后的发现可以进入 Inspector 工单、现场指导、证据采集、结果验证和关闭流程，同时始终由客户的运营团队掌握审批权。 ## 建立持续学习的运营体系 完成的巡检、维护行动、被采纳的建议和现场结果，会成为下一次判断的更好基础。这些反馈帮助团队不断完善运营知识和机器学习流程，同时保留清晰的人工作业责任。 --- ## [PRODUCTS] inspector ## 概述 Inspector 8.0连接数字孪生上下文、资产档案、实时楼宇数据、告警、工单、SOP模板、现场证据和AI辅助。它面向设施与工业现场，把问题发现、派工、一线执行、证据留存和闭环验收放在同一条运营流程里。 - 3D资产可视化，更快定位系统与设备 - 告警 -> 工单 -> 执行 -> 复核 -> 验收 -> 关闭 - 支持移动端和AR的离线现场工作流 - SOP模板与现场证据采集，支撑可复制的执行 - 新加坡BCA Green Mark准备支持，包括运行数据、维护证据和整改记录 - Brick Schema支持标准化资产关系 ## 三大视图 ### 数字孪生视图 沉浸式3D视图支持第一人称漫游、分层设施布局、2D平面图导航、定位码、摄像头上下文、资产聚焦和点击查看资产档案。团队可以从建筑或系统视图进入具体设备、告警、文档和工单记录。 ### 管理视图 仪表盘汇总资产分布、健康状态和工单进度。告警管理按严重程度和区域排序，保留外部系统来源数据，支持重复事件合并，并在3D场景中显示告警标记。工单视图让派发、执行、审核、验收、驳回和关闭都可追踪。 ### 一线视图 技术人员可以按照任务、必填步骤、扫码检查点、参考文档和引导式剧本执行工作。工单可记录备注、照片、视频、异常原因、时间戳和验收信息，让现场执行过程有清晰记录。 ## 从告警到可追踪工单 Inspector将运营链条串联起来。来自BMS、IoT或设备系统的告警可以保留外部ID和结构化来源数据，显示在受影响资产上，由运营团队确认后创建或关联工单。同一个告警涉及多类处理动作时，也可以关联多个工单。 工单流程覆盖创建、AI辅助填单、模板选择、派发、执行、复核、验收、驳回返工和关闭。关闭说明、媒体证据、时间戳和审计记录帮助主管判断现场到底发生了什么、处理是否到位。 ## 网络不稳定时的现场执行 Inspector支持在网络条件不稳定的区域开展现场工作。团队可以预加载工单、必填步骤、参考文档、BIM或3D场景资源、剧本素材、二维码或NFC检查点、定位数据和相关资产上下文。现场证据先进入本地队列，恢复网络后再同步。 这让地下空间、公辅设备间、工业厂房、仓储物流和大型园区里的关键工作不再依赖办公室网络。 ## 从真实工单沉淀SOP 重复性的维护、巡检和整改动作可以整理成SOP模板。必填字段、必走步骤、异常表单、扫码检查、媒体证据和验收规则帮助团队标准化执行。已完成工单会持续丰富模板库，也为AI辅助建议提供更贴近现场的上下文。 ## Green Mark准备支持 Inspector帮助设施团队收集和追踪Green Mark准备中常用的运行记录，包括能源与环境数据、巡检历史、维护动作、工单闭环和整改证据。Brick Schema支持为这些记录增加开放资产本体层，将建筑、楼层、区域、设备、仪表、传感器、控制点位和系统关系用一致的语义方式组织起来。这样，团队可以更清楚地说明每一项证据来自哪些资产、哪些点位和哪些运维记录。 对于需要进一步评估的场景，这些记录可以在更完整的FactVerse工作流中与BIM/IFC和EnergyPlus建筑能耗模型结合，用于辅助能耗分析和方案比较。Inspector通过组织运营记录，支持业主、顾问、工程团队和服务商开展准备和复核。 ## 典型成效 建议从范围明确的试点开始，验证现场可视性、执行一致性、记录完整度、交接效率和决策依据是否得到改善。具体效果取决于场景范围、数据基础、流程成熟度和推广方式。 --- ## [PRODUCTS] omniverse-adaptor ## 概述 FactVerse Adaptor for NVIDIA Omniverse 将 DataMesh FactVerse 连接到 Omniverse，让团队可以把运营数字孪生带入高保真渲染、物理仿真和 USD 场景开发流程，同时保留数字孪生真正有价值的结构与数据上下文。 ## FactVerse 带入 Omniverse 的内容 FactVerse 是面向 Omniverse 的数字孪生来源。它可以把厂区或设施数字孪生连同场景层级、 空间关系、设备身份、业务元数据、传感器和系统数据绑定、行为逻辑一起带入 Omniverse。这样 Omniverse 得到的是带运营上下文、可用于工业验证的场景。 ## 从运营孪生到 USD 工作流 Adaptor 可以将完整的 FactVerse 场景导入 Omniverse，并在 USD 工作流中继续扩展。 一条产线、一个设施或一个工厂区域都可以在 Omniverse 中用于渲染、布局验证、 场景构建和后续仿真，并复用已有数字孪生内容。 ## 实时数据成为场景的一部分 Data Fusion Services 作为实时数据层，可以让 Omniverse 场景响应真实运营条件。 设备状态、传感器值、过程信号和业务逻辑可以驱动 USD 属性和场景行为，让仿真 与可视化不再停留在静态模型层面。 ## 渲染与物理仿真 Omniverse 可以以更高保真的视觉管线渲染 FactVerse 孪生，也可以用于运动、 碰撞、设备布局、安全区域、机器人路径、包装或物料流、工艺时序等对物理关系 敏感的验证。FactVerse 保留运营语义和数据上下文，Omniverse 提供渲染与仿真环境。 ## 平台分工更清晰 FactVerse 负责运营上下文、孪生结构和数据集成；Omniverse 负责仿真、渲染和 专业场景开发。Adaptor 在两者之间建立稳定桥接，让运营、工程、仿真和可视化团队 围绕同一套工厂上下文协同工作。 --- ## [PRODUCTS] qisim ## 把工业场景转化为工程决策依据 工业团队在调整真实设施之前，往往需要先了解热量、气流、气体、颗粒、设备与运行变化将如何相互影响。FactVerse QiSim 将这些问题连接到经过治理的数字孪生，形成从场景准备、物理计算到运营跟进的连续流程。 QiSim 面向通风方案比较、制冷韧性分析、气体探测覆盖、故障工况评估以及受物理条件影响的工艺调整。每项分析从明确的决策目标、工况范围和验证计划开始。 ## 让物理能力对应具体工程问题 | 仿真能力 | 可支持的决策 | |---|---| | 气流与热环境分析 | 制冷分配、热空气回流、通风调整、热负荷工况与环境条件 | | 气体、污染物与颗粒输运 | 扩散路径、排风表现、探测器布置、人员暴露与隔离方案 | | 暖通空调与环境系统 | 风网行为、压差关系、湿度、设备响应与运行状态比较 | | 设备耦合物理 | 气流驱动运动、刚体交互、接触、包装行为与产线布局方案 | 模型范围和验证深度根据工程问题确定。结果会保留假设、适用边界和评审状态，帮助团队区分前期筛选、校准后的方案比较和可用于决策的工程证据。 ## 贯通数字孪生与仿真的工作流 1. **准备场景** — FactVerse Designer 组织几何、设备、空间、坐标与方案版本。 2. **连接运行条件** — Data Fusion Services 提供经过确认的遥测、工程数据、设备状态与现场测量。 3. **运行并比较场景** — QiSim 计算选定的物理过程，对比基准、改造与故障工况。 4. **审查分析证据** — 团队查看场数据、测点、分析发现、不确定性、输入假设与审计检查。 5. **把决策带回运营** — FactVerse AI Agent 协助解释和协调，Inspector 将获批行动连接到巡检、维护与工单流程。 ## GPU 加速支持更充分的方案迭代 工程价值往往来自多个方案之间的比较。QiSim 基于 NVIDIA Warp 与 GPU 计算高效运行工业物理模型，帮助团队在有限的评审周期内探索更多运行状态与设计选择。 场景输入、仿真结果和展示层相互独立。同一组结果可以用于浏览器场数据探索、工程报告、机器可读证据或高保真视觉内容。 ## OpenUSD 与 Omniverse 集成 OpenUSD 为几何、坐标、层级与可仿真资产提供共享的场景基础。FactVerse 将经过治理的工业上下文带入这一流程，QiSim 完成专业热流体与工业物理分析。 Omniverse Kit 与 RTX 可支持资产转换、高保真渲染、体数据呈现和评审影像。特定工艺与物理智能项目还可将 QiSim 的力和场结果与 PhysX 或 Newton 刚体仿真连接起来。模块化架构允许每个项目按工程目标选择所需的物理与可视化组件。 ## 面向评审的工程证据 QiSim 可以交付场数据、测点历史、方案对比、守恒与收敛检查、模型来源、校准状态、不确定性，以及与源场景关联的分析发现。工程评审人员能够识别结果所使用的输入，以及仍需进一步验证的条件。 适合的起点是一项明确的运营或设计决策，同时具备可用几何、已知边界条件和可衡量的评审标准。验证流程建立后，可以逐步扩展到更多工况、空间与设施。 --- ## [PRODUCTS] robotics ## 概述 DataMesh Robotics为物理智能（Physical AI）和具身AI生成工业级合成训练数据。构建数字孪生、仿真传感器、自动标注真值数据，并导出到NVIDIA Isaac Sim/Omniverse和机器人管线。 > **早期访问** — DataMesh Robotics目前面向企业合作伙伴开放。我们正在与工业自动化公司合作，完善基于仿真的数据生成工作流在实际机器人应用中的使用。 ## 准备加速您的机器人训练管线？ 告诉我们您的目标机器人、任务和环境。我们将为您量身定制数据生成方案、集成路径和演示。 联系我们：robotics@datamesh.com --- ## [PRODUCTS] simulator ## 在操作真实设备前建立岗位能力 重型设备培训会受到生产计划、教员安排、设备占用、燃料、场地条件和安全管理的限制。新学员仍需要充分练习，才能熟悉控制方式、按正确顺序执行任务、识别异常，并在进入真实设备训练前形成稳定的操作习惯。 DataMesh Simulator 将目标设备和岗位转化为可重复的训练环境。数字孪生场景、设备行为、控制系统、引导式任务和评估标准共同构成训练流程，学员可以持续练习，主管也能查看进度与准备度证据。 ## 与岗位要求对应的训练路径 1. **定义岗位** - 确认设备类型、操作职责、必备任务和准备度标准。 2. **构建训练环境** - 配置设备、作业场地、控制系统、视觉条件和相关物理行为。 3. **设计课程** - 将设备认知、正常操作、复杂任务和异常场景组织成渐进式课程。 4. **练习与评估** - 学员反复执行场景，系统与教员同步记录表现。 5. **复核与改进** - 根据结果安排针对性辅导、更新场景，并判断学员何时可以进入有监督的真实设备训练。 ## 一个平台支持多种交付形态 Simulator 的配置取决于培训目标。桌面和固定式终端适合设备认知、流程学习和规模化使用；实体控制台和驾驶舱可提高设备针对性；当运动和控制反馈属于培训标准时，还可以增加运动平台、音效、振动和更完整的视觉系统。 硬件配置始终服务于课程和评估要求，项目无需采用统一固定的设备形态。 ## 设备覆盖范围 现有方案覆盖塔吊、叉车、旋挖钻机、深井套杆钻机、挖掘机等施工与重型设备。当项目能够获得所需设备数据、控制逻辑、操作规程、知识产权许可和行业专家支持时，也可以开发客户专用设备培训方案。 ## 面向教员和主管的评估证据 Simulator 可记录任务完成、操作顺序、错误、用时、场景结果和教员观察。客户可以按照岗位要求定义设备认知、任务熟练度和下一阶段训练的判定标准。这些结果用于培训辅导和管理。现场授权和法规要求的资格认证仍按照客户制度与适用法规执行。 ## 公开案例与项目实践 DataMesh 已与三一、山河智能开展钻机仿真培训项目，并公开展示了[塔吊操作训练](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)和[履带式挖掘机训练](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)体验。这些实践说明平台可以适配不同设备、控制方式和培训目标。 ## Steam 公开体验版 DataMesh 还在 Steam 发布了 [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/)，用于直观了解 Simulator 的交互方式。企业和院校专业项目会在此基础上增加设备专用内容、专业硬件、评估体系、实施服务和技术支持。 ## 从一个岗位和一种设备开始 高效的试点应聚焦一个明确的操作岗位、一种设备和少量高价值任务。DataMesh 会与客户共同确认资料来源、控制方式、训练场景、评估标准、交付形态和验收计划，再逐步扩展到更多设备或场地。 --- ## [PRODUCTS] sony-srd ## 概述 DataMesh Director Sony空间现实显示器版将DataMesh Director的3D内容带到Sony空间现实显示器上——无需头盔或眼镜即可获得裸眼3D沉浸式体验。 Director for Sony SRD由与标准Director相同的组件组成： - **DataMesh Studio** 用于内容创作 - **DataMesh One** 用于播放 区别在于播放端原生支持Sony空间现实显示器的眼动追踪裸眼3D技术，在不损失视觉保真度的前提下，消除了佩戴头盔的需求。 --- ## [PRODUCTS] checklist ## 不再依靠個人記憶完成重複巡檢 重複檢查看似簡單，但一旦涉及多個班次、承包商或站點，問題就會出現：紙本表單遺失、必需照片漏拍、異常描述口徑不一，主管還要逐一追問才能知道哪些工作尚未完成。 Checklist讓流程負責人明確每次必須檢查什麼，也讓現場人員按照清楚的行動流程執行，進而提高巡檢一致性，並為實際發生過的事情保留可複核紀錄。 ## 明確規定工作步驟和所需佐證 巡檢負責人可以定義必做步驟、欄位、讀數、照片、備註、簽名和異常原因。現場人員在設備或位置附近開啟對應清單，完成每個必檢項目，並提交格式一致的紀錄供主管複核。 在網路條件有限的區域，可以預先準備現場所需內容，重新連線後再同步紀錄。具體離線能力、支援裝置和部署要求應在試點規劃時根據目前產品版本確認。 ## 給主管一份可以直接採取行動的紀錄 提交結果會呈現完成情況、異常發現、缺少佐證及相關紀錄。主管可以集中複核例外，並按照客戶自己的營運流程決定後續處理方式。 Checklist整理巡檢步驟、現場紀錄和複核依據。客戶負責安排合格的巡檢與安全角色，並管理檢查標準、核准權限、紀錄保留、合規認證和設備投運判斷。 ## 明確Checklist在產品體系中的位置 - **Checklist**負責重複巡檢步驟、必需佐證和已提交的巡檢紀錄。 - **Inspector**負責更完整的警報與工單生命週期，包括建立、派發、執行、複核、驗收、返工和關閉。 - **Director**負責可重複使用的引導式流程、3D作業說明和培訓內容。 - **FactVerse Data Fusion Services**在需要整合時連接外部資產、任務和營運脈絡。 客戶可以從範圍明確的巡檢計畫開始，並依後續流程分別連接電腦化維護管理系統、企業資產管理系統或 Inspector。 ## 公開案例提供的參考 DataMesh公開案例呈現了相鄰的營運需求：太古可口可樂涉及維護流程和第一線培訓數位化，富士康涉及培訓與設備維護工作流程，橫河電機涉及AI輔助預測性維護。這些案例說明了清楚現場執行和營運佐證的價值。Checklist評估則直接使用客戶選定的巡檢流程、使用者、佐證要求和既有系統。 專案團隊先確定基準，再複核所選流程中的完成品質、佐證涵蓋、交接和例外處理，之後決定是否擴展範圍。 ## 從一項真正存在摩擦的巡檢開始 選擇一項重複發生、有明確負責人、標準穩定、佐證缺口已知且使用者範圍可控的巡檢。先定義必須完成的項目、需要保留的佐證、例外由誰複核，以及哪些現有系統需要交換資料。 試點期間驗證完成可視性、佐證缺失、複核工作量、現場易用性、離線行為和後續處理。再根據結果決定是否擴展Checklist、連接更多系統，或採用Inspector建立更完整的閉環營運流程。 --- ## [PRODUCTS] designer ## 概述 FactVerse Designer是一款開箱即用的數位孿生場景設計工具，專為工業環境打造。透過直覺式拖拽操作，將企業3D資料標準化並轉化為可以建模、模擬和最佳化真實系統的營運數位孿生場景。 ![FactVerse Designer](/images/products/designer-hero.png) ## 核心工作流程 ### 1. 匯入與建模 匯入BIM（IFC、Revit）、CAD（STEP、FBX、OBJ）和點雲資料。將資產組織成代表設施、產線或整個園區的場景。 ### 2. 編排行為邏輯 使用視覺化行為樹編輯器定義設備狀態、操作序列和條件邏輯——全程無需撰寫程式碼。 ### 3. 綁定資料 透過Data Fusion Services將場景連接到即時資料流。將感測器數值、生產指標和IoT訊號對應到3D物件，實現即時視覺化。 ### 4. 模擬與測試 執行基於時間線的模擬來驗證邏輯、測試場景，並在將變更部署到實體環境之前進行最佳化。 ### 5. 發布與部署 將場景發布到 FactVerse 生態系統中——Inspector 用於維護、DataMesh One 用於 AR/MR、Web 儀表板用於監控。 ## 支援平台 - **Windows** — Microsoft Store；完整創作環境 - **macOS** — App Store；完整創作環境 在 Designer 中建立的場景可在整個 FactVerse 生態系統中使用，包括 Inspector、DataMesh One 與 Web 儀表板。 ## Designer與Director — 我該選哪個？ | | **Designer** | **Director** | |---|---|---| | **用途** | 面向設施監控的營運數位孿生場景設計 | 面向第一線培訓與引導的逐步SOP製作 | | **核心工具** | FactVerse Designer — 行為樹場景建構器 | DataMesh Studio — 視覺化場景編輯器 | | **輸出** | 資料驅動的3D 設施環境，支援即時感測器綁定 | 互動式XR操作指引、SOP 和培訓場景 | | **資料** | 透過Data Fusion Services連接即時IoT/BMS資料 | 內容自包含，無需外部資料 | | **播放端** | Inspector、DataMesh One 與 Web 儀表板 | DataMesh One（Vision Pro、Quest、iOS、Android、Windows） | | **最適合** | 設施經理、營運團隊、數位孿生架構師 | 培訓經理、學習發展團隊、現場工程師 | **選擇 Designer**：當您需要呈現設施中*正在發生什麼*。 **選擇 Director**：當您需要教他人*如何*完成一項任務。 ## 典型成效 建議從範圍明確的試點開始，驗證現場可視性、執行一致性、紀錄完整度、交接效率與決策依據是否改善。具體成效取決於場景範圍、資料基礎、流程成熟度與推廣方式。 --- ## [PRODUCTS] dfs ## 營運資料應該推動行動，而不是製造新的孤島 工業企業通常並不缺資料。問題在於資料分散在控制系統、感測器、維護平台、試算表、資料庫和雲端服務中，並使用不同的名稱、結構和責任體系。Data Fusion Services 將這些碎片轉化為團隊能夠信任和使用的營運情境。 ![Data Fusion Services 架構](/images/migrated/dfs-architecture.png) ## 連接系統，同時保留資料含義 Data Fusion Services 連接營運技術、企業應用、文件、檔案和雲端平台，並保留每筆記錄的來源。團隊可以把即時訊號與資產、工單、巡檢、能源和業務情境結合起來，而不是再建設一個孤立的資料儲存。 ## 建立一致可信的資產與營運視圖 同一設備在 BMS、CMMS、試算表和數位孿生中可能使用不同名稱。Data Fusion Services 協助團隊對齊這些身分、複核衝突並保留原始來源，形成一致的營運視圖，而不是掩蓋來源系統之間的差異。 ## 讓可信資料服務整個 FactVerse 當資料具有清楚的身分、品質和情境後，同一基礎可以服務即時數位孿生、設施營運、預測性維護、能源複核、報告和 FactVerse AI Agent。每接入一項工作，都能累積可重複使用的知識，而不是增加一次性整合。 ## 從一項業務成果開始 最好的起點不是「連接所有資料」。可以先選擇一個清楚結果：可靠的資產視圖、跨系統工單全景、即時設施孿生或預測性維護資料集。先與結果負責人確認資料確實可用，再從可信基礎逐步擴展。 --- ## [PRODUCTS] director ## 讓關鍵經驗不再只掌握在少數專家手中 複雜工作通常透過手冊、投影片、影片和師徒帶教傳遞。但零件之間的關係、步驟變化、危險點，以及繼續操作前需要檢查的事項，往往仍留在講師或資深人員的經驗裡。人員轉任或標準改變後，這些知識很難保持一致，也不容易持續更新。 Director 協助流程負責人與培訓團隊把這些經驗轉成可重複使用的 3D 指引。合格講師與已核准流程仍負責最終把關，同時擁有更清楚、更容易維護的方式來說明和重複使用標準做法。 ## 把真實流程變成可以跟隨的指引 團隊在 DataMesh Studio 中，將現有設備或設施模型與作業步驟、標註、動畫、互動和審查意見組合起來。流程專家可以與內容團隊共同走查，確認必須說清楚的細節，並在發佈前驗證步驟順序。 DataMesh One 接著在支援的裝置上提供已核准內容，用於培訓、複習或現場指引。設備、風險控制或作業標準變更時，負責人可以更新並重新發佈同一套內容，不需要為每個廠區和裝置分別重做材料。 ![Director 裝置支援](/images/migrated/director-device-support.jpg) ## 依工作本身選擇交付方式 不是每個流程都需要頭戴式裝置。桌面與行動裝置適合自主學習、課堂複習，以及在設備旁快速查看。當比例、位置、免手持觀看或設備內部機理特別重要時，空間運算裝置可以提供更多幫助。 目前 Director 版本支援在 Windows、Apple 晶片 Mac 和 iPadOS 上使用 DataMesh Studio；DataMesh One 支援 Windows、iOS、ARCore 認證 Android 裝置、Apple Vision Pro 和 Meta Quest 3/3S。HoloLens 2 屬於舊版支援路徑，最後支援版本為 Director 6.2.3。裝置選擇需要依目前版本、現場安全規範、網路條件和實際任務確認。 Director 提供 SaaS 訂閱和私有部署。評估階段需要釐清部署範圍、身分系統、內容負責人、在地化方式與裝置管理需求。 ## 明確 Director 在產品組合中的角色 - **Director** 負責可重複使用的作業指引、標準作業和 3D 培訓內容。 - **DataMesh Studio** 用於 Director 內容製作與審查。 - **DataMesh One** 用於檢視、培訓與協作使用已核准內容。 - **FactVerse Designer** 負責營運數位孿生場景、流程邏輯與模擬工作流程。 - **Simulator** 負責搭配訓練控制器或訓練台的重型設備物理模擬實作。 - **Inspector 和 Checklist** 負責巡檢、現場任務、紀錄與證據，不負責培訓內容本身。 這樣的邊界讓客戶既能單獨使用 Director，也能與其他 FactVerse 產品組合，而不會把所有營運流程都包裝成 Director 功能。 ## 來自真實營運培訓的公開證據 - [太古可口可樂](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)使用 Director 為裝瓶工廠的無菌充填閥維護與第一線培訓製作 3D 指引。 - [富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)在培訓與設備維護專案第一階段使用 Director 製作可重複使用的 MR 培訓教材，並透過電腦、行動裝置與 Apple Vision Pro 使用。 - [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)為 ETC 設備與隧道緊急設施開發數位孿生與 MR 培訓，讓學員更直觀地觀察內部結構與運作機理。 這些案例證明 3D 引導式培訓能進入真實營運環境。實際成效仍取決於流程選擇、內容品質、講師參與、裝置適配與推廣方式。 ## 從一個真正重要的流程開始 有效試點既要範圍可控，也要足以暴露真實問題。選擇一個負責人明確、有現成資料和設備模型，並且有清楚學習者或現場使用者的流程。 驗證人員是否理解步驟與判斷點、專家是否能有效審查和更新內容、裝置是否適合工作環境，以及試點後內容負責人和更新機制是否能持續運作。再依這些證據決定下一批職務、廠區和流程。 --- ## [PRODUCTS] factverse-dlc ## 概述 FactVerse DLC 是面向 FactVerse Designer 的預配置數位孿生內容包。它讓團隊可以從可複用基礎內容開始搭建場景，減少從空白 3D 專案開始的重複工作。 目前基礎包覆蓋資料中心、園區、倉儲物流和離散製造。每類 DLC 可以包含可複用模型、數位孿生模板、場景、行為樹邏輯和營運上下文，交付團隊可以再根據客戶現場、設備和業務流程進行客製化。 ## DLC 在 FactVerse 中的位置 DLC 屬於 FactVerse 內容工作流的一部分。它協助 Designer 使用者更快搭建場景，並進一步接入營運資料、作業流程、巡檢、培訓或模擬工作流。 對產品和交付團隊來說，DLC 也是一個可複用基線：常見資產和模板可以跨專案複用，具體專案中的資料、布局、命名和業務邏輯仍然保持可配置。 --- ## [PRODUCTS] factverse-sdk ## 將 FactVerse 能力延伸到使用者真正需要的應用中 企業經常需要圍繞特定職務、裝置、設施或工作流程設計數位孿生應用。FactVerse SDK 為 Unity 開發團隊提供可支援的起點，把指定的 FactVerse 服務串接到專用應用，同時讓身分、資源、場景和數位孿生實體持續由平台統一管理。 客戶可以建立符合自身業務需求的應用體驗，並沿用 FactVerse 既有的內容治理與平台脈絡。 ## 目前可用的整合能力 現有 Unity SDK 和範例涵蓋多數團隊首先需要驗證的整合路徑： - 連接指定的 FactVerse 環境並選擇租戶脈絡 - 瀏覽和取得 FactVerse 資源庫中的受控內容 - 下載並播放由 DataMesh Director 製作的情境 - 下載並播放 FactVerse 數位孿生場景 - 存取數位孿生實體，將指定屬性與應用行為連結 - 從帳戶、資源、Director 情境和 FactVerse 場景範例開始開發 Cloud API、單一登入和客戶專用擴充可依照經過評審的方案範圍納入實施。 ## 一條可執行的開發路徑 1. **定義應用體驗** - 明確使用者職務、營運流程、目標裝置、資料互動和需要交付的內容。 2. **確認版本組合** - 對齊 FactVerse 環境、SDK 套件、Unity 版本、渲染管線、相依項目和目標執行環境。 3. **驗證平台存取** - 驗證身分驗證、租戶選擇、權限和受控資源取得。 4. **整合數位孿生體驗** - 加入 Director 情境播放、FactVerse 場景、實體存取和所需的屬性綁定。 5. **測試正式環境流程** - 在目標裝置上測試啟動、內容載入、執行效能、網路行為、封裝、升級和支援流程。 ## 明確各部分的職責 FactVerse 負責租戶、受控資源、場景和數位孿生脈絡。Director 負責製作操作指引和培訓情境。客戶應用負責自身介面、職務流程、裝置互動，以及圍繞平台服務增加的業務邏輯。 這種分工保留應用創新空間，也為內容更新、平台升級和權限控制提供長期可維護的路徑。 ## 依具體版本組合確認相容性 SDK 按版本交付。Unity、Universal Render Pipeline、第三方套件、FactVerse 服務和目標裝置執行環境需要作為完整組合進行評估。公開指南列出經過測試的基準和所需套件，專案團隊再依實際交付版本確認正式環境設定。 以版本為基礎的評估方式讓相容性判斷更具體，也便於實施團隊安排回歸測試和後續升級。 ## 公開文件與產品依據 [FactVerse Unity SDK v7.4.1 使用指南](/support/references/sdk/unity-sdk-v7-4-1/)介紹套件設定、必要與選用相依項目、登入、資源庫存取、Director 情境播放、FactVerse 場景播放和範例專案。DataMesh 的產品版本資訊也記錄了 SDK 對 URP 和數位孿生屬性綁定範例的支援。 客戶應用及其原始碼通常屬於私有資產。技術評估會從公開的整合能力開始，再使用交付的 SDK 版本驗證客戶所需的實際流程。 ## 規劃 SDK 技術評估 選擇一個具代表性的應用情境，明確 FactVerse 環境、目標裝置、內容範圍和資料互動需求。DataMesh 將據此確認版本組合、原型路徑、雙方職責和正式環境驗收標準。 [討論 FactVerse SDK 技術評估](/contact-us/) --- ## [PRODUCTS] factverse-twin-engine ## 概述 FactVerse Twin Engine 是 FactVerse 平台的空間執行引擎。它將 3D 場景、資產關係、流程邏輯和即時訊號綁定到一個可執行的執行階段中。 ## 核心能力 ### 空間執行階段 Twin Engine 建立可以執行工作流程、驗證計畫、執行模擬的持續運作環境。維護程序可以基於真實設施佈局執行；培訓場景可以使用實際資產幾何體；巡檢路線可以參考空間關係；物理智慧建議可以先在這裡被驗證。 ### 資料綁定 感測器值、設備狀態和業務指標直接對應到 3D 物件上。變化會反映在場景中，為營運團隊提供具空間感的態勢資訊。 ### 多應用交付 同一場景可以支援多個應用：Inspector 中的維護工作流程、DataMesh One 中的培訓場景、Web 儀表板中的監控視圖。 ## 支援格式 Twin Engine 支援 BIM (IFC, Revit)、CAD (STEP, FBX, OBJ, glTF) 和點雲格式，確保與現有工程資料相容。 --- ## [PRODUCTS] factverse ## 為複雜設施中的物理智慧而生 FactVerse 不再只是數位孿生引擎。它是一個完整的營運平台，將資料存取、場景執行、AI 推理和應用交付連接在一起，支援複雜工業環境中的物理智慧落地。 ## 雙引擎架構 平台的核心是雙引擎模型： - **Twin Engine** 是執行引擎。它建立空間執行環境，使資產、遙測、區域、工作流程和模擬具有營運意義。 - **AI Agent** 是物理智慧決策引擎。它將問題轉化為分析、場景比較和建議操作。 ## Twin Engine Twin Engine 是 FactVerse 中理解物理世界的部分。它將 3D 場景、資產關係、流程邏輯和即時訊號綁定到可執行的執行環境中。 ## AI Agent AI Agent 是 FactVerse 中協助團隊做決策的部分。它支援自然語言互動、KPI 分析和場景比較。 ## 支撐層 - **Data Fusion Services** — 連接 BMS、SCADA、IoT、ERP 的資料管線 - **Designer** — 透過行為樹配置場景邏輯的創作工具 ## 部署 FactVerse 支援雲端、私有和混合部署。 --- ## [PRODUCTS] fai ## 在中斷發生前看見風險 營運團隊已經擁有大量警報、儀表板和記錄，卻很難持續、完整地複核所有資訊。FactVerse AI Agent 全天候分析這些訊號，主動提示值得調查的變化，協助團隊把注意力放在最關鍵的資產上。 ## 讓每項建議都帶有真實現場情境 單一營運訊號很少能說明全部問題。FactVerse 將訊號與設備身分、所在位置、關聯系統、維護歷史、巡檢、操作流程和工單連接起來，讓團隊看清發生了什麼、為什麼重要以及建議依據來自哪裡。 ## 把洞察轉化為責任明確的行動 建議只有經過正確人員複核並付諸行動，才能產生價值。確認後的發現可以進入 Inspector 工單、現場指引、證據採集、結果驗證和關閉流程，同時始終由客戶的營運團隊掌握審批權。 ## 建立持續學習的營運體系 完成的巡檢、維護行動、被採納的建議和現場結果，會成為下一次判斷的更好基礎。這些回饋協助團隊不斷完善營運知識和機器學習流程，同時保留清楚的人工作業責任。 --- ## [PRODUCTS] inspector ## 概述 Inspector 8.0 連接數位孿生脈絡、資產檔案、即時樓宇資料、警報、工單、SOP模板、現場佐證和AI輔助。它面向設施與工業現場，把問題發現、派工、第一線執行、佐證留存和閉環驗收放在同一條營運流程裡。 - 3D資產視覺化，更快定位系統與設備 - 警報 -> 工單 -> 執行 -> 複核 -> 驗收 -> 關閉 - 支援行動端和AR的離線現場工作流程 - SOP模板與現場佐證採集，支撐可複製的執行 - 新加坡 BCA Green Mark 準備支援，包括營運資料、維護佐證和整改紀錄 - Brick Schema 支援標準化資產關係 ## 三大視圖 ### 數位孿生視圖 沉浸式3D視圖支援第一人稱漫遊、分層設施佈局、2D平面圖導航、定位碼、攝影機脈絡、資產聚焦和點擊查看資產檔案。團隊可以從建築或系統視圖進入具體設備、警報、文件和工單紀錄。 ### 管理視圖 儀表板彙總資產分佈、健康狀態和工單進度。警報管理按嚴重程度和區域排序，保留外部系統來源資料，支援重複事件合併，並在3D場景中顯示警報標記。工單視圖讓派發、執行、審核、驗收、退回和關閉都可追蹤。 ### 第一線視圖 技術人員可以按照任務、必填步驟、掃碼檢查點、參考文件和引導式劇本執行工作。工單可記錄備註、照片、影片、異常原因、時間戳和驗收資訊，讓現場執行過程有清晰紀錄。 ## 從警報到可追蹤工單 Inspector將營運鏈條串聯起來。來自BMS、IoT或設備系統的警報可以保留外部ID和結構化來源資料，顯示在受影響資產上，由營運團隊確認後建立或關聯工單。同一個警報涉及多類處理動作時，也可以關聯多張工單。 工單流程覆蓋建立、AI輔助填單、模板選擇、派發、執行、複核、驗收、退回重工和關閉。關閉說明、媒體佐證、時間戳和稽核紀錄協助主管判斷現場到底發生了什麼、處理是否到位。 ## 網路不穩定時的現場執行 Inspector支援在網路條件不穩定的區域開展現場工作。團隊可以預載工單、必填步驟、參考文件、BIM或3D場景資源、劇本素材、QR Code或NFC檢查點、定位資料和相關資產脈絡。現場佐證先進入本機佇列，恢復網路後再同步。 這讓地下空間、公用設備間、工業廠房、倉儲物流和大型園區裡的關鍵工作不再依賴辦公室網路。 ## 從真實工單沉澱SOP 重複性的維護、巡檢和整改動作可以整理成SOP模板。必填欄位、必走步驟、異常表單、掃碼檢查、媒體佐證和驗收規則協助團隊標準化執行。已完成工單會持續豐富模板庫，也為AI輔助建議提供更貼近現場的脈絡。 ## Green Mark準備支援 Inspector協助設施團隊收集和追蹤Green Mark準備中常用的營運紀錄，包括能源與環境資料、巡檢歷史、維護動作、工單閉環和整改佐證。Brick Schema支援為這些紀錄增加開放資產本體層，將建築、樓層、區域、設備、儀表、感測器、控制點位和系統關係用一致的語義方式組織起來。這樣，團隊可以更清楚地說明每一項佐證資料來自哪些資產、哪些點位和哪些營運維護紀錄。 對於需要進一步評估的場景，這些紀錄可以在更完整的FactVerse工作流中與BIM/IFC和EnergyPlus建築能耗模型結合，用於輔助能耗分析和方案比較。Inspector透過組織營運紀錄，支援業主、顧問、工程團隊和服務商開展準備和複核。 ## 典型成效 建議從範圍明確的試點開始，驗證現場可視性、執行一致性、紀錄完整度、交接效率與決策依據是否改善。具體成效取決於場景範圍、資料基礎、流程成熟度與推廣方式。 --- ## [PRODUCTS] omniverse-adaptor ## 概述 FactVerse Adaptor for NVIDIA Omniverse 將 DataMesh FactVerse 連接到 Omniverse，讓團隊可以把營運數位孿生帶入高擬真渲染、物理模擬和 USD 場景開發流程，同時保留數位孿生真正有價值的結構與資料脈絡。 ## FactVerse 帶入 Omniverse 的內容 FactVerse 是面向 Omniverse 的數位孿生來源。它可以把廠區或設施數位孿生連同場景階層、 空間關係、設備身分、業務元資料、感測器和系統資料綁定、行為邏輯一起帶入 Omniverse。這樣 Omniverse 得到的是帶營運脈絡、可用於工業驗證的場景。 ## 從營運孿生到 USD 工作流程 Adaptor 可以將完整的 FactVerse 場景導入 Omniverse，並在 USD 工作流程中繼續擴展。 一條產線、一個設施或一個工廠區域都可以在 Omniverse 中用於渲染、配置驗證、 情境構建和後續模擬，並重複使用既有數位孿生內容。 ## 即時資料成為場景的一部分 Data Fusion Services 作為即時資料層，可以讓 Omniverse 場景回應真實營運條件。 設備狀態、感測器值、製程訊號和業務邏輯可以驅動 USD 屬性和場景行為，讓模擬 與視覺化不再停留在靜態模型層面。 ## 渲染與物理模擬 Omniverse 可以以更高擬真的視覺管線渲染 FactVerse 孿生，也可以用於運動、 碰撞、設備配置、安全區域、機器人路徑、包裝或物料流、製程時序等對物理關係 敏感的驗證。FactVerse 保留營運語義和資料脈絡，Omniverse 提供渲染與模擬環境。 ## 平台分工更清晰 FactVerse 負責營運脈絡、孿生結構和資料整合；Omniverse 負責模擬、渲染和 專業場景開發。Adaptor 在兩者之間建立穩定橋接，讓營運、工程、模擬和視覺化團隊 圍繞同一套工廠脈絡協同工作。 --- ## [PRODUCTS] qisim ## 把工業場景轉化為工程決策依據 工業團隊在調整真實設施之前，經常需要先了解熱量、氣流、氣體、粒子、設備與運行變化將如何互相影響。FactVerse QiSim 將這些問題連接到經過治理的數位孿生，形成從場景準備、物理運算到營運跟進的連續流程。 QiSim 面向通風方案比較、冷卻韌性分析、氣體探測覆蓋、故障工況評估，以及受物理條件影響的製程調整。每項分析都從明確的決策目標、工況範圍與驗證計畫開始。 ## 讓物理能力對應具體工程問題 | 模擬能力 | 可支援的決策 | |---|---| | 氣流與熱環境分析 | 冷卻分配、熱空氣回流、通風調整、熱負載工況與環境條件 | | 氣體、污染物與粒子傳輸 | 擴散路徑、排風表現、探測器配置、人員暴露與隔離方案 | | 暖通空調與環境系統 | 風網行為、壓差關係、濕度、設備響應與運行狀態比較 | | 設備耦合物理 | 氣流驅動運動、剛體互動、接觸、包裝行為與產線配置方案 | 模型範圍和驗證深度依工程問題確定。結果會保留假設、適用邊界與審查狀態，協助團隊區分前期篩選、校準後的方案比較和可用於決策的工程證據。 ## 貫通數位孿生與模擬的工作流程 1. **準備場景** — FactVerse Designer 組織幾何、設備、空間、座標與方案版本。 2. **連接運行條件** — Data Fusion Services 提供經過確認的遙測、工程資料、設備狀態與現場量測。 3. **執行並比較場景** — QiSim 計算選定的物理過程，對比基準、改造與故障工況。 4. **審查分析證據** — 團隊查看場資料、測點、分析發現、不確定性、輸入假設與稽核檢查。 5. **把決策帶回營運** — FactVerse AI Agent 協助解讀與協調，Inspector 將核准行動連接到巡檢、維護與工單流程。 ## GPU 加速支援更充分的方案迭代 工程價值經常來自多個方案之間的比較。QiSim 基於 NVIDIA Warp 與 GPU 運算高效執行工業物理模型，協助團隊在有限的審查週期內探索更多運行狀態與設計選擇。 場景輸入、模擬結果和呈現層彼此獨立。同一組結果可以用於瀏覽器場資料探索、工程報告、機器可讀證據或高擬真視覺內容。 ## OpenUSD 與 Omniverse 整合 OpenUSD 為幾何、座標、層級與可模擬資產提供共享的場景基礎。FactVerse 將經過治理的工業情境帶入這一流程，QiSim 完成專業熱流體與工業物理分析。 Omniverse Kit 與 RTX 可支援資產轉換、高擬真渲染、體積資料呈現與審查影像。特定製程與物理智慧專案還可將 QiSim 的力和場結果與 PhysX 或 Newton 剛體模擬連接起來。 ## 面向審查的工程證據 QiSim 可以交付場資料、測點歷史、方案比較、守恆與收斂檢查、模型來源、校準狀態、不確定性，以及與來源場景關聯的分析發現。工程審查人員能夠識別結果所使用的輸入，以及仍需進一步驗證的條件。 適合的起點是一項明確的營運或設計決策，同時具備可用幾何、已知邊界條件與可衡量的審查標準。驗證流程建立後，可以逐步擴展到更多工況、空間與設施。 --- ## [PRODUCTS] robotics ## 概述 DataMesh Robotics 為物理智慧（Physical AI）和具身 AI 生成工業級合成訓練資料。建構數位孿生、模擬感測器、自動標註真值資料，並匯出到 NVIDIA Isaac Sim/Omniverse 和機器人管線。 > **早期存取** — DataMesh Robotics 目前面向企業合作夥伴開放。 ## 準備加速您的機器人訓練管線？ 聯絡我們：robotics@datamesh.com --- ## [PRODUCTS] simulator ## 在操作真實設備前建立職務能力 重型設備訓練會受到生產計畫、教員安排、設備占用、燃料、場地條件和安全管理的限制。新學員仍需要充分練習，才能熟悉控制方式、依正確順序執行任務、辨識異常，並在進入真實設備訓練前形成穩定的操作習慣。 DataMesh Simulator 將目標設備和職務轉化為可重複的訓練環境。數位孿生場景、設備行為、控制系統、引導式任務和評估標準共同構成訓練流程，學員可以持續練習，主管也能查看進度與準備度證據。 ## 與職務要求對應的訓練路徑 1. **定義職務** - 確認設備類型、操作職責、必備任務和準備度標準。 2. **建置訓練環境** - 配置設備、作業場地、控制系統、視覺條件和相關物理行為。 3. **設計課程** - 將設備認知、正常操作、複雜任務和異常場景組織成漸進式課程。 4. **練習與評估** - 學員反覆執行場景，系統與教員同步記錄表現。 5. **複核與改進** - 依結果安排針對性輔導、更新場景，並判斷學員何時可以進入有監督的真實設備訓練。 ## 一個平台支援多種交付形態 Simulator 的配置取決於訓練目標。桌面和固定式終端適合設備認知、流程學習和規模化使用；實體控制台和駕駛艙可提高設備針對性；當運動和控制回饋屬於訓練標準時，還可以增加運動平台、音效、振動和更完整的視覺系統。 硬體配置始終服務於課程和評估要求，專案無需採用統一固定的設備形態。 ## 設備覆蓋範圍 現有方案涵蓋塔吊、堆高機、旋挖鑽機、深井套桿鑽機、挖掘機等施工與重型設備。當專案能夠取得所需設備資料、控制邏輯、操作規程、智慧財產授權和產業專家支援時，也可以開發客戶專用設備訓練方案。 ## 面向教員和主管的評估證據 Simulator 可記錄任務完成、操作順序、錯誤、用時、場景結果和教員觀察。客戶可以依職務要求定義設備認知、任務熟練度和下一階段訓練的判定標準。這些結果用於訓練輔導和管理。現場授權和法規要求的資格認證仍依客戶制度與適用法規執行。 ## 公開案例與專案實踐 DataMesh 已與三一、山河智能進行鑽機模擬訓練專案，並公開展示[塔吊操作訓練](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)和[履帶式挖掘機訓練](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)體驗。這些實踐說明平台可以適配不同設備、控制方式和訓練目標。 ## Steam 公開體驗版 DataMesh 還在 Steam 發布了 [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/)，用於直觀了解 Simulator 的互動方式。企業和院校專業專案會在此基礎上增加設備專用內容、專業硬體、評估體系、實施服務和技術支援。 ## 從一個職務和一種設備開始 有效的試點應聚焦一個明確的操作職務、一種設備和少量高價值任務。DataMesh 會與客戶共同確認資料來源、控制方式、訓練場景、評估標準、交付形態和驗收計畫，再逐步擴展到更多設備或場地。 --- ## [PRODUCTS] sony-srd ## 概述 DataMesh Director Sony空間現實顯示器版將DataMesh Director的3D內容帶到Sony空間現實顯示器上——無需頭戴裝置或眼鏡即可獲得裸眼3D沉浸式體驗。 Director for Sony SRD由與標準Director相同的元件組成： - **DataMesh Studio** 用於內容創作 - **DataMesh One** 用於播放 區别在于播放端原生支援Sony空間現實顯示器的眼動追蹤裸眼3D技術，在不損失視覺保真度的前提下，消除了佩戴頭戴裝置的需求。 --- ================================================== # SECTION: SOLUTIONS ================================================== ## [SOLUTIONS] Traffic Flow Operations with FactVerse AI Agent > Coordinate passenger, vehicle, and cargo flow across checkpoints, ports, terminals, and transport hubs with the TrafficOps industry module, operational digital twins, and AI-assisted decisions. ## Traffic flow depends on more than a queue count Passenger, vehicle, and cargo operations are shaped by arrival patterns, lane availability, checkpoint capacity, staffing, facility conditions, equipment readiness, and incident response. Each system shows part of the picture. Traffic Flow Operations brings those signals into one operating context so teams can understand pressure earlier and coordinate a response with the people responsible for the operation. ## A solution built around the TrafficOps industry module TrafficOps provides the domain model and operational workflows for queues, passenger flow, vehicle flow, cargo movement, checkpoints, incidents, rules, simulation, and operations-center dashboards. It sits inside a broader DataMesh solution: - **Data Fusion Services** connects reviewed operational and facility data sources - **FactVerse** provides shared asset, spatial, and operational context - **FactVerse AI Agent** analyzes flow, anomalies, constraints, and response options - **TrafficOps** organizes traffic-specific workflows, dashboards, rules, and scenarios - **Inspector** carries approved work into field tasks and maintenance records when needed This composition gives operators a complete workflow while keeping the role of the TrafficOps module explicit. ## From operating signals to reviewed action 1. **Connect the operating picture** - Bring together flow history, live queues, checkpoints, schedules, lane status, incidents, and relevant facility signals. 2. **Surface pressure and constraints** - Identify expected peaks, abnormal queues, unavailable capacity, or equipment conditions that may affect service. 3. **Compare response options** - Review lane, staffing, routing, maintenance, and incident scenarios against operating rules and current conditions. 4. **Approve and execute** - Operators select the action and use the appropriate operating or work-management system to carry it out. 5. **Learn from the result** - Preserve the recommendation, decision, action, and observed outcome for shift review and future planning. ## Current operational scope TrafficOps currently provides product surfaces for operations dashboards, queue and flow views, checkpoint and equipment configuration, passenger, vehicle, and cargo operations, incident handling, rules, reporting, simulation, what-if analysis, and reviewed recommendations. The exact data sources and automation depth are configured for each deployment. Forecasts and scenario results support operational judgment. Their acceptance criteria are established with the customer using available data, operating rules, and agreed performance measures. ## Operators remain responsible for critical decisions Lane allocation, staffing, security, incident response, and maintenance changes carry real operational consequences. FactVerse AI Agent presents supporting evidence and response options; authorized operators review, approve, dismiss, or revise the action according to site procedures. The decision record provides context for after-action review without bypassing existing authority. ## Start with one measurable operating problem A practical evaluation begins with one checkpoint, terminal area, corridor, or flow type. The project team selects available data, defines queue and service measures, models the relevant operating rules, and evaluates a small set of recurring decisions. Expansion follows after operators confirm that the shared context and recommendations improve their planning process. Current public DataMesh references demonstrate infrastructure safety workflows and complex-facility digital twins. TrafficOps capability is evaluated directly against the customer's own flow data and operating environment. ## Plan a Traffic Flow Operations evaluation Select a location, flow type, decision owner, data window, and operational question. DataMesh can then define the TrafficOps configuration, integration scope, AI Agent workflow, review process, and acceptance measures for a focused evaluation. [Discuss a Traffic Flow Operations evaluation](/contact-us/) --- ## [SOLUTIONS] Data Center Operations > Unify facility assets, energy, environmental telemetry, inspections, and maintenance in an operational digital twin, then evaluate thermal and cooling-resilience scenarios before change. ## Why Data Center Operations exists Data center teams make daily decisions across rooms, racks, power paths, cooling equipment, meters, alarms, inspections, and maintenance work. Each source describes part of the facility. A reliable operating picture emerges when those sources share the same asset, location, system, and work context. Data Center Operations combines that operational foundation with project-enabled thermal analysis. Teams can run daily operations from current facility evidence, then add airflow and temperature studies when a capacity, resilience, or layout decision requires more than a monitoring dashboard. ## Daily operations start with a shared facility context Data Fusion Services connects building management, electrical power monitoring, data center infrastructure management, meters, sensors, alarms, documents, and maintenance records. FactVerse organizes rooms, racks, power and cooling relationships, facility equipment, and ownership in an operational digital twin. FactVerse AI Agent can help teams review abnormal trends, repeated alarms, asset health, and maintenance history. Engineers confirm the evidence, and Inspector or an existing maintenance system carries approved work into inspection, repair, and verification. This operating layer supports: - multi-site asset and room visualization - rack, power, cooling, meter, and equipment relationships - energy calculation and operating trend review - alarm investigation with inspection and maintenance history - work-order handoffs, field evidence, and repair verification - facility change records and management review ## Add thermal evidence when a decision needs it For decisions that depend on airflow or temperature fields, DataMesh adds a project-enabled thermal and thermal-fluid workflow. The study begins with a defined question, representative geometry, loads, cooling conditions, available measurements, and agreed review criteria. Teams can compare: - rack-inlet temperature and remaining thermal margin - normal operation and selected cooling-degradation scenarios - representative load growth and rack-density alternatives - containment, cooling distribution, and layout options - affected areas that should receive engineering or maintenance attention first The purpose is to compare options and expose decision risk before physical change. Absolute site conclusions use measured-data calibration appropriate to the question being reviewed. ## One workflow from operating data to action 1. **Connect operating evidence**: bring facility data, asset context, alarms, energy records, inspections, and maintenance history into the twin. 2. **Establish the baseline**: confirm geometry, equipment state, rack loads, cooling conditions, data quality, and the operating period being studied. 3. **Define the decision scenarios**: select the cooling, load, containment, or layout alternatives that matter to the project. 4. **Compare fields and decision metrics**: review rack-inlet conditions, thermal margin, affected zones, assumptions, model checks, and scenario differences. 5. **Route approved action**: send qualified findings into engineering review, change planning, inspection, or work-order execution, then preserve verification evidence. ## Match the evidence level to the decision | Evidence level | What it uses | Suitable use | |---|---|---| | Operational evidence | Connected meter, sensor, alarm, asset, inspection, and maintenance records | Daily visibility, issue investigation, work prioritization, and baseline definition | | Exploratory model | Representative geometry, loads, and boundary assumptions | Relative pattern review, option screening, and study scoping | | Benchmarked model | Reference cases, solver checks, conservation review, and repeatable inputs | Method review and stronger comparison between defined scenarios | | Site-calibrated model | Measured facility data and documented residual review within a stated scope | Site-specific planning and engineering decisions covered by the calibration | Each result should retain the model version, inputs, assumptions, checks, limits, and evidence references needed for qualified review. ## From findings to field execution Thermal evidence becomes more useful when it remains connected to operations. A finding can be linked to the affected room, rack, cooling unit, sensor, or maintenance history, reviewed by the responsible engineer, and routed into an approved inspection or change workflow. After work is completed, the twin preserves what changed and the evidence used to verify it. ## Experience across multi-site operations DataMesh has delivered digital twin systems across multiple overseas data center sites for an international telecom operator. That experience anchors the operational foundation of this solution: shared facility context, energy calculation, inspection and repair workflows, asset management, and operational visualization. Project-enabled thermal analysis extends that foundation for defined capacity and resilience decisions. ## Start with one room and one decision A practical first phase combines one representative room, a verified asset and data baseline, and one decision such as rack growth, a cooling-degradation scenario, or a layout change. The team can then evaluate data readiness, model evidence, review ownership, and field execution before expanding to more rooms or sites. --- ## [SOLUTIONS] Semiconductor Facility Operations and Cleanroom Analysis > Connect cleanroom conditions, facility utilities, maintenance execution, and project-enabled airflow and species-dispersion studies in one governed semiconductor facility workflow. ## Facility continuity and engineering change share one data foundation Semiconductor production depends on stable cleanroom conditions and reliable facility utilities. Environmental monitoring, building systems, equipment telemetry, meters, alarms, maintenance records, engineering models, and field work often remain separated. DataMesh connects them to the same spaces, utility systems, assets, and operating responsibilities. This creates two connected working rhythms. Facility teams use the operational twin every day to investigate conditions and manage work. Engineering and environmental, health, and safety teams use project-enabled simulation to compare selected airflow, dispersion, exhaust, detector, and ventilation scenarios before a change is implemented. ## Daily facility operations from signal to verified work 1. **Connect facility data** - Data Fusion Services brings together cleanroom conditions, utilities, meters, alarms, asset records, inspections, and maintenance history. 2. **Build operating context** - FactVerse relates each signal to the affected zone, upstream system, equipment, document, and responsible team. 3. **Investigate with AI assistance** - FactVerse AI Agent helps engineers review trends, repeated alarms, asset relationships, and prior maintenance activity. 4. **Execute through Inspector** - Approved findings become assigned work with the relevant asset, procedure, field evidence, and verification requirements. 5. **Retain the result** - Completion records and observations remain available for engineering review, recurring-issue analysis, and cross-site learning. The operational layer can support heating, ventilation, and air-conditioning (HVAC), chilled water, compressed dry air, vacuum, local and general exhaust, electrical distribution, environmental monitoring, and other critical facility systems selected for the program. ## Project-enabled cleanroom physics for defined decisions Cleanroom engineering studies begin with a specific decision: a tool installation, a release scenario, an exhaust change, a detector review, or a degraded ventilation state. The project team defines the geometry, operating conditions, source terms, detector thresholds, comparison cases, and required evidence before simulation begins. Depending on the question, the workflow can: - compare airflow and thermal distribution across a cleanroom bay - model species transport from selected release points over time - review local exhaust capture and escaped mass under representative conditions - compare detector coverage, time-to-detection distributions, and potential blind spots - evaluate fan filter unit outages, reduced exhaust, open-door states, and other reviewed HVAC degradations - assess a proposed tool or layout change against the selected baseline FactVerse Designer and the simulation workflow preserve the scenario definition, geometry, inputs, results, and review history. FactVerse AI Agent can help teams explore approved results and connect conclusions to operational assets and work processes. ## Choose the analysis method that fits the question | Method | Primary question | Typical evidence | | --- | --- | --- | | Operational monitoring | What is happening in the facility now | Measurements, alarms, trends, inspections, and maintenance records | | Discrete-event simulation | How will flow, resources, queues, or timing behave | Throughput, utilization, waiting time, routing, and scenario comparisons | | Computational fluid dynamics and thermal-fluid analysis | How will air, heat, or a selected species move through space and time | Flow fields, thermal distribution, concentration histories, capture behavior, and detection timing | The methods can share digital twin geometry and asset context while retaining separate assumptions, validation steps, and engineering ownership. ## Evidence grows with the project Early studies use reviewed geometry, nameplate data, and documented assumptions to compare relative behavior. Benchmarked models add checks against known cases or reference data. Site-calibrated studies incorporate measured conditions and acceptance criteria agreed by the project team. Reports identify the evidence level, scenario coverage, solver and model settings, numerical variation, known limitations, and required engineering review. Repeated runs can be used to describe detection-time distributions and support conservative comparison across detector or ventilation scenarios. ## Carry approved decisions into operations An engineering study has greater value when its assumptions, findings, and approved actions remain connected to the operating twin. Teams can update asset and layout context, prepare inspection or maintenance work, revise field procedures, and retain completion evidence in Inspector. Future investigations can then begin with the recorded decision history instead of reconstructing it from separate files. ## Start with one operational or engineering decision A focused evaluation can begin with one critical utility system, one cleanroom bay, one recurring environmental alarm, one tool-installation question, or one detector and exhaust review. DataMesh defines the required data, model scope, responsible teams, acceptance measures, and operational handoff before extending the workflow to additional systems or sites. [Discuss a Semiconductor Facility Operations evaluation](/contact-us/) --- ## [SOLUTIONS] ar-inspection ## Field inspection needs data at the asset Traditional inspection depends on paper checklists, personal experience, screenshots from control systems, and follow-up data entry. The technician standing next to the equipment often cannot see the full context: current status, alarm history, maintenance records, asset relationships, approved procedure, and expert guidance. AR-guided inspection and troubleshooting brings that context to the point of work. The value is reducing the gap between digital information and the physical asset so inspection, troubleshooting, record keeping, and review stay connected. ## From checklist to spatial execution Inspection points can be bound to equipment, spaces, and systems in [FactVerse](/products/factverse). Field teams use mobile or AR/MR devices to review routes, check points, asset status, and approved steps. As work is completed, photos, measurements, conclusions, and exceptions are submitted directly into [Inspector](/products/inspector). For complex equipment, [Director](/products/director) can provide 3D guided procedures. For repeatable inspection rounds, [Checklist](/products/checklist) standardizes required fields and compliance records. [Data Fusion Services](/products/dfs) brings live data and historical records into the same context. ## Reusable expert knowledge Many field problems are not caused by missing data. They are caused by missing judgment. AR-guided inspection can turn expert-defined checks, equipment structure, maintenance history, and troubleshooting paths into repeatable execution patterns across shifts and sites. ## One field execution environment [Inspector](/products/inspector) brings inspections, alarms, work orders, and evidence into the asset context provided by [FactVerse](/products/factverse). [Checklist](/products/checklist) defines the required checks, [Director](/products/director) supplies guided 3D procedures, and [Data Fusion Services](/products/dfs) connects live signals and maintenance history. Technicians can move through the task without rebuilding the context from separate screens, paper, and personal notes. ## Proven across complex field environments [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) applied FactVerse across training and maintenance workflows. Work with [JTC](/about/news/collaboration-between-jtc-datamesh) connected BIM, digital twins, and mixed reality in complex facilities. [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) used DataMesh to digitize maintenance processes and frontline knowledge. Together, these examples show how contextual guidance and evidence capture can move closer to the point of work. ## Start where field context matters most Start with high-value equipment, frequent inspection routes, complex troubleshooting, or tasks where technician experience varies. Map the asset context, required checks, approved steps, exception handling, and completion evidence for that workflow. The same pattern can then expand across routes, equipment classes, shifts, and sites while preserving local safety and sign-off requirements. --- ## [SOLUTIONS] construction-guidance ## Give field teams the context behind the drawing Construction teams already have drawings, BIM models, issue lists, method statements, photos, and inspection records. At the point of work, crews still need to understand the exact location, surrounding systems, approved sequence, and acceptance requirement. When that context is fragmented, coordination problems and deviations are often discovered late. Construction Guidance connects the spatial model, guided work, and field evidence. Teams can prepare the relevant site context, deliver approved procedures where the work happens, and retain a record of what was checked, changed, and accepted. ## From design context to verified field work 1. **Prepare the work area** - Use FactVerse Designer to organize the relevant building zone, routes, equipment, access areas, and surrounding systems. 2. **Author the procedure** - Use Director to combine approved 3D content, instructions, reference material, checks, and decision points. 3. **Brief the team** - Review the same spatial context with owners, designers, contractors, supervisors, and affected trades. 4. **Deliver guidance on site** - Use DataMesh One on a supported device selected for the site and task. 5. **Verify and record** - Use Inspector workflows to capture checks, photos, deviations, corrective actions, and acceptance evidence. 6. **Hand over the context** - Retain approved asset information, procedures, and site records for later operations. ## Clear product ownership across the workflow FactVerse Designer owns scene preparation and spatial planning. Director owns the guided procedure and presentation of approved work instructions. DataMesh One is the field delivery experience. Inspector owns inspection, issue, work, and evidence records. FactVerse provides the common asset, spatial, and operational context that connects these activities. Each stage uses the appropriate tool, with clear ownership for content, field execution, and records throughout the construction workflow. ## High-value starting points MEP corridors, equipment rooms, hidden works, retrofit areas, complex installation sequences, commissioning checks, and owner handover are practical starting points. These areas have dense spatial relationships, multiple teams, and a clear need for shared context and traceable evidence. ## Device and model choices follow the site Field delivery can use supported mobile or head-mounted devices. The choice is made against site safety rules, lighting, connectivity, required interaction, spatial accuracy, and user comfort. Large source models are prepared around the work area and required level of detail, then tested with representative data and real site conditions during the pilot. ## Carry construction knowledge into operations The record created during construction can support the operating life of the asset. Locations, installation photos, approved procedures, acceptance results, deviations, and corrective history can inform inspection, maintenance, training, renovation, and emergency-response preparation after handover. ## Public project evidence DataMesh has supported BIM and mixed-reality workflows with [JTC](/about/news/collaboration-between-jtc-datamesh), building-construction digital twin workflows with [Obayashi](/about/news/digital-twin-empowers-bim-obayashi), and construction simulation with Toda for [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena). The [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) project also shows how spatial content can help stakeholders understand and communicate a complex future environment. ## Start with one construction zone A focused pilot should use one representative area, one approved procedure, the intended field device, and a defined verification record. The acceptance plan can then test model preparation, site alignment, guidance usability, evidence capture, and handover before the workflow expands to additional trades or locations. --- ## [SOLUTIONS] Verkehrsflussmanagement > Koordinieren Sie Personen-, Fahrzeug- und Warenflüsse an Checkpoints, Häfen und Verkehrsknoten mit TrafficOps, digitalen Zwillingen und KI-gestützter Entscheidungsunterstützung. ## Ein Betriebsbild für Verkehrsfluss, Anlagen und Reaktion Verkehrsnachfrage, Lane-Verfügbarkeit, Anlagenzustand, Facility-Bedingungen und Frontline-Ressourcen bestimmen gemeinsam die Leistung von Checkpoints und Terminals. Verkehrsflussmanagement verbindet das TrafficOps-Modul mit FactVerse AI Agent, damit Teams Belastung früher erkennen und Maßnahmen in einem gemeinsamen Betriebsbild koordinieren können. ## Twin- und KI-gestützter Entscheidungsablauf 1. **Signale verbinden** — Data Fusion Services führt Lane-Daten, Zähler, Queue-Messungen, Anlagenstatus, Alarme und Facility-Systeme zusammen. 2. **Betriebsdruck analysieren** — TrafficOps und FactVerse AI Agent erkennen Flusstrends, Engpässe, Ereignisse und auffällige Anlagenzustände. 3. **Optionen im Kontext prüfen** — FactVerse und Twin Engine zeigen Auswirkungen auf Lanes, Personal, Infrastruktur und nachgelagerte Prozesse. 4. **Ausführen und dokumentieren** — Freigegebene Maßnahmen werden in vorhandenen Systemen umgesetzt und als nachvollziehbarer Betriebsdatensatz gesichert. ## Typische Einsatzfelder - Ankunftswellen und Queue-Druck vor Spitzenzeiten erkennen - Lane- und Personalplanung mit Verkehrs- und Anlagenkontext unterstützen - Ereignisse über Betrieb, Facilities und Equipment hinweg koordinieren - Wartung an verkehrsarme Zeitfenster anpassen - Entscheidungen und Ergebnisse für Reviews und Serviceverbesserung festhalten ## Vom Monitoring zur koordinierten Entscheidung | Herkömmlicher Betrieb | Verkehrsflussmanagement | |---|---| | Queue wird nach Aufbau sichtbar | Fluss- und Spitzendruck wird früher erkennbar | | Lane-Planung in Einzelsystemen | Gemeinsamer Kontext für Lanes, Personal und Anlagen | | Alarme bleiben getrennt | Ereignisse werden systemübergreifend bewertet | | Wartung folgt dem Kalender | Wartung berücksichtigt reale Verkehrsfenster | ## Für kritische Verkehrsinfrastruktur DataMesh-Erfahrung mit Infrastruktur-Sicherheitstraining und digitalen Zwillingen komplexer Anlagen schafft eine Grundlage für zuverlässige Assets, klare Verfahren und koordinierte Feldarbeit. TrafficOps ergänzt Personen-, Fahrzeug- und Warenfluss, Stau, Ereignisse, Ressourcenplanung, Anlagenzustand und Entscheidungsprotokolle. ## Verwandte Produkte - [FactVerse](/products/factverse) — gemeinsamer räumlicher und operativer Kontext - [FactVerse AI Agent](/products/factverse-ai-agent) — Analyse und Entscheidungsunterstützung - [FactVerse Twin Engine](/products/factverse-twin-engine) — Prüfung von Betriebsoptionen im Twin-Kontext - [Data Fusion Services](/products/dfs) — Verbindung von Lane-, Sensor-, Facility- und Betriebsdaten --- ## [SOLUTIONS] Rechenzentrumsbetrieb > Verbinden Sie Anlagen, Energiezähler, Inspektionen, Wartungsnachweise und Live-Infrastrukturdaten in einem digitalen Zwilling für den Rechenzentrumsbetrieb. ## Warum Rechenzentrumsbetrieb nötig ist Rechenzentrumsteams brauchen eine verlässliche gemeinsame Sicht auf Anlagen, Energie, Alarme, Inspektionen und Wartung. Das DCOps-Modul verbindet diese Betriebsdaten, damit mehrere Standorte leichter verstanden, geprüft, gewartet und berichtet werden können. ## Digital-Twin-Betriebsschleife 1. **Facility-Daten und Anlagenkontext verbinden** — Data Fusion Services bündelt BMS-Gebäudemanagement, EPMS-Stromüberwachung, DCIM-Infrastrukturinformationen, Zählerdaten, Alarme, Rack-Kontext, Metadaten und Wartungsnachweise. 2. **Standorte als Twin organisieren** — FactVerse ordnet Räume, Racks, Strompfade, Kühlzonen, Anlagen, Sensoren und Verantwortlichkeiten einem räumlichen Betriebsmodell zu. 3. **Betrieb berechnen und prüfen** — Teams prüfen Energiekennzahlen, Anlagenstatus, Alarmkontext, Inspektionsergebnisse und Wartungshistorie nach Standort, Raum, Anlage und System. 4. **Ausführen und Nachweise sichern** — Inspector und Work-Order-Prozesse wandeln bestätigte Themen in Feldaufgaben, Reparaturdaten, Reviews und nachvollziehbare Betriebsnachweise um. ## Wofür Betreiber Rechenzentrumsbetrieb einsetzen - Digital-Twin-Visualisierung für mehrere Rechenzentrumsstandorte - Anlagenregister und Rack- oder Equipment-Kontext - Energieberechnung, Zählerprüfung und Betriebstrends - Inspektionsrouten, Wartungsaufgaben, Reparaturdaten und Work-Order-Übergaben - Alarmuntersuchung mit Anlagenort, Anlagenbeziehung und Servicehistorie ## Wie bestehende Infrastruktur-Workflows erweitert werden | Traditionelles DCIM | Rechenzentrumsbetrieb | |---|---| | Monitoring-Dashboards | Räumlicher Facility-Kontext für Betrieb, Inspektion und Wartung | | Separate Anlagentabellen | Räume, Racks, Anlagen und Verantwortlichkeiten im digitalen Twin | | Energiekennzahlen isoliert | Energieberechnung und Trends nach Anlage, Raum und Standort | | Alarmprüfung ohne Feldkontext | Alarm-, Inspektions-, Reparatur- und Work-Order-Historie rund um die Anlage | | Anlagenzustand in getrennten Werkzeugen | Alarme, Trends, Wartungshistorie und Arbeitsdaten rund um die Anlage verbunden | ## Typische operative Wirkung Teams validieren den operativen Nutzen in einem fokussierten Rollout: klarere Anlagenverantwortung, zuverlässigere Standortvisualisierung, bessere Energie- und Wartungsnachweise, schnellere Übergaben und sauberere Unterlagen für Management-Reviews. ## Erfahrung im Betrieb mehrerer Rechenzentrumsstandorte DataMesh hat für einen internationalen Telekommunikationsbetreiber digitale Zwillinge an mehreren Rechenzentrumsstandorten im Ausland bereitgestellt. Öffentliche Informationen zum [IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center), zu [digitalen Zwillingen komplexer Anlagen](/about/news/collaboration-between-jtc-datamesh) und zur [industriellen Predictive Maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigen die zugrunde liegende Produktbasis. ## Verwandte Produkte - FactVerse — Betriebscontext und Twin-Workspace - Data Fusion Services — Konnektivität über Gebäudemanagement, Stromüberwachung, Rechenzentrumsinfrastruktur, Zähler und weitere Systeme - Inspector — Inspektion, Wartung, Work-Order-Kontext und Feldnachweise - FactVerse AI Agent — Bewertung des Anlagenzustands, Anomalieanalyse und Unterstützung mit Betriebswissen --- ## [SOLUTIONS] Betrieb von Halbleiter-Facilities > Verbinden Sie Reinraumbedingungen, Versorgungsanlagen, Alarme, Wartungskontext, KI-Analyse und Inspector-Arbeitsaufträge in einem Betriebsablauf. ## KI fur die Facility-Seite Semiconductor Facility AI kombiniert Data Fusion Services, FactVerse, FactVerse AI Agent und Inspector, damit Facility-Teams Drift erkennen, Wartung priorisieren und Befunde in verifizierte Arbeit uberfuhren konnen. ## Einsatzbereiche - Cleanroom-Drift erkennen und reagieren - Utility-Anlagen uber HVAC, Kaltwasser, CDA, Vakuum und Abluft uberwachen - Wartung fur Facility-Assets priorisieren - Alarme mit Betriebskontext triagieren - Inspector-Arbeitsauftrage und Verifikation ausfuhren ## Ein Betriebsablauf von Signal bis Abschluss Data Fusion Services verbindet Reinraum-, Utility- und Wartungsdaten. FactVerse ordnet sie Zonen und Anlagen zu, FactVerse AI Agent unterstützt Trend- und Anomalieanalyse und Inspector führt bestätigte Befunde in die Feldausführung. ## Mit kritischen Facility-Systemen beginnen Ein erster Umfang kann Reinraumumgebung, Kaltwasser, CDA, Vakuum oder Abluft abdecken. Teams prüfen Datenqualität, Alarmkontext und Arbeitsabläufe, bevor sie auf weitere Systeme und Standorte erweitern. --- ## [SOLUTIONS] Standortübergreifende Expertenhilfe > Technikersicht, Anlagenkontext und Prüfergebnisse werden für gemeinsame Diagnose geteilt. ## Digitale Intelligenz direkt am physischen Arbeitsort DataMesh macht AR-gestützte Inspektionen, Fehlersuche und Asset-bezogene Arbeitsaufträge zu einem ausführbaren Teil des Betriebs. Modelle, Daten, Wissen und Feldarbeit werden nicht getrennt behandelt, sondern in einem gemeinsamen digitalen Zwilling verbunden. ## Expertenwissen dort, wo es gebraucht wird Der Einstieg beginnt mit vorhandenen BIM/CAD-Modellen, Systemdaten, Sensoren, Arbeitsaufträgen und Dokumenten. Data Fusion Services verbindet die Quellen; FactVerse ordnet sie Räumen, Anlagen, Systemen und Prozessen zu. So entsteht eine Grundlage für AR-gestützte Inspektionen, Fehlersuche und Asset-bezogene Arbeitsaufträge. ## Inspektionsdaten werden zuverlässig erfasst Wichtig ist der Weg von Sichtbarkeit zu Handlung. Inspector, Director, DataMesh One und FactVerse AI Agent helfen, Hinweise in Prüfungen, Anleitungen, Arbeitsaufträge und Nachweise zu überführen. ## Eine gemeinsame Umgebung für die Feldausführung - [Director](/products/director) — Authoring geführter 3D-Verfahren - [DataMesh One](/products/director) — mobile und AR/MR-Auslieferung im Feld - [Inspector](/products/inspector) — Inspektionen, Arbeitsaufträge und Nachweise - [FactVerse](/products/factverse) — Plattform für digitalen Zwillingskontext --- ## [SOLUTIONS] Gewerkeübergreifende Planungsbesprechung > Vergleichen Sie ausgeführte Arbeiten mit dem Planungskontext und dokumentieren Sie Abweichungen und Korrekturen. ## Ausführbaren Raumkontext direkt auf die Baustelle bringen DataMesh macht BIM-basierte Baustellenführung, Montageabläufe und Übergabe in den Betrieb zu einem ausführbaren Teil des Betriebs. Modelle, Daten, Wissen und Feldarbeit werden nicht getrennt behandelt, sondern in einem gemeinsamen digitalen Zwilling verbunden. ## Vom Planungsmodell zur Ausführung auf der Baustelle Der Einstieg beginnt mit vorhandenen BIM/CAD-Modellen, Systemdaten, Sensoren, Arbeitsaufträgen und Dokumenten. Data Fusion Services verbindet die Quellen; FactVerse ordnet sie Räumen, Anlagen, Systemen und Prozessen zu. So entsteht eine Grundlage für BIM-basierte Baustellenführung, Montageabläufe und Übergabe in den Betrieb. ## Wo der Nutzen besonders hoch ist Wichtig ist der Weg von Sichtbarkeit zu Handlung. Inspector, Director, DataMesh One und FactVerse AI Agent helfen, Hinweise in Prüfungen, Anleitungen, Arbeitsaufträge und Nachweise zu überführen. Die digitale Bauausführungsführung ist besonders nützlich für MEP-Montage, Technikräume, Umbauetagen, verdeckte Arbeiten und Übergaben. Öffentliche Referenzen umfassen JTC, Obayashi, Toda und die SAGA-Arena-Simulation. ## Baudokumentation in den Betrieb übernehmen Wichtig ist der Weg von Sichtbarkeit zu Handlung. Inspector, Director, DataMesh One und FactVerse AI Agent helfen, Hinweise in Prüfungen, Anleitungen, Arbeitsaufträge und Nachweise zu überführen. ## In komplexen Bauprojekten bewährt DataMesh hat mit [JTC](/about/news/collaboration-between-jtc-datamesh) BIM, digitale Zwillinge und Mixed Reality eingesetzt, mit [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) digitale Zwillinge in Bauabläufe eingebracht und mit Toda die Bausimulation für die [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) realisiert. [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) zeigte außerdem, wie räumliche digitale Erlebnisse komplexe zukünftige Umgebungen vor der Fertigstellung verständlich machen. ## Mit einem hochwertigen Baubereich beginnen Starten Sie mit einem klar abgegrenzten Bereich, validieren Sie Datenqualität, Nutzerabläufe und Nachweise, und erweitern Sie erst danach auf weitere Anlagen, Teams oder Standorte. ## Planungsabsicht, Baustelle und Übergabe verbinden - [FactVerse](/products/factverse) — Plattform für digitalen Zwillingskontext - [FactVerse Designer](/products/designer) — Szenenplanung und Simulation - [DataMesh One](/products/director) — mobile und AR/MR-Auslieferung im Feld - [Inspector](/products/inspector) — Inspektionen, Arbeitsaufträge und Nachweise --- ## [SOLUTIONS] green-transformation ## Energie als Betriebsprozess steuern Die Energieeffizienz verändert sich mit Anlagenzustand, Zeitplänen, Regelung, Wetter, Belegung, Instandhaltungsqualität und Raumnutzung. Ein wirksames Energieprogramm verbindet diese Faktoren mit den Teams und Arbeiten, die Verbesserungen umsetzen. DataMesh führt BMS, Zähler, IoT, Historian-Systeme, BIM oder IFC, Instandhaltungsdatensätze und Arbeitsaufträge in einem operativen digitalen Zwilling zusammen. Facility- und Engineering-Teams können Basislinien ermitteln, ungewöhnlichen Verbrauch untersuchen, ausgewählte Szenarien vergleichen, Korrekturarbeiten ausführen und die entstehenden Nachweise sichern. ## Einen nachvollziehbaren Energie- und Anlagenkontext aufbauen [Data Fusion Services](/products/dfs) verbindet herstellerübergreifende Steuerungssysteme, Zähler, Sensoren, Datenbanken und Unternehmensanwendungen. [FactVerse](/products/factverse) ordnet die Daten Standorten, Räumen, Systemen, Anlagen und Betriebsbeziehungen zu. Inspector kann an Brick Schema ausgerichtete Semantik für Gebäude, Etagen, Zonen, Anlagen, Zähler, Sensoren und Steuerpunkte nutzen. Diese gemeinsame Struktur hilft Teams, Energieabweichungen, Analyseeingaben oder Bewertungsdatensätze bis zur relevanten Anlage und den Quelldaten zurückzuverfolgen. ## Ursachen des Verbrauchs im Betrieb erkennen Energieanalysen können Last, Wetter, Belegung, Zeitpläne, Sollwerte, Anlagenstatus, Alarme und Instandhaltungshistorie zusammenführen. Teams können Hochlastzeiten, driftende Regelungen, gleichzeitiges Heizen und Kühlen, Anlagenverschleiß, unpassende Zeitpläne und systemübergreifendes Verhalten untersuchen. [FactVerse AI Agent](/products/factverse-ai-agent) kann Trendanalysen und die Interpretation von Anomalien anhand des verfügbaren Anlagenkontexts unterstützen. Ingenieure validieren Daten, Methode, Annahmen und empfohlene Maßnahmen für das Projekt. ## Ausgewählte Szenarien mit EnergyPlus vergleichen Wenn eine Entscheidung eine vertiefte Gebäudeenergieanalyse erfordert, können Projektteams BIM- oder IFC-Daten, Wetter, Betriebsdatensätze und EnergyPlus-basierte Modelle kombinieren. Szenariovergleiche können Betriebspläne, Sollwerte, Anlagenänderungen, Gebäudehüllenoptionen oder Annahmen zur Raumnutzung abdecken. Modellumfang, Kalibrierungsansatz, Eingabequalität und Entscheidungskriterien werden für jedes Projekt definiert. Die Ergebnisse werden Teil des Prüfdatensatzes zur Priorisierung und Freigabe von Verbesserungsarbeiten. ## Green Mark-Nachweise aus dem täglichen Betrieb vorbereiten Singapore Green Mark-Vorhaben stützen sich auf Energieeffizienz, Gebäudehülle, Systeminformationen, Instandhaltbarkeit, Betriebsdatensätze und Bewertungsunterlagen. DataMesh hilft Teams, EUI- und Gebäudehülleneingaben, Gebäude- und Systembeziehungen, Bewertungshistorie, Instandhaltungsnachweise und Korrekturmaßnahmen für den relevanten Standort zu organisieren. Der daraus entstehende Datensatz unterstützt die Zusammenarbeit zwischen Eigentümern, Facility-Teams, Ingenieuren, bestellten Beratern und Prüfern im jeweils anwendbaren BCA-Prozess. ## Validierte Potenziale in abgeschlossene Arbeiten überführen [Inspector](/products/inspector) führt ein freigegebenes Potenzial durch Inspektion, Zuweisung, Arbeitsauftrag, Ausführung vor Ort, Nachweiserfassung und Folgemessung. Teams sehen, welche Maßnahme durchgeführt wurde, wer sie abgeschlossen hat, welche Nachweise vorliegen und wie sich die Betriebsbedingungen danach entwickelt haben. ## Mit einer messbaren Energiepriorität beginnen Beginnen Sie mit einem Gebäude, einer Systemgruppe oder einem Betriebsproblem, bei dem Quelldaten und Zuständigkeit klar sind. Ermitteln Sie die Basislinie, validieren Sie Anlagen- und Zählerbeziehungen, untersuchen Sie den ausgewählten Zustand, setzen Sie vereinbarte Maßnahmen um und prüfen Sie das Ergebnis vor einer Erweiterung des Programms. ## Möglichkeiten eines operativen Energieprogramms - Energieanalysen im Kontext von Räumen, Systemen, Anlagen und Betriebsplänen - Konsistente Nachweise durch an Brick Schema ausgerichtete Anlagen- und Datenpunktbeziehungen - Szenariovergleiche auf Basis projektspezifisch konfigurierter EnergyPlus-Modelle - Mit dem täglichen Facility-Betrieb verknüpfte Datensätze zur Green Mark-Vorbereitung - Korrekturarbeiten, Nachweise vor Ort und Folgemessungen in einem nachvollziehbaren Ablauf --- ## [SOLUTIONS] Intelligente Fernwärmelösung > Die intelligente Fernwärmelösung von DataMesh kombiniert das HeatOps-Modul in FactVerse AI Agent mit Data Fusion Services, FactVerse-Digital-Twins, Inspector und bestehenden Leitsystemen für Prognose, Netzdiagnose, Disposition, Arbeitsaufträge und Feldausführung. ## Fernwärme als verbundenes Betriebssystem steuern Die Schwierigkeit im Fernwärmebetrieb liegt selten in einem einzelnen fehlenden Temperaturwert. Die relevanten Informationen liegen über Wärmeerzeugung, Netzhydraulik, Übergabestationen, Gebäude, Nutzerfeedback, Abrechnung und Feldservice verteilt. Betreiber müssen wissen, wo Last entsteht, welcher Strang aus dem Gleichgewicht läuft und welche Maßnahme Komfort verbessert, ohne Energie zu verschwenden. Die intelligente Fernwärmelösung von DataMesh verbindet diese Signale in einem Betriebskontext. Das HeatOps-Modul in FactVerse AI Agent übernimmt Prognose, Diagnose, Wissensabfrage und Dispositionshinweise. Data Fusion Services bindet bestehende Systeme an, FactVerse stellt den Netzzwilling bereit und Inspector verbindet Erkenntnisse mit Arbeitsaufträgen und Feldausführung. ## Ein Modell aus realen Modernisierungsprojekten Das Branchenmodul ist für den Betrieb mehrerer Stationen und Netzbereiche ausgelegt. Das Modell umfasst Sensorik für Temperatur, Druck, Durchfluss, Nachspeisung, Ventile und Pumpen; Data Fusion Services für den Kontext von Wärmequellen, Stationen, Leitungen, Gebäuden und Nutzern; FactVerse AI Agent für Lastprognose, Anomaliediagnose, hydraulischen Abgleich und Energie-CO2-Analysen; Ausführung über PLCs, Dispositionsanweisungen und Feldarbeit; sowie Oberflächen für Leitwarte, Management, Instandhaltung und Kundenservice. Hier wird Physical AI im Fernwärmebetrieb konkret. Empfehlungen berücksichtigen Betriebsdaten, Netztopologie, thermische Trägheit, Gerätegrenzen, Steuerrechte und Sicherheitsprozesse. Jede Empfehlung muss Herkunft, Wirkbereich und Ausführungsbedingungen erklären können. ## Sehen: Quellen, Netze, Stationen und Gebäude Das HeatOps-Modul platziert Anlagen in GIS-Karten, Netztopologie und Stationsansichten. Teams sehen Stationszustand, Vorlauf- und Rücklauftemperatur, Differenzdruck, Durchfluss, Wärmemenge, Pumpen, Ventile, Gebäudezonen, Raumtemperatur-Feedback, Alarme und Arbeitsaufträge. Das passt besser zum Heizbetrieb als isolierte Einzelwertanzeigen. Steigen Beschwerden in einem entfernten Bereich, können Teams vorgelagerte Stationen, Stränge, Ventilzustände, Druckänderungen und frühere Maßnahmen im gleichen Ablauf prüfen. ## Rechnen: Prognose, Diagnose und Energie-CO2-Review Lastprognosen zeigen die erwartete Bedarfskurve, bevor das Wetter umschlägt. Die Diagnose kombiniert Vorlauf-Rücklauf-Delta, Nachspeisung, Druckschwankung, Wärmeübertrager-Effizienz, Pumpenenergie und Nutzerfeedback, um Quellenmangel, Strangungleichgewicht, Verschmutzung, Leckage, Dämmungsprobleme oder lokale Regelungsfehler zu unterscheiden. Für das Management strukturiert das Modul Wärme-, Brennstoff-, Strom-, Verlust- und CO2-Daten als saisonalen Betriebsnachweis, um zu bewerten, ob Disposition, Modernisierung und Störungsreaktion die Servicequalität verbessert haben. ## Steuern: Von der Empfehlung zur auditierbaren Ausführung Fernwärmesteuerung eignet sich für ein stufenweises Vorgehen: Empfehlung durch FactVerse AI Agent, Freigabe durch den Bediener, begrenzte Rückschreibung und Ergebnisprüfung. Das HeatOps-Modul kann Ventilöffnung, Pumpenfrequenz und Vorlauftemperatur innerhalb definierter Sicherheitsgrenzen und Freigabeprozesse behandeln. So kann KI in den echten Betrieb einziehen, während Betreiber Kontrolle über Sicherheit, Verantwortung und Compliance behalten. ## Nutzen: Wissen, Service und Arbeitsaufträge verbinden Fernwärmebetrieb umfasst Leitwarte, Beschwerden, Inspektionen, Reparaturhistorie, Gerätehandbücher und Notfallpläne. Das HeatOps-Modul nutzt den AI Advisor in FactVerse AI Agent, um Betriebswissen abzurufen, Alarme zu erklären, Prüfschritte zu erzeugen, Arbeitsaufträge anzulegen und Feldergebnisse in den nächsten Betriebszyklus zurückzuführen. ## Mit einer verbundenen Betriebszone beginnen Starten Sie mit einer begrenzten Gruppe von Übergabestationen und Netzbereichen. Zuerst verbindet Data Fusion Services Live-Daten und Anlagentopologie, danach werden Stationsüberblick, Anomaliediagnose, Lastprognose und Arbeitsauftragsfluss validiert. Anschließend können Energie-CO2-Analyse, hydraulischer Abgleich und Dispositionshinweise erweitert werden. PLC- oder Leitsystem-Rückschreibung sollte erst nach klaren Berechtigungen, Sicherheitsgrenzen und Audit-Anforderungen erfolgen. ## Netzintelligenz und Ausführung auf einer Plattform - [FactVerse AI Agent](/products/factverse-ai-agent) trägt das HeatOps-Branchenmodul für Prognose, Diagnose, Wissensabfrage und Dispositionshinweise - [Data Fusion Services](/products/dfs) verbindet SCADA, SIS, Messdaten, Wetter, Abrechnung, Beschwerden und Arbeitsaufträge - [FactVerse Platform](/products/factverse) verwaltet den Digital-Twin-Kontext für Wärmequellen, Netze, Stationen, Gebäude und Anlagen - [Smart Facility Management](/solutions/smart-building) erweitert das gleiche Betriebsmodell auf Campus- und Gebäudetechnik --- ## [SOLUTIONS] Predictive Maintenance > Wechseln Sie von alarmgetriebener Wartung zu KI-gestützter Predictive Maintenance mit industrieller Sensorik, digitalen Zwillingen und Closed-Loop-Ausführung. ## Von reaktiver Wartung zu verifizierbaren Entscheidungen Das Predictive-Maintenance-Modul von FactVerse AI Agent gibt Betriebsteams einen Entscheidungskreislauf statt einer Wand aus Alarmen. Durch die Kombination aus industrieller Sensorik, Anlagenkontext, KI-Analyse und digitalen Zwillingen können Teams erkennen, was sich verändert, warum es wichtig ist und wie sie handeln sollten, bevor Stillstände auftreten. ## Signal → Analyse → Twin-Validierung → Entscheidung 1. **Signalaufnahme** — Data Fusion Services führt Sensorströme, Historian-Tags, Inspektionsdaten und Anlagenmetadaten zusammen. 2. **KI-Analyse** — FactVerse AI Agent bewertet Degradationsmuster, Gesundheitsindikatoren und Anomalietrends. 3. **Twin-Validierung** — FactVerse Twin Engine und FactVerse liefern räumlichen und operativen Kontext für die Diagnose. 4. **Ausführung** — Inspector überführt validierte Erkenntnisse in Arbeitsaufträge, Außeneinsätze und nachvollziehbare Umsetzung. ## Operative Validierung für Instandhaltungsteams Das Predictive-Maintenance-Modul von FactVerse AI Agent kombiniert vertrauenswürdige Sensorik, Asset-Kontext, KI-Analyse und Twin-Review, damit Teams Wartungsrisiken mit mehr Kontext und weniger Mutmaßungen bewerten können. - verlässliche industrielle Sensorik am Edge - Multi-Source-Betriebskontext - KI-gestützte Trendanalyse und Gesundheitsbewertung - Sichtbarkeit im digitalen Zwilling für Wartungsentscheidungen ## Frühere Warnfenster, weniger Fehlalarme Teams können entstehende Probleme im Betriebskontext prüfen, die richtigen Anlagen priorisieren und früher in planbare Wartungsmaßnahmen übergehen. ## In der industriellen Instandhaltung erprobt DataMesh und [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) bringen KI-gestützte Predictive Maintenance in komplexe Industrieanlagen. Projekte mit [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) und [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) zeigen außerdem, wie FactVerse Wartungswissen, Ausführung vor Ort und wiederverwendbare Betriebsnachweise verbindet. ## Mit kritischen Anlagen beginnen und erweitern Beginnen Sie mit einer Anlagenklasse oder einem Facility-System mit klarer betrieblicher Relevanz und ausreichender Datenhistorie. Nach der Validierung von Datenqualität und Ausführungsablauf lässt sich dasselbe Modell auf weitere Anlagen und Standorte ausweiten. ## Verwandte Produkte - FactVerse — Plattformebene für Betriebskontext - FactVerse AI Agent — Anomalieerkennung, Analyse und Entscheidungsunterstützung - FactVerse Twin Engine — Twin-Validierung und Ausführungskontext - Data Fusion Services — Konnektivität für Sensoren, Historian-Daten und Systeme - Inspector — Arbeitsaufträge und Feldeinsatz ## Typische Ergebnisse | Kennzahl | Wirkung | |------|------| | Frühere Signalüberprüfung | Schnellere Identifikation und Priorisierung aufkommender Wartungsprobleme | | Ungeplante Stillstände | Weniger durch frühere Eingriffe und planbare Wartung | | Fehlalarme | Reduziert durch trendbasierte Analyse und kontextbezogene Diagnose | | Wartungsausführung | Schnellere Übergabe von Erkennung zu validierter Feldmaßnahme | --- ## [SOLUTIONS] Prozesssimulation und virtuelle Planung > Nutzen Sie FactVerse Designer fur Layoutplanung, Workflow-Simulation, Szenariovergleich, Risikoabschatzung und physikbasierte Prozessvalidierung. ## Designer-gefuhrte Simulation fur Physical AI Process Simulation & Virtual Planning ist ein FactVerse Designer Workflow fur Layoutplanung, Prozesslogik, Szenariovergleich und virtuelle Tests. Teams konnen Verpackungsprozesse, Materialflusse, Anlageninteraktionen und Betriebsablaufe prufen, bevor sie Anderungen vor Ort umsetzen. ## Typische Anwendungen - Verpackungsprozess und Anlageninteraktion validieren - Produktionszellen und Arbeitsstationen virtuell planen - Lagerzonen, Kommissionierwege und Bereitstellflachen vergleichen - Virtuelle Inbetriebnahme vor Standortanderungen - Physical-AI-Szenarien fur Automatisierung und Robotik vorbereiten ## Verwandte Produkte - [FactVerse Designer](/products/designer) - Layout, Prozesslogik und Szenarioerstellung - [FactVerse](/products/factverse) - Digital-Twin-Plattform - [Data Fusion Services](/products/dfs) - Betriebsdatenanbindung - [FactVerse Twin Engine](/products/factverse-twin-engine) - physischer Kontext fur Validierung --- ## [SOLUTIONS] real-time-monitoring ## Live-Daten in ein Betriebsbild überführen Anlagen erzeugen bereits Live-Informationen über Steuerungssysteme, Sensoren, Zähler, Datenbanken und Serviceplattformen. Betreiber müssen dennoch feststellen, wo eine Veränderung aufgetreten ist, welche Anlagen und Räume betroffen sind, ob sie Teil eines größeren Musters ist und wer die Reaktion verantwortet. DataMesh verbindet Live- und historische Informationen mit den Anlagen, Räumen, Systemen und Arbeitsdatensätzen eines operativen digitalen Zwillings. Teams im Leitstand, Ingenieure, Instandhaltungsplaner und Techniker vor Ort können auf derselben Kontextbasis zusammenarbeiten und ihre etablierten Quellsysteme weiter nutzen. ## Jedes Signal mit Anlagen- und Systemkontext versehen [Data Fusion Services](/products/dfs) verbindet BMS, SCADA, PLC, IoT, Zähler, Historian-Systeme, Datenbanken und Unternehmensanwendungen. [FactVerse](/products/factverse) ordnet jedes Signal dem relevanten Standort, Raum, der Anlage, der Systembeziehung und dem Objekt im digitalen Zwilling zu. Mit diesem Kontext gelangen Teams von einem Tag oder Alarmcode zur physischen Anlage, zur betroffenen Zone, zugehörigen Sensoren, vor- und nachgelagerten Systemen, jüngsten Instandhaltungsarbeiten und laufenden Aufgaben. ## Zusammenhängende Veränderungen vor einer Reaktion prüfen Eine betriebliche Abweichung kann mehrere Alarme, eine kürzlich geänderte Sollwerteinstellung, Wetter, Last, Instandhaltungsarbeiten oder eine verschleißende Komponente betreffen. DataMesh führt die entsprechenden Signale und Datensätze zur Prüfung zusammen. Historische Trends und erwartete Bereiche helfen Teams, einzelne Störsignale von untersuchungsbedürftigen Zuständen zu unterscheiden. [FactVerse AI Agent](/products/factverse-ai-agent) kann bei der Interpretation von Trends und der Analyse zusammengehöriger Ereignisse unterstützen, sofern am Standort ausreichend Daten und Betriebskontext verfügbar sind. ## Reaktionen koordinieren und Ergebnisse bewahren Bestätigte Zustände können in [Inspector](/products/inspector) zu Inspektionen und Arbeitsaufträgen führen oder mit einem vorhandenen CMMS synchronisiert werden. Der Reaktionsdatensatz hält ursprüngliches Signal, prüfende Person, Priorität, zugewiesenes Team, Nachweise aus dem Feldeinsatz, Abschlussnotizen und Folgemaßnahmen zusammen. Diese Historie verschafft Verantwortlichen mehr Transparenz über wiederkehrende Zustände, Reaktionsqualität, Service-Level-Leistung und Möglichkeiten für vorausschauende Instandhaltung. ## Rollen von einer Anlage bis zu mehreren Standorten unterstützen Betreiber benötigen unter Umständen aktuelle Alarme und Systemtopologie. Ingenieure brauchen Trends und Abhängigkeiten. Teams vor Ort benötigen Standort, Historie und Verfahren. Portfolioverantwortliche brauchen Standortvergleiche und den Status offener Arbeiten. Rollenbezogene Ansichten nutzen denselben Anlagen- und Betriebskontext und können dennoch auf die jeweilige Aufgabe zugeschnitten werden. ## Mit einem reaktionskritischen System beginnen Eine praxisnahe erste Phase kann sich auf HVAC, Stromverteilung, Kühlwasser, ein Reinraum-Versorgungssystem, einen Rechenzentrumsraum oder ein anderes System konzentrieren, bei dem verteilte Informationen die Reaktion verzögern. Binden Sie die erforderlichen Daten, Anlagenbeziehungen, Alarmregeln, Betriebsrollen und die Übergabe von Arbeitsaufträgen ein. Erweitern Sie den Umfang, sobald die Teams der gemeinsamen Ansicht vertrauen. ## Vorteile vernetzten Monitorings - Schnellere Einschätzung, wo eine Veränderung aufgetreten ist und was sie beeinflusst - Fundiertere Priorisierung anhand von Anlagen-, Trend-, Abhängigkeits- und Servicekontext - Klarere Übergabe von der Prüfung im Leitstand zur Ausführung vor Ort - Gemeinsamer Betriebsstatus für Engineering, Instandhaltung, Service und Management - Wiederverwendbare Historie für vorausschauende Instandhaltung und KI-gestützten Betrieb --- ## [SOLUTIONS] smart-building ## Ein gemeinsames Betriebsbild für alle Facility-Teams Gebäude und Campus erzeugen Daten aus BIM, BMS, Zählern, IoT, Wartungsplattformen, Dokumenten und Feldeinsätzen. DataMesh hält diese Informationen verbunden, wenn ein Alarm geprüft, ein Techniker entsandt oder die Leistung mehrerer Standorte bewertet wird. Eigentümer, Ingenieure, Dienstleister und Techniker erkennen, was passiert ist, welche Anlagen betroffen sind, wer handelt und welche Nachweise nach Abschluss vorliegen. ## Bestehende Gebäudesysteme verbinden [Data Fusion Services](/products/dfs) bindet Steuerungen, Sensoren, Zähler, Datenbanken und Anwendungen über Standardprotokolle und APIs an. [FactVerse](/products/factverse) ordnet diese Informationen Räumen, Anlagen, Systemen und Beziehungen im operativen digitalen Zwilling zu. Vorhandene BMS-, CMMS-, EAM- und Serviceplattformen bleiben Teil der Betriebslandschaft. ## Betriebssignale in nachvollziehbare Arbeit überführen 1. **Verstehen** — Alarm, Inspektionsbefund oder Energieabweichung im räumlichen Anlagenkontext prüfen 2. **Entscheiden** — Live-Signale, Historie, Dokumente, Abhängigkeiten und Prioritäten auswerten 3. **Ausführen** — Arbeitsauftrag erstellen oder synchronisieren und Verfahren über [Inspector](/products/inspector) bereitstellen 4. **Prüfen** — Fotos, Messwerte, Abschlussnotizen, Freigaben und Folgemaßnahmen sichern [FactVerse AI Agent](/products/factverse-ai-agent) kann bei geeigneter Datenqualität Trends, Anomalien und Prioritäten analysieren. Die operative Verantwortung bleibt beim zuständigen Team. ## Gebäudedaten teamübergreifend nutzen Die an Brick Schema ausgerichteten Beziehungen in Inspector schaffen einen gemeinsamen Kontext für Gebäude, Zonen, Anlagen, Zähler, Sensoren und Datenpunkte. So können dieselben Betriebsaufzeichnungen für Überwachung, Wartung, Energieanalyse, Compliance-Vorbereitung und KI-gestützte Prozesse genutzt werden. ## Energie und Green Mark in den Betrieb integrieren DataMesh verbindet Anlagenzustand, Betriebszeiten, Regelverhalten, Wartung und Raumnutzung. Teams können EUI und Lastmuster prüfen, Abweichungen untersuchen, Verbesserungen beauftragen und Nachweise sichern. Für Green-Mark-Projekte in Singapur unterstützt dieser Datensatz die laufende Vorbereitung mit beauftragten Beratern. BIM- oder IFC-Daten, Wetterdaten, Betriebshistorie und EnergyPlus-Modelle ermöglichen bei Bedarf vertiefte Szenarioanalysen. ## Mit einer klaren Betriebspriorität beginnen Ein erster Schritt kann ein kritisches Gebäudesystem, ein Alarm-zu-Auftrag-Prozess, ein energieintensiver Bereich oder eine wiederkehrend auffällige Anlagengruppe sein. Nach der Prüfung von Datenqualität, Integration, Nutzung und Kennzahlen kann die Lösung auf weitere Systeme, Gebäude und Standorte erweitert werden. ## Vorteile von DataMesh - Gemeinsamer Kontext für Räume, Anlagen, Systeme, Daten und Arbeit - Verbindung von Visualisierung, Inspektion, Verfahren, Arbeitsaufträgen und Nachweisen - Offene Integration über Industrieprotokolle und APIs - Erweiterbare Grundlage für Monitoring, Wartung, Energie, Training und KI-gestützten Betrieb --- ## [SOLUTIONS] Training und Qualifizierung > Bereiten Sie Mitarbeitende mit geführten 3D-Inhalten, Digital-Twin-Übungen und einem klaren Weg zur beaufsichtigten Feldarbeit auf reale Anlagen und Verfahren vor. ## Für reale Arbeit trainieren Industrieunternehmen müssen begrenzten Anlagenzugang, knappe Trainerressourcen, Sicherheitsregeln, Verfahrensänderungen und beaufsichtigte Praxis zusammenbringen. DataMesh verbindet geführte 3D-Inhalte, Digital-Twin-Kontext, Anlagensimulation und Feldworkflows zu einem klaren Weg von Erklärung über Übung bis zur Ausführung. ## Ein Trainingspfad mit spezialisierten Werkzeugen [Director](/products/director) erstellt freigegebene 3D-Anleitungen. DataMesh One liefert Inhalte für Selbststudium, Unterricht und unterstützte räumliche Geräte. [Simulator](/products/simulator) bietet physikbasiertes Training mit konfigurierten Bedienelementen und Szenarien. [Inspector](/products/inspector) und [Checklist](/products/checklist) dokumentieren beaufsichtigte Feldaufgaben und Nachweise. ## Vom Expertenwissen zur beaufsichtigten Ausführung Teams definieren Rolle, wichtige Aufgaben und Bewertungskriterien, erfassen Fachwissen in Director und wählen geführte oder Simulator-basierte Übungen. Nach der Übung wechseln Lernende in beaufsichtigte Feldarbeit; Beobachtungen fließen zurück in Inhalte und Trainingsszenarien. ## Geführte Arbeit und Simulatortraining in der Praxis Öffentliche Referenzen von [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency), [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) und [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) zeigen geführte Trainingsabläufe. Simulator-Szenarien unterstützen unter anderem Turmdrehkrane, Gabelstapler, Drehbohrgeräte, Tiefbrunnen-Verrohrungsbohrgeräte und Bagger. ## Sicherheit und Qualifikation einplanen Trainingsrichtlinien, qualifizierte Aufsicht, Arbeitsfreigaben, regulatorische Anforderungen, Praxisbewertungen und formale Zertifizierung werden von Beginn an in das Programm aufgenommen. DataMesh liefert dafür Inhalte, wiederholbare Übungen, Bewertungsdaten und Nachweise. ## Bereitschaft für reale Arbeit messen Trainingsteams messen Verständnis von Anlagen und Abläufen, typische Fehler vor der Feldarbeit, Aktualisierbarkeit der Inhalte und Eignung der gewählten Geräte oder Simulator-Konfiguration. --- ## [SOLUTIONS] visualization ## Komplexe Betriebsabläufe räumlich verständlich machen Anlagen, Fabriken, Campusareale und Infrastruktur sind räumliche Systeme. Standort, Systemabhängigkeiten, Zugangswege, Prozessfluss, Arbeitszonen und Betriebsrisiken lassen sich aus Tabellen und isolierten Dashboards nur schwer erfassen. Die Visualisierung operativer digitaler Zwillinge führt Modelle, Anlagen, Live-Daten, Dokumente und Arbeitsdatensätze in einem räumlichen Kontext zusammen. Engineering, Betrieb, Teams vor Ort, Management und externe Stakeholder können dieselbe Umgebung aus ihrer jeweiligen Arbeitsperspektive betrachten. ## Eine verwaltete Modellasset-Basis schaffen BIM, CAD, GIS, Punktwolken und Anlagenmodelle gelangen als verwaltete Modellassets auf die Plattform. Versionen, Komponentengeometrien, Koordinaten und externe Referenzen bleiben erhalten, damit die Inhalte über eine einzelne Präsentation hinaus gepflegt werden können. [FactVerse](/products/factverse) verknüpft Modellkomponenten mit stabilen Zwillingsidentitäten, Räumen, Systemen, Sensoren, Dokumenten und Arbeitsdatensätzen. Diese Beziehung verleiht jedem sichtbaren Objekt eine betriebliche Bedeutung und ermöglicht die Wiederverwendung desselben Assets in mehreren Anwendungen. ## Für jeden Workflow die passende Ansicht gestalten Mit [FactVerse Designer](/products/designer) ordnen Teams Assets, Blickpunkte, Beschriftungen, Datenpanels, Animationen und Interaktionslogik an. [Data Fusion Services](/products/dfs) bindet aktuelle und historische Betriebsinformationen an. Das Ergebnis kann eine Leitstandsübersicht, Anlageninspektion, Schulungsszene, Bauprüfung, Kundenpräsentation oder einen Feldeinsatz unterstützen. Bei Veränderungen an der Anlage können Teams den zugrunde liegenden Zwilling und die Modellbeziehungen aktualisieren und den verwalteten Kontext anschließend für neue Nutzungserlebnisse einsetzen. ## Menschen und Anwendungen mit demselben Zwilling verbinden Webansichten und Großdisplays schaffen betriebliche Transparenz. [Inspector](/products/inspector) nutzt den räumlichen und anlagenbezogenen Kontext für Inspektion und Instandhaltung. DataMesh One stellt freigegebene 3D-Inhalte auf unterstützten Feldgeräten bereit. Omniverse und andere Projektlaufzeiten können vorbereitete Szenen und Metadaten über den passenden Integrationsweg empfangen. Diese gemeinsame Basis verringert wiederkehrende Modellaufbereitung und hält die Anlagenidentität von der technischen Prüfung bis zum täglichen Betrieb konsistent. ## Räumlichen Kontext für Physical AI vorbereiten Simulation, Robotik, die Erzeugung synthetischer Daten und KI-Agenten benötigen konsistente Geometrien, Einheiten, Koordinaten, Komponentenidentitäten, Systembeziehungen, Betriebszustände und Aufgabenkontext. FactVerse stellt die verwaltete Zwillings- und Assetebene für die Aufbereitung dieses Kontexts bereit. Projekt-Workflows können Szenen und Metadaten anschließend an Omniverse, Isaac, PhysX, Newton, Robotik-Middleware oder andere freigegebene Laufzeiten für Rendering, Simulation und Validierung übergeben. ## In komplexen Projektumgebungen bewährt DataMesh hat digitale Zwillinge und Mixed Reality mit [JTC](/about/news/collaboration-between-jtc-datamesh) eingesetzt, Bauabläufe mit [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) unterstützt, mit Toda eine Bausimulation für die [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) umgesetzt und am Digital-Twin-Erlebnis [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) mitgewirkt. ## Mit einer wiederverwendbaren Betriebsansicht beginnen Wählen Sie eine Anlage oder einen Workflow, bei dem räumlicher Kontext ein konkretes Koordinationsproblem löst. Definieren Sie Modellumfang, Objektzuordnung, Koordinatenkonventionen, Detaillierungsgrad, Zuständigkeit, Datenbindungen und Aktualisierungsprozess. Sobald Teams diese Basis pflegen und erneut nutzen können, lässt sie sich auf Monitoring, Inspektion, Simulation, Schulung und Physical AI-Workflows erweitern. ## Möglichkeiten eines wiederverwendbaren Zwillings - Schnelleres Verständnis von Anlagen, Beziehungen, Wegen und betrieblichen Auswirkungen - Ein räumlicher Kontext für Engineering, Betrieb, Feldeinsätze und Stakeholder-Prüfung - Wiederverwendung von Modellassets für Monitoring, Instandhaltung, Schulung und Simulation - Konsistente Szenenvorbereitung für Physical AI- und Robotik-Workflows - Weniger wiederkehrender Aufbereitungsaufwand bei der Einführung neuer Anwendungen --- ## [SOLUTIONS] workflow-digitization ## Ein Instandhaltungsablauf über Systeme und Dienstleister hinweg Große Anlagen nutzen häufig mehrere Instandhaltungsumgebungen parallel. Gebäude, Auftragnehmer, Anlagengruppen oder Regionen arbeiten unter Umständen mit unterschiedlichen computergestützten Instandhaltungsmanagementsystemen. Weitere Kanäle liefern Anfragen aus dem Feldeinsatz, während Alarme, Anlagendaten, Verfahren und Bestände in separaten Systemen liegen. DataMesh schafft in dieser Landschaft eine gemeinsame Betriebsebene. Jedes nachgelagerte CMMS kann seine Arbeiten weiterhin verwalten. Gleichzeitig erhalten Facility-Teams eine einheitliche Sicht auf Bedarf, Prioritäten, Anlagenkontext, Zuweisung, Synchronisierungsstatus und Abschlussnachweise. ## Anfragen mit dem erforderlichen Triage-Kontext erfassen Arbeitsanfragen können von Mitarbeitenden vor Ort, Portalen, E-Mails, Alarmen und natürlichsprachlichen Interaktionen eingehen. Soweit verfügbar, umfasst eine Anfrage Angaben zu Anforderer, Anlage, Standort und Dringlichkeit sowie Beschreibung, Fotos, Sprachnotizen und Geolokalisierung. Verantwortliche können die Anfrage prüfen und priorisieren, in einen Arbeitsauftrag umwandeln oder mit Begründung ablehnen. So entsteht ein kontrollierter Eingang, bevor die Anforderung in die Ausführungswarteschlange gelangt. ## Arbeiten über mehrere CMMS-Anbieter koordinieren [Data Fusion Services](/products/dfs) verbindet Instandhaltungsplattformen über projektspezifische APIs, Adapter, Webhooks, Datenbanken, Nachrichten- oder Dateischnittstellen. Anlagenzuordnungen verknüpfen dieselbe Ausrüstung über Systemgrenzen hinweg. Ansichten systemübergreifender Arbeitsaufträge bewahren Quellplattform, externe Referenz, zuständigen Anbieter und Synchronisierungsstatus. Dieses Betriebsmodell eignet sich für Portfolios, in denen nachgelagerte Systeme weiter genutzt werden. DataMesh zentralisiert Koordination und Transparenz, ohne alle Gebäude oder Dienstleister in ein einziges Transaktionssystem zu zwingen. ## Personal, vorbeugende Arbeiten und Material gemeinsam planen [Inspector](/products/inspector) unterstützt den Lebenszyklus eines Arbeitsauftrags von der Zuweisung bis zum Abschluss. Arbeiten lassen sich internen Technikern, Auftragnehmern oder Teams zuweisen. Wartungspläne können wiederkehrende Arbeitsaufträge erzeugen; Ersatzteil- und Bestandsdaten helfen, die Einsatzbereitschaft zu prüfen und den Verbrauch zu dokumentieren. Verantwortliche sehen offene Arbeiten, überfällige vorbeugende Instandhaltung, Service-Level-Verstöße, Rückstände und Wartungstrends im selben betrieblichen Kontext. ## Teams vor Ort ausführbare Anleitungen bereitstellen [Checklist](/products/checklist) strukturiert verbindliche Prüfungen und Nachweise. [Director](/products/director) stellt geführte Verfahren bereit, wenn Anlagenstruktur oder räumliche Anleitung relevant sind. Inspector hält die Aufgabe mit der richtigen Anlage, dem Standort, Alarmen, der Instandhaltungshistorie, Dokumenten, Fotos, Messwerten, Freigaben und Abschlussnotizen verbunden. Der daraus entstehende Datensatz unterstützt Schichtübergaben, die Prüfung von Auftragnehmerleistungen, Auditvorbereitungen und die kontinuierliche Verbesserung wiederkehrender Arbeiten. ## KI-Unterstützung in geeignete Prozessschritte einbinden [FactVerse AI Agent](/products/factverse-ai-agent) kann bei der Interpretation von Anfragen, der Auswertung von Alarm- und Anlagenkontext, der Priorisierung von Arbeiten, der Wissenssuche und der Vorbereitung empfohlener Maßnahmen unterstützen. Konfigurierte Rollen, Freigabeschritte, Berechtigungen und Ausführungskontrollen bestimmen, wie Empfehlungen in den Betriebsablauf gelangen. ## Mit einem systemübergreifenden Ablauf beginnen Eine fokussierte erste Phase kann einen Dienstleister, einen Eingangskanal für Arbeitsanfragen und eine kritische Anlagengruppe verbinden. Prüfen Sie Anlagenzuordnungen, Synchronisierung, Zuweisung, Felddokumentation und Managementtransparenz, bevor weitere CMMS-Anbieter, Standorte, Programme zur vorbeugenden Instandhaltung und Bestandsprozesse einbezogen werden. ## Vorteile vernetzter Ausführung - Eine gemeinsame Sicht auf Instandhaltungsbedarf und Zuständigkeiten über Systeme und Anbieter hinweg - Schnellere Übergabe von Anfragen oder Alarmen an zugewiesene Einsatzkräfte - Bessere Koordination von Technikern, Teams, vorbeugender Instandhaltung und Teilen - Nachvollziehbare Synchronisierung und Abschlussnachweise über Organisationsgrenzen hinweg - Eine konsistentere Betriebshistorie für Analysen, KI-Unterstützung und Prozessverbesserung --- ## [SOLUTIONS] Gestión del flujo de tráfico > Coordine flujos de pasajeros, vehículos y carga en puestos de control, puertos y centros de transporte con TrafficOps, gemelos digitales y apoyo a decisiones con IA. ## Una vista operativa común de flujos, activos y respuesta La demanda, la disponibilidad de carriles, el estado de los equipos, las condiciones de las instalaciones y los recursos de campo determinan juntos el rendimiento de un puesto de control o terminal. La gestión de flujos combina el módulo TrafficOps con FactVerse AI Agent para detectar antes la presión y coordinar las acciones en una vista compartida. ## Ciclo de decisión con gemelo digital e IA 1. **Conectar señales** — Data Fusion Services reúne datos de carriles, conteos, mediciones de colas, estado de activos, alarmas y sistemas de instalaciones. 2. **Analizar la presión operativa** — TrafficOps y FactVerse AI Agent detectan tendencias, cuellos de botella, incidentes y estados anómalos. 3. **Evaluar opciones en contexto** — FactVerse y Twin Engine muestran el impacto sobre carriles, equipos, infraestructura y operaciones posteriores. 4. **Ejecutar y registrar** — Las acciones aprobadas se gestionan en los sistemas existentes y alimentan un registro operativo trazable. ## Escenarios operativos - anticipar oleadas de llegada y presión sobre las colas - planificar carriles y recursos con contexto de tráfico y activos - coordinar incidentes entre operaciones, instalaciones y equipos - ajustar el mantenimiento a periodos de menor tráfico - conservar decisiones y resultados para revisión y mejora del servicio ## De la monitorización a la decisión coordinada | Operación tradicional | Gestión de flujos | |---|---| | La cola se ve después de formarse | La presión y los picos se detectan antes | | Planificación separada de carriles | Contexto común para carriles, personal y activos | | Alarmas aisladas | Análisis transversal de incidentes | | Mantenimiento por calendario | Mantenimiento alineado con ventanas de tráfico | ## Para infraestructuras de transporte críticas La experiencia de DataMesh en formación de seguridad para infraestructuras y gemelos digitales de instalaciones complejas aporta una base para activos fiables, procedimientos claros y respuesta de campo coordinada. TrafficOps añade flujos de pasajeros, vehículos y carga, congestión, incidentes, recursos, salud de equipos y trazabilidad de decisiones. ## Productos relacionados - [FactVerse](/products/factverse) — contexto espacial y operativo compartido - [FactVerse AI Agent](/products/factverse-ai-agent) — análisis y apoyo a decisiones - [FactVerse Twin Engine](/products/factverse-twin-engine) — evaluación de opciones en el contexto del gemelo - [Data Fusion Services](/products/dfs) — conexión de datos de carriles, sensores, instalaciones y operaciones --- ## [SOLUTIONS] Operaciones de centros de datos > Conecta activos facility, medición energética, inspecciones, mantenimiento y datos de infraestructura en un gemelo digital para operar centros de datos. ## Por qué existe Operaciones de centros de datos Los equipos de data center necesitan una vista confiable y compartida de activos, energía, alarmas, inspecciones y mantenimiento. El módulo DCOps conecta estos registros operativos para facilitar la comprensión, inspección, mantenimiento y reporting de varios sitios. ## Ciclo operativo del gemelo digital 1. **Conectar datos facility y contexto de activos** — Data Fusion Services reúne BMS de gestión de edificios, EPMS de monitoreo eléctrico, DCIM de infraestructura de centros de datos, medidores, alarmas, contexto de racks, metadatos e historial de mantenimiento. 2. **Organizar el sitio como twin** — FactVerse mapea salas, racks, rutas eléctricas, zonas de enfriamiento, equipos, sensores y responsabilidades en un modelo espacial. 3. **Calcular y revisar operaciones** — Los equipos revisan indicadores de energía, estado de equipos, contexto de alarmas, resultados de inspección e historial de mantenimiento por sitio, sala, activo y sistema. 4. **Ejecutar y conservar evidencia** — Inspector y los flujos de work order convierten temas confirmados en tareas de campo, registros de reparación, notas de revisión y evidencia trazable. ## Para qué usan Operaciones de centros de datos los operadores - visualizar digitalmente centros de datos multi-sitio - gestionar el registro de activos facility y el contexto de racks o equipos - calcular energía, revisar medidores y reportar tendencias operativas - gestionar rutas de inspección, mantenimiento, reparaciones y handoffs de work orders - investigar alarmas con ubicación, relación de equipos e historial de servicio ## Cómo extender los workflows de infraestructura existentes | DCIM tradicional | Operaciones de centros de datos | |---|---| | Dashboards de monitorización | Contexto espacial facility compartido por operación, inspección y mantenimiento | | Registros de activos separados | Salas, racks, equipos y responsabilidades dentro del gemelo digital | | Energía revisada de forma aislada | Cálculo energético y tendencias vinculados a activos, salas y sitios | | Alarmas sin contexto de campo | Historial de alarma, inspección, reparación y work order alrededor del activo | | Salud de activos revisada en herramientas separadas | Alarmas, tendencias, historial de mantenimiento y trabajo conectados a cada activo | ## Valor operativo típico Los equipos validan el valor operativo con un piloto enfocado: mayor visibilidad, ejecución más consistente, registros más claros, traspasos más rápidos y mejor evidencia para la toma de decisiones. El impacto concreto depende del alcance del sitio, la madurez de datos, los procesos y el despliegue. ## Experiencia en operaciones de data center multi-sitio DataMesh ha entregado sistemas de gemelo digital en varios data centers internacionales para un operador de telecomunicaciones. Las publicaciones sobre [IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center), [gemelos digitales de instalaciones complejas](/about/news/collaboration-between-jtc-datamesh) y [mantenimiento predictivo industrial](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestran la base de producto asociada. ## Productos relacionados - FactVerse — espacio twin y contexto operativo - Data Fusion Services — conectividad entre gestión de edificios, monitoreo eléctrico, infraestructura de centros de datos, medidores y sistemas de soporte - Inspector — inspección, mantenimiento, contexto de work orders y evidencia de campo - FactVerse AI Agent — revisión de salud de activos, análisis de anomalías y conocimiento operativo --- ## [SOLUTIONS] Operaciones de instalaciones de semiconductores > Conecta condiciones de sala limpia, utilities, alarmas, mantenimiento, análisis asistido por IA y órdenes de Inspector en un ciclo operativo. ## AI para el lado facility Semiconductor Facility AI combina Data Fusion Services, FactVerse, FactVerse AI Agent e Inspector para ayudar a equipos de facility a detectar deriva, priorizar mantenimiento y cerrar el ciclo desde hallazgo hasta trabajo verificado. ## Usos - detectar y responder a deriva cleanroom - monitorear HVAC, agua helada, CDA, vacío y extracción - priorizar mantenimiento de activos de facility - hacer triage de alarmas con contexto operativo - ejecutar órdenes y verificación con Inspector ## Un ciclo operativo de la señal al cierre Data Fusion Services conecta datos de sala limpia, utilities y mantenimiento. FactVerse los asocia a zonas y activos, FactVerse AI Agent ayuda al análisis e Inspector lleva los hallazgos validados al campo. ## Empezar por sistemas facility críticos Un primer alcance puede cubrir ambiente de sala limpia, agua helada, aire comprimido, vacío o extracción y ampliarse tras validar datos, alarmas y workflows. --- ## [SOLUTIONS] Soporte experto entre sitios > Comparte la vista del técnico, contexto del activo y resultados para evaluar juntos. ## Llevar inteligencia digital al punto físico de trabajo DataMesh convierte inspecciones AR, diagnóstico y órdenes de trabajo vinculadas a activos en una capacidad operativa ejecutable. Modelos, datos, conocimiento y trabajo de campo se conectan dentro de un mismo gemelo digital. ## Conocimiento experto disponible en todas partes El punto de partida son modelos BIM/CAD, datos de sistemas, sensores, órdenes de trabajo y documentos. Data Fusion Services conecta las fuentes; FactVerse las organiza por espacios, activos, sistemas y procesos para soportar inspecciones AR, diagnóstico y órdenes de trabajo vinculadas a activos. ## Datos de inspección que sí se capturan Lo importante es pasar de la visibilidad a la acción. Inspector, Director, DataMesh One y FactVerse AI Agent convierten señales en inspecciones, instrucciones, órdenes de trabajo y evidencias. ## Un entorno común para la ejecución en campo - [Director](/products/director) — autoría de procedimientos 3D guiados - [DataMesh One](/products/director) — entrega móvil y AR/MR en campo - [Inspector](/products/inspector) — inspecciones, órdenes de trabajo y evidencias - [FactVerse](/products/factverse) — plataforma de contexto de gemelo digital --- ## [SOLUTIONS] Revisión de diseño entre equipos > Compara el trabajo ejecutado con el diseño y conserva desviaciones, omisiones, interferencias y correcciones. ## Llevar contexto espacial ejecutable a la obra DataMesh convierte guía de obra basada en BIM, secuencias de instalación y traspaso a operaciones en una capacidad operativa ejecutable. Modelos, datos, conocimiento y trabajo de campo se conectan dentro de un mismo gemelo digital. ## Del modelo de diseño a la ejecución en obra El punto de partida son modelos BIM/CAD, datos de sistemas, sensores, órdenes de trabajo y documentos. Data Fusion Services conecta las fuentes; FactVerse las organiza por espacios, activos, sistemas y procesos para soportar guía de obra basada en BIM, secuencias de instalación y traspaso a operaciones. ## Dónde aporta más valor Lo importante es pasar de la visibilidad a la acción. Inspector, Director, DataMesh One y FactVerse AI Agent convierten señales en inspecciones, instrucciones, órdenes de trabajo y evidencias. Construction Guidance es especialmente útil para instalación MEP, salas de equipos, plantas en renovación, obras ocultas y handover. Las referencias públicas incluyen JTC, Obayashi, Toda y la simulación de SAGA Arena. ## Llevar registros de construcción a operaciones Lo importante es pasar de la visibilidad a la acción. Inspector, Director, DataMesh One y FactVerse AI Agent convierten señales en inspecciones, instrucciones, órdenes de trabajo y evidencias. ## Experiencia en proyectos de construcción complejos DataMesh ha aplicado BIM, gemelos digitales y realidad mixta con [JTC](/about/news/collaboration-between-jtc-datamesh), apoyado flujos de construcción con [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) y realizado con Toda la simulación de obra de [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena). [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) también mostró cómo una experiencia espacial ayuda a comprender un entorno futuro complejo antes de su finalización. ## Empezar por una zona de obra de alto valor Empiece con un área definida, valide calidad de datos, flujos de usuario y evidencias, y después amplíe a otros activos, equipos o sitios. ## Conectar diseño, trabajo en obra y entrega - [FactVerse](/products/factverse) — plataforma de contexto de gemelo digital - [FactVerse Designer](/products/designer) — diseño de escenas y simulación - [DataMesh One](/products/director) — entrega móvil y AR/MR en campo - [Inspector](/products/inspector) — inspecciones, órdenes de trabajo y evidencias --- ## [SOLUTIONS] green-transformation ## Gestionar la energía como un proceso operativo El rendimiento energético cambia con el estado de los equipos, los programas, los controles, el clima, la ocupación, la calidad del mantenimiento y el uso de los espacios. Un programa energético eficaz conecta estos factores con los equipos y el trabajo necesarios para mejorarlos. DataMesh reúne BMS, medidores, IoT, historiadores, BIM o IFC, registros de mantenimiento y órdenes de trabajo en un gemelo digital operativo. Los equipos de instalaciones e ingeniería pueden establecer líneas base, investigar consumos anómalos, comparar escenarios seleccionados, ejecutar acciones correctivas y conservar las evidencias resultantes. ## Crear un contexto energético y de instalaciones trazable [Data Fusion Services](/products/dfs) conecta sistemas de control de distintos proveedores, medidores, sensores, bases de datos y aplicaciones empresariales. [FactVerse](/products/factverse) asigna los datos a centros, espacios, sistemas, equipos y relaciones operativas. Inspector puede utilizar semántica alineada con Brick Schema para edificios, plantas, zonas, equipos, medidores, sensores y puntos de control. Esta estructura compartida ayuda a vincular una excepción energética, una entrada de análisis o un registro de evaluación con el activo y los datos de origen correspondientes. ## Identificar las condiciones operativas que explican el consumo El análisis energético puede combinar carga, clima, ocupación, programas, consignas, estado de los equipos, alarmas e historial de mantenimiento. Los equipos pueden examinar periodos de alta carga, desviaciones de control, calefacción y refrigeración simultáneas, degradación de equipos, desajustes de horarios y comportamiento entre sistemas. [FactVerse AI Agent](/products/factverse-ai-agent) puede ayudar a revisar tendencias e interpretar anomalías con el contexto de las instalaciones disponible. Los ingenieros validan los datos, el método, las hipótesis y la acción recomendada para el proyecto. ## Comparar escenarios seleccionados con EnergyPlus Cuando una decisión requiere un análisis energético más profundo del edificio, los equipos de proyecto pueden combinar datos BIM o IFC, clima, registros operativos y modelos basados en EnergyPlus. La comparación de escenarios puede abarcar programas operativos, consignas, cambios en equipos, opciones de envolvente o hipótesis de uso de espacios. El alcance del modelo, el método de calibración, la calidad de las entradas y los criterios de decisión se definen para cada proyecto. Los resultados pasan a formar parte del registro de revisión utilizado para priorizar y aprobar el trabajo de mejora. ## Preparar evidencias Green Mark a partir de las operaciones diarias El trabajo de Singapore Green Mark se basa en el rendimiento energético, la envolvente del edificio, la información de los sistemas, la mantenibilidad, los registros operativos y el material de evaluación. DataMesh ayuda a organizar las entradas de EUI y envolvente, las relaciones entre edificios y sistemas, el historial de evaluaciones, las evidencias de mantenimiento y las acciones correctivas en torno al centro correspondiente. El registro resultante facilita la colaboración entre propietarios, equipos de instalaciones, ingenieros, consultores designados y evaluadores dentro del proceso de BCA aplicable. ## Convertir las oportunidades validadas en trabajo completado [Inspector](/products/inspector) lleva una oportunidad aprobada a través de la inspección, la asignación, la orden de trabajo, la ejecución en campo, la captura de evidencias y la medición de seguimiento. Los equipos pueden comprobar qué acción se tomó, quién la completó, qué evidencias se recopilaron y cómo cambiaron después las condiciones operativas. ## Empezar con una prioridad energética medible Empiece con un edificio, un grupo de sistemas o un problema operativo donde las fuentes de datos y la responsabilidad estén claras. Establezca la línea base, valide las relaciones entre activos y medidores, investigue la condición seleccionada, ejecute las acciones acordadas y revise el resultado antes de ampliar el programa. ## Posibilidades de un programa energético operativo - Análisis energético conectado con espacios, sistemas, equipos y programas operativos - Evidencias coherentes basadas en relaciones de activos y puntos alineadas con Brick - Comparación de escenarios respaldada por modelos EnergyPlus configurados para el proyecto - Registros de preparación Green Mark vinculados con las operaciones diarias de las instalaciones - Trabajo correctivo, evidencias de campo y mediciones de seguimiento en un único flujo trazable --- ## [SOLUTIONS] Solución inteligente de calefacción distrital > La solución DataMesh combina el módulo HeatOps de FactVerse AI Agent, Data Fusion Services, gemelos digitales FactVerse, Inspector y sistemas de control existentes para conectar previsión, diagnóstico de red, apoyo al despacho, órdenes de trabajo y ejecución en campo. ## La calefacción distrital necesita un ciclo operativo La dificultad de operar calefacción distrital surge de la información repartida entre producción de calor, hidráulica de la red, subestaciones, edificios, reclamos de usuarios, facturación y trabajo de campo. Los operadores necesitan saber dónde crecerá la carga, qué ramal está desbalanceado y qué acción mejora el confort reduciendo desperdicio de energía. La solución inteligente de DataMesh conecta estas señales en un contexto operativo común. El módulo HeatOps de FactVerse AI Agent aporta previsión, diagnóstico, consulta de conocimiento y recomendaciones. Data Fusion Services conecta los sistemas existentes, FactVerse proporciona el gemelo de la red e Inspector lleva los hallazgos a órdenes de trabajo y ejecución en campo. ## Un modelo nacido de diseños reales de modernización térmica Este módulo industrial está diseñado para redes con múltiples subestaciones. El modelo suele incluir sensores para temperatura, presión, caudal, agua de reposición, válvulas y bombas; Data Fusion Services para el contexto de fuentes, estaciones, tuberías, edificios y usuarios; FactVerse AI Agent para previsión de carga, diagnóstico de anomalías, balance hidráulico y análisis de energía-carbono; ejecución mediante PLC, consignas y trabajo de campo; e interacción para sala de control, gerencia, mantenimiento y atención al cliente. Aquí el Physical AI se vuelve concreto para calefacción. Las recomendaciones combinan datos operativos, topología de red, inercia térmica, límites de equipos, permisos de control y procedimientos de seguridad. Cada recomendación debe poder explicar origen, alcance de impacto y condiciones de ejecución. ## Ver: fuentes, redes, subestaciones y edificios El módulo HeatOps coloca los activos térmicos en mapas GIS, topología de red y vistas de estación. Los equipos pueden revisar estado de subestaciones, temperaturas de impulsión y retorno, presión diferencial, caudal, cantidad de calor, bombas, válvulas, zonas de edificios, temperatura interior, alarmas y órdenes de trabajo. Esta vista se ajusta mejor a la temporada de calefacción que el monitoreo aislado. Si aumentan los reclamos en una zona remota, el equipo puede revisar subestaciones aguas arriba, ramales, válvulas, cambios de presión e historial de intervención en el mismo flujo. ## Calcular: previsión, diagnóstico y revisión energía-carbono La previsión de carga muestra la curva de demanda antes de que cambie el clima. El diagnóstico combina delta de impulsión-retorno, agua de reposición, fluctuación de presión, eficiencia de intercambiadores, energía de bombas y feedback de usuarios para distinguir falta de fuente, desbalance de ramal, incrustación, fuga, degradación de aislamiento o problema de control local. Para gestión, el módulo estructura calor, combustible, electricidad, pérdidas y carbono como registro estacional para revisar si las estrategias de despacho, mejoras e incidentes realmente mejoraron la calidad del servicio. ## Controlar: de recomendación a ejecución auditada El control de calefacción avanza por etapas: recomendación de FactVerse AI Agent, confirmación del operador, escritura limitada y revisión del resultado. El módulo HeatOps maneja apertura de válvulas, frecuencia de bombas y temperatura de impulsión dentro de límites de seguridad y flujos de aprobación. Así la IA entra en la operación real sin quitar al operador el control de seguridad, responsabilidad y cumplimiento. ## Usar: conocimiento, servicio y órdenes de trabajo La operación térmica abarca sala de control, reclamos, inspecciones, historial de reparación, manuales y planes de emergencia. El módulo HeatOps usa AI Advisor en FactVerse AI Agent para recuperar conocimiento operativo, explicar alarmas, generar pasos de revisión, crear órdenes de trabajo y devolver resultados de campo al siguiente ciclo. ## Empezar por una zona operativa conectada Empiece con un grupo acotado de subestaciones y zonas de red. Conecte primero datos en vivo y topología de activos con Data Fusion Services, luego valide vista de estación, diagnóstico de anomalías, previsión de carga y flujo de órdenes de trabajo. Después amplíe a análisis de energía-carbono, balance hidráulico y recomendaciones de despacho. La escritura hacia PLC o sistemas de control debe llegar cuando estén claros permisos, límites de seguridad y requisitos de auditoría. ## Inteligencia de red y ejecución en una plataforma - [FactVerse AI Agent](/products/factverse-ai-agent) aloja el módulo industrial HeatOps para previsión, diagnóstico, preguntas de conocimiento y recomendaciones de despacho - [Data Fusion Services](/products/dfs) conecta SCADA, SIS, medición, clima, facturación, reclamos y órdenes de trabajo - [FactVerse Platform](/products/factverse) gestiona el contexto de gemelo digital de fuentes, redes, estaciones, edificios y equipos - [Smart Facility Management](/solutions/smart-building) extiende el mismo modelo a campus y edificios --- ## [SOLUTIONS] Mantenimiento predictivo > Pase de un mantenimiento impulsado por alarmas a un mantenimiento predictivo guiado por IA con sensórica industrial, gemelos digitales y ejecución de ciclo cerrado. ## De mantenimiento reactivo a decisiones verificables El módulo de mantenimiento predictivo de FactVerse AI Agent entrega a los equipos de operaciones un ciclo de decisión en lugar de un muro de alarmas. Al combinar sensórica industrial, contexto del activo, análisis con IA y gemelos digitales, los equipos pueden identificar qué está cambiando, por qué importa y cómo actuar antes de que ocurra una parada. ## Señal → Análisis → Validación en el gemelo → Decisión 1. **Ingesta de señales** — Data Fusion Services reúne flujos de sensores, tags de historian, registros de inspección y metadatos del equipo. 2. **Análisis con IA** — FactVerse AI Agent evalúa patrones de degradación, señales de salud y tendencias de anomalía. 3. **Validación en el twin** — FactVerse Twin Engine y FactVerse aportan contexto espacial y operativo para el diagnóstico. 4. **Ejecución** — Inspector convierte los hallazgos validados en órdenes de trabajo, tareas de campo y seguimiento trazable. ## Validación operativa para equipos de mantenimiento El módulo de mantenimiento predictivo de FactVerse AI Agent combina sensorización fiable, contexto de activos, análisis con IA y revisión en el gemelo para que los equipos evalúen el riesgo con más contexto y menos suposiciones. - sensórica industrial confiable en el edge - contexto operativo multi-fuente - análisis de tendencias y evaluación de salud impulsados por IA - visibilidad del gemelo digital para decisiones de mantenimiento ## Ventanas de alerta más tempranas, menos falsas alarmas Los equipos pueden revisar señales emergentes dentro de su contexto operativo, priorizar los activos adecuados y pasar antes a intervenciones planificadas. ## Experiencia en mantenimiento industrial DataMesh y [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) llevan el mantenimiento predictivo asistido por IA a instalaciones industriales complejas. Los proyectos con [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) y [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) también muestran cómo FactVerse conecta conocimiento de mantenimiento, ejecución de campo y registros operativos reutilizables. ## Empezar por activos críticos y ampliar Empiece con una clase de activos o un sistema de instalaciones con impacto operativo claro e historial suficiente. Una vez validadas la calidad de los datos y la cadena de ejecución, el mismo modelo puede ampliarse a más activos y sitios. ## Productos relacionados - FactVerse — capa de plataforma para el contexto operativo - FactVerse AI Agent — detección de anomalías, análisis y soporte a la decisión - FactVerse Twin Engine — validación twin y contexto de ejecución - Data Fusion Services — conectividad para sensores, historians y sistemas - Inspector — órdenes de trabajo y ejecución en campo ## Resultados típicos | Métrica | Impacto | |------|------| | Revisión temprana de señales | Identificación y priorización más rápidas de problemas emergentes de mantenimiento | | Paradas no planificadas | Menores gracias a intervenciones tempranas y mantenimiento planificado | | Falsas alarmas | Reducidas mediante análisis de tendencias y diagnóstico contextual | | Ejecución de mantenimiento | Transferencia más rápida desde la detección hasta la acción validada en campo | --- ## [SOLUTIONS] Simulación de procesos y planificación virtual > Use FactVerse Designer para planificar layouts, simular flujos de trabajo, comparar escenarios, anticipar riesgos operativos y validar comportamiento físico. ## Simulación dirigida por Designer para Physical AI Process Simulation & Virtual Planning es un flujo de FactVerse Designer para planificar layouts, modelar lógica de proceso, comparar escenarios y hacer pruebas virtuales. Ayuda a validar procesos de empaque, flujos de materiales, interacción con equipos y operación antes de implementar cambios físicos. ## Usos típicos - validar procesos de empaque e interacción con equipos - planificar celdas de producción y estaciones de trabajo - comparar zonas de almacén, rutas de picking y áreas de staging - realizar puesta en marcha virtual antes de cambios en sitio - preparar escenarios de Physical AI para automatización y robótica ## Productos relacionados - [FactVerse Designer](/products/designer) - layout, lógica de proceso y creación de escenarios - [FactVerse](/products/factverse) - plataforma de gemelo digital - [Data Fusion Services](/products/dfs) - conexión de datos operativos - [FactVerse Twin Engine](/products/factverse-twin-engine) - contexto físico para validación --- ## [SOLUTIONS] real-time-monitoring ## Convertir los datos en tiempo real en una visión operativa Las instalaciones ya generan información en tiempo real mediante sistemas de control, sensores, medidores, bases de datos y plataformas de servicio. Aun así, los operadores necesitan determinar dónde se ha producido un cambio, qué activos y espacios afecta, si forma parte de un patrón más amplio y quién debe responder. DataMesh conecta la información actual e histórica con los equipos, espacios, sistemas y registros de trabajo representados en un gemelo digital operativo. Los equipos de sala de control, ingenieros, planificadores de mantenimiento y técnicos de campo pueden coordinarse desde el mismo contexto mientras siguen utilizando sus sistemas de origen habituales. ## Asignar a cada señal el contexto del activo y del sistema [Data Fusion Services](/products/dfs) conecta BMS, SCADA, PLC, IoT, medidores, historiadores, bases de datos y aplicaciones empresariales. [FactVerse](/products/factverse) asocia cada señal con el centro, espacio, activo, relación de sistema y objeto del gemelo digital correspondientes. Este contexto ayuda a pasar de una etiqueta o un código de alarma al equipo físico, la zona afectada, los sensores relacionados, los sistemas aguas arriba y aguas abajo, el mantenimiento reciente y el trabajo activo. ## Revisar los cambios relacionados antes de responder Una excepción operativa puede implicar varias alarmas, un cambio reciente de consigna, el clima, la carga, una actividad de mantenimiento o un componente que se está degradando. DataMesh reúne estas señales y registros para su revisión. Las tendencias históricas y los rangos previstos ayudan a distinguir el ruido aislado de las condiciones que requieren investigación. [FactVerse AI Agent](/products/factverse-ai-agent) puede ayudar a interpretar tendencias y analizar eventos relacionados cuando el centro dispone de datos y contexto operativo suficientes. ## Coordinar la respuesta y conservar el resultado Las condiciones confirmadas pueden convertirse en inspecciones y órdenes de trabajo de [Inspector](/products/inspector) o sincronizarse con un CMMS existente. El registro de respuesta mantiene conectados la señal original, el revisor, la prioridad, el equipo asignado, las evidencias de campo, las notas de finalización y las acciones de seguimiento. Este historial proporciona a los responsables una visión más clara de las condiciones recurrentes, la calidad de la respuesta, el desempeño frente a los niveles de servicio y las oportunidades de mantenimiento predictivo. ## Dar soporte a distintos roles desde un activo hasta varios centros Los operadores pueden necesitar las alarmas actuales y la topología del sistema. Los ingenieros requieren tendencias y dependencias. Los equipos de campo necesitan ubicación, historial y procedimientos. Los responsables de cartera precisan comparaciones entre centros y el estado del trabajo abierto. Las vistas basadas en roles utilizan el mismo contexto operativo y de activos para ofrecer a cada usuario la información adecuada a sus responsabilidades. ## Empezar con un sistema crítico para la respuesta Una primera fase práctica puede centrarse en HVAC, distribución eléctrica, agua de refrigeración, un servicio de sala blanca, una sala de centro de datos u otro sistema donde la información fragmentada ralentice la respuesta. Conecte los datos necesarios, las relaciones entre activos, las reglas de alarmas, los roles operativos y la transferencia a órdenes de trabajo; amplíe después el alcance cuando los equipos confíen en la vista compartida. ## Ventajas del monitoreo conectado - Comprensión más rápida de dónde se produjo un cambio y qué elementos afecta - Mejor priorización gracias al contexto de activos, tendencias, dependencias y servicio - Transferencia más clara desde la revisión en sala de control hasta la ejecución en campo - Estado operativo compartido entre ingeniería, mantenimiento, servicio y dirección - Historial reutilizable para mantenimiento predictivo y operaciones asistidas por IA --- ## [SOLUTIONS] smart-building ## Una visión operativa común Edificios y campus generan datos desde BIM, BMS, medidores, IoT, plataformas de mantenimiento, documentos y trabajo de campo. DataMesh mantiene esa información conectada durante alarmas, intervenciones y revisiones multisede. Propietarios, ingenieros, proveedores y técnicos ven qué ocurrió, qué activos están implicados, quién actúa y qué evidencias quedan al cerrar. ## Conectar los sistemas que ya operan el edificio [Data Fusion Services](/products/dfs) conecta controles, sensores, medidores, bases de datos y aplicaciones mediante protocolos estándar y API. [FactVerse](/products/factverse) asigna la información a espacios, activos, sistemas y relaciones del gemelo digital. Los BMS, CMMS, EAM y plataformas de servicio existentes siguen formando parte del entorno operativo. ## De las señales al trabajo trazable 1. **Comprender** la alarma o desviación en contexto espacial y del activo 2. **Decidir** con señales, historial, documentos, dependencias y prioridades 3. **Actuar** creando o sincronizando la orden y entregando el procedimiento con [Inspector](/products/inspector) 4. **Verificar** con fotos, mediciones, notas, aprobaciones y seguimiento [FactVerse AI Agent](/products/factverse-ai-agent) puede asistir el análisis de tendencias, anomalías y prioridades cuando los datos y procesos están preparados. El equipo mantiene la responsabilidad operativa. ## Reutilizar datos entre equipos Las relaciones alineadas con Brick Schema en Inspector crean un contexto común para edificios, zonas, equipos, medidores, sensores y puntos. Los mismos registros pueden apoyar supervisión, mantenimiento, energía, cumplimiento y futuros flujos asistidos por IA. ## Energía y Green Mark dentro de la operación DataMesh conecta estado de equipos, horarios, control, mantenimiento y uso de espacios. Los equipos revisan EUI y cargas, investigan desviaciones, asignan mejoras y conservan evidencias. En proyectos Green Mark de Singapur, este registro apoya la preparación con consultores designados. BIM o IFC, clima, históricos y modelos EnergyPlus permiten profundizar en escenarios cuando se requiere. ## Empezar con una prioridad clara La primera fase puede cubrir un sistema crítico, un flujo alarma-orden, un área de alto consumo o activos con incidencias recurrentes. Tras validar datos, integración, adopción e indicadores, la solución se amplía a más sistemas, edificios y sitios. ## Ventajas de DataMesh - Contexto común para espacios, activos, sistemas, datos y trabajo - Continuidad entre visualización, inspección, procedimientos, órdenes y evidencias - Integración abierta mediante protocolos industriales y API - Base ampliable para supervisión, mantenimiento, energía, formación e IA --- ## [SOLUTIONS] Formación y desarrollo de competencias > Prepare a las personas para equipos y procedimientos reales con contenido 3D guiado, práctica en el gemelo digital y un camino claro hacia el trabajo de campo supervisado. ## Preparar a las personas para el trabajo real La formación industrial debe combinar acceso limitado a equipos, disponibilidad de instructores, seguridad, cambios de procedimientos y práctica supervisada. DataMesh conecta contenido 3D guiado, contexto del gemelo digital, simulación de equipos y workflows de campo en un recorrido desde la explicación hasta la práctica y ejecución. ## Un recorrido con herramientas especializadas [Director](/products/director) crea instrucciones 3D aprobadas. DataMesh One distribuye contenido para estudio, aula y dispositivos espaciales compatibles. [Simulator](/products/simulator) ofrece práctica física con controles y escenarios configurados. [Inspector](/products/inspector) y [Checklist](/products/checklist) conservan tareas supervisadas y evidencia. ## Del conocimiento a la ejecución supervisada Los equipos definen puesto, tareas críticas y criterios, capturan conocimiento en Director y eligen práctica guiada o Simulator. Las observaciones del trabajo supervisado alimentan la actualización de contenido y escenarios. ## Formación guiada y Simulator en la práctica Las referencias públicas de [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency), [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) y [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) muestran recorridos guiados. Simulator admite grúas torre, carretillas elevadoras, perforadoras rotativas, equipos de entubación profunda y excavadoras. ## Integrar seguridad y cualificación Políticas de formación, supervisión cualificada, autorizaciones, requisitos normativos, evaluación en equipo real y certificación formal se incorporan desde el inicio. DataMesh aporta contenido, práctica repetible, datos de evaluación y evidencia. ## Medir la preparación para el trabajo real Los equipos miden comprensión de equipos y secuencias, errores detectados antes del campo, facilidad para actualizar contenido y adecuación de dispositivos o configuraciones Simulator. --- ## [SOLUTIONS] visualization ## Hacer comprensibles en el espacio las operaciones complejas Las instalaciones, las fábricas, los campus y las infraestructuras son sistemas espaciales. La ubicación de los equipos, las dependencias entre sistemas, las rutas de acceso, el flujo de procesos, las zonas de trabajo y el riesgo operativo resultan difíciles de entender mediante tablas y paneles aislados. La visualización del gemelo digital operativo reúne modelos, activos, datos en tiempo real, documentos y registros de trabajo en un único contexto espacial. Ingeniería, operaciones, equipos de campo, dirección y partes interesadas externas pueden examinar el mismo entorno desde la perspectiva que requiere su trabajo. ## Crear una base gestionada de activos de modelos BIM, CAD, GIS, nubes de puntos y modelos de equipos se incorporan a la plataforma como activos de modelos gestionados. Se conservan las versiones, la geometría de los componentes, las coordenadas y las referencias externas para mantener el contenido más allá de una presentación concreta. [FactVerse](/products/factverse) vincula los componentes del modelo con una identidad estable del gemelo, espacios, sistemas, sensores, documentos y registros de trabajo. Esta relación otorga un significado operativo a cada objeto visible y permite reutilizar el mismo activo entre aplicaciones. ## Componer la vista adecuada para cada flujo de trabajo [FactVerse Designer](/products/designer) permite a los equipos organizar activos, puntos de vista, etiquetas, paneles de datos, animaciones y lógica de interacción. [Data Fusion Services](/products/dfs) conecta la información operativa actual e histórica. El resultado puede servir para una vista de sala de control, una inspección de equipos, una escena de formación, una revisión de construcción, una presentación a clientes o un flujo de campo. Los equipos pueden actualizar el gemelo subyacente y las relaciones de los modelos a medida que cambian las instalaciones, y reutilizar después ese contexto gobernado en nuevas experiencias. ## Conectar a personas y aplicaciones con el mismo gemelo Las vistas web y las pantallas de gran formato proporcionan visibilidad operativa. [Inspector](/products/inspector) utiliza el contexto espacial y de activos para las inspecciones y el mantenimiento. DataMesh One distribuye contenido 3D aprobado a los dispositivos de campo compatibles. Omniverse y otros entornos de ejecución de proyecto pueden recibir escenas y metadatos preparados mediante la ruta de integración correspondiente. Esta base compartida reduce la preparación repetida de modelos y mantiene una identidad de activos coherente desde la revisión de ingeniería hasta las operaciones diarias. ## Preparar el contexto espacial para Physical AI La simulación, la robótica, la generación de datos sintéticos y los agentes de IA requieren más que una apariencia visual. Necesitan geometría, unidades, coordenadas, identidad de componentes, relaciones entre sistemas, estado operativo y contexto de las tareas coherentes. FactVerse proporciona el gemelo gestionado y la capa de activos utilizados para preparar ese contexto. Los flujos del proyecto pueden transferir escenas y metadatos a Omniverse, Isaac, PhysX, Newton, middleware de robótica u otros entornos de ejecución aprobados para renderizado, simulación y validación. ## Experiencia demostrada en entornos de proyecto complejos DataMesh ha aplicado gemelos digitales y realidad mixta con [JTC](/about/news/collaboration-between-jtc-datamesh), ha respaldado flujos de construcción con [Obayashi](/about/news/digital-twin-empowers-bim-obayashi), ha desarrollado una simulación de construcción con Toda para [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) y ha participado en la experiencia de gemelo digital [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq). ## Empezar con una vista operativa reutilizable Elija una instalación o un flujo de trabajo donde el contexto espacial resuelva un problema concreto de coordinación. Defina el alcance del modelo, la asignación de objetos, las convenciones de coordenadas, el nivel de detalle, la responsabilidad, las conexiones de datos y el proceso de actualización. Cuando los equipos puedan mantener y reutilizar esta base, amplíela al monitoreo, la inspección, la simulación, la formación y los flujos de Physical AI. ## Posibilidades que ofrece un gemelo reutilizable - Comprensión más rápida de activos, relaciones, rutas e impacto operativo - Un contexto espacial para ingeniería, operaciones, trabajo de campo y revisión con las partes interesadas - Reutilización de activos de modelos en monitoreo, mantenimiento, formación y simulación - Preparación coherente de escenas para flujos de Physical AI y robótica - Menor esfuerzo de preparación repetida al incorporar nuevas aplicaciones --- ## [SOLUTIONS] workflow-digitization ## Un flujo de mantenimiento común para sistemas y proveedores de servicios Las grandes instalaciones suelen operar varios entornos de mantenimiento al mismo tiempo. Diferentes edificios, contratistas, grupos de equipos o regiones pueden utilizar distintos sistemas informatizados de gestión del mantenimiento. Las solicitudes de campo llegan por otros canales, mientras que las alarmas, los datos de activos, los procedimientos y el inventario residen en sistemas separados. DataMesh crea una capa operativa compartida para todo este entorno. Cada CMMS puede seguir gestionando el trabajo bajo su responsabilidad, mientras los equipos de instalaciones obtienen una visión coherente de la demanda, las prioridades, el contexto de los activos, las asignaciones, el estado de sincronización y las evidencias de finalización. ## Capturar la demanda con el contexto necesario para evaluarla Las solicitudes de trabajo pueden proceder de operarios de campo, portales, correo electrónico, alarmas e interacciones en lenguaje natural. La solicitud conserva, cuando están disponibles, el solicitante, el equipo, la ubicación, la gravedad, la descripción, las fotografías, las notas de voz y la geolocalización. Los supervisores pueden revisar y priorizar la solicitud, convertirla en una orden de trabajo o rechazarla indicando el motivo. De este modo, los equipos de mantenimiento disponen de un proceso de recepción controlado antes de incorporar la demanda a la cola de ejecución. ## Coordinar el trabajo entre proveedores de CMMS [Data Fusion Services](/products/dfs) conecta las plataformas de mantenimiento mediante API, adaptadores, webhooks, bases de datos, mensajes o interfaces de archivos específicas del proyecto. Las correspondencias de activos vinculan el mismo equipo entre sistemas. Las vistas de órdenes de trabajo entre sistemas conservan la plataforma de origen, la referencia externa, el proveedor responsable y el estado de sincronización. Este modelo operativo está diseñado para carteras que mantienen sus sistemas actuales. DataMesh ofrece coordinación y visibilidad centralizadas sin obligar a cada edificio o proveedor de servicios a adoptar un único sistema transaccional. ## Planificar conjuntamente personas, mantenimiento preventivo y materiales [Inspector](/products/inspector) cubre el ciclo de vida de la orden de trabajo desde la asignación hasta la finalización. El trabajo puede asignarse a técnicos internos, contratistas o cuadrillas. Los programas de mantenimiento preventivo pueden generar órdenes de trabajo periódicas, mientras que los registros de repuestos e inventario ayudan a confirmar la disponibilidad y registrar el consumo. Los responsables pueden revisar el trabajo abierto, el mantenimiento preventivo vencido, los incumplimientos de niveles de servicio, la carga pendiente y las tendencias de mantenimiento desde el mismo contexto operativo. ## Proporcionar instrucciones ejecutables a los equipos de campo [Checklist](/products/checklist) estructura las verificaciones y evidencias requeridas. [Director](/products/director) ofrece procedimientos guiados cuando son relevantes la estructura del equipo o las instrucciones espaciales. Inspector mantiene la tarea conectada con el activo, la ubicación, la alarma, el historial de mantenimiento, los documentos, las fotografías, las lecturas, las aprobaciones y las notas de finalización correspondientes. El registro resultante facilita el relevo entre turnos, la revisión de contratistas, la preparación de auditorías y la mejora continua del trabajo periódico. ## Incorporar asistencia de IA donde el proceso esté preparado [FactVerse AI Agent](/products/factverse-ai-agent) puede ayudar a interpretar solicitudes, revisar el contexto de alarmas y activos, priorizar el trabajo, recuperar conocimiento y preparar acciones recomendadas. Los roles, los pasos de aprobación, los permisos y los controles de ejecución configurados determinan cómo se incorpora cada recomendación al flujo operativo. ## Empezar con un flujo que conecte varios sistemas Una primera fase acotada puede conectar un proveedor de servicios, un canal de solicitudes y un grupo de equipos críticos. Conviene validar las correspondencias de activos, la sincronización, la asignación, los registros de campo y la visibilidad para la gestión antes de ampliar el alcance a más proveedores de CMMS, centros, programas de mantenimiento preventivo y procesos de inventario. ## Ventajas de la ejecución conectada - Una vista común de la demanda de mantenimiento y la responsabilidad entre sistemas y proveedores - Transición más rápida desde la solicitud o alarma hasta el trabajo de campo asignado - Mejor coordinación de técnicos, cuadrillas, mantenimiento preventivo y repuestos - Sincronización trazable y evidencias de finalización entre organizaciones - Un historial operativo más ordenado para análisis, asistencia de IA y mejora de procesos --- ## [SOLUTIONS] Gestion des flux de trafic > Coordonnez les flux de passagers, véhicules et marchandises aux postes de contrôle, ports et pôles de transport avec TrafficOps, les jumeaux numériques et l’aide à la décision par IA. ## Une vue opérationnelle commune des flux, des actifs et des réponses La demande, la disponibilité des voies, l’état des équipements, les conditions des installations et les ressources terrain déterminent ensemble la performance d’un poste de contrôle ou d’un terminal. La gestion des flux associe le module TrafficOps à FactVerse AI Agent pour détecter plus tôt la pression et coordonner les actions dans une vue commune. ## Une boucle de décision avec jumeau numérique et IA 1. **Connecter les signaux** — Data Fusion Services rassemble données de voies, comptages, files d’attente, état des équipements, alarmes et systèmes facility. 2. **Analyser la pression opérationnelle** — TrafficOps et FactVerse AI Agent détectent tendances de flux, goulots, incidents et états anormaux. 3. **Évaluer les options dans leur contexte** — FactVerse et Twin Engine montrent l’impact sur les voies, les équipes, l’infrastructure et les opérations en aval. 4. **Exécuter et tracer** — Les actions approuvées passent par les systèmes existants et alimentent un dossier opérationnel réutilisable. ## Usages opérationnels - anticiper les vagues d’arrivée et la pression sur les files - préparer les voies et les ressources avec le contexte du trafic et des équipements - coordonner les incidents entre exploitation, installations et équipements - aligner la maintenance sur les périodes de moindre trafic - conserver décisions et résultats pour les revues et l’amélioration du service ## De la supervision à la décision coordonnée | Exploitation traditionnelle | Gestion des flux | |---|---| | La file devient visible après sa formation | La pression des flux et des pointes est visible plus tôt | | Planification séparée des voies | Contexte commun pour voies, équipes et équipements | | Alarmes isolées | Analyse transverse des incidents | | Maintenance calendaire | Maintenance alignée sur les fenêtres de trafic | ## Pour les infrastructures de transport critiques L’expérience DataMesh en formation à la sécurité des infrastructures et en jumeaux numériques de sites complexes apporte une base pour des actifs fiables, des procédures claires et une réponse terrain coordonnée. TrafficOps ajoute les flux passagers, véhicules et marchandises, la congestion, les incidents, les ressources, la santé des équipements et la traçabilité des décisions. ## Produits associés - [FactVerse](/products/factverse) — contexte spatial et opérationnel partagé - [FactVerse AI Agent](/products/factverse-ai-agent) — analyse et aide à la décision - [FactVerse Twin Engine](/products/factverse-twin-engine) — évaluation des options dans le contexte du jumeau - [Data Fusion Services](/products/dfs) — connexion des données de voies, capteurs, installations et exploitation --- ## [SOLUTIONS] Opérations de centre de données > Connecte actifs facility, comptage énergétique, inspections, maintenance et données d'infrastructure dans un jumeau numérique pour l'exploitation des data centers. ## Pourquoi Opérations de centre de données est nécessaire Les équipes de data center ont besoin d’une vue fiable et partagée des actifs, de l’énergie, des alarmes, des inspections et de la maintenance. Le module DCOps relie ces dossiers opérationnels pour faciliter la compréhension, l’inspection, la maintenance et le reporting sur plusieurs sites. ## Boucle opérationnelle de jumeau numérique 1. **Connecter données facility et contexte d'actifs** — Data Fusion Services rassemble BMS pour la gestion bâtiment, EPMS pour la supervision électrique, DCIM pour l'infrastructure data center, compteurs, alarmes, contexte rack, métadonnées et historiques de maintenance. 2. **Organiser le site comme un twin** — FactVerse cartographie salles, racks, chemins électriques, zones de refroidissement, équipements, capteurs et processus de responsabilité. 3. **Calculer et revoir l'exploitation** — Les équipes suivent indicateurs énergie, état équipement, contexte d'alarme, résultats d'inspection et historique maintenance par site, salle, actif et système. 4. **Exécuter et préserver les preuves** — Inspector et les workflows d'ordres de travail transforment les sujets confirmés en tâches terrain, réparations, notes de revue et preuves traçables. ## À quoi les opérateurs utilisent Opérations de centre de données - visualiser plusieurs data centers dans un jumeau numérique - gérer le registre d'actifs facility et le contexte rack/équipement - calculer l'énergie, vérifier les compteurs et suivre les tendances d'exploitation - gérer tournées d'inspection, maintenance, réparations et ordres de travail - enquêter sur les alarmes avec localisation, relation équipement et historique service ## Comment étendre les workflows d'infrastructure existants | DCIM traditionnel | Opérations de centre de données | |---|---| | Tableaux de supervision | Contexte facility spatial partagé par exploitation, inspection et maintenance | | Registres d'actifs séparés | Salles, racks, équipements et responsabilités dans le jumeau numérique | | Chiffres d'énergie isolés | Calcul énergétique et tendances reliés aux actifs, salles et sites | | Alarmes sans contexte terrain | Historique alarme, inspection, réparation et work order autour de l'actif | | Santé des actifs revue dans des outils séparés | Alarmes, tendances, historique de maintenance et interventions reliés à chaque actif | ## Valeur opérationnelle typique Les équipes valident la valeur opérationnelle par un pilote ciblé : meilleure visibilité, exécution plus cohérente, dossiers plus propres, passages de relais plus rapides et preuves plus claires pour la décision. L'impact dépend du périmètre du site, de la maturité des données, des processus et du déploiement. ## Une expérience des opérations data center multi-sites DataMesh a livré des systèmes de jumeau numérique sur plusieurs data centers internationaux pour un opérateur télécom. Les publications consacrées à l’[IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center), aux [jumeaux numériques de sites complexes](/about/news/collaboration-between-jtc-datamesh) et à la [maintenance prédictive industrielle](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) présentent les fondations produit associées. ## Produits liés - FactVerse — espace de travail twin et contexte opérationnel - Data Fusion Services — connectivité entre gestion bâtiment, supervision électrique, infrastructure data center, compteurs et systèmes associés - Inspector — inspection, maintenance, contexte work order et preuves terrain - FactVerse AI Agent — analyse de la santé des actifs, des anomalies et des connaissances opérationnelles --- ## [SOLUTIONS] Exploitation des installations de semi-conducteurs > Reliez environnement de salle blanche, utilités, alarmes, maintenance, analyse assistée par IA et ordres Inspector dans une même boucle opérationnelle. ## AI pour le cote facility Semiconductor Facility AI combine Data Fusion Services, FactVerse, FactVerse AI Agent et Inspector pour aider les equipes facility a detecter les derives, prioriser la maintenance et fermer la boucle du constat au travail verifie. ## Usages - detection et reponse aux derives cleanroom - monitoring HVAC, eau glacee, CDA, vide et extraction - priorisation maintenance des actifs facility - triage d'alarmes avec contexte operationnel - ordres de travail Inspector et verification ## Une boucle opérationnelle du signal à la clôture Data Fusion Services connecte les données de salle blanche, d’utilités et de maintenance. FactVerse les associe aux zones et actifs, FactVerse AI Agent assiste l’analyse et Inspector conduit les constats validés jusqu’au terrain. ## Commencer par les systèmes critiques Un premier périmètre peut couvrir environnement de salle blanche, eau glacée, air comprimé, vide ou extraction, puis s’étendre après validation des données, alarmes et workflows. --- ## [SOLUTIONS] Assistance experte multi-sites > Partagez la vue du technicien, le contexte de l’actif et les résultats pour analyser ensemble. ## Amener l’intelligence numérique au point de travail physique DataMesh transforme inspections AR, dépannage et ordres de travail liés aux actifs en capacité opérationnelle exécutable. Les modèles, données, connaissances et actions terrain sont reliés dans un même jumeau numérique. ## Le savoir expert disponible partout Le point de départ est constitué des modèles BIM/CAD, données systèmes, capteurs, ordres de travail et documents existants. Data Fusion Services connecte les sources; FactVerse les rattache aux espaces, actifs, systèmes et processus pour soutenir inspections AR, dépannage et ordres de travail liés aux actifs. ## Des données d’inspection réellement capturées L’enjeu est de passer de la visibilité à l’action. Inspector, Director, DataMesh One et FactVerse AI Agent transforment les signaux en contrôles, instructions, ordres de travail et preuves. ## Un environnement commun pour l’exécution terrain - [Director](/products/director) — création de procédures 3D guidées - [DataMesh One](/products/director) — diffusion terrain mobile et AR/MR - [Inspector](/products/inspector) — inspections, ordres de travail et preuves - [FactVerse](/products/factverse) — plateforme de contexte de jumeau numérique --- ## [SOLUTIONS] Présentation de conception interéquipes > Comparez l’exécution au contexte de conception et conservez écarts, omissions, obstacles et corrections. ## Apporter un contexte spatial exécutable sur le chantier DataMesh transforme guidage chantier basé sur BIM, séquences d’installation et transfert vers l’exploitation en capacité opérationnelle exécutable. Les modèles, données, connaissances et actions terrain sont reliés dans un même jumeau numérique. ## Du modèle de conception à l’exécution sur site Le point de départ est constitué des modèles BIM/CAD, données systèmes, capteurs, ordres de travail et documents existants. Data Fusion Services connecte les sources; FactVerse les rattache aux espaces, actifs, systèmes et processus pour soutenir guidage chantier basé sur BIM, séquences d’installation et transfert vers l’exploitation. ## Où la valeur est la plus forte L’enjeu est de passer de la visibilité à l’action. Inspector, Director, DataMesh One et FactVerse AI Agent transforment les signaux en contrôles, instructions, ordres de travail et preuves. Construction Guidance est particulièrement utile pour l’installation MEP, les locaux techniques, les étages en rénovation, les travaux cachés et la passation. Les références publiques incluent JTC, Obayashi, Toda et la simulation SAGA Arena. ## Faire passer les dossiers de construction vers l’exploitation L’enjeu est de passer de la visibilité à l’action. Inspector, Director, DataMesh One et FactVerse AI Agent transforment les signaux en contrôles, instructions, ordres de travail et preuves. ## Éprouvé sur des projets de construction complexes DataMesh a appliqué le BIM, le jumeau numérique et la réalité mixte avec [JTC](/about/news/collaboration-between-jtc-datamesh), soutenu des workflows de construction avec [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) et réalisé avec Toda la simulation de construction de la [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena). Le projet [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) a également montré comment une expérience spatiale aide les parties prenantes à comprendre un environnement complexe avant son achèvement. ## Commencer par une zone de chantier à forte valeur Commencez par une zone clairement délimitée, validez la qualité des données, les usages terrain et les preuves, puis étendez à d’autres actifs, équipes ou sites. ## Relier intention de conception, chantier et transfert - [FactVerse](/products/factverse) — plateforme de contexte de jumeau numérique - [FactVerse Designer](/products/designer) — conception de scènes et simulation - [DataMesh One](/products/director) — diffusion terrain mobile et AR/MR - [Inspector](/products/inspector) — inspections, ordres de travail et preuves --- ## [SOLUTIONS] green-transformation ## Piloter l’énergie comme un processus opérationnel La performance énergétique évolue avec l’état des équipements, les calendriers, les contrôles, la météo, l’occupation, la qualité de la maintenance et l’usage des espaces. Un programme énergétique efficace relie ces facteurs aux équipes et aux interventions nécessaires pour les améliorer. DataMesh rassemble BMS, compteurs, IoT, historiens, BIM ou IFC, dossiers de maintenance et ordres de travail dans un jumeau numérique opérationnel. Les équipes des installations et de l’ingénierie peuvent établir des références, analyser les consommations anormales, comparer des scénarios ciblés, exécuter les actions correctives et conserver les preuves obtenues. ## Construire un contexte énergétique et immobilier traçable [Data Fusion Services](/products/dfs) connecte les systèmes de contrôle multimarques, compteurs, capteurs, bases de données et applications d’entreprise. [FactVerse](/products/factverse) rattache les données aux sites, espaces, systèmes, équipements et relations opérationnelles. Inspector peut utiliser une sémantique alignée sur Brick Schema pour les bâtiments, étages, zones, équipements, compteurs, capteurs et points de contrôle. Cette structure commune aide les équipes à relier une exception énergétique, une donnée d’analyse ou un dossier d’évaluation à l’actif et aux données sources concernés. ## Identifier les conditions opérationnelles à l’origine de la consommation L’analyse énergétique peut associer charge, météo, occupation, horaires, consignes, état des équipements, alarmes et historique de maintenance. Les équipes examinent les périodes de forte charge, la dérive des contrôles, le chauffage et le refroidissement simultanés, la dégradation des équipements, les horaires inadaptés et les comportements intersystèmes. [FactVerse AI Agent](/products/factverse-ai-agent) peut assister l’examen des tendances et l’interprétation des anomalies à partir du contexte disponible. Les ingénieurs valident les données, la méthode, les hypothèses et l’action recommandée pour le projet. ## Comparer des scénarios ciblés avec EnergyPlus Lorsqu’une décision exige une analyse énergétique approfondie du bâtiment, les équipes projet peuvent associer données BIM ou IFC, météo, dossiers d’exploitation et modèles basés sur EnergyPlus. La comparaison peut couvrir les calendriers d’exploitation, consignes, changements d’équipement, options d’enveloppe ou hypothèses d’usage des espaces. Le périmètre du modèle, la méthode d’étalonnage, la qualité des entrées et les critères de décision sont définis pour chaque projet. Les résultats intègrent le dossier d’examen utilisé pour hiérarchiser et approuver les travaux d’amélioration. ## Préparer les preuves Green Mark à partir des opérations quotidiennes La démarche Singapore Green Mark s’appuie sur la performance énergétique, l’enveloppe du bâtiment, les informations système, la maintenabilité, les dossiers d’exploitation et les éléments d’évaluation. DataMesh aide à organiser les entrées EUI et d’enveloppe, les relations bâtiment-système, l’historique d’évaluation, les preuves de maintenance et les actions correctives autour du site concerné. Le dossier obtenu facilite la collaboration entre propriétaires, équipes des installations, ingénieurs, consultants désignés et évaluateurs dans le cadre du processus BCA applicable. ## Transformer les opportunités validées en travaux achevés [Inspector](/products/inspector) fait passer une opportunité approuvée par l’inspection, l’affectation, l’ordre de travail, l’exécution terrain, la collecte des preuves et la mesure de suivi. Les équipes voient quelle action a été menée, qui l’a réalisée, quelles preuves ont été recueillies et comment les conditions opérationnelles ont évolué ensuite. ## Commencer par une priorité énergétique mesurable Commencez par un bâtiment, un groupe de systèmes ou un problème opérationnel dont les données sources et les responsabilités sont clairement établies. Déterminez la référence, validez les relations entre actifs et compteurs, étudiez la situation ciblée, exécutez les actions convenues et examinez le résultat avant d’étendre le programme. ## Possibilités offertes par un programme énergétique opérationnel - Une analyse énergétique reliée aux espaces, systèmes, équipements et calendriers d’exploitation - Des preuves cohérentes fondées sur les relations d’actifs et de points alignées sur Brick Schema - Des comparaisons de scénarios appuyées par des modèles EnergyPlus configurés pour le projet - Des dossiers de préparation Green Mark reliés aux opérations quotidiennes des installations - Les actions correctives, preuves terrain et mesures de suivi dans un flux traçable --- ## [SOLUTIONS] Solution intelligente de chauffage urbain > La solution intelligente de chauffage urbain DataMesh associe le module HeatOps de FactVerse AI Agent, Data Fusion Services, les jumeaux numériques FactVerse, Inspector et les systèmes de contrôle existants pour relier prévision, diagnostic réseau, aide à la conduite, ordres de travail et exécution terrain. ## Le chauffage urbain a besoin d'une boucle d'exploitation La difficulté du chauffage urbain vient des informations utiles dispersées entre la production de chaleur, l'hydraulique du réseau, les sous-stations, les bâtiments, les retours usagers, la facturation et les interventions terrain. Les opérateurs doivent savoir où la charge va augmenter, quelle branche se déséquilibre et quelle action améliore le confort tout en réduisant le gaspillage d'énergie. La solution intelligente de chauffage urbain DataMesh relie ces signaux dans un même contexte opérationnel. Le module HeatOps de FactVerse AI Agent assure prévision, diagnostic, recherche de connaissances et recommandations. Data Fusion Services connecte les systèmes existants, FactVerse fournit le jumeau du réseau et Inspector relie les constats aux ordres de travail et aux interventions. ## Un modèle issu de conceptions réelles de modernisation thermique Ce module sectoriel est conçu pour l'exploitation de réseaux multi-sous-stations. Le modèle comprend généralement une couche de capteurs pour température, pression, débit, appoint d'eau, vannes et pompes ; Data Fusion Services pour le contexte des sources, stations, conduites, bâtiments et usagers ; FactVerse AI Agent pour prévision de charge, diagnostic, équilibre hydraulique et analyses énergie-carbone ; une couche d'exécution vers PLC, consignes et interventions ; et une couche d'interaction pour salle de contrôle, management, maintenance et service client. C'est là que le Physical AI devient concret pour le chauffage. Les recommandations combinent données opérationnelles, topologie du réseau, inertie thermique, limites d'équipement, droits de contrôle et procédures de sécurité. Chaque recommandation doit expliquer son origine, son périmètre d'impact et ses conditions d'exécution. ## Voir : sources, réseaux, sous-stations et bâtiments Le module HeatOps place les actifs de chauffage dans des cartes GIS, une topologie réseau et des vues de sous-station. Les équipes consultent état des stations, températures départ-retour, pression différentielle, débit, quantité de chaleur, pompes, vannes, zones de bâtiments, retours de température intérieure, alarmes et ordres de travail. Cette vue correspond mieux à la saison de chauffe qu'une supervision isolée. Si les réclamations augmentent dans une zone éloignée, les équipes peuvent examiner la station amont, la branche, l'état des vannes, les variations de pression et l'historique d'intervention dans le même parcours. ## Calculer : prévision, diagnostic et revue énergie-carbone La prévision de charge montre la courbe de demande avant le changement météo. Le diagnostic combine delta départ-retour, appoint d'eau, variations de pression, rendement des échangeurs, énergie des pompes et retours usagers pour distinguer manque de source, déséquilibre de branche, encrassement, fuite, isolation dégradée ou problème de régulation locale. Côté management, le module structure chaleur, combustible, électricité, pertes et carbone en historique saisonnier afin de vérifier si la stratégie de régulation, les rénovations et la réponse aux incidents améliorent réellement la qualité de service. ## Contrôler : de la recommandation à l'exécution auditée Le contrôle d'un réseau de chaleur progresse par étapes : recommandation de FactVerse AI Agent, validation opérateur, écriture limitée et revue du résultat. Le module HeatOps traite l'ouverture des vannes, la fréquence des pompes et la température de départ dans des limites de sécurité et des flux d'approbation. Cette approche permet d'introduire l'IA dans l'exploitation réelle tout en conservant la maîtrise de la sécurité, des responsabilités et de la conformité. ## Utiliser : connaissance, service et ordres de travail L'exploitation thermique couvre la salle de contrôle, les réclamations, les inspections, les historiques de réparation, les manuels et les plans d'urgence. Le module HeatOps utilise AI Advisor dans FactVerse AI Agent pour retrouver la connaissance opérationnelle, expliquer les alarmes, générer des étapes de vérification, créer des ordres de travail et réinjecter les résultats terrain dans le cycle suivant. ## Commencer par une zone d’exploitation connectée Commencez par un ensemble limité de sous-stations et de zones réseau. Connectez d'abord les données temps réel et la topologie des actifs avec Data Fusion Services, puis validez la vue de station, le diagnostic, la prévision de charge et le flux d'ordres de travail. Étendez ensuite vers l'analyse énergie-carbone, l'équilibre hydraulique et les recommandations de régulation. L'écriture vers PLC ou système de contrôle doit venir après clarification des droits, contraintes de sécurité et exigences d'audit. ## Intelligence réseau et exécution sur une même plateforme - [FactVerse AI Agent](/products/factverse-ai-agent) porte le module sectoriel HeatOps pour prévision, diagnostic, questions-réponses métier et recommandations de régulation - [Data Fusion Services](/products/dfs) connecte SCADA, SIS, mesure, météo, facturation, réclamations et ordres de travail - [FactVerse Platform](/products/factverse) gère le contexte jumeau numérique des sources, réseaux, stations, bâtiments et équipements - [Smart Facility Management](/solutions/smart-building) étend le même modèle aux campus et bâtiments --- ## [SOLUTIONS] Maintenance prédictive > Passez d'une maintenance pilotée par les alarmes à une maintenance prédictive guidée par l'IA grâce aux données industrielles, aux jumeaux numériques et à une exécution en boucle fermée. ## Passer de la maintenance réactive à des décisions vérifiables Le module de maintenance prédictive de FactVerse AI Agent offre aux équipes opérations une boucle de décision au lieu d'un mur d'alarmes. En combinant données industrielles, contexte d'actif, analyse IA et jumeaux numériques, les équipes peuvent comprendre ce qui change, pourquoi cela compte et quelle action entreprendre avant qu'un arrêt ne survienne. ## Signal → Analyse → Validation par le jumeau → Décision 1. **Ingestion des signaux** — Data Fusion Services rassemble flux capteurs, tags historien, enregistrements d'inspection et métadonnées d'équipement. 2. **Analyse IA** — FactVerse AI Agent évalue les schémas de dégradation, les signaux de santé et les tendances d'anomalie. 3. **Validation par le twin** — FactVerse Twin Engine et FactVerse fournissent le contexte spatial et opérationnel nécessaire au diagnostic. 4. **Exécution** — Inspector transforme les résultats validés en ordres de travail, tâches terrain et suivi traçable. ## Validation opérationnelle pour les équipes de maintenance Le module de maintenance prédictive de FactVerse AI Agent combine capteurs fiables, contexte des actifs, analyse IA et revue dans le jumeau pour aider les équipes à évaluer le risque avec davantage de contexte et moins d’hypothèses. - une instrumentation industrielle fiable en edge - un contexte opérationnel multi-source - une analyse de tendance et une évaluation de santé pilotées par l'IA - une visibilité twin pour les décisions de maintenance ## Fenêtres d'alerte plus précoces, moins de faux positifs Les équipes peuvent examiner les signaux émergents dans leur contexte opérationnel, hiérarchiser les bons équipements et passer plus tôt à une maintenance planifiée. ## Une expérience ancrée dans la maintenance industrielle DataMesh et [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) déploient la maintenance prédictive assistée par IA dans des environnements industriels complexes. Les projets menés avec [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) et [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) illustrent aussi la continuité entre savoir de maintenance, exécution terrain et dossiers opérationnels réutilisables. ## Commencer par les équipements critiques et étendre Commencez par une famille d’équipements ou un système technique dont l’impact opérationnel est clair et l’historique suffisant. Une fois la qualité des données et la boucle d’exécution validées, le même modèle peut s’étendre à davantage d’actifs et de sites. ## Produits associés - FactVerse — couche plateforme du contexte opérationnel - FactVerse AI Agent — détection d'anomalies, analyse et aide à la décision - FactVerse Twin Engine — validation twin et contexte d'exécution - Data Fusion Services — connectivité vers capteurs, historiens et systèmes - Inspector — ordres de travail et exécution terrain ## Résultats typiques | Indicateur | Impact | |------|------| | Analyse plus précoce des signaux | Identification et priorisation plus rapides des problèmes émergents | | Arrêts non planifiés | Réduits grâce à des interventions plus précoces et une maintenance planifiée | | Fausses alertes | Réduites grâce à une analyse de tendance et un diagnostic contextualisé | | Exécution maintenance | Transmission plus rapide entre détection et action terrain validée | --- ## [SOLUTIONS] Simulation de processus et planification virtuelle > Utilisez FactVerse Designer pour planifier les layouts, simuler les workflows, comparer les scenarios, anticiper les risques operationnels et valider les comportements physiques. ## Simulation Designer pour Physical AI Process Simulation & Virtual Planning est un workflow FactVerse Designer pour planifier les layouts, modeliser la logique de processus, comparer les scenarios et realiser des essais virtuels. Il aide a verifier les processus d'emballage, les flux matiere, les interactions equipement et les operations avant les changements physiques. ## Usages typiques - valider processus d'emballage et interaction equipement - planifier cellules de production et postes de travail - comparer zones d'entrepot, chemins de picking et zones de staging - realiser une mise en service virtuelle avant changement site - preparer des scenarios Physical AI pour automatisation et robotique ## Produits associes - [FactVerse Designer](/products/designer) - layout, logique de processus et creation de scenarios - [FactVerse](/products/factverse) - plateforme de jumeau numerique - [Data Fusion Services](/products/dfs) - connexion de donnees operationnelles - [FactVerse Twin Engine](/products/factverse-twin-engine) - contexte physique pour validation --- ## [SOLUTIONS] real-time-monitoring ## Transformer les données en direct en vue opérationnelle Les installations produisent déjà des informations en direct par leurs systèmes de contrôle, capteurs, compteurs, bases de données et plateformes de service. Les opérateurs doivent encore déterminer où un changement s’est produit, quels actifs et espaces il affecte, s’il s’inscrit dans un phénomène plus large et qui doit piloter la réponse. DataMesh relie les informations actuelles et historiques aux équipements, espaces, systèmes et dossiers d’intervention représentés dans un jumeau numérique opérationnel. Opérateurs en salle de contrôle, ingénieurs, planificateurs de maintenance et techniciens terrain coordonnent leurs actions à partir du même contexte tout en conservant leurs systèmes sources établis. ## Donner à chaque signal un contexte d’actif et de système [Data Fusion Services](/products/dfs) connecte BMS, SCADA, PLC, IoT, compteurs, historiens, bases de données et applications d’entreprise. [FactVerse](/products/factverse) rattache chaque signal au site, à l’espace, à l’actif, à la relation système et à l’objet du jumeau numérique concernés. Ce contexte permet de passer d’un tag ou d’un code d’alarme à l’équipement physique, à la zone touchée, aux capteurs associés, aux systèmes amont et aval, aux opérations de maintenance récentes et aux tâches en cours. ## Examiner les changements associés avant d’intervenir Une exception opérationnelle peut concerner plusieurs alarmes, une modification récente de consigne, la météo, la charge, une intervention de maintenance ou un composant qui se dégrade. DataMesh réunit ces signaux et dossiers pour examen. Les tendances historiques et plages attendues aident les équipes à distinguer un bruit isolé d’une situation à analyser. [FactVerse AI Agent](/products/factverse-ai-agent) peut assister l’interprétation des tendances et l’analyse d’événements associés lorsque le site dispose de données et d’un contexte opérationnel suffisants. ## Coordonner la réponse et conserver le résultat Les situations confirmées peuvent déclencher des inspections et ordres de travail dans [Inspector](/products/inspector) ou se synchroniser avec un CMMS existant. Le dossier de réponse conserve le signal initial, la personne chargée de l’examen, la priorité, l’équipe affectée, les preuves terrain, les notes d’achèvement et les actions de suivi. Cet historique donne aux responsables une meilleure visibilité sur les situations récurrentes, la qualité des réponses, les niveaux de service et les possibilités de maintenance prédictive. ## Servir les rôles d’un actif à plusieurs sites Les opérateurs peuvent avoir besoin des alarmes actuelles et de la topologie du système. Les ingénieurs consultent tendances et dépendances. Les équipes terrain ont besoin de l’emplacement, de l’historique et des procédures. Les responsables de portefeuille recherchent des comparaisons de sites et l’état des tâches ouvertes. Les vues par rôle exploitent le même contexte opérationnel et les mêmes actifs, tout en s’adaptant à chaque mission. ## Commencer par un système critique pour la réponse Une première phase pragmatique peut cibler HVAC, distribution électrique, eau glacée, utilité de salle blanche, salle de data center ou tout autre système pour lequel des informations fragmentées ralentissent la réponse. Connectez les données requises, relations entre actifs, règles d’alarme, rôles opérationnels et transfert vers les ordres de travail, puis étendez le périmètre lorsque les équipes font confiance à la vue commune. ## Bénéfices d’une supervision connectée - Une compréhension plus rapide du lieu d’un changement et de ses effets - Une meilleure hiérarchisation grâce au contexte des actifs, tendances, dépendances et services - Un transfert plus clair de l’examen en salle de contrôle à l’exécution terrain - Un état opérationnel partagé entre ingénierie, maintenance, services et management - Un historique réutilisable pour la maintenance prédictive et les opérations assistées par l’IA --- ## [SOLUTIONS] smart-building ## Une même vision opérationnelle pour toutes les équipes Les bâtiments produisent des données via BIM, BMS, compteurs, IoT, plateformes de maintenance, documents et interventions. DataMesh maintient ces informations reliées lorsqu'une alarme survient, qu'un technicien intervient ou que la direction évalue plusieurs sites. Propriétaires, ingénieurs, prestataires et techniciens voient ce qui s'est passé, les actifs concernés, les actions en cours et les preuves conservées après résolution. ## Connecter les systèmes qui exploitent déjà le bâtiment [Data Fusion Services](/products/dfs) connecte contrôles, capteurs, compteurs, bases de données et applications par protocoles standard et API. [FactVerse](/products/factverse) associe ces informations aux espaces, actifs, systèmes et relations du jumeau numérique opérationnel. Les BMS, CMMS, EAM et plateformes de service existants restent intégrés au fonctionnement. ## Transformer les signaux en actions traçables 1. **Comprendre** — Situer l'alarme, le constat ou l'écart énergétique dans son contexte spatial et technique 2. **Décider** — Examiner signaux, historique, documents, dépendances et priorités 3. **Agir** — Créer ou synchroniser l'ordre de travail et fournir la procédure via [Inspector](/products/inspector) 4. **Vérifier** — Conserver photos, mesures, compte rendu, validation et suivi [FactVerse AI Agent](/products/factverse-ai-agent) peut assister l'analyse des tendances, anomalies et priorités lorsque les données et procédures sont prêtes. Les décisions opérationnelles restent sous la responsabilité des équipes. ## Réutiliser les données du bâtiment Les relations alignées sur Brick Schema dans Inspector fournissent un contexte commun pour bâtiments, zones, équipements, compteurs, capteurs et points. Les mêmes enregistrements alimentent ainsi supervision, maintenance, énergie, conformité et futurs workflows assistés par IA. ## Relier énergie et Green Mark aux opérations DataMesh met en relation état des équipements, horaires, contrôles, maintenance et usage des espaces. Les équipes analysent EUI et profils de charge, traitent les écarts et conservent les preuves. Pour Green Mark à Singapour, ce dossier soutient la préparation continue avec les consultants désignés. BIM ou IFC, météo, historique d'exploitation et modèles EnergyPlus permettent d'approfondir les scénarios lorsque nécessaire. ## Commencer par une priorité claire Une première phase peut cibler un système critique, un flux alarme-ordre de travail, une zone énergivore ou un groupe d'équipements à incidents récurrents. Après validation des données, intégrations, usages et indicateurs, la solution s'étend à d'autres systèmes, bâtiments et sites. ## Les atouts de DataMesh - Contexte commun pour espaces, actifs, systèmes, données et travail - Continuité entre visualisation, inspection, procédure, ordre de travail et preuve - Intégration ouverte par protocoles industriels et API - Base évolutive pour supervision, maintenance, énergie, formation et opérations assistées par IA --- ## [SOLUTIONS] Formation et développement des compétences > Préparez les équipes aux équipements et procédures réels grâce à des contenus 3D guidés, à la pratique dans le jumeau numérique et à un parcours clair vers le travail terrain supervisé. ## Préparer les équipes au travail réel La formation industrielle doit concilier accès limité aux équipements, disponibilité des formateurs, règles de sécurité, évolution des procédures et pratique supervisée. DataMesh relie contenus 3D guidés, contexte du jumeau numérique, simulation d’équipements et workflows terrain dans un parcours allant de l’explication à la pratique puis à l’exécution. ## Un parcours de formation avec des outils spécialisés [Director](/products/director) crée les consignes 3D approuvées. DataMesh One diffuse les contenus pour l’autoformation, le cours et les appareils spatiaux pris en charge. [Simulator](/products/simulator) fournit une pratique physique avec commandes et scénarios configurés. [Inspector](/products/inspector) et [Checklist](/products/checklist) conservent les tâches supervisées et leurs preuves. ## Du savoir expert à l’exécution supervisée Les équipes définissent le rôle, les tâches critiques et les critères d’évaluation, capturent le savoir dans Director et choisissent la pratique guidée ou Simulator. Les observations du terrain supervisé alimentent ensuite la mise à jour des contenus et scénarios. ## Formation guidée et Simulator sur le terrain Les références publiques de [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency), [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) et [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) illustrent les parcours guidés. Simulator couvre notamment grues à tour, chariots élévateurs, foreuses rotatives, foreuses de tubage profond et excavatrices. ## Intégrer sécurité et qualification Politiques de formation, supervision qualifiée, autorisations de tâche, exigences réglementaires, évaluations sur équipement et certification formelle sont intégrées dès la conception du programme. DataMesh apporte contenus, pratique répétable, données d’évaluation et preuves. ## Mesurer la préparation au travail réel Les équipes formation mesurent la compréhension des équipements et séquences, les erreurs détectées avant le terrain, la facilité de mise à jour des contenus et l’adéquation des appareils ou configurations Simulator. --- ## [SOLUTIONS] visualization ## Rendre les opérations complexes compréhensibles dans l’espace Installations, usines, campus et infrastructures sont des systèmes spatiaux. L’emplacement des équipements, les dépendances entre systèmes, les voies d’accès, les flux de processus, les zones de travail et les risques opérationnels sont difficiles à appréhender dans des tableaux et des tableaux de bord isolés. La visualisation du jumeau numérique opérationnel rassemble modèles, actifs, données en direct, documents et dossiers d’intervention dans un même contexte spatial. Ingénierie, opérations, équipes terrain, direction et parties prenantes externes peuvent examiner le même environnement selon les besoins de leur activité. ## Constituer un référentiel géré de modèles BIM, CAD, GIS, nuages de points et modèles d’équipements entrent dans la plateforme comme actifs gérés. Versions, géométries de composants, coordonnées et références externes sont préservées afin que le contenu reste maintenable au-delà d’une présentation ponctuelle. [FactVerse](/products/factverse) relie les composants des modèles à des identités de jumeau stables, aux espaces, systèmes, capteurs, documents et dossiers d’intervention. Cette relation donne un sens opérationnel à chaque objet visible et permet de réutiliser le même actif dans plusieurs applications. ## Composer la vue adaptée à chaque workflow [FactVerse Designer](/products/designer) permet aux équipes d’organiser actifs, points de vue, libellés, panneaux de données, animations et logique d’interaction. [Data Fusion Services](/products/dfs) connecte les informations opérationnelles actuelles et historiques. Le résultat peut servir une vue de salle de contrôle, une inspection d’équipement, une scène de formation, une revue de chantier, une présentation client ou un workflow terrain. Lorsque les installations évoluent, les équipes actualisent le jumeau et les relations entre modèles, puis réutilisent ce contexte gouverné dans de nouvelles expériences. ## Relier les personnes et les applications au même jumeau Les vues web et grands écrans apportent de la visibilité opérationnelle. [Inspector](/products/inspector) exploite le contexte spatial et celui des actifs pour l’inspection et la maintenance. DataMesh One diffuse les contenus 3D approuvés sur les appareils terrain pris en charge. Omniverse et d’autres environnements de projet peuvent recevoir les scènes préparées et leurs métadonnées par le canal d’intégration approprié. Ce socle commun réduit la préparation répétée des modèles et maintient une identité d’actif cohérente de la revue d’ingénierie aux opérations quotidiennes. ## Préparer le contexte spatial pour Physical AI Simulation, robotique, génération de données synthétiques et agents IA exigent des géométries, unités, coordonnées, identités de composants, relations système, états opérationnels et contextes de tâche cohérents. FactVerse fournit la couche gérée de jumeaux et d’actifs utilisée pour préparer ce contexte. Les workflows de projet peuvent ensuite transmettre scènes et métadonnées à Omniverse, Isaac, PhysX, Newton, aux middlewares robotiques ou à d’autres environnements approuvés pour le rendu, la simulation et la validation. ## Une expérience acquise dans des projets complexes DataMesh a appliqué les jumeaux numériques et la réalité mixte avec [JTC](/about/news/collaboration-between-jtc-datamesh), soutenu les workflows de construction avec [Obayashi](/about/news/digital-twin-empowers-bim-obayashi), livré avec Toda une simulation de construction pour [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) et participé à l’expérience de jumeau numérique [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq). ## Commencer par une vue opérationnelle réutilisable Choisissez une installation ou un workflow pour lequel le contexte spatial résout un problème de coordination précis. Définissez le périmètre du modèle, la correspondance des objets, les conventions de coordonnées, le niveau de détail, les responsabilités, les liaisons de données et le processus de mise à jour. Lorsque les équipes savent maintenir et réutiliser ce socle, étendez-le à la supervision, l’inspection, la simulation, la formation et aux workflows Physical AI. ## Possibilités offertes par un jumeau réutilisable - Une compréhension plus rapide des actifs, relations, itinéraires et impacts opérationnels - Un contexte spatial commun à l’ingénierie, aux opérations, au terrain et aux revues des parties prenantes - La réutilisation des modèles pour la supervision, la maintenance, la formation et la simulation - Une préparation cohérente des scènes pour les workflows Physical AI et robotiques - Moins d’efforts de préparation répétés lors de l’introduction de nouvelles applications --- ## [SOLUTIONS] workflow-digitization ## Un même flux de maintenance pour tous les systèmes et prestataires Les grands sites exploitent souvent plusieurs environnements de maintenance en parallèle. Bâtiments, prestataires, groupes d’équipements ou régions peuvent utiliser différents systèmes informatisés de gestion de maintenance. Les demandes terrain arrivent par d’autres canaux, tandis que les alarmes, données d’actifs, procédures et stocks résident ailleurs. DataMesh crée une couche opérationnelle commune à cet environnement. Chaque CMMS aval continue de gérer les interventions dont il a la charge. Les équipes disposent parallèlement d’une vue cohérente de la demande, des priorités, du contexte des actifs, des affectations, de la synchronisation et des preuves d’achèvement. ## Recueillir la demande avec le contexte nécessaire au triage Les demandes d’intervention peuvent provenir des équipes terrain, portails, e-mails, alarmes et interactions en langage naturel. Elles conservent, lorsqu’ils sont disponibles, le demandeur, l’équipement, l’emplacement, la criticité, la description, les photos, les notes vocales et la géolocalisation. Les responsables peuvent examiner et hiérarchiser la demande, la convertir en ordre de travail ou la rejeter en précisant le motif. La maintenance dispose ainsi d’un processus d’entrée contrôlé avant le passage dans la file d’exécution. ## Coordonner les interventions entre fournisseurs de CMMS [Data Fusion Services](/products/dfs) relie les plateformes de maintenance au moyen d’API, d’adaptateurs, de webhooks, de bases de données, de messages ou d’interfaces de fichiers propres au projet. Les correspondances d’actifs identifient le même équipement dans plusieurs systèmes. Les vues d’ordres de travail intersystèmes préservent la plateforme source, la référence externe, le prestataire responsable et l’état de synchronisation. Ce modèle opérationnel s’adresse aux portefeuilles qui conservent leurs systèmes aval. DataMesh centralise la coordination et la visibilité sans imposer un système transactionnel unique à tous les bâtiments ou prestataires. ## Planifier ensemble les ressources, la maintenance préventive et les pièces [Inspector](/products/inspector) prend en charge le cycle de vie de l’ordre de travail, de l’affectation à l’achèvement. Les interventions peuvent être confiées à des techniciens internes, des prestataires ou des équipes. Les plans de maintenance préventive peuvent générer des ordres récurrents, tandis que les données de pièces et de stocks permettent de confirmer la disponibilité et d’enregistrer la consommation. Les responsables peuvent examiner les interventions ouvertes, la maintenance préventive en retard, les écarts de niveau de service, le carnet de travaux et les tendances de maintenance dans le même contexte opérationnel. ## Donner aux équipes terrain des consignes exécutables [Checklist](/products/checklist) structure les contrôles et preuves obligatoires. [Director](/products/director) diffuse des procédures guidées lorsque la structure de l’équipement ou l’instruction spatiale est déterminante. Inspector maintient la tâche reliée au bon actif, à l’emplacement, à l’alarme, à l’historique de maintenance, aux documents, photos, relevés, approbations et notes de clôture. Le dossier obtenu facilite les relèves, la revue des prestataires, la préparation des audits et l’amélioration continue des interventions récurrentes. ## Intégrer l’assistance IA aux processus qui s’y prêtent [FactVerse AI Agent](/products/factverse-ai-agent) peut contribuer à l’interprétation des demandes, à l’examen du contexte des alarmes et des actifs, à la hiérarchisation des interventions, à la recherche de connaissances et à la préparation d’actions recommandées. Les rôles, étapes d’approbation, autorisations et contrôles d’exécution configurés déterminent l’entrée de chaque recommandation dans le workflow opérationnel. ## Commencer par un workflow intersystème Une première phase ciblée peut relier un prestataire, un canal de demande et un groupe d’équipements critiques. Validez les correspondances d’actifs, la synchronisation, l’affectation, les dossiers terrain et la visibilité managériale avant d’étendre le dispositif à d’autres fournisseurs de CMMS, sites, programmes de maintenance préventive et processus de stock. ## Bénéfices d’une exécution connectée - Une vue commune de la demande de maintenance et des responsabilités entre systèmes et prestataires - Un passage plus rapide de la demande ou de l’alarme à l’intervention affectée - Une meilleure coordination des techniciens, équipes, opérations préventives et pièces - Une synchronisation et des preuves d’achèvement traçables entre organisations - Un historique opérationnel plus cohérent pour l’analyse, l’assistance IA et l’amélioration des processus --- ## [SOLUTIONS] green-transformation ## Manage energy as an operating process Energy performance changes with equipment condition, schedules, controls, weather, occupancy, maintenance quality, and how spaces are used. A useful energy program connects those factors to the teams and work required to improve them. DataMesh brings BMS, meters, IoT, historians, BIM or IFC, maintenance records, and work orders into an operational digital twin. Facility and engineering teams can establish baselines, investigate abnormal consumption, compare selected scenarios, execute corrective work, and retain the resulting evidence. ## Build a traceable energy and facility context [Data Fusion Services](/products/dfs) connects multi-vendor control systems, meters, sensors, databases, and enterprise applications. [FactVerse](/products/factverse) maps the data to sites, spaces, systems, equipment, and operating relationships. Inspector can use Brick Schema-aligned semantics for buildings, floors, zones, equipment, meters, sensors, and control points. This shared structure helps teams trace an energy exception, analysis input, or assessment record to the relevant asset and source data. ## Find the operating conditions behind consumption Energy review can combine load, weather, occupancy, schedules, setpoints, equipment status, alarms, and maintenance history. Teams can examine high-load periods, drifting controls, simultaneous heating and cooling, equipment degradation, schedule mismatch, and cross-system behavior. [FactVerse AI Agent](/products/factverse-ai-agent) can assist with trend review and anomaly interpretation using the available facility context. Engineers validate the data, method, assumptions, and recommended action for the project. ## Compare selected scenarios with EnergyPlus When a decision needs deeper building-energy analysis, project teams can combine BIM or IFC data, weather, operating records, and EnergyPlus-based models. Scenario comparison may cover operating schedules, setpoints, equipment changes, envelope options, or space-use assumptions. The model scope, calibration approach, input quality, and decision criteria are defined for each project. Results become part of the review record used to prioritize and approve improvement work. ## Prepare Green Mark evidence from daily operations Singapore Green Mark work draws on energy performance, building envelope, system information, maintainability, operating records, and assessment material. DataMesh helps teams organize EUI and envelope inputs, building and system relationships, assessment history, maintenance evidence, and corrective actions around the relevant site. The resulting record supports collaboration among owners, facility teams, engineers, appointed consultants, and assessors through the applicable BCA process. ## Turn validated opportunities into completed work [Inspector](/products/inspector) carries an approved opportunity into inspection, assignment, work order, field execution, evidence capture, and follow-up measurement. Teams can see which action was taken, who completed it, what evidence was collected, and how operating conditions changed afterward. ## Start with a measurable energy priority Begin with one building, system group, or operating problem where source data and ownership are clear. Establish the baseline, validate asset and meter relationships, investigate the selected condition, execute agreed actions, and review the result before extending the program. ## What an operational energy program enables - Energy analysis connected to spaces, systems, equipment, and operating schedules - Consistent evidence built from Brick-aligned asset and point relationships - Scenario comparison supported by project-configured EnergyPlus models - Green Mark preparation records linked to daily facility operations - Corrective work, field evidence, and follow-up measurement in one traceable flow --- ## [SOLUTIONS] Smart District Heating > Connect measured network operations, calibrated hydraulic and thermal models, operator review, and field execution for imbalance, weather, preheating, and resilience decisions. ## Heating networks pay for delayed understanding District heating operators balance service continuity, energy use, network constraints, weather variation, equipment condition, and customer comfort across a system that responds over time. Data often arrives through separate control, meter, weather, billing, customer-service, and maintenance systems. By the time a pattern becomes clear, teams may already be responding to complaints, local imbalance, repeated alarms, or avoidable field work. DataMesh Smart District Heating connects those signals to heat sources, network branches, substations, buildings, equipment, and work history. Operators can review what changed, where the impact is propagating, which assumptions support a recommendation, and what action requires approval. ## One solution across operations and planning The solution combines two complementary layers: - **Daily operations** connect network context, demand forecasting, anomaly diagnosis, operator review, work orders, and controlled execution - **Project-enabled planning** calibrates hydraulic and thermal models with measured data, then compares imbalance, weather, load, preheating, and resilience scenarios Smart District Heating is the customer-facing solution. HeatOps provides district-heating intelligence within FactVerse AI Agent, while the wider DataMesh platform connects data, network semantics, operational review, and field execution. ## Build a measured operating context Data Fusion Services connects selected supervisory control and data acquisition systems, meters, historians, weather services, billing, customer feedback, and maintenance platforms. FactVerse relates each signal to heat sources, pipelines, substations, pumps, valves, heat exchangers, building zones, and responsible teams. This operating context lets teams move from a temperature, pressure, flow, makeup-water, or heat-quantity change to the affected network branch, related equipment, current alarms, recent work, and customer impact. FactVerse AI Agent supports investigation and recommendation workflows, while Inspector coordinates approved field actions and closure evidence. ## Calibrate network physics with operating evidence Project-enabled hydraulic and thermal analysis uses a graph-based network model shaped by topology, pipe and station parameters, building response, and measured operating data. Hydraulic calculations compare flow and pressure behavior. Thermal calculations represent network heat transport, losses, station exchange, and aggregated building response at the level required for the decision. Calibration estimates selected resistance, heat-transfer, and thermal-response parameters from measured time series. The project team reviews data coverage, residuals, conservation checks, model assumptions, and customer-approved limits. This separates exploratory comparisons from models prepared for site-specific planning. ## Prepare for imbalance, weather, and resilience decisions A calibrated project workflow can compare questions that are difficult to answer from dashboards alone: - which branches or buildings remain underserved under a selected load condition - how balancing changes affect flow, pressure, supply temperature, and building response - how severe-weather scenarios change demand and thermal recovery requirements - when a reviewed preheating strategy may provide additional operating margin - how selected pump, valve, station, or heat-source constraints affect resilience options - which assumptions and measurements most influence the recommended next action Scenario results are presented with their inputs, limits, residual evidence, and review status. Absolute site conclusions require the telemetry and calibration scope agreed for the project. ## Carry findings into approved action Forecasts and model comparisons become useful when teams can act on them. FactVerse AI Agent can prepare a recommendation with the affected scope and supporting evidence. Operators review the proposal against current conditions and operating rules. Inspector can then create inspections, maintenance tasks, balancing work, insulation repair, or verification activities. Where a project enables controlled writeback, permissions, human approval, rate limits, physical constraints, rollback behavior, and audit records govern every action. Teams can review the observed result before extending the control scope. ## Make evidence and uncertainty visible Each planning study should state the model version, data window, topology version, calibrated parameters, residuals, scenario inputs, operating limits, and named reviewers. Missing telemetry, unverified topology, sparse indoor measurements, or limited weather coverage reduce the conclusions that can be drawn. This evidence structure helps operators compare alternatives without turning an illustrative model into an absolute promise. Recalibration triggers can be tied to network changes, equipment replacement, new instrumentation, or sustained residual drift. ## Start with one connected operating zone A practical first phase covers a defined group of substations and buildings with verified topology, core pressure, flow, temperature, heat, and weather data, and one decision to improve. The team can begin with forecasting, imbalance diagnosis, or severe-weather planning, then validate the work-order and approval path before expanding. The evaluation measures whether teams can trust the connected data, explain network behavior more clearly, compare scenarios with reviewable evidence, and carry an approved action through execution and verification. ## A coordinated platform from network data to field work Data Fusion Services provides governed connectivity. FactVerse supplies the network and asset context. FactVerse AI Agent hosts the HeatOps industry module for forecasting, diagnosis, knowledge assistance, and recommendations. Inspector manages approved work and evidence. Existing control and business systems continue to provide the authoritative operational services selected for the deployment. [Discuss a Smart District Heating evaluation](/contact-us/) --- ## [SOLUTIONS] Gestione del flusso di traffico > Coordina flussi di passeggeri, veicoli e merci in checkpoint, porti e hub di trasporto con TrafficOps, digital twin e supporto decisionale assistito dall’IA. ## Una vista operativa comune per flussi, asset e risposta Domanda, disponibilità delle corsie, stato delle apparecchiature, condizioni facility e risorse sul campo determinano insieme le prestazioni di checkpoint e terminal. La gestione dei flussi combina il modulo TrafficOps con FactVerse AI Agent per individuare prima la pressione operativa e coordinare le azioni in una vista condivisa. ## Ciclo decisionale con digital twin e IA 1. **Collegare i segnali** — Data Fusion Services riunisce dati di corsia, contatori, misure delle code, stato degli asset, allarmi e sistemi facility. 2. **Analizzare la pressione operativa** — TrafficOps e FactVerse AI Agent rilevano trend di flusso, colli di bottiglia, incidenti e condizioni anomale. 3. **Valutare le opzioni nel contesto** — FactVerse e Twin Engine mostrano l’impatto su corsie, personale, infrastruttura e processi a valle. 4. **Eseguire e registrare** — Le azioni approvate passano dai sistemi esistenti e alimentano un registro operativo tracciabile. ## Scenari operativi - anticipare picchi di arrivo e pressione sulle code - pianificare corsie e risorse con contesto di traffico e asset - coordinare incidenti tra operations, facility e apparecchiature - allineare la manutenzione ai periodi di minore traffico - conservare decisioni e risultati per review e miglioramento del servizio ## Dal monitoraggio alla decisione coordinata | Operations tradizionali | Gestione dei flussi | |---|---| | La coda è visibile dopo la formazione | Pressione e picchi emergono prima | | Pianificazione separata delle corsie | Contesto comune per corsie, team e asset | | Allarmi isolati | Analisi trasversale degli incidenti | | Manutenzione a calendario | Manutenzione allineata alle finestre di traffico | ## Per infrastrutture di trasporto critiche L’esperienza DataMesh nella formazione per la sicurezza infrastrutturale e nei digital twin di siti complessi crea una base per asset affidabili, procedure chiare e risposta sul campo coordinata. TrafficOps aggiunge flussi di passeggeri, veicoli e merci, congestione, incidenti, risorse, stato degli asset e tracciabilità decisionale. ## Prodotti correlati - [FactVerse](/products/factverse) — contesto spaziale e operativo condiviso - [FactVerse AI Agent](/products/factverse-ai-agent) — analisi e supporto decisionale - [FactVerse Twin Engine](/products/factverse-twin-engine) — valutazione delle opzioni nel contesto twin - [Data Fusion Services](/products/dfs) — connessione di dati di corsia, sensori, facility e operations --- ## [SOLUTIONS] Operazioni di data center > Collega asset facility, misure energetiche, ispezioni, manutenzione e dati infrastrutturali in un digital twin per le operations del data center. ## Perché serve Operazioni di data center I team data center hanno bisogno di una vista affidabile e condivisa su asset, energia, allarmi, ispezioni e manutenzione. Il modulo DCOps collega questi registri operativi per rendere più semplici comprensione, ispezione, manutenzione e reporting su più siti. ## Ciclo operativo digital twin 1. **Collegare dati facility e contesto asset** — Data Fusion Services unisce BMS per la gestione edificio, EPMS per il monitoraggio elettrico, DCIM per l'infrastruttura data center, contatori, allarmi, contesto rack, metadati e storico manutentivo. 2. **Organizzare il sito come twin** — FactVerse mappa sale, rack, percorsi elettrici, zone di raffreddamento, asset, sensori e responsabilità in un modello spaziale. 3. **Calcolare e rivedere le operations** — I team rivedono indicatori energetici, stato asset, contesto allarmi, risultati ispettivi e storico manutentivo per sito, sala, asset e sistema. 4. **Eseguire e conservare evidenze** — Inspector e workflow work order trasformano problemi confermati in task sul campo, registri riparazione, note di review ed evidenze tracciabili. ## Per cosa i team usano Operazioni di data center - visualizzazione digital twin per data center multi-sito - registro asset facility e contesto rack/equipment - calcolo energetico, verifica contatori e reporting trend operativi - percorsi ispettivi, attività manutentive, riparazioni e handoff work order - indagine allarmi con posizione asset, relazioni equipment e storico servizio ## Come estende i workflow infrastrutturali esistenti | DCIM tradizionale | Operazioni di data center | |---|---| | Dashboard di monitoraggio | Contesto facility spaziale condiviso da operations, ispezione e manutenzione | | Registri asset separati | Sale, rack, asset e responsabilità organizzati nel digital twin | | Energia rivista in isolamento | Calcolo energetico e trend collegati ad asset, sale e siti | | Allarmi senza contesto campo | Storico allarmi, ispezioni, riparazioni e work order attorno all'asset | | Asset health rivista in strumenti separati | Allarmi, trend, storico manutentivo e attività collegati a ogni asset | ## Valore operativo tipico I team validano il valore operativo con un pilota mirato: maggiore visibilità, esecuzione più coerente, registri più puliti, passaggi di consegne più rapidi e migliori evidenze decisionali. L’impatto dipende da ambito del sito, maturità dei dati, processi e profondità del rollout. ## Esperienza nelle operations data center multi-sito DataMesh ha fornito sistemi digital twin su più data center internazionali per un operatore di telecomunicazioni. Le pubblicazioni su [IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center), [digital twin per siti complessi](/about/news/collaboration-between-jtc-datamesh) e [manutenzione predittiva industriale](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostrano la base di prodotto associata. ## Prodotti correlati - FactVerse — workspace twin e contesto operativo - Data Fusion Services — connettività tra gestione edificio, monitoraggio elettrico, infrastruttura data center, contatori e sistemi di supporto - Inspector — ispezione, manutenzione, contesto work order ed evidenze sul campo - FactVerse AI Agent — revisione asset health, analisi anomalie e supporto alla conoscenza operativa --- ## [SOLUTIONS] Operazioni facility per semiconduttori > Collega condizioni cleanroom, utility, allarmi, manutenzione, analisi assistita dall’AI e ordini Inspector in un unico ciclo operativo. ## AI per il lato facility Semiconductor Facility AI combina Data Fusion Services, FactVerse, FactVerse AI Agent e Inspector per aiutare i team facility a rilevare derive, prioritizzare manutenzione e chiudere il ciclo dal rilievo al lavoro verificato. ## Usi - rilevamento e risposta a derive cleanroom - monitoraggio HVAC, acqua refrigerata, CDA, vacuum ed exhaust - priorita manutenzione per asset facility - triage allarmi con contesto operativo - work order Inspector e verifica ## Un ciclo operativo dal segnale alla chiusura Data Fusion Services collega dati cleanroom, utility e manutenzione. FactVerse li associa a zone e asset, FactVerse AI Agent assiste l’analisi e Inspector porta i risultati validati sul campo. ## Iniziare dai sistemi facility critici Un primo ambito può coprire ambiente cleanroom, acqua refrigerata, aria compressa, vuoto o aspirazione, poi estendersi dopo la validazione di dati, allarmi e workflow. --- ## [SOLUTIONS] Supporto esperto tra siti > Condividi vista del tecnico, contesto dell’asset e risultati per una diagnosi comune. ## Portare l’intelligenza digitale nel punto fisico di lavoro DataMesh trasforma ispezioni AR, troubleshooting e ordini di lavoro collegati agli asset in una capacità operativa eseguibile. Modelli, dati, conoscenza e lavoro sul campo sono collegati nello stesso digital twin. ## Conoscenza esperta disponibile ovunque Il punto di partenza sono modelli BIM/CAD, dati di sistema, sensori, ordini di lavoro e documenti. Data Fusion Services connette le fonti; FactVerse le collega a spazi, asset, sistemi e processi per supportare ispezioni AR, troubleshooting e ordini di lavoro collegati agli asset. ## Dati di ispezione acquisiti davvero Il passaggio chiave è dalla visibilità all’azione. Inspector, Director, DataMesh One e FactVerse AI Agent trasformano segnali in controlli, istruzioni, ordini di lavoro e prove. ## Un ambiente comune per l’esecuzione sul campo - [Director](/products/director) — authoring di procedure 3D guidate - [DataMesh One](/products/director) — delivery mobile e AR/MR sul campo - [Inspector](/products/inspector) — ispezioni, ordini di lavoro e prove - [FactVerse](/products/factverse) — piattaforma per il contesto digital twin --- ## [SOLUTIONS] Briefing di progetto tra team > Confronta il lavoro con il progetto e conserva scostamenti, omissioni, interferenze e correzioni. ## Portare il contesto spaziale eseguibile in cantiere DataMesh trasforma guida in cantiere basata su BIM, sequenze di installazione e passaggio alle operations in una capacità operativa eseguibile. Modelli, dati, conoscenza e lavoro sul campo sono collegati nello stesso digital twin. ## Dal modello di progetto all’esecuzione in cantiere Il punto di partenza sono modelli BIM/CAD, dati di sistema, sensori, ordini di lavoro e documenti. Data Fusion Services connette le fonti; FactVerse le collega a spazi, asset, sistemi e processi per supportare guida in cantiere basata su BIM, sequenze di installazione e passaggio alle operations. ## Dove il valore è maggiore Il passaggio chiave è dalla visibilità all’azione. Inspector, Director, DataMesh One e FactVerse AI Agent trasformano segnali in controlli, istruzioni, ordini di lavoro e prove. Construction Guidance è particolarmente utile per installazioni MEP, locali tecnici, piani in ristrutturazione, opere nascoste e handover. I riferimenti pubblici includono JTC, Obayashi, Toda e la simulazione SAGA Arena. ## Portare le registrazioni di costruzione nelle operations Il passaggio chiave è dalla visibilità all’azione. Inspector, Director, DataMesh One e FactVerse AI Agent trasformano segnali in controlli, istruzioni, ordini di lavoro e prove. ## Esperienza in progetti di costruzione complessi DataMesh ha applicato BIM, digital twin e mixed reality con [JTC](/about/news/collaboration-between-jtc-datamesh), supportato workflow di costruzione con [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) e realizzato con Toda la simulazione per la [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena). [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) ha inoltre mostrato come un’esperienza spaziale aiuti gli stakeholder a comprendere un ambiente futuro complesso prima del completamento. ## Iniziare da una zona di cantiere ad alto valore Iniziate con un’area definita, validate qualità dati, workflow utente e prove, poi estendete ad altri asset, team o siti. ## Collegare progetto, lavoro in cantiere e consegna - [FactVerse](/products/factverse) — piattaforma per il contesto digital twin - [FactVerse Designer](/products/designer) — progettazione scene e simulazione - [DataMesh One](/products/director) — delivery mobile e AR/MR sul campo - [Inspector](/products/inspector) — ispezioni, ordini di lavoro e prove --- ## [SOLUTIONS] green-transformation ## Gestire l'energia come processo operativo Le prestazioni energetiche cambiano in base alle condizioni delle apparecchiature, ai programmi, ai controlli, al meteo, all'occupazione, alla qualità della manutenzione e all'uso degli spazi. Un programma energetico efficace collega questi fattori ai team e alle attività necessarie per migliorarli. DataMesh riunisce BMS, contatori, IoT, archivi storici, BIM o IFC, registri di manutenzione e ordini di lavoro in un digital twin operativo. I team di facility e ingegneria possono stabilire baseline, analizzare consumi anomali, confrontare scenari selezionati, eseguire interventi correttivi e conservarne le evidenze. ## Creare un contesto energetico e di facility tracciabile [Data Fusion Services](/products/dfs) collega sistemi di controllo multivendor, contatori, sensori, database e applicazioni aziendali. [FactVerse](/products/factverse) associa i dati a siti, spazi, sistemi, apparecchiature e relazioni operative. Inspector può utilizzare una semantica allineata a Brick Schema per edifici, piani, zone, apparecchiature, contatori, sensori e punti di controllo. Questa struttura condivisa aiuta i team a ricondurre un'eccezione energetica, un input di analisi o un registro di valutazione all'asset e ai dati di origine pertinenti. ## Individuare le condizioni operative alla base dei consumi L'analisi energetica può combinare carico, meteo, occupazione, programmi, setpoint, stato delle apparecchiature, allarmi e storico di manutenzione. I team possono esaminare periodi di carico elevato, deriva dei controlli, riscaldamento e raffreddamento simultanei, degrado delle apparecchiature, disallineamenti dei programmi e comportamenti tra sistemi. [FactVerse AI Agent](/products/factverse-ai-agent) può supportare l'analisi delle tendenze e l'interpretazione delle anomalie utilizzando il contesto disponibile della facility. Gli ingegneri convalidano dati, metodo, ipotesi e azioni consigliate per il progetto. ## Confrontare scenari selezionati con EnergyPlus Quando una decisione richiede un'analisi energetica più approfondita dell'edificio, i team di progetto possono combinare dati BIM o IFC, meteo, registri operativi e modelli basati su EnergyPlus. Il confronto può riguardare programmi operativi, setpoint, modifiche delle apparecchiature, opzioni per l'involucro o ipotesi di utilizzo degli spazi. L'ambito del modello, l'approccio di calibrazione, la qualità degli input e i criteri decisionali vengono definiti per ogni progetto. I risultati entrano nel registro di verifica utilizzato per stabilire le priorità e approvare le attività di miglioramento. ## Preparare le evidenze Green Mark dalle operazioni quotidiane Le attività Singapore Green Mark si basano su prestazioni energetiche, involucro edilizio, informazioni sui sistemi, manutenibilità, registri operativi e materiali di valutazione. DataMesh aiuta i team a organizzare input relativi a EUI e involucro, relazioni tra edificio e sistemi, storico delle valutazioni, evidenze di manutenzione e azioni correttive intorno al sito pertinente. Il registro risultante supporta la collaborazione tra proprietari, team di facility, ingegneri, consulenti incaricati e valutatori nell'ambito del processo BCA applicabile. ## Trasformare le opportunità convalidate in interventi completati [Inspector](/products/inspector) accompagna un'opportunità approvata attraverso ispezione, assegnazione, ordine di lavoro, esecuzione sul campo, raccolta delle evidenze e misurazione successiva. I team possono verificare quale azione è stata intrapresa, chi l'ha completata, quali evidenze sono state raccolte e come sono cambiate in seguito le condizioni operative. ## Iniziare con una priorità energetica misurabile Inizia da un edificio, un gruppo di sistemi o un problema operativo in cui fonti dei dati e responsabilità siano chiare. Stabilisci la baseline, convalida le relazioni tra asset e contatori, analizza la condizione selezionata, esegui le azioni concordate e valuta il risultato prima di estendere il programma. ## Le possibilità offerte da un programma energetico operativo - Analisi energetiche collegate a spazi, sistemi, apparecchiature e programmi operativi - Evidenze coerenti basate su relazioni di asset e punti allineate a Brick - Confronto di scenari supportato da modelli EnergyPlus configurati per il progetto - Registri per la preparazione Green Mark collegati alle operazioni quotidiane della facility - Interventi correttivi, evidenze sul campo e misurazioni successive in un unico flusso tracciabile --- ## [SOLUTIONS] Soluzione intelligente per il teleriscaldamento > La soluzione DataMesh per il teleriscaldamento combina il modulo HeatOps in FactVerse AI Agent, Data Fusion Services, digital twin FactVerse, Inspector e sistemi di controllo esistenti per collegare previsione, diagnosi di rete, supporto al dispacciamento, ordini di lavoro ed esecuzione sul campo. ## Il teleriscaldamento richiede un ciclo operativo La difficoltà del teleriscaldamento nasce dalle informazioni distribuite tra produzione di calore, idraulica di rete, sottostazioni, edifici, reclami degli utenti, fatturazione e interventi sul campo. Gli operatori devono capire dove crescerà la domanda, quale ramo è sbilanciato e quale azione migliora il comfort riducendo sprechi di energia. La soluzione intelligente DataMesh collega questi segnali in un unico contesto operativo. Il modulo HeatOps in FactVerse AI Agent gestisce previsione, diagnosi, ricerca della conoscenza e raccomandazioni. Data Fusion Services collega i sistemi esistenti, FactVerse fornisce il digital twin della rete e Inspector porta i risultati negli ordini di lavoro e nelle attività sul campo. ## Un modello nato da reali progetti di modernizzazione termica Questo modulo di settore è progettato per reti con più sottostazioni. Il modello include sensori per temperatura, pressione, portata, reintegro, valvole e pompe; Data Fusion Services per il contesto di fonti, stazioni, tubazioni, edifici e utenti; FactVerse AI Agent per previsione domanda, diagnosi anomalie, bilanciamento idraulico e analisi energia-carbonio; esecuzione tramite PLC, istruzioni di dispacciamento e lavoro sul campo; interazione per sala controllo, management, manutenzione e customer service. Qui il Physical AI diventa concreto nel teleriscaldamento. Le raccomandazioni combinano dati operativi, topologia di rete, inerzia termica, limiti delle apparecchiature, permessi di controllo e procedure di sicurezza. Ogni raccomandazione deve spiegare origine, perimetro di impatto e condizioni di esecuzione. ## Vedere: fonti, reti, sottostazioni ed edifici Il modulo HeatOps colloca gli asset termici in mappe GIS, topologia di rete e viste di stazione. I team possono vedere stato sottostazione, temperature di mandata e ritorno, pressione differenziale, portata, energia termica, pompe, valvole, zone edificio, feedback temperatura interna, allarmi e ordini di lavoro. Questa vista è più adatta alla stagione termica del monitoraggio isolato. Se crescono i reclami in una zona remota, il team può controllare sottostazioni a monte, rami, stato valvole, variazioni di pressione e storico interventi nello stesso flusso. ## Calcolare: previsione, diagnosi e revisione energia-carbonio La previsione della domanda mostra la curva attesa prima che cambi il meteo. La diagnosi combina delta mandata-ritorno, reintegro, fluttuazioni di pressione, efficienza scambiatori, energia pompe e feedback utenti per distinguere carenza di fonte, sbilanciamento di ramo, incrostazione, perdita, degrado isolamento o problema di controllo locale. Per il management, il modulo struttura calore, combustibile, elettricità, perdite e carbonio come registro stagionale per verificare se strategie di dispacciamento, interventi e risposta agli incidenti hanno davvero migliorato la qualità del servizio. ## Controllare: dalla raccomandazione all'esecuzione auditabile Il controllo del teleriscaldamento procede per fasi: raccomandazione di FactVerse AI Agent, conferma dell'operatore, scrittura limitata e verifica del risultato. Il modulo HeatOps gestisce apertura valvole, frequenza pompe e temperatura di mandata entro limiti di sicurezza e flussi di approvazione. In questo modo l'AI entra nell'operatività reale mantenendo il controllo su sicurezza, responsabilità e conformità. ## Usare: conoscenza, servizio e ordini di lavoro L'operatività termica comprende sala controllo, reclami, ispezioni, storico riparazioni, manuali e procedure di emergenza. Il modulo HeatOps usa AI Advisor in FactVerse AI Agent per recuperare conoscenza operativa, spiegare allarmi, generare passi di verifica, creare ordini di lavoro e reinserire i risultati di campo nel ciclo successivo. ## Iniziare da una zona operativa connessa Partire da un gruppo limitato di sottostazioni e zone di rete. Collegare prima dati live e topologia asset con Data Fusion Services, poi validare vista stazione, diagnosi anomalie, previsione domanda e flusso ordini di lavoro. Estendere quindi verso analisi energia-carbonio, bilanciamento idraulico e raccomandazioni di dispacciamento. La scrittura verso PLC o sistemi di controllo deve arrivare solo dopo aver chiarito autorizzazioni, limiti di sicurezza e requisiti di audit. ## Intelligenza di rete ed esecuzione su un’unica piattaforma - [FactVerse AI Agent](/products/factverse-ai-agent) ospita il modulo di settore HeatOps per previsione, diagnosi, Q&A di conoscenza e raccomandazioni di dispacciamento - [Data Fusion Services](/products/dfs) collega SCADA, SIS, misure, meteo, fatturazione, reclami e ordini di lavoro - [FactVerse Platform](/products/factverse) gestisce il contesto digital twin di fonti, reti, stazioni, edifici e apparecchiature - [Smart Facility Management](/solutions/smart-building) estende lo stesso modello operativo a campus ed edifici --- ## [SOLUTIONS] Manutenzione predittiva > Passa da una manutenzione guidata dagli allarmi a una manutenzione predittiva supportata dall'IA con dati industriali, digital twin ed esecuzione a ciclo chiuso. ## Dalla manutenzione reattiva a decisioni verificabili Il modulo di manutenzione predittiva di FactVerse AI Agent offre ai team operativi un ciclo decisionale invece di un muro di allarmi. Combinando sensori industriali, contesto degli asset, analisi IA e digital twin, i team possono capire cosa sta cambiando, perché conta e come intervenire prima che si verifichino fermi impianto. ## Segnale → Analisi → Validazione nel twin → Decisione 1. **Ingestione dei segnali** — Data Fusion Services riunisce flussi sensore, tag historian, dati di ispezione e metadati degli asset. 2. **Analisi IA** — FactVerse AI Agent valuta pattern di degrado, segnali di salute e trend anomali. 3. **Validazione nel twin** — FactVerse Twin Engine e FactVerse forniscono contesto spaziale e operativo per la diagnosi. 4. **Esecuzione** — Inspector trasforma i risultati validati in ordini di lavoro, attività sul campo e follow-up tracciabile. ## Validazione operativa per i team di manutenzione Il modulo di manutenzione predittiva di FactVerse AI Agent combina sensoristica affidabile, contesto degli asset, analisi IA e revisione nel twin per permettere ai team di valutare il rischio con più contesto e meno supposizioni. - sensoristica industriale affidabile all'edge - contesto operativo multi-sorgente - analisi dei trend e valutazione della salute guidate dall'IA - visibilità del digital twin per le decisioni di manutenzione ## Finestre di allerta più precoci, meno falsi allarmi I team possono esaminare i segnali emergenti nel contesto operativo, definire le priorità sugli asset corretti e passare prima a interventi pianificati. ## Esperienza nella manutenzione industriale DataMesh e [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) portano la manutenzione predittiva assistita dall’IA in impianti industriali complessi. I progetti con [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) e [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) mostrano inoltre come FactVerse colleghi conoscenza manutentiva, attività sul campo e registri operativi riutilizzabili. ## Iniziare dagli asset critici ed estendere Inizia da una classe di asset o da un sistema facility con impatto operativo chiaro e storico sufficiente. Dopo aver validato qualità dei dati e ciclo di esecuzione, lo stesso modello può essere esteso ad altri asset e siti. ## Prodotti correlati - FactVerse — livello piattaforma per il contesto operativo - FactVerse AI Agent — rilevamento anomalie, analisi e supporto decisionale - FactVerse Twin Engine — validazione twin e contesto di esecuzione - Data Fusion Services — connettività per sensori, historian e sistemi - Inspector — work order ed esecuzione sul campo ## Risultati tipici | Metrica | Impatto | |------|------| | Revisione anticipata dei segnali | Identificazione e prioritizzazione più rapide dei problemi manutentivi emergenti | | Fermi non pianificati | Ridotti grazie a interventi anticipati e manutenzione pianificata | | Falsi allarmi | Ridotti tramite analisi dei trend e diagnostica contestuale | | Esecuzione manutentiva | Passaggio più rapido dal rilevamento all'azione sul campo validata | --- ## [SOLUTIONS] Simulazione dei processi e pianificazione virtuale > Usa FactVerse Designer per pianificare layout, simulare workflow, confrontare scenari, anticipare rischi operativi e validare comportamenti fisici. ## Simulazione guidata da Designer per Physical AI Process Simulation & Virtual Planning e un workflow FactVerse Designer per pianificare layout, modellare logiche di processo, confrontare scenari e fare prove virtuali. Aiuta a verificare processi di packaging, flussi di materiali, interazioni con impianti e operazioni prima delle modifiche fisiche. ## Usi tipici - validare processi di packaging e interazioni con impianti - pianificare celle produttive e postazioni - confrontare zone magazzino, percorsi di picking e aree di staging - eseguire commissioning virtuale prima delle modifiche in sito - preparare scenari Physical AI per automazione e robotica ## Prodotti correlati - [FactVerse Designer](/products/designer) - layout, logica di processo e creazione scenari - [FactVerse](/products/factverse) - piattaforma digital twin - [Data Fusion Services](/products/dfs) - connessione dati operativi - [FactVerse Twin Engine](/products/factverse-twin-engine) - contesto fisico per validazione --- ## [SOLUTIONS] real-time-monitoring ## Trasformare i dati in tempo reale in un quadro operativo Le facility generano già informazioni in tempo reale attraverso sistemi di controllo, sensori, contatori, database e piattaforme di servizio. Gli operatori devono comunque stabilire dove si è verificato un cambiamento, quali asset e spazi coinvolge, se rientra in un fenomeno più ampio e chi è responsabile della risposta. DataMesh collega le informazioni attuali e storiche alle apparecchiature, agli spazi, ai sistemi e ai registri degli interventi rappresentati in un digital twin operativo. Team di sala controllo, ingegneri, pianificatori della manutenzione e tecnici sul campo possono coordinarsi nello stesso contesto continuando a utilizzare i sistemi di origine consolidati. ## Associare ogni segnale al contesto dell'asset e del sistema [Data Fusion Services](/products/dfs) collega BMS, SCADA, PLC, IoT, contatori, archivi storici, database e applicazioni aziendali. [FactVerse](/products/factverse) associa ogni segnale al sito, allo spazio, all'asset, alla relazione di sistema e all'oggetto del digital twin pertinenti. Questo contesto aiuta i team a passare da un tag o un codice di allarme all'apparecchiatura fisica, alla zona interessata, ai sensori correlati, ai sistemi a monte e a valle, agli interventi di manutenzione recenti e alle attività in corso. ## Esaminare i cambiamenti correlati prima di intervenire Un'eccezione operativa può coinvolgere diversi allarmi, una recente modifica dei setpoint, le condizioni meteorologiche, il carico, un'attività di manutenzione o un componente in degrado. DataMesh riunisce questi segnali e registri per l'analisi. Le tendenze storiche e gli intervalli attesi aiutano i team a distinguere il rumore isolato dalle condizioni che richiedono un'indagine. [FactVerse AI Agent](/products/factverse-ai-agent) può supportare l'interpretazione delle tendenze e l'analisi degli eventi correlati quando il sito dispone di dati e contesto operativo sufficienti. ## Coordinare la risposta e conservarne l'esito Le condizioni confermate possono generare ispezioni e ordini di lavoro in [Inspector](/products/inspector) oppure sincronizzarsi con un CMMS esistente. Il registro della risposta mantiene collegati il segnale iniziale, il responsabile della verifica, la priorità, il team assegnato, le evidenze sul campo, le note di completamento e le azioni successive. Questo storico offre ai responsabili una visione più chiara delle condizioni ricorrenti, della qualità della risposta, delle prestazioni rispetto ai livelli di servizio e delle opportunità di manutenzione predittiva. ## Supportare ruoli diversi dal singolo asset a più siti Gli operatori possono aver bisogno degli allarmi correnti e della topologia dei sistemi. Gli ingegneri richiedono tendenze e dipendenze. I team sul campo devono disporre di posizione, storico e procedura. I responsabili di portafoglio necessitano di confronti tra siti e stato degli interventi aperti. Le viste basate sui ruoli utilizzano lo stesso contesto operativo e degli asset, offrendo a ciascun utente un'esperienza adatta alle proprie responsabilità. ## Iniziare con un sistema critico per la risposta Una prima fase concreta può concentrarsi su HVAC, distribuzione elettrica, acqua di raffreddamento, utility di una camera bianca, un locale di data center o un altro sistema in cui la frammentazione delle informazioni rallenta la risposta. Occorre collegare dati, relazioni tra asset, regole degli allarmi, ruoli operativi e passaggio agli ordini di lavoro, per poi ampliare l'ambito quando i team hanno acquisito fiducia nella vista condivisa. ## I vantaggi del monitoraggio connesso - Comprensione più rapida del punto in cui si è verificato un cambiamento e dei suoi effetti - Priorità più accurate grazie al contesto di asset, tendenze, dipendenze e servizi - Passaggio più chiaro dalla verifica in sala controllo all'esecuzione sul campo - Stato operativo condiviso tra ingegneria, manutenzione, servizi e management - Storico riutilizzabile per manutenzione predittiva e operazioni assistite dall'AI --- ## [SOLUTIONS] smart-building ## Una visione operativa comune Edifici e campus generano dati da BIM, BMS, contatori, IoT, piattaforme di manutenzione, documenti e attività sul campo. DataMesh mantiene queste informazioni collegate durante allarmi, interventi e analisi multi-sito. Proprietari, tecnici, fornitori e operatori vedono cosa è accaduto, quali asset sono coinvolti, chi sta intervenendo e quali prove restano alla chiusura. ## Collegare i sistemi già in funzione [Data Fusion Services](/products/dfs) connette controlli, sensori, contatori, database e applicazioni tramite protocolli standard e API. [FactVerse](/products/factverse) mappa i dati su spazi, asset, sistemi e relazioni del digital twin. BMS, CMMS, EAM e piattaforme di servizio esistenti restano parte dell'ambiente operativo. ## Dai segnali al lavoro tracciabile 1. **Comprendere** il segnale nel contesto spaziale e dell'asset 2. **Decidere** con dati live, storico, documenti, dipendenze e priorità 3. **Agire** creando o sincronizzando l'ordine e fornendo la procedura con [Inspector](/products/inspector) 4. **Verificare** con foto, misure, note, approvazioni e azioni successive [FactVerse AI Agent](/products/factverse-ai-agent) può assistere l'analisi di tendenze, anomalie e priorità quando dati e processi sono adeguati. La responsabilità operativa resta al team. ## Riutilizzare i dati tra i team Le relazioni allineate a Brick Schema in Inspector offrono un contesto comune per edifici, zone, apparecchiature, contatori, sensori e punti. Gli stessi record supportano monitoraggio, manutenzione, energia, conformità e futuri workflow assistiti dall'AI. ## Energia e Green Mark nelle operazioni quotidiane DataMesh collega condizioni, orari, controllo, manutenzione e uso degli spazi. I team analizzano EUI e carichi, indagano deviazioni, assegnano correzioni e conservano prove. Nei progetti Green Mark di Singapore, il record sostiene la preparazione con i consulenti incaricati. BIM o IFC, meteo, storico e modelli EnergyPlus permettono analisi più approfondite. ## Iniziare da una priorità chiara La prima fase può concentrarsi su un sistema critico, un flusso allarme-ordine, un'area energivora o asset con problemi ricorrenti. Dopo aver validato dati, integrazione, adozione e indicatori, la soluzione può estendersi ad altri sistemi, edifici e siti. ## Vantaggi DataMesh - Contesto comune per spazi, asset, sistemi, dati e lavoro - Continuità tra visualizzazione, ispezione, procedure, ordini e prove - Integrazione aperta con protocolli industriali e API - Base espandibile per monitoraggio, manutenzione, energia, formazione e AI --- ## [SOLUTIONS] Formazione e sviluppo delle competenze > Prepara le persone a impianti e procedure reali con contenuti 3D guidati, pratica nel digital twin e un percorso chiaro verso il lavoro sul campo supervisionato. ## Preparare le persone al lavoro reale La formazione industriale deve conciliare accesso limitato agli impianti, disponibilità dei trainer, sicurezza, cambi di procedura e pratica supervisionata. DataMesh collega contenuti 3D guidati, contesto digital twin, simulazione di macchine e workflow sul campo in un percorso da spiegazione a pratica ed esecuzione. ## Un percorso con strumenti specializzati [Director](/products/director) crea istruzioni 3D approvate. DataMesh One distribuisce contenuti per studio, aula e dispositivi spaziali supportati. [Simulator](/products/simulator) offre pratica fisica con controlli e scenari configurati. [Inspector](/products/inspector) e [Checklist](/products/checklist) conservano task supervisionati ed evidenze. ## Dalla conoscenza all’esecuzione supervisionata I team definiscono ruolo, attività critiche e criteri, acquisiscono la conoscenza in Director e scelgono pratica guidata o Simulator. Le osservazioni sul campo supervisionato alimentano gli aggiornamenti di contenuti e scenari. ## Formazione guidata e Simulator nella pratica Le referenze pubbliche di [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency), [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) e [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) mostrano percorsi guidati. Simulator supporta gru a torre, carrelli elevatori, perforatrici rotative, perforatrici per tubi profondi ed escavatori. ## Integrare sicurezza e qualificazione Policy formative, supervisione qualificata, autorizzazioni, requisiti normativi, valutazioni su macchina e certificazione formale entrano nel programma fin dall’inizio. DataMesh fornisce contenuti, pratica ripetibile, dati di valutazione ed evidenze. ## Misurare la preparazione al lavoro reale I team misurano comprensione di impianti e sequenze, errori rilevati prima del campo, facilità di aggiornamento dei contenuti e adeguatezza dei dispositivi o delle configurazioni Simulator. --- ## [SOLUTIONS] visualization ## Rendere comprensibili nello spazio le operazioni complesse Facility, fabbriche, campus e infrastrutture sono sistemi spaziali. Posizione delle apparecchiature, dipendenze tra sistemi, percorsi di accesso, flussi di processo, aree di lavoro e rischi operativi risultano difficili da comprendere attraverso tabelle e dashboard isolate. La visualizzazione del digital twin operativo riunisce modelli, asset, dati in tempo reale, documenti e registri di lavoro in un unico contesto spaziale. Ingegneria, operations, team sul campo, management e stakeholder esterni possono esaminare lo stesso ambiente dalla prospettiva richiesta dal proprio lavoro. ## Creare una base gestita di asset di modello BIM, CAD, GIS, nuvole di punti e modelli di apparecchiature entrano nella piattaforma come asset di modello gestiti. Versioni, geometrie dei componenti, coordinate e riferimenti esterni vengono preservati affinché i contenuti possano essere mantenuti oltre la singola presentazione. [FactVerse](/products/factverse) collega i componenti del modello a identità stabili del twin, spazi, sistemi, sensori, documenti e registri di lavoro. Questa relazione attribuisce un significato operativo a ogni oggetto visibile e consente di riutilizzare lo stesso asset tra applicazioni. ## Comporre la vista adatta a ciascun workflow [FactVerse Designer](/products/designer) consente ai team di disporre asset, punti di vista, etichette, pannelli dati, animazioni e logica di interazione. [Data Fusion Services](/products/dfs) collega le informazioni operative attuali e storiche. Il risultato può supportare una vista di sala controllo, un'ispezione delle apparecchiature, una scena formativa, una revisione costruttiva, una presentazione al cliente o un workflow sul campo. I team possono aggiornare il twin sottostante e le relazioni dei modelli in base all'evoluzione delle facility, quindi riutilizzare il contesto governato in nuove esperienze. ## Collegare persone e applicazioni allo stesso twin Le viste web e i grandi schermi supportano la visibilità operativa. [Inspector](/products/inspector) utilizza il contesto spaziale e degli asset per ispezione e manutenzione. DataMesh One distribuisce contenuti 3D approvati ai dispositivi sul campo supportati. Omniverse e altri runtime di progetto possono ricevere scene e metadati preparati attraverso il percorso di integrazione appropriato. Questa base condivisa riduce la preparazione ripetuta dei modelli e mantiene coerente l'identità degli asset dalla revisione ingegneristica alle attività quotidiane. ## Preparare il contesto spaziale per Physical AI Simulazione, robotica, generazione di dati sintetici e agenti AI richiedono più dell'aspetto visivo. Servono geometrie, unità, coordinate, identità dei componenti, relazioni tra sistemi, stato operativo e contesto delle attività coerenti. FactVerse fornisce il twin gestito e il livello degli asset utilizzati per predisporre questo contesto. I workflow di progetto possono quindi trasferire scene e metadati a Omniverse, Isaac, PhysX, Newton, middleware robotici o altri runtime approvati per rendering, simulazione e convalida. ## Esperienza maturata in ambienti progettuali complessi DataMesh ha applicato digital twin e realtà mista con [JTC](/about/news/collaboration-between-jtc-datamesh), supportato workflow di costruzione con [Obayashi](/about/news/digital-twin-empowers-bim-obayashi), realizzato una simulazione costruttiva con Toda per [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) e partecipato all'esperienza di digital twin [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq). ## Iniziare con una vista operativa riutilizzabile Scegli una facility o un workflow in cui il contesto spaziale risolva un problema concreto di coordinamento. Definisci l'ambito del modello, la mappatura degli oggetti, le convenzioni delle coordinate, il livello di dettaglio, le responsabilità, i collegamenti ai dati e il processo di aggiornamento. Quando i team sono in grado di mantenere e riutilizzare questa base, è possibile estenderla a monitoraggio, ispezione, simulazione, formazione e workflow di Physical AI. ## Le possibilità offerte da un twin riutilizzabile - Comprensione più rapida di asset, relazioni, percorsi e impatto operativo - Un contesto spaziale condiviso per ingegneria, operations, lavoro sul campo e confronto con gli stakeholder - Riutilizzo degli asset di modello tra monitoraggio, manutenzione, formazione e simulazione - Preparazione coerente delle scene per workflow di Physical AI e robotica - Minore lavoro di preparazione ripetuto con l'introduzione di nuove applicazioni --- ## [SOLUTIONS] workflow-digitization ## Un unico flusso di manutenzione tra sistemi e fornitori di servizi Le grandi strutture utilizzano spesso più ambienti di manutenzione contemporaneamente. Edifici, appaltatori, gruppi di apparecchiature o aree geografiche diversi possono adottare sistemi CMMS differenti. Le richieste dal campo arrivano attraverso altri canali, mentre allarmi, dati degli asset, procedure e inventario risiedono altrove. DataMesh crea un livello operativo condiviso per l'intero ecosistema. Ogni CMMS a valle può continuare a gestire gli interventi di propria competenza, mentre i team di facility ottengono una vista coerente di domanda, priorità, contesto degli asset, assegnazioni, stato di sincronizzazione ed evidenze di completamento. ## Acquisire le richieste con il contesto necessario alla valutazione Le richieste di intervento possono arrivare da operatori sul campo, portali, email, allarmi e interazioni in linguaggio naturale. La richiesta include, quando disponibili, richiedente, apparecchiatura, posizione, gravità, descrizione, foto, note vocali e geolocalizzazione. I supervisori possono esaminare la richiesta, definirne la priorità, convertirla in un ordine di lavoro oppure respingerla indicando il motivo. Il team di manutenzione dispone così di un processo di acquisizione controllato prima che la domanda entri nella coda di esecuzione. ## Coordinare gli interventi tra fornitori CMMS [Data Fusion Services](/products/dfs) collega le piattaforme di manutenzione tramite API, adattatori, webhook, database, messaggi o interfacce basate su file specifici per il progetto. Le corrispondenze degli asset mettono in relazione la stessa apparecchiatura tra sistemi. Le viste degli ordini di lavoro tra sistemi conservano piattaforma di origine, riferimento esterno, fornitore responsabile e stato di sincronizzazione. Questo modello operativo è pensato per portafogli in cui i sistemi a valle restano in uso. DataMesh offre coordinamento e visibilità centralizzati senza imporre a ogni edificio o fornitore di servizi un unico sistema transazionale. ## Pianificare insieme persone, manutenzione preventiva e materiali [Inspector](/products/inspector) supporta il ciclo di vita dell'ordine di lavoro dall'assegnazione al completamento. Gli interventi possono essere affidati a tecnici interni, appaltatori o squadre. I piani di manutenzione preventiva possono generare ordini di lavoro ricorrenti, mentre i registri di ricambi e inventario aiutano i team a verificare la disponibilità e registrare i consumi. I responsabili possono esaminare attività aperte, manutenzione preventiva scaduta, violazioni dei livelli di servizio, arretrati e tendenze di manutenzione nello stesso contesto operativo. ## Fornire ai team sul campo indicazioni immediatamente eseguibili [Checklist](/products/checklist) struttura i controlli e le evidenze richiesti. [Director](/products/director) propone procedure guidate quando sono rilevanti la struttura dell'apparecchiatura o le istruzioni spaziali. Inspector mantiene l'attività collegata all'asset, alla posizione, all'allarme, allo storico di manutenzione, ai documenti, alle foto, alle letture, alle approvazioni e alle note di completamento corretti. Il registro risultante agevola il passaggio di consegne tra turni, la verifica degli appaltatori, la preparazione degli audit e il miglioramento continuo delle attività ricorrenti. ## Integrare l'assistenza AI nei processi maturi [FactVerse AI Agent](/products/factverse-ai-agent) può supportare l'interpretazione delle richieste, l'esame del contesto di allarmi e asset, la definizione delle priorità, il recupero delle conoscenze e la preparazione delle azioni consigliate. Ruoli, fasi di approvazione, autorizzazioni e controlli di esecuzione configurati determinano come ogni raccomandazione entra nel workflow operativo. ## Iniziare con un workflow trasversale ai sistemi Una prima fase mirata può collegare un fornitore di servizi, un canale per le richieste di intervento e un gruppo di apparecchiature critiche. È opportuno convalidare corrispondenze degli asset, sincronizzazione, assegnazioni, registri sul campo e visibilità gestionale prima di estendere il modello ad altri fornitori CMMS, siti, programmi di manutenzione preventiva e processi di inventario. ## I vantaggi dell'esecuzione connessa - Una vista unificata della domanda di manutenzione e delle responsabilità tra sistemi e fornitori - Passaggio più rapido dalla richiesta o dall'allarme all'intervento assegnato sul campo - Migliore coordinamento di tecnici, squadre, manutenzione preventiva e ricambi - Sincronizzazione tracciabile ed evidenze di completamento tra organizzazioni - Uno storico operativo più ordinato per analisi, assistenza AI e miglioramento dei processi --- ## [SOLUTIONS] FactVerse AI Agent 交通フロー運用ソリューション > TrafficOps 業界モジュール、運用デジタルツイン、AI 支援による意思決定を組み合わせ、検問所、港湾、ターミナル、交通拠点の旅客・車両・貨物流を連携して管理します。 ## 交通フロー運用は待ち行列の数値だけでは把握できません 旅客、車両、貨物の運用は、到着パターン、レーンの可用性、チェックポイント能力、人員配置、施設状態、設備の可用性、インシデント対応によって変化します。個別システムが示すのはその一部です。交通フロー運用ソリューションは、これらの情報を共通の運用コンテキストにまとめ、逼迫を早期に捉え、現場責任者と連携して対応できるようにします。 ## TrafficOps 業界モジュールを中核とするソリューション TrafficOps は待ち行列、旅客フロー、車両フロー、貨物流、チェックポイント、インシデント、ルール、シミュレーション、運用センターダッシュボードの業務モデルを提供します。DataMesh の他の機能と組み合わせて全体ソリューションを構成します。 - **Data Fusion Services** は確認済みの運用データと施設データを接続します - **FactVerse** は資産、空間、運用の共通コンテキストを提供します - **FactVerse AI Agent** はフロー、異常、制約、対応案を分析します - **TrafficOps** は交通分野の業務、画面、ルール、シナリオを整理します - **Inspector** は必要に応じて承認済み作業と保守記録を現場へつなぎます この構成により、運用ソリューションとしての全体像と TrafficOps モジュールの役割を明確にできます。 ## 運用情報から承認済みの対応へ 1. **運用状況を接続する** - 過去と現在のフロー、待ち行列、チェックポイント、スケジュール、レーン、インシデント、施設情報をまとめます。 2. **逼迫と制約を捉える** - 予想ピーク、異常な待ち行列、利用できない処理能力、サービスへ影響する設備状態を把握します。 3. **対応案を比較する** - 現在の状況と運用ルールに照らして、レーン、人員、経路、保守、インシデント対応を評価します。 4. **承認して実行する** - 運用担当者が対応を選び、対象の運用システムまたは作業管理システムで実行します。 5. **結果を次に生かす** - 提案、判断、対応、実績を記録し、シフトの振り返りと将来計画に利用します。 ## 現在の運用範囲 TrafficOps は運用ダッシュボード、待ち行列とフロー、チェックポイントと設備設定、旅客・車両・貨物運用、インシデント、ルール、レポート、シミュレーション、What-if 分析、承認を前提とした提案の画面を提供しています。接続データと自動化の深さは導入ごとに設定します。 予測とシナリオ結果は運用判断を支援します。評価基準は、利用可能なデータ、運用ルール、合意した指標に基づいて顧客と設定します。 ## 重要な判断は運用担当者が行います レーン配分、人員配置、セキュリティ、インシデント対応、保守変更は実運用へ直接影響します。FactVerse AI Agent は根拠と対応案を提示し、権限を持つ担当者が現場手順に従って承認、却下、修正します。判断記録は既存の権限体系を維持しながら、事後検証に必要なコンテキストを残します。 ## 測定可能な一つの課題から開始 評価は一つのチェックポイント、ターミナルエリア、交通区間、フロー種別から始められます。利用可能なデータ、待ち行列とサービス指標、運用ルールを定め、頻度の高い少数の判断を評価します。運用担当者が共通コンテキストと提案の有用性を確認した後、対象を拡張します。 DataMesh の公開事例は、インフラ安全業務と複雑施設のデジタルツイン実績を紹介しています。TrafficOps は顧客のフローデータと運用環境を用いて直接評価します。 ## 交通フロー運用の評価を計画 対象場所、フロー種別、意思決定者、データ期間、運用課題を選びます。DataMesh はその情報から TrafficOps 設定、連携範囲、AI Agent ワークフロー、確認手順、評価指標を整理します。 [交通フロー運用ソリューションを相談する](/contact-us/) --- ## [SOLUTIONS] データセンター運用 > 設備資産、エネルギー計量、点検・保全記録、リアルタイムのインフラデータをデータセンターのデジタルツインにつなぎ、運用管理に使える共通ビューを構築します。 ## データセンター運用が必要な理由 データセンターチームには、資産、エネルギー使用、アラーム、点検、保全作業を信頼できる共通ビューで扱う必要があります。DCOps モジュールがこれらの運用記録をつなぎ、複数拠点を理解、点検、保守、報告しやすくします。 DataMesh は、国際通信事業者向けに複数の海外データセンターのデジタルツインシステムを納入した経験があります。この経験を基準に、本ページでは、設備資産、エネルギー計算、点検・修理ワークフロー、運用可視化を信頼できるデジタルツインに接続することを中心に説明します。 ## デジタルツイン運用ループ 1. **設備データと資産コンテキストを接続する** — Data Fusion Services が BMS（ビル管理）、EPMS（電力監視）、DCIM（データセンターインフラ管理）、メーター、アラーム、ラック情報、設備メタデータ、保全記録を統合します。 2. **拠点をデジタルツインとして整理する** — FactVerse が部屋、ラック、電力経路、冷却ゾーン、設備、センサー、責任プロセスを空間的な運用モデルに対応付けます。 3. **運用状態を計算・レビューする** — チームは拠点、部屋、資産、システムごとにエネルギー指標、設備状態、アラーム背景、点検結果、保全履歴、AI 支援による設備健全性の優先度を確認します。 4. **実行して証跡を残す** — Inspector と作業指示ワークフローにより、確認済みの課題を現場タスク、修理記録、レビューコメント、追跡可能な運用証跡に変換します。 ## データセンター運用で支援する業務 - 複数拠点データセンターのデジタルツイン可視化 - 設備資産台帳とラック・機器コンテキスト管理 - エネルギー計算、メーター確認、運用傾向レポート - 点検ルート、保全タスク、修理記録、作業指示の引き継ぎ - 資産位置、設備関係、サービス履歴を踏まえたアラーム調査 - 設備健全性レビューと保全優先度管理 - ラック移動、設備交換、保守ウィンドウの変更レビュー ## 既存インフラ管理ワークフローを拡張する方法 | 従来の DCIM | データセンター運用 | |---|---| | 監視ダッシュボードが中心 | 運用、点検、保全チームが共有する空間的な設備コンテキスト | | 資産台帳が表計算に分散 | 部屋、ラック、設備、サービス責任をデジタルツインに整理 | | エネルギー数値を個別に確認 | エネルギー計算と傾向を資産、部屋、拠点に結び付けてレビュー | | アラームに現場背景が不足 | 資産を中心にアラーム、点検、修理、作業履歴を表示 | | 設備健全性を複数ツールで個別確認 | アラーム、傾向、保全履歴、作業記録を設備単位で接続 | ## ポートフォリオ全体の運用価値 限定範囲の導入で、資産責任の明確化、拠点可視化の信頼性向上、エネルギーと保全記録の標準化、点検引き継ぎの短縮、管理レビューに使える証跡の整備を検証できます。実際の効果は拠点範囲、データ準備度、プロセス成熟度、展開の深さに左右されます。 ## 複数拠点データセンターでの導入経験 DataMesh は、国際通信事業者向けに複数の海外データセンター拠点へデジタルツインシステムを納入しています。公開されている[データセンター DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center)、[複雑施設デジタルツイン](/about/news/collaboration-between-jtc-datamesh)、[産業予知保全](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)の情報が、その製品基盤を示しています。資産、エネルギー、点検、保全、可視化から始め、検証済み現場データをより詳細なエンジニアリング分析へ活用できます。 ## 関連製品 - [FactVerse](/products/factverse) — 運用コンテキストとデジタルツインのワークスペース - [Data Fusion Services](/products/dfs) — ビル管理、電力監視、データセンターインフラ、メーター、周辺システムの接続基盤 - [Inspector](/products/inspector) — 点検、保全、作業指示コンテキスト、現場証跡 - [FactVerse AI Agent](/products/factverse-ai-agent) — 設備健全性レビュー、異常分析、運用ナレッジ支援 --- ## [SOLUTIONS] FactVerse AI Agent 半導体施設運用ソリューション > クリーンルーム環境、施設ユーティリティ、資産コンテキスト、エネルギー計算、アラーム、保守履歴、Inspector 作業指示を一つの半導体施設運用サイクルにつなぎます。 ## 施設の継続運用が生産準備を支えます 半導体製造には、安定したクリーンルーム環境と信頼性の高い施設ユーティリティが不可欠です。環境監視、ビル設備、設備テレメトリ、メーター、アラーム、保守記録、現場作業は複数のツールに分散しがちです。施設チームには、影響を受ける空間と資産、進行中の作業、次に優先すべき事項を把握できる一貫した運用画面が必要です。 ## データ、デジタルツイン、AI、現場作業を接続 DataMesh は現在のプラットフォーム機能を組み合わせて半導体施設運用ソリューションを構成します。 - **Data Fusion Services** は確認済みの施設、環境、資産、エネルギー、保守データを接続します - **FactVerse** は施設、空間、ユーティリティ、資産、メーター、センサー、その関係を整理します - **FactVerse AI Agent** はトレンド確認、異常分析、優先順位判断、運用担当者向け提案を支援します - **予知保全機能** は対象となる施設資産へ状態と保守のコンテキストを追加します - **Inspector** は点検、作業指示、担当割り当て、現場記録、完了エビデンスを管理します 構成は顧客の施設運用プログラムに合わせ、現場の業務フローと責任分担を反映します。 ## 施設のシグナルから完了確認済みの作業へ 1. **運用コンテキストを接続する** - クリーンルーム環境、ユーティリティ、メーター、アラーム、資産記録、点検、保守履歴をまとめます。 2. **状態と影響を確認する** - 変化やアラームを、影響ゾーン、上流システム、関連設備、最近の作業へ関連付けます。 3. **対応の優先順位を決める** - 運転トレンド、資産の重要度、保守コンテキストから優先事項を判断します。 4. **Inspector で実行する** - 承認済みの作業を作成して担当者へ割り当て、資産、手順、エビデンス、確認要件を引き継ぎます。 5. **結果を記録する** - 完了記録、現場所見、繰り返し課題を残し、技術レビューと拠点間比較に活用します。 ## 現在の導入重点領域 DataMesh の半導体施設プログラムは、ユーティリティ資産管理、エネルギー計算、点検・保守、作業指示システム連携、運用可視化を中心に展開しています。複数拠点では、資産構造とワークフロー定義を共通化しながら、各拠点の既存システム、権限、運用手順を維持できます。 エネルギー計算では、利用可能なメーター、資産、ゾーン、運用データを整理して技術レビューに利用します。対象範囲と精度は、計測範囲、データ品質、計算方法、現地検証によって決まります。 ## AI Agent が施設チームを支援 FactVerse AI Agent は、システムを横断してトレンド、アラーム、資産関係、保守コンテキストを確認し、提案と根拠を結び付けます。施設チームが対応を承認し、Inspector または連携済みの保全システムで実行と完了を管理します。 FactVerse Designer と Physical AI のワークフローは、レイアウト設計、仮想計画、プロセスシミュレーション、物理ベースの検証を支援し、運用ソリューションとデジタルツイン資産や施設コンテキストを共有できます。 ## 導入経験と公開情報 DataMesh は複数拠点の半導体施設環境で、施設運用向けデジタルツインを提供しています。対象は資産、ユーティリティコンテキスト、エネルギー計算、点検、保守、作業連携、可視化です。顧客名と拠点詳細は非公開です。 公開されている [FactVerse AI Agent の発表](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)では、複雑な産業施設に向けたプラットフォームの方向性を紹介しています。[横河電機との協業](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)では、ソリューションを支える産業施設向け予知保全のアプローチを確認できます。 ## 一つの施設運用ワークフローから開始 評価は、一つのユーティリティシステム、重要資産群、繰り返しアラーム、点検ルート、保守ワークフローから始められます。利用可能なデータ、担当者、現在の対応手順、評価指標を定義してから、他のシステムや拠点へ展開します。 [半導体施設運用ソリューションを相談する](/contact-us/) --- ## [SOLUTIONS] ar-inspection ## 現場点検には、設備のそばで使えるデータが必要です 従来の点検は紙のチェックリスト、経験判断、バックオフィス画面に依存しがちです。技術者は設備のそばで必要なデータを見られず、管理者も標準手順が守られたか確認しにくくなります。 AR 点検とトラブルシューティングは、資産情報、リアルタイムデータ、点検手順、履歴、専門知識を物理設備の場所に届け、現場判断に必要なコンテキストを揃えます。 ## チェックリストから空間化された実行へ 点検ポイントは FactVerse の設備、空間、システムに紐づけられます。現場担当者はモバイルや AR/MR でルート、設備状態、標準手順を確認し、写真、測定値、結論、異常内容をその場で提出できます。異常は Inspector の作業指示や再点検へつながります。 ## 専門知識を再利用できる形にする 多くの現場問題では、データの所在、判断条件、経験知が分散しています。AR 点検は、専門家が定義した判断条件、設備構造、保全履歴、診断パスを実行可能な手順に変え、班や拠点をまたいだ品質のばらつきを減らします。 ## 現場コンテキストが最も重要な作業から始める 高頻度の点検、複雑設備のトラブルシューティング、班をまたぐ引き継ぎ、安全や品質要件が強い作業から始めると検証しやすくなります。配電盤、HVAC、ポンプ室、ユーティリティ、クリーンルーム、重要設備、品質検査などが代表例です。 ## 複雑な現場環境での実績 - [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)：FactVerse を活用した教育と保全ワークフロー。 - [JTC と DataMesh](/about/news/collaboration-between-jtc-datamesh)：複雑施設における Mixed Reality とデジタルツイン。 - [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)：保全プロセスとフロントライン教育のデジタル化。 ## 既存の作業体系に組み込む AR 点検は現場実行ワークフローです。技術者が設備のそばでコンテキストを確認し、標準手順に従い、記録を残し、専門家と連携することを支援します。安全ルール、ロックアウト・タグアウト、承認方針、最終的な保全判断は顧客側で管理します。 ## 一つの現場実行環境 - [Inspector](/products/inspector) は資産点検、アラーム、作業指示、記録を管理します - [Checklist](/products/checklist) は標準点検項目と監査テンプレートを管理します - [Director](/products/director) は 3D 診断手順と空間化された説明を作成します - [Data Fusion Services](/products/dfs) はリアルタイムデータ、アラーム、保全履歴、業務システムを接続します --- ## [SOLUTIONS] construction-guidance ## 図面の背後にある空間関係を現場へ届ける 施工チームは図面、BIM モデル、問題一覧、施工計画、写真、検査記録をすでに保有しています。実際の作業場所では、正確な位置、周囲の系統、承認済みの順序、受入要件を理解する必要があります。情報が分散すると、調整上の問題や差異の発見が遅れます。 施工ガイダンスは、空間モデル、ガイド付き作業、現場証跡をつなぎます。対象エリアのコンテキストを準備し、承認済み手順を作業場所へ届け、確認・変更・受入の記録を残せます。 ## 設計コンテキストから検証済み現場作業へ 1. **作業エリアを準備** - FactVerse Designer で対象エリア、経路、設備、アクセス、周辺系統を整理します。 2. **手順を作成** - Director で承認済み 3D コンテンツ、説明、参考資料、確認項目、判断ポイントをまとめます。 3. **チームへ説明** - 発注者、設計者、施工会社、責任者、関連工種が同じ空間コンテキストを確認します。 4. **現場へ配信** - 現場とタスクに合わせて選定した対応端末で DataMesh One を使用します。 5. **検証して記録** - Inspector で確認、写真、差異、是正、受入証跡を記録します。 6. **コンテキストを引き渡す** - 確認済みの資産情報、手順、現場記録を運用へ引き継ぎます。 ## 製品ごとの明確な役割 FactVerse Designer はシーン準備と空間計画、Director はガイド付き手順と承認済み作業説明、DataMesh One は現場配信、Inspector は確認・問題・作業・証跡記録を担当します。FactVerse は共通の資産、空間、運用コンテキストによって各工程をつなぎます。 各工程で適切なツールを使うことで、コンテンツ、実行、記録の責任範囲を明確にできます。 ## 優先的に導入しやすいエリア MEP 通路、機械室、隠蔽工事、改修エリア、複雑な据付順序、試運転確認、発注者への引き渡しが有効な出発点です。これらは空間関係が密で参加者が多く、共通コンテキストと追跡可能な証跡が重要です。 ## 端末とモデルは現場条件に合わせる 現場配信には対応モバイル端末またはヘッドマウント端末を使用できます。安全規則、照明、通信、操作要件、空間精度、装着性を考慮して選定します。大規模なソースモデルは作業エリアと必要な詳細度に合わせて準備し、パイロットで代表データと実際の現場条件を使って検証します。 ## 施工知識を運用へ引き継ぐ 施工時に作成した位置情報、据付写真、承認済み手順、受入結果、差異、是正履歴は、引き渡し後の点検、保全、教育、改修、緊急対応準備に活用できます。 ## 公開プロジェクト事例 DataMesh は [JTC](/about/news/collaboration-between-jtc-datamesh) と BIM・複合現実を活用した施工連携を行い、[大林組](/about/news/digital-twin-empowers-bim-obayashi)の建築施工デジタルツインを支援し、戸田建設と [SAGA アリーナ](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena)の施工シミュレーションを実施しました。[TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) は、空間コンテンツが複雑な将来環境の理解とコミュニケーションを支援することを示しています。 ## 一つの施工エリアから始める パイロットでは、代表的な一つのエリア、一つの承認済み手順、使用予定の現場端末、明確な検証記録を選びます。モデル準備、現場位置合わせ、ガイダンスの使いやすさ、証跡取得、引き渡しを評価してから、工種や拠点を広げます。 --- ## [SOLUTIONS] green-transformation ## エネルギーを運用プロセスとして管理 エネルギー性能は、設備の状態、スケジュール、制御、気象、在室状況、保全品質、空間の利用方法によって変化します。実効性のあるエネルギープログラムでは、これらの要因を、改善を担うチームや作業に結び付けます。 DataMeshは、BMS、メーター、IoT、ヒストリアン、BIMまたはIFC、保全記録、作業指示を運用デジタルツインに統合します。施設・エンジニアリングチームは、ベースラインの確立、異常消費の調査、選定シナリオの比較、是正作業の実行、証跡の保持を一連のプロセスとして進められます。 ## 追跡可能なエネルギー・施設コンテキストを構築 [Data Fusion Services](/products/dfs)は、複数ベンダーの制御システム、メーター、センサー、データベース、業務アプリケーションを接続します。[FactVerse](/products/factverse)は、そのデータを拠点、空間、システム、設備、運用上の関係へマッピングします。 Inspectorでは、建物、フロア、ゾーン、設備、メーター、センサー、制御ポイントにBrick Schema準拠のセマンティクスを利用できます。この共通構造により、エネルギー上の例外、分析への入力、評価記録を、関連する資産とソースデータまで追跡しやすくなります。 ## 消費量を左右する運転条件を特定 エネルギー評価では、負荷、気象、在室状況、スケジュール、設定値、設備状態、アラーム、保全履歴を組み合わせて確認できます。チームは、高負荷時間帯、制御のずれ、暖房と冷房の同時運転、設備の劣化、スケジュールの不一致、システムを横断する挙動を調査できます。 [FactVerse AI Agent](/products/factverse-ai-agent)は、利用可能な施設コンテキストを用いて、トレンドの確認と異常の解釈を支援します。エンジニアは、プロジェクトのデータ、手法、前提、推奨アクションを検証します。 ## EnergyPlusで選定シナリオを比較 意思決定により詳細な建物エネルギー分析が必要な場合、プロジェクトチームは、BIMまたはIFCデータ、気象、運用記録、EnergyPlusベースのモデルを組み合わせることができます。運転スケジュール、設定値、設備変更、外皮の選択肢、空間利用の前提などをシナリオとして比較できます。 モデルの対象範囲、較正方法、入力品質、意思決定基準は、プロジェクトごとに定義します。結果は、改善作業の優先順位付けと承認に用いるレビュー記録の一部となります。 ## 日常運用からGreen Markの証跡を準備 シンガポールGreen Markへの対応では、エネルギー性能、建物外皮、システム情報、保守性、運用記録、評価資料が用いられます。DataMeshは、EUIと外皮の入力、建物とシステムの関係、評価履歴、保全証跡、是正措置を、関連する拠点を軸に整理します。 この記録は、該当するBCAプロセスを通じて、オーナー、施設チーム、エンジニア、選任されたコンサルタント、評価担当者が連携するために活用できます。 ## 検証済みの改善機会を完了まで実行 [Inspector](/products/inspector)は、承認済みの改善機会を、点検、割り当て、作業指示、現場実行、証跡収集、フォローアップ測定へつなげます。実施したアクション、完了者、収集した証跡、実施後の運転条件の変化を確認できます。 ## 測定可能なエネルギー課題から開始 ソースデータと担当責任が明確な建物、システムグループ、運用課題を一つ選びます。ベースラインを確立し、資産とメーターの関係を検証して、対象とする運用状態を調査します。合意したアクションを実行して結果を確認してから、プログラムの対象を広げます。 ## 運用型エネルギープログラムが可能にすること - 空間、システム、設備、運転スケジュールに結び付いたエネルギー分析 - Brick Schemaに準拠した資産・ポイント関係に基づく一貫した証跡 - プロジェクト設定済みのEnergyPlusモデルによるシナリオ比較 - 日常の施設運用に関連付けられたGreen Mark対応準備記録 - 是正作業、現場証跡、フォローアップ測定を一つの追跡可能な流れで管理 --- ## [SOLUTIONS] スマート地域熱供給ソリューション > DataMeshのスマート地域熱供給ソリューションは、FactVerse AI AgentのHeatOpsモジュール、Data Fusion Services、FactVerseデジタルツイン、Inspector、既存制御システム連携を組み合わせ、予測、管網診断、運用支援、作業指示、現場実行をつなぎます。 ## 地域熱供給の運用コンテキスト 地域熱供給では、熱源、管網の水力状態、熱交換ステーション、建物末端、利用者からの問い合わせ、課金、現場作業が別々のシステムに分散しがちです。運用担当者は、どこで負荷が増えるのか、どの枝線が不均衡なのか、どの対応が快適性を改善し、無駄なエネルギーを抑えられるのかを判断する必要があります。 DataMeshのスマート地域熱供給ソリューションは、これらの情報を一つの運用コンテキストに接続します。FactVerse AI AgentのHeatOpsモジュールが予測、診断、知識検索、運用提案を担い、Data Fusion Servicesが既存システムを接続し、FactVerseがネットワークのデジタルツインを提供し、Inspectorが作業指示と現場実行をつなぎます。 ## 実際の供熱改修設計から生まれた運用モデル この業界モジュールは、複数ステーションを持つ供熱運用を前提にしています。通常は、温度・圧力・流量・補給水・バルブ・ポンプを扱うセンシング層、Data Fusion Services による熱源・ステーション・管路・建物・利用者コンテキスト、FactVerse AI Agent による負荷予測・異常診断・水力バランス・エネルギー炭素分析、PLC・ディスパッチ指示・現場作業につなぐ実行層、そして制御室・管理者・保全チーム・顧客対応向けの操作層で構成されます。 ここで Physical AI は現実的な意味を持ちます。AI の推奨は、管網トポロジー、熱慣性、設備制約、制御権限、現場の安全手順を踏まえて生成されます。各推奨は、根拠、影響範囲、実行条件を説明できる必要があります。 ## 見る：熱源、管網、ステーション、建物 HeatOps モジュールは、供熱資産を GIS マップ、管網トポロジー、ステーションビューに配置します。運用チームは、ステーション状態、供給・返水温度、差圧、流量、熱量、ポンプとバルブ、建物ゾーン、室温フィードバック、アラーム、作業指示を確認できます。 単一点の監視よりも、供給シーズンの実務に向いています。末端エリアで問い合わせが増えた場合、上流ステーション、枝線、バルブ状態、圧力変化、過去の対応履歴を同じ流れで確認できます。 ## 計算する：予測、診断、エネルギー炭素レビュー 負荷予測により、天気が変わる前に需要カーブを確認できます。異常診断では、供給・返水温度差、補給水量、圧力変動、熱交換効率、ポンプ電力、利用者フィードバックを組み合わせ、熱源不足、枝線不均衡、熱交換器の汚れ、漏えい、保温劣化、局所制御の問題を切り分けます。 管理側では、HeatOps が熱量、燃料、電力、熱損失、炭素データを供給シーズンの運用記録として整理します。ディスパッチ戦略、改修、インシデント対応がサービス品質にどう影響したかをレビューできます。 ## 制御する：推奨から監査可能な実行へ 供熱制御は段階的に進めます。FactVerse AI Agent が推奨し、担当者が確認し、制限付き書き戻しと結果確認を段階的に入れます。HeatOps モジュールは、バルブ開度、ポンプ周波数、供給温度などの操作を安全境界と承認フローの中で扱い、誰が承認し、いつ実行され、結果がどうだったかを記録します。 この方法により、AI を実運用に入れながら、事業者が安全、責任、コンプライアンスを管理できます。 ## 使う：知識、顧客対応、作業指示の連携 供熱運用は制御室だけで完結しません。利用者からの問い合わせ、現場点検、修理記録、設備マニュアル、緊急手順が判断に影響します。HeatOps モジュールは FactVerse AI Agent の AI Advisor を通じて運用ナレッジを検索し、アラームを説明し、点検手順を生成し、作業指示を作成し、現場結果を次の運用サイクルへ戻します。 ## 地域熱供給の運用に特化 HeatOps は FactVerse AI Agent の運用モデルと地域熱供給向けの設計作業に基づく業界モジュールです。展開の中心は、負荷予測、異常診断、ディスパッチ支援、作業指示連携、監査可能な実行記録です。より広い AI Agent と施設運用の公開情報は、この方向性を検討する際の参考になります。 ## 接続された運用エリアから始める まずは限定した熱交換ステーションと管網ゾーンから開始します。Data Fusion Services で主要なリアルタイムデータと資産トポロジーを接続し、ステーション全体像、異常診断、負荷予測、作業指示の流れを検証します。その後、エネルギー炭素分析、水力バランス、ディスパッチ支援へ拡張します。PLC や制御システムへの書き戻しは、現場の権限、安全制約、監査要件が明確になってから進めるべきです。 ## ネットワーク分析と現場実行を一つに - [FactVerse AI Agent](/products/factverse-ai-agent) は HeatOps 業界モジュールを担い、予測、診断、ナレッジ Q&A、ディスパッチ推奨を支援します - [Data Fusion Services](/products/dfs) は SCADA、SIS、計量、気象、課金、問い合わせ、作業指示システムを接続します - [FactVerse Platform](/products/factverse) は熱源、管網、ステーション、建物、設備のデジタルツインコンテキストを管理します - [Smart Facility Management](/solutions/smart-building) は同じ運用モデルをキャンパスや建物設備管理へ広げます --- ## [SOLUTIONS] predictive-maintenance ## 事後保全から検証可能な保全判断へ FactVerse AI Agent の予知保全モジュールは、信号、分析、検証、実行を 1 つの意思決定ループにまとめます。産業センシング、設備コンテキスト、AI 分析、デジタルツインを組み合わせることで、何が起きているのか、なぜ重要なのか、いつ動くべきかを早く判断できます。 ## 信号の取り込みから保全クローズドループへ 1. **信号の取り込み** — Data Fusion Services がセンサーデータ、ヒストリアン、点検記録、設備マスタを統合します。 2. **AI 分析** — FactVerse AI Agent が劣化傾向、異常パターン、健全度の変化を評価します。 3. **ツイン検証** — FactVerse Twin Engine と FactVerse が空間・運用コンテキストを与えます。 4. **実行** — Inspector が検証済みの課題を作業指示と現場対応につなげます。 ## 保全チームのための運用検証 FactVerse AI Agent の予知保全モジュールは信頼できるセンシング、資産コンテキスト、AI 分析、ツインレビューを組み合わせ、運用コンテキストの中で保全リスクを評価できるようにします。 - 信頼できる産業センシング - 多元的な運用コンテキスト統合 - AI による傾向分析と健全度評価 - 保全判断のためのデジタルツイン可視化 ## より早い介入とノイズ低減 チームはしきい値アラームを待つ前に、現場コンテキストの中で兆候を見極め、対象資産の優先度を整理し、計画的な保全へ移れます。 ## 関連製品 - FactVerse — 運用コンテキストの基盤 - FactVerse AI Agent — 異常検知・分析・意思決定支援 - FactVerse Twin Engine — ツイン検証と実行コンテキスト - Data Fusion Services — センサー、ヒストリアン、各種システム接続 - Inspector — 作業指示と現場実行 ## 産業保全での実践 DataMesh と [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) は、AI を活用した予知保全を複雑な産業施設へ展開しています。[Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) と [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) での取り組みも、保全知識、現場実行、再利用可能な運用記録を FactVerse でつなぐ方法を示しています。 ## 重要設備から始めて展開 故障時の運用影響が明確で、一定の履歴データがある重要設備や重点システムから始めます。DataMesh は設備信号、保全履歴、運用コンテキスト、現場ワークフローをつなぎ、再現可能な設備健全性管理を支援します。 データ品質と実行ループが安定した後は、各拠点の承認ルール、安全手順、CMMS または EAM の運用を維持しながら、同じモデルを他の設備や拠点へ展開できます。 ## 運用価値 | 指標 | 価値 | |------|------| | 早期レビュー | 潜在的な保全課題の特定と優先順位付けを高速化 | | 計画外停止 | 早期介入と計画保全により低減 | | 誤報 | 傾向分析とコンテキストを踏まえた診断により削減 | | 保全実行速度 | 検知から現場対応までの引き継ぎを高速化 | --- ## [SOLUTIONS] process-simulation ## 実際の変更前に意思決定を行う レイアウト図、表計算、静的モデルは設備の配置を示せますが、人、機械、材料、時間、空間が運用中にどう影響し合うかまでは十分に表現できません。待ち、アクセス干渉、不自然な引き継ぎ、物理挙動の問題が、設備、治具、現場工事への投資後に見つかることがあります。 プロセスシミュレーションと仮想計画は、FactVerse Designer で前提を確認可能な運用シナリオへ変換します。代替案を比較し、仮想試行を行い、物理、エンジニアリング、ロボティクスの詳細検証が必要な問いを明確にできます。 ## ソースデータから仮想試行まで 1. **意思決定を定義** - レイアウト、フロー、相互作用、能力、ロボティクスの問いと必要な証跡を決めます。 2. **シーンを準備** - FactVerse Designer で施設、設備、作業エリア、経路、材料、制約を構築します。 3. **プロセスをモデル化** - 参加者、状態、時間、順序、引き継ぎ、シナリオ変数を追加します。 4. **関連データを接続** - 履歴、リアルタイム、エンジニアリングデータを前提や比較に使う場合は Data Fusion Services で接続します。 5. **実行して比較** - フロー、待ち、アクセス、衝突、配置、リソース利用、運用可能性を比較します。 6. **必要な忠実度へ拡張** - タスクに応じて対象の問いを OpenUSD、Omniverse、Isaac、PhysX、Newton のワークフローへ接続します。 7. **実行を準備** - 確認済みシーン、前提、証跡、テスト計画をエンジニアリング、導入、教育、ロボティクスへ引き継ぎます。 ## 技術レイヤーの役割 FactVerse Designer はシーン作成と計画の環境であり、空間シーン、プロセスロジック、シナリオ案、再利用可能な運用コンテキストを構築します。OpenUSD は構造化シーンと SimReady アセットを構成・交換する基盤です。NVIDIA Omniverse は現在、高速化ライブラリ、マイクロサービス、SDK、API として提供され、産業・Physical AI アプリケーションにレンダリング、物理、ストレージ、統合機能を追加できます。 ロボティクスでは、Isaac Sim と Isaac Lab がロボットシミュレーション、合成データ、学習へワークフローを拡張します。PhysX は運動、衝突、接触などの物理挙動を支えます。Newton はロボット学習と開発向けの拡張可能な GPU 加速物理基盤です。プロジェクトは意思決定と検証計画に必要なレイヤーだけを選択します。 ## 計画、物理、エンジニアリング証跡 問いによって必要な忠実度は異なります。初期のレイアウトとフローは形状、経路、時間、離散挙動で検討できる場合があります。動き、衝突、接触、配置には物理挙動が必要です。安全、構造、熱、流体、規制対象の判断では、デジタルツインに加えてエンジニアリング解析、計測データ、専門ツール、実機試験が必要です。 最初に受入範囲を定義し、その意思決定に有効な証跡を提供できるシーン詳細、ソルバー、校正データ、比較方法を選びます。 ## 主な適用領域 - 包装セルと材料相互作用 - 生産ラインと作業ステーションのレイアウト - 倉庫ゾーニング、ピッキング、仮置き、車両移動 - 据付・試運転前の仮想試行 - 作業手順レビューと教育準備 - ロボットシーン生成、合成データ、sim-to-real の準備 ## 後続業務でシーンを再利用 検証済みシーンは、設計レビュー、関係者への説明、作業手順、オペレーター教育、自動化計画、ロボティクス開発へ引き継げます。後続チームは同じ施設コンテキスト、資産 ID、前提、承認済みシナリオを使い、環境の再構築を減らせます。 ## 公開プロジェクト事例 DataMesh は [Chen Hsong](/about/news/how-chen-hsong-is-advancing-production-line-solutions-with-digital-twins-and-ai) との生産ライン計画、[Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) との構内物流自動化検証、[NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) を活用したシミュレーションデジタルツインを公開しています。必要な忠実度、受入方法、期待成果は顧客シナリオごとに定義します。 ## 一つの意思決定と代表シナリオから始める 有効なパイロットは、実際に予定されている変更、代表的なアセット、合意済みの前提、明確な受入方法に集中します。DataMesh とお客様は、シーンパイプライン、シナリオロジック、データ入力、シミュレーション深度、比較証跡、引き継ぎを確認してから、より大きなライン、施設、ロボティクスプログラムへ拡張できます。 --- ## [SOLUTIONS] real-time-monitoring ## ライブデータを運用全体の把握につなげる 施設では、制御システム、センサー、メーター、データベース、サービスプラットフォームから、すでにライブ情報が生成されています。運用担当者には、変化が発生した場所、影響を受ける資産や空間、より広い傾向との関連性、対応責任者を判断するための情報が必要です。 DataMeshは、ライブ情報と履歴情報を、運用デジタルツイン上の設備、空間、システム、作業記録に関連付けます。監視室チーム、エンジニア、保全計画担当者、現場技術者は、既存のソースシステムを継続利用しながら、共通のコンテキストに基づいて連携できます。 ## 各信号に資産とシステムのコンテキストを付与 [Data Fusion Services](/products/dfs)は、BMS、SCADA、PLC、IoT、メーター、ヒストリアン、データベース、業務アプリケーションを接続します。[FactVerse](/products/factverse)は、各信号を対応する拠点、空間、資産、システム関係、デジタルツインオブジェクトへマッピングします。 このコンテキストにより、タグやアラームコードを起点に、実際の設備、影響を受けるゾーン、関連センサー、上流・下流システム、直近の保全、進行中の作業まで確認できます。 ## 対応前に関連する変化を確認 一つの運用上の例外に、複数のアラーム、直近の設定値変更、気象、負荷、保全作業、劣化した部品が関係する場合があります。DataMeshは、これらの信号と記録をまとめて確認できるようにします。過去の傾向と想定範囲を参照することで、単発のノイズと調査が必要な状態を見分けやすくなります。 [FactVerse AI Agent](/products/factverse-ai-agent)は、拠点に十分なデータと運用コンテキストがある場合、トレンドの解釈と関連イベントの分析を支援します。 ## 対応を連携し結果を記録 確認済みの状態は、[Inspector](/products/inspector)の点検や作業指示へ移行するか、既存のCMMSと同期できます。対応記録には、元の信号、レビュー担当者、優先順位、担当チーム、現場証跡、完了メモ、フォローアップアクションが関連付けて保持されます。 この履歴により、管理者は、繰り返し発生する状態、対応品質、サービスレベルの実績、予知保全の機会をより明確に把握できます。 ## 一つの資産から複数拠点まで役割別に支援 運用担当者には、現在のアラームとシステム構成が必要です。エンジニアはトレンドと依存関係、現場チームは場所、履歴、手順、ポートフォリオ管理者は拠点比較と未完了作業の状況を確認します。役割別ビューは、基盤となる資産と運用のコンテキストを共有しながら、それぞれの利用者に適した画面を提供します。 ## 対応上重要な一つのシステムから開始 最初の段階では、HVAC、配電、冷却水、クリーンルームのユーティリティ、データセンターの一室など、情報の分散によって対応が遅れているシステムに対象を絞れます。必要なデータ、資産関係、アラームルール、運用上の役割、作業指示への引き継ぎを接続し、チームが共通ビューを信頼できるようになってから対象を広げます。 ## 監視連携によって改善できること - 変化が発生した場所と影響範囲の迅速な把握 - 資産、トレンド、依存関係、サービスのコンテキストに基づく優先順位付け - 監視室でのレビューから現場作業までの明確な引き継ぎ - エンジニアリング、保全、サービス、管理部門を横断した運用状況の共有 - 予知保全とAI支援型運用に再利用できる履歴 --- ## [SOLUTIONS] smart-building ## 施設チームが同じ運用状況を把握できる環境 建物やキャンパスでは、BIM、BMS、メーター、IoT機器、保全プラットフォーム、技術文書、現場記録から大量の情報が生まれます。アラーム対応、技術者の派遣、複数拠点の評価では、これらの情報を継続して関連付けることが重要です。 DataMeshは、所有者、エンジニアリングチーム、サービス事業者、現場技術者に共通の運用コンテキストを提供します。何が起きたか、どこで起きたか、関連する設備とシステム、対応状況、完了後の証跡を一貫して確認できます。 ## 稼働中のビルシステムを接続 [Data Fusion Services](/products/dfs)が標準プロトコルとAPIでビル制御、センサー、メーター、データベース、業務アプリケーションを接続し、[FactVerse](/products/factverse)が空間、資産、システム、関係へマッピングします。既存のBMS、CMMS、EAM、サービス基盤を活用しながら、複数ベンダーや拠点を共通の運用ビューで扱えます。 ## 施設シグナルを追跡可能な作業へ 1. **理解**：アラーム、点検結果、エネルギー異常を空間と設備のコンテキストで確認 2. **判断**：リアルタイム信号、資産履歴、文書、依存関係、運用優先度を評価 3. **実行**：作業指示を作成または同期し、[Inspector](/products/inspector)から現場へ適切な手順を提供 4. **検証**：写真、測定値、完了報告、承認、フォローアップを記録 データ品質と運用手順が整った領域では、[FactVerse AI Agent](/products/factverse-ai-agent)が傾向確認、異常の解釈、作業優先度の判断を支援します。運用上の意思決定は担当チームが管理します。 ## 建物データをチーム横断で再利用 InspectorはBrick Schemaに沿った建物、フロア、ゾーン、設備、メーター、センサー、制御ポイント、システム関係を扱います。共通セマンティクスにより、監視、保全、エネルギー分析、コンプライアンス準備、AI支援運用で同じ運用記録を再利用しやすくなります。 ## エネルギーとGreen Markを日常運用につなぐ DataMeshは設備状態、運転時間、制御動作、保全品質、空間利用の記録を関連付け、EUIと負荷特性の確認、異常調査、改善作業、証跡管理を支援します。シンガポールのGreen Markプロジェクトでは、施設チームと選任コンサルタントが継続的に資料を準備、確認できます。詳細分析では、BIMまたはIFC、気象データ、運用履歴、EnergyPlusモデルを組み合わせて改善シナリオを比較できます。 ## 明確な運用目標から開始 最初のフェーズは、重要なビルシステム、アラームから作業指示までのフロー、エネルギー消費の大きいエリア、サービス課題が繰り返される設備群などに絞れます。データ品質、統合、現場定着、運用指標を確認してから、対象をシステム、建物、拠点へ拡張します。 ## DataMeshの強み - **統合運用コンテキスト**：空間、資産、システム、データ、作業関係を一つのデジタルツインで接続 - **現場実行との連携**：可視化を点検、手順、作業指示、検証可能な完了記録へ展開 - **オープンな統合**：産業プロトコルとAPIで既存のビル・サービスシステムに接続 - **拡張可能な基盤**：同じ施設コンテキストで監視、保全、エネルギー、トレーニング、AI支援運用を展開 --- ## [SOLUTIONS] training ## 実際の仕事に備えてこそ、教育は価値を生む 産業教育では、設備を使える時間、講師、安全規則、手順変更、監督下の実習を同時に考える必要があります。文書と動画だけでは、空間関係、設備内部の動作、作業中の判断を伝えにくい場合があります。DataMeshは3Dガイダンス、デジタルツイン、設備シミュレーション、現場ワークフローを組み合わせ、説明から練習、監督下の実行までをつなぎます。 ## 専用ツールで一つの教育パスを構成 - [Director](/products/director)は承認済み手順と3D教育コンテンツを作成します。 - **DataMesh One**は対応デバイスへコンテンツを配信します。 - [Simulator](/products/simulator)は操作機器と訓練シナリオを使う重機の物理ベース訓練を担当します。 - [Inspector](/products/inspector)と[Checklist](/products/checklist)は監督下の現場タスク、記録、証跡を担当します。 FactVerseは共通の設備・空間コンテキストを提供し、コンテンツ作成、練習、監督下の現場実行を一つの教育パスとしてつなぎます。 ## 知識の保存から監督下の実行へ 職種、重要タスク、現在の教育方法、顧客の準備基準を定義します。Directorで専門家の説明を残し、タスクに応じてガイダンスまたはSimulator練習を選び、講師と安全責任者がレビューします。練習後に現場実習へ進み、必要に応じてInspectorまたはChecklistへ承認済みステップと証跡を記録します。 ## ガイダンスとSimulatorの導入事例 [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)、[Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)、[NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)はガイダンス型教育の参考です。DataMeshは[タワークレーン](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)と[クローラーショベル](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)のSimulator事例も公開しています。 ## 安全と資格要件を教育プログラムへ組み込む DataMeshは説明、反復練習、評価材料、証跡を支援します。顧客の教育方針、適格な監督、作業許可、規制要件、実機評価、正式認定を、プログラム設計の最初から教育パスへ組み込めます。 ## 実作業への準備度を測る 教育チームは、学習者が設備と手順を理解できたか、練習で現場前に一般的なミスを発見できたか、講師が内容を効率よく更新できるか、選択したデバイスやSimulator構成が職種に合うかを測定できます。その結果から、追加練習が必要な項目と展開可能なプログラムを判断します。 --- ## [SOLUTIONS] visualization ## 複雑な運用を空間から理解する 施設、工場、キャンパス、インフラは、空間的な広がりを持つシステムです。設備の場所、システムの依存関係、アクセス経路、プロセスの流れ、作業区域、運用リスクは、表や個別のダッシュボードだけでは把握しにくい情報です。 運用デジタルツインの可視化は、モデル、資産、ライブデータ、文書、作業記録を一つの空間コンテキストに統合します。エンジニアリング、運用、現場、管理部門、外部ステークホルダーは、それぞれの業務に必要な視点から同じ環境を確認できます。 ## 管理可能なモデル資産基盤を構築 BIM、CAD、GIS、点群、設備モデルは、管理対象のモデル資産としてプラットフォームに取り込まれます。バージョン、コンポーネント形状、座標、外部参照を保持するため、特定のプレゼンテーション用途にとどまらず、コンテンツを継続的に維持できます。 [FactVerse](/products/factverse)は、モデルのコンポーネントを、安定したツイン識別情報、空間、システム、センサー、文書、作業記録に関連付けます。この関係によって、表示される各オブジェクトに運用上の意味が与えられ、同じ資産を複数のアプリケーションで再利用できます。 ## ワークフローごとに最適なビューを構成 [FactVerse Designer](/products/designer)を使って、資産、視点、ラベル、データパネル、アニメーション、インタラクションロジックを配置できます。[Data Fusion Services](/products/dfs)は、現在および過去の運用情報を接続します。構成したビューは、監視室での確認、設備点検、研修シーン、施工レビュー、顧客向け説明、現場ワークフローに活用できます。 施設の変化に合わせて基盤となるツインとモデルの関係を更新し、管理されたコンテキストを新たな利用環境にも展開できます。 ## 人とアプリケーションを同じツインへ接続 Webビューと大型ディスプレイは、運用状況の可視化に対応します。[Inspector](/products/inspector)は、点検と保全に空間・資産コンテキストを利用します。DataMesh Oneは、承認済みの3Dコンテンツを対応する現場デバイスへ配信します。Omniverseなどのプロジェクト実行環境には、適切な連携経路を通じて、準備済みのシーンとメタデータを渡すことができます。 この共通基盤により、モデル準備の重複を抑え、エンジニアリングレビューから日常運用まで一貫した資産識別情報を維持できます。 ## Physical AIに必要な空間コンテキストを準備 シミュレーション、ロボティクス、合成データ生成、AIエージェントでは、視覚表現に加えて、一貫した形状、単位、座標、コンポーネント識別情報、システム関係、運用状態、タスクコンテキストが必要です。 FactVerseは、そのコンテキストの準備に使用する管理対象のツイン・資産レイヤーを提供します。プロジェクトのワークフローでは、レンダリング、シミュレーション、検証に向けて、シーンとメタデータをOmniverse、Isaac、PhysX、Newton、ロボティクスミドルウェア、その他の承認済み実行環境へ渡すことができます。 ## 複雑なプロジェクト環境での実績 DataMeshは、[JTC](/about/news/collaboration-between-jtc-datamesh)とデジタルツインおよび複合現実を活用し、[大林組](/about/news/digital-twin-empowers-bim-obayashi)の施工ワークフローを支援してきました。また、戸田建設と[SAGAアリーナ](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena)の施工シミュレーションを提供し、[TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq)のデジタルツイン体験にも参画しました。 ## 再利用可能な一つの運用ビューから開始 空間コンテキストによって明確な連携課題を解消できる施設またはワークフローを選びます。必要なモデル範囲、オブジェクトマッピング、座標規則、詳細度、担当責任、データ連携、更新プロセスを定義します。チームがその基盤を維持し、再利用できることを確認してから、監視、点検、シミュレーション、研修、Physical AIワークフローへ展開します。 ## 再利用可能なツインがもたらす価値 - 資産、関係性、経路、運用への影響を迅速に把握 - エンジニアリング、運用、現場作業、ステークホルダーレビューで共有できる一つの空間コンテキスト - 監視、保全、研修、シミュレーションを横断したモデル資産の再利用 - Physical AIとロボティクスのワークフローに向けた一貫性のあるシーン準備 - 新しいアプリケーションの導入に伴う準備作業の重複を軽減 --- ## [SOLUTIONS] workflow-digitization ## システムとサービス提供者を横断する一つの保全フロー 大規模施設では、複数の保全環境が併存していることが少なくありません。建物、請負業者、設備グループ、地域ごとに異なるCMMSが使われ、現場からの依頼は別のチャネルで届く一方、アラーム、資産データ、手順、在庫もそれぞれ別の場所で管理されています。 DataMeshは、この環境全体をつなぐ共通の運用レイヤーを構築します。各下流CMMSは担当作業を引き続き管理でき、施設チームは要求、優先順位、資産コンテキスト、割り当て、同期状況、完了証跡を一貫したビューで把握できます。 ## 受付・優先度判断に必要なコンテキストとともに依頼を受け付ける 作業依頼は、現場担当者、ポータル、メール、アラーム、自然言語による対話から受け付けられます。依頼には、利用可能な範囲で、依頼者、設備、場所、重要度、説明、写真、音声メモ、位置情報が含まれます。 監督者は依頼を確認して優先順位を付け、作業指示へ移行するか、理由を記録して却下できます。保全チームは、依頼が実行待ちのキューに入る前に、統制された受付プロセスを運用できます。 ## 複数のCMMSサービス提供者を横断して作業を連携 [Data Fusion Services](/products/dfs)は、プロジェクト固有のAPI、アダプター、Webhook、データベース、メッセージ、ファイルインターフェースを通じて保全プラットフォームを接続します。資産マッピングにより、各システム上の同一設備を関連付けます。システム横断の作業指示ビューには、ソースプラットフォーム、外部参照、担当サービス提供者、同期状況が保持されます。 この運用モデルは、下流システムを継続利用するポートフォリオ向けに設計されています。すべての建物やサービス提供者を一つのトランザクションシステムへ移行させることなく、DataMeshで連携と可視化を一元化できます。 ## 人員、予防保全、資材を一体で計画 [Inspector](/products/inspector)は、割り当てから完了まで作業指示のライフサイクルを支えます。作業は、社内技術者、請負業者、チームへ割り当てられます。予防保全スケジュールから定期的な作業指示を生成し、予備部品と在庫の記録を活用して、準備状況の確認と使用量の記録を行えます。 管理者は、未完了作業、期限超過の予防保全、サービスレベル違反、バックログ、保全傾向を同じ運用コンテキストから確認できます。 ## 現場チームに実行可能なガイダンスを提供 [Checklist](/products/checklist)は、必須の確認項目と証跡を体系化します。[Director](/products/director)は、設備構造や空間的な指示が重要な場面でガイド付き手順を提供します。Inspectorは、タスクを正しい資産、場所、アラーム、保全履歴、文書、写真、測定値、承認、完了メモに関連付けて保持します。 蓄積された記録は、シフト引き継ぎ、請負業者のレビュー、監査準備、定期作業の継続的な改善に活用できます。 ## プロセスの準備状況に応じてAI支援を導入 [FactVerse AI Agent](/products/factverse-ai-agent)は、依頼内容の解釈、アラームと資産コンテキストの確認、作業の優先順位付け、ナレッジ検索、推奨アクションの準備を支援します。設定された役割、承認ステップ、権限、実行統制によって、各提案を運用ワークフローへ取り込む方法が決まります。 ## 一つのシステム横断ワークフローから開始 最初の段階では、サービス提供者を1社、作業依頼チャネルを1つ、重要設備グループを1つに絞って接続できます。資産マッピング、同期、割り当て、現場記録、管理上の可視性を検証してから、CMMSサービス提供者、拠点、予防保全プログラム、在庫プロセスの対象を広げます。 ## 作業連携によって改善できること - システムとサービス提供者を横断した保全要求と担当責任の一元把握 - 依頼やアラームから現場作業の割り当てまでの迅速化 - 技術者、チーム、予防保全、部品の連携強化 - 組織の境界を越えて追跡できる同期状況と完了証跡 - 分析、AI支援、プロセス改善に活用しやすい運用履歴 --- ## [SOLUTIONS] 교통 흐름 관리 > TrafficOps, 디지털 트윈, AI 기반 의사결정 지원으로 검문소, 항만, 교통 허브의 승객·차량·화물 흐름을 통합 운영합니다. ## 흐름, 자산, 대응을 하나의 운영 화면으로 연결 교통 수요, 레인 가용성, 장비 상태, 시설 조건, 현장 자원이 검문소와 터미널의 운영 성과를 함께 결정합니다. 교통 흐름 관리는 TrafficOps 모듈과 FactVerse AI Agent를 결합해 압력을 더 일찍 파악하고 하나의 운영 화면에서 대응을 조정합니다. ## 디지털 트윈과 AI 기반 의사결정 루프 1. **신호 연결** — Data Fusion Services가 레인 데이터, 카운터, 대기열 측정값, 장비 상태, 알람, 시설 시스템을 통합합니다. 2. **운영 압력 분석** — TrafficOps와 FactVerse AI Agent가 흐름 추세, 병목, 사고, 이상 장비 상태를 파악합니다. 3. **맥락 안에서 대안 검토** — FactVerse와 Twin Engine이 레인, 인력, 인프라, 후속 운영에 미치는 영향을 보여줍니다. 4. **실행과 기록** — 승인된 조치는 기존 시스템에서 실행되고 추적 가능한 운영 기록으로 남습니다. ## 주요 운영 시나리오 - 도착량 급증과 대기열 압력을 피크 전에 파악 - 교통 및 장비 맥락을 반영한 레인과 인력 계획 - 운영, 시설, 장비 간 사고 대응 조정 - 교통량이 낮은 시간대에 유지보수 배치 - 서비스 개선을 위한 판단과 결과 기록 ## 모니터링에서 조정된 의사결정으로 | 기존 운영 | 교통 흐름 관리 | |---|---| | 대기열 형성 후 확인 | 흐름과 피크 압력 조기 파악 | | 분리된 레인 계획 | 레인, 인력, 장비의 공통 맥락 | | 시스템별 알람 | 시스템 간 사고 분석 | | 일정 기반 유지보수 | 실제 교통 창구에 맞춘 유지보수 | ## 핵심 교통 인프라를 위한 운영 기반 DataMesh의 인프라 안전 교육과 복합 시설 디지털 트윈 경험은 신뢰할 수 있는 장비, 명확한 절차, 조정된 현장 대응의 기반을 제공합니다. TrafficOps는 승객·차량·화물 흐름, 혼잡, 사고, 자원 계획, 장비 상태, 의사결정 기록을 연결합니다. ## 관련 제품 - [FactVerse](/products/factverse) — 공유 공간 및 운영 맥락 - [FactVerse AI Agent](/products/factverse-ai-agent) — 분석과 의사결정 지원 - [FactVerse Twin Engine](/products/factverse-twin-engine) — 트윈 맥락에서 운영 대안 검토 - [Data Fusion Services](/products/dfs) — 레인, 센서, 시설, 운영 데이터 연결 --- ## [SOLUTIONS] 데이터 센터 운영 > 시설 자산, 에너지 계량, 점검, 유지보수 기록, 실시간 인프라 데이터를 데이터센터 디지털 트윈에 연결해 운영 가시성을 제공합니다. ## 왜 데이터 센터 운영이 필요한가 데이터센터 운영팀은 자산, 에너지, 알람, 점검, 유지보수를 함께 볼 수 있는 신뢰도 높은 운영 화면이 필요합니다. DCOps 모듈은 이러한 기록을 연결해 여러 사이트를 더 쉽게 이해하고 점검하고 유지보수하고 보고할 수 있게 합니다. ## 디지털 트윈 운영 루프 1. **시설 데이터와 자산 컨텍스트 연결** — Data Fusion Services가 BMS 빌딩 관리 데이터, EPMS 전력 모니터링, DCIM 데이터센터 인프라 정보, 계량기, 알람, 랙 컨텍스트, 메타데이터, 유지보수 기록을 통합합니다. 2. **사이트를 twin으로 구성** — FactVerse가 룸, 랙, 전력 경로, 냉각 구역, 장비, 센서, 책임 프로세스를 공간 운영 모델로 매핑합니다. 3. **운영 상태 계산과 검토** — 팀은 사이트, 룸, 자산, 시스템별 에너지 지표, 장비 상태, 알람 맥락, 점검 결과, 유지보수 이력을 검토합니다. 4. **실행과 증적 보존** — Inspector와 작업 지시 워크플로가 확인된 문제를 현장 작업, 수리 기록, 리뷰 노트, 추적 가능한 운영 증적으로 전환합니다. ## 운영팀은 데이터 센터 운영를 어디에 쓰는가 - 멀티사이트 데이터센터 디지털 트윈 시각화 - 시설 자산 등록과 랙/장비 컨텍스트 관리 - 에너지 계산, 계량기 검토, 운영 추이 보고 - 점검 경로, 유지보수 작업, 수리 기록, 작업 지시 인수인계 - 자산 위치, 장비 관계, 서비스 이력을 바탕으로 한 알람 조사 ## 기존 인프라 운영 워크플로 확장 | 기존 DCIM | 데이터 센터 운영 | |---|---| | 모니터링 대시보드 | 운영, 점검, 유지보수팀이 공유하는 공간형 facility 컨텍스트 | | 분리된 자산 표 | 룸, 랙, 장비, 서비스 책임을 디지털 트윈으로 구성 | | 에너지 수치를 개별 검토 | 에너지 계산과 추이를 자산, 룸, 사이트와 연결 | | 현장 맥락 없는 알람 | 자산 중심의 알람, 점검, 수리, 작업 지시 이력 | | 여러 도구에서 분리된 자산 상태 검토 | 자산별 알람, 추세, 유지보수 이력, 작업 기록 연결 | ## 대표적인 운영 가치 팀은 집중형 파일럿을 통해 가시성 향상, 실행 일관성, 기록 품질, 인수인계 속도, 의사결정 근거를 검증합니다. 실제 효과는 현장 범위, 데이터 준비도, 프로세스 성숙도, 확산 방식에 따라 달라집니다. ## 멀티사이트 데이터센터 운영 경험 DataMesh는 국제 통신 사업자를 위해 여러 해외 데이터센터 사이트에 디지털 트윈 시스템을 구축했습니다. [IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center), [복합 시설 디지털 트윈](/about/news/collaboration-between-jtc-datamesh), [산업 예지보전](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 공개 자료에서 관련 제품 기반을 확인할 수 있습니다. ## 관련 제품 - FactVerse — 운영 컨텍스트와 twin 작업 공간 - Data Fusion Services — 빌딩 관리, 전력 모니터링, 데이터센터 인프라, 계량기 및 주변 시스템 연결 - Inspector — 점검, 유지보수, 작업 지시 컨텍스트와 현장 증적 - FactVerse AI Agent — 자산 상태 검토, 이상 분석, 운영 지식 지원 --- ## [SOLUTIONS] 반도체 시설 운영 > 클린룸 환경, 유틸리티, 알람, 유지보수 맥락, AI 분석, Inspector 작업 지시를 하나의 운영 루프로 연결합니다. ## 시설 측면을 위한 AI Semiconductor Facility AI는 Data Fusion Services, FactVerse, FactVerse AI Agent, Inspector를 결합해 시설 팀이 드리프트를 감지하고 유지보수를 우선순위화하며 발견 사항을 검증된 작업으로 연결하도록 돕습니다. ## 주요 활용 - 클린룸 드리프트 감지와 대응 - HVAC, 냉수, CDA, 진공, 배기 모니터링 - 시설 자산의 예측 유지보수 우선순위 - 운영 컨텍스트 기반 알람 triage - Inspector 작업 지시와 검증 ## 신호부터 작업 완료까지 연결 Data Fusion Services가 클린룸, 유틸리티, 유지보수 데이터를 연결하고 FactVerse가 구역과 자산에 매핑합니다. FactVerse AI Agent는 분석을 지원하고 Inspector는 검증된 결과를 현장 실행으로 이어갑니다. ## 핵심 시설 시스템부터 시작 클린룸 환경, 냉수, 압축 공기, 진공, 배기 중 하나에서 시작해 데이터, 알람, workflow를 검증한 뒤 다른 시스템과 사이트로 확대합니다. --- ## [SOLUTIONS] 사이트 간 전문가 지원 > 기술자 화면, 자산 맥락, 점검 결과를 공유해 같은 상황을 함께 판단합니다. ## 물리적 작업 지점에 디지털 인텔리전스 제공 DataMesh는 AR 검사, 문제 해결, 자산 기반 작업 지시를 실제 운영에서 실행 가능한 역량으로 만듭니다. 모델, 데이터, 지식, 현장 업무를 하나의 디지털 트윈 안에서 연결합니다. ## 어디서나 활용되는 전문가 지식 시작점은 기존 BIM/CAD 모델, 시스템 데이터, 센서, 작업 지시, 문서입니다. Data Fusion Services가 소스를 연결하고 FactVerse가 이를 공간, 자산, 시스템, 프로세스에 매핑해 AR 검사, 문제 해결, 자산 기반 작업 지시를 지원합니다. ## 실제로 남는 검사 데이터 핵심은 가시성을 실제 행동으로 전환하는 것입니다. Inspector, Director, DataMesh One, FactVerse AI Agent는 신호를 점검, 안내, 작업 지시, 증빙으로 연결합니다. ## 하나의 현장 실행 환경 - [Director](/products/director) — 3D 가이드 절차 저작 - [DataMesh One](/products/director) — 모바일 및 AR/MR 현장 실행 - [Inspector](/products/inspector) — 검사, 작업 지시, 기록 관리 - [FactVerse](/products/factverse) — 디지털 트윈 컨텍스트 플랫폼 --- ## [SOLUTIONS] 팀 간 설계 briefing > 완료 작업을 설계 맥락과 비교하고 설치 편차, 누락, 간섭, 시정 증빙을 기록합니다. ## 현장 팀에는 실행 가능한 공간 맥락이 필요합니다 DataMesh는 BIM 기반 현장 가이드, 설치 절차, 운영 인수인계를 실제 운영에서 실행 가능한 역량으로 만듭니다. 모델, 데이터, 지식, 현장 업무를 하나의 디지털 트윈 안에서 연결합니다. ## 설계 모델에서 현장 실행으로 시작점은 기존 BIM/CAD 모델, 시스템 데이터, 센서, 작업 지시, 문서입니다. Data Fusion Services가 소스를 연결하고 FactVerse가 이를 공간, 자산, 시스템, 프로세스에 매핑해 BIM 기반 현장 가이드, 설치 절차, 운영 인수인계를 지원합니다. ## 가치가 큰 적용 영역 핵심은 가시성을 실제 행동으로 전환하는 것입니다. Inspector, Director, DataMesh One, FactVerse AI Agent는 신호를 점검, 안내, 작업 지시, 증빙으로 연결합니다. Construction Guidance는 MEP 설치, 장비실, 리노베이션 층, 은폐 공사, 인수인계에 특히 유용합니다. 공개 참고 사례로 JTC, Obayashi, Toda, SAGA Arena 시뮬레이션이 있습니다. ## 시공 기록을 운영으로 연결 핵심은 가시성을 실제 행동으로 전환하는 것입니다. Inspector, Director, DataMesh One, FactVerse AI Agent는 신호를 점검, 안내, 작업 지시, 증빙으로 연결합니다. ## 복잡한 건설 프로젝트에서 검증된 경험 DataMesh는 [JTC](/about/news/collaboration-between-jtc-datamesh)와 BIM, 디지털 트윈, 혼합현실을 적용했고, [Obayashi](/about/news/digital-twin-empowers-bim-obayashi)의 건설 workflow에 디지털 트윈을 활용했습니다. Toda와는 [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) 시공 시뮬레이션을 수행했으며, [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 프로젝트에서는 완공 전 복잡한 미래 공간을 이해하도록 돕는 디지털 트윈 경험을 선보였습니다. ## 가치가 높은 시공 구역에서 시작 명확한 범위의 현장부터 시작해 데이터 품질, 사용자 흐름, 기록을 검증한 뒤 다른 자산, 팀, 사이트로 확장합니다. ## 설계 의도, 현장 작업, 인계를 연결 - [FactVerse](/products/factverse) — 디지털 트윈 컨텍스트 플랫폼 - [FactVerse Designer](/products/designer) — 장면 설계와 시뮬레이션 - [DataMesh One](/products/director) — 모바일 및 AR/MR 현장 실행 - [Inspector](/products/inspector) — 검사, 작업 지시, 기록 관리 --- ## [SOLUTIONS] green-transformation ## 에너지를 운영 프로세스로 관리 에너지 성과는 장비 상태, 일정, 제어, 날씨, 재실, 유지보수 품질, 공간 사용 방식에 따라 달라집니다. 효과적인 에너지 프로그램은 이러한 요소를 개선을 담당하는 팀과 업무에 연결합니다. DataMesh는 BMS, 계량기, IoT, 히스토리언, BIM 또는 IFC, 유지보수 기록, 작업 지시를 운영 디지털 트윈에 통합합니다. 시설 및 엔지니어링 팀은 기준선을 수립하고 비정상 소비를 조사하며 선택한 시나리오를 비교하고, 시정 작업을 실행해 결과 증빙을 보존할 수 있습니다. ## 추적 가능한 에너지 및 시설 맥락 구축 [Data Fusion Services](/products/dfs)는 여러 공급업체의 제어 시스템, 계량기, 센서, 데이터베이스, 엔터프라이즈 애플리케이션을 연결합니다. [FactVerse](/products/factverse)는 데이터를 현장, 공간, 시스템, 장비, 운영 관계에 매핑합니다. Inspector는 건물, 층, 구역, 장비, 계량기, 센서, 제어 포인트에 Brick Schema 기반 의미 체계를 적용할 수 있습니다. 이 공통 구조를 통해 에너지 예외, 분석 입력값, 평가 기록을 관련 자산과 소스 데이터까지 추적할 수 있습니다. ## 소비량에 영향을 주는 운영 조건 파악 에너지 검토에는 부하, 날씨, 재실, 일정, 설정값, 장비 상태, 알람, 유지보수 이력을 함께 활용할 수 있습니다. 팀은 고부하 시간대, 제어 편차, 동시 냉난방, 장비 성능 저하, 일정 불일치, 시스템 간 동작을 조사할 수 있습니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 활용 가능한 시설 맥락을 바탕으로 추세 검토와 이상 해석을 지원할 수 있습니다. 엔지니어는 프로젝트의 데이터, 방법, 가정, 권장 조치를 검증합니다. ## EnergyPlus로 선택한 시나리오 비교 의사결정에 심층적인 건물 에너지 분석이 필요한 경우 프로젝트 팀은 BIM 또는 IFC 데이터, 날씨, 운영 기록, EnergyPlus 기반 모델을 결합할 수 있습니다. 운영 일정, 설정값, 장비 변경, 외피 옵션, 공간 사용 가정을 비교 대상으로 삼을 수 있습니다. 모델 범위, 보정 방식, 입력 품질, 의사결정 기준은 프로젝트별로 정의합니다. 결과는 개선 작업의 우선순위를 정하고 승인하는 데 사용하는 검토 기록에 포함됩니다. ## 일상 운영 데이터로 Green Mark 증빙 준비 Singapore Green Mark 업무에는 에너지 성과, 건물 외피, 시스템 정보, 유지관리성, 운영 기록, 평가 자료가 활용됩니다. DataMesh는 EUI 및 외피 입력값, 건물과 시스템의 관계, 평가 이력, 유지보수 증빙, 시정 조치를 관련 현장을 중심으로 구성하도록 지원합니다. 이렇게 정리된 기록은 해당 BCA 프로세스에서 소유주, 시설 팀, 엔지니어, 지정 컨설턴트, 평가자 간 협업을 지원합니다. ## 검증된 개선 기회를 완료된 작업으로 연결 [Inspector](/products/inspector)는 승인된 개선 기회를 점검, 배정, 작업 지시, 현장 실행, 증빙 수집, 후속 측정으로 이어갑니다. 팀은 수행된 조치, 완료 담당자, 수집된 증빙, 이후 운영 조건의 변화를 확인할 수 있습니다. ## 측정 가능한 에너지 우선순위에서 시작 소스 데이터와 담당 체계가 명확한 건물, 시스템군, 운영 문제 하나에서 시작합니다. 기준선을 수립하고 자산 및 계량기 관계를 검증하며 선택한 상태를 조사합니다. 합의된 조치를 실행하고 결과를 검토한 뒤 프로그램 범위를 확장합니다. ## 운영형 에너지 프로그램이 제공하는 기반 - 공간, 시스템, 장비, 운영 일정과 연결된 에너지 분석 - Brick 기반 자산 및 포인트 관계에서 구축된 일관된 증빙 - 프로젝트별 EnergyPlus 모델이 지원하는 시나리오 비교 - 일상 시설 운영과 연결된 Green Mark 준비 기록 - 시정 작업, 현장 증빙, 후속 측정을 하나의 추적 가능한 흐름으로 관리 --- ## [SOLUTIONS] 스마트 지역난방 솔루션 > DataMesh 스마트 지역난방 솔루션은 FactVerse AI Agent의 HeatOps 모듈, Data Fusion Services, FactVerse 디지털 트윈, Inspector, 기존 제어 시스템 연계를 결합해 예측, 네트워크 진단, 운영 지원, 작업 지시, 현장 실행을 연결합니다. ## 지역난방에는 운영 루프가 필요합니다 지역난방 운영의 어려움은 열원, 배관망 수리 상태, 열교환 스테이션, 건물 말단, 사용자 민원, 요금, 현장 작업이 서로 다른 시스템에 흩어져 있는 데서 시작됩니다. 운영자는 어느 구역의 부하가 증가할지, 어떤 지선이 불균형한지, 어떤 조치가 쾌적성을 높이면서 에너지 낭비를 줄일지 판단해야 합니다. DataMesh 스마트 지역난방 솔루션은 이러한 신호를 하나의 운영 맥락으로 연결합니다. FactVerse AI Agent의 HeatOps 모듈은 예측, 진단, 지식 검색, 운영 권고를 담당하고, Data Fusion Services는 기존 시스템을 연결하며, FactVerse는 네트워크 디지털 트윈을 제공하고, Inspector는 분석 결과를 작업 지시와 현장 실행으로 이어 줍니다. ## 실제 난방 개보수 설계에서 나온 운영 모델 이 산업 모듈은 다중 스테이션 난방 운영을 전제로 설계되었습니다. 일반적으로 온도, 압력, 유량, 보충수, 밸브, 펌프를 다루는 센싱 레이어, 열원, 스테이션, 배관, 건물, 사용자 컨텍스트를 관리하는 Data Fusion Services, 부하 예측, 이상 진단, 수리 균형, 에너지·탄소 분석을 담당하는 FactVerse AI Agent, PLC, 디스패치 지시, 현장 작업으로 이어지는 실행 레이어, 그리고 관제실, 관리자, 유지보수 팀, 고객 서비스용 인터랙션 레이어로 구성됩니다. 이 지점에서 Physical AI는 실제 난방 운영에 의미를 갖습니다. AI 권고는 운영 데이터, 배관망 토폴로지, 열관성, 설비 한계, 제어 권한, 현장 안전 절차를 함께 반영합니다. 각 권고는 근거, 영향 범위, 실행 조건을 설명할 수 있어야 합니다. ## 보기: 열원, 배관망, 스테이션, 건물 HeatOps 모듈은 난방 자산을 GIS 지도, 배관망 토폴로지, 스테이션 화면에 배치합니다. 운영 팀은 스테이션 상태, 공급·환수 온도, 차압, 유량, 열량, 펌프와 밸브 상태, 건물 구역, 실내 피드백, 알람, 작업 지시를 함께 확인할 수 있습니다. 단일 지점 모니터링보다 난방 시즌 현장 판단에 더 적합합니다. 말단 구역에서 민원이 늘어나면 상류 스테이션, 지선, 밸브 상태, 압력 변화, 과거 조치 이력을 같은 흐름에서 볼 수 있습니다. ## 계산: 예측, 진단, 에너지·탄소 리뷰 부하 예측은 날씨가 바뀌기 전에 예상 수요 곡선을 보여줍니다. 이상 진단은 공급·환수 온도차, 보충수, 압력 변동, 열교환 효율, 펌프 에너지, 사용자 피드백을 결합해 열원 부족, 지선 불균형, 열교환기 오염, 누수, 보온 성능 저하, 국부 제어 문제를 구분합니다. 관리 측면에서 이 모듈은 열량, 연료, 전력, 열손실, 탄소 데이터를 난방 시즌 운영 기록으로 정리하고 디스패치 전략, 개보수, 사고 대응이 실제 서비스 품질을 개선했는지 검토하게 합니다. ## 제어: 권고에서 감사 가능한 실행까지 난방 제어는 단계적으로 추진하는 것이 적합합니다. 권고는 FactVerse AI Agent에서 시작하고 운영자 확인, 제한된 쓰기 제어, 결과 확인으로 이어집니다. HeatOps 모듈은 밸브 개도, 펌프 주파수, 공급 온도 같은 조치를 안전 경계와 승인 흐름 안에서 다루고, 누가 승인했는지, 언제 실행됐는지, 결과가 어땠는지 기록합니다. 이 방식은 AI를 실제 운영에 포함시키면서도 사업자가 안전, 책임, 컴플라이언스를 통제할 수 있게 합니다. ## 사용: 지식, 고객 서비스, 작업 지시 연계 난방 운영은 관제실, 사용자 민원, 현장 점검, 수리 기록, 장비 매뉴얼, 비상 절차를 함께 다룹니다. HeatOps 모듈은 FactVerse AI Agent의 AI Advisor로 운영 지식을 검색하고, 알람을 설명하고, 점검 단계를 만들고, 작업 지시를 생성하며, 현장 결과를 다음 운영 주기로 되돌립니다. ## 연결된 운영 구역에서 시작 제한된 열교환 스테이션과 배관망 구역에서 시작하는 것이 좋습니다. Data Fusion Services로 핵심 실시간 데이터와 자산 토폴로지를 먼저 연결하고, 스테이션 현황, 이상 진단, 부하 예측, 작업 지시 흐름을 검증합니다. 이후 에너지·탄소 분석, 수리 균형, 디스패치 권고로 확장합니다. PLC나 제어 시스템 쓰기 제어는 현장 권한, 안전 제약, 감사 요건이 명확해진 뒤 진행해야 합니다. ## 네트워크 인텔리전스와 현장 실행을 하나로 - [FactVerse AI Agent](/products/factverse-ai-agent)는 HeatOps 산업 모듈을 통해 예측, 진단, 지식 Q&A, 디스패치 권고를 지원합니다 - [Data Fusion Services](/products/dfs)는 SCADA, SIS, 계량, 날씨, 요금, 민원, 작업 지시 시스템을 연결합니다 - [FactVerse Platform](/products/factverse)는 열원, 배관망, 스테이션, 건물, 설비의 디지털 트윈 맥락을 관리합니다 - [Smart Facility Management](/solutions/smart-building)는 같은 운영 모델을 캠퍼스와 건물 시설 관리로 확장합니다 --- ## [SOLUTIONS] 예지보전 > 산업용 센서 데이터, 디지털 트윈, 폐쇄형 실행 루프를 바탕으로 알람 중심 유지보수에서 AI 기반 예지보전으로 전환합니다. ## 반응형 유지보수에서 검증 가능한 의사결정으로 FactVerse AI Agent 예지보전 모듈은 운영팀에 의사결정 루프를 제공합니다. 산업용 센서 데이터, 자산 컨텍스트, AI 분석, 디지털 트윈을 결합하면 팀은 무엇이 변하고 있는지, 왜 중요한지, 다운타임 전에 어떻게 대응해야 하는지를 이해할 수 있습니다. ## 신호 → 분석 → 트윈 검증 → 의사결정 1. **신호 수집** — Data Fusion Services가 센서 스트림, 히스토리언 태그, 점검 기록, 설비 메타데이터를 통합합니다. 2. **AI 분석** — FactVerse AI Agent가 열화 패턴, 상태 신호, 이상 추세를 평가합니다. 3. **트윈 검증** — FactVerse Twin Engine과 FactVerse가 진단에 필요한 공간적·운영적 컨텍스트를 제공합니다. 4. **실행** — Inspector가 검증된 결과를 작업지시, 현장 작업, 추적 가능한 후속 조치로 연결합니다. ## 유지보수 팀을 위한 운영 검증 FactVerse AI Agent 예지보전 모듈은 신뢰할 수 있는 센싱, 자산 맥락, AI 분석, 트윈 검토를 결합해 운영 맥락 안에서 유지보수 위험을 평가할 수 있게 합니다. - 엣지의 신뢰할 수 있는 산업 센싱 - 다중 소스 운영 컨텍스트 - AI 기반 추세 분석과 상태 평가 - 유지보수 의사결정을 위한 디지털 트윈 가시성 ## 더 이른 개입, 더 적은 노이즈 팀은 임계치 알람이 울리기 전에 맥락 속에서 이상 징후를 검토하고 올바른 자산의 우선순위를 정한 뒤 계획 정비로 더 빨리 전환할 수 있습니다. ## 산업 유지보수 현장에서 검증된 경험 DataMesh와 [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 AI 기반 예지보전을 복잡한 산업 시설에 적용하고 있습니다. [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)와 [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 프로젝트는 FactVerse가 유지보수 지식, 현장 실행, 재사용 가능한 운영 기록을 연결하는 방법도 보여줍니다. ## 핵심 자산부터 시작해 확장 운영 영향이 명확하고 충분한 이력이 있는 핵심 자산군이나 설비 시스템부터 시작합니다. 데이터 품질과 실행 루프를 검증한 뒤 같은 운영 모델을 더 많은 장비와 사이트로 확장할 수 있습니다. ## 관련 제품 - FactVerse — 운영 컨텍스트를 위한 플랫폼 레이어 - FactVerse AI Agent — 이상 탐지, 분석, 의사결정 지원 - FactVerse Twin Engine — 트윈 검증과 실행 컨텍스트 - Data Fusion Services — 센서, 히스토리언, 시스템 연결성 - Inspector — 작업지시와 현장 실행 ## 대표적인 효과 | 지표 | 효과 | |------|------| | 조기 신호 검토 | 잠재적 유지보수 문제를 더 빠르게 식별하고 우선순위를 정함 | | 비계획 다운타임 | 조기 개입과 계획 정비로 감소 | | 오탐 | 추세 기반 분석과 컨텍스트 진단으로 감소 | | 유지보수 실행 | 탐지에서 검증된 현장 조치까지 전달 속도 향상 | --- ## [SOLUTIONS] 프로세스 시뮬레이션 및 가상 계획 > FactVerse Designer로 레이아웃을 계획하고, 워크플로를 시뮬레이션하고, 시나리오를 비교하며, 운영 리스크와 물리 동작을 배포 전에 검증합니다. ## Physical AI를 위한 Designer 중심 시뮬레이션 Process Simulation & Virtual Planning은 레이아웃 계획, 프로세스 로직 모델링, 시나리오 비교, 가상 시험을 위한 FactVerse Designer 워크플로입니다. 포장 프로세스, 자재 흐름, 설비 상호작용, 운영 절차를 실제 변경 전에 검증할 수 있습니다. ## 주요 활용 - 포장 프로세스와 설비 상호작용 검증 - 생산 셀과 작업 스테이션의 가상 계획 - 창고 구역, 피킹 경로, staging 영역 비교 - 현장 변경 전 가상 시운전 - 자동화와 로보틱스를 위한 Physical AI 시나리오 준비 ## 관련 제품 - [FactVerse Designer](/products/designer) - 레이아웃, 프로세스 로직, 시나리오 작성 - [FactVerse](/products/factverse) - 디지털 트윈 플랫폼 - [Data Fusion Services](/products/dfs) - 운영 데이터 연결 - [FactVerse Twin Engine](/products/factverse-twin-engine) - 검증을 위한 물리 컨텍스트 --- ## [SOLUTIONS] real-time-monitoring ## 실시간 데이터를 운영 상황으로 구성 시설에서는 이미 제어 시스템, 센서, 계량기, 데이터베이스, 서비스 플랫폼을 통해 실시간 정보가 생성됩니다. 운영자는 변화가 발생한 위치, 영향을 받는 자산과 공간, 더 큰 패턴과의 연관성, 대응 책임자를 파악해야 합니다. DataMesh는 실시간 및 과거 정보를 운영 디지털 트윈에 표현된 장비, 공간, 시스템, 작업 기록과 연결합니다. 관제실 팀, 엔지니어, 유지보수 계획 담당자, 현장 기술자는 기존 소스 시스템을 계속 사용하면서 동일한 맥락에서 협업할 수 있습니다. ## 각 신호에 자산 및 시스템 맥락 부여 [Data Fusion Services](/products/dfs)는 BMS, SCADA, PLC, IoT, 계량기, 히스토리언, 데이터베이스, 엔터프라이즈 애플리케이션을 연결합니다. [FactVerse](/products/factverse)는 각 신호를 관련 현장, 공간, 자산, 시스템 관계, 디지털 트윈 객체에 매핑합니다. 이 맥락을 통해 팀은 태그나 알람 코드에서 실제 장비, 영향 구역, 관련 센서, 상하위 시스템, 최근 유지보수, 진행 중인 작업으로 빠르게 이동할 수 있습니다. ## 대응 전에 관련 변화 검토 운영 예외에는 여러 알람, 최근 설정값 변경, 날씨, 부하, 유지보수 활동, 성능이 저하된 부품이 함께 영향을 줄 수 있습니다. DataMesh는 이러한 신호와 기록을 모아 검토할 수 있게 합니다. 과거 추세와 예상 범위는 일시적인 잡음과 조사가 필요한 상태를 구분하는 데 도움이 됩니다. 현장에 충분한 데이터와 운영 맥락이 갖춰져 있다면 [FactVerse AI Agent](/products/factverse-ai-agent)가 추세 해석과 관련 이벤트 분석을 지원할 수 있습니다. ## 대응을 조율하고 결과를 기록 확인된 상태는 [Inspector](/products/inspector)의 점검 및 작업 지시로 전환하거나 기존 CMMS와 동기화할 수 있습니다. 대응 기록에는 최초 신호, 검토자, 우선순위, 배정된 팀, 현장 증빙, 완료 메모, 후속 조치가 연결된 상태로 유지됩니다. 이 이력을 통해 관리자는 반복되는 상태, 대응 품질, 서비스 수준 성과, 예측 유지보수 기회를 더욱 명확히 파악할 수 있습니다. ## 개별 자산부터 여러 현장까지 역할별 지원 운영자에게는 현재 알람과 시스템 토폴로지가 필요할 수 있습니다. 엔지니어는 추세와 종속 관계를, 현장 팀은 위치, 이력, 절차를 확인해야 합니다. 포트폴리오 관리자는 현장 비교와 미완료 작업 상태를 살펴봅니다. 역할 기반 화면은 모든 사용자를 같은 화면에 맞추지 않으면서도 동일한 자산 및 운영 맥락을 활용합니다. ## 대응이 중요한 하나의 시스템에서 시작 초기 단계에서는 HVAC, 배전, 냉각수, 클린룸 유틸리티, 데이터센터실처럼 정보 분산으로 대응이 늦어지는 시스템 하나에 집중할 수 있습니다. 필요한 데이터, 자산 관계, 알람 규칙, 운영 역할, 작업 지시 인계를 연결하고 팀이 공통 화면을 신뢰하게 되면 범위를 확장합니다. ## 통합 모니터링으로 개선되는 운영 - 변화가 발생한 위치와 영향 범위를 신속하게 파악 - 자산, 추세, 종속 관계, 서비스 맥락을 바탕으로 우선순위를 정교하게 결정 - 관제실 검토에서 현장 실행으로 이어지는 명확한 인계 - 엔지니어링, 유지보수, 서비스, 관리 조직이 운영 상태를 공유 - 예측 유지보수와 AI 지원 운영에 재사용할 수 있는 이력 확보 --- ## [SOLUTIONS] smart-building ## 모든 시설 팀이 같은 운영 상황을 확인 건물과 캠퍼스는 BIM, BMS, 계량기, IoT 장치, 유지보수 플랫폼, 기술 문서, 현장 기록에서 많은 정보를 생성합니다. DataMesh는 알람 대응, 기술자 배정, 다중 사이트 성과 검토 과정에서 이 정보를 지속적으로 연결합니다. 소유자, 엔지니어, 서비스 제공자, 현장 기술자는 발생 상황, 관련 자산, 조치 담당자, 완료 후 증빙을 함께 확인할 수 있습니다. ## 현재 운영 중인 건물 시스템 연결 [Data Fusion Services](/products/dfs)는 표준 프로토콜과 API로 제어 시스템, 센서, 계량기, 데이터베이스, 기업 애플리케이션을 연결합니다. [FactVerse](/products/factverse)는 정보를 운영 디지털 트윈의 공간, 자산, 시스템, 관계에 매핑합니다. 기존 BMS, CMMS, EAM, 서비스 플랫폼은 운영 환경의 일부로 계속 활용됩니다. ## 시설 신호를 추적 가능한 업무로 전환 1. **이해** — 알람, 점검 결과, 에너지 이상을 공간과 설비 맥락에서 확인 2. **판단** — 실시간 신호, 자산 이력, 문서, 의존 관계, 우선순위를 검토 3. **실행** — 작업 지시를 생성 또는 동기화하고 [Inspector](/products/inspector)로 현장 절차를 제공 4. **검증** — 사진, 측정값, 완료 기록, 승인, 후속 조치를 보존 데이터와 운영 절차가 준비된 영역에서는 [FactVerse AI Agent](/products/factverse-ai-agent)가 추세, 이상, 업무 우선순위 분석을 지원합니다. 운영 의사결정의 책임은 담당 팀이 유지합니다. ## 건물 데이터를 여러 팀에서 재사용 Inspector의 Brick Schema 정렬 관계는 건물, 구역, 설비, 계량기, 센서, 포인트에 공통 맥락을 제공합니다. 같은 운영 기록을 모니터링, 유지보수, 에너지 분석, 규정 준수 준비, 향후 AI 지원 workflow에 활용할 수 있습니다. ## 에너지와 Green Mark를 일상 운영에 연결 DataMesh는 설비 상태, 운영 시간, 제어 동작, 유지보수, 공간 사용 기록을 연결합니다. 팀은 EUI와 부하 패턴을 검토하고 이상을 조사하며 개선 업무와 증빙을 관리합니다. 싱가포르 Green Mark 프로젝트에서는 시설 팀과 지정 컨설턴트의 지속적인 자료 준비를 지원합니다. 필요하면 BIM 또는 IFC, 기상 데이터, 운영 이력, EnergyPlus 모델을 결합해 시나리오를 심층 분석할 수 있습니다. ## 명확한 운영 우선순위에서 시작 첫 단계는 핵심 건물 시스템, 알람-작업 지시 흐름, 에너지 사용이 큰 구역, 반복 문제가 있는 자산군에 집중할 수 있습니다. 데이터 품질, 통합, 현장 활용, 운영 지표를 검증한 뒤 다른 시스템, 건물, 사이트로 확대합니다. ## DataMesh의 강점 - 공간, 자산, 시스템, 데이터, 업무를 연결하는 공통 운영 맥락 - 시각화부터 점검, 절차, 작업 지시, 완료 증빙까지 이어지는 현장 실행 - 산업 프로토콜과 API를 활용한 개방형 통합 - 모니터링, 유지보수, 에너지, 교육, AI 운영으로 확장 가능한 기반 --- ## [SOLUTIONS] 교육 및 역량 향상 > 가이드형 3D 콘텐츠, 디지털 트윈 실습, 감독하 현장 작업으로 이어지는 명확한 과정으로 실제 장비와 절차에 대비합니다. ## 실제 업무를 위한 교육 산업 교육은 제한된 장비 접근, 강사 가용성, 안전 규정, 절차 변경, 감독하 실습을 함께 다뤄야 합니다. DataMesh는 가이드형 3D 콘텐츠, 디지털 트윈 맥락, 장비 시뮬레이션, 현장 workflow를 연결해 설명에서 연습과 실행까지 이어지는 과정을 만듭니다. ## 전문 도구로 연결된 하나의 교육 과정 [Director](/products/director)는 승인된 3D 가이드를 제작합니다. DataMesh One은 학습, 강의, 지원되는 공간 장치에 콘텐츠를 배포합니다. [Simulator](/products/simulator)는 구성된 제어 장치와 시나리오로 물리 기반 실습을 제공합니다. [Inspector](/products/inspector)와 [Checklist](/products/checklist)는 감독하 작업과 근거를 기록합니다. ## 전문가 지식에서 감독하 실행까지 팀은 직무, 핵심 작업, 평가 기준을 정의하고 Director에 지식을 담은 뒤 가이드 또는 Simulator 실습을 선택합니다. 감독하 현장 관찰 결과는 콘텐츠와 시나리오 개선에 다시 활용됩니다. ## 가이드형 작업과 Simulator 적용 사례 [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency), [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator), [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) 공개 사례는 가이드형 교육을 보여줍니다. Simulator는 타워크레인, 지게차, 회전식 굴착기, 심정 케이싱 굴착기, 굴착기 등을 지원합니다. ## 안전과 자격 요건 통합 교육 정책, 자격을 갖춘 감독, 작업 허가, 규제 요건, 실제 장비 평가, 공식 인증을 과정 설계에 포함합니다. DataMesh는 콘텐츠, 반복 연습, 평가 자료, 근거 기록을 제공합니다. ## 실제 업무 준비도 측정 교육팀은 장비와 절차 이해도, 현장 전 발견된 오류, 콘텐츠 업데이트 효율, 선택한 장치나 Simulator 구성의 직무 적합성을 측정할 수 있습니다. --- ## [SOLUTIONS] visualization ## 복잡한 운영을 공간적으로 이해 시설, 공장, 캠퍼스, 인프라는 공간을 기반으로 작동하는 시스템입니다. 장비 위치, 시스템 종속 관계, 접근 경로, 공정 흐름, 작업 구역, 운영 위험은 표와 분리된 대시보드만으로 파악하기 어렵습니다. 운영 디지털 트윈 시각화는 모델, 자산, 실시간 데이터, 문서, 작업 기록을 하나의 공간 맥락에 통합합니다. 엔지니어링, 운영, 현장 팀, 관리 조직, 외부 이해관계자는 각자의 업무 관점에서 동일한 환경을 살펴볼 수 있습니다. ## 관리형 모델 자산 기반 구축 BIM, CAD, GIS, 포인트 클라우드, 장비 모델은 관리형 모델 자산으로 플랫폼에 등록됩니다. 버전, 구성요소 형상, 좌표, 외부 참조가 보존되므로 한 번의 프레젠테이션을 넘어 콘텐츠를 지속적으로 유지할 수 있습니다. [FactVerse](/products/factverse)는 모델 구성요소를 안정적인 트윈 식별자, 공간, 시스템, 센서, 문서, 작업 기록과 연결합니다. 이 관계는 화면에 보이는 각 객체에 운영 의미를 부여하고 동일한 자산을 여러 애플리케이션에서 재사용할 수 있게 합니다. ## 워크플로에 맞는 화면 구성 [FactVerse Designer](/products/designer)를 통해 자산, 시점, 레이블, 데이터 패널, 애니메이션, 상호작용 로직을 배치할 수 있습니다. [Data Fusion Services](/products/dfs)는 현재 및 과거 운영 정보를 연결합니다. 이렇게 구성된 결과는 관제실 화면, 장비 점검, 교육 장면, 시공 검토, 고객 브리핑, 현장 워크플로에 활용할 수 있습니다. 시설이 변경되면 기반 트윈과 모델 관계를 갱신하고, 관리되는 맥락을 새로운 경험에 다시 활용할 수 있습니다. ## 사람과 애플리케이션을 동일한 트윈에 연결 웹 화면과 대형 디스플레이는 운영 가시성을 제공합니다. [Inspector](/products/inspector)는 점검과 유지보수에 공간 및 자산 맥락을 활용합니다. DataMesh One은 승인된 3D 콘텐츠를 지원 현장 기기에 제공합니다. Omniverse와 기타 프로젝트 런타임은 적절한 통합 경로를 통해 준비된 장면과 메타데이터를 받을 수 있습니다. 이 공통 기반은 반복적인 모델 준비 작업을 줄이고 엔지니어링 검토부터 일상 운영까지 자산 식별자를 일관되게 유지합니다. ## Physical AI를 위한 공간 맥락 준비 시뮬레이션, 로보틱스, 합성 데이터 생성, AI 에이전트에는 시각적 표현 이상의 정보가 필요합니다. 일관된 형상, 단위, 좌표, 구성요소 식별자, 시스템 관계, 운영 상태, 작업 맥락이 갖춰져야 합니다. FactVerse는 이러한 맥락을 준비하는 데 사용되는 관리형 트윈 및 자산 계층을 제공합니다. 프로젝트 워크플로는 장면과 메타데이터를 Omniverse, Isaac, PhysX, Newton, 로보틱스 미들웨어 또는 승인된 다른 런타임으로 전달해 렌더링, 시뮬레이션, 검증에 활용할 수 있습니다. ## 복잡한 프로젝트 환경에서 검증된 적용 경험 DataMesh는 [JTC](/about/news/collaboration-between-jtc-datamesh)와 디지털 트윈 및 혼합현실을 적용했고, [Obayashi](/about/news/digital-twin-empowers-bim-obayashi)의 시공 워크플로를 지원했으며, Toda와 [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) 시공 시뮬레이션을 구현하고 [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 디지털 트윈 경험에 참여했습니다. ## 재사용 가능한 하나의 운영 화면에서 시작 공간 맥락으로 명확한 조율 문제를 해결할 수 있는 시설이나 워크플로를 선택합니다. 필요한 모델 범위, 객체 매핑, 좌표 규칙, 상세 수준, 소유권, 데이터 바인딩, 업데이트 프로세스를 정의합니다. 팀이 이 기반을 유지하고 재사용할 수 있게 되면 모니터링, 점검, 시뮬레이션, 교육, Physical AI 워크플로로 확장합니다. ## 재사용 가능한 트윈이 제공하는 기반 - 자산, 관계, 경로, 운영 영향에 대한 신속한 이해 - 엔지니어링, 운영, 현장 업무, 이해관계자 검토를 위한 공통 공간 맥락 - 모니터링, 유지보수, 교육, 시뮬레이션 전반에서 모델 자산 재사용 - Physical AI 및 로보틱스 워크플로를 위한 일관된 장면 준비 - 새로운 애플리케이션 도입 시 반복적인 준비 작업 감소 --- ## [SOLUTIONS] workflow-digitization ## 시스템과 서비스 공급업체를 아우르는 하나의 유지보수 흐름 대규모 시설에서는 여러 유지보수 환경을 동시에 운영하는 경우가 많습니다. 건물, 계약업체, 장비군, 지역에 따라 서로 다른 CMMS를 사용할 수 있으며, 현장 요청은 별도 채널로 접수되고 알람, 자산 데이터, 절차, 재고 역시 각기 다른 시스템에 존재합니다. DataMesh는 이러한 환경 전반에 공통 운영 계층을 구축합니다. 각 하위 CMMS는 담당 작업을 계속 관리하고, 시설 팀은 수요, 우선순위, 자산 맥락, 배정, 동기화 상태, 완료 증빙을 일관된 관점에서 확인할 수 있습니다. ## 분류와 판단에 필요한 맥락을 갖춘 요청 접수 작업 요청은 현장 작업자, 포털, 이메일, 알람, 자연어 상호작용을 통해 들어올 수 있습니다. 가능한 경우 요청자, 장비, 위치, 심각도, 설명, 사진, 음성 메모, 위치 정보가 요청에 포함됩니다. 감독자는 요청을 검토하고 우선순위를 정한 뒤 작업 지시로 전환하거나 사유를 기록해 반려할 수 있습니다. 이를 통해 유지보수 팀은 요청이 실행 대기열에 들어가기 전에 통제된 접수 절차를 적용합니다. ## 여러 CMMS 공급업체에 걸친 작업 조율 [Data Fusion Services](/products/dfs)는 프로젝트별 API, 어댑터, 웹훅, 데이터베이스, 메시지 또는 파일 인터페이스를 통해 유지보수 플랫폼을 연결합니다. 자산 매핑은 시스템마다 표현이 다른 동일 장비를 연계합니다. 시스템 간 작업 지시 화면에는 원본 플랫폼, 외부 참조, 담당 공급업체, 동기화 상태가 유지됩니다. 이 운영 모델은 하위 시스템을 계속 사용하는 포트폴리오를 위해 설계되었습니다. DataMesh는 모든 건물이나 서비스 공급업체를 하나의 트랜잭션 시스템으로 통합하지 않고도 중앙 조율과 가시성을 제공합니다. ## 인력, 예방 작업, 자재를 함께 계획 [Inspector](/products/inspector)는 배정부터 완료까지 작업 지시 수명주기를 지원합니다. 내부 기술자, 계약업체 또는 작업조에 업무를 배정할 수 있습니다. 예방 유지보수 일정에서 반복 작업 지시를 생성하고, 예비 부품과 재고 기록을 활용해 준비 상태를 확인하고 사용량을 기록할 수 있습니다. 관리자는 같은 운영 맥락에서 진행 중인 작업, 기한이 지난 예방 유지보수, 서비스 수준 위반, 작업 적체, 유지보수 추세를 검토할 수 있습니다. ## 현장 팀에 실행 가능한 지침 제공 [Checklist](/products/checklist)는 필수 점검 항목과 증빙을 구조화합니다. [Director](/products/director)는 장비 구조나 공간 안내가 중요한 작업에 안내형 절차를 제공합니다. Inspector는 작업을 정확한 자산, 위치, 알람, 유지보수 이력, 문서, 사진, 측정값, 승인, 완료 메모와 연결합니다. 이렇게 축적된 기록은 교대조 인수인계, 계약업체 검토, 감사 준비, 반복 작업의 지속적인 개선에 활용됩니다. ## 준비된 프로세스에 AI 지원 적용 [FactVerse AI Agent](/products/factverse-ai-agent)는 요청 해석, 알람 및 자산 맥락 검토, 작업 우선순위 결정, 지식 검색, 권장 조치 준비를 지원할 수 있습니다. 구성된 역할, 승인 단계, 권한, 실행 통제에 따라 각 권장 사항이 운영 워크플로에 반영되는 방식이 결정됩니다. ## 하나의 시스템 간 워크플로에서 시작 초기 단계에서는 하나의 서비스 공급업체, 하나의 작업 요청 채널, 하나의 핵심 장비군을 연결할 수 있습니다. 자산 매핑, 동기화, 배정, 현장 기록, 관리 가시성을 검증한 뒤 CMMS 공급업체, 현장, 예방 유지보수 프로그램, 재고 프로세스로 범위를 넓힙니다. ## 통합 실행으로 개선되는 운영 - 시스템과 공급업체 전반의 유지보수 수요 및 담당 현황을 한눈에 파악 - 요청이나 알람에서 배정된 현장 업무로 신속하게 전환 - 기술자, 작업조, 예방 유지보수, 부품의 체계적인 조율 - 조직 경계를 아우르는 동기화 및 완료 증빙 추적 - 분석, AI 지원, 프로세스 개선에 활용할 수 있는 정돈된 운영 이력 --- ## [SOLUTIONS] predictive-maintenance ## From reactive maintenance to verifiable maintenance decisions Predictive maintenance helps maintenance teams answer a practical sequence of questions: what changed, which asset is affected, how credible is the signal, what else is connected to it, who should review it, and what work needs to happen next. DataMesh approaches predictive maintenance as a governed operating loop. Industrial signals, asset context, AI-assisted analysis, digital twin review, and Inspector work records stay connected so the decision can be reviewed and improved over time. ## Data inputs and operating loop 1. **Signal ingestion** — Data Fusion Services brings together sensor streams, historian tags, inspection records, and equipment metadata. 2. **AI-assisted review** — FactVerse AI Agent evaluates degradation patterns, health signals, anomaly trends, and operational context. 3. **Twin validation** — FactVerse and Twin Engine provide spatial, asset, and workflow context so teams can review how the finding affects the site. 4. **Execution and verification** — Inspector turns confirmed findings into work orders, field tasks, evidence records, and follow-up checks. ## Operational validation for maintenance teams Predictive maintenance combines trusted sensing, asset context, AI analysis, and twin-based review so teams can evaluate maintenance risk with more context and less guesswork. - trusted industrial sensing at the edge - multi-source operational context - AI-driven trend analysis and health evaluation - digital twin visibility for maintenance decisions - work-order records that show what was reviewed, assigned, completed, and verified ## Earlier intervention, lower noise Instead of reacting only after threshold alarms fire, teams can review emerging issues in context, prioritize the right assets, and move into planned action with less noise. ## Product stack - [FactVerse](/products/factverse) provides the operational digital twin context. - [FactVerse AI Agent](/products/factverse-ai-agent) supports anomaly review, trend analysis, and decision recommendations. - [FactVerse Twin Engine](/products/factverse-twin-engine) provides the executable twin context for review. - [Data Fusion Services](/products/dfs) connects sensors, historians, inspection records, and enterprise systems. - [Inspector](/products/inspector) manages work orders, field execution, records, and verification. ## Proven in industrial maintenance DataMesh and [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) bring AI-assisted predictive maintenance into complex industrial facilities. Work with [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) and [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) also demonstrates how FactVerse connects maintenance knowledge, frontline execution, and reusable operational records. ## Start with critical assets and expand Begin with an asset class or facility system where failures have clear operational impact and sufficient history is available. DataMesh connects its signals, maintenance records, operating context, and field workflow so teams can establish a repeatable health-management process. Once the signal quality and execution loop are established, the same model can extend to more equipment and sites while preserving each facility's approval rules, safety procedures, and CMMS or EAM workflow. ## Operational value | Metric | Impact | |------|------| | Earlier signal review | Faster identification and prioritization of emerging maintenance issues | | Unplanned downtime | Lower through earlier intervention and planned maintenance | | False alarms | Reduced through trend-based analysis and contextual diagnostics | | Maintenance execution | Faster handoff from detection to validated field action | --- ## [SOLUTIONS] process-simulation ## Test high-cost changes while they are still reversible Manufacturing and facility changes become expensive long before installation begins. Layout, tooling, controls, process timing, utilities, safety access, and automation decisions move through different teams, often in different models. A missed handoff, blocked route, unstable buffer, heat source, airflow condition, or robot-access constraint can surface only after equipment and site work are committed. Process Simulation and Virtual Planning brings those questions into a shared digital-twin workflow. Engineering and operations teams can compare more alternatives, identify which assumptions matter, and direct detailed analysis or physical trials toward the cases that carry the most risk. Useful simulation begins with a decision the project needs to make: - Which production-cell or packaging-line layout should move into detailed design - How routes, buffers, resources, and timing affect an operating flow - Whether equipment motion, collision, contact, or material handling needs deeper validation - Which airflow or thermal conditions deserve engineering review - How a facility scene and task should be prepared for robotics or Physical AI work The required evidence determines the model depth. This keeps teams focused on a decision they can act on and avoids spending the same modeling effort on every scenario. ## Build one reusable operating context [FactVerse Designer](/products/designer) prepares the spatial and operational foundation. Teams assemble facilities, lines, cells, equipment, work areas, materials, routes, asset identities, states, behavior logic, timelines, and scenario variants in one reviewable scene. That scene can support current-product layout and process-flow comparisons, then continue into project-enabled physics or robotics work. [Data Fusion Services](/products/dfs) can bring selected historical, live, or engineering data into the scenario when actual operating conditions should inform assumptions or comparison criteria. The approved scene also remains useful after the study. Engineering review, implementation planning, operator preparation, training, automation, and later optimization can reuse the same asset and process context. ## Choose the simulation depth that fits the question **Layout, flow, and discrete events** Designer-led scenarios compare equipment placement, access, routes, sequences, resources, timing, buffers, and throughput. This level supports early layout review, production-flow planning, warehouse and intralogistics studies, and coordination across engineering and operations. **Airflow and thermal conditions** Project teams can add reduced-order airflow models for rapid screening or project-enabled GPU airflow and thermal-fluid analysis for defined facility and equipment questions. These workflows compare prepared geometry, heat sources, airflow, temperature, pressure, buoyancy, and boundary-condition variants using stated assumptions and review criteria. **Motion, contact, and robotics** OpenUSD and the [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) carry governed scenes and SimReady assets into selected simulation runtimes. Project-based Isaac, PhysX, and Newton workflows can then support rigid-body motion, collision, contact, sensors, robot testing, synthetic data, learning, and sim-to-real preparation. Each layer answers a different class of question. Teams can move a small number of high-impact scenarios into specialist engineering analysis or physical trials once the broader option space has been screened. ## Move from source assets to an approved change 1. **Define the decision** - Agree on the change, decision owner, comparison criteria, and evidence level. 2. **Prepare the scene** - Organize source models, coordinates, equipment, spaces, routes, and asset identity in Designer. 3. **Author the operating scenario** - Add states, process logic, timing, resources, handoffs, constraints, and variants. 4. **Connect relevant evidence** - Bring in selected measurements, historical data, engineering inputs, and operating records. 5. **Run the right analysis** - Use process flow, discrete events, airflow, thermal-fluid, rigid-body, or robotics workflows according to the decision. 6. **Compare and review** - Record metrics, assumptions, limits, findings, and the scenarios that require deeper validation. 