നേട്ടങ്ങൾ:
- ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് സെൻസർ ഡാറ്റ വൃത്തിയാക്കാനും SPC നിയമങ്ങൾ ഉപയോഗിച്ച് അപാകതകളും ട്രെൻഡുകളും അടയാളപ്പെടുത്താനുമുള്ള കഴിവ്
- ഒരു ഡീവിയേഷൻ ഒരു യഥാർത്ഥ പ്രോസസ്സ് ഇവൻ്റാണോ സെൻസർ/അളവ് പ്രശ്നമാണോ എന്ന് വേർതിരിച്ചറിയാൻ ഒരു വിശ്വാസ്യത ഫിൽട്ടർ ഉപയോഗിച്ച് പരസ്പര ബന്ധവും കാര്യകാരണവും തമ്മിൽ വേർതിരിച്ചറിയാനുള്ള കഴിവ്
- ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു തീരുമാന-പിന്തുണ പാളിയാണെന്നും ജീവിതവും സൗകര്യ സുരക്ഷയും സ്വതന്ത്ര സുരക്ഷാ സംവിധാനങ്ങളുടേതാണെന്നും (SIS) മനസ്സിലാക്കുന്നു.
ഒരു പ്ലാൻ്റ് പ്രവർത്തിക്കുമ്പോൾ, അത് നിശബ്ദമായി ഡാറ്റയുടെ ഒരു പ്രളയം സൃഷ്ടിക്കുന്നു: താപനില, മർദ്ദം, ഒഴുക്ക്, ലെവൽ, pH, ഉൽപ്പന്ന വിശകലന ഫലങ്ങൾ എന്നിവ ഓരോ സെക്കൻഡിലും ഡസൻ കണക്കിന് സെൻസറുകളിൽ നിന്ന് ഒഴുകുന്നു. ഈ ഡാറ്റ പ്രക്രിയയുടെ "പൾസ്" ആണ്; പ്രക്രിയയുടെ ആരോഗ്യത്തിൻ്റെ തെളിവുകളും വരാനിരിക്കുന്ന പരാജയത്തിൻ്റെ അല്ലെങ്കിൽ ഗുണനിലവാര വ്യതിയാനത്തിൻ്റെ ആദ്യകാല സൂചനകളും ഇതിൽ അടങ്ങിയിരിക്കുന്നു. ഈ യൂണിറ്റിൽ, ഈ ഡാറ്റ നിരീക്ഷിക്കുന്നതിനും അപാകതകൾ ഫ്ലാഗുചെയ്യുന്നതിനും ഗുണനിലവാര പ്രവണതകൾ വ്യാഖ്യാനിക്കുന്നതിനും ഒരു സഹായമായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും; എന്നാൽ ഏത് വ്യതിയാനമാണ് യഥാർത്ഥമായതെന്നും എന്ത് നടപടിയെടുക്കണമെന്നും തീരുമാനിക്കേണ്ടത് ഇപ്പോഴും എഞ്ചിനീയറാണ് എന്ന് നമ്മൾ പഠിക്കും.
രണ്ട് അടിസ്ഥാന ആശയങ്ങളിൽ നിന്ന് ആരംഭിക്കാം. SPC (സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ് കൺട്രോൾ; സ്റ്റാറ്റിസ്റ്റിക്കൽ പരിധികളുള്ള ഒരു പ്രക്രിയയുടെ വേരിയബിളിറ്റി നിരീക്ഷിക്കുകയും യഥാർത്ഥ വ്യതിയാനത്തിൽ നിന്ന് സാധാരണ ഏറ്റക്കുറച്ചിലുകൾ വേർതിരിക്കുകയും ചെയ്യുന്ന രീതി) നിയന്ത്രണ ചാർട്ട് (നിയന്ത്രണ ചാർട്ട് - മുകളിലെ/താഴ്ന്ന നിയന്ത്രണ പരിധികളോടെ സമയത്തിനെതിരെ വേരിയബിൾ കാണിക്കുന്ന ഒരു ചാർട്ട്). സ്വാഭാവിക വ്യതിയാനവും (പൊതുകാരണം - പ്രക്രിയയുടെ സാധാരണ, അനിവാര്യമായ ഏറ്റക്കുറച്ചിലുകളും) പ്രത്യേക കാരണവും തമ്മിലുള്ള വ്യത്യാസമാണ് SPC യുടെ സാരാംശം - പുറത്തുനിന്നുള്ള ഒരു യഥാർത്ഥ വ്യതിയാനം അന്വേഷിക്കണം. ഈ വേർതിരിവ് ഉണ്ടാക്കുന്നതിനും വലിയ ഡാറ്റയിൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നതിനും AI ശക്തമാണ്; എന്നാൽ ഒരു വ്യതിയാനത്തിൻ്റെ മൂലകാരണവും ഇടപെടാനുള്ള തീരുമാനവും എൻജിനീയറുടേതാണ്.
