Κέρδη:
- Δυνατότητα αναγνώρισης τύπων δεδομένων δοκιμών όπως δυναμόμετρο, δοκιμή δρόμου, αντοχή και DVP&R και τη θέση τους στη διαδικασία επαλήθευσης
- Δυνατότητα χρήσης τεχνητής νοημοσύνης για σύνοψη, επισήμανση ανωμαλιών και πρόχειρων αναφορών σε μεγάλα σύνολα δεδομένων δοκιμών
- Δυνατότητα αλληλοεπικύρωσης της ερμηνείας δοκιμής του AI με κριτήρια αβεβαιότητας μέτρησης, επαναληψιμότητας και αποδοχής
Η απάντηση στην ερώτηση "ανταποκρίνεται στις απαιτήσεις" πριν ένα όχημα ή εξάρτημα βγει στην παραγωγή κρύβεται στα δεδομένα δοκιμών και επαλήθευσης. Οι δοκιμές στην αυτοκινητοβιομηχανία εκτείνονται από το εργαστήριο (δυναμόμετρο, κλιματικός θάλαμος, πίνακας κραδασμών) μέχρι το δρόμο (δοκιμές δρόμου, πίστα αντοχής) και το εργαστήριο πρόσκρουσης. Αυτά τα τεστ παράγουν τεράστια δεδομένα: ένα μόνο τεστ αντοχής μπορεί να περιέχει εκατομμύρια σειρές εγγραφών αισθητήρων. Σε αυτή την ενότητα, θα δούμε τους τύπους αυτών των δεδομένων, τη θέση τους στη διαδικασία επαλήθευσης και πώς η τεχνητή νοημοσύνη βοηθά στην ανάλυση (αλλά πώς η απόφαση παραμένει στον μηχανικό).
Τι είναι η επαλήθευση και η επικύρωση;
Οι δύο όροι συχνά συγχέονται:
- Επαλήθευση: "Κατασκευάσαμε σωστά το προϊόν;" Μετρά τη συμμόρφωση με την απαίτηση. Παράδειγμα: "Η προδιαγραφή απόστασης πέδησης λέει 38 μέτρα, το μετρήσαμε, 36,5 μέτρα. Κατάλληλο."
- Επικύρωση: "Φτιάξαμε το σωστό προϊόν;" Καλύπτει τις ανάγκες σε πραγματική χρήση; Παράδειγμα: "Βρίσκουν οι οδηγοί αυτό το φρένο ασφαλές;"
Στην αυτοκινητοβιομηχανία, η διαχείριση αυτής της διαδικασίας γίνεται συνήθως με το έγγραφο DVP&R (Σχέδιο και αναφορά επαλήθευσης σχεδίασης): είναι ένας πίνακας που παραθέτει ποια απαίτηση θα δοκιμαστεί με ποια δοκιμή, με ποια κριτήρια αποδοχής και το αποτέλεσμα.
Τυπικοί τύποι δεδομένων δοκιμής
Τύπος δοκιμής
Ποια μέτρα
δείγματα δεδομένων
Δυναμόμετρο (dyno)
Ισχύς κινητήρα, ροπή, εκπομπές ρύπων
Καμπύλη RPM-ροπής, κατανάλωση καυσίμου
οδική δοκιμή
Συμπεριφορά πραγματικής κατάστασης
GPS, επιτάχυνση, σήματα οδήγησης
ανθεκτικότητα
δια βίου κόπωση
Δόνηση, καταπόνηση, αριθμός κύκλων
κλίμα/περιβάλλον
Αντοχή σε ζεστό-κρύο-υγρασία
θερμοκρασία, κατάσταση λειτουργίας
NVH
Θόρυβος/δόνηση
Ηχητική πίεση, φάσμα επιτάχυνσης
Σύγκρουση (σύγκρουση)
Ασφάλεια
Βίντεο υψηλής ταχύτητας, εικονικοί αισθητήρες
Κάθε δοκιμή έχει ένα κριτήριο αποδοχής (απαίτηση). Η ανάλυση είναι να αποδείξει εάν τα δεδομένα πληρούν αυτό το κριτήριο.
Τι κάνει η τεχνητή νοημοσύνη στην ανάλυση δοκιμών;
Το AI είναι ένας ισχυρός βοηθός στην ανάλυση δεδομένων δοκιμών για:
- Σύνοψη: Στατιστική περίληψη, μέγιστες τιμές, κατανομή από εκατομμύρια σειρές.
- Σήμανση ανωμαλίας: "Υπάρχει μια απροσδόκητη πτώση ροπής στα 214 δευτερόλεπτα σε αυτήν την εγγραφή."