7. **Carry the result forward** - Reuse the approved scene and decision record in implementation, commissioning preparation, training, or robotics development. ## Give the next team evidence they can use A useful result includes more than a rendered sequence. DataMesh project workflows can preserve scene and model versions, input identity, simulation settings, comparison metrics, audit checks, assumptions, findings, evidence references, and reviewer decisions. This traceability helps engineering understand how a conclusion was reached, helps operations prepare for implementation, and gives robotics or automation teams a governed starting point for the next stage. ## Apply the workflow where physical trial cycles are costly - Packaging cells, conveyors, handoffs, and material movement - Production-line, workstation, and equipment-layout changes - Warehouse zoning, staging, picking, and vehicle routes - Airflow and thermal screening around facilities and equipment - Virtual trials before installation and commissioning - Operator access, maintenance reach, and recovery-sequence review - Robotics scenes, synthetic data, task testing, and Physical AI preparation ## Public evidence DataMesh has publicly shown production-line solution development with [Chen Hsong](/about/news/how-chen-hsong-is-advancing-production-line-solutions-with-digital-twins-and-ai), intralogistics automation validation with [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins), and simulation digital-twin workflows with [NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform). These public references show how reusable industrial context can support planning and simulation. Each evaluation defines its own geometry, data readiness, model depth, acceptance envelope, and qualified review path. ## Start with one upcoming physical change A focused evaluation begins with one representative scenario, stable source assets, known operating assumptions, available measurements, and a decision the project team already needs to make. DataMesh and the customer can then confirm the scene pipeline, simulation depth, comparison evidence, and handoff before expanding to a larger line, facility, or robotics program. --- ## [SOLUTIONS] real-time-monitoring ## Turn live data into an operating picture Facilities already generate live information through control systems, sensors, meters, databases, and service platforms. Operators still need to determine where a change occurred, which assets and spaces it affects, whether it is part of a wider pattern, and who is responsible for the response. DataMesh connects live and historical information to the equipment, spaces, systems, and work records represented in an operational digital twin. Control-room teams, engineers, maintenance planners, and field technicians can coordinate from the same context while continuing to use their established source systems. ## Give each signal asset and system context [Data Fusion Services](/products/dfs) connects BMS, SCADA, PLC, IoT, meters, historians, databases, and enterprise applications. [FactVerse](/products/factverse) maps each signal to the relevant site, space, asset, system relationship, and digital-twin object. This context helps teams move from a tag or alarm code to the physical equipment, affected zone, related sensors, upstream and downstream systems, recent maintenance, and active work. ## Review related change before responding An operating exception may involve several alarms, a recent setpoint change, weather, load, maintenance activity, or a degrading component. DataMesh brings those signals and records together for review. Historical trends and expected ranges help teams distinguish isolated noise from conditions that require investigation. [FactVerse AI Agent](/products/factverse-ai-agent) can assist with trend interpretation and related-event analysis when the site has sufficient data and operating context. ## Coordinate response and preserve the result Confirmed conditions can move into [Inspector](/products/inspector) inspections and work orders or synchronize with an existing CMMS. The response record keeps the original signal, reviewer, priority, assigned team, field evidence, completion notes, and follow-up action connected. That history gives managers a clearer view of recurring conditions, response quality, service-level performance, and opportunities for predictive maintenance. ## Support roles from one asset to multiple sites Operators may need current alarms and system topology. Engineers need trends and dependencies. Field teams need location, history, and procedure. Portfolio managers need site comparisons and open-work status. Role-based views use the same underlying asset and operating context without forcing every user into the same screen. ## Start with one response-critical system A practical first phase may focus on HVAC, electrical distribution, cooling water, a cleanroom utility, a data-center room, or another system where fragmented information slows response. Connect the required data, asset relationships, alarm rules, operating roles, and work-order handoff, then expand once teams trust the shared view. ## What connected monitoring improves - Faster understanding of where a change occurred and what it affects - Better prioritization using asset, trend, dependency, and service context - Clearer handoff from control-room review to field execution - Shared operating status across engineering, maintenance, service, and management - Reusable history for predictive maintenance and AI-assisted operations --- ## [SOLUTIONS] smart-building ## Give every facility team the same operating picture Buildings and campuses already generate large volumes of information through BIM, BMS, meters, IoT devices, maintenance platforms, documents, and field records. The operating challenge is keeping that information connected when an alarm occurs, a technician is dispatched, or management needs to understand performance across a portfolio. DataMesh creates a shared operating context for facility owners, engineering teams, service providers, and frontline technicians. They can see what happened, where it happened, which assets and systems are involved, what work is underway, and what evidence remains after the issue is resolved. ## Connect the systems already running the building [Data Fusion Services](/products/dfs) connects building controls, sensors, meters, databases, and enterprise applications through standard protocols and APIs. [FactVerse](/products/factverse) maps that information to spaces, assets, systems, and relationships in an operational digital twin. This approach gives facility teams a consistent view across multiple vendors and sites while preserving existing BMS, CMMS, EAM, and service platforms. New sources can be added as the facility program expands. ## Turn facility signals into accountable work A connected facility operation follows a practical loop: 1. **Understand** — Place an alarm, inspection finding, or energy exception in spatial and equipment context 2. **Decide** — Review live signals, asset history, documents, dependencies, and operating priorities 3. **Act** — Create or synchronize work orders and deliver the right procedure to the field team through [Inspector](/products/inspector) 4. **Verify** — Preserve photos, readings, completion notes, approvals, and follow-up actions for operational review Where data quality and operating procedures are ready, [FactVerse AI Agent](/products/factverse-ai-agent) can assist with trend review, anomaly interpretation, and work prioritization while keeping people responsible for operational decisions. ## Make building data reusable across teams Inspector supports Brick Schema-aligned relationships for buildings, floors, zones, equipment, meters, sensors, control points, and systems. This shared facility context helps different teams interpret the same asset and data consistently. It also makes records easier to reuse across monitoring, maintenance, energy analysis, compliance preparation, and future AI-assisted workflows. ## Keep energy and Green Mark work connected to daily operations Energy performance depends on equipment condition, schedules, control behavior, maintenance quality, and how spaces are actually used. DataMesh connects these operating records so teams can review EUI and load patterns, investigate exceptions, assign corrective work, and retain the resulting evidence. For Singapore Green Mark programs, the same record can support ongoing evidence preparation and review with appointed consultants. When a project requires deeper analysis, BIM or IFC data, weather data, operating history, and EnergyPlus-based models can be combined to compare energy performance and potential improvement scenarios. ## Begin with one operational priority A focused first phase may cover a critical building system, an alarm-to-work-order workflow, an energy-intensive area, or a group of assets with recurring service issues. The team can validate data quality, integration behavior, field adoption, and useful operating measures before extending the solution across more systems, buildings, and sites. ## Why DataMesh - **Operational context** connects spatial, asset, system, data, and work relationships in one digital twin - **Field execution** links facility visibility to inspections, procedures, work orders, and verifiable completion records - **Open integration** works with existing building and service systems through industrial protocols and APIs - **Expandable foundation** supports monitoring, maintenance, energy programs, training, and AI-assisted operations on the same facility context --- ## [SOLUTIONS] การจัดการการไหลของการจราจร > ประสานการไหลของผู้โดยสาร ยานพาหนะ และสินค้าที่จุดตรวจ ท่าเรือ และศูนย์คมนาคมด้วย TrafficOps, digital twin และ AI decision support ## มุมมองเดียวสำหรับ flow, asset และการตอบสนอง ความต้องการเดินทาง ความพร้อมของ lane สถานะอุปกรณ์ สภาพ facility และทรัพยากรหน้างานร่วมกันกำหนดประสิทธิภาพของ checkpoint และ terminal การจัดการการไหลใช้ TrafficOps module ร่วมกับ FactVerse AI Agent เพื่อเห็นแรงกดดันได้เร็วขึ้นและประสานการตอบสนองจากมุมมองเดียว ## วงจรตัดสินใจด้วย digital twin และ AI 1. **เชื่อม signal** — Data Fusion Services รวมข้อมูล lane, counter, queue, สถานะอุปกรณ์, alarm และ facility system 2. **วิเคราะห์แรงกดดันในการปฏิบัติงาน** — TrafficOps และ FactVerse AI Agent ระบุ flow trend, bottleneck, incident และสภาพอุปกรณ์ผิดปกติ 3. **ทบทวนทางเลือกในบริบทจริง** — FactVerse และ Twin Engine แสดงผลต่อ lane, ทีมงาน, infrastructure และงานต่อเนื่อง 4. **ลงมือและบันทึก** — action ที่อนุมัติถูกดำเนินผ่านระบบเดิมและเก็บเป็น operational record ที่ตรวจสอบได้ ## สถานการณ์ใช้งานหลัก - คาดการณ์ arrival surge และแรงกดดันของ queue ก่อนช่วง peak - วางแผน lane และทีมงานด้วยบริบท traffic และ asset - ประสาน incident ระหว่าง operations, facility และ equipment - จัด maintenance ในช่วง traffic ต่ำ - เก็บการตัดสินใจและผลลัพธ์เพื่อ review และปรับปรุงบริการ ## จาก monitoring สู่การตัดสินใจร่วมกัน | การปฏิบัติงานเดิม | การจัดการการไหล | |---|---| | เห็น queue หลังเริ่มสะสม | เห็น flow pressure และ peak ได้เร็วขึ้น | | วางแผน lane แยกกัน | ใช้บริบทร่วมของ lane, ทีม และ asset | | alarm แยกตามระบบ | วิเคราะห์ incident ข้ามระบบ | | maintenance ตามปฏิทิน | maintenance ตามช่วง traffic จริง | ## สำหรับโครงสร้างพื้นฐานการคมนาคมที่สำคัญ ประสบการณ์ของ DataMesh ด้านการฝึกอบรมความปลอดภัยของโครงสร้างพื้นฐานและ digital twin สำหรับ facility ที่ซับซ้อนเป็นพื้นฐานให้ asset เชื่อถือได้ ขั้นตอนชัดเจน และการตอบสนองภาคสนามประสานกัน TrafficOps เชื่อม passenger, vehicle และ cargo flow, congestion, incident, resource planning, equipment health และ decision record ## ผลิตภัณฑ์ที่เกี่ยวข้อง - [FactVerse](/products/factverse) — บริบทเชิงพื้นที่และการปฏิบัติงานร่วมกัน - [FactVerse AI Agent](/products/factverse-ai-agent) — การวิเคราะห์และสนับสนุนการตัดสินใจ - [FactVerse Twin Engine](/products/factverse-twin-engine) — ทบทวนทางเลือกในบริบท twin - [Data Fusion Services](/products/dfs) — เชื่อมข้อมูล lane, sensor, facility และ operations --- ## [SOLUTIONS] การดำเนินงานศูนย์ข้อมูล > เชื่อมสินทรัพย์ facility, ข้อมูลพลังงาน, งานตรวจสอบ, งานซ่อมบำรุง และข้อมูลโครงสร้างพื้นฐานเข้ากับ digital twin สำหรับการดำเนินงานศูนย์ข้อมูล ## ทำไมจึงต้องมี การดำเนินงานศูนย์ข้อมูล ทีม data center ต้องมีมุมมองร่วมที่เชื่อถือได้ของ asset, energy, alarm, inspection และ maintenance โดย DCOps module เชื่อม operational record เหล่านี้เพื่อให้หลายไซต์เข้าใจ ตรวจสอบ บำรุงรักษา และรายงานได้ง่ายขึ้น ## วงจรการดำเนินงานด้วย digital twin 1. **เชื่อมข้อมูล facility และบริบท asset** — Data Fusion Services รวมข้อมูล building management จาก BMS, power monitoring จาก EPMS, ข้อมูลโครงสร้างพื้นฐาน data center จาก DCIM, meter, alarm, rack context, metadata และประวัติ maintenance 2. **จัดไซต์ให้อยู่ใน twin** — FactVerse mapping ห้อง rack เส้นทางไฟฟ้า โซน cooling อุปกรณ์ sensor และความรับผิดชอบเป็น spatial operating model 3. **คำนวณและทบทวน operations** — ทีมดู energy indicator สถานะอุปกรณ์ alarm context ผล inspection และประวัติ maintenance ตามไซต์ ห้อง asset และระบบ 4. **ลงมือและเก็บหลักฐาน** — Inspector และ workflow ของ work order เปลี่ยนปัญหาที่ยืนยันแล้วเป็นงานภาคสนาม บันทึกซ่อม note สำหรับ review และหลักฐานที่ตรวจสอบย้อนกลับได้ ## ทีมปฏิบัติการใช้ การดำเนินงานศูนย์ข้อมูล ทำอะไรบ้าง - visualization ของ digital twin สำหรับ data center หลายไซต์ - ทะเบียน asset facility และบริบท rack/equipment - energy calculation, meter review และรายงาน operational trend - inspection route, maintenance task, repair record และ handoff ของ work order - สืบค้น alarm ด้วยตำแหน่ง asset ความสัมพันธ์ของอุปกรณ์ และประวัติ service ## ขยาย workflow โครงสร้างพื้นฐานเดิมอย่างไร | DCIM แบบเดิม | การดำเนินงานศูนย์ข้อมูล | |---|---| | Dashboard สำหรับ monitoring | spatial facility context ที่ operations, inspection และ maintenance ใช้ร่วมกัน | | asset list แยกใน spreadsheet | ห้อง rack อุปกรณ์ และความรับผิดชอบอยู่ใน digital twin | | ตัวเลขพลังงานถูกดูแยกส่วน | energy calculation และ trend เชื่อมกับ asset ห้อง และไซต์ | | alarm ไม่มี field context | แสดง alarm, inspection, repair และ work order history รอบ asset | | ทบทวน asset health แยกหลายเครื่องมือ | เชื่อม alarm, trend, maintenance history และ work record รอบ asset แต่ละรายการ | ## คุณค่าทางปฏิบัติการที่พบได้บ่อย ทีมมักตรวจสอบคุณค่าผ่าน rollout ที่จำกัดขอบเขต เช่น ความรับผิดชอบของ asset ชัดขึ้น visualization ของไซต์เชื่อถือได้ขึ้น บันทึก energy/maintenance สม่ำเสมอขึ้น ส่งต่องาน inspection เร็วขึ้น และมีหลักฐานสำหรับ management review ครบขึ้น ## ประสบการณ์ operations สำหรับ data center หลายไซต์ DataMesh ส่งมอบระบบ digital twin ให้ data center หลายไซต์ในต่างประเทศของผู้ให้บริการโทรคมนาคมระดับนานาชาติ ข้อมูลสาธารณะเกี่ยวกับ [IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center), [digital twin สำหรับ facility ที่ซับซ้อน](/about/news/collaboration-between-jtc-datamesh) และ [industrial predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดง product foundation ที่เกี่ยวข้อง ## ผลิตภัณฑ์ที่เกี่ยวข้อง - FactVerse — twin workspace และบริบทการปฏิบัติการ - Data Fusion Services — เชื่อม building management, power monitoring, data center infrastructure, meter และระบบสนับสนุน - Inspector — inspection, maintenance, work order context และ field evidence - FactVerse AI Agent — asset health review, anomaly analysis และ operational knowledge assistance --- ## [SOLUTIONS] การปฏิบัติงาน facility สำหรับเซมิคอนดักเตอร์ > เชื่อม cleanroom, utility, alarm, maintenance context, AI analysis และ Inspector work order ในวงจรปฏิบัติการเดียวกัน ## AI สำหรับฝั่ง facility Semiconductor Facility AI รวม Data Fusion Services, FactVerse, FactVerse AI Agent และ Inspector เพื่อช่วยทีม facility ตรวจจับ drift จัดลำดับ maintenance และปิด loop จาก finding ไปสู่ verified work ## การใช้งานหลัก - cleanroom drift detection และ response - monitoring สำหรับ HVAC, chilled water, CDA, vacuum และ exhaust - predictive maintenance prioritization สำหรับ facility asset - alarm triage พร้อม operational context - Inspector work order และ verification ## วงจรปฏิบัติการจาก signal ถึง closure Data Fusion Services เชื่อมข้อมูล cleanroom, utility และ maintenance จากนั้น FactVerse ผูกกับ zone และ asset, FactVerse AI Agent ช่วยวิเคราะห์ และ Inspector นำผลที่ยืนยันแล้วไปสู่ field execution ## เริ่มจาก facility system ที่สำคัญ เริ่มจาก cleanroom environment, chilled water, compressed air, vacuum หรือ exhaust แล้วขยายหลังตรวจ data, alarm context และ workflow --- ## [SOLUTIONS] ผู้เชี่ยวชาญสนับสนุนข้ามไซต์ > แชร์มุมมองช่าง บริบทสินทรัพย์ และผลตรวจเพื่อประเมินสถานการณ์เดียวกัน ## นำข้อมูลดิจิทัลไปยังจุดทำงานจริง DataMesh ทำให้ การตรวจสอบด้วย AR การแก้ปัญหา และใบงานที่เชื่อมกับสินทรัพย์ กลายเป็นความสามารถที่ใช้งานได้จริงในงานปฏิบัติการ โมเดล ข้อมูล ความรู้ และงานภาคสนามถูกเชื่อมอยู่ในดิจิทัลทวินเดียวกัน ## ความรู้ผู้เชี่ยวชาญพร้อมใช้ในทุกพื้นที่ จุดเริ่มต้นคือโมเดล BIM/CAD ข้อมูลระบบ เซนเซอร์ ใบงาน และเอกสารเดิม Data Fusion Services เชื่อมแหล่งข้อมูล และ FactVerse จัดเข้ากับพื้นที่ สินทรัพย์ ระบบ และกระบวนการเพื่อรองรับ การตรวจสอบด้วย AR การแก้ปัญหา และใบงานที่เชื่อมกับสินทรัพย์ ## ข้อมูลตรวจสอบถูกบันทึกอย่างครบถ้วน หัวใจคือเปลี่ยนจากการมองเห็นสถานะไปสู่การลงมือทำ Inspector, Director, DataMesh One และ FactVerse AI Agent ช่วยเปลี่ยนสัญญาณเป็นการตรวจสอบ คำแนะนำ ใบงาน และหลักฐาน ## สภาพแวดล้อมเดียวสำหรับงานภาคสนาม - [Director](/products/director) — สร้างขั้นตอน 3D แบบมีคำแนะนำ - [DataMesh One](/products/director) — ส่งมอบภาคสนามผ่านมือถือและ AR/MR - [Inspector](/products/inspector) — การตรวจสอบ ใบงาน และหลักฐาน - [FactVerse](/products/factverse) — แพลตฟอร์มบริบทดิจิทัลทวิน --- ## [SOLUTIONS] ทบทวนแบบข้ามทีม > เปรียบเทียบงานกับแบบและเก็บความคลาดเคลื่อน งานตกหล่น สิ่งกีดขวาง และหลักฐานการแก้ไข ## ทีมหน้างานต้องการบริบทเชิงพื้นที่ที่นำไปทำงานได้ DataMesh ทำให้ คำแนะนำไซต์จาก BIM ลำดับติดตั้ง และการส่งต่อสู่การปฏิบัติการ กลายเป็นความสามารถที่ใช้งานได้จริงในงานปฏิบัติการ โมเดล ข้อมูล ความรู้ และงานภาคสนามถูกเชื่อมอยู่ในดิจิทัลทวินเดียวกัน ## จากโมเดลออกแบบสู่การทำงานในไซต์ จุดเริ่มต้นคือโมเดล BIM/CAD ข้อมูลระบบ เซนเซอร์ ใบงาน และเอกสารเดิม Data Fusion Services เชื่อมแหล่งข้อมูล และ FactVerse จัดเข้ากับพื้นที่ สินทรัพย์ ระบบ และกระบวนการเพื่อรองรับ คำแนะนำไซต์จาก BIM ลำดับติดตั้ง และการส่งต่อสู่การปฏิบัติการ ## จุดที่สร้างคุณค่ามากที่สุด หัวใจคือเปลี่ยนจากการมองเห็นสถานะไปสู่การลงมือทำ Inspector, Director, DataMesh One และ FactVerse AI Agent ช่วยเปลี่ยนสัญญาณเป็นการตรวจสอบ คำแนะนำ ใบงาน และหลักฐาน Construction Guidance เหมาะกับงานติดตั้ง MEP ห้องเครื่อง ชั้นปรับปรุง งานที่ถูกปิดทับ และการส่งมอบ ตัวอย่างอ้างอิงสาธารณะรวมถึง JTC, Obayashi, Toda และการจำลอง SAGA Arena ## ส่งต่อบันทึกก่อสร้างสู่การปฏิบัติการ หัวใจคือเปลี่ยนจากการมองเห็นสถานะไปสู่การลงมือทำ Inspector, Director, DataMesh One และ FactVerse AI Agent ช่วยเปลี่ยนสัญญาณเป็นการตรวจสอบ คำแนะนำ ใบงาน และหลักฐาน ## ประสบการณ์จากโครงการก่อสร้างที่ซับซ้อน DataMesh ประยุกต์ BIM, digital twin และ mixed reality ร่วมกับ [JTC](/about/news/collaboration-between-jtc-datamesh) สนับสนุน workflow งานก่อสร้างกับ [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) และทำ simulation งานก่อสร้าง [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) ร่วมกับ Toda โครงการ [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) ยังแสดงให้เห็นว่า digital twin และประสบการณ์เชิงพื้นที่ช่วยให้ผู้เกี่ยวข้องเข้าใจสภาพแวดล้อมที่ซับซ้อนก่อนสร้างเสร็จได้อย่างไร ## เริ่มจากพื้นที่ก่อสร้างที่ให้คุณค่าสูง เริ่มจากพื้นที่ที่กำหนดชัดเจน ตรวจสอบคุณภาพข้อมูล ขั้นตอนผู้ใช้ และหลักฐาน ก่อนขยายไปยังสินทรัพย์ ทีม หรือไซต์อื่น ## เชื่อมเจตนาการออกแบบ งานภาคสนาม และการส่งมอบ - [FactVerse](/products/factverse) — แพลตฟอร์มบริบทดิจิทัลทวิน - [FactVerse Designer](/products/designer) — ออกแบบฉากและจำลอง - [DataMesh One](/products/director) — ส่งมอบภาคสนามผ่านมือถือและ AR/MR - [Inspector](/products/inspector) — การตรวจสอบ ใบงาน และหลักฐาน --- ## [SOLUTIONS] green-transformation ## บริหารพลังงานเป็นกระบวนการปฏิบัติการ ประสิทธิภาพพลังงานเปลี่ยนแปลงตามสภาพอุปกรณ์ ตารางเวลา ระบบควบคุม สภาพอากาศ การใช้งานพื้นที่ คุณภาพการบำรุงรักษา และรูปแบบการใช้พื้นที่ โครงการพลังงานที่มีประโยชน์จึงเชื่อมปัจจัยเหล่านี้กับทีมและงานที่รับผิดชอบการปรับปรุง DataMesh รวม BMS มิเตอร์ IoT ฮิสทอเรียน BIM หรือ IFC บันทึกการบำรุงรักษา และใบสั่งงานไว้ในดิจิทัลทวินด้านปฏิบัติการ ทีมสถานที่และวิศวกรรมสามารถจัดทำค่าฐาน ตรวจสอบการใช้พลังงานผิดปกติ เปรียบเทียบสถานการณ์ที่เลือก ดำเนินงานแก้ไข และเก็บหลักฐานผลลัพธ์ ## สร้างบริบทพลังงานและสถานที่ที่ตรวจสอบย้อนกลับได้ [Data Fusion Services](/products/dfs) เชื่อมระบบควบคุมหลายผู้ผลิต มิเตอร์ เซนเซอร์ ฐานข้อมูล และแอปพลิเคชันองค์กร [FactVerse](/products/factverse) แมปข้อมูลกับไซต์ พื้นที่ ระบบ อุปกรณ์ และความสัมพันธ์ด้านปฏิบัติการ Inspector ใช้ความหมายที่สอดคล้องกับ Brick Schema สำหรับอาคาร ชั้น โซน อุปกรณ์ มิเตอร์ เซนเซอร์ และจุดควบคุมได้ โครงสร้างร่วมนี้ช่วยให้ทีมติดตามข้อยกเว้นด้านพลังงาน ข้อมูลนำเข้าการวิเคราะห์ หรือบันทึกการประเมินกลับไปยังสินทรัพย์และข้อมูลต้นทางที่เกี่ยวข้อง ## ค้นหาสภาวะปฏิบัติการที่อยู่เบื้องหลังการใช้พลังงาน การทบทวนพลังงานสามารถรวมโหลด สภาพอากาศ การใช้งานพื้นที่ ตารางเวลา ค่าตั้ง สถานะอุปกรณ์ สัญญาณเตือน และประวัติการบำรุงรักษา ทีมตรวจสอบช่วงโหลดสูง การคลาดเคลื่อนของระบบควบคุม การทำความร้อนและความเย็นพร้อมกัน การเสื่อมสภาพของอุปกรณ์ ตารางเวลาที่ไม่ตรงกัน และพฤติกรรมข้ามระบบได้ [FactVerse AI Agent](/products/factverse-ai-agent) ช่วยทบทวนแนวโน้มและตีความความผิดปกติจากบริบทสถานที่ที่มีอยู่ วิศวกรเป็นผู้ตรวจสอบข้อมูล วิธีการ สมมติฐาน และการดำเนินการที่แนะนำสำหรับโครงการ ## เปรียบเทียบสถานการณ์ที่เลือกด้วย EnergyPlus เมื่อการตัดสินใจต้องใช้การวิเคราะห์พลังงานอาคารเชิงลึก ทีมโครงการสามารถรวมข้อมูล BIM หรือ IFC สภาพอากาศ บันทึกปฏิบัติการ และโมเดลที่ใช้ EnergyPlus การเปรียบเทียบอาจครอบคลุมตารางเดินระบบ ค่าตั้ง การเปลี่ยนอุปกรณ์ ตัวเลือกเปลือกอาคาร หรือสมมติฐานการใช้พื้นที่ ขอบเขตโมเดล วิธีปรับเทียบ คุณภาพข้อมูลนำเข้า และเกณฑ์ตัดสินใจกำหนดแยกตามโครงการ ผลลัพธ์จะเป็นส่วนหนึ่งของบันทึกทบทวนที่ใช้จัดลำดับความสำคัญและอนุมัติงานปรับปรุง ## เตรียมหลักฐาน Green Mark จากงานประจำวัน งาน Singapore Green Mark อาศัยประสิทธิภาพพลังงาน เปลือกอาคาร ข้อมูลระบบ ความสามารถในการบำรุงรักษา บันทึกปฏิบัติการ และเอกสารประเมิน DataMesh ช่วยทีมจัดข้อมูล EUI และเปลือกอาคาร ความสัมพันธ์ของอาคารและระบบ ประวัติการประเมิน หลักฐานบำรุงรักษา และการแก้ไขตามไซต์ที่เกี่ยวข้อง บันทึกที่ได้สนับสนุนการทำงานร่วมกันระหว่างเจ้าของ ทีมสถานที่ วิศวกร ที่ปรึกษาที่ได้รับแต่งตั้ง และผู้ประเมินตามกระบวนการ BCA ที่เกี่ยวข้อง ## เปลี่ยนโอกาสที่ยืนยันแล้วเป็นงานที่เสร็จสิ้น [Inspector](/products/inspector) นำโอกาสที่ได้รับอนุมัติเข้าสู่การตรวจสอบ การมอบหมาย ใบสั่งงาน การดำเนินงานภาคสนาม การเก็บหลักฐาน และการวัดผลติดตาม ทีมเห็นได้ว่าดำเนินการใด ใครเป็นผู้ทำ หลักฐานใดถูกรวบรวม และสภาวะปฏิบัติการหลังจากนั้นเปลี่ยนไปอย่างไร ## เริ่มจากลำดับความสำคัญด้านพลังงานที่วัดผลได้ เริ่มจากอาคาร กลุ่มระบบ หรือปัญหาปฏิบัติการหนึ่งรายการที่มีข้อมูลต้นทางและผู้รับผิดชอบชัดเจน จัดทำค่าฐาน ตรวจสอบความสัมพันธ์ของสินทรัพย์และมิเตอร์ วิเคราะห์สภาวะที่เลือก ดำเนินการตามที่ตกลง และทบทวนผลก่อนขยายโครงการ ## สิ่งที่โครงการพลังงานเชิงปฏิบัติการรองรับ - การวิเคราะห์พลังงานที่เชื่อมกับพื้นที่ ระบบ อุปกรณ์ และตารางเดินระบบ - หลักฐานที่สอดคล้องจากความสัมพันธ์สินทรัพย์และจุดข้อมูลตามแนวทาง Brick - การเปรียบเทียบสถานการณ์ด้วยโมเดล EnergyPlus ที่กำหนดตามโครงการ - บันทึกเตรียม Green Mark ที่เชื่อมกับงานปฏิบัติการสถานที่ประจำวัน - งานแก้ไข หลักฐานภาคสนาม และการวัดผลติดตามในกระบวนการเดียวที่ตรวจสอบย้อนกลับได้ --- ## [SOLUTIONS] โซลูชันระบบทำความร้อนเขตเมืองอัจฉริยะ > โซลูชันของ DataMesh ผสาน HeatOps module ใน FactVerse AI Agent, Data Fusion Services, FactVerse digital twin, Inspector และระบบควบคุมเดิม เพื่อเชื่อม forecast, network diagnosis, dispatch support, work order และงานภาคสนาม ## ระบบทำความร้อนเขตเมืองต้องการวงจรปฏิบัติการ ปัญหาของ district heating มักกระจายอยู่ในระบบผลิตความร้อน ไฮดรอลิกของเครือข่าย สถานีแลกเปลี่ยนความร้อน อาคาร feedback จากผู้ใช้ billing และงานภาคสนาม ผู้ปฏิบัติการต้องรู้ว่าพื้นที่ใดจะมีโหลดเพิ่ม สายท่อใดเสียสมดุล และการกระทำใดช่วยเพิ่ม comfort พร้อมลดพลังงานสูญเสีย โซลูชันระบบทำความร้อนอัจฉริยะของ DataMesh เชื่อมสัญญาณเหล่านี้ไว้ในบริบทการปฏิบัติงานเดียวกัน HeatOps module ใน FactVerse AI Agent ทำ forecast, diagnosis, knowledge Q&A และ recommendation ส่วน Data Fusion Services เชื่อมระบบเดิม FactVerse จัดการ network digital twin และ Inspector เชื่อมผลวิเคราะห์กับ work order และงานภาคสนาม ## โมเดลที่มาจากการออกแบบปรับปรุงระบบทำความร้อนจริง industry module นี้ถูกออกแบบสำหรับเครือข่ายที่มีหลายสถานี โมเดลประกอบด้วย sensing layer สำหรับอุณหภูมิ แรงดัน อัตราการไหล น้ำเติม วาล์ว และปั๊ม; Data Fusion Services สำหรับ context ของแหล่งความร้อน สถานี ท่อ อาคาร และผู้ใช้; FactVerse AI Agent สำหรับ load forecasting, anomaly diagnosis, hydraulic balance และ energy-carbon analysis; execution layer ผ่าน PLC คำสั่ง dispatch และงานภาคสนาม; และ interaction layer สำหรับ control room ผู้บริหาร maintenance และ customer service จุดนี้คือที่ Physical AI มีความหมายในระบบทำความร้อนจริง คำแนะนำของ AI รวมข้อมูลปฏิบัติการ topology ของเครือข่าย thermal inertia ขีดจำกัดอุปกรณ์ สิทธิ์ควบคุม และขั้นตอนความปลอดภัย ทุกคำแนะนำควรอธิบายที่มา ขอบเขตผลกระทบ และเงื่อนไขการดำเนินการได้ ## มองเห็น: แหล่งความร้อน เครือข่าย สถานี และอาคาร HeatOps module วางทรัพย์สินของระบบทำความร้อนไว้ใน GIS map, network topology และ station view ทีมสามารถดูสถานะสถานี supply/return temperature, differential pressure, flow, heat quantity, pump, valve, building zone, indoor feedback, alarm และ work order ได้ร่วมกัน มุมมองนี้เหมาะกับฤดูเดินระบบมากกว่าการ monitor จุดเดียว หาก complaint เพิ่มในพื้นที่ปลายทาง ทีมสามารถดูสถานี upstream สายท่อ สถานะวาล์ว การเปลี่ยนแปลงแรงดัน และประวัติการแก้ไขใน flow เดียวกัน ## คำนวณ: forecast, diagnosis และ energy-carbon review Load forecasting ช่วยให้ทีมเห็น demand curve ก่อนอากาศเปลี่ยน Diagnosis รวม supply-return delta, makeup water, pressure fluctuation, heat exchanger efficiency, pump energy และ user feedback เพื่อแยกว่าเป็นปัญหาจากแหล่งความร้อน สายท่อ imbalance, fouling, leakage, insulation degradation หรือ local control ในมุมบริหาร module นี้จัดข้อมูล heat, fuel, electricity, heat loss และ carbon เป็น seasonal operating record เพื่อทบทวนว่า dispatch strategy, retrofit และ incident response ทำให้คุณภาพบริการดีขึ้นจริงหรือไม่ ## ควบคุม: จาก recommendation ถึง audited execution การควบคุมระบบทำความร้อนเหมาะกับการเดินเป็นขั้นตอน: recommendation จาก FactVerse AI Agent, operator confirmation, limited writeback และ result review HeatOps module จัดการ valve opening, pump frequency และ supply temperature ภายใต้ safety boundary และ approval flow แนวทางนี้ทำให้ AI เข้าสู่การปฏิบัติการจริงได้ โดยยังคงการควบคุมด้าน safety, responsibility และ compliance ไว้กับผู้ประกอบการ ## ใช้งาน: knowledge, service และ work order การปฏิบัติการระบบทำความร้อนครอบคลุม control room, complaint, inspection, repair history, manual และ emergency procedure ซึ่งล้วนมีผลต่อการตัดสินใจ HeatOps module ใช้ AI Advisor ใน FactVerse AI Agent เพื่อค้น knowledge อธิบาย alarm สร้างขั้นตอนตรวจสอบ สร้าง work order และส่งผลภาคสนามกลับเข้าสู่รอบการเดินระบบถัดไป ## เริ่มจากพื้นที่ปฏิบัติงานที่เชื่อมต่อกัน ควรเริ่มจากกลุ่มสถานีและโซนเครือข่ายที่จำกัดก่อน ใช้ Data Fusion Services เชื่อม live data และ asset topology จากนั้นตรวจสอบภาพรวมสถานี การวินิจฉัยความผิดปกติ การพยากรณ์โหลด และ workflow ของใบงาน แล้วค่อยขยายไป energy-carbon analysis, hydraulic balance และ dispatch recommendation การเขียนกลับ PLC หรือระบบควบคุมควรทำหลังจากสิทธิ์ควบคุม safety constraint และ audit requirement ชัดเจนแล้ว ## รวม network intelligence และการดำเนินงานไว้บนแพลตฟอร์มเดียว - [FactVerse AI Agent](/products/factverse-ai-agent) เป็นที่อยู่ของ HeatOps industry module สำหรับ forecast, diagnosis, knowledge Q&A และ dispatch recommendation - [Data Fusion Services](/products/dfs) เชื่อม SCADA, SIS, metering, weather, billing, complaint และ work order systems - [FactVerse Platform](/products/factverse) จัดการ digital twin context ของแหล่งความร้อน เครือข่าย สถานี อาคาร และอุปกรณ์ - [Smart Facility Management](/solutions/smart-building) ขยาย operating model เดียวกันไปสู่ campus และ building facilities --- ## [SOLUTIONS] การบำรุงรักษาเชิงคาดการณ์ > เปลี่ยนจากการบำรุงรักษาที่ขับเคลื่อนด้วยสัญญาณเตือน ไปสู่การบำรุงรักษาเชิงคาดการณ์ด้วย AI โดยอาศัยข้อมูลเซ็นเซอร์อุตสาหกรรม ดิจิทัลทวิน และการปฏิบัติการแบบวงจรปิด ## จากการบำรุงรักษาเชิงรับสู่การตัดสินใจที่ตรวจสอบได้ โมดูล predictive maintenance ของ FactVerse AI Agent มอบวงจรการตัดสินใจให้ทีมปฏิบัติการ ด้วยการผสานข้อมูลเซ็นเซอร์อุตสาหกรรม บริบทของสินทรัพย์ การวิเคราะห์ด้วย AI และดิจิทัลทวิน ทีมงานจึงมองเห็นได้ว่ามีอะไรเปลี่ยนไป เหตุใดจึงสำคัญ และควรดำเนินการอย่างไรก่อนที่จะเกิด downtime ## สัญญาณ → การวิเคราะห์ → การยืนยันด้วยดิจิทัลทวิน → การตัดสินใจ 1. **รับสัญญาณข้อมูล** — Data Fusion Services รวม stream จากเซ็นเซอร์ historian tags บันทึกการตรวจสอบ และ metadata ของอุปกรณ์ 2. **การวิเคราะห์ด้วย AI** — FactVerse AI Agent ประเมินรูปแบบการเสื่อมสภาพ สัญญาณด้านสุขภาพของอุปกรณ์ และแนวโน้มความผิดปกติ 3. **การยืนยันบน twin** — FactVerse Twin Engine และ FactVerse ให้บริบทเชิงพื้นที่และการปฏิบัติการสำหรับการวินิจฉัย 4. **การดำเนินงาน** — Inspector เปลี่ยนผลการวิเคราะห์ที่ผ่านการยืนยันแล้วให้เป็นใบสั่งงาน งานภาคสนาม และการติดตามผลที่ตรวจสอบได้ ## การตรวจสอบเชิงปฏิบัติการสำหรับทีมบำรุงรักษา โมดูล predictive maintenance ของ FactVerse AI Agent รวมการรับรู้จากเซ็นเซอร์ที่เชื่อถือได้ บริบทของสินทรัพย์ การวิเคราะห์ด้วย AI และการทบทวนในทวิน เพื่อให้ทีมประเมินความเสี่ยงด้านการบำรุงรักษาได้ด้วยบริบทที่ครบกว่าเดิมและลดการคาดเดา - ระบบเซ็นเซอร์อุตสาหกรรมที่เชื่อถือได้ที่ edge - บริบทการปฏิบัติงานจากหลายแหล่ง - การวิเคราะห์แนวโน้มและประเมินสุขภาพด้วย AI - การมองเห็นผ่าน digital twin เพื่อประกอบการตัดสินใจด้านการบำรุงรักษา ## แทรกแซงได้เร็วขึ้น เสียงรบกวนน้อยลง ทีมสามารถทบทวนปัญหาที่กำลังก่อตัวในบริบทจริงก่อนเกิดสัญญาณเตือนตามค่าเกณฑ์ จัดลำดับสินทรัพย์ที่ควรดูแลก่อน และเข้าสู่การบำรุงรักษาแบบวางแผนได้เร็วขึ้น ## ประสบการณ์จากงานบำรุงรักษาในภาคอุตสาหกรรม DataMesh และ [Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) นำ predictive maintenance ที่มี AI ช่วยวิเคราะห์ไปใช้กับโรงงานอุตสาหกรรมที่ซับซ้อน โครงการกับ [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) และ [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) ยังแสดงให้เห็นว่า FactVerse เชื่อมความรู้ด้านการบำรุงรักษา การทำงานภาคสนาม และบันทึกปฏิบัติการที่นำกลับมาใช้ได้อย่างไร ## เริ่มจาก asset สำคัญแล้วขยายต่อ เริ่มจากกลุ่ม asset หรือ facility system ที่มีผลต่อการดำเนินงานชัดเจนและมีข้อมูลย้อนหลังเพียงพอ เมื่อตรวจสอบคุณภาพข้อมูลและวงจรการปฏิบัติงานแล้ว จึงขยายรูปแบบเดียวกันไปยังอุปกรณ์และไซต์อื่น ## ผลิตภัณฑ์ที่เกี่ยวข้อง - FactVerse — ชั้นแพลตฟอร์มสำหรับบริบทการปฏิบัติงาน - FactVerse AI Agent — การตรวจจับความผิดปกติ การวิเคราะห์ และการสนับสนุนการตัดสินใจ - FactVerse Twin Engine — การยืนยันบน twin และบริบทการปฏิบัติงาน - Data Fusion Services — การเชื่อมต่อเซ็นเซอร์ historian และระบบต่าง ๆ - Inspector — ใบสั่งงานและการดำเนินงานภาคสนาม ## ผลลัพธ์ที่พบได้บ่อย | ตัวชี้วัด | ผลลัพธ์ | |------|------| | การทบทวนสัญญาณได้เร็วขึ้น | ระบุและจัดลำดับปัญหาการบำรุงรักษาที่กำลังก่อตัวได้เร็วขึ้น | | Downtime ที่ไม่ได้วางแผน | ลดลงจากการเข้าแทรกแซงที่เร็วขึ้นและการบำรุงรักษาที่วางแผนได้ | | False alarm | ลดลงด้วยการวิเคราะห์แนวโน้มและการวินิจฉัยตามบริบท | | การดำเนินงานบำรุงรักษา | ส่งต่องานจากการตรวจจับสู่การปฏิบัติการภาคสนามที่ยืนยันแล้วได้เร็วขึ้น | --- ## [SOLUTIONS] Process Simulation และ Virtual Planning > ใช้ FactVerse Designer เพื่อวางผัง จำลอง workflow เปรียบเทียบ scenario คาดการณ์ความเสี่ยง และตรวจสอบพฤติกรรมทางกายภาพก่อนใช้งานจริง ## Designer-led simulation สำหรับ Physical AI Process Simulation & Virtual Planning เป็น workflow ของ FactVerse Designer สำหรับ layout planning, process logic, scenario comparison และ virtual trial ช่วยตรวจสอบ packaging process, material flow, equipment interaction และ operation ก่อนเปลี่ยนหน้างานจริง ## การใช้งานหลัก - ตรวจสอบ packaging workflow และ equipment interaction - วางแผน production cell และ workstation - เปรียบเทียบ warehouse zone, picking path และ staging area - virtual commissioning ก่อนเปลี่ยนหน้างาน - เตรียม Physical AI scenario สำหรับ automation และ robotics ## Related products - [FactVerse Designer](/products/designer) - layout, process logic และ scenario authoring - [FactVerse](/products/factverse) - digital twin platform - [Data Fusion Services](/products/dfs) - operational data connectivity - [FactVerse Twin Engine](/products/factverse-twin-engine) - physical context สำหรับ validation --- ## [SOLUTIONS] real-time-monitoring ## เปลี่ยนข้อมูลสดให้เป็นภาพปฏิบัติการ สถานที่ต่าง ๆ สร้างข้อมูลสดอยู่แล้วผ่านระบบควบคุม เซนเซอร์ มิเตอร์ ฐานข้อมูล และแพลตฟอร์มบริการ ผู้ปฏิบัติงานยังต้องระบุตำแหน่งที่เกิดการเปลี่ยนแปลง สินทรัพย์และพื้นที่ที่ได้รับผลกระทบ ความเชื่อมโยงกับรูปแบบที่กว้างขึ้น และผู้รับผิดชอบการตอบสนอง DataMesh เชื่อมข้อมูลสดและข้อมูลย้อนหลังกับอุปกรณ์ พื้นที่ ระบบ และบันทึกงานในดิจิทัลทวินด้านปฏิบัติการ ทีมในห้องควบคุม วิศวกร ผู้วางแผนบำรุงรักษา และช่างภาคสนามสามารถประสานงานจากบริบทเดียวกัน พร้อมใช้ระบบต้นทางเดิมต่อไป ## เพิ่มบริบทสินทรัพย์และระบบให้ทุกสัญญาณ [Data Fusion Services](/products/dfs) เชื่อม BMS, SCADA, PLC, IoT, มิเตอร์ ฮิสทอเรียน ฐานข้อมูล และแอปพลิเคชันองค์กร [FactVerse](/products/factverse) แมปแต่ละสัญญาณกับไซต์ พื้นที่ สินทรัพย์ ความสัมพันธ์ของระบบ และวัตถุดิจิทัลทวินที่เกี่ยวข้อง บริบทนี้ช่วยให้ทีมเชื่อมจากแท็กหรือรหัสสัญญาณเตือนไปยังอุปกรณ์จริง โซนที่ได้รับผลกระทบ เซนเซอร์ที่เกี่ยวข้อง ระบบต้นน้ำและปลายน้ำ การบำรุงรักษาล่าสุด และงานที่กำลังดำเนินการ ## ทบทวนการเปลี่ยนแปลงที่เกี่ยวข้องก่อนตอบสนอง ข้อยกเว้นด้านปฏิบัติการอาจเกี่ยวข้องกับสัญญาณเตือนหลายรายการ การเปลี่ยนค่าตั้งล่าสุด สภาพอากาศ โหลด กิจกรรมบำรุงรักษา หรือชิ้นส่วนที่เสื่อมสภาพ DataMesh รวมสัญญาณและบันทึกเหล่านี้ไว้สำหรับการทบทวน แนวโน้มย้อนหลังและช่วงค่าที่คาดหมายช่วยแยกสัญญาณรบกวนเฉพาะครั้งออกจากสภาวะที่ควรตรวจสอบ [FactVerse AI Agent](/products/factverse-ai-agent) ช่วยตีความแนวโน้มและวิเคราะห์เหตุการณ์ที่เกี่ยวข้องได้เมื่อไซต์มีข้อมูลและบริบทปฏิบัติการเพียงพอ ## ประสานการตอบสนองและเก็บผลลัพธ์ สภาวะที่ยืนยันแล้วส่งเข้าสู่การตรวจสอบและใบสั่งงานใน [Inspector](/products/inspector) หรือซิงค์กับ CMMS เดิมได้ บันทึกการตอบสนองเชื่อมสัญญาณต้นทาง ผู้ตรวจทาน ลำดับความสำคัญ ทีมที่ได้รับมอบหมาย หลักฐานภาคสนาม บันทึกปิดงาน และการติดตามผลเข้าด้วยกัน ประวัตินี้ช่วยให้ผู้จัดการเห็นสภาวะที่เกิดซ้ำ คุณภาพการตอบสนอง ผลการดำเนินงานตามระดับบริการ และโอกาสสำหรับการบำรุงรักษาเชิงคาดการณ์ได้ชัดเจนขึ้น ## รองรับบทบาทตั้งแต่สินทรัพย์หนึ่งรายการถึงหลายไซต์ ผู้ปฏิบัติงานอาจต้องดูสัญญาณเตือนปัจจุบันและโทโพโลยีระบบ วิศวกรต้องใช้แนวโน้มและความสัมพันธ์พึ่งพา ทีมภาคสนามต้องการตำแหน่ง ประวัติ และขั้นตอน ส่วนผู้จัดการพอร์ตโฟลิโอต้องเปรียบเทียบไซต์และสถานะงานเปิด มุมมองตามบทบาทใช้บริบทสินทรัพย์และปฏิบัติการชุดเดียวกัน โดยแต่ละคนยังคงทำงานในหน้าจอที่เหมาะกับหน้าที่ ## เริ่มจากระบบหนึ่งระบบที่มีความสำคัญต่อการตอบสนอง ระยะแรกอาจมุ่งที่ HVAC ระบบจ่ายไฟ น้ำหล่อเย็น สาธารณูปโภคคลีนรูม ห้องศูนย์ข้อมูล หรือระบบอื่นที่ข้อมูลกระจัดกระจายทำให้การตอบสนองล่าช้า เชื่อมข้อมูล ความสัมพันธ์สินทรัพย์ กฎสัญญาณเตือน บทบาทปฏิบัติการ และการส่งต่อใบสั่งงานที่จำเป็น แล้วขยายเมื่อทีมเชื่อมั่นในมุมมองร่วม ## สิ่งที่การติดตามแบบเชื่อมต่อช่วยพัฒนา - เข้าใจตำแหน่งที่เกิดการเปลี่ยนแปลงและขอบเขตผลกระทบได้เร็วขึ้น - จัดลำดับความสำคัญได้ดีขึ้นด้วยบริบทสินทรัพย์ แนวโน้ม ความสัมพันธ์พึ่งพา และบริการ - ส่งต่องานจากการทบทวนในห้องควบคุมสู่การปฏิบัติงานภาคสนามได้ชัดเจน - แชร์สถานะปฏิบัติการระหว่างวิศวกรรม บำรุงรักษา บริการ และฝ่ายบริหาร - มีประวัติที่นำกลับมาใช้ได้สำหรับการบำรุงรักษาเชิงคาดการณ์และปฏิบัติการที่มี AI ช่วย --- ## [SOLUTIONS] smart-building ## ภาพการปฏิบัติงานเดียวกันสำหรับทุกทีม อาคารและแคมปัสสร้างข้อมูลจาก BIM, BMS, มิเตอร์, IoT, แพลตฟอร์มบำรุงรักษา เอกสาร และงานภาคสนาม DataMesh เชื่อมข้อมูลเหล่านี้ไว้ระหว่างการตอบสนองต่อสัญญาณเตือน การมอบหมายช่าง และการทบทวนหลายไซต์ เจ้าของ วิศวกร ผู้ให้บริการ และช่างจึงเห็นเหตุการณ์ สินทรัพย์ที่เกี่ยวข้อง ผู้รับผิดชอบ และหลักฐานหลังปิดงานร่วมกัน ## เชื่อมระบบที่กำลังใช้งานอยู่ [Data Fusion Services](/products/dfs) เชื่อมระบบควบคุม เซนเซอร์ มิเตอร์ ฐานข้อมูล และแอปพลิเคชันผ่านโปรโตคอลมาตรฐานและ API ส่วน [FactVerse](/products/factverse) ผูกข้อมูลกับพื้นที่ สินทรัพย์ ระบบ และความสัมพันธ์ใน operational digital twin โดย BMS, CMMS, EAM และแพลตฟอร์มบริการเดิมยังคงเป็นส่วนหนึ่งของการปฏิบัติงาน ## เปลี่ยนสัญญาณให้เป็นงานที่ตรวจสอบได้ 1. **ทำความเข้าใจ** สัญญาณเตือน ผลตรวจ หรือความผิดปกติด้านพลังงานในบริบทพื้นที่และอุปกรณ์ 2. **ตัดสินใจ** จากสัญญาณสด ประวัติ เอกสาร ความสัมพันธ์ และลำดับความสำคัญ 3. **ดำเนินการ** สร้างหรือซิงค์ใบงานและส่งขั้นตอนผ่าน [Inspector](/products/inspector) 4. **ตรวจสอบ** เก็บภาพถ่าย ค่าที่วัด บันทึกปิดงาน การอนุมัติ และงานติดตาม [FactVerse AI Agent](/products/factverse-ai-agent) ช่วยวิเคราะห์แนวโน้ม ความผิดปกติ และลำดับงานเมื่อข้อมูลและกระบวนการพร้อม โดยทีมปฏิบัติงานยังคงรับผิดชอบการตัดสินใจ ## ใช้ข้อมูลอาคารร่วมกันได้หลายทีม ความสัมพันธ์ที่สอดคล้องกับ Brick Schema ใน Inspector สร้างบริบทร่วมสำหรับอาคาร โซน อุปกรณ์ มิเตอร์ เซนเซอร์ และจุดข้อมูล บันทึกเดียวกันจึงใช้กับ monitoring, maintenance, energy analysis, compliance และ workflow ที่มี AI ช่วยได้ ## เชื่อมพลังงานและ Green Mark กับงานประจำวัน DataMesh เชื่อมสภาพอุปกรณ์ ตารางเดินเครื่อง การควบคุม การบำรุงรักษา และการใช้พื้นที่ ทีมสามารถทบทวน EUI และรูปแบบโหลด ตรวจสอบความผิดปกติ มอบหมายงานปรับปรุง และเก็บหลักฐาน สำหรับโครงการ Green Mark ในสิงคโปร์ ข้อมูลนี้ช่วยการเตรียมงานร่วมกับที่ปรึกษาที่ได้รับแต่งตั้ง และสามารถเพิ่ม BIM หรือ IFC สภาพอากาศ ประวัติการเดินระบบ และแบบจำลอง EnergyPlus สำหรับการวิเคราะห์สถานการณ์เชิงลึก ## เริ่มจากเป้าหมายที่ชัดเจน ระยะแรกอาจเลือกหนึ่งระบบสำคัญ workflow จากสัญญาณเตือนสู่ใบงาน พื้นที่ใช้พลังงานสูง หรือกลุ่มสินทรัพย์ที่มีปัญหาซ้ำ หลังตรวจสอบคุณภาพข้อมูล การเชื่อมต่อ การใช้งานภาคสนาม และตัวชี้วัดแล้ว จึงขยายไปยังระบบ อาคาร และไซต์อื่น ## จุดเด่นของ DataMesh - บริบทร่วมสำหรับพื้นที่ สินทรัพย์ ระบบ ข้อมูล และงาน - เชื่อม visualization, inspection, procedure, work order และหลักฐานการปิดงาน - เชื่อมระบบแบบเปิดผ่านโปรโตคอลอุตสาหกรรมและ API - ขยายสู่ monitoring, maintenance, energy, training และ AI operations ได้ --- ## [SOLUTIONS] การฝึกอบรมและพัฒนาทักษะ > เตรียมบุคลากรสำหรับอุปกรณ์และขั้นตอนจริงด้วยเนื้อหา 3D แบบมีคำแนะนำ การฝึกใน digital twin และเส้นทางสู่ field work ภายใต้การดูแล ## เตรียมคนสำหรับงานจริง การฝึกในอุตสาหกรรมต้องจัดการข้อจำกัดด้านการเข้าถึงอุปกรณ์ เวลา instructor กฎความปลอดภัย การเปลี่ยน procedure และ supervised practice พร้อมกัน DataMesh เชื่อม guided 3D content, digital twin context, equipment simulation และ field workflow เป็นเส้นทางจากคำอธิบายสู่การฝึกและการปฏิบัติ ## เส้นทางฝึกเดียวที่ใช้เครื่องมือเฉพาะงาน [Director](/products/director) สร้าง 3D guidance ที่อนุมัติแล้ว DataMesh One ส่งเนื้อหาไปยัง self-study, classroom และ spatial device ที่รองรับ [Simulator](/products/simulator) ให้ physical practice ด้วย control และ scenario ที่กำหนด [Inspector](/products/inspector) และ [Checklist](/products/checklist) เก็บ supervised task และ evidence ## จากความรู้ผู้เชี่ยวชาญสู่ supervised execution ทีมกำหนดบทบาท งานสำคัญ และ assessment criteria เก็บความรู้ใน Director แล้วเลือก guided practice หรือ Simulator ผลจาก supervised field work ถูกนำกลับไปปรับปรุงเนื้อหาและ scenario ## Guided work และ Simulator ในการใช้งานจริง กรณีสาธารณะของ [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency), [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) และ [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) แสดง guided training ส่วน Simulator รองรับ tower crane, forklift, rotary drilling rig, deep-well casing drilling rig และ excavator ## รวม safety และ qualification ในโปรแกรม Training policy, qualified supervision, work authorization, regulatory requirement, assessment กับอุปกรณ์จริง และ formal certification ถูกออกแบบไว้ตั้งแต่ต้น DataMesh ให้ content, repeatable practice, assessment input และ evidence ## วัดความพร้อมสำหรับงานจริง ทีมฝึกสามารถวัดความเข้าใจอุปกรณ์และลำดับงาน ข้อผิดพลาดที่พบก่อนลงสนาม ความสะดวกในการอัปเดตเนื้อหา และความเหมาะสมของอุปกรณ์หรือ Simulator configuration กับบทบาท --- ## [SOLUTIONS] visualization ## ทำให้ปฏิบัติการซับซ้อนเข้าใจได้ผ่านมิติพื้นที่ สถานที่ โรงงาน แคมปัส และโครงสร้างพื้นฐานล้วนเป็นระบบเชิงพื้นที่ ตำแหน่งอุปกรณ์ ความสัมพันธ์พึ่งพาของระบบ เส้นทางเข้าถึง ลำดับกระบวนการ เขตปฏิบัติงาน และความเสี่ยงยากต่อการทำความเข้าใจจากตารางและแดชบอร์ดที่แยกส่วน การแสดงผลดิจิทัลทวินด้านปฏิบัติการรวมโมเดล สินทรัพย์ ข้อมูลสด เอกสาร และบันทึกงานไว้ในบริบทเชิงพื้นที่เดียว วิศวกรรม ปฏิบัติการ ทีมภาคสนาม ฝ่ายบริหาร และผู้มีส่วนได้ส่วนเสียภายนอกสามารถตรวจสอบสภาพแวดล้อมเดียวกันจากมุมมองที่เหมาะกับงานของตน ## สร้างฐานสินทรัพย์โมเดลที่บริหารจัดการได้ BIM, CAD, GIS, พอยต์คลาวด์ และโมเดลอุปกรณ์เข้าสู่แพลตฟอร์มเป็นสินทรัพย์โมเดลที่บริหารจัดการ เวอร์ชัน รูปทรงส่วนประกอบ พิกัด และข้อมูลอ้างอิงภายนอกได้รับการเก็บรักษา ทำให้ดูแลเนื้อหาได้ต่อเนื่องเกินกว่าการนำเสนอครั้งเดียว [FactVerse](/products/factverse) เชื่อมส่วนประกอบโมเดลกับรหัสทวินที่คงที่ พื้นที่ ระบบ เซนเซอร์ เอกสาร และบันทึกงาน ความสัมพันธ์นี้ทำให้วัตถุที่มองเห็นมีความหมายด้านปฏิบัติการ และเปิดทางให้ใช้สินทรัพย์เดียวกันในหลายแอปพลิเคชัน ## จัดมุมมองให้เหมาะกับแต่ละเวิร์กโฟลว์ [FactVerse Designer](/products/designer) ช่วยจัดวางสินทรัพย์ มุมมอง ป้ายกำกับ แผงข้อมูล แอนิเมชัน และตรรกะการโต้ตอบ [Data Fusion Services](/products/dfs) เชื่อมข้อมูลปฏิบัติการปัจจุบันและย้อนหลัง ผลลัพธ์สามารถรองรับมุมมองห้องควบคุม การตรวจอุปกรณ์ ฉากฝึกอบรม การทบทวนงานก่อสร้าง การบรรยายให้ลูกค้า หรือเวิร์กโฟลว์ภาคสนาม เมื่อสถานที่เปลี่ยนแปลง ทีมสามารถอัปเดตทวินและความสัมพันธ์โมเดลที่เป็นฐาน แล้วนำบริบทที่อยู่ภายใต้การกำกับไปใช้กับประสบการณ์ใหม่ ## เชื่อมผู้คนและแอปพลิเคชันกับทวินเดียวกัน มุมมองเว็บและจอขนาดใหญ่สนับสนุนภาพรวมปฏิบัติการ [Inspector](/products/inspector) ใช้บริบทเชิงพื้นที่และสินทรัพย์สำหรับการตรวจสอบและบำรุงรักษา DataMesh One ส่งเนื้อหา 3D ที่อนุมัติแล้วไปยังอุปกรณ์ภาคสนามที่รองรับ Omniverse และรันไทม์อื่นของโครงการรับฉากและเมทาดาทาที่เตรียมไว้ผ่านเส้นทางเชื่อมต่อที่เหมาะสม ฐานร่วมนี้ลดการเตรียมโมเดลซ้ำ และรักษารหัสสินทรัพย์ให้สอดคล้องตั้งแต่การทบทวนทางวิศวกรรมจนถึงงานปฏิบัติการประจำวัน ## เตรียมบริบทเชิงพื้นที่สำหรับ Physical AI การจำลอง หุ่นยนต์ การสร้างข้อมูลสังเคราะห์ และ AI เอเจนต์ต้องใช้มากกว่ารูปลักษณ์ จำเป็นต้องมีรูปทรง หน่วย พิกัด รหัสส่วนประกอบ ความสัมพันธ์ระบบ สถานะปฏิบัติการ และบริบทงานที่สอดคล้องกัน FactVerse เป็นชั้นทวินและสินทรัพย์ที่บริหารจัดการสำหรับเตรียมบริบทนี้ จากนั้นเวิร์กโฟลว์โครงการส่งฉากและเมทาดาทาไปยัง Omniverse, Isaac, PhysX, Newton, มิดเดิลแวร์หุ่นยนต์ หรือรันไทม์ที่อนุมัติอื่นเพื่อเรนเดอร์ จำลอง และตรวจสอบ ## พิสูจน์การใช้งานในโครงการซับซ้อน DataMesh ประยุกต์ดิจิทัลทวินและ mixed reality ร่วมกับ [JTC](/about/news/collaboration-between-jtc-datamesh) สนับสนุนเวิร์กโฟลว์ก่อสร้างของ [Obayashi](/about/news/digital-twin-empowers-bim-obayashi) ส่งมอบการจำลองการก่อสร้างร่วมกับ Toda สำหรับ [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) และมีส่วนร่วมในประสบการณ์ดิจิทัลทวิน [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) ## เริ่มจากมุมมองปฏิบัติการหนึ่งรายการที่นำกลับมาใช้ได้ เลือกสถานที่หรือเวิร์กโฟลว์ที่บริบทเชิงพื้นที่ช่วยแก้ปัญหาการประสานงานได้อย่างชัดเจน กำหนดขอบเขตโมเดล การแมปวัตถุ มาตรฐานพิกัด ระดับรายละเอียด ผู้รับผิดชอบ การเชื่อมข้อมูล และกระบวนการอัปเดต เมื่อทีมดูแลและนำฐานนี้กลับมาใช้ได้แล้ว จึงขยายสู่การติดตาม การตรวจสอบ การจำลอง การฝึกอบรม และเวิร์กโฟลว์ Physical AI ## สิ่งที่ทวินซึ่งนำกลับมาใช้ได้รองรับ - เข้าใจสินทรัพย์ ความสัมพันธ์ เส้นทาง และผลกระทบด้านปฏิบัติการได้เร็วขึ้น - บริบทเชิงพื้นที่เดียวสำหรับวิศวกรรม ปฏิบัติการ งานภาคสนาม และการทบทวนของผู้มีส่วนได้ส่วนเสีย - นำสินทรัพย์โมเดลกลับมาใช้ในงานติดตาม บำรุงรักษา ฝึกอบรม และจำลอง - เตรียมฉากอย่างสอดคล้องสำหรับเวิร์กโฟลว์ Physical AI และหุ่นยนต์ - ลดภาระการเตรียมซ้ำเมื่อเพิ่มแอปพลิเคชันใหม่ --- ## [SOLUTIONS] workflow-digitization ## กระบวนการบำรุงรักษาเดียวที่เชื่อมระบบและผู้ให้บริการ สถานที่ขนาดใหญ่มักใช้งานระบบบำรุงรักษาหลายสภาพแวดล้อมพร้อมกัน อาคาร ผู้รับเหมา กลุ่มอุปกรณ์ หรือภูมิภาคต่าง ๆ อาจใช้ CMMS คนละระบบ ขณะที่คำขอภาคสนามมาจากช่องทางอื่น และสัญญาณเตือน ข้อมูลสินทรัพย์ ขั้นตอน และสินค้าคงคลังกระจายอยู่คนละแห่ง DataMesh สร้างชั้นปฏิบัติการร่วมให้กับสภาพแวดล้อมทั้งหมด CMMS ปลายทางแต่ละระบบยังคงจัดการงานที่ตนรับผิดชอบ ส่วนทีมสถานที่มองเห็นความต้องการ ลำดับความสำคัญ บริบทสินทรัพย์ การมอบหมาย สถานะการซิงค์ และหลักฐานการเสร็จสิ้นได้อย่างสอดคล้องกัน ## รับคำขอพร้อมบริบทที่จำเป็นต่อการคัดกรอง คำขอสามารถเข้ามาจากพนักงานภาคสนาม พอร์ทัล อีเมล สัญญาณเตือน และการโต้ตอบด้วยภาษาธรรมชาติ โดยมีข้อมูลผู้ร้องขอ อุปกรณ์ ตำแหน่ง ระดับความรุนแรง คำอธิบาย รูปภาพ บันทึกเสียง และพิกัดเมื่อมีข้อมูล หัวหน้างานตรวจสอบและจัดลำดับความสำคัญ แปลงเป็นใบสั่งงาน หรือปฏิเสธพร้อมระบุเหตุผลได้ ทีมบำรุงรักษาจึงควบคุมขั้นตอนรับงานก่อนส่งความต้องการเข้าสู่คิวดำเนินการ ## ประสานงานข้ามผู้ให้บริการ CMMS [Data Fusion Services](/products/dfs) เชื่อมแพลตฟอร์มบำรุงรักษาผ่าน API อะแดปเตอร์ เว็บฮุก ฐานข้อมูล ข้อความ หรืออินเทอร์เฟซไฟล์ตามโครงการ การแมปสินทรัพย์เชื่อมอุปกรณ์เดียวกันระหว่างระบบ มุมมองใบสั่งงานข้ามระบบเก็บข้อมูลแพลตฟอร์มต้นทาง การอ้างอิงภายนอก ผู้ให้บริการเจ้าของงาน และสถานะการซิงค์ไว้ครบถ้วน รูปแบบนี้รองรับพอร์ตโฟลิโอที่ยังคงใช้ระบบปลายทาง DataMesh ช่วยประสานงานและสร้างภาพรวมจากส่วนกลาง โดยไม่บังคับให้อาคารหรือผู้ให้บริการทุกรายย้ายเข้าสู่ระบบธุรกรรมเดียวกัน ## วางแผนบุคลากร งานป้องกัน และวัสดุร่วมกัน [Inspector](/products/inspector) รองรับวงจรใบสั่งงานตั้งแต่การมอบหมายจนเสร็จสิ้น งานสามารถส่งให้ช่างภายใน ผู้รับเหมา หรือทีมงาน ตารางบำรุงรักษาเชิงป้องกันสร้างใบสั่งงานประจำได้ ส่วนข้อมูลอะไหล่และสินค้าคงคลังช่วยยืนยันความพร้อมและบันทึกการเบิกใช้ ผู้จัดการตรวจสอบงานเปิด งานบำรุงรักษาเชิงป้องกันที่เกินกำหนด การผิดเงื่อนไขระดับบริการ งานค้าง และแนวโน้มการบำรุงรักษาได้จากบริบทเดียวกัน ## ส่งมอบคำแนะนำที่พร้อมใช้แก่ทีมภาคสนาม [Checklist](/products/checklist) จัดโครงสร้างรายการตรวจและหลักฐานที่จำเป็น [Director](/products/director) นำเสนอขั้นตอนแบบมีคำแนะนำเมื่อต้องอาศัยโครงสร้างอุปกรณ์หรือคำแนะนำเชิงพื้นที่ Inspector เชื่อมงานกับสินทรัพย์ ตำแหน่ง สัญญาณเตือน ประวัติการบำรุงรักษา เอกสาร รูปภาพ ค่าที่อ่านได้ การอนุมัติ และบันทึกปิดงานที่ถูกต้อง บันทึกที่ได้รองรับการส่งมอบระหว่างกะ การทบทวนผู้รับเหมา การเตรียมตรวจสอบ และการปรับปรุงงานประจำอย่างต่อเนื่อง ## เพิ่ม AI ในขั้นตอนที่พร้อมใช้งาน [FactVerse AI Agent](/products/factverse-ai-agent) ช่วยตีความคำขอ ตรวจสอบบริบทสัญญาณเตือนและสินทรัพย์ จัดลำดับความสำคัญ ค้นหาความรู้ และเตรียมการดำเนินการที่แนะนำ บทบาท ขั้นตอนอนุมัติ สิทธิ์ และการควบคุมที่กำหนดไว้จะเป็นตัวกำหนดว่าคำแนะนำเข้าสู่เวิร์กโฟลว์อย่างไร ## เริ่มจากเวิร์กโฟลว์ข้ามระบบหนึ่งรายการ ระยะแรกอาจเชื่อมผู้ให้บริการหนึ่งราย ช่องทางคำขอหนึ่งช่องทาง และกลุ่มอุปกรณ์สำคัญหนึ่งกลุ่ม ตรวจสอบการแมปสินทรัพย์ การซิงค์ การมอบหมาย บันทึกภาคสนาม และภาพรวมสำหรับผู้บริหาร ก่อนขยายไปยังผู้ให้บริการ CMMS ไซต์ แผนบำรุงรักษาเชิงป้องกัน และกระบวนการสินค้าคงคลังเพิ่มเติม ## สิ่งที่การดำเนินงานแบบเชื่อมต่อช่วยพัฒนา - มุมมองเดียวสำหรับความต้องการและผู้รับผิดชอบงานบำรุงรักษาข้ามระบบและผู้ให้บริการ - การส่งต่อจากคำขอหรือสัญญาณเตือนไปสู่งานภาคสนามที่มอบหมายได้รวดเร็วขึ้น - การประสานช่าง ทีมงาน การบำรุงรักษาเชิงป้องกัน และอะไหล่ที่ดีขึ้น - การซิงค์และหลักฐานปิดงานที่ตรวจสอบย้อนกลับได้ข้ามขอบเขตองค์กร - ประวัติปฏิบัติการที่เป็นระเบียบสำหรับการวิเคราะห์ การช่วยเหลือด้วย AI และการปรับปรุงกระบวนการ --- ## [SOLUTIONS] training ## Training creates value when it prepares people for real work Industrial training often has to balance limited access to equipment, instructor availability, safety rules, changing procedures, and the need for supervised practice. Documents and videos remain useful, but they can struggle to explain spatial relationships, internal equipment behavior, and the choices people must make during a task. DataMesh combines guided 3D content, digital twin context, equipment simulation, and field workflows so training teams can choose the right learning method for each role. The objective is a clearer path from explanation to practice and then to supervised execution. ## One training path with purpose-built tools - [Director](/products/director) captures approved procedures and expert knowledge as reusable 3D guidance and training content. - **DataMesh One** delivers Director content for self-study, classroom review, and supported mobile or spatial-device use. - [Simulator](/products/simulator) provides physics-based practice for heavy-equipment roles using configured controls, visual systems, and training scenarios. - [Inspector](/products/inspector) and [Checklist](/products/checklist) carry approved steps into supervised field work and retain task records and evidence. FactVerse provides shared equipment and spatial context across these workflows, creating a connected path from content creation and practice to supervised field execution. ## Build a path from knowledge to supervised execution Start by defining the role, the tasks that matter, the current training method, and the customer's readiness criteria. Capture the expert explanation in Director, select guided or Simulator-based practice according to the task, and review the material with instructors and safety owners. Learners can then study and practice before moving into supervised field work. Inspector or Checklist can record the approved field steps and evidence where that is part of the operating process. Results from training and field observation help instructors identify which content or practice needs revision. ## Proven across guided work and simulator training - [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) used Director for reusable MR training content in the first phase of an employee-training and equipment-maintenance initiative. - [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) used Director for 3D maintenance instructions and frontline training around aseptic filling valves. - [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) developed digital twin and MR training that visualized ETC and tunnel emergency-facility behavior. - DataMesh has also published Simulator training references for [tower cranes](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1) and [crawler excavators](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations). ## Build safety and qualification into the program DataMesh supports explanation, repeatable practice, assessment inputs, and evidence. Customer training policies, qualified supervision, task authorization, regulatory requirements, real-equipment assessment, and formal certification remain part of the program from the start. ## Measure readiness for real work Training teams can measure whether learners understand the equipment and sequence, whether practice reveals common mistakes before field work, whether instructors can update content efficiently, and whether the selected device or Simulator configuration fits the role. These signals show where additional practice is needed and which programs are ready to expand. --- ## [SOLUTIONS] visualization ## Make complex operations spatially understandable Facilities, factories, campuses, and infrastructure are spatial systems. Equipment location, system dependencies, access routes, process flow, work zones, and operating risk are difficult to understand from tables and isolated dashboards. Operational digital twin visualization brings models, assets, live data, documents, and work records into one spatial context. Engineering, operations, field teams, management, and external stakeholders can examine the same environment from the perspective their work requires. ## Build a managed model asset foundation BIM, CAD, GIS, point clouds, and equipment models enter the platform as managed model assets. Versions, component geometry, coordinates, and external references are preserved so the content can be maintained beyond a single presentation. [FactVerse](/products/factverse) binds model components to stable twin identity, spaces, systems, sensors, documents, and work records. This relationship gives each visible object an operational meaning and allows the same asset to be reused across applications. ## Compose the right view for each workflow [FactVerse Designer](/products/designer) lets teams arrange assets, viewpoints, labels, data panels, animation, and interaction logic. [Data Fusion Services](/products/dfs) connects current and historical operating information. The result may support a control-room view, equipment inspection, training scene, construction review, customer briefing, or field workflow. Teams can update the underlying twin and model relationships as facilities change, then reuse that governed context across new experiences. ## Connect people and applications to the same twin Web views and large displays support operating visibility. [Inspector](/products/inspector) uses the spatial and asset context for inspection and maintenance. DataMesh One delivers approved 3D content to supported field devices. Omniverse and other project runtimes can receive prepared scenes and metadata through the appropriate integration path. This shared foundation reduces repeated model preparation and keeps asset identity consistent from engineering review through daily operations. ## Prepare spatial context for Physical AI Simulation, robotics, synthetic-data generation, and AI agents require more than visual appearance. They need consistent geometry, units, coordinates, component identity, system relationships, operating state, and task context. FactVerse provides the managed twin and asset layer used to prepare that context. Project workflows can then hand scenes and metadata to Omniverse, Isaac, PhysX, Newton, robotics middleware, or other approved runtimes for rendering, simulation, and validation. ## Proven across complex project environments DataMesh has applied digital twins and mixed reality with [JTC](/about/news/collaboration-between-jtc-datamesh), supported construction workflows with [Obayashi](/about/news/digital-twin-empowers-bim-obayashi), delivered construction simulation with Toda for [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena), and participated in the [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) digital twin experience. ## Start with one reusable operational view Choose a facility or workflow where spatial context removes a clear coordination problem. Define the required model scope, object mapping, coordinate conventions, level of detail, ownership, data bindings, and update process. Once teams can maintain and reuse that foundation, extend it into monitoring, inspection, simulation, training, and Physical AI workflows. ## What a reusable twin enables - Faster understanding of assets, relationships, routes, and operating impact - One spatial context for engineering, operations, field work, and stakeholder review - Reuse of model assets across monitoring, maintenance, training, and simulation - Consistent scene preparation for Physical AI and robotics workflows - Lower repeated preparation effort as new applications are introduced --- ## [SOLUTIONS] workflow-digitization ## One maintenance flow across systems and service providers Large facilities often operate several maintenance environments at once. Different buildings, contractors, equipment groups, or regions may use different computerized maintenance management systems. Field requests arrive through additional channels, while alarms, asset data, procedures, and inventory live elsewhere. DataMesh creates a shared operating layer across that landscape. Each downstream CMMS can continue to manage the work it owns, while facility teams gain a consistent view of demand, priorities, asset context, assignment, synchronization status, and completion evidence. ## Capture demand with the context needed for triage Work requests can enter from field workers, portals, email, alarms, and natural-language interactions. The request carries the requester, equipment, location, severity, description, photos, voice notes, and geolocation where available. Supervisors can review and prioritize the request, convert it into a work order, or reject it with a reason. This gives maintenance teams a controlled intake process before demand reaches the execution queue. ## Coordinate work across CMMS providers [Data Fusion Services](/products/dfs) connects maintenance platforms through project-specific APIs, adapters, webhooks, databases, messages, or file interfaces. Asset mappings relate the same equipment across systems. Cross-system work-order views preserve the source platform, external reference, owning provider, and synchronization status. This operating model is designed for portfolios where downstream systems remain in use. DataMesh provides centralized coordination and visibility without forcing every building or service provider into one transactional system. ## Plan people, preventive work, and materials together [Inspector](/products/inspector) supports the work-order lifecycle from assignment through completion. Work can be dispatched to internal technicians, contractors, or crews. Preventive-maintenance schedules can generate recurring work orders, while spare-parts and inventory records help teams confirm readiness and record consumption. Managers can review open work, overdue preventive maintenance, service-level breaches, backlog, and maintenance trends from the same operating context. ## Give field teams executable guidance [Checklist](/products/checklist) structures required checks and evidence. [Director](/products/director) delivers guided procedures when equipment structure or spatial instruction matters. Inspector keeps the task connected to the correct asset, location, alarm, maintenance history, documents, photos, readings, approvals, and completion notes. The resulting record supports shift handover, contractor review, audit preparation, and continuous improvement of recurring work. ## Add AI assistance where the process is ready [FactVerse AI Agent](/products/factverse-ai-agent) can assist with request interpretation, alarm and asset-context review, work prioritization, knowledge retrieval, and preparation of recommended actions. The configured roles, approval steps, permissions, and execution controls determine how each recommendation enters the operating workflow. ## Start with one cross-system workflow A focused first phase may connect one service provider, one work-request channel, and one critical equipment group. Validate asset mappings, synchronization, assignment, field records, and management visibility before expanding to more CMMS providers, sites, preventive-maintenance programs, and inventory processes. ## What connected execution improves - One view of maintenance demand and ownership across systems and providers - Faster movement from request or alarm to assigned field work - Better coordination of technicians, crews, preventive maintenance, and parts - Traceable synchronization and completion evidence across organizational boundaries - Cleaner operating history for analysis, AI assistance, and process improvement --- ## [SOLUTIONS] FactVerse AI Agent 智慧交通流运营方案 > 结合 TrafficOps 行业模块、运营数字孪生和 AI 辅助决策，协同管理口岸、港口、枢纽和交通场站的客流、车流与货流。 ## 交通流运营远不止一个排队数字 客流、车流和货流会同时受到到达规律、通道可用性、检查点能力、人员配置、设施状态、设备可用性和事件响应的影响。各套系统只能呈现其中一部分。智慧交通流运营方案把这些信号组织到统一运营上下文中，帮助团队更早识别压力，并与实际负责运营的人员协同处置。 ## 以 TrafficOps 行业模块为核心的完整方案 TrafficOps 提供排队、客流、车流、货物流转、检查点、事件、规则、仿真和运营中心看板所需的业务模型与流程。它与 DataMesh 平台的其他部分共同组成完整方案： - **Data Fusion Services** 连接经过评审的运营与设施数据源 - **FactVerse** 提供统一的资产、空间和运营上下文 - **FactVerse AI Agent** 分析流量、异常、约束和响应选项 - **TrafficOps** 组织交通领域的流程、看板、规则和场景 - **Inspector** 在需要现场执行时承接获批任务和维护记录 这种组合既保持行业方案的完整性，也清楚说明 TrafficOps 模块在其中承担的职责。 ## 从运营信号到经审核的行动 1. **连接运营全景** - 汇聚历史流量、实时排队、检查点、计划、通道状态、事件和相关设施信号。 2. **识别压力与约束** - 发现预期高峰、异常排队、不可用容量或可能影响服务的设备状况。 3. **比较响应方案** - 根据运营规则和当前状态，评估通道、人员、路线、维护和事件响应方案。 4. **审批并执行** - 由运营人员选择行动，并通过相应的运营或工作管理系统执行。 5. **从结果中学习** - 保留建议、决策、行动和实际结果，用于班次复盘和后续规划。 ## 当前运营能力范围 TrafficOps 当前提供运营看板、排队与流量视图、检查点与设备配置、客运、车辆和货运运营、事件处理、规则、报告、仿真、What-if 分析以及经审核建议等功能界面。具体数据源和自动化深度按照每个部署项目配置。 预测和场景结果用于支持运营判断。客户会结合可用数据、运营规则和约定的绩效指标确定验收方式。 ## 关键决策由运营人员负责 通道分配、人员安排、安全管理、事件响应和维护变更都会产生实际运营影响。FactVerse AI Agent 提供依据和响应选项，经过授权的运营人员按照现场流程进行审批、驳回或调整。决策记录保留复盘所需的上下文，同时延续既有管理权限。 ## 从一个可衡量的问题开始 实际评估可以从一个检查点、场站区域、走廊或流量类型开始。项目团队选择可用数据，确定排队和服务指标，建立相关运营规则，并评估少量高频决策。运营人员确认统一上下文和建议能够改善规划过程后，再扩展到更多范围。 DataMesh 当前公开案例展示了基础设施安全流程和复杂设施数字孪生经验。TrafficOps 的实际能力会直接使用客户的流量数据和运营环境进行验证。 ## 规划智慧交通流运营评估 选择一个位置、流量类型、决策责任人、数据周期和运营问题。DataMesh 将据此确定 TrafficOps 配置、集成范围、AI Agent 流程、审核机制和评估指标。 [讨论智慧交通流运营方案](/contact-us/) --- ## [SOLUTIONS] 数据中心运营 > 把设施资产、能耗计量、巡检维修记录和实时基础设施数据连接到数据中心数字孪生中，形成可用于运营管理的统一视图。 ## 为什么需要数据中心运营 数据中心团队需要围绕资产、能耗、告警、巡检和维修形成可信的共享视图。DCOps 模块把这些运营记录连接起来，让多个站点更容易被理解、巡检、维护和汇报。 DataMesh 已为国际通信运营商交付过多海外站点的数据中心数字孪生系统。相关经验说明，方案重点应放在把设施资产、能耗计算、巡检维修流程和运营可视化连接到可靠的数字孪生中。 ## 数字孪生运营闭环 1. **连接设施数据与资产上下文** — Data Fusion Services 汇聚楼宇管理系统 BMS、电力监控系统 EPMS、数据中心基础设施管理系统 DCIM、仪表数据、告警、机柜上下文、设备元数据和维护记录。 2. **把站点组织成数字孪生** — FactVerse 将机房、机柜、配电路径、冷却区域、设施设备、传感器和责任流程映射为空间化运营模型。 3. **核算并复核运营状态** — 团队可以按站点、机房、资产和系统复核能耗指标、设备状态、告警上下文、巡检结果、维护历史和 AI 辅助的资产健康优先级。 4. **执行并沉淀证据** — Inspector 与工单流程把已确认的问题转成现场任务、维修记录、复盘说明和可追踪的运营证据。 ## 数据中心运维场景 - 多站点数据中心数字孪生可视化 - 设施资产台账与机柜/设备上下文管理 - 能耗核算、仪表复核与运行趋势报告 - 巡检路线、维护任务、维修记录与工单交接 - 结合资产位置、设备关系和服务历史进行告警调查 - 面向设施设备的资产健康研判与维护优先级管理 - 围绕机柜调整、设备替换和维护窗口进行变更复核 ## 如何扩展 DCIM 工作流 | 传统 DCIM | 数据中心运营 | |---|---| | 偏重监控看板 | 面向运营、巡检和维修团队共享的空间化设施上下文 | | 资产台账分散在表格中 | 机房、机柜、设备和服务责任关系进入数字孪生 | | 能耗数字孤立复核 | 能耗核算与趋势按资产、机房和站点关联起来 | | 告警缺少现场上下文 | 围绕资产展示告警、巡检、维修和工单历史 | | 资产健康分散在多个工具中复核 | 围绕资产连接告警、趋势、维护历史和工单记录 | ## 跨站点运营价值 团队可以通过有限范围的落地来验证价值：资产责任更清晰、站点可视化更可靠、能耗和维护记录更一致、巡检交接更快、管理复盘证据更完整。实际效果取决于站点范围、数据准备度、流程成熟度和推广深度。 ## 多站点数据中心运营经验 DataMesh 已为国际通信运营商交付多个海外数据中心站点的数字孪生系统。公开的[数据中心 DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center)、[复杂设施数字孪生](/about/news/collaboration-between-jtc-datamesh)和[工业预测性维护](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)资料展示了相应产品基础。团队可以从资产、能耗、巡检、维护和可视化流程开始，再利用已验证的现场数据开展更深入的工程分析。 ## 相关产品 - [FactVerse](/products/factverse) — 运营上下文与数字孪生工作空间 - [Data Fusion Services](/products/dfs) — 连接楼宇管理、电力监控、数据中心基础设施、仪表与周边系统 - [Inspector](/products/inspector) — 巡检、维修、工单上下文与现场证据 - [FactVerse AI Agent](/products/factverse-ai-agent) — 资产健康研判、异常分析与运营知识辅助 --- ## [SOLUTIONS] FactVerse AI Agent 半导体设施运营方案 > 将洁净室环境、公辅系统、资产上下文、能耗计算、告警、维护历史和 Inspector 工单连接成完整的半导体设施运营闭环。 ## 设施连续运行是生产准备的重要组成部分 半导体制造依赖稳定的洁净室环境和可靠的公辅系统。环境监测、楼宇系统、设备遥测、仪表、告警、维护记录和现场工作通常分布在不同工具中。设施团队需要一个连贯的运营视图，了解哪些空间和资产受到影响、哪些工作已经展开，以及接下来应该优先处理什么。 ## 贯通数据、数字孪生、AI 与现场执行 DataMesh 使用现有平台能力构建半导体设施运营方案： - **Data Fusion Services** 连接经过评审的设施、环境、资产、能源和维护数据 - **FactVerse** 组织设施、空间、公辅系统、资产、仪表、传感器及其关系 - **FactVerse AI Agent** 支持趋势复核、异常分析、优先级判断和面向运营人员的建议 - **预测性维护能力** 为选定的设施资产补充状态和维护上下文 - **Inspector** 管理巡检、工单、派工、现场记录和闭环证据 具体配置围绕客户的设施运营项目展开，使各项能力服务于现场流程和责任分工。 ## 从设施信号到完成验证的工作 1. **连接运营上下文** - 汇聚洁净室环境、公辅系统、仪表、告警、资产记录、巡检和维护历史。 2. **复核状态与影响** - 将环境变化或告警关联到受影响区域、上游系统、相关设备和近期工作。 3. **确定响应优先级** - 结合运行趋势、资产关键性和维护上下文，决定需要优先处理的事项。 4. **通过 Inspector 执行** - 创建并分派获批工作，带入相关资产、操作步骤、证据和验证要求。 5. **保留执行结果** - 保存完成记录、现场观察和重复问题，供工程分析和跨站点复盘。 ## 当前交付重点 DataMesh 的半导体设施项目重点覆盖公辅资产管理、能耗计算、巡检维修、工单系统集成和运营可视化。多站点项目可以共享资产结构和流程定义，同时保留各站点原有系统、权限和运营规程。 能耗计算会组织现有的仪表、资产、区域和运营数据，供工程团队复核。其范围和精度取决于仪表覆盖、数据质量、计算方法和现场验证。 ## AI Agent 服务于设施团队 FactVerse AI Agent 帮助工程师跨系统复核趋势、告警、资产关系和维护上下文，并让建议始终带有相应依据。设施团队负责审批行动，再通过 Inspector 或已集成的维护系统管理执行与闭环。 FactVerse Designer 和 Physical AI 工作流支持布局设计、虚拟规划、工艺仿真和基于物理的验证，并可与运营方案共享数字孪生资产和设施上下文。 ## 交付经验与公开依据 DataMesh 已在多个半导体设施站点交付面向设施运营的数字孪生项目，重点包括资产、公辅系统上下文、能耗计算、巡检、维护、工作协同和可视化。客户身份和站点细节仍处于保密范围。 公开的 [FactVerse AI Agent 发布信息](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)介绍了平台面向复杂工业设施的发展方向。DataMesh 与[横河电机的合作](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)展示了方案所采用的工业设施预测性维护方法。 ## 从一条设施运营流程开始 评估可以从一个公辅系统、一组关键资产、一类重复告警、一条巡检路线或一个维护流程开始。项目团队先明确可用数据、责任岗位、现有响应过程和评估指标，再扩展到更多系统或站点。 [讨论半导体设施运营方案](/contact-us/) --- ## [SOLUTIONS] ar-inspection ## 现场巡检需要把数据带到设备旁 传统巡检往往依赖纸质清单、经验判断和后台系统截图。技术人员在设备旁看不到完整数据，管理者也很难确认每一步是否按标准执行。AR 巡检与故障排查的目标，是让现场人员在物理设备旁同时看到资产信息、实时数据、检查步骤、历史记录和专家知识。 真正的价值在于减少现场判断的上下文缺失，让巡检、排查、记录和复盘进入同一个数字孪生闭环。 ## 从巡检清单到空间化执行 巡检点可以绑定到 FactVerse 中的设备、空间和系统对象。现场人员通过移动端或 AR/MR 设备查看路线、检查点、设备状态和标准步骤，完成后直接提交照片、测量值、结论和异常说明。异常结果可以触发 Inspector 工单或后续复检任务。 对于复杂设备，Director 可以把排查步骤做成 3D 指引；对于标准巡检，Checklist 可以把检查项、合规要求和记录格式统一起来；Data Fusion Services 则负责把实时数据和历史记录带到现场。 ## 让专家经验可以复制 很多现场问题需要把数据和判断经验结合起来。AR 巡检可以把专家定义的判断条件、设备结构、维修历史和排查路径转化为可执行流程，让不同班组、不同站点的执行质量更加一致。 ## 在最需要现场上下文的工作中开始 高价值设备、频繁报警设备、安全风险高的区域、人员经验差异大的巡检任务，都是优先落地对象。建议先选择一类设备或一条巡检路线，验证数据叠加、步骤执行、异常记录和工单闭环，再推广到更多资产。 ## 复杂现场环境中的实践 - [富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)：FactVerse 支持培训和维护工作流。 - [JTC 与 DataMesh](/about/news/collaboration-between-jtc-datamesh)：复杂设施中的混合现实与数字孪生实践。 - [太古可口可乐](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)：维护流程与一线培训数字化。 ## 让指引融入现有作业体系 AR 巡检是现场执行工作流，帮助技术人员在设备旁看到上下文、按标准步骤执行、沉淀记录并与专家协作；安全规则、上锁挂牌、签核策略和最终维护决策由客户现场负责。 ## 统一的现场执行环境 - [Inspector](/products/inspector) 管理资产巡检、报警、工单和记录闭环 - [Checklist](/products/checklist) 管理标准检查项和合规模板 - [Director](/products/director) 制作 3D 排查步骤和空间化说明 - [Data Fusion Services](/products/dfs) 接入实时数据、报警、维修历史和业务系统 --- ## [SOLUTIONS] construction-guidance ## 让现场团队理解图纸背后的空间关系 施工团队已经拥有图纸、BIM 模型、问题清单、施工方案、照片和检查记录。进入具体作业点位后，人员仍需准确理解位置、周边系统、批准的施工顺序和验收要求。信息分散时，协调问题和偏差往往到后期才会暴露。 施工引导把空间模型、引导式作业和现场证据连接起来。团队可以准备与当前区域相关的现场上下文，在作业点位交付批准的程序，并保留检查、变更和验收记录。 ## 从设计上下文到经过验证的现场作业 1. **准备施工区域** - 使用 FactVerse Designer 整理相关建筑区域、管线、设备、通道和周边系统。 2. **编制作业程序** - 使用 Director 组合批准的三维内容、说明、参考资料、检查项和决策点。 3. **开展团队交底** - 让业主、设计方、承包商、主管和相关专业审查同一空间上下文。 4. **在现场交付引导** - 通过为现场和任务选定的受支持设备运行 DataMesh One。 5. **验证并记录** - 使用 Inspector 工作流记录检查、照片、偏差、整改和验收证据。 6. **移交上下文** - 将确认后的资产信息、程序和现场记录延续到后续运营。 ## 清晰的产品分工 FactVerse Designer 负责场景准备和空间规划；Director 负责引导式程序和批准的作业说明；DataMesh One 负责现场交付；Inspector 负责检查、问题、作业和证据记录；FactVerse 通过共享的资产、空间和运营上下文把这些环节连接起来。 这样的分工让每个阶段使用合适的工具，也便于项目团队明确内容、执行和记录的责任边界。 ## 适合优先落地的区域 机电走廊、设备机房、隐蔽工程、改造区域、复杂安装顺序、调试检查和业主交付都适合作为起点。这些场景空间关系密集、参与团队多，并且需要共享上下文和可追溯证据。 ## 设备和模型选择取决于现场条件 现场交付可以使用受支持的移动设备或头戴设备。项目需要结合安全制度、光线、网络、交互需求、空间精度和使用舒适度选择设备。大型源模型会围绕作业区域和所需细节层级进行准备，并在试点中使用代表性数据和真实现场条件测试。 ## 将施工知识带入运营阶段 施工阶段形成的位置、安装照片、批准程序、验收结果、偏差和整改历史，可以在交付后继续支持巡检、维护、培训、改造和应急准备。 ## 公开项目实践 DataMesh 已与 [JTC](/about/news/collaboration-between-jtc-datamesh) 开展 BIM 与混合现实施工协同，与[大林组](/about/news/digital-twin-empowers-bim-obayashi)开展建筑施工数字孪生工作，并与户田建设为 [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena)进行施工仿真。[TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 项目也展示了空间内容如何帮助相关方理解和沟通复杂的未来环境。 ## 从一个施工区域开始 试点可以选择一个具有代表性的区域、一套批准的程序、计划使用的现场设备和一份明确的验证记录。验收计划应覆盖模型准备、现场对齐、引导可用性、证据采集和交付，再逐步扩展到更多专业或地点。 --- ## [SOLUTIONS] green-transformation ## 将能源管理融入运营流程 能源绩效会随设备状态、计划、控制策略、天气、空间使用情况、维护质量和空间用途而变化。有效的能源计划需要将这些因素与负责改进的团队和工作连接起来。 DataMesh 将 BMS、仪表、IoT、历史数据库、BIM 或 IFC、维护记录和工单汇入运营数字孪生。设施与工程团队可以建立基线、调查异常消耗、对比选定场景、执行整改工作并保留相关凭证。 ## 构建可追溯的能源与设施上下文 [Data Fusion Services](/products/dfs) 连接多供应商控制系统、仪表、传感器、数据库和企业应用。[FactVerse](/products/factverse) 将数据映射到站点、空间、系统、设备和运营关系。 Inspector 可以采用与 Brick Schema 对齐的语义来描述建筑、楼层、区域、设备、仪表、传感器和控制点。这套共享结构帮助团队将能源异常、分析输入或评估记录追溯至相应资产与源数据。 ## 找出影响能耗的运营条件 能源复核可以结合负荷、天气、空间使用情况、运营计划、设定值、设备状态、报警和维护历史。团队可据此分析高负荷时段、控制偏移、冷热同时运行、设备劣化、计划不匹配和跨系统行为。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以利用现有设施上下文协助复核趋势和解释异常。工程师负责验证项目中的数据、方法、假设和建议措施。 ## 使用 EnergyPlus 对比选定场景 当决策需要更深入的建筑能源分析时，项目团队可以结合 BIM 或 IFC 数据、天气、运营记录和基于 EnergyPlus 的模型。对比场景可以涵盖运营计划、设定值、设备变更、围护结构方案或空间用途假设。 每个项目都会明确模型范围、校准方法、输入质量和决策标准。分析结果将纳入评审记录，用于确定改进工作的优先级并完成审批。 ## 从日常运营中准备 Green Mark 凭证 新加坡 Green Mark 工作涉及能源绩效、建筑围护结构、系统信息、可维护性、运营记录和评估材料。DataMesh 帮助团队围绕相应站点组织 EUI 与围护结构输入、建筑和系统关系、评估历史、维护凭证与整改措施。 这些记录支持业主、设施团队、工程师、指定顾问和评估人员依据适用的 BCA 流程开展协作。 ## 将已验证的机会转化为已完成工作 [Inspector](/products/inspector) 将获批的改进机会推进至巡检、任务分派、工单、现场执行、凭证采集和后续测量。团队可以清楚了解采取了哪项措施、由谁完成、采集了哪些凭证，以及此后运营状况如何变化。 ## 从可衡量的能源重点起步 选择一个数据来源和责任归属清晰的建筑、系统组或运营问题作为起点。建立基线，验证资产与仪表关系，调查选定情况，执行已商定的措施并复核结果，再逐步扩展能源计划。 ## 运营能源计划带来的能力 - 将能源分析与空间、系统、设备和运营计划关联 - 利用与 Brick Schema 对齐的资产和点位关系建立一致凭证 - 通过按项目配置的 EnergyPlus 模型支持场景对比 - 将 Green Mark 准备记录与日常设施运营关联 - 在一套可追溯流程中管理整改工作、现场凭证和后续测量 --- ## [SOLUTIONS] 智慧供热方案 > DataMesh 智慧供热方案由 FactVerse AI Agent 中的 HeatOps 模块、Data Fusion Services、FactVerse 数字孪生、Inspector 及既有控制系统集成共同构成，贯通预测、管网诊断、调度辅助、工单和现场执行。 ## 供热运营需要可执行闭环 区域供热的难点通常分散在热源运行、管网水力、换热站设备、楼宇末端、住户反馈、收费系统和工单流程之间。值班员需要判断今天哪里会缺热、哪里可能过热、哪条支路存在失衡，现场团队则需要知道该查哪个阀门、哪段管线、哪台换热器。 DataMesh 智慧供热方案把这些信息组织成统一的供热运营上下文。FactVerse AI Agent 中的 HeatOps 模块负责预测、诊断、知识问答和调度建议，Data Fusion Services 接入现有系统，FactVerse 提供管网数字孪生，Inspector 贯通工单与现场执行。 ## 从真实供热改造设计中沉淀的能力模型 智慧供热方案面向多站点供热运营场景设计：感知层采集温度、压力、流量、补水、阀门和泵状态；Data Fusion Services 负责系统连接；FactVerse 管理热源、站点、管线、楼宇和用户的数字孪生上下文；HeatOps 模块负责预测、诊断和调度建议；Inspector 贯通工单与现场执行；不同角色通过值班室、管理端和现场端协同工作。 这个模型也让 Physical AI 在供热侧有明确落点：AI 决策结合运行数据、管网拓扑、热惯性、设备边界、控制权限和现场安全流程。每一条建议都需要能解释来源、影响范围和执行条件。 ## 能看：热源、管网、换热站和楼宇 FactVerse 数字孪生把供热资产组织到 GIS 地图、管网拓扑和站点视图中。运维团队可以查看换热站状态、供回水温度、压差、流量、热量、泵和阀门状态，并叠加楼宇区域、室温反馈、告警和工单。 相比单点监控，这种视图更适合供热季的现场判断：某个远端区域投诉增加时，团队可以同时看到上游站点、支路线、阀门状态、压差变化和历史处置记录。 ## 能算：预测、诊断和能碳复盘 负荷预测让团队在天气变化前看到需求曲线，提前准备调度动作。异常诊断则把供回水温差、补水量、压力波动、换热效率、泵耗和用户反馈放在一起，判断是热源不足、支路失衡、换热器结垢、管网泄漏、保温退化还是局部控制问题。 在管理侧，智慧供热方案可以把热量、气耗、电耗、热损和碳排数据整理为供热季运营账本，帮助团队复盘调度策略、节能改造和异常处置带来的运行变化。 ## 能控：从建议到执行的安全闭环 供热控制适合分阶段推进：HeatOps 模块先提出调度建议，由值班员确认，智慧供热方案再按现场条件逐步接入受限写回和审计。阀门开度、泵频、供水温度等动作纳入安全边界和审批流程，并保留确认、下发和执行结果的完整记录。 这种方式既能让 AI 进入真实运行流程，也能保留供热企业对安全、责任和合规的控制。 ## 能用：知识库、客服和工单协同 供热运营的问题会同时出现在控制室、现场和服务反馈中。住户投诉、现场巡检、维修记录、设备手册和应急预案都会影响判断。HeatOps 模块可以通过 FactVerse AI Agent 的 AI Advisor 调用知识库，帮助值班员解释告警、生成排查步骤，把诊断结果转成工单，并把现场反馈沉淀回后续运营。 ## 面向区域供热运营构建 智慧供热方案来自区域供热设计工作和 FactVerse 运营模型。HeatOps 模块负责预测、诊断、知识辅助和调度建议，平台其他能力负责系统集成、数字孪生上下文、工单协同与可审计的现场执行。 ## 从一个连通的运营区域开始 建议从有限范围的换热站和管网分区开始：先通过 Data Fusion Services 接入关键实时数据和资产拓扑，验证站点总览、异常诊断、负荷预测和工单闭环；再扩展能碳核算、水力平衡和调度建议；最后根据现场控制权限接入 PLC 或控制系统写回，逐步形成可运行、可审计、可扩展的智慧供热体系。 ## 贯通管网智能与现场执行 - [FactVerse AI Agent](/products/factverse-ai-agent) 承载 HeatOps 行业模块，支撑预测、诊断、知识问答和调度建议 - [Data Fusion Services](/products/dfs) 连接 SCADA、SIS、计量、气象、收费、投诉和工单等系统 - [FactVerse Platform](/products/factverse) 管理热源、管网、站点、楼宇和设备的数字孪生上下文 - [Smart Facility Management](/solutions/smart-building) 将类似运营模式扩展到园区和建筑设施管理 --- ## [SOLUTIONS] predictive-maintenance ## 从被动维修走向可验证的维护决策 FactVerse AI Agent 预测性维护模块把“信号、分析、验证、执行”做成完整决策闭环。通过工业感知、设备上下文、AI 分析和数字孪生，团队能更早知道设备正在发生什么、为什么重要、应该何时行动。 ## 从信号接入到维护闭环 1. **信号接入** — Data Fusion Services 汇聚传感器流、历史数据、巡检记录和设备主数据。 2. **AI 分析** — FactVerse AI Agent 判断退化趋势、异常模式和健康状态变化。 3. **孪生验证** — FactVerse Twin Engine 与 FactVerse 提供空间和运营上下文，辅助判断。 4. **执行闭环** — Inspector 将已验证的问题转成工单、现场动作和结果留痕。 ## 面向维护团队的运营级验证 FactVerse AI Agent 预测性维护模块将可信感知、资产上下文、AI 分析和孪生复核组合在一起，让团队以更充分的上下文评估维护风险，减少对单点告警的依赖。 - 现场可信的工业级感知 - 多源运营上下文融合 - AI 驱动的趋势分析与健康评估 - 面向维护决策的数字孪生可视化 ## 更早介入，减少噪声 团队不必等到阈值告警触发后才被动响应，而是可以在上下文中提前审视潜在问题、判断优先级，并更从容地进入计划性维护。 ## 相关产品 - FactVerse — 提供运营上下文的平台层 - FactVerse AI Agent — 异常识别、分析与决策支持 - FactVerse Twin Engine — 孪生验证与执行上下文 - Data Fusion Services — 连接传感器、历史库和系统数据 - Inspector — 工单与现场执行 ## 工业维护实践 DataMesh 与[横河电机](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)共同将 AI 辅助的预测性维护带入复杂工业设施。DataMesh 在[太古可口可乐](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)和[富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)的实践也展示了如何连接维护知识、一线执行和可复用的运营记录。 ## 从关键设备开始逐步扩展 优先选择故障影响清晰、具备一定历史数据的关键设备或重点系统。DataMesh 将设备信号、维护记录、运营上下文和现场工作流程连接起来，帮助团队建立可重复的资产健康管理方法。 数据质量和执行闭环稳定后，同一套方法可以扩展到更多设备和站点，并沿用各现场既有的审批规则、安全流程以及 CMMS 或 EAM 工作方式。 ## 运营价值 | 指标 | 价值 | |------|------| | 更早的问题研判 | 更快识别并排序潜在维护问题 | | 非计划停机 | 通过更早介入和计划性维护进一步下降 | | 误报数量 | 借助趋势分析与上下文诊断减少 | | 维护执行效率 | 从识别到现场执行的交接更快、更可追踪 | --- ## [SOLUTIONS] process-simulation ## 在实体变更前完成关键决策 布局图、表格和静态模型能够呈现设备位置，却很难展示人员、机器、物料、时间和空间在运营中的相互影响。等待点、通行冲突、不合理交接和物理行为问题，常常在设备、工装或现场施工已经投入后才被发现。 流程仿真与虚拟规划使用 FactVerse Designer 将这些假设转化为可审查的运营场景。团队可以比较方案、开展虚拟试验，并判断哪些问题需要进一步的物理、工程或机器人验证。 ## 从源数据到虚拟试验 1. **定义决策问题** - 明确需要回答的布局、流程、交互、产能或机器人问题，以及所需证据。 2. **准备场景** - 在 FactVerse Designer 中构建设施、设备、作业区域、路径、物料和约束。 3. **建模流程** - 加入参与者、状态、时间、顺序、交接和场景变量。 4. **连接相关数据** - 当历史、实时或工程数据需要影响假设与对比时，通过 Data Fusion Services 接入。 5. **运行并比较** - 对比流程、等待、通行、碰撞、摆放、资源使用和运营可行性。 6. **按需提高仿真深度** - 根据任务将选定问题扩展到 OpenUSD、Omniverse、Isaac、PhysX 或 Newton 工作流。 7. **准备执行** - 将确认后的场景、假设、证据和测试计划交付工程、实施、培训或机器人团队。 ## 各技术层如何协同 FactVerse Designer 是场景编排和规划环境，负责构建空间场景、流程逻辑、方案变量和可复用的运营上下文。OpenUSD 为结构化场景和 SimReady 资产提供可组合的交换基础。NVIDIA Omniverse 目前以加速库、微服务、SDK 和 API 的形式提供，可为工业与 Physical AI 应用增加渲染、物理、存储和集成能力。 在机器人方向，Isaac Sim 和 Isaac Lab 将流程扩展到机器人仿真、合成数据和学习。PhysX 支持运动、碰撞和接触等物理行为。Newton 为机器人学习与开发提供可扩展的 GPU 加速物理基础。项目只选择决策和验证计划真正需要的技术层。 ## 规划、物理与工程证据 不同问题需要不同仿真深度。早期布局和流程决策可能只需要几何、路径、时间和离散行为；运动、碰撞、接触或摆放问题需要基于物理的行为；涉及安全、结构、热、流体或受监管决策时，还需要结合工程分析、实测数据、专业工具和实体试验。 项目先确定验收范围，再选择能够为该决策提供有效证据的场景细节、求解器、标定数据和对比方法。 ## 典型应用方向 - 包装单元与物料交互 - 产线和工位布局 - 仓储分区、拣选、暂存和车辆运动 - 安装或调试前的虚拟试验 - 操作顺序复核与培训准备 - 机器人场景生成、合成数据和 sim-to-real 准备 ## 让场景服务于后续工作 经过验证的场景可以继续用于设计评审、相关方沟通、作业说明、操作员培训、自动化规划和机器人开发。后续团队可以复用同一设施上下文、资产身份、假设和确认后的方案，无需重新搭建环境。 ## 公开项目实践 DataMesh 已公开展示与[震雄集团](/about/news/how-chen-hsong-is-advancing-production-line-solutions-with-digital-twins-and-ai)开展的产线规划、与 [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)开展的厂内物流自动化验证，以及结合 [NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)的仿真数字孪生工作。每个客户场景都需要单独确定仿真深度、验收方法和预期结果。 ## 从一个决策和一个代表性场景开始 有效的试点应聚焦一项真实的近期变更、具有代表性的资产、双方确认的假设和明确的验收方式。DataMesh 与客户可以据此验证场景流程、方案逻辑、数据输入、仿真深度、对比证据和后续交付，再扩展到更大的产线、设施或机器人项目。 --- ## [SOLUTIONS] real-time-monitoring ## 将实时数据转化为统一运营视图 设施已经通过控制系统、传感器、仪表、数据库和服务平台持续产生实时信息。运营人员仍需判断变化发生在哪里、影响哪些资产与空间、是否属于更广泛的趋势，以及由谁负责响应。 DataMesh 将实时与历史信息关联到运营数字孪生中的设备、空间、系统和工作记录。控制室团队、工程师、维护计划人员和现场技术人员可以在共享上下文中协同，同时继续使用既有源系统。 ## 为每项信号补充资产与系统上下文 [Data Fusion Services](/products/dfs) 连接 BMS、SCADA、PLC、IoT、仪表、历史数据库、数据库和企业应用。[FactVerse](/products/factverse) 将每项信号映射到相应的站点、空间、资产、系统关系和数字孪生对象。 借助这些上下文，团队可以从一个点位或报警代码快速找到实际设备、受影响区域、相关传感器、上下游系统、近期维护和进行中的工作。 ## 响应前复核相关变化 一次运营异常可能涉及多条报警、近期设定值变更、天气、负荷、维护活动或正在劣化的部件。DataMesh 将这些信号与记录集中呈现，便于复核。历史趋势和预期范围可以帮助团队区分偶发噪声与需要调查的情况。 当站点具备充分的数据和运营上下文时，[FactVerse AI Agent](/products/factverse-ai-agent) 可以协助解释趋势并分析相关事件。 ## 协调响应并保留处理结果 确认后的情况可以转入 [Inspector](/products/inspector) 的巡检和工单，也可以与现有 CMMS 同步。响应记录会持续关联原始信号、复核人员、优先级、执行团队、现场凭证、完工备注和后续操作。 这些历史记录让管理人员更清楚地了解重复发生的情况、响应质量、服务级别表现和预测性维护机会。 ## 以同一上下文支持单项资产到多个站点 运营人员需要查看当前报警和系统拓扑；工程师关注趋势与依赖关系；现场团队需要位置、历史和规程；项目组合管理人员则关注站点对比和未结工作状态。基于角色的视图使用同一套资产与运营上下文，并为各类用户呈现符合其职责的信息。 ## 从一个响应关键系统起步 首期可以聚焦 HVAC、配电、冷却水、洁净室公用系统、数据中心机房，或其他因信息分散而影响响应效率的系统。先连接所需数据、资产关系、报警规则、运营角色和工单交接，再在团队认可共享视图后逐步扩展。 ## 协同监控带来的改善 - 更快确认变化发生的位置及其影响 - 结合资产、趋势、依赖关系和服务上下文确定优先级 - 更清晰地将控制室复核结果交接给现场执行团队 - 工程、维护、服务和管理团队共享运营状态 - 沉淀可复用的历史记录，支持预测性维护和 AI 辅助运营 --- ## [SOLUTIONS] smart-building ## 让设施团队看到同一幅运营全景 建筑和园区已经通过BIM、BMS、仪表、IoT设备、维保平台、技术文档和现场记录产生大量信息。报警发生、人员派工或管理者复核跨园区表现时，真正的挑战在于如何让这些信息持续关联。 DataMesh为业主、工程团队、服务商和一线技术人员建立共享的运营上下文。团队可以快速了解发生了什么、位于哪里、涉及哪些设备和系统、当前由谁处理，以及问题关闭后留下了哪些可复核记录。 ## 连接正在运行的楼宇系统 [Data Fusion Services](/products/dfs)通过标准协议和API连接楼宇控制、传感器、仪表、数据库及企业应用。[FactVerse](/products/factverse)再把这些信息映射到运营数字孪生中的空间、资产、系统和关系。 这套方式能够统一不同供应商和不同站点的数据视图，同时延续现有BMS、CMMS、EAM和服务平台的使用。随着设施运营范围扩大，团队可以逐步接入新的系统和数据源。 ## 把设施信号转化为可追溯的工作 一套连贯的设施运营闭环包括四个环节： 1. **理解现场**：把报警、巡检发现或能耗异常放入空间和设备上下文 2. **完成研判**：结合实时信号、资产历史、技术文档、上下游关系和运营优先级评估影响 3. **推动执行**：创建或同步工单，并通过[Inspector](/products/inspector)把合适的程序交付给现场人员 4. **复核结果**：沉淀照片、读数、完工说明、审批记录和后续行动 在数据质量和运营流程具备条件的场景中，[FactVerse AI Agent](/products/factverse-ai-agent)可以辅助趋势复核、异常解释和工作优先级判断，运营责任仍由业务团队掌握。 ## 让建筑数据可以跨团队复用 Inspector支持与Brick Schema对齐的建筑、楼层、区域、设备、仪表、传感器、控制点和系统关系。统一的设施语义可以帮助不同团队一致地理解资产与数据，也让同一份运营记录能够服务于监控、维护、能源分析、合规准备以及后续AI辅助运营。 ## 让能源与Green Mark工作融入日常运营 能耗表现同时受到设备状态、运行时段、控制策略、维护质量和空间实际使用情况影响。DataMesh把这些运营记录关联起来，帮助团队复核EUI与负荷特征、分析异常、安排整改工作并保留结果证据。 在新加坡Green Mark项目中，这套记录可以支持设施团队与受委任顾问持续准备和复核材料。项目需要深入分析时，还可以结合BIM或IFC、气象数据、运行历史和EnergyPlus模型，对比能源表现与潜在改善情景。 ## 从一个明确的运营目标开始 首期项目可以选择一套关键楼宇系统、一条报警到工单流程、一个高能耗区域，或一组反复出现服务问题的设备。团队先验证数据质量、集成效果、现场采用情况和运营指标，再扩展到更多系统、建筑与园区。 ## DataMesh的方案优势 - **统一运营上下文**：在同一数字孪生中连接空间、资产、系统、数据与工作关系 - **贯通现场执行**：把设施可视化延伸到巡检、程序、工单及可复核的完工记录 - **开放系统集成**：通过工业协议和API连接现有楼宇及服务系统 - **持续扩展能力**：基于同一设施上下文支持监控、维护、能源项目、培训和AI辅助运营 --- ## [SOLUTIONS] training ## 培训的价值在于让人员为真实工作做好准备 工业培训需要同时面对设备使用机会有限、讲师资源不足、安全要求、流程变化和现场带教等问题。文档和视频仍有价值，但很难讲清空间关系、设备内部机理和作业中的判断。 DataMesh 将引导式 3D 内容、数字孪生语境、设备仿真和现场工作流组合起来，让培训团队按岗位选择合适方式，建立从讲解、练习到受监督执行的清晰路径。 ## 用专用工具连接完整培训路径 - [Director](/products/director)负责把已批准流程和专家知识制作成可复用的 3D 指导与培训内容。 - **DataMesh One** 在支持的设备上提供自学、课堂复习和空间指导。 - [Simulator](/products/simulator)通过控制器、视觉系统和训练场景支持重型设备物理仿真实操。 - [Inspector](/products/inspector)和 [Checklist](/products/checklist)把批准步骤带入受监督的现场任务，并保留记录和证据。 FactVerse 为这些流程提供共同的设备与空间语境，把内容制作、练习和受监督的现场执行连接成完整路径。 ## 从知识沉淀走向受监督执行 先明确岗位、关键任务、当前培训方式和客户的准备度标准。使用 Director 沉淀专家讲解，按任务选择引导式练习或 Simulator 实操，并由讲师和安全负责人评审。 学员完成学习和练习后再进入现场带教。需要时，Inspector 或 Checklist 记录批准的现场步骤和证据。培训结果与现场观察帮助讲师判断哪些内容或练习需要调整。 ## 引导式作业与模拟器培训实践 - [富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)在员工培训和设备维护项目第一阶段使用 Director 制作可复用 MR 培训内容。 - [太古可口可乐](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)使用 Director 为无菌灌装阀维护和一线培训制作 3D 指导。 - [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)开发数字孪生与 MR 培训，呈现 ETC 和隧道应急设施的运行机理。 - DataMesh 还公开了[塔吊](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)和[履带式挖掘机](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)的 Simulator 培训案例。 ## 将安全与资格要求纳入培训项目 DataMesh 支持讲解、可重复练习、评估输入和证据。客户的培训制度、合格监督、作业授权、法规要求、真机考核与正式认证从项目开始就纳入培训路径。 ## 衡量人员对真实工作的准备度 培训团队可以衡量学员是否理解设备和步骤、练习能否在现场工作前暴露常见错误、讲师能否高效更新内容，以及所选设备或 Simulator 配置是否适合岗位。这些结果可以明确哪些环节需要继续练习，以及哪些培训项目适合推广。 --- ## [SOLUTIONS] visualization ## 让复杂运营在空间中清晰呈现 设施、工厂、园区和基础设施都具有空间属性。设备位置、系统依赖关系、通行路线、工艺流程、作业区域和运营风险，很难仅通过表格和孤立的仪表板充分理解。 运营数字孪生可视化将模型、资产、实时数据、文档和工作记录汇聚到同一空间上下文中。工程、运营、现场、管理和外部利益相关方团队可以从各自工作所需的视角审视同一环境。 ## 构建受管的模型资产基础 BIM、CAD、GIS、点云和设备模型以受管模型资产的形式进入平台。系统会保留版本、组件几何体、坐标和外部参考，使这些内容能够在单次演示结束后继续维护。 [FactVerse](/products/factverse) 将模型组件与稳定的孪生对象标识、空间、系统、传感器、文档和工作记录绑定。由此，每个可见对象都获得明确的运营含义，同一资产也可在不同应用中复用。 ## 为每项工作流编排合适的视图 [FactVerse Designer](/products/designer) 支持团队编排资产、视角、标签、数据面板、动画和交互逻辑。[Data Fusion Services](/products/dfs) 负责连接实时与历史运营信息。最终场景可用于控制室视图、设备巡检、培训、施工评审、客户简报或现场工作流。 设施发生变化时，团队可以更新底层孪生和模型关系，并在新的体验中继续复用这些经过治理的上下文。 ## 让人员与应用使用同一套孪生 Web 视图和大屏提供运营可视性。[Inspector](/products/inspector) 利用空间与资产上下文开展巡检和维护。DataMesh One 将已批准的 3D 内容交付到支持的现场设备。Omniverse 和其他项目运行环境可以通过适当的集成路径接收准备好的场景与元数据。 这一共享基础可减少重复的模型准备工作，并让资产标识从工程评审到日常运营始终保持一致。 ## 为 Physical AI 准备空间上下文 仿真、机器人、合成数据生成和 AI Agent 需要一致的几何体、单位、坐标、组件标识、系统关系、运营状态和任务上下文。 FactVerse 提供用于准备这些上下文的受管孪生与资产层。项目工作流随后可以将场景和元数据交付至 Omniverse、Isaac、PhysX、Newton、机器人中间件或其他获准的运行环境，用于渲染、仿真与验证。 ## 经过复杂项目环境验证 DataMesh 已与 [JTC](/about/news/collaboration-between-jtc-datamesh) 开展数字孪生和混合现实实践，为[大林组](/about/news/digital-twin-empowers-bim-obayashi)的施工工作流提供支持，与户田建设共同为 [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) 交付施工模拟，并参与 [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 数字孪生体验。 ## 从一个可复用的运营视图起步 选择一个空间上下文能显著改善协同的设施或工作流。明确所需的模型范围、对象映射、坐标规范、细节层级、责任归属、数据绑定和更新流程。待团队能够维护并复用这一基础后，再扩展到监控、巡检、仿真、培训和 Physical AI 工作流。 ## 可复用孪生带来的能力 - 更快理解资产、关系、路线和运营影响 - 为工程、运营、现场工作和利益相关方评审提供统一空间上下文 - 在监控、维护、培训和仿真中复用模型资产 - 为 Physical AI 和机器人工作流一致地准备场景 - 随着新应用上线，降低重复准备工作量 --- ## [SOLUTIONS] workflow-digitization ## 贯通系统与服务商的统一维护流程 大型设施通常同时运行多套维护环境。不同建筑、承包商、设备组或区域可能使用不同的计算机化维护管理系统。现场请求还会从其他渠道进入，而报警、资产数据、规程和库存则分布在不同系统中。 DataMesh 在这些系统之上建立共享运营层。各下游 CMMS 可以继续管理其负责的工作，设施团队则能以一致的方式查看需求、优先级、资产上下文、任务分派、同步状态和完工凭证。 ## 接收具备完整分诊信息的工作需求 工作请求可来自现场人员、门户、电子邮件、报警和自然语言交互。请求中可包含请求人、设备、位置、严重程度、问题描述、照片、语音备注和地理位置。 主管可以审核请求并确定优先级，再将其转为工单，或注明理由后退回。维护需求进入执行队列前，由此获得统一、可控的受理流程。 ## 协调不同 CMMS 服务商的工作 [Data Fusion Services](/products/dfs) 可通过项目专用的 API、适配器、Webhook、数据库、消息或文件接口连接维护平台。资产映射用于关联各系统中的同一台设备。跨系统工单视图会保留来源平台、外部参考编号、责任服务商和同步状态。 该运营模式适用于继续使用下游系统的项目组合。DataMesh 提供集中协调与统一可视性，让各建筑和服务商沿用其现有事务系统开展工作。 ## 统一规划人员、预防性维护与物料 [Inspector](/products/inspector) 支持从任务分派到完工的工单生命周期。工作可派给内部技术人员、承包商或班组。预防性维护计划可以生成周期性工单，备件和库存记录则帮助团队确认开工准备并记录实际消耗。 管理人员可以在同一运营上下文中查看未结工作、逾期预防性维护、服务级别违约、积压情况和维护趋势。 ## 为现场团队提供可执行的指导 [Checklist](/products/checklist) 用于规范必检项目和凭证要求。[Director](/products/director) 可在设备结构或空间指引尤为重要时提供引导式规程。Inspector 将任务与正确的资产、位置、报警、维护历史、文档、照片、读数、审批和完工备注持续关联。 由此形成的记录可用于班次交接、承包商复核、审计准备和周期性工作的持续改进。 ## 在流程具备条件的环节引入 AI 辅助 [FactVerse AI Agent](/products/factverse-ai-agent) 可以协助理解请求、查看报警和资产上下文、确定工作优先级、检索知识并准备建议操作。每条建议如何进入运营工作流，由已配置的角色、审批步骤、权限和执行控制决定。 ## 从一个跨系统流程起步 首期可以聚焦一个服务商、一个工作请求渠道和一组关键设备。先验证资产映射、数据同步、任务分派、现场记录和管理视图，再扩展到更多 CMMS 服务商、站点、预防性维护计划和库存流程。 ## 协同执行带来的改善 - 统一查看不同系统和服务商中的维护需求与责任归属 - 加快请求或报警转化为已分派现场工作的速度 - 提升技术人员、班组、预防性维护和备件之间的协同效率 - 跨组织追踪同步状态与完工凭证 - 沉淀更清晰的运营历史，支持分析、AI 辅助和流程改进 --- ## [SOLUTIONS] FactVerse AI Agent 智慧交通流營運方案 > 結合 TrafficOps 產業模組、營運數位孿生和 AI 輔助決策，協同管理口岸、港口、樞紐和交通場站的客流、車流與貨流。 ## 交通流營運涉及的遠不只排隊數字 客流、車流和貨流會同時受到抵達規律、通道可用性、檢查點能力、人員配置、設施狀態、設備可用性和事件回應影響。各套系統只能呈現其中一部分。智慧交通流營運方案把這些訊號組織到統一營運脈絡中，協助團隊提早識別壓力，並與實際負責營運的人員協同處置。 ## 以 TrafficOps 產業模組為核心的完整方案 TrafficOps 提供排隊、客流、車流、貨物流轉、檢查點、事件、規則、模擬和營運中心儀表板所需的業務模型與流程。它與 DataMesh 平台的其他部分共同組成完整方案： - **Data Fusion Services** 連接經過審查的營運與設施資料來源 - **FactVerse** 提供統一的資產、空間和營運脈絡 - **FactVerse AI Agent** 分析流量、異常、限制和回應選項 - **TrafficOps** 組織交通領域的流程、儀表板、規則和情境 - **Inspector** 在需要現場執行時承接通過審核的任務和維護紀錄 這種組合維持產業方案的完整性，也清楚呈現 TrafficOps 模組在其中的職責。 ## 從營運訊號到經審核的行動 1. **連接營運全貌** - 匯集歷史流量、即時排隊、檢查點、排程、通道狀態、事件和相關設施訊號。 2. **識別壓力與限制** - 發現預期尖峰、異常排隊、不可用容量或可能影響服務的設備狀況。 3. **比較回應方案** - 根據營運規則和目前狀態，評估通道、人員、路線、維護和事件回應方案。 4. **審核並執行** - 由營運人員選擇行動，並透過相應的營運或工作管理系統執行。 5. **從結果中學習** - 保留建議、決策、行動和實際結果，用於班次檢討和後續規劃。 ## 目前營運能力範圍 TrafficOps 目前提供營運儀表板、排隊與流量檢視、檢查點與設備設定、客運、車輛和貨運營運、事件處理、規則、報告、模擬、What-if 分析以及經審核建議等功能介面。具體資料來源和自動化深度依各部署專案設定。 預測和情境結果用於支援營運判斷。客戶會結合可用資料、營運規則和約定的績效指標確定驗收方式。 ## 關鍵決策由營運人員負責 通道分配、人員安排、安全管理、事件回應和維護變更都會產生實際營運影響。FactVerse AI Agent 提供依據和回應選項，經授權的營運人員按照現場流程進行核准、駁回或調整。決策紀錄保留檢討所需的脈絡，同時延續既有管理權限。 ## 從一個可衡量的問題開始 實際評估可以從一個檢查點、場站區域、走廊或流量類型開始。專案團隊選擇可用資料，確定排隊和服務指標，建立相關營運規則，並評估少量高頻決策。營運人員確認統一脈絡和建議能夠改善規劃流程後，再擴展到更多範圍。 DataMesh 目前公開案例呈現基礎設施安全流程和複雜設施數位孿生經驗。TrafficOps 的實際能力會直接使用客戶的流量資料和營運環境進行驗證。 ## 規劃智慧交通流營運評估 選擇一個位置、流量類型、決策負責人、資料週期和營運問題。DataMesh 將據此確定 TrafficOps 設定、整合範圍、AI Agent 流程、審核機制和評估指標。 [討論智慧交通流營運方案](/contact-us/) --- ## [SOLUTIONS] 資料中心營運 > 把設施資產、能耗計量、巡檢維修紀錄與即時基礎設施資料連接到資料中心數位孿生中，形成可用於營運管理的統一視圖。 ## 為什麼需要資料中心營運 資料中心團隊需要圍繞資產、能耗、告警、巡檢與維修形成可信的共享視圖。DCOps 模組將這些營運紀錄連接起來，讓多個站點更容易被理解、巡檢、維護和彙報。 DataMesh 已為國際通信營運商交付過多海外站點的資料中心數位孿生系統。相關經驗說明，方案重點應放在把設施資產、能耗計算、巡檢維修流程和營運視覺化連接到可靠的數位孿生中。 ## 數位孿生營運閉環 1. **連接設施資料與資產脈絡** — Data Fusion Services 匯聚樓宇管理系統 BMS、電力監控系統 EPMS、資料中心基礎設施管理系統 DCIM、儀表資料、告警、機櫃脈絡、設備中繼資料和維護紀錄。 2. **把站點組織成數位孿生** — FactVerse 將機房、機櫃、配電路徑、冷卻區域、設施設備、感測器和責任流程映射為空間化營運模型。 3. **核算並複核營運狀態** — 團隊可以按站點、機房、資產和系統複核能耗指標、設備狀態、告警脈絡、巡檢結果、維護歷史和 AI 輔助的資產健康優先順序。 4. **執行並沉澱證據** — Inspector 與工單流程把已確認的問題轉成現場任務、維修紀錄、復盤說明和可追蹤的營運證據。 ## 資料中心營運場景 - 多站點資料中心數位孿生視覺化 - 設施資產台帳與機櫃/設備脈絡管理 - 能耗核算、儀表複核與運行趨勢報告 - 巡檢路線、維護任務、維修紀錄與工單交接 - 結合資產位置、設備關係和服務歷史進行告警調查 - 面向設施設備的資產健康研判與維護優先順序管理 - 圍繞機櫃調整、設備替換和維護窗口進行變更複核 ## 如何擴展 DCIM 工作流 | 傳統 DCIM | 資料中心營運 | |---|---| | 偏重監控看板 | 面向營運、巡檢和維修團隊共享的空間化設施脈絡 | | 資產台帳分散在試算表中 | 機房、機櫃、設備和服務責任關係進入數位孿生 | | 能耗數字孤立複核 | 能耗核算與趨勢按資產、機房和站點關聯起來 | | 告警缺少現場脈絡 | 圍繞資產展示告警、巡檢、維修和工單歷史 | | 資產健康分散在多個工具中複核 | 圍繞資產連接告警、趨勢、維護歷史和工單紀錄 | ## 跨站點營運價值 團隊可以透過有限範圍的導入來驗證價值：資產責任更清晰、站點視覺化更可靠、能耗和維護紀錄更一致、巡檢交接更快、管理復盤證據更完整。實際效果取決於站點範圍、資料準備度、流程成熟度和推廣深度。 ## 多站點資料中心營運經驗 DataMesh 已為國際通信營運商交付多個海外資料中心站點的數位孿生系統。公開的[資料中心 DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center)、[複雜設施數位孿生](/about/news/collaboration-between-jtc-datamesh)和[工業預測性維護](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)資料展示了相應產品基礎。團隊可以從資產、能耗、巡檢、維護與視覺化流程開始，再利用已驗證的現場資料進行更深入的工程分析。 ## 相關產品 - [FactVerse](/products/factverse) — 營運脈絡與數位孿生工作空間 - [Data Fusion Services](/products/dfs) — 連接樓宇管理、電力監控、資料中心基礎設施、儀表與周邊系統 - [Inspector](/products/inspector) — 巡檢、維修、工單脈絡與現場證據 - [FactVerse AI Agent](/products/factverse-ai-agent) — 資產健康研判、異常分析與營運知識輔助 --- ## [SOLUTIONS] FactVerse AI Agent 半導體設施營運方案 > 將無塵室環境、公用設施系統、資產脈絡、能源計算、警報、維護歷史和 Inspector 工單連接成完整的半導體設施營運閉環。 ## 設施持續運轉是生產準備的重要部分 半導體製造仰賴穩定的無塵室環境和可靠的公用設施系統。環境監測、建築系統、設備遙測、電表、警報、維護紀錄和現場工作通常分散在不同工具中。設施團隊需要一個連貫的營運視圖，了解哪些空間和資產受到影響、哪些工作已經展開，以及接下來應優先處理什麼。 ## 貫通資料、數位孿生、AI 與現場執行 DataMesh 使用現有平台能力建立半導體設施營運方案： - **Data Fusion Services** 連接經過審查的設施、環境、資產、能源和維護資料 - **FactVerse** 組織設施、空間、公用設施系統、資產、電表、感測器及其關係 - **FactVerse AI Agent** 支援趨勢複核、異常分析、優先順序判斷和面向營運人員的建議 - **預測性維護能力** 為選定的設施資產補充狀態和維護脈絡 - **Inspector** 管理巡檢、工單、派工、現場紀錄和結案佐證 具體設定圍繞客戶的設施營運專案展開，使各項能力服務於現場流程和責任分工。 ## 從設施訊號到完成驗證的工作 1. **連接營運脈絡** - 匯集無塵室環境、公用設施、電表、警報、資產紀錄、巡檢和維護歷史。 2. **複核狀態與影響** - 將環境變化或警報連結到受影響區域、上游系統、相關設備和近期工作。 3. **確定回應優先順序** - 結合運轉趨勢、資產關鍵性和維護脈絡，決定需要優先處理的事項。 4. **透過 Inspector 執行** - 建立並指派通過審核的工作，帶入相關資產、操作步驟、佐證和驗證要求。 5. **保留執行結果** - 保存完成紀錄、現場觀察和重複問題，供工程分析和跨站點檢討。 ## 目前交付重點 DataMesh 的半導體設施專案重點涵蓋公用設施資產管理、能源計算、巡檢維修、工單系統整合和營運視覺化。多站點專案可以共用資產結構和流程定義，同時保留各站點原有系統、權限和營運規程。 能源計算會組織現有的電表、資產、區域和營運資料，供工程團隊複核。其範圍和精度取決於儀表涵蓋、資料品質、計算方法和現場驗證。 ## AI Agent 服務於設施團隊 FactVerse AI Agent 協助工程師跨系統複核趨勢、警報、資產關係和維護脈絡，並讓建議保留相應依據。設施團隊負責審核行動，再透過 Inspector 或已整合的維護系統管理執行與結案。 FactVerse Designer 和 Physical AI 工作流程支援配置設計、虛擬規劃、製程模擬和以物理為基礎的驗證，並可與營運方案共用數位孿生資產和設施脈絡。 ## 交付經驗與公開依據 DataMesh 已在多個半導體設施站點交付面向設施營運的數位孿生專案，重點包括資產、公用設施系統脈絡、能源計算、巡檢、維護、工作協同和視覺化。客戶身分和站點細節仍在保密範圍。 公開的 [FactVerse AI Agent 發布資訊](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)介紹平台面向複雜工業設施的發展方向。DataMesh 與[橫河電機的合作](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)呈現方案所採用的工業設施預測性維護方法。 ## 從一條設施營運流程開始 評估可以從一個公用設施系統、一組關鍵資產、一類重複警報、一條巡檢路線或一個維護流程開始。專案團隊先明確可用資料、責任角色、現有回應過程和評估指標，再擴展到更多系統或站點。 [討論半導體設施營運方案](/contact-us/) --- ## [SOLUTIONS] ar-inspection ## 現場巡檢需要把資料帶到設備旁 傳統巡檢往往依賴紙質清單、經驗判斷和後台系統截圖。技術人員在設備旁看不到完整資料，管理者也很難確認每一步是否按標準執行。AR 巡檢與故障排查的目標，是讓現場人員在物理設備旁同時看到資產資訊、即時資料、檢查步驟、歷史紀錄和專家知識。 真正的價值在於減少現場判斷的上下文缺失，讓巡檢、排查、紀錄和復盤進入同一個數位孿生閉環。 ## 從巡檢清單到空間化執行 巡檢點可以綁定到 FactVerse 中的設備、空間和系統物件。現場人員透過行動端或 AR/MR 裝置查看路線、檢查點、設備狀態和標準步驟，完成後直接提交照片、測量值、結論和異常說明。異常結果可以觸發 Inspector 工單或後續複檢任務。 ## 讓專家經驗可以複製 很多現場問題需要把資料和判斷經驗結合起來。AR 巡檢可以把專家定義的判斷條件、設備結構、維修歷史和排查路徑轉化為可執行流程，讓不同班組、不同站點的執行品質更加一致。 ## 從最需要現場脈絡的工作開始 適合先從高頻巡檢、複雜設備排查、跨班組交接或安全品質要求高的流程開始，例如配電櫃、暖通設備、泵房、公輔系統、潔淨室、產線關鍵設備和品質檢查。先把路線、檢查點、即時資料、異常規則和紀錄範本打通，再擴展到遠端專家協作與知識庫沉澱。 ## 複雜現場環境中的實踐 - [富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)：FactVerse 支援培訓和維護工作流。 - [JTC 與 DataMesh](/about/news/collaboration-between-jtc-datamesh)：複雜設施中的混合實境與數位孿生實踐。 - [太古可口可樂](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)：維護流程與一線培訓數位化。 ## 讓指引融入既有作業體系 AR 巡檢是現場執行工作流，協助技術人員在設備旁看到上下文、按標準步驟執行、沉澱紀錄並與專家協作；安全規則、上鎖掛牌、簽核策略和最終維護決策由客戶現場負責。 ## 統一的現場執行環境 - [Inspector](/products/inspector) 管理資產巡檢、警報、工單和紀錄閉環 - [Checklist](/products/checklist) 管理標準檢查項和合規範本 - [Director](/products/director) 製作 3D 排查步驟和空間化說明 - [Data Fusion Services](/products/dfs) 接入即時資料、警報、維修歷史和業務系統 --- ## [SOLUTIONS] construction-guidance ## 讓現場團隊理解圖面背後的空間關係 施工團隊已經擁有圖面、BIM 模型、問題清單、施工方案、照片和檢查紀錄。進入具體作業點位後，人員仍需準確理解位置、周邊系統、核准的施工順序和驗收要求。資訊分散時，協調問題和偏差往往到後期才會暴露。 施工引導把空間模型、引導式作業和現場證據連接起來。團隊可以準備與目前區域相關的現場上下文，在作業點位提供核准程序，並保留檢查、變更和驗收紀錄。 ## 從設計上下文到經過驗證的現場作業 1. **準備施工區域** - 使用 FactVerse Designer 整理相關建築區域、管線、設備、通道和周邊系統。 2. **編製作業程序** - 使用 Director 組合核准的三維內容、說明、參考資料、檢查項目和決策點。 3. **進行團隊交底** - 讓業主、設計方、承包商、主管和相關專業審查同一空間上下文。 4. **在現場提供引導** - 透過為現場和任務選定的受支援裝置執行 DataMesh One。 5. **驗證並記錄** - 使用 Inspector 工作流程記錄檢查、照片、偏差、改善作業和驗收證據。 6. **移交上下文** - 將確認後的資產資訊、程序和現場紀錄延續到後續維運。 ## 清晰的產品分工 FactVerse Designer 負責場景準備和空間規劃；Director 負責引導式程序和核准的作業說明；DataMesh One 負責現場交付；Inspector 負責檢查、問題、作業和證據紀錄；FactVerse 透過共享的資產、空間和營運上下文把這些環節連接起來。 這樣的分工讓每個階段使用合適的工具，也便於專案團隊明確內容、執行和紀錄的責任邊界。 ## 適合優先導入的區域 機電走廊、設備機房、隱蔽工程、改造區域、複雜安裝順序、調試檢查和業主交付都適合作為起點。這些場景空間關係密集、參與團隊多，並且需要共享上下文和可追溯證據。 ## 裝置和模型選擇取決於現場條件 現場交付可以使用受支援的行動裝置或頭戴裝置。專案需要結合安全制度、光線、網路、互動需求、空間精度和使用舒適度選擇裝置。大型來源模型會針對作業區域和所需細節層級進行準備，並在試點中使用代表性資料和真實現場條件測試。 ## 將施工知識帶入維運階段 施工階段形成的位置、安裝照片、核准程序、驗收結果、偏差和改善歷史，可以在交付後繼續支援巡檢、維護、訓練、改造和緊急應變準備。 ## 公開專案實踐 DataMesh 已與 [JTC](/about/news/collaboration-between-jtc-datamesh) 進行 BIM 與混合實境施工協同，與[大林組](/about/news/digital-twin-empowers-bim-obayashi)進行建築施工數位孿生工作，並與戶田建設為 [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena)進行施工模擬。[TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 專案也展示了空間內容如何協助相關方理解和溝通複雜的未來環境。 ## 從一個施工區域開始 試點可以選擇一個具有代表性的區域、一套核准程序、計畫使用的現場裝置和一份明確的驗證紀錄。驗收計畫應涵蓋模型準備、現場對齊、引導可用性、證據採集和交付，再逐步擴展到更多專業或地點。 --- ## [SOLUTIONS] green-transformation ## 將能源管理融入營運流程 能源效能會隨設備狀態、排程、控制策略、天氣、空間使用情況、維護品質和空間用途而變化。有效的能源計畫需要將這些因素與負責改善的團隊和工作串聯起來。 DataMesh 將 BMS、儀表、IoT、歷史資料庫、BIM 或 IFC、維護紀錄和工單匯入營運數位孿生。設施與工程團隊可以建立基準、調查異常消耗、比較選定情境、執行改善工作並保留相關佐證。 ## 建立可追溯的能源與設施脈絡 [Data Fusion Services](/products/dfs) 連接多供應商控制系統、儀表、感測器、資料庫和企業應用。[FactVerse](/products/factverse) 將資料對應到場站、空間、系統、設備和營運關係。 Inspector 可以採用與 Brick Schema 對齊的語意來描述建築、樓層、區域、設備、儀表、感測器和控制點。這套共用結構協助團隊將能源異常、分析輸入或評估紀錄追溯至相應資產與來源資料。 ## 找出影響能耗的營運條件 能源複核可以結合負載、天氣、空間使用情況、營運排程、設定值、設備狀態、警報和維護歷程。團隊可據此分析高負載時段、控制偏移、冷熱同時運轉、設備劣化、排程不符和跨系統行為。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以運用現有設施脈絡協助複核趨勢和解讀異常。工程師負責驗證專案中的資料、方法、假設和建議措施。 ## 使用 EnergyPlus 比較選定情境 當決策需要更深入的建築能源分析時，專案團隊可以結合 BIM 或 IFC 資料、天氣、營運紀錄和基於 EnergyPlus 的模型。比較情境可以涵蓋營運排程、設定值、設備變更、建築外殼方案或空間用途假設。 每個專案都會明確定義模型範圍、校準方法、輸入品質和決策標準。分析結果將納入審查紀錄，用於排定改善工作的優先順序並完成審批。 ## 從日常營運中準備 Green Mark 佐證 新加坡 Green Mark 工作涉及能源效能、建築外殼、系統資訊、可維護性、營運紀錄和評估資料。DataMesh 協助團隊圍繞相應場站組織 EUI 與建築外殼輸入、建築和系統關係、評估歷程、維護佐證與改善措施。 這些紀錄支援業主、設施團隊、工程師、指定顧問和評估人員依適用的 BCA 流程協作。 ## 將已驗證的機會轉化為已完成工作 [Inspector](/products/inspector) 將核准的改善機會推進至巡檢、任務指派、工單、現場執行、佐證蒐集和後續量測。團隊可以清楚掌握採取了哪項措施、由誰完成、蒐集了哪些佐證，以及後續營運狀況如何變化。 ## 從可衡量的能源重點開始 選擇一棟資料來源和權責清楚的建築、一組系統或一項營運問題作為起點。建立基準，驗證資產與儀表關係，調查選定狀況，執行議定措施並複核結果，再逐步擴展能源計畫。 ## 營運能源計畫帶來的能力 - 將能源分析與空間、系統、設備和營運排程關聯 - 運用與 Brick Schema 對齊的資產和點位關係建立一致佐證 - 透過依專案設定的 EnergyPlus 模型支援情境比較 - 將 Green Mark 準備紀錄與日常設施營運關聯 - 在一套可追溯流程中管理改善工作、現場佐證和後續量測 --- ## [SOLUTIONS] 智慧供熱方案 > DataMesh 智慧供熱方案由 FactVerse AI Agent 中的 HeatOps 模組、Data Fusion Services、FactVerse 數位孿生、Inspector 與既有控制系統整合共同構成，貫通預測、管網診斷、調度輔助、工單和現場執行。 ## 供熱營運需要可執行閉環 區域供熱的難點通常分散在熱源運行、管網水力、換熱站設備、樓宇末端、住戶回饋、收費系統與工單流程之間。值班員需要判斷今天哪裡會缺熱、哪裡可能過熱、哪條支路存在失衡，現場團隊則需要知道該查哪個閥門、哪段管線、哪台換熱器。 DataMesh 智慧供熱方案把這些資訊組織成統一的供熱營運脈絡。FactVerse AI Agent 中的 HeatOps 模組負責預測、診斷、知識問答與調度建議，Data Fusion Services 接入既有系統，FactVerse 提供管網數位孿生，Inspector 貫通工單與現場執行。 ## 從真實供熱改造設計中沉澱的能力模型 這個行業模組的設計來自多站點供熱營運場景。系統通常按五層展開：感知層採集溫度、壓力、流量、補水、閥門與泵狀態；Data Fusion Services 治理熱源、站點、管線、樓宇與住戶物件；FactVerse AI Agent 做負荷預測、異常診斷、水力平衡與能碳分析；執行層對接 PLC、調度指令與現場工單；互動層服務於值班室、管理者、維修團隊與客戶服務。 這個模型也讓 Physical AI 在供熱側有明確落點：AI 決策結合運行資料、管網拓撲、熱慣性、設備邊界、控制權限與現場安全流程。每一條建議都需要能解釋來源、影響範圍與執行條件。 ## 能看：熱源、管網、換熱站與樓宇 HeatOps 模組可以把供熱資產放到 GIS 地圖、管網拓撲與站點視圖中。維運團隊可以查看換熱站狀態、供回水溫度、壓差、流量、熱量、泵和閥門狀態，也可以疊加樓宇區域、室溫回饋、告警與工單。 相比單點監控，這種視圖更適合供熱季的現場判斷：某個遠端區域投訴增加時，團隊可以同時看到上游站點、支路線、閥門狀態、壓差變化與歷史處置紀錄。 ## 能算：預測、診斷與能碳復盤 負荷預測讓團隊在天氣變化前看到需求曲線，提前準備調度動作。異常診斷則把供回水溫差、補水量、壓力波動、換熱效率、泵耗與用戶回饋放在一起，判斷是熱源不足、支路失衡、換熱器結垢、管網洩漏、保溫退化還是局部控制問題。 在管理側，該模組可以把熱量、氣耗、電耗、熱損與碳排資料整理為供熱季營運帳本，協助團隊復盤調度策略、節能改造與異常處置是否真正改善了運行品質。 ## 能控：從建議到執行的安全閉環 供熱控制適合分階段推進：先讓 FactVerse AI Agent 提出調度建議，由值班員確認，再逐步接入受限寫回與稽核。HeatOps 模組支援把閥門開度、泵頻、供水溫度等動作納入安全邊界與審批流程，保留誰確認、何時下發、執行後結果如何的完整紀錄。 這種方式既能讓 AI 進入真實運行流程，也能保留供熱企業對安全、責任與合規的控制。 ## 能用：知識庫、客服與工單協同 供熱營運的問題會同時出現在控制室、現場和服務回饋中。住戶投訴、現場巡檢、維修紀錄、設備手冊與應急預案都會影響判斷。HeatOps 模組可以透過 FactVerse AI Agent 的 AI Advisor 調用知識庫，協助值班員解釋告警、生成排查步驟，把診斷結果轉成工單，並把現場回饋沉澱回後續營運。 ## 面向區域供熱營運構建 HeatOps 基於 FactVerse AI Agent 的營運模型和區域供熱設計工作，是面向供熱營運的行業模組。模組重點放在預測、診斷、調度輔助、工單協同和可審計執行。 ## 從一個連通的營運區域開始 建議從有限範圍的換熱站和管網分區開始：先透過 Data Fusion Services 接入關鍵即時資料和資產拓撲，驗證站點總覽、異常診斷、負荷預測與工單閉環；再擴展能碳核算、水力平衡與調度建議；最後根據現場控制權限接入 PLC 或控制系統寫回。這樣可以把 FactVerse AI Agent 的行業模組逐步落到可運行、可稽核、可擴展的供熱營運體系中。 ## 貫通管網智慧與現場執行 - [FactVerse AI Agent](/products/factverse-ai-agent) 承載 HeatOps 行業模組，支撐預測、診斷、知識問答與調度建議 - [Data Fusion Services](/products/dfs) 連接 SCADA、SIS、計量、氣象、收費、投訴與工單等系統 - [FactVerse Platform](/products/factverse) 管理熱源、管網、站點、樓宇和設備的數位孿生上下文 - [Smart Facility Management](/solutions/smart-building) 將類似營運模式擴展到園區和建築設施管理 --- ## [SOLUTIONS] predictive-maintenance ## 從被動維修走向可驗證的維護決策 FactVerse AI Agent 預測性維護模組把「信號、分析、驗證、執行」做成完整決策閉環。透過工業感知、設備上下文、AI 分析與數位孿生，團隊能更早知道設備正在發生什麼、為什麼重要，以及何時該行動。 ## 從信號接入到維護閉環 1. **信號接入** — Data Fusion Services 匯聚感測器流、歷史資料、巡檢記錄與設備主資料。 2. **AI 分析** — FactVerse AI Agent 判斷退化趨勢、異常模式與健康狀態變化。 3. **孿生驗證** — FactVerse Twin Engine 與 FactVerse 提供空間與營運上下文，協助判斷。 4. **執行閉環** — Inspector 將已驗證問題轉成工單、現場動作與結果留痕。 ## 面向維護團隊的營運級驗證 FactVerse AI Agent 預測性維護模組把可信感知、資產脈絡、AI 分析與孿生複核結合在一起，讓團隊能以更完整的上下文評估維護風險，減少對單點警報的依賴。 - 現場可信的工業級感知 - 多源營運上下文融合 - AI 驅動的趨勢分析與健康評估 - 面向維護決策的數位孿生視覺化 ## 更早介入，降低噪聲 團隊不必等到閾值警報觸發後才被動處理，而是能在上下文中提前審視潛在問題、判斷優先順序，並更從容地進入計畫性維護。 ## 相關產品 - FactVerse — 提供營運上下文的平台層 - FactVerse AI Agent — 異常識別、分析與決策支援 - FactVerse Twin Engine — 孿生驗證與執行上下文 - Data Fusion Services — 連接感測器、歷史庫與系統資料 - Inspector — 工單與現場執行 ## 工業維護實踐 DataMesh 與[橫河電機](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)共同將 AI 輔助的預測性維護帶入複雜工業設施。DataMesh 在[太古可口可樂](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)與[富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)的實踐也展示了如何連接維護知識、第一線執行與可重用的營運記錄。 ## 從關鍵設備開始逐步擴展 優先選擇故障影響清楚、具備一定歷史資料的關鍵設備或重點系統。DataMesh 將設備訊號、維護記錄、營運上下文與現場工作流程連接起來，協助團隊建立可重複的資產健康管理方法。 資料品質與執行閉環穩定後，同一套方法可以擴展到更多設備與站點，並沿用各現場既有的審批規則、安全流程以及 CMMS 或 EAM 工作方式。 ## 營運價值 | 指標 | 價值 | |------|------| | 更早的問題研判 | 更快識別並排序潛在維護問題 | | 非計畫停機 | 透過更早介入與計畫性維護進一步下降 | | 誤報數量 | 藉由趨勢分析與上下文診斷降低 | | 維護執行效率 | 從識別到現場執行的交接更快且可追蹤 | --- ## [SOLUTIONS] process-simulation ## 在實體變更前完成關鍵決策 佈局圖、表格和靜態模型能夠呈現設備位置，卻很難展示人員、機器、物料、時間和空間在營運中的互相影響。等待點、通行衝突、不合理交接和物理行為問題，常常在設備、工裝或現場施工已經投入後才被發現。 流程模擬與虛擬規劃使用 FactVerse Designer 將這些假設轉化為可審查的營運場景。團隊可以比較方案、進行虛擬試驗，並判斷哪些問題需要進一步的物理、工程或機器人驗證。 ## 從來源資料到虛擬試驗 1. **定義決策問題** - 明確需要回答的佈局、流程、互動、產能或機器人問題，以及所需證據。 2. **準備場景** - 在 FactVerse Designer 中建置設施、設備、作業區域、路徑、物料和限制。 3. **建立流程模型** - 加入參與者、狀態、時間、順序、交接和場景變數。 4. **連接相關資料** - 當歷史、即時或工程資料需要影響假設與比較時，透過 Data Fusion Services 接入。 5. **執行並比較** - 比較流程、等待、通行、碰撞、擺放、資源使用和營運可行性。 6. **依需求提高模擬深度** - 根據任務將選定問題擴展到 OpenUSD、Omniverse、Isaac、PhysX 或 Newton 工作流程。 7. **準備執行** - 將確認後的場景、假設、證據和測試計畫交付工程、實施、訓練或機器人團隊。 ## 各技術層如何協同 FactVerse Designer 是場景編排和規劃環境，負責建立空間場景、流程邏輯、方案變數和可重複使用的營運上下文。OpenUSD 為結構化場景和 SimReady 資產提供可組合的交換基礎。NVIDIA Omniverse 目前以加速函式庫、微服務、SDK 和 API 的形式提供，可為工業與 Physical AI 應用增加渲染、物理、儲存和整合能力。 在機器人方向，Isaac Sim 和 Isaac Lab 將流程擴展到機器人模擬、合成資料和學習。PhysX 支援運動、碰撞和接觸等物理行為。Newton 為機器人學習與開發提供可擴展的 GPU 加速物理基礎。專案只選擇決策和驗證計畫真正需要的技術層。 ## 規劃、物理與工程證據 不同問題需要不同模擬深度。早期佈局和流程決策可能只需要幾何、路徑、時間和離散行為；運動、碰撞、接觸或擺放問題需要基於物理的行為；涉及安全、結構、熱、流體或受監管決策時，還需要結合工程分析、實測資料、專業工具和實體試驗。 專案先確定驗收範圍，再選擇能夠為該決策提供有效證據的場景細節、求解器、校準資料和比較方法。 ## 典型應用方向 - 包裝單元與物料互動 - 產線和工位佈局 - 倉儲分區、揀選、暫存和車輛運動 - 安裝或調試前的虛擬試驗 - 操作順序複核與訓練準備 - 機器人場景生成、合成資料和 sim-to-real 準備 ## 讓場景服務於後續工作 經過驗證的場景可以繼續用於設計審查、相關方溝通、作業說明、操作員訓練、自動化規劃和機器人開發。後續團隊可以重複使用同一設施上下文、資產身分、假設和確認後的方案，無需重新建置環境。 ## 公開專案實踐 DataMesh 已公開展示與[震雄集團](/about/news/how-chen-hsong-is-advancing-production-line-solutions-with-digital-twins-and-ai)進行的產線規劃、與 [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)進行的廠內物流自動化驗證，以及結合 [NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)的模擬數位孿生工作。每個客戶場景都需要分別確定模擬深度、驗收方法和預期成果。 ## 從一個決策和一個代表性場景開始 有效的試點應聚焦一項真實的近期變更、具有代表性的資產、雙方確認的假設和明確的驗收方式。DataMesh 與客戶可以據此驗證場景流程、方案邏輯、資料輸入、模擬深度、比較證據和後續交付，再擴展到更大的產線、設施或機器人專案。 --- ## [SOLUTIONS] real-time-monitoring ## 將即時資料轉化為統一營運視圖 設施已經透過控制系統、感測器、儀表、資料庫和服務平台持續產生即時資訊。營運人員仍需判斷變化發生在哪裡、影響哪些資產與空間、是否屬於更廣泛的趨勢，以及由誰負責回應。 DataMesh 將即時與歷史資訊關聯到營運數位孿生中的設備、空間、系統和工作紀錄。控制室團隊、工程師、維護規劃人員和現場技術人員可以在共用脈絡中協同，同時繼續使用既有來源系統。 ## 為每項訊號補充資產與系統脈絡 [Data Fusion Services](/products/dfs) 連接 BMS、SCADA、PLC、IoT、儀表、歷史資料庫、資料庫和企業應用。[FactVerse](/products/factverse) 將每項訊號對應到相關場站、空間、資產、系統關係和數位孿生物件。 藉助這些脈絡，團隊可以從一個點位或警報代碼快速找到實體設備、受影響區域、相關感測器、上下游系統、近期維護和進行中的工作。 ## 回應前複核相關變化 一次營運異常可能涉及多則警報、近期設定值變更、天氣、負載、維護活動或逐漸劣化的元件。DataMesh 將這些訊號與紀錄集中呈現，方便團隊複核。歷史趨勢和預期範圍可以協助團隊區分偶發雜訊與需要調查的狀況。 當場站具備充分的資料和營運脈絡時，[FactVerse AI Agent](/products/factverse-ai-agent) 可以協助解讀趨勢並分析相關事件。 ## 協調回應並保留處理結果 確認後的狀況可以轉入 [Inspector](/products/inspector) 的巡檢和工單，也可以與現有 CMMS 同步。回應紀錄會持續關聯原始訊號、複核人員、優先順序、執行團隊、現場佐證、完工備註和後續行動。 這些歷史紀錄讓管理人員更清楚掌握重複發生的狀況、回應品質、服務水準表現和預測性維護機會。 ## 以同一脈絡支援單項資產到多個場站 營運人員需要查看目前警報和系統拓樸；工程師關注趨勢與相依關係；現場團隊需要位置、歷程和程序；跨場域管理人員則關注場站比較和未結工作狀態。角色導向的視圖使用同一套資產與營運脈絡，並為各類使用者呈現符合其職責的資訊。 ## 從一個回應關鍵系統開始 第一階段可以聚焦 HVAC、配電、冷卻水、無塵室公用系統、資料中心機房，或其他因資訊分散而影響回應效率的系統。先連接所需資料、資產關係、警報規則、營運角色和工單交接，再於團隊信任共用視圖後逐步擴展。 ## 協同監控帶來的改善 - 更快確認變化發生的位置及其影響 - 結合資產、趨勢、相依關係和服務脈絡排定優先順序 - 更清楚地將控制室複核結果交接給現場執行團隊 - 工程、維護、服務和管理團隊共享營運狀態 - 累積可重複使用的歷史紀錄，支援預測性維護和 AI 輔助營運 --- ## [SOLUTIONS] smart-building ## 讓設施團隊看到同一幅營運全景 建築和園區已透過BIM、BMS、儀表、IoT裝置、維保平台、技術文件和現場紀錄產生大量資訊。警報發生、人員派工或管理者檢視跨園區表現時，關鍵挑戰在於讓這些資訊持續關聯。 DataMesh為業主、工程團隊、服務商和第一線技術人員建立共享的營運脈絡。團隊可以快速了解發生了什麼、位於哪裡、涉及哪些設備和系統、目前由誰處理，以及問題關閉後留下哪些可檢視紀錄。 ## 連接正在運作的樓宇系統 [Data Fusion Services](/products/dfs)透過標準協議和API連接樓宇控制、感測器、儀表、資料庫及企業應用。[FactVerse](/products/factverse)再把這些資訊映射到營運數位孿生中的空間、資產、系統和關係。 這套方式能統一不同供應商和站點的資料視圖，同時延續既有BMS、CMMS、EAM和服務平台的使用。設施營運範圍擴大時，團隊可以逐步接入新的系統和資料源。 ## 把設施訊號轉化為可追溯的工作 1. **理解現場**：把警報、巡檢發現或能耗異常放入空間和設備脈絡 2. **完成研判**：結合即時訊號、資產歷史、技術文件、上下游關係和營運優先順序評估影響 3. **推動執行**：建立或同步工單，並透過[Inspector](/products/inspector)把合適的程序交付給現場人員 4. **檢視結果**：沉澱照片、讀數、完工說明、審批紀錄和後續行動 在資料品質和營運流程具備條件的場景中，[FactVerse AI Agent](/products/factverse-ai-agent)可輔助趨勢檢視、異常解釋和工作優先順序判斷，營運責任仍由業務團隊掌握。 ## 讓建築資料可以跨團隊重複使用 Inspector支援與Brick Schema對齊的建築、樓層、區域、設備、儀表、感測器、控制點和系統關係。統一的設施語義讓不同團隊一致理解資產與資料，也讓同一份營運紀錄服務於監控、維護、能源分析、合規準備及後續AI輔助營運。 ## 讓能源與Green Mark工作融入日常營運 能耗表現同時受到設備狀態、運轉時段、控制策略、維護品質和空間實際使用情況影響。DataMesh把這些營運紀錄關聯起來，協助團隊檢視EUI與負荷特徵、分析異常、安排改善工作並保留結果佐證。 在新加坡Green Mark專案中，這套紀錄可支援設施團隊與受委任顧問持續準備和檢視材料。專案需要深入分析時，還能結合BIM或IFC、氣象資料、營運歷史和EnergyPlus模型，比較能源表現與潛在改善情境。 ## 從一個明確的營運目標開始 首期專案可選擇一套關鍵樓宇系統、一條警報到工單流程、一個高能耗區域，或一組反覆出現服務問題的設備。團隊先驗證資料品質、整合效果、現場採用情況和營運指標，再擴展到更多系統、建築與園區。 ## DataMesh的方案優勢 - **統一營運脈絡**：在同一數位孿生中連接空間、資產、系統、資料與工作關係 - **貫通現場執行**：把設施可視性延伸到巡檢、程序、工單及可檢視的完工紀錄 - **開放系統整合**：透過工業協議和API連接既有樓宇及服務系統 - **持續擴展能力**：基於同一設施脈絡支援監控、維護、能源專案、培訓和AI輔助營運 --- ## [SOLUTIONS] training ## 培訓的價值在於讓人員為真實工作做好準備 工業培訓必須同時面對設備使用機會有限、講師資源、安全要求、流程變更與現場帶教。文件和影片仍有價值，但不容易說清楚空間關係、設備內部機理和作業判斷。DataMesh 將引導式 3D 內容、數位孿生情境、設備模擬和現場流程組合起來，建立從說明、練習到受監督執行的清楚路徑。 ## 用專用工具連接完整培訓路徑 - [Director](/products/director)負責已核准流程與 3D 培訓內容。 - **DataMesh One** 負責在支援裝置上提供內容。 - [Simulator](/products/simulator)負責搭配控制器和訓練情境的重型設備物理模擬實作。 - [Inspector](/products/inspector)與 [Checklist](/products/checklist)負責受監督的現場任務、紀錄和證據。 FactVerse 為這些流程提供共同的設備與空間情境，把內容製作、練習和受監督的現場執行連接成完整路徑。 ## 從知識保存走向受監督執行 先定義職務、重要任務、目前培訓方式和客戶的準備度標準。以 Director 保存專家說明，依任務選擇引導式或 Simulator 練習，並由講師與安全負責人審查。學員完成練習後再進入現場帶教，需要時由 Inspector 或 Checklist 記錄核准步驟和證據。 ## 引導式作業與模擬器培訓實踐 [富士康](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)、[太古可口可樂](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)與 [NEXCO-EAST Engineering](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)提供引導式培訓參考；DataMesh 也公開了[塔式起重機](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)和[履帶式挖掘機](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)的 Simulator 案例。 ## 將安全與資格要求納入培訓計畫 DataMesh 支援說明、可重複練習、評估輸入與證據。客戶的培訓制度、合格監督、作業授權、法規要求、真機考核與正式認證從專案開始就納入培訓路徑。 ## 衡量人員對真實工作的準備度 培訓團隊可以衡量學員是否理解設備和步驟、練習能否在現場工作前暴露常見錯誤、講師能否高效更新內容，以及所選裝置或 Simulator 配置是否適合職務。這些結果可以明確哪些環節需要繼續練習，以及哪些培訓項目適合推廣。 --- ## [SOLUTIONS] visualization ## 讓複雜營運在空間中清楚呈現 設施、工廠、園區和基礎設施都具有空間屬性。設備位置、系統相依關係、通行路線、製程流程、作業區域和營運風險，很難只靠表格和各自獨立的儀表板充分理解。 營運數位孿生視覺化將模型、資產、即時資料、文件和工作紀錄彙集到同一空間脈絡中。工程、營運、現場、管理和外部利害關係人可以從各自工作所需的角度檢視同一環境。 ## 建立受管的模型資產基礎 BIM、CAD、GIS、點雲和設備模型以受管模型資產的形式匯入平台。系統會保留版本、元件幾何、座標和外部參照，讓這些內容在單次展示後仍能持續維護。 [FactVerse](/products/factverse) 將模型元件與穩定的孿生物件識別、空間、系統、感測器、文件和工作紀錄綁定。每個可見物件因此具備明確的營運意義，同一資產也可在不同應用中重複使用。 ## 為每項工作流程編排合適的視圖 [FactVerse Designer](/products/designer) 支援團隊編排資產、視角、標籤、資料面板、動畫和互動邏輯。[Data Fusion Services](/products/dfs) 負責連接即時與歷史營運資訊。最終場景可用於控制室視圖、設備巡檢、培訓、施工審查、客戶簡報或現場工作流程。 設施發生變化時，團隊可以更新底層孿生和模型關係，並在新的體驗中繼續使用這些經過治理的脈絡。 ## 讓人員與應用使用同一套孿生 Web 視圖和大型顯示器提供營運可視性。[Inspector](/products/inspector) 運用空間與資產脈絡進行巡檢和維護。DataMesh One 將已核准的 3D 內容提供給支援的現場裝置。Omniverse 和其他專案執行環境可以透過適當的整合路徑接收準備好的場景與中繼資料。 這項共用基礎可減少重複的模型準備工作，並讓資產識別從工程審查到日常營運始終保持一致。 ## 為 Physical AI 準備空間脈絡 模擬、機器人、合成資料產生和 AI Agent 需要一致的幾何、單位、座標、元件識別、系統關係、營運狀態和任務脈絡。 FactVerse 提供用於準備這些脈絡的受管孿生與資產層。專案工作流程隨後可以將場景和中繼資料交付至 Omniverse、Isaac、PhysX、Newton、機器人中介軟體或其他獲准的執行環境，用於渲染、模擬與驗證。 ## 經過複雜專案環境驗證 DataMesh 已與 [JTC](/about/news/collaboration-between-jtc-datamesh) 開展數位孿生和混合實境實務，支援[大林組](/about/news/digital-twin-empowers-bim-obayashi)的施工工作流程，與戶田建設共同為 [SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) 交付施工模擬，並參與 [TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 數位孿生體驗。 ## 從一個可重複使用的營運視圖開始 選擇一個空間脈絡能明顯改善協同的設施或工作流程。明確定義所需的模型範圍、物件對應、座標規範、細節層級、權責、資料綁定和更新流程。待團隊能夠維護並重複使用這項基礎後，再擴展到監控、巡檢、模擬、培訓和 Physical AI 工作流程。 ## 可重複使用的孿生帶來的能力 - 更快理解資產、關係、路線和營運影響 - 為工程、營運、現場工作和利害關係人審查提供統一空間脈絡 - 在監控、維護、培訓和模擬中重複使用模型資產 - 為 Physical AI 和機器人工作流程一致地準備場景 - 隨著新應用上線，降低重複準備工作量 --- ## [SOLUTIONS] workflow-digitization ## 串聯系統與服務商的統一維護流程 大型設施通常同時使用多套維護環境。不同建築、承包商、設備群組或區域可能採用不同的電腦化維護管理系統。現場申請還會從其他管道進入，而警報、資產資料、程序和庫存則分散在不同系統中。 DataMesh 在這些系統之上建立共用營運層。各下游 CMMS 可以繼續管理其負責的工作，設施團隊則能以一致方式檢視需求、優先順序、資產脈絡、任務指派、同步狀態和完工佐證。 ## 接收具備完整研判資訊的工作需求 工作申請可來自現場人員、入口網站、電子郵件、警報和自然語言互動。申請中可包含申請人、設備、位置、嚴重程度、問題說明、照片、語音備註和地理位置。 主管可以審查申請並排定優先順序，再將其轉為工單，或註明原因後退回。維護需求進入執行佇列前，因而具備一致且可控的受理流程。 ## 協調不同 CMMS 服務商的工作 [Data Fusion Services](/products/dfs) 可透過專案專用的 API、轉接器、Webhook、資料庫、訊息或檔案介面連接維護平台。資產對應用來關聯各系統中的同一台設備。跨系統工單檢視會保留來源平台、外部參考編號、負責的服務商和同步狀態。 這項營運模式適用於持續使用下游系統的場域組合。DataMesh 提供集中協調與統一可視性，讓各建築與服務商沿用既有交易系統執行工作。 ## 統一規劃人員、預防性維護與物料 [Inspector](/products/inspector) 支援從任務指派到完工的工單生命週期。工作可派給內部技術人員、承包商或團隊。預防性維護排程可以產生定期工單，備品與庫存紀錄則協助團隊確認開工準備並記錄實際用量。 管理人員可以在同一營運脈絡中檢視未結工作、逾期預防性維護、服務水準違約、積壓情況和維護趨勢。 ## 為現場團隊提供可執行的指引 [Checklist](/products/checklist) 用於規範必檢項目和佐證要求。[Director](/products/director) 可在設備結構或空間指引尤其重要時提供引導式程序。Inspector 將任務與正確的資產、位置、警報、維護歷程、文件、照片、讀值、審批和完工備註持續關聯。 由此產生的紀錄可用於班次交接、承包商複核、稽核準備和定期工作的持續改善。 ## 在流程成熟的環節加入 AI 輔助 [FactVerse AI Agent](/products/factverse-ai-agent) 可以協助理解申請、檢視警報和資產脈絡、排定工作優先順序、檢索知識並準備建議行動。每項建議如何進入營運工作流程，由已設定的角色、審批步驟、權限和執行控制決定。 ## 從一項跨系統流程開始 第一階段可以聚焦一家服務商、一個工作申請管道和一組關鍵設備。先驗證資產對應、資料同步、任務指派、現場紀錄和管理檢視，再擴展到更多 CMMS 服務商、場站、預防性維護計畫和庫存流程。 ## 協同執行帶來的改善 - 統一檢視不同系統和服務商中的維護需求與權責 - 加快申請或警報轉化為已指派現場工作的速度 - 提升技術人員、團隊、預防性維護和備品之間的協同效率 - 跨組織追蹤同步狀態與完工佐證 - 累積更清楚的營運歷程，支援分析、AI 輔助和流程改善 --- ================================================== # SECTION: GUIDES ================================================== ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI findings need an execution path The useful unit of industrial AI value is a completed operating loop. A finding has to become a reviewed decision, an assigned task, a field action, an evidence record, and a measured outcome. [FactVerse AI Agent](/products/factverse-ai-agent) can run against connected signals, alarms, documents, and work history around the clock. The finding becomes operationally useful when it is grounded in the digital twin and handed to the people and systems responsible for execution. DataMesh connects that path through [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), and customer systems such as CMMS, EAM, BMS, SCADA, ERP, and document repositories. ## The closed-loop pattern 1. **Detect** - AI Agent, rules, dashboards, or existing systems identify an abnormal trend, repeated alarm, missed inspection, asset risk, or operating exception. 2. **Ground** - FactVerse links the finding to assets, spaces, systems, live values, documents, SOPs, and work history. 3. **Review** - Operators, engineers, or supervisors check the evidence, risk level, and recommended action. 4. **Dispatch** - Confirmed findings become work orders, inspections, tasks, or guided procedures in Inspector, Checklist, CMMS, EAM, or another approved system. 5. **Guide** - Field teams use asset context, checklists, digital SOPs, 3D procedure guidance, photos, manuals, and safety notes to complete the task. 6. **Capture** - The team records completion notes, readings, photos, exceptions, replaced parts, approvals, and verification results. 7. **Learn** - Outcomes, rejected suggestions, repeated events, and post-action readings become feedback for data quality review and machine learning improvement. This structure gives AI findings a clear route into accountable operations. ## What belongs in the work order An industrial work order needs enough context for a field team to act without searching across multiple systems. The work item should carry the asset, location, system relationship, problem description, evidence, priority, required skills, safety notes, acceptance criteria, and approval path. Useful fields include: * asset ID, space, system, and route * AI finding, alarm, inspection result, or manual request that opened the task * source signal values, trend snapshots, and time window * related documents, SOPs, drawings, manuals, and parts information * recommended checks, required photos, readings, and acceptance fields * reviewer, assignee, due date, priority, and escalation rule * completion notes, exception reasons, verification readings, and outcome label When those fields are attached to the digital twin, the work order becomes part of the operational record. ## Product roles in the loop [FactVerse AI Agent](/products/factverse-ai-agent) prepares findings, summarizes evidence, compares operating patterns, drafts recommendations, and watches connected feedback across shifts. [FactVerse](/products/factverse) and [FactVerse Twin Engine](/products/factverse-twin-engine) provide the operational model: assets, spaces, relationships, status, behavior logic, and workflow state. [Data Fusion Services](/products/dfs) connects source systems and maps signals, alarms, documents, work records, and enterprise data into usable context. [Inspector](/products/inspector) manages alarms, work orders, assignments, maintenance records, photos, verification fields, and field execution evidence. [Checklist](/products/checklist) structures inspection points, required records, compliance fields, and repeatable field routines. [Director](/products/director) supports digital SOPs, 3D procedure guidance, training content, and step-by-step operator support for complex tasks. ## Integration with existing systems Most industrial teams already run CMMS, EAM, BMS, SCADA, MES, ERP, ticketing, and document systems. The workflow design should respect system ownership. Data Fusion Services can bring data from those systems into FactVerse, while Inspector and connected execution systems handle task assignment, field records, and closure. A CMMS or EAM can remain the maintenance system of record. FactVerse then adds asset context, spatial context, AI findings, field evidence, and cross-system visibility. Integration planning should define: * which system creates the work order * which system owns status, priority, and closure * which fields synchronize across systems * how duplicate tasks are prevented * how photos, readings, and evidence are stored * how rejected AI suggestions and manual corrections are preserved * how cybersecurity, access control, and audit requirements are handled Clear ownership keeps the loop stable as more workflows are added. ## Field execution and digital SOPs Many industrial workflows still depend on people: biopharma operating steps, facility inspection, electrical room checks, semiconductor utility maintenance, heavy equipment training, data center maintenance, construction handover, and warehouse equipment service. Digital SOPs make these tasks easier to standardize. Director can turn procedures into guided 3D content. Checklist can require specific checks, photos, readings, and signoffs. Inspector can connect the task to the asset, location, work history, and evidence trail. For regulated or safety-sensitive work, the workflow can require review steps, role-based permissions, mandatory records, and acceptance criteria before closure. ## 24x7 operation and feedback data Industrial AI has more value when it watches changes continuously. FactVerse AI Agent can process connected signals, alarms, work-order updates, inspection records, and field feedback in a 24x7 operating environment. The feedback data matters. Confirmed causes, operator notes, rejected suggestions, completed repairs, photos, readings, and post-action results create a dataset for future analysis. Machine learning can use this record to evaluate recommendation quality, identify recurring patterns, and tune future workflows. The loop becomes stronger when the system learns from what the team actually did, what improved, and which recommendation paths were changed by human review. ## Rollout path Start with one workflow that has a clear owner and visible result. Good starting points include one critical equipment class, one facility inspection route, one data center asset group, one heating substation group, one production-support utility, or one operator guidance process. 1. Define the task and owner. 2. Connect the required signals, documents, work history, and SOPs. 3. Map the asset and space context in FactVerse. 4. Decide who reviews AI findings and how risk levels change approval. 5. Route confirmed findings into Inspector, Checklist, CMMS, EAM, or another execution system. 6. Capture field evidence and post-action readings. 7. Review outcomes and expand only after the loop is reliable. ## Evaluation checklist * Can each AI finding be traced to an asset, space, signal, document, and work history? * Does every recommendation have a reviewer and an execution destination? * Can the field team see the right SOP, checklist, safety note, and evidence request? * Are completion notes, photos, readings, exceptions, and verification results captured? * Are rejected suggestions and manual corrections preserved for review? * Does the loop work across shifts, mobile teams, and remote specialists? * Can outcome records support machine learning evaluation and future recommendation tuning? ## Public references The [Workflow Digitization solution page](/solutions/workflow-digitization) explains how DataMesh connects alarms, planned tasks, inspection records, guided procedures, and work orders. The [FactVerse AI Agent operations loop guide](/resources/guides/factverse-ai-agent-industrial-operations-loop) describes how AI recommendations enter human-reviewed industrial operating loops. The [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), and [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) provide public examples of digital twin context, industrial data, and operational execution. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## Facility management needs one operating context Large facilities are managed through many specialized systems. BMS, EMS, meters, alarms, asset registers, CMMS, EAM, BIM, drawings, service reports, and inspection records each describe part of the site. The daily challenge is connecting those parts when an issue appears, a work order is created, an energy pattern changes, or a manager asks for evidence. AI facility management starts with an operational digital twin. The twin connects spaces, assets, systems, data, work records, documents, and field execution so teams can review facility conditions in context. AI then helps summarize abnormalities, compare patterns, draft recommended actions, and prepare management review. This pattern is useful for commercial buildings, campuses, data centers, plants, utilities, and high-tech manufacturing facilities. In advanced manufacturing programs, facility teams often need to manage cleanroom support systems, power, compressed air, cooling, exhaust, alarms, inspections, and service handoffs across multiple sites. A shared twin gives those teams a stable context for review and execution. ## What the facility twin should connect | Layer | Operating context | | ---------- | -------------------------------------------------------------------------------------------------------------------------- | | Spaces | Site, building, floor, room, zone, clean area, service corridor, access route, and safety boundary | | Systems | HVAC, cooling, power distribution, lighting, water, compressed air, exhaust, fire safety, elevators, and process utilities | | Assets | Equipment registry, asset IDs, documents, service owner, maintenance plan, warranty context, and spare-part references | | Signals | BMS points, meters, sensors, alarms, environmental readings, historian tags, and calculated indicators | | Work | Inspections, work orders, corrective actions, photos, field notes, acceptance records, and verification status | | Energy | Meter readings, EUI, load composition, operating hours, weather context, setpoints, and improvement options | | Semantics | Brick Schema-aligned buildings, systems, equipment, meters, sensors, points, and relationships | | Governance | Source owner, data quality, approval route, operating responsibility, version, and evidence retention | The twin becomes useful when a signal can be traced to the affected space, asset, system, responsible team, and field record. ## DataMesh workflow for AI facility management 1. **Collect facility sources** - Bring together BMS, EMS, meters, IoT, historians, asset registers, CMMS, EAM, BIM/IFC, drawings, inspection plans, and service reports. 2. **Build the operating twin** - Use FactVerse and Twin Engine to organize spaces, assets, utility systems, documents, routes, points, and work context. 3. **Connect data pipelines** - Use Data Fusion Services to ingest, clean, normalize, compute, and bind operating data to the correct twin objects. 4. **Structure facility semantics** - Use Brick Schema-aligned relationships where useful so buildings, zones, equipment, meters, sensors, and points have consistent meaning. 5. **Review with AI assistance** - Use FactVerse AI Agent to summarize abnormal consumption, repeated alarms, missing records, maintenance patterns, and candidate actions for human review. 6. **Compare energy scenarios** - Use EnergyPlus-based workflows where deeper building energy modeling and scenario comparison are needed. 7. **Execute and verify work** - Use Inspector to create inspections, work orders, assignments, photos, repair notes, acceptance records, and verification evidence. The result is a closed operating loop from signal to analysis, from analysis to work, and from work to verified record. ## Where AI adds value AI is most useful when the facility context is already connected. FactVerse AI Agent can help teams review large amounts of operating data and work history faster than dashboard-by-dashboard inspection. Useful review patterns include: * Repeated alarms by space, system, asset, time window, and work history. * Abnormal energy use by meter, zone, asset group, weather, and operating schedule. * Maintenance-prone assets with recurring repairs, incomplete records, or repeated acceptance failures. * Cleanroom or controlled-area drift that needs facility, utility, and maintenance context. * Work-order backlog patterns across sites, service teams, and asset classes. * Improvement candidates that need engineering review, cost context, and field validation. The practical role of AI is decision support. Facility teams still need responsible owners, approval rules, field execution, and verification evidence. ## Brick Schema and EnergyPlus in the same workflow Brick Schema gives building and facility data a consistent semantic layer. A temperature point can be connected to the right sensor, zone, air system, and equipment. A meter can be connected to the system or space it measures. A work order can be connected to the asset, alarm, document, and inspection that triggered it. That semantic layer improves traceability for maintenance, energy analysis, Green Mark readiness, and management review. It also gives AI Agent better context when it summarizes issues or prepares recommended actions. EnergyPlus fits when the team needs deeper energy analysis. DataMesh can connect BIM/IFC, weather data, operating records, and digital twin context with EnergyPlus-based building energy models to compare EUI, load composition, operating schedules, setpoints, retrofit options, and control strategy changes. These analysis outputs should flow back into the operating loop. The team can create work orders, record assumptions, capture field results, and compare the post-action operating record against the baseline. ## Where to start Good first scopes are areas where facility data, asset ownership, and work execution already exist: * Utility systems with repeated alarms or unclear service ownership. * HVAC and cooling systems with energy or comfort review needs. * Cleanroom support systems where environmental drift and maintenance records need shared context. * Meter groups and high-load zones used for energy governance. * Inspection-heavy equipment with recurring field records. * Multi-site facility portfolios that need comparable asset classes and reports. Start with a pilot that connects a manageable asset group, one or two source systems, a clear work-order path, and review metrics that the facility team already trusts. ## Metrics to validate AI facility management should be validated against the site's own baseline. Useful measures include: * Time from alarm or finding to review. * Share of findings converted into planned work. * Work-order closure quality and evidence completeness. * Repeat alarm rate after corrective work. * Energy baseline completeness and review frequency. * Data mapping coverage for priority assets and systems. * Field team acceptance of guided procedures and record capture. * Management review quality across sites, assets, and service teams. The strongest programs measure work quality and decision traceability before they claim savings. ## Public references The [JTC and DataMesh collaboration](/about/news/collaboration-between-jtc-datamesh) shows digital twin and mixed reality used around complex facility and construction workflows. The [Yokogawa predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows the public direction for AI-assisted maintenance review in industrial facilities. The [Swire Coca-Cola maintenance reference](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) shows how frontline training, maintenance process digitization, and field records support execution. The [Faurecia and EVE Energy reference](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) shows how operational visibility, energy context, and digital twin workflows can support manufacturing and facility improvement programs. --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## Operational twins need production-ready model assets BIM, CAD, point clouds, and 3D files usually enter a digital twin program from different teams and project phases. Design models carry rich intent. CAD files describe equipment, layouts, and mechanical details. Point clouds capture field reality. Asset lists, photos, drawings, and commissioning records fill the gaps. An operational digital twin needs those sources to become a stable asset layer. The model has to open quickly, align with the site, connect to real asset identities, support permissions, and leave clear targets for data binding. Without that preparation, a beautiful model can still be difficult to use in facility management, construction guidance, simulation, or field inspection. [FactVerse Designer](/products/designer) and [FactVerse Twin Engine](/products/factverse-twin-engine) help teams turn source models into reusable operational twin assets. The work is both visual and data-oriented: clean the geometry, preserve the right semantics, align the site, and prepare objects that applications can reference. ## Source models have different jobs | Source | Main value in the asset pipeline | | ------------------- | --------------------------------------------------------------------------------- | | BIM | Space structure, systems, design intent, equipment placement, documentation links | | CAD and 3D models | Equipment geometry, production layouts, mechanical parts, vendor objects | | Point clouds | As-built capture, clearance checks, renovation evidence, field alignment | | Drawings and photos | Context for missing objects, access paths, hidden works, maintenance areas | | Asset registers | Asset IDs, names, owners, systems, maintenance responsibility, lifecycle status | | Operational data | Sensors, meters, alarms, status values, documents, inspection records, procedures | Each source should keep its owner, version, and review state. That lineage matters when a field team discovers a conflict, an owner asks why a model changed, or a simulation team needs to know which assumptions are inside the scene. ## Quality gates before import Model preparation starts before files enter the authoring tool. Teams should confirm the basics early: * source owner, license, export date, and approval status * units, origin, orientation, coordinate system, and site reference * discipline scope, floor or zone coverage, and model version * file weight, object count, texture size, and expected runtime target * naming rules for floors, rooms, systems, assets, and equipment classes * sensitive geometry, security restrictions, and role-based access needs * required links to asset registers, documents, and operating systems These checks keep recurring issues out of every scene: shifted models, oversized files, duplicate equipment, missing asset IDs, unclear ownership, and geometry with weak reuse value. ## Prepare geometry for runtime use Operational applications need models that can be read, rendered, searched, and updated by people who are outside the original modeling team. Geometry preparation usually includes: * removing construction details outside the target workflow * splitting large models by site, building, floor, zone, system, or equipment group * simplifying repeated objects while preserving recognizable shape * aligning origins and coordinate references across BIM, CAD, and point cloud sources * creating levels of detail for desktop, mobile, web, and mixed reality use * keeping object hierarchy stable enough for labels, filters, permissions, and data binding * checking access areas, maintenance space, safety boundaries, and visibility from field routes The goal is a model that performs well and still carries the objects that operations teams need to find. ## Use point clouds for as-built confidence Point clouds are especially useful when the real site has changed faster than the documentation. They help teams compare the current facility with design records, locate installed equipment, confirm spacing around service areas, and update areas affected by renovation. A point cloud can also support discussions between owners, contractors, and facility teams. When a BIM object, CAD file, and field scan disagree, the team can record the discrepancy, update the model source, and keep the decision traceable. Useful point cloud review topics include equipment position, route clearance, pipe and cable corridor density, service access, floor elevation, ceiling space, rack layout, and temporary works. The review should result in specific model updates or recorded exceptions. ## Package objects for operations The asset pipeline is complete only when objects can participate in operations. A pump, AHU, chiller, rack, robot cell, packaging station, crane, or valve should carry enough context for applications to identify and reuse it. Key packaging fields include: * asset ID and display name * asset class, system, floor, room, zone, and route * source model, source version, reviewer, and approval status * document links, drawings, manuals, SOPs, and inspection templates * data binding targets for sensors, meters, alarms, status values, and work records * visual state rules such as color, label, visibility, and scenario grouping * permission class for sensitive rooms, equipment, or customer-specific layouts This turns 3D content into an operational object library that facility teams, field teams, simulation teams, and AI workflows can share. ## The DataMesh asset pipeline 1. **Collect source packages** - Gather BIM, CAD, 3D, point cloud, drawings, photos, asset lists, equipment documents, and operating-system references. 2. **Validate model basics** - Check units, coordinates, origin, file size, model coverage, object hierarchy, naming, ownership, and security boundaries. 3. **Normalize and segment geometry** - Prepare the scene by floor, zone, system, process area, equipment group, or runtime scenario. 4. **Align field reality** - Use point cloud or field records to validate location, clearance, access, and renovation differences. 5. **Create operational objects** - Attach asset IDs, classes, spaces, systems, documents, inspection templates, and data binding targets. 6. **Author scene behavior** - Use Designer for views, labels, panels, scenario logic, floor switching, walkthroughs, and presentation flows. 7. **Publish to runtime** - Use Twin Engine and FactVerse applications to make the prepared assets available for visualization, field guidance, monitoring, simulation, and facility workflows. 8. **Govern updates** - Keep version history, reviewer records, source ownership, and change notes as the site changes. ## Readiness checklist * Can every published model be traced to source files and owners? * Are units, scale, origin, orientation, and site coordinates validated? * Is the model segmented for the applications that will use it? * Are floors, zones, systems, equipment, and routes named consistently? * Are asset IDs aligned with the customer asset register or maintenance system? * Are sensitive areas and customer-specific geometry protected by access rules? * Are point cloud findings converted into model updates or recorded exceptions? * Are data binding targets prepared before dashboards or AI workflows consume the scene? * Is there a clear update path when a facility changes after publication? ## Public references The [JTC and DataMesh collaboration](/about/news/collaboration-between-jtc-datamesh) shows BIM and mixed reality used to improve construction sequence understanding and frontline execution. The [Obayashi construction reference](/about/news/digital-twin-empowers-bim-obayashi) shows BIM data and digital twin content supporting construction process review. The [TOKYO TORCH XR projection tour](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) shows BIM-based digital twin visualization used for stakeholder communication around a planned building. The [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) announcement describes DataMesh's public direction for simulation digital twins and interoperable 3D workflows. --- ## [GUIDES] bim-to-operational-digital-twin ## BIM becomes more valuable when it reaches operations BIM gives project teams a rich design model, but operations teams need a working context that connects places, assets, systems, tasks, live conditions, and records. The useful question is how a model can support decisions after design review: where an issue is located, which asset is affected, which team owns the next action, and which evidence proves the result. An operational digital twin carries BIM and 3D assets into field and facility workflows. It connects model geometry with asset identity, spatial hierarchy, data bindings, guided procedures, inspection records, work orders, and handover evidence. The model becomes a shared operating context for construction teams, owners, service providers, and facility teams. This is especially important for MEP areas, equipment rooms, renovation floors, dense service corridors, data centers, campuses, and complex facilities where drawings, photos, issue lists, and system data are usually scattered across many tools. ## What changes when BIM becomes operational | Layer | Operational use | | -------------------- | ------------------------------------------------------------------------------------------------------ | | Spatial hierarchy | Site, building, floor, room, zone, route, access area, and safety boundary | | Asset identity | Equipment IDs, system membership, tags, documents, owner, and maintenance responsibility | | System relationships | Power, cooling, air, water, process, control, upstream and downstream dependencies | | Data bindings | Sensors, meters, alarms, BMS, SCADA, IoT, CMMS, EAM, and work-history records | | Field workflows | Installation guidance, commissioning checks, inspections, issues, work orders, and acceptance evidence | | Facility workflows | Monitoring, maintenance, energy review, renovation planning, emergency response, and training | | Governance | Model version, data source, owner, update process, quality review, and handover status | The shift is from model visibility to operational continuity. Teams can use the same spatial context during construction, commissioning, handover, daily maintenance, and later renovation. ## The DataMesh workflow 1. **Collect source models and records** - Bring together BIM, CAD, point clouds, drawings, equipment lists, O\&M documents, commissioning records, issue logs, and site photos. 2. **Create the spatial object model** - Use FactVerse and Twin Engine to organize buildings, floors, rooms, zones, systems, assets, routes, and relationships. 3. **Connect data sources** - Use Data Fusion Services to connect facility systems, enterprise systems, sensors, meters, alarms, documents, and work records where the workflow needs them. 4. **Author usable scenes** - Use Designer to prepare scenes, labels, panels, behavior, floor switching, system views, and scenario presentations. 5. **Support field guidance** - Use Director and DataMesh One to deliver installation guidance, inspection steps, commissioning procedures, training, and stakeholder review. 6. **Capture execution records** - Use Inspector to capture issues, inspections, photos, corrective actions, work orders, acceptance notes, and verification status. 7. **Carry context into operations** - Maintain the twin as the facility changes, so later maintenance, energy analysis, renovation, and emergency response use the same asset and space context. The point is a continuous handoff from project data to operating data. ## Workflows that benefit first * **Construction coordination**: review MEP routes, dense equipment areas, hidden works, installation sequence, and field constraints in 3D context. * **Commissioning and handover**: connect acceptance records, photos, asset IDs, commissioning documents, and remaining issues to the relevant room or equipment. * **Facility monitoring**: bind live conditions, alarms, meter data, and equipment status to the twin so teams understand where events happen. * **Inspection and maintenance**: turn spatial context into inspections, work orders, photos, corrective actions, and closure evidence. * **Renovation planning**: review affected zones, access paths, nearby systems, equipment relationships, and field constraints before work starts. * **Energy and sustainability review**: connect zones, systems, meters, asset relationships, and operating records to support facility analysis and Green Mark readiness evidence. Start with a workflow where spatial context removes a real handoff problem. ## Where DataMesh products fit [FactVerse](/products/factverse) provides the platform foundation for operational digital twins. It keeps asset, space, data, AI, simulation, and workflow context connected. [FactVerse Twin Engine](/products/factverse-twin-engine) turns BIM, CAD, point clouds, and operational records into a runtime context that applications can use. [Data Fusion Services](/products/dfs) connects operational data and business records to the twin. It helps map source data to assets, spaces, systems, and workflows. [FactVerse Designer](/products/designer) prepares scenes, views, interactions, scenario explanations, and visual planning content. [Director](/products/director) supports guided procedures, installation guidance, training, and field-facing instructions. [Inspector](/products/inspector) manages inspection, work orders, issue closure, maintenance evidence, and facility records. Together, these products help teams move from project visualization to a working operational twin. ## Governance checklist * Are BIM, CAD, point cloud, and drawing sources recorded with version and owner? * Are buildings, floors, rooms, zones, systems, and assets named consistently? * Are asset IDs aligned with enterprise asset records and maintenance systems? * Are data bindings documented with source, unit, refresh rule, and quality status? * Are field records linked to the correct space, asset, task, and scenario version? * Are handover documents, photos, issues, acceptance notes, and commissioning records searchable from the twin? * Are update responsibilities clear when construction status or facility configuration changes? * Can facility teams use the same context for monitoring, inspection, maintenance, renovation, and training? These checks turn a model conversion project into an operating asset. ## Public references The [JTC and DataMesh collaboration](/about/news/collaboration-between-jtc-datamesh) shows BIM and mixed reality applied to construction sequence understanding and frontline work. The [Obayashi construction reference](/about/news/digital-twin-empowers-bim-obayashi) shows BIM data combined with mixed reality for construction process support. The [Toda SAGA Arena reference](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) shows digital twin and mixed reality used to simulate and verify construction methods. The [TOKYO TORCH XR projection tour](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) shows BIM-based digital twin visualization used for stakeholder communication around a planned building. --- ## [GUIDES] calibration-levels-and-simulation-claim-confidence ## Confidence should rise with evidence Calibration can make a simulation more representative of a specific facility, process, or operating condition. Its evidence strength still depends on the data coverage, comparison method, residuals, and independent checks. A model tuned against one temperature point during one operating period carries a different decision value from a model compared across multiple locations, loads, equipment states, and an independent validation period. Technical buyers need a simple way to connect evidence depth with reasonable conclusions. Four levels are useful for early evaluation: | Evidence level | Typical evidence | Suitable decisions | Reasonable claim scope | |---|---|---|---| | Exploratory | Reviewed geometry, engineering assumptions, documented inputs, basic quality checks, sensitivity to major variables | Concept screening, option comparison, measurement planning, pilot definition | Directional behavior and relative comparison under stated assumptions | | Benchmarked | Exploratory evidence plus comparison with a recognized, controlled, or vendor-agreed reference case | Method qualification, workflow selection, known-behavior checks, baseline confidence | Performance against the defined benchmark and variables tested | | Measured-data calibrated | Representative site measurements, selected physical parameters, calibration objective, residuals, acceptance limits, and review record | Site-specific scenario comparison, operational planning within the calibrated range, targeted what-if analysis | Magnitude, timing, or margin within the documented calibration envelope and remaining uncertainty | | Scenario-specific validated | Calibrated model plus independent evidence under relevant conditions, robustness checks, uncertainty review, and qualified approval | Higher-consequence planning support, resilience review, engineering prioritization, defined operational decisions | Conclusions for the validated variables, locations, conditions, and intended use | This four-level framework supports buyer evaluation. Certification and approval remain subject to the intended use, required rigor, domain review, and governance route defined for each project. ## Calibration connects the model with observed behavior A simulation combines geometry, topology, physical relationships, operating states, boundary conditions, and numerical methods. Some inputs are measured directly. Others come from design information, vendor documentation, engineering judgment, or assumptions that remain uncertain. Calibration adjusts selected uncertain parameters so agreed outputs align more closely with representative observations. Examples include: * airflow resistance, leakage, or equipment performance in a data-center thermal model * supply, return, flow, pressure, building demand, or control parameters in a district-heating model * local exhaust flow, filter or fan condition, source behavior, and boundary assumptions in a cleanroom dispersion model * mass, friction, damping, stiffness, restitution, timing, or contact assumptions in a production and robotics model The calibration target should follow the decision. A study of rack-inlet thermal margin needs evidence at relevant rack locations and operating loads. A detector-placement study needs time-dependent concentration and response evidence at relevant release and ventilation conditions. A robot handoff study needs motion and contact evidence tied to the task and asset state. ## Use a visible calibration cycle ![Measured data, model calibration, comparison, approval, and verification cycle](/images/physics/district-heating-model-data-feedback.webp) *A calibration cycle links representative measurements with model adjustment, comparison, qualified review, and verification after conditions change.* A disciplined calibration cycle contains eight steps: 1. **Define the intended use** - Name the decision, output variables, locations, time horizon, and consequence of error. 2. **Confirm measurement fitness** - Review sensor identity, units, location, sampling, synchronization, calibration status, missing data, and operating-state coverage. 3. **Run the baseline model** - Preserve the result before parameter adjustment so reviewers can see the original mismatch and the effect of calibration. 4. **Select physical parameters** - Adjust parameters that have a defensible relationship to the modeled behavior and document their allowed ranges. 5. **Define the comparison objective** - Choose the locations, periods, metrics, weighting, and acceptance limits used to evaluate fit. 6. **Calibrate against the selected data** - Record the parameter changes, residuals, warnings, and fit across the full calibration set. 7. **Check independent conditions** - Compare against a holdout period, operating state, test, or measurement set reserved from parameter tuning. 8. **Approve the evidence envelope** - Document the conditions, variables, residual limits, uncertainty, reviewer, supported decisions, and revalidation triggers. This record helps a buyer distinguish a repeatable engineering study from a result that was tuned until one image appeared plausible. ## Read residuals as evidence A residual is the difference between a measured value and the corresponding simulated value. A single average can hide important behavior, so reviewers should inspect residuals across the dimensions that matter to the decision. Useful views include: * residual by sensor or spatial location * residual over time and operating state * mean error and absolute error * systematic positive or negative bias * peak-condition and transition-period behavior * spread across repeated or variable scenarios * comparison between calibration and independent validation data Residual acceptance should be defined before final review. The limit can reflect measurement uncertainty, operational tolerance, the variable's decision importance, and the consequence of error. A project may accept broader residuals for directional option screening and require tighter evidence for site-specific thresholds or timing. ## Protect against a model that only fits the calibration data Calibration quality depends on evidence coverage. Repeatedly adjusting parameters against the same narrow dataset can produce a close fit for that period while weakening confidence elsewhere. Buyers should look for: * multiple relevant spatial locations across the zones that affect the decision * operating conditions that represent the intended decision range * transitions and degraded states when resilience is in scope * physically credible parameter ranges * sensitivity analysis for influential parameters * an independent period, condition, benchmark, or test * stable findings under plausible data and parameter variation The model should preserve physical meaning. A better aggregate score is valuable when local behavior, conservation, direction, timing, and system relationships also remain coherent. ## Keep calibration and validation distinct Calibration uses selected evidence to adjust uncertain parameters. Validation compares model output with suitable independent evidence for the intended use. A dataset used for parameter tuning provides limited independent proof, so a strong study reserves a separate period, condition, benchmark, or test for validation. Validation evidence should state: * the variables and locations compared * the operating conditions represented * the measurement or experiment uncertainty * the residual or comparison metric * the accepted range and review rationale * the model conditions covered by the conclusion * known mismatches and unresolved risks Improved fit applies within documented conditions. New geometry, equipment, controls, loads, environmental states, or operating ranges can require new comparison evidence. ## Match the claim to the calibration envelope The calibration envelope is the range of conditions supported by the calibration and validation evidence. It may include load, temperature, airflow, pressure, equipment state, source strength, control mode, time horizon, or material behavior. Examples of proportionate claims include: | Evidence | Proportionate buyer conclusion | |---|---| | Exploratory model with reviewed assumptions | This scenario helps compare likely behavior and prioritize measurements or design options | | Benchmark agreement for defined variables | This workflow reproduces the selected reference behavior within the reported comparison limits | | Site calibration across representative operating data | The model supports site-specific scenario comparison within the documented operating range and residual limits | | Independent scenario validation and robustness review | The model supports the stated decision for the validated variables and conditions, subject to recorded uncertainty and approval ownership | Absolute accuracy language hides the conditions that give a result meaning. Buyers should ask for the envelope, residuals, uncertainty, and responsible reviewer beside any site-specific performance statement. ## Understand uncertainty after calibration Calibration reduces mismatch associated with selected parameters and evidence. Other uncertainty remains, including: * measurement uncertainty and sensor placement * missing or unobserved operating conditions * geometry and topology simplification * uncertain material or equipment behavior * boundary-condition variability * numerical approximation and discretization * omitted interactions or disturbances * future operating states beyond the observed range Useful projects show which uncertainties influence the decision metric most. This can guide the next sensor deployment, test, data-quality improvement, benchmark, scenario family, or detailed engineering study. ## Define revalidation triggers before handover A calibrated model is an operational asset with a defined evidence envelope. The handover package should specify when its evidence needs review. Common triggers include: * material changes to facility layout, network topology, or production equipment * changes to cooling, ventilation, exhaust, pumping, control, or safety systems * new load ranges, process recipes, robot tasks, or operating modes * sensor replacement, relocation, recalibration, or data-quality deterioration * sustained residual drift beyond an agreed threshold * observed field behavior that conflicts with the model * a new decision with higher consequence or a different intended use Revalidation can range from a data and residual review to targeted recalibration, a new benchmark, an independent test, or a full model update. The response should match the significance of the change. ## Questions to ask before accepting a calibrated result ### Intended use * Which decision will this model support? * Which variables, locations, conditions, and time horizon are covered? * What consequence follows from an incorrect conclusion? ### Data and calibration * Which measurements were used, and were they representative of the intended use? * Which parameters were adjusted, why were they selected, and what ranges were allowed? * Was the baseline result preserved? * Which residuals and acceptance limits were agreed before final review? ### Independent evidence * Which data or condition was reserved for validation? * How did performance vary by location, time, load, and equipment state? * Which findings remained stable under sensitivity or uncertainty analysis? ### Claim and ownership * What evidence level is being claimed? * Which decisions are supported inside the calibration envelope? * Which conditions require a new run or new evidence? * Who approved the model, the evidence package, and the resulting action? ## Choose the right evaluation next step An **exploratory assessment** is suitable when the buyer needs to frame a decision, compare concepts, and identify missing evidence. A **benchmark study** is suitable when a new method or workflow needs comparison with controlled reference behavior. A **measured-data calibration study** is suitable when site-specific magnitude, timing, margin, or operating response matters and representative data are available. A **scenario-specific validation study** is suitable when the decision has greater consequence and the buyer needs independent evidence under relevant conditions. A **focused pilot** is suitable when the organization needs to prove data readiness, model usefulness, acceptance criteria, reviewer ownership, and handover requirements in its own environment. Start by defining one decision and the evidence level it deserves. The [simulation evidence evaluation guide](/resources/guides/how-to-evaluate-simulation-evidence) provides a broader checklist for reviewing the complete evidence chain. ## How DataMesh supports the evidence lifecycle [Data Fusion Services](/products/dfs) helps organize measured and engineering data with identity, time alignment, lineage, and quality context. [FactVerse Designer](/products/designer) maintains the spatial scene, behavior, scenarios, and versioned review context. DataMesh project workflows connect simulation fields with metrics, findings, actions, and qualified review. Explore [Process Simulation and Virtual Planning](/solutions/process-simulation) for production and robotics scenarios, [Data Center Operations](/solutions/ai-agent-data-center) for thermal and resilience questions, [Semiconductor Facility Operations](/solutions/ai-agent-semiconductor) for cleanroom airflow and detection studies, and [Smart District Heating](/solutions/heatops) for network calibration and planning. ## Public references The [National Institute of Standards and Technology review of industrial verification, validation, and uncertainty quantification](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures) describes physical-model quality, analyst quality, verification and validation, and uncertainty quantification as contributors to simulation credibility. The NIST paper on [calibration and uncertainty analysis of predictions from computational models](https://www.nist.gov/publications/calibration-and-uncertainty-analysis-predictions-computational-models) discusses calibration against limited physical experiments and uncertainty from measurements and model inadequacy. The [American Society of Mechanical Engineers V&V 20 standard page](https://www.asme.org/codes-standards/find-codes-standards/standard-for-verification-and-validation-in-computational-fluid-dynamics-and-heat-transfer/2009) describes validation for specified variables at specified validation points and treats broader interpolation or extrapolation as application-specific engineering judgment. NASA's public [Modeling and Simulations FAQ](https://public.ksc.nasa.gov/mns/faq/) identifies input pedigree, verification, validation, uncertainty characterization, and result robustness as factors that inform a decision maker's credibility assessment. --- ## [GUIDES] cleanroom-airflow-gas-dispersion-evaluation ## Safety decisions need a spatial view of the facility Cleanroom and process-area monitoring provides critical observations at installed locations. A point sensor records conditions where it is mounted. A differential-pressure reading describes a selected boundary. An exhaust signal reports the state of a specific system. Together, these measurements help teams understand current operation. Airflow and gas-dispersion questions add a spatial dimension. Equipment, partitions, fan filter units, returns, doors, people, heat sources, and local exhaust can redirect air through paths that lie between sensors. A selected source may move differently as ventilation, tool layout, door state, thermal conditions, or exhaust performance changes. A project-enabled study helps buyers evaluate those interactions for a defined decision. Typical questions include: * How does a proposed tool or enclosure change airflow through the bay? * Which zones may be affected by a selected release scenario? * How much material reaches a local exhaust path under representative conditions? * Which operating state produces the broadest affected area or longest persistence? * Where would additional measurement, inspection, or engineering review add value? ## Begin with the operational decision The decision determines the model scope, evidence, and reviewer. A tool-installation review needs different source cases and geometry detail from a detector-placement study or an investigation of a recurring environmental alarm. | Decision context | Evidence focus | Useful output | |---|---|---| | Proposed tool or layout change | Current and proposed geometry, equipment heat and airflow, supply, return, exhaust, doors, and operating states | Flow-field differences, recirculation zones, affected work areas, and review priorities | | Selected release scenario | Source location, species properties, release profile, ventilation state, local exhaust, and relevant boundaries | Concentration histories, transport paths, affected zones, capture behavior, and persistence | | Ventilation or exhaust change | Baseline and candidate airflow, pressure, control, capacity, and equipment states | Scenario differences, capture sensitivity, room relationships, and engineering checks | | Monitoring or detector review | Source matrix, transport behavior, sensor position, response characteristics, and selected thresholds | Detection-time distribution, coverage comparison, potential blind spots, and placement options | | Alarm or event investigation | Time-aligned facility data, equipment state, doors, work history, field observations, and representative scenarios | Evidence gaps, plausible dependencies, inspection priorities, and follow-up study scope | This decision-first structure keeps technical effort aligned with business and safety value. It also gives procurement teams a clear basis for accepting the deliverable. ## Build the facility and source baseline The analysis should make every major input traceable. A practical baseline combines spatial, ventilation, source, measurement, and governance evidence. ### Spatial and equipment context * room, bay, sub-fab, utility space, ceiling, raised floor, wall, door, and opening geometry * process tools, enclosures, workstations, partitions, storage, and major airflow obstructions * fan filter units, supply diffusers, returns, general exhaust, local exhaust, ducts, and dampers * detector, particle counter, pressure sensor, temperature sensor, and gas-monitor locations * clean zones, pressure boundaries, occupied areas, egress paths, and response zones relevant to the decision ### Ventilation and operating context * supply, return, exhaust, pressure, temperature, humidity, and equipment-state evidence * fan filter unit availability, local exhaust capacity, door state, controls, and operating mode * equipment heat release, process state, people, and material movement represented by the study * maintenance, filter, damper, fan, alarm, and environmental history related to the selected condition ### Source and species context * source location, height, orientation, geometry, and relationship to nearby capture points * selected species and the physical properties used by the model * release rate or profile, duration, temperature, momentum, and phase assumptions * credible source variants and the engineering basis for each one * concentration, dose, visibility, detection, or capture metrics selected for review ### Governance context * intended use, consequence of error, and responsible decision owner * applicable facility, process, safety, and quality requirements * evidence level, calibration target, acceptance criteria, and review route * model limits, excluded conditions, revalidation triggers, and handover requirements [Data Fusion Services](/products/dfs) can align equipment identities, sensor locations, timestamps, units, alarms, maintenance records, and engineering sources. [DataMesh FactVerse](/products/factverse) organizes the facility spaces, tools, utilities, detectors, and system relationships in an operational digital twin. [FactVerse Designer](/products/designer) supports prepared geometry, layouts, source cases, and scenario context for project-enabled analysis. ## Translate a field into a reviewable result ![Cleanroom airflow, a selected plume, and detector review zones](/images/physics/cleanroom-airflow-detection-diagram.webp) *A spatial study relates a defined source and ventilation state to transport paths, affected zones, exhaust interaction, and detector locations.* Airflow and concentration fields become useful when they are connected to agreed metrics and locations. A buyer should expect both the spatial result and a concise decision summary. Useful outputs can include: * airflow direction, velocity, pressure, and thermal fields * selected species concentration through space and time * arrival time, persistence, peak, percentile, or integrated exposure metric at agreed locations * fraction or amount directed toward a selected exhaust path * zones that cross a project-defined review threshold * comparison between baseline, candidate, degraded, and conservative scenarios * sensitivity to source, airflow, door, exhaust, equipment, and boundary assumptions * evidence confidence and the conditions covered by the conclusion Thresholds should retain their source and intended use. A detector setpoint, occupational limit, process requirement, site action level, and model-comparison threshold serve different decisions. The report should identify which one is being used and who approved it for the study. ## Keep monitoring and project analysis connected | Working layer | Primary evidence | Operational role | |---|---|---| | Facility monitoring | Installed sensors, equipment states, alarms, trends, and environmental records | Describe observed conditions and initiate approved response workflows | | Operational digital twin | Spaces, assets, utilities, detector locations, work history, documents, and ownership | Connect each signal and task to its facility context | | Project-enabled physics analysis | Reviewed geometry, ventilation states, source scenarios, measurements, model checks, and uncertainty | Compare spatial behavior for a defined engineering or safety decision | | Field execution | Approved inspections, assignments, procedures, observations, completion records, and verification | Carry qualified findings into controlled action and preserve the outcome | This connected workflow keeps the analysis anchored to current assets and evidence. It also allows a completed inspection, ventilation change, or detector update to become part of the next baseline. ## Match evidence confidence to the decision An exploratory model supports relative pattern review and measurement planning under stated assumptions. A benchmarked model adds controlled reference checks. A measured-data calibrated model compares representative facility observations with model results. A scenario-specific validated study adds independent evidence for the variables and conditions relevant to the decision. Cleanroom calibration evidence may include: * airflow velocity and direction at relevant locations * pressure relationships across selected boundaries * supply, return, and exhaust measurements * temperature or tracer concentration histories * smoke visualization, tracer testing, or other qualified field evidence * equipment, door, and ventilation states during each comparison period * residuals by location, time, variable, and operating condition The [simulation calibration guide](/resources/guides/calibration-levels-and-simulation-claim-confidence) explains how evidence level affects claim confidence. The [simulation evidence evaluation guide](/resources/guides/how-to-evaluate-simulation-evidence) provides broader buyer questions for verification, validation, uncertainty, and handover. ## Review multiple credible scenarios One source and one ventilation state describe a narrow condition. A scenario matrix gives decision makers a clearer view of coverage and sensitivity. Useful dimensions include: * source location, orientation, release profile, and duration * normal, reduced, and unavailable local exhaust * fan filter unit or ventilation availability * open, closed, and transition door states * equipment, partition, and layout alternatives * representative thermal and pressure conditions * baseline and conservative model parameters * repeated runs where numerical or physical variation affects detection timing Reviewers should see which findings remain stable, which scenarios drive the largest affected zone, and which assumptions change the decision. The [scenario ensemble guide](/resources/guides/scenario-ensembles-and-conservative-simulation-review) describes how to select ranges and conservative review cases without treating a single run as the full evidence set. ## Buyer checklist ### Decision and scope * Is one facility, process, safety, or monitoring decision clearly named? * Are the spaces, tools, utilities, source cases, operating states, and time horizon defined? * Is the consequence of an incorrect conclusion understood by the responsible reviewers? ### Data readiness * Are geometry, openings, tools, obstructions, supply, return, exhaust, and detector locations available? * Are ventilation, pressure, temperature, equipment, door, and control states traceable? * Does every measurement have an identity, location, timestamp, unit, and quality status? * Is the engineering basis for each source case documented? ### Evidence quality * Are model checks, benchmarks, calibration residuals, uncertainty, and sensitivity visible? * Are thresholds linked to their source and intended decision? * Does the scenario matrix represent credible operating and degradation states? * Does the claim stay within the variables, locations, and conditions supported by the evidence? ### Review and handover * Are engineering, environmental health and safety, process, quality, and compliance responsibilities assigned? * Can each finding be linked to an affected zone, asset, detector, or utility system? * Can approved follow-up enter inspection, maintenance, or change-management workflows? * Are post-change verification and model-review triggers defined? ## Scope a focused pilot A practical pilot can begin with one cleanroom bay, utility space, or process area and one decision. The team verifies geometry and ventilation evidence, selects a manageable source matrix, agrees on review metrics and thresholds, and assigns qualified reviewers before the first final scenario is run. Pilot success criteria can include: * a verified facility, equipment, ventilation, and detector baseline * traceable source cases and operating states * reproducible fields, metrics, model checks, and scenario comparisons * measured or benchmark evidence proportionate to the intended claim * one planning, measurement, inspection, exhaust, or detector decision improved by the study * an approved handover package linked to field action and verification Explore [Semiconductor Facility Operations and Cleanroom Analysis](/solutions/ai-agent-semiconductor) for the complete workflow across operations, engineering studies, AI-assisted investigation, and field execution. Continue with [Local Exhaust Capture and Ventilation Degradation Scenarios](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios) for resilience review, [Detector Coverage, Blind Spots, and Placement Options](/resources/guides/detector-coverage-blind-spots-placement-options) for detector-layout comparison, and [Cleanroom Calibration, Ensembles, and Validation Evidence](/resources/guides/cleanroom-calibration-ensembles-validation-evidence) for the evidence package behind higher-confidence decisions. ## Public references The [American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) Clean Spaces handbook chapter](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx) describes cleanroom airflow patterns, the effect of equipment and openings, and the use of computational fluid dynamics to evaluate airflow and contaminant propagation. The [International Organization for Standardization (ISO) 14644-4:2022 cleanroom design, construction, and start-up page](https://www.iso.org/standard/72379.html) outlines the cleanroom lifecycle from requirements through design, construction, start-up, and verification. The [Occupational Safety and Health Administration ventilation technical manual](https://www.osha.gov/otm/section-3-health-hazards/chapter-3) explains the role of local exhaust ventilation in capturing contaminants near their source. The [National Institute of Standards and Technology review of industrial verification, validation, and uncertainty quantification](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures) describes model quality, verification, validation, and uncertainty as contributors to credible simulation evidence. --- ## [GUIDES] cleanroom-calibration-ensembles-validation-evidence ## Cleanroom evidence should follow the decision Airflow, species transport, local exhaust, and detector studies can support several levels of work: early option screening, measurement planning, facility-specific comparison, resilience review, and defined engineering decisions. Each level deserves a matching evidence package. A cleanroom image can appear physically plausible while key source, ventilation, detector, or boundary assumptions remain uncertain. Technical buyers therefore need to see how the baseline was established, which measurements were used, how residuals were reviewed, what scenario range was evaluated, and which evidence remained independent from calibration. This guide applies the broader DataMesh simulation-evidence framework to cleanroom and process-area studies. For the complete general framework, use: * [How to Evaluate Simulation Evidence](/resources/guides/how-to-evaluate-simulation-evidence) for model purpose, inputs, verification, validation, uncertainty, and handover * [Calibration Levels and Confidence in Simulation Claims](/resources/guides/calibration-levels-and-simulation-claim-confidence) for exploratory, benchmarked, measured-data calibrated, and scenario-specific evidence * [Scenario Ensembles and Conservative Simulation Review](/resources/guides/scenario-ensembles-and-conservative-simulation-review) for ranges, repeated runs, interactions, and decision cases ## Select evidence around the cleanroom question | Intended decision | Priority evidence | Typical review output | |---|---|---| | Compare airflow patterns or layout concepts | Reviewed geometry, ventilation states, boundary assumptions, solver checks, and sensitivity | Relative flow behavior, sensitive zones, missing data, and next measurement step | | Evaluate local exhaust capture | Source and hood geometry, exhaust flow and pressure, room airflow, tracer or qualified field evidence, and residuals | Capture comparison, escaped material, affected zones, and uncertainty | | Review detector placement | Source matrix, ventilation states, species transport, detector response assumptions, repeated runs, and selected validation evidence | Coverage comparison, detection-time distribution, potential blind spots, and conservative case | | Assess heating, ventilation, and air-conditioning (HVAC) degradation | Verified baseline, equipment and door states, transient measurements, source profile, and scenario range | Affected-zone growth, timing, sensitivity, response priorities, and recovery behavior | | Support a facility-specific engineering decision | Representative measurements, calibration record, independent validation, uncertainty, qualified review, and revalidation triggers | Decision conclusion within a defined evidence envelope | The evidence scope should reflect the consequence of error, the cost of action, and the degree of facility specificity claimed by the result. ## Establish a benchmark before site calibration A benchmark checks whether the analysis workflow reproduces recognized or controlled behavior for selected variables. It helps separate method qualification from facility-specific parameter tuning. Cleanroom-relevant benchmarks can include: * a controlled airflow or pressure case with known geometry and boundary conditions * a tracer or transport case with documented source and measurement locations * a hood or exhaust case with an agreed reference result * conservation and mass-balance checks over the selected domain and boundaries * mesh, time-step, convergence, repeatability, and numerical-sensitivity checks * comparison with another qualified method for a defined variable and condition The benchmark record should state the variables compared, locations, units, acceptance criteria, result scale, method version, and known mismatch. Passing one benchmark supports the defined behavior that was tested. ## Calibrate against representative facility evidence Calibration adjusts selected uncertain parameters so agreed model outputs align more closely with representative observations. Parameter choice should preserve physical meaning and follow the intended decision. ### Evidence that may support calibration * supply, return, exhaust, fan filter unit, hood, and branch flow measurements * pressure relationships across rooms, doors, floors, ceilings, and utility spaces * airflow velocity and direction at decision-relevant locations * temperature, humidity, or thermal-load evidence where buoyancy matters * tracer concentration history, arrival time, decay, or qualified visualization evidence * detector response records with calibration, setpoint, location, and equipment-state context * door, damper, fan, process, tool, and source states during the measurement period ### Parameters that may require review * flow resistance, leakage, diffuser, grille, or floor characteristics * exhaust, fan, damper, filter, or equipment performance * source rate, profile, direction, momentum, temperature, or release duration * turbulence, mixing, diffusion, wall, deposition, or species assumptions selected for the method * detector response, threshold, sampling, delay, or averaging representation The calibration record should preserve the baseline result, selected parameters, allowed ranges, objective function, measurement uncertainty, residuals, acceptance criteria, and reviewer approval. ## Read residuals by location, time, and operating state A residual is the difference between a measured value and the corresponding simulated value at an agreed location, time, or condition. Cleanroom studies often involve strong spatial and transient variation, so a single average can hide decision-relevant mismatch. Review residuals across: * supply, return, exhaust, hood, and room airflow measurements * pressure boundaries and door states * locations upstream, near, and downstream of major equipment or obstructions * stable, transition, degraded, and recovery periods * tracer or species arrival, peak, decay, and persistence * detector locations and response times * calibration and independent validation datasets Useful summaries may include mean error, absolute error, bias, percentile error, time shift, spatial pattern, and the proportion of points within agreed limits. Acceptance criteria should follow measurement uncertainty, intended use, variable importance, and consequence of error. ## Build a traceable scenario matrix Calibration describes fit for selected evidence. The scenario matrix describes the operating and source range evaluated for the decision. Each scenario should retain: * source location, species, rate or profile, direction, duration, and temperature * geometry, tool, enclosure, partition, and obstruction state * supply, return, exhaust, fan filter unit, damper, pressure, and door state * thermal and process conditions relevant to transport * detector layout, technology, response, and threshold assumptions * initial conditions, start time, duration, and represented response action * model version, parameter set, checks, outputs, warnings, and review status A matrix view lets buyers confirm coverage by source family, room, operating state, and consequence category. It also exposes combinations that require future study or field evidence. ## Use repeated runs when timing varies Detection time and transient transport can vary with initial conditions, source behavior, ventilation, model parameters, and numerical effects. A controlled repeated-run method turns that variation into reviewable evidence. The project should define: 1. which variables change between runs 2. the distribution, range, or selection rule for each variable 3. the number of runs and convergence or stability criterion 4. the random seed or sampling method where relevant 5. the detection threshold and response calculation 6. how unresolved runs are represented 7. the statistic selected for the decision Useful outputs include the full detection-time distribution, median, selected upper percentile, earliest and latest credible result, proportion meeting a criterion, and scenario combinations associated with slow response. A conservative statistic should have a stated rationale. The choice may reflect decision consequence, scenario coverage, evidence quality, and qualified engineering judgment. ## Reserve evidence for validation Validation compares model output with suitable evidence for the intended use. Strong projects reserve a measurement period, operating condition, source case, benchmark, or test from parameter tuning. The validation record should identify: * variables, locations, operating states, and source conditions compared * measurement and test uncertainty * residual or comparison metrics * acceptance criteria and review rationale * agreement and mismatch across spatial and transient behavior * the conditions covered by the resulting claim * responsible engineering approval Evidence from a different source position, ventilation state, door event, load, or time period can reveal whether the calibrated behavior remains useful across the intended decision range. ## State the evidence envelope beside the conclusion The evidence envelope defines the variables, locations, source families, ventilation states, geometry, detector assumptions, operating range, and time horizon supported by the available proof. Examples of proportionate conclusions include: | Evidence level | Proportionate cleanroom conclusion | |---|---| | Exploratory | The scenario comparison identifies likely transport patterns and measurement priorities under documented assumptions | | Benchmarked | The workflow reproduces the selected reference behavior within the reported checks and supports the defined comparison | | Measured-data calibrated | The model supports facility-specific comparison for the calibrated variables, locations, and operating range within reported residuals | | Scenario-specific validated | The evidence supports the stated engineering decision for the validated source, ventilation, detector, and operating conditions, subject to qualified approval | Every conclusion should carry its evidence level, assumptions, uncertainty, reviewer, and revalidation triggers. ## Define revalidation triggers at handover Cleanroom facilities evolve. Revalidation should be reviewed after material changes to: * room, tool, enclosure, partition, door, floor, ceiling, or obstruction geometry * supply, return, fan filter unit, general exhaust, local exhaust, damper, or pressure control * source species, location, rate, direction, duration, temperature, or process state * detector technology, location, orientation, response, setpoint, or maintenance condition * sensor identity, location, calibration, sampling, synchronization, or data quality * operating range, decision consequence, acceptance criteria, or intended use * observed facility behavior that moves beyond the agreed residual or evidence envelope The response can range from a data review and targeted rerun to recalibration, a new benchmark, an independent test, or a full model update. Qualified owners select the response according to the significance of the change. ## Technical buyer checklist ### Purpose and ownership * Is the intended decision, consequence of error, and required evidence level defined? * Are facility, process, environmental health and safety, quality, compliance, and model-review responsibilities assigned? ### Benchmark and calibration * Which benchmark qualifies the selected method for the decision variables? * Which measurements were used for calibration, and are they representative? * Which physical parameters were adjusted, and what ranges were allowed? * Are baseline results, residuals, measurement uncertainty, and acceptance criteria preserved? ### Scenarios and ensembles * Does the matrix cover credible source, ventilation, exhaust, door, tool, and detector states? * Which variables change across repeated runs, and how are they sampled? * Are distributions, unresolved cases, and conservative statistics reported transparently? ### Validation and claims * Which evidence remained independent from parameter tuning? * How does performance vary by location, time, source, and operating state? * Does the conclusion stay within the documented evidence envelope? * Are model limits, uncertainty, and revalidation triggers visible? ### Handover * Can the model, data, scenario, result, finding, and approval record be traced? * Can approved actions enter controlled inspection, maintenance, procedure, detector, or change workflows? * Is post-change verification defined? ## Evaluate one decision end to end A focused evidence pilot can start with one cleanroom bay or process area and one engineering decision. The project establishes a verified baseline, selects a manageable source and operating matrix, reserves independent evidence, runs calibration and scenario comparisons, and records qualified review. Strong pilot outcomes include: * traceable facility, ventilation, source, detector, and measurement evidence * a qualified benchmark and preserved pre-calibration baseline * residuals and uncertainty linked to decision-relevant variables and locations * a reproducible scenario matrix and repeated-run method where timing varies * independent validation evidence and a clear evidence envelope * one approved engineering, monitoring, inspection, exhaust, or detector decision * handover records and revalidation triggers suitable for future facility change Apply this framework to [Cleanroom Airflow and Gas-Dispersion Evaluation](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation), [Local Exhaust Capture and Ventilation Degradation Scenarios](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios), and [Detector Coverage, Blind Spots, and Placement Options](/resources/guides/detector-coverage-blind-spots-placement-options). ## Public references The [National Institute of Standards and Technology review of industrial verification, validation, and uncertainty quantification](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures) describes model quality, analyst quality, verification, validation, and uncertainty as contributors to simulation credibility. The [American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) Clean Spaces handbook chapter](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx) describes cleanroom computational fluid dynamics, airflow, contaminant propagation, equipment effects, openings, supply, return, exhaust, and boundary conditions. The [International Organization for Standardization (ISO) 14644-4:2022 cleanroom lifecycle page](https://www.iso.org/standard/72379.html) covers requirements, design, construction, start-up, verification, modification, and lifecycle considerations. The United Kingdom Health and Safety Executive guide on [the selection and use of flammable gas detectors](https://www.hse.gov.uk/pubns/gasdetector.pdf) identifies gas properties, dispersion, ventilation, process equipment, sensor type, location, and redundancy as detector-system considerations. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## Integration starts with operating identity Most facility and industrial teams already run several systems around daily work. CMMS or EAM manages maintenance records and asset history. BMS watches building systems and alarms. SCADA, IoT, MES, ERP, document repositories, and ticketing systems each hold part of the operating picture. The weak point is usually identity. The same pump, air-handling unit, chiller, electrical panel, cleanroom utility, data center asset, or production-support system can appear under different names across drawings, BMS points, maintenance records, inspection checklists, and field notes. When an alarm appears, the team may need to search across systems before it can understand the affected asset, physical location, risk, procedure, and owner. An operational digital twin gives those systems a shared context layer. It connects assets, spaces, systems, live values, alarms, documents, procedures, work records, and field evidence so teams can review a task in the environment where the work happens. ## What to align first Integration should begin with the objects that make work traceable: | Layer | Integration focus | | -------------------- | ------------------------------------------------------------------------------------ | | Asset identity | equipment IDs, tags, serial numbers, maintainable items, parent-child relationships | | Location hierarchy | site, building, floor, zone, room, line, plant area, rack, system boundary | | System relationships | HVAC, electrical, water, gas, compressed air, process utilities, data center systems | | Signals and alarms | BMS points, IoT readings, SCADA tags, alarm types, thresholds, severity, time window | | Work records | CMMS or EAM work orders, inspection tasks, preventive maintenance, service history | | Documents | manuals, drawings, SOPs, permits, calibration records, validation documents | | Field evidence | photos, readings, checklists, repair notes, acceptance results, reviewer decisions | The goal is a stable reference model. A BMS alarm, work order, inspection route, document, and AI Agent recommendation should refer to the same asset and location context. ## CMMS and EAM integration CMMS and EAM systems usually remain the maintenance system of record. They hold asset registers, work-order numbers, preventive maintenance plans, spare-parts history, labor records, and closure status. The operational digital twin adds context around those records. Useful integration patterns include: * showing work orders on the asset and location inside the digital twin * linking maintenance history to equipment, rooms, systems, and routes * opening inspection or repair tasks from twin context * sending field evidence back to the approved work-order record * comparing repeated work orders across similar assets or locations * connecting manuals, drawings, and SOPs to the task view * preserving reviewer decisions and exception notes for future analysis This lets maintenance planners and field teams see the physical impact of work, compare recurring issues, and close tasks with better evidence. ## BMS, IoT, and SCADA data BMS data becomes more useful when point names are connected to maintainable assets and physical spaces. A temperature reading, pressure value, valve state, pump alarm, or energy meter can then be reviewed with the affected equipment, room, upstream and downstream systems, maintenance history, and operating procedure. Data Fusion Services can connect point data, alarms, event streams, enterprise records, and documents to FactVerse. FactVerse can then represent the relationships among asset, space, system, signal, document, and workflow. Teams should decide: * which point names map to which assets and spaces * which alarms require inspection, maintenance, escalation, or observation * which values are used for energy review, reliability review, or compliance evidence * how data quality issues are flagged * which systems own alarm status, work-order status, and closure records * which history is retained for trend analysis and machine learning evaluation Stable mapping matters more than broad ingestion. A smaller set of governed signals can support better operations than a large stream with unclear ownership. ## From alarms to work orders The most useful integration pattern is the operating loop from signal to reviewed action: 1. **Detect** - BMS, IoT, SCADA, inspection, or AI Agent identifies an alarm, abnormal trend, missed task, or repeated exception. 2. **Ground** - FactVerse links the finding to the asset, space, system relationship, live values, documents, SOPs, and work history. 3. **Review** - The responsible team reviews severity, evidence, operating impact, safety notes, and recommended checks. 4. **Dispatch** - Confirmed work becomes a task in Inspector, Checklist, CMMS, EAM, or another approved execution system. 5. **Execute** - Field teams use asset context, checklists, photos, readings, manuals, and procedure guidance to complete the task. 6. **Capture** - Notes, readings, photos, replaced parts, exceptions, acceptance results, and reviewer decisions are recorded. 7. **Learn** - Outcomes and corrections feed data-quality review, recommendation tuning, and machine learning evaluation. This loop keeps AI-assisted recommendations connected to human review and field evidence. ## Facility and data center operations In smart buildings, campuses, data centers, and industrial facilities, integration often starts with recurring operational questions: * Which asset is affected by this alarm * Which room, system, tenant, production area, or data hall may be affected * Has the same issue appeared before * Which SOP, drawing, manual, or safety note applies * Is this a maintenance issue, energy review issue, operating exception, or inspection task * What evidence is required before the work can be closed Data center teams can use the same pattern for asset management, energy calculation, inspection, maintenance, and visualization across sites. Facility teams can connect BMS alarms, energy meters, equipment records, inspection routes, and Green Mark related evidence while project assessment continues to follow official criteria and the project team's review process. ## Product roles [DataMesh FactVerse](/products/factverse) provides the operational context layer for assets, spaces, systems, relationships, permissions, records, and scene views. [Data Fusion Services](/products/dfs) connects CMMS, EAM, BMS, IoT, SCADA, documents, work records, and enterprise data to the right twin objects. [Inspector](/products/inspector) manages alarms, inspections, work orders, field evidence, photos, repair notes, acceptance records, and operational handoff. [Checklist](/products/checklist) structures repeatable inspection routines, required readings, signoffs, and compliance-oriented field records. [FactVerse AI Agent](/products/factverse-ai-agent) can review connected signals, alarms, documents, work history, and field feedback around the clock. It can support triage, summarize evidence, recommend next checks, and evaluate feedback data after tasks are completed. [FactVerse Twin Engine](/products/factverse-twin-engine) maintains the runtime model for twin state, relationships, interaction, and operational visualization. ## Implementation checklist * Are asset IDs consistent across CMMS, EAM, BMS, drawings, and field labels? * Is the location hierarchy clear enough for mobile teams and remote specialists? * Are BMS points and alarms mapped to assets, spaces, systems, and severity rules? * Are work-order ownership, status, closure, and evidence fields defined? * Are inspection routes and checklist items tied to the same asset and space model? * Are manuals, drawings, SOPs, permits, and validation records linked to work context? * Are photos, readings, exceptions, and reviewer decisions stored for later review? * Are AI Agent use cases grounded in governed asset, signal, alarm, document, and work-order data? * Are data owners, refresh cadence, access rules, and cybersecurity responsibilities clear? ## Public references The [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows how industrial data, AI analysis, and maintenance workflows can be connected around facility operations. The [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) shows DataMesh digital twin work in complex facility environments where spatial context, equipment state, and frontline workflows matter. The [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) shows how factory digital twins can connect operational visibility, equipment context, and cross-team collaboration. The [AI alerts to closed-loop work orders guide](/resources/guides/ai-alert-to-closed-loop-work-orders), [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations), and [Green Mark and Brick Schema guide](/resources/guides/green-mark-digital-twin-brick-schema) provide adjacent patterns for work-order execution, facility operations, and evidence traceability. --- ## [GUIDES] data-center-cooling-failure-scenario-analysis ## Resilience planning begins before the alarm Cooling resilience is tested when an operating state changes faster than a team can assemble context. A cooling unit may lose capacity, a fan or pump may degrade, a valve or damper may remain in an unexpected position, containment may be compromised, or planned maintenance may reduce available redundancy. The consequence depends on the active information technology load, airflow paths, thermal mass, equipment distribution, controls, and response timing. A scenario study lets facility teams review those dependencies before a live event. It compares defined operating states, shows which areas may be affected first, and gives engineers evidence for monitoring priorities, maintenance planning, contingency procedures, and capacity decisions. The result is a decision aid for qualified review. Authorized facility teams remain responsible for operating procedures, controls, safety limits, and live intervention. ## Build a scenario family around credible operating states A single failure image gives limited insight. A scenario family shows how the result changes across equipment states, loads, and response assumptions. | Scenario state | Example definition | Buyer question | |---|---|---| | Normal | Intended cooling equipment available, representative load, verified controls, and baseline containment | What is the current thermal distribution and operating margin? | | Degraded | Reduced fan or pump performance, partial cooling capacity, leakage, fouling, or constrained airflow | Which racks and zones lose margin first? | | Unavailable | One selected cooling path or component removed from service under a defined load and control state | How quickly do affected locations approach an agreed limit? | | Recovery | Equipment restoration, load transition, temporary airflow measure, or approved operating response | How does the thermal field recover, and which areas remain sensitive? | Each state should identify the event boundary, affected equipment, starting condition, active controls, information technology load, time horizon, and response assumption. This creates a reviewable scenario specification and prevents different teams from interpreting “cooling failure” in different ways. ## Connect the scenario with current facility evidence A useful cooling-resilience study combines spatial, operational, and governance evidence. ### Facility and cooling model * room, aisle, rack, containment, floor, ceiling, duct, grille, and opening geometry * cooling-unit location, rated and observed performance, airflow paths, and supply and return arrangement * rack population, equipment airflow direction, representative load, and load distribution * power and cooling dependencies relevant to the selected disturbance * control states, setpoints, sequencing, redundancy mode, and maintenance condition ### Measurements and operating history * rack-inlet and room environmental measurements with identity, location, time, and quality context * supply, return, flow, pressure, fan, pump, valve, and cooling-unit state where available * alarms, excursions, inspections, maintenance records, and previous event timelines * stable periods, load transitions, maintenance windows, and degraded operating periods suitable for comparison ### Decision and acceptance context * customer-approved equipment envelope and facility operating limits * selected review thresholds and the source of each threshold * required time horizon and temporal resolution * evidence level, calibration target, acceptance criteria, and engineering owner [Data Fusion Services](/products/dfs) can align telemetry, asset identities, events, alarms, and maintenance history. [DataMesh FactVerse](/products/factverse) maintains the room, rack, cooling, sensor, and dependency context. Together, they create a baseline that can support both live operational review and project-enabled scenario analysis. ## Compare normal and degraded behavior visibly ![Normal and degraded cooling states with airflow paths and rack-inlet review markers](/images/physics/data-center-thermal-resilience-comparison.webp) *A normal-versus-degraded comparison helps reviewers see where airflow distribution changes, which inlet locations are affected, and where margin narrows.* The comparison should preserve a common geometry, load basis, result scale, and review threshold. Changes between states then remain attributable to the selected scenario inputs. Useful comparison views include: * airflow direction and recirculation around affected rows * rack-inlet temperature by location and height * thermal margin by rack, aisle, room, or equipment class * rate of temperature rise after the disturbance begins * time to an agreed alert or engineering-review threshold * affected zone growth over the selected time horizon * sensitivity to load, initial condition, equipment performance, and response timing * recovery behavior after the approved response or equipment restoration ## Read time-to-limit as conditional evidence Time-to-limit can help teams understand how quickly a reviewed location approaches an agreed threshold after a defined disturbance. It should be reported with the conditions that give it meaning: `time-to-limit = time when the agreed threshold is reached - scenario start time` The evidence package should state: 1. the initial thermal field and operating state 2. the selected cooling change and event timing 3. the information technology load and load behavior 4. the threshold source, location, and measurement definition 5. the controls or operator responses represented 6. model time step, convergence checks, and numerical settings relevant to the result 7. calibration residuals, uncertainty, and sensitivity to influential assumptions A single time value can hide important variation. Buyers should review ranges across plausible initial conditions, loads, cooling performance, and response timing. The most useful output may be the earliest credible threshold approach, the racks that consistently lead the response, and the assumptions that change the result most. ## Match the evidence level to the resilience decision | Evidence level | What it can support | Review expectation | |---|---|---| | Exploratory | Identify likely affected areas, compare broad scenario behavior, and plan measurements | Reviewed assumptions, geometry, major inputs, sensitivity, and visible limitations | | Benchmarked | Qualify the analysis workflow against controlled or recognized reference behavior | Repeatable setup, reference comparison, solver checks, and documented acceptance | | Measured-data calibrated | Compare site-specific scenarios within a documented operating range | Representative measurements, residuals by location and state, parameter record, and validation evidence | | Scenario-specific validated | Support a defined higher-consequence planning decision under relevant conditions | Independent evidence, robustness review, uncertainty, qualified approval, and revalidation triggers | Calibration should follow the decision metric. A time-to-limit claim needs time-dependent measurements and transition evidence. A rack-inlet margin claim needs measurements at relevant rack locations and loads. A recovery claim needs suitable evidence from restoration, load transition, or a controlled test condition. The [calibration and simulation confidence guide](/resources/guides/calibration-levels-and-simulation-claim-confidence) provides a fuller evidence framework. The [scenario ensemble guide](/resources/guides/scenario-ensembles-and-conservative-simulation-review) explains how to review ranges, interactions, and conservative decision cases. ## Translate scenario evidence into response priorities A resilience study becomes operationally useful when its findings are tied to locations, assets, owners, and approved actions. The review can help teams prioritize: * rack-inlet locations for closer live monitoring * sensors that need verification, relocation, or added coverage * cooling assets and dependencies for inspection or maintenance * containment, leakage, obstruction, or airflow conditions for field review * procedures that require clearer triggers, ownership, or communication * planned maintenance windows that need revised load or staffing assumptions * capacity changes that deserve additional engineering evidence [FactVerse AI Agent](/products/factverse-ai-agent) can help relate current alarms and trends to asset, event, and maintenance context. [Inspector](/products/inspector) can route approved checks and corrective work to field teams, preserve evidence, and record post-work verification. Any control or operating change follows the facility owner's authorized engineering and change-management process. ## Buyer evaluation questions ### Scenario credibility * Which failure, degradation, and recovery states were selected, and why are they credible? * Which component, dependency, control state, and time sequence does each scenario represent? * Are the starting load and thermal conditions representative of the reviewed risk? ### Evidence quality * Which geometry, equipment, sensor, alarm, and maintenance records support the baseline? * Which measurements were used for calibration, and which evidence was reserved for validation? * How do residuals vary across racks, loads, cooling states, and transition periods? * Which assumptions have the greatest influence on affected zones or time-to-limit? ### Decision fit * Which threshold and response decision does the study support? * Are ranges and conservative cases visible beside central estimates? * Which findings remain stable across plausible scenarios? * Which engineer approves the evidence and owns the resulting procedure or action? ### Operational handover * Can findings be linked to racks, cooling assets, sensors, inspections, and work orders? * Are monitoring priorities and response triggers clear to operators? * Is post-maintenance or post-change verification defined? * Which facility changes trigger model and evidence review? ## Start with one credible disturbance A focused pilot can use one representative room, one cooling disturbance, and one operating decision. The team establishes a measured baseline, records the facility and load model, defines normal and degraded states, agrees on review thresholds, and compares affected zones, thermal margin, temperature rise, and response timing. Strong pilot acceptance criteria include: * a reproducible normal-state baseline tied to current facility evidence * an unambiguous degraded or unavailable cooling scenario * transparent assumptions, equipment states, loads, and controls * rack-level metrics and time-dependent results tied to agreed thresholds * residual, uncertainty, and sensitivity review proportionate to the decision * an approved response or monitoring decision with named ownership * a reusable handover package for future rooms, loads, or cooling states Explore [Data Center Operations](/solutions/ai-agent-data-center) for the complete operational and project-enabled workflow. For the rack-level foundation, read [Rack-Inlet Temperature and Thermal Margin](/resources/guides/rack-inlet-temperature-and-thermal-margin). When the decision involves new rack load, density, containment, or room layout, continue with [Load Growth and Capacity What-If Analysis](/resources/guides/data-center-load-growth-capacity-what-if-analysis). ## Public references The [ASHRAE Data Centers and Telecommunications Facilities handbook chapter](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx) explains equipment inlet environmental conditions, airflow demand, recommended ranges, and facility cooling considerations. The United States Department of Energy guide to [cooling water efficiency opportunities for federal data centers](https://www.energy.gov/cmei/femp/cooling-water-efficiency-opportunities-federal-data-centers) describes the importance of airflow characteristics, hot and cool zones, and limiting the mixing of warm exhaust with cool inlet air. The Department of Energy [Best Practices Guide for Energy-Efficient Data Center Design](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf) covers environmental conditions, air management, cooling systems, measurement, and design practices relevant to facility resilience studies. --- ## [GUIDES] data-center-digital-twin-operations ## Data center operations need shared facility context Data centers are operated through many specialized systems. DCIM, BMS, EPMS, meters, alarms, asset registers, maintenance tools, and field records each hold part of the picture. Operations teams need the site, room, rack, equipment, power path, cooling zone, alarm, inspection, and work history to line up in one context. A data center digital twin gives that context. It connects facility assets, live infrastructure data, energy records, inspection routes, maintenance tasks, and work-order evidence in a spatial operating view. The goal is practical: make the site easier to understand, inspect, maintain, report on, and improve through engineering review. This starting point is useful for single facilities and multi-site data center portfolios. A common model makes it easier to compare sites, standardize reports, and preserve operating evidence across rooms, assets, and teams. ## What the twin should connect | Layer | Operating context | | ----------- | ------------------------------------------------------------------------------------------------- | | Space | Site, building, room, rack, corridor, equipment area, access path, and safety boundary | | Assets | UPS, generator, switchgear, CRAC, AHU, pump, chiller, rack, sensor, meter, and service owner | | Power | EPMS data, power paths, panels, feeds, meter readings, load records, and affected assets | | Environment | Temperature, humidity, airflow context, cooling equipment state, alarms, and room conditions | | Maintenance | Inspection routes, work orders, repair history, photos, acceptance notes, and verification status | | Documents | O\&M files, procedures, commissioning records, asset manuals, and change notes | | Governance | Data source, update owner, review process, approval route, evidence quality, and rollout scope | The twin becomes useful when each signal can be traced back to a location, asset, responsible team, and follow-up record. ## DataMesh workflow for data centers 1. **Collect facility sources** - Bring together DCIM, BMS, EPMS, meters, alarms, asset lists, equipment documents, maintenance records, inspection plans, and site drawings. 2. **Build the facility twin** - Use FactVerse to organize rooms, racks, equipment, power paths, cooling zones, meters, sensors, documents, and service ownership. 3. **Connect operational data** - Use Data Fusion Services to bind live signals and enterprise records to the correct assets, spaces, systems, and workflows. 4. **Prepare reusable scenes** - Use Data Center DLC and FactVerse Designer to accelerate room, rack, equipment, and facility scene creation. 5. **Review operating conditions** - Review energy indicators, alarms, equipment status, repeated issues, and maintenance priorities in site and asset context. 6. **Execute field work** - Use Inspector to turn confirmed findings into inspections, work orders, repair notes, photos, acceptance evidence, and verification records. 7. **Compare and improve** - Use consistent records across sites and rooms to support management review, engineering analysis, sustainability reporting, and later efficiency programs. The workflow is strongest when the team can move from signal to location, from location to owner, and from owner to verified work. ## Where teams usually start * **Asset registry and location**: clean up room, rack, facility equipment, meter, and service ownership records. * **Energy calculation and reporting**: connect meter readings, equipment context, load history, and operating records for management review. * **Alarm and inspection workflow**: place alarms, routes, work orders, field notes, and repair evidence around the affected asset. * **Critical infrastructure maintenance**: track UPS, generator, switchgear, cooling equipment, pumps, and related service history. * **Multi-site standardization**: apply the same room, asset, energy, and maintenance model across multiple data centers. * **Green operations evidence**: organize energy, environment, maintenance, and corrective-action records for internal governance and Green Mark readiness work. Start with a scope where the operating team already has data, ownership, and a recurring handoff problem. ## How DataMesh products fit [Data Fusion Services](/products/dfs) connects DCIM, BMS, EPMS, meters, historians, alarms, maintenance tools, and enterprise systems. [FactVerse](/products/factverse) provides the facility digital twin context, including rooms, racks, assets, systems, data bindings, documents, and workflows. [FactVerse DLC](/products/factverse-dlc) gives delivery teams reusable data center scene foundations in Designer, including rooms, racks, facility assets, energy context, and operational visualization elements. [Inspector](/products/inspector) manages inspections, work orders, repair records, photos, acceptance notes, verification, and field evidence. [FactVerse AI Agent](/products/factverse-ai-agent) can help teams review abnormal patterns, repeated alarms, and maintenance history once the data model and workflow are stable enough for review. ## Governance checklist * Are room, rack, equipment, meter, and sensor names consistent across systems? * Are asset IDs aligned with DCIM, maintenance tools, drawings, and field labels? * Are power, environment, and maintenance data sources documented with owner and update rule? * Can an alarm be traced to a room, rack, asset, system, owner, and work record? * Can field teams capture photos, notes, repair actions, and acceptance evidence from the same context? * Can energy records be reviewed by site, room, asset, meter, and time window? * Are multi-site reports based on consistent asset classes and data definitions? * Are engineering review, customer approval, and change-control responsibilities clear before physical changes are made? These checks keep the digital twin useful for daily work and management review. ## Public references The [IDC DLC announcement](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) shows how DataMesh uses reusable digital twin content to help teams start data center scenes in FactVerse Designer. The [Data Center Operations solution](/solutions/ai-agent-data-center) describes the operating scope for asset visibility, energy calculation, inspection, maintenance, work orders, and multi-site digital twin management. The [Yokogawa predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows the broader pattern of connecting industrial facility signals to maintenance review. The [Faurecia and EVE Energy reference](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) shows how operational visibility and energy context can support manufacturing and facility improvement programs. --- ## [GUIDES] data-center-load-growth-capacity-what-if-analysis ## Capacity confidence depends on location and operating state A data center can have available electrical or nameplate cooling capacity while a proposed rack placement creates a local airflow or temperature constraint. Capacity planning therefore needs more than a site-level total. Teams need to understand where load will be added, how air reaches the equipment, which cooling paths serve the area, what redundancy state is assumed, and how much rack-level thermal margin remains. A project-enabled what-if study creates a common basis for comparing alternatives before procurement, installation, or room modification. It helps capacity, facility, information technology, and operations teams review the same geometry, load assumptions, cooling conditions, evidence, and acceptance criteria. The purpose is practical: choose a stronger option, identify evidence gaps early, and reduce avoidable field rework. ## Start from a verified operating baseline Every candidate scenario should be compared with the same verified baseline. The baseline describes the facility and operating state represented by the study. ### Facility baseline * room, pod, aisle, rack, containment, floor, ceiling, duct, grille, and opening geometry * rack identity, position, orientation, equipment population, and airflow direction * cooling equipment, supply and return paths, controls, active state, and observed performance * power and cooling dependencies relevant to the reviewed capacity zone * current asset, maintenance, inspection, and change history ### Load and environmental baseline * connected, measured, and representative information technology load by rack and time period * diversity, utilization, growth, and transition assumptions * supply, return, flow, pressure, rack-inlet temperature, humidity, and equipment-state evidence * containment condition, leakage, obstruction, temporary equipment, and floor-tile or grille configuration * approved operating envelope by equipment class or rack population ### Evidence baseline * sensor identity, location, unit, timestamp, calibration status, and data quality * model version, geometry source, parameter source, and boundary conditions * benchmark, calibration, residual, validation, and sensitivity records * the intended decision, reviewer, acceptance criteria, and revalidation triggers [Data Fusion Services](/products/dfs) can align load, meter, sensor, alarm, asset, and maintenance evidence across source systems. [DataMesh FactVerse](/products/factverse) gives the baseline spatial and system context. [FactVerse Designer](/products/designer) supports prepared scenes, layouts, scenarios, and engineering review context for project-enabled analysis. ## Change one scenario family at a time Scenario design should make differences easy to explain. A useful family varies selected inputs while keeping the rest of the comparison basis stable. | Scenario family | Variables to compare | Typical decision | |---|---|---| | Rack load growth | Load per rack, load distribution, diversity, utilization, and transition timing | Approve a new workload or define a staged rollout | | Rack density and placement | Rack population, equipment type, airflow direction, location, and spacing | Select racks or positions for higher-density equipment | | Cooling distribution | Available units, supply temperature, airflow, fan state, floor tiles, grilles, and dampers | Review whether cooling delivery supports the proposed load | | Containment and airflow | Aisle containment, leakage paths, openings, obstructions, and return-air routing | Compare modifications that may reduce mixing or recirculation | | Layout alternative | Rack rows, support equipment, partitions, room geometry, and cooling arrangement | Evaluate a room change before construction or installation | | Operating resilience | Normal, maintenance, degraded, and selected unavailable states | Confirm how the capacity option behaves across required operating conditions | The comparison record should identify every changed input. This supports technical review, future reruns, and clear communication with project stakeholders. ## Compare options through decision metrics ![Normal and degraded data center airflow scenarios with rack-level review points](/images/physics/data-center-thermal-resilience-diagram.webp) *A scenario comparison connects layout and cooling changes with rack-inlet evidence, affected zones, and remaining margin.* A visually convincing thermal field still needs decision metrics. Buyers should agree on metrics before the final comparison. Useful metrics include: * rack-inlet temperature by location and height * remaining thermal margin against the approved equipment or site envelope * number and location of racks approaching a review threshold * hot-air recirculation and cool-air bypass patterns * difference from baseline by rack, row, room, or equipment class * sensitivity to load distribution, cooling performance, containment, and initial condition * behavior under normal, maintenance, and selected degraded states * uncertainty and evidence confidence for the intended decision For transient changes, the study may also compare rate of temperature rise, time to an agreed threshold, and recovery behavior. These values should retain the scenario conditions and evidence level that support them. ## Keep the capacity claim inside the evidence envelope Capacity is a decision made under stated conditions. A result should identify the room and rack scope, equipment population, load distribution, cooling state, environmental envelope, time horizon, controls, and operational assumptions it covers. Examples of proportionate conclusions include: | Evidence | Buyer conclusion | |---|---| | Reviewed exploratory model | Candidate A shows stronger relative airflow distribution and thermal margin under the stated representative conditions | | Benchmarked workflow | The method reproduces the selected reference behavior within the reported checks and supports comparison of the defined alternatives | | Site-calibrated model | The proposed load and layout can be evaluated against site measurements within the documented calibration range and residual limits | | Scenario-specific validation | The selected option supports the stated planning decision for the validated variables, locations, and operating states, subject to qualified approval | Strong capacity language includes the conditions beside the result. This makes the analysis reusable when loads, equipment, controls, or layouts change. The [simulation evidence evaluation guide](/resources/guides/how-to-evaluate-simulation-evidence) provides a procurement framework for methods, inputs, verification, validation, uncertainty, and handover. The [calibration guide](/resources/guides/calibration-levels-and-simulation-claim-confidence) explains how measured evidence changes claim confidence. ## Review the full operating range A candidate layout that performs well at one central estimate may become sensitive under a different load distribution, cooling-unit state, leakage condition, or starting temperature. Scenario ensembles help teams understand that range. Useful variations can include: * current, near-term, and planned rack loads * balanced and concentrated load distributions * expected and conservative equipment airflow demand * normal and maintenance cooling configurations * selected degradation in fan, pump, coil, or airflow performance * intended and degraded containment conditions * representative environmental and control states * alternative response or recovery timing The [scenario ensembles and conservative review guide](/resources/guides/scenario-ensembles-and-conservative-simulation-review) explains how to select a decision case from plausible scenarios. The buyer should be able to see which option remains robust, which variables drive the result, and where additional measurement or engineering work adds the most value. ## Connect planning evidence with execution Capacity decisions move through design, procurement, installation, inspection, commissioning, and operational verification. The digital twin can preserve the link between the approved scenario and the physical change. A connected workflow can include: 1. **Frame the decision** - define the proposed load, location, operating states, constraints, and approval owner. 2. **Verify the baseline** - align rooms, racks, cooling assets, sensors, loads, operating evidence, and current field condition. 3. **Prepare alternatives** - create controlled rack, load, cooling, containment, and layout scenarios. 4. **Compare evidence** - review thermal margin, affected zones, sensitivity, residuals, uncertainty, and confidence. 5. **Approve the option** - record the selected scenario, assumptions, acceptance criteria, and engineering review. 6. **Execute the change** - route field checks and approved work through [Inspector](/products/inspector) or the existing maintenance workflow. 7. **Verify the outcome** - compare post-change measurements and field evidence with the approved baseline and scenario. This chain gives operations teams a durable record of what was planned, what was installed, and how the outcome was confirmed. ## Buyer checklist ### Business and capacity decision * Is the proposed workload, rack population, location, and timing defined? * Which electrical, cooling, space, redundancy, and operational constraints apply? * What rework, service risk, or schedule consequence is the study intended to reduce? ### Data readiness * Are rack identity, geometry, equipment population, airflow direction, and current load available? * Are cooling equipment, distribution paths, controls, containment, and active state represented? * Are rack-inlet and supporting measurements spatially mapped and quality checked? * Can current, proposed, and conservative load assumptions be traced to an owner? ### Scenario and evidence quality * Does each option change a controlled set of variables? * Are result scales, thresholds, and operating conditions consistent across the comparison? * Are benchmark, calibration, residual, validation, uncertainty, and sensitivity records available? * Does the claimed confidence match the evidence level and intended decision? ### Approval and handover * Is a qualified engineer responsible for the conclusion? * Are assumptions, limits, and revalidation triggers attached to the approved option? * Can installation and inspection work be linked to the affected assets and locations? * Is post-change measurement and verification included in the plan? ## Scope a capacity pilot A focused pilot can start with one room, pod, or aisle and one real capacity decision. The team verifies the baseline, selects two or three candidate alternatives, defines required operating states, and agrees on the rack-level metrics and evidence confidence needed for approval. Pilot success criteria can include: * a current spatial and asset baseline accepted by facility and information technology owners * traceable current and proposed load assumptions * reproducible scenario definitions and controlled comparisons * rack-level thermal margin and affected-zone views * visible evidence confidence, sensitivity, and limitations * one approved capacity, measurement, containment, or layout decision * a handover package that supports execution and post-change verification Explore [Data Center Operations](/solutions/ai-agent-data-center) for the broader workflow across assets, energy, environmental telemetry, inspections, maintenance, and project-enabled thermal analysis. Read [Cooling-Failure Scenario Analysis](/resources/guides/data-center-cooling-failure-scenario-analysis) when the capacity decision also needs resilience review. For the rack-level measurement and limit basis behind the comparison, read [Rack-Inlet Temperature and Thermal Margin](/resources/guides/rack-inlet-temperature-and-thermal-margin). ## Public references The [ASHRAE Data Centers and Telecommunications Facilities handbook chapter](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx) discusses increasing rack heat loads, equipment inlet conditions, airflow requirements, and facility cooling considerations. ASHRAE's [AI Data Center Energy Performance Framework site-planning guidance](https://www.ashrae.org/technical-resources/ai-data-center-framework/site-planning) highlights workload requirements, increased rack densities, power distribution, and advanced cooling strategies as planning considerations. The United States Department of Energy [Best Practices Guide for Energy-Efficient Data Center Design](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf) covers information technology systems, environmental conditions, air management, cooling systems, and measurement practices relevant to capacity planning. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI-Erkenntnisse brauchen einen Ausführungspfad Der Wert industrieller AI zeigt sich in einem abgeschlossenen Betriebsloop. Eine Erkenntnis muss zur geprüften Entscheidung, zu einer Aufgabe, zur Feldausführung, zum Nachweis und zu einem gemessenen Ergebnis werden. [FactVerse AI Agent](/products/factverse-ai-agent) kann verbundene Signale, Alarme, Dokumente und Arbeitshistorien rund um die Uhr auswerten. Operativ wirksam wird eine Erkenntnis, wenn sie im digitalen Zwilling verankert und an die zuständigen Personen und Systeme übergeben wird. DataMesh verbindet diesen Pfad über [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director) und Kundensysteme wie CMMS, EAM, BMS, SCADA, ERP und Dokumentenablagen. ## Geschlossener Ablauf 1. **Erkennen** - AI Agent, Regeln, Dashboards oder bestehende Systeme erkennen Trends, wiederholte Alarme, fehlende Inspektionen, Anlagenrisiken oder Betriebsabweichungen. 2. **Kontext herstellen** - FactVerse verbindet die Erkenntnis mit Anlagen, Räumen, Systemen, Live-Werten, Dokumenten, SOPs und Arbeitshistorie. 3. **Prüfen** - Bediener, Ingenieure oder Supervisoren prüfen Nachweise, Risiko und vorgeschlagene Aktion. 4. **Disponieren** - Bestätigte Erkenntnisse werden zu Arbeitsaufträgen, Inspektionen, Aufgaben oder geführten Abläufen in Inspector, Checklist, CMMS, EAM oder einem freigegebenen System. 5. **Ausführen** - Feldteams nutzen Anlagenkontext, Checklisten, digitale SOPs, 3D-Anweisungen, Fotos, Handbücher und Sicherheitshinweise. 6. **Dokumentieren** - Abschlussnotizen, Messwerte, Fotos, Abweichungen, Teilewechsel, Freigaben und Prüfergebnisse werden erfasst. 7. **Lernen** - Ergebnisse, abgelehnte Vorschläge, wiederkehrende Ereignisse und Nachmessungen fließen in Datenqualitätsprüfung und Machine Learning zurück. ## Inhalt eines Arbeitsauftrags Ein industrieller Auftrag sollte der Feldmannschaft genügend Kontext liefern: Anlage, Ort, Systembezug, Problem, Nachweise, Priorität, Qualifikation, Sicherheitshinweise, Akzeptanzkriterien und Freigabepfad. Wichtige Felder sind Anlagen-ID, Raum, System, Route, auslösender AI-Befund, Alarm oder Inspektionsergebnis, Signalwerte, Zeitfenster, SOPs, Zeichnungen, empfohlene Prüfungen, erforderliche Fotos, Messwerte, Prüfer, Ausführender, Fälligkeit, Eskalationsregel, Abschlussnotiz und Ergebnislabel. Wenn diese Felder mit dem digitalen Zwilling verbunden sind, wird der Arbeitsauftrag Teil des Betriebsprotokolls. ## Produktrollen [FactVerse AI Agent](/products/factverse-ai-agent) erstellt Befunde, fasst Nachweise zusammen, vergleicht Betriebsmuster, entwirft Empfehlungen und beobachtet Feedback über Schichten hinweg. [FactVerse](/products/factverse) und [FactVerse Twin Engine](/products/factverse-twin-engine) liefern das operative Modell aus Anlagen, Räumen, Beziehungen, Status, Logik und Workflow-Zustand. [Data Fusion Services](/products/dfs) verbindet Quellsysteme und ordnet Signale, Alarme, Dokumente, Arbeitsdaten und Unternehmensdaten dem nutzbaren Kontext zu. [Inspector](/products/inspector) verwaltet Alarme, Arbeitsaufträge, Zuweisungen, Wartungsdaten, Fotos, Prüffelder und Feldausführungsnachweise. [Checklist](/products/checklist) strukturiert Inspektionspunkte, Pflichtnachweise, Compliance-Felder und wiederholbare Routinen. [Director](/products/director) unterstützt digitale SOPs, 3D-Anleitungen, Trainingsinhalte und schrittweise Bedienerführung. ## Integration und Governance Viele Teams betreiben bereits CMMS, EAM, BMS, SCADA, MES, ERP, Ticketing und Dokumentensysteme. Die Workflow-Architektur sollte die Systemverantwortung klar festlegen. Data Fusion Services kann Daten in FactVerse verfügbar machen. Inspector und angebundene Systeme übernehmen Zuweisung, Felddaten und Abschluss. CMMS oder EAM können weiterhin das Wartungssystem der Aufzeichnung bleiben. FactVerse ergänzt Anlagenkontext, räumlichen Kontext, AI-Befunde, Felddaten und systemübergreifende Sichtbarkeit. ## 24x7-Betrieb und Feedbackdaten FactVerse AI Agent kann verbundene Signale, Alarme, Auftragsupdates, Inspektionsdaten und Feldfeedback im 24x7-Betrieb verarbeiten. Bestätigte Ursachen, Bedienernotizen, abgelehnte Vorschläge, abgeschlossene Reparaturen, Fotos, Messwerte und Ergebnisse bilden einen Datensatz für spätere Analyse. Machine Learning kann diese Daten für Empfehlungsqualität, Mustererkennung und Workflow-Optimierung nutzen. ## Einstieg Beginnen Sie mit einem Workflow mit klarer Verantwortung und sichtbarem Ergebnis: eine kritische Anlagenklasse, eine Facility-Inspektionsroute, eine Rechenzentrumsgruppe, eine Wärmestation, ein Produktionshilfssystem oder ein Bedienerführungsprozess. 1. Aufgabe und Verantwortlichen definieren. 2. Signale, Dokumente, Arbeitshistorie und SOPs verbinden. 3. Anlagen- und Raumkontext in FactVerse mappen. 4. Review- und Freigaberegeln festlegen. 5. Bestätigte Befunde an Inspector, Checklist, CMMS, EAM oder ein Ausführungssystem übergeben. 6. Felddaten und Nachmessungen erfassen. 7. Ergebnisse prüfen und danach erweitern. ## Öffentliche Referenzen Die Seite [Workflow Digitization](/solutions/workflow-digitization) beschreibt, wie DataMesh Alarme, geplante Aufgaben, Inspektionsdaten, geführte Abläufe und Arbeitsaufträge verbindet. Der Guide [FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) zeigt, wie AI-Empfehlungen in industriellen Betriebsloops mit menschlicher Prüfung landen. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## Facility Management braucht einen gemeinsamen Betriebskontext Große Facilities werden über viele spezialisierte Systeme betrieben. BMS, EMS, Zähler, Alarme, Asset-Register, CMMS, EAM, BIM, Zeichnungen, Serviceberichte und Inspektionsdaten beschreiben jeweils nur einen Teil des Standorts. Im Alltag müssen diese Teile verbunden werden, wenn ein Problem auftaucht, ein Work Order erstellt wird, sich Energieverhalten ändert oder Management-Nachweise benötigt werden. AI Facility Management beginnt mit einem operativen Digital Twin. Der Twin verbindet Räume, Assets, Systeme, Daten, Arbeitsnachweise, Dokumente und Feldausführung, damit Teams Facility-Zustände im Kontext prüfen können. AI hilft dann, Abweichungen zusammenzufassen, Muster zu vergleichen, empfohlene Aktionen vorzubereiten und Management Reviews zu unterstützen. Dieses Muster passt zu Gebäuden, Campus-Umgebungen, Data Centern, Werken, Utilities und High-Tech-Fertigung. In Advanced-Manufacturing-Programmen müssen Facility-Teams oft Reinraum-Unterstützungssysteme, Strom, Druckluft, Kühlung, Abluft, Alarme, Inspektionen und Service-Handoffs über mehrere Standorte hinweg verwalten. Ein gemeinsamer Twin schafft dafür stabilen Kontext. ## Was der Facility Twin verbinden sollte | Ebene | Betriebskontext | |---|---| | Räume | Standort, Gebäude, Etage, Raum, Zone, Clean Area, Service-Korridor, Route und Sicherheitsgrenze | | Systeme | HVAC, Kühlung, Stromverteilung, Beleuchtung, Wasser, Druckluft, Abluft, Brandschutz, Aufzüge und Prozess-Utilities | | Assets | Anlagenregister, Asset-IDs, Dokumente, Service Owner, Wartungsplan, Garantie und Ersatzteilreferenzen | | Signale | BMS-Punkte, Zähler, Sensoren, Alarme, Umweltdaten, Historian Tags und berechnete Indikatoren | | Arbeit | Inspektionen, Work Orders, Korrekturmaßnahmen, Fotos, Feldnotizen, Abnahme und Verifikation | | Energie | Zählerstände, EUI, Laststruktur, Betriebszeiten, Wetterkontext, Sollwerte und Verbesserungsoptionen | | Semantik | Brick Schema-konforme Gebäude, Systeme, Anlagen, Zähler, Sensoren, Punkte und Beziehungen | | Governance | Source Owner, Datenqualität, Freigabeweg, Betriebsverantwortung, Version und Nachweisaufbewahrung | Der Twin ist wertvoll, wenn ein Signal bis zum betroffenen Raum, Asset, System, Team und Feldnachweis verfolgt werden kann. ## DataMesh Workflow für AI Facility Management 1. **Facility-Quellen sammeln** - BMS, EMS, Zähler, IoT, Historian, Asset-Register, CMMS, EAM, BIM/IFC, Zeichnungen, Inspektionspläne und Serviceberichte zusammenführen. 2. **Operativen Twin aufbauen** - Räume, Assets, Utility-Systeme, Dokumente, Routen, Punkte und Arbeitskontext mit FactVerse und Twin Engine organisieren. 3. **Datenpipelines verbinden** - Daten mit Data Fusion Services aufnehmen, bereinigen, normalisieren, berechnen und an die richtigen Twin-Objekte binden. 4. **Facility-Semantik strukturieren** - Brick Schema-konforme Beziehungen nutzen, wenn Gebäude, Zonen, Anlagen, Zähler, Sensoren und Punkte konsistent beschrieben werden sollen. 5. **AI-gestützt reviewen** - FactVerse AI Agent fasst auffälligen Energieverbrauch, wiederholte Alarme, fehlende Nachweise, Wartungsmuster und Aktionskandidaten für den Review zusammen. 6. **Energieszenarien vergleichen** - EnergyPlus-basierte Workflows einsetzen, wenn detaillierte Gebäudenergie-Modelle und Szenariovergleiche benötigt werden. 7. **Arbeit ausführen und verifizieren** - Inspector für Inspektionen, Work Orders, Zuweisungen, Fotos, Reparaturnotizen, Abnahmen und Verifikationsnachweise nutzen. So entsteht ein geschlossener Betriebskreislauf von Signal zu Analyse, von Analyse zu Arbeit und von Arbeit zu verifiziertem Nachweis. ## Wo AI Wert schafft AI ist am stärksten, wenn der Facility-Kontext bereits verbunden ist. FactVerse AI Agent kann große Mengen Betriebsdaten und Arbeitshistorie schneller prüfen als eine manuelle Dashboard-Prüfung. Typische Review-Muster sind: - Wiederholte Alarme nach Raum, System, Asset, Zeitfenster und Arbeitshistorie. - Auffällige Energieverwendung nach Zähler, Zone, Asset-Gruppe, Wetter und Betriebsplan. - Wartungsintensive Assets mit wiederholten Reparaturen, lückenhaften Nachweisen oder Abnahmeproblemen. - Drift in Clean Areas, die Facility-, Utility- und Maintenance-Kontext benötigt. - Work-Order-Backlog über Standorte, Service-Teams und Asset-Klassen. - Verbesserungskandidaten mit Engineering Review, Kostenkontext und Feldvalidierung. AI unterstützt Entscheidungen. Verantwortliche Owner, Freigaberegeln, Feldausführung und Verifikationsnachweise bleiben Teil des Facility-Betriebs. ## Brick Schema und EnergyPlus im selben Ablauf Brick Schema gibt Gebäude- und Facility-Daten eine konsistente semantische Struktur. Ein Temperaturpunkt kann mit dem richtigen Sensor, der Zone, dem Luftsystem und der Anlage verbunden werden. Ein Zähler kann dem gemessenen System oder Raum zugeordnet werden. Ein Work Order kann mit dem auslösenden Asset, Alarm, Dokument und Inspektionsdatensatz verbunden werden. Diese Semantik verbessert Nachvollziehbarkeit für Wartung, Energieanalyse, Green-Mark-Vorbereitung und Management Reviews. Sie gibt auch AI Agent besseren Kontext für Zusammenfassungen und empfohlene Aktionen. EnergyPlus passt, wenn tiefere Energieanalyse erforderlich ist. DataMesh kann BIM/IFC, Wetterdaten, Betriebsdaten und Digital-Twin-Kontext mit EnergyPlus-basierten Gebäudemodellen verbinden, um EUI, Laststruktur, Betriebspläne, Sollwerte, Retrofit-Optionen und Steuerungsstrategien zu vergleichen. Die Analyseergebnisse sollten zurück in den Betriebskreislauf fließen. Teams können Work Orders erstellen, Annahmen dokumentieren, Feldergebnisse erfassen und den Zustand nach der Maßnahme gegen die Baseline prüfen. ## Wo man startet Gute erste Scopes haben bereits Facility-Daten, Asset-Verantwortung und einen Ausführungspfad: - Utility-Systeme mit wiederholten Alarmen oder unklarer Service-Verantwortung. - HVAC- und Kühlsysteme mit Energie- oder Komfort-Review-Bedarf. - Reinraum-Unterstützungssysteme mit geteiltem Drift- und Wartungskontext. - Zählergruppen und Hochlastzonen für Energie-Governance. - Inspektionsintensive Anlagen mit wiederkehrenden Feldnachweisen. - Multi-Site-Facility-Portfolios mit vergleichbaren Asset-Klassen und Reports. Ein erster Pilot sollte eine überschaubare Asset-Gruppe, wenige Datenquellen, einen klaren Work-Order-Pfad und vertraute Review-Metriken nutzen. ## Metriken zur Validierung AI Facility Management sollte gegen die standortspezifische Baseline validiert werden. Nützliche Metriken sind: - Zeit von Alarm oder Finding bis Review. - Anteil der Findings, die in geplante Arbeit übergehen. - Qualität der Work-Order-Schließung und Vollständigkeit der Nachweise. - Wiederholalarmrate nach Korrekturmaßnahmen. - Vollständigkeit der Energie-Baseline und Review-Frequenz. - Mapping-Abdeckung für priorisierte Assets und Systeme. - Akzeptanz geführter Abläufe und Nachweiserfassung im Feld. - Qualität der Management Reviews über Standorte, Assets und Service-Teams. Reife Programme validieren Arbeitsqualität und Entscheidungsnachvollziehbarkeit, bevor Einsparungen bewertet werden. ## Öffentliche Referenzen Die [JTC und DataMesh Kooperation](/about/news/collaboration-between-jtc-datamesh) zeigt Digital Twin und Mixed Reality in komplexen Facility- und Bau-Workflows. Die [Yokogawa Predictive Maintenance Referenz](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt die öffentliche Richtung für AI-gestützte Maintenance Reviews in Industrieanlagen. Die [Swire Coca-Cola Maintenance Referenz](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) zeigt, wie Frontline Training, digitale Maintenance-Prozesse und Feldnachweise die Ausführung unterstützen. Die [Faurecia und EVE Energy Referenz](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) zeigt, wie operative Sichtbarkeit, Energiekontext und Digital-Twin-Workflows Fertigungs- und Facility-Verbesserungen unterstützen. --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## Operative Twins brauchen produktionsreife Modell-Assets BIM, CAD, Punktwolken und 3D-Dateien kommen oft aus unterschiedlichen Teams und Projektphasen. Designmodelle enthalten Planungsabsicht, CAD-Dateien beschreiben Anlagen und mechanische Details, Punktwolken erfassen die reale Baustelle oder Anlage. Asset-Listen, Fotos, Zeichnungen und Inbetriebnahmedaten ergänzen den Kontext. Ein operativer Digital Twin braucht daraus eine stabile Asset-Schicht. Das Modell muss schnell laden, zur realen Anlage passen, mit Asset-IDs verbunden sein, Zugriffsregeln unterstützen und klare Ziele für Datenbindungen enthalten. Ein gutes Aussehen reicht für Facility Management, Bauanleitung, Simulation oder Inspektion allein nicht aus. [FactVerse Designer](/products/designer) und [FactVerse Twin Engine](/products/factverse-twin-engine) unterstützen Teams dabei, Quellmodelle in wiederverwendbare operative Twin-Assets zu verwandeln. Die Arbeit umfasst Geometriebereinigung, semantische Struktur, Standortausrichtung und Objekte, die Anwendungen zuverlässig referenzieren können. ## Rollen der Quellmodelle | Quelle | Hauptwert in der Asset-Pipeline | |---|---| | BIM | Raumstruktur, Systeme, Planungsabsicht, Gerätepositionen, Dokumentverweise | | CAD und 3D-Modelle | Gerätegeometrie, Produktionslayouts, mechanische Teile, Lieferantenobjekte | | Punktwolken | As-built-Erfassung, Freiraumprüfung, Renovierungsnachweis, Feldausrichtung | | Zeichnungen und Fotos | Kontext für fehlende Objekte, Wege, verdeckte Arbeiten und Wartungsbereiche | | Asset-Register | Asset-IDs, Namen, Verantwortliche, Systeme, Wartungsverantwortung | | Betriebsdaten | Sensoren, Zähler, Alarme, Statuswerte, Dokumente, Inspektionsdaten, Verfahren | Jede Quelle sollte Eigentümer, Version und Prüfstatus behalten. Diese Herkunftsdaten helfen bei Konflikten im Feld, Modelländerungen und Simulationsannahmen. ## Qualitätsprüfungen vor dem Import Vor dem Import sollten Teams folgende Grundlagen prüfen: * Eigentümer, Lizenz, Exportdatum und Freigabestatus * Einheiten, Ursprung, Ausrichtung, Koordinatensystem und Standortreferenz * Disziplinumfang, Etagen- oder Zonenabdeckung und Modellversion * Dateigröße, Objektanzahl, Texturgröße und Ziel-Laufzeitumgebung * Namensregeln für Etagen, Räume, Systeme, Assets und Geräteklassen * Sensible Geometrie, Sicherheitsgrenzen und Rollenrechte * Verbindungen zu Asset-Registern, Dokumenten und Betriebssystemen Diese Prüfungen reduzieren verschobene Modelle, zu große Dateien, doppelte Geräte, fehlende Asset-IDs, unklare Zuständigkeit und schwer wiederverwendbare Geometrie. ## Geometrie für den Betrieb vorbereiten Operative Anwendungen werden oft von Personen genutzt, die nicht zum Modellierungsteam gehören. Modelle müssen lesbar, renderbar, suchbar und aktualisierbar sein. * Details entfernen, die dem Ziel-Workflow keinen Nutzen bringen * Große Modelle nach Standort, Gebäude, Etage, Zone, System oder Gerätegruppe teilen * Wiederholte Objekte vereinfachen und die erkennbare Form erhalten * Ursprünge und Koordinaten zwischen BIM, CAD und Punktwolken ausrichten * Detailstufen für Desktop, Mobile, Web und Mixed Reality vorbereiten * Eine stabile Hierarchie für Labels, Filter, Rechte und Datenbindung sichern * Zugangsbereiche, Wartungsräume, Sicherheitsgrenzen und Sichtbarkeit prüfen Das Ziel ist ein performantes Modell, das die für den Betrieb wichtigen Objekte behält. ## Punktwolken für As-built-Vertrauen nutzen Punktwolken sind wertvoll, wenn die Anlage schneller verändert wurde als die Dokumentation. Sie helfen, Planung und Realität zu vergleichen, installierte Geräte zu lokalisieren, Wartungsräume zu prüfen und geänderte Bereiche zu aktualisieren. Wenn BIM-Objekt, CAD-Datei und Scan nicht übereinstimmen, kann das Team die Abweichung dokumentieren, die Modellquelle aktualisieren und die Entscheidung nachvollziehbar halten. Typische Prüfbereiche sind Gerätepositionen, Wegefreiheit, dichte Rohr- und Kabeltrassen, Wartungszugang, Bodenhöhe, Deckenraum, Rack-Layout und temporäre Arbeiten. Das Ergebnis sollte eine Modelländerung oder eine dokumentierte Ausnahme sein. ## Objekte als operative Assets paketieren Ein Objekt wird wertvoll, wenn Anwendungen es erkennen und wiederverwenden können. Pumpen, AHUs, Kältemaschinen, Racks, Roboterzellen, Verpackungsstationen, Krane und Ventile brauchen dafür operativen Kontext. Wichtige Felder sind Asset-ID, Anzeigename, Asset-Klasse, System, Etage, Raum, Zone, Route, Quellmodell, Version, Prüfer, Freigabestatus, Dokumente, SOPs, Inspektionsvorlagen, Datenbindungsziele und Zugriffsregeln. So wird 3D-Inhalt zu einer operativen Objektbibliothek für Facility-Teams, Feldteams, Simulationsteams und AI-Workflows. ## Die DataMesh Asset-Pipeline 1. **Quellpakete sammeln** - BIM, CAD, 3D, Punktwolken, Zeichnungen, Fotos, Asset-Listen, Gerätedokumente und Betriebssystemreferenzen zusammenführen. 2. **Modellgrundlagen prüfen** - Einheiten, Koordinaten, Ursprung, Dateigröße, Abdeckung, Hierarchie, Namen, Eigentümer und Sicherheitsgrenzen validieren. 3. **Geometrie normalisieren und segmentieren** - Nach Etage, Zone, System, Prozessbereich, Gerätegruppe oder Laufzeitszenario vorbereiten. 4. **Feldrealität ausrichten** - Punktwolken oder Feldaufzeichnungen für Position, Freiraum, Zugang und Renovierungsunterschiede nutzen. 5. **Operative Objekte erstellen** - Asset-IDs, Klassen, Räume, Systeme, Dokumente, Inspektionsvorlagen und Datenbindungsziele hinzufügen. 6. **Szenenverhalten erstellen** - In Designer Ansichten, Labels, Panels, Szenariologik, Etagenwechsel und Walkthroughs aufbauen. 7. **In die Laufzeit veröffentlichen** - Mit Twin Engine und FactVerse für Visualisierung, Feldführung, Monitoring, Simulation und Facility Workflows bereitstellen. 8. **Updates verwalten** - Versionen, Prüfer, Quellen und Änderungsnotizen bei Anlagenänderungen pflegen. ## Checkliste * Kann jedes veröffentlichte Modell auf Quellen und Eigentümer zurückgeführt werden? * Sind Einheiten, Maßstab, Ursprung, Ausrichtung und Standortkoordinaten validiert? * Ist das Modell für die Zielanwendungen segmentiert? * Sind Etagen, Zonen, Systeme, Geräte und Routen konsistent benannt? * Stimmen Asset-IDs mit dem Asset-Register oder Wartungssystem überein? * Sind sensible Bereiche und kundenspezifische Geometrie geschützt? * Werden Punktwolkenbefunde als Modellupdate oder Ausnahme dokumentiert? * Sind Datenbindungsziele vorbereitet, bevor Dashboards oder AI-Workflows die Szene nutzen? ## Öffentliche Referenzen Die [JTC und DataMesh Zusammenarbeit](/about/news/collaboration-between-jtc-datamesh) zeigt BIM und Mixed Reality für Bauabläufe und Feldarbeit. Die [Obayashi Referenz](/about/news/digital-twin-empowers-bim-obayashi) zeigt BIM-Daten und Digital-Twin-Inhalte für die Bauprozessprüfung. --- ## [GUIDES] BIM zum operativen digitalen Zwilling: Vom Designmodell zu Feld- und Facility-Workflows ## BIM wird wertvoller, wenn es den Betrieb erreicht BIM liefert Projektteams ein reichhaltiges Designmodell. Betriebsteams brauchen zusätzlich einen Arbeitskontext, der Orte, Assets, Systeme, Aufgaben, Live-Zustände und Nachweise verbindet. Entscheidend ist, wie ein Modell nach Design Review und Baukoordination weiter Entscheidungen unterstützt: wo ein Problem liegt, welches Asset betroffen ist, welches Team den nächsten Schritt übernimmt und welche Nachweise den Abschluss belegen. Ein operativer digitaler Zwilling bringt BIM und 3D-Assets in Feld- und Facility-Workflows. Er verbindet Modellgeometrie mit Asset-Identität, räumlicher Hierarchie, Datenbindungen, geführten Verfahren, Inspektionsdaten, Work Orders und Übergabenachweisen. Das Modell wird zum gemeinsamen Betriebskontext für Bauunternehmen, Eigentümer, Servicepartner und Facility-Teams. Das ist besonders relevant für MEP-Bereiche, Technikräume, Sanierungsetagen, dichte Versorgungskorridore, Rechenzentren, Campusflächen und komplexe Anlagen, in denen Zeichnungen, Fotos, Mängellisten und Systemdaten über viele Werkzeuge verteilt sind. ## Was sich bei der operativen Nutzung von BIM verändert | Ebene | Operative Nutzung | |---|---| | Räumliche Hierarchie | Standort, Gebäude, Etage, Raum, Zone, Route, Zugangsbereich und Sicherheitsgrenze | | Asset-Identität | Equipment-IDs, Systemzugehörigkeit, Tags, Dokumente, Owner und Wartungsverantwortung | | Systembeziehungen | Strom, Kühlung, Luft, Wasser, Prozess, Steuerung sowie Upstream- und Downstream-Abhängigkeiten | | Datenbindungen | Sensoren, Zähler, Alarme, BMS, SCADA, IoT, CMMS, EAM und Arbeitshistorie | | Feld-Workflows | Installationsführung, Commissioning Checks, Inspektionen, Issues, Work Orders und Abnahmenachweise | | Facility-Workflows | Monitoring, Instandhaltung, Energieprüfung, Umbauplanung, Notfallreaktion und Training | | Governance | Modellversion, Datenquelle, Owner, Update-Prozess, Qualitätsreview und Übergabestatus | Der Schwerpunkt verschiebt sich von Modellansicht zu operativer Kontinuität. Teams nutzen denselben räumlichen Kontext während Bau, Inbetriebnahme, Übergabe, täglicher Wartung und späteren Umbauten. ## DataMesh Workflow 1. **Quellmodelle und Aufzeichnungen sammeln** - BIM, CAD, Punktwolken, Zeichnungen, Equipment-Listen, O&M-Dokumente, Commissioning Records, Issue Logs und Baustellenfotos zusammenführen. 2. **Räumliches Objektmodell erstellen** - Gebäude, Etagen, Räume, Zonen, Systeme, Assets, Routen und Beziehungen mit FactVerse und Twin Engine strukturieren. 3. **Datenquellen verbinden** - Facility-Systeme, Enterprise-Systeme, Sensoren, Zähler, Alarme, Dokumente und Arbeitsaufzeichnungen mit Data Fusion Services anbinden. 4. **Nutzbare Szenen erstellen** - Szenen, Labels, Panels, Verhalten, Etagenwechsel, Systemansichten und Szenario-Präsentationen in Designer vorbereiten. 5. **Feldführung unterstützen** - Director und DataMesh One für Installationsführung, Inspektionsschritte, Commissioning-Verfahren, Training und Stakeholder Reviews einsetzen. 6. **Ausführungsnachweise erfassen** - Inspector für Issues, Inspektionen, Fotos, Korrekturmaßnahmen, Work Orders, Abnahmenotizen und Prüfstatus nutzen. 7. **Kontext in den Betrieb tragen** - Den Zwilling mit Anlagenänderungen weiter pflegen, damit Wartung, Energieanalyse, Umbau und Notfallreaktion denselben Asset- und Raumkontext verwenden. So entsteht eine kontinuierliche Übergabe von Projektdaten zu Betriebsdaten. ## Workflows mit frühem Nutzen - **Baukoordination**: MEP-Routen, dichte Equipment-Bereiche, verdeckte Arbeiten, Montagereihenfolge und Baustellenrestriktionen im 3D-Kontext prüfen. - **Commissioning und Übergabe**: Abnahmenachweise, Fotos, Asset-IDs, Commissioning-Dokumente und offene Punkte mit dem passenden Raum oder Asset verbinden. - **Facility Monitoring**: Live-Zustände, Alarme, Zählerdaten und Equipment-Status an den Zwilling binden, damit Teams Ereignisse räumlich verstehen. - **Inspektion und Instandhaltung**: Räumlichen Kontext in Inspektionen, Work Orders, Fotos, Korrekturmaßnahmen und Abschlussnachweise überführen. - **Umbauplanung**: Betroffene Zonen, Zugangswege, benachbarte Systeme, Asset-Beziehungen und Feldrestriktionen vor Arbeitsbeginn prüfen. - **Energie- und Nachhaltigkeitsprüfung**: Zonen, Systeme, Zähler, Asset-Beziehungen und Betriebsaufzeichnungen verbinden, um Facility-Analyse und Green-Mark-Nachweise vorzubereiten. Ein guter Startpunkt ist ein Workflow, bei dem räumlicher Kontext ein echtes Übergabeproblem löst. ## Rolle der DataMesh Produkte [FactVerse](/products/factverse) bildet die Plattformgrundlage für operative digitale Zwillinge und verbindet Asset-, Raum-, Daten-, AI-, Simulations- und Workflow-Kontext. [FactVerse Twin Engine](/products/factverse-twin-engine) macht BIM, CAD, Punktwolken und operative Aufzeichnungen als Laufzeitkontext für Anwendungen nutzbar. [Data Fusion Services](/products/dfs) verbindet operative Daten und Geschäftsnachweise mit dem Zwilling und ordnet Quellen Assets, Räumen, Systemen und Workflows zu. [FactVerse Designer](/products/designer) bereitet Szenen, Ansichten, Interaktionen, Szenarioerklärungen und visuelle Planungsinhalte vor. [Director](/products/director) unterstützt geführte Verfahren, Installationsführung, Training und feldnahe Anweisungen. [Inspector](/products/inspector) verwaltet Inspektionen, Work Orders, Issue Closure, Wartungsnachweise und Facility Records. Zusammen helfen diese Produkte, Projektvisualisierung in einen arbeitsfähigen operativen Zwilling zu überführen. ## Governance Checkliste - Sind BIM-, CAD-, Punktwolken- und Zeichnungsquellen mit Version und Owner dokumentiert? - Sind Gebäude, Etagen, Räume, Zonen, Systeme und Assets konsistent benannt? - Sind Asset-IDs mit Enterprise Asset Records und Wartungssystemen abgestimmt? - Sind Datenbindungen mit Quelle, Einheit, Aktualisierungsregel und Qualitätsstatus dokumentiert? - Sind Feldaufzeichnungen mit dem richtigen Raum, Asset, Task und der passenden Szenenversion verbunden? - Sind Übergabedokumente, Fotos, Issues, Abnahmenotizen und Commissioning Records aus dem Zwilling auffindbar? - Sind Verantwortlichkeiten für Updates bei Baufortschritt oder Anlagenänderung geklärt? - Können Facility-Teams denselben Kontext für Monitoring, Inspektion, Wartung, Umbau und Training nutzen? Diese Prüfungen machen aus einer Modellkonvertierung ein langfristiges Betriebsasset. ## Öffentliche Referenzen Die [Zusammenarbeit von JTC und DataMesh](/about/news/collaboration-between-jtc-datamesh) zeigt BIM und Mixed Reality zur Unterstützung von Bauabläufen und Frontline-Arbeit. Die [Obayashi Baureferenz](/about/news/digital-twin-empowers-bim-obayashi) zeigt BIM-Daten in Verbindung mit Mixed Reality zur Unterstützung von Bauprozessen. Die [Toda SAGA Arena Referenz](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) zeigt digitale Zwillinge und Mixed Reality für Simulation und Prüfung von Bauverfahren. Die [TOKYO TORCH XR-Projektionstour](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) zeigt BIM-basierte Digital-Twin-Visualisierung für Stakeholder-Kommunikation rund um ein geplantes Gebäude. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## Integration beginnt mit betrieblicher Identitaet Die meisten Facility- und Industrieteams arbeiten bereits mit mehreren Systemen. CMMS oder EAM verwalten Instandhaltungsdaten und Asset-Historie. BMS ueberwacht Gebaeudesysteme und Alarme. SCADA, IoT, MES, ERP, Dokumentenablagen und Ticketsysteme enthalten jeweils weitere Teile des Betriebsbildes. Die Schwachstelle ist oft die Identitaet. Dieselbe Pumpe, Lueftungsanlage, Kaeltemaschine, Schalttafel, Reinraumversorgung, Rechenzentrumsanlage oder Produktionsnebenanlage kann in Zeichnungen, BMS-Punkten, Wartungsdaten, Checklisten und Feldnotizen unterschiedlich heissen. Bei einem Alarm muss das Team dann mehrere Systeme durchsuchen, um Asset, Ort, Risiko, Verfahren und Verantwortlichen zu verstehen. Ein operativer digitaler Zwilling bildet eine gemeinsame Kontextschicht. Er verbindet Assets, Raeume, Systeme, Live-Werte, Alarme, Dokumente, Verfahren, Arbeitsauftraege und Felddaten, damit Aufgaben im realen Betriebskontext geprueft werden koennen. ## Was zuerst ausgerichtet werden sollte Die Integration sollte mit den Objekten beginnen, die Arbeit nachvollziehbar machen: | Ebene | Integrationsfokus | |---|---| | Asset-Identitaet | Anlagen-IDs, Tags, Seriennummern, wartbare Objekte, Hierarchien | | Standortstruktur | Standort, Gebaeude, Etage, Zone, Raum, Linie, Anlagenbereich, Rack, Systemgrenze | | Systembeziehungen | HVAC, Strom, Wasser, Gas, Druckluft, Prozessversorgung, Rechenzentrumssysteme | | Signale und Alarme | BMS-Punkte, IoT-Werte, SCADA-Tags, Alarmtypen, Schwellwerte, Schweregrad, Zeitfenster | | Arbeitsdaten | CMMS- oder EAM-Auftraege, Inspektionen, praeventive Wartung, Servicehistorie | | Dokumente | Handbuecher, Zeichnungen, SOPs, Genehmigungen, Kalibrierungen, Validierungsdokumente | | Felddaten | Fotos, Messwerte, Checklisten, Reparaturnotizen, Abnahmen, Pruefentscheidungen | Das Ziel ist ein stabiles Referenzmodell. Ein BMS-Alarm, Arbeitsauftrag, Inspektionsweg, Dokument und AI-Agent-Hinweis sollten denselben Asset- und Standortkontext nutzen. ## CMMS- und EAM-Integration CMMS und EAM bleiben in vielen Organisationen die fuehrenden Systeme fuer Instandhaltungsdaten. Sie enthalten Asset-Register, Arbeitsauftragsnummern, praeventive Wartung, Ersatzteilhistorie, Arbeitszeiten und Abschlussstatus. Der operative digitale Zwilling ergaenzt diesen Datensatz um Feld- und Raumkontext. Typische Integrationsmuster sind: * Arbeitsauftraege am Asset und Ort im digitalen Zwilling anzeigen * Wartungshistorie mit Anlagen, Raeumen, Systemen und Routen verbinden * Inspektions- oder Reparaturaufgaben aus dem Twin-Kontext starten * Felddaten in den genehmigten Arbeitsauftrag zurueckgeben * wiederkehrende Auftraege ueber aehnliche Assets und Orte vergleichen * Handbuecher, Zeichnungen und SOPs mit der Aufgabenansicht verbinden * Pruefentscheidungen und Ausnahmen fuer spaetere Analyse erhalten So sehen Planer und Feldteams die physische Wirkung der Arbeit, erkennen wiederkehrende Probleme und schliessen Aufgaben mit besseren Nachweisen ab. ## BMS-, IoT- und SCADA-Daten BMS-Daten werden betrieblich wertvoll, wenn Punktnamen mit wartbaren Assets und physischen Raeumen verbunden sind. Temperatur, Druck, Ventilzustand, Pumpenalarm oder Energiezaehler koennen dann mit betroffener Anlage, Raum, Systembeziehung, Wartungshistorie und Verfahren geprueft werden. Data Fusion Services kann Punktdaten, Alarme, Ereignisstroeme, Enterprise-Daten und Dokumente mit FactVerse verbinden. FactVerse bildet die Beziehungen zwischen Asset, Raum, System, Signal, Dokument und Workflow ab. Teams sollten festlegen: * welche Punktnamen zu welchen Assets und Raeumen gehoeren * welche Alarme Inspektion, Instandhaltung, Eskalation oder Beobachtung ausloesen * welche Werte fuer Energie-, Reliability- oder Nachweisreviews genutzt werden * wie Datenqualitaetsprobleme markiert werden * welche Systeme Alarmstatus, Arbeitsauftragsstatus und Abschlussdaten fuehren * welche Historie fuer Trendanalyse und Machine-Learning-Bewertung bleibt Stabile Zuordnung ist wichtiger als breite Datenaufnahme. Ein kleinerer Satz geregelter Signale kann den Betrieb besser unterstuetzen als ein grosser Datenstrom ohne klare Verantwortung. ## Von Alarmen zu Arbeitsauftraegen Das wichtigste Muster ist die Schleife vom Signal zur geprueften Aktion: 1. **Erkennen** - BMS, IoT, SCADA, Inspektion oder AI Agent erkennt Alarm, abnormalen Trend, verpasste Aufgabe oder wiederkehrende Ausnahme. 2. **Kontext herstellen** - FactVerse verbindet den Befund mit Asset, Raum, System, Live-Werten, Dokumenten, SOPs und Arbeitshistorie. 3. **Pruefen** - Das verantwortliche Team prueft Schweregrad, Nachweise, betriebliche Auswirkung, Sicherheitshinweise und empfohlene Kontrollen. 4. **Zuweisen** - Bestaetigte Arbeit wird in Inspector, Checklist, CMMS, EAM oder ein anderes freigegebenes Ausfuehrungssystem uebergeben. 5. **Ausfuehren** - Feldteams nutzen Asset-Kontext, Checklisten, Fotos, Messwerte, Handbuecher und Verfahrenshinweise. 6. **Erfassen** - Notizen, Messwerte, Fotos, Ersatzteile, Ausnahmen, Abnahmen und Pruefentscheidungen werden dokumentiert. 7. **Lernen** - Ergebnisse und Korrekturen fliessen in Datenqualitaet, Empfehlungsabstimmung und Machine-Learning-Bewertung ein. Diese Schleife verbindet AI-gestuetzte Empfehlungen mit menschlicher Pruefung und Feldnachweisen. ## Facility- und Rechenzentrumsbetrieb In Smart Buildings, Campusumgebungen, Rechenzentren und Industrieanlagen beginnt Integration oft mit wiederkehrenden Fragen: * Welches Asset ist von diesem Alarm betroffen * Welcher Raum, welches System, welcher Mieter, welcher Produktionsbereich oder welche Data Hall kann betroffen sein * Ist ein aehnliches Problem bereits aufgetreten * Welche SOP, Zeichnung, welches Handbuch oder welcher Sicherheitshinweis gilt * Ist es ein Wartungsthema, Energiereview, Betriebsausnahme oder Inspektionsaufgabe * Welche Nachweise werden vor Abschluss benoetigt Rechenzentrumsteams koennen dasselbe Muster fuer standortuebergreifendes Asset Management, Energieberechnung, Inspektion, Instandhaltung und Visualisierung verwenden. Facility-Teams koennen BMS-Alarme, Energiezaehler, Anlagenakten, Inspektionsrouten und Green-Mark-bezogene Nachweise mit Betriebsdaten verbinden, waehrend die Bewertung an offiziellen Kriterien und der Projektpruefung ausgerichtet bleibt. ## Produktrollen [DataMesh FactVerse](/products/factverse) stellt die operative Kontextschicht fuer Assets, Raeume, Systeme, Beziehungen, Berechtigungen, Datensaetze und Szenenansichten bereit. [Data Fusion Services](/products/dfs) verbindet CMMS, EAM, BMS, IoT, SCADA, Dokumente, Arbeitsdaten und Enterprise-Daten mit den passenden Twin-Objekten. [Inspector](/products/inspector) verwaltet Alarme, Inspektionen, Arbeitsauftraege, Felddaten, Fotos, Reparaturnotizen, Abnahmen und betriebliche Uebergaben. [Checklist](/products/checklist) strukturiert wiederholbare Inspektionen, Pflichtmesswerte, Freigaben und compliance-orientierte Felddaten. [FactVerse AI Agent](/products/factverse-ai-agent) kann verbundene Signale, Alarme, Dokumente, Arbeitshistorie und Feldfeedback rund um die Uhr pruefen, Triage unterstuetzen, Evidenz zusammenfassen, naechste Pruefschritte empfehlen und Feedbackdaten nach Abschluss bewerten. [FactVerse Twin Engine](/products/factverse-twin-engine) pflegt das Laufzeitmodell fuer Twin-Zustand, Beziehungen, Interaktion und operative Visualisierung. ## Implementierungscheckliste * Sind Asset-IDs in CMMS, EAM, BMS, Zeichnungen und Feldlabels konsistent? * Ist die Standortstruktur fuer mobile Teams und Remote-Experten ausreichend? * Sind BMS-Punkte und Alarme Assets, Raeumen, Systemen und Schweregraden zugeordnet? * Sind Verantwortlichkeit, Status, Abschluss und Nachweisfelder von Arbeitsauftraegen definiert? * Sind Inspektionsrouten und Checklistenpunkte mit demselben Asset- und Raummodell verbunden? * Sind Handbuecher, Zeichnungen, SOPs, Genehmigungen und Validierungsunterlagen mit dem Arbeitskontext verknuepft? * Werden Fotos, Messwerte, Ausnahmen und Pruefentscheidungen fuer spaetere Reviews gespeichert? * Basieren AI-Agent-Anwendungsfaelle auf geregelten Asset-, Signal-, Alarm-, Dokument- und Arbeitsauftragsdaten? * Sind Datenverantwortung, Aktualisierung, Zugriffsregeln und Cybersecurity-Zustaendigkeit klar? ## Oeffentliche Referenzen Die [Yokogawa- und DataMesh-Referenz fuer praediktive Instandhaltung](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt, wie industrielle Daten, AI-Analyse und Wartungsablaeufe im Facility-Kontext verbunden werden. Die [JTC-Kollaboration](/about/news/collaboration-between-jtc-datamesh) zeigt DataMesh-Digital-Twin-Arbeit in komplexen Anlagen, in denen Raumkontext, Anlagenstatus und Frontline-Workflows zentral sind. Die [NIO-Smart-Factory-Referenz](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) zeigt, wie digitale Fabrikzwillinge Betriebssichtbarkeit, Anlagenkontext und teamuebergreifende Zusammenarbeit verbinden. Der [Guide zu AI-Alarmen und Arbeitsauftraegen](/resources/guides/ai-alert-to-closed-loop-work-orders), der [Rechenzentrumsbetrieb-Guide](/resources/guides/data-center-digital-twin-operations) und der [Green Mark und Brick Schema Guide](/resources/guides/green-mark-digital-twin-brick-schema) behandeln angrenzende Muster fuer Ausfuehrung, Facility Operations und Nachweisfuehrung. --- ## [GUIDES] Data Center Digital Twin Operations: Asset-, Energie-, Inspektions- und Wartungsworkflows ## Data-Center-Betrieb braucht gemeinsamen Facility-Kontext Rechenzentren werden über viele Spezialsysteme betrieben. DCIM, BMS, EPMS, Zähler, Alarme, Asset Register, Wartungstools und Feldaufzeichnungen enthalten jeweils einen Teil des Bildes. Betriebsteams müssen Standort, Raum, Rack, Equipment, Strompfad, Kühlzone, Alarm, Inspektion und Arbeitshistorie in einem gemeinsamen Kontext sehen. Ein Data-Center-Digital-Twin liefert diesen Kontext. Er verbindet Facility Assets, Live-Infrastrukturdaten, Energiedaten, Inspektionsrouten, Wartungsaufgaben und Work-Order-Nachweise in einer räumlichen Betriebsansicht. Das Ziel ist praktisch: Standorte besser verstehen, inspizieren, warten, berichten und für Engineering Reviews vorbereiten. Der Ansatz unterstützt einzelne Anlagen und Multi-Site-Portfolios. Ein gemeinsames Modell erleichtert Standortvergleich, einheitliche Reports und nachvollziehbare Betriebsnachweise über Räume, Assets und Teams hinweg. ## Was der Twin verbinden sollte | Ebene | Betriebskontext | |---|---| | Raum | Standort, Gebäude, Raum, Rack, Korridor, Equipment-Bereich, Zugangsweg und Sicherheitsgrenze | | Assets | UPS, Generator, Schaltanlage, CRAC, AHU, Pumpe, Chiller, Rack, Sensor, Zähler und Service Owner | | Strom | EPMS-Daten, Strompfade, Panels, Einspeisungen, Zählerwerte, Lastdaten und betroffene Assets | | Umgebung | Temperatur, Feuchte, Luftstromkontext, Kühlanlagenzustand, Alarme und Raumzustand | | Wartung | Inspektionsrouten, Work Orders, Reparaturhistorie, Fotos, Abnahmenotizen und Verifikationsstatus | | Dokumente | O&M-Dateien, Verfahren, Commissioning Records, Asset Manuals und Change Notes | | Governance | Datenquelle, Update Owner, Review-Prozess, Freigabeweg, Nachweisqualität und Rollout-Umfang | Der Twin wird wertvoll, wenn jedes Signal zu Ort, Asset, verantwortlichem Team und Folgedatensatz führt. ## DataMesh Workflow für Rechenzentren 1. **Facility-Quellen sammeln** - DCIM, BMS, EPMS, Zähler, Alarme, Asset-Listen, Equipment-Dokumente, Wartungsdaten, Inspektionspläne und Standortzeichnungen zusammenführen. 2. **Facility Twin erstellen** - Räume, Racks, Equipment, Strompfade, Kühlzonen, Zähler, Sensoren, Dokumente und Serviceverantwortung in FactVerse organisieren. 3. **Betriebsdaten verbinden** - Live-Signale und Enterprise Records mit Data Fusion Services an die richtigen Assets, Räume, Systeme und Workflows binden. 4. **Wiederverwendbare Szenen vorbereiten** - Data Center DLC und FactVerse Designer nutzen, um Raum-, Rack-, Equipment- und Facility-Szenen schneller zu erstellen. 5. **Betriebszustand prüfen** - Energieindikatoren, Alarme, Equipment-Status, wiederkehrende Issues und Wartungsprioritäten im Standort- und Asset-Kontext reviewen. 6. **Feldarbeit ausführen** - Bestätigte Findings in Inspector zu Inspektionen, Work Orders, Reparaturnotizen, Fotos, Abnahmenachweisen und Verifikationsdaten machen. 7. **Vergleichen und verbessern** - Konsistente Records über Standorte und Räume hinweg für Management Review, Engineering Analyse, Nachhaltigkeitsberichte und spätere Effizienzprogramme nutzen. Wichtig ist der Weg vom Signal zum Ort, vom Ort zum Owner und vom Owner zur verifizierten Arbeit. ## Typische Startpunkte - **Asset Register und Standort**: Raum-, Rack-, Facility-Equipment-, Zähler- und Serviceverantwortungsdaten bereinigen. - **Energieberechnung und Reporting**: Zählerwerte, Equipment-Kontext, Lastverlauf und Betriebsdaten für Management Reviews verbinden. - **Alarm- und Inspektionsworkflow**: Alarme, Routen, Work Orders, Feldnotizen und Reparaturnachweise rund um das betroffene Asset anzeigen. - **Wartung kritischer Infrastruktur**: UPS, Generatoren, Schaltanlagen, Kühlanlagen, Pumpen und zugehörige Servicehistorie verfolgen. - **Multi-Site-Standardisierung**: Dasselbe Raum-, Asset-, Energie- und Wartungsmodell auf mehrere Rechenzentren anwenden. - **Green-Operations-Nachweise**: Energie-, Umwelt-, Wartungs- und Korrekturrecords für interne Governance und Green-Mark-Vorbereitung strukturieren. Ein guter Startumfang hat vorhandene Daten, klare Owner und ein reales Übergabeproblem. ## Rolle der DataMesh Produkte [Data Fusion Services](/products/dfs) verbindet DCIM, BMS, EPMS, Zähler, Historian-Systeme, Alarme, Wartungstools und Enterprise-Systeme. [FactVerse](/products/factverse) bietet den Facility-Digital-Twin-Kontext mit Räumen, Racks, Assets, Systemen, Datenbindungen, Dokumenten und Workflows. [FactVerse DLC](/products/factverse-dlc) liefert wiederverwendbare Data-Center-Szenengrundlagen in Designer, einschließlich Räume, Racks, Facility Assets, Energiekontext und Visualisierungselemente. [Inspector](/products/inspector) verwaltet Inspektionen, Work Orders, Reparaturrecords, Fotos, Abnahmenotizen, Verifikation und Feldnachweise. [FactVerse AI Agent](/products/factverse-ai-agent) kann Teams bei Review von abnormalen Mustern, wiederholten Alarmen und Wartungshistorie unterstützen, sobald Datenmodell und Workflow stabil sind. ## Governance Checkliste - Sind Raum-, Rack-, Equipment-, Zähler- und Sensornamen systemübergreifend konsistent? - Stimmen Asset IDs mit DCIM, Wartungstools, Zeichnungen und Feldlabels überein? - Sind Owner und Aktualisierungsregel für Strom-, Umwelt- und Wartungsdaten dokumentiert? - Lässt sich ein Alarm zu Raum, Rack, Asset, System, Owner und Arbeitsrecord zurückverfolgen? - Können Feldteams Fotos, Notizen, Reparaturaktionen und Abnahmenachweise im selben Kontext erfassen? - Lassen sich Energiedaten nach Standort, Raum, Asset, Zähler und Zeitfenster prüfen? - Basieren Multi-Site-Reports auf konsistenten Asset-Klassen und Datendefinitionen? - Sind Engineering Review, Kundenfreigabe und Change-Control-Verantwortung vor physischen Änderungen klar? Diese Checks halten den Digital Twin für tägliche Arbeit und Management Review nutzbar. ## Öffentliche Referenzen Die [IDC DLC Ankündigung](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) zeigt, wie DataMesh wiederverwendbare Digital-Twin-Inhalte für Data-Center-Szenen in FactVerse Designer bereitstellt. Die [Data Center Operations Lösung](/solutions/ai-agent-data-center) beschreibt den Betriebsumfang für Asset Visibility, Energieberechnung, Inspektion, Wartung, Work Orders und Multi-Site-Digital-Twin-Management. Die [Yokogawa Predictive-Maintenance-Referenz](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt das Muster, industrielle Facility-Signale mit Wartungsreview zu verbinden. Die [Faurecia und EVE Energy Referenz](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) zeigt, wie operative Sichtbarkeit und Energiekontext Fertigungs- und Facility-Verbesserungsprogramme unterstützen. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## Frontline-Arbeit braucht Betriebskontext Frontline-Arbeit haengt oft von einer genauen Reihenfolge, einem bestimmten Asset, einem physischen Ort, einer geschulten Rolle und einem spaeter pruefbaren Datensatz ab. Ein Techniker isoliert Anlagen, prueft Panels, nimmt Werte auf, fotografiert Befunde, meldet Ausnahmen und schliesst Arbeitsauftraege. Ein Produktionsmitarbeiter fuehrt Setup, Reinigung, Line Clearance, Probenahme oder Uebergaben aus, wobei jeder Schritt an Raum, Anlage, Material und SOP-Version gebunden ist. Klassische SOPs und Trainingsmaterial sind wichtig, liegen aber haeufig getrennt vom Arbeitsobjekt. Verfahren liegen im Dokumentensystem, Assets in CMMS oder EAM, Signale in BMS oder SCADA, Fotos in mobilen Apps und Entscheidungen im Supervisor-Review. Ein operativer digitaler Zwilling gibt dem Verfahren einen Arbeitsort. Er verbindet SOP, Asset, Ort, Rolle, visuelle Fuehrung, Felddatensatz, Inspektion, Arbeitsauftrag und Review-Notiz im selben Betriebskontext. ## Was eine digitale SOP verbinden sollte | Ebene | Betriebliche Details | |---|---| | Verfahrenskontrolle | SOP-Version, Owner, Gueltigkeitsdatum, Freigabeweg, Trainingszielgruppe, Release-Status | | Asset und Ort | Anlagen-ID, Raum, Zone, Linie, Route, Utility-Anschluss, Sicherheitsgrenze | | Gefuehrte Schritte | Arbeitsfolge, Hinweise, Checkpoints, visuelle Referenz, Medien, Ausnahmen | | Rolle und Training | Rollenanforderung, Abschluss, Bewertung, Auffrischungszyklus, Kohortenhistorie | | Feldausfuehrung | Bediener, Startzeit, Schrittstatus, Messwerte, Fotos, Notizen, Problem, Arbeitsauftrag | | Review-Datensatz | Supervisor-Review, Abnahmekriterien, Korrektur, Abschlussstatus, Audit Trail | | Datenkontext | Live-Werte, Alarme, Wartungshistorie, Dokumente, Enterprise-Daten | Das Ziel ist Nachvollziehbarkeit: welches Verfahren genutzt wurde, auf welches Asset oder Gebiet es angewendet wurde, wer es ausgefuehrt hat, welche Nachweise erfasst wurden und wie das Ergebnis geprueft wurde. ## Verfahren im Raumkontext erstellen [Director](/products/director) ist die Authoring-Umgebung fuer gefuehrte 3D-Verfahren. Teams koennen freigegebenes Arbeitswissen in Schritte mit Labels, Animationen, Panels, Bildern, Videos, Checkpoints und visuellen Hinweisen uebersetzen. Guter Inhalt beginnt mit vorhandenen Quellen: SOPs, Arbeitsanweisungen, Handbuecher, Fotos, Videos, CAD- oder BIM-Modelle, Anlagenmodelle, Asset-Listen, Sicherheitshinweise, Trainingsunterlagen und Feldfeedback. Danach entscheidet das Team, welche Schritte 3D-Kontext, Checklisten, Fotos oder Eskalation benoetigen. [FactVerse](/products/factverse) verbindet das Verfahren mit Asset- und Ortsmodell. [Data Fusion Services](/products/dfs) kann Dokumente, Arbeitshistorie, Live-Werte und Enterprise-Daten einbinden. ## Felddaten erfassen [Checklist](/products/checklist) strukturiert wiederkehrende Pruefungen, Pflichtwerte, Freigaben und Abschlussdaten. [Inspector](/products/inspector) verbindet Inspektionen, Probleme, Fotos, Reparaturnotizen, Arbeitsauftraege, Abnahmen und Review-Status mit Asset und Ort. Ein praktischer Ablauf: 1. **Vorbereiten** - SOP, Asset, Ort, Rolle, Checkliste und Pflichtnachweise verbinden. 2. **Fuehren** - Schritte ueber Director-Inhalte und Arbeitsanweisungen bereitstellen. 3. **Erfassen** - Messwerte, Fotos, Notizen, Ausnahmen und Abschlussstatus aufnehmen. 4. **Eskalieren** - Bestaetigte Probleme in Inspektion, Reparatur oder Arbeitsauftrag uebergeben. 5. **Pruefen** - Nachweise, Korrektur und Abschluss durch Supervisor oder Qualitaetsteam reviewen. 6. **Verbessern** - Wiederholte Ausnahmen fuer Training, Verfahrensinhalte und Asset-Daten nutzen. ## Vor der Feldausfuehrung trainieren Training sollte denselben Raumkontext nutzen wie die spaetere Ausfuehrung. Neue Mitarbeiter koennen Anlagenidentitaet, Raumlayout, Schrittfolge, Sichtpruefpunkte, Risiken und Nachweisfelder lernen, bevor sie vor Ort arbeiten. [Simulator](/products/simulator) unterstuetzt Training, wenn Aufgaben von Anlagenverhalten, Bedienung, Sicherheitsszenarien, Routendisziplin, Bewertung und wiederholter Uebung abhaengen. Schwere Maschinen, Gabelstapler, Baumaschinen und anlagenspezifische Programme koennen Operation, Notfallreaktion und Bewertung trainieren. Bei Prozess- und Facility-Arbeit unterstuetzen Director und Checklist die gefuehrte Verfahrensschulung, waehrend Inspector denselben Asset- und Aufgabenbezug in die Ausfuehrung bringt. ## Branchenmuster **Fertigung** nutzt digitale SOPs fuer Umruestung, Inspektion, Wartungsunterstuetzung, Line-Side-Fehlerbehebung, Lageruebergabe und Produktionsutilities. **Pharma und Biopharma** nutzen gefuehrte Verfahren fuer Setup, Reinigung, Probenahme, Wiegen, Line Clearance, Anlagenvorbereitung und Operator-Uebergaben. Trainingsabschluss, SOP-Version, Aufgabennachweis, Ausnahmehinweis und Review-Datensatz helfen bei GMP- und CSV-Evidenzvorbereitung. **Bau und schwere Maschinen** kombinieren Director-Verfahren, Simulator-Training und Inspector-Felddaten fuer Baustellenarbeit, Bedienung, Sicherheitsroutinen und Problemabschluss. Turmkrane, Gabelstapler, Drehbohrgeraete, Tiefbrunnen-Casing-Bohrgeraete, Bagger und projektspezifische Anlagen koennen in Trainingsprogramme einfliessen. **Rechenzentren und Smart Facilities** verbinden Wartungsverfahren, Inspektionsrouten, BMS-Alarme, Asset-Daten, Energiewerte, Fotos und Arbeitsauftragsstatus. **Lager und Intralogistik** trainieren Routen, Ladeablaeufe, Sicherheitschecks, Gabelstaplerroutinen, Ausnahmen und Wartungsaufgaben im selben Asset- und Ortskontext. ## Daten und AI-Feedback Felddaten liefern belastbaren Kontext fuer AI-gestuetzte Workflows. Bestaetigte Probleme, geaenderte Empfehlungen, wiederholte Ausnahmen, Abschlussnotizen, Messwerte, Fotos und Ergebnisse nach der Arbeit zeigen, wo Verfahren unklar sind, Training aktualisiert werden sollte oder Assets wiederkehrende Muster zeigen. [FactVerse AI Agent](/products/factverse-ai-agent) kann verbundene Signale, Arbeitshistorie, Dokumente, Inspektionsdaten und Feldfeedback rund um die Uhr pruefen. Er hilft Teams, Evidenz zusammenzufassen, wiederholte Probleme zu finden, naechste Pruefschritte vorzubereiten und Review-Arbeit zu strukturieren. ## Produktrollen [Director](/products/director) erstellt gefuehrte 3D-SOPs, Schrittprompts, visuelle Labels, Animationen, Medienpanels, Trainingsinhalte und Feldanweisungen. [Checklist](/products/checklist) strukturiert wiederkehrende Pruefungen, Pflichtwerte, Rollenfreigaben, Abschlussstatus und mobile Datensaetze. [Inspector](/products/inspector) verwaltet Inspektionen, Probleme, Arbeitsauftraege, Nachweise, Reparaturnotizen, Abnahmen und Feldhistorie. [Simulator](/products/simulator) unterstuetzt Bedienertraining, wenn Steuerung, Verhalten, Sicherheitsszenarien, Bewertung und Wiederholung zaehlen. [FactVerse](/products/factverse) liefert den operativen Digital-Twin-Kontext fuer Assets, Raeume, Systeme, Verfahren, Arbeitsobjekte, Dokumente und Rechte. [Data Fusion Services](/products/dfs) verbindet CMMS, EAM, BMS, SCADA, IoT, Dokumente, Arbeitsdaten und Enterprise-Systeme mit Twin-Objekten. [FactVerse AI Agent](/products/factverse-ai-agent) unterstuetzt Review, Triage, Empfehlungsaufbereitung und Feedbackanalyse nach Stabilisierung der Workflow-Daten. ## Implementierungscheckliste * Sind SOP-Version, Owner, Release-Datum und Trainingszielgruppe dokumentiert? * Sind Asset-IDs, Raumnamen, Anlagenlabels und Arbeitsauftragsobjekte konsistent? * Sind Schritte fuer 3D-Fuehrung, Checklisten, Fotos oder Messwerte identifiziert? * Sind Ausnahmen, Problemkategorien, Eskalation und Abschlussfelder definiert? * Sind Training, Bewertung und Auffrischung mit der richtigen SOP-Version verbunden? * Sind Inspector- und Checklist-Daten mit demselben Asset- und Ortsmodell verbunden? * Sind Fotos, Messwerte, Notizen, Review-Entscheidungen und Korrekturen fuer spaetere Analyse verfuegbar? * Basieren AI-Agent-Szenarien auf stabilen Verfahrens-, Asset-, Arbeitsauftrags- und Felddaten? ## Oeffentliche Referenzen Die [Swire Coca-Cola Referenz](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) zeigt digitalisierte Instandhaltungsprozesse und Frontline-Trainings. Die [Foxconn Referenz](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) zeigt FactVerse in Trainings- und Wartungsworkflows. Die [Sicherheitstrainingsreferenz](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) zeigt praktisches Feldtraining auf Basis digitaler Zwillinge. Der [Pharma Operator Training Guide](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), der [Heavy Equipment Simulator Training Guide](/resources/guides/digital-twin-heavy-equipment-simulator-training) und der [CMMS, EAM und BMS Integration Guide](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) behandeln angrenzende Workflows. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## Wiederverwendbare Inhalte machen Rollouts stabiler Industrielle Digital-Twin-Projekte bauen häufig ähnliche Grundlagen immer wieder auf: Räume, Assets, Routen, Anlagenklassen, Labels, Panels, Arbeitsanweisungen und Szenenverhalten. Jeder Kundenstandort braucht Anpassung, doch viele Ausgangspunkte sind innerhalb eines Betriebsbereichs wiederkehrend. Digital Twin Content Packs schaffen diese wiederverwendbare Basis. FactVerse DLC stellt vorkonfigurierte Inhalte für FactVerse Designer bereit. Teams starten mit einer branchennahen Grundlage und passen Modell, Szene, Datenmapping und Workflow an die reale Anlage des Kunden an. Der Wert liegt in konsistenter Umsetzung. Produktteams, Delivery-Teams und Kundenteams arbeiten vom ersten Workshop an mit denselben Asset-Klassen, Szenenstrukturen, Arbeitsnachweisen und Betriebsansichten. ## Was ein Content Pack enthalten sollte | Ebene | Nützlicher Inhalt | |---|---| | Asset-Klassen | Gerätetypen, Tags, Eigenschaften, Namenshinweise und Rollen | | Raumstruktur | Standort, Gebäude, Etage, Raum, Zone, Linie, Route und Sicherheitsbereich | | Modellressourcen | 3D-Objekte, vereinfachte Anlagenformen, Layout-Elemente, Labels und Zustände | | Szenenvorlagen | Ansichten für Betrieb, Wartung, Training, Planung und Management-Review | | Verhaltenslogik | Zustandswechsel, geführte Schritte, Alarme, Betriebssequenzen und Szenario-Trigger | | Datenbindung | Quellfelder, Einheiten, Zeitstempel, Owner, Aktualisierungsregeln und Twin-Mapping | | Workflow-Kontext | Prüfpunkte, Checklistenfelder, Work-Order-Übergabe, Nachweise und Freigaben | | Governance | Version, Owner, Umfang, Update-Regel, Lokalisierung und Wiederverwendungskriterien | Ein Pack sollte Teams schneller starten lassen und gleichzeitig die Konfiguration pro Standort ermöglichen. ## Grundlagen für industrielle Nutzung **Data Center DLC** hilft bei Räumen, Racks, Facility-Equipment, Energiekontext, Monitoring-Ansichten, Inspektionsrouten und Wartungsaufzeichnungen für Data-Center-Zwillinge. **Campus DLC** unterstützt Gebäude-, Campus-, Versorgungs-, Umwelt-, Zugangs- und Facility-Kontext für Multi-Building-Betrieb und Smart Facility Management. **Warehousing and Logistics DLC** beschreibt Lagerzonen, Lagerflächen, Routen, Transportlinien, Betriebsabläufe, Logistikplanung und Trainingsszenarien. **Discrete Manufacturing DLC** liefert virtuelle Fabrikstarter für Produktionsanlagen, Fördertechnik, AGVs, Bediener, Linienkontext und Planungsszenen, die in Designer angepasst werden können. Diese Grundlagen entfalten ihren Nutzen, wenn sie mit realen Kundenassets, Systemen, Prozessen und Betriebsaufzeichnungen verbunden werden. ## DataMesh Rollout-Workflow 1. **Inhaltsgrundlage auswählen** - Das DLC-Baseline passend zu Standorttyp und Projektziel wählen. 2. **Kundenstandort abbilden** - Gebäude, Räume, Zonen, Linien, Anlagen, Routen und Arbeitsbereiche mit Kundenbenennung und Asset-Daten abgleichen. 3. **Szenen in Designer vorbereiten** - Modelle, Szenenvorlagen, Ansichten, Labels, Panels und Verhaltenslogik in FactVerse Designer anpassen. 4. **Datenmodell verbinden** - Räume, Assets, Beziehungen, Dokumente, Arbeitskontext und wiederverwendbare Objekte in FactVerse organisieren. 5. **Betriebsdaten anbinden** - Quellsysteme, Sensordaten, Enterprise Records, Wartungstools und Dokumentverweise über Data Fusion Services verbinden. 6. **Ausführungsworkflows anschließen** - Inspektionen, SOP-Führung, Work Orders, Training und Feldnachweise über Inspector, Director oder weitere Anwendungen anbinden. 7. **Wiederverwendung produktisieren** - Wiederkehrende Assets, Logik und Workflows aus Projekten in verwaltete Inhalte überführen, damit spätere Standorte von einer reiferen Basis starten. Jede Lieferung sollte die wiederverwendbare Grundlage verbessern. ## DLC als Produktasset verwalten Jedes Content Pack sollte als Produktasset geführt werden. Es braucht Owner, Version, Umfang, Beispielszenen, Lokalisierungsplan, Release Notes und Kriterien für den wiederverwendbaren Layer. Der wiederverwendbare Layer konzentriert sich auf gemeinsame Struktur: Asset-Klassen, Szenenbasis, Standardansichten, Starterlogik und Integrationsmuster. Kundenspezifische Namen, Sicherheitsregeln, Live-Daten-Zugangsdaten, Freigabeketten und Betriebsanweisungen gehören in die Projektkonfiguration. Diese Trennung hilft DataMesh-Teams, Qualität zu sichern und Projekte flexibel zu halten. Sales, Delivery und Customer Success können klarer erklären, welche Inhalte wiederverwendet und welche vor Ort angepasst werden. ## Rolle der DataMesh-Produkte [FactVerse DLC](/products/factverse-dlc) liefert wiederverwendbare Digital Twin Content Packs für typische industrielle Rollout-Bereiche. [FactVerse Designer](/products/designer) ist der Ort, an dem Teams DLC-Ressourcen öffnen, anpassen und zu Szenen, Betriebsansichten und Szenarioinhalten zusammensetzen. [DataMesh FactVerse](/products/factverse) speichert den gemeinsamen Digital-Twin-Kontext mit Räumen, Assets, Beziehungen, Dokumenten, Datenbindungen und Anwendungsworkflows. [Data Fusion Services](/products/dfs) verbindet Betriebsdatenquellen und Enterprise Records mit den richtigen Objekten im Twin. [Inspector](/products/inspector) macht aus Twin-Kontext Inspektionen, Work Orders, Fotos, Reparaturaufzeichnungen, Abnahmehinweise und Feldnachweise. [FactVerse AI Agent](/products/factverse-ai-agent) kann stabile Twin-Kontexte und Arbeitsaufzeichnungen für Betriebsanalysen nutzen, sobald Datenmodell und Workflow reif sind. ## Rollout-Checkliste - Definiert das Pack wiederverwendbare Asset-Klassen und Eigenschaften klar? - Passt die Raumstruktur zur tatsächlichen Betriebsweise des Kunden? - Sind Modellressourcen leicht genug für interaktive Szenen und klar genug für den Betrieb? - Sind Szenenvorlagen mit realen Workflows wie Inspektion, Planung, Training, Monitoring oder Wartung verbunden? - Sind Datenbindungen mit Quelle, Einheit, Owner, Aktualisierungsregel und Qualitätsstatus dokumentiert? - Sind Inspector-Felder, Work-Order-Übergabe und Nachweise vor dem Feld-Rollout definiert? - Sind Versionierung, Lokalisierung und Inhaltsverantwortung klar? - Können Verbesserungen aus einem Projekt als wiederverwendbarer Inhalt für spätere Projekte dienen? Ein gutes Content Pack reduziert wiederholte Setup-Arbeit und erhöht die Konsistenz zwischen Projekten. ## Öffentliche Referenzen Die [IDC-DLC-Ankündigung](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) zeigt, wie wiederverwendbare Inhalte beim Start von Data-Center-Digital-Twin-Szenen in FactVerse Designer helfen. Das [Warehousing-and-Logistics-DLC-Update](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) zeigt denselben Ansatz für Logistikumgebungen, Routen, Layouts und Betriebsszenarien. Die [Jebsee FactVerse Referenz](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) zeigt, wie Produktionslinienplanung von gemeinsamem Digital-Twin-Kontext in Automatisierungsplanung und Stakeholder-Kommunikation profitiert. Die [NIO Smart Factory Referenz](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) zeigt, wie Fertigungsteams Digital Twins als Grundlage für Fabriktransparenz und Betriebsverbesserung nutzen. --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## Schweres Gerät braucht wiederholbare Übung Operatortraining für schwere Maschinen lässt sich schwer standardisieren. Reale Maschinen sind teuer zu reservieren, Baustellen haben Sicherheitsgrenzen, und erfahrene Trainer haben begrenzte Zeit. Lernende brauchen mehr als Video oder Checkliste. Sie müssen Maschine, Steuerungsreaktion, Arbeitsfolge, Standortkontext, Risikopunkte und Qualität jeder Aktion verstehen. Digital-Twin-Simulatortraining schafft dafür eine kontrollierte Übungsumgebung. Der Operator arbeitet durch ein Szenario mit realistischem Maschinenverhalten, physischen oder Desktop-Bedienelementen, visueller Rückmeldung, Anweisungen und Bewertungsregeln. Trainer können dieselbe Aufgabe wiederholen, Ergebnisse vergleichen und Kompetenznachweise sauberer erfassen. Bei DataMesh ist Simulator die Trainingsoberfläche für schwere Maschinen. Er ergänzt Director-basierte SOP-Trainings, Designer-geführte Szenenplanung und den Digital-Twin-Kontext in FactVerse. ## Inhalt eines guten Simulatorszenarios | Ebene | Beitrag | |---|---| | Maschinenmodell | Geometrie, Maßstab, Kabinenansicht, bewegliche Teile, Arbeitsbereich und maschinenspezifisches Verhalten | | Physikverhalten | Bewegung, Kollision, Lastreaktion, Bodenkontakt, Vibration und relevante Sicherheitsgrenzen | | Controls | Joysticks, Pedale, Panels, Lenkung, Desktop-Controls oder maschinenspezifische Layouts | | Trainingsablauf | Arbeitsschritte, Sprach- oder Texthinweise, Signalbefehle, Checkpoints und Ausnahmebehandlung | | Standortkontext | Baustellenbereich, Routen, Hindernisse, Arbeitszonen, Material, Nachbargeräte und Sichtbedingungen | | Bewertung | Zeit, Genauigkeit, Regelkonformität, Kollisionen, Pfadqualität, Bedienruhe und Abschlussnachweise | | Reviewdaten | Lernendenprofil, Szenarioversion, Score, Notizen, Replay-Evidenz und Trainerfeedback | Ein starkes Szenario verbindet diese Ebenen. Kranhub, Gabelstaplerroute, Bohrgerätaufgabe, Casing-Bohrprozess oder Baggerbedienung sollte wie eine strukturierte Arbeitsaufgabe wirken. ## Maschinenabdeckung und Szenariodesign DataMesh Simulator unterstützt Programme für Turmdrehkrane, Gabelstapler, Drehbohrgeräte, Tiefbrunnen-Casing-Bohrgeräte, Bagger und weitere schwere Maschinen. Jedes Programm startet mit dem Trainingsziel: Grundgewöhnung, Bedienfolge, Ausnahmebehandlung, Zertifizierungsübung, internationales Servicetraining oder trainergeführte Bewertung. Das Trainingsziel bestimmt Hardwareform, Szenentiefe, Control-Setup, Scoring und Inhaltsumfang. Einige Teams brauchen Bewegungsplattform und Kabine. Andere nutzen eine Desktopstation für frühe Gewöhnung. Verteilte Trainingsprogramme können eine portable Konfiguration benötigen. Simulatorinhalte sollten deshalb als Maschinen-Trainingsprogramm geplant werden. Modell, Controls, Szenario, Score und Reviewprozess müssen zur operativen Fähigkeit passen. ## DataMesh Workflow 1. **Trainingsrolle definieren** - Maschinentyp, Operatorrolle, Zielskill, Safety-Fokus und Bewertungsanforderung festlegen. 2. **Maschinen-Twin erstellen** - Modell, bewegliche Teile, Kabinenansicht, Control-Mapping, Physikverhalten und Szenenumgebung vorbereiten. 3. **Trainingspfad authoren** - Schritte, Hinweise, Checkpoints, Signalbefehle und Ausnahmefälle erstellen. 4. **Trainingsstation konfigurieren** - Bewegungsplattform, Kabine, Panel, Desktopstation, visuelles System oder gemischte Konfiguration auswählen. 5. **Üben und bewerten** - Aufgaben wiederholen, Feedback geben und strukturierte Bewertungen durchführen. 6. **Nachweise erfassen** - Scores, Abschlüsse, Trainernotizen, Szenarioversionen und Review-Evidenz speichern. 7. **Kurs verbessern** - Szenarien bei Änderungen an Maschine, Verfahren, Standortregeln oder Trainingsziel aktualisieren. So entsteht ein wiederverwendbares Trainingssystem. ## Rolle im FactVerse Stack [Simulator](/products/simulator) verantwortet schweres Operatortraining, wenn Maschinenverhalten, Control Response, physische Interaktion und Bewertung im Mittelpunkt stehen. [FactVerse](/products/factverse) stellt die Plattformbasis bereit. [FactVerse Twin Engine](/products/factverse-twin-engine) organisiert Assets, Szenenkontext, Verhalten und Szenariostatus. [FactVerse Designer](/products/designer) unterstützt Szenen-Authoring, Layoutplanung und Szenariovorbereitung. [Director](/products/director) unterstützt geführte SOPs und interaktive Trainingsinhalte. [Inspector](/products/inspector) unterstützt Feldnachweise, Inspektionen, Issue Closure und Evidenzworkflows, wenn Training in Standortausführung übergeht. Damit kann Training auf denselben Digital-Twin-Kontext zugreifen, den Teams für Planung, Führung und Betrieb nutzen. ## Öffentliche Steam-Referenzversion DataMesh veröffentlicht [Operator Training: Heavy Equipment auf Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) als vereinfachte öffentliche Referenzerfahrung. Die Steam-Seite nennt DataMesh als Entwickler und Publisher und zeigt eine leichte Simulatordarstellung für öffentliche Nutzer. Diese Version hilft, Konzept, Maschinenbedienung, geführte Übung, visuellen Szenenkontext und Equipment-Simulation zu verstehen. Enterprise- und Bildungsprojekte ergänzen projektspezifische Hardware, Controls, Kursinhalte, Bewertungskriterien, Kabinendesign, Bewegungsplattformoptionen und Integrationsanforderungen. ## Evaluationscheckliste - Passt das Szenario zu einer realen Aufgabe oder Bewertung? - Enthält das Modell bewegliche Teile, Control-Verhalten und relevante Physikannahmen? - Passt die Hardware zum Lernstand und Trainingsziel? - Sind Schritte, Signalbefehle, Checkpoints und Ausnahmen klar definiert? - Beziehen sich Scoring-Regeln auf sichere und korrekte Bedienung? - Können Trainer Replay-Evidenz, Notizen, Scores und Szenarioversionen prüfen? - Lassen sich Trainingsdaten mit Lernmanagement, Safety oder Operations verbinden? - Kann der Kurs bei Änderungen an Maschine, Standortregeln oder Verfahren aktualisiert werden? Diese Fragen halten Simulatortraining an Operator-Kompetenz und Betriebsbereitschaft gebunden. ## Öffentliche Referenzen DataMesh bietet öffentliche Updates zu [Turmdrehkrantraining](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), [Baggertrainingsumgebungen](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), der [Digital-Twin-basierten Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) und [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training). Die [Steam-Seite Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) ist die öffentliche Referenz einer vereinfachten schweren Maschinen-Trainingserfahrung von DataMesh. --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## Vom visuellen Modell zum Betriebsablauf Ein traditioneller digitaler Zwilling beginnt häufig mit einem 3D-Modell, BIM-Daten, Anlagengeometrie oder einem Dashboard. Diese Ebene gibt Teams einen gemeinsamen Blick auf Gebäude, Produktionslinien, Anlagen oder Baustellen und macht komplexe Umgebungen verständlicher. Ein ausführbarer digitaler Zwilling ergänzt den operativen Ablauf rund um dieses Modell. Er verbindet Echtzeitdaten, Anlagenbeziehungen, Prozesslogik, Simulation, Freigaben, Arbeitsaufträge und Nachweisdatensätze. Teams können den aktuellen Zustand prüfen, Szenarien bewerten, Arbeit zuweisen und die Grundlage jeder Entscheidung festhalten. Damit entsteht die Grundlage für Physical AI in Industrie- und Facility-Umgebungen. AI-Empfehlungen werden nützlicher, wenn sie mit realen Anlagen, räumlichem Kontext, physischen Randbedingungen, Arbeitshistorie und Freigabeprozessen verbunden sind. ## Bausteine eines ausführbaren digitalen Zwillings Ein ausführbarer digitaler Zwilling besteht meist aus sechs Ebenen: - **Raum- und Anlagenstruktur**: Standorte, Gebäude, Etagen, Zonen, Systeme, Equipment, Datenpunkte, Dokumente und Verantwortlichkeiten. - **Live-Betriebsdaten**: BMS, SCADA, IoT, Zähler, Historian, CMMS, ERP, MES und weitere Quellsysteme. - **Verhalten und Prozesslogik**: Prozessschritte, Steuerungsannahmen, Abhängigkeiten, Arbeitsanweisungen und Ereignisbedingungen. - **Simulation und Szenarioprüfung**: Layoutoptionen, Flussanalyse, Equipment-Bewegung, physisches Verhalten und Variantenvergleich. - **Workflows und Feldausführung**: Inspektionen, Aufgaben, Arbeitsaufträge, SOPs, Training, Abnahme und Übergabe. - **Governance und Nachweise**: Freigaben, Aufzeichnungen, Modellversionen, Fotos, Notizen und Betriebsergebnisse. Der Nutzen entsteht durch die Verbindung dieser Ebenen. Ein Modell zeigt, wo sich eine Anlage befindet. Ein ausführbarer digitaler Zwilling zeigt zusätzlich Daten, unterstützte Prozesse, geprüfte Szenarien, zugewiesene Arbeit und bestätigte Ergebnisse. ## Warum Physical AI diesen Kontext braucht Physical AI arbeitet mit realen Betriebsbedingungen. Empfehlungen müssen Standort, Anlage, Prozess, Menschen sowie Sicherheits- und Freigaberegeln berücksichtigen. Ein isoliertes Modellergebnis deckt diese Bedingungen nur begrenzt ab. Ein ausführbarer digitaler Zwilling liefert Physical AI einen gesteuerten Betriebskontext: - Er beschreibt, zu welcher Anlage, welchem System, welcher Zone und welchem Prozess ein Signal gehört. - Er stellt historische Aufzeichnungen und Echtzeitbedingungen für Analysen bereit. - Er bietet einen Ort für simulationsgestützten Variantenvergleich. - Er übergibt genehmigte Aktionen an Inspektion, Wartung, Training oder Bauabläufe. - Er bewahrt nachvollziehbare Aufzeichnungen zu Empfehlung, Freigabe, Ausführung und Prüfung. Für Käufer zählt, ob der digitale Zwilling Teil des operativen Systems wird. ## Rolle des DataMesh Stacks [Data Fusion Services](/products/dfs) verbindet Enterprise-, Industrie-, IoT- und Facility-Datenquellen. [FactVerse](/products/factverse) organisiert Daten, Anlagen, Szenen und Anwendungskontext. [FactVerse Twin Engine](/products/factverse-twin-engine) rendert und führt 3D-Twin-Erlebnisse über Geräte und Einsatzszenarien hinweg aus. [FactVerse Designer](/products/designer) unterstützt Szenenerstellung, Prozesslogik, virtuelle Planung und Simulation. Für NVIDIA-Omniverse-Workflows kann der [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) Szenenstruktur, Metadaten und Verhaltenskontext aus FactVerse in USD- und Omniverse-basierte Validierung überführen. [FactVerse AI Agent](/products/factverse-ai-agent) nutzt den verbundenen Kontext für Anomalieprüfung, Prognosen, Betriebsfragen, Empfehlungssummaries und Entscheidungsübergaben. [Inspector](/products/inspector) überführt genehmigte Ergebnisse in Inspektionen, Arbeitsaufträge, Feldnachweise, Abnahme und Evidenz. Zusammen ermöglichen diese Ebenen einen digitalen Zwilling, der betrachtet, analysiert, simuliert, ausgeführt und geprüft werden kann. ## Typisches Einführungsmuster Eine pragmatische Einführung startet mit einem Betriebsablauf: 1. Quellsysteme verbinden und Verantwortlichkeiten je System klären. 2. Anlagen, Räume, Systeme und Datenpunkte in eine gemeinsame Twin-Struktur bringen. 3. Verhaltenslogik, Prozessschritte, Arbeitsanweisungen oder Szenarioannahmen ergänzen. 4. Optionen mit Simulation, Engineering Review oder Betriebsreplay prüfen. 5. Genehmigte Aktionen an Inspektion, Wartung, Training oder Bauabläufe übergeben. 6. Abschlussdatensätze erfassen und Ergebnisse mit Betriebsdaten vergleichen. Dieser Ablauf hält die Umsetzung konkret und macht sichtbar, ob der digitale Zwilling in die tägliche Ausführung hineinwächst. ## Wo ausführbare Zwillinge Wert schaffen | Einstiegspunkt | Praktischer Nutzen | |---|---| | Facility Operations | Anlagen, Zähler, BMS-Punkte, Inspektionen und Wartungsdatensätze im räumlichen Kontext prüfen | | Predictive Maintenance | Sensordaten, Anlagenhistorie, Anomalieprüfung, Arbeitsaufträge und Nachweise verbinden | | Process Simulation | Layouts, Materialfluss, Equipment-Bewegung und Betriebsannahmen vor Standortänderungen vergleichen | | Construction Guidance | BIM, Baustellenkontext, Method Statements, Terminprüfung und Feldführung verbinden | | Workforce Training | Equipment, Verfahren, Risiken und Szenariodatensätze in wiederholbare Trainingsabläufe überführen | Der erste Use Case sollte klare Datenverantwortung, einen messbaren Betriebsprozess und ein Team mit Ausführungs- und Prüfverantwortung haben. ## Bewertungscheckliste Diese Fragen helfen beim Vergleich von Digital-Twin-Plattformen: - Kann die Plattform Live-Betriebsdaten mit Anlagen, Systemen und Räumen verbinden? - Kann sie Verhalten, Prozesslogik und Szenarioannahmen abbilden? - Können Teams Simulation oder Szenarioprüfung vor einer Betriebsänderung durchführen? - Können Empfehlungen in genehmigte Inspektions-, Wartungs-, Trainings- oder Bauworkflows übergehen? - Können Feldteams Fotos, Notizen, Abnahmedatensätze und Abschlussstatus erfassen? - Können Engineering und Betrieb Daten, Modellkontext und Freigabeverlauf nachvollziehen? - Kann derselbe Zwilling Visualisierung, Monitoring, Simulation und Workflow-Ausführung unterstützen? - Unterstützt die Plattform Enterprise Governance über Nutzer, Standorte und Systeme hinweg? Ein ausführbarer digitaler Zwilling wird wertvoll, wenn jede Antwort einem realen Workflow und einem verantwortlichen Team zugeordnet ist. ## Praktische Ergebnisse Ausführbare digitale Zwillinge helfen Industrie- und Facility-Teams, von gemeinsamer Visualisierung zu gesteuerter Ausführung zu gelangen. Typische erste Ergebnisse sind klarer Betriebskontext, schnellere Abstimmung, bessere Übergabe von Analyse zu Feldarbeit, stärkere Nachweise und disziplinierter Szenariovergleich. Mit einem reiferen Betriebsablauf kann Physical AI reicheren Kontext nutzen. Empfehlungen stützen sich dann auf Anlagendaten, Systembeziehungen, Simulationsergebnisse, Arbeitshistorie und Standort-Governance. So wird der digitale Zwilling zu einer Arbeitsebene für Entscheidungen in der realen Welt. --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## Heizungsvorgänge benötigen einen vernetzten Kontext Fernwärmeteams treffen Entscheidungen aus vielen Quellen gleichzeitig: Wärmequellenstatus, primäre und sekundäre Netzwerkdaten, Umspannwerksbedingungen, gebäudeseitiges Feedback, Wettervorhersagen, Beschwerdeaufzeichnungen, Feldinspektionen, Wartungshistorie und Versandregeln. Jedes System erklärt einen Teil der Operation. Die harte Arbeit besteht darin, diese Signale zu einer Entscheidung zusammenzuführen, die die Betreiber überprüfen, genehmigen, ausführen und verifizieren können. [HeatOps](/solutions/heatops) ist das Fernwärme-Industriemodul von [FactVerse AI Agent](/products/factverse-ai-agent). Es verwendet [Data Fusion Services](/products/dfs), um Betriebsdaten zu verbinden, [FactVerse](/products/factverse), um den Netzwerk- und Anlagenkontext aufrechtzuerhalten, und Inspector oder Kunden-Arbeitsauftragssysteme, um die Rückverfolgbarkeit von Feldmaßnahmen zu gewährleisten. Der Zweck ist praktisch: Sie helfen den Heizungsteams, den Bedarf vorherzusagen, das Netzwerkverhalten zu diagnostizieren, Versandoptionen zu überprüfen, die Arbeit vor Ort zu koordinieren und die betrieblichen Erkenntnisse zu bewahren, die Entscheidungen zugrunde liegen. ## Was das Betriebsmodell verbindet | Schicht | Betriebskontext | |---|---| | Wärmequellen | Kessel, Wärmepumpen, CHP, Abwärme, Speicherung, Brennstoff, Strom, Kapazität und Verfügbarkeit | | Netzwerk | Primärnetz, Abzweigleitungen, Druck, Durchfluss, Vor- und Rücklauftemperatur, Ventile, Leckage und Isolationskontext | | Umspannwerke | Wärmetauscher, Pumpen, Regelventile, Messgeräte, Differenzdruck, Effizienz, Alarme und Wartungshistorie | | Gebäude | Gebäudezonen, Innenrückmeldung, benutzerseitige Temperatur, Komfortprobleme, thermische Trägheit und Servicepriorität | | Externer Kontext | Wettervorhersage, historische Auslastung, Feiertage, Belegungsmuster, Tarifkontext und Serviceanfragen | | Arbeitsausführung | Versandaufträge, Inspektionen, Reparaturarbeiten, Reinigung, Ventileinstellung, Isolierarbeiten, Fotos und Abnahmeprotokolle | | Regierungsführung | Empfehlungsquelle, Genehmigungspfad, Befehlsbeschränkungen, Rollback-Regeln, Ergebnisüberprüfung und Audit-Trail | Der Wert ergibt sich aus der Verknüpfung dieser Ebenen. Eine Beschwerde über niedrige Temperaturen sollte auf den Gebäudekontext, das Verhalten der Umspannstation, den Zustand des Filialnetzes, frühere Arbeiten und die daraus resultierende Betreiberentscheidung zurückführbar sein. ## DataMesh-Workflow für HeatOps 1. **Betriebsquellen verbinden** – Führen Sie SCADA-, SIS-, PVSS-, PLC-Tags, Zähler, Wetter, GIS, Beschwerdedatensätze, Abrechnungskontext, Wartungssysteme und Versandprotokolle zusammen. 2. **Bauen Sie den Heizungszwilling** – Modellieren Sie Wärmequellen, Rohrleitungen, Umspannwerke, Ventile, Pumpen, Zähler, Gebäude, Zonen und Versorgungsbereiche in FactVerse. 3. **Signale an Anlagen binden** – Verwenden Sie Data Fusion Services, um Temperaturen, Drücke, Flüsse, Alarme, Energiemesswerte und Arbeitsaufzeichnungen den richtigen Anlagen und Netzwerksegmenten zuzuordnen. 4. **Nachfrage und Risiko überprüfen** – Verwenden Sie FactVerse AI Agent, um Bedarfsprognosen, Erklärungen zu Laständerungen, Zusammenfassungen abnormaler Muster und Versandoptionen für die Überprüfung durch den Bediener vorzubereiten. 