ഗുണനിലവാരത്തിലും നിയന്ത്രണ ഡാറ്റയിലും ഘട്ടം ഘട്ടമായുള്ള AI പിന്തുണ
1. ഡാറ്റ തയ്യാറാക്കി വൃത്തിയാക്കുക. നഷ്ടമായ മൂല്യങ്ങൾ, സെൻസർ പരാജയം കാരണം ജമ്പ്, യൂണിറ്റ് പൊരുത്തക്കേടുകൾ. AI പൈത്തൺ കോഡ് ഔട്ട്ലൈനും ക്ലീനപ്പിനായി ചെക്ക്ലിസ്റ്റും നിർമ്മിക്കുന്നു. എന്നാൽ "അസാധുവായ ഡാറ്റ" എന്ന് കണക്കാക്കുന്നത് പ്രോസസ്സ് അറിവ് ഉപയോഗിച്ച് നിങ്ങൾ തീരുമാനിക്കുക.
2. ട്രെൻഡും അനോമലി അടയാളപ്പെടുത്തലും. സ്ലോ ഡ്രിഫ്റ്റ്, പെട്ടെന്നുള്ള ജമ്പുകൾ അല്ലെങ്കിൽ സെൻസറിൽ വർദ്ധിച്ച ആന്ദോളനങ്ങൾ തുടങ്ങിയ പാറ്റേണുകൾ AI അടയാളപ്പെടുത്തുന്നു. ഇവ പരീക്ഷിക്കേണ്ട സ്ഥാനാർത്ഥികളാണ്, ഫലങ്ങളല്ല.
3. SPC അഭിപ്രായം. നിയന്ത്രണ ചാർട്ട് നിയമങ്ങൾ (ഉദാ., ഒരു പോയിൻ്റ് പരിധിക്ക് പുറത്ത് പോകുമ്പോൾ, തുടർച്ചയായ പോയിൻ്റുകൾ ഒരു ദിശയിലേക്ക് പോകും) അവ ഡേറ്റയിൽ പ്രയോഗിക്കാൻ AI-ന് കഴിയും. വീണ്ടും, എഞ്ചിനീയറിംഗ് വിധി തീരുമാനം എടുക്കുന്നു.
4. പരസ്പരബന്ധം കണ്ടെത്തൽ. "താപനില കൂടുന്നതിനനുസരിച്ച് പരിശുദ്ധി കുറയുന്നതായി തോന്നുന്നു" എന്നതുപോലുള്ള ബന്ധങ്ങളെ AI ഫ്ലാഗ് ചെയ്യുന്നു. പരസ്പരബന്ധം കാര്യകാരണമല്ല (പരസ്പരബന്ധം ≠ കാര്യകാരണം - രണ്ട് അളവുകൾ ഒരുമിച്ച് വ്യത്യാസപ്പെടുന്നു എന്നത് ഒന്ന് മറ്റൊന്നിന് കാരണമാകുന്നു എന്ന് തെളിയിക്കുന്നില്ല); പ്രക്രിയ പരിജ്ഞാനം ഉപയോഗിച്ച് നിങ്ങൾ ഈ ബന്ധം പരീക്ഷിക്കുന്നു.
5. മൂലകാരണ സിദ്ധാന്തങ്ങൾ. ഒരു വ്യതിയാനത്തിനുള്ള സാധ്യമായ കാരണങ്ങൾ AI പട്ടികപ്പെടുത്തുന്നു (ഫീഡ് വ്യത്യാസം, കാറ്റലിസ്റ്റ് ഏജിംഗ്, സെൻസർ പരാജയം). ഇവ ഗവേഷണ വിഷയങ്ങളാണ്, രോഗനിർണയമല്ല.