- Σύγκριση προτύπων: Σύγκριση δύο δοκιμών ή διαφορετικών οχημάτων και εύρεση διαφορών.
- Πρόχειρο αναφοράς: Σύνταξη του κειμένου των αποτελεσμάτων DVP&R και των γραφικών επεξηγήσεων.
- Βοήθεια κώδικα: Δημιουργία σεναρίου ανάλυσης (Python).
Αλλά να είστε προσεκτικοί: όλα αυτά είναι σκίτσα και υποδείξεις. Ο μηχανικός δοκιμής είναι αυτός που αποφασίζει εάν το τεστ θα περάσει ή όχι και εάν μια ανωμαλία είναι πραγματική ή ένα σφάλμα μέτρησης.
Συμβουλή: Ρωτήστε το AI "πέρασε αυτό το τεστ;" Αντί να ρωτήσω, "Ποιες περιοχές σε αυτά τα δεδομένα παρουσιάζουν κίνδυνο σύμφωνα με τα κριτήρια αποδοχής, ποιους πρόσθετους ελέγχους πρέπει να κάνω;" παρακαλώ. Το πρώτο απαιτεί αποφάσεις (όχι τη δουλειά του AI), το δεύτερο απαιτεί υποδείξεις (η δουλειά του AI).
Αβεβαιότητα και επαναληψιμότητα μέτρησης
Καμία μέτρηση δεν είναι τέλεια. Δύο έννοιες είναι κρίσιμες:
- Αβεβαιότητα μέτρησης: Το φυσικό περιθώριο σφάλματος μιας συσκευής μέτρησης. Εάν η απόσταση πέδησης είναι "36,5 m" και η αβεβαιότητα είναι ±0,8 m, η πραγματική τιμή είναι μεταξύ 35,7-37,3 m. Εάν η προδιαγραφή είναι 38 μέτρα, είστε ασφαλείς. αλλά αν η προδιαγραφή ήταν 37 m, η αβεβαιότητα θα ήταν πολύ κοντά στο όριο.
- Επαναληψιμότητα: Λαμβάνετε παρόμοια αποτελέσματα όταν κάνετε ξανά το ίδιο τεστ; Ένα μόνο τρέξιμο μπορεί να πέρασε τυχαία. Στην αυτοκινητοβιομηχανία, οι κρίσιμες δοκιμές επαναλαμβάνονται πολλές φορές, σε διαφορετικά οχήματα/συνθήκες.
Η "ανωμαλία" που επισημαίνεται από μια τεχνητή νοημοσύνη μπορεί στην πραγματικότητα να είναι θόρυβος μέτρησης. Η αβεβαιότητα και ο διπλός έλεγχος είναι απαραίτητα πριν λάβετε μια απόφαση.
Προσοχή: Η τεχνητή νοημοσύνη που λέει "επιτυχία κριτηρίων αποδοχής" είναι παραπλανητική εάν δεν λαμβάνει υπόψη την αβεβαιότητα και την αλληλεπικάλυψη των μετρήσεων. Σε αποτελέσματα κοντά στο όριο, το περιθώριο αβεβαιότητας μπορεί να αλλάξει το αποτέλεσμα της δοκιμής.
Μίνι περιπτωσιολογικές μελέτες
Περίπτωση 1 - Ανωμαλία ή θόρυβος; Σε μια δοκιμή αντοχής, το AI σημειώνει 3 ξαφνικά άλματα στο σήμα καταπόνησης. Ο μηχανικός δοκιμής εξετάζει τα πρωτογενή δεδομένα: τα άλματα αντιστοιχούν στις ακριβείς στιγμές κατά την επανεκκίνηση του καταγραφικού δεδομένων. Επομένως, δεν είναι ένα πραγματικό δομικό γεγονός, είναι μια διακοπή εγγραφής. Οι ανωμαλίες τεκμηριώνονται ότι είναι τεχνουργήματα. Αποτέλεσμα: Η τεχνητή νοημοσύνη παρείχε ένδειξη, ο μηχανικός απομόνωσε τη βασική αιτία. η αυτόματη σφραγίδα "αστοχίας" θα ήταν λάθος.
Περίπτωση 2 - Αποτέλεσμα κοντά στα όρια. Η μέση απόσταση σε μια δοκιμή πέδησης είναι 37,4 m, η προδιαγραφή είναι 38 m. Το AI λέει "πέρασε". Ο μηχανικός αντιλαμβάνεται την αβεβαιότητα της μέτρησης (±0,9 m) και ότι έχουν γίνει μόνο 2 διαδρομές. Το ανώτερο όριο υπερβαίνει την προδιαγραφή των 38,3 m. Η δοκιμή αυξάνεται σε 6 διαδρομές και οι συνθήκες (καυτό φρένο, φορτωμένο όχημα) ποικίλλουν. Το αποτέλεσμα επιβεβαιώνεται ασφαλές. Συμπέρασμα: Το να λες «πέρασε» χωρίς αμφισημίες και επαναλήψεις είναι ριψοκίνδυνο.
