Metallurgische Datenanalyse und Grenzen der KI mit Python

Gewinne:

• Fähigkeit, den Code zu erstellen und zu verstehen, der metallurgische Daten mit Python bereinigt, analysiert und visualisiert, mit KI-Unterstützung
• Fähigkeit, die Validierung von KI-generiertem Code mit Unit-Checking, Testfällen und physikalischer Plausibilität zur Gewohnheit zu machen
• Ein ganzheitliches Verständnis der End-to-End-Grenzen, der Verantwortung und des ethischen Rahmens von KI in der Metallurgie

Metallurgische Arbeiten werden zunehmend mit mehr Daten durchgeführt: Hunderte von Zugversuchsergebnissen, Tausende von SPC-Messungen, Aufzeichnungen von Wärmebehandlungsöfen, Charakterisierungsergebnisse. Die manuelle Verfolgung dieser Daten in Excel ist langsam und fehleranfällig. Python (eine gängige Programmiersprache für Datenanalyse und wissenschaftliches Rechnen) macht dies wiederholbar, überprüfbar und automatisch. KI ist sehr leistungsfähig beim Schreiben, Debuggen und Erklären von Python-Code – aber der von ihr erzeugte Code kann zwar richtig aussehen, aber das falsche Ergebnis liefern: Einheitenfehler, falscher Koeffizient, stiller Datenverlust. In dieser letzten Einheit erfahren Sie, wie Sie metallurgische Daten mit KI-Unterstützung in Python analysieren und jeden Code verifizieren und dann die im gesamten Modul behandelten KI-Grenzen, Verantwortung und Ethik-Rahmen ganzheitlich zusammenfassen.

Typische Aufgaben in der metallurgischen Datenanalyse

Häufige Aufgaben mit KI-Unterstützung in Python:

• Datenbereinigung: Fehlender Wert, Einheitenverwirrung (MPa vs. ksi), Entfernung von Ausreißern. Schmutzige Daten verfälschen selbst die beste Analyse.
• Visualisierung: Zugkurve zeichnen, Regelkarte, Korngrößenverteilung, Temperatur-Zeit-Profil.
• Weitere Informationen: Hall-Petch (als Beispiel für folgende Beispiele: σ = σ₀ + k·d^(-1/2)), Arrhenius (Analyse), Regresyon, Statistik.
• Automatisierung: Stapelverarbeitung einer großen Anzahl von Dateien und Erstellung zusammenfassender Tabellen/Berichte.

Ein gutes Beispiel hierfür ist die Hall-Petch-Beziehung: Die Streckgrenze steigt umgekehrt proportional zur Quadratwurzel des Korndurchmessers. KI kann diese Formel in Code übersetzen; Aber ob Sie d als Mikrometer oder Meter verwenden und welche Einheit Sie für den k-Koeffizienten verwenden, ändert das Ergebnis völlig. Die Richtigkeit des Codes liegt nicht im Auswendiglernen der Formel, sondern in der Validierung der Einheiten und eines Testfalls.

Tipp: Stellen Sie sicher, dass Sie in jedem Konto, das die KI schreibt, einen „Bekannt-Antwort-Test“ einschließen. Geben Sie eine kleine Eingabe ein, deren Ergebnis Sie von Hand kennen (z. B. erwartete Festigkeit für d = 100 µm); Wenn der Code diesen Wert angibt, können Sie ihm vertrauen; Ist dies nicht der Fall, wird der Fehler ausgeblendet.