5. **Aktion koordinieren** – Wandeln Sie genehmigte Ergebnisse in Versandnotizen, Feldinspektionen, Arbeitsaufträge, Anpassungsaufgaben oder kontrollierte Rückbuchungsbereiche um. 6. **Überprüfen Sie das Ergebnis** – Vergleichen Sie Messwerte nach der Aktion, Komfort-Feedback, Alarme, Wärmeverlustmuster und Arbeitsauftragsnachweise mit dem ursprünglichen Ergebnis. Dieser Workflow verknüpft AI-Empfehlungen mit dem Betriebskontext, der sie erstellt hat. ## Prognose, Diagnose und Versandprüfung HeatOps kann drei verbundene Arbeitsmodi unterstützen: - **Bedarfsprognose**: Vergleichen Sie Wetter, historische Auslastung, Netzwerkstatus, Gebäudereaktion und Betriebseinschränkungen, bevor sich die Nachfrage ändert. - **Netzwerkdiagnose**: Überprüfen Sie das Vorlauf-Rücklauf-Delta, den Differenzdruck, den Durchfluss, das Zusatzwasser, das Verhalten des Wärmetauschers, den Pumpenzustand, den Ventilzustand, Leckanzeigen, Verschmutzungszeichen und wiederholte Endbenutzerprobleme. - **Versandüberprüfung**: Bereiten Sie vom Bediener überprüfte Maßnahmen vor, z. B. Änderungen der Versorgungstemperatur, Änderungen der Pumpenfrequenz, Ventileinstellung, Vorheizstrategie, Personalvorbereitung und Priorität der Feldinspektion. In der Empfehlung sollten Umfang, Grund, erwartete Wirkung, erforderliche Genehmigung und Folgenachweise erläutert werden. Dadurch kann die AI-Ausgabe von Kontrollraummitarbeitern, Ingenieurteams, Außendienstteams und Managern überprüft werden. ## Von der Empfehlung bis zur prüffähigen Ausführung Beim Heizbetrieb geht es um Sicherheit, Komfort, Verträge, Gerätegrenzen und Serviceverantwortung. Der Ausführungspfad sollte daher gestaffelt sein. Beginnen Sie mit der Entscheidungsunterstützung. Bediener überprüfen Prognosen, Diagnosen und empfohlene Maßnahmen im Kontext des digitalen Zwillings. Die nächste Stufe ist die unterstützte Ausführung: Genehmigte Empfehlungen werden zu Versandaufzeichnungen, Feldaufgaben, Arbeitsaufträgen und Folgekontrollen. Kontrolliertes Zurückschreiben kann hinzugefügt werden, nachdem Autorität, Befehlsbereich, Sicherheitsverriegelungen, Rollback-Regeln und Prüfanforderungen definiert wurden. [Inspector](/products/inspector), [Checklist](/products/checklist) und Arbeitsauftragssysteme des Kunden können die Feldseite des Kreislaufs bewahren: Wer hat die Station inspiziert, was wurde angepasst, welche Fotos und Messwerte wurden aufgenommen, wann wurde die Arbeit abgeschlossen und ob sich der Zustand verbessert hat. ## Energie-Kohlenstoff-Aufzeichnungen und Managementbewertung Heizungsbetreiber benötigen saisonale Nachweise, nicht nur Echtzeitbildschirme. HeatOps kann Wärmemenge, Brennstoff, Strom, Pumpenergie, Wärmeverlust, Komfort-Feedback, Reaktion auf Vorfälle, Nachrüstungsaktivitäten und Feldarbeiten in Betriebsaufzeichnungen zur Überprüfung durch das Management strukturieren. Mithilfe dieser Aufzeichnungen können Teams Versandstrategien, Nachrüstungsergebnisse, Umspannwerksleistung und Netzwerksegmente im Laufe der Zeit vergleichen. Sie machen es auch einfacher, die Energie- und CO2-Leistung mit Eigentümern, Stadtteams, Dienstleistungsunternehmen und technischen Partnern zu besprechen, indem sie denselben Datenpfad nutzen. Buchhaltungsmethoden, Berichtsgrenzen und CO2-Faktoren bleiben projektspezifisch. HeatOps stellt den verbundenen Betriebskontext und nachvollziehbare Beweise bereit, die für die Überprüfung erforderlich sind. ## Checkliste für die Datenbereitschaft Überprüfen Sie vor der Einführung die folgenden Bedingungen: - SCADA, SIS, PVSS, PLC und Zähler-Tags haben stabile Namen, Einheiten, Zeitstempel und Eigentümer. - Wärmequellen, Umspannwerke, Ventile, Pumpen, Zähler, Gebäude, Zonen und Netzwerksegmente können im digitalen Zwilling abgebildet werden. - Wetter, Lastverlauf, Beschwerdeaufzeichnungen und Arbeitsaufträge können nach Zeit, Bereich, Anlage oder Station verknüpft werden. - Betreiber und Ingenieure vereinbaren Genehmigungsregeln für Versandempfehlungen. - Außendienstteams können Inspektionen, Anpassungen, Fotos, Messwerte und Abnahmenachweise strukturiert erfassen. - Kontrollierte Rückschreibregeln werden dokumentiert, bevor ein Befehlspfad eingeführt wird. - Die Pilotkennzahlen basieren auf verifizierten Betriebsaufzeichnungen. Beim ersten Rollout sollte ein geschlossener Versorgungsbereich oder eine Umspannwerksgruppe genutzt werden, in der das Team über genügend Daten, klare Eigentumsverhältnisse und häufige Betriebsfragen verfügt. ## Praktische Ansatzpunkte | Ausgangspunkt | Warum es funktioniert | |---|---| | Übersicht der Umspannwerke | Teams können Temperatur, Druck, Durchfluss, Pumpenstatus, Ventilstatus, Wärmemenge, Alarme und Servicehistorie rund um eine bekannte Anlagengruppe verknüpfen | | Vorbereitung auf Wetterschwankungen | Bedarfsprognosen können Betreibern dabei helfen, sich vorzubereiten, bevor Kaltfronten, Warmperioden oder ungewöhnliche Auslastungsmuster den Service beeinträchtigen | | Beschwerden bei Untertemperatur | Beschwerdeaufzeichnungen können mit Gebäudekontext, Umspannwerkszustand, Zweigdruck und vergangenen Wartungsarbeiten überprüft werden | | Wiederholte Stationsalarme | Die durch AI unterstützte Überprüfung kann Muster zusammenfassen und bestätigte Probleme in Inspektions- oder Wartungsaufgaben verschieben | | Überprüfung der Energie- und Wärmeverluste | Saisonale Aufzeichnungen können Quellenausgabe, Netzwerkverhalten, gebäudeseitige Bedingungen und Feldarbeit miteinander verbinden | Diese Ausgangspunkte bilden eine überprüfbare Schleife, bevor die Teams in umfassendere Optimierungs- oder Kontrollszenarien vordringen. ## Öffentliche Referenzen [HeatOps solution page](/solutions/heatops) beschreibt den Umfang des Fernwärmemoduls innerhalb von FactVerse AI Agent. [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) und [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders) beschreiben benachbarte Muster für die Verbindung von Anlagensignalen, digitalem Zwillingskontext, Arbeitsaufträgen und verifizierten Feldmaßnahmen. Der [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) zeigt den Kontext des digitalen Zwillings DataMesh in einer vernetzten Anlagenumgebung. Der [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt das umfassendere Muster der Umwandlung industrieller Signale in eine AI-unterstützte Wartungsüberprüfung. --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## Industrielle AI Agents brauchen Betriebskontext Werksstandorte, Campusumgebungen, Rechenzentren, Wärmenetze, Lagerlogistik und Grenzanlagen bestehen aus realen physischen Systemen. Ein nützlicher AI Agent muss Anlagen, Orte, Live-Signale, Betriebshistorie, Verfahren, Arbeitsaufträge und Verantwortlichkeiten verstehen. [FactVerse AI Agent](/products/factverse-ai-agent) arbeitet auf dieser Betriebsebene. Er nutzt den FactVerse-Digital-Twin-Kontext, verbundene Industriedaten, Unternehmenswissen, Inspector-Arbeitsnachweise und Freigabewege, damit Empfehlungen überprüfbar, ausführbar und rückblickend auswertbar werden. ## Der Betriebsablauf 1. **Signale und Wissen verbinden** - Data Fusion Services führt Anlagendaten, Gebäudesysteme, SCADA- oder BMS-Signale, Wartungshistorie, Dokumente, SOPs und Unternehmenssysteme zusammen. 2. **Im digitalen Zwilling verankern** - FactVerse und Twin Engine verbinden die Daten mit Anlagen, Räumen, Systemen, Beziehungen und Workflow-Status. 3. **Mit AI Agent analysieren** - Der Agent prüft Trends, Alarme, Arbeitshistorie, Betriebsregeln und Standortkontext und bereitet Befunde und nächste Schritte vor. 4. **Prüfen und freigeben** - Bediener, Ingenieure oder Vorgesetzte bestätigen Empfehlungen nach Zuständigkeit und Risikostufe. 5. **Vor Ort ausführen** - Inspector, Checklist, CMMS- oder EAM-Systeme und Frontline-Anwendungen übertragen freigegebene Maßnahmen in Arbeitsaufträge, Inspektionen, geführte Aufgaben und Training. 6. **Ergebnisse zurückführen** - Abschlussnotizen, Fotos, Messwerte, Ausnahmen, Entscheidungen und Ergebnisse werden Nachweise für spätere Prüfung und Modellverbesserung. ## 24/7-Betrieb und kontinuierliches Lernen Industrielle Ereignisse treten über Schichten, Wochenenden, Wetteränderungen, Produktionszyklen und Wartungsfenster hinweg auf. FactVerse AI Agent kann verbundene Signale, Alarme, Arbeitsauftragsänderungen, Inspektionsdaten und Feldrückmeldungen kontinuierlich verarbeiten. So behalten Teams relevante Änderungen an Anlagen und Prozessen im Blick, auch wenn Spezialisten nicht permanent ein Dashboard beobachten. Mit jeder abgeschlossenen Aufgabe entstehen neue Beispiele: ungewöhnliche Signale, bestätigte Ursachen, abgelehnte Vorschläge, abgeschlossene Reparaturen, Bedienernotizen, Inspektionsfotos und Ergebniswerte. Diese Daten können Training, Nachtraining, Bewertung und Tuning von Machine-Learning-Modellen unterstützen. Der Agent passt sich schrittweise an Standortdaten und Betriebsgewohnheiten des Kunden an. ## Typische Branchenmodule | Modul | Betrieblicher Umfang | |---|---| | Predictive Maintenance | Anlagenzustand, Anomalieerklärung, Wartungspriorität, Arbeitsauftrag und Verifikation | | HeatOps | Lastprüfung, Wärmenetzdiagnose, Dispositionsunterstützung, Stationsarbeit und Energie-Carbon-Nachweise | | Facility Inspection und Maintenance | Anlagensuche, Inspektionsplanung, Fehlersuche, Belegerfassung und Wartungsnachverfolgung | | Border und Logistics Inspection | Räumliche Verfahren, Checklisten, Ausnahmeprüfung, Prüfprotokolle und Übergaben | | Operator Guidance und Training | Digitale SOPs, Arbeitsschritte, Sicherheitsnotizen und Trainingsnachweise | | Semiconductor Facility Operations | Sub-Fab- und Facility-Kontext, Utility-Inspektion, Ereignisprüfung und Work-Order-Integration | ## Produktzusammenspiel [Data Fusion Services](/products/dfs) bildet die Datenbasis. [FactVerse](/products/factverse) und [FactVerse Twin Engine](/products/factverse-twin-engine) liefern den operativen digitalen Zwilling. [FactVerse AI Agent](/products/factverse-ai-agent) bereitet Evidenz, Mustervergleich, Empfehlungen und Ursachenhinweise vor. [Inspector](/products/inspector), Checklist sowie angebundene CMMS- oder EAM-Systeme halten die Ausführung nachvollziehbar. [FactVerse Designer](/products/designer) unterstützt Szenenerstellung, Layoutplanung, virtuelle Planung, Simulationsvorbereitung und Physical-AI-Workflows. ## Menschliche Prüfung bleibt Teil des Ablaufs Industrielle Entscheidungen betreffen Sicherheit, Verfügbarkeit, Verträge, Compliance und Anlagenlebensdauer. Niedrigrisiko-Aufgaben können schnell in Inspektion oder Arbeitsauftrag übergehen. Höherrangige Entscheidungen wie Anlagenstillstand, Änderung von Regelparametern, Prozessänderung oder regulierte Verfahren benötigen Freigabe durch zuständige Personen. Der Ablauf bewahrt Empfehlung, Prüfer, genehmigte Aktion und Ergebnis. ## Mit einem überprüfbaren Workflow starten Ein guter Startpunkt hat klare Daten, klare Zuständigkeit und messbare Ergebnisse: eine kritische Anlagenklasse, eine Inspektionsroute, eine Gruppe von Wärmestationen, ein Rechenzentrumsbereich, ein Lagertechnikprozess oder eine Arbeitsanleitung. Daten und Arbeitsnachweise werden verbunden, Review-Regeln definiert, bestätigte Befunde in das Ausführungssystem übergeben und Ergebnisse für die nächste Optimierung genutzt. ## Bewertungscheckliste - Sind Signale, Dokumente und Arbeitsnachweise den richtigen Anlagen und Räumen zugeordnet? - Kann der AI Agent die Evidenz hinter einer Empfehlung erklären? - Hat jede Empfehlung Verantwortliche, Freigabepfad und Ausführungsziel? - Können Teams Abschlussnotizen, Fotos, Messwerte, Ausnahmen und Verifikation erfassen? - Verbessern abgelehnte oder korrigierte Vorschläge spätere Empfehlungen? - Werden Machine-Learning-Updates anhand operativer Evidenz geprüft? ## Öffentliche Referenzen Die [FactVerse AI Agent Ankündigung](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) beschreibt DataMeshs öffentliche Richtung für simulationsgetriebene Betriebsabläufe. Die [Yokogawa und DataMesh Referenz](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), die [NIO Smart Factory Referenz](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) und die [Singtel FutureNow Demo](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) zeigen angrenzende Digital-Twin- und Betriebsbeispiele. --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## Warum FactVerse und Omniverse verbunden werden Industrielle Simulation braucht Betriebskontext und eine hochwertige Simulationsumgebung. Betriebsteams benötigen ein verlässliches digitales Abbild mit Anlagen, Beziehungen, Live-Daten, Rollen und fachlicher Bedeutung. Simulationsteams benötigen Rendering, USD-Szenenentwicklung, physikalisches Verhalten und Szenarioprüfung. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) verbindet diese Ebenen. Eine Fabrik, Anlage, Produktionslinie oder Logistikzone wird in [FactVerse](/products/factverse) und [FactVerse Designer](/products/designer) vorbereitet und anschließend als USD-Workflow in NVIDIA Omniverse überprüft. Das ist ein praktischer Physical-AI-Ablauf: Der digitale Zwilling hält den Bezug zu realen Anlagen und Betriebsdaten, während Omniverse, RTX, PhysX und Newton Rendering, Sensorkontext, Bewegung, Kollision, Layout, Materialfluss, Verpackungsprozess, Roboterpfade und Sicherheitszonen prüfen. ## Omniverse als Fundament NVIDIA positioniert Omniverse öffentlich stärker als Sammlung von Libraries, Microservices, APIs und SDKs auf OpenUSD-Basis für Physical-AI-Anwendungen. Ähnlich wie CUDA grundlegende Bausteine für beschleunigtes Computing liefert, liefert Omniverse Bausteine für Simulation und digitale Zwillinge: OpenUSD für Interoperabilität und SimReady-Assets, RTX für Rendering und Sensorsimulation, PhysX und Newton für Physik sowie Datendienste für Szenenaustausch und Synchronisierung. Für DataMesh-Kunden wird damit die Arbeitsteilung klarer. FactVerse und Designer erstellen Fabrik- oder Facility-Szenen, Asset-Semantik, Datenbindungen, Verhaltenslogik und SimReady-Asset-Vorbereitung. Omniverse-Fähigkeiten liefern Rendering, Physiksimulation und Datenaustausch, die in industrielle Workflows, Robotik-Simulation, Partnertools oder kundenspezifische Anwendungen eingebettet werden können. NVIDIA-Referenzen: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## Ablauf von Ende zu Ende 1. **Operational Twin aufbauen** - Standort, Linie, Anlagenhierarchie, Positionen, Metadaten, Dokumente und Verantwortlichkeiten in FactVerse modellieren. 2. **Szenario erstellen** - Layout, Prozesslogik, Behavior-Tree-Regeln, Takt, Pfade und Varianten in FactVerse Designer aufbauen. 3. **USD-Ebene vorbereiten** - USD-Ressourcen, Materialien, Maßstab, Koordinaten, Objektidentität und Versionen klären. 4. **Kontext nach Omniverse übertragen** - Szenenstruktur, Metadaten, Datenbindungen und Verhalten über den Adaptor nach Omniverse bringen. 5. **Szenario validieren** - Rendering, Bewegung, Kollisionen, Abstände, Roboterpfade, Materialfluss, Zugänglichkeit und Timing prüfen. 6. **Entscheidungen dokumentieren** - Annahmen, Befunde, Screenshots, Versionen und Review-Notizen für Planung, Training oder Umsetzung festhalten. ## Was übertragen werden sollte | Ebene | Nutzen | |---|---| | Standort- und Szenenhierarchie | Gebäude, Zonen, Linien, Stationen und Anlagen bleiben geordnet | | Anlagenidentität | Simulationsergebnisse bleiben mit realer Ausrüstung verbunden | | Räumliche Beziehungen | Position, Abstand, Wege, Kollisionsbereiche und Arbeitsräume bleiben erhalten | | Metadaten und Semantik | Typ, Rolle, Ownership, Dokumente und Systembeziehungen begleiten die Szene | | Datenbindungen | Gerätezustände, Sensordaten, Alarme und Betriebssignale können einfließen | | Verhaltenslogik | Zustände, Abläufe, Pfade, Sequenzen und Takt gehen in die Validierung ein | | Versionen | Änderungen und Review-Ergebnisse bleiben vergleichbar | ## USD, RTX, PhysX und Newton im Workflow USD strukturiert Assets, Materialien, Varianten, Layer und Zusammenarbeit. In diesem Workflow wird USD zur Brücke zwischen operationalem Zwilling und Omniverse-Simulation. RTX unterstützt High-Fidelity-Rendering und Sensorsimulation. PhysX unterstützt Prüfungen, bei denen physisches Verhalten relevant ist: Bewegung, Kollision, starre Körper, Platzierung, Verpackungsinteraktion, Roboterpfade und Materialfluss. Newton ergänzt einen offenen, erweiterbaren Physik-Engine-Pfad für Robotik-Lernen und Simulation auf Basis von NVIDIA Warp und OpenUSD. Der technische Wert entsteht durch klare Annahmen. Maßstab, Koordinaten, Objektparameter, Timing, Randbedingungen, Prüfziel und Freigaberegeln sollten dokumentiert sein. ## Typische Anwendungen - Fabrik- oder Produktionslinien-Rendering in Omniverse. - Verpackungs- und Materialflussprüfung vor physischen Versuchen. - Layoutvergleich für Stationen, Puffer, Roboter, Fördertechnik und Materialwege. - Lager- und Intralogistikplanung mit Picking, Staging, AGV, Staplerbewegung und Durchsatzannahmen. - Vorbereitung von Robotik, synthetischen Daten und Physical-AI-Szenarien. ## Rolle der DataMesh-Produkte [FactVerse](/products/factverse) ist der Backbone für Anlagenstruktur, Beziehungen, Governance und gemeinsamen Kontext. [FactVerse Designer](/products/designer) erstellt Layouts, Prozesslogik, Behavior Trees, Timeline-Simulation und Varianten. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) bringt Szenenstruktur, Metadaten, Datenbindungen und Verhalten in Omniverse und USD-Workflows. [Data Fusion Services](/products/dfs) verbindet Live- und Historiendaten, wenn Gerätezustände, Sensorwerte, Alarme, Produktionskennzahlen oder Unternehmensdaten gebraucht werden. [FactVerse Twin Engine](/products/factverse-twin-engine) liefert Runtime-Kontext für ausführbare Zwillinge, Visualisierung, Datenbindung und operative Workflows. ## Checkliste zur Datenbereitschaft - Szenenhierarchie, Asset-IDs, Positionen und Namen sind stabil. - CAD-, BIM-, 3D- und USD-Assets haben Owner und Versionen. - Koordinaten, Maßstab, Ausrichtung und Ursprung sind abgestimmt. - Materialien, Kollisionsparameter, Bewegungsgrenzen und Timing sind dokumentiert. - Datenbindungen enthalten Quelle, Einheit, Zeitstempel und Update-Regeln. - Simulationsziele hängen an Entscheidungen wie Layoutfreigabe, Robotikprüfung, Verpackungsvalidierung oder Zugänglichkeit. - Review-Ergebnisse können mit Version, Annahmen, Screenshots und Folgemaßnahmen gespeichert werden. ## Öffentliche Referenzen Die Ankündigung zu [FactVerse und NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) zeigt die Plattformrichtung für Simulation Digital Twins und AI-Business-Workflows. Der [GTC 2025 Showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) belegt öffentlich, wie FactVerse und Omniverse gemeinsam für Simulation-Digital-Twin-Szenarien genutzt werden. [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) und [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) zeigen angrenzende öffentliche Anwendungsfälle für Produktionslayout, Intralogistik und Automatisierungsplanung. --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark Readiness ist Teil des Betriebs Singapore BCA Green Mark bewertet Umweltleistung und nachhaltigen Gebäudebetrieb. Green Mark 2021 betont Energieperformance und berücksichtigt außerdem Maintainability, Whole-Life Carbon, Intelligence, Health and Wellbeing sowie Resilience. Maßgeblich bleiben die offiziellen BCA-Kriterien und technischen Leitfäden. Für Facility-Teams liegt die Herausforderung in den Betriebsnachweisen hinter der Bewertung: Energiedaten, Anlagenbeziehungen, Wartungshistorie, Umweltzustände, Verbesserungsmaßnahmen und Belege, dass Korrekturarbeiten abgeschlossen wurden. Diese Informationen liegen oft verteilt in BMS, Zählern, Tabellen, CMMS-Tickets, BIM-Dateien, Serviceberichten und Partnerdokumenten. [DataMesh Green Transformation](/solutions/green-transformation) verbindet diese Ebenen in einem operativen Digital Twin. Owner, Betreiber, Berater, Engineering-Teams und Nachhaltigkeitsverantwortliche können Nachweise vorbereiten, Verbesserungsoptionen analysieren und Nachhaltigkeitsarbeit mit dem täglichen Facility-Betrieb verbinden. Offizielle Referenzen: - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## Die Evidenzschicht zuerst aufbauen Green-Mark-Vorbereitung wird belastbarer, wenn Betriebsnachweise kontinuierlich strukturiert werden. Ein Digital Twin liefert dafür den gemeinsamen Kontext. Typische Grundlage: - **Räume**: Gebäude, Etagen, Räume, Zonen und kritische Funktionsbereiche. - **Systeme**: Kälte, HVAC, Beleuchtung, Stromverteilung, Wasser, Druckluft, Aufzüge und Utilities. - **Anlagen**: Anlagenregister, Zähler, Sensoren, Kontrollpunkte, Dokumente, Wartungspläne und Historie. - **Signale**: BMS-Punkte, Zählerwerte, Umweltdaten, Alarme und berechnete Kennzahlen. - **Arbeitsnachweise**: Inspektionen, Work Orders, Korrekturmaßnahmen, Abnahme und Verifikation. [Data Fusion Services](/products/dfs) verbindet BMS, Zähler, IoT, Historian, CMMS, EAM und weitere Datenquellen. [FactVerse](/products/factverse) ordnet Daten Räumen, Anlagen, Systemen und Workflows zu. ## Brick Schema macht Nachweise nachvollziehbar Nachhaltigkeitsnachweise sind selten nur Zahlen. Ein Zählerwert muss zum richtigen Zähler gehören. Ein Temperaturtrend muss zur richtigen Zone und zum richtigen Sensor gehören. Ein Chiller-Problem muss mit System, Anlage, Alarm und Wartungsnachweis verbunden sein. In [Inspector](/products/inspector) können Brick-Schema-ausgerichtete Beziehungen Gebäude, Etagen, Zonen, Anlagen, Zähler, Sensoren, Punkte und Systeme konsistent beschreiben. Teams können dadurch klarer beantworten: - Zu welcher Anlage oder welchem Raum gehört dieser Nachweis. - Welcher Zähler, Sensor oder Kontrollpunkt stützt diesen Betriebsdatensatz. - Welche Work Order oder Inspektion hat das Thema geschlossen. - Welche Systeme oder Zonen sind von einer Änderung betroffen. - Welche Nachweise sollten Engineering, Nachhaltigkeit und Service gemeinsam prüfen. ## Brick Schema Referenzen Wer den Standard direkt prüfen möchte, kann mit diesen öffentlichen Brick-Schema-Ressourcen beginnen: - [Brick Schema offizielle Website](https://brickschema.org/) - Überblick über Brick als einheitliches Metadaten-Schema für Gebäude, inklusive einer einführenden Referenzgrafik. - [Brick User Documentation](https://docs.brickschema.org/brick/overview.html) - Designprinzipien und Kernkonzepte für die Modellierung von Gebäudeentitäten und Beziehungen. - [Brick Modeling Data Sources](https://docs.brickschema.org/brick/timeseries.html) - offizielle Dokumentation mit einem High-Level-Telemetry-Data-Model-Diagramm. - [Brick Ontology Browser](https://ontology.brickschema.org/) - durchsuchbare Referenz für Brick-Klassen, Beziehungen und Begriffe. - [BrickSchema GitHub Repository](https://github.com/BrickSchema/Brick) - Open-Source-Schema-Entwicklung, Releases, Issues und Quelldateien. ## Energieanalyse und Engineering Review DataMesh kann BIM/IFC, Wetterdaten, Betriebsdaten und Digital-Twin-Kontext mit EnergyPlus-basierten Gebäudemodellen verbinden. So lassen sich EUI, Lastmuster, Betriebszeiten, Sollwerte, Retrofit-Optionen und Prioritäten vergleichen. Die Analyse dient als Grundlage für technische Entscheidungen. Ein praktikabler Pilot setzt eine Baseline, prüft Daten, vergleicht Verbesserungsoptionen, führt Maßnahmen aus und berichtet die Wirkung anhand geprüfter Betriebsdaten. ## Mit Inspector den Kreis schließen Readiness verbessert sich, wenn Erkenntnisse zu nachvollziehbarer Arbeit werden. Inspector wandelt Findings in Inspektionen, Aufgaben, Work Orders, Vor-Ort-Ausführung, Abnahme und Verifikationsnachweise um. Ein praktischer Loop: 1. BMS-, Zähler-, Anlagen-, Umwelt- und Wartungsdaten verbinden. 2. Anlagen und Punkte mit Brick-Schema-Beziehungen modellieren. 3. Abnorme Energieverbräuche, Alarme, Inspektionslücken und fehlende Nachweise prüfen. 4. Verbesserungsoptionen mit Engineering und Modellierung vergleichen. 5. Work Orders und Korrekturmaßnahmen in Inspector anlegen. 6. Abschluss, Fotos, Notizen und Abnahme dokumentieren. 7. Betriebsdaten erneut prüfen und Evidenz sichern. ## Wo beginnen Starten Sie mit einem Gebäude, einem Campusbereich oder einer Systemgruppe. Gute Kandidaten sind Kaltwassersysteme, HVAC-Betriebszeiten, Energiezähler, Hochlastzonen oder wartungsintensive Anlagen mit ausreichender Historie. | Workstream | Output | |---|---| | Datenaudit | Quellenliste für BMS, Zähler, IoT, Anlagenregister, BIM/IFC und Work Orders | | Semantisches Mapping | Beziehungen zwischen Räumen, Anlagen, Zählern, Sensoren und Systemen | | Baseline Review | EUI, Lastmuster, Betriebszeiten, Anomalien und Datenlücken | | Szenarioanalyse | Verbesserungsoptionen, Modellannahmen und Engineering-Notizen | | Ausführung | Inspector Work Orders, Feldnachweise, Abschluss und Verifikation | --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## Datenbereitschaft kommt vor AI-Skalierung Industrielle AI-Projekte hängen oft daran, dass ein Modell zwar Dokumente lesen kann, aber Anlage, Standort, Signal, Arbeitsauftrag oder Freigaberegel nicht stabil erkennt. Für reale Betriebsabläufe zählt die Datenbasis ebenso wie das Modell. [Data Fusion Services](/products/dfs) bereitet diese Basis in der FactVerse-Architektur vor. Es verbindet Quellsysteme, ordnet Felder digitalen Zwillingsobjekten zu, normalisiert Daten, berechnet Kennzahlen und stellt den Kontext für [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), Dashboards und Analysen bereit. ## Vom Betriebsworkflow ausgehen Starten Sie mit der Frage, welche Entscheidung oder Aufgabe verbessert werden soll: Predictive Maintenance, Facility-Inspektion, Rechenzentrumsbetrieb, HeatOps, Halbleiter-Facility-Systeme, Lagertechnik oder digitale SOP-Ausführung. | Workflow | Erste Datenbasis | |---|---| | Predictive Maintenance | Anlagenhierarchie, Sensorsignale, Alarme, Wartungshistorie, Inspektionsergebnisse, Arbeitsaufträge | | Facility-Inspektion | Raumstruktur, Anlagenliste, Inspektionspunkte, Checklisten, Fotos, Problemklassen, Abschlussdaten | | Data Center Operations | Räume, Racks, Facility-Anlagen, Zähler, Alarme, Energiewerte, Wartungsdaten, Eigentümer | | HeatOps | Wärmequellen, Stationen, Zähler, Temperatur, Druck, Durchfluss, Wetter, Dispatch-Logs | | Operator Guidance | SOPs, Arbeitsschritte, Anlagenbezug, Sicherheitsnotizen, Training, Freigaben | ## Quellsysteme inventarisieren Typische Quellen sind SCADA, BMS, EMS, PLCs, Historian, IoT-Plattformen, MES, ERP, CMMS, EAM, GIS, BIM, Zähler, Tabellen, Zeichnungen, Handbücher, SOP-Ablagen, Inspektionstools, Trainingssysteme und Dokumentenbibliotheken. Für jede Quelle sollten Verantwortlicher, Zweck, Verbindungsmethode, verfügbare Felder, Aktualisierungsfrequenz, Historie, Einheiten, Zeitstempel, Namensregeln, Qualitätsrisiken, Security und Freigaben dokumentiert werden. ## Anlagen- und Raumidentität aufbauen AI-Agent-Workflows benötigen stabile Referenzen. Pumpen, AHUs, USV, Wärmetauscher, Ventile, Krane, Fahrzeuge, Räume, Linien und Stationen müssen über Systeme hinweg erkennbar sein. FactVerse und Twin Engine verbinden über diese Identität Räume, Anlagen, Systeme, Beziehungen, Dokumente, Signale und Arbeitsaufträge. Data Fusion Services ordnet Quellfelder und Tags den richtigen Twin-Objekten zu. ## Zeitreihen, Ereignisse und Workflow-Daten vorbereiten Temperatur, Vibration, Strom, Druck, Durchfluss, Energie, Ventilstatus, Alarmstatus und Anlagenstatus brauchen stabile Einheiten, Zeitstempel, Abtastregeln und Qualitätsmarker. Arbeitsaufträge, Inspektionsbefunde, Fotos, SOPs und Abnahmen stellen den Ausführungskontext her. Für Machine Learning sind Signal, Anlagenkontext, Betriebszustand, menschliche Entscheidung, ausgeführte Maßnahme und Ergebnis gemeinsam wichtig. Diese Daten unterstützen Training, Nachtraining, Bewertung und Tuning von Empfehlungen. ## DataMesh-Rollout 1. **Workflow wählen** - Ein klar verantworteter Betriebsloop mit messbarem Ergebnis. 2. **Quellen erfassen** - Systeme, Tags, Dokumente, Besitzer, Zugriff und Qualitätsrisiken. 3. **Identität modellieren** - Räume, Anlagen, Systeme, Beziehungen und Aliasnamen in FactVerse. 4. **Daten mappen und normalisieren** - Quellen anbinden, Felder an Twin-Entitäten binden, Einheiten und Zeitstempel vereinheitlichen. 5. **Ausführungskontext verbinden** - Inspector, Checklist, CMMS/EAM, SOPs, Evidenzfelder und Freigaben. 6. **AI Review vorbereiten** - Kontext an FactVerse AI Agent für Zusammenfassung, Anomalieprüfung und Empfehlung geben. 7. **Ergebnisse erfassen** - Feldnachweise und Post-Action-Werte für Qualitätsverbesserung und Modellbewertung nutzen. ## Checkliste - Hat der Workflow einen Besitzer und ein messbares Ergebnis? - Sind Systeme, Dokumente, Tags und Datensätze mit Besitzern erfasst? - Sind Anlagen und Räume systemübergreifend konsistent gemappt? - Sind Einheiten, Zeitstempel, Sampling und Qualitätsrisiken dokumentiert? - Sind Arbeitsaufträge, Inspektionen, SOPs, Fotos und Abnahmen verbunden? - Kann der AI Agent Empfehlungen mit nachvollziehbarer Evidenz erklären? - Können Reviews, abgelehnte Vorschläge und Ergebnisse für ML-Bewertung erhalten bleiben? ## Öffentliche Referenzen Die [Data Fusion Services Produktseite](/products/dfs) beschreibt die Datenintegrationsschicht von FactVerse. Der [FactVerse AI Agent Operations Loop Guide](/resources/guides/factverse-ai-agent-industrial-operations-loop) zeigt, wie Empfehlungen in geprüfte Feldarbeit übergehen. Die Referenzen [Yokogawa und DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO Smart Factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) und [JTC](/about/news/collaboration-between-jtc-datamesh) zeigen öffentliche Beispiele. --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## Governance beginnt, wenn Daten Entscheidungen beeinflussen Industrielle Data Governance beginnt, sobald ein Signal, Alarm, Zählerwert, Arbeitsauftrag, Inspektionshinweis, Dokument oder berechneter Indikator eine operative Entscheidung beeinflusst. Für einen operativen digitalen Zwilling reicht eine Verbindung allein nicht aus. Teams müssen wissen, woher ein Wert kommt, welche Anlage oder welchen Raum er beschreibt, welche Einheit und Zeitregel gilt, wer das Mapping verantwortet, ob der Wert zuverlässig ist und welche AI-Agent- oder Dashboard-Workflows ihn nutzen. [Data Fusion Services](/products/dfs) unterstützt diese Disziplin in der FactVerse-Architektur. Es verbindet Quellsysteme, mappt Daten auf Twin-Entitäten, bereinigt und normalisiert Felder, berechnet Kennzahlen, bereitet Data Marts vor und bindet Live-Kontext an den Zwilling. ## Was DFS mit Governance unterstützen sollte | Bereich | Leitfrage | Nutzen | |---|---|---| | Quelle | Welches System besitzt den Wert und wer genehmigt Nutzung? | Klärt Verantwortung | | Zugriff | Welche Rolle, Site oder Grenze darf lesen? | Schützt sensible Betriebsdaten | | Entität | Welche Anlage, Fläche, Route oder Workflow beschreibt der Wert? | Macht Tags zu Betriebskontext | | Einheit und Zeit | Welche Einheit, Zeitzone, Abtastung und Aggregation gelten? | Hält Trends und Vergleiche belastbar | | Qualität | Ist der Wert fehlend, alt, interpoliert, außerhalb des Bereichs? | Zeigt die Stärke der Evidenz | | Lineage | Welcher Connector, Mapping-Schritt und Release erzeugten den Wert? | Unterstützt Audit und Fehlersuche | | Nutzer | Welche Dashboards, AI-Flows, Reports oder Tickets nutzen ihn? | Zeigt Auswirkungen vor Änderungen | ## Nach operativer Identität gouvernieren Dieselbe Anlage kann in SCADA, Historian, CMMS, BIM und im Sprachgebrauch vor Ort unterschiedliche Namen haben. Governance braucht eine stabile operative Identität, die diese Aliase zusammenführt. FactVerse stellt Kontext für Räume, Anlagen, Systeme, Beziehungen, Dokumente, Datenbindungen und Workflows bereit. Data Fusion Services ordnet Quellfelder und Tags diesem Kontext zu, damit ein Wert an die richtige Anlage, den richtigen Ort und den richtigen Entscheidungsloop gebunden ist. Zu guter Identitäts-Governance gehören Standort, Gebäude, Raum, Linie, Route, Anlagenklasse, Asset ID, Anzeigename, Eigentümer, Lebenszyklusstatus, Systembeziehungen, Aliasregeln, Dokumente, SOPs, Inspektionspunkte, Arbeitsauftragsreferenzen und Berechtigungsgrenzen. ## Datenqualität, Lineage und Change Control Zeitreihen und Ereignisdaten ändern sich laufend. Governance sollte Regeln für fehlende Werte, veraltete Daten, Einheiten, Zeitstempel, Sampling, Ausreißer, Sensorwechsel, Alarmstatus und berechnete Kennzahlen festhalten. Industriequellen ändern sich oft leise: ein BMS-Punkt wird umbenannt, ein Zähler ersetzt, ein Historian-Tag verschoben, ein CMMS-Feld neu interpretiert oder eine KPI-Formel angepasst. Der Zwilling kann visuell korrekt bleiben, während die Daten darunter nicht mehr stimmen. Ein Change Record sollte Quelle, Connector, geänderten Tag oder Formel, betroffene Anlage, betroffene Workflows, Downstream-Nutzer, Reviewer, Freigabe, Wirksamkeitsdatum, Rollback und Validierungsevidenz enthalten. ## Zugriff, Evidenz und Machine Learning Betriebsdaten können eingeschränkte Räume, kundenspezifische Layouts, Produktionszustände, Anlagenzustand, Energieprofile, Wartungsbefunde und Servicedaten enthalten. Zugriff, Export und AI-Nutzung brauchen klare Grenzen. [Inspector](/products/inspector) und verbundene Arbeitssysteme erfassen, wer eine Erkenntnis geprüft hat, welche Maßnahme ausgeführt wurde, welche Evidenz vorliegt und ob sich der Zustand verbessert hat. Diese Daten werden zur Governance-Grundlage für den nächsten AI-Review und für Machine Learning. Machine Learning braucht Signal, Anlagenkontext, Betriebszustand, menschliche Entscheidung, Maßnahme und Ergebnis. Governance erhält Feature-Definitionen, Qualitätsfilter, Labels aus Arbeitsaufträgen, Modellversion, abgelehnte Vorschläge, Post-Action-Werte und Aktualisierungsregeln. ## DataMesh-Rollout 1. **Entscheidungsloop wählen** - Zum Beispiel Predictive Maintenance, Facility-Inspektion, Data-Center-Asset-Review, Energieevidenz oder digitale SOP. 2. **Datenverantwortliche benennen** - Für Quellen, Identität, Mapping, Qualität, Berechnung, Zugriff und downstream Workflows. 3. **Identität modellieren** - Räume, Anlagen, Systeme, Beziehungen, Dokumente, Workflows und Aliase in FactVerse ausrichten. 4. **Daten verbinden und gouvernieren** - Mit Data Fusion Services Quellen anbinden, Felder mappen, Einheiten normalisieren, Zeitstempel ausrichten, Kennzahlen berechnen und Qualität markieren. 5. **Nutzer registrieren** - Dashboards, AI-Agent-Routinen, Inspector-Formulare, Reports und ML-Datensätze erfassen. 6. **Änderungen vor Release prüfen** - Tag-, Formel-, Connector- und Berechtigungsänderungen validieren. 7. **Ergebnisse erfassen** - Feldnachweise, Reviews und Post-Action-Werte aufnehmen. 8. **Regeln verbessern** - Ausnahmen, Mappingfehler, alte Daten, abgelehnte AI-Vorschläge und Feldfeedback nutzen. ## Governance-Checkliste - Gibt es fachliche und technische Owner für jede Quelle? - Sind Asset-, Raum-, System- und Workflow-Identitäten konsistent? - Sind Einheiten, Zeitstempel, Sampling und Qualitätsregeln sichtbar? - Sind berechnete Kennzahlen mit Formel, Owner und Reviewdatum verbunden? - Bleibt Lineage vom Connector bis zum Downstream-Nutzer erhalten? - Sind Dashboards, AI Agent Workflows, Reports und Datensätze registriert? - Sind sensible Räume, Kundendaten und Dokumente rollenbasiert geschützt? - Können Arbeitsaufträge und Feldevidenz für Review und ML genutzt werden? - Gibt es einen Change-Pfad für umbenannte Tags, neue Sensoren und gebrochene Bindings? ## Öffentliche Referenzen Die [Data Fusion Services Produktseite](/products/dfs) beschreibt die Datenintegrationsschicht von FactVerse. Der [Data Readiness Guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness), der [Operational Digital Twin Model Governance Guide](/resources/guides/operational-digital-twin-model-governance-after-go-live) und der [Industrial Knowledge Graphs Guide](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) behandeln die angrenzenden Grundlagen. --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## Die fehlende Ebene ist Bedeutung Industrielle AI muss wissen, worauf sich eine Frage bezieht. Begriffe wie "Chiller 2", "Linie 4", "Reinraumfeuchte" oder "die Pumpe hinter dem Alarm" müssen auf reale Anlagen, Räume, Signale, Dokumente und Verantwortliche abgebildet werden. Ein industrieller Knowledge Graph liefert diese semantische Ebene. Er verbindet Objekte am Standort und speichert ihre Beziehungen. [FactVerse](/products/factverse) nutzt dieses Modell, damit Digital-Twin-Szenen, Betriebsdaten, Dokumente und AI-Reasoning denselben physischen Kontext teilen. ## Was der Graph modelliert | Modellbereich | Typische Entitäten | |---|---| | Räumliche Struktur | Standort, Gebäude, Etage, Raum, Zone, Linie, Rack, Bereich | | Physische Anlagen | Equipment, Zähler, Sensoren, Ventile, Pumpen, Roboter, Fahrzeuge | | Systeme | HVAC, Kaltwasser, Druckluft, Energie, Prozessversorgung, Sicherheit, Logistik | | Datenpunkte | Telemetrie-Tags, Alarme, Kennzahlen, Sollwerte, Statuswerte | | Wissensobjekte | SOPs, Handbücher, Zeichnungen, BIM/CAD-Referenzen, Inspektionsvorlagen | | Ereignisse | Alarme, Inspektionen, Wartungsereignisse, Freigaben, Übergaben | | Verantwortung | Owner, Bediener, Service-Team, Reviewer, Risikoklasse, Berechtigung | Der Nutzen entsteht bei Beziehungsfragen. ## Beziehungsbeispiele | Beziehung | Unterstützte Frage | |---|---| | Anlage liegt in Raum | Wo befindet sich das Equipment hinter dem Alarm? | | Equipment versorgt Zone | Welche Bereiche betrifft diese AHU? | | Punkt misst Equipment | Welcher Sensor erzeugt diesen Trend? | | Zähler misst System | Zu welchem Kaltwasserkreis gehört dieser Energiewert? | | Anlage gehört zu System | Welche Upstream- und Downstream-Assets sind relevant? | | Asset hat Verfahren | Welche SOP gilt vor Inspektion oder Wartung? | Diese Beziehungen geben dem AI Agent einen Pfad von Frage zu Nachweis. ## Nutzung in FactVerse [Data Fusion Services](/products/dfs) ordnet Namen, Tags, Dokumente und Datensätze aus Quellsystemen einem konsistenten Modell zu. Dieselbe Pumpe, derselbe Zähler oder Raum kann in BMS, SCADA, CMMS, BIM, Tabellen und Zeichnungen anders heißen. Semantisches Mapping gibt diesen Aliasnamen eine betriebliche Identität. [FactVerse Twin Engine](/products/factverse-twin-engine) verbindet diese Identität mit dem räumlichen Modell. Ein Signal erscheint am richtigen 3D-Objekt, ein Dokument am richtigen Asset, und Systembeziehungen werden als Netzwerk sichtbar. [FactVerse AI Agent](/products/factverse-ai-agent) kann Nachweise entlang des Graphen abrufen: vom Alarm zum Asset, vom Asset zum System, vom System zu betroffenen Zonen und von dort zu SOPs oder Historien. ## Brick Schema und Facility Semantics Für Gebäude und Anlagen ist [Brick Schema](https://brickschema.org/) eine nützliche öffentliche Referenz. Es bietet Begriffe für Equipment, Punkte, Orte, Zähler, Sensoren und Beziehungen. DataMesh kann Facility-Modelle an Brick-ähnlichen Semantiken ausrichten. Breitere Industriestandorte benötigen zusätzliche Konzepte wie Produktionslinien, Sub-fab-Systeme, Logistikbereiche, Reinmedien, Lagerzonen, Robotikzellen, Bedienerstationen und Simulationsassets. ## AI Grounding und erklärbare Suche Knowledge Graphs machen AI-Antworten nachvollziehbar. Der AI Agent kann den Graphen verwenden, um den Nachweisraum einzugrenzen und danach relevante Dokumente oder Datensätze zu lesen. Wenn ein Facility Engineer nach wiederholten Feuchtealarmen in einer Zone fragt, kann der Graph Zone, Sensoren, zuständige AHU, verbundene Kaltwasseranlagen, aktuelle Alarme, Inspektionsdaten und SOPs bestimmen. Der AI Agent fasst die Nachweise anschließend mit Bezug auf diese Objekte zusammen. ## Governance Ein Knowledge Graph braucht Pflege. Renovierungen, Anlagenwechsel und Systemumbauten ändern Asset IDs, Aliase, Beziehungen, Punktzuordnungen und Dokumentlinks. Wichtige Kontrollen sind Quelle der Wahrheit, Namensregeln, Verantwortlichkeit für Beziehungen, Nachweisquellen, Vertrauensgrad importierter Zuordnungen, rollenbasierter Zugriff und Änderungshistorie. ## Fokussierter Start | Fragetyp | Minimale Semantik | |---|---| | Asset-Kontext | Asset, Ort, System, Owner, Dokumente, Live-Punkte | | Facility-Zustand | Zone, versorgendes Equipment, Sensoren, Alarme, Steuerpunkte | | Energiereview | Zähler, System, Raum, Equipment-Gruppe, Kennzahl | | SOP-Suche | Assetklasse, Tasktyp, SOP, Sicherheitshinweis, Rolle | | Ursachenreview | Ereignis, Asset, Upstream- und Downstream-Systeme, aktuelle Records | Erweitern Sie erst, wenn das erste Modell reale Fragen zuverlässig beantwortet. ## Öffentliche Referenzen Die [FactVerse Produktseite](/products/factverse) beschreibt die Plattformschicht für Twin Engine, AI Agent, Data Fusion Services und Anwendungen. Der Guide [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) zeigt Brick-ähnliche Facility Semantics für nachvollziehbare Betriebsnachweise. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## Warum synthetische Daten einen Digital Twin brauchen Reale Robotikdaten sind wertvoll. In industriellen Umgebungen sind Erfassung, Wiederholung und Abdeckung vieler Betriebszustände jedoch aufwendig. Anlagen enthalten viele seltene Zustände: blockierte Wege, veränderte Palettenpositionen, geöffnete Schränke, wechselnde Beleuchtung, Personenbewegung, Schichtwechsel und kurzzeitig auftretende Gerätezustände. Synthetische Daten helfen Teams, diese Variation kontrolliert abzudecken. Für industrielle Physical AI sollten Daten aus einer Szene kommen, die Assets, Geometrie, Betriebsregeln, Sensorpositionen, Aufgabenziele und Prozessstatus kennt. Der digitale Zwilling liefert diesen Kontext für die Datenpipeline. [DataMesh Robotics](/products/robotics) nutzt den DataMesh Stack, um industrielle Szenen vorzubereiten, multimodale Trainingsdaten zu erzeugen und Ausgaben mit Robotiksimulation und Trainingsworkflows zu verbinden. ## Was industrielle Szenen auszeichnet | Ebene | Was die Pipeline braucht | |---|---| | Asset-Identität | Equipment-Namen, Objekttypen, Modellversionen und Rückbezug zum operativen Twin | | Räumlicher Kontext | Zonen, Wege, Zugangsbereiche, Abstände, Koordinaten und Sicherheitsbereiche | | Prozessstatus | Linienstatus, Stationsstatus, Arbeitsschritt, Ausnahmezustand und Ereigniszeit | | Sensoraufbau | Kamera, Tiefe, LiDAR, Roboterpose, Sichtfeld, Kalibrierung, Rauschmodell und Sampling-Regeln | | Physische Eigenschaften | Masse, Reibung, Gelenke, Constraints, Materialverhalten und Kontaktannahmen | | Labels und Metadaten | Segmentierung, Bounding Boxes, Instanz-IDs, Tiefe, Pose, Trajektorie, Aufgabenstatus und Szenenvariablen | | Review-Daten | Dataset-Version, Szenenversion, Annahmen, Generierungsrezept, Qualitätsbefunde und Freigaben | Diese Struktur macht sichtbar, welche Situation ein Dataset repräsentiert und wie es angepasst werden kann. ## DataMesh Workflow 1. **Umgebung modellieren** - Fabrik, Facility, Lager, Workcell oder Inspektionsbereich in FactVerse mit Assets, Zonen, Metadaten und Beziehungen aufbauen. 2. **Szenenverhalten erstellen** - Layoutvarianten, Prozesslogik, Objektbewegung, Aufgabenschritte, Ereignisse und Timing in FactVerse Designer definieren. 3. **Simulationsassets vorbereiten** - CAD, BIM, 3D, OpenUSD, Materialien, Skalierung, Koordinatensysteme und SimReady-Regeln ausrichten. 4. **Sensoren und Aufgaben konfigurieren** - Kameras, Tiefensensoren, Roboteransichten, Zielobjekte, Ziele, Erfolgskriterien und Constraints definieren. 5. **Gelabelte Daten generieren** - RGB, Tiefe, Segmentierung, Bounding Boxes, Instanz-IDs, Posen, Trajektorien, Prozessstatus und Szenenmetadaten erzeugen. 6. **In Trainingsstacks exportieren** - Datasets und Szenenassets für Robotiktraining, Evaluation, Isaac Sim / Omniverse oder Enterprise-Toolchains paketieren. 7. **Prüfen und iterieren** - Datenqualität, Szenenabdeckung, Label-Konsistenz, Aufgabenabdeckung und Downstream-Ergebnisse verfolgen. ## Rollen im DataMesh Stack [FactVerse](/products/factverse) hält die operative Twin-Grundlage mit Standortstruktur, Assets, Beziehungen, Datenkontext, Berechtigungen und Szenenaufzeichnungen. [FactVerse Twin Engine](/products/factverse-twin-engine) stellt Runtime-Kontext für ausführbare Twins bereit: Geometrie, Datenbindung, Verhalten und Interaktionszustand. [FactVerse Designer](/products/designer) ist die Authoring-Umgebung für Layouts, Prozesslogik, Behavior Trees, Aufgabenschritte und Szenariovarianten. [DataMesh Robotics](/products/robotics) konzentriert sich auf synthetische Daten, Label-Ausgabe, Aufgabendefinition, Reward-Setup und Vorbereitung von Robotikpipelines. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) verbindet FactVerse-Szenen mit OpenUSD- und Omniverse-Workflows für Rendering, Sensorsimulation, Physikvalidierung und externe Simulationstools. [Data Fusion Services](/products/dfs) bindet Live- und Historiendaten ein, wenn Gerätezustand, Alarme, Produktionssignale oder Facility-Kontext gebraucht werden. ## Dataset-Spezifikation - Zielroboter, Sensor, Modellfamilie oder Trainingsstack. - Umgebung, Szenenversion, Asset-Liste und Koordinatensystem. - Aufgabenbereich, Zielobjekte, Prozesszustände und Erfolgskriterien. - Sensoraufbau, Kamerapfade, Ansichten, Kalibrierung und Rauschannahmen. - Variationsregeln für Licht, Materialien, Objektplatzierung, Gerätezustand, Route und Timing. - Ausgaben wie RGB, Tiefe, Segmentierung, Bounding Boxes, Pose, Trajektorie und Szenenmetadaten. - Qualitätsprüfungen für Label-Konsistenz, Klassenabdeckung, räumliche Genauigkeit und Szenenabdeckung. - Exportformat, Namensregeln, Dataset-Version und Review Owner. ## Gute Startpunkte - **Wahrnehmungsdatasets**: gelabelte Bilder und Tiefendaten für Industrieobjekte, Equipment, Werkzeuge, Paletten, Schilder, Vorrichtungen und Arbeitszonen. - **Inspektionsworkflows**: Ansichten und Labels für Assets, Panels, Anzeigen, Rohre, Schränke und schwer erreichbare Bereiche. - **Mobile Robotik**: Wege, Hindernisse, Routenstatus, Staging Areas, Dockingpunkte und wechselnde Facility-Bedingungen. - **Manipulation und Kontakt**: Objektpose, Materialverhalten, Greifconstraints, Kontaktzustand und Task-Sequenz für Review. - **Fabrik- und Lagerplanung**: Layoutvarianten, Materialfluss, Robotikpfade und Betriebsconstraints vor physischen Tests kombinieren. ## Qualitäts- und Governance-Metriken - Szenenabdeckung nach Zielbereich, Objektklasse und Prozessstatus. - Label-Konsistenz über Frames und Szenenversionen. - Variation bei Licht, Platzierung, Verdeckung, Objektzustand und Sensorpose. - Physische Konsistenz bei Skalierung, Kollision, Kontakt, Route und Timing. - Integrationsqualität im Downstream-Simulator oder Trainingsstack. - Rückverfolgbarkeit von Dataset-Version zu Szene, Generierungsrezept und Annahmen. - Erkenntnisse aus Modellbewertung oder Robotiksimulation. ## Öffentliche Referenzen Der [DataMesh Robotics Launch](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) beschreibt die öffentliche Richtung für synthetische Trainingsdaten, ausführbare industrielle Twins, Aufgabenziele, Reward-Setup und Robotikpipelines. Der [GTC 2025 Showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) zeigt DataMesh Simulations-Digital-Twins im Kontext von FactVerse und NVIDIA Omniverse. Der [FactVerse und NVIDIA Omniverse Artikel](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) erklärt, wie FactVerse-Szenenkontext mit Omniverse-Workflows verbunden wird. --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## Genauigkeit ist eine laufende Betriebsaufgabe Ein digitaler Zwilling bleibt nach dem Go-Live wertvoll, wenn das Modell weiter zum Standort passt. Anlagen ändern sich: Geräte werden ersetzt, Räume umgebaut, Sensoren umbenannt, Wartungswege angepasst, Verfahren aktualisiert und Zugriffsrechte verfeinert. Model Governance legt fest, wer jede Schicht besitzt, welche Feldänderungen ein Update auslösen, wie Änderungen geprüft werden, wie Versionen veröffentlicht werden und welche Anwendungen die freigegebene Version nutzen. Für AI Agent und Physical AI schützt Governance den Kontext für Reasoning, Simulation und Empfehlung. Eine veraltete Asset-Beziehung oder Datenbindung kann Analysen in eine falsche Richtung lenken. ## Änderungen nach Go-Live | Quelle | Auswirkung | |---|---| | Geräteaustausch | Asset-ID, Geometrie, Dokumente, Wartungshistorie und Datenbindung | | Raum- oder Layoutänderung | Raumhierarchie, Routen, Sicherheitsgrenzen und Berechtigungen | | Sensor- oder Zählerumbenennung | DFS-Mapping, Einheiten, Historie und Dashboards | | Verfahrensupdate | SOP-Links, Inspektionsvorlagen, Guidance und Freigaberegeln | | Umbau oder Erweiterung | BIM, CAD, Punktwolken und As-built-Versionen | | Systembeziehungsänderung | Upstream- und Downstream-Abhängigkeiten, betroffene Zonen, Alarmkontext | | Berechtigungsänderung | Sensible Räume, kundenspezifische Bereiche und beschränkte Records | Diese Änderungen gehören in eine kontrollierte Queue. ## Schichten des Twins steuern | Schicht | Governance-Gegenstand | |---|---| | Raum Modell | Standort, Gebäude, Etage, Raum, Zone, Route, Zugang, Sicherheitsgrenze | | Asset Modell | Asset-ID, Name, Klasse, Hierarchie, Owner, Lifecycle-Status | | System Modell | Strom, Kühlung, Luft, Wasser, Prozessversorgung, Logistik, Steuerung | | Geometrie | BIM, CAD, 3D, Punktwolke, Quellversion, Gewicht, Detailgrad | | Datenbindungen | Sensoren, Zähler, Alarme, Statuswerte, Kennzahlen, Aktualisierungsregeln | | Dokumente und SOPs | Handbücher, Zeichnungen, Arbeitsanweisungen, Inspektionsvorlagen | | Berechtigungen | Rollen, sensible Räume, kundenspezifische Layouts, beschränkte Dokumente | | Anwendungsszenen | Designer-Szenen, Inspector-Formulare, Dashboards, Trainings, Simulationen | Die Schichten helfen, Modellpflege als Betriebsprozess statt als Dateiproblem zu behandeln. ## Praktischer Update-Prozess 1. **Änderung erfassen** - Feldteam, Projekt, Inspektion, CMMS, BMS oder Punktwolkenreview erzeugt eine Anfrage. 2. **Auswirkung einordnen** - Geometrie, Asset-Identität, Systembeziehung, Datenbindung, Dokumente, Berechtigungen oder Szenen prüfen. 3. **Quelle aktualisieren** - Asset-Register, BIM/CAD, Punktwolke, Mapping, Dokumentablage oder Verfahrensbibliothek zuerst pflegen. 4. **Twin Release vorbereiten** - Designer, Twin Engine und Data Fusion Services aktualisieren Runtime-Modell und Szenen. 5. **Mit Feldnachweis prüfen** - Position, Asset-ID, Datenbindung, visueller Zustand, Dokumentlink und Berechtigungsverhalten validieren. 6. **Version veröffentlichen** - Freigegebene Version mit Release Notes, Reviewer, betroffenen Bereichen und Rollback-Referenz publizieren. 7. **Nutzer informieren** - Dashboards, Inspector Workflows, AI Agent Routinen, Simulationen und Trainings verwenden die freigegebene Version. 8. **Ergebnis auditieren** - Prüfen, ob die Abweichung gelöst wurde und ob Folgeänderungen nötig sind. ## Datenbindungen separat prüfen Datenbindungen können leise brechen. Tags werden umbenannt, Zähler ersetzt, Sampling-Intervalle geändert oder Kennzahlen neu berechnet. Die 3D-Szene kann korrekt aussehen, während der Live-Kontext auf eine alte Quelle zeigt. [Data Fusion Services](/products/dfs) unterstützt die Zuordnung von Quellsystemen zu Twin-Entitäten. Für wichtige Bindungen sollten Quelle, Tag, Einheit, Zeitregel, Qualitätsstatus, Aktualisierungsfrequenz und Owner dokumentiert werden. Für AI Agent Workflows ist diese Nachvollziehbarkeit wichtig, weil Empfehlungen von Beziehungen zwischen Signalen, Assets, Räumen, Dokumenten und Feldhistorie abhängen. ## Feldnachweise schließen den Kreis [Inspector](/products/inspector) kann Abweichungen, Fotos, Inspektionen, Korrekturen und Arbeitsrecords direkt am Asset oder Raum speichern. Nützliche Nachweise sind aktuelles Foto, sichtbare Asset-ID, Raum oder Route, betroffener Workflow, vorgeschlagene Korrektur, Dringlichkeit, Reviewer und Abschlussrecord. So wird Modellpflege ein nachvollziehbarer Betriebsprozess. ## Governance für AI und Simulation AI Agent, Simulation und Physical AI sollten freigegebenen Modellkontext verwenden. Die Modellversion sollte festhalten, welche Geometrie, Asset-Beziehungen, Datenbindungen, Dokumente und Szenarioannahmen zum Zeitpunkt einer Empfehlung oder Simulation aktiv waren. Diese Spur hilft, Ergebnisse über Releases hinweg zu vergleichen und Ursachen einzuordnen: Betriebsänderung, Datenqualität, Modellupdate oder AI Workflow. ## Rhythmus * täglich dringende Feldabweichungen und gebrochene Datenbindungen prüfen * wöchentlich Asset-, Dokument-, Berechtigungs- und Workflow-Updates prüfen * monatlich Modellqualität, alte Records und Quellsystem-Drift prüfen * Release Notes für jede Produktionsänderung halten * Rollback-Referenzen für größere Szenen- und Datenänderungen speichern * Owner für Standort, System und Asset Library benennen ## Checkliste * Hat jeder Raum, jedes Asset, jedes System und jede Datenbindung einen Owner? * Kommen Feldänderungen über einen freigegebenen Pfad in die Queue? * Wird die Quelle vor dem Runtime-Twin aktualisiert? * Sind Modellversionen mit Release Notes und Reviewern verbunden? * Sind sensible Räume, beschränkte Dokumente und kundenspezifische Layouts geschützt? * Können Inspector-Nachweise Modellupdates auslösen? * Referenzieren AI Agent und Simulation die verwendete Modellversion? ## Öffentliche Referenzen Der [BIM, CAD und Punktwolken Asset Pipeline Guide](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline) beschreibt die Vorbereitung vor dem Go-Live. Der [Data Readiness Guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) beschreibt die Datenbasis für AI Agent und operative Twins. Der [Industrial Knowledge Graphs Guide](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) beschreibt semantische Beziehungen für Assets, Räume, Systeme, Signale, Dokumente und AI Reasoning. --- ## [GUIDES] Pharma Operator Training und digitale SOPs für GMP/CSV-Nachweise ## Regulierte Operations beruhen weiter auf erfahrenen Operatoren Pharma- und Biopharma-Anlagen verbinden automatisierte Anlagen, kontrollierte Räume, Utilities, Qualitätssysteme und qualifizierte menschliche Ausführung. Viele Produktionsschritte beruhen auf trainierten Operatoren für Setup, Reinigung, Sampling, Wiegen, Montage, Demontage, Line Clearance, Inspektion, Übergabe und Ausnahmebehandlung. Die zentrale Herausforderung ist Konsistenz. Teams brauchen dieselbe Verfahrensversion, denselben Equipment-Kontext, dieselbe visuelle Referenz, Sicherheitsnotiz, Rollenhinweise und Nachweisrecords über Schichten, Standorte und Trainingsgruppen hinweg. Ein Digital-Twin-basierter SOP-Workflow liefert einen gemeinsamen Betriebskontext. Er verbindet Raum, Equipment, Verfahrensschritte, Trainingsrecords, Inspektionsaufgaben, Work Orders, Fotos, Review-Notizen und Änderungshistorie rund um reale Assets und Prozessbereiche. ## Was eine digitale SOP tragen sollte | Ebene | Operatives Detail | |---|---| | Verfahrensversion | Freigegebene SOP, Revision, Gültigkeitsdatum, Trainingszielgruppe und Owner | | Raumkontext | Raum, Zone, Equipment, Utility-Verbindung, Zugangspfad und Sicherheitsgrenze | | Arbeitsschritte | Setup, Materialvorbereitung, Reinigung, Sampling, Inspektion, Bestätigung, Übergabe und Abschluss | | Visuelle Führung | 3D-Modell, Animation, Label, Bild, Video, Checkpoint und Operator Prompt | | Rolle und Training | Erforderliche Rolle, Trainingsabschluss, Assessment-Ergebnis, Refresher-Zyklus und Kohortenhistorie | | Ausführungsrecord | Operator, Zeit, Asset, Schrittstatus, Foto, Notiz, Ausnahme, Work Order und Verifikation | | Änderungshistorie | SOP-Revision, Asset-Änderung, Content Review, Trainingsupdate und Freigabeweg | Ziel ist ein Record, der zeigt, welches Verfahren verwendet wurde, auf welches Asset oder welchen Bereich es angewandt wurde, wer trainiert war, was ausgeführt wurde, was beobachtet wurde und wie das Ergebnis reviewt wurde. ## DataMesh Workflow 1. **Verfahrensquellen sammeln** - SOPs, Arbeitsanweisungen, Trainingsmaterial, Equipment-Modelle, Fotos, Videos, Asset-Listen, Raumkontext, Wartungsrecords und Qualitätsreview-Anforderungen zusammenführen. 2. **Betriebskontext erstellen** - Räume, Equipment, Utilities, Dokumente, Prozessbereiche, Asset-Historie und Rollenverantwortung in FactVerse verbinden. 3. **Geführte Verfahren authoren** - Director für 3D-SOPs, Trainingsszenarien, Step Prompts, Checkpoints, Animationen, Labels und reviewfähigen Content nutzen. 4. **Training und Feldführung liefern** - DataMesh One sowie Mobile- oder XR-Geräte einsetzen, damit Operatoren im selben Asset-Kontext lernen und arbeiten. 5. **Ausführungsnachweise erfassen** - Inspector und Checklist für Inspektionen, Tasks, Fotos, Notizen, Ausnahmen, Korrekturmaßnahmen, Work Orders und Verifikationsstatus nutzen. 6. **Betriebsdaten verbinden** - Data Fusion Services bindet Asset-Zustand, Alarme, Wartungshistorie, Dokumente und Enterprise Records ein, wenn der Workflow sie benötigt. 7. **Reviewen und verbessern** - Konsistente Records für Qualitätsreview, Retraining, Abnormal-Event-Analyse, Wartungsabschluss und CSV-Nachweisvorbereitung nutzen. So entsteht ein reviewfähiger Pfad von Training zu Ausführung. ## Typische Startpunkte - **Operator Onboarding**: Raumlayout, Equipment-Identität, saubere Ausführung und häufige Übergaben vor Produktionsarbeit trainieren. - **Setup und Changeover**: Setup, Montage, Demontage, Verifikation und Line Clearance mit visuellen Checks führen. - **Reinigung und Inspektion**: Step Guidance, Fotonachweise, Inspektionsergebnisse und Korrekturmaßnahmen mit Asset oder Bereich verbinden. - **Sampling und Wiegen**: Prompts, Equipment-Kontext, Rollenhinweise und Abschlussrecords für wiederkehrende Arbeit bereitstellen. - **Wartungs- und Kalibrierungsunterstützung**: Equipment-Historie, Field Tasks, Work Orders, Abnahmenotizen und SOP-Referenzen verbinden. - **Deviation und Abnormal Review**: Ereignis, Ort, betroffenen Schritt und abgeschlossene Follow-ups strukturiert sammeln. Ein guter Pilot hat hohe Trainingslast, wiederkehrende Übergabeprobleme oder starke Nachweisanforderungen. ## GMP- und CSV-Nachweisstruktur GMP-Programme brauchen kontrollierte, wiederholbare und nachvollziehbare Herstellpraxis. Für SOP-Ausführung bedeutet das klare Versionsverantwortung, trainierte Personen, freigegebene Arbeitsschritte, verlässliche Records und reviewfähige Ausnahmen. CSV-Programme fokussieren computerisierte Systeme in regulierten Workflows. Für digitale SOPs und Inspektionsworkflows sind Intended Use, Systemumfang, Zugriffsrollen, Versionskontrolle, Workflow Records, Änderungshistorie, Testnachweise und Qualitätsreview-Materialien nützlich. DataMesh unterstützt diese Nachweisstruktur, indem Verfahren, Trainingsabschluss, Arbeitsrecords, Inspektionsnachweise, Asset-Historie, Korrekturmaßnahmen und Änderungsrecords mit Prozess- und Equipment-Kontext verbunden bleiben. ## Produktrollen [Director](/products/director) erstellt geführte 3D-SOPs, Trainingsszenarien, Animationen, Labels, Checkpoints und Feldhinweise. [Inspector](/products/inspector) verwaltet Inspektionen, Work Orders, Reparaturrecords, Nachweiserfassung, Verifikation und Feldhistorie. [Checklist](/products/checklist) unterstützt wiederkehrende Tasks, strukturierte Formulare, Abschlussrecords und mobile Ausführung. [FactVerse](/products/factverse) liefert den operativen Digital-Twin-Kontext für Räume, Assets, Dokumente, Workflows und Datenbindungen. [Data Fusion Services](/products/dfs) verbindet DCS, SCADA, Historian, CMMS, EAM, LIMS, Alarme, Sensoren, Dokumente und Enterprise-Systeme, wenn Datenintegration im Umfang liegt. [FactVerse AI Agent](/products/factverse-ai-agent) kann wiederkehrende Issues, abnormale Trends und relevante Arbeitshistorie für qualifizierte Teams zusammenfassen. ## Governance Checkliste - Sind SOP-Versionen, Owner, Gültigkeitsdaten und Trainingszielgruppen dokumentiert? - Sind Raum-, Equipment-, Utility-, Dokument- und Asset-Kennungen systemübergreifend konsistent? - Sind Trainingsabschluss, Assessment und Refresher Records mit der richtigen Verfahrensversion verbunden? - Sind Field Tasks mit korrektem Asset, Bereich, Schritt, Operatorrolle und Review-Status verbunden? - Sind Fotos, Notizen, Ausnahmen, Korrekturmaßnahmen und Verifikationsrecords für spätere Reviews strukturiert? - Sind Zugriffsrollen, Content-Freigabe, Change Review und Release Controls dokumentiert? - Sind Systemumfang, Intended Use, Versionshistorie und Testrecords für CSV-Vorbereitung verfügbar? - Sind Quality, Operations, Training, Engineering und Maintenance Owner vor Rollout abgestimmt? Diese Checks machen digitalen SOP-Content zu einem operativen Nachweissystem. ## Öffentliche Referenzen Die [Swire Coca-Cola Referenz](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) zeigt Digitalisierung von Wartungsprozessen und Frontline Training. Die [Foxconn Referenz](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) zeigt FactVerse für Training und Wartungsworkflows. Die [Expressway Safety Training Referenz](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) zeigt digitale Zwillinge und Mixed Reality für praktisches Training. Die [Yokogawa und DataMesh Referenz](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt das Muster, industrielle Facility-Signale mit Wartungsreview zu verbinden. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## Eine schnellere Zwischenschicht für Prozessvalidierung Produktions- und Verpackungsprojekte bewegen sich häufig zwischen statischen Layouts, diskreter Ereignissimulation, Finite-Elemente-Analyse, CFD und Feldversuchen. Viele praktische Fragen liegen dazwischen: Ausrichtung von Verpackungen, Kollision, Rutschen, Stapeln, Übergabetiming, Roboterzugang, Bedienerreichweite und Interaktion zwischen Maschinen. Moderne Workflows rund um Omniverse, NVIDIA Isaac Sim, PhysX und Newton schaffen eine schnelle Zwischenschicht. Engineering- und Operationsteams können mehr physische Szenarien im digitalen Zwilling prüfen und anschließend die wenigen kritischen Varianten für Detailanalyse oder Feldversuche auswählen. Das Genauigkeitsziel unterscheidet sich von einem kalibrierten Finite-Elemente-Modell. Der Wert liegt in Geschwindigkeit, Szenarioabdeckung, gemeinsamer Prüfung und früher Problemerkennung. Für DataMesh ist dies eine Erweiterung von [FactVerse Designer](/products/designer). Designer erstellt Produktionsszenen, Prozesslogik, Behavior Trees, Layoutvarianten und Timeline-Szenarien. Der [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) bringt diesen Kontext in OpenUSD- und Omniverse-Workflows. Danach können Teams Isaac-Sim-Szenen mit PhysX-Physik, RTX-Rendering, Robotermodellen und Sensoren vorbereiten; bei Robotik- oder Physical-AI-Szenarien führen Isaac Lab oder Newton weiter. ## Wo klassische Simulation langsam wird | Methode | Wofür sie hilfreich ist | Typische Einschränkung | |---|---|---| | Statisches Layout | Fläche, Anlagenposition, Zugang, Abstimmung | Wenig Evidenz zu Bewegung und Interaktion | | Diskrete Ereignissimulation | Durchsatz, Warteschlangen, Auslastung, Puffer | Vereinfachte Geometrie und Physik | | Finite-Elemente-Analyse | Spannung, Verformung, Materialreaktion, Struktur | Längere Modell- und Rechenzyklen | | CFD | Luft, Fluid, Wärme, Druck, Kontamination | Spezialisierte Modelle und längere Iteration | | Feldversuche | Finale Prozesssicherheit und Bedienerfeedback | Kosten, Termine, Sicherheit und begrenzte Szenarien | Physikbasierte Prozesssimulation hilft bei Fragen wie: Was passiert, wenn ein Karton an einer Führung kollidiert, ein Tray kippt, ein Roboterübergang zu spät kommt oder ein Förderpuffer voll läuft? ## Was Isaac Sim, PhysX und Newton beitragen NVIDIA beschreibt Isaac Sim als Open-Source-Referenzframework auf Omniverse Libraries für Robotiksimulation, Tests und synthetische Datengenerierung in physikalisch basierten virtuellen Umgebungen. Es kann CAD, URDF, MJCF und erfassten Szenenkontext in USD überführen und Szenen mit Materialien, Physik, Robotermodellen und Sensoren aufbauen. PhysX bildet die Physikbasis in diesem Isaac- und Omniverse-Pfad. Die Isaac-Sim-Dokumentation beschreibt die Kernsimulation als hochpräzise GPU-basierte PhysX-Engine mit Multi-Sensor-RTX-Rendering im industriellen Maßstab. Für Produktionslinien unterstützt das Review von Bewegung, Kollision, Starrkörperverhalten, Platzierung, Materialfluss, Abständen, Roboterreichweite und Sicherheitszonen. Isaac Lab und Newton erweitern den Workflow in Richtung Robot Learning und kontaktreiche Simulation. NVIDIA beschreibt Isaac Lab als offenes, GPU-beschleunigtes, modulares Framework für Robot Learning. Newton wird als offene, erweiterbare Physik-Engine auf Warp und OpenUSD beschrieben, mit Richtung zu GPU-Beschleunigung, differenzierbarer Physik, steckbaren Solvern, Starrkörper- und Deformationssimulation sowie Isaac-Integration. Das wird wichtig, wenn Prozesssimulation Robotik-Policies, taktilen Kontakt, flexible Materialien, Verpackungsverformung, Kabel oder Physical-AI-Workflows berührt. Die Tiefe der Physik sollte zur Entscheidung passen. Ein Verpackungslayout braucht oft schnelle Bewegungs- und Kollisionsprüfung. Eine Roboter-Steckaufgabe kann stärkeres Kontaktmodell benötigen. Materialversagen gehört in spezialisierte technische Analyse. ## Verpackungsprozessvalidierung Verpackung ist ein starkes Anwendungsfeld, weil kleine physische Details das Ergebnis verändern. Ein virtueller Test kann untersuchen: * Ausrichtung, Abstand und Übergabetiming von Packstücken * Fördergeschwindigkeit, Führungen, Weichen, Stopper und Puffer * Bewegung von Tray, Karton, Flasche, Beutel oder Case durch Anlagen * Rutschen, Kippen, Stapeln, Springen, Kontakt und Kollision * Roboterreichweite, Greiferansatz, Arbeitsraum und Sicherheitszonen * Bedienerreichweite, Wartungszugang, Störungsbehebung und Prüfblicke * Linienvarianten vor Anlagenumzug oder Werkzeugänderung Das Ziel ist frühe Auswahl. Teams vergleichen mehr Optionen, finden offensichtliche physische Probleme und formulieren bessere Fragen für Detailvalidierung. ## DataMesh Workflow 1. **Betriebsszene aufbauen** - Linie, Verpackungszelle, Anlagen, Stationen, Puffer, Routen, Zugänge und Asset-Identitäten in FactVerse modellieren. 2. **Prozesslogik authoren** - Behavior Trees, Timing, Zustände, Materialrouten, Fehler, Recovery-Schritte und Varianten in Designer definieren. 3. **Simulationsassets vorbereiten** - Maßstab, Koordinaten, Kollisionsgeometrie, Materialannahmen, Masse, Reibung, Constraints und Versionen ausrichten. 4. **In den Physik-Workflow gehen** - FactVerse Adaptor for NVIDIA Omniverse bringt den Szenenkontext in OpenUSD und Omniverse. Wenn Robotik Teil des Szenarios ist, werden Isaac-Sim-Szenen mit Physik, Materialien, Robotermodellen und Sensoren vorbereitet. 5. **Schnelle virtuelle Tests ausführen** - Bewegung, Kollision, Kontakt, Platzierung, Übergaben, Puffer, Bedienerzugang und Roboterinteraktion über den passenden Omniverse-, Isaac-Sim-, PhysX- oder Newton-Pfad prüfen. 6. **Szenarien vergleichen** - Festhalten, welche Layout-, Timing-, Material- oder Anlagenvariante unter den Annahmen besser funktioniert. 7. **Ausgewählte Fälle vertiefen** - Kritische Varianten in Finite-Elemente-Analyse, CFD, Lieferantenengineering oder Feldversuche geben. 8. **Evidenz behalten** - Annahmen, Einstellungen, Ergebnisse, Screenshots, Issues und Freigaben an die Szenarioversion binden. So bleibt virtuelle Planung mit Engineering Governance verbunden. ## Wofür diese Schicht geeignet ist Physikbasierte Prozesssimulation ist besonders stark für schnellen Vergleich: * frühe Verpackungsworkflow-Auswahl * Review von Fördertechnik, Materialhandling und Puffern * Layout- und Abstandsprüfung * Erkennen von Kollisions- und Staurisiken * Roboter- und Bedienerzugang * Anlageninteraktion und Übergabetiming * Vorbereitung von Virtual Commissioning * Vorbereitung von Physical-AI-Szenarien * Review mit Engineering, Operations, Sicherheit und Lieferanten Das Ergebnis unterstützt Engineering-Urteile. Es reduziert den Optionsraum und konzentriert teure Validierung auf relevante Szenarien. ## Wo hohe Genauigkeit weiter wichtig bleibt Finite-Elemente-Analyse, CFD, Materialtests und Feldversuche bleiben die richtigen Werkzeuge für Spannung, Ermüdung, Bruch, Abdichtung, Wärme, Luftströmung, Flüssigkeiten, Kontaminationsrisiko und Qualitätsgrenzen. Physik-Engines benötigen Kalibrierung. Reibung, Steifigkeit, Dämpfung, Rückprall, Masse, Geometrievereinfachung, Kontaktparameter und Solver-Einstellungen beeinflussen Ergebnisse. Flexible Verpackungen, Flüssigkeiten, Pulver, Klebstoffe, Wärme, Verschleiß und Bruch können Spezialmodelle oder Experimente erfordern. Der beste Einsatz behandelt schnelle Physiksimulation als Engineering-Filter: schneller bessere Fragen stellen und bessere Validierungsziele wählen. ## Was gemessen werden sollte | Bereich | Nützliche Metriken | |---|---| | Iterationsgeschwindigkeit | Setup-Zeit, Variantenanzahl, Review-Zyklus, Zeit bis zum ersten Issue | | Szenarioabdeckung | Layouts, Geschwindigkeiten, Verpackungstypen, Fehlerzustände, Zugänge | | Modellqualität | Maßstabsfehler, Materialannahmen, Kollisionsgeometrie, Kalibrierungsnachweis | | Engineering-Wert | Vor Test gefundene Probleme, verworfene Varianten, reduzierter Validierungsumfang | | Transferqualität | Differenz zwischen virtuellem Test und Beobachtung, wiederkehrende Abweichungen | | Governance | Szenarioversion, Physikeinstellungen, Asset-Version, Reviewer, Entscheidung | Metriken halten Simulation nutzbar. Ein schnelles Modell mit unklaren Annahmen erzeugt Rauschen; ein schnelles Modell mit nachvollziehbaren Annahmen erzeugt Engineering-Hebel. ## Produktrollen [FactVerse Designer](/products/designer) ist die Authoring-Umgebung für Layouts, Behavior Trees, Prozesslogik, Timeline-Szenarien und Varianten. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) verbindet FactVerse-Szenenkontext mit OpenUSD- und Omniverse-Workflows für Rendering, Physikvalidierung, Isaac-Sim-Szenenvorbereitung und erweiterte Simulation. [FactVerse](/products/factverse) und [FactVerse Twin Engine](/products/factverse-twin-engine) erhalten den operativen Digital-Twin-Kontext: Assets, Räume, Systeme, Metadaten, Rechte und Szenariodaten. [Data Fusion Services](/products/dfs) verbindet Live- und Historiendaten, wenn Produktionssignale, Anlagenzustand, Alarme, Geschwindigkeit, Durchsatz oder Facility-Kontext gebraucht werden. [DataMesh Robotics](/products/robotics) erweitert den Workflow, wenn Verpackungs- oder Linienszenarien zu Trainingsdaten, Isaac-Sim-Robotiksimulation, Isaac-Lab-Lernaufgaben oder Physical-AI-Evaluierung werden. ## Readiness-Checkliste * Ist die Engineering-Entscheidung klar genug, um die Simulationstiefe zu wählen? * Sind Linienassets, Anlagennamen und Verpackungstypen stabil? * Sind Maßstab, Koordinaten, Einheiten und Ursprung validiert? * Sind Kollisionsformen und Materialannahmen dokumentiert? * Sind Timing, Routen, Übergaben und Zustandswechsel in Designer definiert? * Sind Physikeinstellungen an ein Review-Ziel gebunden? * Sind bekannte Grenzen vor dem Review dokumentiert? * Werden kritische Szenarien in Detailvalidierung überführt? * Sind Ergebnisse auf Szenenversion, Asset-Version und Physikeinstellungen rückverfolgbar? ## Öffentliche Referenzen NVIDIA beschreibt [Omniverse](https://www.nvidia.com/en-us/omniverse/) als Libraries und Microservices für industrielle digitale Zwillinge und Physical-AI-Simulation mit OpenUSD, RTX und Physikfunktionen. Die NVIDIA-Seite zu [Omniverse libraries](https://developer.nvidia.com/omniverse) beschreibt ovphysx als USD-native Multiphysics-Bibliothek für skalierbare Robotik- und Digital-Twin-Simulation. Die NVIDIA-Seite zu [Isaac Sim](https://developer.nvidia.com/isaac/sim) beschreibt Isaac Sim als Open-Source-Referenzframework auf Omniverse Libraries für Robotiksimulation, Tests und synthetische Datengenerierung. Die NVIDIA-Seite zu [Isaac Lab](https://developer.nvidia.com/isaac/lab) beschreibt Isaac Lab als offenes, GPU-beschleunigtes, modulares Framework für Robot Learning und Training von Roboter-Policies im großen Maßstab. NVIDIAs [Newton Physics](https://developer.nvidia.com/newton-physics) beschreibt Newton als offene, erweiterbare Physik-Engine auf Warp und OpenUSD für Robot Learning und Entwicklung. Der öffentliche Newton-Artikel zu industrieller Robotik beschreibt kontaktreiche Manipulation, Deformationssimulation, SDF-Kollision, hydroelastic contact und Isaac-Integration. DataMeshs [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) und [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) zeigen die öffentliche Richtung für Simulation Digital Twins, OpenUSD und Physical AI. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## Der Instandhaltungsprozess beginnt nach dem Signal Predictive Maintenance liefert Wert, wenn ein Risikosignal in einen geordneten Arbeitsprozess übergeht. Ein Schwingungstrend, Temperaturdrift, Strommuster oder wiederholter Alarm führt zu konkreten Fragen: welche Anlage ist betroffen, wie belastbar ist der Befund, welche Systeme hängen daran, welches Team prüft die Situation, und welche Feldarbeit folgt. [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) verbindet diese Schritte mit einem digitalen Zwilling. Daten, Anlagenkontext, KI-gestützte Prüfung, Arbeitsaufträge, Feldnachweise und Verifikation bleiben in einem gemeinsamen Betriebsprozess. Dieser Ablauf ist ein praktisches Physical-AI-Szenario. KI interpretiert reale Betriebssignale, und der digitale Zwilling verankert die Empfehlung in Anlage, Standort, Systembeziehungen und freigegebenen Ausführungsregeln. ## Was der Prozess verbindet - **Betriebssignale**: Schwingung, Temperatur, Strom, Druck, Laufzeit, Alarme, Historian-Tags und Umgebungsdaten. - **Anlagenkontext**: Hierarchie, Standort, Rolle im System, Abhängigkeiten, Wartungsplan, Dokumente und Ersatzteilbezug. - **KI-gestützte Prüfung**: Trendvergleich, Anomalien, Degradationsmuster, Befundzusammenfassung und Handlungsvorschläge. - **Validierung im digitalen Zwilling**: räumlicher Kontext, vor- und nachgelagerte Systeme, aktuelle Arbeiten, Betriebsgrenzen und Zugänglichkeit. - **Ausführung**: Inspector-Arbeitsaufträge, Checklist-Aufgaben, Zuweisung, Feldnotizen, Fotos, Abnahme und Abschlussstatus. - **Nachweisführung**: Messwerte nach der Maßnahme, Wiederholalarmprüfung, Zustandsvergleich und aktualisierte Anlagenhistorie. Das Ergebnis ist ein Wartungsdatensatz, der Befund, fachliche Prüfung, freigegebene Aktion und verifizierten Ausgang nachvollziehbar zusammenführt. ## Rolle des DataMesh-Stacks [Data Fusion Services](/products/dfs) verbindet Sensoren, Historian, BMS, SCADA, CMMS, EAM, IoT und Unternehmenssysteme. Die Daten werden für digitale Zwillinge, Analysen und KI-Prüfung vorbereitet. [FactVerse AI Agent](/products/factverse-ai-agent) bildet die Entscheidungsebene. Das Predictive-Maintenance-Modul von FactVerse AI Agent bewertet Signalverhalten, Anlagenbeziehungen, Wartungshistorie und Betriebskontext und bereitet Befunde für Wartungsteams auf. [FactVerse](/products/factverse) liefert den digitalen Anlagenkontext. [Inspector](/products/inspector) verwaltet Inspektionen, Arbeitsaufträge, Feldprotokolle, Verifikation und Wartungsnachweise. [Checklist](/products/checklist) bündelt wiederkehrende Aufgaben und teamübergreifende Arbeitsabläufe. Kundenseitig geführte Systeme wie CMMS, EAM, BMS, SCADA und Freigabeprozesse bleiben gemäß Governance als führende Systeme eingebunden. ## Vom Signal zur verifizierten Arbeit 1. Sensor-, Historian-, Alarm-, Inspektions- und Anlagendaten anbinden. 2. Anlagen, Systeme, Datenpunkte und Arbeitsdatensätze im digitalen Zwilling abbilden. 3. Trends, Auffälligkeiten und Evidenz mit FactVerse AI Agent prüfen. 4. Befund im Anlagenkontext durch Instandhaltung und Engineering bestätigen lassen. 5. Inspector-Arbeitsauftrag oder Checklist-Aufgabe mit Umfang, Owner und Abnahmekriterien erstellen. 6. Abschlussnachweise erfassen und den Zustand nach der Maßnahme mit dem ursprünglichen Signal vergleichen. ## Geeignete Startpunkte | Startpunkt | Praktischer Fokus | |---|---| | Rotierende Anlagen | Pumpen, Kompressoren, Motoren, Lüfter und Anlagen mit Schwingungs-, Temperatur-, Strom- oder Druckmustern | | Facility Utilities | HLK, Kaltwasser, Druckluft, Stromverteilung und Systeme mit wiederkehrenden Alarmen | | Produktionsnahe Assets | Fördertechnik, Roboterzellen, Vorrichtungen und Handling-Equipment mit Einfluss auf den Produktionsfluss | | Inspektionsintensive Assets | Anlagen mit regelmäßigen Rundgängen, wiederkehrenden Themen oder uneinheitlichen Feldprotokollen | | Multi-Site-Betrieb | Gemeinsame Anlagenklassen, bei denen Lernerfahrungen standortübergreifend genutzt werden können | Ein guter Pilot hat nutzbare Datenhistorie, einen verantwortlichen Anlagenbereich, klaren Umfang und ein Feldteam, das den Prozess abschließen kann. ## Datenbereitschaft prüfen - Signale haben stabile Kennungen, Zeitstempel, Einheiten und Anlagenbezug. - Wartungshistorie liegt auf Anlagen- oder Anlagengruppenebene vor. - Arbeitsaufträge enthalten Ursache, Maßnahme und Abschlussinformationen. - Anlagenhierarchie und Standortdaten lassen sich mit dem digitalen Zwilling verbinden. - Engineering und Instandhaltung haben Prüf-, Freigabe- und Eskalationsregeln vereinbart. - Feldteams erfassen Nachweise strukturiert. - Pilotkennzahlen beziehen sich auf verifizierte Betriebsdaten. ## Kennzahlen zur Validierung - Zeit von Signalerkennung bis fachlicher Prüfung. - Anteil der Befunde, die in geplante Wartung übergehen. - Qualität von Arbeitsauftragsabschluss und Evidenz. - Wiederholalarme nach korrektiven Maßnahmen. - Zustandsentwicklung der Anlage nach Wartung. - Reaktionszeit des Feldteams und Qualität der Aufgabenannahme. - Prüfaufwand für wiederkehrende Anlagenklassen. Jeder Standort quantifiziert den Nutzen anhand eigener Baseline, Anlagenumfang und Betriebshistorie. ## Öffentliche Referenzen Die Ankündigung von [Yokogawa und DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt die öffentliche Richtung für KI-gestützte Predictive Maintenance in industriellen Anlagen, insbesondere bei kritischen rotierenden Maschinen. Die Referenzen zu [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) und [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) zeigen, wie digitalisierte Wartungsprozesse, Frontline Guidance und Training die Ausführungsebene unterstützen. --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## Fab Operations brauchen stabilen Facility-Kontext Halbleiter-Fabs hangen stark von stabiler Facility-Infrastruktur ab. Reinraum-Drift, Druckungleichgewicht, steigende Filterlast, Kaltwasser-Schwankungen, CDA-Druckanderungen, instabile Abluft, verspatete Wartung und verteilte Work Orders konnen Betriebsrisiken erzeugen, bevor Teams ein gemeinsames Bild haben. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor) verbindet [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent) und [Inspector](/products/inspector) fur die Facility-Operations-Ebene. Reinraumsignale, Utility-Systeme, Asset-Beziehungen, Alarme, Wartungshistorie und Feldausfuhrung werden zu einem reviewfahigen Betriebsloop. Produktionsrezepte, APC, Yield Analytics, MES und Tool Control bleiben in den Fab-Systemen und Autorisierungsprozessen, die diese Entscheidungen verantworten. DataMesh konzentriert sich auf Facility, Wartung und operative Evidenz. ## Was der Facility Twin verbindet | Ebene | Betriebskontext | |---|---| | Reinraumzonen | ISO-Klasse, Partikel, Temperatur, Feuchte, Druckdifferenz, Luftstrom, Raumhierarchie und Grenzwerte | | Utilities | HVAC, Kaltwasser, CDA, Vakuum, Abluft, Stromverteilung, Zahler, Pumpen, Ventilatoren, Ventile und Nebenanlagen | | Kritische Assets | FFUs, HEPA/ULPA-Filter, Chiller, Pumpen, AHUs, Kompressoren, Abluftanlagen, Sensoren, Controller, Dokumente und Wartungshistorie | | Alarme und Trends | Wiederholte Alarme, Anomalien, Sensordrift, Druckgradienten, Filterlast, Vibration, Strom, Laufzeit und Servicehistorie | | Ausfuhrung | Inspector Work Orders, Checklist-Aufgaben, Feldfotos, Messwerte, Notizen, Freigaben, Eskalationsregeln und Abschlussnachweise | | Governance | Empfehlungsquelle, Reviewer, Prioritat, SLA, Owner, Schichtubergabe, Abnahmekriterien, Follow-up-Evidenz und Audit Trail | Der Nutzen entsteht, wenn jedes Signal einer Zone, einem Asset, einem System, einer Verantwortung und einem Feldprozess zugeordnet ist. Ein Partikelanstieg sollte mit Reinraumkontext, Luftstrom, Druckverhalten, Filterzustand, vorgelagerten Utilities, letzter Wartung und Folgeaktion verbunden sein. ## DataMesh Workflow fur Halbleiter-Facility-Operations 1. **Facility-Quellen anbinden** - BMS, SCADA, PLCs, Historian, Umweltmonitoring, CMMS, EAM, IoT-Sensoren, Anlagen-Telemetrie und Work Orders verbinden. 2. **Facility Twin aufbauen** - Fabs, Reinraume, Zonen, Utilities, Assets, Sensoren, Kontrollpunkte, Dokumente und Verantwortlichkeiten in FactVerse modellieren. 3. **Signale an Kontext binden** - Partikel, Druck, Temperatur, Feuchte, Alarme, Energiewerte, Anlagenzustand und Work Records mit Data Fusion Services den richtigen Zonen und Assets zuordnen. 4. **Drift und Risiko reviewen** - FactVerse AI Agent fasst Anomalien, wiederholte Alarme, mogliche Ursachen, Prioritaten und empfohlene Aktionen fur den menschlichen Review zusammen. 5. **Mit Inspector ausfuhren** - Bestatigte Befunde in Work Orders, Feldaufgaben, Eskalationsplane, Schichtubergaben, Dokumentation und Abnahmen uberfuhren. 6. **Ergebnis verifizieren** - Messwerte nach der Aktion, Alarmwiederholung, Wartungsnachweise, Reinraumstatus und Review-Ergebnis mit dem ursprunglichen Befund vergleichen. ## Reinraum-Drift und ISO-Evidenz Reinraumteams mussen kleine Anderungen uber mehrere Signale gleichzeitig betrachten. Partikelzahlen, Temperatur, Feuchte, Druckdifferenz, Luftstrom, Filterzustand, Turevents, Alarme und Wartung konnen zusammen ein Driftmuster erklaren. FactVerse AI Agent kann eine Evidenz-Zusammenfassung vorbereiten: betroffene Zone, veranderte Messwerte, Druckgradienten innerhalb der Toleranz, FFU- oder Filterstatus, wiederholte Alarme und empfohlene Feldprufungen. ISO-14644-1-Bewertungen und standortspezifische Reinraumaufzeichnungen konnen als Betriebshistorie erhalten bleiben. Die Software strukturiert Evidenz, Review-Status und Work-Order-Bezug; Qualitats- und Validierungsentscheidungen folgen den kundenseitigen Prozessen. ## Utilities und Predictive Maintenance Facility-Assets haben eigene Degradationsmuster. Pumpen, Ventilatoren, Kompressoren, Chiller, AHUs, Abluftanlagen, Ventile, Sensoren und Filter zeigen fruhe Risiken uber Druck, Durchfluss, Vibration, Temperatur, Strom, Laufzeit, Alarme und Wartungshistorie. Der [Predictive Maintenance](/solutions/predictive-maintenance) Loop passt zu diesen Szenarien. FactVerse AI Agent reviewt Signale und Asset-Kontext; Inspector bringt bestatigte Befunde in Work Orders und Verifikation. Teams priorisieren nach Betriebswirkung, Reinraumabhangigkeit, Dringlichkeit, wiederholten Alarmen und verfugbarer Wartungskapazitat. ## Von Alarm zu Work Order Ein belastbarer Alarmworkflow umfasst: - Sensor- und Kalibrierzeitprufung - Asset- und Zonenkontext - Zusammenfassung moglicher Ursachen - Prioritat und SLA-Vorschlag - Owner oder Rollenverantwortung - Feldcheckliste - Fotos, Messwerte und Korrekturmassnahmen - Abnahme und Follow-up [Inspector](/products/inspector) und [Checklist](/products/checklist) bilden die Ausfuhrungsseite dieses Loops. Sie routen bestatigte Risiken in Work Orders, erfassen Feldnachweise und speichern den Abschluss fur den spateren Review. ## Energie-Review und what-if Analyse Halbleiter-Facilities sind energieintensiv. Utility-Messwerte, Kuhllast, Luftstromanforderungen, Filterlast, Pumpen- und Ventilatorverhalten sowie Fahrplane sollten gemeinsam mit Reinraum- und Wartungskontext betrachtet werden. DataMesh verbindet Energiewerte mit Systemen, Zonen, Assets und Work-Historie. FactVerse AI Agent kann what-if Vergleiche und Risiko-Zusammenfassungen fur Engineering-Reviews vorbereiten, etwa ob eine Wartungsaktion wiederholte Alarme reduzieren konnte oder ob eine Fahrplananderung mit Reinraumgrenzen gepruft werden sollte. Einsparungen, Carbon Reporting und Betriebsziele hangen von Kundenbaseline, Messgrenzen, Engineering-Regeln und Verifikation ab. Der DataMesh Workflow macht Bewertung und Ergebnisaufzeichnung nachvollziehbar. ## Pilot-Checkliste - Reinraumzonen, ISO-Klassen, Grenzwerte und Facility-Verantwortung sind definiert. - BMS, SCADA, Umweltmonitoring, PLC, Historian, CMMS, EAM und Work-Order-Systeme sind zuganglich. - Sensorname, Einheit, Zeitstempel, Standort und Asset-Zuordnung sind stabil. - Utilities und kritische Facility-Assets konnen im Digital Twin dargestellt werden. - Wartungsteams haben Review-, Prioritats-, Eskalations-, SLA- und Abnahmeregeln vereinbart. - Feldteams konnen Messwerte, Fotos, Notizen und Abschlussnachweise strukturiert erfassen. - Pilotmetriken beruhen auf verifizierten Records wie Review-Zeit, wiederholten Alarmen, Work-Order-Qualitat und Zustand nach der Aktion. ## Offentliche Referenzen Der [FactVerse AI Agent Launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) beschreibt DataMesh AI Agents fur komplexe Betriebsumgebungen einschliesslich Halbleiter-Facilities. Die [Gyro Referenz](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) zeigt Digital-Twin-Validierung fur Automatisierungsplanung in Halbleiter- und Advanced-Manufacturing-Umgebungen. Die [Jebsee / Quan Yi Electronics Referenz](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) zeigt Produktionslinienplanung mit FactVerse. Die [Yokogawa und DataMesh Referenz](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigt AI-gestutzten Maintenance Review fur Industriesignale. DataMesh setzt vergleichbare Facility-Operations-Muster auch in vertraulichen Halbleiterprojekten ein. Offentliche Texte beschreiben Fahigkeiten und Workflow, wahrend Kundennamen und Standortdetails nur im freigegebenen Rahmen verwendet werden. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## Warum Industrie-Assets eine höhere Bereitschaft brauchen Viele Unternehmen besitzen CAD-Dateien, BIM-Modelle, Scans, 3D-Szenen und Visualisierungen digitaler Zwillinge. Diese Inhalte helfen bei Design Reviews, Zusammenarbeit, Training und Management-Kommunikation. Physical AI verlangt zusätzlich, dass ein Asset berechenbar und simulierbar wird. Eine Produktionslinie, ein Reinraum, ein Lager, eine Roboterzelle oder eine Verpackungsstation braucht realen Maßstab, stabile Koordinaten, Objektidentität, Semantik, Physikannahmen, Verhaltensregeln, Prozessstatus und operative Datenbezüge. Erst diese Schichten machen ein Asset für Simulation, Robotiktraining, synthetische Daten, Layoutprüfung, Prozessprobe und AI-Agent-Workflows nutzbar. NVIDIA beschreibt SimReady als Framework für simulationsbereite 3D-Assets und digitale Zwillinge auf OpenUSD. Für Industrieprogramme entsteht daraus ein Weg, Asset-Bibliotheken von visuellen Inhalten zu wiederverwendbaren digitalen Objekten zu entwickeln. ## Ebenen eines SimReady Assets | Ebene | Vorbereitung | |---|---| | Geometrie und Maßstab | Abmessungen, Ursprung, Ausrichtung, Einheiten, Detailgrad und räumliche Grenzen | | Materialien und Darstellung | Materialien, Texturen, Lichtverhalten, Reflexion, Transparenz und Oberflächenklassen | | Physik | Kollision, Masse, Reibung, Dichte, Gelenke, Constraints, Bewegungsbereich und Sicherheitsabstände | | Semantik | Equipment-Klasse, Teilefunktion, Funktionsbereich, Prozessrolle, Asset-ID und Twin-Beziehung | | Verhalten | Zustände, Start und Stopp, Fehler, Recovery, Interlocks, Routen und Interaktionsbedingungen | | Datenbindung | PLC-Signale, Sensorwerte, Alarme, Work Orders, MES-Kontext, Energie und Inspektionsdaten | | Governance | Quelldateien, Version, Owner, Annahmen, Qualitätschecks, Simulationsergebnisse und Review-Notizen | ## Warum Verhaltenslogik wichtig ist Physikeigenschaften beschreiben Bewegung, Kollision und Kräfte. Industrielle Abläufe folgen zusätzlich Prozessregeln und Betriebszuständen. Maschinen starten, warten, stoppen, melden Fehler, erholen sich, blockieren vorgelagerte Stationen oder geben Material frei nach Steuerlogik und Arbeitsanweisungen. [FactVerse Designer](/products/designer) nutzt Behavior Trees und Szenariologik, um diese Regeln zu modellieren. Verpackungsanlagen, Förderer, Roboterzellen, Reinräume und Facility Assets können Zustände, Trigger, Timing und Interaktionsregeln tragen. Dadurch werden sie für Prozesssimulation, Training, Robotik-Kollaboration, Sicherheitsübungen, Ausnahmefälle und Physical AI nutzbar. ## DataMesh Workflow 1. **Quellassets sammeln** - CAD, BIM, 3D, Scans, Zeichnungen, Equipment Records, Prozessdokumente und Steuerungskontext zusammenführen. 2. **Szene normalisieren** - Maßstab, Koordinaten, Hierarchie, Namen, Objektidentität, Position und Versionen in FactVerse ausrichten. 3. **Industrielle Semantik ergänzen** - Equipment-Klasse, Prozessrolle, Funktionsbereich, Asset-ID, Beziehungen, Dokumente und Owner hinzufügen. 4. **Physikkontext vorbereiten** - Kollision, Masse, Reibung, Gelenke, Bewegungsgrenzen, Zugangsbereiche, Roboterzonen und Sicherheitsgrenzen definieren. 5. **Verhalten modellieren** - Zustandswechsel, Arbeitsschritte, Interlocks, Fehler, Recovery, Routen und Varianten in Designer erstellen. 6. **Operative Daten verbinden** - Data Fusion Services nutzen, wenn PLC, Sensoren, Alarme, Work Orders, Produktionsstatus, Energie oder Inspektionshistorie benötigt werden. 7. **OpenUSD-Pfad vorbereiten** - FactVerse Adaptor for NVIDIA Omniverse überträgt Szenenstruktur, Metadaten, Verhalten und Asset-Kontext in OpenUSD und Omniverse Workflows. 8. **Validieren und steuern** - Rendering, Physik, Verhalten, Labels, Szenenabdeckung und nachgelagerte Simulationsergebnisse prüfen. ## Nutzen einer SimReady Asset Library - Verpackungsanlagen mit Takt, Zustand, Beziehungen, Fehlerlogik, physischen Grenzen und Prozessverhalten. - Roboterzellen mit Arbeitsbereich, Sicherheitszonen, Sensorlayout, Greifzielen, Aufgabenfolge und Koordinationsregeln. - Förder- und Logistikassets mit Richtung, Geschwindigkeit, Blockierregeln, Übergaben, Routenzustand und Datenbindung. - Reinräume und kontrollierte Umgebungen mit Layout, Zugangswegen, Luftstromannahmen, Wartungswegen, Energiebezug und Risikoregeln. - Lagerzonen mit Regalen, Gängen, Paletten, Staging-Flächen, mobilen Geräten und Logistikstatus. Standardisierte, objektisierte, verhaltensreiche und physikbewusste Assets können in Linienplanung, Fabrikumbau, Training, Robotikeinführung, Störfallübungen, Energieanalyse und AI-Training wiederverwendet werden. ## Rolle in Physical AI Physical AI braucht hochwertige digitale Welten mit Raum, Objekten, Semantik, Physik, Verhalten, Prozesszustand und Daten. SimReady Assets liefern dafür wiederverwendbares Produktionsmaterial. Für Robotik zählen auch unsichtbare Kontexte wie Temperatur, Druck, Vibration, Equipment-Status, Work Orders, Sicherheitszonen und Prozessgrenzen. FactVerse kann diesen Kontext in den Twin bringen. Omniverse, PhysX, Newton und verwandte Workflows unterstützen Rendering, Physik, Sensorsimulation und Robotikbewertung. ## Governance Checkliste - Quelldateien, Owner, Lizenzen und Versionen dokumentieren. - Einheiten, Maßstab, Koordinaten, Ursprung und Ausrichtung validieren. - Asset-Identität mit operativem Twin und Enterprise Asset Records abgleichen. - Semantische Labels mit kontrollierten Vokabularen pflegen. - Physikannahmen mit Simulationsziel dokumentieren. - Verhaltenslogik mit Zuständen, Triggern, Timing, Fehlern und Recovery beschreiben. - Datenbindungen mit Quelle, Einheit, Zeitstempel, Aktualisierungsregel und Qualitätsstatus versehen. - Simulationsergebnisse auf Asset-Version, Szenenversion, Annahmen und Reviewer zurückführen. ## Öffentliche Referenzen NVIDIA bietet mit [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) und [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) öffentliche technische Grundlagen für SimReady Assets auf OpenUSD. Die DataMesh Referenzen zu [FactVerse und NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) sowie [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) zeigen die öffentliche Richtung für Simulation Digital Twins, OpenUSD Workflows und Physical AI Vorbereitung. --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## Roboter brauchen Trainingsumgebungen mit Industriekontext Robotiktraining wird besser, wenn die virtuelle Umgebung den Betriebskontext des realen Standorts trägt. Eine nützliche Trainingsumgebung enthält Geometrie, Asset-Identität, Maßstab, Materialien, Kollisionsgrenzen, Arbeitsschritte, Sensoren, Prozesszustände, Sicherheitszonen und die Varianten des täglichen Betriebs. SimReady Assets liefern wiederverwendbare, simulationsbereite Objekte. [FactVerse Designer](/products/designer) setzt diese Objekte zu virtuellen Fabriken, Lagern, Roboterzellen, Inspektionsbereichen, Reinräumen und Logistikrouten zusammen. [DataMesh Robotics](/products/robotics) verbindet die Szene mit synthetischen Daten, Aufgaben, Rewards und nachgelagerten Robotik-Simulationen. Das Ziel ist eine schnellere Sim-to-Real-Iteration: bessere digitale Welten bauen, mehr Aufgabenvarianten testen, Simulation mit Feldversuchen vergleichen und die Szene aus realem Feedback verbessern. ## Warum Sim-to-Real in Industrieanlagen schwierig ist | Ebene | Einfluss auf Robotikverhalten | |---|---| | Geometrie | Gangbreite, Equipmentposition, Regale, Freiraum, Bodenneigung, Arbeitsbereich | | Materialien | Reflexion, Transparenz, Reibung, Verschleiß, Verpackungstextur, Lichtverhalten | | Sensoren | Kamerapose, Sichtfeld, Kalibrierung, Verdeckung, Rauschen, Tiefenqualität, LiDAR | | Prozesszustand | Maschinenstatus, bewegte Teile, blockierte Route, Palettenposition, Ausnahmen | | Semantik | Objektklasse, Asset-ID, Sicherheitszone, Aufgabenrolle, Routentyp, Inspektionsziel | | Menschlicher Kontext | Bedienerbewegung, Wartungszugang, Staplerverkehr, Sperrzonen, Schichtmuster | | Steuerung | Geschwindigkeitsgrenzen, Stop-Regeln, Übergabezeit, Verriegelung, Recovery | Gute Sim-to-Real-Vorbereitung macht diese Ebenen explizit, damit Teams Varianten bewusst prüfen können. ## SimReady Assets als Trainingsbausteine Für Robotiktraining sollten SimReady Assets folgende Informationen tragen: * Maßstab, Ursprung, Orientierung und Kollisionsgeometrie * Material- und Lichtverhalten für Wahrnehmungstraining * Semantische Klasse, Asset-ID, Funktionsrolle und Szenenbeziehung * Physikannahmen wie Reibung, Masse, Gelenkbereich und Bewegungsgrenze * Zustände wie offen, geschlossen, blockiert, laufend, gestoppt, Alarm oder Wartung * Greifpunkte, Inspektionsziele, Dockingbereiche und sichere Annäherungszonen * Versionsdaten für Rückverfolgung aus Simulationsergebnissen So werden Trainingsszenen reproduzierbar und überprüfbar. ## Designer macht daraus virtuelle Trainingsumgebungen Robotiktraining hängt von Szenarien ab. Designer hilft bei: * Layouts für Anlagen, Produktionslinien, Lager, Roboterzellen und Inspektionsrouten * Behavior-Tree-Logik für Maschinenzustand, Objektbewegung, Aufgabenfolge und Ausnahmebehandlung * Timeline-Szenarien für Start, Stopp, Blockade, Recovery, Routenänderung und Übergabe * Layoutvarianten für neue Geräte, Gänge, Puffer, Regale, Förderer und Vorrichtungen * Sensor- und Viewpoint-Planung für Wahrnehmung, Inspektion, Navigation und Review * Szenenbibliotheken für synthetische Daten und externe Simulationstools Damit können Robotik-, Betriebs- und Simulationsteams dieselbe Umgebung prüfen. ## DataMesh Sim-to-Real Workflow 1. **Aufgabe wählen** - Roboter, Umgebung, Sensoren, Ziel, Sicherheitsgrenzen und Metriken definieren. 2. **SimReady Assets vorbereiten** - CAD, BIM, 3D, Scans und Betriebsdaten in Assets mit Maßstab, Semantik, Physik und Zuständen umwandeln. 3. **Trainingsumgebung bauen** - Designer für Layout, Prozessfluss, Routen, Verhalten und Varianten nutzen. 4. **Variationsregeln festlegen** - Licht, Objektposition, Assetzustand, Blockaden, Material, Sensorpose und Timing variieren. 5. **Trainingsdaten erzeugen** - RGB, Tiefe, Segmentierung, Bounding Boxes, Pose, Trajektorie, Szenenzustand und Task-Metadaten generieren. 6. **Simulation bewerten** - Assets und Datensätze in Robotiktraining, Isaac Sim / Omniverse oder andere Stacks exportieren. 7. **Mit Feldtests vergleichen** - Testergebnisse, Bedienernotizen, Fehler und Sensorlogs auswerten. 8. **Szene und Bibliothek aktualisieren** - Geometrie, Materialien, Physikannahmen, Labels, Verhalten und Variationen verbessern. ## Wo Transferqualität entsteht * **Wahrnehmung** - Beispiele über Licht, Material, Verdeckung, Pose, Entfernung und Hintergrund erzeugen. * **Navigation** - Routen, blockierte Gänge, Puffer, Dockingpunkte, Personenverkehr und Sicherheitszonen prüfen. * **Manipulation** - Objektpose, Greifziel, Vorrichtung, Kontaktfläche, Reibung und Übergabezeit variieren. * **Inspektion** - Viewpoints, Zielassets, Defektzustände, Panelpositionen, Messwerte und Zugang standardisieren. * **Recovery** - Fehler, blockierte Pfade, fehlende Objekte, Alarm, Not-Stopp und Neustartbedingungen testen. * **Betriebsreview** - Robotik-, Sicherheits-, Facility- und Produktionsteams prüfen Szenarien vor Feldversuchen. ## Metriken | Bereich | Beispiele | |---|---| | Datensatzqualität | Klassenabdeckung, Labelkonsistenz, Poseverteilung, Verdeckung, Lichtvariation | | Simulationsqualität | Maßstabsfehler, Kollision, Materialannahmen, Sensoren, Routentiming | | Aufgabenleistung | Erfolgsrate, Dauer, Eingriffe, Recovery-Rate, Fehlertyp | | Transferqualität | Unterschied zwischen Simulation und Feld, wiederholte Fehler, Korrekturen | | Governance | Szenenversion, Assetversion, Generierungsrezept, Reviewer, Freigabestatus | ## Produktrollen [DataMesh Robotics](/products/robotics) fokussiert synthetische Daten, Aufgaben, Labels, Reward Setup und Pipeline-Integration. [FactVerse Designer](/products/designer) bereitet die virtuelle Trainingsumgebung mit Layout, Behavior Trees, Timeline-Simulation, Szenarien und Varianten vor. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) verbindet FactVerse Szenen mit OpenUSD und Omniverse für Rendering, Physik, Sensoren und Robotiktools. [FactVerse](/products/factverse) und [FactVerse Twin Engine](/products/factverse-twin-engine) halten Assets, Räume, Systeme, Metadaten, Berechtigungen und Szenenrecords zusammen. ## Checkliste * Sind Aufgabe, Erfolgsmetriken und Sicherheitsgrenzen definiert? * Sind Umgebung, Assets, Routen und Prozesszustände eingegrenzt? * Haben SimReady Assets Maßstab, Semantik, Physikannahmen und Zustände? * Sind Designer-Szenen nach Aufgabe, Variante und Review-Zweck organisiert? * Sind Sensoren, Viewpoints, Kalibrierung und Rauschmodelle dokumentiert? * Stammen Variationsregeln aus realen Feldbedingungen? * Sind Datensatzausgaben und Labels vor der Generierung festgelegt? * Können Simulationsergebnisse zu Szene und Assetversion zurückverfolgt werden? ## Öffentliche Referenzen Der [DataMesh Robotics Launch](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) beschreibt synthetische Trainingsdaten, Aufgaben, Rewards und Robotik-Pipeline-Vorbereitung. Der [SimReady Assets Guide](/resources/guides/simready-assets-industrial-digital-twins-physical-ai) erklärt, wie Industrieassets Geometrie, Semantik, Physik, Verhalten und Datenbindungen tragen. Der [Synthetic Data Guide](/resources/guides/industrial-synthetic-data-physical-ai-robotics) beschreibt die breitere Datengenerierungspipeline. --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## Intralogistik hängt vom physischen Kontext ab Lager- und Werkslogistik findet im realen Raum statt. Eine Lagerstrategie kann in einer Tabelle korrekt wirken, doch das Ergebnis hängt von Gangbreite, Wendekreis von Gabelstaplern, Dock-Warteschlangen, Ladepositionen, Fußgängerquerungen, Bereitstellflächen, Fördertechnik-Übergaben und Ausnahmebehandlung ab. Automatisierungsplanung erhöht diese Komplexität. Teams müssen AGV/AMR-Routen, Fördertechnikänderungen, Lagerdichte, Line-Side-Versorgung, Nachschubfenster und Sicherheitszonen besprechen, bevor Kapital gebunden, Anlagen verschoben oder Abläufe unterbrochen werden. Ein operativer Digital Twin schafft eine gemeinsame räumliche Ebene. Er verbindet Lagerzonen, Materialrouten, Anlagen, Arbeitsbereiche, Verfahren, Betriebsdaten und Szenarioannahmen, sodass Planung, Automatisierungsanbieter, Sicherheit, Training und Operations im selben Umfeld prüfen können. ## Was modelliert werden sollte Nützliche Intralogistik-Twins beginnen mit praktischen Betriebsobjekten: | Ebene | Beispiele | |---|---| | Räume | Docks, Wareneingang, Lagerzonen, Line-Side-Bereiche, Bereitstellung, Versand, Quarantäne, Ladebereiche | | Routen | Gabelstaplerwege, AGV/AMR-Routen, Förderlinien, Fußgängerquerungen, Notzugang, Wartungszugang | | Assets | Regale, Fördertechnik, Türen, Gates, Fahrzeuge, Ladegeräte, Sensoren, Scanner, Sicherheitsgeräte | | Regeln | Picking, Nachschub, Laden, Entladen, Sequenzierung, Inspektion, Ausnahmebehandlung, Schichtübergabe | | Ereignisse | blockierte Route, verspätete Abholung, voller Puffer, beschädigte Palette, Gerätefehler, Safety Stop, fehlender Scan | | Daten | Inspektionsbefunde, Work Orders, Fotos, Operatornotizen, Trainingsergebnisse, Szenarioversionen | Wichtig ist Rückverfolgbarkeit. Route, Regal, Dock, Fahrzeug, Work Order und Szenario sollten in Planung, Training, Inspektion und Review dieselben Asset- und Standortidentitäten verwenden. ## Planung vor Automatisierungsinvestition Vor einer Investition sollten Teams grundlegende Fragen testen: * Sind Docks, Bereitstellflächen, Lagerzonen und Line-Side-Puffer richtig platziert? * Kollidieren Gabelstaplerwege, Fußwege und AGV/AMR-Routen? * Blockiert eine neue Förderlinie, ein Lift, Gate oder Ladebereich den Wartungszugang? * Wo entstehen Warteschlangen bei Wareneingang, Picking, Versand oder Linienversorgung? * Können Operator wahrscheinliche Ausnahmeorte sehen, erreichen und wiederherstellen? * Welches Szenario sollte in Lieferantenengineering, Detailsimulation oder Pilotbetrieb gehen? [FactVerse DLC](/products/factverse-dlc) liefert wiederverwendbare Lager- und Logistikinhalte wie Lagerzonen, Transportrouten, Lagerbereiche und Transportlinien-Assets. [FactVerse Designer](/products/designer) hilft Teams, diese Ressourcen an den Standort anzupassen, Layoutvarianten zu vergleichen und reviewfähige Szenen zu erstellen. Der Wert liegt in Klarheit vor Störung. Ein Digital-Twin-Review kann schwache Optionen entfernen, Anforderungen für Automatisierungspartner schärfen und Operations zeigen, wie sich ein Layout auf tägliche Arbeit auswirkt. ## Szenariovalidierung Lager- und Intralogistikvalidierung sollte sich auf handlungsfähige Entscheidungen konzentrieren: * Routenkonflikte und Clearance-Probleme * Dock-, Bereitstell- und Pufferkapazität * Übergabepunkte zwischen Gabelstapler, AGV, AMR, Fördertechnik und Operator * Notzugang und Sicherheitsgrenzen * Nachschub-Timing und Line-Side-Versorgung * Anlagenplatzierung, Ladeposition und Wartungszugang * Ausnahmeabläufe wie beschädigte Ware, blockierte Gänge, fehlende Scans oder Gerätefehler In dieser Phase dient der Digital Twin als Entscheidungsebene. Er grenzt Layout- und Routenoptionen ein, markiert Fragen für tiefere Simulation und strukturiert die Evidenz für Lieferantenengineering, Standortversuch und Prozessdesign. ## Training und Sicherheitsprobe Intralogistikprojekte ändern Bewegungen im Standort. Operator benötigen neue Routen, Ladefolgen, Scanschritte, Sicherheitsprüfungen oder Ausnahmebehandlung. Training sollte denselben räumlichen Kontext wie die Planung verwenden. [Simulator](/products/simulator) ist relevant, wenn Training von Fahrzeugverhalten, Routendisziplin, physischen Controls, Sicherheitsregeln und Bewertungsdaten abhängt. Gabelstaplerähnliche Trainingsszenarien helfen, Bewegung, Kurven, Lastverhalten, Sicht und Ausnahmeantwort wiederholt zu üben. [Director](/products/director) und [Inspector](/products/inspector) unterstützen geführte Verfahren, Inspektionen, Issue-Erfassung und Felddaten. Damit bleiben Route, Asset, Checkliste, Foto, Issue und Work Order an denselben operativen Twin-Kontext gebunden. ## Von Planung zu Ausführung Lager-Digital-Twins werden nützlicher, wenn sie von Review-Szenen in tägliche Abläufe übergehen: 1. **Standort abbilden** - Docks, Zonen, Gänge, Regale, Fördertechnik, Geräte, Arbeitsbereiche und Routennamen mit Assetdaten abgleichen. 2. **Szenarien erstellen** - Mit Designer und Lager-DLC Layoutoptionen, Routen, Bereitstellflächen, Sicherheitsgrenzen und Betriebsansichten aufbauen. 3. **Mit Stakeholdern prüfen** - Operations, Engineering, Sicherheit, IT, Automatisierungsanbieter und Training in dieselbe Szene bringen. 4. **Training vorbereiten** - Freigegebene Routen, Verfahren und Ausnahmefälle in Operatortraining und geführte Arbeit überführen. 5. **Daten verbinden** - Über Data Fusion Services und FactVerse Gerätezustände, Work Orders, Inspektionsdaten, Dokumente und Ereignisse binden. 6. **Ausführen und Evidenz erfassen** - Mit Inspector Inspektionen, Issues, Fotos, Reparaturnotizen, Abnahmen und Work-Order-Status erfassen. 7. **AI Review vorbereiten** - Wenn Daten und Workflows stabil sind, unterstützt FactVerse AI Agent Triage, Empfehlungen und Review der Arbeitsausführung. Diese Sequenz verbindet Planung, Training und Ausführung. Das Modell wächst von einem visuellen Asset zu einem gemeinsam prüfbaren operativen Kontext. ## Daten- und AI-Bereitschaft KI-gestützte Logistik braucht stabilen Kontext. Bevor AI Agent über Routen, Engpässe, Work Orders oder Gerätezustände nachdenkt, braucht der Standort konsistente Identitäten und Daten: * Standort-, Gebäude-, Etagen-, Zonen-, Gang-, Dock-, Regal- und Line-Side-Hierarchie * Asset-Identitäten für Fördertechnik, Fahrzeuge, Scanner, Gates, Ladegeräte, Sensoren und Sicherheitsgeräte * Routendefinitionen und erlaubte Betriebsbereiche * Ereignisdefinitionen für Verzögerungen, Fehler, blockierte Wege, volle Puffer, Safety Stops und fehlende Scans * Work Orders und Inspektionen mit Asset- und Standortbezug * Trainingsdaten mit Rollen, Verfahren, Routen und Anlagen * Datenqualität, Owner, Aktualisierungstakt und Ausnahmebehandlung Mit dieser Grundlage kann AI Agent wiederkehrende Probleme zusammenfassen, fehlenden Kontext markieren, nächste Prüfungen empfehlen, Alarme mit Work Orders verbinden und Muster im Betrieb prüfen. Dispatch-Logik und finale Entscheidungen bleiben in Kundensystemen, Verfahren und verantwortlichen Teams verankert. ## Produktrollen [FactVerse DLC](/products/factverse-dlc) liefert wiederverwendbare Lager- und Logistikinhalte für Zonen, Routen, Lagerbereiche, Transportlinien, Planungsszenen und Trainingsszenarien. [FactVerse Designer](/products/designer) ist die Authoring-Umgebung für Layoutvarianten, Materialrouten, Szenenansichten, Labels, Panels und Stakeholder-Reviews. [DataMesh FactVerse](/products/factverse) und [FactVerse Twin Engine](/products/factverse-twin-engine) halten den operativen Twin-Kontext: Räume, Assets, Beziehungen, Routen, Arbeitsobjekte, Rechte und Szenariodaten. [Data Fusion Services](/products/dfs) verbindet Betriebsdaten, Enterprise Records, Gerätezustände, Dokumente und Ereignisströme mit den richtigen Twin-Objekten. [Simulator](/products/simulator) unterstützt Operatortraining, wenn Routendisziplin, Fahrzeugverhalten, physische Controls und Bewertung wichtig sind. [Inspector](/products/inspector) verbindet den Twin mit Inspektionen, Issues, Fotos, Reparaturnotizen, Work Orders, Abnahmen und Feldevidenz. [FactVerse AI Agent](/products/factverse-ai-agent) kann operativen Review und Vorbereitung der Arbeitsausführung unterstützen, wenn Datenmodell, Ereignisse und Workflowdaten reif sind. ## Readiness-Checkliste * Sind Lagerzonen, Docks, Regale, Gänge, Bereitstellflächen und Line-Side-Bereiche konsistent benannt? * Sind Routen, Fußgängerquerungen, Sicherheitszonen und Wartungszugänge definiert? * Werden Gabelstapler, Fördertechnik, AGVs, AMRs, Ladegeräte, Scanner, Türen und Gates als Assets geführt? * Sind Layoutvarianten an eine klare Geschäftsfrage gebunden? * Sind Ausnahmefälle vor Training und Rollout dokumentiert? * Sind Inspektionspunkte, Issue-Kategorien, Work-Order-Handoff und Evidenzfelder definiert? * Sind Trainingsszenarien mit realen Routen, Verfahren und Geräten verbunden? * Sind Datenowner, Aktualisierungstakt und Datenqualität klar? * Basieren AI-Agent-Use-Cases auf stabilen Asset-, Routen-, Ereignis- und Work-Order-Daten? ## Öffentliche Referenzen Das [Warehousing and logistics DLC update](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) zeigt, wie FactVerse Inhalte für Logistikumgebungen, Routen, Layouts und Betriebsszenarien unterstützt. Die [Gyro Intralogistik-Referenz](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) zeigt Digital Twins für verständlichere, prüfbare und umsetzbare Intralogistikautomatisierung. Die [Jebsee Referenz zur Produktionslinienplanung](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) zeigt, wie FactVerse Kommunikation und Review rund um Automatisierungsänderungen unterstützt. Die [DataMesh Simulator Platform Ankündigung](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) zeigt die öffentliche Richtung für Digital-Twin-basiertes Operatortraining und Gerätesimulation. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI beginnt mit realem Betriebskontext Industrielle AI wird nützlich, wenn sie den Ort versteht, an dem Entscheidungen entstehen. Eine Anlage, Fertigungslinie, ein Rechenzentrum, Technikraum, Lager oder Bauabschnitt besteht aus Assets, Räumen, Signalen, Menschen, Verfahren, physischen Grenzen und Freigaberegeln. Physical AI bringt diese Ebenen in den Entscheidungsworkflow. Für DataMesh ist Physical AI eine operative Fähigkeit rund um ausführbare digitale Zwillinge. Der Zwilling hält den physischen Kontext. AI unterstützt Analyse und Empfehlung. Simulation hilft Teams, mögliche Ergebnisse zu vergleichen. Frontline-Anwendungen führen freigegebene Arbeit in Inspektionen, Work Orders, Trainings oder Betriebsabläufe. Prüfnachweise fließen zurück in den Zwilling. Dieser Kreislauf ist wichtig, weil industrielle Entscheidungen reale Auswirkungen haben. Eine Empfehlung braucht Asset-Kontext, Betriebszustand, räumliche Grenzen, Prozessabhängigkeiten und einen klaren Weg in die Ausführung. ## Die Kernschichten von Physical AI | Schicht | Beitrag | |---|---| | Operative Daten | BMS, SCADA, IoT, MES, CMMS, EAM, Zähler, Alarme, Work History und Dokumente | | Physischer Kontext | Standorte, Gebäude, Etagen, Zonen, Systeme, Equipment, Routen, Sicherheitsbereiche und Zugangsregeln | | Verhalten und Prozesslogik | Zustandswechsel, Abhängigkeiten, Verfahren, Timing, Ausnahmen und Workflow-Regeln | | Simulation und Szenarioprüfung | Layoutvergleich, Prozessvalidierung, Physikannahmen, Trainingsszenarien und Robotikvorbereitung | | AI-Entscheidungslogik | Anomalieprüfung, Forecasting, Evidenzzusammenfassung, Variantenvergleich und Handlungsempfehlung | | Ausführungsworkflows | Inspektionen, Work Orders, geführte Verfahren, Training, Abnahmeprotokolle und Felddaten | Starke Physical-AI-Programme halten diese Schichten verbunden. AI arbeitet dann mit denselben Asset-Namen, Betriebsbeziehungen und Nachweisen, die Engineering- und Operations-Teams bereits nutzen. ## Der DataMesh Betriebskreislauf 1. **Daten verbinden** - Data Fusion Services bringt operative Daten aus Anlagen, Facility-Systemen, Enterprise-Plattformen, Zählern, Sensoren und Dokumenten in einen gemeinsamen Kontext. 2. **Ausführbaren Zwilling aufbauen** - FactVerse und Twin Engine organisieren Assets, Räume, Beziehungen, Live-Zustand, Verhaltenslogik und Szenarioaufzeichnungen. 3. **Szenarien authoren und simulieren** - Designer und Omniverse-bezogene Workflows unterstützen Layoutprüfung, Prozessflüsse, Anlagenbewegung, Packaging-Verhalten, Robotikpfade und Trainingsszenarien. 4. **Mit AI Agent analysieren** - FactVerse AI Agent prüft Signale, Trends, Asset-Kontext und Wissensquellen für Diagnose, Priorisierung und nächste Schritte. 5. **Über Anwendungen ausführen** - Inspector, Checklist, Director, Simulator und DataMesh One bringen freigegebene Entscheidungen in Work Orders, geführte Aufgaben, Training und Felddokumentation. 6. **Ergebnis prüfen** - Abschlussstatus, Notizen, Fotos, Abnahme, Ausnahmen und Betriebsergebnisse fließen zur Auswertung zurück in den Zwilling. Physical AI sollte deshalb als Kreislauf geplant werden. Der Wert entsteht durch die Verbindung von Analyse, Validierung, Ausführung und Review. ## Wodurch sich industrielle Physical AI auszeichnet Allgemeine AI kann Dokumente zusammenfassen, Fragen beantworten oder Berichte erstellen. Industrielle Physical AI arbeitet zusätzlich mit Betriebskontext: welches Asset betroffen ist, wo es steht, zu welchem System es gehört, welche Signale relevant sind, welcher Prozesszustand zählt und wie eine empfohlene Maßnahme in geregelte Arbeit übergeht. Ein Alarm an einer Pumpe kann etwa mit Pumpen-Asset, vor- und nachgelagertem Equipment, Work-Order-Historie, aktuellem Zustand, räumlicher Position, Inspektionsroute, Sicherheitsbereich und Wartungsprozedur verbunden werden. AI unterstützt die Auswertung mit reicheren Nachweisen, während der Zwilling die Entscheidung an den realen Standort bindet. Das gleiche Muster gilt für Anlagenwartung, Energieanalyse, Prozesssimulation, Operator-Training, Facility Management, Bauausführung und Robotik-Workflows. ## Rolle der DataMesh Produkte [FactVerse](/products/factverse) ist die Plattformbasis. Es verbindet Twin Execution Engine, AI Decision Engine, Data Services, Authoring Tools und Frontline-Anwendungen in einer Betriebsarchitektur. [FactVerse Twin Engine](/products/factverse-twin-engine) ist die physische Kontextschicht. Sie verknüpft Assets, Räume, Beziehungen, Verhaltenslogik, Live-Daten und Workflow-Status zu einem ausführbaren Zwilling. [Data Fusion Services](/products/dfs) bereitet die operative Datengrundlage über Industrie-, Facility-, Enterprise-Systeme und Dokumente hinweg vor. [FactVerse Designer](/products/designer) verantwortet Szenenaufbau, Verhaltensmodellierung, Layoutplanung, Prozesslogik, virtuelle Planung und Simulationsvorbereitung. [FactVerse AI Agent](/products/factverse-ai-agent) unterstützt Analyse, Diagnose, Forecasting, Wissensreview, Empfehlungssummaries und Übergabe an die Ausführung. [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator) und [Robotics](/products/robotics) erweitern den Kreislauf in Inspektionen, Arbeitsausführung, geführte Verfahren, Operator-Training und Physical-AI-Datenvorbereitung. ## Praktische Einstiegspunkte - **Alarm-to-Work-Order-Kreislauf**: Alarme, Asset-Kontext, Inspektionsdaten, AI-gestützte Triage, Work Orders und Prüfung verbinden. - **Vorausschauende Wartung**: Sensordaten, Betriebskontext, Wartungshistorie, Risikoprüfung und Feldausführung kombinieren. - **Energieprüfung in Anlagen**: Zähler, Anlagenzustand, Zonen, Inspektionen, Work Orders und Szenarioanalyse zusammenführen. - **Prozesssimulation**: Layout, Packaging, Materialfluss, Robotikpfade und Operator-Zugang vor physischen Änderungen vergleichen. - **Operator-Training**: Digital-Twin-Kontext und Simulator-Szenarien für wiederholbare Übungen rund um Anlagenverhalten nutzen. - **Robotikvorbereitung**: Assets, Szenen, synthetische Daten, Labels und Aufgabencontext für Physical AI und Robotik vorbereiten. Der beste Einstieg ist ein begrenzter Workflow mit Datenzugang, klarer Verantwortung, Review-Pfad und prüfbarem Ergebnis. ## Evaluationscheckliste - Verbindet das System operative Daten mit Assets, Räumen, Systemen und Work Records? - Enthält der Zwilling physischen Kontext, Verhaltenslogik, Prozesszustand und Versionshistorie? - Können Teams vorgeschlagene Maßnahmen über Simulation, Szenariovergleich oder Engineering Checks prüfen? - Können AI-Empfehlungen in Inspektionen, Work Orders, geführte Verfahren, Training oder Robotik-Workflows übergehen? - Sehen Operatoren und Ingenieure die Evidenz hinter einer Empfehlung? - Zeichnet die Organisation Freigabe, Ausführung, Ausnahmen und Prüfung auf? - Unterstützt derselbe Kontext Facility Operations, Fertigung, Training, Wartung und Simulation über längere Zeit? Diese Fragen halten Physical AI an reale Betriebsprozesse gebunden und fördern umsetzbare Programme. ## Öffentliche Referenzen Der [FactVerse AI Agent Launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) beschreibt die öffentliche DataMesh Richtung für simulationsgetriebene Abläufe in komplexen Anlagen. Die Ankündigung zu [FactVerse und NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) sowie der [GTC 2025 Showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) zeigen, wie Simulation Digital Twins, OpenUSD Workflows und Physical-AI-Vorbereitung in die öffentliche Plattformstory von DataMesh passen. Die Referenzen [NIO Smart Factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC Collaboration](/about/news/collaboration-between-jtc-datamesh) und [Yokogawa Predictive Maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) zeigen öffentliche Beispiele für Digital-Twin-Kontext, Facility Operations und AI-gestützte Wartungsthemen. --- ## [GUIDES] detector-coverage-blind-spots-placement-options ## Detector placement is a spatial safety decision A fixed gas detector responds to conditions that reach its sensing location and satisfy its response characteristics. Source location, release behavior, ventilation, equipment, exhaust, doors, pressure, thermal conditions, and nearby obstructions all influence that path. Traditional placement rules, engineering judgment, vendor guidance, field experience, and regulatory requirements remain central to detector design. Project-enabled airflow and species-transport analysis adds a way to compare candidate layouts against a documented matrix of credible scenarios. It helps teams see which source and operating combinations produce prompt response, delayed response, or potential blind spots that deserve deeper review. The buyer question is practical: which detector layout provides stronger evidence for the selected risks, and what additional controls, measurements, or engineering work remain necessary? ## Define the safety decision and detection criterion The study should begin with an intended use. Examples include reviewing a new tool installation, comparing detector positions, examining a ventilation change, assessing selected source locations, or identifying where additional field evidence would improve confidence. The project team should agree on: * the space, process, equipment, species, and source families in scope * candidate detector technologies, positions, heights, orientations, and response characteristics * the concentration, duration, dose, or device-response criterion used for the comparison * the maximum review time or time-to-detection criterion relevant to the decision * the ventilation, exhaust, door, equipment, and occupancy states represented * the weighting or priority assigned to different scenarios * responsible engineering, safety, detector-system, and compliance reviewers A threshold should retain its source and meaning. Detector alarm settings, occupational limits, process action levels, emergency criteria, and model-comparison thresholds support different decisions. ## Build a representative source and operating matrix A scenario matrix turns broad risk language into reviewable cases. | Scenario dimension | Examples to define | Why it matters | |---|---|---| | Source location | Tool connection, valve, cabinet, enclosure, utility chase, floor level, elevated point, or selected boundary | Location changes the initial transport path and nearby capture opportunity | | Release behavior | Rate or profile, duration, direction, momentum, temperature, phase, and species properties | Source behavior affects buoyancy, mixing, travel, and concentration history | | Ventilation state | Intended flow, reduced capacity, unavailable fan filter unit bank, reduced exhaust, altered damper, or selected recovery state | Ventilation controls the path and persistence of the released material | | Door and opening state | Closed, open, transition, access panel, or temporary maintenance condition | Openings can change pressure and connect previously separated zones | | Layout and obstruction | Current tool, proposed tool, enclosure, partition, storage, temporary equipment, or work setup | Physical changes can shield or redirect transport paths | | Detector layout | Current position, candidate position, additional detector, alternate height, or alternate technology | Layout defines which paths and conditions can reach a sensor | | Repetition and uncertainty | Parameter ranges, numerical variation, initial-state variation, or repeated runs | A distribution shows the stability and spread of detection outcomes | Scenario selection should follow the facility's risk basis and intended decision. A clear matrix also lets reviewers see which conditions remain outside the evaluated scope. ## Connect detector behavior with the facility model ### Spatial evidence * rooms, bays, sub-fabs, utility spaces, walls, floors, ceilings, doors, openings, and pressure boundaries * tools, enclosures, cabinets, workstations, partitions, and major obstructions * supply, return, fan filter units, general exhaust, local exhaust, ducts, and dampers * current and candidate detector positions, heights, orientations, and access conditions ### Operating evidence * airflow, pressure, temperature, humidity, exhaust, and equipment-state measurements * detector identity, technology, setpoint, response behavior, calibration, maintenance, and alarm history * fan, filter, damper, door, process, occupancy, and work-state records relevant to the study * current procedures, alarm routing, inspection, maintenance, and response ownership ### Source and model evidence * species properties and source profiles selected by qualified reviewers * geometry and boundary sources, assumptions, model version, and scenario definitions * benchmark, calibration, residual, validation, uncertainty, and sensitivity records * detection calculation, threshold logic, repeated-run method, and evidence envelope [Data Fusion Services](/products/dfs) can align detectors, facility assets, measurements, alarms, and maintenance records. [DataMesh FactVerse](/products/factverse) relates each detector and source scenario to spaces, tools, ventilation systems, and responsible teams. [FactVerse Designer](/products/designer) supports candidate layouts and prepared scenario geometry. ## Review coverage as a scenario result ![Cleanroom airflow, selected source plume, and detector coverage zones](/images/physics/cleanroom-airflow-detection-docs.webp) *Detector coverage analysis compares how a defined layout responds across selected source and ventilation scenarios, then highlights cases that deserve engineering follow-up.* Coverage should always be reported beside the evaluated scenario set and detection criterion. A simple unweighted summary can be expressed as: `scenario coverage = scenarios meeting the agreed detection criterion / evaluated scenarios` Many projects need a richer view. High-priority source cases may carry greater weight. Different detector technologies may use different response models. Some scenarios may need separate reporting by room, process, source family, ventilation state, or consequence category. Useful outputs include: * detected and unresolved scenarios by source and operating state * first responding detector for each scenario * detection-time distribution and selected conservative statistic * concentration history at each detector location * coverage heatmap across source locations or zones * overlap and dependency between detectors * potential blind spots and scenarios with delayed response * sensitivity to source, ventilation, door, layout, detector response, and threshold assumptions * comparison between current and candidate layouts The evidence package should preserve the result scale, scenario definitions, detector assumptions, and review threshold so options can be compared fairly. ## Treat detection time as a distribution Detection time varies with source, airflow, initial conditions, equipment state, detector response, and model variation. Repeated runs or a structured parameter ensemble can show the range and stability of that outcome. Reviewers may examine: * median and selected upper-percentile detection time * earliest and latest credible detection within the evaluated set * proportion of runs meeting an agreed criterion * source and ventilation combinations that drive the slowest response * detectors that respond consistently across the matrix * scenarios where small input changes produce large timing differences The chosen statistic should match the decision. A placement comparison may use conservative percentile results. A measurement-planning study may focus on sensitivity. A higher-consequence review may require stronger calibration, independent evidence, and formal approval ownership. ## Identify potential blind spots responsibly A potential blind spot is a scenario or location where the evaluated layout produces delayed, weak, or absent response under the agreed criterion. It enters qualified review as one part of the complete safety-system evidence. Follow-up may include: * verify the geometry, source, ventilation, detector, and threshold assumptions * inspect the relevant space, detector, exhaust path, door, or equipment state * add a measurement, tracer test, or targeted scenario * compare detector height, orientation, technology, or location * review local exhaust, enclosure, ventilation, or process controls * revise alarm, inspection, maintenance, or response procedures through the authorized process This approach keeps the analysis connected to the broader hierarchy of engineering and operational controls. ## Use conservative scenario review One scenario gives one outcome. A buyer should expect a matrix that covers credible source locations and operating states, together with a transparent method for selecting conservative review cases. The [scenario ensemble guide](/resources/guides/scenario-ensembles-and-conservative-simulation-review) explains how to vary uncertain inputs, preserve scenario identity, and choose a decision case from the resulting range. The [simulation evidence evaluation guide](/resources/guides/how-to-evaluate-simulation-evidence) provides questions for verification, validation, uncertainty, and handover. Evidence confidence should rise as the decision consequence rises. Exploratory analysis can prioritize locations and measurements. Benchmarked analysis can qualify the workflow. Site calibration can support facility-specific comparison within the measured range. Scenario-specific validation can strengthen a defined safety or engineering decision under relevant conditions. ## Buyer evaluation questions ### Decision and requirements * Which process, source family, species, space, and detector decision are in scope? * Which regulations, standards, facility requirements, vendor guidance, and risk controls apply? * Which detection criteria and scenario priorities have responsible owners? ### Scenario matrix * Are credible source locations, profiles, directions, durations, and operating states represented? * Are normal, degraded, door, exhaust, equipment, and layout conditions included where relevant? * Are repeated runs or parameter ranges used when variation affects the result? * Can every scenario be reproduced from the handover record? ### Detector representation * Are detector technology, position, height, orientation, setpoint, response, calibration, and maintenance status traceable? * Does the response model match the intended comparison? * Are current and candidate layouts evaluated on a common basis? ### Evidence and review * Are model checks, benchmark evidence, calibration residuals, uncertainty, and sensitivity visible? * Which data or scenario was reserved for validation? * Are coverage, detection-time distributions, and potential blind spots reported with their conditions? * Who approves the final detector and safety decision? ### Operational handover * Can findings be linked to detectors, spaces, tools, exhaust paths, inspections, and work orders? * Are field verification and commissioning activities defined? * Are model-review triggers tied to tool, layout, ventilation, source, or detector changes? ## Start with one zone and two layouts A focused pilot can begin with one cleanroom bay, process area, utility space, or detector zone. The team selects a representative source matrix, verifies ventilation and detector evidence, and compares the current layout with one candidate option under agreed criteria. Strong pilot outcomes include: * a verified facility, ventilation, source, and detector baseline * a documented scenario matrix and detection criterion * reproducible coverage and detection-time comparisons * visible potential blind spots, uncertainty, and sensitivity * qualified review by facility, safety, detector-system, process, and compliance owners * one approved measurement, placement, inspection, or engineering decision * a reusable handover and field-verification package Read [Local Exhaust Capture and Ventilation Degradation Scenarios](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios) when detector performance also depends on selected ventilation or capture failures. For the spatial foundation, read [Cleanroom Airflow and Gas-Dispersion Evaluation](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation). For benchmark, calibration, ensemble, validation, and revalidation requirements, continue with [Cleanroom Calibration, Ensembles, and Validation Evidence](/resources/guides/cleanroom-calibration-ensembles-validation-evidence). ## Public references The United Kingdom Health and Safety Executive guide on [the selection and use of flammable gas detectors](https://www.hse.gov.uk/pubns/gasdetector.pdf) identifies process equipment, sensor type, gas properties, dispersion, ventilation, personnel, equipment protection, and detector redundancy as placement considerations. The United Kingdom Health and Safety Executive (HSE) review of [fire and explosion hazards in offshore gas installations](https://www.hse.gov.uk/Offshore/assets/docs/fireexplosion.pdf) reports that detector performance depends on dispersion, process activity, equipment layout, spacing, and ventilation information. Its industrial setting differs from a cleanroom, while the placement principles provide useful public context. The [American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) Clean Spaces handbook chapter](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx) describes cleanroom airflow and contaminant propagation as functions of supply, return, exhaust, equipment, openings, heat sources, and boundary conditions. The National Institute of Standards and Technology publication on [gas dispersion and optimum sensor placement](https://www.nist.gov/publications/greenhouse-gas-emissions-and-dispersion-1-optimum-placement-gas-inlets-building-rooftop) demonstrates the use of computational fluid dynamics to evaluate flow-driven measurement placement and uncertainty in a different application domain. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## Frontline work needs operational context Frontline work often depends on a precise sequence, a specific asset, a physical location, a trained role, and a record that can be reviewed later. A technician may need to isolate equipment, follow a lockout step, inspect a panel, take a reading, capture a photo, report an exception, and close a work order. A production operator may need to follow setup, cleaning, line-clearance, sampling, or handoff steps where each action depends on the room, equipment, material, and approved procedure version. Traditional SOPs and training material are valuable, but they often live away from the work object. The procedure sits in a document system, the asset record sits in CMMS or EAM, the signal sits in BMS or SCADA, the photo sits in a mobile app, and the final decision sits in a supervisor review. That separation makes execution harder to compare across shifts, sites, and teams. An operational digital twin gives the procedure a place to live. It connects the SOP, asset, location, role, visual guidance, field record, inspection result, work order, and review note around the same operating context. ## What a digital SOP should connect | Layer | Operating detail | | ------------------ | --------------------------------------------------------------------------------------------- | | Procedure control | SOP version, owner, effective date, approval route, training audience, and release status | | Asset and location | equipment ID, room, zone, line, route, utility connection, and safety boundary | | Guided steps | task sequence, prompts, checkpoints, visual reference, media, and exception handling | | Role and training | role requirement, training completion, assessment result, refresher cycle, and cohort history | | Field execution | operator, start time, step status, readings, photos, notes, issues, and work-order link | | Review record | supervisor review, acceptance criteria, correction, closeout status, and audit trail | | Data context | live values, alarms, maintenance history, documents, and enterprise records where relevant | The useful target is traceability. A team should be able to see which procedure was used, which asset or area it applied to, who performed the work, what evidence was captured, and how the result was reviewed. ## Author the procedure in spatial context [Director](/products/director) is the authoring surface for guided 3D procedures. It can turn approved work knowledge into step-by-step content with labels, animations, panels, images, videos, checkpoints, and visual prompts. The authoring goal is to make the correct asset, location, action, and record visible at the point of work. Good digital SOP content usually starts from existing sources: approved SOPs, work instructions, manuals, photos, videos, CAD or BIM models, equipment models, asset lists, safety notes, training decks, and field feedback. The content team then decides which steps need 3D context, which steps need a checklist record, which steps need a photo, and which exceptions should open a task. [FactVerse](/products/factverse) keeps the procedure connected to the asset and location model. [Data Fusion Services](/products/dfs) can bring in documents, work history, live values, and enterprise records when the workflow needs those references. ## Capture field evidence Digital guidance becomes operationally useful when it reaches field execution. [Checklist](/products/checklist) structures recurring checks, required readings, signoffs, and completion records. [Inspector](/products/inspector) connects inspections, issues, photos, repair notes, work orders, acceptance steps, and review status to the asset and location context. This creates a practical execution path: 1. **Prepare** - Link the SOP, asset, location, role, checklist, and required evidence. 2. **Guide** - Deliver the steps through Director-authored content and field instructions. 3. **Record** - Capture readings, photos, notes, exceptions, and completion status. 4. **Escalate** - Convert a confirmed issue into an inspection task, repair task, or work order. 5. **Review** - Let supervisors or quality teams review the evidence, correction, and closeout. 6. **Improve** - Use repeated exceptions and review results to improve training, procedure content, and asset records. The result is a workflow that connects training, execution, evidence, and improvement without losing the asset context. ## Train before field execution Training should use the same spatial context that the worker will see during execution. A new operator can learn the equipment identity, room layout, task sequence, visual checks, risk points, and evidence fields before performing the work on site. [Simulator](/products/simulator) is relevant when training depends on equipment behavior, controls, safety scenarios, route discipline, scoring, and repeated practice. Heavy equipment, forklifts, construction machinery, and equipment-specific programs can use simulator scenarios to practice operation, emergency response, and assessment routines. For process operations and facility work, Director and Checklist can support guided procedure training, while Inspector carries the same asset and task context into field execution. This keeps the training record, work instruction, and field evidence aligned. ## Industry patterns **Manufacturing** teams can use digital SOPs for changeover, inspection, maintenance support, line-side troubleshooting, warehouse handoff, and production-support utilities. Field evidence helps engineers compare repeated issues across assets, shifts, and production areas. **Pharmaceutical and biopharma** teams can use guided procedures for setup, cleaning, sampling, weighing, line clearance, equipment preparation, and operator handoff. Training completion, SOP version, task evidence, exception notes, and review records support GMP and CSV evidence preparation. **Construction and heavy equipment** teams can combine Director-guided procedures, Simulator equipment practice, and Inspector field records for site work, equipment operation, safety routines, and issue closeout. Tower cranes, forklifts, rotary drilling rigs, deep well casing drilling rigs, excavators, and project-specific equipment can be represented in training programs. **Data centers and smart facilities** can connect maintenance procedures, inspection routes, BMS alarms, asset records, energy readings, photos, and work-order status. The same record structure supports maintenance planning, energy review, and operational handoff. **Warehouse and intralogistics** teams can train routes, loading steps, safety checks, forklift routines, exception handling, and maintenance tasks with the same asset and location context used for planning and inspection. ## Data and AI feedback Field evidence gives AI-assisted workflows better ground truth. Confirmed issues, rejected suggestions, repeated exceptions, completion notes, readings, photos, and post-action results help teams understand where procedures are unclear, where training needs refresh, and where assets show recurring patterns. [FactVerse AI Agent](/products/factverse-ai-agent) can review connected signals, work history, documents, inspection records, and field feedback around the clock. In this workflow, AI Agent is most useful when it helps qualified teams summarize evidence, find repeated issues, recommend next checks, and prepare work for review. The learning loop becomes stronger when training records, field execution, work orders, and review outcomes refer to the same asset and procedure context. ## Product roles [Director](/products/director) creates guided 3D SOPs, step prompts, visual labels, animations, media panels, training content, and field instructions. [Checklist](/products/checklist) structures recurring checks, required readings, role signoffs, completion status, and mobile records. [Inspector](/products/inspector) manages inspections, issues, work orders, evidence capture, repair notes, acceptance records, and field history. [Simulator](/products/simulator) supports equipment operator training when the task depends on controls, behavior, safety scenarios, scoring, and repeated practice. [FactVerse](/products/factverse) provides the operational digital twin context for assets, spaces, systems, procedures, work objects, documents, and permissions. [Data Fusion Services](/products/dfs) connects CMMS, EAM, BMS, SCADA, IoT, documents, work records, and enterprise systems to the right twin objects. [FactVerse AI Agent](/products/factverse-ai-agent) supports review, triage, recommendation preparation, and feedback analysis after the workflow has stable records. ## Implementation checklist * Are SOP versions, owners, release dates, and training audiences recorded? * Are asset IDs, room names, equipment labels, and work-order objects consistent? * Are the steps that need 3D guidance, checklist records, photos, or readings identified? * Are exception paths, issue categories, escalation rules, and closeout fields defined? * Are training completion, assessment results, and refresher cycles linked to the procedure version? * Are Inspector and Checklist records tied to the same asset and location model? * Are photos, readings, notes, reviewer decisions, and corrective actions available for later review? * Are AI Agent use cases grounded in stable procedure, asset, work-order, and field evidence data? ## Public references The [Swire Coca-Cola reference](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) shows maintenance process and frontline training digitization. The [Foxconn reference](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) shows FactVerse used for training and maintenance workflows. The [expressway safety training reference](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) shows digital twin-based practical training for field skills. The [Pharma Operator Training guide](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), [Heavy Equipment Simulator Training guide](/resources/guides/digital-twin-heavy-equipment-simulator-training), and [CMMS, EAM, and BMS Integration guide](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) cover adjacent workflows for regulated operations, equipment training, and enterprise system integration. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## Reusable content makes rollout repeatable Industrial digital twin projects often spend too much time rebuilding the same foundation: spaces, assets, routes, equipment categories, labels, panels, procedures, and scene behaviors. Delivery teams still need to fit each customer site, yet many starting points are common across sites in the same operating domain. Digital twin content packs create that reusable baseline. FactVerse DLC gives teams preconfigured content for FactVerse Designer so they can start from a practical industry foundation, then adapt the model, scene, data mapping, and workflow for the customer's facility. The value is operational consistency. A reusable pack helps product teams, delivery teams, and customer teams speak through the same asset classes, scene structures, work records, and operating views from the first workshop to multi-site rollout. ## What a content pack should contain | Layer | Useful content | | ----------------- | ---------------------------------------------------------------------------------------- | | Asset classes | Equipment types, tags, properties, naming guidance, and role definitions | | Spatial structure | Site, building, floor, room, zone, line, route, area, and safety boundary | | Model resources | 3D objects, simplified equipment forms, layout elements, labels, and visual states | | Scene templates | Common views for operations, maintenance, training, planning, and executive review | | Behavior logic | State changes, guided steps, alarms, operating sequences, and scenario triggers | | Data bindings | Source fields, units, timestamps, owners, refresh rules, and mapping to twin objects | | Workflow context | Inspection points, checklist fields, work-order handoff, evidence capture, and approvals | | Governance | Version, owner, content scope, update rule, localization, and reuse criteria | The pack should help teams start faster while keeping each site configurable. ## Foundation areas for industrial use **Data center DLC** helps teams prepare rooms, racks, facility equipment, energy context, monitoring views, inspection routes, and maintenance records for data center digital twins. **Campus DLC** supports building, park, utility, environmental, access, and facility context for multi-building operations and smart facility management. **Warehousing and logistics DLC** helps describe warehouse zones, storage areas, routes, transport lines, operating procedures, logistics planning, and training scenarios. **Discrete manufacturing DLC** gives teams virtual factory starters for production equipment, conveyors, AGVs, operators, line context, and planning scenes that can be customized in Designer. These foundations are most useful when the team connects content to the customer's real assets, systems, procedures, and operating records. ## DataMesh rollout workflow 1. **Select the content foundation** - Choose the DLC baseline that matches the site type and project objective. 2. **Map the customer site** - Align buildings, rooms, zones, lines, equipment, routes, and work areas with the customer's actual naming and asset records. 3. **Prepare scenes in Designer** - Use FactVerse Designer to adapt models, scene templates, views, labels, panels, and behavior logic. 4. **Connect the data model** - Use FactVerse to organize spaces, assets, relationships, documents, work context, and reusable objects. 5. **Bind operating data** - Use Data Fusion Services to connect source systems, sensor data, enterprise records, maintenance tools, and document references. 6. **Attach execution workflows** - Use Inspector, Director, or other applications to connect inspections, SOP guidance, work orders, training, and field evidence. 7. **Review and productize reuse** - Convert repeated project assets, logic, and workflows back into managed content so later sites start from a stronger baseline. The loop matters: each delivery should improve the reusable foundation. ## How product teams should manage DLC Treat each content pack as a product asset. It needs an owner, version, scope, example scene, localization plan, release notes, and clear criteria for what belongs inside the reusable layer. Keep the reusable layer focused on common structure: asset classes, scene foundations, default views, starter logic, and integration patterns. Keep customer-specific names, security rules, live data credentials, approvals, and operating procedures in the project configuration. This separation helps DataMesh teams maintain quality while keeping projects flexible. It also gives sales, delivery, and customer success teams a more concrete way to explain what will be reused and what will be customized. ## How DataMesh products fit [FactVerse DLC](/products/factverse-dlc) provides reusable digital twin content packs for common industrial rollout areas. [FactVerse Designer](/products/designer) is where teams open, adapt, and assemble DLC resources into scenes, operating views, and scenario content. [DataMesh FactVerse](/products/factverse) stores the shared digital twin context, including spaces, assets, relationships, documents, data bindings, and application workflows. [Data Fusion Services](/products/dfs) connects operational data sources and enterprise records to the right objects in the twin. [Inspector](/products/inspector) turns the twin context into inspections, work orders, photos, repair records, acceptance notes, and field evidence. [FactVerse AI Agent](/products/factverse-ai-agent) can use stable twin context and work records for operational review once the data model and workflow are mature. ## Rollout checklist * Does the pack define asset classes and properties clearly enough for delivery teams to reuse? * Are spatial structures aligned with the way customers operate the site? * Are model resources light enough for interactive scenes and clear enough for operations? * Are scene templates tied to real workflows such as inspection, planning, training, monitoring, or maintenance? * Are data bindings documented with source, unit, owner, refresh rule, and quality status? * Are Inspector fields, work-order handoff, and evidence records defined before field rollout? * Are versioning, localization, and content ownership clear? * Can improvements from one project become reusable content for later projects? A useful content pack should reduce repeated setup work and increase consistency across projects. ## Public references The [IDC DLC announcement](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) shows how reusable content can help teams start data center digital twin scenes in FactVerse Designer. The [warehousing and logistics DLC update](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) shows the same content-pack approach applied to logistics environments, routes, layouts, and operational scenarios. The [Jebsee FactVerse reference](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) shows how production-line planning can benefit from shared digital twin context during automation planning and stakeholder communication. The [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) shows how manufacturing teams use digital twins as a foundation for factory visibility and operations improvement. --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## Heavy equipment training needs repeatable practice Heavy equipment operator training is difficult to standardize because real machines are costly to reserve, job sites carry safety constraints, and experienced trainers have limited time. A trainee also needs more than a video or a checklist. They need to understand the machine, control response, work sequence, site context, risk points, and the quality of each action. Digital twin simulator training gives teams a controlled way to practice those skills. The operator works through a scenario with realistic equipment behavior, physical or desktop controls, visual feedback, instructions, and assessment rules. Instructors can repeat the same task, compare results, and build a clearer record of competency. For DataMesh, Simulator is the training surface for heavy equipment operation. It complements Director-authored SOP training, Designer-led scene planning, and FactVerse digital twin context. ## What a simulator scenario should contain | Layer | What it contributes | |---|---| | Equipment model | Geometry, scale, cabin view, moving parts, work range, and equipment-specific behavior | | Physics behavior | Motion, collision, load response, ground interaction, vibration, and safety boundaries where relevant | | Controls | Joysticks, pedals, panels, steering, desktop controls, or equipment-specific control layouts | | Training procedure | Task steps, voice or text guidance, signal commands, checkpoints, and exception handling | | Site context | Construction area, routes, obstacles, work zones, materials, nearby equipment, and weather or visibility conditions | | Assessment | Time, accuracy, rule compliance, collision events, path quality, operation smoothness, and completion records | | Review records | Trainee profile, scenario version, score, notes, replay evidence, and instructor feedback | The strongest scenarios bring these layers together. A tower crane lift, forklift route, drilling rig task, deep well casing drilling routine, or excavator operation should feel like a structured job task with clear steps, constraints, feedback, and scoring. ## Equipment coverage and scenario design DataMesh Simulator supports training programs for tower cranes, forklifts, rotary drilling rigs, deep well casing drilling rigs, excavators, and other heavy equipment. Each program should start from the training objective: basic familiarization, operating sequence, emergency response, certification practice, overseas service training, or instructor-led assessment. The training objective then determines the hardware form, scene fidelity, control setup, scoring rules, and content depth. Some teams need a full motion platform and cabin. Some need a desktop station for early familiarization. Some need a portable setup for distributed training. The right design depends on the equipment, learner level, training location, and assessment requirement. This is why simulator content should be planned as an equipment training program. The model, controls, scenario, score, and review process all need to match the operating skill being taught. ## The DataMesh workflow 1. **Define the training role** - Identify the equipment type, operator role, target skill, safety focus, and assessment requirement. 2. **Build the equipment twin** - Prepare the equipment model, moving parts, cabin view, control mapping, physics behavior, and scenario environment. 3. **Author the training path** - Create task steps, guidance, prompts, checkpoints, signal commands, and exception cases. 4. **Configure the training station** - Select motion platform, cabin, control panel, desktop station, visual system, or a mixed setup based on the scenario. 5. **Run practice and assessment** - Let trainees repeat tasks, receive feedback, and complete structured evaluations. 6. **Record evidence** - Store scores, completion records, instructor notes, scenario versions, and review evidence. 7. **Improve the course** - Update scenarios when equipment, procedures, site rules, or training goals change. The result is a reusable training system with scenario versions, instructor review, assessment evidence, and a path for course updates. ## Where Simulator fits in the FactVerse stack [Simulator](/products/simulator) owns heavy equipment operator training. It is used when the training goal depends on equipment behavior, control response, physical interaction, and operator assessment. [FactVerse](/products/factverse) provides the digital twin platform foundation. [FactVerse Twin Engine](/products/factverse-twin-engine) keeps assets, scene context, behavior, and scenario state organized. [FactVerse Designer](/products/designer) supports scene authoring, layout planning, and scenario preparation. [Director](/products/director) supports guided SOPs and interactive training content. [Inspector](/products/inspector) supports field records, inspections, issue closure, and evidence workflows after training connects to site execution. Together, these products help training teams connect equipment practice with the same digital twin context used for planning, guidance, and operations. ## Public Steam reference version DataMesh publishes [Operator Training: Heavy Equipment on Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) as a simplified public reference experience. The Steam listing names DataMesh as developer and publisher and presents a lightweight heavy equipment simulator experience for public users. That public version is useful for understanding the concept: machine operation, guided practice, visual scene context, and equipment simulation in an accessible format. Enterprise and education deployments add project-specific hardware, control systems, course content, scoring criteria, cabin design, motion platform options, and integration requirements. ## Evaluation checklist - Does the scenario match a real operating task or assessment goal? - Does the equipment model include moving parts, control behavior, and relevant physics assumptions? - Does the hardware setup match the learner stage and training objective? - Are task steps, signal commands, checkpoints, and exceptions defined clearly? - Are scoring rules tied to safe and correct operation? - Can instructors review replay evidence, notes, scores, and scenario versions? - Can training records connect to a broader learning management, safety, or operations workflow? - Can the course be updated when equipment, site rules, or procedures change? These questions keep simulator training tied to operator competency and operational readiness. ## Public references DataMesh has public Simulator updates for [tower crane training](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), [crawler excavator training environments](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), the [digital twin based Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform), and [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training). The [Operator Training: Heavy Equipment Steam listing](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) provides a public reference for a simplified heavy equipment training experience published by DataMesh. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## Los hallazgos AI necesitan una ruta de ejecución El valor de AI industrial se confirma en un ciclo operativo completo. Un hallazgo debe convertirse en una decisión revisada, una tarea asignada, una acción de campo, una evidencia y un resultado medido. [FactVerse AI Agent](/products/factverse-ai-agent) puede analizar señales conectadas, alarmas, documentos e historial de trabajo en un entorno 24x7. El hallazgo adquiere valor operativo cuando queda anclado al gemelo digital y se entrega a las personas y sistemas responsables. DataMesh conecta esa ruta mediante [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director) y sistemas del cliente como CMMS, EAM, BMS, SCADA, ERP y repositorios documentales. ## Patrón de ciclo cerrado 1. **Detectar** - AI Agent, reglas, tableros o sistemas existentes identifican tendencias anómalas, alarmas repetidas, inspecciones omitidas, riesgo de activo o excepciones operativas. 2. **Contextualizar** - FactVerse conecta el hallazgo con activos, espacios, sistemas, valores en vivo, documentos, SOP e historial. 3. **Revisar** - Operadores, ingenieros o supervisores verifican evidencia, riesgo y acción recomendada. 4. **Despachar** - Hallazgos confirmados se convierten en órdenes, inspecciones, tareas o procedimientos en Inspector, Checklist, CMMS, EAM o un sistema aprobado. 5. **Guiar** - Equipos de campo usan contexto del activo, checklists, SOP digitales, guía 3D, fotos, manuales y notas de seguridad. 6. **Capturar** - Se registran notas de cierre, lecturas, fotos, excepciones, piezas, aprobaciones y resultados de verificación. 7. **Aprender** - Resultados, sugerencias rechazadas, eventos recurrentes y lecturas posteriores vuelven a calidad de datos y aprendizaje automático. ## Contenido de la orden de trabajo Una orden industrial debe llevar contexto suficiente: activo, ubicación, relación de sistema, problema, evidencia, prioridad, habilidad requerida, seguridad, criterio de aceptación y ruta de aprobación. Los campos útiles incluyen ID de activo, espacio, sistema, ruta, hallazgo AI o alarma que abrió la tarea, valores de señal, ventana temporal, SOP, planos, manuales, controles recomendados, fotos requeridas, lecturas, revisor, asignado, vencimiento, regla de escalamiento, nota de cierre y etiqueta de resultado. Cuando esos campos se conectan al gemelo digital, la orden se vuelve parte del registro operativo. ## Roles de productos [FactVerse AI Agent](/products/factverse-ai-agent) prepara hallazgos, resume evidencia, compara patrones operativos, redacta recomendaciones y observa retroalimentación conectada entre turnos. [FactVerse](/products/factverse) y [FactVerse Twin Engine](/products/factverse-twin-engine) proporcionan el modelo operativo: activos, espacios, relaciones, estado, lógica y estado de workflow. [Data Fusion Services](/products/dfs) conecta fuentes y mapea señales, alarmas, documentos, registros de trabajo y datos empresariales. [Inspector](/products/inspector) gestiona alarmas, órdenes, asignaciones, registros de mantenimiento, fotos, campos de verificación y evidencia de campo. [Checklist](/products/checklist) estructura puntos de inspección, evidencia obligatoria, campos de cumplimiento y rutinas repetibles. [Director](/products/director) soporta SOP digitales, guía 3D, contenido de entrenamiento y asistencia paso a paso. ## Integración y mejora continua La mayoría de los sitios ya opera CMMS, EAM, BMS, SCADA, MES, ERP, ticketing y sistemas documentales. La arquitectura del workflow debe definir qué sistema crea la orden, qué sistema posee estado y cierre, y cómo se sincronizan evidencias. FactVerse AI Agent puede procesar señales, alarmas, actualizaciones de órdenes, inspecciones y comentarios de campo en operación 24x7. Causas confirmadas, notas de operadores, sugerencias rechazadas, reparaciones completadas, fotos, lecturas y resultados posteriores forman un conjunto de datos para evaluar recomendaciones, detectar patrones y ajustar workflows. ## Inicio recomendado Comience con un workflow con dueño claro y resultado visible: una clase de activo crítico, una ruta de inspección, un grupo de activos de centro de datos, una subestación térmica, un sistema auxiliar de producción o un procedimiento de guía operativa. 1. Definir tarea y responsable. 2. Conectar señales, documentos, historial y SOP necesarios. 3. Mapear activos y espacios en FactVerse. 4. Definir revisión de hallazgos AI y reglas de aprobación. 5. Enviar hallazgos confirmados a Inspector, Checklist, CMMS, EAM o sistema de ejecución. 6. Capturar evidencia de campo y lecturas posteriores. 7. Revisar resultados y luego expandir. ## Referencias públicas La página [Workflow Digitization](/solutions/workflow-digitization) explica cómo DataMesh conecta alarmas, tareas planificadas, inspecciones, procedimientos guiados y órdenes de trabajo. La guía [FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) describe cómo las recomendaciones AI entran en ciclos industriales con revisión humana. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## La gestión facility necesita un contexto operativo común Las grandes facilities se gestionan con muchos sistemas especializados. BMS, EMS, contadores, alarmas, registros de activos, CMMS, EAM, BIM, planos, reportes de servicio e inspecciones describen partes distintas del sitio. El reto diario es conectarlas cuando aparece un problema, se crea una orden de trabajo, cambia el patrón energético o management pide evidencia. AI facility management empieza con un gemelo digital operativo. El twin conecta espacios, activos, sistemas, datos, registros de trabajo, documentos y ejecución de campo para que los equipos revisen condiciones en contexto. AI ayuda a resumir anomalías, comparar patrones, preparar acciones recomendadas y apoyar revisión de management. Este patrón aplica a edificios, campus, data centers, plantas, utilities y facilities high-tech. En programas de advanced manufacturing, los equipos facility gestionan sistemas de soporte cleanroom, energía, aire comprimido, enfriamiento, exhaust, alarmas, inspecciones y handoffs de servicio en varios sitios. Un twin compartido da contexto estable para revisión y ejecución. ## Qué debe conectar el facility twin | Capa | Contexto operativo | |---|---| | Espacios | Sitio, edificio, planta, sala, zona, clean area, corredor de servicio, ruta y límite de seguridad | | Sistemas | HVAC, enfriamiento, distribución eléctrica, iluminación, agua, aire comprimido, exhaust, fire safety, elevadores y utilities de proceso | | Activos | Registro de equipos, asset IDs, documentos, service owner, plan de mantenimiento, garantía y repuestos | | Señales | Puntos BMS, contadores, sensores, alarmas, datos ambientales, historian tags e indicadores calculados | | Trabajo | Inspecciones, work orders, acciones correctivas, fotos, notas de campo, aceptación y verificación | | Energía | Lecturas de contador, EUI, composición de carga, horarios, clima, setpoints y opciones de mejora | | Semántica | Edificios, sistemas, equipos, contadores, sensores, puntos y relaciones alineados con Brick Schema | | Gobernanza | Owner de fuente, calidad de datos, ruta de aprobación, responsabilidad operativa, versión y retención de evidencia | El twin es útil cuando una señal puede trazarse al espacio, activo, sistema, equipo responsable y registro de campo afectados. ## Workflow DataMesh para AI facility management 1. **Recolectar fuentes facility** - Reunir BMS, EMS, contadores, IoT, historians, registros de activos, CMMS, EAM, BIM/IFC, planos, planes de inspección y reportes de servicio. 2. **Construir el twin operativo** - Organizar espacios, activos, utilities, documentos, rutas, puntos y contexto de trabajo con FactVerse y Twin Engine. 3. **Conectar pipelines de datos** - Usar Data Fusion Services para ingerir, limpiar, normalizar, calcular y vincular datos a los objetos correctos del twin. 4. **Estructurar semántica facility** - Usar relaciones alineadas con Brick Schema cuando edificios, zonas, equipos, contadores, sensores y puntos necesiten significado consistente. 5. **Revisar con AI** - Usar FactVerse AI Agent para resumir consumo anormal, alarmas repetidas, registros faltantes, patrones de mantenimiento y acciones candidatas. 6. **Comparar escenarios energéticos** - Usar workflows EnergyPlus cuando se requiera modelado energético y comparación de escenarios. 7. **Ejecutar y verificar trabajo** - Usar Inspector para inspecciones, órdenes de trabajo, asignaciones, fotos, notas de reparación, aceptación y evidencia de verificación. El resultado es un ciclo operativo cerrado desde señal a análisis, desde análisis a trabajo, y desde trabajo a registro verificado. ## Dónde AI aporta valor AI aporta más valor cuando el contexto facility ya está conectado. FactVerse AI Agent ayuda a revisar grandes volúmenes de datos operativos e historial de trabajo más rápido que revisar dashboard por dashboard. Patrones útiles incluyen: - Alarmas repetidas por espacio, sistema, activo, ventana temporal e historial de trabajo. - Uso energético anormal por contador, zona, grupo de activos, clima y horario. - Activos con alto mantenimiento, reparaciones recurrentes, registros incompletos o fallas de aceptación. - Drift en clean area que requiere contexto facility, utility y mantenimiento. - Backlog de work orders entre sitios, equipos de servicio y clases de activos. - Candidatos de mejora con revisión de ingeniería, contexto de costo y validación de campo. El rol práctico de AI es apoyo a la decisión. Owners, reglas de aprobación, ejecución de campo y evidencia de verificación siguen dentro del proceso facility. ## Brick Schema y EnergyPlus en el mismo workflow Brick Schema da una capa semántica consistente a datos de edificio y facility. Un punto de temperatura puede conectarse al sensor, zona, sistema de aire y equipo correctos. Un contador puede conectarse al sistema o espacio que mide. Una orden de trabajo puede conectarse al activo, alarma, documento e inspección que la originaron. Esta estructura mejora trazabilidad para mantenimiento, análisis energético, preparación Green Mark y revisión de management. También da mejor contexto a AI Agent al resumir problemas o preparar acciones recomendadas. EnergyPlus encaja cuando el equipo necesita análisis energético más profundo. DataMesh puede conectar BIM/IFC, clima, registros operativos y contexto digital twin con modelos EnergyPlus para comparar EUI, composición de carga, horarios, setpoints, retrofit y estrategias de control. Los resultados deben volver al ciclo operativo. El equipo puede crear work orders, registrar supuestos, capturar resultados de campo y comparar el estado posterior con la baseline. ## Dónde empezar Buenos primeros alcances ya tienen datos facility, ownership de activos y camino de ejecución: - Utilities con alarmas repetidas o responsabilidad de servicio poco clara. - HVAC y enfriamiento con necesidad de revisión energética o comfort. - Sistemas de soporte cleanroom donde se comparten drift ambiental y registros de mantenimiento. - Grupos de contadores y zonas de alta carga para energy governance. - Equipos con muchas inspecciones y registros de campo recurrentes. - Portafolios multi-site que necesitan clases de activos y reportes comparables. El primer piloto debe incluir un grupo de activos manejable, pocas fuentes de datos, un camino de work order claro y métricas aceptadas por el equipo facility. ## Métricas para validar AI facility management se valida contra la baseline del sitio. Métricas útiles: - Tiempo desde alarma o finding hasta revisión. - Porcentaje de findings convertidos en trabajo planificado. - Calidad de cierre de work order y completitud de evidencia. - Tasa de alarmas repetidas tras acción correctiva. - Completitud de baseline energética y frecuencia de revisión. - Cobertura de mapping para activos y sistemas prioritarios. - Aceptación del equipo de campo sobre procedimientos guiados y captura de registros. - Calidad de revisión management entre sitios, activos y equipos de servicio. Los programas maduros validan calidad de trabajo y trazabilidad de decisiones antes de evaluar ahorros. ## Referencias públicas La [colaboración JTC y DataMesh](/about/news/collaboration-between-jtc-datamesh) muestra digital twin y mixed reality en workflows de facilities complejas. La [referencia Yokogawa de mantenimiento predictivo](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra la dirección pública de revisión de mantenimiento asistida por AI en facilities industriales. La [referencia Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) muestra cómo formación frontline, digitalización de mantenimiento y registros de campo apoyan la ejecución. La [referencia Faurecia y EVE Energy](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) muestra cómo visibilidad operativa, contexto energético y workflows digital twin apoyan mejoras de manufacturing y facility. --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## Los gemelos operativos necesitan activos de modelo preparados BIM, CAD, nubes de puntos y archivos 3D suelen llegar desde equipos y fases distintas. BIM conserva la intención de diseño, CAD describe equipos y detalles mecánicos, las nubes de puntos capturan la realidad del sitio. Los registros de activos, fotos, planos y documentos de puesta en marcha completan el contexto. Un gemelo digital operativo necesita convertir esas fuentes en una capa de activos estable. El modelo debe cargar rápido, alinearse con el sitio, conectarse a identidades de activos, respetar permisos y exponer objetivos claros para datos. Una escena atractiva puede seguir siendo difícil de usar en facility management, construcción, simulación o inspección. [FactVerse Designer](/products/designer) y [FactVerse Twin Engine](/products/factverse-twin-engine) ayudan a convertir modelos fuente en activos operativos reutilizables. El trabajo incluye limpiar geometría, preservar semántica, alinear el sitio y preparar objetos que las aplicaciones puedan referenciar. ## Función de cada fuente | Fuente | Valor principal en el pipeline | |---|---| | BIM | Estructura espacial, sistemas, intención de diseño, ubicación de equipos, enlaces documentales | | CAD y modelos 3D | Geometría de equipos, layouts productivos, partes mecánicas, objetos de proveedores | | Nubes de puntos | Captura as-built, validación de claros, evidencia de renovación, alineación de campo | | Planos y fotos | Contexto para objetos faltantes, rutas de acceso, trabajos ocultos y áreas de mantenimiento | | Registro de activos | IDs, nombres, responsables, sistemas, responsabilidad de mantenimiento | | Datos operativos | Sensores, medidores, alarmas, estados, documentos, inspecciones, procedimientos | Cada fuente debe mantener propietario, versión y estado de revisión. Esa trazabilidad ayuda ante conflictos en campo, cambios de modelo y supuestos de simulación. ## Controles de calidad antes de importar Los equipos deben confirmar: * propietario, licencia, fecha de exportación y estado de aprobación * unidades, origen, orientación, sistema de coordenadas y referencia del sitio * alcance por disciplina, cobertura de pisos o zonas y versión del modelo * tamaño de archivo, número de objetos, texturas y entorno objetivo * reglas de nombres para pisos, salas, sistemas, activos y clases de equipo * geometría sensible, límites de seguridad y permisos por rol * vínculos requeridos con registros de activos, documentos y sistemas operativos Estos controles reducen modelos desplazados, archivos pesados, equipos duplicados, IDs ausentes y geometría difícil de reutilizar. ## Preparar la geometría para runtime Las aplicaciones operativas serán usadas por personas fuera del equipo de modelado. El modelo debe ser fácil de cargar, renderizar, buscar y actualizar. * retirar detalles que no aportan al flujo objetivo * dividir modelos grandes por sitio, edificio, piso, zona, sistema o grupo de equipos * simplificar objetos repetidos conservando su forma reconocible * alinear orígenes y coordenadas entre BIM, CAD y nubes de puntos * preparar niveles de detalle para escritorio, móvil, web y realidad mixta * mantener una jerarquía estable para etiquetas, filtros, permisos y datos * revisar accesos, espacios de mantenimiento, límites de seguridad y visibilidad de campo El objetivo es un modelo fluido que conserve los objetos importantes para operación. ## Usar nubes de puntos para confianza as-built Las nubes de puntos son valiosas cuando el sitio cambia más rápido que la documentación. Ayudan a comparar diseño y realidad, localizar equipos instalados, confirmar espacios de servicio y actualizar áreas renovadas. Cuando un objeto BIM, un archivo CAD y un escaneo de campo no coinciden, el equipo puede registrar la diferencia, actualizar la fuente del modelo y conservar la decisión. Los temas habituales incluyen posición de equipos, claros de ruta, densidad de tuberías y bandejas, acceso de mantenimiento, elevación de piso, espacio de techo, racks y obras temporales. La revisión debe producir una actualización del modelo o una excepción documentada. ## Empaquetar objetos como activos operativos Un objeto aporta valor cuando las aplicaciones pueden identificarlo y reutilizarlo. Bombas, AHU, chillers, racks, celdas robóticas, estaciones de empaque, grúas y válvulas necesitan contexto operativo. Los campos clave incluyen ID de activo, nombre visible, clase, sistema, piso, sala, zona, ruta, modelo fuente, versión, revisor, estado, documentos, SOP, plantillas de inspección, objetivos de datos y reglas de acceso. Así el contenido 3D se convierte en una biblioteca operativa para equipos de facility, campo, simulación e IA. ## Pipeline de DataMesh 1. **Reunir fuentes** - BIM, CAD, 3D, nubes de puntos, planos, fotos, listas de activos, documentos de equipos y referencias de sistemas. 2. **Validar bases del modelo** - Unidades, coordenadas, origen, tamaño, cobertura, jerarquía, nombres, propietario y seguridad. 3. **Normalizar y segmentar geometría** - Preparar por piso, zona, sistema, área de proceso, grupo de equipos o escenario. 4. **Alinear realidad de campo** - Usar nubes de puntos o registros de campo para posición, claros, acceso y diferencias de renovación. 5. **Crear objetos operativos** - Agregar IDs, clases, espacios, sistemas, documentos, plantillas de inspección y objetivos de datos. 6. **Autorizar comportamiento de escena** - Usar Designer para vistas, etiquetas, paneles, lógica de escenario, cambio de piso y recorridos. 7. **Publicar al runtime** - Usar Twin Engine y aplicaciones FactVerse para visualización, guía de campo, monitoreo, simulación y facility workflows. 8. **Gobernar actualizaciones** - Mantener versiones, revisiones, fuentes y notas de cambio cuando el sitio evoluciona. ## Lista de preparación * ¿Cada modelo publicado se puede rastrear a fuentes y propietarios? * ¿Unidades, escala, origen, orientación y coordenadas están validadas? * ¿El modelo está segmentado para las aplicaciones objetivo? * ¿Pisos, zonas, sistemas, equipos y rutas tienen nombres consistentes? * ¿Los IDs coinciden con el registro de activos o sistema de mantenimiento? * ¿Las áreas sensibles y geometrías de cliente están protegidas? * ¿Los hallazgos de nubes de puntos generan actualizaciones o excepciones documentadas? * ¿Los objetivos de datos están listos antes de dashboards o flujos de IA? ## Referencias públicas La [colaboración JTC y DataMesh](/about/news/collaboration-between-jtc-datamesh) muestra BIM y realidad mixta para secuencias de construcción y trabajo de campo. La [referencia de Obayashi](/about/news/digital-twin-empowers-bim-obayashi) muestra datos BIM y contenido de gemelo digital apoyando la revisión de procesos de construcción. --- ## [GUIDES] De BIM a gemelo digital operativo: del modelo de diseño a los workflows de campo y facility ## BIM genera más valor cuando llega a operaciones BIM entrega a los equipos de proyecto un modelo de diseño rico. Los equipos de operaciones también necesitan un contexto de trabajo que conecte lugares, activos, sistemas, tareas, condiciones live y registros. La pregunta útil es cómo el modelo ayuda a tomar decisiones después de la revisión de diseño: dónde está el problema, qué activo se ve afectado, qué equipo toma la siguiente acción y qué evidencia confirma el resultado. Un gemelo digital operativo lleva BIM y activos 3D a workflows de campo y facility. Conecta la geometría del modelo con identidad de activos, jerarquía espacial, vínculos de datos, procedimientos guiados, registros de inspección, work orders y evidencias de entrega. El modelo se convierte en un contexto operativo compartido para equipos de construcción, propietarios, proveedores de servicio y equipos facility. Esto es especialmente importante en áreas MEP, salas técnicas, pisos de renovación, corredores de servicios densos, data centers, campus e instalaciones complejas donde planos, fotos, listas de issues y datos de sistemas suelen estar distribuidos entre muchas herramientas. ## Qué cambia cuando BIM se vuelve operativo | Capa | Uso operativo | |---|---| | Jerarquía espacial | Sitio, edificio, piso, sala, zona, ruta, área de acceso y límite de seguridad | | Identidad de activos | IDs de equipos, pertenencia a sistemas, etiquetas, documentos, owner y responsabilidad de mantenimiento | | Relaciones de sistemas | Energía, enfriamiento, aire, agua, proceso, control y dependencias upstream-downstream | | Vínculos de datos | Sensores, medidores, alarmas, BMS, SCADA, IoT, CMMS, EAM e historial de trabajo | | Workflows de campo | Guía de instalación, checks de commissioning, inspecciones, issues, work orders y evidencias de aceptación | | Workflows facility | Monitoreo, mantenimiento, revisión energética, planificación de renovación, respuesta de emergencia y formación | | Gobernanza | Versión de modelo, fuente de datos, owner, proceso de actualización, revisión de calidad y estado de entrega | El cambio central va de la visibilidad del modelo a la continuidad operativa. Los equipos usan el mismo contexto espacial durante construcción, commissioning, entrega, mantenimiento diario y renovaciones futuras. ## Workflow DataMesh 1. **Reunir modelos y registros fuente** - Integrar BIM, CAD, nubes de puntos, planos, listas de equipos, documentos O&M, registros de commissioning, issue logs y fotos de obra. 2. **Crear el modelo espacial de objetos** - Organizar edificios, pisos, salas, zonas, sistemas, activos, rutas y relaciones con FactVerse y Twin Engine. 3. **Conectar fuentes de datos** - Vincular sistemas facility, sistemas enterprise, sensores, medidores, alarmas, documentos y registros de trabajo con Data Fusion Services. 4. **Crear escenas utilizables** - Preparar en Designer escenas, etiquetas, paneles, comportamiento, cambio de piso, vistas de sistemas y presentaciones de escenario. 5. **Apoyar la guía de campo** - Usar Director y DataMesh One para guía de instalación, pasos de inspección, procedimientos de commissioning, capacitación y revisión de stakeholders. 6. **Capturar registros de ejecución** - Usar Inspector para issues, inspecciones, fotos, acciones correctivas, work orders, notas de aceptación y estado de verificación. 7. **Llevar el contexto a operaciones** - Mantener el twin con cambios de la facility para que mantenimiento, análisis energético, renovación y emergencia usen el mismo contexto de activos y espacios. La meta es una continuidad práctica entre datos de proyecto y datos operativos. ## Workflows que capturan valor primero - **Coordinación de construcción**: revisar rutas MEP, áreas densas de equipos, trabajos ocultos, secuencia de instalación y restricciones de campo en contexto 3D. - **Commissioning y entrega**: conectar registros de aceptación, fotos, IDs de activos, documentos de commissioning y temas pendientes con la sala o el equipo correcto. - **Monitoreo facility**: vincular condiciones live, alarmas, datos de medidores y estado de equipos al twin para ubicar eventos en el espacio. - **Inspección y mantenimiento**: convertir contexto espacial en inspecciones, work orders, fotos, acciones correctivas y evidencias de cierre. - **Planificación de renovación**: revisar zonas afectadas, rutas de acceso, sistemas cercanos, relaciones entre activos y restricciones de campo antes de iniciar trabajos. - **Revisión energética y sostenibilidad**: conectar zonas, sistemas, medidores, relaciones de activos y registros operativos para apoyar análisis facility y evidencias de preparación Green Mark. Conviene empezar por un workflow donde el contexto espacial reduzca una fricción real de entrega entre equipos. ## Dónde encajan los productos DataMesh [FactVerse](/products/factverse) proporciona la base de plataforma para gemelos digitales operativos y mantiene conectados activos, espacios, datos, AI, simulación y workflows. [FactVerse Twin Engine](/products/factverse-twin-engine) convierte BIM, CAD, nubes de puntos y registros operativos en contexto runtime para aplicaciones. [Data Fusion Services](/products/dfs) conecta datos operativos y registros de negocio al twin, ayudando a mapear fuentes hacia activos, espacios, sistemas y workflows. [FactVerse Designer](/products/designer) prepara escenas, vistas, interacciones, explicaciones de escenario y contenido de planificación visual. [Director](/products/director) apoya procedimientos guiados, guía de instalación, capacitación e instrucciones orientadas al campo. [Inspector](/products/inspector) gestiona inspección, work orders, cierre de issues, evidencias de mantenimiento y registros facility. Juntos ayudan a los equipos a pasar de visualización de proyecto a un twin operativo que se usa en el trabajo diario. ## Checklist de gobernanza - Las fuentes BIM, CAD, nube de puntos y planos están registradas con versión y owner? - Edificios, pisos, salas, zonas, sistemas y activos usan nombres consistentes? - Los IDs de activos están alineados con registros enterprise asset y sistemas de mantenimiento? - Los vínculos de datos documentan fuente, unidad, regla de actualización y estado de calidad? - Los registros de campo están conectados al espacio, activo, tarea y versión de escenario correctos? - Documentos de entrega, fotos, issues, notas de aceptación y registros de commissioning se pueden buscar desde el twin? - Las responsabilidades de actualización están claras cuando cambia el estado de construcción o la configuración facility? - Los equipos facility pueden usar el mismo contexto para monitoreo, inspección, mantenimiento, renovación y capacitación? Estos controles convierten un proyecto de conversión de modelos en un activo operativo de largo plazo. ## Referencias públicas La [colaboración entre JTC y DataMesh](/about/news/collaboration-between-jtc-datamesh) muestra BIM y realidad mixta aplicados a la comprensión de secuencias de construcción y al trabajo frontline. La [referencia de Obayashi](/about/news/digital-twin-empowers-bim-obayashi) muestra datos BIM combinados con realidad mixta para apoyar procesos de construcción. La [referencia de Toda SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) muestra gemelo digital y realidad mixta usados para simular y verificar métodos de construcción. El [recorrido con proyección XR de TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) muestra visualización de gemelo digital basada en BIM para comunicación con stakeholders alrededor de un edificio planificado. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## La integracion empieza por la identidad operativa La mayoria de los equipos de facilities e industria ya usan varios sistemas. CMMS o EAM gestionan registros de mantenimiento e historial de activos. BMS supervisa sistemas del edificio y alarmas. SCADA, IoT, MES, ERP, repositorios documentales y tickets conservan otras partes de la operacion. El punto debil suele ser la identidad. La misma bomba, unidad HVAC, enfriadora, tablero electrico, utilidad de sala limpia, activo de data center o sistema de soporte de produccion puede tener nombres distintos en planos, puntos BMS, registros de mantenimiento, checklists y notas de campo. Cuando aparece una alarma, el equipo debe buscar en varios sistemas para entender activo afectado, ubicacion, riesgo, procedimiento y responsable. Un gemelo digital operativo crea una capa de contexto compartida. Conecta activos, espacios, sistemas, valores en vivo, alarmas, documentos, procedimientos, ordenes de trabajo y evidencia de campo para revisar cada tarea en el entorno donde sucede. ## Que alinear primero La integracion debe empezar por los objetos que hacen trazable el trabajo: | Capa | Enfoque de integracion | |---|---| | Identidad de activo | IDs de equipo, tags, numeros de serie, objetos mantenibles, relaciones padre-hijo | | Jerarquia de ubicacion | sitio, edificio, piso, zona, sala, linea, area de planta, rack, frontera de sistema | | Relaciones de sistema | HVAC, electrico, agua, gas, aire comprimido, utilities de proceso, sistemas de data center | | Senales y alarmas | puntos BMS, lecturas IoT, tags SCADA, tipos de alarma, umbrales, severidad, ventana temporal | | Registros de trabajo | ordenes CMMS o EAM, inspecciones, mantenimiento preventivo, historial de servicio | | Documentos | manuales, planos, SOP, permisos, calibraciones, documentos de validacion | | Evidencia de campo | fotos, lecturas, checklists, notas de reparacion, resultados de aceptacion, decisiones de revision | El objetivo es un modelo de referencia estable. Una alarma BMS, orden de trabajo, ruta de inspeccion, documento y recomendacion de AI Agent deben apuntar al mismo contexto de activo y ubicacion. ## Integracion con CMMS y EAM CMMS y EAM siguen siendo en muchos casos los sistemas de registro de mantenimiento. Guardan registro de activos, numeros de orden, planes preventivos, historial de repuestos, mano de obra y estado de cierre. El gemelo digital operativo agrega contexto espacial y de campo alrededor de esos registros. Patrones utiles: * mostrar ordenes sobre el activo y ubicacion dentro del gemelo * vincular historial de mantenimiento a equipos, salas, sistemas y rutas * abrir inspecciones o reparaciones desde el contexto del twin * devolver evidencia de campo a la orden aprobada * comparar ordenes repetidas entre activos o ubicaciones similares * conectar manuales, planos y SOP a la vista de tarea * conservar decisiones de revision y excepciones para analisis futuro Asi, planificadores y equipos de campo ven el impacto fisico del trabajo, comparan problemas recurrentes y cierran tareas con evidencia mas completa. ## Datos BMS, IoT y SCADA Los datos BMS son mas utiles cuando los nombres de puntos se conectan a activos mantenibles y espacios fisicos. Temperatura, presion, estado de valvula, alarma de bomba o medidor de energia pueden revisarse con el equipo afectado, la sala, sistemas aguas arriba y abajo, historial de mantenimiento y procedimiento. Data Fusion Services puede conectar datos de puntos, alarmas, flujos de eventos, registros enterprise y documentos a FactVerse. FactVerse representa relaciones entre activo, espacio, sistema, senal, documento y workflow. Los equipos deben definir: * que puntos corresponden a que activos y espacios * que alarmas requieren inspeccion, mantenimiento, escalacion u observacion * que valores se usan para energia, confiabilidad o evidencia operativa * como marcar problemas de calidad de datos * que sistemas poseen estado de alarma, estado de orden y cierre * que historial queda para analisis de tendencias y evaluacion de machine learning Un mapeo estable suele aportar mas valor que una ingestion amplia sin owners claros. ## De alarmas a ordenes de trabajo El patron principal es el loop desde la senal hasta la accion revisada: 1. **Detectar** - BMS, IoT, SCADA, inspeccion o AI Agent identifica una alarma, tendencia anormal, tarea perdida o excepcion recurrente. 2. **Contextualizar** - FactVerse conecta el hallazgo con activo, espacio, relacion de sistema, valores en vivo, documentos, SOP e historial. 3. **Revisar** - El equipo responsable revisa severidad, evidencia, impacto operativo, notas de seguridad y controles recomendados. 4. **Despachar** - El trabajo confirmado entra en Inspector, Checklist, CMMS, EAM u otro sistema aprobado. 5. **Ejecutar** - Los equipos de campo usan contexto de activo, checklists, fotos, lecturas, manuales y guia de procedimiento. 6. **Capturar** - Se registran notas, lecturas, fotos, piezas cambiadas, excepciones, aceptacion y decisiones. 7. **Aprender** - Resultados y correcciones alimentan calidad de datos, ajuste de recomendaciones y evaluacion de machine learning. Este loop conecta recomendaciones asistidas por AI con revision humana y evidencia de campo. ## Operaciones de facilities y data center En smart buildings, campus, data centers e instalaciones industriales, la integracion suele empezar por preguntas recurrentes: * que activo esta afectado por esta alarma * que sala, sistema, inquilino, area de produccion o data hall puede estar afectado * si el mismo problema aparecio antes * que SOP, plano, manual o nota de seguridad aplica * si es mantenimiento, revision energetica, excepcion operativa o inspeccion * que evidencia se necesita antes del cierre Los equipos de data center pueden usar este patron para gestion de activos multi-sitio, calculo de energia, inspeccion, mantenimiento y visualizacion. Los equipos facility pueden conectar alarmas BMS, medidores, registros de equipos, rutas de inspeccion y evidencia relacionada con Green Mark a los registros operativos, manteniendo la evaluacion alineada con criterios oficiales y la revision del proyecto. ## Roles de producto [DataMesh FactVerse](/products/factverse) proporciona la capa de contexto operativo para activos, espacios, sistemas, relaciones, permisos, registros y vistas de escena. [Data Fusion Services](/products/dfs) conecta CMMS, EAM, BMS, IoT, SCADA, documentos, ordenes y datos enterprise con los objetos twin correctos. [Inspector](/products/inspector) gestiona alarmas, inspecciones, ordenes de trabajo, evidencia de campo, fotos, notas de reparacion, aceptacion y handoff operativo. [Checklist](/products/checklist) estructura rutinas repetibles, lecturas requeridas, aprobaciones y registros de campo orientados a compliance. [FactVerse AI Agent](/products/factverse-ai-agent) puede revisar 24x7 senales, alarmas, documentos, historial de trabajo y feedback de campo conectados. Apoya triage, resume evidencia, recomienda siguientes controles y evalua feedback despues del cierre. [FactVerse Twin Engine](/products/factverse-twin-engine) mantiene el modelo runtime para estado del twin, relaciones, interaccion y visualizacion operativa. ## Checklist de implementacion * Los IDs de activos son coherentes entre CMMS, EAM, BMS, planos y etiquetas de campo? * La jerarquia de ubicacion soporta equipos moviles y especialistas remotos? * Puntos BMS y alarmas estan mapeados a activos, espacios, sistemas y severidad? * Ownership, estado, cierre y campos de evidencia de ordenes estan definidos? * Rutas de inspeccion y checklists usan el mismo modelo activo-espacio? * Manuales, planos, SOP, permisos y validaciones estan conectados al contexto de trabajo? * Fotos, lecturas, excepciones y decisiones quedan guardadas para revision futura? * Los casos AI Agent se basan en datos gobernados de activos, senales, alarmas, documentos y ordenes? * Owners de datos, frecuencia de actualizacion, reglas de acceso y responsabilidades cyber son claros? ## Referencias publicas La referencia [Yokogawa y DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra como datos industriales, analisis AI y workflows de mantenimiento pueden conectarse alrededor de operaciones facility. La [colaboracion JTC](/about/news/collaboration-between-jtc-datamesh) muestra trabajo de DataMesh en instalaciones complejas donde contexto espacial, estado de equipos y workflows frontline son clave. La referencia [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) muestra como gemelos de fabrica conectan visibilidad operativa, contexto de equipos y colaboracion entre equipos. La guia [AI alerts to closed-loop work orders](/resources/guides/ai-alert-to-closed-loop-work-orders), la guia [Data Center Operations](/resources/guides/data-center-digital-twin-operations) y la guia [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) cubren patrones relacionados de ejecucion, operations facility y trazabilidad de evidencia. --- ## [GUIDES] Operaciones de data center con gemelo digital: activos, energía, inspección y mantenimiento ## Las operaciones de data center necesitan contexto facility compartido Un data center opera con muchos sistemas especializados. DCIM, BMS, EPMS, medidores, alarmas, registros de activos, herramientas de mantenimiento y registros de campo contienen partes distintas de la situación. Los equipos de operaciones necesitan ver sitio, sala, rack, equipo, ruta eléctrica, zona de enfriamiento, alarma, inspección e historial de trabajo en un mismo contexto. Un gemelo digital de data center entrega ese contexto. Conecta activos facility, datos live de infraestructura, registros de energía, rutas de inspección, tareas de mantenimiento y evidencias de work orders en una vista operativa espacial. El objetivo es práctico: entender, inspeccionar, mantener, reportar y mejorar el sitio con revisión de ingeniería. El mismo modelo sirve para una instalación o para portafolios multi-sitio, con comparación entre sitios, reportes estandarizados y evidencias operativas entre salas, activos y equipos. ## Qué debe conectar el gemelo | Capa | Contexto operativo | |---|---| | Espacio | Sitio, edificio, sala, rack, corredor, área de equipos, ruta de acceso y límite de seguridad | | Activos | UPS, generador, switchgear, CRAC, AHU, bomba, chiller, rack, sensor, medidor y service owner | | Energía | Datos EPMS, rutas eléctricas, paneles, alimentadores, lecturas de medidores, cargas y activos afectados | | Ambiente | Temperatura, humedad, contexto airflow, estado cooling, alarmas y condiciones de sala | | Mantenimiento | Rutas de inspección, work orders, historial de reparación, fotos, notas de aceptación y estado de verificación | | Documentos | Archivos O&M, procedimientos, registros commissioning, manuales de activos y notas de cambio | | Gobernanza | Fuente de datos, owner de actualización, proceso de revisión, ruta de aprobación, calidad de evidencia y alcance rollout | El gemelo se vuelve útil cuando cada señal conduce a lugar, activo, equipo responsable y registro de seguimiento. ## Workflow DataMesh para data centers 1. **Reunir fuentes facility** - Integrar DCIM, BMS, EPMS, medidores, alarmas, listas de activos, documentos de equipos, registros de mantenimiento, planes de inspección y planos del sitio. 2. **Construir el facility twin** - Organizar en FactVerse salas, racks, equipos, rutas eléctricas, zonas cooling, medidores, sensores, documentos y responsabilidades de servicio. 3. **Conectar datos operativos** - Usar Data Fusion Services para vincular señales live y registros enterprise a los activos, espacios, sistemas y workflows correctos. 4. **Preparar escenas reutilizables** - Usar Data Center DLC y FactVerse Designer para acelerar escenas de salas, racks, equipos y facility. 5. **Revisar condiciones operativas** - Evaluar indicadores de energía, alarmas, estado de equipos, issues recurrentes y prioridades de mantenimiento en contexto sitio-activo. 6. **Ejecutar trabajo de campo** - Usar Inspector para convertir hallazgos confirmados en inspecciones, work orders, notas de reparación, fotos, evidencias de aceptación y verificaciones. 7. **Comparar y mejorar** - Usar registros coherentes entre sitios y salas para management review, análisis de ingeniería, reportes de sostenibilidad y programas de eficiencia posteriores. El flujo más útil va desde señal a lugar, desde lugar a responsable y desde responsable a trabajo verificado. ## Puntos de partida comunes - **Registro de activos y ubicación**: limpiar datos de salas, racks, equipos facility, medidores y responsabilidades de servicio. - **Cálculo energético y reporting**: conectar lecturas de medidores, contexto de equipos, historial de carga y registros operativos para management review. - **Workflow de alarma e inspección**: ubicar alarmas, rutas, work orders, notas de campo y evidencias de reparación alrededor del activo afectado. - **Mantenimiento de infraestructura crítica**: rastrear UPS, generadores, switchgear, equipos cooling, bombas e historial de servicio. - **Estandarización multi-sitio**: aplicar el mismo modelo de sala, activo, energía y mantenimiento a varios data centers. - **Evidencia de green operations**: organizar energía, ambiente, mantenimiento y acciones correctivas para gobernanza interna y preparación Green Mark. Un buen primer alcance combina datos disponibles, owners claros y un problema real de handoff. ## Rol de los productos DataMesh [Data Fusion Services](/products/dfs) conecta DCIM, BMS, EPMS, medidores, historians, alarmas, herramientas de mantenimiento y sistemas enterprise. [FactVerse](/products/factverse) aporta el contexto de gemelo digital facility con salas, racks, activos, sistemas, bindings de datos, documentos y workflows. [FactVerse DLC](/products/factverse-dlc) ofrece bases reutilizables de escenas data center en Designer, con salas, racks, activos facility, contexto energético y elementos de visualización. [Inspector](/products/inspector) gestiona inspecciones, work orders, registros de reparación, fotos, notas de aceptación, verificación y evidencia de campo. [FactVerse AI Agent](/products/factverse-ai-agent) puede ayudar a revisar patrones anómalos, alarmas recurrentes e historial de mantenimiento cuando el modelo de datos y el workflow ya están estables. ## Checklist de gobernanza - Los nombres de salas, racks, equipos, medidores y sensores son consistentes entre sistemas? - Los IDs de activos están alineados con DCIM, herramientas de mantenimiento, planos y etiquetas de campo? - Las fuentes de energía, ambiente y mantenimiento tienen owner y regla de actualización? - Una alarma lleva a sala, rack, activo, sistema, owner y registro de trabajo? - Los equipos de campo pueden capturar fotos, notas, acciones de reparación y evidencias de aceptación en el mismo contexto? - Los registros de energía pueden revisarse por sitio, sala, activo, medidor y ventana temporal? - Los reportes multi-sitio usan clases de activos y definiciones de datos consistentes? - La revisión de ingeniería, aprobación del cliente y responsabilidad de change control están claras antes de cambios físicos? Estos controles mantienen el gemelo útil para trabajo diario y management review. ## Referencias públicas El [anuncio de IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) muestra cómo DataMesh ofrece contenido digital twin reutilizable para iniciar escenas data center en FactVerse Designer. La solución [Data Center Operations](/solutions/ai-agent-data-center) describe el alcance operativo para visibilidad de activos, cálculo energético, inspección, mantenimiento, work orders y gestión multi-sitio. La referencia [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra la conexión entre señales facility industriales y revisión de mantenimiento. La referencia [Faurecia y EVE Energy](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) muestra cómo la visibilidad operativa y el contexto energético apoyan programas de mejora manufacturing y facility. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## El trabajo frontline necesita contexto operativo El trabajo frontline suele depender de una secuencia precisa, un activo especifico, una ubicacion fisica, un rol entrenado y un registro revisable. Un tecnico puede aislar equipo, inspeccionar un panel, tomar una lectura, capturar una foto, reportar una excepcion y cerrar una orden. Un operador puede ejecutar setup, limpieza, line clearance, muestreo o handoff, con cada accion ligada a sala, equipo, material y version de procedimiento. Los SOP y materiales de capacitacion son valiosos, pero a menudo viven lejos del objeto de trabajo. La procedure esta en un sistema documental, el activo en CMMS o EAM, la senal en BMS o SCADA, la foto en una app movil y la decision en la revision del supervisor. Un gemelo digital operativo da a la procedure un contexto de trabajo. Conecta SOP, activo, ubicacion, rol, guia visual, registro de campo, inspeccion, orden y nota de revision alrededor del mismo contexto operativo. ## Que debe conectar un SOP digital | Capa | Detalle operativo | |---|---| | Control de procedure | version SOP, owner, fecha efectiva, ruta aprobacion, audiencia training, release status | | Activo y ubicacion | ID equipo, sala, zona, linea, ruta, conexion utility, frontera seguridad | | Pasos guiados | secuencia, prompts, checkpoints, referencia visual, medios, excepciones | | Rol y training | requisito de rol, completado, evaluacion, ciclo refresher, historial cohort | | Ejecucion campo | operador, hora inicio, estado paso, lecturas, fotos, notas, issue, enlace orden | | Registro revision | revision supervisor, criterios aceptacion, correccion, estado cierre, audit trail | | Contexto datos | valores live, alarmas, historial mantenimiento, documentos, registros enterprise | La meta es trazabilidad: que procedure se uso, a que activo o area aplico, quien ejecuto, que evidencias se capturaron y como se reviso el resultado. ## Crear la procedure en contexto espacial [Director](/products/director) es el entorno de authoring para procedures 3D guiadas. Convierte conocimiento aprobado en pasos con labels, animaciones, paneles, imagenes, videos, checkpoints y prompts visuales. El contenido parte de fuentes existentes: SOP aprobados, work instructions, manuales, fotos, videos, modelos CAD o BIM, modelos de equipo, listas de activos, notas de seguridad, decks de training y feedback de campo. Luego el equipo decide que pasos necesitan contexto 3D, checklist, foto o escalacion. [FactVerse](/products/factverse) mantiene la procedure conectada al modelo activo-ubicacion. [Data Fusion Services](/products/dfs) puede incorporar documentos, historial de trabajo, valores live y registros enterprise. ## Capturar evidencia de campo [Checklist](/products/checklist) estructura chequeos recurrentes, lecturas requeridas, firmas y registros de completado. [Inspector](/products/inspector) conecta inspecciones, problemas, fotos, notas de reparacion, ordenes, aceptacion y estado de revision al contexto activo-ubicacion. Ruta de ejecucion: 1. **Preparar** - Conectar SOP, activo, ubicacion, rol, checklist y evidencia requerida. 2. **Guiar** - Entregar pasos mediante contenido Director e instrucciones de campo. 3. **Registrar** - Capturar lecturas, fotos, notas, excepciones y estado. 4. **Escalar** - Convertir un problema confirmado en inspeccion, reparacion u orden. 5. **Revisar** - Revisar evidencia, correccion y cierre con supervisor o calidad. 6. **Mejorar** - Usar excepciones recurrentes para training, contenido y registros de activos. ## Entrenar antes del campo La capacitacion debe usar el mismo contexto espacial que la ejecucion. Un operador nuevo puede aprender identidad del equipo, layout, secuencia, puntos de control, riesgos y campos de evidencia antes de trabajar en sitio. [Simulator](/products/simulator) es relevante cuando la capacitacion depende de comportamiento del equipo, controles, escenarios de seguridad, disciplina de ruta, score y practica repetida. Equipos pesados, forklifts, maquinaria de construccion y programas especificos pueden entrenar operacion, respuesta a emergencia y evaluacion. Para operaciones de proceso y facility, Director y Checklist apoyan training guiado, mientras Inspector lleva el mismo contexto activo-tarea al campo. ## Patrones por industria **Manufacturing** usa SOP digitales para changeover, inspeccion, soporte de mantenimiento, troubleshooting line-side, handoff de warehouse y utilities de soporte produccion. **Pharma y biopharma** usan procedures guiadas para setup, limpieza, muestreo, pesaje, line clearance, preparacion de equipo y handoff. Training completado, version SOP, evidencia de tarea, notas de excepcion y revision ayudan a preparar evidencia GMP y CSV. **Construccion y equipos pesados** combinan procedures Director, training Simulator y registros Inspector para trabajo en sitio, operacion de equipo, rutinas de seguridad y cierre de issues. Tower cranes, forklifts, rotary drilling rigs, deep well casing drilling rigs, excavators y equipos de proyecto pueden entrar en programas. **Data centers y smart facilities** conectan procedures de mantenimiento, rutas de inspeccion, alarmas BMS, registros de activos, lecturas de energia, fotos y estado de orden. **Warehouse e intralogistics** entrenan rutas, carga, safety checks, rutinas forklift, excepciones y mantenimiento en el mismo contexto activo-ubicacion. ## Datos y feedback AI La evidencia de campo da a los workflows asistidos por AI un ground truth mas util. Problemas confirmados, recomendaciones ajustadas, excepciones recurrentes, notas, lecturas, fotos y resultados post-accion muestran donde la procedure es poco clara, donde el training necesita refresco y que activos muestran patrones repetidos. [FactVerse AI Agent](/products/factverse-ai-agent) puede revisar 24x7 senales, historial, documentos, inspecciones y feedback de campo conectados. Ayuda a resumir evidencia, encontrar problemas recurrentes, preparar siguientes chequeos y estructurar trabajos para revision. ## Roles de producto [Director](/products/director) crea SOP 3D guiadas, prompts, labels visuales, animaciones, paneles media, contenidos training e instrucciones campo. [Checklist](/products/checklist) estructura chequeos recurrentes, lecturas requeridas, firmas de rol, estado completado y registros moviles. [Inspector](/products/inspector) gestiona inspecciones, issues, ordenes, evidencia, notas de reparacion, aceptacion e historial campo. [Simulator](/products/simulator) apoya training de operadores cuando controles, comportamiento, seguridad, score y practica repetida importan. [FactVerse](/products/factverse) proporciona contexto digital twin operativo para activos, espacios, sistemas, procedures, objetos de trabajo, documentos y permisos. [Data Fusion Services](/products/dfs) conecta CMMS, EAM, BMS, SCADA, IoT, documentos, registros de trabajo y sistemas enterprise con los objetos twin correctos. [FactVerse AI Agent](/products/factverse-ai-agent) apoya revision, triage, preparacion de recomendaciones y analisis feedback cuando los registros ya son estables. ## Checklist de implementacion * Versiones SOP, owners, fechas release y audiencias training estan documentados? * IDs de activos, nombres de salas, labels de equipos y objetos de orden son coherentes? * Pasos que requieren 3D, checklist, fotos o lecturas estan identificados? * Rutas de excepcion, categorias issue, reglas de escalacion y campos cierre estan definidos? * Training, evaluacion y refresher estan vinculados a la version SOP correcta? * Registros Inspector y Checklist usan el mismo modelo activo-ubicacion? * Fotos, lecturas, notas, decisiones y correcciones quedan disponibles? * Casos AI Agent se basan en datos estables de procedure, activo, orden y evidencia? ## Referencias publicas La referencia [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) muestra digitalizacion de mantenimiento y training frontline. La referencia [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) muestra FactVerse en training y mantenimiento. La referencia [safety training](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) muestra entrenamiento practico de campo basado en digital twins. Las guias [Pharma Operator Training](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), [Heavy Equipment Simulator Training](/resources/guides/digital-twin-heavy-equipment-simulator-training) y [CMMS, EAM and BMS Integration](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) cubren workflows relacionados. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## El contenido reutilizable estabiliza los despliegues Los proyectos de gemelo digital industrial suelen reconstruir las mismas bases: espacios, activos, rutas, categorías de equipo, etiquetas, paneles, procedimientos y comportamientos de escena. Cada sitio cliente requiere ajuste, pero muchos puntos de partida se repiten dentro del mismo dominio operativo. Los content packs de gemelo digital crean esa base reutilizable. FactVerse DLC proporciona contenido preconfigurado para FactVerse Designer. Los equipos empiezan con una base industrial concreta y ajustan modelo, escena, mapping de datos y workflow a la instalación real del cliente. El valor está en la consistencia operativa. Producto, delivery y cliente pueden trabajar desde el primer workshop con las mismas clases de activos, estructuras de escena, registros de trabajo y vistas operativas. ## Qué debe incluir un content pack | Capa | Contenido útil | |---|---| | Clases de activos | Tipos de equipo, tags, propiedades, guía de nombres y roles | | Estructura espacial | Sitio, edificio, planta, sala, zona, línea, ruta y límite de seguridad | | Recursos de modelo | Objetos 3D, formas simplificadas, elementos layout, etiquetas y estados visuales | | Plantillas de escena | Vistas para operación, mantenimiento, formación, planificación y revisión directiva | | Lógica de comportamiento | Cambios de estado, pasos guiados, alarmas, secuencias operativas y triggers | | Vinculación de datos | Campos origen, unidades, timestamps, owners, reglas de actualización y mapping twin | | Contexto workflow | Puntos de inspección, campos checklist, traspaso a orden de trabajo, evidencias y aprobaciones | | Gobernanza | Versión, owner, alcance, regla de actualización, localización y criterios de reutilización | El pack debe acelerar el arranque y mantener configurable cada sitio. ## Bases para uso industrial **Data Center DLC** ayuda a preparar salas, racks, equipos facility, contexto energético, vistas de monitoring, rutas de inspección y registros de mantenimiento para gemelos digitales de data center. **Campus DLC** soporta edificios, campus, utilities, entorno, accesos y contexto facility para operación multi-edificio y smart facility management. **Warehousing and Logistics DLC** ayuda a describir zonas de almacén, áreas de almacenamiento, rutas, líneas de transporte, procedimientos operativos, planificación logística y escenarios de formación. **Discrete Manufacturing DLC** ofrece starters de fábrica virtual para equipos de producción, conveyors, AGVs, operadores, contexto de línea y escenas de planificación que se personalizan en Designer. Estas bases son más útiles cuando se conectan con los activos, sistemas, procedimientos y registros operativos reales del cliente. ## Workflow DataMesh de despliegue 1. **Seleccionar la base de contenido** - Elegir la baseline DLC que corresponde al tipo de sitio y objetivo del proyecto. 2. **Mapear el sitio cliente** - Alinear edificios, salas, zonas, líneas, equipos, rutas y áreas de trabajo con la nomenclatura y registros de activos del cliente. 3. **Preparar escenas en Designer** - Ajustar modelos, plantillas, vistas, etiquetas, paneles y lógica de comportamiento en FactVerse Designer. 4. **Conectar el modelo de datos** - Organizar espacios, activos, relaciones, documentos, contexto de trabajo y objetos reutilizables en FactVerse. 5. **Vincular datos operativos** - Conectar sistemas origen, datos de sensores, registros enterprise, herramientas de mantenimiento y documentos con Data Fusion Services. 6. **Añadir workflows de ejecución** - Conectar inspecciones, guía SOP, órdenes de trabajo, formación y evidencias de campo con Inspector, Director u otras aplicaciones. 7. **Productizar la reutilización** - Convertir activos, lógica y workflows recurrentes en contenido gestionado para que los siguientes sitios empiecen desde una base más madura. Cada entrega debe mejorar la base reutilizable. ## Gestionar DLC como activo de producto Cada content pack debe gestionarse como un activo de producto. Necesita owner, versión, alcance, escena ejemplo, plan de localización, release notes y criterios para decidir qué entra en la capa reutilizable. La capa reutilizable se concentra en estructura común: clases de activos, bases de escena, vistas por defecto, lógica inicial y patrones de integración. Nombres del cliente, reglas de seguridad, credenciales de datos en vivo, cadenas de aprobación y procedimientos operativos quedan en la configuración del proyecto. Esta separación ayuda a DataMesh a mantener calidad y flexibilidad. Sales, delivery y customer success pueden explicar mejor qué se reutiliza y qué se adapta al sitio. ## Rol de los productos DataMesh [FactVerse DLC](/products/factverse-dlc) proporciona content packs de gemelo digital reutilizables para áreas comunes de despliegue industrial. [FactVerse Designer](/products/designer) permite abrir, adaptar y ensamblar recursos DLC en escenas, vistas operativas y contenido de escenario. [DataMesh FactVerse](/products/factverse) conserva el contexto compartido del gemelo digital: espacios, activos, relaciones, documentos, data bindings y workflows de aplicación. [Data Fusion Services](/products/dfs) conecta fuentes de datos operativas y registros enterprise con los objetos correctos del twin. [Inspector](/products/inspector) convierte el contexto twin en inspecciones, órdenes de trabajo, fotos, registros de reparación, notas de aceptación y evidencias de campo. [FactVerse AI Agent](/products/factverse-ai-agent) puede usar contexto twin estable y registros de trabajo para revisión operativa cuando modelo de datos y workflow están maduros. ## Checklist de despliegue - El pack define claramente clases de activos y propiedades reutilizables? - La estructura espacial coincide con la forma en que el cliente opera el sitio? - Los recursos de modelo son ligeros para escenas interactivas y claros para operaciones? - Las plantillas de escena están ligadas a workflows reales como inspección, planificación, formación, monitoring o mantenimiento? - Los data bindings documentan fuente, unidad, owner, regla de actualización y estado de calidad? - Campos Inspector, traspaso a orden de trabajo y evidencias están definidos antes del rollout de campo? - Versionado, localización y ownership del contenido están claros? - Las mejoras de un proyecto pueden convertirse en contenido reutilizable para proyectos posteriores? Un content pack útil reduce setup repetido y aumenta consistencia entre proyectos. ## Referencias públicas El [anuncio de IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) muestra cómo el contenido reutilizable ayuda a iniciar escenas de gemelo digital de data center en FactVerse Designer. La [actualización de Warehousing and Logistics DLC](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) muestra el mismo enfoque aplicado a entornos logísticos, rutas, layouts y escenarios operativos. La [referencia Jebsee FactVerse](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) muestra cómo la planificación de línea de producción se beneficia de contexto digital twin compartido durante la planificación de automatización y comunicación con stakeholders. La [referencia de NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) muestra cómo equipos de fabricación usan gemelos digitales como base para visibilidad de fábrica y mejora operativa. --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## La formación de maquinaria pesada necesita práctica repetible La formación de operadores de maquinaria pesada es difícil de estandarizar. Las máquinas reales son costosas de reservar, los sitios tienen restricciones de seguridad y los instructores expertos tienen tiempo limitado. El alumno necesita más que un video o una lista de verificación. Debe entender la máquina, la respuesta de los controles, la secuencia de trabajo, el contexto del sitio, los puntos de riesgo y la calidad de cada acción. La formación con simulador y gemelo digital ofrece un entorno controlado para practicar esas habilidades. El operador avanza en un escenario con comportamiento realista del equipo, controles físicos o desktop, retroalimentación visual, instrucciones y reglas de evaluación. Los instructores pueden repetir la misma tarea, comparar resultados y construir un registro de competencia más claro. Para DataMesh, Simulator es la superficie de formación para maquinaria pesada. Complementa las SOP creadas en Director, la planificación de escenas en Designer y el contexto digital twin en FactVerse. ## Qué debe incluir un escenario de simulador | Capa | Aporte | |---|---| | Modelo de equipo | Geometría, escala, vista de cabina, partes móviles, rango de trabajo y comportamiento específico | | Física | Movimiento, colisión, respuesta a carga, interacción con terreno, vibración y límites de seguridad | | Controles | Joysticks, pedales, paneles, dirección, controles desktop o layouts específicos | | Procedimiento | Pasos, guía por voz o texto, señales, puntos de control y manejo de excepciones | | Contexto de sitio | Área de obra, rutas, obstáculos, zonas de trabajo, materiales, equipos cercanos y visibilidad | | Evaluación | Tiempo, precisión, cumplimiento, colisiones, calidad de ruta, suavidad y registro de finalización | | Revisión | Perfil del alumno, versión del escenario, puntaje, notas, replay y comentarios del instructor | Los escenarios útiles conectan estas capas. Izaje con grúa torre, ruta de montacargas, tarea de perforación, rutina de casing profundo u operación de excavadora deben diseñarse como tareas operativas estructuradas. ## Cobertura de equipos y diseño de escenarios DataMesh Simulator soporta programas para grúas torre, montacargas, perforadoras rotativas, equipos de casing profundo, excavadoras y otra maquinaria pesada. Cada programa comienza por el objetivo formativo: familiarización, secuencia operativa, respuesta a excepciones, práctica de certificación, formación de servicio internacional o evaluación guiada por instructor. Ese objetivo determina hardware, fidelidad del escenario, configuración de controles, reglas de puntuación y profundidad del contenido. Algunos equipos requieren plataforma de movimiento y cabina. Otros usan una estación desktop para familiarización inicial. Los programas distribuidos pueden elegir una configuración portátil. Por eso el contenido del simulador debe planificarse como programa de formación de equipo. Modelo, controles, escenario, puntaje y revisión deben coincidir con la competencia operativa que se enseña. ## Flujo DataMesh 1. **Definir el rol de formación** - Identificar tipo de equipo, rol del operador, habilidad objetivo, foco de seguridad y requisito de evaluación. 2. **Crear el twin del equipo** - Preparar modelo, partes móviles, vista de cabina, mapeo de controles, comportamiento físico y entorno. 3. **Diseñar la ruta de entrenamiento** - Crear pasos, avisos, puntos de control, señales y casos de excepción. 4. **Configurar la estación** - Seleccionar plataforma de movimiento, cabina, panel, estación desktop, sistema visual o configuración mixta. 5. **Practicar y evaluar** - Repetir tareas, dar feedback y completar evaluaciones estructuradas. 6. **Registrar evidencias** - Guardar puntajes, finalizaciones, notas del instructor, versiones de escenario y evidencia de revisión. 7. **Mejorar el curso** - Actualizar escenarios cuando cambian equipo, procedimientos, reglas de sitio u objetivos. El resultado es un sistema de formación reutilizable. ## Rol dentro del stack FactVerse [Simulator](/products/simulator) cubre la formación de operadores de maquinaria pesada cuando importan comportamiento del equipo, respuesta de controles, interacción física y evaluación. [FactVerse](/products/factverse) aporta la base de plataforma. [FactVerse Twin Engine](/products/factverse-twin-engine) organiza activos, contexto de escena, comportamiento y estado del escenario. [FactVerse Designer](/products/designer) apoya authoring de escenas, planificación de layout y preparación de escenarios. [Director](/products/director) apoya SOP guiadas y contenido interactivo. [Inspector](/products/inspector) apoya registros de campo, inspecciones, cierre de issues y workflows de evidencia cuando la formación se conecta con ejecución en sitio. Estos productos ayudan a conectar la práctica de equipo con el mismo contexto digital twin usado para planificación, guía y operaciones. ## Versión pública de referencia en Steam DataMesh publica [Operator Training: Heavy Equipment en Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) como experiencia pública simplificada. La página de Steam muestra a DataMesh como desarrollador y editor, y presenta una experiencia ligera de simulador para usuarios públicos. Esta versión ayuda a entender el concepto: operación de máquina, práctica guiada, contexto visual y simulación de equipo. Los proyectos enterprise y education añaden hardware específico, controles, contenido de curso, criterios de puntuación, diseño de cabina, opciones de plataforma de movimiento y requisitos de integración. ## Checklist de evaluación - El escenario corresponde a una tarea real o a un objetivo de evaluación? - El modelo incluye partes móviles, comportamiento de controles e hipótesis físicas relevantes? - El hardware coincide con el nivel del alumno y el objetivo formativo? - Pasos, señales, puntos de control y excepciones están definidos claramente? - Las reglas de puntuación se relacionan con operación segura y correcta? - Los instructores pueden revisar replay, notas, puntajes y versiones? - Los registros se conectan con learning management, seguridad u operaciones? - El curso puede actualizarse cuando cambian equipos, reglas de sitio o procedimientos? Estas preguntas mantienen la formación con simulador conectada a la competencia del operador y la preparación operativa. ## Referencias públicas DataMesh tiene referencias públicas sobre [formación de grúa torre](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), [entornos de formación para excavadora](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), la [Simulator Platform basada en digital twin](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) y [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training). La página Steam [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) es una referencia pública de una experiencia simplificada publicada por DataMesh. --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## Del modelo visual al ciclo operativo Un gemelo digital tradicional suele empezar con un modelo 3D, datos BIM, geometría de equipos o un panel. Esta capa ofrece a los equipos un contexto común para entender una instalación, línea de producción, activo o obra. Un gemelo digital ejecutable agrega el ciclo operativo alrededor de ese modelo. Conecta datos en tiempo real, relaciones de activos, lógica de proceso, simulación, aprobaciones, órdenes de trabajo y registros de verificación. Los equipos pueden revisar el estado actual, evaluar escenarios, asignar trabajo y conservar la base de cada decisión. Esta es una base para Physical AI en entornos industriales y de instalaciones. Las recomendaciones de AI son más útiles cuando están conectadas con activos reales, contexto espacial, restricciones físicas, historial de trabajo y procesos de aprobación. ## Componentes de un gemelo ejecutable Un gemelo ejecutable normalmente combina seis capas: - **Estructura espacial y de activos**: sitios, edificios, plantas, zonas, sistemas, equipos, puntos, documentos y responsabilidades. - **Datos operativos en vivo**: BMS, SCADA, IoT, medidores, historians, CMMS, ERP, MES y otros sistemas fuente. - **Comportamiento y lógica de proceso**: pasos de proceso, supuestos de control, dependencias, procedimientos y condiciones de evento. - **Simulación y revisión de escenarios**: opciones de layout, análisis de flujo, movimiento de equipos, comportamiento físico y comparación. - **Workflows y ejecución de campo**: inspecciones, tareas, órdenes de trabajo, SOP, formación, aceptación y traspaso. - **Gobernanza y evidencias**: aprobaciones, registros, versiones de modelo, fotos, notas y resultados operativos. El valor aparece al conectar estas capas. El modelo muestra dónde está un activo. El gemelo ejecutable muestra también datos, proceso asociado, escenario revisado, trabajo asignado y resultado verificado. ## Por qué Physical AI necesita este contexto Physical AI trabaja con operaciones reales. Una recomendación debe ajustarse al sitio, activo, proceso, personas, y reglas de seguridad y aprobación. Una respuesta aislada de modelo cubre estas condiciones con dificultad. El gemelo ejecutable ofrece a Physical AI un contexto operativo gobernado: - Relaciona cada señal con activo, sistema, zona y proceso. - Proporciona histórico y estado en tiempo real para análisis. - Ofrece un espacio para comparar opciones mediante simulación. - Pasa acciones aprobadas a inspección, mantenimiento, formación o construcción. - Conserva trazabilidad de recomendaciones, aprobaciones, ejecución y verificación. Para el comprador, lo importante es si el gemelo digital se convierte en parte del sistema operativo. ## Papel del stack DataMesh [Data Fusion Services](/products/dfs) conecta fuentes de datos empresariales, industriales, IoT y de instalaciones. [FactVerse](/products/factverse) organiza datos, activos, escenas y contexto de aplicación. [FactVerse Twin Engine](/products/factverse-twin-engine) renderiza y ejecuta la experiencia 3D del gemelo en dispositivos y escenarios operativos. [FactVerse Designer](/products/designer) soporta creación de escenas, lógica de proceso, planificación virtual y simulación. Para equipos que usan NVIDIA Omniverse, [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) puede llevar estructura de escena, metadatos y contexto de comportamiento desde FactVerse a workflows USD y Omniverse. [FactVerse AI Agent](/products/factverse-ai-agent) usa el contexto conectado para revisar anomalías, generar previsiones, responder preguntas operativas, resumir recomendaciones y transferir decisiones. [Inspector](/products/inspector) convierte hallazgos aprobados en inspecciones, órdenes de trabajo, registros de campo, aceptación y evidencias. Estas capas permiten que los equipos vean, analicen, simulen, ejecuten y revisen el mismo gemelo digital. ## Patrón de implementación Un despliegue práctico empieza con un ciclo operativo: 1. Conectar fuentes de datos y definir la responsabilidad de cada sistema. 2. Mapear activos, espacios, sistemas y puntos en una estructura común. 3. Añadir lógica de comportamiento, pasos de proceso, procedimientos o supuestos. 4. Validar opciones con simulación, revisión de ingeniería o replay operativo. 5. Pasar acciones aprobadas a inspección, mantenimiento, formación o construcción. 6. Capturar registros de cierre y comparar resultados con datos operativos. Este patrón mantiene el trabajo concreto y muestra si el gemelo entra en la ejecución diaria. ## Dónde crea valor | Punto de partida | Uso práctico | |---|---| | Operaciones de instalaciones | Conectar activos, medidores, puntos BMS, inspecciones y mantenimiento en contexto espacial | | Mantenimiento predictivo | Combinar sensores, historial de activos, anomalías, órdenes de trabajo y verificación | | Simulación de procesos | Comparar layouts, flujo de materiales, movimiento de equipos y supuestos antes de cambios | | Guía de construcción | Conectar BIM, contexto de obra, métodos, planificación e instrucciones de campo | | Formación de personal | Convertir equipos, procedimientos, riesgos y escenarios en formación reutilizable | El primer caso debe tener datos con responsable claro, proceso medible y un equipo capaz de ejecutar y verificar acciones. ## Lista de evaluación Preguntas útiles al comparar plataformas: - ¿La plataforma conecta datos en vivo con activos, sistemas y espacios? - ¿Representa comportamiento, lógica de proceso y supuestos de escenario? - ¿Los equipos pueden simular o revisar escenarios antes de un cambio operativo? - ¿Las recomendaciones pasan a workflows aprobados de inspección, mantenimiento, formación o construcción? - ¿Los equipos de campo capturan fotos, notas, aceptación y estado de cierre? - ¿Ingeniería y operaciones pueden rastrear datos, contexto de modelo e historial de aprobación? - ¿El mismo gemelo soporta visualización, monitoreo, simulación y ejecución de workflows? - ¿La plataforma soporta gobernanza empresarial entre usuarios, sitios y sistemas? Un gemelo ejecutable aporta valor cuando cada respuesta se vincula con un workflow real y un equipo responsable. ## Resultados prácticos Los gemelos digitales ejecutables ayudan a equipos industriales y de instalaciones a pasar de visualización compartida a ejecución gobernada. Los primeros resultados suelen ser prácticos: contexto operativo más claro, revisión entre equipos más rápida, mejor traspaso de análisis a campo, evidencias más sólidas y comparación de escenarios más disciplinada. Cuando el ciclo operativo madura, Physical AI puede usar un contexto más rico. Las recomendaciones se apoyan en datos de activos, relaciones de sistemas, resultados de simulación, historial de trabajo y gobernanza del sitio. Así, el gemelo digital se convierte en una capa de trabajo para decisiones del mundo real. --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## Las operaciones de calefacción necesitan un contexto conectado Los equipos de calefacción urbana toman decisiones a partir de muchas fuentes a la vez: estado de la fuente de calor, datos de la red primaria y secundaria, condiciones de la subestación, retroalimentación del edificio, pronósticos meteorológicos, registros de quejas, inspecciones de campo, historial de mantenimiento y reglas de despacho. Cada sistema explica parte del funcionamiento. El trabajo duro es conectar esas señales en una decisión que los operadores puedan revisar, aprobar, ejecutar y verificar. [HeatOps](/solutions/heatops) es el módulo industrial de calefacción urbana de [FactVerse AI Agent](/products/factverse-ai-agent). Utiliza [Data Fusion Services](/products/dfs) para conectar datos operativos, [FactVerse](/products/factverse) para mantener el contexto de la red y los activos, y Inspector o sistemas de órdenes de trabajo del cliente para mantener rastreable la acción de campo. El propósito es práctico: ayudar a los equipos de calefacción a pronosticar la demanda, diagnosticar el comportamiento de la red, revisar las opciones de despacho, coordinar el trabajo de campo y preservar la evidencia operativa detrás de las decisiones. ## Lo que conecta el modelo operativo | capa | Contexto operativo | |---|---| | Fuentes de calor | Calderas, bombas de calor, CHP, calor residual, almacenamiento, combustible, electricidad, capacidad y disponibilidad. | | Red | Red primaria, ramales, presión, flujo, temperatura de suministro y retorno, válvulas, fugas y contexto de aislamiento. | | Subestaciones | Intercambiadores de calor, bombas, válvulas de control, medidores, presión diferencial, eficiencia, alarmas e historial de servicio. | | Edificios | Zonas de construcción, retroalimentación interior, temperatura del lado del usuario, problemas de confort, inercia térmica y prioridad de servicio | | Contexto externo | Pronóstico del tiempo, carga histórica, días festivos, patrones de ocupación, contexto tarifario y solicitudes de servicio. | | Ejecución de obra | Órdenes de despacho, inspecciones, tareas de reparación, limpieza, ajuste de válvulas, trabajos de aislamiento, fotografías y registros de aceptación. | | Gobernanza | Fuente de recomendación, ruta de aprobación, límites de comandos, reglas de reversión, revisión de resultados y seguimiento de auditoría | El valor proviene de vincular estas capas. Una queja por baja temperatura debe tener su origen en el contexto del edificio, el comportamiento de la subestación, el estado de la red de sucursales, el trabajo anterior y la decisión posterior del operador. ## Flujo de trabajo DataMesh para HeatOps 1. **Conecte fuentes operativas**: reúna etiquetas SCADA, SIS, PVSS, PLC, medidores, clima, GIS, registros de quejas, contexto de facturación, sistemas de mantenimiento y registros de despacho. 2. **Construya el gemelo de calefacción**: modele fuentes de calor, tuberías, subestaciones, válvulas, bombas, medidores, edificios, zonas y áreas de servicio en FactVerse. 3. **Vincular señales a activos**: utilice Data Fusion Services para asignar temperaturas, presiones, flujos, alarmas, lecturas de energía y registros de trabajo a los activos y segmentos de red correctos. 4. **Revisar la demanda y el riesgo**: utilice FactVerse AI Agent para preparar pronósticos de demanda, explicaciones de cambios de carga, resúmenes de patrones anormales y opciones de despacho para revisión del operador. 5. **Acción coordinada**: convierta los hallazgos aprobados en notas de envío, inspecciones de campo, órdenes de trabajo, tareas de ajuste o alcances de reescritura controlados. 6. **Verifique el resultado**: compare las lecturas posteriores a la acción, los comentarios sobre el confort, las alarmas, los patrones de pérdida de calor y la evidencia de las órdenes de trabajo con el hallazgo original. Este flujo de trabajo mantiene las recomendaciones de AI adjuntas al contexto operativo que las produjo. ## Revisión de pronósticos, diagnósticos y despachos HeatOps puede admitir tres modos de trabajo conectados: - **Previsión de la demanda**: compare el clima, la carga histórica, el estado de la red, la respuesta del edificio y las restricciones operativas antes de que lleguen los cambios en la demanda. - **Diagnóstico de red**: revise el delta de suministro-retorno, presión diferencial, flujo, agua de reposición, comportamiento del intercambiador de calor, estado de la bomba, estado de la válvula, indicadores de fugas, señales de contaminación y problemas repetidos del usuario final. - **Revisión de envío**: prepare acciones revisadas por el operador, como cambios en la temperatura del suministro, cambios en la frecuencia de la bomba, ajuste de válvulas, estrategia de precalentamiento, preparación del personal y prioridad de inspección de campo. La recomendación debe explicar el alcance, el motivo, el efecto esperado, la aprobación requerida y la evidencia de seguimiento. Esto hace que el resultado del AI sea revisable por el personal de la sala de control, los equipos de ingeniería, los equipos de campo y los gerentes. ## De la recomendación a la ejecución auditable Las operaciones de calefacción implican seguridad, comodidad, contratos, límites de equipos y responsabilidad de servicio. Por lo tanto, el camino de ejecución debe ser escalonado. Comience con el apoyo a las decisiones. Los operadores revisan pronósticos, diagnósticos y acciones recomendadas en el contexto del gemelo digital. La siguiente etapa es la ejecución asistida: las recomendaciones aprobadas se convierten en registros de despacho, tareas de campo, órdenes de trabajo y controles de seguimiento. Se puede agregar reescritura controlada después de definir la autoridad, el rango de comando, los enclavamientos de seguridad, las reglas de reversión y los requisitos de auditoría. [Inspector](/products/inspector), [Checklist](/products/checklist) y los sistemas de órdenes de trabajo del cliente pueden preservar el lado del campo del circuito: quién inspeccionó la estación, qué se ajustó, qué fotografías y lecturas se capturaron, cuándo se cerró el trabajo y si la condición mejoró. ## Registros de energía y carbono y revisión de la gestión Los operadores de calefacción necesitan evidencia estacional, no sólo pantallas en tiempo real. HeatOps puede estructurar la cantidad de calor, el combustible, la electricidad, la energía de bombeo, la pérdida de calor, la retroalimentación de confort, la respuesta a incidentes, la actividad de modernización y el trabajo de campo en registros operativos para su revisión por parte de la gerencia. Esos registros ayudan a los equipos a comparar estrategias de despacho, resultados de modernización, rendimiento de la subestación y segmentos de red a lo largo del tiempo. También facilitan la discusión sobre el desempeño energético y de carbono con propietarios, equipos de la ciudad, empresas de servicios y socios de ingeniería utilizando el mismo rastro de datos. Los métodos de contabilidad, los límites de los informes y los factores de carbono siguen siendo específicos del proyecto. HeatOps proporciona el contexto operativo conectado y la evidencia rastreable necesaria para la revisión. ## Lista de verificación de preparación de datos Antes del lanzamiento, revise estas condiciones: - SCADA, SIS, PVSS, PLC y las etiquetas de medidor tienen nombres, unidades, marcas de tiempo y propiedad estables. - Las fuentes de calor, subestaciones, válvulas, bombas, medidores, edificios, zonas y segmentos de red se pueden mapear en el gemelo digital. - El clima, el historial de carga, los registros de quejas y las órdenes de trabajo se pueden conectar por hora, área, activo o estación. - Los operadores e ingenieros acuerdan reglas de aprobación para las recomendaciones de envío. - Los equipos de campo pueden registrar inspecciones, ajustes, fotografías, lecturas y pruebas de aceptación de forma estructurada. - Las reglas de reescritura controlada se documentan antes de introducir cualquier ruta de comando. - Las métricas piloto se basan en registros operativos verificados. La primera implementación debe utilizar un área de servicio contenida o un grupo de subestaciones donde el equipo tenga suficientes datos, propiedad clara y preguntas operativas frecuentes. ## Puntos de partida prácticos | Punto de partida | Por que funciona | |---|---| | Descripción general de la subestación | Los equipos pueden conectar temperatura, presión, flujo, estado de la bomba, estado de la válvula, cantidad de calor, alarmas e historial de servicio en torno a un grupo de activos conocido. | | Preparación para el cambio climático | El pronóstico de la demanda puede ayudar a los operadores a prepararse antes de que frentes fríos, períodos cálidos o patrones de ocupación inusuales afecten el servicio. | | Quejas de baja temperatura | Los registros de quejas se pueden revisar con el contexto del edificio, el estado de la subestación, la presión de la rama y el mantenimiento anterior. | | Alarmas de estación repetidas | La revisión asistida por AI puede resumir patrones y trasladar los problemas confirmados a tareas de inspección o mantenimiento. | | Revisión de energía y pérdida de calor. | Los registros estacionales pueden conectar la fuente de salida, el comportamiento de la red, las condiciones del edificio y el trabajo de campo. | Estos puntos de partida crean un ciclo revisable antes de que los equipos se expandan hacia escenarios de optimización o control más amplios. ## Referencias públicas [HeatOps solution page](/solutions/heatops) describe el alcance del módulo de calefacción urbana dentro de FactVerse AI Agent. [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) y [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders) describen patrones adyacentes para conectar señales de instalaciones, contexto de gemelos digitales, órdenes de trabajo y acciones de campo verificadas. El [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) muestra el contexto del gemelo digital DataMesh en un entorno de instalación conectado. El [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra el patrón más amplio de convertir señales industriales en revisión de mantenimiento asistida por AI. --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## Los agentes de IA industrial necesitan contexto operativo Fábricas, campus, centros de datos, redes de calefacción, almacenes y puntos fronterizos funcionan mediante sistemas físicos conectados. Un agente de IA útil debe comprender activos, ubicaciones, señales en vivo, historial de operación, procedimientos, órdenes de trabajo y responsabilidades. [FactVerse AI Agent](/products/factverse-ai-agent) está diseñado para esta capa operativa. Trabaja con la base de gemelo digital FactVerse, datos industriales conectados, conocimiento empresarial, registros de Inspector y rutas de aprobación humana para que las recomendaciones sean auditables, ejecutables y mejorables. ## El ciclo operativo 1. **Conectar señales y conocimiento** - Data Fusion Services reúne datos de equipos, sistemas de instalaciones, señales SCADA o BMS, historial de mantenimiento, documentos, SOP y sistemas empresariales. 2. **Anclar en el gemelo digital** - FactVerse y Twin Engine conectan esos datos con activos, espacios, sistemas, relaciones y estado de workflow. 3. **Analizar con AI Agent** - El agente revisa tendencias, alarmas, historial de trabajo, reglas operativas y contexto del sitio para preparar hallazgos y siguientes pasos. 4. **Revisar y aprobar** - Operadores, ingenieros o supervisores confirman recomendaciones según autoridad y nivel de riesgo. 5. **Ejecutar en campo** - Inspector, Checklist, CMMS o EAM y aplicaciones frontline convierten acciones aprobadas en órdenes de trabajo, inspecciones, tareas guiadas y capacitación. 6. **Retroalimentar resultados** - Notas de cierre, fotos, lecturas, excepciones, decisiones y resultados se convierten en evidencia para revisión y mejora del modelo. ## Operación 24/7 y aprendizaje continuo Los eventos industriales ocurren entre turnos, fines de semana, cambios de clima, ciclos de producción y ventanas de mantenimiento. FactVerse AI Agent puede procesar continuamente señales, alarmas, actualizaciones de órdenes de trabajo, inspecciones y comentarios de campo. Así el equipo mantiene visibilidad sobre activos y workflows críticos aunque los especialistas no estén mirando un panel. Cada tarea terminada genera ejemplos: señales anómalas, causas confirmadas, sugerencias rechazadas, reparaciones completadas, notas de operadores, fotos de inspección y resultados medidos. Estos registros pueden apoyar entrenamiento, reentrenamiento, evaluación y ajuste de modelos de machine learning. El agente se alinea gradualmente con los datos y patrones operativos del sitio. ## Módulos industriales típicos | Módulo | Alcance operativo | |---|---| | Mantenimiento predictivo | Salud de activos, explicación de anomalías, prioridad, orden de trabajo y verificación | | HeatOps | Revisión de demanda, diagnóstico de red térmica, soporte de despacho, trabajo en subestaciones y registros energía-carbono | | Inspección y mantenimiento de instalaciones | Búsqueda de activos, planificación de inspección, solución de problemas, evidencia y seguimiento | | Inspección fronteriza y logística | Procedimientos espaciales, checklists, excepciones, registros e intercambio entre equipos | | Guía de operador y capacitación | SOP digitales, pasos de equipo, recordatorios de seguridad y registros de capacitación | | Operaciones de instalaciones semiconductoras | Contexto sub-fab, utilidades, revisión de eventos e integración de órdenes de trabajo | ## Cómo cooperan los productos [Data Fusion Services](/products/dfs) prepara la base de datos. [FactVerse](/products/factverse) y [FactVerse Twin Engine](/products/factverse-twin-engine) proporcionan el gemelo digital operativo. [FactVerse AI Agent](/products/factverse-ai-agent) resume evidencias, compara patrones, prepara recomendaciones y explica causas probables. [Inspector](/products/inspector), Checklist y sistemas CMMS o EAM conectados mantienen trazable la ejecución. [FactVerse Designer](/products/designer) apoya creación de escenas, planificación virtual, preparación de simulación y workflows de Physical AI. ## La revisión humana permanece en el ciclo Las decisiones industriales afectan seguridad, disponibilidad, contratos, cumplimiento y vida de activos. Las tareas de bajo riesgo pueden pasar rápidamente a inspección u orden de trabajo. Paradas de equipos, cambios de control, modificaciones de proceso o procedimientos regulados requieren autorización adecuada. El mismo ciclo conserva la recomendación, el revisor, la acción aprobada y el resultado. ## Empezar con un workflow verificable El primer despliegue debe tener alcance claro, datos accesibles, propietario definido y resultados medibles: una clase de activo crítico, una ruta de inspección, un grupo de subestaciones, un área de centro de datos, un flujo logístico o una guía operativa. Conecte datos y registros, defina reglas de revisión, enrute hallazgos confirmados al sistema de ejecución y use resultados para mejorar recomendaciones. ## Checklist de evaluación - Están las señales, documentos y órdenes conectados con los activos y espacios correctos? - Puede el AI Agent explicar la evidencia detrás de una recomendación? - Tiene cada recomendación responsable, ruta de aprobación y destino de ejecución? - Pueden los equipos registrar notas, fotos, lecturas, excepciones y verificaciones? - Las sugerencias rechazadas o corregidas mejoran futuras recomendaciones? - Se revisan las actualizaciones de machine learning contra evidencia operativa? ## Referencias públicas El [lanzamiento de FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) describe la dirección pública de DataMesh para operaciones impulsadas por simulación. Las referencias de [Yokogawa y DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) y [Singtel FutureNow](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) muestran contextos relacionados de gemelos digitales operativos. --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## Por qué conectar FactVerse y Omniverse La simulación industrial necesita contexto operativo y un entorno de simulación de alta fidelidad. Los equipos de operaciones deben conservar activos, relaciones, datos en vivo, responsabilidades y significado de negocio. Los equipos de simulación trabajan con renderizado, escenas USD, comportamiento físico y revisión de escenarios. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) conecta esas capas. Una fábrica, instalación, línea productiva, zona logística o escena de construcción puede prepararse en [FactVerse](/products/factverse) y [FactVerse Designer](/products/designer), y luego pasar a NVIDIA Omniverse como flujo USD. Es un flujo práctico para Physical AI: el gemelo digital mantiene conexión con activos reales y datos operativos, mientras Omniverse, RTX, PhysX y Newton ayudan a validar renderizado, contexto de sensores, movimiento, colisión, layout, flujo de materiales, empaque, trayectorias robóticas e interacción con zonas de seguridad. ## Omniverse como capa base El posicionamiento público actual de NVIDIA presenta Omniverse como un conjunto de libraries, microservices, APIs y SDKs basados en OpenUSD para aplicaciones Physical AI. Igual que CUDA ofrece bloques de base para computación acelerada, Omniverse ofrece bloques de base para simulación y gemelos digitales: OpenUSD para interoperabilidad y activos SimReady, RTX para renderizado y simulación de sensores, PhysX y Newton para física, y servicios de datos para intercambio de escenas. Para clientes de DataMesh, esto aclara la división de roles. FactVerse y Designer crean la escena de fábrica o facility, semántica de activos, enlaces de datos, lógica de comportamiento y preparación SimReady. Las capacidades Omniverse entregan renderizado, simulación física e intercambio de datos integrables en flujos industriales, simulación robótica, herramientas de partners o aplicaciones personalizadas. Referencias NVIDIA: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## Flujo de extremo a extremo 1. **Construir el gemelo operativo** - Modelar sitio, línea, jerarquía de activos, posiciones, metadatos, documentos y responsabilidades en FactVerse. 2. **Crear el escenario** - Construir layout, lógica de proceso, behavior trees, tiempos, rutas y variantes en FactVerse Designer. 3. **Preparar la capa USD** - Organizar recursos USD, materiales, escala, coordenadas, identidad de objetos y versiones. 4. **Llevar contexto a Omniverse** - Transferir estructura de escena, metadatos, enlaces de datos y comportamiento mediante el adaptador. 5. **Validar el escenario** - Revisar renderizado, movimiento, colisiones, espacios, trayectorias robóticas, flujo de materiales, accesibilidad y timing. 6. **Registrar decisiones** - Guardar supuestos, hallazgos, capturas, versiones y notas de ingeniería para planificación, formación o implementación. ## Información que debe viajar | Capa | Valor | |---|---| | Jerarquía de sitio y escena | Mantiene organizados edificios, zonas, líneas, estaciones y activos | | Identidad del activo | Conecta resultados de simulación con equipos reales | | Relaciones espaciales | Conserva posición, distancia libre, rutas, zonas de colisión y áreas de trabajo | | Metadatos y semántica | Lleva tipo, rol, ownership, documentos y relaciones de sistema | | Enlaces de datos | Refleja estados de equipos, sensores, alarmas y señales operativas | | Lógica de comportamiento | Lleva estados, secuencias, rutas y tiempos a la validación | | Versiones | Permite comparar cambios, supuestos y resultados | ## USD, RTX, PhysX y Newton USD estructura activos, materiales, variantes, capas y colaboración. En este flujo funciona como puente entre el gemelo operativo y la simulación en Omniverse. RTX apoya renderizado de alta fidelidad y simulación de sensores. PhysX apoya escenarios sensibles a la física: movimiento, colisión, cuerpos rígidos, colocación, interacción de empaque, trayectorias robóticas y flujo de materiales. Newton agrega una ruta de motor físico abierto y extensible para aprendizaje robótico y simulación, basada en NVIDIA Warp y OpenUSD. El valor técnico depende de supuestos claros: escala, coordenadas, propiedades de objetos, timing, restricciones, objetivo de validación y reglas de revisión. ## Aplicaciones prácticas - Renderizado de alta fidelidad de fábrica o línea productiva en Omniverse. - Validación de empaque y flujo de materiales antes de pruebas físicas. - Comparación de layout para estaciones, buffers, robots, transportadores y rutas de material. - Planificación de almacén e intralogística con picking, staging, AGV, montacargas y throughput. - Preparación de robotics, datos sintéticos y escenarios Physical AI. - Revisión de construcción y facilities con secuencias de instalación, acceso y handover. ## Rol de los productos DataMesh [FactVerse](/products/factverse) gestiona estructura operativa, relaciones, gobernanza y contexto compartido. [FactVerse Designer](/products/designer) crea layouts, lógica de proceso, behavior trees, simulación timeline y variantes. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) lleva estructura de escena, metadatos, enlaces de datos y contexto de comportamiento a Omniverse y USD. [Data Fusion Services](/products/dfs) conecta datos en vivo e históricos cuando se requieren estados de equipos, sensores, alarmas, métricas de producción o contexto enterprise. [FactVerse Twin Engine](/products/factverse-twin-engine) entrega contexto runtime para gemelos ejecutables, visualización, enlaces de datos y flujos operativos. ## Preparación de datos - Jerarquía de escena, IDs de activos, posiciones y nombres son estables. - Activos CAD, BIM, 3D y USD tienen responsables y versiones. - Coordenadas, escala, orientación y origen están alineados. - Materiales, colisiones, restricciones de movimiento y timing están documentados. - Enlaces de datos incluyen fuente, unidad, timestamp y reglas de actualización. - Objetivos de simulación se conectan con decisiones como aprobación de layout, revisión de ruta robótica, validación de empaque o accesibilidad. - Resultados de revisión se guardan con versión, supuestos, capturas y acciones. ## Referencias públicas El anuncio de [FactVerse y NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) muestra la dirección pública para gemelos digitales de simulación y flujos de AI business. El showcase [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) aporta evidencia pública del uso conjunto de FactVerse y Omniverse. [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) y [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) muestran casos relacionados de layout productivo, intralogística y planificación de automatización. --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark readiness es una disciplina operativa Singapore BCA Green Mark evalúa el desempeño ambiental y las operaciones sostenibles de edificios. Green Mark 2021 enfatiza el desempeño energético y también cubre mantenibilidad, carbono de ciclo de vida, inteligencia, salud y bienestar, y resiliencia. Los criterios oficiales de BCA siguen siendo la autoridad. Para los equipos de instalaciones, el reto es construir evidencia operativa: datos de energía, relaciones de activos, historial de mantenimiento, condiciones ambientales, acciones de mejora y prueba de cierre. Esa información suele estar distribuida en BMS, medidores, hojas de cálculo, CMMS, BIM, reportes de servicio y registros de contratistas. [DataMesh Green Transformation](/solutions/green-transformation) conecta esas capas en un gemelo digital operativo. Propietarios, operadores, consultores, equipos de ingeniería y responsables de sostenibilidad pueden preparar evidencia, analizar opciones y vincular sostenibilidad con trabajo diario. Referencias oficiales: - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## Crear primero la capa de evidencia La preparación es más sólida cuando la evidencia se estructura de forma continua. Un gemelo digital aporta contexto compartido. La base incluye espacios, sistemas, activos, señales y registros de trabajo. [Data Fusion Services](/products/dfs) conecta BMS, medidores, IoT, historiadores, CMMS y EAM. [FactVerse](/products/factverse) mapea esos datos a espacios, activos, sistemas y flujos de trabajo. ## Brick Schema vuelve la evidencia trazable La evidencia gana valor cuando conserva el contexto real de la instalación. Una lectura debe vincularse al medidor correcto, una tendencia de temperatura a la zona y sensor correctos, y un problema de chiller al sistema, activos, alarmas y mantenimiento correspondientes. En [Inspector](/products/inspector), las relaciones alineadas con Brick Schema describen edificios, plantas, zonas, activos, medidores, sensores, puntos y sistemas de forma consistente. Los equipos pueden saber a qué activo pertenece una evidencia, qué dato la respalda, qué orden de trabajo la cerró y qué equipos deben revisarla. ## Referencias de Brick Schema Para revisar el estándar directamente, empiece por estos recursos públicos de Brick Schema: - [Sitio oficial de Brick Schema](https://brickschema.org/) - descripción de Brick como esquema uniforme de metadatos para edificios, con una imagen introductoria de referencia. - [Documentación de usuario de Brick](https://docs.brickschema.org/brick/overview.html) - principios de diseño y conceptos clave para modelar entidades y relaciones de edificios. - [Brick modeling data sources](https://docs.brickschema.org/brick/timeseries.html) - documentación oficial con un diagrama de alto nivel del modelo de datos de telemetría. - [Brick ontology browser](https://ontology.brickschema.org/) - referencia navegable de clases, relaciones y términos Brick. - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick) - desarrollo open source del esquema, releases, issues y archivos fuente. ## Análisis energético y revisión técnica DataMesh puede conectar BIM/IFC, clima, datos operativos y contexto del gemelo digital con modelos EnergyPlus para comparar escenarios. Los análisis útiles incluyen EUI, composición de carga, horarios, setpoints, retrofit y prioridades correctivas. El análisis funciona como apoyo a la decisión técnica. Un piloto práctico establece la línea base, valida datos, compara opciones, ejecuta acciones y verifica resultados con registros operativos revisados. ## Cerrar el ciclo con Inspector Inspector convierte hallazgos y necesidades de evidencia en inspecciones, tareas, órdenes de trabajo, ejecución en campo, aceptación y verificación. Flujo práctico: 1. Conectar datos BMS, medidores, activos, ambiente y mantenimiento. 2. Mapear activos y puntos con relaciones Brick Schema. 3. Revisar consumo anormal, alarmas, brechas de inspección y registros faltantes. 4. Comparar opciones con ingeniería y modelado cuando sea útil. 5. Crear órdenes de trabajo y acciones correctivas en Inspector. 6. Registrar cierre, fotos, notas y aceptación. 7. Revisar datos operativos y conservar la trazabilidad. ## Por dónde empezar Empiece con un edificio, una zona de campus o un grupo de sistemas. Buenos candidatos son agua helada, horarios HVAC, medidores de energía, zonas de alta carga o activos con suficiente historial. | Workstream | Resultado | |---|---| | Auditoría de datos | Fuentes BMS, medidores, IoT, registro de activos, BIM/IFC y work orders | | Mapeo semántico | Relaciones entre espacios, activos, medidores, sensores y sistemas | | Línea base | EUI, cargas, horarios, anomalías y brechas de datos | | Escenario | Opciones, supuestos de modelo y notas de ingeniería | | Ejecución | Work orders de Inspector, registros de campo, cierre y verificación | --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## La preparación de datos viene antes de escalar IA Los proyectos de IA industrial suelen fallar cuando el modelo puede leer documentos pero no identifica de forma confiable el activo, ubicación, señal, orden de trabajo o regla de aprobación. En operaciones reales, la base de datos es tan importante como el modelo. [Data Fusion Services](/products/dfs) prepara esta base en FactVerse. Conecta fuentes, mapea campos a entidades del gemelo digital, normaliza datos, calcula indicadores y hace que el contexto sea usable por [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), dashboards y analítica. ## Empezar desde el workflow operativo La primera pregunta es operacional: qué decisión o tarea debe mejorar. Buenos puntos de inicio son mantenimiento predictivo, rutas de inspección, operaciones de data center, HeatOps, sistemas de facilities semiconductores, equipos logísticos o SOP digitales. | Workflow | Datos iniciales | |---|---| | Mantenimiento predictivo | Jerarquía de activos, sensores, alarmas, historial, inspecciones, resultados de órdenes | | Inspección facility | Espacios, activos, puntos, checklists, fotos, categorías, cierres | | Data center | Salas, racks, equipos, medidores, alarmas, energía, mantenimiento, responsables | | HeatOps | Fuentes, subestaciones, medidores, temperatura, presión, flujo, clima, dispatch | | Guía operativa | SOP, pasos, equipos, seguridad, capacitación, aprobación | ## Inventariar fuentes Las fuentes típicas incluyen SCADA, BMS, EMS, PLC, historians, IoT, MES, ERP, CMMS, EAM, GIS, BIM, medidores, hojas de cálculo, planos, manuales, repositorios SOP, herramientas de inspección, formación y documentos. Para cada fuente, registre propietario, propósito, método de conexión, campos disponibles, frecuencia, retención, unidades, timestamps, naming, riesgos de calidad, seguridad y aprobaciones. ## Crear identidad de activos y espacios Los workflows de AI Agent necesitan referencias estables. Bombas, AHU, UPS, intercambiadores, válvulas, grúas, vehículos, salas, líneas y subestaciones deben reconocerse entre sistemas. FactVerse y Twin Engine usan esta identidad para conectar espacios, equipos, sistemas, relaciones, documentos, señales y órdenes. Data Fusion Services mapea campos y tags a los objetos correctos del twin. ## Preparar señales, eventos y ejecución Temperatura, vibración, corriente, presión, flujo, energía, estado de válvula, estado de alarma y estado de equipo requieren unidades, timestamps, reglas de muestreo y marcas de calidad. Órdenes, inspecciones, fotos, SOP y aceptación aportan contexto de ejecución. Para machine learning, el dataset útil combina señal, contexto del activo, estado operativo, decisión humana, acción ejecutada y resultado. Estos datos apoyan entrenamiento, reentrenamiento, evaluación y ajuste de recomendaciones. ## Patrón de despliegue DataMesh 1. **Elegir workflow** - Un ciclo con propietario claro y resultado medible. 2. **Inventariar fuentes** - Sistemas, tags, documentos, propietarios, acceso y riesgos. 3. **Modelar identidad** - Espacios, activos, sistemas, relaciones y alias en FactVerse. 4. **Mapear y normalizar** - Conectar fuentes, vincular campos a entidades, armonizar unidades y tiempo. 5. **Conectar ejecución** - Inspector, Checklist, CMMS/EAM, SOP, evidencia y aprobación. 6. **Preparar revisión IA** - Entregar contexto confiable a FactVerse AI Agent. 7. **Capturar resultados** - Usar evidencia de campo y lecturas posteriores para mejorar datos y modelos. ## Checklist - Tiene el workflow propietario y resultado medible? - Están inventariados sistemas, documentos, tags y registros? - Activos y espacios están mapeados de forma consistente? - Unidades, timestamps, frecuencias y riesgos de calidad están documentados? - Órdenes, inspecciones, SOP, fotos y aceptación están conectadas? - El AI Agent explica recomendaciones con evidencia trazable? - Revisiones humanas, sugerencias rechazadas y resultados alimentan la evaluación ML? ## Referencias públicas La [página de Data Fusion Services](/products/dfs) describe la capa de integración de datos de FactVerse. La [guía del ciclo operativo de FactVerse AI Agent](/resources/guides/factverse-ai-agent-industrial-operations-loop) explica cómo las recomendaciones pasan a ejecución revisada. Las referencias [Yokogawa y DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) y [JTC](/about/news/collaboration-between-jtc-datamesh) muestran ejemplos públicos. --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## El gobierno empieza cuando el dato entra en una decision El gobierno de datos industriales empieza cuando una senal, alarma, lectura de medidor, orden de trabajo, nota de inspeccion, documento o indicador calculado influye en una decision operativa. Para un gemelo digital operativo, conectar el dato no basta. El equipo necesita saber de donde viene, que activo o espacio describe, que unidad y regla temporal aplica, quien es responsable del mapeo, si el valor es confiable y que workflows AI Agent o dashboards lo usan. [Data Fusion Services](/products/dfs) soporta esta disciplina en la pila FactVerse. Conecta sistemas fuente, mapea datos a entidades del gemelo, limpia y normaliza campos, calcula indicadores, prepara data marts y vincula contexto en vivo al gemelo. ## Que debe gobernar DFS | Area | Pregunta practica | Valor | |---|---|---| | Fuente | Que sistema posee el valor y quien aprueba su uso? | Aclara responsabilidad | | Acceso | Que rol, sitio, tenant o red puede leerlo? | Protege datos sensibles | | Entidad | Que activo, espacio, sistema o workflow describe? | Convierte tags en contexto | | Unidad y tiempo | Que unidad, zona horaria, muestreo y agregacion aplican? | Mantiene comparables tendencias | | Calidad | El valor falta, esta vencido, interpolado o fuera de rango? | Indica fuerza de evidencia | | Linaje | Que conector, mapeo, transformacion y release lo produjeron? | Apoya auditoria y diagnostico | | Consumidores | Que dashboards, AI flows, reportes o tickets lo usan? | Mide impacto antes del cambio | ## Gobernar por identidad operativa El mismo objeto puede tener nombres distintos en SCADA, historian, CMMS, BIM y en el lenguaje de campo. El gobierno debe unir esos alias bajo una identidad operativa estable. FactVerse proporciona contexto comun para espacios, activos, sistemas, relaciones, documentos, bindings de datos y workflows. Data Fusion Services mapea campos y tags fuente a ese contexto para que cada valor quede unido al objeto fisico correcto. La identidad debe cubrir sitio, edificio, piso, zona, sala, linea, ruta, clase de activo, asset ID, propietario, estado de ciclo de vida, relaciones de sistema, alias, documentos, SOPs, puntos de inspeccion, referencias de work order y limites de permiso. ## Calidad, linaje y control de cambios Las series temporales y eventos cambian todo el tiempo. Las reglas deben cubrir valores faltantes, datos vencidos, conversion de unidades, timestamps, muestreo, agregacion, outliers, reemplazo de sensores, logica de alarmas y formulas de indicadores. Los datos industriales cambian de forma silenciosa: un punto BMS renombrado, un medidor reemplazado, un tag historian migrado, un campo CMMS reinterpretado o una formula KPI ajustada. El gemelo puede verse correcto mientras el dato subyacente ya no lo es. Un registro de cambio debe incluir fuente, conector, tag o formula modificada, activos y workflows afectados, consumidores downstream, reviewer, aprobacion, fecha efectiva, rollback y evidencia de validacion. ## Acceso, evidencia y machine learning Los datos operativos pueden incluir salas restringidas, layouts de cliente, estados de produccion, salud de equipos, perfiles energeticos, hallazgos de mantenimiento y registros de servicio. Los limites de acceso deben mantenerse visibles dentro del gemelo. [Inspector](/products/inspector) y los sistemas de trabajo conectados registran quien reviso un hallazgo, que accion se tomo, que evidencia se capturo y si la condicion mejoro. Estos registros alimentan el siguiente AI review y los ciclos de machine learning. El ML necesita senal, contexto de activo, estado operativo, decision humana, accion y resultado. El gobierno conserva definiciones de features, filtros de calidad, labels desde work orders, version de modelo, sugerencias rechazadas, resultados post-action y reglas de refresco. ## Patron DataMesh 1. **Elegir un decision loop** - Mantenimiento predictivo, inspeccion, revision de activos data center, evidencia energetica o SOP digital. 2. **Nombrar data owners** - Fuentes, identidad, mapeo, calidad, calculos, accesos y workflows downstream. 3. **Mapear identidad operativa** - Alinear espacios, activos, sistemas, relaciones, documentos, workflows y alias en FactVerse. 4. **Conectar y gobernar** - Usar Data Fusion Services para conectar, mapear, normalizar, alinear timestamps, calcular y marcar calidad. 5. **Registrar consumidores** - Dashboards, rutinas AI Agent, formularios Inspector, reportes y datasets ML. 6. **Revisar antes de release** - Tags, formulas, conectores y permisos. 7. **Capturar resultados** - Evidencia de campo, decisiones de revision y valores post-action. 8. **Mejorar reglas** - Excepciones, mapeos fallidos, datos vencidos, sugerencias AI rechazadas y feedback de campo. ## Checklist - Cada fuente tiene owner de negocio y tecnico? - Las identidades de activos, espacios, sistemas y workflows son consistentes? - Unidades, timestamps, muestreo y reglas de calidad son visibles? - Los indicadores calculados tienen formula, owner y fecha de revision? - El linaje se conserva desde conector hasta consumidor downstream? - Dashboards, AI Agents, reportes y datasets estan registrados? - Espacios sensibles, registros de clientes y documentos restringidos estan protegidos? - Evidencia de campo y work orders alimentan revision y ML? ## Referencias publicas La [pagina de Data Fusion Services](/products/dfs) describe la capa de integracion de datos de FactVerse. La [guia Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness), la [guia Operational Digital Twin Model Governance](/resources/guides/operational-digital-twin-model-governance-after-go-live) y la [guia Industrial Knowledge Graphs](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) cubren fundamentos relacionados. --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## La capa que falta es el significado AI industrial necesita saber de qué trata la pregunta. Expresiones como "chiller 2", "línea 4", "humedad de sala limpia" o "la bomba detrás de la alarma" deben resolverse en un activo, espacio, señal, documento y responsable reales. Un knowledge graph industrial aporta esa capa semántica. Conecta objetos del sitio y registra sus relaciones. [FactVerse](/products/factverse) usa este modelo para que escenas de gemelo digital, datos operativos, documentos y razonamiento AI compartan el mismo contexto físico. ## Qué modela el graph | Área del modelo | Entidades típicas | |---|---| | Estructura espacial | sitio, edificio, piso, sala, zona, línea, rack, bahía, exterior | | Activos físicos | equipos, medidores, sensores, válvulas, bombas, robots, vehículos | | Sistemas | HVAC, agua helada, aire comprimido, potencia, utilidades de proceso, seguridad, flujo logístico | | Puntos de datos | tags, alarmas, indicadores calculados, consignas, estados | | Objetos de conocimiento | SOP, manuales, planos, referencias BIM/CAD, plantillas de inspección | | Eventos | alarmas, inspecciones, mantenimiento, aprobaciones, handover | | Responsabilidad | owner, operador, equipo de servicio, revisor, clase de riesgo, permisos | El valor aparece cuando el modelo responde preguntas de relación. ## Ejemplos de relaciones | Relación | Pregunta que soporta | |---|---| | activo ubicado en espacio | Dónde está el equipo detrás de esta alarma | | equipo sirve zona | Qué áreas afecta esta AHU | | punto mide equipo | Qué sensor produjo esta tendencia | | medidor mide sistema | A qué circuito de agua helada pertenece esta lectura | | activo pertenece a sistema | Qué activos aguas arriba y abajo importan | | activo tiene procedimiento | Qué SOP revisar antes de inspección o mantenimiento | Estas relaciones dan al AI Agent un camino de la pregunta a la evidencia. ## Uso en FactVerse [Data Fusion Services](/products/dfs) mapea nombres, tags, documentos y registros de sistemas fuente a un modelo coherente. La misma bomba, medidor o sala puede tener nombres distintos en BMS, SCADA, CMMS, BIM, hojas de cálculo y planos. [FactVerse Twin Engine](/products/factverse-twin-engine) conecta esa identidad con el modelo espacial. Una señal aparece en el objeto 3D correcto, un documento se adjunta al activo correcto y las relaciones de sistema se revisan como una red. [FactVerse AI Agent](/products/factverse-ai-agent) puede recuperar evidencia siguiendo el graph: de la alarma al activo, del activo al sistema, del sistema a las zonas afectadas, y luego a SOP o registros históricos. ## Brick Schema y semántica facility Para edificios e instalaciones, [Brick Schema](https://brickschema.org/) es una referencia pública útil. Proporciona vocabulario para equipos, puntos, ubicaciones, medidores, sensores y relaciones. DataMesh puede alinear modelos de facility con semántica tipo Brick cuando reduce ambigüedad. Sitios industriales más amplios suelen añadir líneas de producción, sistemas sub-fab, áreas logísticas, utilidades limpias, zonas de almacén, celdas robóticas, estaciones de operador y activos de simulación. ## AI Grounding y búsqueda explicable Los knowledge graphs hacen más trazables las respuestas de AI. El AI Agent puede usar el graph para acotar la evidencia antes de leer documentos y registros. Si un ingeniero pregunta por qué una zona tiene alarmas repetidas de humedad, el graph puede identificar la zona, sensores, AHU que la atiende, activos de agua helada conectados, alarmas recientes, inspecciones y SOP relevantes. El AI Agent resume después la evidencia con referencias claras. ## Gobernanza Un knowledge graph requiere mantenimiento. Renovaciones, cambios de equipos y reconfiguraciones modifican IDs, alias, relaciones, mapeos de puntos y enlaces documentales. La gobernanza cubre fuente de verdad, reglas de nombres, ownership de relaciones, procedencia de evidencia, confianza de mapeos importados, acceso por rol e historial de cambios. ## Inicio enfocado | Tipo de pregunta | Alcance semántico mínimo | |---|---| | Contexto de activo | activo, ubicación, sistema, owner, documentos, puntos live | | Condición facility | zona, equipo que sirve la zona, sensores, alarmas, puntos de control | | Revisión energética | medidor, sistema, espacio, grupo de equipos, indicador | | Búsqueda SOP | clase de activo, tipo de tarea, SOP, nota de seguridad, rol requerido | | Revisión de causa | evento, activo relacionado, sistemas upstream y downstream, registros recientes | Expanda cuando el primer modelo responda preguntas reales con fiabilidad. ## Referencias públicas La página [FactVerse](/products/factverse) describe la plataforma que conecta Twin Engine, AI Agent, Data Fusion Services y aplicaciones. La guía [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) muestra cómo la semántica facility tipo Brick ayuda a trazar evidencia operativa. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## Por qué los datos sintéticos industriales necesitan un gemelo Los datos reales de robots tienen mucho valor. En entornos industriales, recopilar, repetir y cubrir estados operativos exige bastante esfuerzo. Las instalaciones incluyen estados de cola larga: pasillos bloqueados, pallets movidos, gabinetes abiertos, iluminación variable, movimiento de personas, cambios de turno y estados breves de equipos. Los datos sintéticos ayudan a cubrir esa variación en un entorno controlado. Para Physical AI industrial, los datos deben salir de una escena que entienda activos, geometría, reglas operativas, posiciones de sensores, objetivos de tarea y estado de proceso. El gemelo digital aporta ese contexto. [DataMesh Robotics](/products/robotics) usa el stack DataMesh para preparar escenas industriales, generar datos multimodales y conectar salidas con simulación robótica y flujos de entrenamiento. ## Qué hace diferente a una escena industrial | Capa | Qué necesita el pipeline | |---|---| | Identidad de activos | Nombres de equipos, tipos de objetos, versiones de modelo y vínculo al gemelo operativo | | Contexto espacial | Zonas, carriles, áreas de acceso, holguras, coordenadas y zonas de seguridad | | Estado de proceso | Estado de línea, estación, paso de trabajo, excepción y timing de eventos | | Configuración de sensores | Cámara, profundidad, LiDAR, pose del robot, campo de visión, calibración, ruido y muestreo | | Propiedades físicas | Masa, fricción, articulaciones, restricciones, materiales e hipótesis de contacto | | Etiquetas y metadatos | Segmentación, bounding boxes, IDs de instancia, profundidad, pose, trayectoria, estado de tarea y variables de escena | | Registros de revisión | Versión del dataset, versión de escena, supuestos, receta de generación, hallazgos de calidad y aprobación | Esta estructura ayuda a explicar qué representa un dataset y cómo ajustarlo. ## Flujo DataMesh 1. **Modelar el entorno** - Construir fábrica, facility, almacén, celda o área de inspección en FactVerse con activos, zonas, metadatos y relaciones. 2. **Crear comportamiento de escena** - Definir variantes de layout, lógica de proceso, movimiento de objetos, pasos, eventos y timing en FactVerse Designer. 3. **Preparar activos de simulación** - Alinear CAD, BIM, 3D, OpenUSD, materiales, escala, coordenadas y reglas SimReady. 4. **Configurar sensores y tareas** - Definir cámaras, sensores de profundidad, vistas del robot, objetos objetivo, metas, criterios de éxito y restricciones. 5. **Generar datos etiquetados** - Producir RGB, profundidad, segmentación, bounding boxes, IDs, poses, trayectorias, estado de proceso y metadatos. 6. **Exportar a stacks de entrenamiento** - Empaquetar datasets y escenas para entrenamiento robótico, evaluación, Isaac Sim / Omniverse o toolchains empresariales. 7. **Revisar e iterar** - Seguir calidad, cobertura de escena, consistencia de etiquetas, cobertura de tareas y resultados downstream. ## Rol del stack DataMesh [FactVerse](/products/factverse) mantiene estructura del sitio, activos, relaciones, contexto de datos, permisos y registros de escena. [FactVerse Twin Engine](/products/factverse-twin-engine) ofrece contexto runtime para gemelos ejecutables: geometría, data binding, comportamiento y estado de interacción. [FactVerse Designer](/products/designer) crea layouts, lógica de proceso, behavior trees, pasos de tarea y variantes de escenario. [DataMesh Robotics](/products/robotics) cubre datos sintéticos, salida de etiquetas, definición de tareas, reward setup y preparación de pipelines robóticos. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) conecta escenas FactVerse con flujos OpenUSD y Omniverse para renderizado, simulación de sensores, validación física y herramientas externas. [Data Fusion Services](/products/dfs) conecta datos en vivo e históricos cuando la escena necesita estado de equipos, alarmas, señales de producción o contexto de facility. ## Checklist de especificación de dataset - Robot, sensor, familia de modelo o stack de entrenamiento objetivo. - Alcance del entorno, versión de escena, lista de activos y coordenadas. - Alcance de tareas, objetos objetivo, estados de proceso y criterios de éxito. - Configuración de sensores, rutas de cámara, vistas, calibración y ruido. - Reglas de variación para luz, materiales, ubicación de objetos, estado de equipos, rutas y timing. - Salidas requeridas: RGB, profundidad, segmentación, bounding boxes, pose, trayectoria y metadatos. - Controles de calidad para etiquetas, clases, precisión espacial y cobertura. - Formato de exportación, reglas de nombres, versión del dataset y responsable de revisión. ## Puntos de partida prácticos - **Datasets de percepción**: imágenes etiquetadas y profundidad para objetos industriales, equipos, herramientas, pallets, señalización, fixtures y zonas de trabajo. - **Inspección**: vistas y etiquetas para activos, paneles, medidores, tuberías, gabinetes y áreas difíciles. - **Robots móviles**: carriles, obstáculos, estado de rutas, staging areas, puntos de docking y condiciones cambiantes. - **Manipulación y contacto**: pose de objetos, materiales, restricciones de agarre, estado de contacto y secuencia de tareas. - **Planificación de fábrica y almacén**: variantes de layout, flujo de materiales, rutas robóticas y restricciones operativas antes de pruebas físicas. ## Métricas de calidad y gobernanza - Cobertura por área objetivo, clase de objeto y estado de proceso. - Consistencia de etiquetas entre frames y versiones de escena. - Variación de luz, ubicación, oclusión, estado de objetos y pose de sensores. - Consistencia física de escala, colisión, contacto, ruta y timing. - Calidad de integración en simulador o stack de entrenamiento. - Trazabilidad desde versión de dataset hacia escena, receta y supuestos. - Aprendizajes de evaluación de modelo o revisión de simulación robótica. ## Referencias públicas El [lanzamiento de DataMesh Robotics](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) presenta la dirección pública de datos sintéticos, gemelos industriales ejecutables, objetivos de tarea, reward setup y pipelines robóticos. El [showcase GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) muestra gemelos de simulación DataMesh con FactVerse y NVIDIA Omniverse. El [artículo FactVerse y NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) explica cómo el contexto de escena FactVerse se conecta con workflows Omniverse. --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## La exactitud es una práctica operativa El valor de un gemelo digital después del lanzamiento depende de que el modelo siga alineado con el sitio. Los equipos se sustituyen, las salas cambian, los sensores se renombran, las rutas de mantenimiento se ajustan y los permisos se refinan. La gobernanza del modelo define responsables, cambios que disparan actualizaciones, revisión, publicación de versiones y uso de la versión aprobada por las aplicaciones. Para AI Agent y Physical AI, la gobernanza protege el contexto usado en razonamiento, simulación y revisión de recomendaciones. ## Cambios después del lanzamiento | Fuente | Impacto de gobernanza | |---|---| | Sustitución de equipo | ID de activo, geometría, documentos, historial y enlaces de datos | | Cambio de sala o layout | Jerarquía espacial, rutas, límites de seguridad y permisos | | Renombrado de sensor o medidor | Mapeo DFS, unidades, historial y dashboards | | Actualización de procedimiento | Enlaces SOP, plantillas de inspección, guía y reglas de aprobación | | Renovación o ampliación | BIM, CAD, nubes de puntos y versiones as-built | | Cambio de relación de sistema | Dependencias, zonas afectadas y contexto de alarmas | | Cambio de permisos | Salas sensibles, áreas de cliente y registros restringidos | Estos cambios deben entrar en una cola controlada. ## Gobernar por capas | Capa | Qué gobernar | |---|---| | Modelo espacial | Sitio, edificio, piso, sala, zona, ruta, acceso, límite de seguridad | | Modelo de activos | ID, nombre, clase, jerarquía, propietario, estado de ciclo de vida | | Modelo de sistemas | Electricidad, enfriamiento, aire, agua, utilidades, logística, control | | Geometría | BIM, CAD, 3D, nube de puntos, versión fuente, peso, nivel de detalle | | Enlaces de datos | Sensores, medidores, alarmas, estados, indicadores, reglas de actualización | | Documentos y SOP | Manuales, planos, instrucciones, plantillas de inspección, evidencias | | Permisos | Roles, espacios sensibles, layouts de cliente, documentos restringidos | | Escenas de aplicación | Escenas Designer, formularios Inspector, dashboards, formación, simulaciones | Esta vista evita que el mantenimiento se reduzca a un problema de archivos. ## Proceso de actualización 1. **Capturar el cambio** - Campo, proyecto, inspección, CMMS, BMS o revisión de nube de puntos crea una solicitud. 2. **Clasificar impacto** - Geometría, identidad de activo, relación de sistema, datos, documentos, permisos o escenas. 3. **Actualizar la fuente** - Registro de activos, BIM/CAD, nube de puntos, mapeo, repositorio documental o biblioteca de procedimientos. 4. **Preparar la versión del gemelo** - Designer, Twin Engine y Data Fusion Services actualizan el modelo runtime. 5. **Revisar con evidencia de campo** - Posición, ID, enlace de datos, estado visual, vínculo documental y permisos. 6. **Publicar una versión** - Versión aprobada con notas, revisor, áreas afectadas y referencia de rollback. 7. **Notificar consumidores** - Dashboards, Inspector, AI Agent, simulaciones y formación usan la versión aprobada. 8. **Auditar resultado** - Confirmar que la diferencia de campo quedó resuelta. ## Los datos necesitan revisión propia Un enlace de datos puede fallar sin cambio visual. Un tag se renombra, un medidor se sustituye, cambia el intervalo de muestreo o se modifica una fórmula. La escena 3D puede verse correcta mientras el contexto vivo apunta a una fuente antigua. [Data Fusion Services](/products/dfs) ayuda a gestionar mapeos entre sistemas fuente y entidades del gemelo. Para enlaces críticos se debe registrar fuente, tag, unidad, regla de tiempo, calidad, frecuencia y responsable. Para AI Agent, esta trazabilidad importa porque las recomendaciones dependen de relaciones entre señales, activos, espacios, documentos e historial de campo. ## La evidencia de campo cierra el ciclo [Inspector](/products/inspector) puede registrar problemas, fotos, hallazgos, acciones correctivas y registros de trabajo sobre el activo o espacio correspondiente. La evidencia útil incluye foto actual, ID visible, sala o ruta, flujo afectado, corrección sugerida, urgencia, revisor y cierre. Así el mantenimiento del modelo se convierte en un proceso operativo verificable. ## Gobernanza para IA y simulación AI Agent, simulación y Physical AI deben usar contexto de modelo aprobado. La versión debe indicar qué geometría, relaciones de activos, enlaces de datos, documentos y supuestos estaban activos cuando se generó una recomendación o resultado. Esta trazabilidad ayuda a comparar versiones y separar cambio operativo, calidad de datos, actualización de modelo o cambio de flujo de IA. ## Ritmo operativo * revisar a diario diferencias urgentes y enlaces rotos * revisar semanalmente activos, documentos, permisos y workflows * revisar mensualmente calidad del modelo y deriva de fuentes * mantener notas de versión para cada cambio productivo * guardar referencia de rollback para cambios mayores * nombrar responsables por sitio, sistema y biblioteca de activos ## Checklist * ¿Cada espacio, activo, sistema y enlace tiene responsable? * ¿Los cambios de campo entran por una ruta aprobada? * ¿Las fuentes se actualizan antes del runtime twin? * ¿Las versiones tienen notas y revisores? * ¿Los espacios sensibles y documentos restringidos están protegidos? * ¿La evidencia de Inspector puede disparar actualizaciones? * ¿AI Agent y simulaciones referencian la versión usada? ## Referencias públicas La [guía de BIM, CAD y nubes de puntos](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline) describe la preparación antes del lanzamiento. La [guía Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) describe la base de datos para AI Agents y gemelos operativos. La [guía Industrial Knowledge Graphs](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) describe relaciones semánticas entre activos, espacios, sistemas, señales, documentos y razonamiento de IA. --- ## [GUIDES] Formación de operadores pharma y SOP digitales para evidencias GMP/CSV ## Las operaciones reguladas dependen de operadores calificados Las instalaciones pharma y biopharma combinan equipos automatizados, salas controladas, utilities, sistemas de calidad y ejecución humana calificada. Muchas etapas productivas dependen de operadores entrenados para setup, limpieza, sampling, pesaje, ensamblaje, desensamblaje, line clearance, inspección, handoff y respuesta a excepciones. El desafío central es la consistencia. Los equipos necesitan la misma versión de procedimiento, contexto de equipo, referencia visual, nota de seguridad, instrucción por rol y registro de evidencia entre turnos, sitios y grupos de formación. Un workflow SOP basado en gemelo digital entrega un contexto operativo compartido. Conecta espacios, equipos, pasos de procedimiento, registros de formación, tareas de inspección, work orders, fotos, notas de revisión e historial de cambios alrededor de activos y áreas de proceso reales. ## Qué debe contener una SOP digital | Capa | Detalle operativo | |---|---| | Versión de procedimiento | SOP aprobada, revisión, fecha efectiva, audiencia de formación y owner | | Contexto espacial | Sala, zona, equipo, conexión utility, ruta de acceso y límite de seguridad | | Pasos de tarea | Setup, preparación de material, limpieza, sampling, inspección, confirmación, handoff y closeout | | Guía visual | Modelo 3D, animación, etiqueta, imagen, video, checkpoint y prompt de operador | | Rol y formación | Rol requerido, formación completada, resultado de evaluación, ciclo refresher e historial de cohorte | | Registro de ejecución | Operador, hora, activo, estado del paso, foto, nota, excepción, work order y verificación | | Historial de cambios | Revisión SOP, cambio de activo, revisión de contenido, actualización de formación y ruta de aprobación | El objetivo útil es un registro que muestre qué procedimiento se usó, a qué activo o área aplicó, quién fue entrenado, qué se ejecutó, qué se observó y cómo se revisó el resultado. ## Workflow DataMesh 1. **Reunir fuentes de procedimiento** - Integrar SOPs, instrucciones de trabajo, material de formación, modelos de equipos, fotos, videos, listas de activos, contexto de salas, registros de mantenimiento y requisitos de revisión de calidad. 2. **Construir el contexto operativo** - Usar FactVerse para conectar salas, equipos, utilities, documentos, áreas de proceso, historial de activos y responsabilidades de rol. 3. **Crear procedimientos guiados** - Usar Director para SOP 3D, escenarios de formación, prompts de paso, checkpoints, animaciones, etiquetas y contenido revisable. 4. **Entregar formación y guía de campo** - Usar DataMesh One y dispositivos móviles o XR para que operadores aprendan y ejecuten en el mismo contexto de activo. 5. **Capturar evidencias de ejecución** - Usar Inspector y Checklist para registrar inspecciones, tareas, fotos, notas, excepciones, acciones correctivas, work orders y estado de verificación. 6. **Conectar datos operativos** - Usar Data Fusion Services para vincular estado de activos, alarmas, historial de mantenimiento, documentos y registros enterprise donde el workflow lo requiera. 7. **Revisar y mejorar** - Usar registros consistentes para revisión de calidad, retraining, análisis de eventos anómalos, cierre de mantenimiento y preparación de evidencia CSV. Esto da a operaciones, calidad, formación e ingeniería una trazabilidad revisable desde formación hasta ejecución. ## Dónde suelen comenzar los equipos - **Onboarding de operadores**: enseñar layout de sala, identidad de equipo, expectativas de ejecución limpia y handoffs frecuentes antes del trabajo productivo. - **Setup y changeover**: guiar setup, ensamblaje, desensamblaje, verificación y line clearance con controles visuales. - **Limpieza e inspección**: conectar guía por pasos, evidencia fotográfica, resultados de inspección y acciones correctivas al activo o área relevante. - **Sampling y pesaje**: entregar prompts guiados, contexto de equipo, instrucciones por rol y registros de finalización para trabajo repetible. - **Soporte de mantenimiento y calibración**: conectar historial de equipo, tareas de campo, work orders, notas de aceptación y referencias SOP. - **Deviation y revisión anómala**: reunir qué ocurrió, dónde ocurrió, qué paso estuvo involucrado y qué seguimiento quedó cerrado. Un buen piloto apunta a un procedimiento con alta carga de formación, problemas recurrentes de handoff o requisitos de evidencia fuertes. ## Estructura de evidencia GMP y CSV Los programas GMP requieren práctica de manufactura controlada, repetible y trazable. Para ejecución SOP, esto significa ownership de versión, personal formado, pasos aprobados, registros confiables y excepciones revisables. Los programas CSV se enfocan en sistemas computarizados usados en workflows regulados. Para SOP digitales y workflows de inspección, evidencias útiles incluyen intended use, alcance del sistema, roles de acceso, control de versiones, registros workflow, historial de cambios, evidencia de pruebas y materiales de revisión de calidad. DataMesh apoya esta estructura manteniendo procedimientos, formación completada, registros de trabajo, evidencias de inspección, historial de activos, acciones correctivas y registros de cambio conectados al contexto proceso-equipo. ## Roles de producto [Director](/products/director) crea SOP 3D guiadas, escenarios de formación, animaciones, etiquetas, checkpoints e instrucciones de campo. [Inspector](/products/inspector) gestiona inspecciones, work orders, registros de reparación, captura de evidencia, verificación e historial de campo. [Checklist](/products/checklist) apoya tareas recurrentes, formularios estructurados, registros de finalización y ejecución móvil. [FactVerse](/products/factverse) entrega el contexto de gemelo digital operativo para espacios, activos, documentos, workflows y bindings de datos. [Data Fusion Services](/products/dfs) conecta DCS, SCADA, historians, CMMS, EAM, LIMS, alarmas, sensores, documentos y sistemas enterprise cuando la integración de datos está en alcance. [FactVerse AI Agent](/products/factverse-ai-agent) puede sintetizar issues recurrentes, tendencias anómalas e historial de trabajo relacionado para equipos calificados. ## Checklist de gobernanza - Versiones SOP, owners, fechas efectivas y audiencias de formación están registradas? - Identificadores de sala, equipo, utility, documento y activo son consistentes entre sistemas? - Formación completada, evaluación y refresher están conectados a la versión correcta del procedimiento? - Las tareas de campo están conectadas al activo, área, paso, rol de operador y estado de revisión correctos? - Fotos, notas, excepciones, acciones correctivas y registros de verificación tienen estructura para revisión futura? - Roles de acceso, aprobación de contenido, revisión de cambios y release controls están documentados? - Alcance del sistema, intended use, historial de versiones y registros de prueba están disponibles para preparación CSV? - Owners de calidad, operaciones, formación, ingeniería y mantenimiento están alineados antes del rollout? Estos controles convierten el contenido SOP digital en un sistema de evidencias operativas. ## Referencias públicas La [referencia Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) muestra digitalización de mantenimiento y formación frontline. La [referencia Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) muestra FactVerse para formación y workflows de mantenimiento. La [referencia de formación de seguridad vial](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) muestra gemelos digitales y realidad mixta para formación práctica. La [referencia Yokogawa y DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra el vínculo entre señales facility industriales y revisión de mantenimiento. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## Una capa intermedia más rápida para validar procesos Los proyectos de línea y packaging suelen moverse entre layouts estáticos, simulación de eventos discretos, análisis por elementos finitos, CFD y pruebas físicas. Muchos problemas prácticos aparecen entre esas capas: orientación del paquete, colisión, deslizamiento, apilado, timing de transferencia, acceso del robot, alcance del operador e interacción entre equipos. Workflows modernos alrededor de Omniverse, NVIDIA Isaac Sim, PhysX y Newton crean una capa intermedia rápida. Los equipos de ingeniería y operaciones pueden probar más escenarios físicos dentro de un gemelo digital y seleccionar los pocos casos que merecen análisis detallado o pruebas físicas. El objetivo de precisión es diferente al de un modelo de elementos finitos calibrado. El valor está en velocidad, cobertura de escenarios, revisión compartida y detección temprana. Para DataMesh, esta ruta amplía [FactVerse Designer](/products/designer). Designer construye la escena productiva, lógica de proceso, behavior trees, variantes de layout y escenarios timeline. El [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) lleva ese contexto a workflows OpenUSD y Omniverse. Después, los equipos pueden preparar escenas Isaac Sim con física PhysX, renderizado RTX, modelos de robot y sensores; cuando el escenario avanza hacia robótica o Physical AI, Isaac Lab o Newton continúan la ruta. ## Donde se ralentiza la simulación tradicional | Método | Uso principal | Restricción habitual | |---|---|---| | Layout estático | Espacio, ubicación de equipos, acceso, alineación | Poca evidencia de movimiento e interacción | | Eventos discretos | Throughput, colas, utilización, buffers, recursos | Geometría y física simplificadas | | Elementos finitos | Tensión, deformación, material, estructura | Ciclos de modelado y cómputo más largos | | CFD | Aire, fluidos, térmica, presión, contaminación | Modelos especializados e iteraciones largas | | Pruebas físicas | Confianza final y feedback de operador | Coste, agenda, seguridad y cobertura limitada | La simulación física de procesos ayuda a preguntar antes: qué ocurre si una caja golpea una guía, si una bandeja se inclina, si una entrega de robot llega tarde o si un buffer se llena? ## Qué aportan Isaac Sim, PhysX y Newton NVIDIA describe Isaac Sim como un framework de referencia open source construido sobre Omniverse libraries para simulación robótica, pruebas y generación de datos sintéticos en entornos virtuales físicamente basados. Puede ingerir CAD, URDF, MJCF y contexto capturado, convertirlos a USD y montar escenas con materiales, física, modelos de robot y sensores. PhysX es la base física dentro de esa ruta Isaac y Omniverse. La documentación de Isaac Sim describe la simulación central como un motor PhysX GPU de alta fidelidad con renderizado RTX multisensor a escala industrial. Para equipos de línea, soporta revisión de movimiento, colisión, cuerpos rígidos, ubicación, flujo de materiales, holguras, alcance de robot y zonas de seguridad. Isaac Lab y Newton amplían el workflow hacia aprendizaje robótico y simulación rica en contacto. NVIDIA describe Isaac Lab como un framework modular open source y acelerado por GPU para aprendizaje robótico. NVIDIA describe Newton como un motor físico abierto y extensible construido sobre Warp y OpenUSD, con dirección pública en aceleración GPU, física diferenciable, solvers conectables, simulación rígida y deformable e integración Isaac. Esto importa cuando la simulación de procesos se acerca a políticas robóticas, contacto táctil, materiales flexibles, deformación de packaging, cables o workflows Physical AI. La profundidad física debe seguir la decisión. Un layout de packaging puede necesitar chequeos rápidos de movimiento y colisión. Una tarea de inserción robótica puede necesitar contacto más avanzado. Una pregunta de fallo de material pertenece a análisis técnico especializado. ## Validación de procesos de packaging Packaging es un caso fuerte porque pequeños detalles físicos cambian el resultado operativo. Un ensayo virtual puede explorar: * orientación, separación y timing de transferencia * velocidad de transportador, guías, desviadores, topes y buffers * movimiento de bandejas, cajas, botellas, pouches o cases por equipos * deslizamiento, vuelco, apilado, rebote, contacto y colisión * alcance de robot, aproximación de gripper, envolvente de trabajo y zonas de seguridad * alcance del operador, acceso de mantenimiento, recuperación de atascos y vistas de inspección * variantes de línea antes de mover equipos o cambiar tooling El objetivo es filtrar antes. Los equipos comparan más opciones, encuentran problemas físicos evidentes y preparan mejores preguntas para validación detallada. ## Workflow DataMesh 1. **Construir la escena operativa** - Modelar línea, celda de packaging, equipos, estaciones, buffers, rutas, accesos e identidades de activos en FactVerse. 2. **Autorizar lógica de proceso** - Definir behavior trees, timing, transiciones, rutas de material, fallas, recuperación y variantes en Designer. 3. **Preparar assets de simulación** - Alinear escala, coordenadas, geometría de colisión, supuestos de material, masa, fricción, restricciones y versiones. 4. **Entrar al workflow físico** - Usar FactVerse Adaptor for NVIDIA Omniverse para llevar contexto a OpenUSD y Omniverse. Si entra robótica en el alcance, preparar escenas Isaac Sim con física, materiales, modelos de robot y sensores. 5. **Ejecutar ensayos virtuales rápidos** - Revisar movimiento, colisión, contacto, ubicación, entregas, buffers, acceso de operador e interacción robot mediante la ruta Omniverse, Isaac Sim, PhysX o Newton adecuada. 6. **Comparar escenarios** - Registrar qué variante de layout, timing, material o equipo funciona mejor bajo los supuestos. 7. **Escalar casos seleccionados** - Llevar casos críticos a elementos finitos, CFD, ingeniería de proveedor o pruebas físicas. 8. **Conservar evidencia** - Guardar supuestos, ajustes, resultados, capturas, issues y aprobaciones con la versión del escenario. Así la planificación virtual se conecta con la gobernanza de ingeniería. ## Para qué sirve esta capa La simulación física de procesos es fuerte para comparación rápida: * screening temprano de packaging * revisión de transportadores, material handling y buffers * validación de layout y holguras * detección de colisiones y atascos * revisión de acceso de robot y operador * interacción de equipos y timing de entregas * preparación de virtual commissioning * preparación de escenarios Physical AI * revisión con ingeniería, operaciones, seguridad y proveedores La salida debe apoyar juicio de ingeniería. Ayuda a reducir opciones y concentrar validación costosa en escenarios relevantes. ## Donde siguen necesarias las técnicas de alta precisión Elementos finitos, CFD, pruebas de material y ensayos físicos siguen siendo adecuados para respuestas finales sobre tensión, fatiga, rotura, sellado, térmica, aire, líquidos, contaminación y límites de calidad. Los motores físicos también requieren calibración. Fricción, rigidez, amortiguación, restitución, masa, simplificación geométrica, contactos y parámetros de solver cambian los resultados. Packaging flexible, líquidos, polvos, adhesivos, calor, desgaste y rotura pueden requerir modelos especializados o experimentos. El mejor uso trata la simulación física rápida como filtro de ingeniería: formular mejores preguntas antes y elegir mejores objetivos de validación. ## Métricas a seguir | Área | Métricas útiles | |---|---| | Velocidad de iteración | tiempo de setup, número de variantes, ciclo de revisión, tiempo al primer problema | | Cobertura | layouts, velocidades, tipos de packaging, estados de falla, condiciones de acceso | | Calidad de modelo | error de escala, supuestos de material, geometría de colisión, evidencia de calibración | | Valor de ingeniería | problemas encontrados antes de prueba, variantes descartadas, alcance reducido | | Transferencia | diferencia entre virtual y físico, tipos de desviación repetida | | Gobernanza | versión de escenario, ajustes físicos, versión de asset, revisor, decisión | Las métricas mantienen útil la simulación. Un modelo rápido con supuestos confusos genera ruido; un modelo rápido con supuestos trazables genera palanca de ingeniería. ## Roles de producto [FactVerse Designer](/products/designer) autoriza layouts, behavior trees, lógica de proceso, escenarios timeline y variantes. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) conecta contexto de FactVerse con OpenUSD y Omniverse para renderizado, validación física, preparación de escenas Isaac Sim y simulación avanzada. [FactVerse](/products/factverse) y [FactVerse Twin Engine](/products/factverse-twin-engine) conservan el contexto operativo: activos, espacios, sistemas, metadatos, permisos y registros de escenario. [Data Fusion Services](/products/dfs) conecta datos vivos e históricos cuando la simulación necesita señales de producción, estado de equipo, alarmas, velocidad, throughput o contexto facility. [DataMesh Robotics](/products/robotics) extiende el workflow cuando escenarios de packaging o línea se convierten en datos de entrenamiento, entornos Isaac Sim de simulación robótica, tareas Isaac Lab o evaluación Physical AI. ## Checklist de preparación * La decisión de ingeniería está clara para elegir la profundidad de simulación? * Los activos de línea, nombres de equipo y tipos de packaging son estables? * Escala, coordenadas, unidades y origen están validados? * Geometrías de colisión y supuestos de material están documentados? * Timing, rutas, entregas y transiciones están definidos en Designer? * Los ajustes físicos están ligados a un objetivo de revisión? * Los límites conocidos están escritos antes de revisar? * Los escenarios críticos pasan a validación detallada? * Los resultados trazan a versión de escena, asset y ajustes físicos? ## Referencias públicas NVIDIA describe [Omniverse](https://www.nvidia.com/en-us/omniverse/) como libraries y microservicios para gemelos digitales industriales y aplicaciones de simulación Physical AI, con OpenUSD, RTX y capacidades físicas. La página [Omniverse libraries](https://developer.nvidia.com/omniverse) de NVIDIA describe ovphysx como biblioteca multifísica nativa USD para simulación escalable de robótica y digital twins. La página [Isaac Sim](https://developer.nvidia.com/isaac/sim) de NVIDIA lo describe como un framework de referencia open source construido sobre Omniverse libraries para simulación robótica, pruebas y generación de datos sintéticos. La página [Isaac Lab](https://developer.nvidia.com/isaac/lab) de NVIDIA describe Isaac Lab como un framework modular open source y acelerado por GPU para entrenar políticas robóticas a escala. La página [Newton Physics](https://developer.nvidia.com/newton-physics) de NVIDIA describe Newton como motor físico abierto y extensible basado en Warp y OpenUSD para aprendizaje y desarrollo robótico. El artículo público de NVIDIA sobre Newton para robótica industrial describe manipulación rica en contacto, simulación deformable, colisión SDF, hydroelastic contact e integración Isaac. Las referencias de DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) y [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) muestran la dirección pública para simulation digital twins, OpenUSD y Physical AI. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## El ciclo de mantenimiento empieza después de la señal El mantenimiento predictivo crea valor cuando una señal de riesgo entra en un proceso de trabajo ordenado. Una tendencia de vibración, una deriva de temperatura, una anomalía de corriente o una alarma repetida lleva a preguntas operativas: qué activo está afectado, qué tan sólida es la evidencia, qué sistemas dependen del activo, qué equipo debe revisar el caso y qué trabajo de campo debe seguir. [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) conecta esos pasos con un gemelo digital. Datos, contexto del activo, revisión asistida por IA, órdenes de trabajo, evidencia de campo y verificación permanecen en un mismo ciclo operativo. También es un flujo práctico de Physical AI. La IA ayuda a interpretar señales reales, y el gemelo digital vincula la recomendación con equipo, ubicación, relaciones de sistema y reglas aprobadas de ejecución. ## Qué conecta el ciclo - **Señales conectadas**: vibración, temperatura, corriente, presión, tiempo de operación, alarmas, etiquetas historian y contexto ambiental. - **Contexto del activo**: jerarquía, ubicación, rol operativo, dependencias, plan de mantenimiento, documentos y repuestos. - **Revisión asistida por IA**: comparación de tendencias, anomalías, patrones de degradación, síntesis de evidencia y preparación de acciones. - **Validación con el gemelo**: contexto espacial, dependencias aguas arriba y abajo, trabajos recientes, restricciones operativas y accesibilidad. - **Ejecución**: órdenes de trabajo Inspector, tareas Checklist, asignación, notas de campo, fotos, aceptación y estado de cierre. - **Evidencia posterior**: lecturas posteriores al trabajo, revisión de alarmas repetidas, comparación de condición e historial actualizado del activo. El resultado es un registro de mantenimiento que conecta detección, relevancia, revisión, acción aprobada y resultado verificado. ## Rol de la plataforma DataMesh [Data Fusion Services](/products/dfs) conecta sensores, historians, BMS, SCADA, CMMS, EAM, IoT y sistemas empresariales. Prepara los datos operativos para gemelos digitales, analítica y revisión con IA. [FactVerse AI Agent](/products/factverse-ai-agent) aporta la capa de inteligencia de decisión. Su módulo de mantenimiento predictivo analiza comportamiento de señales, relaciones entre activos, historial de mantenimiento y contexto operativo, y prepara evidencia para los equipos de mantenimiento. [FactVerse](/products/factverse) aporta el contexto del gemelo digital. [Inspector](/products/inspector) gestiona inspecciones, órdenes de trabajo, registros de campo, verificación y evidencia de mantenimiento. [Checklist](/products/checklist) consolida tareas recurrentes y flujos de trabajo entre equipos. Los sistemas gobernados por el cliente, como CMMS, EAM, BMS, SCADA y flujos de aprobación del sitio, permanecen integrados según la gobernanza operativa. ## De la señal al trabajo verificado 1. Conectar datos de sensores, historians, alarmas, inspecciones y activos. 2. Mapear activos, sistemas, puntos de datos y registros de trabajo en el gemelo digital. 3. Usar FactVerse AI Agent para revisar tendencias, anomalías y evidencia relacionada. 4. Confirmar el hallazgo con mantenimiento e ingeniería dentro del contexto del gemelo. 5. Crear una orden de trabajo Inspector o una tarea Checklist con alcance, responsable y criterios de aceptación. 6. Capturar evidencia de cierre y comparar la condición posterior con la señal inicial. ## Dónde empezar | Punto de inicio | Enfoque práctico | |---|---| | Equipos rotativos | Bombas, compresores, motores, ventiladores y activos con patrones de vibración, temperatura, corriente o presión | | Utilidades de instalaciones | HVAC, agua helada, aire comprimido, distribución eléctrica y sistemas con alarmas recurrentes | | Activos de apoyo a producción | Transportadores, celdas robóticas, utillajes y equipos de manipulación que afectan el flujo productivo | | Activos intensivos en inspección | Activos con rondas frecuentes, problemas recurrentes o registros de campo inconsistentes | | Operaciones multi-sitio | Clases de activos compartidas donde el aprendizaje de un sitio mejora la revisión en otros | Un buen piloto tiene historial de datos útil, propietario de mantenimiento, alcance manejable y equipo de campo preparado para cerrar el ciclo. ## Preparación de datos - Las señales tienen identificadores estables, marcas de tiempo, unidades y mapeo al activo. - El historial de mantenimiento está disponible por activo o grupo de activos. - Las órdenes de trabajo describen causa, acción y cierre. - La jerarquía de activos y los datos de ubicación pueden vincularse al gemelo digital. - Ingeniería y mantenimiento acuerdan reglas de revisión, aprobación y escalamiento. - Los equipos de campo capturan evidencia de forma estructurada. - Las métricas piloto se basan en registros operativos verificados. ## Métricas de validación - Tiempo desde la detección de señal hasta la revisión humana. - Proporción de hallazgos convertidos en mantenimiento planificado. - Calidad de cierre de órdenes de trabajo y evidencia. - Alarmas repetidas después de acciones correctivas. - Tendencia de condición del activo después del mantenimiento. - Tiempo de respuesta del equipo de campo y calidad de aceptación de tareas. - Esfuerzo de revisión de ingeniería para clases de activos recurrentes. Cada sitio cuantifica el valor con su propia línea base validada, alcance de activos e historial operativo. ## Referencias públicas El anuncio de [Yokogawa y DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra la dirección pública del mantenimiento predictivo impulsado por IA en instalaciones industriales, especialmente para equipos rotativos críticos. Las referencias de [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) y [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) muestran cómo la digitalización de procesos, la guía de campo y la formación apoyan la ejecución. --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## La fab depende de un contexto facility estable Las fabs de semiconductores dependen de facilities estables tanto como de herramientas de produccion. Deriva de sala limpia, desequilibrio de presion, carga de filtros, variacion de agua helada, cambios de presion CDA, extraccion inestable, retrasos de mantenimiento y work orders dispersos pueden crear riesgo operativo antes de que el equipo comparta una vista comun. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor) aplica [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent) e [Inspector](/products/inspector) a la capa de facility operations. Senales de sala limpia, utilities, relaciones de activos, alarmas, mantenimiento y ejecucion en campo se conectan en un ciclo operativo revisable. Recetas de produccion, APC, analitica de yield, MES y control de herramientas permanecen en los sistemas y procedimientos de autorizacion de la fab. DataMesh se enfoca en facilities, mantenimiento y evidencia operativa. ## Que conecta el facility twin | Capa | Contexto operativo | |---|---| | Zonas de sala limpia | Clase ISO, particulas, temperatura, humedad, presion diferencial, flujo de aire, jerarquia de salas y umbrales | | Utilities | HVAC, agua helada, CDA, vacio, extraccion, distribucion electrica, medidores, bombas, ventiladores, valvulas y equipos de soporte | | Activos criticos | FFU, filtros HEPA/ULPA, chillers, bombas, AHU, compresores, extraccion, sensores, controladores, documentos e historial | | Alarmas y tendencias | Alarmas repetidas, anomalias, deriva de sensor, gradiente de presion, carga de filtro, vibracion, corriente, runtime e historial | | Ejecucion | Inspector work orders, tareas Checklist, fotos de campo, lecturas, notas, aprobaciones, reglas de escalacion y evidencia de cierre | | Gobernanza | Fuente de recomendacion, revisor, prioridad, SLA, responsable, traspaso de turno, criterios de aceptacion, evidencia de seguimiento y audit trail | El valor surge al mapear cada senal a una zona, activo, sistema, responsabilidad y workflow de campo. Un pico de particulas debe poder relacionarse con contexto de sala limpia, flujo de aire, presion, estado de filtros, utilities aguas arriba, mantenimiento reciente y respuesta. ## Workflow DataMesh para facilities de semiconductores 1. **Conectar fuentes facility** - BMS, SCADA, PLC, historiadores, monitoreo ambiental, CMMS, EAM, sensores IoT, telemetria y work orders. 2. **Construir el facility twin** - Modelar fabs, salas limpias, zonas, utilities, activos, sensores, puntos de control, documentos y responsabilidades en FactVerse. 3. **Vincular senales al contexto** - Mapear particulas, presion, temperatura, humedad, alarmas, energia, salud de equipo y work records a zonas y activos con Data Fusion Services. 4. **Revisar deriva y riesgo** - FactVerse AI Agent resume tendencias anormales, alarmas repetidas, sistemas relacionados, prioridades y acciones recomendadas. 5. **Ejecutar con Inspector** - Convertir hallazgos confirmados en work orders, tareas de campo, escalaciones, traspasos, documentacion y aceptacion. 6. **Verificar resultado** - Comparar lecturas posteriores, recurrencia de alarmas, evidencias de mantenimiento, estado de sala limpia y revision operativa. ## Deriva de sala limpia y evidencia ISO Los equipos de sala limpia deben leer varias senales a la vez: particulas, temperatura, humedad, presion diferencial, flujo de aire, filtros, eventos de puerta, alarmas y mantenimiento. FactVerse AI Agent puede preparar un resumen de evidencia: zona afectada, lecturas modificadas, gradientes de presion, estado FFU o filtro, alarmas repetidas y controles de campo a asignar. Las evaluaciones ISO 14644-1 y registros propios del sitio pueden mantenerse en el historial operativo. El software estructura evidencia, estado de revision y relacion con work orders; las decisiones de calidad siguen los procesos del cliente. ## Utilities y mantenimiento predictivo Los activos facility tienen patrones de degradacion propios. Bombas, ventiladores, compresores, chillers, AHU, extraccion, valvulas, sensores y filtros pueden mostrar riesgo mediante presion, caudal, vibracion, temperatura, corriente, runtime, alarmas e historial de mantenimiento. El ciclo de [Predictive Maintenance](/solutions/predictive-maintenance) funciona para estos escenarios. FactVerse AI Agent revisa senales y contexto de activos; Inspector lleva hallazgos confirmados a work orders y verificacion. Los equipos priorizan por impacto operativo, dependencia de sala limpia, urgencia, alarmas repetidas y capacidad de mantenimiento. ## De alarma a work order Un flujo util de alarma incluye: - verificacion de sensor y calibracion - revision de activo y zona - resumen de causa probable - prioridad y SLA propuestos - responsable o rol asignado - checklist de campo - fotos, lecturas y acciones correctivas - aceptacion y seguimiento [Inspector](/products/inspector) y [Checklist](/products/checklist) soportan la ejecucion. Ayudan a enrutar riesgos confirmados a work orders, capturar evidencia de campo y conservar el cierre para revision posterior. ## Revision energetica y analisis what-if Las facilities de semiconductores consumen mucha energia. Lecturas de utilities, demanda de cooling, airflow, carga de filtros, bombas, ventiladores y programacion deben revisarse con contexto de sala limpia y mantenimiento. DataMesh vincula lecturas de energia con sistemas, zonas, activos e historial de trabajo. FactVerse AI Agent puede preparar comparaciones what-if y resumenes de riesgo para revision de ingenieria, por ejemplo alrededor de una accion de mantenimiento o un cambio de programa que deba revisarse con restricciones de sala limpia. Ahorros, reportes de carbono y objetivos operativos dependen de baseline, frontera de medicion, reglas de ingenieria y metodo de verificacion del cliente. El workflow DataMesh hace trazables evaluacion y resultado. ## Checklist de piloto - Zonas de sala limpia, clases ISO, umbrales y ownership facility definidos. - BMS, SCADA, monitoreo ambiental, PLC, historiadores, CMMS, EAM y work orders accesibles. - Nombres de sensores, unidades, timestamps, ubicacion y mapeo de activos suficientemente estables. - Utilities y activos criticos representables en el digital twin. - Equipos de mantenimiento alineados en revision, prioridad, escalacion, SLA y aceptacion. - Equipos de campo capaces de registrar lecturas, fotos, notas y evidencia de cierre. - Metricas piloto basadas en registros verificados. ## Referencias publicas El [lanzamiento de FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) describe el enfoque de DataMesh para entornos operativos complejos, incluidas facilities de semiconductores. La referencia [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) muestra validacion con digital twins en entornos de semiconductores y manufactura avanzada. La referencia [Jebsee / Quan Yi Electronics](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) muestra planificacion de linea con FactVerse. La referencia [Yokogawa y DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) muestra revision de mantenimiento asistida por AI para senales industriales. DataMesh aplica patrones similares de facility operations en proyectos confidenciales de semiconductores. El contenido publico describe capacidades y workflow, mientras nombres de clientes y detalles del sitio se manejan solo dentro de referencias aprobadas. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## Por qué los activos industriales necesitan más preparación Muchas empresas ya tienen archivos CAD, modelos BIM, escaneos, escenas 3D y visualizaciones de gemelos digitales. Estos contenidos sirven para revisión de diseño, colaboración, formación y comunicación. Physical AI exige además que el activo pueda participar en cálculo y simulación. Una línea de producción, sala limpia, almacén, celda robótica o estación de packaging necesita escala real, coordenadas estables, identidad de objeto, semántica, supuestos físicos, reglas de comportamiento, estado de proceso y conexión con datos operativos. Con esas capas, el activo sirve para simulación, entrenamiento robótico, datos sintéticos, validación de layout, ensayo de procesos y workflows de AI Agent. NVIDIA describe SimReady como un framework de activos 3D y gemelos digitales listos para simulación, construido sobre OpenUSD. Para los equipos industriales, el valor práctico es evolucionar las bibliotecas de activos hacia objetos digitales reutilizables. ## Capas de un activo SimReady | Capa | Preparación | |---|---| | Geometría y escala | Dimensiones, origen, orientación, unidades, detalle y límites espaciales | | Materiales y apariencia | Materiales, texturas, iluminación, reflexión, transparencia y categorías de superficie | | Física | Colisión, masa, fricción, densidad, joints, restricciones, movimiento y distancias de seguridad | | Semántica | Clase de equipo, rol de pieza, área funcional, rol de proceso, asset ID y relación con el twin operativo | | Comportamiento | Estados, reglas de arranque y parada, fallos, recuperación, enclavamientos, rutas e interacción | | Datos | Señales PLC, sensores, alarmas, órdenes de trabajo, MES, energía e inspecciones | | Gobernanza | Fuentes, versión, owner, supuestos, controles de calidad, resultados de simulación y notas de revisión | ## Por qué importa la lógica de comportamiento Las propiedades físicas describen movimiento, colisiones y fuerzas. Las operaciones industriales también siguen reglas de proceso y estados de negocio. Una máquina arranca, espera, se detiene, alerta, recupera, bloquea una estación anterior o libera material según lógica de control y procedimientos. [FactVerse Designer](/products/designer) usa behavior trees y lógica de escenario para expresar esas reglas. Equipos de packaging, transportadores, celdas robóticas, salas limpias y activos de facilities pueden llevar estados, disparadores, tiempos y reglas de interacción. Eso los hace útiles para simulación de procesos, formación, colaboración robótica, ensayos de seguridad, excepciones y planificación Physical AI. ## Workflow de DataMesh 1. **Reunir activos fuente** - CAD, BIM, 3D, escaneos, planos, registros de equipo, documentos de proceso y contexto de control. 2. **Normalizar la escena** - Alinear escala, coordenadas, jerarquía, nombres, identidad de objeto, ubicación y versiones en FactVerse. 3. **Agregar semántica industrial** - Clase de equipo, rol de proceso, área funcional, asset ID, relaciones, documentos y owner. 4. **Preparar contexto físico** - Colisiones, masa, fricción, joints, restricciones, áreas de acceso, zonas robóticas y límites de seguridad. 5. **Crear comportamiento** - Estados, pasos operativos, enclavamientos, fallos, recuperación, rutas y variantes en Designer. 6. **Conectar datos operativos** - Data Fusion Services para PLC, sensores, alarmas, órdenes, producción, energía o historial de inspección. 7. **Preparar OpenUSD** - FactVerse Adaptor for NVIDIA Omniverse lleva estructura de escena, metadatos, comportamiento y contexto de activos a OpenUSD y Omniverse. 8. **Validar y gobernar** - Revisar renderizado, física, comportamiento, etiquetas, cobertura de escena y resultados downstream. ## Qué habilita una biblioteca SimReady - Equipos de packaging con ciclo, estado, relaciones, lógica de fallos, límites físicos y comportamiento de proceso. - Celdas robóticas con área de trabajo, zonas de seguridad, sensores, objetivos de agarre, secuencias y coordinación. - Transportadores y logística con dirección, velocidad, reglas de bloqueo, handoff, estado de ruta y data bindings. - Salas limpias con layout, accesos, restricciones de flujo de aire, mantenimiento, energía y reglas de riesgo. - Zonas de almacén con racks, pasillos, pallets, staging, rutas de equipos móviles y estado logístico. Activos estandarizados, objetizados, ricos en comportamiento y conscientes de física pueden reutilizarse en planificación de líneas, cambios de fábrica, formación, adopción robótica, simulacros, análisis energético y entrenamiento AI. ## Rol en Physical AI Physical AI necesita mundos digitales de calidad con espacio, objetos, semántica, física, comportamiento, estado de proceso y datos. Los activos SimReady son material reutilizable para esos entornos. En robótica también importan temperatura, presión, vibración, estado de equipo, órdenes de trabajo, zonas de seguridad y restricciones de proceso. FactVerse puede llevar ese contexto al twin. Omniverse, PhysX, Newton y workflows relacionados apoyan renderizado, física, simulación de sensores y evaluación robótica. ## Checklist de gobernanza - Documentar fuentes, owners, licencias y versiones. - Validar unidades, escala, coordenadas, origen y orientación. - Alinear identidad del activo con el twin operativo y registros empresariales. - Gestionar etiquetas semánticas con vocabularios controlados. - Documentar supuestos físicos junto al objetivo de simulación. - Describir estados, disparadores, tiempos, fallos y recuperación. - Definir fuente, unidad, timestamp, regla de actualización y calidad de datos. - Relacionar resultados con versión de activo, versión de escena, supuestos y reviewer. ## Referencias públicas Las páginas de NVIDIA [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) y [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) ofrecen contexto técnico público sobre activos SimReady basados en OpenUSD. Las referencias de DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) y [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) muestran la dirección pública para simulation digital twins, OpenUSD y Physical AI. --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## Los robots necesitan entornos con contexto industrial El aprendizaje robótico mejora cuando el entorno virtual conserva el contexto operativo del sitio real: activos, escala, materiales, colisiones, pasos de tarea, sensores, estado de proceso, zonas de seguridad y variaciones diarias. Los activos SimReady proporcionan objetos reutilizables listos para simulación. [FactVerse Designer](/products/designer) los organiza en fábricas, almacenes, celdas robóticas, áreas de inspección, cleanrooms y rutas logísticas virtuales con lógica de comportamiento y variantes. [DataMesh Robotics](/products/robotics) conecta la escena con datos sintéticos, tareas, recompensas y flujos de simulación robótica. El objetivo es acelerar la iteración sim-to-real: construir mejores mundos digitales, probar más variantes, comparar simulación con pruebas físicas y mejorar la escena con evidencia real. ## Por qué el sim-to-real industrial es difícil | Capa | Efecto en el robot | |---|---| | Geometría | ancho de pasillo, equipo, racks, claros, pendiente, envolvente de trabajo | | Materiales | reflejo, transparencia, fricción, desgaste, textura, respuesta de luz | | Sensores | pose de cámara, FOV, calibración, oclusión, ruido, profundidad, LiDAR | | Estado de proceso | máquina, partes móviles, ruta bloqueada, pallet, paso de trabajo, excepción | | Semántica | clase de objeto, ID de activo, zona segura, rol de tarea, tipo de ruta | | Contexto humano | operadores, acceso de mantenimiento, montacargas, zonas restringidas, turnos | | Control | límites de velocidad, reglas de parada, handoff, interlocks, recuperación | La preparación sim-to-real expresa estas capas para variar condiciones antes de la prueba física. ## Activos SimReady como bloques de entrenamiento Un activo SimReady útil para robótica debe incluir: * escala, origen, orientación y colisión * materiales y luz para percepción * clase semántica, ID de activo, rol funcional y relación con la escena * fricción, masa, articulaciones y límites de movimiento * estados como abierto, cerrado, bloqueado, activo, detenido, alarma o mantenimiento * puntos de agarre, objetivos de inspección, docking y zonas de aproximación segura * versiones que vinculan resultados con la biblioteca de activos Esto hace que la escena sea reproducible, variable y revisable. ## Designer convierte activos en campo de entrenamiento Designer ayuda a preparar: * layouts de plantas, líneas, almacenes, celdas y rutas de inspección * lógica behavior tree para estado de máquina, movimiento, secuencia y excepciones * escenarios timeline para arranque, parada, bloqueo, recuperación, cambio de ruta y handoff * variantes para equipos, pasillos, buffers, racks, transportadores y fixtures * planificación de sensores y viewpoints para percepción, inspección, navegación y revisión * bibliotecas de escenas para datos sintéticos y simulación externa Así equipos de robótica, operaciones y simulación revisan el mismo entorno. ## Flujo DataMesh sim-to-real 1. **Elegir tarea** - Robot, entorno, sensores, objetivo, seguridad y métricas. 2. **Preparar activos SimReady** - Convertir CAD, BIM, 3D, escaneos y registros en activos con escala, semántica, física y estados. 3. **Construir campo virtual** - Designer ensambla layout, flujo, rutas, comportamiento y variantes. 4. **Definir variaciones** - Luz, colocación, estado, bloqueo, material, pose de sensor y timing. 5. **Generar datos** - RGB, profundidad, segmentación, bounding boxes, pose, trayectoria, etiquetas y metadatos. 6. **Simular y evaluar** - Exportar a entrenamiento robótico, Isaac Sim / Omniverse u otros stacks. 7. **Comparar con campo** - Usar pruebas físicas, notas, fallos y logs. 8. **Actualizar escena y biblioteca** - Ajustar geometría, materiales, física, etiquetas, comportamiento y reglas. ## Dónde mejora la transferencia * **Percepción** - ejemplos etiquetados con variaciones de luz, material, oclusión, pose, distancia y fondo. * **Navegación** - rutas, pasillos bloqueados, staging, docking, cruces peatonales y zonas seguras. * **Manipulación** - pose del objeto, objetivo de agarre, fixture, superficie, fricción y timing. * **Inspección** - viewpoints, activos objetivo, defectos, paneles, lecturas y restricciones. * **Recuperación** - fallos, rutas bloqueadas, objetos ausentes, alarmas, paro de emergencia y reinicio. * **Revisión operativa** - revisión compartida antes de la prueba física. ## Métricas | Área | Ejemplos | |---|---| | Datos | cobertura de clases, consistencia, poses, oclusión, luz | | Simulación | escala, colisión, materiales, sensores, timing, estados | | Tarea | éxito, tiempo, intervenciones, recuperación, tipo de fallo | | Transferencia | diferencia sim-campo, fallos repetidos, correcciones | | Gobernanza | versión de escena, versión de activo, receta, revisor, aprobación | ## Roles de producto [DataMesh Robotics](/products/robotics) cubre datos sintéticos, tareas, etiquetas, recompensas e integración de pipelines. [FactVerse Designer](/products/designer) prepara el campo virtual con layout, behavior trees, timeline, escenarios y variantes. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) conecta escenas FactVerse con OpenUSD y Omniverse para render, física, sensores y herramientas robóticas. [FactVerse](/products/factverse) y [FactVerse Twin Engine](/products/factverse-twin-engine) mantienen activos, espacios, sistemas, metadatos, permisos y registros de escena. ## Checklist * ¿La tarea tiene métricas de éxito y límites de seguridad? * ¿Están delimitados entorno, activos, rutas y estados? * ¿Los activos SimReady tienen escala, semántica, física y estados? * ¿Las escenas Designer están organizadas por tarea, variante y revisión? * ¿Sensores, viewpoints, calibración y ruido están documentados? * ¿Las variaciones vienen de condiciones reales? * ¿Salidas y etiquetas se definieron antes de generar? * ¿Los resultados se trazan a escena y versión de activo? ## Referencias públicas El [lanzamiento de DataMesh Robotics](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) presenta datos sintéticos, tareas, recompensas y preparación de pipelines robóticos. La [guía de activos SimReady](/resources/guides/simready-assets-industrial-digital-twins-physical-ai) explica cómo los activos llevan geometría, semántica, física, comportamiento y datos. La [guía de datos sintéticos](/resources/guides/industrial-synthetic-data-physical-ai-robotics) cubre la generación de datasets de forma más amplia. --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## La intralogística depende del contexto físico La logística de almacén y fábrica ocurre en espacio físico. Una política de almacenamiento puede verse correcta en una tabla, pero el resultado depende de ancho de pasillos, radio de giro de montacargas, colas en muelles, puntos de carga, cruces peatonales, capacidad de staging, timing de transportadores y recuperación ante excepciones. La planificación de automatización añade presión. Los equipos deben discutir rutas AGV/AMR, cambios de transportadores, densidad de almacenamiento, abastecimiento a línea, ventanas de reposición y zonas de seguridad antes de invertir, mover equipos o interrumpir operaciones. Un gemelo digital operativo crea una capa espacial compartida. Conecta zonas de almacén, rutas de material, equipos, áreas de trabajo, procedimientos, registros operativos y supuestos de escenario para que planificación, proveedores de automatización, seguridad, formación y operaciones revisen el mismo entorno. ## Qué modelar | Capa | Ejemplos | |---|---| | Espacios | muelles, recepción, zonas de almacenamiento, línea, staging, envío, cuarentena, carga | | Rutas | caminos de montacargas, rutas AGV/AMR, transportadores, cruces peatonales, emergencia, mantenimiento | | Activos | racks, transportadores, puertas, gates, vehículos, cargadores, sensores, scanners, dispositivos de seguridad | | Reglas | picking, reposición, carga, descarga, secuenciación, inspección, excepciones, cambio de turno | | Eventos | ruta bloqueada, pickup retrasado, buffer lleno, pallet dañado, falla de equipo, parada de seguridad, scan perdido | | Registros | hallazgos de inspección, work orders, fotos, notas de operador, resultados de formación, versiones de escenario | La trazabilidad es central. Ruta, rack, muelle, vehículo, orden de trabajo y escenario deben referir a las mismas identidades de activo y ubicación en planificación, formación, inspección y revisión. ## Planificar antes de invertir Antes de invertir, los equipos deben probar preguntas básicas: si muelles, staging, almacenamiento y buffers de línea están bien ubicados; si rutas de montacargas, peatones y AGV/AMR se cruzan; si un transportador, elevador, gate o cargador bloquea mantenimiento; dónde aparecen colas en recepción, picking, envío o alimentación de línea. [FactVerse DLC](/products/factverse-dlc) aporta contenido reutilizable de almacén y logística, como zonas, rutas, áreas de almacenamiento y assets de transporte. [FactVerse Designer](/products/designer) permite adaptarlo al sitio real, comparar variantes y crear escenas revisables. El valor está en claridad antes de la disrupción. La revisión con gemelo digital elimina opciones débiles, afina requisitos para proveedores y muestra a operaciones cómo un layout impacta el trabajo diario. ## Validación de escenarios La validación debe enfocarse en decisiones accionables: * conflictos de ruta y clearance * capacidad de muelles, staging y buffers * handoffs entre montacargas, AGV, AMR, transportadores y operadores * acceso de emergencia y límites de seguridad * timing de reposición y supuestos de entrega a línea * ubicación de equipos, carga y acceso de mantenimiento * excepciones como mercancía dañada, pasillo bloqueado, scan perdido o falla de equipo El gemelo digital ayuda a decidir qué opción pasa a simulación detallada, ingeniería de proveedor, piloto físico o diseño de procedimiento. ## Formación y ensayo de seguridad Los proyectos intralogísticos cambian cómo se mueve la gente en el sitio. Operadores pueden necesitar nuevas rutas, secuencias de carga, pasos de scan, revisiones de seguridad o manejo de excepciones. La formación debe usar el mismo contexto espacial que la planificación. [Simulator](/products/simulator) es relevante cuando la formación depende de comportamiento del vehículo, disciplina de ruta, controles físicos, reglas de seguridad y evaluación. Escenarios tipo montacargas ayudan a practicar movimiento, giro, manejo de carga, visibilidad y respuesta a excepciones. [Director](/products/director) e [Inspector](/products/inspector) apoyan procedimientos guiados, inspecciones, captura de issues y evidencia de campo. Ruta, activo, checklist, foto, issue y work order quedan conectados al mismo gemelo operativo. ## De planificación a ejecución 1. **Mapear el sitio** - Alinear muelles, zonas, pasillos, racks, transportadores, equipos, áreas de trabajo y nombres de ruta con registros de activos. 2. **Crear escenarios** - Usar Designer y recursos warehouse DLC para layouts, rutas, staging, límites de seguridad y vistas operativas. 3. **Revisar con stakeholders** - Reunir operaciones, ingeniería, seguridad, IT, proveedores y formación en una escena común. 4. **Preparar formación** - Convertir rutas, procedimientos y excepciones aprobadas en formación y trabajo guiado. 5. **Conectar registros** - Vincular estados de equipos, work orders, inspecciones, documentos y eventos mediante Data Fusion Services y FactVerse. 6. **Ejecutar y capturar evidencia** - Usar Inspector para inspecciones, issues, fotos, notas de reparación, aceptación y estado de work orders. 7. **Preparar revisión AI** - Con datos y workflows estables, FactVerse AI Agent apoya triage, recomendaciones y revisión de ejecución. Así, planificación, formación y ejecución permanecen conectadas. El modelo evoluciona hacia un contexto operativo compartido que los equipos pueden revisar y mantener. ## Datos y preparación para IA Operaciones logísticas asistidas por IA requieren contexto estable: jerarquía de ubicaciones, identidades de activos, definiciones de rutas, eventos, work orders, inspecciones, registros de formación, owners de datos, cadencia de actualización y reglas de excepción. Con esa base, AI Agent puede resumir problemas repetidos, marcar contexto faltante, recomendar próximas revisiones, conectar alarmas con work orders y ayudar a revisar patrones operativos. La lógica de despacho y decisiones finales permanecen gobernadas por sistemas, procedimientos y equipos responsables del cliente. ## Roles de producto [FactVerse DLC](/products/factverse-dlc) aporta contenido reutilizable para zonas, rutas, storage areas, líneas de transporte, escenas de planificación y formación. [FactVerse Designer](/products/designer) autoriza variantes de layout, rutas de material, vistas, etiquetas, paneles y revisión con stakeholders. [DataMesh FactVerse](/products/factverse) y [FactVerse Twin Engine](/products/factverse-twin-engine) conservan espacios, activos, relaciones, rutas, objetos de trabajo, permisos y registros de escenario. [Data Fusion Services](/products/dfs) conecta datos operativos, registros empresariales, estados de equipos, documentos y eventos con los objetos correctos del gemelo. [Simulator](/products/simulator) apoya formación de operadores cuando importan disciplina de ruta, comportamiento del vehículo, controles físicos y evaluación. [Inspector](/products/inspector) conecta el gemelo con inspecciones, issues, fotos, notas de reparación, work orders, aceptación y evidencia de campo. [FactVerse AI Agent](/products/factverse-ai-agent) puede apoyar revisión operativa y preparación de ejecución cuando el modelo de datos, eventos y workflows estén maduros. ## Checklist de preparación * Zonas, muelles, racks, pasillos, staging y línea están nombrados de forma consistente? * Rutas, cruces peatonales, zonas de seguridad y acceso de mantenimiento están definidos? * Montacargas, transportadores, AGV, AMR, cargadores, scanners, puertas y gates se gestionan como activos? * Las variantes de layout están ligadas a una pregunta de negocio clara? * Las excepciones están documentadas antes de formación y rollout? * Puntos de inspección, categorías de issue, handoff de work order y campos de evidencia están definidos? * Los escenarios de formación se conectan a rutas, procedimientos y equipos reales? * Owners, cadencia y calidad de datos están claros? * Los casos de AI Agent se basan en registros estables de activos, rutas, eventos y work orders? ## Referencias públicas La actualización [warehousing and logistics DLC](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) muestra cómo FactVerse apoya entornos logísticos, rutas, layouts y escenarios operativos. La referencia [Gyro intralogistics](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) muestra digital twins para entender, validar e implementar automatización intralogística. La referencia [Jebsee production-line automation planning](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) muestra cómo FactVerse apoya comunicación y revisión de cambios de automatización. El anuncio [DataMesh Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) muestra la dirección pública para formación de operadores y simulación de equipos basada en digital twins. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI comienza con contexto operativo real La AI industrial aporta valor cuando comprende el lugar donde se toman decisiones. Una instalación, línea de producción, data center, sala técnica, almacén u obra contiene activos, espacios, señales, personas, procedimientos, restricciones físicas y reglas de aprobación. Physical AI lleva estas capas al flujo de decisión. Para DataMesh, Physical AI es una capacidad operativa construida alrededor de gemelos digitales ejecutables. El twin conserva el contexto físico. La AI apoya análisis y recomendaciones. La simulación ayuda a comparar resultados posibles. Las aplicaciones de campo llevan el trabajo aprobado a inspecciones, órdenes de trabajo, formación o procedimientos. Los registros de verificación vuelven al twin. Este ciclo importa porque las decisiones industriales tienen consecuencias reales. Una recomendación necesita contexto de activo, estado operativo, restricciones espaciales, dependencias de proceso y una ruta clara hacia la ejecución. ## Las capas centrales de Physical AI | Capa | Aporte | |---|---| | Datos operativos | BMS, SCADA, IoT, MES, CMMS, EAM, medidores, alarmas, historial de trabajo y documentos | | Contexto físico | Sitios, edificios, plantas, zonas, sistemas, equipos, rutas, áreas de seguridad y restricciones de acceso | | Lógica de comportamiento y proceso | Cambios de estado, dependencias, procedimientos, tiempos, excepciones y reglas de workflow | | Simulación y revisión de escenarios | Comparación de layout, validación de proceso, supuestos físicos, escenarios de formación y preparación robótica | | Inteligencia de decisión AI | Revisión de anomalías, forecasting, resumen de evidencias, comparación de opciones y recomendaciones de acción | | Flujos de ejecución | Inspecciones, órdenes de trabajo, procedimientos guiados, formación, aceptación y evidencia de campo | Los programas sólidos de Physical AI mantienen conectadas estas capas. Así, la AI trabaja con los mismos nombres de activos, relaciones operativas y registros de evidencia que ya usan ingeniería y operaciones. ## El ciclo operativo DataMesh 1. **Conectar datos** - Data Fusion Services lleva datos de sistemas industriales, facility, plataformas enterprise, medidores, sensores y documentos a un contexto compartido. 2. **Construir el twin ejecutable** - FactVerse y Twin Engine organizan activos, espacios, relaciones, estado en vivo, lógica de comportamiento y registros de escenarios. 3. **Crear y simular escenarios** - Designer y los flujos relacionados con Omniverse ayudan a revisar layouts, flujos de proceso, movimiento de equipos, comportamiento de packaging, rutas robóticas y escenarios de formación. 4. **Analizar con AI Agent** - FactVerse AI Agent revisa señales, tendencias, contexto de activos y fuentes de conocimiento para apoyar diagnóstico, priorización y próximos pasos. 5. **Ejecutar mediante aplicaciones** - Inspector, Checklist, Director, Simulator y DataMesh One convierten decisiones aprobadas en órdenes de trabajo, tareas guiadas, formación y registros de campo. 6. **Verificar el resultado** - Estado de cierre, notas, fotos, aceptación, excepciones y resultados operativos vuelven al twin para revisión y mejora. Physical AI debe planificarse como ciclo. El valor surge de conectar análisis, validación, ejecución y revisión. ## Qué distingue a Physical AI industrial La AI general puede resumir documentos, responder preguntas o generar informes. Physical AI industrial añade contexto operativo: qué activo participa, dónde está ubicado, a qué sistema pertenece, qué señales son relevantes, qué estado de proceso importa y cómo una acción recomendada pasa a trabajo gobernado. Una alarma en una bomba puede conectarse con el activo bomba, equipos aguas arriba y aguas abajo, historial de órdenes de trabajo, estado actual, ubicación espacial, ruta de inspección, área de seguridad y procedimiento de mantenimiento. La AI apoya la revisión con evidencias más ricas, mientras el twin mantiene la decisión anclada en el sitio real. El mismo patrón aplica a mantenimiento de equipos, análisis energético, simulación de procesos, formación de operadores, facility management, guía de construcción y flujos robóticos. ## Dónde encajan los productos DataMesh [FactVerse](/products/factverse) es la base de plataforma. Conecta twin execution engine, AI decision engine, data services, herramientas de authoring y aplicaciones de campo en una arquitectura operativa. [FactVerse Twin Engine](/products/factverse-twin-engine) es la capa de contexto físico. Vincula activos, espacios, relaciones, lógica de comportamiento, datos en vivo y estado de workflow en un twin ejecutable. [Data Fusion Services](/products/dfs) prepara la base de datos operativa entre sistemas industriales, facility, enterprise y documentos. [FactVerse Designer](/products/designer) gestiona authoring de escenas, modelado de comportamiento, planificación de layout, lógica de proceso, planificación virtual y preparación de simulación. [FactVerse AI Agent](/products/factverse-ai-agent) apoya análisis, diagnóstico, forecasting, revisión de conocimiento, resúmenes de recomendación y traspaso a ejecución. [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator) y [Robotics](/products/robotics) extienden el ciclo hacia inspecciones, ejecución de trabajo, procedimientos guiados, formación de operadores y preparación de datos Physical AI. ## Puntos prácticos de inicio - **Ciclo de alarma a orden de trabajo**: conectar alarmas, contexto de activo, registros de inspección, triaje asistido por AI, órdenes de trabajo y verificación. - **Mantenimiento predictivo**: combinar tendencias de sensores, contexto operativo, historial de mantenimiento, revisión de riesgo y ejecución en campo. - **Revisión energética de facility**: conectar medidores, estado de equipos, zonas, inspecciones, órdenes de trabajo y análisis de escenarios. - **Simulación de proceso**: comparar layout, packaging, flujo de materiales, rutas robóticas y acceso de operadores antes de cambios físicos. - **Formación de operadores**: usar contexto de digital twin y escenarios Simulator para prácticas repetibles sobre comportamiento de equipos. - **Preparación robótica**: preparar activos, escenas, datos sintéticos, etiquetas y contexto de tarea para Physical AI y flujos robóticos. Un buen punto de partida es un workflow acotado con acceso a datos, owner responsable, ruta de revisión y resultado verificable. ## Checklist de evaluación - El sistema conecta datos operativos con activos, espacios, sistemas y registros de trabajo? - El twin incluye contexto físico, lógica de comportamiento, estado de proceso e historial de versiones? - Los equipos pueden revisar acciones propuestas mediante simulación, comparación de escenarios o controles de ingeniería? - Las recomendaciones AI pueden pasar a inspecciones, órdenes de trabajo, procedimientos guiados, formación o flujos robóticos? - Operadores e ingenieros pueden ver la evidencia detrás de una recomendación? - La organización registra aprobación, ejecución, excepciones y verificación? - El mismo contexto puede soportar facility operations, manufacturing, formación, mantenimiento y simulación a lo largo del tiempo? Estas preguntas mantienen Physical AI ligado a la realidad operativa y orientado a programas ejecutables. ## Referencias públicas El [lanzamiento de FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) describe la dirección pública de DataMesh para operaciones impulsadas por simulación en instalaciones complejas. El anuncio [FactVerse y NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) y el [showcase GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) muestran cómo los simulation digital twins, los flujos OpenUSD y la preparación Physical AI encajan en la historia pública de la plataforma DataMesh. Las referencias [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) y [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) ofrecen ejemplos públicos de contexto digital twin, facility operations y mantenimiento asistido por AI. --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## From visual model to operating loop A traditional digital twin often begins with a 3D model, BIM data, equipment geometry, or a dashboard that helps teams see a facility, production line, asset, or construction site. That layer is valuable because it gives people shared context and makes complex environments easier to understand. An executable digital twin adds the operating loop around that model. It connects live data, asset relationships, process logic, simulation, approvals, work orders, and verification records. The team can review what is happening, test what may happen under a scenario, assign work, and preserve the evidence behind each decision. This is the foundation for Physical AI in industrial and facility environments. AI recommendations become more useful when they are grounded in real assets, spatial context, physical constraints, work history, and approved execution workflows. ## What makes a twin executable An executable twin usually combines six layers: * **Spatial and asset structure**: sites, buildings, floors, zones, systems, equipment, points, documents, and ownership. * **Live operating data**: BMS, SCADA, IoT, meters, historians, CMMS, ERP, MES, and other source systems. * **Behavior and process logic**: process steps, control assumptions, dependencies, procedures, and event conditions. * **Simulation and scenario review**: layout options, flow analysis, equipment movement, physical behavior, and what-if comparison. * **Workflows and field execution**: inspections, tasks, work orders, SOPs, training, acceptance, and handoff. * **Governance and evidence**: approvals, records, model versions, photos, notes, and operational results. The value comes from keeping these layers connected. A model can show where an asset sits. An executable twin can also show the asset data, the process it supports, the scenario being reviewed, the work assigned to it, and the record that confirms what happened. ## Why Physical AI needs executable twins Physical AI deals with real-world operations. The recommendation has to fit the site, the asset, the process, the people, and the safety and approval rules of the organization. That requires more than a standalone model response. An executable twin gives Physical AI a governed operating context: * It describes which asset, system, zone, and process a signal belongs to. * It provides historical records and real-time conditions for reasoning. * It gives simulation workflows a place to compare proposed changes. * It routes approved actions into inspection, maintenance, training, or construction workflows. * It keeps a traceable record of what was recommended, approved, executed, and verified. For buyers, this is the difference between a digital twin as a reference layer and a digital twin as part of an operating system. ## The DataMesh stack in this workflow [Data Fusion Services](/products/dfs) connects enterprise, industrial, IoT, and facility data sources. [FactVerse](/products/factverse) organizes the data, assets, scenes, and application context. [FactVerse Twin Engine](/products/factverse-twin-engine) renders and executes the 3D twin experience across devices and operational scenarios. [FactVerse Designer](/products/designer) supports scene authoring, process logic, virtual planning, and simulation workflows. For teams using NVIDIA Omniverse, the [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) can bring FactVerse scene structure, metadata, and behavior context into USD and Omniverse-based validation workflows. [FactVerse AI Agent](/products/factverse-ai-agent) uses the connected context to support anomaly review, forecasting, operational Q\&A, recommendation summaries, and decision handoff. [Inspector](/products/inspector) turns approved findings into inspections, work orders, field records, acceptance, and evidence. Together, these layers let teams build a twin that can be viewed, analyzed, simulated, acted on, and reviewed. ## Common implementation pattern A practical rollout works best when it starts with one operating loop: 1. Connect the source data and define the ownership of each source system. 2. Map assets, spaces, systems, and points into a shared twin structure. 3. Add behavior logic, process steps, procedures, or scenario assumptions. 4. Validate options through simulation, engineering review, or operational replay. 5. Route approved actions into inspection, maintenance, training, or construction workflows. 6. Capture completion records and compare the outcome with operating data. This pattern keeps the work concrete. It also gives stakeholders a clear way to judge whether the twin is becoming part of daily execution. ## Where executable twins create value | Starting point | Practical use | | ---------------------- | ---------------------------------------------------------------------------------------------------------------------- | | Facility operations | Connect assets, meters, BMS points, inspections, and maintenance records so teams can review issues in spatial context | | Predictive maintenance | Combine sensor data, asset history, anomaly review, work orders, and verification records | | Process simulation | Compare layouts, material flow, equipment movement, and operating assumptions before site changes | | Construction guidance | Link BIM, site context, method statements, schedule checks, and field guidance | | Workforce training | Turn equipment, procedures, hazards, and scenario records into repeatable training workflows | The first use case should have clear data ownership, a measurable operating process, and a team that can execute and verify the resulting actions. ## Evaluation checklist Use these questions when comparing digital twin platforms: * Can the platform connect live operational data to assets, systems, and spaces? * Can it represent behavior, process logic, and scenario assumptions? * Can teams run simulation or scenario review before operational change? * Can recommendations move into approved inspection, maintenance, training, or construction workflows? * Can field teams capture photos, notes, acceptance records, and completion status? * Can engineers and operators trace a decision back to data, model context, and approval history? * Can the same twin support visualization, monitoring, simulation, and workflow execution? * Can the platform support enterprise governance across users, sites, and systems? An executable twin becomes valuable when each answer maps to a real workflow and a responsible team. ## Practical outcomes Executable digital twins help industrial and facility teams move from shared visualization to governed execution. The near-term outcomes are usually practical: clearer operating context, faster cross-team review, better handoff from analysis to field work, stronger evidence records, and more disciplined scenario comparison. As the operating loop matures, Physical AI can work with richer context. Recommendations can be grounded in asset data, system relationships, simulation results, work history, and site governance. That is where the digital twin becomes a working layer for real-world decisions. --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## Heating operations need connected context District heating teams make decisions from many sources at once: heat source status, primary and secondary network data, substation conditions, building-side feedback, weather forecasts, complaint records, field inspections, maintenance history, and dispatch rules. Each system explains part of the operation. The hard work is connecting those signals into a decision that operators can review, approve, execute, and verify. [HeatOps](/solutions/heatops) is the district-heating industry module of [FactVerse AI Agent](/products/factverse-ai-agent). It uses [Data Fusion Services](/products/dfs) to connect operating data, [FactVerse](/products/factverse) to keep network and asset context, and Inspector or customer work-order systems to keep field action traceable. The purpose is practical: help heating teams forecast demand, diagnose network behavior, review dispatch options, coordinate field work, and preserve the operating evidence behind decisions. ## What the operating model connects | Layer | Operating context | | ---------------- | ----------------------------------------------------------------------------------------------------------------------- | | Heat sources | Boilers, heat pumps, CHP, waste heat, storage, fuel, electricity, capacity, and availability | | Network | Primary network, branch lines, pressure, flow, supply and return temperature, valves, leakage, and insulation context | | Substations | Heat exchangers, pumps, control valves, meters, differential pressure, efficiency, alarms, and service history | | Buildings | Building zones, indoor feedback, user-side temperature, comfort issues, thermal inertia, and service priority | | External context | Weather forecast, historical load, holidays, occupancy patterns, tariff context, and service requests | | Work execution | Dispatch orders, inspections, repair tasks, cleaning, valve adjustment, insulation work, photos, and acceptance records | | Governance | Recommendation source, approval path, command limits, rollback rules, result review, and audit trail | The value comes from linking these layers. A low-temperature complaint should be traceable to building context, substation behavior, branch network state, previous work, and the operator decision that follows. ## DataMesh workflow for HeatOps 1. **Connect operating sources** - Bring together SCADA, SIS, PVSS, PLC tags, meters, weather, GIS, complaint records, billing context, maintenance systems, and dispatch logs. 2. **Build the heating twin** - Model heat sources, pipelines, substations, valves, pumps, meters, buildings, zones, and service areas in FactVerse. 3. **Bind signals to assets** - Use Data Fusion Services to map temperatures, pressures, flows, alarms, energy readings, and work records to the right assets and network segments. 4. **Review demand and risk** - Use FactVerse AI Agent to prepare demand forecasts, load-change explanations, abnormal pattern summaries, and dispatch options for operator review. 5. **Coordinate action** - Turn approved findings into dispatch notes, field inspections, work orders, adjustment tasks, or controlled writeback scopes. 6. **Verify the result** - Compare post-action readings, comfort feedback, alarms, heat-loss patterns, and work-order evidence against the original finding. This workflow keeps AI recommendations attached to the operating context that produced them. ## Forecasting, diagnosis, and dispatch review HeatOps can support three connected work modes: * **Demand forecasting**: compare weather, historical load, network state, building response, and operating constraints before demand changes arrive. * **Network diagnosis**: review supply-return delta, differential pressure, flow, makeup water, heat-exchanger behavior, pump state, valve state, leakage indicators, fouling signs, and repeated end-user issues. * **Dispatch review**: prepare operator-reviewed actions such as supply temperature changes, pump frequency changes, valve adjustment, pre-heating strategy, staffing preparation, and field inspection priority. The recommendation should explain scope, reason, expected effect, required approval, and follow-up evidence. That makes the AI output reviewable by control-room staff, engineering teams, field teams, and managers. ## From recommendation to auditable execution Heating operations involve safety, comfort, contracts, equipment limits, and service responsibility. The execution path should therefore be staged. Start with decision support. Operators review forecasts, diagnoses, and recommended actions in digital twin context. The next stage is assisted execution: approved recommendations become dispatch records, field tasks, work orders, and follow-up checks. Controlled writeback can be added after authority, command range, safety interlocks, rollback rules, and audit requirements are defined. [Inspector](/products/inspector), [Checklist](/products/checklist), and customer work-order systems can preserve the field side of the loop: who inspected the station, what was adjusted, which photos and readings were captured, when the work was closed, and whether the condition improved. ## Energy-carbon records and management review Heating operators need seasonal evidence alongside real-time screens. HeatOps can structure heat quantity, fuel, electricity, pumping energy, heat loss, comfort feedback, incident response, retrofit activity, and field work into operating records for management review. Those records help teams compare dispatch strategies, retrofit outcomes, substation performance, and network segments over time. They also make it easier to discuss energy-carbon performance with owners, city teams, service companies, and engineering partners using the same data trail. Accounting methods, reporting boundaries, and carbon factors remain project-specific. HeatOps provides the connected operating context and traceable evidence needed for review. ## Data readiness checklist Before rollout, review these conditions: * SCADA, SIS, PVSS, PLC, and meter tags have stable names, units, timestamps, and ownership. * Heat sources, substations, valves, pumps, meters, buildings, zones, and network segments can be mapped into the digital twin. * Weather, load history, complaint records, and work orders can be connected by time, area, asset, or station. * Operators and engineers agree on approval rules for dispatch recommendations. * Field teams can record inspections, adjustments, photos, readings, and acceptance evidence in a structured way. * Controlled writeback rules are documented before any command path is introduced. * Pilot metrics are based on verified operating records. The first rollout should use a contained service area or substation group where the team has enough data, clear ownership, and frequent operating questions. ## Practical starting points | Starting point | Why it works | | --------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------- | | Substation overview | Teams can connect temperature, pressure, flow, pump state, valve state, heat quantity, alarms, and service history around a known asset group | | Weather swing preparation | Demand forecasting can help operators prepare before cold fronts, warm periods, or unusual occupancy patterns affect service | | Low-temperature complaints | Complaint records can be reviewed with building context, substation state, branch pressure, and past maintenance | | Repeated station alarms | AI-assisted review can summarize patterns and move confirmed issues into inspection or maintenance tasks | | Energy and heat-loss review | Seasonal records can connect source output, network behavior, building-side conditions, and field work | These starting points create a reviewable loop before teams expand into broader optimization or control scenarios. ## Public references The [HeatOps solution page](/solutions/heatops) describes the district-heating module scope inside FactVerse AI Agent. The [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) and [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders) describe adjacent patterns for connecting facility signals, digital twin context, work orders, and verified field action. The [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) shows DataMesh digital twin context in a connected facility environment. The [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows the broader pattern of turning industrial signals into AI-assisted maintenance review. --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## Industrial AI agents need operating context Factories, campuses, data centers, heating networks, warehouses, and border facilities run through connected physical systems. A useful AI agent in these environments has to understand assets, locations, live signals, operating history, procedures, work orders, and responsibility records. [FactVerse AI Agent](/products/factverse-ai-agent) is designed for this operating layer. It works with the FactVerse digital twin foundation, connected industrial data, enterprise knowledge, Inspector work records, and human approval paths. The result is an AI-assisted loop that can recommend action, preserve evidence, and improve from verified outcomes. ## The operating loop 1. **Connect signals and knowledge** - Data Fusion Services brings together equipment data, facility systems, SCADA or BMS signals, maintenance history, documents, SOPs, and enterprise systems. 2. **Ground the work in the digital twin** - FactVerse and Twin Engine connect those signals to assets, spaces, systems, relationships, and workflow state. 3. **Analyze with AI Agent** - The agent reviews trends, alarms, work history, operating rules, and site context to prepare findings and recommended next steps. 4. **Review and approve** - Operators, engineers, or supervisors confirm the recommendation according to the authority and risk level of the workflow. 5. **Execute in the field** - Inspector, Checklist, customer CMMS or EAM systems, and frontline applications carry the approved action into work orders, inspections, guided tasks, and training. 6. **Feed outcomes back** - Completion records, photos, readings, exception notes, operator decisions, and post-action results become evidence for future review and model improvement. This loop turns AI output into an auditable operating process. ## 24x7 operation and continuous learning Industrial events happen across shifts, weekends, weather changes, production cycles, and maintenance windows. FactVerse AI Agent can run continuously against connected signals, alarms, work-order updates, inspection records, and field feedback. The goal is to keep the team aware of relevant asset and workflow changes even when specialists are not watching a dashboard. As more work is completed, the system accumulates examples of abnormal signals, confirmed causes, rejected suggestions, completed repairs, operator notes, inspection photos, and measured outcomes. These records can support machine learning model training, retraining, evaluation, and recommendation tuning. The agent becomes more aligned with the customer's own site data and operating patterns over time. The learning process remains connected to governance. Data lineage, approval history, outcome records, and review metrics give teams a way to decide which findings are trusted, which recommendations need adjustment, and which workflows are ready for broader rollout. ## Typical industry modules FactVerse AI Agent can be packaged around industry workflows. The module names describe operating tasks while keeping the product architecture centered on FactVerse AI Agent. | Module | Operating scope | |---|---| | Predictive maintenance | Asset health review, anomaly explanation, maintenance priority, work-order handoff, and verification records | | HeatOps | Demand review, heating-network diagnosis, dispatch support, substation work, and energy-carbon operating records | | Facility inspection and maintenance | Asset lookup, inspection planning, troubleshooting guidance, evidence capture, and maintenance follow-up | | Border and logistics inspection | Spatial procedure support, checklist execution, exception review, inspection records, and handoff across teams | | Operator guidance and training | Digital SOPs, equipment procedures, task guidance, safety reminders, and training records for work that still requires people | | Semiconductor facility operations | Sub-fab and facility equipment context, utility-system inspection, abnormal event review, and work-order integration | Each module can start with decision support and expand as the customer defines data access, approval rules, and execution boundaries. ## How the product stack works together [Data Fusion Services](/products/dfs) prepares the data foundation by mapping source systems, documents, sensor streams, and enterprise records into usable context. [FactVerse](/products/factverse) and [FactVerse Twin Engine](/products/factverse-twin-engine) provide the operational digital twin: assets, spaces, relationships, state, behavior logic, and workflow context. [FactVerse AI Agent](/products/factverse-ai-agent) uses that context to summarize evidence, compare patterns, prepare recommendations, explain likely causes, and hand decisions to the right workflow. [Inspector](/products/inspector), Checklist, and connected CMMS or EAM systems keep field execution traceable. They record who reviewed the task, what was done, what evidence was captured, and whether the condition improved. [FactVerse Designer](/products/designer) supports scene creation, layout planning, virtual planning, simulation preparation, and Physical AI workflows where teams need to prepare SimReady assets or use Omniverse-related simulation pipelines. ## Human review remains part of the loop Industrial decisions affect safety, uptime, contracts, compliance, and asset life. FactVerse AI Agent is most useful when it prepares the right context and gives the responsible person a clear basis for action. Low-risk tasks may move quickly from recommendation to inspection or work order. Higher-risk tasks, such as equipment shutdown, control-setting changes, process changes, or regulated operating procedures, can require supervisor approval, engineering review, or customer-specific authorization. The same workflow can preserve the recommendation, the reviewer, the approved action, and the final result. ## Starting with a verifiable workflow The best first deployment is a bounded loop with clear data, clear ownership, and measurable outcomes. Examples include a critical equipment class, a facility inspection route, a heating substation group, a data center asset group, a warehouse equipment workflow, or a specific operator guidance process. Start by connecting the relevant data and work records. Define who reviews AI findings. Route confirmed findings into the existing execution system. Capture the result. Use those records to tune recommendations and decide where the next rollout should go. ## Evaluation checklist * Are the source signals, documents, and work records connected to the right assets and spaces? * Can the AI Agent explain which evidence led to a recommendation? * Does each recommendation have an owner, approval path, and execution destination? * Can field teams record completion notes, photos, readings, exceptions, and verification results? * Can rejected or corrected suggestions be used to improve future recommendations? * Are machine learning updates reviewed against operational evidence instead of raw model confidence alone? * Can the same operating loop scale across sites, shifts, and teams without losing traceability? These checks keep industrial AI tied to operational reality. ## Public references The [FactVerse AI Agent launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) describes DataMesh's public direction for simulation-driven operations in complex facilities. The [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows the broader pattern of turning industrial signals into AI-assisted maintenance review. The [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) and [Singtel FutureNow showcase](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) provide public examples of operational digital twin context in complex environments. --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## Why connect FactVerse and Omniverse Industrial simulation work needs two kinds of context. Operations teams need a trusted digital twin that preserves assets, relationships, live data, ownership, and business meaning. Simulation teams need a high-fidelity environment for rendering, USD scene development, physics behavior, and scenario validation. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) connects those layers. A factory, facility, production line, or logistics area can be prepared in [FactVerse](/products/factverse) and [FactVerse Designer](/products/designer), then carried into NVIDIA Omniverse as a USD-based workflow for review and simulation. This is a practical Physical AI pattern. The digital twin keeps the scenario connected to real assets and operating data, while Omniverse, RTX, PhysX, and Newton help teams test rendering, sensor context, motion, collision, layout, material movement, packaging flow, robotics paths, and safety-zone interaction. ## Omniverse as a foundation layer NVIDIA's current public Omniverse positioning emphasizes libraries, microservices, APIs, and SDKs built on OpenUSD for Physical AI applications. Similar to how CUDA provides accelerated computing building blocks, Omniverse provides simulation and digital-twin building blocks: OpenUSD for interoperability and SimReady assets, RTX for rendering and sensor simulation, PhysX and Newton for physics, and data services for connected scene exchange. For DataMesh customers, this clarifies the division of labor. FactVerse and Designer create the factory or facility scene, asset semantics, data bindings, behavior logic, and SimReady asset preparation. Omniverse capabilities then provide the rendering, physics simulation, and data exchange layer that can be embedded into industrial workflows, robotics simulation, partner tools, or custom applications. This is why the workflow treats FactVerse as the industry application and scene-authoring layer, with Omniverse as the underlying rendering, simulation, and interoperability layer. Buyers should evaluate the complete pipeline: scene creation, asset governance, SimReady preparation, physics validation, rendering, data exchange, and the return path into operational records. Useful NVIDIA reference points: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## The end-to-end workflow 1. **Build the operational twin** - Model the site, production line, equipment hierarchy, locations, metadata, documents, and ownership in FactVerse. 2. **Author the scenario** - Use FactVerse Designer to create the layout, process logic, behavior-tree rules, timing, routes, and simulation variants. 3. **Prepare the USD layer** - Bind or prepare USD resources, materials, scene scale, coordinate systems, object identity, and version rules. 4. **Transfer context to Omniverse** - Use the FactVerse Adaptor for NVIDIA Omniverse to bring scene structure, metadata, data bindings, and behavior context into Omniverse. 5. **Validate the scenario** - Review rendering quality, equipment movement, collisions, spacing, robot paths, material flow, operator access, and process timing. 6. **Feed decisions back** - Capture assumptions, findings, screenshots, scenario versions, and engineering review notes for planning, training, implementation, or further simulation. The value is continuity. The same factory or facility context can support planning, simulation, review, and execution across the teams that need it. ## What should travel from FactVerse to Omniverse | Layer | Why it matters | |---|---| | Site and scene hierarchy | Keeps buildings, floors, zones, lines, stations, and equipment organized for simulation review | | Asset identity | Allows simulation findings to trace back to real equipment, models, and maintenance context | | Spatial relationships | Preserves relative position, clearance, access routes, collision zones, and work areas | | Metadata and semantics | Carries equipment type, role, ownership, documents, and system relationships into the review context | | Data bindings | Lets Omniverse scenes reflect equipment state, sensor values, alarms, or operating signals when connected data is needed | | Behavior logic | Brings process assumptions, state transitions, routes, sequences, and timing into scenario validation | | Version history | Lets teams compare scene revisions, assumptions, and review outcomes over time | This information turns a rendered scene into a reviewable simulation context. Teams can discuss a line, robot path, package flow, or material route with the same asset names and operational relationships used in FactVerse. ## Where USD, RTX, PhysX, and Newton fit USD gives simulation teams a structured scene workflow for assets, materials, variants, layers, and collaboration. In a FactVerse-to-Omniverse workflow, USD is the bridge that lets the operational twin become a richer simulation and visualization environment. RTX supports high-fidelity rendering and sensor simulation when teams need a richer visual or synthetic-data environment. PhysX supports physics-sensitive validation such as motion, collision, rigid-body behavior, placement, clearance, packaging interaction, robotics paths, and material movement under configured assumptions. Newton adds an open, extensible physics engine path for robotics learning and simulation workflows built on NVIDIA Warp and OpenUSD. The engineering value comes from disciplined scenario setup: scale, coordinates, object properties, timing, constraints, validation goals, and sign-off rules need to be explicit. The simulation output becomes stronger when the input assumptions are visible and reviewable. ## Practical use cases - **Factory digital twin rendering**: bring a full factory area or production line into Omniverse for high-fidelity review. - **Packaging and material flow validation**: check movement, spacing, placement, equipment interaction, and operator access before physical trials. - **Production layout planning**: compare workstation, buffer, robot, conveyor, and material-path options before changing the floor. - **Warehouse and intralogistics planning**: validate picking paths, staging areas, AGV routes, forklift movement, and throughput assumptions. - **Robotics and Physical AI preparation**: create scene context that can support robotics simulation, synthetic data planning, and future AI validation workflows. ## Role of each DataMesh product [FactVerse](/products/factverse) is the operational twin backbone. It holds the site model, asset structure, relationships, governance, and shared context. [FactVerse Designer](/products/designer) is the authoring and planning environment. It owns layout modeling, process logic, behavior trees, timeline simulation, and scenario variants. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) carries FactVerse scene structure, metadata, data bindings, and behavior context into Omniverse and USD workflows. [Data Fusion Services](/products/dfs) connects live and historical operational data when the simulation needs equipment state, sensor values, alarms, production metrics, or enterprise context. [FactVerse Twin Engine](/products/factverse-twin-engine) provides the runtime context for executable twins across visualization, data binding, and downstream operational workflows. ## Data readiness checklist - Scene hierarchy, asset IDs, locations, and equipment names are stable. - CAD, BIM, 3D, and USD assets have clear ownership and version control. - Coordinate systems, scale, orientation, and origin points are aligned. - Materials, collision properties, motion constraints, and process timing are documented. - Data bindings have source systems, units, timestamps, and update rules. - Simulation goals are tied to decisions such as layout approval, robot path review, packaging validation, or operator access. - Review results can be recorded with scenario version, assumptions, screenshots, and follow-up actions. ## Governance for simulation decisions Simulation supports engineering review when teams can trace what was tested and why. A practical review package should include the scene version, source assets, input assumptions, data sources, physics settings, validation criteria, known constraints, and approval notes. For enterprise programs, this governance matters as much as the visual result. The team needs to know which twin version was used, which assumptions were accepted, which issues were found, and which changes were approved before physical work begins. ## Public references The [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) announcement describes the public platform direction for simulation digital twins and AI business workflows. The [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) showcase adds public evidence for FactVerse and Omniverse working together in simulation digital twin scenarios. The [Gyro intralogistics](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) and [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) references show adjacent public use cases where digital twins help teams review production-line layout, intralogistics flow, and automation planning before execution. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## Les constats AI ont besoin d'un chemin d'exécution La valeur de l'AI industrielle se mesure dans une boucle opérationnelle achevée. Un constat doit devenir une décision validée, une tâche assignée, une action terrain, une preuve et un résultat mesuré. [FactVerse AI Agent](/products/factverse-ai-agent) peut analyser en continu les signaux connectés, alarmes, documents et historiques de travail. Le constat devient opérationnel lorsqu'il est ancré dans le jumeau numérique et transmis aux personnes et systèmes responsables. DataMesh relie ce chemin avec [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director) et les systèmes client comme CMMS, EAM, BMS, SCADA, ERP et référentiels documentaires. ## Le modèle en boucle fermée 1. **Détecter** - AI Agent, règles, tableaux de bord ou systèmes existants identifient tendance anormale, alarme répétée, inspection manquée, risque actif ou exception opérationnelle. 2. **Contextualiser** - FactVerse relie le constat aux actifs, espaces, systèmes, valeurs temps réel, documents, SOP et historiques. 3. **Valider** - Opérateurs, ingénieurs ou superviseurs vérifient preuves, risque et action recommandée. 4. **Affecter** - Les constats confirmés deviennent ordres de travail, inspections, tâches ou procédures dans Inspector, Checklist, CMMS, EAM ou un système approuvé. 5. **Guider** - Les équipes terrain utilisent contexte actif, checklists, SOP numériques, guidage 3D, photos, manuels et consignes de sécurité. 6. **Capturer** - Notes de clôture, mesures, photos, exceptions, pièces remplacées, approbations et résultats de vérification sont enregistrés. 7. **Apprendre** - Résultats, suggestions refusées, événements récurrents et mesures après action alimentent la qualité des données et l'apprentissage machine. ## Ce que doit contenir l'ordre de travail Un ordre de travail industriel doit donner assez de contexte aux équipes terrain: actif, lieu, relation système, problème, preuve, priorité, compétence requise, sécurité, critères d'acceptation et chemin d'approbation. Les champs utiles incluent l'ID actif, l'espace, le système, la route, le constat AI ou l'alarme d'origine, les valeurs de signal, la fenêtre temporelle, les SOP, plans, manuels, contrôles recommandés, photos requises, mesures, réviseur, assigné, échéance, règle d'escalade, note de clôture et étiquette de résultat. Une fois reliés au jumeau numérique, ces champs deviennent une partie du dossier opérationnel. ## Rôles des produits [FactVerse AI Agent](/products/factverse-ai-agent) prépare les constats, résume les preuves, compare les modèles opérationnels, rédige les recommandations et observe les retours connectés à travers les équipes. [FactVerse](/products/factverse) et [FactVerse Twin Engine](/products/factverse-twin-engine) fournissent le modèle opérationnel: actifs, espaces, relations, états, logique comportementale et état workflow. [Data Fusion Services](/products/dfs) connecte les sources et mappe signaux, alarmes, documents, dossiers de travail et données d'entreprise. [Inspector](/products/inspector) gère alarmes, ordres de travail, affectations, dossiers maintenance, photos, champs de vérification et preuves terrain. [Checklist](/products/checklist) structure les points d'inspection, preuves obligatoires, champs de conformité et routines répétables. [Director](/products/director) prend en charge les SOP numériques, le guidage 3D, la formation et l'assistance pas à pas. ## Intégration et amélioration continue La plupart des sites utilisent déjà CMMS, EAM, BMS, SCADA, MES, ERP, ticketing et systèmes documentaires. L'architecture du workflow doit préciser quel système crée l'ordre, quel système détient l'état et comment les preuves sont synchronisées. FactVerse AI Agent peut traiter signaux, alarmes, mises à jour d'ordres, inspections et retours terrain en environnement 24x7. Les causes confirmées, notes opérateur, suggestions refusées, réparations terminées, photos, mesures et résultats après action forment un jeu de données pour évaluer les recommandations, repérer les motifs récurrents et améliorer les workflows. ## Démarrer Commencez par un workflow avec un propriétaire clair et un résultat visible: une classe d'actifs critiques, une route d'inspection, un groupe d'actifs data center, une sous-station de chauffage, un système utilitaire de production ou une procédure opérateur. 1. Définir la tâche et le responsable. 2. Connecter signaux, documents, historique et SOP nécessaires. 3. Mapper les actifs et espaces dans FactVerse. 4. Définir la revue des constats AI et les règles d'approbation. 5. Envoyer les constats validés vers Inspector, Checklist, CMMS, EAM ou un système d'exécution. 6. Capturer les preuves terrain et mesures après action. 7. Revoir les résultats puis étendre. ## Références publiques La page [Workflow Digitization](/solutions/workflow-digitization) explique comment DataMesh relie alarmes, tâches planifiées, inspections, procédures guidées et ordres de travail. Le guide [FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) décrit comment les recommandations AI entrent dans des boucles industrielles avec revue humaine. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## La gestion facility demande un contexte opérationnel commun Les grands sites sont exploités avec de nombreux systèmes spécialisés. BMS, EMS, compteurs, alarmes, registres d'actifs, CMMS, EAM, BIM, plans, rapports de service et inspections décrivent chacun une partie du site. Le travail quotidien consiste à relier ces couches lorsqu'un incident apparaît, qu'un ordre de travail est créé, qu'un profil énergétique change ou qu'une preuve est demandée. AI facility management commence par un jumeau numérique opérationnel. Le jumeau relie espaces, actifs, systèmes, données, dossiers de travail, documents et exécution terrain. Les équipes peuvent alors revoir l'état du site dans le bon contexte. L'AI aide ensuite à résumer les anomalies, comparer les patterns, préparer des actions recommandées et soutenir les revues de management. Ce modèle convient aux bâtiments, campus, data centers, usines, utilities et sites high-tech. Dans les programmes de manufacturing avancé, les équipes facility gèrent souvent systèmes de support cleanroom, énergie, air comprimé, refroidissement, exhaust, alarmes, inspections et handoffs service sur plusieurs sites. Un jumeau partagé donne un contexte stable pour revue et exécution. ## Ce que le jumeau facility doit connecter | Couche | Contexte opérationnel | |---|---| | Espaces | Site, bâtiment, étage, salle, zone, clean area, corridor service, route et limite sécurité | | Systèmes | HVAC, refroidissement, distribution électrique, éclairage, eau, air comprimé, exhaust, sécurité incendie, ascenseurs et utilities process | | Actifs | Registre équipement, IDs asset, documents, owner service, plan maintenance, garantie et pièces | | Signaux | Points BMS, compteurs, capteurs, alarmes, données environnement, historian tags et indicateurs calculés | | Travail | Inspections, work orders, actions correctives, photos, notes terrain, acceptation et vérification | | Énergie | Relevés compteur, EUI, composition de charge, horaires, météo, consignes et options d'amélioration | | Sémantique | Bâtiments, systèmes, équipements, compteurs, capteurs, points et relations alignés Brick Schema | | Gouvernance | Owner source, qualité données, route d'approbation, responsabilité opérationnelle, version et rétention preuves | Le jumeau devient utile lorsqu'un signal se relie à l'espace, l'actif, le système, l'équipe responsable et le dossier terrain concernés. ## Workflow DataMesh pour AI facility management 1. **Collecter les sources facility** - Rassembler BMS, EMS, compteurs, IoT, historians, registres d'actifs, CMMS, EAM, BIM/IFC, plans, inspections et rapports service. 2. **Construire le jumeau opérationnel** - Organiser espaces, actifs, utilities, documents, routes, points et contexte de travail avec FactVerse et Twin Engine. 3. **Connecter les pipelines de données** - Utiliser Data Fusion Services pour ingérer, nettoyer, normaliser, calculer et lier les données aux bons objets du twin. 4. **Structurer la sémantique facility** - Utiliser des relations alignées Brick Schema lorsque les bâtiments, zones, équipements, compteurs, capteurs et points doivent avoir une signification cohérente. 5. **Revoir avec assistance AI** - Utiliser FactVerse AI Agent pour résumer consommation anormale, alarmes répétées, dossiers manquants, patterns maintenance et actions candidates. 6. **Comparer les scénarios énergie** - Utiliser des workflows EnergyPlus lorsque la modélisation énergétique et la comparaison de scénarios sont nécessaires. 7. **Exécuter et vérifier le travail** - Utiliser Inspector pour inspections, ordres de travail, affectations, photos, notes réparation, acceptation et preuves de vérification. Le résultat est une boucle opérationnelle: signal, analyse, travail, preuve vérifiée. ## Où l'AI apporte de la valeur L'AI apporte plus de valeur lorsque le contexte facility est déjà connecté. FactVerse AI Agent aide les équipes à examiner de grands volumes de données opérationnelles et d'historiques de travail plus vite qu'une revue tableau par tableau. Les patterns utiles incluent: - Alarmes répétées par espace, système, actif, période et historique. - Usage énergétique anormal par compteur, zone, groupe d'actifs, météo et horaire. - Actifs à forte maintenance avec réparations récurrentes, dossiers incomplets ou problèmes d'acceptation. - Dérive clean area nécessitant contexte facility, utility et maintenance. - Backlog work orders entre sites, équipes service et classes d'actifs. - Candidats d'amélioration avec revue engineering, contexte coût et validation terrain. Le rôle pratique de l'AI est l'aide à la décision. Les owners, règles d'approbation, exécution terrain et preuves de vérification restent au coeur du processus facility. ## Brick Schema et EnergyPlus dans le même workflow Brick Schema donne une couche sémantique cohérente aux données bâtiment et facility. Un point température peut être relié au bon capteur, à la zone, au système d'air et à l'équipement. Un compteur peut être relié au système ou à l'espace mesuré. Un work order peut être relié à l'actif, l'alarme, le document et l'inspection qui l'ont déclenché. Cette structure améliore la traçabilité pour maintenance, analyse énergétique, préparation Green Mark et revue management. Elle donne aussi plus de contexte à AI Agent lorsqu'il résume les problèmes ou prépare des actions recommandées. EnergyPlus intervient lorsque l'équipe a besoin d'une analyse énergétique plus détaillée. DataMesh peut connecter BIM/IFC, météo, données opérationnelles et contexte digital twin à des modèles EnergyPlus pour comparer EUI, composition de charge, horaires, consignes, retrofit et stratégies de contrôle. Les résultats d'analyse doivent revenir dans la boucle opérationnelle. L'équipe peut créer des work orders, enregistrer les hypothèses, capter les résultats terrain et comparer l'état post-action à la baseline. ## Où commencer Les bons premiers périmètres combinent données facility, ownership asset et chemin d'exécution: - Utilities avec alarmes répétées ou ownership service ambigu. - HVAC et refroidissement avec besoin de revue énergie ou confort. - Systèmes de support cleanroom avec besoin de partager dérive et historique maintenance. - Groupes de compteurs et zones à forte charge pour gouvernance énergie. - Équipements très inspectés avec dossiers terrain récurrents. - Portefeuilles multi-sites qui exigent classes d'actifs et rapports comparables. Le premier pilote doit choisir un groupe d'actifs maîtrisable, quelques sources, un chemin work order clair et des métriques déjà acceptées par l'équipe facility. ## Métriques à valider AI facility management doit être validé avec la baseline du site. Les mesures utiles incluent: - Temps entre alarme ou finding et revue. - Part des findings convertis en travail planifié. - Qualité de clôture work order et complétude des preuves. - Taux d'alarmes répétées après action corrective. - Complétude de la baseline énergie et fréquence de revue. - Couverture de mapping pour assets et systèmes prioritaires. - Acceptation terrain des procédures guidées et de la capture de dossiers. - Qualité des revues management entre sites, assets et équipes service. Les programmes matures valident qualité d'exécution et traçabilité des décisions avant d'évaluer les économies. ## Références publiques La [collaboration JTC et DataMesh](/about/news/collaboration-between-jtc-datamesh) montre l'usage du digital twin et de la mixed reality pour des workflows de sites complexes. La [référence maintenance prédictive Yokogawa](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) montre la direction publique de la revue maintenance assistée par AI dans les sites industriels. La [référence Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) montre comment formation terrain, digitalisation maintenance et preuves terrain soutiennent l'exécution. La [référence Faurecia et EVE Energy](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) montre comment visibilité opérationnelle, contexte énergie et digital twin soutiennent l'amélioration manufacturing et facility. --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## Les jumeaux opérationnels ont besoin d'actifs de modèle prêts pour la production Les fichiers BIM, CAO, nuages de points et modèles 3D proviennent souvent d'équipes et d'étapes différentes. Le BIM porte l'intention de conception, la CAO décrit les équipements et détails mécaniques, les nuages de points capturent l'état réel du site. Les registres d'actifs, photos, plans et dossiers de mise en service complètent le contexte. Un jumeau numérique opérationnel a besoin d'une couche d'actifs stable. Le modèle doit se charger rapidement, s'aligner sur le site, se connecter aux identités d'actifs, respecter les permissions et exposer des cibles claires pour les données. Une belle scène reste difficile à exploiter si cette préparation manque. [FactVerse Designer](/products/designer) et [FactVerse Twin Engine](/products/factverse-twin-engine) aident à transformer les modèles sources en actifs réutilisables. Le travail couvre la géométrie, les relations sémantiques, l'alignement terrain et les objets que les applications peuvent référencer. ## Rôle de chaque source | Source | Valeur principale dans le pipeline | |---|---| | BIM | Structure spatiale, systèmes, intention de conception, implantation des équipements, liens documentaires | | CAO et modèles 3D | Géométrie d'équipement, lignes de production, pièces mécaniques, objets fournisseurs | | Nuages de points | Capture as-built, vérification des dégagements, preuves de rénovation, alignement terrain | | Plans et photos | Contexte pour objets manquants, accès, travaux cachés et zones de maintenance | | Registres d'actifs | ID d'actif, nom, propriétaire, système, responsabilité de maintenance | | Données opérationnelles | Capteurs, compteurs, alarmes, états, documents, inspections, procédures | Chaque source doit garder son propriétaire, sa version et son état de revue. Cette traçabilité aide lors d'un conflit terrain, d'une modification de modèle ou d'une validation de scénario. ## Contrôles qualité avant import Les équipes doivent vérifier : * propriétaire, licence, date d'export et statut d'approbation * unités, origine, orientation, système de coordonnées et référence de site * périmètre métier, étages ou zones couverts et version du modèle * poids du fichier, nombre d'objets, textures et environnement cible * règles de nommage pour étages, pièces, systèmes, actifs et classes d'équipement * géométrie sensible, contraintes de sécurité et accès par rôle * liens nécessaires vers registres d'actifs, documents et systèmes opérationnels Ces contrôles limitent les modèles décalés, fichiers trop lourds, équipements doublés, ID manquants et géométries difficiles à réutiliser. ## Préparer la géométrie pour l'exécution Les utilisateurs d'une application opérationnelle ne font souvent pas partie de l'équipe de modélisation. Le modèle doit être lisible, rendu, recherché et mis à jour facilement. * retirer les détails sans valeur pour le workflow cible * découper les grands modèles par site, bâtiment, étage, zone, système ou groupe d'équipements * simplifier les objets répétés en gardant une forme reconnaissable * aligner origine et coordonnées entre BIM, CAO et nuages de points * créer des niveaux de détail pour desktop, mobile, web et réalité mixte * conserver une hiérarchie stable pour labels, filtres, permissions et données * vérifier accès, espaces de maintenance, limites de sécurité et visibilité terrain Le résultat attendu est un modèle fluide qui conserve les objets utiles aux équipes opérationnelles. ## Utiliser les nuages de points pour fiabiliser l'as-built Les nuages de points sont précieux lorsque le site change plus vite que la documentation. Ils aident à comparer la conception et le réel, localiser les équipements installés, confirmer les espaces de service et mettre à jour les zones modifiées. Si un objet BIM, un fichier CAO et un scan terrain divergent, l'équipe peut enregistrer l'écart, mettre à jour la source du modèle et conserver la décision. Les revues portent souvent sur la position des équipements, les dégagements, les réseaux denses, les accès de maintenance, les niveaux de sol, les plafonds, les racks et les travaux temporaires. La revue doit aboutir à une mise à jour de modèle ou à une exception documentée. ## Regrouper les objets comme actifs opérationnels Un objet devient utile lorsque les applications peuvent l'identifier et le réutiliser. Une pompe, une CTA, un groupe froid, un rack, une cellule robot, un poste de packaging, une grue ou une vanne doit porter son contexte opérationnel. Les champs clés incluent ID d'actif, nom affiché, classe, système, étage, pièce, zone, route, modèle source, version, réviseur, statut, documents, SOP, modèles d'inspection, cibles de données et règles d'accès. Le contenu 3D devient alors une bibliothèque d'objets opérationnels partagée par les équipes de facility, terrain, simulation et IA. ## Pipeline DataMesh 1. **Collecter les sources** - BIM, CAO, 3D, nuages de points, plans, photos, listes d'actifs, documents d'équipement et références de systèmes. 2. **Valider les bases du modèle** - Unités, coordonnées, origine, taille, périmètre, hiérarchie, nommage, propriétaire et sécurité. 3. **Normaliser et segmenter la géométrie** - Préparer par étage, zone, système, zone de procédé, groupe d'équipements ou scénario. 4. **Aligner le terrain** - Utiliser les nuages de points ou relevés pour position, dégagement, accès et écarts de rénovation. 5. **Créer des objets opérationnels** - Ajouter ID, classes, espaces, systèmes, documents, modèles d'inspection et cibles de données. 6. **Créer le comportement de scène** - Utiliser Designer pour vues, labels, panneaux, logique de scénario, changement d'étage et parcours. 7. **Publier dans le runtime** - Utiliser Twin Engine et les applications FactVerse pour visualisation, guidage terrain, monitoring, simulation et facility workflows. 8. **Gérer les mises à jour** - Conserver versions, revues, sources et notes de changement lorsque le site évolue. ## Checklist de préparation * Chaque modèle publié est-il traçable vers ses sources et propriétaires ? * Les unités, l'échelle, l'origine, l'orientation et les coordonnées sont-elles validées ? * Le modèle est-il segmenté pour les applications cibles ? * Les étages, zones, systèmes, équipements et routes sont-ils nommés de façon cohérente ? * Les ID d'actifs correspondent-ils au registre ou système de maintenance ? * Les zones sensibles et géométries client sont-elles protégées ? * Les constats de point cloud deviennent-ils des mises à jour ou exceptions documentées ? * Les cibles de données sont-elles prêtes avant usage par tableaux de bord ou IA ? ## Références publiques La [collaboration JTC et DataMesh](/about/news/collaboration-between-jtc-datamesh) montre l'utilisation du BIM et de la réalité mixte pour les séquences de construction et le travail terrain. La [référence Obayashi](/about/news/digital-twin-empowers-bim-obayashi) montre l'apport des données BIM et du contenu de jumeau numérique à la revue de processus de construction. --- ## [GUIDES] Du BIM au jumeau numérique opérationnel: du modèle de conception aux workflows terrain et facility ## Le BIM crée plus de valeur lorsqu'il atteint l'exploitation Le BIM fournit aux équipes projet un modèle de conception riche. Les équipes d'exploitation ont aussi besoin d'un contexte de travail reliant lieux, actifs, systèmes, tâches, états live et preuves. La question utile est de savoir comment le modèle soutient les décisions après la revue de conception: où se trouve un problème, quel actif est concerné, quelle équipe prend l'action suivante et quelles preuves confirment le résultat. Un jumeau numérique opérationnel amène le BIM et les actifs 3D dans les workflows terrain et facility. Il relie la géométrie du modèle à l'identité des actifs, à la hiérarchie spatiale, aux connexions data, aux procédures guidées, aux relevés d'inspection, aux work orders et aux preuves de remise. Le modèle devient un contexte opérationnel partagé pour les équipes construction, les propriétaires, les prestataires de service et les équipes facility. Cette approche est particulièrement utile dans les zones MEP, locaux techniques, étages en rénovation, couloirs de services denses, data centers, campus et installations complexes où plans, photos, listes d'écarts et données système sont répartis dans de nombreux outils. ## Ce qui change lorsque le BIM devient opérationnel | Couche | Usage opérationnel | |---|---| | Hiérarchie spatiale | Site, bâtiment, étage, pièce, zone, itinéraire, zone d'accès et limite de sécurité | | Identité des actifs | IDs équipement, appartenance système, tags, documents, propriétaire et responsabilité de maintenance | | Relations système | Électricité, refroidissement, air, eau, process, contrôle et dépendances amont-aval | | Connexions data | Capteurs, compteurs, alarmes, BMS, SCADA, IoT, CMMS, EAM et historique des travaux | | Workflows terrain | Guidage d'installation, contrôles commissioning, inspections, issues, work orders et preuves d'acceptation | | Workflows facility | Monitoring, maintenance, revue énergétique, planification de rénovation, réponse d'urgence et formation | | Gouvernance | Version du modèle, source de données, propriétaire, processus de mise à jour, revue qualité et statut de remise | Le passage majeur va de la visibilité du modèle à la continuité opérationnelle. Les équipes utilisent le même contexte spatial pendant construction, commissioning, remise, maintenance quotidienne et futures rénovations. ## Workflow DataMesh 1. **Collecter modèles et relevés source** - Rassembler BIM, CAD, nuages de points, plans, listes d'équipements, documents O&M, relevés commissioning, issue logs et photos de site. 2. **Créer le modèle d'objets spatiaux** - Organiser bâtiments, étages, pièces, zones, systèmes, actifs, routes et relations avec FactVerse et Twin Engine. 3. **Connecter les sources de données** - Relier systèmes facility, systèmes enterprise, capteurs, compteurs, alarmes, documents et relevés de travail avec Data Fusion Services. 4. **Créer des scènes utilisables** - Préparer dans Designer scènes, labels, panneaux, comportements, changement d'étage, vues système et présentations de scénario. 5. **Accompagner le terrain** - Utiliser Director et DataMesh One pour guidage d'installation, étapes d'inspection, procédures commissioning, formation et revue des parties prenantes. 6. **Capturer les preuves d'exécution** - Utiliser Inspector pour issues, inspections, photos, actions correctives, work orders, notes d'acceptation et statut de vérification. 7. **Porter le contexte dans l'exploitation** - Maintenir le jumeau avec les évolutions de l'installation afin que maintenance, analyse énergétique, rénovation et urgence utilisent le même contexte actif-espace. Le résultat recherché est une continuité entre données projet et données d'exploitation. ## Workflows qui créent de la valeur en premier - **Coordination construction**: examiner routes MEP, zones d'équipement denses, travaux cachés, séquences d'installation et contraintes terrain en contexte 3D. - **Commissioning et remise**: lier relevés d'acceptation, photos, IDs d'actifs, documents commissioning et points ouverts à la bonne pièce ou au bon équipement. - **Monitoring facility**: connecter états live, alarmes, mesures et statut équipement au jumeau afin que les équipes localisent les événements. - **Inspection et maintenance**: transformer le contexte spatial en inspections, work orders, photos, actions correctives et preuves de clôture. - **Planification de rénovation**: examiner zones concernées, accès, systèmes voisins, relations d'actifs et contraintes terrain avant le démarrage des travaux. - **Revue énergie et durabilité**: relier zones, systèmes, compteurs, relations d'actifs et relevés d'exploitation pour soutenir l'analyse facility et les preuves de préparation Green Mark. Le meilleur pilote commence par un workflow où le contexte spatial résout une difficulté réelle de passage de relais. ## Rôle des produits DataMesh [FactVerse](/products/factverse) fournit la base plateforme pour les jumeaux numériques opérationnels et garde connectés actifs, espaces, données, AI, simulation et workflows. [FactVerse Twin Engine](/products/factverse-twin-engine) transforme BIM, CAD, nuages de points et relevés opérationnels en contexte runtime utilisable par les applications. [Data Fusion Services](/products/dfs) relie données opérationnelles et dossiers métiers au jumeau, avec mapping vers actifs, espaces, systèmes et workflows. [FactVerse Designer](/products/designer) prépare scènes, vues, interactions, explications de scénario et contenus de planification visuelle. [Director](/products/director) prend en charge procédures guidées, guidage d'installation, formation et instructions orientées terrain. [Inspector](/products/inspector) gère inspections, work orders, clôture d'issues, preuves de maintenance et dossiers facility. Ensemble, ces produits aident les équipes à passer de la visualisation projet à un jumeau opérationnel utilisable au quotidien. ## Checklist de gouvernance - Les sources BIM, CAD, nuage de points et plans sont-elles enregistrées avec version et propriétaire? - Les bâtiments, étages, pièces, zones, systèmes et actifs suivent-ils une nomenclature cohérente? - Les IDs d'actifs sont-ils alignés avec les registres enterprise asset et les systèmes de maintenance? - Les connexions data documentent-elles source, unité, règle de rafraîchissement et statut qualité? - Les relevés terrain sont-ils liés au bon espace, actif, task et à la bonne version de scénario? - Les documents de remise, photos, issues, notes d'acceptation et relevés commissioning sont-ils recherchables depuis le jumeau? - Les responsabilités de mise à jour sont-elles claires lorsque l'état de construction ou la configuration facility évolue? - Les équipes facility peuvent-elles utiliser le même contexte pour monitoring, inspection, maintenance, rénovation et formation? Ces contrôles transforment un projet de conversion de modèle en actif opérationnel durable. ## Références publiques La [collaboration entre JTC et DataMesh](/about/news/collaboration-between-jtc-datamesh) montre l'usage du BIM et de la réalité mixte pour comprendre les séquences de construction et soutenir le travail de terrain. La [référence Obayashi](/about/news/digital-twin-empowers-bim-obayashi) montre des données BIM combinées à la réalité mixte pour soutenir les processus de construction. La [référence Toda SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) montre le jumeau numérique et la réalité mixte dans la simulation et la vérification de méthodes de construction. La [visite par projection XR TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) montre la visualisation de jumeau numérique à partir du BIM pour la communication avec les parties prenantes autour d'un bâtiment planifié. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## L'integration commence par l'identite operationnelle La plupart des equipes facilities et industrielles utilisent deja plusieurs systemes. Le CMMS ou l'EAM gere les historiques de maintenance et les actifs. Le BMS surveille les systemes du batiment et les alarmes. SCADA, IoT, MES, ERP, bases documentaires et systemes de tickets detiennent chacun une partie de la realite operationnelle. Le point fragile est souvent l'identite. La meme pompe, centrale de traitement d'air, groupe froid, armoire electrique, utilite de salle propre, actif data center ou systeme de support production peut porter des noms differents dans les plans, points BMS, dossiers maintenance, checklists et notes terrain. Lorsqu'une alarme apparait, l'equipe doit alors chercher dans plusieurs systemes avant de comprendre l'actif concerne, le lieu, le risque, la procedure et le responsable. Un jumeau numerique operationnel apporte une couche de contexte commune. Il relie actifs, espaces, systemes, valeurs temps reel, alarmes, documents, procedures, ordres de travail et preuves terrain afin que les taches soient examinees dans leur environnement operationnel. ## Ce qu'il faut aligner en premier L'integration doit commencer par les objets qui rendent le travail tracable : | Couche | Focus d'integration | |---|---| | Identite actif | IDs equipement, tags, numeros de serie, objets maintenables, relations parent-enfant | | Hierarchie lieu | site, batiment, etage, zone, salle, ligne, zone usine, rack, limite systeme | | Relations systeme | HVAC, electricite, eau, gaz, air comprime, utilities process, systemes data center | | Signaux et alarmes | points BMS, valeurs IoT, tags SCADA, types d'alarme, seuils, severite, fenetre temporelle | | Donnees de travail | ordres CMMS ou EAM, inspections, maintenance preventive, historique service | | Documents | manuels, plans, SOP, permis, calibration, validation | | Preuves terrain | photos, mesures, checklists, notes de reparation, resultats d'acceptation, decisions de revue | L'objectif est un modele de reference stable. Une alarme BMS, un ordre de travail, une route d'inspection, un document et une recommandation AI Agent doivent partager le meme contexte actif et lieu. ## Integration CMMS et EAM Le CMMS et l'EAM restent souvent les systemes de reference pour la maintenance. Ils contiennent registre d'actifs, numeros d'ordres, plans preventifs, historique pieces, temps passe et statut de cloture. Le jumeau numerique operationnel ajoute le contexte spatial et terrain autour de ces enregistrements. Les patterns utiles incluent : * afficher les ordres de travail sur l'actif et le lieu dans le jumeau * lier l'historique maintenance aux equipements, salles, systemes et routes * ouvrir une inspection ou reparation depuis le contexte du jumeau * renvoyer les preuves terrain vers l'ordre approuve * comparer les ordres recurrents sur des actifs ou lieux similaires * connecter manuels, plans et SOP a la vue de tache * conserver decisions de revue et exceptions pour l'analyse future Les planificateurs et equipes terrain voient ainsi l'impact physique du travail, comparent les problemes recurrents et cloturent avec une preuve plus complete. ## Donnees BMS, IoT et SCADA Les donnees BMS deviennent utiles lorsque les noms de points sont relies a des actifs maintenables et a des espaces physiques. Temperature, pression, etat de vanne, alarme pompe ou compteur energie peuvent etre revus avec l'equipement concerne, la salle, les systemes amont et aval, l'historique maintenance et la procedure. Data Fusion Services connecte donnees de points, alarmes, flux d'evenements, donnees enterprise et documents a FactVerse. FactVerse represente ensuite les relations entre actif, espace, systeme, signal, document et workflow. Les equipes doivent definir : * quels points correspondent a quels actifs et espaces * quelles alarmes declenchent inspection, maintenance, escalation ou observation * quelles valeurs servent aux revues energie, fiabilite ou preuves operationnelles * comment signaler les problemes de qualite de donnees * quels systemes detiennent le statut alarme, le statut ordre et la cloture * quels historiques restent disponibles pour l'analyse de tendance et l'evaluation machine learning Une cartographie stable vaut mieux qu'une ingestion tres large sans responsabilite claire. ## Des alarmes aux ordres de travail Le pattern le plus utile est la boucle du signal vers l'action revue : 1. **Detecter** - BMS, IoT, SCADA, inspection ou AI Agent identifie une alarme, tendance anormale, tache manquee ou exception recurrente. 2. **Contextualiser** - FactVerse relie le constat a l'actif, l'espace, la relation systeme, les valeurs, documents, SOP et historiques. 3. **Revoir** - L'equipe responsable verifie severite, preuves, impact operationnel, notes securite et controles recommandes. 4. **Dispatcher** - Le travail confirme part vers Inspector, Checklist, CMMS, EAM ou un systeme d'execution approuve. 5. **Executer** - Les equipes terrain utilisent contexte actif, checklists, photos, mesures, manuels et guidage procedure. 6. **Capturer** - Notes, mesures, photos, pieces, exceptions, resultats d'acceptation et decisions sont enregistres. 7. **Apprendre** - Resultats et corrections alimentent qualite de donnees, reglage des recommandations et evaluation machine learning. Cette boucle relie les recommandations assistees par AI a la revue humaine et aux preuves terrain. ## Operations facilities et data center Dans les smart buildings, campus, data centers et installations industrielles, l'integration commence souvent par des questions recurrentes : * quel actif est concerne par cette alarme * quelle salle, quel systeme, locataire, secteur production ou data hall peut etre touche * le meme probleme est-il deja apparu * quelle SOP, quel plan, manuel ou avis securite s'applique * s'agit-il de maintenance, de revue energie, d'exception operationnelle ou d'inspection * quelles preuves sont necessaires avant la cloture Les equipes data center peuvent utiliser ce pattern pour la gestion multi-sites des actifs, le calcul energie, l'inspection, la maintenance et la visualisation. Les equipes facilities peuvent relier alarmes BMS, compteurs energie, dossiers equipements, routes d'inspection et preuves liees a Green Mark aux dossiers operationnels, avec une evaluation qui reste alignee sur les criteres officiels et la revue projet. ## Roles produits [DataMesh FactVerse](/products/factverse) fournit la couche de contexte operationnel pour actifs, espaces, systemes, relations, permissions, enregistrements et vues de scene. [Data Fusion Services](/products/dfs) connecte CMMS, EAM, BMS, IoT, SCADA, documents, ordres de travail et donnees enterprise aux bons objets du jumeau. [Inspector](/products/inspector) gere alarmes, inspections, ordres de travail, preuves terrain, photos, notes de reparation, acceptation et transmission operationnelle. [Checklist](/products/checklist) structure les inspections repetables, mesures requises, validations et enregistrements terrain orientes conformite. [FactVerse AI Agent](/products/factverse-ai-agent) peut analyser 24x7 les signaux, alarmes, documents, historiques et feedback terrain connectes. Il aide la priorisation, resume les preuves, propose les prochains controles et evalue le feedback apres cloture. [FactVerse Twin Engine](/products/factverse-twin-engine) maintient le modele d'execution pour l'etat du jumeau, les relations, l'interaction et la visualisation operationnelle. ## Checklist d'implementation * Les IDs actifs sont-ils coherents entre CMMS, EAM, BMS, plans et etiquettes terrain ? * La hierarchie des lieux suffit-elle aux equipes mobiles et experts distants ? * Les points BMS et alarmes sont-ils relies aux actifs, espaces, systemes et severites ? * Les proprietaires, statuts, clotures et champs preuve des ordres sont-ils definis ? * Les routes d'inspection et points de checklist utilisent-ils le meme modele actif-espace ? * Manuels, plans, SOP, permis et documents de validation sont-ils relies au contexte de travail ? * Photos, mesures, exceptions et decisions de revue sont-elles conservees ? * Les cas AI Agent s'appuient-ils sur des donnees gouvernees d'actifs, signaux, alarmes, documents et ordres ? * Les responsables donnees, cadence de mise a jour, regles d'acces et responsabilites cyber sont-ils clairs ? ## References publiques La [reference Yokogawa et DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) montre comment donnees industrielles, analyse AI et workflows maintenance peuvent se connecter autour des operations facilities. La [collaboration JTC](/about/news/collaboration-between-jtc-datamesh) montre l'usage DataMesh dans des installations complexes ou contexte spatial, etat equipement et workflows terrain comptent. La [reference NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) montre comment les jumeaux d'usine relient visibilite operationnelle, contexte equipement et collaboration inter-equipes. Le [guide AI alerts to closed-loop work orders](/resources/guides/ai-alert-to-closed-loop-work-orders), le [guide Data Center Operations](/resources/guides/data-center-digital-twin-operations) et le [guide Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) couvrent des patterns voisins d'execution, d'operations facilities et de tracabilite. --- ## [GUIDES] Opérations de data center par jumeau numérique: actifs, énergie, inspection et maintenance ## Les opérations de data center exigent un contexte facility partagé Un data center s'exploite avec de nombreux systèmes spécialisés. DCIM, BMS, EPMS, compteurs, alarmes, registres d'actifs, outils de maintenance et relevés terrain contiennent chacun une partie de la situation. Les équipes opérations doivent aligner site, salle, rack, équipement, chemin électrique, zone de refroidissement, alarme, inspection et historique de travail dans un même contexte. Un jumeau numérique de data center fournit ce contexte. Il relie actifs facility, données infrastructure live, données énergie, routes d'inspection, tâches de maintenance et preuves de work orders dans une vue opérationnelle spatiale. L'objectif est concret: mieux comprendre, inspecter, maintenir, reporter et améliorer le site grâce aux revues engineering. Le même modèle peut servir une installation unique ou un portefeuille multi-sites, avec comparaison de sites, reporting standardisé et preuves opérationnelles cohérentes entre salles, actifs et équipes. ## Ce que le jumeau doit relier | Couche | Contexte opérationnel | |---|---| | Espace | Site, bâtiment, salle, rack, couloir, zone équipement, accès et limite de sécurité | | Actifs | UPS, générateur, switchgear, CRAC, AHU, pompe, chiller, rack, capteur, compteur et responsable service | | Électricité | Données EPMS, chemins électriques, panneaux, feeders, mesures, charge et actifs concernés | | Environnement | Température, humidité, contexte airflow, état cooling, alarmes et conditions de salle | | Maintenance | Routes d'inspection, work orders, historique réparation, photos, notes d'acceptation et statut de vérification | | Documents | Fichiers O&M, procédures, relevés commissioning, manuels actifs et notes de changement | | Gouvernance | Source de données, responsable mise à jour, processus de revue, route d'approbation, qualité des preuves et périmètre rollout | Le jumeau devient utile quand chaque signal mène à un lieu, un actif, une équipe responsable et un dossier de suivi. ## Workflow DataMesh pour data centers 1. **Collecter les sources facility** - Regrouper DCIM, BMS, EPMS, compteurs, alarmes, listes d'actifs, documents équipements, dossiers maintenance, plans d'inspection et dessins de site. 2. **Construire le facility twin** - Organiser dans FactVerse salles, racks, équipements, chemins électriques, zones cooling, compteurs, capteurs, documents et responsabilités service. 3. **Connecter les données opérationnelles** - Utiliser Data Fusion Services pour relier signaux live et dossiers enterprise aux bons actifs, espaces, systèmes et workflows. 4. **Préparer des scènes réutilisables** - Utiliser Data Center DLC et FactVerse Designer pour accélérer la création de scènes de salles, racks, équipements et facility. 5. **Revoir les conditions opérationnelles** - Examiner indicateurs énergie, alarmes, état équipement, problèmes récurrents et priorités maintenance dans le contexte site-actif. 6. **Exécuter le travail terrain** - Utiliser Inspector pour transformer les constats validés en inspections, work orders, notes de réparation, photos, preuves d'acceptation et vérifications. 7. **Comparer et améliorer** - Utiliser des dossiers cohérents entre sites et salles pour revue management, analyse engineering, reporting durabilité et programmes d'efficacité ultérieurs. Le flux le plus utile va du signal au lieu, du lieu au responsable, puis du responsable au travail vérifié. ## Points de départ fréquents - **Registre d'actifs et localisation**: nettoyer les données de salles, racks, équipements facility, compteurs et responsabilités service. - **Calcul énergie et reporting**: connecter mesures, contexte équipement, historique de charge et dossiers opérationnels pour les revues management. - **Workflow alarme et inspection**: placer alarmes, routes, work orders, notes terrain et preuves réparation autour de l'actif concerné. - **Maintenance infrastructure critique**: suivre UPS, générateurs, switchgear, équipements cooling, pompes et historique service. - **Standardisation multi-sites**: appliquer le même modèle salle, actif, énergie et maintenance à plusieurs data centers. - **Preuves d'opérations vertes**: organiser énergie, environnement, maintenance et actions correctives pour gouvernance interne et préparation Green Mark. Un bon périmètre de départ combine données disponibles, ownership clair et problème réel de passage de relais. ## Rôle des produits DataMesh [Data Fusion Services](/products/dfs) relie DCIM, BMS, EPMS, compteurs, historians, alarmes, outils de maintenance et systèmes enterprise. [FactVerse](/products/factverse) fournit le contexte de jumeau numérique facility: salles, racks, actifs, systèmes, connexions data, documents et workflows. [FactVerse DLC](/products/factverse-dlc) fournit dans Designer des bases de scènes data center réutilisables avec salles, racks, actifs facility, contexte énergie et éléments de visualisation. [Inspector](/products/inspector) gère inspections, work orders, dossiers de réparation, photos, notes d'acceptation, vérification et preuves terrain. [FactVerse AI Agent](/products/factverse-ai-agent) peut aider à revoir anomalies, alarmes récurrentes et historique maintenance une fois le modèle de données et le workflow stabilisés. ## Checklist de gouvernance - Les noms de salles, racks, équipements, compteurs et capteurs sont-ils cohérents entre systèmes? - Les IDs d'actifs sont-ils alignés avec DCIM, outils de maintenance, plans et labels terrain? - Les sources électricité, environnement et maintenance ont-elles un responsable et une règle de mise à jour? - Une alarme mène-t-elle à la salle, au rack, à l'actif, au système, au responsable et au dossier de travail? - Les équipes terrain peuvent-elles capturer photos, notes, actions de réparation et preuves d'acceptation dans le même contexte? - Les données énergie peuvent-elles être revues par site, salle, actif, compteur et fenêtre temporelle? - Les rapports multi-sites reposent-ils sur des classes d'actifs et définitions data cohérentes? - Les responsabilités engineering review, approbation client et change control sont-elles claires avant les changements physiques? Ces contrôles gardent le jumeau utile pour le travail quotidien et les revues management. ## Références publiques L'[annonce IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) montre comment DataMesh fournit du contenu réutilisable pour démarrer des scènes data center dans FactVerse Designer. La solution [Data Center Operations](/solutions/ai-agent-data-center) décrit le périmètre opérationnel: visibilité actifs, calcul énergie, inspection, maintenance, work orders et gestion multi-sites. La référence [Yokogawa maintenance prédictive](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) illustre la connexion entre signaux facility industriels et revue maintenance. La référence [Faurecia et EVE Energy](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) montre l'usage de la visibilité opérationnelle et du contexte énergie dans des programmes d'amélioration manufacturing et facility. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## Le travail terrain a besoin de contexte operationnel Le travail frontline depend souvent d'une sequence precise, d'un actif specifique, d'un lieu physique, d'un role forme et d'un dossier consultable plus tard. Un technicien peut isoler un equipement, verifier un panneau, relever une valeur, prendre une photo, signaler une exception et fermer un ordre. Un operateur peut executer setup, nettoyage, line clearance, echantillonnage ou handoff, avec des actions liees a la salle, l'equipement, le materiel et la version de procedure. Les SOP et supports de formation restent utiles, mais ils vivent souvent loin de l'objet de travail. La procedure est dans un systeme documentaire, l'actif dans CMMS ou EAM, le signal dans BMS ou SCADA, la photo dans une app mobile et la decision dans une revue superviseur. Un jumeau numerique operationnel donne une place operationnelle a la procedure. Il relie SOP, actif, lieu, role, guidage visuel, dossier terrain, inspection, ordre de travail et note de revue dans le meme contexte. ## Ce qu'une SOP numerique doit relier | Couche | Detail operationnel | |---|---| | Controle procedure | version SOP, owner, date effective, route d'approbation, audience formation, statut release | | Actif et lieu | ID equipement, salle, zone, ligne, route, connexion utility, limite securite | | Etapes guidees | sequence, prompts, checkpoints, reference visuelle, medias, exceptions | | Role et formation | role requis, completion, resultat evaluation, cycle refresher, historique cohorte | | Execution terrain | operateur, heure debut, statut etape, mesures, photos, notes, incident, lien ordre | | Dossier de revue | revue superviseur, criteres acceptation, correction, statut cloture, audit trail | | Contexte donnees | valeurs live, alarmes, historique maintenance, documents, donnees enterprise | La cible utile est la tracabilite : procedure utilisee, actif ou zone concernes, personne qui a execute, preuves capturees et revue du resultat. ## Creer la procedure dans le contexte spatial [Director](/products/director) est l'environnement d'authoring pour procedures 3D guidees. Il transforme le savoir approuve en etapes avec labels, animations, panneaux, images, videos, checkpoints et prompts visuels. Le contenu commence par les sources existantes : SOP approuvees, instructions, manuels, photos, videos, modeles CAD ou BIM, modeles equipements, listes actifs, notes securite, supports formation et feedback terrain. L'equipe decide ensuite quelles etapes exigent contexte 3D, checklist, photo ou escalation. [FactVerse](/products/factverse) garde la procedure connectee au modele actif-lieu. [Data Fusion Services](/products/dfs) peut ajouter documents, historique de travail, valeurs live et donnees enterprise. ## Capturer les preuves terrain [Checklist](/products/checklist) structure les controles recurrents, mesures requises, validations et dossiers de completion. [Inspector](/products/inspector) relie inspections, incidents, photos, notes de reparation, ordres, acceptation et statut de revue au contexte actif-lieu. Chemin d'execution : 1. **Preparer** - Relier SOP, actif, lieu, role, checklist et preuves requises. 2. **Guider** - Livrer les etapes via le contenu Director et les consignes terrain. 3. **Enregistrer** - Capturer mesures, photos, notes, exceptions et statut. 4. **Escalader** - Transformer le probleme confirme en inspection, reparation ou ordre. 5. **Revoir** - Faire examiner preuves, correction et cloture par superviseur ou qualite. 6. **Ameliorer** - Utiliser exceptions recurrentes pour formation, contenu et donnees actifs. ## Former avant l'execution terrain La formation doit utiliser le meme contexte spatial que l'execution. Un nouvel operateur peut comprendre identite equipement, layout salle, sequence, points de controle, risques et champs preuve avant le travail terrain. [Simulator](/products/simulator) est pertinent quand la formation depend du comportement equipement, des controles, scenarios securite, discipline de route, score et repetition. Equipements lourds, chariots, engins de construction et programmes specifiques peuvent entrainer operation, reponse urgence et evaluation. Pour les operations process et facility, Director et Checklist soutiennent la formation guidee, tandis qu'Inspector transfere le meme contexte actif et tache vers l'execution. ## Patterns par industrie **Manufacturing** utilise les SOP numeriques pour changeover, inspection, support maintenance, troubleshooting ligne, handoff entrepot et utilities de support production. **Pharma et biopharma** les utilisent pour setup, nettoyage, echantillonnage, pesee, line clearance, preparation equipement et handoff operateur. Formation, version SOP, preuves tache, notes exception et revue aident a preparer les preuves GMP et CSV. **Construction et equipements lourds** combinent procedures Director, entrainement Simulator et dossiers Inspector pour travail chantier, operation equipement, routines securite et cloture d'incidents. Grues a tour, chariots, foreuses rotatives, foreuses avec tubage profond, excavatrices et equipements projet peuvent entrer dans les programmes. **Data centers et smart facilities** relient procedures maintenance, routes inspection, alarmes BMS, dossiers actifs, mesures energie, photos et statut ordre. **Entrepots et intralogistique** forment routes, chargement, controles securite, routines chariot, exceptions et maintenance dans le meme contexte actif-lieu. ## Donnees et feedback AI Les preuves terrain donnent aux workflows assistes par AI un contexte plus fiable. Problemes confirmes, recommandations ajustees, exceptions recurrentes, notes de completion, mesures, photos et resultats post-action montrent ou les procedures manquent de clarte, ou la formation doit etre rafraichie et quels actifs presentent des patterns repetes. [FactVerse AI Agent](/products/factverse-ai-agent) peut revoir 24x7 signaux, historique travail, documents, inspections et feedback terrain connectes. Il aide les equipes qualifiees a resumer les preuves, trouver les problemes recurrents, preparer les prochains controles et structurer les travaux a revoir. ## Roles produits [Director](/products/director) cree SOP 3D guidees, prompts, labels visuels, animations, panneaux medias, contenus formation et consignes terrain. [Checklist](/products/checklist) structure controles recurrents, mesures requises, validations de role, statut completion et dossiers mobiles. [Inspector](/products/inspector) gere inspections, incidents, ordres, capture de preuves, notes reparation, acceptation et historique terrain. [Simulator](/products/simulator) soutient la formation operateur lorsque controles, comportement, securite, score et repetition comptent. [FactVerse](/products/factverse) fournit le contexte jumeau numerique operationnel pour actifs, espaces, systemes, procedures, objets de travail, documents et permissions. [Data Fusion Services](/products/dfs) connecte CMMS, EAM, BMS, SCADA, IoT, documents, ordres et systemes enterprise aux bons objets. [FactVerse AI Agent](/products/factverse-ai-agent) soutient revue, triage, preparation de recommandations et analyse feedback apres stabilisation des dossiers. ## Checklist d'implementation * Les versions SOP, owners, dates release et audiences formation sont-ils documentes ? * Les IDs actifs, noms de salles, labels equipements et objets d'ordre sont-ils coherents ? * Les etapes qui demandent 3D, checklist, photos ou mesures sont-elles identifiees ? * Les chemins exception, categories incident, regles escalation et champs cloture sont-ils definis ? * Formation, evaluation et refresher sont-ils relies a la bonne version SOP ? * Les dossiers Inspector et Checklist utilisent-ils le meme modele actif-lieu ? * Photos, mesures, notes, decisions de revue et corrections restent-elles disponibles ? * Les cas AI Agent reposent-ils sur des donnees stables de procedure, actif, ordre et preuve terrain ? ## References publiques La [reference Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) montre la digitalisation maintenance et formation terrain. La [reference Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) montre FactVerse dans les workflows formation et maintenance. La [reference formation securite](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) montre une formation pratique terrain basee sur des digital twins. Le [guide Pharma Operator Training](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), le [guide Heavy Equipment Simulator Training](/resources/guides/digital-twin-heavy-equipment-simulator-training) et le [guide CMMS, EAM and BMS Integration](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) couvrent les workflows adjacents. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## Le contenu réutilisable stabilise les déploiements Les projets de jumeau numérique industriel reconstruisent souvent les mêmes bases: espaces, actifs, routes, catégories d'équipements, labels, panels, procédures et comportements de scène. Chaque site client demande une adaptation, mais de nombreux points de départ restent communs dans un même domaine opérationnel. Les content packs de jumeau numérique créent cette base réutilisable. FactVerse DLC fournit du contenu préconfiguré pour FactVerse Designer. Les équipes partent d'une fondation métier concrète, puis adaptent modèle, scène, mapping de données et workflow à l'installation réelle du client. La valeur principale est la cohérence opérationnelle. Produit, delivery et client peuvent échanger dès le premier atelier autour des mêmes classes d'actifs, structures de scène, enregistrements de travail et vues d'exploitation. ## Ce qu'un content pack doit contenir | Couche | Contenu utile | |---|---| | Classes d'actifs | Types d'équipement, tags, propriétés, règles de nommage et rôles | | Structure spatiale | Site, bâtiment, étage, salle, zone, ligne, route et périmètre de sécurité | | Ressources modèle | Objets 3D, formes simplifiées d'équipement, éléments de layout, labels et états visuels | | Templates de scènes | Vues pour exploitation, maintenance, formation, planification et revue management | | Logique comportementale | Changements d'état, étapes guidées, alarmes, séquences opérationnelles et triggers | | Liaisons de données | Champs source, unités, timestamps, responsables, règles de rafraîchissement et mapping twin | | Contexte workflow | Points d'inspection, champs checklist, passage en ordre de travail, preuves et approbations | | Gouvernance | Version, owner, périmètre, règle de mise à jour, localisation et critères de réutilisation | Le pack doit accélérer le démarrage tout en gardant chaque site configurable. ## Fondations pour les usages industriels **Data Center DLC** aide à préparer salles, racks, équipements facility, contexte énergétique, vues monitoring, routes d'inspection et dossiers de maintenance pour les jumeaux numériques de data center. **Campus DLC** couvre bâtiments, campus, utilities, environnement, accès et contexte facility pour l'exploitation multi-bâtiments et la gestion intelligente des sites. **Warehousing and Logistics DLC** permet de décrire zones d'entrepôt, zones de stockage, routes, lignes de transport, procédures, planification logistique et scénarios de formation. **Discrete Manufacturing DLC** donne des starters d'usine virtuelle pour équipements de production, convoyeurs, AGV, opérateurs, contexte de ligne et scènes de planification personnalisables dans Designer. Ces fondations deviennent utiles lorsqu'elles sont connectées aux actifs, systèmes, procédures et enregistrements opérationnels réels du client. ## Workflow de déploiement DataMesh 1. **Sélectionner la fondation de contenu** - Choisir la base DLC qui correspond au type de site et à l'objectif du projet. 2. **Mapper le site client** - Aligner bâtiments, salles, zones, lignes, équipements, routes et zones de travail avec la nomenclature et les registres d'actifs du client. 3. **Préparer les scènes dans Designer** - Adapter modèles, templates de scènes, vues, labels, panels et logique de comportement dans FactVerse Designer. 4. **Connecter le modèle de données** - Organiser espaces, actifs, relations, documents, contexte de travail et objets réutilisables dans FactVerse. 5. **Lier les données opérationnelles** - Connecter systèmes sources, capteurs, enregistrements d'entreprise, outils de maintenance et documents avec Data Fusion Services. 6. **Raccorder les workflows d'exécution** - Connecter inspections, guidance SOP, ordres de travail, formation et preuves terrain avec Inspector, Director ou d'autres applications. 7. **Capitaliser la réutilisation** - Transformer les actifs, logiques et workflows récurrents en contenu géré pour que les sites suivants démarrent avec une base plus mature. Chaque projet doit améliorer la fondation réutilisable. ## Gérer le DLC comme un actif produit Chaque content pack doit être géré comme un actif produit. Il lui faut un owner, une version, un périmètre, une scène exemple, un plan de localisation, des release notes et des critères pour décider ce qui appartient à la couche réutilisable. La couche réutilisable se concentre sur les structures communes: classes d'actifs, fondations de scène, vues par défaut, logique de départ et patterns d'intégration. Les noms client, règles de sécurité, identifiants de données temps réel, chaînes d'approbation et procédures opérationnelles restent dans la configuration projet. Cette séparation aide DataMesh à maintenir la qualité tout en gardant la flexibilité projet. Sales, delivery et customer success peuvent expliquer plus concrètement ce qui sera réutilisé et ce qui sera adapté au site. ## Rôle des produits DataMesh [FactVerse DLC](/products/factverse-dlc) fournit des content packs de jumeau numérique réutilisables pour les domaines de déploiement industriel courants. [FactVerse Designer](/products/designer) permet d'ouvrir, adapter et assembler les ressources DLC en scènes, vues opérationnelles et contenus de scénario. [DataMesh FactVerse](/products/factverse) conserve le contexte partagé du jumeau numérique: espaces, actifs, relations, documents, liaisons de données et workflows applicatifs. [Data Fusion Services](/products/dfs) connecte les sources de données opérationnelles et les enregistrements d'entreprise aux bons objets du twin. [Inspector](/products/inspector) transforme le contexte twin en inspections, ordres de travail, photos, dossiers de réparation, notes d'acceptation et preuves terrain. [FactVerse AI Agent](/products/factverse-ai-agent) peut utiliser un contexte twin stable et les enregistrements de travail pour les revues opérationnelles lorsque le modèle de données et le workflow sont mûrs. ## Checklist de déploiement - Le pack définit-il clairement les classes d'actifs et propriétés réutilisables? - La structure spatiale correspond-elle à la manière dont le client exploite le site? - Les ressources modèle sont-elles assez légères pour les scènes interactives et assez claires pour l'exploitation? - Les templates de scènes sont-ils liés à des workflows réels comme inspection, planification, formation, monitoring ou maintenance? - Les liaisons de données documentent-elles source, unité, owner, règle de rafraîchissement et statut qualité? - Les champs Inspector, le passage en ordre de travail et les preuves sont-ils définis avant le rollout terrain? - Versioning, localisation et ownership du contenu sont-ils clairs? - Les améliorations d'un projet peuvent-elles devenir du contenu réutilisable pour les projets suivants? Un content pack utile réduit le setup répété et augmente la cohérence entre projets. ## Références publiques L'[annonce IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) montre comment le contenu réutilisable aide à démarrer des scènes de jumeau numérique de data center dans FactVerse Designer. La [mise à jour Warehousing and Logistics DLC](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) montre la même approche appliquée aux environnements logistiques, routes, layouts et scénarios d'exploitation. La [référence Jebsee FactVerse](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) montre comment la planification de ligne de production bénéficie d'un contexte digital twin partagé pendant la planification d'automatisation et la communication avec les parties prenantes. La [référence NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) montre comment les équipes de fabrication utilisent le jumeau numérique comme base de visibilité usine et d'amélioration opérationnelle. --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## La formation des engins lourds demande une pratique répétable La formation des opérateurs d'engins lourds est difficile à standardiser. Les machines réelles sont coûteuses à réserver, les sites imposent des contraintes sécurité, et les formateurs expérimentés ont un temps limité. Un apprenant a aussi besoin de plus qu'une vidéo ou une checklist. Il doit comprendre la machine, la réponse des commandes, la séquence de travail, le contexte site, les points de risque et la qualité de chaque action. La formation simulateur avec jumeau numérique donne un environnement contrôlé pour pratiquer ces compétences. L'opérateur suit un scénario avec comportement réaliste de l'équipement, commandes physiques ou desktop, retour visuel, consignes et règles d'évaluation. Les formateurs peuvent répéter la même tâche, comparer les résultats et construire un dossier de compétence plus clair. Chez DataMesh, Simulator porte la formation à l'opération d'engins lourds. Il complète les SOP créées dans Director, la planification de scène dans Designer et le contexte digital twin de FactVerse. ## Ce qu'un scénario simulateur doit contenir | Couche | Rôle | |---|---| | Modèle équipement | Géométrie, échelle, vue cabine, pièces mobiles, zone de travail et comportement propre à l'équipement | | Physique | Mouvement, collision, charge, interaction sol, vibration et limites sécurité pertinentes | | Commandes | Joysticks, pédales, panneaux, direction, commandes desktop ou layout spécifique | | Procédure | Étapes, guidage vocal ou texte, signaux, checkpoints et gestion des exceptions | | Contexte site | Zone chantier, routes, obstacles, zones de travail, matériaux, équipements proches et conditions de visibilité | | Évaluation | Temps, précision, conformité, collisions, qualité de trajectoire, fluidité et enregistrements de fin | | Dossier de revue | Profil apprenant, version scénario, score, notes, replay et retour formateur | Les meilleurs scénarios relient ces couches. Levage par grue à tour, route de chariot élévateur, tâche de foreuse, routine de tubage profond ou opération d'excavatrice doivent devenir des tâches structurées. ## Couverture équipement et design des scénarios DataMesh Simulator prend en charge des programmes pour grues à tour, chariots élévateurs, foreuses rotatives, foreuses à tubage de puits profond, excavatrices et autres engins lourds. Chaque programme commence par l'objectif de formation: familiarisation, séquence opératoire, réponse aux exceptions, préparation certification, formation service international ou évaluation guidée par formateur. Cet objectif détermine le matériel, la fidélité de scène, les commandes, les règles de score et la profondeur du contenu. Certaines équipes ont besoin d'une plateforme de mouvement et d'une cabine. D'autres utilisent un poste desktop pour la familiarisation. Les programmes distribués peuvent choisir une configuration portable. Le contenu simulateur doit donc être planifié comme un programme de formation équipement. Modèle, commandes, scénario, score et revue doivent correspondre à la compétence opérationnelle. ## Workflow DataMesh 1. **Définir le rôle de formation** - Identifier équipement, rôle opérateur, compétence cible, priorité sécurité et exigence d'évaluation. 2. **Créer le twin équipement** - Préparer modèle, pièces mobiles, vue cabine, mapping des commandes, comportement physique et environnement. 3. **Authorer le parcours** - Créer étapes, consignes, checkpoints, signaux et cas d'exception. 4. **Configurer la station** - Choisir plateforme de mouvement, cabine, panneau, poste desktop, système visuel ou configuration mixte. 5. **Pratiquer et évaluer** - Répéter les tâches, donner du feedback et réaliser des évaluations structurées. 6. **Enregistrer les preuves** - Stocker scores, clôtures, notes formateur, versions de scénario et preuves de revue. 7. **Améliorer le cours** - Mettre à jour les scénarios lorsque équipement, procédures, règles site ou objectifs changent. Le résultat est un système de formation réutilisable. ## Rôle dans le stack FactVerse [Simulator](/products/simulator) porte la formation opérateur d'engins lourds lorsque comportement équipement, réponse des commandes, interaction physique et évaluation sont centraux. [FactVerse](/products/factverse) fournit la base plateforme. [FactVerse Twin Engine](/products/factverse-twin-engine) organise assets, contexte de scène, comportement et état du scénario. [FactVerse Designer](/products/designer) soutient l'authoring de scène, la planification de layout et la préparation des scénarios. [Director](/products/director) soutient les SOP guidées et contenus interactifs. [Inspector](/products/inspector) soutient preuves terrain, inspections, clôture d'issues et workflows d'évidence lorsque la formation se connecte à l'exécution site. Ces produits aident les équipes formation à relier la pratique équipement au même contexte digital twin utilisé pour planification, guidage et opérations. ## Version publique de référence sur Steam DataMesh publie [Operator Training: Heavy Equipment sur Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) comme expérience publique simplifiée. La page Steam indique DataMesh comme développeur et éditeur, et présente une expérience simulateur légère pour les utilisateurs publics. Cette version aide à comprendre le concept: opération machine, pratique guidée, contexte visuel et simulation équipement. Les projets enterprise et éducation ajoutent matériel spécifique, commandes, contenu de cours, critères de score, conception cabine, options de plateforme de mouvement et exigences d'intégration. ## Checklist d'évaluation - Le scénario correspond-il à une tâche réelle ou à un objectif d'évaluation? - Le modèle inclut-il pièces mobiles, comportement des commandes et hypothèses physiques utiles? - La configuration matérielle correspond-elle au niveau apprenant et à l'objectif? - Étapes, signaux, checkpoints et exceptions sont-ils définis clairement? - Les règles de score sont-elles liées à une opération sûre et correcte? - Les formateurs peuvent-ils revoir replay, notes, scores et versions? - Les dossiers de formation se relient-ils au LMS, à la sécurité ou aux opérations? - Le cours peut-il évoluer avec les équipements, règles site ou procédures? Ces questions relient la formation simulateur à la compétence opérateur et à la préparation opérationnelle. ## Références publiques DataMesh dispose de références publiques sur la [formation grue à tour](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), les [environnements de formation excavatrice](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), la [Simulator Platform basée sur digital twin](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) et [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training). La page Steam [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) fournit une référence publique pour une expérience simplifiée publiée par DataMesh. --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## Du modèle visuel à la boucle opérationnelle Un jumeau numérique traditionnel démarre souvent avec un modèle 3D, des données BIM, une géométrie d'équipement ou un tableau de bord. Cette couche donne aux équipes un contexte partagé pour comprendre un site, une ligne de production, un actif ou un chantier. Un jumeau numérique exécutable ajoute la boucle opérationnelle autour de ce modèle. Il connecte données temps réel, relations entre actifs, logique de processus, simulation, approbations, ordres de travail et preuves de validation. Les équipes peuvent examiner l'état courant, évaluer des scénarios, affecter le travail et conserver la base factuelle de chaque décision. C'est une fondation pour Physical AI dans les environnements industriels et les sites d'exploitation. Les recommandations AI gagnent en utilité quand elles sont ancrées dans les actifs réels, le contexte spatial, les contraintes physiques, l'historique de travail et les workflows d'approbation. ## Les composants d'un jumeau exécutable Un jumeau exécutable combine généralement six couches : - **Structure spatiale et actifs** : sites, bâtiments, étages, zones, systèmes, équipements, points, documents et responsabilités. - **Données opérationnelles live** : BMS, SCADA, IoT, compteurs, historians, CMMS, ERP, MES et autres systèmes sources. - **Comportement et logique de processus** : étapes, hypothèses de contrôle, dépendances, procédures et conditions d'événement. - **Simulation et revue de scénarios** : options d'agencement, analyse de flux, mouvement d'équipement, comportement physique et comparaison. - **Workflows et exécution terrain** : inspections, tâches, ordres de travail, SOP, formation, réception et transfert. - **Gouvernance et preuves** : approbations, enregistrements, versions de modèle, photos, notes et résultats d'exploitation. La valeur vient de la connexion entre ces couches. Le modèle montre la position d'un actif. Le jumeau exécutable montre aussi les données de cet actif, le processus qu'il supporte, le scénario étudié, le travail affecté et le résultat vérifié. ## Pourquoi Physical AI a besoin de ce contexte Physical AI traite des opérations réelles. Une recommandation doit correspondre au site, à l'actif, au processus, aux équipes et aux règles de sécurité et d'approbation. Une réponse de modèle isolée couvre difficilement toutes ces conditions. Le jumeau exécutable apporte à Physical AI un contexte opérationnel gouverné : - Il relie chaque signal à un actif, un système, une zone et un processus. - Il fournit historique et état temps réel pour l'analyse. - Il offre un espace pour comparer les options par simulation. - Il transmet les actions approuvées vers inspection, maintenance, formation ou construction. - Il conserve la trace des recommandations, approbations, exécutions et validations. Pour un acheteur, l'enjeu est de savoir si le jumeau numérique devient une partie du système d'exploitation. ## Le rôle de la stack DataMesh [Data Fusion Services](/products/dfs) connecte les sources de données d'entreprise, industrielles, IoT et de bâtiment. [FactVerse](/products/factverse) organise les données, actifs, scènes et contextes applicatifs. [FactVerse Twin Engine](/products/factverse-twin-engine) rend et exécute l'expérience 3D du jumeau sur différents appareils et scénarios. [FactVerse Designer](/products/designer) prend en charge la création de scènes, la logique de processus, la planification virtuelle et les workflows de simulation. Pour les équipes utilisant NVIDIA Omniverse, [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) peut transférer structure de scène, métadonnées et contexte de comportement FactVerse vers des workflows USD et Omniverse. [FactVerse AI Agent](/products/factverse-ai-agent) exploite le contexte connecté pour l'analyse d'anomalies, les prévisions, les questions opérationnelles, les synthèses de recommandations et le passage de décision. [Inspector](/products/inspector) transforme les constats approuvés en inspections, ordres de travail, traces terrain, réception et preuves. Ces couches permettent aux équipes de voir, analyser, simuler, exécuter et revoir le même jumeau numérique. ## Modèle de déploiement courant Une mise en œuvre pragmatique commence avec une boucle opérationnelle : 1. Connecter les sources de données et définir la responsabilité de chaque système. 2. Mapper actifs, espaces, systèmes et points dans une structure commune. 3. Ajouter logique de comportement, étapes de processus, procédures ou hypothèses de scénario. 4. Valider les options par simulation, revue d'ingénierie ou replay opérationnel. 5. Transférer les actions approuvées vers inspection, maintenance, formation ou construction. 6. Capturer les preuves d'achèvement et comparer le résultat aux données opérationnelles. Ce modèle garde le projet concret et montre si le jumeau entre dans l'exécution quotidienne. ## Où la valeur apparaît | Point de départ | Usage pratique | |---|---| | Opérations de site | Connecter actifs, compteurs, points BMS, inspections et maintenance dans le contexte spatial | | Maintenance prédictive | Combiner capteurs, historique d'actifs, anomalies, ordres de travail et preuves | | Simulation de processus | Comparer agencements, flux matière, mouvements d'équipement et hypothèses avant changement | | Guidage construction | Relier BIM, contexte chantier, méthodes, planning et instructions terrain | | Formation terrain | Transformer équipements, procédures, risques et scénarios en parcours de formation réutilisables | Le premier cas d'usage doit avoir des données propriétaires claires, un processus mesurable et une équipe capable d'exécuter et vérifier les actions. ## Liste d'évaluation Utilisez ces questions pour comparer les plateformes : - La plateforme connecte-t-elle les données live aux actifs, systèmes et espaces ? - Peut-elle représenter comportement, logique de processus et hypothèses de scénario ? - Les équipes peuvent-elles simuler ou revoir les scénarios avant une modification opérationnelle ? - Les recommandations peuvent-elles passer vers des workflows approuvés d'inspection, maintenance, formation ou construction ? - Les équipes terrain peuvent-elles capturer photos, notes, réception et statut d'achèvement ? - Ingénierie et opérations peuvent-elles retracer données, contexte de modèle et historique d'approbation ? - Le même jumeau peut-il soutenir visualisation, monitoring, simulation et exécution de workflows ? - La plateforme prend-elle en charge la gouvernance d'entreprise sur utilisateurs, sites et systèmes ? Un jumeau exécutable devient utile lorsque chaque réponse correspond à un workflow réel et à une équipe responsable. ## Résultats pratiques Les jumeaux numériques exécutables aident les équipes industrielles et les équipes de site à passer de la visualisation partagée à l'exécution gouvernée. Les premiers résultats sont concrets : contexte opérationnel plus clair, revue interéquipes plus rapide, meilleur passage de l'analyse au terrain, preuves renforcées et comparaison de scénarios plus disciplinée. Quand la boucle opérationnelle mûrit, Physical AI dispose d'un contexte plus riche. Les recommandations peuvent s'appuyer sur les données d'actifs, les relations systèmes, les résultats de simulation, l'historique de travail et la gouvernance du site. Le jumeau numérique devient alors une couche de travail pour les décisions réelles. --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## Les opérations de chauffage nécessitent un contexte connecté Les équipes de chauffage urbain prennent des décisions à partir de plusieurs sources à la fois : état de la source de chaleur, données du réseau primaire et secondaire, conditions des sous-stations, commentaires côté bâtiment, prévisions météorologiques, dossiers de plaintes, inspections sur le terrain, historique de maintenance et règles de répartition. Chaque système explique une partie du fonctionnement. Le travail acharné consiste à relier ces signaux en une décision que les opérateurs peuvent examiner, approuver, exécuter et vérifier. [HeatOps](/solutions/heatops) est le module industriel de chauffage urbain de [FactVerse AI Agent](/products/factverse-ai-agent). Il utilise [Data Fusion Services](/products/dfs) pour connecter les données d'exploitation, [FactVerse](/products/factverse) pour conserver le contexte du réseau et des actifs, et Inspector ou les systèmes de bons de travail des clients pour assurer la traçabilité des actions sur le terrain. L'objectif est pratique : aider les équipes de chauffage à prévoir la demande, à diagnostiquer le comportement du réseau, à examiner les options de répartition, à coordonner le travail sur le terrain et à préserver les preuves opérationnelles qui sous-tendent les décisions. ## Ce que le modèle opérationnel relie | Calque | Contexte opérationnel | |---|---| | Sources de chaleur | Chaudières, pompes à chaleur, CHP, chaleur résiduelle, stockage, combustible, électricité, capacité et disponibilité | | Réseau | Réseau primaire, embranchements, pression, débit, température d'alimentation et de retour, vannes, fuites et contexte d'isolation | | Sous-stations | Échangeurs de chaleur, pompes, vannes de régulation, compteurs, pression différentielle, efficacité, alarmes et historique d'entretien | | Bâtiments | Zones de bâtiment, retour d'information intérieur, température côté utilisateur, problèmes de confort, inertie thermique et priorité de service | | Contexte externe | Prévisions météorologiques, historique de charge, jours fériés, schémas d'occupation, contexte tarifaire et demandes de service | | Exécution des travaux | Expédier les commandes, les inspections, les tâches de réparation, le nettoyage, le réglage des vannes, les travaux d'isolation, les photos et les dossiers d'acceptation | | Gouvernance | Source de recommandation, chemin d'approbation, limites de commandes, règles de restauration, examen des résultats et piste d'audit | La valeur vient de la liaison de ces couches. Une plainte relative à une basse température doit être traçable au contexte du bâtiment, au comportement de la sous-station, à l'état du réseau de succursales, aux travaux antérieurs et à la décision de l'opérateur qui en découle. ## Flux de travail DataMesh pour HeatOps 1. **Connectez les sources d'exploitation** - Rassemblez les balises SCADA, SIS, PVSS, PLC, les compteurs, la météo, GIS, les enregistrements de réclamations, le contexte de facturation, les systèmes de maintenance et les journaux de répartition. 2. **Construisez le jumeau du chauffage** - Modélisez des sources de chaleur, des canalisations, des sous-stations, des vannes, des pompes, des compteurs, des bâtiments, des zones et des zones de service dans FactVerse. 3. **Lier les signaux aux actifs** - Utilisez Data Fusion Services pour mapper les températures, les pressions, les débits, les alarmes, les relevés d'énergie et les enregistrements de travail aux actifs et segments de réseau appropriés. 4. **Examinez la demande et les risques** - Utilisez FactVerse AI Agent pour préparer des prévisions de demande, des explications sur les changements de charge, des résumés de modèles anormaux et des options de répartition pour examen par l'opérateur. 5. **Coordonner l'action** - Transformez les résultats approuvés en notes d'expédition, inspections sur le terrain, bons de travail, tâches d'ajustement ou étendues de réécriture contrôlées. 6. **Vérifiez le résultat** - Comparez les lectures post-action, les commentaires de confort, les alarmes, les modèles de perte de chaleur et les preuves d'ordre de travail avec les résultats d'origine. Ce workflow conserve les recommandations AI attachées au contexte opérationnel qui les a produites. ## Prévision, diagnostic et revue des expéditions HeatOps peut prendre en charge trois modes de travail connectés : - **Prévision de la demande** : comparez la météo, la charge historique, l'état du réseau, la réponse du bâtiment et les contraintes d'exploitation avant l'arrivée des changements dans la demande. - **Diagnostic réseau** : examinez le delta alimentation-retour, la pression différentielle, le débit, l'eau d'appoint, le comportement de l'échangeur de chaleur, l'état de la pompe, l'état de la vanne, les indicateurs de fuite, les signes d'encrassement et les problèmes répétés de l'utilisateur final. - **Examen de répartition** : préparez les actions examinées par l'opérateur, telles que les changements de température d'alimentation, les changements de fréquence de pompe, le réglage des vannes, la stratégie de préchauffage, la préparation du personnel et la priorité des inspections sur le terrain. La recommandation doit expliquer la portée, la raison, l'effet attendu, l'approbation requise et les preuves de suivi. Cela rend la sortie du AI consultable par le personnel de la salle de contrôle, les équipes d'ingénierie, les équipes de terrain et les responsables. ## De la recommandation à l’exécution auditable Les opérations de chauffage impliquent la sécurité, le confort, les contrats, les limites des équipements et la responsabilité du service. Le chemin d’exécution doit donc être échelonné. Commencez par l’aide à la décision. Les opérateurs examinent les prévisions, les diagnostics et les actions recommandées dans le contexte du jumeau numérique. L'étape suivante est l'exécution assistée : les recommandations approuvées deviennent des enregistrements d'expédition, des tâches sur le terrain, des ordres de travail et des contrôles de suivi. Une écriture contrôlée peut être ajoutée une fois que l'autorité, la plage de commandes, les verrouillages de sécurité, les règles d'annulation et les exigences d'audit sont définies. Les systèmes de bons de commande [Inspector](/products/inspector), [Checklist](/products/checklist) et clients peuvent préserver le côté terrain de la boucle : qui a inspecté la station, ce qui a été ajusté, quelles photos et relevés ont été capturés, quand le travail a été terminé et si l'état s'est amélioré. ## Bilans énergie-carbone et revue de direction Les opérateurs de chauffage ont besoin de preuves saisonnières, et pas seulement d'écrans en temps réel. HeatOps peut structurer la quantité de chaleur, le combustible, l'électricité, l'énergie de pompage, les pertes de chaleur, les commentaires sur le confort, la réponse aux incidents, les activités de rénovation et les travaux sur le terrain dans les dossiers d'exploitation pour examen par la direction. Ces enregistrements aident les équipes à comparer les stratégies de répartition, les résultats des mises à niveau, les performances des sous-stations et les segments du réseau au fil du temps. Ils facilitent également les discussions sur la performance énergie-carbone avec les propriétaires, les équipes municipales, les sociétés de services et les partenaires d'ingénierie en utilisant la même piste de données. Les méthodes comptables, les limites de reporting et les facteurs carbone restent spécifiques au projet. HeatOps fournit le contexte opérationnel connecté et les preuves traçables nécessaires à l'examen. ## Liste de contrôle de préparation des données Avant le déploiement, vérifiez ces conditions : - SCADA, SIS, PVSS, PLC et les balises de compteur ont des noms, des unités, des horodatages et une propriété stables. - Les sources de chaleur, les sous-stations, les vannes, les pompes, les compteurs, les bâtiments, les zones et les segments de réseau peuvent être cartographiés dans le jumeau numérique. - La météo, l'historique de chargement, les enregistrements de plaintes et les bons de travail peuvent être connectés par heure, zone, actif ou station. - Les opérateurs et les ingénieurs s'accordent sur des règles d'approbation pour les recommandations d'expédition. - Les équipes sur le terrain peuvent enregistrer les inspections, les ajustements, les photos, les relevés et les preuves d'acceptation de manière structurée. - Les règles de réécriture contrôlée sont documentées avant l'introduction d'un chemin de commande. - Les mesures pilotes sont basées sur des dossiers d’exploitation vérifiés. Le premier déploiement doit utiliser une zone de service confinée ou un groupe de sous-stations où l'équipe dispose de suffisamment de données, d'une propriété claire et de questions d'exploitation fréquentes. ## Points de départ pratiques | Point de départ | Pourquoi ça marche | |---|---| | Aperçu de la sous-station | Les équipes peuvent connecter la température, la pression, le débit, l'état de la pompe, l'état des vannes, la quantité de chaleur, les alarmes et l'historique d'entretien autour d'un groupe d'actifs connu. | | Préparation aux changements climatiques | La prévision de la demande peut aider les opérateurs à se préparer avant que les fronts froids, les périodes chaudes ou les modèles d'occupation inhabituels n'affectent le service. | | Plaintes à basse température | Les enregistrements de plaintes peuvent être examinés en fonction du contexte du bâtiment, de l'état de la sous-station, de la pression des branches et de la maintenance antérieure. | | Alarmes de station répétées | L'examen assisté par AI peut résumer les modèles et déplacer les problèmes confirmés vers des tâches d'inspection ou de maintenance. | | Examen de l'énergie et des pertes de chaleur | Les enregistrements saisonniers peuvent relier la sortie source, le comportement du réseau, les conditions du bâtiment et le travail sur le terrain. | Ces points de départ créent une boucle révisable avant que les équipes ne se développent dans des scénarios d’optimisation ou de contrôle plus larges. ## Références publiques Le [HeatOps solution page](/solutions/heatops) décrit la portée du module de chauffage urbain à l'intérieur du FactVerse AI Agent. Les modèles [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) et [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders) décrivent les modèles adjacents pour connecter les signaux des installations, le contexte du jumeau numérique, les ordres de travail et l'action sur le terrain vérifiée. Le [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) affiche le contexte du jumeau numérique DataMesh dans un environnement d'installation connectée. Le [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) montre le modèle plus large de transformation des signaux industriels en examen de maintenance assisté par AI. --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## Les agents IA industriels ont besoin du contexte terrain Usines, campus, data centers, réseaux de chaleur, entrepôts logistiques et sites frontaliers fonctionnent avec des systèmes physiques connectés. Un agent IA utile doit comprendre les actifs, les lieux, les signaux en temps réel, l'historique d'exploitation, les procédures, les ordres de travail et les responsabilités. [FactVerse AI Agent](/products/factverse-ai-agent) est conçu pour cette couche opérationnelle. Il utilise la base de jumeau numérique FactVerse, les données industrielles connectées, les connaissances d'entreprise, les enregistrements Inspector et les circuits d'approbation humaine pour rendre les recommandations auditables, exécutables et améliorables. ## La boucle d'exploitation 1. **Connecter signaux et connaissances** - Data Fusion Services réunit données d'équipement, systèmes de site, signaux SCADA ou BMS, historique de maintenance, documents, SOP et systèmes d'entreprise. 2. **Ancrer dans le jumeau numérique** - FactVerse et Twin Engine relient ces données aux actifs, espaces, systèmes, relations et états de workflow. 3. **Analyser avec AI Agent** - L'agent examine tendances, alarmes, historique, règles d'exploitation et contexte site pour préparer constats et prochaines actions. 4. **Revoir et approuver** - Opérateurs, ingénieurs ou superviseurs confirment les recommandations selon l'autorité et le niveau de risque. 5. **Exécuter sur le terrain** - Inspector, Checklist, les systèmes CMMS ou EAM et les applications frontline transforment l'action approuvée en ordre de travail, inspection, tâche guidée ou formation. 6. **Réinjecter les résultats** - Notes de clôture, photos, mesures, exceptions, décisions et résultats deviennent des preuves pour la revue et l'amélioration des modèles. ## Fonctionnement 24/7 et apprentissage continu Les événements industriels traversent les équipes, les week-ends, la météo, les cycles de production et les fenêtres de maintenance. FactVerse AI Agent peut traiter continuellement les signaux, alarmes, mises à jour d'ordres de travail, inspections et retours terrain connectés. Les équipes restent informées des changements importants même lorsque les spécialistes ne surveillent pas un tableau de bord. Chaque action terminée ajoute des exemples : signaux anormaux, causes confirmées, suggestions rejetées, réparations réalisées, notes opérateur, photos d'inspection et résultats mesurés. Ces données peuvent alimenter l'entraînement, le réentraînement, l'évaluation et le réglage des modèles de machine learning. L'agent s'aligne progressivement sur les données et pratiques propres au site client. ## Modules industriels typiques | Module | Périmètre opérationnel | |---|---| | Maintenance prédictive | Santé des actifs, explication d'anomalie, priorité maintenance, ordre de travail et vérification | | HeatOps | Revue de demande, diagnostic réseau de chaleur, support dispatch, travaux de sous-station et preuves énergie-carbone | | Inspection et maintenance de site | Recherche d'actifs, planification d'inspection, dépannage, preuves et suivi maintenance | | Inspection frontière et logistique | Procédures spatiales, checklists, exceptions, dossiers d'inspection et transfert entre équipes | | Guidage opérateur et formation | SOP numériques, étapes équipement, rappels sécurité et dossiers de formation | | Opérations d'installations semi-conducteurs | Contexte sub-fab, utilités, revue d'événements et intégration des ordres de travail | ## Coopération des produits [Data Fusion Services](/products/dfs) prépare les données. [FactVerse](/products/factverse) et [FactVerse Twin Engine](/products/factverse-twin-engine) fournissent le jumeau numérique opérationnel. [FactVerse AI Agent](/products/factverse-ai-agent) résume les preuves, compare les schémas, prépare les recommandations et explique les causes probables. [Inspector](/products/inspector), Checklist et les systèmes CMMS ou EAM connectés assurent la traçabilité de l'exécution. [FactVerse Designer](/products/designer) soutient la création de scènes, la planification, la préparation de simulation et les workflows Physical AI. ## La revue humaine reste dans la boucle Les décisions industrielles touchent la sécurité, la disponibilité, les contrats, la conformité et la durée de vie des actifs. Les tâches à faible risque peuvent passer rapidement vers l'inspection ou l'ordre de travail. Les arrêts d'équipement, changements de réglage, modifications de procédé ou procédures réglementées exigent une validation adaptée. La même boucle conserve la recommandation, le réviseur, l'action approuvée et le résultat. ## Commencer par un workflow vérifiable Un premier déploiement doit avoir un périmètre clair, des données accessibles, un propriétaire et des résultats mesurables : classe d'actifs critique, tournée d'inspection, groupe de sous-stations, zone data center, workflow logistique ou procédure opérateur. Connectez les données et enregistrements, définissez les règles de revue, routez les constats confirmés vers le système d'exécution, puis utilisez les résultats pour améliorer les recommandations. ## Checklist d'évaluation - Les signaux, documents et ordres de travail sont-ils reliés aux bons actifs et espaces? - L'AI Agent peut-il expliquer les preuves derrière une recommandation? - Chaque recommandation a-t-elle un responsable, un chemin d'approbation et une destination d'exécution? - Les équipes terrain peuvent-elles enregistrer notes, photos, mesures, exceptions et vérifications? - Les suggestions rejetées ou corrigées améliorent-elles les recommandations futures? - Les mises à jour de machine learning sont-elles revues avec les preuves opérationnelles? ## Références publiques Le [lancement de FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) décrit l'orientation publique de DataMesh pour les opérations pilotées par la simulation. Les références [Yokogawa et DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) et [Singtel FutureNow](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) montrent des contextes connexes de jumeau numérique opérationnel. --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## Pourquoi relier FactVerse et Omniverse La simulation industrielle a besoin d'un contexte opérationnel fiable et d'un environnement de simulation riche. Les équipes opérations veulent conserver actifs, relations, données temps réel, responsabilités et sens métier. Les équipes simulation veulent travailler avec rendu, scènes USD, comportement physique et revues de scénario. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) relie ces couches. Une usine, un site, une ligne ou une zone logistique peut être préparée dans [FactVerse](/products/factverse) et [FactVerse Designer](/products/designer), puis exploitée dans NVIDIA Omniverse sous forme de workflow USD. Ce workflow soutient Physical AI: le jumeau numérique garde le lien avec les actifs réels et les données d'exploitation, tandis qu'Omniverse, RTX, PhysX et Newton aident à valider rendu, contexte capteur, mouvement, collision, layout, flux matière, packaging, trajectoires robot et interactions avec les zones de sécurité. ## Omniverse comme couche de fondation Le positionnement public actuel de NVIDIA met l'accent sur Omniverse comme ensemble de libraries, microservices, APIs et SDKs basés sur OpenUSD pour développer des applications Physical AI. Comme CUDA fournit des blocs de base pour le calcul accéléré, Omniverse fournit des blocs de base pour la simulation et les jumeaux numériques: OpenUSD pour l'interopérabilité et les assets SimReady, RTX pour le rendu et la simulation de capteurs, PhysX et Newton pour la physique, et des services de données pour l'échange de scènes. Pour les clients DataMesh, cela clarifie la répartition des rôles. FactVerse et Designer créent la scène d'usine ou de facility, la sémantique des assets, les liaisons de données, la logique de comportement et la préparation SimReady. Les capacités Omniverse fournissent ensuite le rendu, la simulation physique et l'échange de données intégrables dans les workflows industriels, la simulation robotique, les outils partenaires ou les applications personnalisées. Références NVIDIA: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## Workflow de bout en bout 1. **Construire le jumeau opérationnel** - Modéliser site, ligne, hiérarchie d'équipements, positions, métadonnées, documents et responsabilités dans FactVerse. 2. **Créer le scénario** - Définir layout, logique de processus, behavior trees, cadence, chemins et variantes dans FactVerse Designer. 3. **Préparer la couche USD** - Organiser ressources USD, matériaux, échelle, coordonnées, identité objets et règles de version. 4. **Transférer le contexte vers Omniverse** - Utiliser l'adaptateur pour transférer structure de scène, métadonnées, liaisons de données et logique comportementale. 5. **Valider le scénario** - Revoir rendu, mouvements, collisions, espacements, trajectoires robot, flux matière, accessibilité et timing. 6. **Conserver les décisions** - Capturer hypothèses, constats, captures d'écran, versions et notes d'ingénierie pour planification, formation ou mise en oeuvre. ## Informations à transférer | Couche | Utilité | |---|---| | Hiérarchie site et scène | Garder bâtiments, zones, lignes, stations et équipements organisés | | Identité actif | Relier les résultats de simulation aux équipements réels | | Relations spatiales | Préserver position, dégagement, chemins, zones de collision et espaces de travail | | Métadonnées et sémantique | Garder type, rôle, ownership, documents et relations système | | Liaisons de données | Refléter état équipement, capteurs, alarmes et signaux opérationnels | | Logique comportementale | Porter états, séquences, chemins et timings dans la validation | | Versions | Comparer changements, hypothèses et résultats de revue | ## USD, RTX, PhysX et Newton USD structure les assets, matériaux, variantes, layers et workflows collaboratifs. Dans ce parcours, USD sert de passerelle entre le jumeau opérationnel et la simulation Omniverse. RTX soutient le rendu haute fidélité et la simulation de capteurs. PhysX accompagne les validations sensibles au comportement physique: mouvement, collision, corps rigides, placement, interaction packaging, trajectoires robot et flux matière. Newton ajoute une voie de moteur physique ouverte et extensible pour l'apprentissage robotique et la simulation, basée sur NVIDIA Warp et OpenUSD. La qualité de décision dépend d'hypothèses explicites: échelle, coordonnées, propriétés objets, timing, contraintes, objectif de validation et règles de revue. ## Cas d'usage - Rendu haute fidélité d'une usine ou d'une ligne dans Omniverse. - Validation de packaging et flux matière avant essais physiques. - Comparaison de layout pour postes, buffers, robots, convoyeurs et chemins matière. - Planification logistique avec picking, staging, AGV, chariots et hypothèses de débit. - Préparation robotics, données synthétiques et scénarios Physical AI. ## Rôle des produits DataMesh [FactVerse](/products/factverse) porte la structure opérationnelle, les relations, la gouvernance et le contexte partagé. [FactVerse Designer](/products/designer) crée layouts, logique de processus, behavior trees, simulation timeline et variantes. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) transfère structure de scène, métadonnées, liaisons de données et contexte comportemental vers Omniverse et USD. [Data Fusion Services](/products/dfs) relie données live et historiques lorsque les scénarios utilisent état équipement, capteurs, alarmes, métriques de production ou contexte enterprise. [FactVerse Twin Engine](/products/factverse-twin-engine) fournit le contexte runtime pour les jumeaux exécutables, la visualisation, les liaisons de données et les workflows opérationnels. ## Préparation des données - Hiérarchie de scène, identifiants actifs, positions et noms équipements sont stables. - Assets CAD, BIM, 3D et USD ont owners et versions. - Coordonnées, échelle, orientation et origine sont alignées. - Matériaux, collisions, contraintes de mouvement et timing sont documentés. - Liaisons de données incluent source, unité, horodatage et règles de mise à jour. - Objectifs de simulation sont reliés à une décision: validation layout, trajectoire robot, packaging ou accessibilité opérateur. - Résultats de revue peuvent être enregistrés avec version, hypothèses, captures et actions. ## Références publiques L'annonce [FactVerse et NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) présente la direction de plateforme pour les jumeaux numériques de simulation et les workflows AI business. Le showcase [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) apporte une preuve publique de l'usage combiné de FactVerse et Omniverse. [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) et [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) illustrent des cas voisins autour du layout de production, de l'intralogistique et de la planification d'automatisation. --- ## [GUIDES] green-mark-digital-twin-brick-schema ## La préparation Green Mark relève de l’exploitation continue Singapore BCA Green Mark est un système d’évaluation des bâtiments verts axé sur la performance environnementale et l’exploitation durable. Green Mark 2021 met l’accent sur la performance énergétique tout en couvrant la maintenabilité, le carbone sur le cycle de vie, l’intelligence, la santé et le bien-être, ainsi que la résilience. Les critères et guides techniques officiels BCA restent la référence. Pour les équipes de site, le défi se trouve dans les preuves opérationnelles : données énergie, relations entre équipements, historique de maintenance, conditions environnementales, actions d’amélioration et validation des travaux correctifs. Ces informations sont souvent dispersées entre BMS, compteurs, feuilles de calcul, tickets CMMS, fichiers BIM, rapports de service et dossiers prestataires. [DataMesh Green Transformation](/solutions/green-transformation) relie ces couches dans un jumeau numérique opérationnel. Les propriétaires, exploitants, consultants, ingénieurs et responsables durabilité peuvent préparer les preuves, comparer les options d’amélioration et rattacher la durabilité aux opérations quotidiennes. Références officielles : - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## Construire d’abord la couche de preuves La préparation est plus robuste lorsque les preuves sont structurées en continu. Un jumeau numérique donne le contexte partagé. La base inclut généralement : - **Espaces** : bâtiments, étages, pièces, zones et espaces fonctionnels critiques. - **Systèmes** : froid, HVAC, éclairage, distribution électrique, eau, air comprimé et utilités. - **Actifs** : registre équipements, compteurs, capteurs, points de contrôle, documents et historique. - **Signaux** : points BMS, mesures, données environnementales, alarmes et indicateurs calculés. - **Travaux** : inspections, ordres de travail, actions correctives, acceptation et vérification. [Data Fusion Services](/products/dfs) connecte BMS, compteurs, IoT, historiques, CMMS, EAM et autres sources. [FactVerse](/products/factverse) relie ces données aux espaces, actifs, systèmes et workflows. ## Brick Schema rend les preuves traçables Une preuve durable prend tout son sens dans le contexte réel du bâtiment. Une mesure doit être liée au bon compteur. Une tendance de température doit être liée à la bonne zone et au bon capteur. Un problème de groupe froid doit être relié au système, aux actifs, aux alarmes et aux travaux associés. Dans [Inspector](/products/inspector), les relations alignées sur Brick Schema décrivent bâtiments, étages, zones, équipements, compteurs, capteurs, points et systèmes de façon cohérente. Les équipes peuvent ainsi savoir quelle preuve correspond à quel actif, quelle donnée la soutient, quelle action l’a clôturée et quelles équipes doivent la revoir. ## Références Brick Schema Pour consulter le standard directement, commencez par ces ressources publiques Brick Schema : - [Site officiel Brick Schema](https://brickschema.org/) - aperçu de Brick comme schéma de métadonnées unifié pour les bâtiments, avec une image de référence introductive. - [Documentation utilisateur Brick](https://docs.brickschema.org/brick/overview.html) - principes de conception et concepts clés pour modéliser entités et relations bâtiment. - [Brick modeling data sources](https://docs.brickschema.org/brick/timeseries.html) - documentation officielle avec un diagramme de modèle de données de télémétrie. - [Brick ontology browser](https://ontology.brickschema.org/) - référence navigable pour les classes, relations et termes Brick. - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick) - développement open source du schéma, releases, issues et fichiers source. ## Analyse énergétique et revue technique DataMesh peut connecter BIM/IFC, météo, données d’exploitation et contexte du jumeau numérique avec des modèles EnergyPlus pour comparer des scénarios. Les analyses utiles couvrent EUI, charges, horaires, consignes, options de retrofit et priorités d’action. L’analyse sert d’aide à la décision technique. Un pilote praticable établit la référence, vérifie les données, compare les options, exécute les actions et mesure le résultat à partir des enregistrements d’exploitation vérifiés. ## Fermer la boucle avec Inspector Inspector transforme les constats en inspections, tâches, ordres de travail, exécution terrain, acceptation et preuves de vérification. Boucle opérationnelle : 1. Connecter BMS, compteurs, actifs, environnement et maintenance. 2. Modéliser les actifs et points avec Brick Schema. 3. Examiner consommations anormales, alarmes, lacunes d’inspection et preuves manquantes. 4. Comparer les options avec revue technique et modélisation si utile. 5. Créer les ordres de travail et actions correctives dans Inspector. 6. Capturer clôture, photos, notes et acceptation. 7. Revoir les données d’exploitation et conserver la trace. ## Où commencer Démarrez par un bâtiment, une zone de campus ou un groupe de systèmes. Bons candidats : eau glacée, horaires HVAC, compteurs énergie, zones à forte charge ou actifs de maintenance avec assez d’historique. | Workstream | Résultat | |---|---| | Audit données | Liste des sources BMS, compteurs, IoT, registre actifs, BIM/IFC et work orders | | Mapping sémantique | Relations espaces, actifs, compteurs, capteurs et systèmes | | Baseline | EUI, charges, horaires, anomalies et lacunes | | Analyse scénario | Options, hypothèses de modèle et notes techniques | | Exécution | Work orders Inspector, preuves terrain, clôture et vérification | --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## La préparation des données précède le passage à l'échelle de l'IA Un projet d'IA industrielle peut lire des documents tout en échouant à identifier de façon fiable l'actif, le lieu, le signal, l'ordre de travail ou la règle d'approbation. En exploitation réelle, la fondation data compte autant que le modèle. [Data Fusion Services](/products/dfs) prépare cette fondation dans FactVerse. Il connecte les sources, mappe les champs aux entités du jumeau, normalise les données, calcule les indicateurs et rend le contexte disponible pour [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), les dashboards et les analyses. ## Partir du workflow opérationnel La première question est opérationnelle : quelle décision ou tâche doit s'améliorer? Maintenance prédictive, tournée d'inspection, opérations data center, HeatOps, systèmes de facilities semi-conducteurs, équipements logistiques ou exécution de SOP numériques. | Workflow | Données prioritaires | |---|---| | Maintenance prédictive | Hiérarchie actif, tendances capteurs, alarmes, historique maintenance, inspections, résultats d'ordres | | Inspection facility | Espaces, actifs, points d'inspection, checklists, photos, catégories de problème, clôtures | | Data center | Salles, racks, équipements, compteurs, alarmes, énergie, maintenance, responsabilité actif | | HeatOps | Sources chaleur, sous-stations, compteurs, température, pression, débit, météo, logs dispatch | | Guidage opérateur | SOP, étapes, références équipement, sécurité, formation, exigences d'approbation | ## Inventorier les sources Les sources typiques incluent SCADA, BMS, EMS, PLC, historians, plateformes IoT, MES, ERP, CMMS, EAM, GIS, BIM, compteurs, tableurs, plans, manuels, référentiels SOP, outils d'inspection, systèmes de formation et bibliothèques documentaires. Pour chaque source, documentez le propriétaire, le rôle métier, la méthode de connexion, les champs disponibles, la fréquence de mise à jour, la conservation historique, les unités, les horodatages, les conventions de nommage, les risques qualité, la sécurité et les approbations. ## Créer l'identité des actifs et des espaces Les workflows AI Agent ont besoin de références stables. Pompes, AHU, UPS, échangeurs, vannes, grues, véhicules, salles, lignes et sous-stations doivent être reconnus entre systèmes. FactVerse et Twin Engine utilisent cette couche d'identité pour connecter espaces, équipements, systèmes, relations, documents, signaux et ordres de travail. Data Fusion Services mappe les champs et tags sources vers les bons objets du twin. ## Préparer signaux, événements et exécution Température, vibration, courant, pression, débit, énergie, état de vanne, état d'alarme et état équipement nécessitent unités, horodatages, règles d'échantillonnage et indicateurs de qualité. Les ordres de travail, inspections, photos, SOP et acceptations apportent le contexte d'exécution. Pour le machine learning, le dataset utile combine signal, contexte actif, état opérationnel, décision humaine, action exécutée et résultat. Ces données soutiennent entraînement, réentraînement, évaluation et ajustement des recommandations. ## Modèle de déploiement DataMesh 1. **Choisir le workflow** - Une boucle opérationnelle avec propriétaire et résultat mesurable. 2. **Inventorier les sources** - Systèmes, tags, documents, propriétaires, accès et risques qualité. 3. **Modéliser l'identité** - Espaces, actifs, systèmes, relations et alias dans FactVerse. 4. **Mapper et normaliser** - Connecter les sources, lier les champs aux entités, harmoniser unités et temps. 5. **Connecter l'exécution** - Inspector, Checklist, CMMS/EAM, SOP, preuves et règles d'approbation. 6. **Préparer la revue IA** - Fournir le contexte fiable à FactVerse AI Agent. 7. **Capturer les résultats** - Utiliser preuves terrain et mesures post-action pour améliorer qualité et modèles. ## Checklist - Le workflow a-t-il un propriétaire et un résultat mesurable? - Les sources, documents, tags et enregistrements sont-ils inventoriés? - Les actifs et espaces sont-ils mappés de façon cohérente? - Les unités, horodatages, fréquences et risques qualité sont-ils documentés? - Ordres, inspections, SOP, photos et acceptations sont-ils connectés? - L'AI Agent peut-il expliquer ses recommandations avec des preuves traçables? - Les revues humaines, suggestions rejetées et résultats peuvent-ils alimenter l'évaluation ML? ## Références publiques La [page Data Fusion Services](/products/dfs) décrit la couche d'intégration data de FactVerse. Le [guide FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) explique le passage des recommandations vers l'exécution vérifiée. Les références [Yokogawa et DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) et [JTC](/about/news/collaboration-between-jtc-datamesh) donnent des exemples publics. --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## La gouvernance commence quand la donnee influence une decision La gouvernance des donnees industrielles commence lorsqu'un signal, une alarme, une mesure, un ordre de travail, une note d'inspection, un document ou un indicateur calcule influence une decision operationnelle. Pour un jumeau numerique operationnel, la connexion ne suffit pas. L'equipe doit savoir d'ou vient la donnee, quel actif ou espace elle decrit, quelle unite et quelle regle de temps s'appliquent, qui possede le mapping, si la valeur est fiable et quels workflows AI Agent ou tableaux de bord l'utilisent. [Data Fusion Services](/products/dfs) soutient cette discipline dans la pile FactVerse. Il connecte les sources, mappe les donnees vers les entites du jumeau, nettoie et normalise les champs, calcule des indicateurs, prepare des data marts et lie le contexte temps reel au jumeau. ## Ce que DFS doit aider a gouverner | Domaine | Question pratique | Importance | |---|---|---| | Source | Quel systeme possede cette valeur et qui approuve son usage? | Clarifie la responsabilite | | Acces | Quel role, site, tenant ou reseau peut lire la donnee? | Protege les operations sensibles | | Entite | Quel actif, espace, systeme, route ou workflow est decrit? | Transforme les tags en contexte | | Unite et temps | Quelle unite, zone horaire, frequence et aggregation s'appliquent? | Rend les tendances comparables | | Qualite | La valeur est-elle manquante, ancienne, interpolee ou hors plage? | Montre la force de la preuve | | Lineage | Quel connecteur, mapping, transform et release ont produit la valeur? | Aide l'audit et le diagnostic | | Consommateurs | Quels dashboards, AI flows, rapports ou tickets l'utilisent? | Mesure l'impact avant changement | ## Gouverner par identite operationnelle Un meme equipement peut avoir un nom dans SCADA, un tag dans l'historian, un identifiant dans CMMS, une reference dans BIM et un surnom sur le terrain. La gouvernance doit relier ces alias a une identite operationnelle stable. FactVerse fournit le contexte commun pour espaces, actifs, systemes, relations, documents, bindings de donnees et workflows. Data Fusion Services mappe les champs et tags source vers ce contexte afin que chaque valeur soit attachee au bon objet physique. Une bonne gouvernance d'identite couvre site, batiment, etage, zone, salle, ligne, route, classe d'actif, ID, nom, proprietaire, cycle de vie, relations amont aval, alias, documents, SOP, points d'inspection, references de work order et limites d'acces. ## Qualite, lineage et changement Les donnees de serie temporelle et les evenements changent en continu. Les regles doivent couvrir valeurs manquantes, seuils de fraicheur, conversion d'unites, horodatage, sampling, aggregation, outliers, remplacement de capteurs, logique d'alarme et formules d'indicateurs. Les changements de donnees industrielles sont souvent discrets : un point BMS renomme, un compteur remplace, un tag historian deplace, un champ CMMS reinterprete, une formule KPI ajustee. Le jumeau peut rester visuellement correct alors que le contexte de donnees a derive. Un enregistrement de changement doit contenir source, connecteur, tag ou formule modifiee, actifs et workflows affectes, consommateurs aval, reviewer, statut d'approbation, date d'effet, option de rollback et preuve de validation. ## Acces, preuves et machine learning Les donnees operationnelles peuvent contenir salles restreintes, layouts clients, etats de production, sante des equipements, profils energetiques, constats de maintenance et dossiers de service. Les limites d'acces doivent rester visibles lorsqu'elles entrent dans le jumeau. [Inspector](/products/inspector) et les systemes de travail connectes enregistrent qui a revu un constat, quelle action a ete prise, quelle preuve a ete capturee et si la condition s'est amelioree. Ces traces deviennent utiles pour la prochaine revue AI et pour le machine learning. Le ML a besoin du signal, du contexte actif, de l'etat operationnel, de la decision humaine, de l'action et du resultat. La gouvernance conserve definitions de features, filtres qualite, labels issus des work orders, versions de modele, suggestions rejetees, resultats post-action et calendrier de rafraichissement. ## Pattern de deploiement DataMesh 1. **Choisir une boucle de decision** - Maintenance predictive, inspection facility, revue d'actifs data center, preuve energetique ou SOP digitale. 2. **Nommer les responsables data** - Sources, identite, mapping, qualite, calculs, acces et workflows aval. 3. **Mapper l'identite operationnelle** - Aligner espaces, actifs, systemes, relations, documents, workflows et alias dans FactVerse. 4. **Connecter et gouverner** - Utiliser Data Fusion Services pour connecter, mapper, normaliser, aligner les temps, calculer et marquer la qualite. 5. **Enregistrer les consommateurs** - Dashboards, routines AI Agent, formulaires Inspector, rapports et datasets ML. 6. **Revoir avant release** - Tags, formules, connecteurs et permissions avant impact production. 7. **Capturer les resultats** - Preuves terrain, decisions de revue et valeurs post-action. 8. **Ameliorer les regles** - Exceptions, mappings echoues, donnees stale, suggestions AI rejetees et feedback terrain. ## Checklist - Chaque source a-t-elle un owner metier et technique? - Les identites d'actifs, espaces, systemes et workflows sont-elles coherentes? - Unites, horodatages, sampling et regles qualite sont-ils visibles? - Les indicateurs calcules ont-ils formule, owner et date de revue? - Le lineage reste-t-il visible du connecteur au consommateur aval? - Dashboards, AI Agents, rapports et datasets sont-ils enregistres? - Les espaces sensibles, dossiers clients et documents restreints sont-ils proteges? - Les preuves terrain et work orders alimentent-ils revue et ML? ## References publiques La [page Data Fusion Services](/products/dfs) decrit la couche d'integration de donnees de FactVerse. Le [guide Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness), le [guide Operational Digital Twin Model Governance](/resources/guides/operational-digital-twin-model-governance-after-go-live) et le [guide Industrial Knowledge Graphs](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) couvrent les fondations voisines. --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## La couche manquante est le sens L'AI industrielle doit comprendre l'objet d'une question. Des expressions comme "chiller 2", "ligne 4", "humidité salle blanche" ou "la pompe derrière l'alarme" doivent correspondre à un actif, un espace, un signal, un document et un responsable. Un knowledge graph industriel fournit cette couche sémantique. Il relie les objets du site et décrit leurs relations. [FactVerse](/products/factverse) utilise ce modèle pour aligner scènes de jumeau numérique, données opérationnelles, documents et raisonnement AI sur le même contexte physique. ## Ce que le graph modélise | Zone de modèle | Entités typiques | |---|---| | Structure spatiale | site, bâtiment, étage, salle, zone, ligne, rack, baie, extérieur | | Actifs physiques | équipements, compteurs, capteurs, vannes, pompes, robots, véhicules | | Systèmes | HVAC, eau glacée, air comprimé, puissance, utilités procédé, sécurité, flux logistique | | Points de données | tags, alarmes, indicateurs calculés, consignes, états | | Objets de connaissance | SOP, manuels, plans, références BIM/CAD, modèles d'inspection | | Evénements | alarmes, inspections, maintenance, approbations, handover | | Responsabilité | owner, opérateur, équipe service, reviewer, classe de risque, permission | Le modèle devient utile lorsqu'il répond aux questions de relation. ## Exemples de relations | Relation | Question prise en charge | |---|---| | actif situé dans un espace | Où se trouve l'équipement derrière cette alarme? | | équipement dessert une zone | Quelles zones cette AHU affecte-t-elle? | | point mesure un équipement | Quel capteur a produit cette tendance? | | compteur mesure un système | A quelle boucle d'eau glacée appartient cette mesure? | | actif appartient à un système | Quels actifs amont et aval comptent? | | actif lié à une procédure | Quel SOP consulter avant l'inspection ou la maintenance? | Ces relations donnent à l'AI Agent un chemin de la question vers la preuve. ## Utilisation dans FactVerse [Data Fusion Services](/products/dfs) mappe les noms, tags, documents et enregistrements des systèmes sources vers un modèle cohérent. La même pompe, le même compteur ou la même salle peut avoir plusieurs noms dans BMS, SCADA, CMMS, BIM, feuilles de calcul et plans. [FactVerse Twin Engine](/products/factverse-twin-engine) relie cette identité au modèle spatial. Un signal s'affiche sur le bon objet 3D, un document se rattache au bon actif, et les relations système deviennent un réseau consultable. [FactVerse AI Agent](/products/factverse-ai-agent) peut récupérer les preuves en suivant le graph: de l'alarme à l'actif, de l'actif au système, du système aux zones affectées, puis aux SOP et historiques utiles. ## Brick Schema et sémantique facility Pour les bâtiments et les sites techniques, [Brick Schema](https://brickschema.org/) est une référence publique utile. Il fournit un vocabulaire pour équipements, points, lieux, compteurs, capteurs et relations. DataMesh peut aligner les modèles facility avec une sémantique de type Brick lorsque cela réduit l'ambiguïté. Les sites industriels plus larges ajoutent souvent lignes de production, systèmes sub-fab, zones logistiques, utilités propres, entrepôts, cellules robotisées, postes opérateur et actifs de simulation. ## AI Grounding et recherche explicable Les knowledge graphs rendent les réponses AI plus traçables. L'AI Agent peut utiliser le graph pour réduire le périmètre de preuve avant de lire documents et enregistrements. Si un ingénieur demande pourquoi une zone a des alarmes d'humidité répétées, le graph peut identifier la zone, les capteurs, l'AHU qui la dessert, les actifs d'eau glacée reliés, les alarmes récentes, les inspections et les SOP concernés. L'AI Agent peut ensuite résumer les preuves avec des références claires. ## Gouvernance Un knowledge graph doit être maintenu. Rénovations, remplacements d'équipement et reconfigurations modifient IDs actifs, alias, relations, mapping de points et liens documentaires. La gouvernance couvre la source de vérité, les règles de nommage, l'ownership des relations, la provenance des preuves, le niveau de confiance des mappings importés, les droits d'accès et l'historique des changements. ## Démarrage ciblé | Type de question | Portée sémantique minimale | |---|---| | Contexte actif | actif, lieu, système, owner, documents, points live | | Etat facility | zone, équipement desservant la zone, capteurs, alarmes, points de contrôle | | Revue énergie | compteur, système, espace, groupe d'équipements, indicateur | | Recherche SOP | classe d'actif, type de tâche, SOP, note sécurité, rôle requis | | Revue de cause | événement, actif lié, systèmes amont et aval, dossiers récents | Elargissez lorsque le premier modèle répond de façon fiable aux questions réelles. ## Références publiques La page [FactVerse](/products/factverse) décrit la plateforme qui relie Twin Engine, AI Agent, Data Fusion Services et les applications. Le guide [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) montre comment une sémantique facility de type Brick aide à tracer les preuves opérationnelles. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## Pourquoi les données synthétiques industrielles ont besoin d'un jumeau Les données robot réelles ont une forte valeur. En environnement industriel, la collecte, la répétition et la couverture de nombreux états d'exploitation demandent beaucoup d'effort. Les sites contiennent des états rares: allées bloquées, palettes déplacées, armoires ouvertes, éclairage variable, circulation humaine, changements de shift et états d'équipement brefs. Les données synthétiques aident les équipes à couvrir cette variation dans un cadre contrôlé. Pour Physical AI industriel, les données doivent venir d'une scène qui comprend actifs, géométrie, règles d'exploitation, positions capteurs, objectifs de tâche et état processus. Le jumeau numérique fournit ce contexte. [DataMesh Robotics](/products/robotics) utilise le stack DataMesh pour préparer les scènes industrielles, générer des données multimodales et connecter les sorties aux workflows de simulation et d'entraînement robotique. ## Ce qui distingue les scènes industrielles | Couche | Besoin de la pipeline | |---|---| | Identité des actifs | Noms d'équipements, types d'objets, versions de modèles et lien vers le jumeau opérationnel | | Contexte spatial | Zones, voies, accès, dégagements, coordonnées et zones de sécurité | | État processus | État de ligne, poste, étape de travail, exception et timing d'événement | | Configuration capteur | Caméra, profondeur, LiDAR, pose robot, champ de vision, calibration, bruit et règles d'échantillonnage | | Propriétés physiques | Masse, friction, articulations, contraintes, matériaux et hypothèses de contact | | Labels et métadonnées | Segmentation, bounding boxes, IDs instance, profondeur, pose, trajectoire, état tâche et variables de scène | | Traces de revue | Version dataset, version scène, hypothèses, recette de génération, résultats qualité et notes d'approbation | Cette structure rend le dataset explicable, reproductible et ajustable. ## Workflow DataMesh 1. **Modéliser l'environnement** - Construire usine, facility, entrepôt, cellule ou zone d'inspection dans FactVerse avec actifs, zones, métadonnées et relations. 2. **Créer le comportement de scène** - Définir variantes de layout, logique processus, mouvement objet, étapes, événements et timing dans FactVerse Designer. 3. **Préparer les assets de simulation** - Aligner CAD, BIM, 3D, OpenUSD, matériaux, échelle, coordonnées et règles SimReady. 4. **Configurer capteurs et tâches** - Définir caméras, capteurs profondeur, vues robot, objets cibles, objectifs, critères de succès et contraintes. 5. **Générer les données labellisées** - Produire RGB, profondeur, segmentation, bounding boxes, IDs, poses, trajectoires, état processus et métadonnées. 6. **Exporter vers les stacks d'entraînement** - Packager datasets et scènes pour entraînement robotique, évaluation, Isaac Sim / Omniverse ou outils enterprise. 7. **Revoir et itérer** - Suivre qualité, couverture de scène, cohérence des labels, couverture tâche et résultats downstream. ## Rôle du stack DataMesh [FactVerse](/products/factverse) conserve structure de site, actifs, relations, contexte de données, permissions et enregistrements de scène. [FactVerse Twin Engine](/products/factverse-twin-engine) fournit le contexte runtime pour les twins exécutables: géométrie, data binding, comportement et état d'interaction. [FactVerse Designer](/products/designer) sert à créer layouts, logique processus, behavior trees, étapes de tâche et variantes. [DataMesh Robotics](/products/robotics) couvre génération de données synthétiques, sortie de labels, définition des tâches, reward setup et préparation des pipelines robotique. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) relie les scènes FactVerse aux workflows OpenUSD et Omniverse pour rendu, simulation de capteurs, validation physique et outils externes. [Data Fusion Services](/products/dfs) connecte données live et historiques quand la scène a besoin d'états d'équipement, alarmes, signaux production ou contexte facility. ## Checklist de spécification dataset - Robot, capteur, famille de modèle ou stack d'entraînement cible. - Périmètre environnement, version scène, liste d'assets et coordonnées. - Tâches, objets cibles, états processus et critères de succès. - Configuration capteur, chemins caméra, vues, calibration et bruit. - Règles de variation pour lumière, matériaux, placement, état équipement, routes et timing. - Sorties requises: RGB, profondeur, segmentation, bounding boxes, pose, trajectoire et métadonnées. - Contrôles qualité sur labels, classes, précision spatiale et couverture. - Format d'export, règles de nommage, version dataset et responsable de revue. ## Bons points de départ - **Datasets perception**: images labellisées et profondeur pour objets industriels, équipements, outils, palettes, panneaux, fixtures et zones de travail. - **Inspection**: vues et labels pour actifs, panneaux, jauges, tuyaux, armoires et zones difficiles d'accès. - **Robotique mobile**: voies, obstacles, état route, staging areas, points de docking et conditions facility changeantes. - **Manipulation et contact**: pose objet, matériaux, contraintes de prise, état de contact et séquence de tâche. - **Planification usine et entrepôt**: variantes layout, flux matière, chemins robot et contraintes opérationnelles avant essais physiques. ## Métriques qualité et gouvernance - Couverture par zone, classe objet et état processus. - Cohérence des labels entre frames et versions de scène. - Variation de lumière, placement, occlusion, état objet et pose capteur. - Cohérence physique sur échelle, collision, contact, route et timing. - Qualité d'intégration dans le simulateur ou stack d'entraînement. - Traçabilité de version dataset vers scène, recette et hypothèses. - Enseignements issus de l'évaluation modèle ou de la revue de simulation robotique. ## Références publiques Le [lancement DataMesh Robotics](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) présente la direction publique pour données synthétiques, twins industriels exécutables, objectifs de tâche, reward setup et pipelines robotique. Le [showcase GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) montre les jumeaux de simulation DataMesh avec FactVerse et NVIDIA Omniverse. L'[article FactVerse et NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) explique le lien entre contexte de scène FactVerse et workflows Omniverse. --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## L'exactitude devient une pratique d'exploitation La valeur d'un jumeau numérique après mise en production dépend de son alignement continu avec le site. Les équipements changent, les salles sont réaménagées, les capteurs sont renommés, les itinéraires de maintenance évoluent et les droits d'accès se précisent. La gouvernance du modèle définit les responsables, les changements terrain qui déclenchent une mise à jour, le mode de revue, la publication des versions et l'utilisation de la version approuvée par les applications. Pour les workflows AI Agent et Physical AI, cette gouvernance protège le contexte utilisé pour le raisonnement, la simulation et la revue des recommandations. ## Changements après mise en production | Source | Impact de gouvernance | |---|---| | Remplacement d'équipement | ID d'actif, géométrie, documents, historique et liaisons de données | | Changement de salle ou layout | Hiérarchie spatiale, accès, limites de sécurité et permissions | | Renommage capteur ou compteur | Mapping DFS, unités, historique de tendance et tableaux de bord | | Mise à jour de procédure | Liens SOP, modèles d'inspection, contenu guidé et règles d'approbation | | Rénovation ou extension | BIM, CAO, nuages de points et versions as-built | | Relation système modifiée | Dépendances, zones affectées et contexte d'alarme | | Permission modifiée | Espaces sensibles, zones client et enregistrements restreints | Ces changements doivent entrer dans une file contrôlée. ## Gouverner par couches | Couche du jumeau | Éléments à gouverner | |---|---| | Modèle spatial | Site, bâtiment, étage, pièce, zone, route, accès, limite de sécurité | | Modèle d'actifs | ID, nom, classe, hiérarchie, propriétaire, état de cycle de vie | | Modèle système | Électricité, refroidissement, air, eau, utilités, logistique, contrôle | | Géométrie | BIM, CAO, 3D, nuage de points, version source, poids, niveau de détail | | Liaisons de données | Capteurs, compteurs, alarmes, états, indicateurs, règles de refresh | | Documents et SOP | Manuels, plans, instructions, modèles d'inspection, preuves d'acceptation | | Permissions | Rôles, espaces sensibles, layouts client, documents restreints | | Scènes applicatives | Scènes Designer, formulaires Inspector, dashboards, formations, simulations | Cette vue évite de réduire la maintenance du jumeau à un problème de fichier. ## Processus de mise à jour 1. **Capturer le changement** - Terrain, projet, inspection, CMMS, BMS ou revue point cloud crée une demande. 2. **Classer l'impact** - Géométrie, identité d'actif, relations système, données, documents, permissions ou scènes. 3. **Mettre à jour la source** - Registre d'actifs, BIM/CAO, point cloud, mapping, dépôt documentaire ou bibliothèque de procédures. 4. **Préparer la version du jumeau** - Designer, Twin Engine et Data Fusion Services mettent à jour le modèle runtime. 5. **Revoir avec preuve terrain** - Position, ID, liaison de données, état visuel, lien document et permission. 6. **Publier une version** - Version approuvée avec notes, réviseur, zones affectées et référence de rollback. 7. **Notifier les consommateurs** - Dashboards, Inspector, AI Agent, simulations et formations utilisent la version approuvée. 8. **Auditer le résultat** - Vérifier que l'écart terrain est corrigé. ## Les données demandent une revue dédiée Une liaison de données peut se casser sans changement visuel. Un tag est renommé, un compteur remplacé, un intervalle d'échantillonnage modifié ou une formule recalculée. La scène 3D peut sembler correcte tandis que le contexte live pointe vers une ancienne source. [Data Fusion Services](/products/dfs) aide à gérer les mappings entre systèmes sources et entités du jumeau. La gouvernance doit conserver source, tag, unité, règle d'horodatage, qualité, fréquence de refresh et responsable. Pour AI Agent, ces enregistrements sont essentiels car les recommandations dépendent des relations entre signaux, actifs, espaces, documents et historique terrain. ## Les preuves terrain ferment la boucle [Inspector](/products/inspector) peut enregistrer problèmes, photos, constats, actions correctives et dossiers de travail sur l'actif ou l'espace concerné. Les preuves utiles incluent photo, ID visible, salle ou route, workflow affecté, correction suggérée, urgence, réviseur et clôture. La maintenance du modèle devient ainsi un processus opérationnel vérifiable. ## Gouvernance pour IA et simulation AI Agent, simulation et Physical AI doivent utiliser un contexte de modèle approuvé. La version doit indiquer quelles géométries, relations d'actifs, liaisons de données, documents et hypothèses de scénario étaient actives lors d'une recommandation ou d'un résultat de simulation. Cette traçabilité aide à comparer les versions et à distinguer changement opérationnel, qualité de données, mise à jour du modèle ou changement de workflow IA. ## Rythme opérationnel * revue quotidienne des écarts urgents et liaisons cassées * revue hebdomadaire des actifs, documents, permissions et workflows * revue mensuelle de la qualité modèle et des dérives de sources * notes de version pour chaque mise à jour de production * référence de rollback pour changements majeurs * responsables nommés pour chaque site, système et bibliothèque d'actifs ## Checklist * Chaque espace, actif, système et liaison de données a-t-il un responsable ? * Les changements terrain suivent-ils un chemin approuvé ? * Les sources sont-elles mises à jour avant le runtime twin ? * Les versions ont-elles notes et réviseurs ? * Les espaces sensibles et documents restreints sont-ils protégés ? * Les preuves Inspector peuvent-elles déclencher une mise à jour ? * AI Agent et simulations peuvent-ils référencer la version utilisée ? ## Références publiques Le [guide BIM, CAO et nuages de points](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline) décrit la préparation avant mise en production. Le [guide Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) décrit la base de données nécessaire aux AI Agents et jumeaux opérationnels. Le [guide Knowledge Graphs industriels](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) décrit les relations sémantiques entre actifs, espaces, systèmes, signaux, documents et raisonnement IA. --- ## [GUIDES] Formation opérateur pharma et SOP numériques pour preuves GMP/CSV ## Les opérations régulées reposent encore sur des opérateurs qualifiés Les sites pharma et biopharma combinent équipements automatisés, salles contrôlées, utilités, systèmes qualité et exécution humaine qualifiée. Beaucoup d'étapes de production reposent sur des opérateurs formés pour setup, nettoyage, sampling, pesée, assemblage, démontage, line clearance, inspection, handover et réponse aux exceptions. Le défi principal est la cohérence d'exécution. Les équipes ont besoin de la même version de procédure, du même contexte équipement, de la même référence visuelle, note sécurité, consigne de rôle et preuve d'exécution entre shifts, sites et cohortes de formation. Un workflow SOP basé sur jumeau numérique donne un contexte opérationnel partagé. Il relie espaces, équipements, étapes, dossiers de formation, tâches d'inspection, work orders, photos, notes de revue et historique de changement autour des actifs et zones process réels. ## Ce qu'une SOP numérique doit porter | Couche | Détail opérationnel | |---|---| | Version procédure | SOP approuvée, révision, date d'effet, audience de formation et owner | | Contexte spatial | Salle, zone, équipement, connexion utilité, chemin d'accès et limite sécurité | | Étapes de tâche | Setup, préparation matériel, nettoyage, sampling, inspection, confirmation, handover et closeout | | Guidage visuel | Modèle 3D, animation, label, image, vidéo, checkpoint et prompt opérateur | | Rôle et formation | Rôle requis, formation terminée, résultat d'évaluation, cycle refresher et historique cohorte | | Dossier d'exécution | Opérateur, heure, actif, statut étape, photo, note, exception, work order et vérification | | Historique changement | Révision SOP, changement actif, revue contenu, mise à jour formation et route d'approbation | La cible utile est un dossier qui montre quelle procédure a été utilisée, à quel actif ou zone elle s'applique, qui a été formé, ce qui a été exécuté, ce qui a été observé et comment le résultat a été revu. ## Workflow DataMesh 1. **Collecter les sources de procédure** - Rassembler SOPs, instructions de travail, contenus formation, modèles équipements, photos, vidéos, listes d'actifs, contexte salle, dossiers maintenance et exigences qualité. 2. **Construire le contexte opérationnel** - Utiliser FactVerse pour relier salles, équipements, utilités, documents, zones process, historique actif et responsabilités de rôle. 3. **Créer des procédures guidées** - Utiliser Director pour SOP 3D, scénarios formation, prompts d'étape, checkpoints, animations, labels et contenus prêts pour revue. 4. **Livrer formation et guidage terrain** - Utiliser DataMesh One et des appareils mobiles ou XR pour apprendre et exécuter dans le même contexte actif. 5. **Capturer les preuves d'exécution** - Utiliser Inspector et Checklist pour inspections, tâches, photos, notes, exceptions, actions correctives, work orders et statut de vérification. 6. **Connecter les données opérationnelles** - Utiliser Data Fusion Services pour lier état actif, alarmes, historique maintenance, documents et dossiers enterprise quand le workflow en a besoin. 7. **Revoir et améliorer** - Utiliser des dossiers cohérents pour revue qualité, retraining, analyse d'événements anormaux, clôture maintenance et préparation CSV. Les équipes opérations, qualité, formation et engineering disposent ainsi d'une trace révisable depuis la formation jusqu'à l'exécution. ## Où les équipes commencent souvent - **Onboarding opérateur**: enseigner layout de salle, identité équipement, attentes d'exécution propre et handovers fréquents avant le travail production. - **Setup et changeover**: guider setup, assemblage, démontage, vérification et line clearance avec contrôles visuels. - **Nettoyage et inspection**: relier guidage par étape, preuve photo, résultats d'inspection et actions correctives à l'actif ou la zone. - **Sampling et pesée**: fournir prompts guidés, contexte équipement, consignes de rôle et dossiers de completion pour les tâches répétables. - **Support maintenance et calibration**: relier historique équipement, tâches terrain, work orders, notes d'acceptation et références SOP. - **Deviation et revue anormale**: structurer ce qui s'est produit, le lieu, l'étape concernée et le suivi terminé. Un bon pilote porte sur une procédure avec forte charge de formation, handoffs récurrents ou exigences de preuves élevées. ## Structure de preuves GMP et CSV Les programmes GMP demandent une pratique de fabrication contrôlée, répétable et traçable. Pour l'exécution SOP, cela implique ownership de version, personnel formé, étapes approuvées, dossiers fiables et exceptions révisables. Les programmes CSV portent sur les systèmes informatisés utilisés dans des workflows régulés. Pour les SOP numériques et les workflows d'inspection, les preuves utiles incluent intended use, périmètre système, rôles d'accès, contrôle de version, dossiers workflow, historique changement, preuves de test et supports de revue qualité. DataMesh soutient cette structure en gardant procédures, formation terminée, dossiers de travail, preuves d'inspection, historique actif, actions correctives et dossiers de changement reliés au contexte process et équipement. ## Rôle des produits [Director](/products/director) crée SOP 3D guidées, scénarios formation, animations, labels, checkpoints et consignes terrain. [Inspector](/products/inspector) gère inspections, work orders, dossiers réparation, capture de preuves, vérification et historique terrain. [Checklist](/products/checklist) soutient tâches récurrentes, formulaires structurés, dossiers de completion et exécution mobile. [FactVerse](/products/factverse) fournit le contexte digital twin opérationnel pour espaces, actifs, documents, workflows et connexions data. [Data Fusion Services](/products/dfs) connecte DCS, SCADA, historians, CMMS, EAM, LIMS, alarmes, capteurs, documents et systèmes enterprise lorsque l'intégration data fait partie du périmètre. [FactVerse AI Agent](/products/factverse-ai-agent) peut synthétiser problèmes récurrents, tendances anormales et historique de travail associé pour les équipes qualifiées. ## Checklist de gouvernance - Les versions SOP, owners, dates d'effet et audiences formation sont-ils enregistrés? - Les identifiants salle, équipement, utilité, document et actif sont-ils cohérents entre systèmes? - Formation terminée, évaluation et refresher sont-ils liés à la bonne version de procédure? - Les tâches terrain sont-elles reliées au bon actif, zone, étape, rôle opérateur et statut de revue? - Photos, notes, exceptions, actions correctives et vérifications sont-elles structurées pour revue future? - Rôles d'accès, approbation contenu, revue de changement et release controls sont-ils documentés? - Périmètre système, intended use, historique version et dossiers de test sont-ils disponibles pour préparation CSV? - Owners qualité, opérations, formation, engineering et maintenance sont-ils alignés avant rollout? Ces contrôles transforment le contenu SOP numérique en système de preuves opérationnelles. ## Références publiques La [référence Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) montre la digitalisation des processus maintenance et de la formation frontline. La [référence Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) montre l'usage de FactVerse pour formation et maintenance. La [référence formation sécurité autoroutière](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) montre l'usage des jumeaux numériques et de la réalité mixte pour la formation pratique. La [référence Yokogawa et DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) montre le lien entre signaux facility industriels et revue maintenance. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## Une couche intermédiaire plus rapide pour valider les processus Les projets de ligne et de packaging passent souvent entre layouts statiques, simulation à événements discrets, analyse éléments finis, CFD et essais terrain. Beaucoup de problèmes pratiques apparaissent entre ces couches: orientation des emballages, collisions, glissement, empilage, timing de transfert, accès robot, portée opérateur et interaction équipement. Les workflows modernes autour d'Omniverse, NVIDIA Isaac Sim, PhysX et Newton créent une couche intermédiaire plus rapide. Les équipes engineering et opérations peuvent tester plus de scénarios physiques dans un jumeau numérique, puis sélectionner les quelques cas qui méritent une analyse détaillée ou un essai terrain. La cible de précision diffère d'un modèle éléments finis calibré. La valeur vient de la vitesse, de la couverture des scénarios, de la revue commune et de la détection précoce des problèmes. Pour DataMesh, cette approche prolonge naturellement [FactVerse Designer](/products/designer). Designer construit la scène de production, la logique process, les behavior trees, les variantes de layout et les scénarios timeline. Le [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) transporte ce contexte vers OpenUSD et Omniverse. Les équipes peuvent ensuite préparer des scènes Isaac Sim avec physique PhysX, rendu RTX, modèles robot et capteurs; lorsque le scénario rejoint la robotique ou Physical AI, Isaac Lab ou Newton prennent le relais. ## Là où la simulation classique ralentit | Méthode | Usage principal | Contrainte fréquente | |---|---|---| | Layout statique | Espace, placement équipement, accès, alignement | Peu de preuves sur mouvement et interaction | | Simulation événements discrets | Débit, files, utilisation, buffers, ressources | Géométrie et physique simplifiées | | Analyse éléments finis | Contrainte, déformation, matériau, structure | Cycles de modélisation et calcul plus longs | | CFD | Air, fluide, thermique, pression, contamination | Modèles spécialisés et itérations longues | | Essais terrain | Confiance finale et feedback opérateur | Coût, planning, sécurité et couverture limitée | La simulation physique de processus aide à répondre plus tôt à des questions concrètes: que voit l'équipe si un carton touche un rail, si un plateau bascule, si un transfert robot arrive trop tard ou si un buffer convoyeur se remplit? ## Ce qu'Isaac Sim, PhysX et Newton apportent NVIDIA décrit Isaac Sim comme un framework de référence open source bâti sur Omniverse libraries pour la simulation robotique, les tests et la génération de données synthétiques dans des environnements virtuels physiques. Il peut ingérer CAD, URDF, MJCF et contexte capturé, les convertir en USD, puis assembler des scènes avec matériaux, physique, modèles robot et capteurs. PhysX constitue la base physique de cette voie Isaac et Omniverse. La documentation Isaac Sim décrit la simulation centrale comme un moteur PhysX GPU haute fidélité, capable de soutenir un rendu RTX multi-capteurs à l'échelle industrielle. Pour les lignes de production, il soutient la revue du mouvement, des collisions, des corps rigides, du placement, du flux matière, des dégagements, de l'accès robot et des zones de sécurité. Isaac Lab et Newton prolongent le workflow vers robot learning et simulation riche en contact. NVIDIA décrit Isaac Lab comme un framework modulaire open source, accéléré GPU, pour l'apprentissage robotique. NVIDIA décrit Newton comme un moteur physique ouvert et extensible bâti sur Warp et OpenUSD, avec une direction publique couvrant accélération GPU, physique différentiable, solveurs branchables, simulation rigide et déformable, et intégration Isaac. Cette voie devient utile lorsque la simulation process rejoint politiques robot, contact tactile, matériaux flexibles, déformation packaging, câbles ou workflows Physical AI. La profondeur physique doit suivre la décision à prendre. Une revue de layout packaging peut demander des contrôles rapides de mouvement et collision. Une tâche d'insertion robot peut demander un modèle de contact plus avancé. Une question de rupture matériau relève toujours de l'analyse technique spécialisée. ## Validation des processus packaging Le packaging est un cas pertinent, car de petits détails physiques changent le résultat opérationnel. Un essai virtuel peut explorer: * orientation, espacement et timing de transfert * vitesse convoyeur, rails, diverteurs, stoppeurs et buffers * mouvement de plateaux, cartons, bouteilles, poches ou caisses dans les machines * glissement, bascule, empilage, rebond, contact et collision * portée robot, approche de pince, enveloppe de travail et zones de sécurité * portée opérateur, accès maintenance, récupération de bourrage et vues d'inspection * variantes de ligne avant déplacement d'équipement ou changement d'outillage L'objectif est de filtrer plus tôt. Les équipes comparent plus d'options, détectent des problèmes physiques évidents et préparent de meilleures questions pour la validation détaillée. ## Workflow DataMesh 1. **Construire la scène opérationnelle** - Modéliser ligne, cellule packaging, équipements, stations, buffers, routes, accès et identités d'actifs dans FactVerse. 2. **Authorer la logique process** - Définir behavior trees, timing, transitions, routes matière, défauts, reprise et variantes dans Designer. 3. **Préparer les assets simulation** - Aligner échelle, coordonnées, géométrie de collision, hypothèses matière, masse, friction, contraintes et versions. 4. **Passer au workflow physique** - Utiliser FactVerse Adaptor for NVIDIA Omniverse pour porter le contexte vers OpenUSD et Omniverse. Si la robotique est concernée, préparer des scènes Isaac Sim avec physique, matériaux, modèles robot et capteurs. 5. **Exécuter des essais virtuels rapides** - Revoir mouvement, collision, contact, placement, transferts, buffers, accès opérateur et interaction robot via la voie Omniverse, Isaac Sim, PhysX ou Newton adaptée. 6. **Comparer les scénarios** - Enregistrer quelle variante de layout, timing, matériau ou équipement fonctionne mieux selon les hypothèses. 7. **Approfondir les cas sélectionnés** - Passer les cas critiques à l'analyse éléments finis, CFD, engineering fournisseur ou essai terrain. 8. **Conserver l'évidence** - Lier hypothèses, réglages, résultats, captures, issues et notes d'approbation à la version de scénario. La planification virtuelle reste ainsi connectée à la gouvernance engineering. ## Ce que cette couche traite bien La simulation process physique est forte pour comparer rapidement: * screening packaging précoce * convoyeurs, material handling et buffers * validation layout et dégagements * découverte collision et risque de bourrage * accès robot et opérateur * interaction équipement et timing de transfert * préparation virtual commissioning * préparation de scénarios Physical AI * revue entre engineering, opérations, sécurité et fournisseurs La sortie sert le jugement engineering. Elle réduit l'espace des options et concentre la validation coûteuse sur les scénarios importants. ## Où les méthodes haute précision restent nécessaires Analyse éléments finis, CFD, tests matériau et essais terrain restent adaptés aux réponses finales sur contrainte, fatigue, rupture, étanchéité, thermique, air, liquides, contamination et seuils qualité. Les moteurs physiques demandent aussi une calibration. Friction, rigidité, amortissement, restitution, masse, simplification géométrique, paramètres de contact et solveur influencent les résultats. Emballages flexibles, liquides, poudres, adhésifs, chaleur, usure et casse peuvent nécessiter modèles spécialisés ou essais physiques. Le meilleur usage traite la simulation physique rapide comme un filtre engineering: poser de meilleures questions plus vite et choisir de meilleurs objets de validation. ## Mesures à suivre | Domaine | Métriques utiles | |---|---| | Vitesse d'itération | temps de setup, nombre de variantes, cycle de revue, temps jusqu'au premier problème | | Couverture scénario | layouts, vitesses, types packaging, états de défaut, conditions d'accès | | Qualité modèle | erreur d'échelle, hypothèses matière, géométrie collision, preuve de calibration | | Valeur engineering | problèmes trouvés avant essai, variantes rejetées, périmètre réduit | | Qualité transfert | écart entre virtuel et terrain, types d'écarts répétés | | Gouvernance | version scénario, réglages physiques, version asset, reviewer, décision | Des métriques gardent la simulation utile. Un modèle rapide avec hypothèses floues crée du bruit; un modèle rapide avec hypothèses traçables crée un levier engineering. ## Rôles produits [FactVerse Designer](/products/designer) authorise layouts, behavior trees, logique process, scénarios timeline et variantes. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) connecte le contexte FactVerse à OpenUSD et Omniverse pour rendu, validation physique, préparation de scènes Isaac Sim et simulation avancée. [FactVerse](/products/factverse) et [FactVerse Twin Engine](/products/factverse-twin-engine) conservent le contexte de jumeau opérationnel: actifs, espaces, systèmes, métadonnées, droits et enregistrements de scénario. [Data Fusion Services](/products/dfs) connecte données live et historiques lorsque la simulation a besoin de signaux production, état équipement, alarmes, vitesse, débit ou contexte facility. [DataMesh Robotics](/products/robotics) prolonge le workflow lorsque les scénarios packaging ou ligne deviennent données d'entraînement, environnements Isaac Sim de simulation robotique, tâches Isaac Lab ou évaluations Physical AI. ## Checklist de préparation * La décision engineering est-elle assez claire pour choisir la profondeur de simulation? * Les actifs de ligne, noms d'équipement et types packaging sont-ils stables? * Échelle, coordonnées, unités et origine sont-elles validées? * Géométries de collision et hypothèses matière sont-elles documentées? * Timing, routes, transferts et transitions sont-ils définis dans Designer? * Les réglages physiques sont-ils liés à un objectif de revue? * Les limites connues sont-elles écrites avant la revue? * Les scénarios critiques passent-ils en validation détaillée? * Les résultats sont-ils traçables à la version de scène, d'asset et aux réglages physiques? ## Références publiques NVIDIA décrit [Omniverse](https://www.nvidia.com/en-us/omniverse/) comme des libraries et microservices pour jumeaux numériques industriels et applications de simulation Physical AI, avec OpenUSD, RTX et capacités physiques. La page NVIDIA [Omniverse libraries](https://developer.nvidia.com/omniverse) décrit ovphysx comme une bibliothèque multiphysique native USD pour simulation robotique et digital twin à grande échelle. La page NVIDIA [Isaac Sim](https://developer.nvidia.com/isaac/sim) décrit Isaac Sim comme un framework de référence open source bâti sur Omniverse libraries pour simulation robotique, tests et génération de données synthétiques. La page NVIDIA [Isaac Lab](https://developer.nvidia.com/isaac/lab) décrit Isaac Lab comme un framework modulaire open source, accéléré GPU, pour entraîner des politiques robotiques à grande échelle. La page [Newton Physics](https://developer.nvidia.com/newton-physics) de NVIDIA décrit Newton comme un moteur physique ouvert et extensible bâti sur Warp et OpenUSD pour robot learning et développement. L'article public de NVIDIA sur Newton pour robotique industrielle décrit manipulation riche en contact, simulation déformable, collision SDF, hydroelastic contact et intégration Isaac. Les annonces DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) et [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) montrent l'orientation publique pour simulation digital twins, OpenUSD et Physical AI. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## La boucle commence après le signal La maintenance prédictive devient utile lorsqu'un signal de risque rejoint un processus de travail structuré. Une dérive de vibration, de température, de courant ou une alarme répétée soulève des questions concrètes: quel actif est concerné, quelle est la solidité du constat, quels systèmes dépendent de cet actif, quelle équipe doit examiner la situation et quelle action terrain doit suivre. [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) relie ces étapes avec un jumeau numérique. Données, contexte actif, revue assistée par IA, ordres de travail, preuves terrain et vérification restent dans une même boucle opérationnelle. C'est un workflow Physical AI concret. L'IA aide à interpréter les signaux réels, tandis que le jumeau numérique ancre la recommandation dans l'équipement, l'emplacement, les relations système et les règles d'exécution approuvées. ## Ce que la boucle relie - **Signaux connectés**: vibration, température, courant, pression, temps de fonctionnement, alarmes, tags historian et contexte environnemental. - **Contexte actif**: hiérarchie, emplacement, rôle opérationnel, dépendances système, plan de maintenance, documents et pièces. - **Revue assistée par IA**: comparaison de tendances, anomalies, schémas de dégradation, synthèse des preuves et préparation d'actions. - **Validation par le jumeau**: contexte spatial, dépendances amont et aval, travaux récents, contraintes d'exploitation et accessibilité. - **Exécution**: ordres de travail Inspector, tâches Checklist, affectation, notes terrain, photos, acceptation et statut de clôture. - **Preuves de suivi**: mesures après intervention, revue des alarmes récurrentes, comparaison d'état et historique actif mis à jour. Le résultat est un dossier maintenance qui explique ce qui a été détecté, pourquoi cela compte, qui a validé, quelle action a été approuvée et comment l'issue a été vérifiée. ## Rôle de la plateforme DataMesh [Data Fusion Services](/products/dfs) connecte capteurs, historians, BMS, SCADA, CMMS, EAM, IoT et systèmes d'entreprise. Les données sont préparées pour le jumeau numérique, l'analyse et la revue IA. [FactVerse AI Agent](/products/factverse-ai-agent) fournit la couche d'intelligence décisionnelle. Son module de maintenance prédictive analyse le comportement des signaux, les relations entre actifs, l'historique maintenance et le contexte d'exploitation, puis prépare les constats pour les équipes. [FactVerse](/products/factverse) donne le contexte du jumeau numérique. [Inspector](/products/inspector) gère inspections, ordres de travail, enregistrements terrain, vérification et preuves de maintenance. [Checklist](/products/checklist) consolide les tâches récurrentes et les workflows multi-équipes. Les systèmes gouvernés par le client, comme CMMS, EAM, BMS, SCADA et workflows d'approbation, restent intégrés selon les règles de gouvernance du site. ## Du signal au travail vérifié 1. Connecter les données capteurs, historian, alarmes, inspections et actifs. 2. Cartographier actifs, systèmes, points de données et dossiers de travail dans le jumeau numérique. 3. Utiliser FactVerse AI Agent pour examiner tendances, anomalies et preuves associées. 4. Faire confirmer le constat par les équipes maintenance et engineering dans le contexte du jumeau. 5. Créer un ordre de travail Inspector ou une tâche Checklist avec périmètre, responsable et critères d'acceptation. 6. Capturer les preuves de clôture et comparer l'état après intervention au signal initial. ## Points de départ recommandés | Point de départ | Focus pratique | |---|---| | Équipements rotatifs | Pompes, compresseurs, moteurs, ventilateurs et actifs avec motifs de vibration, température, courant ou pression | | Utilités de site | HVAC, eau glacée, air comprimé, distribution électrique et systèmes avec alarmes récurrentes | | Actifs de soutien production | Convoyeurs, cellules robotisées, outillages et équipements de manutention liés au flux de production | | Actifs à forte inspection | Actifs avec rondes fréquentes, problèmes récurrents ou relevés terrain hétérogènes | | Opérations multi-sites | Classes d'actifs partagées où les enseignements se diffusent entre sites | Un bon pilote dispose d'un historique de données exploitable, d'un propriétaire maintenance, d'un périmètre clair et d'une équipe terrain prête à fermer la boucle. ## Vérifier la préparation des données - Les signaux ont des identifiants stables, horodatages, unités et liens actifs. - L'historique maintenance est disponible au niveau actif ou groupe d'actifs. - Les ordres de travail décrivent cause, action et clôture. - La hiérarchie d'actifs et les emplacements peuvent être reliés au jumeau numérique. - Maintenance et engineering ont défini les règles de revue, approbation et escalade. - Les équipes terrain peuvent saisir les preuves de façon structurée. - Les métriques pilote s'appuient sur des enregistrements opérationnels vérifiés. ## Mesurer la valeur - Délai entre détection du signal et revue humaine. - Part des constats convertis en maintenance planifiée. - Qualité de clôture des ordres de travail et des preuves. - Alarmes récurrentes après action corrective. - Tendance d'état de l'actif après maintenance. - Temps de réponse terrain et qualité d'acceptation des tâches. - Effort de revue engineering pour les classes d'actifs récurrentes. Chaque site quantifie la valeur à partir de sa base validée, de son périmètre actif et de son historique d'exploitation. ## Références publiques L'annonce [Yokogawa et DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) illustre l'orientation publique de la maintenance prédictive assistée par IA dans les installations industrielles, en particulier pour les équipements rotatifs critiques. Les références [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) et [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) montrent comment la digitalisation des processus, le guidage terrain et la formation soutiennent l'exécution. --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## Les fabs reposent sur un contexte facility stable Une fab semi-conducteurs depend autant de la stabilite facility que des outils de production. Derive de salle blanche, desequilibre de pression, charge filtre, variation eau glacee, changement de pression CDA, extraction instable, maintenance retardee et work orders disperses peuvent creer un risque operationnel avant qu'une vue commune existe. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor) applique [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent) et [Inspector](/products/inspector) a la couche facility operations. Les signaux de salle blanche, utilities, relations asset, alarmes, historiques maintenance et execution terrain deviennent une boucle operationnelle revue et traçable. Recettes de production, APC, yield analytics, MES et controle d'outils restent dans les systemes et procedures d'autorisation de la fab. DataMesh se concentre sur les facilities, la maintenance et les preuves operationnelles. ## Ce que relie le facility twin | Couche | Contexte operationnel | |---|---| | Zones salle blanche | Classe ISO, particules, temperature, humidite, pression differentielle, flux d'air, hierarchie salle et seuils | | Utilities | HVAC, eau glacee, CDA, vide, extraction, distribution electrique, compteurs, pompes, ventilateurs, vannes et equipements support | | Assets critiques | FFU, filtres HEPA/ULPA, chillers, pompes, AHU, compresseurs, extraction, capteurs, controleurs, documents et historique maintenance | | Alarmes et tendances | Alarmes repetees, anomalies, derive capteur, gradient pression, charge filtre, vibration, courant, runtime et historique service | | Execution | Inspector work orders, taches Checklist, photos terrain, mesures, notes, approbations, escalades et preuves de cloture | | Gouvernance | Source de recommandation, reviewer, priorite, SLA, owner, passation, criteres d'acceptation, preuves de suivi et audit trail | La valeur vient du mapping de chaque signal vers une zone, un asset, un systeme, une responsabilite et un workflow terrain. Un pic particulaire doit pouvoir etre relie au contexte salle blanche, au flux d'air, a la pression, au filtre, aux utilities amont, a la maintenance recente et a la reponse. ## Workflow DataMesh pour les facilities semi-conducteurs 1. **Connecter les sources facility** - BMS, SCADA, PLC, historians, monitoring environnemental, CMMS, EAM, capteurs IoT, telemetrie equipement et work orders. 2. **Construire le facility twin** - Modeliser fab, salles blanches, zones, utilities, assets, capteurs, points de controle, documents et responsabilites dans FactVerse. 3. **Lier les signaux au contexte** - Mapper particules, pression, temperature, humidite, alarmes, energie, sante equipement et work records aux zones et assets via Data Fusion Services. 4. **Revoir derive et risque** - FactVerse AI Agent resume tendances anormales, alarmes repetees, systemes contributeurs, priorites et actions recommandees. 5. **Executer avec Inspector** - Transformer les constats confirmes en work orders, taches terrain, escalades, passations, documentation et acceptation. 6. **Verifier le resultat** - Comparer mesures apres action, recurrence alarmes, preuves maintenance, statut salle blanche et revue operationnelle. ## Derive de salle blanche et preuves ISO Les equipes salle blanche doivent lire plusieurs signaux faibles ensemble : particules, temperature, humidite, pression differentielle, flux d'air, filtres, portes, alarmes et maintenance. FactVerse AI Agent peut preparer un resume de preuves pour l'engineering : zone affectee, mesures modifiees, gradient de pression, statut FFU ou filtre, repetition d'alarmes et controles terrain a affecter. Les evaluations ISO 14644-1 et les enregistrements propres au site peuvent etre conserves dans l'historique operationnel. Le logiciel structure les preuves, le statut de revue et le lien work order; les decisions qualite suivent le systeme qualite et les responsables du client. ## Utilities et maintenance predictive Les assets facility ont leurs propres modes de degradation. Pompes, ventilateurs, compresseurs, chillers, AHU, extraction, vannes, capteurs et filtres peuvent signaler un risque par pression, debit, vibration, temperature, courant, runtime, alarmes et historique maintenance. Le modele [Maintenance predictive](/solutions/predictive-maintenance) s'applique bien ici. FactVerse AI Agent revise les signaux et le contexte asset; Inspector transforme les constats valides en work orders et verification. Les equipes priorisent selon impact operationnel, dependance salle blanche, urgence, alarmes repetees et capacite maintenance. ## De l'alarme au work order Un workflow d'alarme utile comprend : - verification capteur et calibration - revue asset et zone - resume de cause probable - priorite et SLA proposes - owner ou role assigne - checklist terrain - photos, mesures et actions correctives - acceptation et suivi [Inspector](/products/inspector) et [Checklist](/products/checklist) portent l'execution. Ils routent les risques confirmes en work orders, capturent les preuves terrain et conservent la cloture pour revue. ## Energie et analyse what-if Les facilities semi-conducteurs consomment beaucoup d'energie. Mesures utilities, refroidissement, flux d'air, charge filtre, pompes, ventilateurs et planning doivent etre revus avec le contexte salle blanche et maintenance. DataMesh relie les mesures energie aux systemes, zones, assets et historiques de travail. FactVerse AI Agent peut preparer des comparaisons what-if et resumes de risque pour l'engineering, par exemple autour d'une action maintenance ou d'un changement de planning a verifier avec les contraintes salle blanche. Economies, reporting carbone et objectifs operationnels dependent des baselines, frontieres de mesure, regles engineering et methodes de verification du client. Le workflow DataMesh rend l'evaluation et l'enregistrement des resultats traçables. ## Checklist de pilote - Zones salle blanche, classes ISO, seuils et responsabilites facility sont definis. - BMS, SCADA, monitoring environnemental, PLC, historians, CMMS, EAM et work orders sont accessibles. - Noms capteurs, unites, timestamps, emplacements et mapping asset sont suffisamment stables. - Utilities et assets critiques peuvent etre representes dans le digital twin. - Les equipes maintenance ont convenu revue, priorite, escalade, SLA et acceptation. - Les equipes terrain peuvent capturer mesures, photos, notes et preuves de cloture. - Les metriques pilote reposent sur des enregistrements verifies. ## References publiques Le [lancement FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) presente l'approche DataMesh pour les environnements operationnels complexes, y compris les facilities semi-conducteurs. La [reference Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) illustre la validation d'automatisation par digital twins dans les environnements semi-conducteurs et advanced manufacturing. La [reference Jebsee / Quan Yi Electronics](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) montre la planification de lignes avec FactVerse. La [reference Yokogawa et DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) montre la revue maintenance assistee par IA pour des signaux industriels. DataMesh applique aussi ces patterns de facility operations dans des projets semi-conducteurs confidentiels. Le contenu public decrit les capacites et workflows, avec noms clients et details site controles par les references approuvees. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## Pourquoi les assets industriels ont besoin d'un nouveau niveau de préparation De nombreuses entreprises disposent déjà de fichiers CAD, de modèles BIM, de scans, de scènes 3D et de visualisations de jumeaux numériques. Ces contenus servent aux revues de conception, à la collaboration, à la formation et à la communication. Physical AI demande aussi que l'asset puisse participer au calcul. Une ligne de production, une salle propre, un entrepôt, une cellule robotique ou un poste de packaging doit porter l'échelle réelle, des coordonnées stables, l'identité de l'objet, des labels sémantiques, des hypothèses physiques, des règles de comportement, l'état du processus et des liens vers les données opérationnelles. Ces couches rendent l'asset exploitable pour la simulation, l'entraînement robotique, les données synthétiques, la validation de layout, la répétition de processus et les workflows AI Agent. NVIDIA décrit SimReady comme un framework d'assets 3D et de jumeaux numériques prêts pour la simulation, construit sur OpenUSD. Pour les équipes industrielles, la valeur pratique consiste à faire évoluer les bibliothèques d'assets vers des objets numériques réutilisables. ## Les couches d'un asset SimReady | Couche | Préparation attendue | |---|---| | Géométrie et échelle | Dimensions, origine, orientation, unités, niveau de détail et limites spatiales | | Matériaux et apparence | Matériaux, textures, éclairage, réflexion, transparence et catégories de surface | | Physique | Collision, masse, friction, densité, articulations, contraintes, mouvement et distances de sécurité | | Sémantique | Classe d'équipement, rôle de pièce, zone fonctionnelle, rôle process, ID asset et lien au twin opérationnel | | Comportement | États, règles de démarrage et arrêt, défauts, reprise, interverrouillages, routes et conditions d'interaction | | Données | Signaux PLC, capteurs, alarmes, work orders, contexte MES, énergie et inspections | | Gouvernance | Sources, version, owner, hypothèses, contrôles qualité, résultats de simulation et notes de revue | ## Pourquoi la logique comportementale est essentielle Les propriétés physiques décrivent le mouvement, les collisions et les forces. Les opérations industrielles suivent aussi des règles de process et des états métier. Une machine démarre, attend, s'arrête, alerte, récupère, bloque une station amont ou libère de la matière selon la logique de contrôle et les procédures. [FactVerse Designer](/products/designer) utilise des behavior trees et une logique de scénario pour exprimer ces règles. Les machines de packaging, convoyeurs, cellules robotiques, salles propres et assets de facility peuvent porter des états, déclencheurs, timings et règles d'interaction. Cela rend les assets utiles pour la simulation de process, la formation, la collaboration robotique, les exercices de sécurité, les exceptions et la planification Physical AI. ## Workflow DataMesh 1. **Collecter les sources** - Réunir CAD, BIM, 3D, scans, plans, registres équipement, documents process et contexte contrôle. 2. **Normaliser la scène** - Aligner échelle, coordonnées, hiérarchie, noms, identité objet, emplacement et versions dans FactVerse. 3. **Ajouter la sémantique industrielle** - Ajouter classe équipement, rôle process, zone fonctionnelle, ID asset, relations, documents et owner. 4. **Préparer le contexte physique** - Définir collision, masse, friction, articulations, contraintes, zones d'accès, zones robots et limites de sécurité. 5. **Créer le comportement** - Définir transitions d'état, étapes, interverrouillages, défauts, reprises, routes et variantes dans Designer. 6. **Connecter les données opérationnelles** - Utiliser Data Fusion Services pour PLC, capteurs, alarmes, work orders, production, énergie ou historique d'inspection. 7. **Préparer le chemin OpenUSD** - Utiliser FactVerse Adaptor for NVIDIA Omniverse pour porter structure de scène, métadonnées, comportement et contexte asset vers OpenUSD et Omniverse. 8. **Valider et gouverner** - Vérifier rendu, physique, comportement, labels, couverture de scène et résultats de simulation. ## Ce qu'une bibliothèque SimReady permet - Équipements de packaging avec cadence, état, relations amont aval, logique de défaut, limites physiques et comportement process. - Cellules robotiques avec enveloppe de travail, zones de sécurité, capteurs, cibles de préhension, séquences et règles de coordination. - Convoyeurs et assets logistiques avec direction, vitesse, règles de blocage, transfert, état de route et données. - Salles propres avec layout, accès, contraintes de flux d'air, routes de maintenance, énergie et règles de risque. - Zones d'entrepôt avec racks, allées, palettes, staging, équipements mobiles et état logistique. Des assets standardisés, objectisés, riches en comportement et conscients de la physique peuvent être réutilisés pour la planification, la modification d'usine, la formation, l'adoption robotique, les exercices d'exception, l'analyse énergétique et l'entraînement AI. ## Rôle dans Physical AI Physical AI a besoin de mondes numériques de qualité avec espace, objets, sémantique, physique, comportement, état de process et données. Les assets SimReady constituent le matériau réutilisable de ces environnements. Pour la robotique, le contexte invisible compte autant que le visuel: température, pression, vibration, état équipement, work orders, zones de sécurité et contraintes process. FactVerse peut porter ce contexte dans le twin, tandis qu'Omniverse, PhysX, Newton et les workflows associés soutiennent rendu, physique, simulation de capteurs et évaluation robotique. ## Checklist de gouvernance - Documenter sources, owners, licences et versions. - Valider unités, échelle, coordonnées, origine et orientation. - Aligner l'identité asset avec le twin opérationnel et les registres d'entreprise. - Gérer les labels sémantiques avec des vocabulaires contrôlés. - Documenter les hypothèses physiques avec l'objectif de simulation. - Décrire les états, déclencheurs, timings, défauts et reprises. - Définir source, unité, horodatage, règle de mise à jour et qualité pour les données. - Relier les résultats à la version asset, version scène, hypothèses et reviewer. ## Références publiques Les pages NVIDIA [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) et [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) donnent le contexte technique public sur les assets SimReady basés sur OpenUSD. Les références DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) et [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) montrent la direction publique autour des jumeaux numériques de simulation, OpenUSD et Physical AI. --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## Les robots ont besoin d'environnements avec contexte industriel L'apprentissage robotique progresse mieux lorsque l'environnement virtuel porte le contexte du site réel : actifs, échelle, matériaux, collisions, étapes de tâche, capteurs, état de procédé, zones de sécurité et variations opérationnelles. Les actifs SimReady fournissent des objets réutilisables prêts pour la simulation. [FactVerse Designer](/products/designer) assemble ces objets en usines, entrepôts, cellules robot, zones d'inspection, cleanrooms et routes logistiques virtuelles avec logique de comportement et variantes. [DataMesh Robotics](/products/robotics) relie la scène aux données synthétiques, aux tâches, aux récompenses et aux workflows de simulation robotique. Le but pratique est d'accélérer l'itération sim-to-real : construire de meilleurs mondes numériques, tester plus de variantes, comparer les résultats avec des essais terrain et améliorer la scène avec les preuves réelles. ## Pourquoi le sim-to-real industriel est difficile | Couche | Effets sur le robot | |---|---| | Géométrie | largeur d'allée, position d'équipement, racks, dégagements, pente, enveloppe de travail | | Matériaux | réflexion, transparence, friction, usure, texture d'emballage, réponse lumière | | Capteurs | pose caméra, champ de vision, calibration, occlusion, bruit, profondeur, LiDAR | | État procédé | machine, pièces mobiles, route bloquée, palette, étape de travail, exception | | Sémantique | classe objet, ID actif, zone de sécurité, rôle de tâche, type de route | | Contexte humain | opérateurs, accès maintenance, chariots, zones restreintes, horaires | | Contrôle | limites de vitesse, règles d'arrêt, timing de transfert, interlocks, recovery | Une bonne préparation rend ces couches explicites afin de varier les conditions avant les essais physiques. ## Actifs SimReady comme briques d'entraînement Un actif SimReady utile au robot porte : * échelle, origine, orientation et collision * matériaux et lumière pour la perception * classe sémantique, ID actif, rôle et relation de scène * friction, masse, articulations et limites de mouvement * états tels qu'ouvert, fermé, bloqué, en marche, arrêté, alarme ou maintenance * points de prise, cibles d'inspection, zones de docking et zones d'approche sûres * versions reliant les résultats à la bibliothèque d'actifs Ces champs rendent la scène reproductible, variable et révisable. ## Designer transforme les actifs en terrain d'entraînement Designer aide à préparer : * layouts de sites, lignes, zones logistiques, cellules robot et routes d'inspection * logique de behavior tree pour états machine, mouvements, séquences et exceptions * scénarios timeline pour démarrage, arrêt, blocage, recovery, changement de route et transfert * variantes de layout pour équipements, allées, buffers, racks, convoyeurs et fixtures * planification capteurs et viewpoints pour perception, inspection, navigation et revue * bibliothèques de scènes pour données synthétiques et outils de simulation Les équipes robotique, opérations et simulation peuvent ainsi réviser le même environnement. ## Workflow DataMesh sim-to-real 1. **Choisir la tâche robot** - Robot, environnement, capteurs, objectif, sécurité et métriques. 2. **Préparer les actifs SimReady** - Convertir CAD, BIM, 3D, scans et records opérationnels en actifs avec échelle, sémantique, physique et états. 3. **Construire le terrain virtuel** - Designer assemble layout, flux, routes, comportement et variantes. 4. **Définir les variations** - Lumière, placement, état, blocage, matériaux, pose capteur et timing. 5. **Générer les données** - RGB, profondeur, segmentation, bounding boxes, pose, trajectoire, labels d'état et métadonnées. 6. **Simuler et évaluer** - Exporter vers entraînement robotique, Isaac Sim / Omniverse ou autres stacks. 7. **Comparer au terrain** - Exploiter essais physiques, notes opérateur, échecs et logs capteurs. 8. **Mettre à jour scène et bibliothèque** - Ajuster géométrie, matériaux, physique, labels, comportement et règles. ## Où la qualité de transfert progresse * **Perception** - exemples étiquetés avec lumière, matériau, occlusion, pose, distance et arrière-plan variés. * **Navigation** - routes, allées bloquées, buffers, docking, passages piétons et zones de sécurité. * **Manipulation** - pose objet, cible de prise, fixture, surface de contact, friction et timing. * **Inspection** - viewpoints, actifs cibles, défauts, panneaux, mesures et contraintes d'accès. * **Recovery** - pannes, chemins bloqués, objets manquants, alarmes, arrêt d'urgence et redémarrage. * **Revue opérationnelle** - validation commune avant essai physique. ## Mesures | Zone | Exemples | |---|---| | Données | couverture de classes, cohérence labels, poses, occlusions, lumière | | Simulation | échelle, collision, matériaux, capteurs, timing, états | | Tâche | taux de succès, durée, interventions, recovery, types d'échec | | Transfert | écart simulation-terrain, échecs répétés, corrections terrain | | Gouvernance | version scène, version actif, recette, réviseur, approbation | ## Rôles produits [DataMesh Robotics](/products/robotics) couvre données synthétiques, tâches, labels, rewards et intégration pipeline. [FactVerse Designer](/products/designer) prépare le terrain virtuel : layout, behavior trees, timeline, scénarios et variantes. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) relie les scènes FactVerse à OpenUSD et Omniverse pour rendu, physique, capteurs et outils robotique. [FactVerse](/products/factverse) et [FactVerse Twin Engine](/products/factverse-twin-engine) conservent actifs, espaces, systèmes, métadonnées, permissions et records de scène. ## Checklist * La tâche robot a-t-elle critères de succès et limites de sécurité ? * L'environnement, les actifs, routes et états sont-ils cadrés ? * Les actifs SimReady ont-ils échelle, sémantique, physique et états ? * Les scènes Designer sont-elles organisées par tâche, variante et objectif de revue ? * Capteurs, viewpoints, calibration et bruit sont-ils documentés ? * Les variations viennent-elles de conditions terrain ? * Les sorties et labels sont-ils définis avant génération ? * Les résultats sont-ils traçables vers scène et version d'actif ? ## Références publiques Le [lancement DataMesh Robotics](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) présente la direction publique pour données synthétiques, tâches, rewards et préparation des pipelines robotiques. Le [guide SimReady Assets](/resources/guides/simready-assets-industrial-digital-twins-physical-ai) explique comment les actifs portent géométrie, sémantique, physique, comportement et données. Le [guide Synthetic Data](/resources/guides/industrial-synthetic-data-physical-ai-robotics) couvre la génération de données à plus large échelle. --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## L'intralogistique dépend du contexte physique La logistique d'entrepôt et d'usine se joue dans l'espace réel. Une politique de stockage peut sembler correcte dans un tableau, mais le résultat dépend de la largeur des allées, du rayon de braquage des chariots élévateurs, des files aux quais, des zones de charge, des croisements piétons, de la capacité de mise en attente, des transferts convoyeurs et de la reprise après exception. La planification d'automatisation ajoute de la pression. Les équipes doivent discuter des routes AGV/AMR, des changements de convoyeurs, de la densité de stockage, de la livraison bord de ligne, des fenêtres de réapprovisionnement et des zones de sécurité avant investissement ou interruption terrain. Un jumeau numérique opérationnel donne une couche spatiale partagée. Il relie zones d'entrepôt, routes de matières, équipements, zones de travail, procédures, enregistrements opérationnels et hypothèses de scénario pour que planification, fournisseurs d'automatisation, sécurité, formation et opérations regardent le même environnement. ## Ce qu'il faut modéliser | Couche | Exemples | |---|---| | Espaces | quais, réception, zones de stockage, bord de ligne, mise en attente, expédition, quarantaine, charge | | Routes | chemins de chariots élévateurs, routes AGV/AMR, convoyeurs, croisements piétons, accès d'urgence, accès maintenance | | Actifs | racks, convoyeurs, portes, barrières, véhicules, chargeurs, capteurs, scanners, dispositifs de sécurité | | Règles | préparation, réapprovisionnement, chargement, déchargement, séquencement, inspection, exceptions, passation d'équipe | | Événements | route bloquée, enlèvement retardé, tampon plein, palette endommagée, panne d'équipement, arrêt de sécurité, scan manqué | | Registres | constats d'inspection, ordres de travail, photos, notes opérateur, résultats formation, versions de scénario | La traçabilité est centrale. Route, rack, quai, véhicule, ordre de travail et scénario doivent référencer les mêmes identités d'actif et de lieu dans la planification, la formation, l'inspection et la revue. ## Planifier avant l'investissement d'automatisation Avant d'investir, les équipes doivent tester des questions simples: les quais, zones d'attente, zones de stockage et tampons bord de ligne sont-ils bien placés? Les chemins de chariots élévateurs, de piétons et d'AGV/AMR se croisent-ils? Un nouveau convoyeur, élévateur, portail ou chargeur bloque-t-il la maintenance? Où apparaissent les files en pic de réception, préparation, expédition ou alimentation de ligne? [FactVerse DLC](/products/factverse-dlc) fournit des contenus d'entrepôt et de logistique réutilisables, comme zones, routes, aires de stockage et actifs de ligne de transport. [FactVerse Designer](/products/designer) permet d'adapter ces ressources au site réel, comparer des variantes et créer des scènes vérifiables. La valeur vient de la clarté avant perturbation. La revue avec jumeau numérique élimine les options faibles, clarifie les exigences pour les fournisseurs d'automatisation et montre aux opérations l'effet d'une implantation proposée. ## Validation de scénarios La validation d'entrepôt et d'intralogistique doit cibler les décisions actionnables: * conflits de route et problèmes de dégagement * capacité des quais, zones d'attente et tampons * points de transfert entre chariot élévateur, AGV, AMR, convoyeur et opérateur * accès urgence et limites de sécurité * cadence de réapprovisionnement et hypothèses bord de ligne * placement des équipements, zones de charge et accès maintenance * exceptions comme marchandise endommagée, allée bloquée, scan manqué ou panne équipement Le jumeau numérique sert à choisir quelles options méritent simulation détaillée, engineering fournisseur, pilote terrain ou conception de procédure. ## Formation et répétition sécurité Les projets intralogistiques changent les mouvements sur site. Les opérateurs peuvent avoir de nouvelles routes, séquences de chargement, étapes de scan, vérifications sécurité ou réponses aux exceptions. La formation doit utiliser le même contexte spatial que la planification. [Simulator](/products/simulator) est pertinent lorsque la formation dépend du comportement véhicule, de la discipline de route, des contrôles physiques, des règles sécurité et des évaluations. Les scénarios de chariot élévateur aident à pratiquer déplacement, virage, gestion de charge, visibilité et réponse aux exceptions. [Director](/products/director) et [Inspector](/products/inspector) soutiennent procédures guidées, inspections, capture de problèmes et preuves terrain. Route, actif, liste de contrôle, photo, problème et ordre de travail restent reliés au même contexte de jumeau opérationnel. ## De la planification à l'exécution 1. **Mapper le site** - Aligner quais, zones, allées, racks, convoyeurs, équipements, zones de travail et noms de routes avec les registres d'actifs. 2. **Créer des scénarios** - Utiliser Designer et les ressources DLC d'entrepôt pour implantations, routes, zones d'attente, limites sécurité et vues opérationnelles. 3. **Revoir avec les parties prenantes** - Faire travailler opérations, ingénierie, sécurité, IT, fournisseurs d'automatisation et formation dans la même scène. 4. **Préparer la formation** - Transformer routes, procédures et exceptions approuvées en contenu de formation et travail guidé. 5. **Connecter les registres** - Lier états équipements, ordres de travail, inspections, documents et événements via Data Fusion Services et FactVerse. 6. **Exécuter et capturer les preuves** - Utiliser Inspector pour inspections, problèmes, photos, notes réparation, acceptation et statut d'ordre de travail. 7. **Préparer la revue AI** - Lorsque données et workflows sont stables, FactVerse AI Agent soutient triage, recommandations et revue d'exécution. Cette séquence connecte planification, formation et exécution. Le modèle devient un contexte opérationnel partagé que les équipes peuvent relire, maintenir et enrichir. ## Données et préparation IA Les opérations logistiques assistées par IA demandent un contexte stable: hiérarchie de lieux, identités d'actifs, définitions de routes, événements, ordres de travail, inspections, dossiers de formation, propriétaires de données, cadence de mise à jour et règles d'exception. Avec cette base, AI Agent peut résumer les problèmes répétés, signaler le contexte manquant, recommander les prochaines vérifications, relier alarmes et ordres de travail, et aider les équipes à revoir les schémas opérationnels. La logique de répartition et les décisions finales restent gouvernées par les systèmes, procédures et équipes responsables du client. ## Rôles produits [FactVerse DLC](/products/factverse-dlc) fournit des contenus d'entrepôt et de logistique réutilisables pour zones, routes, aires de stockage, lignes de transport, scènes de planification et scénarios de formation. [FactVerse Designer](/products/designer) est l'environnement de création pour variantes d'implantation, routes de matières, vues de scène, libellés, panneaux et revues avec les parties prenantes. [DataMesh FactVerse](/products/factverse) et [FactVerse Twin Engine](/products/factverse-twin-engine) conservent le contexte du jumeau opérationnel: espaces, actifs, relations, routes, objets de travail, droits et records de scénario. [Data Fusion Services](/products/dfs) connecte données opérationnelles, records enterprise, états équipements, documents et événements aux bons objets du twin. [Simulator](/products/simulator) soutient la formation opérateur lorsque discipline de route, comportement véhicule, contrôles physiques et évaluation comptent. [Inspector](/products/inspector) connecte le twin aux inspections, problèmes, photos, notes réparation, ordres de travail, registres d'acceptation et preuves terrain. [FactVerse AI Agent](/products/factverse-ai-agent) peut soutenir la revue opérationnelle et la préparation de l'exécution lorsque le modèle de données, les événements et les workflows sont matures. ## Checklist de préparation * Les zones, quais, racks, allées, zones d'attente et zones bord de ligne sont-ils nommés de façon cohérente? * Les routes, passages piétons, zones de sécurité et accès maintenance sont-ils définis? * Forklifts, convoyeurs, AGV, AMR, chargeurs, scanners, portes et gates sont-ils gérés comme actifs? * Les variantes d'implantation sont-elles liées à une question métier claire? * Les exceptions sont-elles documentées avant formation et rollout terrain? * Points d'inspection, catégories de problèmes, passage en ordre de travail et champs de preuve sont-ils définis? * Les scénarios opérateur sont-ils liés aux routes, procédures et équipements réels? * Les owners, cadences et statuts qualité des données sont-ils clairs? * Les cas AI Agent reposent-ils sur des registres stables d'actifs, routes, événements et ordres de travail? ## Références publiques La mise à jour [DLC entrepôt et logistique](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) montre comment FactVerse soutient environnements logistiques, routes, implantations et scénarios opérationnels. La référence [Gyro intralogistique](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) montre l'usage des digital twins pour comprendre, valider et mettre en œuvre l'automatisation intralogistique. La référence [Jebsee sur la planification d'automatisation de ligne](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) montre comment FactVerse aide la communication et la revue autour de changements d'automatisation. L'annonce [DataMesh Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) montre la direction publique pour la formation opérateur et la simulation d'équipements basées sur digital twin. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI commence par le contexte opérationnel réel L'AI industrielle devient utile lorsqu'elle comprend le lieu où les décisions se prennent. Un site, une ligne de production, un data center, une salle technique, un entrepôt ou un chantier contient des assets, des espaces, des signaux, des personnes, des procédures, des contraintes physiques et des règles d'approbation. Physical AI amène ces couches dans le workflow décisionnel. Pour DataMesh, Physical AI est une capacité opérationnelle construite autour de jumeaux numériques exécutables. Le twin porte le contexte physique. L'AI soutient l'analyse et la recommandation. La simulation aide les équipes à comparer des résultats possibles. Les applications terrain transforment les décisions approuvées en inspections, work orders, formation ou procédures. Les preuves de vérification reviennent ensuite dans le twin. Cette boucle compte parce que les décisions industrielles ont des conséquences sur le terrain. Une recommandation a besoin de contexte asset, état opérationnel, contraintes spatiales, dépendances process et chemin clair vers l'exécution. ## Les couches principales de Physical AI | Couche | Apport | |---|---| | Données opérationnelles | BMS, SCADA, IoT, MES, CMMS, EAM, compteurs, alarmes, historique de travail et documents | | Contexte physique | Sites, bâtiments, étages, zones, systèmes, équipements, routes, zones sécurité et contraintes d'accès | | Logique comportementale et process | Changements d'état, dépendances, procédures, timing, exceptions et règles de workflow | | Simulation et revue de scénarios | Comparaison de layout, validation process, hypothèses physiques, scénarios de formation et préparation robotique | | Intelligence décisionnelle AI | Revue d'anomalies, forecasting, synthèse de preuves, comparaison d'options et recommandations | | Workflows d'exécution | Inspections, work orders, procédures guidées, formation, enregistrements d'acceptation et preuves terrain | Les programmes Physical AI les plus solides gardent ces couches connectées. L'AI travaille alors avec les mêmes noms d'assets, relations opérationnelles et preuves que les équipes engineering et operations utilisent déjà. ## La boucle opérationnelle DataMesh 1. **Connecter les données** - Data Fusion Services amène les données des systèmes industriels, facility, enterprise, compteurs, capteurs et documents dans un contexte partagé. 2. **Construire le twin exécutable** - FactVerse et Twin Engine organisent assets, espaces, relations, état live, logique comportementale et enregistrements de scénarios. 3. **Créer et simuler les scénarios** - Designer et les workflows liés à Omniverse aident à revoir layouts, flux process, mouvements d'équipement, comportement packaging, chemins robotique et scénarios de formation. 4. **Analyser avec AI Agent** - FactVerse AI Agent examine signaux, tendances, contexte asset et sources de connaissance pour soutenir diagnostic, priorisation et prochaines actions. 5. **Exécuter via les applications** - Inspector, Checklist, Director, Simulator et DataMesh One transforment les décisions approuvées en work orders, tâches guidées, formation et enregistrements terrain. 6. **Vérifier le résultat** - Statut de clôture, notes, photos, acceptation, exceptions et résultats opérationnels reviennent dans le twin pour revue et amélioration. Physical AI mérite donc une planification en boucle. La valeur vient du lien entre analyse, validation, exécution et revue. ## Ce qui distingue Physical AI industrielle L'AI générale peut résumer des documents, répondre à des questions ou produire des rapports. Physical AI industrielle ajoute le contexte opérationnel: quel asset est concerné, où il se trouve, à quel système il appartient, quels signaux comptent, quel état process est pertinent et comment l'action recommandée passe dans un travail gouverné. Une alarme sur une pompe peut ainsi se relier à l'asset pompe, aux équipements amont et aval, à l'historique des work orders, à l'état courant, à la localisation spatiale, à la route d'inspection, à la zone sécurité et à la procédure de maintenance. L'AI peut enrichir la revue avec davantage de preuves, tandis que le twin garde la décision ancrée dans le site réel. Le même modèle s'applique à la maintenance d'équipement, l'analyse énergétique, la simulation de process, la formation opérateur, la gestion facility, le guidage chantier et les workflows robotique. ## Rôle des produits DataMesh [FactVerse](/products/factverse) est la base de plateforme. Il connecte twin execution engine, AI decision engine, data services, outils d'authoring et applications terrain dans une architecture opérationnelle. [FactVerse Twin Engine](/products/factverse-twin-engine) est la couche de contexte physique. Il relie assets, espaces, relations, logique comportementale, données live et état de workflow dans un twin exécutable. [Data Fusion Services](/products/dfs) prépare la fondation de données opérationnelles à travers systèmes industriels, facility, enterprise et documents. [FactVerse Designer](/products/designer) porte l'authoring de scènes, la modélisation comportementale, la planification de layout, la logique process, la planification virtuelle et la préparation simulation. [FactVerse AI Agent](/products/factverse-ai-agent) soutient analyse, diagnostic, forecasting, revue de connaissances, synthèses de recommandation et transfert vers l'exécution. [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator) et [Robotics](/products/robotics) étendent la boucle vers inspections, exécution du travail, procédures guidées, formation opérateur et préparation de données Physical AI. ## Points de départ pratiques - **Boucle alarme vers work order**: connecter alarmes, contexte asset, dossiers d'inspection, triage assistée par AI, work orders et vérification. - **Maintenance prédictive**: combiner tendances capteurs, contexte opérationnel, historique maintenance, revue de risque et exécution terrain. - **Revue énergétique facility**: connecter compteurs, état équipement, zones, inspections, work orders et analyse de scénarios. - **Simulation de process**: comparer layout, packaging, flux matière, chemins robotique et accès opérateur avant les changements physiques. - **Formation opérateur**: utiliser le contexte digital twin et les scénarios Simulator pour des exercices répétables autour du comportement d'équipement. - **Préparation robotique**: préparer assets, scènes, données synthétiques, labels et contexte tâche pour Physical AI et workflows robotique. Le point de départ le plus robuste est un workflow borné avec accès aux données, owner responsable, chemin de revue et résultat vérifiable. ## Checklist d'évaluation - Le système relie-t-il les données opérationnelles aux assets, espaces, systèmes et work records? - Le twin contient-il contexte physique, logique comportementale, état process et historique de version? - Les équipes peuvent-elles revoir les actions proposées via simulation, comparaison de scénarios ou contrôles engineering? - Les recommandations AI peuvent-elles passer vers inspections, work orders, procédures guidées, formation ou workflows robotique? - Opérateurs et ingénieurs voient-ils les preuves derrière une recommandation? - L'organisation enregistre-t-elle approbation, exécution, exceptions et vérification? - Le même contexte peut-il soutenir facility operations, manufacturing, formation, maintenance et simulation dans la durée? Ces questions gardent Physical AI lié aux processus opérationnels réels et orienté vers des programmes exécutables. ## Références publiques Le [lancement de FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) décrit la direction publique de DataMesh pour les opérations pilotées par simulation dans les sites complexes. L'annonce [FactVerse et NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) et le [showcase GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) montrent comment simulation digital twins, OpenUSD workflows et préparation Physical AI s'inscrivent dans l'histoire publique de la plateforme DataMesh. Les références [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) et [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) donnent des exemples publics de contexte digital twin, facility operations et maintenance assistée par AI. --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark readiness is an operating discipline Singapore BCA Green Mark is a green building rating system for environmental performance and sustainable building operations. The current Green Mark 2021 framework places strong emphasis on energy performance while also considering maintainability, whole-life carbon, intelligence, health and wellbeing, and resilience. The official criteria and technical guides remain the authority, and project teams should refer to BCA for the latest requirements. For facility teams, the practical challenge sits in the operating evidence behind the assessment: energy data, equipment relationships, maintenance records, environmental conditions, improvement actions, and proof that corrective work has been completed. That evidence often lives across BMS screens, meters, spreadsheets, CMMS tickets, BIM files, service reports, and contractor records. [DataMesh Green Transformation](/solutions/green-transformation) uses an operational digital twin to connect those layers. Owners, operators, consultants, engineers, and sustainability teams can use the shared model to prepare evidence, analyze improvement options, and keep sustainability work connected to daily facility execution. Official reference points: - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## Build the evidence layer before the review Green Mark preparation becomes easier when operating evidence is structured continuously throughout daily operations. A digital twin can provide the shared context for that evidence. The foundation usually includes: - **Spaces** — buildings, floors, rooms, zones, tenant areas, and critical functional spaces. - **Systems** — cooling, HVAC, lighting, power distribution, water, compressed air, elevators, and other utilities. - **Assets** — equipment registry, meters, sensors, control points, documents, maintenance plans, and service history. - **Signals** — BMS points, meter readings, environmental data, alarms, and calculated indicators. - **Work records** — inspections, work orders, corrective actions, acceptance records, and verification notes. [Data Fusion Services](/products/dfs) connects BMS, meters, IoT, historians, CMMS, EAM, and other data sources. [FactVerse](/products/factverse) maps the data to spaces, assets, systems, and workflows so the team can understand what the data describes and where action needs to happen. ## Use Brick Schema to make evidence traceable Brick Schema is useful because sustainability evidence is rarely just a number. A meter reading needs to be tied to the correct meter. A temperature trend needs to be tied to the correct zone and sensor. A chiller issue needs to be tied to the system, assets, alarms, and maintenance record behind it. In [Inspector](/products/inspector), Brick Schema-aligned relationships can describe buildings, floors, zones, equipment, meters, sensors, points, and systems in a consistent way. That helps teams answer practical review questions: - Which asset or space does this evidence belong to? - Which meter, sensor, or control point supports this operating record? - Which work order or inspection closed the issue? - Which systems or zones are affected by a proposed change? - Which records should be reviewed by engineering, sustainability, and service teams? Professional judgment remains central. The semantic layer reduces ambiguity, improves traceability, and makes evidence easier to review. ## Brick Schema references For readers who need to review the standard directly, start with these public Brick Schema resources: - [Brick Schema official website](https://brickschema.org/) — overview of Brick as a uniform metadata schema for buildings, including an introductory reference image. - [Brick user documentation](https://docs.brickschema.org/brick/overview.html) — design principles and core concepts for modeling building entities and relationships. - [Brick modeling data sources](https://docs.brickschema.org/brick/timeseries.html) — official documentation with a high-level telemetry data model diagram showing entities and relationships. - [Brick ontology browser](https://ontology.brickschema.org/) — browsable reference for Brick classes, relationships, and terms. - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick) — open-source schema development, releases, issues, and source files. ## Energy analysis and engineering review Operational data can show where energy use changes, but deeper decisions often require comparison. DataMesh can connect BIM/IFC, weather data, operating records, and digital twin context with EnergyPlus-based building energy models so teams can evaluate scenarios before action. Useful analysis can include: - EUI and load composition review. - Operating-hour, occupancy, and weather-normalized comparisons. - Setpoint and control-strategy review. - Retrofit or equipment-upgrade scenario comparison. - Priority lists for corrective actions and engineering review. The analysis should be used as an engineering decision aid. A practical pilot establishes the baseline, tests the data, compares improvement options, executes corrective work, and verifies the result with operating records before reporting savings. ## Close the loop with Inspector Readiness improves when energy findings and evidence requests become accountable work. Inspector turns findings into inspections, tasks, work orders, field execution, acceptance, and verification records. A practical operating loop looks like this: 1. Connect BMS, meter, asset, environmental, and maintenance data. 2. Map assets and points with Brick Schema-aligned relationships. 3. Review abnormal energy use, alarms, inspection gaps, or missing records. 4. Compare improvement options with engineering review and modeling where useful. 