Gevinster:
- Evne til at skelne, hvor AI accelererer, og hvor det er risikabelt i kredsløb, strøm og indlejret systemarbejde
- Evne til at forklare, hvorfor verifikation og ingeniørgodkendelse er obligatorisk i elektriske arbejder, der involverer liv og ejendomssikkerhed.
- Evne til at placere AI-output som et udkast til input, der skal revideres, snarere end som en erstatning for ingeniørmæssig vurdering
Når du ser en el- og elektronikingeniørs dag, er billedet, der tegner sig, det samme i de fleste hold: Læsning af dataark, udfyldning af regneark, skrivning og fejlretning af kode, tegning af skemaer, søgning efter standarder, udarbejdelse af testrapporter, e-mail og møder. Med andre ord, den tid, der er afsat til selve "ingeniørdelen", det vil sige vurderingen af at designe et system sikkert og præcist, knuses under gentaget arbejde. Det er her, kunstig intelligens kommer i spil. AI gør ikke designet for dig; Det forbereder dig til design, producerer udkast, fremskynder beregninger og stiller bearbejdet information foran dig til beslutningstagning. I denne enhed vil vi afklare, på hvilke stadier af den elektrisk-elektroniske arbejdsgang AI tilføjer reel værdi, hvilke beslutninger der absolut bør forblive hos ingeniøren, og den sikkerhedsdisciplin, du skal overholde, når du gør dette. Målet er klart: at positionere AI ikke som en "automatisk designer", men som en disciplineret assistent, hvis output bliver verificeret hver gang.
I hvilke virksomheder er AI Accelerator, i hvilke virksomheder er det risikabelt?
Elektriske og elektroniske værker er placeret på et tostrenget spektrum med hensyn til deres resultater. I den ene ende er tilbagekaldelige kontorjob med lav risiko; På den anden ende er der irreversible beslutninger, der direkte påvirker sikkerheden for liv og ejendom. Værdien af AI varierer afhængigt af, hvor du står på dette spektrum.
virksomhedstype
AI-bidrag
Ingeniørens rolle
Datablad/standardoversigt
Fjern relevant element fra langt dokument
Bekræft værdi fra officiel kilde
Kodeudkast (MCU, Python)
Skelet- og funktionsgenerering
Registrering, timing, testverifikation
Regnskabsforarbejde
Formelindstilling, første nummer
Enhed, rang og standard kontrol
Dokumentation
Udkast til rapport/stykliste/testprocedure
Teknisk nøjagtighed og terminologi
beskyttelseskoordinering
forslag, scenarie
Endelig udvælgelse og godkendelse
idriftsættelse
Tjeklisteudkast
Måling og signatur i felten
Reglen er enkel: Risikoen for et AI-output er lig med den skade, som output vil forårsage, hvis det laver en fejl. Stavefejl på en akselabel er harmløs; Fejlberegning af en afbryderstrømindstilling kan resultere i brand. Så det første spørgsmål at stille, før du bruger outputtet er: "Hvad sker der, hvis dette er forkert, og hvem vil bemærke det?"
Bemærk: AI producerer flydende og selvsikker tekst. Flydende er ingen garanti for nøjagtighed. En sprogmodel kan "sammensætte" (hallucinere) troværdige formler, varenumre og dataarkværdier, selv når den ikke har nogen reelle data. I elektricitet forbliver dette ikke på papiret; bliver til funktionsfejl, skade eller ulykke i marken.
Beslutninger, der bør overlades til ingeniøren
Nogle beslutninger bør aldrig være fuldt automatiserede. Disse udgør tekniske, juridiske og etiske risici:
- Sikkerhedskritiske valg: Afbryder/sikringsklasse, beskyttelseskoordinering, jordforbindelse og isolationsklasse.
- Idriftsættelse og strømforsyning: Beslutningen om at påføre spænding til et kort, en motor eller et korts elledning for første gang.
- Standard overensstemmelseserklæring: Erklæringen "Dette design er i overensstemmelse med den relevante standard" kræver ingeniørens underskrift.
- Værdier i kontakt med mennesker: Reststrømsbeskyttelsestærskel, berøringsspænding, EMC/EMF-grænser.
Advarsel: Selvom en AI-genereret beregning resulterer i noget som "50 A-afbryder er tilstrækkelig", er det uacceptabelt at anvende det, uden at en ingeniør verificerer det med kortslutningsstrøm, selektivitet og kabelstyrke. Hvert sikkerhedskritisk output skal være uafhængigt verificeret og godkendt af den autoriserede ingeniør før implementering.
Verifikationsdisciplin: Trelagskontrol
For at bruge AI-output med redaktørens og revisorens øjne i stedet for blindt, skal du anvende en tre-lags kontrol:
- Enhed og rang (sanity check): Er resultatets enhed korrekt? Er størrelsen fysisk rimelig? Hvis der er 500 kW tab i en 100 kVA transformer, er der fejl et sted.