Schritt für Schritt: Mit KI zum sicheren Analyseablauf

1. Beschreiben Sie die Aufgabe und die Daten: Welche Datei, welche Spalten, welche Einheiten, was wird berechnet?
2. Code-Skelett anfordern: Bitten Sie die KI um ein kommentiertes, stufenweise unterteiltes Skelett; Definieren Sie Einheiten mit expliziten Variablen oben.
3. Test mit kleinen Daten: Zuerst mit einigen Zeilen/bekannten Werten ausführen; Überprüfen Sie das Ergebnis manuell.
4. Einheiten- und Grenzkontrolle: Ist die Ausgabe physikalisch sinnvoll? Gibt es einen Unsinn wie negative Stärke, 120 %-Rate?
5. Visualisieren und schauen Sie: Zeigt die Grafik den erwarteten Trend? Handelt es sich bei den Ausreißerdaten um Fehler?
6. Überprüfen und dokumentieren: Vergleichen Sie das Ergebnis mit einer unabhängigen Berechnung/Norm; Kommentieren Sie den Code und die Annahmen aus.

AI-Code-Überprüfungstabelle

Risiko

Symptom

Kontrollmethode

Gerätefehler

Das Ergebnis ist 1000x pervers

Definieren Sie Einheiten in expliziter Variable, Größenkontrolle

Falscher Koeffizient/Formel

Angemessener, aber falscher Wert

Testszenario mit bekannten Antworten

Stiller Datenverlust

Die Anzahl der Zeilen ist geringer als erwartet

Anzahl der Zeilen vor/nach der Verarbeitung drucken

Ausreißerverzerrung

durchschnittliches Kajak

Visualisieren Sie mit einem Diagramm, schauen Sie sich die Verteilung an

Überanpassung (halluzinatorische Bibliothek)

nicht vorhandene Funktion

Ausführen, Fehler lesen, Dokumentation ansehen

drei Mini-Koffer

Fall 1 – Fehler beim versteckten Volume. Ein Ingenieur fordert von der KI Code für die Hall-Petch-Berechnung an; Der Code erwartet den Korndurchmesser in Metern, der Ingenieur gibt jedoch Mikrometer ein. Das Ergebnis ist 1000-fach pervers, fällt aber auf den ersten Blick nicht auf, weil es wie eine „Zahl“ aussieht. Mühelos d = 100 µm bei einer Belastung von ca. 350 MPa. Lektion: Tests mit bekannten Antworten zeigen Einheitenfehler in Sekunden an.

Fall 2 – Stiller Datenverlust. Ein Team bereinigt 500 Pull-Test-Ergebnisse mit KI-geschriebenem Code; Während der Code die Zeilen mit fehlenden Werten löscht, verwirft er auch versehentlich einige der gültigen Zeilen, sodass 300 Zeilen übrig bleiben. Die durchschnittliche Festigkeit ist höher als erwartet, da die Charge mit geringem Wert eliminiert wird. Wenn das Team die Anzahl der Zeilen vor/nach der Verarbeitung druckt, stellt es fest, dass 200 Zeilen stillschweigend verschwunden sind, und korrigiert den Filter. Lektion: Das Drucken der Anzahl der Zeilen bei jedem Datenverarbeitungsschritt fängt stille Verluste auf.

Fall 3 – Korrekte Verwendung, wiederholbarer Bericht. Ein Qualitätsteam muss jede Woche Dutzende von Ofenaufzeichnungen verarbeiten und zusammenfassende Berichte erstellen. Es fordert die KI auf, ein kommentiertes Skript zu schreiben, das Dateien in großen Mengen liest und Diagramme und Übersichtstabellen erstellt. Das Team testet den Code mit einigen bekannten Dateien, überprüft die Anzahl der Einheiten und Zeilen und prüft das Ausgabediagramm visuell. Verwendet das Skript dann wöchentlich; Die Arbeitszeit wird auf Minuten reduziert und die Arbeit erfolgt jede Woche auf die gleiche, überprüfbare Weise. KI ermöglichte eine wiederholbare Automatisierung, bestätigte das Team.