5. Create work orders and corrective actions in Inspector. 6. Capture completion records, photos, notes, and acceptance evidence. 7. Recheck operating data and preserve the evidence trail. This loop gives sustainability teams a clearer evidence base and gives facility teams a practical way to act on the findings. ## Where to start Start with one building, one campus zone, or one system group. Good pilot candidates include chilled water systems, HVAC operating schedules, energy meters, high-load zones, or maintenance-heavy assets with enough data history to review. The first implementation should produce: | Workstream | Output | |---|---| | Data audit | Source list for BMS, meters, IoT, asset registry, BIM/IFC, and work-order systems | | Semantic mapping | Space, asset, equipment, meter, sensor, and system relationships | | Baseline review | EUI, load patterns, operating hours, abnormal signals, and data gaps | | Scenario analysis | Improvement options, modeling assumptions, and engineering review notes | | Corrective execution | Inspector work orders, field records, closure, and verification evidence | The value of this approach is a shared operating model where the team can see the facility, data, evidence, and work in one traceable context. --- ## [GUIDES] how-to-evaluate-simulation-evidence ## Start with the decision at risk A simulation earns trust when its evidence is appropriate for the decision being made. A visually convincing airflow field, temperature map, robot motion, or network model can help people understand a scenario. The decision still depends on deeper questions: which operating condition was represented, where the inputs came from, how the model was checked, what variation was explored, and who is qualified to accept the conclusion. This matters because industrial simulation supports decisions with very different consequences. An early layout screening study can tolerate broader assumptions. A cleanroom gas-dispersion review, a data-center cooling-failure scenario, or a robot safety decision requires stronger evidence and tighter review. The first evaluation question is therefore: > What decision will this result support, and what happens if the conclusion is wrong? That answer determines the geometry, data, calibration, uncertainty analysis, review depth, and approval ownership the project needs. ## Follow the evidence chain A useful review follows the result from the decision question back to the model and inputs, then forward into findings and action. ![Scene, scenario, simulation, human review, and reuse workflow](/images/physics/scene-simulation-action-diagram.webp) *A reusable scene becomes decision evidence only after the scenario, assumptions, outputs, and review are connected to an intended use.* The evidence chain has seven links: 1. **Decision and consequence** - State the engineering or operational question, the affected assets and people, the decision owner, and the consequence of error. 2. **Scenario boundary** - Define the operating state, geometry, time window, loads, disturbances, equipment availability, environmental conditions, and exclusions. 3. **Model and input identity** - Record the scene, asset, model, input dataset, boundary condition, configuration, and software version used for the run. 4. **Simulation fields** - Inspect the spatial and time-dependent outputs that represent the modeled behavior, such as temperature, velocity, concentration, pressure, flow, contact, or motion. 5. **Metrics and operating limits** - Translate fields into reviewable measures such as rack-inlet temperature, time to detector response, capture effectiveness, thermal margin, pressure differential, network imbalance, clearance, or collision state. 6. **Findings and actions** - Connect observed conditions to a specific engineering finding, proposed action, priority, and expected operational effect. 7. **Qualified review** - Record who reviewed the inputs, method, limitations, findings, and proposed decision, including unresolved questions and required follow-up. A break anywhere in this chain weakens the decision. A field without a decision metric is difficult to act on. A metric without a traceable input set is difficult to reproduce. A recommended action without a named reviewer is difficult to govern. ## Ask what the model was intended to represent Simulation quality is always tied to an intended use. The same model may be suitable for comparing two layouts and unsuitable for predicting an exact site threshold. Ask the project team to state: * the physical or operational behavior represented * the assets, spaces, systems, and time horizon included * the variables and interactions simplified or excluded * the range of operating conditions covered * the locations and conditions where evidence was compared with measurements or benchmarks * the decisions supported at the current evidence level * the conditions that require a new run, recalibration, or deeper method This context should appear beside the result and remain understandable without requiring the evaluator to know how the model was built. ## Separate verification, calibration, and validation These activities answer related questions: | Review activity | Buyer question | Useful evidence | |---|---|---| | Model and setup review | Does the scenario represent the intended assets, conditions, and interactions? | Geometry review, topology checks, units, material assumptions, boundary conditions, operating-state confirmation | | Verification | Was the computational problem solved consistently enough for the intended result? | Convergence behavior, conservation checks, mesh or time-step sensitivity where relevant, numerical warnings, repeatability | | Benchmark comparison | Does the workflow reproduce a recognized or controlled reference case? | Reference definition, expected behavior, comparison metric, deviation, acceptance rationale | | Measured-data calibration | Were uncertain model inputs adjusted against representative site observations? | Measurement source, calibration period, adjusted parameters, residuals, holdout conditions, reviewer sign-off | | Validation for intended use | How well does the result agree with independent evidence under relevant conditions? | Independent measurements or tests, comparison locations, uncertainty, limits of applicability, observed mismatch | The evidence level should match the claim. Early scenario screening may rely on geometry, engineering assumptions, and sensitivity checks. Site-specific threshold or timing claims call for representative measurements, documented residuals, and independent review. ## Inspect inputs before outputs Many weak reviews begin with the most attractive output image. A stronger review begins with the input pedigree. For each important input, ask: * Who owns the source data? * When and where was it collected? * Which units, coordinate system, sampling interval, and time synchronization apply? * Has missing, stale, duplicated, or impossible data been identified? * Does the dataset represent the simulated operating condition? * Which values came from measurement, design information, vendor documentation, engineering assumption, or calibration? * How sensitive is the decision metric to this input? [Data Fusion Services](/products/dfs) can help organize operational and engineering data with identity, lineage, quality context, and time alignment. [FactVerse Designer](/products/designer) maintains the spatial scene, behavior, scenario, and review context. The value for evaluation comes from preserving the connection between those inputs and the result being discussed. ## Require metrics that connect to action Color fields are valuable for exploration, but an engineering review also needs metrics tied to operating limits and action. Examples include: | Scenario | Field | Decision metric | Possible action | |---|---|---|---| | Data-center thermal resilience | Temperature and airflow over time | Rack-inlet margin and time to an agreed limit | Review load placement, containment, operating sequence, or cooling resilience option | | Cleanroom release scenario | Concentration and velocity over time | Detection time, undetected region, and local exhaust capture behavior | Review detector placement, exhaust condition, response sequence, or validation plan | | District-heating operation | Flow, pressure, and temperature across the network | Imbalance, return-temperature behavior, and service condition by zone | Review balancing, control, maintenance, or severe-weather operating scenario | | Production and robotics | Motion, contact, clearance, and process state | Collision, handoff stability, access envelope, and sequence completion | Revise layout, timing, asset properties, task definition, or physical test plan | The project should explain how each metric was calculated, which threshold or comparison basis applies, and who owns the action. A model can reveal an engineering concern without automatically selecting the final remedy. ## Review uncertainty and result stability A single run shows one combination of inputs and assumptions. Buyers should ask which changes could alter the finding. Useful review methods include: * varying uncertain boundary conditions and operating states * comparing equipment-available and equipment-degraded scenarios * testing plausible measurement error or input ranges * checking mesh, time step, or solver-setting sensitivity where the method requires it * running scenario families or repeated runs for variable conditions * reporting distributions, percentiles, ranges, or conservative cases when they are decision-relevant * identifying the inputs that dominate the decision metric The result package should distinguish stable findings from findings that change materially under plausible variation. This helps the buyer decide whether to act, gather more evidence, narrow the claim, or run a targeted pilot. ## Make the run reproducible Reproducibility is practical governance. Another qualified reviewer should be able to identify the exact scene, model, inputs, conditions, and settings behind the result and understand how the published finding was produced. A reviewable run record should include: * decision question and scenario identifier * scene, geometry, asset, and model versions * input dataset identity and applicable time range * assumptions and boundary conditions * method, configuration, and relevant software version * warnings, checks, and quality observations * output fields, metrics, units, and comparison basis * reviewer, review date, disposition, and open actions Checksums or immutable identifiers can strengthen traceability when the project needs formal evidence control. Buyers generally need the clear review record rather than internal implementation detail. ## Use a buyer evaluation checklist ### Decision fit * Is the intended decision stated in one sentence? * Is the consequence of a wrong conclusion understood? * Does the evidence depth match that consequence? * Are the decision owner and technical reviewer named? ### Scenario and input quality * Are included and excluded conditions explicit? * Are geometry, topology, units, coordinates, and time alignment checked? * Are measured values, design values, vendor data, and assumptions distinguishable? * Do the inputs represent the operating condition under review? ### Method and evidence * Are verification, benchmark, calibration, or validation activities appropriate for the intended use? * Are residuals, deviations, warnings, and unresolved mismatches visible? * Has sensitivity to important inputs been explored? * Can the team reproduce the result from the recorded run identity? ### Findings and action * Does every important finding point to a field, metric, limit, or comparison? * Are stable and sensitive findings distinguishable? * Are proposed actions assigned to an accountable owner? * Are additional measurement, engineering analysis, physical testing, or approval steps clear? ## Choose the next evidence step The appropriate next step depends on the decision and the current evidence gap. ### Request a benchmark study Use a benchmark when the team needs to establish that the method reproduces known behavior under controlled conditions. This is especially useful before applying a new solver, model family, or workflow to a high-impact decision. ### Request measured-data calibration Use calibration when the decision depends on site-specific magnitude, timing, threshold margin, or equipment response and representative measurements are available. Define the calibration period, adjusted parameters, residual measures, and conditions reserved for independent comparison. ### Request a focused pilot Use a pilot when the buyer needs to prove data availability, geometry readiness, model usefulness, review ownership, or workflow fit in the operating environment. A strong pilot chooses one decision, defines the evidence package before modeling begins, and sets explicit expansion criteria. ### Escalate to detailed engineering or physical testing Use specialized analysis, vendor engineering, commissioning tests, or physical trials when the decision requires construction-ready approval, safety sign-off, material qualification, equipment certification, or evidence beyond the current model's intended use. ## Build trust through visible evidence DataMesh connects reusable digital-twin scenes, governed operational data, simulation outputs, findings, actions, and review records so technical buyers can evaluate the full decision chain. The engagement should begin with one concrete question and the evidence needed to answer it. For process and robotics planning, explore [Process Simulation and Virtual Planning](/solutions/process-simulation). Facility teams can review the market context for [Data Center Operations](/solutions/ai-agent-data-center), [Semiconductor Facility Operations](/solutions/ai-agent-semiconductor), and [Smart District Heating](/solutions/heatops). ## Public references The [National Institute of Standards and Technology summary of industrial verification, validation, and uncertainty quantification](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures) describes physical-model quality, analyst quality, verification and validation, and uncertainty quantification as fundamental contributors to simulation credibility. NASA's public [Modeling and Simulations FAQ](https://public.ksc.nasa.gov/mns/faq/) explains credibility factors including data pedigree, verification, validation, input pedigree, uncertainty characterization, result robustness, use history, and process management. The [American Society of Mechanical Engineers overview of verification, validation, and uncertainty quantification standards](https://www.asme.org/codes-standards/publications-information/verification-validation-uncertainty) lists current terminology, solid-mechanics, fluid and heat-transfer, validation-metric, and simulation-software evaluation standards. These references provide general evaluation principles. Each industrial project still needs an intended-use statement, domain expertise, suitable evidence, and the approvals required by the buyer's organization. --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## Data readiness comes before AI scale Industrial AI projects often stall when the model can read documents but cannot reliably identify the asset, location, signal, work record, or approval rule behind a decision. In real operations, the data foundation matters as much as the model. Data readiness means preparing the operating context that AI agents and digital twins need: source systems, asset identities, spatial structure, live signals, alarm history, work orders, inspection evidence, SOPs, documents, permissions, and outcome records. [Data Fusion Services](/products/dfs) is the part of the FactVerse stack that prepares this foundation. It connects source systems, maps fields to twin entities, normalizes data, computes indicators, and makes the resulting context usable by [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), dashboards, and analytics workflows. ## Start from the operating workflow The first question should be operational: what decision or task should improve? Useful starting points include predictive maintenance for critical equipment, facility inspection routes, data center asset management, heating-network operations, semiconductor facility systems, warehouse equipment checks, and digital SOP execution. Each workflow defines which data is necessary and which data can wait. | Workflow | Data that matters first | |---|---| | Predictive maintenance | Asset hierarchy, sensor trends, alarms, maintenance history, inspection results, work-order outcomes | | Facility inspection | Space hierarchy, asset list, inspection points, checklists, photos, issue categories, closure records | | Data center operations | Rooms, racks, facility equipment, meters, alarms, energy readings, maintenance records, asset ownership | | HeatOps | Heat sources, substations, meters, temperatures, pressure, flow, weather, dispatch logs, field tasks | | Semiconductor facility operations | Utility equipment, sub-fab systems, alarms, operating limits, work orders, operator notes | | Operator guidance | SOPs, task steps, equipment references, safety notes, training records, approval requirements | Starting from a workflow keeps the data model tied to operating value. ## Build a source inventory Industrial sites usually have useful data spread across many systems. A source inventory should describe which systems exist, what each source owns, how data is accessed, how often it updates, and who approves use. Typical sources include SCADA, BMS, EMS, PLCs, historians, IoT platforms, MES, ERP, CMMS, EAM, GIS, BIM, meters, spreadsheets, drawings, manuals, SOP repositories, inspection tools, training systems, and document libraries. For each source, record: * owner and business purpose * connection method and access boundary * available fields, tags, documents, and records * update frequency, latency, and historical retention * unit, timestamp, naming, and quality issues * security, privacy, and approval requirements This creates the delivery map for data integration. ## Establish asset and space identity AI Agent workflows need stable references. A pump, AHU, UPS, heat exchanger, valve, crane, vehicle, room, line, or substation should have an identity that can be recognized across systems. FactVerse and Twin Engine use this identity layer to connect spaces, equipment, systems, relationships, documents, signals, and work records. Data Fusion Services maps source fields and tags to those entities so a signal is attached to the right object in the twin. Good identity design covers: * site, building, floor, zone, room, line, route, and service area * asset class, asset ID, display name, model, location, and owner * system relationships, upstream and downstream dependencies, and parent-child structure * source-system aliases and tag naming patterns * document links, SOP links, inspection points, and work-order references This identity layer turns raw data into operational context. ## Prepare time-series and event data Continuous operations depend on clean signals. Temperature, vibration, current, pressure, flow, energy, valve state, alarm state, and equipment status need consistent units, timestamps, sampling rules, and quality flags. Data Fusion Services can help normalize units, align timestamps, handle missing values, compute derived indicators, and mark quality issues. The goal is to make live and historical signals reliable enough for dashboards, AI review, maintenance analysis, and machine learning datasets. Teams should document: * unit conventions and conversion rules * time zone, timestamp source, and clock drift risks * sampling rate and aggregation rules * missing data, outliers, flat lines, and sensor replacement events * alarm severity, acknowledgement, reset, and repeat-event logic * calculated indicators and their formulas ## Connect workflow records and SOP context AI recommendations become useful when they can move into execution. That requires work-order records, inspection results, issue categories, acceptance notes, photos, SOPs, manuals, training records, and approval paths. [Inspector](/products/inspector), Checklist, and connected CMMS or EAM systems provide the field side of the loop. They record who reviewed a finding, what action was taken, what evidence was captured, and whether the condition improved. SOP and document context should be linked to assets and workflows. The AI Agent can then retrieve the right procedure, summarize relevant history, prepare a task recommendation, and keep the human reviewer in the approval path. ## Make data useful for machine learning Machine learning needs more than raw sensor history. The useful dataset includes the signal, the asset context, the operating state, the human decision, the action taken, and the outcome. A predictive maintenance model, for example, needs to know which asset produced the signal, whether the site was in normal operation, which alarms appeared, which work orders followed, what technicians found, and whether the condition improved after action. These records support training, retraining, evaluation, and recommendation tuning. The data pipeline should preserve: * input signals and features * asset and location context * operating state and process conditions * human review decisions and rejected suggestions * work-order actions and completion evidence * post-action readings and outcome labels * model version, recommendation version, and review metrics This keeps machine learning connected to verifiable operations. ## Governance and rollout controls Data readiness also depends on governance. Each source needs an owner. Each mapped entity needs a steward. Each AI-enabled workflow needs rules for access, approval, change management, and evidence retention. For industrial deployments, governance should cover data lineage, cybersecurity boundaries, role-based access, model review, site acceptance criteria, change history, localization, and rollback plans. These controls let teams scale beyond a pilot without losing trust in the data foundation. ## DataMesh rollout pattern 1. **Choose the workflow** - Select one operating loop with clear ownership and measurable results. 2. **Inventory sources** - List systems, tags, records, documents, owners, access methods, and data quality risks. 3. **Model identity** - Define spaces, assets, systems, relationships, aliases, and ownership in FactVerse. 4. **Map and normalize data** - Use Data Fusion Services to connect sources, bind fields to twin entities, normalize units, align timestamps, and compute indicators. 5. **Attach execution context** - Connect Inspector, Checklist, CMMS or EAM workflows, SOPs, evidence fields, and approval rules. 6. **Prepare AI review** - Feed trusted context to FactVerse AI Agent for evidence summaries, anomaly review, recommendation drafting, and human approval. 7. **Capture outcomes** - Use field records and post-action readings to improve data quality, model evaluation, and rollout decisions. ## Readiness checklist * Does the workflow have an owner and a measurable operating result? * Are source systems, documents, tags, and records inventoried with owners? * Are assets and spaces mapped consistently across systems? * Are units, timestamps, sampling rates, and data quality issues documented? * Are work orders, inspections, SOPs, photos, and acceptance records connected? * Can the AI Agent explain recommendations using traceable evidence? * Can human review decisions and rejected suggestions be preserved? * Can outcome records support model training, retraining, and evaluation? * Are cybersecurity, access control, data lineage, and change management defined? ## Public references The [Data Fusion Services product page](/products/dfs) describes the data integration layer of the FactVerse stack. The [FactVerse AI Agent operations loop guide](/resources/guides/factverse-ai-agent-industrial-operations-loop) explains how AI Agent recommendations move into human-reviewed field execution. The [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), and [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) show public examples of industrial data, digital twin context, and operational workflows. --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## Governance starts when data enters a decision Industrial data governance begins when a signal, alarm, meter reading, work order, inspection note, document, or calculated indicator starts influencing an operating decision. For an operational digital twin, data needs more than a connection. Teams need to know where the data came from, which asset or space it describes, which unit and timestamp rule applies, who owns the mapping, whether the value is reliable, which AI Agent or dashboard uses it, and what changed since the last release. [Data Fusion Services](/products/dfs) supports this operating discipline inside the FactVerse stack. It connects source systems, maps data to twin entities, cleans and normalizes fields, computes indicators, prepares data marts, and binds live context to the twin. The governance work around those steps makes connected data usable for [FactVerse AI Agent](/products/factverse-ai-agent), [FactVerse Twin Engine](/products/factverse-twin-engine), [Inspector](/products/inspector), dashboards, simulation, and machine learning workflows. ## What DFS should help govern Data governance should follow the data from the original system to every operational consumer. | Governance area | Practical question | Why it matters | |---|---|---| | Source ownership | Which system owns this value and who approves use? | Prevents unclear responsibility when data is disputed | | Access boundary | Which network, tenant, site, or role can read it? | Protects sensitive operations and customer-specific data | | Entity binding | Which asset, space, system, route, or workflow does it describe? | Turns raw tags into operational context | | Unit and timestamp | Which unit, time zone, clock, sampling rate, and aggregation rule apply? | Keeps trends, alarms, and comparisons meaningful | | Quality state | Is the value missing, stale, interpolated, out of range, or sensor-replaced? | Helps AI and operators know when evidence is weak | | Computation logic | Which formula creates a derived KPI or indicator? | Makes analytics and energy or maintenance metrics reviewable | | Lineage | Which connector, mapping, transform, and release produced the value? | Supports troubleshooting and audit review | | Consumer registry | Which dashboards, AI workflows, reports, or work orders use this data? | Shows the impact before changing a tag or formula | This level of governance does not require a heavy central committee for every point. It does require visible ownership and repeatable rules for the data that drives decisions. ## Govern by operational identity Industrial systems often describe the same object differently. A pump may have one name in SCADA, another tag pattern in the historian, another asset ID in CMMS, another label in BIM, and a nickname used by technicians. Data governance needs a stable operational identity that ties those aliases together. FactVerse provides the shared context for spaces, assets, systems, relationships, documents, data bindings, and workflows. Data Fusion Services maps source fields and tags to that context so a value is attached to the right asset, location, and operating loop. Good identity governance covers: - site, building, floor, zone, room, line, route, and service area - asset class, asset ID, display name, model, owner, and lifecycle state - upstream and downstream system relationships - source-system aliases and naming patterns - documents, SOPs, inspection points, and work-order references - permission boundaries for restricted spaces, assets, and records When identity is governed, AI Agent workflows can retrieve evidence with fewer ambiguous matches, and field teams can see why a recommendation points to a specific object. ## Quality rules for live and historical data Time-series values and events change constantly. A data pipeline needs quality rules that operators and data teams can both understand. Common rules include: - missing value handling - stale data thresholds - unit conversion rules - timestamp and time-zone alignment - sampling and aggregation rules - outlier and flat-line detection - sensor replacement records - alarm severity, acknowledgement, and reset logic - calculated indicator formulas and review owners Data Fusion Services can help normalize units, align timestamps, detect quality issues, and compute derived indicators. The governance layer should record which rule was applied and who is responsible for reviewing exceptions. For AI Agent workflows, quality status is part of the evidence. A recommendation based on fresh sensor data, recent work history, and approved calculations should be treated differently from a recommendation based on stale values or a temporary manual upload. ## Lineage and change control Industrial data changes quietly. A BMS point can be renamed. A meter can be replaced. A historian tag can move to a new gateway. A CMMS field can change meaning after a process update. A KPI formula can receive a new denominator. The twin may still render correctly while the underlying data points to the wrong source. Governance should make these changes visible before they affect AI review, dashboards, work orders, or external reporting. A practical change record should capture: - source system and connector affected - tag, field, document, or formula changed - mapped asset, space, system, or workflow affected - downstream consumers affected - reviewer and approval status - effective date and rollback option - evidence used to validate the change This change control is especially important for regulated operations, data centers, semiconductor facility systems, biopharma workflows, sustainability evidence, and multi-site programs where the same indicator may be reused in several reports and decision loops. ## Access, evidence, and approval Operational data often includes sensitive details: restricted rooms, customer-specific layouts, production states, equipment health, energy profiles, maintenance findings, and service records. Governance should preserve access boundaries as data moves from the source system into the twin. Useful controls include: - role-based access for spaces, assets, documents, dashboards, and AI workflows - site-level and customer-level data boundaries - approval rules for AI-assisted recommendations - evidence retention for inspections, work orders, and review decisions - audit logs for mapping changes and data exports - clear handling of temporary uploads and manually corrected values [Inspector](/products/inspector) and connected work systems help close the loop by recording who reviewed a finding, what action was taken, what evidence was captured, and whether the result improved. Those records become governance data for the next AI review or machine learning cycle. ## Data governance for machine learning Machine learning workflows need more than clean sensor history. They need data that explains what happened in the physical site. For predictive maintenance, that means the input signal, asset identity, operating state, alarm context, technician review, work-order action, completion evidence, and post-action reading. For energy analysis, it means meters, spaces, equipment groups, operating schedules, weather, formulas, and improvement records. For simulation, it means scenario assumptions, asset versions, process states, and approved data ranges. Data governance should preserve: - feature definitions and source fields - quality filters applied before training - labels created from work orders, inspections, or outcomes - model version and recommendation version - human review decisions and rejected suggestions - post-action results used for evaluation - dataset refresh schedule and approval owner This lets teams improve models without losing the operational evidence behind them. ## A DataMesh rollout pattern 1. **Choose one decision loop** - Start with a workflow such as predictive maintenance, facility inspection, data center asset review, energy evidence, or digital SOP execution. 2. **Name data owners** - Assign owners for source systems, asset identity, data mappings, quality rules, calculations, permissions, and downstream workflows. 3. **Map operational identity** - Use FactVerse to align spaces, assets, systems, relationships, documents, workflows, and aliases. 4. **Connect and govern data** - Use Data Fusion Services to connect sources, bind fields to twin entities, normalize units, align timestamps, compute indicators, and mark quality status. 5. **Register consumers** - Record which dashboards, AI Agent routines, Inspector forms, reports, and machine learning datasets use the governed data. 6. **Review changes before release** - Validate tag changes, formula updates, connector changes, and permission changes before they affect production workflows. 7. **Capture outcomes** - Use Inspector, Checklist, CMMS, EAM, and customer systems to capture field evidence, review decisions, and post-action results. 8. **Improve the rules** - Use exceptions, failed mappings, stale data, rejected AI suggestions, and field feedback to improve the governance model. ## Governance checklist - Does each governed source have a business owner and a technical owner? - Are asset, space, system, and workflow identities consistent across systems? - Are source aliases and tag naming rules documented? - Are units, timestamps, sampling rates, and quality rules visible? - Are calculated indicators tied to formulas, owners, and review dates? - Is lineage preserved from source connector to twin object to downstream consumer? - Are dashboards, AI Agent workflows, reports, and datasets registered as consumers? - Are sensitive spaces, customer records, and restricted documents protected by role? - Are field evidence and work-order outcomes captured for review and machine learning? - Is there a change path for renamed tags, replaced sensors, formula changes, and broken bindings? ## Public references The [Data Fusion Services product page](/products/dfs) describes the data integration layer of the FactVerse stack. The [Data Readiness guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) explains how to prepare the first data foundation for AI Agent and operational digital twin workflows. The [Operational Digital Twin Model Governance guide](/resources/guides/operational-digital-twin-model-governance-after-go-live) explains how to keep models, data bindings, and field changes aligned after go-live. The [Industrial Knowledge Graphs guide](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) explains how semantic relationships connect assets, spaces, systems, signals, documents, and AI Agent reasoning. --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## The missing layer is meaning Industrial AI answers are only useful when the system knows what the question is about. A phrase such as "chiller 2," "line 4," "cleanroom humidity," or "the pump behind the alarm" has to resolve to a real asset, space, signal, document, and owner. An industrial knowledge graph provides that semantic layer. It connects the objects in a site and records how they relate to each other. [FactVerse](/products/factverse) uses this kind of model to make digital twin scenes, operational data, documents, and AI reasoning point to the same physical context. ## What the graph models The graph should describe the operating site in terms that engineers, operators, data systems, and AI agents can all use. | Model area | Typical entities | |---|---| | Spatial structure | site, building, floor, room, zone, line, corridor, rack, bay, outdoor area | | Physical assets | equipment, meters, sensors, valves, panels, pumps, robots, vehicles, tools | | Systems | HVAC, chilled water, compressed air, power, process utility, safety, logistics flow | | Data points | telemetry tags, alarms, calculated indicators, setpoints, status values | | Knowledge objects | SOPs, manuals, drawings, BIM or CAD references, inspection templates | | Events and records | alarms, inspections, maintenance events, approvals, handover records | | Responsibility | owner, operator, service team, reviewer, risk class, permission boundary | The model becomes useful when it can answer relationship questions across systems, records, and physical locations. ## Relationship examples Relationships are the core of the graph. They let AI and applications move from one record to the surrounding context. | Relationship | Example question it supports | |---|---| | asset located in space | Where is the equipment behind this alarm? | | equipment serves zone | Which areas are affected by this AHU? | | point measures equipment | Which sensor produced this trend? | | meter measures system | Which energy reading belongs to this chilled water loop? | | equipment belongs to system | What upstream or downstream assets matter? | | asset has procedure | Which SOP applies before inspection or maintenance? | | event involves asset | Which alarms, inspections, and repairs belong to this object? | | record approved by role | Who can review or release the next action? | These relationships give the AI Agent a grounded path from question to evidence. ## How FactVerse uses semantic context [Data Fusion Services](/products/dfs) maps source-system names, tags, documents, and records into a consistent model. The same pump, meter, room, or system may appear under different names in BMS, SCADA, CMMS, BIM, spreadsheets, and drawings. Semantic mapping gives those aliases one operational identity. [FactVerse Twin Engine](/products/factverse-twin-engine) connects that identity to the spatial model. A signal can appear on the right object in the 3D scene. A document can be attached to the correct asset. A system can be reviewed as a relationship network instead of a flat equipment list. [FactVerse AI Agent](/products/factverse-ai-agent) can then retrieve evidence through the graph. It can follow relationships from an alarm to the asset, from the asset to its system, from the system to its affected zones, and from those zones to relevant procedures or records. ## Brick Schema and facility semantics For buildings and facilities, [Brick Schema](https://brickschema.org/) is a useful public reference for modeling equipment, points, locations, meters, sensors, and relationships. It gives teams a shared vocabulary for questions such as which point measures a device, which equipment feeds a zone, or which meter belongs to a system. DataMesh can align facility models with Brick-style semantics where it helps. A broader industrial site usually needs additional concepts: production lines, sub-fab systems, logistics areas, clean utility systems, warehouse zones, robotics cells, operator stations, and simulation assets. The practical goal is a semantic model that reflects the site, while still using standards where they reduce ambiguity. Useful public Brick resources include: * [Brick Schema official website](https://brickschema.org/) * [Brick user documentation](https://docs.brickschema.org/brick/overview.html) * [Brick ontology browser](https://ontology.brickschema.org/) ## AI grounding and explainable retrieval Knowledge graphs help AI agents answer with traceable context. Instead of searching every document equally, the AI Agent can use the graph to narrow the evidence set. For example, a facility engineer may ask why one zone has repeated humidity alarms. The graph can identify the zone, the sensors that measure it, the AHU that serves it, the chilled water assets connected to that AHU, recent alarms, related inspection records, and relevant SOPs. The AI Agent can then summarize evidence with clear references to the objects and records involved. This approach also helps prevent misleading answers. When the graph cannot connect a signal to an asset, or a document to a valid procedure, the system can surface that gap instead of treating the data as reliable context. ## Governance of the semantic model A knowledge graph needs stewardship. Asset IDs, aliases, relationships, point mappings, and document links change as facilities are renovated, equipment is replaced, and systems are reconfigured. Governance should cover: * source of truth for each entity type * naming and alias rules across systems * relationship ownership and approval * evidence links and provenance * confidence level for imported or inferred mappings * role-based access to sensitive assets, documents, and operating records * change history when assets, spaces, or systems are modified These controls keep the graph reliable enough for AI-assisted decisions. ## A focused starting model Start with the questions the site needs to answer. A compact semantic model is better than a large model with unclear ownership. | Question type | Minimum semantic scope | |---|---| | Asset context | asset, location, system, owner, documents, live points | | Facility condition | zone, equipment serving the zone, sensors, alarms, control points | | Energy review | meter, system, space, equipment group, calculated indicator | | Procedure lookup | asset class, task type, SOP, safety note, required role | | Cause review | event, related asset, upstream and downstream systems, recent records | Once the first model answers real questions reliably, it can expand by system, site, region, or application. ## Public references The [FactVerse product page](/products/factverse) describes the platform layer that connects Twin Engine, AI Agent, Data Fusion Services, and application workflows. The [Data Readiness guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) explains the source data preparation that comes before semantic modeling. The [Green Mark and Brick Schema guide](/resources/guides/green-mark-digital-twin-brick-schema) shows how Brick-style facility semantics can support evidence traceability in sustainability workflows. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## Why industrial synthetic data needs a twin Real-world robot data is valuable, and industrial collection is often expensive, risky, slow, or hard to repeat. Facilities also contain long-tail states: blocked aisles, changing pallets, open cabinets, lighting variation, moving workers, shift-level process changes, and equipment states that appear briefly during operations. Synthetic data helps teams cover more of that variation in a controlled way. For industrial Physical AI, the data should come from a scene that understands assets, geometry, operating rules, sensor positions, task goals, and process state. A digital twin gives the data pipeline that context. [DataMesh Robotics](/products/robotics) uses the DataMesh stack to prepare industrial scenes, generate multimodal training data, and connect outputs to robotics simulation and training workflows. The useful unit is the full pipeline: executable scene, task definition, sensor configuration, label generation, export, evaluation, and governance. ## What makes industrial scenes different Industrial robotics data has to represent more than object appearance. The scene needs operating meaning: | Layer | What the data pipeline needs | | ------------------- | ---------------------------------------------------------------------------------------------------- | | Asset identity | Equipment names, object types, model versions, and links back to the operational twin | | Spatial context | Zones, lanes, access areas, clearances, coordinates, and safety regions | | Process state | Line status, station state, work step, exception state, and event timing | | Sensor setup | Camera, depth, LiDAR, robot pose, field of view, calibration, noise model, and sampling rules | | Physical attributes | Mass, friction, joints, constraints, material behavior, and contact assumptions | | Labels and metadata | Segmentation, bounding boxes, instance IDs, depth, pose, trajectory, task state, and scene variables | | Review records | Dataset version, scene version, assumptions, generation recipe, quality findings, and approval notes | This structure helps robotics teams understand what a dataset represents and how it can be reproduced or adjusted. ## The DataMesh workflow 1. **Model the environment** - Build the factory, facility, warehouse, workcell, or inspection area in FactVerse with assets, zones, metadata, and relationships. 2. **Author scene behavior** - Use FactVerse Designer to define layout variants, process logic, object motion, task steps, event triggers, and scenario timing. 3. **Prepare simulation assets** - Align CAD, BIM, 3D, OpenUSD, materials, scale, coordinate systems, and SimReady preparation rules where richer simulation is needed. 4. **Configure sensors and tasks** - Define cameras, depth sensors, robot viewpoints, target objects, task goals, success conditions, and constraints. 5. **Generate labeled data** - Produce RGB, depth, segmentation, bounding boxes, instance IDs, poses, trajectories, process state, and scene metadata. 6. **Export to training stacks** - Package datasets and scene assets for robotics training, evaluation, Isaac Sim / Omniverse workflows, or enterprise toolchains. 7. **Review and iterate** - Track dataset quality, scene coverage, label consistency, task coverage, and lessons from downstream evaluation. The workflow keeps data generation connected to the operating context. That makes the dataset easier to explain, audit, and improve. ## Role of the DataMesh stack [FactVerse](/products/factverse) is the operational twin foundation. It preserves site structure, assets, relationships, data context, permissions, and scenario records. [FactVerse Twin Engine](/products/factverse-twin-engine) provides the runtime context for executable twins, including geometry, data binding, behavior, and interaction state. [FactVerse Designer](/products/designer) is the authoring environment for layouts, process logic, behavior trees, task steps, and scenario variants. [DataMesh Robotics](/products/robotics) focuses on synthetic data generation, label output, task definition, reward setup, and robotics pipeline preparation. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) connects FactVerse scenes with OpenUSD and Omniverse workflows when teams need high-fidelity rendering, sensor simulation, physics validation, or external simulation tools. [Data Fusion Services](/products/dfs) connects live and historical operational data when a scenario needs equipment state, alarms, production signals, or facility context. ## Dataset specification checklist Before generating data, define the dataset contract: * Target robot, sensor, model family, or downstream training stack. * Environment scope, scene version, asset list, and coordinate system. * Task scope, target objects, process states, and success criteria. * Sensor configuration, camera paths, viewpoints, calibration, and noise assumptions. * Variation rules for lighting, materials, object placement, equipment state, route state, and process timing. * Required outputs such as RGB, depth, segmentation, bounding boxes, pose, trajectory, and scene metadata. * Quality checks for label consistency, class coverage, spatial accuracy, and scenario coverage. * Export format, naming rules, dataset version, and review owner. This specification becomes the bridge between simulation engineers, robotics teams, data teams, and operations owners. ## Practical starting points * **Perception datasets**: create labeled images and depth data for industrial objects, equipment, tools, pallets, signage, fixtures, and work zones. * **Inspection workflows**: generate viewpoints and labels for visual inspection tasks around assets, panels, gauges, pipes, cabinets, and hard-to-reach areas. * **Mobile robot scenarios**: prepare lanes, obstacles, route state, staging areas, docking points, and changing facility conditions for evaluation. * **Manipulation and contact tasks**: describe object pose, material behavior, grasp constraints, contact state, and task sequence for simulation review. * **Factory and warehouse planning**: combine layout variants, material flow, robot paths, and operational constraints before physical trials. The first use case should have a clear task definition, a bounded environment, and a review loop with the downstream training or simulation team. ## Quality and governance metrics Industrial synthetic data should be evaluated through practical engineering checks: * Scene coverage across target areas, object classes, and process states. * Label consistency across generated frames and scenario versions. * Variation coverage for lighting, placement, occlusion, object state, and sensor pose. * Physical consistency for scale, collision, contact, route state, and timing. * Integration quality in the downstream simulator or training stack. * Review traceability from dataset version back to scene version, generation recipe, and assumptions. * Lessons from downstream model evaluation or robotics simulation review. The strongest programs treat synthetic data as an engineering artifact. Each dataset should have an owner, version, assumptions, quality checks, and a reason for generation. ## Public references The [DataMesh Robotics launch](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) introduced the public direction for synthetic training data, executable industrial twins, task objectives, reward setup, and robotics pipeline preparation. The [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) shows DataMesh simulation digital twins in the context of FactVerse and NVIDIA Omniverse workflows. The [FactVerse and NVIDIA Omniverse platform article](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) explains how FactVerse scene context can connect with Omniverse for simulation digital twin workflows. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## Gli insight AI richiedono un percorso di esecuzione Il valore dell'AI industriale si vede in un loop operativo completato. Un insight deve diventare decisione verificata, attività assegnata, azione sul campo, prova registrata e risultato misurato. [FactVerse AI Agent](/products/factverse-ai-agent) può analizzare segnali collegati, allarmi, documenti e storico lavori in ambiente 24x7. L'insight diventa operativo quando è ancorato al digital twin e consegnato alle persone e ai sistemi responsabili. DataMesh collega questo percorso con [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director) e sistemi cliente come CMMS, EAM, BMS, SCADA, ERP e repository documentali. ## Modello a ciclo chiuso 1. **Rilevare** - AI Agent, regole, dashboard o sistemi esistenti identificano trend anomali, allarmi ripetuti, ispezioni mancanti, rischi asset o eccezioni operative. 2. **Contestualizzare** - FactVerse collega l'insight ad asset, spazi, sistemi, valori live, documenti, SOP e storico lavori. 3. **Rivedere** - Operatori, ingegneri o supervisori verificano prove, rischio e azione raccomandata. 4. **Assegnare** - Gli insight confermati diventano ordini, ispezioni, task o procedure in Inspector, Checklist, CMMS, EAM o sistemi approvati. 5. **Guidare** - I team sul campo usano contesto asset, checklist, SOP digitali, guida 3D, foto, manuali e note di sicurezza. 6. **Registrare** - Note di chiusura, letture, foto, eccezioni, parti sostituite, approvazioni e risultati di verifica vengono salvati. 7. **Apprendere** - Risultati, suggerimenti rifiutati, eventi ricorrenti e misure post-azione rientrano in qualità dati e machine learning. ## Contenuto dell'ordine di lavoro Un ordine industriale deve portare contesto sufficiente: asset, luogo, relazione di sistema, problema, evidenza, priorità, competenze, sicurezza, criteri di accettazione e percorso di approvazione. Campi utili includono ID asset, spazio, sistema, percorso, insight AI o allarme di origine, valori del segnale, finestra temporale, SOP, disegni, manuali, controlli raccomandati, foto richieste, misure, revisore, assegnatario, scadenza, regola di escalation, note di chiusura e label di esito. Quando questi campi sono collegati al digital twin, l'ordine diventa parte del registro operativo. ## Ruoli dei prodotti [FactVerse AI Agent](/products/factverse-ai-agent) prepara insight, sintetizza prove, confronta pattern operativi, redige raccomandazioni e osserva feedback collegato tra turni. [FactVerse](/products/factverse) e [FactVerse Twin Engine](/products/factverse-twin-engine) forniscono il modello operativo: asset, spazi, relazioni, stato, logica e stato workflow. [Data Fusion Services](/products/dfs) collega sorgenti e mappa segnali, allarmi, documenti, registri lavori e dati enterprise. [Inspector](/products/inspector) gestisce allarmi, ordini, assegnazioni, registri manutenzione, foto, campi di verifica e prove sul campo. [Checklist](/products/checklist) struttura punti di ispezione, prove obbligatorie, campi di compliance e routine ripetibili. [Director](/products/director) supporta SOP digitali, guida 3D, training e assistenza passo passo. ## Integrazione e miglioramento Molti siti usano già CMMS, EAM, BMS, SCADA, MES, ERP, ticketing e sistemi documentali. Il workflow deve definire quale sistema crea l'ordine, quale possiede stato e chiusura, e come vengono sincronizzate le prove. FactVerse AI Agent può processare segnali, allarmi, aggiornamenti ordini, ispezioni e feedback di campo in operatività 24x7. Cause confermate, note operatore, suggerimenti rifiutati, riparazioni completate, foto, misure e risultati post-azione formano un dataset per valutare le raccomandazioni, identificare pattern e ottimizzare workflow. ## Avvio Iniziare da un workflow con owner chiaro e risultato visibile: una classe di asset critici, un percorso di ispezione, un gruppo asset data center, una sottostazione termica, un sistema utility di produzione o una procedura operatore. 1. Definire attività e responsabile. 2. Collegare segnali, documenti, storico e SOP necessari. 3. Mappare asset e spazi in FactVerse. 4. Definire revisione degli insight AI e regole di approvazione. 5. Inviare insight confermati a Inspector, Checklist, CMMS, EAM o sistema di esecuzione. 6. Catturare prove di campo e misure post-azione. 7. Rivedere risultati e poi espandere. ## Riferimenti pubblici La pagina [Workflow Digitization](/solutions/workflow-digitization) spiega come DataMesh collega allarmi, task pianificati, ispezioni, procedure guidate e ordini di lavoro. La guida [FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) descrive come le raccomandazioni AI entrano in loop industriali con revisione umana. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## Il facility management richiede un contesto operativo comune Le grandi facility sono gestite con molti sistemi specializzati. BMS, EMS, contatori, allarmi, registri asset, CMMS, EAM, BIM, disegni, report servizio e record ispezione descrivono parti diverse del sito. Il problema quotidiano è collegarle quando appare un issue, viene creato un work order, cambia il profilo energetico o il management chiede evidenze. AI facility management parte da un digital twin operativo. Il twin collega spazi, asset, sistemi, dati, record di lavoro, documenti ed esecuzione sul campo, così i team possono valutare le condizioni nel giusto contesto. L'AI aiuta a sintetizzare anomalie, confrontare pattern, preparare azioni consigliate e supportare review manageriali. Questo modello si applica a edifici, campus, data center, impianti, utilities e facility high-tech. Nei programmi di advanced manufacturing i team gestiscono spesso sistemi di supporto cleanroom, energia, aria compressa, raffreddamento, exhaust, allarmi, ispezioni e handoff di servizio su più siti. Un twin condiviso dà un contesto stabile per review ed esecuzione. ## Cosa deve collegare il facility twin | Livello | Contesto operativo | |---|---| | Spazi | Sito, edificio, piano, stanza, zona, clean area, corridoio servizio, route e safety boundary | | Sistemi | HVAC, raffreddamento, distribuzione elettrica, illuminazione, acqua, aria compressa, exhaust, antincendio, ascensori e utilities di processo | | Asset | Registro equipment, asset ID, documenti, service owner, piano manutenzione, garanzia e riferimenti spare part | | Segnali | BMS point, contatori, sensori, allarmi, dati ambiente, historian tag e indicatori calcolati | | Lavoro | Ispezioni, work order, azioni correttive, foto, note campo, accettazione e verifica | | Energia | Letture contatori, EUI, composizione carichi, orari, meteo, setpoint e opzioni di miglioramento | | Semantica | Edifici, sistemi, equipment, contatori, sensori, punti e relazioni allineati a Brick Schema | | Governance | Source owner, qualità dati, percorso approvazione, responsabilità operativa, versione e conservazione evidenze | Il twin diventa utile quando un segnale si può tracciare fino allo spazio, asset, sistema, team responsabile e record campo corretti. ## Workflow DataMesh per AI facility management 1. **Raccogliere fonti facility** - Unire BMS, EMS, contatori, IoT, historian, registri asset, CMMS, EAM, BIM/IFC, disegni, piani ispezione e report servizio. 2. **Costruire il twin operativo** - Organizzare spazi, asset, utility systems, documenti, route, punti e contesto lavoro con FactVerse e Twin Engine. 3. **Connettere pipeline dati** - Usare Data Fusion Services per ingestione, cleansing, normalizzazione, calcolo e binding ai corretti oggetti twin. 4. **Strutturare semantica facility** - Usare relazioni Brick Schema-aligned quando edifici, zone, equipment, contatori, sensori e punti devono avere significato coerente. 5. **Fare review con AI** - Usare FactVerse AI Agent per sintetizzare consumi anomali, allarmi ripetuti, record mancanti, pattern manutenzione e azioni candidate. 6. **Confrontare scenari energia** - Usare workflow EnergyPlus quando servono modellazione energetica e confronto scenari. 7. **Eseguire e verificare lavoro** - Usare Inspector per ispezioni, work order, assegnazioni, foto, note riparazione, accettazione ed evidenze verifica. Il risultato è un ciclo operativo chiuso da segnale ad analisi, da analisi a lavoro e da lavoro a record verificato. ## Dove l'AI aggiunge valore L'AI funziona meglio quando il contesto facility è già connesso. FactVerse AI Agent aiuta a rivedere grandi quantità di dati operativi e storico lavori più rapidamente di una lettura dashboard per dashboard. Pattern utili includono: - Allarmi ripetuti per spazio, sistema, asset, finestra temporale e storico lavori. - Consumo energia anomalo per contatore, zona, gruppo asset, meteo e schedule. - Asset ad alta manutenzione con riparazioni ricorrenti, record incompleti o problemi di accettazione. - Drift in clean area che richiede contesto facility, utility e maintenance. - Backlog work order tra siti, service team e classi asset. - Candidati miglioramento con review engineering, contesto costi e validazione campo. Il ruolo pratico dell'AI è supporto decisionale. Owner, regole di approvazione, esecuzione campo ed evidenze di verifica restano nel processo facility. ## Brick Schema ed EnergyPlus nello stesso workflow Brick Schema dà ai dati edificio e facility una semantica coerente. Un punto temperatura può essere collegato al sensore, zona, sistema aria ed equipment corretti. Un contatore può essere collegato al sistema o spazio misurato. Un work order può essere collegato ad asset, allarme, documento e ispezione che l'hanno attivato. Questa struttura migliora tracciabilità per manutenzione, analisi energia, preparazione Green Mark e review management. Offre anche più contesto a AI Agent quando sintetizza problemi o prepara azioni consigliate. EnergyPlus è utile quando serve analisi energia più profonda. DataMesh può collegare BIM/IFC, meteo, record operativi e contesto digital twin a modelli EnergyPlus per confrontare EUI, composizione carichi, schedule, setpoint, retrofit e strategie di controllo. I risultati devono tornare nel ciclo operativo. Il team può creare work order, registrare ipotesi, raccogliere risultati campo e confrontare lo stato post-azione con la baseline. ## Da dove partire Buoni primi scope hanno già dati facility, owner asset e percorso di esecuzione: - Utility systems con allarmi ripetuti o ownership poco chiara. - HVAC e raffreddamento con esigenze di review energia o comfort. - Sistemi di supporto cleanroom dove drift ambientale e record manutenzione devono essere condivisi. - Gruppi di contatori e zone high-load per energy governance. - Equipment con molte ispezioni e record campo ricorrenti. - Portfolio multi-site che richiedono classi asset e report comparabili. Il primo pilot dovrebbe includere un gruppo asset gestibile, poche fonti dati, un percorso work order chiaro e metriche già accettate dal facility team. ## Metriche da validare AI facility management va validato contro la baseline del sito. Metriche utili: - Tempo da allarme o finding a review. - Quota di finding convertiti in lavoro pianificato. - Qualità chiusura work order e completezza evidenze. - Tasso di allarmi ripetuti dopo azione correttiva. - Completezza baseline energia e frequenza review. - Copertura mapping per asset e sistemi prioritari. - Accettazione field team di procedure guidate e capture record. - Qualità review management tra siti, asset e service team. I programmi maturi validano qualità del lavoro e tracciabilità decisionale prima di valutare saving. ## Riferimenti pubblici La [collaborazione JTC e DataMesh](/about/news/collaboration-between-jtc-datamesh) mostra digital twin e mixed reality in facility complesse e workflow di costruzione. Il [riferimento Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra la direzione pubblica per review manutenzione assistita da AI in facility industriali. Il [riferimento Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) mostra come training frontline, digitalizzazione manutenzione e record campo supportano l'esecuzione. Il [riferimento Faurecia ed EVE Energy](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) mostra come visibilità operativa, contesto energia e workflow digital twin supportano miglioramenti manufacturing e facility. --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## I twin operativi richiedono asset di modello pronti per la produzione BIM, CAD, nuvole di punti e file 3D arrivano spesso da team e fasi diverse. Il BIM conserva l'intento progettuale, il CAD descrive apparecchiature e dettagli meccanici, le nuvole di punti acquisiscono la realtà del sito. Registri asset, foto, disegni e record di commissioning completano il contesto. Un digital twin operativo ha bisogno di trasformare queste fonti in uno strato asset stabile. Il modello deve caricarsi rapidamente, allinearsi al sito, collegarsi alle identità asset, rispettare permessi e offrire target chiari per i dati. Una scena bella può restare difficile da usare in facility management, costruzione, simulazione o ispezione. [FactVerse Designer](/products/designer) e [FactVerse Twin Engine](/products/factverse-twin-engine) aiutano a trasformare i modelli sorgente in asset operativi riutilizzabili. Il lavoro include pulizia della geometria, semantica utile, allineamento al campo e oggetti referenziabili dalle applicazioni. ## Ruolo delle fonti | Fonte | Valore principale nella pipeline | |---|---| | BIM | Struttura spaziale, sistemi, intento progettuale, posizione delle apparecchiature, link documentali | | CAD e modelli 3D | Geometria apparecchiature, layout produttivi, parti meccaniche, oggetti fornitori | | Nuvole di punti | Acquisizione as-built, verifica spazi, prove di modifica, allineamento campo | | Disegni e foto | Contesto per oggetti mancanti, accessi, opere nascoste e aree manutentive | | Registro asset | ID asset, nomi, responsabili, sistemi, responsabilità manutentiva | | Dati operativi | Sensori, misuratori, allarmi, stati, documenti, ispezioni, procedure | Ogni fonte deve conservare proprietario, versione e stato di revisione. Questa tracciabilità serve quando emergono conflitti in campo, cambi modello o assunzioni di simulazione. ## Controlli qualità prima dell'import Le verifiche iniziali includono: * proprietario, licenza, data export e stato approvazione * unità, origine, orientamento, sistema di coordinate e riferimento sito * disciplina, copertura piani o zone e versione modello * peso file, numero oggetti, texture e runtime target * regole di naming per piani, stanze, sistemi, asset e classi equipment * geometrie sensibili, vincoli sicurezza e accesso per ruolo * collegamenti richiesti a registri asset, documenti e sistemi operativi Questi controlli riducono modelli disallineati, file pesanti, duplicati, ID mancanti e geometria difficile da riutilizzare. ## Preparare la geometria per il runtime Gli utenti delle applicazioni operative spesso non fanno parte del team di modellazione. Il modello deve essere leggibile, renderizzabile, ricercabile e aggiornabile. * rimuovere dettagli senza valore per il workflow target * dividere modelli grandi per sito, edificio, piano, zona, sistema o gruppo equipment * semplificare oggetti ripetuti mantenendo forme riconoscibili * allineare origini e coordinate tra BIM, CAD e nuvole di punti * creare livelli di dettaglio per desktop, mobile, web e mixed reality * mantenere gerarchie stabili per label, filtri, permessi e binding dati * verificare accessi, spazi manutentivi, confini sicurezza e visibilità campo Il risultato è un modello fluido che conserva gli oggetti importanti per l'operatività. ## Usare le nuvole di punti per la fiducia as-built Le nuvole di punti sono preziose quando il sito cambia più rapidamente della documentazione. Aiutano a confrontare progetto e realtà, localizzare apparecchiature installate, confermare spazi di servizio e aggiornare aree modificate. Se un oggetto BIM, un file CAD e una scansione non coincidono, il team può registrare la differenza, aggiornare la fonte del modello e mantenere la decisione tracciabile. Le revisioni includono spesso posizione equipment, ingombri, densità di tubazioni e passerelle, accessi manutentivi, quote pavimento, controsoffitti, rack e opere temporanee. Il risultato deve essere un aggiornamento modello o un'eccezione documentata. ## Impacchettare oggetti come asset operativi Un oggetto diventa utile quando le applicazioni possono identificarlo e riutilizzarlo. Pompe, AHU, chiller, rack, celle robot, stazioni packaging, gru e valvole devono portare contesto operativo. I campi chiave includono ID asset, nome, classe, sistema, piano, stanza, zona, percorso, modello sorgente, versione, revisore, stato, documenti, SOP, template ispezione, target dati e regole accesso. Il contenuto 3D diventa così una libreria di oggetti operativi condivisa da facility, campo, simulazione e workflow AI. ## Pipeline DataMesh 1. **Raccogliere le fonti** - BIM, CAD, 3D, nuvole di punti, disegni, foto, liste asset, documenti equipment e riferimenti di sistemi operativi. 2. **Validare le basi del modello** - Unità, coordinate, origine, dimensione, copertura, gerarchia, nomi, proprietà e sicurezza. 3. **Normalizzare e segmentare geometria** - Preparare per piano, zona, sistema, area processo, gruppo equipment o scenario. 4. **Allineare la realtà del campo** - Usare nuvole di punti o record di campo per posizione, spazi, accessi e differenze di ristrutturazione. 5. **Creare oggetti operativi** - Aggiungere ID, classi, spazi, sistemi, documenti, template ispezione e target dati. 6. **Autorizzare il comportamento scena** - Usare Designer per viste, label, pannelli, logica scenari, cambio piano e walkthrough. 7. **Pubblicare al runtime** - Usare Twin Engine e applicazioni FactVerse per visualizzazione, guida campo, monitoraggio, simulazione e facility workflow. 8. **Governare gli aggiornamenti** - Mantenere versioni, revisioni, fonti e note di modifica quando il sito evolve. ## Checklist * Ogni modello pubblicato è tracciabile a fonti e proprietari? * Unità, scala, origine, orientamento e coordinate sono validati? * Il modello è segmentato per le applicazioni target? * Piani, zone, sistemi, equipment e percorsi hanno nomi coerenti? * Gli ID asset sono allineati al registro o sistema manutentivo? * Aree sensibili e geometrie cliente sono protette? * I rilievi da nuvole di punti generano aggiornamenti o eccezioni documentate? * I target dati sono pronti prima dell'uso da dashboard o workflow AI? ## Riferimenti pubblici La [collaborazione JTC e DataMesh](/about/news/collaboration-between-jtc-datamesh) mostra BIM e mixed reality per sequenze di costruzione e lavoro sul campo. La [referenza Obayashi](/about/news/digital-twin-empowers-bim-obayashi) mostra dati BIM e contenuti di digital twin a supporto della revisione dei processi di costruzione. --- ## [GUIDES] Dal BIM al digital twin operativo: dal modello di progetto ai workflow di cantiere e facility ## Il BIM crea più valore quando arriva alle operations Il BIM offre ai team di progetto un modello di progettazione ricco. I team operations hanno bisogno anche di un contesto di lavoro che colleghi luoghi, asset, sistemi, attività, condizioni live e registrazioni. La domanda utile è come il modello possa supportare decisioni dopo la design review: dove si trova un problema, quale asset è interessato, quale team gestisce il passo successivo e quali prove confermano l'esito. Un digital twin operativo porta BIM e asset 3D nei workflow di campo e facility. Collega la geometria del modello con identità asset, gerarchia spaziale, binding dati, procedure guidate, registrazioni di ispezione, work order e prove di handover. Il modello diventa un contesto operativo condiviso per team di costruzione, owner, service provider e facility team. Questo è particolarmente importante per aree MEP, locali tecnici, piani in ristrutturazione, corridoi impiantistici densi, data center, campus e facility complesse, dove disegni, foto, liste issue e dati di sistema sono spesso distribuiti in molti strumenti. ## Cosa cambia quando il BIM diventa operativo | Livello | Uso operativo | |---|---| | Gerarchia spaziale | Sito, edificio, piano, stanza, zona, percorso, area di accesso e limite di sicurezza | | Identità asset | ID equipment, appartenenza a sistemi, tag, documenti, owner e responsabilità di manutenzione | | Relazioni di sistema | Energia, raffreddamento, aria, acqua, processo, controllo e dipendenze upstream-downstream | | Binding dati | Sensori, contatori, allarmi, BMS, SCADA, IoT, CMMS, EAM e storico lavori | | Workflow di campo | Guida installazione, controlli commissioning, ispezioni, issue, work order e prove di accettazione | | Workflow facility | Monitoraggio, manutenzione, revisione energetica, pianificazione ristrutturazioni, risposta emergenze e training | | Governance | Versione modello, fonte dati, owner, processo di aggiornamento, revisione qualità e stato handover | Il passaggio centrale va dalla visibilità del modello alla continuità operativa. Gli stessi riferimenti spaziali accompagnano costruzione, commissioning, handover, manutenzione quotidiana e interventi futuri. ## Workflow DataMesh 1. **Raccogliere modelli e record sorgente** - Unire BIM, CAD, nuvole di punti, disegni, liste equipment, documenti O&M, record commissioning, issue log e foto di sito. 2. **Creare il modello oggetto-spazio** - Organizzare edifici, piani, stanze, zone, sistemi, asset, percorsi e relazioni con FactVerse e Twin Engine. 3. **Collegare le sorgenti dati** - Connettere sistemi facility, sistemi enterprise, sensori, contatori, allarmi, documenti e record di lavoro con Data Fusion Services. 4. **Creare scene utilizzabili** - Preparare in Designer scene, label, pannelli, comportamenti, cambio piano, viste sistema e presentazioni di scenario. 5. **Supportare la guida sul campo** - Usare Director e DataMesh One per guida installazione, passi di ispezione, procedure commissioning, training e review stakeholder. 6. **Acquisire record di esecuzione** - Usare Inspector per issue, ispezioni, foto, azioni correttive, work order, note di accettazione e stato di verifica. 7. **Portare il contesto nelle operations** - Mantenere il twin con le modifiche alla facility, così manutenzione, analisi energetica, ristrutturazione e risposta emergenze usano lo stesso contesto asset-spazio. Il risultato è una continuità pratica tra dati di progetto e dati operativi. ## Workflow con valore iniziale - **Coordinamento costruzione**: rivedere percorsi MEP, aree equipment dense, opere nascoste, sequenze di installazione e vincoli di campo in contesto 3D. - **Commissioning e handover**: collegare record di accettazione, foto, ID asset, documenti commissioning e punti aperti alla stanza o all'equipment corretto. - **Monitoraggio facility**: collegare condizioni live, allarmi, misure e stato equipment al twin, così i team capiscono dove avvengono gli eventi. - **Ispezione e manutenzione**: trasformare il contesto spaziale in ispezioni, work order, foto, azioni correttive e prove di chiusura. - **Pianificazione ristrutturazioni**: valutare zone impattate, accessi, sistemi vicini, relazioni asset e vincoli di campo prima dell'avvio lavori. - **Revisione energia e sostenibilità**: collegare zone, sistemi, contatori, relazioni asset e record operativi per supportare analisi facility e prove di preparazione Green Mark. Conviene partire da un workflow in cui il contesto spaziale elimina un problema reale di passaggio tra team. ## Dove si inseriscono i prodotti DataMesh [FactVerse](/products/factverse) fornisce la base piattaforma per digital twin operativi, mantenendo collegati asset, spazi, dati, AI, simulazione e workflow. [FactVerse Twin Engine](/products/factverse-twin-engine) trasforma BIM, CAD, nuvole di punti e record operativi in un contesto runtime utilizzabile dalle applicazioni. [Data Fusion Services](/products/dfs) connette dati operativi e record business al twin, aiutando il mapping delle fonti verso asset, spazi, sistemi e workflow. [FactVerse Designer](/products/designer) prepara scene, viste, interazioni, spiegazioni di scenario e contenuti di pianificazione visuale. [Director](/products/director) supporta procedure guidate, guida installazione, training e istruzioni orientate al campo. [Inspector](/products/inspector) gestisce ispezioni, work order, chiusura issue, prove di manutenzione e record facility. Insieme questi prodotti aiutano i team a passare dalla visualizzazione di progetto a un twin operativo usabile. ## Checklist di governance - Le fonti BIM, CAD, nuvola di punti e disegni sono registrate con versione e owner? - Edifici, piani, stanze, zone, sistemi e asset hanno nomi coerenti? - Gli ID asset sono allineati con i record enterprise asset e i sistemi di manutenzione? - I binding dati indicano fonte, unità, regola di refresh e stato qualità? - I record di campo sono collegati allo spazio, asset, task e versione scenario corretti? - Documenti di handover, foto, issue, note di accettazione e record commissioning sono ricercabili dal twin? - Le responsabilità di aggiornamento sono chiare quando cambiano stato di costruzione o configurazione facility? - I team facility possono usare lo stesso contesto per monitoraggio, ispezione, manutenzione, ristrutturazione e training? Questi controlli trasformano un progetto di conversione modello in un asset operativo di lungo periodo. ## Riferimenti pubblici La [collaborazione tra JTC e DataMesh](/about/news/collaboration-between-jtc-datamesh) mostra BIM e mixed reality applicati alla comprensione delle sequenze costruttive e al lavoro frontline. La [referenza Obayashi](/about/news/digital-twin-empowers-bim-obayashi) mostra dati BIM combinati con mixed reality a supporto del processo di costruzione. La [referenza Toda SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) mostra digital twin e mixed reality usati per simulare e verificare metodi di costruzione. Il [tour con proiezione XR TOKYO TORCH](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) mostra visualizzazione digital twin basata su BIM per la comunicazione con stakeholder su un edificio pianificato. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## L'integrazione parte dall'identita operativa Molti team facility e industriali usano gia piu sistemi nel lavoro quotidiano. CMMS o EAM gestiscono record di manutenzione e storia degli asset. BMS monitora sistemi edificio e allarmi. SCADA, IoT, MES, ERP, repository documentali e ticketing conservano altre parti del quadro operativo. Il punto fragile e spesso l'identita. La stessa pompa, unita HVAC, chiller, quadro elettrico, utility di cleanroom, asset data center o sistema di supporto produzione puo avere nomi diversi in disegni, punti BMS, record manutentivi, checklist e note di campo. Quando appare un allarme, il team deve cercare tra sistemi diversi per capire asset coinvolto, luogo, rischio, procedura e owner. Un digital twin operativo fornisce un layer di contesto condiviso. Collega asset, spazi, sistemi, valori live, allarmi, documenti, procedure, work order ed evidenze di campo, cosi le attivita possono essere valutate nell'ambiente in cui avvengono. ## Cosa allineare prima L'integrazione dovrebbe partire dagli oggetti che rendono il lavoro tracciabile: | Layer | Focus di integrazione | |---|---| | Identita asset | ID impianto, tag, seriali, oggetti manutenibili, relazioni parent-child | | Gerarchia location | sito, edificio, piano, zona, stanza, linea, area impianto, rack, confine sistema | | Relazioni sistema | HVAC, elettrico, acqua, gas, aria compressa, utility processo, sistemi data center | | Segnali e allarmi | punti BMS, letture IoT, tag SCADA, tipi allarme, soglie, severita, finestra temporale | | Record lavoro | work order CMMS o EAM, ispezioni, manutenzione preventiva, storico service | | Documenti | manuali, disegni, SOP, permessi, calibrazioni, documenti validazione | | Evidenze campo | foto, letture, checklist, note riparazione, risultati accettazione, decisioni review | L'obiettivo e un modello di riferimento stabile. Un allarme BMS, work order, route ispettiva, documento e raccomandazione AI Agent devono puntare allo stesso contesto asset e location. ## Integrazione CMMS ed EAM CMMS ed EAM restano spesso i sistemi record per la manutenzione. Contengono registri asset, numeri work order, piani preventivi, storico ricambi, lavoro registrato e stato di chiusura. Il digital twin operativo aggiunge contesto spaziale e di campo intorno a quei record. Pattern utili includono: * mostrare work order su asset e location nel digital twin * collegare storico manutenzione a equipaggiamenti, stanze, sistemi e route * aprire ispezioni o riparazioni dal contesto twin * riportare evidenze di campo nel work order approvato * confrontare work order ricorrenti su asset o location simili * collegare manuali, disegni e SOP alla vista attivita * conservare decisioni review ed eccezioni per analisi future In questo modo planner e team di campo vedono l'impatto fisico del lavoro, confrontano problemi ricorrenti e chiudono attivita con prove piu complete. ## Dati BMS, IoT e SCADA I dati BMS diventano piu utili quando i nomi punto sono collegati ad asset manutenibili e spazi fisici. Temperatura, pressione, stato valvola, allarme pompa o misuratore energia possono essere rivisti con equipaggiamento coinvolto, stanza, sistemi upstream e downstream, storico manutenzione e procedura. Data Fusion Services puo collegare dati punto, allarmi, stream eventi, record enterprise e documenti a FactVerse. FactVerse rappresenta relazioni tra asset, spazio, sistema, segnale, documento e workflow. I team dovrebbero decidere: * quali nomi punto corrispondono a quali asset e spazi * quali allarmi richiedono ispezione, manutenzione, escalation o osservazione * quali valori servono a review energia, reliability o evidenze operative * come segnalare problemi di qualita dati * quali sistemi possiedono stato allarme, stato work order e chiusura * quale storico resta per trend analysis e valutazione machine learning Una mappatura stabile vale piu di una grande ingestione senza owner chiari. ## Dagli allarmi ai work order Il pattern principale e il loop dal segnale all'azione revisionata: 1. **Rilevare** - BMS, IoT, SCADA, ispezione o AI Agent identifica allarme, trend anomalo, attivita mancata o eccezione ricorrente. 2. **Contestualizzare** - FactVerse collega il finding ad asset, spazio, relazione sistema, valori live, documenti, SOP e storico lavoro. 3. **Revisionare** - Il team responsabile controlla severita, evidenze, impatto operativo, note sicurezza e controlli suggeriti. 4. **Assegnare** - Il lavoro confermato entra in Inspector, Checklist, CMMS, EAM o altro sistema approvato. 5. **Eseguire** - I team di campo usano contesto asset, checklist, foto, letture, manuali e guida procedurale. 6. **Registrare** - Note, letture, foto, parti sostituite, eccezioni, risultati accettazione e decisioni vengono salvati. 7. **Apprendere** - Risultati e correzioni alimentano qualita dati, tuning raccomandazioni e valutazione machine learning. Questo loop collega raccomandazioni assistite da AI a review umana ed evidenze di campo. ## Facility e data center operations In smart building, campus, data center e facility industriali, l'integrazione inizia spesso da domande ricorrenti: * quale asset e coinvolto da questo allarme * quale stanza, sistema, tenant, area produttiva o data hall puo essere coinvolta * lo stesso problema e gia comparso * quale SOP, disegno, manuale o nota sicurezza si applica * e un tema manutentivo, review energia, eccezione operativa o ispezione * quali evidenze servono prima della chiusura I team data center possono usare lo stesso pattern per asset management multi-sito, calcolo energia, ispezione, manutenzione e visualizzazione. I team facility possono collegare allarmi BMS, misuratori energia, record equipaggiamenti, route ispettive ed evidenze legate a Green Mark ai record operativi, mantenendo la valutazione allineata ai criteri ufficiali e alla review di progetto. ## Ruoli dei prodotti [DataMesh FactVerse](/products/factverse) fornisce il layer di contesto operativo per asset, spazi, sistemi, relazioni, permessi, record e viste scena. [Data Fusion Services](/products/dfs) collega CMMS, EAM, BMS, IoT, SCADA, documenti, work order e dati enterprise agli oggetti twin corretti. [Inspector](/products/inspector) gestisce allarmi, ispezioni, work order, evidenze campo, foto, note riparazione, record accettazione e handoff operativo. [Checklist](/products/checklist) struttura routine ispettive ripetibili, letture richieste, signoff e record di campo orientati alla compliance. [FactVerse AI Agent](/products/factverse-ai-agent) puo analizzare 24x7 segnali, allarmi, documenti, storico lavoro e feedback campo collegati. Supporta triage, sintesi evidenze, suggerimento dei prossimi controlli e valutazione feedback dopo chiusura. [FactVerse Twin Engine](/products/factverse-twin-engine) mantiene il modello runtime per stato del twin, relazioni, interazione e visualizzazione operativa. ## Checklist di implementazione * Gli ID asset sono coerenti tra CMMS, EAM, BMS, disegni ed etichette campo? * La gerarchia location supporta team mobili ed esperti remoti? * Punti BMS e allarmi sono mappati ad asset, spazi, sistemi e severita? * Ownership, stato, chiusura e campi evidenza dei work order sono definiti? * Route ispettive e checklist usano lo stesso modello asset-spazio? * Manuali, disegni, SOP, permessi e documenti validazione sono collegati al contesto lavoro? * Foto, letture, eccezioni e decisioni review vengono salvate per analisi future? * I casi AI Agent sono basati su dati governati di asset, segnali, allarmi, documenti e work order? * Owner dati, frequenza update, regole accesso e responsabilita cybersecurity sono chiari? ## Riferimenti pubblici Il riferimento [Yokogawa e DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra come dati industriali, analisi AI e workflow manutentivi possono collegarsi intorno alle facility operations. La [collaborazione JTC](/about/news/collaboration-between-jtc-datamesh) mostra il lavoro DataMesh in facility complesse, dove contesto spaziale, stato equipaggiamento e workflow frontline sono centrali. Il riferimento [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) mostra come digital twin di fabbrica collegano visibilita operativa, contesto equipaggiamento e collaborazione tra team. La guida [AI alerts to closed-loop work orders](/resources/guides/ai-alert-to-closed-loop-work-orders), la guida [Data Center Operations](/resources/guides/data-center-digital-twin-operations) e la guida [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) coprono pattern vicini per esecuzione, operations facility e tracciabilita evidenze. --- ## [GUIDES] Operazioni data center con digital twin: asset, energia, ispezione e manutenzione ## Le operations data center richiedono un contesto facility condiviso Un data center opera attraverso molti sistemi specializzati. DCIM, BMS, EPMS, contatori, allarmi, registri asset, strumenti manutenzione e record di campo custodiscono parti diverse della situazione. I team operations devono vedere sito, sala, rack, equipment, percorso elettrico, zona di raffreddamento, allarme, ispezione e storico lavori nello stesso contesto. Un digital twin data center fornisce questo contesto. Collega asset facility, dati infrastrutturali live, record energia, route di ispezione, task manutenzione e prove di work order in una vista operativa spaziale. L'obiettivo è concreto: capire, ispezionare, mantenere, riportare e migliorare il sito con review engineering. Lo stesso modello supporta singole facility e portafogli multi-sito, aiutando il confronto tra siti, la standardizzazione dei report e la conservazione di prove operative tra sale, asset e team. ## Cosa deve collegare il twin | Livello | Contesto operativo | |---|---| | Spazio | Sito, edificio, sala, rack, corridoio, area equipment, percorso di accesso e limite sicurezza | | Asset | UPS, generatore, switchgear, CRAC, AHU, pompa, chiller, rack, sensore, contatore e service owner | | Potenza | Dati EPMS, percorsi elettrici, pannelli, feed, letture contatori, carichi e asset interessati | | Ambiente | Temperatura, umidità, contesto airflow, stato cooling, allarmi e condizioni sala | | Manutenzione | Route ispezione, work order, storico riparazioni, foto, note accettazione e stato verifica | | Documenti | File O&M, procedure, record commissioning, manuali asset e note di cambiamento | | Governance | Fonte dati, owner update, processo review, percorso approvazione, qualità prove e ambito rollout | Il twin diventa utile quando ogni segnale porta a luogo, asset, team responsabile e record successivo. ## Workflow DataMesh per data center 1. **Raccogliere le fonti facility** - Unire DCIM, BMS, EPMS, contatori, allarmi, liste asset, documenti equipment, record manutenzione, piani ispezione e disegni sito. 2. **Costruire il facility twin** - Organizzare in FactVerse sale, rack, equipment, percorsi elettrici, zone cooling, contatori, sensori, documenti e responsabilità service. 3. **Collegare dati operativi** - Usare Data Fusion Services per legare segnali live e record enterprise agli asset, spazi, sistemi e workflow corretti. 4. **Preparare scene riutilizzabili** - Usare Data Center DLC e FactVerse Designer per accelerare scene di sale, rack, equipment e facility. 5. **Rivedere condizioni operative** - Valutare indicatori energia, allarmi, stato equipment, problemi ricorrenti e priorità manutenzione nel contesto sito-asset. 6. **Eseguire lavoro sul campo** - Usare Inspector per trasformare finding confermati in ispezioni, work order, note riparazione, foto, prove accettazione e record verifica. 7. **Confrontare e migliorare** - Usare record coerenti tra siti e sale per management review, analisi engineering, reporting sostenibilità e programmi di efficienza successivi. Il flusso più utile porta dal segnale al luogo, dal luogo al responsabile e dal responsabile al lavoro verificato. ## Punti di partenza comuni - **Registro asset e posizione**: pulire record di sale, rack, equipment facility, contatori e responsabilità service. - **Calcolo energetico e reporting**: collegare letture contatori, contesto equipment, storico carichi e record operativi per management review. - **Workflow allarme e ispezione**: posizionare allarmi, route, work order, note campo e prove riparazione intorno all'asset interessato. - **Manutenzione infrastruttura critica**: tracciare UPS, generatori, switchgear, cooling equipment, pompe e storico service. - **Standardizzazione multi-sito**: applicare lo stesso modello di sala, asset, energia e manutenzione a più data center. - **Prove green operations**: organizzare energia, ambiente, manutenzione e azioni correttive per governance interna e preparazione Green Mark. Un buon primo ambito ha dati disponibili, owner chiari e un problema reale di handoff. ## Ruolo dei prodotti DataMesh [Data Fusion Services](/products/dfs) collega DCIM, BMS, EPMS, contatori, historian, allarmi, strumenti manutenzione e sistemi enterprise. [FactVerse](/products/factverse) fornisce il contesto digital twin facility con sale, rack, asset, sistemi, data binding, documenti e workflow. [FactVerse DLC](/products/factverse-dlc) offre basi riutilizzabili di scene data center in Designer, comprese sale, rack, asset facility, contesto energia ed elementi di visualizzazione. [Inspector](/products/inspector) gestisce ispezioni, work order, record riparazione, foto, note accettazione, verifica e prove di campo. [FactVerse AI Agent](/products/factverse-ai-agent) può aiutare i team a rivedere pattern anomali, allarmi ricorrenti e storico manutenzione quando modello dati e workflow sono stabili. ## Checklist di governance - I nomi di sale, rack, equipment, contatori e sensori sono coerenti tra sistemi? - Gli ID asset sono allineati con DCIM, strumenti manutenzione, disegni e label di campo? - Le fonti dati di potenza, ambiente e manutenzione hanno owner e regola update? - Un allarme porta a sala, rack, asset, sistema, owner e record di lavoro? - I team campo possono catturare foto, note, azioni riparazione e prove accettazione nello stesso contesto? - I record energia possono essere rivisti per sito, sala, asset, contatore e finestra temporale? - I report multi-sito usano classi asset e definizioni dati coerenti? - Review engineering, approvazione cliente e responsabilità change control sono chiare prima delle modifiche fisiche? Questi controlli mantengono il digital twin utile per lavoro quotidiano e management review. ## Riferimenti pubblici L'[annuncio IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) mostra come DataMesh fornisce contenuti digital twin riutilizzabili per avviare scene data center in FactVerse Designer. La soluzione [Data Center Operations](/solutions/ai-agent-data-center) descrive l'ambito operativo per asset visibility, calcolo energia, ispezione, manutenzione, work order e gestione multi-sito. La referenza [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra il collegamento tra segnali facility industriali e review manutenzione. La referenza [Faurecia ed EVE Energy](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) mostra come visibilità operativa e contesto energia supportano programmi di miglioramento manufacturing e facility. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## Il lavoro frontline richiede contesto operativo Il lavoro frontline dipende spesso da sequenza precisa, asset specifico, luogo fisico, ruolo formato e record revisionabile. Un tecnico puo isolare equipment, controllare un pannello, leggere valori, scattare foto, segnalare eccezioni e chiudere work order. Un operatore puo eseguire setup, pulizia, line clearance, campionamento o handoff legati a sala, equipment, materiale e versione procedura. SOP e materiali di training sono utili, ma spesso sono lontani dall'oggetto di lavoro. La procedura e nel document system, l'asset in CMMS o EAM, il segnale in BMS o SCADA, la foto in app mobile e la decisione finale nella review del supervisor. Un digital twin operativo assegna alla procedura un contesto di lavoro. Collega SOP, asset, location, ruolo, guida visiva, record di campo, ispezione, work order e note review nello stesso contesto operativo. ## Cosa deve collegare una SOP digitale | Layer | Dettaglio operativo | |---|---| | Controllo procedura | versione SOP, owner, data effettiva, percorso approvazione, audience training, release status | | Asset e location | ID equipment, stanza, zona, linea, route, connessione utility, confine sicurezza | | Passi guidati | sequenza, prompt, checkpoint, riferimento visivo, media, gestione eccezioni | | Ruolo e training | requisito ruolo, completamento, risultato assessment, ciclo refresher, storico cohort | | Esecuzione campo | operatore, start time, stato passo, letture, foto, note, issue, link work order | | Review record | review supervisor, criteri accettazione, correzione, stato chiusura, audit trail | | Contesto dati | valori live, allarmi, storico manutenzione, documenti, record enterprise | L'obiettivo e la tracciabilita: quale procedura e stata usata, su quale asset o area, chi ha eseguito, quali evidenze sono state raccolte e come il risultato e stato revisionato. ## Authoring della procedura nel contesto spaziale [Director](/products/director) e la superficie di authoring per procedure 3D guidate. Trasforma conoscenza approvata in step con label, animazioni, pannelli, immagini, video, checkpoint e prompt visivi. Il contenuto parte da fonti esistenti: SOP approvate, work instruction, manuali, foto, video, modelli CAD o BIM, modelli equipment, asset list, note sicurezza, deck training e feedback di campo. Il team decide quali passi richiedono 3D context, checklist, foto o escalation. [FactVerse](/products/factverse) mantiene la procedura collegata al modello asset-location. [Data Fusion Services](/products/dfs) puo aggiungere documenti, storico lavoro, valori live e record enterprise. ## Catturare evidenze di campo [Checklist](/products/checklist) struttura controlli ricorrenti, letture richieste, signoff e record di completamento. [Inspector](/products/inspector) collega ispezioni, problemi, foto, note riparazione, work order, accettazione e review status al contesto asset-location. Percorso operativo: 1. **Preparare** - Collegare SOP, asset, location, ruolo, checklist ed evidenze richieste. 2. **Guidare** - Consegnare i passi tramite contenuti Director e istruzioni di campo. 3. **Registrare** - Catturare letture, foto, note, eccezioni e stato completamento. 4. **Escalare** - Convertire un problema confermato in ispezione, riparazione o work order. 5. **Revisionare** - Far revisionare evidenze, correzioni e chiusura da supervisor o qualita. 6. **Migliorare** - Usare eccezioni ricorrenti per training, contenuto procedura e asset records. ## Training prima dell'esecuzione Il training dovrebbe usare lo stesso contesto spaziale dell'esecuzione. Un nuovo operatore puo imparare identita equipment, layout sala, sequenza, punti controllo, rischi e campi evidenza prima di operare sul sito. [Simulator](/products/simulator) e rilevante quando il training dipende da comportamento equipment, controlli, scenari sicurezza, disciplina percorso, scoring e pratica ripetuta. Heavy equipment, forklift, construction machinery e programmi specifici possono allenare operazione, emergenza e valutazione. Per process operations e facility work, Director e Checklist supportano training procedurale guidato, mentre Inspector porta lo stesso contesto asset-task nell'esecuzione. ## Pattern per settore **Manufacturing** usa SOP digitali per changeover, ispezione, supporto manutenzione, troubleshooting line-side, handoff magazzino e utility di supporto produzione. **Pharma e biopharma** usano procedure guidate per setup, pulizia, campionamento, pesatura, line clearance, preparazione equipment e handoff operatore. Training completato, versione SOP, evidenza task, note eccezione e review record supportano la preparazione di evidenze GMP e CSV. **Construction e heavy equipment** combinano procedure Director, training Simulator e record Inspector per lavoro cantiere, operazione equipment, safety routine e issue closeout. Tower crane, forklift, rotary drilling rig, deep well casing drilling rig, excavator ed equipment di progetto possono entrare nei programmi. **Data center e smart facility** collegano procedure manutenzione, inspection routes, allarmi BMS, record asset, energy readings, foto e stato work order. **Warehouse e intralogistics** addestrano route, carico, safety check, routine forklift, eccezioni e manutenzione nello stesso contesto asset-location. ## Dati e feedback AI Le evidenze di campo danno ai workflow assistiti da AI un ground truth piu utile. Problemi confermati, raccomandazioni corrette, eccezioni ricorrenti, note, letture, foto e risultati post-azione mostrano dove la procedura e poco chiara, dove il training va aggiornato e quali asset mostrano pattern ripetuti. [FactVerse AI Agent](/products/factverse-ai-agent) puo revisionare 24x7 segnali, storico lavoro, documenti, ispezioni e feedback di campo collegati. Aiuta team qualificati a riassumere evidenze, trovare problemi ricorrenti, preparare controlli successivi e strutturare lavori da revisionare. ## Ruoli prodotto [Director](/products/director) crea SOP 3D guidate, prompt, label visive, animazioni, pannelli media, contenuti training e istruzioni campo. [Checklist](/products/checklist) struttura controlli ricorrenti, letture richieste, signoff ruolo, stato completamento e record mobile. [Inspector](/products/inspector) gestisce ispezioni, issue, work order, evidenze, note riparazione, record accettazione e storico campo. [Simulator](/products/simulator) supporta training operatore quando controlli, comportamento, safety scenarios, scoring e pratica ripetuta contano. [FactVerse](/products/factverse) fornisce contesto digital twin operativo per asset, spazi, sistemi, procedure, oggetti lavoro, documenti e permessi. [Data Fusion Services](/products/dfs) collega CMMS, EAM, BMS, SCADA, IoT, documenti, work record e sistemi enterprise agli oggetti twin corretti. [FactVerse AI Agent](/products/factverse-ai-agent) supporta review, triage, preparazione raccomandazioni e feedback analysis dopo la stabilizzazione dei record. ## Checklist di implementazione * Versioni SOP, owner, release date e audience training sono documentati? * Asset ID, room name, equipment label e work-order object sono coerenti? * I passi che richiedono 3D, checklist, foto o letture sono identificati? * Percorsi eccezione, categorie issue, escalation e campi chiusura sono definiti? * Training, assessment e refresher sono collegati alla versione SOP corretta? * Record Inspector e Checklist usano lo stesso modello asset-location? * Foto, letture, note, decisioni review e correzioni restano disponibili? * I casi AI Agent sono basati su dati stabili di procedure, asset, work order ed evidenze? ## Riferimenti pubblici Il riferimento [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) mostra digitalizzazione di maintenance process e frontline training. Il riferimento [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) mostra FactVerse nei workflow training e maintenance. Il riferimento [safety training](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) mostra training pratico di campo basato su digital twin. Le guide [Pharma Operator Training](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), [Heavy Equipment Simulator Training](/resources/guides/digital-twin-heavy-equipment-simulator-training) e [CMMS, EAM and BMS Integration](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) coprono workflow adiacenti. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## Il contenuto riutilizzabile rende stabile il rollout I progetti di digital twin industriale ricostruiscono spesso le stesse basi: spazi, asset, percorsi, categorie di equipment, label, pannelli, procedure e comportamenti di scena. Ogni sito cliente richiede adattamento, ma molti punti di partenza sono comuni nello stesso dominio operativo. I content pack di digital twin creano questa baseline riutilizzabile. FactVerse DLC fornisce contenuti preconfigurati per FactVerse Designer. I team partono da una fondazione industriale concreta e adattano modello, scena, mapping dati e workflow all'impianto reale del cliente. Il valore è la coerenza operativa. Prodotto, delivery e cliente possono lavorare dal primo workshop con le stesse classi di asset, strutture di scena, record operativi e viste di esercizio. ## Cosa deve contenere un content pack | Livello | Contenuto utile | |---|---| | Classi asset | Tipi di equipment, tag, proprietà, naming e ruoli | | Struttura spaziale | Sito, edificio, piano, stanza, zona, linea, percorso e confine di sicurezza | | Risorse modello | Oggetti 3D, forme semplificate, elementi layout, label e stati visivi | | Template scena | Viste per operations, manutenzione, training, pianificazione e review manageriale | | Logica comportamento | Cambi stato, passi guidati, allarmi, sequenze operative e trigger scenario | | Data binding | Campi sorgente, unità, timestamp, owner, regole di refresh e mapping agli oggetti twin | | Contesto workflow | Punti ispezione, campi checklist, passaggio work order, evidenze e approvazioni | | Governance | Versione, owner, scope, regole update, localizzazione e criteri di riuso | Il pack deve accelerare l'avvio e lasciare configurabile ogni sito. ## Fondazioni per uso industriale **Data Center DLC** aiuta a preparare sale, rack, equipment facility, contesto energia, viste monitoring, percorsi di ispezione e record di manutenzione per digital twin di data center. **Campus DLC** supporta edifici, campus, utility, ambiente, accessi e contesto facility per operations multi-building e smart facility management. **Warehousing and Logistics DLC** aiuta a descrivere zone warehouse, aree di storage, percorsi, linee di trasporto, procedure operative, pianificazione logistica e scenari training. **Discrete Manufacturing DLC** fornisce starter di fabbrica virtuale per equipment di produzione, conveyor, AGV, operatori, contesto linea e scene di pianificazione personalizzabili in Designer. Queste basi diventano efficaci quando sono connesse ad asset, sistemi, procedure e record operativi reali del cliente. ## Workflow DataMesh per il rollout 1. **Selezionare la fondazione contenuto** - Scegliere la baseline DLC coerente con tipo di sito e obiettivo del progetto. 2. **Mappare il sito cliente** - Allineare edifici, stanze, zone, linee, equipment, percorsi e aree di lavoro con naming e record asset del cliente. 3. **Preparare le scene in Designer** - Adattare modelli, template scena, viste, label, pannelli e logiche in FactVerse Designer. 4. **Connettere il modello dati** - Organizzare spazi, asset, relazioni, documenti, contesto lavoro e oggetti riutilizzabili in FactVerse. 5. **Collegare dati operativi** - Connettere sistemi sorgente, dati sensore, record enterprise, tool manutenzione e riferimenti documentali con Data Fusion Services. 6. **Agganciare workflow di esecuzione** - Collegare ispezioni, guida SOP, work order, training ed evidenze campo con Inspector, Director o altre applicazioni. 7. **Prodottizzare il riuso** - Trasformare asset, logiche e workflow ricorrenti in contenuto gestito, così i siti successivi partono da una base più matura. Ogni delivery dovrebbe migliorare la fondazione riutilizzabile. ## Gestire il DLC come asset prodotto Ogni content pack va gestito come asset prodotto. Servono owner, versione, scope, scena esempio, piano di localizzazione, release note e criteri per decidere cosa entra nel layer riutilizzabile. Il layer riutilizzabile si concentra su struttura comune: classi asset, basi scena, viste default, logiche starter e pattern di integrazione. Nomi cliente, regole sicurezza, credenziali live data, catene di approvazione e procedure operative restano nella configurazione progetto. Questa separazione aiuta DataMesh a mantenere qualità e flessibilità. Sales, delivery e customer success possono spiegare in modo concreto cosa sarà riutilizzato e cosa sarà adattato al sito. ## Ruolo dei prodotti DataMesh [FactVerse DLC](/products/factverse-dlc) fornisce content pack di digital twin riutilizzabili per aree comuni di rollout industriale. [FactVerse Designer](/products/designer) è dove i team aprono, adattano e assemblano risorse DLC in scene, viste operative e contenuti scenario. [DataMesh FactVerse](/products/factverse) conserva il contesto condiviso del digital twin: spazi, asset, relazioni, documenti, data binding e workflow applicativi. [Data Fusion Services](/products/dfs) collega fonti dati operative e record enterprise agli oggetti corretti nel twin. [Inspector](/products/inspector) trasforma il contesto twin in ispezioni, work order, foto, record di riparazione, note di accettazione ed evidenze campo. [FactVerse AI Agent](/products/factverse-ai-agent) può usare contesto twin stabile e record di lavoro per review operative quando modello dati e workflow sono maturi. ## Checklist di rollout - Il pack definisce chiaramente classi asset e proprietà riutilizzabili? - La struttura spaziale riflette il modo in cui il cliente opera il sito? - Le risorse modello sono leggere per scene interattive e chiare per le operations? - I template scena sono collegati a workflow reali come ispezione, planning, training, monitoring o manutenzione? - I data binding documentano sorgente, unità, owner, regola di refresh e stato qualità? - Campi Inspector, passaggio work order ed evidenze sono definiti prima del rollout sul campo? - Versioning, localizzazione e ownership del contenuto sono chiari? - I miglioramenti di un progetto possono diventare contenuto riutilizzabile per progetti successivi? Un buon content pack riduce setup ripetuti e aumenta la coerenza tra progetti. ## Riferimenti pubblici L'[annuncio IDC DLC](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) mostra come il contenuto riutilizzabile aiuti ad avviare scene digital twin di data center in FactVerse Designer. L'[aggiornamento Warehousing and Logistics DLC](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) mostra lo stesso approccio applicato ad ambienti logistici, percorsi, layout e scenari operativi. Il [riferimento Jebsee FactVerse](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) mostra come la pianificazione di linee produttive benefici di un contesto digital twin condiviso durante la pianificazione dell'automazione e la comunicazione con gli stakeholder. Il [riferimento NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) mostra come i team manifatturieri usano il digital twin come base per visibilità di fabbrica e miglioramento operativo. --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## Il training delle macchine pesanti richiede pratica ripetibile Il training degli operatori di macchine pesanti è difficile da standardizzare. Le macchine reali sono costose da riservare, i cantieri hanno vincoli di sicurezza e gli istruttori esperti hanno tempo limitato. Un allievo ha bisogno di più di un video o di una checklist. Deve capire macchina, risposta dei controlli, sequenza di lavoro, contesto del sito, punti di rischio e qualità di ogni azione. Il training simulatore con digital twin offre un ambiente controllato per esercitare queste competenze. L'operatore lavora in uno scenario con comportamento realistico della macchina, controlli fisici o desktop, feedback visivo, istruzioni e regole di valutazione. Gli istruttori possono ripetere la stessa attività, confrontare risultati e costruire record di competenza più chiari. Per DataMesh, Simulator è la superficie di training per macchine pesanti. Completa le SOP create in Director, la pianificazione scene in Designer e il contesto digital twin in FactVerse. ## Cosa deve contenere uno scenario simulatore | Livello | Contributo | |---|---| | Modello macchina | Geometria, scala, vista cabina, parti mobili, raggio operativo e comportamento specifico | | Fisica | Movimento, collisione, risposta al carico, interazione con terreno, vibrazione e limiti sicurezza | | Controlli | Joystick, pedali, pannelli, sterzo, controlli desktop o layout specifici | | Procedura | Step, guida vocale o testuale, segnali, checkpoint e gestione eccezioni | | Contesto sito | Area di lavoro, percorsi, ostacoli, materiali, macchine vicine e condizioni di visibilità | | Valutazione | Tempo, accuratezza, conformità, collisioni, qualità percorso, fluidità e record di completamento | | Review | Profilo allievo, versione scenario, score, note, replay e feedback istruttore | Gli scenari più utili collegano questi livelli. Sollevamento con gru a torre, percorso di carrello elevatore, attività di perforazione, routine deep well casing o operazione escavatore devono essere progettati come attività operative strutturate. ## Copertura macchine e design degli scenari DataMesh Simulator supporta programmi per gru a torre, carrelli elevatori, perforatrici rotative, perforatrici deep well casing, escavatori e altre macchine pesanti. Ogni programma parte dall'obiettivo formativo: familiarizzazione, sequenza operativa, risposta alle eccezioni, pratica per certificazione, formazione service internazionale o valutazione con istruttore. L'obiettivo determina hardware, fedeltà scena, setup controlli, regole di scoring e profondità contenuto. Alcuni team richiedono piattaforma di movimento e cabina. Altri usano una postazione desktop per familiarizzazione iniziale. Programmi distribuiti possono usare configurazioni portatili. Il contenuto simulatore va quindi pianificato come programma di formazione macchina. Modello, controlli, scenario, score e processo di review devono corrispondere alla competenza da allenare. ## Workflow DataMesh 1. **Definire il ruolo formativo** - Identificare tipo macchina, ruolo operatore, skill target, focus safety e requisiti di valutazione. 2. **Creare il twin macchina** - Preparare modello, parti mobili, vista cabina, mappatura controlli, comportamento fisico e ambiente. 3. **Authoring del percorso** - Creare step, prompt, checkpoint, segnali e casi eccezione. 4. **Configurare la stazione** - Selezionare piattaforma di movimento, cabina, pannello, desktop station, sistema visivo o setup misto. 5. **Eseguire pratica e valutazione** - Ripetere task, dare feedback e completare valutazioni strutturate. 6. **Registrare evidenze** - Salvare score, completamenti, note istruttore, versioni scenario e prove di review. 7. **Migliorare il corso** - Aggiornare gli scenari quando cambiano macchina, procedure, regole sito o obiettivi. Il risultato è un sistema formativo riutilizzabile. ## Ruolo nello stack FactVerse [Simulator](/products/simulator) gestisce il training operatori per macchine pesanti quando contano comportamento macchina, risposta dei controlli, interazione fisica e valutazione. [FactVerse](/products/factverse) fornisce la base piattaforma. [FactVerse Twin Engine](/products/factverse-twin-engine) organizza asset, contesto scena, comportamento e stato scenario. [FactVerse Designer](/products/designer) supporta authoring scene, layout planning e preparazione scenari. [Director](/products/director) supporta SOP guidate e contenuti interattivi. [Inspector](/products/inspector) supporta record sul campo, ispezioni, chiusura issue e workflow di evidenza quando la formazione si collega all'esecuzione. Questi prodotti aiutano i team training a collegare la pratica macchina allo stesso contesto digital twin usato per pianificazione, guida e operations. ## Versione pubblica di riferimento su Steam DataMesh pubblica [Operator Training: Heavy Equipment su Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) come esperienza pubblica semplificata. La pagina Steam indica DataMesh come sviluppatore e publisher e presenta una esperienza simulatore leggera per utenti pubblici. Questa versione aiuta a capire concetto, operazione macchina, pratica guidata, contesto visivo e simulazione equipment. I progetti enterprise ed education aggiungono hardware specifico, controlli, contenuto corsi, criteri di score, cabina, opzioni di piattaforma movimento e requisiti di integrazione. ## Checklist di valutazione - Lo scenario corrisponde a un task reale o a un obiettivo di valutazione? - Il modello include parti mobili, comportamento controlli e ipotesi fisiche rilevanti? - L'hardware corrisponde al livello allievo e all'obiettivo? - Step, segnali, checkpoint ed eccezioni sono definiti chiaramente? - Le regole di score sono legate a operazioni sicure e corrette? - Gli istruttori possono rivedere replay, note, score e versioni scenario? - I record di training si collegano a learning management, safety o operations? - Il corso può essere aggiornato con cambi macchina, regole sito o procedure? Queste domande mantengono il training simulatore legato alla competenza operatore e alla readiness operativa. ## Riferimenti pubblici DataMesh ha aggiornamenti pubblici su [training gru a torre](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), [ambienti training escavatore](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), [Simulator Platform basata su digital twin](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) e [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training). La pagina Steam [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) è un riferimento pubblico per una esperienza semplificata pubblicata da DataMesh. --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## Dal modello visivo al ciclo operativo Un digital twin tradizionale spesso parte da un modello 3D, dati BIM, geometria degli asset o dashboard. Questo livello offre ai team un contesto condiviso per comprendere impianti, linee produttive, asset o cantieri. Un digital twin eseguibile aggiunge il ciclo operativo intorno al modello. Connette dati live, relazioni tra asset, logica di processo, simulazione, approvazioni, ordini di lavoro e registri di verifica. I team possono analizzare lo stato corrente, valutare scenari, assegnare attività e mantenere la base evidenziale di ogni decisione. Questa è una base per Physical AI in ambienti industriali e facility. Le raccomandazioni AI diventano più utili quando sono collegate ad asset reali, contesto spaziale, vincoli fisici, storico del lavoro e processi di approvazione. ## Componenti di un twin eseguibile Un twin eseguibile di solito combina sei livelli: - **Struttura spaziale e asset**: siti, edifici, piani, zone, sistemi, equipment, punti, documenti e responsabilità. - **Dati operativi live**: BMS, SCADA, IoT, contatori, historian, CMMS, ERP, MES e altri sistemi sorgente. - **Comportamento e logica di processo**: step di processo, ipotesi di controllo, dipendenze, procedure e condizioni evento. - **Simulazione e revisione scenari**: opzioni di layout, analisi flussi, movimento equipment, comportamento fisico e confronto. - **Workflow ed esecuzione sul campo**: ispezioni, task, ordini di lavoro, SOP, training, accettazione e handoff. - **Governance ed evidenze**: approvazioni, registri, versioni modello, foto, note e risultati operativi. Il valore nasce dalla connessione tra questi livelli. Un modello mostra dove si trova un asset. Il twin eseguibile mostra anche dati, processo supportato, scenario in revisione, attività assegnata e risultato verificato. ## Perché Physical AI richiede questo contesto Physical AI lavora con operazioni reali. Una raccomandazione deve adattarsi a sito, asset, processo, persone, regole di sicurezza e approvazione. Una risposta isolata del modello fatica a coprire tutte queste condizioni. Il twin eseguibile fornisce a Physical AI un contesto operativo governato: - Collega ogni segnale ad asset, sistema, zona e processo. - Fornisce storico e stato live per l'analisi. - Offre un luogo per confrontare opzioni tramite simulazione. - Passa le azioni approvate a ispezione, manutenzione, training o construction workflow. - Conserva traccia di raccomandazioni, approvazioni, esecuzioni e verifiche. Per chi acquista, il punto centrale è se il digital twin diventa parte del sistema operativo. ## Ruolo dello stack DataMesh [Data Fusion Services](/products/dfs) connette fonti dati enterprise, industriali, IoT e facility. [FactVerse](/products/factverse) organizza dati, asset, scene e contesto applicativo. [FactVerse Twin Engine](/products/factverse-twin-engine) renderizza ed esegue l'esperienza 3D del twin su dispositivi e scenari operativi. [FactVerse Designer](/products/designer) supporta creazione scene, logica di processo, pianificazione virtuale e simulazione. Per team che usano NVIDIA Omniverse, [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) porta struttura scena, metadati e contesto di comportamento da FactVerse verso workflow USD e Omniverse. [FactVerse AI Agent](/products/factverse-ai-agent) usa il contesto connesso per revisione anomalie, previsioni, Q&A operative, sintesi di raccomandazioni e handoff decisionale. [Inspector](/products/inspector) trasforma i risultati approvati in ispezioni, ordini di lavoro, registri campo, accettazione ed evidenze. Questi livelli permettono ai team di vedere, analizzare, simulare, eseguire e riesaminare lo stesso digital twin. ## Pattern di implementazione Un rollout pratico inizia da un ciclo operativo: 1. Collegare le fonti dati e definire la responsabilità di ogni sistema. 2. Mappare asset, spazi, sistemi e punti in una struttura twin condivisa. 3. Aggiungere logica di comportamento, step di processo, procedure o ipotesi scenario. 4. Validare opzioni con simulazione, revisione engineering o replay operativo. 5. Passare azioni approvate a ispezione, manutenzione, training o construction workflow. 6. Acquisire registri di completamento e confrontare il risultato con i dati operativi. Questo schema mantiene il lavoro concreto e rende visibile l'ingresso del twin nell'esecuzione quotidiana. ## Dove crea valore | Punto di partenza | Uso pratico | |---|---| | Facility operations | Collegare asset, contatori, punti BMS, ispezioni e manutenzione nel contesto spaziale | | Predictive maintenance | Combinare sensori, storico asset, anomalie, ordini di lavoro e registri di verifica | | Process simulation | Confrontare layout, flusso materiali, movimento equipment e ipotesi operative prima di modifiche | | Construction guidance | Collegare BIM, contesto cantiere, metodi, verifica piano e guida campo | | Workforce training | Convertire equipment, procedure, rischi e scenari in training riutilizzabile | Il primo caso deve avere ownership dei dati, processo misurabile e un team capace di eseguire e verificare le azioni. ## Checklist di valutazione Domande utili nel confronto tra piattaforme: - La piattaforma connette dati live ad asset, sistemi e spazi? - Rappresenta comportamento, logica di processo e ipotesi scenario? - I team possono simulare o rivedere scenari prima di una modifica operativa? - Le raccomandazioni possono passare a workflow approvati di ispezione, manutenzione, training o costruzione? - I team sul campo possono acquisire foto, note, accettazioni e stato completamento? - Engineering e operations possono risalire a dati, contesto modello e storico approvazioni? - Lo stesso twin supporta visualizzazione, monitoring, simulazione ed esecuzione workflow? - La piattaforma supporta governance enterprise su utenti, siti e sistemi? Un twin eseguibile diventa utile quando ogni risposta corrisponde a un workflow reale e a un team responsabile. ## Risultati pratici I digital twin eseguibili aiutano team industriali e facility a passare dalla visualizzazione condivisa all'esecuzione governata. I primi risultati sono pratici: contesto operativo più chiaro, revisione interfunzionale più rapida, handoff migliore dall'analisi al campo, evidenze più solide e confronto scenari più disciplinato. Con la maturazione del ciclo operativo, Physical AI può usare un contesto più ricco. Le raccomandazioni si basano su dati asset, relazioni di sistema, risultati di simulazione, storico lavoro e governance del sito. Il digital twin diventa così un livello operativo per decisioni nel mondo reale. --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## Le operazioni di riscaldamento necessitano di un contesto connesso I team del teleriscaldamento prendono decisioni da molte fonti contemporaneamente: stato della fonte di calore, dati della rete primaria e secondaria, condizioni delle sottostazioni, feedback sull'edificio, previsioni meteorologiche, record di reclami, ispezioni sul campo, cronologia della manutenzione e regole di invio. Ogni sistema spiega parte dell'operazione. Il duro lavoro è collegare questi segnali in una decisione che gli operatori possono rivedere, approvare, eseguire e verificare. [HeatOps](/solutions/heatops) è il modulo industriale del teleriscaldamento di [FactVerse AI Agent](/products/factverse-ai-agent). Utilizza [Data Fusion Services](/products/dfs) per connettere i dati operativi, [FactVerse](/products/factverse) per mantenere il contesto della rete e delle risorse e Inspector o i sistemi di ordini di lavoro dei clienti per mantenere tracciabile l'azione sul campo. Lo scopo è pratico: aiutare i team di riscaldamento a prevedere la domanda, diagnosticare il comportamento della rete, rivedere le opzioni di invio, coordinare il lavoro sul campo e preservare le prove operative alla base delle decisioni. ## Ciò che collega il modello operativo | Strato | Contesto operativo | |---|---| | Fonti di calore | Caldaie, pompe di calore, CHP, calore di scarto, stoccaggio, carburante, elettricità, capacità e disponibilità | | Rete | Rete primaria, linee di derivazione, pressione, flusso, temperatura di mandata e ritorno, valvole, perdite e contesto di isolamento | | Sottostazioni | Scambiatori di calore, pompe, valvole di controllo, contatori, pressione differenziale, efficienza, allarmi e cronologia degli interventi | | Edifici | Zone dell'edificio, feedback interno, temperatura lato utente, problemi di comfort, inerzia termica e priorità di servizio | | Contesto esterno | Previsioni meteorologiche, carico storico, ferie, modelli di occupazione, contesto tariffario e richieste di servizio | | Esecuzione del lavoro | Invio di ordini, ispezioni, attività di riparazione, pulizia, regolazione delle valvole, lavori di isolamento, foto e registrazioni di accettazione | | Governo | Origine del consiglio, percorso di approvazione, limiti dei comandi, regole di rollback, revisione dei risultati e audit trail | Il valore deriva dal collegamento di questi livelli. Un reclamo per bassa temperatura dovrebbe essere riconducibile al contesto dell'edificio, al comportamento della sottostazione, allo stato della rete delle filiali, al lavoro precedente e alla decisione dell'operatore che segue. ## Flusso di lavoro DataMesh per HeatOps 1. **Connetti le fonti operative**: riunisci tag SCADA, SIS, PVSS, PLC, contatori, meteo, GIS, record di reclami, contesto di fatturazione, sistemi di manutenzione e registri di spedizione. 2. **Costruisci il gemello del riscaldamento**: modella fonti di calore, condutture, sottostazioni, valvole, pompe, contatori, edifici, zone e aree di servizio in FactVerse. 3. **Associazione dei segnali alle risorse**: utilizza Data Fusion Services per mappare temperature, pressioni, flussi, allarmi, letture energetiche e registri di lavoro sulle risorse e sui segmenti di rete corretti. 4. **Esamina domanda e rischio**: utilizza FactVerse AI Agent per preparare previsioni della domanda, spiegazioni sulle modifiche del carico, riepiloghi dei modelli anomali e opzioni di invio per la revisione dell'operatore. 5. **Azione coordinata**: trasforma i risultati approvati in note di spedizione, ispezioni sul campo, ordini di lavoro, attività di aggiustamento o ambiti di ripristino controllati. 6. **Verifica il risultato**: confronta le letture post-azione, il feedback sul comfort, gli allarmi, i modelli di perdita di calore e le prove dell'ordine di lavoro con il risultato originale. Questo flusso di lavoro mantiene le raccomandazioni AI collegate al contesto operativo che le ha prodotte. ## Previsione, diagnosi e revisione della spedizione HeatOps può supportare tre modalità di lavoro connesse: - **Previsione della domanda**: confronta condizioni meteorologiche, carico storico, stato della rete, risposta dell'edificio e vincoli operativi prima che arrivino i cambiamenti della domanda. - **Diagnosi di rete**: verifica delta alimentazione-ritorno, pressione differenziale, flusso, acqua di reintegro, comportamento dello scambiatore di calore, stato della pompa, stato della valvola, indicatori di perdite, segnali di incrostazione e problemi ripetuti dell'utente finale. - **Revisione della spedizione**: preparare azioni riviste dall'operatore come modifiche della temperatura di alimentazione, modifiche della frequenza della pompa, regolazione delle valvole, strategia di preriscaldamento, preparazione del personale e priorità delle ispezioni sul campo. La raccomandazione dovrebbe spiegare l’ambito, la ragione, l’effetto atteso, l’approvazione richiesta e le prove di follow-up. Ciò rende l'output AI esaminabile dal personale della sala di controllo, dai team di ingegneri, dai team sul campo e dai manager. ## Dalla raccomandazione all'esecuzione verificabile Le operazioni di riscaldamento implicano sicurezza, comfort, contratti, limiti delle apparecchiature e responsabilità del servizio. Il percorso di esecuzione dovrebbe pertanto essere graduale. Inizia con il supporto decisionale. Gli operatori esaminano previsioni, diagnosi e azioni consigliate nel contesto del digital twin. La fase successiva è l'esecuzione assistita: le raccomandazioni approvate diventano record di spedizione, attività sul campo, ordini di lavoro e controlli di follow-up. È possibile aggiungere il writeback controllato dopo aver definito l'autorità, l'intervallo di comandi, gli interblocchi di sicurezza, le regole di rollback e i requisiti di controllo. [Inspector](/products/inspector), [Checklist](/products/checklist) e i sistemi di ordine di lavoro dei clienti possono preservare il lato campo del ciclo: chi ha ispezionato la stazione, cosa è stato regolato, quali foto e letture sono state catturate, quando il lavoro è stato chiuso e se le condizioni sono migliorate. ## Registri energia-carbonio e revisione della gestione Gli operatori del riscaldamento hanno bisogno di prove stagionali, non solo di schermate in tempo reale. HeatOps può strutturare quantità di calore, carburante, elettricità, energia di pompaggio, perdita di calore, feedback sul comfort, risposta agli incidenti, attività di ammodernamento e lavoro sul campo in registri operativi per la revisione della gestione. Questi registri aiutano i team a confrontare le strategie di invio, i risultati dell’ammodernamento, le prestazioni delle sottostazioni e i segmenti di rete nel tempo. Inoltre, rendono più semplice discutere le prestazioni in termini di energia e carbonio con proprietari, team comunali, società di servizi e partner tecnici utilizzando lo stesso percorso dati. I metodi contabili, i limiti di rendicontazione e i fattori di carbonio rimangono specifici del progetto. HeatOps fornisce il contesto operativo connesso e le prove tracciabili necessarie per la revisione. ## Elenco di controllo della preparazione dei dati Prima dell'implementazione, esamina queste condizioni: - SCADA, SIS, PVSS, PLC e i tag del contatore hanno nomi, unità, timestamp e proprietà stabili. - Fonti di calore, sottostazioni, valvole, pompe, contatori, edifici, zone e segmenti di rete possono essere mappati nel gemello digitale. - Il meteo, la cronologia dei carichi, i record dei reclami e gli ordini di lavoro possono essere collegati per ora, area, risorsa o stazione. - Operatori e ingegneri concordano le regole di approvazione per le raccomandazioni di spedizione. - I team sul campo possono registrare ispezioni, regolazioni, foto, letture e prove di accettazione in modo strutturato. - Le regole di writeback controllato vengono documentate prima che venga introdotto qualsiasi percorso di comando. - Le metriche pilota si basano su record operativi verificati. La prima implementazione dovrebbe utilizzare un'area di servizio contenuta o un gruppo di sottostazioni in cui il team disponga di dati sufficienti, una proprietà chiara e frequenti domande operative. ## Punti di partenza pratici | Punto di partenza | Perché funziona | |---|---| | Panoramica della sottostazione | I team possono collegare temperatura, pressione, flusso, stato della pompa, stato della valvola, quantità di calore, allarmi e cronologia degli interventi relativi a un gruppo di risorse noto | | Preparazione dell'oscillazione meteorologica | La previsione della domanda può aiutare gli operatori a prepararsi prima che fronti freddi, periodi caldi o modelli di occupazione insoliti incidano sul servizio | | Reclami per bassa temperatura | I record dei reclami possono essere esaminati con il contesto dell'edificio, lo stato della sottostazione, la pressione delle filiali e la manutenzione passata | | Allarmi ripetuti della stazione | La revisione assistita da AI può riassumere i modelli e spostare i problemi confermati in attività di ispezione o manutenzione | | Analisi dell'energia e delle perdite di calore | I record stagionali possono collegare l'output della fonte, il comportamento della rete, le condizioni dell'edificio e il lavoro sul campo | Questi punti di partenza creano un ciclo rivedibile prima che i team si espandano in scenari di ottimizzazione o controllo più ampi. ## Riferimenti pubblici [HeatOps solution page](/solutions/heatops) descrive l'ambito del modulo di teleriscaldamento all'interno di FactVerse AI Agent. [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) e [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders) descrivono modelli adiacenti per la connessione dei segnali della struttura, del contesto del gemello digitale, degli ordini di lavoro e dell'azione sul campo verificata. [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) mostra il contesto del gemello digitale DataMesh in un ambiente di struttura connessa. [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra il modello più ampio di trasformazione dei segnali industriali in revisione di manutenzione assistita da AI. --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## Gli AI Agent industriali hanno bisogno del contesto operativo Fabbriche, campus, data center, reti di teleriscaldamento, magazzini e siti di frontiera operano tramite sistemi fisici connessi. Un AI Agent utile deve comprendere asset, luoghi, segnali live, storico operativo, procedure, ordini di lavoro e responsabilità. [FactVerse AI Agent](/products/factverse-ai-agent) è progettato per questo livello operativo. Usa la base digital twin di FactVerse, dati industriali connessi, conoscenza aziendale, registri Inspector e percorsi di approvazione umana per rendere le raccomandazioni verificabili, eseguibili e migliorabili. ## Il ciclo operativo 1. **Connettere segnali e conoscenza** - Data Fusion Services unisce dati impianto, sistemi facility, segnali SCADA o BMS, storico manutenzione, documenti, SOP e sistemi enterprise. 2. **Ancorare nel digital twin** - FactVerse e Twin Engine collegano i dati ad asset, spazi, sistemi, relazioni e stato del workflow. 3. **Analizzare con AI Agent** - L'agente esamina trend, allarmi, storico, regole operative e contesto del sito per preparare riscontri e azioni successive. 4. **Rivedere e approvare** - Operatori, ingegneri o supervisori confermano le raccomandazioni secondo autorità e rischio. 5. **Eseguire sul campo** - Inspector, Checklist, CMMS o EAM e applicazioni frontline trasformano l'azione approvata in ordine di lavoro, ispezione, task guidato o training. 6. **Riportare i risultati** - Note di chiusura, foto, letture, eccezioni, decisioni e risultati diventano evidenze per revisione e miglioramento del modello. ## Operatività 24/7 e apprendimento continuo Gli eventi industriali attraversano turni, weekend, meteo, cicli produttivi e finestre di manutenzione. FactVerse AI Agent può elaborare continuamente segnali, allarmi, aggiornamenti degli ordini di lavoro, ispezioni e feedback di campo connessi. I team mantengono consapevolezza sui cambiamenti rilevanti anche quando gli specialisti non stanno guardando una dashboard. Ogni attività completata aggiunge esempi: segnali anomali, cause confermate, suggerimenti respinti, riparazioni completate, note operatore, foto di ispezione e risultati misurati. Questi dati possono supportare training, retraining, valutazione e tuning di modelli di machine learning. L'agente si allinea progressivamente ai dati e ai pattern operativi del sito cliente. ## Moduli industriali tipici | Modulo | Ambito operativo | |---|---| | Manutenzione predittiva | Stato asset, spiegazione anomalie, priorità, ordine di lavoro e verifica | | HeatOps | Revisione domanda, diagnosi rete termica, supporto dispatch, lavoro stazioni e record energia-carbonio | | Ispezione e manutenzione facility | Ricerca asset, pianificazione ispezioni, troubleshooting, prove e follow-up | | Ispezione frontiera e logistica | Procedure spaziali, checklist, eccezioni, registri e passaggi tra team | | Guida operatore e training | SOP digitali, passi macchina, promemoria sicurezza e record formativi | | Operations facility semiconduttori | Contesto sub-fab e utility, revisione eventi e integrazione work order | ## Come collaborano i prodotti [Data Fusion Services](/products/dfs) prepara la base dati. [FactVerse](/products/factverse) e [FactVerse Twin Engine](/products/factverse-twin-engine) forniscono il digital twin operativo. [FactVerse AI Agent](/products/factverse-ai-agent) sintetizza evidenze, confronta pattern, prepara raccomandazioni e spiega cause probabili. [Inspector](/products/inspector), Checklist e sistemi CMMS o EAM connessi mantengono tracciabile l'esecuzione. [FactVerse Designer](/products/designer) supporta creazione scene, pianificazione virtuale, preparazione simulazione e workflow Physical AI. ## La revisione umana resta nel ciclo Le decisioni industriali incidono su sicurezza, disponibilità, contratti, conformità e vita degli asset. Task a basso rischio possono passare rapidamente a ispezione o work order. Arresti macchina, cambi di controllo, modifiche di processo o procedure regolamentate richiedono autorizzazione adeguata. Lo stesso ciclo conserva raccomandazione, revisore, azione approvata e risultato. ## Iniziare con un workflow verificabile Il primo deployment dovrebbe avere ambito chiaro, dati accessibili, owner definito e risultati misurabili: una classe di asset critica, una rotta di ispezione, un gruppo di sottostazioni, un'area data center, un processo logistico o una procedura operatore. Collegare dati e registri, definire le regole di revisione, instradare i riscontri confermati al sistema di esecuzione e usare i risultati per migliorare le raccomandazioni. ## Checklist di valutazione - Segnali, documenti e ordini sono collegati agli asset e agli spazi corretti? - L'AI Agent può spiegare le evidenze dietro una raccomandazione? - Ogni raccomandazione ha owner, percorso di approvazione e destinazione operativa? - I team possono registrare note, foto, letture, eccezioni e verifiche? - Suggerimenti respinti o corretti migliorano le raccomandazioni future? - Gli update di machine learning sono revisionati con evidenze operative? ## Riferimenti pubblici Il [lancio di FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) descrive la direzione pubblica di DataMesh per operations guidate dalla simulazione. I riferimenti [Yokogawa e DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) e [Singtel FutureNow](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) mostrano contesti correlati di digital twin operativi. --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## Perché collegare FactVerse e Omniverse La simulazione industriale richiede contesto operativo e un ambiente di simulazione ad alta fedeltà. I team operations devono mantenere asset, relazioni, dati live, ownership e significato di business. I team di simulazione lavorano con rendering, scene USD, comportamento fisico e revisione di scenari. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) collega questi livelli. Fabbriche, impianti, linee produttive, zone logistiche o scene di costruzione vengono preparate in [FactVerse](/products/factverse) e [FactVerse Designer](/products/designer), poi portate in NVIDIA Omniverse come workflow USD. È un percorso concreto per Physical AI: il digital twin mantiene il collegamento con asset reali e dati operativi, mentre Omniverse, RTX, PhysX e Newton aiutano a verificare rendering, contesto sensori, movimento, collisione, layout, flusso materiali, packaging, percorsi robot e interazioni con zone di sicurezza. ## Omniverse come layer di fondazione Il posizionamento pubblico attuale di NVIDIA presenta Omniverse come insieme di libraries, microservices, APIs e SDKs basati su OpenUSD per applicazioni Physical AI. Come CUDA fornisce building block per accelerated computing, Omniverse fornisce building block per simulazione e digital twin: OpenUSD per interoperabilità e asset SimReady, RTX per rendering e sensor simulation, PhysX e Newton per la fisica, servizi dati per scambio e sincronizzazione delle scene. Per i clienti DataMesh, questo chiarisce la divisione dei ruoli. FactVerse e Designer creano la scena di fabbrica o facility, la semantica asset, i data binding, la logica comportamentale e la preparazione SimReady. Le capacità Omniverse forniscono rendering, simulazione fisica e scambio dati integrabili in workflow industriali, simulazione robotica, strumenti partner o applicazioni custom. Riferimenti NVIDIA: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## Workflow end-to-end 1. **Costruire l'operational twin** - Modellare sito, linea, gerarchia asset, posizioni, metadati, documenti e responsabilità in FactVerse. 2. **Creare lo scenario** - Costruire layout, logica di processo, behavior tree, tempi, percorsi e varianti in FactVerse Designer. 3. **Preparare il livello USD** - Organizzare risorse USD, materiali, scala, coordinate, identità oggetti e versioni. 4. **Portare il contesto in Omniverse** - Trasferire struttura scena, metadati, data binding e comportamento tramite l'adaptor. 5. **Validare lo scenario** - Verificare rendering, movimento, collisioni, spazi, percorsi robot, flusso materiali, accessibilità e timing. 6. **Salvare le decisioni** - Registrare ipotesi, risultati, screenshot, versioni e note engineering per pianificazione, training o implementazione. ## Informazioni da trasferire | Livello | Valore | |---|---| | Gerarchia sito e scena | Mantiene ordinati edifici, zone, linee, stazioni e asset | | Identità asset | Collega risultati di simulazione ad asset reali | | Relazioni spaziali | Conserva posizione, clearance, percorsi, aree collisione e spazi di lavoro | | Metadati e semantica | Porta tipo, ruolo, ownership, documenti e relazioni di sistema | | Data binding | Riflette stati macchina, sensori, allarmi e segnali operativi | | Logica comportamentale | Porta stati, sequenze, percorsi e timing nella validazione | | Versioni | Permette confronto tra modifiche, ipotesi e risultati | ## USD, RTX, PhysX e Newton USD struttura asset, materiali, varianti, layer e collaborazione. In questo workflow diventa il ponte tra operational twin e simulazione Omniverse. RTX supporta rendering ad alta fedeltà e sensor simulation. PhysX supporta scenari sensibili alla fisica: movimento, collisione, corpi rigidi, posizionamento, interazione packaging, percorsi robot e flusso materiali. Newton aggiunge un percorso open ed estensibile per fisica robotica, apprendimento e simulazione, basato su NVIDIA Warp e OpenUSD. Il valore tecnico dipende da assunzioni chiare: scala, coordinate, proprietà oggetti, timing, vincoli, obiettivo di validazione e regole di revisione. ## Applicazioni pratiche - Rendering ad alta fedeltà di fabbrica o linea produttiva in Omniverse. - Validazione packaging e flusso materiali prima di prove fisiche. - Confronto layout per stazioni, buffer, robot, conveyor e percorsi materiali. - Pianificazione warehouse e intralogistica con picking, staging, AGV, carrelli e throughput. - Preparazione robotics, synthetic data e scenari Physical AI. ## Ruolo dei prodotti DataMesh [FactVerse](/products/factverse) gestisce struttura operativa, relazioni, governance e contesto condiviso. [FactVerse Designer](/products/designer) crea layout, logica di processo, behavior tree, timeline simulation e varianti. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) porta struttura scena, metadati, data binding e contesto comportamentale in Omniverse e USD. [Data Fusion Services](/products/dfs) collega dati live e storici quando servono stati macchina, sensori, allarmi, metriche produttive o contesto enterprise. [FactVerse Twin Engine](/products/factverse-twin-engine) fornisce runtime context per executable twins, visualizzazione, data binding e workflow operativi. ## Checklist dati - Gerarchia scena, asset ID, posizioni e nomi sono stabili. - Asset CAD, BIM, 3D e USD hanno owner e versioni. - Coordinate, scala, orientamento e origine sono allineati. - Materiali, collisioni, vincoli di movimento e timing sono documentati. - Data binding include fonte, unità, timestamp e regole di aggiornamento. - Obiettivi di simulazione sono collegati a decisioni come layout approval, robot path review, packaging validation o accessibilità. - Risultati di review sono archiviabili con versione, ipotesi, screenshot e azioni. ## Riferimenti pubblici L'annuncio [FactVerse e NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) mostra la direzione pubblica per simulation digital twins e workflow AI business. Il [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) fornisce evidenza pubblica dell'uso congiunto di FactVerse e Omniverse. [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) e [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) mostrano casi pubblici vicini su layout produttivo, intralogistica e pianificazione dell'automazione. --- ## [GUIDES] green-mark-digital-twin-brick-schema ## La preparazione Green Mark è disciplina operativa Singapore BCA Green Mark valuta performance ambientale e operation sostenibili degli edifici. Green Mark 2021 enfatizza la performance energetica e considera anche maintainability, whole-life carbon, intelligence, health and wellbeing e resilience. I criteri ufficiali BCA restano l’autorità. Per i team facility la difficoltà è costruire evidenze operative: dati energetici, relazioni tra asset, storico manutenzione, condizioni ambientali, azioni migliorative e prova che il lavoro correttivo sia stato completato. Queste informazioni sono spesso disperse tra BMS, contatori, fogli di calcolo, ticket CMMS, BIM, report di servizio e documenti dei fornitori. [DataMesh Green Transformation](/solutions/green-transformation) collega questi livelli in un digital twin operativo. Owner, operatori, consulenti, team engineering e sustainability manager possono preparare evidenze, analizzare opzioni di miglioramento e collegare sostenibilità e lavoro quotidiano. Riferimenti ufficiali: - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## Creare prima il livello di evidenze La preparazione è più solida quando le evidenze vengono strutturate continuamente. Un digital twin fornisce il contesto condiviso. La base include spazi, sistemi, asset, segnali e record di lavoro. [Data Fusion Services](/products/dfs) connette BMS, contatori, IoT, historian, CMMS ed EAM. [FactVerse](/products/factverse) mappa questi dati su spazi, asset, sistemi e workflow. ## Brick Schema rende le evidenze tracciabili Le evidenze acquistano valore nel contesto reale dell’impianto. Una lettura deve riferirsi al contatore corretto, un trend di temperatura alla zona e al sensore corretti, un problema chiller al sistema, agli asset, agli allarmi e alla manutenzione collegata. In [Inspector](/products/inspector), relazioni allineate a Brick Schema descrivono edifici, piani, zone, asset, contatori, sensori, punti e sistemi in modo coerente. I team possono capire a quale asset appartiene una prova, quale dato la supporta, quale work order l’ha chiusa e quali team devono riesaminarla. ## Riferimenti Brick Schema Per consultare direttamente lo standard, partire da queste risorse pubbliche Brick Schema: - [Sito ufficiale Brick Schema](https://brickschema.org/) - panoramica di Brick come schema metadata uniforme per edifici, con un'immagine di riferimento introduttiva. - [Documentazione utente Brick](https://docs.brickschema.org/brick/overview.html) - principi di design e concetti chiave per modellare entità e relazioni degli edifici. - [Brick modeling data sources](https://docs.brickschema.org/brick/timeseries.html) - documentazione ufficiale con un diagramma high-level del modello dati telemetry. - [Brick ontology browser](https://ontology.brickschema.org/) - riferimento navigabile per classi, relazioni e termini Brick. - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick) - sviluppo open source dello schema, release, issue e file sorgente. ## Analisi energetica e revisione tecnica DataMesh può collegare BIM/IFC, meteo, dati operativi e contesto digital twin con modelli EnergyPlus per confrontare scenari. Le analisi utili includono EUI, composizione dei carichi, orari operativi, setpoint, retrofit e priorità correttive. L’analisi supporta la decisione tecnica. Un pilot pratico stabilisce la baseline, verifica i dati, confronta le opzioni, esegue le azioni e misura il risultato usando record operativi verificati. ## Chiudere il loop con Inspector Inspector trasforma insight e richieste di prova in ispezioni, task, work order, esecuzione in campo, accettazione e verifiche. Loop pratico: 1. Connettere dati BMS, contatori, asset, ambiente e manutenzione. 2. Mappare asset e punti con relazioni Brick Schema. 3. Riesaminare consumi anomali, allarmi, lacune ispettive e record mancanti. 4. Confrontare opzioni con engineering e modellazione quando utile. 5. Creare work order e azioni correttive in Inspector. 6. Registrare chiusura, foto, note e accettazione. 7. Ricontrollare i dati operativi e conservare la traccia. ## Da dove partire Partire da un edificio, una zona campus o un gruppo di sistemi. Buoni candidati sono acqua refrigerata, orari HVAC, contatori energia, zone ad alto carico o asset con storico sufficiente. | Workstream | Output | |---|---| | Audit dati | Elenco fonti BMS, contatori, IoT, asset registry, BIM/IFC e work order | | Mapping semantico | Relazioni tra spazi, asset, contatori, sensori e sistemi | | Baseline | EUI, carichi, orari, anomalie e gap dati | | Scenario | Opzioni, ipotesi modello e note engineering | | Esecuzione | Work order Inspector, record campo, chiusura e verifica | --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## La preparazione dati precede la scala dell'AI Un progetto di AI industriale può leggere documenti ma non identificare in modo affidabile asset, luogo, segnale, work order o regola di approvazione. Nelle operations reali, la base dati conta quanto il modello. [Data Fusion Services](/products/dfs) prepara questa base in FactVerse. Connette fonti, mappa campi alle entità del digital twin, normalizza dati, calcola indicatori e rende il contesto disponibile per [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), dashboard e analytics. ## Partire dal workflow operativo La prima domanda è operativa: quale decisione o attività deve migliorare. Possibili inizi sono manutenzione predittiva, ispezioni facility, operations data center, HeatOps, sistemi facility semiconduttori, equipment logistico o SOP digitali. | Workflow | Dati iniziali | |---|---| | Manutenzione predittiva | Gerarchia asset, sensori, allarmi, storico, ispezioni, risultati work order | | Facility inspection | Spazi, asset, punti, checklist, foto, categorie problema, chiusure | | Data center | Sale, rack, impianti, contatori, allarmi, energia, manutenzione, owner | | HeatOps | Fonti termiche, sottostazioni, contatori, temperatura, pressione, flusso, meteo, dispatch | | Guida operatore | SOP, passi, riferimenti equipment, sicurezza, training, approvazioni | ## Inventariare le fonti Le fonti tipiche includono SCADA, BMS, EMS, PLC, historian, IoT, MES, ERP, CMMS, EAM, GIS, BIM, contatori, fogli, disegni, manuali, repository SOP, strumenti di ispezione, training e documenti. Per ogni fonte, documentare owner, scopo, connessione, campi, frequenza, retention, unità, timestamp, naming, rischi qualità, security e approvazioni. ## Creare identità per asset e spazi I workflow AI Agent richiedono riferimenti stabili. Pompe, AHU, UPS, scambiatori, valvole, gru, veicoli, sale, linee e sottostazioni devono essere riconosciuti tra sistemi. FactVerse e Twin Engine usano questa identità per collegare spazi, equipment, sistemi, relazioni, documenti, segnali e work order. Data Fusion Services mappa campi e tag agli oggetti corretti del twin. ## Preparare segnali, eventi ed esecuzione Temperatura, vibrazione, corrente, pressione, flusso, energia, stato valvola, stato allarme e stato equipment richiedono unità, timestamp, regole di campionamento e marker qualità. Work order, ispezioni, foto, SOP e accettazioni aggiungono il contesto di esecuzione. Per il machine learning, il dataset utile combina segnale, contesto asset, stato operativo, decisione umana, azione eseguita e risultato. Questi dati supportano training, retraining, valutazione e tuning delle raccomandazioni. ## Pattern di rollout DataMesh 1. **Scegliere il workflow** - Un loop operativo con owner e risultato misurabile. 2. **Inventariare fonti** - Sistemi, tag, documenti, owner, accesso e rischi qualità. 3. **Modellare identità** - Spazi, asset, sistemi, relazioni e alias in FactVerse. 4. **Mappare e normalizzare** - Connettere fonti, legare campi a entità, uniformare unità e tempo. 5. **Collegare esecuzione** - Inspector, Checklist, CMMS/EAM, SOP, prove e approvazioni. 6. **Preparare AI review** - Fornire contesto affidabile a FactVerse AI Agent. 7. **Catturare risultati** - Usare evidenze di campo e letture post-azione per migliorare dati e modelli. ## Checklist - Il workflow ha owner e risultato misurabile? - Fonti, documenti, tag e record sono inventariati? - Asset e spazi sono mappati in modo coerente? - Unità, timestamp, sampling e rischi qualità sono documentati? - Work order, ispezioni, SOP, foto e accettazioni sono connessi? - L'AI Agent spiega le raccomandazioni con evidenze tracciabili? - Review umane, suggerimenti respinti e risultati alimentano la valutazione ML? ## Riferimenti pubblici La [pagina Data Fusion Services](/products/dfs) descrive il layer dati di FactVerse. La [guida FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) spiega il passaggio da raccomandazione a esecuzione verificata. I riferimenti [Yokogawa e DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) e [JTC](/about/news/collaboration-between-jtc-datamesh) mostrano esempi pubblici. --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## La governance inizia quando il dato guida una decisione La governance dei dati industriali inizia quando un segnale, allarme, valore di contatore, work order, nota di ispezione, documento o indicatore calcolato influenza una decisione operativa. Per un digital twin operativo, la connessione del dato non basta. Il team deve conoscere sorgente, asset o spazio descritto, unita, regola temporale, owner del mapping, affidabilita del valore e workflow AI Agent o dashboard che lo usano. [Data Fusion Services](/products/dfs) supporta questa disciplina nello stack FactVerse: connette sistemi sorgente, mappa dati alle entita del twin, pulisce e normalizza campi, calcola indicatori, prepara data mart e collega il contesto live al twin. ## Cosa governare con DFS | Area | Domanda pratica | Valore | |---|---|---| | Sorgente | Quale sistema possiede il valore e chi ne approva l'uso? | Chiarisce la responsabilita | | Accesso | Quale ruolo, sito o boundary puo leggere il dato? | Protegge dati sensibili | | Entita | Quale asset, spazio, sistema o workflow descrive? | Trasforma tag grezzi in contesto | | Unita e tempo | Quale unita, fuso, sampling e aggregazione valgono? | Rende confrontabili trend e allarmi | | Qualita | Il valore e mancante, vecchio, interpolato o fuori range? | Mostra la forza dell'evidenza | | Lineage | Quale connector, mapping, transform e release lo producono? | Supporta audit e troubleshooting | | Consumatori | Quali dashboard, AI flow, report o ticket lo usano? | Valuta l'impatto prima del cambio | ## Governare per identita operativa Lo stesso oggetto puo avere nomi diversi in SCADA, historian, CMMS, BIM e nel linguaggio di campo. La governance deve collegare questi alias a un'identita operativa stabile. FactVerse fornisce contesto condiviso per spazi, asset, sistemi, relazioni, documenti, binding dati e workflow. Data Fusion Services mappa campi e tag sorgente a quel contesto, collegando ogni valore all'asset, al luogo e al loop operativo corretti. L'identita dovrebbe coprire sito, edificio, piano, zona, stanza, linea, route, classe asset, asset ID, owner, stato lifecycle, relazioni di sistema, alias, documenti, SOP, punti di ispezione, riferimenti work order e boundary di permesso. ## Qualita, lineage e controllo modifiche Le serie temporali e gli eventi cambiano continuamente. Le regole devono coprire valori mancanti, soglie di stale data, conversioni di unita, timestamp, sampling, aggregazione, outlier, sostituzione sensori, logica di allarme e formule KPI. I dati industriali cambiano spesso senza visibilita: un punto BMS rinominato, un contatore sostituito, un tag historian migrato, un campo CMMS reinterpretato, una formula modificata. Il twin puo sembrare corretto mentre il dato sottostante non lo e. Un change record dovrebbe includere sorgente, connector, tag o formula modificata, asset e workflow impattati, consumatori downstream, reviewer, stato approvazione, data effettiva, rollback ed evidenza di validazione. ## Accesso, evidenza e machine learning I dati operativi possono contenere stanze riservate, layout cliente, stati di produzione, salute asset, profili energetici, note di manutenzione e record di servizio. I confini di accesso devono restare chiari nel twin. [Inspector](/products/inspector) e i sistemi di lavoro connessi registrano chi ha rivisto un finding, quale azione e stata presa, quale evidenza e stata raccolta e se la condizione e migliorata. Questi record diventano dati di governance per AI review e machine learning. Il machine learning richiede segnale, contesto asset, stato operativo, decisione umana, azione e risultato. La governance conserva feature, filtri qualita, label da work order, versioni modello, suggerimenti rifiutati e risultati post-action. ## Pattern di rollout DataMesh 1. **Scegliere un decision loop** - Predictive maintenance, inspection, data center asset review, energy evidence o digital SOP. 2. **Nominare data owner** - Sorgenti, identita, mapping, qualita, calcoli, accessi e workflow downstream. 3. **Mappare l'identita operativa** - Allineare spazi, asset, sistemi, relazioni, documenti, workflow e alias in FactVerse. 4. **Connettere e governare** - Usare Data Fusion Services per connettere, mappare, normalizzare, allineare timestamp, calcolare e marcare qualita. 5. **Registrare consumatori** - Dashboard, AI Agent, moduli Inspector, report e dataset ML. 6. **Rivedere prima del rilascio** - Tag, formule, connector e permessi. 7. **Catturare outcome** - Evidenze di campo, decisioni di review e valori post-action. 8. **Migliorare le regole** - Eccezioni, mapping falliti, dati stale, suggerimenti AI rifiutati e feedback campo. ## Checklist - Ogni sorgente ha owner business e tecnico? - Identita di asset, spazi, sistemi e workflow sono coerenti? - Unita, timestamp, sampling e regole qualita sono visibili? - Gli indicatori calcolati hanno formula, owner e data review? - Il lineage resta visibile dal connector al consumatore downstream? - Dashboard, AI Agent, report e dataset sono registrati? - Spazi sensibili, record cliente e documenti riservati sono protetti? - Evidenze campo e work order alimentano review e ML? ## Riferimenti pubblici La [pagina Data Fusion Services](/products/dfs) descrive il layer di integrazione dati di FactVerse. La [guida Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness), la [guida Operational Digital Twin Model Governance](/resources/guides/operational-digital-twin-model-governance-after-go-live) e la [guida Industrial Knowledge Graphs](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) coprono i fondamenti collegati. --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## Il livello mancante è il significato L'AI industriale deve sapere a cosa si riferisce una domanda. Espressioni come "chiller 2", "linea 4", "umidità cleanroom" o "la pompa dietro l'allarme" devono risolversi in asset, spazio, segnale, documento e responsabile reali. Un knowledge graph industriale fornisce questo livello semantico. Collega gli oggetti del sito e registra le loro relazioni. [FactVerse](/products/factverse) usa questo modello per allineare scene digital twin, dati operativi, documenti e ragionamento AI allo stesso contesto fisico. ## Che cosa modella il graph | Area | Entità tipiche | |---|---| | Struttura spaziale | sito, edificio, piano, stanza, zona, linea, rack, baia, area esterna | | Asset fisici | equipment, contatori, sensori, valvole, pompe, robot, veicoli | | Sistemi | HVAC, acqua refrigerata, aria compressa, energia, utility di processo, sicurezza, logistica | | Data point | tag, allarmi, indicatori calcolati, setpoint, stati | | Oggetti knowledge | SOP, manuali, disegni, riferimenti BIM/CAD, template di ispezione | | Eventi | allarmi, ispezioni, manutenzione, approvazioni, handover | | Responsabilità | owner, operatore, team service, revisore, classe rischio, permessi | Il valore emerge quando il modello risponde a domande di relazione. ## Esempi di relazione | Relazione | Domanda supportata | |---|---| | asset localizzato in spazio | Dove si trova l'equipment dietro l'allarme? | | equipment serve zona | Quali aree sono influenzate da questa AHU? | | punto misura equipment | Quale sensore ha prodotto questo trend? | | contatore misura sistema | A quale loop di acqua refrigerata appartiene questa lettura? | | asset appartiene a sistema | Quali asset upstream e downstream contano? | | asset ha procedura | Quale SOP vale prima di ispezione o manutenzione? | Queste relazioni danno all'AI Agent un percorso dalla domanda all'evidenza. ## Uso in FactVerse [Data Fusion Services](/products/dfs) mappa nomi, tag, documenti e record dei sistemi sorgente in un modello coerente. La stessa pompa, contatore o stanza può avere nomi diversi in BMS, SCADA, CMMS, BIM, fogli e disegni. [FactVerse Twin Engine](/products/factverse-twin-engine) collega questa identità al modello spaziale. Un segnale appare sull'oggetto 3D corretto, un documento viene associato all'asset corretto e le relazioni di sistema diventano una rete consultabile. [FactVerse AI Agent](/products/factverse-ai-agent) può recuperare evidenze seguendo il graph: dall'allarme all'asset, dall'asset al sistema, dal sistema alle zone interessate, poi a SOP e registri storici. ## Brick Schema e semantica facility Per edifici e facility, [Brick Schema](https://brickschema.org/) è un riferimento pubblico utile. Offre vocabolario per equipment, punti, luoghi, contatori, sensori e relazioni. DataMesh può allineare modelli facility a una semantica stile Brick quando riduce ambiguità. Siti industriali più ampi spesso aggiungono linee produttive, sistemi sub-fab, aree logistiche, utility pulite, zone magazzino, celle robotiche, postazioni operatore e asset di simulazione. ## AI Grounding e ricerca spiegabile I knowledge graph rendono le risposte AI più tracciabili. L'AI Agent può usare il graph per restringere il perimetro delle prove prima di leggere documenti e record. Se un facility engineer chiede perché una zona ha allarmi ripetuti di umidità, il graph può identificare zona, sensori, AHU, asset di acqua refrigerata collegati, allarmi recenti, ispezioni e SOP rilevanti. L'AI Agent sintetizza poi le evidenze con riferimenti chiari. ## Governance Un knowledge graph richiede manutenzione. Ristrutturazioni, sostituzioni e riconfigurazioni cambiano asset ID, alias, relazioni, mapping dei punti e link documentali. La governance copre fonte autorevole, regole di naming, ownership delle relazioni, provenienza delle prove, confidenza dei mapping importati, accesso per ruolo e storico modifiche. ## Avvio mirato | Tipo di domanda | Semantica minima | |---|---| | Contesto asset | asset, luogo, sistema, owner, documenti, punti live | | Stato facility | zona, equipment che serve la zona, sensori, allarmi, punti di controllo | | Review energia | contatore, sistema, spazio, gruppo equipment, indicatore | | Ricerca SOP | classe asset, tipo task, SOP, nota sicurezza, ruolo richiesto | | Review causa | evento, asset correlato, sistemi upstream e downstream, record recenti | Espandere quando il primo modello risponde in modo affidabile a domande reali. ## Riferimenti pubblici La pagina [FactVerse](/products/factverse) descrive la piattaforma che collega Twin Engine, AI Agent, Data Fusion Services e applicazioni. La guida [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) mostra come la semantica facility stile Brick aiuta a tracciare evidenze operative. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## Perché i synthetic data industriali hanno bisogno di un twin I dati reali dei robot sono preziosi. Negli ambienti industriali, raccolta, ripetizione e copertura degli stati operativi richiedono però molto lavoro. Gli impianti includono casi rari: corsie bloccate, pallet spostati, cabinet aperti, luce variabile, persone in movimento, cambi turno e stati macchina temporanei. I synthetic data aiutano i team a coprire questa variabilità in modo controllato. Per Physical AI industriale, i dati dovrebbero nascere da una scena che conosce asset, geometria, regole operative, posizioni sensori, obiettivi task e stato processo. Il digital twin porta questo contesto nella pipeline dati. [DataMesh Robotics](/products/robotics) usa lo stack DataMesh per preparare scene industriali, generare dati multimodali e collegare gli output a workflow di simulazione e training robotico. ## Cosa rende diverse le scene industriali | Layer | Cosa serve alla pipeline | |---|---| | Identità asset | Nomi equipment, tipi oggetto, versioni modello e link al twin operativo | | Contesto spaziale | Zone, corsie, aree accesso, clearance, coordinate e safety area | | Stato processo | Stato linea, stato stazione, step lavoro, eccezione e timing evento | | Setup sensori | Camera, depth, LiDAR, posa robot, field of view, calibrazione, modello rumore e sampling | | Proprietà fisiche | Massa, attrito, joints, vincoli, comportamento materiale e ipotesi di contatto | | Label e metadati | Segmentation, bounding box, instance ID, depth, pose, trajectory, task state e variabili scena | | Record di review | Versione dataset, versione scena, ipotesi, recipe generazione, risultati qualità e note approvazione | Questa struttura rende chiaro cosa rappresenta un dataset e come può essere riprodotto o regolato. ## Workflow DataMesh 1. **Modellare l'ambiente** - Creare fabbrica, facility, warehouse, workcell o area ispezione in FactVerse con asset, zone, metadati e relazioni. 2. **Authoring del comportamento** - Definire layout variants, logica processo, movimento oggetti, step task, eventi e timing in FactVerse Designer. 3. **Preparare asset di simulazione** - Allineare CAD, BIM, 3D, OpenUSD, materiali, scala, coordinate e regole SimReady. 4. **Configurare sensori e task** - Definire camere, sensori depth, viste robot, oggetti target, obiettivi, criteri e vincoli. 5. **Generare dati etichettati** - Produrre RGB, depth, segmentation, bounding box, instance ID, pose, trajectories, stato processo e metadati scena. 6. **Esportare agli stack di training** - Pacchettizzare dataset e asset scena per training robotico, valutazione, Isaac Sim / Omniverse o toolchain enterprise. 7. **Review e iterazione** - Tracciare qualità, copertura scena, coerenza label, copertura task e risultati downstream. ## Ruoli nello stack DataMesh [FactVerse](/products/factverse) conserva struttura sito, asset, relazioni, contesto dati, permessi e record scena. [FactVerse Twin Engine](/products/factverse-twin-engine) fornisce runtime context per twin eseguibili: geometria, data binding, comportamento e stato interazione. [FactVerse Designer](/products/designer) crea layout, logica processo, behavior tree, step task e varianti scenario. [DataMesh Robotics](/products/robotics) copre synthetic data, output label, task definition, reward setup e preparazione pipeline robotica. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) collega scene FactVerse a workflow OpenUSD e Omniverse per rendering, sensor simulation, validazione fisica e tool esterni. [Data Fusion Services](/products/dfs) collega dati live e storici quando servono stato equipment, allarmi, segnali produzione o contesto facility. ## Checklist specifica dataset - Robot, sensore, modello o stack training target. - Scope ambiente, versione scena, asset list e coordinate. - Scope task, oggetti target, stati processo e criteri successo. - Configurazione sensori, camera path, viste, calibrazione e ipotesi rumore. - Regole variazione per luce, materiali, placement, stato equipment, route e timing. - Output richiesti: RGB, depth, segmentation, bounding box, pose, trajectory e metadati scena. - Controlli qualità su coerenza label, copertura classi, precisione spaziale e copertura scenario. - Formato export, naming, versione dataset e owner review. ## Punti di partenza pratici - **Dataset percezione**: immagini etichettate e depth per oggetti industriali, equipment, tool, pallet, signage, fixture e aree lavoro. - **Ispezione**: viste e label per asset, panel, gauges, tubazioni, cabinet e aree difficili. - **Robot mobili**: corsie, ostacoli, route state, staging area, docking point e condizioni facility variabili. - **Manipolazione e contatto**: posa oggetto, materiali, vincoli presa, stato contatto e sequenza task. - **Pianificazione fabbrica e warehouse**: layout variants, material flow, robot path e vincoli operativi prima dei test fisici. ## Metriche qualità e governance - Copertura scene per area, classe oggetto e stato processo. - Coerenza label tra frame e versioni scena. - Variazione di luce, placement, occlusione, stato oggetto e posa sensore. - Coerenza fisica di scala, collisione, contatto, route e timing. - Qualità integrazione nel simulatore o training stack. - Tracciabilità da versione dataset a scena, recipe e ipotesi. - Lezioni da model evaluation o review di simulazione robotica. ## Riferimenti pubblici Il [lancio di DataMesh Robotics](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) descrive la direzione pubblica per dati sintetici, twin industriali eseguibili, task objectives, reward setup e pipeline robotica. Il [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) mostra digital twin di simulazione DataMesh con FactVerse e NVIDIA Omniverse. L'[articolo FactVerse e NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) spiega come il contesto scena FactVerse si collega ai workflow Omniverse. --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## L'accuratezza è una pratica operativa Il valore di un digital twin dopo il go-live dipende dall'allineamento continuo con il sito. Le apparecchiature vengono sostituite, gli spazi cambiano, i sensori sono rinominati, i percorsi manutentivi si aggiornano e i permessi diventano più precisi. La governance del modello definisce responsabili, cambiamenti che attivano update, revisione, pubblicazione versioni e uso della versione approvata da parte delle applicazioni. Per AI Agent e Physical AI, questa governance protegge il contesto usato per reasoning, simulazione e revisione delle raccomandazioni. ## Cambiamenti dopo il go-live | Fonte | Impatto | |---|---| | Sostituzione equipment | ID asset, geometria, documenti, storico e binding dati | | Cambio layout | Gerarchia spaziale, accessi, confini sicurezza e permessi | | Rinomina sensore o misuratore | Mapping DFS, unità, storico trend e dashboard | | Aggiornamento procedura | Link SOP, template ispezione, guida e regole approvazione | | Ristrutturazione o ampliamento | BIM, CAD, nuvole di punti e versioni as-built | | Cambio relazione sistema | Dipendenze, zone impattate e contesto allarmi | | Cambio permessi | Spazi sensibili, aree cliente e record limitati | Questi cambiamenti devono entrare in una coda controllata. ## Governare per livelli | Livello | Oggetti di governance | |---|---| | Modello spaziale | Sito, edificio, piano, stanza, zona, percorso, accesso, limite sicurezza | | Modello asset | ID, nome, classe, gerarchia, owner, stato lifecycle | | Modello sistema | Energia, raffreddamento, aria, acqua, utility, logistica, controllo | | Geometria | BIM, CAD, 3D, nuvola di punti, versione sorgente, peso, dettaglio | | Binding dati | Sensori, misuratori, allarmi, stati, indicatori, regole refresh | | Documenti e SOP | Manuali, disegni, istruzioni, template ispezione, prove accettazione | | Permessi | Ruoli, spazi sensibili, layout cliente, documenti riservati | | Scene applicative | Scene Designer, form Inspector, dashboard, training, simulazioni | Questa vista evita di trasformare la manutenzione del twin in un problema di file. ## Processo di aggiornamento 1. **Catturare il cambiamento** - Campo, progetto, ispezione, CMMS, BMS o point cloud review crea una richiesta. 2. **Classificare l'impatto** - Geometria, identità asset, relazioni sistema, dati, documenti, permessi o scene. 3. **Aggiornare la fonte** - Registro asset, BIM/CAD, point cloud, mapping, repository documenti o libreria procedure. 4. **Preparare la release twin** - Designer, Twin Engine e Data Fusion Services aggiornano il modello runtime. 5. **Revisionare con evidenza campo** - Posizione, ID, binding dati, stato visivo, link documenti e permessi. 6. **Pubblicare una versione** - Versione approvata con note, reviewer, aree impattate e riferimento rollback. 7. **Notificare i consumatori** - Dashboard, Inspector, AI Agent, simulazioni e training usano la versione approvata. 8. **Auditare il risultato** - Confermare la risoluzione della discrepanza. ## I dati richiedono revisione dedicata Un binding dati può rompersi senza cambiamenti visivi. Tag, misuratori, intervalli di campionamento o formule possono cambiare. La scena 3D può apparire corretta mentre il contesto live punta a una fonte precedente. [Data Fusion Services](/products/dfs) aiuta a gestire mapping tra sistemi sorgente ed entità twin. Per binding critici servono sorgente, tag, unità, regola temporale, qualità, frequenza e responsabile. Per AI Agent, questa tracciabilità è importante perché le raccomandazioni dipendono da relazioni tra segnali, asset, spazi, documenti e storico campo. ## Evidenza campo per chiudere il ciclo [Inspector](/products/inspector) può registrare problemi, foto, risultati ispezione, azioni correttive e record lavoro sull'asset o spazio interessato. Le evidenze utili includono foto attuale, ID visibile, stanza o percorso, workflow impattato, correzione proposta, urgenza, reviewer e chiusura. La manutenzione del modello diventa così un processo operativo verificabile. ## Governance per AI e simulazione AI Agent, simulazione e Physical AI devono usare contesto modello approvato. La versione deve indicare geometrie, relazioni asset, binding dati, documenti e ipotesi attive quando una raccomandazione o simulazione è stata generata. Questa tracciabilità aiuta a confrontare release e distinguere cambiamento operativo, qualità dati, update modello o modifica del workflow AI. ## Ritmo operativo * revisione quotidiana di discrepanze urgenti e binding rotti * revisione settimanale di asset, documenti, permessi e workflow * revisione mensile di qualità modello e drift delle fonti * note di release per ogni update produttivo * riferimento rollback per cambiamenti maggiori * owner nominati per sito, sistema e libreria asset ## Checklist * Ogni spazio, asset, sistema e binding dati ha un owner? * I cambiamenti campo seguono un percorso approvato? * Le fonti sono aggiornate prima del runtime twin? * Le versioni hanno note e reviewer? * Spazi sensibili e documenti riservati sono protetti? * Le evidenze Inspector possono attivare update? * AI Agent e simulazioni referenziano la versione usata? ## Riferimenti pubblici La [guida BIM, CAD e nuvole di punti](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline) descrive la preparazione prima del go-live. La [guida Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) descrive la base dati per AI Agent e twin operativi. La [guida Industrial Knowledge Graphs](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) descrive le relazioni semantiche tra asset, spazi, sistemi, segnali, documenti e reasoning AI. --- ## [GUIDES] Training operatori pharma e SOP digitali per evidenze GMP/CSV ## Le operations regolamentate dipendono da operatori qualificati Gli stabilimenti pharma e biopharma combinano equipment automatizzato, sale controllate, utilities, sistemi qualità ed esecuzione umana qualificata. Molti passaggi produttivi dipendono da operatori formati per setup, pulizia, sampling, pesata, assemblaggio, disassemblaggio, line clearance, ispezione, handoff e risposta alle eccezioni. La sfida principale è la coerenza. I team devono usare la stessa versione procedura, lo stesso contesto equipment, riferimento visivo, nota sicurezza, istruzione per ruolo e record evidenza tra turni, siti e gruppi di training. Un workflow SOP basato su digital twin offre un contesto operativo condiviso. Collega spazi, equipment, step procedurali, record training, task ispezione, work order, foto, note review e storico cambiamenti intorno ad asset e aree processo reali. ## Cosa deve contenere una SOP digitale | Livello | Dettaglio operativo | |---|---| | Versione procedura | SOP approvata, revisione, data effettiva, audience training e owner | | Contesto spaziale | Sala, zona, equipment, connessione utility, percorso accesso e limite sicurezza | | Step task | Setup, preparazione materiali, pulizia, sampling, ispezione, conferma, handoff e closeout | | Guida visuale | Modello 3D, animazione, label, immagine, video, checkpoint e prompt operatore | | Ruolo e training | Ruolo richiesto, training completato, risultato assessment, ciclo refresher e storico coorte | | Record esecuzione | Operatore, tempo, asset, stato step, foto, nota, eccezione, work order e verifica | | Storico cambiamenti | Revisione SOP, cambio asset, content review, aggiornamento training e percorso approvazione | Il risultato utile è un record che mostra quale procedura è stata usata, a quale asset o area si applica, chi è stato formato, cosa è stato eseguito, cosa è stato osservato e come il risultato è stato rivisto. ## Workflow DataMesh 1. **Raccogliere fonti procedurali** - Unire SOP, istruzioni lavoro, materiale training, modelli equipment, foto, video, liste asset, contesto sala, record manutenzione e requisiti review qualità. 2. **Costruire il contesto operativo** - Usare FactVerse per collegare sale, equipment, utilities, documenti, aree processo, storico asset e responsabilità di ruolo. 3. **Creare procedure guidate** - Usare Director per SOP 3D, scenari training, prompt step, checkpoint, animazioni, label e contenuto pronto per review. 4. **Distribuire training e guida sul campo** - Usare DataMesh One e device mobile o XR affinché gli operatori imparino ed eseguano nello stesso contesto asset. 5. **Catturare evidenze di esecuzione** - Usare Inspector e Checklist per registrare ispezioni, task, foto, note, eccezioni, azioni correttive, work order e stato verifica. 6. **Collegare dati operativi** - Usare Data Fusion Services per legare stato asset, allarmi, storico manutenzione, documenti e record enterprise dove serve al workflow. 7. **Rivedere e migliorare** - Usare record coerenti per quality review, retraining, analisi eventi anomali, chiusura manutenzione e preparazione evidenze CSV. Operations, qualità, training ed engineering condividono così una traccia rivedibile dal training all'esecuzione. ## Dove iniziare - **Onboarding operatori**: insegnare layout sala, identità equipment, aspettative di esecuzione pulita e handoff frequenti prima del lavoro produttivo. - **Setup e changeover**: guidare setup, assemblaggio, disassemblaggio, verifica e line clearance con controlli visuali. - **Pulizia e ispezione**: collegare guida step, evidenza fotografica, risultati ispezione e azioni correttive all'asset o area rilevante. - **Sampling e pesata**: fornire prompt, contesto equipment, istruzioni per ruolo e record di completamento per lavoro ripetibile. - **Supporto manutenzione e calibrazione**: collegare storico equipment, task campo, work order, note accettazione e riferimenti SOP. - **Deviation e abnormal review**: raccogliere cosa è accaduto, dove, quale step è coinvolto e quale follow-up è stato completato. Un buon pilota riguarda una procedura con alto carico training, problemi ricorrenti di handoff o requisiti evidenza forti. ## Struttura evidenze GMP e CSV I programmi GMP richiedono pratiche di produzione controllate, ripetibili e tracciabili. Per l'esecuzione SOP questo significa ownership versione, personale formato, step approvati, record affidabili ed eccezioni rivedibili. I programmi CSV guardano ai sistemi computerizzati usati in workflow regolamentati. Per SOP digitali e workflow ispezione, evidenze utili includono intended use, system scope, ruoli accesso, version control, workflow record, storico cambiamenti, prove test e materiali quality review. DataMesh supporta questa struttura mantenendo procedure, training completato, record lavoro, evidenze ispezione, storico asset, azioni correttive e record cambiamenti collegati al contesto processo-equipment. ## Ruoli dei prodotti [Director](/products/director) crea SOP 3D guidate, scenari training, animazioni, label, checkpoint e istruzioni campo. [Inspector](/products/inspector) gestisce ispezioni, work order, record riparazione, cattura evidenze, verifica e storico campo. [Checklist](/products/checklist) supporta task ricorrenti, form strutturati, record completamento ed esecuzione mobile. [FactVerse](/products/factverse) fornisce contesto digital twin operativo per spazi, asset, documenti, workflow e data binding. [Data Fusion Services](/products/dfs) collega DCS, SCADA, historian, CMMS, EAM, LIMS, allarmi, sensori, documenti e sistemi enterprise quando l'integrazione dati rientra nello scope. [FactVerse AI Agent](/products/factverse-ai-agent) può sintetizzare problemi ricorrenti, trend anomali e storico lavori correlato per team qualificati. ## Checklist governance - Versioni SOP, owner, date effettive e audience training sono registrati? - Identificativi di sala, equipment, utility, documento e asset sono coerenti tra sistemi? - Training completato, assessment e refresher sono collegati alla versione procedura corretta? - I task campo sono collegati ad asset, area, step, ruolo operatore e stato review corretti? - Foto, note, eccezioni, azioni correttive e record verifica sono strutturati per review future? - Ruoli accesso, approvazione contenuto, change review e release control sono documentati? - System scope, intended use, storico versioni e record test sono disponibili per preparazione CSV? - Owner qualità, operations, training, engineering e maintenance sono allineati prima del rollout? Questi controlli trasformano il contenuto SOP digitale in un sistema di evidenze operative. ## Riferimenti pubblici La [referenza Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) mostra digitalizzazione di processi manutenzione e training frontline. La [referenza Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) mostra FactVerse per training e workflow manutenzione. La [referenza expressway safety training](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) mostra digital twin e mixed reality per migliorare training pratico. La [referenza Yokogawa e DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra il collegamento tra segnali facility industriali e review manutenzione. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## Un livello intermedio più rapido per validare i processi I progetti di linea e packaging spesso passano tra layout statici, simulazione a eventi discreti, analisi agli elementi finiti, CFD e prove fisiche. Molti problemi pratici emergono nel mezzo: orientamento dei pacchi, collisioni, scorrimento, impilamento, timing di passaggio, accesso robot, portata operatore e interazione tra macchine. Workflow moderni attorno a Omniverse, NVIDIA Isaac Sim, PhysX e Newton creano un livello intermedio rapido. I team di engineering e operations possono testare più scenari fisici nel digital twin, quindi scegliere pochi casi per analisi dettagliata o prove fisiche. Il target di accuratezza è diverso da un modello FEM calibrato. Il valore arriva da velocità, copertura degli scenari, review condivisa e scoperta anticipata dei problemi. Per DataMesh, questo è un ampliamento naturale di [FactVerse Designer](/products/designer). Designer costruisce scena produttiva, logica di processo, behavior tree, varianti di layout e scenari timeline. Il [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) porta quel contesto in workflow OpenUSD e Omniverse. Da lì i team possono preparare scene Isaac Sim con fisica PhysX, rendering RTX, modelli robot e sensori; quando lo scenario passa verso robotica o Physical AI, Isaac Lab o Newton completano il percorso. ## Dove la simulazione tradizionale rallenta | Metodo | Utile per | Vincolo tipico | |---|---|---| | Layout statico | Spazio, posizione macchine, accesso, allineamento | Poche evidenze su movimento e interazione | | Eventi discreti | Throughput, code, utilizzo, buffer, risorse | Geometria e fisica semplificate | | Elementi finiti | Stress, deformazione, materiale, struttura | Modellazione e calcolo più lenti | | CFD | Aria, fluidi, termica, pressione, contaminazione | Modelli specialistici e iterazioni lunghe | | Prove fisiche | Fiducia finale e feedback operatori | Costo, tempi, sicurezza e copertura limitata | La simulazione fisica di processo aiuta a chiedere prima: cosa vede il team se un cartone urta una guida, un vassoio si inclina, una consegna robot arriva tardi o un buffer si riempie? ## Cosa aggiungono Isaac Sim, PhysX e Newton NVIDIA descrive Isaac Sim come framework di riferimento open source costruito su Omniverse libraries per simulazione robotica, test e generazione di dati sintetici in ambienti virtuali fisicamente basati. Può importare CAD, URDF, MJCF e contesto acquisito, convertirli in USD e comporre scene con materiali, fisica, modelli robot e sensori. PhysX è la base fisica dentro il percorso Isaac e Omniverse. La documentazione Isaac Sim descrive la simulazione centrale come motore PhysX GPU ad alta fedeltà, con rendering RTX multi-sensore su scala industriale. Per le linee produttive supporta review di movimento, collisione, corpi rigidi, posizionamento, flusso materiali, spazi, portata robot e zone di sicurezza. Isaac Lab e Newton estendono il workflow verso robot learning e simulazioni ricche di contatto. NVIDIA descrive Isaac Lab come framework modulare open source e accelerato GPU per robot learning. NVIDIA descrive Newton come motore fisico aperto ed estensibile su Warp e OpenUSD, con direzione pubblica su accelerazione GPU, fisica differenziabile, solver collegabili, simulazione rigida e deformabile e integrazione Isaac. Questo conta quando la simulazione di processo si avvicina a policy robotiche, contatto tattile, materiali flessibili, deformazione packaging, cavi o workflow Physical AI. La profondità fisica deve seguire la decisione. Un layout packaging può richiedere controlli rapidi di movimento e collisione. Un task robotico di inserzione può richiedere contatto più avanzato. Un problema di cedimento materiale resta materia di analisi specialistica. ## Validazione del processo packaging Il packaging è un caso forte perché piccoli dettagli fisici cambiano l'esito operativo. Un test virtuale può esplorare: * orientamento, distanza e timing di passaggio * velocità conveyor, guide, deviatori, stop e buffer * movimento di vassoi, cartoni, bottiglie, pouch o case negli impianti * scorrimento, ribaltamento, impilamento, rimbalzo, contatto e collisione * portata robot, approccio gripper, envelope di lavoro e zone di sicurezza * portata operatore, accesso manutenzione, recupero jam e viste ispettive * varianti di linea prima di spostare macchine o cambiare attrezzaggio L'obiettivo è filtrare prima. I team confrontano più opzioni, trovano problemi fisici evidenti e preparano domande migliori per la validazione dettagliata. ## Workflow DataMesh 1. **Costruire la scena operativa** - Modellare linea, cella packaging, macchine, stazioni, buffer, percorsi, accessi e identità asset in FactVerse. 2. **Authoring della logica processo** - Definire behavior tree, timing, transizioni, route materiale, fault, recovery e varianti in Designer. 3. **Preparare asset di simulazione** - Allineare scala, coordinate, geometrie collisione, ipotesi materiale, massa, attrito, vincoli e versioni. 4. **Entrare nel workflow fisico** - Usare FactVerse Adaptor for NVIDIA Omniverse per portare contesto in OpenUSD e Omniverse. Quando c'è robotica nello scope, preparare scene Isaac Sim con fisica, materiali, modelli robot e sensori. 5. **Eseguire test virtuali rapidi** - Rivedere movimento, collisione, contatto, posizionamento, passaggi, buffer, accesso operatore e robot tramite il percorso Omniverse, Isaac Sim, PhysX o Newton adatto. 6. **Confrontare scenari** - Registrare quale variante di layout, timing, materiale o macchina funziona meglio sotto le ipotesi. 7. **Approfondire i casi scelti** - Portare casi critici a FEM, CFD, engineering fornitore o prove fisiche. 8. **Conservare evidenza** - Salvare ipotesi, setting, risultati, screenshot, issue e approvazioni con la versione scenario. Così la pianificazione virtuale resta collegata alla governance engineering. ## Dove questo livello è utile La simulazione fisica di processo è forte per confronti rapidi: * screening packaging iniziale * review di conveyor, material handling e buffer * validazione layout e spazi * scoperta di collisioni e jam risk * accesso robot e operatore * interazione macchine e timing di passaggio * preparazione virtual commissioning * preparazione scenari Physical AI * review con engineering, operations, sicurezza e fornitori L'output supporta il giudizio engineering. Riduce lo spazio delle opzioni e concentra la validazione costosa sugli scenari rilevanti. ## Dove servono ancora metodi ad alta precisione FEM, CFD, test materiali e prove fisiche restano adatti per risposte finali su stress, fatica, rottura, sigillatura, termica, aria, liquidi, contaminazione e soglie qualità. Anche i motori fisici richiedono calibrazione. Attrito, rigidezza, damping, restituzione, massa, semplificazione geometrica, contatti e parametri solver influenzano i risultati. Packaging flessibile, liquidi, polveri, adesivi, calore, usura e rottura possono richiedere modelli specialistici o esperimenti. Il miglior uso tratta la simulazione fisica rapida come filtro engineering: formulare domande migliori prima e scegliere target di validazione migliori. ## Metriche da seguire | Area | Metriche utili | |---|---| | Velocità iterazione | tempo setup, numero varianti, ciclo review, tempo al primo problema | | Copertura scenario | layout, velocità, tipi packaging, stati fault, condizioni accesso | | Qualità modello | errore scala, ipotesi materiale, geometria collisione, evidenza calibrazione | | Valore engineering | problemi trovati prima del test, varianti scartate, scope ridotto | | Qualità trasferimento | differenza tra virtuale e fisico, tipi di mismatch ripetuti | | Governance | versione scenario, setting fisici, versione asset, reviewer, decisione | Le metriche mantengono utile la simulazione. Un modello rapido con ipotesi confuse crea rumore; un modello rapido con ipotesi tracciabili crea leva engineering. ## Ruoli prodotto [FactVerse Designer](/products/designer) è l'ambiente per layout, behavior tree, logica processo, scenari timeline e varianti. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) collega il contesto FactVerse a OpenUSD e Omniverse per rendering, validazione fisica, preparazione di scene Isaac Sim e simulazione avanzata. [FactVerse](/products/factverse) e [FactVerse Twin Engine](/products/factverse-twin-engine) mantengono il contesto operativo: asset, spazi, sistemi, metadati, permessi e record scenario. [Data Fusion Services](/products/dfs) collega dati live e storici quando servono segnali produzione, stato macchina, allarmi, velocità, throughput o contesto facility. [DataMesh Robotics](/products/robotics) estende il workflow quando scenari packaging o linee diventano dati training, ambienti Isaac Sim di simulazione robotica, task Isaac Lab o valutazioni Physical AI. ## Checklist di preparazione * La decisione engineering è chiara per scegliere la profondità di simulazione? * Asset di linea, nomi macchina e tipi packaging sono stabili? * Scala, coordinate, unità e origine sono validati? * Geometrie collisione e ipotesi materiale sono documentate? * Timing, route, passaggi e transizioni sono definiti in Designer? * I setting fisici sono legati a un obiettivo di review? * I limiti noti sono scritti prima della review? * Gli scenari critici passano a validazione dettagliata? * I risultati tracciano versione scena, asset e setting fisici? ## Riferimenti pubblici NVIDIA descrive [Omniverse](https://www.nvidia.com/en-us/omniverse/) come libraries e microservizi per digital twin industriali e applicazioni di simulazione Physical AI, con OpenUSD, RTX e capacità fisiche. La pagina NVIDIA [Omniverse libraries](https://developer.nvidia.com/omniverse) descrive ovphysx come libreria multifisica nativa USD per simulazione scalabile di robotica e digital twin. La pagina NVIDIA [Isaac Sim](https://developer.nvidia.com/isaac/sim) descrive Isaac Sim come framework di riferimento open source costruito su Omniverse libraries per simulazione robotica, test e generazione di dati sintetici. La pagina NVIDIA [Isaac Lab](https://developer.nvidia.com/isaac/lab) descrive Isaac Lab come framework modulare open source e accelerato GPU per addestrare policy robotiche su scala. La pagina [Newton Physics](https://developer.nvidia.com/newton-physics) descrive Newton come motore fisico aperto ed estensibile su Warp e OpenUSD per robot learning e sviluppo. L'articolo pubblico NVIDIA su Newton per robotica industriale descrive manipolazione ricca di contatto, simulazione deformabile, collisione SDF, hydroelastic contact e integrazione Isaac. Le referenze DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) e [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) mostrano la direzione pubblica per simulation digital twins, OpenUSD e Physical AI. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## Il ciclo manutentivo inizia dopo il segnale La manutenzione predittiva crea valore quando un segnale di rischio entra in un processo di lavoro disciplinato. Un trend di vibrazione, una deriva di temperatura, un'anomalia di corrente o un allarme ricorrente portano a domande operative: quale asset è coinvolto, quanto è solida l'evidenza, quali sistemi dipendono dall'asset, quale team deve revisionare il caso e quale intervento sul campo deve seguire. [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) collega questi passaggi con un digital twin. Dati, contesto asset, revisione assistita da AI, ordini di lavoro, prove sul campo e verifica restano nello stesso ciclo operativo. È anche un workflow Physical AI concreto. L'AI aiuta a interpretare segnali reali e il digital twin collega la raccomandazione ad asset, posizione, relazioni di sistema e regole operative approvate. ## Cosa collega il ciclo - **Segnali connessi**: vibrazione, temperatura, corrente, pressione, runtime, allarmi, tag historian e contesto ambientale. - **Contesto asset**: gerarchia, posizione, ruolo operativo, dipendenze di sistema, piano manutentivo, documenti e ricambi. - **Revisione assistita da AI**: confronto trend, anomalie, schemi di degrado, sintesi evidenze e bozza di azioni. - **Validazione nel twin**: contesto spaziale, dipendenze a monte e a valle, lavori recenti, vincoli operativi e accessibilità. - **Esecuzione**: ordini di lavoro Inspector, attività Checklist, assegnazione, note campo, foto, accettazione e stato di chiusura. - **Evidenze successive**: misure post-intervento, controllo degli allarmi ripetuti, confronto dello stato e storico asset aggiornato. Il risultato è un record manutentivo che unisce rilevazione, rilevanza, revisione, azione approvata e verifica dell'esito. ## Ruolo dello stack DataMesh [Data Fusion Services](/products/dfs) collega sensori, historian, BMS, SCADA, CMMS, EAM, IoT e sistemi enterprise. Prepara i dati operativi per digital twin, analisi e revisione AI. [FactVerse AI Agent](/products/factverse-ai-agent) fornisce il livello di intelligenza decisionale. Il suo modulo di manutenzione predittiva esamina comportamento dei segnali, relazioni tra asset, storico manutentivo e contesto operativo, quindi prepara evidenze per i team di manutenzione. [FactVerse](/products/factverse) offre il contesto del digital twin. [Inspector](/products/inspector) gestisce ispezioni, ordini di lavoro, record campo, verifica ed evidenze manutentive. [Checklist](/products/checklist) consolida attività ricorrenti e workflow tra team. I sistemi governati dal cliente, come CMMS, EAM, BMS, SCADA e flussi di approvazione del sito, rimangono integrati secondo la governance operativa. ## Dal segnale al lavoro verificato 1. Collegare dati da sensori, historian, allarmi, ispezioni e asset. 2. Mappare asset, sistemi, punti dati e record di lavoro nel digital twin. 3. Usare FactVerse AI Agent per valutare trend, anomalie ed evidenze correlate. 4. Far confermare il risultato dai team maintenance ed engineering nel contesto del twin. 5. Creare un ordine di lavoro Inspector o un'attività Checklist con ambito, owner e criteri di accettazione. 6. Raccogliere le evidenze di completamento e confrontare la condizione post-intervento con il segnale iniziale. ## Dove iniziare | Punto di partenza | Focus pratico | |---|---| | Asset rotanti | Pompe, compressori, motori, ventilatori e asset con pattern di vibrazione, temperatura, corrente o pressione | | Utility di sito | HVAC, acqua refrigerata, aria compressa, distribuzione elettrica e sistemi con allarmi ricorrenti | | Asset di supporto produzione | Convogliatori, celle robotiche, fixture e equipment di handling che influenzano il flusso produttivo | | Asset ad alta frequenza ispettiva | Asset con ronde frequenti, problemi ricorrenti o record campo incoerenti | | Operazioni multi-sito | Classi asset condivise dove le lezioni di un sito aiutano la revisione su altri siti | Un buon pilota ha storico dati utilizzabile, owner manutentivo, perimetro gestibile e team campo pronto a chiudere il ciclo. ## Checklist dati - I segnali hanno identificatori stabili, timestamp, unità e mapping asset. - Lo storico manutentivo è disponibile a livello asset o gruppo asset. - Gli ordini di lavoro descrivono causa, azione e chiusura. - Gerarchia asset e dati di posizione possono collegarsi al digital twin. - Engineering e manutenzione concordano regole di revisione, approvazione ed escalation. - I team campo raccolgono evidenze in modo strutturato. - Le metriche pilota sono legate a record operativi verificati. ## Metriche di validazione - Tempo dalla rilevazione del segnale alla revisione umana. - Quota di risultati convertiti in manutenzione pianificata. - Qualità di chiusura degli ordini di lavoro e delle evidenze. - Allarmi ripetuti dopo l'intervento correttivo. - Trend di condizione asset dopo la manutenzione. - Tempo di risposta campo e qualità di accettazione attività. - Sforzo di revisione engineering per classi asset ricorrenti. Ogni sito quantifica il valore dalla propria baseline validata, dal perimetro asset e dallo storico operativo. ## Riferimenti pubblici L'annuncio [Yokogawa e DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra la direzione pubblica della manutenzione predittiva guidata da AI negli impianti industriali, con focus sugli equipment rotanti critici. I riferimenti [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) e [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) mostrano come digitalizzazione dei processi manutentivi, guida frontline e training supportino l'esecuzione. --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## La fab dipende da un contesto facility stabile Le fab di semiconduttori dipendono dalla stabilita facility quanto dagli strumenti di produzione. Drift cleanroom, squilibri di pressione, carico filtro, variazioni acqua refrigerata, pressione CDA, exhaust instabile, ritardi manutentivi e work order dispersi creano rischio operativo prima che il team abbia una vista comune. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor) applica [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent) e [Inspector](/products/inspector) al livello facility operations. Segnali cleanroom, utility, relazioni asset, allarmi, storico manutenzione ed esecuzione campo diventano un loop operativo revisionabile. Ricette di produzione, APC, yield analytics, MES e controllo tool restano nei sistemi fab e nelle procedure autorizzative responsabili. DataMesh si concentra su facility, manutenzione ed evidenze operative. ## Cosa collega il facility twin | Livello | Contesto operativo | |---|---| | Zone cleanroom | Classe ISO, particelle, temperatura, umidita, pressione differenziale, airflow, gerarchia stanze e soglie | | Utility | HVAC, acqua refrigerata, CDA, vuoto, exhaust, distribuzione elettrica, meter, pompe, fan, valvole e sistemi di supporto | | Asset critici | FFU, filtri HEPA/ULPA, chiller, pompe, AHU, compressori, exhaust equipment, sensori, controller, documenti e storico manutenzione | | Allarmi e trend | Allarmi ripetuti, anomalie, sensor drift, gradienti pressione, carico filtri, vibrazione, corrente, runtime e service history | | Esecuzione | Inspector work order, task Checklist, foto campo, letture, note, approvazioni, regole escalation e prove di chiusura | | Governance | Fonte raccomandazione, reviewer, priorita, SLA, owner, handover turno, criteri accettazione, evidenza follow-up e audit trail | Il valore nasce quando ogni segnale e mappato a zona, asset, sistema, responsabilita e workflow campo. Uno spike particellare deve essere tracciabile a contesto cleanroom, airflow, pressione, stato filtro, utility upstream, manutenzione recente e risposta. ## Workflow DataMesh per facility semiconduttori 1. **Collegare le fonti facility** - BMS, SCADA, PLC, historian, monitoraggio ambientale, CMMS, EAM, sensori IoT, telemetria equipment e work order. 2. **Costruire il facility twin** - Modellare fab, cleanroom, zone, utility, asset, sensori, punti di controllo, documenti e responsabilita in FactVerse. 3. **Associare segnali al contesto** - Mappare particelle, pressione, temperatura, umidita, allarmi, energia, health equipment e work record a zone e asset con Data Fusion Services. 4. **Rivedere drift e rischio** - FactVerse AI Agent riassume trend anomali, allarmi ripetuti, sistemi correlati, priorita e azioni raccomandate. 5. **Eseguire con Inspector** - Trasformare evidenze confermate in work order, task campo, escalation, handover, documentazione e accettazione. 6. **Verificare il risultato** - Confrontare letture post-azione, ricorrenza allarmi, prove manutentive, stato cleanroom e review operativa. ## Drift cleanroom e prove ISO I team cleanroom devono leggere insieme piu segnali: conteggio particelle, temperatura, umidita, pressione differenziale, airflow, stato filtri, eventi porta, allarmi e manutenzione. FactVerse AI Agent puo preparare un riepilogo evidenze: zona impattata, letture cambiate, gradienti pressione, stato FFU o filtro, allarmi ripetuti e controlli campo da assegnare. Le valutazioni ISO 14644-1 e i record cleanroom del sito possono restare nello storico operativo. Il software struttura evidenze, stato review e collegamento work order; decisioni qualita e validazione seguono processi e responsabili del cliente. ## Utility e manutenzione predittiva Gli asset facility hanno pattern di degrado propri. Pompe, fan, compressori, chiller, AHU, exhaust equipment, valvole, sensori e filtri possono mostrare rischio tramite pressione, portata, vibrazione, temperatura, corrente, runtime, allarmi e manutenzione. Il loop [Predictive Maintenance](/solutions/predictive-maintenance) e adatto a questi casi. FactVerse AI Agent rivede segnali e contesto asset; Inspector porta evidenze confermate in work order e verifica. I team danno priorita per impatto operativo, dipendenza cleanroom, urgenza, allarmi ripetuti e capacita manutentiva. ## Da allarme a work order Un workflow allarme utile include: - verifica sensore e calibrazione - review asset e zona - riepilogo causa probabile - proposta priorita e SLA - owner o ruolo assegnato - checklist campo - foto, letture e azioni correttive - accettazione e follow-up [Inspector](/products/inspector) e [Checklist](/products/checklist) supportano l'esecuzione. Aiutano a instradare rischi confermati in work order, acquisire prove campo e conservare la chiusura per review successive. ## Review energia e analisi what-if Le facility semiconduttori sono energivore. Letture utility, domanda cooling, airflow, carico filtro, pompe, fan e scheduling vanno letti insieme a cleanroom e manutenzione. DataMesh collega letture energia a sistemi, zone, asset e storico lavori. FactVerse AI Agent puo preparare confronti what-if e riepiloghi rischio per l'engineering review, ad esempio intorno a manutenzione, allarmi ripetuti o cambio programma da verificare con vincoli cleanroom. Risparmi, carbon reporting e obiettivi operativi dipendono da baseline, confini di misura, regole engineering e metodo di verifica del cliente. Il workflow DataMesh rende tracciabili valutazione e risultato. ## Checklist pilota - Zone cleanroom, classi ISO, soglie e ownership facility definiti. - BMS, SCADA, monitoraggio ambientale, PLC, historian, CMMS, EAM e work order accessibili. - Nome sensore, unita, timestamp, posizione e mapping asset abbastanza stabili. - Utility e asset critici rappresentabili nel digital twin. - Team manutenzione allineati su review, priorita, escalation, SLA e accettazione. - Team campo in grado di registrare letture, foto, note e prove di chiusura. - Metriche pilota basate su record verificati. ## Riferimenti pubblici Il [lancio FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) descrive l'approccio DataMesh per ambienti operativi complessi, comprese le facility semiconduttori. Il riferimento [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) mostra la validazione con digital twin in ambienti semiconduttori e advanced manufacturing. Il riferimento [Jebsee / Quan Yi Electronics](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) mostra la pianificazione linee con FactVerse. Il riferimento [Yokogawa e DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) mostra la review manutentiva assistita da AI per segnali industriali. DataMesh applica pattern simili di facility operations anche in progetti semiconduttori confidenziali. Il contenuto pubblico descrive capacita e workflow, mentre nomi clienti e dettagli sito seguono solo riferimenti approvati. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## Perché gli asset industriali richiedono più preparazione Molte aziende hanno già file CAD, modelli BIM, scansioni, scene 3D e visualizzazioni digital twin. Questi contenuti sono utili per design review, collaborazione, training e comunicazione. Physical AI richiede anche asset capaci di partecipare al calcolo e alla simulazione. Una linea produttiva, una cleanroom, un magazzino, una cella robotica o una stazione di packaging deve portare scala reale, coordinate stabili, identità oggetto, semantica, ipotesi fisiche, regole comportamentali, stato di processo e collegamenti ai dati operativi. Questi livelli rendono l'asset utile per simulazione, robot training, synthetic data, layout validation, process rehearsal e workflow AI Agent. NVIDIA descrive SimReady come framework per asset 3D e digital twin pronti per la simulazione, basato su OpenUSD. Per i team industriali il valore pratico è trasformare le librerie asset in oggetti digitali riutilizzabili. ## Livelli di un asset SimReady | Livello | Preparazione | |---|---| | Geometria e scala | Dimensioni, origine, orientamento, unità, LOD e confini spaziali | | Materiali e aspetto | Materiali, texture, risposta alla luce, riflessione, trasparenza e categorie di superficie | | Fisica | Collisioni, massa, attrito, densità, giunti, vincoli, movimento e distanze di sicurezza | | Semantica | Classe equipment, ruolo parte, area funzionale, ruolo processo, asset ID e relazione con il twin operativo | | Comportamento | Stati, regole di start e stop, guasti, recovery, interlock, route e condizioni di interazione | | Dati | Segnali PLC, sensori, allarmi, work order, contesto MES, energia e ispezioni | | Governance | Sorgenti, versione, owner, ipotesi, quality check, risultati simulazione e note review | ## Perché conta la logica comportamentale Le proprietà fisiche descrivono movimento, collisioni e forze. Le operations industriali seguono anche regole di processo e stati di business. Una macchina avvia, attende, si ferma, genera allarmi, recupera, blocca una stazione upstream o rilascia materiale secondo logica di controllo e procedure. [FactVerse Designer](/products/designer) usa behavior tree e logica scenario per modellare queste regole. Macchine di packaging, conveyor, celle robotiche, cleanroom e asset facility possono portare stati, trigger, timing e regole di interazione. Questo li rende utili per process simulation, training, collaborazione robotica, safety rehearsal, gestione eccezioni e pianificazione Physical AI. ## Workflow DataMesh 1. **Raccogliere asset sorgente** - CAD, BIM, 3D, scansioni, disegni, registri equipment, documenti processo e contesto controllo. 2. **Normalizzare la scena** - Allineare scala, coordinate, gerarchia, nomi, identità oggetto, posizione e versioni in FactVerse. 3. **Aggiungere semantica industriale** - Classe equipment, ruolo processo, area funzionale, asset ID, relazioni, documenti e owner. 4. **Preparare il contesto fisico** - Collisioni, massa, attrito, giunti, vincoli, aree accesso, zone robot e confini sicurezza. 5. **Creare comportamento** - Stati, step operativi, interlock, guasti, recovery, route e varianti in Designer. 6. **Connettere dati operativi** - Data Fusion Services per PLC, sensori, allarmi, work order, produzione, energia o storico ispezioni. 7. **Preparare OpenUSD** - FactVerse Adaptor for NVIDIA Omniverse porta struttura scena, metadata, comportamento e contesto asset verso OpenUSD e Omniverse. 8. **Validare e governare** - Verificare rendering, fisica, comportamento, label, copertura scenario e risultati downstream. ## Cosa abilita una libreria SimReady - Macchine packaging con takt, stato, relazioni, logica guasto, confini fisici e comportamento processo. - Celle robotiche con area lavoro, zone sicurezza, layout sensori, target presa, sequenze e regole coordinamento. - Conveyor e asset logistici con direzione, velocità, regole blocco, handoff, stato route e data binding. - Cleanroom con layout, percorsi accesso, vincoli airflow, manutenzione, energia e regole rischio. - Zone warehouse con rack, corsie, pallet, staging, percorsi mezzi mobili e stato logistico. Asset standardizzati, oggettizzati, ricchi di comportamento e consapevoli della fisica possono essere riutilizzati in pianificazione linee, modifiche fabbrica, training, robot adoption, drill eccezioni, energy analysis e AI training. ## Ruolo in Physical AI Physical AI richiede mondi digitali di qualità con spazio, oggetti, semantica, fisica, comportamento, stato processo e dati. Gli asset SimReady sono materiale riutilizzabile per questi ambienti. Per la robotica contano anche temperatura, pressione, vibrazione, stato equipment, work order, zone sicurezza e vincoli processo. FactVerse può portare questo contesto nel twin. Omniverse, PhysX, Newton e workflow collegati supportano rendering, fisica, sensor simulation e valutazione robotica. ## Checklist governance - Documentare sorgenti, owner, licenze e versioni. - Validare unità, scala, coordinate, origine e orientamento. - Allineare asset identity con twin operativo e registri enterprise. - Gestire label semantiche con vocabolari controllati. - Documentare ipotesi fisiche insieme all'obiettivo simulazione. - Descrivere stati, trigger, timing, guasti e recovery. - Definire sorgente, unità, timestamp, regola update e qualità dei dati. - Collegare risultati a versione asset, versione scena, ipotesi e reviewer. ## Riferimenti pubblici Le pagine NVIDIA [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) e [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) forniscono il contesto tecnico pubblico sugli asset SimReady basati su OpenUSD. I riferimenti DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) e [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) mostrano la direzione pubblica per simulation digital twins, OpenUSD e Physical AI. --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## I robot hanno bisogno di training ground con contesto industriale L'apprendimento robotico migliora quando l'ambiente virtuale porta il contesto operativo del sito reale: asset, scala, materiali, collisioni, passi di task, sensori, stato processo, zone di sicurezza e variazioni operative. Gli asset SimReady forniscono oggetti riutilizzabili pronti per la simulazione. [FactVerse Designer](/products/designer) li organizza in fabbriche, magazzini, celle robot, aree d'ispezione, cleanroom e rotte logistiche virtuali con logica di comportamento e varianti. [DataMesh Robotics](/products/robotics) collega la scena a dati sintetici, task, reward e workflow di simulazione robotica. L'obiettivo pratico è accelerare l'iterazione sim-to-real: creare mondi digitali migliori, testare più varianti, confrontare simulazione e prove fisiche, aggiornare la scena con evidenza reale. ## Perché il sim-to-real industriale è difficile | Livello | Effetto sul robot | |---|---| | Geometria | corsie, equipment, rack, ingombri, pendenza, area di lavoro | | Materiali | riflesso, trasparenza, attrito, usura, texture, luce | | Sensori | posa camera, FOV, calibrazione, occlusione, rumore, profondità, LiDAR | | Stato processo | macchina, parti mobili, route bloccata, pallet, step, eccezione | | Semantica | classe oggetto, ID asset, zona sicura, ruolo task, tipo route | | Contesto umano | operatori, accesso manutenzione, carrelli, zone limitate, turni | | Controllo | velocità, stop, handoff, interlock, recovery | Una buona preparazione rende questi livelli espliciti e variabili prima delle prove fisiche. ## Asset SimReady come blocchi di training Un asset utile deve includere: * scala, origine, orientamento e collisione * materiali e luce per perception training * classe semantica, ID asset, ruolo e relazione con la scena * attrito, massa, giunti e limiti di movimento * stati come aperto, chiuso, bloccato, running, stopped, alarm o maintenance * punti di presa, target ispezione, docking e zone di approccio sicure * versioni per collegare risultati alla libreria asset La scena diventa riproducibile, variabile e revisionabile. ## Designer crea il training ground virtuale Designer prepara: * layout di facility, linee, magazzini, celle robot e percorsi ispezione * behavior tree per stato macchina, movimento oggetti, sequenze ed eccezioni * timeline per start, stop, blocco, recovery, cambio rotta e handoff * varianti per equipment, corsie, buffer, rack, conveyor e fixture * pianificazione sensori e viewpoint per perception, ispezione, navigazione e review * librerie scena per dati sintetici e tool di simulazione Robotica, operations e simulation lavorano così sullo stesso ambiente. ## Workflow DataMesh sim-to-real 1. **Scegliere il task** - Robot, ambiente, sensori, obiettivo, sicurezza e metriche. 2. **Preparare asset SimReady** - Convertire CAD, BIM, 3D, scan e record in asset con scala, semantica, fisica e stati. 3. **Costruire il training ground** - Designer assembla layout, flusso, route, comportamento e varianti. 4. **Definire variazioni** - Luce, posizionamento, stato, blocco, materiale, posa sensore e timing. 5. **Generare dati** - RGB, depth, segmentazione, bounding box, pose, traiettoria, label e metadati. 6. **Simulare e valutare** - Esportare verso training robotico, Isaac Sim / Omniverse o altri stack. 7. **Confrontare col campo** - Usare prove fisiche, note, failure e log. 8. **Aggiornare scena e libreria** - Geometria, materiali, fisica, label, comportamento e regole. ## Dove migliora il trasferimento * **Percezione** - esempi con luce, materiali, occlusione, pose, distanza e sfondo variati. * **Navigazione** - route, corsie bloccate, buffer, docking, persone e zone sicure. * **Manipolazione** - posa oggetto, target presa, fixture, superficie, attrito e timing. * **Ispezione** - viewpoint, asset target, difetti, pannelli, letture e vincoli. * **Recovery** - guasti, path bloccati, oggetti mancanti, allarmi, stop e restart. * **Review operativa** - revisione condivisa prima della prova fisica. ## Metriche | Area | Esempi | |---|---| | Dati | copertura classi, coerenza label, pose, occlusione, luce | | Simulazione | scala, collisione, materiali, sensori, timing, stati | | Task | successo, tempo, interventi, recovery, failure type | | Transfer | differenza sim-campo, errori ripetuti, correzioni | | Governance | versione scena, asset, ricetta, reviewer, approvazione | ## Ruoli prodotto [DataMesh Robotics](/products/robotics) copre dati sintetici, task, label, reward e integrazione pipeline. [FactVerse Designer](/products/designer) prepara il training ground con layout, behavior tree, timeline, scenari e varianti. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) collega scene FactVerse a OpenUSD e Omniverse per rendering, fisica, sensori e tool robotici. [FactVerse](/products/factverse) e [FactVerse Twin Engine](/products/factverse-twin-engine) mantengono asset, spazi, sistemi, metadati, permessi e record scena. ## Checklist * Il task ha metriche di successo e confini di sicurezza? * Ambiente, asset, route e stati sono definiti? * Gli asset SimReady hanno scala, semantica, fisica e stati? * Le scene Designer sono organizzate per task, variante e review? * Sensori, viewpoint, calibrazione e rumore sono documentati? * Le variazioni derivano da condizioni reali? * Output e label sono definiti prima della generazione? * I risultati sono tracciabili a scena e asset version? ## Riferimenti pubblici Il [lancio DataMesh Robotics](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) presenta dati sintetici, task, reward e preparazione dei pipeline robotici. La [guida SimReady Assets](/resources/guides/simready-assets-industrial-digital-twins-physical-ai) spiega come gli asset portano geometria, semantica, fisica, comportamento e dati. La [guida Synthetic Data](/resources/guides/industrial-synthetic-data-physical-ai-robotics) copre la generazione dati in modo più ampio. --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## L'intralogistica dipende dal contesto fisico La logistica di magazzino e di fabbrica avviene nello spazio reale. Una politica di stoccaggio può sembrare corretta in tabella, ma il risultato dipende da larghezza corsie, raggio di sterzata dei carrelli elevatori, code alle baie, zone di ricarica, attraversamenti pedonali, capacità di attesa, tempi dei trasportatori e gestione delle eccezioni. La pianificazione dell'automazione aggiunge pressione. I team devono discutere rotte AGV/AMR, modifiche ai trasportatori, densità di stoccaggio, consegna bordo linea, finestre di rifornimento e zone di sicurezza prima di investire, spostare attrezzature o interrompere le operazioni. Un digital twin operativo crea un livello spaziale condiviso. Collega zone di magazzino, percorsi dei materiali, attrezzature, aree di lavoro, procedure, registrazioni operative e ipotesi di scenario, così pianificazione, fornitori di automazione, sicurezza, formazione e operations possono rivedere lo stesso ambiente. ## Cosa modellare | Livello | Esempi | |---|---| | Spazi | baie, ricevimento, zone di stoccaggio, bordo linea, attesa, spedizione, quarantena, ricarica | | Percorsi | percorsi carrelli elevatori, rotte AGV/AMR, linee di trasporto, attraversamenti pedonali, accesso emergenza, accesso manutenzione | | Asset | scaffalature, trasportatori, porte, varchi, veicoli, caricabatterie, sensori, scanner, dispositivi di sicurezza | | Regole | prelievo, rifornimento, carico, scarico, sequenziamento, ispezione, gestione eccezioni, cambio turno | | Eventi | percorso bloccato, ritiro in ritardo, buffer pieno, pallet danneggiato, guasto attrezzatura, arresto di sicurezza, scansione mancata | | Registri | risultati ispezione, ordini di lavoro, foto, note operatore, risultati formazione, versioni scenario | La tracciabilità è il punto. Percorso, scaffalatura, baia, veicolo, ordine di lavoro e scenario devono usare le stesse identità di asset e posizione in pianificazione, formazione, ispezione e revisione operativa. ## Pianificare prima dell'investimento in automazione Prima di investire, i team devono testare domande concrete: baie, aree di attesa, stoccaggio e buffer bordo linea sono posizionati bene? Percorsi dei carrelli elevatori, percorsi pedonali e rotte AGV/AMR entrano in conflitto? Un nuovo trasportatore, elevatore, varco o caricatore blocca l'accesso alla manutenzione? Dove nascono code durante ricevimento, prelievo, spedizione o alimentazione linea? [FactVerse DLC](/products/factverse-dlc) offre contenuti riutilizzabili per magazzino e logistica, come zone, rotte di trasporto, aree di stoccaggio e asset di linea di trasporto. [FactVerse Designer](/products/designer) permette di adattarli al sito reale, confrontare varianti di layout e creare scene revisionabili. Il valore è chiarezza prima della perturbazione. Una revisione con digital twin elimina opzioni deboli, chiarisce requisiti per fornitori di automazione e mostra alle operations l'effetto di un layout proposto. ## Validazione scenari La validazione dovrebbe concentrarsi su decisioni azionabili: * conflitti di percorso e problemi di spazio libero * capacità di baie, aree di attesa e buffer * punti di passaggio tra carrelli elevatori, AGV, AMR, trasportatori e operatori * accesso di emergenza e confini di sicurezza * tempi di rifornimento e ipotesi di consegna bordo linea * posizionamento attrezzature, punti di ricarica e accesso manutenzione * eccezioni come merci danneggiate, corsie bloccate, scansioni mancate o guasti attrezzatura In questa fase il digital twin agisce come livello decisionale: restringe le opzioni di layout e percorso, evidenzia le domande da portare in simulazione più profonda e organizza le prove per engineering del fornitore, pilota in sito e progettazione delle procedure. ## Training e safety rehearsal I progetti intralogistici cambiano il modo in cui le persone si muovono nel sito. Gli operatori possono avere nuovi percorsi, sequenze di carico, passaggi di scansione, controlli di sicurezza o gestione eccezioni. La formazione deve usare lo stesso contesto spaziale della pianificazione. [Simulator](/products/simulator) è rilevante quando la formazione dipende da comportamento del veicolo, disciplina del percorso, controlli fisici, regole di sicurezza e registrazioni di valutazione. Gli scenari per carrelli elevatori aiutano a praticare movimento, sterzata, gestione del carico, visibilità e risposta alle eccezioni. [Director](/products/director) e [Inspector](/products/inspector) supportano procedure guidate, ispezioni, acquisizione problemi e prove di campo. Percorso, asset, checklist, foto, problema e ordine di lavoro restano collegati allo stesso contesto del twin operativo. ## Dalla pianificazione all'esecuzione 1. **Mappare il sito** - Allineare baie, zone, corsie, scaffalature, trasportatori, attrezzature, aree di lavoro e nomi dei percorsi con i registri degli asset. 2. **Creare scenari** - Usare Designer e risorse DLC di magazzino per layout, percorsi, aree di attesa, confini di sicurezza e viste operative. 3. **Rivedere con gli stakeholder** - Portare operations, engineering, sicurezza, IT, fornitori di automazione e formazione nella stessa scena. 4. **Preparare la formazione** - Convertire percorsi, procedure e casi di eccezione approvati in formazione operatori e lavoro guidato. 5. **Collegare i registri** - Collegare stato attrezzature, ordini di lavoro, dati di ispezione, documenti ed eventi tramite Data Fusion Services e FactVerse. 6. **Eseguire e catturare evidenza** - Usare Inspector per ispezioni, problemi, foto, note di riparazione, accettazione e stato degli ordini di lavoro. 7. **Preparare la revisione AI** - Con dati e workflow stabili, FactVerse AI Agent supporta triage, raccomandazioni e revisione dell'esecuzione. Questa sequenza collega pianificazione, formazione ed esecuzione. Il modello cresce da asset visuale a contesto operativo condiviso che i team possono rivedere e mantenere. ## Dati e readiness AI Le operazioni logistiche assistite da AI richiedono un contesto stabile: gerarchia delle ubicazioni, identità degli asset, definizioni dei percorsi, definizioni degli eventi, ordini di lavoro, registri di ispezione, registri di formazione, responsabili dei dati, frequenza di aggiornamento e regole di eccezione. Con questa base, AI Agent può sintetizzare problemi ricorrenti, segnalare contesto mancante, raccomandare le prossime verifiche, collegare allarmi a ordini di lavoro e aiutare i team a rivedere schemi operativi. La logica di dispatch e le decisioni finali restano governate da sistemi, procedure e team responsabili del cliente. ## Ruoli prodotto [FactVerse DLC](/products/factverse-dlc) fornisce contenuti riutilizzabili per magazzino e logistica: zone, percorsi, aree di stoccaggio, linee di trasporto, scene di pianificazione e scenari di formazione. [FactVerse Designer](/products/designer) è l'ambiente per varianti di layout, percorsi dei materiali, viste di scena, etichette, pannelli e review con gli stakeholder. [DataMesh FactVerse](/products/factverse) e [FactVerse Twin Engine](/products/factverse-twin-engine) mantengono operational twin context: spaces, assets, relationships, routes, work objects, permissions e scenario records. [Data Fusion Services](/products/dfs) collega operational data, enterprise records, equipment states, documents ed event streams agli oggetti corretti. [Simulator](/products/simulator) supporta la formazione degli operatori quando contano disciplina del percorso, comportamento del veicolo, controlli fisici e valutazione. [Inspector](/products/inspector) connette il twin a ispezioni, problemi, foto, note di riparazione, ordini di lavoro, registri di accettazione e prove di campo. [FactVerse AI Agent](/products/factverse-ai-agent) può supportare la revisione operativa e la preparazione dell'esecuzione dopo la maturazione di modello dati, eventi e registri di workflow. ## Checklist readiness * Zone, baie, scaffalature, corsie, aree di attesa e aree bordo linea hanno nomi coerenti? * Routes, pedestrian crossings, safety zones e maintenance access sono definiti? * Forklifts, conveyors, AGV, AMR, chargers, scanners, doors e gates sono gestiti come assets? * Layout variants sono legati a una business question chiara? * I casi di eccezione sono documentati prima di formazione e rollout? * Inspection points, issue categories, work-order handoff e evidence fields sono definiti? * Gli scenari di formazione operatori sono collegati a percorsi, procedure e attrezzature reali? * Data owners, refresh cadence e data quality status sono chiari? * I casi AI Agent poggiano su registri stabili di asset, percorsi, eventi e ordini di lavoro? ## Riferimenti pubblici L'aggiornamento [DLC magazzino e logistica](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) mostra come FactVerse supporta ambienti logistici, percorsi, layout e scenari operativi. La reference [Gyro intralogistica](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) mostra digital twin per comprendere, validare e implementare l'automazione intralogistica. La reference [Jebsee sulla pianificazione dell'automazione di linea](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) mostra come FactVerse supporta comunicazione e review dei cambiamenti di automazione. L'annuncio [DataMesh Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) mostra la direzione pubblica per formazione operatori e simulazione di attrezzature basate su digital twin. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI parte dal contesto operativo reale L'AI industriale diventa utile quando comprende il luogo in cui nascono le decisioni. Un impianto, una linea di produzione, un data center, un locale tecnico, un magazzino o un cantiere contiene asset, spazi, segnali, persone, procedure, vincoli fisici e regole di approvazione. Physical AI porta questi livelli nel workflow decisionale. Per DataMesh, Physical AI è una capacità operativa costruita intorno a digital twin eseguibili. Il twin conserva il contesto fisico. L'AI supporta analisi e raccomandazioni. La simulazione aiuta i team a confrontare risultati possibili. Le applicazioni sul campo portano il lavoro approvato in ispezioni, work order, training o procedure operative. I record di verifica tornano poi nel twin. Questo ciclo conta perché le decisioni industriali hanno conseguenze reali. Una raccomandazione richiede contesto dell'asset, stato operativo, vincoli spaziali, dipendenze di processo e un percorso chiaro verso l'esecuzione. ## I livelli principali di Physical AI | Livello | Contributo | |---|---| | Dati operativi | BMS, SCADA, IoT, MES, CMMS, EAM, contatori, allarmi, storico lavori e documenti | | Contesto fisico | Siti, edifici, piani, zone, sistemi, equipment, percorsi, aree sicurezza e vincoli di accesso | | Logica comportamentale e di processo | Cambi di stato, dipendenze, procedure, timing, eccezioni e regole di workflow | | Simulazione e revisione scenari | Confronto layout, validazione processi, ipotesi fisiche, scenari di training e preparazione robotica | | Intelligenza decisionale AI | Analisi anomalie, forecasting, sintesi evidenze, confronto opzioni e raccomandazioni operative | | Workflow di esecuzione | Ispezioni, work order, procedure guidate, training, record di accettazione e prove sul campo | I programmi Physical AI più solidi mantengono collegati questi livelli. L'AI può così usare gli stessi nomi asset, relazioni operative e record di prova già utilizzati dai team engineering e operations. ## Il ciclo operativo DataMesh 1. **Connettere i dati** - Data Fusion Services porta dati da sistemi di impianto, sistemi facility, piattaforme enterprise, contatori, sensori e documenti in un contesto condiviso. 2. **Costruire il twin eseguibile** - FactVerse e Twin Engine organizzano asset, spazi, relazioni, stato live, logica comportamentale e record di scenario. 3. **Creare e simulare scenari** - Designer e i workflow legati a Omniverse aiutano a rivedere layout, flussi di processo, movimento equipment, comportamento packaging, percorsi robotici e scenari di training. 4. **Analizzare con AI Agent** - FactVerse AI Agent esamina segnali, trend, contesto asset e fonti di conoscenza per supportare diagnosi, priorità e prossime azioni. 5. **Eseguire tramite applicazioni** - Inspector, Checklist, Director, Simulator e DataMesh One trasformano decisioni approvate in work order, attività guidate, training e record sul campo. 6. **Verificare il risultato** - Stato di completamento, note, foto, accettazioni, eccezioni e risultati operativi ritornano nel twin per revisione e miglioramento. Physical AI va quindi pianificata come ciclo. Il valore nasce dalla connessione tra analisi, validazione, esecuzione e revisione. ## Che cosa distingue Physical AI industriale L'AI generale può riassumere documenti, rispondere a domande o generare report. Physical AI industriale aggiunge il contesto operativo: quale asset è coinvolto, dove si trova, a quale sistema appartiene, quali segnali contano, quale stato di processo è rilevante e come l'azione raccomandata passa in lavoro governato. Un allarme su una pompa può collegarsi all'asset pompa, agli equipment a monte e a valle, allo storico dei work order, allo stato corrente, alla posizione spaziale, al percorso di ispezione, all'area sicurezza e alla procedura di manutenzione. L'AI supporta la revisione con evidenze più ricche, mentre il twin mantiene la decisione legata al sito reale. Lo stesso modello si applica a manutenzione equipment, analisi energetica, simulazione di processo, formazione operatore, facility management, guida in cantiere e workflow robotici. ## Ruolo dei prodotti DataMesh [FactVerse](/products/factverse) è la base piattaforma. Collega twin execution engine, AI decision engine, data services, strumenti di authoring e applicazioni frontline in una sola architettura operativa. [FactVerse Twin Engine](/products/factverse-twin-engine) è il livello di contesto fisico. Collega asset, spazi, relazioni, logica comportamentale, dati live e stato workflow in un twin eseguibile. [Data Fusion Services](/products/dfs) prepara la base dati operativa tra sistemi industriali, sistemi facility, piattaforme enterprise e documenti. [FactVerse Designer](/products/designer) gestisce authoring di scene, modellazione del comportamento, pianificazione layout, logica di processo, pianificazione virtuale e preparazione simulation. [FactVerse AI Agent](/products/factverse-ai-agent) supporta analisi, diagnosi, forecasting, revisione della conoscenza, sintesi delle raccomandazioni e passaggio all'esecuzione. [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator) e [Robotics](/products/robotics) estendono il ciclo verso ispezioni, esecuzione del lavoro, procedure guidate, formazione operatore e preparazione dati Physical AI. ## Punti di partenza pratici - **Ciclo allarme-work order**: collegare allarmi, contesto asset, record di ispezione, triage assistito da AI, work order e verifica. - **Manutenzione predittiva**: combinare trend sensori, contesto operativo, storico manutenzione, revisione rischio ed esecuzione sul campo. - **Revisione energetica facility**: collegare contatori, stato equipment, zone, ispezioni, work order e analisi scenari. - **Simulazione di processo**: confrontare layout, packaging, flusso materiali, percorsi robotici e accesso operatore prima dei cambi fisici. - **Formazione operatore**: usare contesto digital twin e scenari Simulator per esercizi ripetibili sul comportamento degli impianti. - **Preparazione robotica**: preparare asset, scene, dati sintetici, label e contesto attività per Physical AI e workflow robotici. Un buon inizio è un workflow circoscritto con accesso dati, owner responsabile, percorso di revisione e risultato verificabile. ## Checklist di valutazione - Il sistema collega dati operativi ad asset, spazi, sistemi e record di lavoro? - Il twin include contesto fisico, logica comportamentale, stato processo e storico versioni? - I team possono rivedere azioni proposte tramite simulazione, confronto scenari o controlli engineering? - Le raccomandazioni AI possono passare a ispezioni, work order, procedure guidate, training o workflow robotici? - Operatori e ingegneri vedono le evidenze dietro una raccomandazione? - L'organizzazione registra approvazione, esecuzione, eccezioni e verifica? - Lo stesso contesto può supportare facility operations, manufacturing, training, manutenzione e simulazione nel tempo? Queste domande mantengono Physical AI legata alla realtà operativa e orientata a programmi eseguibili. ## Riferimenti pubblici Il [lancio di FactVerse AI Agent](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) descrive la direzione pubblica di DataMesh per operazioni guidate dalla simulazione in facility complesse. L'annuncio [FactVerse e NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) e lo [showcase GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) mostrano come simulation digital twin, workflow OpenUSD e preparazione Physical AI rientrano nella storia pubblica della piattaforma DataMesh. I riferimenti [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) e [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) offrono esempi pubblici di contesto digital twin, facility operations e manutenzione assistita da AI. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI の発見には実行経路が必要 産業 AI の価値は、完了した運用ループで確認されます。発見はレビューされた判断、割り当てられた作業、現場アクション、証拠記録、測定された結果へつながる必要があります。 [FactVerse AI Agent](/products/factverse-ai-agent) は、接続された信号、アラーム、文書、作業履歴を 24x7 の運用環境で処理できます。その発見がデジタルツインに基づき、実行責任を持つ人とシステムへ渡されることで現場価値になります。 DataMesh は [FactVerse](/products/factverse)、[Data Fusion Services](/products/dfs)、[Inspector](/products/inspector)、[Checklist](/products/checklist)、[Director](/products/director)、そして CMMS、EAM、BMS、SCADA、ERP、文書システムをつなぎ、この経路を構成します。 ## クローズドループ作業指示の流れ 1. **検知** - AI Agent、ルール、ダッシュボード、既存システムが異常傾向、繰り返しアラーム、点検漏れ、資産リスク、運用例外を識別します。 2. **文脈化** - FactVerse が発見を資産、空間、システム、ライブ値、文書、SOP、作業履歴へ結び付けます。 3. **レビュー** - オペレーター、エンジニア、監督者が証拠、リスク、推奨アクションを確認します。 4. **ディスパッチ** - 確認済みの発見が Inspector、Checklist、CMMS、EAM、または承認済みシステムで作業指示、点検、タスク、手順になります。 5. **ガイド** - 現場チームが資産文脈、チェックリスト、デジタル SOP、3D 手順、写真、マニュアル、安全メモを使って作業します。 6. **記録** - 完了メモ、読み値、写真、例外、交換部品、承認、検証結果を記録します。 7. **学習** - 結果、却下された提案、繰り返し事象、作業後の読み値がデータ品質レビューと機械学習改善に戻ります。 ## 作業指示に含める情報 産業作業指示には、現場チームが複数システムを探さずに動けるだけの文脈が必要です。作業項目には、資産、場所、システム関係、問題説明、証拠、優先度、必要スキル、安全メモ、受け入れ基準、承認経路を含めます。 有用な項目は次の通りです。 * 資産 ID、空間、システム、点検ルート * タスクを開いた AI 発見、アラーム、点検結果、手動依頼 * ソース信号値、傾向スナップショット、時間範囲 * 関連文書、SOP、図面、マニュアル、部品情報 * 推奨チェック、必須写真、読み値、受け入れ項目 * レビュー担当、実行担当、期限、優先度、エスカレーション規則 * 完了メモ、例外理由、検証読み値、結果ラベル これらがデジタルツインにつながると、作業指示は運用記録の一部になります。 ## 製品の役割 [FactVerse AI Agent](/products/factverse-ai-agent) は発見を準備し、証拠を要約し、運用パターンを比較し、推奨を作成し、シフトをまたいで接続済みフィードバックを確認します。 [FactVerse](/products/factverse) と [FactVerse Twin Engine](/products/factverse-twin-engine) は、資産、空間、関係、状態、動作ロジック、ワークフロー状態を管理する運用モデルを提供します。 [Data Fusion Services](/products/dfs) はソースシステムを接続し、信号、アラーム、文書、作業記録、企業データを利用可能な文脈へマッピングします。 [Inspector](/products/inspector) はアラーム、作業指示、割り当て、保全記録、写真、検証項目、現場実行証拠を管理します。 [Checklist](/products/checklist) は点検ポイント、必須記録、コンプライアンス項目、反復可能な現場ルーチンを構造化します。 [Director](/products/director) はデジタル SOP、3D 手順ガイド、トレーニングコンテンツ、複雑作業の段階的支援を提供します。 ## 既存システムとの連携 多くの産業チームは CMMS、EAM、BMS、SCADA、MES、ERP、チケット、文書システムをすでに運用しています。ワークフロー設計では、各システムの所有範囲を明確にします。 Data Fusion Services はそれらのデータを FactVerse へ取り込みます。Inspector と接続された実行システムは、割り当て、現場記録、完了を扱います。CMMS または EAM は保全の主記録として運用できます。FactVerse は資産文脈、空間文脈、AI 発見、現場証拠、横断的な可視性を補います。 ## 24x7 運用とフィードバックデータ FactVerse AI Agent は、24x7 の運用環境で接続済み信号、アラーム、作業指示更新、点検記録、現場フィードバックを処理できます。 確認された原因、オペレーターメモ、却下された提案、完了した修理、写真、読み値、作業後の結果は、将来の分析データセットになります。機械学習はこの記録を使い、推奨品質の評価、繰り返しパターンの把握、今後のワークフロー調整を行えます。 ## 展開手順 最初は責任者が明確で結果を確認しやすいワークフローを選びます。重要設備クラス、施設点検ルート、データセンター資産グループ、熱供給サブステーショングループ、生産支援ユーティリティ、操作ガイダンス手順などが候補になります。 1. タスクと責任者を定義します。 2. 必要な信号、文書、作業履歴、SOP を接続します。 3. FactVerse で資産と空間の文脈をマッピングします。 4. AI 発見を誰がレビューするか、リスクが承認にどう影響するかを決めます。 5. 確認済みの発見を Inspector、Checklist、CMMS、EAM、または実行システムへ渡します。 6. 現場証拠と作業後読み値を取得します。 7. 結果をレビューし、ループが安定してから拡張します。 ## 評価チェックリスト * 各 AI 発見を資産、空間、信号、文書、作業履歴へ追跡できるか * 各推奨にレビュー担当と実行先があるか * 現場チームが適切な SOP、チェックリスト、安全メモ、証拠要求を確認できるか * 完了メモ、写真、読み値、例外、検証結果が記録されるか * 却下された提案と手動修正をレビュー用に保持できるか * 結果記録が機械学習評価と今後の推奨調整を支援できるか ## 公開参考 [ワークフローのデジタル化ソリューションページ](/solutions/workflow-digitization)では、DataMesh がアラーム、計画タスク、点検記録、ガイド手順、作業指示をどう接続するかを説明しています。 [FactVerse AI Agent 運用ループガイド](/resources/guides/factverse-ai-agent-industrial-operations-loop)では、AI 推奨が人のレビューを含む産業運用ループへ入る流れを説明しています。 --- ## [GUIDES] ai-facility-management-operational-digital-twins ## 施設管理には共通の運用コンテキストが必要 大規模施設は多くの専門システムで運用されています。BMS、EMS、メーター、アラーム、資産台帳、CMMS、EAM、BIM、図面、サービスレポート、点検記録は、それぞれ施設の一部を表します。問題が発生したとき、作業指示を作るとき、エネルギー傾向が変化したとき、経営層が証跡を求めるとき、チームは分散した情報をつなぎ直す必要があります。 AI施設管理の出発点は運用デジタルツインです。デジタルツインは空間、資産、システム、データ、作業記録、文書、現場実行をつなぎ、チームが同じ文脈で施設状態を確認できるようにします。AIは異常の要約、パターン比較、推奨アクションの下書き、管理レビューの準備を支援します。 この考え方は、商業施設、キャンパス、データセンター、工場、ユーティリティ、高度製造施設に適用できます。先端製造の現場では、クリーン環境を支える設備、電力、圧縮空気、冷却、排気、アラーム、点検、サービス引き継ぎを複数拠点で管理する必要があります。共有された運用デジタルツインは、レビューと実行の安定した文脈になります。 ## 施設デジタルツインが接続すべきもの | レイヤー | 運用コンテキスト | |---|---| | 空間 | サイト、建物、階、部屋、ゾーン、クリーンエリア、サービス通路、アクセスルート、安全境界 | | システム | HVAC、冷却、配電、照明、水、圧縮空気、排気、防災、エレベーター、プロセスユーティリティ | | 資産 | 設備台帳、資産ID、文書、サービス責任者、保全計画、保証情報、予備品参照 | | 信号 | BMSポイント、メーター、センサー、アラーム、環境データ、ヒストリアンタグ、算出指標 | | 作業 | 点検、作業指示、是正アクション、写真、現場メモ、受入記録、検証状態 | | エネルギー | メーター値、EUI、負荷構成、運転時間、気象文脈、設定値、改善案 | | セマンティクス | Brick Schemaに沿った建物、システム、設備、メーター、センサー、ポイント、関係 | | ガバナンス | ソース責任者、データ品質、承認経路、運用責任、バージョン、証跡保持 | 信号を影響範囲、資産、システム、責任チーム、現場記録に追跡できると、デジタルツインは日々の運用で使える基盤になります。 ## DataMeshのAI施設管理ワークフロー 1. **施設データを集める** - BMS、EMS、メーター、IoT、ヒストリアン、資産台帳、CMMS、EAM、BIM/IFC、図面、点検計画、サービスレポートを集約します。 2. **運用デジタルツインを構築する** - FactVerseとTwin Engineで空間、資産、ユーティリティ、文書、ルート、ポイント、作業文脈を整理します。 3. **データパイプラインを接続する** - Data Fusion Servicesでデータを取り込み、整形し、標準化し、計算し、正しいツインオブジェクトに紐づけます。 4. **施設セマンティクスを整理する** - 必要に応じてBrick Schemaに沿った関係を使い、建物、ゾーン、設備、メーター、センサー、ポイントの意味をそろえます。 5. **AIでレビューを支援する** - FactVerse AI Agentで異常なエネルギー消費、繰り返しアラーム、欠けている記録、保全パターン、候補アクションを要約します。 6. **エネルギー施策を比較する** - 詳細な建物エネルギーモデリングと施策比較が必要な場合はEnergyPlusベースの分析フローを使います。 7. **作業を実行して検証する** - Inspectorで点検、作業指示、割当、写真、修理メモ、受入記録、検証証跡を管理します。 この流れにより、信号から分析、分析から作業、作業から検証記録までがつながります。 ## AIが価値を出しやすい領域 AIは施設コンテキストが接続された状態で力を発揮します。FactVerse AI Agentは、大量の運用データと作業履歴をダッシュボード単位で確認する作業より速く整理できます。 代表的なレビューには次のようなものがあります。 - 空間、システム、資産、時間帯、作業履歴ごとの繰り返しアラーム。 - メーター、ゾーン、資産グループ、気象、運転時間を踏まえた異常エネルギー使用。 - 修理が多い資産、不完全な記録、受入不合格が繰り返される資産。 - 施設、ユーティリティ、保全の文脈で確認すべきクリーンエリアの環境ドリフト。 - 複数拠点、サービスチーム、資産クラスをまたぐ作業指示の滞留傾向。 - 工学レビュー、コスト文脈、現場検証が必要な改善候補。 AIの役割は意思決定支援です。責任者、承認ルール、現場実行、検証証跡は施設チームの運用に残ります。 ## Brick SchemaとEnergyPlusの組み合わせ Brick Schemaは建物と施設データに一貫した意味レイヤーを与えます。温度ポイントは正しいセンサー、ゾーン、空調システム、設備に結び付けられます。メーターは計測対象のシステムや空間に結び付きます。作業指示は、発生元の資産、アラーム、文書、点検記録とつながります。 この意味構造は、保全、エネルギー分析、Green Mark準備、管理レビューの追跡性を高めます。AI Agentが問題を要約し推奨アクションを準備する際にも、より明確な文脈を与えます。 より深いエネルギー分析が必要な場合はEnergyPlusを使います。DataMeshはBIM/IFC、気象データ、運用記録、デジタルツイン文脈をEnergyPlusベースの建物エネルギーモデルにつなぎ、EUI、負荷構成、運転計画、設定値、改修案、制御方針の比較を支援します。 分析結果は運用ループに戻します。チームは作業指示を作成し、前提を記録し、現場結果を取得し、実施後の運用記録を基準値と比較できます。 ## どこから始めるか 最初の対象は、施設データ、資産責任者、現場実行の流れがすでにある範囲が適しています。 - 繰り返しアラームや責任分界が不明確なユーティリティ。 - エネルギーや快適性のレビューが必要なHVACと冷却システム。 - 環境ドリフトと保全記録を共有すべきクリーン環境支援システム。 - エネルギー管理に使うメーター群と高負荷ゾーン。 - 点検頻度が高く、現場記録が多い設備。 - 共通の資産クラスとレポートが必要な複数拠点の施設群。 最初のパイロットでは、管理しやすい資産グループ、少数のデータソース、明確な作業指示ルート、施設チームが信頼しているレビュー指標を選びます。 ## 検証すべき指標 AI施設管理は各サイトの基準値で検証します。代表的な指標は次の通りです。 - アラームや所見からレビューまでの時間。 - 所見が計画作業に移行した割合。 - 作業指示の完了品質と証跡の完全性。 - 是正後の繰り返しアラーム率。 - エネルギー基準値の完全性とレビュー頻度。 - 重要資産とシステムのデータマッピング範囲。 - 現場チームによるガイド手順と記録取得の受容度。 - 拠点、資産、サービスチームをまたぐ管理レビュー品質。 成熟したプログラムでは、削減効果を議論する前に、作業品質と意思決定の追跡性を確認します。 ## 公開参考 [JTCとDataMeshの協業](/about/news/collaboration-between-jtc-datamesh) は、複雑な施設と建設ワークフローにおけるデジタルツインとMixed Realityの活用を示しています。 [横河電機の予知保全リファレンス](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) は、産業施設におけるAI支援型保全レビューの公開事例です。 [Swire Coca-Colaの保全リファレンス](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) は、現場訓練、保全プロセスのデジタル化、現場記録が実行を支える流れを示しています。 [FaureciaとEVE Energyのリファレンス](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) は、運用可視化、エネルギー文脈、デジタルツインワークフローが製造と施設改善を支える方法を示しています。 --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## 運用デジタルツインには実運用に耐えるモデル資産が必要 BIM、CAD、点群、3D ファイルは、異なるチームやプロジェクト段階から入ってくることが多くあります。設計モデルは設計意図を持ち、CAD ファイルは設備やレイアウト、機械的な詳細を表し、点群は現場の実態を記録します。資産台帳、写真、図面、コミッショニング記録は不足する文脈を補います。 運用デジタルツインでは、これらのソースを安定した資産レイヤーへ整える必要があります。モデルは速く開けること、現場と合うこと、実際の資産 ID につながること、権限管理に対応すること、データ接続先が明確であることが求められます。見た目のよいモデルでも、準備が不足すると施設管理、建設ガイダンス、シミュレーション、現場点検で使いにくくなります。 [FactVerse Designer](/products/designer) と [FactVerse Twin Engine](/products/factverse-twin-engine) は、ソースモデルを再利用可能な運用デジタルツイン資産へ変換する作業を支援します。ジオメトリを整理し、必要な意味情報を残し、現場と合わせ、アプリケーションから参照できるオブジェクトを準備します。 ## ソースモデルごとの役割 | ソース | 資産パイプラインでの主な価値 | |---|---| | BIM | 空間構造、システム、設計意図、設備配置、文書リンク | | CAD と 3D モデル | 設備形状、生産レイアウト、機械部品、ベンダーオブジェクト | | 点群 | 竣工取得、クリアランス確認、改修証跡、現場合わせ | | 図面と写真 | 不足オブジェクト、動線、隠蔽部、保守エリアの文脈 | | 資産台帳 | 資産 ID、名称、所有者、システム、保全責任、ライフサイクル状態 | | 運用データ | センサー、メーター、アラーム、状態値、文書、点検記録、手順 | 各ソースには所有者、版、レビュー状態を持たせます。現場で不整合が見つかった時、モデル変更の理由を説明する時、シミュレーション側が前提条件を確認する時に必要になります。 ## インポート前の品質ゲート 制作ツールへ入れる前に、基本条件を確認します。 * ソース所有者、利用許諾、エクスポート日、承認状態 * 単位、原点、向き、座標系、サイト基準 * 専門分野の範囲、階またはゾーンの範囲、モデル版 * ファイル容量、オブジェクト数、テクスチャサイズ、対象ランタイム * 階、部屋、システム、資産、設備クラスの命名規則 * 機密ジオメトリ、セキュリティ制約、ロール別アクセス要件 * 資産台帳、文書、運用システムへのリンク要件 これらの確認により、モデルのずれ、巨大なファイル、重複設備、資産 ID 欠落、所有者不明、再利用しにくいジオメトリを減らせます。 ## ランタイム向けにジオメトリを整える 運用アプリケーションを使う人は、元のモデリングチーム以外の関係者です。モデルは読み込み、描画、検索、更新がしやすい状態にする必要があります。ジオメトリ準備には次の作業が含まれます。 * 対象ワークフローに寄与しない施工詳細を取り除く * サイト、建物、階、ゾーン、システム、設備グループで大規模モデルを分割する * 繰り返しオブジェクトを軽量化しながら識別しやすい形を残す * BIM、CAD、点群ソースの原点と座標参照を合わせる * デスクトップ、モバイル、Web、複合現実向けに詳細レベルを用意する * ラベル、フィルター、権限、データ接続に使える安定した階層を保つ * 通行エリア、保守スペース、安全境界、現場ルートからの視認性を確認する 目標は、軽快に動き、運用チームが探すべき対象を保持したモデルです。 ## 点群で竣工状態の信頼性を高める 現場変更が文書更新より速い場合、点群は特に有効です。現在の施設と設計記録を比較し、設置済み設備を特定し、サービスエリア周辺のスペースを確認し、改修範囲を更新できます。 点群は、オーナー、施工会社、施設チームの合意形成にも使えます。BIM オブジェクト、CAD ファイル、現場スキャンが一致しない場合、差分を記録し、モデルソースを更新し、判断の履歴を残せます。 レビュー対象には、設備位置、ルートクリアランス、配管やケーブルラックの密集、保守スペース、床レベル、天井内空間、ラック配置、仮設工事が含まれます。結果は具体的なモデル更新または例外記録へ落とし込みます。 ## オブジェクトを運用資産としてまとめる 資産パイプラインの成果は、オブジェクトが運用に参加できる状態になることです。ポンプ、AHU、チラー、ラック、ロボットセル、包装ステーション、クレーン、バルブは、アプリケーションが識別して再利用できる文脈を持つ必要があります。 主なフィールドは次の通りです。 * 資産 ID と表示名 * 資産クラス、システム、階、部屋、ゾーン、ルート * ソースモデル、ソース版、レビュアー、承認状態 * 文書リンク、図面、マニュアル、SOP、点検テンプレート * センサー、メーター、アラーム、状態値、作業記録へのデータ接続先 * 色、ラベル、表示制御、シナリオグループなどの視覚状態ルール * 機密エリア、設備、顧客固有レイアウトに対する権限分類 これにより 3D コンテンツは、施設チーム、現場チーム、シミュレーションチーム、AI ワークフローが共有できる運用オブジェクトライブラリになります。 ## DataMesh の資産パイプライン 1. **ソースパッケージを集める** - BIM、CAD、3D、点群、図面、写真、資産リスト、設備文書、運用システム参照を集約します。 2. **モデル基礎を検証する** - 単位、座標、原点、ファイル容量、対象範囲、オブジェクト階層、命名、所有者、セキュリティ境界を確認します。 3. **ジオメトリを標準化して分割する** - 階、ゾーン、システム、プロセスエリア、設備グループ、ランタイムシナリオに合わせて整えます。 4. **現場実態に合わせる** - 点群または現場記録を使い、位置、クリアランス、アクセス、改修差分を確認します。 5. **運用オブジェクトを作る** - 資産 ID、クラス、空間、システム、文書、点検テンプレート、データ接続先を付与します。 6. **シーン動作を作成する** - Designer でビュー、ラベル、パネル、シナリオロジック、階切替、ウォークスルー、説明フローを作ります。 7. **ランタイムへ公開する** - Twin Engine と FactVerse アプリケーションで、可視化、現場ガイダンス、監視、シミュレーション、施設ワークフローに利用します。 8. **更新を管理する** - 施設変更に合わせて版履歴、レビュー記録、ソース所有者、変更メモを維持します。 ## 準備状況チェックリスト * 公開済みモデルはソースファイルと所有者へ追跡できるか * 単位、スケール、原点、向き、サイト座標は検証済みか * モデルは利用アプリケーションに合わせて分割されているか * 階、ゾーン、システム、設備、ルートの名称は一貫しているか * 資産 ID は顧客の資産台帳または保全システムと合っているか * 機密エリアや顧客固有ジオメトリはアクセスルールで保護されているか * 点群で見つかった内容はモデル更新または例外記録になっているか * ダッシュボードや AI ワークフローがシーンを使う前にデータ接続先が用意されているか * 公開後に施設が変わった時の更新経路は明確か ## 公開参考 [JTC と DataMesh の協業](/about/news/collaboration-between-jtc-datamesh)では、BIM と複合現実が建設手順の理解と現場実行に使われています。 [大林組の建設事例](/about/news/digital-twin-empowers-bim-obayashi)では、BIM データとデジタルツインコンテンツが建設プロセスレビューを支援しています。 [TOKYO TORCH XR 投影ツアー](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq)では、BIM ベースのデジタルツイン可視化が計画建物のステークホルダーコミュニケーションに使われています。 [FactVerse と NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)の発表では、DataMesh のシミュレーションデジタルツインと相互運用可能な 3D ワークフローの方向性を示しています。 --- ## [GUIDES] bim-to-operational-digital-twin ## BIMは運用に届くと価値が広がる BIMは設計モデルとして大きな価値を持ちます。一方で運用チームには、場所、アセット、システム、タスク、ライブ状態、記録をつなぐ業務コンテキストが必要です。設計レビューの後も、モデルが「問題はどこにあるか」「どの設備に影響するか」「次の担当は誰か」「結果を示す証跡はどれか」を支えられることが重要です。 運用デジタルツインは、BIMと3Dアセットを現場と施設のワークフローへつなぎます。モデル形状にアセットID、空間階層、データ連携、ガイド手順、点検記録、作業指示、引き渡し証跡を結び付けます。モデルは施工チーム、オーナー、サービス会社、施設チームが共有する運用コンテキストになります。 MEPエリア、機械室、改修フロア、高密度な設備廊下、データセンター、キャンパス、複雑施設では、図面、写真、課題リスト、システムデータが分散しやすいため、この考え方が特に有効です。 ## BIMが運用化されると変わること | レイヤー | 運用での使い方 | |---|---| | 空間階層 | サイト、建物、フロア、部屋、ゾーン、ルート、アクセスエリア、安全境界 | | アセットID | 設備ID、所属システム、タグ、文書、担当者、保全責任 | | システム関係 | 電力、冷却、空調、水、プロセス、制御、上流下流の依存関係 | | データ連携 | センサー、メーター、アラーム、BMS、SCADA、IoT、CMMS、EAM、作業履歴 | | 現場ワークフロー | 施工ガイダンス、コミッショニング、点検、課題、作業指示、受入証跡 | | 施設ワークフロー | 監視、保全、エネルギーレビュー、改修計画、緊急対応、訓練 | | ガバナンス | モデル版、データソース、オーナー、更新手順、品質レビュー、引き渡し状態 | 変化の中心は、見えるモデルから継続的に使える運用コンテキストへの発展です。施工、調整、引き渡し、日常保全、将来の改修で同じ空間コンテキストを使えます。 ## DataMeshワークフロー 1. **ソースモデルと記録を集める** - BIM、CAD、点群、図面、設備リスト、O&M文書、コミッショニング記録、課題ログ、現場写真を集約します。 2. **空間オブジェクトモデルを作る** - FactVerseとTwin Engineで建物、フロア、部屋、ゾーン、システム、アセット、ルート、関係を整理します。 3. **データソースを接続する** - Data Fusion Servicesで施設システム、業務システム、センサー、メーター、アラーム、文書、作業記録を接続します。 4. **使えるシーンを作成する** - Designerでシーン、ラベル、パネル、挙動、フロア切替、システムビュー、シナリオ説明を準備します。 5. **現場ガイダンスを支える** - DirectorとDataMesh Oneで施工ガイダンス、点検ステップ、調整手順、訓練、関係者レビューを提供します。 6. **実行記録を取得する** - Inspectorで課題、点検、写真、是正対応、作業指示、受入メモ、検証状態を記録します。 7. **運用へ引き継ぐ** - 施設変更に合わせてツインを更新し、保全、エネルギー分析、改修、緊急対応で同じアセットと空間コンテキストを使います。 目的は、プロジェクトデータを運用データへ連続的に引き渡すことです。 ## 先に効果を出しやすいワークフロー - **施工調整**：MEPルート、高密度設備エリア、隠蔽部、施工順序、現場制約を3Dコンテキストで確認します。 - **コミッショニングと引き渡し**：受入記録、写真、アセットID、調整文書、残課題を部屋や設備に関連付けます。 - **施設監視**：ライブ状態、アラーム、メーター、設備状態をツインに紐付け、発生場所を理解します。 - **点検と保全**：空間コンテキストを点検、作業指示、写真、是正対応、クローズ証跡へつなげます。 - **改修計画**：着工前に影響ゾーン、アクセス経路、周辺システム、設備関係、現場制約を確認します。 - **エネルギーとサステナビリティのレビュー**：ゾーン、システム、メーター、アセット関係、運用記録をつなぎ、施設分析とGreen Mark準備証跡を支えます。 空間コンテキストが実際の引き継ぎ課題を減らせるワークフローから始めると効果を検証しやすくなります。 ## DataMesh製品の役割 [FactVerse](/products/factverse) は運用デジタルツインのプラットフォーム基盤で、アセット、空間、データ、AI、シミュレーション、ワークフローのコンテキストをつなぎます。 [FactVerse Twin Engine](/products/factverse-twin-engine) はBIM、CAD、点群、運用記録をアプリケーションが使えるランタイムコンテキストにします。 [Data Fusion Services](/products/dfs) は運用データと業務記録をツインに接続し、ソースデータをアセット、空間、システム、ワークフローに対応付けます。 [FactVerse Designer](/products/designer) はシーン、ビュー、インタラクション、シナリオ説明、視覚的な計画コンテンツを準備します。 [Director](/products/director) はガイド手順、施工ガイダンス、訓練、現場向け指示を支援します。 [Inspector](/products/inspector) は点検、作業指示、課題クローズ、保全証跡、施設記録を管理します。 これらの製品により、プロジェクト可視化から実際に使える運用デジタルツインへ進めます。 ## ガバナンスチェックリスト - BIM、CAD、点群、図面のソースに版とオーナーが記録されていますか? - 建物、フロア、部屋、ゾーン、システム、アセットの命名は一貫していますか? - アセットIDは企業アセット記録や保全システムと揃っていますか? - データ連携にソース、単位、更新ルール、品質状態が記録されていますか? - 現場記録は正しい空間、アセット、タスク、シナリオ版につながっていますか? - 引き渡し文書、写真、課題、受入メモ、コミッショニング記録をツインから検索できますか? - 施工状態や施設構成が変わる際の更新責任は明確ですか? - 施設チームは同じコンテキストで監視、点検、保全、改修、訓練を進められますか? これらの確認により、モデル変換を長期的な運用アセットへ発展させられます。 ## 公開参考情報 [JTCとDataMeshの協業](/about/news/collaboration-between-jtc-datamesh) は、BIMとMRを施工手順の理解と現場作業に活用した例です。 [大林組の施工事例](/about/news/digital-twin-empowers-bim-obayashi) は、BIMデータとMRを組み合わせた施工プロセス支援を示しています。 [戸田建設 SAGA Arena事例](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) は、施工方法のシミュレーションと検証にデジタルツインとMRを使った例です。 [TOKYO TORCH XR投影ツアー](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) は、BIMベースのデジタルツイン可視化を計画建物の関係者コミュニケーションに使った公開事例です。 --- ## [GUIDES] calibration-levels-and-simulation-claim-confidence ## 判断根拠が増えるほど確信度も高まる モデル較正により、シミュレーションは特定の施設、工程、運転条件をより的確に表せるようになります。その判断根拠の強さは、データの網羅性、比較方法、残差、独立した確認によって決まります。一つの運転期間に取得した一地点の温度だけに合わせたモデルと、複数の場所、負荷、設備状態、さらに独立した妥当性確認期間で比較したモデルでは、判断に用いる際の価値が異なります。 技術選定担当者には、判断根拠の深さと妥当な結論を結び付ける簡明な基準が必要です。初期評価では、次の四段階が役立ちます。 | 判断根拠のレベル | 代表的な判断根拠 | 適した判断 | 妥当な結論の範囲 | |---|---|---|---| | 探索 | レビュー済みの形状、工学的な前提、記録された入力、基本的な品質確認、主要変数への感度 | 構想の絞り込み、選択肢の比較、計測計画、パイロットの定義 | 明示した前提の下での方向性と相対比較 | | ベンチマーク済み | 探索段階の根拠に加え、公認、管理済み、またはベンダーと合意した基準ケースとの比較 | 手法の適合性確認、ワークフロー選定、既知の挙動の確認、基準となる確信度の確立 | 定義したベンチマークと検証した変数に対する性能 | | 実測データによる較正済み | 代表性のある現場計測、選定した物理パラメータ、較正目標、残差、受入限界、レビュー記録 | 現場固有のシミュレーションシナリオ比較、較正範囲内の運用計画、対象を絞った条件変更分析 | 記録された較正範囲と残る不確かさの中での量、タイミング、余裕 | | シミュレーションシナリオ固有の妥当性確認済み | 較正済みモデルに加え、関連条件での独立した根拠、頑健性確認、不確かさのレビュー、専門家の承認 | 影響度の高い計画の支援、レジリエンスレビュー、工学上の優先順位付け、明確な運用判断 | 妥当性を確認した変数、場所、条件、想定用途に対する結論 | この四段階は技術評価の枠組みです。認証や承認では、想定用途、必要な厳密さ、領域専門家によるレビュー、各プロジェクトに定められたガバナンス手順も考慮します。 ## モデル較正でモデルと観測挙動を結び付ける シミュレーションは、形状、トポロジー、物理的な関係、運転状態、境界条件、数値計算手法を組み合わせます。入力には、直接計測したもののほか、設計情報、ベンダー資料、工学的判断、不確かさを伴う前提から得たものがあります。 モデル較正では、選定した不確かなパラメータを調整し、合意した出力を代表性のある観測結果に近づけます。例を次に示します。 * データセンターの熱モデルにおける気流抵抗、漏気、設備性能 * 地域熱供給モデルにおける送水、還水、流量、圧力、建物の熱需要、制御パラメータ * クリーンルームの拡散モデルにおける局所排気流量、フィルターやファンの状態、発生源の挙動、境界条件の前提 * 生産工程とロボティクスのモデルにおける質量、摩擦、減衰、剛性、反発係数、タイミング、接触の前提 較正目標は、対象の判断に合わせます。ラック吸気温度の余裕を検討するには、該当するラック位置と運転負荷での根拠が必要です。検知器の配置を検討するには、対象とする放出条件と換気条件における時系列の濃度および応答データが必要です。ロボットの受け渡しを検討するには、タスクと資産状態に対応した動作および接触データが必要です。 ## 見える形で較正サイクルを管理する ![実測データ、モデル較正、比較、承認、検証のサイクル](/images/physics/district-heating-model-data-feedback.webp) *較正サイクルでは、代表性のある実測データを、モデル調整、比較、専門レビュー、条件変更後の検証へ結び付けます。* 体系的な較正サイクルは、次の八つのステップで構成されます。 1. **想定用途を定義する** - 判断、出力変数、場所、対象期間、誤りがもたらす影響を明記します。 2. **計測データの適合性を確認する** - センサーの識別情報、単位、設置場所、サンプリング、時刻同期、校正状態、欠損データ、運転状態の網羅性をレビューします。 3. **基準モデルを実行する** - パラメータ調整前の結果を保存し、元の不一致と較正による変化をレビュー担当者が確認できるようにします。 4. **物理パラメータを選定する** - モデル化した挙動と妥当な関係を持つパラメータを調整対象とし、許容範囲を記録します。 5. **比較目標を定義する** - 適合度の評価に用いる場所、期間、指標、重み、受入限界を選定します。 6. **選定データで較正する** - 較正データ全体に対するパラメータの変更、残差、警告、適合度を記録します。 7. **独立した条件を確認する** - パラメータ調整には用いず確保しておいた期間、運転状態、試験、実測データセットと比較します。 8. **判断根拠の適用範囲を承認する** - 条件、変数、残差限界、不確かさ、レビュー担当者、支援できる判断、妥当性を再確認する条件を記録します。 この記録によって、再現可能な工学検討と、一枚の画像が妥当に見えるまで調整を重ねた結果を区別できます。 ## 残差を判断根拠として読む 残差は、実測値と対応するシミュレーション値との差です。一つの平均値だけでは重要な挙動を見落とす可能性があるため、レビューでは判断に関係する軸に沿って残差を確認します。 有効な表示方法には、次のものがあります。 * センサー別または空間位置別の残差 * 時間別および運転状態別の残差 * 平均誤差と絶対誤差 * 系統的な正または負の偏り * ピーク条件および遷移期間の挙動 * 反復シナリオや変動シナリオにおけるばらつき * 較正データと独立した妥当性確認データの比較 残差の受入基準は、最終レビュー前に定義します。限界値には、計測の不確かさ、運用上の許容範囲、変数が判断に与える重要度、誤りの影響を反映できます。方向性を確認する選択肢の絞り込みでは比較的広い残差を許容できる一方、現場固有のしきい値やタイミングには、より厳密な根拠が必要です。 ## 較正に使っていないデータでモデルを確認する 較正の品質は、判断根拠が対象とする範囲によって決まります。同じ狭いデータセットに対してパラメータ調整を繰り返すと、その期間にはよく適合しても、ほかの条件での確信度が低下することがあります。 技術選定担当者は、次の点を確認します。 * 判断に影響するゾーンを網羅した複数の空間位置 * 想定する判断範囲を表す運転条件 * レジリエンスを対象とする場合の遷移状態と性能低下状態 * 物理的に妥当なパラメータ範囲 * 影響度の高いパラメータの感度分析 * 独立した期間、条件、ベンチマーク、試験 * 妥当なデータ変動とパラメータ変動に対して安定した所見 モデルでは物理的な意味を保つ必要があります。局所的な挙動、保存則、方向性、タイミング、システム間の関係も整合していれば、総合評価値の改善を有効な根拠として扱えます。 ## 較正と妥当性確認を明確に区別する 較正では、選定した根拠を使って不確かなパラメータを調整します。妥当性確認では、想定用途に対するモデル出力を、適切かつ独立した根拠と比較します。パラメータ調整に使ったデータセットから得られる独立性は限られるため、確かな検討では、別の期間、条件、ベンチマーク、試験を妥当性確認用に確保します。 妥当性確認の根拠には、次の事項を示します。 * 比較した変数と場所 * 対象とした運転条件 * 計測または実験の不確かさ * 残差または比較指標 * 受入範囲とレビューの根拠 * 結論の対象となるモデル条件 * 既知の不一致と未解決のリスク 改善した適合度を適用できるのは、記録した条件の範囲内です。形状、設備、制御、負荷、環境状態、運転範囲が変われば、新たな比較根拠が必要になる場合があります。 ## 結論を較正の適用範囲に合わせる 較正の適用範囲とは、較正と妥当性確認の根拠が支える条件の範囲です。負荷、温度、気流、圧力、設備状態、発生源の強度、制御モード、対象期間、材料の挙動などを含みます。 根拠に見合った結論の例を次に示します。 | 判断根拠 | 技術評価として妥当な結論 | |---|---| | 前提をレビューした探索モデル | このシミュレーションシナリオは、想定される挙動の比較と、計測または設計案の優先順位付けに役立つ | | 定義した変数でベンチマークと一致 | このワークフローは、報告された比較限界の範囲で選定した基準挙動を再現する | | 代表性のある運用データを用いた現場較正 | このモデルは、記録された運転範囲と残差限界の中で、現場固有のシミュレーションシナリオ比較を支援する | | 独立したシナリオでの妥当性確認と頑健性レビュー | このモデルは、記録された不確かさと承認責任を条件として、妥当性を確認した変数と条件に関する所定の判断を支援する | 現場固有の性能は、適用範囲、残差、不確かさ、レビュー責任者とともに示します。これにより、精度の数値を対象条件と結び付けて評価できます。 ## 較正後に残る不確かさを理解する 較正は、選定したパラメータと判断根拠に関係する不一致を減らします。そのほかにも、次の不確かさが残ります。 * 計測の不確かさとセンサーの設置場所 * 欠損している、または観測していない運転条件 * 形状とトポロジーの単純化 * 不確かな材料挙動や設備挙動 * 境界条件の変動 * 数値近似と離散化 * 省略した相互作用や外乱 * 観測範囲を超える将来の運転状態 有効なプロジェクトでは、どの不確かさが判断指標に最も影響するかを示します。その結果は、次に行うセンサー配備、試験、データ品質改善、ベンチマーク、シナリオ群、詳細な工学検討の選定に役立ちます。 ## 引き渡し前に妥当性を再確認する条件を定義する 較正済みモデルは、明確な判断根拠の適用範囲を持つ運用資産です。引き渡し資料には、根拠のレビューが必要になる条件を明記します。 代表的な条件には、次のものがあります。 * 施設レイアウト、ネットワークトポロジー、生産設備の重要な変更 * 冷却、換気、排気、ポンプ、制御、安全システムの変更 * 新たな負荷範囲、工程レシピ、ロボットタスク、運転モード * センサーの交換、移設、再校正、データ品質の低下 * 合意したしきい値を超える残差の継続的な変動 * モデルと一致しない現場挙動の確認 * 影響度がより高い新たな判断、または異なる想定用途 妥当性の再確認には、データと残差のレビュー、対象を絞った再較正、新たなベンチマーク、独立した試験、モデル全体の更新などがあります。対応の深さは、変更の重要度に合わせます。 ## 較正済みの結果を受け入れる前に確認すること ### 想定用途 * このモデルはどの判断を支えるか * 対象となる変数、場所、条件、期間はどこまでか * 誤った結論がもたらす影響は何か ### データと較正 * どの実測データを使用し、それらは想定用途を代表しているか * どのパラメータを、どの理由で選定し、どの範囲で調整したか * 基準結果を保存しているか * 最終レビュー前にどの残差と受入限界に合意したか ### 独立した根拠 * 妥当性確認用にどのデータまたは条件を確保したか * 場所、時間、負荷、設備状態によって性能がどう変化したか * 感度分析または不確かさ分析を行っても安定していた所見はどれか ### 結論と責任 * どの判断根拠レベルを示しているか * 較正の適用範囲内でどの判断を支援できるか * どの条件で再実行または新たな根拠が必要になるか * モデル、根拠資料、結果に基づく対応を誰が承認したか ## 適切な次の評価ステップを選ぶ 技術選定担当者が判断を明確にし、構想を比較して、不足する根拠を特定する場合は、**探索評価**が適しています。 新しい手法やワークフローを、管理された基準挙動と比較する場合は、**ベンチマーク試験**が適しています。 現場固有の量、タイミング、余裕、運用応答が重要で、代表性のあるデータを利用できる場合は、**実測データによる較正試験**が適しています。 判断の影響度が高く、関連条件での独立した根拠が必要な場合は、**シミュレーションシナリオ固有の妥当性確認試験**が適しています。 自社環境でデータの準備状況、モデルの有用性、受入基準、レビュー責任、引き渡し要件を実証する場合は、**対象を絞ったパイロット**が適しています。 まず一つの判断を定義し、それにふさわしい判断根拠のレベルを決めます。[シミュレーションの判断根拠を評価するためのガイド](/resources/guides/how-to-evaluate-simulation-evidence)では、根拠の連鎖全体をレビューするための幅広いチェックリストを紹介しています。 ## DataMesh が判断根拠のライフサイクルを支える仕組み [Data Fusion Services](/products/dfs) は、実測データと工学データを、識別情報、時刻整合、リネージ、品質情報とともに整理します。[FactVerse Designer](/products/designer) は、空間シーン、挙動、シミュレーションシナリオ、バージョン管理されたレビュー文脈を保持します。DataMesh のプロジェクトワークフローは、シミュレーション場を指標、所見、対応、専門レビューへ結び付けます。 生産工程とロボティクスのシミュレーションシナリオについては[工程シミュレーションと仮想計画](/solutions/process-simulation)、熱環境とレジリエンスについては[データセンター運用](/solutions/ai-agent-data-center)、クリーンルームの気流と検知については[半導体施設運用](/solutions/ai-agent-semiconductor)、ネットワークの較正と計画については[スマート地域熱供給](/solutions/heatops)をご覧ください。 ## 公開参考資料 [米国国立標準技術研究所（NIST）による産業分野の検証、妥当性確認、不確かさ定量化のレビュー](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)では、物理モデルの品質、解析担当者の品質、検証と妥当性確認、不確かさの定量化がシミュレーションの信頼性を支える要素として説明されています。 NIST の[計算モデルによる予測の較正と不確かさ分析に関する論文](https://www.nist.gov/publications/calibration-and-uncertainty-analysis-predictions-computational-models)では、限られた物理実験に基づく較正と、計測およびモデルの不完全さに起因する不確かさを論じています。 米国機械学会（ASME）の[検証と妥当性確認（V&V）を扱う V&V 20 規格ページ](https://www.asme.org/codes-standards/find-codes-standards/standard-for-verification-and-validation-in-computational-fluid-dynamics-and-heat-transfer/2009)では、指定した妥当性確認点における指定変数の妥当性確認を説明し、より広範な内挿や外挿を用途ごとの工学判断として扱っています。 米国航空宇宙局（NASA）の公開資料 [Modeling and Simulations FAQ](https://public.ksc.nasa.gov/mns/faq/) では、入力の来歴、検証、妥当性確認、不確かさの特性評価、結果の頑健性が、意思決定者による信頼性評価の要素として挙げられています。 --- ## [GUIDES] cleanroom-airflow-gas-dispersion-evaluation ## 安全に関する判断には施設全体の空間的な把握が必要 クリーンルームやプロセス区域の監視では、設置済みの測定点から重要な観測値を取得します。点型センサーが記録するのは、設置位置の状態です。差圧測定値は、選定した境界の状態を表します。排気信号は、特定のシステムの状態を示します。これらを組み合わせることで、チームは現在の運転状況を把握できます。 気流とガス拡散の検討には、空間的な視点も必要です。設備、間仕切り、ファンフィルターユニット（FFU）、還気口、扉、人、熱源、局所排気は、センサー間にある経路へ気流を変化させることがあります。同じ発生源でも、換気、装置レイアウト、扉の状態、温熱条件、排気性能が変われば、移動の仕方も変化します。 個別プロジェクトの解析により、導入検討者は、明確な判断目的に沿ってこれらの相互作用を評価できます。代表的な検討事項は次のとおりです。 * 装置やエンクロージャの変更案によって、ベイ内の気流はどう変わるか * 選定した放出シナリオでは、どの区域が影響を受ける可能性があるか * 代表的な条件下で、どの程度の物質が局所排気経路へ到達するか * 影響範囲が最も広く、または滞留時間が最も長くなる運転状態はどれか * 追加の測定、点検、工学レビューはどこで有効か ## まず運用上の判断を定める 判断目的によって、モデルの範囲、必要な根拠、レビュー担当者が決まります。装置導入レビューに必要な発生源ケースと形状の詳細度は、検知器配置の検討や、繰り返し発生する環境アラームの調査とは異なります。 | 判断の場面 | 重視する根拠 | 有用な出力 | |---|---|---| | 装置またはレイアウトの変更案 | 現行および変更後の形状、設備の発熱と気流、給気、還気、排気、扉、運転状態 | 気流場の差、再循環区域、影響を受ける作業区域、レビューの優先事項 | | 選定した放出シナリオ | 発生位置、化学種の物性、放出プロファイル、換気状態、局所排気、関連する境界 | 濃度履歴、輸送経路、影響区域、捕集挙動、滞留時間 | | 換気または排気の変更 | 基準状態と候補案の気流、圧力、制御、能力、設備状態 | シナリオ間の差、捕集感度、室間関係、工学的な確認事項 | | 監視または検知器のレビュー | 発生源マトリクス、輸送挙動、センサー位置、応答特性、選定したしきい値 | 検知時間の分布、カバレッジ比較、潜在的な死角、配置案 | | アラームまたは事象の調査 | 時刻を整合した施設データ、設備状態、扉、作業履歴、現場観察、代表的なシナリオ | 根拠の不足、考えられる依存関係、点検の優先事項、追加解析の範囲 | 判断目的から設計することで、技術作業を事業価値と安全価値に結び付けられます。調達チームにとっても、成果物を評価する明確な基準になります。 ## 施設と発生源の基準状態を構築する 解析では、すべての主要入力を追跡可能にする必要があります。実用的な基準状態は、空間、換気、発生源、測定、ガバナンスに関する根拠を組み合わせます。 ### 空間と設備の状況 * 室、ベイ、サブファブ、ユーティリティ空間、天井、二重床、壁、扉、開口部の形状 * プロセス装置、エンクロージャ、作業台、間仕切り、保管物、気流を大きく妨げる物体 * FFU、給気ディフューザー、還気口、一般排気、局所排気、ダクト、ダンパー * 検知器、パーティクルカウンター、圧力センサー、温度センサー、ガスモニターの位置 * 判断に関係する清浄区域、圧力境界、有人区域、避難経路、対応区域 ### 換気と運転の状況 * 給気、還気、排気、圧力、温度、湿度、設備状態の根拠 * FFU の稼働状況、局所排気能力、扉の状態、制御、運転モード * 解析で表現する設備の発熱、工程状態、人や資材の移動 * 選定条件に関係する保全、フィルター、ダンパー、ファン、アラーム、環境の履歴 ### 発生源と化学種の状況 * 発生源の位置、高さ、向き、形状、近傍の捕集点との位置関係 * 選定した化学種とモデルで使用する物性 * 放出量または放出プロファイル、継続時間、温度、運動量、相に関する前提 * 想定可能な発生源のバリエーションと、それぞれの工学的根拠 * レビュー対象として選定した濃度、ばく露量、可視性、検知、捕集の指標 ### ガバナンスの状況 * 想定用途、誤りがもたらす影響、判断責任者 * 適用する施設、工程、安全、品質の要件 * 根拠のレベル、較正目標、受入基準、レビュー経路 * モデルの限界、対象外の条件、妥当性再確認のトリガー、引き継ぎ要件 [Data Fusion Services](/products/dfs) は、設備の識別情報、センサー位置、タイムスタンプ、単位、アラーム、保全記録、エンジニアリング資料の整合に利用できます。[DataMesh FactVerse](/products/factverse) は、施設空間、装置、ユーティリティ、検知器、システム間の関係をオペレーショナルデジタルツインとして整理します。[FactVerse Designer](/products/designer) は、個別プロジェクトの解析に使用する形状、レイアウト、発生源ケース、シナリオの準備を支援します。 ## 場の解析結果をレビュー可能な所見へ変換する ![クリーンルームの気流、選定したプルーム、検知器レビュー区域](/images/physics/cleanroom-airflow-detection-diagram.webp) *空間解析では、定義した発生源と換気状態を、輸送経路、影響区域、排気との相互作用、検知器位置に関連付けます。* 気流場と濃度場は、合意した指標と場所に関連付けることで判断に活用できます。導入検討者は、空間的な解析結果と簡潔な判断要約の両方を確認する必要があります。 有用な出力には次のものがあります。 * 気流の方向、速度、圧力、温熱場 * 選定した化学種の空間的・時間的濃度 * 合意した位置での到達時間、滞留時間、ピーク、パーセンタイル、積算ばく露指標 * 選定した排気経路へ向かう割合または量 * プロジェクトで定義したレビューしきい値を超える区域 * 基準、候補、性能低下、保守的シナリオの比較 * 発生源、気流、扉、排気、設備、境界条件の前提に対する感度 * 根拠の確信度と、結論が対象とする条件 しきい値には、その出典と用途を残す必要があります。検知器の設定値、職業ばく露限界、工程要件、施設のアクションレベル、モデル比較用のしきい値は、それぞれ異なる判断に用います。レポートでは、どのしきい値を使用したかと、解析に適用する判断責任者を明示します。 ## 監視とプロジェクト解析をつなげる | 業務レイヤー | 主な根拠 | 運用上の役割 | |---|---|---| | 施設監視 | 設置済みセンサー、設備状態、アラーム、トレンド、環境記録 | 観測された状態を示し、定められた対応ワークフローを開始する | | オペレーショナルデジタルツイン | 空間、資産、ユーティリティ、検知器位置、作業履歴、文書、責任者 | 各信号とタスクを施設内の状況に関連付ける | | 個別プロジェクトの物理解析 | レビュー済みの形状、換気状態、発生源シナリオ、測定値、モデル確認、不確かさ | 明確な工学判断または安全判断に向けて空間挙動を比較する | | 現場実行 | 所定の点検、割り当て、手順、観察、完了記録、検証 | 専門レビュー済みの所見を統制された対応へ移し、その結果を保存する | この一連の流れにより、解析は現行の資産と根拠に基づいた状態を維持できます。完了した点検、換気変更、検知器更新を次回の基準状態に反映することもできます。 ## 判断に応じて根拠の確信度を設定する 探索モデルは、明示した前提の下で相対的なパターン比較と測定計画を支援します。ベンチマーク済みモデルでは、管理された参照条件との確認を追加します。実測データで較正したモデルでは、代表的な施設観測値とモデル結果を比較します。シナリオ固有の妥当性確認を行った解析では、判断に関係する変数と条件について独立した根拠も加えます。 クリーンルームの較正根拠には、次のものを含められます。 * 関係する位置での気流速度と方向 * 選定した境界間の圧力関係 * 給気、還気、排気の測定値 * 温度またはトレーサー濃度の履歴 * スモーク可視化、トレーサー試験、その他の適切な現場根拠 * 各比較期間の設備、扉、換気の状態 * 位置、時間、変数、運転条件別の残差 [シミュレーションの較正ガイド](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、根拠のレベルが結論の確信度にどう影響するかを説明しています。[シミュレーション根拠の評価ガイド](/resources/guides/how-to-evaluate-simulation-evidence)では、検証、妥当性確認、不確かさ、引き継ぎについて、導入検討時に確認すべき幅広い問いを紹介しています。 ## 複数の想定可能なシナリオをレビューする 一つの発生源と一つの換気状態で表せる条件は限定的です。シナリオマトリクスを用いることで、判断責任者は網羅性と感度をより明確に把握できます。 有用な検討軸には次のものがあります。 * 発生源の位置、向き、放出プロファイル、継続時間 * 局所排気の通常、能力低下、停止状態 * FFU または換気設備の稼働状況 * 扉の開、閉、移行状態 * 設備、間仕切り、レイアウトの代替案 * 代表的な温熱条件と圧力条件 * 基準パラメータと保守的なモデルパラメータ * 数値的または物理的な変動が検知タイミングに影響する場合の反復実行 レビュー担当者は、条件を変えても維持される所見、影響区域が最も大きくなるシナリオ、判断を変える前提を確認します。[シナリオ集合ガイド](/resources/guides/scenario-ensembles-and-conservative-simulation-review)では、単一の実行結果を根拠全体として扱わず、範囲と保守的なレビューケースを選定する方法を説明しています。 ## 導入検討チェックリスト ### 判断と範囲 * 施設、工程、安全、監視に関する一つの判断が明確に定められているか * 対象とする空間、装置、ユーティリティ、発生源ケース、運転状態、時間範囲が定義されているか * 誤った結論がもたらす影響を担当レビュー者が理解しているか ### データの準備状況 * 形状、開口部、装置、障害物、給気、還気、排気、検知器の位置を確認できるか * 換気、圧力、温度、設備、扉、制御の状態を追跡できるか * 各測定値に識別情報、位置、タイムスタンプ、単位、品質状態があるか * 各発生源ケースの工学的根拠が文書化されているか ### 根拠の品質 * モデル確認、ベンチマーク、較正残差、不確かさ、感度を確認できるか * しきい値が出典と対象判断に関連付けられているか * シナリオマトリクスは、想定可能な運転状態と性能低下状態を表しているか * 結論は、根拠で裏付けられた変数、場所、条件の範囲内に収まっているか ### レビューと引き継ぎ * エンジニアリング、環境・安全衛生、プロセス、品質、コンプライアンスの責任が割り当てられているか * 各所見を影響区域、資産、検知器、ユーティリティシステムに関連付けられるか * 正式なフォローアップを点検、保全、変更管理のワークフローへ移せるか * 変更後の検証とモデルレビューのトリガーが定義されているか ## 対象を絞ったパイロットを設計する 実用的なパイロットは、一つのクリーンルームベイ、ユーティリティ空間、プロセス区域と、一つの判断から開始できます。チームは、形状と換気の根拠を検証し、扱いやすい発生源マトリクスを選び、レビュー指標としきい値に合意し、最終シナリオを初めて実行する前に必要な専門性を持つレビュー担当者を指定します。 パイロットの成功基準には、次のものを含められます。 * 検証済みの施設、設備、換気、検知器の基準状態 * 追跡可能な発生源ケースと運転状態 * 再現可能な場、指標、モデル確認、シナリオ比較 * 対象とする結論に見合う実測またはベンチマークの根拠 * 解析によって改善された計画、測定、点検、排気、検知器に関する一つの判断 * 現場対応と検証に関連付けた引き継ぎ資料 [半導体施設運用とクリーンルーム分析](/solutions/ai-agent-semiconductor)では、運用、工学解析、AI 支援の調査、現場実行をつなぐ一連のワークフローを紹介しています。 [局所排気の捕集と換気性能低下シナリオ](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)でレジリエンスの検討を進め、[検知器のカバレッジ、死角、配置案](/resources/guides/detector-coverage-blind-spots-placement-options)で検知器レイアウトを比較し、[クリーンルームの較正、シナリオ集合、妥当性確認の根拠](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)で確信度の高い判断に必要な根拠資料を確認できます。 ## 公開参考資料 [American Society of Heating, Refrigerating and Air-Conditioning Engineers（ASHRAE）の Clean Spaces ハンドブック章](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)では、クリーンルームの気流パターン、設備や開口部の影響、計算流体力学（CFD）を用いた気流と汚染物質の伝播評価について説明しています。 [International Organization for Standardization（ISO）の ISO 14644-4:2022 クリーンルームの設計・建設・スタートアップに関するページ](https://www.iso.org/standard/72379.html)では、要求事項から設計、建設、スタートアップ、検証までのクリーンルームライフサイクルの概要を示しています。 [Occupational Safety and Health Administration の換気に関する技術マニュアル](https://www.osha.gov/otm/section-3-health-hazards/chapter-3)では、汚染物質を発生源付近で捕集する局所排気換気の役割を説明しています。 [National Institute of Standards and Technology による産業分野の検証、妥当性確認、不確かさ定量化のレビュー](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)では、モデル品質、検証、妥当性確認、不確かさが信頼できるシミュレーション根拠にどう寄与するかを説明しています。 --- ## [GUIDES] cleanroom-calibration-ensembles-validation-evidence ## クリーンルームの根拠は判断目的に合わせる 気流、化学種輸送、局所排気、検知器に関する解析は、初期の選択肢絞り込み、測定計画、施設固有の比較、レジリエンスレビュー、明確な工学判断など、複数段階の作業を支援できます。各段階には、それぞれに見合う根拠資料が必要です。 クリーンルームの画像が物理的に妊当と見えても、発生源、換気、検知器、境界条件に関する主要な前提が不確かな場合があります。技術選定担当者は、基準状態をどのように確立したか、どの測定値を使用したか、残差をどうレビューしたか、どの範囲のシナリオを評価したか、どの根拠を較正から独立させたかを確認する必要があります。 本ガイドでは、DataMesh のシミュレーション根拠に関する広範な枠組みを、クリーンルームとプロセス区域の解析に適用します。一般的な枠組み全体については、次のガイドを参照してください。 * [シミュレーション根拠の評価方法](/resources/guides/how-to-evaluate-simulation-evidence)では、モデルの目的、入力、検証、妥当性確認、不確かさ、引き継ぎを扱います * [モデル較正の段階とシミュレーション結果の確信度](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、探索、ベンチマーク、実測データによる較正、シナリオ固有の根拠を扱います * [産業シミュレーションのシナリオ集合と保守的レビュー](/resources/guides/scenario-ensembles-and-conservative-simulation-review)では、範囲、反復実行、相互作用、判断用ケースを扱います ## クリーンルームに関する問いに応じて根拠を選ぶ | 対象とする判断 | 優先する根拠 | 代表的なレビュー出力 | |---|---|---| | 気流パターンまたはレイアウト構想の比較 | レビュー済みの形状、換気状態、境界条件の前提、ソルバー確認、感度 | 相対的な気流挙動、影響を受けやすい区域、不足データ、次の測定作業 | | 局所排気捕集の評価 | 発生源とフードの形状、排気流量と圧力、室内気流、トレーサーまたは適切な現場根拠、残差 | 捕集比較、流出物質、影響区域、不確かさ | | 検知器配置のレビュー | 発生源マトリクス、換気状態、化学種輸送、検知器応答の前提、反復実行、選定した妥当性確認の根拠 | カバレッジ比較、検知時間分布、潜在的な死角、保守的ケース | | 暖房・換気・空調（HVAC）の性能低下評価 | 検証済みの基準状態、設備と扉の状態、非定常測定値、発生源プロファイル、シナリオ範囲 | 影響区域の拡大、タイミング、感度、対応の優先順位、回復挙動 | | 施設固有の工学判断の支援 | 代表性のある測定値、較正記録、独立した妥当性確認、不確かさ、専門レビュー、妥当性再確認のトリガー | 定義した根拠の適用範囲内での判断結果 | 根拠の範囲は、誤りがもたらす影響、対応コスト、解析結果で示す施設固有性の程度に合わせます。 ## 施設固有の較正前にベンチマークを確立する ベンチマークでは、選定した変数について、解析ワークフローが公知または管理された挙動を再現できるかを確認します。手法の適格性確認と、施設固有のパラメータ調整を切り分けるために役立ちます。 クリーンルームに関係するベンチマークには次のものがあります。 * 形状と境界条件が既知の、管理された気流または圧力ケース * 発生位置と測定位置が文書化されたトレーサーまたは輸送ケース * 合意した参照結果を持つフードまたは排気ケース * 選定した解析領域と境界に対する保存則および物質収支の確認 * メッシュ、時間刻み、収束、再現性、数値感度の確認 * 定義した変数と条件について、別の適切な手法との比較 ベンチマーク記録には、比較した変数、位置、単位、受入基準、結果のスケール、手法のバージョン、既知の不一致を記載します。一つのベンチマークに合格した場合、その試験で定義した挙動が裏付けられます。 ## 代表性のある施設根拠に対して較正する 較正では、選定した不確かなパラメータを調整し、合意したモデル出力を代表性のある観測値へ近づけます。パラメータの選定では物理的な意味を保ち、対象判断に従う必要があります。 ### 較正に使用できる根拠 * 給気、還気、排気、ファンフィルターユニット（FFU）、フード、分岐の流量測定値 * 室、扉、床、天井、ユーティリティ空間の圧力関係 * 判断に関係する位置での気流速度と方向 * 浮力が影響する場合の温度、湿度、熱負荷の根拠 * トレーサー濃度履歴、到達時間、減衰、適切な可視化の根拠 * 校正、設定値、位置、設備状態の情報を伴う検知器応答記録 * 測定期間中の扉、ダンパー、ファン、工程、装置、発生源の状態 ### レビューが必要となるパラメータ * 流動抵抗、漏れ、ディフューザー、グリル、床の特性 * 排気、ファン、ダンパー、フィルター、設備の性能 * 発生量、放出プロファイル、方向、運動量、温度、継続時間 * 手法に応じて選定する乱流、混合、拡散、壁面、沈着、化学種の前提 * 検知器応答、しきい値、サンプリング、遅延、平均化の表現 較正記録には、基準状態の結果、選定したパラメータ、許容範囲、目的関数、測定の不確かさ、残差、受入基準、レビュー担当者による確認を保存します。 ## 位置、時間、運転状態別に残差を確認する 残差とは、合意した位置、時刻、条件における実測値と、対応するシミュレーション値との差です。クリーンルーム解析では空間的および時間的な変動が大きい場合があり、一つの平均値だけでは判断に関係する不一致を見落とす可能性があります。 次の項目にわたって残差をレビューします。 * 給気、還気、排気、フード、室内気流の測定値 * 圧力境界と扉状態 * 主要な設備または障害物の上流、近傍、下流の位置 * 安定、移行、性能低下、回復の各期間 * トレーサーまたは化学種の到達、ピーク、減衰、滞留 * 検知器位置と応答時間 * 較正用データセットと独立した妥当性確認用データセット 有用な集計には、平均誤差、絶対誤差、偏り、パーセンタイル誤差、時間差、空間パターン、合意した限界内に収まる点の割合があります。受入基準は、測定の不確かさ、用途、変数の重要度、誤りがもたらす影響に従って設定します。 ## 追跡可能なシナリオマトリクスを構築する 較正は、選定した根拠に対する適合度を示します。シナリオマトリクスは、判断のために評価した運転条件と発生源の範囲を示します。 各シナリオには次の情報を保持します。 * 発生源の位置、化学種、放出量または放出プロファイル、方向、継続時間、温度 * 形状、装置、エンクロージャ、間仕切り、障害物の状態 * 給気、還気、排気、FFU、ダンパー、圧力、扉の状態 * 輸送に関係する温熱条件と工程条件 * 検知器レイアウト、方式、応答、しきい値の前提 * 初期条件、開始時刻、継続時間、モデルで表現する対応措置 * モデルバージョン、パラメータセット、確認事項、出力、警告、レビュー状態 マトリクス表示を用いることで、発生源群、室、運転状態、影響区分別の網羅性を確認できます。今後の解析や現場根拠が必要な組み合わせも明らかになります。 ## タイミングが変動する場合は反復実行を用いる 検知時間と非定常輸送は、初期条件、発生源の挙動、換気、モデルパラメータ、数値的な影響によって変わる場合があります。管理された反復実行方法により、その変動をレビュー可能な根拠へ変換できます。 プロジェクトでは次の事項を定義します。 1. 実行間で変更する変数 2. 各変数の分布、範囲、選定規則 3. 実行回数と収束基準または安定性基準 4. 必要に応じて乱数シードまたはサンプリング方法 5. 検知しきい値と応答計算 6. 未解決の実行を表す方法 7. 判断に使用する統計値 有用な出力には、検知時間の全分布、中央値、選定した上側パーセンタイル、想定可能な最も早い結果と最も遅い結果、基準を満たす割合、応答が遅いシナリオの組み合わせがあります。 保守的な統計値には、選定理由を明示します。判断がもたらす影響、シナリオの網羅性、根拠の品質、必要な専門性を持つエンジニアの判断に基づいて選定します。 ## 妥当性確認用の根拠を分けて確保する 妥当性確認では、モデル出力を、用途に適した根拠と比較します。十分な計画では、測定期間、運転条件、発生源ケース、ベンチマーク、試験のいずれかをパラメータ調整に使用せずに確保します。 妥当性確認の記録では次の事項を明示します。 * 比較した変数、位置、運転状態、発生源条件 * 測定と試験の不確かさ * 残差または比較指標 * 受入基準とレビューの根拠 * 空間的および時間的な挙動の一致と不一致 * 得られた結論が対象とする条件 * エンジニアリング上の最終確認責任者 異なる発生位置、換気状態、扉イベント、負荷、期間から得た根拠により、較正済みの挙動が対象判断の範囲全体で有効かを確認できます。 ## 結論とともに根拠の適用範囲を明示する 根拠の適用範囲とは、利用可能な根拠が裏付ける変数、位置、発生源群、換気状態、形状、検知器の前提、運転範囲、時間範囲です。 根拠の強さに見合う結論の例を次に示します。 | 根拠レベル | 根拠に見合うクリーンルームの結論 | |---|---| | 探索 | 文書化した前提の下で、シナリオ比較から想定される輸送パターンと測定の優先順位を特定できる | | ベンチマーク済み | 報告した確認範囲内で、ワークフローが選定した参照挙動を再現し、定義した比較を支援できる | | 実測データで較正済み | 報告した残差の範囲内で、較正対象の変数、位置、運転範囲について施設固有の比較を支援できる | | シナリオ固有の妥当性確認済み | 必要な専門レビューを条件として、妥当性を確認した発生源、換気、検知器、運転条件について、記載した工学判断を根拠が裏付ける | すべての結論には、根拠レベル、前提、不確かさ、レビュー担当者、妥当性再確認のトリガーを付記します。 ## 引き継ぎ時に妥当性再確認のトリガーを定義する クリーンルーム施設は継続的に変化します。次の項目に重要な変更があった場合は、妥当性再確認の要否をレビューします。 * 室、装置、エンクロージャ、間仕切り、扉、床、天井、障害物の形状 * 給気、還気、FFU、一般排気、局所排気、ダンパー、圧力制御 * 発生化学種、位置、放出量、方向、継続時間、温度、工程状態 * 検知器の方式、位置、向き、応答、設定値、保全状態 * センサーの識別情報、位置、校正、サンプリング、時刻同期、データ品質 * 運転範囲、判断がもたらす影響、受入基準、用途 * 合意した残差または根拠の適用範囲を超える施設挙動の観測 対応範囲は、データレビューと対象を絞った再実行から、再較正、新たなベンチマーク、独立試験、モデル全体の更新までさまざまです。変更の重要度に応じて、必要な専門性を持つ責任者が対応を選定します。 ## 技術選定担当者向けチェックリスト ### 目的と責任 * 対象判断、誤りがもたらす影響、必要な根拠レベルが定義されているか * 施設、プロセス、環境・安全衛生、品質、コンプライアンス、モデルレビューの責任が割り当てられているか ### ベンチマークと較正 * 選定した手法が判断対象の変数に適していることを、どのベンチマークで確認しているか * 較正に使用した測定値はどれか、その測定値に代表性があるか * どの物理パラメータを調整し、どの範囲を許容したか * 基準状態の結果、残差、測定の不確かさ、受入基準が保存されているか ### シナリオと集合 * 想定可能な発生源、換気、排気、扉、装置、検知器の各状態をマトリクスが網羅しているか * 反復実行で変更する変数とサンプリング方法は何か * 分布、未解決ケース、保守的な統計値を透明性のある形で報告しているか ### 妥当性確認と結論 * パラメータ調整に使用せず、独立して確保した根拠はどれか * 位置、時間、発生源、運転状態によって性能がどう変わるか * 結論が、文書化した根拠の適用範囲内に収まっているか * モデルの限界、不確かさ、妥当性再確認のトリガーが明示されているか ### 引き継ぎ * モデル、データ、シナリオ、結果、所見、最終確認記録を追跡できるか * 正式な対応事項を、統制された点検、保全、手順、検知器、変更の各ワークフローへ移せるか * 変更後の検証が定義されているか ## 一つの判断を最初から最後まで評価する 対象を絞った根拠パイロットは、一つのクリーンルームベイまたはプロセス区域と、一つの工学判断から開始できます。プロジェクトでは、検証済みの基準状態を確立し、扱いやすい発生源・運転マトリクスを選定し、独立した根拠を確保し、較正とシナリオ比較を実行し、専門レビューを記録します。 有効なパイロット成果には次のものがあります。 * 追跡可能な施設、換気、発生源、検知器、測定の根拠 * 適格性を確認したベンチマークと、保存した較正前の基準状態 * 判断に関係する変数と位置に関連付けた残差と不確かさ * 再現可能なシナリオマトリクスと、タイミングが変動する場合の反復実行方法 * 独立した妥当性確認の根拠と、明確な根拠の適用範囲 * 工学、監視、点検、排気、検知器に関する一つの実行可能な判断 * 将来の施設変更に利用できる引き継ぎ記録と妥当性再確認のトリガー この枠組みは、[クリーンルームの気流・ガス拡散評価](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)、[局所排気の捕集と換気性能低下シナリオ](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)、[検知器のカバレッジ、死角、配置案](/resources/guides/detector-coverage-blind-spots-placement-options)に適用できます。 ## 公開参考資料 [National Institute of Standards and Technology による産業分野の検証、妥当性確認、不確かさ定量化のレビュー](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)では、モデル品質、解析者の能力、検証、妥当性確認、不確かさがシミュレーションの信頼性にどう寄与するかを説明しています。 [American Society of Heating, Refrigerating and Air-Conditioning Engineers（ASHRAE）の Clean Spaces ハンドブック章](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)では、クリーンルームの計算流体力学、気流、汚染物質の伝播、設備の影響、開口部、給気、還気、排気、境界条件を説明しています。 [International Organization for Standardization（ISO）の ISO 14644-4:2022 クリーンルームライフサイクルに関するページ](https://www.iso.org/standard/72379.html)では、要求事項、設計、建設、スタートアップ、検証、改修、ライフサイクル上の検討事項を扱っています。 United Kingdom Health and Safety Executive の[可燃性ガス検知器の選定と使用に関するガイド](https://www.hse.gov.uk/pubns/gasdetector.pdf)では、ガス物性、拡散、換気、プロセス設備、センサー方式、位置、冗長性を検知システムの検討事項として挙げています。 --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## 連携は運用上の ID から始まる 多くの施設チームや産業運用チームは、すでに複数のシステムを日々の業務で使っています。CMMS や EAM は保全記録と資産履歴を管理し、BMS は建物システムとアラームを監視します。SCADA、IoT、MES、ERP、文書リポジトリ、チケットシステムも、それぞれ運用現場の一部を持っています。 弱点になりやすいのは ID の不一致です。同じポンプ、空調機、チラー、電気盤、クリーンルーム用役設備、データセンター資産、生産支援システムが、図面、BMS ポイント、保全記録、点検リスト、現場メモで異なる名称になっていることがあります。アラームが出たとき、担当者は複数システムを調べてから、影響資産、物理位置、リスク、手順、担当者を把握します。 運用デジタルツインは、これらのシステムに共通のコンテキスト層を提供します。資産、空間、システム、リアルタイム値、アラーム、文書、手順、作業記録、現場証跡をつなぎ、作業が発生する環境の中でタスクをレビューできます。 ## 最初にそろえるもの 連携は、作業を追跡可能にする対象から始めます。 | レイヤー | 連携の焦点 | |---|---| | 資産 ID | 設備 ID、タグ、シリアル番号、保全対象、親子関係 | | 場所階層 | サイト、建物、階、ゾーン、部屋、ライン、プラントエリア、ラック、システム境界 | | システム関係 | HVAC、電気、水、ガス、圧縮空気、プロセス用役、データセンターシステム | | 信号とアラーム | BMS ポイント、IoT 読み取り値、SCADA タグ、アラーム種別、しきい値、重要度、時間窓 | | 作業記録 | CMMS または EAM の作業指示、点検タスク、予防保全、サービス履歴 | | 文書 | マニュアル、図面、SOP、作業許可、校正記録、バリデーション文書 | | 現場証跡 | 写真、読み取り値、チェックリスト、修理メモ、受入結果、レビュー判断 | 目的は安定した参照モデルを作ることです。BMS アラーム、作業指示、点検ルート、文書、AI Agent の推奨が、同じ資産と場所のコンテキストを参照する状態を目指します。 ## CMMS と EAM の連携 CMMS と EAM は、多くの場合、保全管理の記録システムとして使い続けます。資産台帳、作業指示番号、予防保全計画、予備品履歴、作業記録、完了状態を保持します。運用デジタルツインは、それらの記録の周囲に現場コンテキストを加えます。 有効な連携パターンは次の通りです。 * デジタルツイン内の資産や場所に作業指示を表示する * 保全履歴を設備、部屋、システム、ルートに関連付ける * ツインのコンテキストから点検や修理タスクを起票する * 現場証跡を承認済みの作業指示記録に戻す * 類似資産や類似場所の反復作業を比較する * マニュアル、図面、SOP をタスク画面に接続する * レビュー判断と例外メモを将来の分析に残す これにより、保全計画担当と現場チームは作業の物理的影響を把握し、反復する問題を比較し、より十分な証跡でタスクを完了できます。 ## BMS、IoT、SCADA データ BMS データは、保全対象の資産と物理空間に接続されると運用に使いやすくなります。温度、圧力、バルブ状態、ポンプアラーム、エネルギーメーターを、影響を受ける設備、部屋、上下流システム、保全履歴、運転手順と一緒に確認できます。 Data Fusion Services は、ポイントデータ、アラーム、イベントストリーム、企業記録、文書を FactVerse に接続できます。FactVerse は、資産、空間、システム、信号、文書、ワークフローの関係を表現します。 チームは次の点を決めます。 * どのポイント名をどの資産と空間に対応付けるか * どのアラームが点検、保全、エスカレーション、観察を必要とするか * どの値をエネルギーレビュー、信頼性レビュー、関連証跡に使うか * データ品質の問題をどう示すか * アラーム状態、作業指示状態、完了記録をどのシステムが管理するか * どの履歴を傾向分析と機械学習評価に残すか 大量取り込みよりも安定したマッピングが重要です。所有者があいまいな大規模データより、管理された少数の信号の方が運用に役立つ場合があります。 ## アラームから作業指示へ 価値が出やすい連携パターンは、信号からレビュー済みの作業へ進む運用ループです。 1. **検知** - BMS、IoT、SCADA、点検、AI Agent が、アラーム、異常傾向、未実施タスク、反復例外を検知します。 2. **文脈化** - FactVerse が発見内容を資産、空間、システム関係、リアルタイム値、文書、SOP、作業履歴に接続します。 3. **レビュー** - 責任チームが重要度、証跡、運用影響、安全メモ、推奨確認項目を確認します。 4. **ディスパッチ** - 確認済みの作業を Inspector、Checklist、CMMS、EAM、または承認済み実行システムへ送ります。 5. **実行** - 現場チームが資産コンテキスト、チェックリスト、写真、読み取り値、マニュアル、手順ガイダンスを使って作業します。 6. **記録** - メモ、読み取り値、写真、交換部品、例外、受入結果、レビュー判断を記録します。 7. **学習** - 結果と修正をデータ品質レビュー、推奨調整、機械学習評価に使います。 このループにより、AI 支援の推奨は人によるレビューと現場証跡に接続された状態で運用されます。 ## 施設とデータセンター運用 スマートビル、キャンパス、データセンター、産業施設では、連携はよくある運用上の問いから始まります。 * このアラームはどの資産に影響するか * どの部屋、システム、テナント、生産エリア、データホールに影響が及ぶか * 同じ問題が過去に発生したか * どの SOP、図面、マニュアル、安全メモが適用されるか * 保全、エネルギーレビュー、運用例外、点検タスクのどれに該当するか * 完了前にどの証跡が必要か データセンターチームは、同じパターンを複数サイトの資産管理、エネルギー計算、点検、保全、可視化に使えます。施設チームは、BMS アラーム、エネルギーメーター、設備記録、点検ルート、Green Mark 関連証跡を運用記録に接続し、評価の基準は公式要件とプロジェクトチームのレビューに沿って整理できます。 ## 製品の役割 [DataMesh FactVerse](/products/factverse) は、資産、空間、システム、関係、権限、記録、シーンビューの運用コンテキスト層を提供します。 [Data Fusion Services](/products/dfs) は、CMMS、EAM、BMS、IoT、SCADA、文書、作業記録、企業データを適切なツインオブジェクトに接続します。 [Inspector](/products/inspector) は、アラーム、点検、作業指示、現場証跡、写真、修理メモ、受入記録、運用引き継ぎを管理します。 [Checklist](/products/checklist) は、反復点検、必要な読み取り値、承認、コンプライアンスを意識した現場記録を構造化します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、接続された信号、アラーム、文書、作業履歴、現場フィードバックを 24x7 でレビューできます。トリアージ、証跡要約、次の確認項目の提案、完了後のフィードバック評価を支援します。 [FactVerse Twin Engine](/products/factverse-twin-engine) は、ツイン状態、関係、インタラクション、運用可視化のためのランタイムモデルを維持します。 ## 実装チェックリスト * CMMS、EAM、BMS、図面、現場ラベルの資産 ID は一致しているか * 場所階層はモバイルチームと遠隔専門家の協働に十分か * BMS ポイントとアラームは資産、空間、システム、重要度ルールに対応付いているか * 作業指示の所有、状態、完了、証跡項目は定義されているか * 点検ルートとチェック項目は同じ資産・空間モデルに結び付いているか * マニュアル、図面、SOP、作業許可、バリデーション記録は作業コンテキストに接続されているか * 写真、読み取り値、例外、レビュー判断は後日のレビューに残るか * AI Agent の用途は管理された資産、信号、アラーム、文書、作業指示データに基づいているか * データ責任者、更新頻度、アクセスルール、サイバーセキュリティ責任は明確か ## 公開参考 [Yokogawa と DataMesh の予知保全リファレンス](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) は、産業データ、AI 分析、保全ワークフローを施設運用の周りで接続する考え方を示しています。 [JTC との協業](/about/news/collaboration-between-jtc-datamesh) は、複雑な施設環境での DataMesh デジタルツイン活用を示しており、空間コンテキスト、設備状態、現場ワークフローが重要な要素になります。 [NIO スマートファクトリーの事例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) は、工場デジタルツインが運用可視化、設備コンテキスト、部門横断の協働を接続できることを示しています。 [AI アラートからクローズドループ作業指示へ](/resources/guides/ai-alert-to-closed-loop-work-orders)、[データセンター運用ガイド](/resources/guides/data-center-digital-twin-operations)、[Green Mark と Brick Schema ガイド](/resources/guides/green-mark-digital-twin-brick-schema) では、作業実行、施設運用、証跡トレーサビリティの関連パターンを扱っています。 --- ## [GUIDES] data-center-cooling-failure-scenario-analysis ## アラームが発生する前にレジリエンスを計画する 運転状態がチームによる情報整理よりも速く変化したときに、冷却のレジリエンスが問われます。冷却設備の能力低下、ファンやポンプの性能低下、バルブやダンパーの想定外位置、コンテインメントの損傷、計画保守による利用可能な冗長性の減少などが起こり得ます。その影響は、稼働中の情報技術（IT）負荷、気流経路、熱容量、機器配置、制御、対応タイミングによって決まります。 シナリオ分析により、施設チームは実際の障害が発生する前にこうした依存関係をレビューできます。定義した運転状態を比較し、最初に影響を受ける可能性がある領域を示すことで、監視の優先順位、保守計画、緊急時手順、容量判断に必要な根拠をエンジニアへ提供します。 分析結果は、専門家によるレビューを支援する判断材料です。運転手順、制御、安全限界、実運用での介入については、権限を持つ施設チームが責任を負います。 ## 信頼できる運転状態からシナリオ群を構成する 障害状態を一つ描くだけでは、得られる知見が限られます。シナリオ群を用いると、機器状態、負荷、対応の前提によって結果がどう変わるかを確認できます。 | シナリオ状態 | 定義例 | 技術選定時の問い | |---|---|---| | 通常 | 想定する冷却設備が利用可能で、代表的な負荷、確認済みの制御、運用ベースラインのコンテインメントを適用 | 現在の熱分布と運用上の余裕はどの程度か | | 性能低下 | ファンまたはポンプの性能低下、冷却能力の一部低下、漏気、汚れ、気流制約 | どのラックとゾーンから先に余裕を失うか | | 停止 | 定義した負荷と制御状態で、選定した冷却経路または機器を停止 | 影響を受ける場所が合意した限界にどの程度の速さで近づくか | | 復旧 | 機器の復旧、負荷の移行、一時的な気流対策、承認済みの運用対応 | 熱分布はどのように回復し、どの領域に感度が残るか | 各状態について、事象の境界、影響を受ける機器、開始条件、稼働中の制御、IT 負荷、対象期間、対応の前提を特定します。これにより、レビュー可能なシナリオ仕様ができ、チーム間で「冷却障害」の解釈がずれることを防げます。 ## シナリオを現在の施設データに結び付ける 有用な冷却レジリエンス分析では、空間、運転、ガバナンスの根拠を組み合わせます。 ### 施設と冷却のモデル * 室内、通路、ラック、コンテインメント、床、天井、ダクト、グリル、開口部の形状 * 冷却設備の位置、定格性能と実測性能、気流経路、給気と還気の構成 * ラック構成、機器の気流方向、代表的な負荷、負荷分布 * 選定した異常に関係する電力と冷却の依存関係 * 制御状態、設定値、運転順序、冗長性モード、保守状態 ### 計測値と運転履歴 * 識別情報、位置、時刻、品質のコンテキストを備えたラック吸気と室内環境の計測値 * 利用可能な場合の給気、還気、流量、圧力、ファン、ポンプ、バルブ、冷却設備の状態 * アラーム、逸脱、点検、保守記録、過去の事象タイムライン * 比較に適した安定期間、負荷遷移、保守期間、性能低下運転期間 ### 判断と受入条件のコンテキスト * 施設所有者が承認した機器環境範囲と施設運転限界 * 選定したレビューしきい値と各しきい値の出典 * 必要な対象期間と時間分解能 * 根拠のレベル、較正目標、受入基準、工学責任者 [Data Fusion Services](/products/dfs) は、テレメトリ、資産識別情報、事象、アラーム、保守履歴を整合できます。[DataMesh FactVerse](/products/factverse) は、室内、ラック、冷却、センサー、依存関係のコンテキストを維持します。これらを組み合わせて、リアルタイムの運用レビューと個別プロジェクトのシナリオ分析を支える運用ベースラインを構築できます。 ## 通常時と性能低下時の挙動を見える形で比較する ![通常時と性能低下時の冷却状態における気流経路およびラック吸気の評価点](/images/physics/data-center-thermal-resilience-comparison.webp) *通常時と性能低下時を比較すると、気流分布が変わる場所、影響を受ける吸気位置、熱的余裕が狭まる領域をレビュー担当者が把握できます。* 比較では、形状、負荷基準、結果の表示尺度、レビューしきい値を共通にします。これにより、状態間の差を選定したシナリオ入力に結び付けて説明できます。 有用な比較表示には次のものがあります。 * 影響を受ける列の周囲における気流方向と再循環 * 場所と高さごとのラック吸気温度 * ラック、通路、室内、機器クラスごとの熱的余裕 * 異常開始後の温度上昇率 * 合意済みの警戒しきい値または工学レビューしきい値までの限界到達時間 * 選定した対象期間における影響ゾーンの拡大 * 負荷、初期条件、機器性能、対応タイミングに対する感度 * 承認済みの対応または機器復旧後の回復挙動 ## 限界到達時間を条件付きの根拠として読む 限界到達時間は、定義した異常の後、評価対象の場所が合意済みしきい値にどれだけ速く近づくかを把握するために役立ちます。意味を決める条件と併せて報告します。 `限界到達時間 = 合意したしきい値に達した時刻 - シナリオ開始時刻` 根拠資料一式には、次の項目を記載します。 1. 初期の熱分布と運転状態 2. 選定した冷却状態の変化と事象発生時刻 3. IT 負荷と負荷の挙動 4. しきい値の出典、場所、計測の定義 5. モデルに反映した制御または運用担当者の対応 6. 結果に関係するモデルの時間刻み、収束確認、数値計算設定 7. 較正残差、不確かさ、影響の大きい前提への感度 一つの時間値だけでは、重要なばらつきが見えない場合があります。技術選定担当者は、妥当な初期条件、負荷、冷却性能、対応タイミングにわたる範囲を確認します。判断に特に役立つのは、信頼できる範囲で最も早くしきい値に近づく時点、一貫して先に対応が必要となるラック、結果を大きく変える前提です。 ## 根拠のレベルをレジリエンス判断に合わせる | 根拠のレベル | 対応できる判断 | レビューでの確認事項 | |---|---|---| | 探索 | 影響を受ける可能性がある領域の特定、大まかなシナリオ挙動の比較、計測計画 | レビュー済みの前提、形状、主要入力、感度、明示された限界 | | ベンチマーク検証済み | 管理された基準挙動または公認の基準挙動に対する分析ワークフローの適合性確認 | 再現可能な設定、基準との比較、ソルバー確認、文書化した受入結果 | | 実測データによる較正済み | 文書化した運転範囲内での施設固有シナリオの比較 | 代表的な計測値、場所別・状態別の残差、パラメータ記録、妥当性確認の根拠 | | シナリオ固有の妥当性確認済み | 関連条件における、影響度が高く明確に定義された計画判断の支援 | 独立した根拠、頑健性レビュー、不確かさ、専門家の承認、妥当性を再確認する条件 | 較正は判断指標に合わせて行います。限界到達時間を示すには、時系列計測値と遷移時の根拠が必要です。ラック吸気の熱的余裕を示すには、対象ラックの位置と負荷に対応した計測値が必要です。復旧挙動を示すには、機器復旧、負荷遷移、管理された試験条件のいずれかから適切な根拠を得る必要があります。 [モデル較正の段階とシミュレーション結果の確信度ガイド](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、より詳しい根拠の枠組みを説明しています。[シナリオ群と保守的なシミュレーション評価ガイド](/resources/guides/scenario-ensembles-and-conservative-simulation-review)では、範囲、変数間の相互作用、保守的な判断ケースを評価する方法を紹介しています。 ## シナリオの根拠を対応優先順位へ変える レジリエンス分析の所見を運用に活かすには、場所、資産、責任者、承認済み対応に結び付けます。 レビューは、次の項目の優先順位付けに役立ちます。 * リアルタイム監視を強化するラック吸気位置 * 検証、移設、監視範囲の追加が必要なセンサー * 点検または保守が必要な冷却資産と依存関係 * 現場確認が必要なコンテインメント、漏気、障害物、気流状態 * トリガー、責任、連絡方法を明確にする必要がある手順 * 負荷または要員配置の前提を見直す必要がある計画保守期間 * 追加の工学的根拠が必要な容量変更 [FactVerse AI Agent](/products/factverse-ai-agent) は、現在のアラームや傾向を、資産、事象、保守のコンテキストに関連付けることができます。[Inspector](/products/inspector) は、承認済みの確認作業と是正作業を現場チームへ割り当て、根拠を保存し、作業後の検証を記録できます。制御または運転の変更は、施設所有者が承認した工学手順と変更管理プロセスに従って実施します。 ## 技術選定時の評価項目 ### シナリオの信頼性 * どの障害、性能低下、復旧状態を選び、それらが信頼できると判断した理由は何か * 各シナリオは、どの機器、依存関係、制御状態、時間順序を表すか * 開始時の負荷と熱条件は、評価対象のリスクを代表しているか ### 根拠の品質 * どの形状、機器、センサー、アラーム、保守記録が運用ベースラインを支えているか * どの計測値を較正に使い、どの根拠を妥当性確認用に確保したか * ラック、負荷、冷却状態、遷移期間によって残差がどう変化するか * 影響ゾーンまたは限界到達時間に最も大きく影響する前提は何か ### 判断への適合性 * 分析はどのしきい値と対応判断を支えるか * 代表値と併せて変動範囲と保守的なケースを確認できるか * 妥当なシナリオ間で安定している所見は何か * どのエンジニアが根拠を承認し、その結果となる手順または対応を管理するか ### 運用への引き渡し * 所見をラック、冷却資産、センサー、点検、作業指示に結び付けられるか * 運用担当者に監視の優先順位と対応トリガーが明確に伝わるか * 保守後または変更後の検証方法が定義されているか * どの施設変更をモデルと根拠の再レビュー条件とするか ## 信頼できる冷却異常一つから始める 対象を絞ったパイロットでは、代表的な一室、一つの冷却異常、一つの運用判断を扱います。実測に基づく運用ベースラインを構築し、施設モデルと負荷モデルを記録し、通常状態と性能低下状態を定義して、レビューしきい値に合意します。そのうえで、影響ゾーン、熱的余裕、温度上昇、対応タイミングを比較します。 有効なパイロットの受入基準には次の項目があります。 * 現在の施設データに結び付いた再現可能な通常状態の運用ベースライン * 明確に定義した冷却性能低下シナリオまたは停止シナリオ * 明確に記録した前提、機器状態、負荷、制御 * 合意済みしきい値に結び付いたラック単位の指標と時系列結果 * 判断に見合った残差、不確かさ、感度のレビュー * 責任者が明確で、承認された対応判断または監視判断 * 将来の室内、負荷、冷却状態に再利用できる引き渡し資料一式 [データセンター運用](/solutions/ai-agent-data-center)では、運用と個別プロジェクトの分析を通したワークフロー全体を紹介しています。ラック単位の基礎については、[ラック吸気温度と熱的余裕](/resources/guides/rack-inlet-temperature-and-thermal-margin)を参照してください。 新しいラック負荷、密度、コンテインメント、室内レイアウトを判断する場合は、[負荷増加と容量シナリオ分析](/resources/guides/data-center-load-growth-capacity-what-if-analysis)も参照してください。 ## 公開参考資料 [米国暖房冷凍空調学会（ASHRAE）の『Data Centers and Telecommunications Facilities』ハンドブック章](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)では、機器吸気の環境条件、必要気流量、推奨範囲、施設冷却の考慮事項を説明しています。 [米国エネルギー省による連邦データセンターの冷却水効率改善ガイド](https://www.energy.gov/cmei/femp/cooling-water-efficiency-opportunities-federal-data-centers)では、気流特性、温度の高いゾーンと低いゾーン、暖かい排気と冷たい吸気の混合を抑える重要性を説明しています。 [米国エネルギー省の『Best Practices Guide for Energy-Efficient Data Center Design』](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)では、施設のレジリエンス分析に関連する環境条件、エアマネジメント、冷却システム、計測、設計手法を取り上げています。 --- ## [GUIDES] data-center-digital-twin-operations ## データセンター運用には共有された施設コンテキストが必要 データセンターは多くの専門システムで運用されます。DCIM、BMS、EPMS、メーター、アラーム、アセット台帳、保全ツール、現場記録がそれぞれ一部の情報を持っています。運用チームには、サイト、ルーム、ラック、設備、電力経路、冷却ゾーン、アラーム、点検、作業履歴を同じコンテキストで見る仕組みが必要です。 データセンターのデジタルツインはそのコンテキストを提供します。施設アセット、ライブインフラデータ、エネルギー記録、点検ルート、保全タスク、作業指示の証跡を空間的な運用ビューに結び付けます。目的は、サイトを理解しやすく、点検しやすく、保全しやすく、報告しやすくし、エンジニアリングレビューによる改善につなげることです。 単一施設にも複数拠点のデータセンターポートフォリオにも有効です。共通モデルにより、サイト比較、レポート標準化、ルーム、アセット、チームをまたぐ運用証跡の保持が進みます。 ## ツインが接続するべきレイヤー | レイヤー | 運用コンテキスト | |---|---| | 空間 | サイト、建物、ルーム、ラック、通路、設備エリア、アクセス経路、安全境界 | | アセット | UPS、発電機、開閉装置、CRAC、AHU、ポンプ、チラー、ラック、センサー、メーター、サービス担当 | | 電力 | EPMS データ、電力経路、盤、フィード、メーター値、負荷記録、影響を受けるアセット | | 環境 | 温度、湿度、気流コンテキスト、冷却設備状態、アラーム、ルーム状態 | | 保全 | 点検ルート、作業指示、修理履歴、写真、受入メモ、検証状態 | | 文書 | O&M ファイル、手順、コミッショニング記録、アセットマニュアル、変更メモ | | ガバナンス | データソース、更新担当、レビュープロセス、承認ルート、証跡品質、展開範囲 | 各信号が場所、アセット、担当チーム、後続記録につながると、ツインは日常運用の道具になります。 ## DataMesh のデータセンターワークフロー 1. **施設ソースを集める** - DCIM、BMS、EPMS、メーター、アラーム、アセットリスト、設備文書、保全記録、点検計画、サイト図面を集約します。 2. **施設ツインを構築する** - FactVerse でルーム、ラック、設備、電力経路、冷却ゾーン、メーター、センサー、文書、サービス責任を整理します。 3. **運用データを接続する** - Data Fusion Services でライブ信号と業務記録を正しいアセット、空間、システム、ワークフローに結び付けます。 4. **再利用可能なシーンを準備する** - データセンター DLC と FactVerse Designer でルーム、ラック、設備、施設シーンの作成を加速します。 5. **運用状態を確認する** - サイトとアセットの文脈でエネルギー指標、アラーム、設備状態、繰り返し課題、保全優先度を確認します。 6. **現場作業を実行する** - Inspector で確認済みの課題を点検、作業指示、修理メモ、写真、受入証跡、検証記録に落とし込みます。 7. **比較して改善する** - 拠点やルームをまたぐ一貫した記録を使い、管理レビュー、エンジニアリング分析、サステナビリティ報告、後続の効率化プログラムを支えます。 信号から場所へ、場所から担当者へ、担当者から検証済み作業へ進めることが重要です。 ## チームが始めやすい範囲 - **アセット台帳と位置**: ルーム、ラック、施設設備、メーター、サービス責任の記録を整理します。 - **エネルギー計算と報告**: メーター値、設備コンテキスト、負荷履歴、運用記録を接続して管理レビューに使います。 - **アラームと点検ワークフロー**: アラーム、ルート、作業指示、現場メモ、修理証跡を対象アセットの周辺に配置します。 - **重要インフラ保全**: UPS、発電機、開閉装置、冷却設備、ポンプ、関連サービス履歴を追跡します。 - **複数拠点の標準化**: 同じルーム、アセット、エネルギー、保全モデルを複数データセンターに適用します。 - **グリーン運用の証跡**: エネルギー、環境、保全、是正記録を整理し、内部ガバナンスと Green Mark 準備に役立てます。 データ、担当範囲、実際の受け渡し課題がそろった範囲から始めると進めやすくなります。 ## DataMesh 製品の役割 [Data Fusion Services](/products/dfs) は DCIM、BMS、EPMS、メーター、ヒストリアン、アラーム、保全ツール、エンタープライズシステムを接続します。 [FactVerse](/products/factverse) はルーム、ラック、アセット、システム、データバインディング、文書、ワークフローを含む施設デジタルツインのコンテキストを提供します。 [FactVerse DLC](/products/factverse-dlc) は、Designer で使えるデータセンターシーン基盤を提供し、ルーム、ラック、施設アセット、エネルギーコンテキスト、運用可視化要素を再利用しやすくします。 [Inspector](/products/inspector) は点検、作業指示、修理記録、写真、受入メモ、検証、現場証跡を管理します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、データモデルとワークフローが安定した段階で、異常パターン、繰り返しアラーム、保全履歴のレビューを支援します。 ## ガバナンスチェックリスト - ルーム、ラック、設備、メーター、センサーの名前は各システムで一貫していますか? - アセット ID は DCIM、保全ツール、図面、現場ラベルと一致していますか? - 電力、環境、保全のデータソースに担当者と更新ルールがありますか? - アラームはルーム、ラック、アセット、システム、担当者、作業記録まで追跡できますか? - 現場チームは同じコンテキストで写真、メモ、修理作業、受入証跡を記録できますか? - エネルギー記録はサイト、ルーム、アセット、メーター、時間帯ごとに確認できますか? - 複数拠点レポートは一貫したアセット分類とデータ定義で作られていますか? - 物理的な変更前に、エンジニアリングレビュー、顧客承認、変更管理の責任が明確ですか? これらの確認により、デジタルツインは日常作業と管理レビューに使い続けられます。 ## 公開参考情報 [IDC DLC の発表](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) は、FactVerse Designer でデータセンターシーンを始めるための再利用可能なデジタルツインコンテンツを示しています。 [Data Center Operations ソリューション](/solutions/ai-agent-data-center) は、アセット可視化、エネルギー計算、点検、保全、作業指示、複数拠点デジタルツイン管理の運用範囲を説明しています。 [Yokogawa 予知保全の参考情報](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) は、産業施設の信号を保全レビューに接続するパターンを示しています。 [Faurecia と EVE Energy の参考情報](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) は、運用可視化とエネルギーコンテキストが製造および施設改善プログラムを支える例です。 --- ## [GUIDES] data-center-load-growth-capacity-what-if-analysis ## 容量判断の確度は場所と運転状態で決まる データセンター全体では電力容量や冷却設備の定格容量に余裕があっても、計画中のラック配置によって局所的な気流または温度の制約が生じる場合があります。そのため容量計画では、施設全体の合計値に加えて、負荷を追加する場所、機器に空気が届く経路、対象領域を支える冷却経路、想定する冗長性の状態、ラック単位で残る熱的余裕を把握する必要があります。 個別プロジェクトの容量シナリオ分析は、調達、設置、室内改修の前に選択肢を比較するための共通基盤となります。容量、施設、情報技術（IT）、運用の各チームが、同じ形状、負荷の前提、冷却条件、根拠、受入基準を使ってレビューできます。 目的は、より堅実な案を選び、根拠の不足を早期に特定し、回避可能な現場の手戻りを減らすことです。 ## 検証済みの運用ベースラインから始める すべての候補シナリオを、同じ検証済み運用ベースラインと比較します。運用ベースラインは、分析対象となる施設と運転状態を表します。 ### 施設の運用ベースライン * 室内、ラック群（Pod）、通路、ラック、コンテインメント、床、天井、ダクト、グリル、開口部の形状 * ラックの識別情報、位置、向き、搭載機器、気流方向 * 冷却設備、給気経路と還気経路、制御、稼働状態、実測性能 * 評価対象の容量ゾーンに関係する電力と冷却の依存関係 * 現在の資産、保守、点検、変更履歴 ### 負荷と環境の運用ベースライン * ラック別・期間別の接続負荷、実測負荷、代表的な IT 負荷 * 多様率、利用率、増加率、遷移に関する前提 * 給気、還気、流量、圧力、ラック吸気温度、湿度、機器状態の根拠 * コンテインメントの状態、漏気、障害物、仮設機器、フロアパネルまたはグリルの構成 * 機器クラスまたはラック群ごとの承認済み運転範囲 ### 根拠の運用ベースライン * センサーの識別情報、位置、単位、タイムスタンプ、校正状態、データ品質 * モデルのバージョン、形状の出典、パラメータの出典、境界条件 * ベンチマーク検証、較正、残差、妥当性確認、感度の記録 * 想定する判断、レビュー担当者、受入基準、妥当性を再確認する条件 [Data Fusion Services](/products/dfs) は、複数のソースシステムにある負荷、メーター、センサー、アラーム、資産、保守の根拠を整合できます。[DataMesh FactVerse](/products/factverse) は、運用ベースラインに空間とシステムのコンテキストを与えます。[FactVerse Designer](/products/designer) は、準備済みのシーン、レイアウト、シナリオ、工学レビューのコンテキストにより、個別プロジェクトの分析を支援します。 ## 一度に一つのシナリオ群を扱う シナリオは、差を説明しやすいように設計します。一連の関連シナリオでは、比較基準のほかの要素を一定に保ちながら、選定した入力を変化させます。 | シナリオ群 | 比較する変数 | 代表的な判断 | |---|---|---| | ラック負荷の増加 | ラックごとの負荷、負荷分布、多様率、利用率、移行タイミング | 新しいワークロードを承認する、または段階的な展開を定義する | | ラック密度と配置 | ラック構成、機器タイプ、気流方向、位置、間隔 | 高密度機器を設置するラックまたは位置を選ぶ | | 冷却分布 | 利用可能な設備、給気温度、気流、ファン状態、フロアパネル、グリル、ダンパー | 冷却供給が計画負荷を支えられるか確認する | | コンテインメントと気流 | 通路コンテインメント、漏気経路、開口部、障害物、還気経路 | 混合や再循環を抑えられる変更案を比較する | | レイアウト案 | ラック列、補助設備、間仕切り、室内形状、冷却構成 | 施工または設置前に室内変更を評価する | | 運用レジリエンス | 通常、保守、性能低下、選定した停止状態 | 必要な運転条件の範囲で容量案の挙動を確認する | 比較記録では、変更したすべての入力を特定します。これにより、技術レビュー、将来の再実行、プロジェクト関係者との明確な情報共有が可能になります。 ## 判断指標で選択肢を比較する ![通常時と性能低下時のデータセンター気流シナリオおよびラック単位の評価点](/images/physics/data-center-thermal-resilience-diagram.webp) *シナリオ比較では、レイアウトと冷却の変更を、ラック吸気の根拠、影響ゾーン、残る熱的余裕に結び付けます。* 熱分布が視覚的に説得力を持っていても、判断指標は必要です。技術選定担当者は、最終比較の前に指標について合意します。 有用な指標には次のものがあります。 * 場所と高さごとのラック吸気温度 * 承認済みの機器環境範囲または施設環境範囲に対して残る熱的余裕 * レビューしきい値に近づくラックの数と位置 * 暖気の再循環と冷気のバイパス気流のパターン * ラック、列、室内、機器クラスごとの運用ベースラインとの差 * 負荷分布、冷却性能、コンテインメント、初期条件に対する感度 * 通常、保守、選定した性能低下状態での挙動 * 想定する判断に関する不確かさと根拠の確信度 過渡的な変化については、温度上昇率、合意済みしきい値までの限界到達時間、回復挙動も比較できます。各値には、その根拠となるシナリオ条件と根拠のレベルを併記します。 ## 容量に関する結論を根拠の適用範囲内に保つ 容量は、明示した条件に基づいて判断します。結果には、対象となる室内とラック、機器構成、負荷分布、冷却状態、環境範囲、対象期間、制御、運用上の前提を示します。 根拠に見合った結論の例を次に示します。 | 根拠 | 技術選定時の結論 | |---|---| | レビュー済みの探索モデル | 明示した代表条件の下では、候補 A の相対的な気流分布と熱的余裕が優れている | | ベンチマーク検証済みワークフロー | 報告した確認条件内で、手法が選定した基準挙動を再現し、定義した選択肢の比較を支援できる | | 現場の実測データによる較正済みモデル | 文書化した較正範囲と残差限界内で、計画負荷とレイアウトを現場計測値に照らして評価できる | | シナリオ固有の妥当性確認 | 専門家による承認を前提に、選定した案が、妥当性を確認した変数、場所、運転状態について、明示した計画判断を支援できる | 容量に関する堅実な結論では、適用条件を結果と併記します。これにより、負荷、機器、制御、レイアウトが変わったときも分析を再利用できます。 [シミュレーションの根拠を評価する方法](/resources/guides/how-to-evaluate-simulation-evidence)では、手法、入力、検証と妥当性確認、不確かさ、引き渡し資料を評価するための選定フレームワークを紹介しています。[モデル較正の段階とシミュレーション結果の確信度ガイド](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、実測データによって結論の確信度がどう変わるかを説明しています。 ## 運転範囲全体をレビューする 代表的な条件では良好な候補レイアウトも、負荷分布、冷却設備の状態、漏気条件、開始時温度が変わると影響を受けやすくなる場合があります。シナリオ群を用いることで、その範囲を把握できます。 有用な変動条件には次のものがあります。 * 現在、近い将来、計画時点のラック負荷 * 均等な負荷分布と集中した負荷分布 * 想定値と保守値による機器の必要気流量 * 通常時と保守時の冷却構成 * ファン、ポンプ、コイル、気流の性能低下状態 * 想定どおりのコンテインメント状態と性能低下状態 * 代表的な環境状態と制御状態 * 異なる対応タイミングまたは復旧タイミング [シナリオ群と保守的なシミュレーション評価ガイド](/resources/guides/scenario-ensembles-and-conservative-simulation-review)では、妥当なシナリオ群から判断ケースを選ぶ方法を説明しています。技術選定担当者は、どの案が安定しているか、どの変数が結果を左右するか、どこで追加計測や工学的検討を行うと最も価値が高まるかを確認できます。 ## 計画の根拠を実行へつなげる 容量判断は、設計、調達、設置、点検、試運転、運用時の検証へと進みます。デジタルツインは、承認済みシナリオと物理的な変更のつながりを保持できます。 連携したワークフローには次の手順があります。 1. **判断事項を定める** - 計画負荷、場所、運転状態、制約、承認責任者を定義します。 2. **運用ベースラインを検証する** - 室内、ラック、冷却資産、センサー、負荷、運転上の根拠、現在の現場状態を整合します。 3. **選択肢を準備する** - 管理されたラック、負荷、冷却、コンテインメント、レイアウトのシナリオを作成します。 4. **根拠を比較する** - 熱的余裕、影響ゾーン、感度、残差、不確かさ、確信度をレビューします。 5. **選択肢を承認する** - 選定したシナリオ、前提、受入基準、工学レビューを記録します。 6. **変更を実行する** - [Inspector](/products/inspector)または既存の保守ワークフローを通じて、現場確認と承認済み作業を割り当てます。 7. **結果を検証する** - 変更後の計測値と現場の根拠を、承認済みの運用ベースラインおよびシナリオと比較します。 この流れにより、何を計画し、何を設置し、どのように結果を確認したかという継続的な記録を運用チームに残せます。 ## 技術選定担当者向けチェックリスト ### 事業上の判断と容量判断 * 計画するワークロード、ラック構成、場所、時期が定義されているか * 電力、冷却、空間、冗長性、運用に関するどの制約を適用するか * この分析で、どの手戻り、サービスリスク、スケジュールへの影響を減らすか ### データの準備状況 * ラックの識別情報、形状、搭載機器、気流方向、現在の負荷を利用できるか * 冷却設備、分配経路、制御、コンテインメント、稼働状態がモデルに反映されているか * ラック吸気と関連計測値が空間に対応付けられ、品質確認されているか * 現在、計画、保守の各負荷前提を責任者まで追跡できるか ### シナリオと根拠の品質 * 各選択肢で、管理された一組の変数だけを変更しているか * 比較間で、結果の表示尺度、しきい値、運転条件が一貫しているか * ベンチマーク検証、較正、残差、妥当性確認、不確かさ、感度の記録があるか * 結論の確信度が、根拠のレベルと想定する判断に合っているか ### 承認と引き渡し * 専門知識を持つエンジニアが結論に責任を持つか * 承認済みの選択肢に、前提、限界、妥当性を再確認する条件が添付されているか * 設置作業と点検作業を対象資産および場所に結び付けられるか * 変更後の計測と検証が計画に含まれているか ## 容量パイロットの範囲を定める 対象を絞ったパイロットは、一室、ラック群、または一通路と、実際の容量判断一つから始められます。チームは運用ベースラインを検証し、二つまたは三つの候補案を選び、必要な運転状態を定義して、承認に必要なラック単位の指標と根拠の確信度について合意します。 パイロットの成功基準には次の項目を設定できます。 * 施設責任者と IT 責任者が承認した最新の空間・資産の運用ベースライン * 追跡可能な現在負荷と計画負荷の前提 * 再現可能なシナリオ定義と管理された比較 * ラック単位の熱的余裕と影響ゾーンの表示 * 明示された根拠の確信度、感度、限界 * 承認済みの容量、計測、コンテインメント、レイアウト判断のいずれか一つ * 実行と変更後の検証を支援する引き渡し資料一式 [データセンター運用](/solutions/ai-agent-data-center)では、資産、エネルギー、環境テレメトリ、点検、保守、個別プロジェクトの熱分析を通した幅広いワークフローを紹介しています。容量判断にレジリエンスのレビューも必要な場合は、[冷却障害シナリオ分析](/resources/guides/data-center-cooling-failure-scenario-analysis)を参照してください。 比較の基礎となるラック単位の計測方法と限界値については、[ラック吸気温度と熱的余裕](/resources/guides/rack-inlet-temperature-and-thermal-margin)を参照してください。 ## 公開参考資料 [米国暖房冷凍空調学会（ASHRAE）の『Data Centers and Telecommunications Facilities』ハンドブック章](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)では、ラック熱負荷の増加、機器吸気条件、必要気流量、施設冷却の考慮事項を説明しています。 ASHRAE の[AI データセンターエネルギー性能フレームワークに関するサイト計画ガイダンス](https://www.ashrae.org/technical-resources/ai-data-center-framework/site-planning)では、ワークロード要件、ラック密度の増加、配電、高度な冷却戦略を計画上の考慮事項として挙げています。 [米国エネルギー省の『Best Practices Guide for Energy-Efficient Data Center Design』](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)では、容量計画に関係する IT システム、環境条件、エアマネジメント、冷却システム、計測手法を取り上げています。 --- ## [GUIDES] detector-coverage-blind-spots-placement-options ## 検知器配置は空間的な安全判断 固定式ガス検知器は、検知位置まで到達し、その応答特性を満たす状態に反応します。その経路は、発生位置、放出挙動、換気、設備、排気、扉、圧力、温熱条件、周辺の障害物に左右されます。 従来の配置規則、工学的判断、ベンダーガイダンス、現場経験、規制要件は、引き続き検知器設計の中心です。個別プロジェクトの気流・化学種輸送解析を加えることで、文書化した想定可能なシナリオマトリクスに対して候補レイアウトを比較できます。どの発生源と運転状態の組み合わせで迅速な応答、遅延応答、または追加検討が必要な潜在的な死角が生じるかを把握しやすくなります。 導入検討時の実務的な問いは、選定したリスクに対してより強い根拠を示す検知器レイアウトはどれか、さらにどの対策、測定、工学作業が必要かという点です。 ## 安全上の判断と検知基準を定義する 解析では、最初に用途を定めます。たとえば、新規装置の導入レビュー、検知器位置の比較、換気変更の検討、選定した発生位置の評価、確信度を高めるために追加すべき現場根拠の特定などです。 プロジェクトチームは次の事項に合意する必要があります。 * 対象とする空間、工程、設備、化学種、発生源群 * 候補となる検知器技術、位置、高さ、向き、応答特性 * 比較に使用する濃度、継続時間、ばく露量、デバイス応答の基準 * 判断に関係する最大レビュー時間または検知時間基準 * モデルで表現する換気、排気、扉、設備、在室状態 * 各シナリオに割り当てる重みまたは優先順位 * エンジニアリング、安全、検知システム、コンプライアンスのレビュー責任者 しきい値には、その出典と意味を残す必要があります。検知器のアラーム設定値、職業ばく露限界、工程のアクションレベル、緊急時基準、モデル比較用のしきい値は、それぞれ異なる判断に用います。 ## 代表性のある発生源・運転マトリクスを構築する シナリオマトリクスを用いることで、広範なリスクをレビュー可能なケースへ具体化できます。 | シナリオの軸 | 定義する例 | 重要となる理由 | |---|---|---| | 発生位置 | 装置接続部、バルブ、キャビネット、エンクロージャ、ユーティリティチェイス、床面付近、高所、選定した境界 | 発生位置によって、初期輸送経路と近傍で捕集できる可能性が変わる | | 放出挙動 | 放出量または放出プロファイル、継続時間、方向、運動量、温度、相、化学種の物性 | 発生源の挙動が浮力、混合、移動、濃度履歴に影響する | | 換気状態 | 想定流量、能力低下、ファンフィルターユニット（FFU）群の停止、排気能力低下、ダンパー変更、選定した回復状態 | 換気が放出物質の経路と滞留時間を左右する | | 扉と開口部の状態 | 閉、開、移行、アクセスパネル、保全作業時の一時的な状態 | 開口部によって圧力が変わり、それまで分離されていた区域がつながる場合がある | | レイアウトと障害物 | 現行装置、変更後の装置、エンクロージャ、間仕切り、保管物、仮設設備、作業配置 | 物理的な変更によって輸送経路が遮られたり、向きが変わったりする場合がある | | 検知器レイアウト | 現在位置、候補位置、検知器の追加、高さの変更、別方式の技術 | レイアウトによってセンサーへ到達できる経路と条件が決まる | | 反復と不確かさ | パラメータ範囲、数値的変動、初期状態の変動、反復実行 | 分布から検知結果の安定性とばらつきが分かる | シナリオの選定は、施設のリスク根拠と対象判断に従って行います。明確なマトリクスがあれば、評価範囲外に残る条件もレビュー担当者が確認できます。 ## 検知器の挙動を施設モデルと関連付ける ### 空間に関する根拠 * 室、ベイ、サブファブ、ユーティリティ空間、壁、床、天井、扉、開口部、圧力境界 * 装置、エンクロージャ、キャビネット、作業台、間仕切り、主な障害物 * 給気、還気、FFU、一般排気、局所排気、ダクト、ダンパー * 現行および候補の検知器位置、高さ、向き、アクセス条件 ### 運転に関する根拠 * 気流、圧力、温度、湿度、排気、設備状態の測定値 * 検知器の識別情報、方式、設定値、応答挙動、校正、保全、アラームの履歴 * 解析に関係するファン、フィルター、ダンパー、扉、工程、在室、作業状態の記録 * 現行の手順、アラーム通知経路、点検、保全、対応責任者 ### 発生源とモデルに関する根拠 * 必要な専門性を持つレビュー担当者が選定した化学種の物性と発生源プロファイル * 形状と境界条件の出典、前提、モデルバージョン、シナリオ定義 * ベンチマーク、較正、残差、妥当性確認、不確かさ、感度の記録 * 検知計算、しきい値ロジック、反復実行方法、根拠の適用範囲 [Data Fusion Services](/products/dfs) は、検知器、施設資産、測定値、アラーム、保全記録の整合に利用できます。[DataMesh FactVerse](/products/factverse) は、各検知器と発生源シナリオを、空間、装置、換気システム、担当チームに関連付けます。[FactVerse Designer](/products/designer) は、候補レイアウトとシナリオ用形状の準備を支援します。 ## カバレッジをシナリオの結果としてレビューする ![クリーンルームの気流、選定した発生源プルーム、検知器カバレッジ区域](/images/physics/cleanroom-airflow-detection-docs.webp) *検知器カバレッジ解析では、定義したレイアウトの応答を、選定した発生源シナリオと換気シナリオにわたって比較し、工学的なフォローアップが必要なケースを明らかにします。* カバレッジは、必ず評価対象のシナリオ群と検知基準を併記して報告します。重み付けを行わない単純な集計は、次の式で表せます。 `シナリオカバレッジ = 合意した検知基準を満たすシナリオ数 / 評価したシナリオ数` 多くのプロジェクトでは、より詳細な評価が必要です。優先度の高い発生源ケースに大きな重みを付ける場合があります。検知器の方式が異なれば、異なる応答モデルを使用する場合もあります。シナリオによっては、室、工程、発生源群、換気状態、影響区分別に分けて報告する必要があります。 有用な出力には次のものがあります。 * 発生源と運転状態別の検知済みシナリオと未解決シナリオ * 各シナリオで最初に応答する検知器 * 検知時間分布と選定した保守的な統計値 * 各検知器位置の濃度履歴 * 発生位置または区域全体のカバレッジヒートマップ * 検知器間の重複と依存関係 * 潜在的な死角と応答が遅れるシナリオ * 発生源、換気、扉、レイアウト、検知器応答、しきい値の前提に対する感度 * 現行レイアウトと候補レイアウトの比較 根拠資料には、結果のスケール、シナリオ定義、検知器の前提、レビューしきい値を保存し、同じ基準で各案を比較できるようにします。 ## 検知時間を分布として扱う 検知時間は、発生源、気流、初期条件、設備状態、検知器応答、モデルの変動によって変わります。反復実行または構造化したパラメータ集合により、結果の範囲と安定性を把握できます。 レビュー対象には次のものがあります。 * 検知時間の中央値と選定した上側パーセンタイル * 評価対象内で想定可能な最も早い検知時間と最も遅い検知時間 * 合意した基準を満たす実行の割合 * 最も遅い応答につながる発生源と換気の組み合わせ * マトリクス全体で一貫して応答する検知器 * 入力の小さな変化によって検知タイミングが大きく変わるシナリオ 選定する統計値は、判断目的に合わせます。配置比較では、保守的なパーセンタイル結果を使用できます。測定計画では、感度を重視する場合があります。影響が大きい判断では、より確かな較正、独立した根拠、明確な最終判断責任が必要になる場合があります。 ## 潜在的な死角を適切に特定する 潜在的な死角とは、評価対象のレイアウトで、合意した基準に対する応答が遅い、弱い、または得られないシナリオまたは位置です。安全システム全体の根拠を構成する一要素として、必要な専門性を持つ担当者がレビューします。 フォローアップには次のものがあります。 * 形状、発生源、換気、検知器、しきい値の前提を検証する * 関係する空間、検知器、排気経路、扉、設備状態を点検する * 測定、トレーサー試験、対象を絞ったシナリオを追加する * 検知器の高さ、向き、方式、位置を比較する * 局所排気、エンクロージャ、換気、工程制御をレビューする * 所定の手順に従って、アラーム、点検、保全、対応の各手順を改訂する この進め方により、解析を工学的対策と運用対策の幅広い体系に関連付けた状態を保てます。 ## 保守的なシナリオレビューを行う 一つのシナリオから得られる結果は一つです。導入検討者は、想定可能な発生位置と運転状態を網羅するマトリクスと、保守的なレビューケースを選ぶ透明性のある方法を確認する必要があります。 [シナリオ集合ガイド](/resources/guides/scenario-ensembles-and-conservative-simulation-review)では、不確かな入力を変化させ、各シナリオの識別情報を保ち、得られた範囲から判断用のケースを選定する方法を説明しています。[シミュレーション根拠の評価ガイド](/resources/guides/how-to-evaluate-simulation-evidence)では、検証、妥当性確認、不確かさ、引き継ぎに関する確認事項を紹介しています。 判断の影響が大きいほど、根拠の確信度も高める必要があります。探索解析では、位置と測定の優先順位を決められます。ベンチマーク済み解析では、ワークフローの適合性を確認できます。施設固有の較正では、測定範囲内で施設固有の比較を支援できます。シナリオ固有の妥当性確認では、関連条件下で明確な安全判断または工学判断の根拠を強化できます。 ## 導入評価の確認事項 ### 判断と要件 * どの工程、発生源群、化学種、空間、検知器に関する判断を対象とするか * どの規制、規格、施設要件、ベンダーガイダンス、リスク対策が適用されるか * 検知基準とシナリオの優先順位を誰が管理するか ### シナリオマトリクス * 想定可能な発生位置、プロファイル、方向、継続時間、運転状態が表現されているか * 必要に応じて、通常、性能低下、扉、排気、設備、レイアウトの各条件が含まれているか * 変動が結果に影響する場合、反復実行またはパラメータ範囲を使用しているか * 引き継ぎ記録から各シナリオを再現できるか ### 検知器の表現 * 検知器の方式、位置、高さ、向き、設定値、応答、校正、保全状態を追跡できるか * 応答モデルが対象とする比較に合っているか * 現行レイアウトと候補レイアウトを共通の基準で評価しているか ### 根拠とレビュー * モデル確認、ベンチマークの根拠、較正残差、不確かさ、感度を確認できるか * どのデータまたはシナリオを妥当性確認用に分けているか * カバレッジ、検知時間分布、潜在的な死角が、その条件とともに報告されているか * 検知器と安全に関する最終判断を誰が担うか ### 運用への引き継ぎ * 所見を検知器、空間、装置、排気経路、点検、ワークオーダーに関連付けられるか * 現場検証とコミッショニング作業が定義されているか * モデルレビューのトリガーが、装置、レイアウト、換気、発生源、検知器の変更に関連付けられているか ## 一つの区域と二つのレイアウトから始める 対象を絞ったパイロットは、一つのクリーンルームベイ、プロセス区域、ユーティリティ空間、検知区域から開始できます。チームは、代表性のある発生源マトリクスを選び、換気と検知器に関する根拠を検証し、合意した基準の下で現行レイアウトと一つの候補案を比較します。 有効なパイロット成果には次のものがあります。 * 検証済みの施設、換気、発生源、検知器の基準状態 * 文書化したシナリオマトリクスと検知基準 * 再現可能なカバレッジと検知時間の比較 * 明示された潜在的な死角、不確かさ、感度 * 施設、安全、検知システム、プロセス、コンプライアンスの責任者による専門レビュー * 測定、配置、点検、工学対応に関する一つの実行可能な判断 * 再利用可能な引き継ぎ資料と現場検証資料 検知器の性能が選定した換気または捕集の故障にも依存する場合は、[局所排気の捕集と換気性能低下シナリオ](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)を参照してください。 空間解析の基盤については、[クリーンルームの気流・ガス拡散評価](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)を参照してください。ベンチマーク、較正、シナリオ集合、妥当性確認、妥当性再確認の要件については、[クリーンルームの較正、シナリオ集合、妥当性確認の根拠](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)へ進んでください。 ## 公開参考資料 United Kingdom Health and Safety Executive の[可燃性ガス検知器の選定と使用に関するガイド](https://www.hse.gov.uk/pubns/gasdetector.pdf)では、プロセス設備、センサー方式、ガス物性、拡散、換気、要員、設備保護、検知器の冗長性を配置時の検討事項として挙げています。 United Kingdom Health and Safety Executive（HSE）による[海洋ガス設備の火災・爆発ハザードに関するレビュー](https://www.hse.gov.uk/Offshore/assets/docs/fireexplosion.pdf)では、検知器の性能が、拡散、工程活動、設備レイアウト、間隔、換気情報に左右されると報告しています。対象となる産業環境はクリーンルームと異なりますが、配置の原則は有用な公開情報です。 [American Society of Heating, Refrigerating and Air-Conditioning Engineers（ASHRAE）の Clean Spaces ハンドブック章](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)では、クリーンルームの気流と汚染物質の伝播が、給気、還気、排気、設備、開口部、熱源、境界条件に左右されることを説明しています。 National Institute of Standards and Technology の[ガス拡散と最適なセンサー配置に関する資料](https://www.nist.gov/publications/greenhouse-gas-emissions-and-dispersion-1-optimum-placement-gas-inlets-building-rooftop)では、異なる応用分野を対象に、計算流体力学を用いて気流に左右される測定位置と不確かさを評価する方法を示しています。 --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## 現場作業には運用コンテキストが必要 現場作業は、正しい順序、特定の資産、物理的な場所、訓練済みの役割、後で確認できる記録に支えられています。技術者は、設備の隔離、ロックアウト手順、盤の点検、値の読み取り、写真撮影、例外報告、作業指示のクローズを行うことがあります。生産オペレーターは、段取り、清掃、ラインクリアランス、サンプリング、引き継ぎを実行し、各動作は部屋、設備、材料、承認済み手順の版に関係します。 従来の SOP や教育資料は重要ですが、作業対象から離れた場所に置かれがちです。手順は文書システム、資産記録は CMMS や EAM、信号は BMS や SCADA、写真はモバイルアプリ、最終判断は監督者レビューに分かれます。情報が分散すると、シフト、拠点、チームをまたいだ実行結果の比較が難しくなります。 運用デジタルツインは、手順に作業場所を与えます。同じ運用コンテキストの周りで、SOP、資産、場所、役割、視覚ガイダンス、現場記録、点検結果、作業指示、レビューコメントを接続します。 ## デジタル SOP が接続するもの | レイヤー | 運用上の内容 | |---|---| | 手順管理 | SOP 版、責任者、有効日、承認ルート、教育対象、リリース状態 | | 資産と場所 | 設備 ID、部屋、ゾーン、ライン、ルート、ユーティリティ接続、安全境界 | | ガイド手順 | 作業順序、プロンプト、チェックポイント、視覚参照、メディア、例外対応 | | 役割と教育 | 必要な役割、教育完了、評価結果、再教育周期、受講履歴 | | 現場実行 | 作業者、開始時刻、ステップ状態、読み取り値、写真、メモ、問題、作業指示リンク | | レビュー記録 | 監督者レビュー、受入基準、是正、クローズ状態、監査トレイル | | データ文脈 | 関連するリアルタイム値、アラーム、保全履歴、文書、企業記録 | 目標はトレーサビリティです。どの手順が使われ、どの資産や区域に適用され、誰が実行し、どの証跡が取得され、結果がどのようにレビューされたかを確認できる状態を作ります。 ## 空間コンテキストで手順を作る [Director](/products/director) は、ガイド付き 3D 手順を作成するためのオーサリング環境です。承認済みの作業知識を、ラベル、アニメーション、パネル、画像、動画、チェックポイント、視覚プロンプトを含むステップ形式のコンテンツに変換できます。目的は、作業現場で正しい資産、場所、動作、記録要求を見えるようにすることです。 有効なデジタル SOP は、既存資料から始まります。承認済み SOP、作業手順書、マニュアル、写真、動画、CAD または BIM モデル、設備モデル、資産リスト、安全メモ、教育資料、現場フィードバックを整理します。そのうえで、どのステップに 3D 文脈が必要か、どのステップにチェック記録や写真が必要か、どの例外をタスク化するかを決めます。 [FactVerse](/products/factverse) は、手順を資産モデルと場所モデルに接続した状態で管理します。[Data Fusion Services](/products/dfs) は、必要に応じて文書、作業履歴、リアルタイム値、企業記録を接続します。 ## 現場証跡を取得する デジタルガイダンスは、現場実行に届いて初めて運用価値になります。[Checklist](/products/checklist) は、反復チェック、必須読み取り値、承認、完了記録を構造化します。[Inspector](/products/inspector) は、点検、問題、写真、修理メモ、作業指示、受入ステップ、レビュー状態を資産と場所のコンテキストに接続します。 実行パスは次のように整理できます。 1. **準備** - SOP、資産、場所、役割、チェックリスト、必要証跡を接続します。 2. **ガイド** - Director で作成したコンテンツと現場指示でステップを提示します。 3. **記録** - 読み取り値、写真、メモ、例外、完了状態を取得します。 4. **エスカレーション** - 確認済みの問題を点検タスク、修理タスク、作業指示に変換します。 5. **レビュー** - 監督者または品質チームが証跡、是正、クローズ状態を確認します。 6. **改善** - 反復例外とレビュー結果を使って、教育、手順コンテンツ、資産記録を改善します。 この流れにより、教育、実行、証跡、改善が同じ資産コンテキストでつながります。 ## 現場実行の前に訓練する 訓練では、実行時と同じ空間コンテキストを使うべきです。新しい作業者は、現場に入る前に設備 ID、部屋配置、作業順序、視覚確認点、リスク点、証跡項目を理解できます。 [Simulator](/products/simulator) は、訓練が設備動作、操作系、安全シナリオ、ルート規律、採点、反復練習に依存する場合に有効です。重機、フォークリフト、建設機械、設備固有のプログラムでは、Simulator シナリオを使って操作、緊急対応、評価手順を練習できます。 プロセス運用や施設作業では、Director と Checklist がガイド付き手順教育を支援し、Inspector が同じ資産とタスクの文脈を現場実行に引き継ぎます。これにより、教育記録、作業指示、現場証跡が揃います。 ## 業界別の使い方 **製造**では、段取り替え、点検、保全支援、ラインサイドのトラブル対応、倉庫引き継ぎ、生産支援ユーティリティにデジタル SOP を使えます。現場証跡により、資産、シフト、生産区域をまたいだ反復問題を比較できます。 **製薬とバイオ医薬**では、設定、清掃、サンプリング、秤量、ラインクリアランス、設備準備、作業者引き継ぎにガイド付き手順を使えます。教育完了、SOP 版、作業証跡、例外メモ、レビュー記録は GMP と CSV の証跡準備に役立ちます。 **建設と重機**では、Director の手順ガイダンス、Simulator の設備訓練、Inspector の現場記録を組み合わせ、現場作業、設備操作、安全手順、問題クローズに使えます。タワークレーン、フォークリフト、ロータリー掘削機、深井戸ケーシング掘削機、掘削機、プロジェクト固有設備を訓練プログラムに含められます。 **データセンターとスマート施設**では、保全手順、点検ルート、BMS アラーム、資産記録、エネルギー値、写真、作業指示状態を接続できます。同じ記録構造を、保全計画、エネルギーレビュー、運用引き継ぎに使えます。 **倉庫と構内物流**では、計画と点検で使う同じ資産・場所コンテキストに基づき、ルート、積み下ろし、安全確認、フォークリフト手順、例外対応、保全タスクを訓練できます。 ## データと AI フィードバック 現場証跡は、AI 支援ワークフローにより信頼できる実績データを与えます。確認済みの問題、レビューで調整された提案、反復例外、完了メモ、読み取り値、写真、作業後の結果は、手順の分かりにくい箇所、再教育が必要な領域、反復傾向のある資産を見つける材料になります。 [FactVerse AI Agent](/products/factverse-ai-agent) は、接続された信号、作業履歴、文書、点検記録、現場フィードバックを 24x7 でレビューできます。この流れでは、AI Agent は証跡の要約、反復問題の発見、次の確認項目の提案、レビューに進む作業準備を支援します。 教育記録、現場実行、作業指示、レビュー結果が同じ資産と手順の文脈を参照すると、学習ループはより安定します。 ## 製品の役割 [Director](/products/director) は、ガイド付き 3D SOP、ステッププロンプト、視覚ラベル、アニメーション、メディアパネル、教育コンテンツ、現場指示を作成します。 [Checklist](/products/checklist) は、反復チェック、必須読み取り値、役割承認、完了状態、モバイル記録を構造化します。 [Inspector](/products/inspector) は、点検、問題、作業指示、証跡取得、修理メモ、受入記録、現場履歴を管理します。 [Simulator](/products/simulator) は、操作系、設備動作、安全シナリオ、採点、反復練習に依存する設備操作訓練を支援します。 [FactVerse](/products/factverse) は、資産、空間、システム、手順、作業オブジェクト、文書、権限のための運用デジタルツインコンテキストを提供します。 [Data Fusion Services](/products/dfs) は、CMMS、EAM、BMS、SCADA、IoT、文書、作業記録、企業システムを適切なツインオブジェクトに接続します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、安定した記録がある状態で、レビュー、トリアージ、推奨準備、フィードバック分析を支援します。 ## 実装チェックリスト * SOP 版、責任者、リリース日、教育対象は記録されているか * 資産 ID、部屋名、設備ラベル、作業指示オブジェクトは一致しているか * 3D ガイダンス、チェック記録、写真、読み取り値が必要なステップは特定されているか * 例外対応、問題分類、エスカレーションルール、クローズ項目は定義されているか * 教育完了、評価結果、再教育周期は正しい手順版に紐付いているか * Inspector と Checklist の記録は同じ資産・場所モデルに接続されているか * 写真、読み取り値、メモ、レビュー判断、是正措置は後日のレビューに使えるか * AI Agent の用途は安定した手順、資産、作業指示、現場証跡データに基づいているか ## 公開参考 [Swire Coca-Cola のリファレンス](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) は、保全プロセスと現場トレーニングのデジタル化を示しています。 [Foxconn のリファレンス](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) は、FactVerse を使ったトレーニングと保全ワークフローを示しています。 [高速道路安全トレーニングのリファレンス](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) は、デジタルツインを使った現場スキルの実践訓練を示しています。 [製薬オペレータートレーニングガイド](/resources/guides/pharma-operator-training-digital-sop-gmp-csv)、[重機 Simulator トレーニングガイド](/resources/guides/digital-twin-heavy-equipment-simulator-training)、[CMMS、EAM、BMS 連携ガイド](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) は、規制対応運用、設備訓練、企業システム連携の関連ワークフローを扱っています。 --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## 再利用できるコンテンツが展開を安定させる 産業デジタルツインのプロジェクトでは、空間、資産、ルート、設備カテゴリ、ラベル、パネル、手順、シーン動作など、似た基盤を繰り返し作ることがよくあります。各顧客の現場には合わせる必要がありますが、同じ運用領域では共通する出発点も多くあります。 デジタルツインコンテンツパックは、その再利用基盤を作るためのものです。FactVerse DLC は FactVerse Designer 向けに事前構成されたコンテンツを提供し、チームは業界向けの基盤から始めて、モデル、シーン、データマッピング、ワークフローを顧客施設に合わせて調整できます。 価値は運用の一貫性にあります。プロダクト、導入、顧客の各チームが、最初のワークショップから同じ資産クラス、シーン構造、作業記録、運用ビューで会話できます。 ## コンテンツパックに含めるもの | レイヤー | 役立つコンテンツ | |---|---| | 資産クラス | 設備タイプ、タグ、プロパティ、命名ガイド、役割定義 | | 空間構造 | サイト、建物、フロア、部屋、ゾーン、ライン、ルート、安全境界 | | モデルリソース | 3D オブジェクト、簡略化した設備形状、レイアウト要素、ラベル、表示状態 | | シーンテンプレート | 運用、保守、訓練、計画、経営レビュー向けの共通ビュー | | 動作ロジック | 状態変化、ガイド手順、アラーム、運用シーケンス、シナリオトリガー | | データ紐づけ | ソース項目、単位、時刻、担当者、更新ルール、ツインオブジェクトへの対応 | | ワークフロー文脈 | 点検ポイント、チェック項目、作業指示の受け渡し、証跡取得、承認 | | ガバナンス | バージョン、責任者、範囲、更新ルール、ローカライズ、再利用基準 | コンテンツパックは開始を速くしながら、各現場の設定余地を残すべきです。 ## 産業利用の基盤領域 **データセンター DLC** は、機械室、ラック、施設設備、エネルギー文脈、監視ビュー、点検ルート、保守記録を準備し、データセンターデジタルツインを始めやすくします。 **キャンパス DLC** は、建物、キャンパス、ユーティリティ、環境、アクセス、施設文脈を扱い、複数建物の運用とスマート施設管理を支えます。 **倉庫物流 DLC** は、倉庫ゾーン、保管エリア、ルート、搬送ライン、運用手順、物流計画、訓練シナリオを記述しやすくします。 **離散製造 DLC** は、生産設備、コンベヤ、AGV、作業者、ライン文脈、計画シーンの仮想工場スターターを提供し、Designer で調整できます。 これらの基盤は、顧客の実際の資産、システム、手順、運用記録と接続したときに効果を発揮します。 ## DataMesh の展開ワークフロー 1. **コンテンツ基盤を選ぶ** - 現場タイプとプロジェクト目的に合う DLC 基線を選択します。 2. **顧客現場をマッピングする** - 建物、部屋、ゾーン、ライン、設備、ルート、作業エリアを顧客の命名と資産記録に合わせます。 3. **Designer でシーンを準備する** - FactVerse Designer でモデル、シーンテンプレート、ビュー、ラベル、パネル、動作ロジックを調整します。 4. **データモデルを接続する** - FactVerse で空間、資産、関係、文書、作業文脈、再利用オブジェクトを整理します。 5. **運用データを紐づける** - Data Fusion Services でソースシステム、センサーデータ、業務記録、保守ツール、文書参照を接続します。 6. **実行ワークフローを付ける** - Inspector、Director、その他のアプリケーションで点検、SOP ガイド、作業指示、訓練、現場証跡をつなげます。 7. **再利用資産として改善する** - 複数プロジェクトで繰り返し使う資産、ロジック、ワークフローを管理されたコンテンツとして整備し、次の現場の基盤を強化します。 各導入で再利用基盤を改善することが重要です。 ## プロダクトチームによる DLC 管理 各コンテンツパックはプロダクト資産として扱います。責任者、バージョン、範囲、サンプルシーン、ローカライズ計画、リリースノート、再利用層に入れる基準が必要です。 再利用層は、資産クラス、シーン基盤、デフォルトビュー、スターターロジック、連携パターンなどの共通構造に集中します。顧客固有の名称、権限ルール、ライブデータ認証情報、承認経路、運用手順はプロジェクト設定に置きます。 この分離により、DataMesh チームは品質を保ちながら、プロジェクトごとの柔軟性も維持できます。営業、導入、カスタマーサクセスの各チームも、再利用する内容と現場に合わせて調整する内容を具体的に説明できます。 ## DataMesh 製品の役割 [FactVerse DLC](/products/factverse-dlc) は、一般的な産業展開領域向けの再利用可能なデジタルツインコンテンツパックを提供します。 [FactVerse Designer](/products/designer) は、DLC リソースを開き、調整し、シーン、運用ビュー、シナリオコンテンツとして組み立てる場所です。 [DataMesh FactVerse](/products/factverse) は、空間、資産、関係、文書、データ紐づけ、アプリケーションワークフローを含む共有デジタルツイン文脈を保持します。 [Data Fusion Services](/products/dfs) は、運用データソースと業務記録をツイン内の正しいオブジェクトに接続します。 [Inspector](/products/inspector) は、ツイン文脈を点検、作業指示、写真、修理記録、受入メモ、現場証跡に変えます。 [FactVerse AI Agent](/products/factverse-ai-agent) は、データモデルとワークフローが成熟した後、安定したツイン文脈と作業記録を使って運用レビューを支援できます。 ## 展開チェックリスト - パックは再利用できる資産クラスとプロパティを明確に定義していますか？ - 空間構造は顧客が現場を運用する方法に合っていますか？ - モデルリソースはインタラクティブなシーンに十分軽く、運用上も分かりやすいですか？ - シーンテンプレートは点検、計画、訓練、監視、保守などの実ワークフローに対応していますか？ - データ紐づけはソース、単位、担当者、更新ルール、品質状態を記録していますか？ - Inspector 項目、作業指示の受け渡し、証跡記録は現場展開前に定義されていますか？ - バージョン、ローカライズ、コンテンツ責任者は明確ですか？ - あるプロジェクトの改善を次のプロジェクトの再利用コンテンツにできますか？ 有用なコンテンツパックは、繰り返しの初期設定を減らし、プロジェクト間の一貫性を高めます。 ## 公開参考 [IDC DLC の発表](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) は、再利用コンテンツが FactVerse Designer でデータセンターデジタルツインシーンを始める助けになることを示しています。 [倉庫物流 DLC の更新](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) は、物流環境、ルート、レイアウト、運用シナリオに同じコンテンツパック手法を適用する例です。 [Jebsee の FactVerse 事例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) は、生産ライン計画が共有デジタルツイン文脈を使って自動化計画と関係者コミュニケーションを進める方法を示しています。 [NIO スマートファクトリー事例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) は、製造チームがデジタルツインを工場可視化と運用改善の基盤として使う例です。 --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## 重機訓練には反復可能な練習が必要 重機オペレーター訓練の標準化には多くの調整が伴います。実機を確保するにはコストと調整が必要で、現場には安全上の制約があり、熟練インストラクターの時間にも限りがあります。受講者は、実際に操作できるシナリオを通じて、機械の挙動、操作応答、作業順序、現場コンテキスト、リスクポイント、各操作の品質を理解する必要があります。 デジタルツインシミュレーター訓練は、そのための管理された練習環境を提供します。受講者は、設備挙動、物理またはデスクトップ操作系、視覚フィードバック、操作ガイド、評価ルールを含むシナリオで課題を実行します。インストラクターは同じ課題を繰り返し実施し、結果を比較し、技能記録を残せます。 DataMesh では、Simulator が重機操作訓練の中核です。Director で作成する SOP 訓練、Designer によるシーン計画、FactVerse のデジタルツインコンテキストと組み合わせて利用します。 ## シミュレーターシナリオに必要な要素 | レイヤー | 役割 | |---|---| | 設備モデル | 形状、スケール、キャビン視点、可動部、作業範囲、設備固有の挙動 | | 物理挙動 | 移動、衝突、荷重応答、地面との相互作用、振動、関連する安全境界 | | 操作系 | ジョイスティック、ペダル、パネル、ステアリング、デスクトップ操作、設備専用レイアウト | | 訓練手順 | 作業ステップ、音声またはテキストガイド、合図、チェックポイント、例外対応 | | 現場コンテキスト | 作業エリア、ルート、障害物、資材、周辺設備、天候や視界条件 | | 評価 | 時間、精度、ルール遵守、衝突イベント、経路品質、操作の滑らかさ、完了記録 | | レビュー記録 | 受講者情報、シナリオ版、スコア、メモ、リプレイ証跡、講師フィードバック | 優れたシナリオはこれらの要素を統合します。タワークレーンの吊り上げ、フォークリフトの走行、掘削機作業、深井戸ケーシング掘削、油圧ショベル操作は、明確な手順、制約、フィードバック、採点を持つ構造化された作業タスクとして設計する必要があります。 ## 設備範囲とシナリオ設計 DataMesh Simulator は、タワークレーン、フォークリフト、ロータリー掘削機、深井戸ケーシング掘削機、油圧ショベル、その他重機の訓練プログラムを支援します。各プログラムは、基本習熟、操作手順、異常対応、認定練習、海外サービス教育、講師主導評価など、訓練目的の定義から始めます。 訓練目的によって、ハードウェア構成、シーン精度、操作系、採点ルール、教材の深さが決まります。モーションプラットフォームとキャビンが必要なチームもあれば、初期習熟向けのデスクトップステーションが適するチームもあります。分散教育向けに持ち運びやすい構成を選ぶ場合もあります。 そのため、シミュレーターコンテンツは設備訓練プログラムとして計画するべきです。モデル、操作、シナリオ、スコア、レビュー手順が、教える操作技能と一致していることが重要です。 ## DataMesh ワークフロー 1. **訓練ロールを定義** - 設備タイプ、オペレーター役割、目標スキル、安全重点、評価要件を明確にします。 2. **設備ツインを構築** - 設備モデル、可動部、キャビン視点、操作マッピング、物理挙動、シナリオ環境を準備します。 3. **訓練パスを作成** - 作業ステップ、ガイド、チェックポイント、合図、例外ケースを作成します。 4. **訓練ステーションを構成** - シナリオに合わせてモーションプラットフォーム、キャビン、操作パネル、デスクトップステーション、ビジュアルシステムを選択します。 5. **練習と評価を実施** - 受講者がタスクを繰り返し、フィードバックを受け、構造化された評価を完了します。 6. **証跡を記録** - スコア、完了記録、講師メモ、シナリオ版、レビュー証跡を保存します。 7. **コースを改善** - 設備、手順、現場ルール、訓練目的の変更に合わせてシナリオを更新します。 この流れにより、シナリオ版、講師レビュー、評価証跡、コース更新の流れを備えた再利用可能な訓練システムを作れます。 ## FactVerse スタックにおける Simulator [Simulator](/products/simulator) は重機オペレーター訓練を担当します。設備挙動、操作応答、物理的な相互作用、オペレーター評価が重要な訓練で利用します。 [FactVerse](/products/factverse) はデジタルツインのプラットフォーム基盤です。[FactVerse Twin Engine](/products/factverse-twin-engine) はアセット、シーンコンテキスト、挙動、シナリオ状態を整理します。 [FactVerse Designer](/products/designer) はシーン作成、レイアウト計画、シナリオ準備を支援します。[Director](/products/director) は SOP ガイドとインタラクティブ訓練コンテンツを支援します。[Inspector](/products/inspector) は訓練が現場実行とつながる際の記録、点検、課題クローズ、証跡ワークフローを支援します。 これらの製品により、設備練習を計画、ガイダンス、運用で使う同じデジタルツインコンテキストに接続できます。 ## Steam 公開参考版 DataMesh は [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) を Steam で公開し、簡易的な公開参考体験として提供しています。Steam ページでは開発元とパブリッシャーが DataMesh と表示され、一般ユーザー向けの軽量な重機シミュレーター体験として掲載されています。 この公開版は、機械操作、ガイド付き練習、視覚的なシーンコンテキスト、設備シミュレーションという基本概念を理解するのに役立ちます。企業や教育機関向けの導入では、個別のハードウェア、操作系、教材、採点基準、キャビン設計、モーションプラットフォーム、連携要件を追加します。 ## 評価チェックリスト - シナリオは実際の操作タスクまたは評価目標と一致していますか? - 設備モデルには可動部、操作挙動、必要な物理仮定が含まれていますか? - ハードウェア構成は受講者段階と訓練目的に合っていますか? - 作業ステップ、合図、チェックポイント、例外が明確ですか? - 採点ルールは安全で正しい操作と結びついていますか? - 講師はリプレイ証跡、メモ、スコア、シナリオ版を確認できますか? - 訓練記録は学習管理、安全、運用ワークフローにつながりますか? - 設備、現場ルール、手順の変更に合わせてコースを更新できますか? これらの問いにより、シミュレーター訓練をオペレーター技能と運用準備に結びつけられます。 ## 公開参考情報 DataMesh は [タワークレーン訓練](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)、[油圧ショベル訓練環境](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)、[デジタルツインベースの Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform)、[Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training) に関する公開情報を提供しています。 [Operator Training: Heavy Equipment Steam ページ](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) は、DataMesh が公開する簡易重機訓練体験の参考情報です。 --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## 可視化モデルから運用ループへ 従来型のデジタルツインは、3D モデル、BIM データ、設備形状、ダッシュボードから始まることが多く、施設、生産ライン、資産、建設現場をチームで共有するための文脈を提供します。このレイヤーは、複雑な環境を理解しやすくするうえで大きな価値があります。 実行可能なデジタルツインは、そのモデルの周囲に運用ループを加えます。リアルタイムデータ、資産関係、プロセスロジック、シミュレーション、承認、作業指示、検証記録を接続します。チームは現在の状況を確認し、シナリオごとの結果を評価し、作業を割り当て、意思決定の根拠を残せます。 これは産業および施設環境における Physical AI の土台です。AI の提案は、実資産、空間関係、物理制約、作業履歴、承認プロセスに結び付くことで、実運用へ進めやすくなります。 ## 実行可能なデジタルツインの構成 実行可能なデジタルツインは、多くの場合、六つのレイヤーで構成されます。 - **空間と資産構造**：サイト、建物、フロア、ゾーン、システム、設備、ポイント、文書、責任関係。 - **リアルタイム運用データ**：BMS、SCADA、IoT、メーター、ヒストリアン、CMMS、ERP、MES、その他のソースシステム。 - **挙動とプロセスロジック**：プロセスステップ、制御仮定、依存関係、作業手順、イベント条件。 - **シミュレーションとシナリオレビュー**：レイアウト案、フロー分析、設備の動き、物理挙動、案の比較。 - **ワークフローと現場実行**：点検、タスク、作業指示、SOP、トレーニング、受入、引き継ぎ。 - **ガバナンスと証跡**：承認、記録、モデルバージョン、写真、メモ、運用結果。 価値は、これらのレイヤーが接続されることで生まれます。モデルは資産の場所を示し、実行可能なデジタルツインは、その資産のデータ、支えるプロセス、レビュー中のシナリオ、割り当てられた作業、現場結果を確認する記録まで示します。 ## Physical AI に必要な運用文脈 Physical AI は実世界の運用課題を扱います。提案は、現場、資産、プロセス、人、組織の安全基準と承認ルールに合っている必要があります。単独のモデル応答だけでは、この条件を十分に扱いにくい場面があります。 実行可能なデジタルツインは、Physical AI に管理された運用文脈を提供します。 - 信号がどの資産、システム、ゾーン、プロセスに属するかを示します。 - 判断のための履歴記録とリアルタイム状態を提供します。 - シミュレーションによる案の比較を行う場を提供します。 - 承認済みアクションを点検、保全、トレーニング、建設ワークフローへ渡します。 - 提案、承認、実行、検証の追跡可能な記録を残します。 購入側にとって重要なのは、デジタルツインが運用システムの一部として使われるかどうかです。 ## DataMesh スタックでの位置づけ [Data Fusion Services](/products/dfs) は、エンタープライズ、産業、IoT、施設データソースを接続します。[FactVerse](/products/factverse) は、データ、資産、シーン、アプリケーション文脈を整理します。[FactVerse Twin Engine](/products/factverse-twin-engine) は、さまざまなデバイスと運用シナリオで 3D ツイン体験を描画し、実行します。 [FactVerse Designer](/products/designer) は、シーン作成、プロセスロジック、仮想計画、シミュレーションワークフローを支援します。NVIDIA Omniverse を利用するチームでは、[FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) が FactVerse のシーン構造、メタデータ、挙動文脈を USD と Omniverse ベースの検証ワークフローへ連携します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、接続された文脈を使って異常レビュー、予測分析、運用 Q&A、提案要約、意思決定の引き継ぎを支援します。[Inspector](/products/inspector) は、承認済みの発見事項を点検、作業指示、現場記録、受入、証跡へ変換します。 これらのレイヤーにより、チームは同じデジタルツインを見て、分析し、シミュレーションし、実行し、振り返ることができます。 ## 一般的な導入パターン 実装は、一つの運用ループから始めると進めやすくなります。 1. ソースデータを接続し、各ソースシステムの責任を定義します。 2. 資産、空間、システム、ポイントを共通のツイン構造へマッピングします。 3. 挙動ロジック、プロセスステップ、作業手順、シナリオ仮定を追加します。 4. シミュレーション、エンジニアリングレビュー、運用リプレイで選択肢を検証します。 5. 承認済みアクションを点検、保全、トレーニング、建設ワークフローへ渡します。 6. 完了記録を取得し、運用データで結果を確認します。 この進め方は作業を具体的に保ち、デジタルツインが日常実行へ入っているかを関係者が判断しやすくします。 ## 価値が出やすい場面 | 起点 | 実用例 | |---|---| | 施設運用 | 資産、メーター、BMS ポイント、点検、保全記録を接続し、空間文脈で問題を確認 | | 予知保全 | センサーデータ、資産履歴、異常レビュー、作業指示、検証記録を組み合わせる | | プロセスシミュレーション | 現場変更の前にレイアウト、物流、設備の動き、運用仮定を比較 | | 建設ガイダンス | BIM、現場文脈、施工方法、工程確認、現場指示を接続 | | 人材トレーニング | 設備、手順、リスク、シナリオ記録を再利用可能なトレーニングへ変換 | 最初のユースケースには、明確なデータ責任、測定可能な運用プロセス、アクションを実行して検証できるチームが必要です。 ## 評価チェックリスト デジタルツイン基盤を比較する際は、次の観点が役立ちます。 - リアルタイム運用データを資産、システム、空間に接続できるか。 - 挙動、プロセスロジック、シナリオ仮定を表現できるか。 - 運用変更の前にシミュレーションやシナリオレビューを行えるか。 - 提案を承認済みの点検、保全、トレーニング、建設ワークフローへ渡せるか。 - 現場チームが写真、メモ、受入記録、完了状態を取得できるか。 - エンジニアと運用担当者がデータ、モデル文脈、承認履歴まで追跡できるか。 - 同じツインで可視化、監視、シミュレーション、ワークフロー実行を支えられるか。 - ユーザー、拠点、システムをまたいだ企業ガバナンスに対応できるか。 それぞれの答えが実際のワークフローと責任チームに結び付くと、実行可能なデジタルツインの価値が継続的に高まります。 ## 実務上の成果 実行可能なデジタルツインは、産業および施設チームが共有可視化から管理された実行へ進むことを支援します。初期成果は実務的です。運用文脈の明確化、部門横断レビューの高速化、分析から現場作業への引き継ぎ、証跡記録の強化、シナリオ比較の標準化が進みます。 運用ループが成熟すると、Physical AI はより豊かな文脈を利用できます。資産データ、システム関係、シミュレーション結果、作業履歴、現場ガバナンスに基づく提案が可能になります。デジタルツインは、実世界の意思決定を支える実務レイヤーになります。 --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## 熱供給オペレーションにはつながった文脈が必要 地域熱供給チームの判断は、熱源状態、一次・二次ネットワーク、サブステーション状態、建物側のフィードバック、天気予測、問い合わせ記録、現場点検、保全履歴、配熱ルールなど、多くの情報に依存します。それぞれのシステムは運用の一部を説明します。重要なのは、これらの信号をレビュー可能で、承認でき、実行でき、検証できる判断へつなぐことです。 [HeatOps](/solutions/heatops) は [FactVerse AI Agent](/products/factverse-ai-agent) の地域熱供給向け業界モジュールです。[Data Fusion Services](/products/dfs) が運用データを接続し、[FactVerse](/products/factverse) がネットワークと資産の文脈を保持し、Inspector または顧客側の作業指示システムが現場アクションの記録を残します。 目的は実務的です。需要を予測し、ネットワーク挙動を診断し、配熱オプションをレビューし、現場作業を調整し、判断の根拠となる運用証拠を残します。 ## 運用モデルが接続するもの | レイヤー | 運用文脈 | |---|---| | 熱源 | ボイラー、ヒートポンプ、CHP、廃熱、蓄熱、燃料、電力、能力、可用性 | | ネットワーク | 一次ネットワーク、分岐配管、圧力、流量、供給・戻り温度、バルブ、漏水、保温状態 | | サブステーション | 熱交換器、ポンプ、制御バルブ、メーター、差圧、効率、アラーム、サービス履歴 | | 建物 | 建物ゾーン、室内フィードバック、利用者側温度、快適性問題、熱慣性、サービス優先度 | | 外部文脈 | 天気予報、過去負荷、休日、利用パターン、料金文脈、サービス要求 | | 作業実行 | 配熱指令、点検、修理タスク、清掃、バルブ調整、保温補修、写真、受入記録 | | ガバナンス | 提案元、承認経路、指令範囲、ロールバックルール、結果レビュー、監査証跡 | 価値はこれらのレイヤーをつなぐことで生まれます。低温に関する問い合わせは、建物文脈、サブステーション挙動、分岐ネットワーク状態、過去の作業、そして次の配熱判断へ追跡できる必要があります。 ## DataMesh HeatOps ワークフロー 1. **運用ソースを接続** - SCADA、SIS、PVSS、PLC タグ、メーター、天気、GIS、問い合わせ記録、請求文脈、保全システム、配熱ログを集約します。 2. **熱供給デジタルツインを構築** - FactVerse 上で熱源、配管、サブステーション、バルブ、ポンプ、メーター、建物、ゾーン、サービスエリアをモデル化します。 3. **信号を資産に紐付け** - Data Fusion Services により、温度、圧力、流量、アラーム、エネルギー読み値、作業記録を正しい資産とネットワーク区間へマッピングします。 4. **需要とリスクをレビュー** - FactVerse AI Agent を使い、需要予測、負荷変化の説明、異常パターンの要約、配熱オプションをオペレーター向けに準備します。 5. **アクションを調整** - 承認済みの発見事項を配熱メモ、現場点検、作業指示、調整タスク、制御された書き戻し範囲へつなげます。 6. **結果を検証** - アクション後の読み値、快適性フィードバック、アラーム、熱損失パターン、作業指示証拠を元の発見事項と比較します。 このワークフローにより、AI 提案は常にその提案を生んだ運用文脈に結び付いた状態で扱われます。 ## 予測、診断、配熱レビュー HeatOps は、相互につながる三つの作業モードを支援できます。 - **需要予測**：需要変化が来る前に、天気、過去負荷、ネットワーク状態、建物応答、運用制約を比較します。 - **ネットワーク診断**：供給・戻り温度差、差圧、流量、補給水、熱交換器挙動、ポンプ状態、バルブ状態、漏水兆候、汚れの兆候、繰り返す利用者側問題を確認します。 - **配熱レビュー**：供給温度変更、ポンプ周波数変更、バルブ調整、予熱戦略、人員準備、現場点検優先度など、オペレーターがレビューできるアクションを準備します。 提案には、対象範囲、理由、期待される効果、必要な承認、フォローアップ証拠が必要です。これにより、制御室、エンジニアリングチーム、現場チーム、管理者が AI 出力をレビューできます。 ## 提案から監査可能な実行へ 熱供給オペレーションには、安全、快適性、契約、設備限界、サービス責任が関わります。そのため、実行経路は段階的に設計します。 最初は意思決定支援です。オペレーターはデジタルツイン文脈で予測、診断、推奨アクションをレビューします。次の段階では、承認済みの提案を配熱記録、現場タスク、作業指示、フォローアップ確認へつなげます。権限、指令範囲、安全インターロック、ロールバックルール、監査要件が明確になった後、制御された書き戻しを段階的に追加できます。 [Inspector](/products/inspector)、[Checklist](/products/checklist)、顧客側の作業指示システムは、現場側のループを残します。誰がサブステーションを点検したか、何を調整したか、どの写真と読み値を取得したか、いつ作業を完了したか、状態が改善したかを記録できます。 ## エネルギー・カーボン記録と管理レビュー 熱供給事業者には、リアルタイム画面とシーズン単位の証拠が必要です。HeatOps は、熱量、燃料、電力、ポンプエネルギー、熱損失、快適性フィードバック、事故対応、改修活動、現場作業を運用記録として整理できます。 これらの記録により、配熱戦略、改修結果、サブステーション性能、ネットワーク区間を時系列で比較できます。オーナー、都市チーム、サービス会社、エンジニアリングパートナーが同じデータの流れでエネルギー・カーボン性能を議論しやすくなります。 会計方法、報告範囲、カーボン係数はプロジェクトごとに設定します。HeatOps はレビューに必要な接続済み運用文脈と追跡可能な証拠を提供します。 ## データ準備チェックリスト 導入前に次の条件を確認します。 - SCADA、SIS、PVSS、PLC、メーターのタグに安定した名称、単位、タイムスタンプ、責任者がある。 - 熱源、サブステーション、バルブ、ポンプ、メーター、建物、ゾーン、ネットワーク区間をデジタルツインにマッピングできる。 - 天気、負荷履歴、問い合わせ記録、作業指示を時間、エリア、資産、ステーション単位で接続できる。 - オペレーターとエンジニアが配熱提案の承認ルールを合意している。 - 現場チームが点検、調整、写真、読み値、受入証拠を構造化して記録できる。 - 制御された書き戻しルールが、指令経路の導入前に文書化されている。 - パイロット指標が検証済みの運用記録に基づいている。 最初の導入は、範囲を絞ったサービスエリアまたはサブステーショングループから始めるのが現実的です。十分なデータ、明確な責任、高頻度の運用課題がある範囲を選びます。 ## 実用的な開始点 | 開始点 | 適している理由 | |---|---| | サブステーション概要 | 温度、圧力、流量、ポンプ状態、バルブ状態、熱量、アラーム、サービス履歴を既知の資産グループに接続できる | | 天気変化への準備 | 寒波、暖かい期間、通常と異なる利用パターンがサービスに影響する前に、需要予測で準備できる | | 低温問い合わせ | 問い合わせ記録を建物文脈、サブステーション状態、分岐圧力、過去の保全と合わせてレビューできる | | 繰り返すステーションアラーム | AI 支援レビューでパターンを要約し、確認済みの問題を点検または保全タスクへつなげられる | | エネルギーと熱損失レビュー | シーズン記録で熱源出力、ネットワーク挙動、建物側状態、現場作業を接続できる | これらの開始点は、広範な最適化や制御シナリオへ進む前に、レビュー可能なループを構築するのに適しています。 ## 公開リファレンス [HeatOps ソリューションページ](/solutions/heatops) は、FactVerse AI Agent における地域熱供給モジュールの範囲を説明しています。 [データセンター デジタルツイン運用ガイド](/resources/guides/data-center-digital-twin-operations) と [予知保全ガイド](/resources/guides/predictive-maintenance-digital-twin-work-orders) は、施設信号、デジタルツイン文脈、作業指示、検証済み現場アクションを接続する隣接パターンを説明しています。 [Singtel FutureNow リファレンス](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) は、接続型施設環境における DataMesh デジタルツイン文脈を示しています。[Yokogawa と DataMesh の予知保全リファレンス](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) は、産業信号を AI 支援の保全レビューへ変換する広いパターンを示しています。 --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## 産業 AI Agent には現場文脈が必要 工場、キャンパス、データセンター、熱供給ネットワーク、倉庫物流、国境関連施設は、相互につながった物理システムで動いています。これらの環境で有効な AI Agent には、設備、場所、ライブ信号、運用履歴、手順、作業指示、責任記録を理解する能力が必要です。 [FactVerse AI Agent](/products/factverse-ai-agent) は、この運用レイヤーに向けて設計されています。FactVerse のデジタルツイン基盤、接続された産業データ、企業知識、Inspector の作業記録、人による承認経路を組み合わせ、AI の提案を監査可能で、実行可能で、振り返り可能な現場プロセスへつなぎます。 ## 運用ループの流れ 1. **信号と知識を接続** - Data Fusion Services が設備データ、施設システム、SCADA または BMS 信号、保全履歴、文書、SOP、企業システムを統合します。 2. **デジタルツイン文脈に紐付け** - FactVerse と Twin Engine が、信号を資産、空間、システム、関係、ワークフロー状態へ接続します。 3. **AI Agent が分析** - AI Agent が傾向、アラーム、作業履歴、運用ルール、現場文脈を確認し、発見事項と推奨アクションを準備します。 4. **人がレビューして承認** - オペレーター、エンジニア、監督者が、権限とリスクレベルに応じて提案を確認します。 5. **現場で実行** - Inspector、Checklist、顧客側の CMMS または EAM、一線向けアプリケーションが、承認済みアクションを作業指示、点検、ガイドタスク、トレーニングへ展開します。 6. **結果を戻す** - 完了記録、写真、読み値、例外メモ、人の判断、アクション後の結果が、将来のレビューとモデル改善の証拠になります。 このループにより、AI 出力は追跡可能な運用プロセスになります。 ## 24 時間 365 日の運用と継続学習 産業現場のイベントは、シフト、週末、天候変化、生産サイクル、保全ウィンドウをまたいで発生します。FactVerse AI Agent は、接続済みの信号、アラーム、作業指示更新、点検記録、現場フィードバックを継続的に処理できます。専門家が常にダッシュボードを見ていない時間帯でも、チームが重要な資産とワークフローの変化を把握できる状態を支えます。 作業が積み上がると、異常信号、確認済み原因、却下された提案、完了した修理、オペレーターのメモ、点検写真、結果の読み値が蓄積されます。これらの記録は、機械学習モデルの学習、再学習、評価、提案品質の調整に活用できます。AI Agent は、顧客固有の現場データと運用パターンに徐々に合っていきます。 継続学習にはガバナンスが必要です。データ系統、承認履歴、実行結果、レビュー指標により、どの発見を信頼するか、どの提案を調整するか、どのワークフローを広げられるかを判断できます。 ## 代表的な業界モジュール FactVerse AI Agent は、業界ごとのワークフローに合わせて構成できます。モジュール名は運用タスクを表し、製品の軸は FactVerse AI Agent に統一されます。 | モジュール | 運用範囲 | |---|---| | 予知保全 | 設備健全性レビュー、異常説明、保全優先度、作業指示連携、検証記録 | | HeatOps | 需要レビュー、熱供給ネットワーク診断、配熱支援、サブステーション作業、エネルギー・カーボン記録 | | 施設点検と保全 | 資産検索、点検計画、トラブルシューティング支援、証拠取得、保全フォローアップ | | 国境・物流検査 | 空間化された手順支援、チェックリスト実行、例外レビュー、検査記録、チーム間引き継ぎ | | 操作ガイダンスとトレーニング | デジタル SOP、設備手順、タスク支援、安全リマインダー、人が行う作業のトレーニング記録 | | 半導体施設運用 | サブファブと施設設備文脈、ユーティリティ系統点検、異常イベントレビュー、作業指示連携 | 各モジュールは意思決定支援から始め、データアクセス、承認規則、実行範囲が明確になるにつれて拡張できます。 ## 製品スタックの連携 [Data Fusion Services](/products/dfs) は、ソースシステム、文書、センサーストリーム、企業記録を利用可能な文脈へマッピングします。 [FactVerse](/products/factverse) と [FactVerse Twin Engine](/products/factverse-twin-engine) は、資産、空間、関係、状態、挙動ロジック、ワークフロー文脈を持つ運用デジタルツインを提供します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、その文脈を使って証拠を要約し、パターンを比較し、提案を準備し、想定原因を説明し、判断を適切なワークフローへ渡します。 [Inspector](/products/inspector)、Checklist、接続された CMMS または EAM は、誰がタスクをレビューしたか、何を実施したか、どの証拠を取得したか、状態が改善したかを記録します。 [FactVerse Designer](/products/designer) は、シーン作成、レイアウト計画、仮想計画、シミュレーション準備、Physical AI ワークフローを支援します。SimReady Asset の準備や Omniverse 関連のシミュレーションパイプラインに活用できます。 ## 人による確認は運用ループに残る 産業判断は、安全、稼働率、契約、コンプライアンス、資産寿命に影響します。FactVerse AI Agent は、責任を持つ人がより速く、より明確に判断できるよう、必要な文脈を整えます。 低リスクのタスクは、提案から点検や作業指示へ素早く進められます。設備停止、制御設定変更、プロセス変更、規制対象の手順などは、監督者承認、エンジニアリングレビュー、顧客固有の権限確認が必要です。同じワークフロー内で、提案内容、レビュー担当者、承認アクション、最終結果を保持できます。 ## 検証可能なワークフローから始める 最初の導入は、範囲が明確で、データを接続でき、責任者が決まっており、結果を測定できるループが適しています。たとえば重要設備クラス、施設点検ルート、熱供給サブステーショングループ、データセンター資産グループ、倉庫物流設備フロー、特定の作業ガイダンスなどです。 関連データと作業記録を接続し、AI の発見を誰がレビューするかを決めます。確認済みの発見を既存の実行システムへ渡し、結果を記録します。その記録を使って提案品質を調整し、次の展開先を判断します。 ## 評価チェックリスト - ソース信号、文書、作業記録が正しい資産と空間に接続されているか - AI Agent が提案の根拠となる証拠を説明できるか - 各提案に責任者、承認経路、実行先があるか - 現場チームが完了メモ、写真、読み値、例外、検証結果を記録できるか - 却下または修正された提案を、将来の推奨改善に使えるか - 機械学習の更新を、モデル信頼度と運用証拠の両方に照らしてレビューしているか - 同じ運用ループを、追跡性を保ったまま複数サイト、シフト、チームへ広げられるか これらの確認により、産業 AI を実際の運用に結び付けたまま育てられます。 ## 公開参考情報 [FactVerse AI Agent の発表](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)では、複雑施設におけるシミュレーション駆動運用に向けた DataMesh の公開方針を説明しています。 [Yokogawa と DataMesh の予知保全事例](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)は、産業信号を AI 支援の保全レビューへつなげるパターンを示しています。 [NIO スマートファクトリー事例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)と [Singtel FutureNow 展示](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)は、複雑な環境における運用デジタルツイン文脈の公開例です。 --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## FactVerseとOmniverseをつなぐ理由 産業シミュレーションには二つの文脈が必要です。運用チームには、資産、関係、ライブデータ、権限、業務意味を保持する信頼できるデジタルツインが必要です。シミュレーションチームには、レンダリング、USDシーン開発、物理挙動検証、シナリオレビューのための高忠実度環境が必要です。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)は、この二つを接続します。工場、施設、生産ライン、物流エリアを[FactVerse](/products/factverse)と[FactVerse Designer](/products/designer)で準備し、USDワークフローとしてNVIDIA Omniverseへ移行してレビューとシミュレーションに活用できます。 これはPhysical AIの実践的なワークフローです。デジタルツインはシナリオを実資産と運用データにつなぎ、Omniverse、RTX、PhysX、Newtonはレンダリング、センサー文脈、モーション、衝突、レイアウト、マテリアル移動、包装フロー、ロボット経路、安全エリアの相互作用を検証します。 ## 基盤レイヤーとしてのOmniverse NVIDIAの現在の公開Omniverseポジショニングは、OpenUSDを基盤にしたlibraries、microservices、APIs、SDKsを強調し、Physical AIアプリケーション開発を支える方向になっています。CUDAがGPU計算の基盤機能を提供するように、Omniverseはシミュレーションとデジタルツインの基盤機能を提供します。OpenUSDは相互運用とSimReadyアセット、RTXはレンダリングとセンサーシミュレーション、PhysXとNewtonは物理、データサービスはシーン交換と同期を担います。 DataMeshの顧客にとって、この方向性は役割分担を明確にします。FactVerseとDesignerは工場や施設のシーン、資産セマンティクス、データバインディング、挙動ロジック、SimReadyアセット準備を担います。Omniverseの能力は、レンダリング、物理シミュレーション、データ交換レイヤーとして、産業ワークフロー、ロボティクスシミュレーション、パートナーツール、カスタムアプリケーションに組み込まれます。 このため、本ワークフローではFactVerseを業界アプリケーションとシーン作成レイヤー、Omniverseをレンダリング、シミュレーション、相互運用の基盤レイヤーとして扱います。評価すべき範囲は、シーン作成、アセットガバナンス、SimReady準備、物理検証、レンダリング、データ交換、運用記録への戻し方までを含みます。 NVIDIA公式リファレンス: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## エンドツーエンドの流れ 1. **運用デジタルツインを構築** - FactVerseでサイト、生産ライン、設備階層、位置、メタデータ、文書、責任関係をモデル化します。 2. **シナリオを作成** - FactVerse Designerでレイアウト、プロセスロジック、ビヘイビアツリー、タクト、経路、シナリオ案を作成します。 3. **USDレイヤーを準備** - USDリソース、マテリアル、シーンスケール、座標系、オブジェクトID、バージョン規則を整えます。 4. **文脈をOmniverseへ転送** - FactVerse Adaptor for NVIDIA Omniverseでシーン構造、メタデータ、データバインディング、挙動文脈をOmniverseへ持ち込みます。 5. **シナリオを検証** - レンダリング品質、設備動作、衝突、間隔、ロボット経路、マテリアルフロー、作業者アクセス、プロセス時間を確認します。 6. **判断材料を残す** - 前提、発見事項、スクリーンショット、シナリオバージョン、エンジニアリングレビュー記録を残し、計画、教育、実装、追加検証に使います。 価値は文脈の連続性にあります。同じ工場や施設の文脈を、計画、シミュレーション、レビュー、実行で再利用できます。 ## FactVerseからOmniverseへ渡す情報 | レイヤー | 価値 | |---|---| | サイトとシーン階層 | 建物、フロア、ゾーン、ライン、ステーション、設備をレビューしやすく整理します | | 資産ID | シミュレーション結果を実設備、モデル、保全文脈へ追跡できます | | 空間関係 | 相対位置、クリアランス、アクセス経路、衝突エリア、作業エリアを保持します | | メタデータと意味 | 設備種別、役割、所有、文書、システム関係をレビュー文脈へ持ち込みます | | データバインディング | 接続データが必要な場面で、設備状態、センサー値、アラーム、運用信号を反映します | | 挙動ロジック | プロセス前提、状態遷移、経路、順序、タイミングを検証へ持ち込みます | | バージョン履歴 | シーン変更、前提、レビュー結果の比較を支援します | これらの情報により、レンダリングされたシーンはレビュー可能なシミュレーション文脈になります。チームはFactVerseで使う資産名や運用関係を維持したまま、生産ライン、ロボット経路、包装フロー、物流経路を議論できます。 ## USD、RTX、PhysX、Newtonの位置づけ USDは、資産、マテリアル、バリアント、レイヤー、コラボレーションを扱う構造化されたシーンワークフローを提供します。FactVerseからOmniverseへの流れでは、USDが運用デジタルツインを高忠実度なシミュレーション環境へつなぐ橋になります。 RTXは、高忠実度レンダリングやセンサーシミュレーションが必要な場面で使えます。PhysXは、モーション、衝突、剛体挙動、配置、クリアランス、包装インタラクション、ロボット経路、マテリアル移動など、物理挙動が重要な検証に使えます。Newtonは、NVIDIA WarpとOpenUSDを基盤とした、ロボット学習とシミュレーション向けのオープンで拡張可能な物理エンジンの選択肢です。 エンジニアリング価値は、シーン設定の明確さから生まれます。スケール、座標、オブジェクト属性、タイミング、制約、検証目標、承認ルールを明示することで、シミュレーション結果が判断材料になります。 ## 実用的なユースケース - **工場デジタルツインのレンダリング**：工場エリアや生産ラインをOmniverseで高忠実度レビューします。 - **包装とマテリアルフロー検証**：物理試験前に移動、間隔、配置、設備相互作用、作業者アクセスを確認します。 - **生産レイアウト計画**：現場変更前にステーション、バッファ、ロボット、コンベヤ、マテリアル経路を比較します。 - **倉庫とイントラロジスティクス計画**：ピッキング経路、ステージング、AGV経路、フォークリフト移動、スループット前提を検証します。 - **ロボティクスとPhysical AI準備**：ロボットシミュレーション、合成データ計画、将来のAI検証に使えるシーン文脈を整えます。 ## DataMesh製品の役割 [FactVerse](/products/factverse)は運用デジタルツインの基盤です。サイトモデル、資産構造、関係、ガバナンス、共有文脈を管理します。 [FactVerse Designer](/products/designer)は作成と計画の環境です。レイアウトモデリング、プロセスロジック、ビヘイビアツリー、タイムラインシミュレーション、シナリオ案を担当します。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)は、FactVerseのシーン構造、メタデータ、データバインディング、挙動文脈をOmniverseとUSDワークフローへ持ち込みます。 [Data Fusion Services](/products/dfs)は、設備状態、センサー値、アラーム、生産指標、企業システム文脈が必要な場合に、ライブデータと履歴データを接続します。 [FactVerse Twin Engine](/products/factverse-twin-engine)は、可実行デジタルツインのランタイム文脈を提供し、可視化、データバインディング、後続の運用ワークフローを支えます。 ## データ準備チェック - シーン階層、資産ID、位置、設備名が安定しています。 - CAD、BIM、3D、USD資産に所有者とバージョン管理があります。 - 座標系、スケール、向き、原点が整合しています。 - マテリアル、衝突属性、動作制約、プロセス時間が記録されています。 - データバインディングにソース、単位、タイムスタンプ、更新ルールがあります。 - シミュレーション目標が、レイアウト承認、ロボット経路レビュー、包装検証、作業者アクセスなどの判断と結びついています。 - レビュー結果を、シナリオバージョン、前提、スクリーンショット、次のアクションとともに記録できます。 ## シミュレーション判断のガバナンス 何を、なぜ検証したかを追跡できると、シミュレーションはエンジニアリングレビューを支えます。実用的なレビュー資料には、シーンバージョン、元資産、入力前提、データソース、物理設定、検証基準、既知の制約、承認メモを含めます。 エンタープライズの取り組みでは、このガバナンスが視覚表現と同じくらい重要です。どのツインバージョンを使い、どの前提を採用し、どの課題を見つけ、どの変更を承認したかを共有してから現場作業へ進みます。 ## 公開リファレンス [FactVerseとNVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)の発表は、シミュレーションデジタルツインとAI業務ワークフローに向けた公開プラットフォームの方向性を示しています。 [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)の展示は、FactVerseとOmniverseを組み合わせたシミュレーションデジタルツインの公開事例です。 [Gyroのイントラロジスティクス](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)と[Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)は、実行前に生産ラインレイアウト、工場内物流、自動化計画をレビューする隣接ユースケースを示しています。 --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark 準備は継続的な運用能力 Singapore BCA Green Mark は、建物の環境性能とサステナブルな運用を評価するグリーンビルディング認証制度です。現在の Green Mark 2021 では、エネルギー性能を重視しながら、保守性、ライフサイクルカーボン、スマート技術、健康とウェルビーイング、レジリエンスも扱います。正式な基準と技術ガイドは BCA が定めるものであり、プロジェクトチームは最新の公式資料を確認する必要があります。 施設チームにとって難しいのは、申請書の背後にある運用証跡です。エネルギーデータ、設備関係、保守記録、環境状態、改善アクション、是正作業の完了証跡は、BMS 画面、メーター、表計算、CMMS、BIM、サービス報告、委託先の記録に分散しがちです。 [DataMesh Green Transformation](/solutions/green-transformation) は、運用デジタルツインによってこれらの層を接続します。所有者、運用チーム、コンサルタント、エンジニア、サステナビリティ担当者が同じ文脈で証跡を整理し、改善案を検討し、日常の施設運用につなげられるようにします。 公式参考： - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## レビューの前に証跡レイヤーを作る Green Mark 準備は、提出直前に証跡を集めるよりも、日常運用の中で継続的に構造化する方が安定します。デジタルツインは、その証跡の共通コンテキストになります。 基盤には通常、次の要素が含まれます。 - **空間**：建物、階、部屋、ゾーン、テナントエリア、重要な機能エリア。 - **システム**：冷熱源、HVAC、照明、配電、水、圧縮空気、エレベーター、その他ユーティリティ。 - **設備**：設備台帳、メーター、センサー、制御ポイント、文書、保守計画、サービス履歴。 - **信号**：BMS ポイント、メーター値、環境データ、アラーム、計算指標。 - **作業記録**：点検、作業指示、是正、受入記録、検証メモ。 [Data Fusion Services](/products/dfs) は BMS、メーター、IoT、ヒストリアン、CMMS、EAM などのデータソースを接続します。[FactVerse](/products/factverse) はそのデータを空間、設備、システム、ワークフローにマッピングし、データが何を表し、どこで対応すべきかを明確にします。 ## Brick Schema で証跡を追跡可能にする Brick Schema は、サステナビリティ証跡を正しい資産、空間、システム関係に結び付けます。メーター値は正しいメーターに、温度傾向は正しいゾーンとセンサーに、チラーの問題は関係するシステム、設備、アラーム、保守記録に結び付く必要があります。 [Inspector](/products/inspector) では、Brick Schema に沿った関係を使って、建物、階、ゾーン、設備、メーター、センサー、ポイント、システムを一貫して表現できます。これにより、チームは次の問いに答えやすくなります。 - この証跡はどの設備または空間に属するか。 - どのメーター、センサー、制御ポイントがこの運用記録を支えるか。 - どの作業指示または点検が問題をクローズしたか。 - 提案された変更はどのシステムやゾーンに影響するか。 - エンジニアリング、サステナビリティ、サービスチームが確認すべき記録はどれか。 専門判断はレビューと意思決定の中心です。意味レイヤーは曖昧さを減らし、追跡性を高め、証跡レビューをしやすくします。 ## Brick Schema の参考資料 Brick Schema の標準を直接確認したい読者には、次の公開資料が役立ちます。 - [Brick Schema 公式サイト](https://brickschema.org/)：建物向け統一メタデータ Schema としての Brick の概要と、入門用の参考図を確認できます。 - [Brick ユーザードキュメント](https://docs.brickschema.org/brick/overview.html)：建物のエンティティと関係をモデル化するための設計原則と基本概念を説明しています。 - [Brick data source modeling](https://docs.brickschema.org/brick/timeseries.html)：エンティティと関係を示す公式の telemetry data model 参考図があります。 - [Brick ontology browser](https://ontology.brickschema.org/)：Brick class、relationship、用語定義をブラウズできます。 - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick)：オープンソースの schema 開発、release、issue、ソースファイルを確認できます。 ## エネルギー分析と技術レビュー 運用データはエネルギー使用の変化を示しますが、より深い意思決定には比較が必要です。DataMesh は BIM/IFC、気象データ、運用記録、デジタルツインの文脈を EnergyPlus ベースの建物エネルギーモデルとつなぎ、実行前に複数の案を評価できるようにします。 有用な分析には次のようなものがあります。 - EUI と負荷構成のレビュー。 - 運用時間、占有、気象条件を踏まえた比較。 - 設定値と制御方針のレビュー。 - 改修または設備更新シナリオの比較。 - 是正アクションと技術レビューの優先順位付け。 エネルギー分析は技術判断を支える材料として扱います。実行しやすいパイロットでは、ベースラインを作り、データを検証し、改善案を比較し、是正作業を実行し、再確認した運用記録に基づいて成果を報告します。 ## Inspector で実行を閉じる エネルギーの発見や証跡要求がレポートのメモで終わらず、追跡可能な作業になると、準備の質は上がります。Inspector は発見を点検、タスク、作業指示、現場実行、受入、検証記録へ変換します。 実用的な運用ループは次の通りです。 1. BMS、メーター、設備、環境、保守データを接続する。 2. Brick Schema に沿った関係で設備とポイントをマッピングする。 3. 異常なエネルギー使用、アラーム、点検ギャップ、欠落記録を確認する。 4. 技術レビューと必要なモデル分析を使って改善案を比較する。 5. Inspector で作業指示と是正アクションを作成する。 6. 完了記録、写真、メモ、受入証跡を保存する。 7. 運用データを再確認し、証跡チェーンを残す。 このループはサステナビリティチームに明確な証跡基盤を提供し、施設チームが発見に対して実際に行動できるようにします。 ## どこから始めるか 最初は 1 棟の建物、キャンパス内の 1 エリア、または 1 つのシステム群から始めるのが現実的です。冷水システム、HVAC の運転時間、エネルギーメーター、高負荷ゾーン、履歴データが十分にある保守負荷の高い設備は良い候補です。 初期導入では次を作ります。 | ワークストリーム | 出力 | |---|---| | データ監査 | BMS、メーター、IoT、設備台帳、BIM/IFC、作業指示システムのリスト | | セマンティックマッピング | 空間、設備、メーター、センサー、システムの関係 | | ベースラインレビュー | EUI、負荷パターン、運用時間、異常信号、データギャップ | | シナリオ分析 | 改善案、モデル前提、技術レビューのメモ | | 是正実行 | Inspector 作業指示、現場記録、クローズ、検証証跡 | このアプローチの価値は、施設、データ、証跡、作業を 1 つの追跡可能な運用モデルで確認できるようにすることです。 --- ## [GUIDES] how-to-evaluate-simulation-evidence ## リスクを伴う判断から始める シミュレーションは、提示する根拠が対象の判断にふさわしいときに信頼を得られます。説得力のある気流場、温度分布図、ロボットの動作、ネットワークモデルは、シミュレーションシナリオの理解に役立ちます。そのうえで判断を下すには、どの運転条件を表したのか、入力はどこから得たのか、モデルをどう確認したのか、どのような変動を検討したのか、結論を受け入れる専門性と責任を誰が持つのかを確認する必要があります。 この確認が重要なのは、産業シミュレーションが支える判断の影響度に大きな幅があるためです。初期のレイアウト選定では、比較的広い前提を許容できます。クリーンルーム内のガス拡散レビュー、データセンターの冷却障害シナリオ、ロボットの安全判断には、より強固な根拠と厳密なレビューが求められます。 したがって、最初に確認すべき問いは次のとおりです。 > この結果はどの判断を支えるのか。その結論が誤っていた場合、どのような影響が生じるのか。 この答えによって、プロジェクトに必要な形状、データ、較正、不確かさ分析、レビューの深さ、承認責任が決まります。 ## 根拠の連鎖をたどる 有効なレビューでは、結果から判断上の問いを経てモデルと入力までさかのぼり、そこから所見と対応へとつながりを確認します。 ![デジタルツインシーン、シミュレーションシナリオ、シミュレーション、専門レビュー、再利用のワークフロー](/images/physics/scene-simulation-action-diagram.webp) *再利用可能なデジタルツインシーンは、シミュレーションシナリオ、前提、出力、レビューが想定用途に結び付いて、初めて判断根拠になります。* 根拠の連鎖は、次の七つの要素で構成されます。 1. **判断と影響** - 工学上または運用上の問い、影響を受ける資産と人、判断責任者、誤りがもたらす影響を明記します。 2. **シミュレーションシナリオの境界** - 運転状態、形状、対象期間、負荷、外乱、設備の可用性、環境条件、対象外の事項を定義します。 3. **モデルと入力の識別情報** - 実行に用いたデジタルツインシーン、資産、モデル、入力データセット、境界条件、構成、ソフトウェアバージョンを記録します。 4. **シミュレーション場** - 温度、速度、濃度、圧力、流量、接触、動作など、モデル化した挙動を表す空間出力と時系列出力を確認します。 5. **指標と運用限界** - 場の出力を、ラック吸気温度、検知器の応答時間、捕集効率、熱的余裕、圧力差、ネットワークの不均衡、クリアランス、衝突状態など、レビュー可能な指標に変換します。 6. **所見と対応** - 観測された状態を、具体的な工学上の所見、提案する対応、優先度、想定される運用上の効果に結び付けます。 7. **専門レビュー** - 入力、手法、制約、所見、提案された判断を誰がレビューしたかを、未解決の問いと必要なフォローアップを含めて記録します。 この連鎖の完全性が、判断の強さを左右します。場の出力を行動につなげるには判断指標が必要です。指標を再現するには追跡可能な入力一式が、推奨対応を適切に管理するには担当レビュー者の明記が求められます。 ## モデルの想定用途を確認する シミュレーションの品質は、常に想定用途との関係で決まります。同じモデルでも、二つのレイアウトの比較には適し、現場固有のしきい値を正確に予測する用途には適さない場合があります。 プロジェクトチームには、次の事項を明示してもらいます。 * 表現する物理挙動または運用挙動 * 対象に含む資産、空間、システム、時間範囲 * 単純化または除外した変数と相互作用 * 対象とする運転条件の範囲 * 実測値またはベンチマークと比較した場所と条件 * 現在の根拠レベルで支援できる判断 * 再実行、再較正、より詳細な手法が必要になる条件 この文脈は結果と並べて提示し、評価担当者が適用範囲と判断根拠を直接確認できる状態を保ちます。 ## 検証、較正、妥当性確認を区別する これらの活動では、相互に関係する次の問いに答えます。 | レビュー活動 | 技術選定担当者が確認する問い | 有効な根拠 | |---|---|---| | モデルと設定のレビュー | シミュレーションシナリオは、対象の資産、条件、相互作用を表しているか | 形状レビュー、トポロジー確認、単位、材料の前提、境界条件、運転状態の確認 | | 検証 | 対象の結果に必要な一貫性をもって計算問題が解かれているか | 収束挙動、保存則の確認、必要に応じたメッシュまたは時間刻みの感度、数値計算上の警告、反復再現性 | | ベンチマーク比較 | ワークフローは、認知された基準ケースまたは管理された基準ケースを再現しているか | 基準の定義、期待される挙動、比較指標、偏差、受入判断の根拠 | | 実測データによる較正 | 不確かなモデル入力を、代表性のある現場観測に合わせて調整したか | 計測元、較正期間、調整したパラメータ、残差、ホールドアウト条件、レビュー担当者の承認 | | 想定用途に対する妥当性確認 | 関連条件において、結果は独立した根拠とどの程度一致するか | 独立した実測または試験、比較位置、不確かさ、適用限界、確認された不一致 | 根拠レベルは、提示する結論の強さに合わせます。初期のシナリオ選定では、形状、工学的な前提、感度確認を中心に評価できる場合があります。現場固有のしきい値やタイミングに関する結論には、代表性のある実測値、記録された残差、独立したレビューが必要です。 ## 出力より先に入力を確認する 根拠が弱いレビューの多くは、最も見栄えのする出力画像から始まります。確かなレビューでは、入力データの来歴から確認します。 重要な入力ごとに、次の点を確認します。 * ソースデータの責任者は誰か * いつ、どこで収集されたか * どの単位、座標系、サンプリング間隔、時刻同期が適用されるか * 欠損、古い値、重複、成立しない値が特定されているか * データセットはシミュレーション対象の運転条件を表しているか * 計測、設計情報、ベンダー資料、工学的な前提、較正のうち、各値はどこから得たか * 判断指標がこの入力にどの程度左右されるか [Data Fusion Services](/products/dfs) は、運用データと工学データを、識別情報、リネージ、品質情報、時刻整合とともに整理するために役立ちます。[FactVerse Designer](/products/designer) は、空間シーン、挙動、シミュレーションシナリオ、レビュー文脈を保持します。評価における価値は、これらの入力と検討中の結果とのつながりを維持することから生まれます。 ## 行動につながる指標を求める 色分布は検討に役立ちますが、工学レビューには運用限界や対応に結び付く指標も必要です。 例を次に示します。 | シミュレーションシナリオ | 場の出力 | 判断指標 | 想定される対応 | |---|---|---|---| | データセンターの熱レジリエンス | 時間変化する温度と気流 | ラック吸気温度の余裕と、合意した限界に達するまでの時間 | 負荷配置、コンテインメント、運転順序、冷却レジリエンス案を見直す | | クリーンルーム内の放出シナリオ | 時間変化する濃度と速度 | 検知時間、未検知領域、局所排気の捕集挙動 | 検知器の配置、排気条件、対応手順、妥当性確認計画を見直す | | 地域熱供給の運用 | ネットワーク全体の流量、圧力、温度 | ゾーン別の不均衡、還水温度の挙動、供給状態 | バランシング、制御、保全、厳しい気象条件での運転シナリオを見直す | | 生産工程とロボティクス | 動作、接触、クリアランス、工程状態 | 衝突、受け渡しの安定性、アクセス範囲、シーケンス完了 | レイアウト、タイミング、資産特性、タスク定義、実機試験計画を修正する | プロジェクトでは、各指標の算出方法、適用するしきい値または比較基準、対応責任者を説明する必要があります。モデルは工学上の懸念を明らかにできますが、最終的な対策は、他の判断材料も踏まえて決定します。 ## 不確かさと結果の安定性をレビューする 一回の実行が示すのは、入力と前提の一つの組み合わせです。評価側は、どの変化が所見に影響し得るかを確認する必要があります。 有効なレビュー方法には、次のものがあります。 * 不確かな境界条件と運転状態を変化させる * 設備が利用可能なシナリオと性能低下時のシナリオを比較する * 現実的に想定される計測誤差や入力範囲を試す * 手法上必要な場合は、メッシュ、時間刻み、ソルバー設定に対する感度を確認する * 条件が変動する場合は、シナリオ群または反復実行を用いる * 判断に関係する場合は、分布、パーセンタイル、範囲、保守的なケースを報告する * 判断指標を支配する入力を特定する 結果資料では、妥当な変動を与えても維持される所見と、大きく変わる所見を区別します。これにより、対応を進める、根拠を追加する、結論の適用範囲を絞る、対象を限定したパイロットを行うといった次の判断がしやすくなります。 ## 実行を再現可能にする 再現性は実務的なガバナンスです。別の専門レビュー担当者が、結果の根拠となるデジタルツインシーン、モデル、入力、条件、設定を正確に特定し、公表された所見がどのように得られたかを理解できる必要があります。 レビュー可能な実行記録には、次の事項を含めます。 * 判断上の問いとシミュレーションシナリオの識別子 * デジタルツインシーン、形状、資産、モデルのバージョン * 入力データセットの識別情報と適用対象期間 * 前提と境界条件 * 手法、構成、関連するソフトウェアバージョン * 警告、確認事項、品質に関する所見 * 出力場、指標、単位、比較基準 * レビュー担当者、レビュー日、判定、未完了の対応 正式な根拠管理が必要なプロジェクトでは、チェックサムや変更不能な識別子によって追跡性を高められます。明確なレビュー記録により、技術選定担当者は実行条件、判断経路、承認履歴を確認できます。 ## 技術評価チェックリストを使う ### 判断との適合 * 想定する判断を一文で説明できるか * 誤った結論がもたらす影響を理解しているか * 根拠の深さはその影響に見合っているか * 判断責任者と専門レビュー担当者が明記されているか ### シミュレーションシナリオと入力の品質 * 対象に含む条件と除外する条件が明確か * 形状、トポロジー、単位、座標、時刻整合を確認したか * 実測値、設計値、ベンダーデータ、前提を区別できるか * 入力はレビュー対象の運転条件を表しているか ### 手法と根拠 * 想定用途に対して、検証、ベンチマーク、較正、妥当性確認の活動が適切か * 残差、偏差、警告、未解決の不一致が確認できるか * 重要な入力に対する感度を検討したか * 記録された実行識別情報から結果を再現できるか ### 所見と対応 * 重要な所見は、それぞれ場、指標、限界値、比較のいずれかに結び付いているか * 安定した所見と変動に敏感な所見を区別できるか * 提案する対応に責任者が割り当てられているか * 追加計測、工学解析、実機試験、承認の手順が明確か ## 次に必要な根拠を選ぶ 適切な次のステップは、対象の判断と現在不足している根拠によって決まります。 ### ベンチマーク試験を依頼する 管理された条件の下で、手法が既知の挙動を再現できることを確認する必要がある場合に使います。新しいソルバー、モデル群、ワークフローを影響度の高い判断へ適用する前に、特に有効です。 ### 実測データによる較正を依頼する 判断が現場固有の量、タイミング、しきい値までの余裕、設備応答に左右され、代表性のある実測値を利用できる場合に使います。較正期間、調整するパラメータ、残差の評価方法、独立した比較用に確保する条件を定義します。 ### 対象を絞ったパイロットを依頼する 運用環境におけるデータの利用可能性、形状の準備状況、モデルの有用性、レビュー責任、ワークフローの適合性を実証する必要がある場合に使います。効果的なパイロットでは一つの判断を選び、モデル構築前に根拠資料を定義し、明確な拡大条件を設定します。 ### 詳細設計または実機試験へ進める 建設・実装に進むための承認、安全承認、材料の適格性確認、設備認証、現在のモデルの想定用途を超える根拠が必要な場合は、専門解析、ベンダーによる工学検討、コミッショニング試験、実機試験を用います。 ## 見える根拠で信頼を築く DataMesh は、再利用可能なデジタルツインシーン、管理された運用データ、シミュレーション出力、所見、対応、レビュー記録をつなぎ、技術選定担当者が判断の連鎖全体を評価できるようにします。プロジェクトは、一つの具体的な問いと、それに答えるために必要な判断根拠から始めます。 生産工程とロボティクスの計画については、[工程シミュレーションと仮想計画](/solutions/process-simulation)をご覧ください。施設チーム向けには、[データセンター運用](/solutions/ai-agent-data-center)、[半導体施設運用](/solutions/ai-agent-semiconductor)、[スマート地域熱供給](/solutions/heatops)の市場別情報も用意しています。 ## 公開参考資料 [米国国立標準技術研究所（NIST）による産業分野の検証、妥当性確認、不確かさ定量化手順の概要](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)では、物理モデルの品質、解析担当者の品質、検証と妥当性確認、不確かさの定量化が、シミュレーションの信頼性を支える基本要素として説明されています。 米国航空宇宙局（NASA）の公開資料 [Modeling and Simulations FAQ](https://public.ksc.nasa.gov/mns/faq/) では、入力データの来歴、検証、妥当性確認、不確かさの特性評価、結果の頑健性、利用実績、プロセス管理など、信頼性を左右する要素が説明されています。 [米国機械学会（ASME）による検証、妥当性確認、不確かさ定量化規格の概要](https://www.asme.org/codes-standards/publications-information/verification-validation-uncertainty)には、用語、固体力学、流体・熱伝達、妥当性確認指標、シミュレーションソフトウェア評価に関する現行規格が掲載されています。 これらの参考資料は、評価に共通する原則を示しています。個々の産業プロジェクトでは、想定用途の明示、領域専門性、適切な根拠、利用企業の組織で必要とされる承認を別途そろえる必要があります。 --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## データ準備は AI の拡張より先に必要 産業 AI プロジェクトでは、モデルが文書を読めても、判断に関わる資産、場所、信号、作業指示、承認ルールを安定して特定できないことがあります。実運用では、モデル能力と同じくらいデータ基盤が重要です。 データ準備とは、AI Agent とデジタルツインが必要とする運用文脈を整えることです。ソースシステム、資産 ID、空間構造、ライブ信号、アラーム履歴、作業指示、点検証拠、SOP、文書、権限、結果記録を対象にします。 [Data Fusion Services](/products/dfs) は、FactVerse スタックの中でこの基盤を準備します。ソースシステムを接続し、フィールドをツイン実体へマッピングし、データを正規化し、指標を計算し、その文脈を [FactVerse Twin Engine](/products/factverse-twin-engine)、[FactVerse AI Agent](/products/factverse-ai-agent)、[Inspector](/products/inspector)、ダッシュボード、分析ワークフローで使える状態にします。 ## 運用ワークフローから始める 最初に決めるべきことは、どの判断やタスクを改善するかです。 開始点としては、重要設備の予知保全、施設点検ルート、データセンター資産管理、熱供給ネットワーク運用、半導体施設システム、倉庫物流設備点検、デジタル SOP 実行などが適しています。各ワークフローが、先に接続すべきデータと後でよいデータを明確にします。 | ワークフロー | 最初に必要なデータ | |---|---| | 予知保全 | 資産階層、センサー傾向、アラーム、保全履歴、点検結果、作業指示結果 | | 施設点検 | 空間階層、資産リスト、点検ポイント、チェックリスト、写真、問題分類、完了記録 | | データセンター運用 | 部屋、ラック、施設設備、メーター、アラーム、エネルギー読み値、保全記録、資産責任者 | | HeatOps | 熱源、サブステーション、メーター、温度、圧力、流量、天気、配熱ログ、現場タスク | | 半導体施設運用 | ユーティリティ設備、Sub-fab システム、アラーム、運用限界、作業指示、オペレーターメモ | | 操作ガイダンス | SOP、タスク手順、設備参照、安全メモ、トレーニング記録、承認要件 | ワークフローから始めることで、データモデルを運用価値に結び付けられます。 ## ソースシステム一覧を作る 産業現場のデータは、多くのシステムに分散しています。ソース一覧には、どのシステムが存在するか、何を管理しているか、どのようにアクセスするか、更新頻度はどれくらいか、誰が利用を承認するかを記録します。 代表的なソースには、SCADA、BMS、EMS、PLC、ヒストリアン、IoT プラットフォーム、MES、ERP、CMMS、EAM、GIS、BIM、メーター、スプレッドシート、図面、マニュアル、SOP リポジトリ、点検ツール、トレーニングシステム、文書ライブラリがあります。 各ソースについて、所有者、業務目的、接続方法、利用可能なタグと記録、更新頻度、保持期間、単位、タイムスタンプ、命名、品質課題、セキュリティと承認要件を確認します。 ## 資産と空間の ID を整える AI Agent ワークフローには安定した参照が必要です。ポンプ、AHU、UPS、熱交換器、バルブ、クレーン、車両、部屋、ライン、サブステーションは、複数システムをまたいで識別できる ID を持つ必要があります。 FactVerse と Twin Engine は、この ID レイヤーを使って空間、設備、システム、関係、文書、信号、作業記録を接続します。Data Fusion Services はソース側のフィールドやタグをツイン実体にマッピングし、信号を正しい対象に結び付けます。 設計では、サイト、建物、階、ゾーン、部屋、ライン、ルート、サービスエリア、資産クラス、資産 ID、表示名、型式、場所、責任者、上下流関係、ソースシステム別名、文書リンク、SOP リンク、点検ポイント、作業指示参照を扱います。 ## 時系列データとイベントデータを準備する 継続運用には、信頼できる信号が必要です。温度、振動、電流、圧力、流量、エネルギー、バルブ状態、アラーム状態、設備状態には、一貫した単位、タイムスタンプ、サンプリングルール、品質フラグが必要です。 Data Fusion Services は、単位の正規化、タイムスタンプの整合、欠損値処理、派生指標計算、品質問題のマーキングを支援します。ライブ信号と履歴信号を、ダッシュボード、AI レビュー、保全分析、機械学習データセットで使える信頼度に近づけます。 ## 作業記録と SOP 文脈を接続する AI の提案を実行につなげるには、作業指示、点検結果、問題分類、受入メモ、写真、SOP、マニュアル、トレーニング記録、承認経路が必要です。 [Inspector](/products/inspector)、Checklist、接続された CMMS または EAM は、現場側のループを支えます。誰が発見事項をレビューしたか、どのアクションを行ったか、どの証拠を取得したか、状態が改善したかを記録します。 SOP と文書は、資産やワークフローに接続しておく必要があります。AI Agent は適切な手順を取得し、関連履歴を要約し、タスク提案を準備し、人によるレビューを承認経路に残せます。 ## 機械学習に使えるデータにする 機械学習に有用なデータセットには、信号、資産文脈、運用状態、人の判断、実行されたアクション、結果が含まれます。原始的なセンサー履歴だけでは、現場の判断を十分に説明できません。 予知保全では、信号を出した資産、通常運転かどうか、発生したアラーム、その後の作業指示、技術者の発見、アクション後に状態が改善したかを記録します。これらの記録は、モデル学習、再学習、評価、提案品質の調整に使えます。 ## ガバナンスと展開管理 データ準備にはガバナンスも必要です。各ソースには所有者が必要です。各マッピング済み実体には管理者が必要です。各 AI ワークフローには、アクセス、承認、変更管理、証拠保持のルールが必要です。 産業導入では、データ系統、サイバーセキュリティ境界、ロールベースアクセス、モデルレビュー、サイト受入条件、変更履歴、ローカライズ、ロールバック計画を扱います。これにより、パイロット後もデータ基盤への信頼を保ったまま拡張できます。 ## DataMesh の展開パターン 1. **ワークフローを選ぶ** - 責任者が明確で、結果を測定できる運用ループを選びます。 2. **ソースを棚卸しする** - システム、タグ、記録、文書、所有者、アクセス方法、品質リスクを整理します。 3. **ID モデルを作る** - FactVerse で空間、資産、システム、関係、別名、責任者を定義します。 4. **データをマッピングして整える** - Data Fusion Services でソースを接続し、フィールドをツイン実体へ紐付け、単位とタイムスタンプを整え、指標を計算します。 5. **実行文脈を接続する** - Inspector、Checklist、CMMS または EAM、SOP、証拠フィールド、承認ルールを接続します。 6. **AI レビューを準備する** - 信頼できる文脈を FactVerse AI Agent に渡し、証拠要約、異常レビュー、提案作成、人による承認に使います。 7. **結果を記録する** - 現場記録とアクション後の読み値を使い、データ品質、モデル評価、展開判断を改善します。 ## 準備度チェックリスト - ワークフローに責任者と測定可能な運用結果があるか - ソースシステム、文書、タグ、記録が所有者付きで棚卸しされているか - 資産と空間が複数システムで一貫してマッピングされているか - 単位、タイムスタンプ、サンプリング頻度、品質課題が記録されているか - 作業指示、点検、SOP、写真、受入記録が接続されているか - AI Agent が追跡可能な証拠で提案を説明できるか - 人のレビュー判断と却下された提案を保存できるか - 結果記録をモデル学習、再学習、評価に使えるか ## 公開参考情報 [Data Fusion Services 製品ページ](/products/dfs)では、FactVerse スタックのデータ統合レイヤーを説明しています。 [FactVerse AI Agent 運用ループガイド](/resources/guides/factverse-ai-agent-industrial-operations-loop)では、AI Agent の提案を人がレビューする現場実行へつなげる方法を説明しています。 [Yokogawa と DataMesh の予知保全事例](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)、[NIO スマートファクトリー事例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC との協業](/about/news/collaboration-between-jtc-datamesh)は、産業データ、デジタルツイン文脈、運用ワークフローの公開例です。 --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## データが判断に入るところからガバナンスは始まる 信号、アラーム、メーター値、作業指示、点検記録、文書、計算指標が運用判断に影響し始めるとき、産業データガバナンスも始まります。 運用デジタルツインでは、データを接続するだけでは足りません。データの出所、対象の資産や空間、単位とタイムスタンプのルール、マッピングの責任者、値の信頼性、どの AI Agent やダッシュボードが使っているか、前回リリース後に何が変わったかを把握する必要があります。 [Data Fusion Services](/products/dfs) は FactVerse スタックの中でこの運用規律を支えます。ソースシステムを接続し、データをツイン実体にマッピングし、フィールドを整え、指標を計算し、データマートを準備し、ライブコンテキストをツインに結び付けます。その周囲にガバナンスを置くことで、接続されたデータは [FactVerse AI Agent](/products/factverse-ai-agent)、[FactVerse Twin Engine](/products/factverse-twin-engine)、[Inspector](/products/inspector)、ダッシュボード、シミュレーション、機械学習ワークフローで使える運用コンテキストになります。 ## DFS がガバナンスを支援すべき範囲 データガバナンスは、元のシステムから各運用利用者までの流れに沿って考えます。 | ガバナンス領域 | 実務上の問い | 重要な理由 | |---|---|---| | ソース所有者 | どのシステムが値を所有し、誰が利用を承認するか | データが疑われたときの責任を明確にする | | アクセス境界 | どのネットワーク、テナント、サイト、ロールが読めるか | 機密運用データと顧客固有情報を守る | | 実体バインド | どの資産、空間、システム、ルート、ワークフローを表すか | 生タグを運用コンテキストに変える | | 単位と時刻 | 単位、タイムゾーン、時計、サンプリング、集計ルールは何か | 傾向、アラーム、比較を意味あるものにする | | 品質状態 | 欠損、古い値、補間値、範囲外、センサー交換後の値か | AI と作業者が証拠の強さを判断できる | | 計算ロジック | 派生 KPI や指標はどの式で作られるか | 分析、エネルギー、保全指標をレビュー可能にする | | リネージ | どのコネクタ、マッピング、変換、リリースが値を作ったか | トラブルシュートと監査レビューを支える | | 利用者登録 | どのダッシュボード、AI、レポート、作業指示が使うか | タグや式を変更する前に影響を把握する | すべての点に重い審査をかける必要はありません。判断に使われるデータに、見える所有者と繰り返し使えるルールを持たせることが重要です。 ## 運用 ID でガバナンスする 産業システムでは、同じ対象が複数の名前で表されます。ポンプは SCADA、ヒストリアン、CMMS、BIM、現場で別々の名前を持つことがあります。データガバナンスには、それらの別名を束ねる安定した運用 ID が必要です。 FactVerse は空間、資産、システム、関係、文書、データバインド、ワークフローの共有コンテキストを提供します。Data Fusion Services はソース側のフィールドやタグをそのコンテキストにマッピングし、値を正しい資産、場所、運用ループに結び付けます。 良い ID ガバナンスでは、サイト、建物、階、ゾーン、部屋、ライン、ルート、サービスエリア、資産クラス、資産 ID、表示名、型式、所有者、ライフサイクル状態、上下流関係、ソースシステムの別名、文書、SOP、点検ポイント、作業指示参照、アクセス境界を扱います。 ## ライブデータと履歴データの品質ルール 時系列値とイベントは常に変化します。データパイプラインには、運用チームとデータチームが理解できる品質ルールが必要です。 代表的なルールには、欠損値処理、古いデータのしきい値、単位変換、時刻とタイムゾーンの整合、サンプリングと集計、外れ値とフラットライン検知、センサー交換記録、アラームの重要度とリセット、計算指標の式とレビュー責任者があります。 Data Fusion Services は単位の正規化、タイムスタンプの整合、品質問題の検出、派生指標の計算を支援します。ガバナンス層では、適用したルールと例外レビューの責任者を記録します。 AI Agent ワークフローでは、品質状態も証拠の一部です。新鮮なセンサーデータ、最近の作業履歴、承認済み計算に基づく提案と、古い値や一時的な手入力に基づく提案は分けて扱う必要があります。 ## リネージと変更管理 産業データは静かに変わります。BMS ポイント名が変わる、メーターが交換される、ヒストリアンタグが新しいゲートウェイに移る、CMMS フィールドの意味が変わる、KPI の計算式が更新される、といった変化があります。 3D ツインは正しく見えても、下のデータが古いソースを指していることがあります。AI レビュー、ダッシュボード、作業指示、外部レポートに影響する前に、変更を見える形にする必要があります。 変更記録には、影響を受けるソースとコネクタ、変更されたタグや式、影響する資産やワークフロー、下流利用者、レビュー担当者、承認状態、有効日、ロールバック方法、検証証拠を残します。 ## アクセス、証跡、承認 運用データには、制限区域、顧客固有レイアウト、生産状態、設備状態、エネルギープロファイル、保全所見、サービス記録などの機密情報が含まれます。ソースシステムからデジタルツインへ移るときも、アクセス境界を維持する必要があります。 有用な管理には、空間、資産、文書、ダッシュボード、AI ワークフローのロールベースアクセス、サイト別と顧客別のデータ境界、AI 支援提案の承認ルール、点検や作業指示の証跡保持、マッピング変更とデータエクスポートの監査ログ、一時アップロードや手修正値の扱いがあります。 [Inspector](/products/inspector) と接続された作業システムは、誰が発見事項をレビューし、どの対応を行い、どの証拠を取得し、結果が改善したかを記録します。この記録は次の AI レビューや機械学習サイクルのガバナンスデータになります。 ## 機械学習のためのデータガバナンス 機械学習には、きれいなセンサー履歴だけでは不十分です。物理現場で何が起きたかを説明できるデータが必要です。 予知保全では、入力信号、資産 ID、運転状態、アラーム文脈、技術者レビュー、作業指示、完了証拠、対応後の値が必要です。エネルギー分析では、メーター、空間、設備グループ、運転スケジュール、天気、式、改善記録が必要です。シミュレーションでは、シナリオ仮定、資産バージョン、プロセス状態、承認済みデータ範囲が必要です。 データガバナンスでは、特徴量定義、ソースフィールド、学習前の品質フィルター、作業指示や点検から作られたラベル、モデルバージョン、提案バージョン、人のレビュー判断、却下された提案、対応後の結果、データセット更新計画、承認者を残します。 ## DataMesh の展開パターン 1. **一つの判断ループを選ぶ** - 予知保全、施設点検、データセンター資産レビュー、エネルギー証跡、デジタル SOP 実行などから始めます。 2. **データ所有者を決める** - ソース、資産 ID、マッピング、品質ルール、計算、権限、下流ワークフローの責任者を決めます。 3. **運用 ID をマッピングする** - FactVerse で空間、資産、システム、関係、文書、ワークフロー、別名をそろえます。 4. **データを接続して統治する** - Data Fusion Services でソースを接続し、フィールドをツイン実体に結び付け、単位と時刻を整え、指標を計算し、品質状態を示します。 5. **下流利用者を登録する** - ダッシュボード、AI Agent、Inspector フォーム、レポート、機械学習データセットを記録します。 6. **リリース前に変更をレビューする** - タグ変更、式更新、コネクタ変更、権限変更を本番ワークフローに影響する前に確認します。 7. **結果を取得する** - Inspector、Checklist、CMMS、EAM、顧客システムから現場証跡、レビュー判断、対応後結果を取得します。 8. **ルールを改善する** - 例外、マッピング失敗、古いデータ、却下された AI 提案、現場フィードバックを使ってガバナンスモデルを改善します。 ## ガバナンスチェックリスト - 各ソースに業務所有者と技術所有者がいるか - 資産、空間、システム、ワークフロー ID がシステム間で一貫しているか - ソース別名とタグ命名ルールが記録されているか - 単位、タイムスタンプ、サンプリング、品質ルールが見えるか - 計算指標が式、所有者、レビュー日と結び付いているか - ソースコネクタからツイン対象、下流利用者までのリネージが残っているか - ダッシュボード、AI Agent、レポート、データセットが利用者として登録されているか - 機密空間、顧客記録、制限文書がロールで保護されているか - 現場証跡と作業指示結果をレビューと機械学習に使えるか - タグ名変更、センサー交換、式変更、バインド切れに変更経路があるか ## 公開参考情報 [Data Fusion Services 製品ページ](/products/dfs)では、FactVerse スタックのデータ統合レイヤーを説明しています。 [データ準備ガイド](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)では、AI Agent と運用デジタルツインのための最初のデータ基盤を説明しています。 [運用デジタルツインモデルガバナンスガイド](/resources/guides/operational-digital-twin-model-governance-after-go-live)では、Go-Live 後にモデル、データバインド、現場変更をそろえる方法を説明しています。 [産業ナレッジグラフガイド](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)では、意味関係が資産、空間、システム、信号、文書、AI Agent の推論をつなぐ方法を説明しています。 --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## 足りないのは意味の層 産業 AI が質問に答えるには、質問の対象を特定する必要があります。「2 号チラー」「4 番ライン」「クリーンルーム湿度」「アラームの背後にあるポンプ」といった表現は、実際の資産、空間、信号、文書、責任者へ対応付けられなければなりません。 産業ナレッジグラフは、この意味の層を提供します。現場の対象物をつなぎ、対象物同士の関係を記録します。[FactVerse](/products/factverse) はこのモデルを使い、デジタルツインシーン、運用データ、文書、AI 推論を同じ物理文脈へ結び付けます。 ## グラフで表す対象 | モデル領域 | 典型的なエンティティ | |---|---| | 空間構造 | サイト、建物、階、部屋、ゾーン、ライン、通路、ラック、ベイ、屋外エリア | | 物理資産 | 設備、メーター、センサー、バルブ、盤、ポンプ、ロボット、車両、工具 | | システム | HVAC、冷水、圧縮空気、電力、プロセスユーティリティ、安全、物流フロー | | データポイント | テレメトリタグ、アラーム、計算指標、設定値、ステータス値 | | 知識オブジェクト | SOP、マニュアル、図面、BIM/CAD 参照、点検テンプレート | | イベントと記録 | アラーム、点検、保全イベント、承認、引き渡し記録 | | 責任関係 | 所有者、オペレーター、サービスチーム、レビュアー、リスク分類、権限境界 | このモデルは、単純な検索よりも関係をたどる質問で価値を発揮します。 ## 関係の例 | 関係 | 対応できる質問 | |---|---| | 資産が空間にある | アラーム対象の設備はどこにあるか | | 設備がゾーンを担当する | この AHU はどのエリアに影響するか | | ポイントが設備を測定する | この傾向はどのセンサーから来たか | | メーターがシステムを測定する | このエネルギー読み値はどの冷水ループに属するか | | 設備がシステムに属する | 上流と下流の関連資産は何か | | 資産に手順がある | 点検や保全の前に見るべき SOP はどれか | | イベントが資産に関わる | この対象に関係するアラーム、点検、修理は何か | | 記録を役割が承認する | 次のアクションをレビューまたは承認できるのは誰か | これらの関係が、AI Agent に質問から証拠へ向かう経路を与えます。 ## FactVerse での使い方 [Data Fusion Services](/products/dfs) は、ソースシステムの名称、タグ、文書、記録を一貫したモデルへマッピングします。同じポンプ、メーター、部屋、システムが BMS、SCADA、CMMS、BIM、表計算、図面で別名を持つことがあります。セマンティックマッピングは、それらを一つの運用 ID にまとめます。 [FactVerse Twin Engine](/products/factverse-twin-engine) は、その ID を空間モデルへ接続します。信号は正しい 3D オブジェクト上に表示でき、文書は正しい資産へ関連付けられ、システム関係はネットワークとして確認できます。 [FactVerse AI Agent](/products/factverse-ai-agent) はグラフに沿って証拠を取得できます。アラームから資産へ、資産からシステムへ、システムから影響ゾーンへ進み、関連する SOP や履歴記録へ到達できます。 ## Brick Schema と施設セマンティクス 建物や施設では、[Brick Schema](https://brickschema.org/) が有用な公開リファレンスになります。設備、ポイント、場所、メーター、センサー、関係を表す語彙を持ち、どのポイントが設備を測るか、どの設備がゾーンへ供給するか、どのメーターがシステムに属するかを表現できます。 DataMesh は施設モデルで Brick に近い意味構造を使えます。より広い産業現場では、生産ライン、Sub-fab システム、物流エリア、クリーンユーティリティ、倉庫ゾーン、ロボットセル、作業者ステーション、シミュレーション資産などの概念も必要になります。 ## AI Grounding と説明可能な検索 ナレッジグラフは、AI Agent の回答を追跡しやすくします。AI Agent はグラフで証拠範囲を絞り、関連文書や記録を読むことができます。 たとえば、施設エンジニアが特定ゾーンの湿度アラームが繰り返される理由を尋ねた場合、グラフはゾーン、測定センサー、担当 AHU、AHU に関連する冷水資産、直近アラーム、点検記録、関連 SOP を特定できます。その後、AI Agent が対象物と記録に基づいて証拠を整理します。 ## セマンティックモデルの治理 ナレッジグラフは継続的な管理が必要です。改修、設備交換、システム再構成により、資産 ID、別名、関係、ポイントマッピング、文書リンクが変わります。 管理対象には、各エンティティの正本、命名規則、関係の責任者、証拠リンク、推定マッピングの信頼度、ロール別アクセス、資産や空間の変更履歴が含まれます。 ## 小さく始めるモデル | 質問タイプ | 最小限の意味範囲 | |---|---| | 資産文脈 | 資産、場所、システム、所有者、文書、ライブポイント | | 施設状態 | ゾーン、担当設備、センサー、アラーム、制御ポイント | | エネルギーレビュー | メーター、システム、空間、設備グループ、計算指標 | | 手順検索 | 資産クラス、タスク種別、SOP、安全メモ、必要ロール | | 原因レビュー | イベント、関連資産、上流下流システム、直近記録 | 最初のモデルが実際の質問に安定して答えられるようになった後、システム、サイト、地域、アプリケーション単位で広げます。 ## 公開参考 [FactVerse 製品ページ](/products/factverse)では、Twin Engine、AI Agent、Data Fusion Services、アプリケーションワークフローを接続するプラットフォーム層を説明しています。 [Green Mark と Brick Schema ガイド](/resources/guides/green-mark-digital-twin-brick-schema)では、Brick 形式の施設セマンティクスが運用証拠の追跡にどう役立つかを説明しています。 --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## 産業合成データにデジタルツインが必要な理由 実世界のロボットデータには大きな価値があります。一方で、産業現場での収集はコスト、リスク、時間、再現性の面で難しくなります。施設には、通路の一時的な占有、パレット位置の変化、扉やキャビネットの開閉、照明の変化、人の移動、シフトごとのプロセス変化、短時間だけ現れる設備状態など、多くの長尾シーンがあります。 合成データは、その変化を管理された環境で広く扱うための手段です。産業向けPhysical AIでは、資産、形状、運用ルール、センサー位置、タスク目標、プロセス状態を理解するシーンからデータを作る必要があります。デジタルツインは、その文脈をデータパイプラインに与えます。 [DataMesh Robotics](/products/robotics) はDataMeshスタックを使い、産業シーンを準備し、マルチモーダルな学習データを生成し、ロボティクスのシミュレーションと学習ワークフローへつなぎます。重要なのは、実行可能なシーン、タスク定義、センサー構成、ラベル生成、エクスポート、評価、ガバナンスまでを含む一連の流れです。 ## 産業シーンで表現すべきこと 産業ロボット向けデータは、物体の見た目に加えて運用上の意味を表現する必要があります。 | レイヤー | データパイプラインに必要な内容 | |---|---| | 資産ID | 設備名、物体タイプ、モデルバージョン、運用デジタルツインへの参照 | | 空間文脈 | ゾーン、通路、アクセス領域、クリアランス、座標、安全エリア | | プロセス状態 | ライン状態、ステーション状態、作業ステップ、例外状態、イベント時刻 | | センサー構成 | カメラ、深度、LiDAR、ロボット姿勢、視野角、キャリブレーション、ノイズモデル、サンプリング規則 | | 物理属性 | 質量、摩擦、ジョイント、制約、材料挙動、接触条件 | | ラベルとメタデータ | セグメンテーション、バウンディングボックス、インスタンスID、深度、姿勢、軌跡、タスク状態、シーン変数 | | レビュー記録 | データセット版、シーン版、前提、生成レシピ、品質結果、承認メモ | この構造により、ロボティクスチームはデータセットの意味と再現方法を理解しやすくなります。 ## DataMeshワークフロー 1. **環境をモデル化** - FactVerseで工場、施設、倉庫、ワークセル、点検エリアを構築し、資産、ゾーン、メタデータ、関係を追加します。 2. **シーン挙動を作成** - FactVerse Designerでレイアウト案、プロセスロジック、物体の動き、タスクステップ、イベントトリガー、シナリオのタイミングを定義します。 3. **シミュレーション資産を準備** - CAD、BIM、3D、OpenUSD、マテリアル、スケール、座標系、必要に応じたSimReady準備ルールをそろえます。 4. **センサーとタスクを設定** - カメラ、深度センサー、ロボット視点、対象物、タスク目標、成功条件、制約を定義します。 5. **ラベル付きデータを生成** - RGB、深度、セグメンテーション、バウンディングボックス、インスタンスID、姿勢、軌跡、プロセス状態、シーンメタデータを生成します。 6. **学習スタックへエクスポート** - データセットとシーン資産をロボット学習、評価、Isaac Sim / Omniverseワークフロー、企業内ツールチェーンへ渡します。 7. **レビューと反復** - データ品質、シーン網羅、ラベル一貫性、タスク網羅、下流評価の結果を追跡します。 この流れにより、データ生成は運用文脈とつながり、データセットの説明、監査、改善が進めやすくなります。 ## DataMeshスタックの役割 [FactVerse](/products/factverse) は運用デジタルツインの基盤です。サイト構造、資産、関係、データ文脈、権限、シーン記録を保持します。 [FactVerse Twin Engine](/products/factverse-twin-engine) は、形状、データバインディング、挙動、インタラクション状態を扱う実行可能ツインのランタイム文脈を提供します。 [FactVerse Designer](/products/designer) は、レイアウト、プロセスロジック、ビヘイビアツリー、タスクステップ、シナリオ案を作成する環境です。 [DataMesh Robotics](/products/robotics) は、合成データ生成、ラベル出力、タスク定義、リワード設定、ロボティクスパイプライン準備に焦点を当てます。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) は、高忠実度レンダリング、センサーシミュレーション、物理検証、外部シミュレーションツールが必要な場合に、FactVerseシーンをOpenUSDとOmniverseワークフローへ接続します。 [Data Fusion Services](/products/dfs) は、設備状態、アラーム、生産信号、施設文脈がシナリオに必要な場合に、リアルタイムおよび履歴データを接続します。 ## データセット仕様チェックリスト 生成前に、データセットの契約を定義します。 - 対象ロボット、センサー、モデル種別、下流学習スタック。 - 環境範囲、シーン版、資産リスト、座標系。 - タスク範囲、対象物、プロセス状態、成功基準。 - センサー構成、カメラパス、視点、キャリブレーション、ノイズ前提。 - 照明、マテリアル、物体配置、設備状態、ルート状態、プロセスタイミングの変化ルール。 - RGB、深度、セグメンテーション、バウンディングボックス、姿勢、軌跡、シーンメタデータなどの出力。 - ラベル一貫性、クラス網羅、空間精度、シーン網羅の品質チェック。 - エクスポート形式、命名規則、データセット版、レビュー責任者。 この仕様が、シミュレーションエンジニア、ロボティクスチーム、データチーム、運用責任者をつなぎます。 ## 最初に取り組みやすいシナリオ - **認識データセット**：産業物体、設備、工具、パレット、標識、治具、作業エリアのラベル付き画像と深度データを生成します。 - **点検ワークフロー**：資産、パネル、計器、配管、キャビネット、アクセスしにくい場所の視点とラベルを準備します。 - **移動ロボットシナリオ**：通路、障害物、ルート状態、 staging area、ドッキングポイント、変化する施設条件を準備します。 - **操作と接触タスク**：物体姿勢、材料挙動、把持制約、接触状態、タスク順序を記述し、シミュレーションレビューに使います。 - **工場・倉庫計画**：実地試行の前に、レイアウト案、マテリアルフロー、ロボット経路、運用制約を組み合わせます。 最初のユースケースには、明確なタスク定義、限定された環境範囲、下流の学習またはシミュレーションチームとのレビューサイクルが必要です。 ## 品質とガバナンスの指標 産業合成データは、実務的なエンジニアリングチェックで評価します。 - 対象エリア、物体クラス、プロセス状態のシーン網羅。 - 生成フレームとシーン版をまたぐラベル一貫性。 - 照明、配置、遮蔽、物体状態、センサー姿勢の変化網羅。 - スケール、衝突、接触、ルート状態、タイミングの物理的一貫性。 - 下流シミュレーターまたは学習スタックでの統合品質。 - データセット版からシーン版、生成レシピ、前提へ戻れる追跡性。 - 下流モデル評価やロボットシミュレーションレビューからの学び。 強いプロジェクトは、合成データをエンジニアリング資産として扱います。各データセットには、責任者、版、前提、品質チェック、生成理由が必要です。 ## 公開リファレンス [DataMesh Robotics発表](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)では、合成学習データ、実行可能な産業デジタルツイン、タスク目標、リワード設定、ロボティクスパイプライン準備の方向性を紹介しています。 [GTC 2025展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)では、FactVerseとNVIDIA OmniverseワークフローにおけるDataMeshシミュレーションデジタルツインの活用を示しています。 [FactVerseとNVIDIA Omniverseのプラットフォーム記事](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)では、FactVerseのシーン文脈をOmniverseへつなぎ、シミュレーションデジタルツインワークフローに活用する方法を説明しています。 --- ## [GUIDES] local-exhaust-capture-hvac-degradation-scenarios ## 施設の変化に伴って捕集性能も変化する 局所排気換気は、汚染物質を発生源近くの捕集点へ引き込むための設備です。クリーンルーム、プロセスベイ、研究室、サブファブ、ユーティリティ空間では、その挙動が、室内給気、還気、ファンフィルターユニット（FFU）、圧力関係、扉、設備の発熱、作業者の移動、周辺の障害物を含む、より広い暖房・換気・空調（HVAC）システムと相互に影響します。 フードや排気分岐が稼働中と表示されていても、周囲の気流場が変化している場合があります。能力低下、ダンパー位置の変化、アクセスパネルの開放、扉の開閉、設備改造、新たな障害物によって捕集経路が変わり、レビューが必要な区域が広がることがあります。 個別プロジェクトのシナリオ解析により、計画変更の前やレジリエンスレビューの一環として、こうした変化を検討できます。代表的な検討事項は次のとおりです。 * どの発生位置なら捕集経路との良好な位置関係を維持できるか * 排気能力が低下すると、流出物質と影響区域はどう変わるか * 合意した区域外への拡散が最も早くなる換気状態または扉状態はどれか * 性能低下時に、どの資産、センサー、手順を優先すべきか * 判断の確信度を高めるには、どの測定または保全の根拠が必要か ## 通常状態と性能低下状態を明確に定義する シナリオ名は、エンジニアが再現してレビューできる設備状態と運転状態を表す必要があります。 | シナリオ状態 | 定義例 | レビュー事項 | |---|---|---| | 基準状態 | 検証済みの排気流量、想定する FFU 状態、通常の扉状態、代表的な工程負荷、現行レイアウト | 基準として採用する状態では、どのような捕集挙動と室内挙動が生じるか | | 能力低下 | 排気流量または圧力の低下、ファン性能の一部低下、フィルター目詰まり、ダンパー絞り、分岐の不均衡 | 捕集が弱まる場所と、影響を受けやすくなる区域はどこか | | 構成機器の停止 | 選定した排気ファン、分岐、FFU 群、関連ユーティリティを停止 | 残りの換気経路を通って物質がどのように移動するか | | 扉または開口部の移行 | 選定した扉、パネル、アクセス経路、一時開口部の時間変化を表現 | 圧力と気流の外乱が、捕集と輸送にどう影響するか | | レイアウトまたは障害物の変更 | 装置、エンクロージャ、間仕切り、保管物、仮設設備、保全作業配置の変更案 | 物理的な変更が発生源プルームや室内気流の向きを変えるか | | 復旧 | 設備の復旧、定められた暫定対策、想定状態への復帰 | レビュー対象区域が基準状態へ戻るまでにどの程度かかるか | 各シナリオでは、初期状態、変更する入力、開始時刻、継続時間、制御、モデルで表現する対応、レビュー対象期間を明示します。これにより比較を再現でき、「ファン故障」のような広い表現が相反する複数の解釈を含むことを防げます。 ## 局所捕集を室内およびユーティリティシステムと関連付ける 捕集挙動は、周辺施設の状況を含めて評価する必要があります。 ### 局所の発生源とフードに関する根拠 * 発生源の位置、方向、放出量または放出プロファイル、継続時間、運動量、温度、化学種の物性 * フード、エンクロージャ、スロット、ダクト、分岐、ダンパー、捕集点の形状 * 実測値または仕様値による流量、圧力、面風速、設備状態 * 発生源から捕集点までの距離と、近傍の装置、パネル、作業者、保全作業による障害物 ### 室内換気に関する根拠 * 給気ディフューザー、FFU、還気口、一般排気、扉、開口部、圧力境界 * 気流、圧力、温度、湿度、設備状態の測定値 * 解析に関係するクリーンルーム清浄度クラスと工程要件 * 現行および変更後の装置、間仕切り、熱負荷、運転モード ### 運用に関する根拠 * アラーム、フィルター、ファン、ダンパー、排気、環境、保全の履歴 * 点検所見、バランシング記録、コミッショニングの根拠、現場観察 * 必要に応じた扉イベント、生産状態、作業許可、対応タイムライン * 定められた運転限界、アクションレベル、手順、担当チーム [Data Fusion Services](/products/dfs) は、ソースシステム、資産、測定値、事象、保全根拠の整合に利用できます。[DataMesh FactVerse](/products/factverse) は、排気分岐、室、装置、検知器、圧力区域、担当する作業プロセスを共通の運用モデル上で関連付けます。 ## 場と指標を使って捕集性能を比較する 比較では、形状の基準、結果のスケール、発生源の定義、レビューしきい値を統一します。これにより、選定した換気または排気の変更による影響をレビュー担当者が把握できます。 有用な空間表示には次のものがあります。 * 発生源と捕集点の周辺における気流の方向と速度 * 室内と隣接空間の圧力関係 * 時間変化する濃度場とプルームの動き * 捕集区域へ入る流線または輸送経路と、捕集区域から出る流線または輸送経路 * 基準状態と性能低下状態で影響を受ける区域 判断に有用な指標には次のものがあります。 * 選定した排気経路へ到達する割合または量 * 合意した捕集区域または管理区域外への流出質量 * 選定した作業場所、アクセス位置、センサー位置、境界位置の濃度履歴 * 到達時間、滞留時間、ピーク、パーセンタイル、積算レビュー指標 * プロジェクトで定義したレビューしきい値を超える面積または体積 * 発生源強度、排気能力、扉状態、レイアウト、境界条件に対する感度 * 定められた対応または設備復旧後の回復時間 各指標では、発生源条件、計算根拠、単位、対象時間、根拠レベルを明示します。探索シナリオから得た捕集率と、代表的な測定値で裏付けられた施設固有の較正結果では、判断に利用できる範囲が異なります。 ## 時間変化する挙動をレビューする 換気性能の低下は、移行過程を伴って進行することがあります。ファンの減速、扉の開閉、ダンパーの移動、圧力関係の変化、アラーム後の対応開始などです。定常解析の比較は初期のスクリーニングに役立ち、非定常解析では影響区域の拡大と回復の過程を確認できます。 時間変化する結果について、根拠資料には次の事項を記載します。 1. 初期の気流場と濃度場 2. 設備イベントまたは扉イベントとその発生時刻 3. 同じ期間の発生源プロファイル 4. モデルで表現した制御と所定の対応措置 5. 選定した位置とレビューしきい値 6. 結果に関係する時間刻み、収束、保存則、再現性の確認 7. 対応時刻と影響度の高い前提に対する感度 対応時刻、設備性能、発生源条件が変動する場合、レビュー担当者は一定の範囲を検討します。想定可能な最も早い拡散、最も長く残る影響区域、結果を変える前提は、単一の中心推定値よりも判断に役立つことがあります。 ## 結論に見合う根拠を使用する 探索解析では、相対的な捕集パターンを比較し、不足している測定値を特定できます。ベンチマーク済みの解析では、管理された参照ケースを加えます。施設固有の較正では、代表的な気流、圧力、排気、温度、トレーサー、その他の適切な根拠を使用します。シナリオ固有の妥当性確認では、判断に必要な条件と指標について独立した確認を加えます。 関連する根拠には次のものがあります。 * 排気流量、圧力、面風速、ファンまたはダンパーの状態 * フード近傍および室内全体の気流速度と方向 * 選定した空間間の圧力関係 * トレーサー濃度履歴または適切な可視化の根拠 * 測定時の扉、設備、工程、換気の状態 * 位置、時間、変数、運転条件別の残差 * モデルで表現した構成を確認できる点検記録とバランシング記録 [クリーンルームの気流・拡散ガイド](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)では、より広い空間的な根拠の基盤を説明しています。[シミュレーションの較正ガイド](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、結論の確信度を較正と妥当性確認の深さに合わせる方法を説明しています。 ## レジリエンスに関する所見を統制された対応へ移す シナリオの結果では、影響を受ける空間、装置、排気分岐、検知器、ユーティリティ、対応責任者を明示します。必要な専門性を持つ施設、プロセス、環境・安全衛生、品質、コンプライアンスの各チームが、実行計画へ移す対応事項を決定します。 フォローアップの候補には次のものがあります。 * センサー、ダンパー、ファン、フィルター、排気分岐を現場で確認する * バランシング、点検、保全の優先順位を更新する * 影響を受けやすい運転状態の測定範囲を追加する * 扉、アクセス、仮設設備、保全作業の手順をレビューする * 発生源マトリクスを詳細化する、または対象を絞ったトレーサー試験や気流試験を行う * レイアウト、エンクロージャ、フード、換気の変更案を比較する * 対応トリガー、責任者、連絡経路を更新する [FactVerse AI Agent](/products/factverse-ai-agent) は、アラームや異常トレンドを資産と保全の状況に関連付ける作業を支援します。[Inspector](/products/inspector) は、レビュー済みの確認事項と作業を担当者へ割り当て、現場根拠を保存し、対応後の検証を記録します。 ## シナリオ網羅性チェックリスト ### 基準状態の定義 * 想定する発生源、フード、排気分岐、室内換気、運転状態が検証されているか * 形状、流量、圧力、制御、扉、設備、工程の状態を追跡できるか * 採用する捕集区域、しきい値、レビュー指標が定義されているか ### 性能低下状態の網羅性 * 想定可能な能力低下状態と構成機器の停止状態がマトリクスに含まれているか * 必要に応じて、扉、開口部、レイアウト、障害物、保全作業の条件が表現されているか * 非定常の判断に必要な初期状態、事象発生時刻、対応時刻、回復過程が含まれているか * リスクの根拠に従って、発生源の位置、強度、継続時間、方向を変化させているか ### 根拠の品質 * ベンチマーク、較正、残差、不確かさ、感度の記録を確認できるか * どの根拠を妥当性確認用に分けているか * 想定可能な条件範囲で維持される所見はどれか * 流出質量または影響区域に最も大きく影響する前提はどれか ### レビューと実行 * 必要な専門性を持つエンジニアがシナリオの結論に責任を持っているか * 必要に応じて、環境・安全衛生、プロセス、品質、コンプライアンスのレビュー担当者が指定されているか * 所見を正式な点検、保全、手順、変更管理のワークフローへ移せるか * 引き継ぎ資料に変更後の検証が含まれているか ## 一つの排気経路と一つの想定可能な性能低下から始める 対象を絞ったパイロットは、一つの装置または発生源、一つの局所排気経路、一つの性能低下に関する問いから開始できます。チームは、現行の形状と運転根拠を検証し、基準状態と性能低下状態を選定し、捕集と影響区域の指標に合意し、レビューに必要な根拠を定義します。 有効なパイロット基準には次のものがあります。 * 検証済みの発生源、フード、排気、室内換気、検知器の基準状態 * 再現可能な通常シナリオと性能低下シナリオの定義 * 捕集、流出物質、影響区域、時間変化の明確な比較 * 対象とする結論に見合う較正と感度の根拠 * レジリエンス、点検、保全、測定に関する一つの実行可能な判断 * 再利用可能な根拠資料と現場検証資料 レジリエンスに関する判断が検知性能にも依存する場合は、[検知器のカバレッジ、死角、配置案](/resources/guides/detector-coverage-blind-spots-placement-options)へ進んでください。 [クリーンルームの較正、シナリオ集合、妥当性確認の根拠](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)では、選定したシナリオに必要な較正、反復実行、妥当性確認、妥当性再確認の要件を定義できます。 ## 公開参考資料 [Occupational Safety and Health Administration の換気に関する技術マニュアル](https://www.osha.gov/otm/section-3-health-hazards/chapter-3)では、発生源捕集としての局所排気換気を説明し、フード、ダクト、ファン、空気清浄装置、測定に関する検討事項を示しています。 [American Society of Heating, Refrigerating and Air-Conditioning Engineers（ASHRAE）の Clean Spaces ハンドブック章](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)では、給気、還気、排気、設備、開口部、運転条件がクリーンルームの気流と汚染物質の移動に与える影響を説明しています。 [International Organization for Standardization（ISO）の ISO 14644-4:2022 クリーンルームライフサイクルに関するページ](https://www.iso.org/standard/72379.html)では、新設および改修するクリーンルーム設備の要求事項、設計、建設、スタートアップ、検証、ライフサイクル上の検討事項を扱っています。 [National Institute of Standards and Technology による産業分野の検証、妥当性確認、不確かさのレビュー](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)では、信頼できるシミュレーション根拠の一般的な枠組みを示しています。 --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## 精度は継続的な運用です デジタルツインの公開後の価値は、モデルが現場に合い続けるかで決まります。施設は毎週変化します。設備交換、部屋の変更、センサー名の変更、保全ルートの変更、作業手順の更新、アクセス権限の細分化が起きます。 モデルガバナンスは、デジタルツインの精度を維持する運用の仕組みです。各レイヤーの責任者、更新が必要な現場変更、レビュー方法、バージョン公開方法、下流アプリケーションが承認済みモデルを識別する方法を定義します。 運用チームにとって、ガバナンスは日常業務を守ります。AI Agent と Physical AI ワークフローにとって、ガバナンスは推論、シミュレーション、推奨レビューの文脈を守ります。資産関係やデータ接続が古くなると、分析の方向が現場からずれる可能性があります。 ## 公開後に発生する変更 | 変更元 | ガバナンスへの影響 | |---|---| | 設備交換 | 資産 ID、ジオメトリ、文書、保全履歴、データ接続の調整 | | 部屋やレイアウト変更 | 空間階層、アクセスルート、安全境界、権限のレビュー | | センサーやメーター名変更 | Data Fusion Services マッピング、単位、トレンド履歴、ダッシュボードの検証 | | 保全手順更新 | SOP リンク、点検テンプレート、ガイダンス、承認ルールの公開 | | 改修や増設 | BIM、CAD、点群、竣工記録のバージョン管理 | | システム関係変更 | 上流下流依存、影響ゾーン、アラーム文脈の更新 | | 権限変更 | 機密室、顧客固有エリア、制限付き記録のアクセスレビュー | 変更は管理されたキューに入り、レビュー、承認、公開手順を通って運用環境へ反映されます。 ## レイヤーごとに管理する | ツインレイヤー | 管理対象 | |---|---| | 空間モデル | サイト、建物、階、部屋、ゾーン、ルート、アクセスエリア、安全境界 | | 資産モデル | 資産 ID、表示名、クラス、親子構造、所有者、ライフサイクル状態 | | システムモデル | 電力、冷却、空気、水、プロセスユーティリティ、物流、制御関係 | | ジオメトリ | BIM、CAD、3D、点群、ソース版、モデル容量、詳細レベル | | データ接続 | センサー、メーター、アラーム、状態値、計算指標、更新ルール | | 文書と SOP | マニュアル、図面、作業指示、点検テンプレート、受入記録 | | 権限 | ロールアクセス、機密空間、顧客固有レイアウト、制限付き文書 | | アプリケーションシーン | Designer シーン、Inspector フォーム、ダッシュボード、トレーニング、シミュレーション | レイヤー単位の管理により、モデル保守を巨大なファイル管理問題にせずに済みます。 ## 実用的な更新フロー 1. **変更を記録する** - 現場、プロジェクト、点検、CMMS、BMS、点群レビューから更新依頼を作成します。 2. **影響を分類する** - ジオメトリ、資産 ID、システム関係、データ接続、文書、権限、アプリケーションシーンへの影響を判断します。 3. **正本を先に更新する** - 資産台帳、BIM/CAD、点群記録、データマッピング、文書庫、手順ライブラリを更新します。 4. **ツインリリースを準備する** - Designer、Twin Engine、Data Fusion Services などでランタイムモデルとシーン内容を更新します。 5. **現場証跡でレビューする** - 位置、資産 ID、データ接続、表示状態、文書リンク、権限動作を公開前に確認します。 6. **バージョンを公開する** - 承認済みモデル版を、リリースノート、レビュアー、影響範囲、ロールバック参照とともに公開します。 7. **利用側へ通知する** - ダッシュボード、Inspector ワークフロー、AI Agent タスク、シミュレーション、トレーニングが承認済み版を使えるようにします。 8. **結果を監査する** - 更新が現場との不一致を解消したか、追加変更が必要かを確認します。 フローは軽量でよいですが、責任は見える状態にします。 ## データ接続は個別にレビューする データ接続は静かに壊れることがあります。センサータグ名、メーター、ゲートウェイのサンプリング間隔、計算式が変わると、3D モデルの見た目は正しくてもライブ文脈が古いソースを指す場合があります。 [Data Fusion Services](/products/dfs) は、ソースシステムとデジタルツインエンティティのマッピング管理を支援します。重要な接続には、ソースシステム、タグ名、単位、タイムスタンプ規則、品質状態、更新頻度、所有者を記録します。 AI Agent ワークフローでは、信号、資産、空間、文書、現場履歴の関係が推奨の基礎になります。信頼できる接続記録があると、トレンドが特定資産に表示された理由や、推奨が特定の証拠を使った理由を説明しやすくなります。 ## 現場証跡で更新ループを閉じる 現場チームが運用文脈から直接不一致を報告できると、ガバナンスは強くなります。[Inspector](/products/inspector) は関連する資産や空間に対して、問題、写真、点検結果、是正措置、作業記録を残せます。 有用な現場証跡には次が含まれます。 * 現在状態の写真 * 現場で確認した資産 ID または設備名 * 不一致がある部屋、ルート、階、ゾーン * 影響を受けるワークフロー、点検、ダッシュボード、シーン * 推奨修正と緊急度 * レビュアーと完了記録 この証跡により、モデル保守は責任を持った運用プロセスになります。 ## AI とシミュレーションのためのモデルガバナンス AI Agent、シミュレーション、Physical AI ワークフローは、承認済みのモデル文脈を使うべきです。推奨やシミュレーション結果を作成した時点で有効だったジオメトリ、資産関係、データ接続、文書、シナリオ前提をモデル版に記録します。 この追跡性により、リリース間で結果を比較しやすくなります。意外な結果が実際の運用変化、データ品質、モデル更新、AI ワークフロー変更のどこから来たかも判断しやすくなります。 シミュレーションでは、レイアウト、衝突境界、アクセスエリア、システム関係、動作ロジックも同じように管理します。シーン版と前提が見えると、結果をチームでレビューしやすくなります。 ## 運用リズム ガバナンスはシンプルな周期で回すと続けやすくなります。 * 緊急の現場不一致と壊れたデータ接続を毎日確認 * 資産、文書、権限、ワークフロー更新を毎週確認 * モデル品質、古い記録、繰り返す不一致、ソースシステムのずれを毎月確認 * 本番ツイン更新ごとにリリースノートを残す * 大きなシーン変更やデータ接続変更にロールバック参照を持たせる * 各サイト、システム、共通資産ライブラリに所有者を置く 周期は施設リスクに合わせます。データセンター、半導体ユーティリティ、バイオ医薬施設、重要な建物システムでは、より短いレビュー周期が適します。 ## ガバナンスチェックリスト * 空間、資産、システム、データ接続に所有者がいるか * 現場変更は承認済み経路で更新キューへ入るか * ランタイムツイン公開前に正本が更新されているか * モデル版はリリースノートとレビュー記録に結び付いているか * 機密空間、制限付き文書、顧客固有レイアウトは保護されているか * 古いタグ、壊れた接続、欠落した資産 ID を定期確認しているか * Inspector の証跡がモデル更新を起動できるか * AI Agent とシミュレーション出力は使用したモデル版を参照できるか * 大きなシーン、権限、データ接続の公開にロールバック経路があるか ## 公開参考 [BIM、CAD、点群の資産パイプラインガイド](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline)では、公開前にソースモデルを運用資産へ変換する方法を説明しています。 [データ準備ガイド](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)では、ソースシステム、資産 ID、ワークフロー記録、機械学習フィードバックがデータ基盤を作る方法を説明しています。 [産業ナレッジグラフガイド](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)では、資産、空間、システム、信号、文書、AI Agent 推論をつなぐ意味関係を説明しています。 [NIO スマートファクトリー事例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC 協業](/about/news/collaboration-between-jtc-datamesh)、[Singtel FutureNow 展示](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)では、デジタルツイン文脈が継続的な産業・施設運用を支援する例を公開しています。 --- ## [GUIDES] pharma-operator-training-digital-sop-gmp-csv ## 規制対象の運用は熟練オペレーターに支えられる 製薬・バイオ医薬品施設では、自動化設備、管理された部屋、ユーティリティ、品質システム、熟練した人の作業が組み合わさっています。多くの生産ステップは、セットアップ、洗浄、サンプリング、秤量、組立、分解、ラインクリアランス、点検、引き継ぎ、例外対応を担う訓練済みオペレーターに依存します。 課題は一貫性です。チームは、同じ手順バージョン、設備コンテキスト、視覚参照、安全メモ、役割指示、証跡記録をシフト、拠点、訓練グループをまたいで使う必要があります。紙のSOP、動画ファイル、教室訓練、分散した作業記録だけでは維持が難しくなります。 デジタルツインベースのSOPワークフローは、共有された運用コンテキストを提供します。空間、設備、手順ステップ、訓練記録、点検タスク、作業指示、写真、レビューメモ、変更履歴を、実際のアセットとプロセスエリアに結び付けます。 ## デジタルSOPが持つべき情報 | レイヤー | 運用詳細 | |---|---| | 手順バージョン | 承認済みSOP、改訂、発効日、訓練対象、オーナー | | 空間コンテキスト | 部屋、ゾーン、設備、ユーティリティ接続、アクセス経路、安全境界 | | タスクステップ | セットアップ、資材準備、洗浄、サンプリング、点検、確認、引き継ぎ、終了処理 | | 視覚ガイダンス | 3Dモデル、アニメーション、ラベル、画像、動画、チェックポイント、操作プロンプト | | 役割と訓練 | 必要な役割、訓練完了、評価結果、再訓練サイクル、訓練グループ履歴 | | 実行記録 | オペレーター、時刻、アセット、ステップ状態、写真、メモ、例外、作業指示、検証 | | 変更履歴 | SOP改訂、アセット変更、コンテンツレビュー、訓練更新、承認ルート | 目標は、使用した手順、対象アセットまたはエリア、訓練済み担当者、実行内容、観察内容、レビュー結果が追跡できる記録を作ることです。 ## DataMeshワークフロー 1. **手順ソースを集める** - SOP、作業指示書、訓練資料、設備モデル、写真、動画、アセットリスト、部屋コンテキスト、保全記録、品質レビュー要件を集約します。 2. **運用コンテキストを構築する** - FactVerseで部屋、設備、ユーティリティ、文書、プロセスエリア、アセット履歴、役割責任をつなぎます。 3. **ガイド付き手順を作成する** - Directorで3D SOP、訓練シナリオ、ステッププロンプト、チェックポイント、アニメーション、ラベル、レビュー可能なコンテンツを作成します。 4. **訓練と現場ガイダンスを届ける** - DataMesh OneとモバイルまたはXRデバイスを使い、同じアセットコンテキストで学習と作業を進めます。 5. **実行証跡を取得する** - InspectorとChecklistで点検、タスク、写真、メモ、例外、是正措置、作業指示、検証状態を記録します。 6. **運用データを接続する** - Data Fusion Servicesでアセット状態、アラーム、保全履歴、文書、業務記録を必要なワークフローに結び付けます。 7. **レビューして改善する** - 一貫した記録を、品質レビュー、再訓練、異常イベント分析、保全完了、CSV証跡準備に活用します。 これにより、運用、品質、訓練、エンジニアリングチームは訓練から実行までのレビュー可能な流れを共有できます。 ## 始めやすい範囲 - **オペレーターオンボーディング**: 生産作業前に部屋の配置、設備ID、清潔な実行、一般的な引き継ぎを学びます。 - **セットアップと切替**: 視覚チェックによりセットアップ、組立、分解、検証、ラインクリアランスをガイドします。 - **洗浄と点検**: ステップガイダンス、写真証跡、点検結果、是正措置を対象アセットまたはエリアに結び付けます。 - **サンプリングと秤量**: 反復作業に対し、プロンプト、設備コンテキスト、役割指示、完了記録を提供します。 - **保全と校正支援**: 設備履歴、現場タスク、作業指示、受入メモ、関連SOP参照を接続します。 - **逸脱と異常レビュー**: 何が起きたか、どこで起きたか、どのステップが関係したか、フォローアップ内容を整理します。 最初のパイロットには、訓練負荷が高く、引き継ぎ課題が繰り返され、証跡要件が明確な手順が向いています。 ## GMPとCSVの証跡構造 GMPプログラムでは、管理され、反復でき、追跡可能な製造実践が求められます。SOP実行では、明確なバージョン所有、訓練済み担当者、承認済み作業ステップ、信頼できる記録、レビュー可能な例外が重要です。 CSVプログラムは、規制対象ワークフローで使うコンピュータ化システムに注目します。デジタルSOPと点検ワークフローでは、意図した用途、システム範囲、アクセスロール、バージョン管理、ワークフロー記録、変更履歴、テスト証跡、品質レビュー資料が役立ちます。 DataMeshは、手順、訓練完了、作業記録、点検証跡、アセット履歴、是正措置、変更記録を関連するプロセスと設備コンテキストに接続し、これらの証跡構造を支援します。 ## 製品の役割 [Director](/products/director) は、ガイド付き3D SOP、訓練シナリオ、アニメーション、ラベル、チェックポイント、現場指示を作成します。 [Inspector](/products/inspector) は、点検、作業指示、修理記録、証跡取得、検証、現場履歴を管理します。 [Checklist](/products/checklist) は、定期タスク、構造化フォーム、完了記録、モバイル実行を支援します。 [FactVerse](/products/factverse) は、空間、アセット、文書、ワークフロー、データバインディングの運用デジタルツインコンテキストを提供します。 [Data Fusion Services](/products/dfs) は、DCS、SCADA、ヒストリアン、CMMS、EAM、LIMS、アラーム、センサー、文書、エンタープライズシステムをデータ連携範囲で接続します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、繰り返し課題、異常傾向、関連作業履歴を要約し、資格を持つチームのレビューを支援できます。 ## ガバナンスチェックリスト - SOPバージョン、オーナー、発効日、訓練対象は記録されていますか? - 部屋、設備、ユーティリティ、文書、アセットIDはシステム間で一貫していますか? - 訓練完了、評価、再訓練記録は正しい手順バージョンに結び付いていますか? - 現場タスクは正しいアセット、エリア、ステップ、オペレーター役割、レビュー状態に結び付いていますか? - 写真、メモ、例外、是正措置、検証記録は後のレビューに使える構造ですか? - アクセスロール、コンテンツ承認、変更レビュー、リリース管理は記録されていますか? - システム範囲、意図した用途、バージョン履歴、テスト記録はCSV準備に使えますか? - 品質、運用、訓練、エンジニアリング、保全のオーナーは展開前に合意していますか? これらの確認により、デジタルSOPコンテンツは運用証跡システムとして機能します。 ## 公開参考情報 [Swire Coca-Colaの参考情報](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) は、保全プロセスと現場訓練のデジタル化を示しています。 [Foxconnの参考情報](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) は、FactVerseを訓練と保全ワークフローに使う例です。 [高速道路安全訓練の参考情報](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) は、実践訓練の向上にデジタルツインとMixed Realityを使う例です。 [YokogawaとDataMeshの参考情報](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) は、産業施設の信号を保全レビューに接続するパターンを示しています。 --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## 工程検証には高速な中間層が必要 生産ラインや包装プロジェクトでは、静的レイアウト、離散イベントモデル、有限要素解析、CFD、現場試験が使い分けられます。静的レイアウトと離散イベントモデルは流量、能力、ボトルネックの議論に向いています。有限要素解析、CFD、現場試験は高精度な工学課題に向いています。その間に、包装姿勢、衝突、滑り、積み重ね、受け渡しタイミング、ロボット到達性、作業者の手の届く範囲、設備同士の干渉といった実務上の課題が現れます。 Omniverse、NVIDIA Isaac Sim、PhysX、Newton を中心とする現代的なワークフローは、この中間層を速くします。エンジニアリングチームと運用チームは、デジタルツイン上で多くの物理シナリオを試し、詳細解析や現場試験に進める候補を選べます。精度の目標は、校正済みの有限要素モデルとは異なります。価値は、反復速度、シナリオ範囲、共同レビュー、早期の問題発見にあります。 DataMesh では、この流れは [FactVerse Designer](/products/designer) の自然な拡張です。Designer は生産ラインシーン、工程ロジック、ビヘイビアツリー、レイアウト案、タイムラインシナリオを作成します。[FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) は、その文脈を OpenUSD と Omniverse ワークフローへ渡します。その後、チームは PhysX 物理、RTX レンダリング、ロボットモデル、センサーモデルを持つ Isaac Sim シーンを準備できます。工程シナリオがロボティクスや Physical AI に近づく場合は、Isaac Lab や Newton の経路に接続できます。 ## 従来型シミュレーションの遅くなる場所 | 方法 | 向いている問い | よくある制約 | |---|---|---| | 静的レイアウトレビュー | 空間、設備配置、アクセス、関係者合意 | 動きと相互作用の根拠が少ない | | 離散イベントシミュレーション | スループット、待ち行列、稼働率、バッファ、リソース計画 | 形状と物理挙動が単純化される | | 有限要素解析 | 応力、変形、材料応答、構造リスク | モデル準備と計算サイクルが長い | | CFD | 気流、流体、熱、圧力、汚染制御 | 専門モデルが必要で反復が重い | | 現場試験 | 最終的な工程信頼性と作業者フィードバック | コスト、日程、安全、シナリオ範囲に制約がある | 物理ベース工程シミュレーションは、包装物がある経路を滑る、トレイが傾く、ロボットの受け渡しが遅れる、コンベヤのバッファが詰まる、カートンがガイドレールに接触するといった現象を早期に確認するための選択肢です。 ## Isaac Sim、PhysX、Newton の価値 NVIDIA は Isaac Sim を、Omniverse libraries 上に構築されたロボティクスシミュレーション、テスト、合成データ生成向けのオープンソース参照フレームワークと説明しています。CAD、URDF、MJCF、現場から取得したシーン文脈を USD に変換し、材料、物理属性、ロボットモデル、センサーを設定したシーンを組み立てられます。 PhysX は Isaac と Omniverse の経路における物理基盤です。NVIDIA の Isaac Sim ドキュメントでは、中核のシミュレーションは高忠実度の GPU ベース PhysX エンジンであり、工業規模のマルチセンサー RTX レンダリングを支えると説明されています。生産ラインチームにとっては、動き、衝突、剛体挙動、配置、搬送、クリアランス、ロボット到達性、安全ゾーンのレビューに使えます。 Isaac Lab と Newton は、ワークフローをロボット学習と接触の多いシミュレーションへ広げます。NVIDIA は Isaac Lab を、ロボット学習向けのオープンソース、GPU 加速、モジュール型フレームワークと説明しています。Newton は Warp と OpenUSD 上に構築されたオープンで拡張可能な物理エンジンであり、GPU 加速、微分可能物理、プラグイン可能なソルバー、剛体と変形体のシミュレーション、Isaac ワークフローとの統合が公開されています。工程シミュレーションがロボットポリシー、触覚接触、柔軟材料、包装変形、ケーブル、将来の Physical AI ワークフローへ近づくほど、この経路の重要性が増します。 工業チームは意思決定に応じて物理の深さを選ぶ必要があります。包装レイアウトレビューでは高速な衝突と動きの確認で十分な場合があります。ロボット挿入タスクでは、より強い接触モデルが必要になる場合があります。材料破壊の判断は、専門的な工学解析が担当します。 ## 包装工程での検証 包装は、細かな物理差が運用結果を変えるため、適したユースケースです。仮想試験では次の内容を確認できます。 * 包装姿勢、間隔、受け渡しタイミング * コンベヤ速度、ガイドレール、分岐、ストッパー、バッファ挙動 * トレイ、カートン、ボトル、パウチ、ケースの設備内移動 * 滑り、転倒、積み重ね、跳ね返り、接触、衝突パターン * ロボット到達性、グリッパー接近、作業包絡、安全ゾーン * 作業者の手の届く範囲、保全アクセス、詰まり復旧、検査視点 * 設備移動や治具変更前のライン案比較 目的は早期の絞り込みです。チームはより多くの案を比較し、明らかな物理問題を早く見つけ、詳細検証に向けた問いを明確にできます。 ## DataMesh ワークフロー 1. **運用シーンを構築** - FactVerse でライン、包装セル、設備、ステーション、バッファ、ルート、アクセス領域、資産 ID を整理します。 2. **工程ロジックを作成** - Designer でビヘイビアツリー、タイミング、状態遷移、搬送ルート、故障、復旧手順、案のバリエーションを定義します。 3. **シミュレーション資産を準備** - スケール、座標、衝突形状、材料仮定、質量、摩擦、拘束、バージョン記録をそろえます。 4. **物理ワークフローへ接続** - FactVerse Adaptor for NVIDIA Omniverse で OpenUSD と Omniverse ワークフローへシーン文脈を渡します。ロボティクスが対象に入る場合は、物理属性、材料、ロボットモデル、センサーを持つ Isaac Sim シーンを準備します。 5. **高速な仮想試験を実行** - Omniverse、Isaac Sim、PhysX、Newton の適切な経路で、動き、衝突、接触、配置、受け渡し、バッファ挙動、作業者アクセス、ロボット連携を確認します。 6. **シナリオを比較** - 前提条件の下で、どのレイアウト、タイミング、材料、設備案が有利かを記録します。 7. **重要案を詳細検証へ送る** - 有限要素解析、CFD、設備ベンダーの工学検証、現場試験へ接続します。 8. **証拠を残す** - 前提、設定、結果、スクリーンショット、課題、承認メモをシナリオバージョンに紐づけます。 この流れにより、仮想計画がエンジニアリングガバナンスと接続されます。シミュレーション結果は、前提とバージョンを追跡できることで実務価値を持ちます。 ## この層が得意なこと 物理ベース工程シミュレーションは、素早い比較に向いています。 * 初期の包装工程スクリーニング * コンベヤ、搬送、バッファ挙動の確認 * レイアウトとクリアランスの検証 * 衝突と詰まりリスクの発見 * ロボットと作業者の到達性レビュー * 設備間の相互作用と受け渡しタイミング * 仮想コミッショニング準備 * Physical AI シナリオ準備 * エンジニアリング、運用、安全、ベンダーの共同レビュー 出力は工学判断を支えるものです。候補を絞り込み、高コストな検証を重要シナリオへ集中させます。 ## 高精度手法が担う領域 有限要素解析、CFD、材料校正試験、現場試験は、応力、疲労、破断、シール、熱挙動、気流、液体挙動、汚染リスク、製品品質しきい値の最終判断に適しています。 物理エンジンにも校正が必要です。摩擦、剛性、減衰、反発、質量、形状簡略化、接触設定、ソルバー設定は結果に影響します。柔軟包装、液体、粉体、接着、熱、摩耗、破損は、専用モデルや物理実験を必要とする場合があります。 堅実なワークフローでは、高速な物理シミュレーションを工学的なフィルターとして扱います。より良い問いを早く作り、より良い検証対象を選ぶための層です。 ## 測るべき指標 | 領域 | 指標例 | |---|---| | 反復速度 | シーン設定時間、案の数、レビュー周期、初回課題発見までの時間 | | シナリオ範囲 | レイアウト案、速度設定、包装タイプ、異常状態、アクセス条件 | | モデル品質 | スケール誤差、材料仮定、衝突形状の品質、校正根拠 | | 工学価値 | 試験前に見つかった課題、除外した案、絞り込まれた検証範囲 | | 移行品質 | 仮想試験と現場観察の差、繰り返し出るずれの種類 | | ガバナンス | シナリオバージョン、物理設定、資産バージョン、レビュー担当、意思決定記録 | 指標があることで、シミュレーションは実務に残ります。前提が曖昧な高速モデルはノイズを増やします。追跡可能な高速モデルは工学上の判断力を高めます。 ## 製品の役割 [FactVerse Designer](/products/designer) は、レイアウト、ビヘイビアツリー、工程ロジック、タイムラインシナリオ、案のバリエーションを作成する環境です。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) は、FactVerse のシーン文脈を OpenUSD と Omniverse ワークフローへ接続し、レンダリング、物理検証、Isaac Sim シーン準備、高度なシミュレーションに使えるようにします。 [FactVerse](/products/factverse) と [FactVerse Twin Engine](/products/factverse-twin-engine) は、資産、空間、システム、メタデータ、権限、シナリオ記録を含む運用デジタルツイン文脈を保持します。 [Data Fusion Services](/products/dfs) は、生産信号、設備状態、アラーム、速度、スループット、施設文脈が必要な場合に、リアルタイムおよび履歴データを接続します。 [DataMesh Robotics](/products/robotics) は、包装や生産ラインシナリオがトレーニングデータ、Isaac Sim ロボットシミュレーション環境、Isaac Lab 学習タスク、Physical AI 評価タスクへ広がる場合に関わります。 ## 準備チェックリスト * 工学判断に対して適切なシミュレーション深度を選べているか * ライン資産、設備名、包装タイプが安定しているか * スケール、座標、単位、原点が検証されているか * 衝突形状と材料仮定が記録されているか * 工程タイミング、ルート、受け渡しルール、状態遷移が Designer で定義されているか * 物理設定が明確なレビュー目的に結びついているか * 既知の制約がレビュー前に書かれているか * 重要シナリオが詳細な工学検証へ進む流れを持つか * 結果がシーンバージョン、資産バージョン、物理設定に追跡できるか ## 公開参考 NVIDIA は [Omniverse](https://www.nvidia.com/en-us/omniverse/) を、工業デジタルツインと Physical AI シミュレーションアプリケーション向けの libraries と microservices として説明し、OpenUSD、RTX、物理機能を示しています。 NVIDIA の [Omniverse libraries](https://developer.nvidia.com/omniverse) ページでは、ovphysx がスケーラブルなロボティクスとデジタルツインシミュレーション向けの USD ネイティブなマルチフィジックスライブラリとして説明されています。 NVIDIA の [Isaac Sim](https://developer.nvidia.com/isaac/sim) ページでは、Isaac Sim が Omniverse libraries 上に構築された、物理ベース仮想環境でのロボティクスシミュレーション、テスト、合成データ生成向けオープンソース参照フレームワークとして説明されています。 NVIDIA の [Isaac Lab](https://developer.nvidia.com/isaac/lab) ページでは、Isaac Lab が大規模なロボットポリシー訓練向けのオープンソース、GPU 加速、モジュール型ロボット学習フレームワークとして説明されています。 NVIDIA の [Newton Physics](https://developer.nvidia.com/newton-physics) ページでは、Newton が Warp と OpenUSD 上に構築された、ロボット学習と開発向けのオープンで拡張可能な物理エンジンとして説明されています。 NVIDIA の公開 Newton 工業ロボティクス記事では、接触の多い操作、変形体シミュレーション、SDF 衝突、hydroelastic contact、Isaac ワークフローとの統合が説明されています。 DataMesh の [FactVerse と NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 発表と [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) は、シミュレーションデジタルツイン、OpenUSD ワークフロー、Physical AI 準備の公開方向を示しています。 --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## 保全ループは信号の後から始まる 予知保全は、リスク信号が規律ある作業プロセスへ進むことで価値を生みます。振動傾向、温度ドリフト、電流の異常、繰り返し発生するアラームは、レビュー可能な問いに変換される必要があります。どの資産が影響を受けているか、発見事項の信頼性はどの程度か、関連するシステムは何か、どのチームが確認すべきか、どの現場アクションへ進めるかという問いです。 [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) は、デジタルツインを使ってこれらのステップを接続します。データ、資産文脈、AI 支援レビュー、作業指示、現場証拠、検証記録を一つの運用ループに保ち、保全チームが各判断から学べるようにします。 これは実務的な Physical AI ワークフローでもあります。AI は実世界の信号を解釈し、デジタルツインは提案を設備、位置、システム関係、承認済み実行プロセスに結び付けます。 ## ループに必要なレイヤー クローズドループの保全ワークフローには、通常次のレイヤーが必要です。 - **接続された信号**：振動、温度、電流、圧力、稼働時間、アラーム、ヒストリアンタグ、環境文脈。 - **資産文脈**：設備階層、場所、運用上の役割、システム依存関係、保全計画、文書、予備品文脈。 - **AI 支援レビュー**：傾向比較、異常レビュー、劣化パターン、証拠要約、推奨アクションの下書き。 - **デジタルツインによる検証**：空間文脈、上流下流の依存関係、直近の作業、運用制約、現場アクセス性。 - **作業実行**：Inspector 作業指示、Checklist タスク、担当割当、現場メモ、写真、受入、完了状態。 - **フォローアップ証拠**：保全後の測定値、再発アラーム確認、状態比較、更新された資産履歴。 最終的には、何が検出され、なぜ重要で、誰が確認し、どのアクションが承認され、結果がどう検証されたかを説明できる保全記録が必要です。 ## DataMesh スタックでの役割 [Data Fusion Services](/products/dfs) は、センサー、ヒストリアン、BMS、SCADA、CMMS、EAM、IoT、エンタープライズシステムを接続し、デジタルツイン連携、分析、AI レビューのための運用データを準備します。 [FactVerse AI Agent](/products/factverse-ai-agent) は意思決定インテリジェンスのレイヤーです。FactVerse AI Agent の予知保全モジュールは、信号の挙動、資産関係、保全履歴、運用文脈をレビューし、保全チームに証拠と推奨アクションを提示します。 [FactVerse](/products/factverse) とデジタルツイン文脈は、資産の場所、支えるシステム、保全判断に関わる依存関係を把握する助けになります。[Inspector](/products/inspector) は点検、作業指示、現場記録、検証、保全証拠を管理します。[Checklist](/products/checklist) は、チーム横断のタスクと定期作業を統合します。 顧客が管理する CMMS、EAM、BMS、SCADA、現場承認ワークフローは、組織が定める運用上の基幹システムとして運用できます。 ## 信号から検証済み作業へ 実装しやすい流れは六つのステップです。 1. センサー、ヒストリアン、アラーム、点検、資産データを接続します。 2. 資産、システム、ポイント、作業記録をデジタルツインへマッピングします。 3. FactVerse AI Agent で傾向、異常、関連証拠をレビューします。 4. 保全チームとエンジニアリングチームがツイン文脈で発見事項を確認します。 5. 範囲、担当者、受入基準を明確にした Inspector 作業指示または Checklist タスクを作成します。 6. 完了証拠を取得し、保全後の状態を元の信号と比較します。 この流れにより、予測は現場アクションへ進み、現場背景、担当者、完了証跡を伴う追跡可能な保全判断になります。 ## 最初に適用しやすい領域 | 起点 | 実務上の焦点 | |---|---| | 回転機器 | ポンプ、コンプレッサー、モーター、ファンなど、振動、温度、電流、圧力の傾向を持つ重要資産 | | 施設ユーティリティ | HVAC、冷水、圧縮空気、配電など、アラームやサービス履歴が蓄積されたシステム | | 生産支援資産 | コンベヤ、ロボットセル、治具、搬送装置など、生産フローに影響する設備 | | 点検負荷の高い資産 | 点検回数が多く、問題が繰り返し、現場記録にばらつきがある資産 | | 複数拠点運用 | 共通の資産クラスを持つ拠点群で、一つの拠点の学びを他拠点に展開 | 最初のパイロットには、利用可能なデータ履歴、明確な保全オーナー、管理しやすい資産範囲、ループを閉じられる現場チームが必要です。 ## データ準備チェックリスト 導入前に次の条件を確認します。 - センサー信号に安定した ID、タイムスタンプ、単位、資産マッピングがある。 - 保全履歴が資産または設備グループ単位で確認できる。 - 作業指示に原因、アクション、完了内容を理解できる情報がある。 - 資産階層と位置情報をデジタルツインに接続できる。 - エンジニアリングと保全チームがレビュー、承認、エスカレーションルールを合意している。 - 現場チームが証拠を構造化して取得できる。 - パイロット指標が検証済みの運用記録と結び付いている。 この段階のデータ品質作業は、予知保全プログラムそのものの一部です。AI 支援レビューに進める資産と、先に整理すべきシステムを見極めます。 ## 検証すべき指標 予知保全の価値は、現場の基準値に基づいて測定します。役立つ指標は次の通りです。 - 信号検出から人によるレビューまでの時間。 - 計画保全へ進んだ発見事項の割合。 - 作業指示の完了品質と証拠の完整性。 - 是正作業後の再発アラーム。 - 保全後の資産状態の傾向。 - 現場チームの応答時間とタスク受入品質。 - 繰り返し発生する資産クラスに対するエンジニアリングレビュー工数。 効果は、顧客ごとの現場データ、対象範囲、運用履歴に基づいて検証します。検証プロセスを明確にしておくことで、仮説、ベースライン、改善結果をパイロットから展開まで追跡できます。 ## 公開リファレンス [Yokogawa と DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) の発表は、産業施設における AI 駆動の予知保全、特に重要な回転機器に関する公開された方向性を示しています。 [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) と [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) の事例は、保全プロセスのデジタル化、現場ガイダンス、トレーニングが実行側のループを支えることを示しています。 購入側にとって重要なパターンは明確です。予知保全には、接続された信号、信頼できる資産文脈、AI 支援レビュー、現場結果を残す作業実行記録が必要です。 --- ## [GUIDES] rack-inlet-temperature-and-thermal-margin ## ラック吸気位置で熱リスクが運用課題になる データセンターでは、室温、冷却設備の計測値、アラーム、ラック台帳、電力データが別々のシステムに分散していることが少なくありません。室内平均温度が安定していても、一部のラックには再循環した暖気が流れ込んだり、十分な気流が届かなかったりします。こうした局所的な状態は運用上の余裕を狭め、次の容量変更を制約し、冷却やコンテインメントの見直しを急ぐ要因になります。 ラック吸気位置は、技術選定担当者にとって実用的な観測点です。施設が供給する冷却空気と、情報技術（IT）機器が実際に置かれている環境を結び付けられます。米国暖房冷凍空調学会（ASHRAE）は、データセンターの環境ガイドラインに共通する基準として機器の吸気条件を定めています。個々の施設で許容する環境範囲は、機器クラス、メーカー要件、施設方針、湿度、運転モード、現行ガイドラインを踏まえて決定します。 有効な評価では、次の四つの問いに答えます。 * 合意した限界値に最も近いラックまたは吸気位置はどこか * その状態は局所的か、継続的か、負荷に連動するか、冷却分布と関係するか * 評価対象の運転状態で熱的余裕がどれだけ残っているか * 次にどの計測、工学的検討、運用対応を行うべきか ## 分析手法を選ぶ前に判断事項を定める 有用な熱評価は、一つの判断事項から始まります。たとえば、ラック密度の引き上げ承認、繰り返し発生するホットスポットの調査、コンテインメント案の比較、冷却設備の保守時間帯への備え、追加センサーの設置場所選定などです。 判断事項によって必要な根拠が決まります。 | 判断事項 | 重視する根拠 | 有用な出力 | |---|---|---| | 現在のホットスポットを調査 | 最近の吸気計測値、ラック負荷、冷却状態、アラーム、コンテインメント、現場所見 | 影響を受けるラック、考えられる依存関係、データ不足、点検の優先順位 | | 負荷増加を検討 | 計画中のラック負荷、必要気流量、冷却分布、運転範囲、代表的な境界条件 | 運用ベースラインと計画時の吸気条件、残る余裕、工学レビューが必要な領域 | | コンテインメント変更を比較 | 形状、開口部、漏気経路、給気と還気の構成、ラックの気流方向、負荷分布 | 相対的な再循環パターン、ラック単位の差、選択肢ごとのトレードオフ | | 冷却保守に備える | 冷却設備の可用性、冗長性の前提、現在の負荷、センサーの根拠、運転手順 | 影響が予想されるゾーン、評価対象状態での余裕、監視の優先順位 | 判断事項を起点にすると、必要性に見合った範囲で評価できます。データ品質の問題であれば、センサーの確認だけで解決できる場合があります。判断が気流経路、未計測の場所、将来負荷、稼働中の施設では安全に再現しにくい条件に左右される場合は、空間熱モデルが有効です。 ## 信頼できる施設の運用ベースラインを構築する 熱評価の根拠は、施設モデルと運転入力の品質に左右されます。技術選定担当者は、既存の施設資料、実測した情報、推定した情報、残る不確かさが明確に記録されていることを確認します。 ### 空間と機器のコンテキスト * 室内、通路、ラック、二重床、天井、ダクト、開口部、コンテインメントの形状 * ラックの位置、向き、高さ、搭載機器、機器の気流方向 * 冷却設備の位置、容量、給気と還気の構成、運転状態 * パンチングフロアパネル、グリル、ダンパー、遮蔽物、漏気経路、主な障害物 * センサーの識別情報、位置、取付高さ、単位、校正状態、管理責任 ### 運転と熱環境のコンテキスト * 時間と運転状態ごとの代表的なラック負荷または IT 負荷 * 利用可能な場合の給気温度、還気温度、流量、圧力、ファン情報 * 室温、湿度、ラック吸気の計測値、アラーム、環境記録 * コンテインメントの状態、保守状態、稼働中の冷却設備、制御設定 * 評価対象の境界に影響する場合の外気条件または隣接空間の条件 ### ガバナンスのコンテキスト * 対象となる機器クラスとメーカー限界 * 施設所有者が承認した環境範囲と計測方法 * 根拠が対象とする期間と運転状態 * 判断責任者、工学レビュー担当者、受入基準 [Data Fusion Services](/products/dfs) は、機器の識別情報、タイムスタンプ、単位、センサー品質、アラーム、工学記録を整合できます。[DataMesh FactVerse](/products/factverse) は、室内、ラック、冷却システム、センサー、空間的な関係を運用デジタルツイン上で整理できます。この共有コンテキストにより、計測値とモデル結果を評価対象の資産や場所まで追跡できます。 ## 熱分布をラック単位の判断に変える ![通常時と性能低下時の気流パターンおよびラック吸気の評価点](/images/physics/data-center-thermal-resilience-comparison.webp) *ラック単位のレビューでは、空間的な気流と温度の挙動を、定義済みの吸気位置、機器限界、運用判断に結び付けます。* 熱分布からは、空間内で温度と気流がどう変化するかを把握できます。技術選定担当者がそれをレビュー可能な判断へ変えるには、合意済みの指標が必要です。実用的な指標には次のものがあります。 * 上段、中段、下段の定義済み位置における吸気温度 * 評価対象条件での最大値、パーセンタイル値、一定時間内の吸気温度 * 合意した限界値に近づいている吸気点の数と位置 * 対象ラックに影響する再循環またはバイパス気流のパターン * 運用ベースラインと候補シナリオの差 * 継続性、変化率、負荷または冷却状態に対する感度 * ラック、ゾーン、機器クラスごとの残りの熱的余裕 熱的余裕は、次のように定義できます。 `熱的余裕 = 合意したラック吸気温度の限界値 - 評価したラック吸気温度` 報告するすべての熱的余裕に、限界値の出典を明記します。評価温度がセンサー、実測データによる較正済みシミュレーション、探索モデル、保守的なシナリオ値のどれに基づくかも示します。同じ 2 度の余裕でも、未検証のセンサー一つ、妥当性を確認した計測データセット、較正範囲外で使ったモデルのどれから得たかによって意味は大きく変わります。 ## リアルタイムの可視性と個別の熱分析を分けて評価する リアルタイム運用と熱分析では、関連する問いに異なる深さで答えます。 | 機能 | 主な根拠 | 対応できる問い | |---|---|---| | リアルタイムの運用可視性 | 接続済みセンサー、メーター、機器状態、アラーム、資産記録、点検、作業履歴 | 現在何が起きているか、アラームはどこか、影響を受ける資産は何か、対応責任者は誰か | | 個別プロジェクトの熱分析 | レビュー済みの形状、ラック負荷、冷却条件、境界の前提、利用可能な計測値、ソルバー確認、根拠資料一式 | 気流と温度が空間内でどう変化し得るか、計画変更によって何が起こり得るか、専門レビューが必要な領域はどこか | [FactVerse AI Agent](/products/factverse-ai-agent) は、異常傾向、アラーム、資産履歴、保守コンテキストを関連付けることで運用チームを支援します。容量、冷却、レイアウトの判断に空間分布とシナリオ比較が必要な場合は、個別プロジェクトの熱分析ワークフローで根拠を補います。[Inspector](/products/inspector) は、承認済みの所見を現場点検、作業実行、検証へ引き継げます。 ## 適切な運転範囲を定める ASHRAE のガイドラインは、データ通信機器のクラスごとに推奨環境範囲と許容環境範囲を区別しています。メーカーが構成ごとに追加の限界を定める場合もあります。各運用者は、信頼性目標、計測方法、機器構成、運転条件に基づいて施設基準を採用できます。 技術選定時の評価では、次の項目をプロジェクト記録に含めます。 1. 評価対象の機器群と環境クラス 2. 適用する ASHRAE ガイドラインの版と、使用した表または手順 3. 設置済み構成に対するメーカー要件 4. 施設所有者が承認した通常、警戒、工学レビューの各しきい値 5. 各しきい値に対応する湿度条件と計測条件 6. 一時的な逸脱とデータ欠損の扱い これにより、機器やガイドラインが変わっても施設側で更新できる、安定した計算基準が整います。 ## 確信度を較正の根拠に合わせる 探索モデルは、明示した前提の下で方向性を示し、選択肢を比較できます。ベンチマーク検証済みモデルには、基準ケースとの比較とソルバー確認が加わります。実測データによる較正済みモデルでは、関連する出力を代表的な現場観測と比較します。シナリオ固有の妥当性確認を行った分析では、想定する判断に必要な条件について独立した根拠を追加します。 ラック吸気の評価に役立つ較正の根拠には、複数の吸気位置、代表的な負荷、安定期間と遷移期間、稼働中の冷却状態、妥当性確認用に確保した別条件または別期間があります。レビュー担当者は、センサーの不確かさや既知の不一致と併せて、場所別・運転状態別の残差を確認できる必要があります。 [モデル較正の段階とシミュレーション結果の確信度ガイド](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、利用可能な根拠に結論の強さを合わせる方法を説明しています。[シナリオ群と保守的なシミュレーション評価ガイド](/resources/guides/scenario-ensembles-and-conservative-simulation-review)では、負荷、機器状態、境界条件が変化する場合に、妥当な範囲を比較する方法を紹介しています。 ## 技術選定担当者向けチェックリスト ### 判断事項と範囲 * 運用、容量、レジリエンス、レイアウトに関する判断事項が一つ明確に定められているか * 対象ラック、ゾーン、運転状態、対象期間が定義されているか * 熱的余裕が小さい場合や負になる場合の影響を把握しているか ### データとモデルの準備状況 * ラックの形状、気流方向、負荷、機器限界を利用できるか * 冷却配置、稼働状態、給気、還気、コンテインメント、開口部がモデルに反映されているか * すべてのセンサー値を識別情報、位置、タイムスタンプ、単位、品質状態まで追跡できるか * 前提と不足している根拠をレビュー担当者が確認できるか ### 根拠と受入条件 * 各運転限界の出典が記録されているか * 実測値とシミュレーション値が明確に区別されているか * 判断に関わる位置で残差、不確かさ、感度が示されているか * 示す確信度が、文書化した根拠の適用範囲内に収まっているか ### 対応と責任 * 各所見が対象の室内、ラック、冷却資産、センサーに結び付いているか * 専門知識を持つレビュー担当者が結論に責任を持つか * 承認済みの対応を点検、保守、変更管理のワークフローへ引き継げるか * 変更後の検証が引き渡し計画に含まれているか ## 対象を絞ったパイロットを計画する 実用的なパイロットは、代表的な一室または一通路と、一つの判断事項から始められます。対象を管理しやすいラック群に絞り、資産とセンサーのコンテキストを確認し、承認済みの運転範囲を定義して、代表的な運用ベースラインを取得します。そのうえで、合意した根拠とレビュー基準に従い、負荷、コンテインメント、冷却、監視に関する候補変更を比較します。 パイロットの成功基準には次の項目を設定できます。 * 確認済みの形状、ラック識別情報、負荷、冷却状態、センサー対応関係 * 入力と確認項目を文書化した再現可能な運用ベースライン * 想定する結論に適したラック単位の計測値と残差レビュー * 承認済み限界値の出典に結び付いた熱的余裕の表示 * 実際の計画判断または点検判断につながるシナリオ比較 * 明確な工学責任と再利用可能な根拠資料一式 [データセンター運用](/solutions/ai-agent-data-center)では、運用可視化、熱評価、保守実行、複数拠点のコンテキストを通したワークフロー全体を紹介しています。より広い観点で評価する場合は、[シミュレーションの根拠を評価する方法](/resources/guides/how-to-evaluate-simulation-evidence)で、手法、モデル、不確かさ、引き渡し資料を確認するための選定チェックリストを参照できます。 続いて[冷却障害シナリオ分析](/resources/guides/data-center-cooling-failure-scenario-analysis)で冷却の性能低下状態と停止状態を確認し、[負荷増加と容量シナリオ分析](/resources/guides/data-center-load-growth-capacity-what-if-analysis)でラック、負荷、冷却、コンテインメント、レイアウトの変更案を比較できます。 ## 公開参考資料 [米国暖房冷凍空調学会（ASHRAE）の『Data Centers and Telecommunications Facilities』ハンドブック章](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)では、機器吸気温度を共通の環境基準とする考え方と、推奨範囲および許容範囲の役割を説明しています。 ASHRAE の[データセンターの設計と運用における高信頼性とエネルギー効率に関する記事](https://www.ashrae.org/news/ashraejournal/achieving-high-reliability-energy-efficiency-in-data-center-design-operations)では、*Thermal Guidelines for Data Processing Environments* 第5版と、施設運用を機器要件に整合させる際の役割を紹介しています。 [米国エネルギー省の『Best Practices Guide for Energy-Efficient Data Center Design』](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)では、IT 機器の環境条件、エアマネジメント、冷却システム、ラック吸気付近の暖気再循環を抑える対策を取り上げています。 --- ## [GUIDES] scenario-ensembles-and-conservative-simulation-review ## 1回の実行が示すのは1組の前提条件 産業システムは、負荷、天候、設備状態、制御モード、材料特性、人の行動が変化する中で稼働します。一回のシミュレーション実行で説明できるのは、定義された一つの条件です。レジリエンスや安全に関する判断では、より広い視野が必要です。どの所見が安定しているか、どの入力が変動を支配するか、どの現実的な条件でシステムが運用限界に最も近づくかを確認します。 シミュレーション集合は、この広い視野を提供します。明確な一つの判断を軸に複数の実行を整理し、出力を分布、比較、感度、保守的なレビューケースへ変換します。 目的は、実務に即した工学判断を支えることです。技術選定担当者は、対象となる運転範囲をどこまで検討したか、どこに強い根拠があるか、どの結果が変動に敏感か、どの対応を優先すべきかを確認できる必要があります。 ## 実行回数を決める前にシミュレーションシナリオ群を設計する シミュレーションシナリオ群とは、対象の判断に関係するという理由で選定した、構造化された条件の集まりです。まず工学的に網羅すべき範囲を定義し、次にその範囲を調べるための実行設計を選びます。 代表的なシナリオの軸を次に示します。 | 軸 | 例 | |---|---| | 需要と負荷 | IT 負荷、生産速度、建物の熱需要、包装速度、ロボットタスクの頻度 | | 設備状態 | 通常運転、ファンやポンプの性能低下、冷却設備の停止、排気能力の低下、センサー停止 | | 環境 | 外気温、湿度、風、厳しい気象条件、室内の境界条件 | | 発生源の条件 | 放出位置、熱源、汚染源、材料の投入位置、外乱の発生時刻 | | 制御と応答 | 設定値、運転順序、予熱戦略、警報遅延、運転担当者の対応、復旧対応 | | 資産と材料 | 形状の違い、摩擦、質量、熱特性、抵抗、漏れ、設備性能 | 各軸を含める理由、現実的な値の範囲、選定した組み合わせが判断対象をどう網羅するかを説明します。これにより、計算を始める前にシナリオの網羅性をレビューできます。 ## シナリオの違いと反復サンプリングを区別する 複数実行による分析には、異なる問いに答える二つの方法があります。 ### シミュレーションシナリオ群の比較 シミュレーションシナリオ群では、明示した工学条件や運転条件を変更します。たとえば、通常時と冷却性能低下時、複数のクリーンルーム内放出位置、厳しい気象条件での熱需要、複数の生産レイアウトを比較します。 出力から、次のような問いに答えられます。 * 熱的余裕が最も小さくなるのはどの条件か * 未検知領域が最も大きくなるのはどの検知器配置か * 厳しい気象条件でも変動に敏感なネットワークゾーンはどこか * 衝突やアクセス上のリスクが繰り返し発生するレイアウトまたはタスク順序はどれか ### 一つのシミュレーションシナリオ内での反復実行 反復実行では、定義された一つのシミュレーションシナリオ内の変動を調べます。変化させる入力には、計測の不確かさ、自然な工程変動、不確かな材料特性、確率的な放出挙動、ランダムなタスク初期化、定義済みのパラメータ分布からのサンプリングなどがあります。 出力から、次のような問いに答えられます。 * 合意した限界に達するまでの時間はどの程度変化するか * 想定可能な発生源挙動の中で、検知器応答に関する所見はどの程度安定しているか * 結果のばらつきに最も大きく寄与するパラメータはどれか * サンプリングした検討条件の中で、指標がレビューしきい値を超える割合はどの程度か 多くの評価では、両方を使います。シミュレーションシナリオ群で工学的な対象範囲を確立し、影響度の高いシナリオを選んで反復実行し、その中の変動を把握します。 ## 分布を実務に即した言葉で読む シミュレーション集合は、一つの結果を幅のある結果へ広げます。技術選定担当者は、少数の実用的な指標を使って、その範囲を適切に評価できます。 | 指標 | レビュー担当者が把握できること | 併せて確認すること | |---|---|---| | 最小値と最大値 | 対象とした実行で観測された範囲 | 外れ値、サンプリング範囲、物理的な妥当性、極値を十分に解析できたか | | 中央値 | 実行結果の半数が上、半数が下となる中心的な値 | 分布の形状、サンプル数、多峰性、判断との関連性 | | パーセンタイル | 対象結果のうち、明示した割合が下回る値 | 選定したパーセンタイル、裾部のサンプル数、入力分布、超過した場合の影響 | | 超過率 | 対象とした実行のうち、合意したしきい値を超えた割合 | しきい値の根拠、シナリオの重み、代表性、妥当性確認、サンプリング誤差 | | ばらつきまたは区間 | 結果全体の変動幅 | 支配的な入力、データ品質、モデルの不確かさ、未解決の条件 | | 感度 | 判断指標に最も大きな影響を与える入力の変化 | 入力範囲、相互作用、物理的な妥当性、計測または制御を改善できる可能性 | どの指標も、使用したシミュレーションシナリオ、入力範囲、分布、モデル、サンプリング設計を前提とします。レビュー資料では、要約した結果と並べて、これらの条件を示します。 ## 比較表示でシミュレーションシナリオの違いを明確にする ![クリーンルームの基準換気と排気性能低下時の比較](/images/physics/cleanroom-airflow-detection-comparison.webp) *基準状態と性能低下状態を見える形で比較すると、関係者は、変化した条件を確認したうえで、結果として生じた場、指標、対応を読み取れます。* 有効な比較表示には、次のものがあります。 * 同じスケールで表示した基準状態と性能低下状態の場 * 余裕、超過、検知範囲、衝突頻度の空間分布図 * 反復実行から得た時系列の帯グラフ * 限界または応答イベントまでの時間の分布 * 影響度の高い入力を示す感度ランキング * 条件、所見、重大度、対応責任を示すシナリオマトリクス スケールと単位を統一することが重要です。パネルごとに色の範囲を変えると、小さな差が過度に大きく見えたり、意味のある性能低下が見えにくくなったりします。 ## 結果を見る前に保守的レビューの方法を定義する 保守的レビューでは、現実に起こり得る不利な結果を適切に重視して判断根拠を選びます。方法は誤りがもたらす影響に合わせ、最終結果が判明する前に合意します。 代表的な方法には、次のものがあります。 * 物理的に妥当な範囲で最も不利なシミュレーションシナリオをレビューする * 判断指標に対して上側または下側のパーセンタイルを選ぶ * 運用限界までの余裕を明示する * 選定したパーセンタイルまたは超過率に信頼区間を設ける * 複数のモデル前提またはデータ期間に対する安定性を求める * 安全、サービス、品質、設備のしきい値を超えたシミュレーションシナリオは対応レベルを引き上げる * 定量結果と、モデル化していない条件に対する領域専門家のレビューを組み合わせる 選定した方法には、保護する結果、対象条件、判断根拠の品質、レビュー責任者を明記します。限られたシナリオ集合から算出した高いパーセンタイルだけでは、重要な運転条件が検討対象外となる可能性があります。 ## シミュレーション集合をレジリエンスと安全の検討に活用する ### データセンターの熱レジリエンス 有効なシミュレーションシナリオ群では、IT 負荷、冷却設備の可用性、コンテインメントの状態、給気温度、ファンの挙動、復旧タイミングを変化させます。レビュー指標には、ラック吸気温度の余裕、ホットスポットの位置、温度上昇率、合意した限界に達するまでの時間などがあります。 技術選定担当者は、現実に起こり得る性能低下状態と負荷増加条件がシナリオに含まれているかを確認します。保守的レビューでは、対応に使える時間的余裕と、繰り返し限界状態に近づくラックやゾーンを重視できます。 ### クリーンルームの気流と検知性能 クリーンルームのシミュレーションシナリオ群では、放出位置、発生源の挙動、局所排気の状態、施設換気の状態、扉の状態、検知器の配置を変化させます。反復実行では、発生時刻、強度、方向の不確かさを検討できます。 レビュー指標には、検知時間、未検知領域、局所排気の捕集挙動、合意した場所の濃度、換気性能低下への感度などがあります。検討では、安全に関する責任と現場固有の妥当性確認要件を明確に保ちます。 ### 地域熱供給の計画 地域熱供給のシミュレーションシナリオ群では、外気温、建物需要、風、ネットワーク状態、ポンプとバルブの戦略、熱源の可用性、予熱のタイミングを変化させます。レビュー指標には、ゾーン別の供給状態、還水温度の挙動、不均衡、圧力の余裕、外乱後の復旧などがあります。 保守的レビューでは、運用上の余裕が最も小さくなる天候と需要の組み合わせを示し、計測の改善や対象を絞ったバランシング検討が最も効果的な場所を特定できます。 ### 生産工程とロボティクス 生産工程のシミュレーションシナリオ群では、レイアウト、梱包物の種類、摩擦、速度、バッファー状態、タスクのタイミング、ロボットの初期状態、設備の可用性を変化させます。レビュー指標には、完了状態、衝突、受け渡しの安定性、クリアランス、滞留、復旧挙動、タスク変動などがあります。 Physical AI の取り組みでは、反復シミュレーションを方策の学習と評価にも利用できます。判断根拠の資料では、学習時の変動、評価用のシミュレーションシナリオ、Sim-to-Real の確認、受入基準を明確に区別します。 ## シミュレーション集合の規模が十分か確認する 必要な実行回数は、判断指標、変動性、分布の裾部、求める確信度によって決まります。収束を示す根拠と組み合わせて、実行回数の妥当性を評価します。 技術選定担当者は、次の点を確認できます。 * 実行回数を増やしたとき、中央値または選定したパーセンタイルが安定するか * 判断に用いる分布の裾部について、十分なサンプル数があるか * 重要なシナリオの軸と相互作用を網羅しているか * まれでも現実に起こり得る工学条件を計画的に含めているか * サンプルを追加したとき、所見や優先順位が大きく変わるか * 計算の簡略化、代理モデル、低次元化モデルについて、対象指標に対する妥当性を確認しているか プロジェクトでは、手法に応じて、収束プロット、区間幅、反復バッチ、ホールドアウトデータとの比較を示せます。影響度の高い確率表現には、シナリオの相対的な優先順位付けよりも詳細な統計設計とレビューが必要です。 ## 重点的に確認すべき入力を特定する 感度分析では、出力の変動を入力の変動に結び付けます。判断指標に最も大きな影響を与える計測、制御、資産、前提を特定するために役立ちます。 実務では、次の価値があります。 * 不確かさによって判断が変わる場所のセンサーを優先する * 影響度の高い物理パラメータを較正の重点対象にする * 運用への影響が大きい制御項目を特定する * 優先度の低いシナリオ軸を絞り込む * 組み合わせたシナリオで検討すべき相互作用を明らかにする * 最大の根拠不足に向けて詳細な工学検討や実機試験を計画する 感度は、現実的な入力範囲で評価します。選定した範囲が狭すぎる場合や、相互作用する条件が含まれていない場合は、実際には重要なパラメータの影響が小さく見えることがあります。 ## レビュー責任を明確に保つ シミュレーション集合からは、多数のグラフと要約統計が得られます。責任が明確であれば、その判断根拠を行動へつなげられます。 レビュー記録には、次の責任者を明記します。 * 判断上の問いを管理する責任者 * シナリオの網羅性に責任を持つエンジニア * 運用データと実測データの責任者 * モデルとサンプリング方法の選定に責任を持つ解析担当者 * 物理的な解釈に責任を持つ領域専門レビュー担当者 * 対応の承認に責任を持つ安全、品質、運用、工学の担当責任者 所見では、不利な条件や変動に敏感な条件を、それぞれ提案対応、優先度、責任者、必要な追加根拠へ結び付けます。 ## シナリオの網羅性を確認するチェックリスト ### 判断と影響 * 保護する結果は明確か * しきい値を超えた場合の影響を理解しているか * 保守的レビューのルールに事前に合意しているか ### シミュレーションシナリオ設計 * どの負荷、環境、設備状態、制御、外乱を含めているか * 選定した値と組み合わせが現実的である理由は何か * 検討対象外として残る条件は何か * 必要に応じて、基準状態、性能低下状態、復旧状態、負荷増加状態を含めているか ### サンプリングと不確かさ * どの入力を固定し、計画的に変化させ、または分布から抽出したか * 各範囲または分布の根拠は何か * 中央値、パーセンタイル、超過率、区間の推定に十分なサンプル数があるか * 判断指標の変動を支配する入力はどれか ### 判断根拠と対応 * 比較表示の単位とスケールは統一されているか * 妥当な変動を与えても安定していた所見はどれか * 不利なケースのうち、追加計測、較正、詳細な工学検討、試験、運用対応が必要なものはどれか * 各結論を誰がレビューし、承認するか ## 次の評価ステップを選ぶ 運転条件、外乱、判断指標、レビュー責任について共通認識をつくる必要がある場合は、**シナリオ設計ワークショップ**を行います。 大規模なシミュレーション集合を実行する前に、影響度の高いデータ、パラメータ、制御項目を特定する場合は、**感度分析**を行います。 一つの判断を対象に、実行管理、データ準備、結果集計、レビューワークフローを実証する場合は、**シミュレーション集合のパイロット**を行います。 現場固有の量、タイミング、余裕、確率について、より強い根拠が必要な場合は、**較正または妥当性確認試験**を行います。[モデル較正の段階とシミュレーション結果の確信度に関するガイド](/resources/guides/calibration-levels-and-simulation-claim-confidence)では、結論の強さを判断根拠に合わせる方法を説明しています。 [シミュレーションの判断根拠を評価するためのガイド](/resources/guides/how-to-evaluate-simulation-evidence)では、想定用途と入力から、指標、所見、対応、承認まで、根拠の連鎖全体をレビューできます。 ## DataMesh がシミュレーションシナリオのレビューを支える仕組み [FactVerse Designer](/products/designer) では、再利用可能なデジタルツインシーン、運転状態、挙動、シミュレーションシナリオのバリエーションを準備できます。[Data Fusion Services](/products/dfs) は、運用履歴、計測の識別情報、品質情報、時刻整合をつなぎます。DataMesh のプロジェクトワークフローでは、シミュレーションシナリオ群を通じて、実行識別情報、場、指標、所見、対応、レビュー責任を保持できます。 [工程シミュレーションと仮想計画](/solutions/process-simulation)、[データセンター運用](/solutions/ai-agent-data-center)、[半導体施設運用](/solutions/ai-agent-semiconductor)、[スマート地域熱供給](/solutions/heatops)では、構造化されたシナリオ比較が役立つ判断の例を産業分野別に紹介しています。 ## 公開参考資料 米国航空宇宙局（NASA）の公開資料 [Modeling and Simulation Definitions](https://public.ksc.nasa.gov/mns/ms-definitions/) では、モデルに基づく判断の文脈で、シミュレーションシナリオ、感度分析、不確かさの特性評価、結果の頑健性を定義しています。 米国機械学会（ASME）の[不確かさ定量化の入門資料](https://www.asme.org/getmedia/4b43ab5f-28c5-4403-aeb1-9286650ad7b1/vvuq-intro-module-part-4-uq.pdf)では、不確かさの特性を評価し、モデルを通じて伝播させ、結果を解釈し、感度分析で影響度の高い不確かさを特定するサイクルを説明しています。 米国国立標準技術研究所（NIST）の[仮想計測に関する概要](https://www.nist.gov/itl/virtual-measurement)では、不確かさの定量化を、数値シミュレーションの出力に影響する不完全な知識の特性を評価し、伝達する取り組みとして説明しています。 NASA の公開資料 [Modeling and Simulation Use](https://public.ksc.nasa.gov/mns/ms-use/) では、データの来歴が十分か、不確かさが結果へどう伝播するか、結果の感度をどこまで理解しているかという確認事項が示されています。 --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## Fab 運用は安定したファシリティ文脈に支えられる 半導体 Fab は、生産装置と同じくらいファシリティの安定性に依存しています。クリーンルームのドリフト、差圧の崩れ、フィルター負荷の上昇、冷水の変動、CDA 圧力の変化、排気の不安定化、保全遅延、分散したワークオーダーは、共通認識ができる前に運用リスクを高めます。 [半導体ファシリティ AI](/solutions/ai-agent-semiconductor) は、[Data Fusion Services](/products/dfs)、[FactVerse](/products/factverse)、[FactVerse AI Agent](/products/factverse-ai-agent)、[Inspector](/products/inspector) をファシリティ運用レイヤーに適用します。クリーンルーム信号、ユーティリティ系統、アセット関係、アラーム、保全記録、現場実行を、レビュー可能な運用ループとしてつなぎます。 生産レシピ、APC、歩留まり解析、MES、装置制御は、Fab 側の既存システムと承認手順が管理します。DataMesh はファシリティ、保全、現場運用に紐づく証跡に焦点を当てます。 ## ファシリティツインが接続するもの | レイヤー | 運用文脈 | |---|---| | クリーンルーム区域 | ISO クラス、粒子、温度、湿度、差圧、気流、部屋階層、運用しきい値 | | ユーティリティ | HVAC、冷水、CDA、真空、排気、配電、メーター、ポンプ、ファン、バルブ、支援設備 | | 重要アセット | FFU、HEPA/ULPA フィルター、チラー、ポンプ、AHU、コンプレッサー、排気設備、センサー、制御器、文書、保全履歴 | | アラームとトレンド | 繰り返しアラーム、異常パターン、センサードリフト、差圧変化、フィルター負荷、振動、電流、稼働時間、サービス履歴 | | 作業実行 | Inspector ワークオーダー、Checklist タスク、現場写真、測定値、記録、承認、エスカレーションルール、完了証跡 | | ガバナンス | 推奨の出所、レビュアー、優先度、SLA、担当者、シフト引き継ぎ、受入基準、フォローアップ証跡、監査記録 | 重要なのは、信号を区域、アセット、システム、責任チーム、現場ワークフローに対応づけることです。粒子スパイクは、クリーンルーム文脈、気流と差圧の挙動、フィルター状態、上流ユーティリティ設備、最近の保全、次の対応へ追跡できる必要があります。 ## DataMesh の半導体ファシリティ運用フロー 1. **ファシリティデータを接続** - BMS、SCADA、PLC、ヒストリアン、環境監視、CMMS、EAM、IoT センサー、設備テレメトリー、ワークオーダーシステムを接続します。 2. **ファシリティツインを構築** - FactVerse で Fab、クリーンルーム、区域、ユーティリティ、アセット、センサー、制御点、文書、作業責任をモデル化します。 3. **信号を文脈へバインド** - Data Fusion Services で粒子、差圧、温度、湿度、アラーム、エネルギー読み取り、設備ヘルス、作業記録を正しい区域とアセットに紐づけます。 4. **ドリフトとリスクをレビュー** - FactVerse AI Agent が異常トレンド、繰り返しアラーム、関連しそうな系統、優先度スコア、推奨アクションをまとめ、人が確認します。 5. **Inspector で実行** - 確認された発見事項をワークオーダー、現場タスク、エスカレーション計画、引き継ぎ記録、文書、受入記録に展開します。 6. **結果を検証** - 対応後の測定値、アラーム再発、保全証跡、クリーンルーム状態、運用レビューを当初の発見事項と比較します。 このフローにより、AI の推奨は常にデータ、アセット文脈、現場証跡に結びついたままレビューできます。 ## クリーンルームのドリフトと ISO 証跡 クリーンルームチームは、複数の小さな変化を同時に見る必要があります。粒子数、温度、湿度、差圧、気流、フィルター状態、ドアイベント、アラーム、保全作業は、それぞれドリフトの一部を説明します。 FactVerse AI Agent は、エンジニアリングレビュー向けに証跡を整理できます。影響区域、変化した測定値、差圧勾配の許容範囲、FFU やフィルター状態の変化、類似アラームの再発、割り当てるべき現場確認をまとめます。 ISO 14644-1 評価とサイト固有のクリーンルーム記録は、運用履歴として保持できます。ソフトウェアは証跡の構造化、状態レビュー、ワークオーダー連携を担い、最終的な品質判断は顧客の品質体系、検証手順、責任者に従います。 ## ユーティリティ設備と予知保全 ファシリティ側アセットには固有の劣化パターンがあります。ポンプ、ファン、コンプレッサー、チラー、AHU、排気設備、バルブ、センサー、フィルターは、圧力、流量、振動、温度、電流、稼働時間、アラーム履歴、保全記録から早期リスクを示します。 [予知保全](/solutions/predictive-maintenance) のループはこの領域に適しています。FactVerse AI Agent が信号とアセット文脈をレビューし、Inspector が確認済みの発見事項をワークオーダーと検証につなげます。運用影響、クリーンルーム依存、緊急度、繰り返しアラーム、保全能力に基づいて優先順位を付けられます。 シフトをまたぐ運用では、何を検出したか、なぜ重要か、誰がレビューしたか、どの現場チームが受けたか、現場で何を確認したか、状態が改善したかを明確に残すことが重要です。 ## アラームからワークオーダーへ 半導体ファシリティ運用には、統制された実行経路が必要です。実務的なアラームワークフローには次の項目が含まれます。 - センサーと校正時刻の確認 - アセットと区域文脈のレビュー - 想定原因の要約 - 優先度と SLA の提案 - 担当者または担当ロールの割り当て - 現場チェックリスト - 写真、測定値、是正アクション記録 - 受入とフォローアップ確認 [Inspector](/products/inspector) と [Checklist](/products/checklist) は、このループの実行側を担います。確認されたリスクをワークオーダーに変換し、現場証跡を取得し、後のレビューに必要な完了記録を残します。 ## エネルギーレビューと what-if 分析 半導体施設はエネルギー負荷が高い環境です。ユーティリティ読み取り、冷却需要、気流要求、フィルター負荷、ポンプとファンの挙動、運用スケジュールは、クリーンルームと保全文脈とあわせて見る必要があります。 DataMesh はエネルギー読み取りをシステム、区域、アセット、作業履歴につなぎ、ファシリティのエネルギーレビューを支援します。FactVerse AI Agent は、保全アクションが繰り返しアラームの低減につながる可能性や、スケジュール変更をクリーンルーム制約と照らして確認すべきかなど、what-if 比較とリスク要約を整理できます。 省エネルギー、炭素報告、運用目標は、顧客のベースライン、計測範囲、エンジニアリングルール、検証方法に依存します。DataMesh のワークフローは、選択肢の評価と結果記録を追跡可能にします。 ## パイロット準備チェックリスト 開始前に次を確認します。 - クリーンルーム区域、ISO クラス、運用しきい値、ファシリティ責任範囲が定義されている。 - BMS、SCADA、環境監視、PLC、ヒストリアン、CMMS、EAM、ワークオーダーシステムにアクセス可能なインターフェースがある。 - センサー名、単位、タイムスタンプ、位置、アセット対応が十分に安定している。 - ユーティリティ系統と重要ファシリティアセットをデジタルツインで表現できる。 - 保全チームがレビュー、優先度、エスカレーション、SLA、受入ルールに合意している。 - 現場チームが測定値、写真、メモ、完了証跡を構造化して記録できる。 - パイロット指標がレビュー時間、繰り返しアラーム、ワークオーダー完了品質、対応後状態など検証可能な記録に基づいている。 最初の段階では、範囲を限定したクリーンルーム区域、ユーティリティ系統、または繰り返し発生する保全ワークフローが適しています。データ所有、頻繁な運用課題、現場で閉じられる実行体制が必要です。 ## 公開リファレンス [FactVerse AI Agent の発表記事](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)は、半導体施設を含む複雑な運用環境に向けた DataMesh の AI Agent の位置づけを説明しています。 [Gyro の半導体工場内物流リファレンス](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)は、半導体および先進製造環境でデジタルツインが自動化計画の検証に使われることを示しています。[Jebsee / 全一電子の事例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)は、FactVerse による生産ライン自動化計画を示しています。[Yokogawa と DataMesh の予知保全リファレンス](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)は、産業信号を AI 支援の保全レビューへつなげる広いパターンを示しています。 DataMesh は、非公開の半導体プロジェクトでも同様のファシリティ運用パターンを適用しています。公開文面では機能とワークフローを説明し、顧客名とサイト詳細は承認済みの公開範囲に従って扱います。 --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## 産業アセットに新しい準備レベルが必要な理由 多くの企業はCAD、BIM、スキャンデータ、3Dシーン、デジタルツイン可視化をすでに保有しています。これらは設計レビュー、遠隔協業、教育資料、経営層向け説明に役立ちます。Physical AIの段階では、アセットが計算に参加できる状態まで整備される必要があります。 生産ライン、クリーンルーム、倉庫、ロボットセル、包装ステーションには、実寸スケール、安定した座標、オブジェクトID、セマンティックラベル、物理前提、挙動ルール、プロセス状態、運用データとの接続が求められます。これらがそろうと、アセットはシミュレーション、ロボット学習、合成データ、レイアウト検証、プロセスリハーサル、AI Agentの推論に利用できます。 NVIDIAはSimReadyを、OpenUSD上に構築されたシミュレーション対応3Dアセットとデジタルツインのフレームワークとして説明しています。産業チームにとっての価値は、アセットライブラリを視覚コンテンツから再利用可能なデジタルオブジェクトへ高めることです。 ## SimReadyアセットを評価する層 | 層 | 準備すべき内容 | |---|---| | ジオメトリとスケール | 実寸、原点、向き、単位、LOD、空間境界 | | マテリアルと外観 | 材質、テクスチャ、照明応答、反射、透明度、表面カテゴリ | | 物理属性 | コリジョン、質量、摩擦、密度、ジョイント、制約、可動範囲、安全距離 | | セマンティクス | 設備分類、部品役割、機能エリア、工程役割、アセットID、運用ツインとの関係 | | 挙動ロジック | 状態遷移、起動停止ルール、故障、復旧、インターロック、経路、相互作用条件 | | データ連携 | PLC信号、センサー値、アラーム、作業指示、MES文脈、エネルギーデータ、点検記録 | | 検証記録 | ソース、バージョン、担当者、前提、品質確認、シミュレーション結果、レビュー記録 | この構造により、シミュレーションチームは対象の動作を理解し、ロボティクスチームはデータの用途を判断し、運用チームは結果を実資産へ追跡できます。 ## 挙動ロジックが重要な理由 物理属性は、物体がどのように動き、衝突し、回転し、滑り、力に反応するかを表します。産業現場では、工程ルールと業務状態も同じくらい重要です。設備は制御ロジックと作業手順に従って起動、待機、停止、警報、復旧、上流ブロック、材料リリースを行います。 [FactVerse Designer](/products/designer)は、行動ツリーとシナリオロジックでこれらの運用ルールを表現します。包装設備、コンベヤ、ロボットセル、クリーンルーム、ユーティリティ設備は、状態遷移、トリガー、工程タイミング、相互作用ルールを持てます。これにより、プロセスシミュレーション、作業者教育、ロボット協調、安全リハーサル、例外対応、Physical AI計画に活用できます。 ## DataMeshワークフロー 1. **ソースアセットを集約** - CAD、BIM、3D、スキャン、図面、設備台帳、工程文書、制御システム情報を集めます。 2. **シーン構造を正規化** - FactVerseでスケール、座標、階層、命名、オブジェクトID、位置、バージョンルールを整えます。 3. **産業セマンティクスを追加** - 設備分類、工程役割、機能エリア、アセットID、上下流関係、文書、担当者を付与します。 4. **物理コンテキストを準備** - シミュレーション目的に合わせてコリジョン、質量、摩擦、ジョイント、動作制約、通行エリア、ロボットゾーン、安全境界を定義します。 5. **挙動ロジックを作成** - Designerで状態遷移、作業ステップ、インターロック、故障、復旧経路、ルートルール、シナリオバリアントを定義します。 6. **運用データを接続** - PLC信号、センサー値、アラーム、作業指示、生産状態、エネルギー文脈、点検履歴が必要な場合はData Fusion Servicesを使います。 7. **OpenUSD経路を準備** - FactVerse Adaptor for NVIDIA Omniverseで、シーン構造、メタデータ、挙動コンテキスト、アセット準備結果をOpenUSDとOmniverseワークフローへ渡します。 8. **検証とガバナンス** - レンダリング、物理、挙動、ラベル、シナリオ範囲、下流シミュレーション結果を確認してから再利用ライブラリへ登録します。 ## SimReadyアセットライブラリが可能にすること - **包装設備**：サイクルタイム、状態、上下流関係、故障ロジック、物理境界、工程挙動を保持します。 - **ロボットセル**：作業範囲、安全ゾーン、センサー配置、把持対象、タスク順序、協調ルールを保持します。 - **搬送と物流アセット**：方向、速度、詰まりルール、受け渡しロジック、経路状態、データ連携を保持します。 - **クリーンルームと管理環境**：設備配置、アクセス経路、気流制約、保守経路、エネルギー文脈、リスクルールを保持します。 - **倉庫ゾーン**：ラック、通路、パレット、ステージング、移動設備経路、物流プロセス状態を保持します。 標準化、オブジェクト化、挙動化、物理化されたアセットは、ライン計画、工場改修、教育、ロボット導入、異常訓練、エネルギー分析、AI学習で継続的に再利用できます。 ## Physical AIとワールドモデルでの役割 Physical AIには高品質なデジタル世界が必要です。その世界には、空間、物体、セマンティクス、物理、挙動、工程状態、データが含まれます。SimReadyアセットは、その環境を構築するための再利用可能な材料です。 ロボットの学習と検証の品質は、アセット品質に大きく左右されます。産業タスクでは視覚情報に加えて、温度、圧力、振動、設備状態、作業指示、安全ゾーン、工程制約などの見えない文脈が重要になります。FactVerseはその文脈をツインへ取り込み、Omniverse、PhysX、Newton、関連シミュレーションワークフローはレンダリング、物理、センサーシミュレーション、ロボット評価を支援します。 ## 主なユースケース - 生産ラインと包装プロセスの検証 - 合成データ生成 - ロボティクスシミュレーション - 工場と倉庫の計画 - 作業者教育と異常対応リハーサル - 施設とエネルギー分析 ## ガバナンスチェックリスト - ソースファイル、担当者、ライセンス、バージョン履歴を記録する。 - 単位、スケール、座標、原点、向きを検証する。 - アセットIDを運用ツインと企業資産台帳に合わせる。 - 設備、ゾーン、部品、工程役割の統制語彙でセマンティックラベルを管理する。 - 物理前提をシミュレーション目的と一緒に記録する。 - 挙動ロジックに状態名、トリガー、タイミング、故障、復旧経路を含める。 - データ連携にソースシステム、単位、タイムスタンプ、更新ルール、品質状態を含める。 - シミュレーション結果をアセットバージョン、シーンバージョン、前提、レビュー担当者へ追跡できるようにする。 ## 公開参考情報 NVIDIAの[SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html)、[SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html)、[SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html)は、OpenUSD上のシミュレーション対応アセットに関する公開技術背景を提供しています。 [FactVerseとNVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)の発表と[GTC 2025展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)は、DataMeshのシミュレーションデジタルツイン、OpenUSDワークフロー、Physical AI準備に関する公開方向性を示しています。 --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## ロボットには産業文脈を持つ訓練場が必要です ロボット学習の品質は、訓練環境が実際の現場文脈をどれだけ持つかに左右されます。有用な仮想訓練場には、見た目のジオメトリに加えて、設備 ID、実スケール、材料、衝突境界、タスク手順、センサー設定、プロセス状態、安全エリア、日常業務で発生する変化が必要です。 SimReady 資産は、再利用できるシミュレーション対応オブジェクトです。[FactVerse Designer](/products/designer) は、それらを仮想工場、倉庫、ロボットセル、点検エリア、クリーンルーム、物流ルートとして構成し、動作ロジックとシナリオバリエーションを加えます。[DataMesh Robotics](/products/robotics) は、シーンを合成データ生成、タスク定義、報酬設定、下流のロボットシミュレーションへ接続します。 実務上の目的は、Sim-to-Real の反復を速くすることです。より良いデジタル世界を作り、多くのタスク変化を試し、シミュレーション結果を現場試験と比較し、実データで見えた差分を次のシーンへ反映します。 ## 産業現場で Sim-to-Real が難しい理由 | レイヤー | ロボット動作へ影響する要素 | |---|---| | ジオメトリ | 通路幅、設備位置、ラック配置、クリアランス、床勾配、作業範囲 | | 材料 | 反射、透明度、摩擦、表面摩耗、包装材、照明応答 | | センサー | カメラ姿勢、視野、キャリブレーション、遮蔽、ノイズ、深度品質、LiDAR 範囲 | | プロセス状態 | 機械状態、可動部、ルート閉塞、パレット位置、作業ステップ、例外状態 | | 意味情報 | オブジェクトクラス、資産 ID、安全ゾーン、タスク役割、ルート種別、点検対象 | | 人の文脈 | 作業者移動、保守アクセス、フォークリフト動線、制限区域、シフトパターン | | 制御制約 | 速度制限、停止ルール、受け渡しタイミング、インターロック、復旧手順、衝突境界 | Sim-to-Real の準備では、これらのレイヤーを明示します。ロボット訓練チームは、物理試験で差分を発見する前に、変数を意図的に調整できます。 ## SimReady 資産は訓練の構成要素です SimReady 産業資産は、ジオメトリと運用上の意味を持ちます。ロボット訓練で重要な項目は次の通りです。 * 正確なスケール、原点、向き、衝突ジオメトリ * 認識訓練向けの材料と照明挙動 * 意味クラス、資産 ID、機能役割、シーン内関係 * 摩擦、質量、関節範囲、運動制限などの物理前提 * 開、閉、閉塞、稼働、停止、アラーム、保守などの状態変数 * 把持点、点検対象、ドッキング領域、安全接近ゾーンなどのタスク要素 * シミュレーション結果を資産ライブラリへ結び付けるバージョン記録 この準備により、ロボット訓練シーンは再現、調整、レビューがしやすくなります。 ## Designer が資産を仮想訓練場にします ロボット訓練は単体オブジェクトよりもシナリオに依存します。Designer では次を準備できます。 * 施設レイアウト、生産ライン、倉庫ゾーン、ロボットセル、点検ルート * 設備状態、オブジェクト移動、タスク順序、例外処理のビヘイビアツリーロジック * 起動、停止、閉塞、復旧、ルート変更、受け渡しイベントのタイムラインシナリオ * 新設備、通路変更、仮置き場、ラック、コンベヤ、治具に関するレイアウトバリエーション * 認識、点検、移動ナビゲーション、作業者レビュー向けのセンサーと視点計画 * 合成データ生成と下流シミュレーションへ渡せるシーンライブラリ これにより、ロボット、運用、シミュレーションの各チームが同じ仮想訓練場をレビューできます。 ## DataMesh の Sim-to-Real ワークフロー 1. **ロボットタスクを選ぶ** - 対象ロボット、環境、センサー、タスク目標、安全境界、成功指標を定義します。 2. **SimReady 資産を準備する** - CAD、BIM、3D、スキャン、運用記録を、スケール、意味、物理前提、状態変数付きの資産へ変換します。 3. **仮想訓練場を作る** - Designer でレイアウト、プロセスフロー、ルート、動作ロジック、シナリオバリエーションを組みます。 4. **変化ルールを定義する** - 照明、配置、資産状態、ルート閉塞、材料外観、センサー姿勢、プロセス時刻を変化させます。 5. **訓練データを生成する** - RGB、深度、セグメンテーション、バウンディングボックス、姿勢、軌跡、シーン状態ラベル、タスクメタデータを作ります。 6. **シミュレーションと評価を行う** - シーン資産とデータセットを、ロボット訓練、Isaac Sim / Omniverse、その他のシミュレーションスタックへ渡します。 7. **現場試験と比較する** - 物理テスト結果、作業者メモ、失敗例、センサーログで差分を把握します。 8. **シーンと資産ライブラリを更新する** - 次の反復に向けて、ジオメトリ、材料、物理前提、ラベル、動作ロジック、変化ルールを調整します。 データセットと結果が、シーン版、資産版、タスクレシピ、現場証拠へ追跡できるほど、ループは強くなります。 ## 移行品質を高める領域 * **認識の堅牢性** - 照明、材料、遮蔽、姿勢、距離、背景の変化を含むラベル付き例を生成します。 * **ナビゲーション範囲** - ルート、閉塞通路、仮置き場、ドッキング点、人の横断、安全ゾーンを試します。 * **操作タスク準備** - 物体姿勢、把持対象、治具位置、接触面、摩擦前提、受け渡しタイミングを変化させます。 * **点検の再現性** - 視点、対象資産、欠陥状態、パネル位置、メーター値、アクセス制約を標準化します。 * **タスク復旧** - 故障、経路閉塞、物体欠落、アラーム、非常停止、再起動条件を再現します。 * **運用レビュー** - 物理試験前に、ロボット、安全、施設、生産チームが同じシナリオを確認できます。 強いプロジェクトは、シミュレーション範囲と実現場フィードバックのループを短く保ちます。 ## 測定すべき項目 | 領域 | 指標例 | |---|---| | データセット品質 | クラス範囲、ラベル一貫性、姿勢分布、遮蔽範囲、照明変化 | | シミュレーション信頼性 | スケール誤差、衝突品質、材料前提、センサーモデル、ルート時刻、状態範囲 | | タスク性能 | 成功率、完了時間、介入回数、復旧率、失敗タイプ | | 移行品質 | シミュレーションと物理結果の差、繰り返す失敗、現場修正回数 | | ガバナンス | シーン版、資産版、生成レシピ、レビュアー、承認状態、現場証拠リンク | これらの指標により、仮想訓練場とロボットの実際の進展を結び付けられます。 ## 製品の役割 [DataMesh Robotics](/products/robotics) は、産業向け合成データ、タスク準備、ラベル出力、報酬設定、ロボティクスパイプライン統合を担当します。 [FactVerse Designer](/products/designer) は、仮想訓練場を準備します。レイアウト、ビヘイビアツリー、タイムラインシミュレーション、タスクシナリオ、プロセス状態、バリエーションを扱います。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) は、FactVerse のシーン文脈を OpenUSD と Omniverse ワークフローへ接続し、レンダリング、物理シミュレーション、センサーシミュレーション、専門的なロボティクスツールへ渡します。 [FactVerse](/products/factverse) と [FactVerse Twin Engine](/products/factverse-twin-engine) は、訓練場の背後にある運用デジタルツイン文脈を保持します。資産、空間、システム、メタデータ、権限、シーン記録が含まれます。 [Data Fusion Services](/products/dfs) は、訓練シナリオに設備状態、アラーム、生産信号、施設文脈が必要な場合に、ライブおよび履歴データを接続します。 ## 準備状況チェックリスト * ロボットタスクに成功指標と安全境界があるか * 対象環境、資産、ルート、プロセス状態の範囲が決まっているか * SimReady 資産にスケール、意味、物理前提、状態変数があるか * Designer シーンがタスク、バリエーション、レビュー目的で整理されているか * センサー、視点、キャリブレーション前提、ノイズモデルが記録されているか * 変化ルールが実現場条件に基づいているか * データセット出力とラベルが生成前に定義されているか * シミュレーション結果がシーン版と資産版へ追跡できるか * 物理試験のフィードバックがシーン更新へ戻るか ## 公開参考 [DataMesh Robotics 発表](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)では、実行可能な産業デジタルツイン、合成訓練データ、タスク目標、報酬設定、ロボティクスパイプライン準備の方向性を公開しています。 [SimReady 資産ガイド](/resources/guides/simready-assets-industrial-digital-twins-physical-ai)では、産業資産がジオメトリ、意味、物理、動作、データ接続を持ち、Physical AI に使われる方法を説明しています。 [産業 Physical AI とロボティクス向け合成データガイド](/resources/guides/industrial-synthetic-data-physical-ai-robotics)では、より広いデータセット生成パイプラインを扱っています。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)と [FactVerse と NVIDIA Omniverse のプラットフォーム記事](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)では、FactVerse、Omniverse、シミュレーションデジタルツイン、AI 駆動ロボット訓練の公開方向を示しています。 --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## 構内物流は物理的な文脈に左右される 倉庫と工場物流は物理空間の中で動きます。保管方針が表では正しく見えても、現場の結果は通路幅、フォークリフトの旋回半径、ドック待ち、充電位置、人と車両の交差、仮置き能力、コンベヤの受け渡しタイミング、異常時の復旧方法に左右されます。 自動化計画では、この負荷がさらに大きくなります。設備を動かす前、投資を決める前、現場作業を止める前に、AGV/AMR ルート、コンベヤ変更、保管密度、ラインサイド配送、補充時間帯、安全エリアを議論する必要があります。静的図面、表、工程図は有用ですが、すべての関係者が同じ運用現場を理解するには限界があります。 運用デジタルツインは共有の空間レイヤーを作ります。倉庫ゾーン、搬送ルート、設備、作業エリア、手順、運用記録、シナリオ前提をつなぎ、計画担当、自動化ベンダー、安全担当、教育担当、運用責任者が同じ環境を見ながらレビューできます。 ## モデル化すべき対象 実務に役立つ構内物流ツインは、運用上の対象から始めます。 | レイヤー | 例 | |---|---| | 空間 | ドック、入荷エリア、保管ゾーン、ラインサイド、仮置き、出荷、隔離、充電エリア | | ルート | フォークリフト経路、AGV/AMR 経路、コンベヤ、人の横断、緊急動線、保全アクセス | | 資産 | ラック、コンベヤ、扉、ゲート、車両、充電設備、センサー、スキャナー、安全装置 | | 作業ルール | ピッキング、補充、積み込み、荷降ろし、順序付け、点検、異常対応、シフト引き継ぎ | | イベント | ルート閉塞、ピックアップ遅延、バッファ満杯、パレット破損、設備故障、安全停止、スキャン漏れ | | 記録 | 点検結果、作業指示、写真、オペレーターメモ、教育結果、シナリオバージョン | 重要なのは追跡性です。ルート、ラック、ドック、車両、作業指示、シナリオが、計画、教育、点検、運用レビューの中で同じ資産 ID と位置 ID を参照する必要があります。 ## 自動化投資の前に計画する 自動化投資の前に、チームは基本的な問いを検証する必要があります。 * ドック、仮置き場、保管ゾーン、ラインサイドバッファの配置は適切か * フォークリフト経路、人の動線、AGV/AMR ルートは干渉しないか * コンベヤ、リフト、ゲート、充電エリアの追加が保全アクセスを妨げないか * 入荷、ピッキング、出荷、ライン供給のピーク時にどこで待ちが出るか * オペレーターが主要な異常ポイントを見つけ、到達し、復旧できるか * どの案をベンダー検証、詳細シミュレーション、現場パイロットへ進めるか [FactVerse DLC](/products/factverse-dlc) は、倉庫ゾーン、搬送ルート、保管エリア、搬送ライン資産など、再利用可能な倉庫・物流コンテンツを提供します。[FactVerse Designer](/products/designer) では、これらのリソースを実際の現場に合わせて調整し、レイアウト案を比較し、レビュー可能なシーンを作成できます。 価値は、現場を乱す前に理解をそろえることにあります。デジタルツインレビューは弱い案を減らし、自動化ベンダーへの要件を明確にし、新しいレイアウトが日常作業に与える影響を運用チームに見せます。 ## シナリオ検証 倉庫・構内物流の検証では、実際に判断できる項目に集中します。 * ルート干渉とクリアランス * ドック、仮置き、バッファ容量 * フォークリフト、AGV、AMR、コンベヤ、オペレーターの受け渡し点 * 緊急動線と安全境界 * 補充タイミングとラインサイド配送の前提 * 設備配置、充電位置、保全アクセス * 破損品、通路閉塞、スキャン漏れ、設備故障などの異常フロー この段階では、デジタルツインは判断のためのレイヤーとして有効です。案を絞り込み、詳細シミュレーションが必要な論点を特定し、ベンダー検証、現場試行、作業手順設計に必要な根拠を整理します。 ## 教育と安全リハーサル 構内物流プロジェクトは、人の動き方を変えます。新しいルート、積み降ろし順序、スキャン手順、安全確認、異常対応が必要になることがあります。教育には、計画と同じ空間文脈を使うべきです。 [Simulator](/products/simulator) は、車両挙動、ルート遵守、物理コントロール、安全ルール、評価記録が教育に関わる場合に有効です。フォークリフト型の訓練では、実機周辺で作業する前に、移動、旋回、荷扱い、視界判断、異常対応を反復できます。 [Director](/products/director) と [Inspector](/products/inspector) は、ガイド付き手順、点検、課題記録、現場証跡を支援します。これにより、ルート、資産、チェック項目、写真、課題、作業指示記録が同じ運用デジタルツイン文脈に結び付きます。 ## 計画から作業実行へ 倉庫デジタルツインがレビューシーンから日常運用へ進むと、価値が高まります。 1. **現場をマッピング** - ドック、ゾーン、通路、ラック、コンベヤ、設備、作業エリア、ルート名を顧客の資産記録に合わせます。 2. **シナリオを作成** - Designer と倉庫 DLC リソースで、レイアウト案、搬送ルート、仮置き、安全境界、運用ビューを作ります。 3. **関係者でレビュー** - 運用、エンジニアリング、安全、IT、自動化ベンダー、教育担当が同じシーンで議論します。 4. **教育を準備** - 承認されたルート、手順、異常ケースをオペレーター教育とガイド付き作業に展開します。 5. **記録を接続** - Data Fusion Services と FactVerse で、設備状態、作業指示、点検データ、文書、運用イベントを結びます。 6. **実行して証跡を残す** - Inspector で点検、課題、写真、修理メモ、受入ステップ、作業指示ステータスを記録します。 7. **AI レビューを準備** - データとワークフローが安定した後、FactVerse AI Agent がトリアージ、推奨、作業実行レビューを支援します。 この流れにより、計画、教育、実行がつながります。モデルは可視化アセットから、チームがレビューし継続管理できる運用コンテキストへ育ちます。 ## データと AI の準備度 AI 支援の物流運用には安定した文脈が必要です。AI Agent にルート、ボトルネック、作業指示、設備状態を扱わせる前に、現場には一貫した ID と記録が必要です。 * サイト、建物、階、ゾーン、通路、ドック、ラック、ラインサイドの位置階層 * コンベヤ、車両、スキャナー、ゲート、充電器、センサー、安全設備の資産 ID * ルート定義と許可された作業エリア * 遅延、故障、ルート閉塞、バッファ満杯、安全停止、スキャン漏れのイベント定義 * 資産と位置に紐づく作業指示と点検記録 * 役割、手順、ルート、設備に紐づく教育記録 * データ品質ステータス、責任者、更新頻度、例外処理ルール この基盤があると、AI Agent は重複課題の要約、不足文脈の指摘、次の確認の提案、アラームと作業指示の接続、運用パターンのレビューを支援できます。配車や最終判断は、顧客システム、手順、責任チームの管理下に置くべきです。 ## 製品の役割 [FactVerse DLC](/products/factverse-dlc) は、ゾーン、ルート、保管エリア、搬送ライン、計画シーン、教育シナリオ向けの再利用可能な倉庫・物流コンテンツを提供します。 [FactVerse Designer](/products/designer) は、レイアウト案、搬送ルート、シーンビュー、ラベル、パネル、関係者レビューを作成する環境です。 [DataMesh FactVerse](/products/factverse) と [FactVerse Twin Engine](/products/factverse-twin-engine) は、空間、資産、関係、ルート、作業オブジェクト、権限、シナリオ記録を含む運用デジタルツイン文脈を保持します。 [Data Fusion Services](/products/dfs) は、運用データ、企業記録、設備状態、文書、イベントストリームを正しいツインオブジェクトへ接続します。 [Simulator](/products/simulator) は、ルート遵守、車両挙動、物理コントロール、評価記録が重要な設備オペレーター教育を支援します。 [Inspector](/products/inspector) は、デジタルツインを点検、課題、写真、修理メモ、作業指示、受入記録、現場証跡へ接続します。 [FactVerse AI Agent](/products/factverse-ai-agent) は、データモデル、イベント、ワークフロー記録が成熟した後、運用レビューと作業実行準備を支援できます。 ## 準備チェックリスト * 倉庫ゾーン、ドック、ラック、通路、仮置き場、ラインサイドの名称は一貫しているか * ルート、人の横断、安全エリア、保全アクセスは定義されているか * フォークリフト、コンベヤ、AGV、AMR、充電器、スキャナー、扉、ゲートは資産として管理されているか * レイアウト案は明確な業務上の問いに結び付いているか * 異常ケースは教育と現場展開の前に記録されているか * 点検ポイント、課題分類、作業指示連携、証跡フィールドは定義されているか * オペレーター教育シナリオは実際のルート、手順、設備につながっているか * データ責任者、更新頻度、データ品質ステータスは明確か * AI Agent のユースケースは安定した資産、ルート、イベント、作業指示記録に基づいているか ## 公開参考 [倉庫・物流 DLC 更新](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) は、FactVerse コンテンツが物流環境、ルート、レイアウト、運用シナリオを支える方法を示しています。 [Gyro 構内物流事例](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) は、デジタルツインが構内物流自動化の理解、検証、実装を支える流れを示しています。 [全一電子の生産ライン自動化計画事例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) は、FactVerse が生産ライン変更に関する説明と自動化案レビューを支援する方法を示しています。 [DataMesh Simulator Platform 発表](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) は、デジタルツインに基づくオペレーター教育と設備シミュレーションの公開方向を示しています。 --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AIは実際の運用コンテキストから始まる 産業AIが価値を持つためには、意思決定が行われる現場を理解する必要があります。施設、生産ライン、データセンター、ユーティリティ室、倉庫、建設現場には、資産、空間、信号、人、手順、物理制約、承認ルールがあります。Physical AIは、これらの層を意思決定ワークフローに取り込みます。 DataMeshにとって、Physical AIは実行可能なデジタルツインを中心にした運用能力です。ツインは物理コンテキストを保持し、AIは分析と推奨を支援し、シミュレーションは可能な結果の比較を助けます。現場アプリケーションは承認された作業を点検、作業指示、トレーニング、運用手順へ渡し、検証記録をツインへ戻します。 このループは重要です。産業上の判断は現実世界に影響します。推奨には、資産コンテキスト、運転状態、空間制約、工程依存関係、実行経路が必要です。 ## Physical AIの主要レイヤー | レイヤー | 役割 | |---|---| | 運用データ | BMS、SCADA、IoT、MES、CMMS、EAM、メーター、アラーム、作業履歴、文書 | | 物理コンテキスト | サイト、建物、フロア、ゾーン、システム、設備、ルート、安全エリア、アクセス制約 | | 挙動と工程ロジック | 状態変化、依存関係、手順、タイミング、例外、ワークフロールール | | シミュレーションとシナリオレビュー | レイアウト比較、工程検証、物理前提、トレーニングシナリオ、ロボット準備 | | AI意思決定支援 | 異常レビュー、予測、証拠要約、選択肢比較、次アクション推奨 | | 実行ワークフロー | 点検、作業指示、ガイド付き手順、トレーニング、受入記録、現場証拠 | 有効なPhysical AIプログラムでは、これらのレイヤーがつながっています。AIは、エンジニアリングと運用チームが使う資産名、運用関係、証拠記録を扱えるようになります。 ## DataMeshの運用ループ 1. **データを接続** - Data Fusion Servicesが工場システム、施設システム、企業プラットフォーム、メーター、センサー、文書から運用データを共有コンテキストへ取り込みます。 2. **実行可能なツインを構築** - FactVerseとTwin Engineが資産、空間、関係、ライブ状態、挙動ロジック、シナリオ記録を整理します。 3. **シナリオを作成しシミュレーション** - DesignerとOmniverse関連ワークフローがレイアウト、工程、設備動作、包装挙動、ロボット経路、トレーニングシナリオのレビューを支援します。 4. **AI Agentで分析** - FactVerse AI Agentが信号、傾向、資産コンテキスト、知識ソースを確認し、診断、優先順位付け、次のステップを支援します。 5. **アプリケーションで実行** - Inspector、Checklist、Director、Simulator、DataMesh Oneがレビュー済みの判断を作業指示、ガイド付きタスク、トレーニング、現場記録へ変換します。 6. **結果を検証** - 完了状態、メモ、写真、受入記録、例外、運用結果がツインへ戻り、振り返りと改善に使われます。 Physical AIはループとして計画することが重要です。価値は、分析、検証、実行、レビューの接続から生まれます。 ## 一般的な運用AIとの違い 一般的なAIは、文書要約、質問回答、レポート生成に使えます。産業向けPhysical AIでは、さらに運用コンテキストが必要です。対象資産、場所、所属システム、関連信号、重要な工程状態、推奨アクションの実行ルートを扱います。 たとえばポンプのアラームは、ポンプ資産、上下流設備、過去の作業指示、現在の運転状態、空間位置、点検ルート、安全エリア、保全手順と関連付けられます。AIはより豊かな証拠でレビューを支援し、ツインは判断を実サイトの文脈に保ちます。 同じパターンは、設備保全、エネルギー分析、プロセスシミュレーション、作業者トレーニング、施設管理、施工ガイダンス、ロボティクスワークフローにも適用できます。 ## DataMesh製品の役割 [FactVerse](/products/factverse)はプラットフォーム基盤です。ツイン実行エンジン、AI意思決定エンジン、データサービス、オーサリングツール、現場アプリケーションをひとつの運用アーキテクチャに接続します。 [FactVerse Twin Engine](/products/factverse-twin-engine)は物理コンテキストレイヤーです。資産、空間、関係、挙動ロジック、ライブデータ、ワークフロー状態を実行可能なツインに結び付けます。 [Data Fusion Services](/products/dfs)は、産業システム、施設システム、企業システム、文書の運用データ基盤を準備します。 [FactVerse Designer](/products/designer)は、シーン作成、挙動モデリング、レイアウト計画、工程ロジック、仮想計画、シミュレーション準備を担います。 [FactVerse AI Agent](/products/factverse-ai-agent)は、分析、診断、予測、知識レビュー、推奨要約、意思決定ハンドオフを支援します。 [Inspector](/products/inspector)、[Checklist](/products/checklist)、[Director](/products/director)、[Simulator](/products/simulator)、[Robotics](/products/robotics)は、点検、作業実行、ガイド付き手順、設備操作トレーニング、Physical AIデータ準備へループを広げます。 ## 実用的な開始点 - **アラームから作業指示へ**：アラーム、資産コンテキスト、点検記録、AI支援トリアージ、作業指示、検証をつなぎます。 - **予知保全ループ**：センサー傾向、運転コンテキスト、保全履歴、リスクレビュー、現場実行を組み合わせます。 - **施設エネルギーレビュー**：メーター、設備状態、ゾーン、点検、作業指示、シナリオ分析を接続します。 - **プロセスシミュレーション**：物理変更前にレイアウト、包装、材料流れ、ロボット経路、作業者アクセスを比較します。 - **設備操作トレーニング**：デジタルツインコンテキストとSimulatorシナリオで、設備挙動に沿った反復練習を支援します。 - **ロボティクス準備**：Physical AIとロボットワークフロー向けに、資産、シーン、合成データ、ラベル、タスク文脈を準備します。 最初の対象は、範囲、データアクセス、責任者、レビュー経路、結果検証が明確な運用ループにします。 ## 評価チェックリスト - 運用データを資産、空間、システム、作業記録に接続できるか。 - ツインに物理コンテキスト、挙動ロジック、工程状態、バージョン履歴があるか。 - 提案アクションをシミュレーション、シナリオ比較、エンジニアリングレビューで確認できるか。 - AI推奨を点検、作業指示、ガイド付き手順、トレーニング、ロボティクスワークフローへ渡せるか。 - オペレーターとエンジニアが推奨の証拠を確認できるか。 - 承認、実行、例外、検証を記録できるか。 - 同じコンテキストを施設運用、製造、トレーニング、保全、シミュレーションに長期利用できるか。 これらの問いは、Physical AIを実際の運用に結び付けるための基準になります。 ## 公開参考情報 [FactVerse AI Agent発表](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)は、複雑施設におけるシミュレーション駆動オペレーションに関するDataMeshの公開方向性を示しています。 [FactVerseとNVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)の発表と[GTC 2025展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)は、シミュレーションデジタルツイン、OpenUSDワークフロー、Physical AI準備がDataMeshの公開プラットフォームストーリーにどう入るかを示しています。 [NIOスマートファクトリー](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC協業](/about/news/collaboration-between-jtc-datamesh)、[横河電機の予知保全](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)は、デジタルツインコンテキスト、施設運用、AI支援保全の公開参考情報です。 --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI 발견 사항에는 실행 경로가 필요 산업 AI의 가치는 완료된 운영 루프에서 확인됩니다. 발견 사항은 검토된 의사결정, 배정된 작업, 현장 조치, 증거 기록, 측정된 결과로 이어져야 합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 연결된 신호, 알림, 문서, 작업 이력을 24x7 운영 환경에서 분석할 수 있습니다. 발견 사항이 디지털 트윈에 기반을 두고 실행 책임자와 시스템에 전달될 때 현장 가치가 생깁니다. DataMesh는 [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), 그리고 CMMS, EAM, BMS, SCADA, ERP, 문서 저장소를 연결해 이 경로를 구성합니다. ## 폐쇄 루프 흐름 1. **탐지** - AI Agent, 규칙, 대시보드, 기존 시스템이 이상 추세, 반복 알림, 누락 점검, 자산 위험, 운영 예외를 식별합니다. 2. **맥락 연결** - FactVerse가 발견 사항을 자산, 공간, 시스템, 실시간 값, 문서, SOP, 작업 이력에 연결합니다. 3. **검토** - 운영자, 엔지니어, 감독자가 증거, 위험 수준, 권장 조치를 확인합니다. 4. **배정** - 확인된 발견 사항이 Inspector, Checklist, CMMS, EAM 또는 승인된 시스템에서 작업 지시, 점검, 태스크, 절차가 됩니다. 5. **안내** - 현장 팀은 자산 맥락, 체크리스트, 디지털 SOP, 3D 절차 안내, 사진, 매뉴얼, 안전 메모를 사용합니다. 6. **기록** - 완료 메모, 측정값, 사진, 예외, 교체 부품, 승인, 검증 결과를 기록합니다. 7. **학습** - 결과, 거부된 제안, 반복 이벤트, 조치 후 측정값이 데이터 품질 검토와 머신러닝 개선에 반영됩니다. ## 작업 지시에 포함할 정보 산업 작업 지시는 현장 팀이 여러 시스템을 찾아다니지 않아도 될 만큼 충분한 맥락을 제공해야 합니다. 자산, 위치, 시스템 관계, 문제 설명, 증거, 우선순위, 필요 역량, 안전 메모, 승인 기준, 승인 경로가 포함되어야 합니다. 유용한 필드는 자산 ID, 공간, 시스템, 경로, 작업을 만든 AI 발견 또는 알림, 신호 값, 시간 창, SOP, 도면, 매뉴얼, 권장 점검, 필수 사진, 측정값, 검토자, 담당자, 기한, 에스컬레이션 규칙, 완료 메모, 결과 라벨입니다. 이 필드가 디지털 트윈에 연결되면 작업 지시는 운영 기록의 일부가 됩니다. ## 제품 역할 [FactVerse AI Agent](/products/factverse-ai-agent)는 발견 사항을 준비하고, 증거를 요약하고, 운영 패턴을 비교하고, 권장 조치를 작성하며, 교대조를 넘어 연결된 피드백을 확인합니다. [FactVerse](/products/factverse)와 [FactVerse Twin Engine](/products/factverse-twin-engine)은 자산, 공간, 관계, 상태, 동작 로직, 워크플로 상태를 포함한 운영 모델을 제공합니다. [Data Fusion Services](/products/dfs)는 소스 시스템을 연결하고 신호, 알림, 문서, 작업 기록, 기업 데이터를 사용 가능한 맥락으로 매핑합니다. [Inspector](/products/inspector)는 알림, 작업 지시, 배정, 유지보수 기록, 사진, 검증 필드, 현장 실행 증거를 관리합니다. [Checklist](/products/checklist)는 점검 지점, 필수 기록, 컴플라이언스 필드, 반복 가능한 현장 루틴을 구조화합니다. [Director](/products/director)는 디지털 SOP, 3D 절차 안내, 교육 콘텐츠, 단계별 작업 지원을 제공합니다. ## 통합과 지속 개선 대부분의 현장은 CMMS, EAM, BMS, SCADA, MES, ERP, 티켓, 문서 시스템을 이미 사용합니다. 워크플로 설계는 어떤 시스템이 작업을 만들고, 어떤 시스템이 상태와 종료를 소유하며, 증거를 어떻게 동기화하는지 정해야 합니다. FactVerse AI Agent는 24x7 운영 환경에서 신호, 알림, 작업 업데이트, 점검 기록, 현장 피드백을 처리할 수 있습니다. 확인된 원인, 운영자 메모, 거부된 제안, 완료된 수리, 사진, 측정값, 조치 후 결과는 추천 품질 평가, 반복 패턴 탐지, 워크플로 조정에 사용할 수 있는 데이터셋이 됩니다. ## 시작 방법 책임자가 명확하고 결과가 보이는 워크플로부터 시작합니다. 핵심 자산군, 시설 점검 경로, 데이터센터 자산 그룹, 열공급 서브스테이션 그룹, 생산 지원 유틸리티, 운영자 안내 절차가 적합합니다. 1. 작업과 책임자를 정의합니다. 2. 필요한 신호, 문서, 작업 이력, SOP를 연결합니다. 3. FactVerse에서 자산과 공간 맥락을 매핑합니다. 4. AI 발견 사항 검토자와 승인 규칙을 정의합니다. 5. 확인된 발견 사항을 Inspector, Checklist, CMMS, EAM 또는 실행 시스템으로 전달합니다. 6. 현장 증거와 조치 후 측정값을 수집합니다. 7. 결과를 검토한 뒤 확장합니다. ## 공개 참고 자료 [Workflow Digitization](/solutions/workflow-digitization) 페이지는 DataMesh가 알림, 계획 작업, 점검 기록, 안내 절차, 작업 지시를 연결하는 방식을 설명합니다. [FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) 가이드는 AI 권장 사항이 사람의 검토를 포함한 산업 운영 루프로 들어가는 과정을 설명합니다. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## 시설 관리는 하나의 운영 컨텍스트가 필요하다 대형 시설은 여러 전문 시스템으로 운영됩니다. BMS, EMS, 계량기, 알람, 자산 대장, CMMS, EAM, BIM, 도면, 서비스 보고서, 점검 기록은 각각 현장의 일부를 설명합니다. 문제가 발생하거나 작업 지시가 만들어지거나 에너지 패턴이 바뀌거나 경영진이 증거를 요청할 때 이 정보를 다시 연결하는 것이 일상의 어려움입니다. AI 시설 관리는 운영 디지털 트윈에서 시작합니다. 트윈은 공간, 자산, 시스템, 데이터, 작업 기록, 문서, 현장 실행을 연결하여 팀이 같은 컨텍스트에서 시설 상태를 검토하게 합니다. AI는 이상 요약, 패턴 비교, 권고 조치 초안, 관리 리뷰 준비를 돕습니다. 이 방식은 상업용 건물, 캠퍼스, 데이터센터, 공장, 유틸리티, 하이테크 제조 시설에 적용됩니다. 첨단 제조 현장에서는 클린 환경 지원 시스템, 전력, 압축공기, 냉각, 배기, 알람, 점검, 서비스 인계를 여러 사이트에서 관리해야 합니다. 공유 운영 트윈은 검토와 실행을 위한 안정적인 컨텍스트를 제공합니다. ## 시설 트윈이 연결해야 할 것 | 계층 | 운영 컨텍스트 | |---|---| | 공간 | 사이트, 건물, 층, 방, 구역, 클린 영역, 서비스 통로, 접근 경로, 안전 경계 | | 시스템 | HVAC, 냉각, 전력 분배, 조명, 물, 압축공기, 배기, 소방, 엘리베이터, 공정 유틸리티 | | 자산 | 장비 대장, 자산 ID, 문서, 서비스 담당자, 유지보수 계획, 보증, 예비품 참조 | | 신호 | BMS 포인트, 계량기, 센서, 알람, 환경 데이터, 히스토리언 태그, 계산 지표 | | 작업 | 점검, 작업 지시, 시정 조치, 사진, 현장 메모, 인수 기록, 검증 상태 | | 에너지 | 계량값, EUI, 부하 구성, 운영 시간, 기상 컨텍스트, 설정값, 개선 옵션 | | 의미 구조 | Brick Schema 기반 건물, 시스템, 장비, 계량기, 센서, 포인트, 관계 | | 거버넌스 | 소스 담당자, 데이터 품질, 승인 경로, 운영 책임, 버전, 증거 보존 | 신호가 영향을 받는 공간, 자산, 시스템, 담당 팀, 현장 기록으로 추적될 때 트윈은 실제 운영에 유용해집니다. ## DataMesh AI 시설 관리 워크플로 1. **시설 소스 수집** - BMS, EMS, 계량기, IoT, 히스토리언, 자산 대장, CMMS, EAM, BIM/IFC, 도면, 점검 계획, 서비스 보고서를 모읍니다. 2. **운영 트윈 구축** - FactVerse와 Twin Engine으로 공간, 자산, 유틸리티 시스템, 문서, 경로, 포인트, 작업 컨텍스트를 구성합니다. 3. **데이터 파이프라인 연결** - Data Fusion Services로 데이터를 수집, 정제, 표준화, 계산하고 올바른 트윈 객체에 바인딩합니다. 4. **시설 의미 구조 정리** - 건물, 구역, 장비, 계량기, 센서, 포인트의 의미를 일관되게 하기 위해 Brick Schema 관계를 사용합니다. 5. **AI 지원 검토** - FactVerse AI Agent로 비정상 에너지 사용, 반복 알람, 누락 기록, 유지보수 패턴, 후보 조치를 요약합니다. 6. **에너지 시나리오 비교** - 깊은 건물 에너지 모델링과 시나리오 비교가 필요할 때 EnergyPlus 기반 워크플로를 사용합니다. 7. **작업 실행 및 검증** - Inspector로 점검, 작업 지시, 배정, 사진, 수리 메모, 인수 기록, 검증 증거를 관리합니다. 이 흐름은 신호에서 분석, 분석에서 작업, 작업에서 검증 기록으로 이어지는 운영 루프를 만듭니다. ## AI가 가치를 만드는 지점 AI는 시설 컨텍스트가 연결되어 있을 때 더 큰 가치를 냅니다. FactVerse AI Agent는 많은 운영 데이터와 작업 이력을 대시보드별로 확인하는 방식보다 빠르게 검토하도록 돕습니다. 유용한 검토 패턴은 다음과 같습니다. - 공간, 시스템, 자산, 시간대, 작업 이력별 반복 알람. - 계량기, 구역, 자산 그룹, 날씨, 운영 일정별 비정상 에너지 사용. - 반복 수리, 불완전한 기록, 인수 실패가 있는 고유지보수 자산. - 시설, 유틸리티, 유지보수 컨텍스트가 필요한 클린 영역 환경 드리프트. - 사이트, 서비스 팀, 자산 클래스별 작업 지시 백로그 패턴. - 엔지니어링 검토, 비용 컨텍스트, 현장 검증이 필요한 개선 후보. AI의 실제 역할은 의사결정 지원입니다. 책임자, 승인 규칙, 현장 실행, 검증 증거는 시설 운영 프로세스 안에 유지됩니다. ## Brick Schema와 EnergyPlus의 조합 Brick Schema는 건물과 시설 데이터에 일관된 의미 계층을 제공합니다. 온도 포인트는 올바른 센서, 구역, 공조 시스템, 장비와 연결됩니다. 계량기는 측정 대상 시스템이나 공간과 연결됩니다. 작업 지시는 이를 유발한 자산, 알람, 문서, 점검 기록과 연결됩니다. 이 의미 구조는 유지보수, 에너지 분석, Green Mark 준비, 관리 리뷰의 추적성을 높입니다. AI Agent가 문제를 요약하고 권고 조치를 준비할 때도 더 나은 컨텍스트를 제공합니다. EnergyPlus는 더 깊은 에너지 분석이 필요할 때 적합합니다. DataMesh는 BIM/IFC, 기상 데이터, 운영 기록, 디지털 트윈 컨텍스트를 EnergyPlus 기반 건물 에너지 모델과 연결하여 EUI, 부하 구성, 운영 일정, 설정값, 리트로핏 옵션, 제어 전략을 비교할 수 있습니다. 분석 결과는 운영 루프로 돌아가야 합니다. 팀은 작업 지시를 만들고, 가정을 기록하고, 현장 결과를 캡처하고, 조치 후 운영 기록을 기준선과 비교할 수 있습니다. ## 어디서 시작할 것인가 좋은 첫 범위는 시설 데이터, 자산 담당자, 현장 실행 경로가 이미 있는 곳입니다. - 반복 알람이나 서비스 책임이 불명확한 유틸리티 시스템. - 에너지 또는 쾌적성 검토가 필요한 HVAC와 냉각 시스템. - 환경 드리프트와 유지보수 기록을 공유해야 하는 클린 환경 지원 시스템. - 에너지 거버넌스에 쓰이는 계량기 그룹과 고부하 구역. - 점검이 잦고 현장 기록이 반복되는 장비. - 공통 자산 클래스와 보고서가 필요한 멀티사이트 시설 포트폴리오. 첫 파일럿은 관리 가능한 자산 그룹, 소수의 데이터 소스, 명확한 작업 지시 경로, 시설 팀이 신뢰하는 검토 지표를 선택해야 합니다. ## 검증할 지표 AI 시설 관리는 사이트 자체 기준선으로 검증해야 합니다. 유용한 지표는 다음과 같습니다. - 알람 또는 발견 사항에서 검토까지 걸리는 시간. - 발견 사항이 계획 작업으로 전환되는 비율. - 작업 지시 종료 품질과 증거 완성도. - 시정 작업 후 반복 알람률. - 에너지 기준선 완성도와 검토 빈도. - 우선 자산과 시스템의 데이터 매핑 범위. - 현장 팀의 안내 절차와 기록 수집 수용도. - 사이트, 자산, 서비스 팀을 넘는 관리 리뷰 품질. 성숙한 프로그램은 절감 효과를 논의하기 전에 작업 품질과 의사결정 추적성을 검증합니다. ## 공개 참고 자료 [JTC와 DataMesh 협업](/about/news/collaboration-between-jtc-datamesh)은 복합 시설과 건설 워크플로에서 디지털 트윈과 혼합현실을 활용한 사례입니다. [Yokogawa 예측 유지보수 참고 자료](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 산업 시설에서 AI 지원 유지보수 검토의 공개 방향을 보여줍니다. [Swire Coca-Cola 유지보수 참고 자료](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)는 현장 교육, 유지보수 프로세스 디지털화, 현장 기록이 실행을 지원하는 방식을 보여줍니다. [Faurecia와 EVE Energy 참고 자료](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition)는 운영 가시성, 에너지 컨텍스트, 디지털 트윈 워크플로가 제조와 시설 개선을 지원하는 방식을 보여줍니다. --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## 운영 트윈에는 운영 가능한 모델 자산이 필요합니다 BIM, CAD, 포인트 클라우드, 3D 파일은 서로 다른 팀과 프로젝트 단계에서 들어오는 경우가 많습니다. BIM은 설계 의도를 담고, CAD는 설비와 기계 세부 정보를 설명하며, 포인트 클라우드는 현장 상태를 기록합니다. 자산 대장, 사진, 도면, 시운전 기록은 부족한 맥락을 보완합니다. 운영 디지털 트윈은 이러한 소스를 안정적인 자산 계층으로 정리해야 합니다. 모델은 빠르게 열리고, 현장과 정렬되며, 실제 자산 ID와 연결되고, 권한을 지원하며, 데이터 연결 대상을 명확히 가져야 합니다. [FactVerse Designer](/products/designer)와 [FactVerse Twin Engine](/products/factverse-twin-engine)은 원본 모델을 재사용 가능한 운영 트윈 자산으로 전환하는 작업을 지원합니다. 기하 정리, 의미 정보 보존, 현장 정렬, 애플리케이션이 참조할 수 있는 객체 준비가 핵심입니다. ## 소스별 역할 | 소스 | 자산 파이프라인에서의 주요 가치 | |---|---| | BIM | 공간 구조, 시스템, 설계 의도, 설비 위치, 문서 링크 | | CAD 및 3D 모델 | 설비 형상, 생산 레이아웃, 기계 부품, 공급사 객체 | | 포인트 클라우드 | 준공 상태 캡처, 여유 공간 확인, 개조 증거, 현장 정렬 | | 도면 및 사진 | 누락 객체, 접근 경로, 매립 작업, 유지보수 구역 맥락 | | 자산 대장 | 자산 ID, 이름, 담당자, 시스템, 유지보수 책임 | | 운영 데이터 | 센서, 미터, 알람, 상태값, 문서, 점검 기록, 절차 | 각 소스는 소유자, 버전, 검토 상태를 유지해야 합니다. 현장 충돌, 모델 변경, 시뮬레이션 가정 확인에 필요한 추적성입니다. ## 가져오기 전 품질 게이트 초기 검토 항목은 다음과 같습니다. * 소스 소유자, 라이선스, 내보낸 날짜, 승인 상태 * 단위, 원점, 방향, 좌표계, 사이트 기준 * 분야 범위, 층 또는 구역 범위, 모델 버전 * 파일 크기, 객체 수, 텍스처 크기, 목표 런타임 * 층, 방, 시스템, 자산, 설비 클래스 이름 규칙 * 민감한 기하, 보안 제한, 역할 기반 접근 * 자산 대장, 문서, 운영 시스템과의 연결 요구 이 검토는 모델 위치 오류, 과도한 파일 크기, 중복 설비, 누락된 자산 ID, 불명확한 책임, 재사용하기 어려운 기하를 줄입니다. ## 런타임용 기하 준비 운영 애플리케이션 사용자는 원래 모델링 팀이 아닌 경우가 많습니다. 모델은 읽기, 렌더링, 검색, 업데이트가 쉬워야 합니다. * 목표 워크플로에 도움이 되지 않는 세부 시공 정보를 제거 * 사이트, 건물, 층, 구역, 시스템, 설비 그룹별로 큰 모델 분리 * 반복 객체를 단순화하면서 식별 가능한 형태 유지 * BIM, CAD, 포인트 클라우드의 원점과 좌표 참조 정렬 * 데스크톱, 모바일, 웹, 혼합현실용 상세 수준 준비 * 라벨, 필터, 권한, 데이터 연결에 필요한 안정적 계층 유지 * 접근 영역, 유지보수 공간, 안전 경계, 현장 경로 가시성 확인 목표는 운영팀이 찾아야 하는 객체를 유지하면서도 원활하게 동작하는 모델입니다. ## 포인트 클라우드로 준공 신뢰도 높이기 현장 변화가 문서 갱신보다 빠를 때 포인트 클라우드가 특히 유용합니다. 현재 시설과 설계 기록을 비교하고, 설치된 설비를 찾고, 서비스 공간을 확인하며, 개조 구역을 갱신할 수 있습니다. BIM 객체, CAD 파일, 현장 스캔이 서로 다를 때 팀은 차이를 기록하고 모델 소스를 갱신하며 의사결정 흔적을 유지할 수 있습니다. 주요 검토 대상은 설비 위치, 경로 여유 공간, 배관과 케이블 트레이 밀도, 유지보수 접근, 바닥 높이, 천장 공간, 랙 배치, 임시 작업입니다. 결과는 모델 업데이트 또는 예외 기록으로 남겨야 합니다. ## 객체를 운영 자산으로 패키징 객체는 애플리케이션이 식별하고 재사용할 수 있을 때 가치가 커집니다. 펌프, AHU, 냉동기, 랙, 로봇 셀, 포장 스테이션, 크레인, 밸브는 운영 맥락을 가져야 합니다. 핵심 필드는 자산 ID, 표시 이름, 자산 클래스, 시스템, 층, 방, 구역, 경로, 원본 모델, 버전, 검토자, 승인 상태, 문서, SOP, 점검 템플릿, 데이터 연결 대상, 접근 규칙입니다. 이렇게 준비된 3D 콘텐츠는 시설, 현장, 시뮬레이션, AI 워크플로가 공유하는 운영 객체 라이브러리가 됩니다. ## DataMesh 자산 파이프라인 1. **소스 패키지 수집** - BIM, CAD, 3D, 포인트 클라우드, 도면, 사진, 자산 목록, 설비 문서, 운영 시스템 참조를 모읍니다. 2. **모델 기본 검증** - 단위, 좌표, 원점, 파일 크기, 범위, 계층, 이름, 소유자, 보안 경계를 확인합니다. 3. **기하 표준화 및 분할** - 층, 구역, 시스템, 공정 영역, 설비 그룹, 런타임 시나리오에 맞게 준비합니다. 4. **현장 상태 정렬** - 포인트 클라우드 또는 현장 기록으로 위치, 여유 공간, 접근, 개조 차이를 확인합니다. 5. **운영 객체 생성** - 자산 ID, 클래스, 공간, 시스템, 문서, 점검 템플릿, 데이터 연결 대상을 부여합니다. 6. **장면 동작 작성** - Designer에서 보기, 라벨, 패널, 시나리오 로직, 층 전환, 워크스루를 만듭니다. 7. **런타임 게시** - Twin Engine과 FactVerse 애플리케이션으로 시각화, 현장 안내, 모니터링, 시뮬레이션, 시설 워크플로에 사용합니다. 8. **업데이트 관리** - 시설 변경에 따라 버전, 검토 기록, 소스 소유자, 변경 메모를 유지합니다. ## 준비 체크리스트 * 공개된 모델을 소스 파일과 소유자까지 추적할 수 있습니까? * 단위, 스케일, 원점, 방향, 사이트 좌표가 검증되었습니까? * 모델이 목표 애플리케이션에 맞게 분할되었습니까? * 층, 구역, 시스템, 설비, 경로 이름이 일관됩니까? * 자산 ID가 고객 자산 대장 또는 유지보수 시스템과 맞습니까? * 민감 영역과 고객 전용 기하가 접근 규칙으로 보호됩니까? * 포인트 클라우드 결과가 모델 업데이트 또는 예외 기록으로 남습니까? * 대시보드나 AI 워크플로가 장면을 사용하기 전에 데이터 대상이 준비되었습니까? ## 공개 참고 자료 [JTC와 DataMesh 협업](/about/news/collaboration-between-jtc-datamesh)은 BIM과 혼합현실이 건설 순서 이해와 현장 실행에 활용된 사례입니다. [Obayashi 건설 사례](/about/news/digital-twin-empowers-bim-obayashi)는 BIM 데이터와 디지털 트윈 콘텐츠가 건설 프로세스 검토를 지원한 사례입니다. --- ## [GUIDES] BIM에서 운영 디지털 트윈으로: 설계 모델에서 현장과 시설 워크플로까지 ## BIM은 운영에 닿을 때 가치가 커집니다 BIM은 프로젝트 팀에 풍부한 설계 모델을 제공합니다. 운영팀에는 장소, 자산, 시스템, 작업, 실시간 상태, 증거를 연결하는 작업 컨텍스트가 더 필요합니다. 중요한 질문은 설계 검토 이후에도 모델이 의사결정을 어떻게 돕는가입니다. 문제가 어디에 있는지, 어떤 자산에 영향이 있는지, 어떤 팀이 다음 조치를 맡는지, 어떤 증거로 결과를 확인할 수 있는지가 핵심입니다. 운영 디지털 트윈은 BIM과 3D 자산을 현장 및 시설 워크플로로 확장합니다. 모델 형상은 자산 식별, 공간 계층, 데이터 연결, 안내 절차, 점검 기록, 작업 지시, 인수인계 증거와 이어집니다. 모델은 시공팀, 발주처, 서비스 파트너, 시설팀이 공유하는 운영 컨텍스트가 됩니다. MEP 구역, 장비실, 리노베이션 층, 복잡한 설비 복도, 데이터센터, 캠퍼스, 복합 시설에서는 도면, 사진, 이슈 목록, 시스템 데이터가 여러 도구에 흩어지는 경우가 많습니다. 이때 공통 공간 컨텍스트가 특히 중요합니다. ## BIM이 운영화되면 달라지는 것 | 계층 | 운영 활용 | |---|---| | 공간 계층 | 부지, 건물, 층, 실, 구역, 경로, 접근 영역, 안전 경계 | | 자산 식별 | 장비 ID, 시스템 소속, 태그, 문서, 담당자, 유지보수 책임 | | 시스템 관계 | 전력, 냉각, 공기, 물, 공정, 제어, 상하류 의존성 | | 데이터 연결 | 센서, 계량기, 알람, BMS, SCADA, IoT, CMMS, EAM, 작업 이력 | | 현장 워크플로 | 설치 안내, 커미셔닝 점검, 점검, 이슈, 작업 지시, 승인 증거 | | 시설 워크플로 | 모니터링, 유지보수, 에너지 검토, 리노베이션 계획, 비상 대응, 교육 | | 거버넌스 | 모델 버전, 데이터 출처, 담당자, 갱신 프로세스, 품질 검토, 인수인계 상태 | 핵심 변화는 모델 보기에서 운영 연속성으로 이동하는 것입니다. 같은 공간 컨텍스트가 시공, 커미셔닝, 인수인계, 일상 유지보수, 이후 리노베이션까지 이어집니다. ## DataMesh 워크플로 1. **소스 모델과 기록 수집** - BIM, CAD, 포인트 클라우드, 도면, 장비 목록, O&M 문서, 커미셔닝 기록, 이슈 로그, 현장 사진을 모읍니다. 2. **공간 객체 모델 구성** - FactVerse와 Twin Engine으로 건물, 층, 실, 구역, 시스템, 자산, 경로, 관계를 정리합니다. 3. **데이터 소스 연결** - Data Fusion Services로 시설 시스템, 기업 시스템, 센서, 계량기, 알람, 문서, 작업 기록을 연결합니다. 4. **사용 가능한 장면 제작** - Designer에서 장면, 라벨, 패널, 동작, 층 전환, 시스템 뷰, 시나리오 프레젠테이션을 준비합니다. 5. **현장 안내 지원** - Director와 DataMesh One으로 설치 안내, 점검 단계, 커미셔닝 절차, 교육, 이해관계자 검토를 제공합니다. 6. **실행 기록 캡처** - Inspector로 이슈, 점검, 사진, 시정 조치, 작업 지시, 승인 메모, 확인 상태를 기록합니다. 7. **운영 단계로 컨텍스트 연결** - 시설 변경에 맞춰 트윈을 유지해 유지보수, 에너지 분석, 리노베이션, 비상 대응이 같은 자산-공간 컨텍스트를 사용하게 합니다. 목표는 프로젝트 데이터가 운영 데이터로 자연스럽게 이어지는 흐름입니다. ## 먼저 효과가 나는 워크플로 - **시공 조정**: MEP 경로, 복잡한 장비 구역, 매립 작업, 설치 순서, 현장 제약을 3D 컨텍스트에서 검토합니다. - **커미셔닝과 인수인계**: 승인 기록, 사진, 자산 ID, 커미셔닝 문서, 남은 이슈를 해당 실이나 장비에 연결합니다. - **시설 모니터링**: 실시간 상태, 알람, 계량 데이터, 장비 상태를 트윈에 연결해 이벤트 위치를 이해합니다. - **점검과 유지보수**: 공간 컨텍스트를 점검, 작업 지시, 사진, 시정 조치, 종결 증거로 이어갑니다. - **리노베이션 계획**: 작업 전 영향 구역, 접근 경로, 인접 시스템, 장비 관계, 현장 제약을 검토합니다. - **에너지와 지속가능성 검토**: 구역, 시스템, 계량기, 자산 관계, 운영 기록을 연결해 시설 분석과 Green Mark 준비 증거를 지원합니다. 시작 지점은 공간 컨텍스트가 실제 인수인계 문제를 줄여 주는 워크플로가 좋습니다. ## DataMesh 제품의 역할 [FactVerse](/products/factverse)는 운영 디지털 트윈의 플랫폼 기반을 제공하고 자산, 공간, 데이터, AI, 시뮬레이션, 워크플로 컨텍스트를 연결합니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 BIM, CAD, 포인트 클라우드, 운영 기록을 애플리케이션이 사용할 수 있는 런타임 컨텍스트로 만듭니다. [Data Fusion Services](/products/dfs)는 운영 데이터와 업무 기록을 트윈에 연결하고, 소스 데이터를 자산, 공간, 시스템, 워크플로에 매핑합니다. [FactVerse Designer](/products/designer)는 장면, 뷰, 인터랙션, 시나리오 설명, 시각 계획 콘텐츠를 준비합니다. [Director](/products/director)는 안내 절차, 설치 안내, 교육, 현장용 지시를 지원합니다. [Inspector](/products/inspector)는 점검, 작업 지시, 이슈 종결, 유지보수 증거, 시설 기록을 관리합니다. 이 제품들은 프로젝트 시각화가 실제 운영 트윈으로 이어지도록 돕습니다. ## 거버넌스 체크리스트 - BIM, CAD, 포인트 클라우드, 도면 소스에 버전과 담당자가 기록되어 있나요? - 건물, 층, 실, 구역, 시스템, 자산 이름이 일관적인가요? - 자산 ID가 기업 자산 기록과 유지보수 시스템과 맞춰져 있나요? - 데이터 연결에 출처, 단위, 갱신 규칙, 품질 상태가 기록되어 있나요? - 현장 기록이 올바른 공간, 자산, 작업, 시나리오 버전에 연결되어 있나요? - 인수인계 문서, 사진, 이슈, 승인 메모, 커미셔닝 기록을 트윈에서 찾을 수 있나요? - 시공 상태나 시설 구성이 바뀔 때 갱신 책임이 명확한가요? - 시설팀이 같은 컨텍스트로 모니터링, 점검, 유지보수, 리노베이션, 교육을 수행할 수 있나요? 이 점검은 모델 변환 프로젝트를 장기 운영 자산으로 발전시킵니다. ## 공개 참고 자료 [JTC와 DataMesh 협업](/about/news/collaboration-between-jtc-datamesh)은 BIM과 혼합현실을 시공 순서 이해와 현장 작업에 적용한 사례입니다. [오바야시 시공 사례](/about/news/digital-twin-empowers-bim-obayashi)는 BIM 데이터와 혼합현실을 결합해 건축 시공 프로세스를 지원한 내용을 보여 줍니다. [Toda SAGA Arena 사례](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena)는 디지털 트윈과 혼합현실로 시공 방법을 시뮬레이션하고 검토한 사례입니다. [TOKYO TORCH XR 프로젝션 투어](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq)는 BIM 기반 디지털 트윈 시각화가 계획 건물의 이해관계자 커뮤니케이션에 쓰인 예입니다. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## 통합은 운영 ID에서 시작됩니다 대부분의 시설 및 산업 운영 팀은 이미 여러 시스템을 사용합니다. CMMS 또는 EAM은 유지보수 기록과 자산 이력을 관리하고, BMS는 건물 시스템과 알람을 모니터링합니다. SCADA, IoT, MES, ERP, 문서 저장소, 티켓 시스템도 운영 현장의 일부 정보를 보유합니다. 가장 흔한 약점은 ID 불일치입니다. 같은 펌프, 공조기, 냉동기, 전기 패널, 클린룸 유틸리티, 데이터센터 자산, 생산 지원 설비가 도면, BMS 포인트, 유지보수 기록, 점검표, 현장 메모에서 서로 다른 이름으로 나타날 수 있습니다. 알람이 발생하면 팀은 여러 시스템을 찾아야 영향을 받는 자산, 위치, 위험, 절차, 담당자를 이해할 수 있습니다. 운영 디지털 트윈은 이러한 시스템을 위한 공통 컨텍스트 계층을 제공합니다. 자산, 공간, 시스템, 실시간 값, 알람, 문서, 절차, 작업 기록, 현장 증거를 연결하여 실제 작업 환경에서 과제를 검토할 수 있게 합니다. ## 먼저 맞춰야 할 항목 통합은 작업을 추적 가능하게 만드는 객체부터 시작해야 합니다. | 계층 | 통합 초점 | |---|---| | 자산 ID | 설비 ID, 태그, 시리얼 번호, 유지보수 대상, 상하위 관계 | | 위치 계층 | 사이트, 건물, 층, 구역, 방, 라인, 플랜트 영역, 랙, 시스템 경계 | | 시스템 관계 | HVAC, 전기, 물, 가스, 압축공기, 공정 유틸리티, 데이터센터 시스템 | | 신호와 알람 | BMS 포인트, IoT 값, SCADA 태그, 알람 유형, 임계값, 심각도, 시간 창 | | 작업 기록 | CMMS 또는 EAM 작업 지시, 점검, 예방 정비, 서비스 이력 | | 문서 | 매뉴얼, 도면, SOP, 허가서, 교정 기록, 검증 문서 | | 현장 증거 | 사진, 측정값, 체크리스트, 수리 메모, 승인 결과, 검토 결정 | 목표는 안정적인 참조 모델입니다. BMS 알람, 작업 지시, 점검 경로, 문서, AI Agent 권장 사항이 같은 자산과 위치 컨텍스트를 참조해야 합니다. ## CMMS와 EAM 통합 CMMS와 EAM은 많은 조직에서 유지보수 기록 시스템으로 계속 사용됩니다. 자산 대장, 작업 지시 번호, 예방 정비 계획, 예비품 이력, 작업 시간, 종료 상태를 보유합니다. 운영 디지털 트윈은 이러한 기록 주변에 공간과 현장 컨텍스트를 더합니다. 유용한 통합 패턴은 다음과 같습니다. * 디지털 트윈의 자산과 위치에 작업 지시 표시 * 유지보수 이력을 설비, 방, 시스템, 경로와 연결 * 트윈 컨텍스트에서 점검 또는 수리 작업 시작 * 현장 증거를 승인된 작업 지시 기록으로 전달 * 유사 자산이나 위치의 반복 작업 비교 * 매뉴얼, 도면, SOP를 작업 화면에 연결 * 검토 결정과 예외 메모를 향후 분석에 보존 이를 통해 유지보수 계획자와 현장 팀은 작업의 물리적 영향을 보고, 반복 문제를 비교하며, 더 충분한 증거로 작업을 종료할 수 있습니다. ## BMS, IoT, SCADA 데이터 BMS 데이터는 포인트 이름이 유지보수 가능한 자산과 물리적 공간에 연결될 때 운영에 더 유용해집니다. 온도, 압력, 밸브 상태, 펌프 알람, 에너지 미터를 영향을 받는 설비, 방, 상하위 시스템, 유지보수 이력, 작업 절차와 함께 검토할 수 있습니다. Data Fusion Services는 포인트 데이터, 알람, 이벤트 스트림, 엔터프라이즈 기록, 문서를 FactVerse에 연결할 수 있습니다. FactVerse는 자산, 공간, 시스템, 신호, 문서, 워크플로우 간 관계를 표현합니다. 팀은 다음을 결정해야 합니다. * 어떤 포인트 이름이 어떤 자산과 공간에 대응하는지 * 어떤 알람이 점검, 유지보수, 에스컬레이션, 관찰을 요구하는지 * 어떤 값이 에너지 검토, 신뢰성 검토, 운영 증거에 사용되는지 * 데이터 품질 문제를 어떻게 표시하는지 * 어떤 시스템이 알람 상태, 작업 지시 상태, 종료 기록을 소유하는지 * 어떤 이력이 추세 분석과 머신러닝 평가에 남는지 명확한 매핑이 넓은 데이터 수집보다 중요합니다. 소유자가 불분명한 대량 데이터보다 관리되는 소수의 신호가 운영에는 더 유용할 수 있습니다. ## 알람에서 작업 지시까지 가장 중요한 통합 패턴은 신호에서 검토된 행동으로 이어지는 운영 루프입니다. 1. **감지** - BMS, IoT, SCADA, 점검 또는 AI Agent가 알람, 이상 추세, 누락 작업, 반복 예외를 감지합니다. 2. **컨텍스트 연결** - FactVerse가 발견 내용을 자산, 공간, 시스템 관계, 실시간 값, 문서, SOP, 작업 이력에 연결합니다. 3. **검토** - 담당 팀이 심각도, 증거, 운영 영향, 안전 메모, 권장 확인 항목을 검토합니다. 4. **배정** - 확인된 작업이 Inspector, Checklist, CMMS, EAM 또는 승인된 실행 시스템으로 전달됩니다. 5. **실행** - 현장 팀은 자산 컨텍스트, 체크리스트, 사진, 측정값, 매뉴얼, 절차 안내를 사용합니다. 6. **기록** - 메모, 측정값, 사진, 교체 부품, 예외, 승인 결과, 검토 결정이 기록됩니다. 7. **학습** - 결과와 수정 사항은 데이터 품질 검토, 권장 사항 조정, 머신러닝 평가에 활용됩니다. 이 루프는 AI 지원 권장 사항을 사람의 검토와 현장 증거에 연결합니다. ## 시설 및 데이터센터 운영 스마트 빌딩, 캠퍼스, 데이터센터, 산업 시설에서 통합은 반복되는 질문에서 시작되는 경우가 많습니다. * 이 알람은 어떤 자산에 영향을 주는가 * 어떤 방, 시스템, 임차 구역, 생산 영역, 데이터홀이 영향을 받을 수 있는가 * 같은 문제가 이전에도 발생했는가 * 어떤 SOP, 도면, 매뉴얼, 안전 메모가 적용되는가 * 유지보수, 에너지 검토, 운영 예외, 점검 중 무엇에 해당하는가 * 종료 전에 어떤 증거가 필요한가 데이터센터 팀은 이 패턴을 여러 사이트의 자산 관리, 에너지 계산, 점검, 유지보수, 시각화에 사용할 수 있습니다. 시설 팀은 BMS 알람, 에너지 미터, 설비 기록, 점검 경로, Green Mark 관련 증거를 운영 기록에 연결하고, 평가는 공식 기준과 프로젝트 팀의 검토 흐름에 맞춰 정리할 수 있습니다. ## 제품 역할 [DataMesh FactVerse](/products/factverse)는 자산, 공간, 시스템, 관계, 권한, 기록, 장면 뷰를 위한 운영 컨텍스트 계층을 제공합니다. [Data Fusion Services](/products/dfs)는 CMMS, EAM, BMS, IoT, SCADA, 문서, 작업 기록, 엔터프라이즈 데이터를 올바른 트윈 객체에 연결합니다. [Inspector](/products/inspector)는 알람, 점검, 작업 지시, 현장 증거, 사진, 수리 메모, 승인 기록, 운영 인계를 관리합니다. [Checklist](/products/checklist)는 반복 점검, 필수 측정값, 승인, 컴플라이언스 지향 현장 기록을 구조화합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 연결된 신호, 알람, 문서, 작업 이력, 현장 피드백을 24x7 검토할 수 있습니다. 분류, 증거 요약, 다음 확인 항목 추천, 작업 완료 후 피드백 평가를 지원합니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 트윈 상태, 관계, 상호작용, 운영 시각화를 위한 런타임 모델을 유지합니다. ## 구현 체크리스트 * CMMS, EAM, BMS, 도면, 현장 라벨의 자산 ID가 일치하는가? * 위치 계층이 모바일 팀과 원격 전문가 협업에 충분한가? * BMS 포인트와 알람이 자산, 공간, 시스템, 심각도 규칙에 매핑되어 있는가? * 작업 지시의 소유, 상태, 종료, 증거 필드가 정의되어 있는가? * 점검 경로와 체크리스트 항목이 같은 자산-공간 모델을 사용하는가? * 매뉴얼, 도면, SOP, 허가서, 검증 문서가 작업 컨텍스트에 연결되어 있는가? * 사진, 측정값, 예외, 검토 결정이 향후 검토를 위해 저장되는가? * AI Agent 사용 사례가 관리되는 자산, 신호, 알람, 문서, 작업 지시 데이터에 기반하는가? * 데이터 책임자, 갱신 주기, 접근 규칙, 사이버보안 책임이 명확한가? ## 공개 참고 자료 [Yokogawa와 DataMesh 예지보전 사례](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 산업 데이터, AI 분석, 유지보수 워크플로우가 시설 운영과 어떻게 연결되는지 보여줍니다. [JTC 협업 사례](/about/news/collaboration-between-jtc-datamesh)는 복합 시설에서 공간 컨텍스트, 설비 상태, 현장 워크플로우가 중요한 DataMesh 디지털 트윈 활용을 보여줍니다. [NIO 스마트 팩토리 사례](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)는 공장 디지털 트윈이 운영 가시성, 설비 컨텍스트, 팀 간 협업을 연결하는 방식을 보여줍니다. [AI 알람에서 폐쇄형 작업 지시까지](/resources/guides/ai-alert-to-closed-loop-work-orders), [데이터센터 운영 가이드](/resources/guides/data-center-digital-twin-operations), [Green Mark and Brick Schema 가이드](/resources/guides/green-mark-digital-twin-brick-schema)는 작업 실행, 시설 운영, 증거 추적성에 대한 인접 패턴을 다룹니다. --- ## [GUIDES] 데이터센터 디지털 트윈 운영: 자산, 에너지, 점검, 유지보수 워크플로 ## 데이터센터 운영에는 공유 시설 컨텍스트가 필요합니다 데이터센터는 여러 전문 시스템으로 운영됩니다. DCIM, BMS, EPMS, 계량기, 알람, 자산 대장, 유지보수 도구, 현장 기록은 각각 일부 정보만 담고 있습니다. 운영팀은 사이트, 룸, 랙, 장비, 전력 경로, 냉각 구역, 알람, 점검, 작업 이력을 하나의 컨텍스트에서 봐야 합니다. 데이터센터 디지털 트윈은 이 컨텍스트를 제공합니다. 시설 자산, 실시간 인프라 데이터, 에너지 기록, 점검 경로, 유지보수 작업, 작업 지시 증거를 공간 기반 운영 뷰로 연결합니다. 목표는 명확합니다. 사이트를 더 잘 이해하고, 점검하고, 유지보수하고, 보고하며, 엔지니어링 검토를 통해 개선하는 것입니다. 이 모델은 단일 시설과 다중 사이트 데이터센터 포트폴리오에 모두 유용합니다. 공통 모델은 사이트 비교, 보고 표준화, 룸과 자산과 팀을 잇는 운영 증거 보존을 돕습니다. ## 트윈이 연결해야 할 계층 | 계층 | 운영 컨텍스트 | |---|---| | 공간 | 사이트, 건물, 룸, 랙, 복도, 장비 구역, 접근 경로, 안전 경계 | | 자산 | UPS, 발전기, 스위치기어, CRAC, AHU, 펌프, 칠러, 랙, 센서, 계량기, 서비스 담당자 | | 전력 | EPMS 데이터, 전력 경로, 패널, 피더, 계량값, 부하 기록, 영향 자산 | | 환경 | 온도, 습도, 공기 흐름 컨텍스트, 냉각 장비 상태, 알람, 룸 조건 | | 유지보수 | 점검 경로, 작업 지시, 수리 이력, 사진, 승인 메모, 검증 상태 | | 문서 | O&M 파일, 절차, 커미셔닝 기록, 자산 매뉴얼, 변경 메모 | | 거버넌스 | 데이터 출처, 갱신 담당자, 검토 프로세스, 승인 경로, 증거 품질, rollout 범위 | 각 신호가 위치, 자산, 담당 팀, 후속 기록으로 이어질 때 트윈은 운영 도구가 됩니다. ## DataMesh 데이터센터 워크플로 1. **시설 소스 수집** - DCIM, BMS, EPMS, 계량기, 알람, 자산 목록, 장비 문서, 유지보수 기록, 점검 계획, 사이트 도면을 모읍니다. 2. **시설 트윈 구축** - FactVerse에서 룸, 랙, 장비, 전력 경로, 냉각 구역, 계량기, 센서, 문서, 서비스 책임을 구성합니다. 3. **운영 데이터 연결** - Data Fusion Services로 실시간 신호와 기업 기록을 올바른 자산, 공간, 시스템, 워크플로에 연결합니다. 4. **재사용 가능한 장면 준비** - Data Center DLC와 FactVerse Designer로 룸, 랙, 장비, 시설 장면 제작을 빠르게 시작합니다. 5. **운영 상태 검토** - 사이트와 자산 컨텍스트에서 에너지 지표, 알람, 장비 상태, 반복 이슈, 유지보수 우선순위를 검토합니다. 6. **현장 작업 실행** - Inspector로 확인된 항목을 점검, 작업 지시, 수리 메모, 사진, 승인 증거, 검증 기록으로 전환합니다. 7. **비교와 개선** - 사이트와 룸 간 일관된 기록을 사용해 관리 검토, 엔지니어링 분석, 지속가능성 보고, 이후 효율 프로그램을 지원합니다. 가장 중요한 흐름은 신호에서 위치로, 위치에서 담당자로, 담당자에서 검증된 작업으로 이어지는 것입니다. ## 일반적인 시작 지점 - **자산 대장과 위치**: 룸, 랙, 시설 장비, 계량기, 서비스 책임 기록을 정리합니다. - **에너지 계산과 보고**: 계량값, 장비 컨텍스트, 부하 이력, 운영 기록을 연결해 관리 검토에 활용합니다. - **알람과 점검 워크플로**: 알람, 경로, 작업 지시, 현장 메모, 수리 증거를 영향 자산 주변에 배치합니다. - **핵심 인프라 유지보수**: UPS, 발전기, 스위치기어, 냉각 장비, 펌프, 관련 서비스 이력을 추적합니다. - **다중 사이트 표준화**: 같은 룸, 자산, 에너지, 유지보수 모델을 여러 데이터센터에 적용합니다. - **그린 운영 증거**: 에너지, 환경, 유지보수, 시정 조치 기록을 내부 거버넌스와 Green Mark 준비에 맞게 정리합니다. 좋은 첫 범위는 데이터가 있고, 담당자가 분명하며, 실제 인수인계 문제가 있는 영역입니다. ## DataMesh 제품의 역할 [Data Fusion Services](/products/dfs)는 DCIM, BMS, EPMS, 계량기, 히스토리언, 알람, 유지보수 도구, 기업 시스템을 연결합니다. [FactVerse](/products/factverse)는 룸, 랙, 자산, 시스템, 데이터 바인딩, 문서, 워크플로를 포함한 시설 디지털 트윈 컨텍스트를 제공합니다. [FactVerse DLC](/products/factverse-dlc)는 Designer에서 사용할 수 있는 데이터센터 장면 기반을 제공하며, 룸, 랙, 시설 자산, 에너지 컨텍스트, 시각화 요소를 재사용하기 쉽게 합니다. [Inspector](/products/inspector)는 점검, 작업 지시, 수리 기록, 사진, 승인 메모, 검증, 현장 증거를 관리합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 데이터 모델과 워크플로가 안정된 뒤 이상 패턴, 반복 알람, 유지보수 이력 검토를 지원할 수 있습니다. ## 거버넌스 체크리스트 - 룸, 랙, 장비, 계량기, 센서 이름이 시스템 간 일관적인가요? - 자산 ID가 DCIM, 유지보수 도구, 도면, 현장 라벨과 맞춰져 있나요? - 전력, 환경, 유지보수 데이터 소스에 담당자와 갱신 규칙이 있나요? - 알람이 룸, 랙, 자산, 시스템, 담당자, 작업 기록까지 이어지나요? - 현장팀이 같은 컨텍스트에서 사진, 메모, 수리 조치, 승인 증거를 남길 수 있나요? - 에너지 기록을 사이트, 룸, 자산, 계량기, 시간 창으로 검토할 수 있나요? - 다중 사이트 보고가 일관된 자산 분류와 데이터 정의에 기반하나요? - 물리적 변경 전에 엔지니어링 검토, 고객 승인, 변경 관리 책임이 명확한가요? 이 점검은 디지털 트윈을 일상 업무와 관리 검토에 계속 쓸 수 있게 합니다. ## 공개 참고 자료 [IDC DLC 발표](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center)는 FactVerse Designer에서 데이터센터 장면을 시작하기 위한 재사용 가능한 디지털 트윈 콘텐츠를 보여 줍니다. [Data Center Operations 솔루션](/solutions/ai-agent-data-center)은 자산 가시화, 에너지 계산, 점검, 유지보수, 작업 지시, 다중 사이트 디지털 트윈 관리 범위를 설명합니다. [Yokogawa 예측 유지보수 참고 자료](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 산업 시설 신호를 유지보수 검토로 연결하는 방식을 보여 줍니다. [Faurecia와 EVE Energy 참고 자료](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition)는 운영 가시화와 에너지 컨텍스트가 제조 및 시설 개선 프로그램을 지원하는 예입니다. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## 현장 작업에는 운영 컨텍스트가 필요합니다 현장 작업은 정확한 순서, 특정 자산, 물리적 위치, 훈련된 역할, 나중에 검토할 수 있는 기록에 의존합니다. 기술자는 장비를 격리하고, 패널을 점검하고, 값을 읽고, 사진을 찍고, 예외를 보고하고, 작업 지시를 종료할 수 있습니다. 생산 작업자는 셋업, 청소, 라인 클리어런스, 샘플링, 인수인계를 수행하며 각 단계는 방, 장비, 자재, 승인된 절차 버전과 연결됩니다. 기존 SOP와 교육 자료는 중요하지만 실제 작업 객체와 떨어져 있는 경우가 많습니다. 절차는 문서 시스템에, 자산은 CMMS나 EAM에, 신호는 BMS나 SCADA에, 사진은 모바일 앱에, 최종 판단은 감독자 검토에 놓입니다. 운영 디지털 트윈은 절차에 작업 위치를 부여합니다. 같은 운영 컨텍스트에서 SOP, 자산, 위치, 역할, 시각 안내, 현장 기록, 점검, 작업 지시, 검토 메모를 연결합니다. ## 디지털 SOP가 연결해야 하는 항목 | 계층 | 운영 세부 항목 | |---|---| | 절차 관리 | SOP 버전, 담당자, 적용일, 승인 경로, 교육 대상, 릴리스 상태 | | 자산과 위치 | 장비 ID, 방, 구역, 라인, 경로, 유틸리티 연결, 안전 경계 | | 안내 단계 | 작업 순서, 프롬프트, 체크포인트, 시각 자료, 미디어, 예외 처리 | | 역할과 교육 | 역할 요구 사항, 교육 완료, 평가 결과, 재교육 주기, 이력 | | 현장 실행 | 작업자, 시작 시간, 단계 상태, 측정값, 사진, 메모, 문제, 작업 지시 링크 | | 검토 기록 | 감독자 검토, 승인 기준, 수정 조치, 종료 상태, 감사 추적 | | 데이터 컨텍스트 | 실시간 값, 알람, 유지보수 이력, 문서, 엔터프라이즈 기록 | 목표는 추적성입니다. 어떤 절차가 사용되었는지, 어떤 자산이나 영역에 적용되었는지, 누가 수행했는지, 어떤 증거가 수집되었는지, 결과가 어떻게 검토되었는지 확인할 수 있어야 합니다. ## 공간 컨텍스트에서 절차를 작성합니다 [Director](/products/director)는 안내형 3D 절차를 만드는 저작 환경입니다. 승인된 작업 지식을 라벨, 애니메이션, 패널, 이미지, 영상, 체크포인트, 시각 프롬프트가 포함된 단계 콘텐츠로 바꿀 수 있습니다. 좋은 콘텐츠는 기존 자료에서 시작합니다. 승인된 SOP, 작업 지침, 매뉴얼, 사진, 영상, CAD 또는 BIM 모델, 장비 모델, 자산 목록, 안전 메모, 교육 자료, 현장 피드백을 정리합니다. 그다음 어떤 단계에 3D 컨텍스트, 체크리스트, 사진, 에스컬레이션이 필요한지 결정합니다. [FactVerse](/products/factverse)는 절차를 자산 및 위치 모델과 연결합니다. [Data Fusion Services](/products/dfs)는 필요한 경우 문서, 작업 이력, 실시간 값, 엔터프라이즈 기록을 연결합니다. ## 현장 증거를 수집합니다 [Checklist](/products/checklist)는 반복 점검, 필수 측정값, 승인, 완료 기록을 구조화합니다. [Inspector](/products/inspector)는 점검, 문제, 사진, 수리 메모, 작업 지시, 승인 단계, 검토 상태를 자산과 위치 컨텍스트에 연결합니다. 실행 흐름은 다음과 같습니다. 1. **준비** - SOP, 자산, 위치, 역할, 체크리스트, 필요한 증거를 연결합니다. 2. **안내** - Director 콘텐츠와 현장 지시로 단계를 제공합니다. 3. **기록** - 측정값, 사진, 메모, 예외, 완료 상태를 수집합니다. 4. **에스컬레이션** - 확인된 문제를 점검, 수리, 작업 지시로 전환합니다. 5. **검토** - 감독자나 품질 팀이 증거, 수정, 종료 상태를 검토합니다. 6. **개선** - 반복 예외를 교육, 절차 콘텐츠, 자산 기록 개선에 사용합니다. ## 현장 실행 전에 훈련합니다 교육은 현장 실행과 같은 공간 컨텍스트를 사용해야 합니다. 신규 작업자는 현장에 들어가기 전에 장비 ID, 공간 배치, 작업 순서, 시각 체크포인트, 위험 지점, 증거 필드를 이해할 수 있습니다. [Simulator](/products/simulator)는 교육이 장비 동작, 조작 장치, 안전 시나리오, 경로 규율, 점수, 반복 연습에 의존할 때 적합합니다. 중장비, 지게차, 건설 장비, 장비별 프로그램은 조작, 비상 대응, 평가 절차를 훈련할 수 있습니다. 공정 운영과 시설 작업에서는 Director와 Checklist가 안내형 절차 교육을 지원하고, Inspector가 같은 자산과 작업 컨텍스트를 현장 실행으로 가져갑니다. ## 산업별 패턴 **제조**에서는 전환 작업, 점검, 유지보수 지원, 라인 사이드 문제 해결, 창고 인수인계, 생산 지원 유틸리티에 디지털 SOP를 사용할 수 있습니다. **제약과 바이오제약**에서는 셋업, 청소, 샘플링, 계량, 라인 클리어런스, 장비 준비, 작업자 인수인계에 안내형 절차를 사용할 수 있습니다. 교육 완료, SOP 버전, 작업 증거, 예외 메모, 검토 기록은 GMP와 CSV 증거 준비에 도움이 됩니다. **건설과 중장비**에서는 Director 절차, Simulator 교육, Inspector 현장 기록을 결합해 현장 작업, 장비 조작, 안전 루틴, 문제 종료를 관리할 수 있습니다. 타워크레인, 지게차, 회전식 굴착기, 심정 케이싱 굴착기, 굴삭기, 프로젝트별 장비를 훈련 프로그램에 포함할 수 있습니다. **데이터센터와 스마트 시설**에서는 유지보수 절차, 점검 경로, BMS 알람, 자산 기록, 에너지 값, 사진, 작업 지시 상태를 연결할 수 있습니다. **창고와 구내 물류**에서는 계획과 점검에서 사용하는 같은 자산-위치 컨텍스트로 경로, 적재, 안전 점검, 지게차 루틴, 예외 처리, 유지보수 작업을 훈련할 수 있습니다. ## 데이터와 AI 피드백 현장 증거는 AI 지원 워크플로우에 더 나은 실제 데이터를 제공합니다. 확인된 문제, 검토 후 조정된 제안, 반복 예외, 완료 메모, 측정값, 사진, 작업 후 결과는 절차가 불명확한 부분, 재교육이 필요한 부분, 반복 패턴이 있는 자산을 찾는 데 도움이 됩니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 연결된 신호, 작업 이력, 문서, 점검 기록, 현장 피드백을 24x7 검토할 수 있습니다. 증거 요약, 반복 문제 발견, 다음 점검 준비, 검토 대상 작업 정리에 도움을 줄 수 있습니다. ## 제품 역할 [Director](/products/director)는 안내형 3D SOP, 단계 프롬프트, 시각 라벨, 애니메이션, 미디어 패널, 교육 콘텐츠, 현장 지시를 만듭니다. [Checklist](/products/checklist)는 반복 점검, 필수 측정값, 역할 승인, 완료 상태, 모바일 기록을 구조화합니다. [Inspector](/products/inspector)는 점검, 문제, 작업 지시, 증거 수집, 수리 메모, 승인 기록, 현장 이력을 관리합니다. [Simulator](/products/simulator)는 조작 장치, 장비 동작, 안전 시나리오, 점수, 반복 연습이 중요한 장비 교육을 지원합니다. [FactVerse](/products/factverse)는 자산, 공간, 시스템, 절차, 작업 객체, 문서, 권한을 위한 운영 디지털 트윈 컨텍스트를 제공합니다. [Data Fusion Services](/products/dfs)는 CMMS, EAM, BMS, SCADA, IoT, 문서, 작업 기록, 엔터프라이즈 시스템을 올바른 트윈 객체에 연결합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 기록이 안정화된 뒤 검토, 분류, 권장 준비, 피드백 분석을 지원합니다. ## 구현 체크리스트 * SOP 버전, 담당자, 릴리스 날짜, 교육 대상이 기록되어 있는가? * 자산 ID, 방 이름, 장비 라벨, 작업 지시 객체가 일치하는가? * 3D 안내, 체크리스트, 사진, 측정값이 필요한 단계가 식별되었는가? * 예외 경로, 문제 분류, 에스컬레이션 규칙, 종료 필드가 정의되었는가? * 교육 완료, 평가 결과, 재교육 주기가 올바른 SOP 버전에 연결되었는가? * Inspector와 Checklist 기록이 같은 자산-위치 모델에 연결되었는가? * 사진, 측정값, 메모, 검토 결정, 수정 조치가 나중에 검토 가능하게 저장되는가? * AI Agent 사용 사례가 안정된 절차, 자산, 작업 지시, 현장 증거 데이터에 기반하는가? ## 공개 참고 자료 [Swire Coca-Cola 참고](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)는 유지보수 프로세스와 현장 교육 디지털화를 보여줍니다. [Foxconn 참고](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)는 FactVerse가 교육과 유지보수 워크플로우에 사용되는 방식을 보여줍니다. [안전 교육 참고](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)는 디지털 트윈 기반 현장 기술 교육 사례를 보여줍니다. [Pharma Operator Training 가이드](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), [Heavy Equipment Simulator Training 가이드](/resources/guides/digital-twin-heavy-equipment-simulator-training), [CMMS, EAM and BMS Integration 가이드](/resources/guides/cmms-eam-bms-operational-digital-twin-integration)는 관련 워크플로우를 다룹니다. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## 재사용 가능한 콘텐츠는 롤아웃을 안정화한다 산업 디지털 트윈 프로젝트는 공간, 자산, 경로, 장비 분류, 라벨, 패널, 절차, 장면 동작 같은 기반을 반복해서 만드는 경우가 많습니다. 각 고객 현장에는 맞춤 조정이 필요하지만, 같은 운영 영역에서는 공통 출발점도 많습니다. 디지털 트윈 콘텐츠 팩은 이런 재사용 가능한 기준을 만듭니다. FactVerse DLC는 FactVerse Designer용 사전 구성 콘텐츠를 제공하여 팀이 산업 기반에서 시작하고 모델, 장면, 데이터 매핑, 워크플로를 고객 시설에 맞게 조정할 수 있게 합니다. 핵심 가치는 운영 일관성입니다. 제품, 구축, 고객 팀이 첫 워크숍부터 같은 자산 클래스, 장면 구조, 작업 기록, 운영 뷰를 기준으로 논의할 수 있습니다. ## 콘텐츠 팩에 포함해야 할 것 | 계층 | 유용한 콘텐츠 | |---|---| | 자산 클래스 | 장비 유형, 태그, 속성, 명명 가이드, 역할 정의 | | 공간 구조 | 사이트, 건물, 층, 방, 구역, 라인, 경로, 안전 경계 | | 모델 리소스 | 3D 객체, 단순화된 장비 형태, 레이아웃 요소, 라벨, 시각 상태 | | 장면 템플릿 | 운영, 유지보수, 교육, 계획, 경영 검토용 공통 뷰 | | 동작 로직 | 상태 변화, 안내 단계, 알람, 운영 시퀀스, 시나리오 트리거 | | 데이터 바인딩 | 소스 필드, 단위, 타임스탬프, 담당자, 갱신 규칙, 트윈 객체 매핑 | | 워크플로 컨텍스트 | 점검 지점, 체크리스트 필드, 작업 지시 인계, 증거 수집, 승인 | | 거버넌스 | 버전, 담당자, 범위, 업데이트 규칙, 현지화, 재사용 기준 | 콘텐츠 팩은 시작 속도를 높이면서 각 현장의 설정 여지를 남겨야 합니다. ## 산업 활용을 위한 기반 영역 **Data Center DLC**는 데이터센터 디지털 트윈을 위해 룸, 랙, 시설 장비, 에너지 컨텍스트, 모니터링 뷰, 점검 경로, 유지보수 기록을 준비하는 데 도움을 줍니다. **Campus DLC**는 다중 건물 운영과 스마트 시설 관리를 위해 건물, 캠퍼스, 유틸리티, 환경, 접근, 시설 컨텍스트를 지원합니다. **Warehousing and Logistics DLC**는 창고 구역, 보관 영역, 경로, 운송 라인, 운영 절차, 물류 계획, 교육 시나리오를 설명하는 데 도움을 줍니다. **Discrete Manufacturing DLC**는 생산 장비, 컨베이어, AGV, 작업자, 라인 컨텍스트, 계획 장면을 위한 가상 공장 스타터를 제공하며 Designer에서 조정할 수 있습니다. 이 기반은 고객의 실제 자산, 시스템, 절차, 운영 기록과 연결될 때 효과가 커집니다. ## DataMesh 롤아웃 워크플로 1. **콘텐츠 기반 선택** - 현장 유형과 프로젝트 목표에 맞는 DLC 기준을 선택합니다. 2. **고객 현장 매핑** - 건물, 방, 구역, 라인, 장비, 경로, 작업 영역을 고객의 명명과 자산 기록에 맞춥니다. 3. **Designer에서 장면 준비** - FactVerse Designer에서 모델, 장면 템플릿, 뷰, 라벨, 패널, 동작 로직을 조정합니다. 4. **데이터 모델 연결** - FactVerse에서 공간, 자산, 관계, 문서, 작업 컨텍스트, 재사용 객체를 구성합니다. 5. **운영 데이터 바인딩** - Data Fusion Services로 소스 시스템, 센서 데이터, 엔터프라이즈 기록, 유지보수 도구, 문서 참조를 연결합니다. 6. **실행 워크플로 연결** - Inspector, Director 또는 기타 애플리케이션으로 점검, SOP 안내, 작업 지시, 교육, 현장 증거를 연결합니다. 7. **재사용 제품화** - 여러 프로젝트에서 반복되는 자산, 로직, 워크플로를 관리형 콘텐츠로 전환하여 다음 현장이 더 성숙한 기반에서 시작하게 합니다. 각 구축은 재사용 기반을 개선해야 합니다. ## DLC를 제품 자산으로 관리하기 각 콘텐츠 팩은 제품 자산으로 관리해야 합니다. 담당자, 버전, 범위, 예시 장면, 현지화 계획, 릴리스 노트, 재사용 계층에 포함할 기준이 필요합니다. 재사용 계층은 자산 클래스, 장면 기반, 기본 뷰, 시작 로직, 통합 패턴 같은 공통 구조에 집중합니다. 고객별 이름, 보안 규칙, 실시간 데이터 자격 증명, 승인 경로, 운영 절차는 프로젝트 설정에 둡니다. 이 분리는 DataMesh 팀이 품질을 유지하면서 프로젝트 유연성을 확보하는 데 도움이 됩니다. 영업, 구축, 고객 성공 팀도 무엇을 재사용하고 무엇을 현장에 맞게 조정하는지 더 구체적으로 설명할 수 있습니다. ## DataMesh 제품의 역할 [FactVerse DLC](/products/factverse-dlc)는 일반적인 산업 롤아웃 영역을 위한 재사용 가능한 디지털 트윈 콘텐츠 팩을 제공합니다. [FactVerse Designer](/products/designer)는 팀이 DLC 리소스를 열고 조정하며 장면, 운영 뷰, 시나리오 콘텐츠로 조립하는 작업 공간입니다. [DataMesh FactVerse](/products/factverse)는 공간, 자산, 관계, 문서, 데이터 바인딩, 애플리케이션 워크플로를 포함한 공유 디지털 트윈 컨텍스트를 저장합니다. [Data Fusion Services](/products/dfs)는 운영 데이터 소스와 엔터프라이즈 기록을 트윈의 올바른 객체에 연결합니다. [Inspector](/products/inspector)는 트윈 컨텍스트를 점검, 작업 지시, 사진, 수리 기록, 승인 메모, 현장 증거로 연결합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 데이터 모델과 워크플로가 성숙한 뒤 안정적인 트윈 컨텍스트와 작업 기록을 운영 검토에 활용할 수 있습니다. ## 롤아웃 체크리스트 - 팩이 재사용 가능한 자산 클래스와 속성을 명확히 정의하고 있나요? - 공간 구조가 고객의 실제 현장 운영 방식과 맞나요? - 모델 리소스가 인터랙티브 장면에 충분히 가볍고 운영자가 이해하기 쉬운가요? - 장면 템플릿이 점검, 계획, 교육, 모니터링, 유지보수 같은 실제 워크플로에 연결되어 있나요? - 데이터 바인딩에 소스, 단위, 담당자, 갱신 규칙, 품질 상태가 기록되어 있나요? - Inspector 필드, 작업 지시 인계, 증거 기록이 현장 롤아웃 전에 정의되어 있나요? - 버전, 현지화, 콘텐츠 담당자가 명확한가요? - 한 프로젝트의 개선 사항을 다음 프로젝트의 재사용 콘텐츠로 만들 수 있나요? 유용한 콘텐츠 팩은 반복 설정을 줄이고 프로젝트 간 일관성을 높입니다. ## 공개 참고 자료 [IDC DLC 발표](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center)는 재사용 가능한 콘텐츠가 FactVerse Designer에서 데이터센터 디지털 트윈 장면을 시작하는 데 어떻게 도움이 되는지 보여줍니다. [Warehousing and Logistics DLC 업데이트](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation)는 물류 환경, 경로, 레이아웃, 운영 시나리오에 같은 콘텐츠 팩 방식을 적용한 사례입니다. [Jebsee FactVerse 사례](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)는 생산 라인 계획이 자동화 계획과 이해관계자 커뮤니케이션에서 공유 디지털 트윈 컨텍스트를 활용하는 방식을 보여줍니다. [NIO 스마트 팩토리 사례](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)는 제조 팀이 디지털 트윈을 공장 가시성과 운영 개선의 기반으로 활용하는 방식을 보여줍니다. --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## 중장비 교육에는 반복 가능한 연습이 필요합니다 중장비 운전자 교육은 표준화가 쉽지 않습니다. 실제 장비를 확보하는 데 비용과 일정 부담이 있고, 현장에는 안전 제약이 있으며, 숙련 강사의 시간도 제한적입니다. 학습자는 영상이나 체크리스트만으로 충분히 준비되기 어렵습니다. 장비, 조작 반응, 작업 순서, 현장 컨텍스트, 위험 지점, 각 동작의 품질을 이해해야 합니다. 디지털 트윈 시뮬레이터 교육은 이러한 역량을 연습할 수 있는 통제된 환경을 제공합니다. 운전자는 현실적인 장비 동작, 실제 또는 데스크톱 조작 장치, 시각 피드백, 안내, 평가 규칙이 포함된 시나리오에서 과제를 수행합니다. 강사는 같은 과제를 반복하고 결과를 비교하며 역량 기록을 남길 수 있습니다. DataMesh에서 Simulator는 중장비 운전자 교육을 담당합니다. Director에서 작성한 SOP 교육, Designer 기반 장면 계획, FactVerse 디지털 트윈 컨텍스트와 함께 사용됩니다. ## 시뮬레이터 시나리오의 구성 요소 | 계층 | 기여하는 내용 | |---|---| | 장비 모델 | 기하, 스케일, 조종석 시점, 가동 부품, 작업 범위, 장비별 동작 | | 물리 동작 | 움직임, 충돌, 하중 반응, 지면 상호작용, 진동, 안전 경계 | | 조작 장치 | 조이스틱, 페달, 패널, 조향, 데스크톱 조작, 장비별 레이아웃 | | 교육 절차 | 작업 단계, 음성 또는 텍스트 안내, 신호, 체크포인트, 예외 처리 | | 현장 컨텍스트 | 작업 구역, 경로, 장애물, 자재, 주변 장비, 날씨 또는 시야 조건 | | 평가 | 시간, 정확도, 규칙 준수, 충돌 이벤트, 경로 품질, 조작 안정성, 완료 기록 | | 리뷰 기록 | 학습자 프로필, 시나리오 버전, 점수, 메모, 리플레이 근거, 강사 피드백 | 좋은 시나리오는 이 계층들을 연결합니다. 타워 크레인 인양, 지게차 경로, 드릴 리그 작업, 심정 케이싱 드릴 절차, 굴착기 작업은 구조화된 실제 작업처럼 설계되어야 합니다. ## 장비 범위와 시나리오 설계 DataMesh Simulator는 타워 크레인, 지게차, 회전식 드릴 리그, 심정 케이싱 드릴 리그, 굴착기 및 기타 중장비 교육 프로그램을 지원합니다. 각 프로그램은 교육 목표에서 시작합니다. 기본 숙지, 조작 순서, 예외 대응, 자격 평가 연습, 해외 서비스 교육, 강사 주도 평가 등이 대표적입니다. 교육 목표는 하드웨어 형태, 장면 정밀도, 조작 장치 구성, 채점 규칙, 콘텐츠 깊이를 결정합니다. 어떤 팀은 모션 플랫폼과 조종석이 필요하고, 어떤 팀은 초기 숙지를 위한 데스크톱 스테이션을 사용합니다. 분산 교육에는 휴대 가능한 구성이 적합할 수 있습니다. 따라서 시뮬레이터 콘텐츠는 장비 교육 프로그램으로 계획해야 합니다. 모델, 조작, 시나리오, 점수, 리뷰 절차가 교육하려는 운전 역량과 맞아야 합니다. ## DataMesh 워크플로 1. **교육 역할 정의** - 장비 유형, 운전자 역할, 목표 기술, 안전 중점, 평가 요구사항을 정합니다. 2. **장비 트윈 구축** - 장비 모델, 가동 부품, 조종석 시점, 조작 매핑, 물리 동작, 시나리오 환경을 준비합니다. 3. **교육 경로 작성** - 작업 단계, 안내, 체크포인트, 신호, 예외 사례를 작성합니다. 4. **교육 스테이션 구성** - 시나리오에 맞춰 모션 플랫폼, 조종석, 조작 패널, 데스크톱 스테이션, 시각화 시스템을 선택합니다. 5. **연습과 평가 실행** - 과제를 반복하고 피드백을 제공하며 구조화된 평가를 완료합니다. 6. **근거 기록** - 점수, 완료 기록, 강사 메모, 시나리오 버전, 리뷰 근거를 저장합니다. 7. **과정 개선** - 장비, 절차, 현장 규칙, 교육 목표가 바뀌면 시나리오를 업데이트합니다. 이 흐름은 재사용 가능한 교육 시스템을 만듭니다. ## FactVerse 스택에서의 역할 [Simulator](/products/simulator)는 장비 동작, 조작 반응, 물리 상호작용, 운전자 평가가 중요한 중장비 교육을 담당합니다. [FactVerse](/products/factverse)는 플랫폼 기반을 제공합니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 자산, 장면 컨텍스트, 동작, 시나리오 상태를 조직화합니다. [FactVerse Designer](/products/designer)는 장면 작성, 레이아웃 계획, 시나리오 준비를 지원합니다. [Director](/products/director)는 안내형 SOP와 인터랙티브 교육 콘텐츠를 지원합니다. [Inspector](/products/inspector)는 교육이 현장 실행으로 연결될 때 현장 기록, 점검, 이슈 종료, 근거 워크플로를 지원합니다. 이 제품들은 장비 연습을 계획, 안내, 운영에서 사용하는 같은 디지털 트윈 컨텍스트와 연결합니다. ## Steam 공개 참고 버전 DataMesh는 [Operator Training: Heavy Equipment on Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/)을 간소화된 공개 참고 경험으로 제공합니다. Steam 페이지에는 개발사와 배급사가 DataMesh로 표시되며, 공개 사용자를 위한 경량 중장비 시뮬레이터 경험을 보여줍니다. 이 공개 버전은 장비 조작, 안내형 연습, 시각 장면 컨텍스트, 장비 시뮬레이션 개념을 이해하는 데 도움이 됩니다. 기업 및 교육기관 프로젝트에는 프로젝트별 하드웨어, 조작 장치, 과정 콘텐츠, 평가 기준, 조종석 설계, 모션 플랫폼 옵션, 연동 요구사항이 추가됩니다. ## 평가 체크리스트 - 시나리오가 실제 작업 또는 평가 목표와 일치하나요? - 장비 모델에 가동 부품, 조작 동작, 필요한 물리 가정이 포함되어 있나요? - 하드웨어 구성이 학습자 단계와 교육 목표에 맞나요? - 작업 단계, 신호, 체크포인트, 예외가 명확하게 정의되어 있나요? - 채점 규칙이 안전하고 올바른 조작과 연결되어 있나요? - 강사가 리플레이 근거, 메모, 점수, 시나리오 버전을 검토할 수 있나요? - 교육 기록이 학습 관리, 안전, 운영 워크플로와 연결될 수 있나요? - 장비, 현장 규칙, 절차가 바뀔 때 과정을 업데이트할 수 있나요? 이 질문들은 시뮬레이터 교육을 운전자 역량과 운영 준비에 연결합니다. ## 공개 참고 자료 DataMesh는 [타워 크레인 교육](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), [굴착기 교육 환경](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), [디지털 트윈 기반 Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform), [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training)에 대한 공개 자료를 제공합니다. [Operator Training: Heavy Equipment Steam 페이지](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/)는 DataMesh가 공개한 간소화된 중장비 교육 경험의 참고 자료입니다. --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## 시각화 모델에서 운영 루프로 전통적 디지털 트윈은 보통 3D 모델, BIM 데이터, 장비 형상, 대시보드에서 시작합니다. 이 계층은 시설, 생산라인, 자산, 건설 현장을 팀이 함께 이해할 수 있는 공통 맥락을 제공합니다. 실행 가능한 디지털 트윈은 그 모델 주위에 운영 루프를 더합니다. 실시간 데이터, 자산 관계, 프로세스 로직, 시뮬레이션, 승인, 작업 지시, 검증 기록을 연결합니다. 팀은 현재 상태를 검토하고, 시나리오 결과를 평가하고, 업무를 배정하고, 각 결정의 근거를 보존할 수 있습니다. 이는 산업 및 시설 환경에서 Physical AI의 기반입니다. AI 권고는 실제 자산, 공간 맥락, 물리 제약, 작업 이력, 승인 프로세스와 연결될 때 운영 현장으로 이어지기 쉽습니다. ## 실행 가능한 트윈의 구성 실행 가능한 트윈은 일반적으로 여섯 계층을 결합합니다. - **공간 및 자산 구조**: 사이트, 건물, 층, 구역, 시스템, 장비, 포인트, 문서, 책임 관계. - **실시간 운영 데이터**: BMS, SCADA, IoT, 계량기, 히스토리언, CMMS, ERP, MES 및 기타 소스 시스템. - **동작 및 프로세스 로직**: 프로세스 단계, 제어 가정, 의존 관계, 작업 절차, 이벤트 조건. - **시뮬레이션 및 시나리오 검토**: 레이아웃 옵션, 흐름 분석, 장비 이동, 물리 동작, 대안 비교. - **워크플로 및 현장 실행**: 점검, 태스크, 작업 지시, SOP, 교육, 승인, 인수인계. - **거버넌스 및 증거**: 승인, 기록, 모델 버전, 사진, 메모, 운영 결과. 가치는 이 계층들이 연결될 때 만들어집니다. 모델은 자산의 위치를 보여 줍니다. 실행 가능한 트윈은 해당 자산의 데이터, 지원하는 프로세스, 검토 중인 시나리오, 배정된 업무, 확인된 현장 결과까지 보여 줍니다. ## Physical AI에 필요한 운영 맥락 Physical AI는 실제 운영 문제를 다룹니다. 권고는 현장, 자산, 프로세스, 사람, 안전 및 승인 규칙에 맞아야 합니다. 독립적인 모델 응답만으로는 이 조건을 충분히 다루기 어렵습니다. 실행 가능한 디지털 트윈은 Physical AI에 관리 가능한 운영 맥락을 제공합니다. - 신호가 어떤 자산, 시스템, 구역, 프로세스에 속하는지 설명합니다. - 분석을 위한 이력 기록과 실시간 상태를 제공합니다. - 시뮬레이션 기반 대안 비교를 수행할 수 있는 공간을 제공합니다. - 승인된 조치를 점검, 유지보수, 교육, 건설 워크플로로 전달합니다. - 권고, 승인, 실행, 검증의 추적 가능한 기록을 남깁니다. 구매자에게 중요한 점은 디지털 트윈이 운영 시스템의 일부로 쓰이는지입니다. ## DataMesh 스택의 역할 [Data Fusion Services](/products/dfs)는 엔터프라이즈, 산업, IoT, 시설 데이터 소스를 연결합니다. [FactVerse](/products/factverse)는 데이터, 자산, 장면, 애플리케이션 맥락을 구성합니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 다양한 장치와 운영 시나리오에서 3D 트윈 경험을 렌더링하고 실행합니다. [FactVerse Designer](/products/designer)는 장면 제작, 프로세스 로직, 가상 계획, 시뮬레이션 워크플로를 지원합니다. NVIDIA Omniverse를 사용하는 팀은 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)를 통해 FactVerse의 장면 구조, 메타데이터, 동작 맥락을 USD 및 Omniverse 기반 검증 워크플로로 연결할 수 있습니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 연결된 맥락을 활용해 이상 검토, 예측, 운영 Q&A, 권고 요약, 의사결정 인계를 지원합니다. [Inspector](/products/inspector)는 승인된 발견 사항을 점검, 작업 지시, 현장 기록, 승인, 증거로 전환합니다. 이 계층들은 같은 디지털 트윈을 보고, 분석하고, 시뮬레이션하고, 실행하고, 다시 검토할 수 있게 합니다. ## 일반적인 구현 방식 실무 배포는 하나의 운영 루프에서 시작하는 편이 좋습니다. 1. 소스 데이터를 연결하고 각 시스템의 책임을 정의합니다. 2. 자산, 공간, 시스템, 포인트를 공통 트윈 구조에 매핑합니다. 3. 동작 로직, 프로세스 단계, 작업 절차 또는 시나리오 가정을 추가합니다. 4. 시뮬레이션, 엔지니어링 검토 또는 운영 리플레이로 옵션을 검증합니다. 5. 승인된 조치를 점검, 유지보수, 교육 또는 건설 워크플로로 전달합니다. 6. 완료 기록을 수집하고 운영 데이터로 결과를 비교합니다. 이 방식은 작업을 구체적으로 유지하고 트윈이 일상 실행에 들어가는지 판단하기 쉽게 합니다. ## 가치가 큰 시작점 | 시작점 | 실제 활용 | |---|---| | 시설 운영 | 자산, 계량기, BMS 포인트, 점검, 유지보수 기록을 공간 맥락에서 연결 | | 예지보전 | 센서 데이터, 자산 이력, 이상 검토, 작업 지시, 검증 기록 결합 | | 프로세스 시뮬레이션 | 현장 변경 전 레이아웃, 물류 흐름, 장비 이동, 운영 가정 비교 | | 건설 가이드 | BIM, 현장 맥락, 시공 방법, 일정 확인, 현장 지시 연결 | | 인력 교육 | 장비, 절차, 위험, 시나리오 기록을 반복 가능한 교육 과정으로 전환 | 첫 유스케이스에는 명확한 데이터 책임, 측정 가능한 운영 프로세스, 조치를 실행하고 검증할 팀이 필요합니다. ## 평가 체크리스트 플랫폼을 비교할 때 다음 질문을 사용할 수 있습니다. - 플랫폼이 실시간 운영 데이터를 자산, 시스템, 공간과 연결하는가? - 동작, 프로세스 로직, 시나리오 가정을 표현하는가? - 운영 변경 전에 시뮬레이션이나 시나리오 검토가 가능한가? - 권고가 승인된 점검, 유지보수, 교육, 건설 워크플로로 이어지는가? - 현장팀이 사진, 메모, 승인 기록, 완료 상태를 수집하는가? - 엔지니어와 운영자가 데이터, 모델 맥락, 승인 이력을 추적하는가? - 같은 트윈이 시각화, 모니터링, 시뮬레이션, 워크플로 실행을 지원하는가? - 플랫폼이 사용자, 사이트, 시스템 전반의 엔터프라이즈 거버넌스를 지원하는가? 각 답이 실제 워크플로와 책임 팀에 연결될 때 실행 가능한 트윈의 가치가 커집니다. ## 실무 결과 실행 가능한 디지털 트윈은 산업 및 시설팀이 공유 시각화에서 관리되는 실행으로 이동하도록 돕습니다. 초기 결과는 실용적입니다. 더 명확한 운영 맥락, 빠른 부서 간 검토, 분석에서 현장 업무로의 원활한 인계, 강한 증거 기록, 더 체계적인 시나리오 비교가 가능합니다. 운영 루프가 성숙하면 Physical AI는 더 풍부한 맥락을 활용할 수 있습니다. 권고는 자산 데이터, 시스템 관계, 시뮬레이션 결과, 작업 이력, 현장 거버넌스에 기반합니다. 디지털 트윈은 실제 세계 의사결정을 위한 작업 계층이 됩니다. --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## 난방 작업에는 연결된 컨텍스트가 필요합니다 지역 난방 팀은 열원 상태, 기본 및 보조 네트워크 데이터, 변전소 상태, 건물 측 피드백, 일기 예보, 불만 기록, 현장 검사, 유지 관리 내역, 파견 규칙 등 다양한 소스로부터 동시에 결정을 내립니다. 각 시스템은 작업의 일부를 설명합니다. 어려운 작업은 이러한 신호를 운영자가 검토, 승인, 실행 및 확인할 수 있는 결정으로 연결하는 것입니다. [HeatOps](/solutions/heatops)는 [FactVerse AI Agent](/products/factverse-ai-agent)의 지역난방 산업 모듈입니다. [Data Fusion Services](/products/dfs)를 사용하여 운영 데이터를 연결하고, [FactVerse](/products/factverse)를 사용하여 네트워크 및 자산 컨텍스트를 유지하며, Inspector 또는 고객 작업 주문 시스템을 사용하여 현장 작업을 추적 가능하게 유지합니다. 목적은 실용적입니다. 난방 팀이 수요를 예측하고, 네트워크 동작을 진단하고, 파견 옵션을 검토하고, 현장 작업을 조정하고, 결정 뒤에 숨은 운영 증거를 보존할 수 있도록 지원합니다. ## 운영 모델이 연결하는 것 | 레이어 | 운영 상황 | |---|---| | 열원 | 보일러, 히트펌프, CHP, 폐열, 저장, 연료, 전기, 용량 및 가용성 | | 네트워크 | 1차 네트워크, 분기 라인, 압력, 흐름, 공급 및 회수 온도, 밸브, 누출 및 단열 상황 | | 변전소 | 열교환기, 펌프, 제어 밸브, 계량기, 차압, 효율, 경보 및 서비스 이력 | | 건물 | 건물 구역, 실내 피드백, 사용자측 온도, 편안함 문제, 열 관성 및 서비스 우선순위 | | 외부 컨텍스트 | 일기예보, 과거 부하, 공휴일, 점유 패턴, 요금 상황 및 서비스 요청 | | 업무실행 | 파견주문, 점검, 수리업무, 청소, 밸브조정, 단열작업, 사진, 인수기록 | | 거버넌스 | 추천 소스, 승인 경로, 명령 제한, 롤백 규칙, 결과 검토 및 감사 추적 | 가치는 이러한 레이어를 연결하는 데서 나옵니다. 저온 불만 사항은 건물 상황, 변전소 동작, 지점 네트워크 상태, 이전 작업 및 그에 따른 운영자 결정을 추적할 수 있어야 합니다. ## HeatOps에 대한 DataMesh 워크플로 1. **운영 소스 연결** - SCADA, SIS, PVSS, PLC 태그, 미터, 날씨, GIS, 불만 기록, 청구 컨텍스트, 유지 관리 시스템 및 파견 로그를 함께 가져옵니다. 2. **난방 트윈 구축** - FactVerse에서 열원, 파이프라인, 변전소, 밸브, 펌프, 계량기, 건물, 구역 및 서비스 영역을 모델링합니다. 3. **자산에 신호 바인딩** - Data Fusion Services를 사용하여 온도, 압력, 흐름, 경보, 에너지 판독값 및 작업 기록을 올바른 자산 및 네트워크 세그먼트에 매핑합니다. 4. **수요 및 위험 검토** - FactVerse AI Agent를 사용하여 수요 예측, 부하 변경 설명, 비정상적인 패턴 요약 및 운영자 검토를 위한 파견 옵션을 준비합니다. 5. **조정 조치** - 승인된 결과를 파견 메모, 현장 검사, 작업 주문, 조정 작업 또는 통제된 쓰기 저장 범위로 전환합니다. 6. **결과 확인** - 조치 후 판독값, 편안함 피드백, 경보, 열 손실 패턴 및 작업 순서 증거를 원래 결과와 비교합니다. 이 워크플로는 AI 권장 사항을 생성한 운영 컨텍스트에 연결된 상태로 유지합니다. ## 예측, 진단, 파견심사 HeatOps는 세 가지 연결된 작업 모드를 지원할 수 있습니다. - **수요 예측**: 수요 변화가 발생하기 전에 날씨, 과거 부하, 네트워크 상태, 건물 반응 및 운영 제약 조건을 비교합니다. - **네트워크 진단**: 공급-반환 델타, 차압, 흐름, 보충수, 열교환기 동작, 펌프 상태, 밸브 상태, 누출 표시기, 오염 징후 및 반복되는 최종 사용자 문제를 검토합니다. - **배치 검토**: 공급 온도 변화, 펌프 주파수 변경, 밸브 조정, 예열 전략, 인력 준비, 현장 검사 우선순위 등 운영자 검토 조치를 준비합니다. 권장사항에는 범위, 이유, 예상 효과, 필요한 승인 및 후속 증거가 설명되어야 합니다. 따라서 제어실 직원, 엔지니어링 팀, 현장 팀 및 관리자가 AI 출력을 검토할 수 있습니다. ## 추천부터 감사 가능한 실행까지 난방 작업에는 안전, 편안함, 계약, 장비 제한 및 서비스 책임이 포함됩니다. 따라서 실행 경로가 준비되어야 합니다. 의사결정 지원부터 시작하세요. 운영자는 디지털 트윈 컨텍스트에서 예측, 진단 및 권장 조치를 검토합니다. 다음 단계는 실행 지원입니다. 승인된 권장 사항은 파견 기록, 현장 작업, 작업 주문 및 후속 점검이 됩니다. 권한, 명령 범위, 안전 인터록, 롤백 규칙 및 감사 요구 사항이 정의된 후에 제어된 쓰기 저장을 추가할 수 있습니다. [Inspector](/products/inspector), [Checklist](/products/checklist) 및 고객 작업 주문 시스템은 스테이션을 검사한 사람, 조정된 내용, 캡처된 사진 및 판독값, 작업이 종료된 시기, 상태가 개선되었는지 등 루프의 현장 측면을 보존할 수 있습니다. ## 에너지 탄소 기록 및 관리 검토 난방 운영자에게는 실시간 화면뿐만 아니라 계절적 증거가 필요합니다. HeatOps는 관리 검토를 위해 열량, 연료, 전기, 펌핑 에너지, 열 손실, 쾌적 피드백, 사고 대응, 개조 활동 및 현장 작업을 운영 기록으로 구성할 수 있습니다. 이러한 기록은 팀이 시간 경과에 따라 파견 전략, 개조 결과, 변전소 성능 및 네트워크 세그먼트를 비교하는 데 도움이 됩니다. 또한 동일한 데이터 추적을 사용하여 소유자, 도시 팀, 서비스 회사 및 엔지니어링 파트너와 에너지 탄소 성과에 대해 더 쉽게 논의할 수 있습니다. 회계 방법, 보고 경계 및 탄소 요인은 프로젝트마다 다릅니다. HeatOps는 연결된 운영 컨텍스트와 검토에 필요한 추적 가능한 증거를 제공합니다. ## 데이터 준비 체크리스트 출시하기 전에 다음 조건을 검토하세요. - SCADA, SIS, PVSS, PLC 및 미터 태그에는 안정적인 이름, 단위, 타임스탬프 및 소유권이 있습니다. - 열원, 변전소, 밸브, 펌프, 계량기, 건물, 구역 및 네트워크 세그먼트를 디지털 트윈에 매핑할 수 있습니다. - 날씨, 부하이력, 민원기록, 작업지시 등을 시간별, 지역별, 자산별, 스테이션별로 연결할 수 있다. - 운영자와 엔지니어는 파견 권장 사항에 대한 승인 규칙에 동의합니다. - 현장 팀은 구조화된 방식으로 검사, 조정, 사진, 판독값 및 승인 증거를 기록할 수 있습니다. - 제어된 쓰기 저장 규칙은 명령 경로가 도입되기 전에 문서화됩니다. - 파일럿 지표는 검증된 운영 기록을 기반으로 합니다. 첫 번째 롤아웃에서는 팀이 충분한 데이터, 명확한 소유권 및 빈번한 운영 질문을 갖고 있는 격리된 서비스 영역 또는 변전소 그룹을 사용해야 합니다. ## 실용적인 출발점 | 출발점 | 작동하는 이유 | |---|---| | 변전소 개요 | 팀은 알려진 자산 그룹에 대한 온도, 압력, 흐름, 펌프 상태, 밸브 상태, 열량, 경보 및 서비스 기록을 연결할 수 있습니다. | | 날씨 변화 준비 | 수요 예측은 한랭 전선, 따뜻한 기간 또는 비정상적인 점유 패턴이 서비스에 영향을 미치기 전에 운영자가 준비하는 데 도움이 될 수 있습니다. | | 저온 불만 | 민원 기록은 건물 상황, 변전소 상태, 분기 압력, 과거 유지 관리를 통해 검토할 수 있습니다. | | 반복되는 스테이션 알람 | AI 지원 검토를 통해 패턴을 요약하고 확인된 문제를 검사 또는 유지 관리 작업으로 이동할 수 있습니다. | | 에너지 및 열 손실 검토 | 계절 기록은 소스 출력, 네트워크 동작, 건물 측 조건 및 현장 작업을 연결할 수 있습니다. | 이러한 시작점은 팀이 더 광범위한 최적화 또는 제어 시나리오로 확장하기 전에 검토 가능한 루프를 생성합니다. ## 공개 참고자료 [HeatOps solution page](/solutions/heatops)는 FactVerse AI Agent 내부의 지역 난방 모듈 범위를 설명합니다. [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) 및 [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders)는 시설 신호, 디지털 트윈 컨텍스트, 작업 주문 및 검증된 현장 작업을 연결하기 위한 인접 패턴을 설명합니다. [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)는 연결된 시설 환경에서 DataMesh 디지털 트윈 컨텍스트를 보여줍니다. [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 산업 신호를 AI 지원 유지 보수 검토로 전환하는 더 광범위한 패턴을 보여줍니다. --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## 산업 AI Agent에는 현장 컨텍스트가 필요합니다 공장, 캠퍼스, 데이터센터, 열 공급망, 창고 물류, 국경 시설은 서로 연결된 물리 시스템으로 운영됩니다. 현장에서 유용한 AI Agent는 자산, 위치, 실시간 신호, 운영 이력, 절차, 작업 지시, 책임 기록을 이해해야 합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 이 운영 계층을 위해 설계되었습니다. FactVerse 디지털 트윈 기반, 연결된 산업 데이터, 기업 지식, Inspector 작업 기록, 사람의 승인 경로를 함께 사용해 AI 추천을 감사 가능하고 실행 가능하며 개선 가능한 현장 프로세스로 연결합니다. ## 운영 루프 1. **신호와 지식 연결** - Data Fusion Services가 설비 데이터, 시설 시스템, SCADA 또는 BMS 신호, 정비 이력, 문서, SOP, 기업 시스템을 통합합니다. 2. **디지털 트윈에 연결** - FactVerse와 Twin Engine이 데이터를 자산, 공간, 시스템, 관계, 워크플로 상태에 연결합니다. 3. **AI Agent 분석** - Agent가 추세, 알람, 작업 이력, 운영 규칙, 현장 컨텍스트를 검토하고 발견 사항과 다음 조치를 준비합니다. 4. **검토와 승인** - 운영자, 엔지니어, 관리자가 권한과 위험 수준에 따라 추천을 확인합니다. 5. **현장 실행** - Inspector, Checklist, CMMS 또는 EAM, 현장 앱이 승인된 조치를 작업 지시, 점검, 안내 작업, 교육으로 전환합니다. 6. **결과 환류** - 완료 기록, 사진, 측정값, 예외 메모, 판단, 실행 후 결과가 향후 검토와 모델 개선의 증거가 됩니다. ## 24x7 운영과 지속 학습 산업 이벤트는 교대근무, 주말, 날씨 변화, 생산 주기, 정비 창을 가로질러 발생합니다. FactVerse AI Agent는 연결된 신호, 알람, 작업 지시 업데이트, 점검 기록, 현장 피드백을 지속적으로 처리할 수 있습니다. 전문가가 대시보드를 계속 보고 있지 않아도 팀은 중요한 자산과 프로세스 변화를 인지할 수 있습니다. 작업이 쌓이면 비정상 신호, 확인된 원인, 거절된 제안, 완료된 수리, 운영자 메모, 점검 사진, 결과 측정값이 축적됩니다. 이 기록은 머신러닝 모델의 학습, 재학습, 평가, 추천 품질 조정에 사용할 수 있습니다. Agent는 고객 현장의 데이터와 운영 패턴에 점진적으로 맞춰집니다. ## 대표 산업 모듈 | 모듈 | 운영 범위 | |---|---| | 예지보전 | 자산 상태 검토, 이상 설명, 정비 우선순위, 작업 지시 연결, 검증 기록 | | HeatOps | 수요 검토, 열 네트워크 진단, 배치 지원, 서브스테이션 작업, 에너지-탄소 기록 | | 시설 점검과 정비 | 자산 조회, 점검 계획, 문제 해결 안내, 증거 수집, 정비 후속 조치 | | 국경 및 물류 점검 | 공간 기반 절차, 체크리스트, 예외 검토, 점검 기록, 팀 간 인계 | | 작업 안내와 교육 | 디지털 SOP, 설비 절차, 안전 알림, 사람이 수행하는 작업의 교육 기록 | | 반도체 시설 운영 | 서브팹과 시설 장비 컨텍스트, 유틸리티 점검, 이벤트 검토, 작업 지시 통합 | ## 제품 스택 연계 [Data Fusion Services](/products/dfs)는 데이터 기반을 준비합니다. [FactVerse](/products/factverse)와 [FactVerse Twin Engine](/products/factverse-twin-engine)은 운영 디지털 트윈을 제공합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 증거를 요약하고 패턴을 비교하며 추천과 원인 설명을 준비합니다. [Inspector](/products/inspector), Checklist, 연결된 CMMS 또는 EAM은 현장 실행을 추적 가능하게 유지합니다. [FactVerse Designer](/products/designer)는 장면 생성, 배치 계획, 가상 계획, 시뮬레이션 준비, Physical AI 워크플로를 지원합니다. ## 사람의 검토는 루프 안에 남습니다 산업 의사결정은 안전, 가동률, 계약, 규정 준수, 자산 수명에 영향을 줍니다. 낮은 위험의 작업은 점검이나 작업 지시로 빠르게 전환할 수 있습니다. 설비 정지, 제어 설정 변경, 공정 변경, 규제 절차는 적절한 승인이 필요합니다. 같은 루프 안에서 추천, 검토자, 승인된 조치, 최종 결과를 보존할 수 있습니다. ## 검증 가능한 워크플로부터 시작 첫 배포는 범위가 명확하고, 데이터를 연결할 수 있으며, 책임자가 있고, 결과를 측정할 수 있는 루프가 적합합니다. 예를 들어 핵심 설비군, 시설 점검 경로, 열 공급 서브스테이션 그룹, 데이터센터 자산 그룹, 물류 설비 프로세스, 특정 작업 안내가 있습니다. 데이터와 작업 기록을 연결하고, AI 발견을 누가 검토할지 정의하고, 확인된 발견을 실행 시스템으로 보내고, 결과로 추천 품질을 개선합니다. ## 평가 체크리스트 - 신호, 문서, 작업 기록이 올바른 자산과 공간에 연결되어 있는가 - AI Agent가 추천의 근거를 설명할 수 있는가 - 각 추천에 책임자, 승인 경로, 실행 대상이 있는가 - 현장 팀이 완료 메모, 사진, 측정값, 예외, 검증 결과를 기록할 수 있는가 - 거절되거나 수정된 제안을 향후 추천 개선에 사용할 수 있는가 - 머신러닝 업데이트를 운영 증거에 비추어 검토하는가 ## 공개 참고 자료 [FactVerse AI Agent 출시 소식](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)은 복잡 시설의 시뮬레이션 기반 운영에 대한 DataMesh의 공개 방향을 설명합니다. [Yokogawa와 DataMesh 예지보전 사례](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO 스마트 팩토리 사례](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [Singtel FutureNow 전시](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)는 운영 디지털 트윈 컨텍스트의 공개 예시입니다. --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## FactVerse와 Omniverse를 연결하는 이유 산업 시뮬레이션에는 운영 맥락과 고품질 시뮬레이션 환경이 함께 필요합니다. 운영 팀은 자산, 관계, 실시간 데이터, 책임 구조, 업무 의미를 유지해야 합니다. 시뮬레이션 팀은 렌더링, USD 장면 개발, 물리 동작, 시나리오 검토를 수행합니다. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)는 이 두 계층을 연결합니다. 공장, 시설, 생산 라인, 물류 구역을 [FactVerse](/products/factverse)와 [FactVerse Designer](/products/designer)에서 준비한 뒤 NVIDIA Omniverse의 USD 워크플로로 가져갈 수 있습니다. 이 흐름은 Physical AI를 위한 실제 작업 방식입니다. 디지털 트윈은 실제 자산과 운영 데이터에 연결된 맥락을 유지하고, Omniverse, RTX, PhysX, Newton은 렌더링, 센서 맥락, 움직임, 충돌, 레이아웃, 자재 흐름, 포장 공정, 로봇 경로, 안전 구역 상호작용을 검증합니다. ## 기반 계층으로서의 Omniverse NVIDIA의 현재 공개 Omniverse 포지셔닝은 OpenUSD 기반 libraries, microservices, APIs, SDKs를 통해 Physical AI 애플리케이션을 개발하는 방향을 강조합니다. CUDA가 가속 컴퓨팅의 기본 빌딩 블록을 제공하듯, Omniverse는 시뮬레이션과 디지털 트윈의 기본 빌딩 블록을 제공합니다. OpenUSD는 상호운용성과 SimReady 자산, RTX는 렌더링과 센서 시뮬레이션, PhysX와 Newton은 물리, 데이터 서비스는 장면 교환과 동기화를 담당합니다. DataMesh 고객에게 이 방향은 역할 분담을 명확히 합니다. FactVerse와 Designer는 공장 또는 시설 장면, 자산 의미, 데이터 바인딩, 동작 로직, SimReady 자산 준비를 담당합니다. Omniverse 기능은 산업 워크플로, 로보틱스 시뮬레이션, 파트너 도구, 맞춤형 애플리케이션에 내장되는 렌더링, 물리 시뮬레이션, 데이터 교환 계층을 제공합니다. NVIDIA 공식 참고: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## 전체 워크플로 1. **운영 디지털 트윈 구축** - FactVerse에서 사이트, 라인, 설비 계층, 위치, 메타데이터, 문서, 책임 관계를 모델링합니다. 2. **시나리오 작성** - FactVerse Designer에서 레이아웃, 프로세스 로직, behavior tree, 시간, 경로, 변형 시나리오를 만듭니다. 3. **USD 레이어 준비** - USD 리소스, 재질, 장면 스케일, 좌표계, 객체 식별자, 버전 규칙을 정리합니다. 4. **Omniverse로 맥락 전달** - adaptor를 통해 장면 구조, 메타데이터, 데이터 바인딩, 동작 맥락을 Omniverse로 전달합니다. 5. **시나리오 검증** - 렌더링, 설비 움직임, 충돌, 간격, 로봇 경로, 자재 흐름, 접근성, 타이밍을 검토합니다. 6. **의사결정 기록** - 가정, 발견 사항, 스크린샷, 버전, 엔지니어링 검토 메모를 계획, 교육, 실행에 활용합니다. ## 전달해야 할 정보 | 계층 | 가치 | |---|---| | 사이트와 장면 계층 | 건물, 구역, 라인, 스테이션, 설비를 정리된 구조로 유지 | | 자산 식별자 | 시뮬레이션 결과를 실제 설비와 연결 | | 공간 관계 | 위치, 간격, 경로, 충돌 구역, 작업 영역을 보존 | | 메타데이터와 의미 | 유형, 역할, 책임, 문서, 시스템 관계를 전달 | | 데이터 바인딩 | 설비 상태, 센서, 알람, 운영 신호를 반영 | | 동작 로직 | 상태, 순서, 경로, 타이밍을 검증에 활용 | | 버전 | 변경 사항, 가정, 검토 결과 비교 | ## USD, RTX, PhysX, Newton USD는 자산, 재질, 변형, 레이어, 협업을 위한 구조화된 장면 워크플로를 제공합니다. 이 흐름에서 USD는 운영 디지털 트윈과 Omniverse 시뮬레이션을 연결하는 통로입니다. RTX는 고품질 렌더링과 센서 시뮬레이션에 활용됩니다. PhysX는 움직임, 충돌, 강체 동작, 배치, 포장 상호작용, 로봇 경로, 자재 흐름처럼 물리 동작 검증이 필요한 장면에 유용합니다. Newton은 NVIDIA Warp와 OpenUSD 기반의 개방형 확장 물리 엔진 경로를 제공하며, 로봇 학습과 시뮬레이션 워크플로에 적합합니다. 기술적 가치는 명확한 가정에서 나옵니다. 스케일, 좌표, 객체 속성, 타이밍, 제약, 검증 목표, 승인 규칙이 기록되어야 합니다. ## 적용 장면 - Omniverse에서 공장 또는 생산 라인 고품질 렌더링. - 실제 시험 전 포장과 자재 흐름 검증. - 스테이션, 버퍼, 로봇, 컨베이어, 자재 경로 레이아웃 비교. - 피킹, 스테이징, AGV, 지게차, 처리량 가정을 포함한 창고와 내부 물류 계획. - 로보틱스, 합성 데이터, Physical AI 시나리오 준비. ## DataMesh 제품 역할 [FactVerse](/products/factverse)는 운영 구조, 관계, 거버넌스, 공유 맥락을 관리합니다. [FactVerse Designer](/products/designer)는 레이아웃, 프로세스 로직, behavior tree, timeline simulation, 변형 시나리오를 작성합니다. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)는 장면 구조, 메타데이터, 데이터 바인딩, 동작 맥락을 Omniverse와 USD 워크플로로 전달합니다. [Data Fusion Services](/products/dfs)는 설비 상태, 센서, 알람, 생산 지표, 엔터프라이즈 맥락이 필요할 때 실시간 및 이력 데이터를 연결합니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 실행형 디지털 트윈, 시각화, 데이터 바인딩, 운영 워크플로를 위한 런타임 맥락을 제공합니다. ## 데이터 준비 점검 - 장면 계층, 자산 ID, 위치, 설비 이름이 안정적입니다. - CAD, BIM, 3D, USD 자산에 담당자와 버전이 있습니다. - 좌표, 스케일, 방향, 원점이 정렬되어 있습니다. - 재질, 충돌 속성, 움직임 제약, 타이밍이 기록되어 있습니다. - 데이터 바인딩에는 소스, 단위, 타임스탬프, 업데이트 규칙이 포함됩니다. - 시뮬레이션 목표가 레이아웃 승인, 로봇 경로 검토, 포장 검증, 작업자 접근성과 연결됩니다. - 검토 결과를 버전, 가정, 스크린샷, 후속 조치와 함께 저장할 수 있습니다. ## 공개 레퍼런스 [FactVerse와 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 발표는 시뮬레이션 디지털 트윈과 AI 비즈니스 워크플로의 공개 방향을 보여줍니다. [GTC 2025 쇼케이스](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)는 FactVerse와 Omniverse를 함께 활용한 공개 근거입니다. [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)와 [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)는 생산 라인 레이아웃, 내부 물류, 설비 계획 검토와 관련된 공개 사례입니다. --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark 준비는 지속적인 운영 역량 Singapore BCA Green Mark는 건물의 환경 성능과 지속가능한 운영을 평가하는 제도입니다. Green Mark 2021은 에너지 성능을 중점적으로 다루면서 유지관리성, 전 생애주기 탄소, 지능화, 건강과 웰빙, 회복탄력성도 함께 고려합니다. 공식 기준과 기술 가이드는 BCA 문서를 기준으로 확인해야 합니다. 시설팀이 실제로 어려워하는 부분은 평가 자료 뒤에 있는 운영 증거입니다. 에너지 데이터, 장비 관계, 유지보수 이력, 환경 상태, 개선 조치, 시정 작업 완료 증거는 BMS, 계량기, 스프레드시트, CMMS 티켓, BIM 파일, 서비스 보고서, 협력사 기록에 흩어져 있는 경우가 많습니다. [DataMesh Green Transformation](/solutions/green-transformation)은 운영 디지털 트윈으로 이러한 레이어를 연결합니다. 소유자, 운영팀, 컨설턴트, 엔지니어링팀, 지속가능성 담당자가 같은 맥락에서 증거를 준비하고, 개선 옵션을 분석하며, 지속가능성 업무를 일상 시설 운영과 연결할 수 있습니다. 공식 참고: - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## 검토 전에 증거 레이어 만들기 Green Mark 준비는 제출 직전에 자료를 모으는 것보다 운영 과정에서 지속적으로 구조화할 때 더 안정적입니다. 디지털 트윈은 그 증거의 공통 맥락이 됩니다. 기반에는 공간, 시스템, 자산, 신호, 작업 기록이 포함됩니다. [Data Fusion Services](/products/dfs)는 BMS, 계량기, IoT, 히스토리언, CMMS, EAM을 연결합니다. [FactVerse](/products/factverse)는 데이터를 공간, 자산, 시스템, 워크플로에 매핑합니다. ## Brick Schema로 증거를 추적 가능하게 만들기 지속가능성 증거는 실제 시설 맥락 안에서 의미가 분명해집니다. 계량값은 올바른 계량기에, 온도 추세는 올바른 구역과 센서에, 냉동기 문제는 관련 시스템, 자산, 알람, 유지보수 기록에 연결되어야 합니다. [Inspector](/products/inspector)에서는 Brick Schema에 맞춘 관계로 건물, 층, 구역, 장비, 계량기, 센서, 포인트, 시스템을 일관되게 표현할 수 있습니다. 팀은 어떤 증거가 어떤 자산에 속하는지, 어떤 데이터가 이를 뒷받침하는지, 어떤 작업 지시가 문제를 닫았는지, 어떤 팀이 검토해야 하는지 확인할 수 있습니다. ## Brick Schema 참고 자료 표준을 직접 확인하려면 다음 공개 Brick Schema 자료부터 보면 됩니다. - [Brick Schema 공식 웹사이트](https://brickschema.org/) - 건물을 위한 통합 메타데이터 Schema로서 Brick의 개요와 입문용 참고 이미지를 제공합니다. - [Brick 사용자 문서](https://docs.brickschema.org/brick/overview.html) - 건물 엔티티와 관계를 모델링하기 위한 설계 원칙과 핵심 개념을 설명합니다. - [Brick data source modeling](https://docs.brickschema.org/brick/timeseries.html) - 엔티티와 관계를 보여주는 공식 high-level telemetry data model 참고도가 있습니다. - [Brick ontology browser](https://ontology.brickschema.org/) - Brick class, relationship, 용어 정의를 탐색할 수 있습니다. - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick) - 오픈소스 schema 개발, release, issue, source file을 확인할 수 있습니다. ## 에너지 분석과 엔지니어링 검토 DataMesh는 BIM/IFC, 날씨, 운영 데이터, 디지털 트윈 맥락을 EnergyPlus 기반 건물 에너지 모델과 연결하여 시나리오를 비교할 수 있습니다. 유용한 분석에는 EUI, 부하 구성, 운영 시간, 설정값, 개보수 옵션, 시정 우선순위가 포함됩니다. 에너지 분석은 엔지니어링 의사결정을 돕는 자료로 사용합니다. 실행 가능한 파일럿은 기준선을 세우고, 데이터를 검증하고, 개선 옵션을 비교하고, 시정 조치를 실행한 뒤 검토된 운영 기록을 기준으로 성과를 보고합니다. ## Inspector로 실행을 닫기 Inspector는 발견 사항과 증거 요청을 점검, 작업, 작업 지시, 현장 실행, 승인, 검증 기록으로 전환합니다. 운영 루프: 1. BMS, 계량기, 자산, 환경, 유지보수 데이터를 연결합니다. 2. Brick Schema 관계로 자산과 포인트를 매핑합니다. 3. 비정상 에너지 사용, 알람, 점검 공백, 누락 기록을 검토합니다. 4. 엔지니어링 검토와 모델링으로 개선 옵션을 비교합니다. 5. Inspector에서 작업 지시와 시정 조치를 만듭니다. 6. 완료, 사진, 메모, 승인 증거를 기록합니다. 7. 운영 데이터를 다시 확인하고 증거 체계를 보존합니다. ## 어디서 시작할까 한 건물, 캠퍼스의 한 구역, 또는 한 시스템 그룹에서 시작하는 것이 좋습니다. 냉수 시스템, HVAC 운영 시간, 에너지 계량기, 고부하 구역, 충분한 이력이 있는 유지보수 자산이 좋은 후보입니다. | Workstream | Output | |---|---| | 데이터 감사 | BMS, 계량기, IoT, 자산 등록, BIM/IFC, 작업 지시 시스템 목록 | | 의미 매핑 | 공간, 자산, 계량기, 센서, 시스템 관계 | | 기준선 검토 | EUI, 부하 패턴, 운영 시간, 이상 신호, 데이터 공백 | | 시나리오 분석 | 개선 옵션, 모델 가정, 엔지니어링 검토 메모 | | 실행 | Inspector 작업 지시, 현장 기록, 종료와 검증 증거 | --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## 데이터 준비는 AI 확장보다 먼저입니다 산업 AI 프로젝트는 모델이 문서를 읽어도 자산, 위치, 신호, 작업 지시, 승인 규칙을 안정적으로 식별하지 못하면 막힙니다. 실제 운영에서는 데이터 기반이 모델만큼 중요합니다. [Data Fusion Services](/products/dfs)는 FactVerse에서 이 기반을 준비합니다. 소스 시스템을 연결하고 필드를 디지털 트윈 엔티티에 매핑하며 데이터를 정규화하고 지표를 계산합니다. 이렇게 만든 컨텍스트는 [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), 대시보드, 분석 워크플로에서 사용됩니다. ## 운영 워크플로에서 시작 먼저 개선할 결정이나 작업을 정해야 합니다. 예지보전, 시설 점검, 데이터센터 운영, HeatOps, 반도체 시설 시스템, 물류 장비, 디지털 SOP 실행이 좋은 시작점입니다. | 워크플로 | 우선 데이터 | |---|---| | 예지보전 | 자산 계층, 센서 추세, 알람, 정비 이력, 점검 결과, 작업 지시 결과 | | 시설 점검 | 공간 구조, 자산 목록, 점검 포인트, 체크리스트, 사진, 문제 분류, 종료 기록 | | 데이터센터 | 룸, 랙, 설비, 계량기, 알람, 에너지, 정비 기록, 자산 책임자 | | HeatOps | 열원, 서브스테이션, 계량기, 온도, 압력, 유량, 날씨, dispatch 로그 | | 작업 안내 | SOP, 단계, 장비 참조, 안전 메모, 교육 기록, 승인 요구 사항 | ## 소스 인벤토리 작성 일반적인 소스는 SCADA, BMS, EMS, PLC, historian, IoT, MES, ERP, CMMS, EAM, GIS, BIM, 계량기, 스프레드시트, 도면, 매뉴얼, SOP 저장소, 점검 도구, 교육 시스템, 문서 라이브러리입니다. 각 소스마다 소유자, 목적, 연결 방식, 필드, 업데이트 주기, 보존 기간, 단위, 타임스탬프, 명명 규칙, 품질 위험, 보안과 승인 요구를 기록합니다. ## 자산과 공간 ID 정리 AI Agent 워크플로에는 안정적인 참조가 필요합니다. 펌프, AHU, UPS, 열교환기, 밸브, 크레인, 차량, 룸, 라인, 서브스테이션은 여러 시스템에서 같은 대상으로 인식되어야 합니다. FactVerse와 Twin Engine은 이 ID를 사용해 공간, 장비, 시스템, 관계, 문서, 신호, 작업 지시를 연결합니다. Data Fusion Services는 소스 필드와 태그를 올바른 트윈 객체에 매핑합니다. ## 신호, 이벤트, 실행 기록 준비 온도, 진동, 전류, 압력, 유량, 에너지, 밸브 상태, 알람 상태, 장비 상태에는 단위, 타임스탬프, 샘플링 규칙, 품질 표시가 필요합니다. 작업 지시, 점검, 사진, SOP, 승인 기록은 실행 컨텍스트를 제공합니다. 머신러닝에는 신호, 자산 컨텍스트, 운영 상태, 사람의 판단, 실행한 조치, 결과가 함께 필요합니다. 이 데이터는 학습, 재학습, 평가, 추천 조정에 사용됩니다. ## DataMesh 롤아웃 패턴 1. **워크플로 선택** - 책임자와 측정 가능한 결과가 있는 운영 루프를 선택합니다. 2. **소스 인벤토리** - 시스템, 태그, 문서, 소유자, 접근 방식, 품질 위험을 정리합니다. 3. **ID 모델링** - FactVerse에서 공간, 자산, 시스템, 관계, 별칭을 정의합니다. 4. **매핑과 정규화** - 소스를 연결하고 필드를 엔티티에 바인딩하며 단위와 시간을 정리합니다. 5. **실행 컨텍스트 연결** - Inspector, Checklist, CMMS/EAM, SOP, 증거, 승인 규칙을 연결합니다. 6. **AI 검토 준비** - 신뢰할 수 있는 컨텍스트를 FactVerse AI Agent에 제공합니다. 7. **결과 캡처** - 현장 증거와 조치 후 측정값으로 데이터와 모델을 개선합니다. ## 체크리스트 - 워크플로에 책임자와 측정 가능한 결과가 있는가 - 시스템, 문서, 태그, 기록이 소유자와 함께 정리되었는가 - 자산과 공간이 일관되게 매핑되는가 - 단위, 타임스탬프, 샘플링, 품질 위험이 문서화되었는가 - 작업 지시, 점검, SOP, 사진, 승인 기록이 연결되었는가 - AI Agent가 추적 가능한 증거로 추천을 설명할 수 있는가 - 사람의 검토, 거절된 제안, 결과가 ML 평가에 사용되는가 ## 공개 참고 자료 [Data Fusion Services 제품 페이지](/products/dfs)는 FactVerse 데이터 통합 계층을 설명합니다. [FactVerse AI Agent 운영 루프 가이드](/resources/guides/factverse-ai-agent-industrial-operations-loop)는 추천이 검토된 현장 실행으로 이어지는 방식을 설명합니다. [Yokogawa와 DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO 스마트 팩토리](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC](/about/news/collaboration-between-jtc-datamesh)는 공개 사례입니다. --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## 데이터가 의사결정에 들어갈 때 거버넌스가 시작됩니다 신호, 알람, 계량기 값, 작업 지시, 점검 기록, 문서, 계산 지표가 운영 의사결정에 영향을 주기 시작하면 산업 데이터 거버넌스도 시작됩니다. 운영 디지털 트윈에서는 데이터를 연결하는 것만으로 충분하지 않습니다. 데이터가 어디에서 왔는지, 어떤 자산이나 공간을 설명하는지, 어떤 단위와 시간 규칙이 적용되는지, 누가 매핑을 책임지는지, 값이 신뢰 가능한지, 어떤 AI Agent나 대시보드가 사용하는지 알아야 합니다. [Data Fusion Services](/products/dfs)는 FactVerse 스택에서 이 운영 규율을 지원합니다. 소스 시스템을 연결하고 데이터를 트윈 엔티티에 매핑하며 필드를 정리하고 지표를 계산하고 데이터 마트를 준비하며 실시간 컨텍스트를 트윈에 바인딩합니다. ## DFS가 거버넌스를 지원해야 하는 영역 | 영역 | 실무 질문 | 가치 | |---|---|---| | 소스 | 어떤 시스템이 값을 소유하고 누가 사용을 승인하는가 | 책임을 명확히 함 | | 접근 | 어떤 역할, 사이트, 네트워크가 읽을 수 있는가 | 민감한 운영 데이터를 보호 | | 엔티티 | 어떤 자산, 공간, 시스템, 워크플로를 설명하는가 | 태그를 운영 컨텍스트로 전환 | | 단위와 시간 | 어떤 단위, 시간대, 샘플링, 집계 규칙이 적용되는가 | 추세와 비교를 신뢰 가능하게 함 | | 품질 | 값이 누락, 지연, 보간, 범위 밖인지 여부 | 증거의 강도를 표시 | | lineage | 어떤 커넥터, 매핑, 변환, 릴리스가 값을 만들었는가 | 감사와 문제 해결을 지원 | | 소비자 | 어떤 대시보드, AI flow, 보고서, 티켓이 사용하는가 | 변경 전 영향을 파악 | ## 운영 ID를 기준으로 관리합니다 하나의 설비가 SCADA, historian, CMMS, BIM, 현장 용어에서 서로 다른 이름을 가질 수 있습니다. 거버넌스는 이 별칭들을 안정적인 운영 ID로 연결해야 합니다. FactVerse는 공간, 자산, 시스템, 관계, 문서, 데이터 바인딩, 워크플로의 공유 컨텍스트를 제공합니다. Data Fusion Services는 소스 필드와 태그를 이 컨텍스트에 매핑해 각 값이 올바른 물리 객체와 운영 루프에 연결되게 합니다. 좋은 ID 거버넌스는 사이트, 건물, 층, 구역, 방, 라인, 경로, 자산 클래스, 자산 ID, 소유자, 생애주기 상태, 시스템 관계, 별칭, 문서, SOP, 점검 지점, 작업 지시 참조, 권한 경계를 포함합니다. ## 품질, lineage, 변경 관리 시계열 값과 이벤트는 계속 변합니다. 누락값, 오래된 데이터, 단위 변환, 타임스탬프, 샘플링, 집계, 이상값, 센서 교체, 알람 상태, 계산 지표 공식에 대한 규칙이 필요합니다. 산업 데이터 변경은 조용히 발생합니다. BMS 포인트가 이름을 바꾸거나, 계량기가 교체되거나, historian 태그가 이동하거나, CMMS 필드 의미가 바뀌거나, KPI 공식이 조정될 수 있습니다. 3D 트윈은 정상으로 보여도 데이터 컨텍스트는 틀릴 수 있습니다. 변경 기록에는 소스, 커넥터, 변경된 태그나 공식, 영향을 받는 자산과 워크플로, 다운스트림 소비자, 검토자, 승인 상태, 적용일, 롤백 방법, 검증 증거를 남겨야 합니다. ## 접근, 증거, 머신러닝 운영 데이터에는 제한 구역, 고객별 레이아웃, 생산 상태, 장비 상태, 에너지 프로필, 유지보수 기록, 서비스 기록이 포함될 수 있습니다. 소스 시스템에서 트윈으로 이동할 때도 접근 경계가 유지되어야 합니다. [Inspector](/products/inspector)와 연결된 작업 시스템은 누가 발견 사항을 검토했는지, 어떤 조치를 취했는지, 어떤 증거를 수집했는지, 상태가 개선되었는지를 기록합니다. 이 기록은 다음 AI 검토와 머신러닝 사이클의 거버넌스 데이터가 됩니다. 머신러닝에는 신호, 자산 컨텍스트, 운영 상태, 사람의 판단, 수행된 조치, 결과가 함께 필요합니다. 거버넌스는 feature 정의, 품질 필터, 작업 지시에서 나온 label, 모델 버전, 거절된 제안, 조치 후 결과를 보존합니다. ## DataMesh rollout pattern 1. **하나의 의사결정 루프 선택** - 예측 유지보수, 시설 점검, 데이터센터 자산 검토, 에너지 증거, 디지털 SOP 실행 등에서 시작합니다. 2. **데이터 오너 지정** - 소스, ID, 매핑, 품질, 계산, 접근, 다운스트림 워크플로 책임자를 정합니다. 3. **운영 ID 매핑** - FactVerse에서 공간, 자산, 시스템, 관계, 문서, 워크플로, 별칭을 정렬합니다. 4. **데이터 연결과 거버넌스** - Data Fusion Services로 소스를 연결하고 필드를 매핑하고 단위와 시간을 정리하고 지표와 품질 상태를 준비합니다. 5. **소비자 등록** - 대시보드, AI Agent 루틴, Inspector 양식, 보고서, ML 데이터셋을 기록합니다. 6. **릴리스 전 변경 검토** - 태그, 공식, 커넥터, 권한 변경을 운영 영향 전에 확인합니다. 7. **결과 수집** - 현장 증거, 검토 결정, 조치 후 값을 기록합니다. 8. **규칙 개선** - 예외, 실패한 매핑, 오래된 데이터, 거절된 AI 제안, 현장 피드백을 반영합니다. ## 체크리스트 - 각 소스에 비즈니스 오너와 기술 오너가 있는가 - 자산, 공간, 시스템, 워크플로 ID가 시스템 전반에서 일관적인가 - 단위, 타임스탬프, 샘플링, 품질 규칙이 보이는가 - 계산 지표에 공식, 오너, 검토일이 연결되어 있는가 - 커넥터에서 다운스트림 소비자까지 lineage가 남는가 - 대시보드, AI Agent, 보고서, 데이터셋이 소비자로 등록되어 있는가 - 민감 공간, 고객 기록, 제한 문서가 역할 기반으로 보호되는가 - 현장 증거와 작업 지시 결과가 검토와 ML에 사용되는가 ## 공개 참고 자료 [Data Fusion Services 제품 페이지](/products/dfs)는 FactVerse의 데이터 통합 계층을 설명합니다. [Data Readiness guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness), [Operational Digital Twin Model Governance guide](/resources/guides/operational-digital-twin-model-governance-after-go-live), [Industrial Knowledge Graphs guide](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)는 인접한 기반을 설명합니다. --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## 부족한 층은 의미입니다 산업 AI가 질문에 답하려면 질문이 가리키는 대상을 알아야 합니다. "2번 칠러", "4번 라인", "클린룸 습도", "알림 뒤의 펌프" 같은 표현은 실제 자산, 공간, 신호, 문서, 책임자와 연결되어야 합니다. 산업 지식 그래프는 이 의미 층을 제공합니다. 현장 객체를 연결하고 객체 사이의 관계를 기록합니다. [FactVerse](/products/factverse)는 이 모델을 사용해 디지털 트윈 장면, 운영 데이터, 문서, AI 추론을 같은 물리 맥락에 맞춥니다. ## 그래프가 모델링하는 대상 | 모델 영역 | 대표 엔티티 | |---|---| | 공간 구조 | 사이트, 건물, 층, 방, 존, 라인, 랙, 베이, 외부 영역 | | 물리 자산 | 장비, 계량기, 센서, 밸브, 펌프, 로봇, 차량 | | 시스템 | HVAC, 냉수, 압축 공기, 전력, 공정 유틸리티, 안전, 물류 흐름 | | 데이터 포인트 | 태그, 알림, 계산 지표, 설정값, 상태값 | | 지식 객체 | SOP, 매뉴얼, 도면, BIM/CAD 참조, 점검 템플릿 | | 이벤트 | 알림, 점검, 유지보수, 승인, 인수인계 | | 책임 관계 | 소유자, 운영자, 서비스 팀, 검토자, 위험 등급, 권한 | 관계 질문에 답할 때 모델의 가치가 드러납니다. ## 관계 예시 | 관계 | 지원하는 질문 | |---|---| | 자산이 공간에 위치 | 이 알림 뒤의 장비는 어디에 있는가 | | 장비가 존을 담당 | 이 AHU가 영향을 주는 영역은 어디인가 | | 포인트가 장비를 측정 | 이 추세를 만든 센서는 무엇인가 | | 계량기가 시스템을 측정 | 이 에너지 값은 어느 냉수 루프에 속하는가 | | 자산이 시스템에 속함 | 관련 upstream/downstream 자산은 무엇인가 | | 자산에 절차가 있음 | 점검 또는 유지보수 전에 볼 SOP는 무엇인가 | 이 관계는 AI Agent가 질문에서 증거로 이동하는 경로가 됩니다. ## FactVerse에서의 사용 방식 [Data Fusion Services](/products/dfs)는 소스 시스템의 이름, 태그, 문서, 기록을 일관된 모델로 매핑합니다. 같은 펌프, 계량기, 방이 BMS, SCADA, CMMS, BIM, 스프레드시트, 도면에서 다른 이름으로 나타날 수 있습니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 이 정체성을 공간 모델에 연결합니다. 신호는 올바른 3D 객체에 표시되고, 문서는 올바른 자산에 연결되며, 시스템 관계는 네트워크로 확인됩니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 그래프를 따라 증거를 검색할 수 있습니다. 알림에서 자산으로, 자산에서 시스템으로, 시스템에서 영향을 받는 존으로, 다시 관련 SOP와 기록으로 이동합니다. ## Brick Schema와 시설 의미 모델 건물과 시설에는 [Brick Schema](https://brickschema.org/)가 유용한 공개 참고 자료가 될 수 있습니다. 장비, 포인트, 위치, 계량기, 센서, 관계를 표현하는 어휘를 제공합니다. DataMesh는 시설 모델에서 Brick 방식의 의미 구조를 사용할 수 있습니다. 더 넓은 산업 현장에는 생산 라인, sub-fab 시스템, 물류 영역, 클린 유틸리티, 창고 존, 로봇 셀, 운영자 스테이션, 시뮬레이션 자산 같은 개념도 필요합니다. ## AI Grounding과 설명 가능한 검색 지식 그래프는 AI Agent의 답변을 추적하기 쉽게 만듭니다. AI Agent는 그래프를 사용해 증거 범위를 좁힌 뒤 관련 문서와 기록을 읽을 수 있습니다. 시설 엔지니어가 특정 존의 습도 알림이 반복되는 이유를 물으면, 그래프는 존, 측정 센서, 담당 AHU, 연결된 냉수 자산, 최근 알림, 점검 기록, 관련 SOP를 찾을 수 있습니다. AI Agent는 이 객체와 기록을 기준으로 증거를 정리합니다. ## 거버넌스 지식 그래프는 지속적인 관리가 필요합니다. 리노베이션, 장비 교체, 시스템 재구성은 자산 ID, 별칭, 관계, 포인트 매핑, 문서 링크를 바꿉니다. 거버넌스는 각 엔티티의 공식 소스, 명명 규칙, 관계 소유자, 증거 출처, 가져온 매핑의 신뢰도, 역할 기반 접근, 변경 이력을 포함해야 합니다. ## 집중된 시작 모델 | 질문 유형 | 최소 의미 범위 | |---|---| | 자산 맥락 | 자산, 위치, 시스템, 소유자, 문서, 라이브 포인트 | | 시설 상태 | 존, 존을 담당하는 장비, 센서, 알림, 제어 포인트 | | 에너지 검토 | 계량기, 시스템, 공간, 장비 그룹, 계산 지표 | | SOP 검색 | 자산 클래스, 작업 유형, SOP, 안전 메모, 필요 역할 | | 원인 검토 | 이벤트, 관련 자산, upstream/downstream 시스템, 최근 기록 | 첫 모델이 실제 질문에 안정적으로 답할 때 시스템, 사이트, 지역, 애플리케이션 단위로 확장합니다. ## 공개 참고 자료 [FactVerse](/products/factverse) 제품 페이지는 Twin Engine, AI Agent, Data Fusion Services, 애플리케이션을 연결하는 플랫폼 계층을 설명합니다. [Green Mark and Brick Schema](/resources/guides/green-mark-digital-twin-brick-schema) 가이드는 Brick 방식 시설 의미 모델이 운영 증거 추적에 어떻게 도움이 되는지 보여줍니다. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## 산업 합성 데이터에 디지털 트윈이 필요한 이유 실제 로봇 데이터는 가치가 큽니다. 산업 현장에서는 운영 상태를 수집하고 반복하며 넓게 커버하는 작업에 많은 시간이 듭니다. 시설에는 임시로 막힌 통로, 위치가 바뀐 팔레트, 열린 캐비닛, 조명 변화, 사람의 이동, 교대조별 프로세스 변화, 짧게 나타나는 설비 상태 같은 긴 꼬리 장면이 많습니다. 합성 데이터는 이런 변화를 통제된 환경에서 다루게 해줍니다. 산업 Physical AI에서는 자산, 형상, 운영 규칙, 센서 위치, 작업 목표, 프로세스 상태를 이해하는 장면에서 데이터를 만들어야 합니다. 디지털 트윈은 이 맥락을 데이터 파이프라인에 제공합니다. [DataMesh Robotics](/products/robotics)는 DataMesh 스택을 활용해 산업 장면을 준비하고, 멀티모달 학습 데이터를 생성하며, 결과를 로봇 시뮬레이션과 학습 워크플로에 연결합니다. ## 산업 장면이 다른 점 | 계층 | 데이터 파이프라인에 필요한 내용 | |---|---| | 자산 ID | 설비 이름, 객체 유형, 모델 버전, 운영 디지털 트윈과의 연결 | | 공간 맥락 | 구역, 통로, 접근 영역, 간격, 좌표, 안전 영역 | | 프로세스 상태 | 라인 상태, 스테이션 상태, 작업 단계, 예외 상태, 이벤트 시각 | | 센서 구성 | 카메라, depth, LiDAR, 로봇 자세, 시야각, 보정, 노이즈 모델, 샘플링 규칙 | | 물리 속성 | 질량, 마찰, 조인트, 제약, 재질 동작, 접촉 가정 | | 라벨과 메타데이터 | segmentation, bounding box, instance ID, depth, pose, trajectory, task state, scene variables | | 검토 기록 | 데이터셋 버전, 장면 버전, 가정, 생성 recipe, 품질 결과, 승인 메모 | 이 구조는 데이터셋이 어떤 상황을 대표하는지, 어떻게 재현하고 조정할 수 있는지 설명하는 데 도움이 됩니다. ## DataMesh 워크플로 1. **환경 모델링** - FactVerse에서 공장, 시설, 창고, 워크셀, 점검 영역을 만들고 자산, 구역, 메타데이터, 관계를 추가합니다. 2. **장면 동작 작성** - FactVerse Designer에서 레이아웃 변형, 프로세스 로직, 객체 움직임, 작업 단계, 이벤트, 시나리오 타이밍을 정의합니다. 3. **시뮬레이션 자산 준비** - CAD, BIM, 3D, OpenUSD, 재질, 스케일, 좌표계, SimReady 준비 규칙을 맞춥니다. 4. **센서와 작업 구성** - 카메라, depth sensor, 로봇 뷰포인트, 대상 객체, 작업 목표, 성공 조건, 제약을 정의합니다. 5. **라벨 데이터 생성** - RGB, depth, segmentation, bounding box, instance ID, pose, trajectory, process state, scene metadata를 생성합니다. 6. **학습 스택으로 내보내기** - 데이터셋과 장면 자산을 로봇 학습, 평가, Isaac Sim / Omniverse 워크플로 또는 엔터프라이즈 도구 체인으로 패키징합니다. 7. **검토와 반복** - 데이터 품질, 장면 커버리지, 라벨 일관성, 작업 커버리지, downstream 평가 결과를 추적합니다. ## DataMesh 스택의 역할 [FactVerse](/products/factverse)는 사이트 구조, 자산, 관계, 데이터 맥락, 권한, 장면 기록을 보존하는 운영 디지털 트윈 기반입니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 형상, 데이터 바인딩, 동작, 상호작용 상태를 포함한 실행 가능한 트윈 runtime 맥락을 제공합니다. [FactVerse Designer](/products/designer)는 레이아웃, 프로세스 로직, behavior tree, 작업 단계, 시나리오 변형을 만드는 저작 환경입니다. [DataMesh Robotics](/products/robotics)는 합성 데이터 생성, 라벨 출력, 작업 정의, reward setup, 로보틱스 파이프라인 준비에 집중합니다. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)는 렌더링, 센서 시뮬레이션, 물리 검증, 외부 시뮬레이션 도구가 필요한 경우 FactVerse 장면을 OpenUSD와 Omniverse 워크플로에 연결합니다. [Data Fusion Services](/products/dfs)는 장면에 설비 상태, 알람, 생산 신호, 시설 맥락이 필요할 때 실시간 및 이력 데이터를 연결합니다. ## 데이터셋 사양 체크리스트 - 대상 로봇, 센서, 모델 계열 또는 학습 스택. - 환경 범위, 장면 버전, 자산 목록, 좌표계. - 작업 범위, 대상 객체, 프로세스 상태, 성공 기준. - 센서 구성, 카메라 경로, 뷰포인트, 보정, 노이즈 가정. - 조명, 재질, 객체 배치, 설비 상태, 경로 상태, 프로세스 타이밍의 변화 규칙. - RGB, depth, segmentation, bounding box, pose, trajectory, scene metadata 같은 출력. - 라벨 일관성, 클래스 커버리지, 공간 정확도, 장면 커버리지 품질 점검. - export format, naming rule, dataset version, review owner. ## 실무 시작점 - **인식 데이터셋**: 산업 객체, 설비, 공구, 팔레트, 표지, 지그, 작업 구역의 라벨 이미지와 depth 데이터. - **점검 워크플로**: 자산, 패널, 게이지, 배관, 캐비닛, 접근이 어려운 영역의 뷰포인트와 라벨. - **모바일 로봇 장면**: 통로, 장애물, 경로 상태, staging area, docking point, 변화하는 시설 조건. - **조작과 접촉 작업**: 객체 pose, 재질 동작, grasp constraint, contact state, task sequence. - **공장과 창고 계획**: 물리 시험 전에 레이아웃 변형, 자재 흐름, 로봇 경로, 운영 제약을 결합합니다. ## 품질과 거버넌스 지표 - 대상 영역, 객체 클래스, 프로세스 상태별 장면 커버리지. - 프레임과 장면 버전 전반의 라벨 일관성. - 조명, 배치, 가림, 객체 상태, 센서 pose의 변화 커버리지. - 스케일, 충돌, 접촉, 경로, 타이밍의 물리 일관성. - downstream simulator 또는 training stack 통합 품질. - 데이터셋 버전에서 장면, 생성 recipe, 가정으로 이어지는 추적성. - 모델 평가 또는 로봇 시뮬레이션 검토에서 얻은 학습. ## 공개 참고 자료 [DataMesh Robotics 발표](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)는 합성 학습 데이터, 실행 가능한 산업 디지털 트윈, 작업 목표, reward setup, 로보틱스 파이프라인 준비 방향을 설명합니다. [GTC 2025 쇼케이스](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)는 FactVerse와 NVIDIA Omniverse 워크플로에서 DataMesh 시뮬레이션 디지털 트윈을 보여줍니다. [FactVerse와 NVIDIA Omniverse 플랫폼 글](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)은 FactVerse 장면 맥락이 Omniverse 워크플로와 연결되는 방식을 설명합니다. --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## 정확성은 지속적인 운영 업무입니다 디지털 트윈의 런칭 이후 가치는 모델이 현장과 계속 맞는지에 달려 있습니다. 설비는 교체되고, 공간은 바뀌며, 센서 이름과 유지보수 경로, 절차, 접근 권한도 변합니다. 모델 거버넌스는 각 계층의 책임자, 업데이트를 유발하는 현장 변경, 검토 방식, 버전 릴리스, 승인된 모델 사용 방식을 정의합니다. AI Agent와 Physical AI 워크플로에서는 이 거버넌스가 추론, 시뮬레이션, 권고 검토에 쓰이는 맥락을 보호합니다. ## 런칭 이후 변경 | 변경 원인 | 거버넌스 영향 | |---|---| | 설비 교체 | 자산 ID, 기하, 문서, 유지보수 이력, 데이터 바인딩 | | 공간 또는 레이아웃 변경 | 공간 계층, 접근 경로, 안전 경계, 권한 | | 센서 또는 미터 이름 변경 | DFS 매핑, 단위, 추세 이력, 대시보드 | | 절차 업데이트 | SOP 링크, 점검 템플릿, 안내 콘텐츠, 승인 규칙 | | 개조 또는 확장 | BIM, CAD, 포인트 클라우드, 준공 버전 | | 시스템 관계 변경 | 상하류 의존성, 영향 구역, 알람 맥락 | | 권한 변경 | 민감 공간, 고객 전용 구역, 제한 기록 | 이 변경은 통제된 큐로 들어가야 합니다. ## 계층별 관리 | 계층 | 관리 대상 | |---|---| | 공간 모델 | 사이트, 건물, 층, 방, 구역, 경로, 접근, 안전 경계 | | 자산 모델 | 자산 ID, 이름, 클래스, 계층, 소유자, 수명주기 상태 | | 시스템 모델 | 전력, 냉각, 공기, 물, 유틸리티, 물류, 제어 | | 기하 | BIM, CAD, 3D, 포인트 클라우드, 소스 버전, 모델 크기, 상세 수준 | | 데이터 바인딩 | 센서, 미터, 알람, 상태값, 계산 지표, 갱신 규칙 | | 문서와 SOP | 매뉴얼, 도면, 작업 지침, 점검 템플릿, 승인 기록 | | 권한 | 역할, 민감 공간, 고객 전용 레이아웃, 제한 문서 | | 애플리케이션 장면 | Designer 장면, Inspector 양식, 대시보드, 교육, 시뮬레이션 | 이 구조는 모델 유지보수를 단순 파일 관리가 아닌 운영 프로세스로 만듭니다. ## 업데이트 프로세스 1. **변경 수집** - 현장, 프로젝트, 점검, CMMS, BMS, 포인트 클라우드 검토가 요청을 만듭니다. 2. **영향 분류** - 기하, 자산 ID, 시스템 관계, 데이터, 문서, 권한, 장면 영향을 판단합니다. 3. **원본 업데이트** - 자산 대장, BIM/CAD, 포인트 클라우드, 매핑, 문서 저장소, 절차 라이브러리를 먼저 수정합니다. 4. **트윈 릴리스 준비** - Designer, Twin Engine, Data Fusion Services로 런타임 모델을 업데이트합니다. 5. **현장 증거 검토** - 위치, ID, 데이터 바인딩, 시각 상태, 문서 링크, 권한 동작을 확인합니다. 6. **버전 게시** - 승인된 버전을 릴리스 노트, 검토자, 영향 영역, 롤백 참조와 함께 게시합니다. 7. **사용자 알림** - 대시보드, Inspector, AI Agent, 시뮬레이션, 교육이 승인 버전을 사용합니다. 8. **결과 감사** - 현장 불일치가 해결되었는지 확인합니다. ## 데이터 바인딩 별도 검토 데이터 바인딩은 조용히 깨질 수 있습니다. 태그, 미터, 샘플링 간격, 계산식이 바뀌어도 3D 장면은 정상처럼 보일 수 있습니다. [Data Fusion Services](/products/dfs)는 소스 시스템과 트윈 엔티티 사이의 매핑을 관리합니다. 중요한 바인딩에는 소스, 태그, 단위, 시간 규칙, 품질 상태, 갱신 빈도, 담당자를 기록해야 합니다. AI Agent 권고는 신호, 자산, 공간, 문서, 현장 이력의 관계에 의존하므로 이 추적성이 중요합니다. ## 현장 증거로 루프 닫기 [Inspector](/products/inspector)는 관련 자산이나 공간에 문제, 사진, 점검 결과, 수정 조치, 작업 기록을 남길 수 있습니다. 유용한 증거에는 현재 사진, 확인된 자산 ID, 방 또는 경로, 영향받은 워크플로, 제안 수정, 긴급도, 검토자, 종료 기록이 포함됩니다. 이렇게 모델 유지보수는 검증 가능한 운영 프로세스가 됩니다. ## AI와 시뮬레이션을 위한 거버넌스 AI Agent, 시뮬레이션, Physical AI는 승인된 모델 맥락을 사용해야 합니다. 권고나 시뮬레이션 결과가 생성될 때 적용된 기하, 자산 관계, 데이터 바인딩, 문서, 시나리오 가정이 모델 버전에 기록되어야 합니다. 이 추적성은 릴리스 비교와 원인 구분을 돕습니다. 운영 변화, 데이터 품질, 모델 업데이트, AI 워크플로 변경을 더 명확히 볼 수 있습니다. ## 운영 리듬 * 긴급 현장 불일치와 깨진 바인딩은 매일 검토 * 자산, 문서, 권한, 워크플로는 매주 검토 * 모델 품질과 소스 시스템 드리프트는 매월 검토 * 모든 운영 업데이트에 릴리스 노트 유지 * 큰 변경에는 롤백 참조 유지 * 사이트, 시스템, 공통 자산 라이브러리별 담당자 지정 ## 체크리스트 * 공간, 자산, 시스템, 데이터 바인딩마다 담당자가 있습니까? * 현장 변경이 승인된 경로로 들어옵니까? * 런타임 트윈 전에 원본이 업데이트됩니까? * 버전이 릴리스 노트와 검토자에 연결됩니까? * 민감 공간과 제한 문서가 보호됩니까? * Inspector 증거가 모델 업데이트를 유발할 수 있습니까? * AI Agent와 시뮬레이션이 사용한 모델 버전을 참조합니까? ## 공개 참고 자료 [BIM, CAD, 포인트 클라우드 자산 파이프라인 가이드](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline)는 런칭 전 소스 모델 준비를 설명합니다. [데이터 준비 가이드](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)는 AI Agent와 운영 트윈을 위한 데이터 기반을 설명합니다. [산업 지식 그래프 가이드](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)는 자산, 공간, 시스템, 신호, 문서, AI 추론을 연결하는 의미 관계를 설명합니다. --- ## [GUIDES] GMP/CSV 증거를 위한 제약 작업자 교육과 디지털 SOP ## 규제 운영은 숙련된 작업자에 의해 완성됩니다 제약 및 바이오제약 시설은 자동화 장비, 관리된 룸, 유틸리티, 품질 시스템, 숙련된 사람의 실행을 함께 사용합니다. 많은 생산 단계는 셋업, 세척, 샘플링, 계량, 조립, 분해, 라인 클리어런스, 점검, 인수인계, 예외 대응을 수행하는 훈련된 작업자에 의존합니다. 핵심 과제는 일관성입니다. 팀은 교대조, 사이트, 교육 그룹을 넘어 같은 절차 버전, 장비 컨텍스트, 시각 자료, 안전 메모, 역할 지시, 증거 기록을 사용해야 합니다. 디지털 트윈 기반 SOP 워크플로는 공유 운영 컨텍스트를 제공합니다. 공간, 장비, 절차 단계, 교육 기록, 점검 작업, 작업 지시, 사진, 검토 메모, 변경 이력을 실제 자산과 공정 구역 주변에 연결합니다. ## 디지털 SOP가 담아야 할 정보 | 계층 | 운영 세부 정보 | |---|---| | 절차 버전 | 승인된 SOP, 개정, 시행일, 교육 대상, 담당자 | | 공간 컨텍스트 | 룸, 구역, 장비, 유틸리티 연결, 접근 경로, 안전 경계 | | 작업 단계 | 셋업, 자재 준비, 세척, 샘플링, 점검, 확인, 인수인계, 종료 | | 시각 안내 | 3D 모델, 애니메이션, 라벨, 이미지, 비디오, 체크포인트, 작업자 프롬프트 | | 역할과 교육 | 필요 역할, 교육 완료, 평가 결과, 재교육 주기, 교육 그룹 이력 | | 실행 기록 | 작업자, 시간, 자산, 단계 상태, 사진, 메모, 예외, 작업 지시, 검증 | | 변경 이력 | SOP 개정, 자산 변경, 콘텐츠 검토, 교육 업데이트, 승인 경로 | 목표는 어떤 절차가 사용되었고, 어떤 자산이나 구역에 적용되었으며, 누가 교육을 받았고, 무엇을 실행했고, 무엇을 관찰했으며, 결과가 어떻게 검토되었는지 보여 주는 기록입니다. ## DataMesh 워크플로 1. **절차 소스 수집** - SOP, 작업 지시서, 교육 자료, 장비 모델, 사진, 비디오, 자산 목록, 룸 컨텍스트, 유지보수 기록, 품질 검토 요구 사항을 모읍니다. 2. **운영 컨텍스트 구성** - FactVerse로 룸, 장비, 유틸리티, 문서, 공정 구역, 자산 이력, 역할 책임을 연결합니다. 3. **안내 절차 작성** - Director로 3D SOP, 교육 시나리오, 단계 프롬프트, 체크포인트, 애니메이션, 라벨, 검토 가능한 콘텐츠를 만듭니다. 4. **교육과 현장 안내 제공** - DataMesh One과 모바일 또는 XR 기기로 같은 자산 컨텍스트에서 학습과 실행을 진행합니다. 5. **실행 증거 수집** - Inspector와 Checklist로 점검, 작업, 사진, 메모, 예외, 시정 조치, 작업 지시, 검증 상태를 기록합니다. 6. **운영 데이터 연결** - Data Fusion Services로 자산 상태, 알람, 유지보수 이력, 문서, 기업 기록을 워크플로 필요 범위에 연결합니다. 7. **검토와 개선** - 일관된 기록을 품질 검토, 재교육, 이상 이벤트 분석, 유지보수 종결, CSV 증거 준비에 활용합니다. 운영, 품질, 교육, 엔지니어링 팀은 교육에서 실행까지 검토 가능한 흐름을 공유하게 됩니다. ## 일반적인 시작 지점 - **작업자 온보딩**: 생산 작업 전 룸 레이아웃, 장비 식별, 클린 실행 기대치, 일반적인 인수인계를 교육합니다. - **셋업과 체인지오버**: 시각 체크로 셋업, 조립, 분해, 검증, 라인 클리어런스 작업을 안내합니다. - **세척과 점검**: 단계 안내, 사진 증거, 점검 결과, 시정 조치를 관련 자산이나 구역에 연결합니다. - **샘플링과 계량**: 반복 작업을 위해 안내 프롬프트, 장비 컨텍스트, 역할 지시, 완료 기록을 제공합니다. - **유지보수와 캘리브레이션 지원**: 장비 이력, 현장 작업, 작업 지시, 승인 메모, 관련 SOP 참조를 연결합니다. - **편차와 이상 검토**: 무엇이 발생했는지, 어디서 발생했는지, 어떤 단계가 관련되었는지, 후속 조치가 어떻게 완료되었는지 정리합니다. 좋은 파일럿은 교육 부담이 높고, 인수인계 문제가 반복되며, 증거 요구가 명확한 절차에서 시작됩니다. ## GMP와 CSV 증거 구조 GMP 프로그램은 관리되고 반복 가능하며 추적 가능한 제조 실천을 요구합니다. SOP 실행에서는 명확한 버전 소유, 교육된 인원, 승인된 작업 단계, 신뢰할 수 있는 기록, 검토 가능한 예외가 중요합니다. CSV 프로그램은 규제 워크플로에서 사용되는 컴퓨터화 시스템에 초점을 둡니다. 디지털 SOP와 점검 워크플로에서는 intended use, 시스템 범위, 접근 역할, 버전 관리, 워크플로 기록, 변경 이력, 테스트 증거, 품질 검토 자료가 유용합니다. DataMesh는 절차, 교육 완료, 작업 기록, 점검 증거, 자산 이력, 시정 조치, 변경 기록을 관련 공정과 장비 컨텍스트에 연결해 이러한 증거 구조를 지원합니다. ## 제품 역할 [Director](/products/director)는 안내형 3D SOP, 교육 시나리오, 애니메이션, 라벨, 체크포인트, 현장 지시를 만듭니다. [Inspector](/products/inspector)는 점검, 작업 지시, 수리 기록, 증거 수집, 검증, 현장 이력을 관리합니다. [Checklist](/products/checklist)는 반복 작업, 구조화 양식, 완료 기록, 모바일 실행을 지원합니다. [FactVerse](/products/factverse)는 공간, 자산, 문서, 워크플로, 데이터 바인딩을 위한 운영 디지털 트윈 컨텍스트를 제공합니다. [Data Fusion Services](/products/dfs)는 데이터 통합 범위에서 DCS, SCADA, 히스토리언, CMMS, EAM, LIMS, 알람, 센서, 문서, 기업 시스템을 연결합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 반복 이슈, 이상 추세, 관련 작업 이력을 요약해 자격 있는 팀의 검토를 지원할 수 있습니다. ## 거버넌스 체크리스트 - SOP 버전, 담당자, 시행일, 교육 대상이 기록되어 있나요? - 룸, 장비, 유틸리티, 문서, 자산 식별자가 시스템 간 일관적인가요? - 교육 완료, 평가, 재교육 기록이 올바른 절차 버전에 연결되어 있나요? - 현장 작업이 올바른 자산, 구역, 단계, 작업자 역할, 검토 상태에 연결되어 있나요? - 사진, 메모, 예외, 시정 조치, 검증 기록이 이후 검토에 맞는 구조인가요? - 접근 역할, 콘텐츠 승인, 변경 검토, 릴리스 관리가 기록되어 있나요? - 시스템 범위, intended use, 버전 이력, 테스트 기록이 CSV 준비에 활용 가능한가요? - 품질, 운영, 교육, 엔지니어링, 유지보수 담당자가 rollout 전에 정렬되어 있나요? 이 점검은 디지털 SOP 콘텐츠를 운영 증거 시스템으로 전환합니다. ## 공개 참고 자료 [Swire Coca-Cola 참고 자료](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)는 유지보수 프로세스와 현장 교육 디지털화를 보여 줍니다. [Foxconn 참고 자료](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency)는 FactVerse를 교육과 유지보수 워크플로에 활용한 사례입니다. [고속도로 안전 교육 참고 자료](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety)는 디지털 트윈과 혼합현실이 실습 교육을 개선하는 방식을 보여 줍니다. [Yokogawa와 DataMesh 참고 자료](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 산업 시설 신호를 유지보수 검토로 연결하는 패턴을 보여 줍니다. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## 공정 검증을 위한 더 빠른 중간 계층 생산 라인과 포장 프로젝트는 정적 레이아웃, 이산 사건 시뮬레이션, 유한요소해석, CFD, 현장 시험 사이를 오갑니다. 실제 문제는 이 사이에서 자주 발생합니다. 포장물 방향, 충돌, 미끄러짐, 적재, 인계 타이밍, 로봇 접근성, 작업자 도달 범위, 장비 간 상호작용이 대표적입니다. Omniverse, NVIDIA Isaac Sim, PhysX, Newton을 중심으로 한 현대적 워크플로는 빠른 중간 계층을 만듭니다. 엔지니어링과 운영 팀은 디지털 트윈 안에서 더 많은 물리 시나리오를 시험하고, 상세 분석이나 현장 시험으로 보낼 핵심 후보를 선택할 수 있습니다. 정확도 목표는 보정된 유한요소 모델과 다릅니다. 가치는 속도, 시나리오 범위, 공동 검토, 조기 문제 발견에 있습니다. DataMesh에서는 이 흐름이 [FactVerse Designer](/products/designer)의 자연스러운 확장입니다. Designer는 생산 장면, 공정 로직, behavior tree, 레이아웃 변형, timeline 시나리오를 만듭니다. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)는 그 컨텍스트를 OpenUSD와 Omniverse 워크플로로 전달합니다. 이후 팀은 PhysX 물리, RTX 렌더링, 로봇 모델, 센서를 갖춘 Isaac Sim 장면을 준비할 수 있으며, 공정 시나리오가 로보틱스나 Physical AI로 확장될 때 Isaac Lab 또는 Newton 경로로 이어질 수 있습니다. ## 기존 시뮬레이션이 느려지는 지점 | 방법 | 적합한 질문 | 일반적인 제약 | |---|---|---| | 정적 레이아웃 | 공간, 장비 위치, 접근, 이해관계자 정렬 | 이동과 상호작용 근거가 적음 | | 이산 사건 시뮬레이션 | 처리량, 대기열, 활용률, 버퍼, 리소스 | 형상과 물리 거동이 단순화됨 | | 유한요소해석 | 응력, 변형, 재료 응답, 구조 위험 | 모델링과 계산 주기가 김 | | CFD | 공기, 유체, 열, 압력, 오염 제어 | 전문 모델과 긴 반복 주기 | | 현장 시험 | 최종 공정 신뢰와 작업자 피드백 | 비용, 일정, 안전, 시나리오 범위 제약 | 물리 기반 공정 시뮬레이션은 상자가 가이드에 닿거나, 트레이가 기울거나, 로봇 인계가 늦거나, 컨베이어 버퍼가 가득 찰 때 현장에서 무엇이 보일지 더 일찍 확인하게 해 줍니다. ## Isaac Sim, PhysX, Newton의 가치 NVIDIA는 Isaac Sim을 Omniverse libraries 위에 구축된 오픈소스 참조 프레임워크로 설명하며, 물리 기반 가상 환경에서 로봇 시뮬레이션, 테스트, 합성 데이터 생성을 지원합니다. CAD, URDF, MJCF, 현장 캡처 컨텍스트를 USD로 변환하고, 재료, 물리 속성, 로봇 모델, 센서가 포함된 장면을 구성할 수 있습니다. PhysX는 이 Isaac 및 Omniverse 경로 안의 물리 기반입니다. NVIDIA Isaac Sim 문서는 핵심 시뮬레이션을 산업 규모의 다중 센서 RTX 렌더링을 지원하는 고충실도 GPU 기반 PhysX 엔진으로 설명합니다. 생산 라인 팀은 이동, 충돌, 강체 거동, 배치, 자재 흐름, 간격, 로봇 도달성, 안전 구역 검토에 활용할 수 있습니다. Isaac Lab과 Newton은 워크플로를 로봇 학습과 접촉이 많은 시뮬레이션으로 확장합니다. NVIDIA는 Isaac Lab을 로봇 학습을 위한 오픈소스 GPU 가속 모듈형 프레임워크로 설명합니다. NVIDIA는 Newton을 Warp와 OpenUSD 기반의 개방형 확장 가능 물리 엔진으로 설명하며, GPU 가속, 미분 가능 물리, 플러그형 solver, 강체와 변형체 시뮬레이션, Isaac 워크플로 통합을 공개 방향으로 제시합니다. 공정 시뮬레이션이 로봇 정책, 촉각 접촉, 유연 재료, 포장 변형, 케이블, Physical AI 워크플로와 만날수록 이 경로가 중요해집니다. 필요한 물리 깊이는 의사결정에 맞춰야 합니다. 포장 레이아웃 검토는 빠른 이동과 충돌 확인으로 충분할 수 있습니다. 로봇 삽입 작업은 더 강한 접촉 모델이 필요할 수 있습니다. 재료 파손 질문은 전문 엔지니어링 분석으로 넘기는 것이 맞습니다. ## 포장 공정 검증 포장은 작은 물리 차이가 운영 결과를 바꾸기 때문에 좋은 적용 영역입니다. 가상 시험은 다음을 탐색할 수 있습니다. * 포장물 방향, 간격, 인계 타이밍 * 컨베이어 속도, 가이드, 분기, 정지 장치, 버퍼 * 트레이, 박스, 병, 파우치, 케이스의 장비 내 이동 * 미끄러짐, 전도, 적재, 튐, 접촉, 충돌 패턴 * 로봇 도달성, 그리퍼 접근, 작업 범위, 안전 구역 * 작업자 도달 범위, 유지보수 접근, 걸림 복구, 검사 시점 * 장비 이동이나 치공구 변경 전 라인 대안 비교 목표는 더 이른 선별입니다. 팀은 더 많은 옵션을 비교하고 명확한 물리 문제를 먼저 찾으며 상세 검증을 위한 질문을 준비할 수 있습니다. ## DataMesh 워크플로 1. **운영 장면 구축** - FactVerse에서 라인, 포장 셀, 장비, 스테이션, 버퍼, 경로, 접근 영역, 자산 ID를 모델링합니다. 2. **공정 로직 작성** - Designer에서 behavior tree, 타이밍, 상태 전환, 자재 경로, 고장, 복구 단계, 변형을 정의합니다. 3. **시뮬레이션 자산 준비** - 스케일, 좌표, 충돌 형상, 재료 가정, 질량, 마찰, 제약, 버전 기록을 맞춥니다. 4. **물리 워크플로 연결** - FactVerse Adaptor for NVIDIA Omniverse로 OpenUSD와 Omniverse에 장면 컨텍스트를 전달합니다. 로보틱스가 범위에 들어오면 물리 속성, 재료, 로봇 모델, 센서를 갖춘 Isaac Sim 장면을 준비합니다. 5. **빠른 가상 시험 실행** - 적합한 Omniverse, Isaac Sim, PhysX 또는 Newton 경로로 이동, 충돌, 접촉, 배치, 인계, 버퍼, 작업자 접근, 로봇 상호작용을 검토합니다. 6. **시나리오 비교** - 어떤 레이아웃, 타이밍, 재료, 장비 변형이 가정 아래 더 나은지 기록합니다. 7. **선택 사례 심화** - 핵심 사례를 유한요소해석, CFD, 공급사 엔지니어링, 현장 시험으로 보냅니다. 8. **증거 유지** - 가정, 설정, 결과, 스크린샷, 이슈, 승인 메모를 시나리오 버전에 연결합니다. 이렇게 하면 가상 계획이 엔지니어링 거버넌스와 연결됩니다. ## 이 계층이 잘하는 일 물리 기반 공정 시뮬레이션은 빠른 비교에 강합니다. * 초기 포장 공정 선별 * 컨베이어, 자재 이송, 버퍼 검토 * 레이아웃과 간격 검증 * 충돌과 걸림 위험 발견 * 로봇과 작업자 접근성 검토 * 장비 상호작용과 인계 타이밍 * 가상 커미셔닝 준비 * Physical AI 시나리오 준비 * 엔지니어링, 운영, 안전, 공급사 공동 검토 결과는 엔지니어링 판단을 돕는 데 사용됩니다. 선택지를 줄이고 비용이 큰 검증을 중요한 시나리오에 집중시킵니다. ## 고정밀 방법이 계속 필요한 영역 유한요소해석, CFD, 재료 시험, 현장 시험은 응력, 피로, 파손, 밀봉, 열, 공기 흐름, 액체, 오염 위험, 품질 기준의 최종 판단에 적합합니다. 물리 엔진도 보정이 필요합니다. 마찰, 강성, 감쇠, 반발, 질량, 형상 단순화, 접촉 설정, solver 파라미터가 결과에 영향을 줍니다. 유연 포장, 액체, 분말, 접착, 열, 마모, 파손은 전문 모델이나 물리 실험이 필요할 수 있습니다. 가장 좋은 사용 방식은 빠른 물리 시뮬레이션을 엔지니어링 필터로 다루는 것입니다. 더 좋은 질문을 더 빨리 만들고 더 좋은 검증 대상을 선택합니다. ## 측정할 항목 | 영역 | 유용한 지표 | |---|---| | 반복 속도 | 장면 설정 시간, 변형 수, 검토 주기, 첫 이슈 발견 시간 | | 시나리오 범위 | 레이아웃, 속도, 포장 유형, 고장 상태, 접근 조건 | | 모델 품질 | 스케일 오차, 재료 가정, 충돌 형상 품질, 보정 근거 | | 엔지니어링 가치 | 시험 전 발견 문제, 제외된 변형, 축소된 검증 범위 | | 전이 품질 | 가상 시험과 현장 관찰 차이, 반복되는 오차 유형 | | 거버넌스 | 시나리오 버전, 물리 설정, 자산 버전, 검토자, 결정 기록 | 지표는 시뮬레이션을 유용하게 유지합니다. 가정이 불명확한 빠른 모델은 노이즈를 만들고, 추적 가능한 빠른 모델은 엔지니어링 레버리지를 만듭니다. ## 제품 역할 [FactVerse Designer](/products/designer)는 레이아웃, behavior tree, 공정 로직, timeline 시나리오, 변형을 작성하는 환경입니다. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)는 FactVerse 장면 컨텍스트를 OpenUSD와 Omniverse 워크플로에 연결해 렌더링, 물리 검증, Isaac Sim 장면 준비, 고급 시뮬레이션을 지원합니다. [FactVerse](/products/factverse)와 [FactVerse Twin Engine](/products/factverse-twin-engine)은 자산, 공간, 시스템, 메타데이터, 권한, 시나리오 기록을 포함한 운영 디지털 트윈 컨텍스트를 보존합니다. [Data Fusion Services](/products/dfs)는 생산 신호, 장비 상태, 알람, 속도, 처리량, 시설 컨텍스트가 필요한 경우 실시간 및 이력 데이터를 연결합니다. [DataMesh Robotics](/products/robotics)는 포장 또는 라인 시나리오가 학습 데이터, Isaac Sim 로봇 시뮬레이션 환경, Isaac Lab 학습 과제, Physical AI 평가 과제로 확장될 때 연결됩니다. ## 준비 체크리스트 * 엔지니어링 결정이 시뮬레이션 깊이를 선택할 만큼 명확한가요? * 라인 자산, 장비 이름, 포장 유형이 안정적인가요? * 스케일, 좌표, 단위, 원점이 검증되었나요? * 충돌 형상과 재료 가정이 기록되었나요? * 공정 타이밍, 경로, 인계 규칙, 상태 전환이 Designer에 정의되었나요? * 물리 설정이 검토 목표와 연결되어 있나요? * 알려진 한계가 검토 전에 기록되었나요? * 핵심 시나리오가 상세 검증으로 이어지나요? * 결과가 장면 버전, 자산 버전, 물리 설정으로 추적되나요? ## 공개 참고 자료 NVIDIA는 [Omniverse](https://www.nvidia.com/en-us/omniverse/)를 산업 디지털 트윈과 Physical AI 시뮬레이션 애플리케이션을 위한 libraries 및 microservices로 설명하며 OpenUSD, RTX, 물리 기능을 제시합니다. NVIDIA [Omniverse libraries](https://developer.nvidia.com/omniverse) 페이지는 ovphysx를 확장 가능한 로보틱스와 디지털 트윈 시뮬레이션을 위한 USD 네이티브 멀티피직스 라이브러리로 설명합니다. NVIDIA [Isaac Sim](https://developer.nvidia.com/isaac/sim) 페이지는 Isaac Sim을 Omniverse libraries 위에 구축된 로봇 시뮬레이션, 테스트, 합성 데이터 생성을 위한 오픈소스 참조 프레임워크로 설명합니다. NVIDIA [Isaac Lab](https://developer.nvidia.com/isaac/lab) 페이지는 Isaac Lab을 대규모 로봇 정책 학습을 위한 오픈소스 GPU 가속 모듈형 로봇 학습 프레임워크로 설명합니다. NVIDIA [Newton Physics](https://developer.nvidia.com/newton-physics) 페이지는 Newton을 로봇 학습과 개발을 위한 Warp 및 OpenUSD 기반 개방형 확장 가능 물리 엔진으로 설명합니다. NVIDIA의 공개 Newton 산업 로보틱스 글은 접촉이 많은 조작, 변형 시뮬레이션, SDF 충돌, hydroelastic contact, Isaac 통합을 설명합니다. DataMesh의 [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 및 [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)는 simulation digital twins, OpenUSD, Physical AI 방향을 보여 줍니다. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## 유지보수 흐름은 신호 이후에 시작됩니다 예측 유지보수의 가치는 위험 신호가 체계적인 작업 흐름으로 이어질 때 분명해집니다. 진동 추세, 온도 변화, 전류 이상, 반복 알람은 어떤 설비가 영향을 받는지, 근거가 얼마나 충분한지, 연결된 시스템은 무엇인지, 어느 팀이 검토해야 하는지, 어떤 현장 조치가 필요한지로 이어집니다. [DataMesh Predictive Maintenance](/solutions/predictive-maintenance)는 이 단계를 디지털 트윈으로 연결합니다. 데이터, 설비 맥락, AI 기반 검토, 작업 지시, 현장 증거, 검증 기록이 하나의 운영 흐름 안에 남습니다. 이 흐름은 실제 Physical AI 적용 방식이기도 합니다. AI는 현실 세계의 운영 신호를 해석하고, 디지털 트윈은 권장 조치를 설비, 위치, 시스템 관계, 현장 승인 절차와 연결합니다. ## 흐름을 구성하는 요소 - **연결된 신호**: 진동, 온도, 전류, 압력, 가동 시간, 알람, historian 태그, 환경 맥락. - **설비 맥락**: 설비 계층, 위치, 운영 역할, 시스템 의존성, 유지보수 계획, 문서, 예비품 정보. - **AI 기반 검토**: 추세 비교, 이상 징후, 열화 패턴, 근거 요약, 조치 초안. - **디지털 트윈 검증**: 공간 맥락, 상하류 의존성, 최근 작업, 운영 제약, 현장 접근성. - **작업 실행**: Inspector 작업 지시, Checklist 작업, 담당자 배정, 현장 메모, 사진, 승인, 종료 상태. - **후속 증거**: 작업 이후 측정값, 반복 알람 검토, 상태 비교, 업데이트된 설비 이력. 결과 기록에는 무엇을 발견했는지, 왜 중요한지, 누가 검토했는지, 어떤 조치가 승인됐는지, 결과가 어떻게 확인됐는지가 남습니다. ## DataMesh 스택의 역할 [Data Fusion Services](/products/dfs)는 센서, historian, BMS, SCADA, CMMS, EAM, IoT, 엔터프라이즈 시스템을 연결합니다. 운영 데이터를 디지털 트윈 바인딩, 분석, AI 검토에 맞게 준비합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 의사결정 지능 계층입니다. FactVerse AI Agent 예측 유지보수 모듈은 신호 변화, 설비 관계, 유지보수 이력, 운영 맥락을 검토하고 유지보수 팀이 판단할 근거를 정리합니다. [FactVerse](/products/factverse)는 디지털 트윈 맥락을 제공합니다. [Inspector](/products/inspector)는 점검, 작업 지시, 현장 기록, 검증, 유지보수 증거를 관리합니다. [Checklist](/products/checklist)는 반복 업무와 여러 팀의 작업 흐름을 정리합니다. 고객이 운영 거버넌스로 관리하는 CMMS, EAM, BMS, SCADA, 승인 흐름은 현장 규칙에 맞춰 함께 연동됩니다. ## 신호에서 검증된 작업까지 1. 센서, historian, 알람, 점검, 설비 데이터를 연결합니다. 2. 설비, 시스템, 데이터 포인트, 작업 기록을 디지털 트윈에 매핑합니다. 3. FactVerse AI Agent로 추세, 이상 징후, 관련 근거를 검토합니다. 4. 유지보수와 엔지니어링 팀이 트윈 맥락에서 결과를 확인합니다. 5. 범위, 담당자, 승인 기준을 포함한 Inspector 작업 지시 또는 Checklist 작업을 생성합니다. 6. 완료 증거를 수집하고 작업 이후 상태를 초기 신호와 비교합니다. ## 먼저 적용하기 좋은 영역 | 시작 지점 | 실무 초점 | |---|---| | 회전 설비 | 펌프, 컴프레서, 모터, 팬 등 진동, 온도, 전류, 압력 패턴이 있는 설비 | | 유틸리티 시스템 | HVAC, 냉수, 압축공기, 전력 분배, 반복 알람이 있는 설비 시스템 | | 생산 지원 설비 | 컨베이어, 로봇 셀, 지그, 핸들링 장비처럼 생산 흐름에 영향을 주는 설비 | | 점검 빈도가 높은 설비 | 정기 순회, 반복 이슈, 현장 기록 편차가 많은 설비 | | 다중 사이트 운영 | 여러 사이트에서 공유하는 설비군과 공통 검토 패턴 | 좋은 파일럿에는 활용 가능한 데이터 이력, 유지보수 책임자, 관리 가능한 설비 범위, 작업 흐름을 마무리할 현장 팀이 필요합니다. ## 데이터 준비 점검 - 신호에는 안정적인 식별자, 타임스탬프, 단위, 설비 매핑이 있습니다. - 유지보수 이력이 설비 또는 설비 그룹 단위로 준비되어 있습니다. - 작업 지시는 원인, 조치, 종료 내용을 이해할 수 있을 만큼 상세합니다. - 설비 계층과 위치 데이터를 디지털 트윈과 연결할 수 있습니다. - 엔지니어링과 유지보수 팀이 검토, 승인, 에스컬레이션 규칙을 정했습니다. - 현장 팀이 증거를 구조화된 방식으로 기록할 수 있습니다. - 파일럿 지표가 검증된 운영 기록과 연결됩니다. ## 검증 지표 - 신호 감지부터 담당자 검토까지 걸리는 시간. - 계획 정비로 이어진 결과의 비율. - 작업 지시 종료 품질과 증거 완성도. - 조치 이후 반복 알람. - 유지보수 이후 설비 상태 추세. - 현장 팀 응답 시간과 작업 수락 품질. - 반복 설비군에 대한 엔지니어링 검토 effort. 각 사이트는 자체 기준선, 설비 범위, 운영 이력을 바탕으로 가치를 산정합니다. ## 공개 레퍼런스 [Yokogawa와 DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 발표는 산업 설비에서 AI 기반 예측 유지보수가 향하는 공개 방향을 보여줍니다. 특히 중요 회전 설비가 주요 적용 대상입니다. [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator)와 [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 사례는 유지보수 프로세스 디지털화, 현장 안내, 교육이 실행 단계를 어떻게 뒷받침하는지 보여줍니다. --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## 팹 운영은 안정적인 시설 맥락에 의존합니다 반도체 팹은 생산 장비만큼 시설 안정성에 의존합니다. 클린룸 드리프트, 차압 불균형, 필터 부하 증가, 냉수 변동, CDA 압력 변화, 불안정한 배기, 지연된 유지보수, 분산된 작업 지시는 팀이 공통 상황 인식을 갖기 전에 운영 리스크를 만들 수 있습니다. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor)는 [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector)를 시설 운영 계층에 적용합니다. 클린룸 신호, 유틸리티 시스템, 자산 관계, 알람, 유지보수 이력, 현장 실행을 검토 가능한 운영 루프로 연결합니다. 생산 레시피, APC, 수율 분석, MES, 장비 제어는 팹의 기존 시스템과 승인 절차가 관리합니다. DataMesh는 시설, 유지보수, 현장 운영 증거에 집중합니다. ## 시설 트윈이 연결하는 것 | 계층 | 운영 맥락 | |---|---| | 클린룸 구역 | ISO 등급, 파티클, 온도, 습도, 차압, 기류, 룸 계층, 운영 기준 | | 유틸리티 | HVAC, 냉수, CDA, 진공, 배기, 전력 분배, 계량기, 펌프, 팬, 밸브, 지원 설비 | | 중요 자산 | FFU, HEPA/ULPA 필터, 칠러, 펌프, AHU, 컴프레서, 배기 설비, 센서, 컨트롤러, 문서, 유지보수 이력 | | 알람과 추세 | 반복 알람, 이상 패턴, 센서 드리프트, 압력 구배, 필터 부하, 진동, 전류, 런타임, 서비스 이력 | | 실행 | Inspector 작업 지시, Checklist 태스크, 현장 사진, 계측값, 메모, 승인, 에스컬레이션 규칙, 완료 증거 | | 거버넌스 | 권장 출처, 검토자, 우선순위, SLA, 담당자, 교대 인수인계, 수락 기준, 후속 증거, 감사 추적 | 가치는 각 신호를 구역, 자산, 시스템, 담당 팀, 현장 워크플로와 매핑할 때 생깁니다. 파티클 스파이크는 클린룸 맥락, 기류와 압력 거동, 필터 상태, 상류 유틸리티, 최근 유지보수, 후속 대응까지 추적되어야 합니다. ## DataMesh 반도체 시설 운영 워크플로 1. **시설 데이터 연결** - BMS, SCADA, PLC, 히스토리언, 환경 모니터링, CMMS, EAM, IoT 센서, 장비 텔레메트리, 작업 지시를 연결합니다. 2. **시설 트윈 구축** - FactVerse에서 팹, 클린룸, 구역, 유틸리티, 자산, 센서, 제어점, 문서, 업무 책임을 모델링합니다. 3. **신호와 맥락 바인딩** - Data Fusion Services로 파티클, 압력, 온도, 습도, 알람, 에너지, 장비 상태, 작업 기록을 올바른 구역과 자산에 연결합니다. 4. **드리프트와 리스크 검토** - FactVerse AI Agent가 이상 추세, 반복 알람, 관련 시스템, 우선순위, 권장 조치를 정리합니다. 5. **Inspector로 실행** - 확인된 발견 사항을 작업 지시, 현장 태스크, 에스컬레이션, 교대 인수인계, 문서화, 수락 기록으로 전환합니다. 6. **결과 검증** - 조치 후 계측값, 알람 재발, 유지보수 증거, 클린룸 상태, 운영 검토를 원래 발견 사항과 비교합니다. ## 클린룸 드리프트와 ISO 증거 클린룸 팀은 파티클 수, 온도, 습도, 차압, 기류, 필터 상태, 도어 이벤트, 알람, 유지보수를 함께 검토해야 합니다. FactVerse AI Agent는 영향을 받은 구역, 변경된 계측값, 압력 구배, FFU 또는 필터 상태, 반복 알람, 배정할 현장 점검을 요약할 수 있습니다. ISO 14644-1 평가와 사이트 고유 클린룸 기록은 운영 이력으로 보존할 수 있습니다. 소프트웨어는 증거 구조화, 상태 검토, 작업 지시 연결을 담당하며 품질 판단은 고객의 품질 체계와 승인 절차를 따릅니다. ## 유틸리티 설비와 예지보전 시설 자산은 고유한 열화 패턴을 가집니다. 펌프, 팬, 컴프레서, 칠러, AHU, 배기 설비, 밸브, 센서, 필터는 압력, 유량, 진동, 온도, 전류, 런타임, 알람, 유지보수 이력으로 초기 리스크를 보일 수 있습니다. [Predictive Maintenance](/solutions/predictive-maintenance) 루프는 이 영역에 적합합니다. FactVerse AI Agent가 신호와 자산 맥락을 검토하고 Inspector가 확인된 발견 사항을 작업 지시와 검증으로 연결합니다. 팀은 운영 영향, 클린룸 의존성, 긴급도, 반복 알람, 유지보수 용량에 따라 우선순위를 정할 수 있습니다. ## 알람에서 작업 지시까지 유용한 알람 워크플로에는 다음이 포함됩니다. - 센서와 교정 시간 확인 - 자산과 구역 맥락 검토 - 가능한 원인 요약 - 우선순위와 SLA 제안 - 담당자 또는 역할 배정 - 현장 체크리스트 - 사진, 계측값, 시정 조치 기록 - 수락과 후속 확인 [Inspector](/products/inspector)와 [Checklist](/products/checklist)는 실행 측면을 담당합니다. 확인된 리스크를 작업 지시로 라우팅하고, 현장 증거를 수집하며, 추후 검토를 위한 완료 기록을 보존합니다. ## 에너지 검토와 what-if 분석 반도체 시설은 에너지 사용량이 큽니다. 유틸리티 계측값, 냉각 수요, 기류 요구, 필터 부하, 펌프와 팬 동작, 운영 일정은 클린룸 및 유지보수 맥락과 함께 검토되어야 합니다. DataMesh는 에너지 계측값을 시스템, 구역, 자산, 작업 이력에 연결합니다. FactVerse AI Agent는 유지보수 조치나 일정 변경을 클린룸 제약과 함께 검토할 수 있도록 what-if 비교와 리스크 요약을 준비할 수 있습니다. 절감, 탄소 보고, 운영 목표는 고객의 기준선, 계측 경계, 엔지니어링 규칙, 검증 방법에 따라 달라집니다. DataMesh 워크플로는 평가와 결과 기록을 추적 가능하게 만듭니다. ## 파일럿 체크리스트 - 클린룸 구역, ISO 등급, 운영 기준, 시설 책임 범위가 정의되어 있습니다. - BMS, SCADA, 환경 모니터링, PLC, 히스토리언, CMMS, EAM, 작업 지시 시스템에 접근할 수 있습니다. - 센서 이름, 단위, 타임스탬프, 위치, 자산 매핑이 충분히 안정적입니다. - 유틸리티와 중요 시설 자산을 디지털 트윈에 표현할 수 있습니다. - 유지보수 팀이 검토, 우선순위, 에스컬레이션, SLA, 수락 규칙에 합의했습니다. - 현장 팀이 계측값, 사진, 메모, 완료 증거를 구조화해 기록할 수 있습니다. - 파일럿 지표가 검증된 기록을 기반으로 합니다. ## 공개 참고자료 [FactVerse AI Agent 출시 자료](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)는 반도체 시설을 포함한 복잡한 운영 환경을 위한 DataMesh AI Agent 방향을 설명합니다. [Gyro 참고자료](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)는 반도체와 첨단 제조 환경에서 디지털 트윈을 통한 자동화 계획 검증을 보여줍니다. [Jebsee / Quan Yi Electronics 참고자료](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)는 FactVerse를 활용한 생산라인 계획을 보여줍니다. [Yokogawa와 DataMesh 참고자료](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 산업 신호를 AI 지원 유지보수 검토로 연결하는 패턴을 보여줍니다. DataMesh는 기밀 반도체 프로젝트에서도 유사한 시설 운영 패턴을 적용하고 있습니다. 공개 콘텐츠는 역량과 워크플로를 설명하고, 고객명과 사이트 세부사항은 승인된 공개 범위에 따라 다룹니다. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## 산업 자산에 더 높은 준비도가 필요한 이유 많은 기업은 CAD 파일, BIM 모델, 스캔 데이터, 3D 장면, 디지털 트윈 시각화를 이미 보유하고 있습니다. 이러한 콘텐츠는 설계 검토, 협업, 교육, 경영진 커뮤니케이션에 유용합니다. Physical AI 단계에서는 자산이 계산과 시뮬레이션에 참여할 수 있어야 합니다. 생산 라인, 클린룸, 창고, 로봇 셀, 포장 스테이션에는 실제 스케일, 안정적인 좌표, 객체 ID, 의미 정보, 물리 가정, 동작 규칙, 공정 상태, 운영 데이터 연결이 필요합니다. 이러한 계층이 준비되면 자산은 시뮬레이션, 로봇 학습, 합성 데이터, 레이아웃 검증, 공정 리허설, AI Agent 추론에 활용됩니다. NVIDIA는 SimReady를 OpenUSD 기반의 시뮬레이션 준비 3D 자산과 디지털 트윈 프레임워크로 설명합니다. 산업 팀에게 중요한 가치는 자산 라이브러리를 시각 콘텐츠에서 재사용 가능한 디지털 객체로 발전시키는 것입니다. ## SimReady 자산의 계층 | 계층 | 준비할 내용 | |---|---| | 기하와 스케일 | 실제 치수, 원점, 방향, 단위, LOD, 공간 경계 | | 재질과 외관 | 재질, 텍스처, 조명 반응, 반사, 투명도, 표면 카테고리 | | 물리 | 충돌체, 질량, 마찰, 밀도, 조인트, 제약, 움직임 범위, 안전 거리 | | 의미 정보 | 설비 분류, 부품 역할, 기능 영역, 공정 역할, 자산 ID, 운영 트윈 관계 | | 동작 로직 | 상태 전환, 시작과 정지 규칙, 고장, 복구, 인터록, 경로, 상호작용 조건 | | 데이터 바인딩 | PLC 신호, 센서 값, 알람, 작업 지시, MES 컨텍스트, 에너지, 점검 기록 | | 검증 기록 | 원본 파일, 버전, 담당자, 가정, 품질 검사, 시뮬레이션 결과, 리뷰 메모 | ## 동작 로직이 중요한 이유 물리 속성은 움직임, 충돌, 회전, 미끄러짐, 힘에 대한 반응을 설명합니다. 산업 현장은 공정 규칙과 업무 상태도 함께 작동합니다. 설비는 제어 로직과 작업 절차에 따라 시작, 대기, 정지, 알람, 복구, 상류 공정 차단, 물류 방출을 수행합니다. [FactVerse Designer](/products/designer)는 행동 트리와 시나리오 로직으로 이러한 운영 규칙을 표현합니다. 포장 설비, 컨베이어, 로봇 셀, 클린룸, 유틸리티 자산은 상태 전환, 트리거, 공정 타이밍, 상호작용 규칙을 가질 수 있습니다. 이를 통해 공정 시뮬레이션, 작업자 교육, 로봇 협업, 안전 리허설, 예외 처리, Physical AI 계획에 활용됩니다. ## DataMesh 워크플로 1. **소스 자산 수집** - CAD, BIM, 3D, 스캔, 도면, 설비 기록, 공정 문서, 제어 시스템 컨텍스트를 모읍니다. 2. **장면 구조 정규화** - FactVerse에서 스케일, 좌표, 계층, 명명, 객체 ID, 위치, 버전 규칙을 맞춥니다. 3. **산업 의미 정보 추가** - 설비 분류, 공정 역할, 기능 영역, 자산 ID, 관계, 문서, 담당자를 연결합니다. 4. **물리 컨텍스트 준비** - 시뮬레이션 목표에 맞춰 충돌체, 질량, 마찰, 조인트, 동작 제약, 접근 영역, 로봇 구역, 안전 경계를 정의합니다. 5. **동작 로직 작성** - Designer에서 상태 전환, 작업 단계, 인터록, 고장, 복구 경로, 경로 규칙, 시나리오 변형을 정의합니다. 6. **운영 데이터 연결** - PLC, 센서, 알람, 작업 지시, 생산 상태, 에너지, 점검 이력이 필요하면 Data Fusion Services를 사용합니다. 7. **OpenUSD 경로 준비** - FactVerse Adaptor for NVIDIA Omniverse로 장면 구조, 메타데이터, 동작 컨텍스트, 자산 준비 결과를 OpenUSD와 Omniverse 워크플로에 전달합니다. 8. **검증과 거버넌스** - 재사용 라이브러리에 넣기 전에 렌더링, 물리, 동작, 라벨, 장면 커버리지, downstream 결과를 검토합니다. ## SimReady 자산 라이브러리의 가치 - 포장 설비: 사이클 타임, 상태, 상하류 관계, 고장 로직, 물리 경계, 공정 동작. - 로봇 셀: 작업 범위, 안전 구역, 센서 배치, 그리핑 대상, 작업 순서, 협업 규칙. - 컨베이어와 물류 자산: 방향, 속도, 막힘 규칙, 인계 로직, 경로 상태, 데이터 바인딩. - 클린룸과 제어 환경: 설비 배치, 접근 경로, 기류 제약, 유지보수 경로, 에너지 컨텍스트, 위험 규칙. - 창고 구역: 랙, 통로, 팔레트, 대기 영역, 이동 장비 경로, 물류 상태. 표준화되고 객체화되며 동작과 물리를 갖춘 자산은 라인 계획, 공장 변경, 교육, 로봇 도입, 예외 훈련, 에너지 분석, AI 학습에서 반복 활용됩니다. ## Physical AI에서의 역할 Physical AI에는 공간, 객체, 의미 정보, 물리, 동작, 공정 상태, 데이터를 갖춘 고품질 디지털 세계가 필요합니다. SimReady 자산은 이런 환경을 만드는 재사용 가능한 기반입니다. 로봇 분야에서는 온도, 압력, 진동, 설비 상태, 작업 지시, 안전 구역, 공정 제약 같은 보이지 않는 컨텍스트도 중요합니다. FactVerse는 이 컨텍스트를 트윈에 담고, Omniverse, PhysX, Newton 및 관련 시뮬레이션 워크플로는 렌더링, 물리, 센서 시뮬레이션, 로봇 평가를 지원합니다. ## 거버넌스 체크리스트 - 원본 파일, 담당자, 라이선스, 버전 이력을 기록합니다. - 단위, 스케일, 좌표, 원점, 방향을 검증합니다. - 자산 ID를 운영 트윈과 기업 자산 기록에 맞춥니다. - 설비, 구역, 부품, 공정 역할의 통제 어휘로 의미 라벨을 관리합니다. - 물리 가정을 시뮬레이션 목표와 함께 문서화합니다. - 동작 로직에 상태, 트리거, 타이밍, 고장, 복구 경로를 포함합니다. - 데이터 바인딩에 소스, 단위, 타임스탬프, 갱신 규칙, 품질 상태를 포함합니다. - 결과를 자산 버전, 장면 버전, 가정, 리뷰어까지 추적합니다. ## 공개 참고 자료 NVIDIA [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html), [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html)는 OpenUSD 기반 SimReady 자산에 대한 공개 기술 배경을 제공합니다. DataMesh의 [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 발표와 [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 전시는 시뮬레이션 디지털 트윈, OpenUSD 워크플로, Physical AI 준비 방향을 보여줍니다. --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## 로봇에는 산업 맥락을 가진 훈련장이 필요합니다 로봇 학습은 가상 환경이 실제 현장의 운영 맥락을 담을 때 더 좋아집니다. 유용한 가상 훈련장에는 기하, 자산 ID, 스케일, 재질, 충돌 경계, 작업 단계, 센서 설정, 공정 상태, 안전 구역, 일상 작업의 변동이 필요합니다. SimReady 자산은 재사용 가능한 시뮬레이션 준비 객체입니다. [FactVerse Designer](/products/designer)는 이 객체들을 가상 공장, 창고, 로봇 셀, 점검 구역, 클린룸, 물류 경로로 구성하고 행동 로직과 시나리오 변형을 추가합니다. [DataMesh Robotics](/products/robotics)는 장면을 합성 데이터, 작업 정의, 보상 설정, 하위 로봇 시뮬레이션 흐름에 연결합니다. 목표는 sim-to-real 반복을 빠르게 만드는 것입니다. 더 나은 디지털 세계를 만들고, 더 많은 작업 변형을 시험하고, 시뮬레이션과 현장 시험을 비교하고, 실제 증거로 장면을 개선합니다. ## 산업 현장의 sim-to-real 난점 | 계층 | 로봇 동작에 영향 | |---|---| | 기하 | 통로 폭, 설비 위치, 랙, 여유 공간, 바닥 경사, 작업 범위 | | 재질 | 반사, 투명도, 마찰, 마모, 포장 질감, 조명 반응 | | 센서 | 카메라 자세, 시야, 보정, 가림, 노이즈, 깊이 품질, LiDAR | | 공정 상태 | 기계 상태, 이동 부품, 막힌 경로, 팔레트 위치, 작업 단계 | | 의미 정보 | 객체 클래스, 자산 ID, 안전 구역, 작업 역할, 경로 유형 | | 사람 맥락 | 작업자 이동, 유지보수 접근, 지게차 흐름, 제한 구역, 교대 | | 제어 제약 | 속도 제한, 정지 규칙, 인계 타이밍, 인터록, 복구 | 좋은 준비는 이 계층을 명확히 표현해 물리 시험 전에 변수를 조정하게 합니다. ## SimReady 자산은 훈련 구성 요소입니다 로봇 훈련에 유용한 자산은 다음을 포함합니다. * 스케일, 원점, 방향, 충돌 기하 * 인식 훈련용 재질과 조명 반응 * 의미 클래스, 자산 ID, 기능 역할, 장면 관계 * 마찰, 질량, 관절 범위, 운동 제한 * 열림, 닫힘, 막힘, 운전, 정지, 알람, 유지보수 상태 * 파지점, 점검 목표, 도킹 영역, 안전 접근 구역 * 시뮬레이션 결과를 자산 라이브러리로 연결하는 버전 기록 이렇게 준비하면 훈련 장면을 재현하고 조정하고 검토하기 쉽습니다. ## Designer가 가상 훈련장을 만듭니다 Designer는 다음을 준비합니다. * 시설, 생산 라인, 창고, 로봇 셀, 점검 경로 레이아웃 * 기계 상태, 객체 이동, 작업 순서, 예외 처리를 위한 행동 트리 * 시작, 정지, 막힘, 복구, 경로 변경, 인계 이벤트의 타임라인 * 신규 설비, 통로, 버퍼, 랙, 컨베이어, 지그에 대한 레이아웃 변형 * 인식, 점검, 이동, 작업자 검토를 위한 센서와 시점 계획 * 합성 데이터와 하위 시뮬레이션 도구에 사용할 장면 라이브러리 로봇, 운영, 시뮬레이션 팀이 같은 환경을 검토할 수 있습니다. ## DataMesh sim-to-real 흐름 1. **작업 선택** - 로봇, 환경, 센서, 목표, 안전 경계, 지표를 정의합니다. 2. **SimReady 자산 준비** - CAD, BIM, 3D, 스캔, 운영 기록을 스케일, 의미, 물리, 상태가 있는 자산으로 변환합니다. 3. **가상 훈련장 구축** - Designer로 레이아웃, 공정 흐름, 경로, 행동, 변형을 구성합니다. 4. **변화 규칙 정의** - 조명, 배치, 상태, 경로 막힘, 재질, 센서 자세, 타이밍을 바꿉니다. 5. **훈련 데이터 생성** - RGB, 깊이, 분할, 박스, 자세, 궤적, 장면 상태, 메타데이터를 생성합니다. 6. **시뮬레이션 평가** - 로봇 훈련, Isaac Sim / Omniverse, 기타 스택으로 내보냅니다. 7. **현장 시험 비교** - 물리 시험, 작업자 메모, 실패, 센서 로그로 차이를 찾습니다. 8. **장면과 라이브러리 업데이트** - 기하, 재질, 물리, 라벨, 행동, 변화 규칙을 조정합니다. ## 전환 품질이 좋아지는 영역 * **인식** - 조명, 재질, 가림, 자세, 거리, 배경 변화를 포함한 라벨 샘플을 만듭니다. * **이동** - 경로, 막힌 통로, 버퍼, 도킹, 사람 이동, 안전 구역을 시험합니다. * **조작** - 객체 자세, 파지 목표, 지그, 접촉면, 마찰, 인계 타이밍을 바꿉니다. * **점검** - 시점, 대상 자산, 결함 상태, 패널 위치, 계기 값, 접근 제약을 표준화합니다. * **복구** - 고장, 막힌 경로, 누락 객체, 알람, 비상 정지, 재시작 조건을 재현합니다. * **운영 검토** - 물리 시험 전에 로봇, 안전, 시설, 생산 팀이 같은 장면을 봅니다. ## 측정 항목 | 영역 | 예시 | |---|---| | 데이터 | 클래스 범위, 라벨 일관성, 자세 분포, 가림, 조명 | | 시뮬레이션 | 스케일, 충돌, 재질, 센서, 경로 시간, 상태 | | 작업 | 성공률, 시간, 개입, 복구율, 실패 유형 | | 전환 | 시뮬레이션과 현장 차이, 반복 실패, 현장 수정 | | 거버넌스 | 장면 버전, 자산 버전, 생성 규칙, 검토자, 승인 | ## 제품 역할 [DataMesh Robotics](/products/robotics)는 합성 데이터, 작업, 라벨, 보상, 파이프라인 통합을 담당합니다. [FactVerse Designer](/products/designer)는 레이아웃, 행동 트리, 타임라인, 시나리오, 변형을 가진 가상 훈련장을 준비합니다. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor)는 FactVerse 장면을 OpenUSD와 Omniverse로 연결해 렌더링, 물리, 센서, 로봇 도구에 사용합니다. [FactVerse](/products/factverse)와 [FactVerse Twin Engine](/products/factverse-twin-engine)은 자산, 공간, 시스템, 메타데이터, 권한, 장면 기록을 유지합니다. ## 체크리스트 * 작업에 성공 지표와 안전 경계가 있습니까? * 환경, 자산, 경로, 공정 상태가 정해졌습니까? * SimReady 자산에 스케일, 의미, 물리, 상태가 있습니까? * Designer 장면이 작업, 변형, 검토 목적별로 정리되었습니까? * 센서, 시점, 보정, 노이즈가 기록되었습니까? * 변화 규칙이 실제 현장 조건에서 왔습니까? * 출력과 라벨이 생성 전에 정의되었습니까? * 결과를 장면과 자산 버전으로 추적할 수 있습니까? ## 공개 참고 자료 [DataMesh Robotics 발표](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)는 합성 훈련 데이터, 작업, 보상, 로봇 파이프라인 준비 방향을 설명합니다. [SimReady 자산 가이드](/resources/guides/simready-assets-industrial-digital-twins-physical-ai)는 산업 자산이 기하, 의미, 물리, 행동, 데이터를 담는 방식을 설명합니다. [합성 데이터 가이드](/resources/guides/industrial-synthetic-data-physical-ai-robotics)는 더 넓은 데이터 생성 파이프라인을 다룹니다. --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## 사내 물류는 물리적 맥락에 좌우됩니다 창고와 공장 물류는 실제 공간에서 움직입니다. 보관 정책이 표에서는 맞아 보여도 결과는 통로 폭, 지게차 회전 반경, 도크 대기열, 충전 위치, 보행자 교차, 적치 용량, 컨베이어 인계 타이밍, 예외 복구 방식에 좌우됩니다. 자동화 계획은 이 복잡도를 키웁니다. 팀은 투자, 장비 이동, 운영 중단 전에 AGV/AMR 경로, 컨베이어 변경, 보관 밀도, 라인사이드 공급, 보충 시간대, 안전 구역을 논의해야 합니다. 운영 디지털 트윈은 공유 공간 계층을 만듭니다. 창고 구역, 자재 경로, 장비, 작업 영역, 절차, 운영 기록, 시나리오 가정을 연결해 기획, 자동화 공급사, 안전, 교육, 운영 팀이 같은 환경을 검토할 수 있게 합니다. ## 모델링할 대상 | 계층 | 예시 | |---|---| | 공간 | 도크, 입고, 보관 구역, 라인사이드, 적치, 출고, 격리, 충전 구역 | | 경로 | 지게차 경로, AGV/AMR 경로, 컨베이어, 보행자 교차, 비상 접근, 유지보수 접근 | | 자산 | 랙, 컨베이어, 문, 게이트, 차량, 충전기, 센서, 스캐너, 안전 장치 | | 규칙 | 피킹, 보충, 적재, 하역, 순서화, 점검, 예외 처리, 교대 인수인계 | | 이벤트 | 경로 막힘, 픽업 지연, 버퍼 포화, 팔레트 손상, 장비 고장, 안전 정지, 스캔 누락 | | 기록 | 점검 발견 사항, 작업 지시, 사진, 작업자 메모, 교육 결과, 시나리오 버전 | 핵심은 추적성입니다. 경로, 랙, 도크, 차량, 작업 지시, 시나리오는 계획, 교육, 점검, 운영 검토에서 같은 자산과 위치 ID를 참조해야 합니다. ## 자동화 투자 전 계획 투자 전에는 도크, 적치, 보관, 라인사이드 버퍼 위치가 맞는지, 지게차와 보행자 및 AGV/AMR 경로가 충돌하는지, 새 컨베이어나 충전 구역이 유지보수 접근을 막는지, 입고·피킹·출고·라인 공급 피크에서 어디에 대기열이 생기는지 확인해야 합니다. [FactVerse DLC](/products/factverse-dlc)는 창고 구역, 운송 경로, 보관 공간, 운송 라인 자산 같은 재사용 가능한 창고 및 물류 콘텐츠를 제공합니다. [FactVerse Designer](/products/designer)는 이를 실제 현장에 맞추고, 레이아웃 변형을 비교하며, 검토 가능한 장면을 만드는 데 사용됩니다. 가치는 현장 변경 전 명확성입니다. 디지털 트윈 검토는 약한 옵션을 줄이고, 자동화 공급사의 요구사항을 명확히 하며, 운영 팀이 제안 레이아웃의 영향을 이해하도록 돕습니다. ## 시나리오 검증 검증은 실행 가능한 결정에 집중해야 합니다. * 경로 충돌과 간격 문제 * 도크, 적치, 버퍼 용량 * 지게차, AGV, AMR, 컨베이어, 작업자 인계 지점 * 비상 접근과 안전 경계 * 보충 타이밍과 라인사이드 공급 가정 * 장비 위치, 충전 위치, 유지보수 접근 * 손상품, 통로 막힘, 스캔 누락, 장비 고장 같은 예외 흐름 디지털 트윈은 더 깊은 시뮬레이션, 공급사 엔지니어링, 현장 파일럿, 절차 설계로 보낼 옵션을 고르는 데 사용됩니다. ## 교육과 안전 리허설 사내 물류 프로젝트는 사람들이 움직이는 방식을 바꿉니다. 작업자는 새 경로, 적재 순서, 스캔 단계, 안전 점검, 예외 처리 방법을 배워야 할 수 있습니다. 교육은 계획과 같은 공간 맥락을 사용해야 합니다. [Simulator](/products/simulator)는 차량 동작, 경로 준수, 물리 제어, 안전 규칙, 평가 기록이 중요한 교육에 적합합니다. 지게차형 훈련은 이동, 회전, 적재물 처리, 시야 판단, 예외 대응을 반복 연습하게 해 줍니다. [Director](/products/director)와 [Inspector](/products/inspector)는 안내 절차, 점검, 이슈 기록, 현장 증거를 지원합니다. 경로, 자산, 체크리스트, 사진, 이슈, 작업 지시가 같은 운영 디지털 트윈에 연결됩니다. ## 계획에서 실행까지 1. **현장 매핑** - 도크, 구역, 통로, 랙, 컨베이어, 장비, 작업 영역, 경로 이름을 자산 기록과 맞춥니다. 2. **시나리오 작성** - Designer와 창고 DLC 리소스로 레이아웃, 경로, 적치, 안전 경계, 운영 뷰를 만듭니다. 3. **이해관계자 검토** - 운영, 엔지니어링, 안전, IT, 자동화 공급사, 교육 팀이 같은 장면에서 검토합니다. 4. **교육 준비** - 승인된 경로, 절차, 예외 사례를 작업자 교육과 안내 작업으로 전환합니다. 5. **기록 연결** - Data Fusion Services와 FactVerse로 장비 상태, 작업 지시, 점검 데이터, 문서, 이벤트를 연결합니다. 6. **실행과 증거 기록** - Inspector로 점검, 이슈, 사진, 수리 메모, 승인 단계, 작업 지시 상태를 기록합니다. 7. **AI 검토 준비** - 데이터와 워크플로가 안정되면 FactVerse AI Agent가 분류, 권고, 작업 실행 검토를 지원합니다. 이 흐름은 계획, 교육, 실행을 연결합니다. 모델은 시각화 자산에서 팀이 함께 검토하고 유지할 수 있는 운영 맥락으로 발전합니다. ## 데이터와 AI 준비도 AI 지원 물류 운영에는 안정된 맥락이 필요합니다. 위치 계층, 자산 ID, 경로 정의, 이벤트 정의, 작업 지시, 점검, 교육 기록, 데이터 담당자, 갱신 주기, 예외 규칙이 먼저 정리되어야 합니다. 이 기반이 있으면 AI Agent는 반복 문제 요약, 누락 맥락 표시, 다음 점검 권고, 알람과 작업 지시 연결, 운영 패턴 검토를 지원할 수 있습니다. 배차 로직과 최종 운영 결정은 고객 시스템, 절차, 책임 팀의 관리 아래 두어야 합니다. ## 제품 역할 [FactVerse DLC](/products/factverse-dlc)는 구역, 경로, 보관 공간, 운송 라인, 계획 장면, 교육 시나리오를 위한 재사용 가능한 창고 및 물류 콘텐츠를 제공합니다. [FactVerse Designer](/products/designer)는 레이아웃 변형, 자재 경로, 장면 뷰, 라벨, 패널, 이해관계자 검토를 작성하는 환경입니다. [DataMesh FactVerse](/products/factverse)와 [FactVerse Twin Engine](/products/factverse-twin-engine)은 공간, 자산, 관계, 경로, 작업 객체, 권한, 시나리오 기록을 보존합니다. [Data Fusion Services](/products/dfs)는 운영 데이터, 기업 기록, 장비 상태, 문서, 이벤트 스트림을 올바른 트윈 객체에 연결합니다. [Simulator](/products/simulator)는 경로 준수, 차량 동작, 물리 제어, 평가가 중요한 장비 작업자 교육을 지원합니다. [Inspector](/products/inspector)는 트윈을 점검, 이슈, 사진, 수리 메모, 작업 지시, 승인 기록, 현장 증거에 연결합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 데이터 모델, 이벤트, 워크플로 기록이 성숙한 뒤 운영 검토와 작업 실행 준비를 지원할 수 있습니다. ## 준비 체크리스트 * 창고 구역, 도크, 랙, 통로, 적치, 라인사이드 명칭이 일관적인가요? * 경로, 보행자 교차, 안전 구역, 유지보수 접근이 정의되어 있나요? * 지게차, 컨베이어, AGV, AMR, 충전기, 스캐너, 문, 게이트가 자산으로 관리되나요? * 레이아웃 변형이 명확한 비즈니스 질문과 연결되어 있나요? * 예외 사례가 교육과 현장 적용 전에 문서화되어 있나요? * 점검 지점, 이슈 범주, 작업 지시 인계, 증거 필드가 정의되어 있나요? * 작업자 교육 시나리오가 실제 경로, 절차, 장비와 연결되어 있나요? * 데이터 담당자, 갱신 주기, 데이터 품질 상태가 명확한가요? * AI Agent 사례가 안정된 자산, 경로, 이벤트, 작업 지시 기록에 기반하나요? ## 공개 참고 자료 [Warehousing and logistics DLC update](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation)는 FactVerse 콘텐츠가 물류 환경, 경로, 레이아웃, 운영 시나리오를 지원하는 방식을 보여 줍니다. [Gyro intralogistics reference](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)는 디지털 트윈이 사내 물류 자동화의 이해, 검증, 구현을 돕는 방식을 보여 줍니다. [Jebsee production-line automation planning reference](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)는 FactVerse가 생산 라인 변화와 자동화 계획 검토를 지원하는 방식을 보여 줍니다. [DataMesh Simulator Platform announcement](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform)는 디지털 트윈 기반 작업자 교육과 장비 시뮬레이션의 공개 방향을 보여 줍니다. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI는 실제 운영 컨텍스트에서 시작됩니다 산업 AI는 의사결정이 일어나는 장소를 이해할 때 실질적인 가치를 냅니다. 시설, 생산 라인, 데이터센터, 유틸리티룸, 창고, 건설 현장에는 자산, 공간, 신호, 사람, 절차, 물리 제약, 승인 규칙이 함께 존재합니다. Physical AI는 이러한 계층을 의사결정 워크플로 안으로 가져옵니다. DataMesh에서 Physical AI는 실행형 디지털 트윈을 중심으로 구성되는 운영 역량입니다. 트윈은 물리적 컨텍스트를 담습니다. AI는 분석과 권고를 지원합니다. 시뮬레이션은 가능한 결과를 비교하는 데 도움을 줍니다. 현장 애플리케이션은 승인된 작업을 점검, 작업 지시, 교육, 운영 절차로 연결합니다. 검증 기록은 다시 트윈으로 돌아갑니다. 이 루프가 중요한 이유는 산업 의사결정이 실제 현장에 영향을 주기 때문입니다. 권고에는 자산 컨텍스트, 운영 상태, 공간 제약, 공정 의존성, 실행 경로가 함께 필요합니다. ## Physical AI의 핵심 계층 | 계층 | 기여하는 내용 | |---|---| | 운영 데이터 | BMS, SCADA, IoT, MES, CMMS, EAM, 계량기, 알람, 작업 이력, 문서 | | 물리 컨텍스트 | 사이트, 건물, 층, 구역, 시스템, 설비, 동선, 안전 구역, 접근 제약 | | 동작 및 공정 로직 | 상태 변화, 의존성, 절차, 타이밍, 예외, 워크플로 규칙 | | 시뮬레이션과 시나리오 검토 | 레이아웃 비교, 공정 검증, 물리 가정, 교육 시나리오, 로봇 준비 | | AI 의사결정 지능 | 이상 징후 검토, 예측, 근거 요약, 선택지 비교, 다음 조치 권고 | | 실행 워크플로 | 점검, 작업 지시, 안내형 절차, 교육, 승인 기록, 현장 증거 | 성숙한 Physical AI 프로그램은 이 계층들을 서로 연결합니다. 그러면 AI는 엔지니어링과 운영 팀이 이미 쓰는 자산 이름, 운영 관계, 근거 기록과 같은 맥락에서 작동합니다. ## DataMesh 운영 루프 1. **데이터 연결** - Data Fusion Services는 플랜트 시스템, 시설 시스템, 엔터프라이즈 플랫폼, 계량기, 센서, 문서의 운영 데이터를 공유 컨텍스트로 가져옵니다. 2. **실행형 트윈 구성** - FactVerse와 Twin Engine은 자산, 공간, 관계, 실시간 상태, 동작 로직, 시나리오 기록을 조직화합니다. 3. **시나리오 작성과 시뮬레이션** - Designer와 Omniverse 관련 워크플로는 레이아웃, 공정 흐름, 설비 이동, 포장 동작, 로봇 경로, 교육 시나리오 검토를 지원합니다. 4. **AI Agent 분석** - FactVerse AI Agent는 신호, 추세, 자산 컨텍스트, 지식 소스를 검토해 진단, 우선순위, 다음 조치를 지원합니다. 5. **애플리케이션 실행** - Inspector, Checklist, Director, Simulator, DataMesh One은 승인된 결정을 작업 지시, 안내형 작업, 교육, 현장 기록으로 전환합니다. 6. **결과 검증** - 완료 상태, 메모, 사진, 승인 기록, 예외, 운영 결과가 트윈으로 돌아와 검토와 개선에 쓰입니다. Physical AI는 이처럼 루프로 설계해야 합니다. 가치는 분석, 검증, 실행, 리뷰가 연결될 때 만들어집니다. ## 산업 Physical AI의 차별점 일반 AI는 문서 요약, 질의응답, 보고서 작성에 강점을 가집니다. 산업 Physical AI는 운영 컨텍스트를 더합니다. 어떤 자산이 관련되어 있는지, 어디에 위치하는지, 어떤 시스템에 속하는지, 어떤 신호가 중요한지, 어떤 공정 상태를 봐야 하는지, 권고 조치가 어떻게 관리형 작업으로 이어지는지를 함께 다룹니다. 예를 들어 펌프 알람은 펌프 자산, 상하류 설비, 과거 작업 지시, 현재 운영 상태, 공간 위치, 점검 경로, 안전 구역, 유지보수 절차와 연결될 수 있습니다. AI는 더 풍부한 근거로 검토를 지원하고, 트윈은 의사결정을 실제 사이트 맥락에 고정합니다. 같은 패턴은 설비 유지보수, 에너지 분석, 공정 시뮬레이션, 작업자 교육, 시설 관리, 건설 안내, 로봇 워크플로에도 적용됩니다. ## DataMesh 제품의 역할 [FactVerse](/products/factverse)는 플랫폼 기반입니다. Twin Execution Engine, AI Decision Engine, Data Services, authoring tools, 현장 애플리케이션을 하나의 운영 아키텍처로 연결합니다. [FactVerse Twin Engine](/products/factverse-twin-engine)은 물리 컨텍스트 계층입니다. 자산, 공간, 관계, 동작 로직, 실시간 데이터, 워크플로 상태를 실행형 트윈으로 묶습니다. [Data Fusion Services](/products/dfs)는 산업 시스템, 시설 시스템, 엔터프라이즈 시스템, 문서 전반의 운영 데이터 기반을 준비합니다. [FactVerse Designer](/products/designer)는 장면 작성, 동작 모델링, 레이아웃 계획, 공정 로직, 가상 계획, 시뮬레이션 준비를 담당합니다. [FactVerse AI Agent](/products/factverse-ai-agent)는 분석, 진단, 예측, 지식 검토, 권고 요약, 실행 전달을 지원합니다. [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator), [Robotics](/products/robotics)는 루프를 점검, 작업 실행, 안내형 절차, 작업자 교육, Physical AI 데이터 준비로 확장합니다. ## 실무 시작점 - **알람에서 작업 지시까지의 루프**: 알람, 자산 컨텍스트, 점검 기록, AI 지원 분류, 작업 지시, 검증을 연결합니다. - **예측 유지보수 루프**: 센서 추세, 운영 컨텍스트, 유지보수 이력, 위험 검토, 현장 실행을 결합합니다. - **시설 에너지 검토**: 계량기, 설비 상태, 구역, 점검, 작업 지시, 시나리오 분석을 연결합니다. - **공정 시뮬레이션**: 물리 변경 전에 레이아웃, 포장, 물류 흐름, 로봇 경로, 작업자 접근을 비교합니다. - **작업자 교육**: 디지털 트윈 컨텍스트와 Simulator 시나리오를 사용해 설비 동작에 대한 반복 훈련을 지원합니다. - **로봇 준비**: Physical AI와 로봇 워크플로를 위해 자산, 장면, 합성 데이터, 라벨, 작업 컨텍스트를 준비합니다. 범위가 분명하고 데이터 접근이 가능하며 책임자, 리뷰 경로, 검증 방법이 있는 워크플로에서 시작하는 것이 좋습니다. ## 평가 체크리스트 - 시스템이 운영 데이터를 자산, 공간, 시스템, 작업 기록과 연결하나요? - 트윈에 물리 컨텍스트, 동작 로직, 공정 상태, 버전 이력이 포함되어 있나요? - 팀이 시뮬레이션, 시나리오 비교, 엔지니어링 검토로 제안 조치를 살펴볼 수 있나요? - AI 권고가 점검, 작업 지시, 안내형 절차, 교육, 로봇 워크플로로 이어질 수 있나요? - 운영자와 엔지니어가 권고의 근거를 볼 수 있나요? - 조직이 승인, 실행, 예외, 검증을 기록하나요? - 같은 컨텍스트가 시설 운영, 제조, 교육, 유지보수, 시뮬레이션을 장기간 지원하나요? 이 질문들은 Physical AI를 실제 운영 프로세스에 연결하고 실행 가능한 프로그램으로 만드는 데 도움을 줍니다. ## 공개 참고 자료 [FactVerse AI Agent 출시](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)는 복잡한 시설에서 시뮬레이션 기반 운영을 지원하는 DataMesh의 공개 방향을 설명합니다. [FactVerse와 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 발표와 [GTC 2025 쇼케이스](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)는 simulation digital twin, OpenUSD 워크플로, Physical AI 준비가 DataMesh 플랫폼 스토리에 어떻게 연결되는지 보여줍니다. [NIO 스마트 팩토리](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC 협업](/about/news/collaboration-between-jtc-datamesh), [Yokogawa 예측 유지보수](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)는 디지털 트윈 컨텍스트, 시설 운영, AI 지원 유지보수 주제의 공개 사례입니다. --- ## [GUIDES] local-exhaust-capture-hvac-degradation-scenarios ## Capture performance changes as the facility changes Local exhaust ventilation is intended to draw contaminants toward a capture point near the source. In a cleanroom, process bay, laboratory, sub-fab, or utility space, that behavior interacts with the wider heating, ventilation, and air-conditioning (HVAC) system, including room supply air, returns, fan filter units, pressure relationships, doors, equipment heat, operator movement, and nearby obstructions. A hood or exhaust branch may report an active state while the surrounding flow field has changed. Reduced capacity, a shifted damper, an open access panel, a door transition, an equipment modification, or a new obstruction can alter the capture path and expand the area that deserves review. A project-enabled scenario study helps teams examine those changes before a planned modification or as part of a resilience review. It supports questions such as: * Which source positions remain well aligned with the capture path? * How does reduced exhaust capacity change escaped material and affected zones? * Which ventilation or door state creates the earliest spread beyond an agreed region? * Which assets, sensors, and procedures deserve priority during a degraded state? * What measurement or maintenance evidence would strengthen the decision? ## Define normal and degraded states precisely Scenario names should describe equipment and operating states that an engineer can reproduce and review. | Scenario state | Example definition | Review question | |---|---|---| | Baseline | Verified exhaust flow, intended fan filter unit state, expected doors, representative process load, and current layout | What capture and room behavior does the accepted baseline produce? | | Reduced capacity | Lower exhaust flow or pressure, partial fan performance, filter loading, damper restriction, or branch imbalance | Where does capture weaken, and which zones become more sensitive? | | Unavailable component | Selected exhaust fan, branch, fan filter unit bank, or related utility removed from service | How does material move through the remaining ventilation paths? | | Door or opening transition | Selected door, panel, access route, or temporary opening represented over time | How does the pressure and airflow disturbance affect capture and transport? | | Layout or obstruction change | Proposed tool, enclosure, partition, storage, temporary equipment, or maintenance setup | Does the physical change redirect the source plume or room airflow? | | Recovery | Equipment restoration, approved temporary measure, or return to the intended state | How quickly does the reviewed zone return to the accepted condition? | Every scenario should identify its initial state, changed inputs, start time, duration, controls, represented response, and review horizon. This makes comparisons repeatable and prevents broad terms such as “fan failure” from carrying several conflicting interpretations. ## Connect local capture with the room and utility system Capture behavior should be evaluated in the context of the surrounding facility. ### Local source and hood evidence * source position, direction, release rate or profile, duration, momentum, temperature, and species properties * hood, enclosure, slot, duct, branch, damper, and capture-point geometry * measured or specified flow, pressure, face velocity, and equipment state * source-to-capture distance and nearby tool, panel, operator, or maintenance obstruction ### Room ventilation evidence * supply diffusers, fan filter units, returns, general exhaust, doors, openings, and pressure boundaries * airflow, pressure, temperature, humidity, and equipment-state measurements * cleanroom classification and process requirements relevant to the study * current and proposed tools, partitions, thermal loads, and operating modes ### Operational evidence * alarm, filter, fan, damper, exhaust, environmental, and maintenance history * inspection findings, balancing records, commissioning evidence, and field observations * door events, production states, work permits, and response timelines where relevant * approved operating limits, action levels, procedures, and responsible teams [Data Fusion Services](/products/dfs) can align source systems, assets, measurements, events, and maintenance evidence. [DataMesh FactVerse](/products/factverse) relates the exhaust branch, room, tool, detector, pressure zone, and responsible work process in a shared operational model. ## Compare capture through fields and metrics The primary comparison should preserve a common geometry basis, result scale, source definition, and review threshold. This allows reviewers to see the effect of the selected ventilation or exhaust change. Useful spatial views include: * airflow direction and velocity around the source and capture point * pressure relationships across the room and adjacent spaces * concentration fields and plume movement over time * streamlines or transport paths that enter and leave the capture region * zones affected under the baseline and degraded states Useful decision metrics include: * fraction or amount reaching the selected exhaust path * escaped mass beyond an agreed capture or control region * concentration history at selected work, access, sensor, or boundary locations * arrival time, persistence, peak, percentile, or integrated review metric * area or volume crossing a project-defined review threshold * sensitivity to source strength, exhaust capacity, door state, layout, and boundary conditions * recovery time after the approved response or equipment restoration Each metric should identify its source conditions, calculation basis, units, time horizon, and evidence level. A capture percentage derived from an exploratory scenario carries a different decision value from a site-calibrated result supported by representative measurements. ## Review time-dependent behavior Ventilation degradation can unfold through transitions. A fan decelerates, a door opens and closes, a damper moves, a pressure relationship shifts, or a response begins after an alarm. Steady-state comparison provides a useful screening view, while transient analysis can show how the affected zone develops and recovers. For a time-based result, the evidence package should state: 1. the initial airflow and concentration field 2. the equipment or door event and its timing 3. the source profile over the same period 4. represented controls and authorized response actions 5. selected locations and review thresholds 6. time-step, convergence, conservation, and repeatability checks relevant to the result 7. sensitivity to response timing and influential assumptions Reviewers should examine a range where response timing, equipment performance, or source conditions vary. The earliest credible spread, the most persistent affected zone, and the assumptions that change the outcome often provide more decision value than one central estimate. ## Use evidence that matches the conclusion Exploratory studies can compare relative capture patterns and identify missing measurements. Benchmarked studies add controlled reference cases. Site-calibrated studies use representative airflow, pressure, exhaust, temperature, tracer, or other qualified evidence. Scenario-specific validation adds independent checks for the conditions and metrics needed by the decision. Relevant evidence may include: * exhaust flow, pressure, face velocity, and fan or damper state * airflow velocity and direction near the hood and across the room * pressure relationships between selected spaces * tracer concentration histories or qualified visualization evidence * door, equipment, process, and ventilation states during measurement * residuals by location, time, variable, and operating condition * inspection and balancing records that confirm the represented configuration The [cleanroom airflow and dispersion guide](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation) explains the broader spatial evidence foundation. The [simulation calibration guide](/resources/guides/calibration-levels-and-simulation-claim-confidence) shows how to align claim confidence with calibration and validation depth. ## Turn resilience findings into controlled action The scenario result should identify the affected spaces, tools, exhaust branches, detectors, utilities, and response owners. Qualified facility, process, environmental health and safety, quality, and compliance teams decide which actions enter the approved plan. Potential follow-up can include: * verify a sensor, damper, fan, filter, or exhaust branch in the field * update balancing, inspection, or maintenance priorities * add measurement coverage for a sensitive operating state * review a door, access, temporary-equipment, or maintenance procedure * refine the source matrix or run a targeted tracer or airflow test * compare a layout, enclosure, hood, or ventilation modification * update response triggers, ownership, or communication paths [FactVerse AI Agent](/products/factverse-ai-agent) can help teams relate alarms and abnormal trends to asset and maintenance context. [Inspector](/products/inspector) can route approved checks and work, preserve field evidence, and record post-action verification. ## Scenario coverage checklist ### Baseline definition * Is the intended source, hood, exhaust branch, room ventilation, and operating state verified? * Are geometry, flow, pressure, control, door, equipment, and process states traceable? * Are the accepted capture region, thresholds, and review metrics defined? ### Degradation coverage * Does the matrix include credible reduced-capacity and unavailable-component states? * Are door, opening, layout, obstruction, and maintenance conditions represented where relevant? * Are initial state, event timing, response timing, and recovery included for transient decisions? * Are source location, strength, duration, and direction varied according to the risk basis? ### Evidence quality * Are benchmark, calibration, residual, uncertainty, and sensitivity records available? * Which evidence was reserved for validation? * Which findings remain stable across plausible conditions? * Which assumptions have the greatest effect on escaped mass or affected zones? ### Review and execution * Is a qualified engineer responsible for the scenario conclusion? * Are environmental health and safety, process, quality, and compliance reviewers assigned as needed? * Can findings enter approved inspection, maintenance, procedure, or change workflows? * Is post-change verification part of the handover package? ## Start with one exhaust path and one credible degradation A focused pilot can begin with one tool or source, one local exhaust path, and one degradation question. The team verifies current geometry and operating evidence, selects baseline and degraded states, agrees on capture and affected-zone metrics, and defines the evidence required for review. Strong pilot criteria include: * a verified source, hood, exhaust, room ventilation, and detector baseline * reproducible normal and degraded scenario definitions * visible capture, escaped-material, affected-zone, and time-based comparisons * calibration and sensitivity evidence proportionate to the intended conclusion * one approved resilience, inspection, maintenance, or measurement decision * a reusable evidence and field-verification package Continue with [Detector Coverage, Blind Spots, and Placement Options](/resources/guides/detector-coverage-blind-spots-placement-options) when the resilience decision also depends on detection performance. Use [Cleanroom Calibration, Ensembles, and Validation Evidence](/resources/guides/cleanroom-calibration-ensembles-validation-evidence) to define calibration, repeated-run, validation, and revalidation requirements for the selected scenarios. ## Public references The [Occupational Safety and Health Administration ventilation technical manual](https://www.osha.gov/otm/section-3-health-hazards/chapter-3) explains local exhaust ventilation as source capture and describes hood, duct, fan, air-cleaning, and measurement considerations. The [American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) Clean Spaces handbook chapter](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx) describes the influence of supply, return, exhaust, equipment, openings, and operating conditions on cleanroom airflow and contaminant movement. The [International Organization for Standardization (ISO) 14644-4:2022 cleanroom lifecycle page](https://www.iso.org/standard/72379.html) covers requirements, design, construction, start-up, verification, and lifecycle considerations for new and modified cleanroom installations. The [National Institute of Standards and Technology industrial verification, validation, and uncertainty review](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures) provides a general framework for credible simulation evidence. --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## Accuracy becomes an operating practice A digital twin is useful after go-live only when the model continues to match the site. Facilities change every week: equipment is replaced, rooms are reconfigured, sensors are renamed, maintenance routes shift, work procedures evolve, and access rules become more precise. Model governance is the operating practice that keeps the twin accurate. It defines who owns each layer, which field changes require updates, how changes are reviewed, how versions are released, and how downstream applications know which model is approved. For operational teams, governance protects daily work. For AI Agent and Physical AI workflows, it protects the context used for reasoning, simulation, and recommendation review. An outdated asset relationship or stale data binding can send analysis in the wrong direction even when the AI model itself is strong. ## What changes after go-live | Change source | Governance impact | | ---------------------------- | ----------------------------------------------------------------------------------- | | Equipment replacement | Asset ID, geometry, documents, maintenance history, and data bindings may change | | Room or layout change | Spatial hierarchy, access routes, safety boundaries, and permissions need review | | Sensor or meter retagging | Data Fusion Services mappings, units, trend history, and dashboards need validation | | Maintenance procedure update | SOP links, inspection templates, guidance content, and approval rules need release | | Renovation or expansion | BIM, CAD, point cloud, and as-built records need version control | | System relationship change | Upstream and downstream dependencies, affected zones, and alarm context need update | | Permission change | Sensitive rooms, customer-specific areas, and restricted records need access review | Each change should land in a controlled queue with owner, review state, and release path. ## Govern the twin by layers Operational twins work because several layers stay aligned. Governance should assign an owner and review rule for each one. | Twin layer | What needs governance | | ------------------ | ---------------------------------------------------------------------------------- | | Spatial model | Site, building, floor, room, zone, route, access area, safety boundary | | Asset model | Asset ID, display name, class, parent-child structure, owner, lifecycle state | | System model | Power, cooling, air, water, process utility, logistics, control relationships | | Geometry | BIM, CAD, 3D, point cloud, source version, model weight, level of detail | | Data bindings | Sensors, meters, alarms, status values, calculated indicators, refresh rules | | Documents and SOPs | Manuals, drawings, work instructions, inspection templates, acceptance records | | Permissions | Role access, sensitive spaces, customer-specific layouts, restricted documents | | Application scenes | Designer scenes, Inspector forms, dashboards, training flows, simulation scenarios | This layered view keeps model work from becoming a single large file-maintenance problem. ## A practical update workflow 1. **Capture the change** - Field teams, projects, inspections, CMMS events, BMS changes, or point cloud reviews create an update request. 2. **Classify the impact** - Decide whether the change affects geometry, asset identity, system relationships, data bindings, documents, permissions, or application scenes. 3. **Update the source layer** - Adjust the authoritative source first: asset register, BIM/CAD model, point cloud record, data mapping, document repository, or procedure library. 4. **Prepare the twin release** - Use Designer, Twin Engine, Data Fusion Services, and related tools to update the runtime model and scene content. 5. **Review against field evidence** - Confirm location, asset identity, data binding, visual state, document link, and permission behavior before publication. 6. **Publish a version** - Release the approved model version with release notes, reviewer, affected areas, and rollback reference. 7. **Notify consumers** - Let dashboards, Inspector workflows, AI Agent routines, simulation scenarios, and training content use the approved version. 8. **Audit the outcome** - Track whether the update solved the field mismatch and whether follow-up changes are needed. The workflow can be lightweight, but it needs visible ownership. ## Data bindings need separate review Data bindings often break quietly. A sensor tag can be renamed, a meter can be replaced, a gateway can change its sampling interval, or a calculated indicator can receive a new formula. The 3D model may look correct while the live context points to an old source. [Data Fusion Services](/products/dfs) helps manage mappings between source systems and twin entities. Governance should record the source system, tag name, unit, timestamp rule, quality state, refresh frequency, and owner for each important binding. For AI Agent workflows, these records matter because recommendations depend on the relationship between signals, assets, spaces, documents, and field history. A reliable binding record also helps teams explain why a trend appeared on a specific asset or why a recommendation used a specific evidence set. ## Field evidence closes the update loop Governance improves when field teams can report mismatches directly from the operating context. [Inspector](/products/inspector) can record issues, photos, inspection findings, corrective actions, and work records against the relevant asset or space. Useful field evidence includes: * photo of the current condition * asset ID or equipment name seen onsite * room, route, floor, or zone where the mismatch appears * affected workflow, inspection, dashboard, or scene * suggested correction and urgency * reviewer and closure record This evidence turns model maintenance into an accountable operating process. ## Model governance for AI and simulation AI Agent, simulation, and Physical AI workflows should use approved model context. The model version should say which geometry, asset relationships, data bindings, documents, and scenario assumptions were active when a recommendation or simulation result was produced. That traceability helps teams compare results across releases. It also helps identify whether a surprising result came from real operating change, a data-quality issue, a model update, or an AI workflow change. For simulation work, the same discipline applies to layout, collision boundaries, access areas, system relationships, and behavior logic. A scenario result is easier to trust when the scene version and assumptions are visible. ## Operating rhythm Governance works best with a simple cadence: * daily review for urgent field mismatches and broken data bindings * weekly review for asset, document, permission, and workflow updates * monthly review for model quality, stale records, repeated mismatches, and source-system drift * release notes for every production twin update * clear rollback reference for major scene or data-binding changes * named owners for each site, system, and shared asset library The cadence should match facility risk. A data center, semiconductor utility area, biopharma facility, or critical building system may need tighter review than a presentation-only scene. ## Governance checklist * Does every space, asset, system, and data binding have an owner? * Are field changes captured through an approved request path? * Are source systems updated before the runtime twin is published? * Are model versions tied to release notes and reviewer records? * Are sensitive spaces, restricted documents, and customer-specific layouts protected? * Are stale tags, broken bindings, and missing asset IDs reviewed regularly? * Can Inspector evidence trigger a model update? * Can AI Agent and simulation outputs reference the model version they used? * Is there a rollback path for major scene, permission, or data-binding releases? ## Public references The [BIM, CAD, and point cloud asset pipeline guide](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline) explains how source models become operational twin assets before go-live. The [Data Readiness guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) explains how source systems, asset identity, workflow records, and machine learning feedback prepare the data foundation. The [Industrial Knowledge Graphs guide](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) explains how semantic relationships keep assets, spaces, systems, signals, documents, and AI Agent reasoning connected. The [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC collaboration](/about/news/collaboration-between-jtc-datamesh), and [Singtel FutureNow showcase](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) show public examples where digital twin context supports ongoing industrial and facility operations. --- ## [GUIDES] Pharma Operator Training and Digital SOPs for GMP/CSV Evidence ## Regulated operations still depend on skilled operators Pharmaceutical and biopharma facilities combine automated equipment, controlled rooms, utilities, quality systems, and skilled human execution. Many production steps still rely on trained operators for setup, cleaning, sampling, weighing, assembly, disassembly, line clearance, inspection, handoff, and exception response. The challenge is consistency. Teams need the same procedure version, equipment context, visual reference, safety note, role instruction, and evidence record across shifts, sites, and training cohorts. Paper SOPs, video files, classroom sessions, and disconnected work records make that difficult to sustain. A digital twin-based SOP workflow gives teams a shared operating context. It connects space, equipment, procedure steps, training records, inspection tasks, work orders, photos, review notes, and change history around the real assets and process areas where work happens. ## What a digital SOP should carry | Layer | Operating detail | |---|---| | Procedure version | Approved SOP, revision, effective date, training audience, and owner | | Spatial context | Room, zone, equipment, utility connection, access path, and safety boundary | | Task steps | Setup, material preparation, cleaning, sampling, inspection, confirmation, handoff, and closeout | | Visual guidance | 3D model, animation, label, image, video, checkpoint, and operator prompt | | Role and training | Required role, training completion, assessment result, refresher cycle, and cohort history | | Execution record | Operator, time, asset, step status, photo, note, exception, work order, and verification | | Change history | SOP revision, asset change, content review, training update, and approval route | The useful target is a record that shows which procedure was used, which asset or area it applied to, who was trained, what was performed, what was observed, and how the result was reviewed. ## DataMesh workflow 1. **Collect procedure sources** - Bring together SOPs, work instructions, training material, equipment models, photos, videos, asset lists, room context, maintenance records, and quality review requirements. 2. **Build the operating context** - Use FactVerse to connect rooms, equipment, utilities, documents, process areas, asset history, and role ownership. 3. **Author guided procedures** - Use Director to create 3D SOPs, training scenarios, step prompts, checkpoints, animations, labels, and review-ready content. 4. **Deliver training and field guidance** - Use DataMesh One and mobile or XR devices so operators can learn and follow procedures in the same asset context. 5. **Capture execution evidence** - Use Inspector and Checklist to record inspections, tasks, photos, notes, exceptions, corrective actions, work orders, and verification status. 6. **Connect operational data** - Use Data Fusion Services to bind asset state, alarms, maintenance history, documents, and enterprise records where the workflow needs them. 7. **Review and improve** - Use consistent records to support quality review, retraining, abnormal event analysis, maintenance closure, and CSV evidence preparation. This gives operations, quality, training, and engineering teams one reviewable trail from training to execution. ## Where teams usually start - **Operator onboarding**: teach room layout, equipment identity, clean execution expectations, and common handoffs before production work. - **Setup and changeover**: guide setup, assembly, disassembly, verification, and line-clearance work with visual checks. - **Cleaning and inspection**: connect step guidance, photo evidence, inspection results, and corrective actions to the relevant asset or area. - **Sampling and weighing**: provide guided prompts, equipment context, role instructions, and completion records for repeatable work. - **Maintenance and calibration support**: connect equipment history, field tasks, work orders, acceptance notes, and related SOP references. - **Deviation and abnormal review**: gather what happened, where it happened, which step was involved, and what follow-up was completed. The best pilot is a procedure with high training burden, repeated handoff issues, or strong evidence requirements. ## GMP and CSV evidence structure GMP programs need controlled, repeatable, and traceable manufacturing practice. For SOP execution, that means clear version ownership, trained personnel, approved work steps, reliable records, and reviewable exceptions. CSV programs focus on computerized systems used in regulated workflows. For digital SOPs and inspection workflows, useful evidence includes intended use, system scope, access roles, version control, workflow records, change history, test evidence, and quality review materials. DataMesh supports these evidence structures by keeping procedures, training completion, work records, inspection evidence, asset history, corrective actions, and change records connected to the relevant process and equipment context. ## Product roles [Director](/products/director) creates guided 3D SOPs, training scenarios, animations, labels, checkpoints, and field instructions. [Inspector](/products/inspector) manages inspections, work orders, repair records, evidence capture, verification, and field history. [Checklist](/products/checklist) supports recurring tasks, structured forms, completion records, and mobile execution. [FactVerse](/products/factverse) provides the operating digital twin context for spaces, assets, documents, workflows, and data bindings. [Data Fusion Services](/products/dfs) connects DCS, SCADA, historians, CMMS, EAM, LIMS, alarms, sensors, documents, and enterprise systems when data integration is in scope. [FactVerse AI Agent](/products/factverse-ai-agent) can support review by summarizing repeated issues, abnormal trends, and related work history for qualified teams. ## Governance checklist - Are SOP versions, owners, effective dates, and training audiences recorded? - Are room, equipment, utility, document, and asset identifiers consistent across systems? - Are training completion, assessment, and refresher records linked to the correct procedure version? - Are field tasks linked to the correct asset, area, step, operator role, and review status? - Are photos, notes, exceptions, corrective actions, and verification records structured for later review? - Are access roles, content approval, change review, and release controls documented? - Are system scope, intended use, version history, and test records available for CSV preparation? - Are quality, operations, training, engineering, and maintenance owners aligned before rollout? These checks help turn digital SOP content into an operating evidence system. ## Public references The [Swire Coca-Cola reference](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) shows maintenance process and frontline training digitization. The [Foxconn reference](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) shows FactVerse used for training and maintenance workflows. The [expressway safety training reference](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) shows digital twins and mixed reality used to improve practical training. The [Yokogawa and DataMesh reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows the broader pattern of connecting industrial facility signals to maintenance review. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## A faster middle layer for process validation Production-line and packaging projects often move between two extremes. Static layouts and discrete-event models help teams discuss flow, capacity, and bottlenecks, while finite element analysis, computational fluid dynamics, and physical trials handle high-precision engineering questions. The gap between those layers is where many practical issues appear: package orientation, collision, sliding, stacking, handoff timing, robot access, operator reach, and equipment interaction. Modern workflows built around Omniverse, NVIDIA Isaac Sim, PhysX, and Newton create a faster middle layer. They allow engineering and operations teams to test more physical scenarios inside a digital twin before selecting the few cases that deserve deeper analysis or physical trials. The accuracy target is different from a calibrated finite element model. The value comes from speed, scenario coverage, shared review, and early issue discovery. For DataMesh, this is a natural extension of [FactVerse Designer](/products/designer). Designer builds the production scene, process logic, behavior trees, layout variants, and timeline scenarios. The [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) carries that context into OpenUSD and Omniverse workflows. From there, teams can prepare Isaac Sim scenes that use PhysX-based simulation, RTX rendering, robot and sensor models, and Isaac Lab or Newton paths when a process scenario moves toward robotics or Physical AI. ## Where traditional simulation slows down Different simulation methods answer different questions: | Method | Useful for | Typical constraint | | ---------------------------- | ------------------------------------------------------------- | ----------------------------------------------------- | | Static layout review | Space, equipment placement, access, stakeholder alignment | Limited motion and interaction evidence | | Discrete-event simulation | Throughput, queueing, utilization, buffers, resource planning | Simplified geometry and physical behavior | | Finite element analysis | Stress, deformation, material response, structural risk | Slower model preparation and compute cycles | | Computational fluid dynamics | Airflow, fluid, thermal, pressure, and contamination analysis | Specialized models and longer iteration cycles | | Physical trials | Final process confidence and real operator feedback | Cost, schedule, safety, and limited scenario coverage | Physics-based process simulation adds another option. It helps teams ask: if a package slides through this path, if a tray tilts, if a robot handoff is late, if a conveyor buffer fills, if a carton collides with a guide rail, what will the operating team see? ## What Isaac Sim, PhysX, and Newton add NVIDIA describes Isaac Sim as an open source reference framework built on Omniverse libraries for robotics simulation, testing, and synthetic data generation in physically based virtual environments. It can ingest CAD, URDF, MJCF, and captured scene context, convert that material into USD, and assemble scenes with materials, physics, robot models, and sensors. PhysX sits inside that Isaac and Omniverse path as the physics foundation. NVIDIA's Isaac Sim documentation describes the core simulation as a high-fidelity GPU-based PhysX engine with multi-sensor RTX rendering at industrial scale. For production teams, this supports review of motion, collision, rigid-body behavior, placement, material flow, spacing, robot reach, and safety zones. Isaac Lab and Newton extend the workflow toward robot learning and contact-rich simulation. NVIDIA describes Isaac Lab as an open source, GPU-accelerated, modular framework for robot learning. NVIDIA describes Newton as an open, extensible physics engine built on Warp and OpenUSD, with direction around GPU acceleration, differentiable physics, pluggable solvers, rigid-body and deformable simulation, and Isaac integration. That matters when process simulation begins to overlap with robot policies, tactile contact, flexible materials, packaging deformation, cables, or future Physical AI workflows. The practical message for industrial teams is simple: use the right physics depth for the decision. A packaging layout review may need fast collision and motion checks. A robot insertion task may need stronger contact modeling. A material failure question still belongs to specialized engineering analysis. ## Packaging process validation Packaging is a strong use case because small physical details can change the operating result. A useful virtual trial can explore: * package orientation, spacing, and handoff timing * conveyor speed, guide rails, diverters, stops, and buffer behavior * tray, carton, bottle, pouch, or case movement through equipment * sliding, tipping, stacking, bouncing, contact, and collision patterns * robot reach, gripper approach, access envelope, and safety zones * operator reach, maintenance access, jam recovery, and inspection viewpoints * line variants before equipment is moved or tooling is changed The goal is earlier screening. Teams can compare more options, find obvious physical issues, and prepare clearer questions for detailed validation. ## The DataMesh workflow 1. **Build the operational scene** - Model the line, packaging cell, equipment, stations, buffers, routes, access areas, and asset identities in FactVerse. 2. **Author the process logic** - Use Designer to define behavior trees, timing, state transitions, material routes, faults, recovery steps, and variants. 3. **Prepare simulation assets** - Align scale, coordinates, collision geometry, material assumptions, mass, friction, constraints, and version records. 4. **Move into the physics workflow** - Use the FactVerse Adaptor for NVIDIA Omniverse to bring scene context into OpenUSD and Omniverse workflows. When robotics is in scope, prepare Isaac Sim scenes with physics, materials, robot models, and sensors. 5. **Run fast virtual trials** - Review motion, collision, contact, placement, handoffs, buffer behavior, operator access, and robot interaction through the right Omniverse, Isaac Sim, PhysX, or Newton path. 6. **Compare scenarios** - Record which layout, timing, material, or equipment variant performed better under the stated assumptions. 7. **Escalate selected cases** - Send critical cases to finite element analysis, computational fluid dynamics, vendor engineering, or physical trials. 8. **Keep the evidence** - Preserve assumptions, settings, results, screenshots, issue records, and approval notes with the scenario version. This keeps virtual planning connected to engineering governance. The simulation result is useful because the assumptions and versions are traceable. ## What this layer is good for Physics-based process simulation is strongest when teams need rapid comparison: * early packaging workflow screening * conveyor, material handling, and buffer behavior review * layout and clearance validation * collision and jam-risk discovery * robot and operator access review * equipment interaction and handoff timing * virtual commissioning preparation * Physical AI scenario preparation * cross-team review with engineering, operations, safety, and vendors The output should guide engineering judgment. It helps teams narrow the option space and focus high-cost validation on the scenarios that matter. ## Where high-precision methods remain necessary Finite element analysis, computational fluid dynamics, calibrated material testing, and physical trials remain the right tools for final answers on stress, fatigue, fracture, sealing, thermal behavior, airflow, liquid motion, contamination risk, and product-quality thresholds. Physics engines also need calibration. Friction, stiffness, damping, restitution, mass, geometry simplification, contact settings, and solver parameters can change the result. Flexible packaging, liquids, powders, adhesives, heat, wear, and breakage may require special models or physical experiments. The strongest workflow treats fast physics simulation as an engineering filter. It makes the team faster at asking better questions and choosing better validation targets. ## What to measure | Area | Useful metrics | | ----------------- | ----------------------------------------------------------------------------------- | | Iteration speed | scenario setup time, variant count, review cycle time, time to first issue | | Scenario coverage | layout variants, speed settings, package types, fault states, access conditions | | Model quality | scale error, material assumptions, collision geometry quality, calibration evidence | | Engineering value | issues found before trial, rejected variants, narrowed validation scope | | Transfer quality | difference between virtual trial and physical observation, repeated mismatch type | | Governance | scenario version, physics settings, asset version, reviewer, decision record | Metrics keep the simulation useful. A fast model with unclear assumptions creates noise; a fast model with traceable assumptions creates engineering leverage. ## Product roles [FactVerse Designer](/products/designer) is the authoring environment for layouts, behavior trees, process logic, timeline scenarios, and scenario variants. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) connects FactVerse scene context with OpenUSD and Omniverse workflows for rendering, physics validation, Isaac Sim scene preparation, and advanced simulation. [FactVerse](/products/factverse) and [FactVerse Twin Engine](/products/factverse-twin-engine) preserve the operational twin context behind the simulation: assets, spaces, systems, metadata, permissions, and scenario records. [Data Fusion Services](/products/dfs) connects live and historical operational data when a simulation needs production signals, equipment state, alarms, speed, throughput, or facility context. [DataMesh Robotics](/products/robotics) extends the workflow when packaging or production-line scenarios become training data, Isaac Sim robot simulation environments, Isaac Lab learning tasks, or Physical AI evaluation tasks. ## Readiness checklist * Is the engineering decision clear enough to choose the right simulation depth? * Are line assets, equipment names, and package types stable? * Are scale, coordinates, units, and origin points validated? * Are collision shapes and material assumptions documented? * Are process timing, routes, handoff rules, and state transitions defined in Designer? * Are physics settings tied to a review objective? * Are known limitations documented before review? * Are selected scenarios routed to detailed engineering validation? * Are results traceable to scene version, asset version, and physics settings? ## Public references NVIDIA describes [Omniverse](https://www.nvidia.com/en-us/omniverse/) as libraries and microservices for industrial digital twins and Physical AI simulation applications, with OpenUSD, RTX, and physics capabilities. The NVIDIA developer page for [Omniverse libraries](https://developer.nvidia.com/omniverse) describes ovphysx as a USD-native multiphysics library for scalable robotics and digital twin simulation. NVIDIA's [Isaac Sim](https://developer.nvidia.com/isaac/sim) page describes it as an open source reference framework built on Omniverse libraries for robotics simulation, testing, and synthetic data generation in physically based virtual environments. NVIDIA's [Isaac Lab](https://developer.nvidia.com/isaac/lab) page describes Isaac Lab as an open source, GPU-accelerated, modular framework for robot learning designed to train robot policies at scale. NVIDIA's [Newton Physics](https://developer.nvidia.com/newton-physics) page describes Newton as an open, extensible physics engine built on Warp and OpenUSD for robot learning and development. NVIDIA's public Newton industrial robotics article explains contact-rich manipulation, deformable simulation, SDF collision, hydroelastic contact, and integration with Isaac workflows. DataMesh's [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) announcement and [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) show the public direction for simulation digital twins, OpenUSD workflows, and Physical AI preparation. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## The maintenance loop starts after the signal Predictive maintenance becomes useful when a risk signal can move into a disciplined work process. A vibration trend, temperature drift, current anomaly, or repeated alarm should lead to a reviewable question: which asset is affected, how credible is the finding, what else is connected to the asset, which team should review it, and what field action should follow. [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) uses a digital twin to connect those steps. Data, asset context, AI-assisted review, work orders, field evidence, and verification stay in one operating loop so maintenance teams can learn from every decision. This is also a practical Physical AI workflow. AI helps interpret real-world signals, and the digital twin keeps the recommendation grounded in equipment, location, system relationships, and site-approved execution. ## What the loop needs A closed-loop maintenance workflow usually needs these layers: * **Connected signals**: vibration, temperature, current, pressure, runtime, alarms, historian tags, and environmental context. * **Asset context**: equipment hierarchy, location, operating role, system dependencies, maintenance plan, documents, and spare-part context. * **AI-assisted review**: trend comparison, anomaly review, likely degradation patterns, evidence summaries, and recommendation drafting. * **Twin-based validation**: spatial context, upstream and downstream dependencies, recent work, operating constraints, and field accessibility. * **Work execution**: Inspector work orders, Checklist tasks, assignment, field notes, photos, acceptance, and closure status. * **Follow-up evidence**: post-maintenance readings, repeat alarm review, condition comparison, and updated asset history. The goal is a maintenance record that explains what was detected, why it mattered, who reviewed it, what action was approved, and how the outcome was verified. ## Role of the DataMesh stack [Data Fusion Services](/products/dfs) connects sensors, historians, BMS, SCADA, CMMS, EAM, IoT, and enterprise systems. It prepares operational data for digital twin binding, analytics, and AI review. [FactVerse AI Agent](/products/factverse-ai-agent) provides the decision intelligence layer. The FactVerse AI Agent predictive maintenance module reviews signal behavior, asset relationships, maintenance history, and operating context, then prepares evidence and recommended actions for maintenance teams. [FactVerse](/products/factverse) and the digital twin context help teams see where the asset sits, what systems it supports, and which dependencies matter. [Inspector](/products/inspector) manages inspections, work orders, field records, verification, and maintenance evidence. [Checklist](/products/checklist) helps consolidate tasks and recurring work across teams. Customer-governed systems such as CMMS, EAM, BMS, SCADA, and site approval workflows can remain the operational systems of record where the organization defines that ownership. ## Signal to verified work A practical workflow can be implemented in six steps: 1. Connect sensor, historian, alarm, inspection, and asset data. 2. Map assets, systems, points, and work records into the digital twin. 3. Use FactVerse AI Agent to review trends, abnormalities, and related evidence. 4. Let maintenance and engineering teams confirm the finding in twin context. 5. Create an Inspector work order or Checklist task with clear scope, owner, and acceptance criteria. 6. Capture completion evidence and compare the post-work condition with the original signal. This workflow makes prediction actionable. The result is a traceable maintenance decision with field context, ownership, and completion evidence. ## Where to apply it first | Starting point | Practical focus | | ------------------------- | ------------------------------------------------------------------------------------------------------------------- | | Rotating equipment | Pumps, compressors, motors, fans, and other assets with vibration, temperature, current, or pressure patterns | | Facility utility systems | HVAC, chilled water, compressed air, power distribution, and other systems with recurring alarms or service history | | Production support assets | Conveyors, robotic cells, fixtures, and handling equipment where maintenance timing affects production flow | | Inspection-heavy assets | Assets with frequent rounds, recurring issues, or inconsistent field records | | Multi-site operations | Shared asset classes where lessons from one site can improve review patterns across other sites | The first pilot should have useful data history, a maintenance owner, a manageable asset scope, and a field team ready to close the loop. ## Data readiness checklist Before rollout, review these conditions: * Sensor signals have stable identifiers, timestamps, units, and asset mapping. * Maintenance history is available at asset or equipment-group level. * Work orders have enough detail to understand cause, action, and closure. * Asset hierarchy and location data can be linked to the digital twin. * Engineering and maintenance teams agree on review, approval, and escalation rules. * Field teams can capture evidence in a structured way. * Pilot metrics are tied to verified operating records. Data quality work at this stage is part of the predictive maintenance program. It determines which assets are ready for AI-assisted review and which systems need cleanup first. ## Metrics to validate Predictive maintenance value should be measured with the site's own baseline. Useful metrics include: * Time from signal detection to human review. * Share of findings that become planned maintenance. * Work-order closure quality and evidence completeness. * Repeat alarms after corrective work. * Asset condition trend after maintenance. * Field team response time and task acceptance quality. * Engineering review effort for recurring asset classes. Savings claims need validation against each site's own baseline, asset scope, and operating history. A practical validation plan keeps assumptions, baseline data, and closed-loop results traceable from pilot through rollout. ## Public references The [Yokogawa and DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) announcement shows the public direction for AI-driven predictive maintenance in industrial facilities, especially for critical rotating equipment. The [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) and [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) references show how maintenance process digitization, frontline guidance, and training can support the execution side of the loop. For buyers, the important pattern is clear: predictive maintenance needs connected signals, trusted asset context, AI-assisted review, and work execution records that preserve what happened in the field. --- ## [GUIDES] rack-inlet-temperature-and-thermal-margin ## Thermal risk becomes operational at the rack inlet Data center teams often have room temperatures, cooling-unit readings, alarms, rack inventories, and power data in separate systems. A room average can look stable while a small group of racks receives warmer recirculated air or less airflow. That local condition can narrow operating margin, constrain the next capacity change, and raise the urgency of a cooling or containment review. The rack inlet gives buyers a practical observation point. It connects the cooling air delivered by the facility with the environment experienced by information technology equipment. The American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) established equipment inlet conditions as a common basis for data center environmental guidance. Equipment class, manufacturer requirements, site policy, humidity, operating mode, and the current guidance still determine the accepted envelope for a specific facility. An effective assessment answers four questions: * Which racks or inlet positions are closest to the agreed limit? * Is the condition isolated, persistent, load-related, or linked to cooling distribution? * How much thermal margin remains under the reviewed operating state? * Which measurement, engineering, or operational action should follow? ## Define the decision before choosing the analysis A useful thermal study starts with a decision. Examples include approving a rack-density increase, reviewing a recurring hot spot, comparing containment options, preparing for a cooling-unit maintenance window, or selecting locations for additional sensors. The decision defines the necessary evidence: | Decision | Evidence focus | Useful output | |---|---|---| | Investigate a current hot spot | Recent inlet measurements, rack load, cooling state, alarms, containment, and field observations | Affected racks, likely dependencies, data gaps, and inspection priorities | | Review a load increase | Proposed rack loads, airflow demand, cooling distribution, operating envelope, and representative boundary conditions | Baseline and proposed inlet conditions, remaining margin, and areas requiring engineering review | | Compare containment changes | Geometry, openings, leakage paths, supply and return arrangement, rack airflow direction, and load distribution | Relative recirculation patterns, rack-level differences, and option trade-offs | | Prepare for cooling maintenance | Cooling-unit availability, redundancy assumptions, current load, sensor evidence, and operating sequence | Expected affected zones, margin under the reviewed state, and monitoring priorities | This decision-first approach keeps the work proportional. A sensor review may resolve a data-quality question. A spatial thermal model becomes valuable when the decision depends on airflow paths, uninstrumented locations, future loads, or conditions that are difficult to reproduce safely in the operating facility. ## Build a trustworthy facility baseline Thermal evidence depends on the quality of the facility model and operating inputs. Buyers should expect a clear record of what was provided, what was measured, what was inferred, and what remains uncertain. ### Spatial and equipment context * room, aisle, rack, raised-floor, ceiling, duct, opening, and containment geometry * rack position, orientation, height, population, and equipment airflow direction * cooling-unit location, capacity, supply and return arrangement, and operating state * perforated tiles, grilles, dampers, barriers, leakage paths, and major obstructions * sensor identity, location, mounting height, unit, calibration status, and ownership ### Operating and thermal context * representative rack or information technology load by time and operating state * supply-air temperature, return-air temperature, flow, pressure, and fan information where available * room temperature, humidity, rack-inlet measurements, alarms, and environmental records * containment status, maintenance condition, active cooling units, and control settings * outdoor or adjacent-space conditions when they influence the reviewed boundary ### Governance context * the equipment classes and manufacturer limits represented * the customer-approved environmental envelope and measurement practice * the time period and operating state covered by the evidence * the decision owner, engineering reviewer, and acceptance criteria [Data Fusion Services](/products/dfs) can align equipment identities, timestamps, units, sensor quality, alarms, and engineering records. [DataMesh FactVerse](/products/factverse) can organize the rooms, racks, cooling systems, sensors, and spatial relationships in an operational digital twin. This shared context makes measurements and model results traceable to the assets and locations under review. ## Turn a thermal field into a rack-level decision ![Normal and degraded airflow patterns with rack-inlet review points](/images/physics/data-center-thermal-resilience-comparison.webp) *Rack-level review connects spatial airflow and temperature behavior with defined inlet positions, equipment limits, and operating decisions.* A thermal field shows how temperature and airflow vary through space. Buyers still need agreed metrics that translate the field into a reviewable decision. Useful metrics can include: * inlet temperature at defined top, middle, and bottom positions * maximum, percentile, or time-window inlet temperature for the reviewed condition * number and location of inlet points approaching an agreed limit * recirculation or bypass patterns that influence the affected racks * difference between baseline and candidate scenarios * persistence, rate of change, and sensitivity to load or cooling state * remaining thermal margin by rack, zone, or equipment class A simple margin definition is: `thermal margin = agreed rack-inlet limit - evaluated rack-inlet temperature` Every reported margin should identify the limit source. It should also state whether the evaluated temperature comes from a sensor, a calibrated simulation, an exploratory model, or a conservative scenario value. A two-degree margin has very different meaning when it comes from a single unverified sensor, a validated measurement set, or a model operating beyond its calibration range. ## Separate live visibility from project-enabled thermal evidence Live operations and thermal analysis answer related questions at different depths. | Capability | Primary evidence | Questions it supports | |---|---|---| | Live operational visibility | Connected sensors, meters, equipment states, alarms, asset records, inspections, and work history | What is happening now, where is the alarm, which asset is affected, and who owns the response | | Project-enabled thermal analysis | Reviewed geometry, rack loads, cooling conditions, boundary assumptions, available measurements, solver checks, and an evidence package | How airflow and temperature may vary across space, what may happen under a proposed change, and which areas deserve qualified review | [FactVerse AI Agent](/products/factverse-ai-agent) can help operations teams relate abnormal trends, alarms, asset history, and maintenance context. A project-enabled thermal workflow adds spatial fields and scenario comparison when a capacity, cooling, or layout decision requires them. [Inspector](/products/inspector) can carry an approved finding into field inspection, work execution, and verification. ## Use the right operating envelope ASHRAE guidance distinguishes recommended and allowable environmental envelopes for classes of data communication equipment. Manufacturers may define additional configuration-specific limits, and each operator may adopt site standards based on reliability objectives, measurement methods, equipment mix, and operating conditions. For buyer evaluation, the project should record: 1. the equipment population and environmental class under review 2. the applicable ASHRAE guidance edition and table or process used 3. manufacturer requirements for the installed configuration 4. the customer-approved normal, alert, and engineering-review thresholds 5. the humidity and measurement conditions associated with those thresholds 6. how transient excursions and data gaps are handled This creates a stable basis for calculation while allowing the site to evolve as equipment and guidance change. ## Match confidence to calibration evidence An exploratory model can show directional patterns and compare options under stated assumptions. A benchmarked model adds reference cases and solver checks. A measured-data calibrated model compares relevant outputs with representative site observations. A scenario-specific validated study adds independent evidence under the conditions needed for the intended decision. For rack-inlet work, useful calibration evidence can include multiple inlet locations, representative loads, stable and transition periods, active cooling states, and a separate condition or time period reserved for validation. Reviewers should see residuals by location and operating state, along with sensor uncertainty and known mismatches. The [calibration and simulation confidence guide](/resources/guides/calibration-levels-and-simulation-claim-confidence) explains how to match claim strength to the available proof. The [scenario ensemble guide](/resources/guides/scenario-ensembles-and-conservative-simulation-review) shows how to compare plausible ranges when loads, equipment states, or boundary conditions vary. ## Buyer checklist ### Decision and scope * Is one operational, capacity, resilience, or layout decision clearly named? * Are the racks, zones, operating states, and time horizon defined? * Is the consequence of a narrow or negative margin understood? ### Data and model readiness * Are rack geometry, airflow direction, load, and equipment limits available? * Are cooling layout, active state, supply, return, containment, and openings represented? * Can every sensor value be traced to an identity, location, timestamp, unit, and quality status? * Are assumptions and missing evidence visible to the reviewer? ### Evidence and acceptance * Is the source of each operating limit recorded? * Are measured and simulated values clearly identified? * Are residuals, uncertainty, and sensitivity shown at decision-relevant locations? * Does the claimed confidence stay within the documented evidence envelope? ### Action and ownership * Is each finding linked to the affected room, rack, cooling asset, or sensor? * Is a qualified reviewer responsible for the conclusion? * Can approved actions enter inspection, maintenance, or change-management workflows? * Is post-change verification part of the handover plan? ## Scope a focused pilot A practical pilot can begin with one representative room or aisle and one decision. The team selects a manageable rack population, verifies asset and sensor context, defines the approved operating envelope, and captures a representative baseline. A candidate load, containment, cooling, or monitoring change can then be compared under agreed evidence and review criteria. Pilot success criteria can include: * verified geometry, rack identity, load, cooling state, and sensor mapping * a reproducible baseline with documented inputs and checks * rack-level measurements and residual review appropriate to the intended claim * a thermal-margin view tied to the approved limit source * a scenario comparison that changes a real planning or inspection decision * named engineering ownership and a reusable evidence package Explore [Data Center Operations](/solutions/ai-agent-data-center) for the complete workflow across operational visibility, thermal assessment, maintenance execution, and multi-site context. The broader [simulation evidence evaluation guide](/resources/guides/how-to-evaluate-simulation-evidence) provides a procurement checklist for reviewing methods, models, uncertainty, and handover evidence. Continue with [Cooling-Failure Scenario Analysis](/resources/guides/data-center-cooling-failure-scenario-analysis) to review degraded and unavailable cooling states, then use [Load Growth and Capacity What-If Analysis](/resources/guides/data-center-load-growth-capacity-what-if-analysis) to compare proposed rack, load, cooling, containment, and layout changes. ## Public references The [ASHRAE Data Centers and Telecommunications Facilities handbook chapter](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx) describes equipment inlet temperature as the common environmental reference point and explains the role of recommended and allowable ranges. ASHRAE's article on [high reliability and energy efficiency in data center design and operations](https://www.ashrae.org/news/ashraejournal/achieving-high-reliability-energy-efficiency-in-data-center-design-operations) introduces the fifth edition of *Thermal Guidelines for Data Processing Environments* and its role in aligning facility operations with equipment requirements. The United States Department of Energy [Best Practices Guide for Energy-Efficient Data Center Design](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf) covers information technology environmental conditions, air management, cooling systems, and measures that reduce warm-air recirculation around rack intakes. --- ## [GUIDES] scenario-ensembles-and-conservative-simulation-review ## One run shows one path through the assumptions Industrial systems operate across changing loads, weather, equipment states, control modes, material properties, and human actions. A single simulation run can explain one defined condition. Resilience and safety decisions usually need a wider view: which findings remain stable, which inputs drive variation, and which credible conditions bring the system closest to an operating limit. A scenario ensemble provides that wider view. It organizes multiple runs around a clear decision and turns their outputs into distributions, comparisons, sensitivities, and conservative review cases. The objective is practical engineering judgment. Buyers should be able to see how much of the relevant operating space was explored, where the evidence is strong, where the result is sensitive, and which action deserves priority. ## Build scenario families before choosing run counts A scenario family is a structured set of conditions selected because they matter to the decision. The team defines engineering coverage first and then chooses the run design needed to examine it. Typical scenario dimensions include: | Dimension | Examples | |---|---| | Demand and load | IT load, production rate, building heat demand, packaging rate, robot task frequency | | Equipment state | Normal operation, degraded fan or pump, unavailable cooling unit, reduced exhaust, sensor outage | | Environment | Outdoor temperature, humidity, wind, severe weather, room boundary condition | | Source condition | Release location, heat source, contamination source, material entry point, disturbance timing | | Control and response | Setpoint, sequencing, preheating strategy, alarm delay, operator response, recovery action | | Asset and material | Geometry variant, friction, mass, thermal property, resistance, leakage, equipment performance | The team should explain why each dimension is present, which values are credible, and how the selected combinations cover the decision. This makes scenario coverage reviewable before computation begins. ## Separate scenario variation from repeated sampling Two types of multi-run analysis answer different questions. ### Scenario-family comparison Scenario-family runs change named engineering or operating conditions. Examples include normal and degraded cooling, several cleanroom release locations, severe-weather heat demand, or alternative production layouts. The output answers questions such as: * Which condition creates the smallest thermal margin? * Which detector placement leaves the largest blind region? * Which network zone remains sensitive during severe weather? * Which layout or task sequence creates repeated collision or access risk? ### Repeated runs within a scenario Repeated runs examine variation inside one defined scenario. The varying inputs may represent measurement uncertainty, natural process variability, uncertain material properties, stochastic release behavior, random task initialization, or sampling of a defined parameter distribution. The output answers questions such as: * How widely does time to an agreed limit vary? * How stable is a detector-response finding across plausible source behavior? * Which parameter contributes most to the spread in the result? * How often does a metric exceed the review threshold inside the sampled study design? Many evaluations use both. Scenario families establish engineering coverage, and repeated runs characterize variation within selected high-impact scenarios. ## Read distributions in customer language An ensemble replaces one result with a range of outcomes. Buyers can ask sound questions about that range using a small set of practical measures. | Measure | What it tells the reviewer | What to inspect beside it | |---|---|---| | Minimum and maximum | The observed range across included runs | Outliers, sampling coverage, physical credibility, and whether the extremes were resolved sufficiently | | Median | A central outcome with half the runs above and half below | Distribution shape, sample count, multimodal behavior, and decision relevance | | Percentile | A value below which a stated share of included results falls | Selected percentile, tail sample count, input distributions, and consequence of exceedance | | Exceedance rate | The share of included runs crossing an agreed threshold | Threshold basis, scenario weights, representativeness, validation, and sampling error | | Spread or interval | The amount of variation across results | Dominant inputs, data quality, model uncertainty, and unresolved conditions | | Sensitivity | Which input changes have the greatest effect on the decision metric | Input range, interactions, physical plausibility, and opportunities for better measurement or control | Every measure remains conditioned on the scenarios, input ranges, distributions, model, and sampling design used. The review package should show those conditions next to the summary result. ## Use comparison visuals to expose scenario logic ![Baseline cleanroom ventilation and degraded exhaust comparison](/images/physics/cleanroom-airflow-detection-comparison.webp) *A visible baseline-to-degraded comparison helps stakeholders confirm which condition changed before they interpret the resulting field, metric, or action.* Useful comparison views include: * baseline and degraded-condition fields shown with the same scale * spatial maps of margin, exceedance, detection coverage, or collision frequency * time-series bands across repeated runs * distributions of time to a limit or response event * sensitivity rankings for influential inputs * scenario matrices showing conditions, findings, severity, and action ownership Consistent scales and units matter. Changing a color range between panels can make small differences appear dramatic or hide meaningful deterioration. ## Define conservative review before seeing the answer Conservative review selects evidence that gives appropriate weight to adverse credible outcomes. The method should follow the consequence of error and be agreed before the final result is known. Common approaches include: * reviewing the most adverse physically credible scenario * selecting an upper or lower percentile for the decision metric * preserving an explicit margin from an operating limit * using a confidence interval around the selected percentile or exceedance rate * requiring stability across multiple model assumptions or data periods * escalating any scenario that crosses a safety, service, quality, or equipment threshold * combining quantitative results with domain-expert review of unmodeled conditions The selected approach should state the protected outcome, the covered conditions, the evidence quality, and the responsible reviewer. A high percentile from a narrow scenario set can still leave important operating conditions unexplored. ## Apply ensembles to resilience and safety questions ### Data-center thermal resilience A useful family can vary IT load, cooling-unit availability, containment condition, supply temperature, fan behavior, and recovery timing. Review metrics can include rack-inlet margin, hotspot location, rate of temperature rise, and time to an agreed limit. The buyer should look for scenario coverage across credible degraded states and growth conditions. Conservative review may focus on time margin for action and the racks or zones that repeatedly become critical. ### Cleanroom airflow and detection assurance A cleanroom family can vary release location, source behavior, local exhaust condition, facility ventilation state, door condition, and detector placement. Repeated runs can explore uncertain source timing, strength, or direction. Review metrics can include detection time, undetected region, local exhaust capture behavior, concentration at agreed locations, and sensitivity to degraded ventilation. The study should preserve safety ownership and site-specific validation requirements. ### District-heating planning A district-heating family can vary outdoor temperature, building demand, wind, network condition, pump and valve strategy, source availability, and preheating timing. Review metrics can include service condition by zone, return-temperature behavior, imbalance, pressure margin, and recovery after a disturbance. Conservative review can highlight weather and demand combinations that leave the least operating margin and identify where better measurements or targeted balancing studies add the most value. ### Production and robotics A production family can vary layout, package type, friction, speed, buffer state, task timing, robot initialization, and equipment availability. Review metrics can include completion, collision, handoff stability, clearance, queueing, recovery behavior, and task variation. For Physical AI work, repeated simulation can also support policy training and evaluation. The evidence package should keep training variation, evaluation scenarios, sim-to-real checks, and acceptance criteria clearly separated. ## Check whether the ensemble is large enough Run count follows the decision metric, variability, tail behavior, and required confidence. A fixed number has little meaning without convergence evidence. Buyers can ask: * Does the median or selected percentile stabilize as runs are added? * Are tail cases represented by enough samples for the intended decision? * Have important scenario dimensions and interactions been covered? * Are rare but credible engineering conditions represented deliberately? * Does additional sampling materially change the finding or priority? * Are computational shortcuts, surrogate models, or reduced-order methods validated for the intended metric? The project can show convergence plots, interval width, repeated batches, or holdout comparisons according to the method. High-consequence probability statements require deeper statistical design and review than relative scenario prioritization. ## Find the inputs that deserve attention Sensitivity analysis connects output variation to input variation. It helps teams identify which measurements, controls, assets, or assumptions have the greatest effect on the decision metric. This creates practical value: * prioritize sensors where uncertainty changes the decision * focus calibration on influential physical parameters * identify controls with meaningful operating leverage * narrow low-value scenario dimensions * reveal interactions that need a combined scenario * direct detailed engineering or physical tests toward the largest evidence gap Sensitivity should be evaluated across credible input ranges. A parameter can appear unimportant when the chosen range is too narrow or when an interacting condition is absent. ## Preserve review ownership An ensemble can produce many plots and summary statistics. The evidence remains actionable when responsibilities are explicit. The review record should name: * the owner of the decision question * the engineer responsible for scenario coverage * the owner of operational and measurement data * the analyst responsible for model and sampling choices * the domain reviewer responsible for physical interpretation * the safety, quality, operations, or engineering authority responsible for action approval Findings should connect each adverse or sensitive condition with a proposed action, priority, owner, and required follow-up evidence. ## Buyer checklist for scenario coverage ### Decision and consequence * Is the protected outcome clear? * Is the consequence of threshold exceedance understood? * Is the selected conservative review rule agreed in advance? ### Scenario design * Which loads, environments, equipment states, controls, and disturbances are included? * Why are the selected values and combinations credible? * Which conditions remain outside the study? * Are baseline, degraded, recovery, and growth conditions represented where relevant? ### Sampling and uncertainty * Which inputs are fixed, deliberately varied, or sampled from a distribution? * Where did each range or distribution come from? * Are median, percentile, exceedance, and interval estimates supported by adequate sampling? * Which inputs dominate variation in the decision metric? ### Evidence and action * Are visual comparisons shown with consistent units and scales? * Which findings remain stable across plausible variation? * Which adverse cases require measurement, calibration, detailed engineering, testing, or operational action? * Who reviews and approves each conclusion? ## Choose the next evaluation step Use a **scenario-design workshop** when operating conditions, disturbances, decision metrics, and review ownership still need alignment. Use a **sensitivity study** when the team needs to identify influential data, parameters, and controls before committing to a larger ensemble. Use an **ensemble pilot** when the buyer needs to prove run orchestration, data readiness, result aggregation, and review workflow for one decision. Use a **calibration or validation study** when site-specific magnitude, timing, margin, or probability requires stronger evidence. The [calibration levels and claim confidence guide](/resources/guides/calibration-levels-and-simulation-claim-confidence) explains how to match conclusions to that evidence. Use the [simulation evidence evaluation guide](/resources/guides/how-to-evaluate-simulation-evidence) to review the complete chain from intended use and inputs through metrics, findings, actions, and approval. ## How DataMesh supports scenario review [FactVerse Designer](/products/designer) prepares reusable scenes, operating states, behavior, and scenario variants. [Data Fusion Services](/products/dfs) connects operational history, measurement identity, quality context, and time alignment. DataMesh project workflows can preserve run identity, fields, metrics, findings, actions, and review ownership across scenario families. Explore [Process Simulation and Virtual Planning](/solutions/process-simulation), [Data Center Operations](/solutions/ai-agent-data-center), [Semiconductor Facility Operations](/solutions/ai-agent-semiconductor), and [Smart District Heating](/solutions/heatops) for market-facing examples of decisions that can benefit from structured scenario comparison. ## Public references NASA's public [Modeling and Simulation definitions](https://public.ksc.nasa.gov/mns/ms-definitions/) define scenarios, sensitivity analysis, uncertainty characterization, and result robustness in the context of model-based decisions. The American Society of Mechanical Engineers [introduction to uncertainty quantification](https://www.asme.org/getmedia/4b43ab5f-28c5-4403-aeb1-9286650ad7b1/vvuq-intro-module-part-4-uq.pdf) describes a cycle of characterizing uncertainty, propagating it through the model, interpreting results, and identifying influential uncertainties through sensitivity analysis. The National Institute of Standards and Technology overview of [virtual measurement](https://www.nist.gov/itl/virtual-measurement) describes uncertainty quantification as the characterization and communication of incomplete knowledge affecting numerical simulation outputs. NASA's public guidance on [modeling and simulation use](https://public.ksc.nasa.gov/mns/ms-use/) asks whether data pedigree is adequate, how uncertainty propagates into results, and how thoroughly result sensitivities are understood. --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## Fab operations depend on stable facility context Semiconductor fabs depend on stable facilities as much as production tools. Cleanroom drift, pressure imbalance, filter loading, chilled-water variation, CDA pressure changes, exhaust instability, delayed maintenance, and fragmented work orders can create operational risk before teams share the same view of the situation. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor) applies [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent), and [Inspector](/products/inspector) to the facility operations layer. It connects cleanroom signals, utility systems, asset relationships, alarms, maintenance records, and field execution into a reviewable operating loop. Production recipes, APC, yield analytics, MES, and tool control remain governed by the fab systems and authorization procedures that own those decisions. DataMesh focuses on the facility, maintenance, and operating evidence around the fab. ## What the facility twin connects | Layer | Operating context | | ----------------- | -------------------------------------------------------------------------------------------------------------------------------------------- | | Cleanroom zones | ISO class, particles, temperature, humidity, differential pressure, airflow, room hierarchy, and operating thresholds | | Utility systems | HVAC, chilled water, CDA, vacuum, exhaust, power distribution, meters, pumps, fans, valves, and supporting equipment | | Critical assets | FFUs, HEPA/ULPA filters, chillers, pumps, AHUs, compressors, exhaust equipment, sensors, controllers, documents, and maintenance history | | Alarms and trends | Repeated alarms, abnormal patterns, sensor drift, pressure gradient change, filter loading, vibration, current, runtime, and service history | | Work execution | Inspector work orders, Checklist tasks, field photos, readings, notes, approvals, escalation rules, and closure evidence | | Governance | Recommendation source, reviewer, priority, SLA, owner, shift handover, acceptance criteria, follow-up evidence, and audit trail | The value comes from mapping every signal to a zone, asset, system, responsibility, and field workflow. A particle spike should be traceable to cleanroom context, airflow and pressure behavior, filter state, upstream utility equipment, recent maintenance, and the response that follows. ## DataMesh workflow for semiconductor facility operations 1. **Connect facility sources** - Bring BMS, SCADA, PLCs, historians, environmental monitoring, CMMS, EAM, IoT sensors, equipment telemetry, and work-order systems into the operations layer. 