6. പ്രവർത്തന തീരുമാനം. അലാറം ഗൗരവമായി എടുക്കുക, പ്രക്രിയ നിർത്തുക അല്ലെങ്കിൽ ക്രമീകരണങ്ങൾ നടത്തുക - ഈ സുരക്ഷയും ഗുണമേന്മയും തീരുമാനം എൻജിനീയറുടേതാണ്.
നുറുങ്ങ്: സെൻസർ ഡാറ്റയിലെ അപാകത AI ഫ്ലാഗ് ചെയ്യുമ്പോൾ, ആദ്യത്തെ ചോദ്യം "ഇതൊരു യഥാർത്ഥ പ്രോസസ്സ് ഇവൻ്റാണോ സെൻസർ/മെഷർമെൻ്റ് പരാജയമാണോ?" ആയിരിക്കണം. മിക്ക "അനോമലികളും" ഒരു തകർന്ന സെൻസർ അല്ലെങ്കിൽ കാലിബ്രേഷൻ ഡ്രിഫ്റ്റ് ആണ്; ഇടപെടലിന് മുമ്പ് അളവ് സ്വയം പരിശോധിക്കുക.
സെൻസർ ഡാറ്റ: എല്ലാ വ്യതിയാനങ്ങളും യഥാർത്ഥമല്ല
സെൻസറുകൾക്ക് നുണ പറയാൻ കഴിയും: ഒരു കാലിബ്രേഷൻ സ്ലിപ്പ്, ഒരു തെർമോകോൾ അയഞ്ഞു, ഒരു ട്രാൻസ്മിഷൻ ലൈൻ ശബ്ദം എടുക്കുന്നു. AI ഡാറ്റയിൽ ഒരു കുതിച്ചുചാട്ടം കാണുകയും "പ്രക്രിയ മാറിയിരിക്കുന്നു" എന്ന് പറയുകയും ചെയ്തേക്കാം; എന്നിരുന്നാലും, ഇത് മാറുന്നത് പ്രക്രിയയല്ല, സെൻസറാണ്. അതിനാൽ ഡാറ്റ വിശ്വാസ്യതയ്ക്കായി ഒരു അനോമലി സിഗ്നൽ ആദ്യം ഫിൽട്ടർ ചെയ്യുന്നു: ഇത് മറ്റൊരു സെൻസറുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ, ശാരീരികമായി സാധ്യമാണോ, മെയിൻ്റനൻസ് റെക്കോർഡുമായി ഇത് പൊരുത്തപ്പെടുന്നുണ്ടോ? ഇവ പാസാക്കിയതിന് ശേഷം മാത്രമേ ഇത് ഒരു യഥാർത്ഥ പ്രക്രിയ സംഭവമായി അന്വേഷിക്കുകയുള്ളൂ.
മുന്നറിയിപ്പ്: AI- അടിസ്ഥാനമാക്കിയുള്ള അപാകത/നേരത്തെ മുന്നറിയിപ്പ് സംവിധാനം ഒരു സുരക്ഷാ ഉപകരണ സംവിധാനത്തിന് പകരമല്ല (SIS - ഒരു ഒറ്റപ്പെട്ട, സാക്ഷ്യപ്പെടുത്തിയ സുരക്ഷാ പരിരക്ഷാ പാളി). AI മോഡൽ ഒരു നിരീക്ഷണ, തീരുമാന-പിന്തുണ പാളിയാണ്; ജീവനും സൗകര്യ സുരക്ഷയും ഉറപ്പാക്കുന്ന പരിരക്ഷ, സ്വതന്ത്രവും പരിശോധിച്ചുറപ്പിച്ചതുമായ സുരക്ഷാ സംവിധാനങ്ങളാണ് അവ.
മൂന്ന് മിനി കേസുകൾ
കേസ് 1 - ആദ്യകാല ഡ്രിഫ്റ്റ് ക്യാപ്ചർ. ഒരു റിയാക്ടറിൽ, AI ഒരു താപനില സെൻസറിൽ സ്ലോ ഡ്രിഫ്റ്റ് അടയാളപ്പെടുത്തി, 10 ദിവസത്തിനുള്ളിൽ പ്രതിദിനം ശരാശരി 0.3 ഡിഗ്രി സെൽഷ്യസ് വർദ്ധിക്കുന്നു. സംഘം പരിശോധിച്ചു; ഒരു ഹീറ്റ് എക്സ്ചേഞ്ചറിൽ ഫൗളിംഗ് ആരംഭിച്ചു. നേരത്തെയുള്ള ഇടപെടൽ ആസൂത്രിതമല്ലാത്ത പ്രവർത്തനരഹിതമായ സമയത്തെ തടഞ്ഞു. AI-യിൽ നിന്നാണ് സിഗ്നൽ വന്നത്, രോഗനിർണയവും തീരുമാനവും ടീമിൽ നിന്നാണ്.