- Uafhængig gengivelse: Gengiv beregningen manuelt, med en lommeregner eller med en kort Python/SPICE-kørsel. Hvis to forskellige metoder giver det samme resultat, øges tilliden.
- Standard- og kildebekræftelse: Hvert varenummer, databladværdi og grænse givet af AI skal bekræftes ordret fra den officielle kilde.
Verifikationsprompt (gør det nemmere at kontrollere outputtet): "Giv tydeligt ALLE antagelser, formler og enheder, du har brugt til at beregne følgende. Vis hvert mellemliggende trin på en separat linje. Marker standardværdien eller dataarknummeret, du brugte med et 'kildekrævet'-tag; opstil ikke nogen tal, du ikke kender med sikkerhed."
Svag prompt / stærk prompt
SVAG:"Fortæl mig det kabeltværsnit, der passer til denne motor."(Resultat: et enkelt tal uden kontekst; det er uklart, hvilken strøm, længde, monteringsmetode og spændingsfaldsgrænse der antages.)STÆRK:"Beregn foreløbigt kobberkabeltværsnittet for følgende forhold og vis trinene:- Motor: 15 kW, 400,0-faset, 0-faset V, φ-virkningsgraden, φ 0-faset, φ 0,90- Kabellængde: 60 m, rørinstallation, omgivende 35 °C- Tilladt spændingsfald: 3% Beregn strøm, spændingsfald og termisk strømbærende kapacitet SEPARAT. Bemærk behovet for at verificere resultatet med den relevante standardtabel.
Forskellen er, at den stærke prompt giver både det faktiske input og grænsen (udgiv ingen erklæring, vis trin) til modellen. Dette gør output revideret.
Mini etui
Embedded systems ingeniør Deniz udskriver ADC-læsekoden for et temperaturmålekort til AI'en. AI etablerer formlen under forudsætning af, at referencespændingen for 12-bit ADC er 5 V. Deniz åbner kortets dataark; referencen er faktisk 3,3 V. AI's antagelse om 5 V ville have hver måling aflæst med omkring 50% bias. Havet retter referencen, uploader koden til kortet og sammenligner aflæsningen med det faktiske termometer ved en kendt temperatur. AI gav fart; Havet tilføjede troværdighed ved at verificere antagelsen og bekræfte den med måling. Hvis AI blev blindt stolet på, ville fejlen blive båret til marken.
Almindelige fejl
- Accepterer AI's antagelser (referencespænding, temperatur, ledertype) uden at stille spørgsmålstegn ved.
- Anvendelse af sikkerhedskritiske værdier (afbryder, beskyttelse, jording) uden at verificere.
- Bemærker ikke opdigtede databladnumre og standardvarenumre.
- Forudsat at koden "virker" uden at måle den i hardware.
- Omgå lydstyrkekontrol; Med udsigt over V, A, W, VA, VAR forvirring.
- Erstatning af AI-output for ingeniørgodkendelse.
Tip: Stil hver AI-output disse tre spørgsmål: (1) Hvilke antagelser gjorde den den konklusion, og er antagelserne korrekte? (2) Har jeg gengivet dette på en selvstændig måde? (3) Er dette sikkerhedskritisk, og hvis ja, har jeg modtaget autoritativ bekræftelse og godkendelse? Hvis alle tre er klare, fortsæt.
Sammenfattende
- AI tilføjer hastighed og skala i forberedelse, beregning, kode og dokument stadier af elektriske og elektroniske arbejder; men han er ikke beslutningstageren.
- Risikoen for et udfald er lig med den skade, det vil forårsage, hvis det begår en fejl; Sikkerhedskritisk arbejde kræver uafhængig verifikation og ingeniørgodkendelse.
- Flydende tekst er ikke korrekt tekst; Hver antagelse, tal og standardværdi skal verificeres.
- Tre lag af kontrol (enhed/rang, uafhængig reproduktion, kildebekræftelse) gør output pålideligt.
- Den kraftfulde prompt giver det faktiske input og grænsen sammen til modellen.
- Positioner AI som "en hurtig assistent, hvis hvert output overvåges."
Ansøgningsopgave
Få AI til at løse en beregning, du for nylig har lavet (kabeltværsnit, modstandsvalg, strømtab osv.) fra bunden. Udtræk derefter hver antagelse og tal i outputtet til en liste; beslutte "verificeret / krævet ressource / defekt" for hver. Gengiv selv beregningen, enten manuelt eller med en kort Python-kørsel, og sammenlign de to resultater. Hvis anderledes, så find ud af hvorfor. Denne øvelse opbygger vanen med at bruge AI med auditørdisciplin.