Περίπτωση 3 - Η δύναμη της γρήγορης σύνοψης. Μία δοκιμή NVH έχει 40 GB δεδομένων από 12 όργανα. Το AI εξάγει έναν πίνακα και σύγκριση που συνοψίζει τις μέγιστες συχνότητες και πλάτη για κάθε εργαλείο. Ο μηχανικός στρέφει την προσοχή του σε 2 προβληματικά οχήματα σε 20 λεπτά αντί για 2 ώρες. Στη συνέχεια, εξετάζει το ακατέργαστο φάσμα αυτών των δύο οχημάτων με τα χέρια του. Αποτέλεσμα: Το AI έκανε την εξάλειψη, ο μηχανικός έκανε τη βαθιά ανάλυση.
πρότυπα προτροπής
Πρότυπο 1 - Περίληψη δοκιμής:
Ρόλος: Είστε ο αναλυτής δεδομένων δοκιμής. Εργασία: Συνοψίστε το αρχείο δυναμομέτρου παρακάτω. Περιεχόμενο: Δεδομένα RPM, 1000-6000 rpm. κριτήριο αποδοχής: μέγιστη ροπή τουλάχιστον 320 Nm, καμία κατάρρευση στην καμπύλη ισχύος. Περιορισμός: «Επιτυχία/αποτυχία» λήψη αποφάσεων. Καταγράψτε τις ζώνες κινδύνου και τις πρόσθετες συστάσεις ελέγχου σύμφωνα με κριτήρια. Έξοδος: Συνοπτικά στατιστικά στοιχεία + ζώνη κινδύνου + προτεινόμενος έλεγχος.
Πρότυπο 2 - Ανάλυση ανωμαλιών:
Ρόλος: Είστε ειδικός σε μετρήσεις και όργανα. Εργασία: Καθοδηγήστε με να διακρίνω εάν οι ανωμαλίες που επισημαίνονται είναι πραγματικά γεγονότα ή τεχνουργήματα μέτρησης. Πλαίσιο: 3 ξαφνικά άλματα στο σήμα καταπόνησης. Η συσκευή εγγραφής επανεκκινείται κατά διαστήματα. Έξοδος: Πιθανή εξήγηση + διακριτικός έλεγχος για κάθε ανωμαλία.
Πρότυπο 3 - Αξιολόγηση αβεβαιότητας:
Ρόλος: Είστε σύμβουλος μετρολογίας (επιστήμη της μέτρησης). Εργασία: Αξιολογήστε την ασφάλεια του αποτελέσματος σύμφωνα με τα κριτήρια αποδοχής. Πλαίσιο: Μετρημένη τιμή 37,4 m, αβεβαιότητα ±0,9 m, προδιαγραφές38 m, αριθμός διαδρομών 2. Περιορισμός: Φροντίστε να λάβετε υπόψη τον αριθμό αβεβαιότητας και αβεβαιότητας. τονίστε την εγγύτητα στο όριο.Εξόδου: Αξιολόγηση + σύσταση για πρόσθετες δοκιμές + εναπομείναν κίνδυνος.
Πρότυπο 4 - Πρόχειρο αναφοράς DVP&R:
Ρόλος: Είστε ο μηχανικός επαλήθευσης. Εργασία: Γράψτε ένα προσχέδιο κειμένου αποτελέσματος DVP&R για τα ακόλουθα αποτελέσματα δοκιμής. Πλαίσιο: Η απαίτηση, η μέθοδος δοκιμής, το κριτήριο αποδοχής και η μετρούμενη τιμή πληρούνται (ανώνυμα). Περιορισμός: Μόνο σχέδιο. Μην χρησιμοποιείτε την αυστηρή δήλωση «εγκρίνεται», αφήστε χώρο για έγκριση μηχανικού. Έξοδος: Απαίτηση | δοκιμή | κριτήριο | αποτέλεσμα | κατάσταση (πρόχειρο).
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Κοιτάξτε αυτά τα δεδομένα της δοκιμής, πέρασε;
Χωρίς κριτήρια αποδοχής, ασάφεια και επανάληψη. Το AI λέει ένα τυφλό «πέρασμα/αποτυχία», το οποίο είναι επικίνδυνο.