കേസ് 2 - തെറ്റായ അലാറം ഒഴിവാക്കി. AI ഒരു പ്രഷർ സെൻസറിൽ പെട്ടെന്ന് ഒരു കുതിച്ചുചാട്ടം കാണുകയും അത് "സാധ്യമായ ചോർച്ച" എന്ന് ഫ്ലാഗ് ചെയ്യുകയും ചെയ്തു. രണ്ട് അയൽ സെൻസറുകൾ മാറുന്നില്ലെന്ന് എഞ്ചിനീയർ കണ്ടു, ആ നിമിഷം ഒരു കാലിബ്രേഷൻ പ്രക്രിയ നടത്തി; സെൻസറിൽ നിന്നായിരുന്നു സിഗ്നൽ. ഡാറ്റ വിശ്വാസ്യത ഫിൽട്ടർ അനാവശ്യമായ പ്രവർത്തനരഹിതമായ സമയം തടഞ്ഞു.
കേസ് 3 - കോറിലേഷൻ ട്രാപ്പ്. "ഫീഡ് ഫ്ലോ റേറ്റ് കൂടുമ്പോൾ ഉൽപ്പന്ന ശുദ്ധി കുറയുന്നു" എന്ന പരസ്പര ബന്ധത്തെ YZ അടയാളപ്പെടുത്തി. യഥാർത്ഥ കാരണം ഒഴുക്ക് നിരക്കല്ല, വിതരണ താപനിലയാണ്, അതേ ഷിഫ്റ്റിൽ വ്യത്യാസം വന്നതായി എഞ്ചിനീയർ കണ്ടെത്തി; ഒഴുക്ക് നിരക്കും പരിശുദ്ധിയും ഒരുമിച്ച് പോയി. കാര്യകാരണമായി പരസ്പരബന്ധം തെറ്റിദ്ധരിക്കുന്നത് തെറ്റായ ക്രമീകരണത്തിലേക്ക് നയിക്കും.
പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ
1) ഡാറ്റ ക്ലീനിംഗ് കോഡ് ഡ്രാഫ്റ്റ്:
ഒരു പ്രോസസ്സ് സെൻസർ ഡാറ്റാസെറ്റിനായി എനിക്ക് ഒരു ക്ലീനപ്പ് പൈത്തൺ സ്ക്രിപ്റ്റ് എഴുതുക. ഇൻപുട്ട്: ടൈംസ്റ്റാമ്പ് ചെയ്ത CSV, കോളങ്ങൾ [ലിസ്റ്റ്]. (1) ഫ്ലാഗ് നഷ്ടമായ മൂല്യങ്ങൾ (ഇല്ലാതാക്കുക, പൂരിപ്പിക്കുക ഓപ്ഷനുകൾ), (2) ഭൗതികമായി അസാധ്യമായ മൂല്യങ്ങൾ ഫ്ലാഗ് ചെയ്യുക (നെഗറ്റീവ് ഫ്ലോ റേറ്റ്, പരിധിക്ക് പുറത്തുള്ള താപനില), (3) യൂണിറ്റ് സ്ഥിരത പരിശോധിക്കുക, (4) ക്ലീനിംഗ് തീരുമാനങ്ങൾ റിപ്പോർട്ട് ചെയ്യുക, പക്ഷേ യാന്ത്രികമായി ഇല്ലാതാക്കരുത്; ഞാൻ സ്ഥിരീകരിക്കും. സംസ്ഥാന അനുമാനങ്ങൾ.