Kopierbare Eingabeaufforderungsvorlagen

CODE-SKELETT-VORLAGE „Rolle: Sie sind der Code-Assistent für die Analyse metallurgischer Daten. Aufgabe: [z. B. Zeichnungsergebnisse aus CSV und durchschnittlicher Streckgrenze lesen]. Daten: [Datei, Spalten, EINHEITEN]. Schreiben Sie ein kommentiertes Skelett mit Pandas: (1) Definieren Sie die Einheiten in der offenen Variablen oben, (2) lesen Sie die Daten und drucken Sie die Anzahl der Zeilen, (3) löschen und drucken Sie die Anzahl der Zeilen WIEDER, (4) führen Sie die Berechnung durch, (5) drucken Sie das Ergebnis aus und eine Plausibilitätsprüfung. Fügen Sie zu jedem Schritt Kommentare hinzu.

VORLAGE FÜR TESTS MIT BEKANNTEN ANTWORTEN „Schreiben Sie einen ‚Test mit bekannten Antworten‘ für die folgende Funktion: [Funktion]. Wählen Sie eine kleine Eingabe, deren Ergebnis manuell berechnet werden kann, kommentieren Sie die erwartete Ausgabe und überprüfen Sie sie mit „assertieren“. Testen Sie außerdem die Einheitskonsistenz. Wenn der Test nicht bestanden wird, geben Sie mögliche Gründe an (Einheit, Koeffizient, Formel).“

CODEÜBERPRÜFUNG/DEBUG-VORLAGE „Untersuchen Sie den folgenden Code: [Code]. Überprüfen und markieren Sie Folgendes: (1) Volumenkonsistenz, (2) Risiko eines stillen Datenverlusts, (3) Ausreißerauswirkung, (4) physikalisch unmögliche Ausgabe (negative Stärke, >100 %-Rate). Schreiben Sie, wie Sie für jedes Risiko überprüfen können. Bestätigen Sie den Code nicht als „funktionsfähig“. Geben Sie ihn ohne Tests als unzuverlässig an.“

VISUALISIERUNGSVORLAGE „Zeichnen Sie [Zugkurve/Kontrolldiagramm/Verteilung] mit matplotlib. Fügen Sie EINHEITEN zu den Achsenbeschriftungen hinzu, geben Sie Titel und Raster ein. Markieren Sie Ausreißer anders. Beachten Sie, dass ich das Diagramm visuell überprüfen und den erwarteten Trend überprüfen muss (z. B. zunehmende Spannungs-Dehnung). Verstecken Sie keine Punkte, um die Daten zu „verschönern“.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

SCHWACHE AUFFORDERUNG: „Schreiben Sie mir Code, der die Hall-Petch-Berechnung durchführt.“

STARKE AUFFORDERUNG: „Rolle: Sie sind der Code-Assistent für die Analyse metallurgischer Daten. Schreiben Sie eine Python-Funktion zur Berechnung von Hall-Petch(σy = σ0 + k·d^(-1/2)). Einheiten: d Mikrometer, σ0 und σy MPa, k MPa·µm^(1/2). 50 MPa, k = 300 MPa·µm^0,5 und Test mit Assertion hinzufügen (σy kann ohne Test nicht negativ sein).

Eine schwache Eingabeaufforderung erzeugt Code, der keine Einheit und keinen Test hat und stillschweigend einen Fehler verursachen kann. Starke Eingabeaufforderungen definieren Einheiten klar, erzwingen die Konvertierung, erfordern Tests mit bekannten Antworten und Plausibilitätsprüfungen – so wird der Code überprüfbar.

