随着科技的进步及客户对产品多样性需求的不断攀升，产品复杂程度越来越大。传统产品研发设计流程俨然已无法满足对产品本身的性能要求。当前复杂产品的设计从“单一领域”向“多学科多领域协同”转变。同时各学科内部也呈现不断细分的趋势，这使得学科间的耦合关系变得越来越复杂。
此外，因为产品复杂度的增加，物理样机试验成本急速增加。但是随着CAE技术的成熟，虚拟样机成本不断下降，利用虚拟产品进行仿真分析替代部分物理样机试验作为降低试验成本的方法已被各行各业广泛采用，并以将其完全替代物理样机真实试验作为最终目标。对此，产品设计过程对仿真的依赖程度越来越高，仿真，已经成为了生产力。
新型工业数字化催生工业仿真技术新需求
为了提高仿真结果的精确度与置信度，让仿真更有效的指导复杂产品的生产，必须考虑不同学科之间的耦合和影响。对此，多学科联合仿真及仿真流程自动化成为当前急需解决的问题。
针对复杂产品，为了提高整体性能，单纯依靠仿真技术无法满足要求，仿真只能找到局部最优解，而无法针对全局进行优化；对此需要根据仿真结果确定影响各个子系统各学科的参数，基于这些参数结合需要优化的目标进行优化，找到系统运行效率最高的最优解。但因为通常影响目标结果的参数不止一个，而且需要优化的目标结果往往也有多个。这就对多学科优化方法提出了更高的要求。
为了得到高精度的仿真结果，对模型前处理过程中网格质量和数量就提出了很高的要求，但是这反过来又加大了仿真计算的工作量，无形中增加了计算时间成本，同时还会占用很大的内存资源。为了在合理的时间内完成仿真任务，对高性能计算资源的使用与调度又提出了更高的要求。
针对建立的仿真和优化流程为了确保后期高效复用需要对其加以固化并进行统一管理。在仿真和优化流程执行过程中又会产生大量的过程数据，这些数据存储在本地不仅不便于查阅，还随时有丢失的风险。对此仿真和优化流程和相关过程数据的管理，也成为目前急需解决的问题。
工业数据中的仿真流程和数据管理困境
海量仿真、优化数据“孤岛化”
仿真产生的数据主要存放在个人计算机上，缺少有效管理。难以进行数据共享，效率低下、维护困难、易丢失和版本混乱。
仿真、优化流程与既有经验“断代脱轨”
企业未建立仿真、优化规范和知识库，已有知识不能传承下来有效共享，因此不能实现对仿真、优化知识的积累和重用，往往对同一模型的同一仿真与优化也会产生差异较大的仿真结果。
多学科仿真过程“低效难管”
对产品进行虚拟仿真需要多部门、多学科的仿真专业人员和仿真工具配合工作，而应用单一的CAE工具软件，需要手工管理仿真流程，效率低，且仿真数据作为过程数据缺乏审计和跟踪。
各种商用和自研仿真工具“各自为阵”
仿真工具厂商多，选择随意性大，缺乏标准化和知识积累，同时，单点工具之间大量的数据流转控制、接口转换等工作需要工程师完成，效率和规范化程度低，大量宝贵的自研工具分散在工程师手中，无法共享和积累。
仿真计算资源使用“事倍功半”
仿真计算工具分散部署在不同计算服务器上，然而单个计算节点算力有限且参差不齐，经常出现仿真软硬件资源被占用后，更加急迫的仿真任务缺少相对应资源执行，耽误仿真设计进度。
从仿真验证设计到仿真驱动设计“进化困难”
当前产品研发基于单个设计方案的验证基本成型，基本实现仿真验证设计。优化设计多采用手动修改设计变量后人工比较方案优劣，极大依赖设计师的设计经验，无法实现基于仿真驱动的智能优化设计。
仿真自动化、多学科优化和仿真数据的管理要求
1、支持构建面向仿真的数字化模型，实现基于性能指标的快速一体化验证。
2、提供高性能计算资源平台，支持仿真任务的并行计算，实时动态监控硬件资源并基于调度策略实现资源的最大化利用。
3、提供智能优化平台，支持基于多目标协同的并行优化设计计算。
4、仿真数据数据必须具备自定义数据模型能力，可配置数据类型、数据关系、属性模板等。
5、安世亚太仿真流程及数据管理平台需要对数量庞大的仿真数据生成数据谱系。
6、仿真数据既是仿真过程的记录，同时也是仿真经验积累的基础，利用多海量仿真数据的记录、谱系梳理、结果影响因素分析等，实现仿真经验的重用。
仿真流程及数据管理平台在工业仿真领域六大优势
6、支持巨量数据的仿真数据谱系引擎。安世亚太仿真流程及数据管理平台可跨系统、跨任务、跨学科快速抽取关键数据建立关联关系，支持巨量数据的快速储存和图谱化、可视化快速查询应用，能显著提升研发效率。
安世亚太全自主研发的仿真流程及数据管理平台，持续以用户的需求为导向，不断融入先进的技术能力，助力企业全面提高产品研制的设计仿真水平，提升产品设计仿真效率，在设计初期即对产品性能和可靠性进行评价和优化，降低试验和制造成本。
更多安世亚太正向设计产品