2) SPC / നിയന്ത്രണ ചാർട്ട് വ്യാഖ്യാനം:
നിങ്ങളുടെ റോൾ: ഗുണനിലവാരമുള്ള എഞ്ചിനീയർ. ഒരു വേരിയബിളിൻ്റെ സമയ ശ്രേണിയും നിയന്ത്രണ പരിധികളും (UCL/LCL) ഞാൻ നിങ്ങൾക്ക് നൽകും. സ്റ്റാൻഡേർഡ് SPC നിയമങ്ങൾ പ്രയോഗിക്കുക (പരിധിക്ക് പുറത്ത്, സീക്വൻഷ്യൽ ട്രെൻഡ്, ഒരു വശത്ത് ക്ലസ്റ്റർ) കൂടാതെ ഏത് പോയിൻ്റുകളാണ് "പ്രത്യേക കാരണം" സ്ഥാനാർത്ഥികളെന്ന് അടയാളപ്പെടുത്തുക. ഓരോ ചിഹ്നത്തിനും, ഇത് ഒരു യഥാർത്ഥ പ്രോസസ്സ് ഇവൻ്റാണോ അതോ സാധ്യമായ അളക്കൽ പ്രശ്നമാണോ എന്നും സൂചിപ്പിക്കുക. തീരുമാനം ഞാനാണ്; നിങ്ങൾ സ്ഥാനാർത്ഥിയും ന്യായീകരണവും അവതരിപ്പിക്കുന്നു. ഡാറ്റ: [ഒട്ടിക്കുക]
3) അനോമലി വിശ്വാസ്യത ഫിൽട്ടർ:
ഇനിപ്പറയുന്ന അപാകത നിങ്ങൾ ഫ്ലാഗുചെയ്തു: [വിവരണം]. ഒരു തീരുമാനമെടുക്കുന്നതിന് മുമ്പ് ഒരു വിശ്വാസ്യത ചെക്ക്ലിസ്റ്റ് പ്രയോഗിക്കുക: (1) ഇത് അടുത്തുള്ള/അനുബന്ധ സെൻസറുകളുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ, (2) ഇത് ശാരീരികമായി സാധ്യമാണോ, (3) ഇത് മെയിൻ്റനൻസ്/കാലിബ്രേഷൻ റെക്കോർഡുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ, (4) ഇത് ഒരൊറ്റ പോയിൻ്റോ തുടർച്ചയോ ആണോ? ഇതൊരു "യഥാർത്ഥ പ്രോസസ്സ് ഇവൻ്റ്" ആണോ അതോ "സാധ്യമായ സെൻസർ പ്രശ്നം" ആണോ എന്ന് വിലയിരുത്തുക. കൃത്യമായ രോഗനിർണയം നടത്തുക; ഗവേഷണ തലക്കെട്ട് നൽകുക.
4) മൂലകാരണ സിദ്ധാന്തം (രോഗനിർണയമല്ല):
ഇനിപ്പറയുന്ന ഗുണനിലവാരം/പ്രക്രിയ വ്യതിയാനം നിരീക്ഷിക്കപ്പെട്ടു: [വിവരണം, അക്കങ്ങൾ]. സാധ്യതയുടെ ക്രമത്തിൽ സാധ്യമായ മൂലകാരണങ്ങൾ പട്ടികപ്പെടുത്തുക (ഫീഡ്, കാറ്റലിസ്റ്റ്, സെൻസർ, ഓപ്പറേറ്റിംഗ് അവസ്ഥ, പരിപാലനം). ഓരോ സിദ്ധാന്തത്തിനും, അത് സ്ഥിരീകരിക്കാൻ/തെറ്റിക്കാൻ ഞാൻ നോക്കേണ്ട ഡാറ്റ അല്ലെങ്കിൽ ടെസ്റ്റ് എഴുതുക. ഇതൊരു രോഗനിർണയമല്ല, ഇതൊരു അന്വേഷണ പദ്ധതിയാണ്; കൃത്യമായ കാരണം പ്രഖ്യാപിക്കരുത്.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ഈ സെൻസർ ഡാറ്റയിൽ എന്തെങ്കിലും പ്രശ്നമുണ്ടോ?
"പ്രശ്നം" നിർവചിക്കപ്പെട്ടിട്ടില്ല, ഒരു സന്ദർഭവുമില്ല. AI ക്രമരഹിതമായ ജമ്പുകളെ പെരുപ്പിച്ചു കാണിക്കുകയോ യഥാർത്ഥ ഡ്രിഫ്റ്റ് നഷ്ടപ്പെടുത്തുകയോ ചെയ്യാം.