Ganzheitliche Zusammenfassung des Moduls: Der Platz und die Grenzen von KI in der Metallurgie

Ein einziger Grundsatz wurde in diesem Modul wiederholt: KI ist ein Assistent, kein Entscheidungsträger. In zwölf Einheiten haben wir KI durchgängig eingesetzt, von der Materialauswahl bis zur Eigenschaftsvorhersage, von der Phasenanalyse bis zur Mikrostruktur, von der Wärmebehandlung bis zur Fertigung, von der Qualitätskontrolle bis zur Schadensanalyse, von der Charakterisierung bis zur Standardisierung und der Python-Analyse. In jeder Einheit erklärte die KI Konzepte, generierte Hypothesen, schrieb Entwürfe und Code – aber in keiner Einheit traf sie die Entscheidung allein. Die Grenzen waren klar: Halluzination (erfundene Zahl und Standard), Nichtdelegierbarkeit der sicherheitskritischen Verantwortung, Abhängigkeit von Datenqualität und Messung/Kalibrierung, Risiko der Extrapolation und Vertraulichkeit. Die Disziplin der Verifizierung ist seit jeher beim Menschen im Dreieck Standard-Labor-Konto verblieben.

Häufige Fehler

• Anwenden des Codes auf reale Daten, ohne mit bekannten Antworten zu testen.
• Einheiten nicht klar definieren; Ich übersehe die Verwirrung zwischen MPa/ksi und µm/m.
• Die Anzahl der Zeilen wird während der Datenverarbeitungsschritte nicht gedruckt und der stille Verlust wird nicht bemerkt.
• Sich auf den Mittelwert verlassen, ohne Ausreißer zu visualisieren.
• Akzeptieren Sie die nicht vorhandene Bibliothek/Funktion, die von der KI erstellt wurde, ohne sie auszuführen.
• Angenommen, der Code ist korrekt, weil er „zu funktionieren scheint“; Unterlassene Prüfung der physikalischen Plausibilität.

Zusammenfassend

KI in der metallurgischen Datenanalyse mit Python ist ein leistungsstarker Beschleuniger für Codierung, Debugging und Automatisierung; Der von ihm erzeugte Code kann jedoch Einheitenfehler, falsche Koeffizienten und stillen Datenverlust enthalten. Überprüfen Sie jeden Code mit Known-Antwort-Tests, Einheitenprüfung, Zeilenanzahlverfolgung und physikalischer Plausibilität. Hier, wie im gesamten Modul, ist KI der Assistent: Sie sorgt für Schnelligkeit und Organisation, Genauigkeit und Verantwortung werden vom autorisierten Ingenieur übernommen. Bei sicherheitskritischen metallurgischen Entscheidungen ist die KI-Ausgabe niemals ein Ersatz für Standards, Experimente, Berechnungen und die Genehmigung kompetenter Ingenieure.

Anwendungsaufgabe

Wählen Sie eine metallurgische Berechnung (z. B. Hall-Petch oder einen Zugdatendurchschnitt). Bitten Sie die KI mit der Vorlage „CODE SKELETON“ um einen kommentierten Code, der die Anzahl der Zeilen mit expliziten Einheiten ausgibt. Fügen Sie dann mit der Vorlage „KNOWN ANSWER TEST“ ein Testszenario hinzu, bei dem Sie das Ergebnis manuell kennen, und führen Sie es aus. Wenn der Code nicht den erwarteten Wert liefert, suchen Sie den Fehler (Einheit, Koeffizient, Daten) und beheben Sie ihn. Schreiben Sie abschließend über die KI-Verifizierungsdisziplin, die Sie in diesem Modul gelernt haben, indem Sie sie in drei Artikeln an Ihr eigenes Unternehmen anpassen.

Checkliste

• [ ] Ich habe der KI die Aufgabe, Daten und Einheiten klar definiert.
• [ ] Ich habe die Einheiten mit expliziten Variablen oben im Code definiert.
• [] In den Datenverarbeitungsschritten habe ich die Anzahl der Zeilen gedruckt und den stillen Verlust überprüft.
• [ ] Ich habe den Code mit einem Testfall mit einer bekannten Antwort überprüft.
• [ ] Ich habe die physikalische Plausibilität (negativer/absurder Wert) der Ausgabe überprüft.
• [ ] Ich habe KI als Beschleuniger verwendet; Ich habe Integrität und Verantwortung bewahrt.