Ισχυρή προτροπή:
Ρόλος: Είστε αναλυτής δεδομένων δοκιμών αυτοκινήτου. Εργασία: Αναλύστε τα συνημμένα δεδομένα δοκιμής πέδησης σε σχέση με τα κριτήρια αποδοχής και συμβουλέψτε ποια πρόσθετα στοιχεία χρειάζονται για την απόφαση. Πλαίσιο: Κριτήριο 38 m; αβεβαιότητα μέτρησης ±0,9 m; Υπάρχουν 2 συνθήκες. Το φορτίο του οχήματος ελέγχεται σε μία συνθήκη. Περιορισμός: Δήλωση 'Επιτυχής'. Καταγράψτε τους κινδύνους και τις προτεινόμενες πρόσθετες συνθήκες όσον αφορά την αβεβαιότητα και την επικάλυψη. Εκροές: Κίνδυνος | αιτιολόγηση | συνιστάται πρόσθετος πίνακας δοκιμών.
Συνήθη λάθη
- Κάνοντας το AI να λάβει μια απόφαση go/fail. Η απόφαση λαμβάνεται από τον μηχανικό. Το AI δίνει ενδείξεις.
- Αγνοώντας την αβεβαιότητα των μετρήσεων. Σε αποτελέσματα κοντά στο όριο, η αβεβαιότητα αλλάζει το αποτέλεσμα.
- Βασιζόμενος σε ένα τρέξιμο. Χωρίς επαναληψιμότητα το αποτέλεσμα είναι εύθραυστο.
- Θεωρήστε αμέσως την ανωμαλία ως «δυσλειτουργία». Μπορεί να υπάρχει τεχνούργημα/θόρυβος εγγραφής. Επιστροφή στα πρωτογενή δεδομένα.
- Τυφλή αντιγραφή της αναφοράς. Το σχέδιο AI δεν μπορεί να γίνει επίσημο έγγραφο χωρίς έγκριση και διόρθωση μηχανικού.
Συνοπτικά
- Μέτρα επαλήθευσης συμμόρφωσης με την απαίτηση, μέτρα επικύρωσης συμμόρφωση με την πραγματική ανάγκη. Το DVP&R διαχειρίζεται αυτήν τη διαδικασία.
- Είναι ένας ισχυρός βοηθός στη σύνοψη, τη σήμανση ανωμαλιών, τη σύγκριση και τη σύνταξη αναφορών για δεδομένα δοκιμών AI.
- Η απόφαση (επιτυχία/αποτυχία) εναπόκειται στον μηχανικό. Υπαινιγμοί AI, όχι σημάδια.
- Χωρίς αβεβαιότητα μέτρησης και επαναληψιμότητα, το αποτέλεσμα δεν μπορεί να ερμηνευτεί. Τα αποτελέσματα κοντά στο όριο απαιτούν ιδιαίτερη προσοχή.
- Οι ανωμαλίες πρέπει να διαχωριστούν με ακατέργαστα δεδομένα για να καθοριστεί εάν είναι πραγματικά γεγονότα ή τεχνουργήματα μέτρησης.
Εργασία εφαρμογής
Επιλέξτε μια δοκιμή (π.χ. κρύα εκκίνηση στον θάλαμο κλιματισμού). (1) Γράψτε την απαίτηση, τη μέθοδο δοκιμής και τα κριτήρια αποδοχής. (2) Ζητήστε μια σύνοψη και ανάλυση ζώνης κινδύνου με το Πρότυπο 1 (χωρίς να ζητήσετε απόφαση). (3) Αξιολογήστε ένα φανταστικό αποτέλεσμα κοντά στο όριο αβεβαιότητας με το Πρότυπο 3. (4) Δημιουργήστε ένα προσχέδιο DVP&R χρησιμοποιώντας το Πρότυπο 4, υποδεικνύοντας ποιες περιοχές αφήνετε για έγκριση μηχανικού.
λίστα ελέγχου
- [ ] Έχω γράψει ξεκάθαρα τις απαιτήσεις και τα κριτήρια αποδοχής.
- [ ] Ζήτησα από το AI ένα ρίσκο/υπόδειξη, όχι μια απόφαση.
- [ ] Συμπεριέλαβα την αβεβαιότητα της μέτρησης στο αποτέλεσμα.
- [ ] Αξιολόγησα την ικανότητα επαναληψιμότητας (αριθμός εκτελέσεων).
- [ ] Εξέτασα τις ανωμαλίες με ακατέργαστα δεδομένα κάνοντας μια διάκριση μεταξύ γεγονότος και τεχνουργήματος.
- [ ] Σημείωσα το προσχέδιο της έκθεσης για έγκριση μηχανικού.