ശക്തമായ നിർദ്ദേശം:
നിങ്ങളുടെ റോൾ: പ്രോസസ് കൺട്രോൾ എഞ്ചിനീയർ. ഞാൻ നിങ്ങൾക്ക് 14 ദിവസവും 1 മിനിറ്റും റിയാക്റ്റർ താപനില ഡാറ്റ നൽകുന്നു. സാധാരണ ശ്രേണി 78-82°C, UCL 84, LCL 76. ടാസ്ക്: (1) സ്ലോ ഡ്രിഫ്റ്റ്, സഡൻ ജമ്പ്, ആന്ദോളനം വർദ്ധിപ്പിക്കൽ പാറ്റേണുകൾ അടയാളപ്പെടുത്തുക, (2) ഓരോ ചിഹ്നത്തിനും ഇത് ഒരു യഥാർത്ഥ സംഭവമോ സെൻസറോ ആകുമോ എന്ന് സൂചിപ്പിക്കുക, (3) ആദ്യം പരിശോധിക്കേണ്ട ലിസ്റ്റ്. കൃത്യമായ രോഗനിർണയം നടത്തുക; യഥാർത്ഥ ഡാറ്റയെ അടിസ്ഥാനമാക്കി, ഉണ്ടാക്കിയതല്ല. ഡാറ്റ: [ഒട്ടിക്കുക]
വ്യത്യാസം വ്യക്തമാണ്: വേരിയബിൾ, സാധാരണ ശ്രേണി, പരിധികൾ, "കാൻഡിഡേറ്റ്, ഡയഗ്നോസിസ് അല്ല" ചട്ടക്കൂട് എന്നിവ ഔട്ട്പുട്ടിനെ ഉപയോഗയോഗ്യമാക്കുന്നു.
ഗുണനിലവാര/നിയന്ത്രണ ഡാറ്റയിൽ പങ്ക് വിതരണം
ബിസിനസ്സ്
AI യുടെ പങ്ക്
മനുഷ്യൻ്റെ തീരുമാനം
ഡാറ്റ ക്ലീനിംഗ്
കോഡ്, പതാക
ഡാറ്റാ തീരുമാനം അസാധുവാണ്
അപാകത
അടയാളപ്പെടുത്തൽ
യഥാർത്ഥ/സെൻസർ വ്യത്യാസം
എസ്.പി.സി
ഭരണം നടപ്പിലാക്കൽ
ഇടപെടൽ തീരുമാനം
പരസ്പരബന്ധം
ബന്ധത്തിൻ്റെ അടയാളപ്പെടുത്തൽ
കാര്യകാരണ പരിശോധന
മൂലകാരണം
അനുമാന പട്ടിക
രോഗനിർണയം, പ്രവർത്തനം
സുരക്ഷാ സംരക്ഷണം
- (പരിധിക്ക് പുറത്ത്)
സ്വതന്ത്ര എസ്.ഐ.എസ്
സാധാരണ തെറ്റുകൾ
- എല്ലാ അപാകതകളും ഒരു യഥാർത്ഥ പ്രക്രിയ സംഭവമായി തെറ്റിദ്ധരിക്കുന്നു. അതിൽ ഭൂരിഭാഗവും സെൻസർ/കാലിബ്രേഷൻ പ്രശ്നമാണ്; ഡാറ്റ വിശ്വാസ്യത ആദ്യം ഫിൽട്ടർ ചെയ്യുന്നു.
- പരസ്പര ബന്ധത്തെ കാരണമായി കണക്കാക്കുന്നു. ഒരുമിച്ച് പ്രവർത്തിക്കുന്ന വേരിയബിളുകൾ പരസ്പരം കാരണമാകില്ല.
- ഒരു സുരക്ഷാ സംവിധാനമായി AI ഉപയോഗിക്കുന്നു. ലൈഫ്/ഫെസിലിറ്റി സുരക്ഷ ഒരു സ്വതന്ത്ര, സാക്ഷ്യപ്പെടുത്തിയ SIS-ൻ്റെ ഉത്തരവാദിത്തമാണ്.
- സ്വയമേവയുള്ള ഡാറ്റ ഇല്ലാതാക്കൽ അനുവദിക്കുക. എഞ്ചിനീയർ തൻ്റെ പ്രോസസ്സ് പരിജ്ഞാനം ഉപയോഗിച്ച് എന്താണ് അസാധുവായതെന്ന് തീരുമാനിക്കുന്നു.