Modulprüfung

1. Wenn Sie als Materialingenieur mit einem KI-Tool arbeiten, sollte die letztendliche Verantwortung für welche der folgenden Punkte immer beim Menschen (Rechtsingenieur) liegen?

• A) Genehmigung und Unterzeichnung der Einsatztauglichkeit eines Teils ✔
• B) Erstellung des ersten Entwurfs eines Schadensgutachtens
• C) Bearbeiten der Achsenbeschriftungen eines Mikrostrukturdiagramms
• D) Vorbereiten eines Glossars mit metallurgischen Begriffen für eine Präsentation

Beschreibung: KI; Es kann Aufgaben wie Konzeptklärung, Berichtserstellung, Hypothesenliste und Codeskelett beschleunigen. Allerdings ist die Genehmigung der Eignung eines Teils für den Einsatz/Flug eine Entscheidung, die die Sicherheit von Leben und Eigentum zur Folge hat; können nicht ohne akkreditierte Tests und die Genehmigung eines autorisierten Ingenieurs auf die KI übertragen werden.

2. Sie fragten AI nach der Streckgrenze von AISI 4140-Stahl beim Abschrecken und Anlassen bei 200 °C, und er antwortete: „1500 MPa sicher“. Was ist die erste richtige Maßnahme?

• A) Geben Sie den Wert direkt in das Designkonto ein, da die KI zuversichtlich erscheint
• B) Überprüfung des Werts anhand eines Materialdatenblatts/Werkszertifikats und ggf. Zugversuch, ohne sich auf einen einzelnen Punktwert zu verlassen ✔
• C) Den Wert nach dem Zufallsprinzip verringern, um auf der sicheren Seite zu bleiben
• D) Akzeptieren Sie den Wert und gehen Sie direkt zum Wärmebehandlungsrezept

Erläuterung: Sprachmodelle können überzeugend unbegründete Zahlen fabrizieren (Halluzination). Streckgrenze; Sie schwankt je nach Anlasstemperatur, Abschnittsdicke und Härtbarkeit in einem weiten Bereich. Es ist notwendig, den Wert aus dem Werkszertifikat oder dem Zugversuch gemäß der Norm zu erhalten und darf keine Einzelpunkt-KI-Ausgabe in die Konstruktion einbeziehen.

3. Mit einem maschinellen Lernmodell, das die Eigenschaften eines Stahls vorhersagt, hat die KI einen „sicheren“ Wert für eine Legierung erzeugt, die weit außerhalb des Zusammensetzungsbereichs in den Trainingsdaten liegt. Was ist das Hauptproblem bei dieser Ausgabe?

• A) Das Modell gibt Ergebnisse immer in Prozent an, MPa ist falsch
• B) Die Vorhersage ist unzuverlässig, da sie außerhalb des Trainingsdatenbereichs erfolgt (Extrapolation) und durch Experiment verifiziert werden muss ✔
• C) Das Modell funktioniert nur für Edelstahl
• D) Die Ausgabe des Modells ist immer genau doppelt so hoch wie der tatsächliche Wert

Erläuterung: Modelle des maschinellen Lernens funktionieren innerhalb des Bereichs der Trainingsdaten (Interpolation) einigermaßen; Außerhalb dieses Bereichs (Extrapolation) werden Vorhersagen unzuverlässig und das Modell zeigt dies oft nicht an. Der an einem Punkt außerhalb der Trainingsdatenverteilung generierte Wert kann ohne experimentelle Validierung nicht verwendet werden.

4. Sie haben KI angewendet, um das Phasenverhältnis in einer Zweiphasenlegierung zu berechnen. Welchen Input sollte die KI bei der Anwendung der „Hebelregel“ richtig nutzen?