2. **Build the facility twin** - Model fabs, cleanrooms, zones, utility systems, assets, sensors, control points, documents, and work responsibilities in FactVerse. 3. **Bind signals to context** - Use Data Fusion Services to map particle readings, pressure, temperature, humidity, alarms, energy readings, equipment health, and work records to the correct zones and assets. 4. **Review drift and risk** - Use FactVerse AI Agent to summarize abnormal trends, repeated alarms, likely contributing systems, priority scores, and recommended next actions for human review. 5. **Execute through Inspector** - Turn validated findings into work orders, field tasks, escalation plans, shift handover notes, documentation, and acceptance records. 6. **Verify the result** - Compare post-action readings, alarm recurrence, maintenance evidence, cleanroom status, and operator review against the original finding. This workflow keeps AI recommendations attached to the data, asset context, and field evidence that produced them. ## Cleanroom drift and ISO evidence Cleanroom teams often need to review small changes across several signals at once. Particle counts, temperature, humidity, pressure differential, airflow behavior, filter state, door events, alarms, and maintenance activity may each explain part of a drift pattern. FactVerse AI Agent can prepare an evidence summary for engineering review: which zone is affected, which readings changed, whether pressure gradients remain within tolerance, whether FFU or filter status has changed, whether similar alarms repeated, and what field checks should be assigned. ISO 14644-1 assessments and site-specific cleanroom records can be preserved as part of the operating history. The guide does not turn software into the compliance authority; it gives teams a structured way to keep evidence, review status, and connect findings to field work. ## Utility equipment and predictive maintenance Facility-side assets have their own degradation patterns. Pumps, fans, compressors, chillers, AHUs, exhaust equipment, valves, sensors, and filters can show early risk through pressure, flow, vibration, temperature, current, runtime, alarm history, and maintenance records. The [Predictive Maintenance](/solutions/predictive-maintenance) pattern is useful here. FactVerse AI Agent reviews signals and asset context, then Inspector carries confirmed findings into work orders and verification. Teams can prioritize assets by operational impact, cleanroom dependency, urgency, repeat alarms, and available maintenance capacity. This is especially important across shifts. The decision record should make clear what was detected, why it mattered, who reviewed it, which field team accepted the task, what was observed on site, and whether the condition improved. ## From alert to work order Semiconductor facility operations need a controlled execution path. A useful alert workflow includes: * sensor and calibration check * asset and zone context review * likely cause summary * priority and SLA proposal * assigned owner or role * field checklist * photos, readings, and corrective-action notes * acceptance and follow-up checks [Inspector](/products/inspector) and [Checklist](/products/checklist) provide the execution side of this loop. They help teams route confirmed risks into work orders, capture field evidence, and preserve the closure record needed for later review. ## Energy review and what-if analysis Semiconductor facilities are energy-intensive. Utility readings, cooling demand, airflow requirements, filter loading, pump and fan behavior, and operating schedules can be reviewed together with cleanroom and maintenance context. DataMesh can support facility energy review by connecting energy readings to systems, zones, assets, and work history. FactVerse AI Agent can prepare what-if comparisons and risk summaries for engineering review, such as whether a maintenance action may reduce repeated alarms or whether a schedule change should be reviewed with cleanroom constraints. Energy savings, carbon reporting, and operating targets depend on the customer's baseline, metering boundary, engineering rules, and verification method. The DataMesh workflow gives teams a traceable way to evaluate options and record outcomes. ## Pilot readiness checklist Before rollout, review these conditions: * Cleanroom zones, ISO classes, operating thresholds, and facility ownership are defined. * BMS, SCADA, environmental monitoring, PLC, historian, CMMS, EAM, and work-order sources have accessible interfaces. * Sensor names, units, timestamps, locations, and asset mappings are stable enough for binding. * Utility systems and critical facility assets can be represented in the digital twin. * Maintenance teams agree on review, priority, escalation, SLA, and acceptance rules. * Field teams can capture readings, photos, notes, and closure evidence in a structured workflow. * Pilot metrics are based on verified records, such as review time, repeated alarms, work-order closure quality, and post-action condition. A practical first pilot uses a contained cleanroom zone, utility system, or recurring maintenance workflow. The scope should have clear data ownership, frequent operational questions, and a field team ready to close the loop. ## Public references The [FactVerse AI Agent launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) describes how DataMesh positions AI agents for complex operational environments, including semiconductor facilities. The [Gyro semiconductor intralogistics reference](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) shows how digital twins can validate automation planning in semiconductor and advanced manufacturing environments. The [Jebsee / Quan Yi Electronics reference](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) shows production-line automation planning with FactVerse. The [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) shows the broader pattern of turning industrial signals into AI-assisted maintenance review. DataMesh also applies similar facility operations patterns in confidential semiconductor projects. Public copy should describe the capability and workflow while keeping customer names and site details governed by approved references. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## Why industrial assets need a new level of readiness Many industrial teams already have CAD files, BIM models, scans, 3D scenes, and digital twin visualizations. Those assets are useful for design review, remote collaboration, training material, and executive communication. Physical AI raises the bar because the asset must participate in computation. A production line, cleanroom, warehouse, robot cell, or packaging station has to carry more than appearance. It needs real scale, stable coordinates, object identity, semantic labels, physics assumptions, behavior rules, process state, and links to operational data. When those layers are prepared together, the asset becomes usable for simulation, robot training, synthetic data, layout validation, process rehearsal, and AI agent reasoning. NVIDIA describes SimReady as a framework for simulation-ready 3D assets and digital twins built on OpenUSD. The practical value for industrial teams is clear: move asset libraries from visual content toward reusable digital objects that can be simulated, validated, and governed. ## What makes an asset SimReady In industrial work, a SimReady asset should be evaluated through several layers: | Layer | What should be prepared | |---|---| | Geometry and scale | Accurate dimensions, origin, orientation, units, level of detail, and spatial boundaries | | Materials and appearance | Materials, textures, lighting behavior, reflectivity, transparency, and surface categories | | Physical properties | Collision geometry, mass, friction, density, joints, constraints, motion range, and safety clearances | | Semantics | Equipment class, part role, functional area, process role, asset ID, and relationship to the operational twin | | Behavior logic | State transitions, start and stop rules, faults, recovery steps, interlocks, routes, and interaction conditions | | Data bindings | PLC signals, sensor values, alarms, work orders, MES context, energy data, and inspection records | | Validation records | Source files, version, owner, assumptions, quality checks, simulation findings, and approval notes | This structure helps simulation teams understand how an object behaves, robotics teams understand what can be learned from it, and operations teams trace results back to real assets. ## Why behavior logic matters Physics properties describe how an object moves, collides, rotates, slides, or responds to force. Industrial operations also depend on process rules and business state. A machine starts, waits, stops, alarms, recovers, blocks an upstream station, or releases material according to control logic and operating procedures. [FactVerse Designer](/products/designer) uses behavior trees and scenario logic to express those operating rules. A packaging machine, conveyor, robot station, cleanroom zone, or utility asset can carry state transitions, trigger conditions, process timing, and interaction rules. That makes the asset useful for process simulation, operator training, robot collaboration, safety rehearsal, exception handling, and Physical AI planning. The most useful industrial asset is a digital object with properties, behavior, and constraints. It can appear in a factory scene, participate in a simulation, provide labels for synthetic data, and remain connected to operational records. ## The DataMesh workflow 1. **Collect source assets** - Bring together CAD, BIM, 3D, scan data, drawings, equipment records, process documents, and control-system context. 2. **Normalize the scene** - Align scale, coordinates, hierarchy, naming, object identity, location, and version rules in FactVerse. 3. **Add industrial semantics** - Attach equipment class, process role, functional area, asset ID, upstream and downstream relationships, documents, and owner information. 4. **Prepare physics context** - Define collision geometry, mass, friction, joints, motion constraints, access areas, robot zones, and safety boundaries where simulation requires them. 5. **Author behavior logic** - Use Designer to define state transitions, operating steps, interlocks, faults, recovery paths, route rules, and scenario variants. 6. **Connect operating data** - Use Data Fusion Services when a scenario needs PLC signals, sensor values, alarms, work orders, production state, energy context, or inspection history. 7. **Prepare the OpenUSD path** - Use the FactVerse Adaptor for NVIDIA Omniverse to carry scene structure, metadata, behavior context, and asset preparation into OpenUSD and Omniverse workflows. 8. **Validate and govern** - Review rendering, physics, behavior, labels, scenario coverage, and downstream simulation results before adding assets to a reusable library. The workflow turns a modeling project into an asset program. Each object gains a clear owner, data lineage, quality state, and reuse path. ## What a SimReady asset library enables For large industrial organizations, the long-term asset base is a library of reusable operational objects: - **Packaging equipment** with cycle time, state, upstream and downstream relationships, fault logic, physical boundaries, and process behavior. - **Robot workcells** with work envelope, safety zones, sensor layout, grasp targets, task sequences, and coordination rules. - **Conveyors and material flow assets** with direction, speed, blocking rules, handoff logic, route state, and data bindings. - **Cleanrooms and controlled environments** with equipment layout, access paths, airflow constraints, maintenance routes, energy context, and risk rules. - **Warehouse zones** with racks, aisles, pallets, staging areas, mobile equipment paths, and logistics process state. When assets are standardized, objectized, behavior-rich, and physics-aware, teams can reuse them across production planning, factory modification, training, robotics adoption, exception drills, energy analysis, and AI training. ## Role in Physical AI and world models Physical AI systems need high-quality digital worlds. These worlds need space, objects, semantics, physics, behavior, process state, and data. SimReady assets provide the reusable production material for those environments. For robotics, the difference shows up in training and validation quality. A robot can train on visual data, but industrial tasks often require invisible context as well: temperature, pressure, vibration, equipment status, work order state, safety zones, and process constraints. FactVerse can carry that context into the twin, while Omniverse, PhysX, Newton, and related simulation workflows can support rendering, physics, sensor simulation, and robotics evaluation. This makes SimReady asset preparation a foundation for synthetic data generation, robot task rehearsal, factory layout planning, process validation, and AI agent workflows. ## Practical use cases - **Production-line and packaging process validation**: test equipment layout, material handoff, operator access, robot interaction, and process timing before physical changes. - **Synthetic data generation**: generate labeled RGB, depth, segmentation, pose, trajectory, and scene-state data from assets with semantic and physical context. - **Robotics simulation**: prepare workcells, mobile routes, safety zones, manipulation targets, and process rules for downstream simulation environments. - **Factory and warehouse planning**: compare line layouts, logistics routes, buffer areas, storage layouts, and material-flow assumptions. - **Operator training and exception rehearsal**: use behavior-rich assets to rehearse start-up, shutdown, fault response, maintenance steps, and safety procedures. - **Facilities and energy analysis**: connect assets, zones, meters, and operating states so facility teams can evaluate scenarios with clearer source context. ## Governance checklist - Source files, owners, licensing, and version history are recorded. - Units, scale, coordinates, origin, and orientation are validated. - Asset identity matches the operational twin and enterprise asset records. - Semantic labels follow a controlled vocabulary for equipment, zones, parts, and process roles. - Physics assumptions are documented with the simulation goal they support. - Behavior logic has named states, triggers, timing, faults, and recovery paths. - Data bindings include source system, unit, timestamp, refresh rule, and quality status. - Simulation results can trace back to asset version, scene version, assumptions, and reviewer. The review process should treat assets as engineering artifacts. A useful SimReady library has quality gates, owners, versioning, and a path for continuous improvement. ## Public references NVIDIA's [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html), and [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) provide the public technical background for simulation-ready assets built on OpenUSD. NVIDIA's [Omniverse page](https://www.nvidia.com/omniverse/) describes Omniverse as libraries and microservices for industrial digital twins and Physical AI simulation applications. The [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) announcement and [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) show DataMesh's public direction for simulation digital twins, OpenUSD workflows, and Physical AI preparation. --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## Robots need training grounds with industrial context Robot learning improves when the training environment carries the same operating context as the real site. A useful virtual training ground goes beyond geometry and includes equipment identity, scale, materials, collision boundaries, task steps, sensor setup, process state, safety zones, and the variations that appear during daily work. SimReady assets provide reusable simulation-ready objects. [FactVerse Designer](/products/designer) helps teams assemble those objects into virtual factories, warehouses, robot cells, inspection areas, cleanrooms, and logistics routes with behavior logic and scenario variants. [DataMesh Robotics](/products/robotics) then connects the scene to synthetic data generation, task definition, reward setup, and downstream robotics simulation workflows. The practical goal is faster sim-to-real iteration: build better digital worlds, test more task variations, compare simulation results with field trials, and update the scene when real-world evidence shows a gap. ## Why sim-to-real is difficult in industrial sites Industrial robot tasks are affected by many layers at once: | Layer | What changes robot behavior | |---|---| | Geometry | aisle width, equipment position, rack layout, clearance, floor slope, work envelope | | Materials | reflection, transparency, friction, surface wear, packaging texture, lighting response | | Sensors | camera pose, field of view, calibration, occlusion, noise, depth quality, LiDAR coverage | | Process state | machine status, moving parts, blocked route, pallet position, work step, exception state | | Semantics | object class, asset ID, safety zone, task role, route type, inspection target | | Human context | operator movement, maintenance access, forklift traffic, restricted zones, shift pattern | | Control constraints | speed limits, stop rules, handoff timing, interlocks, recovery steps, collision boundaries | Good sim-to-real preparation makes these layers explicit. The robot training team can then vary them deliberately and reduce the number of mismatches first discovered during physical trials. ## SimReady assets as training building blocks A SimReady industrial asset carries geometry and operating meaning. For robot training, useful fields include: * accurate scale, origin, orientation, and collision geometry * material and lighting behavior for perception training * semantic class, asset ID, functional role, and relationship to the scene * physical assumptions such as friction, mass, joint range, and motion limits * state variables such as open, closed, blocked, running, stopped, alarm, or maintenance * task affordances such as grasp points, inspection targets, docking areas, and safe approach zones * version records that connect simulation results back to the asset library When assets are prepared this way, a robot training scene becomes easier to reproduce, vary, and review. ## Designer turns assets into virtual training grounds Designer is useful because robot training depends on scenarios, not isolated objects. Teams can use Designer to prepare: * facility layouts, production lines, warehouse zones, robot cells, and inspection routes * behavior-tree logic for machine state, object movement, task sequence, and exception handling * timeline scenarios for start, stop, blockage, recovery, route change, and handoff events * layout variants for new equipment, aisle changes, staging areas, racks, conveyors, or fixtures * sensor and viewpoint planning for perception, inspection, mobile navigation, and operator review * scenario libraries that can feed synthetic data generation and downstream simulation tools This makes the virtual training ground easier for robotics, operations, and simulation teams to review together. ## The DataMesh sim-to-real workflow 1. **Select the robot task** - Define the target robot, environment, sensors, task goal, safety limits, and success metrics. 2. **Prepare SimReady assets** - Convert CAD, BIM, 3D, scan, and operational records into assets with scale, semantics, physics assumptions, and state variables. 3. **Build the virtual training ground** - Use Designer to assemble the layout, process flow, routes, behavior logic, and scenario variants. 4. **Define variation rules** - Vary lighting, object placement, asset state, route blockage, material appearance, sensor pose, and process timing. 5. **Generate training data** - Produce RGB, depth, segmentation, bounding boxes, pose, trajectory, scene-state labels, and task metadata. 6. **Run simulation and evaluation** - Export scene assets and datasets into robot training, Isaac Sim / Omniverse, or other simulation stacks. 7. **Compare with field trials** - Use physical test results, operator notes, failures, and sensor logs to identify gaps. 8. **Update the scene and asset library** - Adjust geometry, materials, physics assumptions, labels, behavior logic, and variation recipes for the next iteration. The loop improves when every dataset and result can trace back to scene version, asset version, task recipe, and field evidence. ## Where the transfer improves Virtual training grounds can improve sim-to-real preparation in several practical ways: * **Perception robustness** - Generate labeled examples across lighting, material, occlusion, pose, distance, and background variation. * **Navigation coverage** - Test routes, blocked aisles, staging areas, docking points, pedestrian crossings, and safety zones. * **Manipulation preparation** - Vary object pose, grasp target, fixture position, contact surface, friction assumption, and handoff timing. * **Inspection repeatability** - Standardize viewpoints, target assets, defect states, panel positions, gauge readings, and access constraints. * **Task recovery** - Rehearse faults, blocked paths, missing objects, alarm states, emergency stop, and restart conditions. * **Operational review** - Let robotics, safety, facility, and production teams review the same scenario before a physical trial. The strongest results come from a tight loop between simulation coverage and real-world feedback. ## What to measure Sim-to-real work needs engineering metrics: | Area | Example metrics | |---|---| | Dataset quality | class coverage, label consistency, pose distribution, occlusion coverage, lighting variation | | Simulation fidelity | scale error, collision quality, material assumption, sensor model, route timing, state coverage | | Task performance | success rate, completion time, intervention count, recovery rate, failure type | | Transfer quality | difference between simulated and physical results, repeated failure modes, field correction count | | Governance | scene version, asset version, generation recipe, reviewer, approval state, field evidence link | These metrics keep the virtual training ground connected to measurable robot progress. ## Product roles in the stack [DataMesh Robotics](/products/robotics) focuses on industrial synthetic data, task preparation, label output, reward setup, and robotics pipeline integration. [FactVerse Designer](/products/designer) prepares the virtual training ground: layout, behavior trees, timeline simulation, task scenarios, process state, and variants. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) connects FactVerse scene context into OpenUSD and Omniverse workflows for rendering, physics simulation, sensor simulation, and specialized robotics tools. [FactVerse](/products/factverse) and [FactVerse Twin Engine](/products/factverse-twin-engine) preserve the operational twin context behind the training ground: assets, spaces, systems, metadata, permissions, and scenario records. [Data Fusion Services](/products/dfs) brings in live and historical operational data when training scenarios need equipment state, alarms, production signals, or facility context. ## Readiness checklist * Is the robot task defined with success criteria and safety boundaries? * Are the target environment, assets, routes, and process states scoped? * Are SimReady assets prepared with scale, semantics, physics assumptions, and state variables? * Are Designer scenarios organized by task, variant, and review purpose? * Are sensors, viewpoints, calibration assumptions, and noise models documented? * Are variation rules tied to real field conditions? * Are dataset outputs and labels specified before generation? * Can simulation results trace back to scene version and asset version? * Is there a field feedback path from physical trials back into the scene? ## Public references The [DataMesh Robotics launch](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) introduced DataMesh's public direction for executable industrial twins, synthetic training data, task objectives, reward setup, and robotics pipeline preparation. The [SimReady assets guide](/resources/guides/simready-assets-industrial-digital-twins-physical-ai) explains how industrial assets can carry geometry, semantics, physics, behavior, and data bindings for Physical AI. The [Synthetic Data for Industrial Physical AI and Robotics guide](/resources/guides/industrial-synthetic-data-physical-ai-robotics) covers the broader dataset generation pipeline. The [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) and [FactVerse and NVIDIA Omniverse platform article](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) show the public direction for FactVerse, Omniverse, simulation digital twins, and AI-driven robot training. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI findings ต้องมีเส้นทางสู่ execution คุณค่าของ industrial AI เกิดขึ้นเมื่อ workflow ทำงานครบวงจร: finding ต้องกลายเป็น decision ที่ผ่านการตรวจทาน task ที่ถูกมอบหมาย field action evidence record และ outcome ที่วัดผลได้. [FactVerse AI Agent](/products/factverse-ai-agent) สามารถประมวลผล signals, alarms, documents และ work history ในสภาพแวดล้อม 24x7 ได้ Finding จะมีคุณค่าในการปฏิบัติงานเมื่อถูกผูกกับ digital twin และส่งต่อให้คนและระบบที่รับผิดชอบ execution. DataMesh เชื่อมเส้นทางนี้ผ่าน [FactVerse](/products/factverse), [Data Fusion Services](/products/dfs), [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director) และระบบลูกค้า เช่น CMMS, EAM, BMS, SCADA, ERP และ document repositories. ## Closed-loop pattern 1. **Detect** - AI Agent, rules, dashboards หรือระบบเดิมตรวจพบ abnormal trend, repeated alarm, missed inspection, asset risk หรือ operating exception. 2. **Ground** - FactVerse เชื่อม finding กับ assets, spaces, systems, live values, documents, SOP และ work history. 3. **Review** - Operators, engineers หรือ supervisors ตรวจสอบ evidence, risk level และ recommended action. 4. **Dispatch** - Confirmed findings กลายเป็น work orders, inspections, tasks หรือ guided procedures ใน Inspector, Checklist, CMMS, EAM หรือระบบที่อนุมัติ. 5. **Guide** - Field teams ใช้ asset context, checklists, digital SOP, 3D procedure guidance, photos, manuals และ safety notes. 6. **Capture** - บันทึก completion notes, readings, photos, exceptions, replaced parts, approvals และ verification results. 7. **Learn** - Outcomes, rejected suggestions, repeated events และ post-action readings กลับเข้าสู่ data quality review และ machine learning improvement. ## ข้อมูลที่ควรอยู่ใน work order Industrial work order ควรให้บริบทพอสำหรับทีมภาคสนาม: asset, location, system relationship, problem, evidence, priority, required skill, safety notes, acceptance criteria และ approval path. ฟิลด์ที่มีประโยชน์ประกอบด้วย asset ID, space, system, route, AI finding หรือ alarm ที่เปิด task, signal values, time window, SOP, drawings, manuals, recommended checks, required photos, readings, reviewer, assignee, due date, escalation rule, completion note และ outcome label. เมื่อฟิลด์เหล่านี้เชื่อมกับ digital twin, work order จะกลายเป็นส่วนหนึ่งของ operational record. ## บทบาทของผลิตภัณฑ์ [FactVerse AI Agent](/products/factverse-ai-agent) เตรียม findings สรุป evidence เปรียบเทียบ operating patterns สร้าง recommendations และติดตาม connected feedback ข้ามกะการทำงาน. [FactVerse](/products/factverse) และ [FactVerse Twin Engine](/products/factverse-twin-engine) ให้ operational model สำหรับ assets, spaces, relationships, status, behavior logic และ workflow state. [Data Fusion Services](/products/dfs) เชื่อม source systems และ map signals, alarms, documents, work records และ enterprise data ให้เป็น context ที่ใช้งานได้. [Inspector](/products/inspector) จัดการ alarms, work orders, assignments, maintenance records, photos, verification fields และ field execution evidence. [Checklist](/products/checklist) จัดโครงสร้าง inspection points, required records, compliance fields และ repeatable field routines. [Director](/products/director) รองรับ digital SOP, 3D procedure guidance, training content และ step-by-step operator support. ## Integration และ continuous improvement ทีมอุตสาหกรรมส่วนใหญ่มี CMMS, EAM, BMS, SCADA, MES, ERP, ticketing และ document systems อยู่แล้ว Workflow design ควรกำหนดว่าระบบใดสร้าง work order ระบบใดถือครอง status และ closure และ evidence sync อย่างไร. FactVerse AI Agent สามารถประมวลผล signals, alarms, work-order updates, inspection records และ field feedback ในสภาพแวดล้อม 24x7 ได้ Confirmed causes, operator notes, rejected suggestions, completed repairs, photos, readings และ post-action results จะเป็น dataset สำหรับประเมิน recommendation quality หา recurring patterns และปรับ workflow. ## วิธีเริ่มต้น เริ่มจาก workflow ที่มี owner ชัดเจนและเห็นผลลัพธ์ได้ เช่น critical asset class, facility inspection route, data center asset group, heating substation group, production-support utility หรือ operator guidance procedure. 1. Define task และ owner. 2. Connect signals, documents, work history และ SOP ที่จำเป็น. 3. Map asset และ space context ใน FactVerse. 4. Define AI finding review และ approval rules. 5. Route confirmed findings ไปยัง Inspector, Checklist, CMMS, EAM หรือ execution system. 6. Capture field evidence และ post-action readings. 7. Review outcomes แล้วจึงขยาย scope. ## Public references [Workflow Digitization](/solutions/workflow-digitization) อธิบายวิธีที่ DataMesh เชื่อม alarms, planned tasks, inspection records, guided procedures และ work orders. [FactVerse AI Agent operations loop](/resources/guides/factverse-ai-agent-industrial-operations-loop) อธิบายวิธีที่ AI recommendations เข้าสู่ industrial operating loops ที่มี human review. --- ## [GUIDES] ai-facility-management-operational-digital-twins ## Facility management ต้องมี operating context เดียวกัน Large facilities ถูกบริหารผ่านหลายระบบเฉพาะทาง เช่น BMS, EMS, meters, alarms, asset registers, CMMS, EAM, BIM, drawings, service reports และ inspection records แต่ละระบบอธิบายเพียงส่วนหนึ่งของ site เมื่อมี issue, work order, energy pattern change หรือ management ต้องการ evidence ทีมต้องเชื่อมข้อมูลเหล่านี้กลับเข้าหากัน AI facility management เริ่มจาก operational digital twin ตัว twin เชื่อม spaces, assets, systems, data, work records, documents และ field execution เพื่อให้ทีม review facility conditions ใน context เดียวกัน AI ช่วย summarize abnormalities, compare patterns, draft recommended actions และเตรียม management review Pattern นี้ใช้ได้กับ buildings, campuses, data centers, plants, utilities และ high-tech manufacturing facilities ใน advanced manufacturing programs ทีม facility มักต้องดูแล cleanroom support systems, power, compressed air, cooling, exhaust, alarms, inspections และ service handoffs ในหลาย sites Shared twin ทำให้ review และ execution มี context ที่มั่นคง ## Facility twin ควรเชื่อมอะไร | Layer | Operating context | |---|---| | Spaces | Site, building, floor, room, zone, clean area, service corridor, access route และ safety boundary | | Systems | HVAC, cooling, power distribution, lighting, water, compressed air, exhaust, fire safety, elevators และ process utilities | | Assets | Equipment registry, asset IDs, documents, service owner, maintenance plan, warranty context และ spare-part references | | Signals | BMS points, meters, sensors, alarms, environmental readings, historian tags และ calculated indicators | | Work | Inspections, work orders, corrective actions, photos, field notes, acceptance records และ verification status | | Energy | Meter readings, EUI, load composition, operating hours, weather context, setpoints และ improvement options | | Semantics | Buildings, systems, equipment, meters, sensors, points และ relationships ที่ aligned กับ Brick Schema | | Governance | Source owner, data quality, approval route, operating responsibility, version และ evidence retention | Twin จะมีประโยชน์เมื่อ signal สามารถ trace ไปยัง space, asset, system, responsible team และ field record ที่เกี่ยวข้องได้ ## DataMesh workflow สำหรับ AI facility management 1. **Collect facility sources** - รวม BMS, EMS, meters, IoT, historians, asset registers, CMMS, EAM, BIM/IFC, drawings, inspection plans และ service reports 2. **Build the operating twin** - ใช้ FactVerse และ Twin Engine จัด spaces, assets, utility systems, documents, routes, points และ work context 3. **Connect data pipelines** - ใช้ Data Fusion Services ingest, clean, normalize, compute และ bind operating data กับ twin objects ที่ถูกต้อง 4. **Structure facility semantics** - ใช้ Brick Schema-aligned relationships เมื่อ buildings, zones, equipment, meters, sensors และ points ต้องมี meaning ที่สม่ำเสมอ 5. **Review with AI assistance** - ใช้ FactVerse AI Agent summarize abnormal consumption, repeated alarms, missing records, maintenance patterns และ candidate actions 6. **Compare energy scenarios** - ใช้ EnergyPlus-based workflows เมื่อจำเป็นต้องทำ building energy modeling และ scenario comparison 7. **Execute and verify work** - ใช้ Inspector สร้าง inspections, work orders, assignments, photos, repair notes, acceptance records และ verification evidence ผลลัพธ์คือ operating loop จาก signal ไป analysis จาก analysis ไป work และจาก work ไป verified record ## AI เพิ่มคุณค่าตรงไหน AI มีประโยชน์มากขึ้นเมื่อ facility context ถูกเชื่อมไว้แล้ว FactVerse AI Agent ช่วย review operational data และ work history จำนวนมากได้เร็วกว่าการดู dashboard ทีละชุด Review patterns ที่พบบ่อย ได้แก่: - Repeated alarms ตาม space, system, asset, time window และ work history - Abnormal energy use ตาม meter, zone, asset group, weather และ operating schedule - Maintenance-prone assets ที่มี recurring repairs, incomplete records หรือ repeated acceptance failures - Cleanroom หรือ controlled-area drift ที่ต้องใช้ facility, utility และ maintenance context - Work-order backlog patterns ข้าม sites, service teams และ asset classes - Improvement candidates ที่ต้องมี engineering review, cost context และ field validation บทบาทของ AI คือ decision support ส่วน responsible owners, approval rules, field execution และ verification evidence ยังเป็นส่วนของ facility operations ## Brick Schema และ EnergyPlus ใน workflow เดียวกัน Brick Schema ให้ semantic layer ที่สม่ำเสมอกับ building และ facility data Temperature point สามารถเชื่อมกับ sensor, zone, air system และ equipment ที่ถูกต้อง Meter สามารถเชื่อมกับ system หรือ space ที่วัด Work order สามารถเชื่อมกับ asset, alarm, document และ inspection ที่เป็นต้นเหตุ Semantic layer นี้ช่วยให้ maintenance, energy analysis, Green Mark readiness และ management review trace ได้ดีขึ้น และยังให้ context ที่ดีกับ AI Agent เมื่อต้อง summarize issues หรือเตรียม recommended actions EnergyPlus เหมาะกับกรณีที่ทีมต้องการ energy analysis เชิงลึก DataMesh สามารถเชื่อม BIM/IFC, weather data, operating records และ digital twin context กับ EnergyPlus-based building energy models เพื่อ compare EUI, load composition, operating schedules, setpoints, retrofit options และ control strategy changes ผลวิเคราะห์ควรกลับเข้าสู่ operating loop ทีมสามารถสร้าง work orders, บันทึก assumptions, เก็บ field results และ compare post-action operating record กับ baseline ## เริ่มจากตรงไหน ขอบเขตเริ่มต้นที่ดีควรมี facility data, asset ownership และ execution path อยู่แล้ว: - Utility systems ที่มี repeated alarms หรือ service ownership ไม่ชัดเจน - HVAC และ cooling systems ที่ต้อง review energy หรือ comfort - Cleanroom support systems ที่ต้องแชร์ environmental drift และ maintenance records - Meter groups และ high-load zones สำหรับ energy governance - Inspection-heavy equipment ที่มี recurring field records - Multi-site facility portfolios ที่ต้องการ comparable asset classes และ reports Pilot แรกควรเลือก asset group ที่จัดการได้ data sources ไม่กี่ชุด work-order path ที่ชัดเจน และ review metrics ที่ facility team เชื่อถืออยู่แล้ว ## Metrics ที่ควร validate AI facility management ควร validate กับ baseline ของแต่ละ site Metrics ที่ใช้ได้ ได้แก่: - Time from alarm หรือ finding to review - Share of findings ที่เปลี่ยนเป็น planned work - Work-order closure quality และ evidence completeness - Repeat alarm rate หลัง corrective work - Energy baseline completeness และ review frequency - Data mapping coverage สำหรับ priority assets และ systems - Field team acceptance ของ guided procedures และ record capture - Management review quality ข้าม sites, assets และ service teams โปรแกรมที่ mature ควร validate work quality และ decision traceability ก่อนประเมิน savings ## Public references [JTC and DataMesh collaboration](/about/news/collaboration-between-jtc-datamesh) แสดงการใช้ digital twin และ mixed reality กับ complex facility และ construction workflows [Yokogawa predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดงทิศทาง public สำหรับ AI-assisted maintenance review ใน industrial facilities [Swire Coca-Cola maintenance reference](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) แสดงว่า frontline training, maintenance process digitization และ field records ช่วย support execution อย่างไร [Faurecia and EVE Energy reference](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) แสดงว่า operational visibility, energy context และ digital twin workflows ช่วย support manufacturing และ facility improvement programs อย่างไร --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## ดิจิทัลทวินเพื่อการปฏิบัติการต้องใช้โมเดลที่พร้อมใช้งานจริง BIM, CAD, พอยต์คลาวด์ และไฟล์ 3D มักมาจากทีมและช่วงโครงการที่แตกต่างกัน BIM เก็บเจตนาการออกแบบ CAD อธิบายอุปกรณ์และรายละเอียดเชิงกล พอยต์คลาวด์บันทึกสภาพหน้างาน ส่วนทะเบียนสินทรัพย์ รูปภาพ แบบ และเอกสารทดสอบระบบช่วยเติมบริบทที่ขาดอยู่ ดิจิทัลทวินเชิงปฏิบัติการต้องเปลี่ยนข้อมูลเหล่านี้ให้เป็นชั้นสินทรัพย์ที่มั่นคง โมเดลควรเปิดได้เร็ว ตรงกับสถานที่จริง เชื่อมกับรหัสสินทรัพย์ รองรับสิทธิ์การเข้าถึง และมีเป้าหมายข้อมูลที่ชัดเจน [FactVerse Designer](/products/designer) และ [FactVerse Twin Engine](/products/factverse-twin-engine) ช่วยทีมแปลงโมเดลต้นทางให้เป็นสินทรัพย์ดิจิทัลทวินที่ใช้ซ้ำได้ งานนี้รวมถึงการจัดเรขาคณิต การเก็บความหมายที่จำเป็น การจัดตำแหน่งกับสถานที่จริง และการเตรียมวัตถุที่แอปพลิเคชันอ้างอิงได้ ## บทบาทของข้อมูลต้นทาง | แหล่งข้อมูล | คุณค่าหลักในสายงานสินทรัพย์ | |---|---| | BIM | โครงสร้างพื้นที่ ระบบ เจตนาการออกแบบ ตำแหน่งอุปกรณ์ ลิงก์เอกสาร | | CAD และโมเดล 3D | รูปทรงอุปกรณ์ ผังการผลิต ชิ้นส่วนเครื่องกล วัตถุจากผู้ขาย | | พอยต์คลาวด์ | การเก็บ as-built การตรวจระยะเคลียร์ หลักฐานการปรับปรุง การจัดตำแหน่งหน้างาน | | แบบและรูปภาพ | บริบทสำหรับวัตถุที่ขาด เส้นทางเข้า งานซ่อน และพื้นที่ซ่อมบำรุง | | ทะเบียนสินทรัพย์ | รหัส ชื่อ เจ้าของ ระบบ ความรับผิดชอบการบำรุงรักษา | | ข้อมูลปฏิบัติการ | เซ็นเซอร์ มิเตอร์ สัญญาณเตือน สถานะ เอกสาร บันทึกตรวจสอบ ขั้นตอนงาน | แต่ละแหล่งควรเก็บเจ้าของ เวอร์ชัน และสถานะการตรวจทาน เพื่อใช้เมื่อต้องแก้ความขัดแย้งหน้างาน อธิบายการเปลี่ยนโมเดล หรือยืนยันสมมติฐานการจำลอง ## ตรวจคุณภาพก่อนนำเข้า รายการตรวจสอบเริ่มต้นประกอบด้วย: * เจ้าของแหล่งข้อมูล สิทธิ์ใช้ วันที่ส่งออก และสถานะอนุมัติ * หน่วย จุดกำเนิด ทิศทาง ระบบพิกัด และจุดอ้างอิงไซต์ * ขอบเขตงาน ชั้นหรือโซนที่ครอบคลุม และเวอร์ชันโมเดล * ขนาดไฟล์ จำนวนวัตถุ ขนาด texture และเป้าหมาย runtime * กฎการตั้งชื่อสำหรับชั้น ห้อง ระบบ สินทรัพย์ และประเภทอุปกรณ์ * เรขาคณิตที่อ่อนไหว ขอบเขตความปลอดภัย และสิทธิ์ตามบทบาท * ลิงก์ที่ต้องการไปยังทะเบียนสินทรัพย์ เอกสาร และระบบปฏิบัติการ การตรวจเหล่านี้ช่วยลดปัญหาโมเดลเลื่อน ไฟล์ใหญ่เกินไป อุปกรณ์ซ้ำ รหัสสินทรัพย์หาย และเรขาคณิตที่นำกลับมาใช้ยาก ## เตรียมเรขาคณิตสำหรับ runtime ผู้ใช้แอปปฏิบัติการมักไม่ใช่ทีมสร้างโมเดล โมเดลจึงต้องอ่าน แสดงผล ค้นหา และอัปเดตได้ง่าย * ลบรายละเอียดที่ไม่ช่วย workflow เป้าหมาย * แยกโมเดลใหญ่ตามไซต์ อาคาร ชั้น โซน ระบบ หรือกลุ่มอุปกรณ์ * ลดความซับซ้อนของวัตถุซ้ำโดยยังจำรูปทรงได้ * จัดจุดกำเนิดและพิกัดระหว่าง BIM, CAD และพอยต์คลาวด์ให้ตรงกัน * เตรียมระดับรายละเอียดสำหรับ desktop, mobile, web และ mixed reality * รักษาลำดับชั้นสำหรับป้ายกำกับ ตัวกรอง สิทธิ์ และการผูกข้อมูล * ตรวจทางเข้า พื้นที่ซ่อมบำรุง ขอบเขตความปลอดภัย และการมองเห็นจากเส้นทางหน้างาน เป้าหมายคือโมเดลที่ทำงานลื่นและยังมีวัตถุสำคัญต่อทีมปฏิบัติการ ## ใช้พอยต์คลาวด์เพิ่มความมั่นใจ as-built พอยต์คลาวด์มีคุณค่าเมื่อสถานที่เปลี่ยนเร็วกว่าการอัปเดตเอกสาร ช่วยเปรียบเทียบแบบกับสภาพจริง หาตำแหน่งอุปกรณ์ที่ติดตั้ง ตรวจพื้นที่บริการ และอัปเดตบริเวณที่ปรับปรุง เมื่อวัตถุ BIM ไฟล์ CAD และสแกนหน้างานไม่ตรงกัน ทีมสามารถบันทึกความต่าง อัปเดตแหล่งโมเดล และเก็บร่องรอยการตัดสินใจ หัวข้อที่ตรวจบ่อย ได้แก่ ตำแหน่งอุปกรณ์ ระยะเคลียร์ทางเดิน ความหนาแน่นท่อและ cable tray พื้นที่ซ่อมบำรุง ระดับพื้น พื้นที่ฝ้า ผัง rack และงานชั่วคราว ผลลัพธ์ควรเป็นการแก้โมเดลหรือบันทึกข้อยกเว้น ## จัดวัตถุให้เป็นสินทรัพย์ปฏิบัติการ วัตถุมีคุณค่าเมื่อแอปพลิเคชันระบุและใช้ซ้ำได้ ปั๊ม AHU chiller rack เซลล์หุ่นยนต์ สถานีบรรจุภัณฑ์ เครน และวาล์วควรมีบริบทปฏิบัติการ ฟิลด์สำคัญได้แก่ รหัสสินทรัพย์ ชื่อแสดง ประเภท ระบบ ชั้น ห้อง โซน เส้นทาง โมเดลต้นทาง เวอร์ชัน ผู้ตรวจ สถานะ เอกสาร SOP template ตรวจสอบ เป้าหมายข้อมูล และกฎการเข้าถึง เมื่อเตรียมแบบนี้ เนื้อหา 3D จะกลายเป็นไลบรารีวัตถุปฏิบัติการที่ทีม facility หน้างาน simulation และ AI ใช้ร่วมกันได้ ## สายงานสินทรัพย์ของ DataMesh 1. **รวบรวมแพ็กเกจต้นทาง** - BIM, CAD, 3D, พอยต์คลาวด์ แบบ รูปภาพ รายการสินทรัพย์ เอกสารอุปกรณ์ และข้อมูลอ้างอิงระบบปฏิบัติการ 2. **ตรวจพื้นฐานโมเดล** - หน่วย พิกัด จุดกำเนิด ขนาดไฟล์ ขอบเขต ลำดับชั้น ชื่อ เจ้าของ และความปลอดภัย 3. **ปรับมาตรฐานและแบ่งเรขาคณิต** - เตรียมตามชั้น โซน ระบบ พื้นที่กระบวนการ กลุ่มอุปกรณ์ หรือฉาก runtime 4. **จัดให้ตรงกับหน้างาน** - ใช้พอยต์คลาวด์หรือบันทึกหน้างานตรวจตำแหน่ง ระยะเคลียร์ การเข้าถึง และความต่างจากการปรับปรุง 5. **สร้างวัตถุปฏิบัติการ** - เพิ่มรหัสสินทรัพย์ ประเภท พื้นที่ ระบบ เอกสาร template ตรวจสอบ และเป้าหมายข้อมูล 6. **สร้างพฤติกรรมฉาก** - ใช้ Designer สำหรับมุมมอง ป้ายกำกับ แผงข้อมูล logic ของฉาก การเปลี่ยนชั้น และ walkthrough 7. **เผยแพร่สู่ runtime** - ใช้ Twin Engine และแอป FactVerse สำหรับ visualization, field guidance, monitoring, simulation และ facility workflows 8. **กำกับการอัปเดต** - เก็บเวอร์ชัน บันทึกตรวจทาน เจ้าของแหล่งข้อมูล และบันทึกการเปลี่ยนเมื่อไซต์เปลี่ยน ## เช็กลิสต์ความพร้อม * โมเดลที่เผยแพร่ทุกตัวตามกลับไปหาแหล่งข้อมูลและเจ้าของได้หรือไม่ * หน่วย scale จุดกำเนิด ทิศทาง และพิกัดไซต์ได้รับการตรวจแล้วหรือไม่ * โมเดลถูกแบ่งตามแอปเป้าหมายหรือไม่ * ชื่อชั้น โซน ระบบ อุปกรณ์ และเส้นทางสอดคล้องกันหรือไม่ * รหัสสินทรัพย์ตรงกับทะเบียนหรือระบบบำรุงรักษาของลูกค้าหรือไม่ * พื้นที่อ่อนไหวและเรขาคณิตเฉพาะลูกค้าได้รับการป้องกันหรือไม่ * ผลจากพอยต์คลาวด์ถูกแปลงเป็นการแก้โมเดลหรือบันทึกข้อยกเว้นหรือไม่ * เป้าหมายข้อมูลพร้อมก่อน dashboard หรือ workflow AI ใช้ฉากหรือไม่ ## แหล่งอ้างอิงสาธารณะ [ความร่วมมือ JTC และ DataMesh](/about/news/collaboration-between-jtc-datamesh) แสดงการใช้ BIM และ mixed reality เพื่อช่วยเข้าใจลำดับก่อสร้างและการทำงานหน้างาน [กรณี Obayashi](/about/news/digital-twin-empowers-bim-obayashi) แสดงการใช้ข้อมูล BIM และเนื้อหาดิจิทัลทวินเพื่อสนับสนุนการทบทวนกระบวนการก่อสร้าง --- ## [GUIDES] จาก BIM สู่ Operational Digital Twin ## BIM มีคุณค่ามากขึ้นเมื่อเชื่อมถึง operations BIM ให้โมเดลออกแบบที่ละเอียดกับทีมโครงการ แต่ทีม operations ต้องมีบริบทการทำงานที่เชื่อมสถานที่ สินทรัพย์ ระบบ งาน สถานะสด และหลักฐานเข้าด้วยกัน คำถามสำคัญคือโมเดลช่วยตัดสินใจต่อหลัง design review ได้อย่างไร เช่น ปัญหาอยู่ตรงไหน สินทรัพย์ใดได้รับผลกระทบ ทีมใดรับ action ถัดไป และหลักฐานใดยืนยันผลลัพธ์. Operational digital twin นำ BIM และ 3D asset เข้าสู่ workflow ภาคสนามและ facility. โมเดลถูกเชื่อมกับ asset identity, spatial hierarchy, data binding, guided procedure, inspection record, work order และ handover evidence. โมเดลจึงกลายเป็น operating context ร่วมกันของทีมก่อสร้าง เจ้าของโครงการ service provider และทีม facility. แนวทางนี้สำคัญมากในพื้นที่ MEP ห้องเครื่อง ชั้นปรับปรุง ทางเดินระบบหนาแน่น data center campus และ facility ซับซ้อน ซึ่ง drawing, photo, issue list และ system data มักกระจายอยู่ในหลายเครื่องมือ. ## สิ่งที่เปลี่ยนเมื่อ BIM เข้าสู่การใช้งานเชิงปฏิบัติการ | Layer | Operational use | |---|---| | Spatial hierarchy | Site, building, floor, room, zone, route, access area และ safety boundary | | Asset identity | Equipment ID, system membership, tag, document, owner และ maintenance responsibility | | System relationship | Power, cooling, air, water, process, control และ upstream-downstream dependency | | Data binding | Sensor, meter, alarm, BMS, SCADA, IoT, CMMS, EAM และ work history | | Field workflow | Installation guidance, commissioning check, inspection, issue, work order และ acceptance evidence | | Facility workflow | Monitoring, maintenance, energy review, renovation planning, emergency response และ training | | Governance | Model version, data source, owner, update process, quality review และ handover status | การเปลี่ยนหลักคือจากการมองเห็นโมเดลไปสู่ความต่อเนื่องของงานปฏิบัติการ ทีมสามารถใช้ spatial context ชุดเดียวกันตั้งแต่งานก่อสร้าง commissioning handover maintenance ประจำวัน จนถึง renovation ในอนาคต. ## DataMesh workflow 1. **รวบรวม source model และ record** - รวม BIM, CAD, point cloud, drawing, equipment list, O&M document, commissioning record, issue log และ site photo. 2. **สร้าง spatial object model** - ใช้ FactVerse และ Twin Engine จัดโครงสร้าง building, floor, room, zone, system, asset, route และ relationship. 3. **เชื่อม data source** - ใช้ Data Fusion Services เชื่อม facility system, enterprise system, sensor, meter, alarm, document และ work record. 4. **สร้าง scene ที่ใช้งานได้** - ใช้ Designer เตรียม scene, label, panel, behavior, floor switching, system view และ scenario presentation. 5. **รองรับ field guidance** - ใช้ Director และ DataMesh One สำหรับ installation guidance, inspection step, commissioning procedure, training และ stakeholder review. 6. **เก็บ execution record** - ใช้ Inspector บันทึก issue, inspection, photo, corrective action, work order, acceptance note และ verification status. 7. **ส่งต่อ context เข้าสู่ operations** - ดูแล twin ให้สอดคล้องกับการเปลี่ยนแปลงของ facility เพื่อให้ maintenance, energy analysis, renovation และ emergency response ใช้ asset-space context ชุดเดียวกัน. ผลลัพธ์คือการส่งต่อจาก project data ไปสู่ operating data อย่างต่อเนื่อง. ## Workflow ที่เห็นประโยชน์ก่อน - **Construction coordination**: ตรวจสอบ MEP route, พื้นที่ equipment หนาแน่น, hidden work, installation sequence และ field constraint ในบริบท 3D. - **Commissioning และ handover**: เชื่อม acceptance record, photo, asset ID, commissioning document และ open issue เข้ากับห้องหรือ equipment ที่เกี่ยวข้อง. - **Facility monitoring**: ผูก live condition, alarm, meter data และ equipment status เข้ากับ twin เพื่อให้ทีมเข้าใจตำแหน่งของ event. - **Inspection และ maintenance**: เปลี่ยน spatial context ให้เป็น inspection, work order, photo, corrective action และ closure evidence. - **Renovation planning**: ตรวจสอบ affected zone, access path, nearby system, asset relationship และ field constraint ก่อนเริ่มงาน. - **Energy และ sustainability review**: เชื่อม zone, system, meter, asset relationship และ operating record เพื่อสนับสนุน facility analysis และ Green Mark readiness evidence. จุดเริ่มต้นที่ดีคือ workflow ที่ spatial context ช่วยลดปัญหา handoff จริงระหว่างทีม. ## ผลิตภัณฑ์ DataMesh ทำงานร่วมกันอย่างไร [FactVerse](/products/factverse) เป็น platform foundation สำหรับ operational digital twin และเชื่อม asset, space, data, AI, simulation และ workflow context. [FactVerse Twin Engine](/products/factverse-twin-engine) ทำให้ BIM, CAD, point cloud และ operational record กลายเป็น runtime context ที่ application ใช้งานได้. [Data Fusion Services](/products/dfs) เชื่อม operational data และ business record เข้ากับ twin พร้อม mapping source data ไปยัง asset, space, system และ workflow. [FactVerse Designer](/products/designer) เตรียม scene, view, interaction, scenario explanation และ visual planning content. [Director](/products/director) รองรับ guided procedure, installation guidance, training และ field-facing instruction. [Inspector](/products/inspector) จัดการ inspection, work order, issue closure, maintenance evidence และ facility record. ผลิตภัณฑ์เหล่านี้ช่วยให้ทีมต่อยอดจาก project visualization ไปสู่ operational twin ที่ใช้งานจริง. ## Governance checklist - Source BIM, CAD, point cloud และ drawing มี version และ owner ชัดเจนหรือไม่? - ชื่อ building, floor, room, zone, system และ asset สอดคล้องกันหรือไม่? - Asset ID ตรงกับ enterprise asset record และ maintenance system หรือไม่? - Data binding มี source, unit, refresh rule และ quality status หรือไม่? - Field record เชื่อมกับ space, asset, task และ scenario version ที่ถูกต้องหรือไม่? - Handover document, photo, issue, acceptance note และ commissioning record ค้นจาก twin ได้หรือไม่? - เมื่อ construction status หรือ facility configuration เปลี่ยน ผู้รับผิดชอบ update ชัดเจนหรือไม่? - ทีม facility ใช้ context เดียวกันสำหรับ monitoring, inspection, maintenance, renovation และ training ได้หรือไม่? Checklist เหล่านี้ช่วยให้ model conversion project กลายเป็น operating asset ระยะยาว. ## Public references [ความร่วมมือระหว่าง JTC และ DataMesh](/about/news/collaboration-between-jtc-datamesh) แสดงการใช้ BIM และ mixed reality เพื่อช่วยให้เข้าใจลำดับงานก่อสร้างและสนับสนุนงาน frontline. [กรณี Obayashi](/about/news/digital-twin-empowers-bim-obayashi) แสดงการผสาน BIM data กับ mixed reality เพื่อสนับสนุนกระบวนการก่อสร้าง. [กรณี Toda SAGA Arena](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) แสดงการใช้ digital twin และ mixed reality เพื่อ simulation และตรวจสอบวิธีการก่อสร้าง. [TOKYO TORCH XR projection tour](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) แสดงการใช้ BIM-based digital twin visualization เพื่อสื่อสารกับ stakeholder เกี่ยวกับอาคารที่อยู่ในแผน. --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## Integration starts with operating identity ทีม facility และ industrial operations ส่วนใหญ่มีหลายระบบอยู่แล้ว. CMMS หรือ EAM จัดการ maintenance records และ asset history. BMS ดู building systems และ alarms. SCADA, IoT, MES, ERP, document repositories และ ticketing systems เก็บข้อมูลอีกส่วนของภาพการทำงาน. จุดอ่อนมักอยู่ที่ identity. Pump, AHU, chiller, electrical panel, cleanroom utility, data center asset หรือ production-support system เดียวกันอาจใช้ชื่อไม่ตรงกันใน drawings, BMS points, maintenance records, inspection checklists และ field notes. เมื่อเกิด alarm ทีมต้องค้นข้ามหลายระบบเพื่อรู้ว่า asset ไหนได้รับผล, อยู่ที่ไหน, มี risk อะไร, ใช้ procedure ไหน และใครเป็น owner. Operational digital twin ทำหน้าที่เป็น shared context layer. มันเชื่อม assets, spaces, systems, live values, alarms, documents, procedures, work records และ field evidence เพื่อให้ทีม review งานใน environment ที่งานเกิดขึ้นจริง. ## What to align first Integration ควรเริ่มจาก object ที่ทำให้ work traceable: | Layer | Integration focus | |---|---| | Asset identity | equipment IDs, tags, serial numbers, maintainable items, parent-child relationships | | Location hierarchy | site, building, floor, zone, room, line, plant area, rack, system boundary | | System relationships | HVAC, electrical, water, gas, compressed air, process utilities, data center systems | | Signals and alarms | BMS points, IoT readings, SCADA tags, alarm types, thresholds, severity, time window | | Work records | CMMS or EAM work orders, inspection tasks, preventive maintenance, service history | | Documents | manuals, drawings, SOPs, permits, calibration records, validation documents | | Field evidence | photos, readings, checklists, repair notes, acceptance results, reviewer decisions | เป้าหมายคือ stable reference model. BMS alarm, work order, inspection route, document และ AI Agent recommendation ควรอ้างอิง asset และ location context เดียวกัน. ## CMMS and EAM integration CMMS และ EAM มักยังเป็น maintenance system of record. ระบบเหล่านี้เก็บ asset registers, work-order numbers, preventive maintenance plans, spare-parts history, labor records และ closure status. Operational digital twin เพิ่ม spatial และ field context รอบ records เหล่านี้. Integration patterns ที่ใช้ได้จริง: * แสดง work orders บน asset และ location ใน digital twin * เชื่อม maintenance history กับ equipment, rooms, systems และ routes * เปิด inspection หรือ repair tasks จาก twin context * ส่ง field evidence กลับไปยัง approved work-order record * เปรียบเทียบ repeated work orders ระหว่าง assets หรือ locations ที่คล้ายกัน * เชื่อม manuals, drawings และ SOPs กับ task view * เก็บ reviewer decisions และ exception notes สำหรับ analysis ภายหลัง วิธีนี้ช่วยให้ maintenance planners และ field teams เห็น physical impact ของงาน เปรียบเทียบ recurring issues และปิดงานด้วย evidence ที่ครบขึ้น. ## BMS, IoT and SCADA data BMS data มีค่ามากขึ้นเมื่อ point names ถูกเชื่อมกับ maintainable assets และ physical spaces. Temperature reading, pressure value, valve state, pump alarm หรือ energy meter สามารถถูก review พร้อม affected equipment, room, upstream/downstream systems, maintenance history และ procedure. Data Fusion Services สามารถเชื่อม point data, alarms, event streams, enterprise records และ documents เข้ากับ FactVerse. FactVerse แสดง relationships ระหว่าง asset, space, system, signal, document และ workflow. ทีมควรกำหนด: * point names ไหน map กับ assets และ spaces ไหน * alarms ไหนต้อง inspection, maintenance, escalation หรือ observation * values ไหนใช้สำหรับ energy review, reliability review หรือ operational evidence * data quality issues จะถูก flag อย่างไร * systems ไหน own alarm status, work-order status และ closure records * history ไหนจะเก็บไว้สำหรับ trend analysis และ machine learning evaluation Stable mapping สำคัญกว่าการ ingest ข้อมูลจำนวนมาก. สัญญาณจำนวนน้อยที่ governed ชัดเจนมักช่วย operations ได้ดีกว่า data stream ใหญ่ที่ ownership ไม่ชัด. ## From alarms to work orders Integration pattern ที่มีประโยชน์ที่สุดคือ loop จาก signal ไปสู่ reviewed action: 1. **Detect** - BMS, IoT, SCADA, inspection หรือ AI Agent พบ alarm, abnormal trend, missed task หรือ repeated exception. 2. **Ground** - FactVerse เชื่อม finding กับ asset, space, system relationship, live values, documents, SOPs และ work history. 3. **Review** - ทีม responsible review severity, evidence, operating impact, safety notes และ recommended checks. 4. **Dispatch** - งานที่ confirm แล้วเข้า Inspector, Checklist, CMMS, EAM หรือ approved execution system อื่น. 5. **Execute** - Field teams ใช้ asset context, checklists, photos, readings, manuals และ procedure guidance. 6. **Capture** - บันทึก notes, readings, photos, replaced parts, exceptions, acceptance results และ reviewer decisions. 7. **Learn** - Outcomes และ corrections ใช้กับ data-quality review, recommendation tuning และ machine learning evaluation. Loop นี้เชื่อม AI-assisted recommendations กับ human review และ field evidence. ## Facility and data center operations ใน smart buildings, campuses, data centers และ industrial facilities, integration มักเริ่มจากคำถามซ้ำๆ: * asset ไหนได้รับผลจาก alarm นี้ * room, system, tenant, production area หรือ data hall ไหนอาจได้รับผล * issue แบบเดียวกันเคยเกิดมาก่อนหรือไม่ * SOP, drawing, manual หรือ safety note ไหนเกี่ยวข้อง * เป็น maintenance issue, energy review issue, operating exception หรือ inspection task * ต้องใช้ evidence อะไรก่อนปิดงาน Data center teams ใช้ pattern เดียวกันกับ multi-site asset management, energy calculation, inspection, maintenance และ visualization. Facility teams สามารถเชื่อม BMS alarms, energy meters, equipment records, inspection routes และ Green Mark related evidence เข้ากับ operational records โดยการประเมินยังอ้างอิง official criteria และ project review process. ## Product roles [DataMesh FactVerse](/products/factverse) เป็น operational context layer สำหรับ assets, spaces, systems, relationships, permissions, records และ scene views. [Data Fusion Services](/products/dfs) เชื่อม CMMS, EAM, BMS, IoT, SCADA, documents, work records และ enterprise data ไปยัง twin objects ที่ถูกต้อง. [Inspector](/products/inspector) จัดการ alarms, inspections, work orders, field evidence, photos, repair notes, acceptance records และ operational handoff. [Checklist](/products/checklist) จัดโครงสร้าง inspection routines, required readings, signoffs และ compliance-oriented field records. [FactVerse AI Agent](/products/factverse-ai-agent) สามารถ review connected signals, alarms, documents, work history และ field feedback แบบ 24x7. มันช่วย triage, summarize evidence, recommend next checks และ evaluate feedback data หลังงานเสร็จ. [FactVerse Twin Engine](/products/factverse-twin-engine) ดู runtime model สำหรับ twin state, relationships, interaction และ operational visualization. ## Implementation checklist * Asset IDs ใน CMMS, EAM, BMS, drawings และ field labels consistent หรือไม่? * Location hierarchy เพียงพอสำหรับ mobile teams และ remote specialists หรือไม่? * BMS points และ alarms map กับ assets, spaces, systems และ severity rules แล้วหรือไม่? * Work-order ownership, status, closure และ evidence fields ถูก define แล้วหรือไม่? * Inspection routes และ checklist items ใช้ asset-space model เดียวกันหรือไม่? * Manuals, drawings, SOPs, permits และ validation records เชื่อมกับ work context หรือไม่? * Photos, readings, exceptions และ reviewer decisions ถูกเก็บสำหรับ review ภายหลังหรือไม่? * AI Agent use cases grounded บน governed asset, signal, alarm, document และ work-order data หรือไม่? * Data owners, refresh cadence, access rules และ cybersecurity responsibilities ชัดเจนหรือไม่? ## Public references [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดงการเชื่อม industrial data, AI analysis และ maintenance workflows รอบ facility operations. [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) แสดง DataMesh digital twin work ใน complex facility environments ที่ spatial context, equipment state และ frontline workflows สำคัญ. [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) แสดง factory digital twins ที่เชื่อม operational visibility, equipment context และ cross-team collaboration. [AI alerts to closed-loop work orders guide](/resources/guides/ai-alert-to-closed-loop-work-orders), [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) และ [Green Mark and Brick Schema guide](/resources/guides/green-mark-digital-twin-brick-schema) เป็น patterns ที่เกี่ยวข้องกับ work execution, facility operations และ evidence traceability. --- ## [GUIDES] Data Center Digital Twin Operations ## Data center operations ต้องมี facility context ร่วมกัน Data center ใช้ระบบเฉพาะทางหลายชุดในการดำเนินงาน เช่น DCIM, BMS, EPMS, meter, alarm, asset register, maintenance tool และ field record แต่ละระบบถือข้อมูลคนละส่วน ทีม operations จึงต้องเห็น site, room, rack, equipment, power path, cooling zone, alarm, inspection และ work history ใน context เดียวกัน. Data center digital twin ให้ context นี้ โดยเชื่อม facility asset, live infrastructure data, energy record, inspection route, maintenance task และ work-order evidence เข้าไว้ใน spatial operating view. เป้าหมายคือทำให้ site เข้าใจง่ายขึ้น ตรวจง่ายขึ้น ซ่อมบำรุงง่ายขึ้น รายงานง่ายขึ้น และพร้อมสำหรับ engineering review. โมเดลเดียวกันใช้ได้ทั้ง facility เดี่ยวและ data center portfolio แบบ multi-site เพื่อช่วยเทียบ site ทำ report ให้เป็นมาตรฐาน และเก็บ operating evidence ข้าม room, asset และ team. ## Twin ควรเชื่อมอะไรบ้าง | Layer | Operating context | |---|---| | Space | Site, building, room, rack, corridor, equipment area, access path และ safety boundary | | Asset | UPS, generator, switchgear, CRAC, AHU, pump, chiller, rack, sensor, meter และ service owner | | Power | EPMS data, power path, panel, feed, meter reading, load record และ affected asset | | Environment | Temperature, humidity, airflow context, cooling equipment state, alarm และ room condition | | Maintenance | Inspection route, work order, repair history, photo, acceptance note และ verification status | | Document | O&M file, procedure, commissioning record, asset manual และ change note | | Governance | Data source, update owner, review process, approval route, evidence quality และ rollout scope | Twin มีประโยชน์เมื่อทุก signal เชื่อมกลับไปยัง location, asset, responsible team และ follow-up record ได้. ## DataMesh workflow สำหรับ data center 1. **รวบรวม facility source** - รวม DCIM, BMS, EPMS, meter, alarm, asset list, equipment document, maintenance record, inspection plan และ site drawing. 2. **สร้าง facility twin** - ใช้ FactVerse จัด room, rack, equipment, power path, cooling zone, meter, sensor, document และ service ownership. 3. **เชื่อม operational data** - ใช้ Data Fusion Services ผูก live signal และ enterprise record เข้ากับ asset, space, system และ workflow ที่ถูกต้อง. 4. **เตรียม reusable scene** - ใช้ Data Center DLC และ FactVerse Designer เพื่อเริ่ม scene ของ room, rack, equipment และ facility ได้เร็วขึ้น. 5. **ทบทวน operating condition** - ดู energy indicator, alarm, equipment status, repeated issue และ maintenance priority ตาม site และ asset context. 6. **ทำ field work** - ใช้ Inspector เปลี่ยน finding ที่ยืนยันแล้วให้เป็น inspection, work order, repair note, photo, acceptance evidence และ verification record. 7. **เปรียบเทียบและปรับปรุง** - ใช้ record ที่สอดคล้องกันข้าม site และ room เพื่อสนับสนุน management review, engineering analysis, sustainability reporting และ efficiency program ระยะต่อไป. Workflow ที่ดีควรพาทีมจาก signal ไปยัง location จาก location ไปยัง owner และจาก owner ไปยังงานที่ verify ได้. ## จุดเริ่มต้นที่พบบ่อย - **Asset register และ location**: จัดระเบียบข้อมูล room, rack, facility equipment, meter และ service ownership. - **Energy calculation และ reporting**: เชื่อม meter reading, equipment context, load history และ operating record สำหรับ management review. - **Alarm และ inspection workflow**: วาง alarm, route, work order, field note และ repair evidence ไว้รอบ asset ที่เกี่ยวข้อง. - **Critical infrastructure maintenance**: ติดตาม UPS, generator, switchgear, cooling equipment, pump และ service history. - **Multi-site standardization**: ใช้ room, asset, energy และ maintenance model เดียวกันกับหลาย data center. - **Green operations evidence**: จัด energy, environment, maintenance และ corrective-action record สำหรับ internal governance และ Green Mark readiness. Scope แรกที่ดีควรมีข้อมูลพร้อม owner ชัด และมี handoff problem จริง. ## ผลิตภัณฑ์ DataMesh ทำงานร่วมกันอย่างไร [Data Fusion Services](/products/dfs) เชื่อม DCIM, BMS, EPMS, meter, historian, alarm, maintenance tool และ enterprise system. [FactVerse](/products/factverse) ให้ facility digital twin context เช่น room, rack, asset, system, data binding, document และ workflow. [FactVerse DLC](/products/factverse-dlc) ให้ data center scene foundation ที่ reusable ใน Designer รวมถึง room, rack, facility asset, energy context และ visualization element. [Inspector](/products/inspector) จัดการ inspection, work order, repair record, photo, acceptance note, verification และ field evidence. [FactVerse AI Agent](/products/factverse-ai-agent) ช่วยทีม review abnormal pattern, repeated alarm และ maintenance history เมื่อ data model และ workflow เสถียรพอสำหรับการ review. ## Governance checklist - ชื่อ room, rack, equipment, meter และ sensor ตรงกันในหลายระบบหรือไม่? - Asset ID ตรงกับ DCIM, maintenance tool, drawing และ field label หรือไม่? - Power, environment และ maintenance data source มี owner และ update rule หรือไม่? - Alarm เชื่อมไปยัง room, rack, asset, system, owner และ work record ได้หรือไม่? - Field team เก็บ photo, note, repair action และ acceptance evidence ใน context เดียวกันได้หรือไม่? - Energy record review ตาม site, room, asset, meter และ time window ได้หรือไม่? - Multi-site report ใช้ asset class และ data definition ที่สอดคล้องกันหรือไม่? - Engineering review, customer approval และ change-control responsibility ชัดเจนก่อน physical change หรือไม่? Checklist เหล่านี้ทำให้ digital twin ใช้กับ daily work และ management review ได้ต่อเนื่อง. ## Public references [IDC DLC announcement](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) แสดงวิธีที่ DataMesh ใช้ reusable digital twin content เพื่อเริ่ม data center scene ใน FactVerse Designer. [Data Center Operations solution](/solutions/ai-agent-data-center) อธิบาย scope ด้าน asset visibility, energy calculation, inspection, maintenance, work order และ multi-site digital twin management. [Yokogawa predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดง pattern ของการเชื่อม industrial facility signal เข้ากับ maintenance review. [Faurecia and EVE Energy reference](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) แสดงการใช้ operational visibility และ energy context เพื่อสนับสนุน manufacturing และ facility improvement program. --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## Frontline work needs operational context Frontline work มักขึ้นกับ sequence ที่แม่นยำ, asset เฉพาะ, physical location, role ที่ผ่าน training และ record ที่ review ได้ภายหลัง. Technician อาจต้อง isolate equipment, inspect panel, take reading, capture photo, report exception และ close work order. Production operator อาจต้องทำ setup, cleaning, line clearance, sampling หรือ handoff ที่เชื่อมกับ room, equipment, material และ approved procedure version. SOP และ training material มีคุณค่า แต่หลายครั้งอยู่ไกลจาก work object. Procedure อยู่ใน document system, asset อยู่ใน CMMS หรือ EAM, signal อยู่ใน BMS หรือ SCADA, photo อยู่ใน mobile app และ final decision อยู่ใน supervisor review. Operational digital twin ให้ procedure มี operating context. มันเชื่อม SOP, asset, location, role, visual guidance, field record, inspection, work order และ review note รอบ context เดียวกัน. ## What a digital SOP should connect | Layer | Operating detail | |---|---| | Procedure control | SOP version, owner, effective date, approval route, training audience, release status | | Asset and location | equipment ID, room, zone, line, route, utility connection, safety boundary | | Guided steps | task sequence, prompts, checkpoints, visual reference, media, exception handling | | Role and training | role requirement, training completion, assessment result, refresher cycle, cohort history | | Field execution | operator, start time, step status, readings, photos, notes, issues, work-order link | | Review record | supervisor review, acceptance criteria, correction, closeout status, audit trail | | Data context | live values, alarms, maintenance history, documents, enterprise records | เป้าหมายคือ traceability. ทีมควรเห็นว่า procedure ไหนถูกใช้, ใช้กับ asset หรือ area ไหน, ใครทำงาน, evidence อะไรถูก capture และ result ถูก review อย่างไร. ## Author the procedure in spatial context [Director](/products/director) เป็น authoring surface สำหรับ guided 3D procedures. ทีมสามารถเปลี่ยน approved work knowledge เป็น steps ที่มี labels, animations, panels, images, videos, checkpoints และ visual prompts. Content ที่ดีเริ่มจาก sources ที่มีอยู่ เช่น SOPs, work instructions, manuals, photos, videos, CAD หรือ BIM models, equipment models, asset lists, safety notes, training decks และ field feedback. จากนั้นทีมกำหนดว่า step ไหนต้องใช้ 3D context, checklist record, photo หรือ escalation. [FactVerse](/products/factverse) ทำให้ procedure เชื่อมกับ asset และ location model. [Data Fusion Services](/products/dfs) สามารถเพิ่ม documents, work history, live values และ enterprise records เมื่อ workflow ต้องการ. ## Capture field evidence [Checklist](/products/checklist) จัดโครงสร้าง recurring checks, required readings, signoffs และ completion records. [Inspector](/products/inspector) เชื่อม inspections, issues, photos, repair notes, work orders, acceptance steps และ review status กับ asset-location context. Execution path: 1. **Prepare** - เชื่อม SOP, asset, location, role, checklist และ required evidence. 2. **Guide** - ส่ง steps ผ่าน Director-authored content และ field instructions. 3. **Record** - Capture readings, photos, notes, exceptions และ completion status. 4. **Escalate** - Convert confirmed issue เป็น inspection task, repair task หรือ work order. 5. **Review** - ให้ supervisor หรือ quality team review evidence, correction และ closeout. 6. **Improve** - ใช้ repeated exceptions เพื่อปรับ training, procedure content และ asset records. ## Train before field execution Training ควรใช้ spatial context เดียวกับ execution. New operator จะเรียนรู้ equipment identity, room layout, task sequence, visual checks, risk points และ evidence fields ก่อนทำงานจริง. [Simulator](/products/simulator) เหมาะเมื่อ training ขึ้นกับ equipment behavior, controls, safety scenarios, route discipline, scoring และ repeated practice. Heavy equipment, forklifts, construction machinery และ equipment-specific programs ใช้ scenario เพื่อฝึก operation, emergency response และ assessment routines. สำหรับ process operations และ facility work, Director และ Checklist รองรับ guided procedure training ส่วน Inspector นำ asset และ task context เดียวกันไปสู่ field execution. ## Industry patterns **Manufacturing** ใช้ digital SOPs สำหรับ changeover, inspection, maintenance support, line-side troubleshooting, warehouse handoff และ production-support utilities. **Pharmaceutical and biopharma** ใช้ guided procedures สำหรับ setup, cleaning, sampling, weighing, line clearance, equipment preparation และ operator handoff. Training completion, SOP version, task evidence, exception notes และ review records ช่วยเตรียม GMP และ CSV evidence. **Construction and heavy equipment** รวม Director-guided procedures, Simulator equipment practice และ Inspector field records สำหรับ site work, equipment operation, safety routines และ issue closeout. Tower cranes, forklifts, rotary drilling rigs, deep well casing drilling rigs, excavators และ project-specific equipment สามารถอยู่ใน training programs. **Data centers and smart facilities** เชื่อม maintenance procedures, inspection routes, BMS alarms, asset records, energy readings, photos และ work-order status. **Warehouse and intralogistics** train routes, loading steps, safety checks, forklift routines, exception handling และ maintenance tasks ด้วย asset-location context เดียวกับ planning และ inspection. ## Data and AI feedback Field evidence ให้ ground truth ที่ดีขึ้นกับ AI-assisted workflows. Confirmed issues, adjusted recommendations, repeated exceptions, completion notes, readings, photos และ post-action results ช่วยให้ทีมเห็นว่า procedure จุดไหนไม่ชัด, training ต้อง refresh ตรงไหน และ asset ไหนมี recurring patterns. [FactVerse AI Agent](/products/factverse-ai-agent) สามารถ review connected signals, work history, documents, inspection records และ field feedback แบบ 24x7. ใน workflow นี้ AI Agent ช่วย summarize evidence, find repeated issues, recommend next checks และ prepare work for review. ## Product roles [Director](/products/director) creates guided 3D SOPs, step prompts, visual labels, animations, media panels, training content และ field instructions. [Checklist](/products/checklist) structures recurring checks, required readings, role signoffs, completion status และ mobile records. [Inspector](/products/inspector) manages inspections, issues, work orders, evidence capture, repair notes, acceptance records และ field history. [Simulator](/products/simulator) supports equipment operator training เมื่อ task ขึ้นกับ controls, behavior, safety scenarios, scoring และ repeated practice. [FactVerse](/products/factverse) provides operational digital twin context สำหรับ assets, spaces, systems, procedures, work objects, documents และ permissions. [Data Fusion Services](/products/dfs) connects CMMS, EAM, BMS, SCADA, IoT, documents, work records และ enterprise systems ไปยัง twin objects ที่ถูกต้อง. [FactVerse AI Agent](/products/factverse-ai-agent) supports review, triage, recommendation preparation และ feedback analysis หลัง workflow records stable. ## Implementation checklist * SOP versions, owners, release dates และ training audiences ถูก record แล้วหรือไม่? * Asset IDs, room names, equipment labels และ work-order objects consistent หรือไม่? * Steps ที่ต้องใช้ 3D guidance, checklist records, photos หรือ readings ถูก identify แล้วหรือไม่? * Exception paths, issue categories, escalation rules และ closeout fields ถูก define แล้วหรือไม่? * Training completion, assessment results และ refresher cycles linked กับ procedure version ที่ถูกต้องหรือไม่? * Inspector และ Checklist records tied กับ asset-location model เดียวกันหรือไม่? * Photos, readings, notes, reviewer decisions และ corrective actions available สำหรับ review ภายหลังหรือไม่? * AI Agent use cases grounded บน stable procedure, asset, work-order และ field evidence data หรือไม่? ## Public references [Swire Coca-Cola reference](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) แสดง maintenance process และ frontline training digitization. [Foxconn reference](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) แสดง FactVerse ใน training และ maintenance workflows. [Expressway safety training reference](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) แสดง practical field-skill training ที่ใช้ digital twins. [Pharma Operator Training guide](/resources/guides/pharma-operator-training-digital-sop-gmp-csv), [Heavy Equipment Simulator Training guide](/resources/guides/digital-twin-heavy-equipment-simulator-training) และ [CMMS, EAM, and BMS Integration guide](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) ครอบคลุม adjacent workflows. --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## Reusable content ทำให้ rollout สม่ำเสมอขึ้น Industrial digital twin projects มักต้องสร้างฐานเดิมซ้ำ เช่น spaces, assets, routes, equipment categories, labels, panels, procedures และ scene behaviors แต่ละ customer site ต้องปรับตามสภาพจริง ขณะเดียวกัน site ที่อยู่ใน operating domain เดียวกันมีจุดเริ่มต้นร่วมกันจำนวนมาก Digital twin content packs สร้าง reusable baseline สำหรับงานนี้ FactVerse DLC ให้ preconfigured content สำหรับ FactVerse Designer เพื่อให้ทีมเริ่มจาก industry foundation แล้วปรับ model, scene, data mapping และ workflow ให้เข้ากับ facility จริงของลูกค้า คุณค่าหลักคือ operational consistency ทีม product, delivery และ customer สามารถคุยกันตั้งแต่ workshop แรกด้วย asset classes, scene structures, work records และ operating views ชุดเดียวกัน ## Content pack ควรประกอบด้วยอะไร | Layer | Useful content | |---|---| | Asset classes | Equipment types, tags, properties, naming guidance และ role definitions | | Spatial structure | Site, building, floor, room, zone, line, route และ safety boundary | | Model resources | 3D objects, simplified equipment forms, layout elements, labels และ visual states | | Scene templates | Views สำหรับ operations, maintenance, training, planning และ executive review | | Behavior logic | State changes, guided steps, alarms, operating sequences และ scenario triggers | | Data bindings | Source fields, units, timestamps, owners, refresh rules และ twin object mapping | | Workflow context | Inspection points, checklist fields, work-order handoff, evidence capture และ approvals | | Governance | Version, owner, content scope, update rule, localization และ reuse criteria | Content pack ควรช่วยให้ทีมเริ่มเร็วขึ้น พร้อมเปิดพื้นที่ให้แต่ละ site ปรับค่าได้ ## Foundation areas สำหรับ industrial use **Data Center DLC** ช่วยเตรียม rooms, racks, facility equipment, energy context, monitoring views, inspection routes และ maintenance records สำหรับ data center digital twins **Campus DLC** รองรับ building, park, utility, environmental, access และ facility context สำหรับ multi-building operations และ smart facility management **Warehousing and Logistics DLC** ช่วยอธิบาย warehouse zones, storage areas, routes, transport lines, operating procedures, logistics planning และ training scenarios **Discrete Manufacturing DLC** ให้ virtual factory starters สำหรับ production equipment, conveyors, AGVs, operators, line context และ planning scenes ที่ปรับต่อได้ใน Designer ฐานเหล่านี้จะมีประโยชน์มากขึ้นเมื่อเชื่อมกับ assets, systems, procedures และ operating records จริงของลูกค้า ## DataMesh rollout workflow 1. **Select the content foundation** - เลือก DLC baseline ที่ตรงกับ site type และ project objective 2. **Map the customer site** - จัด buildings, rooms, zones, lines, equipment, routes และ work areas ให้ตรงกับ naming และ asset records ของลูกค้า 3. **Prepare scenes in Designer** - ใช้ FactVerse Designer ปรับ models, scene templates, views, labels, panels และ behavior logic 4. **Connect the data model** - ใช้ FactVerse จัด spaces, assets, relationships, documents, work context และ reusable objects 5. **Bind operating data** - ใช้ Data Fusion Services เชื่อม source systems, sensor data, enterprise records, maintenance tools และ document references 6. **Attach execution workflows** - ใช้ Inspector, Director หรือ applications อื่นเชื่อม inspections, SOP guidance, work orders, training และ field evidence 7. **Review and productize reuse** - แปลง assets, logic และ workflows ที่ใช้ซ้ำในหลาย projects ให้เป็น managed content เพื่อให้ site ถัดไปเริ่มจาก baseline ที่ดีขึ้น วงจรนี้สำคัญ เพราะทุก delivery ควรทำให้ reusable foundation ดีขึ้น ## จัดการ DLC เป็น product asset แต่ละ content pack ควรถูกจัดการเป็น product asset โดยต้องมี owner, version, scope, example scene, localization plan, release notes และ criteria ว่าอะไรควรอยู่ใน reusable layer Reusable layer ควรเน้น common structure เช่น asset classes, scene foundations, default views, starter logic และ integration patterns ส่วน customer-specific names, security rules, live data credentials, approval chains และ operating procedures ควรอยู่ใน project configuration การแยกแบบนี้ช่วยให้ DataMesh teams รักษาคุณภาพและยังคงความยืดหยุ่นของ project ได้ Sales, delivery และ customer success teams ก็อธิบายได้ชัดขึ้นว่าอะไรจะถูก reuse และอะไรจะปรับตาม site ## DataMesh products ทำงานร่วมกันอย่างไร [FactVerse DLC](/products/factverse-dlc) ให้ reusable digital twin content packs สำหรับ industrial rollout areas ที่พบบ่อย [FactVerse Designer](/products/designer) เป็นที่ที่ทีมเปิด ปรับ และประกอบ DLC resources ให้เป็น scenes, operating views และ scenario content [DataMesh FactVerse](/products/factverse) เก็บ shared digital twin context รวมถึง spaces, assets, relationships, documents, data bindings และ application workflows [Data Fusion Services](/products/dfs) เชื่อม operational data sources และ enterprise records เข้ากับ objects ที่ถูกต้องใน twin [Inspector](/products/inspector) แปลง twin context เป็น inspections, work orders, photos, repair records, acceptance notes และ field evidence [FactVerse AI Agent](/products/factverse-ai-agent) สามารถใช้ stable twin context และ work records เพื่อสนับสนุน operational review เมื่อ data model และ workflow มีความพร้อม ## Rollout checklist - Pack กำหนด reusable asset classes และ properties ชัดเจนหรือไม่? - Spatial structure ตรงกับวิธีที่ลูกค้าดำเนินงานใน site จริงหรือไม่? - Model resources เบาพอสำหรับ interactive scenes และชัดพอสำหรับ operations หรือไม่? - Scene templates ผูกกับ workflows จริง เช่น inspection, planning, training, monitoring หรือ maintenance หรือไม่? - Data bindings มี source, unit, owner, refresh rule และ quality status หรือไม่? - Inspector fields, work-order handoff และ evidence records ถูกกำหนดก่อน field rollout หรือไม่? - Versioning, localization และ content ownership ชัดเจนหรือไม่? - Improvements จาก project หนึ่งสามารถกลายเป็น reusable content สำหรับ projects ถัดไปได้หรือไม่? Content pack ที่ดีควรลดงาน setup ซ้ำและเพิ่ม consistency ระหว่าง projects ## Public references [IDC DLC announcement](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) แสดงให้เห็นว่า reusable content ช่วยเริ่ม data center digital twin scenes ใน FactVerse Designer ได้อย่างไร [Warehousing and Logistics DLC update](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) แสดงวิธีเดียวกันใน logistics environments, routes, layouts และ operational scenarios [Jebsee FactVerse reference](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) แสดงว่า production-line planning ได้ประโยชน์จาก shared digital twin context ใน automation planning และ stakeholder communication [NIO smart factory reference](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) แสดงว่า manufacturing teams ใช้ digital twins เป็นฐานสำหรับ factory visibility และ operations improvement --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## Heavy equipment training ต้องการ practice ที่ทำซ้ำได้ Heavy equipment operator training ทำให้เป็นมาตรฐานได้ยาก เพราะ real machines มีต้นทุนการจองสูง job sites มี safety constraints และ experienced trainers มีเวลาจำกัด Trainee ต้องการมากกว่า video หรือ checklist พวกเขาต้องเข้าใจ machine, control response, work sequence, site context, risk points และคุณภาพของแต่ละ action Digital twin simulator training ให้ controlled environment สำหรับฝึก skills เหล่านี้ Operator ทำงานผ่าน scenario ที่มี realistic equipment behavior, physical หรือ desktop controls, visual feedback, instructions และ assessment rules Instructor สามารถทำ task เดิมซ้ำ เปรียบเทียบผล และสร้าง competency record ที่ชัดเจนขึ้น สำหรับ DataMesh, Simulator คือ training surface สำหรับ heavy equipment operation โดยทำงานร่วมกับ SOP training จาก Director, scene planning จาก Designer และ digital twin context ใน FactVerse ## Simulator scenario ควรมีอะไร | Layer | สิ่งที่สนับสนุน | |---|---| | Equipment model | Geometry, scale, cabin view, moving parts, work range และ equipment-specific behavior | | Physics behavior | Motion, collision, load response, ground interaction, vibration และ safety boundaries ที่เกี่ยวข้อง | | Controls | Joysticks, pedals, panels, steering, desktop controls หรือ equipment-specific layouts | | Training procedure | Task steps, voice หรือ text guidance, signal commands, checkpoints และ exception handling | | Site context | Construction area, routes, obstacles, work zones, materials, nearby equipment และ visibility conditions | | Assessment | Time, accuracy, rule compliance, collision events, path quality, operation smoothness และ completion records | | Review records | Trainee profile, scenario version, score, notes, replay evidence และ instructor feedback | Scenarios ที่ดีจะเชื่อม layers เหล่านี้เข้าด้วยกัน Tower crane lift, forklift route, drilling rig task, deep well casing drilling routine หรือ excavator operation ควรถูกออกแบบเป็น structured job task ## Equipment coverage และ scenario design DataMesh Simulator รองรับ training programs สำหรับ tower cranes, forklifts, rotary drilling rigs, deep well casing drilling rigs, excavators และ heavy equipment อื่นๆ แต่ละ program ควรเริ่มจาก training objective เช่น basic familiarization, operating sequence, emergency response, certification practice, overseas service training หรือ instructor-led assessment Training objective จะกำหนด hardware form, scene fidelity, control setup, scoring rules และ content depth บางทีมต้องการ motion platform และ cabin บางทีมต้องการ desktop station สำหรับ early familiarization บางทีมต้องการ portable setup สำหรับ distributed training ดังนั้น simulator content ควรถูกวางแผนเป็น equipment training program โดย model, controls, scenario, score และ review process ต้องตรงกับ operating skill ที่ต้องการฝึก ## DataMesh workflow 1. **Define the training role** - ระบุ equipment type, operator role, target skill, safety focus และ assessment requirement 2. **Build the equipment twin** - เตรียม equipment model, moving parts, cabin view, control mapping, physics behavior และ scenario environment 3. **Author the training path** - สร้าง task steps, guidance, prompts, checkpoints, signal commands และ exception cases 4. **Configure the training station** - เลือก motion platform, cabin, control panel, desktop station, visual system หรือ mixed setup ตาม scenario 5. **Run practice and assessment** - ให้ trainees ฝึกซ้ำ รับ feedback และทำ structured evaluations 6. **Record evidence** - เก็บ scores, completion records, instructor notes, scenario versions และ review evidence 7. **Improve the course** - update scenarios เมื่อ equipment, procedures, site rules หรือ training goals เปลี่ยน ผลลัพธ์คือ reusable training system ## บทบาทใน FactVerse stack [Simulator](/products/simulator) ดูแล heavy equipment operator training เมื่อ training goal ขึ้นกับ equipment behavior, control response, physical interaction และ operator assessment [FactVerse](/products/factverse) เป็น platform foundation [FactVerse Twin Engine](/products/factverse-twin-engine) จัด assets, scene context, behavior และ scenario state [FactVerse Designer](/products/designer) สนับสนุน scene authoring, layout planning และ scenario preparation [Director](/products/director) สนับสนุน guided SOPs และ interactive training content [Inspector](/products/inspector) สนับสนุน field records, inspections, issue closure และ evidence workflows เมื่อ training เชื่อมต่อกับ site execution ผลิตภัณฑ์เหล่านี้ช่วยให้ training teams เชื่อม equipment practice กับ digital twin context เดียวกับที่ใช้ใน planning, guidance และ operations ## Public Steam reference version DataMesh publishes [Operator Training: Heavy Equipment on Steam](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) เป็น simplified public reference experience Steam listing แสดง DataMesh เป็น developer และ publisher และนำเสนอ lightweight heavy equipment simulator experience สำหรับ public users Version นี้ช่วยให้เข้าใจ concept เช่น machine operation, guided practice, visual scene context และ equipment simulation ส่วน enterprise และ education deployments จะเพิ่ม project-specific hardware, control systems, course content, scoring criteria, cabin design, motion platform options และ integration requirements ## Evaluation checklist - Scenario ตรงกับ real operating task หรือ assessment goal หรือยัง? - Equipment model มี moving parts, control behavior และ physics assumptions ที่เกี่ยวข้องหรือยัง? - Hardware setup ตรงกับ learner stage และ training objective หรือยัง? - Task steps, signal commands, checkpoints และ exceptions ชัดเจนหรือยัง? - Scoring rules เชื่อมกับ safe และ correct operation หรือยัง? - Instructors สามารถ review replay evidence, notes, scores และ scenario versions ได้หรือยัง? - Training records เชื่อมกับ learning management, safety หรือ operations workflow ได้หรือยัง? - Course update ได้เมื่อ equipment, site rules หรือ procedures เปลี่ยนหรือยัง? คำถามเหล่านี้ช่วยให้ simulator training เชื่อมกับ operator competency และ operational readiness ## Public references DataMesh มี public Simulator updates สำหรับ [tower crane training](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1), [crawler excavator training environments](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations), [digital twin based Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) และ [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training) [Operator Training: Heavy Equipment Steam listing](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) เป็น public reference สำหรับ simplified heavy equipment training experience ที่เผยแพร่โดย DataMesh --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## จาก visual model สู่ operating loop Digital twin แบบดั้งเดิมมักเริ่มจาก 3D model, BIM data, equipment geometry หรือ dashboard เพื่อให้ทีมเห็น facility, production line, asset หรือ construction site ใน context เดียวกัน ชั้นนี้มีคุณค่าเพราะช่วยให้สภาพแวดล้อมที่ซับซ้อนเข้าใจง่ายขึ้น Executable digital twin เพิ่ม operating loop รอบ model นั้น โดยเชื่อม real-time data, asset relationships, process logic, simulation, approval, work order และ validation record ทีมจึงสามารถ review สถานะปัจจุบัน ประเมิน scenario มอบหมายงาน และเก็บหลักฐานของแต่ละ decision ได้ นี่คือพื้นฐานของ Physical AI ในงาน industrial และ facility. AI recommendation จะมีประโยชน์มากขึ้นเมื่อผูกกับ real assets, spatial context, physical constraints, work history และ approval workflow ## องค์ประกอบของ executable twin Executable twin มักประกอบด้วยหกชั้นหลัก: - **Spatial and asset structure**: sites, buildings, floors, zones, systems, equipment, points, documents และ ownership - **Live operating data**: BMS, SCADA, IoT, meters, historians, CMMS, ERP, MES และ source systems อื่น - **Behavior and process logic**: process steps, control assumptions, dependencies, procedures และ event conditions - **Simulation and scenario review**: layout options, flow analysis, equipment movement, physical behavior และ comparison - **Workflows and field execution**: inspections, tasks, work orders, SOPs, training, acceptance และ handoff - **Governance and evidence**: approvals, records, model versions, photos, notes และ operating results คุณค่าเกิดจากการเชื่อมชั้นเหล่านี้เข้าด้วยกัน Model แสดงตำแหน่งของ asset ส่วน executable twin แสดง data ของ asset, process ที่เกี่ยวข้อง, scenario ที่กำลัง review, งานที่ถูก assign และ record ที่ยืนยันผลจาก field ## Physical AI ต้องการ context แบบนี้ Physical AI ทำงานกับ operations จริง Recommendation ต้องเข้ากับ site, asset, process, people รวมถึง safety rule และ approval rule ขององค์กร คำตอบจาก model เพียงอย่างเดียวมักขาด context เหล่านี้ Executable twin ให้ governed operating context แก่ Physical AI: - อธิบายว่า signal นั้นเป็นของ asset, system, zone และ process ใด - ให้ historical records และ real-time conditions สำหรับ reasoning - ให้พื้นที่สำหรับเปรียบเทียบ proposed changes ด้วย simulation - ส่ง approved actions ไปยัง inspection, maintenance, training หรือ construction workflows - เก็บ traceable record ของ recommendation, approval, execution และ verification สำหรับผู้ซื้อ จุดสำคัญคือ digital twin เข้าสู่ operating system ขององค์กรได้จริงหรือไม่ ## บทบาทของ DataMesh stack [Data Fusion Services](/products/dfs) เชื่อม enterprise, industrial, IoT และ facility data sources. [FactVerse](/products/factverse) จัดระเบียบ data, assets, scenes และ application context. [FactVerse Twin Engine](/products/factverse-twin-engine) render และ execute 3D twin experience บนอุปกรณ์และ scenarios ต่าง ๆ [FactVerse Designer](/products/designer) รองรับ scene authoring, process logic, virtual planning และ simulation workflows. สำหรับทีมที่ใช้ NVIDIA Omniverse, [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) สามารถนำ FactVerse scene structure, metadata และ behavior context เข้าสู่ USD และ Omniverse validation workflow [FactVerse AI Agent](/products/factverse-ai-agent) ใช้ connected context เพื่อรองรับ anomaly review, forecasting, operational Q&A, recommendation summary และ decision handoff. [Inspector](/products/inspector) เปลี่ยน approved findings เป็น inspections, work orders, field records, acceptance และ evidence ชั้นเหล่านี้ทำให้ทีมสามารถ view, analyze, simulate, execute และ review digital twin เดียวกันได้ ## รูปแบบ implementation ที่ใช้บ่อย Rollout ที่ practical ควรเริ่มจาก operating loop หนึ่งชุด: 1. เชื่อม source data และกำหนด ownership ของแต่ละ source system 2. Map assets, spaces, systems และ points เข้าสู่ shared twin structure 3. เพิ่ม behavior logic, process steps, procedures หรือ scenario assumptions 4. Validate options ด้วย simulation, engineering review หรือ operational replay 5. ส่ง approved actions เข้าสู่ inspection, maintenance, training หรือ construction workflows 6. เก็บ completion records และเปรียบเทียบ outcome กับ operating data รูปแบบนี้ทำให้งานเป็น concrete และช่วยให้ stakeholder เห็นว่า twin กำลังเข้าสู่ daily execution อย่างไร ## จุดที่สร้างคุณค่าได้เร็ว | Starting point | Practical use | |---|---| | Facility operations | เชื่อม assets, meters, BMS points, inspections และ maintenance records ใน spatial context | | Predictive maintenance | รวม sensor data, asset history, anomaly review, work orders และ verification records | | Process simulation | เปรียบเทียบ layouts, material flow, equipment movement และ operating assumptions ก่อน site changes | | Construction guidance | เชื่อม BIM, site context, method statements, schedule checks และ field guidance | | Workforce training | เปลี่ยน equipment, procedures, hazards และ scenario records เป็น repeatable training workflows | Use case แรกควรมี data ownership ชัดเจน มี operating process ที่วัดผลได้ และมีทีมที่ execute และ verify actions ได้ ## Evaluation checklist ใช้คำถามเหล่านี้เมื่อเปรียบเทียบ digital twin platforms: - Platform เชื่อม live operational data กับ assets, systems และ spaces ได้หรือไม่ - Platform แสดง behavior, process logic และ scenario assumptions ได้หรือไม่ - ทีมทำ simulation หรือ scenario review ก่อน operational change ได้หรือไม่ - Recommendations ส่งต่อเข้า approved inspection, maintenance, training หรือ construction workflow ได้หรือไม่ - Field teams เก็บ photos, notes, acceptance records และ completion status ได้หรือไม่ - Engineers และ operators trace decision กลับไปยัง data, model context และ approval history ได้หรือไม่ - Twin เดียวกันรองรับ visualization, monitoring, simulation และ workflow execution ได้หรือไม่ - Platform รองรับ enterprise governance ข้าม users, sites และ systems ได้หรือไม่ Executable twin มีคุณค่ามากขึ้นเมื่อแต่ละคำตอบผูกกับ workflow จริงและทีมที่รับผิดชอบชัดเจน ## ผลลัพธ์เชิงปฏิบัติ Executable digital twin ช่วยให้ทีม industrial และ facility move จาก shared visualization สู่ governed execution. ผลลัพธ์ช่วงแรกมักเป็นเรื่อง practical เช่น operational context ชัดขึ้น cross-team review เร็วขึ้น handoff จาก analysis ไป field work ดีขึ้น evidence records แข็งแรงขึ้น และ scenario comparison มีวินัยมากขึ้น เมื่อ operating loop เติบโต Physical AI จะใช้ context ที่ลึกขึ้นได้ Recommendations สามารถอิง asset data, system relationships, simulation results, work history และ site governance. Digital twin จึงกลายเป็น working layer สำหรับ real-world decisions --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## การทำความร้อนจำเป็นต้องมีบริบทที่เชื่อมโยงกัน ทีมทำความร้อนของเขตจะทำการตัดสินใจจากหลายแหล่งในคราวเดียว: สถานะแหล่งความร้อน ข้อมูลเครือข่ายหลักและรอง สภาพของสถานีย่อย ความคิดเห็นข้างอาคาร พยากรณ์อากาศ บันทึกการร้องเรียน การตรวจสอบภาคสนาม ประวัติการบำรุงรักษา และกฎการจัดส่ง แต่ละระบบจะอธิบายการทำงานบางส่วน การทำงานอย่างหนักคือการเชื่อมต่อสัญญาณเหล่านั้นเข้ากับการตัดสินใจที่ผู้ปฏิบัติงานสามารถตรวจสอบ อนุมัติ ดำเนินการ และตรวจสอบได้ [HeatOps](/solutions/heatops) เป็นโมดูลอุตสาหกรรมการให้ความร้อนแบบเขตของ [FactVerse AI Agent](/products/factverse-ai-agent) โดยจะใช้ [Data Fusion Services](/products/dfs) เพื่อเชื่อมต่อข้อมูลการดำเนินงาน, [FactVerse](/products/factverse) เพื่อรักษาบริบทของเครือข่ายและสินทรัพย์ และใช้ Inspector หรือระบบสั่งงานของลูกค้าเพื่อให้สามารถตรวจสอบย้อนกลับการดำเนินการภาคสนามได้ วัตถุประสงค์นี้ใช้ได้จริง: ช่วยให้ทีมทำความร้อนคาดการณ์ความต้องการ วินิจฉัยพฤติกรรมของเครือข่าย ตรวจสอบตัวเลือกการจัดส่ง ประสานงานงานภาคสนาม และรักษาหลักฐานการปฏิบัติงานที่อยู่เบื้องหลังการตัดสินใจ ## สิ่งที่รูปแบบการทำงานเชื่อมโยงกัน | เลเยอร์ | บริบทการดำเนินงาน | |---|---| | แหล่งความร้อน | หม้อไอน้ำ, ปั๊มความร้อน, CHP, ความร้อนเหลือทิ้ง, การจัดเก็บ, เชื้อเพลิง, ไฟฟ้า, ความจุ และความพร้อมใช้งาน | | เครือข่าย | เครือข่ายหลัก เส้นแยก ความดัน การไหล อุณหภูมิจ่ายและส่งคืน วาล์ว การรั่วไหล และบริบทของฉนวน | | สถานีย่อย | เครื่องแลกเปลี่ยนความร้อน ปั๊ม วาล์วควบคุม มิเตอร์ แรงดันต่าง ประสิทธิภาพ สัญญาณเตือน และประวัติการบริการ | | อาคาร | โซนอาคาร การตอบสนองภายในอาคาร อุณหภูมิฝั่งผู้ใช้ ปัญหาด้านความสะดวกสบาย ความเฉื่อยทางความร้อน และลำดับความสำคัญในการให้บริการ | | บริบทภายนอก | พยากรณ์อากาศ ปริมาณงานในอดีต วันหยุด รูปแบบการเข้าพัก บริบทภาษี และคำขอบริการ | | การปฏิบัติงาน | คำสั่งจัดส่ง การตรวจสอบ งานซ่อมแซม การทำความสะอาด การปรับวาล์ว งานฉนวน ภาพถ่าย และบันทึกการยอมรับ | | ธรรมาภิบาล | แหล่งที่มาของคำแนะนำ เส้นทางการอนุมัติ ขีดจำกัดคำสั่ง กฎการย้อนกลับ การตรวจสอบผลลัพธ์ และแนวทางการตรวจสอบ | ค่านี้มาจากการเชื่อมโยงเลเยอร์เหล่านี้ การร้องเรียนเกี่ยวกับอุณหภูมิต่ำควรสามารถตรวจสอบย้อนกลับไปยังบริบทของอาคาร พฤติกรรมของสถานีย่อย สถานะเครือข่ายสาขา งานก่อนหน้า และการตัดสินใจของผู้ปฏิบัติงานที่ตามมา ## เวิร์กโฟลว์ DataMesh สำหรับ HeatOps 1. **เชื่อมต่อแหล่งปฏิบัติการ** - รวบรวมแท็ก SCADA, SIS, PVSS, PLC, เมตร, สภาพอากาศ, GIS, บันทึกการร้องเรียน, บริบทการเรียกเก็บเงิน, ระบบการบำรุงรักษา และบันทึกการจัดส่ง 2. **สร้างเครื่องทำความร้อนคู่** - จำลองแหล่งความร้อน ท่อ สถานีไฟฟ้าย่อย วาล์ว ปั๊ม มิเตอร์ อาคาร โซน และพื้นที่ให้บริการใน FactVerse 3. **เชื่อมโยงสัญญาณกับสินทรัพย์** - ใช้ Data Fusion Services เพื่อทำแผนที่อุณหภูมิ ความดัน การไหล สัญญาณเตือน การอ่านค่าพลังงาน และบันทึกการทำงานไปยังสินทรัพย์และส่วนเครือข่ายที่ถูกต้อง 4. **ตรวจสอบความต้องการและความเสี่ยง** - ใช้ FactVerse AI Agent เพื่อเตรียมการคาดการณ์ความต้องการ คำอธิบายการเปลี่ยนแปลงโหลด สรุปรูปแบบที่ผิดปกติ และตัวเลือกการจัดส่งสำหรับการตรวจสอบของผู้ปฏิบัติงาน 5. **ประสานงานการดำเนินการ** - เปลี่ยนการค้นพบที่ได้รับอนุมัติให้เป็นบันทึกการจัดส่ง การตรวจสอบภาคสนาม คำสั่งงาน งานการปรับเปลี่ยน หรือขอบเขตการเขียนกลับที่ได้รับการควบคุม 6. **ตรวจสอบผลลัพธ์** - เปรียบเทียบการอ่านหลังการกระทำ ผลตอบรับที่สะดวกสบาย การเตือน รูปแบบการสูญเสียความร้อน และหลักฐานการสั่งซื้องานกับการค้นพบดั้งเดิม ขั้นตอนการทำงานนี้เก็บคำแนะนำ AI แนบมากับบริบทการปฏิบัติงานที่ผลิตคำแนะนำเหล่านั้น ## การพยากรณ์ การวินิจฉัย และการตรวจสอบการจัดส่ง HeatOps สามารถรองรับโหมดการทำงานที่เชื่อมต่อได้สามโหมด: - **การคาดการณ์ความต้องการ**: เปรียบเทียบสภาพอากาศ ปริมาณงานในอดีต สถานะเครือข่าย การตอบสนองของอาคาร และข้อจำกัดในการปฏิบัติงาน ก่อนที่ความต้องการจะมีการเปลี่ยนแปลง - **การวินิจฉัยเครือข่าย**: ตรวจสอบเดลต้าจ่าย-ส่งคืน แรงดันส่วนต่าง การไหล น้ำเติม พฤติกรรมตัวแลกเปลี่ยนความร้อน สถานะของปั๊ม สถานะวาล์ว ตัวบ่งชี้การรั่วไหล สัญญาณเปรอะเปื้อน และปัญหาซ้ำ ๆ สำหรับผู้ใช้ปลายทาง - **การตรวจสอบการจัดส่ง**: เตรียมการดำเนินการที่ผู้ปฏิบัติงานตรวจสอบ เช่น การเปลี่ยนแปลงอุณหภูมิของแหล่งจ่าย การเปลี่ยนแปลงความถี่ของปั๊ม การปรับวาล์ว กลยุทธ์การให้ความร้อนล่วงหน้า การเตรียมพนักงาน และลำดับความสำคัญในการตรวจสอบภาคสนาม คำแนะนำควรอธิบายขอบเขต เหตุผล ผลที่คาดหวัง การอนุมัติที่จำเป็น และหลักฐานการติดตามผล ซึ่งทำให้เอาต์พุต AI สามารถตรวจสอบได้โดยเจ้าหน้าที่ห้องควบคุม ทีมวิศวกร ทีมงานภาคสนาม และผู้จัดการ ## จากคำแนะนำไปจนถึงการดำเนินการที่ตรวจสอบได้ การดำเนินการทำความร้อนเกี่ยวข้องกับความปลอดภัย ความสะดวกสบาย สัญญา ขีดจำกัดของอุปกรณ์ และความรับผิดชอบในการบริการ ดังนั้นเส้นทางการดำเนินการจึงควรจัดฉาก เริ่มต้นด้วยการสนับสนุนการตัดสินใจ ผู้ปฏิบัติงานตรวจสอบการคาดการณ์ การวินิจฉัย และการดำเนินการที่แนะนำในบริบท Digital Twin ขั้นต่อไปคือการช่วยเหลือในการดำเนินการ: คำแนะนำที่ได้รับอนุมัติจะกลายเป็นบันทึกการจัดส่ง งานภาคสนาม ใบสั่งงาน และการตรวจสอบติดตามผล สามารถเพิ่มการเขียนกลับที่ควบคุมได้หลังจากกำหนดสิทธิ์ ช่วงคำสั่ง อินเตอร์ล็อคด้านความปลอดภัย กฎการย้อนกลับ และข้อกำหนดการตรวจสอบแล้ว [Inspector](/products/inspector), [Checklist](/products/checklist) และระบบสั่งงานของลูกค้าสามารถรักษาด้านสนามของลูปได้ เช่น ใครเป็นผู้ตรวจสอบสถานี สิ่งที่ได้รับการปรับเปลี่ยน ภาพถ่ายและการอ่านใดบ้างที่บันทึก เมื่อปิดงาน และสภาพดีขึ้นหรือไม่ ## บันทึกพลังงาน-คาร์บอนและการทบทวนฝ่ายบริหาร ผู้ดำเนินการทำความร้อนจำเป็นต้องมีหลักฐานตามฤดูกาล ไม่ใช่แค่หน้าจอแบบเรียลไทม์เท่านั้น HeatOps สามารถจัดโครงสร้างปริมาณความร้อน เชื้อเพลิง ไฟฟ้า พลังงานการสูบ การสูญเสียความร้อน การตอบสนองด้านความสะดวกสบาย การตอบสนองต่อเหตุการณ์ กิจกรรมการปรับปรุง และงานภาคสนามเป็นบันทึกการปฏิบัติงานเพื่อการตรวจสอบของฝ่ายบริหาร บันทึกเหล่านี้ช่วยให้ทีมสามารถเปรียบเทียบกลยุทธ์การจัดส่ง ผลลัพธ์ในการปรับปรุง ประสิทธิภาพของสถานีย่อย และส่วนเครือข่ายเมื่อเวลาผ่านไป นอกจากนี้ยังช่วยให้หารือเกี่ยวกับประสิทธิภาพด้านพลังงาน-คาร์บอนกับเจ้าของ ทีมงานในเมือง บริษัทผู้ให้บริการ และพันธมิตรด้านวิศวกรรมโดยใช้เส้นทางข้อมูลเดียวกันได้ง่ายขึ้น วิธีการบัญชี ขอบเขตการรายงาน และปัจจัยคาร์บอนยังคงเป็นแบบเฉพาะของโครงการ HeatOps ให้บริบทการปฏิบัติงานที่เชื่อมโยงกันและหลักฐานที่ตรวจสอบย้อนกลับได้ที่จำเป็นสำหรับการตรวจสอบ ## รายการตรวจสอบความพร้อมของข้อมูล ก่อนเปิดตัว โปรดตรวจสอบเงื่อนไขเหล่านี้: - SCADA, SIS, PVSS, PLC และแท็กมิเตอร์มีชื่อที่เสถียร หน่วย การประทับเวลา และความเป็นเจ้าของ - แหล่งความร้อน สถานีไฟฟ้าย่อย วาล์ว ปั๊ม มิเตอร์ อาคาร โซน และส่วนเครือข่ายสามารถแมปลงในแฝดดิจิทัลได้ - สภาพอากาศ ประวัติการบรรทุก บันทึกการร้องเรียน และคำสั่งงานสามารถเชื่อมโยงตามเวลา พื้นที่ สินทรัพย์ หรือสถานีได้ - ผู้ปฏิบัติงานและวิศวกรตกลงเกี่ยวกับกฎการอนุมัติสำหรับคำแนะนำในการจัดส่ง - ทีมงานภาคสนามสามารถบันทึกการตรวจสอบ การปรับแต่ง ภาพถ่าย การอ่าน และหลักฐานการยอมรับในลักษณะที่มีโครงสร้าง - กฎการเขียนกลับที่ได้รับการควบคุมจะได้รับการบันทึกไว้ก่อนที่จะแนะนำพาธคำสั่งใดๆ - ตัวชี้วัดนำร่องขึ้นอยู่กับบันทึกการปฏิบัติงานที่ได้รับการตรวจสอบแล้ว การเปิดตัวครั้งแรกควรใช้พื้นที่ให้บริการหรือกลุ่มสถานีย่อยที่ทีมงานมีข้อมูลเพียงพอ ความเป็นเจ้าของที่ชัดเจน และคำถามในการปฏิบัติงานบ่อยครั้ง ## จุดเริ่มต้นการปฏิบัติ | จุดเริ่มต้น | ทำไมมันถึงได้ผล | |---|---| | ภาพรวมของสถานีย่อย | ทีมสามารถเชื่อมต่ออุณหภูมิ ความดัน การไหล สถานะของปั๊ม สถานะวาล์ว ปริมาณความร้อน สัญญาณเตือน และประวัติการบริการรอบๆ กลุ่มสินทรัพย์ที่รู้จัก | | การเตรียมการแกว่งสภาพอากาศ | การคาดการณ์ความต้องการสามารถช่วยให้ผู้ปฏิบัติงานเตรียมพร้อมก่อนที่สภาพอากาศหนาวเย็น ช่วงเวลาที่อากาศอบอุ่น หรือรูปแบบการเข้าใช้ที่ผิดปกติจะส่งผลต่อการให้บริการ | | การร้องเรียนเกี่ยวกับอุณหภูมิต่ำ | บันทึกข้อร้องเรียนสามารถตรวจสอบได้จากบริบทของอาคาร สถานะของสถานีย่อย แรงกดดันของสาขา และการบำรุงรักษาที่ผ่านมา | | สัญญาณเตือนสถานีซ้ำ | การตรวจสอบด้วยความช่วยเหลือของ AI สามารถสรุปรูปแบบและย้ายปัญหาที่ยืนยันแล้วไปไว้ในงานตรวจสอบหรือบำรุงรักษาได้ | | ทบทวนการสูญเสียพลังงานและความร้อน | บันทึกตามฤดูกาลสามารถเชื่อมต่อเอาต์พุตต้นทาง พฤติกรรมของเครือข่าย สภาพฝั่งอาคาร และงานภาคสนาม | จุดเริ่มต้นเหล่านี้สร้างวงจรที่ตรวจสอบได้ก่อนที่ทีมจะขยายไปสู่การเพิ่มประสิทธิภาพหรือสถานการณ์การควบคุมที่กว้างขึ้น ## การอ้างอิงสาธารณะ [HeatOps solution page](/solutions/heatops) อธิบายขอบเขตโมดูลการทำความร้อนแบบเขตภายใน FactVerse AI Agent [Data Center Operations guide](/resources/guides/data-center-digital-twin-operations) และ [Predictive Maintenance guide](/resources/guides/predictive-maintenance-digital-twin-work-orders) อธิบายรูปแบบที่อยู่ติดกันสำหรับการเชื่อมต่อสัญญาณสิ่งอำนวยความสะดวก บริบทคู่ดิจิทัล คำสั่งงาน และการดำเนินการภาคสนามที่ได้รับการตรวจสอบแล้ว [Singtel FutureNow reference](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) แสดงบริบทแฝดดิจิทัล DataMesh ในสภาพแวดล้อมสิ่งอำนวยความสะดวกที่เชื่อมต่อ [Yokogawa and DataMesh predictive maintenance reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดงรูปแบบที่กว้างขึ้นในการเปลี่ยนสัญญาณทางอุตสาหกรรมให้เป็นการตรวจสอบการบำรุงรักษาโดยใช้ความช่วยเหลือจาก AI --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## Industrial AI Agent ต้องมีบริบทของหน้างาน โรงงาน campus, data center, ระบบ district heating, คลังสินค้า และพื้นที่ด่านต่าง ๆ ทำงานผ่านระบบกายภาพที่เชื่อมต่อกัน AI Agent ที่ใช้ได้จริงต้องเข้าใจ asset, location, live signal, ประวัติการทำงาน, procedure, work order และ responsibility record [FactVerse AI Agent](/products/factverse-ai-agent) ถูกออกแบบมาสำหรับชั้นงานปฏิบัติการนี้ ระบบใช้ฐาน digital twin ของ FactVerse ข้อมูลอุตสาหกรรมที่เชื่อมต่อ ความรู้ขององค์กร บันทึกงานจาก Inspector และเส้นทางอนุมัติโดยคน เพื่อทำให้คำแนะนำจาก AI ตรวจสอบได้ นำไปปฏิบัติได้ และปรับปรุงต่อได้ ## วงจรปฏิบัติการ 1. **เชื่อมสัญญาณและความรู้** - Data Fusion Services รวมข้อมูลอุปกรณ์ ระบบอาคาร สัญญาณ SCADA หรือ BMS ประวัติ maintenance เอกสาร SOP และระบบ enterprise 2. **ผูกกับ digital twin** - FactVerse และ Twin Engine เชื่อมข้อมูลเข้ากับ asset, space, system, relationship และ workflow state 3. **วิเคราะห์ด้วย AI Agent** - Agent ตรวจ trend, alarm, work history, operating rule และบริบทไซต์ เพื่อเตรียม finding และ next action 4. **ตรวจสอบและอนุมัติ** - Operator, engineer หรือ supervisor ยืนยันคำแนะนำตามอำนาจและระดับความเสี่ยง 5. **ปฏิบัติในพื้นที่จริง** - Inspector, Checklist, CMMS หรือ EAM และ frontline application แปลง action ที่อนุมัติแล้วเป็น work order, inspection, guided task หรือ training 6. **ส่งผลลัพธ์กลับ** - Completion note, photo, reading, exception, decision และผลหลังปฏิบัติกลายเป็น evidence สำหรับ review และ model improvement ## การทำงาน 24x7 และการเรียนรู้อย่างต่อเนื่อง เหตุการณ์ในอุตสาหกรรมเกิดขึ้นข้ามกะ วันหยุด สภาพอากาศ รอบการผลิต และช่วง maintenance window FactVerse AI Agent สามารถประมวลผลสัญญาณ alarm การอัปเดต work order บันทึก inspection และ feedback จากหน้างานได้ต่อเนื่อง ช่วยให้ทีมรับรู้การเปลี่ยนแปลงสำคัญของ asset และ workflow แม้ผู้เชี่ยวชาญไม่ได้ดู dashboard ตลอดเวลา เมื่อมีงานเสร็จมากขึ้น ระบบจะสะสมตัวอย่างของสัญญาณผิดปกติ สาเหตุที่ยืนยันแล้ว คำแนะนำที่ถูกปฏิเสธ งานซ่อมที่เสร็จ บันทึกของ operator รูปจาก inspection และค่าผลลัพธ์ ข้อมูลเหล่านี้ช่วย training, retraining, evaluation และ tuning model สำหรับ machine learning ทำให้ Agent ค่อย ๆ สอดคล้องกับข้อมูลและรูปแบบการทำงานของไซต์ลูกค้า ## โมดูลอุตสาหกรรมที่พบบ่อย | Module | ขอบเขตงาน | |---|---| | Predictive maintenance | Asset health, anomaly explanation, maintenance priority, work-order handoff และ verification record | | HeatOps | Demand review, heating-network diagnosis, dispatch support, substation work และ energy-carbon record | | Facility inspection and maintenance | Asset lookup, inspection planning, troubleshooting, evidence capture และ maintenance follow-up | | Border and logistics inspection | Spatial procedure, checklist execution, exception review, inspection record และ handoff ระหว่างทีม | | Operator guidance and training | Digital SOP, equipment procedure, task guidance, safety reminder และ training record | | Semiconductor facility operations | บริบท sub-fab และ facility equipment, utility inspection, event review และ work-order integration | ## การทำงานร่วมกันของผลิตภัณฑ์ [Data Fusion Services](/products/dfs) เตรียมฐานข้อมูล [FactVerse](/products/factverse) และ [FactVerse Twin Engine](/products/factverse-twin-engine) ให้ digital twin เชิงปฏิบัติการ [FactVerse AI Agent](/products/factverse-ai-agent) สรุปหลักฐาน เปรียบเทียบ pattern เตรียมคำแนะนำ และอธิบายสาเหตุที่เป็นไปได้ [Inspector](/products/inspector), Checklist และ CMMS หรือ EAM ที่เชื่อมต่อช่วยให้การปฏิบัติงานติดตามได้ [FactVerse Designer](/products/designer) รองรับ scene creation, layout planning, virtual planning, simulation preparation และ Physical AI workflow ## การตรวจสอบโดยคนยังอยู่ในวงจร การตัดสินใจในอุตสาหกรรมกระทบ safety, uptime, contract, compliance และอายุ asset งานความเสี่ยงต่ำอาจไปสู่ inspection หรือ work order ได้รวดเร็ว ส่วนการหยุดเครื่อง เปลี่ยน control setting เปลี่ยน process หรือ procedure ที่มีข้อกำกับ ต้องมีการอนุมัติที่เหมาะสม วงจรเดียวกันเก็บ recommendation, reviewer, approved action และ final result ไว้ได้ ## เริ่มจาก workflow ที่ตรวจสอบได้ จุดเริ่มต้นที่ดีควรมีขอบเขตชัด ข้อมูลเชื่อมได้ มี owner และวัดผลได้ เช่น กลุ่มอุปกรณ์สำคัญ เส้นทาง inspection กลุ่ม substation พื้นที่ data center ขั้นตอนคลังสินค้า หรือ operator guidance เฉพาะเรื่อง เชื่อมข้อมูลและ work record กำหนดกฎ review ส่ง finding ที่ยืนยันแล้วเข้า execution system แล้วใช้ผลลัพธ์ปรับปรุงคำแนะนำ ## Checklist สำหรับประเมิน - Signal, document และ work record เชื่อมกับ asset และ space ที่ถูกต้องหรือไม่ - AI Agent อธิบาย evidence ของ recommendation ได้หรือไม่ - Recommendation แต่ละรายการมี owner, approval path และ execution destination หรือไม่ - ทีมหน้างานบันทึก note, photo, reading, exception และ verification result ได้หรือไม่ - คำแนะนำที่ถูกปฏิเสธหรือแก้ไขถูกใช้ปรับปรุง recommendation รอบต่อไปหรือไม่ - Machine-learning update ถูก review ด้วย operational evidence หรือไม่ ## Public references [FactVerse AI Agent launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) อธิบายทิศทางสาธารณะของ DataMesh สำหรับ simulation-driven operations ส่วน [Yokogawa and DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) และ [Singtel FutureNow](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) เป็นตัวอย่าง public reference ของ operational digital twin context --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## ทำไมต้องเชื่อม FactVerse และ Omniverse Industrial simulation ต้องใช้ทั้ง operational context และ simulation environment ที่มีความละเอียดสูง ทีม operations ต้องเก็บ asset, relationships, live data, ownership และ business meaning ไว้ครบ ส่วนทีม simulation ต้องใช้ rendering, USD scenes, physical behavior และ scenario review [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) เชื่อมสองชั้นนี้เข้าด้วยกัน Factory, facility, production line หรือ logistics area สามารถเตรียมใน [FactVerse](/products/factverse) และ [FactVerse Designer](/products/designer) แล้วนำเข้าสู่ NVIDIA Omniverse ในรูปแบบ USD workflow นี่คือ Physical AI workflow ในทางปฏิบัติ digital twin คงการเชื่อมโยงกับ real assets และ operational data ส่วน Omniverse, RTX, PhysX และ Newton ช่วยตรวจ rendering, sensor context, movement, collision, layout, material flow, packaging process, robot paths และ safety-zone interaction ## Omniverse ในฐานะ foundation layer NVIDIA อธิบาย Omniverse ในปัจจุบันเป็น libraries, microservices, APIs และ SDKs บน OpenUSD สำหรับการพัฒนา Physical AI applications บทบาทนี้คล้ายกับ CUDA ที่ให้ building blocks สำหรับ accelerated computing ส่วน Omniverse ให้ building blocks สำหรับ simulation และ digital twins: OpenUSD สำหรับ interoperability และ SimReady assets, RTX สำหรับ rendering และ sensor simulation, PhysX และ Newton สำหรับ physics และ data services สำหรับ scene exchange สำหรับลูกค้า DataMesh สิ่งนี้ทำให้การแบ่งบทบาทชัดขึ้น FactVerse และ Designer สร้าง factory หรือ facility scene, asset semantics, data bindings, behavior logic และ SimReady asset preparation ส่วน Omniverse capabilities ให้ rendering, physics simulation และ data exchange layer ที่สามารถฝังใน industrial workflows, robotics simulation, partner tools หรือ custom applications NVIDIA references: - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## End-to-end workflow 1. **Build the operational twin** - model site, line, equipment hierarchy, positions, metadata, documents และ ownership ใน FactVerse 2. **Author the scenario** - สร้าง layout, process logic, behavior-tree rules, timing, routes และ variants ใน FactVerse Designer 3. **Prepare the USD layer** - จัด USD resources, materials, scene scale, coordinate systems, object identity และ version rules 4. **Transfer context to Omniverse** - ใช้ adaptor เพื่อส่ง scene structure, metadata, data bindings และ behavior context ไปยัง Omniverse 5. **Validate the scenario** - ตรวจ rendering, movement, collisions, spacing, robot paths, material flow, operator access และ process timing 6. **Record decisions** - เก็บ assumptions, findings, screenshots, scenario versions และ engineering notes สำหรับ planning, training หรือ implementation ## ข้อมูลที่ควรส่งต่อ | Layer | Value | |---|---| | Site and scene hierarchy | เก็บ buildings, zones, lines, stations และ equipment ให้เป็นระบบ | | Asset identity | เชื่อม simulation results กลับไปยัง real equipment | | Spatial relationships | รักษา position, clearance, routes, collision zones และ work areas | | Metadata and semantics | ส่งต่อ type, role, ownership, documents และ system relationships | | Data bindings | สะท้อน equipment state, sensor values, alarms และ operating signals | | Behavior logic | นำ states, sequences, routes และ timing ไปใช้ในการ validation | | Versions | เปรียบเทียบ changes, assumptions และ review results ได้ | ## USD, RTX, PhysX และ Newton USD ช่วยจัดโครงสร้าง assets, materials, variants, layers และ collaboration ใน workflow นี้ USD เป็นสะพานระหว่าง operational twin กับ Omniverse simulation RTX รองรับ high-fidelity rendering และ sensor simulation PhysX รองรับ scenarios ที่ต้องตรวจ physical behavior เช่น movement, collision, rigid body behavior, placement, packaging interaction, robot paths และ material flow ส่วน Newton เพิ่มเส้นทาง physics engine แบบ open และ extensible สำหรับ robot learning และ simulation workflows บน NVIDIA Warp และ OpenUSD คุณค่าทาง engineering มาจาก assumptions ที่ชัดเจน เช่น scale, coordinates, object properties, timing, constraints, validation goal และ review rules ## Practical use cases - High-fidelity rendering ของ factory หรือ production line ใน Omniverse - Packaging และ material flow validation ก่อน physical trials - Layout comparison สำหรับ stations, buffers, robots, conveyors และ material paths - Warehouse และ intralogistics planning ที่มี picking, staging, AGV, forklift movement และ throughput assumptions - Robotics, synthetic data และ Physical AI scenario preparation - Construction และ facility review ที่มี installation sequence, access constraints และ handover context ## บทบาทของ DataMesh products [FactVerse](/products/factverse) จัดการ operational structure, relationships, governance และ shared context [FactVerse Designer](/products/designer) สร้าง layouts, process logic, behavior trees, timeline simulation และ scenario variants [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) นำ scene structure, metadata, data bindings และ behavior context ไปสู่ Omniverse และ USD workflows [Data Fusion Services](/products/dfs) เชื่อม live และ historical data เมื่อ scenarios ต้องใช้ equipment states, sensors, alarms, production metrics หรือ enterprise context [FactVerse Twin Engine](/products/factverse-twin-engine) ให้ runtime context สำหรับ executable twins, visualization, data binding และ operational workflows ## Data readiness checklist - Scene hierarchy, asset IDs, positions และ equipment names มีความเสถียร - CAD, BIM, 3D และ USD assets มี owners และ versions - Coordinates, scale, orientation และ origin aligned แล้ว - Materials, collision properties, motion constraints และ timing ถูกบันทึกไว้ - Data bindings มี source, unit, timestamp และ update rules - Simulation goals เชื่อมกับ decisions เช่น layout approval, robot path review, packaging validation หรือ operator access - Review results บันทึกพร้อม version, assumptions, screenshots และ actions ได้ ## Public references ประกาศ [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) แสดงทิศทาง public platform สำหรับ simulation digital twins และ AI business workflows [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) เป็น public evidence สำหรับการใช้งาน FactVerse ร่วมกับ Omniverse [Gyro](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) และ [Jebsee](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) แสดง use cases ที่เกี่ยวข้องกับ production-line layout, intralogistics และ automation planning --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark readiness คือวินัยในการดำเนินงาน Singapore BCA Green Mark เป็นระบบประเมินอาคารสีเขียวสำหรับ environmental performance และ sustainable building operations Green Mark 2021 ให้ความสำคัญกับ energy performance และยังครอบคลุม maintainability, whole-life carbon, intelligence, health and wellbeing และ resilience เกณฑ์และ technical guide อย่างเป็นทางการของ BCA ยังคงเป็นแหล่งอ้างอิงหลัก สำหรับทีมอาคาร ความท้าทายอยู่ที่หลักฐานการดำเนินงาน เช่น energy data, asset relationship, maintenance history, environmental condition, improvement action และ proof ว่างานแก้ไขเสร็จแล้ว ข้อมูลเหล่านี้มักกระจายอยู่ใน BMS, meter, spreadsheet, CMMS ticket, BIM file, service report และ contractor record [DataMesh Green Transformation](/solutions/green-transformation) เชื่อมชั้นข้อมูลเหล่านี้ด้วย operational digital twin เพื่อให้ owner, operator, consultant, engineering team และ sustainability team เตรียมหลักฐาน วิเคราะห์ทางเลือก และเชื่อมงาน sustainability เข้ากับ facility operation ประจำวันใน context เดียวกัน เอกสารอ้างอิงอย่างเป็นทางการ: - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## สร้าง evidence layer ก่อนการ review การเตรียม Green Mark จะมั่นคงกว่าเมื่อทีมจัดโครงสร้างหลักฐานอย่างต่อเนื่อง Digital twin ให้ context กลางสำหรับหลักฐานเหล่านี้ พื้นฐานประกอบด้วย space, system, asset, signal และ work record [Data Fusion Services](/products/dfs) เชื่อม BMS, meter, IoT, historian, CMMS และ EAM [FactVerse](/products/factverse) map ข้อมูลเหล่านี้เข้ากับ space, asset, system และ workflow ## Brick Schema ทำให้หลักฐานตรวจสอบย้อนกลับได้ หลักฐานด้าน sustainability มีความหมายเมื่ออยู่ใน context ของ facility จริง meter reading ต้องผูกกับ meter ที่ถูกต้อง temperature trend ต้องผูกกับ zone และ sensor ที่ถูกต้อง ปัญหา chiller ต้องผูกกับ system, asset, alarm และ maintenance record ที่เกี่ยวข้อง ใน [Inspector](/products/inspector) ความสัมพันธ์ที่สอดคล้องกับ Brick Schema ช่วยอธิบาย building, floor, zone, equipment, meter, sensor, point และ system อย่างเป็นระบบ ทีมจึงเห็นได้ว่าหลักฐานเป็นของ asset ใด ข้อมูลใดรองรับหลักฐานนั้น work order ใดปิดประเด็น และทีมใดควร review ## แหล่งอ้างอิง Brick Schema ผู้อ่านที่ต้องการตรวจสอบมาตรฐานโดยตรงสามารถเริ่มจากแหล่งข้อมูลสาธารณะเหล่านี้: - [เว็บไซต์ทางการ Brick Schema](https://brickschema.org/) - ภาพรวมของ Brick ในฐานะ metadata schema แบบมาตรฐานเดียวสำหรับอาคาร พร้อมภาพอ้างอิงเบื้องต้น - [เอกสารผู้ใช้ Brick](https://docs.brickschema.org/brick/overview.html) - หลักการออกแบบและแนวคิดหลักสำหรับการ model building entity และ relationship - [Brick modeling data sources](https://docs.brickschema.org/brick/timeseries.html) - เอกสารทางการที่มี high-level telemetry data model diagram - [Brick ontology browser](https://ontology.brickschema.org/) - reference สำหรับ browse Brick class, relationship และ term - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick) - open-source schema development, release, issue และ source file ## การวิเคราะห์พลังงานและการทบทวนทางวิศวกรรม DataMesh สามารถเชื่อม BIM/IFC, weather data, operating record และ digital twin context กับ EnergyPlus-based model เพื่อเปรียบเทียบ scenario การวิเคราะห์ที่เหมาะสมรวมถึง EUI, load composition, operating hour, setpoint, retrofit option และ corrective priority การวิเคราะห์พลังงานควรเป็นข้อมูลประกอบการตัดสินใจทางวิศวกรรม pilot ที่ทำได้จริงควรสร้าง baseline ตรวจสอบข้อมูล เปรียบเทียบทางเลือก ลงมือแก้ไข และรายงานผลจาก operating record ที่ผ่านการทบทวนแล้ว ## ปิดลูปด้วย Inspector Inspector เปลี่ยน finding และ evidence request ให้เป็น inspection, task, work order, field execution, acceptance และ verification record ลูปปฏิบัติการ: 1. เชื่อม BMS, meter, asset, environment และ maintenance data 2. map asset และ point ด้วยความสัมพันธ์แบบ Brick Schema 3. review abnormal energy use, alarm, inspection gap และ missing record 4. เปรียบเทียบทางเลือกด้วย engineering review และ modeling เมื่อจำเป็น 5. สร้าง work order และ corrective action ใน Inspector 6. บันทึก completion, photo, note และ acceptance evidence 7. ตรวจ operating data อีกครั้งและเก็บ evidence trail ## เริ่มจากจุดใด เริ่มจากหนึ่งอาคาร หนึ่งโซนของ campus หรือหนึ่งกลุ่มระบบ ตัวเลือกที่ดีคือ chilled water system, HVAC operating schedule, energy meter, high-load zone หรือ asset ที่มี maintenance history เพียงพอ | Workstream | Output | |---|---| | Data audit | รายการ source สำหรับ BMS, meter, IoT, asset registry, BIM/IFC และ work order | | Semantic mapping | ความสัมพันธ์ระหว่าง space, asset, meter, sensor และ system | | Baseline review | EUI, load pattern, operating hour, anomaly และ data gap | | Scenario analysis | improvement option, model assumption และ engineering note | | Execution | Inspector work order, field record, closure และ verification evidence | --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## Data readiness มาก่อนการ scale AI โปรเจกต์ industrial AI มักติดขัดเมื่อ model อ่านเอกสารได้ แต่ระบุ asset, location, signal, work order หรือ approval rule ได้ไม่เสถียร ในงานจริง data foundation สำคัญพอ ๆ กับ model [Data Fusion Services](/products/dfs) เตรียม foundation นี้ใน FactVerse โดยเชื่อม source systems, map fields เข้ากับ digital twin entities, normalize data, calculate indicators และทำให้ context ใช้งานได้กับ [FactVerse Twin Engine](/products/factverse-twin-engine), [FactVerse AI Agent](/products/factverse-ai-agent), [Inspector](/products/inspector), dashboards และ analytics ## เริ่มจาก workflow จริง คำถามแรกควรเป็นเรื่อง operation: ต้องการปรับปรุง decision หรือ task ใด จุดเริ่มต้นที่เหมาะคือ predictive maintenance, facility inspection, data center operations, HeatOps, semiconductor facility systems, logistics equipment หรือ digital SOP execution | Workflow | ข้อมูลที่ควรเริ่มก่อน | |---|---| | Predictive maintenance | Asset hierarchy, sensor trends, alarms, maintenance history, inspection results, work-order outcomes | | Facility inspection | Space hierarchy, asset list, inspection points, checklists, photos, issue categories, closure records | | Data center | Rooms, racks, facility equipment, meters, alarms, energy readings, maintenance records, asset ownership | | HeatOps | Heat sources, substations, meters, temperature, pressure, flow, weather, dispatch logs | | Operator guidance | SOPs, task steps, equipment references, safety notes, training records, approval requirements | ## ทำ source inventory แหล่งข้อมูลทั่วไป ได้แก่ SCADA, BMS, EMS, PLC, historians, IoT platforms, MES, ERP, CMMS, EAM, GIS, BIM, meters, spreadsheets, drawings, manuals, SOP repositories, inspection tools, training systems และ document libraries สำหรับแต่ละ source ควรบันทึก owner, business purpose, connection method, available fields, update frequency, retention, units, timestamps, naming, quality risks, security และ approvals ## สร้าง asset และ space identity AI Agent workflow ต้องมี reference ที่เสถียร เช่น pump, AHU, UPS, heat exchanger, valve, crane, vehicle, room, line และ substation ต้องถูกจดจำเป็น object เดียวกันข้ามระบบ FactVerse และ Twin Engine ใช้ identity นี้เพื่อเชื่อม spaces, equipment, systems, relationships, documents, signals และ work orders ส่วน Data Fusion Services map fields และ tags ไปยัง twin objects ที่ถูกต้อง ## เตรียม signals, events และ execution records Temperature, vibration, current, pressure, flow, energy, valve state, alarm state และ equipment status ต้องมี units, timestamps, sampling rules และ quality markers ที่ชัดเจน Work orders, inspections, photos, SOP และ acceptance records ให้ execution context สำหรับ machine learning, dataset ที่ใช้ได้ต้องรวม signal, asset context, operating state, human decision, executed action และ outcome ข้อมูลเหล่านี้ช่วย training, retraining, evaluation และ recommendation tuning ## DataMesh rollout pattern 1. **Choose the workflow** - เลือก operating loop ที่มี owner และผลลัพธ์วัดได้ 2. **Inventory sources** - รวบรวม systems, tags, documents, owners, access และ quality risks 3. **Model identity** - กำหนด spaces, assets, systems, relationships และ aliases ใน FactVerse 4. **Map and normalize** - เชื่อม sources, bind fields to entities, normalize units และ timestamps 5. **Attach execution** - เชื่อม Inspector, Checklist, CMMS/EAM, SOP, evidence และ approvals 6. **Prepare AI review** - ส่ง trusted context ให้ FactVerse AI Agent 7. **Capture outcomes** - ใช้ field evidence และ post-action readings เพื่อปรับปรุง data และ model ## Checklist - Workflow มี owner และ measurable result หรือไม่ - Systems, documents, tags และ records ถูก inventory แล้วหรือไม่ - Assets และ spaces map กันได้สม่ำเสมอหรือไม่ - Units, timestamps, sampling และ quality risks ถูก document แล้วหรือไม่ - Work orders, inspections, SOP, photos และ acceptance records เชื่อมกันหรือไม่ - AI Agent อธิบาย recommendation ด้วย traceable evidence ได้หรือไม่ - Human reviews, rejected suggestions และ outcomes ถูกใช้ในการประเมิน ML หรือไม่ ## Public references [Data Fusion Services product page](/products/dfs) อธิบาย data integration layer ของ FactVerse ส่วน [FactVerse AI Agent operations loop guide](/resources/guides/factverse-ai-agent-industrial-operations-loop) อธิบายวิธีที่ AI recommendations เข้าสู่ field execution ที่มีคนตรวจสอบ ตัวอย่าง public reference ได้แก่ [Yokogawa and DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities), [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) และ [JTC](/about/news/collaboration-between-jtc-datamesh) --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## Governance เริ่มเมื่อข้อมูลเข้าสู่การตัดสินใจ Industrial data governance เริ่มเมื่อ signal, alarm, meter reading, work order, inspection note, document หรือ calculated indicator เริ่มมีผลต่อการตัดสินใจในการปฏิบัติงาน สำหรับ operational digital twin การเชื่อมต่อข้อมูลอย่างเดียวไม่พอ ทีมต้องรู้ว่าข้อมูลมาจากไหน อธิบาย asset หรือ space ใด ใช้ unit และ timestamp rule ใด ใครเป็น owner ของ mapping ค่ามีความน่าเชื่อถือหรือไม่ และ AI Agent หรือ dashboard ใดกำลังใช้ข้อมูลนั้น [Data Fusion Services](/products/dfs) สนับสนุนวินัยนี้ใน FactVerse stack โดยเชื่อมต่อ source systems, map data ไปยัง twin entities, clean และ normalize fields, compute indicators, เตรียม data marts และ bind live context เข้ากับ twin ## สิ่งที่ DFS ควรช่วย governance | Area | Practical question | Why it matters | |---|---|---| | Source | ระบบใดเป็น owner ของค่านี้ และใครอนุมัติการใช้ | ทำให้ความรับผิดชอบชัดเจน | | Access | role, site, tenant หรือ network ใดอ่านข้อมูลได้ | ปกป้องข้อมูลการปฏิบัติงานที่ sensitive | | Entity | ข้อมูลนี้อธิบาย asset, space, system หรือ workflow ใด | เปลี่ยน tag ให้เป็น operating context | | Unit and time | ใช้ unit, timezone, sampling และ aggregation rule ใด | ทำให้ trend และ comparison มีความหมาย | | Quality | ค่า missing, stale, interpolated หรือ out of range หรือไม่ | บอกความแข็งแรงของ evidence | | Lineage | connector, mapping, transform และ release ใดสร้างค่านี้ | สนับสนุน audit และ troubleshooting | | Consumers | dashboard, AI flow, report หรือ ticket ใดใช้ข้อมูลนี้ | เห็นผลกระทบก่อนเปลี่ยน tag หรือ formula | ## Governance ด้วย operational identity อุปกรณ์เดียวกันอาจมีชื่อหนึ่งใน SCADA อีกชื่อใน historian อีก ID ใน CMMS อีก label ใน BIM และชื่อเล่นจากทีมหน้างาน Governance ต้องเชื่อม alias เหล่านี้เข้ากับ operational identity ที่เสถียร FactVerse ให้ shared context สำหรับ spaces, assets, systems, relationships, documents, data bindings และ workflows ส่วน Data Fusion Services map source fields และ tags เข้ากับ context นั้น เพื่อให้แต่ละค่าผูกกับ physical object และ operating loop ที่ถูกต้อง Identity governance ควรครอบคลุม site, building, floor, zone, room, line, route, asset class, asset ID, owner, lifecycle state, system relationships, aliases, documents, SOPs, inspection points, work-order references และ permission boundaries ## Data quality, lineage และ change control Time-series values และ events เปลี่ยนตลอดเวลา ควรมีกฎสำหรับ missing values, stale thresholds, unit conversion, timestamps, sampling, aggregation, outliers, sensor replacement, alarm logic และ calculated indicators ข้อมูลอุตสาหกรรมมักเปลี่ยนแบบเงียบ ๆ เช่น BMS point ถูก rename, meter ถูก replace, historian tag ถูกย้าย, CMMS field เปลี่ยนความหมาย หรือ KPI formula ถูกปรับ Twin อาจยังดูถูกต้อง แต่ data context ข้างใต้เริ่มผิด Change record ควรมี source, connector, tag หรือ formula ที่เปลี่ยน, affected assets และ workflows, downstream consumers, reviewer, approval status, effective date, rollback option และ validation evidence ## Access, evidence และ machine learning Operational data อาจมี restricted rooms, customer-specific layouts, production states, equipment health, energy profiles, maintenance findings และ service records ดังนั้น access boundary ต้องยังชัดเจนเมื่อข้อมูลเข้าสู่ twin [Inspector](/products/inspector) และ connected work systems บันทึกว่าใคร review finding, ทำ action อะไร, capture evidence อะไร และ condition ดีขึ้นหรือไม่ Records เหล่านี้กลายเป็น governance data สำหรับ AI review และ machine learning รอบถัดไป Machine learning ต้องการ signal, asset context, operating state, human decision, action และ outcome พร้อมกัน Governance ควรรักษา feature definitions, quality filters, labels จาก work orders, model versions, rejected suggestions และ post-action results ## DataMesh rollout pattern 1. **Choose one decision loop** - predictive maintenance, facility inspection, data center asset review, energy evidence หรือ digital SOP execution 2. **Name data owners** - source, identity, mapping, quality, calculation, access และ downstream workflows 3. **Map operational identity** - align spaces, assets, systems, relationships, documents, workflows และ aliases ใน FactVerse 4. **Connect and govern data** - ใช้ Data Fusion Services เพื่อ connect, map, normalize, align timestamps, compute และ mark quality 5. **Register consumers** - dashboards, AI Agent routines, Inspector forms, reports และ ML datasets 6. **Review changes before release** - tag, formula, connector และ permission changes 7. **Capture outcomes** - field evidence, review decisions และ post-action values 8. **Improve the rules** - exceptions, failed mappings, stale data, rejected AI suggestions และ field feedback ## Governance checklist - แต่ละ source มี business owner และ technical owner หรือไม่ - asset, space, system และ workflow identities consistent ข้ามระบบหรือไม่ - units, timestamps, sampling และ quality rules มองเห็นได้หรือไม่ - calculated indicators มี formula, owner และ review date หรือไม่ - lineage จาก connector ถึง downstream consumer ถูกเก็บไว้หรือไม่ - dashboards, AI Agents, reports และ datasets ถูก register หรือไม่ - sensitive spaces, customer records และ restricted documents ถูกป้องกันด้วย role หรือไม่ - field evidence และ work-order outcomes ใช้สำหรับ review และ ML ได้หรือไม่ ## Public references [Data Fusion Services product page](/products/dfs) อธิบาย data integration layer ของ FactVerse [Data Readiness guide](/resources/guides/industrial-ai-agent-digital-twin-data-readiness), [Operational Digital Twin Model Governance guide](/resources/guides/operational-digital-twin-model-governance-after-go-live) และ [Industrial Knowledge Graphs guide](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) อธิบายพื้นฐานที่เกี่ยวข้อง --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## ชั้นที่ขาดคือความหมาย Industrial AI ต้องรู้ว่าคำถามกำลังพูดถึงอะไร คำอย่าง "chiller 2", "line 4", "cleanroom humidity" หรือ "pump behind the alarm" ต้อง map ไปยัง asset, space, signal, document และ owner จริง. Industrial knowledge graph ให้ semantic layer นี้ โดยเชื่อมวัตถุใน site และบันทึกความสัมพันธ์ระหว่างวัตถุ [FactVerse](/products/factverse) ใช้โมเดลแบบนี้เพื่อให้ digital twin scenes, operational data, documents และ AI reasoning อ้างอิง physical context เดียวกัน. ## สิ่งที่ graph ควร model | Model area | Typical entities | |---|---| | Spatial structure | site, building, floor, room, zone, line, rack, bay, outdoor area | | Physical assets | equipment, meters, sensors, valves, pumps, robots, vehicles | | Systems | HVAC, chilled water, compressed air, power, process utility, safety, logistics flow | | Data points | telemetry tags, alarms, calculated indicators, setpoints, status values | | Knowledge objects | SOP, manuals, drawings, BIM/CAD references, inspection templates | | Events | alarms, inspections, maintenance, approvals, handover records | | Responsibility | owner, operator, service team, reviewer, risk class, permission boundary | คุณค่าของ model ชัดเจนเมื่อมันตอบคำถามเกี่ยวกับ relationships ได้. ## ตัวอย่างความสัมพันธ์ | Relationship | Question it supports | |---|---| | asset located in space | Equipment behind this alarm อยู่ที่ไหน | | equipment serves zone | AHU นี้ส่งผลต่อพื้นที่ใด | | point measures equipment | Sensor ใดสร้าง trend นี้ | | meter measures system | Energy reading นี้เป็นของ chilled water loop ใด | | equipment belongs to system | Upstream และ downstream assets ใดเกี่ยวข้อง | | asset has procedure | SOP ใดใช้ก่อน inspection หรือ maintenance | Relationships เหล่านี้ให้ AI Agent เดินจากคำถามไปสู่ evidence. ## การใช้งานใน FactVerse [Data Fusion Services](/products/dfs) map source-system names, tags, documents และ records เข้าสู่ model ที่สอดคล้องกัน Pump, meter หรือ room เดียวกันอาจมีชื่อไม่เหมือนกันใน BMS, SCADA, CMMS, BIM, spreadsheets และ drawings. [FactVerse Twin Engine](/products/factverse-twin-engine) เชื่อม identity นี้กับ spatial model ทำให้ signal แสดงบน 3D object ที่ถูกต้อง document ผูกกับ asset ที่ถูกต้อง และ system relationships ตรวจดูเป็น network ได้. [FactVerse AI Agent](/products/factverse-ai-agent) สามารถ retrieve evidence ตาม graph: จาก alarm ไป asset จาก asset ไป system จาก system ไป affected zones แล้วต่อไปยัง SOP และ historical records. ## Brick Schema และ facility semantics สำหรับ buildings และ facilities, [Brick Schema](https://brickschema.org/) เป็น public reference ที่มีประโยชน์สำหรับ modeling equipment, points, locations, meters, sensors และ relationships. DataMesh สามารถ align facility models กับ Brick-style semantics เมื่อช่วยลด ambiguity ได้ Industrial sites ที่กว้างขึ้นมักต้องเพิ่ม production lines, sub-fab systems, logistics areas, clean utilities, warehouse zones, robotics cells, operator stations และ simulation assets. ## AI Grounding และ explainable retrieval Knowledge graphs ทำให้ AI Agent answers traceable มากขึ้น AI Agent สามารถใช้ graph เพื่อจำกัด evidence scope ก่อนอ่าน documents และ records. ถ้า facility engineer ถามว่าทำไม zone หนึ่งมี humidity alarms ซ้ำๆ graph สามารถระบุ zone, sensors, AHU ที่ serve zone นั้น, chilled water assets ที่เกี่ยวข้อง, recent alarms, inspection records และ relevant SOP ได้ จากนั้น AI Agent สรุป evidence โดยอ้างถึง objects และ records เหล่านี้. ## Governance Knowledge graph ต้องมีการดูแลต่อเนื่อง Renovations, equipment replacement และ system reconfiguration จะเปลี่ยน asset IDs, aliases, relationships, point mappings และ document links. Governance ควรครอบคลุม source of truth, naming rules, relationship ownership, evidence provenance, confidence ของ imported mappings, role-based access และ change history. ## Focused starting model | Question type | Minimum semantic scope | |---|---| | Asset context | asset, location, system, owner, documents, live points | | Facility condition | zone, equipment serving the zone, sensors, alarms, control points | | Energy review | meter, system, space, equipment group, calculated indicator | | SOP lookup | asset class, task type, SOP, safety note, required role | | Cause review | event, related asset, upstream and downstream systems, recent records | ขยาย model หลังจาก model แรกตอบคำถามจริงได้อย่างน่าเชื่อถือ. ## Public references [FactVerse product page](/products/factverse) อธิบาย platform layer ที่เชื่อม Twin Engine, AI Agent, Data Fusion Services และ applications. [Green Mark and Brick Schema guide](/resources/guides/green-mark-digital-twin-brick-schema) แสดงวิธีใช้ Brick-style facility semantics เพื่อช่วย trace operational evidence. --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## ทำไม industrial synthetic data ต้องมี digital twin Real-world robot data มีคุณค่าสูง แต่ใน industrial sites การเก็บข้อมูล การทำซ้ำ และการครอบคลุม operating states จำนวนมากใช้ effort สูง Facility มี long-tail states เช่น aisle ถูกกีดขวางชั่วคราว, pallet เปลี่ยนตำแหน่ง, cabinet เปิด, lighting เปลี่ยน, people movement, shift-level process change และ equipment state ที่เกิดขึ้นช่วงสั้น Synthetic data ช่วยให้ทีมครอบคลุม variation เหล่านี้ใน environment ที่ควบคุมได้ สำหรับ industrial Physical AI ข้อมูลควรมาจาก scene ที่เข้าใจ assets, geometry, operating rules, sensor positions, task goals และ process state Digital twin ให้ context นี้กับ data pipeline [DataMesh Robotics](/products/robotics) ใช้ DataMesh stack เพื่อเตรียม industrial scenes, generate multimodal training data และเชื่อม outputs เข้ากับ robotics simulation และ training workflows ## industrial scene ต้องมีข้อมูลอะไร | Layer | สิ่งที่ pipeline ต้องใช้ | |---|---| | Asset identity | equipment names, object types, model versions และ link กลับไปที่ operational twin | | Spatial context | zones, lanes, access areas, clearances, coordinates และ safety regions | | Process state | line status, station state, work step, exception state และ event timing | | Sensor setup | camera, depth, LiDAR, robot pose, field of view, calibration, noise model และ sampling rules | | Physical attributes | mass, friction, joints, constraints, material behavior และ contact assumptions | | Labels and metadata | segmentation, bounding boxes, instance IDs, depth, pose, trajectory, task state และ scene variables | | Review records | dataset version, scene version, assumptions, generation recipe, quality findings และ approval notes | โครงสร้างนี้ช่วยให้ robotics teams อธิบาย dataset, reproduce และปรับเปลี่ยนได้ง่ายขึ้น ## DataMesh workflow 1. **Model environment** - สร้าง factory, facility, warehouse, workcell หรือ inspection area ใน FactVerse พร้อม assets, zones, metadata และ relationships 2. **Author scene behavior** - ใช้ FactVerse Designer กำหนด layout variants, process logic, object motion, task steps, event triggers และ scenario timing 3. **Prepare simulation assets** - จัด CAD, BIM, 3D, OpenUSD, materials, scale, coordinate systems และ SimReady preparation rules 4. **Configure sensors and tasks** - กำหนด cameras, depth sensors, robot viewpoints, target objects, task goals, success conditions และ constraints 5. **Generate labeled data** - สร้าง RGB, depth, segmentation, bounding boxes, instance IDs, poses, trajectories, process state และ scene metadata 6. **Export to training stacks** - package datasets และ scene assets สำหรับ robotics training, evaluation, Isaac Sim / Omniverse workflows หรือ enterprise toolchains 7. **Review and iterate** - ติดตาม data quality, scene coverage, label consistency, task coverage และ downstream evaluation results ## บทบาทของ DataMesh stack [FactVerse](/products/factverse) เป็น operational twin foundation ที่เก็บ site structure, assets, relationships, data context, permissions และ scenario records [FactVerse Twin Engine](/products/factverse-twin-engine) ให้ runtime context สำหรับ executable twins เช่น geometry, data binding, behavior และ interaction state [FactVerse Designer](/products/designer) เป็น authoring environment สำหรับ layouts, process logic, behavior trees, task steps และ scenario variants [DataMesh Robotics](/products/robotics) โฟกัส synthetic data generation, label output, task definition, reward setup และ robotics pipeline preparation [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) เชื่อม FactVerse scenes กับ OpenUSD และ Omniverse workflows สำหรับ rendering, sensor simulation, physics validation และ external simulation tools [Data Fusion Services](/products/dfs) เชื่อม live และ historical operational data เมื่อ scenario ต้องใช้ equipment state, alarms, production signals หรือ facility context ## dataset specification checklist - target robot, sensor, model family หรือ downstream training stack - environment scope, scene version, asset list และ coordinate system - task scope, target objects, process states และ success criteria - sensor configuration, camera paths, viewpoints, calibration และ noise assumptions - variation rules สำหรับ lighting, materials, object placement, equipment state, route state และ process timing - required outputs เช่น RGB, depth, segmentation, bounding boxes, pose, trajectory และ scene metadata - quality checks สำหรับ label consistency, class coverage, spatial accuracy และ scenario coverage - export format, naming rules, dataset version และ review owner ## Practical starting points - **Perception datasets**: labeled images และ depth data สำหรับ industrial objects, equipment, tools, pallets, signage, fixtures และ work zones - **Inspection workflows**: viewpoints และ labels สำหรับ assets, panels, gauges, pipes, cabinets และ hard-to-reach areas - **Mobile robot scenarios**: lanes, obstacles, route state, staging areas, docking points และ changing facility conditions - **Manipulation and contact tasks**: object pose, material behavior, grasp constraints, contact state และ task sequence - **Factory and warehouse planning**: layout variants, material flow, robot paths และ operational constraints ก่อน physical trials ## Quality and governance metrics - Scene coverage ใน target areas, object classes และ process states - Label consistency ระหว่าง generated frames และ scenario versions - Variation coverage สำหรับ lighting, placement, occlusion, object state และ sensor pose - Physical consistency สำหรับ scale, collision, contact, route state และ timing - Integration quality ใน downstream simulator หรือ training stack - Traceability จาก dataset version กลับไปยัง scene version, generation recipe และ assumptions - Lessons จาก downstream model evaluation หรือ robotics simulation review ## Public references [DataMesh Robotics launch](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) อธิบายทิศทาง public สำหรับ synthetic training data, executable industrial twins, task objectives, reward setup และ robotics pipeline preparation [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) แสดง DataMesh simulation digital twins ในบริบทของ FactVerse และ NVIDIA Omniverse workflows [FactVerse and NVIDIA Omniverse platform article](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) อธิบายวิธีที่ FactVerse scene context เชื่อมกับ Omniverse สำหรับ simulation digital twin workflows --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## ความถูกต้องคือการทำงานต่อเนื่อง มูลค่าของดิจิทัลทวินหลัง Go-Live ขึ้นอยู่กับการคงความสอดคล้องกับสถานที่จริง อุปกรณ์ถูกเปลี่ยน ห้องถูกปรับ เซ็นเซอร์เปลี่ยนชื่อ เส้นทางบำรุงรักษาปรับใหม่ ขั้นตอนงานและสิทธิ์เข้าถึงก็เปลี่ยนตามเวลา การกำกับโมเดลกำหนดเจ้าของแต่ละชั้น การเปลี่ยนแปลงที่ต้องอัปเดต วิธีตรวจทาน การเผยแพร่เวอร์ชัน และวิธีที่แอปใช้เวอร์ชันที่อนุมัติแล้ว สำหรับ AI Agent และ Physical AI การกำกับนี้ปกป้องบริบทที่ใช้ในการ reasoning, simulation และการตรวจทานคำแนะนำ ## สิ่งที่เปลี่ยนหลัง Go-Live | แหล่งการเปลี่ยน | ผลต่อการกำกับ | |---|---| | เปลี่ยนอุปกรณ์ | รหัสสินทรัพย์ เรขาคณิต เอกสาร ประวัติ และข้อมูลผูก | | เปลี่ยนห้องหรือ layout | ลำดับชั้นพื้นที่ เส้นทาง ขอบเขตความปลอดภัย สิทธิ์ | | เปลี่ยนชื่อ sensor หรือ meter | DFS mapping หน่วย ประวัติ trend และ dashboard | | อัปเดตขั้นตอนงาน | ลิงก์ SOP template ตรวจสอบ คำแนะนำ และกฎอนุมัติ | | ปรับปรุงหรือขยายพื้นที่ | BIM, CAD, point cloud และเวอร์ชัน as-built | | เปลี่ยนความสัมพันธ์ระบบ | dependency พื้นที่ได้รับผล และบริบท alarm | | เปลี่ยนสิทธิ์ | ห้องอ่อนไหว พื้นที่เฉพาะลูกค้า และ record จำกัด | การเปลี่ยนเหล่านี้ควรเข้าสู่คิวที่ควบคุมได้ ## กำกับเป็นชั้น | ชั้นของทวิน | สิ่งที่ต้องกำกับ | |---|---| | โมเดลพื้นที่ | site, building, floor, room, zone, route, access, safety boundary | | โมเดลสินทรัพย์ | asset ID, name, class, hierarchy, owner, lifecycle state | | โมเดลระบบ | power, cooling, air, water, utilities, logistics, control | | เรขาคณิต | BIM, CAD, 3D, point cloud, source version, model weight, LOD | | การผูกข้อมูล | sensors, meters, alarms, status, calculated indicators, refresh rules | | เอกสารและ SOP | manuals, drawings, work instructions, inspection templates | | สิทธิ์ | roles, sensitive spaces, customer layouts, restricted documents | | ฉากแอป | Designer scenes, Inspector forms, dashboards, training, simulations | มุมมองแบบชั้นช่วยให้การดูแลโมเดลเป็นกระบวนการปฏิบัติการ ## กระบวนการอัปเดต 1. **เก็บการเปลี่ยนแปลง** - หน้างาน โครงการ inspection, CMMS, BMS หรือ point cloud review สร้าง request 2. **จัดประเภทผลกระทบ** - geometry, asset identity, system relation, data, document, permission หรือ scene 3. **อัปเดตแหล่งข้อมูลหลัก** - asset register, BIM/CAD, point cloud, mapping, document repository หรือ procedure library 4. **เตรียม release ของ twin** - Designer, Twin Engine และ Data Fusion Services อัปเดต runtime model 5. **ตรวจด้วยหลักฐานหน้างาน** - position, ID, data binding, visual state, document link และ permission 6. **เผยแพร่เวอร์ชัน** - เวอร์ชันอนุมัติพร้อม release note, reviewer, affected area และ rollback reference 7. **แจ้งผู้ใช้ปลายทาง** - dashboard, Inspector, AI Agent, simulation และ training ใช้เวอร์ชันอนุมัติ 8. **ตรวจผลลัพธ์** - ยืนยันว่าความไม่ตรงกันของหน้างานได้รับการแก้ไข ## ข้อมูลต้องตรวจแยก data binding อาจเสียโดยที่ภาพ 3D ยังดูถูกต้อง tag ถูกเปลี่ยน meter ถูกแทน sampling interval หรือสูตรคำนวณเปลี่ยนได้ [Data Fusion Services](/products/dfs) ช่วยจัดการ mapping ระหว่าง source system และ twin entity binding สำคัญควรมี source, tag, unit, timestamp rule, quality, refresh frequency และ owner สำหรับ AI Agent ความสามารถในการตามรอยนี้สำคัญ เพราะคำแนะนำอิงความสัมพันธ์ระหว่าง signal, asset, space, document และ field history ## หลักฐานหน้างานปิดวงจร [Inspector](/products/inspector) บันทึก issue, photo, inspection finding, corrective action และ work record บน asset หรือ space ที่เกี่ยวข้องได้ หลักฐานที่มีประโยชน์ ได้แก่ ภาพปัจจุบัน รหัสสินทรัพย์ที่เห็น ห้องหรือเส้นทาง workflow ที่ได้รับผล correction ที่เสนอ urgency reviewer และ closure record การดูแลโมเดลจึงกลายเป็นกระบวนการที่ตรวจสอบได้ ## Governance สำหรับ AI และ simulation AI Agent, simulation และ Physical AI ควรใช้บริบทโมเดลที่อนุมัติแล้ว เวอร์ชันโมเดลควรบอกว่า geometry, asset relation, data binding, document และ scenario assumption ใดถูกใช้ตอนสร้างคำแนะนำหรือผล simulation การตามรอยนี้ช่วยเปรียบเทียบ release และแยกว่าเกิดจาก operational change, data quality, model update หรือ AI workflow change ## จังหวะปฏิบัติการ * ตรวจความไม่ตรงกันเร่งด่วนและ binding ที่เสียทุกวัน * ตรวจ asset, document, permission และ workflow ทุกสัปดาห์ * ตรวจ model quality และ source drift ทุกเดือน * เก็บ release note ทุก production update * เก็บ rollback reference สำหรับการเปลี่ยนใหญ่ * ตั้ง owner สำหรับ site, system และ asset library ## Checklist * ทุก space, asset, system และ data binding มี owner หรือไม่ * field change เข้าผ่านทางที่อนุมัติหรือไม่ * source ถูกอัปเดตก่อน runtime twin หรือไม่ * version มี release note และ reviewer หรือไม่ * sensitive space และ restricted document ถูกป้องกันหรือไม่ * Inspector evidence กระตุ้น model update ได้หรือไม่ * AI Agent และ simulation อ้างอิง model version ที่ใช้ได้หรือไม่ ## แหล่งอ้างอิงสาธารณะ [คู่มือ BIM, CAD และ point cloud asset pipeline](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline) อธิบายการเตรียมก่อน Go-Live [คู่มือ Data Readiness](/resources/guides/industrial-ai-agent-digital-twin-data-readiness) อธิบายพื้นฐานข้อมูลสำหรับ AI Agent และ operational twin [คู่มือ Industrial Knowledge Graphs](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins) อธิบาย semantic relationship ระหว่าง asset, space, system, signal, document และ AI reasoning --- ## [GUIDES] Pharma Operator Training และ Digital SOP สำหรับ GMP/CSV Evidence ## Regulated operations ยังต้องพึ่ง operator ที่มีทักษะ Pharma และ biopharma facility ผสาน automated equipment, controlled room, utilities, quality system และ skilled human execution เข้าด้วยกัน หลาย production step ยังต้องอาศัย operator ที่ผ่านการฝึกสำหรับ setup, cleaning, sampling, weighing, assembly, disassembly, line clearance, inspection, handoff และ exception response. ความท้าทายหลักคือความสม่ำเสมอของ execution. ทีมต้องใช้ procedure version, equipment context, visual reference, safety note, role instruction และ evidence record ชุดเดียวกันข้าม shift, site และ training cohort. Digital twin-based SOP workflow ให้ operating context ร่วมกัน โดยเชื่อม space, equipment, procedure step, training record, inspection task, work order, photo, review note และ change history รอบ asset และ process area จริง. ## Digital SOP ควรมีอะไรบ้าง | Layer | Operating detail | |---|---| | Procedure version | Approved SOP, revision, effective date, training audience และ owner | | Spatial context | Room, zone, equipment, utility connection, access path และ safety boundary | | Task steps | Setup, material preparation, cleaning, sampling, inspection, confirmation, handoff และ closeout | | Visual guidance | 3D model, animation, label, image, video, checkpoint และ operator prompt | | Role and training | Required role, training completion, assessment result, refresher cycle และ cohort history | | Execution record | Operator, time, asset, step status, photo, note, exception, work order และ verification | | Change history | SOP revision, asset change, content review, training update และ approval route | เป้าหมายคือ record ที่บอกได้ว่าใช้ procedure version ใด ใช้กับ asset หรือ area ใด ใครผ่าน training แล้ว ทำอะไร สังเกตอะไร และผลถูก review อย่างไร. ## DataMesh workflow 1. **รวบรวม procedure source** - รวม SOP, work instruction, training material, equipment model, photo, video, asset list, room context, maintenance record และ quality review requirement. 2. **สร้าง operating context** - ใช้ FactVerse เชื่อม room, equipment, utilities, document, process area, asset history และ role ownership. 3. **สร้าง guided procedure** - ใช้ Director สร้าง 3D SOP, training scenario, step prompt, checkpoint, animation, label และ content ที่พร้อม review. 4. **ส่งมอบ training และ field guidance** - ใช้ DataMesh One และ mobile หรือ XR device เพื่อให้ operator เรียนและทำงานใน asset context เดียวกัน. 5. **เก็บ execution evidence** - ใช้ Inspector และ Checklist บันทึก inspection, task, photo, note, exception, corrective action, work order และ verification status. 6. **เชื่อม operational data** - ใช้ Data Fusion Services ผูก asset state, alarm, maintenance history, document และ enterprise record เมื่อ workflow ต้องใช้ข้อมูลเหล่านี้. 7. **Review และปรับปรุง** - ใช้ record ที่สอดคล้องกันเพื่อสนับสนุน quality review, retraining, abnormal event analysis, maintenance closure และ CSV evidence preparation. Operations, quality, training และ engineering จึงมี trace ที่ review ได้ตั้งแต่ training ถึง execution. ## จุดเริ่มต้นที่พบบ่อย - **Operator onboarding**: สอน room layout, equipment identity, clean execution expectation และ handoff ที่พบบ่อยก่อนเริ่มงาน production. - **Setup และ changeover**: ใช้ visual check นำทาง setup, assembly, disassembly, verification และ line clearance. - **Cleaning และ inspection**: เชื่อม step guidance, photo evidence, inspection result และ corrective action เข้ากับ asset หรือ area ที่เกี่ยวข้อง. - **Sampling และ weighing**: ให้ guided prompt, equipment context, role instruction และ completion record สำหรับงานที่ทำซ้ำ. - **Maintenance และ calibration support**: เชื่อม equipment history, field task, work order, acceptance note และ SOP reference. - **Deviation และ abnormal review**: จัดโครงสร้างว่าเกิดอะไรขึ้น เกิดที่ไหน เกี่ยวกับ step ใด และ follow-up ใดเสร็จแล้ว. Pilot ที่ดีควรเป็น procedure ที่มี training burden สูง handoff issue เกิดซ้ำ หรือ evidence requirement ชัดเจน. ## GMP และ CSV evidence structure GMP program ต้องการ manufacturing practice ที่ controlled, repeatable และ traceable. สำหรับ SOP execution หมายถึง version ownership ที่ชัด trained personnel, approved work step, reliable record และ reviewable exception. CSV program มุ่งที่ computerized system ใน regulated workflow. สำหรับ digital SOP และ inspection workflow evidence ที่มีประโยชน์ประกอบด้วย intended use, system scope, access role, version control, workflow record, change history, test evidence และ quality review material. DataMesh สนับสนุน evidence structure นี้ด้วยการเชื่อม procedure, training completion, work record, inspection evidence, asset history, corrective action และ change record เข้ากับ process และ equipment context. ## Product roles [Director](/products/director) สร้าง guided 3D SOP, training scenario, animation, label, checkpoint และ field instruction. [Inspector](/products/inspector) จัดการ inspection, work order, repair record, evidence capture, verification และ field history. [Checklist](/products/checklist) รองรับ recurring task, structured form, completion record และ mobile execution. [FactVerse](/products/factverse) ให้ operating digital twin context สำหรับ space, asset, document, workflow และ data binding. [Data Fusion Services](/products/dfs) เชื่อม DCS, SCADA, historian, CMMS, EAM, LIMS, alarm, sensor, document และ enterprise system เมื่ออยู่ใน scope ของ data integration. [FactVerse AI Agent](/products/factverse-ai-agent) ช่วยสรุป repeated issue, abnormal trend และ related work history ให้ทีมที่มีคุณสมบัติเหมาะสมใช้ review. ## Governance checklist - SOP version, owner, effective date และ training audience ถูกบันทึกแล้วหรือไม่? - Room, equipment, utility, document และ asset identifier สอดคล้องกันในหลายระบบหรือไม่? - Training completion, assessment และ refresher record เชื่อมกับ procedure version ที่ถูกต้องหรือไม่? - Field task เชื่อมกับ asset, area, step, operator role และ review status ที่ถูกต้องหรือไม่? - Photo, note, exception, corrective action และ verification record มี structure สำหรับ review ในอนาคตหรือไม่? - Access role, content approval, change review และ release control ถูก document แล้วหรือไม่? - System scope, intended use, version history และ test record พร้อมสำหรับ CSV preparation หรือไม่? - Quality, operations, training, engineering และ maintenance owner align กันก่อน rollout หรือไม่? Checklist เหล่านี้ช่วยเปลี่ยน digital SOP content ให้เป็น operating evidence system. ## Public references [Swire Coca-Cola reference](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) แสดง maintenance process และ frontline training digitization. [Foxconn reference](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) แสดงการใช้ FactVerse สำหรับ training และ maintenance workflow. [Expressway safety training reference](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) แสดงการใช้ digital twin และ mixed reality เพื่อเพิ่มคุณภาพ practical training. [Yokogawa and DataMesh reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดง pattern ของการเชื่อม industrial facility signal เข้ากับ maintenance review. --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## Faster middle layer สำหรับ process validation Production-line และ packaging projects มักสลับระหว่าง static layouts, discrete-event simulation, finite element analysis, CFD และ physical trials. ปัญหาจริงจำนวนมากอยู่ตรงกลาง เช่น package orientation, collision, sliding, stacking, handoff timing, robot access, operator reach และ equipment interaction. Modern workflows ที่เชื่อม Omniverse, NVIDIA Isaac Sim, PhysX และ Newton สร้าง middle layer ที่เร็วกว่า Engineering และ operations teams สามารถทดสอบ physical scenarios ได้มากขึ้นใน digital twin แล้วเลือกเฉพาะ case สำคัญไปทำ detailed analysis หรือ physical trial. Accuracy target ต่างจาก calibrated finite element model. Value อยู่ที่ speed, scenario coverage, shared review และ early issue discovery. สำหรับ DataMesh workflow นี้ต่อยอดจาก [FactVerse Designer](/products/designer). Designer สร้าง production scene, process logic, behavior trees, layout variants และ timeline scenarios. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) นำ context เหล่านี้เข้าสู่ OpenUSD และ Omniverse workflows. จากนั้นทีมสามารถเตรียม Isaac Sim scenes ที่มี PhysX physics, RTX rendering, robot models และ sensors; เมื่อ scenario ไปสู่ robotics หรือ Physical AI สามารถต่อเข้ากับ Isaac Lab หรือ Newton paths. ## Traditional simulation ช้าตรงไหน | Method | ใช้สำหรับ | ข้อจำกัดทั่วไป | |---|---|---| | Static layout | Space, equipment placement, access, alignment | มี evidence เรื่อง motion และ interaction จำกัด | | Discrete-event simulation | Throughput, queueing, utilization, buffers, resources | Geometry และ physics behavior ถูก simplify | | Finite element analysis | Stress, deformation, material response, structure | Model preparation และ compute cycle ยาวกว่า | | CFD | Air, fluid, thermal, pressure, contamination | ต้องใช้ specialized models และ iteration ยาว | | Physical trials | Final process confidence และ operator feedback | Cost, schedule, safety และ scenario coverage จำกัด | Physics-based process simulation ช่วยตอบคำถามเร็วขึ้น เช่น carton ชน guide rail, tray เอียง, robot handoff ช้า หรือ conveyor buffer เต็ม แล้วทีมหน้างานจะเห็นอะไร. ## Isaac Sim, PhysX และ Newton เพิ่มคุณค่าอะไร NVIDIA อธิบาย Isaac Sim ว่าเป็น open source reference framework ที่สร้างบน Omniverse libraries สำหรับ robotics simulation, testing และ synthetic data generation ใน physically based virtual environments. Isaac Sim สามารถ ingest CAD, URDF, MJCF และ captured scene context, แปลงเป็น USD แล้วประกอบ scenes ที่มี materials, physics, robot models และ sensors. PhysX เป็น physics foundation ใน Isaac และ Omniverse path. Isaac Sim documentation ของ NVIDIA อธิบาย core simulation ว่าเป็น high-fidelity GPU-based PhysX engine พร้อม multi-sensor RTX rendering ใน industrial scale. สำหรับ production line teams สิ่งนี้ช่วย review motion, collision, rigid-body behavior, placement, material flow, clearance, robot reach และ safety zones. Isaac Lab และ Newton ขยาย workflow ไปสู่ robot learning และ contact-rich simulation. NVIDIA อธิบาย Isaac Lab ว่าเป็น open source, GPU-accelerated, modular framework สำหรับ robot learning. NVIDIA อธิบาย Newton ว่าเป็น open, extensible physics engine บน Warp และ OpenUSD โดย public direction รวม GPU acceleration, differentiable physics, pluggable solvers, rigid-body และ deformable simulation รวมถึง Isaac integration. สิ่งนี้สำคัญเมื่อ process simulation ไปแตะ robot policies, tactile contact, flexible materials, packaging deformation, cables หรือ Physical AI workflows. Physics depth ควรเลือกตาม decision. Packaging layout review อาจใช้ fast motion และ collision checks. Robot insertion task อาจต้องใช้ stronger contact model. Material failure question ควรเข้าสู่ specialized engineering analysis. ## Packaging process validation Packaging เป็น use case ที่ดีเพราะ physical detail เล็ก ๆ เปลี่ยน operating result ได้ Virtual trial สามารถสำรวจ: * package orientation, spacing และ handoff timing * conveyor speed, guide rails, diverters, stops และ buffer behavior * tray, carton, bottle, pouch หรือ case movement ผ่าน equipment * sliding, tipping, stacking, bouncing, contact และ collision patterns * robot reach, gripper approach, work envelope และ safety zones * operator reach, maintenance access, jam recovery และ inspection viewpoints * line variants ก่อนย้าย equipment หรือเปลี่ยน tooling เป้าหมายคือ early screening. ทีมเปรียบเทียบ options ได้มากขึ้น พบ physical issues ชัดเจนเร็วขึ้น และเตรียมคำถามที่ดีขึ้นสำหรับ detailed validation. ## DataMesh workflow 1. **Build operational scene** - model line, packaging cell, equipment, stations, buffers, routes, access areas และ asset identities ใน FactVerse. 2. **Author process logic** - ใช้ Designer กำหนด behavior trees, timing, state transitions, material routes, faults, recovery steps และ variants. 3. **Prepare simulation assets** - align scale, coordinates, collision geometry, material assumptions, mass, friction, constraints และ version records. 4. **Move into physics workflow** - ใช้ FactVerse Adaptor for NVIDIA Omniverse เพื่อนำ scene context เข้า OpenUSD และ Omniverse. เมื่อมี robotics ใน scope ให้เตรียม Isaac Sim scenes ที่มี physics, materials, robot models และ sensors. 5. **Run fast virtual trials** - review motion, collision, contact, placement, handoffs, buffer behavior, operator access และ robot interaction ผ่าน Omniverse, Isaac Sim, PhysX หรือ Newton path ที่เหมาะสม. 6. **Compare scenarios** - record ว่า layout, timing, material หรือ equipment variant ใดทำงานดีกว่าภายใต้ assumptions. 7. **Escalate selected cases** - ส่ง critical cases ไป finite element analysis, CFD, vendor engineering หรือ physical trials. 8. **Keep evidence** - เก็บ assumptions, settings, results, screenshots, issue records และ approvals กับ scenario version. วิธีนี้ทำให้ virtual planning เชื่อมกับ engineering governance. ## Layer นี้เหมาะกับอะไร Physics-based process simulation เหมาะกับ rapid comparison: * early packaging workflow screening * conveyor, material handling และ buffer review * layout และ clearance validation * collision และ jam-risk discovery * robot และ operator access review * equipment interaction และ handoff timing * virtual commissioning preparation * Physical AI scenario preparation * cross-team review กับ engineering, operations, safety และ vendors Output ควรช่วย engineering judgment. มันช่วยลด option space และให้ high-cost validation โฟกัสที่ scenarios สำคัญ. ## High-precision methods ยังสำคัญ Finite element analysis, CFD, material testing และ physical trials ยังเหมาะกับ final answers เรื่อง stress, fatigue, fracture, sealing, thermal behavior, airflow, liquid motion, contamination risk และ product-quality thresholds. Physics engines ต้อง calibrate เช่นกัน. Friction, stiffness, damping, restitution, mass, geometry simplification, contact settings และ solver parameters ส่งผลต่อ result. Flexible packaging, liquids, powders, adhesives, heat, wear และ breakage อาจต้องใช้ special models หรือ physical experiments. Workflow ที่ดีคือใช้ fast physics simulation เป็น engineering filter เพื่อถามคำถามที่ดีขึ้นเร็วขึ้นและเลือก validation targets ที่ดีกว่า. ## Metrics ที่ควรวัด | Area | Useful metrics | |---|---| | Iteration speed | setup time, variant count, review cycle, time to first issue | | Scenario coverage | layouts, speed settings, package types, fault states, access conditions | | Model quality | scale error, material assumptions, collision geometry, calibration evidence | | Engineering value | issues found before trial, rejected variants, narrowed validation scope | | Transfer quality | difference between virtual trial and physical observation, repeated mismatch type | | Governance | scenario version, physics settings, asset version, reviewer, decision record | Metrics ทำให้ simulation ยังมีประโยชน์. Fast model ที่ assumptions ไม่ชัดสร้าง noise; fast model ที่ traceable assumptions สร้าง engineering leverage. ## Product roles [FactVerse Designer](/products/designer) เป็น authoring environment สำหรับ layouts, behavior trees, process logic, timeline scenarios และ variants. [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) เชื่อม FactVerse scene context กับ OpenUSD และ Omniverse workflows สำหรับ rendering, physics validation, Isaac Sim scene preparation และ advanced simulation. [FactVerse](/products/factverse) และ [FactVerse Twin Engine](/products/factverse-twin-engine) เก็บ operational digital twin context เช่น assets, spaces, systems, metadata, permissions และ scenario records. [Data Fusion Services](/products/dfs) เชื่อม live และ historical data เมื่อ simulation ต้องใช้ production signals, equipment state, alarms, speed, throughput หรือ facility context. [DataMesh Robotics](/products/robotics) ขยาย workflow เมื่อ packaging หรือ line scenarios กลายเป็น training data, Isaac Sim robot simulation environments, Isaac Lab learning tasks หรือ Physical AI evaluation tasks. ## Readiness checklist * Engineering decision ชัดพอสำหรับเลือก simulation depth หรือยัง? * Line assets, equipment names และ package types stable หรือยัง? * Scale, coordinates, units และ origin validated หรือยัง? * Collision shapes และ material assumptions documented หรือยัง? * Process timing, routes, handoff rules และ state transitions defined ใน Designer หรือยัง? * Physics settings ผูกกับ review objective หรือยัง? * Known limitations ถูกเขียนก่อน review หรือยัง? * Critical scenarios มี path ไป detailed engineering validation หรือยัง? * Results trace กลับไป scene version, asset version และ physics settings ได้หรือไม่? ## Public references NVIDIA อธิบาย [Omniverse](https://www.nvidia.com/en-us/omniverse/) เป็น libraries และ microservices สำหรับ industrial digital twins และ Physical AI simulation applications พร้อม OpenUSD, RTX และ physics capabilities. หน้า [Omniverse libraries](https://developer.nvidia.com/omniverse) ของ NVIDIA อธิบาย ovphysx เป็น USD-native multiphysics library สำหรับ scalable robotics และ digital twin simulation. หน้า [Isaac Sim](https://developer.nvidia.com/isaac/sim) ของ NVIDIA อธิบาย Isaac Sim เป็น open source reference framework บน Omniverse libraries สำหรับ robotics simulation, testing และ synthetic data generation. หน้า [Isaac Lab](https://developer.nvidia.com/isaac/lab) ของ NVIDIA อธิบาย Isaac Lab เป็น open source, GPU-accelerated, modular framework สำหรับฝึก robot policies ใน scale. หน้า [Newton Physics](https://developer.nvidia.com/newton-physics) ของ NVIDIA อธิบาย Newton เป็น open, extensible physics engine บน Warp และ OpenUSD สำหรับ robot learning และ development. บทความ public ของ NVIDIA เรื่อง Newton สำหรับ industrial robotics อธิบาย contact-rich manipulation, deformable simulation, SDF collision, hydroelastic contact และ Isaac integration. DataMesh [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) และ [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) แสดง public direction สำหรับ simulation digital twins, OpenUSD และ Physical AI. --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## ลูป maintenance เริ่มหลังจากมีสัญญาณ Predictive maintenance สร้างคุณค่าเมื่อสัญญาณความเสี่ยงถูกนำเข้าสู่กระบวนการทำงานที่ชัดเจน แนวโน้ม vibration, temperature drift, current anomaly หรือ alarm ที่เกิดซ้ำควรนำไปสู่คำถามเชิงปฏิบัติ: asset ใดได้รับผลกระทบ หลักฐานน่าเชื่อถือแค่ไหน ระบบใดเกี่ยวข้อง ทีมใดควรตรวจทาน และงานภาคสนามใดควรตามมา [DataMesh Predictive Maintenance](/solutions/predictive-maintenance) ใช้ digital twin เชื่อมขั้นตอนเหล่านี้เข้าด้วยกัน ข้อมูล บริบทของ asset การตรวจทานด้วย AI work orders หลักฐานภาคสนาม และ verification records อยู่ใน operating loop เดียวกัน นี่คือ workflow ของ Physical AI ในการใช้งานจริง AI ช่วยตีความ operational signals จากโลกจริง และ digital twin เชื่อมคำแนะนำเข้ากับ equipment, location, system relationships และขั้นตอน execution ที่ไซต์อนุมัติแล้ว ## สิ่งที่ลูปนี้เชื่อมเข้าด้วยกัน - **Connected signals**: vibration, temperature, current, pressure, runtime, alarms, historian tags และ environmental context - **Asset context**: equipment hierarchy, location, operating role, system dependencies, maintenance plan, documents และ spare-part context - **AI-assisted review**: trend comparison, anomaly review, degradation patterns, evidence summaries และ recommendation drafting - **Twin-based validation**: spatial context, upstream/downstream dependencies, recent work, operating constraints และ field accessibility - **Work execution**: Inspector work orders, Checklist tasks, assignment, field notes, photos, acceptance และ closure status - **Follow-up evidence**: post-maintenance readings, repeat alarm review, condition comparison และ updated asset history ผลลัพธ์คือ maintenance record ที่บอกได้ว่าอะไรถูกตรวจพบ เหตุใดจึงสำคัญ ใครตรวจทาน อะไรได้รับอนุมัติให้ดำเนินการ และผลลัพธ์ถูกยืนยันอย่างไร ## บทบาทของ DataMesh stack [Data Fusion Services](/products/dfs) เชื่อม sensors, historians, BMS, SCADA, CMMS, EAM, IoT และ enterprise systems พร้อมเตรียม operational data สำหรับ digital twin binding, analytics และ AI review [FactVerse AI Agent](/products/factverse-ai-agent) เป็นชั้น decision intelligence โมดูล predictive maintenance ของ FactVerse AI Agent วิเคราะห์ signal behavior, asset relationships, maintenance history และ operating context แล้วจัดเตรียมหลักฐานและ recommended actions ให้ maintenance teams [FactVerse](/products/factverse) ให้บริบทของ digital twin เพื่อให้ทีมเห็นตำแหน่งของ asset ระบบที่รองรับ และ dependencies ที่เกี่ยวข้อง [Inspector](/products/inspector) จัดการ inspections, work orders, field records, verification และ maintenance evidence ส่วน [Checklist](/products/checklist) ช่วยรวม recurring tasks และงานข้ามทีม ระบบที่ลูกค้ากำกับดูแล เช่น CMMS, EAM, BMS, SCADA และ site approval workflows ยังคงเชื่อมอยู่ตาม operating governance ของแต่ละไซต์ ## จากสัญญาณสู่ verified work 1. เชื่อม sensor, historian, alarm, inspection และ asset data 2. map assets, systems, points และ work records เข้ากับ digital twin 3. ใช้ FactVerse AI Agent ตรวจ trends, abnormalities และ evidence ที่เกี่ยวข้อง 4. ให้ maintenance และ engineering teams ยืนยัน finding ในบริบทของ twin 5. สร้าง Inspector work order หรือ Checklist task พร้อม scope, owner และ acceptance criteria 6. เก็บ completion evidence แล้วเปรียบเทียบ post-work condition กับ signal เดิม ## จุดเริ่มต้นที่เหมาะกับ pilot | Starting point | Practical focus | |---|---| | Rotating equipment | Pumps, compressors, motors, fans และ assets ที่มี vibration, temperature, current หรือ pressure patterns | | Facility utility systems | HVAC, chilled water, compressed air, power distribution และ systems ที่มี recurring alarms หรือ service history | | Production support assets | Conveyors, robotic cells, fixtures และ handling equipment ที่มีผลต่อ production flow | | Inspection-heavy assets | Assets ที่มี rounds บ่อย recurring issues หรือ field records ที่ขาดความสม่ำเสมอ | | Multi-site operations | Asset classes ที่ใช้ร่วมกันหลายไซต์และสามารถนำบทเรียนไปใช้ข้ามไซต์ได้ | Pilot ที่ดีควรมี data history ที่ใช้ได้ maintenance owner ขอบเขต asset ที่จัดการได้ และ field team ที่พร้อมปิดลูปงาน ## ตรวจความพร้อมของข้อมูล - Signals มี stable identifiers, timestamps, units และ asset mapping - Maintenance history พร้อมในระดับ asset หรือ equipment group - Work orders มีรายละเอียดพอสำหรับ cause, action และ closure - Asset hierarchy และ location data เชื่อมกับ digital twin ได้ - Engineering และ maintenance teams ตกลง review, approval และ escalation rules - Field teams บันทึก evidence แบบ structured ได้ - Pilot metrics ผูกกับ verified operating records ## Metrics สำหรับ validation - เวลาตั้งแต่ signal detection ถึง human review - สัดส่วน findings ที่เข้าสู่ planned maintenance - คุณภาพของ work-order closure และ evidence completeness - Repeat alarms หลัง corrective work - Asset condition trend หลัง maintenance - Field team response time และ task acceptance quality - Engineering review effort สำหรับ recurring asset classes แต่ละไซต์ควรวัดคุณค่าจาก baseline, asset scope และ operating history ของตนเอง ## Public references ประกาศของ [Yokogawa และ DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดงทิศทางสาธารณะของ AI-driven predictive maintenance ใน industrial facilities โดยเฉพาะ critical rotating equipment กรณี [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) และ [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) แสดงให้เห็นว่า maintenance process digitization, frontline guidance และ training ช่วยสนับสนุน execution side ของลูปนี้อย่างไร --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## Fab operations ต้องมี facility context ที่เสถียร Semiconductor fabs พึ่งพา facility stability มากพอๆ กับ production tools. Cleanroom drift, pressure imbalance, filter loading, chilled-water variation, CDA pressure changes, unstable exhaust, delayed maintenance และ fragmented work orders สามารถสร้าง operational risk ก่อนที่ทีมจะมีมุมมองร่วมกัน. [Semiconductor Facility AI](/solutions/ai-agent-semiconductor) ใช้ [Data Fusion Services](/products/dfs), [FactVerse](/products/factverse), [FactVerse AI Agent](/products/factverse-ai-agent) และ [Inspector](/products/inspector) กับ facility operations layer. ระบบเชื่อม cleanroom signals, utility systems, asset relationships, alarms, maintenance records และ field execution ให้เป็น operating loop ที่ review ได้. Production recipes, APC, yield analytics, MES และ tool control อยู่ภายใต้ fab systems และ authorization procedures ของลูกค้า. DataMesh โฟกัส facility, maintenance และ operational evidence รอบหน้างาน. ## สิ่งที่ facility twin เชื่อมต่อ | Layer | Operating context | |---|---| | Cleanroom zones | ISO class, particles, temperature, humidity, differential pressure, airflow, room hierarchy และ thresholds | | Utility systems | HVAC, chilled water, CDA, vacuum, exhaust, power distribution, meters, pumps, fans, valves และ support equipment | | Critical assets | FFUs, HEPA/ULPA filters, chillers, pumps, AHUs, compressors, exhaust equipment, sensors, controllers, documents และ maintenance history | | Alarms and trends | Repeated alarms, abnormal patterns, sensor drift, pressure gradient change, filter loading, vibration, current, runtime และ service history | | Work execution | Inspector work orders, Checklist tasks, field photos, readings, notes, approvals, escalation rules และ closure evidence | | Governance | Recommendation source, reviewer, priority, SLA, owner, shift handover, acceptance criteria, follow-up evidence และ audit trail | คุณค่ามาจากการ map ทุก signal เข้ากับ zone, asset, system, responsible team และ field workflow. Particle spike ควร trace ได้ถึง cleanroom context, airflow, pressure behavior, filter state, upstream utilities, recent maintenance และ response. ## DataMesh workflow สำหรับ semiconductor facility operations 1. **Connect facility sources** - เชื่อม BMS, SCADA, PLCs, historians, environmental monitoring, CMMS, EAM, IoT sensors, equipment telemetry และ work-order systems. 2. **Build the facility twin** - สร้าง model ของ fabs, cleanrooms, zones, utilities, assets, sensors, control points, documents และ work responsibilities ใน FactVerse. 3. **Bind signals to context** - ใช้ Data Fusion Services map particles, pressure, temperature, humidity, alarms, energy readings, equipment health และ work records ไปยัง zones และ assets ที่ถูกต้อง. 4. **Review drift and risk** - ใช้ FactVerse AI Agent สรุป abnormal trends, repeated alarms, related systems, priority scores และ recommended actions เพื่อ human review. 5. **Execute through Inspector** - เปลี่ยน confirmed findings เป็น work orders, field tasks, escalation plans, shift handover notes, documentation และ acceptance records. 6. **Verify the result** - เทียบ post-action readings, alarm recurrence, maintenance evidence, cleanroom status และ operator review กับ finding เดิม. ## Cleanroom drift และ ISO evidence ทีม cleanroom มักต้องดู small changes จากหลาย signals พร้อมกัน เช่น particle counts, temperature, humidity, pressure differential, airflow, filter state, door events, alarms และ maintenance activity. FactVerse AI Agent สามารถเตรียม evidence summary สำหรับ engineering review: zone ที่ได้รับผลกระทบ, readings ที่เปลี่ยน, pressure gradients, FFU หรือ filter status, repeated alarms และ field checks ที่ควร assign. ISO 14644-1 assessments และ cleanroom records ของไซต์สามารถเก็บเป็น operating history. Software ช่วย structure evidence, review status และ work-order linkage ส่วน quality decisions ทำตาม quality system, validation process และ responsible owner ของลูกค้า. ## Utility equipment และ predictive maintenance Facility-side assets มี degradation patterns ของตัวเอง. Pumps, fans, compressors, chillers, AHUs, exhaust equipment, valves, sensors และ filters อาจแสดง early risk ผ่าน pressure, flow, vibration, temperature, current, runtime, alarm history และ maintenance records. Pattern ของ [Predictive Maintenance](/solutions/predictive-maintenance) เหมาะกับงานนี้. FactVerse AI Agent reviews signals และ asset context จากนั้น Inspector นำ confirmed findings ไปเป็น work orders และ verification. ทีมสามารถ prioritize ด้วย operational impact, cleanroom dependency, urgency, repeated alarms และ maintenance capacity. ## From alert to work order Alert workflow ที่ใช้งานได้ควรมี: - sensor and calibration check - asset and zone context review - likely cause summary - priority and SLA proposal - assigned owner or role - field checklist - photos, readings and corrective-action notes - acceptance and follow-up checks [Inspector](/products/inspector) และ [Checklist](/products/checklist) เป็น execution side ของ loop นี้ ช่วย route confirmed risks ไปเป็น work orders, capture field evidence และเก็บ closure record สำหรับ review รอบถัดไป. ## Energy review และ what-if analysis Semiconductor facilities ใช้พลังงานสูง. Utility readings, cooling demand, airflow requirements, filter loading, pump and fan behavior และ operating schedules ควรถูก review ร่วมกับ cleanroom และ maintenance context. DataMesh เชื่อม energy readings เข้ากับ systems, zones, assets และ work history. FactVerse AI Agent สามารถเตรียม what-if comparisons และ risk summaries สำหรับ engineering review เช่น maintenance action อาจลด repeated alarms ได้หรือ schedule change ต้อง review กับ cleanroom constraints หรือไม่. Energy savings, carbon reporting และ operating targets ขึ้นกับ baseline, metering boundary, engineering rules และ verification method ของลูกค้า. DataMesh workflow ช่วยให้ option evaluation และ result recording traceable. ## Pilot readiness checklist - Cleanroom zones, ISO classes, operating thresholds และ facility ownership ถูกกำหนด. - BMS, SCADA, environmental monitoring, PLC, historians, CMMS, EAM และ work-order systems เข้าถึงได้. - Sensor names, units, timestamps, locations และ asset mappings stable พอสำหรับ binding. - Utility systems และ critical facility assets แสดงใน digital twin ได้. - Maintenance teams ตกลง review, priority, escalation, SLA และ acceptance rules. - Field teams บันทึก readings, photos, notes และ closure evidence แบบ structured ได้. - Pilot metrics อ้างอิง verified records. ## Public references [FactVerse AI Agent launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) อธิบายแนวทาง DataMesh สำหรับ complex operational environments รวมถึง semiconductor facilities. [Gyro reference](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) แสดงการใช้ digital twins เพื่อ validate automation planning ใน semiconductor และ advanced manufacturing. [Jebsee / Quan Yi Electronics reference](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) แสดง production-line planning with FactVerse. [Yokogawa and DataMesh reference](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) แสดง pattern ของ AI-assisted maintenance review สำหรับ industrial signals. DataMesh ยังใช้ facility operations pattern แบบเดียวกันใน confidential semiconductor projects. Public content ควรอธิบาย capability และ workflow โดยใช้ customer names และ site details ตาม approved references เท่านั้น. --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## ทำไม industrial assets ต้องมี readiness สูงขึ้น หลายองค์กรมี CAD files, BIM models, scan data, 3D scenes และ digital twin visualization อยู่แล้ว สิ่งเหล่านี้มีประโยชน์สำหรับ design review, collaboration, training และ management communication เมื่อเข้าสู่ยุค Physical AI สินทรัพย์ดิจิทัลต้องเข้าร่วมการคำนวณและ simulation ได้ด้วย Production line, cleanroom, warehouse, robot cell หรือ packaging station ต้องมี real scale, stable coordinates, object identity, semantic labels, physics assumptions, behavior rules, process state และ links ไปยัง operational data เมื่อชั้นข้อมูลเหล่านี้พร้อม asset จะใช้กับ simulation, robot training, synthetic data, layout validation, process rehearsal และ AI Agent workflows ได้ NVIDIA อธิบาย SimReady เป็น framework สำหรับ simulation-ready 3D assets และ digital twins บน OpenUSD สำหรับทีมอุตสาหกรรม คุณค่าหลักคือการยกระดับ asset libraries จาก visual content ไปเป็น reusable digital objects ## Layers ของ SimReady asset | Layer | สิ่งที่ต้องเตรียม | |---|---| | Geometry and scale | Dimensions, origin, orientation, units, level of detail และ spatial boundaries | | Materials and appearance | Materials, textures, lighting behavior, reflectivity, transparency และ surface categories | | Physics | Collision geometry, mass, friction, density, joints, constraints, motion range และ safety clearances | | Semantics | Equipment class, part role, functional area, process role, asset ID และ operational twin relationship | | Behavior | State transitions, start and stop rules, faults, recovery, interlocks, routes และ interaction conditions | | Data bindings | PLC signals, sensor values, alarms, work orders, MES context, energy data และ inspection records | | Governance | Source files, version, owner, assumptions, quality checks, simulation findings และ review notes | ## ทำไม behavior logic สำคัญ Physics properties อธิบายการเคลื่อนที่ การชน การหมุน การเลื่อน และแรง แต่ industrial operations ยังขึ้นกับ process rules และ business state เครื่องจักรเริ่มทำงาน รอ หยุด แจ้งเตือน recover บล็อก upstream station หรือปล่อย material ตาม control logic และ operating procedures [FactVerse Designer](/products/designer) ใช้ behavior trees และ scenario logic เพื่ออธิบาย operating rules เหล่านี้ Packaging equipment, conveyors, robot cells, cleanrooms และ utility assets สามารถมี state transitions, triggers, process timing และ interaction rules ทำให้ asset ใช้ได้กับ process simulation, operator training, robot collaboration, safety rehearsal, exception handling และ Physical AI planning ## DataMesh workflow 1. **Collect source assets** - รวม CAD, BIM, 3D, scans, drawings, equipment records, process documents และ control-system context 2. **Normalize the scene** - จัด scale, coordinates, hierarchy, naming, object identity, location และ version rules ใน FactVerse 3. **Add industrial semantics** - เพิ่ม equipment class, process role, functional area, asset ID, relationships, documents และ owner 4. **Prepare physics context** - กำหนด collision, mass, friction, joints, motion constraints, access areas, robot zones และ safety boundaries 5. **Author behavior logic** - ใช้ Designer เพื่อกำหนด state transitions, work steps, interlocks, faults, recovery paths, routes และ scenario variants 6. **Connect operational data** - ใช้ Data Fusion Services เมื่อต้องใช้ PLC, sensors, alarms, work orders, production state, energy context หรือ inspection history 7. **Prepare OpenUSD path** - ใช้ FactVerse Adaptor for NVIDIA Omniverse เพื่อนำ scene structure, metadata, behavior context และ asset preparation เข้า OpenUSD และ Omniverse workflows 8. **Validate and govern** - ตรวจ rendering, physics, behavior, labels, scene coverage และ downstream simulation results ก่อนเพิ่มเข้า reusable library ## สิ่งที่ SimReady asset library ช่วยได้ - Packaging equipment พร้อม cycle time, state, upstream and downstream relationships, fault logic, physical boundaries และ process behavior - Robot workcells พร้อม work envelope, safety zones, sensor layout, grasp targets, task sequences และ coordination rules - Conveyors and logistics assets พร้อม direction, speed, blocking rules, handoff logic, route state และ data bindings - Cleanrooms and controlled environments พร้อม equipment layout, access paths, airflow constraints, maintenance routes, energy context และ risk rules - Warehouse zones พร้อม racks, aisles, pallets, staging areas, mobile equipment paths และ logistics process state เมื่อ assets ถูกทำให้เป็นมาตรฐาน เป็น object มี behavior และมี physics awareness ทีมสามารถใช้ซ้ำใน production planning, factory modification, training, robotics adoption, exception drills, energy analysis และ AI training ## บทบาทใน Physical AI Physical AI ต้องการ digital worlds ที่มีคุณภาพสูง ประกอบด้วย space, objects, semantics, physics, behavior, process state และ data SimReady assets คือ reusable material สำหรับสร้าง environments เหล่านี้ สำหรับ robotics ยังต้องใช้ invisible context เช่น temperature, pressure, vibration, equipment status, work order state, safety zones และ process constraints FactVerse สามารถนำ context นี้เข้า digital twin ขณะที่ Omniverse, PhysX, Newton และ related simulation workflows สนับสนุน rendering, physics, sensor simulation และ robotics evaluation ## Governance checklist - บันทึก source files, owners, licenses และ version history - ตรวจ units, scale, coordinates, origin และ orientation - จัด asset identity ให้ตรงกับ operational twin และ enterprise asset records - จัด semantic labels ด้วย controlled vocabulary สำหรับ equipment, zones, parts และ process roles - บันทึก physics assumptions พร้อม simulation goal - ระบุ behavior logic ด้วย states, triggers, timing, faults และ recovery paths - ระบุ data bindings ด้วย source, unit, timestamp, refresh rule และ quality status - เชื่อม simulation results กลับไปยัง asset version, scene version, assumptions และ reviewer ## Public references NVIDIA [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html), [SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) และ [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) ให้ technical background สำหรับ OpenUSD-based SimReady assets DataMesh references สำหรับ [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) และ [GTC 2025](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) แสดงทิศทาง public ของ simulation digital twins, OpenUSD workflows และ Physical AI preparation --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## หุ่นยนต์ต้องการสนามฝึกที่มีบริบทอุตสาหกรรม การเรียนรู้ของหุ่นยนต์ดีขึ้นเมื่อสภาพแวดล้อมเสมือนมีบริบทเหมือนหน้างานจริง เช่น asset, scale, material, collision, task step, sensor, process state, safety zone และ variation ของการทำงานประจำวัน SimReady assets เป็นวัตถุที่พร้อมใช้ซ้ำในการ simulation [FactVerse Designer](/products/designer) นำวัตถุเหล่านี้มาประกอบเป็นโรงงาน คลังสินค้า robot cell พื้นที่ inspection cleanroom และ logistics route เสมือน พร้อม behavior logic และ scenario variation [DataMesh Robotics](/products/robotics) เชื่อมฉากเข้ากับ synthetic data, task, reward และ robotics simulation workflow เป้าหมายคือเร่งรอบ sim-to-real: สร้างโลกดิจิทัลที่ดีขึ้น ทดสอบ variation ได้มากขึ้น เปรียบเทียบ simulation กับ field trial และปรับปรุงฉากจากหลักฐานจริง ## ความยากของ sim-to-real ในไซต์อุตสาหกรรม | Layer | สิ่งที่กระทบพฤติกรรมหุ่นยนต์ | |---|---| | Geometry | aisle width, equipment position, rack, clearance, floor slope, work envelope | | Materials | reflection, transparency, friction, wear, texture, lighting response | | Sensors | camera pose, FOV, calibration, occlusion, noise, depth, LiDAR | | Process state | machine status, moving part, blocked route, pallet, work step, exception | | Semantics | object class, asset ID, safety zone, task role, route type | | Human context | operator movement, maintenance access, forklift traffic, restricted zone | | Control | speed limit, stop rule, handoff timing, interlock, recovery | การเตรียมที่ดีทำให้ layer เหล่านี้ชัดเจนและปรับได้ก่อนการทดสอบจริง ## SimReady assets เป็นส่วนประกอบของการฝึก Asset ที่มีประโยชน์ควรมี: * scale, origin, orientation และ collision geometry * material และ lighting behavior สำหรับ perception * semantic class, asset ID, role และ scene relationship * friction, mass, joint range และ motion limit * state เช่น open, closed, blocked, running, stopped, alarm, maintenance * grasp point, inspection target, docking area และ safe approach zone * version record ที่เชื่อมผล simulation กลับไปยัง asset library เมื่อเตรียมแบบนี้ scene จะทำซ้ำ ปรับเปลี่ยน และ review ได้ง่าย ## Designer เปลี่ยน asset เป็นสนามฝึกเสมือน Designer ช่วยเตรียม: * layout ของ facility, production line, warehouse, robot cell และ inspection route * behavior tree สำหรับ machine state, object movement, task sequence และ exception * timeline scenario สำหรับ start, stop, blockage, recovery, route change และ handoff * layout variation สำหรับ equipment, aisle, buffer, rack, conveyor และ fixture * sensor และ viewpoint planning สำหรับ perception, inspection, navigation และ review * scene library สำหรับ synthetic data และ downstream simulation tools ทีม robotics, operations และ simulation สามารถ review environment เดียวกันได้ ## DataMesh sim-to-real workflow 1. **เลือก task** - กำหนด robot, environment, sensors, goal, safety boundary และ metrics 2. **เตรียม SimReady assets** - แปลง CAD, BIM, 3D, scan และ operational records เป็น asset ที่มี scale, semantics, physics และ state 3. **สร้าง virtual training ground** - ใช้ Designer ประกอบ layout, process flow, route, behavior และ variation 4. **กำหนด variation rules** - เปลี่ยน lighting, placement, asset state, blockage, material, sensor pose และ timing 5. **สร้าง training data** - สร้าง RGB, depth, segmentation, bounding box, pose, trajectory, scene-state labels และ metadata 6. **run simulation และ evaluation** - ส่งออกไปยัง robotics training, Isaac Sim / Omniverse หรือ stack อื่น 7. **เทียบกับ field trial** - ใช้ physical test, operator notes, failures และ sensor logs หา gap 8. **อัปเดต scene และ asset library** - ปรับ geometry, material, physics, labels, behavior และ variation rules ## จุดที่ช่วยให้ transfer ดีขึ้น * **Perception** - สร้าง labeled samples จาก lighting, material, occlusion, pose, distance และ background variation * **Navigation** - ทดสอบ route, blocked aisle, buffer, docking, pedestrian crossing และ safety zone * **Manipulation** - เปลี่ยน object pose, grasp target, fixture, contact surface, friction และ handoff timing * **Inspection** - มาตรฐาน viewpoint, target asset, defect state, panel position, gauge reading และ access constraint * **Recovery** - จำลอง fault, blocked path, missing object, alarm, emergency stop และ restart * **Operational review** - ให้ทีม robotics, safety, facility และ production review scenario ก่อน field trial ## Metrics | Area | Examples | |---|---| | Dataset | class coverage, label consistency, pose distribution, occlusion, lighting | | Simulation | scale, collision, material, sensor model, route timing, state coverage | | Task | success rate, completion time, intervention, recovery, failure type | | Transfer | sim-field gap, repeated failures, field corrections | | Governance | scene version, asset version, generation recipe, reviewer, approval | ## Product roles [DataMesh Robotics](/products/robotics) ดูแล synthetic data, task, label, reward และ pipeline integration [FactVerse Designer](/products/designer) เตรียม virtual training ground ด้วย layout, behavior tree, timeline, scenarios และ variations [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) เชื่อม FactVerse scenes เข้ากับ OpenUSD และ Omniverse สำหรับ rendering, physics, sensors และ robotics tools [FactVerse](/products/factverse) และ [FactVerse Twin Engine](/products/factverse-twin-engine) เก็บ asset, space, system, metadata, permission และ scene records ## Checklist * task มี success metrics และ safety boundaries หรือไม่ * scope ของ environment, asset, route และ process state ชัดเจนหรือไม่ * SimReady assets มี scale, semantics, physics และ states หรือไม่ * Designer scenes จัดตาม task, variation และ review purpose หรือไม่ * sensor, viewpoint, calibration และ noise model มีบันทึกหรือไม่ * variation rules มาจากสภาพหน้างานจริงหรือไม่ * output และ labels ถูกกำหนดก่อน generation หรือไม่ * results trace กลับไปยัง scene และ asset version ได้หรือไม่ ## Public references [DataMesh Robotics launch](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics) อธิบาย synthetic training data, task, reward และ robotics pipeline preparation [SimReady Assets guide](/resources/guides/simready-assets-industrial-digital-twins-physical-ai) อธิบาย asset ที่มี geometry, semantics, physics, behavior และ data bindings [Synthetic Data guide](/resources/guides/industrial-synthetic-data-physical-ai-robotics) ครอบคลุม dataset generation pipeline ที่กว้างกว่า --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## โลจิสติกส์ภายในโรงงานต้องพึ่งบริบทจริงของพื้นที่ งานคลังสินค้าและโลจิสติกส์โรงงานเกิดขึ้นในพื้นที่จริง นโยบายการจัดเก็บอาจดูถูกต้องในตาราง แต่ผลลัพธ์ขึ้นกับความกว้างของทางเดิน รัศมีเลี้ยวของรถยก คิวที่ท่าโหลด จุดชาร์จ จุดตัดคนเดิน พื้นที่พักสินค้า จังหวะส่งต่อกับ conveyor และวิธีจัดการเหตุผิดปกติ. การวางแผนระบบอัตโนมัติทำให้ความซับซ้อนสูงขึ้น ทีมต้องคุยเรื่องเส้นทาง AGV/AMR การปรับ conveyor ความหนาแน่นการจัดเก็บ การส่งของข้างไลน์ ช่วงเวลาการเติมของ และพื้นที่ความปลอดภัย ก่อนลงทุน ย้ายอุปกรณ์ หรือกระทบงานปฏิบัติการ. Operational digital twin ให้ชั้นข้อมูลเชิงพื้นที่ร่วมกัน โดยเชื่อมโซนคลังสินค้า เส้นทางวัสดุ อุปกรณ์ พื้นที่ทำงาน ขั้นตอนปฏิบัติ บันทึกการทำงาน และสมมติฐานของ scenario เพื่อให้ทีมวางแผน ผู้ขายระบบอัตโนมัติ ทีมความปลอดภัย ทีมฝึกอบรม และฝ่ายปฏิบัติการ review สภาพแวดล้อมเดียวกัน. ## สิ่งที่ควรสร้างเป็นโมเดล | ชั้นข้อมูล | ตัวอย่าง | |---|---| | พื้นที่ | ท่าโหลด, พื้นที่รับสินค้า, โซนจัดเก็บ, พื้นที่ข้างไลน์, พื้นที่พักสินค้า, พื้นที่ส่งออก, พื้นที่กักกัน, จุดชาร์จ | | เส้นทาง | เส้นทางรถยก, เส้นทาง AGV/AMR, สาย conveyor, จุดตัดคนเดิน, ทางฉุกเฉิน, ทางเข้าซ่อมบำรุง | | Asset | ชั้นวาง, conveyor, ประตู, gate, ยานพาหนะ, อุปกรณ์ชาร์จ, sensor, scanner, อุปกรณ์ความปลอดภัย | | กฎงาน | picking, replenishment, loading, unloading, sequencing, inspection, exception handling, shift handover | | Event | เส้นทางถูกปิด, รับของล่าช้า, buffer เต็ม, pallet เสียหาย, อุปกรณ์ขัดข้อง, safety stop, scan หาย | | บันทึก | ผลตรวจ, work order, รูปภาพ, หมายเหตุผู้ปฏิบัติงาน, ผลการฝึกอบรม, version ของ scenario | Traceability คือหัวใจ เส้นทาง ชั้นวาง ท่าโหลด ยานพาหนะ work order และ scenario ควรใช้ asset identity และ location identity ชุดเดียวกันในการวางแผน ฝึกอบรม ตรวจงาน และ review การปฏิบัติงาน. ## วางแผนก่อนลงทุนระบบอัตโนมัติ ก่อนลงทุน ทีมควรตรวจคำถามพื้นฐาน เช่น ท่าโหลด พื้นที่พักสินค้า พื้นที่จัดเก็บ และ buffer ข้างไลน์วางถูกหรือไม่ เส้นทางรถยก ทางคนเดิน และเส้นทาง AGV/AMR ขัดกันหรือไม่ conveyor, lift, gate หรือจุดชาร์จใหม่ขวางทางซ่อมบำรุงหรือไม่ และคิวจะเกิดตรงไหนในช่วงรับสินค้า picking ส่งออก หรือป้อนของเข้าไลน์. [FactVerse DLC](/products/factverse-dlc) ให้ content คลังสินค้าและโลจิสติกส์ที่นำกลับมาใช้ซ้ำได้ เช่น โซนคลังสินค้า เส้นทางขนส่ง พื้นที่จัดเก็บ และ asset ของเส้นทางขนส่ง. [FactVerse Designer](/products/designer) ช่วยปรับ resource เหล่านี้ให้เข้ากับ site จริง เปรียบเทียบ layout variant และสร้าง scene ที่ review ได้. คุณค่าหลักคือความชัดเจนก่อนกระทบหน้างาน การ review ด้วย digital twin ช่วยตัดตัวเลือกที่อ่อน เพิ่มความชัดให้ผู้ขายระบบอัตโนมัติ และทำให้ฝ่ายปฏิบัติการเห็นผลกระทบของ layout ที่เสนอในงานประจำวัน. ## ตรวจสอบ scenario การตรวจสอบคลังสินค้าและโลจิสติกส์ภายในโรงงานควรเน้นการตัดสินใจที่นำไปทำงานต่อได้: * เส้นทางชนกันและปัญหา clearance * ความจุของท่าโหลด พื้นที่พักสินค้า และ buffer * จุดส่งต่อระหว่างรถยก, AGV, AMR, conveyor และผู้ปฏิบัติงาน * ทางฉุกเฉินและขอบเขตความปลอดภัย * จังหวะเติมของและสมมติฐานการส่งของข้างไลน์ * การวางอุปกรณ์ จุดชาร์จ และทางเข้าซ่อมบำรุง * workflow ของเหตุผิดปกติ เช่น สินค้าเสียหาย ทางเดินถูกปิด scan หาย หรืออุปกรณ์ขัดข้อง ในขั้นนี้ digital twin ทำหน้าที่เป็นชั้นช่วยตัดสินใจ: คัดเลือกตัวเลือก layout และเส้นทาง ระบุคำถามที่ต้องนำไป simulation ลึกขึ้น และจัดหลักฐานสำหรับ vendor engineering, site trial และการออกแบบขั้นตอนปฏิบัติ. ## การฝึกอบรมและซ้อมความปลอดภัย โครงการโลจิสติกส์ภายในโรงงานเปลี่ยนวิธีที่คนเดินและทำงานใน site ผู้ปฏิบัติงานอาจต้องใช้เส้นทางใหม่ ลำดับการโหลดใหม่ ขั้นตอน scanner ใหม่ การตรวจความปลอดภัยใหม่ หรือวิธีจัดการเหตุผิดปกติใหม่ การฝึกอบรมจึงควรใช้บริบทเชิงพื้นที่ชุดเดียวกับการวางแผน. [Simulator](/products/simulator) สำคัญเมื่อการฝึกขึ้นกับพฤติกรรมของยานพาหนะ วินัยของเส้นทาง การควบคุมเชิงกายภาพ กฎความปลอดภัย และบันทึกการประเมิน การฝึกแบบรถยกช่วยให้ผู้ปฏิบัติงานฝึกการเคลื่อนที่ การเลี้ยว การจัดการน้ำหนักบรรทุก การมองเห็น และการตอบสนองต่อเหตุผิดปกติใน scenario ที่ทำซ้ำได้. [Director](/products/director) และ [Inspector](/products/inspector) รองรับขั้นตอนปฏิบัติแบบมีคำแนะนำ การตรวจงาน การบันทึก issue และหลักฐานหน้างาน เส้นทาง asset checklist รูปภาพ issue และ work order จึงผูกกับบริบทของ operational twin ชุดเดียวกัน. ## จากการวางแผนไปสู่การปฏิบัติงาน 1. **ทำแผนที่ site** - จัดแนวท่าโหลด โซน ทางเดิน ชั้นวาง conveyor อุปกรณ์ พื้นที่ทำงาน และชื่อเส้นทางกับ asset record. 2. **สร้าง scenario** - ใช้ Designer และ resource ของคลังสินค้า DLC เพื่อสร้างตัวเลือก layout เส้นทางขนส่ง พื้นที่พักสินค้า ขอบเขตความปลอดภัย และมุมมองปฏิบัติการ. 3. **review กับผู้เกี่ยวข้อง** - ให้ operations, engineering, safety, IT, ผู้ขายระบบอัตโนมัติ และทีมฝึกอบรม review scene เดียวกัน. 4. **เตรียมการฝึกอบรม** - เปลี่ยนเส้นทาง ขั้นตอน และกรณีผิดปกติที่อนุมัติแล้วเป็น training และ guided work. 5. **เชื่อม record** - ใช้ Data Fusion Services และ FactVerse ผูกสถานะอุปกรณ์ work record ข้อมูลตรวจงาน เอกสาร และ event. 6. **ปฏิบัติงานและเก็บหลักฐาน** - ใช้ Inspector บันทึกการตรวจงาน issue รูปภาพ หมายเหตุซ่อม ขั้นตอนรับงาน และสถานะ work order. 7. **เตรียม AI review** - เมื่อข้อมูลและ workflow มีเสถียรภาพแล้ว FactVerse AI Agent ช่วย triage, recommendation และ review การปฏิบัติงาน. ลำดับนี้เชื่อมการวางแผน การฝึกอบรม และการปฏิบัติงานเข้าด้วยกัน โมเดลจะเติบโตจาก asset เชิงภาพเป็นบริบทการปฏิบัติงานร่วมที่ทีม review และดูแลต่อได้. ## Data และ AI readiness งานโลจิสติกส์ที่มี AI ช่วยสนับสนุนต้องมีบริบทที่เสถียร เช่น โครงสร้างลำดับชั้นของพื้นที่ ตัวตนของ asset นิยามเส้นทาง นิยาม event บันทึก work order บันทึกการตรวจงาน บันทึกการฝึกอบรม เจ้าของข้อมูล รอบการอัปเดต และกฎจัดการเหตุผิดปกติ. เมื่อฐานนี้พร้อม AI Agent สามารถสรุปปัญหาที่เกิดซ้ำ ชี้บริบทที่ขาด แนะนำการตรวจขั้นถัดไป เชื่อม alarm กับ work order และช่วยทีม review รูปแบบการปฏิบัติงาน. ตรรกะการ dispatch และการตัดสินใจขั้นสุดท้ายควรอยู่ภายใต้ระบบ ขั้นตอน และทีมที่รับผิดชอบของลูกค้า. ## Product roles [FactVerse DLC](/products/factverse-dlc) ให้ content คลังสินค้าและโลจิสติกส์ที่นำกลับมาใช้ซ้ำได้ สำหรับโซน เส้นทาง พื้นที่จัดเก็บ สายขนส่ง ฉากวางแผน และ scenario ฝึกอบรม. [FactVerse Designer](/products/designer) เป็นสภาพแวดล้อมสำหรับสร้าง layout variant เส้นทางวัสดุ มุมมอง scenario label panel และ stakeholder review. [DataMesh FactVerse](/products/factverse) และ [FactVerse Twin Engine](/products/factverse-twin-engine) เก็บ operational twin context เช่น spaces, assets, relationships, routes, work objects, permissions และ scenario records. [Data Fusion Services](/products/dfs) เชื่อม operational data, enterprise records, equipment states, documents และ event streams กับ twin objects ที่ถูกต้อง. [Simulator](/products/simulator) รองรับการฝึกอบรมผู้ปฏิบัติงานเมื่อวินัยของเส้นทาง พฤติกรรมยานพาหนะ การควบคุมเชิงกายภาพ และบันทึกการประเมินมีความสำคัญ. [Inspector](/products/inspector) เชื่อม twin เข้ากับการตรวจงาน issue รูปภาพ หมายเหตุซ่อม work order บันทึกรับงาน และหลักฐานหน้างาน. [FactVerse AI Agent](/products/factverse-ai-agent) ช่วย review งานปฏิบัติการและเตรียมการทำงาน หลังจาก data model, event และ workflow record มีความพร้อมแล้ว. ## Readiness checklist * โซนคลังสินค้า ท่าโหลด ชั้นวาง ทางเดิน พื้นที่พักสินค้า และพื้นที่ข้างไลน์ใช้ชื่อสอดคล้องกันหรือไม่? * เส้นทาง จุดตัดคนเดิน พื้นที่ความปลอดภัย และทางเข้าซ่อมบำรุงถูกกำหนดแล้วหรือยัง? * รถยก conveyor, AGV, AMR, charger, scanner, door และ gate ถูกจัดการเป็น asset แล้วหรือยัง? * layout variant ผูกกับคำถามทางธุรกิจที่ชัดเจนหรือไม่? * กรณีผิดปกติถูกบันทึกก่อนการฝึกอบรมและ rollout หน้างานหรือยัง? * จุดตรวจ ประเภท issue การส่งต่อ work order และช่องหลักฐานถูกกำหนดแล้วหรือยัง? * scenario ฝึกอบรมผู้ปฏิบัติงานเชื่อมกับเส้นทาง ขั้นตอน และอุปกรณ์จริงหรือไม่? * เจ้าของข้อมูล รอบการอัปเดต และสถานะคุณภาพข้อมูลชัดเจนหรือยัง? * use case ของ AI Agent ตั้งอยู่บน asset, route, event และ work-order record ที่เสถียรหรือไม่? ## Public references [อัปเดต DLC คลังสินค้าและโลจิสติกส์](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) แสดงว่า FactVerse content รองรับสภาพแวดล้อมโลจิสติกส์ เส้นทาง layout และ scenario ปฏิบัติการอย่างไร. [กรณี Gyro ด้านโลจิสติกส์ภายในโรงงาน](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) แสดงการใช้ digital twin เพื่อช่วยให้ระบบอัตโนมัติโลจิสติกส์ภายในโรงงานเข้าใจง่ายขึ้น ตรวจสอบได้ และนำไปใช้งานได้. [กรณี Jebsee ด้านการวางแผนระบบอัตโนมัติของสายการผลิต](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) แสดงว่า FactVerse ช่วยการสื่อสารและ review การเปลี่ยนแปลงระบบอัตโนมัติของสายการผลิตอย่างไร. [ประกาศ DataMesh Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) แสดงทิศทางสาธารณะของการฝึกอบรมผู้ปฏิบัติงานและการจำลองอุปกรณ์บนฐาน digital twin. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI เริ่มจาก real operating context Industrial AI จะมีประโยชน์เมื่อเข้าใจสถานที่ที่ decisions เกิดขึ้น Facility, production line, data center, utility room, warehouse หรือ construction site มี assets, spaces, signals, people, procedures, physical constraints และ approval rules อยู่ร่วมกัน Physical AI นำ layers เหล่านี้เข้า decision workflow สำหรับ DataMesh, Physical AI คือ operating capability ที่สร้างรอบ executable digital twins Twin เก็บ physical context ส่วน AI สนับสนุน analysis และ recommendations Simulation ช่วยทีมเปรียบเทียบ possible outcomes Frontline applications นำ approved work ไปสู่ inspections, work orders, training หรือ operating procedures จากนั้น verification records กลับเข้าสู่ twin Loop นี้สำคัญเพราะ industrial decisions ส่งผลต่อโลกจริง Recommendation หนึ่งต้องมี asset context, operating state, spatial constraints, process dependencies และ path ไปสู่ execution ที่ชัดเจน ## Core layers ของ Physical AI | Layer | สิ่งที่เพิ่มให้ workflow | |---|---| | Operational data | BMS, SCADA, IoT, MES, CMMS, EAM, meters, alarms, work history และ documents | | Physical context | Sites, buildings, floors, zones, systems, equipment, routes, safety areas และ access constraints | | Behavior and process logic | State changes, dependencies, procedures, timing, exceptions และ workflow rules | | Simulation and scenario review | Layout comparison, process validation, physics assumptions, training scenarios และ robotics preparation | | AI decision intelligence | Anomaly review, forecasting, evidence summaries, option comparison และ next-action recommendations | | Execution workflows | Inspections, work orders, guided procedures, training, acceptance records และ field evidence | Physical AI programs ที่แข็งแรงจะรักษา layers เหล่านี้ให้เชื่อมกัน AI จึงทำงานกับ asset names, operating relationships และ evidence records ชุดเดียวกับที่ engineering และ operations teams ใช้อยู่ ## DataMesh operating loop 1. **Connect data** - Data Fusion Services นำ operational data จาก plant systems, facility systems, enterprise platforms, meters, sensors และ documents เข้า shared context 2. **Build the executable twin** - FactVerse และ Twin Engine จัด assets, spaces, relationships, live state, behavior logic และ scenario records 3. **Author and simulate scenarios** - Designer และ Omniverse-related workflows ช่วยทีม review layouts, process flows, equipment movement, packaging behavior, robotics paths และ training scenarios 4. **Analyze with AI Agent** - FactVerse AI Agent ตรวจ signals, trends, asset context และ knowledge sources เพื่อช่วย diagnosis, prioritization และ recommended next steps 5. **Execute through applications** - Inspector, Checklist, Director, Simulator และ DataMesh One เปลี่ยน approved decisions เป็น work orders, guided tasks, training และ field records 6. **Verify the result** - Completion status, notes, photos, acceptance records, exceptions และ operating results กลับเข้า twin เพื่อ review และ improvement Physical AI จึงควรถูกวางแผนเป็น loop คุณค่ามาจากการเชื่อม analysis, validation, execution และ review เข้าด้วยกัน ## จุดที่ทำให้ industrial Physical AI แตกต่าง General AI สามารถสรุป documents ตอบ questions หรือสร้าง reports ได้ Industrial Physical AI เพิ่ม operating context เข้าไปด้วย ได้แก่ asset ใดเกี่ยวข้อง อยู่ที่ไหน สังกัด system ใด signals ใดสำคัญ process state ใดต้องใช้ และ recommended action จะเข้าสู่ governed work อย่างไร ตัวอย่างเช่น pump alarm สามารถเชื่อมกับ pump asset, upstream and downstream equipment, historical work orders, current operating state, spatial location, inspection route, safety area และ maintenance procedure AI ช่วย review ด้วย evidence ที่ครบขึ้น ขณะที่ twin ทำให้ decision ยึดกับ real site context Pattern เดียวกันใช้ได้กับ equipment maintenance, energy analysis, process simulation, operator training, facility management, construction guidance และ robotics workflows ## DataMesh products ทำหน้าที่อย่างไร [FactVerse](/products/factverse) คือ platform foundation เชื่อม twin execution engine, AI decision engine, data services, authoring tools และ frontline applications เข้า operating architecture เดียว [FactVerse Twin Engine](/products/factverse-twin-engine) คือ physical context layer ที่รวม assets, spaces, relationships, behavior logic, live data และ workflow state เป็น executable twin [Data Fusion Services](/products/dfs) เตรียม operational data foundation ครอบคลุม industrial systems, facility systems, enterprise systems และ documents [FactVerse Designer](/products/designer) ดูแล scene authoring, behavior modeling, layout planning, process logic, virtual planning และ simulation preparation [FactVerse AI Agent](/products/factverse-ai-agent) สนับสนุน analysis, diagnosis, forecasting, knowledge review, recommendation summaries และ decision handoff [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator) และ [Robotics](/products/robotics) ขยาย loop ไปสู่ inspections, work execution, guided procedures, operator training และ Physical AI data preparation ## Practical starting points - **Alarm-to-work-order loop**: เชื่อม alarms, asset context, inspection records, AI-assisted triage, work orders และ verification - **Predictive maintenance loop**: รวม sensor trends, operating context, maintenance history, risk review และ field execution - **Facility energy review**: เชื่อม meters, equipment state, zones, inspections, work orders และ scenario analysis - **Process simulation**: เปรียบเทียบ layout, packaging, material flow, robot paths และ operator access ก่อน physical changes - **Operator training**: ใช้ digital twin context และ Simulator scenarios เพื่อฝึกซ้ำรอบ equipment behavior - **Robotics preparation**: เตรียม assets, scenes, synthetic data, labels และ task context สำหรับ Physical AI และ robotics workflows เริ่มจาก workflow ที่มีขอบเขตชัด มี data access มี accountable owner มี review path และมีวิธี verify result ## Evaluation checklist - ระบบเชื่อม operational data กับ assets, spaces, systems และ work records หรือยัง? - Twin มี physical context, behavior logic, process state และ version history หรือยัง? - Teams สามารถ review proposed actions ผ่าน simulation, scenario comparison หรือ engineering checks ได้หรือยัง? - AI recommendations สามารถไปสู่ inspections, work orders, guided procedures, training หรือ robotics workflows ได้หรือยัง? - Operators และ engineers เห็น evidence behind recommendation ได้หรือยัง? - Organization บันทึก approval, execution, exceptions และ verification หรือยัง? - Context เดียวกันสนับสนุน facility operations, manufacturing, training, maintenance และ simulation ได้ต่อเนื่องหรือยัง? คำถามเหล่านี้ช่วยให้ Physical AI เชื่อมกับ operating reality และนำไปสู่ programs ที่ execute ได้จริง ## Public references [FactVerse AI Agent launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) อธิบาย public direction ของ DataMesh สำหรับ simulation-driven operations ใน complex facilities [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) announcement และ [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) แสดงว่า simulation digital twins, OpenUSD workflows และ Physical AI preparation เชื่อมกับ platform story ของ DataMesh อย่างไร [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC collaboration](/about/news/collaboration-between-jtc-datamesh) และ [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) เป็น public examples สำหรับ digital twin context, facility operations และ AI-assisted maintenance themes --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## Intralogistics depends on physical context Warehouse and factory logistics work happens in physical space. A storage policy may look correct in a table, yet the result depends on aisle width, forklift turning radius, dock queues, charging locations, pedestrian crossings, staging capacity, conveyor handoff timing, and how operators recover from exceptions. Automation planning adds more pressure. Teams need to discuss AGV or AMR routes, conveyor changes, storage density, line-side delivery, replenishment windows, and safety zones before they commit capital, move equipment, or interrupt operations. Static drawings, spreadsheets, and process maps help, but they rarely give every stakeholder the same operating picture. An operational digital twin gives the team a shared spatial layer. It connects warehouse zones, material routes, equipment, work areas, procedures, operating records, and scenario assumptions so planners, automation vendors, safety teams, trainers, and operations leaders can review the same environment. ## What to model Useful intralogistics twins start with practical operating objects: | Layer | Examples | | ---------- | ------------------------------------------------------------------------------------------------------------ | | Spaces | docks, receiving areas, storage zones, line-side areas, staging, shipping, quarantine, charging areas | | Routes | forklift paths, AGV or AMR paths, conveyor lines, pedestrian crossings, emergency access, maintenance access | | Assets | racks, conveyors, doors, gates, vehicles, charging equipment, sensors, scanners, safety devices | | Work rules | picking, replenishment, loading, unloading, sequencing, inspection, exception handling, shift handover | | Events | blocked route, delayed pickup, full buffer, damaged pallet, equipment fault, safety stop, missed scan | | Records | inspection findings, work orders, photos, operator notes, training results, scenario versions | The point is traceability. A route, rack, dock, vehicle, work order, and scenario should refer to the same asset and location identity across planning, training, inspection, and operational review. ## Planning before automation investment Before automation investment, teams need to test basic questions: * Are docks, staging areas, storage zones, and line-side buffers placed correctly? * Do forklift paths, pedestrian paths, and AGV or AMR paths conflict? * Does a proposed conveyor, lift, gate, or charging area block maintenance access? * Where do queues appear when receiving, picking, shipping, or line feeding peaks? * Can operators see, reach, and recover from the likely exception points? * Which scenario should move into vendor engineering, detailed simulation, or a physical pilot? [FactVerse DLC](/products/factverse-dlc) gives delivery teams reusable warehouse and logistics content such as warehouse zones, transport routes, storage areas, and transport-line assets. [FactVerse Designer](/products/designer) then lets teams adapt those resources to the actual site, compare layout variants, and create reviewable scenes. The value is clarity before disruption. A digital twin review can remove weak options, sharpen requirements for automation vendors, and give operations teams a clearer view of how a proposed layout will affect daily work. ## Scenario validation Warehouse and intralogistics validation should focus on decisions that teams can act on: * route conflicts and clearance issues * dock, staging, and buffer capacity * forklift, AGV, AMR, conveyor, and operator handoff points * emergency access and safety boundary review * replenishment timing and line-side delivery assumptions * equipment placement, charging location, and maintenance access * exception workflows such as damaged goods, blocked aisles, failed scans, or equipment faults At this stage, the digital twin works as a decision layer. It narrows layout and route options, identifies questions that need deeper simulation, and organizes the evidence needed for vendor engineering, site trials, and operating procedure design. ## Training and safety rehearsal Intralogistics projects change how people move through a site. Operators may need new routes, new loading sequences, new scanner steps, new safety checks, or new exception handling. Training should use the same spatial context as planning. [Simulator](/products/simulator) is relevant when training depends on vehicle behavior, route discipline, physical controls, safety rules, and assessment records. Forklift-style training can help operators practice movement, turning, load handling, visibility, and exception response in repeatable scenarios before they work around live equipment. [Director](/products/director) and [Inspector](/products/inspector) can support guided procedures, inspections, issue capture, and field evidence. This connects training with execution: the route, asset, checklist, photo, issue, and work record remain tied to the same operational twin context. ## From planning to work execution Warehouse digital twins become more useful when they move from a review scene into daily operations: 1. **Map the site** - Align docks, zones, aisles, racks, conveyors, equipment, work areas, and route names with the customer's asset records. 2. **Create scenarios** - Use Designer and warehouse DLC resources to build layout options, transport routes, staging areas, safety boundaries, and operating views. 3. **Review with stakeholders** - Bring operations, engineering, safety, IT, automation vendors, and training teams into the same scene. 4. **Prepare training** - Turn approved routes, procedures, and exception cases into operator training and guided work content. 5. **Connect records** - Use Data Fusion Services and FactVerse to bind equipment state, work records, inspection data, documents, and operating events. 6. **Execute and capture evidence** - Use Inspector to record inspections, issues, photos, repair notes, acceptance steps, and work-order status. 7. **Prepare AI review** - When data and workflows are stable, FactVerse AI Agent can support triage, recommendations, and work execution review. This sequence keeps planning, training, and execution connected. The model grows from a visual asset into a shared operational context that teams can review and maintain. ## Data and AI readiness AI-assisted logistics operations require stable context. Before asking an AI Agent to reason about routes, bottlenecks, work orders, or equipment states, the site needs consistent identities and records: * location hierarchy for site, building, floor, zone, aisle, dock, rack, and line-side area * asset identities for conveyors, vehicles, scanners, gates, chargers, sensors, and safety devices * route definitions and allowed operating areas * event definitions for delays, faults, blocked paths, full buffers, safety stops, and missed scans * work-order and inspection records tied to assets and locations * training records tied to roles, procedures, routes, and equipment * data quality status, owners, update cadence, and exception handling rules With this foundation, AI Agent can support practical work: summarize repeated issues, flag missing context, recommend next checks, connect alarms to work orders, and help teams review operational patterns. Dispatch logic and final operating decisions should stay governed by customer systems, procedures, and accountable teams. ## Product roles [FactVerse DLC](/products/factverse-dlc) provides reusable warehouse and logistics content for zones, routes, storage areas, transport lines, planning scenes, and training scenarios. [FactVerse Designer](/products/designer) is the authoring environment for layout variants, material routes, scenario views, labels, panels, and stakeholder review. [DataMesh FactVerse](/products/factverse) and [FactVerse Twin Engine](/products/factverse-twin-engine) hold the operational twin context: spaces, assets, relationships, routes, work objects, permissions, and scenario records. [Data Fusion Services](/products/dfs) connects operational data, enterprise records, equipment states, documents, and event streams to the right twin objects. [Simulator](/products/simulator) supports equipment operator training when route discipline, vehicle behavior, physical controls, and assessment records matter. [Inspector](/products/inspector) connects the twin to inspections, issues, photos, repair notes, work orders, acceptance records, and field evidence. [FactVerse AI Agent](/products/factverse-ai-agent) can support operational review and work execution preparation after the data model, events, and workflow records are mature. ## Readiness checklist * Are warehouse zones, docks, racks, aisles, staging areas, and line-side areas named consistently? * Are routes, pedestrian crossings, safety zones, and maintenance access areas defined? * Are forklifts, conveyors, AGVs, AMRs, chargers, scanners, doors, and gates represented as assets? * Are layout variants tied to the business question being reviewed? * Are exception cases documented before training and site rollout? * Are inspection points, issue categories, work-order handoff, and evidence fields defined? * Are operator training scenarios linked to real routes, procedures, and equipment? * Are data owners, refresh cadence, and data quality status clear? * Are AI Agent use cases grounded in stable asset, route, event, and work-order records? ## Public references The [warehousing and logistics DLC update](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) shows how FactVerse content can support logistics environments, routes, layouts, and operational scenarios. The [Gyro intralogistics reference](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) shows digital twins used to make intralogistics automation easier to understand, validate, and implement. The [Jebsee production-line automation planning reference](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) shows how FactVerse can help teams communicate and review automation plans around production-line change. The [DataMesh Simulator Platform announcement](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) shows the public direction for digital twin based operator training and equipment simulation. --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI starts with real operating context Industrial AI becomes useful when it understands the place where decisions happen. A facility, production line, data center, utility room, warehouse, or construction site has assets, spaces, signals, people, procedures, physical constraints, and approval rules. Physical AI brings those layers into the decision workflow. For DataMesh, Physical AI is an operating capability built around executable digital twins. The twin holds the physical context. AI supports analysis and recommendation. Simulation helps teams compare possible outcomes. Field applications carry approved work into inspections, work orders, training, or operating procedures. Verification records bring the result back into the twin. That loop matters because industrial decisions have consequences in the real world. A recommendation needs asset context, operating state, spatial constraints, process dependencies, and a clear path into execution. ## The core layers of Physical AI | Layer | What it contributes | | ------------------------------ | -------------------------------------------------------------------------------------------------------- | | Operational data | BMS, SCADA, IoT, MES, CMMS, EAM, meters, alarms, work history, and documents | | Physical context | Sites, buildings, floors, zones, systems, equipment, routes, safety areas, and access constraints | | Behavior and process logic | State changes, dependencies, procedures, timing, exceptions, and workflow rules | | Simulation and scenario review | Layout comparison, process validation, physics assumptions, training scenarios, and robotics preparation | | AI decision intelligence | Anomaly review, forecasting, evidence summaries, option comparison, and next-action recommendations | | Execution workflows | Inspections, work orders, guided procedures, training, acceptance records, and field evidence | The strongest Physical AI programs keep these layers connected. AI can then work with the same asset names, operating relationships, and evidence records that engineering and operations teams already use. ## The DataMesh operating loop 1. **Connect data** - Data Fusion Services brings operational data from plant systems, facility systems, enterprise platforms, meters, sensors, and documents into a shared context. 2. **Build the executable twin** - FactVerse and Twin Engine organize assets, spaces, relationships, live state, behavior logic, and scenario records. 3. **Author and simulate scenarios** - Designer and Omniverse-related workflows help teams review layouts, process flows, equipment movement, packaging behavior, robotics paths, and training scenarios. 4. **Analyze with AI Agent** - FactVerse AI Agent reviews signals, trends, asset context, and knowledge sources to support diagnosis, prioritization, and recommended next steps. 5. **Execute through applications** - Inspector, Checklist, Director, Simulator, and DataMesh One turn approved decisions into work orders, guided tasks, training, and field records. 6. **Verify the result** - Completion status, notes, photos, acceptance records, exceptions, and operating results return to the twin for review and improvement. This is why Physical AI should be planned as a loop. The value comes from the connection between analysis, validation, execution, and review. ## How this differs from general AI in operations General AI can summarize documents, answer questions, or generate reports. Industrial Physical AI needs additional operating context. It needs to know which asset is involved, where it sits, which system it belongs to, which signals are relevant, which process state matters, and how a recommended action should move into governed work. An alarm on a pump, for example, can connect to the pump asset, upstream and downstream equipment, historical work orders, current operating state, spatial location, inspection route, safety area, and maintenance procedure. AI can then support the review with richer evidence, while the twin keeps the decision grounded in the real site. The same pattern applies to equipment maintenance, energy analysis, process simulation, operator training, facility management, construction guidance, and robotics workflows. ## Where DataMesh products fit [FactVerse](/products/factverse) is the platform foundation. It connects the twin execution engine, AI decision engine, data services, authoring tools, and frontline applications into one operating architecture. [FactVerse Twin Engine](/products/factverse-twin-engine) is the physical context layer. It binds assets, spaces, relationships, behavior logic, live data, and workflow state into an executable twin. [Data Fusion Services](/products/dfs) prepares the operational data foundation across industrial systems, facility systems, enterprise systems, and documents. [FactVerse Designer](/products/designer) owns scene authoring, behavior modeling, layout planning, process logic, virtual planning, and simulation preparation. [FactVerse AI Agent](/products/factverse-ai-agent) supports analysis, diagnosis, forecasting, knowledge review, recommendation summaries, and decision handoff. [Inspector](/products/inspector), [Checklist](/products/checklist), [Director](/products/director), [Simulator](/products/simulator), and [Robotics](/products/robotics) extend the loop into inspections, work execution, guided procedures, operator training, and Physical AI data preparation. ## Practical starting points * **Alarm-to-work-order loop**: connect alarms, asset context, inspection records, AI-assisted triage, work orders, and verification. * **Predictive maintenance loop**: combine sensor trends, operating context, maintenance history, risk review, and field execution. * **Facility energy review**: connect meters, equipment state, zones, inspections, work orders, and scenario analysis. * **Process simulation**: compare layout, packaging, material flow, robot paths, and operator access before physical changes. * **Operator training**: use digital twin context and Simulator scenarios to support repeatable practice around equipment behavior. * **Robotics preparation**: prepare assets, scenes, synthetic data, labels, and task context for Physical AI and robotics workflows. Start with a bounded workflow that has data access, an accountable owner, a review path, and a way to verify the result. ## Evaluation checklist * Does the system connect operational data to assets, spaces, systems, and work records? * Does the twin include physical context, behavior logic, process state, and version history? * Can teams review proposed actions through simulation, scenario comparison, or engineering checks? * Can AI recommendations move into inspections, work orders, guided procedures, training, or robotics workflows? * Can operators and engineers see the evidence behind a recommendation? * Can the organization record approval, execution, exceptions, and verification? * Can the same context support facility operations, manufacturing, training, maintenance, and simulation over time? These questions keep Physical AI tied to operating reality and away from isolated AI experiments. ## Public references The [FactVerse AI Agent launch](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) describes DataMesh's public direction for simulation-driven operations in complex facilities. The [FactVerse and NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) announcement and [GTC 2025 showcase](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) show how simulation digital twins, OpenUSD workflows, and Physical AI preparation fit into DataMesh's public platform story. The [NIO smart factory](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins), [JTC collaboration](/about/news/collaboration-between-jtc-datamesh), and [Yokogawa predictive maintenance](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) references provide public examples of digital twin context, facility operations, and AI-assisted maintenance themes. --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI 发现需要进入执行路径 工业 AI 的价值最终体现在完成的运营闭环里。一条发现需要经过复核决策、任务派发、现场动作、证据记录和结果验证，才能真正改善运营。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以在 7x24 小时环境中持续处理已连接的信号、告警、文档和工单历史。它的发现进入数字孪生上下文，并交给负责执行的人和系统后，才会形成现场价值。 DataMesh 通过 [FactVerse](/products/factverse)、[Data Fusion Services](/products/dfs)、[Inspector](/products/inspector)、[Checklist](/products/checklist)、[Director](/products/director)，以及客户已有的 CMMS、EAM、BMS、SCADA、ERP 和文档系统，连接这条路径。 ## 闭环工单的流程 1. **发现** - AI Agent、规则、看板或已有系统识别异常趋势、重复告警、漏检、资产风险或运营异常。 2. **关联上下文** - FactVerse 将发现连接到资产、空间、系统、实时值、文档、SOP 和工单历史。 3. **复核** - 操作员、工程师或主管检查证据、风险等级和建议动作。 4. **派发** - 已确认发现进入 Inspector、Checklist、CMMS、EAM 或其他已批准系统，形成工单、巡检、任务或指导流程。 5. **指导** - 现场团队使用资产上下文、检查表、数字 SOP、3D 操作指导、照片、手册和安全说明完成任务。 6. **记录** - 团队记录完成说明、读数、照片、异常、备件、更换记录、审批和验证结果。 7. **学习** - 结果、被否决建议、重复事件和动作后的读数，回到数据质量复核和机器学习改进流程。 这套结构让 AI 发现有清晰的执行去向。 ## 工单里应该包含哪些信息 工业工单需要给现场团队足够上下文，减少跨系统查找。一个工作项应携带资产、位置、系统关系、问题描述、证据、优先级、所需技能、安全说明、验收标准和审批路径。 建议包含： * 资产 ID、空间、系统和巡检路线 * 触发任务的 AI 发现、告警、巡检结果或人工请求 * 源信号数值、趋势截图和时间窗口 * 相关文档、SOP、图纸、手册和备件信息 * 建议检查项、必填照片、读数和验收字段 * 复核人、执行人、截止时间、优先级和升级规则 * 完成说明、异常原因、验证读数和结果标签 这些字段连接到数字孪生后，工单会成为运营记录的一部分。 ## 产品如何协同 [FactVerse AI Agent](/products/factverse-ai-agent) 负责准备发现、整理证据、比较运营模式、生成建议，并跨班次持续观察已连接反馈。 [FactVerse](/products/factverse) 和 [FactVerse Twin Engine](/products/factverse-twin-engine) 提供运营模型，管理资产、空间、关系、状态、行为逻辑和工作流状态。 [Data Fusion Services](/products/dfs) 连接源系统，将信号、告警、文档、工单记录和企业数据映射为可用上下文。 [Inspector](/products/inspector) 管理告警、工单、派工、维护记录、照片、验证字段和现场执行证据。 [Checklist](/products/checklist) 管理巡检点、必填记录、合规字段和可重复的现场流程。 [Director](/products/director) 支持数字 SOP、3D 操作手顺、培训内容和复杂任务的逐步指导。 ## 与现有系统集成 大多数工业团队已经在使用 CMMS、EAM、BMS、SCADA、MES、ERP、票务系统和文档系统。工作流设计需要尊重系统归属。 Data Fusion Services 可以把这些系统的数据接入 FactVerse。Inspector 和已连接的执行系统负责派工、现场记录和关闭流程。CMMS 或 EAM 可以继续作为维护主记录系统。FactVerse 补充资产上下文、空间上下文、AI 发现、现场证据和跨系统可视性。 集成规划应明确： * 哪个系统创建工单 * 哪个系统管理状态、优先级和关闭 * 哪些字段在系统之间同步 * 如何避免重复任务 * 照片、读数和证据存放在哪里 * 被否决的 AI 建议和人工修正如何保留 * 网络安全、访问控制和审计要求如何处理 清晰的归属能让闭环在扩展更多工作流时保持稳定。 ## 现场执行与数字 SOP 很多工业流程仍然依赖人员完成，例如生物制药操作步骤、设施巡检、电气间检查、半导体公辅维护、重型设备培训、数据中心维护、施工交付和仓储物流设备服务。 数字 SOP 可以帮助这些任务标准化。Director 能把流程转化为 3D 指导内容。Checklist 能要求指定检查、照片、读数和签核。Inspector 能把任务连接到资产、位置、工作历史和证据链。 对于受监管或涉及安全的工作，流程可以要求复核步骤、角色权限、必填记录和验收标准，然后才能关闭。 ## 7x24 小时运行与反馈数据 工业 AI 持续观察变化时，价值会更稳定。FactVerse AI Agent 可以在 7x24 小时运行环境中处理已连接信号、告警、工单变化、巡检记录和现场反馈。 反馈数据同样关键。确认原因、操作员备注、被否决建议、已完成维修、照片、读数和动作后的结果，会形成后续分析数据集。机器学习可以用这些记录评估建议质量、识别重复模式，并调优后续工作流。 系统从团队真实执行、实际改善和人工复核修改中学习，闭环会逐步增强。 ## 落地路径 先选择一个责任清晰、结果可见的工作流。适合起点包括某类关键设备、某条设施巡检路线、某个数据中心资产组、某组换热站、某个生产公辅系统或某个操作指导流程。 1. 定义任务和责任人。 2. 连接所需信号、文档、工单历史和 SOP。 3. 在 FactVerse 中映射资产和空间上下文。 4. 确定谁复核 AI 发现，以及风险等级如何影响审批。 5. 将已确认发现进入 Inspector、Checklist、CMMS、EAM 或其他执行系统。 6. 采集现场证据和动作后的读数。 7. 复盘结果，在闭环稳定后再扩大范围。 ## 评估清单 * 每条 AI 发现是否能追踪到资产、空间、信号、文档和工作历史 * 每条建议是否有复核人和执行去向 * 现场团队是否能看到正确的 SOP、检查表、安全说明和证据要求 * 完成说明、照片、读数、异常和验证结果是否被记录 * 被否决建议和人工修正是否能保留复盘 * 这套闭环是否能跨班次、移动团队和远程专家运行 * 结果记录是否能支持机器学习评估和后续建议调优 ## 公开参考 [工作流数字化解决方案页面](/solutions/workflow-digitization)介绍 DataMesh 连接告警、计划任务、巡检记录、指导流程和工单的方式。 [FactVerse AI Agent 运营闭环指南](/resources/guides/factverse-ai-agent-industrial-operations-loop)介绍 AI 建议进入人工复核工业运营闭环的方式。 [Yokogawa 与 DataMesh 预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)、[NIO 智能工厂参考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)和 [JTC 合作](/about/news/collaboration-between-jtc-datamesh)提供了数字孪生上下文、工业数据和运营执行的公开示例。 --- ## [GUIDES] ai-facility-management-operational-digital-twins ## 设施管理需要统一的运营上下文 大型设施通常由很多专业系统共同管理。BMS、EMS、仪表、告警、资产台账、CMMS、EAM、BIM、图纸、服务报告和巡检记录都描述了现场的一部分。日常难点在于，当问题出现、工单生成、能耗模式变化或管理层需要证据时，团队要把这些分散的信息重新拼起来。 AI 智慧设施管理首先需要运营数字孪生。数字孪生把空间、资产、系统、数据、工作记录、文档和现场执行连接起来，让团队能在同一上下文里复核设施状态。AI 再用于汇总异常、比较模式、起草建议动作和准备管理复盘。 这个模式适用于商业建筑、园区、数据中心、工厂、公辅系统和高端制造设施。在先进制造场景中，设施团队经常需要跨多个站点管理洁净环境支撑系统、供配电、压缩空气、冷却、排风、告警、巡检和服务交接。共享的运营数字孪生可以为这些团队提供稳定的复盘和执行上下文。 ## 设施数字孪生应该连接什么 | 层级 | 运营上下文 | |---|---| | 空间 | 站点、建筑、楼层、房间、区域、洁净区域、服务走廊、通行路线和安全边界 | | 系统 | HVAC、冷却、供配电、照明、给排水、压缩空气、排风、消防、电梯和工艺公辅 | | 资产 | 设备台账、资产编号、文档、服务负责人、维护计划、质保信息和备件引用 | | 信号 | BMS 点位、仪表、传感器、告警、环境数据、历史标签和计算指标 | | 工作 | 巡检、工单、整改动作、照片、现场说明、验收记录和验证状态 | | 能源 | 仪表读数、EUI、负荷构成、运行时段、天气上下文、设定值和改进方案 | | 语义 | Brick Schema 对齐的建筑、系统、设备、仪表、传感器、点位和关系 | | 治理 | 来源负责人、数据质量、审批路径、运营责任、版本和证据留存 | 当一个信号可以追溯到受影响的空间、资产、系统、责任团队和现场记录时，数字孪生才会真正有用。 ## DataMesh AI 设施管理流程 1. **收集设施来源** - 汇总 BMS、EMS、仪表、IoT、历史库、资产台账、CMMS、EAM、BIM/IFC、图纸、巡检计划和服务报告。 2. **建立运营数字孪生** - 使用 FactVerse 和 Twin Engine 组织空间、资产、公辅系统、文档、路线、点位和工作上下文。 3. **连接数据管道** - 使用 Data Fusion Services 接入、清洗、标准化、计算数据，并把运营数据绑定到正确的孪生对象。 4. **组织设施语义** - 在适合的场景中使用 Brick Schema 对齐的关系，让建筑、区域、设备、仪表、传感器和点位拥有一致含义。 5. **使用 AI 辅助复盘** - 使用 FactVerse AI Agent 汇总异常能耗、重复告警、缺失记录、维护模式和候选动作，供团队复核。 6. **比较能耗方案** - 当团队需要更深入的建筑能耗建模和方案比较时，使用 EnergyPlus 相关分析流程。 7. **执行并验证工作** - 使用 Inspector 创建巡检、工单、派工、照片、维修说明、验收记录和验证证据。 这个流程形成从信号到分析、从分析到工作、从工作到验证记录的闭环。 ## AI 在哪里产生价值 当设施上下文已经连接起来时，AI 的价值更明显。FactVerse AI Agent 可以帮助团队比逐个看 dashboard 更快地复核大量运营数据和工作历史。 常见复盘模式包括： - 按空间、系统、资产、时间窗口和工单历史整理重复告警。 - 按仪表、区域、资产组、天气和运行时段复核异常能耗。 - 找出反复维修、记录不完整或验收失败的高维护资产。 - 复核需要设施、公辅和维护上下文共同判断的洁净区域环境漂移。 - 跨站点、服务团队和资产类别分析工单积压模式。 - 整理需要工程复核、成本上下文和现场验证的改进候选项。 AI 的实际角色是辅助决策。设施团队仍然需要责任人、审批规则、现场执行和验证证据。 ## Brick Schema 与 EnergyPlus 如何配合 Brick Schema 为建筑和设施数据提供一致的语义层。一个温度点位可以连接到正确的传感器、区域、空气系统和设备。一个仪表可以连接到它计量的系统或空间。一个工单可以连接到触发它的资产、告警、文档和巡检记录。 这层语义结构可以提升维护、能耗分析、Green Mark 准备和管理复盘的可追溯性。它也能为 AI Agent 汇总问题和准备建议动作提供更清晰的上下文。 当团队需要更深入的能耗分析时，可以引入 EnergyPlus。DataMesh 可以把 BIM/IFC、天气数据、运营记录和数字孪生上下文与 EnergyPlus 建筑能耗模型连接起来，用于比较 EUI、负荷构成、运行计划、设定值、改造方案和控制策略变化。 这些分析结果应该回到运营闭环中。团队可以创建工单、记录假设、采集现场结果，并把动作后的运营记录与基线进行比较。 ## 从哪里开始 好的起点通常是已经有设施数据、资产负责人和现场执行路径的范围： - 重复告警或服务责任不清晰的公辅系统。 - 需要能耗或舒适度复核的 HVAC 与冷却系统。 - 需要共享环境漂移和维护记录的洁净环境支撑系统。 - 用于能源治理的仪表组和高负荷区域。 - 巡检频繁且现场记录重复的设备。 - 需要统一资产类别和报表的多站点设施组合。 首个试点应该选择可管理的资产组、一到两个数据源、清晰的工单路径，以及设施团队已经认可的复核指标。 ## 应该验证哪些指标 AI 智慧设施管理应该基于站点自身基线验证。常见指标包括： - 从告警或发现到人工复核的时间。 - 发现转化为计划性工作的比例。 - 工单关闭质量和证据完整度。 - 整改后的重复告警率。 - 能耗基线完整度和复核频率。 - 重点资产和系统的数据映射覆盖率。 - 一线团队对引导流程和记录采集的接受度。 - 跨站点、资产和服务团队的管理复盘质量。 成熟项目会先验证工作质量和决策可追溯性，再讨论节省效果。 ## 公开参考 [JTC 与 DataMesh 合作](/about/news/collaboration-between-jtc-datamesh) 展示了数字孪生和混合现实在复杂设施和施工工作流中的应用。 [横河预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了工业设施中 AI 辅助维护复盘的公开方向。 [太古可口可乐维护参考](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 展示了一线培训、维护流程数字化和现场记录如何支撑执行。 [佛吉亚与亿纬锂能参考](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) 展示了运营可视化、能耗上下文和数字孪生工作流如何支持制造和设施改进项目。 --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## 运营数字孪生需要可生产使用的模型资产 BIM、CAD、点云和三维文件往往来自不同团队和项目阶段。设计模型保留设计意图，CAD 文件描述设备、布局和机械细节，点云记录现场实际状态，资产台账、照片、图纸和调试记录补齐上下文。 运营数字孪生需要把这些来源整理成稳定的资产层。模型需要快速打开，和现场对齐，连接真实资产身份，支持权限管理，并为数据绑定留下清晰目标。模型外观精美只是起点，设施管理、施工指导、仿真和现场巡检还需要可查找、可绑定、可更新的对象结构。 [FactVerse Designer](/products/designer) 与 [FactVerse Twin Engine](/products/factverse-twin-engine) 帮助团队把源模型转化为可复用的运营数字孪生资产。这项工作同时涉及视觉与数据：清理几何，保留必要语义，对齐现场，并准备可被应用引用的对象。 ## 不同源模型承担不同任务 | 来源 | 在资产管线中的主要价值 | |---|---| | BIM | 空间结构、系统、设计意图、设备位置、文档链接 | | CAD 与三维模型 | 设备几何、生产布局、机械部件、供应商对象 | | 点云 | 竣工采集、空间校核、改造证据、现场对齐 | | 图纸与照片 | 补充缺失对象、通行路径、隐蔽工程、维护区域上下文 | | 资产台账 | 资产 ID、名称、负责人、系统归属、维护责任、生命周期状态 | | 运营数据 | 传感器、仪表、告警、状态值、文档、巡检记录、操作手顺 | 每个来源都应保留责任人、版本和审核状态。现场发现冲突、业主询问模型变化原因、仿真团队确认场景假设时，这些来源记录都很关键。 ## 导入前的质量门槛 模型进入制作工具前，应先确认基础条件： * 源文件责任人、授权范围、导出日期和审批状态 * 单位、原点、朝向、坐标系统和场地基准 * 专业范围、楼层或区域覆盖和模型版本 * 文件体量、对象数量、纹理尺寸和目标运行环境 * 楼层、房间、系统、资产和设备类别的命名规则 * 敏感几何、安全限制和角色权限要求 * 资产台账、文档和运营系统的关联需求 这些检查可以减少常见问题：模型偏移、文件过大、设备重复、资产 ID 缺失、归属不清，以及几何无法复用。 ## 为运行时准备几何 运营应用面对的使用者通常并非原始建模团队。模型需要被读取、渲染、搜索和持续更新。几何准备通常包括： * 移除对目标工作流没有帮助的施工细节 * 按场地、建筑、楼层、区域、系统或设备组拆分大型模型 * 简化重复对象，同时保留可识别形态 * 统一 BIM、CAD 与点云来源的原点和坐标参考 * 面向桌面、移动端、Web 和混合现实创建不同细节层级 * 保持对象层级稳定，便于标签、筛选、权限和数据绑定 * 检查通行区域、检修空间、安全边界和现场路线可视性 目标是让模型运行流畅，同时保留运维团队真正需要查找的对象。 ## 用点云提升竣工可信度 当现场变化快于文档更新时，点云特别有价值。它可以帮助团队比对当前设施与设计记录，定位已安装设备，确认服务区域周边空间，并更新改造影响范围。 点云也能支持业主、承包商和设施团队之间的沟通。当 BIM 对象、CAD 文件和现场扫描结果不一致时，团队可以记录差异，更新模型来源，并保留决策链路。 常见点云复核内容包括设备位置、路线净空、管线和桥架密集度、检修空间、楼面标高、吊顶空间、机柜布局和临时工程。复核结果应转化为明确的模型更新或例外记录。 ## 把对象封装为运营资产 资产管线完成的标志，是对象可以参与运营。一台泵、一台 AHU、一台冷机、一个机柜、一个机器人单元、一段包装工位、一台吊装设备或一个阀门，都应携带足够上下文，便于应用识别和复用。 关键字段包括： * 资产 ID 和显示名称 * 资产类别、系统、楼层、房间、区域和路线 * 源模型、源版本、复核人和审批状态 * 文档链接、图纸、手册、SOP 和巡检模板 * 传感器、仪表、告警、状态值和工作记录的数据绑定目标 * 颜色、标签、显隐和场景分组等视觉状态规则 * 面向敏感空间、设备或客户专属布局的权限分类 这样三维内容才能成为设施团队、现场团队、仿真团队和 AI 工作流共享的运营对象库。 ## DataMesh 资产管线 1. **汇集源数据包** - 收集 BIM、CAD、三维模型、点云、图纸、照片、资产清单、设备文档和运营系统引用。 2. **校验模型基础** - 检查单位、坐标、原点、文件体量、覆盖范围、对象层级、命名、归属和安全边界。 3. **标准化并分段几何** - 按楼层、区域、系统、工艺区域、设备组或运行时场景准备模型。 4. **对齐现场实际** - 使用点云或现场记录校核位置、净空、通行条件和改造差异。 5. **创建运营对象** - 绑定资产 ID、类别、空间、系统、文档、巡检模板和数据绑定目标。 6. **编排场景行为** - 在 Designer 中制作视图、标签、面板、场景逻辑、楼层切换、漫游和汇报内容。 7. **发布到运行时** - 通过 Twin Engine 和 FactVerse 应用，让资产用于可视化、现场指导、监控、仿真和设施工作流。 8. **治理后续更新** - 随着现场变化维护版本历史、复核记录、源文件归属和变更说明。 ## 准备度检查清单 * 每个已发布模型是否能追溯到源文件和责任人 * 单位、比例、原点、朝向和场地坐标是否已经校验 * 模型是否按照目标应用进行了分段 * 楼层、区域、系统、设备和路线命名是否一致 * 资产 ID 是否与客户资产台账或维护系统对齐 * 敏感区域和客户专属几何是否受访问规则保护 * 点云发现是否已经转化为模型更新或例外记录 * 仪表盘或 AI 工作流消费场景前，数据绑定目标是否已准备 * 设施发布后发生变化时，是否有明确更新路径 ## 公开参考 [JTC 与 DataMesh 合作](/about/news/collaboration-between-jtc-datamesh)展示了 BIM 与混合现实如何帮助施工顺序理解和一线执行。 [大林组施工参考](/about/news/digital-twin-empowers-bim-obayashi)展示了 BIM 数据与数字孪生内容如何支持施工过程复核。 [TOKYO TORCH XR 投影参观](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq)展示了基于 BIM 的数字孪生可视化如何用于规划建筑的利益相关方沟通。 [FactVerse 与 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)发布内容说明了 DataMesh 在仿真数字孪生和可互操作三维工作流上的公开方向。 --- ## [GUIDES] bim-to-operational-digital-twin ## BIM 进入运营后价值更大 BIM 为项目团队提供了丰富的设计模型，但运营团队需要的是能够连接空间、资产、系统、任务、实时状态和记录的工作上下文。真正有用的问题是：模型如何在设计评审之后继续支持决策，例如问题发生在哪里，影响哪台设备，谁负责下一步行动，以及哪些证据能证明结果。 运营数字孪生把 BIM 和 3D 资产带入现场与设施工作流。它把模型几何与资产身份、空间层级、数据绑定、引导规程、巡检记录、工单和移交证据连接起来。模型成为施工团队、业主、服务商和设施团队共享的运营上下文。 这对 MEP 区域、设备间、改造楼层、密集管线走廊、数据中心、园区和复杂设施尤其重要，因为图纸、照片、问题清单和系统数据通常分散在多个工具里。 ## BIM 运营化之后发生什么变化 | 层级 | 运营用途 | |---|---| | 空间层级 | 场地、建筑、楼层、房间、区域、路线、通行区域和安全边界 | | 资产身份 | 设备 ID、所属系统、标签、文档、负责人和维护责任 | | 系统关系 | 电力、冷却、空气、水、工艺、控制，以及上下游依赖 | | 数据绑定 | 传感器、仪表、告警、BMS、SCADA、IoT、CMMS、EAM 和历史工作记录 | | 现场工作流 | 安装指导、调试检查、巡检、问题、工单和验收证据 | | 设施工作流 | 监控、维护、能耗复核、改造规划、应急响应和培训 | | 治理 | 模型版本、数据来源、负责人、更新流程、质量复核和移交状态 | 关键变化是从模型可见走向运营连续性。团队可以在施工、调试、移交、日常维护和后续改造中使用同一套空间上下文。 ## DataMesh 工作流 1. **收集源模型和记录** - 汇总 BIM、CAD、点云、图纸、设备清单、运维文档、调试记录、问题日志和现场照片。 2. **构建空间对象模型** - 使用 FactVerse 和 Twin Engine 组织建筑、楼层、房间、区域、系统、资产、路线和关系。 3. **连接数据源** - 使用 Data Fusion Services 连接设施系统、企业系统、传感器、仪表、告警、文档和工作记录。 4. **创作可用场景** - 使用 Designer 准备场景、标签、面板、行为、楼层切换、系统视图和场景演示。 5. **支持现场指导** - 使用 Director 和 DataMesh One 交付安装指导、巡检步骤、调试规程、培训和利益相关方评审。 6. **采集执行记录** - 使用 Inspector 采集问题、巡检、照片、整改行动、工单、验收备注和验证状态。 7. **延续到运营阶段** - 随着设施变化持续维护孪生，让后续维护、能耗分析、改造和应急响应使用同一套资产与空间上下文。 目标是让项目数据连续过渡为运营数据。 ## 优先受益的工作流 - **施工协同**：在 3D 上下文中复核 MEP 路由、密集设备区域、隐蔽工程、安装顺序和现场约束。 - **调试与移交**：把验收记录、照片、资产 ID、调试文档和遗留问题连接到对应房间或设备。 - **设施监控**：把实时状态、告警、仪表数据和设备状态绑定到孪生中，让团队理解事件发生的位置。 - **巡检与维护**：把空间上下文转化为巡检、工单、照片、整改行动和闭环证据。 - **改造规划**：在开工前复核受影响区域、通行路线、相邻系统、设备关系和现场约束。 - **能源与可持续复核**：连接区域、系统、仪表、资产关系和运行记录，支持设施分析和 Green Mark 准备证据。 优先从空间上下文能解决真实交接问题的工作流开始。 ## DataMesh 产品如何协同 [FactVerse](/products/factverse) 为运营数字孪生提供平台基础，连接资产、空间、数据、AI、仿真和工作流上下文。 [FactVerse Twin Engine](/products/factverse-twin-engine) 把 BIM、CAD、点云和运营记录转化为应用可使用的运行时上下文。 [Data Fusion Services](/products/dfs) 把运营数据和业务记录连接到孪生中，帮助把源数据映射到资产、空间、系统和工作流。 [FactVerse Designer](/products/designer) 准备场景、视图、交互、场景说明和可视化规划内容。 [Director](/products/director) 支持引导规程、安装指导、培训和面向现场的说明。 [Inspector](/products/inspector) 管理巡检、工单、问题闭环、维护证据和设施记录。 这些产品共同帮助团队从项目可视化走向可工作的运营数字孪生。 ## 治理清单 - BIM、CAD、点云和图纸来源是否记录了版本和负责人? - 建筑、楼层、房间、区域、系统和资产命名是否一致? - 资产 ID 是否与企业资产记录和维护系统对齐? - 数据绑定是否记录了来源、单位、刷新规则和质量状态? - 现场记录是否连接到正确的空间、资产、任务和场景版本? - 移交文档、照片、问题、验收备注和调试记录是否可以从孪生中检索? - 施工状态或设施配置变化时，更新责任是否清晰? - 设施团队是否可以用同一套上下文进行监控、巡检、维护、改造和培训? 这些检查可以把模型转换项目变成长期运营资产。 ## 公开参考 [JTC 与 DataMesh 合作](/about/news/collaboration-between-jtc-datamesh) 展示了 BIM 与混合现实如何支持施工顺序理解和一线工作。 [大林组施工案例](/about/news/digital-twin-empowers-bim-obayashi) 展示了 BIM 数据结合混合现实支持施工流程。 [户田 SAGA Arena 案例](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) 展示了数字孪生和混合现实用于施工方法仿真与验证。 [TOKYO TORCH XR 投影导览](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 展示了基于 BIM 的数字孪生可视化如何用于规划建筑的利益相关方沟通。 --- ## [GUIDES] calibration-levels-and-simulation-claim-confidence ## 证据越充分，结论越可信 校准可以让仿真更能代表特定设施、工艺或运行条件。其证据力度仍取决于数据覆盖、对比方法、残差和独立检查。仅依据一个运行周期内的一个温度点进行调参的模型，与经过多个位置、负载、设备状态以及独立确认周期对比的模型，具有不同的决策价值。 技术采购团队需要一种简明方法，将证据深度与合理结论连接起来。以下四个等级适合用于早期评估： | 证据等级 | 典型证据 | 可支持的决策 | 可得出的合理结论 | |---|---|---|---| | 探索级 | 经过评审的几何、工程假设、有记录的输入、基本质量检查、主要变量敏感性 | 概念筛选、方案比较、测量规划、试点定义 | 在已说明假设下的方向性行为和相对比较 | | 基准对比级 | 探索级证据，以及与公认、受控或供应商认可参考案例的对比 | 方法鉴定、工作流选择、已知行为检查、基线可信度 | 针对已定义基准和已测试变量的表现 | | 实测数据校准级 | 代表性现场测量、选定物理参数、校准目标、残差、验收限值和评审记录 | 现场特定场景比较、校准范围内的运营规划、有针对性的假设分析 | 在已记录校准范围和剩余不确定性内的量值、时序或裕量 | | 特定场景确认级 | 已校准模型、相关条件下的独立证据、稳健性检查、不确定性评审和专业审批 | 后果较重的规划支持、韧性评审、工程优先级排序、明确的运营决策 | 针对已确认变量、位置、条件和预期用途的结论 | 这套四级框架用于技术采购评估。认证与审批仍取决于每个项目所定义的预期用途、严谨程度要求、领域评审和治理路径。 ## 校准将模型与观测行为连接起来 仿真结合了几何、拓扑、物理关系、运行状态、边界条件和数值方法。部分输入来自直接测量，其他输入来自设计资料、供应商文档、工程判断，或仍带有不确定性的假设。 校准会调整选定的不确定参数，使约定输出与代表性观测更加接近。例如： * 数据中心热模型中的气流阻力、泄漏或设备性能 * 区域供热模型中的供水、回水、流量、压力、建筑热需求或控制参数 * 洁净室扩散模型中的局部排风流量、过滤器或风机状态、源项行为和边界假设 * 生产与机器人模型中的质量、摩擦、阻尼、刚度、恢复系数、时序或接触假设 校准目标应服从决策需求。机架入口热裕量研究需要相关机架位置和运行负载下的证据。探测器布置研究需要相关释放与通风条件下的时变浓度和响应证据。机器人交接研究需要与任务和资产状态相关的运动与接触证据。 ## 使用清晰可见的校准循环 ![测量数据、模型校准、对比、审批与验证循环](/images/physics/district-heating-model-data-feedback.webp) *校准循环将代表性测量与模型调整、对比、专业评审以及条件变化后的验证连接起来。* 严谨的校准循环包含八个步骤： 1. **定义预期用途** - 明确决策、输出变量、位置、时间范围和错误可能造成的后果。 2. **确认测量适用性** - 评审传感器标识、单位、位置、采样、同步、校准状态、缺失数据和运行状态覆盖。 3. **运行基线模型** - 在调整参数前保留结果，使评审人员能够看到初始不匹配以及校准产生的影响。 4. **选择物理参数** - 调整与所建模行为具有合理关系的参数，并记录允许范围。 5. **定义对比目标** - 选择用于评估拟合度的位置、周期、指标、权重和验收限值。 6. **依据选定数据开展校准** - 记录完整校准数据集上的参数变化、残差、警告和拟合表现。 7. **检查独立条件** - 与参数调优时保留的留出周期、运行状态、试验或测量数据集进行对比。 8. **批准证据适用范围** - 记录条件、变量、残差限值、不确定性、评审人、所支撑的决策和重新确认触发条件。 这项记录帮助客户团队区分可重复的工程研究，以及持续调参直到某张图像看似合理的结果。 ## 将残差作为证据解读 残差是测量值与对应仿真值之间的差异。单个平均值可能掩盖重要行为，因此评审人员应沿着与决策相关的各个维度检查残差。 有用的视图包括： * 按传感器或空间位置显示残差 * 按时间和运行状态显示残差 * 平均误差和绝对误差 * 系统性正偏差或负偏差 * 峰值条件和过渡阶段的行为 * 重复或可变场景中的离散程度 * 校准数据与独立确认数据之间的对比 残差验收标准应在最终评审前确定。限值可以反映测量不确定性、运营容差、变量对决策的重要程度以及错误可能造成的后果。方向性方案筛选可以接受较宽的残差；涉及现场特定阈值或时序时，则需要更严格的证据。 ## 防止模型只适配校准数据 校准质量取决于证据覆盖范围。反复使用同一狭窄数据集调整参数，可以让模型在该周期内高度拟合，同时削弱模型在其他条件下的可信度。 技术采购团队应检查以下证据： * 覆盖影响决策的各个区域，并包含多个相关空间位置 * 能够代表预期决策范围的运行条件 * 当研究涉及韧性时纳入过渡过程和降级状态 * 物理上合理的参数范围 * 影响显著参数的敏感性分析 * 独立的周期、条件、基准或试验 * 在合理数据与参数变化下保持稳定的结论 模型应保留物理含义。当局部行为、守恒关系、方向、时序和系统关系也保持一致时，更好的综合评分才具有价值。 ## 明确区分校准与确认 校准使用选定证据调整不确定参数。确认则针对预期用途，将模型输出与适当的独立证据进行对比。用于参数调优的数据集所能提供的独立证明有限，因此严谨的研究会为确认保留单独的周期、条件、基准或试验。 确认材料应说明： * 对比的变量和位置 * 所代表的运行条件 * 测量或实验的不确定性 * 残差或对比指标 * 接受范围和评审依据 * 结论覆盖的模型条件 * 已知不匹配和尚未解决的风险 拟合改善适用于已记录的条件。新的几何、设备、控制、负载、环境状态或运行范围可能需要新的对比证据。 ## 让结论符合校准适用范围 校准适用范围，也称校准包络，是校准和确认材料所支撑的条件范围。它可以包括负载、温度、气流、压力、设备状态、源强度、控制模式、时间范围或材料行为。 与证据相称的结论示例如下： | 证据 | 与证据相称的结论 | |---|---| | 假设经过评审的探索级模型 | 该场景有助于比较可能的行为，并确定测量或设计方案的优先级 | | 针对明确变量与基准一致 | 在报告的对比限值内，该工作流能够复现选定的参考行为 | | 基于代表性运行数据的现场校准 | 在已记录的运行范围和残差限值内，该模型可以支撑现场特定的场景比较 | | 独立场景确认与稳健性评审 | 在记录的不确定性和审批责任约束下，该模型可以针对已确认的变量与条件支撑所述决策 | 笼统的绝对精度表述会隐藏赋予结果实际意义的条件。对于任何现场特定的性能陈述，技术采购团队都应要求同时提供适用范围、残差、不确定性和责任评审人。 ## 理解校准后的不确定性 校准可以减少与选定参数和证据相关的不匹配。其他不确定性仍会存在，包括： * 测量不确定性和传感器位置 * 缺失或尚未观测到的运行条件 * 几何和拓扑简化 * 不确定的材料或设备行为 * 边界条件变化 * 数值近似与离散化 * 被省略的交互或扰动 * 超出已观测范围的未来运行状态 有效的项目会说明哪些不确定性对决策指标的影响最大。这可以为下一次传感器部署、试验、数据质量改进、基准研究、场景族或详细工程研究提供方向。 ## 在交付前定义重新确认触发条件 经过校准的模型是一项具有明确证据适用范围的运营资产。交付材料应说明哪些情况会触发证据评审。 常见触发条件包括： * 设施布局、网络拓扑或生产设备发生重大变化 * 冷却、通风、排风、泵送、控制或安全系统发生变化 * 出现新的负载范围、工艺配方、机器人任务或运行模式 * 传感器更换、迁移、重新校准或数据质量下降 * 残差持续漂移并超出约定阈值 * 现场观察到的行为与模型冲突 * 出现后果更严重的新决策或不同的预期用途 重新确认的范围可以从数据与残差评审，扩展到针对性重新校准、新的基准对比、独立试验或完整模型更新。响应深度应与变化的重要程度相匹配。 ## 接受校准结果前应提出的问题 ### 预期用途 * 该模型将支撑哪项决策？ * 覆盖哪些变量、位置、条件和时间范围？ * 错误结论会带来什么后果？ ### 数据与校准 * 使用了哪些测量数据？它们能否代表预期用途？ * 调整了哪些参数？为什么选择这些参数？允许范围是什么？ * 是否保留了基线结果？ * 最终评审前约定了哪些残差和验收限值？ ### 独立证据 * 为确认保留了哪些数据或条件？ * 性能在不同位置、时间、负载和设备状态下如何变化？ * 哪些结论经过敏感性或不确定性分析后仍保持稳定？ ### 结论与责任 * 结论采用哪个证据等级？ * 校准适用范围内可以支撑哪些决策？ * 哪些条件需要重新运行或补充证据？ * 谁批准了模型、证据包和由此产生的行动？ ## 选择合适的下一项评估工作 当技术采购团队需要界定决策、比较概念并识别缺失证据时，适合开展**探索性评估**。 当新方法或工作流需要与受控参考行为进行对比时，适合开展**基准研究**。 当现场特定的量值、时序、裕量或运行响应十分重要，并且已有代表性数据时，适合开展**实测数据校准研究**。 当决策后果较重，并且客户团队需要相关条件下的独立证据时，适合开展**特定场景确认研究**。 当组织需要在自身环境中验证数据准备度、模型效用、验收标准、评审责任和交付要求时，适合开展**聚焦试点**。 先定义一项决策，再确定与其相称的证据等级。[仿真证据评估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供了评审完整证据链的更广泛检查清单。 ## DataMesh 如何支持证据生命周期 [Data Fusion Services](/products/dfs) 通过身份、时间对齐、血缘和质量上下文帮助组织测量与工程数据。[FactVerse Designer](/products/designer) 维护空间场景、行为、仿真工况和带版本的评审上下文。DataMesh 项目工作流将物理场输出与指标、结论、行动和专业评审连接起来。 有关生产与机器人场景，请参阅[工艺仿真与虚拟规划](/solutions/process-simulation)；有关热环境与韧性问题，请参阅[数据中心运营](/solutions/ai-agent-data-center)；有关洁净室气流和探测研究，请参阅[半导体厂务运营](/solutions/ai-agent-semiconductor)；有关网络校准与规划，请参阅[智慧区域供热](/solutions/heatops)。 ## 公开参考 [美国国家标准与技术研究院 (NIST) 关于工业验证、确认与不确定性量化的综述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)介绍了物理模型质量、分析人员能力、验证与确认以及不确定性量化对仿真可信度的贡献。 NIST 关于[计算模型预测的校准与不确定性分析](https://www.nist.gov/publications/calibration-and-uncertainty-analysis-predictions-computational-models)的论文讨论了依据有限物理实验开展校准，以及由测量和模型不足引入的不确定性。 [美国机械工程师学会 (ASME) 计算流体力学与传热验证及确认标准 V&V 20 页面](https://www.asme.org/codes-standards/find-codes-standards/standard-for-verification-and-validation-in-computational-fluid-dynamics-and-heat-transfer/2009)介绍了针对指定确认点上指定变量的确认，并将更广泛的插值或外推视为依赖具体应用的工程判断。 美国国家航空航天局 (NASA) 的公开[建模与仿真常见问题](https://public.ksc.nasa.gov/mns/faq/)将输入来源与处理记录、验证、确认、不确定性表征和结果稳健性列为决策者评估可信度时的参考因素。 --- ## [GUIDES] cleanroom-airflow-gas-dispersion-evaluation ## 安全决策需要设施的空间视角 洁净室和工艺区域的监测系统在已安装的位置提供关键观测。点式传感器记录其安装位置的环境条件。压差读数描述选定边界两侧的状态。排风信号报告某一具体系统的状态。这些测量共同帮助团队了解当前运行情况。 气流与气体扩散问题还涉及空间维度。设备、隔断、风机过滤单元、回风口、门、人员、热源和局部排风，可能让空气沿着传感器之间的路径改变流向。随着通风、设备布局、门状态、热环境或排风性能发生变化，选定释放源的迁移方式也可能随之变化。 针对具体项目开展的研究可帮助采购方围绕一项明确决策评估这些相互作用。典型问题包括： * 拟议的设备或围护结构变更会如何影响工艺间内的气流？ * 在选定的释放情景下，哪些区域可能受到影响？ * 在代表性条件下，有多少物质会进入局部排风路径？ * 哪种运行状态会产生范围最广的受影响区域或最长的滞留时间？ * 在哪些位置增加测量、检查或工程评审最有价值？ ## 从运营决策出发 决策决定模型范围、证据和评审人员。设备安装评审所需的源工况和几何细节，与探测器布置研究或反复出现的环境告警调查并不相同。 | 决策情境 | 证据重点 | 实用输出 | |---|---|---| | 拟议的设备或布局变更 | 当前与拟议几何、设备发热与气流、送风、回风、排风、门和运行状态 | 流场差异、回流区域、受影响作业区域和评审重点 | | 选定的释放情景 | 源位置、组分属性、释放曲线、通风状态、局部排风和相关边界 | 浓度历程、输运路径、受影响区域、捕集行为和滞留情况 | | 通风或排风变更 | 基线和候选气流、压力、控制、容量及设备状态 | 情景差异、捕集敏感性、房间关系和工程检查项 | | 监测或探测器评审 | 源矩阵、输运行为、传感器位置、响应特性和选定阈值 | 探测时间分布、覆盖对比、潜在盲区和布置方案 | | 告警或事件调查 | 时间对齐的设施数据、设备状态、门、作业历史、现场观察和代表性情景 | 证据缺口、可能的依赖关系、检查重点和后续研究范围 | 这种决策优先的结构能够让技术工作始终服务于业务和安全价值，也为采购团队验收交付成果提供清晰依据。 ## 建立设施与源的基线 分析应让每项主要输入都可追溯。实用的基线应综合空间、通风、源、测量和治理证据。 ### 空间与设备情境 * 房间、工艺间、下层厂务区、公用工程空间、天花板、架空地板、墙、门和开口的几何 * 工艺设备、围护结构、工作站、隔断、存储设施和主要气流障碍物 * 风机过滤单元、送风口、回风口、一般排风、局部排风、风管和风阀 * 探测器、粒子计数器、压力传感器、温度传感器和气体监测器的位置 * 与决策相关的洁净区、压力边界、人员活动区域、疏散通道和响应区域 ### 通风与运行情境 * 送风、回风、排风、压力、温度、湿度和设备状态证据 * 风机过滤单元可用性、局部排风能力、门状态、控制和运行模式 * 研究所代表的设备散热、工艺状态、人员和物料移动 * 与选定条件相关的维护、过滤器、风阀、风机、告警和环境历史 ### 源与组分情境 * 源位置、高度、方向、几何及其与附近捕集点的关系 * 选定组分以及模型使用的物理属性 * 释放速率或曲线、持续时间、温度、动量和相态假设 * 可信的源变体及每种变体的工程依据 * 选定用于评审的浓度、剂量、可见性、探测或捕集指标 ### 治理情境 * 预期用途、错误后果和负责的决策人员 * 适用的设施、工艺、安全和质量要求 * 证据等级、校准目标、验收标准和评审路径 * 模型限制、排除条件、重新确认触发条件和交接要求 [Data Fusion Services](/products/dfs) 可对齐设备标识、传感器位置、时间戳、单位、告警、维护记录和工程数据源。[DataMesh FactVerse](/products/factverse) 在运营数字孪生中组织设施空间、设备、公用工程系统、探测器和系统关系。[FactVerse Designer](/products/designer) 支持为项目分析准备几何、布局、源工况和情景上下文。 ## 将物理场转化为可评审的结果 ![洁净室气流、选定羽流和探测器评审区域](/images/physics/cleanroom-airflow-detection-diagram.webp) *空间研究将明确的源和通风状态与输运路径、受影响区域、排风相互作用及探测器位置联系起来。* 气流场和浓度场只有与约定指标及位置相联系时，才能发挥实际作用。采购方应同时获得空间结果和简明的决策摘要。 实用输出可以包括： * 气流方向、速度、压力和热环境场 * 选定组分浓度随空间和时间的变化 * 约定位置的到达时间、滞留时间、峰值、百分位数或积分暴露指标 * 进入选定排风路径的比例或数量 * 超过项目定义评审阈值的区域 * 基线、候选、降级和保守情景之间的对比 * 对源、气流、门、排风、设备和边界假设的敏感性 * 证据可信度以及结论覆盖的条件 阈值应保留其来源和预期用途。探测器设定值、职业接触限值、工艺要求、现场行动级别和模型对比阈值分别服务于不同决策。报告应明确研究采用的是哪一项阈值，以及由谁批准使用。 ## 保持监测与项目分析之间的连接 | 工作层 | 主要证据 | 运营作用 | |---|---|---| | 设施监测 | 已安装的传感器、设备状态、告警、趋势和环境记录 | 描述观测到的状态，并启动经过批准的响应工作流 | | 运营数字孪生 | 空间、资产、公用工程系统、探测器位置、作业历史、文档和责任归属 | 将每条信号和每项任务与其设施情境联系起来 | | 项目物理分析 | 经过评审的几何、通风状态、源情景、测量、模型检查和不确定性 | 针对明确的工程或安全决策比较空间行为 | | 现场执行 | 经过批准的检查、任务分派、规程、观察、完成记录和验证 | 将合格结论转化为受控行动，并保留行动结果 | 这种相互连接的工作流使分析始终以当前资产和证据为依据，也能让已完成的检查、通风变更或探测器更新成为下一版基线的一部分。 ## 让证据可信度与决策相匹配 探索级模型能够在已说明的假设下支持相对模式评审和测量规划。基准对比级模型增加受控参考检查。实测数据校准级模型将代表性设施观测与模型结果进行对比。特定场景确认研究则针对与决策相关的变量和条件增加独立证据。 洁净室校准证据可以包括： * 相关位置的气流速度和方向 * 选定边界两侧的压力关系 * 送风、回风和排风测量 * 温度或示踪剂浓度历程 * 烟流可视化、示踪试验或其他合格的现场证据 * 每个对比周期内的设备、门和通风状态 * 按位置、时间、变量和运行条件统计的残差 [仿真校准指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)说明了证据等级如何影响结论可信度。[仿真证据评估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供了有关验证、确认、不确定性和交接的更多采购评估问题。 ## 评审多个可信情景 一个源和一种通风状态只能描述狭窄条件。情景矩阵能够让决策人员更清楚地了解覆盖范围和敏感性。 实用维度包括： * 源位置、方向、释放曲线和持续时间 * 局部排风正常、能力降低和不可用状态 * 风机过滤单元或通风系统的可用性 * 门的开启、关闭和过渡状态 * 设备、隔断和布局方案 * 代表性的热环境和压力条件 * 基线与保守模型参数 * 数值或物理变化会影响探测时序时的重复运行 评审人员应能看出哪些结论保持稳定，哪些情景会产生最大的受影响区域，以及哪些假设会改变决策。[场景集合指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)介绍了取值范围和保守评审工况的选择方法；完整证据集应覆盖所选场景和必要的重复运行。 ## 采购方检查清单 ### 决策与范围 * 是否明确指定了一项设施、工艺、安全或监测决策？ * 是否定义了空间、设备、公用工程系统、源工况、运行状态和时间范围？ * 负责评审的人员是否了解错误结论可能带来的后果？ ### 数据准备度 * 是否具备几何、开口、设备、障碍物、送风、回风、排风和探测器位置数据？ * 通风、压力、温度、设备、门和控制状态是否可追溯？ * 每项测量是否都有标识、位置、时间戳、单位和质量状态？ * 是否记录了每种源工况的工程依据？ ### 证据质量 * 模型检查、基准、校准残差、不确定性和敏感性是否清晰可见？ * 阈值是否与其来源和预期决策相关联？ * 情景矩阵是否代表可信的运行状态和降级状态？ * 结论是否限定在证据所支撑的变量、位置和条件内？ ### 评审与交接 * 是否已分配工程、环境、健康与安全、工艺、质量和合规责任？ * 每项结论能否关联到受影响区域、资产、探测器或公用工程系统？ * 经过批准的后续行动能否进入检查、维护或变更管理工作流？ * 是否定义了变更后验证和模型评审触发条件？ ## 界定聚焦试点 实用的试点可以从一个洁净室工艺间、公用工程空间或工艺区域以及一项决策开始。团队核实几何和通风证据，选择规模可控的源矩阵，约定评审指标和阈值，并在运行首个最终情景前指定合格评审人员。 试点成功标准可以包括： * 经过核实的设施、设备、通风和探测器基线 * 可追溯的源工况和运行状态 * 可复现的物理场、指标、模型检查和情景对比 * 与预期结论相称的实测或基准证据 * 研究改善了一项规划、测量、检查、排风或探测器决策 * 与现场行动和验证相关联的已批准交接包 了解[半导体设施运营与洁净室分析](/solutions/ai-agent-semiconductor)，查看覆盖运营、工程研究、AI 辅助调查和现场执行的完整工作流。 继续阅读[局部排风捕集与通风降级情景](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)，了解韧性评审；阅读[探测器覆盖、盲区与布置方案](/resources/guides/detector-coverage-blind-spots-placement-options)，了解探测器布局对比；阅读[洁净室校准、场景集合与确认证据](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)，了解支撑较高可信度决策的证据包。 ## 公开参考 [美国采暖、制冷与空调工程师学会 (ASHRAE) 的《洁净空间》手册章节](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)介绍了洁净室气流模式、设备与开口的影响，以及使用计算流体力学评估气流和污染物传播的方法。 [国际标准化组织 (ISO) 14644-4:2022 洁净室设计、建造与启动页面](https://www.iso.org/standard/72379.html)概述了从要求、设计和建造，到启动与验证的洁净室生命周期。 [美国职业安全与健康管理局 (OSHA) 通风技术手册](https://www.osha.gov/otm/section-3-health-hazards/chapter-3)介绍了局部排风通风在污染物源头附近实施捕集的作用。 [美国国家标准与技术研究院 (NIST) 关于工业验证、确认与不确定性量化的综述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)说明了模型质量、验证、确认和不确定性如何共同构成可信的仿真证据。 --- ## [GUIDES] cleanroom-calibration-ensembles-validation-evidence ## 洁净室证据应服从决策 气流、组分输运、局部排风和探测器研究可以支持不同层级的工作：早期方案筛选、测量规划、针对设施的对比、韧性评审和明确的工程决策。每个层级都应配备相匹配的证据包。 洁净室图像可能看起来符合物理规律，但关键的源、通风、探测器或边界假设仍可能存在不确定性。因此，技术采购方需要了解基线如何建立、使用了哪些测量、如何评审残差、评估了多大范围的情景，以及哪些证据独立于校准过程。 本指南将 DataMesh 更广泛的仿真证据框架应用于洁净室和工艺区域研究。完整通用框架请参阅： * [如何评估仿真证据](/resources/guides/how-to-evaluate-simulation-evidence)，了解模型用途、输入、验证、确认、不确定性和交接 * [校准等级与仿真结论可信度](/resources/guides/calibration-levels-and-simulation-claim-confidence)，了解探索级、基准对比级、实测数据校准级和特定场景确认证据 * [场景集合与工业仿真的保守评审](/resources/guides/scenario-ensembles-and-conservative-simulation-review)，了解取值范围、重复运行、交互和决策工况 ## 围绕洁净室问题选择证据 | 预期决策 | 优先证据 | 典型评审输出 | |---|---|---| | 对比气流模式或布局概念 | 经过评审的几何、通风状态、边界假设、求解器检查和敏感性 | 相对气流行为、敏感区域、缺失数据和下一步测量工作 | | 评估局部排风捕集 | 源与排风罩几何、排风量和压力、房间气流、示踪剂或合格现场证据及残差 | 捕集对比、逸出物质、受影响区域和不确定性 | | 评审探测器布置 | 源矩阵、通风状态、组分输运、探测器响应假设、重复运行和选定确认证据 | 覆盖对比、探测时间分布、潜在盲区和保守工况 | | 评估供暖、通风与空调 (HVAC) 降级 | 经过核实的基线、设备与门状态、瞬态测量、源释放曲线和情景范围 | 受影响区域扩大情况、时序、敏感性、响应优先级和恢复行为 | | 支持针对设施的工程决策 | 代表性测量、校准记录、独立确认、不确定性、合格评审和重新确认触发条件 | 已定义证据适用范围内的决策结论 | 证据范围应反映错误后果、行动成本，以及结果所声称的设施针对性程度。 ## 在现场校准前建立基准 基准用于检查分析工作流能否针对选定变量复现公认或受控的行为。它有助于将方法鉴定与针对设施的参数调优区分开来。 与洁净室相关的基准可以包括： * 具有已知几何和边界条件的受控气流或压力工况 * 具有明确源位置和测量位置的示踪或输运工况 * 具有约定参考结果的排风罩或排风工况 * 选定计算域和边界上的守恒与质量平衡检查 * 网格、时间步长、收敛性、可重复性和数值敏感性检查 * 针对明确变量和条件与其他合格方法进行对比 基准记录应说明对比的变量、位置、单位、验收标准、结果比例尺、方法版本和已知不匹配。通过一项基准，只能支撑经过测试的明确行为。 ## 依据代表性设施证据开展校准 校准会调整选定的不确定参数，使约定的模型输出与代表性观测更为一致。参数选择应保留物理含义，并服从预期决策。 ### 可用于支持校准的证据 * 送风、回风、排风、风机过滤单元、排风罩和支路流量测量 * 房间、门、地板、天花板和公用工程空间之间的压力关系 * 决策相关位置的气流速度和方向 * 浮力具有重要影响时的温度、湿度或热负荷证据 * 示踪剂浓度历程、到达时间、衰减过程或合格的可视化证据 * 包含校准、设定值、位置和设备状态情境的探测器响应记录 * 测量期间的门、风阀、风机、工艺、设备和源状态 ### 可能需要评审的参数 * 流动阻力、泄漏、散流器、格栅或地板特性 * 排风、风机、风阀、过滤器或设备性能 * 源释放速率、曲线、方向、动量、温度或持续时间 * 方法所选的湍流、混合、扩散、壁面、沉积或组分假设 * 探测器响应、阈值、采样、延迟或平均值表示 校准记录应保留基线结果、选定参数、允许范围、目标函数、测量不确定性、残差、验收标准和评审人员批准记录。 ## 按位置、时间和运行状态解读残差 残差是约定位置、时间或条件下，测量值与对应仿真值之间的差异。洁净室研究往往具有显著的空间和瞬态变化，因此单一平均值可能掩盖与决策相关的不匹配。 应在以下维度评审残差： * 送风、回风、排风、排风罩和房间气流测量 * 压力边界和门状态 * 主要设备或障碍物上游、附近和下游的位置 * 稳定、过渡、降级和恢复阶段 * 示踪剂或组分的到达、峰值、衰减和滞留过程 * 探测器位置和响应时间 * 校准数据集和独立确认数据集 实用汇总可以包括平均误差、绝对误差、偏差、百分位数误差、时间偏移、空间模式，以及处于约定限值内的点位比例。验收标准应结合测量不确定性、预期用途、变量重要性和错误后果来确定。 ## 建立可追溯的情景矩阵 校准描述模型与选定证据的拟合程度。情景矩阵则描述针对决策所评估的运行和源条件范围。 每个情景都应保留： * 源位置、组分、速率或曲线、方向、持续时间和温度 * 几何、设备、围护结构、隔断和障碍物状态 * 送风、回风、排风、风机过滤单元、风阀、压力和门状态 * 与输运相关的热环境和工艺条件 * 探测器布局、技术、响应和阈值假设 * 初始条件、开始时间、持续时间和所表示的响应行动 * 模型版本、参数集、检查、输出、警告和评审状态 矩阵视图让采购方可以按源类别、房间、运行状态和后果类别确认覆盖范围，也能揭示需要在未来研究或补充现场证据的组合。 ## 在时序存在变化时采用重复运行 探测时间和瞬态输运会随初始条件、源行为、通风、模型参数和数值效应而改变。受控的重复运行方法可以将这些变化转化为可评审的证据。 项目应定义： 1. 各次运行之间会改变哪些变量 2. 每个变量的分布、范围或选择规则 3. 运行次数以及收敛或稳定性标准 4. 适用情况下的随机种子或抽样方法 5. 探测阈值和响应计算方法 6. 如何表示未解决的运行 7. 为决策选择的统计量 实用输出包括完整的探测时间分布、中位数、选定的较高百分位数、最早与最晚可信结果、达到标准的运行比例，以及与响应缓慢相关的情景组合。 保守统计量应有明确的选择依据。该选择可以反映决策后果、情景覆盖、证据质量和合格工程判断。 ## 保留证据用于确认 确认会针对预期用途，将模型输出与合适证据进行对比。严谨的项目会从参数调优中保留一个测量周期、运行条件、源工况、基准或试验。 确认记录应明确： * 所对比的变量、位置、运行状态和源条件 * 测量与试验不确定性 * 残差或对比指标 * 验收标准和评审依据 * 空间与瞬态行为的一致和不匹配之处 * 结论所覆盖的条件 * 负责的工程审批人员 来自不同源位置、通风状态、门事件、负载或时间段的证据，可以揭示经过校准的行为在预期决策范围内是否仍然适用。 ## 在结论旁说明证据适用范围 证据适用范围定义现有证明材料所支撑的变量、位置、源类别、通风状态、几何、探测器假设、运行范围和时间范围。 与证据相称的结论示例如下： | 证据等级 | 与证据相称的洁净室结论 | |---|---| | 探索级 | 在已记录的假设下，情景对比能够识别可能的输运模式和测量优先级 | | 基准对比级 | 在报告的检查范围内，工作流能够复现选定的参考行为，并支持明确的对比 | | 实测数据校准级 | 在报告的残差范围内，模型能够针对经过校准的变量、位置和运行范围，支持设施特定的对比 | | 特定场景确认级 | 在合格审批的约束下，证据能够针对经过确认的源、通风、探测器和运行条件，支持所述工程决策 | 每项结论都应附带其证据等级、假设、不确定性、评审人员和重新确认触发条件。 ## 在交接时定义重新确认触发条件 洁净室设施会持续变化。当以下内容发生重大变化后，应评审是否需要重新确认： * 房间、设备、围护结构、隔断、门、地板、天花板或障碍物几何 * 送风、回风、风机过滤单元、一般排风、局部排风、风阀或压力控制 * 源组分、位置、速率、方向、持续时间、温度或工艺状态 * 探测器技术、位置、方向、响应、设定值或维护状态 * 传感器标识、位置、校准、采样、同步或数据质量 * 运行范围、决策后果、验收标准或预期用途 * 超出约定残差或证据适用范围的设施观测行为 响应范围可以从数据评审和有针对性的重新运行，扩展到重新校准、新基准、独立试验或完整模型更新。合格负责人应根据变更的重要程度选择响应方式。 ## 技术采购方检查清单 ### 用途与责任 * 是否定义了预期决策、错误后果和所需证据等级？ * 是否已分配设施、工艺、环境、健康与安全、质量、合规和模型评审责任？ ### 基准与校准 * 哪项基准可以证明所选方法适用于决策变量？ * 哪些测量用于校准，它们是否具有代表性？ * 调整了哪些物理参数，允许范围是什么？ * 是否保留了基线结果、残差、测量不确定性和验收标准？ ### 情景与集合 * 矩阵是否覆盖可信的源、通风、排风、门、设备和探测器状态？ * 重复运行会改变哪些变量，如何进行抽样？ * 是否透明地报告了分布、未解决工况和保守统计量？ ### 确认与结论 * 哪些证据保持独立，未用于参数调优？ * 模型表现如何随位置、时间、源和运行状态变化？ * 结论是否限定在已记录的证据适用范围内？ * 模型限制、不确定性和重新确认触发条件是否清晰可见？ ### 交接 * 模型、数据、情景、结果、结论和审批记录是否可追溯？ * 经过批准的行动能否进入受控的检查、维护、规程、探测器或变更工作流？ * 是否定义了变更后验证？ ## 端到端评估一项决策 聚焦证据试点可以从一个洁净室工艺间或工艺区域以及一项工程决策开始。项目建立经过核实的基线，选择规模可控的源与运行矩阵，保留独立证据，开展校准和情景对比，并记录合格评审。 扎实的试点成果包括： * 可追溯的设施、通风、源、探测器和测量证据 * 合格的基准和保留的校准前基线 * 与决策相关变量和位置相联系的残差与不确定性 * 可复现的情景矩阵，以及在时序存在变化时使用的重复运行方法 * 独立确认证据和清晰的证据适用范围 * 一项经过批准的工程、监测、检查、排风或探测器决策 * 适用于未来设施变更的交接记录和重新确认触发条件 将此框架应用于[洁净室气流与气体扩散评估](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)、[局部排风捕集与通风降级情景](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)和[探测器覆盖、盲区与布置方案](/resources/guides/detector-coverage-blind-spots-placement-options)。 ## 公开参考 [美国国家标准与技术研究院 (NIST) 关于工业验证、确认与不确定性量化的综述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)说明了模型质量、分析人员能力、验证、确认和不确定性如何共同影响仿真可信度。 [美国采暖、制冷与空调工程师学会 (ASHRAE) 的《洁净空间》手册章节](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)介绍了洁净室计算流体力学、气流、污染物传播、设备影响、开口、送风、回风、排风和边界条件。 [国际标准化组织 (ISO) 14644-4:2022 洁净室生命周期页面](https://www.iso.org/standard/72379.html)涵盖要求、设计、建造、启动、验证、改造和全生命周期注意事项。 [英国健康与安全执行局 (HSE) 的可燃气体探测器选择与使用指南](https://www.hse.gov.uk/pubns/gasdetector.pdf)将气体属性、扩散、通风、工艺设备、传感器类型、位置和冗余列为探测器系统的考虑因素。 --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## 集成要从运营身份开始 大多数设施和工业团队已经在日常工作中使用多套系统。CMMS 或 EAM 管理维修记录与资产历史，BMS 监控建筑系统与告警，SCADA、IoT、MES、ERP、文档库和工单系统分别保存运营现场的一部分信息。 薄弱环节通常是身份不一致。同一台泵、空调机组、冷水机、电气柜、洁净室公辅设备、数据中心资产或生产支持系统，可能在图纸、BMS 点位、维修记录、巡检清单和现场备注里使用不同名称。告警出现后，团队往往要跨系统查找，才能判断受影响资产、物理位置、风险、规程和责任人。 运营数字孪生为这些系统提供共享的上下文层。它把资产、空间、系统、实时数值、告警、文档、规程、工单记录和现场证据连接起来，让团队在工作发生的环境里复核任务。 ## 首先对齐什么 集成应先从能够让工作可追溯的对象开始： | 层级 | 集成重点 | |---|---| | 资产身份 | 设备 ID、标签、序列号、可维护对象、父子关系 | | 位置层级 | 站点、建筑、楼层、区域、房间、产线、厂区、机柜、系统边界 | | 系统关系 | 暖通、电气、水、气体、压缩空气、工艺公辅、数据中心系统 | | 信号与告警 | BMS 点位、IoT 读数、SCADA 标签、告警类型、阈值、严重程度、时间窗口 | | 作业记录 | CMMS 或 EAM 工单、巡检任务、预防性维护、服务历史 | | 文档 | 手册、图纸、SOP、作业许可、校准记录、验证文件 | | 现场证据 | 照片、读数、检查清单、维修备注、验收结果、复核决定 | 目标是形成稳定的参考模型。BMS 告警、工单、巡检路线、文档和 AI Agent 建议应指向同一套资产与位置上下文。 ## CMMS 与 EAM 集成 CMMS 和 EAM 通常继续作为维修管理的记录系统，保存资产台账、工单编号、预防性维护计划、备件历史、人工记录和关闭状态。运营数字孪生则围绕这些记录补充现场上下文。 常见集成方式包括： * 在数字孪生中的资产和位置上显示工单 * 将维修历史连接到设备、房间、系统和路线 * 从孪生上下文发起巡检或维修任务 * 将现场证据回写到批准使用的工单记录 * 对比类似资产或位置上的重复工单 * 把手册、图纸和 SOP 连接到任务视图 * 保留复核决定和异常备注，供后续分析使用 这样，维修计划团队和现场人员可以看到作业的物理影响，对比重复问题，并用更完整的证据关闭任务。 ## BMS、IoT 与 SCADA 数据 BMS 数据只有连接到可维护资产和物理空间后，才更容易进入运营流程。温度读数、压力值、阀门状态、泵告警或能耗表计，可以和受影响设备、房间、上下游系统、维修历史和操作规程一起复核。 Data Fusion Services 可以把点位数据、告警、事件流、企业记录和文档连接到 FactVerse。FactVerse 再表达资产、空间、系统、信号、文档和工作流之间的关系。 团队需要决定： * 哪些点位名称对应哪些资产和空间 * 哪些告警需要巡检、维修、升级或观察 * 哪些数值用于能耗复核、可靠性复核或合规相关证据 * 数据质量问题如何标记 * 哪些系统负责告警状态、工单状态和关闭记录 * 哪些历史数据用于趋势分析和机器学习评估 稳定映射比大量接入更重要。少量受治理的信号，往往比归属不清的大规模数据流更能支撑运营。 ## 从告警到工单 最有价值的集成模式，是从信号进入已复核行动的运营闭环： 1. **发现** - BMS、IoT、SCADA、巡检或 AI Agent 发现告警、异常趋势、漏检任务或重复异常。 2. **定位上下文** - FactVerse 将发现连接到资产、空间、系统关系、实时数值、文档、SOP 和工单历史。 3. **复核** - 负责团队检查严重程度、证据、运营影响、安全说明和建议检查项。 4. **派发** - 确认后的工作进入 Inspector、Checklist、CMMS、EAM 或其他批准使用的执行系统。 5. **执行** - 现场团队使用资产上下文、检查清单、照片、读数、手册和规程指导完成任务。 6. **记录** - 记录备注、读数、照片、更换部件、异常、验收结果和复核决定。 7. **学习** - 结果与修正进入数据质量复盘、建议调优和机器学习评估。 这个闭环让 AI 辅助建议始终连接到人工复核与现场证据。 ## 设施与数据中心运营 在智慧建筑、园区、数据中心和工业设施中，集成常常从一组反复出现的运营问题开始： * 这个告警影响哪项资产 * 哪个房间、系统、租户、生产区域或数据大厅可能受影响 * 同类问题之前是否出现过 * 哪份 SOP、图纸、手册或安全说明适用 * 这是维修问题、能耗复核问题、运营异常还是巡检任务 * 任务关闭前需要哪些证据 数据中心团队可以把同一模式用于多站点资产管理、能耗计算、巡检、维修和可视化。设施团队也可以把 BMS 告警、能耗表计、设备记录、巡检路线和 Green Mark 相关证据连接到运营记录中，评估口径继续以官方标准和项目团队复核为准。 ## 产品分工 [DataMesh FactVerse](/products/factverse) 提供运营上下文层，用于资产、空间、系统、关系、权限、记录和场景视图。 [Data Fusion Services](/products/dfs) 将 CMMS、EAM、BMS、IoT、SCADA、文档、工单记录和企业数据连接到正确的孪生对象。 [Inspector](/products/inspector) 管理告警、巡检、工单、现场证据、照片、维修备注、验收记录和运营交接。 [Checklist](/products/checklist) 结构化重复巡检流程、必要读数、签核和合规导向的现场记录。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以 24x7 复核连接后的信号、告警、文档、工单历史和现场反馈，辅助分诊、总结证据、建议下一步检查，并在任务完成后评估反馈数据。 [FactVerse Twin Engine](/products/factverse-twin-engine) 维护孪生状态、关系、交互和运营可视化所需的运行时模型。 ## 实施检查清单 * CMMS、EAM、BMS、图纸和现场标签中的资产 ID 是否一致 * 位置层级是否足够支持移动团队和远程专家协作 * BMS 点位和告警是否映射到资产、空间、系统和严重程度规则 * 工单归属、状态、关闭和证据字段是否定义清楚 * 巡检路线和检查项是否绑定到同一套资产与空间模型 * 手册、图纸、SOP、作业许可和验证记录是否连接到工作上下文 * 照片、读数、异常和复核决定是否保存，便于后续复盘 * AI Agent 场景是否基于受治理的资产、信号、告警、文档和工单数据 * 数据负责人、刷新节奏、访问规则和网络安全职责是否清楚 ## 公开参考 [DataMesh 与 Yokogawa 的预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了工业数据、AI 分析和维护流程如何围绕设施运营连接起来。 [JTC 合作参考](/about/news/collaboration-between-jtc-datamesh) 展示了 DataMesh 在复杂设施环境中的数字孪生实践，空间上下文、设备状态和一线工作流都是关键要素。 [NIO 智能工厂参考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) 展示了工厂数字孪生如何连接运营可视化、设备上下文和跨团队协作。 [从 AI 告警到闭环工单指南](/resources/guides/ai-alert-to-closed-loop-work-orders)、[数据中心运营指南](/resources/guides/data-center-digital-twin-operations) 和 [Green Mark 与 Brick Schema 指南](/resources/guides/green-mark-digital-twin-brick-schema) 提供了工单执行、设施运营和证据追溯的相邻模式。 --- ## [GUIDES] data-center-cooling-failure-scenario-analysis ## 韧性规划应在告警前开始 当运行状态变化的速度超过团队汇集上下文的速度时，冷却韧性就会面临考验。冷却设备可能损失部分容量，风机或水泵可能出现性能降级，阀门或风阀可能停留在非预期位置，气流遏制结构可能受损，计划维护也可能减少可用冗余。后果取决于当前的信息技术（IT）负载、气流路径、热惯性、设备分布、控制逻辑和响应时机。 场景研究使设施团队能够在真实事件发生前复核这些依赖关系。它通过比较明确的运行状态，展示哪些区域可能最先受到影响，并为工程师确定监控优先级、维护计划、应急规程和容量决策提供证据。 研究结果用于辅助专业评审。获授权的设施团队仍负责运行规程、控制、安全限值和实时干预。 ## 围绕可信运行状态构建场景集合 单一故障画面提供的信息有限。场景集合可以展示结果如何随设备状态、负载和响应假设变化。 | 场景状态 | 定义示例 | 评估问题 | |---|---|---| | 正常 | 计划运行的冷却设备可用、负载具有代表性、控制经过核验且气流遏制处于基线状态 | 当前热分布和运行裕量如何？ | | 性能降级 | 风机或水泵性能降低、部分冷却容量损失、存在泄漏或污垢，或气流受限 | 哪些机架和区域最先损失裕量？ | | 不可用 | 在明确的负载与控制状态下，一条选定冷却路径或一个部件退出运行 | 受影响位置多快会接近约定限值？ | | 恢复 | 设备恢复、负载转换、临时气流措施或经批准的运行响应 | 热场如何恢复，哪些区域仍然敏感？ | 每种状态都应明确事件边界、受影响设备、起始条件、当前控制、IT 负载、时间范围和响应假设。这样可以形成可评审的场景规范，也能让不同团队对“冷却故障”采用一致定义。 ## 将场景与当前设施证据连接起来 有效的冷却韧性研究会结合空间、运营和治理证据。 ### 设施与冷却模型 * 机房、走廊、机架、气流遏制结构、地板、天花板、风管、格栅和开口的几何 * 冷却设备位置、额定与实测性能、气流路径和送回风布置 * 机架配置、设备气流方向、代表性负载和负载分布 * 与所选扰动相关的供电与冷却依赖关系 * 控制状态、设定值、顺序控制、冗余模式和维护状况 ### 实测数据与运行历史 * 带有标识、位置、时间和质量上下文的机架进风与机房环境实测数据 * 可获取时的送风、回风、流量、压力、风机、水泵、阀门和冷却设备状态 * 告警、偏离事件、巡检、维护记录和既往事件时间线 * 适合用于比较的稳定期、负载转换期、维护窗口和性能降级运行时段 ### 决策与验收上下文 * 经设施业主批准的设备环境包络和设施运行限值 * 选定的复核阈值及各阈值来源 * 所需时间范围和时间分辨率 * 证据等级、校准目标、验收标准和工程负责人 [Data Fusion Services](/products/dfs) 可以对齐遥测、资产标识、事件、告警和维护历史。[DataMesh FactVerse](/products/factverse) 维护机房、机架、冷却、传感器和依赖关系上下文。两者共同建立运行基线，既能支持实时运营复核，也能用于专项场景分析。 ## 直观比较正常与性能降级状态 ![正常与性能降级冷却状态及气流路径和机架进风评估标记](/images/physics/data-center-thermal-resilience-comparison.webp) *正常与性能降级状态对比有助于评审人员了解气流分配发生了哪些变化、哪些进风位置受到影响，以及哪些位置的裕量正在缩小。* 比较时应保持几何、负载依据、结果比例尺和复核阈值一致，使状态之间的差异可以归因于选定的场景输入。 实用的对比视图包括： * 受影响机架排周围的气流方向和回流 * 按位置和高度展示的机架进风温度 * 按机架、走廊、机房或设备等级展示的热裕量 * 扰动开始后的温升速率 * 达到约定告警或工程复核阈值的时间 * 在选定时间范围内受影响区域的扩展情况 * 对负载、初始条件、设备性能和响应时机的敏感性 * 采取经批准的响应或恢复设备后的热环境恢复表现 ## 将达到限值的时间作为条件性证据解读 达到限值的时间可以帮助团队了解，在发生明确扰动后，受评估位置接近约定阈值的速度。报告该指标时，应同时说明赋予它实际意义的条件： `达到限值的时间 = 达到约定阈值的时刻 - 场景开始时刻` 证据包应说明： 1. 初始热场和运行状态 2. 选定的冷却变化和事件时序 3. IT 负载及其变化方式 4. 阈值来源、位置和测量定义 5. 模型中呈现的控制或操作员响应 6. 与结果相关的模型时间步长、收敛检查和数值设定 7. 校准残差、不确定性，以及对重要假设的敏感性 单一时间值可能掩盖重要差异。技术采购团队应复核可信初始条件、负载、冷却性能和响应时机所形成的范围。更具决策价值的输出，可能是最早接近阈值的可信时间、持续最先触发响应的机架，以及对结果影响最大的假设。 ## 让证据等级与韧性决策相匹配 | 证据等级 | 可支持的工作 | 评审要求 | |---|---|---| | 探索级 | 识别可能受影响的区域、比较总体场景表现并规划测量 | 经过复核的假设、几何、主要输入、敏感性和清晰可见的局限 | | 基准对比级 | 依据受控或公认的参考行为评定分析工作流 | 可重复的设置、参考对比、求解器检查和有记录的验收结果 | | 实测数据校准级 | 在有记录的运行范围内比较设施特定场景 | 代表性实测数据、按位置与状态记录的残差、参数记录和确认证据 | | 特定场景确认级 | 在相关条件下支持一项明确且后果较重的规划决策 | 独立证据、稳健性评审、不确定性、专业审批和重新确认触发条件 | 校准应围绕决策指标展开。达到限值的时间需要时变实测数据和过渡过程证据；机架进风热裕量需要相关机架位置与负载下的实测数据；恢复结论需要设备恢复、负载转换或受控测试条件下的适用证据。 [校准等级与仿真结论可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)提供了更完整的证据框架。[场景集合指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)说明了如何评审范围、变量交互和保守决策场景。 ## 将场景证据转化为响应优先级 当发现能够关联到具体位置、资产、负责人和经批准的行动时，韧性研究才能真正服务运营。 评审可以帮助团队确定以下优先级： * 需要加强实时监控的机架进风位置 * 需要核验、迁移或补充覆盖的传感器 * 需要巡检或维护的冷却资产和依赖项 * 需要现场复核的气流遏制、泄漏、障碍物或气流状况 * 需要进一步明确触发条件、责任或沟通机制的规程 * 需要调整负载或人员配置假设的计划维护窗口 * 需要补充工程证据的容量变更 [FactVerse AI Agent](/products/factverse-ai-agent) 可以帮助团队把当前告警和趋势与资产、事件及维护上下文联系起来。[Inspector](/products/inspector) 可以将批准后的检查与纠正工作分派给现场团队，保留证据并记录工作后验证。任何控制或运行变更都应遵循设施业主授权的工程与变更管理流程。 ## 采购评估问题 ### 场景可信度 * 选择了哪些故障、性能降级和恢复状态，它们为何可信？ * 每个场景代表哪些部件、依赖关系、控制状态和时间顺序？ * 起始负载和热环境条件能否代表所评估的风险？ ### 证据质量 * 哪些几何、设备、传感器、告警和维护记录支撑运行基线？ * 哪些实测数据用于校准，哪些证据单独保留用于确认？ * 不同机架、负载、冷却状态和过渡期的残差如何变化？ * 哪些假设对受影响区域或达到限值的时间影响最大？ ### 决策适配性 * 研究支撑哪项阈值和响应决策？ * 是否同时展示代表值、变化范围和保守场景？ * 哪些发现能够在可信场景范围内保持稳定？ * 由哪位工程师批准证据，并负责后续规程或行动？ ### 运营交付 * 发现能否关联到机架、冷却资产、传感器、巡检和工单？ * 操作人员能否清楚了解监控优先级和响应触发条件？ * 是否定义了维护后或变更后验证？ * 哪些设施变更会触发模型与证据复核？ ## 从一种可信扰动开始 聚焦试点可以选取一个有代表性的机房、一种冷却扰动和一项运营决策。团队建立实测运行基线，记录设施与负载模型，定义正常和性能降级状态，约定复核阈值，并比较受影响区域、热裕量、温升和响应时机。 有力的试点验收标准包括： * 可重复生成且与当前设施证据关联的正常状态基线 * 定义清晰的性能降级或不可用冷却场景 * 透明的假设、设备状态、负载和控制条件 * 与约定阈值关联的机架级指标和时变结果 * 与决策影响相称的残差、不确定性和敏感性评审 * 经批准并明确负责人的响应或监控决策 * 可供未来机房、负载或冷却状态复用的交付包 通过[数据中心运营](/solutions/ai-agent-data-center)了解完整的运营与专项分析工作流。有关机架级分析基础，请阅读[机架进风温度与热裕量](/resources/guides/rack-inlet-temperature-and-thermal-margin)。 当决策涉及新的机架负载、密度、气流遏制或机房布局时，可继续阅读[负载增长与容量情景分析](/resources/guides/data-center-load-growth-capacity-what-if-analysis)。 ## 公开参考 [美国采暖、制冷与空调工程师学会（ASHRAE）《数据中心与电信设施》手册章节](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)介绍了设备进风环境条件、气流需求、推荐范围和设施冷却注意事项。 [美国能源部关于联邦数据中心冷却水效率提升机会的指南](https://www.energy.gov/cmei/femp/cooling-water-efficiency-opportunities-federal-data-centers)说明了气流特性、冷热区域，以及限制热排风与冷进风混合的重要性。 [美国能源部《高能效数据中心设计最佳实践指南》](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)涵盖与设施韧性研究相关的环境条件、气流管理、冷却系统、测量和设计实践。 --- ## [GUIDES] data-center-digital-twin-operations ## 数据中心运营需要共享的设施上下文 数据中心通常由多套专业系统共同支撑。DCIM、BMS、EPMS、仪表、告警、资产台账、维护工具和现场记录分别保存了一部分信息。运营团队需要把站点、机房、机柜、设备、电力路径、冷却区域、告警、巡检和工作历史放到同一套上下文里。 数据中心数字孪生提供这套上下文。它把设施资产、实时基础设施数据、能耗记录、巡检路线、维护任务和工单证据连接到空间化的运营视图中。目标很实际：让站点更容易理解、巡检、维护、汇报，并支持后续工程复核和改进。 这对单个设施和多站点数据中心组合都很有价值。统一模型可以帮助团队比较站点、统一报告口径，并在机房、资产和团队之间保留运营证据。 ## 孪生需要连接什么 | 层级 | 运营上下文 | |---|---| | 空间 | 站点、建筑、机房、机柜、走廊、设备区、通行路径和安全边界 | | 资产 | UPS、发电机、开关柜、CRAC、AHU、水泵、冷机、机柜、传感器、仪表和服务负责人 | | 电力 | EPMS 数据、电力路径、配电柜、馈线、仪表读数、负载记录和受影响资产 | | 环境 | 温度、湿度、气流上下文、冷却设备状态、告警和机房状态 | | 维护 | 巡检路线、工单、维修历史、照片、验收备注和验证状态 | | 文档 | 运维文件、规程、调试记录、资产手册和变更备注 | | 治理 | 数据来源、更新负责人、复核流程、审批路径、证据质量和 rollout 范围 | 当每个信号都能追溯到位置、资产、责任团队和后续记录时，孪生才真正进入运营。 ## DataMesh 数据中心工作流 1. **收集设施来源** - 汇总 DCIM、BMS、EPMS、仪表、告警、资产清单、设备文档、维护记录、巡检计划和站点图纸。 2. **构建设施孪生** - 使用 FactVerse 组织机房、机柜、设备、电力路径、冷却区域、仪表、传感器、文档和服务责任。 3. **连接运营数据** - 使用 Data Fusion Services 把实时信号和企业记录绑定到正确的资产、空间、系统和工作流。 4. **准备可复用场景** - 使用数据中心 DLC 和 FactVerse Designer 加速机房、机柜、设备和设施场景搭建。 5. **复核运行状态** - 在站点和资产上下文中复核能耗指标、告警、设备状态、重复问题和维护优先级。 6. **执行现场工作** - 使用 Inspector 把确认后的问题转化为巡检、工单、维修备注、照片、验收证据和验证记录。 7. **比较并改进** - 用跨站点、跨机房的一致记录支持管理复核、工程分析、可持续报告和后续效率项目。 这个工作流的核心，是让团队能够从信号定位到位置，从位置找到责任人，再从责任人落实到可验证的工作。 ## 团队通常从哪里开始 - **资产台账与位置**：整理机房、机柜、设施设备、仪表和服务责任记录。 - **能耗计算与报告**：连接仪表读数、设备上下文、负载历史和运行记录，服务于管理复核。 - **告警与巡检流程**：把告警、路线、工单、现场备注和维修证据放到受影响资产周围。 - **关键基础设施维护**：跟踪 UPS、发电机、开关柜、冷却设备、水泵和相关服务历史。 - **多站点标准化**：把相同的机房、资产、能耗和维护模型应用到多个数据中心。 - **绿色运营证据**：整理能耗、环境、维护和整改记录，用于内部治理和 Green Mark 准备工作。 优先选择已有数据、责任边界清楚，并且存在真实交接问题的范围。 ## DataMesh 产品如何协同 [Data Fusion Services](/products/dfs) 连接 DCIM、BMS、EPMS、仪表、历史数据库、告警、维护工具和企业系统。 [FactVerse](/products/factverse) 提供设施数字孪生上下文，包括机房、机柜、资产、系统、数据绑定、文档和工作流。 [FactVerse DLC](/products/factverse-dlc) 为交付团队提供 Designer 中可复用的数据中心场景基础，包括机房、机柜、设施资产、能耗上下文和运营可视化元素。 [Inspector](/products/inspector) 管理巡检、工单、维修记录、照片、验收备注、验证和现场证据。 [FactVerse AI Agent](/products/factverse-ai-agent) 在数据模型和工作流稳定之后，可以帮助团队复核异常模式、重复告警和维护历史。 ## 治理清单 - 机房、机柜、设备、仪表和传感器名称在各系统中是否一致? - 资产 ID 是否与 DCIM、维护工具、图纸和现场标签对齐? - 电力、环境和维护数据源是否记录了负责人和更新规则? - 告警是否可以追溯到机房、机柜、资产、系统、负责人和工作记录? - 现场团队是否可以在同一上下文中采集照片、备注、维修动作和验收证据? - 能耗记录是否可以按站点、机房、资产、仪表和时间窗口复核? - 多站点报告是否基于一致的资产分类和数据定义? - 在进行物理变更前，工程复核、客户审批和变更控制责任是否清晰? 这些检查能让数字孪生持续服务于日常工作和管理复核。 ## 公开参考 [IDC DLC 发布信息](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) 展示了 DataMesh 如何通过可复用数字孪生内容，帮助团队在 FactVerse Designer 中启动数据中心场景。 [数据中心运营解决方案](/solutions/ai-agent-data-center) 说明了资产可视化、能耗计算、巡检、维护、工单和多站点数字孪生管理的运营范围。 [横河电机预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了把工业设施信号连接到维护复核的通用模式。 [佛吉亚与亿纬锂能参考](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) 展示了运营可视化和能源上下文如何支持制造与设施改进项目。 --- ## [GUIDES] data-center-load-growth-capacity-what-if-analysis ## 容量可信度取决于位置和运行状态 数据中心可能仍有电力或冷却铭牌容量可用，但拟议的机架位置可能带来局部气流或温度限制。因此，容量规划还应结合负载增加的位置、空气到达设备的路径、服务该区域的冷却路径、所假设的冗余状态，以及机架级剩余热裕量进行评估。 专项容量情景研究可以在采购、安装或机房改造前，为方案比较建立统一依据。容量、设施、信息技术（IT）和运营团队可以基于相同的几何、负载假设、冷却条件、证据和验收标准开展复核。 这项工作的目标很实际：选择更稳健的方案，尽早发现证据缺口，并减少可避免的现场返工。 ## 从经过核验的运行基线开始 所有候选场景都应与同一套经过核验的运行基线进行比较。运行基线描述研究所代表的设施与运行状态。 ### 设施基线 * 机房、机架单元（Pod）、走廊、机架、气流遏制结构、地板、天花板、风管、格栅和开口的几何 * 机架标识、位置、朝向、设备配置和气流方向 * 冷却设备、送回风路径、控制、在运状态和实测性能 * 与受评估容量区域相关的供电和冷却依赖关系 * 当前资产、维护、巡检和变更历史 ### 负载与环境基线 * 按机架和时间段记录的接入负载、实测负载和代表性 IT 负载 * 同时系数、利用率、增长和转换过程假设 * 送风、回风、流量、压力、机架进风温度、湿度和设备状态证据 * 气流遏制状况、泄漏、障碍物、临时设备，以及地板砖或格栅配置 * 按设备等级或机架群确定的批准运行包络 ### 证据基线 * 传感器标识、位置、单位、时间戳、校准状态和数据质量 * 模型版本、几何来源、参数来源和边界条件 * 基准对比、校准、残差、确认和敏感性记录 * 预期决策、评审人员、验收标准和重新确认触发条件 [Data Fusion Services](/products/dfs) 可以对齐不同源系统中的负载、仪表、传感器、告警、资产和维护证据。[DataMesh FactVerse](/products/factverse) 为运行基线提供空间与系统上下文。[FactVerse Designer](/products/designer) 为专项分析提供准备好的场景、布局、工况和工程评审上下文。 ## 每次聚焦一组相关场景 场景设计应让差异便于解释。每组场景只改变选定输入，同时保持其余比较基础稳定。 | 场景类型 | 比较变量 | 典型决策 | |---|---|---| | 机架负载增长 | 单机架负载、负载分布、同时系数、利用率和转换时机 | 批准新工作负载或制定分阶段上线计划 | | 机架密度与布置 | 机架配置、设备类型、气流方向、位置和间距 | 为高密度设备选择机架或位置 | | 冷却分配 | 可用设备、送风温度、气流、风机状态、地板砖、格栅和风阀 | 复核冷量输送是否能够支撑拟议负载 | | 气流遏制与气流组织 | 走廊气流遏制、泄漏路径、开口、障碍物和回风路径 | 比较可能减少气流混合或回流的改造方案 | | 布局方案 | 机架排、辅助设备、隔断、机房几何和冷却布置 | 在施工或安装前评估机房变更 | | 运行韧性 | 正常、维护、性能降级和选定的不可用状态 | 确认容量方案在所需运行条件下的表现 | 比较记录应注明每项发生变化的输入，以便开展技术复核、后续重复运行，并与项目相关方清晰沟通。 ## 通过决策指标比较方案 ![正常与性能降级数据中心气流场景及机架级评估点](/images/physics/data-center-thermal-resilience-diagram.webp) *场景比较将布局与冷却变更同机架进风证据、受影响区域和剩余裕量连接起来。* 具有视觉说服力的热场仍需要决策指标。技术采购团队应在最终比较前就指标达成一致。 实用指标包括： * 按位置和高度展示的机架进风温度 * 相对于已批准设备或站点环境包络的剩余热裕量 * 接近复核阈值的机架数量和位置 * 热空气回流与冷空气旁路模式 * 按机架、机架排、机房或设备等级计算的基线差异 * 对负载分布、冷却性能、气流遏制和初始条件的敏感性 * 正常、维护和选定性能降级状态下的表现 * 预期决策所对应的不确定性和证据可信度 对于瞬态变化，研究还可以比较温升速率、达到约定阈值的时间和恢复表现。这些数值应始终带有所属场景条件和相应证据等级。 ## 将容量结论限制在证据适用范围内 容量决策成立于一组明确条件之下。结果应注明其覆盖的机房和机架范围、设备配置、负载分布、冷却状态、环境包络、时间范围、控制与运营假设。 与证据相称的结论示例包括： | 证据 | 采购评估结论 | |---|---| | 经过复核的探索性模型 | 在已说明的代表性条件下，候选方案 A 展现出更合理的相对气流分配和热裕量 | | 基准对比工作流 | 该方法在报告的检查范围内复现了选定参考行为，可用于比较已定义方案 | | 现场实测数据校准模型 | 在已记录的校准范围和残差限值内，可依据站点实测数据评估拟议负载与布局 | | 特定场景确认 | 经专业人员批准后，所选方案可针对已确认的变量、位置和运行状态支撑既定规划决策 | 严谨的容量结论会同时说明适用条件。这样，当负载、设备、控制或布局发生变化时，分析仍可复用。 [仿真证据评估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供了评估方法、输入、验证与确认、不确定性和交付材料的采购框架。[校准指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)说明了实测证据如何影响结论可信度。 ## 评估完整运行范围 候选布局在某个代表性工况下可能表现良好，但在负载分布、冷却设备状态、泄漏状况或初始温度变化后可能变得敏感。场景集合帮助团队了解这种变化范围。 实用的变化条件可包括： * 当前、近期和规划中的机架负载 * 均衡与集中式负载分布 * 预期与保守的设备气流需求 * 正常与维护冷却配置 * 风机、水泵、盘管或气流性能的选定降级状态 * 预期与受损的气流遏制状态 * 代表性环境与控制状态 * 不同的响应或恢复时机 [场景集合与保守评审指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)说明了如何从可信场景中选取决策场景。技术采购团队应能看出哪种方案保持稳健、哪些变量驱动结果，以及在哪些位置补充实测或工程工作最有价值。 ## 将规划证据与执行连接起来 容量决策会依次进入设计、采购、安装、巡检、调试和运行验证。数字孪生可以保留已批准场景与实体变更之间的联系。 一套连接完整的工作流可包括： 1. **界定决策** - 定义拟议负载、位置、运行状态、约束和审批负责人。 2. **核验运行基线** - 对齐机房、机架、冷却资产、传感器、负载、运行证据和当前现场状况。 3. **准备备选方案** - 创建受控的机架、负载、冷却、气流遏制和布局场景。 4. **比较证据** - 复核热裕量、受影响区域、敏感性、残差、不确定性和可信度。 5. **批准方案** - 记录所选场景、假设、验收标准和工程评审。 6. **执行变更** - 通过 [Inspector](/products/inspector) 或现有维护工作流安排现场检查和批准后的工作。 7. **验证结果** - 将变更后的实测数据与现场证据同批准的运行基线和场景进行比较。 这条证据链为运营团队留下持久记录，说明规划内容、实际安装结果及最终确认方式。 ## 采购评估清单 ### 业务与容量决策 * 是否定义了拟议工作负载、机架群、位置和时间计划？ * 需要考虑哪些电力、冷却、空间、冗余和运营约束？ * 研究旨在降低哪些返工、服务风险或进度影响？ ### 数据准备度 * 是否具备机架标识、几何、设备配置、气流方向和当前负载？ * 是否呈现了冷却设备、分配路径、控制、气流遏制和在运状态？ * 机架进风及辅助实测数据是否已完成空间映射和质量检查？ * 当前、拟议和保守负载假设能否追溯到负责人？ ### 场景与证据质量 * 每种方案是否改变一组受控变量？ * 各项比较的结果比例尺、阈值和运行条件是否一致？ * 是否具备基准对比、校准、残差、确认、不确定性和敏感性记录？ * 结论可信度是否与证据等级和预期决策相匹配？ ### 审批与交付 * 是否由具备相应资质的工程师对结论负责？ * 批准的方案是否附带假设、限值和重新确认触发条件？ * 安装与巡检工作能否关联到受影响的资产和位置？ * 计划是否包含变更后的测量与验证？ ## 界定容量试点范围 聚焦试点可以从一个机房、机架单元或走廊和一项真实容量决策开始。团队核验运行基线，选择两到三个候选方案，定义所需运行状态，并就审批所需的机架级指标和证据可信度达成一致。 试点成功标准可包括： * 由设施和 IT 负责人认可的最新空间与资产基线 * 可追溯的当前和拟议负载假设 * 可重复生成的场景定义和受控比较 * 机架级热裕量和受影响区域视图 * 清晰可见的证据可信度、敏感性和局限 * 一项获得批准的容量、测量、气流遏制或布局决策 * 支持执行与变更后验证的交付包 通过[数据中心运营](/solutions/ai-agent-data-center)了解资产、能源、环境遥测、巡检、维护和专项热环境分析的完整工作流。当容量决策还需要开展韧性评审时，请阅读[冷却故障场景分析](/resources/guides/data-center-cooling-failure-scenario-analysis)。 有关场景比较所依据的机架级测量和限值基础，请阅读[机架进风温度与热裕量](/resources/guides/rack-inlet-temperature-and-thermal-margin)。 ## 公开参考 [美国采暖、制冷与空调工程师学会（ASHRAE）《数据中心与电信设施》手册章节](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)讨论了机架热负载增长、设备进风条件、气流要求和设施冷却注意事项。 ASHRAE 的[人工智能（AI）数据中心能源绩效框架站点规划指南](https://www.ashrae.org/technical-resources/ai-data-center-framework/site-planning)将工作负载要求、机架密度提升、配电和先进冷却策略列为规划考虑因素。 [美国能源部《高能效数据中心设计最佳实践指南》](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)涵盖与容量规划相关的信息技术系统、环境条件、气流管理、冷却系统和测量实践。 --- ## [GUIDES] detector-coverage-blind-spots-placement-options ## 探测器布置是一项空间安全决策 固定式气体探测器会对到达其感测位置并满足其响应特性的环境条件作出响应。源位置、释放行为、通风、设备、排风、门、压力、热环境和附近障碍物都会影响物质到达探测器的路径。 传统布置规则、工程判断、供应商指导、现场经验和法规要求，仍然是探测器设计的核心依据。针对具体项目开展的气流和组分输运分析提供了一种补充方法，可以依据有记录的可信情景矩阵对比候选布局。它帮助团队看清哪些源和运行条件组合会产生快速响应、延迟响应，或值得进一步评审的潜在盲区。 采购方需要解决的实际问题是：针对选定风险，哪种探测器布局具有更充分的证据基础，以及还需要哪些额外控制、测量或工程工作？ ## 定义安全决策和探测标准 研究应从预期用途出发，例如评审新设备安装、对比探测器位置、检查通风变更、评估选定源位置，或识别在哪些位置增加现场证据能够提升可信度。 项目团队应就以下内容达成一致： * 纳入范围的空间、工艺、设备、组分和源类别 * 候选探测器技术、位置、高度、方向和响应特性 * 用于对比的浓度、持续时间、剂量或设备响应标准 * 与决策相关的最长评审时间或探测时间标准 * 所表示的通风、排风、门、设备和人员活动状态 * 分配给不同情景的权重或优先级 * 负责的工程、安全、探测器系统和合规评审人员 阈值应保留其来源和含义。探测器告警设定值、职业接触限值、工艺行动级别、应急标准和模型对比阈值分别服务于不同决策。 ## 建立具有代表性的源与运行矩阵 情景矩阵可以将宽泛的风险描述转化为可评审的具体工况。 | 情景维度 | 需要定义的示例 | 重要原因 | |---|---|---| | 源位置 | 设备连接点、阀门、柜体、围护结构、公用工程夹道、地面高度、高位点或选定边界 | 位置会改变初始输运路径和附近的捕集机会 | | 释放行为 | 速率或曲线、持续时间、方向、动量、温度、相态和组分属性 | 源行为会影响浮力、混合、迁移和浓度历程 | | 通风状态 | 预期气流、能力降低、风机过滤单元组不可用、排风减弱、风阀位置改变或选定恢复状态 | 通风控制释放物质的迁移路径和滞留时间 | | 门与开口状态 | 关闭、开启、过渡、检修面板开启或临时维护状态 | 开口可能改变压力，并连通此前相互隔离的区域 | | 布局与障碍物 | 当前设备、拟议设备、围护结构、隔断、存储设施、临时设备或作业布置 | 实体变更可能遮挡或改变输运路径 | | 探测器布局 | 当前位置、候选位置、增加探测器、不同高度或其他技术 | 布局决定哪些路径和条件能够到达传感器 | | 重复与不确定性 | 参数范围、数值变化、初始状态变化或重复运行 | 分布能够展示探测结果的稳定性和离散程度 | 情景选择应遵循设施的风险依据和预期决策。清晰的矩阵也能让评审人员看出哪些条件仍在评估范围之外。 ## 将探测器行为与设施模型联系起来 ### 空间证据 * 房间、工艺间、下层厂务区、公用工程空间、墙、地板、天花板、门、开口和压力边界 * 设备、围护结构、柜体、工作站、隔断和主要障碍物 * 送风、回风、风机过滤单元、一般排风、局部排风、风管和风阀 * 当前与候选探测器的位置、高度、方向和检修条件 ### 运行证据 * 气流、压力、温度、湿度、排风和设备状态测量 * 探测器标识、技术、设定值、响应行为、校准、维护和告警历史 * 与研究相关的风机、过滤器、风阀、门、工艺、人员活动和作业状态记录 * 当前规程、告警路由、检查、维护和响应责任 ### 源与模型证据 * 由合格评审人员选定的组分属性和源释放曲线 * 几何与边界数据源、假设、模型版本和情景定义 * 基准、校准、残差、确认、不确定性和敏感性记录 * 探测计算、阈值逻辑、重复运行方法和证据适用范围 [Data Fusion Services](/products/dfs) 可对齐探测器、设施资产、测量、告警和维护记录。[DataMesh FactVerse](/products/factverse) 将每个探测器和源情景与空间、设备、通风系统和责任团队关联起来。[FactVerse Designer](/products/designer) 支持候选布局和准备好的情景几何。 ## 将覆盖作为情景结果进行评审 ![洁净室气流、选定源羽流和探测器覆盖区域](/images/physics/cleanroom-airflow-detection-docs.webp) *探测器覆盖分析对比明确布局在选定源与通风情景中的响应，并突出需要工程跟进的工况。* 报告覆盖结果时，应始终同时说明已评估的情景集和探测标准。简单的无权重汇总可以表示为： `情景覆盖率 = 达到约定探测标准的情景数 / 已评估情景总数` 许多项目需要更丰富的视角。高优先级源工况可以获得更高权重。不同探测器技术可以使用不同的响应模型。某些情景可能需要按房间、工艺、源类别、通风状态或后果类别分别报告。 实用输出包括： * 按源和运行状态统计的已探测与未解决情景 * 每个情景中最先响应的探测器 * 探测时间分布和选定的保守统计量 * 每个探测器位置的浓度历程 * 跨源位置或区域的覆盖热力图 * 探测器之间的重叠与依赖关系 * 潜在盲区和响应延迟的情景 * 对源、通风、门、布局、探测器响应和阈值假设的敏感性 * 当前与候选布局之间的对比 证据包应保留结果比例尺、情景定义、探测器假设和评审阈值，以便公平对比各项方案。 ## 将探测时间作为分布评审 探测时间会随源、气流、初始条件、设备状态、探测器响应和模型变化而改变。重复运行或结构化参数集合可以展示结果的范围与稳定性。 评审人员可以检查： * 探测时间的中位数和选定的较高百分位数 * 评估范围内最早和最晚的可信探测时间 * 达到约定标准的运行比例 * 导致响应最慢的源与通风组合 * 在整个矩阵中始终作出响应的探测器 * 输入发生微小变化却引起显著时序差异的情景 所选统计量应与决策相匹配。布置对比可以使用保守的百分位数结果。测量规划研究可以重点关注敏感性。后果更严重的评审可能需要更充分的校准、独立证据和正式审批责任。 ## 以负责任的方式识别潜在盲区 潜在盲区是指在约定标准下，已评估布局出现响应延迟、微弱或无响应的情景或位置。它会作为完整安全系统证据的一部分进入合格评审流程。 后续行动可以包括： * 核实几何、源、通风、探测器和阈值假设 * 检查相关空间、探测器、排风路径、门或设备状态 * 增加测量、示踪试验或有针对性的情景 * 对比探测器高度、方向、技术或位置 * 评审局部排风、围护结构、通风或工艺控制 * 通过授权流程修订告警、检查、维护或响应规程 这种方法使分析与更完整的工程和运营控制层级保持联系。 ## 采用保守的情景评审 一个情景只产生一个结果。采购方应要求情景矩阵覆盖可信的源位置和运行状态，并采用透明方法选择保守评审工况。 [场景集合指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)说明了如何改变不确定输入、保留情景标识，并从结果范围中选择决策工况。[仿真证据评估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供了验证、确认、不确定性和交接方面的评估问题。 决策后果越严重，所需证据可信度就应越高。探索级分析可以确定位置和测量的优先级。基准对比级分析可以鉴定工作流。现场校准可以在实测范围内支持针对设施的对比。特定场景确认可以在相关条件下增强明确安全或工程决策的依据。 ## 采购评估问题 ### 决策与要求 * 哪项工艺、源类别、组分、空间和探测器决策在范围内？ * 适用哪些法规、标准、设施要求、供应商指导和风险控制措施？ * 哪些探测标准和情景优先级已有明确负责人？ ### 情景矩阵 * 是否表示了可信的源位置、曲线、方向、持续时间和运行状态？ * 在相关情况下，是否纳入正常、降级、门、排风、设备和布局条件？ * 当变化会影响结果时，是否使用重复运行或参数范围？ * 每个情景是否都能根据交接记录复现？ ### 探测器表示 * 探测器技术、位置、高度、方向、设定值、响应、校准和维护状态是否可追溯？ * 响应模型是否与预期对比相匹配？ * 当前与候选布局是否使用共同基础进行评估？ ### 证据与评审 * 模型检查、基准证据、校准残差、不确定性和敏感性是否清晰可见？ * 哪些数据或情景被保留用于确认？ * 报告覆盖、探测时间分布和潜在盲区时，是否同时说明了适用条件？ * 谁负责批准最终探测器和安全决策？ ### 运营交接 * 研究结论能否关联到探测器、空间、设备、排风路径、检查和工单？ * 是否定义了现场验证和调试验收活动？ * 模型评审触发条件是否与设备、布局、通风、源或探测器变更相关联？ ## 从一个区域和两种布局开始 聚焦试点可以从一个洁净室工艺间、工艺区域、公用工程空间或探测区域开始。团队选择具有代表性的源矩阵，核实通风和探测器证据，并依据约定标准，对比当前布局和一个候选方案。 扎实的试点成果包括： * 经过核实的设施、通风、源和探测器基线 * 有记录的情景矩阵和探测标准 * 可复现的覆盖与探测时间对比 * 清晰可见的潜在盲区、不确定性和敏感性 * 设施、安全、探测器系统、工艺和合规负责人的合格评审 * 一项经过批准的测量、布置、检查或工程决策 * 可复用的交接和现场验证包 当探测器表现也取决于选定的通风或捕集故障时，请阅读[局部排风捕集与通风降级情景](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)。 有关空间证据基础，请阅读[洁净室气流与气体扩散评估](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)。有关基准、校准、场景集合、确认和重新确认要求，请继续阅读[洁净室校准、场景集合与确认证据](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)。 ## 公开参考 [英国健康与安全执行局 (HSE) 的可燃气体探测器选择与使用指南](https://www.hse.gov.uk/pubns/gasdetector.pdf)指出，工艺设备、传感器类型、气体属性、扩散、通风、人员、设备保护和探测器冗余都是布置时需要考虑的因素。 [英国健康与安全执行局 (HSE) 对海上气体设施火灾与爆炸危险的综述](https://www.hse.gov.uk/Offshore/assets/docs/fireexplosion.pdf)指出，探测器表现取决于扩散、工艺活动、设备布局、间距和通风信息。其工业环境与洁净室不同，但相关布置原则可提供实用的公开背景资料。 [美国采暖、制冷与空调工程师学会 (ASHRAE) 的《洁净空间》手册章节](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)介绍了送风、回风、排风、设备、开口、热源和边界条件如何影响洁净室气流与污染物传播。 [美国国家标准与技术研究院 (NIST) 关于气体扩散和传感器优化布置的论文](https://www.nist.gov/publications/greenhouse-gas-emissions-and-dispersion-1-optimum-placement-gas-inlets-building-rooftop)展示了如何在不同应用领域使用计算流体力学 (CFD) 评估气流驱动的测量点布置与不确定性。 --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## 一线作业需要运营上下文 一线作业往往依赖精确顺序、特定资产、物理位置、受训角色和后续可复核的记录。技术人员可能需要隔离设备、执行上锁挂牌步骤、检查面板、读取数值、拍照、报告异常并关闭工单。生产操作员可能需要完成设置、清洁、清线、取样或交接步骤，每个动作都和房间、设备、物料以及已批准的规程版本相关。 传统 SOP 和培训材料有价值，但它们经常离工作对象太远。规程在文档系统里，资产记录在 CMMS 或 EAM 里，信号在 BMS 或 SCADA 里，照片在移动应用里，最终判断在主管复核里。信息分散后，跨班次、跨站点、跨团队比较执行结果就会变难。 运营数字孪生为规程提供工作位置。它围绕同一运营上下文连接 SOP、资产、位置、角色、视觉指导、现场记录、巡检结果、工单和复核备注。 ## 数字 SOP 需要连接什么 | 层级 | 运营细节 | |---|---| | 规程控制 | SOP 版本、负责人、生效日期、审批路径、培训对象和发布状态 | | 资产与位置 | 设备 ID、房间、区域、产线、路线、公辅连接和安全边界 | | 引导步骤 | 作业顺序、提示、检查点、视觉参考、媒体和异常处理 | | 角色与培训 | 岗位要求、培训完成、考核结果、复训周期和批次历史 | | 现场执行 | 操作人员、开始时间、步骤状态、读数、照片、备注、问题和工单链接 | | 复核记录 | 主管复核、验收标准、纠正措施、关闭状态和审计轨迹 | | 数据上下文 | 相关实时数值、告警、维修历史、文档和企业记录 | 目标是可追溯。团队应能看到使用了哪个规程，作用于哪项资产或区域，由谁执行，采集了哪些证据，以及结果如何复核。 ## 在空间上下文中编排规程 [Director](/products/director) 是引导式 3D 规程的编排工具。它可以把已批准的作业知识转化为带有标签、动画、面板、图片、视频、检查点和视觉提示的分步内容。编排目标是在作业现场呈现正确的资产、位置、动作和记录要求。 好的数字 SOP 内容通常来自既有资料：已批准 SOP、作业指导书、手册、照片、视频、CAD 或 BIM 模型、设备模型、资产清单、安全说明、培训课件和现场反馈。内容团队再判断哪些步骤需要 3D 上下文，哪些步骤需要检查记录，哪些步骤需要照片，哪些异常应发起任务。 [FactVerse](/products/factverse) 保持规程与资产和位置模型的连接。[Data Fusion Services](/products/dfs) 可在流程需要时接入文档、工单历史、实时数值和企业记录。 ## 采集现场证据 数字指导进入现场执行后，才会形成运营价值。[Checklist](/products/checklist) 结构化重复检查、必要读数、签核和完成记录。[Inspector](/products/inspector) 将巡检、问题、照片、维修备注、工单、验收步骤和复核状态连接到资产与位置上下文。 可落地的执行路径如下： 1. **准备** - 连接 SOP、资产、位置、角色、检查清单和必需证据。 2. **引导** - 通过 Director 编排内容和现场指令交付步骤。 3. **记录** - 采集读数、照片、备注、异常和完成状态。 4. **升级** - 将确认后的问题转化为巡检任务、维修任务或工单。 5. **复核** - 由主管或质量团队复核证据、纠正措施和关闭状态。 6. **改进** - 利用重复异常和复核结果改进培训、规程内容和资产记录。 这个流程让培训、执行、证据和改进保持资产上下文的一致性。 ## 现场执行前先完成训练 培训应使用与现场执行一致的空间上下文。新操作员可以在进入现场前理解设备身份、房间布局、作业顺序、视觉检查点、风险点和证据字段。 [Simulator](/products/simulator) 适用于培训任务依赖设备行为、控制方式、安全场景、路线纪律、评分和重复练习的场景。重型设备、叉车、施工机械和设备专用项目，可以通过 Simulator 场景练习操作、应急响应和考核流程。 对于工艺操作和设施工作，Director 与 Checklist 可以支撑引导式规程培训，Inspector 则把同一套资产和任务上下文带入现场执行。这样，培训记录、作业指导和现场证据能够保持对齐。 ## 行业场景 **制造**团队可以将数字 SOP 用于换线、巡检、维修支持、线边故障处理、仓储交接和生产支持公辅设备。现场证据帮助工程师比较不同资产、班次和生产区域中的重复问题。 **制药与生物制药**团队可以将引导式规程用于设置、清洁、取样、称量、清线、设备准备和操作员交接。培训完成、SOP 版本、任务证据、异常备注和复核记录可支持 GMP 与 CSV 证据准备。 **施工与重型设备**团队可以结合 Director 引导规程、Simulator 设备训练和 Inspector 现场记录，服务现场作业、设备操作、安全流程和问题关闭。塔吊、叉车、旋挖钻机、深井套杆钻机、挖掘机和项目专用设备都可以进入训练项目。 **数据中心与智慧设施**可以连接维修规程、巡检路线、BMS 告警、资产记录、能耗读数、照片和工单状态。同一套记录结构可以服务维修计划、能耗复核和运营交接。 **仓储与厂内物流**团队可以在规划与巡检使用的同一资产和位置上下文中，训练路线、装卸步骤、安全检查、叉车流程、异常处理和维修任务。 ## 数据与 AI 反馈 现场证据为 AI 辅助流程提供更可靠的真实反馈。已确认问题、被复核调整的建议、重复异常、完成备注、读数、照片和作业后结果，可以帮助团队判断规程哪里不清楚，培训哪里需要刷新，哪些资产存在重复模式。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以 24x7 复核连接后的信号、工单历史、文档、巡检记录和现场反馈。在这个流程中，AI Agent 更适合帮助专业团队总结证据、发现重复问题、建议下一步检查，并准备进入复核的工作内容。 当培训记录、现场执行、工单和复核结果都指向同一资产和规程上下文时，学习闭环会更稳定。 ## 产品分工 [Director](/products/director) 创建引导式 3D SOP、步骤提示、视觉标签、动画、媒体面板、培训内容和现场指令。 [Checklist](/products/checklist) 结构化重复检查、必要读数、岗位签核、完成状态和移动端记录。 [Inspector](/products/inspector) 管理巡检、问题、工单、证据采集、维修备注、验收记录和现场历史。 [Simulator](/products/simulator) 在任务依赖控制方式、设备行为、安全场景、评分和重复练习时，支撑设备操作训练。 [FactVerse](/products/factverse) 提供运营数字孪生上下文，用于资产、空间、系统、规程、作业对象、文档和权限。 [Data Fusion Services](/products/dfs) 将 CMMS、EAM、BMS、SCADA、IoT、文档、工单记录和企业系统连接到正确的孪生对象。 [FactVerse AI Agent](/products/factverse-ai-agent) 在流程记录稳定后，辅助复核、分诊、建议准备和反馈分析。 ## 实施检查清单 * SOP 版本、负责人、发布日期和培训对象是否记录清楚 * 资产 ID、房间名称、设备标签和工单对象是否一致 * 需要 3D 指导、检查记录、照片或读数的步骤是否已经识别 * 异常路径、问题类别、升级规则和关闭字段是否已经定义 * 培训完成、考核结果和复训周期是否绑定到正确规程版本 * Inspector 与 Checklist 记录是否连接到同一资产和位置模型 * 照片、读数、备注、复核决定和纠正措施是否可用于后续复盘 * AI Agent 场景是否建立在稳定的规程、资产、工单和现场证据数据之上 ## 公开参考 [Swire Coca-Cola 参考](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 展示了维修流程与一线培训数字化。 [Foxconn 参考](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 展示了 FactVerse 在培训和维修流程中的应用。 [高速公路安全培训参考](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) 展示了基于数字孪生的现场技能实践培训。 [制药操作员培训指南](/resources/guides/pharma-operator-training-digital-sop-gmp-csv)、[重型设备 Simulator 培训指南](/resources/guides/digital-twin-heavy-equipment-simulator-training) 和 [CMMS、EAM 与 BMS 集成指南](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) 分别覆盖监管运营、设备训练和企业系统集成的相邻流程。 --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## 可复用内容让交付更稳定 工业数字孪生项目常常会重复搭建相似的基础内容：空间、资产、路线、设备类别、标签、面板、操作步骤和场景行为。每个客户现场都需要贴合实际情况，但同一类运营场景里的很多起点是共通的。 数字孪生内容包就是为了建立这个可复用基线。FactVerse DLC 为 FactVerse Designer 提供预配置内容，让团队先从行业基础出发，再把模型、场景、数据映射和工作流调整到客户的真实设施。 它带来的价值是运营一致性。产品团队、交付团队和客户团队可以从第一次需求讨论开始，就围绕同一套资产类别、场景结构、工作记录和运营视图沟通。 ## 内容包应该包含什么 | 层级 | 可复用内容 | |---|---| | 资产类别 | 设备类型、标签、属性、命名规则和角色定义 | | 空间结构 | 站点、建筑、楼层、房间、区域、产线、路线和安全边界 | | 模型资源 | 3D 对象、简化设备外形、布局元素、标签和可视化状态 | | 场景模板 | 面向运营、维护、培训、规划和管理汇报的常用视图 | | 行为逻辑 | 状态变化、引导步骤、告警、运行序列和场景触发 | | 数据绑定 | 来源字段、单位、时间戳、负责人、刷新规则和孪生对象映射 | | 工作流上下文 | 巡检点、检查字段、工单流转、证据采集和审批 | | 治理信息 | 版本、负责人、内容范围、更新规则、本地化和复用标准 | 内容包应该帮助团队更快启动，同时保留每个现场的可配置空间。 ## 工业场景的基础内容范围 **数据中心 DLC** 帮助团队准备机房、机柜、设施设备、能耗上下文、监控视图、巡检路线和维护记录，用于数据中心数字孪生。 **园区 DLC** 支持建筑、园区、公辅系统、环境、通行和设施上下文，服务于多建筑运营和智慧设施管理。 **仓储物流 DLC** 帮助描述仓库区域、存储空间、路线、输送线、操作流程、物流规划和培训场景。 **离散制造 DLC** 为生产设备、输送线、AGV、操作员、产线上下文和规划场景提供虚拟工厂起点，交付团队可以在 Designer 中继续定制。 这些基础内容真正发挥作用，需要连接客户的真实资产、系统、流程和运营记录。 ## DataMesh 落地流程 1. **选择内容基础** - 根据现场类型和项目目标选择合适的 DLC 基线。 2. **映射客户现场** - 把建筑、房间、区域、产线、设备、路线和作业区对应到客户的实际命名和资产记录。 3. **在 Designer 中准备场景** - 使用 FactVerse Designer 调整模型、场景模板、视图、标签、面板和行为逻辑。 4. **连接数据模型** - 使用 FactVerse 组织空间、资产、关系、文档、工作上下文和可复用对象。 5. **绑定运营数据** - 使用 Data Fusion Services 连接源系统、传感器数据、企业记录、维护工具和文档引用。 6. **挂接执行工作流** - 使用 Inspector、Director 或其他应用连接巡检、SOP 引导、工单、培训和现场证据。 7. **复盘并产品化复用** - 把多个项目中反复出现的资产、逻辑和工作流沉淀为受管理的内容，让后续站点从更成熟的基线开始。 这个循环很重要：每次交付都应该让可复用基础变得更好。 ## 产品团队如何管理 DLC 每个内容包都应该被当作产品资产管理。它需要负责人、版本、范围、示例场景、本地化计划、发布说明，以及判断哪些内容应该进入可复用层的标准。 可复用层应聚焦通用结构：资产类别、场景基础、默认视图、起步逻辑和集成模式。客户特定名称、权限规则、实时数据凭证、审批链和操作规程应留在项目配置中。 这种分层有助于 DataMesh 团队保持内容质量，也让项目有足够灵活性。销售、交付和客户成功团队也能更具体地说明哪些内容会复用，哪些内容会按现场定制。 ## DataMesh 产品如何配合 [FactVerse DLC](/products/factverse-dlc) 提供面向常见工业落地场景的可复用数字孪生内容包。 [FactVerse Designer](/products/designer) 用于打开、调整并组装 DLC 资源，形成场景、运营视图和情景内容。 [DataMesh FactVerse](/products/factverse) 存储共享数字孪生上下文，包括空间、资产、关系、文档、数据绑定和应用工作流。 [Data Fusion Services](/products/dfs) 把运营数据源和企业记录连接到孪生体中的正确对象。 [Inspector](/products/inspector) 把孪生上下文转化为巡检、工单、照片、维修记录、验收说明和现场证据。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以在数据模型和工作流成熟后，基于稳定的孪生上下文和工作记录进行运营分析。 ## 落地检查清单 - 内容包是否清晰定义了可复用的资产类别和属性？ - 空间结构是否符合客户实际运营现场的组织方式？ - 模型资源是否既适合交互场景，又能让运营人员看清对象？ - 场景模板是否对应巡检、规划、培训、监控或维护等真实工作流？ - 数据绑定是否记录了来源、单位、负责人、刷新规则和质量状态？ - Inspector 字段、工单流转和证据记录是否在现场上线前定义清楚？ - 版本、本地化和内容负责人是否明确？ - 一个项目中的改进是否可以沉淀为后续项目的可复用内容？ 好的内容包应该减少重复搭建工作，并提升多个项目之间的一致性。 ## 公开参考 [IDC DLC 发布信息](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) 展示了可复用内容如何帮助团队在 FactVerse Designer 中启动数据中心数字孪生场景。 [仓储物流 DLC 更新](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) 展示了内容包方法在物流环境、路线、布局和运营场景中的应用。 [全一电子 FactVerse 案例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) 展示了产线规划如何借助共享数字孪生上下文降低沟通成本并支持自动化方案讨论。 [蔚来智能工厂案例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) 展示了制造团队如何把数字孪生作为工厂可视化和运营改进基础。 --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## 重型设备培训需要可重复练习 重型设备操作培训很难标准化。真实设备排期成本高，现场有安全约束，经验丰富的教练时间有限。学员需要通过可操作的场景理解设备、控制反馈、作业顺序、现场环境、风险点，以及每一步操作质量。 数字孪生模拟器培训为这些技能提供了可控练习环境。操作员在包含设备行为、实体或桌面控制、视觉反馈、操作提示和评估规则的场景中完成任务。教练可以重复同一任务，比较结果，并形成更清晰的能力记录。 对 DataMesh 来说，Simulator 承担重型设备操作培训。它与 Director 创作的 SOP 培训、Designer 支持的场景规划，以及 FactVerse 的数字孪生上下文协同使用。 ## 一个模拟器场景应该包含什么 | 层级 | 作用 | |---|---| | 设备模型 | 几何、比例、驾驶舱视角、运动部件、作业范围和设备特定行为 | | 物理行为 | 运动、碰撞、载荷响应、地面交互、振动和相关安全边界 | | 操作控制 | 手柄、踏板、面板、方向控制、桌面控制或设备专用控制布局 | | 培训规程 | 任务步骤、语音或文字提示、信号指令、检查点和异常处理 | | 现场上下文 | 施工区域、路线、障碍、作业区、材料、周边设备和天气或能见度条件 | | 评估规则 | 时间、准确性、规则合规、碰撞事件、路径质量、操作平稳度和完成记录 | | 复盘记录 | 学员信息、场景版本、评分、备注、回放证据和教练反馈 | 优秀的场景会把这些层级结合起来。塔吊吊装、叉车路线、旋挖钻机作业、深井套管钻机流程或挖掘机操作，都应该按结构化工作任务来设计，包含清晰步骤、约束、反馈和评分。 ## 设备覆盖与场景设计 DataMesh Simulator 支持塔吊、叉车、旋挖钻机、深井套管钻机、挖掘机和其他重型设备的培训项目。每个项目都应该先明确培训目标：基础熟悉、操作顺序、异常响应、认证练习、海外服务培训，或教练主导的考核。 培训目标会决定硬件形态、场景精度、控制设置、评分规则和内容深度。有些团队需要运动平台和驾驶舱，有些团队需要用于初期熟悉的桌面训练站，有些团队需要适合分布式培训的便携配置。合适的设计取决于设备、学员阶段、培训地点和评估要求。 因此，模拟器内容应该按设备培训项目来规划。模型、控制、场景、评分和复盘流程都需要匹配正在训练的操作技能。 ## DataMesh 工作流 1. **定义培训角色** - 明确设备类型、操作员角色、目标技能、安全重点和评估要求。 2. **构建设备孪生** - 准备设备模型、运动部件、驾驶舱视角、控制映射、物理行为和场景环境。 3. **编排培训路径** - 创建任务步骤、提示、检查点、信号指令和异常案例。 4. **配置训练站** - 根据场景选择运动平台、驾驶舱、控制面板、桌面训练站、可视化系统或组合方案。 5. **开展练习与评估** - 让学员重复任务、接收反馈，并完成结构化考核。 6. **记录证据** - 保存评分、完成记录、教练备注、场景版本和复盘证据。 7. **迭代课程** - 当设备、规程、现场规则或培训目标变化时更新场景。 这样形成的是包含场景版本、教练复盘、评估证据和课程迭代路径的可复用培训系统。 ## Simulator 在 FactVerse 体系中的位置 [Simulator](/products/simulator) 负责重型设备操作培训。当培训目标依赖设备行为、控制反馈、物理交互和操作员评估时，Simulator 是主要承载产品。 [FactVerse](/products/factverse) 提供数字孪生平台基础。[FactVerse Twin Engine](/products/factverse-twin-engine) 负责组织资产、场景上下文、行为和场景状态。 [FactVerse Designer](/products/designer) 支持场景创作、布局规划和场景准备。[Director](/products/director) 支持 SOP 引导和互动培训内容。[Inspector](/products/inspector) 在培训连接到现场执行后，支持现场记录、巡检、问题闭环和证据工作流。 这些产品共同帮助培训团队把设备练习连接到规划、指导和运营使用的同一套数字孪生上下文。 ## Steam 公开参考版 DataMesh 在 Steam 发布了 [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) 作为简化公开参考体验。Steam 页面显示开发者和发行商均为 DataMesh，并提供面向公开用户的轻量级重型设备模拟训练体验。 这个公开版本适合理解基本概念：设备操作、引导练习、视觉场景上下文和设备仿真。企业和院校项目会进一步加入项目相关硬件、控制系统、课程内容、评分标准、驾驶舱设计、运动平台选项和集成要求。 ## 评估清单 - 场景是否对应真实操作任务或考核目标? - 设备模型是否包含运动部件、控制行为和必要的物理假设? - 硬件配置是否匹配学员阶段和培训目标? - 任务步骤、信号指令、检查点和异常是否定义清晰? - 评分规则是否对应安全且正确的操作? - 教练是否可以查看回放证据、备注、评分和场景版本? - 培训记录是否可以连接到学习管理、安全或运营流程? - 当设备、现场规则或规程变化时，课程是否可以更新? 这些问题可以让模拟器培训始终围绕操作能力和运营准备展开。 ## 公开参考 DataMesh 已公开发布关于 [塔吊培训](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)、[履带式挖掘机培训环境](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)、[基于数字孪生的 Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) 和 [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training) 的公开内容。 [Operator Training: Heavy Equipment Steam 页面](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) 是 DataMesh 发布的简化重型设备训练体验公开参考。 --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## 从可视化模型走向运营闭环 传统数字孪生通常从三维模型、BIM 数据、设备几何或仪表盘开始，帮助团队看到设施、产线、资产或施工现场。这个层面本身很有价值，因为它提供了共同语境，让复杂环境更容易被理解。 可执行数字孪生在模型周围增加运营闭环。它连接实时数据、资产关系、流程逻辑、仿真、审批、工单和验证记录。团队可以复核正在发生的情况，评估某个场景下可能出现的结果，分派工作，并保留每次决策背后的证据。 这也是工业和设施环境中物理智能的基础。AI 建议只有落在真实资产、空间关系、物理约束、工作历史和审批流程中，才更容易进入实际运营。 ## 可执行数字孪生的组成 一个可执行数字孪生通常包含六个层面： - **空间与资产结构**：站点、建筑、楼层、区域、系统、设备、点位、文档和责任关系。 - **实时运营数据**：BMS、SCADA、IoT、仪表、历史数据库、CMMS、ERP、MES 和其他源系统。 - **行为与流程逻辑**：流程步骤、控制假设、依赖关系、作业手顺和事件条件。 - **仿真与场景复核**：布局选项、流线分析、设备运动、物理行为和方案比较。 - **工作流与现场执行**：巡检、任务、工单、SOP、培训、验收和交接。 - **治理与证据**：审批、记录、模型版本、照片、说明和运营结果。 价值来自这些层面的连接。模型可以显示资产的位置，可执行数字孪生还能显示这台资产的数据、支撑的流程、正在复核的场景、分派给它的工作，以及确认现场结果的记录。 ## 物理智能为什么需要可执行数字孪生 物理智能面对真实世界的运营问题。建议需要适配现场、资产、流程、人员，以及组织内部的安全和审批规则。单独的模型回答很难覆盖这些条件。 可执行数字孪生为物理智能提供可治理的运营上下文： - 说明信号属于哪个资产、系统、区域和流程。 - 提供历史记录和实时状态，用于分析判断。 - 为仿真流程提供方案比较的场所。 - 把获批动作交给巡检、维护、培训或施工工作流。 - 保留建议、审批、执行和验证的可追溯记录。 对买方来说，关键差异在于数字孪生是否已经成为运营系统的一部分。 ## DataMesh 技术栈在其中的位置 [Data Fusion Services](/products/dfs) 连接企业系统、工业系统、IoT 和设施数据源。[FactVerse](/products/factverse) 组织数据、资产、场景和应用上下文。[FactVerse Twin Engine](/products/factverse-twin-engine) 在不同设备和运营场景中渲染并执行三维孪生体验。 [FactVerse Designer](/products/designer) 支持场景创作、流程逻辑、虚拟规划和仿真工作流。对于使用 NVIDIA Omniverse 的团队，[FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 可以把 FactVerse 的场景结构、元数据和行为上下文带入 USD 与 Omniverse 验证流程。 [FactVerse AI Agent](/products/factverse-ai-agent) 基于连接后的上下文支持异常复核、预测分析、运营问答、建议摘要和决策交接。[Inspector](/products/inspector) 把获批发现转化为巡检、工单、现场记录、验收和证据。 这些层合在一起，让团队能够查看、分析、仿真、执行和复盘同一个数字孪生。 ## 常见实施方式 实际落地时，最好从一个运营闭环开始： 1. 连接源数据，并明确每个源系统的责任边界。 2. 把资产、空间、系统和点位映射到共同孪生结构。 3. 加入行为逻辑、流程步骤、作业手顺或场景假设。 4. 通过仿真、工程复核或运营回放验证选项。 5. 把获批动作交给巡检、维护、培训或施工工作流。 6. 记录完成情况，并用运营数据复核结果。 这种方式让工作保持具体，也让各方能判断数字孪生是否正在进入日常执行。 ## 可执行数字孪生的价值场景 | 起点 | 实际用途 | |---|---| | 设施运营 | 连接资产、仪表、BMS 点位、巡检和维护记录，在空间上下文中复核问题 | | 预测性维护 | 结合传感器数据、资产历史、异常复核、工单和验证记录 | | 流程仿真 | 在现场变更前比较布局、物流、设备运动和运营假设 | | 施工指导 | 连接 BIM、现场语境、施工方法、进度核查和现场指导 | | 人员培训 | 把设备、手顺、风险点和场景记录转化为可复用的培训流程 | 第一个用例需要有清晰的数据责任、可衡量的运营流程，以及能执行和验证动作的团队。 ## 评估清单 比较数字孪生平台时，可以使用这些问题： - 平台能否把实时运营数据连接到资产、系统和空间。 - 能否表达行为、流程逻辑和场景假设。 - 团队能否在运营变更前进行仿真或场景复核。 - 建议能否进入获批的巡检、维护、培训或施工工作流。 - 现场团队能否记录照片、说明、验收记录和完成状态。 - 工程师和运营人员能否追溯数据、模型上下文和审批历史。 - 同一个孪生能否支持可视化、监控、仿真和工作流执行。 - 平台能否支持跨用户、跨站点、跨系统的企业治理。 当每个问题都能对应到真实工作流和责任团队时，可执行数字孪生才会持续产生价值。 ## 实际成效 可执行数字孪生帮助工业和设施团队从共同可视化走向可治理执行。近期成效通常很务实：更清晰的运营上下文、更快的跨团队复核、更顺畅的分析到现场交接、更完整的证据记录，以及更有纪律的方案比较。 随着运营闭环成熟，物理智能可以获得更丰富的上下文。建议可以基于资产数据、系统关系、仿真结果、工作历史和现场治理机制生成。数字孪生也由此成为真实世界决策中的工作层。 --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## 供热运营需要连接上下文 供热团队的决策往往同时依赖多类信息：热源状态、一次网和二次网数据、换热站工况、楼宇侧反馈、天气预测、投诉记录、现场巡检、维护历史和调度规则。每套系统都只解释了运营的一部分，真正困难的是把这些信号连接成可复核、可批准、可执行、可验证的调度决策。 [HeatOps](/solutions/heatops) 是 [FactVerse AI Agent](/products/factverse-ai-agent) 的供热行业模块。它通过 [Data Fusion Services](/products/dfs) 连接运营数据，通过 [FactVerse](/products/factverse) 保留管网与资产上下文，并通过 Inspector 或客户已有工单系统保留现场行动记录。 它的目标很实际：帮助供热团队预测负荷、诊断管网状态、复核调度方案、协调现场工作，并保留决策背后的运营证据。 ## 运营模型连接什么 | 层级 | 运营上下文 | |---|---| | 热源 | 锅炉、热泵、热电联产、余热、储热、燃料、电力、能力和可用性 | | 管网 | 一次网、支线、压力、流量、供回水温度、阀门、泄漏和保温状态 | | 换热站 | 换热器、泵、控制阀、计量表、差压、效率、报警和服务历史 | | 建筑 | 楼宇分区、室内反馈、用户侧温度、舒适度问题、热惯性和服务优先级 | | 外部上下文 | 天气预测、历史负荷、节假日、入住规律、资费上下文和服务请求 | | 工作执行 | 调度指令、巡检、维修任务、清洗、阀门调整、保温修复、照片和验收记录 | | 治理 | 建议来源、审批路径、指令边界、回退规则、结果复核和审计记录 | 价值来自这些层级之间的连接。一次低温投诉应该能追溯到建筑上下文、换热站行为、支线管网状态、历史工作记录和随后的调度决策。 ## DataMesh HeatOps 工作流 1. **连接运营来源** - 汇集 SCADA、SIS、PVSS、PLC 点位、计量、天气、GIS、投诉记录、计费上下文、维护系统和调度日志。 2. **构建供热数字孪生** - 在 FactVerse 中建立热源、管线、换热站、阀门、泵、计量表、建筑、分区和服务区域模型。 3. **绑定信号与资产** - 使用 Data Fusion Services 将温度、压力、流量、报警、能耗读数和工作记录映射到正确的资产和管网段。 4. **复核需求与风险** - 使用 FactVerse AI Agent 为调度员准备负荷预测、负荷变化说明、异常模式摘要和调度选项。 5. **协调行动** - 把确认后的发现转化为调度记录、现场巡检、工单、调整任务或受控写回范围。 6. **验证结果** - 将动作后的读数、舒适度反馈、报警、热损模式和工单证据与原始发现进行对比。 这套工作流让 AI 建议始终附着在产生建议的运营上下文上。 ## 预测、诊断和调度复核 HeatOps 可支持三类相互连接的工作模式： - **负荷预测**：在需求变化到来之前，对比天气、历史负荷、管网状态、建筑响应和运行约束。 - **管网诊断**：复核供回水温差、差压、流量、补水、换热器表现、泵状态、阀门状态、泄漏迹象、结垢迹象和反复出现的用户侧问题。 - **调度复核**：为调度员准备可复核的行动建议，例如供水温度调整、泵频调整、阀门调整、预热策略、人员准备和现场巡检优先级。 建议需要说明影响范围、原因、预期效果、审批要求和后续证据。这样控制室、工程团队、现场团队和管理人员都能复核 AI 输出。 ## 从建议到可审计执行 供热运营涉及安全、舒适度、合同、设备边界和服务责任，因此执行路径需要分阶段推进。 第一阶段是决策支持。调度员在数字孪生上下文中复核预测、诊断和建议动作。下一阶段是辅助执行：确认后的建议进入调度记录、现场任务、工单和后续检查。当权限、指令范围、安全联锁、回退规则和审计要求明确后，现场可以逐步加入受控写回。 [Inspector](/products/inspector)、[Checklist](/products/checklist) 和客户已有工单系统可以保留现场侧闭环：谁检查了换热站，调整了什么，采集了哪些照片和读数，工作何时关闭，状态是否改善。 ## 能碳记录与管理复核 供热运营需要季节性证据，而不仅是实时画面。HeatOps 可以把热量、燃料、电力、泵耗、热损、舒适度反馈、事件响应、改造活动和现场工作整理成运营记录，用于管理复核。 这些记录帮助团队按时间比较调度策略、改造成效、换热站表现和管网段状态，也让业主、城市团队、服务公司和工程伙伴可以围绕同一条数据链讨论能碳表现。 核算方法、统计边界和碳因子需要按项目配置。HeatOps 提供用于复核的连接型运营上下文和可追溯证据。 ## 数据准备清单 上线前建议复核这些条件： - SCADA、SIS、PVSS、PLC 和计量点位具备稳定名称、单位、时间戳和责任归属。 - 热源、换热站、阀门、泵、计量表、建筑、分区和管网段可以映射到数字孪生。 - 天气、负荷历史、投诉记录和工单可以按时间、区域、资产或站点连接。 - 调度员和工程师已经约定调度建议的审批规则。 - 现场团队可以结构化记录巡检、调整、照片、读数和验收证据。 - 受控写回规则在任何指令路径引入前已经形成文档。 - 试点指标基于已验证的运营记录。 首个试点适合选择范围可控的服务区或换热站组，团队需要具备足够数据、清晰责任和高频运营问题。 ## 实用起点 | 起点 | 为什么适合 | |---|---| | 换热站总览 | 团队可以围绕已知资产组连接温度、压力、流量、泵状态、阀门状态、热量、报警和服务历史 | | 天气波动准备 | 负荷预测可以帮助调度员在寒潮、回暖或异常入住规律影响服务前做好准备 | | 低温投诉 | 投诉记录可以与楼宇上下文、换热站状态、支线压力和历史维护一起复核 | | 重复站点报警 | AI 辅助复核可以总结模式，并把确认后的问题推进到巡检或维护任务 | | 能源与热损复核 | 季节性记录可以连接热源输出、管网行为、楼宇侧情况和现场工作 | 这些起点可以先建立可复核闭环，再逐步扩展到更大的优化或控制场景。 ## 公开参考 [HeatOps 解决方案页面](/solutions/heatops) 说明了 FactVerse AI Agent 中供热行业模块的范围。 [数据中心数字孪生运营指南](/resources/guides/data-center-digital-twin-operations) 和 [预测性维护指南](/resources/guides/predictive-maintenance-digital-twin-work-orders) 展示相邻场景中连接设施信号、数字孪生上下文、工单和已验证现场行动的方式。 [Singtel FutureNow 参考](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) 展示了 DataMesh 在连接型设施环境中的数字孪生上下文。[Yokogawa 与 DataMesh 预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了如何把工业信号转化为 AI 辅助维护复核的更广泛模式。 --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## 工业 AI Agent 需要现场上下文 工厂、园区、数据中心、热网、仓储物流和口岸等场景都由真实的物理系统构成。能在这些场景中发挥作用的 AI Agent，需要理解设备、位置、实时信号、运行历史、操作手顺、工单和责任记录。 [FactVerse AI Agent](/products/factverse-ai-agent) 面向这一层运营工作。它基于 FactVerse 数字孪生底座，连接工业数据、企业知识、Inspector 工作记录和人工审批路径，让 AI 建议能够进入可审计、可执行、可复盘的现场流程。 ## 运营闭环如何形成 1. **连接信号与知识** - Data Fusion Services 汇集设备数据、设施系统、SCADA 或 BMS 信号、维护历史、文档、SOP 和企业系统。 2. **放入数字孪生上下文** - FactVerse 与 Twin Engine 将这些信号连接到资产、空间、系统、关系和工作流状态。 3. **由 AI Agent 分析** - AI Agent 复核趋势、告警、历史工单、运营规则和现场上下文，生成发现和建议动作。 4. **人工复核与批准** - 操作员、工程师或主管根据流程权限和风险等级确认建议。 5. **进入现场执行** - Inspector、Checklist、客户已有 CMMS 或 EAM 系统，以及一线应用，将已批准的动作转化为工单、巡检、指导任务和培训。 6. **结果回流** - 完成记录、照片、读数、异常说明、人工决策和动作后的结果，成为后续复核和模型改进的证据。 这套闭环把 AI 输出变成了可追踪的运营过程。 ## 7x24 小时运行与持续学习 工业事件会跨越班次、周末、天气变化、生产周期和维护窗口。FactVerse AI Agent 可以持续处理已连接的信号、告警、工单变化、巡检记录和现场反馈，在关键专家没有盯着看板时，也帮助团队保持对资产和流程变化的感知。 随着更多任务被执行，系统会积累异常信号、确认原因、被否决的建议、已完成维修、操作员备注、巡检照片和结果读数。这些记录可以用于机器学习模型的训练、重新训练、评估和建议质量调优，让 AI Agent 逐步贴近客户自己的现场数据和运营规律。 持续学习需要治理机制配合。数据来源、审批历史、执行结果和复核指标，帮助团队判断哪些发现值得信任，哪些建议需要调整，哪些流程可以扩大试点范围。 ## 典型行业模块 FactVerse AI Agent 可以按行业流程组织成不同模块。模块名称用于描述运营任务，并把产品口径统一到 FactVerse AI Agent。 | 模块 | 运营范围 | |---|---| | 预测性维护 | 设备健康复核、异常解释、维护优先级、工单流转和验证记录 | | HeatOps | 负荷复核、热网诊断、调度支持、换热站工作和能碳运营记录 | | 设施巡检与维护 | 资产查询、巡检规划、故障排查指导、证据采集和维护跟进 | | 边境与物流检查 | 空间化流程支持、清单执行、异常复核、检查记录和跨团队交接 | | 操作指导与培训 | 数字化 SOP、设备步骤、任务指导、安全提醒和人工操作培训记录 | | 半导体设施运营 | 厂务与公辅设备上下文、系统巡检、异常事件复核和工单整合 | 每个模块都可以从决策支持开始，并随着客户明确数据访问、审批规则和执行边界而扩展。 ## 产品体系如何协同 [Data Fusion Services](/products/dfs) 负责数据基础，将源系统、文档、传感器流和企业记录映射为可使用的运营上下文。 [FactVerse](/products/factverse) 和 [FactVerse Twin Engine](/products/factverse-twin-engine) 提供运营数字孪生能力，管理资产、空间、关系、状态、行为逻辑和工作流上下文。 [FactVerse AI Agent](/products/factverse-ai-agent) 使用这些上下文整理证据、比较模式、生成建议、解释可能原因，并把决策交给合适的工作流。 [Inspector](/products/inspector)、Checklist 以及已连接的 CMMS 或 EAM 系统保留现场执行记录，包括谁复核了任务、完成了什么、采集了什么证据，以及状态是否改善。 [FactVerse Designer](/products/designer) 支持场景创建、布局规划、虚拟规划、仿真准备和 Physical AI 工作流，适用于需要准备 SimReady Asset 或接入 Omniverse 相关仿真流程的项目。 ## 人工确认仍然在闭环中 工业决策会影响安全、停机时间、合同、合规和资产寿命。FactVerse AI Agent 的价值在于准备完整上下文，让有责任权限的人能够更快、更清楚地做出判断。 低风险任务可以较快从建议进入巡检或工单。高风险任务，例如设备停机、控制参数调整、工艺变更或受监管的操作步骤，需要主管审批、工程复核或客户自定义授权。同一套流程可以保留建议内容、复核人、批准动作和最终结果。 ## 从一个可验证流程开始 首个部署应选择范围明确、数据可连接、责任清晰、结果可衡量的闭环。例如某类关键设备、某条设施巡检路线、某组换热站、某个数据中心资产组、某类仓储物流设备流程，或某个操作指导场景。 先连接相关数据和工作记录，定义谁复核 AI 发现，把确认后的发现进入现有执行系统，并记录结果。之后再用这些记录调优建议质量，决定下一阶段扩展到哪里。 ## 评估清单 - 源信号、文档和工单是否连接到了正确的资产和空间 - AI Agent 是否能说明建议来自哪些证据 - 每条建议是否有责任人、审批路径和执行去向 - 现场团队是否能记录完成说明、照片、读数、异常和验证结果 - 被否决或修正的建议是否能用于改进后续推荐 - 机器学习更新是否基于运营证据复核，而不只看模型置信度 - 同一套运营闭环是否能扩展到更多站点、班次和团队，同时保持可追踪 这些检查能让工业 AI 始终贴近真实运营。 ## 公开参考 [FactVerse AI Agent 发布新闻](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)说明了 DataMesh 面向复杂设施仿真驱动运营的公开方向。 [Yokogawa 与 DataMesh 预测性维护案例](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)展示了如何把工业信号转化为 AI 辅助的维护复核。 [NIO 智能工厂参考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)和 [Singtel FutureNow 展示](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)提供了复杂环境中运营数字孪生上下文的公开示例。 --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## 为什么要连接 FactVerse 和 Omniverse 工业仿真需要两类上下文。运营团队需要可信的数字孪生，保留资产、关系、实时数据、权限和业务语义。仿真团队需要高保真环境，用于渲染、USD 场景开发、物理行为验证和方案评审。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 连接这两层能力。工厂、设施、产线或物流区域可以先在 [FactVerse](/products/factverse) 和 [FactVerse Designer](/products/designer) 中准备，再通过 USD 工作流进入 NVIDIA Omniverse 进行评审和仿真。 这是物理智能（Physical AI）的实际工作方式。数字孪生把场景连接到真实资产和运营数据，Omniverse、RTX、PhysX 与 Newton 帮助团队验证渲染、传感器上下文、运动、碰撞、布局、物料移动、包装流程、机器人路径和安全区域交互。 ## Omniverse 作为底层能力层 NVIDIA 当前公开的 Omniverse 定位已经更多强调基于 OpenUSD 的 libraries、microservices、APIs 和 SDKs，用于构建 Physical AI 应用。类似 CUDA 对 GPU 计算提供基础能力，Omniverse 为仿真与数字孪生提供底层能力：OpenUSD 负责互操作与 SimReady 资产，RTX 负责渲染与传感器仿真，PhysX 和 Newton 负责物理仿真，数据服务负责场景交换与同步。 对 DataMesh 客户来说，这明确了产品分工。FactVerse 和 Designer 负责创建工厂或设施场景、资产语义、数据绑定、行为逻辑和 SimReady 资产准备；Omniverse 能力层负责渲染、物理仿真和数据交换，并可嵌入工业工作流、机器人仿真、合作伙伴工具或定制应用。 因此，这个工作流把 FactVerse 作为行业应用与场景创作层，把 Omniverse 作为底层渲染、仿真和互操作能力层。买方需要评估完整链路：场景创建、资产治理、SimReady 准备、物理验证、渲染、数据交换，以及结果回到运营记录的路径。 NVIDIA 官方参考： - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## 端到端工作流 1. **构建运营数字孪生** - 在 FactVerse 中建模场地、产线、设备层级、位置、元数据、文档和责任关系。 2. **创作仿真场景** - 使用 FactVerse Designer 创建布局、流程逻辑、行为树规则、节拍、路径和场景变体。 3. **准备 USD 层** - 处理 USD 资源、材质、场景尺度、坐标系统、对象身份和版本规则。 4. **把上下文带入 Omniverse** - 通过 FactVerse Adaptor for NVIDIA Omniverse 传递场景结构、元数据、数据绑定和行为上下文。 5. **验证场景方案** - 评审渲染质量、设备运动、碰撞、间距、机器人路径、物料流、操作员可达性和流程节拍。 6. **沉淀决策依据** - 记录假设、发现、截图、场景版本和工程评审意见，用于规划、培训、实施或进一步仿真。 关键价值在于上下文连续。相同的工厂或设施上下文可以支撑规划、仿真、评审和执行，减少各团队在不同工具中重复重建场景。 ## 哪些信息应该从 FactVerse 带入 Omniverse | 层级 | 价值 | |---|---| | 场地与场景层级 | 让建筑、楼层、区域、产线、工位和设备在仿真评审中保持清晰组织 | | 资产身份 | 让仿真发现可以追溯到真实设备、模型和维护上下文 | | 空间关系 | 保留相对位置、间距、通行路线、碰撞区域和作业区域 | | 元数据与语义 | 把设备类型、角色、责任人、文档和系统关系带入评审上下文 | | 数据绑定 | 在需要连接数据时，让 Omniverse 场景反映设备状态、传感器值、报警或运营信号 | | 行为逻辑 | 把流程假设、状态切换、路径、顺序和节拍带入场景验证 | | 版本历史 | 支持比较场景修订、假设变化和评审结果 | 这些信息让渲染场景成为可评审的仿真上下文。团队讨论产线、机器人路径、包装流或物流路径时，可以沿用 FactVerse 中的资产名称和运营关系。 ## USD、RTX、PhysX 与 Newton 的位置 USD 为仿真团队提供结构化场景工作流，覆盖资产、材质、变体、图层和协作。在 FactVerse 到 Omniverse 的流程中，USD 是运营数字孪生进入更高保真仿真与可视化环境的桥梁。 RTX 支持高保真渲染和传感器仿真，适合需要更丰富视觉环境或合成数据环境的场景。PhysX 支持对物理敏感的验证场景，例如运动、碰撞、刚体行为、摆放、间距、包装交互、机器人路径和物料移动。Newton 提供面向机器人学习和仿真工作流的开放、可扩展物理引擎路径，底层基于 NVIDIA Warp 和 OpenUSD。 工程价值来自清晰的场景设定：尺度、坐标、对象属性、节拍、约束、验证目标和审批规则都需要明确。输入假设越可见、可评审，仿真输出越能支撑决策。 ## 典型应用 - **工厂数字孪生渲染**：把完整工厂区域或产线带入 Omniverse 做高保真评审。 - **包装与物料流验证**：在实物试验前检查移动、间距、摆放、设备交互和操作员可达性。 - **产线布局规划**：在现场改造前比较工位、缓存区、机器人、输送线和物料路径方案。 - **仓储与厂内物流规划**：验证拣选路径、暂存区、AGV 路径、叉车移动和吞吐假设。 - **机器人与物理智能准备**：形成可支持机器人仿真、合成数据规划和后续 AI 验证的场景上下文。 ## DataMesh 产品分工 [FactVerse](/products/factverse) 是运营数字孪生底座，管理场地模型、资产结构、关系、治理和共享上下文。 [FactVerse Designer](/products/designer) 是创作与规划环境，负责布局建模、流程逻辑、行为树、时间轴仿真和场景变体。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 将 FactVerse 的场景结构、元数据、数据绑定和行为上下文带入 Omniverse 与 USD 工作流。 [Data Fusion Services](/products/dfs) 在仿真需要设备状态、传感器值、报警、生产指标或企业系统上下文时连接实时和历史运营数据。 [FactVerse Twin Engine](/products/factverse-twin-engine) 为可执行数字孪生提供运行时上下文，支撑可视化、数据绑定和后续运营工作流。 ## 数据准备检查 - 场景层级、资产 ID、位置和设备名称保持稳定。 - CAD、BIM、3D 和 USD 资产有明确责任人和版本管理。 - 坐标系统、尺度、朝向和原点已对齐。 - 材质、碰撞属性、运动约束和流程节拍已记录。 - 数据绑定包含来源系统、单位、时间戳和更新规则。 - 仿真目标连接到具体决策，例如布局审批、机器人路径评审、包装验证或操作员可达性。 - 评审结果可以附带场景版本、假设、截图和后续动作。 ## 仿真决策治理 当团队能够追溯测试内容和测试原因时，仿真才能有效支撑工程评审。一个实用的评审包应包含场景版本、源资产、输入假设、数据来源、物理设置、验证标准、已知约束和审批意见。 对企业级项目来说，这种治理和视觉效果同样重要。团队需要知道使用了哪个孪生版本、哪些假设被接受、发现了哪些问题、哪些改动已获批准，然后再进入现场工作。 ## 公开参考 [FactVerse 与 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 公告展示了 DataMesh 在仿真数字孪生与 AI 业务工作流方面的公开平台方向。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 进一步提供了 FactVerse 与 Omniverse 结合用于仿真数字孪生场景的公开证据。 [Gyro 厂内物流](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) 和 [全一电子](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) 展示了相邻公开场景：数字孪生帮助团队在执行前评审产线布局、厂内物流和自动化规划。 --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark 准备是一项持续运营能力 新加坡 BCA Green Mark 是用于评估建筑环境表现与可持续运营能力的绿色建筑评级体系。当前 Green Mark 2021 框架强调能源表现，同时也关注可维护性、全生命周期碳、智能化、健康与福祉以及韧性。具体标准和技术指南应以 BCA 官方文件为准，项目团队需要持续关注最新要求。 对设施团队来说，真正困难的是评估材料背后的运营证据：能源数据、设备关系、维护记录、环境状态、改善动作，以及整改工作是否完成的证明。这些证据通常分散在 BMS 画面、仪表、表格、CMMS 工单、BIM 文件、服务报告和承包商记录中。 [DataMesh 绿色转型](/solutions/green-transformation) 通过运营数字孪生把这些层连接起来，帮助业主、运营团队、顾问、工程团队和可持续发展负责人共同准备证据、分析改善选项，并把可持续发展工作与日常设施执行联系在一起。 官方参考： - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## 先建立证据层，再进入审查 运营证据在日常工作中持续结构化，Green Mark 准备会更稳。数字孪生可以成为这些证据的共同上下文。 基础通常包括： - **空间**：建筑、楼层、房间、区域、租户空间和关键功能区。 - **系统**：冷源、HVAC、照明、配电、给排水、压缩空气、电梯和其他公辅系统。 - **资产**：设备台账、仪表、传感器、控制点、文档、维护计划和服务历史。 - **信号**：BMS 点位、仪表读数、环境数据、报警和计算指标。 - **工作记录**：巡检、工单、整改、验收记录和验证说明。 [Data Fusion Services](/products/dfs) 连接 BMS、仪表、IoT、历史数据库、CMMS、EAM 和其他数据源。[FactVerse](/products/factverse) 将这些数据映射到空间、资产、系统和流程，让团队明确数据描述的对象，以及行动应该发生在哪里。 ## 用 Brick Schema 让证据可追溯 Brick Schema 的价值在于把可持续运营证据放回真实设施语境中。仪表读数需要对应正确的仪表，温度趋势需要对应正确的区域和传感器，冷机问题需要关联到背后的系统、资产、报警和维护记录。 在 [Inspector](/products/inspector) 中，Brick Schema 对齐的关系可以一致地描述建筑、楼层、区域、设备、仪表、传感器、点位和系统。