- AI റൂട്ട് തെറ്റിദ്ധരിക്കുന്നത് രോഗനിർണയത്തിനുള്ള അനുമാനത്തിന് കാരണമാകുന്നു. അനുമാനങ്ങൾ സ്ഥിരീകരിക്കപ്പെടുന്നതുവരെ ഗവേഷണ വിഷയങ്ങളാണ്, നിഗമനങ്ങളല്ല.
ചുരുക്കത്തിൽ
ഗുണനിലവാരത്തിലും പ്രോസസ്സ് നിയന്ത്രണ ഡാറ്റയിലും AI; ഡാറ്റ വൃത്തിയാക്കുകയും അപാകതകളും ട്രെൻഡുകളും ഫ്ലാഗുചെയ്യുകയും SPC നിയമങ്ങൾ പ്രയോഗിക്കുകയും പരസ്പര ബന്ധങ്ങളും മൂലകാരണ സിദ്ധാന്തങ്ങളും സൃഷ്ടിക്കുകയും ചെയ്യുന്ന ശക്തമായ ഒരു സഹായിയാണ് ഇത്. എന്നാൽ ഒരു വ്യതിയാനം യഥാർത്ഥമാണോ സെൻസർ ആണോ, പരസ്പരബന്ധം കാര്യകാരണമാണോ, മൂലകാരണവും ഇടപെടലും ആണോ എന്ന് തീരുമാനിക്കേണ്ടത് എഞ്ചിനീയറാണ്. AI എന്നത് ഒരു നിരീക്ഷണ, തീരുമാന-പിന്തുണ പാളിയാണ്; ജീവനും സൗകര്യ സുരക്ഷയും ഉറപ്പാക്കുന്ന പരിരക്ഷ, സ്വതന്ത്രവും പരിശോധിച്ചുറപ്പിച്ചതുമായ സുരക്ഷാ സംവിധാനങ്ങളാണ് അവ.
ആപ്ലിക്കേഷൻ ടാസ്ക്
ഒരു സെൻസർ ഡാറ്റ സെറ്റ് (അല്ലെങ്കിൽ സാമ്പിൾ സമയ ശ്രേണി) എടുക്കുക. "SPC / കൺട്രോൾ ചാർട്ട് വ്യാഖ്യാനം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI ഫ്ലാഗ് സ്പെഷ്യൽ കോസ് കാൻഡിഡേറ്റ് ചെയ്യൂ. ഓരോ ചിഹ്നത്തിനും, ഇതൊരു യഥാർത്ഥ സംഭവമാണോ സെൻസർ പ്രശ്നമാണോ എന്ന് വിലയിരുത്താൻ "അനോമലി വിശ്വാസ്യത ഫിൽട്ടർ" ടെംപ്ലേറ്റ് പ്രയോഗിക്കുക. നിങ്ങളുടെ പ്രക്രിയ പരിജ്ഞാനവുമായി കാര്യകാരണബന്ധത്തിനായി കുറഞ്ഞത് ഒരു പരസ്പര ബന്ധമെങ്കിലും പരിശോധിക്കുക.
ചെക്ക്ലിസ്റ്റ്
- [ ] ഡാറ്റ വിശ്വാസ്യതയ്ക്കായി (സെൻസർ/കാലിബ്രേഷൻ) അനോമലി സിഗ്നലുകൾ ഞാൻ ആദ്യം ഫിൽട്ടർ ചെയ്തു.
- [] ഞാൻ പ്രക്രിയ വിവരങ്ങളുമായി കാര്യകാരണബന്ധം പരിശോധിച്ചു.
- [ ] ഞാൻ SPC സിഗ്നലുകളെ ഒരു ഇടപെടൽ തീരുമാനമാക്കി മാറ്റി, ഞാൻ അത് AI-ക്ക് വിട്ടുകൊടുത്തില്ല.
- [ ] ഡാറ്റ ക്ലീനിംഗിൽ, ഞാൻ അംഗീകൃത തീരുമാനമാണ് പ്രയോഗിച്ചത്, യാന്ത്രികമായ ഇല്ലാതാക്കലല്ല.
- [ ] ഞാൻ സുരക്ഷാ സംരക്ഷണം സ്വതന്ത്ര സംവിധാനത്തിനാണ് വിട്ടുകൊടുത്തത്, AI യ്ക്കല്ല.