• A) Nur Temperatur; Kombinationen sind unnötig
• B) Nur die Dichte der Legierung
• C) Gesamtzusammensetzung der Legierung mit Phasengrenzzusammensetzungen bei der relevanten Temperatur ✔
• D) Nur die Schmelztemperatur

Erläuterung: Die Hebelregel gibt die Phasenmengen anhand der Abstände zwischen den Phasengrenzzusammensetzungen (z. B. den Zusammensetzungen der festen und flüssigen Phase) und der Gesamtzusammensetzung der Legierung bei einer bestimmten Temperatur an. Wenn die Phasengrenzenkombinationen falsch gelesen werden, ist das Verhältnis völlig falsch; Daher ist eine Bestätigung der Werte aus dem Phasendiagramm zwingend erforderlich.

5. Sie haben die Korngröße anhand der Mikrostruktur mit einem KI-gestützten Bildverarbeitungsablauf gemessen, aber vergessen, die Maßstabsleiste auf Pixel zu kalibrieren. Warum ist das Ergebnis unzuverlässig?

• A) Alle Dimensionsmessungen haben den falschen Maßstab, da keine Pixellängenkalibrierung durchgeführt wurde ✔
• B) Die Messung ist verzerrt, da ein Farbbild verwendet wird
• C) Die Korngröße kann nur mittels REM gemessen werden, die optische Mikroskopie ist ungenau
• D) Eine Messung ist nicht erforderlich, da die Bildauflösung hoch ist

Beschreibung: In der quantitativen Metallographie entspricht jedes Pixel einer Länge; Wenn diese Transformation nicht mit der Maßstabsleiste kalibriert ist, werden alle Dimensionsmessungen wie Korngröße, Phasenverhältnis und Porosität im falschen Maßstab angezeigt. Die Kalibrierung ist der erste und obligatorische Schritt der bildbasierten Messung.

6. AI schlug ein Wärmebehandlungsrezept (Austenitisieren + Abschrecken + Anlassen) vor, um die Zielhärte für einen Stahl zu erreichen. Was ist der beste Schritt vor der Anwendung des Rezepts?

• A) Das Rezept direkt auf die Massenproduktion anwenden
• B) Tragen Sie die Rezeptur auf das Probestück auf, messen Sie die Härte/Mikrostruktur und vergleichen Sie sie mit dem Standard ✔
• C) Erhöhen Sie sicherheitshalber einfach wahllos die Anlasstemperatur
• D) Korrektur und Genehmigung nur der Schreibweise des Rezepts

Beschreibung: Durch Wärmebehandlung; Die Dicke des Teilequerschnitts und die Härtbarkeit (Jominy) variieren stark je nach der Realität des Ofens und der Kühlumgebung. Das von der KI gegebene Rezept ist eine Ausgangshypothese; Es sollte überprüft werden, indem man es auf das Probestück aufträgt, die Härte und Mikrostruktur misst und es mit dem Standard vergleicht.

7. Sie haben die KI nach einer „spezifischen Stoffnummer“ einer ASTM-Norm für einen Materialgrenzwert gefragt und sie hat mit einem genauen Wert geantwortet. Was ist das richtige technische Verhalten?

• A) Den Wert direkt in den Bericht schreiben, da die KI auf dem neuesten Stand ist
• B) Den Wert zufällig ändern, um auf der sicheren Seite zu bleiben
• C) Überprüfen Sie die Stoffnummer, Version und den Wert anhand des offiziellen und aktuellen Normtextes ✔
• D) Hinzufügen der Artikelnummer zur Konformitätsdatei ohne Prüfung

Erläuterung: Selbst wenn Sprachmodelle den Standardnamen korrekt kennen, können sie sich die Artikelnummer, die Version und den Haltepunkt möglicherweise falsch merken oder erfinden. In verbindlichen Bereichen wie ASTM/ISO/EN muss jeder Stoff und Wert wörtlich anhand der offiziellen und aktuellen Quelle überprüft werden; Die KI-Ausgabe zeigt nur, wo man suchen muss.

8. Sie haben der KI das Foto der gebrochenen Oberfläche eines Bolzens gezeigt und die Antwort erhalten: „Das ist definitiv ein Ermüdungsbruch.“ Was ist der richtige Ansatz zur Ursachenanalyse?