这有助于团队回答实际审查问题： - 这项证据属于哪个资产或空间。 - 哪个仪表、传感器或控制点支持这条运营记录。 - 哪张工单或哪次巡检关闭了这个问题。 - 拟议变更会影响哪些系统或区域。 - 哪些记录需要工程、可持续发展和服务团队共同复核。 专业判断仍然是审查和决策的核心。语义层的作用是减少歧义、提升可追溯性，并让证据更容易被复核。 ## Brick Schema 参考资料 如果读者需要查看 Brick Schema 标准本身，可以从这些公开资料开始： - [Brick Schema 官方网站](https://brickschema.org/)：介绍 Brick 作为建筑统一元数据 Schema 的定位，并提供入门参考图。 - [Brick 用户文档](https://docs.brickschema.org/brick/overview.html)：说明建模建筑实体与关系时的设计原则和核心概念。 - [Brick 数据源建模文档](https://docs.brickschema.org/brick/timeseries.html)：包含官方 telemetry data model 参考图，展示实体与关系如何表达。 - [Brick ontology browser](https://ontology.brickschema.org/)：可浏览 Brick class、relationship 和术语定义。 - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick)：查看开源 schema 开发、release、issue 和源文件。 ## 能源分析与工程复核 运营数据可以显示能源使用变化，但更深入的决策通常需要方案比较。DataMesh 可以把 BIM/IFC、天气数据、运营记录和数字孪生上下文与 EnergyPlus 建筑能耗模型连接起来，帮助团队在行动前评估不同方案。 常见分析包括： - EUI 与负荷构成复核。 - 运营时段、占用情况和天气归一化比较。 - 设定值与控制策略复核。 - 改造或设备升级方案比较。 - 整改动作与工程复核优先级列表。 能源分析应作为工程决策辅助。一个可执行的试点需要先建立基线、验证数据、比较改善选项、执行整改，并用复核后的运营记录报告成效。 ## 通过 Inspector 形成闭环 当能源发现和证据需求进入可追踪的工作流，准备质量会更高。Inspector 可以把发现转化为巡检、任务、工单、现场执行、验收和验证记录。 一个可落地的运营闭环包括： 1. 连接 BMS、仪表、资产、环境和维护数据。 2. 用 Brick Schema 对齐的关系映射资产和点位。 3. 复核异常能耗、报警、巡检缺口或缺失记录。 4. 在工程复核和必要建模支持下比较改善选项。 5. 在 Inspector 中创建工单和整改动作。 6. 记录完成情况、照片、说明和验收证据。 7. 重新检查运营数据，并保留证据链。 这个闭环为可持续发展团队提供更清晰的证据基础，也让设施团队能真正对发现采取行动。 ## 从哪里开始 建议从一栋建筑、一个园区区域或一组系统开始。合适的试点对象包括冷冻水系统、HVAC 运行时段、能源仪表、高负荷区域，或拥有足够历史数据的高维护资产。 首轮实施应产出： | 工作流 | 输出 | |---|---| | 数据审计 | BMS、仪表、IoT、资产台账、BIM/IFC 和工单系统清单 | | 语义映射 | 空间、资产、设备、仪表、传感器和系统关系 | | 基线复核 | EUI、负荷模式、运营时段、异常信号和数据缺口 | | 方案分析 | 改善选项、建模假设和工程复核说明 | | 整改执行 | Inspector 工单、现场记录、关闭与验证证据 | 这种方式的价值在于让团队在一个可追溯的运营模型中看到设施、数据、证据和工作。 --- ## [GUIDES] how-to-evaluate-simulation-evidence ## 先明确决策风险 当仿真证据适合当前决策时，仿真才能赢得信任。具有视觉说服力的气流场、温度图、机器人运动或网络模型可以帮助人们理解场景。最终决策仍取决于更深入的问题：模型代表了哪种运行条件，输入来自哪里，模型经过了哪些检查，探索了哪些变化，以及谁负责审核并接受结论。 这一点很重要，因为工业仿真所支撑的决策可能带来截然不同的后果。早期布局筛选研究可以容纳更宽泛的假设。洁净室气体扩散评审、数据中心冷却故障场景或机器人安全决策则需要更有力的证据和更严格的评审。 因此，第一个评估问题是： > 这项结果将支撑什么决策？如果结论有误，会产生什么后果？ 答案决定了项目所需的几何、数据、校准、不确定性分析、评审深度和审批责任。 ## 沿证据链开展评审 有效的评审会从结果沿着决策问题追溯到模型和输入，再向前连接到结论与行动。 ![数字孪生场景、仿真工况、仿真、人工评审与复用工作流](/images/physics/scene-simulation-action-diagram.webp) *只有将场景、假设、输出和评审与预期用途连接起来，可复用场景才能成为决策证据。* 证据链包含七个环节： 1. **决策与后果** - 说明工程或运营问题、受影响的资产和人员、决策负责人以及错误可能造成的后果。 2. **场景边界** - 定义运行状态、几何、时间窗口、负载、扰动、设备可用性、环境条件和排除项。 3. **模型与输入标识** - 记录本次运行使用的场景、资产、模型、输入数据集、边界条件、配置和软件版本。 4. **物理场输出** - 检查代表建模行为的空间与时变输出，例如温度、速度、浓度、压力、流量、接触或运动。 5. **指标与运行限值** - 将物理场输出转化为可评审的度量，例如机架入口温度、探测器响应时间、捕集效率、热裕量、压差、网络失衡、净空或碰撞状态。 6. **结论与行动** - 将观察到的状况连接到具体工程结论、建议行动、优先级和预期运营影响。 7. **专业评审** - 记录输入、方法、局限、结论和建议决策由谁评审，并包括尚未解决的问题和所需的后续工作。 这条链上的任何断点都会削弱决策。缺少决策指标的物理场输出难以转化为行动。缺少可追溯输入集的指标难以复现。缺少指定评审人的建议行动难以治理。 ## 明确模型的预期用途与范围 仿真质量始终与预期用途相关。同一个模型可能适合比较两种布局，却无法支撑对某个现场阈值的精确预测。 请项目团队说明： * 模型所表征的物理或运营行为 * 纳入的资产、空间、系统和时间范围 * 简化或排除的变量与交互 * 覆盖的运行条件范围 * 与测量数据或基准进行证据对比的位置和条件 * 当前证据等级能够支撑的决策 * 需要重新运行、重新校准或采用更深入方法的条件 这些上下文应与结果一同呈现，并且评估人员无需了解模型的构建方式也能理解。 ## 区分验证、校准与确认 这些活动分别回答相互关联的问题： | 评审活动 | 评估问题 | 有用证据 | |---|---|---| | 模型与设置评审 | 场景是否代表预期的资产、条件和交互？ | 几何评审、拓扑检查、单位、材料假设、边界条件、运行状态确认 | | 验证 | 计算问题的求解一致性是否足以支撑预期结果？ | 收敛行为、守恒检查、适用情况下的网格或时间步敏感性、数值警告、可重复性 | | 基准对比 | 工作流能否复现公认或受控参考案例？ | 参考定义、预期行为、对比指标、偏差、验收依据 | | 实测数据校准 | 是否依据有代表性的现场观测调整了不确定的模型输入？ | 测量来源、校准周期、调整后的参数、残差、留出条件、评审人签字确认 | | 面向预期用途的确认 | 在相关条件下，结果与独立证据的一致程度如何？ | 独立测量或试验、对比位置、不确定性、适用范围限制、观察到的不匹配 | 证据等级应与结论相匹配。早期场景筛选可以依赖几何、工程假设和敏感性检查。涉及现场特定阈值或时序的结论则需要代表性测量数据、有记录的残差和独立评审。 ## 先检查输入再查看输出 许多薄弱的评审从最吸引人的输出图像开始。更有力的评审先检查输入数据的来源与处理记录。 对于每项重要输入，请询问： * 谁负责源数据？ * 数据在何时、何地采集？ * 采用哪些单位、坐标系、采样间隔和时间同步规则？ * 是否识别出缺失、陈旧、重复或不可能出现的数据？ * 数据集是否代表所仿真的运行条件？ * 哪些值来自测量、设计资料、供应商文档、工程假设或校准？ * 决策指标对这项输入有多敏感？ [Data Fusion Services](/products/dfs) 可以通过身份、血缘、质量上下文和时间对齐来组织运营与工程数据。[FactVerse Designer](/products/designer) 维护空间场景、行为、仿真工况和评审上下文。评估价值来自这些输入与所讨论结果之间始终保留的连接。 ## 让指标直接服务于行动 彩色场图对于探索很有价值，工程评审还需要与运行限值和行动相关联的指标。 示例如下： | 场景 | 场 | 决策指标 | 可能的行动 | |---|---|---|---| | 数据中心热韧性 | 随时间变化的温度和气流 | 机架入口裕量和达到约定限值的时间 | 评审负载布置、气流遏制、运行顺序或冷却韧性方案 | | 洁净室释放场景 | 随时间变化的浓度和速度 | 探测时间、未探测区域和局部排风捕集行为 | 评审探测器布置、排风条件、响应顺序或确认计划 | | 区域供热运营 | 网络中的流量、压力和温度 | 各分区的失衡、回水温度行为和服务状态 | 评审水力平衡、控制、维护或极端天气运行场景 | | 生产与机器人 | 运动、接触、净空和工艺状态 | 碰撞、交接稳定性、作业空间和顺序完成情况 | 修改布局、时序、资产属性、任务定义或实体验证计划 | 项目应说明每项指标的计算方式、采用的阈值或对比基准以及行动负责人。模型可以揭示工程问题，最终补救方案仍需由相应责任人确定。 ## 评审不确定性与结果稳定性 单次运行只展示一组输入与假设的组合。技术采购团队应询问哪些变化可能改变研究结论。 有用的评审方法包括： * 改变不确定的边界条件和运行状态 * 对比设备可用与设备降级场景 * 测试合理的测量误差或输入范围 * 在方法需要时检查网格、时间步或求解器设置的敏感性 * 针对可变条件运行场景族或重复运行 * 在与决策相关时报告分布、百分位数、范围或保守案例 * 识别对决策指标影响最大的输入 结果材料应区分稳定的结论，以及在合理变化下会发生显著改变的结论。这有助于技术采购团队决定采取行动、收集更多证据、收窄结论范围，或开展有针对性的试点。 ## 确保仿真结果可复现 可复现性是一种务实的治理方式。另一位具备相应资质的评审人员应能识别结果背后的确切场景、模型、输入、条件和设置，并理解已发布的结论是如何产生的。 可评审的运行记录应包括： * 决策问题和场景标识符 * 场景、几何、资产和模型版本 * 输入数据集标识及适用时间范围 * 假设与边界条件 * 方法、配置和相关软件版本 * 警告、检查和质量观察 * 输出场、指标、单位和对比基准 * 评审人、评审日期、处置结论和尚未完成的行动 当项目需要正式证据控制时，校验和或不可变标识符可以增强可追溯性。技术采购团队通常需要清晰的评审记录，无需了解内部实现细节。 ## 使用技术采购评估清单 ### 决策匹配度 * 能否用一句话说明预期决策？ * 是否理解错误结论可能产生的后果？ * 证据深度是否与该后果相匹配？ * 是否已指定决策负责人和技术评审人？ ### 场景与输入质量 * 纳入和排除的条件是否明确？ * 是否检查了几何、拓扑、单位、坐标和时间对齐？ * 能否区分测量值、设计值、供应商数据和假设？ * 输入是否代表评审中的运行条件？ ### 方法与证据 * 验证、基准对比、校准或确认活动是否适合预期用途？ * 残差、偏差、警告和尚未解决的不匹配是否清楚可见？ * 是否探索了重要输入的敏感性？ * 团队能否依据已记录的运行标识复现结果？ ### 结论与行动 * 每项重要结论是否指向某个物理场输出、指标、限值或对比结果？ * 能否区分稳定结论和敏感结论？ * 建议行动是否已分配给相应责任人？ * 是否明确了额外测量、工程分析、实体测试或审批步骤？ ## 选择下一项证据工作 适当的下一步取决于当前决策和现有证据缺口。 ### 开展基准研究 当团队需要证明某种方法能够在受控条件下复现已知行为时，可使用基准研究。在将新的求解器、模型系列或工作流应用于高影响决策之前，这项工作尤其有用。 ### 开展实测数据校准 当决策取决于现场特定的量值、时序、阈值裕量或设备响应，并且已有代表性测量数据时，可使用校准。应定义校准周期、调整的参数、残差度量，以及保留用于独立对比的条件。 ### 开展聚焦试点 当客户团队需要在运行环境中验证数据可用性、几何准备度、模型效用、评审责任或工作流适配度时，可开展试点。高质量试点会选择一项决策，在建模开始前定义证据包，并设定明确的范围扩展标准。 ### 升级到详细工程分析或实体测试 当决策需要施工就绪审批、安全签字确认、材料鉴定、设备认证，或需要超出当前模型预期用途的证据时，应采用专项分析、供应商工程验证、调试试验或实体试验。 ## 用可见证据建立信任 DataMesh 将可复用的数字孪生场景、受治理的运营数据、仿真输出、结论、行动和评审记录连接起来，让技术采购团队能够评估完整的决策链。项目应从一个具体问题及回答该问题所需的证据开始。 有关工艺与机器人规划，请参阅[工艺仿真与虚拟规划](/solutions/process-simulation)。设施团队还可以了解[数据中心运营](/solutions/ai-agent-data-center)、[半导体厂务运营](/solutions/ai-agent-semiconductor)和[智慧区域供热](/solutions/heatops)的市场应用背景。 ## 公开参考 [美国国家标准与技术研究院 (NIST) 关于工业验证、确认与不确定性量化的综述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)将物理模型质量、分析人员能力、验证与确认以及不确定性量化列为仿真可信度的基础组成部分。 美国国家航空航天局 (NASA) 的公开[建模与仿真常见问题](https://public.ksc.nasa.gov/mns/faq/)介绍了多项可信度因素，包括数据来源与处理记录、验证、确认、输入来源、不确定性表征、结果稳健性、使用历史和过程管理。 [美国机械工程师学会 (ASME) 关于验证、确认与不确定性量化标准的概述](https://www.asme.org/codes-standards/publications-information/verification-validation-uncertainty)列出了现行的术语、固体力学、流体与传热、确认度量以及仿真软件评估标准。 这些参考资料提供通用评估原则。每个工业项目仍需根据预期用途说明、领域专业知识、适当证据和客户组织要求的审批开展工作。 --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## 数据准备先于 AI 规模化 工业 AI 项目常见的问题，是模型能读文档，却无法稳定识别决策背后的资产、位置、信号、工单或审批规则。在真实运营中，数据基础和模型能力同样重要。 数据准备的核心，是为 AI Agent 和数字孪生建立可用的运营上下文：源系统、资产身份、空间结构、实时信号、告警历史、工单、巡检证据、SOP、文档、权限和结果记录。 [Data Fusion Services](/products/dfs) 是 FactVerse 产品体系中准备这层基础的能力。它连接源系统，将字段映射到孪生实体，统一数据格式，计算指标，并让这些上下文可用于 [FactVerse Twin Engine](/products/factverse-twin-engine)、[FactVerse AI Agent](/products/factverse-ai-agent)、[Inspector](/products/inspector)、看板和分析流程。 ## 从运营工作流开始 第一个问题应该是运营问题：要改善哪一个决策或任务。 可行起点包括关键设备预测性维护、设施巡检路线、数据中心资产管理、热网运营、半导体厂务系统、仓储物流设备检查和数字化 SOP 执行。每个工作流都会决定哪些数据必须先接入，哪些数据可以后续再接。 | 工作流 | 最先需要的数据 | |---|---| | 预测性维护 | 资产层级、传感器趋势、告警、维护历史、巡检结果、工单结果 | | 设施巡检 | 空间层级、资产清单、巡检点、检查表、照片、问题分类、关闭记录 | | 数据中心运营 | 机房、机柜、设施设备、计量表、告警、能耗读数、维护记录、资产责任人 | | HeatOps | 热源、换热站、计量表、温度、压力、流量、天气、调度日志、现场任务 | | 半导体设施运营 | 公辅设备、Sub-fab 系统、告警、运行边界、工单、操作员备注 | | 操作指导 | SOP、任务步骤、设备引用、安全说明、培训记录、审批要求 | 从工作流出发，可以让数据模型始终服务运营价值。 ## 建立源系统清单 工业现场的数据通常分散在多个系统中。源系统清单需要记录系统范围、职责、访问方式、更新频率和审批责任。 常见来源包括 SCADA、BMS、EMS、PLC、历史数据库、IoT 平台、MES、ERP、CMMS、EAM、GIS、BIM、计量表、电子表格、图纸、手册、SOP 仓库、巡检工具、培训系统和文档库。 每个来源都应记录： - 负责人和业务用途 - 连接方式和访问边界 - 可用字段、点位、文档和记录 - 更新频率、延迟和历史保留时间 - 单位、时间戳、命名和质量问题 - 安全、隐私和审批要求 这张清单就是数据集成交付地图。 ## 建立资产与空间身份 AI Agent 工作流需要稳定引用。泵、空调箱、UPS、换热器、阀门、塔吊、车辆、房间、产线或换热站，都应该拥有可以跨系统识别的身份。 FactVerse 和 Twin Engine 用这层身份连接空间、设备、系统、关系、文档、信号和工单。Data Fusion Services 将源字段和点位映射到这些实体，让每个信号都挂接到孪生中的正确对象。 好的身份设计应覆盖： - 站点、建筑、楼层、分区、房间、产线、路线和服务区域 - 资产类别、资产 ID、显示名称、型号、位置和责任人 - 系统关系、上下游依赖和父子结构 - 源系统别名和点位命名规律 - 文档链接、SOP 链接、巡检点和工单引用 这层身份把原始数据转化为运营上下文。 ## 准备时间序列与事件数据 连续运营依赖干净的信号。温度、振动、电流、压力、流量、能耗、阀门状态、告警状态和设备状态，需要稳定的单位、时间戳、采样规则和质量标记。 Data Fusion Services 可以帮助统一单位、对齐时间戳、处理缺失值、计算派生指标并标记质量问题。目标是让实时和历史信号足够可靠，可以支撑看板、AI 复核、维护分析和机器学习数据集。 团队应记录： - 单位约定和转换规则 - 时区、时间戳来源和时钟漂移风险 - 采样频率和聚合规则 - 数据缺失、异常值、平线和传感器更换事件 - 告警等级、确认、复位和重复事件逻辑 - 计算指标及其公式 ## 连接工单记录与 SOP 上下文 AI 建议要进入执行，就需要工单记录、巡检结果、问题分类、验收说明、照片、SOP、手册、培训记录和审批路径。 [Inspector](/products/inspector)、Checklist 以及已连接的 CMMS 或 EAM 系统提供现场闭环。它们记录谁复核了发现、采取了什么动作、采集了什么证据，以及状态是否改善。 SOP 和文档上下文应该连接到资产和工作流。AI Agent 才能检索正确流程、总结相关历史、准备任务建议，并把人工复核保留在审批路径中。 ## 让数据可用于机器学习 机器学习需要完整运营语境，原始传感器历史只是其中一部分。真正有价值的数据集包括信号、资产上下文、运行状态、人工判断、采取的动作和结果。 以预测性维护为例，模型需要知道信号来自哪个资产、现场是否处于正常运行状态、出现了哪些告警、后续产生了哪些工单、技术人员发现了什么，以及动作后状态是否改善。这些记录可以支持模型训练、重新训练、效果评估和建议质量调优。 数据管道应保留： - 输入信号和特征 - 资产和位置上下文 - 运行状态和工艺条件 - 人工复核决策和被否决的建议 - 工单动作和完成证据 - 动作后的读数和结果标签 - 模型版本、建议版本和复核指标 这样机器学习才能和可验证运营连接起来。 ## 治理与上线控制 数据准备也依赖治理。每个数据来源需要负责人，每个映射实体需要维护者，每个 AI 工作流需要访问、审批、变更管理和证据保留规则。 工业部署中，治理应覆盖数据血缘、网络安全边界、角色权限、模型复核、现场验收标准、变更历史、本地化和回退方案。这些控制能帮助团队在试点之后继续扩展，同时保持对数据基础的信任。 ## DataMesh 上线模式 1. **选择工作流** - 选择一个责任清晰、结果可衡量的运营闭环。 2. **盘点源系统** - 列出系统、点位、记录、文档、负责人、访问方式和数据质量风险。 3. **建立身份模型** - 在 FactVerse 中定义空间、资产、系统、关系、别名和责任人。 4. **映射并统一数据** - 使用 Data Fusion Services 连接来源，将字段绑定到孪生实体，统一单位、对齐时间戳并计算指标。 5. **接入执行上下文** - 连接 Inspector、Checklist、CMMS 或 EAM 工作流、SOP、证据字段和审批规则。 6. **准备 AI 复核** - 将可信上下文交给 FactVerse AI Agent，用于证据摘要、异常复核、建议草拟和人工批准。 7. **捕捉结果** - 使用现场记录和动作后读数，持续改进数据质量、模型评估和扩展决策。 ## 准备度检查清单 - 工作流是否有负责人和可衡量的运营结果 - 源系统、文档、点位和记录是否已按负责人完成盘点 - 资产和空间是否能在不同系统中保持一致映射 - 单位、时间戳、采样频率和数据质量问题是否已记录 - 工单、巡检、SOP、照片和验收记录是否已连接 - AI Agent 是否能用可追踪证据解释建议 - 人工复核决策和被否决建议是否可以保留 - 结果记录是否能支持模型训练、重新训练和评估 - 网络安全、访问控制、数据血缘和变更管理是否已定义 ## 公开参考 [Data Fusion Services 产品页](/products/dfs)介绍了 FactVerse 产品体系中的数据集成层。 [FactVerse AI Agent 运营闭环指南](/resources/guides/factverse-ai-agent-industrial-operations-loop)介绍 AI Agent 建议进入人工复核和现场执行的闭环方式。 [Yokogawa 与 DataMesh 预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)、[NIO 智能工厂参考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)和 [JTC 合作](/about/news/collaboration-between-jtc-datamesh)展示了工业数据、数字孪生上下文和运营工作流的公开案例。 --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## 数据进入决策时，治理就开始了 当一条信号、告警、仪表读数、工单、巡检记录、文档或计算指标开始影响运营决策时，工业数据治理就已经开始。 对于运营数字孪生来说，数据连接只是第一步。团队还需要知道数据来自哪里，描述哪台资产或哪个空间，使用什么单位和时间戳规则，谁负责映射，数值是否可靠，哪些 AI Agent 或看板正在使用它，以及上一次发布后发生了什么变化。 [Data Fusion Services](/products/dfs) 在 FactVerse 产品体系中支撑这套运营纪律。它连接源系统，将数据映射到孪生实体，清洗并统一字段，计算指标，准备数据集市，并把实时上下文绑定到数字孪生中。围绕这些步骤建立治理，才能让接入的数据真正服务 [FactVerse AI Agent](/products/factverse-ai-agent)、[FactVerse Twin Engine](/products/factverse-twin-engine)、[Inspector](/products/inspector)、看板、仿真和机器学习流程。 ## DFS 应该帮助治理什么 数据治理需要沿着数据从源系统到每个运营使用者的路径展开。 | 治理范围 | 实际问题 | 为什么重要 | |---|---|---| | 源系统责任 | 哪个系统拥有这个值，谁批准使用 | 避免数据被质疑时责任不清 | | 访问边界 | 哪个网络、租户、站点或角色可以读取 | 保护敏感运营数据和客户专属信息 | | 实体绑定 | 它描述哪台资产、哪个空间、系统、路线或工作流 | 把原始标签变成运营上下文 | | 单位与时间戳 | 使用什么单位、时区、时钟、采样率和聚合规则 | 让趋势、告警和对比有意义 | | 质量状态 | 数值是否缺失、过期、插值、越界或来自更换后的传感器 | 帮助 AI 和操作员判断证据强弱 | | 计算逻辑 | 派生 KPI 或指标由什么公式产生 | 让分析、能耗和维护指标可复核 | | 数据血缘 | 哪个连接器、映射、转换和发布版本产生了这个值 | 支撑排障和审计复核 | | 使用者清单 | 哪些看板、AI 流程、报告或工单使用这条数据 | 在修改点位或公式前评估影响 | 这种治理不意味着每个点位都要走复杂委员会。关键是让会影响决策的数据具备清晰责任和可重复规则。 ## 按运营身份治理 工业系统经常用不同方式描述同一个对象。一台泵在 SCADA 中可能有一个名称，在历史数据库中有另一种标签，在 CMMS 中有另一个资产 ID，在 BIM 中又有另一个标注，现场技师还可能使用习惯叫法。数据治理需要用稳定的运营身份把这些别名连接起来。 FactVerse 为空间、资产、系统、关系、文档、数据绑定和工作流提供共享上下文。Data Fusion Services 将源字段和点位映射到这个上下文，让每个值都绑定到正确的资产、位置和运营闭环。 良好的身份治理应覆盖： - 园区、建筑、楼层、区域、房间、产线、路线和服务区域 - 资产类别、资产 ID、显示名称、型号、负责人和生命周期状态 - 上下游系统关系 - 源系统别名和命名模式 - 文档、SOP、巡检点和工单引用 - 受限空间、资产和记录的权限边界 当身份得到治理，AI Agent 检索证据时会减少歧义，现场团队也能理解建议为什么指向某个具体对象。 ## 实时与历史数据的质量规则 时序值和事件会持续变化。数据管道需要操作团队和数据团队都能理解的质量规则。 常见规则包括： - 缺失值处理 - 数据过期阈值 - 单位换算规则 - 时间戳和时区对齐 - 采样与聚合规则 - 异常值和长时间不变值识别 - 传感器更换记录 - 告警级别、确认和复位逻辑 - 计算指标公式与复核负责人 Data Fusion Services 可以帮助统一单位、对齐时间戳、识别质量问题并计算派生指标。治理层应记录使用了哪条规则，以及谁负责复核异常。 对于 AI Agent 工作流，质量状态本身就是证据的一部分。基于新鲜传感器数据、近期工单历史和已批准计算结果生成的建议，应与基于过期数值或临时手工上传数据的建议区分看待。 ## 数据血缘与变更控制 工业数据经常悄悄变化。BMS 点位可能改名，仪表可能更换，历史数据库标签可能迁移到新网关，CMMS 字段可能因流程调整改变含义，KPI 公式也可能更新分母。 数字孪生画面可能仍然正确，但底层数据已经指向错误来源。治理要让这些变化在影响 AI 复核、看板、工单或外部报告之前变得可见。 实用的变更记录应包括： - 受影响的源系统和连接器 - 改动的点位、字段、文档或公式 - 受影响的资产、空间、系统或工作流 - 受影响的下游使用者 - 复核人与批准状态 - 生效日期和回退方式 - 用于验证变更的证据 在受监管运营、数据中心、半导体厂务、生物制药、可持续发展证据和多站点项目中，这类变更控制尤其重要，因为同一个指标可能被多个报告和决策闭环复用。 ## 权限、证据与审批 运营数据经常包含敏感信息：受限房间、客户专属布局、生产状态、设备健康、能耗曲线、维护发现和服务记录。数据从源系统进入数字孪生时，治理应保留访问边界。 有用的控制包括： - 空间、资产、文档、看板和 AI 流程的角色权限 - 站点级和客户级数据边界 - AI 辅助建议的审批规则 - 巡检、工单和复核决策的证据保留 - 映射变更和数据导出的审计日志 - 临时上传与手工修正值的处理规则 [Inspector](/products/inspector) 和已连接的工作系统可以记录谁复核了发现、采取了什么动作、采集了什么证据、结果是否改善。这些记录会成为下一轮 AI 复核或机器学习循环中的治理数据。 ## 面向机器学习的数据治理 机器学习需要的不止是干净的传感器历史，还需要能解释物理现场发生了什么的数据。 以预测性维护为例，数据集应包含输入信号、资产身份、运行状态、告警上下文、技师复核、工单动作、完成证据和行动后的读数。能耗分析需要仪表、空间、设备组、运行计划、天气、公式和改善记录。仿真需要场景假设、资产版本、过程状态和已批准的数据范围。 数据治理应保留： - 特征定义和源字段 - 训练前使用的质量过滤规则 - 由工单、巡检或结果产生的标签 - 模型版本和建议版本 - 人工复核决策与被拒绝的建议 - 用于评估的行动后结果 - 数据集刷新计划和审批负责人 这样团队才能在改进模型的同时，保留运营证据。 ## DataMesh 推进方式 1. **选择一个决策闭环** - 从预测性维护、设施巡检、数据中心资产复核、能耗证据或数字 SOP 执行等工作流开始。 2. **明确数据负责人** - 为源系统、资产身份、数据映射、质量规则、计算逻辑、权限和下游流程指定负责人。 3. **映射运营身份** - 使用 FactVerse 对齐空间、资产、系统、关系、文档、工作流和别名。 4. **连接并治理数据** - 使用 Data Fusion Services 连接源系统，将字段绑定到孪生实体，统一单位，对齐时间戳，计算指标并标记质量状态。 5. **登记下游使用者** - 记录哪些看板、AI Agent 例程、Inspector 表单、报告和机器学习数据集使用这些数据。 6. **发布前复核变更** - 在影响生产工作流之前验证点位变更、公式更新、连接器调整和权限变化。 7. **采集结果** - 通过 Inspector、Checklist、CMMS、EAM 和客户系统采集现场证据、复核决策和行动后结果。 8. **改进规则** - 用异常、映射失败、过期数据、被拒绝的 AI 建议和现场反馈改进治理模型。 ## 治理检查清单 - 每个被治理的数据源是否有业务负责人和技术负责人 - 资产、空间、系统和工作流身份是否跨系统一致 - 源系统别名和点位命名规则是否记录清楚 - 单位、时间戳、采样率和质量规则是否可见 - 计算指标是否绑定公式、负责人和复核日期 - 从源连接器到孪生对象再到下游使用者的数据血缘是否保留 - 看板、AI Agent 工作流、报告和数据集是否登记为使用者 - 敏感空间、客户记录和受限文档是否受角色权限保护 - 现场证据和工单结果是否能用于复核和机器学习 - 点位改名、传感器更换、公式变化和绑定失效是否有变更路径 ## 公开参考 [Data Fusion Services 产品页](/products/dfs)介绍了 FactVerse 产品体系中的数据集成层。 [数据准备指南](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)说明如何为 AI Agent 和运营数字孪生工作流准备第一层数据基础。 [运营数字孪生模型治理指南](/resources/guides/operational-digital-twin-model-governance-after-go-live)介绍上线后保持模型、数据绑定和现场变化同步的治理方式。 [工业知识图谱指南](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)展示语义关系连接资产、空间、系统、信号、文档和 AI Agent 推理的方式。 --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## 缺失的往往是语义 工业 AI 要回答问题，先要知道问题指向什么。比如“2 号冷机”“4 号产线”“洁净室湿度”“告警后面的那台泵”，都需要对应到真实资产、空间、信号、文档和责任人。 工业知识图谱提供这层语义结构。它连接现场对象，并记录对象之间的关系。[FactVerse](/products/factverse) 用这类模型让数字孪生场景、运营数据、文档和 AI 推理指向同一个物理上下文。 ## 图谱应该建模什么 图谱需要用工程师、操作员、数据系统和 AI Agent 都能理解的方式描述现场。 | 建模区域 | 典型实体 | |---|---| | 空间结构 | 园区、建筑、楼层、房间、区域、产线、走廊、机柜、工位、室外区域 | | 物理资产 | 设备、仪表、传感器、阀门、配电柜、泵、机器人、车辆、工具 | | 系统 | HVAC、冷冻水、压缩空气、供配电、工艺公辅、安全系统、物流流线 | | 数据点 | 遥测标签、告警、计算指标、设定值、状态值 | | 知识对象 | SOP、手册、图纸、BIM/CAD 引用、巡检模板 | | 事件与记录 | 告警、巡检、维护事件、审批、交接记录 | | 责任关系 | 负责人、操作员、服务团队、复核人、风险等级、权限边界 | 图谱的价值体现在关系问题的回答能力上：对象查询只是入口，跨系统、跨记录、跨空间的关系推理才是关键。 ## 关系示例 关系是知识图谱的核心。应用和 AI 可以沿着关系从一条记录找到周边上下文。 | 关系 | 支持的问题 | |---|---| | 资产位于空间 | 告警对应设备在哪里 | | 设备服务区域 | 这台 AHU 影响哪些区域 | | 点位测量设备 | 这条趋势来自哪个传感器 | | 仪表计量系统 | 这条能耗读数属于哪条冷冻水回路 | | 设备属于系统 | 上游和下游有哪些相关资产 | | 资产关联 SOP | 巡检或维护前应查看哪份操作手顺 | | 事件涉及资产 | 哪些告警、巡检和维修属于这个对象 | | 记录由角色审批 | 谁可以复核或放行下一步动作 | 这些关系给 AI Agent 提供从问题走向证据的路径。 ## FactVerse 如何使用语义上下文 [Data Fusion Services](/products/dfs) 将源系统名称、标签、文档和记录映射到一致模型。同一台泵、同一个仪表、同一个房间或同一套系统，可能在 BMS、SCADA、CMMS、BIM、表格和图纸中有不同命名。语义映射把这些别名归到一个运营身份上。 [FactVerse Twin Engine](/products/factverse-twin-engine) 将这个身份连接到空间模型。信号能显示在正确的 3D 对象上，文档能挂到正确资产上，系统关系也能以网络方式被查看。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以沿图谱检索证据：从告警找到资产，从资产找到系统，从系统找到受影响区域，再找到相关 SOP 和历史记录。 ## Brick Schema 与设施语义 对于建筑与设施，[Brick Schema](https://brickschema.org/) 是有价值的公共参考。它提供设备、点位、位置、仪表、传感器和关系的建模词汇，适合回答点位测量哪台设备、设备服务哪个区域、仪表属于哪个系统等问题。 DataMesh 可以在适合的设施场景中采用 Brick 风格的语义。更广泛的工业现场还需要扩展生产线、Sub-fab 系统、物流区域、洁净公辅、仓储区域、机器人单元、操作员工位和仿真资产等概念。实际目标是让语义模型符合现场，同时在能减少歧义的地方使用标准。 可参考的公开资源： * [Brick Schema 官网](https://brickschema.org/) * [Brick 用户文档](https://docs.brickschema.org/brick/overview.html) * [Brick Ontology Browser](https://ontology.brickschema.org/) ## AI Grounding 与可解释检索 知识图谱让 AI Agent 的回答更容易追踪。AI Agent 可以先通过图谱缩小证据范围，再读取相关文档和记录。 例如设施工程师询问某个区域为什么反复出现湿度告警。图谱可以定位该区域、测量它的传感器、服务该区域的 AHU、与 AHU 相关的冷冻水资产、近期告警、巡检记录和相关 SOP。AI Agent 再基于这些对象和记录整理证据。 这种方式也能帮助识别上下文缺口。当图谱无法把信号连接到资产，或无法把文档连接到有效流程时，系统可以提示数据关系不完整。 ## 语义模型治理 知识图谱需要持续维护。设施改造、设备替换和系统重构都会改变资产 ID、别名、关系、点位映射和文档链接。 治理重点包括： * 每类实体的权威来源 * 跨系统命名和别名规则 * 关系维护责任和审批规则 * 证据链接与数据来源 * 导入或推断关系的可信度 * 敏感资产、文档和运营记录的角色权限 * 资产、空间或系统变化后的历史记录 这些控制能让图谱足够可靠，支撑 AI 辅助决策。 ## 从一个聚焦模型开始 先从现场真正需要回答的问题开始。一个小而清晰的语义模型，比范围很大但责任不清的模型更有价值。 | 问题类型 | 最小语义范围 | |---|---| | 资产上下文 | 资产、位置、系统、负责人、文档、实时点位 | | 设施状态 | 区域、服务该区域的设备、传感器、告警、控制点 | | 能耗复核 | 仪表、系统、空间、设备组、计算指标 | | 操作手顺检索 | 资产类别、任务类型、SOP、安全说明、所需角色 | | 原因复核 | 事件、相关资产、上下游系统、近期记录 | 当初始模型能稳定回答真实问题后，再按系统、站点、区域或应用扩展。 ## 公开参考 [FactVerse 产品页面](/products/factverse)介绍连接 Twin Engine、AI Agent、Data Fusion Services 和应用工作流的平台层。 [数据准备指南](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)说明语义建模之前的数据源准备工作。 [Green Mark 与 Brick Schema 指南](/resources/guides/green-mark-digital-twin-brick-schema)展示了 Brick 风格设施语义如何支持可追踪的运营证据。 --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## 为什么工业合成数据需要数字孪生 真实机器人数据很有价值，工业现场的数据采集常常成本高、风险高、周期长，也难以重复。设施环境还存在大量长尾状态：通道被临时占用、托盘位置变化、柜门开启、光照变化、人员移动、班次流程变化，以及短时间出现的设备状态。 合成数据可以让团队在可控环境中覆盖更多变化。对于工业 Physical AI，数据应来自理解资产、几何、运营规则、传感器位置、任务目标和流程状态的场景。数字孪生为数据管线提供这层上下文。 [DataMesh Robotics](/products/robotics) 利用 DataMesh 产品栈准备工业场景、生成多模态训练数据，并把输出连接到机器人仿真与训练工作流。真正有价值的是完整链路：可执行场景、任务定义、传感器配置、标签生成、导出、评估和治理。 ## 工业场景的特殊性 工业机器人数据需要表达对象外观之外的运营含义： | 层级 | 数据管线需要什么 | |---|---| | 资产身份 | 设备名称、对象类型、模型版本，以及回到运营数字孪生的关联 | | 空间上下文 | 区域、车道、通行空间、间距、坐标和安全区域 | | 流程状态 | 产线状态、工位状态、工作步骤、异常状态和事件时序 | | 传感器配置 | 相机、深度、LiDAR、机器人位姿、视场、标定、噪声模型和采样规则 | | 物理属性 | 质量、摩擦、关节、约束、材料行为和接触假设 | | 标签与元数据 | 分割、边界框、实例 ID、深度、姿态、轨迹、任务状态和场景变量 | | 评审记录 | 数据集版本、场景版本、假设、生成配方、质量发现和审批备注 | 这样的结构帮助机器人团队理解数据集代表什么，以及如何复现或调整。 ## DataMesh 工作流 1. **建模环境** - 在 FactVerse 中构建工厂、设施、仓库、工作单元或巡检区域，并加入资产、区域、元数据和关系。 2. **编排场景行为** - 使用 FactVerse Designer 定义布局方案、流程逻辑、对象运动、任务步骤、事件触发和场景节奏。 3. **准备仿真资产** - 对齐 CAD、BIM、3D、OpenUSD、材质、尺度、坐标系，以及需要更丰富仿真时的 SimReady 准备规则。 4. **配置传感器与任务** - 定义相机、深度传感器、机器人视角、目标对象、任务目标、成功条件和约束。 5. **生成带标签数据** - 生成 RGB、深度、分割、边界框、实例 ID、姿态、轨迹、流程状态和场景元数据。 6. **导出到训练栈** - 将数据集和场景资产打包到机器人训练、评估、Isaac Sim / Omniverse 工作流或企业工具链。 7. **评审并迭代** - 跟踪数据质量、场景覆盖、标签一致性、任务覆盖和下游评估结果。 这个流程让数据生成始终连接运营上下文，数据集也更容易解释、审计和改进。 ## DataMesh 产品栈分工 [FactVerse](/products/factverse) 是运营数字孪生基础，保存场地结构、资产、关系、数据上下文、权限和场景记录。 [FactVerse Twin Engine](/products/factverse-twin-engine) 提供可执行数字孪生运行时上下文，覆盖几何、数据绑定、行为和交互状态。 [FactVerse Designer](/products/designer) 是布局、流程逻辑、行为树、任务步骤和场景方案的创作环境。 [DataMesh Robotics](/products/robotics) 聚焦合成数据生成、标签输出、任务定义、奖励设置和机器人管线准备。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 在团队需要高保真渲染、传感器仿真、物理验证或外部仿真工具时，把 FactVerse 场景连接到 OpenUSD 与 Omniverse 工作流。 [Data Fusion Services](/products/dfs) 在场景需要设备状态、报警、生产信号或设施上下文时，连接实时与历史运营数据。 ## 数据集规格清单 生成数据之前，先定义数据集约定： - 目标机器人、传感器、模型类型或下游训练栈。 - 环境范围、场景版本、资产清单和坐标系。 - 任务范围、目标对象、流程状态和成功标准。 - 传感器配置、相机路径、视角、标定和噪声假设。 - 光照、材质、对象摆放、设备状态、路线状态和流程节奏的变化规则。 - 需要输出的 RGB、深度、分割、边界框、姿态、轨迹和场景元数据。 - 标签一致性、类别覆盖、空间精度和场景覆盖等质量检查。 - 导出格式、命名规则、数据集版本和评审负责人。 这份规格连接仿真工程师、机器人团队、数据团队和运营负责人。 ## 适合优先启动的场景 - **感知数据集**：为工业对象、设备、工具、托盘、标识、夹具和作业区域生成带标签图像与深度数据。 - **巡检工作流**：围绕资产、面板、仪表、管线、柜体和难以接近的位置生成视角与标签。 - **移动机器人场景**：准备车道、障碍物、路线状态、暂存区、对接点和变化中的设施条件。 - **操作与接触任务**：描述对象姿态、材料行为、抓取约束、接触状态和任务序列，支持仿真评审。 - **工厂与仓储规划**：在实体试验前组合布局方案、物料流、机器人路径和运营约束。 第一个用例应具备清晰任务定义、受控环境范围，以及与下游训练或仿真团队共同参与的评审闭环。 ## 质量与治理指标 工业合成数据应通过工程检查来评估： - 目标区域、对象类别和流程状态的场景覆盖。 - 生成帧与场景版本之间的标签一致性。 - 光照、摆放、遮挡、对象状态和传感器位姿的变化覆盖。 - 尺度、碰撞、接触、路线状态和时序的物理一致性。 - 在下游仿真器或训练栈中的集成质量。 - 从数据集版本回溯到场景版本、生成配方和假设的可追踪性。 - 下游模型评估或机器人仿真评审中的经验反馈。 成熟的项目会把合成数据当作工程资产管理。每个数据集都应有负责人、版本、假设、质量检查和生成目的。 ## 公开参考 [DataMesh Robotics 发布](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)介绍了合成训练数据、可执行工业数字孪生、任务目标、奖励设置和机器人管线准备的公开方向。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)展示了 DataMesh 仿真数字孪生与 FactVerse、NVIDIA Omniverse 工作流的结合。 [FactVerse 与 NVIDIA Omniverse 平台文章](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)介绍 FactVerse 场景上下文连接 Omniverse 并服务仿真数字孪生工作流的方式。 --- ## [GUIDES] local-exhaust-capture-hvac-degradation-scenarios ## 捕集表现会随设施状态而变化 局部排风通风旨在将污染物引向源头附近的捕集点。在洁净室、工艺间、实验室、下层厂务区或公用工程空间中，捕集行为会与更大范围的供暖、通风与空调 (HVAC) 系统相互作用，包括房间送风、回风、风机过滤单元、压力关系、门、设备发热、操作人员移动和附近障碍物。 即使排风罩或排风支路显示为运行状态，周边流场也可能已经改变。能力降低、风阀位置偏移、检修面板开启、门状态过渡、设备改造或新增障碍物，都可能改变捕集路径并扩大需要评审的区域。 针对具体项目开展的情景研究可帮助团队在计划变更前，或作为韧性评审的一部分，检查这些变化。它可以支持以下问题： * 哪些源位置仍与捕集路径保持良好对齐？ * 排风能力降低会如何改变逸出物质和受影响区域？ * 哪种通风或门状态会最早使物质扩散到约定区域之外？ * 在降级状态下，哪些资产、传感器和规程应优先关注？ * 哪些测量或维护证据能够增强决策依据？ ## 准确定义正常与降级状态 情景名称应描述工程师能够复现和评审的设备及运行状态。 | 情景状态 | 定义示例 | 评审问题 | |---|---|---| | 基线 | 经过核实的排风量、预期风机过滤单元状态、正常门状态、代表性工艺负载和当前布局 | 已接受的基线会产生怎样的捕集和房间气流行为？ | | 能力降低 | 排风量或压力降低、风机性能部分下降、过滤器积尘、风阀受限或支路失衡 | 哪些位置的捕集能力减弱，哪些区域变得更加敏感？ | | 部件不可用 | 选定排风风机、支路、风机过滤单元组或相关公用工程系统退出运行 | 物质会如何沿剩余通风路径移动？ | | 门或开口过渡 | 表示选定门、面板、通行路径或临时开口随时间的状态变化 | 压力和气流扰动会如何影响捕集与输运？ | | 布局或障碍物变更 | 拟议设备、围护结构、隔断、存储设施、临时设备或维护布置 | 实体变更是否会改变源羽流或房间气流的方向？ | | 恢复 | 设备恢复、经过批准的临时措施或返回预期状态 | 评审区域多快能够恢复到已接受状态？ | 每个情景都应明确初始状态、变更的输入、开始时间、持续时间、控制措施、所表示的响应行动和评审时间范围。这样可以让对比结果可复现，并使“风机故障”等宽泛术语对应到明确且一致的工程状态。 ## 将局部捕集与房间及公用工程系统联系起来 评估捕集行为时，应考虑周边设施环境。 ### 局部源与排风罩证据 * 源位置、方向、释放速率或曲线、持续时间、动量、温度和组分属性 * 排风罩、围护结构、条缝风口、风管、支路、风阀和捕集点的几何 * 实测或规定的流量、压力、面风速和设备状态 * 源到捕集点的距离，以及附近设备、面板、操作人员或维护障碍物 ### 房间通风证据 * 送风口、风机过滤单元、回风口、一般排风、门、开口和压力边界 * 气流、压力、温度、湿度和设备状态测量 * 与研究相关的洁净室等级和工艺要求 * 当前与拟议设备、隔断、热负荷和运行模式 ### 运营证据 * 告警、过滤器、风机、风阀、排风、环境和维护历史 * 检查结论、平衡调试记录、调试验收证据和现场观察 * 相关情况下的门事件、生产状态、作业许可证和响应时间线 * 经过批准的运行限值、行动级别、规程和责任团队 [Data Fusion Services](/products/dfs) 可对齐源系统、资产、测量、事件和维护证据。[DataMesh FactVerse](/products/factverse) 在共享运营模型中关联排风支路、房间、设备、探测器、压力区域和负责的工作流程。 ## 通过物理场和指标对比捕集表现 主要对比应保持共同的几何基础、结果比例尺、源定义和评审阈值，从而让评审人员看清选定通风或排风变更带来的影响。 实用的空间视图包括： * 源和捕集点周围的气流方向与速度 * 房间与相邻空间之间的压力关系 * 浓度场和羽流随时间的移动 * 进入和离开捕集区域的流线或输运路径 * 基线与降级状态下的受影响区域 实用的决策指标包括： * 到达选定排风路径的比例或数量 * 超出约定捕集区或控制区的逸出质量 * 选定作业、通行、传感器或边界位置的浓度历程 * 到达时间、滞留时间、峰值、百分位数或积分评审指标 * 超过项目定义评审阈值的面积或体积 * 对源强度、排风能力、门状态、布局和边界条件的敏感性 * 实施批准的响应行动或恢复设备后的恢复时间 每项指标都应明确源条件、计算依据、单位、时间范围和证据等级。探索情景得出的捕集百分比，与代表性测量支持的现场校准结果具有不同的决策价值。 ## 评审随时间变化的行为 通风降级可能通过过渡过程逐步发生。风机减速、门开启和关闭、风阀移动、压力关系变化，或在告警后启动响应行动。稳态对比可以提供实用的初步筛查视图，而瞬态分析则能够展示受影响区域如何形成和恢复。 对于时变结果，证据包应说明： 1. 初始气流场和浓度场 2. 设备或门事件及其发生时间 3. 同一时间段内的源释放曲线 4. 所表示的控制措施和授权响应行动 5. 选定位置和评审阈值 6. 与结果相关的时间步长、收敛性、守恒性和可重复性检查 7. 对响应时序和关键假设的敏感性 当响应时序、设备性能或源条件发生变化时，评审人员应检查一段合理范围。最早出现的可信扩散、持续时间最长的受影响区域，以及会改变结果的假设，往往比单一中心估计更具决策价值。 ## 使用与结论相匹配的证据 探索级研究可以对比相对捕集模式，并识别缺失的测量。基准对比级研究增加受控参考工况。现场校准级研究使用代表性的气流、压力、排风、温度、示踪剂或其他合格证据。特定场景确认则针对决策所需的条件和指标增加独立检查。 相关证据可以包括： * 排风量、压力、面风速及风机或风阀状态 * 排风罩附近和整个房间的气流速度与方向 * 选定空间之间的压力关系 * 示踪剂浓度历程或合格的可视化证据 * 测量期间的门、设备、工艺和通风状态 * 按位置、时间、变量和运行条件统计的残差 * 用于确认所表示配置的检查和平衡调试记录 [洁净室气流与扩散指南](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)介绍了更广泛的空间证据基础。[仿真校准指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)说明了如何让结论可信度与校准和确认深度相匹配。 ## 将韧性研究结论转化为受控行动 情景结果应明确受影响的空间、设备、排风支路、探测器、公用工程系统和响应责任人。合格的设施、工艺、环境、健康与安全、质量和合规团队负责决定哪些行动进入批准计划。 可能的后续行动包括： * 在现场核实传感器、风阀、风机、过滤器或排风支路 * 更新平衡调试、检查或维护优先级 * 为敏感运行状态增加测量覆盖 * 评审门、通行、临时设备或维护规程 * 细化源矩阵，或开展有针对性的示踪剂或气流测试 * 对比布局、围护结构、排风罩或通风改造方案 * 更新响应触发条件、责任归属或沟通路径 [FactVerse AI Agent](/products/factverse-ai-agent) 可帮助团队将告警和异常趋势与资产及维护情境联系起来。[Inspector](/products/inspector) 可分派经过批准的检查和作业，保留现场证据，并记录行动后的验证结果。 ## 情景覆盖检查清单 ### 基线定义 * 是否核实了预期源、排风罩、排风支路、房间通风和运行状态？ * 几何、流量、压力、控制、门、设备和工艺状态是否可追溯？ * 是否定义了已接受的捕集区域、阈值和评审指标？ ### 降级覆盖 * 矩阵是否包含可信的能力降低和部件不可用状态？ * 在相关情况下，是否表示了门、开口、布局、障碍物和维护条件？ * 对于瞬态决策，是否纳入初始状态、事件时序、响应时序和恢复过程？ * 是否根据风险依据改变源位置、强度、持续时间和方向？ ### 证据质量 * 是否具备基准、校准、残差、不确定性和敏感性记录？ * 哪些证据被保留用于确认？ * 哪些结论在合理条件范围内保持稳定？ * 哪些假设对逸出质量或受影响区域的影响最大？ ### 评审与执行 * 是否由合格工程师负责情景结论？ * 是否已根据需要指定环境、健康与安全、工艺、质量和合规评审人员？ * 研究结论能否进入经过批准的检查、维护、规程或变更工作流？ * 交接包是否包含变更后验证？ ## 从一条排风路径和一个可信降级状态开始 聚焦试点可以从一台设备或一个源、一条局部排风路径和一个降级问题开始。团队核实当前几何和运行证据，选择基线与降级状态，约定捕集和受影响区域指标，并定义评审所需证据。 扎实的试点标准包括： * 经过核实的源、排风罩、排风、房间通风和探测器基线 * 可复现的正常与降级情景定义 * 清晰可见的捕集、逸出物质、受影响区域和时变对比 * 与预期结论相称的校准和敏感性证据 * 一项经过批准的韧性、检查、维护或测量决策 * 可复用的证据和现场验证包 当韧性决策还取决于探测表现时，请继续阅读[探测器覆盖、盲区与布置方案](/resources/guides/detector-coverage-blind-spots-placement-options)。 使用[洁净室校准、场景集合与确认证据](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)，为选定情景定义校准、重复运行、确认和重新确认要求。 ## 公开参考 [美国职业安全与健康管理局 (OSHA) 通风技术手册](https://www.osha.gov/otm/section-3-health-hazards/chapter-3)将局部排风通风解释为源头捕集，并介绍了排风罩、风管、风机、空气净化和测量方面的注意事项。 [美国采暖、制冷与空调工程师学会 (ASHRAE) 的《洁净空间》手册章节](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)介绍了送风、回风、排风、设备、开口和运行条件对洁净室气流及污染物移动的影响。 [国际标准化组织 (ISO) 14644-4:2022 洁净室生命周期页面](https://www.iso.org/standard/72379.html)涵盖新建和改造洁净室设施的要求、设计、建造、启动、验证及全生命周期注意事项。 [美国国家标准与技术研究院 (NIST) 关于工业验证、确认与不确定性的综述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)提供了可信仿真证据的一般框架。 --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## 准确性是一项持续运营工作 数字孪生上线后的价值，取决于模型是否持续贴近现场。设施每周都在变化：设备更换、房间调整、传感器改名、维护路线变化、操作流程更新、访问权限细化。 模型治理就是让数字孪生保持准确的运营机制。它定义每一层由谁负责，哪些现场变化需要更新，更新如何复核，版本如何发布，以及下游应用如何识别已批准模型。 对运营团队来说，治理保护的是日常工作。对 AI Agent 和 Physical AI 工作流来说，治理保护的是推理、仿真和建议复核所依赖的上下文。资产关系过期或数据绑定陈旧时，分析方向可能会偏离真实现场。 ## 上线后会发生哪些变化 | 变化来源 | 治理影响 | |---|---| | 设备更换 | 资产 ID、几何、文档、维护历史和数据绑定可能需要调整 | | 房间或布局变化 | 空间层级、通行路线、安全边界和权限需要复核 | | 传感器或仪表改名 | Data Fusion Services 映射、单位、趋势历史和仪表盘需要校验 | | 维护流程更新 | SOP 链接、巡检模板、指导内容和审批规则需要发布 | | 改造或扩建 | BIM、CAD、点云和竣工记录需要版本管理 | | 系统关系变化 | 上下游依赖、影响区域和告警上下文需要更新 | | 权限变化 | 敏感房间、客户专属区域和受限记录需要权限复核 | 这些变化应进入受控队列，带有负责人、复核状态和发布路径。 ## 按层治理数字孪生 运营数字孪生能够工作，是因为多个层级保持一致。治理应该为每一层指定负责人和复核规则。 | 数字孪生层级 | 治理对象 | |---|---| | 空间模型 | 园区、建筑、楼层、房间、区域、路线、通行区、安全边界 | | 资产模型 | 资产 ID、显示名称、类别、父子结构、负责人、生命周期状态 | | 系统模型 | 供配电、冷却、空气、水、工艺公辅、物流、控制关系 | | 几何模型 | BIM、CAD、三维模型、点云、源版本、模型体量、细节层级 | | 数据绑定 | 传感器、仪表、告警、状态值、计算指标、刷新规则 | | 文档与 SOP | 手册、图纸、作业指导、巡检模板、验收记录 | | 权限 | 角色访问、敏感空间、客户专属布局、受限文档 | | 应用场景 | Designer 场景、Inspector 表单、仪表盘、培训流程、仿真场景 | 按层治理能把模型维护从零散文件整理转为可审计的运营流程。 ## 实用更新流程 1. **捕捉变化** - 现场团队、项目变更、巡检、CMMS 事件、BMS 变化或点云复核提出更新请求。 2. **判断影响范围** - 判断变化是否影响几何、资产身份、系统关系、数据绑定、文档、权限或应用场景。 3. **先更新权威来源** - 先调整资产台账、BIM/CAD 模型、点云记录、数据映射、文档库或流程库。 4. **准备数字孪生发布** - 使用 Designer、Twin Engine、Data Fusion Services 和相关工具更新运行时模型与场景内容。 5. **对照现场证据复核** - 发布前确认位置、资产身份、数据绑定、视觉状态、文档链接和权限行为。 6. **发布版本** - 发布已批准模型版本，记录发布说明、复核人、影响区域和回滚参考。 7. **通知消费方** - 让仪表盘、Inspector 工作流、AI Agent 任务、仿真场景和培训内容使用已批准版本。 8. **审计结果** - 跟踪更新是否解决现场不一致，以及是否需要后续调整。 流程可以轻量，但责任必须清晰可见。 ## 数据绑定需要单独复核 数据绑定往往会悄悄失效。传感器标签可能改名，仪表可能替换，网关采样间隔可能变化，计算指标也可能换公式。三维模型看起来正确，但实时上下文已经指向旧数据源。 [Data Fusion Services](/products/dfs) 帮助管理源系统与数字孪生实体之间的映射。治理应记录每个关键绑定的源系统、标签名、单位、时间戳规则、质量状态、刷新频率和负责人。 对 AI Agent 工作流来说，这些记录很重要，因为建议依赖信号、资产、空间、文档和现场历史之间的关系。可靠的绑定记录也能帮助团队解释某条趋势为什么出现在某个资产上，以及某条建议为什么引用了特定证据集。 ## 现场证据闭合更新循环 当现场团队可以直接在运营上下文中报告模型不一致时，治理会更有效。[Inspector](/products/inspector) 可以围绕相关资产或空间记录问题、照片、巡检发现、纠正动作和工作记录。 有价值的现场证据包括： * 当前状态照片 * 现场看到的资产 ID 或设备名称 * 不一致所在的房间、路线、楼层或区域 * 受影响的工作流、巡检、仪表盘或场景 * 建议修正方式和紧急程度 * 复核人与关闭记录 这些证据把模型维护变成可追责的运营流程。 ## 面向 AI 与仿真的模型治理 AI Agent、仿真和 Physical AI 工作流应使用已批准的模型上下文。模型版本需要说明，在产生建议或仿真结果时，哪些几何、资产关系、数据绑定、文档和场景假设处于生效状态。 这种可追踪性有助于跨版本比较结果，也能帮助团队判断异常结果来自真实运营变化、数据质量问题、模型更新，还是 AI 工作流变化。 对仿真工作来说，同样需要治理布局、碰撞边界、通行区域、系统关系和行为逻辑。场景版本与假设清晰时，仿真结果更容易被团队复核。 ## 运营节奏 治理最好有简单节奏： * 每日复核紧急现场不一致和失效数据绑定 * 每周复核资产、文档、权限和工作流更新 * 每月复核模型质量、陈旧记录、重复不一致和源系统漂移 * 每次生产数字孪生更新都保留发布说明 * 重大场景或数据绑定变化保留回滚参考 * 为每个站点、系统和共享资产库指定负责人 节奏应匹配设施风险。数据中心、半导体公辅区域、生物制药设施或关键建筑系统，通常需要更紧的复核节奏。 ## 治理检查清单 * 每个空间、资产、系统和数据绑定是否都有负责人 * 现场变化是否通过批准路径进入更新队列 * 运行时数字孪生发布前，权威源系统是否已更新 * 模型版本是否关联发布说明和复核记录 * 敏感空间、受限文档和客户专属布局是否受到保护 * 陈旧标签、失效绑定和缺失资产 ID 是否定期复核 * Inspector 证据是否能触发模型更新 * AI Agent 和仿真输出是否能引用所使用的模型版本 * 重大场景、权限或数据绑定发布是否有回滚路径 ## 公开参考 [BIM、CAD 和点云资产管线指南](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline)介绍数字孪生上线前，源模型转化为运营资产的流程。 [数据准备指南](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)梳理源系统、资产身份、工作流记录和机器学习反馈形成数据基础的方式。 [工业知识图谱指南](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)展示语义关系连接资产、空间、系统、信号、文档和 AI Agent 推理的方式。 [NIO 智能工厂参考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC 合作](/about/news/collaboration-between-jtc-datamesh)和 [Singtel FutureNow 展示](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)展示了数字孪生上下文如何支持持续工业与设施运营。 --- ## [GUIDES] pharma-operator-training-digital-sop-gmp-csv ## 受监管运营仍然依赖熟练操作员 制药和生物制药设施把自动化设备、受控房间、公辅系统、质量体系和熟练人工执行结合在一起。许多生产步骤仍依赖受训操作员完成设置、清洁、取样、称量、装配、拆卸、清场、巡检、交接和异常响应。 真正的挑战是执行一致性。团队需要在班组、站点和培训批次之间使用同一版规程、设备上下文、视觉参考、安全提示、角色说明和证据记录。纸质 SOP、视频文件、课堂培训和分散的工作记录很难长期支撑这种一致性。 基于数字孪生的 SOP 工作流提供共享运营上下文。它把空间、设备、规程步骤、培训记录、巡检任务、工单、照片、复核备注和变更历史连接到真实资产和工艺区域周围。 ## 数字 SOP 应该承载什么 | 层级 | 运营细节 | |---|---| | 规程版本 | 已批准 SOP、修订号、生效日期、培训对象和负责人 | | 空间上下文 | 房间、区域、设备、公辅连接、通行路径和安全边界 | | 任务步骤 | 设置、物料准备、清洁、取样、巡检、确认、交接和收尾 | | 视觉引导 | 3D 模型、动画、标签、图片、视频、检查点和操作提示 | | 角色与培训 | 所需角色、培训完成、考核结果、复训周期和培训批次历史 | | 执行记录 | 操作员、时间、资产、步骤状态、照片、备注、异常、工单和验证 | | 变更历史 | SOP 修订、资产变更、内容复核、培训更新和审批路径 | 有用的目标，是形成一条记录：用了哪版规程，适用于哪台资产或哪个区域，谁完成了培训，执行了什么，观察到什么，以及结果如何复核。 ## DataMesh 工作流 1. **收集规程来源** - 汇总 SOP、作业指导书、培训材料、设备模型、照片、视频、资产清单、房间上下文、维护记录和质量复核要求。 2. **构建运营上下文** - 使用 FactVerse 连接房间、设备、公辅、文档、工艺区域、资产历史和角色责任。 3. **创作引导规程** - 使用 Director 创建 3D SOP、培训场景、步骤提示、检查点、动画、标签和可复核内容。 4. **交付培训与现场指导** - 使用 DataMesh One 和移动或 XR 设备，让操作员在同一资产上下文中学习并执行规程。 5. **采集执行证据** - 使用 Inspector 和 Checklist 记录巡检、任务、照片、备注、异常、整改行动、工单和验证状态。 6. **连接运营数据** - 使用 Data Fusion Services 在需要时绑定资产状态、告警、维护历史、文档和企业记录。 7. **复核并改进** - 用一致记录支持质量复核、再培训、异常事件分析、维护闭环和 CSV 证据准备。 这让运营、质量、培训和工程团队拥有从培训到执行的一条可复核轨迹。 ## 团队通常从哪里开始 - **操作员入职**：在接触生产工作前学习房间布局、设备身份、清洁执行要求和常见交接。 - **设置与换型**：用视觉检查引导设置、装配、拆卸、验证和清场工作。 - **清洁与巡检**：把步骤引导、照片证据、巡检结果和整改行动连接到相关资产或区域。 - **取样与称量**：为重复性工作提供引导提示、设备上下文、角色说明和完成记录。 - **维护与校准支持**：连接设备历史、现场任务、工单、验收备注和相关 SOP 参考。 - **偏差与异常复核**：整理发生了什么、发生在哪里、涉及哪一步，以及后续完成了什么。 合适的试点通常来自培训负担高、交接问题重复或证据要求强的规程。 ## GMP 与 CSV 证据结构 GMP 项目需要受控、可重复、可追溯的生产实践。对 SOP 执行而言，这意味着清晰的版本归属、完成培训的人员、批准后的工作步骤、可靠记录和可复核异常。 CSV 项目关注受监管工作流中的计算机化系统。对数字 SOP 和巡检工作流而言，有用证据包括预期用途、系统范围、访问角色、版本控制、工作流记录、变更历史、测试证据和质量复核材料。 DataMesh 通过把规程、培训完成、工作记录、巡检证据、资产历史、整改行动和变更记录连接到相关工艺与设备上下文，支持这些证据结构。 ## 产品角色 [Director](/products/director) 创建引导式 3D SOP、培训场景、动画、标签、检查点和现场说明。 [Inspector](/products/inspector) 管理巡检、工单、维修记录、证据采集、验证和现场历史。 [Checklist](/products/checklist) 支持周期任务、结构化表单、完成记录和移动端执行。 [FactVerse](/products/factverse) 为空间、资产、文档、工作流和数据绑定提供运营数字孪生上下文。 [Data Fusion Services](/products/dfs) 在数据集成范围内连接 DCS、SCADA、历史数据库、CMMS、EAM、LIMS、告警、传感器、文档和企业系统。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以为合格团队汇总重复问题、异常趋势和相关工作历史，支持复核。 ## 治理清单 - SOP 版本、负责人、生效日期和培训对象是否已记录? - 房间、设备、公辅、文档和资产标识是否在各系统中一致? - 培训完成、考核和复训记录是否连接到正确的规程版本? - 现场任务是否连接到正确的资产、区域、步骤、操作员角色和复核状态? - 照片、备注、异常、整改行动和验证记录是否具备后续复核结构? - 访问角色、内容审批、变更复核和发布控制是否已记录? - 系统范围、预期用途、版本历史和测试记录是否可用于 CSV 准备? - 质量、运营、培训、工程和维护负责人是否在 rollout 前对齐? 这些检查可以把数字 SOP 内容转化为运营证据系统。 ## 公开参考 [Swire Coca-Cola 参考](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 展示了维护流程与一线培训数字化。 [富士康参考](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 展示了 FactVerse 如何用于培训和维护工作流。 [高速公路安全培训参考](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) 展示了数字孪生与混合现实用于提升实践培训。 [横河电机与 DataMesh 参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了把工业设施信号连接到维护复核的通用模式。 --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## 工艺验证需要更快的中间层 产线和包装项目经常在两类工具之间切换。静态布局和离散事件模型适合讨论流量、产能和瓶颈；有限元分析、CFD 和现场试验适合回答高精度工程问题。大量实际问题出现在这两层之间：包装姿态、碰撞、滑动、堆叠、交接时机、机器人可达性、操作员伸手范围和设备交互。 围绕 Omniverse、NVIDIA Isaac Sim、PhysX 和 Newton 形成的现代工作流，可以构成更快的中间层。工程团队和运营团队可以在数字孪生里先测试更多物理场景，再选择少数关键方案进入详细分析或现场试验。这里的精度目标不同于经过标定的有限元模型，价值主要来自迭代速度、场景覆盖、共同复核和早期发现问题。 对 DataMesh 来说，这条路径是 [FactVerse Designer](/products/designer) 的自然延伸。Designer 构建产线场景、工艺逻辑、行为树、布局变体和时间线场景。[FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 再把这些上下文带入 OpenUSD 和 Omniverse 工作流。后续团队可以准备 Isaac Sim 场景，使用 PhysX 物理仿真、RTX 渲染、机器人和传感器模型；当工艺场景进一步走向机器人或 Physical AI 时，再接入 Isaac Lab 或 Newton 路径。 ## 传统仿真的慢点在哪里 不同仿真方法回答的问题不同： | 方法 | 适合回答的问题 | 常见约束 | |---|---|---| | 静态布局评审 | 空间、设备摆放、通行、团队对齐 | 缺少运动和交互证据 | | 离散事件仿真 | 吞吐、排队、利用率、缓存、资源规划 | 几何和物理行为被简化 | | 有限元分析 | 应力、变形、材料响应、结构风险 | 建模和计算周期更长 | | CFD | 气流、流体、热、压力和污染控制 | 模型专业度高，迭代周期更长 | | 现场试验 | 最终工艺信心和真实操作反馈 | 成本、周期、安全和场景覆盖受限 | 物理工艺仿真增加了一个选择：当包装沿着某条路径滑动、托盘倾斜、机器人交接延迟、输送线缓存积满、纸箱碰到导轨时，现场团队会看到什么。 ## Isaac Sim、PhysX 和 Newton 的价值 NVIDIA 将 Isaac Sim 描述为建立在 Omniverse libraries 之上的开源参考框架，用于机器人仿真、测试和合成数据生成。它可以接入 CAD、URDF、MJCF 和现场捕获的场景上下文，转换为 USD，并在场景中配置材料、物理属性、机器人模型和传感器。 PhysX 位于 Isaac 和 Omniverse 路径中的物理基础层。NVIDIA 的 Isaac Sim 文档将核心仿真描述为高保真、基于 GPU 的 PhysX 引擎，并支持工业规模的多传感器 RTX 渲染。对产线团队来说，它可以支持运动、碰撞、刚体行为、摆放、物料流、间距、机器人可达性和安全区域评审。 Isaac Lab 和 Newton 将工作流进一步延展到机器人学习和接触丰富的仿真。NVIDIA 将 Isaac Lab 描述为面向机器人学习的开源、GPU 加速、模块化框架。NVIDIA 也将 Newton 描述为构建在 Warp 和 OpenUSD 之上的开放、可扩展物理引擎，公开方向包括 GPU 加速、可微物理、可插拔求解器、刚体与可变形体仿真，以及与 Isaac 工作流的集成。当工艺仿真开始接近机器人策略、触觉接触、柔性材料、包装变形、线缆或未来 Physical AI 工作流时，这条路径会更重要。 工业团队需要按决策选择合适的物理深度。包装布局评审可能只需要快速碰撞和运动检查；机器人插接任务可能需要更强的接触建模；材料失效问题仍然交给专项工程分析。 ## 包装工艺验证场景 包装是很适合的应用场景，因为细小物理差异会改变运营结果。一个有用的虚拟试验可以探索： * 包装姿态、间距和交接时机 * 输送线速度、导轨、分流器、挡停和缓存行为 * 托盘、纸箱、瓶、袋、箱体在设备中的运动 * 滑动、倾倒、堆叠、弹跳、接触和碰撞模式 * 机器人可达性、夹爪接近路径、工作包络和安全区域 * 操作员伸手范围、维护通道、卡料恢复和巡检视角 * 设备移动或工装变更前的产线方案对比 目标是更早筛选。团队可以比较更多选项，提前发现明显物理问题，并为详细验证准备更清楚的问题。 ## DataMesh 工作流 1. **构建运营场景** - 在 FactVerse 中建模产线、包装单元、设备、工位、缓存、路线、通行区域和资产身份。 2. **编排工艺逻辑** - 使用 Designer 定义行为树、节拍、状态切换、物料路线、故障、恢复步骤和方案变体。 3. **准备仿真资产** - 对齐比例、坐标、碰撞几何、材料假设、质量、摩擦、约束和版本记录。 4. **进入物理工作流** - 使用 FactVerse Adaptor for NVIDIA Omniverse 将场景上下文带入 OpenUSD 和 Omniverse 工作流。涉及机器人时，进一步准备带有物理属性、材料、机器人模型和传感器的 Isaac Sim 场景。 5. **运行快速虚拟试验** - 通过合适的 Omniverse、Isaac Sim、PhysX 或 Newton 路径，复核运动、碰撞、接触、摆放、交接、缓存行为、操作员通行和机器人交互。 6. **比较场景方案** - 记录在既定假设下，哪种布局、节拍、材料或设备方案表现更好。 7. **升级关键方案** - 将关键方案交给有限元分析、CFD、设备供应商工程验证或现场试验。 8. **保留证据** - 将假设、设置、结果、截图、问题记录和审批意见保存在场景版本下。 这样虚拟规划就能和工程治理连接起来。仿真结果有价值，是因为假设和版本可以追溯。 ## 这个层级适合解决什么 物理工艺仿真最适合快速比较： * 早期包装工艺筛选 * 输送、物料搬运和缓存行为复核 * 布局和净空验证 * 碰撞和卡料风险发现 * 机器人与操作员可达性复核 * 设备交互和交接时机评估 * 虚拟调试准备 * Physical AI 场景准备 * 工程、运营、安全和供应商共同评审 输出应服务工程判断。它帮助团队缩小方案空间，把高成本验证集中到真正重要的场景上。 ## 高精度方法仍然必要 有限元分析、CFD、材料标定测试和现场试验仍然适合回答应力、疲劳、破裂、密封、热行为、气流、液体运动、污染风险和产品质量阈值等最终问题。 物理引擎也需要标定。摩擦、刚度、阻尼、回弹、质量、几何简化、接触设置和求解器参数都会影响结果。柔性包装、液体、粉体、粘附、热、磨损和破损等现象可能需要专项模型或物理实验。 最稳妥的工作流，是把快速物理仿真作为工程筛选器。它让团队更快提出更好的问题，并选择更好的验证目标。 ## 应该评测什么 | 评测区域 | 有用指标 | |---|---| | 迭代速度 | 场景设置时间、方案数量、评审周期、首次发现问题时间 | | 场景覆盖 | 布局变体、速度设置、包装类型、故障状态、通行条件 | | 模型质量 | 比例误差、材料假设、碰撞几何质量、标定证据 | | 工程价值 | 试验前发现的问题、淘汰方案、被缩小的验证范围 | | 迁移质量 | 虚拟试验与现场观察的差异、重复出现的偏差类型 | | 治理 | 场景版本、物理设置、资产版本、复核人、决策记录 | 这些指标让仿真保持可用。假设不清的快速模型会制造噪音；假设可追溯的快速模型才会形成工程杠杆。 ## 产品分工 [FactVerse Designer](/products/designer) 是布局、行为树、工艺逻辑、时间线场景和方案变体的编排环境。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 将 FactVerse 场景上下文连接到 OpenUSD 和 Omniverse 工作流，用于渲染、物理验证、Isaac Sim 场景准备和高级仿真。 [FactVerse](/products/factverse) 与 [FactVerse Twin Engine](/products/factverse-twin-engine) 保留仿真背后的运营数字孪生上下文，包括资产、空间、系统、元数据、权限和场景记录。 [Data Fusion Services](/products/dfs) 在仿真需要生产信号、设备状态、告警、速度、吞吐或设施上下文时接入实时和历史运营数据。 [DataMesh Robotics](/products/robotics) 在包装或产线场景扩展为训练数据、Isaac Sim 机器人仿真环境、Isaac Lab 学习任务或 Physical AI 评测任务时参与进来。 ## 准备度检查清单 * 工程决策是否清楚到足以选择合适的仿真深度 * 产线资产、设备名称和包装类型是否稳定 * 比例、坐标、单位和原点是否已经验证 * 碰撞形状和材料假设是否有记录 * 工艺节拍、路线、交接规则和状态切换是否已在 Designer 中定义 * 物理设置是否对应明确的评审目标 * 已知限制是否在评审前写清楚 * 关键方案是否会进入详细工程验证 * 结果是否能追溯到场景版本、资产版本和物理设置 ## 公开参考 NVIDIA 将 [Omniverse](https://www.nvidia.com/en-us/omniverse/) 描述为面向工业数字孪生和 Physical AI 仿真应用的 libraries 与 microservices，并提供 OpenUSD、RTX 和物理能力。 NVIDIA 的 [Omniverse libraries](https://developer.nvidia.com/omniverse) 页面将 ovphysx 描述为用于可扩展机器人与数字孪生仿真的 USD 原生多物理库。 NVIDIA 的 [Isaac Sim](https://developer.nvidia.com/isaac/sim) 页面将其描述为建立在 Omniverse libraries 之上的开源参考框架，用于物理虚拟环境中的机器人仿真、测试和合成数据生成。 NVIDIA 的 [Isaac Lab](https://developer.nvidia.com/isaac/lab) 页面将 Isaac Lab 描述为面向大规模机器人策略训练的开源、GPU 加速、模块化机器人学习框架。 NVIDIA 的 [Newton Physics](https://developer.nvidia.com/newton-physics) 页面将 Newton 描述为构建在 Warp 和 OpenUSD 之上的开放、可扩展物理引擎，用于机器人学习与开发。 NVIDIA 公开的 Newton 工业机器人文章介绍了接触丰富操作、可变形仿真、SDF 碰撞、hydroelastic contact，以及与 Isaac 工作流的集成方向。 DataMesh 的 [FactVerse 与 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 发布内容和 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 展示了仿真数字孪生、OpenUSD 工作流和 Physical AI 准备的公开方向。 --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## 维护闭环从信号之后开始 预测性维护真正产生价值，是在风险信号能够进入有纪律的工作流程之后。振动趋势、温度漂移、电流异常或重复报警，都需要转化为可复核的问题：受影响的是哪台资产，这个发现是否可信，相关系统和上下游关系是什么，应该由哪个团队复核，现场要执行什么动作。 [DataMesh 预测性维护](/solutions/predictive-maintenance) 通过数字孪生把这些步骤连接起来。数据、资产上下文、AI 辅助复核、工单、现场证据和验证记录保留在同一个运营闭环中，维护团队可以从每一次决策中持续学习。 这也是一个务实的物理智能工作流。AI 负责帮助解释真实世界的信号，数字孪生负责把建议放回设备、位置、系统关系和现场批准的执行流程中。 ## 闭环需要哪些层 一个闭环维护流程通常需要这些层： - **连接后的信号**：振动、温度、电流、压力、运行时间、报警、历史数据库标签和环境上下文。 - **资产上下文**：设备层级、位置、运行角色、系统依赖、维护计划、文档和备件相关信息。 - **AI 辅助复核**：趋势比较、异常复核、可能的劣化模式、证据摘要和建议动作草稿。 - **数字孪生验证**：空间上下文、上下游依赖、近期工作、运行约束和现场可达性。 - **工作执行**：Inspector 工单、Checklist 任务、指派、现场说明、照片、验收和关闭状态。 - **后续证据**：维护后的读数、重复报警复核、状态对比和更新后的资产历史。 最终需要形成一条维护记录，包含检测结果、重要性判断、复核人、批准动作和结果验证方式。 ## DataMesh 技术栈在其中的位置 [Data Fusion Services](/products/dfs) 连接传感器、历史数据库、BMS、SCADA、CMMS、EAM、IoT 和企业系统，并为数字孪生绑定、分析和 AI 复核准备运营数据。 [FactVerse AI Agent](/products/factverse-ai-agent) 是决策智能层。FactVerse AI Agent 预测性维护模块会复核信号行为、资产关系、维护历史和运营上下文，并为维护团队准备证据和建议动作。 [FactVerse](/products/factverse) 和数字孪生上下文帮助团队看清资产在哪里、支撑哪些系统、哪些依赖关系会影响维护决策。[Inspector](/products/inspector) 管理巡检、工单、现场记录、验证和维护证据。[Checklist](/products/checklist) 帮助跨团队整合任务和周期性工作。 客户治理下的 CMMS、EAM、BMS、SCADA 和现场审批流程，可以继续作为组织指定的运营主系统。 ## 从信号到已验证的工作 一个可落地的流程可以分为六步： 1. 连接传感器、历史数据库、报警、巡检和资产数据。 2. 把资产、系统、点位和工作记录映射到数字孪生。 3. 使用 FactVerse AI Agent 复核趋势、异常和相关证据。 4. 由维护和工程团队在孪生上下文中确认发现。 5. 创建 Inspector 工单或 Checklist 任务，明确范围、负责人和验收标准。 6. 记录完成证据，并把维护后的状态与原始信号进行对比。 这个流程让预测可以进入行动，形成一条带有现场背景、负责人和完成证据的可追溯维护决策。 ## 从哪里开始 | 起点 | 实际重点 | |---|---| | 旋转设备 | 泵、压缩机、电机、风机，以及具有振动、温度、电流或压力模式的关键资产 | | 设施公辅系统 | HVAC、冷冻水、压缩空气、配电，以及具有重复报警或服务历史的系统 | | 生产支撑资产 | 输送线、机器人单元、夹具和搬运设备等会影响生产节拍的维护对象 | | 巡检密集资产 | 巡检频繁、问题反复或现场记录不稳定的资产 | | 多站点运营 | 多个站点共享的资产类别，让一个站点的复核经验可以被其他站点借鉴 | 首个试点需要有可用的数据历史、明确的维护负责人、可控的资产范围，以及能完成闭环的现场团队。 ## 数据准备清单 上线前建议复核这些条件： - 传感器信号具有稳定标识、时间戳、单位和资产映射。 - 维护历史可以追溯到资产或设备组。 - 工单记录能说明原因、动作和关闭情况。 - 资产层级和位置信息可以连接到数字孪生。 - 工程和维护团队已经约定复核、审批和升级规则。 - 现场团队可以结构化采集证据。 - 试点指标和已验证的运营记录绑定。 这个阶段的数据质量工作本身就是预测性维护计划的一部分。它决定哪些资产已经适合 AI 辅助复核，哪些系统需要先整理。 ## 可验证的指标 预测性维护的价值应结合现场基线衡量。常见指标包括： - 从信号出现到人工复核的时间。 - 进入计划性维护的发现占比。 - 工单关闭质量和证据完整度。 - 整改后的重复报警情况。 - 维护后的资产状态趋势。 - 现场响应时间和任务验收质量。 - 重复资产类别的工程复核投入。 收益判断需要基于客户现场数据、资产范围和运营历史进行验证。清晰的验证流程能让假设、基线和闭环结果在试点到推广过程中持续可追踪。 ## 公开参考 [Yokogawa 与 DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 的公开发布说明了工业设施中 AI 驱动预测性维护的方向，尤其是关键旋转设备场景。 [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 和 [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 展示了维护流程数字化、一线指导和培训如何支撑闭环执行。 对买方来说，关键模式很清楚：预测性维护需要连接后的信号、可信资产上下文、AI 辅助复核，以及能够保留现场结果的工单执行记录。 --- ## [GUIDES] rack-inlet-temperature-and-thermal-margin ## 热风险最终体现在机架进风位置 数据中心团队的机房温度、冷却设备读数、告警、机架清单和电力数据往往分散在不同系统中。即使机房平均温度保持稳定，少量机架仍可能吸入温度更高的回流空气，或无法获得充足气流。这类局部状况会压缩运行裕量，限制下一步容量变更，并提高冷却或气流遏制复核的紧迫性。 机架进风位置为技术采购团队提供了实用的观测点。它把设施提供的冷却空气与信息技术（IT）设备实际承受的环境连接起来。美国采暖、制冷与空调工程师学会（ASHRAE）以设备进风条件作为数据中心环境指南的通用基础。具体设施所采用的环境包络，仍需结合设备等级、制造商要求、站点规范、湿度、运行模式和现行指南确定。 有效评估应回答四个问题： * 哪些机架或进风位置最接近约定限值？ * 该状况是局部出现、持续存在、随负载变化，还是与冷却分配相关？ * 在所评估的运行状态下还剩多少热裕量？ * 后续需要采取哪些测量、工程或运营行动？ ## 先明确决策再选择分析方法 有效的热环境研究从具体决策出发，例如批准提高机架密度、复核反复出现的热点、比较不同气流遏制方案、为冷却设备维护窗口做准备，或确定增设传感器的位置。 决策决定所需证据： | 决策 | 证据重点 | 实用输出 | |---|---|---| | 调查当前热点 | 近期进风实测数据、机架负载、冷却状态、告警、气流遏制和现场观察 | 受影响机架、可能的依赖关系、数据缺口和巡检优先级 | | 评估负载增加 | 拟议机架负载、气流需求、冷却分配、运行包络和代表性边界条件 | 基线与拟议状态下的进风条件、剩余裕量和需要工程复核的区域 | | 比较气流遏制变更 | 几何、开口、泄漏路径、送回风布置、机架气流方向和负载分布 | 相对回流模式、机架级差异和方案取舍 | | 准备冷却维护 | 冷却设备可用性、冗余假设、当前负载、传感器证据和运行顺序 | 预计受影响区域、评估状态下的裕量和监控优先级 | 以决策为起点，有助于合理控制工作范围。传感器复核可以解决数据质量问题；当决策涉及气流路径、未布设仪表的位置、未来负载，或难以在运行设施中安全复现的条件时，空间热模型更具价值。 ## 建立可信的设施基线 热环境证据的质量取决于设施模型和运行输入。技术采购团队应要求清晰记录哪些信息来自现有设施资料、哪些来自实测、哪些基于推断，以及仍有哪些不确定性。 ### 空间与设备上下文 * 机房、走廊、机架、架空地板、天花板、风管、开口和气流遏制结构的几何 * 机架位置、朝向、高度、设备配置和气流方向 * 冷却设备位置、容量、送回风布置和运行状态 * 穿孔地板、格栅、风阀、屏障、泄漏路径和主要障碍物 * 传感器标识、位置、安装高度、单位、校准状态和负责人 ### 运行与热环境上下文 * 按时间和运行状态记录的代表性机架或 IT 负载 * 可获取时的送风温度、回风温度、流量、压力和风机信息 * 机房温度、湿度、机架进风实测数据、告警和环境记录 * 气流遏制状态、维护状况、在运冷却设备和控制设定 * 会影响评估边界的室外或相邻空间条件 ### 治理上下文 * 所涉及的设备等级和制造商限值 * 经设施业主批准的环境包络和测量方法 * 证据覆盖的时间段和运行状态 * 决策负责人、工程评审人和验收标准 [Data Fusion Services](/products/dfs) 可以对齐设备标识、时间戳、单位、传感器质量、告警和工程记录。[DataMesh FactVerse](/products/factverse) 可以在运营数字孪生中组织机房、机架、冷却系统、传感器及其空间关系。这套共享上下文使实测数据和模型结果能够追溯到受评估的资产与位置。 ## 将热场转化为机架级决策 ![正常与性能降级气流模式及机架进风评估点](/images/physics/data-center-thermal-resilience-comparison.webp) *机架级评估将空间气流和温度表现与明确的进风位置、设备限值和运营决策连接起来。* 热场展示温度和气流如何随空间变化。技术采购团队还需要约定指标，把热场转化为可评审的决策依据。实用指标可包括： * 明确的上、中、下位置的进风温度 * 评估条件下的最大进风温度、百分位数或时间窗口温度 * 接近约定限值的进风点数量和位置 * 影响相关机架的回流或旁路气流模式 * 基线场景与候选场景之间的差异 * 持续时间、变化速率，以及对负载或冷却状态的敏感性 * 按机架、区域或设备等级计算的剩余热裕量 热裕量可以采用以下简明定义： `热裕量 = 约定的机架进风温度限值 - 评估的机架进风温度` 每项热裕量结果都应注明限值来源，并说明评估温度来自传感器、校准后的仿真、探索性模型还是保守场景值。相同的两度裕量，如果分别来自单个未经核验的传感器、经过验证的实测数据集，或超出校准范围运行的模型，所代表的可信度会明显不同。 ## 区分实时可视性与专项热环境证据 实时运营与热环境分析关注彼此相关但深度不同的问题。 | 能力 | 主要证据 | 可支持的问题 | |---|---|---| | 实时运营可视性 | 已连接的传感器、仪表、设备状态、告警、资产记录、巡检和工作历史 | 当前发生了什么、告警位于哪里、哪些资产受到影响，以及由谁负责响应 | | 专项热环境分析 | 经过复核的几何、机架负载、冷却条件、边界假设、可用实测数据、求解器检查和证据包 | 气流与温度可能如何随空间变化、拟议变更后可能出现什么情况，以及哪些区域需要专业复核 | [FactVerse AI Agent](/products/factverse-ai-agent) 可以帮助运营团队关联异常趋势、告警、资产历史和维护上下文。当容量、冷却或布局决策需要空间场和场景比较时，专项热环境工作流可提供相应证据。[Inspector](/products/inspector) 可以将批准后的发现转入现场巡检、工作执行和结果验证。 ## 采用合适的运行包络 ASHRAE 指南针对数据通信设备的不同等级，区分了推荐环境包络和允许环境包络。制造商还可能规定与具体配置相关的限值；运营方也会依据可靠性目标、测量方法、设备组合和运行条件制定站点标准。 开展采购评估时，项目应记录： 1. 受评估的设备群和环境等级 2. 适用的 ASHRAE 指南版本及所采用的表格或流程 3. 已安装配置对应的制造商要求 4. 经设施业主批准的正常、告警和工程复核阈值 5. 与这些阈值对应的湿度和测量条件 6. 瞬态偏离和数据缺口的处理方式 这套记录既能为计算提供稳定依据，也便于站点随设备与指南变化持续更新。 ## 让可信度与校准证据相匹配 探索性模型可以在已说明的假设下展示方向性模式并比较方案。基准对比模型增加了参考案例和求解器检查。实测数据校准模型会将相关输出与代表性现场观测进行对比。特定场景确认研究还会针对预期决策所需的条件引入独立证据。 针对机架进风评估，实用的校准证据可包括多个进风位置、代表性负载、稳定期与过渡期、在运冷却状态，以及为确认单独保留的一组条件或时间段。评审人员应能按位置和运行状态查看残差，同时了解传感器不确定性和已知不匹配。 [校准等级与仿真结论可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)介绍了如何让结论强度与现有证据相匹配。[场景集合指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)说明了当负载、设备状态或边界条件变化时，如何比较可信范围。 ## 采购评估清单 ### 决策与范围 * 是否明确了一项运营、容量、韧性或布局决策？ * 是否定义了机架、区域、运行状态和时间范围？ * 是否理解热裕量过小或为负值可能带来的后果？ ### 数据与模型准备度 * 是否具备机架几何、气流方向、负载和设备限值？ * 是否呈现了冷却布局、在运状态、送回风、气流遏制和开口？ * 每项传感器数据能否追溯到标识、位置、时间戳、单位和质量状态？ * 评审人员能否清楚看到假设和缺失证据？ ### 证据与验收 * 是否记录了每项运行限值的来源？ * 是否清楚区分实测值与仿真值？ * 是否在与决策相关的位置展示残差、不确定性和敏感性？ * 结论可信度是否保持在已记录的证据适用范围内？ ### 行动与责任 * 每项发现是否关联到受影响的机房、机架、冷却资产或传感器？ * 是否由具备相应资质的评审人员对结论负责？ * 批准后的行动能否进入巡检、维护或变更管理工作流？ * 交付计划是否包含变更后验证？ ## 规划聚焦试点 实用的试点可以从一个有代表性的机房或走廊和一项决策开始。团队选择范围适中的机架群，核验资产与传感器上下文，定义经批准的运行包络，并获取代表性运行基线。随后，可依据约定证据和评审标准，对候选负载、气流遏制、冷却或监控变更进行比较。 试点成功标准可包括： * 几何、机架标识、负载、冷却状态和传感器映射经过核验 * 基线可重复生成，并有完整的输入与检查记录 * 机架级实测数据与残差评审足以支撑预期结论 * 热裕量视图关联到经批准的限值来源 * 场景比较能够改变一项真实的规划或巡检决策 * 明确工程责任，并形成可复用的证据包 通过[数据中心运营](/solutions/ai-agent-data-center)了解运营可视性、热环境评估、维护执行和多站点上下文的完整工作流。更全面的[仿真证据评估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供了方法、模型、不确定性和交付证据的采购评估清单。 接下来可阅读[冷却故障场景分析](/resources/guides/data-center-cooling-failure-scenario-analysis)，评估冷却性能降级与不可用状态；再通过[负载增长与容量情景分析](/resources/guides/data-center-load-growth-capacity-what-if-analysis)，比较拟议的机架、负载、冷却、气流遏制和布局变更。 ## 公开参考 [ASHRAE《数据中心与电信设施》手册章节](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)将设备进风温度作为通用环境参考点，并说明推荐范围与允许范围的作用。 ASHRAE 关于[数据中心设计与运营中实现高可靠性和高能效](https://www.ashrae.org/news/ashraejournal/achieving-high-reliability-energy-efficiency-in-data-center-design-operations)的文章介绍了第五版《数据处理环境热指南》，以及该指南在设施运营与设备要求对齐方面的作用。 [美国能源部《高能效数据中心设计最佳实践指南》](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)涵盖信息技术设备环境条件、气流管理、冷却系统，以及减少机架进风口周围热空气回流的措施。 --- ## [GUIDES] scenario-ensembles-and-conservative-simulation-review ## 单次运行只展示一条假设路径 工业系统会在不断变化的负载、天气、设备状态、控制模式、材料属性和人员行动下运行。单次仿真运行可以说明一种明确条件。韧性与安全决策通常需要更广阔的视角：哪些结论能够保持稳定，哪些输入会驱动变化，以及哪些可信条件会让系统最接近运行限值。 仿真集合提供了这种更广阔的视角。它围绕一项明确决策组织多次运行，并将输出转化为分布、对比、敏感性和保守评审案例。 目标是支持务实的工程判断。技术采购团队应能看到相关运行空间中有多大范围经过了探索、哪些证据有力、哪些结果较为敏感，以及哪项行动应优先处理。 ## 先构建场景族再确定运行次数 场景族是一组结构化条件，这些条件因与决策相关而被选中。团队先定义工程覆盖范围，再选择检查该范围所需的运行设计。 典型的场景维度包括： | 维度 | 示例 | |---|---| | 需求与负载 | 信息技术 (IT) 负载、生产率、建筑热需求、包装速率、机器人任务频率 | | 设备状态 | 正常运行、风机或泵降级、冷却单元不可用、排风减弱、传感器中断 | | 环境 | 室外温度、湿度、风、极端天气、房间边界条件 | | 源条件 | 释放位置、热源、污染源、物料进入点、扰动时序 | | 控制与响应 | 设定值、顺序控制、预热策略、告警延迟、操作员响应、恢复行动 | | 资产与材料 | 几何变体、摩擦、质量、热物性、阻力、泄漏、设备性能 | 团队应说明为何纳入每个维度、哪些值具备可信度，以及选定的组合如何覆盖决策。这样，在开始计算前就能对场景覆盖开展评审。 ## 区分场景变化与重复抽样 两类多次运行分析回答不同的问题。 ### 场景族比较 场景族运行会改变已命名的工程或运行条件。例如，正常与降级冷却、多个洁净室释放位置、极端天气下的热需求，或不同的生产布局。 输出可以回答以下问题： * 哪种条件产生的热裕量最小？ * 哪种探测器布置留下的盲区最大？ * 极端天气期间，哪个网络分区仍然较为敏感？ * 哪种布局或任务顺序反复产生碰撞或通行风险？ ### 场景内重复运行 重复运行用于检查一个明确场景内部的变化。变化的输入可能代表测量不确定性、自然过程变异、不确定的材料属性、随机释放行为、随机任务初始化，或从已定义参数分布中抽样。 输出可以回答以下问题： * 达到约定限值的时间变化范围有多大？ * 在合理的源行为范围内，探测器响应结论有多稳定？ * 哪个参数对结果离散程度的贡献最大？ * 在该研究的抽样设计内，指标超过评审阈值的频率是多少？ 许多评估会同时使用两类分析。场景族用于建立工程覆盖，重复运行用于表征选定高影响场景内的变化。 ## 用客户易懂的语言解读分布 仿真集合会把单个结果扩展为一系列结果。技术采购团队可以借助少量实用度量，对这一范围提出严谨的问题。 | 度量 | 它向评审人员说明什么 | 还应同时检查什么 | |---|---|---| | 最小值与最大值 | 纳入运行中观察到的范围 | 异常值、抽样覆盖、物理可信度，以及极值是否得到充分求解 | | 中位数 | 一半运行高于该值、另一半低于该值的中心结果 | 分布形状、样本数、多峰行为和决策相关性 | | 百分位数 | 纳入结果中有指定比例低于该值 | 所选百分位数、尾部样本数、输入分布和超限后果 | | 超限率 | 纳入运行中跨越约定阈值的比例 | 阈值依据、场景权重、代表性、确认和抽样误差 | | 离散程度或区间 | 结果之间的变化幅度 | 主导输入、数据质量、模型不确定性和尚未解决的条件 | | 敏感性 | 哪些输入变化对决策指标影响最大 | 输入范围、交互、物理合理性以及改善测量或控制的机会 | 每项度量都以所使用的场景、输入范围、分布、模型和抽样设计为前提。评审材料应在汇总结果旁呈现这些条件。 ## 用对比视图呈现场景逻辑 ![洁净室基线通风与降级排风对比](/images/physics/cleanroom-airflow-detection-comparison.webp) *清晰可见的基线与降级对比，有助于相关人员先确认发生变化的条件，再解读由此产生的场、指标或行动。* 有用的对比视图包括： * 使用相同比例尺展示基线条件和降级条件的场 * 裕量、超限、探测覆盖或碰撞频率的空间图 * 多次重复运行的时间序列带状图 * 达到限值或响应事件所需时间的分布 * 影响显著输入的敏感性排序 * 展示条件、结论、严重程度和行动责任的场景矩阵 比例尺和单位保持一致十分重要。面板之间改变颜色范围，可能会让细小差异显得很突出，也可能掩盖有意义的性能下降。 ## 在看到答案前定义保守评审方法 保守评审选择的证据会适当提高不利且可信结果的权重。方法应根据错误后果确定，并在得出最终结果前达成一致。 常见方法包括： * 评审物理上可信且最不利的场景 * 为决策指标选择较高或较低的百分位数 * 与运行限值保持明确裕量 * 为所选百分位数或超限率提供置信区间 * 要求结论在多个模型假设或数据周期下保持稳定 * 将跨越安全、服务、质量或设备阈值的任何场景升级处理 * 将定量结果与领域专家对未建模条件的评审相结合 选定的方法应说明所保护的结果、覆盖条件、证据质量和责任评审人。从狭窄场景集中得到的高百分位数，仍可能遗漏重要运行条件。 ## 将仿真集合用于韧性与安全问题 ### 数据中心热韧性 有效的场景族可以改变 IT 负载、冷却单元可用性、气流遏制条件、送风温度、风机行为和恢复时序。评审指标可以包括机架入口裕量、热点位置、温升速率和达到约定限值的时间。 技术采购团队应检查可信降级状态和增长条件下的场景覆盖。保守评审可以重点关注采取行动的时间裕量，以及反复达到临界状态的机架或区域。 ### 洁净室气流与探测保障 洁净室场景族可以改变释放位置、源行为、局部排风条件、设施通风状态、门状态和探测器布置。重复运行可以探索不确定的源时序、强度或方向。 评审指标可以包括探测时间、未探测区域、局部排风捕集行为、约定位置的浓度，以及对通风降级的敏感性。研究应保留安全责任和现场特定的确认要求。 ### 区域供热规划 区域供热场景族可以改变室外温度、建筑需求、风、网络状态、泵阀策略、热源可用性和预热时序。评审指标可以包括各分区的服务状态、回水温度行为、失衡、压力裕量以及扰动后的恢复情况。 保守评审可以突出运行裕量最小的天气与需求组合，并识别在哪些位置改善测量或开展针对性水力平衡研究能够产生最大价值。 ### 生产与机器人 生产场景族可以改变布局、包装类型、摩擦、速度、缓冲区状态、任务时序、机器人初始化和设备可用性。评审指标可以包括任务完成、碰撞、交接稳定性、净空、排队、恢复行为和任务变化。 在 Physical AI 工作中，重复仿真还可以支持策略训练和评估。证据材料应清楚区分训练变化、评估场景、仿真到现实 (sim-to-real) 检查和验收标准。 ## 检查仿真集合的规模是否充足 运行次数取决于决策指标、变异性、尾部行为和所需可信度。缺少收敛证据时，固定次数本身所能说明的内容很有限。 技术采购团队可以询问： * 随着运行次数增加，中位数或所选百分位数是否趋于稳定？ * 尾部案例是否有足够样本来支撑预期决策？ * 重要场景维度及其交互是否得到覆盖？ * 是否有意纳入了罕见但可信的工程条件？ * 增加抽样是否会显著改变结论或优先级？ * 计算近似、代理模型或降阶方法是否针对预期指标经过确认？ 项目可以根据所用方法展示收敛图、区间宽度、重复批次或留出对比。相比场景的相对优先级排序，后果严重的概率陈述需要更深入的统计设计与评审。 ## 找出值得重点关注的输入 敏感性分析将输出变化与输入变化连接起来。它帮助团队识别哪些测量、控制、资产或假设对决策指标影响最大。 这能够产生实际价值： * 优先部署会因不确定性改变决策的传感器 * 将校准重点放在影响显著的物理参数上 * 识别对运营具有明显调节作用的控制项 * 缩小低价值场景维度的范围 * 揭示需要组合场景处理的交互 * 将详细工程分析或实体测试指向最大的证据缺口 敏感性应在可信输入范围内评估。当所选范围过窄，或缺少与其交互的条件时，某个参数可能会显得影响很小。 ## 保留评审责任 仿真集合可以产生大量图表和汇总统计。明确责任可以让证据转化为行动。 评审记录应指定： * 决策问题的负责人 * 负责场景覆盖的工程师 * 运营与测量数据的负责人 * 负责模型和抽样选择的分析人员 * 负责物理解读的领域评审人员 * 负责批准行动的安全、质量、运营或工程主管 每项不利或敏感条件都应通过研究结论连接到建议行动、优先级、负责人和所需的后续证据。 ## 场景覆盖评估清单 ### 决策与后果 * 所要保护的结果是否明确？ * 是否理解超过阈值可能产生的后果？ * 所选保守评审规则是否提前达成一致？ ### 场景设计 * 纳入了哪些负载、环境、设备状态、控制和扰动？ * 所选值和组合为何可信？ * 哪些条件仍在研究范围之外？ * 是否在适用情况下涵盖基线、降级、恢复和增长条件？ ### 抽样与不确定性 * 哪些输入保持固定、有意改变，或从某个分布中抽样？ * 每个范围或分布来自哪里？ * 中位数、百分位数、超限率和区间估计是否有充足抽样支撑？ * 哪些输入主导决策指标的变化？ ### 证据与行动 * 视觉对比是否使用一致的单位和比例尺？ * 哪些结论能够在合理变化下保持稳定？ * 哪些不利案例需要测量、校准、详细工程分析、测试或运营行动？ * 谁负责评审并批准每项结论？ ## 选择下一项评估工作 当运行条件、扰动、决策指标和评审责任仍需对齐时，可以开展**场景设计研讨会**。 当团队需要在投入更大规模仿真集合前识别影响显著的数据、参数和控制项时，可以开展**敏感性研究**。 当客户团队需要针对一项决策验证运行编排、数据准备度、结果汇总和评审工作流时，可以开展**仿真集合试点**。 当现场特定的量值、时序、裕量或概率需要更有力的证据时，可以开展**校准或确认研究**。[校准等级与仿真结论可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)说明了如何让结论与相应证据匹配。 使用[仿真证据评估指南](/resources/guides/how-to-evaluate-simulation-evidence)，可以评审从预期用途和输入，到指标、结论、行动与审批的完整证据链。 ## DataMesh 如何支持场景评审 [FactVerse Designer](/products/designer) 用于准备可复用的场景、运行状态、行为和场景变体。[Data Fusion Services](/products/dfs) 连接运营历史、测量标识、质量上下文和时间对齐。DataMesh 项目工作流可以跨场景族保留运行标识、物理场输出、指标、结论、行动和评审责任。 请参阅[工艺仿真与虚拟规划](/solutions/process-simulation)、[数据中心运营](/solutions/ai-agent-data-center)、[半导体厂务运营](/solutions/ai-agent-semiconductor)和[智慧区域供热](/solutions/heatops)，了解哪些面向市场的决策案例可以受益于结构化场景比较。 ## 公开参考 美国国家航空航天局 (NASA) 公开的[建模与仿真定义](https://public.ksc.nasa.gov/mns/ms-definitions/)从基于模型的决策角度定义了场景、敏感性分析、不确定性表征和结果稳健性。 美国机械工程师学会 (ASME) 的[不确定性量化简介](https://www.asme.org/getmedia/4b43ab5f-28c5-4403-aeb1-9286650ad7b1/vvuq-intro-module-part-4-uq.pdf)介绍了一个循环：表征不确定性、让不确定性通过模型传播、解读结果，再通过敏感性分析识别影响显著的不确定性。 美国国家标准与技术研究院 (NIST) 的[虚拟测量概述](https://www.nist.gov/itl/virtual-measurement)将不确定性量化描述为对影响数值仿真输出的不完整知识进行表征和沟通。 NASA 关于[建模与仿真使用](https://public.ksc.nasa.gov/mns/ms-use/)的公开指南提出了以下问题：数据来源与处理记录是否充分，不确定性如何传播到结果中，以及对结果敏感性的理解是否足够深入。 --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## 晶圆厂运营依赖稳定的厂务上下文 半导体晶圆厂对厂务稳定性的依赖不低于对生产设备的依赖。洁净室漂移、压差失衡、过滤器负载上升、冷冻水波动、CDA 压力变化、排风不稳定、维修延迟和工单分散，都会在团队形成统一判断之前积累运营风险。 [半导体厂务 AI](/solutions/ai-agent-semiconductor) 将 [Data Fusion Services](/products/dfs)、[FactVerse](/products/factverse)、[FactVerse AI Agent](/products/factverse-ai-agent) 与 [Inspector](/products/inspector) 应用于厂务运营层。它把洁净室信号、公辅系统、资产关系、告警、维修记录和现场执行连接成可复核的运营闭环。 生产配方、APC、良率分析、MES 和设备控制继续由晶圆厂既有系统与授权流程管理。DataMesh 聚焦厂务、维护和围绕现场运营产生的证据链。 ## 厂务孪生连接哪些内容 | 层级 | 运营上下文 | |---|---| | 洁净室分区 | ISO 等级、粒子、温度、湿度、压差、气流、房间层级和运营阈值 | | 公辅系统 | HVAC、冷冻水、CDA、真空、排风、配电、仪表、泵、风机、阀门和配套设备 | | 关键资产 | FFU、HEPA/ULPA 过滤器、冷机、泵、AHU、压缩机、排风设备、传感器、控制器、文档和维修历史 | | 告警与趋势 | 重复告警、异常模式、传感器漂移、压差变化、过滤器负载、振动、电流、运行时间和服务历史 | | 工作执行 | Inspector 工单、Checklist 任务、现场照片、读数、记录、审批、升级规则和关闭证据 | | 治理记录 | 建议来源、复核人、优先级、SLA、负责人、交班、验收标准、后续证据和审计记录 | 关键价值来自把每个信号映射到分区、资产、系统、责任团队和现场流程。一次粒子突增应当能追溯到洁净室上下文、气流和压差行为、过滤器状态、上游公辅设备、近期维修以及后续响应。 ## DataMesh 半导体厂务运营流程 1. **连接厂务数据源** - 接入 BMS、SCADA、PLC、历史数据库、环境监测、CMMS、EAM、IoT 传感器、设备遥测和工单系统。 2. **建立厂务孪生** - 在 FactVerse 中建模晶圆厂、洁净室、分区、公辅系统、资产、传感器、控制点、文档和工作责任。 3. **把信号绑定到上下文** - 通过 Data Fusion Services 将粒子、压差、温度、湿度、告警、能耗读数、设备健康和工单记录映射到正确分区与资产。 4. **复核漂移与风险** - 使用 FactVerse AI Agent 汇总异常趋势、重复告警、可能相关系统、优先级评分和建议动作，供人工复核。 5. **通过 Inspector 执行** - 将确认后的发现转为工单、现场任务、升级计划、交班记录、文档和验收记录。 6. **验证结果** - 对比处理后的读数、告警复发情况、维修证据、洁净室状态和运营复核结果。 这个流程让 AI 建议始终绑定在产生建议的数据、资产上下文和现场证据上。 ## 洁净室漂移与 ISO 证据 洁净室团队经常需要同时复核多个信号的细微变化。粒子数、温度、湿度、压差、气流行为、过滤器状态、开门事件、告警和维修活动，都可能解释漂移模式的一部分。 FactVerse AI Agent 可以为工程复核准备证据摘要：哪个分区受影响，哪些读数发生变化，压差梯度是否仍在容许范围内，FFU 或过滤器状态是否变化，类似告警是否重复出现，以及应当派发哪些现场检查。 ISO 14644-1 评估和客户现场自己的洁净室记录可以作为运营历史的一部分保存。软件承担的是证据结构化、状态复核和工单连接，合规结论仍按客户的质量体系、验证流程和责任人执行。 ## 公辅设备与预测性维护 厂务侧资产有自己的退化模式。泵、风机、压缩机、冷机、AHU、排风设备、阀门、传感器和过滤器，都可能通过压力、流量、振动、温度、电流、运行时间、告警历史和维修记录体现早期风险。 [预测性维护](/solutions/predictive-maintenance) 的闭环适合这类场景。FactVerse AI Agent 复核信号和资产上下文，Inspector 将确认后的发现带入工单与验证。团队可以按运营影响、洁净室依赖、紧急程度、重复告警和维修资源来排序。 跨班组运营尤其需要清晰的决策记录：发现了什么，为什么重要，谁复核，哪个现场团队接收任务，现场观察到什么，以及处理后状态是否改善。 ## 从告警到工单 半导体厂务运营需要受控的执行路径。一个实用的告警流程包括： - 传感器与校准时间检查 - 资产和分区上下文复核 - 可能原因摘要 - 优先级与 SLA 建议 - 负责人或角色分配 - 现场检查清单 - 照片、读数和纠正动作记录 - 验收与后续复核 [Inspector](/products/inspector) 和 [Checklist](/products/checklist) 提供这个闭环的执行侧。它们帮助团队把确认后的风险转为工单，采集现场证据，并保存后续复盘所需的关闭记录。 ## 能耗复核与 what-if 分析 半导体设施能耗强度高。公辅读数、冷却需求、气流要求、过滤器负载、泵和风机行为、运行排程，都需要和洁净室及维修上下文一起查看。 DataMesh 可以把能耗读数连接到系统、分区、资产和工单历史，支持厂务能源复核。FactVerse AI Agent 可以为工程团队准备 what-if 对比和风险摘要，例如某项维修是否可能减少重复告警，或某个排程调整是否需要结合洁净室约束复核。 节能、碳排报告和运营目标取决于客户基线、计量边界、工程规则和验证方法。DataMesh 流程提供的是可追踪的方案评估与结果记录方式。 ## 试点准备清单 启动前建议确认： - 洁净室分区、ISO 等级、运营阈值和厂务责任边界已经定义。 - BMS、SCADA、环境监测、PLC、历史数据库、CMMS、EAM 和工单系统具备可访问接口。 - 传感器名称、单位、时间戳、位置和资产映射足够稳定。 - 公辅系统和关键厂务资产可以在数字孪生中表达。 - 维修团队已约定复核、优先级、升级、SLA 和验收规则。 - 现场团队可以结构化记录读数、照片、备注和关闭证据。 - 试点指标基于可验证记录，例如复核时间、重复告警、工单关闭质量和处理后状态。 第一阶段适合选择范围可控的洁净室分区、公辅系统或反复出现的维修流程。这个范围应当具备明确的数据归属、频繁的运营问题和能够闭环执行的现场团队。 ## 公开参考 [FactVerse AI Agent 发布文章](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)介绍了 DataMesh 面向复杂运营环境的 AI Agent 定位，其中包括半导体设施。 [Gyro 半导体厂内物流参考](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)展示了数字孪生如何支持半导体与先进制造环境中的自动化规划验证。[Jebsee / 全一电子案例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)展示了使用 FactVerse 进行产线自动化规划。[Yokogawa 与 DataMesh 预测性维护参考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)展示了把工业信号转化为 AI 辅助维护复核的通用模式。 DataMesh 也在保密的半导体项目中应用类似的厂务运营模式。公开文案应说明能力与工作流，同时按已获批准的公开范围处理客户名称和现场细节。 --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## 为什么工业资产需要新的准备层级 很多工业企业已经拥有 CAD 文件、BIM 模型、扫描数据、三维场景和数字孪生可视化。这些资产适合设计评审、远程协作、培训资料和管理层沟通。进入 Physical AI 阶段后，资产还要能参与计算。 一条产线、一个洁净室、一个仓库、一个机器人工作站或一个包装工位，需要携带真实尺度、稳定坐标、对象身份、语义标签、物理假设、行为规则、流程状态，以及与运营数据之间的连接。这些层级一起准备好之后，资产才能进入仿真、机器人训练、合成数据、布局验证、流程演练和 AI Agent 推理。 NVIDIA 将 SimReady 描述为建立在 OpenUSD 之上的仿真就绪三维资产和数字孪生框架。对工业团队来说，它的实际价值在于把资产库从可视化内容推进到可复用的数字对象。 ## SimReady 资产应该具备什么 在工业场景中，一个 SimReady 资产应从多个层级评估： | 层级 | 需要准备的内容 | |---|---| | 几何与尺度 | 真实尺寸、原点、朝向、单位、细节层级和空间边界 | | 材质与外观 | 材质、贴图、光照表现、反射、透明度和表面类别 | | 物理属性 | 碰撞体、质量、摩擦、密度、关节、约束、运动范围和安全间距 | | 语义信息 | 设备类别、部件角色、功能区域、流程角色、资产 ID 和运营孪生关系 | | 行为逻辑 | 状态切换、启停规则、故障、恢复、联锁、路径和交互条件 | | 数据绑定 | PLC 信号、传感器值、告警、工单、MES 上下文、能耗数据和巡检记录 | | 验证记录 | 来源文件、版本、负责人、假设、质量检查、仿真发现和评审意见 | 这些结构让仿真团队知道对象如何运行，让机器人团队知道数据可以如何使用，也让运营团队能够把结果追溯到真实资产。 ## 行为逻辑为什么重要 物理属性描述对象如何移动、碰撞、旋转、滑动或受力。工业现场还依赖流程规则和业务状态。设备会按照控制逻辑和操作规程启动、等待、停止、报警、恢复、阻塞上游工位或放行物料。 [FactVerse Designer](/products/designer) 使用行为树和场景逻辑表达这些运营规则。包装设备、输送线、机器人工作站、洁净室区域或公辅设备，都可以携带状态切换、触发条件、流程节拍和交互规则。这让资产能够服务流程仿真、人员培训、机器人协同、安全演练、异常处置和 Physical AI 规划。 最有价值的工业资产，是同时具备属性、行为和约束的数字对象。它可以出现在工厂场景里，参与仿真，为合成数据提供标签，并持续连接运营记录。 ## DataMesh 工作流 1. **收集来源资产** - 汇集 CAD、BIM、三维模型、扫描数据、图纸、设备台账、工艺文件和控制系统上下文。 2. **统一场景结构** - 在 FactVerse 中对齐尺度、坐标、层级、命名、对象身份、位置和版本规则。 3. **补齐工业语义** - 绑定设备类别、流程角色、功能区域、资产 ID、上下游关系、文档和负责人。 4. **准备物理上下文** - 根据仿真目标定义碰撞体、质量、摩擦、关节、运动约束、通行区域、机器人区域和安全边界。 5. **编排行为逻辑** - 用 Designer 定义状态切换、作业步骤、联锁、故障、恢复路径、路线规则和场景变体。 6. **连接运营数据** - 场景需要 PLC 信号、传感器值、告警、工单、生产状态、能耗上下文或巡检历史时，使用 Data Fusion Services。 7. **准备 OpenUSD 路径** - 使用 FactVerse Adaptor for NVIDIA Omniverse，把场景结构、元数据、行为上下文和资产准备结果带入 OpenUSD 与 Omniverse 工作流。 8. **验证并治理** - 在加入可复用资产库前，评审渲染、物理、行为、标签、场景覆盖和下游仿真结果。 这个流程把一次性建模项目转化为资产体系。每个对象都有清晰负责人、数据来源、质量状态和复用路径。 ## SimReady 资产库能带来什么 对大型工业企业来说，长期价值来自可复用的运营对象库： - **包装设备**：包含节拍、状态、上下游关系、故障逻辑、物理边界和流程行为。 - **机器人工作站**：包含作业范围、安全区、传感器布局、抓取目标、任务序列和协同规则。 - **输送与物流资产**：包含方向、速度、阻塞规则、交接逻辑、路线状态和数据绑定。 - **洁净室与受控环境**：包含设备布局、访问路径、气流约束、维护路线、能耗上下文和风险规则。 - **仓储区域**：包含货架、通道、托盘、暂存区、移动设备路径和物流流程状态。 当资产完成标准化、对象化、行为化和物理化，团队就可以在产线规划、工厂改造、人员培训、机器人导入、异常演练、能耗分析和 AI 训练中持续复用。 ## 在 Physical AI 和世界模型中的作用 Physical AI 系统需要高质量的数字世界。这个世界需要空间、对象、语义、物理、行为、流程状态和数据。SimReady 资产就是构建这类环境的可复用生产资料。 对机器人来说，训练和验证质量会直接受到资产质量影响。机器人可以使用视觉数据训练，但工业任务还经常需要温度、压力、震动、设备状态、工单状态、安全区域和流程约束等不可见上下文。FactVerse 可以把这些上下文带入数字孪生，Omniverse、PhysX、Newton 及相关仿真工作流可以支持渲染、物理、传感器仿真和机器人评估。 因此，SimReady 资产准备是合成数据生成、机器人任务演练、工厂布局规划、流程验证和 AI Agent 工作流的基础。 ## 典型应用场景 - **产线与包装流程验证**：在实体改造前测试设备布局、物料交接、人员通行、机器人交互和流程节拍。 - **合成数据生成**：从带有语义和物理上下文的资产中生成 RGB、深度、分割、位姿、轨迹和场景状态数据。 - **机器人仿真**：为下游仿真环境准备工作站、移动路线、安全区域、操作目标和流程规则。 - **工厂与仓储规划**：比较产线布局、物流路线、缓冲区、仓储布局和物料流假设。 - **人员培训与异常演练**：利用带行为逻辑的资产演练开机、停机、故障响应、维护步骤和安全流程。 - **设施与能源分析**：连接资产、区域、仪表和运营状态，让设施团队在更清晰的来源上下文中评估场景。 ## 治理检查清单 - 记录来源文件、负责人、授权方式和版本历史。 - 校验单位、尺度、坐标、原点和朝向。 - 确认资产身份与运营数字孪生和企业资产台账一致。 - 语义标签遵循设备、区域、部件和流程角色的受控词表。 - 物理假设与对应的仿真目标一起记录。 - 行为逻辑包含命名状态、触发条件、节拍、故障和恢复路径。 - 数据绑定包含来源系统、单位、时间戳、刷新规则和质量状态。 - 仿真结果可以追溯到资产版本、场景版本、假设和评审人。 资产评审应按照工程制品管理。一个有价值的 SimReady 资产库，需要质量门禁、负责人、版本机制和持续改进路径。 ## 公开参考 NVIDIA 的 [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html)、[SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) 和 [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) 提供了基于 OpenUSD 构建仿真就绪资产的公开技术背景。 NVIDIA 的 [Omniverse 页面](https://www.nvidia.com/omniverse/) 将 Omniverse 描述为面向工业数字孪生和 Physical AI 仿真应用的 libraries 与 microservices。 [FactVerse 与 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 公告和 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 体现了 DataMesh 在仿真数字孪生、OpenUSD 工作流和 Physical AI 准备方向上的公开进展。 --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## 机器人需要带工业上下文的训练场 机器人学习质量取决于训练环境是否带有真实现场的运营上下文。一个有用的虚拟训练场需要在几何外观之外继续表达设备身份、真实比例、材质、碰撞边界、任务步骤、传感器配置、工艺状态、安全区域，以及日常工作中会出现的各种变化。 SimReady 资产提供可复用的仿真就绪对象。[FactVerse Designer](/products/designer) 帮助团队把这些对象组织成虚拟工厂、仓库、机器人工作站、巡检区域、洁净室和物流路线，并加入行为逻辑和场景变体。[DataMesh Robotics](/products/robotics) 再将场景连接到合成数据生成、任务定义、奖励设置和下游机器人仿真工作流。 实际目标是加快 Sim-to-Real 迭代：构建更好的数字世界，测试更多任务变化，将仿真结果与现场试验对比，并在真实证据暴露差距后更新场景。 ## 工业现场的 Sim-to-Real 难点 工业机器人任务会同时受到多层因素影响： | 层级 | 影响机器人行为的因素 | |---|---| | 几何 | 通道宽度、设备位置、货架布局、净空、地面坡度、工作包络 | | 材质 | 反光、透明度、摩擦、表面磨损、包装纹理、光照响应 | | 传感器 | 相机姿态、视场、标定、遮挡、噪声、深度质量、LiDAR 覆盖 | | 工艺状态 | 设备状态、运动部件、路线阻塞、托盘位置、工作步骤、异常状态 | | 语义 | 对象类别、资产 ID、安全区、任务角色、路线类型、巡检目标 | | 人员上下文 | 操作员移动、维护通行、叉车流线、受限区域、班次模式 | | 控制约束 | 速度限制、停止规则、交接时机、联锁、恢复步骤、碰撞边界 | 好的 Sim-to-Real 准备会把这些层级显式表达出来。机器人训练团队可以有意识地调整这些变量，减少实体试验阶段才暴露的差异。 ## SimReady 资产是训练构件 SimReady 工业资产同时携带几何和运营含义。面向机器人训练，关键字段包括： * 准确比例、原点、朝向和碰撞几何 * 面向感知训练的材质与光照行为 * 语义类别、资产 ID、功能角色和场景关系 * 摩擦、质量、关节范围、运动限制等物理假设 * 打开、关闭、阻塞、运行、停止、告警、维护等状态变量 * 抓取点、巡检目标、停靠区域和安全接近区域等任务可操作性 * 将仿真结果连接回资产库的版本记录 资产准备到这个程度后，机器人训练场景更容易复现、调整和复核。 ## Designer 把资产组织成虚拟训练场 Designer 的价值在于帮助机器人训练团队围绕完整场景工作。团队可以用 Designer 准备： * 设施布局、产线、仓储区域、机器人单元和巡检路线 * 面向设备状态、对象移动、任务序列和异常处理的行为树逻辑 * 启动、停止、阻塞、恢复、路线变化和交接事件的时间线场景 * 面向新设备、通道变化、暂存区、货架、输送线或工装夹具的布局变体 * 面向感知、巡检、移动导航和操作员复核的传感器与视角规划 * 可供合成数据生成和下游仿真工具使用的场景库 这样机器人团队、运营团队和仿真团队可以围绕同一个虚拟训练场进行复核。 ## DataMesh Sim-to-Real 工作流 1. **选择机器人任务** - 定义目标机器人、环境、传感器、任务目标、安全边界和成功指标。 2. **准备 SimReady 资产** - 将 CAD、BIM、三维模型、扫描和运营记录转化为带比例、语义、物理假设和状态变量的资产。 3. **搭建虚拟训练场** - 使用 Designer 组织布局、工艺流、路线、行为逻辑和场景变体。 4. **定义变化规则** - 调整光照、对象摆放、资产状态、路线阻塞、材质外观、传感器姿态和工艺时序。 5. **生成训练数据** - 生成 RGB、深度、分割、边界框、姿态、轨迹、场景状态标签和任务元数据。 6. **运行仿真与评测** - 将场景资产和数据集导入机器人训练、Isaac Sim / Omniverse 或其他仿真栈。 7. **对比现场试验** - 使用实体测试结果、操作员记录、失败案例和传感器日志识别差距。 8. **更新场景与资产库** - 为下一轮迭代调整几何、材质、物理假设、标签、行为逻辑和变化规则。 当每个数据集和仿真结果都能追溯到场景版本、资产版本、任务配方和现场证据时，闭环会更可靠。 ## 哪些环节会提升迁移质量 虚拟训练场可以在多个实际环节提升 Sim-to-Real 准备度： * **感知鲁棒性** - 在光照、材质、遮挡、姿态、距离和背景变化中生成带标签样本。 * **导航覆盖度** - 测试路线、阻塞通道、暂存区、停靠点、人车交叉和安全区域。 * **操作任务准备** - 调整对象姿态、抓取目标、工装位置、接触表面、摩擦假设和交接时机。 * **巡检可重复性** - 标准化视角、目标资产、缺陷状态、面板位置、仪表读数和通行约束。 * **任务恢复** - 复现故障、路径阻塞、对象缺失、告警状态、急停和重启条件。 * **运营复核** - 让机器人、安全、设施和生产团队在实体试验前复核同一场景。 效果最好的项目通常都有紧密的仿真覆盖与真实现场反馈循环。 ## 应该评测什么 Sim-to-Real 需要工程指标： | 评测区域 | 示例指标 | |---|---| | 数据集质量 | 类别覆盖、标签一致性、姿态分布、遮挡覆盖、光照变化 | | 仿真可信度 | 比例误差、碰撞质量、材质假设、传感器模型、路线时序、状态覆盖 | | 任务表现 | 成功率、完成时间、人工介入次数、恢复率、失败类型 | | 迁移质量 | 仿真与实体结果差异、重复失败模式、现场修正次数 | | 治理 | 场景版本、资产版本、生成配方、复核人、审批状态、现场证据链接 | 这些指标可以让虚拟训练场和机器人实际进展保持连接。 ## 产品分工 [DataMesh Robotics](/products/robotics) 聚焦工业合成数据、任务准备、标签输出、奖励设置和机器人管线集成。 [FactVerse Designer](/products/designer) 准备虚拟训练场：布局、行为树、时间线仿真、任务场景、工艺状态和场景变体。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 将 FactVerse 场景上下文连接到 OpenUSD 与 Omniverse 工作流，用于渲染、物理仿真、传感器仿真和专业机器人工具。 [FactVerse](/products/factverse) 与 [FactVerse Twin Engine](/products/factverse-twin-engine) 保留训练场背后的运营数字孪生上下文：资产、空间、系统、元数据、权限和场景记录。 [Data Fusion Services](/products/dfs) 在训练场景需要设备状态、告警、生产信号或设施上下文时接入实时和历史运营数据。 ## 准备度检查清单 * 机器人任务是否定义了成功指标和安全边界 * 目标环境、资产、路线和工艺状态是否已限定范围 * SimReady 资产是否准备了比例、语义、物理假设和状态变量 * Designer 场景是否按任务、变体和复核目的组织 * 传感器、视角、标定假设和噪声模型是否有记录 * 变化规则是否来自真实现场条件 * 数据集输出和标签是否在生成前定义清楚 * 仿真结果是否能追溯到场景版本和资产版本 * 实体试验反馈是否能回到场景更新流程 ## 公开参考 [DataMesh Robotics 发布内容](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)说明了 DataMesh 在可执行工业数字孪生、合成训练数据、任务目标、奖励设置和机器人管线准备上的公开方向。 [SimReady 资产指南](/resources/guides/simready-assets-industrial-digital-twins-physical-ai)介绍工业资产携带几何、语义、物理、行为和数据绑定并服务 Physical AI 的方式。 [工业 Physical AI 与机器人合成数据指南](/resources/guides/industrial-synthetic-data-physical-ai-robotics)覆盖更完整的数据集生成管线。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)和 [FactVerse 与 NVIDIA Omniverse 平台文章](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)展示了 FactVerse、Omniverse、仿真数字孪生和 AI 驱动机器人训练的公开方向。 --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## 厂内物流依赖真实空间 仓储与工厂物流发生在真实空间中。一个存储策略在表格里可能很清楚，但现场结果取决于通道宽度、叉车转弯半径、装卸口排队、充电位置、人车交叉、暂存能力、输送线交接节拍，以及操作员如何处理异常。 自动化规划会进一步放大这些问题。团队在投入资本、移动设备或影响现场作业之前，需要讨论 AGV/AMR 路线、输送线调整、存储密度、线边配送、补料窗口和安全区域。静态图纸、表格和流程图都有价值，但很难让所有相关方看到同一个运营现场。 运营数字孪生提供共享的空间层。它把仓库区域、物料路线、设备、作业区、规程、运营记录和场景假设连接起来，让规划团队、自动化供应商、安全团队、培训团队和运营负责人在同一环境里评审。 ## 需要建模的对象 有用的厂内物流孪生应从实际运营对象开始： | 层级 | 示例 | |---|---| | 空间 | 装卸口、收货区、存储区、线边区、暂存区、发货区、隔离区、充电区 | | 路线 | 叉车路径、AGV/AMR 路径、输送线、人行交叉、应急通道、维护通道 | | 资产 | 货架、输送线、门、闸机、车辆、充电设备、传感器、扫码器、安全装置 | | 作业规则 | 拣选、补料、装车、卸货、排序、巡检、异常处理、班次交接 | | 事件 | 路线阻塞、取货延迟、缓存满、托盘损坏、设备故障、安全停机、漏扫 | | 记录 | 巡检发现、工单、照片、操作员备注、培训结果、场景版本 | 关键是可追溯。路线、货架、装卸口、车辆、工单和场景应在规划、培训、巡检和运营复盘中指向同一套资产和位置身份。 ## 自动化投入前的规划 在自动化投入前，团队需要先回答一些基础问题： * 装卸口、暂存区、存储区和线边缓存位置是否合适 * 叉车路径、人行路径、AGV/AMR 路径是否冲突 * 新的输送线、提升机、闸口或充电区是否影响维护通道 * 收货、拣选、发货或线边供料高峰时，哪里会排队 * 操作员是否能看到、到达并处理常见异常点 * 哪些方案值得进入供应商工程验证、详细仿真或现场试点 [FactVerse DLC](/products/factverse-dlc) 为交付团队提供可复用的仓储物流内容，例如仓库区域、运输路线、存储空间和运输线资产。[FactVerse Designer](/products/designer) 则帮助团队把这些资源调整到真实现场，比较布局变体，并创建可复核的场景。 价值在于减少现场扰动前的沟通成本。数字孪生评审可以淘汰弱方案，帮助自动化供应商获得更清楚的需求，也让运营团队更直观看到新布局对日常作业的影响。 ## 场景验证 仓储与厂内物流验证应聚焦团队能够采取行动的决策： * 路线冲突和净空问题 * 装卸口、暂存区和缓存容量 * 叉车、AGV、AMR、输送线和操作员交接点 * 应急通道和安全边界复核 * 补料节拍和线边配送假设 * 设备摆放、充电位置和维护通道 * 货损、通道阻塞、漏扫或设备故障等异常流程 在这个阶段，数字孪生更适合作为方案评审层：先筛选布局与路线选项，定位需要深入仿真的问题，并整理供应商工程验证、现场试点和作业规程设计所需的证据。 ## 培训与安全演练 厂内物流项目会改变人员在现场的移动方式。操作员可能需要新的路线、装卸顺序、扫码步骤、安全检查或异常处理方法。培训应使用与规划一致的空间上下文。 [Simulator](/products/simulator) 在培训依赖车辆行为、路线纪律、物理控制、安全规则和考核记录时很有价值。叉车类培训可以帮助操作员在可重复场景中练习移动、转弯、载荷处理、视野判断和异常响应，再进入真实设备周边作业。 [Director](/products/director) 和 [Inspector](/products/inspector) 可以支持引导规程、巡检、问题捕获和现场证据。这让培训和执行连接起来：路线、资产、检查项、照片、问题和工单记录都绑定到同一个运营数字孪生上下文。 ## 从规划走向作业执行 当仓储数字孪生从评审场景进入日常运营后，价值会进一步放大： 1. **映射现场** - 将装卸口、区域、通道、货架、输送线、设备、作业区和路线名称对齐到客户资产记录。 2. **创建场景** - 使用 Designer 和仓储 DLC 资源搭建布局方案、运输路线、暂存区、安全边界和运营视图。 3. **跨团队评审** - 让运营、工程、安全、IT、自动化供应商和培训团队在同一场景中讨论。 4. **准备培训** - 把通过评审的路线、规程和异常案例转化为操作员培训和引导式作业内容。 5. **连接记录** - 通过 Data Fusion Services 和 FactVerse 绑定设备状态、工单记录、巡检数据、文档和运营事件。 6. **执行并留证** - 使用 Inspector 记录巡检、问题、照片、维修备注、验收步骤和工单状态。 7. **准备 AI 复盘** - 当数据和流程稳定后，FactVerse AI Agent 可以支持分诊、建议和作业执行复核。 这个序列让规划、培训和执行保持连接。模型从可视化资产成长为团队可复核、可持续维护的运营上下文。 ## 数据与 AI 准备度 AI 辅助物流运营需要稳定上下文。在让 AI Agent 分析路线、瓶颈、工单或设备状态前，现场需要一致的身份和记录： * 站点、建筑、楼层、区域、通道、装卸口、货架和线边区的位置层级 * 输送线、车辆、扫码器、闸门、充电器、传感器和安全设备的资产身份 * 路线定义和允许作业区域 * 延迟、故障、路线阻塞、缓存满、安全停机和漏扫等事件定义 * 绑定到资产和位置的工单与巡检记录 * 绑定到岗位、规程、路线和设备的培训记录 * 数据质量状态、负责人、更新节奏和异常处理规则 有了这个基础，AI Agent 可以支持实际工作：总结重复问题、提示缺失上下文、建议下一步检查、把告警连接到工单，并帮助团队复盘运营模式。调度逻辑和最终运营决策应继续由客户系统、规程和负责团队治理。 ## 产品分工 [FactVerse DLC](/products/factverse-dlc) 提供可复用的仓储物流内容，用于区域、路线、存储空间、运输线、规划场景和培训场景。 [FactVerse Designer](/products/designer) 是布局变体、物料路线、场景视图、标签、面板和相关方评审的编排环境。 [DataMesh FactVerse](/products/factverse) 与 [FactVerse Twin Engine](/products/factverse-twin-engine) 保存运营数字孪生上下文，包括空间、资产、关系、路线、作业对象、权限和场景记录。 [Data Fusion Services](/products/dfs) 将运营数据、企业记录、设备状态、文档和事件流连接到正确的孪生对象。 [Simulator](/products/simulator) 在路线纪律、车辆行为、物理控制和考核记录重要时，支持设备操作员培训。 [Inspector](/products/inspector) 将数字孪生连接到巡检、问题、照片、维修备注、工单、验收记录和现场证据。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以在数据模型、事件和流程记录成熟后，支持运营复盘和作业执行准备。 ## 准备度检查清单 * 仓储区域、装卸口、货架、通道、暂存区和线边区命名是否一致 * 路线、人行交叉、安全区域和维护通道是否已经定义 * 叉车、输送线、AGV、AMR、充电器、扫码器、门和闸机是否作为资产管理 * 布局变体是否绑定到明确的业务问题 * 异常案例是否在培训和现场上线前写清楚 * 巡检点、问题类别、工单交接和证据字段是否已经定义 * 操作员培训场景是否连接到真实路线、规程和设备 * 数据负责人、更新节奏和数据质量状态是否清楚 * AI Agent 场景是否建立在稳定的资产、路线、事件和工单记录之上 ## 公开参考 [仓储物流 DLC 更新](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) 展示了 FactVerse 内容如何支持物流环境、路线、布局和运营场景。 [Gyro 厂内物流案例](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) 展示了数字孪生如何帮助团队理解、验证和实施厂内物流自动化方案。 [全一电子产线自动化规划案例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) 展示了 FactVerse 如何帮助团队围绕产线变化沟通并评审自动化方案。 [DataMesh Simulator Platform 发布信息](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) 展示了基于数字孪生的操作员培训和设备仿真的公开方向。 --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI 从真实运营上下文开始 工业 AI 真正发挥作用时，必须理解决策发生的现场。一座设施、一条产线、一个数据中心、一个公辅机房、一个仓库或一个施工现场，都有资产、空间、信号、人员、规程、物理约束和审批规则。Physical AI 把这些层级带入决策流程。 对 DataMesh 来说，Physical AI 是围绕可执行数字孪生构建的运营能力。孪生体保存物理上下文，AI 支持分析和建议，仿真帮助团队比较可能结果，一线应用把通过评审的工作带入巡检、工单、培训或操作规程，验证记录再回到孪生体。 这个闭环很重要，因为工业决策会直接影响真实世界。一个建议需要结合资产上下文、运行状态、空间约束、流程依赖，以及清晰的执行路径。 ## Physical AI 的核心层级 | 层级 | 贡献 | |---|---| | 运营数据 | BMS、SCADA、IoT、MES、CMMS、EAM、仪表、告警、工作历史和文档 | | 物理上下文 | 场地、建筑、楼层、区域、系统、设备、路线、安全区域和通行约束 | | 行为与流程逻辑 | 状态变化、依赖关系、规程、节拍、异常和工作流规则 | | 仿真与场景复核 | 布局比较、流程验证、物理假设、培训场景和机器人准备 | | AI 决策智能 | 异常复核、预测、证据摘要、方案比较和下一步行动建议 | | 执行工作流 | 巡检、工单、引导规程、培训、验收记录和现场证据 | 成熟的 Physical AI 体系会让这些层级保持连接。AI 才能使用工程和运营团队已经熟悉的资产名称、运营关系和证据记录。 ## DataMesh 运营闭环 1. **连接数据** - Data Fusion Services 把工厂系统、设施系统、企业平台、仪表、传感器和文档中的运营数据带入共享上下文。 2. **构建可执行孪生** - FactVerse 和 Twin Engine 组织资产、空间、关系、实时状态、行为逻辑和场景记录。 3. **编排并仿真场景** - Designer 与 Omniverse 相关工作流帮助团队复核布局、流程、设备运动、包装行为、机器人路径和培训场景。 4. **通过 AI Agent 分析** - FactVerse AI Agent 复核信号、趋势、资产上下文和知识来源，支持诊断、排序和下一步建议。 5. **通过应用执行** - Inspector、Checklist、Director、Simulator 和 DataMesh One 将通过评审的决策转化为工单、引导任务、培训和现场记录。 6. **复核结果** - 完成状态、备注、照片、验收记录、异常和运营结果回到孪生体中，用于复盘和改进。 Physical AI 应该作为闭环来规划。价值来自分析、验证、执行和复核之间的连接。 ## 它与一般运营 AI 的差异 一般 AI 可以总结文档、回答问题或生成报告。工业 Physical AI 还需要运营上下文：涉及哪台设备、位于哪个区域、属于哪个系统、哪些信号相关、哪个流程状态重要，以及建议如何进入受控工作流。 以水泵告警为例，它可以关联到水泵资产、上下游设备、历史工单、当前运行状态、空间位置、巡检路线、安全区域和维护规程。AI 可以在更完整的证据基础上辅助复核，孪生体则让决策始终落在真实现场上下文中。 同一模式也适用于设备维护、能源分析、流程仿真、人员培训、设施管理、施工指导和机器人工作流。 ## DataMesh 产品如何协同 [FactVerse](/products/factverse) 是平台基础，把孪生执行引擎、AI 决策引擎、数据服务、创作工具和一线应用连接到一个运营架构中。 [FactVerse Twin Engine](/products/factverse-twin-engine) 是物理上下文层，把资产、空间、关系、行为逻辑、实时数据和工作流状态绑定到可执行孪生中。 [Data Fusion Services](/products/dfs) 为工业系统、设施系统、企业系统和文档准备运营数据基础。 [FactVerse Designer](/products/designer) 负责场景创作、行为建模、布局规划、流程逻辑、虚拟规划和仿真准备。 [FactVerse AI Agent](/products/factverse-ai-agent) 支持分析、诊断、预测、知识复核、建议摘要和决策交接。 [Inspector](/products/inspector)、[Checklist](/products/checklist)、[Director](/products/director)、[Simulator](/products/simulator) 和 [Robotics](/products/robotics) 将闭环延展到巡检、工作执行、引导规程、设备操作培训和 Physical AI 数据准备。 ## 典型起点 - **告警到工单闭环**：连接告警、资产上下文、巡检记录、AI 辅助分诊、工单和验证。 - **预测性维护闭环**：结合传感器趋势、运行上下文、维护历史、风险复核和现场执行。 - **设施能源复核**：连接仪表、设备状态、区域、巡检、工单和场景分析。 - **流程仿真**：在实体变更前比较布局、包装、物料流、机器人路径和人员通行。 - **设备操作培训**：使用数字孪生上下文和 Simulator 场景，支持围绕设备行为的可重复练习。 - **机器人准备**：为 Physical AI 和机器人工作流准备资产、场景、合成数据、标签和任务上下文。 起步场景应有明确范围、数据访问、负责人、评审路径和结果验证方式。 ## 评估清单 - 系统是否能把运营数据连接到资产、空间、系统和工作记录? - 孪生体是否包含物理上下文、行为逻辑、流程状态和版本历史? - 团队是否能通过仿真、场景比较或工程复核来审查拟执行行动? - AI 建议是否能进入巡检、工单、引导规程、培训或机器人工作流? - 运营人员和工程师是否能看到建议背后的证据? - 组织是否能记录审批、执行、异常和验证? - 同一上下文是否能长期支持设施运营、制造、培训、维护和仿真? 这些问题能帮助团队把 Physical AI 与真实运营保持连接。 ## 公开参考 [FactVerse AI Agent 发布文章](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) 说明了 DataMesh 面向复杂设施仿真驱动运营的公开方向。 [FactVerse 与 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 公告和 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 体现了仿真数字孪生、OpenUSD 工作流和 Physical AI 准备如何进入 DataMesh 的公开平台叙事。 [NIO 智能工厂](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC 合作](/about/news/collaboration-between-jtc-datamesh) 和 [横河预测性维护](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 提供了数字孪生上下文、设施运营和 AI 辅助维护主题的公开参考。 --- ## [GUIDES] ai-alert-to-closed-loop-work-orders ## AI 發現需要進入執行路徑 工業 AI 的價值最終體現在完成的營運閉環裡。一條發現需要經過複核決策、任務派發、現場動作、證據記錄和結果驗證，才能真正改善營運。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以在 7x24 小時環境中持續處理已連接的信號、告警、文件和工單歷史。它的發現進入數位孿生上下文，並交給負責執行的人和系統後，才會形成現場價值。 DataMesh 透過 [FactVerse](/products/factverse)、[Data Fusion Services](/products/dfs)、[Inspector](/products/inspector)、[Checklist](/products/checklist)、[Director](/products/director)，以及客戶既有的 CMMS、EAM、BMS、SCADA、ERP 和文件系統，連接這條路徑。 ## 閉環工單的流程 1. **發現** - AI Agent、規則、看板或既有系統識別異常趨勢、重複告警、漏檢、資產風險或營運異常。 2. **關聯上下文** - FactVerse 將發現連接到資產、空間、系統、即時值、文件、SOP 和工單歷史。 3. **複核** - 操作員、工程師或主管檢查證據、風險等級和建議動作。 4. **派發** - 已確認發現進入 Inspector、Checklist、CMMS、EAM 或其他核准系統，形成工單、巡檢、任務或指導流程。 5. **指導** - 現場團隊使用資產上下文、檢查表、數位 SOP、3D 操作指導、照片、手冊和安全說明完成任務。 6. **記錄** - 團隊記錄完成說明、讀數、照片、異常、備件、更換記錄、審批和驗證結果。 7. **學習** - 結果、被否決建議、重複事件和動作後讀數，回到資料品質複核和機器學習改進流程。 ## 工單裡應包含哪些資訊 工業工單需要給現場團隊足夠上下文，減少跨系統查找。工作項應攜帶資產、位置、系統關係、問題描述、證據、優先級、所需技能、安全說明、驗收標準和審批路徑。 建議包含： * 資產 ID、空間、系統和巡檢路線 * 觸發任務的 AI 發現、告警、巡檢結果或人工請求 * 源信號數值、趨勢截圖和時間窗口 * 相關文件、SOP、圖紙、手冊和備件資訊 * 建議檢查項、必填照片、讀數和驗收欄位 * 複核人、執行人、截止時間、優先級和升級規則 * 完成說明、異常原因、驗證讀數和結果標籤 這些欄位連接到數位孿生後，工單會成為營運記錄的一部分。 ## 產品如何協同 [FactVerse AI Agent](/products/factverse-ai-agent) 負責準備發現、整理證據、比較營運模式、生成建議，並跨班次持續觀察已連接回饋。 [FactVerse](/products/factverse) 和 [FactVerse Twin Engine](/products/factverse-twin-engine) 提供營運模型，管理資產、空間、關係、狀態、行為邏輯和工作流狀態。 [Data Fusion Services](/products/dfs) 連接源系統，將信號、告警、文件、工單記錄和企業資料映射為可用上下文。 [Inspector](/products/inspector) 管理告警、工單、派工、維護記錄、照片、驗證欄位和現場執行證據。 [Checklist](/products/checklist) 管理巡檢點、必填記錄、合規欄位和可重複的現場流程。 [Director](/products/director) 支援數位 SOP、3D 操作手順、培訓內容和複雜任務的逐步指導。 ## 與既有系統整合 多數工業團隊已使用 CMMS、EAM、BMS、SCADA、MES、ERP、票務系統和文件系統。工作流設計需要尊重系統歸屬。 Data Fusion Services 可以把這些系統的資料接入 FactVerse。Inspector 和已連接的執行系統負責派工、現場記錄和關閉流程。CMMS 或 EAM 可以繼續作為維護主記錄系統。FactVerse 補充資產上下文、空間上下文、AI 發現、現場證據和跨系統可視性。 ## 7x24 小時運行與回饋資料 FactVerse AI Agent 可以在 7x24 小時運行環境中處理已連接信號、告警、工單變化、巡檢記錄和現場回饋。 確認原因、操作員備註、被否決建議、已完成維修、照片、讀數和動作後結果，會形成後續分析資料集。機器學習可以用這些記錄評估建議品質、識別重複模式，並調優後續工作流。 ## 落地路徑 先選擇一個責任清晰、結果可見的工作流，例如某類關鍵設備、某條設施巡檢路線、某個資料中心資產組、某組換熱站、某個生產公輔系統或某個操作指導流程。 1. 定義任務和責任人。 2. 連接所需信號、文件、工單歷史和 SOP。 3. 在 FactVerse 中映射資產和空間上下文。 4. 確定誰複核 AI 發現，以及風險等級如何影響審批。 5. 將已確認發現進入 Inspector、Checklist、CMMS、EAM 或其他執行系統。 6. 採集現場證據和動作後讀數。 7. 複盤結果，在閉環穩定後再擴大範圍。 ## 評估清單 * 每條 AI 發現是否能追蹤到資產、空間、信號、文件和工作歷史 * 每條建議是否有複核人和執行去向 * 現場團隊是否能看到正確的 SOP、檢查表、安全說明和證據要求 * 完成說明、照片、讀數、異常和驗證結果是否被記錄 * 被否決建議和人工修正是否能保留複盤 * 結果記錄是否能支援機器學習評估和後續建議調優 ## 公開參考 [工作流數位化解決方案頁面](/solutions/workflow-digitization)介紹 DataMesh 連接告警、計劃任務、巡檢記錄、指導流程和工單的方式。 [FactVerse AI Agent 營運閉環指南](/resources/guides/factverse-ai-agent-industrial-operations-loop)介紹 AI 建議進入人工複核工業營運閉環的方式。 --- ## [GUIDES] ai-facility-management-operational-digital-twins ## 設施管理需要統一的營運上下文 大型設施通常由很多專業系統共同管理。BMS、EMS、儀表、警報、資產台帳、CMMS、EAM、BIM、圖紙、服務報告和巡檢記錄都描述了現場的一部分。日常難點在於，當問題出現、工單生成、能耗模式變化或管理層需要證據時，團隊要把這些分散資訊重新拼起來。 AI 智慧設施管理首先需要營運數位孿生。數位孿生把空間、資產、系統、資料、工作記錄、文件和現場執行連接起來，讓團隊能在同一上下文裡複核設施狀態。AI 再用於彙總異常、比較模式、起草建議動作和準備管理複盤。 這個模式適用於商業建築、園區、資料中心、工廠、公輔系統和高端製造設施。在先進製造場景中，設施團隊經常需要跨多個站點管理潔淨環境支撐系統、供配電、壓縮空氣、冷卻、排風、警報、巡檢和服務交接。共享的營運數位孿生可以為這些團隊提供穩定的複盤和執行上下文。 ## 設施數位孿生應該連接什麼 | 層級 | 營運上下文 | |---|---| | 空間 | 站點、建築、樓層、房間、區域、潔淨區域、服務走廊、通行路線和安全邊界 | | 系統 | HVAC、冷卻、供配電、照明、給排水、壓縮空氣、排風、消防、電梯和工藝公輔 | | 資產 | 設備台帳、資產編號、文件、服務負責人、維護計畫、保固資訊和備件引用 | | 訊號 | BMS 點位、儀表、感測器、警報、環境資料、歷史標籤和計算指標 | | 工作 | 巡檢、工單、整改動作、照片、現場說明、驗收記錄和驗證狀態 | | 能源 | 儀表讀數、EUI、負荷構成、運行時段、天氣上下文、設定值和改進方案 | | 語義 | Brick Schema 對齊的建築、系統、設備、儀表、感測器、點位和關係 | | 治理 | 來源負責人、資料品質、審批路徑、營運責任、版本和證據留存 | 當一個訊號可以追溯到受影響的空間、資產、系統、責任團隊和現場記錄時，數位孿生才會真正有用。 ## DataMesh AI 設施管理流程 1. **收集設施來源** - 彙總 BMS、EMS、儀表、IoT、歷史庫、資產台帳、CMMS、EAM、BIM/IFC、圖紙、巡檢計畫和服務報告。 2. **建立營運數位孿生** - 使用 FactVerse 和 Twin Engine 組織空間、資產、公輔系統、文件、路線、點位和工作上下文。 3. **連接資料管道** - 使用 Data Fusion Services 接入、清洗、標準化、計算資料，並把營運資料綁定到正確的孿生物件。 4. **組織設施語義** - 在適合的場景中使用 Brick Schema 對齊的關係，讓建築、區域、設備、儀表、感測器和點位擁有一致含義。 5. **使用 AI 輔助複盤** - 使用 FactVerse AI Agent 彙總異常能耗、重複警報、缺失記錄、維護模式和候選動作，供團隊複核。 6. **比較能耗方案** - 當團隊需要更深入的建築能耗建模和方案比較時，使用 EnergyPlus 相關分析流程。 7. **執行並驗證工作** - 使用 Inspector 建立巡檢、工單、派工、照片、維修說明、驗收記錄和驗證證據。 這個流程形成從訊號到分析、從分析到工作、從工作到驗證記錄的閉環。 ## AI 在哪裡產生價值 當設施上下文已經連接起來時，AI 的價值更明顯。FactVerse AI Agent 可以幫助團隊比逐個看 dashboard 更快地複核大量營運資料和工作歷史。 常見複盤模式包括： - 按空間、系統、資產、時間窗口和工單歷史整理重複警報。 - 按儀表、區域、資產組、天氣和運行時段複核異常能耗。 - 找出反覆維修、記錄不完整或驗收失敗的高維護資產。 - 複核需要設施、公輔和維護上下文共同判斷的潔淨區域環境漂移。 - 跨站點、服務團隊和資產類別分析工單積壓模式。 - 整理需要工程複核、成本上下文和現場驗證的改進候選項。 AI 的實際角色是輔助決策。設施團隊仍然需要責任人、審批規則、現場執行和驗證證據。 ## Brick Schema 與 EnergyPlus 如何配合 Brick Schema 為建築和設施資料提供一致的語義層。一個溫度點位可以連接到正確的感測器、區域、空氣系統和設備。一個儀表可以連接到它計量的系統或空間。一個工單可以連接到觸發它的資產、警報、文件和巡檢記錄。 這層語義結構可以提升維護、能耗分析、Green Mark 準備和管理複盤的可追溯性。它也能為 AI Agent 彙總問題和準備建議動作提供更清晰的上下文。 當團隊需要更深入的能耗分析時，可以引入 EnergyPlus。DataMesh 可以把 BIM/IFC、天氣資料、營運記錄和數位孿生上下文與 EnergyPlus 建築能耗模型連接起來，用於比較 EUI、負荷構成、運行計畫、設定值、改造方案和控制策略變化。 這些分析結果應該回到營運閉環中。團隊可以建立工單、記錄假設、採集現場結果，並把動作後的營運記錄與基線進行比較。 ## 從哪裡開始 好的起點通常是已經有設施資料、資產負責人和現場執行路徑的範圍： - 重複警報或服務責任不清晰的公輔系統。 - 需要能耗或舒適度複核的 HVAC 與冷卻系統。 - 需要共享環境漂移和維護記錄的潔淨環境支撐系統。 - 用於能源治理的儀表組和高負荷區域。 - 巡檢頻繁且現場記錄重複的設備。 - 需要統一資產類別和報表的多站點設施組合。 首個試點應該選擇可管理的資產組、一到兩個資料來源、清晰的工單路徑，以及設施團隊已經認可的複核指標。 ## 應該驗證哪些指標 AI 智慧設施管理應該基於站點自身基線驗證。常見指標包括： - 從警報或發現到人工複核的時間。 - 發現轉化為計畫性工作的比例。 - 工單關閉品質和證據完整度。 - 整改後的重複警報率。 - 能耗基線完整度和複核頻率。 - 重點資產和系統的資料映射覆蓋率。 - 一線團隊對引導流程和記錄採集的接受度。 - 跨站點、資產和服務團隊的管理複盤品質。 成熟專案會先驗證工作品質和決策可追溯性，再討論節省效果。 ## 公開參考 [JTC 與 DataMesh 合作](/about/news/collaboration-between-jtc-datamesh) 展示了數位孿生和混合實境在複雜設施和施工工作流中的應用。 [橫河預測性維護參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了工業設施中 AI 輔助維護複盤的公開方向。 [太古可口可樂維護參考](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 展示了一線培訓、維護流程數位化和現場記錄如何支撐執行。 [佛吉亞與億緯鋰能參考](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) 展示了營運可視化、能耗上下文和數位孿生工作流如何支持製造和設施改進專案。 --- ## [GUIDES] bim-cad-point-cloud-operational-twin-asset-pipeline ## 營運數位孿生需要可生產使用的模型資產 BIM、CAD、點雲和三維文件往往來自不同團隊和專案階段。設計模型保留設計意圖，CAD 文件描述設備、布局和機械細節，點雲記錄現場實際狀態，資產台帳、照片、圖紙和調試記錄補齊上下文。 營運數位孿生需要把這些來源整理成穩定的資產層。模型需要快速開啟，和現場對齊，連接真實資產身分，支援權限管理，並為資料綁定留下清晰目標。模型外觀精美只是起點，設施管理、施工指導、仿真和現場巡檢還需要可查找、可綁定、可更新的物件結構。 [FactVerse Designer](/products/designer) 與 [FactVerse Twin Engine](/products/factverse-twin-engine) 協助團隊把源模型轉化為可複用的營運數位孿生資產。這項工作同時涉及視覺與資料：清理幾何，保留必要語義，對齊現場，並準備可被應用引用的物件。 ## 不同源模型承擔不同任務 | 來源 | 在資產管線中的主要價值 | |---|---| | BIM | 空間結構、系統、設計意圖、設備位置、文件連結 | | CAD 與三維模型 | 設備幾何、生產布局、機械部件、供應商物件 | | 點雲 | 竣工採集、空間校核、改造證據、現場對齊 | | 圖紙與照片 | 補充缺失物件、通行路徑、隱蔽工程、維護區域上下文 | | 資產台帳 | 資產 ID、名稱、負責人、系統歸屬、維護責任、生命週期狀態 | | 營運資料 | 感測器、儀表、告警、狀態值、文件、巡檢記錄、操作手順 | 每個來源都應保留責任人、版本和審核狀態。現場發現衝突、業主詢問模型變化原因、仿真團隊確認場景假設時，這些來源記錄都很關鍵。 ## 匯入前的品質門檻 模型進入製作工具前，應先確認基礎條件： * 源文件責任人、授權範圍、匯出日期和審批狀態 * 單位、原點、朝向、座標系統和場地基準 * 專業範圍、樓層或區域覆蓋和模型版本 * 文件體量、物件數量、貼圖尺寸和目標執行環境 * 樓層、房間、系統、資產和設備類別的命名規則 * 敏感幾何、安全限制和角色權限要求 * 資產台帳、文件和營運系統的關聯需求 這些檢查可以減少常見問題：模型偏移、文件過大、設備重複、資產 ID 缺失、歸屬不清，以及幾何無法複用。 ## 為執行期準備幾何 營運應用面對的使用者通常並非原始建模團隊。模型需要被讀取、渲染、搜尋和持續更新。幾何準備通常包括： * 移除對目標工作流沒有幫助的施工細節 * 按場地、建築、樓層、區域、系統或設備組拆分大型模型 * 簡化重複物件，同時保留可識別形態 * 統一 BIM、CAD 與點雲來源的原點和座標參考 * 面向桌面、行動端、Web 和混合實境建立不同細節層級 * 保持物件層級穩定，便於標籤、篩選、權限和資料綁定 * 檢查通行區域、檢修空間、安全邊界和現場路線可視性 目標是讓模型運行流暢，同時保留維運團隊真正需要查找的物件。 ## 用點雲提升竣工可信度 當現場變化快於文件更新時，點雲特別有價值。它可以協助團隊比對目前設施與設計記錄，定位已安裝設備，確認服務區域周邊空間，並更新改造影響範圍。 點雲也能支援業主、承包商和設施團隊之間的溝通。當 BIM 物件、CAD 文件和現場掃描結果不一致時，團隊可以記錄差異，更新模型來源，並保留決策鏈路。 常見點雲複核內容包括設備位置、路線淨空、管線和橋架密集度、檢修空間、樓面標高、吊頂空間、機櫃布局和臨時工程。複核結果應轉化為明確的模型更新或例外記錄。 ## 把物件封裝為營運資產 資產管線完成的標誌，是物件可以參與營運。一台泵、一台 AHU、一台冷機、一個機櫃、一個機器人單元、一段包裝工位、一台吊裝設備或一個閥門，都應攜帶足夠上下文，便於應用識別和複用。 關鍵欄位包括： * 資產 ID 和顯示名稱 * 資產類別、系統、樓層、房間、區域和路線 * 源模型、源版本、複核人和審批狀態 * 文件連結、圖紙、手冊、SOP 和巡檢範本 * 感測器、儀表、告警、狀態值和工作記錄的資料綁定目標 * 顏色、標籤、顯隱和場景分組等視覺狀態規則 * 面向敏感空間、設備或客戶專屬布局的權限分類 這樣三維內容才能成為設施團隊、現場團隊、仿真團隊和 AI 工作流共享的營運物件庫。 ## DataMesh 資產管線 1. **匯集源資料包** - 收集 BIM、CAD、三維模型、點雲、圖紙、照片、資產清單、設備文件和營運系統引用。 2. **校驗模型基礎** - 檢查單位、座標、原點、文件體量、覆蓋範圍、物件層級、命名、歸屬和安全邊界。 3. **標準化並分段幾何** - 按樓層、區域、系統、工藝區域、設備組或執行期場景準備模型。 4. **對齊現場實際** - 使用點雲或現場記錄校核位置、淨空、通行條件和改造差異。 5. **建立營運物件** - 綁定資產 ID、類別、空間、系統、文件、巡檢範本和資料綁定目標。 6. **編排場景行為** - 在 Designer 中製作視圖、標籤、面板、場景邏輯、樓層切換、漫遊和彙報內容。 7. **發布到執行期** - 透過 Twin Engine 和 FactVerse 應用，讓資產用於視覺化、現場指導、監控、仿真和設施工作流。 8. **治理後續更新** - 隨著現場變化維護版本歷史、複核記錄、源文件歸屬和變更說明。 ## 準備度檢查清單 * 每個已發布模型是否能追溯到源文件和責任人 * 單位、比例、原點、朝向和場地座標是否已經校驗 * 模型是否按照目標應用進行了分段 * 樓層、區域、系統、設備和路線命名是否一致 * 資產 ID 是否與客戶資產台帳或維護系統對齊 * 敏感區域和客戶專屬幾何是否受存取規則保護 * 點雲發現是否已經轉化為模型更新或例外記錄 * 儀表板或 AI 工作流消費場景前，資料綁定目標是否已準備 * 設施發布後發生變化時，是否有明確更新路徑 ## 公開參考 [JTC 與 DataMesh 合作](/about/news/collaboration-between-jtc-datamesh)展示了 BIM 與混合實境如何幫助施工順序理解和一線執行。 [大林組施工參考](/about/news/digital-twin-empowers-bim-obayashi)展示了 BIM 資料與數位孿生內容如何支援施工過程複核。 [TOKYO TORCH XR 投影參觀](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq)展示了基於 BIM 的數位孿生視覺化如何用於規劃建築的利害關係人溝通。 [FactVerse 與 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)發布內容說明了 DataMesh 在仿真數位孿生和可互操作三維工作流上的公開方向。 --- ## [GUIDES] bim-to-operational-digital-twin ## BIM 進入營運後價值更大 BIM 為專案團隊提供了豐富的設計模型，但營運團隊需要的是能夠連接空間、資產、系統、任務、即時狀態和記錄的工作上下文。真正有用的問題是：模型如何在設計評審之後繼續支援決策，例如問題發生在哪裡，影響哪台設備，誰負責下一步行動，以及哪些證據能證明結果。 營運數位孿生把 BIM 和 3D 資產帶入現場與設施工作流。它把模型幾何與資產身份、空間層級、資料綁定、引導規程、巡檢記錄、工單和移交證據連接起來。模型成為施工團隊、業主、服務商和設施團隊共享的營運上下文。 這對 MEP 區域、設備間、改造樓層、密集管線走廊、資料中心、園區和複雜設施尤其重要，因為圖紙、照片、問題清單和系統資料通常分散在多個工具裡。 ## BIM 營運化之後發生什麼變化 | 層級 | 營運用途 | |---|---| | 空間層級 | 場地、建築、樓層、房間、區域、路線、通行區域和安全邊界 | | 資產身份 | 設備 ID、所屬系統、標籤、文件、負責人和維護責任 | | 系統關係 | 電力、冷卻、空氣、水、工藝、控制，以及上下游依賴 | | 資料綁定 | 感測器、儀表、告警、BMS、SCADA、IoT、CMMS、EAM 和歷史工作記錄 | | 現場工作流 | 安裝指導、調試檢查、巡檢、問題、工單和驗收證據 | | 設施工作流 | 監控、維護、能耗複核、改造規劃、應急回應和培訓 | | 治理 | 模型版本、資料來源、負責人、更新流程、品質複核和移交狀態 | 關鍵變化是從模型可見走向營運連續性。團隊可以在施工、調試、移交、日常維護和後續改造中使用同一套空間上下文。 ## DataMesh 工作流 1. **收集源模型和記錄** - 彙總 BIM、CAD、點雲、圖紙、設備清單、運維文件、調試記錄、問題日誌和現場照片。 2. **構建空間物件模型** - 使用 FactVerse 和 Twin Engine 組織建築、樓層、房間、區域、系統、資產、路線和關係。 3. **連接資料源** - 使用 Data Fusion Services 連接設施系統、企業系統、感測器、儀表、告警、文件和工作記錄。 4. **創作可用場景** - 使用 Designer 準備場景、標籤、面板、行為、樓層切換、系統視圖和場景演示。 5. **支援現場指導** - 使用 Director 和 DataMesh One 交付安裝指導、巡檢步驟、調試規程、培訓和利益相關方評審。 6. **採集執行記錄** - 使用 Inspector 採集問題、巡檢、照片、整改行動、工單、驗收備註和驗證狀態。 7. **延續到營運階段** - 隨著設施變化持續維護孿生，讓後續維護、能耗分析、改造和應急回應使用同一套資產與空間上下文。 目標是讓專案資料連續過渡為營運資料。 ## 優先受益的工作流 - **施工協同**：在 3D 上下文中複核 MEP 路由、密集設備區域、隱蔽工程、安裝順序和現場約束。 - **調試與移交**：把驗收記錄、照片、資產 ID、調試文件和遺留問題連接到對應房間或設備。 - **設施監控**：把即時狀態、告警、儀表資料和設備狀態綁定到孿生中，讓團隊理解事件發生的位置。 - **巡檢與維護**：把空間上下文轉化為巡檢、工單、照片、整改行動和閉環證據。 - **改造規劃**：在開工前複核受影響區域、通行路線、相鄰系統、設備關係和現場約束。 - **能源與永續複核**：連接區域、系統、儀表、資產關係和運行記錄，支援設施分析和 Green Mark 準備證據。 優先從空間上下文能解決真實交接問題的工作流開始。 ## DataMesh 產品如何協同 [FactVerse](/products/factverse) 為營運數位孿生提供平台基礎，連接資產、空間、資料、AI、模擬和工作流上下文。 [FactVerse Twin Engine](/products/factverse-twin-engine) 把 BIM、CAD、點雲和營運記錄轉化為應用可使用的執行時上下文。 [Data Fusion Services](/products/dfs) 把營運資料和業務記錄連接到孿生中，幫助把源資料映射到資產、空間、系統和工作流。 [FactVerse Designer](/products/designer) 準備場景、視圖、互動、場景說明和視覺化規劃內容。 [Director](/products/director) 支援引導規程、安裝指導、培訓和面向現場的說明。 [Inspector](/products/inspector) 管理巡檢、工單、問題閉環、維護證據和設施記錄。 這些產品共同幫助團隊從專案視覺化走向可工作的營運數位孿生。 ## 治理清單 - BIM、CAD、點雲和圖紙來源是否記錄了版本和負責人? - 建築、樓層、房間、區域、系統和資產命名是否一致? - 資產 ID 是否與企業資產記錄和維護系統對齊? - 資料綁定是否記錄了來源、單位、刷新規則和品質狀態? - 現場記錄是否連接到正確的空間、資產、任務和場景版本? - 移交文件、照片、問題、驗收備註和調試記錄是否可以從孿生中檢索? - 施工狀態或設施配置變化時，更新責任是否清晰? - 設施團隊是否可以用同一套上下文進行監控、巡檢、維護、改造和培訓? 這些檢查可以把模型轉換專案變成長期營運資產。 ## 公開參考 [JTC 與 DataMesh 合作](/about/news/collaboration-between-jtc-datamesh) 展示了 BIM 與混合實境如何支援施工順序理解和一線工作。 [大林組施工案例](/about/news/digital-twin-empowers-bim-obayashi) 展示了 BIM 資料結合混合實境支援施工流程。 [戶田 SAGA Arena 案例](/about/news/datamesh-toda-deployed-digital-twin-for-construction-simulation-of-the-saga-arena) 展示了數位孿生和混合實境用於施工方法模擬與驗證。 [TOKYO TORCH XR 投影導覽](/about/news/digital-twin-xr-projection-tour-of-tokyo-torch-torch-tower-successfully-concluded-by-datamesh-in-collaboration-with-mitsubishi-jisho-design-ntt-com-and-ntt-qonoq) 展示了基於 BIM 的數位孿生視覺化如何用於規劃建築的利益相關方溝通。 --- ## [GUIDES] calibration-levels-and-simulation-claim-confidence ## 證據越充分，結論越可信 校準可以讓模擬更能呈現特定設施、製程或營運條件。其證據強度仍取決於資料涵蓋範圍、比較方法、殘差與獨立檢查。僅依據一個營運期間內的單一溫度點進行調整的模型，與經過多個位置、負載、設備狀態及獨立確認期間比較的模型，具有不同的決策價值。 技術採購團隊需要一套簡明方法，將證據深度與合理結論連結起來。以下四個等級適合用於早期評估： | 證據等級 | 典型證據 | 適合支援的決策 | 合理的結論範圍 | |---|---|---|---| | 探索性 | 經過審查的幾何、工程假設、有記錄的輸入、基本品質檢查，以及主要變數的敏感性 | 概念篩選、方案比較、量測規劃、試點定義 | 在已說明假設下的方向性行為與相對比較 | | 基準比較 | 探索性證據，加上與公認、受控或供應商同意之參考案例的比較 | 方法適用性評估、工作流程選擇、已知行為檢查、基準可信度 | 相對於已定義基準及已測試變數的表現 | | 實測資料校準 | 具代表性的現場量測、選定的物理參數、校準目標、殘差、驗收限值及審查記錄 | 特定現場的模擬情境比較、校準範圍內的營運規劃、聚焦的假設情境分析 | 在已記錄校準範圍與剩餘不確定性內的量值、時序或裕度 | | 特定情境確認 | 已校準模型、相關條件下的獨立證據、穩健性檢查、不確定性審查及專業核准 | 後果較嚴重的規劃支援、韌性審查、工程優先順序、明確的營運決策 | 針對已確認變數、位置、條件及預期用途的結論 | 這套四級架構可支援技術採購評估。認證與核准仍取決於每個專案所定義的預期用途、嚴謹程度要求、領域審查及治理程序。 ## 校準將模型與觀察到的行為連結起來 模擬結合幾何、拓撲、物理關係、營運狀態、邊界條件與數值方法。部分輸入來自直接量測；其他輸入來自設計資訊、供應商文件、工程判斷，或仍帶有不確定性的假設。 校準會調整選定的不確定參數，使約定輸出更接近具代表性的觀察結果。例如： * 資料中心熱模型中的氣流阻力、洩漏或設備效能 * 區域供熱模型中的供水、回水、流量、壓力、建築熱需求或控制參數 * 無塵室擴散模型中的局部排氣流量、過濾器或風扇狀態、源項行為與邊界假設 * 生產與機器人模型中的質量、摩擦、阻尼、剛度、恢復係數、時序或接觸假設 校準目標應配合決策。機架入口熱裕度研究需要相關機架位置及營運負載下的證據。偵測器配置研究需要相關洩漏與通風條件下的時變濃度和反應證據。機器人交接研究需要與任務及資產狀態相關的運動與接觸證據。 ## 採用清楚可見的校準循環 ![量測資料、模型校準、比較、核准與驗證循環](/images/physics/district-heating-model-data-feedback.webp) *校準循環將具代表性的量測資料與模型調整、比較、專業審查，以及條件變更後的驗證連結起來。* 嚴謹的校準循環包含八個步驟： 1. **定義預期用途** - 明確說明決策、輸出變數、位置、時間範圍與錯誤可能造成的後果。 2. **確認量測資料適用性** - 審查偵測器識別資訊、單位、位置、取樣、同步、校準狀態、缺漏資料及營運狀態涵蓋範圍。 3. **執行基準模型** - 在調整參數前保留結果，讓審查人員能看到原始差異及校準造成的影響。 4. **選擇物理參數** - 調整與模型行為具有合理關係的參數，並記錄其允許範圍。 5. **定義比較目標** - 選擇用於評估符合程度的位置、期間、指標、權重及驗收限值。 6. **依據選定資料進行校準** - 記錄完整校準資料集上的參數變更、殘差、警告及符合程度。 7. **檢查獨立條件** - 與參數調整時預留的保留期間、營運狀態、測試或量測資料集進行比較。 8. **核准證據適用範圍** - 記錄條件、變數、殘差限值、不確定性、審查人員、所支援的決策及重新確認觸發條件。 這項記錄有助於技術採購團隊辨識可重複執行的工程研究，以及持續調整參數直到單張圖像看似合理的結果。 ## 將殘差作為證據解讀 殘差是量測值與對應模擬值之間的差異。單一平均值可能掩蓋重要行為，因此審查人員應從與決策相關的各個面向檢查殘差。 有用的檢視方式包括： * 依偵測器或空間位置顯示殘差 * 依時間及營運狀態顯示殘差 * 平均誤差與絕對誤差 * 系統性正偏差或負偏差 * 峰值條件與過渡期間的行為 * 重複或可變模擬情境中的離散程度 * 校準資料與獨立確認資料之間的比較 殘差驗收標準應在最終審查前定義。限值可以反映量測不確定性、營運容許範圍、變數對決策的重要程度，以及錯誤可能造成的後果。方向性方案篩選可以接受較寬的殘差；涉及特定現場閾值或時序時，則需要更嚴謹的證據。 ## 確保模型在校準資料以外仍具可信度 校準品質取決於證據涵蓋範圍。反覆使用同一份範圍狹窄的資料集調整參數，可以讓模型在該期間內高度符合，同時降低模型在其他條件下的可信度。 技術採購團隊應檢查以下證據： * 涵蓋影響決策的各個區域，並包含多個相關空間位置 * 能夠呈現預期決策範圍的營運條件 * 當研究涉及韌性時，納入過渡過程與降級狀態 * 物理上合理的參數範圍 * 對影響顯著參數進行的敏感性分析 * 獨立的期間、條件、基準或測試 * 在合理資料與參數變化下保持穩定的結論 模型應保留物理意義。當局部行為、守恆關係、方向、時序與系統關係也維持一致時，較佳的整體分數才具備實際價值。 ## 清楚區分校準與確認 校準使用選定證據調整不確定參數。確認則針對預期用途，將模型輸出與適當的獨立證據進行比較。用於參數調整的資料集所能提供的獨立證明有限，因此嚴謹的研究會為確認保留另一個期間、條件、基準或測試。 確認證據應說明： * 比較的變數與位置 * 所呈現的營運條件 * 量測或實驗的不確定性 * 殘差或比較指標 * 接受範圍與審查依據 * 結論所涵蓋的模型條件 * 已知不一致和尚未解決的風險 改善後的符合程度適用於已記錄的條件。新的幾何、設備、控制、負載、環境狀態或營運範圍可能需要新的比較證據。 ## 讓結論符合校準適用範圍 校準適用範圍是校準與確認證據所支援的條件範圍。這個範圍可能包括負載、溫度、氣流、壓力、設備狀態、源強度、控制模式、時間範圍或材料行為。 與證據相稱的結論範例如下： | 證據 | 與證據相稱的技術採購結論 | |---|---| | 假設經過審查的探索性模型 | 此模擬情境有助於比較可能的行為，並排定量測或設計方案的優先順序 | | 針對已定義變數與基準達成一致 | 在報告所述比較限值內，此工作流程能重現選定的參考行為 | | 根據具代表性營運資料完成現場校準 | 在已記錄的營運範圍與殘差限值內，此模型可支援特定現場的模擬情境比較 | | 獨立情境確認與穩健性審查 | 在已記錄的不確定性與核准責任條件下，此模型可針對已確認的變數與條件支援所述決策 | 籠統的絕對精度表述會掩蓋賦予結果實際意義的條件。針對任何特定現場的效能敘述，技術採購團隊都應要求一併提供適用範圍、殘差、不確定性及負責審查的人員。 ## 瞭解校準後的不確定性 校準可以減少與選定參數及證據相關的不一致。其他不確定性仍會存在，包括： * 量測不確定性與偵測器位置 * 缺漏或尚未觀察到的營運條件 * 幾何與拓撲簡化 * 不確定的材料或設備行為 * 邊界條件變化 * 數值近似與離散化 * 省略的交互作用或擾動 * 超出已觀察範圍的未來營運狀態 有效的專案會說明哪些不確定性對決策指標影響最大。這可以為下一次偵測器部署、測試、資料品質改善、基準研究、模擬情境系列或詳細工程研究提供方向。 ## 在交付前定義重新確認觸發條件 經過校準的模型是一項具有明確證據適用範圍的營運資產。交付資料應說明哪些情況會觸發證據審查。 常見觸發條件包括： * 設施配置、網路拓撲或生產設備發生重大變更 * 冷卻、通風、排氣、泵送、控制或安全系統發生變更 * 出現新的負載範圍、製程配方、機器人任務或營運模式 * 偵測器更換、移位、重新校準或資料品質下降 * 殘差持續偏移並超出約定閾值 * 現場觀察到的行為與模型不一致 * 出現後果更嚴重的新決策或不同的預期用途 重新確認的範圍可以從資料與殘差審查，擴展至聚焦的重新校準、新的基準比較、獨立測試或完整模型更新。處理深度應與變更的重要程度相符。 ## 接受校準結果前應提出的問題 ### 預期用途 * 此模型將支援哪項決策？ * 涵蓋哪些變數、位置、條件及時間範圍？ * 錯誤結論會帶來什麼後果？ ### 資料與校準 * 使用了哪些量測資料？這些資料能否代表預期用途？ * 調整了哪些參數？為何選擇這些參數？允許範圍為何？ * 是否保留基準結果？ * 最終審查前約定了哪些殘差與驗收限值？ ### 獨立證據 * 為確認預留了哪些資料或條件？ * 效能在不同位置、時間、負載及設備狀態下如何變化？ * 哪些結論在敏感性或不確定性分析後仍保持穩定？ ### 結論與責任 * 結論採用哪個證據等級？ * 校準適用範圍內可以支援哪些決策？ * 哪些條件需要重新執行或補充證據？ * 誰核准了模型、證據資料包及由此產生的行動？ ## 選擇合適的下一項評估工作 當技術採購團隊需要界定決策、比較概念並識別缺少的證據時，適合進行**探索性評估**。 當新方法或工作流程需要與受控的參考行為進行比較時，適合進行**基準研究**。 當特定現場的量值、時序、裕度或營運反應非常重要，且已有具代表性的資料時，適合進行**實測資料校準研究**。 當決策後果較嚴重，且技術採購團隊需要相關條件下的獨立證據時，適合進行**特定情境確認研究**。 當組織需要在自身環境中驗證資料準備度、模型效用、驗收標準、審查責任及交付要求時，適合進行**聚焦試點**。 首先定義一項決策，再確定與其相稱的證據等級。[模擬證據評估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供更廣泛的檢查清單，可用於審查完整證據鏈。 ## DataMesh 如何支援證據生命週期 [Data Fusion Services](/products/dfs) 運用識別資訊、時間對齊、資料血緣與品質脈絡，協助組織量測及工程資料。[FactVerse Designer](/products/designer) 維護空間數位孿生場景、行為、模擬情境與具版本管理的審查脈絡。DataMesh 專案工作流程將模擬場量與指標、結論、行動及專業審查連結起來。 如需生產與機器人模擬情境，請參閱[製程模擬與虛擬規劃](/solutions/process-simulation)；如需熱環境與韌性問題，請參閱[資料中心營運](/solutions/ai-agent-data-center)；如需無塵室氣流與偵測研究，請參閱[半導體設施營運](/solutions/ai-agent-semiconductor)；如需網路校準與規劃，請參閱[智慧供熱](/solutions/heatops)。 ## 公開參考資料 [美國國家標準與技術研究院（National Institute of Standards and Technology，NIST）工業驗證、確認與不確定性量化回顧](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)說明物理模型品質、分析人員能力、驗證與確認，以及不確定性量化對模擬可信度的貢獻。 NIST 發表的[計算模型預測校準與不確定性分析](https://www.nist.gov/publications/calibration-and-uncertainty-analysis-predictions-computational-models)論文，探討如何依據有限的物理實驗進行校準，以及量測和模型不足所帶來的不確定性。 [美國機械工程師學會（American Society of Mechanical Engineers，ASME）計算流體力學與熱傳驗證及確認標準 V&V 20 頁面](https://www.asme.org/codes-standards/find-codes-standards/standard-for-verification-and-validation-in-computational-fluid-dynamics-and-heat-transfer/2009)說明針對指定確認點上之指定變數進行確認，並將更廣泛的內插或外推視為依特定應用而定的工程判斷。 美國國家航空暨太空總署（National Aeronautics and Space Administration，NASA）公開的[建模與模擬常見問題](https://public.ksc.nasa.gov/mns/faq/)將輸入來源與處理記錄、驗證、確認、不確定性描述及結果穩健性列為決策者評估可信度時的考量因素。 --- ## [GUIDES] cleanroom-airflow-gas-dispersion-evaluation ## 安全決策需要掌握設施的空間全貌 無塵室與製程區域的監測系統會在已安裝的位置提供關鍵觀測資料。點式感測器記錄其安裝位置的狀況；差壓讀值描述選定邊界；排氣訊號回報特定系統的狀態。這些量測資料可共同協助團隊掌握目前的營運情況。 氣流與氣體擴散問題還多了一個空間維度。設備、隔間、風機過濾機組、回風口、門、人員、熱源與局部排氣，可能使空氣改道，流經感測器之間的路徑。當通風、機台配置、門的狀態、熱環境或排氣效能改變時，選定源項的傳輸方式也可能隨之不同。 針對具體專案進行的研究，可協助採購團隊評估與明確決策相關的交互作用。常見問題包括： * 新增機台或機罩會如何改變作業區內的氣流？ * 選定的釋放情境可能影響哪些區域？ * 在具代表性的條件下，有多少物質會進入局部排氣路徑？ * 哪一種營運狀態會造成最廣的受影響範圍或最長的滯留時間？ * 哪些位置值得增加量測、檢查或工程審查？ ## 從營運決策開始 決策會決定模型範圍、證據與審查人員。機台安裝審查所需的源項案例與幾何細節，會不同於偵測器配置研究或反覆發生之環境警報的調查。 | 決策情境 | 證據重點 | 實用輸出 | |---|---|---| | 規劃中的機台或配置變更 | 現況與規劃幾何、設備熱量與氣流、送風、回風、排氣、門及營運狀態 | 流場差異、迴流區、受影響作業區及審查優先順序 | | 選定的釋放情境 | 源項位置、物種特性、釋放曲線、通風狀態、局部排氣及相關邊界 | 濃度歷程、傳輸路徑、受影響區域、捕集行為及滯留情形 | | 通風或排氣變更 | 基準與候選方案的氣流、壓力、控制、容量及設備狀態 | 情境差異、捕集敏感性、房間之間的關係及工程檢查 | | 監測或偵測器審查 | 源項矩陣、傳輸行為、感測器位置、反應特性及選定閾值 | 偵測時間分布、涵蓋範圍比較、潛在盲區及配置方案 | | 警報或事件調查 | 時間對齊的設施資料、設備狀態、門、作業歷史、現場觀察及代表性情境 | 證據缺口、合理的相依關係、檢查優先順序及後續研究範圍 | 這種以決策為起點的架構，可讓技術工作與業務及安全價值保持一致，也讓採購團隊在驗收交付成果時有明確依據。 ## 建立設施與源項基準 分析應讓每項主要輸入都可追溯。實用的基準會結合空間、通風、源項、量測與治理證據。 ### 空間與設備情境 * 房間、作業區、下層廠務區、公用設施空間、天花板、高架地板、牆面、門與開口的幾何 * 製程機台、機罩、工作站、隔間、儲放設備及主要氣流阻礙物 * 風機過濾機組、送風口、回風口、一般排氣、局部排氣、風管及風門 * 偵測器、粒子計數器、壓力感測器、溫度感測器及氣體監測器的位置 * 與決策相關的潔淨區、壓力邊界、人員活動區、疏散路徑及應變區域 ### 通風與營運情境 * 送風、回風、排氣、壓力、溫度、濕度及設備狀態證據 * 風機過濾機組可用性、局部排氣能力、門的狀態、控制及營運模式 * 研究所呈現的設備散熱、製程狀態、人員及物料移動 * 與選定條件相關的維護、濾網、風門、風機、警報及環境歷史 ### 源項與物種情境 * 源項位置、高度、方向、幾何及與鄰近捕集點的關係 * 選定物種及模型採用的物理特性 * 釋放速率或曲線、持續時間、溫度、動量及相態假設 * 具可信度的源項變體及各變體的工程依據 * 選定供審查的濃度、劑量、可視性、偵測或捕集指標 ### 治理情境 * 預期用途、錯誤後果及負責決策的權責人 * 適用的設施、製程、安全及品質要求 * 證據等級、校準目標、驗收標準及審查路徑 * 模型限制、排除條件、重新確認觸發條件及移交要求 [Data Fusion Services](/products/dfs) 可對齊設備識別資訊、感測器位置、時間戳記、單位、警報、維護記錄及工程資料來源。[DataMesh FactVerse](/products/factverse) 以營運數位孿生組織設施空間、機台、公用系統、偵測器及系統關係。[FactVerse Designer](/products/designer) 支援備妥的幾何、配置、源項案例及具體專案分析所需的情境資料。 ## 將物理場轉化為可審查的結果 ![無塵室氣流、選定的羽流及偵測器審查區域](/images/physics/cleanroom-airflow-detection-diagram.webp) *空間研究將明確的源項與通風狀態，連結至傳輸路徑、受影響區域、排氣交互作用及偵測器位置。* 氣流場與濃度場必須連結至已議定的指標及位置，才能產生實用價值。採購團隊應同時取得空間結果與精簡的決策摘要。 實用輸出可包括： * 氣流方向、速度、壓力及熱場 * 選定物種在空間與時間中的濃度 * 約定位置的到達時間、滯留時間、峰值、百分位數或積分暴露指標 * 導向選定排氣路徑的比例或數量 * 超過專案所定審查閾值的區域 * 基準、候選、降級及保守情境之間的比較 * 對源項、氣流、門、排氣、設備及邊界假設的敏感性 * 證據可信度及結論涵蓋的條件 每個閾值都應保留其來源與預期用途。偵測器設定值、職業暴露限值、製程要求、場址行動值及模型比較閾值，各自服務不同決策。報告應指出研究採用哪一項閾值，以及由誰核准其用途。 ## 保持監測與專案分析之間的連結 | 作業層 | 主要證據 | 營運角色 | |---|---|---| | 設施監測 | 已安裝的感測器、設備狀態、警報、趨勢及環境記錄 | 描述觀察到的狀況，並啟動經核准的應變工作流程 | | 營運數位孿生 | 空間、資產、公用系統、偵測器位置、作業歷史、文件及權責 | 將每個訊號與任務連結至其設施情境 | | 針對具體專案進行的物理分析 | 經審查的幾何、通風狀態、源項情境、量測、模型檢查及不確定性 | 針對明確的工程或安全決策比較空間行為 | | 現場執行 | 經核准的檢查、任務指派、程序、觀察、完成記錄及驗證 | 將合格審查後的發現轉為受控行動，並保存結果 | 這套連結式工作流程可讓分析以目前的資產與證據為基礎，也可讓已完成的檢查、通風變更或偵測器更新成為下一版基準的一部分。 ## 讓證據可信度配合決策 探索性模型可在明確假設下支援相對模式審查與量測規劃。完成基準比較的模型會增加受控參考檢查。以實測資料校準的模型會將代表性設施觀測資料與模型結果比較。特定情境經確認的研究，則會針對與決策相關的變數及條件加入獨立證據。 無塵室校準證據可包括： * 相關位置的氣流速度與方向 * 選定邊界兩側的壓力關係 * 送風、回風及排氣量測 * 溫度或示蹤劑濃度歷程 * 煙流可視化、示蹤測試或其他合格的現場證據 * 各比較期間的設備、門及通風狀態 * 依位置、時間、變數及營運條件整理的殘差 [模擬校準指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)說明證據等級如何影響結論可信度。[模擬證據評估指南](/resources/guides/how-to-evaluate-simulation-evidence)則提供更廣泛的採購評估問題，涵蓋查證、確認、不確定性及移交。 ## 審查多個可信情境 單一源項與單一通風狀態只能描述狹窄條件。情境矩陣可讓決策人員更清楚掌握涵蓋範圍與敏感性。 實用維度包括： * 源項位置、方向、釋放曲線及持續時間 * 局部排氣正常、降載及無法使用 * 風機過濾機組或通風系統的可用性 * 門處於開啟、關閉及轉換中的狀態 * 設備、隔間及配置方案 * 具代表性的熱環境與壓力條件 * 基準與保守模型參數 * 當數值或物理變化會影響偵測時序時所需的重複執行 審查人員應能看出哪些發現維持穩定、哪些情境形成最大的受影響區域，以及哪些假設會改變決策。[情境集合指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)提供範圍與保守審查案例的選擇方法，並將單次執行視為完整證據集中的一部分。 ## 採購檢查清單 ### 決策與範圍 * 是否已明確指出一項設施、製程、安全或監測決策？ * 是否已定義空間、機台、公用系統、源項案例、營運狀態及時間範圍？ * 負責的審查人員是否了解錯誤結論可能造成的後果？ ### 資料就緒度 * 是否具備幾何、開口、機台、阻礙物、送風、回風、排氣及偵測器位置資料？ * 通風、壓力、溫度、設備、門及控制狀態是否可追溯？ * 每筆量測是否都有識別資訊、位置、時間戳記、單位及品質狀態？ * 每個源項案例的工程依據是否已記錄？ ### 證據品質 * 模型檢查、基準、校準殘差、不確定性及敏感性是否清楚可見？ * 閾值是否連結至其來源及預定決策？ * 情境矩陣是否呈現具可信度的營運與降級狀態？ * 結論是否維持在證據支持的變數、位置及條件範圍內？ ### 審查與移交 * 是否已指派工程、環境健康與安全、製程、品質及法規遵循責任？ * 每項發現是否可連結至受影響區域、資產、偵測器或公用系統？ * 經核准的後續行動能否進入檢查、維護或變更管理工作流程？ * 是否已定義變更後驗證及模型審查的觸發條件？ ## 規劃聚焦的試點 實用的試點可以從一個無塵室作業區、公用設施空間或製程區域及一項決策開始。團隊會查證幾何與通風證據、選擇規模適當的源項矩陣、議定審查指標與閾值，並在執行第一個最終情境前指派合格審查人員。 試點成功標準可包括： * 經查證的設施、設備、通風及偵測器基準 * 可追溯的源項案例及營運狀態 * 可重現的場域結果、指標、模型檢查及情境比較 * 與預定結論相稱的實測或基準證據 * 透過研究改善一項規劃、量測、檢查、排氣或偵測器決策 * 連結至現場行動與驗證的核准移交套件 探索[半導體設施營運與無塵室分析](/solutions/ai-agent-semiconductor)，了解涵蓋營運、工程研究、AI 輔助調查及現場執行的完整工作流程。 接著閱讀[局部排氣捕集與通風降級情境](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)以進行韌性審查、[偵測器涵蓋範圍、盲區與配置方案](/resources/guides/detector-coverage-blind-spots-placement-options)以比較偵測器配置，以及[無塵室校準、情境集合與確認證據](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)以了解高可信度決策背後的證據套件。 ## 公開參考資料 [美國冷凍空調學會（American Society of Heating, Refrigerating and Air-Conditioning Engineers，ASHRAE）《Clean Spaces》手冊章節](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)說明無塵室氣流模式、設備與開口造成的影響，以及運用計算流體力學評估氣流與污染物傳播的方法。 [國際標準化組織（International Organization for Standardization，ISO）14644-4:2022 無塵室設計、施工及啟用頁面](https://www.iso.org/standard/72379.html)概述無塵室從需求、設計、施工、啟用到驗證的生命週期。 [美國職業安全衛生署通風技術手冊](https://www.osha.gov/otm/section-3-health-hazards/chapter-3)說明局部排氣通風在污染物源頭附近加以捕集的作用。 [美國國家標準暨技術研究院針對工業查證、確認與不確定性量化的綜述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)說明模型品質、查證、確認及不確定性如何共同構成可信的模擬證據。 --- ## [GUIDES] cleanroom-calibration-ensembles-validation-evidence ## 無塵室證據應配合決策 氣流、物種傳輸、局部排氣及偵測器研究可支援不同層級的工作，包括早期方案篩選、量測規劃、特定設施比較、韌性審查及明確工程決策。每個層級都需要與其相稱的證據套件。 無塵室影像可能在物理表現上看似合理，但關鍵的源項、通風、偵測器或邊界假設仍存在不確定性。因此，技術採購團隊需要看見基準如何建立、採用了哪些量測、如何審查殘差、評估了哪些情境範圍，以及哪些證據並未用於校準而保持獨立。 本指南將 DataMesh 的廣泛模擬證據架構應用於無塵室與製程區域研究。完整的一般架構請參考： * [如何評估模擬證據](/resources/guides/how-to-evaluate-simulation-evidence)：涵蓋模型用途、輸入、查證、確認、不確定性及移交 * [校準等級與模擬結論可信度](/resources/guides/calibration-levels-and-simulation-claim-confidence)：涵蓋探索性、基準比較、實測資料校準及特定情境證據 * [工業模擬的情境集合與保守審查](/resources/guides/scenario-ensembles-and-conservative-simulation-review)：涵蓋範圍、重複執行、交互作用及決策案例 ## 依無塵室問題選擇證據 | 預定決策 | 優先證據 | 典型審查輸出 | |---|---|---| | 比較氣流模式或配置概念 | 經審查的幾何、通風狀態、邊界假設、求解器檢查及敏感性 | 相對氣流行為、敏感區域、缺少的資料及下一步量測工作 | | 評估局部排氣捕集 | 源項與排氣罩幾何、排氣流量與壓力、室內氣流、示蹤劑或合格現場證據及殘差 | 捕集比較、逸散物質、受影響區域及不確定性 | | 審查偵測器配置 | 源項矩陣、通風狀態、物種傳輸、偵測器反應假設、重複執行及選定的確認證據 | 涵蓋範圍比較、偵測時間分布、潛在盲區及保守案例 | | 評估暖通空調（heating, ventilation, and air-conditioning，HVAC）降級 | 經查證的基準、設備與門狀態、暫態量測、源項曲線及情境範圍 | 受影響區域擴張、時序、敏感性、應變優先順序及復原行為 | | 支援特定設施的工程決策 | 具代表性的量測、校準記錄、獨立確認、不確定性、合格審查及重新確認觸發條件 | 明確證據適用範圍內的決策結論 | 證據範圍應反映錯誤後果、行動成本，以及結果所宣稱的設施特定程度。 ## 在場址校準前建立基準 基準可檢查分析工作流程是否能針對選定變數，重現公認或受控的行為，有助於區分方法評定與特定設施參數調整。 與無塵室相關的基準可包括： * 幾何與邊界條件已知的受控氣流或壓力案例 * 具有已記錄源項與量測位置的示蹤或傳輸案例 * 具有約定參考結果的排氣罩或排氣案例 * 針對選定分析域及邊界的守恆與質量平衡檢查 * 網格、時間步長、收斂、重現性及數值敏感性檢查 * 針對明確變數與條件，與另一種合格方法比較 基準記錄應說明所比較的變數、位置、單位、驗收標準、結果尺度、方法版本及已知差異。通過一項基準，只能支援該基準實際測試的明確行為。 ## 依具代表性的設施證據進行校準 校準會調整選定的不確定參數，使約定的模型輸出更接近具代表性的觀測資料。參數選擇應保留其物理意義，並配合預定決策。 ### 可支援校準的證據 * 送風、回風、排氣、風機過濾機組、排氣罩及支管流量量測 * 房間、門、地板、天花板及公用設施空間之間的壓力關係 * 決策相關位置的氣流速度與方向 * 浮力效應重要時的溫度、濕度或熱負載證據 * 示蹤劑濃度歷程、到達時間、衰減或合格的可視化證據 * 包含校準、設定值、位置及設備狀態情境的偵測器反應記錄 * 量測期間的門、風門、風機、製程、機台及源項狀態 ### 可能需要審查的參數 * 流動阻力、洩漏、散流器、格柵或地板特性 * 排氣、風機、風門、濾網或設備效能 * 源項速率、曲線、方向、動量、溫度或釋放持續時間 * 所選方法中的紊流、混合、擴散、壁面、沉積或物種假設 * 偵測器反應、閾值、取樣、延遲或平均方式的呈現 校準記錄應保存基準結果、選定參數、允許範圍、目標函數、量測不確定性、殘差、驗收標準及審查人員核准記錄。 ## 依位置、時間與營運狀態解讀殘差 殘差是在約定的位置、時間或條件下，量測值與對應模擬值之間的差異。無塵室研究通常具有明顯的空間與暫態變化，因此單一平均值可能掩蓋與決策相關的差異。 審查下列項目的殘差： * 送風、回風、排氣、排氣罩及室內氣流量測 * 壓力邊界與門狀態 * 主要設備或阻礙物上游、附近及下游的位置 * 穩定、轉換、降級及復原期間 * 示蹤劑或物種的到達、峰值、衰減及滯留情形 * 偵測器位置與反應時間 * 校準與獨立確認資料集 實用摘要可包括平均誤差、絕對誤差、偏差、百分位數誤差、時間偏移、空間模式，以及落在約定限值內的資料點比例。驗收標準應依量測不確定性、預期用途、變數重要性及錯誤後果制定。 ## 建立可追溯的情境矩陣 校準描述模型對選定證據的符合程度；情境矩陣則描述針對決策所評估的營運與源項範圍。 每個情境都應保留： * 源項位置、物種、速率或曲線、方向、持續時間及溫度 * 幾何、機台、機罩、隔間及阻礙物狀態 * 送風、回風、排氣、風機過濾機組、風門、壓力及門狀態 * 與傳輸相關的熱環境及製程條件 * 偵測器配置、技術、反應及閾值假設 * 初始條件、開始時間、持續時間及所呈現的應變行動 * 模型版本、參數組合、檢查、輸出、警告及審查狀態 矩陣視圖可讓採購團隊依源項類別、房間、營運狀態及後果類別確認涵蓋範圍，也會揭示需要後續研究或現場證據的條件組合。 ## 當時序有所變化時採用重複執行 偵測時間與暫態傳輸會隨初始條件、源項行為、通風、模型參數及數值效應而改變。受控的重複執行方法可將這些變化轉為可審查的證據。 專案應定義： 1. 每次執行之間會改變哪些變數 2. 各變數的分布、範圍或選擇規則 3. 執行次數及收斂或穩定標準 4. 適用時採用的隨機種子或取樣方法 5. 偵測閾值及反應計算方式 6. 如何呈現未解決的執行結果 7. 供決策採用的統計值 實用輸出包括完整偵測時間分布、中位數、選定的較高百分位數、最早與最晚的可信結果、符合標準的比例，以及與反應緩慢相關的情境組合。 保守統計值應有明確理由。選擇時可考量決策後果、情境涵蓋範圍、證據品質及合格的工程判斷。 ## 保留證據供確認使用 確認會將模型輸出與適合預期用途的證據比較。嚴謹的專案會保留一段量測期間、一項營運條件、一個源項案例、一項基準或一次測試，不將其用於參數調整。 確認記錄應指出： * 所比較的變數、位置、營運狀態及源項條件 * 量測與測試不確定性 * 殘差或比較指標 * 驗收標準與審查理由 * 空間與暫態行為的符合及差異 * 結論所涵蓋的條件 * 負責的工程核准人員 來自不同源項位置、通風狀態、門事件、負載或時間區段的證據，可揭示校準後的行為在預定決策範圍內是否仍具實用性。 ## 在結論旁說明證據適用範圍 證據適用範圍定義現有證據所支援的變數、位置、源項類別、通風狀態、幾何、偵測器假設、營運範圍及時間範圍。 相稱的結論範例如下： | 證據等級 | 相稱的無塵室結論 | |---|---| | 探索性 | 在已記錄假設下，情境比較可找出可能的傳輸模式及量測優先順序 | | 基準比較 | 工作流程在所報告的檢查範圍內重現選定的參考行為，並支援明確的比較 | | 實測資料校準 | 在所報告的殘差範圍內，模型可針對已校準的變數、位置及營運範圍，支援特定設施的比較 | | 特定情境確認 | 在合格人員核准的前提下，證據可針對已確認的源項、通風、偵測器及營運條件，支援所述工程決策 | 每項結論都應附上證據等級、假設、不確定性、審查人員及重新確認觸發條件。 ## 在移交時定義重新確認觸發條件 無塵室設施會持續演變。下列項目發生重大變更後，應審查是否需要重新確認： * 房間、機台、機罩、隔間、門、地板、天花板或阻礙物幾何 * 送風、回風、風機過濾機組、一般排氣、局部排氣、風門或壓力控制 * 源項物種、位置、速率、方向、持續時間、溫度或製程狀態 * 偵測器技術、位置、方向、反應、設定值或維護狀態 * 感測器識別資訊、位置、校準、取樣、同步或資料品質 * 營運範圍、決策後果、驗收標準或預期用途 * 超出約定殘差或證據適用範圍的設施觀察行為 可採取的措施從資料審查與定向重新執行，到重新校準、新增基準、獨立測試或完整更新模型。合格權責人會依變更的重要程度選擇適當措施。 ## 技術採購檢查清單 ### 目的與權責 * 是否已定義預定決策、錯誤後果及所需證據等級？ * 是否已指派設施、製程、環境健康與安全、品質、法規遵循及模型審查責任？ ### 基準與校準 * 哪一項基準可評定選定方法是否適用於決策變數？ * 校準使用了哪些量測資料？這些資料是否具有代表性？ * 調整了哪些物理參數？允許範圍為何？ * 是否保存基準結果、殘差、量測不確定性及驗收標準？ ### 情境與集合 * 矩陣是否涵蓋可信的源項、通風、排氣、門、機台及偵測器狀態？ * 重複執行之間會改變哪些變數？如何取樣？ * 是否透明報告分布、未解決案例及保守統計值？ ### 確認與結論 * 哪些證據未用於參數調整而保持獨立？ * 效能如何隨位置、時間、源項及營運狀態改變？ * 結論是否維持在已記錄的證據適用範圍內？ * 模型限制、不確定性及重新確認觸發條件是否清楚可見？ ### 移交 * 模型、資料、情境、結果、發現及核准記錄是否可追溯？ * 經核准的行動能否進入受控的檢查、維護、程序、偵測器或變更工作流程？ * 是否已定義變更後驗證？ ## 端到端評估一項決策 聚焦的證據試點可從一個無塵室作業區或製程區域及一項工程決策開始。專案會建立經查證的基準、選擇規模適當的源項與營運矩陣、保留獨立證據、執行校準與情境比較，並記錄合格審查。 完善的試點成果包括： * 可追溯的設施、通風、源項、偵測器及量測證據 * 合格基準及保存的校準前基準結果 * 連結至決策相關變數與位置的殘差及不確定性 * 可重現的情境矩陣，以及時序有所變化時採用的重複執行方法 * 獨立確認證據及明確的證據適用範圍 * 一項經核准的工程、監測、檢查、排氣或偵測器決策 * 適用於未來設施變更的移交記錄及重新確認觸發條件 將本架構應用於[無塵室氣流與氣體擴散評估](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)、[局部排氣捕集與通風降級情境](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)及[偵測器涵蓋範圍、盲區與配置方案](/resources/guides/detector-coverage-blind-spots-placement-options)。 ## 公開參考資料 [美國國家標準暨技術研究院針對工業查證、確認與不確定性量化的綜述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)說明模型品質、分析人員品質、查證、確認及不確定性如何共同影響模擬可信度。 [美國冷凍空調學會（American Society of Heating, Refrigerating and Air-Conditioning Engineers，ASHRAE）《Clean Spaces》手冊章節](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)說明無塵室計算流體力學、氣流、污染物傳播、設備影響、開口、送風、回風、排氣及邊界條件。 [國際標準化組織（International Organization for Standardization，ISO）14644-4:2022 無塵室生命週期頁面](https://www.iso.org/standard/72379.html)涵蓋需求、設計、施工、啟用、驗證、修改及生命週期考量。 英國健康安全署（Health and Safety Executive，HSE）的[可燃性氣體偵測器選擇與使用指南](https://www.hse.gov.uk/pubns/gasdetector.pdf)指出，氣體特性、擴散、通風、製程設備、感測器類型、位置及備援，都是偵測器系統應考量的因素。 --- ## [GUIDES] cmms-eam-bms-operational-digital-twin-integration ## 整合要從營運身分開始 大多數設施和工業團隊已經在日常工作中使用多套系統。CMMS 或 EAM 管理維修紀錄與資產歷史，BMS 監控建築系統與告警，SCADA、IoT、MES、ERP、文件庫和工單系統分別保存營運現場的一部分資訊。 薄弱環節通常是身分不一致。同一台泵、空調機組、冷水機、電氣櫃、潔淨室公用設備、資料中心資產或生產支援系統，可能在圖紙、BMS 點位、維修紀錄、巡檢清單和現場備註裡使用不同名稱。告警出現後，團隊往往要跨系統查找，才能判斷受影響資產、物理位置、風險、規程和責任人。 營運數位孿生為這些系統提供共享的上下文層。它把資產、空間、系統、即時數值、告警、文件、規程、工單紀錄和現場證據連接起來，讓團隊在工作發生的環境裡複核任務。 ## 首先對齊什麼 整合應先從能夠讓工作可追溯的物件開始： | 層級 | 整合重點 | |---|---| | 資產身分 | 設備 ID、標籤、序號、可維護物件、父子關係 | | 位置層級 | 站點、建築、樓層、區域、房間、產線、廠區、機櫃、系統邊界 | | 系統關係 | 暖通、電氣、水、氣體、壓縮空氣、製程公用系統、資料中心系統 | | 訊號與告警 | BMS 點位、IoT 讀數、SCADA 標籤、告警類型、閾值、嚴重程度、時間窗口 | | 作業紀錄 | CMMS 或 EAM 工單、巡檢任務、預防性維護、服務歷史 | | 文件 | 手冊、圖紙、SOP、作業許可、校準紀錄、驗證文件 | | 現場證據 | 照片、讀數、檢查清單、維修備註、驗收結果、複核決定 | 目標是形成穩定的參考模型。BMS 告警、工單、巡檢路線、文件和 AI Agent 建議應指向同一套資產與位置上下文。 ## CMMS 與 EAM 整合 CMMS 和 EAM 通常繼續作為維修管理的紀錄系統，保存資產台帳、工單編號、預防性維護計畫、備件歷史、人工紀錄和關閉狀態。營運數位孿生則圍繞這些紀錄補充現場上下文。 常見整合方式包括： * 在數位孿生中的資產和位置上顯示工單 * 將維修歷史連接到設備、房間、系統和路線 * 從孿生上下文發起巡檢或維修任務 * 將現場證據回寫到批准使用的工單紀錄 * 對比類似資產或位置上的重複工單 * 把手冊、圖紙和 SOP 連接到任務視圖 * 保留複核決定和異常備註，供後續分析使用 這樣，維修規劃團隊和現場人員可以看到作業的物理影響，對比重複問題，並用更完整的證據關閉任務。 ## BMS、IoT 與 SCADA 資料 BMS 資料只有連接到可維護資產和物理空間後，才更容易進入營運流程。溫度讀數、壓力值、閥門狀態、泵告警或能耗表計，可以和受影響設備、房間、上下游系統、維修歷史和操作規程一起複核。 Data Fusion Services 可以把點位資料、告警、事件流、企業紀錄和文件連接到 FactVerse。FactVerse 再表達資產、空間、系統、訊號、文件和工作流之間的關係。 團隊需要決定： * 哪些點位名稱對應哪些資產和空間 * 哪些告警需要巡檢、維修、升級或觀察 * 哪些數值用於能耗複核、可靠性複核或合規相關證據 * 資料品質問題如何標記 * 哪些系統負責告警狀態、工單狀態和關閉紀錄 * 哪些歷史資料用於趨勢分析和機器學習評估 穩定映射比大量接入更重要。少量受治理的訊號，往往比歸屬不清的大規模資料流更能支撐營運。 ## 從告警到工單 最有價值的整合模式，是從訊號進入已複核行動的營運閉環： 1. **發現** - BMS、IoT、SCADA、巡檢或 AI Agent 發現告警、異常趨勢、漏檢任務或重複異常。 2. **定位上下文** - FactVerse 將發現連接到資產、空間、系統關係、即時數值、文件、SOP 和工單歷史。 3. **複核** - 負責團隊檢查嚴重程度、證據、營運影響、安全說明和建議檢查項。 4. **派發** - 確認後的工作進入 Inspector、Checklist、CMMS、EAM 或其他批准使用的執行系統。 5. **執行** - 現場團隊使用資產上下文、檢查清單、照片、讀數、手冊和規程指引完成任務。 6. **記錄** - 記錄備註、讀數、照片、更換部件、異常、驗收結果和複核決定。 7. **學習** - 結果與修正進入資料品質復盤、建議調優和機器學習評估。 這個閉環讓 AI 輔助建議始終連接到人工複核與現場證據。 ## 設施與資料中心營運 在智慧建築、園區、資料中心和工業設施中，整合常常從一組反覆出現的營運問題開始： * 這個告警影響哪項資產 * 哪個房間、系統、租戶、生產區域或資料大廳可能受影響 * 同類問題之前是否出現過 * 哪份 SOP、圖紙、手冊或安全說明適用 * 這是維修問題、能耗複核問題、營運異常還是巡檢任務 * 任務關閉前需要哪些證據 資料中心團隊可以把同一模式用於多站點資產管理、能耗計算、巡檢、維修和視覺化。設施團隊也可以把 BMS 告警、能耗表計、設備紀錄、巡檢路線和 Green Mark 相關證據連接到營運紀錄中，評估口徑繼續以官方標準和專案團隊複核為準。 ## 產品分工 [DataMesh FactVerse](/products/factverse) 提供營運上下文層，用於資產、空間、系統、關係、權限、紀錄和場景視圖。 [Data Fusion Services](/products/dfs) 將 CMMS、EAM、BMS、IoT、SCADA、文件、工單紀錄和企業資料連接到正確的孿生物件。 [Inspector](/products/inspector) 管理告警、巡檢、工單、現場證據、照片、維修備註、驗收紀錄和營運交接。 [Checklist](/products/checklist) 結構化重複巡檢流程、必要讀數、簽核和合規導向的現場紀錄。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以 24x7 複核連接後的訊號、告警、文件、工單歷史和現場回饋，輔助分診、總結證據、建議下一步檢查，並在任務完成後評估回饋資料。 [FactVerse Twin Engine](/products/factverse-twin-engine) 維護孿生狀態、關係、互動和營運視覺化所需的執行期模型。 ## 實施檢查清單 * CMMS、EAM、BMS、圖紙和現場標籤中的資產 ID 是否一致 * 位置層級是否足夠支援移動團隊和遠端專家協作 * BMS 點位和告警是否映射到資產、空間、系統和嚴重程度規則 * 工單歸屬、狀態、關閉和證據欄位是否定義清楚 * 巡檢路線和檢查項是否綁定到同一套資產與空間模型 * 手冊、圖紙、SOP、作業許可和驗證紀錄是否連接到工作上下文 * 照片、讀數、異常和複核決定是否保存，便於後續復盤 * AI Agent 場景是否基於受治理的資產、訊號、告警、文件和工單資料 * 資料負責人、刷新節奏、存取規則和網路安全職責是否清楚 ## 公開參考 [DataMesh 與 Yokogawa 的預測性維護參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了工業資料、AI 分析和維護流程如何圍繞設施營運連接起來。 [JTC 合作參考](/about/news/collaboration-between-jtc-datamesh) 展示了 DataMesh 在複雜設施環境中的數位孿生實踐，空間上下文、設備狀態和一線工作流都是關鍵要素。 [NIO 智慧工廠參考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) 展示了工廠數位孿生如何連接營運視覺化、設備上下文和跨團隊協作。 [從 AI 告警到閉環工單指南](/resources/guides/ai-alert-to-closed-loop-work-orders)、[資料中心營運指南](/resources/guides/data-center-digital-twin-operations) 和 [Green Mark 與 Brick Schema 指南](/resources/guides/green-mark-digital-twin-brick-schema) 提供了工單執行、設施營運和證據追溯的相鄰模式。 --- ## [GUIDES] data-center-cooling-failure-scenario-analysis ## 韌性規劃應在警報發生前展開 當運轉狀態變化的速度快於團隊彙整脈絡的速度時，冷卻韌性便會面臨考驗。冷卻設備可能失去部分容量，風扇或泵浦的效能可能降低，閥門或風門可能停留在非預期位置，氣流隔離結構可能受損，計畫性維護也可能減少可用備援。後果取決於當時的資訊科技（IT）負載、氣流路徑、熱慣性、設備分布、控制及回應時機。 情境分析讓設施團隊能在實際事件發生前檢視這些相依關係。透過比較明確的運轉狀態，分析可呈現哪些區域可能最先受到影響，並為工程師排定監測、維護規劃、應變程序及容量決策的優先順序提供證據。 分析結果是供合格人員審查的決策輔助。獲授權的設施團隊仍負責運轉程序、控制、安全限值及現場介入。 ## 以可信的運轉狀態建立情境集合 單一故障畫面能提供的資訊有限。情境集合可呈現結果如何隨設備狀態、負載及回應假設變化。 | 情境狀態 | 定義範例 | 技術採購評估問題 | |---|---|---| | 正常 | 規劃運轉的冷卻設備可用、負載具代表性、控制經過查證，且氣流隔離維持基線狀態 | 目前的熱分布與運轉裕量為何？ | | 效能降低 | 風扇或泵浦效能降低、部分冷卻容量損失、出現洩漏或積垢，或氣流受限 | 哪些機櫃與區域會最先失去裕量？ | | 不可用 | 在明確的負載與控制狀態下，使一條指定的冷卻路徑或一項元件停止服務 | 受影響位置會多快接近約定限值？ | | 恢復 | 設備恢復、負載轉換、臨時氣流措施或核准的運轉回應 | 熱場如何恢復，哪些區域仍然敏感？ | 每種狀態都應註明事件邊界、受影響設備、起始條件、啟用中的控制、IT 負載、時間範圍及回應假設。這樣可形成可審查的情境規格，也讓不同團隊對「冷卻故障」有一致的理解。 ## 將情境連結至目前的設施證據 有效的冷卻韌性分析會結合空間、營運及治理證據。 ### 設施與冷卻模型 * 機房、走道、機櫃、氣流隔離結構、地板、天花板、風管、格柵及開口的幾何 * 冷卻設備位置、額定與實測效能、氣流路徑，以及送風與回風配置 * 機櫃配置、設備氣流方向、具代表性的負載及負載分布 * 與所選異常相關的電力及冷卻相依關係 * 控制狀態、設定值、順序控制、備援模式及維護情況 ### 量測與運轉歷史 * 具備識別資訊、位置、時間及品質脈絡的機櫃進風與機房環境量測 * 可取得時的送風、回風、流量、壓力、風扇、泵浦、閥門及冷卻設備狀態 * 警報、超出範圍事件、巡檢、維護記錄及過往事件時間軸 * 適合比較的穩定期、負載轉換期、維護時段及效能降低運轉期間 ### 決策與驗收脈絡 * 經設施業主核准的設備環境範圍及設施運轉限值 * 選定的審查閾值及各閾值來源 * 所需時間範圍與時間解析度 * 證據等級、校準目標、驗收標準及工程負責人 [Data Fusion Services](/products/dfs) 可對齊遙測資料、資產識別資訊、事件、警報及維護歷史。[DataMesh FactVerse](/products/factverse) 維護機房、機櫃、冷卻設備、感測器及相依關係的脈絡。兩者共同建立的運轉基線，可同時支援即時營運審查與專案型情境分析。 ## 清楚比較正常與效能降低時的表現 ![正常與效能降低的冷卻狀態、氣流路徑及機櫃進風檢視標記](/images/physics/data-center-thermal-resilience-comparison.webp) *正常與效能降低狀態的比較，有助於審查人員看出氣流分布在哪裡改變、哪些進風位置受到影響，以及哪些位置的裕量縮小。* 比較時應維持相同的幾何、負載基準、結果比例尺及審查閾值，讓不同狀態間的變化可歸因於所選情境輸入。 實用的比較視圖包括： * 受影響機櫃列周圍的氣流方向及回流 * 依位置與高度呈現的機櫃進風溫度 * 依機櫃、走道、機房或設備等級呈現的熱裕量 * 異常開始後的溫升速率 * 達到約定警報或工程審查閾值的時間 * 受影響區域在所選時間範圍內的擴大情形 * 對負載、初始條件、設備效能及回應時機的敏感性 * 核准的回應行動或設備恢復後的復原情形 ## 將達到限值的時間視為有條件的證據 達到限值的時間可協助團隊瞭解明確異常發生後，受評位置會多快接近約定閾值。報告此項指標時，應一併說明賦予數值意義的條件： `達到限值的時間 = 達到約定閾值的時刻 - 情境開始時刻` 證據包應說明： 1. 初始熱場及運轉狀態 2. 選定的冷卻變化及事件時序 3. IT 負載及負載變化方式 4. 閾值來源、位置及量測定義 5. 模型中納入的控制或操作人員回應 6. 與結果相關的模型時間步長、收斂檢查及數值設定 7. 校準殘差、不確定性，以及重要假設的敏感性 單一時間值可能掩蓋重要差異。技術採購團隊應檢視不同可信初始條件、負載、冷卻效能及回應時機所形成的範圍。最具決策價值的輸出，可能包括最早接近閾值的可信時間、持續最先觸發回應的機櫃，以及對結果影響最大的假設。 ## 讓證據等級符合韌性決策 | 證據等級 | 可支援的工作 | 審查要求 | |---|---|---| | 探索性 | 找出可能受影響的區域、比較整體情境表現及規劃量測 | 經過審查的假設、幾何、主要輸入、敏感性及清楚可見的限制 | | 基準比較 | 依受控或公認的參考行為，評估分析工作流程 | 可重複的設定、參考比較、求解器檢查及有記錄的驗收結果 | | 實測資料校準 | 在有記錄的運轉範圍內比較特定設施的情境 | 具代表性的量測、依位置與狀態記錄的殘差、參數記錄及確認證據 | | 特定情境確認 | 在相關條件下支援一項定義明確且影響較大的規劃決策 | 獨立證據、穩健性審查、不確定性、合格人員核准及重新確認觸發條件 | 校準應配合決策指標。達到限值的時間需要時變量測與轉換過程證據；機櫃進風熱裕量需要相關機櫃位置與負載下的量測；恢復結論則需要設備恢復、負載轉換或受控測試條件下的適用證據。 [校準等級與模擬結論可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)提供更完整的證據架構。[情境集合與保守模擬審查指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)說明如何審查範圍、變數交互作用及保守決策情境。 ## 將情境證據轉化為回應優先順序 韌性分析要能實際支援營運，發現就必須連結至位置、資產、負責人及核准的行動。 審查可協助團隊排列以下項目的優先順序： * 需要加強即時監測的機櫃進風位置 * 需要查證、移動或增加涵蓋範圍的感測器 * 需要巡檢或維護的冷卻資產及相依項目 * 需要現場檢視的氣流隔離、洩漏、障礙物或氣流狀況 * 需要更明確觸發條件、權責或溝通方式的程序 * 需要調整負載或人力假設的計畫性維護時段 * 需要補充工程證據的容量變更 [FactVerse AI Agent](/products/factverse-ai-agent) 可協助團隊將目前的警報與趨勢連結至資產、事件及維護脈絡。[Inspector](/products/inspector) 可將核准的檢查及矯正工作指派給現場團隊、保留證據，並記錄工作完成後的驗證結果。任何控制或運轉變更都應遵循設施業主授權的工程及變更管理流程。 ## 技術採購評估問題 ### 情境可信度 * 選擇了哪些故障、效能降低及恢復狀態？這些狀態為何可信？ * 每個情境代表哪些元件、相依關係、控制狀態及時間順序？ * 起始負載與熱環境條件是否能代表受評風險？ ### 證據品質 * 哪些幾何、設備、感測器、警報及維護記錄支援運轉基線？ * 哪些量測用於校準？哪些證據另行保留供確認使用？ * 不同機櫃、負載、冷卻狀態及轉換期間的殘差如何變化？ * 哪些假設對受影響區域或達到限值的時間影響最大？ ### 決策適用性 * 分析支援哪一項閾值與回應決策？ * 是否在代表性估計值旁呈現變化範圍及保守情境？ * 哪些發現在可信情境中能維持穩定？ * 由哪位工程師核准證據，並負責後續程序或行動？ ### 營運移交 * 發現是否能連結至機櫃、冷卻資產、感測器、巡檢及工單？ * 操作人員是否清楚掌握監測優先順序及回應觸發條件？ * 是否定義維護後或變更後的驗證方式？ * 哪些設施變更會觸發模型及證據審查？ ## 從一項可信的異常開始 聚焦的試點可選擇一個具代表性的機房、一項冷卻異常及一項營運決策。團隊建立實測運轉基線、記錄設施與負載模型、定義正常及效能降低狀態、約定審查閾值，並比較受影響區域、熱裕量、溫升及回應時機。 有力的試點驗收標準包括： * 與目前設施證據連結且可重現的正常狀態基線 * 定義明確的冷卻效能降低或不可用情境 * 清楚記錄的假設、設備狀態、負載及控制 * 連結至約定閾值的機櫃層級指標及時變結果 * 與決策影響相稱的殘差、不確定性及敏感性審查 * 已獲核准且權責明確的回應或監測決策 * 可供未來機房、負載或冷卻狀態重複使用的移交資料包 前往[資料中心營運](/solutions/ai-agent-data-center)，瞭解完整的營運與專案型分析工作流程。如需機櫃層級的分析基礎，請閱讀[機櫃進風溫度與熱裕量](/resources/guides/rack-inlet-temperature-and-thermal-margin)。 當決策涉及新增機櫃負載、密度、氣流隔離或機房配置時，請接著閱讀[負載成長與容量情境分析](/resources/guides/data-center-load-growth-capacity-what-if-analysis)。 ## 公開參考資料 [美國冷凍空調工程師學會（ASHRAE）《資料中心與電信設施》手冊章節](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)說明設備進風環境條件、氣流需求、建議範圍及設施冷卻考量。 [美國能源部針對聯邦資料中心冷卻水效率改善機會的指南](https://www.energy.gov/cmei/femp/cooling-water-efficiency-opportunities-federal-data-centers)說明氣流特性、冷熱區域，以及限制暖排風與冷進風混合的重要性。 [美國能源部《高能源效率資料中心設計最佳實務指南》](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)涵蓋與設施韌性分析相關的環境條件、氣流管理、冷卻系統、量測及設計實務。 --- ## [GUIDES] data-center-digital-twin-operations ## 資料中心營運需要共享的設施上下文 資料中心通常由多套專業系統共同支撐。DCIM、BMS、EPMS、儀表、告警、資產台帳、維護工具和現場記錄分別保存了一部分資訊。營運團隊需要把站點、機房、機櫃、設備、電力路徑、冷卻區域、告警、巡檢和工作歷史放到同一套上下文裡。 資料中心數位孿生提供這套上下文。它把設施資產、即時基礎設施資料、能耗記錄、巡檢路線、維護任務和工單證據連接到空間化的營運視圖中。目標很實際：讓站點更容易理解、巡檢、維護、匯報，並支援後續工程複核和改進。 這對單一設施和多站點資料中心組合都很有價值。統一模型可以幫助團隊比較站點、統一報告口徑，並在機房、資產和團隊之間保留營運證據。 ## 孿生需要連接什麼 | 層級 | 營運上下文 | |---|---| | 空間 | 站點、建築、機房、機櫃、走廊、設備區、通行路徑和安全邊界 | | 資產 | UPS、發電機、開關櫃、CRAC、AHU、水泵、冷機、機櫃、感測器、儀表和服務負責人 | | 電力 | EPMS 資料、電力路徑、配電櫃、饋線、儀表讀數、負載記錄和受影響資產 | | 環境 | 溫度、濕度、氣流上下文、冷卻設備狀態、告警和機房狀態 | | 維護 | 巡檢路線、工單、維修歷史、照片、驗收備註和驗證狀態 | | 文件 | 運維文件、規程、調試記錄、資產手冊和變更備註 | | 治理 | 資料來源、更新負責人、複核流程、審批路徑、證據品質和 rollout 範圍 | 當每個信號都能追溯到位置、資產、責任團隊和後續記錄時，孿生才真正進入營運。 ## DataMesh 資料中心工作流 1. **收集設施來源** - 彙總 DCIM、BMS、EPMS、儀表、告警、資產清單、設備文件、維護記錄、巡檢計畫和站點圖紙。 2. **構建設施孿生** - 使用 FactVerse 組織機房、機櫃、設備、電力路徑、冷卻區域、儀表、感測器、文件和服務責任。 3. **連接營運資料** - 使用 Data Fusion Services 把即時信號和企業記錄綁定到正確的資產、空間、系統和工作流。 4. **準備可複用場景** - 使用資料中心 DLC 和 FactVerse Designer 加速機房、機櫃、設備和設施場景搭建。 5. **複核運行狀態** - 在站點和資產上下文中複核能耗指標、告警、設備狀態、重複問題和維護優先級。 6. **執行現場工作** - 使用 Inspector 把確認後的問題轉化為巡檢、工單、維修備註、照片、驗收證據和驗證記錄。 7. **比較並改進** - 用跨站點、跨機房的一致記錄支援管理複核、工程分析、永續報告和後續效率項目。 這個工作流的核心，是讓團隊能夠從信號定位到位置，從位置找到責任人，再從責任人落實到可驗證的工作。 ## 團隊通常從哪裡開始 - **資產台帳與位置**：整理機房、機櫃、設施設備、儀表和服務責任記錄。 - **能耗計算與報告**：連接儀表讀數、設備上下文、負載歷史和運行記錄，服務於管理複核。 - **告警與巡檢流程**：把告警、路線、工單、現場備註和維修證據放到受影響資產周圍。 - **關鍵基礎設施維護**：追蹤 UPS、發電機、開關櫃、冷卻設備、水泵和相關服務歷史。 - **多站點標準化**：把相同的機房、資產、能耗和維護模型應用到多個資料中心。 - **綠色營運證據**：整理能耗、環境、維護和整改記錄，用於內部治理和 Green Mark 準備工作。 優先選擇已有資料、責任邊界清楚，並且存在真實交接問題的範圍。 ## DataMesh 產品如何協同 [Data Fusion Services](/products/dfs) 連接 DCIM、BMS、EPMS、儀表、歷史資料庫、告警、維護工具和企業系統。 [FactVerse](/products/factverse) 提供設施數位孿生上下文，包括機房、機櫃、資產、系統、資料綁定、文件和工作流。 [FactVerse DLC](/products/factverse-dlc) 為交付團隊提供 Designer 中可複用的資料中心場景基礎，包括機房、機櫃、設施資產、能耗上下文和營運可視化元素。 [Inspector](/products/inspector) 管理巡檢、工單、維修記錄、照片、驗收備註、驗證和現場證據。 [FactVerse AI Agent](/products/factverse-ai-agent) 在資料模型和工作流穩定之後，可以幫助團隊複核異常模式、重複告警和維護歷史。 ## 治理清單 - 機房、機櫃、設備、儀表和感測器名稱在各系統中是否一致? - 資產 ID 是否與 DCIM、維護工具、圖紙和現場標籤對齊? - 電力、環境和維護資料來源是否記錄了負責人和更新規則? - 告警是否可以追溯到機房、機櫃、資產、系統、負責人和工作記錄? - 現場團隊是否可以在同一上下文中採集照片、備註、維修動作和驗收證據? - 能耗記錄是否可以按站點、機房、資產、儀表和時間窗口複核? - 多站點報告是否基於一致的資產分類和資料定義? - 在進行物理變更前，工程複核、客戶審批和變更控制責任是否清晰? 這些檢查能讓數位孿生持續服務於日常工作和管理複核。 ## 公開參考 [IDC DLC 發布資訊](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) 展示了 DataMesh 如何透過可複用數位孿生內容，幫助團隊在 FactVerse Designer 中啟動資料中心場景。 [資料中心營運解決方案](/solutions/ai-agent-data-center) 說明了資產可視化、能耗計算、巡檢、維護、工單和多站點數位孿生管理的營運範圍。 [橫河電機預測性維護參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了把工業設施信號連接到維護複核的通用模式。 [Faurecia 與 EVE Energy 參考](/about/news/datamesh-supports-faurecia-and-eve-energy-toward-wef-lighthouse-recognition) 展示了營運可視化和能源上下文如何支援製造與設施改進項目。 --- ## [GUIDES] data-center-load-growth-capacity-what-if-analysis ## 容量可信度取決於位置與運轉狀態 資料中心可能仍有可用的電力容量或設備銘牌標示的冷卻容量，但規劃中的機櫃位置仍可能造成局部氣流或溫度限制。因此，容量規劃需要進一步瞭解負載將增加在哪裡、空氣如何到達設備、哪些冷卻路徑供應該區域、採用哪種備援狀態假設，以及還剩多少機櫃層級熱裕量。 專案型容量情境分析可在採購、安裝或機房改造前，為比較方案建立共同基礎。容量、設施、資訊科技及營運團隊可以用同一套幾何、負載假設、冷卻條件、證據及驗收標準進行審查。 這項工作的目的很實際：選擇更穩健的方案、及早找出證據缺口，並減少可避免的現場返工。 ## 從經過查證的運轉基線開始 每個候選情境都應與同一套經過查證的運轉基線比較。運轉基線描述分析所代表的設施及運轉狀態。 ### 設施基線 * 機房、機櫃單元、走道、機櫃、氣流隔離結構、地板、天花板、風管、格柵及開口的幾何 * 機櫃識別資訊、位置、朝向、設備配置及氣流方向 * 冷卻設備、送風與回風路徑、控制、運轉狀態及觀察所得效能 * 與受評容量區域相關的電力及冷卻相依關係 * 目前的資產、維護、巡檢及變更歷史 ### 負載與環境基線 * 依機櫃與時段記錄的已接入負載、實測負載及具代表性的 IT 負載 * 同時使用係數、使用率、成長及轉換過程假設 * 送風、回風、流量、壓力、機櫃進風溫度、濕度及設備狀態證據 * 氣流隔離狀況、洩漏、障礙物、臨時設備，以及地板磚或格柵配置 * 依設備等級或機櫃群組定義的核准運轉範圍 ### 證據基線 * 感測器識別資訊、位置、單位、時間戳記、校準狀態及資料品質 * 模型版本、幾何來源、參數來源及邊界條件 * 基準比較、校準、殘差、確認及敏感性記錄 * 預期決策、審查人員、驗收標準及重新確認觸發條件 [Data Fusion Services](/products/dfs) 可對齊不同來源系統中的負載、儀表、感測器、警報、資產及維護證據。[DataMesh FactVerse](/products/factverse) 為運轉基線提供空間及系統脈絡。[FactVerse Designer](/products/designer) 為專案型分析提供準備妥當的情境、配置、工況及工程審查脈絡。 ## 每次聚焦一組相關情境 情境設計應讓差異容易說明。一組相關情境會改變指定的輸入，同時維持其餘比較基礎不變。 | 情境類型 | 比較變數 | 典型決策 | |---|---|---| | 機櫃負載成長 | 每個機櫃的負載、負載分布、同時使用係數、使用率及轉換時機 | 核准新工作負載或規劃分階段上線 | | 機櫃密度與位置 | 機櫃配置、設備類型、氣流方向、位置及間距 | 選擇適合安裝高密度設備的機櫃或位置 | | 冷卻分配 | 可用設備、送風溫度、氣流、風扇狀態、地板磚、格柵及風門 | 檢視冷卻供應是否支援規劃中的負載 | | 氣流隔離與氣流 | 走道氣流隔離、洩漏路徑、開口、障礙物及回風路徑 | 比較可能減少混流或回流的改造方案 | | 配置方案 | 機櫃列、支援設備、隔間、機房幾何及冷卻配置 | 在施工或安裝前評估機房變更 | | 運轉韌性 | 正常、維護、效能降低及指定的不可用狀態 | 確認容量方案在所需運轉條件下的表現 | 比較記錄應註明每項變更的輸入，以支援技術審查、日後重新執行，以及與專案利害關係人的清楚溝通。 ## 透過決策指標比較方案 ![正常與效能降低的資料中心氣流情境及機櫃層級檢視點](/images/physics/data-center-thermal-resilience-diagram.webp) *情境比較將配置與冷卻變更，連結至機櫃進風證據、受影響區域及剩餘裕量。* 即使熱場在視覺上很有說服力，仍需要搭配決策指標。技術採購團隊應在最終比較前就指標達成共識。 實用指標包括： * 依位置與高度呈現的機櫃進風溫度 * 相對於經核准的設備或設施環境範圍之剩餘熱裕量 * 接近審查閾值的機櫃數量及位置 * 暖空氣回流與冷空氣旁通模式 * 依機櫃、機櫃列、機房或設備等級計算的基線差異 * 對負載分布、冷卻效能、氣流隔離及初始條件的敏感性 * 正常、維護及指定效能降低狀態下的表現 * 預期決策所對應的不確定性及證據可信度 針對暫態變化，分析也可比較溫升速率、達到約定閾值的時間及恢復情形。這些數值應保留其所屬的情境條件及支援該數值的證據等級。 ## 將容量結論維持在證據適用範圍內 容量決策建立在明確條件之上。結果應註明所涵蓋的機房及機櫃範圍、設備配置、負載分布、冷卻狀態、環境範圍、時間範圍、控制及營運假設。 與證據相稱的結論範例如下： | 證據 | 技術採購評估結論 | |---|---| | 經審查的探索性模型 | 在所述的具代表性條件下，候選方案 A 呈現較佳的相對氣流分布及熱裕量 | | 基準比較工作流程 | 此方法在所報告的檢查範圍內重現選定的參考行為，可支援已定義方案的比較 | | 場址實測資料校準模型 | 在文件記錄的校準範圍及殘差限值內，可依場址量測評估規劃中的負載與配置 | | 特定情境確認 | 經合格人員核准後，所選方案可針對已確認的變數、位置及運轉狀態，支援所述的規劃決策 | 嚴謹的容量結論會在結果旁註明適用條件。如此一來，當負載、設備、控制或配置變更時，分析仍可重複使用。 [模擬證據評估指南](/resources/guides/how-to-evaluate-simulation-evidence)提供一套技術採購架構，用於評估方法、輸入、驗證與確認、不確定性及移交資料。[校準等級與模擬結論可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)說明實測證據如何改變結論可信度。 ## 檢視完整的運轉範圍 候選配置在一項代表性工況下可能表現良好，卻可能對不同的負載分布、冷卻設備狀態、洩漏條件或起始溫度變得敏感。情境集合可協助團隊瞭解這個變化範圍。 實用的變化條件包括： * 目前、近期及規劃中的機櫃負載 * 均衡與集中的負載分布 * 預期與保守的設備氣流需求 * 正常與維護冷卻配置 * 風扇、泵浦、盤管或氣流效能的指定降低狀態 * 預期與受損的氣流隔離狀態 * 具代表性的環境與控制狀態 * 不同的回應或恢復時機 [情境集合與保守模擬審查指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)說明如何從可信情境中選出決策案例。技術採購團隊應能看出哪種方案保持穩健、哪些變數主導結果，以及在哪些位置補充量測或工程工作最有價值。 ## 將規劃證據連結至執行 容量決策會經歷設計、採購、安裝、巡檢、試運轉及營運驗證。數位孿生可保留核准情境與實體變更之間的連結。 一套連貫的工作流程包括： 1. **界定決策** - 定義規劃中的負載、位置、運轉狀態、限制及核准負責人。 2. **查證運轉基線** - 對齊機房、機櫃、冷卻資產、感測器、負載、運轉證據及目前現場狀況。 3. **準備替代方案** - 建立受控的機櫃、負載、冷卻、氣流隔離及配置情境。 4. **比較證據** - 檢視熱裕量、受影響區域、敏感性、殘差、不確定性及可信度。 5. **核准方案** - 記錄所選情境、假設、驗收標準及工程審查結果。 6. **執行變更** - 透過 [Inspector](/products/inspector) 或既有維護工作流程，安排現場檢查及核准的工作。 7. **驗證結果** - 將變更後的量測與現場證據，同核准的運轉基線及情境進行比較。 這條證據鏈可為營運團隊保留一份長期記錄，呈現原先規劃、實際安裝內容及結果確認方式。 ## 技術採購評估清單 ### 業務與容量決策 * 是否定義規劃中的工作負載、機櫃群組、位置及時程？ * 需要考量哪些電力、冷卻、空間、備援及營運限制？ * 這項分析預計降低哪些返工、服務風險或時程影響？ ### 資料準備度 * 是否具備機櫃識別資訊、幾何、設備配置、氣流方向及目前負載？ * 是否呈現冷卻設備、分配路徑、控制、氣流隔離及運轉狀態？ * 機櫃進風及支援量測是否完成空間對應及品質檢查？ * 目前、規劃中及保守負載假設是否都能追溯至負責人？ ### 情境與證據品質 * 每個方案是否只改變一組受控變數？ * 各項比較的結果比例尺、閾值及運轉條件是否一致？ * 是否備有基準比較、校準、殘差、確認、不確定性及敏感性記錄？ * 結論可信度是否符合證據等級及預期決策？ ### 核准與移交 * 是否由合格的工程師負責結論？ * 核准的方案是否附有假設、限值及重新確認觸發條件？ * 安裝與巡檢工作是否能連結至受影響的資產及位置？ * 計畫是否納入變更後的量測與驗證？ ## 界定容量試點範圍 聚焦的試點可從一個機房、機櫃單元或走道，以及一項實際容量決策開始。團隊查證運轉基線、選擇兩到三個候選方案、定義所需的運轉狀態，並就核准所需的機櫃層級指標及證據可信度達成共識。 試點成功標準包括： * 由設施與 IT 負責人接受的最新空間及資產基線 * 可追溯的目前與規劃中負載假設 * 可重現的情境定義及受控比較 * 機櫃層級熱裕量及受影響區域視圖 * 清楚可見的證據可信度、敏感性及限制 * 一項獲得核准的容量、量測、氣流隔離或配置決策 * 支援執行與變更後驗證的移交資料包 前往[資料中心營運](/solutions/ai-agent-data-center)，瞭解涵蓋資產、能源、環境遙測、巡檢、維護及專案型熱環境分析的整體工作流程。若容量決策也需要進行韌性審查，請閱讀[冷卻故障情境分析](/resources/guides/data-center-cooling-failure-scenario-analysis)。 如需瞭解情境比較所依據的機櫃層級量測及限值基礎，請閱讀[機櫃進風溫度與熱裕量](/resources/guides/rack-inlet-temperature-and-thermal-margin)。 ## 公開參考資料 [美國冷凍空調工程師學會（ASHRAE）《資料中心與電信設施》手冊章節](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)說明機櫃熱負載成長、設備進風條件、氣流需求及設施冷卻考量。 ASHRAE 的[人工智慧資料中心能源績效架構場址規劃指南](https://www.ashrae.org/technical-resources/ai-data-center-framework/site-planning)將工作負載需求、機櫃密度提升、配電及進階冷卻策略列為規劃考量。 [美國能源部《高能源效率資料中心設計最佳實務指南》](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)涵蓋與容量規劃相關的資訊科技系統、環境條件、氣流管理、冷卻系統及量測實務。 --- ## [GUIDES] detector-coverage-blind-spots-placement-options ## 偵測器配置是一項空間安全決策 固定式氣體偵測器會對到達感測位置且符合其反應特性的狀況作出反應。源項位置、釋放行為、通風、設備、排氣、門、壓力、熱環境及鄰近阻礙物，都會影響該傳輸路徑。 既有配置規則、工程判斷、設備原廠指引、現場經驗及法規要求，仍是偵測器設計的核心。針對具體專案進行的氣流與物種傳輸分析，可進一步依據已有記錄的可信情境矩陣，比較候選配置。團隊因而能看出哪些源項與營運條件組合會帶來即時反應、延遲反應或值得深入審查的潛在盲區。 技術採購團隊需要回答的實際問題是：哪一種偵測器配置能為選定風險提供更充分的證據，以及仍需哪些額外控制、量測或工程工作？ ## 定義安全決策與偵測標準 研究應從預期用途開始，例如審查新機台安裝、比較偵測器位置、檢視通風變更、評估選定的源項位置，或找出可透過額外現場證據提高可信度之處。 專案團隊應議定： * 納入範圍的空間、製程、設備、物種及源項類別 * 候選偵測器技術、位置、高度、方向及反應特性 * 用於比較的濃度、持續時間、劑量或裝置反應標準 * 與決策相關的最長審查時間或偵測時間標準 * 所呈現的通風、排氣、門、設備及人員活動狀態 * 分配給不同情境的權重或優先順序 * 負責的工程、安全、偵測器系統及法規遵循審查人員 每個閾值都應保留其來源與意義。偵測器警報設定、職業暴露限值、製程行動值、緊急應變標準及模型比較閾值，各自支援不同決策。 ## 建立具代表性的源項與營運矩陣 情境矩陣可將廣泛的風險描述轉化為可審查的案例。 | 情境維度 | 待定義的範例 | 重要原因 | |---|---|---| | 源項位置 | 機台接點、閥門、機櫃、機罩、公用設施通道、地面高度、高處或選定邊界 | 位置會改變初始傳輸路徑與鄰近捕集機會 | | 釋放行為 | 速率或曲線、持續時間、方向、動量、溫度、相態及物種特性 | 源項行為會影響浮力、混合、移動及濃度歷程 | | 通風狀態 | 預定流量、容量降低、風機過濾機組群無法使用、排氣降低、風門變更或選定的復原狀態 | 通風會控制釋放物質的路徑及滯留情形 | | 門與開口狀態 | 關閉、開啟、轉換、檢修面板或臨時維護狀態 | 開口可能改變壓力，並連通原本分隔的區域 | | 配置與阻礙物 | 現有機台、規劃中的機台、機罩、隔間、儲放設備、臨時設備或作業配置 | 實體變更可能遮蔽傳輸路徑或使其改道 | | 偵測器配置 | 目前位置、候選位置、增設偵測器、不同高度或不同技術 | 配置會決定哪些路徑與條件能到達感測器 | | 重複執行與不確定性 | 參數範圍、數值變化、初始狀態變化或重複執行 | 分布可呈現偵測結果的穩定性與離散程度 | 情境選擇應依循設施的風險依據與預定決策。清楚的矩陣也可讓審查人員看出哪些條件仍在已評估範圍之外。 ## 將偵測器行為連結至設施模型 ### 空間證據 * 房間、作業區、下層廠務區、公用設施空間、牆面、地板、天花板、門、開口及壓力邊界 * 機台、機罩、機櫃、工作站、隔間及主要阻礙物 * 送風、回風、風機過濾機組、一般排氣、局部排氣、風管及風門 * 現有與候選偵測器的位置、高度、方向及接近條件 ### 營運證據 * 氣流、壓力、溫度、濕度、排氣及設備狀態量測 * 偵測器識別資訊、技術、設定值、反應行為、校準、維護及警報歷史 * 與研究相關的風機、濾網、風門、門、製程、人員活動及作業狀態記錄 * 現行程序、警報派送、檢查、維護及應變權責 ### 源項與模型證據 * 由合格審查人員選定的物種特性及源項曲線 * 幾何與邊界資料來源、假設、模型版本及情境定義 * 基準、校準、殘差、確認、不確定性及敏感性記錄 * 偵測計算、閾值邏輯、重複執行方法及證據適用範圍 [Data Fusion Services](/products/dfs) 可對齊偵測器、設施資產、量測、警報及維護記錄。[DataMesh FactVerse](/products/factverse) 將每個偵測器及源項情境連結至空間、機台、通風系統與負責團隊。[FactVerse Designer](/products/designer) 支援候選配置及備妥的情境幾何。 ## 將涵蓋範圍作為情境結果審查 ![無塵室氣流、選定的源項羽流及偵測器涵蓋區域](/images/physics/cleanroom-airflow-detection-docs.webp) *偵測器涵蓋範圍分析會比較指定配置在選定源項與通風情境下的反應，並標示值得後續工程審查的案例。* 報告涵蓋範圍時，務必一併列出已評估情境組合與偵測標準。簡單的未加權摘要可表示為： `情境涵蓋率 = 符合約定偵測標準的情境數 / 已評估情境數` 許多專案需要更完整的視圖。高優先等級的源項案例可採用較高權重；不同偵測器技術可使用不同的反應模型；有些情境則可能需要依房間、製程、源項類別、通風狀態或後果類別分別報告。 實用輸出包括： * 依源項及營運狀態列出的已偵測與未解決情境 * 每個情境最先反應的偵測器 * 偵測時間分布及選定的保守統計值 * 各偵測器位置的濃度歷程 * 各源項位置或區域的涵蓋範圍熱圖 * 偵測器之間的重疊範圍與相依關係 * 潛在盲區及反應延遲的情境 * 對源項、通風、門、配置、偵測器反應及閾值假設的敏感性 * 目前配置與候選配置的比較 證據套件應保存結果尺度、情境定義、偵測器假設及審查閾值，讓各方案能在共同基礎上比較。 ## 將偵測時間視為分布 偵測時間會隨源項、氣流、初始條件、設備狀態、偵測器反應及模型變化而改變。重複執行或結構化參數集合，可呈現結果的範圍與穩定性。 審查人員可檢視： * 偵測時間中位數與選定的較高百分位數 * 已評估組合中最早與最晚的可信偵測時間 * 符合約定標準的執行比例 * 導致最慢反應的源項與通風條件組合 * 在整個矩陣中持續穩定反應的偵測器 * 輸入小幅變化卻造成時序大幅差異的情境 選定的統計值應配合決策。配置比較可採用保守百分位數結果；量測規劃研究可著重敏感性；後果較嚴重的審查則可能需要更充分的校準、獨立證據及正式核准權責。 ## 審慎辨識潛在盲區 潛在盲區是指在約定標準下，已評估配置出現延遲、微弱或沒有反應的情境或位置。這類結果應作為完整安全系統證據的一部分，交由合格人員審查。 後續行動可包括： * 查證幾何、源項、通風、偵測器及閾值假設 * 檢查相關空間、偵測器、排氣路徑、門或設備狀態 * 增加量測、示蹤測試或聚焦的情境 * 比較偵測器高度、方向、技術或位置 * 審查局部排氣、機罩、通風或製程控制 * 透過授權流程修訂警報、檢查、維護或應變程序 這種方式可讓分析持續連結至更廣泛的工程與營運控制層級。 ## 採用保守情境審查 一個情境只會產生一項結果。採購團隊應要求涵蓋可信源項位置與營運狀態的矩陣，以及透明的保守審查案例選擇方法。 [情境集合指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)說明如何調整不確定輸入、保留情境識別資訊，並從結果範圍中選擇決策案例。[模擬證據評估指南](/resources/guides/how-to-evaluate-simulation-evidence)則提供查證、確認、不確定性及移交方面的問題。 證據可信度應隨決策後果提高。探索性分析可協助安排位置與量測優先順序；基準比較分析可評定工作流程；場址校準可在實測範圍內支援特定設施的比較；特定情境確認則可在相關條件下提高明確安全或工程決策的可信度。 ## 採購評估問題 ### 決策與要求 * 哪些製程、源項類別、物種、空間及偵測器決策納入範圍？ * 適用哪些法規、標準、設施要求、設備原廠指引及風險控制？ * 哪些權責人負責偵測標準及情境優先順序？ ### 情境矩陣 * 是否呈現具可信度的源項位置、曲線、方向、持續時間及營運狀態？ * 是否依需要納入正常、降級、門、排氣、設備及配置條件？ * 當變化會影響結果時，是否採用重複執行或參數範圍？ * 每個情境是否都能依移交記錄重現？ ### 偵測器呈現方式 * 偵測器技術、位置、高度、方向、設定值、反應、校準及維護狀態是否可追溯？ * 反應模型是否符合預定的比較用途？ * 現有配置與候選配置是否採用共同評估基礎？ ### 證據與審查 * 模型檢查、基準證據、校準殘差、不確定性及敏感性是否清楚可見？ * 哪些資料或情境保留供確認使用？ * 是否一併報告涵蓋範圍、偵測時間分布、潛在盲區及其適用條件？ * 由誰核准最終偵測器與安全決策？ ### 營運移交 * 分析發現是否可連結至偵測器、空間、機台、排氣路徑、檢查及工單？ * 是否已定義現場驗證與試運轉活動？ * 模型審查觸發條件是否連結至機台、配置、通風、源項或偵測器變更？ ## 從一個區域與兩種配置開始 聚焦的試點可從一個無塵室作業區、製程區域、公用設施空間或偵測器分區開始。團隊會選擇具代表性的源項矩陣、查證通風與偵測器證據，並依約定標準比較現有配置與一個候選方案。 完善的試點成果包括： * 經查證的設施、通風、源項及偵測器基準 * 已記錄的情境矩陣與偵測標準 * 可重現的涵蓋範圍與偵測時間比較 * 清楚可見的潛在盲區、不確定性及敏感性 * 由設施、安全、偵測器系統、製程及法規遵循權責人進行合格審查 * 一項經核准的量測、配置、檢查或工程決策 * 可重複使用的移交與現場驗證套件 當偵測器效能也取決於選定的通風或捕集失效情境時，請閱讀[局部排氣捕集與通風降級情境](/resources/guides/local-exhaust-capture-hvac-degradation-scenarios)。 若要了解空間基礎，請閱讀[無塵室氣流與氣體擴散評估](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)。若要了解基準、校準、集合、確認及重新確認要求，請接著閱讀[無塵室校準、情境集合與確認證據](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)。 ## 公開參考資料 英國健康安全署（Health and Safety Executive，HSE）的[可燃性氣體偵測器選擇與使用指南](https://www.hse.gov.uk/pubns/gasdetector.pdf)指出，製程設備、感測器類型、氣體特性、擴散、通風、人員、設備保護及偵測器備援，都是配置時應考量的因素。 英國健康安全署針對[離岸天然氣設施火災與爆炸危害](https://www.hse.gov.uk/Offshore/assets/docs/fireexplosion.pdf)的綜述指出，偵測器效能取決於擴散、製程活動、設備配置、間距及通風資訊。該研究的工業環境與無塵室不同，但其中的配置原則仍提供實用的公開參考。 [美國冷凍空調學會（American Society of Heating, Refrigerating and Air-Conditioning Engineers，ASHRAE）《Clean Spaces》手冊章節](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)說明無塵室氣流與污染物傳播如何受到送風、回風、排氣、設備、開口、熱源及邊界條件影響。 美國國家標準暨技術研究院有關[氣體擴散與最佳感測器配置](https://www.nist.gov/publications/greenhouse-gas-emissions-and-dispersion-1-optimum-placement-gas-inlets-building-rooftop)的出版品，以不同應用領域為例，示範如何運用計算流體力學（computational fluid dynamics，CFD）評估氣流驅動的量測位置選擇與不確定性。 --- ## [GUIDES] digital-sop-guided-work-instructions-field-evidence ## 一線作業需要營運上下文 一線作業往往依賴精確順序、特定資產、物理位置、受訓角色和後續可複核的紀錄。技術人員可能需要隔離設備、執行上鎖掛牌步驟、檢查面板、讀取數值、拍照、回報異常並關閉工單。生產操作員可能需要完成設定、清潔、清線、取樣或交接步驟，每個動作都和房間、設備、物料以及已批准的規程版本相關。 傳統 SOP 和培訓材料有價值，但它們經常離工作物件太遠。規程在文件系統裡，資產紀錄在 CMMS 或 EAM 裡，訊號在 BMS 或 SCADA 裡，照片在行動應用裡，最終判斷在主管複核裡。資訊分散後，跨班次、跨站點、跨團隊比較執行結果就會變難。 營運數位孿生為規程提供工作位置。它圍繞同一營運上下文連接 SOP、資產、位置、角色、視覺指導、現場紀錄、巡檢結果、工單和複核備註。 ## 數位 SOP 需要連接什麼 | 層級 | 營運細節 | |---|---| | 規程控制 | SOP 版本、負責人、生效日期、審批路徑、培訓對象和發布狀態 | | 資產與位置 | 設備 ID、房間、區域、產線、路線、公用系統連接和安全邊界 | | 引導步驟 | 作業順序、提示、檢查點、視覺參考、媒體和異常處理 | | 角色與培訓 | 崗位要求、培訓完成、考核結果、複訓週期和批次歷史 | | 現場執行 | 操作人員、開始時間、步驟狀態、讀數、照片、備註、問題和工單連結 | | 複核紀錄 | 主管複核、驗收標準、糾正措施、關閉狀態和稽核軌跡 | | 資料上下文 | 相關即時數值、告警、維修歷史、文件和企業紀錄 | 目標是可追溯。團隊應能看到使用了哪個規程，作用於哪項資產或區域，由誰執行，採集了哪些證據，以及結果如何複核。 ## 在空間上下文中編排規程 [Director](/products/director) 是引導式 3D 規程的編排工具。它可以把已批准的作業知識轉化為帶有標籤、動畫、面板、圖片、影片、檢查點和視覺提示的分步內容。編排目標是在作業現場呈現正確的資產、位置、動作和紀錄要求。 好的數位 SOP 內容通常來自既有資料：已批准 SOP、作業指導書、手冊、照片、影片、CAD 或 BIM 模型、設備模型、資產清單、安全說明、培訓課件和現場回饋。內容團隊再判斷哪些步驟需要 3D 上下文，哪些步驟需要檢查紀錄，哪些步驟需要照片，哪些異常應發起任務。 [FactVerse](/products/factverse) 保持規程與資產和位置模型的連接。[Data Fusion Services](/products/dfs) 可在流程需要時接入文件、工單歷史、即時數值和企業紀錄。 ## 採集現場證據 數位指導進入現場執行後，才會形成營運價值。[Checklist](/products/checklist) 結構化重複檢查、必要讀數、簽核和完成紀錄。[Inspector](/products/inspector) 將巡檢、問題、照片、維修備註、工單、驗收步驟和複核狀態連接到資產與位置上下文。 可落地的執行路徑如下： 1. **準備** - 連接 SOP、資產、位置、角色、檢查清單和必要證據。 2. **引導** - 透過 Director 編排內容和現場指令交付步驟。 3. **記錄** - 採集讀數、照片、備註、異常和完成狀態。 4. **升級** - 將確認後的問題轉化為巡檢任務、維修任務或工單。 5. **複核** - 由主管或品質團隊複核證據、糾正措施和關閉狀態。 6. **改進** - 利用重複異常和複核結果改進培訓、規程內容和資產紀錄。 這個流程讓培訓、執行、證據和改進保持資產上下文的一致性。 ## 現場執行前先完成訓練 培訓應使用與現場執行一致的空間上下文。新操作員可以在進入現場前理解設備身分、房間布局、作業順序、視覺檢查點、風險點和證據欄位。 [Simulator](/products/simulator) 適用於培訓任務依賴設備行為、控制方式、安全場景、路線紀律、評分和重複練習的場景。重型設備、叉車、施工機械和設備專用專案，可以透過 Simulator 場景練習操作、應急回應和考核流程。 對於製程操作和設施工作，Director 與 Checklist 可以支援引導式規程培訓，Inspector 則把同一套資產和任務上下文帶入現場執行。這樣，培訓紀錄、作業指導和現場證據能夠保持對齊。 ## 行業場景 **製造**團隊可以將數位 SOP 用於換線、巡檢、維修支援、線邊故障處理、倉儲交接和生產支援公用設備。現場證據幫助工程師比較不同資產、班次和生產區域中的重複問題。 **製藥與生物製藥**團隊可以將引導式規程用於設定、清潔、取樣、稱量、清線、設備準備和操作員交接。培訓完成、SOP 版本、任務證據、異常備註和複核紀錄可支援 GMP 與 CSV 證據準備。 **施工與重型設備**團隊可以結合 Director 引導規程、Simulator 設備訓練和 Inspector 現場紀錄，服務現場作業、設備操作、安全流程和問題關閉。塔吊、叉車、旋挖鑽機、深井套桿鑽機、挖掘機和專案專用設備都可以進入訓練專案。 **資料中心與智慧設施**可以連接維修規程、巡檢路線、BMS 告警、資產紀錄、能耗讀數、照片和工單狀態。同一套紀錄結構可以服務維修計畫、能耗複核和營運交接。 **倉儲與廠內物流**團隊可以在規劃與巡檢使用的同一資產和位置上下文中，訓練路線、裝卸步驟、安全檢查、叉車流程、異常處理和維修任務。 ## 資料與 AI 回饋 現場證據為 AI 輔助流程提供更可靠的真實回饋。已確認問題、被複核調整的建議、重複異常、完成備註、讀數、照片和作業後結果，可以幫助團隊判斷規程哪裡不清楚，培訓哪裡需要刷新，哪些資產存在重複模式。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以 24x7 複核連接後的訊號、工單歷史、文件、巡檢紀錄和現場回饋。在這個流程中，AI Agent 更適合幫助專業團隊總結證據、發現重複問題、建議下一步檢查，並準備進入複核的工作內容。 當培訓紀錄、現場執行、工單和複核結果都指向同一資產和規程上下文時，學習閉環會更穩定。 ## 產品分工 [Director](/products/director) 創建引導式 3D SOP、步驟提示、視覺標籤、動畫、媒體面板、培訓內容和現場指令。 [Checklist](/products/checklist) 結構化重複檢查、必要讀數、崗位簽核、完成狀態和行動端紀錄。 [Inspector](/products/inspector) 管理巡檢、問題、工單、證據採集、維修備註、驗收紀錄和現場歷史。 [Simulator](/products/simulator) 在任務依賴控制方式、設備行為、安全場景、評分和重複練習時，支援設備操作訓練。 [FactVerse](/products/factverse) 提供營運數位孿生上下文，用於資產、空間、系統、規程、作業物件、文件和權限。 [Data Fusion Services](/products/dfs) 將 CMMS、EAM、BMS、SCADA、IoT、文件、工單紀錄和企業系統連接到正確的孿生物件。 [FactVerse AI Agent](/products/factverse-ai-agent) 在流程紀錄穩定後，輔助複核、分診、建議準備和回饋分析。 ## 實施檢查清單 * SOP 版本、負責人、發布日期和培訓對象是否記錄清楚 * 資產 ID、房間名稱、設備標籤和工單物件是否一致 * 需要 3D 指導、檢查紀錄、照片或讀數的步驟是否已經識別 * 異常路徑、問題類別、升級規則和關閉欄位是否已經定義 * 培訓完成、考核結果和複訓週期是否綁定到正確規程版本 * Inspector 與 Checklist 紀錄是否連接到同一資產和位置模型 * 照片、讀數、備註、複核決定和糾正措施是否可用於後續復盤 * AI Agent 場景是否建立在穩定的規程、資產、工單和現場證據資料之上 ## 公開參考 [Swire Coca-Cola 參考](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 展示了維修流程與一線培訓數位化。 [Foxconn 參考](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 展示了 FactVerse 在培訓和維修流程中的應用。 [高速公路安全培訓參考](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) 展示了基於數位孿生的現場技能實踐培訓。 [製藥操作員培訓指南](/resources/guides/pharma-operator-training-digital-sop-gmp-csv)、[重型設備 Simulator 培訓指南](/resources/guides/digital-twin-heavy-equipment-simulator-training) 和 [CMMS、EAM 與 BMS 整合指南](/resources/guides/cmms-eam-bms-operational-digital-twin-integration) 分別覆蓋監管營運、設備訓練和企業系統整合的相鄰流程。 --- ## [GUIDES] digital-twin-content-packs-industrial-rollout ## 可複用內容讓交付更穩定 工業數位孿生專案常常會重複搭建相似的基礎內容：空間、資產、路線、設備類別、標籤、面板、操作步驟和場景行為。每個客戶現場都需要貼合實際情況，但同一類營運場景裡的很多起點是共通的。 數位孿生內容包就是為了建立這個可複用基線。FactVerse DLC 為 FactVerse Designer 提供預配置內容，讓團隊先從行業基礎出發，再把模型、場景、資料映射和工作流調整到客戶的真實設施。 它帶來的價值是營運一致性。產品團隊、交付團隊和客戶團隊可以從第一次需求討論開始，就圍繞同一套資產類別、場景結構、工作記錄和營運視圖溝通。 ## 內容包應該包含什麼 | 層級 | 可複用內容 | |---|---| | 資產類別 | 設備類型、標籤、屬性、命名規則和角色定義 | | 空間結構 | 站點、建築、樓層、房間、區域、產線、路線和安全邊界 | | 模型資源 | 3D 物件、簡化設備外形、布局元素、標籤和視覺狀態 | | 場景範本 | 面向營運、維護、培訓、規劃和管理匯報的常用視圖 | | 行為邏輯 | 狀態變化、引導步驟、警報、運行序列和場景觸發 | | 資料綁定 | 來源欄位、單位、時間戳、負責人、刷新規則和孿生物件映射 | | 工作流上下文 | 巡檢點、檢查欄位、工單流轉、證據採集和審批 | | 治理資訊 | 版本、負責人、內容範圍、更新規則、本地化和複用標準 | 內容包應該幫助團隊更快啟動，同時保留每個現場的可配置空間。 ## 工業場景的基礎內容範圍 **資料中心 DLC** 幫助團隊準備機房、機櫃、設施設備、能耗上下文、監控視圖、巡檢路線和維護記錄，用於資料中心數位孿生。 **園區 DLC** 支援建築、園區、公輔系統、環境、通行和設施上下文，服務於多建築營運和智慧設施管理。 **倉儲物流 DLC** 幫助描述倉庫區域、儲存空間、路線、輸送線、操作流程、物流規劃和培訓場景。 **離散製造 DLC** 為生產設備、輸送線、AGV、操作員、產線上下文和規劃場景提供虛擬工廠起點，交付團隊可以在 Designer 中繼續定制。 這些基礎內容真正發揮作用，需要連接客戶的真實資產、系統、流程和營運記錄。 ## DataMesh 落地流程 1. **選擇內容基礎** - 根據現場類型和專案目標選擇合適的 DLC 基線。 2. **映射客戶現場** - 把建築、房間、區域、產線、設備、路線和作業區對應到客戶的實際命名和資產記錄。 3. **在 Designer 中準備場景** - 使用 FactVerse Designer 調整模型、場景範本、視圖、標籤、面板和行為邏輯。 4. **連接資料模型** - 使用 FactVerse 組織空間、資產、關係、文件、工作上下文和可複用物件。 5. **綁定營運資料** - 使用 Data Fusion Services 連接來源系統、感測器資料、企業記錄、維護工具和文件引用。 6. **掛接執行工作流** - 使用 Inspector、Director 或其他應用連接巡檢、SOP 引導、工單、培訓和現場證據。 7. **復盤並產品化複用** - 把多個專案中反覆出現的資產、邏輯和工作流沉澱為受管理的內容，讓後續站點從更成熟的基線開始。 這個循環很重要：每次交付都應該讓可複用基礎變得更好。 ## 產品團隊如何管理 DLC 每個內容包都應該被當作產品資產管理。它需要負責人、版本、範圍、示例場景、本地化計畫、發布說明，以及判斷哪些內容應該進入可複用層的標準。 可複用層應聚焦通用結構：資產類別、場景基礎、預設視圖、起步邏輯和整合模式。客戶特定名稱、權限規則、即時資料憑證、審批鏈和操作規程應留在專案配置中。 這種分層有助於 DataMesh 團隊保持內容品質，也讓專案有足夠靈活性。銷售、交付和客戶成功團隊也能更具體地說明哪些內容會複用，哪些內容會按現場定制。 ## DataMesh 產品如何配合 [FactVerse DLC](/products/factverse-dlc) 提供面向常見工業落地場景的可複用數位孿生內容包。 [FactVerse Designer](/products/designer) 用於打開、調整並組裝 DLC 資源，形成場景、營運視圖和情境內容。 [DataMesh FactVerse](/products/factverse) 儲存共享數位孿生上下文，包括空間、資產、關係、文件、資料綁定和應用工作流。 [Data Fusion Services](/products/dfs) 把營運資料來源和企業記錄連接到孿生體中的正確物件。 [Inspector](/products/inspector) 把孿生上下文轉化為巡檢、工單、照片、維修記錄、驗收說明和現場證據。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以在資料模型和工作流成熟後，基於穩定的孿生上下文和工作記錄進行營運分析。 ## 落地檢查清單 - 內容包是否清晰定義了可複用的資產類別和屬性？ - 空間結構是否符合客戶實際營運現場的組織方式？ - 模型資源是否既適合互動場景，又能讓營運人員看清物件？ - 場景範本是否對應巡檢、規劃、培訓、監控或維護等真實工作流？ - 資料綁定是否記錄了來源、單位、負責人、刷新規則和品質狀態？ - Inspector 欄位、工單流轉和證據記錄是否在現場上線前定義清楚？ - 版本、本地化和內容負責人是否明確？ - 一個專案中的改進是否可以沉澱為後續專案的可複用內容？ 好的內容包應該減少重複搭建工作，並提升多個專案之間的一致性。 ## 公開參考 [IDC DLC 發布資訊](/about/news/introducing-the-new-idc-dlc-for-building-digital-twin-data-center) 展示了可複用內容如何幫助團隊在 FactVerse Designer 中啟動資料中心數位孿生場景。 [倉儲物流 DLC 更新](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) 展示了內容包方法在物流環境、路線、布局和營運場景中的應用。 [全一電子 FactVerse 案例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) 展示了產線規劃如何藉助共享數位孿生上下文降低溝通成本並支持自動化方案討論。 [蔚來智慧工廠案例](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins) 展示了製造團隊如何把數位孿生作為工廠可視化和營運改進基礎。 --- ## [GUIDES] digital-twin-heavy-equipment-simulator-training ## 重型設備培訓需要可重複練習 重型設備操作培訓很難標準化。真實設備排期成本高，現場有安全約束，經驗豐富的教練時間有限。學員需要透過可操作的場景理解設備、控制回饋、作業順序、現場環境、風險點，以及每一步操作品質。 數位孿生模擬器培訓為這些技能提供了可控練習環境。操作員在包含設備行為、實體或桌面控制、視覺回饋、操作提示和評估規則的場景中完成任務。教練可以重複同一任務、比較結果，並形成更清晰的能力記錄。 對 DataMesh 來說，Simulator 承擔重型設備操作培訓。它與 Director 創作的 SOP 培訓、Designer 支援的場景規劃，以及 FactVerse 的數位孿生上下文協同使用。 ## 一個模擬器場景應該包含什麼 | 層級 | 作用 | |---|---| | 設備模型 | 幾何、比例、駕駛艙視角、運動部件、作業範圍和設備特定行為 | | 物理行為 | 運動、碰撞、載荷回應、地面互動、振動和相關安全邊界 | | 操作控制 | 手柄、踏板、面板、方向控制、桌面控制或設備專用控制布局 | | 培訓規程 | 任務步驟、語音或文字提示、信號指令、檢查點和異常處理 | | 現場上下文 | 施工區域、路線、障礙、作業區、材料、周邊設備和天氣或能見度條件 | | 評估規則 | 時間、準確性、規則合規、碰撞事件、路徑品質、操作平穩度和完成記錄 | | 複盤記錄 | 學員資訊、場景版本、評分、備註、回放證據和教練回饋 | 優秀的場景會把這些層級結合起來。塔吊吊裝、叉車路線、旋挖鑽機作業、深井套管鑽機流程或挖掘機操作，都應該按結構化工作任務來設計，包含清晰步驟、約束、回饋和評分。 ## 設備覆蓋與場景設計 DataMesh Simulator 支援塔吊、叉車、旋挖鑽機、深井套管鑽機、挖掘機和其他重型設備的培訓專案。每個專案都應該先明確培訓目標：基礎熟悉、操作順序、異常回應、認證練習、海外服務培訓，或教練主導的考核。 培訓目標會決定硬體形態、場景精度、控制設定、評分規則和內容深度。有些團隊需要運動平台和駕駛艙，有些團隊需要用於初期熟悉的桌面訓練站，有些團隊需要適合分散式培訓的便攜配置。合適的設計取決於設備、學員階段、培訓地點和評估要求。 因此，模擬器內容應該按設備培訓專案來規劃。模型、控制、場景、評分和複盤流程都需要匹配正在訓練的操作技能。 ## DataMesh 工作流 1. **定義培訓角色** - 明確設備類型、操作員角色、目標技能、安全重點和評估要求。 2. **構建設備孿生** - 準備設備模型、運動部件、駕駛艙視角、控制映射、物理行為和場景環境。 3. **編排培訓路徑** - 建立任務步驟、提示、檢查點、信號指令和異常案例。 4. **配置訓練站** - 根據場景選擇運動平台、駕駛艙、控制面板、桌面訓練站、視覺系統或組合方案。 5. **開展練習與評估** - 讓學員重複任務、接收回饋，並完成結構化考核。 6. **記錄證據** - 保存評分、完成記錄、教練備註、場景版本和複盤證據。 7. **迭代課程** - 當設備、規程、現場規則或培訓目標變化時更新場景。 這樣形成的是包含場景版本、教練複盤、評估證據和課程迭代路徑的可複用培訓系統。 ## Simulator 在 FactVerse 體系中的位置 [Simulator](/products/simulator) 負責重型設備操作培訓。當培訓目標依賴設備行為、控制回饋、物理互動和操作員評估時，Simulator 是主要承載產品。 [FactVerse](/products/factverse) 提供數位孿生平台基礎。[FactVerse Twin Engine](/products/factverse-twin-engine) 負責組織資產、場景上下文、行為和場景狀態。 [FactVerse Designer](/products/designer) 支援場景創作、布局規劃和場景準備。[Director](/products/director) 支援 SOP 引導和互動培訓內容。[Inspector](/products/inspector) 在培訓連接到現場執行後，支援現場記錄、巡檢、問題閉環和證據工作流。 這些產品共同幫助培訓團隊把設備練習連接到規劃、指導和營運使用的同一套數位孿生上下文。 ## Steam 公開參考版 DataMesh 在 Steam 發布了 [Operator Training: Heavy Equipment](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) 作為簡化公開參考體驗。Steam 頁面顯示開發者和發行商均為 DataMesh，並提供面向公開使用者的輕量級重型設備模擬訓練體驗。 這個公開版本適合理解基本概念：設備操作、引導練習、視覺場景上下文和設備模擬。企業和院校專案會進一步加入專案相關硬體、控制系統、課程內容、評分標準、駕駛艙設計、運動平台選項和整合要求。 ## 評估清單 - 場景是否對應真實操作任務或考核目標? - 設備模型是否包含運動部件、控制行為和必要的物理假設? - 硬體配置是否匹配學員階段和培訓目標? - 任務步驟、信號指令、檢查點和異常是否定義清晰? - 評分規則是否對應安全且正確的操作? - 教練是否可以查看回放證據、備註、評分和場景版本? - 培訓記錄是否可以連接到學習管理、安全或營運流程? - 當設備、現場規則或規程變化時，課程是否可以更新? 這些問題可以讓模擬器培訓始終圍繞操作能力和營運準備展開。 ## 公開參考 DataMesh 已公開發布關於 [塔吊培訓](/about/news/datamesh-reshapes-tower-crane-training-experience-with-simulator-2-1)、[履帶式挖掘機培訓環境](/about/news/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations)、[基於數位孿生的 Simulator Platform](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) 和 [Simulator 2.2](/about/news/datamesh-simulator-2-2-released-for-enhanced-immersive-training) 的公開內容。 [Operator Training: Heavy Equipment Steam 頁面](https://store.steampowered.com/app/4260860/Operator_TrainingHeavy_Equipment/) 是 DataMesh 發布的簡化重型設備訓練體驗公開參考。 --- ## [GUIDES] executable-digital-twin-vs-digital-twin ## 從視覺化模型走向營運閉環 傳統數位孿生通常從三維模型、BIM 資料、設備幾何或儀表板開始，幫助團隊看到設施、產線、資產或施工現場。這個層面本身很有價值，因為它提供了共同脈絡，讓複雜環境更容易被理解。 可執行數位孿生在模型周圍增加營運閉環。它連接即時資料、資產關係、流程邏輯、模擬、審批、工單和驗證紀錄。團隊可以複核正在發生的情況，評估某個場景下可能出現的結果，分派工作，並保留每次決策背後的證據。 這也是工業和設施環境中物理智慧的基礎。AI 建議只有落在真實資產、空間關係、物理約束、工作歷史和審批流程中，才更容易進入實際營運。 ## 可執行數位孿生的組成 一個可執行數位孿生通常包含六個層面： - **空間與資產結構**：站點、建築、樓層、區域、系統、設備、點位、文件和責任關係。 - **即時營運資料**：BMS、SCADA、IoT、儀表、歷史資料庫、CMMS、ERP、MES 和其他來源系統。 - **行為與流程邏輯**：流程步驟、控制假設、依賴關係、作業手順和事件條件。 - **模擬與場景複核**：佈局選項、流線分析、設備運動、物理行為和方案比較。 - **工作流程與現場執行**：巡檢、任務、工單、SOP、訓練、驗收和交接。 - **治理與證據**：審批、紀錄、模型版本、照片、說明和營運結果。 價值來自這些層面的連接。模型可以顯示資產的位置，可執行數位孿生還能顯示這台資產的資料、支援的流程、正在複核的場景、分派給它的工作，以及確認現場結果的紀錄。 ## 物理智慧為什麼需要可執行數位孿生 物理智慧面對真實世界的營運問題。建議需要適配現場、資產、流程、人员，以及組織內部的安全和審批規則。單獨的模型回答很難覆蓋這些條件。 可執行數位孿生為物理智慧提供可治理的營運脈絡： - 說明訊號屬於哪個資產、系統、區域和流程。 - 提供歷史紀錄和即時狀態，用於分析判斷。 - 為模擬流程提供方案比較的場所。 - 把核准動作交給巡檢、維護、訓練或施工工作流程。 - 保留建議、審批、執行和驗證的可追溯紀錄。 對買方來說，關鍵差異在於數位孿生是否已經成為營運系統的一部分。 ## DataMesh 技術棧在其中的位置 [Data Fusion Services](/products/dfs) 連接企業系統、工業系統、IoT 和設施資料來源。[FactVerse](/products/factverse) 組織資料、資產、場景和應用脈絡。[FactVerse Twin Engine](/products/factverse-twin-engine) 在不同設備和營運場景中渲染並執行三維孿生體驗。 [FactVerse Designer](/products/designer) 支援場景創作、流程邏輯、虛擬規劃和模擬工作流程。對於使用 NVIDIA Omniverse 的團隊，[FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 可以把 FactVerse 的場景結構、元資料和行為脈絡帶入 USD 與 Omniverse 驗證流程。 [FactVerse AI Agent](/products/factverse-ai-agent) 基於連接後的脈絡支援異常複核、預測分析、營運問答、建議摘要和決策交接。[Inspector](/products/inspector) 把核准發現轉化為巡檢、工單、現場紀錄、驗收和證據。 這些層合在一起，讓團隊能夠查看、分析、模擬、執行和複盤同一個數位孿生。 ## 常見實施方式 實際落地時，最好從一個營運閉環開始： 1. 連接來源資料，並明確每個來源系統的責任邊界。 2. 把資產、空間、系統和點位映射到共同孿生結構。 3. 加入行為邏輯、流程步驟、作業手順或場景假設。 4. 透過模擬、工程複核或營運回放驗證選項。 5. 把核准動作交給巡檢、維護、訓練或施工工作流程。 6. 記錄完成情況，並用營運資料複核結果。 這種方式讓工作保持具體，也讓各方能判斷數位孿生是否正在進入日常執行。 ## 可執行數位孿生的價值場景 | 起點 | 實際用途 | |---|---| | 設施營運 | 連接資產、儀表、BMS 點位、巡檢和維護紀錄，在空間脈絡中複核問題 | | 預測性維護 | 結合感測器資料、資產歷史、異常複核、工單和驗證紀錄 | | 流程模擬 | 在現場變更前比較佈局、物流、設備運動和營運假設 | | 施工指導 | 連接 BIM、現場脈絡、施工方法、進度核查和現場指導 | | 人員訓練 | 把設備、手順、風險點和場景紀錄轉化為可複用的訓練流程 | 第一個用例需要有清晰的資料責任、可衡量的營運流程，以及能執行和驗證動作的團隊。 ## 評估清單 比較數位孿生平台時，可以使用這些問題： - 平台能否把即時營運資料連接到資產、系統和空間。 - 能否表達行為、流程邏輯和場景假設。 - 團隊能否在營運變更前進行模擬或場景複核。 - 建議能否進入核准的巡檢、維護、訓練或施工工作流程。 - 現場團隊能否記錄照片、說明、驗收紀錄和完成狀態。 - 工程師和營運人員能否追溯資料、模型脈絡和審批歷史。 - 同一個孿生能否支援視覺化、監控、模擬和工作流程執行。 - 平台能否支援跨使用者、跨站點、跨系統的企業治理。 當每個問題都能對應到真實工作流程和責任團隊時，可執行數位孿生才會持續產生價值。 ## 實際成效 可執行數位孿生幫助工業和設施團隊從共同視覺化走向可治理執行。近期成效通常很務實：更清晰的營運脈絡、更快的跨團隊複核、更順暢的分析到現場交接、更完整的證據紀錄，以及更有紀律的方案比較。 隨著營運閉環成熟，物理智慧可以獲得更豐富的脈絡。建議可以基於資產資料、系統關係、模擬結果、工作歷史和現場治理機制生成。數位孿生也由此成為真實世界決策中的工作層。 --- ## [GUIDES] factverse-ai-agent-heatops-district-heating ## 供熱營運需要連結上下文 供熱團隊的決策往往同時依賴多類資訊：熱源狀態、一次網和二次網資料、換熱站工況、樓宇側反饋、天氣預測、投訴記錄、現場巡檢、維護歷史和調度規則。每套系統都只解釋了營運的一部分，真正困難的是把這些訊號連結成可審查、可批准、可執行、可驗證的調度決策。 [HeatOps](/solutions/heatops) 是 [FactVerse AI Agent](/products/factverse-ai-agent) 的供熱行業模組。它透過 [Data Fusion Services](/products/dfs) 連結營運資料，透過 [FactVerse](/products/factverse) 保留管網與資產上下文，並透過 Inspector 或客戶已有工單系統保留現場行動記錄。 它的目標很實際：幫助供熱團隊預測負荷、診斷管網狀態、審查調度方案、協調現場工作，並保留決策背後的營運證據。 ## 營運模型連結什麼 | 層級 | 營運上下文 | |---|---| | 熱源 | 鍋爐、熱泵、熱電聯產、餘熱、儲熱、燃料、電力、能力和可用性 | | 管網 | 一次網、支線、壓力、流量、供回水溫度、閥門、洩漏和保溫狀態 | | 換熱站 | 換熱器、泵、控制閥、計量表、差壓、效率、報警和服務歷史 | | 建築 | 樓宇分區、室內反饋、使用者側溫度、舒適度問題、熱慣性和服務優先順序 | | 外部上下文 | 天氣預測、歷史負荷、節假日、入住規律、資費上下文和服務請求 | | 工作執行 | 調度指令、巡檢、維修任務、清洗、閥門調整、保溫修復、照片和驗收記錄 | | 治理 | 建議來源、審批路徑、指令邊界、回退規則、結果審查和稽核記錄 | 價值來自這些層級之間的連結。一次低溫投訴應該能追溯到建築上下文、換熱站行為、支線管網狀態、歷史工作記錄和隨後的調度決策。 ## DataMesh HeatOps 工作流 1. **連結營運來源** - 彙集 SCADA、SIS、PVSS、PLC 點位、計量、天氣、GIS、投訴記錄、計費上下文、維護系統和調度日誌。 2. **構建供熱數位孿生** - 在 FactVerse 中建立熱源、管線、換熱站、閥門、泵、計量表、建築、分區和服務區域模型。 3. **綁定訊號與資產** - 使用 Data Fusion Services 將溫度、壓力、流量、報警、能耗讀數和工作記錄對應到正確的資產和管網段。 4. **審查需求與風險** - 使用 FactVerse AI Agent 為調度員準備負荷預測、負荷變化說明、異常模式摘要和調度選項。 5. **協調行動** - 把確認後的發現轉化為調度記錄、現場巡檢、工單、調整任務或受控寫回範圍。 6. **驗證結果** - 將動作後的讀數、舒適度反饋、報警、熱損模式和工單證據與原始發現進行對比。 這套工作流讓 AI 建議始終附著在產生建議的營運上下文上。 ## 預測、診斷和調度審查 HeatOps 可支援三類相互連結的工作模式： - **負荷預測**：在需求變化到來之前，對比天氣、歷史負荷、管網狀態、建築響應和執行約束。 - **管網診斷**：審查供回水溫差、差壓、流量、補水、換熱器表現、泵狀態、閥門狀態、洩漏跡象、結垢跡象和反覆出現的使用者側問題。 - **調度審查**：為調度員準備可審查的行動建議，例如供水溫度調整、泵頻調整、閥門調整、預熱策略、人員準備和現場巡檢優先順序。 建議需要說明影響範圍、原因、預期效果、審批要求和後續證據。這樣控制室、工程團隊、現場團隊和管理人員都能審查 AI 輸出。 ## 從建議到可稽核執行 供熱營運涉及安全、舒適度、合同、裝置邊界和服務責任，因此執行路徑需要分階段推進。 第一階段是決策支援。調度員在數位孿生上下文中審查預測、診斷和建議動作。下一階段是輔助執行：確認後的建議進入調度記錄、現場任務、工單和後續檢查。當權限、指令範圍、安全聯鎖、回退規則和稽核要求明確後，現場可以逐步加入受控寫回。 [Inspector](/products/inspector)、[Checklist](/products/checklist) 和客戶已有工單系統可以保留現場側閉環：誰檢查了換熱站，調整了什麼，採集了哪些照片和讀數，工作何時關閉，狀態是否改善。 ## 能碳記錄與管理審查 供熱營運需要季節性證據和即時畫面。HeatOps 可以把熱量、燃料、電力、泵耗、熱損、舒適度反饋、事件響應、改造活動和現場工作整理成營運記錄，用於管理審查。 這些記錄幫助團隊按時間比較調度策略、改造成效、換熱站表現和管網段狀態，也讓業主、城市團隊、服務公司和工程夥伴可以圍繞同一條資料鏈討論能碳表現。 核算方法、統計邊界和碳因子需要按專案配置。HeatOps 提供用於審查的連結型營運上下文和可追溯證據。 ## 資料準備清單 上線前建議審查這些條件： - SCADA、SIS、PVSS、PLC 和計量點位具備穩定名稱、單位、時間戳和責任歸屬。 - 熱源、換熱站、閥門、泵、計量表、建築、分區和管網段可以對應到數位孿生。 - 天氣、負荷歷史、投訴記錄和工單可以按時間、區域、資產或站點連結。 - 調度員和工程師已經約定調度建議的審批規則。 - 現場團隊可以結構化記錄巡檢、調整、照片、讀數和驗收證據。 - 受控寫回規則在任何指令路徑引入前已經形成文件。 - 試點指標基於已驗證的營運記錄。 首個試點適合選擇範圍可控的服務區或換熱站組，團隊需要具備足夠資料、清晰責任和高頻營運問題。 ## 實用起點 | 起點 | 為什麼適合 | |---|---| | 換熱站總覽 | 團隊可以圍繞已知資產組連結溫度、壓力、流量、泵狀態、閥門狀態、熱量、報警和服務歷史 | | 天氣波動準備 | 負荷預測可以幫助調度員在寒潮、回暖或異常入住規律影響服務前做好準備 | | 低溫投訴 | 投訴記錄可以與樓宇上下文、換熱站狀態、支線壓力和歷史維護一起復核 | | 重複站點報警 | AI 輔助審查可以總結模式，並把確認後的問題推進到巡檢或維護任務 | | 能源與熱損審查 | 季節性記錄可以連結熱源輸出、管網行為、樓宇側情況和現場工作 | 這些起點可以先建立可審查閉環，再逐步擴充套件到更大的最佳化或控制場景。 ## 公開參考 [HeatOps 解決方案頁面](/solutions/heatops) 說明了 FactVerse AI Agent 中供熱行業模組的範圍。 [資料中心數位孿生營運指南](/resources/guides/data-center-digital-twin-operations) 和 [預測性維護指南](/resources/guides/predictive-maintenance-digital-twin-work-orders) 展示相鄰場景中連結設施訊號、數位孿生上下文、工單和已驗證現場行動的方式。 [Singtel FutureNow 參考](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre) 展示了 DataMesh 在連結型設施環境中的數位孿生上下文。[Yokogawa 與 DataMesh 預測性維護參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示瞭如何把工業訊號轉化為 AI 輔助維護審查的更廣泛模式。 --- ## [GUIDES] factverse-ai-agent-industrial-operations-loop ## 工業 AI Agent 需要現場上下文 工廠、園區、資料中心、熱網、倉儲物流和口岸等場景都由真實的物理系統構成。能在這些場景中發揮作用的 AI Agent，需要理解設備、位置、即時訊號、運行歷史、操作手順、工單和責任記錄。 [FactVerse AI Agent](/products/factverse-ai-agent) 面向這一層營運工作。它基於 FactVerse 數位孿生底座，連結工業資料、企業知識、Inspector 工作記錄和人工審批路徑，讓 AI 建議能夠進入可稽核、可執行、可復盤的現場流程。 ## 營運閉環如何形成 1. **連結訊號與知識** - Data Fusion Services 彙集設備資料、設施系統、SCADA 或 BMS 訊號、維護歷史、文件、SOP 和企業系統。 2. **放入數位孿生上下文** - FactVerse 與 Twin Engine 將這些訊號連結到資產、空間、系統、關係和工作流狀態。 3. **由 AI Agent 分析** - AI Agent 審查趨勢、告警、歷史工單、營運規則和現場上下文，生成發現和建議動作。 4. **人工審查與批准** - 操作員、工程師或主管根據流程權限和風險等級確認建議。 5. **進入現場執行** - Inspector、Checklist、客戶已有 CMMS 或 EAM 系統，以及一線應用，將已批准的動作轉化為工單、巡檢、指導任務和訓練。 6. **結果回流** - 完成記錄、照片、讀數、異常說明、人工決策和動作後的結果，成為後續審查和模型改進的證據。 這套閉環把 AI 輸出變成了可追蹤的營運過程。 ## 7x24 小時運行與持續學習 工業事件會跨越班次、週末、天氣變化、生產週期和維護窗口。FactVerse AI Agent 可以持續處理已連結的訊號、告警、工單變化、巡檢記錄和現場回饋，在關鍵專家沒有盯著看板時，也協助團隊保持對資產和流程變化的感知。 隨著更多任務被執行，系統會累積異常訊號、確認原因、被否決的建議、已完成維修、操作員備註、巡檢照片和結果讀數。這些記錄可以用於機器學習模型的訓練、重新訓練、評估和建議品質調校，讓 AI Agent 逐步貼近客戶自己的現場資料和營運規律。 持續學習需要治理機制配合。資料來源、審批歷史、執行結果和審查指標，協助團隊判斷哪些發現值得信任，哪些建議需要調整，哪些流程可以擴大試點範圍。 ## 典型行業模組 FactVerse AI Agent 可以按行業流程組織成不同模組。模組名稱用於描述營運任務，並把產品口徑統一到 FactVerse AI Agent。 | 模組 | 營運範圍 | |---|---| | 預測性維護 | 設備健康審查、異常解釋、維護優先級、工單流轉和驗證記錄 | | HeatOps | 負荷審查、熱網診斷、調度支援、換熱站工作和能碳營運記錄 | | 設施巡檢與維護 | 資產查詢、巡檢規劃、故障排查指導、證據採集和維護跟進 | | 邊境與物流檢查 | 空間化流程支援、清單執行、異常審查、檢查記錄和跨團隊交接 | | 操作指導與訓練 | 數位化 SOP、設備步驟、任務指導、安全提醒和人工操作訓練記錄 | | 半導體設施營運 | 廠務與公輔設備上下文、系統巡檢、異常事件審查和工單整合 | 每個模組都可以從決策支援開始，並隨著客戶明確資料存取、審批規則和執行邊界而擴展。 ## 產品體系如何協同 [Data Fusion Services](/products/dfs) 負責資料基礎，將源系統、文件、感測器流和企業記錄對應為可使用的營運上下文。 [FactVerse](/products/factverse) 和 [FactVerse Twin Engine](/products/factverse-twin-engine) 提供營運數位孿生能力，管理資產、空間、關係、狀態、行為邏輯和工作流上下文。 [FactVerse AI Agent](/products/factverse-ai-agent) 使用這些上下文整理證據、比較模式、生成建議、解釋可能原因，並把決策交給合適的工作流。 [Inspector](/products/inspector)、Checklist 以及已連結的 CMMS 或 EAM 系統保留現場執行記錄，包括誰審查了任務、完成了什麼、採集了什麼證據，以及狀態是否改善。 [FactVerse Designer](/products/designer) 支援場景建立、布局規劃、虛擬規劃、仿真準備和 Physical AI 工作流，適用於需要準備 SimReady Asset 或接入 Omniverse 相關仿真流程的專案。 ## 人工確認仍然在閉環中 工業決策會影響安全、停機時間、合約、合規和資產壽命。FactVerse AI Agent 的價值在於準備完整上下文，讓有責任權限的人能夠更快、更清楚地做出判斷。 低風險任務可以較快從建議進入巡檢或工單。高風險任務，例如設備停機、控制參數調整、工藝變更或受監管的操作步驟，需要主管審批、工程審查或客戶自訂授權。同一套流程可以保留建議內容、審查人、批准動作和最終結果。 ## 從一個可驗證流程開始 首個部署應選擇範圍明確、資料可連結、責任清晰、結果可衡量的閉環。例如某類關鍵設備、某條設施巡檢路線、某組換熱站、某個資料中心資產組、某類倉儲物流設備流程，或某個操作指導場景。 先連結相關資料和工作記錄，定義誰審查 AI 發現，把確認後的發現進入現有執行系統，並記錄結果。之後再用這些記錄調校建議品質，決定下一階段擴展到哪裡。 ## 評估清單 - 源訊號、文件和工單是否連結到了正確的資產和空間 - AI Agent 是否能說明建議來自哪些證據 - 每條建議是否有責任人、審批路徑和執行去向 - 現場團隊是否能記錄完成說明、照片、讀數、異常和驗證結果 - 被否決或修正的建議是否能用於改進後續推薦 - 機器學習更新是否基於營運證據審查，而不只看模型置信度 - 同一套營運閉環是否能擴展到更多站點、班次和團隊，同時保持可追蹤 這些檢查能讓工業 AI 始終貼近真實營運。 ## 公開參考 [FactVerse AI Agent 發布新聞](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)說明了 DataMesh 面向複雜設施仿真驅動營運的公開方向。 [Yokogawa 與 DataMesh 預測性維護案例](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)展示了如何把工業訊號轉化為 AI 輔助的維護審查。 [NIO 智慧工廠參考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)和 [Singtel FutureNow 展示](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)提供了複雜環境中營運數位孿生上下文的公開示例。 --- ## [GUIDES] factverse-omniverse-simulation-digital-twin ## 為什麼要連接 FactVerse 和 Omniverse 工業模擬需要兩類脈絡。營運團隊需要可信的數位孿生，保留資產、關係、即時資料、權限和業務語義。模擬團隊需要高保真環境，用於渲染、USD 場景開發、物理行為驗證和方案評審。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 連接這兩層能力。工廠、設施、產線或物流區域可以先在 [FactVerse](/products/factverse) 和 [FactVerse Designer](/products/designer) 中準備，再透過 USD 工作流進入 NVIDIA Omniverse 進行評審和模擬。 這是物理智能（Physical AI）的實際工作方式。數位孿生把場景連接到真實資產和營運資料，Omniverse、RTX、PhysX 與 Newton 幫助團隊驗證渲染、感測器脈絡、運動、碰撞、佈局、物料移動、包裝流程、機器人路徑和安全區域互動。 ## Omniverse 作為底層能力層 NVIDIA 目前公開的 Omniverse 定位更加強調基於 OpenUSD 的 libraries、microservices、APIs 和 SDKs，用於構建 Physical AI 應用。類似 CUDA 對 GPU 運算提供基礎能力，Omniverse 為模擬與數位孿生提供底層能力：OpenUSD 負責互操作與 SimReady 資產，RTX 負責渲染與感測器模擬，PhysX 和 Newton 負責物理模擬，資料服務負責場景交換與同步。 對 DataMesh 客戶來說，這明確了產品分工。FactVerse 和 Designer 負責建立工廠或設施場景、資產語義、資料綁定、行為邏輯和 SimReady 資產準備；Omniverse 能力層負責渲染、物理模擬和資料交換，並可嵌入工業工作流、機器人模擬、合作夥伴工具或客製應用。 因此，這個工作流把 FactVerse 作為行業應用與場景創作層，把 Omniverse 作為底層渲染、模擬和互操作能力層。買方需要評估完整鏈路：場景建立、資產治理、SimReady 準備、物理驗證、渲染、資料交換，以及結果回到營運記錄的路徑。 NVIDIA 官方參考： - [NVIDIA Omniverse libraries](https://developer.nvidia.com/omniverse) - [NVIDIA Omniverse for Physical AI](https://www.nvidia.com/omniverse/) - [OpenUSD for Developers](https://developer.nvidia.com/omniverse-libraries/openusd) - [Newton Physics](https://developer.nvidia.com/newton-physics) ## 端到端工作流 1. **構建營運數位孿生** - 在 FactVerse 中建模場地、產線、設備層級、位置、元資料、文件和責任關係。 2. **創作模擬場景** - 使用 FactVerse Designer 建立佈局、流程邏輯、行為樹規則、節拍、路徑和場景變體。 3. **準備 USD 層** - 處理 USD 資源、材質、場景尺度、座標系統、物件身份和版本規則。 4. **把脈絡帶入 Omniverse** - 透過 FactVerse Adaptor for NVIDIA Omniverse 傳遞場景結構、元資料、資料綁定和行為脈絡。 5. **驗證場景方案** - 評審渲染品質、設備運動、碰撞、間距、機器人路徑、物料流、操作員可達性和流程節拍。 6. **沉澱決策依據** - 記錄假設、發現、截圖、場景版本和工程評審意見，用於規劃、培訓、實施或進一步模擬。 關鍵價值在於脈絡連續。相同的工廠或設施脈絡可以支撐規劃、模擬、評審和執行，減少各團隊在不同工具中重複重建場景。 ## 哪些資訊應該從 FactVerse 帶入 Omniverse | 層級 | 價值 | |---|---| | 場地與場景層級 | 讓建築、樓層、區域、產線、工位和設備在模擬評審中保持清晰組織 | | 資產身份 | 讓模擬發現可以追溯到真實設備、模型和維護脈絡 | | 空間關係 | 保留相對位置、間距、通行路線、碰撞區域和作業區域 | | 元資料與語義 | 把設備類型、角色、負責人、文件和系統關係帶入評審脈絡 | | 資料綁定 | 在需要連接資料時，讓 Omniverse 場景反映設備狀態、感測器值、警報或營運訊號 | | 行為邏輯 | 把流程假設、狀態切換、路徑、順序和節拍帶入場景驗證 | | 版本歷史 | 支援比較場景修訂、假設變化和評審結果 | 這些資訊讓渲染場景成為可評審的模擬脈絡。團隊討論產線、機器人路徑、包裝流或物流路徑時，可以沿用 FactVerse 中的資產名稱和營運關係。 ## USD、RTX、PhysX 與 Newton 的位置 USD 為模擬團隊提供結構化場景工作流，覆蓋資產、材質、變體、圖層和協作。在 FactVerse 到 Omniverse 的流程中，USD 是營運數位孿生進入更高保真模擬與視覺化環境的橋梁。 RTX 支援高保真渲染和感測器模擬，適合需要更豐富視覺環境或合成資料環境的場景。PhysX 支援對物理敏感的驗證場景，例如運動、碰撞、剛體行為、擺放、間距、包裝互動、機器人路徑和物料移動。Newton 提供面向機器人學習和模擬工作流的開放、可擴展物理引擎路徑，底層基於 NVIDIA Warp 和 OpenUSD。 工程價值來自清晰的場景設定：尺度、座標、物件屬性、節拍、約束、驗證目標和審批規則都需要明確。輸入假設越可見、可評審，模擬輸出越能支撐決策。 ## 典型應用 - **工廠數位孿生渲染**：把完整工廠區域或產線帶入 Omniverse 做高保真評審。 - **包裝與物料流驗證**：在實物試驗前檢查移動、間距、擺放、設備互動和操作員可達性。 - **產線佈局規劃**：在現場改造前比較工位、緩衝區、機器人、輸送線和物料路徑方案。 - **倉儲與廠內物流規劃**：驗證揀選路徑、暫存區、AGV 路徑、堆高機移動和吞吐假設。 - **機器人與物理智能準備**：形成可支援機器人模擬、合成資料規劃和後續 AI 驗證的場景脈絡。 ## DataMesh 產品分工 [FactVerse](/products/factverse) 是營運數位孿生底座，管理場地模型、資產結構、關係、治理和共享脈絡。 [FactVerse Designer](/products/designer) 是創作與規劃環境，負責佈局建模、流程邏輯、行為樹、時間軸模擬和場景變體。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 將 FactVerse 的場景結構、元資料、資料綁定和行為脈絡帶入 Omniverse 與 USD 工作流。 [Data Fusion Services](/products/dfs) 在模擬需要設備狀態、感測器值、警報、生產指標或企業系統脈絡時連接即時和歷史營運資料。 [FactVerse Twin Engine](/products/factverse-twin-engine) 為可執行數位孿生提供執行階段脈絡，支撐視覺化、資料綁定和後續營運工作流。 ## 資料準備檢查 - 場景層級、資產 ID、位置和設備名稱保持穩定。 - CAD、BIM、3D 和 USD 資產有明確負責人和版本管理。 - 座標系統、尺度、朝向和原點已對齊。 - 材質、碰撞屬性、運動約束和流程節拍已記錄。 - 資料綁定包含來源系統、單位、時間戳和更新規則。 - 模擬目標連接到具體決策，例如佈局審批、機器人路徑評審、包裝驗證或操作員可達性。 - 評審結果可以附帶場景版本、假設、截圖和後續動作。 ## 模擬決策治理 當團隊能夠追溯測試內容和測試原因時，模擬才能有效支撐工程評審。一個實用的評審包應包含場景版本、來源資產、輸入假設、資料來源、物理設定、驗證標準、已知限制和審批意見。 對企業級項目來說，這種治理和視覺效果同樣重要。團隊需要知道使用了哪個孿生版本、哪些假設被接受、發現了哪些問題、哪些改動已獲批准，然後再進入現場工作。 ## 公開參考 [FactVerse 與 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 公告展示了 DataMesh 在模擬數位孿生與 AI 業務工作流方面的公開平台方向。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 進一步提供了 FactVerse 與 Omniverse 結合用於模擬數位孿生場景的公開證據。 [Gyro 廠內物流](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) 和 [全一電子](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) 展示了相鄰公開場景：數位孿生幫助團隊在執行前評審產線佈局、廠內物流和自動化規劃。 --- ## [GUIDES] green-mark-digital-twin-brick-schema ## Green Mark 準備是一項持續營運能力 新加坡 BCA Green Mark 是用於評估建築環境表現與永續營運能力的綠建築評級體系。當前 Green Mark 2021 框架強調能源表現，同時也關注可維護性、全生命週期碳、智慧化、健康與福祉以及韌性。具體標準和技術指南應以 BCA 官方文件為準，項目團隊需要持續關注最新要求。 對設施團隊來說，真正困難的是評估材料背後的營運證據：能源資料、設備關係、維護記錄、環境狀態、改善動作，以及整改工作是否完成的證明。這些證據通常分散在 BMS 畫面、儀表、表格、CMMS 工單、BIM 文件、服務報告和承包商記錄中。 [DataMesh 綠色轉型](/solutions/green-transformation) 透過營運數位孿生把這些層連接起來，協助業主、營運團隊、顧問、工程團隊和永續發展負責人共同準備證據、分析改善選項，並把永續發展工作與日常設施執行聯繫在一起。 官方參考： - [BCA Green Mark 2021](https://www1.bca.gov.sg/buildsg/sustainability/green-mark-certification-scheme/green-mark-2021) - [BCA Green Mark Certification Scheme](https://www1.bca.gov.sg/sustainability/greenmark/) ## 先建立證據層，再進入審查 營運證據在日常工作中持續結構化，Green Mark 準備會更穩。數位孿生可以成為這些證據的共同脈絡。 基礎通常包括： - **空間**：建築、樓層、房間、區域、租戶空間和關鍵功能區。 - **系統**：冷源、HVAC、照明、配電、給排水、壓縮空氣、電梯和其他公輔系統。 - **資產**：設備台帳、儀表、感測器、控制點、文件、維護計畫和服務歷史。 - **訊號**：BMS 點位、儀表讀數、環境資料、警報和計算指標。 - **工作記錄**：巡檢、工單、整改、驗收記錄和驗證說明。 [Data Fusion Services](/products/dfs) 連接 BMS、儀表、IoT、歷史資料庫、CMMS、EAM 和其他資料來源。[FactVerse](/products/factverse) 將這些資料映射到空間、資產、系統和流程，讓團隊明確資料描述的對象，以及行動應該發生在哪裡。 ## 用 Brick Schema 讓證據可追溯 Brick Schema 的價值在於把永續營運證據放回真實設施脈絡中。儀表讀數需要對應正確的儀表，溫度趨勢需要對應正確的區域和感測器，冷機問題需要關聯到背後的系統、資產、警報和維護記錄。 在 [Inspector](/products/inspector) 中，Brick Schema 對齊的關係可以一致地描述建築、樓層、區域、設備、儀表、感測器、點位和系統。這有助於團隊回答實際審查問題： - 這項證據屬於哪個資產或空間。 - 哪個儀表、感測器或控制點支援這條營運記錄。 - 哪張工單或哪次巡檢關閉了這個問題。 - 擬議變更會影響哪些系統或區域。 - 哪些記錄需要工程、永續發展和服務團隊共同複核。 專業判斷仍然是審查和決策的核心。語義層的作用是減少歧義、提升可追溯性，並讓證據更容易被複核。 ## Brick Schema 參考資料 如果讀者需要查看 Brick Schema 標準本身，可以從這些公開資料開始： - [Brick Schema 官方網站](https://brickschema.org/)：介紹 Brick 作為建築統一元資料 Schema 的定位，並提供入門參考圖。 - [Brick 使用者文件](https://docs.brickschema.org/brick/overview.html)：說明建模建築實體與關係時的設計原則和核心概念。 - [Brick 資料來源建模文件](https://docs.brickschema.org/brick/timeseries.html)：包含官方 telemetry data model 參考圖，展示實體與關係如何表達。 - [Brick ontology browser](https://ontology.brickschema.org/)：可瀏覽 Brick class、relationship 和術語定義。 - [BrickSchema GitHub repository](https://github.com/BrickSchema/Brick)：查看開源 schema 開發、release、issue 和源文件。 ## 能源分析與工程複核 營運資料可以顯示能源使用變化，但更深入的決策通常需要方案比較。DataMesh 可以把 BIM/IFC、天氣資料、營運記錄和數位孿生脈絡與 EnergyPlus 建築能耗模型連接起來，協助團隊在行動前評估不同方案。 常見分析包括： - EUI 與負荷構成複核。 - 營運時段、占用情況和天氣歸一化比較。 - 設定值與控制策略複核。 - 改造或設備升級方案比較。 - 整改動作與工程複核優先級列表。 能源分析應作為工程決策輔助。可執行的試點需要先建立基線、驗證資料、比較改善選項、執行整改，並用複核後的營運記錄報告成效。 ## 透過 Inspector 形成閉環 當能源發現和證據需求進入可追蹤的工作流，準備品質會更高。Inspector 可以把發現轉化為巡檢、任務、工單、現場執行、驗收和驗證記錄。 一個可落地的營運閉環包括： 1. 連接 BMS、儀表、資產、環境和維護資料。 2. 用 Brick Schema 對齊的關係映射資產和點位。 3. 複核異常能耗、警報、巡檢缺口或缺失記錄。 4. 在工程複核和必要建模支援下比較改善選項。 5. 在 Inspector 中建立工單和整改動作。 6. 記錄完成情況、照片、說明和驗收證據。 7. 重新檢查營運資料，並保留證據鏈。 這個閉環為永續發展團隊提供更清晰的證據基礎，也讓設施團隊能真正對發現採取行動。 ## 從哪裡開始 建議從一棟建築、一個園區區域或一組系統開始。合適的試點對象包括冷凍水系統、HVAC 運行時段、能源儀表、高負荷區域，或擁有足夠歷史資料的高維護資產。 首輪實施應產出： | 工作流 | 輸出 | |---|---| | 資料審計 | BMS、儀表、IoT、資產台帳、BIM/IFC 和工單系統清單 | | 語義映射 | 空間、資產、設備、儀表、感測器和系統關係 | | 基線複核 | EUI、負荷模式、營運時段、異常訊號和資料缺口 | | 方案分析 | 改善選項、建模假設和工程複核說明 | | 整改執行 | Inspector 工單、現場記錄、關閉與驗證證據 | 這種方式的價值在於讓團隊在一個可追溯的營運模型中看到設施、資料、證據和工作。 --- ## [GUIDES] how-to-evaluate-simulation-evidence ## 先釐清決策風險 模擬證據適合所要做出的決策時，模擬才足以獲得信任。具備視覺說服力的氣流場、溫度圖、機器人運動或網路模型，可以幫助人們理解模擬情境。最終決策仍取決於更深入的問題：模型呈現的是哪種營運條件、輸入來自何處、模型經過哪些檢查、探索了哪些變化，以及誰具備資格審查並接受結論。 這一點很重要，因為工業模擬所支援的決策可能帶來差異極大的後果。早期配置篩選研究可以容許較寬泛的假設。無塵室氣體擴散審查、資料中心冷卻故障情境或機器人安全決策，則需要更有力的證據與更嚴謹的審查。 因此，第一個評估問題是： > 這項結果將支援什麼決策？如果結論有誤，會產生什麼後果？ 答案將決定專案所需的幾何、資料、校準、不確定性分析、審查深度與核准責任。 ## 沿證據鏈進行審查 有效的審查會從結果沿著決策問題回溯到模型與輸入，再向前連結到結論與行動。 ![數位孿生場景、模擬情境、模擬、人工審查與重複使用工作流程](/images/physics/scene-simulation-action-diagram.webp) *只有將模擬情境、假設、輸出與審查連結至預期用途，可重複使用的數位孿生場景才能成為決策證據。* 證據鏈包含七個環節： 1. **決策與後果** - 說明工程或營運問題、受影響的資產與人員、決策負責人，以及錯誤可能造成的後果。 2. **模擬情境邊界** - 定義營運狀態、幾何、時間範圍、負載、擾動、設備可用性、環境條件與排除項目。 3. **模型與輸入識別** - 記錄本次執行所使用的數位孿生場景、資產、模型、輸入資料集、邊界條件、設定與軟體版本。 4. **模擬場量** - 檢查呈現模型行為的空間與時變輸出，例如溫度、速度、濃度、壓力、流量、接觸或運動。 5. **指標與營運限值** - 將場量轉換成可審查的度量，例如機架入口溫度、偵測器反應時間、捕集效率、熱裕度、壓差、網路失衡、間隙或碰撞狀態。 6. **結論與行動** - 將觀察到的狀況連結至具體工程結論、建議行動、優先順序與預期營運影響。 7. **專業審查** - 記錄由誰審查輸入、方法、限制、結論與建議決策，包括尚未解決的問題與必要的後續工作。 這條鏈上的任何斷點都會削弱決策。缺少決策指標的場量難以轉化為行動。缺少可追溯輸入集的指標難以重現。缺少指定審查人員的建議行動難以治理。 ## 釐清模型的預期用途與涵蓋範圍 模擬品質始終與預期用途相關。同一個模型可能適合比較兩種配置，卻無法支援對特定現場閾值的精確預測。 請專案團隊說明： * 模型所呈現的物理或營運行為 * 納入的資產、空間、系統與時間範圍 * 簡化或排除的變數與交互作用 * 涵蓋的營運條件範圍 * 將證據與量測資料或基準進行比較的位置和條件 * 目前證據等級可以支援的決策 * 需要重新執行、重新校準或採用更深入方法的條件 這些脈絡應與結果一同呈現，而且評估人員無須瞭解模型的建置方式也能理解。 ## 區分驗證、校準與確認 這些活動分別回答彼此相關的問題： | 審查活動 | 評估問題 | 有用的證據 | |---|---|---| | 模型與設定審查 | 模擬情境是否呈現預期的資產、條件與交互作用？ | 幾何審查、拓撲檢查、單位、材料假設、邊界條件、營運狀態確認 | | 驗證 | 計算問題的求解一致性是否足以支援預期結果？ | 收斂行為、守恆檢查、適用情況下的網格或時間步長敏感性、數值警告、可重複性 | | 基準比較 | 工作流程能否重現公認或受控的參考案例？ | 參考定義、預期行為、比較指標、偏差、驗收依據 | | 實測資料校準 | 是否已依據具代表性的現場觀測，調整不確定的模型輸入？ | 量測來源、校準期間、調整後的參數、殘差、保留條件、審查人員簽核 | | 針對預期用途的確認 | 在相關條件下，結果與獨立證據的一致程度如何？ | 獨立量測或測試、比較位置、不確定性、適用範圍限制、觀察到的不一致 | 證據等級應與結論相符。早期模擬情境篩選可以依靠幾何、工程假設與敏感性檢查。涉及特定現場閾值或時序的結論，則需要具代表性的量測資料、有記錄的殘差及獨立審查。 ## 先檢查輸入再查看輸出 許多證據薄弱的審查會從最吸引人的輸出圖像開始。更扎實的審查會先檢查輸入資料的來源與處理記錄。 針對每項重要輸入，請提出以下問題： * 誰負責來源資料？ * 資料在何時、何地蒐集？ * 採用哪些單位、座標系統、取樣間隔與時間同步規則？ * 是否已識別缺漏、過時、重複或不可能出現的資料？ * 資料集是否代表所模擬的營運條件？ * 哪些值來自量測、設計資訊、供應商文件、工程假設或校準？ * 決策指標對這項輸入有多敏感？ [Data Fusion Services](/products/dfs) 可以運用識別資訊、資料血緣、品質脈絡與時間對齊，協助組織營運及工程資料。[FactVerse Designer](/products/designer) 維護空間數位孿生場景、行為、模擬情境與審查脈絡。評估價值來自持續保留這些輸入與所討論結果之間的連結。 ## 要求能連結至行動的指標 彩色場圖對探索很有價值，工程審查還需要與營運限值和行動相連的指標。 範例如下： | 模擬情境 | 場量 | 決策指標 | 可能的行動 | |---|---|---|---| | 資料中心熱韌性 | 隨時間變化的溫度與氣流 | 機架入口裕度，以及達到約定限值的時間 | 審查負載配置、氣流遏制、營運順序或冷卻韌性方案 | | 無塵室洩漏情境 | 隨時間變化的濃度與速度 | 偵測時間、未偵測區域及局部排氣捕集行為 | 審查偵測器位置、排氣條件、應變順序或確認計畫 | | 區域供熱營運 | 網路中的流量、壓力與溫度 | 各分區的失衡、回水溫度變化及供熱狀況 | 審查平衡調整、控制、維護或極端天氣營運情境 | | 生產與機器人 | 運動、接觸、間隙與製程狀態 | 碰撞、交接穩定性、作業範圍與順序完成情況 | 修改配置、時序、資產屬性、任務定義或實體測試計畫 | 專案應說明每項指標的計算方式、採用的閾值或比較基準，以及由誰負責後續行動。模型可以揭示工程疑慮，最終改善方案仍需由相應負責人決定。 ## 審查不確定性與結果穩定性 單次執行只呈現一組輸入與假設的組合。技術採購團隊應詢問哪些變化可能改變研究結論。 有用的審查方法包括： * 改變不確定的邊界條件與營運狀態 * 比較設備可用與設備降級的模擬情境 * 測試合理的量測誤差或輸入範圍 * 在方法需要時，檢查網格、時間步長或求解器設定的敏感性 * 針對可變條件執行模擬情境系列或重複執行 * 在與決策相關時，報告分布、百分位數、範圍或保守案例 * 識別對決策指標影響最大的輸入 結果資料應區分穩定的結論，以及在合理變化下會發生顯著改變的結論。這有助於技術採購團隊決定採取行動、蒐集更多證據、縮小結論範圍，或進行聚焦試點。 ## 讓模擬執行可重現 可重現性是務實的治理措施。另一位具備相應專業能力的審查人員應能識別結果背後確切的數位孿生場景、模型、輸入、條件與設定，並理解已發布的結論如何產生。 可審查的執行記錄應包括： * 決策問題與模擬情境識別碼 * 數位孿生場景、幾何、資產與模型版本 * 輸入資料集識別資訊及適用時間範圍 * 假設與邊界條件 * 方法、設定與相關軟體版本 * 警告、檢查與品質觀察 * 輸出場量、指標、單位與比較基準 * 審查人員、審查日期、處置結果與待辦行動 當專案需要正式的證據控管時，雜湊值或不可變識別碼可以加強可追溯性。技術採購團隊通常需要清楚的審查記錄，無須掌握內部實作細節。 ## 使用技術採購評估清單 ### 決策適切性 * 能否用一句話說明預期決策？ * 是否瞭解錯誤結論可能造成的後果？ * 證據深度是否與該後果相符？ * 是否已指定決策負責人與技術審查人員？ ### 模擬情境與輸入品質 * 納入與排除的條件是否明確？ * 是否檢查幾何、拓撲、單位、座標及時間對齊？ * 能否區分量測值、設計值、供應商資料與假設？ * 輸入是否代表審查中的營運條件？ ### 方法與證據 * 驗證、基準比較、校準或確認活動是否適合預期用途？ * 殘差、偏差、警告和尚未解決的不一致是否清楚可見？ * 是否已探索重要輸入的敏感性？ * 團隊能否依據已記錄的執行識別資訊重現結果？ ### 結論與行動 * 每項重要結論是否指向某個場量、指標、限值或比較結果？ * 能否區分穩定結論與敏感結論？ * 建議行動是否已指派給負責人？ * 是否已釐清額外量測、工程分析、實體測試或核准步驟？ ## 選擇下一項證據工作 適當的下一步取決於目前決策與現有證據缺口。 ### 要求進行基準研究 當團隊需要證明某種方法能在受控條件下重現已知行為時，可以進行基準研究。在將新的求解器、模型系列或工作流程用於高影響決策前，這項工作尤其有幫助。 ### 要求進行實測資料校準 當決策取決於特定現場的量值、時序、閾值裕度或設備反應，且已有具代表性的量測資料時，可以使用校準。應定義校準期間、調整的參數、殘差度量，以及保留供獨立比較的條件。 ### 要求進行聚焦試點 當技術採購團隊需要在營運環境中驗證資料可用性、幾何準備度、模型效用、審查責任或工作流程適用性時，可以進行試點。完善的試點會選定一項決策，在開始建模前定義證據資料包，並設定明確的範圍擴大標準。 ### 升級至詳細工程分析或實體測試 當決策需要施工就緒核准、安全簽核、材料資格認定、設備認證，或需要超出目前模型預期用途的證據時，應採用專業分析、供應商工程驗證、試運轉測試或實體試驗。 ## 透過可見證據建立信任 DataMesh 將可重複使用的數位孿生場景、受治理的營運資料、模擬輸出、結論、行動與審查記錄連結起來，讓技術採購團隊能夠評估完整的決策鏈。合作應從一個具體問題，以及回答該問題所需的證據開始。 如需製程與機器人規劃，請參閱[製程模擬與虛擬規劃](/solutions/process-simulation)。設施團隊也可以瞭解[資料中心營運](/solutions/ai-agent-data-center)、[半導體設施營運](/solutions/ai-agent-semiconductor)及[智慧供熱](/solutions/heatops)的市場應用脈絡。 ## 公開參考資料 [美國國家標準與技術研究院（National Institute of Standards and Technology，NIST）工業驗證、確認與不確定性量化概述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)說明，物理模型品質、分析人員能力、驗證與確認，以及不確定性量化，都是模擬可信度的基本構成因素。 美國國家航空暨太空總署（National Aeronautics and Space Administration，NASA）公開的[建模與模擬常見問題](https://public.ksc.nasa.gov/mns/faq/)說明多項可信度因素，包括資料來源與處理記錄、驗證、確認、輸入來源、不確定性描述、結果穩健性、使用歷程及流程管理。 [美國機械工程師學會（American Society of Mechanical Engineers，ASME）驗證、確認與不確定性量化標準概述](https://www.asme.org/codes-standards/publications-information/verification-validation-uncertainty)列出現行術語、固體力學、流體與熱傳、確認度量，以及模擬軟體評估標準。 這些參考資料提供通用評估原則。每個工業專案仍需具備預期用途說明、領域專業知識、適當證據，以及技術採購團隊所屬組織要求的核准程序。 --- ## [GUIDES] industrial-ai-agent-digital-twin-data-readiness ## 資料準備先於 AI 規模化 工業 AI 專案常見的問題，是模型能讀文件，卻無法穩定識別決策背後的資產、位置、訊號、工單或審批規則。在真實營運中，資料基礎和模型能力同樣重要。 資料準備的核心，是為 AI Agent 和數位孿生建立可用的營運上下文：源系統、資產身份、空間結構、即時訊號、告警歷史、工單、巡檢證據、SOP、文件、權限和結果記錄。 [Data Fusion Services](/products/dfs) 是 FactVerse 產品體系中準備這層基礎的能力。它連結源系統，將欄位映射到孿生實體，統一資料格式，計算指標，並讓這些上下文可用於 [FactVerse Twin Engine](/products/factverse-twin-engine)、[FactVerse AI Agent](/products/factverse-ai-agent)、[Inspector](/products/inspector)、看板和分析流程。 ## 從營運工作流開始 第一個問題應該是營運問題：要改善哪一個決策或任務。 可行起點包括關鍵設備預測性維護、設施巡檢路線、資料中心資產管理、熱網營運、半導體廠務系統、倉儲物流設備檢查和數位化 SOP 執行。每個工作流都會決定哪些資料必須先接入，哪些資料可以後續再接。 | 工作流 | 最先需要的資料 | |---|---| | 預測性維護 | 資產層級、感測器趨勢、告警、維護歷史、巡檢結果、工單結果 | | 設施巡檢 | 空間層級、資產清單、巡檢點、檢查表、照片、問題分類、關閉記錄 | | 資料中心營運 | 機房、機櫃、設施設備、計量表、告警、能耗讀數、維護記錄、資產責任人 | | HeatOps | 熱源、換熱站、計量表、溫度、壓力、流量、天氣、調度日誌、現場任務 | | 半導體設施營運 | 公輔設備、Sub-fab 系統、告警、運行邊界、工單、操作員備註 | | 操作指導 | SOP、任務步驟、設備引用、安全說明、訓練記錄、審批要求 | 從工作流出發，可以讓資料模型始終服務營運價值。 ## 建立源系統清單 工業現場的資料通常分散在多個系統中。源系統清單需要記錄系統範圍、職責、存取方式、更新頻率和審批責任。 常見來源包括 SCADA、BMS、EMS、PLC、歷史資料庫、IoT 平台、MES、ERP、CMMS、EAM、GIS、BIM、計量表、電子表格、圖紙、手冊、SOP 倉庫、巡檢工具、訓練系統和文件庫。 每個來源都應記錄： - 負責人和業務用途 - 連接方式和存取邊界 - 可用欄位、點位、文件和記錄 - 更新頻率、延遲和歷史保留時間 - 單位、時間戳、命名和品質問題 - 安全、隱私和審批要求 這張清單就是資料整合交付地圖。 ## 建立資產與空間身份 AI Agent 工作流需要穩定引用。泵、空調箱、UPS、換熱器、閥門、塔吊、車輛、房間、產線或換熱站，都應該擁有可以跨系統識別的身份。 FactVerse 和 Twin Engine 用這層身份連接空間、設備、系統、關係、文件、訊號和工單。Data Fusion Services 將源欄位和點位映射到這些實體，讓每個訊號都掛接到孿生中的正確物件。 好的身份設計應覆蓋站點、建築、樓層、分區、房間、產線、路線和服務區域，也應覆蓋資產類別、資產 ID、顯示名稱、型號、位置、責任人、上下游依賴、源系統別名、文件連結、SOP 連結、巡檢點和工單引用。 這層身份把原始資料轉化為營運上下文。 ## 準備時間序列與事件資料 連續營運依賴乾淨的訊號。溫度、振動、電流、壓力、流量、能耗、閥門狀態、告警狀態和設備狀態，需要穩定的單位、時間戳、採樣規則和品質標記。 Data Fusion Services 可以協助統一單位、對齊時間戳、處理缺失值、計算衍生指標並標記品質問題。目標是讓即時和歷史訊號足夠可靠，可以支撐看板、AI 審查、維護分析和機器學習資料集。 ## 連接工單記錄與 SOP 上下文 AI 建議要進入執行，就需要工單記錄、巡檢結果、問題分類、驗收說明、照片、SOP、手冊、訓練記錄和審批路徑。 [Inspector](/products/inspector)、Checklist 以及已連結的 CMMS 或 EAM 系統提供現場閉環。它們記錄誰審查了發現、採取了什麼動作、採集了什麼證據，以及狀態是否改善。 SOP 和文件上下文應該連接到資產和工作流。AI Agent 才能檢索正確流程、總結相關歷史、準備任務建議，並把人工審查保留在審批路徑中。 ## 讓資料可用於機器學習 機器學習需要完整營運語境，原始感測器歷史只是其中一部分。真正有價值的資料集包括訊號、資產上下文、運行狀態、人工判斷、採取的動作和結果。 以預測性維護為例，模型需要知道訊號來自哪個資產、現場是否處於正常運行狀態、出現了哪些告警、後續產生了哪些工單、技術人員發現了什麼，以及動作後狀態是否改善。這些記錄可以支援模型訓練、重新訓練、效果評估和建議品質調校。 ## 治理與上線控制 資料準備也依賴治理。每個資料來源需要負責人，每個映射實體需要維護者，每個 AI 工作流需要存取、審批、變更管理和證據保留規則。 工業部署中，治理應覆蓋資料血緣、網路安全邊界、角色權限、模型審查、現場驗收標準、變更歷史、本地化和回退方案。這些控制能協助團隊在試點之後繼續擴展，同時保持對資料基礎的信任。 ## DataMesh 上線模式 1. **選擇工作流** - 選擇一個責任清晰、結果可衡量的營運閉環。 2. **盤點源系統** - 列出系統、點位、記錄、文件、負責人、存取方式和資料品質風險。 3. **建立身份模型** - 在 FactVerse 中定義空間、資產、系統、關係、別名和責任人。 4. **映射並統一資料** - 使用 Data Fusion Services 連接來源，將欄位綁定到孿生實體，統一單位、對齊時間戳並計算指標。 5. **接入執行上下文** - 連接 Inspector、Checklist、CMMS 或 EAM 工作流、SOP、證據欄位和審批規則。 6. **準備 AI 審查** - 將可信上下文交給 FactVerse AI Agent，用於證據摘要、異常審查、建議草擬和人工批准。 7. **捕捉結果** - 使用現場記錄和動作後讀數，持續改進資料品質、模型評估和擴展決策。 ## 準備度檢查清單 - 工作流是否有負責人和可衡量的營運結果 - 源系統、文件、點位和記錄是否已按負責人完成盤點 - 資產和空間是否能在不同系統中保持一致映射 - 單位、時間戳、採樣頻率和資料品質問題是否已記錄 - 工單、巡檢、SOP、照片和驗收記錄是否已連接 - AI Agent 是否能用可追蹤證據解釋建議 - 人工審查決策和被否決建議是否可以保留 - 結果記錄是否能支援模型訓練、重新訓練和評估 - 網路安全、存取控制、資料血緣和變更管理是否已定義 ## 公開參考 [Data Fusion Services 產品頁](/products/dfs)介紹了 FactVerse 產品體系中的資料整合層。 [FactVerse AI Agent 營運閉環指南](/resources/guides/factverse-ai-agent-industrial-operations-loop)介紹 AI Agent 建議進入人工審查和現場執行的閉環方式。 [Yokogawa 與 DataMesh 預測性維護參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)、[NIO 智慧工廠參考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)和 [JTC 合作](/about/news/collaboration-between-jtc-datamesh)展示了工業資料、數位孿生上下文和營運工作流的公開案例。 --- ## [GUIDES] industrial-data-governance-operational-digital-twins-ai-agents ## 資料進入決策時，治理就開始了 當一條信號、告警、儀表讀數、工單、巡檢記錄、文件或計算指標開始影響營運決策時，工業資料治理就已經開始。 對營運數位孿生來說，資料連接只是第一步。團隊還需要知道資料來自哪裡，描述哪台資產或哪個空間，使用什麼單位和時間戳規則，誰負責映射，數值是否可靠，哪些 AI Agent 或看板正在使用它，以及上一次發布後發生了什麼變化。 [Data Fusion Services](/products/dfs) 在 FactVerse 產品體系中支撐這套營運紀律。它連接來源系統，將資料映射到孿生實體，清理並統一欄位，計算指標，準備資料集市，並把即時上下文綁定到數位孿生中。圍繞這些步驟建立治理，才能讓接入的資料真正服務 [FactVerse AI Agent](/products/factverse-ai-agent)、[FactVerse Twin Engine](/products/factverse-twin-engine)、[Inspector](/products/inspector)、看板、模擬和機器學習流程。 ## DFS 應該幫助治理什麼 資料治理需要沿著資料從來源系統到每個營運使用者的路徑展開。 | 治理範圍 | 實際問題 | 為什麼重要 | |---|---|---| | 來源系統責任 | 哪個系統擁有這個值，誰批准使用 | 避免資料被質疑時責任不清 | | 存取邊界 | 哪個網路、租戶、站點或角色可以讀取 | 保護敏感營運資料和客戶專屬資訊 | | 實體綁定 | 它描述哪台資產、哪個空間、系統、路線或工作流程 | 把原始標籤變成營運上下文 | | 單位與時間戳 | 使用什麼單位、時區、時鐘、採樣率和彙總規則 | 讓趨勢、告警和比較有意義 | | 品質狀態 | 數值是否缺失、過期、插值、越界或來自更換後的感測器 | 幫助 AI 和操作員判斷證據強弱 | | 計算邏輯 | 派生 KPI 或指標由什麼公式產生 | 讓分析、能耗和維護指標可復核 | | 資料血緣 | 哪個連接器、映射、轉換和發布版本產生了這個值 | 支撐排障和稽核復核 | | 使用者清單 | 哪些看板、AI 流程、報告或工單使用這條資料 | 在修改點位或公式前評估影響 | 這種治理不代表每個點位都要走複雜委員會。關鍵是讓會影響決策的資料具備清晰責任和可重複規則。 ## 按營運身分治理 工業系統經常用不同方式描述同一個對象。一台泵在 SCADA 中可能有一個名稱，在歷史資料庫中有另一種標籤，在 CMMS 中有另一個資產 ID，在 BIM 中又有另一個標註，現場技師還可能使用習慣叫法。資料治理需要用穩定的營運身分把這些別名連接起來。 FactVerse 為空間、資產、系統、關係、文件、資料綁定和工作流程提供共享上下文。Data Fusion Services 將來源欄位和點位映射到這個上下文，讓每個值都綁定到正確的資產、位置和營運閉環。 良好的身分治理應覆蓋園區、建築、樓層、區域、房間、產線、路線、服務區域、資產類別、資產 ID、顯示名稱、型號、負責人、生命週期狀態、上下游系統關係、來源系統別名、文件、SOP、巡檢點、工單引用和權限邊界。 ## 即時與歷史資料的品質規則 時序值和事件會持續變化。資料管線需要操作團隊和資料團隊都能理解的品質規則：缺失值處理、資料過期閾值、單位換算、時間戳和時區對齊、採樣與彙總、異常值和長時間不變值識別、感測器更換記錄、告警級別與復位邏輯、計算指標公式與復核負責人。 Data Fusion Services 可以幫助統一單位、對齊時間戳、識別品質問題並計算派生指標。治理層應記錄使用了哪條規則，以及誰負責復核異常。 對 AI Agent 工作流程，品質狀態本身就是證據的一部分。基於新鮮感測器資料、近期工單歷史和已批准計算結果生成的建議，應與基於過期數值或臨時手工上傳資料的建議區分看待。 ## 資料血緣與變更控制 工業資料經常悄悄變化。BMS 點位可能改名，儀表可能更換，歷史資料庫標籤可能遷移到新閘道，CMMS 欄位可能因流程調整改變含義，KPI 公式也可能更新分母。 數位孿生畫面可能仍然正確，但底層資料已經指向錯誤來源。治理要讓這些變化在影響 AI 復核、看板、工單或外部報告之前變得可見。 實用的變更記錄應包括受影響的來源系統和連接器、改動的點位或公式、受影響的資產和工作流程、下游使用者、復核人、批准狀態、生效日期、回退方式，以及用於驗證變更的證據。 ## 權限、證據與審批 營運資料經常包含敏感資訊：受限房間、客戶專屬布局、生產狀態、設備健康、能耗曲線、維護發現和服務記錄。資料從來源系統進入數位孿生時，治理應保留存取邊界。 有用的控制包括空間、資產、文件、看板和 AI 流程的角色權限，站點級和客戶級資料邊界，AI 輔助建議的審批規則，巡檢、工單和復核決策的證據保留，映射變更和資料匯出的稽核日誌，以及臨時上傳與手工修正值的處理規則。 [Inspector](/products/inspector) 和已連接的工作系統可以記錄誰復核了發現、採取了什麼動作、採集了什麼證據、結果是否改善。這些記錄會成為下一輪 AI 復核或機器學習循環中的治理資料。 ## 面向機器學習的資料治理 機器學習需要的不止是乾淨的感測器歷史，還需要能解釋物理現場發生了什麼的資料。 以預測性維護為例，資料集應包含輸入信號、資產身分、運行狀態、告警上下文、技師復核、工單動作、完成證據和行動後的讀數。能耗分析需要儀表、空間、設備組、運行計畫、天氣、公式和改善記錄。模擬需要場景假設、資產版本、過程狀態和已批准的資料範圍。 資料治理應保留特徵定義、來源欄位、訓練前的品質過濾規則、由工單或巡檢產生的標籤、模型版本、建議版本、人工復核決策、被拒絕的建議、行動後結果、資料集刷新計畫和審批負責人。 ## DataMesh 推進方式 1. **選擇一個決策閉環** - 從預測性維護、設施巡檢、資料中心資產復核、能耗證據或數位 SOP 執行等工作流程開始。 2. **明確資料負責人** - 為來源系統、資產身分、資料映射、品質規則、計算邏輯、權限和下游流程指定負責人。 3. **映射營運身分** - 使用 FactVerse 對齊空間、資產、系統、關係、文件、工作流程和別名。 4. **連接並治理資料** - 使用 Data Fusion Services 連接來源系統，將欄位綁定到孿生實體，統一單位，對齊時間戳，計算指標並標記品質狀態。 5. **登記下游使用者** - 記錄哪些看板、AI Agent 例程、Inspector 表單、報告和機器學習資料集使用這些資料。 6. **發布前復核變更** - 在影響生產工作流程之前驗證點位變更、公式更新、連接器調整和權限變化。 7. **採集結果** - 透過 Inspector、Checklist、CMMS、EAM 和客戶系統採集現場證據、復核決策和行動後結果。 8. **改進規則** - 用異常、映射失敗、過期資料、被拒絕的 AI 建議和現場回饋改進治理模型。 ## 治理檢查清單 - 每個被治理的資料源是否有業務負責人和技術負責人 - 資產、空間、系統和工作流程身分是否跨系統一致 - 來源系統別名和點位命名規則是否記錄清楚 - 單位、時間戳、採樣率和品質規則是否可見 - 計算指標是否綁定公式、負責人和復核日期 - 從來源連接器到孿生對象再到下游使用者的資料血緣是否保留 - 看板、AI Agent 工作流程、報告和資料集是否登記為使用者 - 敏感空間、客戶記錄和受限文件是否受角色權限保護 - 現場證據和工單結果是否能用於復核和機器學習 - 點位改名、感測器更換、公式變化和綁定失效是否有變更路徑 ## 公開參考 [Data Fusion Services 產品頁](/products/dfs)介紹了 FactVerse 產品體系中的資料整合層。 [資料準備指南](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)說明如何為 AI Agent 和營運數位孿生工作流程準備第一層資料基礎。 [營運數位孿生模型治理指南](/resources/guides/operational-digital-twin-model-governance-after-go-live)介紹上線後保持模型、資料綁定和現場變化同步的治理方式。 [工業知識圖譜指南](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)展示語義關係連接資產、空間、系統、信號、文件和 AI Agent 推理的方式。 --- ## [GUIDES] industrial-knowledge-graphs-ai-agents-digital-twins ## 缺失的往往是語義 工業 AI 要回答問題，先要知道問題指向什麼。比如「2 號冷機」「4 號產線」「潔淨室濕度」「告警後面的那台泵」，都需要對應到真實資產、空間、信號、文件和責任人。 工業知識圖譜提供這層語義結構。它連接現場對象，並記錄對象之間的關係。[FactVerse](/products/factverse) 用這類模型讓數位孿生場景、營運資料、文件和 AI 推理指向同一個物理上下文。 ## 圖譜應該建模什麼 | 建模區域 | 典型實體 | |---|---| | 空間結構 | 園區、建築、樓層、房間、區域、產線、走廊、機櫃、工位、室外區域 | | 物理資產 | 設備、儀表、感測器、閥門、配電櫃、泵、機器人、車輛、工具 | | 系統 | HVAC、冷凍水、壓縮空氣、供配電、工藝公輔、安全系統、物流流線 | | 資料點 | 遙測標籤、告警、計算指標、設定值、狀態值 | | 知識對象 | SOP、手冊、圖紙、BIM/CAD 引用、巡檢範本 | | 事件與記錄 | 告警、巡檢、維護事件、審批、交接記錄 | | 責任關係 | 負責人、操作員、服務團隊、複核人、風險等級、權限邊界 | 圖譜的價值體現在關係問題的回答能力上：對象查詢只是入口，跨系統、跨記錄、跨空間的關係推理才是關鍵。 ## 關係示例 | 關係 | 支援的問題 | |---|---| | 資產位於空間 | 告警對應設備在哪裡 | | 設備服務區域 | 這台 AHU 影響哪些區域 | | 點位測量設備 | 這條趨勢來自哪個感測器 | | 儀表計量系統 | 這條能耗讀數屬於哪條冷凍水迴路 | | 設備屬於系統 | 上游和下游有哪些相關資產 | | 資產關聯 SOP | 巡檢或維護前應查看哪份操作手順 | | 事件涉及資產 | 哪些告警、巡檢和維修屬於這個對象 | | 記錄由角色審批 | 誰可以複核或放行下一步動作 | 這些關係給 AI Agent 提供從問題走向證據的路徑。 ## FactVerse 如何使用語義上下文 [Data Fusion Services](/products/dfs) 將源系統名稱、標籤、文件和記錄映射到一致模型。同一台泵、同一個儀表、同一個房間或同一套系統，可能在 BMS、SCADA、CMMS、BIM、表格和圖紙中有不同命名。語義映射把這些別名歸到一個營運身份上。 [FactVerse Twin Engine](/products/factverse-twin-engine) 將這個身份連接到空間模型。信號能顯示在正確的 3D 對象上，文件能掛到正確資產上，系統關係也能以網路方式被查看。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以沿圖譜檢索證據：從告警找到資產，從資產找到系統，從系統找到受影響區域，再找到相關 SOP 和歷史記錄。 ## Brick Schema 與設施語義 對於建築與設施，[Brick Schema](https://brickschema.org/) 是有價值的公共參考。它提供設備、點位、位置、儀表、感測器和關係的建模詞彙，適合回答點位測量哪台設備、設備服務哪個區域、儀表屬於哪個系統等問題。 DataMesh 可以在適合的設施場景中採用 Brick 風格的語義。更廣泛的工業現場還需要擴展生產線、Sub-fab 系統、物流區域、潔淨公輔、倉儲區域、機器人單元、操作員工位和仿真資產等概念。 ## AI Grounding 與可解釋檢索 知識圖譜讓 AI Agent 的回答更容易追蹤。AI Agent 可以先透過圖譜縮小證據範圍，再讀取相關文件和記錄。 例如設施工程師詢問某個區域為什麼反覆出現濕度告警。圖譜可以定位該區域、測量它的感測器、服務該區域的 AHU、與 AHU 相關的冷凍水資產、近期告警、巡檢記錄和相關 SOP。AI Agent 再基於這些對象和記錄整理證據。 ## 語義模型治理 知識圖譜需要持續維護。設施改造、設備替換和系統重構都會改變資產 ID、別名、關係、點位映射和文件連結。 治理重點包括每類實體的權威來源、跨系統命名規則、關係維護責任、證據來源、推斷關係可信度、角色權限和變更歷史。 ## 從一個聚焦模型開始 | 問題類型 | 最小語義範圍 | |---|---| | 資產上下文 | 資產、位置、系統、負責人、文件、即時點位 | | 設施狀態 | 區域、服務該區域的設備、感測器、告警、控制點 | | 能耗複核 | 儀表、系統、空間、設備組、計算指標 | | 操作手順檢索 | 資產類別、任務類型、SOP、安全說明、所需角色 | | 原因複核 | 事件、相關資產、上下游系統、近期記錄 | 當初始模型能穩定回答真實問題後，再按系統、站點、區域或應用擴展。 ## 公開參考 [FactVerse 產品頁面](/products/factverse)介紹連接 Twin Engine、AI Agent、Data Fusion Services 和應用工作流的平台層。 [Green Mark 與 Brick Schema 指南](/resources/guides/green-mark-digital-twin-brick-schema)展示了 Brick 風格設施語義如何支援可追蹤的營運證據。 --- ## [GUIDES] industrial-synthetic-data-physical-ai-robotics ## 為什麼工業合成資料需要數位孿生 真實機器人資料很有價值，工業現場的資料採集常常成本高、風險高、週期長，也難以重複。設施環境還存在大量長尾狀態：通道被臨時占用、托盤位置變化、櫃門開啟、光照變化、人員移動、班次流程變化，以及短時間出現的設備狀態。 合成資料可以讓團隊在可控環境中覆蓋更多變化。對於工業 Physical AI，資料應來自理解資產、幾何、營運規則、感測器位置、任務目標和流程狀態的場景。數位孿生為資料管線提供這層脈絡。 [DataMesh Robotics](/products/robotics) 利用 DataMesh 產品棧準備工業場景、生成多模態訓練資料，並把輸出連接到機器人模擬與訓練工作流。真正有價值的是完整鏈路：可執行場景、任務定義、感測器配置、標籤生成、匯出、評估和治理。 ## 工業場景的特殊性 工業機器人資料需要表達物件外觀之外的營運含義： | 層級 | 資料管線需要什麼 | |---|---| | 資產身份 | 設備名稱、物件類型、模型版本，以及回到營運數位孿生的關聯 | | 空間脈絡 | 區域、車道、通行空間、間距、坐標和安全區域 | | 流程狀態 | 產線狀態、工位狀態、工作步驟、異常狀態和事件時序 | | 感測器配置 | 相機、深度、LiDAR、機器人位姿、視場、標定、噪聲模型和採樣規則 | | 物理屬性 | 質量、摩擦、關節、約束、材料行為和接觸假設 | | 標籤與元資料 | 分割、邊界框、實例 ID、深度、姿態、軌跡、任務狀態和場景變數 | | 評審記錄 | 資料集版本、場景版本、假設、生成配方、品質發現和審批備註 | 這樣的結構幫助機器人團隊理解資料集代表什麼，以及如何重現或調整。 ## DataMesh 工作流 1. **建模環境** - 在 FactVerse 中構建工廠、設施、倉庫、工作單元或巡檢區域，並加入資產、區域、元資料和關係。 2. **編排場景行為** - 使用 FactVerse Designer 定義布局方案、流程邏輯、物件運動、任務步驟、事件觸發和場景節奏。 3. **準備模擬資產** - 對齊 CAD、BIM、3D、OpenUSD、材質、尺度、坐標系，以及需要更豐富模擬時的 SimReady 準備規則。 4. **配置感測器與任務** - 定義相機、深度感測器、機器人視角、目標物件、任務目標、成功條件和約束。 5. **生成帶標籤資料** - 生成 RGB、深度、分割、邊界框、實例 ID、姿態、軌跡、流程狀態和場景元資料。 6. **匯出到訓練棧** - 將資料集和場景資產打包到機器人訓練、評估、Isaac Sim / Omniverse 工作流或企業工具鏈。 7. **評審並迭代** - 跟蹤資料品質、場景覆蓋、標籤一致性、任務覆蓋和下游評估結果。 這個流程讓資料生成始終連接營運脈絡，資料集也更容易解釋、稽核和改進。 ## DataMesh 產品棧分工 [FactVerse](/products/factverse) 是營運數位孿生基礎，保存場地結構、資產、關係、資料脈絡、權限和場景記錄。 [FactVerse Twin Engine](/products/factverse-twin-engine) 提供可執行數位孿生運行時脈絡，覆蓋幾何、資料綁定、行為和互動狀態。 [FactVerse Designer](/products/designer) 是布局、流程邏輯、行為樹、任務步驟和場景方案的創作環境。 [DataMesh Robotics](/products/robotics) 聚焦合成資料生成、標籤輸出、任務定義、獎勵設定和機器人管線準備。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 在團隊需要高保真渲染、感測器模擬、物理驗證或外部模擬工具時，把 FactVerse 場景連接到 OpenUSD 與 Omniverse 工作流。 [Data Fusion Services](/products/dfs) 在場景需要設備狀態、警報、生產訊號或設施脈絡時，連接即時與歷史營運資料。 ## 資料集規格清單 生成資料之前，先定義資料集約定： - 目標機器人、感測器、模型類型或下游訓練棧。 - 環境範圍、場景版本、資產清單和坐標系。 - 任務範圍、目標物件、流程狀態和成功標準。 - 感測器配置、相機路徑、視角、標定和噪聲假設。 - 光照、材質、物件擺放、設備狀態、路線狀態和流程節奏的變化規則。 - 需要輸出的 RGB、深度、分割、邊界框、姿態、軌跡和場景元資料。 - 標籤一致性、類別覆蓋、空間精度和場景覆蓋等品質檢查。 - 匯出格式、命名規則、資料集版本和評審負責人。 這份規格連接模擬工程師、機器人團隊、資料團隊和營運負責人。 ## 適合優先啟動的場景 - **感知資料集**：為工業物件、設備、工具、托盤、標識、夾具和作業區域生成帶標籤圖像與深度資料。 - **巡檢工作流**：圍繞資產、面板、儀表、管線、櫃體和難以接近的位置生成視角與標籤。 - **移動機器人場景**：準備車道、障礙物、路線狀態、暫存區、對接點和變化中的設施條件。 - **操作與接觸任務**：描述物件姿態、材料行為、抓取約束、接觸狀態和任務序列，支援模擬評審。 - **工廠與倉儲規劃**：在實體試驗前組合布局方案、物料流、機器人路徑和營運約束。 第一個用例應具備清晰任務定義、受控環境範圍，以及與下游訓練或模擬團隊共同參與的評審閉環。 ## 品質與治理指標 工業合成資料應透過工程檢查來評估： - 目標區域、物件類別和流程狀態的場景覆蓋。 - 生成幀與場景版本之間的標籤一致性。 - 光照、擺放、遮擋、物件狀態和感測器位姿的變化覆蓋。 - 尺度、碰撞、接觸、路線狀態和時序的物理一致性。 - 在下游模擬器或訓練棧中的整合品質。 - 從資料集版本回溯到場景版本、生成配方和假設的可追蹤性。 - 下游模型評估或機器人模擬評審中的經驗回饋。 成熟的專案會把合成資料當作工程資產管理。每個資料集都應有負責人、版本、假設、品質檢查和生成目的。 ## 公開參考 [DataMesh Robotics 發布](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)介紹了合成訓練資料、可執行工業數位孿生、任務目標、獎勵設定和機器人管線準備的公開方向。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)展示了 DataMesh 模擬數位孿生與 FactVerse、NVIDIA Omniverse 工作流的結合。 [FactVerse 與 NVIDIA Omniverse 平台文章](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)介紹 FactVerse 場景脈絡連接 Omniverse 並服務模擬數位孿生工作流的方式。 --- ## [GUIDES] local-exhaust-capture-hvac-degradation-scenarios ## 捕集效能會隨設施狀態改變 局部排氣通風的用途，是將污染物導向源頭附近的捕集點。在無塵室、製程作業區、實驗室、下層廠務區或公用設施空間內，這種行為會與更廣泛的暖通空調系統交互作用，包括房間送風、回風、風機過濾機組、壓力關係、門、設備散熱、人員移動及鄰近阻礙物。 即使排氣罩或排氣支管回報為運轉中，周圍流場也可能已發生變化。容量降低、風門偏移、檢修面板開啟、門狀態轉換、設備改造或新增阻礙物，都可能改變捕集路徑，並擴大需要審查的範圍。 針對具體專案進行的情境研究，可協助團隊在規劃變更前或進行韌性審查時檢視這些改變，並支援下列問題： * 哪些源項位置仍與捕集路徑良好對準？ * 排氣能力降低會如何改變逸散物質與受影響區域？ * 哪種通風或門狀態會讓物質最早擴散至約定區域以外？ * 在降級狀態下，哪些資產、感測器及程序應優先處理？ * 哪些量測或維護證據能提高決策可信度？ ## 精確定義正常與降級狀態 情境名稱應描述工程師可重現及審查的設備與營運狀態。 | 情境狀態 | 定義範例 | 審查問題 | |---|---|---| | 基準 | 經查證的排氣流量、預定的風機過濾機組狀態、預期門狀態、具代表性的製程負載及目前配置 | 已接受的基準會產生何種捕集與室內氣流行為？ | | 容量降低 | 排氣流量或壓力下降、風機局部效能降低、濾網負載、風門受限或支管失衡 | 哪些位置的捕集能力減弱，又有哪些區域變得更敏感？ | | 元件無法使用 | 選定的排氣風機、支管、風機過濾機組群或相關公用設備退出運轉 | 物質會如何經由其餘通風路徑傳輸？ | | 門或開口轉換 | 呈現選定的門、面板、進出路徑或臨時開口隨時間的狀態 | 壓力與氣流擾動會如何影響捕集及傳輸？ | | 配置或阻礙物變更 | 規劃中的機台、機罩、隔間、儲放設備、臨時設備或維護配置 | 實體變更是否會使源項羽流或室內氣流改道？ | | 復原 | 設備恢復、核准的臨時措施或回復至預定狀態 | 經審查的區域需要多久才能回到已接受條件？ | 每個情境都應指出初始狀態、變更的輸入、開始時間、持續時間、控制、所呈現的應變措施及審查期間。如此可讓比較重現，並使「風機故障」等籠統用語對應到明確且一致的工程狀態。 ## 連結局部捕集、房間與公用系統 捕集行為應放在周圍設施的情境中評估。 ### 局部源項與排氣罩證據 * 源項位置、方向、釋放速率或曲線、持續時間、動量、溫度及物種特性 * 排氣罩、機罩、狹縫、風管、支管、風門及捕集點的幾何 * 實測或規範指定的流量、壓力、面風速及設備狀態 * 源項至捕集點的距離，以及鄰近機台、面板、作業人員或維護作業形成的阻礙 ### 室內通風證據 * 送風口、風機過濾機組、回風口、一般排氣、門、開口及壓力邊界 * 氣流、壓力、溫度、濕度及設備狀態量測 * 與研究相關的無塵室等級及製程要求 * 現有與規劃中的機台、隔間、熱負載及營運模式 ### 營運證據 * 警報、濾網、風機、風門、排氣、環境及維護歷史 * 檢查發現、平衡調整記錄、試運轉證據及現場觀察 * 相關的門事件、生產狀態、工作許可及應變時程 * 經核准的營運限值、行動值、程序及負責團隊 [Data Fusion Services](/products/dfs) 可對齊來源系統、資產、量測、事件及維護證據。[DataMesh FactVerse](/products/factverse) 則在共用營運模型中連結排氣支管、房間、機台、偵測器、壓力區與負責的工作流程。 ## 透過物理場與指標比較捕集表現 主要比較應維持共同的幾何基礎、結果尺度、源項定義及審查閾值，讓審查人員能看出選定通風或排氣變更造成的影響。 實用的空間視圖包括： * 源項與捕集點周圍的氣流方向及速度 * 房間與相鄰空間之間的壓力關係 * 濃度場及羽流隨時間的移動 * 進出捕集區的流線或傳輸路徑 * 基準與降級狀態下的受影響區域 實用的決策指標包括： * 到達選定排氣路徑的比例或數量 * 越過約定捕集區或控制區的逸散質量 * 選定作業、進出、感測器或邊界位置的濃度歷程 * 到達時間、滯留時間、峰值、百分位數或積分審查指標 * 超過專案所定審查閾值的面積或體積 * 對源項強度、排氣能力、門狀態、配置及邊界條件的敏感性 * 執行核准的應變措施或設備復原後所需的復原時間 每項指標都應指出源項條件、計算基礎、單位、時間範圍及證據等級。探索性情境得出的捕集百分比，與代表性量測支援的場址校準結果，具有不同的決策價值。 ## 審查時變行為 通風降級可能隨狀態轉換逐步發展。風機減速、門開啟後關閉、風門移動、壓力關係改變，或警報後啟動應變措施。穩態比較可提供實用的初步篩選視圖；暫態分析則可呈現受影響區域如何發展與復原。 對於時變結果，證據套件應說明： 1. 初始氣流場與濃度場 2. 設備或門事件及其發生時序 3. 同一期間的源項曲線 4. 所呈現的控制與經授權的應變行動 5. 選定位置與審查閾值 6. 與結果相關的時間步長、收斂、守恆及重現性檢查 7. 對應變時序與重要假設的敏感性 審查人員應檢視應變時序、設備效能或源項條件有所變化的範圍。最早出現的可信擴散、滯留最久的受影響區域，以及會改變結果的假設，往往比單一中央估計值更具決策價值。 ## 採用與結論相稱的證據 探索性研究可比較相對捕集模式並找出缺少的量測。基準比較研究會增加受控參考案例。場址校準研究使用具代表性的氣流、壓力、排氣、溫度、示蹤劑或其他合格證據。特定情境確認則針對決策所需的條件與指標增加獨立檢查。 相關證據可包括： * 排氣流量、壓力、面風速，以及風機或風門狀態 * 排氣罩附近及房間各處的氣流速度與方向 * 選定空間之間的壓力關係 * 示蹤劑濃度歷程或合格的可視化證據 * 量測期間的門、設備、製程及通風狀態 * 依位置、時間、變數及營運條件整理的殘差 * 可確認所呈現配置的檢查與平衡調整記錄 [無塵室氣流與擴散指南](/resources/guides/cleanroom-airflow-gas-dispersion-evaluation)說明更廣泛的空間證據基礎。[模擬校準指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)則說明如何讓結論可信度配合校準與確認深度。 ## 將韌性分析發現轉為受控行動 情境結果應指出受影響的空間、機台、排氣支管、偵測器、公用系統及應變負責人。合格的設施、製程、環境健康與安全、品質及法規遵循團隊會決定哪些行動納入核准計畫。 可能的後續行動包括： * 到現場查證感測器、風門、風機、濾網或排氣支管 * 更新平衡調整、檢查或維護優先順序 * 針對敏感營運狀態增加量測涵蓋範圍 * 審查門、進出、臨時設備或維護程序 * 完善源項矩陣，或執行聚焦的示蹤或氣流測試 * 比較配置、機罩、排氣罩或通風修改方案 * 更新應變觸發條件、權責或溝通路徑 [FactVerse AI Agent](/products/factverse-ai-agent) 可協助團隊將警報與異常趨勢連結至資產及維護情境。[Inspector](/products/inspector) 可派送經核准的檢查與工作、保存現場證據，並記錄行動後驗證。 ## 情境涵蓋範圍檢查清單 ### 基準定義 * 預定的源項、排氣罩、排氣支管、室內通風及營運狀態是否已經查證？ * 幾何、流量、壓力、控制、門、設備及製程狀態是否可追溯？ * 已接受的捕集區、閾值及審查指標是否已定義？ ### 降級涵蓋範圍 * 矩陣是否包含具可信度的容量降低與元件無法使用狀態？ * 是否依需要呈現門、開口、配置、阻礙物及維護條件？ * 暫態決策是否納入初始狀態、事件時序、應變時序及復原？ * 源項位置、強度、持續時間及方向是否依風險依據調整？ ### 證據品質 * 是否具備基準、校準、殘差、不確定性及敏感性記錄？ * 哪些證據保留供確認使用？ * 哪些發現在合理條件範圍內仍維持穩定？ * 哪些假設對逸散質量或受影響區域的影響最大？ ### 審查與執行 * 是否由合格工程師負責情境結論？ * 是否依需要指派環境健康與安全、製程、品質及法規遵循審查人員？ * 分析發現能否進入經核准的檢查、維護、程序或變更工作流程？ * 移交套件是否包含變更後驗證？ ## 從一條排氣路徑與一個可信降級情境開始 聚焦的試點可從一部機台或一個源項、一條局部排氣路徑及一個降級問題開始。團隊會查證目前的幾何與營運證據、選擇基準與降級狀態、議定捕集及受影響區域指標，並定義審查所需的證據。 完善的試點標準包括： * 經查證的源項、排氣罩、排氣、室內通風及偵測器基準 * 可重現的正常與降級情境定義 * 清楚可見的捕集、逸散物質、受影響區域及時變比較 * 與預定結論相稱的校準與敏感性證據 * 一項經核准的韌性、檢查、維護或量測決策 * 可重複使用的證據與現場驗證套件 當韌性決策也取決於偵測效能時，請接著閱讀[偵測器涵蓋範圍、盲區與配置方案](/resources/guides/detector-coverage-blind-spots-placement-options)。 使用[無塵室校準、情境集合與確認證據](/resources/guides/cleanroom-calibration-ensembles-validation-evidence)，定義選定情境的校準、重複執行、確認及重新確認要求。 ## 公開參考資料 [美國職業安全衛生署通風技術手冊](https://www.osha.gov/otm/section-3-health-hazards/chapter-3)說明局部排氣通風如何從源頭捕集污染物，以及排氣罩、風管、風機、空氣淨化及量測方面的考量。 [美國冷凍空調學會（American Society of Heating, Refrigerating and Air-Conditioning Engineers，ASHRAE）《Clean Spaces》手冊章節](https://handbook.ashrae.org/Handbooks/A15/SI/a15_ch18/a15_ch18_si.aspx)說明送風、回風、排氣、設備、開口及營運條件對無塵室氣流與污染物移動的影響。 [國際標準化組織（International Organization for Standardization，ISO）14644-4:2022 無塵室生命週期頁面](https://www.iso.org/standard/72379.html)涵蓋新建及改造無塵室設施的需求、設計、施工、啟用、驗證及生命週期考量。 [美國國家標準暨技術研究院的工業查證、確認與不確定性綜述](https://www.nist.gov/publications/summary-industrial-verification-validation-and-uncertainty-quantification-procedures)提供建立可信模擬證據的一般架構。 --- ## [GUIDES] operational-digital-twin-model-governance-after-go-live ## 準確性是一項持續營運工作 數位孿生上線後的價值，取決於模型是否持續貼近現場。設施每週都在變化：設備更換、房間調整、感測器改名、維護路線變化、操作流程更新、存取權限細化。 模型治理就是讓數位孿生保持準確的營運機制。它定義每一層由誰負責，哪些現場變化需要更新，更新如何複核，版本如何發布，以及下游應用如何識別已批准模型。 對營運團隊來說，治理保護的是日常工作。對 AI Agent 和 Physical AI 工作流來說，治理保護的是推理、仿真和建議複核所依賴的上下文。資產關係過期或資料綁定陳舊時，分析方向可能會偏離真實現場。 ## 上線後會發生哪些變化 | 變化來源 | 治理影響 | |---|---| | 設備更換 | 資產 ID、幾何、文件、維護歷史和資料綁定可能需要調整 | | 房間或布局變化 | 空間層級、通行路線、安全邊界和權限需要複核 | | 感測器或儀表改名 | Data Fusion Services 映射、單位、趨勢歷史和儀表板需要校驗 | | 維護流程更新 | SOP 連結、巡檢範本、指導內容和審批規則需要發布 | | 改造或擴建 | BIM、CAD、點雲和竣工記錄需要版本管理 | | 系統關係變化 | 上下游依賴、影響區域和告警上下文需要更新 | | 權限變化 | 敏感房間、客戶專屬區域和受限記錄需要權限複核 | 這些變化應進入受控佇列，帶有負責人、複核狀態和發布路徑。 ## 按層治理數位孿生 | 數位孿生層級 | 治理對象 | |---|---| | 空間模型 | 園區、建築、樓層、房間、區域、路線、通行區、安全邊界 | | 資產模型 | 資產 ID、顯示名稱、類別、父子結構、負責人、生命週期狀態 | | 系統模型 | 供配電、冷卻、空氣、水、工藝公輔、物流、控制關係 | | 幾何模型 | BIM、CAD、三維模型、點雲、源版本、模型體量、細節層級 | | 資料綁定 | 感測器、儀表、告警、狀態值、計算指標、刷新規則 | | 文件與 SOP | 手冊、圖紙、作業指導、巡檢範本、驗收記錄 | | 權限 | 角色存取、敏感空間、客戶專屬布局、受限文件 | | 應用場景 | Designer 場景、Inspector 表單、儀表板、培訓流程、仿真場景 | 按層治理能把模型維護從零散文件整理轉為可稽核的營運流程。 ## 實用更新流程 1. **捕捉變化** - 現場團隊、專案變更、巡檢、CMMS 事件、BMS 變化或點雲複核提出更新請求。 2. **判斷影響範圍** - 判斷變化是否影響幾何、資產身分、系統關係、資料綁定、文件、權限或應用場景。 3. **先更新權威來源** - 先調整資產台帳、BIM/CAD 模型、點雲記錄、資料映射、文件庫或流程庫。 4. **準備數位孿生發布** - 使用 Designer、Twin Engine、Data Fusion Services 和相關工具更新執行期模型與場景內容。 5. **對照現場證據複核** - 發布前確認位置、資產身分、資料綁定、視覺狀態、文件連結和權限行為。 6. **發布版本** - 發布已批准模型版本，記錄發布說明、複核人、影響區域和回滾參考。 7. **通知消費方** - 讓儀表板、Inspector 工作流、AI Agent 任務、仿真場景和培訓內容使用已批准版本。 8. **審計結果** - 追蹤更新是否解決現場不一致，以及是否需要後續調整。 流程可以輕量，但責任必須清晰可見。 ## 資料綁定需要單獨複核 資料綁定往往會悄悄失效。感測器標籤可能改名，儀表可能替換，閘道採樣間隔可能變化，計算指標也可能換公式。三維模型看起來正確，但即時上下文已經指向舊資料源。 [Data Fusion Services](/products/dfs) 協助管理源系統與數位孿生實體之間的映射。治理應記錄每個關鍵綁定的源系統、標籤名、單位、時間戳規則、品質狀態、刷新頻率和負責人。 對 AI Agent 工作流來說，這些記錄很重要，因為建議依賴信號、資產、空間、文件和現場歷史之間的關係。可靠的綁定記錄也能協助團隊解釋某條趨勢為什麼出現在某個資產上，以及某條建議為什麼引用了特定證據集。 ## 現場證據閉合更新循環 當現場團隊可以直接在營運上下文中報告模型不一致時，治理會更有效。[Inspector](/products/inspector) 可以圍繞相關資產或空間記錄問題、照片、巡檢發現、糾正動作和工作記錄。 有價值的現場證據包括： * 目前狀態照片 * 現場看到的資產 ID 或設備名稱 * 不一致所在的房間、路線、樓層或區域 * 受影響的工作流、巡檢、儀表板或場景 * 建議修正方式和緊急程度 * 複核人與關閉記錄 這些證據把模型維護變成可追責的營運流程。 ## 面向 AI 與仿真的模型治理 AI Agent、仿真和 Physical AI 工作流應使用已批准的模型上下文。模型版本需要說明，在產生建議或仿真結果時，哪些幾何、資產關係、資料綁定、文件和場景假設處於生效狀態。 這種可追蹤性有助於跨版本比較結果，也能協助團隊判斷異常結果來自真實營運變化、資料品質問題、模型更新，還是 AI 工作流變化。 對仿真工作來說，同樣需要治理布局、碰撞邊界、通行區域、系統關係和行為邏輯。場景版本與假設清晰時，仿真結果更容易被團隊複核。 ## 營運節奏 治理最好有簡單節奏： * 每日複核緊急現場不一致和失效資料綁定 * 每週複核資產、文件、權限和工作流更新 * 每月複核模型品質、陳舊記錄、重複不一致和源系統漂移 * 每次生產數位孿生更新都保留發布說明 * 重大場景或資料綁定變化保留回滾參考 * 為每個站點、系統和共享資產庫指定負責人 節奏應匹配設施風險。資料中心、半導體公輔區域、生物製藥設施或關鍵建築系統，通常需要更緊的複核節奏。 ## 治理檢查清單 * 每個空間、資產、系統和資料綁定是否都有負責人 * 現場變化是否透過批准路徑進入更新佇列 * 執行期數位孿生發布前，權威源系統是否已更新 * 模型版本是否關聯發布說明和複核記錄 * 敏感空間、受限文件和客戶專屬布局是否受到保護 * 陳舊標籤、失效綁定和缺失資產 ID 是否定期複核 * Inspector 證據是否能觸發模型更新 * AI Agent 和仿真輸出是否能引用所使用的模型版本 * 重大場景、權限或資料綁定發布是否有回滾路徑 ## 公開參考 [BIM、CAD 和點雲資產管線指南](/resources/guides/bim-cad-point-cloud-operational-twin-asset-pipeline)介紹數位孿生上線前，源模型轉化為營運資產的流程。 [資料準備指南](/resources/guides/industrial-ai-agent-digital-twin-data-readiness)梳理源系統、資產身分、工作流記錄和機器學習回饋形成資料基礎的方式。 [工業知識圖譜指南](/resources/guides/industrial-knowledge-graphs-ai-agents-digital-twins)展示語義關係連接資產、空間、系統、信號、文件和 AI Agent 推理的方式。 [NIO 智慧工廠參考](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC 合作](/about/news/collaboration-between-jtc-datamesh)和 [Singtel FutureNow 展示](/about/news/datamesh-factverse-now-showcased-at-singtels-futurenow-innovation-centre)展示了數位孿生上下文如何支援持續工業與設施營運。 --- ## [GUIDES] pharma-operator-training-digital-sop-gmp-csv ## 受監管營運仍然依賴熟練操作員 製藥和生物製藥設施把自動化設備、受控房間、公輔系統、品質體系和熟練人工執行結合在一起。許多生產步驟仍依賴受訓操作員完成設定、清潔、取樣、稱量、裝配、拆卸、清場、巡檢、交接和異常回應。 真正的挑戰是執行一致性。團隊需要在班組、站點和培訓批次之間使用同一版規程、設備上下文、視覺參考、安全提示、角色說明和證據記錄。紙本 SOP、影片文件、課堂培訓和分散的工作記錄很難長期支撐這種一致性。 基於數位孿生的 SOP 工作流提供共享營運上下文。它把空間、設備、規程步驟、培訓記錄、巡檢任務、工單、照片、複核備註和變更歷史連接到真實資產和製程區域周圍。 ## 數位 SOP 應該承載什麼 | 層級 | 營運細節 | |---|---| | 規程版本 | 已批准 SOP、修訂號、生效日期、培訓對象和負責人 | | 空間上下文 | 房間、區域、設備、公輔連接、通行路徑和安全邊界 | | 任務步驟 | 設定、物料準備、清潔、取樣、巡檢、確認、交接和收尾 | | 視覺引導 | 3D 模型、動畫、標籤、圖片、影片、檢查點和操作提示 | | 角色與培訓 | 所需角色、培訓完成、考核結果、復訓週期和培訓批次歷史 | | 執行記錄 | 操作員、時間、資產、步驟狀態、照片、備註、異常、工單和驗證 | | 變更歷史 | SOP 修訂、資產變更、內容複核、培訓更新和審批路徑 | 有用的目標，是形成一條記錄：用了哪版規程，適用於哪台資產或哪個區域，誰完成了培訓，執行了什麼，觀察到什麼，以及結果如何複核。 ## DataMesh 工作流 1. **收集規程來源** - 彙總 SOP、作業指導書、培訓材料、設備模型、照片、影片、資產清單、房間上下文、維護記錄和品質複核要求。 2. **構建營運上下文** - 使用 FactVerse 連接房間、設備、公輔、文件、製程區域、資產歷史和角色責任。 3. **創作引導規程** - 使用 Director 建立 3D SOP、培訓場景、步驟提示、檢查點、動畫、標籤和可複核內容。 4. **交付培訓與現場指導** - 使用 DataMesh One 和行動或 XR 設備，讓操作員在同一資產上下文中學習並執行規程。 5. **採集執行證據** - 使用 Inspector 和 Checklist 記錄巡檢、任務、照片、備註、異常、整改行動、工單和驗證狀態。 6. **連接營運資料** - 使用 Data Fusion Services 在需要時綁定資產狀態、告警、維護歷史、文件和企業記錄。 7. **複核並改進** - 用一致記錄支援品質複核、再培訓、異常事件分析、維護閉環和 CSV 證據準備。 這讓營運、品質、培訓和工程團隊擁有從培訓到執行的一條可複核軌跡。 ## 團隊通常從哪裡開始 - **操作員入職**：在接觸生產工作前學習房間布局、設備身份、清潔執行要求和常見交接。 - **設定與換型**：用視覺檢查引導設定、裝配、拆卸、驗證和清場工作。 - **清潔與巡檢**：把步驟引導、照片證據、巡檢結果和整改行動連接到相關資產或區域。 - **取樣與稱量**：為重複性工作提供引導提示、設備上下文、角色說明和完成記錄。 - **維護與校準支援**：連接設備歷史、現場任務、工單、驗收備註和相關 SOP 參考。 - **偏差與異常複核**：整理發生了什麼、發生在哪裡、涉及哪一步，以及後續完成了什麼。 合適的試點通常來自培訓負擔高、交接問題重複或證據要求強的規程。 ## GMP 與 CSV 證據結構 GMP 項目需要受控、可重複、可追溯的生產實踐。對 SOP 執行而言，這意味著清晰的版本歸屬、完成培訓的人員、批准後的工作步驟、可靠記錄和可複核異常。 CSV 項目關注受監管工作流中的電腦化系統。對數位 SOP 和巡檢工作流而言，有用證據包括預期用途、系統範圍、存取角色、版本控制、工作流記錄、變更歷史、測試證據和品質複核材料。 DataMesh 透過把規程、培訓完成、工作記錄、巡檢證據、資產歷史、整改行動和變更記錄連接到相關製程與設備上下文，支援這些證據結構。 ## 產品角色 [Director](/products/director) 建立引導式 3D SOP、培訓場景、動畫、標籤、檢查點和現場說明。 [Inspector](/products/inspector) 管理巡檢、工單、維修記錄、證據採集、驗證和現場歷史。 [Checklist](/products/checklist) 支援週期任務、結構化表單、完成記錄和行動端執行。 [FactVerse](/products/factverse) 為空間、資產、文件、工作流和資料綁定提供營運數位孿生上下文。 [Data Fusion Services](/products/dfs) 在資料整合範圍內連接 DCS、SCADA、歷史資料庫、CMMS、EAM、LIMS、告警、感測器、文件和企業系統。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以為合格團隊彙總重複問題、異常趨勢和相關工作歷史，支援複核。 ## 治理清單 - SOP 版本、負責人、生效日期和培訓對象是否已記錄? - 房間、設備、公輔、文件和資產標識是否在各系統中一致? - 培訓完成、考核和復訓記錄是否連接到正確的規程版本? - 現場任務是否連接到正確的資產、區域、步驟、操作員角色和複核狀態? - 照片、備註、異常、整改行動和驗證記錄是否具備後續複核結構? - 存取角色、內容審批、變更複核和發布控制是否已記錄? - 系統範圍、預期用途、版本歷史和測試記錄是否可用於 CSV 準備? - 品質、營運、培訓、工程和維護負責人是否在 rollout 前對齊? 這些檢查可以把數位 SOP 內容轉化為營運證據系統。 ## 公開參考 [Swire Coca-Cola 參考](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 展示了維護流程與一線培訓數位化。 [Foxconn 參考](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 展示了 FactVerse 如何用於培訓和維護工作流。 [高速公路安全培訓參考](/about/news/an-education-and-training-tool-that-utilizes-mr-and-digital-twin-technologies-to-improve-engineer-skills-to-ensure-expressway-safety) 展示了數位孿生與混合實境用於提升實踐培訓。 [橫河電機與 DataMesh 參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 展示了把工業設施信號連接到維護複核的通用模式。 --- ## [GUIDES] physics-based-process-simulation-packaging-production-lines ## 工藝驗證需要更快的中間層 產線和包裝專案經常在兩類工具之間切換。靜態布局和離散事件模型適合討論流量、產能和瓶頸；有限元素分析、CFD 和現場試驗適合回答高精度工程問題。大量實際問題出現在這兩層之間：包裝姿態、碰撞、滑動、堆疊、交接時機、機器人可達性、操作員伸手範圍和設備互動。 圍繞 Omniverse、NVIDIA Isaac Sim、PhysX 和 Newton 形成的現代工作流，可以構成更快的中間層。工程團隊和營運團隊可以在數位孿生裡先測試更多物理場景，再選擇少數關鍵方案進入詳細分析或現場試驗。這裡的精度目標不同於經過標定的有限元素模型，價值主要來自迭代速度、場景覆蓋、共同複核和早期發現問題。 對 DataMesh 來說，這條路徑是 [FactVerse Designer](/products/designer) 的自然延伸。Designer 建構產線場景、工藝邏輯、行為樹、布局變體和時間線場景。[FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 再把這些上下文帶入 OpenUSD 和 Omniverse 工作流。後續團隊可以準備 Isaac Sim 場景，使用 PhysX 物理仿真、RTX 渲染、機器人和感測器模型；當工藝場景進一步走向機器人或 Physical AI 時，再接入 Isaac Lab 或 Newton 路徑。 ## 傳統仿真的慢點在哪裡 | 方法 | 適合回答的問題 | 常見約束 | |---|---|---| | 靜態布局評審 | 空間、設備擺放、通行、團隊對齊 | 缺少運動和互動證據 | | 離散事件仿真 | 吞吐、排隊、利用率、緩存、資源規劃 | 幾何和物理行為被簡化 | | 有限元素分析 | 應力、變形、材料響應、結構風險 | 建模和計算週期更長 | | CFD | 氣流、流體、熱、壓力和污染控制 | 模型專業度高，迭代週期更長 | | 現場試驗 | 最終工藝信心和真實操作回饋 | 成本、週期、安全和場景覆蓋受限 | 物理工藝仿真增加了一個選擇：當包裝沿著某條路徑滑動、托盤傾斜、機器人交接延遲、輸送線緩存積滿、紙箱碰到導軌時，現場團隊會看到什麼。 ## Isaac Sim、PhysX 和 Newton 的價值 NVIDIA 將 Isaac Sim 描述為建立在 Omniverse libraries 之上的開源參考框架，用於機器人仿真、測試和合成資料生成。它可以接入 CAD、URDF、MJCF 和現場捕獲的場景上下文，轉換為 USD，並在場景中配置材料、物理屬性、機器人模型和感測器。 PhysX 位於 Isaac 和 Omniverse 路徑中的物理基礎層。NVIDIA 的 Isaac Sim 文件將核心仿真描述為高保真、基於 GPU 的 PhysX 引擎，並支援工業規模的多感測器 RTX 渲染。對產線團隊來說，它可以支援運動、碰撞、剛體行為、擺放、物料流、間距、機器人可達性和安全區域評審。 Isaac Lab 和 Newton 將工作流進一步延展到機器人學習和接觸豐富的仿真。NVIDIA 將 Isaac Lab 描述為面向機器人學習的開源、GPU 加速、模組化框架。NVIDIA 也將 Newton 描述為建構在 Warp 和 OpenUSD 之上的開放、可擴展物理引擎，公開方向包括 GPU 加速、可微物理、可插拔求解器、剛體與可變形體仿真，以及與 Isaac 工作流的整合。當工藝仿真開始接近機器人策略、觸覺接觸、柔性材料、包裝變形、線纜或未來 Physical AI 工作流時，這條路徑會更重要。 工業團隊需要按決策選擇合適的物理深度。包裝布局評審可能只需要快速碰撞和運動檢查；機器人插接任務可能需要更強的接觸建模；材料失效問題仍然交給專項工程分析。 ## 包裝工藝驗證場景 包裝是很適合的應用場景，因為細小物理差異會改變營運結果。可用的虛擬試驗可以探索： * 包裝姿態、間距和交接時機 * 輸送線速度、導軌、分流器、擋停和緩存行為 * 托盤、紙箱、瓶、袋、箱體在設備中的運動 * 滑動、傾倒、堆疊、彈跳、接觸和碰撞模式 * 機器人可達性、夾爪接近路徑、工作包絡和安全區域 * 操作員伸手範圍、維護通道、卡料恢復和巡檢視角 * 設備移動或工裝變更前的產線方案對比 目標是更早篩選。團隊可以比較更多選項，提前發現明顯物理問題，並為詳細驗證準備更清楚的問題。 ## DataMesh 工作流 1. **建構營運場景** - 在 FactVerse 中建模產線、包裝單元、設備、工位、緩存、路線、通行區域和資產身分。 2. **編排工藝邏輯** - 使用 Designer 定義行為樹、節拍、狀態切換、物料路線、故障、恢復步驟和方案變體。 3. **準備仿真資產** - 對齊比例、座標、碰撞幾何、材料假設、品質、摩擦、約束和版本記錄。 4. **進入物理工作流** - 使用 FactVerse Adaptor for NVIDIA Omniverse 將場景上下文帶入 OpenUSD 和 Omniverse 工作流。涉及機器人時，進一步準備帶有物理屬性、材料、機器人模型和感測器的 Isaac Sim 場景。 5. **運行快速虛擬試驗** - 透過合適的 Omniverse、Isaac Sim、PhysX 或 Newton 路徑，複核運動、碰撞、接觸、擺放、交接、緩存行為、操作員通行和機器人互動。 6. **比較場景方案** - 記錄在既定假設下，哪種布局、節拍、材料或設備方案表現更好。 7. **升級關鍵方案** - 將關鍵方案交給有限元素分析、CFD、設備供應商工程驗證或現場試驗。 8. **保留證據** - 將假設、設定、結果、截圖、問題記錄和審批意見保存在場景版本下。 這樣虛擬規劃就能和工程治理連接起來。仿真結果有價值，是因為假設和版本可以追溯。 ## 這個層級適合解決什麼 物理工藝仿真最適合快速比較： * 早期包裝工藝篩選 * 輸送、物料搬運和緩存行為複核 * 布局和淨空驗證 * 碰撞和卡料風險發現 * 機器人與操作員可達性複核 * 設備互動和交接時機評估 * 虛擬調試準備 * Physical AI 場景準備 * 工程、營運、安全和供應商共同評審 輸出應服務工程判斷。它協助團隊縮小方案空間，把高成本驗證集中到真正重要的場景上。 ## 高精度方法仍然必要 有限元素分析、CFD、材料標定測試和現場試驗仍然適合回答應力、疲勞、破裂、密封、熱行為、氣流、液體運動、污染風險和產品品質閾值等最終問題。 物理引擎也需要標定。摩擦、剛度、阻尼、回彈、品質、幾何簡化、接觸設定和求解器參數都會影響結果。柔性包裝、液體、粉體、黏附、熱、磨損和破損等現象可能需要專項模型或物理實驗。 最穩妥的工作流，是把快速物理仿真作為工程篩選器。它讓團隊更快提出更好的問題，並選擇更好的驗證目標。 ## 應該評測什麼 | 評測區域 | 有用指標 | |---|---| | 迭代速度 | 場景設定時間、方案數量、評審週期、首次發現問題時間 | | 場景覆蓋 | 布局變體、速度設定、包裝類型、故障狀態、通行條件 | | 模型品質 | 比例誤差、材料假設、碰撞幾何品質、標定證據 | | 工程價值 | 試驗前發現的問題、淘汰方案、被縮小的驗證範圍 | | 遷移品質 | 虛擬試驗與現場觀察的差異、重複出現的偏差類型 | | 治理 | 場景版本、物理設定、資產版本、複核人、決策記錄 | 這些指標讓仿真保持可用。假設不清的快速模型會製造噪音；假設可追溯的快速模型才會形成工程槓桿。 ## 產品分工 [FactVerse Designer](/products/designer) 是布局、行為樹、工藝邏輯、時間線場景和方案變體的編排環境。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 將 FactVerse 場景上下文連接到 OpenUSD 和 Omniverse 工作流，用於渲染、物理驗證、Isaac Sim 場景準備和高階仿真。 [FactVerse](/products/factverse) 與 [FactVerse Twin Engine](/products/factverse-twin-engine) 保留仿真背後的營運數位孿生上下文，包括資產、空間、系統、元資料、權限和場景記錄。 [Data Fusion Services](/products/dfs) 在仿真需要生產信號、設備狀態、告警、速度、吞吐或設施上下文時接入即時和歷史營運資料。 [DataMesh Robotics](/products/robotics) 在包裝或產線場景擴展為訓練資料、Isaac Sim 機器人仿真環境、Isaac Lab 學習任務或 Physical AI 評測任務時參與進來。 ## 準備度檢查清單 * 工程決策是否清楚到足以選擇合適的仿真深度 * 產線資產、設備名稱和包裝類型是否穩定 * 比例、座標、單位和原點是否已經驗證 * 碰撞形狀和材料假設是否有記錄 * 工藝節拍、路線、交接規則和狀態切換是否已在 Designer 中定義 * 物理設定是否對應明確的評審目標 * 已知限制是否在評審前寫清楚 * 關鍵方案是否會進入詳細工程驗證 * 結果是否能追溯到場景版本、資產版本和物理設定 ## 公開參考 NVIDIA 將 [Omniverse](https://www.nvidia.com/en-us/omniverse/) 描述為面向工業數位孿生和 Physical AI 仿真應用的 libraries 與 microservices，並提供 OpenUSD、RTX 和物理能力。 NVIDIA 的 [Omniverse libraries](https://developer.nvidia.com/omniverse) 頁面將 ovphysx 描述為用於可擴展機器人與數位孿生仿真的 USD 原生多物理庫。 NVIDIA 的 [Isaac Sim](https://developer.nvidia.com/isaac/sim) 頁面將其描述為建立在 Omniverse libraries 之上的開源參考框架，用於物理虛擬環境中的機器人仿真、測試和合成資料生成。 NVIDIA 的 [Isaac Lab](https://developer.nvidia.com/isaac/lab) 頁面將 Isaac Lab 描述為面向大規模機器人策略訓練的開源、GPU 加速、模組化機器人學習框架。 NVIDIA 的 [Newton Physics](https://developer.nvidia.com/newton-physics) 頁面將 Newton 描述為建構在 Warp 和 OpenUSD 之上的開放、可擴展物理引擎，用於機器人學習與開發。 NVIDIA 公開的 Newton 工業機器人文章介紹了接觸豐富操作、可變形仿真、SDF 碰撞、hydroelastic contact，以及與 Isaac 工作流的整合方向。 DataMesh 的 [FactVerse 與 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 發布內容和 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 展示了仿真數位孿生、OpenUSD 工作流和 Physical AI 準備的公開方向。 --- ## [GUIDES] predictive-maintenance-digital-twin-work-orders ## 維護閉環從訊號之後開始 預測性維護真正產生價值，是在風險訊號能夠進入有紀律的工作流程之後。振動趨勢、溫度漂移、電流異常或重複警報，都需要轉化為可複核的問題：受影響的是哪台資產，這個發現是否可信，相關系統和上下游關係是什麼，應該由哪個團隊複核，現場要執行什麼動作。 [DataMesh 預測性維護](/solutions/predictive-maintenance) 透過數位孿生把這些步驟連接起來。資料、資產脈絡、AI 輔助複核、工單、現場證據和驗證紀錄保留在同一個營運閉環中，維護團隊可以從每一次決策中持續學習。 這也是一個務實的物理智慧工作流。AI 負責幫助解釋真實世界的訊號，數位孿生負責把建議放回設備、位置、系統關係和現場核准的執行流程中。 ## 閉環需要哪些層 一個閉環維護流程通常需要這些層： - **連接後的訊號**：振動、溫度、電流、壓力、運行時間、警報、歷史資料庫標籤和環境脈絡。 - **資產脈絡**：設備層級、位置、運行角色、系統依賴、維護計畫、文件和備品相關資訊。 - **AI 輔助複核**：趨勢比較、異常複核、可能的劣化模式、證據摘要和建議動作草稿。 - **數位孿生驗證**：空間脈絡、上下游依賴、近期工作、運行約束和現場可達性。 - **工作執行**：Inspector 工單、Checklist 任務、指派、現場說明、照片、驗收和關閉狀態。 - **後續證據**：維護後的讀數、重複警報複核、狀態對比和更新後的資產歷史。 最終需要形成一條維護紀錄，包含偵測結果、重要性判斷、複核人、核准動作和結果驗證方式。 ## DataMesh 技術棧在其中的位置 [Data Fusion Services](/products/dfs) 連接感測器、歷史資料庫、BMS、SCADA、CMMS、EAM、IoT 和企業系統，並為數位孿生綁定、分析和 AI 複核準備營運資料。 [FactVerse AI Agent](/products/factverse-ai-agent) 是決策智慧層。FactVerse AI Agent 預測性維護模組會複核訊號行為、資產關係、維護歷史和營運脈絡，並為維護團隊準備證據和建議動作。 [FactVerse](/products/factverse) 和數位孿生脈絡幫助團隊看清資產在哪裡、支援哪些系統、哪些依賴關係會影響維護決策。[Inspector](/products/inspector) 管理巡檢、工單、現場紀錄、驗證和維護證據。[Checklist](/products/checklist) 幫助跨團隊整合任務和週期性工作。 客戶治理下的 CMMS、EAM、BMS、SCADA 和現場審批流程，可以繼續作為組織指定的營運主系統。 ## 從訊號到已驗證的工作 一個可落地的流程可以分為六步： 1. 連接感測器、歷史資料庫、警報、巡檢和資產資料。 2. 把資產、系統、點位和工作紀錄映射到數位孿生。 3. 使用 FactVerse AI Agent 複核趨勢、異常和相關證據。 4. 由維護和工程團隊在孿生脈絡中確認發現。 5. 建立 Inspector 工單或 Checklist 任務，明確範圍、負責人和驗收標準。 6. 記錄完成證據，並把維護後的狀態與原始訊號進行對比。 這個流程讓預測可以進入行動，形成一條帶有現場背景、負責人與完成證據的可追溯維護決策。 ## 從哪裡開始 | 起點 | 實際重點 | |---|---| | 旋轉設備 | 泵、壓縮機、馬達、風機，以及具有振動、溫度、電流或壓力模式的關鍵資產 | | 設施公用系統 | HVAC、冰水、壓縮空氣、配電，以及具有重複警報或服務歷史的系統 | | 生產支援資產 | 輸送線、機器人單元、治具和搬運設備等會影響生產節拍的維護對象 | | 巡檢密集資產 | 巡檢頻繁、問題反覆或現場紀錄不穩定的資產 | | 多站點營運 | 多個站點共享的資產類別，讓一個站點的複核經驗可以被其他站點借鑑 | 首個試點需要有可用的資料歷史、明確的維護負責人、可控的資產範圍，以及能完成閉環的現場團隊。 ## 資料準備清單 上線前建議複核這些條件： - 感測器訊號具有穩定識別、時間戳、單位和資產映射。 - 維護歷史可以追溯到資產或設備組。 - 工單紀錄能說明原因、動作和關閉情況。 - 資產層級和位置資訊可以連接到數位孿生。 - 工程和維護團隊已經約定複核、審批和升級規則。 - 現場團隊可以結構化採集證據。 - 試點指標和已驗證的營運紀錄綁定。 這個階段的資料品質工作本身就是預測性維護計畫的一部分。它決定哪些資產已經適合 AI 輔助複核，哪些系統需要先整理。 ## 可驗證的指標 預測性維護的價值應結合現場基線衡量。常見指標包括： - 從訊號出現到人工複核的時間。 - 進入計畫性維護的發現占比。 - 工單關閉品質和證據完整度。 - 整改後的重複警報情況。 - 維護後的資產狀態趨勢。 - 現場回應時間和任務驗收品質。 - 重複資產類別的工程複核投入。 收益判斷需要基於客戶現場資料、資產範圍和營運歷史進行驗證。清晰的驗證流程能讓假設、基線和閉環結果在試點到推廣過程中持續可追蹤。 ## 公開參考 [Yokogawa 與 DataMesh](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 的公開發布說明了工業設施中 AI 驅動預測性維護的方向，尤其是關鍵旋轉設備場景。 [Swire Coca-Cola](/about/news/datamesh-transforms-maintenance-processes-for-swire-coca-cola-in-collaboration-with-100-accelerator) 和 [Foxconn](/about/news/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency) 展示了維護流程數位化、一線指導和訓練如何支撐閉環執行。 對買方來說，關鍵模式很清楚：預測性維護需要連接後的訊號、可信資產脈絡、AI 輔助複核，以及能夠保留現場結果的工單執行紀錄。 --- ## [GUIDES] rack-inlet-temperature-and-thermal-margin ## 熱風險最終會反映在機櫃進風位置 資料中心團隊的機房溫度、冷卻設備讀數、警報、機櫃清冊及電力資料，往往分散在不同系統。即使機房平均溫度看來穩定，少數機櫃仍可能吸入較暖的回流空氣，或得到較少的氣流。這類局部狀況會壓縮運轉裕量、限制下一次容量變更，也會提高檢視冷卻或氣流隔離設計的迫切性。 機櫃進風位置為技術採購團隊提供實用的觀察點，將設施送出的冷空氣與資訊科技（IT）設備實際承受的環境連結起來。美國冷凍空調工程師學會（ASHRAE）以設備進風條件作為資料中心環境指南的通用基礎。特定設施可接受的環境範圍，仍須依設備等級、製造商要求、場址規範、濕度、運轉模式及現行指南判定。 有效的評估應回答四個問題： * 哪些機櫃或進風位置最接近約定限值？ * 此狀況屬於局部、持續、與負載相關，或與冷卻分配有關？ * 在受評運轉狀態下還剩多少熱裕量？ * 後續應採取哪些量測、工程或營運行動？ ## 先定義決策再選擇分析方法 有效的熱環境研究從一項決策開始，例如核准提高機櫃密度、檢視反覆出現的熱點、比較氣流隔離方案、準備冷卻設備維護時段，或選定增設感測器的位置。 決策會界定所需證據： | 決策 | 證據重點 | 實用輸出 | |---|---|---| | 調查目前熱點 | 近期進風量測、機櫃負載、冷卻狀態、警報、氣流隔離及現場觀察 | 受影響機櫃、可能的相依關係、資料缺口及巡檢優先順序 | | 檢視負載增加 | 規劃中的機櫃負載、氣流需求、冷卻分配、運轉範圍及具代表性的邊界條件 | 基線與規劃狀態的進風條件、剩餘裕量，以及需要工程審查的區域 | | 比較氣流隔離變更 | 幾何、開口、洩漏路徑、送風與回風配置、機櫃氣流方向及負載分布 | 相對回流模式、機櫃層級差異及方案取捨 | | 準備冷卻維護 | 冷卻設備可用性、備援假設、目前負載、感測器證據及運轉順序 | 預期受影響區域、受評狀態下的裕量及監測優先順序 | 從決策出發，有助於讓工作規模與需求相稱。檢視感測器或許就能解決資料品質問題；若決策取決於氣流路徑、未設量測的位置、未來負載，或難以在運轉中的設施安全重現的條件，空間熱模型便能提供更多價值。 ## 建立可信的設施基線 熱環境證據的可信度取決於設施模型與運轉輸入的品質。技術採購團隊應要求清楚記錄哪些資料來自既有設施文件、哪些來自量測、哪些經過推定，以及還有哪些不確定性。 ### 空間與設備脈絡 * 機房、走道、機櫃、架高地板、天花板、風管、開口及氣流隔離結構的幾何 * 機櫃位置、朝向、高度、設備配置及設備氣流方向 * 冷卻設備位置、容量、送風與回風配置及運轉狀態 * 穿孔地板、格柵、風門、阻隔設施、洩漏路徑及主要障礙物 * 感測器識別資訊、位置、安裝高度、單位、校準狀態及負責人 ### 運轉與熱環境脈絡 * 依時間與運轉狀態記錄的具代表性機櫃或 IT 負載 * 可取得時的送風溫度、回風溫度、流量、壓力及風扇資訊 * 機房溫度、濕度、機櫃進風量測、警報及環境記錄 * 氣流隔離狀態、維護情況、運轉中的冷卻設備及控制設定 * 會影響評估邊界的室外或相鄰空間條件 ### 治理脈絡 * 受評設備等級及製造商限值 * 經設施業主核准的環境範圍與量測方法 * 證據涵蓋的時段與運轉狀態 * 決策負責人、工程審查人員及驗收標準 [Data Fusion Services](/products/dfs) 可對齊設備識別資訊、時間戳記、單位、感測器品質、警報及工程記錄。[DataMesh FactVerse](/products/factverse) 可在營運數位孿生中組織機房、機櫃、冷卻系統、感測器及其空間關係。這套共享脈絡讓量測資料與模型結果都能追溯到受評資產及位置。 ## 將熱場轉化為機櫃層級決策 ![正常與效能降低的氣流模式及機櫃進風檢視點](/images/physics/data-center-thermal-resilience-comparison.webp) *機櫃層級檢視將空間氣流及溫度表現，連結至明確的進風位置、設備限值與營運決策。* 熱場呈現溫度與氣流如何隨空間變化。技術採購團隊仍需要約定的指標，才能把熱場轉化為可審查的決策依據。實用指標包括： * 明確定義之上、中、下位置的進風溫度 * 受評條件下的最高進風溫度、百分位數或時間區間溫度 * 接近約定限值的進風點數量及位置 * 影響相關機櫃的回流或旁通氣流模式 * 基線與候選情境之間的差異 * 持續時間、變化速率，以及對負載或冷卻狀態的敏感性 * 依機櫃、區域或設備等級計算的剩餘熱裕量 熱裕量可採用以下簡單定義： `熱裕量 = 約定的機櫃進風溫度限值 - 評估所得機櫃進風溫度` 每項熱裕量結果都應註明限值來源，也應說明評估溫度來自感測器、經實測資料校準的模擬、探索性模型，或保守情境值。同樣是兩度的裕量，若分別來自單一未經查證的感測器、經驗證的量測資料集，或在校準範圍外運作的模型，代表的意義會截然不同。 ## 區分即時可視性與專案型熱環境證據 即時營運與熱環境分析回答彼此相關、深度不同的問題。 | 能力 | 主要證據 | 可支援的問題 | |---|---|---| | 即時營運可視性 | 已連線的感測器、儀表、設備狀態、警報、資產記錄、巡檢及工作歷史 | 目前發生什麼狀況、警報位於何處、哪項資產受到影響，以及由誰負責回應 | | 專案型熱環境分析 | 經審查的幾何、機櫃負載、冷卻條件、邊界假設、可用量測、求解器檢查及證據包 | 氣流與溫度在空間中可能如何變化、規劃變更後可能出現哪些狀況，以及哪些區域值得由合格人員審查 | [FactVerse AI Agent](/products/factverse-ai-agent) 可協助營運團隊連結異常趨勢、警報、資產歷史及維護脈絡。當容量、冷卻或配置決策需要空間場與情境比較時，專案型熱環境工作流程可補充這些證據。[Inspector](/products/inspector) 可將核准的發現帶入現場巡檢、工作執行及驗證流程。 ## 採用合適的運轉範圍 ASHRAE 指南針對不同等級的資料通訊設備，區分建議與允許的環境範圍。製造商可能另有特定配置的限值，各營運單位也可能依可靠性目標、量測方法、設備組合及運轉條件制定設施標準。 技術採購評估應要求專案記錄： 1. 受評設備群組及環境等級 2. 適用的 ASHRAE 指南版本，以及採用的表格或流程 3. 已安裝配置的製造商要求 4. 經設施業主核准的正常、警報及工程審查閾值 5. 與上述閾值相關的濕度及量測條件 6. 瞬時偏離與資料缺口的處理方式 這些記錄可建立穩定的計算基礎，也讓設施團隊能因應設備與指南更新而持續調整。 ## 讓可信度與校準證據相符 探索性模型可在明確假設下呈現方向性模式並比較方案。經基準比較的模型加入參考案例及求解器檢查。實測資料校準模型會把相關輸出與具代表性的現場觀察互相比對。特定情境確認研究則會針對預期決策所需條件，加入獨立證據。 針對機櫃進風評估，實用的校準證據包括多個進風位置、具代表性的負載、穩定期與轉換期、運轉中的冷卻狀態，以及另外保留供確認使用的條件或時段。審查人員應能依位置及運轉狀態查看殘差，同時掌握感測器不確定性及已知落差。 [校準等級與模擬結論可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)說明如何讓結論強度與現有證據相符。[情境集合與保守模擬審查指南](/resources/guides/scenario-ensembles-and-conservative-simulation-review)說明當負載、設備狀態或邊界條件變動時，如何比較可信範圍。 ## 技術採購評估清單 ### 決策與範圍 * 是否清楚指定一項營運、容量、韌性或配置決策？ * 是否定義機櫃、區域、運轉狀態及時間範圍？ * 是否瞭解熱裕量過小或呈負值的後果？ ### 資料與模型準備度 * 是否具備機櫃幾何、氣流方向、負載及設備限值？ * 是否呈現冷卻配置、運轉狀態、送風、回風、氣流隔離及開口？ * 每項感測器數值是否都能追溯至識別資訊、位置、時間戳記、單位及品質狀態？ * 審查人員能否清楚看到假設及缺少的證據？ ### 證據與驗收 * 是否記錄每項運轉限值的來源？ * 是否清楚標示量測值與模擬值？ * 是否在與決策相關的位置呈現殘差、不確定性及敏感性？ * 結論可信度是否維持在文件記錄的證據適用範圍內？ ### 行動與權責 * 每項發現是否連結至受影響的機房、機櫃、冷卻資產或感測器？ * 是否由合格的審查人員負責結論？ * 核准的行動能否進入巡檢、維護或變更管理工作流程？ * 移交計畫是否納入變更後驗證？ ## 規劃聚焦的試點 實用的試點可從一個具代表性的機房或走道，以及一項決策開始。團隊選擇範圍適中的機櫃群組、查證資產與感測器脈絡、定義核准的運轉範圍，並取得具代表性的運轉基線。接著即可依約定證據及審查標準，比較候選負載、氣流隔離、冷卻或監測變更。 試點成功標準包括： * 已查證的幾何、機櫃識別資訊、負載、冷卻狀態及感測器對應關係 * 可重現且完整記錄輸入與檢查項目的基線 * 足以支援預期結論的機櫃層級量測及殘差審查 * 連結至核准限值來源的熱裕量檢視 * 能改變實際規劃或巡檢決策的情境比較 * 明確的工程權責與可重複使用的證據包 前往[資料中心營運](/solutions/ai-agent-data-center)，瞭解涵蓋營運可視性、熱環境評估、維護執行及多站點脈絡的完整工作流程。範圍更完整的[模擬證據評估指南](/resources/guides/how-to-evaluate-simulation-evidence)，則提供方法、模型、不確定性及移交證據的技術採購評估清單。 接著閱讀[冷卻故障情境分析](/resources/guides/data-center-cooling-failure-scenario-analysis)，檢視冷卻效能降低與不可用狀態；再透過[負載成長與容量情境分析](/resources/guides/data-center-load-growth-capacity-what-if-analysis)，比較規劃中的機櫃、負載、冷卻、氣流隔離及配置變更。 ## 公開參考資料 [ASHRAE《資料中心與電信設施》手冊章節](https://handbook.ashrae.org/Handbooks/A19/IP/a19_ch20/a19_ch20_ip.aspx)以設備進風溫度作為通用環境參考點，並說明建議範圍與允許範圍的作用。 ASHRAE 關於[資料中心設計與營運中的高可靠性及能源效率](https://www.ashrae.org/news/ashraejournal/achieving-high-reliability-energy-efficiency-in-data-center-design-operations)一文，介紹第五版《資料處理環境熱指南》，以及該指南如何協助設施營運配合設備要求。 [美國能源部《高能源效率資料中心設計最佳實務指南》](https://www.energy.gov/sites/default/files/2024-07/best-practice-guide-data-center-design_0.pdf)涵蓋資訊科技設備的環境條件、氣流管理、冷卻系統，以及減少機櫃進風口周圍暖空氣回流的措施。 --- ## [GUIDES] scenario-ensembles-and-conservative-simulation-review ## 單次執行只呈現一條假設路徑 工業系統會在持續變動的負載、天氣、設備狀態、控制模式、材料屬性及人員行動下營運。單次模擬執行可以說明一種明確條件。韌性與安全決策通常需要更廣的視野：哪些結論能維持穩定、哪些輸入會驅動變化，以及哪些可信條件會讓系統最接近營運限值。 模擬情境集合提供了這種更廣的視野。它會圍繞一項明確決策組織多次執行，並將輸出轉換成分布、比較、敏感性及保守審查案例。 目標是支援務實的工程判斷。技術採購團隊應能看出相關營運空間有多大範圍經過探索、哪些證據有力、哪些結果較敏感，以及哪項行動應優先處理。 ## 先建立模擬情境系列再決定執行次數 模擬情境系列是一組結構化條件，這些條件因為與決策相關而被選中。團隊先定義工程涵蓋範圍，再選擇檢視該範圍所需的執行設計。 典型的情境維度包括： | 維度 | 範例 | |---|---| | 需求與負載 | 資訊科技（Information Technology，IT）負載、生產速率、建築熱需求、包裝速率、機器人任務頻率 | | 設備狀態 | 正常營運、風扇或泵浦降級、冷卻機組無法使用、排氣能力降低、偵測器中斷 | | 環境 | 室外溫度、濕度、風、極端天氣、室內邊界條件 | | 源條件 | 洩漏位置、熱源、污染源、材料進入點、擾動時序 | | 控制與反應 | 設定值、順序控制、預熱策略、警報延遲、操作人員反應、復原行動 | | 資產與材料 | 幾何變體、摩擦、質量、熱性質、阻力、洩漏、設備效能 | 團隊應說明為何納入每個維度、哪些數值具備可信度，以及選定的組合如何涵蓋決策。如此一來，在開始運算前即可審查模擬情境的涵蓋範圍。 ## 區分情境變化與重複取樣 兩類多次執行分析回答不同的問題。 ### 模擬情境系列比較 模擬情境系列中的執行會改變具名的工程或營運條件。例如正常與降級冷卻、多個無塵室洩漏位置、極端天氣下的熱需求，或不同的生產配置。 輸出可以回答以下問題： * 哪種條件產生的熱裕度最小？ * 哪種偵測器配置留下的盲區最大？ * 極端天氣期間，哪個網路分區仍然較敏感？ * 哪種配置或任務順序會反覆產生碰撞或通行風險？ ### 模擬情境內的重複執行 重複執行用於檢查一個明確模擬情境內的變化。變動的輸入可能代表量測不確定性、自然製程變異、不確定的材料屬性、隨機洩漏行為、隨機任務初始化，或從已定義的參數分布中取樣。 輸出可以回答以下問題： * 達到約定限值的時間變化範圍有多大？ * 在合理的源行為範圍內，偵測器反應結論有多穩定？ * 哪個參數對結果離散程度的影響最大？ * 在該研究的取樣設計內，指標超過審查閾值的頻率為何？ 許多評估會同時使用這兩類分析。模擬情境系列用於建立工程涵蓋範圍，重複執行則描述選定高影響情境內的變化。 ## 用客戶容易理解的語言解讀分布 模擬情境集合會將單一結果擴展為一系列結果。技術採購團隊可以利用少數幾項實用度量，對這個範圍提出嚴謹的問題。 | 度量 | 向審查人員說明的資訊 | 還應一併檢查的項目 | |---|---|---| | 最小值與最大值 | 納入執行中觀察到的範圍 | 離群值、取樣涵蓋範圍、物理可信度，以及極端值是否獲得充分求解 | | 中位數 | 一半執行高於此值、另一半低於此值的中心結果 | 分布形狀、樣本數、多峰行為及決策相關性 | | 百分位數 | 納入結果中有指定比例低於此值 | 所選百分位數、尾端樣本數、輸入分布及超限後果 | | 超限率 | 納入執行中超過約定閾值的比例 | 閾值依據、模擬情境權重、代表性、確認及取樣誤差 | | 離散程度或區間 | 結果之間的變化幅度 | 主導輸入、資料品質、模型不確定性及尚未解決的條件 | | 敏感性 | 哪些輸入變化對決策指標影響最大 | 輸入範圍、交互作用、物理合理性，以及改善量測或控制的機會 | 每項度量都以所使用的模擬情境、輸入範圍、分布、模型及取樣設計為前提。審查資料應在摘要結果旁呈現這些條件。 ## 用比較視圖呈現模擬情境邏輯 ![無塵室基準通風與降級排氣比較](/images/physics/cleanroom-airflow-detection-comparison.webp) *清楚呈現基準與降級條件的比較，有助於相關人員先確認哪項條件發生變化，再解讀由此產生的場量、指標或行動。* 有用的比較視圖包括： * 使用相同比例尺顯示基準條件與降級條件的場量 * 裕度、超限、偵測涵蓋範圍或碰撞頻率的空間圖 * 多次重複執行的時間序列帶狀圖 * 達到限值或發生反應事件所需時間的分布 * 影響顯著之輸入的敏感性排序 * 顯示條件、結論、嚴重程度與行動責任的模擬情境矩陣 比例尺與單位保持一致非常重要。面板之間改變色彩範圍，可能讓細微差異顯得格外明顯，也可能掩蓋具有實際意義的效能下降。 ## 在看到答案前定義保守審查方法 保守審查會選擇適當加重不利且可信結果的證據。方法應依據錯誤後果決定，並在得出最終結果前達成共識。 常見方法包括： * 審查物理上可信且最不利的模擬情境 * 為決策指標選擇較高或較低的百分位數 * 與營運限值保留明確裕度 * 為所選百分位數或超限率提供信賴區間 * 要求結論在多種模型假設或資料期間下維持穩定 * 將超過安全、服務、品質或設備閾值的任何模擬情境升級處理 * 將定量結果與領域專家對未建模條件的審查結合 選定的方法應說明所保護的結果、涵蓋條件、證據品質及負責審查的人員。從範圍狹窄的模擬情境集中取得的高百分位數，仍可能遺漏重要營運條件。 ## 將模擬情境集合用於韌性與安全問題 ### 資料中心熱韌性 實用的模擬情境系列可以改變 IT 負載、冷卻機組可用性、氣流遏制條件、送風溫度、風扇行為及復原時序。審查指標可以包括機架入口裕度、熱點位置、溫升速率及達到約定限值的時間。 技術採購團隊應檢查可信降級狀態及成長條件下的模擬情境涵蓋範圍。保守審查可以著重於採取行動的時間裕度，以及反覆達到臨界狀態的機架或區域。 ### 無塵室氣流與偵測保障 無塵室模擬情境系列可以改變洩漏位置、源行為、局部排氣條件、設施通風狀態、門的狀態及偵測器配置。重複執行可以探索不確定的源時序、強度或方向。 審查指標可以包括偵測時間、未偵測區域、局部排氣捕集行為、約定位置的濃度，以及對通風降級的敏感性。研究應保留安全責任及特定現場的確認要求。 ### 區域供熱規劃 區域供熱模擬情境系列可以改變室外溫度、建築需求、風、網路狀態、泵浦與閥門策略、熱源可用性及預熱時序。審查指標可以包括各分區的供熱狀況、回水溫度變化、失衡、壓力裕度，以及擾動後的復原情況。 保守審查可以凸顯營運裕度最小的天氣與需求組合，並識別在哪些位置改善量測或進行聚焦的平衡研究最具價值。 ### 生產與機器人 生產模擬情境系列可以改變配置、包裝類型、摩擦、速度、緩衝區狀態、任務時序、機器人初始化及設備可用性。審查指標可以包括完成情況、碰撞、交接穩定性、間隙、排隊、復原行為及任務變化。 在實體人工智慧（Physical AI）工作中，重複模擬也可以支援策略訓練與評估。證據資料應清楚區分訓練變化、評估模擬情境、模擬轉移到真實環境（sim-to-real）檢查及驗收標準。 ## 檢查模擬情境集合的規模是否足夠 執行次數取決於決策指標、變異性、尾端行為及所需可信度。缺少收斂證據時，固定次數本身能說明的資訊很有限。 技術採購團隊可以提出以下問題： * 隨著執行次數增加，中位數或所選百分位數是否趨於穩定？ * 尾端案例是否有足夠樣本支援預期決策？ * 重要的模擬情境維度及其交互作用是否得到涵蓋？ * 是否有計畫地納入罕見但可信的工程條件？ * 增加取樣是否會顯著改變結論或優先順序？ * 運算簡化、代理模型或降階方法是否已針對預期指標完成確認？ 專案可以依據所採用的方法呈現收斂圖、區間寬度、重複批次或保留資料比較。相較於模擬情境的相對優先順序，後果嚴重的機率敘述需要更深入的統計設計與審查。 ## 找出值得關注的輸入 敏感性分析將輸出變化與輸入變化連結起來。它有助於團隊識別哪些量測、控制、資產或假設對決策指標的影響最大。 這能帶來實際價值： * 優先部署其不確定性會改變決策的偵測器 * 將校準重點放在影響顯著的物理參數 * 識別具有實際營運調節能力的控制項目 * 縮小低價值模擬情境維度的範圍 * 揭示需要採用組合情境處理的交互作用 * 將詳細工程分析或實體測試聚焦於最大的證據缺口 敏感性應在可信的輸入範圍內評估。當所選範圍過窄，或缺少與其交互作用的條件時，某個參數可能會顯得影響很小。 ## 保留審查責任 模擬情境集合可以產生大量圖表與摘要統計。責任明確時，證據才能轉化為行動。 審查記錄應指定： * 決策問題的負責人 * 負責模擬情境涵蓋範圍的工程師 * 營運與量測資料的負責人 * 負責模型及取樣選擇的分析人員 * 負責物理解讀的領域審查人員 * 負責核准行動的安全、品質、營運或工程主管 每項不利或敏感條件都應透過研究結論連結至建議行動、優先順序、負責人及所需的後續證據。 ## 模擬情境涵蓋範圍評估清單 ### 決策與後果 * 所要保護的結果是否明確？ * 是否瞭解超過閾值可能產生的後果？ * 所選保守審查規則是否已預先達成共識？ ### 模擬情境設計 * 納入了哪些負載、環境、設備狀態、控制及擾動？ * 所選數值與組合為何可信？ * 哪些條件仍在研究範圍之外？ * 在適用情況下，是否涵蓋基準、降級、復原及成長條件？ ### 取樣與不確定性 * 哪些輸入維持固定、有計畫地變動，或從特定分布中取樣？ * 每個範圍或分布來自何處？ * 中位數、百分位數、超限率及區間估計是否有充足取樣支援？ * 哪些輸入主導決策指標的變化？ ### 證據與行動 * 視覺比較是否使用一致的單位與比例尺？ * 哪些結論能在合理變化下維持穩定？ * 哪些不利案例需要量測、校準、詳細工程分析、測試或營運行動？ * 由誰審查並核准每項結論？ ## 選擇下一項評估工作 當營運條件、擾動、決策指標及審查責任仍需取得共識時，可以進行**模擬情境設計工作坊**。 當團隊需要在投入更大規模的模擬情境集合前，識別影響顯著的資料、參數及控制項目時，可以進行**敏感性研究**。 當技術採購團隊需要針對一項決策驗證執行編排、資料準備度、結果彙整及審查工作流程時，可以進行**模擬情境集合試點**。 當特定現場的量值、時序、裕度或機率需要更有力的證據時，可以進行**校準或確認研究**。[校準等級與模擬結論可信度指南](/resources/guides/calibration-levels-and-simulation-claim-confidence)說明如何讓結論與相應證據相符。 使用[模擬證據評估指南](/resources/guides/how-to-evaluate-simulation-evidence)，可以審查從預期用途與輸入，到指標、結論、行動及核准的完整證據鏈。 ## DataMesh 如何支援模擬情境審查 [FactVerse Designer](/products/designer) 用於準備可重複使用的數位孿生場景、營運狀態、行為及模擬情境變體。[Data Fusion Services](/products/dfs) 連結營運歷史、量測識別資訊、品質脈絡與時間對齊。DataMesh 專案工作流程可以跨模擬情境系列保留執行識別資訊、場量、指標、結論、行動及審查責任。 請參閱[製程模擬與虛擬規劃](/solutions/process-simulation)、[資料中心營運](/solutions/ai-agent-data-center)、[半導體設施營運](/solutions/ai-agent-semiconductor)及[智慧供熱](/solutions/heatops)，瞭解哪些面向市場的決策案例能受益於結構化的模擬情境比較。 ## 公開參考資料 美國國家航空暨太空總署（National Aeronautics and Space Administration，NASA）公開的[建模與模擬定義](https://public.ksc.nasa.gov/mns/ms-definitions/)從模型決策的角度定義模擬情境、敏感性分析、不確定性描述及結果穩健性。 美國機械工程師學會（American Society of Mechanical Engineers，ASME）的[不確定性量化簡介](https://www.asme.org/getmedia/4b43ab5f-28c5-4403-aeb1-9286650ad7b1/vvuq-intro-module-part-4-uq.pdf)說明一套循環：描述不確定性、讓不確定性透過模型傳播、解讀結果，再運用敏感性分析識別影響顯著的不確定性。 美國國家標準與技術研究院（National Institute of Standards and Technology，NIST）的[虛擬量測概述](https://www.nist.gov/itl/virtual-measurement)將不確定性量化描述為，針對影響數值模擬輸出的不完整知識進行描述與溝通。 NASA 公開的[建模與模擬應用指南](https://public.ksc.nasa.gov/mns/ms-use/)提出以下問題：資料來源與處理記錄是否充分、不確定性如何傳遞至結果，以及對結果敏感性的瞭解是否足夠深入。 --- ## [GUIDES] semiconductor-facility-operations-ai-agent ## 晶圓廠營運依賴穩定的廠務上下文 半導體晶圓廠對廠務穩定性的依賴不低於對生產設備的依賴。潔淨室漂移、壓差失衡、過濾器負載上升、冷凍水波動、CDA 壓力變化、排風不穩定、維修延遲和工單分散，都會在團隊形成統一判斷之前累積營運風險。 [半導體廠務 AI](/solutions/ai-agent-semiconductor) 將 [Data Fusion Services](/products/dfs)、[FactVerse](/products/factverse)、[FactVerse AI Agent](/products/factverse-ai-agent) 與 [Inspector](/products/inspector) 應用於廠務營運層。它把潔淨室訊號、公用系統、資產關係、告警、維修記錄和現場執行連結成可審查的營運閉環。 生產配方、APC、良率分析、MES 和設備控制繼續由晶圓廠既有系統與授權流程管理。DataMesh 聚焦廠務、維護和圍繞現場營運產生的證據鏈。 ## 廠務孿生連接哪些內容 | 層級 | 營運上下文 | |---|---| | 潔淨室分區 | ISO 等級、粒子、溫度、濕度、壓差、氣流、房間層級和營運閾值 | | 公用系統 | HVAC、冷凍水、CDA、真空、排風、配電、儀表、泵、風機、閥門和配套設備 | | 關鍵資產 | FFU、HEPA/ULPA 過濾器、冰水主機、泵、AHU、壓縮機、排風設備、感測器、控制器、文件和維修歷史 | | 告警與趨勢 | 重複告警、異常模式、感測器漂移、壓差變化、過濾器負載、振動、電流、運轉時間和服務歷史 | | 工作執行 | Inspector 工單、Checklist 任務、現場照片、讀數、記錄、審批、升級規則和關閉證據 | | 治理記錄 | 建議來源、審查人、優先級、SLA、負責人、交班、驗收標準、後續證據和稽核記錄 | 關鍵價值來自把每個訊號對應到分區、資產、系統、責任團隊和現場流程。一次粒子突增應當能追溯到潔淨室上下文、氣流和壓差行為、過濾器狀態、上游公用設備、近期維修以及後續回應。 ## DataMesh 半導體廠務營運流程 1. **連接廠務資料來源** - 接入 BMS、SCADA、PLC、歷史資料庫、環境監測、CMMS、EAM、IoT 感測器、設備遙測和工單系統。 2. **建立廠務孿生** - 在 FactVerse 中建模晶圓廠、潔淨室、分區、公用系統、資產、感測器、控制點、文件和工作責任。 3. **把訊號綁定到上下文** - 透過 Data Fusion Services 將粒子、壓差、溫度、濕度、告警、能耗讀數、設備健康和工單記錄對應到正確分區與資產。 4. **審查漂移與風險** - 使用 FactVerse AI Agent 彙整異常趨勢、重複告警、可能相關系統、優先級評分和建議動作，供人工審查。 5. **透過 Inspector 執行** - 將確認後的發現轉為工單、現場任務、升級計畫、交班記錄、文件和驗收記錄。 6. **驗證結果** - 對比處理後的讀數、告警復發情況、維修證據、潔淨室狀態和營運審查結果。 這個流程讓 AI 建議始終綁定在產生建議的資料、資產上下文和現場證據上。 ## 潔淨室漂移與 ISO 證據 潔淨室團隊經常需要同時審查多個訊號的細微變化。粒子數、溫度、濕度、壓差、氣流行為、過濾器狀態、開門事件、告警和維修活動，都可能解釋漂移模式的一部分。 FactVerse AI Agent 可以為工程審查準備證據摘要：哪個分區受影響，哪些讀數發生變化，壓差梯度是否仍在容許範圍內，FFU 或過濾器狀態是否變化，類似告警是否重複出現，以及應當派發哪些現場檢查。 ISO 14644-1 評估和客戶現場自己的潔淨室記錄可以作為營運歷史的一部分保存。軟體承擔的是證據結構化、狀態審查和工單連結，合規結論仍按客戶的品質體系、驗證流程和責任人執行。 ## 公用設備與預測性維護 廠務側資產有自己的退化模式。泵、風機、壓縮機、冰水主機、AHU、排風設備、閥門、感測器和過濾器，都可能透過壓力、流量、振動、溫度、電流、運轉時間、告警歷史和維修記錄體現早期風險。 [預測性維護](/solutions/predictive-maintenance) 的閉環適合這類場景。FactVerse AI Agent 審查訊號和資產上下文，Inspector 將確認後的發現帶入工單與驗證。團隊可以按營運影響、潔淨室依賴、緊急程度、重複告警和維修資源來排序。 跨班組營運尤其需要清晰的決策記錄：發現了什麼，為什麼重要，誰審查，哪個現場團隊接收任務，現場觀察到什麼，以及處理後狀態是否改善。 ## 從告警到工單 半導體廠務營運需要受控的執行路徑。一個實用的告警流程包括： - 感測器與校準時間檢查 - 資產和分區上下文審查 - 可能原因摘要 - 優先級與 SLA 建議 - 負責人或角色分配 - 現場檢查清單 - 照片、讀數和修正動作記錄 - 驗收與後續審查 [Inspector](/products/inspector) 和 [Checklist](/products/checklist) 提供這個閉環的執行側。它們幫助團隊把確認後的風險轉為工單，採集現場證據，並保存後續複盤所需的關閉記錄。 ## 能耗審查與 what-if 分析 半導體設施能耗強度高。公用讀數、冷卻需求、氣流要求、過濾器負載、泵和風機行為、運轉排程，都需要和潔淨室及維修上下文一起查看。 DataMesh 可以把能耗讀數連接到系統、分區、資產和工單歷史，支援廠務能源審查。FactVerse AI Agent 可以為工程團隊準備 what-if 對比和風險摘要，例如某項維修是否可能減少重複告警，或某個排程調整是否需要結合潔淨室限制審查。 節能、碳排報告和營運目標取決於客戶基線、計量邊界、工程規則和驗證方法。DataMesh 流程提供的是可追蹤的方案評估與結果記錄方式。 ## 試點準備清單 啟動前建議確認： - 潔淨室分區、ISO 等級、營運閾值和廠務責任邊界已經定義。 - BMS、SCADA、環境監測、PLC、歷史資料庫、CMMS、EAM 和工單系統具備可存取介面。 - 感測器名稱、單位、時間戳、位置和資產對應足夠穩定。 - 公用系統和關鍵廠務資產可以在數位孿生中表達。 - 維修團隊已約定審查、優先級、升級、SLA 和驗收規則。 - 現場團隊可以結構化記錄讀數、照片、備註和關閉證據。 - 試點指標基於可驗證記錄，例如審查時間、重複告警、工單關閉品質和處理後狀態。 第一階段適合選擇範圍可控的潔淨室分區、公用系統或反覆出現的維修流程。這個範圍應當具備明確的資料歸屬、頻繁的營運問題和能夠閉環執行的現場團隊。 ## 公開參考 [FactVerse AI Agent 發布文章](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities)介紹了 DataMesh 面向複雜營運環境的 AI Agent 定位，其中包括半導體設施。 [Gyro 半導體廠內物流參考](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins)展示了數位孿生如何支援半導體與先進製造環境中的自動化規劃驗證。[Jebsee / 全一電子案例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse)展示了使用 FactVerse 進行產線自動化規劃。[Yokogawa 與 DataMesh 預測性維護參考](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities)展示了把工業訊號轉化為 AI 輔助維護審查的通用模式。 DataMesh 也在保密的半導體專案中應用類似的廠務營運模式。公開文案應說明能力與工作流，同時按已獲批准的公開範圍處理客戶名稱和現場細節。 --- ## [GUIDES] simready-assets-industrial-digital-twins-physical-ai ## 為什麼工業資產需要新的準備層級 許多工業企業已經擁有 CAD 檔案、BIM 模型、掃描資料、三維場景和數位孿生視覺化。這些資產適合設計評審、遠端協作、培訓資料和管理溝通。進入 Physical AI 階段後，資產還要能參與計算。 一條產線、一間潔淨室、一個倉庫、一個機器人工作站或一個包裝工位，需要帶有真實尺度、穩定坐標、物件身份、語義標籤、物理假設、行為規則、流程狀態，以及與營運資料之間的連接。這些層級一起準備好之後，資產才能進入模擬、機器人訓練、合成資料、布局驗證、流程演練和 AI Agent 推理。 NVIDIA 將 SimReady 描述為建立在 OpenUSD 之上的模擬就緒三維資產和數位孿生框架。對工業團隊來說，它的實際價值在於把資產庫從視覺化內容推進到可重複使用的數位物件。 ## SimReady 資產應該具備什麼 | 層級 | 需要準備的內容 | |---|---| | 幾何與尺度 | 真實尺寸、原點、朝向、單位、細節層級和空間邊界 | | 材質與外觀 | 材質、貼圖、光照表現、反射、透明度和表面類別 | | 物理屬性 | 碰撞體、質量、摩擦、密度、關節、約束、運動範圍和安全間距 | | 語義資訊 | 設備類別、部件角色、功能區域、流程角色、資產 ID 和營運孿生關係 | | 行為邏輯 | 狀態切換、啟停規則、故障、恢復、聯鎖、路徑和互動條件 | | 資料綁定 | PLC 訊號、感測器值、告警、工單、MES 上下文、能耗資料和巡檢記錄 | | 驗證記錄 | 來源檔案、版本、負責人、假設、品質檢查、模擬發現和評審意見 | 這些結構讓模擬團隊知道物件如何運行，讓機器人團隊知道資料可以如何使用，也讓營運團隊能夠把結果追溯到真實資產。 ## 行為邏輯為什麼重要 物理屬性描述物件如何移動、碰撞、旋轉、滑動或受力。工業現場還依賴流程規則和業務狀態。設備會按照控制邏輯和操作規程啟動、等待、停止、告警、恢復、阻塞上游工位或放行物料。 [FactVerse Designer](/products/designer) 使用行為樹和場景邏輯表達這些營運規則。包裝設備、輸送線、機器人工作站、潔淨室區域或公輔設備，都可以帶有狀態切換、觸發條件、流程節拍和互動規則。這讓資產能夠服務流程模擬、人員培訓、機器人協同、安全演練、異常處置和 Physical AI 規劃。 ## DataMesh 工作流 1. **收集來源資產** - 匯集 CAD、BIM、三維模型、掃描資料、圖紙、設備台帳、工藝文件和控制系統上下文。 2. **統一場景結構** - 在 FactVerse 中對齊尺度、坐標、層級、命名、物件身份、位置和版本規則。 3. **補齊工業語義** - 綁定設備類別、流程角色、功能區域、資產 ID、上下游關係、文件和負責人。 4. **準備物理上下文** - 根據模擬目標定義碰撞體、質量、摩擦、關節、運動約束、通行區域、機器人區域和安全邊界。 5. **編排行為邏輯** - 用 Designer 定義狀態切換、作業步驟、聯鎖、故障、恢復路徑、路線規則和場景變體。 6. **連接營運資料** - 場景需要 PLC 訊號、感測器值、告警、工單、生產狀態、能耗上下文或巡檢歷史時，使用 Data Fusion Services。 7. **準備 OpenUSD 路徑** - 使用 FactVerse Adaptor for NVIDIA Omniverse，把場景結構、元資料、行為上下文和資產準備結果帶入 OpenUSD 與 Omniverse 工作流。 8. **驗證並治理** - 在加入可重複使用資產庫前，評審渲染、物理、行為、標籤、場景覆蓋和下游模擬結果。 ## SimReady 資產庫能帶來什麼 - **包裝設備**：包含節拍、狀態、上下游關係、故障邏輯、物理邊界和流程行為。 - **機器人工作站**：包含作業範圍、安全區、感測器布局、抓取目標、任務序列和協同規則。 - **輸送與物流資產**：包含方向、速度、阻塞規則、交接邏輯、路線狀態和資料綁定。 - **潔淨室與受控環境**：包含設備布局、訪問路徑、氣流約束、維護路線、能耗上下文和風險規則。 - **倉儲區域**：包含貨架、通道、棧板、暫存區、移動設備路徑和物流流程狀態。 當資產完成標準化、物件化、行為化和物理化，團隊就可以在產線規劃、工廠改造、人員培訓、機器人導入、異常演練、能耗分析和 AI 訓練中持續重複使用。 ## 在 Physical AI 和世界模型中的作用 Physical AI 系統需要高品質的數位世界。這個世界需要空間、物件、語義、物理、行為、流程狀態和資料。SimReady 資產就是構建這類環境的可重複使用生產資料。 對機器人來說，訓練和驗證品質會直接受到資產品質影響。機器人可以使用視覺資料訓練，但工業任務還經常需要溫度、壓力、震動、設備狀態、工單狀態、安全區域和流程約束等不可見上下文。FactVerse 可以把這些上下文帶入數位孿生，Omniverse、PhysX、Newton 及相關模擬工作流可以支持渲染、物理、感測器模擬和機器人評估。 ## 典型應用場景 - 產線與包裝流程驗證 - 合成資料生成 - 機器人模擬 - 工廠與倉儲規劃 - 人員培訓與異常演練 - 設施與能源分析 ## 治理檢查清單 - 記錄來源檔案、負責人、授權方式和版本歷史。 - 校驗單位、尺度、坐標、原點和朝向。 - 確認資產身份與營運數位孿生和企業資產台帳一致。 - 語義標籤遵循設備、區域、部件和流程角色的受控詞表。 - 物理假設與對應的模擬目標一起記錄。 - 行為邏輯包含命名狀態、觸發條件、節拍、故障和恢復路徑。 - 資料綁定包含來源系統、單位、時間戳、刷新規則和品質狀態。 - 模擬結果可以追溯到資產版本、場景版本、假設和評審人。 ## 公開參考 NVIDIA 的 [SimReady overview](https://docs.omniverse.nvidia.com/simready/latest/index.html)、[SimReady specification](https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html) 和 [SimReady FAQ](https://docs.omniverse.nvidia.com/simready/latest/simready-faq.html) 提供了基於 OpenUSD 構建模擬就緒資產的公開技術背景。 [FactVerse 與 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 公告和 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 體現了 DataMesh 在模擬數位孿生、OpenUSD 工作流和 Physical AI 準備方向上的公開進展。 --- ## [GUIDES] simready-virtual-training-grounds-robot-sim-to-real ## 機器人需要帶工業上下文的訓練場 機器人學習品質取決於訓練環境是否帶有真實現場的營運上下文。一個有用的虛擬訓練場需要在幾何外觀之外繼續表達設備身分、真實比例、材質、碰撞邊界、任務步驟、感測器配置、工藝狀態、安全區域，以及日常工作中會出現的各種變化。 SimReady 資產提供可複用的仿真就緒物件。[FactVerse Designer](/products/designer) 協助團隊把這些物件組織成虛擬工廠、倉庫、機器人工作站、巡檢區域、潔淨室和物流路線，並加入行為邏輯和場景變體。[DataMesh Robotics](/products/robotics) 再將場景連接到合成資料生成、任務定義、獎勵設定和下游機器人仿真工作流。 實際目標是加快 Sim-to-Real 迭代：建構更好的數位世界，測試更多任務變化，將仿真結果與現場試驗對比，並在真實證據暴露差距後更新場景。 ## 工業現場的 Sim-to-Real 難點 | 層級 | 影響機器人行為的因素 | |---|---| | 幾何 | 通道寬度、設備位置、貨架布局、淨空、地面坡度、工作包絡 | | 材質 | 反光、透明度、摩擦、表面磨損、包裝紋理、光照響應 | | 感測器 | 相機姿態、視場、標定、遮擋、噪聲、深度品質、LiDAR 覆蓋 | | 工藝狀態 | 設備狀態、運動部件、路線阻塞、托盤位置、工作步驟、異常狀態 | | 語義 | 物件類別、資產 ID、安全區、任務角色、路線類型、巡檢目標 | | 人員上下文 | 操作員移動、維護通行、叉車流線、受限區域、班次模式 | | 控制約束 | 速度限制、停止規則、交接時機、聯鎖、恢復步驟、碰撞邊界 | 好的 Sim-to-Real 準備會把這些層級顯式表達出來。機器人訓練團隊可以有意識地調整這些變數，減少實體試驗階段才暴露的差異。 ## SimReady 資產是訓練構件 SimReady 工業資產同時攜帶幾何和營運含義。面向機器人訓練，關鍵欄位包括： * 準確比例、原點、朝向和碰撞幾何 * 面向感知訓練的材質與光照行為 * 語義類別、資產 ID、功能角色和場景關係 * 摩擦、品質、關節範圍、運動限制等物理假設 * 開啟、關閉、阻塞、運行、停止、告警、維護等狀態變數 * 抓取點、巡檢目標、停靠區域和安全接近區域等任務可操作性 * 將仿真結果連接回資產庫的版本記錄 資產準備到這個程度後，機器人訓練場景更容易復現、調整和複核。 ## Designer 把資產組織成虛擬訓練場 Designer 的價值在於協助機器人訓練團隊圍繞完整場景工作。團隊可以用 Designer 準備： * 設施布局、產線、倉儲區域、機器人單元和巡檢路線 * 面向設備狀態、物件移動、任務序列和異常處理的行為樹邏輯 * 啟動、停止、阻塞、恢復、路線變化和交接事件的時間線場景 * 面向新設備、通道變化、暫存區、貨架、輸送線或工裝夾具的布局變體 * 面向感知、巡檢、移動導航和操作員複核的感測器與視角規劃 * 可供合成資料生成和下游仿真工具使用的場景庫 這樣機器人團隊、營運團隊和仿真團隊可以圍繞同一個虛擬訓練場進行複核。 ## DataMesh Sim-to-Real 工作流 1. **選擇機器人任務** - 定義目標機器人、環境、感測器、任務目標、安全邊界和成功指標。 2. **準備 SimReady 資產** - 將 CAD、BIM、三維模型、掃描和營運記錄轉化為帶比例、語義、物理假設和狀態變數的資產。 3. **搭建虛擬訓練場** - 使用 Designer 組織布局、工藝流、路線、行為邏輯和場景變體。 4. **定義變化規則** - 調整光照、物件擺放、資產狀態、路線阻塞、材質外觀、感測器姿態和工藝時序。 5. **生成訓練資料** - 生成 RGB、深度、分割、邊界框、姿態、軌跡、場景狀態標籤和任務元資料。 6. **運行仿真與評測** - 將場景資產和資料集導入機器人訓練、Isaac Sim / Omniverse 或其他仿真棧。 7. **對比現場試驗** - 使用實體測試結果、操作員記錄、失敗案例和感測器日誌識別差距。 8. **更新場景與資產庫** - 為下一輪迭代調整幾何、材質、物理假設、標籤、行為邏輯和變化規則。 當每個資料集和仿真結果都能追溯到場景版本、資產版本、任務配方和現場證據時，閉環會更可靠。 ## 哪些環節會提升遷移品質 * **感知魯棒性** - 在光照、材質、遮擋、姿態、距離和背景變化中生成帶標籤樣本。 * **導航覆蓋度** - 測試路線、阻塞通道、暫存區、停靠點、人車交叉和安全區域。 * **操作任務準備** - 調整物件姿態、抓取目標、工裝位置、接觸表面、摩擦假設和交接時機。 * **巡檢可重複性** - 標準化視角、目標資產、缺陷狀態、面板位置、儀表讀數和通行約束。 * **任務恢復** - 復現故障、路徑阻塞、物件缺失、告警狀態、急停和重啟條件。 * **營運複核** - 讓機器人、安全、設施和生產團隊在實體試驗前複核同一場景。 效果最好的專案通常都有緊密的仿真覆蓋與真實現場回饋循環。 ## 應該評測什麼 | 評測區域 | 示例指標 | |---|---| | 資料集品質 | 類別覆蓋、標籤一致性、姿態分布、遮擋覆蓋、光照變化 | | 仿真可信度 | 比例誤差、碰撞品質、材質假設、感測器模型、路線時序、狀態覆蓋 | | 任務表現 | 成功率、完成時間、人工介入次數、恢復率、失敗類型 | | 遷移品質 | 仿真與實體結果差異、重複失敗模式、現場修正次數 | | 治理 | 場景版本、資產版本、生成配方、複核人、審批狀態、現場證據連結 | 這些指標可以讓虛擬訓練場和機器人實際進展保持連接。 ## 產品分工 [DataMesh Robotics](/products/robotics) 聚焦工業合成資料、任務準備、標籤輸出、獎勵設定和機器人管線整合。 [FactVerse Designer](/products/designer) 準備虛擬訓練場：布局、行為樹、時間線仿真、任務場景、工藝狀態和場景變體。 [FactVerse Adaptor for NVIDIA Omniverse](/products/omniverse-adaptor) 將 FactVerse 場景上下文連接到 OpenUSD 與 Omniverse 工作流，用於渲染、物理仿真、感測器仿真和專業機器人工具。 [FactVerse](/products/factverse) 與 [FactVerse Twin Engine](/products/factverse-twin-engine) 保留訓練場背後的營運數位孿生上下文：資產、空間、系統、元資料、權限和場景記錄。 [Data Fusion Services](/products/dfs) 在訓練場景需要設備狀態、告警、生產信號或設施上下文時接入即時和歷史營運資料。 ## 準備度檢查清單 * 機器人任務是否定義了成功指標和安全邊界 * 目標環境、資產、路線和工藝狀態是否已限定範圍 * SimReady 資產是否準備了比例、語義、物理假設和狀態變數 * Designer 場景是否按任務、變體和複核目的組織 * 感測器、視角、標定假設和噪聲模型是否有記錄 * 變化規則是否來自真實現場條件 * 資料集輸出和標籤是否在生成前定義清楚 * 仿真結果是否能追溯到場景版本和資產版本 * 實體試驗回饋是否能回到場景更新流程 ## 公開參考 [DataMesh Robotics 發布內容](/about/news/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics)說明了 DataMesh 在可執行工業數位孿生、合成訓練資料、任務目標、獎勵設定和機器人管線準備上的公開方向。 [SimReady 資產指南](/resources/guides/simready-assets-industrial-digital-twins-physical-ai)介紹工業資產攜帶幾何、語義、物理、行為和資料綁定並服務 Physical AI 的方式。 [工業 Physical AI 與機器人合成資料指南](/resources/guides/industrial-synthetic-data-physical-ai-robotics)覆蓋更完整的資料集生成管線。 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025)和 [FactVerse 與 NVIDIA Omniverse 平台文章](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform)展示了 FactVerse、Omniverse、仿真數位孿生和 AI 驅動機器人訓練的公開方向。 --- ## [GUIDES] warehouse-intralogistics-digital-twins-automation-planning ## 廠內物流依賴真實空間 倉儲與工廠物流發生在真實空間中。一個儲存策略在表格裡可能很清楚，但現場結果取決於通道寬度、堆高機轉彎半徑、裝卸口排隊、充電位置、人車交叉、暫存能力、輸送線交接節拍，以及操作員如何處理異常。 自動化規劃會進一步放大這些問題。團隊在投入資本、移動設備或影響現場作業之前，需要討論 AGV/AMR 路線、輸送線調整、儲存密度、線邊配送、補料窗口和安全區域。靜態圖紙、表格和流程圖都有價值，但很難讓所有相關方看到同一個營運現場。 營運數位孿生提供共享的空間層。它把倉庫區域、物料路線、設備、作業區、規程、營運記錄和場景假設連接起來，讓規劃團隊、自動化供應商、安全團隊、培訓團隊和營運負責人在同一環境裡評審。 ## 需要建模的物件 有用的廠內物流孿生應從實際營運物件開始： | 層級 | 示例 | |---|---| | 空間 | 裝卸口、收貨區、儲存區、線邊區、暫存區、發貨區、隔離區、充電區 | | 路線 | 堆高機路徑、AGV/AMR 路徑、輸送線、人行交叉、應急通道、維護通道 | | 資產 | 貨架、輸送線、門、閘機、車輛、充電設備、感測器、掃碼器、安全裝置 | | 作業規則 | 揀選、補料、裝車、卸貨、排序、巡檢、異常處理、班次交接 | | 事件 | 路線阻塞、取貨延遲、緩存滿、托盤損壞、設備故障、安全停機、漏掃 | | 記錄 | 巡檢發現、工單、照片、操作員備註、培訓結果、場景版本 | 關鍵是可追溯。路線、貨架、裝卸口、車輛、工單和場景應在規劃、培訓、巡檢和營運複盤中指向同一套資產和位置身分。 ## 自動化投入前的規劃 在自動化投入前，團隊需要先回答一些基礎問題： * 裝卸口、暫存區、儲存區和線邊緩存位置是否合適 * 堆高機路徑、人行路徑、AGV/AMR 路徑是否衝突 * 新的輸送線、提升機、閘口或充電區是否影響維護通道 * 收貨、揀選、發貨或線邊供料高峰時，哪裡會排隊 * 操作員是否能看到、到達並處理常見異常點 * 哪些方案值得進入供應商工程驗證、詳細仿真或現場試點 [FactVerse DLC](/products/factverse-dlc) 為交付團隊提供可複用的倉儲物流內容，例如倉庫區域、運輸路線、儲存空間和運輸線資產。[FactVerse Designer](/products/designer) 則幫助團隊把這些資源調整到真實現場，比較布局變體，並建立可複核的場景。 價值在於減少現場擾動前的溝通成本。數位孿生評審可以淘汰弱方案，幫助自動化供應商獲得更清楚的需求，也讓營運團隊更直觀看到新布局對日常作業的影響。 ## 場景驗證 倉儲與廠內物流驗證應聚焦團隊能夠採取行動的決策： * 路線衝突和淨空問題 * 裝卸口、暫存區和緩存容量 * 堆高機、AGV、AMR、輸送線和操作員交接點 * 應急通道和安全邊界複核 * 補料節拍和線邊配送假設 * 設備擺放、充電位置和維護通道 * 貨損、通道阻塞、漏掃或設備故障等異常流程 在這個階段，數位孿生更適合作為方案評審層：先篩選布局與路線選項，定位需要深入仿真的問題，並整理供應商工程驗證、現場試點和作業規程設計所需的證據。 ## 培訓與安全演練 廠內物流專案會改變人員在現場的移動方式。操作員可能需要新的路線、裝卸順序、掃碼步驟、安全檢查或異常處理方法。培訓應使用與規劃一致的空間上下文。 [Simulator](/products/simulator) 在培訓依賴車輛行為、路線紀律、物理控制、安全規則和考核記錄時很有價值。堆高機類培訓可以幫助操作員在可重複場景中練習移動、轉彎、載荷處理、視野判斷和異常回應，再進入真實設備周邊作業。 [Director](/products/director) 和 [Inspector](/products/inspector) 可以支援引導規程、巡檢、問題捕獲和現場證據。這讓培訓和執行連接起來：路線、資產、檢查項、照片、問題和工單記錄都綁定到同一個營運數位孿生上下文。 ## 從規劃走向作業執行 當倉儲數位孿生從評審場景進入日常營運後，價值會進一步放大： 1. **映射現場** - 將裝卸口、區域、通道、貨架、輸送線、設備、作業區和路線名稱對齊到客戶資產記錄。 2. **建立場景** - 使用 Designer 和倉儲 DLC 資源搭建布局方案、運輸路線、暫存區、安全邊界和營運視圖。 3. **跨團隊評審** - 讓營運、工程、安全、IT、自動化供應商和培訓團隊在同一場景中討論。 4. **準備培訓** - 把通過評審的路線、規程和異常案例轉化為操作員培訓和引導式作業內容。 5. **連接記錄** - 透過 Data Fusion Services 和 FactVerse 綁定設備狀態、工單記錄、巡檢資料、文件和營運事件。 6. **執行並留證** - 使用 Inspector 記錄巡檢、問題、照片、維修備註、驗收步驟和工單狀態。 7. **準備 AI 複盤** - 當資料和流程穩定後，FactVerse AI Agent 可以支援分診、建議和作業執行複核。 這個序列讓規劃、培訓和執行保持連接。模型從視覺化資產成長為團隊可複核、可持續維護的營運上下文。 ## 資料與 AI 準備度 AI 輔助物流營運需要穩定上下文。在讓 AI Agent 分析路線、瓶頸、工單或設備狀態前，現場需要一致的身分和記錄： * 站點、建築、樓層、區域、通道、裝卸口、貨架和線邊區的位置層級 * 輸送線、車輛、掃碼器、閘門、充電器、感測器和安全設備的資產身分 * 路線定義和允許作業區域 * 延遲、故障、路線阻塞、緩存滿、安全停機和漏掃等事件定義 * 綁定到資產和位置的工單與巡檢記錄 * 綁定到崗位、規程、路線和設備的培訓記錄 * 資料品質狀態、負責人、更新節奏和異常處理規則 有了這個基礎，AI Agent 可以支援實際工作：總結重複問題、提示缺失上下文、建議下一步檢查、把告警連接到工單，並幫助團隊複盤營運模式。調度邏輯和最終營運決策應繼續由客戶系統、規程和負責團隊治理。 ## 產品分工 [FactVerse DLC](/products/factverse-dlc) 提供可複用的倉儲物流內容，用於區域、路線、儲存空間、運輸線、規劃場景和培訓場景。 [FactVerse Designer](/products/designer) 是布局變體、物料路線、場景視圖、標籤、面板和相關方評審的編排環境。 [DataMesh FactVerse](/products/factverse) 與 [FactVerse Twin Engine](/products/factverse-twin-engine) 保存營運數位孿生上下文，包括空間、資產、關係、路線、作業物件、權限和場景記錄。 [Data Fusion Services](/products/dfs) 將營運資料、企業記錄、設備狀態、文件和事件流連接到正確的孿生物件。 [Simulator](/products/simulator) 在路線紀律、車輛行為、物理控制和考核記錄重要時，支援設備操作員培訓。 [Inspector](/products/inspector) 將數位孿生連接到巡檢、問題、照片、維修備註、工單、驗收記錄和現場證據。 [FactVerse AI Agent](/products/factverse-ai-agent) 可以在資料模型、事件和流程記錄成熟後，支援營運複盤和作業執行準備。 ## 準備度檢查清單 * 倉儲區域、裝卸口、貨架、通道、暫存區和線邊區命名是否一致 * 路線、人行交叉、安全區域和維護通道是否已經定義 * 堆高機、輸送線、AGV、AMR、充電器、掃碼器、門和閘機是否作為資產管理 * 布局變體是否綁定到明確的業務問題 * 異常案例是否在培訓和現場上線前寫清楚 * 巡檢點、問題類別、工單交接和證據欄位是否已經定義 * 操作員培訓場景是否連接到真實路線、規程和設備 * 資料負責人、更新節奏和資料品質狀態是否清楚 * AI Agent 場景是否建立在穩定的資產、路線、事件和工單記錄之上 ## 公開參考 [倉儲物流 DLC 更新](/about/news/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation) 展示了 FactVerse 內容如何支援物流環境、路線、布局和營運場景。 [Gyro 廠內物流案例](/about/news/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins) 展示了數位孿生如何幫助團隊理解、驗證和實施廠內物流自動化方案。 [全一電子產線自動化規劃案例](/about/news/jebsee-accelerates-automation-planning-with-datamesh-factverse) 展示了 FactVerse 如何幫助團隊圍繞產線變化溝通並評審自動化方案。 [DataMesh Simulator Platform 發布資訊](/about/news/datamesh-unveils-new-digital-twin-based-simulator-platform) 展示了基於數位孿生的操作員培訓和設備仿真的公開方向。 --- ## [GUIDES] what-is-physical-ai-industrial-operations ## Physical AI 從真實營運上下文開始 工業 AI 真正發揮作用時，必須理解決策發生的現場。一座設施、一條產線、一個資料中心、一個公輔機房、一個倉庫或一個施工現場，都有資產、空間、訊號、人員、規程、物理約束和審批規則。Physical AI 把這些層級帶入決策流程。 對 DataMesh 來說，Physical AI 是圍繞可執行數位孿生構建的營運能力。孿生體保存物理上下文，AI 支援分析和建議，模擬幫助團隊比較可能結果，第一線應用把通過評審的工作帶入巡檢、工單、培訓或操作規程，驗證記錄再回到孿生體。 這個閉環很重要，因為工業決策會直接影響真實世界。建議需要結合資產上下文、運行狀態、空間約束、流程依賴，以及清晰的執行路徑。 ## Physical AI 的核心層級 | 層級 | 貢獻 | |---|---| | 營運資料 | BMS、SCADA、IoT、MES、CMMS、EAM、儀表、告警、工作歷史和文件 | | 物理上下文 | 場地、建築、樓層、區域、系統、設備、路線、安全區域和通行約束 | | 行為與流程邏輯 | 狀態變化、依賴關係、規程、節拍、異常和工作流規則 | | 模擬與場景複核 | 布局比較、流程驗證、物理假設、培訓場景和機器人準備 | | AI 決策智慧 | 異常複核、預測、證據摘要、方案比較和下一步行動建議 | | 執行工作流 | 巡檢、工單、引導規程、培訓、驗收記錄和現場證據 | 成熟的 Physical AI 體系會讓這些層級保持連接。AI 才能使用工程和營運團隊已經熟悉的資產名稱、營運關係和證據記錄。 ## DataMesh 營運閉環 1. **連接資料** - Data Fusion Services 把工廠系統、設施系統、企業平台、儀表、感測器和文件中的營運資料帶入共享上下文。 2. **構建可執行孿生** - FactVerse 和 Twin Engine 組織資產、空間、關係、即時狀態、行為邏輯和場景記錄。 3. **編排並模擬場景** - Designer 與 Omniverse 相關工作流幫助團隊複核布局、流程、設備運動、包裝行為、機器人路徑和培訓場景。 4. **透過 AI Agent 分析** - FactVerse AI Agent 複核訊號、趨勢、資產上下文和知識來源，支援診斷、排序和下一步建議。 5. **透過應用執行** - Inspector、Checklist、Director、Simulator 和 DataMesh One 將通過評審的決策轉化為工單、引導任務、培訓和現場記錄。 6. **複核結果** - 完成狀態、備註、照片、驗收記錄、異常和營運結果回到孿生體中，用於復盤和改進。 Physical AI 應該作為閉環來規劃。價值來自分析、驗證、執行和複核之間的連接。 ## 它與一般營運 AI 的差異 一般 AI 可以總結文件、回答問題或生成報告。工業 Physical AI 還需要營運上下文：涉及哪台設備、位於哪個區域、屬於哪個系統、哪些訊號相關、哪個流程狀態重要，以及建議如何進入受控工作流。 以水泵告警為例，它可以關聯到水泵資產、上下游設備、歷史工單、當前運行狀態、空間位置、巡檢路線、安全區域和維護規程。AI 可以在更完整的證據基礎上輔助複核，孿生體則讓決策始終落在真實現場上下文中。 同一模式也適用於設備維護、能源分析、流程模擬、人員培訓、設施管理、施工指導和機器人工作流。 ## DataMesh 產品如何協同 [FactVerse](/products/factverse) 是平台基礎，把孿生執行引擎、AI 決策引擎、資料服務、創作工具和第一線應用連接到一個營運架構中。 [FactVerse Twin Engine](/products/factverse-twin-engine) 是物理上下文層，把資產、空間、關係、行為邏輯、即時資料和工作流狀態綁定到可執行孿生中。 [Data Fusion Services](/products/dfs) 為工業系統、設施系統、企業系統和文件準備營運資料基礎。 [FactVerse Designer](/products/designer) 負責場景創作、行為建模、布局規劃、流程邏輯、虛擬規劃和模擬準備。 [FactVerse AI Agent](/products/factverse-ai-agent) 支援分析、診斷、預測、知識複核、建議摘要和決策交接。 [Inspector](/products/inspector)、[Checklist](/products/checklist)、[Director](/products/director)、[Simulator](/products/simulator) 和 [Robotics](/products/robotics) 將閉環延展到巡檢、工作執行、引導規程、設備操作培訓和 Physical AI 資料準備。 ## 典型起點 - **告警到工單閉環**：連接告警、資產上下文、巡檢記錄、AI 輔助分診、工單和驗證。 - **預測性維護閉環**：結合感測器趨勢、運行上下文、維護歷史、風險複核和現場執行。 - **設施能源複核**：連接儀表、設備狀態、區域、巡檢、工單和場景分析。 - **流程模擬**：在實體變更前比較布局、包裝、物料流、機器人路徑和人員通行。 - **設備操作培訓**：使用數位孿生上下文和 Simulator 場景，支援圍繞設備行為的可重複練習。 - **機器人準備**：為 Physical AI 和機器人工作流準備資產、場景、合成資料、標籤和任務上下文。 起步場景應有明確範圍、資料訪問、負責人、評審路徑和結果驗證方式。 ## 評估清單 - 系統是否能把營運資料連接到資產、空間、系統和工作記錄? - 孿生體是否包含物理上下文、行為邏輯、流程狀態和版本歷史? - 團隊是否能透過模擬、場景比較或工程複核來審查擬執行行動? - AI 建議是否能進入巡檢、工單、引導規程、培訓或機器人工作流? - 營運人員和工程師是否能看到建議背後的證據? - 組織是否能記錄審批、執行、異常和驗證? - 同一上下文是否能長期支援設施營運、製造、培訓、維護和模擬? 這些問題能幫助團隊把 Physical AI 與真實營運保持連接。 ## 公開參考 [FactVerse AI Agent 發布文章](/about/news/datamesh-launches-factverse-ai-agent-for-simulation-driven-operations-in-complex-facilities) 說明了 DataMesh 面向複雜設施模擬驅動營運的公開方向。 [FactVerse 與 NVIDIA Omniverse](/about/news/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform) 公告和 [GTC 2025 展示](/about/news/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025) 體現了模擬數位孿生、OpenUSD 工作流和 Physical AI 準備如何進入 DataMesh 的公開平台敘事。 [NIO 智慧工廠](/about/news/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins)、[JTC 合作](/about/news/collaboration-between-jtc-datamesh) 和 [橫河預測性維護](/about/news/datamesh-and-yokogawa-launch-an-ai-driven-predictive-maintenance-solution-for-industrial-facilities) 提供了數位孿生上下文、設施營運和 AI 輔助維護主題的公開參考。 --- ================================================== # SECTION: PAGES ================================================== ## [PAGES] Trial application > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Company Information > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] Contact Us > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] Testversion beantragen > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] Unternehmensgeschichte > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] Kontakt > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## Von Beginn an klaren Datenkontext schaffen Gerätedaten kommen häufig mit abgekürzten Feldnamen, uneinheitlichen Einheiten, verschiedenen Zeitformaten und begrenzten Beschreibungen in ein Projekt. Scout führt Quellenmetadaten, Beispielwerte, Gerätedokumente und wiederverwendbare Vorlagen in einem Erkundungsablauf zusammen. Teams können Live-Daten mit Verlaufsdateien vergleichen, relevante Messwerte erkennen und Fragen festhalten, die Anlagenwissen erfordern. Datenverantwortliche, Engineering und Betrieb prüfen damit denselben Anbindungsplan. ## Anlagenidentität, Messpunkte und Modelle ausrichten Dieselbe Pumpe kann im Monitoring als Tag, in einer Tabelle als Seriennummer und im Wartungssystem unter einem anderen Namen erscheinen. Scout gleicht diese Angaben mit dem FactVerse-Stammdatenmanagement ab und schafft eine konsistente Anlagensicht mit nachvollziehbaren Quellen. Brick-basierter Modellkontext ergänzt die Beziehungen zwischen Systemen, Anlagen und Messpunkten. Das Modell hilft bei der Datensuche; gefundene Messwerte können wiederum die Modellabdeckung erweitern. ## Aus jeder Anbindung eine wiederverwendbare Grundlage machen Geprüfte Zuordnungen werden als gesteuerte DFS-Datenreferenzen veröffentlicht und können Monitoring, Wartung, Analysen, digitale Zwillinge und FactVerse AI Agent unterstützen. Bestätigte Mappings, Vorlagen und Engineering-Wissen lassen sich nach einer fokussierten Validierung auf weitere Quellen und Standorte übertragen. --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] Erste Schritte > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] Hilfecenter > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] Partner > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] Preise > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] Datenschutz > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] Support > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] Nutzungsbedingungen > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## Build data connections around engineering meaning Equipment data often arrives with abbreviated field names, inconsistent units, different timestamps, and little explanation of how each value relates to the physical asset. Scout brings source metadata, sample values, equipment documents, and reusable templates into the same investigation so teams can understand the data before it enters an operational workflow. Engineers can compare live feeds with historical files, identify useful measurements, and capture the questions that still need field knowledge. This shortens the path from first access to a connection plan that data owners and operations teams can review together. ## Keep asset identity, measurements, and models aligned The same pump may appear under a tag in the monitoring system, a serial number in a spreadsheet, and a different name in the maintenance platform. Scout works with FactVerse master data management to compare these records and prepare a consistent equipment view while preserving source lineage. Brick-aligned model context adds the relationships between systems, equipment, and measurement points. Teams can use the model to find relevant data, then use discovered measurements to extend model coverage and strengthen the context available to digital twins and AI. ## Turn each onboarding project into a reusable foundation Reviewed associations become governed DFS references that can serve monitoring, maintenance, analytics, digital twins, and FactVerse AI Agent workflows. Starting with one equipment group gives the team a focused result to validate; approved patterns, mappings, and templates can then support the next source and the next site. --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] Solicitar Prueba > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] Historia de la Empresa > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] Contáctenos > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## Crear un contexto claro desde el inicio Los datos de equipos suelen llegar con campos abreviados, unidades inconsistentes, formatos de tiempo distintos y pocas explicaciones. Scout reúne metadatos de origen, valores de ejemplo, documentos técnicos y plantillas reutilizables en un mismo flujo de exploración. Los equipos comparan datos en directo con archivos históricos, identifican medidas útiles y registran las cuestiones que requieren conocimiento de campo. Responsables de datos, ingeniería y operaciones pueden revisar así un mismo plan de conexión. ## Alinear identidad de activos, puntos de medida y modelos Una misma bomba puede aparecer como etiqueta en monitorización, número de serie en una hoja y con otro nombre en mantenimiento. Scout contrasta esos registros con la gestión de datos maestros de FactVerse y mantiene trazable cada fuente. El contexto alineado con Brick añade las relaciones entre sistemas, equipos y puntos de medida. El modelo ayuda a localizar datos relevantes y las medidas descubiertas pueden ampliar su cobertura. ## Convertir cada integración en una base reutilizable Las asociaciones revisadas se publican como referencias DFS gobernadas para monitorización, mantenimiento, analítica, gemelos digitales y FactVerse AI Agent. Tras validar un alcance concreto, los mapeos, plantillas y conocimientos de ingeniería pueden reutilizarse en nuevas fuentes y sedes. --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] Comenzar > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] Centro de Ayuda > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] Socios > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] Precios > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] Política de Privacidad > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] Soporte > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] Términos de Servicio > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] Demander un Essai > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] Histoire de l'Entreprise > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] Contactez-nous > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## Créer un contexte clair dès le début de l’intégration Les données d’équipement arrivent souvent avec des noms abrégés, des unités incohérentes, des formats de temps différents et peu d’explications. Scout réunit les métadonnées des sources, les valeurs d’exemple, les documents techniques et les modèles réutilisables dans un même parcours d’exploration. Les équipes comparent flux en direct et fichiers historiques, identifient les mesures utiles et consignent les points qui exigent une connaissance terrain. Responsables des données, ingénieurs et exploitants peuvent ainsi valider un même plan de connexion. ## Aligner identité des actifs, points de mesure et modèles Une même pompe peut apparaître sous un tag dans la supervision, un numéro de série dans un tableur et un autre nom dans la maintenance. Scout rapproche ces enregistrements avec la gestion des données de référence FactVerse et conserve la traçabilité des sources. Le contexte de modèle aligné sur Brick ajoute les relations entre systèmes, équipements et points de mesure. Le modèle guide la recherche de données, tandis que les mesures découvertes peuvent enrichir sa couverture. ## Transformer chaque intégration en fondation réutilisable Les associations validées deviennent des références DFS gouvernées au service de la supervision, de la maintenance, de l’analytique, des jumeaux numériques et de FactVerse AI Agent. Après validation sur un périmètre ciblé, mappings, modèles et connaissances d’ingénierie peuvent être réutilisés pour d’autres sources et sites. --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] Démarrer > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] Centre d'Aide > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] Partenaires > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] Tarifs > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] Politique de Confidentialité > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] Support > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] Conditions d'Utilisation > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] Quick Start > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] Help & Support > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] Richiedi Prova > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] Storia Aziendale > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] Contattaci > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## Creare un contesto chiaro fin dal primo giorno I dati delle apparecchiature arrivano spesso con nomi abbreviati, unità incoerenti, formati temporali diversi e poche spiegazioni. Scout riunisce metadati, valori di esempio, documenti tecnici e template riutilizzabili in un unico percorso di esplorazione. I team possono confrontare dati live e file storici, individuare le misure utili e registrare le domande che richiedono conoscenza del campo. Data owner, engineering e operations lavorano così sullo stesso piano di connessione. ## Allineare identità degli asset, punti di misura e modelli La stessa pompa può comparire come tag nel monitoraggio, numero di serie in un foglio e con un altro nome nel sistema di manutenzione. Scout confronta questi record con il master data management di FactVerse e mantiene tracciabile ogni sorgente. Il contesto Brick aggiunge le relazioni tra sistemi, asset e punti di misura. Il modello guida la ricerca dei dati, mentre le misure individuate possono ampliare la copertura del modello. ## Trasformare ogni onboarding in una base riutilizzabile Le associazioni verificate diventano riferimenti DFS governati per monitoraggio, manutenzione, analytics, digital twin e FactVerse AI Agent. Dopo una validazione mirata, mapping, template e conoscenze ingegneristiche possono essere estesi ad altre sorgenti e sedi. --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] Inizia > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] Centro Assistenza > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] Partner > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] Prezzi > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] Privacy Policy > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] Supporto > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] Termini di Servizio > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] トライアル申込 > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > このページは以下からインポートされました： [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] 会社沿革 > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > このページは以下からインポートされました： [https://datamesh.com/company-history/](https://datamesh.com/company-history/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] お問い合わせ > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > このページは以下からインポートされました： [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] dfs-scout ## データ接続の初日から明確なコンテキストを作る 設備データには、略称の項目、不揃いな単位、異なる時刻形式、限られた説明が含まれることがあります。Scoutはソースのメタデータ、サンプル値、設備資料、再利用できるテンプレートを一つの探索フローにまとめ、データを理解して運用へつなぐ作業を支援します。 チームはリアルタイムデータと履歴ファイルを比較し、有効な測定項目を特定し、現場知識が必要な確認事項を記録できます。データ管理者、設備エンジニア、運用担当者が同じ接続計画を見ながらレビューを進められます。 ## 設備ID、測定点、モデルの整合性を保つ 同じポンプでも、監視システムではタグ番号、表計算ファイルでは製造番号、保全システムでは別の名称が使われることがあります。ScoutはFactVerseのマスターデータ管理と連携してこれらの記録を照合し、出典を維持した一貫性のある設備ビューを作ります。 Brickモデルは、システム、設備、測定点の関係を補足します。モデルから関連データを探し、見つかった測定項目をモデルへ反映することで、デジタルツイン、設備運用、AIで利用できるコンテキストを充実させます。 ## 接続プロジェクトを再利用できるデータ基盤へ 確認済みの関連付けは、管理されたDFSデータ参照として公開し、監視、保全、分析、デジタルツイン、FactVerse AI Agentのワークフローで活用できます。一つの設備群で検証した対応関係、テンプレート、エンジニアリング知識を、次のデータソースや拠点へ展開できます。 --- ## [PAGES] Directorプライバシーポリシー > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## 利用規約 and プライバシーポリシー TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > このページは以下からインポートされました： [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > このページは以下からインポートされました： [https://datamesh.com/esg/](https://datamesh.com/esg/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] FactVerse AI AWE ## DataMesh FactVerse AI – AWE > このページは以下からインポートされました： [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] FactVerse AWE ## DataMesh FactVerse AWE > このページは以下からインポートされました： [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] Checklistはじめに > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > このページは以下からインポートされました： [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] Designerはじめに > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > このページは以下からインポートされました： [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] Directorはじめに > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > このページは以下からインポートされました： [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] Inspectorはじめに > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > このページは以下からインポートされました： [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] はじめに > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > このページは以下からインポートされました： [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] ハンズオンラボ一覧 > FactVerse ハンズオンラボ FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## ハンズオンラボ List FactVerse ハンズオンラボ FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > このページは以下からインポートされました： [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] ハンズオンラボ > FactVerse ハンズオンラボ Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse ハンズオンラボ to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## ハンズオンラボ FactVerse ハンズオンラボ Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse ハンズオンラボ to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > このページは以下からインポートされました： [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] ヘルプセンター > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > このページは以下からインポートされました： [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] HoloLensバンドル > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > このページは以下からインポートされました： [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] ハンズオンラボに参加 > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > このページは以下からインポートされました： [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] Director製品ページ > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > このページは以下からインポートされました： [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] パートナー > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > このページは以下からインポートされました： [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] 料金プラン > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > このページは以下からインポートされました： [https://datamesh.com/pricing/](https://datamesh.com/pricing/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] プライバシーポリシー > DataMesh プライバシーポリシー DataMesh's プライバシーポリシー describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this プライバシーポリシー: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## プライバシーポリシー DataMesh プライバシーポリシー DataMesh's プライバシーポリシー describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this プライバシーポリシー: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > このページは以下からインポートされました： [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] サポート > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > このページは以下からインポートされました： [https://datamesh.com/support/](https://datamesh.com/support/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] 利用規約 > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > このページは以下からインポートされました： [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] トライアル申込 > DataMesh Director Trial Guide Quick start guide 'はじめに This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'はじめに This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > このページは以下からインポートされました： [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] トライアルヘルプ > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > このページは以下からインポートされました： [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). 完全なコンテンツはソースサイトから同期されます. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] 체험 신청 > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] 회사 연혁 > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] 문의하기 > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## 데이터 연결 첫날부터 명확한 맥락 확보 설비 데이터에는 축약된 필드명, 일관되지 않은 단위, 서로 다른 시간 형식과 제한된 설명이 포함되는 경우가 많습니다. Scout는 소스 메타데이터, 예시 값, 설비 문서와 재사용 가능한 템플릿을 하나의 탐색 흐름에 모읍니다. 팀은 실시간 데이터와 이력 파일을 비교하고 유효한 측정 항목을 찾으며 현장 지식이 필요한 질문을 기록할 수 있습니다. 데이터 담당자, 엔지니어링과 운영 팀이 같은 연결 계획을 함께 검토합니다. ## 설비 식별 정보, 측정점과 모델 정합 같은 펌프가 모니터링 시스템에서는 태그, 스프레드시트에서는 일련번호, 유지보수 시스템에서는 다른 이름으로 나타날 수 있습니다. Scout는 FactVerse 마스터 데이터 관리와 함께 기록을 정합하고 소스 추적성을 유지합니다. Brick 기반 모델 맥락은 시스템, 설비와 측정점의 관계를 더합니다. 모델을 활용해 관련 데이터를 찾고, 발견한 측정 항목으로 모델 범위를 보완할 수 있습니다. ## 각 연결 작업을 재사용 가능한 기반으로 축적 검토된 연결은 관리되는 DFS 데이터 참조로 게시되어 모니터링, 유지보수, 분석, 디지털 트윈과 FactVerse AI Agent에 활용됩니다. 작은 범위에서 검증한 매핑, 템플릿과 엔지니어링 지식은 다음 데이터 소스와 사업장으로 확장할 수 있습니다. --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] 시작하기 > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] 도움말 센터 > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] 파트너 > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] 요금제 > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] 개인정보 보호정책 > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] 지원 > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] 이용약관 > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] Partner & Investor > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] Pricing > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] Privacy Policy > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Knowledge Base > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] สมัครทดลองใช้ > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > This page was imported from [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). Full content will be synced from the source website. --- ## [PAGES] ประวัติบริษัท > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > This page was imported from [https://datamesh.com/company-history/](https://datamesh.com/company-history/). Full content will be synced from the source website. --- ## [PAGES] ติดต่อเรา > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > This page was imported from [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). Full content will be synced from the source website. --- ## [PAGES] dfs-scout ## สร้างบริบทที่ชัดเจนตั้งแต่เริ่มเชื่อมต่อข้อมูล ข้อมูลอุปกรณ์มักมาพร้อมชื่อฟิลด์แบบย่อ หน่วยที่ไม่สอดคล้องกัน รูปแบบเวลาที่ต่างกัน และคำอธิบายที่จำกัด Scout รวม metadata ของแหล่งข้อมูล ค่าตัวอย่าง เอกสารอุปกรณ์ และเทมเพลตที่ใช้ซ้ำได้ไว้ในขั้นตอนสำรวจเดียวกัน ทีมสามารถเปรียบเทียบข้อมูลสดกับไฟล์ย้อนหลัง ระบุค่าที่มีประโยชน์ และบันทึกคำถามที่ต้องใช้ความรู้จากหน้างาน เจ้าของข้อมูล วิศวกร และทีมปฏิบัติการจึงตรวจทานแผนการเชื่อมต่อเดียวกันได้ ## จัดตัวตนอุปกรณ์ จุดวัด และแบบจำลองให้สอดคล้องกัน ปั๊มตัวเดียวอาจใช้แท็กในระบบติดตาม ใช้หมายเลขประจำเครื่องในสเปรดชีต และใช้อีกชื่อในระบบบำรุงรักษา Scout เปรียบเทียบระเบียนเหล่านี้กับการจัดการข้อมูลหลักของ FactVerse พร้อมคงการติดตามกลับไปยังแหล่งที่มา บริบทแบบจำลองที่สอดคล้องกับ Brick เพิ่มความสัมพันธ์ระหว่างระบบ อุปกรณ์ และจุดวัด ทีมใช้แบบจำลองเพื่อค้นหาข้อมูลที่เกี่ยวข้อง และใช้ค่าที่ค้นพบเพื่อเพิ่มความครอบคลุมของแบบจำลองได้ ## เปลี่ยนแต่ละการเชื่อมต่อให้เป็นฐานที่ใช้ซ้ำได้ ความเชื่อมโยงที่ตรวจทานแล้วจะถูกเผยแพร่เป็นข้อมูลอ้างอิง DFS ที่มีการกำกับ เพื่อใช้กับการติดตาม การบำรุงรักษา การวิเคราะห์ ดิจิทัลทวิน และ FactVerse AI Agent หลังยืนยันในขอบเขตเล็กแล้ว mapping เทมเพลต และความรู้ทางวิศวกรรมสามารถขยายไปยังแหล่งข้อมูลและไซต์อื่นได้ --- ## [PAGES] Terms of Service and Privacy Policy > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## Terms of Service and Privacy Policy TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > This page was imported from [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). Full content will be synced from the source website. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > This page was imported from [https://datamesh.com/esg/](https://datamesh.com/esg/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AI – AWE ## DataMesh FactVerse AI – AWE > This page was imported from [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh FactVerse AWE ## DataMesh FactVerse AWE > This page was imported from [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Checklist > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > This page was imported from [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). Full content will be synced from the source website. --- ## [PAGES] FactVerse Designer > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > This page was imported from [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > This page was imported from [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Inspector > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > This page was imported from [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). Full content will be synced from the source website. --- ## [PAGES] เริ่มต้น > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > This page was imported from [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab List > FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## Hands-on Lab List FactVerse Hands-on Lab FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > This page was imported from [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). Full content will be synced from the source website. --- ## [PAGES] Hands-on Lab > FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## Hands-on Lab FactVerse Hands-on Lab Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse Hands-on Lab to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > This page was imported from [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). Full content will be synced from the source website. --- ## [PAGES] ศูนย์ช่วยเหลือ > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > This page was imported from [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). Full content will be synced from the source website. --- ## [PAGES] Hololens 2 DataMesh Director Bundle > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > This page was imported from [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). Full content will be synced from the source website. --- ## [PAGES] FactVerse HOL – Registration > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > This page was imported from [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Director Landing Page > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > This page was imported from [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). Full content will be synced from the source website. --- ## [PAGES] พันธมิตร > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > This page was imported from [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). Full content will be synced from the source website. --- ## [PAGES] ราคา > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > This page was imported from [https://datamesh.com/pricing/](https://datamesh.com/pricing/). Full content will be synced from the source website. --- ## [PAGES] นโยบายความเป็นส่วนตัว > DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## Privacy Policy DataMesh Privacy Policy DataMesh's Privacy Policy describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this Privacy Policy: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > This page was imported from [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] การสนับสนุน > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > This page was imported from [https://datamesh.com/support/](https://datamesh.com/support/). Full content will be synced from the source website. --- ## [PAGES] เงื่อนไขการใช้งาน > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Service Agreement > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > This page was imported from [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). Full content will be synced from the source website. --- ## [PAGES] DataMesh Product Trial > DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide 'Get Started This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > This page was imported from [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). Full content will be synced from the source website. --- ## [PAGES] Model Processing Support and Services > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > This page was imported from [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). Full content will be synced from the source website. --- ## [PAGES] 申请试用 > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > 本页导入自 [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). 完整内容将从源网站同步. --- ## [PAGES] 公司历史 > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > 本页导入自 [https://datamesh.com/company-history/](https://datamesh.com/company-history/). 完整内容将从源网站同步. --- ## [PAGES] 联系我们 > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > 本页导入自 [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). 完整内容将从源网站同步. --- ## [PAGES] dfs-scout ## 从数据接入第一天建立清晰上下文 设备数据经常带着缩写字段、不一致的单位、不同的时间格式和有限的说明进入项目。Scout 将数据源元信息、样例值、设备资料和可复用模板放在同一条调查流程中，帮助工程团队先理解数据，再把它接入运营场景。 团队可以对照实时数据与历史文件，识别有效测量项，并记录仍需现场知识确认的问题。数据负责人、设备工程师与运营团队因此能够围绕同一份接入方案协同审核。 ## 让设备身份、测点与模型保持一致 同一台泵可能在监控系统中使用标签号，在表格中使用序列号，在维保平台中又有另一套名称。Scout 与 FactVerse 主数据管理能力配合，对照这些记录，在保留来源信息的同时形成一致的设备视图。 Brick 模型进一步补充系统、设备和测点之间的关系。团队可以从模型出发寻找相关数据，也可以根据新发现的测量项完善模型，为数字孪生、设施运营和 AI 提供更完整的上下文。 ## 把一次接入沉淀为可复用的数据基础 经过审核的关联可发布为受治理的 DFS 数据引用，服务于监控、维保、分析、数字孪生和 FactVerse AI Agent 工作流。从一组设备开始验证后，已确认的映射、模板与工程知识可以继续支持更多数据源和站点。 --- ## [PAGES] Director隐私政策 > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## 服务条款 and 隐私政策 TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > 本页导入自 [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). 完整内容将从源网站同步. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > 本页导入自 [https://datamesh.com/esg/](https://datamesh.com/esg/). 完整内容将从源网站同步. --- ## [PAGES] FactVerse AI AWE ## DataMesh FactVerse AI – AWE > 本页导入自 [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). 完整内容将从源网站同步. --- ## [PAGES] FactVerse AWE ## DataMesh FactVerse AWE > 本页导入自 [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). 完整内容将从源网站同步. --- ## [PAGES] Checklist快速入门 > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > 本页导入自 [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). 完整内容将从源网站同步. --- ## [PAGES] Designer快速入门 > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > 本页导入自 [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). 完整内容将从源网站同步. --- ## [PAGES] Director快速入门 > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > 本页导入自 [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). 完整内容将从源网站同步. --- ## [PAGES] Inspector快速入门 > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > 本页导入自 [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). 完整内容将从源网站同步. --- ## [PAGES] 快速入门 > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > 本页导入自 [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). 完整内容将从源网站同步. --- ## [PAGES] 动手实验列表 > FactVerse 动手实验室 FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## 动手实验室 List FactVerse 动手实验室 FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > 本页导入自 [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). 完整内容将从源网站同步. --- ## [PAGES] 动手实验室 > FactVerse 动手实验室 Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse 动手实验室 to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## 动手实验室 FactVerse 动手实验室 Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse 动手实验室 to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > 本页导入自 [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). 完整内容将从源网站同步. --- ## [PAGES] 帮助中心 > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > 本页导入自 [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). 完整内容将从源网站同步. --- ## [PAGES] HoloLens套装 > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > 本页导入自 [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). 完整内容将从源网站同步. --- ## [PAGES] 参加动手实验 > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > 本页导入自 [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). 完整内容将从源网站同步. --- ## [PAGES] Director产品页 > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > 本页导入自 [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). 完整内容将从源网站同步. --- ## [PAGES] 合作伙伴 > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > 本页导入自 [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). 完整内容将从源网站同步. --- ## [PAGES] 定价方案 > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > 本页导入自 [https://datamesh.com/pricing/](https://datamesh.com/pricing/). 完整内容将从源网站同步. --- ## [PAGES] 隐私政策 > DataMesh 隐私政策 DataMesh's 隐私政策 describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this 隐私政策: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## 隐私政策 DataMesh 隐私政策 DataMesh's 隐私政策 describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this 隐私政策: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > 本页导入自 [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). 完整内容将从源网站同步. --- ## [PAGES] 技术支持 > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > 本页导入自 [https://datamesh.com/support/](https://datamesh.com/support/). 完整内容将从源网站同步. --- ## [PAGES] 服务条款 > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > 本页导入自 [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). 完整内容将从源网站同步. --- ## [PAGES] 试用申请 > DataMesh Director Trial Guide Quick start guide '快速入门 This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide '快速入门 This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > 本页导入自 [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). 完整内容将从源网站同步. --- ## [PAGES] 试用帮助 > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > 本页导入自 [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). 完整内容将从源网站同步. --- ## [PAGES] 申請試用 > DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR ## Trial application DataMesh FactVerse​​ Connect real world and digital worldEmpower frontline workers with Digital Twin + XR > 本頁導入自 [https://datamesh.com/datamesh-apply-trial/](https://datamesh.com/datamesh-apply-trial/). 完整內容將從來源網站同步. --- ## [PAGES] 公司歷史 > Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. ## DataMesh Company Information Founded in 2015, DataMesh's mission is to empower frontline workers with Digital Twin, XR & AI. > 本頁導入自 [https://datamesh.com/company-history/](https://datamesh.com/company-history/). 完整內容將從來源網站同步. --- ## [PAGES] 聯繫我們 > Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. ## Contact Us Contact DataMesh Thank you for your interest in DataMesh products! Please fill out the form on the right and submit your questions. We will get back to you as soon as possible. > 本頁導入自 [https://datamesh.com/contact-us/](https://datamesh.com/contact-us/). 完整內容將從來源網站同步. --- ## [PAGES] dfs-scout ## 從資料串接第一天建立清楚脈絡 設備資料進入專案時，常伴隨縮寫欄位、不一致的單位、不同的時間格式與有限的說明。Scout 將資料來源中繼資料、範例值、設備文件與可重複使用的範本放進同一套探索流程，協助工程團隊理解資料並銜接營運場景。 團隊可對照即時資料與歷史檔案、辨識有效量測項目，並記錄仍需現場知識確認的問題。資料負責人、設備工程師與營運團隊因此能以同一份串接方案協同審核。 ## 讓設備身分、測點與模型保持一致 同一台泵可能在監控系統中使用標籤號碼，在試算表中使用序號，在維護平台中又採用另一套名稱。Scout 與 FactVerse 主資料管理能力配合，比對這些紀錄，在保留來源資訊的同時建立一致的設備視圖。 Brick 模型進一步補充系統、設備與測點之間的關係。團隊可從模型尋找相關資料，也可依照新發現的量測項目完善模型，為數位分身、設施營運與 AI 提供更完整的脈絡。 ## 將一次串接累積為可重複使用的資料基礎 經過審核的關聯可發布為受治理的 DFS 資料參照，服務於監控、維護、分析、數位分身與 FactVerse AI Agent 工作流程。從一組設備開始驗證後，已確認的對應關係、範本與工程知識可繼續支援更多資料來源與站點。 --- ## [PAGES] Director隱私政策 > TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... ## 服務條款 and 隱私政策 TERMS OF SERVICE These terms of service ("Terms") apply to your access and use of DataMesh Cloud Service (the "Service", including DataMesh Director and DataMesh Checklist). Please read them carefully. Accepting these Terms If you access or use the Service, it means you agree ... > 本頁導入自 [https://datamesh.com/director-privacy/](https://datamesh.com/director-privacy/). 完整內容將從來源網站同步. --- ## [PAGES] ESG > Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... ## ESG Elevating Industries with Sustainable Impact DataMesh's ESG Commitment in Action Featured Project Swire Coca-cola In partnership with 100+ Accelerator and DataMesh, Swire Coca-Cola initiated a digital transformation project to enhance maintenance processes within its bottling facility. By im... > 本頁導入自 [https://datamesh.com/esg/](https://datamesh.com/esg/). 完整內容將從來源網站同步. --- ## [PAGES] FactVerse AI AWE ## DataMesh FactVerse AI – AWE > 本頁導入自 [https://datamesh.com/datamesh-factverse-ai-awe/](https://datamesh.com/datamesh-factverse-ai-awe/). 完整內容將從來源網站同步. --- ## [PAGES] FactVerse AWE ## DataMesh FactVerse AWE > 本頁導入自 [https://datamesh.com/datamesh-factverse-awe/](https://datamesh.com/datamesh-factverse-awe/). 完整內容將從來源網站同步. --- ## [PAGES] Checklist快速入門 > DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... ## DataMesh Checklist DataMesh Checklist Step-by-step AR Guidance It's a work order system for managing inspections using digital twin scenarios and XR content. It simplifies the inspection process by specifying personnel, locations, timing, methods, and standards. This ensures a smooth loop for checking content,... > 本頁導入自 [https://datamesh.com/datamesh-getstarted-checklist/](https://datamesh.com/datamesh-getstarted-checklist/). 完整內容將從來源網站同步. --- ## [PAGES] Designer快速入門 > FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... ## FactVerse Designer FactVerse Designer Out-of-the-box Industrial Metaverse/Digital Twin Scene Designer An out-of-the-box industrial metaverse designer enables the construction of highly visual digital twin scenarios through simple drag-and-drop actions. It efficiently standardizes and transforms enterprise 3D data, ... > 本頁導入自 [https://datamesh.com/datamesh-getstarted-designer/](https://datamesh.com/datamesh-getstarted-designer/). 完整內容將從來源網站同步. --- ## [PAGES] Director快速入門 > DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... ## DataMesh Director DataMesh Director Digital twin content creation and collaboration platform Import 3D CAD and BIM resources affordably with our platform! Easily edit and automate digital twin content using intuitive 3D PPT-style operations. Connect with industrial IoT sensor data in just one click, generating vir... > 本頁導入自 [https://datamesh.com/datamesh-getstarted-director/](https://datamesh.com/datamesh-getstarted-director/). 完整內容將從來源網站同步. --- ## [PAGES] Inspector快速入門 > DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... ## DataMesh Inspector DataMesh Inspector Mixed Reality Inspection and Supervision Tool DataMesh Inspector provides users with a robust mixed reality experience on mobile devices, this enables various formats of BIM (Building Information Modeling) files to be superimposed onto the construction site throughout the entir... > 本頁導入自 [https://datamesh.com/datamesh-getstarted-inspector/](https://datamesh.com/datamesh-getstarted-inspector/). 完整內容將從來源網站同步. --- ## [PAGES] 快速入門 > DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... ## Quick Start DataMesh FactVerse​​ Zero-code platform accessible to everyone, democratizing digital twins Start Your Trial View Price Steps for trial application Ready to get started with DataMesh products? Take your first step now! Step 1 Fill out the trial application formGet a trial account Step 2 Download ... > 本頁導入自 [https://datamesh.com/datamesh-getstarted/](https://datamesh.com/datamesh-getstarted/). 完整內容將從來源網站同步. --- ## [PAGES] 動手實驗列表 > FactVerse 動手實驗室 FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search ## 動手實驗室 List FactVerse 動手實驗室 FAQs Support Products Products Director Digital Twin SDK Learn Checklist Level Level Beginner Intermediate Advanced Topics Topics Inspection Internet Data Center Logistics Program Development Sandbox/Exhibition Training Search > 本頁導入自 [https://datamesh.com/hands-on-lab-list/](https://datamesh.com/hands-on-lab-list/). 完整內容將從來源網站同步. --- ## [PAGES] 動手實驗室 > FactVerse 動手實驗室 Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse 動手實驗室 to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... ## 動手實驗室 FactVerse 動手實驗室 Explore the cutting-edge features of the FactVerse low-code platform. Join the DataMesh FactVerse 動手實驗室 to experience how to create digital twins that empower your business. Create your very first industrial metaverse application and swiftly embark on your transforma... > 本頁導入自 [https://datamesh.com/hands-on-lab/](https://datamesh.com/hands-on-lab/). 完整內容將從來源網站同步. --- ## [PAGES] 幫助中心 > Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... ## Help & Support Help & Support stay connected Q & A Q: Can I cancel my order at any time? The contract of DataMesh products are not subject to change and cancellation at will. Q: What specific matters do I need to pay attention to when returning or exchanging goods? A valid return and exchange must be ac... > 本頁導入自 [https://datamesh.com/helpsupport/](https://datamesh.com/helpsupport/). 完整內容將從來源網站同步. --- ## [PAGES] HoloLens套裝 > HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... ## Hololens 2 DataMesh Director Bundle HoloLens 2 + DataMesh Director Digital Twin Remote Collabration SaaS bundle：HoloLens 2 x 1 + DataMesh Director x 2 MR remote collabration&gesture interaction SaaS based Software Multi-Device cloud compatibility Enterprise-level identity and security Digital Twin Remote Platform Supports mains... > 本頁導入自 [https://datamesh.com/hololens-2-director-bundle/](https://datamesh.com/hololens-2-director-bundle/). 完整內容將從來源網站同步. --- ## [PAGES] 參加動手實驗 > Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com ## FactVerse HOL – Registration Start Your Metaverse Journey Fill out and submit your request, and we’ll arrange your trial of a series of FactVerse apps right away! For all inquiries, please feel free to reach out at: hol@datamesh.com > 本頁導入自 [https://datamesh.com/join-hol/](https://datamesh.com/join-hol/). 完整內容將從來源網站同步. --- ## [PAGES] Director產品頁 > DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... ## DataMesh Director Landing Page DataMesh Director 4.0 Digital Twin Remote Platform Zero code guide authoring Low-cost content import Display augmented reality contents Cloud resource management Enterprise-level identity and security DownLoad DataMesh One iOS Multidevice remote collaboration DataMesh Studio PC Zero code guide au... > 本頁導入自 [https://datamesh.com/landing-page-director-2/](https://datamesh.com/landing-page-director-2/). 完整內容將從來源網站同步. --- ## [PAGES] 合作夥伴 > Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us ## Partner & Investor Win with #DataMesh Integration Partners Authorized Reseller Investors Contact Us > 本頁導入自 [https://datamesh.com/partner-investor/](https://datamesh.com/partner-investor/). 完整內容將從來源網站同步. --- ## [PAGES] 定價方案 > DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. ## Pricing DataMesh FactVerse Industrial Digital Twin Platform for Operations, Physical AI, and Embodied AI. DataMesh Director is a no-code XR training and guidance platform for frontline teams. > 本頁導入自 [https://datamesh.com/pricing/](https://datamesh.com/pricing/). 完整內容將從來源網站同步. --- ## [PAGES] 隱私政策 > DataMesh 隱私政策 DataMesh's 隱私政策 describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this 隱私政策: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... ## 隱私政策 DataMesh 隱私政策 DataMesh's 隱私政策 describes how DataMesh collects, uses, and discloses your information Here are some important definitions to help you understand our terms and this 隱私政策: DataMesh, Inc., and our relevant affiliates are referred to as “DataMesh,” “we... > 本頁導入自 [https://datamesh.com/privacy-policy/](https://datamesh.com/privacy-policy/). 完整內容將從來源網站同步. --- ## [PAGES] 技術支援 > How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... ## DataMesh Product Knowledge Base How Can We Help? User Manuals DataMesh Studio Current Version (v2508 / internal 7.4.1) Overview Basics Quick Start Scenario Scenes Elements Actions Storyline Scenario Courseware Show all articles ( 1 ) Collapse Articles Previous Versions Version 2506 (Internal version 7.3.4) Overview Basics Quick... > 本頁導入自 [https://datamesh.com/support/](https://datamesh.com/support/). 完整內容將從來源網站同步. --- ## [PAGES] 服務條款 > DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... ## DataMesh Service Agreement DataMesh Service Agreement Updated Date: November 20, 2023 Effective Date: November 20, 2023 Welcome to use DataMesh products and services! Note: Before using DataMesh services, you should carefully read and comply with the "DataMesh Service Agreement" (hereinafter referred to as "... > 本頁導入自 [https://datamesh.com/tos-and-privacy-policy/](https://datamesh.com/tos-and-privacy-policy/). 完整內容將從來源網站同步. --- ## [PAGES] 試用申請 > DataMesh Director Trial Guide Quick start guide '快速入門 This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... ## DataMesh Product Trial DataMesh Director Trial Guide Quick start guide '快速入門 This tutorial will guide you through the basics of Director so you can start creating your own mixed reality animations and watching them collaboratively. After registration, you will have access to a free 30-day trial of the produ... > 本頁導入自 [https://datamesh.com/trial-apply/](https://datamesh.com/trial-apply/). 完整內容將從來源網站同步. --- ## [PAGES] 試用幫助 > Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... ## Model Processing Support and Services Model Upload Standards Director Model Upload Model Upload Instructions IF YOU ENCOUNTER PROBLEMS DURING MODEL UPLOAD, PLEASE READ THE FOLLOWING INSTRUCTIONS: 1、Currently, Director only supports .fbx and .glb file types (ie FBX and GLTF models). If your model meets these standards, please refer to... > 本頁導入自 [https://datamesh.com/trial-apply-model-support-and-help/](https://datamesh.com/trial-apply-model-support-and-help/). 完整內容將從來源網站同步. --- ================================================== # SECTION: NEWS ================================================== ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh Director 24.12リリース > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh Director 7.2リリース > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh Director 7.0リリース > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] FactVerse 7.2プラットフォームアップデート > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] FactVerse 7.4プラットフォームアップデート > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] FactVerse 2024年8月アップデート > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > この記事は以下からインポートされました： [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] FactVerse Designer正式リリース > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > この記事は以下からインポートされました： [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh FactVerseとNVIDIA Omniverseの統合 > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがフォルヴィアとEVEエナジーのWEFライトハウス認定を支援 > DataMeshは、新たにWEFグローバルライトハウスネットワークに認定された2つの工場——フォルヴィアオートモーティブシステムズ（塩城）とEVEエナジー（荊門）のデジタルトランスフォーメーションで重要な役割を果たしました。 世界経済フォーラム（WEF）は、グローバルライトハウスネットワークに23の新しい産業拠点が加わることを発表しました。 DataMeshは、新たに認定された2つのライトハウス——フォルヴィアオートモーティブシステムズ（塩城）とEVEエナジー（荊門）のデジタルトランスフォーメーションで重要な役割を果たしました。デジタルツイン、空間インテリジェンス、AI技術を実際の生産環境に適用することで、両社の先進コンセプトを実用的でスケーラブルな能力に変換しました。 ## フォルヴィア｜VRトレーニングで人材能力と品質を強化 世界最大の自動車シートスライド生産拠点であるフォルヴィア（塩城）は、40以上のデジタルユースケースの展開により、品質、効率、運用レジリエンスを大幅に向上させました。 この変革の中核は、DataMesh FactVerseプラットフォーム上に構築されたVR没入型トレーニングシステムです。 ## EVEエナジー｜デジタルツインで製造の透明性と効率を向上 バッテリー製造では、生産プロセスが高度に複雑で緻密なため、設備信頼性、エネルギー管理、品質トレーサビリティに厳格な要件が求められます。 核心となるのは、DataMesh FactVerseプラットフォーム上に構築されたデジタルツインファクトリーです。生産システム、設備、エネルギーインフラからのデータを統合し、工場運用の統合的な可視性とエンドツーエンドのトレーサビリティを提供します。 FactVerseプラットフォームとNVIDIA Omniverseとの統合に基づき、EVEエナジーは高精度デジタルツイン環境を開発しました。 ## テクノロジーを人とビジネスのために DataMeshはデジタルツイン、空間コンピューティング、AIを日常のオペレーションに融合させ、製造業と施設管理に貢献しています。 --- ## [NEWS] フォックスコンとDataMeshがApple Vision Proスマート製造ソリューションを構築 > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshが2024年Gartner®新興テクノロジーレポートに選出 > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshが2025年Gartner®インテリジェントシミュレーション新興テクノロジーレポートのTech Innovatorに選出 > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがGTC 2025でデジタルツインソリューションを展示 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshとGyroがスマートイントラロジスティクスソリューションを構築 > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > この記事は以下からインポートされました： [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがIDCデジタルラーニングセンターをリリース > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > この記事は以下からインポートされました： [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh Inspector 1.2リリース > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > この記事は以下からインポートされました： [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshが新Inspector発表、デジタルツイン駆動のインテリジェント運用保守を推進 > DataMeshは、産業企業、スマート施設、重要インフラ向けのデジタルツイン駆動インテリジェント運用保守プラットフォームであるDataMesh Inspector（バージョン2601、内部バージョン8.0.0）のグローバルリリースを発表しました。 DataMeshは、産業企業、スマート施設、重要インフラ向けのデジタルツイン駆動インテリジェント運用保守プラットフォームであるDataMesh Inspector（バージョン2601、内部バージョン8.0.0）のグローバルリリースを発表しました。 空間環境、資産、リアルタイムデータ、運用ワークフローを統合システムにまとめることで、予測的モニタリング、迅速な故障診断、インテリジェント資産管理を実現し、複雑な環境全体の運用効率を向上させます。 ## DataMesh Inspectorコマンドセンター：集中型3D運用監視 コマンドセンターは従来のモニタリングルームをインタラクティブなデータ駆動型3D運用ハブに変革します。 ### 没入型デジタルツインモニタリング - マルチレベル空間ナビゲーション：インタラクティブ3D環境でキャンパスからビル、フロア、個々の資産へシームレスに移動 - リアルタイム運用可視性：3Dシーンに埋め込まれたダッシュボードが設備状態、エネルギー性能、アラームサマリーを動的に表示 ### インテリジェント資産管理 - 統合資産検索：集中検索インターフェースで名前やIDで設備を素早く特定 - 包括的資産プロファイル：仕様、関連設備、パフォーマンストレンド、アラーム履歴、保全記録を一元表示 ### 資産関係と影響の可視化 - 設備関係の可視化：3D環境で上流・下流の依存関係を直接表示 ### クローズドループアラーム管理 - 3Dアラーム位置特定：空間モデル内でトリガーされたアラームを即座に特定 - エンドツーエンドワークフロー追跡：トリガーから確認・解決まで完全なトレーサビリティで管理 --- ## [NEWS] DataMeshとJebseeがオートメーションデジタル化を推進 > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > この記事は以下からインポートされました： [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshとシンガポールJTCがスマートキャンパスを推進 > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > この記事は以下からインポートされました： [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] NIOとDataMeshがスマートファクトリーを構築 > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがNVIDIA Inceptionコンテストファイナリストに > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがNVIDIA Inceptionプログラムに参加 > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがNVIDIA Omniverseパートナーカウンシルに参加 > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh Robotics正式リリース > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがクローラー掘削機シミュレーターを発表 > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh Simulatorプラットフォーム正式発表 > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshがスマートマニュファクチャリングサミットに参加 > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMesh倉庫DLCコンテンツパックアップデート > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > この記事は以下からインポートされました： [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). 完全なコンテンツはソースサイトから同期されます. --- ## [NEWS] DataMeshと横河電機がAI駆動予知保全ソリューションを共同発表 > DataMeshは横河電機と提携し、産業施設が重要設備を監視・理解・管理する方法を再定義する共同AI駆動予知保全ソリューションを発表しました。 DataMeshは横河電機と提携し、産業施設が重要設備を監視・理解・管理する方法を再定義する共同AI駆動予知保全ソリューションを発表しました。 このソリューションは、早期故障検出の限界、手動経験への過度な依存、低信頼度アラームなど、産業運用保全における長年の課題に対処するために設計されています。 ポンプ、コンプレッサー、モーターなどの重要回転機器を対象に、産業グレードのセンシングハードウェア、AI駆動のデータ探索、デジタルツイン技術を統合しています。 ## なぜ従来のモニタリングでは不十分なのか プロセス産業、エネルギー、発電、先端製造において、設備故障が突然発生することはほとんどありません。劣化は通常数週間前から始まり、振動、温度、その他の信号の微妙な変化として現れます。 ## 新しいアプローチ：センサー、AI、デジタルツインの協働 DataMeshと横河電機は、センサーデータ、設備情報、運用コンテキストを単一の分析フレームワークに統合するエンドツーエンドのインテリジェント保全ソリューションを開発しました。 ### 横河電機：産業用センシングの信頼性 - 過酷で複雑な運転環境向けの産業グレード振動、温度、光ファイバーセンサー ### DataMesh：産業データをアクショナブルインテリジェンスに変換 - **マルチソースデータ統合**：センサーデータをDCS、MES、エンタープライズシステム、空間データと統合 - **デジタルツイン可視化**：設備状態と運用環境をリアルタイムで表現 - **AI駆動データ探索**：AIエージェントが履歴データから関連する運用データセグメントを自動識別 ## 予知保全からインテリジェント施設管理へ 実際の産業設備データを使用した実証実験では、従来の方法より10-14日早くリスクウィンドウを特定できることが実証されました。 --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director New Version Released! Major Upgrades to Training Mode > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > This article was imported from [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director Gets a Major Upgrade: The New “Storyline” > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > This article was imported from [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Director 7.0 Released: Introducing Training Mode & FAI for One-Click Multi-Language Scenarios! > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > This article was imported from [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse 7.2 Updates: Build a Digital Twin Factory That Works, Not Just Looks > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > This article was imported from [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse September Update: Smarter Decisions Powered by Integrated Simulation and Data Analytics > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > This article was imported from [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). Full content will be synced from the source website. --- ## [NEWS] Accelerating Industrial Metaverse: FactVerse Updates August 2024 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > This article was imported from [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). Full content will be synced from the source website. --- ## [NEWS] FactVerse Designer 1.0 Released: Streamlined, OOTB Enterprise Metaverse Design > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > This article was imported from [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). Full content will be synced from the source website. --- ## [NEWS] FactVerse + Omniverse: Building a Spatiotemporally Consistent Simulation Digital Twin and AI Business Platform > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > This article was imported from [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Supports Faurecia and EVE Energy in Achieving WEF Lighthouse Recognition > DataMesh played a key role in supporting the digital transformation journeys of two newly recognized WEF Global Lighthouse Network factories: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). The World Economic Forum (WEF) has announced 23 new industrial sites joining its Global Lighthouse Network, demonstrating how advanced technologies can improve productivity, resilience, sustainability, talent and customer-centricity at scale. Within this group, DataMesh played a key role in supporting the digital transformation journeys of two newly recognized Lighthouses: Faurecia Automotive Systems (Yancheng) and EVE Energy (Jingmen). By applying digital twin, spatial intelligence, and AI technologies to real production environments, DataMesh helped both companies turn advanced concepts into practical, scalable capabilities. ## Faurecia | Using VR Training to Strengthen Workforce Capability and Quality As the world's largest automotive seat slide production base, Faurecia (Yancheng) has significantly improved quality, efficiency, and operational resilience through the deployment of more than 40 advanced digital use cases. These efforts led to its recognition as the world's first Lighthouse Factory in the automotive seating sector. A central element of this transformation is a VR-based immersive training system built on the DataMesh FactVerse platform, designed to strengthen frontline capabilities at scale. As production expanded, Faurecia faced familiar manufacturing challenges: frequent workforce turnover, growing training demand, limited access to production equipment, and inconsistent training outcomes that could affect product quality. To address these issues, the plant introduced VR training as a core part of its talent development strategy. Using VR, critical production lines and workstations are recreated at full scale in a virtual environment. Employees can complete standardized learning, hands-on practice, and assessments without interrupting live production. As a result, training has shifted from an experience-driven, site-dependent process to a scalable, repeatable digital capability, supporting stable, high-quality operations. ## EVE Energy | Improving Manufacturing Transparency and Efficiency with Digital Twins In battery manufacturing, production processes are highly complex and tightly paced, placing stringent requirements on equipment reliability, energy management, and quality traceability. To meet these demands, EVE Energy advanced a comprehensive digital strategy across R&D, production, and operations, deploying more than 40 digital solutions. These initiatives delivered measurable gains in productivity and sustainability, leading the facility to become the world's first Lighthouse Factory for cylindrical battery manufacturing. A key foundation of this effort is a digital twin factory built on the DataMesh FactVerse platform. By integrating data from production systems, equipment, and energy infrastructure, the platform provides unified visibility into factory operations and end-to-end traceability. With this digital twin in place, the plant can: - Simulate and optimize production processes to identify efficiency and cost-reduction opportunities - Use XR-based training to improve understanding and consistency for complex operations - Detect potential equipment issues early through continuous data analysis - Monitor energy consumption in detail to support more efficient and sustainable production Building on the FactVerse platform and its integration with NVIDIA Omniverse, EVE Energy has developed high-fidelity digital twin environments that support more intuitive decision-making, industrial AI training, and future exploration of embodied AI. ## Making Technology Work for People and Business The World Economic Forum's Global Lighthouse Network, developed in collaboration with McKinsey, represents the highest standard of digital manufacturing today. Its value comes from deploying technology at scale, delivering measurable business impact, and creating models that others can follow. This principle is central to DataMesh's approach. DataMesh brings digital twins, spatial computing, and AI into everyday operations. Serving manufacturing and facilities management, the company focuses on planning, monitoring, training, and maintenance—helping organizations operate more efficiently, more transparently, and at lower cost. As manufacturing continues to evolve, DataMesh remains committed to working as a trusted digital partner—embedding innovation into real production environments and supporting the next generation of global Lighthouse Factories. --- ## [NEWS] DataMesh FactVerse Supports Foxconn to Enhance Employee Training and Equipment Maintenance Efficiency > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > This article was imported from [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar Reports > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Recognized as a Tech Innovator in 2025 Gartner® Emerging Tech Report on Intelligent Simulation > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > This article was imported from [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Showcases Simulation Digital Twins Powered by DataMesh FactVerse and NVIDIA Omniverse at GTC 2025 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > This article was imported from [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). Full content will be synced from the source website. --- ## [NEWS] Gyro × DataMesh: Making Intralogistics Automation Solutions Easier to Understand, Validate, and Implement with Digital Twins > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > This article was imported from [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] Introducing the new IDC DLC: Build Your Digital Twin Data Center with Ease > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > This article was imported from [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). Full content will be synced from the source website. --- ## [NEWS] Inspector 1.2 Released: Uncover Hidden Building and Facility Information for Smart Management with Mixed Reality > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > This article was imported from [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches the New Inspector, Advancing Digital Twin–Driven Intelligent Operations > DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. DataMesh announced the global release of the new DataMesh Inspector (Version 2601, Internal Version 8.0.0), a digital twin–powered intelligent operations and maintenance platform designed for industrial enterprises, smart facilities, and critical infrastructure. By bringing together spatial environments, assets, real-time data, and operational workflows into a unified system, DataMesh Inspector enables predictive monitoring, faster fault diagnosis, and intelligent asset management, driving greater operational efficiency across complex environments. With DataMesh Inspector Command Center providing centralized oversight and DataMesh Inspector (On-Site Assistant) supporting field execution, organizations can build a complete O&M system — from system-wide situational awareness to precise on-site execution. ## DataMesh Inspector Command Center: Centralized 3D Operational Oversight The Command Center transforms traditional monitoring rooms into interactive, data-driven 3D operational hubs, giving teams a clear and unified view of complex environments. ### Immersive Digital Twin Monitoring - Multi-level spatial navigation: Seamlessly move from campus to buildings, floors, and individual assets within an interactive 3D environment. - Real-time operational visibility: Dashboards displaying equipment status, energy performance, and alarm summaries are embedded directly into the 3D scene and update dynamically as conditions change — eliminating information silos and enhancing situational awareness. ### Intelligent Asset Management - Unified asset search: Quickly locate equipment by name or ID through a centralized search interface. - Comprehensive asset profiles: Access specifications, related equipment, 7-day and 30-day performance trends, alarm history, and maintenance records in one consolidated view. - Lifecycle transparency: Centralized data supports better planning, optimized maintenance strategies, and improved operational reliability. ### Asset Relationships and Impact Visibility - Visualized equipment relationships: View upstream and downstream dependencies directly within the 3D environment. - Impact path highlighting: Click any asset to see how issues may affect connected systems across the environment, enabling faster and more informed response decisions. ### Closed-Loop Alarm Management - 3D alarm positioning: Instantly locate triggered alarms within the spatial model, with visual indicators showing severity levels. - Context-rich alarm details: Access related equipment data and system dependencies from the alarm interface. - End-to-end workflow tracking: Manage alarms from trigger to acknowledgment and resolution with full traceability and accountability. ### Built-in Spatial Analysis Tools - Distance measurement: Measure cable runs, pipelines, and equipment spacing directly in the model. - Cross-section views: Inspect concealed infrastructure through adjustable building sections. - Transparency controls: Reveal hidden systems by adjusting structural visibility. ### Collaborative Annotations - In-scene annotations: Add notes directly to equipment within the 3D environment to capture issues, observations, or operational instructions. - Shared team visibility: Annotations are automatically saved and synchronized across teams, preserving operational context and strengthening collaboration. --- ## [NEWS] Jebsee Accelerates Production Line Automation Planning with DataMesh FactVerse, Cutting Risk and Boosting Communication > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > This article was imported from [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). Full content will be synced from the source website. --- ## [NEWS] Collaboration Between JTC & DataMesh: Advancing Construction Efficiency with Digital Twin and Mixed Reality > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > This article was imported from [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse Powers NIO’s Smart Factory Transformation with Digital Twins > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > This article was imported from [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Among the Top 10 Finalists in the 2024 NVIDIA Inception Showcase – Final Showcase > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > This article was imported from [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins NVIDIA Inception, Empowering Affordable Enterprise Digital Twins Creation > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > This article was imported from [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Joins the NVIDIA Omniverse Partner Council JAPAN > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > This article was imported from [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Launches Embodied AI Data Product Solution — DataMesh Robotics > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > This article was imported from [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Simulator Introduces New Training Environments for Crawler Excavator Operations > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > This article was imported from [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Unveils New Digital Twin-based Simulator Platform > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > This article was imported from [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). Full content will be synced from the source website. --- ## [NEWS] DataMesh Contributes to Success of SMART MANUFACTURING SUMMIT | DataMesh Digital Transformation with Digital Twin, Spatial Computing, and AI > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > This article was imported from [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). Full content will be synced from the source website. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh FactVerse: Major Update to Warehousing & Logistics DLC – Empowering Digital Transformation > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > This article was imported from [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). Full content will be synced from the source website. --- ## [NEWS] DataMesh and Yokogawa Launch an AI-Driven Predictive Maintenance Solution for Industrial Facilities > DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. DataMesh has partnered with Yokogawa to introduce a joint AI-driven predictive maintenance solution, redefining how industrial facilities monitor, understand, and manage critical equipment. The solution is designed to address long-standing challenges in industrial operations and maintenance, including limited early fault detection, overreliance on manual experience, and low-confidence alarms. Targeting critical rotating equipment such as pumps, compressors, and motors, the solution integrates industrial-grade sensing hardware, AI-powered data exploration, and digital twin technologies. By transforming raw sensor data into interpretable, analyzable, and predictive insights, the solution enables industrial operators to identify potential risks well before failures occur and take proactive actions ahead of unplanned downtime. ## Why Traditional Monitoring Falls Short In process industries, energy, power generation, and advanced manufacturing, equipment failures rarely occur without warning. Degradation often begins weeks in advance, reflected in subtle changes in vibration, temperature, and other signals. Despite widespread sensor deployment, many facilities still rely on static thresholds and isolated measurements. This results in frequent false alarms, delayed responses, and large volumes of data that fail to translate into actionable insight. Understanding sensor data in operational context is the core challenge. Industrial signals are often disconnected from business systems and spatial information, making it difficult to distinguish meaningful risk from background noise. ## A New Approach: Sensors, AI, and Digital Twins Working Together DataMesh and Yokogawa have developed an end-to-end intelligent maintenance solution that unifies sensor data, equipment information, and operational context into a single analytical framework. Through AI-driven analysis and digital twin visualization, equipment conditions are continuously assessed, trends are evaluated dynamically, and potential risks are identified well before failures occur. ### Yokogawa: Reliable Industrial Sensing at the Core - Industrial-grade vibration, temperature, and fiber-optic sensors designed for harsh and complex operating environments - Deep expertise in process industries, ensuring sensor data reflects real equipment behavior under real operating conditions - Proven field deployments across a wide range of industrial scenarios ### DataMesh: Turning Industrial Data into Actionable Intelligence - **Multi-source data integration**: Sensor data is unified with DCS, MES, enterprise systems, and spatial data - **Digital twin–based visualization**: Equipment conditions and operating environments are represented in real time - **Visual, multi-dimensional analysis**: Engineers can explore data using an intuitive, drag-and-drop analytics canvas - **AI-powered data exploration**: AI agents automatically identify relevant operational data segments from historical data, distinguishing between different operating states, and evaluate evolving trends ## From Predictive Maintenance to Intelligent Facility Management In proof-of-concept deployments using real industrial equipment data, the solution has demonstrated the ability to identify potential risk windows 10–14 days earlier than traditional methods. This provides valuable time for planned maintenance, load optimization, and energy efficiency improvements, while reducing losses from unplanned downtime. Over time, insights gained through data exploration can be formalized into reusable operational rules and extended into broader intelligent facility management, including asset health monitoring, alarm-to-work-order automation, maintenance resource optimization, and AI- and AR-assisted operations. --- ## [NEWS] DataMesh Director 24.12版本发布 > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > 本文导入自 [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh Director 7.2版本发布 > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > 本文导入自 [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh Director 7.0版本发布 > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > 本文导入自 [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). 完整内容将从源网站同步. --- ## [NEWS] FactVerse 7.2平台更新 > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > 本文导入自 [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). 完整内容将从源网站同步. --- ## [NEWS] FactVerse 7.4平台更新 > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > 本文导入自 [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). 完整内容将从源网站同步. --- ## [NEWS] FactVerse 2024年8月更新 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > 本文导入自 [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). 完整内容将从源网站同步. --- ## [NEWS] FactVerse Designer正式发布 > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > 本文导入自 [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh FactVerse与NVIDIA Omniverse集成 > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > 本文导入自 [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh助力佛吉亚和亿纬锂能获WEF灯塔工厂认可 > DataMesh在支持两座新认定的WEF全球灯塔网络工厂——佛吉亚汽车系统（盐城）和亿纬锂能（荆门）的数字化转型进程中发挥了关键作用。 世界经济论坛（WEF）宣布23个新工业站点加入其全球灯塔网络，展示先进技术如何在规模化层面提升生产力、韧性、可持续性、人才和客户中心化。 在这些工厂中，DataMesh在支持两座新认定灯塔工厂——佛吉亚汽车系统（盐城）和亿纬锂能（荆门）的数字化转型进程中发挥了关键作用。通过将数字孪生、空间智能和AI技术应用于真实生产环境，DataMesh帮助两家公司将先进概念转化为实用、可扩展的能力。 ## 佛吉亚 | 利用VR培训提升工人能力和质量 作为全球最大的汽车座椅滑轨生产基地，佛吉亚（盐城）通过部署40多个先进数字化用例，显著提升了质量、效率和运营韧性。这些努力使其成为全球首个汽车座椅行业灯塔工厂。 这一转型的核心要素是基于DataMesh FactVerse平台构建的VR沉浸式培训系统，旨在规模化提升一线工人能力。 随着产能扩大，佛吉亚面临常见的制造业挑战：人员流动频繁、培训需求增长、生产设备访问受限、以及可能影响产品质量的培训结果不一致。为应对这些问题，工厂将VR培训作为人才培养战略的核心组成部分。 通过VR，关键产线和工位在虚拟环境中被完整复刻。员工可以在不中断在线生产的情况下完成标准化学习、实操练习和考核评估。 ## 亿纬锂能 | 用数字孪生提升制造透明度与效率 在电池制造中，生产工艺高度复杂且节奏紧凑，对设备可靠性、能源管理和质量追溯提出严格要求。为了满足这些需求，亿纬锂能在研发、生产和运营各环节推进全面数字化战略，部署了40多个数字化解决方案。 这些举措在生产力和可持续性方面取得了可衡量的成果，使该工厂成为全球首个圆柱电池制造灯塔工厂。 核心基础是基于DataMesh FactVerse平台构建的数字孪生工厂。通过整合生产系统、设备和能源基础设施的数据，平台提供了工厂运营的统一可见性和端到端可追溯性。 基于FactVerse平台及其与NVIDIA Omniverse的集成，亿纬锂能开发了高保真数字孪生环境，支持更直观的决策、工业AI训练和具身AI的未来探索。 ## 让技术服务于人和企业 世界经济论坛全球灯塔网络由WEF与麦肯锡合作发展，代表当今数字制造的最高标准。DataMesh将数字孪生、空间计算和AI融入日常运营，服务于制造业和设施管理，帮助组织更高效、更透明、更低成本地运营。 --- ## [NEWS] 富士康携手DataMesh打造Apple Vision Pro智能制造方案 > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > 本文导入自 [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh入选2024年Gartner®新兴技术报告 > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > 本文导入自 [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh入选2025年Gartner®智能模拟新兴技术报告Tech Innovator > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > 本文导入自 [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh亮相GTC 2025展示数字孪生方案 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > 本文导入自 [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh与Gyro合作打造智能内部物流方案 > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > 本文导入自 [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh发布IDC数字化学习中心 > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > 本文导入自 [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh Inspector 1.2版本发布 > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > 本文导入自 [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh发布全新Inspector，推动数字孪生驱动的智能运维 > DataMesh宣布全球发布全新DataMesh Inspector（版本2601，内部版本8.0.0），这是一款面向工业企业、智慧设施和关键基础设施的数字孪生驱动智能运维平台。 DataMesh宣布全球发布全新DataMesh Inspector（版本2601，内部版本8.0.0），这是一款面向工业企业、智慧设施和关键基础设施的数字孪生驱动智能运维平台。 通过将空间环境、资产、实时数据和运营工作流统一到一个系统中，DataMesh Inspector实现预测性监控、更快的故障诊断和智能资产管理，推动复杂环境的运营效率提升。 DataMesh Inspector指挥中心提供集中化监管，DataMesh Inspector（现场助手）支持现场执行，组织可以构建从系统级态势感知到精准现场执行的完整运维体系。 ## DataMesh Inspector指挥中心：集中化3D运营监管 指挥中心将传统监控室转变为交互式、数据驱动的3D运营中枢。 ### 沉浸式数字孪生监控 - 多层级空间导航：在交互式3D环境中从园区到楼宇、楼层和单个资产无缝移动 - 实时运营可见性：嵌入3D场景中的仪表板显示设备状态、能效表现和警报摘要 ### 智能资产管理 - 统一资产搜索：通过集中搜索界面按名称或ID快速定位设备 - 全面资产画像：在一个视图中访问规格、关联设备、7天和30天性能趋势、警报历史和维护记录 ### 资产关系与影响可见性 - 可视化设备关系：在3D环境中查看上下游依赖关系 - 影响路径高亮：点击任何资产查看问题可能如何影响整个环境中的关联系统 ### 闭环告警管理 - 3D告警定位：在空间模型中即时定位触发的告警 - 端到端工作流追踪：从触发到确认和解决的全流程管理 --- ## [NEWS] DataMesh与全一电子合作推进自动化数字化 > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > 本文导入自 [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh与新加坡JTC合作推进智慧园区 > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > 本文导入自 [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). 完整内容将从源网站同步. --- ## [NEWS] 蔚来携手DataMesh打造智能工厂 > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > 本文导入自 [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh入围NVIDIA Inception大赛决赛 > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > 本文导入自 [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh加入NVIDIA Inception计划 > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > 本文导入自 [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh加入NVIDIA Omniverse合作伙伴委员会 > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > 本文导入自 [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh Robotics正式发布 > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > 本文导入自 [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh推出履带式挖掘机模拟器 > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > 本文导入自 [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh Simulator模拟平台正式亮相 > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > 本文导入自 [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh参加智能制造峰会 > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > 本文导入自 [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh仓储DLC内容包更新 > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > 本文导入自 [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). 完整内容将从源网站同步. --- ## [NEWS] DataMesh与横河电机联合推出AI驱动预测性维护方案 > DataMesh与横河电机合作推出联合AI驱动预测性维护方案，重新定义工业设施监控、理解和管理关键设备的方式。 DataMesh与横河电机合作推出联合AI驱动预测性维护方案，重新定义工业设施监控、理解和管理关键设备的方式。 该方案旨在解决工业运营和维护中的长期挑战，包括早期故障检测能力有限、过度依赖人工经验以及低置信度警报等问题。 针对泵、压缩机和电机等关键旋转设备，该方案集成了工业级传感硬件、AI驱动的数据探索和数字孪生技术。通过将原始传感器数据转化为可解释、可分析和可预测的洞察，使工业运营商能够在故障发生前及时识别潜在风险。 ## 为什么传统监控不够 在流程工业、能源、发电和先进制造中，设备故障很少突然发生。退化通常在数周前就开始，表现为振动、温度和其他信号的细微变化。尽管传感器部署广泛，许多设施仍依赖静态阈值和孤立测量，导致频繁误报。 ## 新方法：传感器、AI和数字孪生协同工作 DataMesh和横河电机开发了一个端到端智能维护方案，将传感器数据、设备信息和运营上下文统一到单一分析框架中。 ### 横河电机：可靠的工业传感核心 - 为恶劣复杂运行环境设计的工业级振动、温度和光纤传感器 - 流程工业深厚专业知识，确保传感器数据反映真实运行条件下的设备行为 ### DataMesh：将工业数据转化为可操作的智能 - **多源数据集成**：传感器数据与DCS、MES、企业系统和空间数据统一 - **数字孪生可视化**：设备状态和运行环境实时表示 - **AI驱动的数据探索**：AI Agent自动识别历史数据中的相关运营数据段 ## 从预测性维护到智能设施管理 在使用真实工业设备数据的概念验证部署中，该方案已证明能够比传统方法提前10-14天识别潜在风险窗口。 --- ## [NEWS] DataMesh Director 24.12版本發佈 > The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... The PPT-like 3D MR instruction creator for training and guidance, DataMesh Director, has just been upgraded with powerful new features! The latest version brings major improvements to the Training Mode, streamlining the courseware creation process with templated question formats. This reduces the... > 本文導入自 [https://datamesh.com/datamesh-director-2412-released/](https://datamesh.com/datamesh-director-2412-released/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh Director 7.2版本發佈 > As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... As the flagship product of the FactVerse platform, DataMesh Director has been widely used in industries like manufacturing and operations & maintenance. This powerful tool, a PPT-like 3D MR instruction creator for training and guidance, has proven to be invaluable for employee training and pr... > 本文導入自 [https://datamesh.com/datamesh-director-7-2-released/](https://datamesh.com/datamesh-director-7-2-released/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh Director 7.0版本發佈 > We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... We are thrilled to announce the release of DataMesh Director 7.0, a powerful 3D+XR process design tool that significantly enhances training and communication efficiency. As a no-code platform, DataMesh Director enables non-professional content developers to swiftly create compelling 3D and mixed ... > 本文導入自 [https://datamesh.com/datamesh-director-7-released/](https://datamesh.com/datamesh-director-7-released/). 完整內容將從來源網站同步. --- ## [NEWS] FactVerse 7.2平台更新 > Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... Ever wondered if your digital twin factory could go beyond being "just a fancy showcase"? With the industrial metaverse platform FactVerse, your factory can be more than "good-looking"—it can be "smart-working," empowering business scenarios with enhanced intelligenc... > 本文導入自 [https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/](https://datamesh.com/datamesh-factverse-7-2-updates-build-a-digital-twin-factory-that-works-not-just-looks/). 完整內容將從來源網站同步. --- ## [NEWS] FactVerse 7.4平台更新 > Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... Struggling to boost productivity? Frustrated by equipment issues that only surface too late? The all-new FactVerse takes a major leap forward, seamlessly integrating simulation and data analytics. With this upgrade, enterprises can spot potential problems early, test plans virtually, and make bet... > 本文導入自 [https://datamesh.com/datamesh-factverse-7-4-updates/](https://datamesh.com/datamesh-factverse-7-4-updates/). 完整內容將從來源網站同步. --- ## [NEWS] FactVerse 2024年8月更新 > The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... The future of the industrial metaverse is arriving faster than ever! DataMesh has rolled out significant updates to its FactVerse platform, introducing valuable enhancements and optimizing performance for frontline business scenarios. These updates help enterprises integrate digital twin technolo... > 本文導入自 [https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/](https://datamesh.com/accelerating-industrial-metaverse-factverse-updates-august-2024/). 完整內容將從來源網站同步. --- ## [NEWS] FactVerse Designer正式發佈 > DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... DataMesh has recently released FactVerse Designer 1.0, an updated version of its pioneering enterprise metaverse designer. This tool, designed for the creation of digital twin scenes involving complex systems and businesses, provides a streamlined approach to leveraging enterprise assets to const... > 本文導入自 [https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/](https://datamesh.com/factverse-designer-1-0-released-streamlined-out-of-the-box-enterprise-metaverse-design/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh FactVerse與NVIDIA Omniverse整合 > On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... On January 19, DataMesh CTO Hao Wu attended NVIDIA Appreciation Awards Ceremony, where he represented DataMesh in the NVIDIA Inception Final Showcase Award. DataMesh joined NVIDIA Inception Program in 2024 and was recognized as one of the Top 10 Finalists of the 2024 NVIDIA Inception Showcase. Da... > 本文導入自 [https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/](https://datamesh.com/datamesh-factverse-and-nvidia-omniverse-building-a-spatiotemporally-consistent-simulation-digital-twin-and-ai-business-platform/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh助力佛吉亞和億緯鋰能獲WEF燈塔工廠認可 > DataMesh在支援兩座新認定的WEF全球燈塔網路工廠——佛吉亞汽車系統（鹽城）和億緯鋰能（荊門）的數位轉型進程中發揮了關鍵作用。 世界經濟論壇（WEF）宣佈23個新工業站點加入其全球燈塔網路，展示先進技術如何在規模化層面提升生產力、韌性、可持續性、人才和客戶中心化。 在這些工廠中，DataMesh在支援兩座新認定燈塔工廠——佛吉亞汽車系統（鹽城）和億緯鋰能（荊門）的數位轉型進程中發揮了關鍵作用。透過將數位孿生、空間智慧和AI技術應用於真實生產環境，DataMesh幫助兩家公司將先進概念轉化為實用、可擴展的能力。 ## 佛吉亞｜利用VR培訓提升工人能力和品質 作為全球最大的汽車座椅滑軌生產基地，佛吉亞（鹽城）透過部署40多個先進數位化用例，顯著提升了品質、效率和營運韌性。這些努力使其成為全球首個汽車座椅行業燈塔工廠。 這一轉型的核心要素是基於DataMesh FactVerse平台建構的VR沈浸式培訓系統，旨在規模化提升一線工人能力。 ## 億緯鋰能｜用數位孿生提升製造透明度與效率 在電池製造中，生產工藝高度複雜且節奏緊湊，對設備可靠性、能源管理和品質追溯提出嚴格要求。為了滿足這些需求，億緯鋰能在研發、生產和營運各環節推進全面數位化策略。 核心基礎是基於DataMesh FactVerse平台建構的數位孿生工廠。透過整合生產系統、設備和能源基礎設施的資料，平台提供了工廠營運的統一可見性和端到端可追溯性。 基於FactVerse平台及其與NVIDIA Omniverse的整合，億緯鋰能開發了高保真數位孿生環境，支援更直觀的決策、工業AI訓練和具身AI的未來探索。 ## 讓技術服務於人和企業 DataMesh將數位孿生、空間運算和AI融入日常營運，服務於製造業和設施管理，幫助組織更高效、更透明、更低成本地營運。 --- ## [NEWS] 鴻海攜手DataMesh打造Apple Vision Pro智慧製造方案 > In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... In today’s highly competitive environment, digital transformation is crucial for manufacturers looking to enhance competitiveness and achieve long-term growth. As a global leader in electronics manufacturing, Foxconn is embracing cutting-edge technologies such as digital twins, artificial intelli... > 本文導入自 [https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/](https://datamesh.com/datamesh-factverse-and-apple-vision-pro-support-foxconn-to-enhance-training-and-maintenance-efficiency/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh入選2024年Gartner®新興技術報告 > Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... Singapore – December 13, 2024 – DataMesh, a pioneering technology firm specializing in digital twin-based metaverse platforms for businesses, today announced its recognition as a Sample Vendor in the 2024 Gartner® Emerging Tech Impact Radar: Intelligent Simulation and the Gartner® Emerging Tech I... > 本文導入自 [https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/](https://datamesh.com/datamesh-recognized-as-a-sample-vendor-in-the-2024-gartner-emerging-tech-impact-radar-reports/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh入選2025年Gartner®智慧模擬新興技術報告Tech Innovator > DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... DataMesh, a pioneer in simulation digital twin platforms, is proud to be named as a tech innovator in platform-centric integration for intelligent simulation in the 2025 Gartner® Emerging Tech: Tech Innovators for Intelligent Simulation — Technology and Platform Innovation report. DataMesh sees t... > 本文導入自 [https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/](https://datamesh.com/datamesh-recognized-as-a-tech-innovator-in-2025-gartner-emerging-tech-report-on-intelligent-simulation/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh亮相GTC 2025展示數位孿生方案 > San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... San Jose, Calif., March 18, 2025 – DataMesh, a leading digital twin company and member of NVIDIA Inception, announced its attendance at NVIDIA GTC 2025, taking place from March 17–21. DataMesh CEO Jie Li delivered a speech, Revolutionizing Workflow Through the Industrial Metaverse, on March 17, i... > 本文導入自 [https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/](https://datamesh.com/datamesh-showcases-simulation-digital-twins-powered-by-datamesh-factverse-and-nvidia-omniverse-at-gtc-2025/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh與Gyro合作打造智慧內部物流方案 > Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... Gyro is a leading AMR and smart logistics provider in Taiwan, serving semiconductor and advanced manufacturing factories. At the start of every intralogistics automation project, giving customers a clear view of the value before they commit is often a key to winning deals. That’s why Gyro partner... > 本文導入自 [https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/](https://datamesh.com/gyro-datamesh-making-intralogistics-automation-solutions-easier-to-understand-validate-and-implement-with-digital-twins/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh發佈IDC數位學習中心 > We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... We’re excited to announce the launch of the Smart IDC Resource Pack (IDC DLC) on the DataMesh FactVerse platform—designed to help you quickly build a digital twin of your data center with zero coding required. The new IDC DLC is tailored for creating digital twin scenarios of data centers, offeri... > 本文導入自 [https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/](https://datamesh.com/introducing-the-new-idc-dlc-for-building-digital-twin-data-center/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh Inspector 1.2版本發佈 > Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... Imagine an operations engineer seeing through walls and floors, viewing hidden pipes, wiring, and structural components—all using just a tablet or smartphone. This isn’t science fiction; it’s the reality enabled by DataMesh Inspector. DataMesh Inspector is an innovative mixed reality and digital ... > 本文導入自 [https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/](https://datamesh.com/inspector-1-2-released-uncover-hidden-building-and-facility-information-for-smart-management-with-mixed-reality/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh發佈全新Inspector，推動數位孿生驅動的智慧運維 > DataMesh宣佈全球發佈全新DataMesh Inspector（版本2601，內部版本8.0.0），這是一款面向工業企業、智慧設施和關鍵基礎設施的數位孿生驅動智慧運維平台。 DataMesh宣佈全球發佈全新DataMesh Inspector（版本2601，內部版本8.0.0），這是一款面向工業企業、智慧設施和關鍵基礎設施的數位孿生驅動智慧運維平台。 透過將空間環境、資產、即時資料和營運工作流統一到一個系統中，DataMesh Inspector實現預測性監控、更快的故障診斷和智慧資產管理。 ## DataMesh Inspector指揮中心：集中化3D營運監管 指揮中心將傳統監控室轉變為互動式、資料驅動的3D營運中樞。 ### 沈浸式數位孿生監控 - 多層級空間導航：在互動式3D環境中從園區到樓宇、樓層和單個資產無縫移動 - 即時營運可見性：嵌入3D場景中的儀表板顯示設備狀態、能效表現和警報摘要 ### 智慧資產管理 - 統一資產搜尋：透過集中搜尋介面按名稱或ID快速定位設備 - 全面資產畫像：在一個視圖中存取規格、關聯設備、效能趨勢、警報歷史和維護記錄 ### 資產關係與影響可見性 - 視覺化設備關係：在3D環境中查看上下游依賴關係 ### 閉環告警管理 - 3D告警定位：在空間模型中即時定位觸發的告警 - 端到端工作流追蹤：從觸發到確認和解決的全流程管理 --- ## [NEWS] DataMesh與全一電子合作推進自動化數位化 > As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... As labor costs rise and manufacturers push for greater operational stability, automation has become a key driver of competitiveness. Yet a key challenge remains: How can companies identify the right automation pathway—quickly, cost-effectively, and without wasting time or money in the wrong direc... > 本文導入自 [https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/](https://datamesh.com/jebsee-accelerates-automation-planning-with-datamesh-factverse/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh與新加坡JTC合作推進智慧園區 > In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... In May 2023, JTC successfully introduced DataMesh Director, a digital twin platform by DataMesh, to empower frontline personnel through the integration of Building Information Modelling (BIM) data with mixed reality (MR) technology on construction sites. This project aims to enhance efficiency by... > 本文導入自 [https://datamesh.com/collaboration-between-jtc-datamesh/](https://datamesh.com/collaboration-between-jtc-datamesh/). 完整內容將從來源網站同步. --- ## [NEWS] 蔚來攜手DataMesh打造智慧工廠 > In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... In today’s fast-evolving manufacturing landscape, traditional approaches struggle to keep up with the growing complexity of production workflows and the demand for continuous optimization. Data silos, complex integrations, and slow response times hinder not only operational efficiency and mainten... > 本文導入自 [https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/](https://datamesh.com/datamesh-factverse-powers-nios-smart-factory-transformation-with-digital-twins/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh入圍NVIDIA Inception大賽決賽 > On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... On December 10, NVIDIA concluded the 2024 NVIDIA Inception Showcase, by announcing the 10 finalists during the Final Showcase. DataMesh was recognized as one of the top 10 honorees, standing out from hundreds of participating startups and demonstrating its innovation in advancing the adoption of ... > 本文導入自 [https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/](https://datamesh.com/datamesh-among-the-top-10-finalists-in-the-2024-nvidia-inception-showcase-final-showcase/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh加入NVIDIA Inception計劃 > DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... DataMesh has recently joined NVIDIA Inception, a program that nurtures startups revolutionizing industries with technological advancements. DataMesh FactVerse + NVIDIA Omniverse, help enterprises create affordable digital twins of equipment, processes, and facilities, thereby facilitating signifi... > 本文導入自 [https://datamesh.com/datamesh-joins-nvidia-inception/](https://datamesh.com/datamesh-joins-nvidia-inception/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh加入NVIDIA Omniverse合作夥伴委員會 > DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... DataMesh has officially joined the NVIDIA Omniverse Partner Council JAPAN, marking a significant expansion of its collaboration with NVIDIA. This milestone elevates the partnership from project-based technical cooperation to a strategic, ecosystem-level collaboration serving Japan and the broader... > 本文導入自 [https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/](https://datamesh.com/datamesh-joins-the-nvidia-omniverse-partner-council-japan/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh Robotics正式發佈 > Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... Training embodied AI with an “Executable Industrial Digital Twin”: Dynamic Business Simulation + Industrial-Grade Synthetic Data + Reward Configuration January 15, 2026 — DataMesh today announced the launch of DataMesh Robotics, an embodied AI data product solution. Focused on industrial and faci... > 本文導入自 [https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/](https://datamesh.com/datamesh-launches-embodied-ai-data-product-solution-datamesh-robotics/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh推出履帶式挖掘機模擬器 > Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... Excavators play a vital role on modern construction sites, and an operator's proficiency is key to ensuring project efficiency and quality. In response to this need, DataMesh Simulator has introduced innovative courseware for crawler excavator simulation-based training and assessments, expan... > 本文導入自 [https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/](https://datamesh.com/datamesh-simulator-introduces-new-training-environments-for-crawler-excavator-operations/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh Simulator模擬平台正式亮相 > DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... DataMesh has announced the launch of DataMesh Simulator 2.0, an innovative platform designed to provide operators with an immersive learning experience. Based on digital twin and motion simulation technologies, it integrates equipment operation simulation training, job simulation training, and op... > 本文導入自 [https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/](https://datamesh.com/datamesh-unveils-new-digital-twin-based-simulator-platform/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh參加智慧製造峰會 > As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... As the inaugural event of "Global Industrie," one of Europe's largest industrial trade fairs, held in Japan, the SMART MANUFACTURING SUMMIT is currently ongoing from today until the 15th at the Aichi Sky Expo in Aichi Prefecture. Aichi Prefecture Government, in collaboration with K... > 本文導入自 [https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/](https://datamesh.com/datamesh-contributes-to-success-of-smart-manufacturing-summit-an-event-devoted-to-japanese-european-innovations-for-industry-5-0/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh倉儲DLC內容包更新 > Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... Warehousing & Logistics are essential pillars of modern supply chains, driving seamless cargo flow and ensuring timely, accurate deliveries. Complex workflows involving inbound goods, sorting, outbound logistics, and storage management are prone to errors and inefficiencies. Traditional manua... > 本文導入自 [https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/](https://datamesh.com/datamesh-factverse-major-update-to-warehousing-logistics-dlc-empowering-digital-transformation/). 完整內容將從來源網站同步. --- ## [NEWS] DataMesh與橫河電機聯合推出AI驅動預測性維護方案 > DataMesh與橫河電機合作推出聯合AI驅動預測性維護方案，重新定義工業設施監控、理解和管理關鍵設備的方式。 DataMesh與橫河電機合作推出聯合AI驅動預測性維護方案，重新定義工業設施監控、理解和管理關鍵設備的方式。 該方案旨在解決工業營運和維護中的長期挑戰，包括早期故障檢測能力有限、過度依賴人工經驗以及低置信度警報等問題。 針對泵、壓縮機和電機等關鍵旋轉設備，該方案整合了工業級感測硬體、AI驅動的資料探索和數位孿生技術。 ## 為什麼傳統監控不夠 在流程工業、能源、發電和先進製造中，設備故障很少突然發生。退化通常在數週前就開始，表現為振動、溫度和其他信號的細微變化。 ## 新方法：感測器、AI和數位孿生協同工作 DataMesh和橫河電機開發了一個端到端智慧維護方案，將感測器資料、設備資訊和營運上下文統一到單一分析框架中。 ### 橫河電機：可靠的工業感測核心 - 為惡劣複雜運行環境設計的工業級振動、溫度和光纖感測器 ### DataMesh：將工業資料轉化為可操作的智慧 - **多源資料整合**：感測器資料與DCS、MES、企業系統和空間資料統一 - **數位孿生視覺化**：設備狀態和運行環境即時表示 - **AI驅動的資料探索**：AI Agent自動識別歷史資料中的相關營運資料段 ## 從預測性維護到智慧設施管理 在概念驗證部署中，該方案已證明能夠比傳統方法提前10-14天識別潛在風險窗口。 ---