• A) Die Diagnose direkt in den Bericht schreiben, weil KI präzise spricht
• B) Erhöhen Sie einfach die Auflösung des Fotos und bestätigen Sie die Diagnose
• C) Einbau eines neuen Teils ohne Untersuchung der gebrochenen Oberfläche
• D) Bestätigen Sie die Diagnose als Hypothese mit Fraktographie, Ladungsverlauf und Mikrostrukturnachweisen ✔

Beschreibung: Interpretation gebrochener Oberflächen; Die Fraktographie (Streifenbildung, Strandlinien, Grübchen-/Spaltungstrennung mit REM) erfordert die gemeinsame Berücksichtigung von Belastungsverlauf, Umgebung und Mikrostrukturnachweisen. Die endgültige Diagnose, die KI anhand eines einzelnen Fotos stellt, ist eine Hypothese; Ohne Bestätigung durch Laborbefunde kann die Ursache nicht festgestellt werden.

9. AI ordnete einen Peak einer bestimmten Phase in einem XRD-Muster (Röntgenbeugung) zu. Welche Methode eignet sich am besten für eine zuverlässige Phasenidentifizierung?

• A) Abgleich des Peaks mit der Referenzmusterdatenbank (z. B. PDF-Karten) und Prüfung auf Überlappung und Artefakte ✔
• B) Den Auftrag direkt annehmen, weil die KI den Phasennamen sagt
• C) Betrachten Sie nur den höchsten Gipfel und ignorieren Sie den Rest
• D) Färben Sie das Muster und machen Sie es optisch schön

Beschreibung: Die Identifizierung der XRD-Phase erfolgt durch den Abgleich der gemessenen Peakpositionen und -intensitäten mit bekannten Referenzmustern (z. B. ICDD/PDF-Karten). Die isolierte Zuordnung eines einzelnen Peaks ist irreführend; Überlappende Peaks, Vorzugsorientierung und Hintergrundartefakte sollten berücksichtigt und die Zuordnung mit der Referenzdatenbank bestätigt werden.

10. Ein von AI erstellter Schadens-/Inspektionsberichtsentwurf enthält technische Werte, die fließend, aber unbekannter Herkunft sind. Was ist das richtige Verhalten?

• A) Präsentieren Sie den Bericht so, wie er ist, da der Text flüssig ist
• B) Runden und Glossieren der Werte
• C) Lesen Sie einfach die Zusammenfassung und überspringen Sie den Rest
• D) Ordnen Sie jeden Wert der ursprünglichen Messung/Quelle zu und entfernen Sie das unbestätigte ✔

Beschreibung: Jeder technische Wert im Bericht; Es muss auf Messungen, kalibrierte Geräteaufzeichnungen, Standard- oder Herstellerdaten rückführbar sein. Auch wenn es sich um einen Wert in einem fließenden Satz handelt, sollte keine Zahl, deren Quelle nicht überprüft wurde, in den Bericht oder die Entscheidungsgrundlage aufgenommen werden; Andernfalls wird dem haftungsbegründenden Dokument ein fiktiver Wert übertragen.

11. Was ist der beste Schritt vor der Verwendung einer KI-generierten Python-Berechnung (z. B. Hall-Petch-Beziehung für Korngröße-Streckgrenze)?

• A) Anwenden des Codes direkt auf tatsächliche Produktionsdaten
• B) Stellen Sie einfach sicher, dass der Code kurz und übersichtlich aussieht
• C) Führen Sie den Code in einem Testszenario mit bekannten Ergebnissen aus und überprüfen Sie die Einheiten und die Ausgabe ✔
• D) Löschen eines Teils des Codes, um ihn zu kürzen

Erläuterung: Ein Code erscheint möglicherweise richtig, liefert aber ein falsches Ergebnis: Möglicherweise liegt ein Einheitenfehler, ein falscher Koeffizient oder ein Formelfehler vor. Wenn Sie den Code in einem kleinen Testfall ausführen, bei dem Sie das Ergebnis manuell kennen, es mit der erwarteten Ausgabe vergleichen und die Einheiten überprüfen, wird der Fehler erkannt, bevor er in die tatsächliche Entscheidung übernommen wird.

12. Sie möchten die noch nicht patentierten Legierungsrezepte und Prozessparameter Ihres Unternehmens in ein öffentlich verfügbares KI-Tool einfügen und fordern eine Analyse an. Welcher Ansatz ist der richtige?

• A) Fügen Sie das Rezept so ein, wie es ist, um es schneller zu machen
• B) Es reicht aus, nur den Firmennamen zu löschen und alle verbleibenden Parameter mitzuteilen.
• C) Teilen der Daten und anschließende Aufforderung an die KI, sie zu löschen
• D) Überprüfung der institutionellen Richtlinien und Anonymisierung der Daten oder Verwendung eines sicheren/institutionellen Tools ✔

Beschreibung: Legierungsrezepte, Prozessparameter und Kundenspezifikationen sind Geschäftsgeheimnisse und schützen das geistige Eigentum. Vor der Weitergabe von Daten ist es notwendig, die Unternehmensrichtlinien zu überprüfen, sie zu anonymisieren oder ein institutionelles/vor-Ort-Tool zu verwenden, das die Daten nicht versendet.

13. Das KI-gestützte SPC-System (statistische Prozesskontrolle) meldete, dass in einer Produktionscharge ein Kontrollkartengrenzwert überschritten wurde. Was ist das richtige technische Verhalten?

• A) Ignorieren Sie die Warnung und setzen Sie die Produktion fort
• B) Erweiterung der Kontrollgrenzen, sodass keine Warnung auftritt
• C) Betrachten Sie die Warnung als Auslöser, bestätigen Sie die Messung, untersuchen Sie die Grundursache und entscheiden Sie anhand von Akzeptanzkriterien ✔
• D) Direktes Aussortieren der gesamten Charge ohne Messung

Erläuterung: Das Überschreiten des Regelkartengrenzwerts ist eine Warnung; Die Grundursache ist nicht automatisch offensichtlich. Dies kann ein Messfehler, ein Probenahmeproblem oder eine tatsächliche Prozessabweichung sein. Der richtige Ansatz besteht darin, die Warnung als Auslöser zu betrachten, die Messung zu bestätigen, die Grundursache zu untersuchen und eine Entscheidung auf der Grundlage der Akzeptanzkriterien und des NDT-/Untersuchungsergebnisses zu treffen.

14. Durch die KI-gestützte Bildbeurteilung eines Gussteils wurde eine Zone als „akzeptabel“ markiert. Was ist der richtige Ansatz für ein sicherheitskritisches Teil?

• A) Berücksichtigung der KI-Vorbewertung als Screening-Tool und Verknüpfung der endgültigen Abnahme mit dem NDT-Ergebnis und der genehmigten Genehmigung ✔
• B) Betrachten Sie die KI-Bewertung als endgültige Abnahme und geben Sie das Teil frei
• C) Fahren Sie mit dem nächsten Prozess fort, ohne das Teil überhaupt zu prüfen
• D) Es reicht aus, die Oberfläche des Teils lediglich visuell zu prüfen.

Beschreibung: Interne Gussfehler (Porosität, Schrumpfung, Einschlüsse) sind oft von der Oberfläche aus unsichtbar und werden durch zerstörungsfreie Prüfungen (ZfP: Radiographie, Ultraschall) bewertet. Die vorläufige Bewertung, die die KI durch das Bild liefert, ist ein Screening-Tool; Die Endabnahme des sicherheitskritischen Teils erfolgt mit NDT und autorisierter Abnahmegenehmigung gemäß Norm.