تجزیه و تحلیل داده های آزمون و اعتبارسنجی — هوش مصنوعی در مهندسی خودرو

سود:

امکان تشخیص انواع داده های تست مانند دینامومتر، تست جاده، استقامت و DVP&R و جایگاه آنها در فرآیند تایید
امکان استفاده از هوش مصنوعی برای خلاصه‌سازی، پرچم‌گذاری ناهنجاری‌ها و پیش‌نویس گزارش‌ها در مجموعه داده‌های آزمایشی بزرگ
امکان تایید متقابل تفسیر تست هوش مصنوعی با عدم قطعیت اندازه گیری، تکرارپذیری و معیارهای پذیرش

پاسخ به سوال "آیا الزامات را برآورده می کند" قبل از اینکه یک وسیله نقلیه یا قطعه وارد تولید شود در داده های تست و تأیید پنهان می شود. آزمایش در خودرو از آزمایشگاه (دینامومتر، اتاق آب و هوا، جدول ارتعاش) تا جاده (تست جاده، مسیر استقامت) و آزمایشگاه تصادف گسترش می یابد. این آزمایش‌ها داده‌های عظیمی را تولید می‌کنند: یک تست استقامتی می‌تواند حاوی میلیون‌ها ردیف رکورد حسگر باشد. در این واحد، انواع این داده ها، جایگاه آن در فرآیند تأیید و اینکه چگونه هوش مصنوعی در تجزیه و تحلیل کمک می کند (اما اینکه چگونه تصمیم با مهندس باقی می ماند) را خواهیم دید.

تایید و تایید چیست؟

این دو اصطلاح اغلب با هم اشتباه گرفته می شوند:

تأیید: "آیا ما محصول را به درستی ساختیم؟" انطباق با الزامات را اندازه گیری می کند. مثال: "مشخصات فاصله ترمز می گوید 38 متر؛ ما آن را اندازه گیری کردیم، 36.5 متر. مناسب است."
اعتبارسنجی: "آیا ما محصول مناسبی ساخته ایم؟" آیا در استفاده واقعی نیازها را برآورده می کند؟ مثال: "آیا رانندگان این ترمز را احساس امنیت می کنند؟"

در خودرو، این فرآیند معمولاً با سند DVP&R (طرح و گزارش تأیید طراحی) مدیریت می‌شود: جدولی است که فهرستی از الزامات با کدام آزمون، با کدام معیار پذیرش و نتیجه را نشان می‌دهد.

انواع داده های آزمایشی معمولی

نوع تست

چه اقداماتی

داده های نمونه

دینامومتر (دینو)

قدرت موتور، گشتاور، آلایندگی

منحنی RPM-گشتاور، مصرف سوخت

تست جاده

رفتار شرایط واقعی

GPS، شتاب، سیگنال های رانندگی

دوام

خستگی مادام العمر

لرزش، کرنش، تعداد چرخه

آب و هوا/محیط زیست

مقاومت در برابر گرما-سرما-رطوبت

دما، وضعیت کار

NVH

نویز/ارتعاش

فشار صوت، طیف شتاب

برخورد (تصادف)

امنیت

ویدئو با سرعت بالا، سنسورهای ساختگی

هر آزمون یک معیار پذیرش (نیاز) دارد. تجزیه و تحلیل برای اثبات این است که آیا داده ها از این معیار عبور می کنند یا خیر.

هوش مصنوعی در تجزیه و تحلیل تست چه می کند؟

هوش مصنوعی یک دستیار قدرتمند در تجزیه و تحلیل داده های آزمایشی است که به شرح زیر است:

خلاصه سازی: خلاصه آماری، مقادیر پیک، توزیع از میلیون ها ردیف.
علامت گذاری ناهنجاری: "یک افت گشتاور غیرمنتظره در 214 ثانیه در این ضبط وجود دارد."
مقایسه الگو: مقایسه دو مسیر آزمایشی یا خودروهای مختلف و یافتن تفاوت‌ها.
پیش نویس گزارش: پیش نویس متن نتیجه DVP&R و توضیحات گرافیکی.
کمک کد: تولید اسکریپت تحلیل (پایتون).

اما مراقب باشید: اینها همه طرح ها و نکات هستند. این مهندس آزمایش است که تصمیم می گیرد که آیا آزمون قبول می شود یا خیر و اینکه آیا یک ناهنجاری واقعی است یا یک خطای اندازه گیری.

نکته: از هوش مصنوعی بپرسید "آیا این تست موفق شد؟" به جای اینکه بپرسید "کدام مناطق در این داده ها خطر را بر اساس معیارهای پذیرش نشان می دهند، چه بررسی های اضافی باید انجام دهم؟" بپرسید اولی نیاز به تصمیم گیری دارد (وظیفه هوش مصنوعی نیست)، دومی به نکاتی نیاز دارد (وظیفه هوش مصنوعی).

عدم قطعیت اندازه گیری و تکرارپذیری

هیچ اندازه گیری کامل نیست. دو مفهوم حیاتی است:

عدم قطعیت اندازه گیری: حاشیه خطای طبیعی یک دستگاه اندازه گیری. اگر فاصله ترمز "36.5 متر" و عدم قطعیت ± 0.8 متر باشد، مقدار واقعی بین 35.7-37.3 متر است. اگر مشخصات 38 متر است، شما ایمن هستید. اما اگر مشخصات 37 متر بود، عدم قطعیت بسیار نزدیک به حد خواهد بود.
تکرارپذیری: آیا با انجام مجدد همان آزمایش، نتایج مشابهی دریافت می کنید؟ یک دویدن ممکن است به طور تصادفی گذشته باشد. در خودرو، تست های حیاتی چندین بار در وسایل نقلیه/شرایط مختلف تکرار می شوند.

«ناهنجاری» پرچم‌گذاری شده توسط هوش مصنوعی ممکن است در واقع نویز اندازه‌گیری باشد. عدم اطمینان و بررسی مجدد قبل از تصمیم گیری ضروری است.

احتیاط: گفتن «معیارهای پذیرش گذرانده شده توسط هوش مصنوعی» فریبنده است اگر عدم قطعیت و تکراری بودن اندازه‌گیری را در نظر نگیرد. در نتایج نزدیک به حد مجاز، حاشیه عدم قطعیت ممکن است نتیجه آزمون را تغییر دهد.

مطالعات موردی کوچک

مورد 1 - ناهنجاری یا نویز؟ در تست استقامت، هوش مصنوعی 3 پرش ناگهانی را در سیگنال کرنش نشان می دهد. مهندس آزمایش به داده‌های خام نگاه می‌کند: جهش‌ها دقیقاً مربوط به لحظاتی است که دیتالاگر دوباره راه‌اندازی می‌شود. بنابراین این یک رویداد ساختاری واقعی نیست، یک قطع ثبت نام است. ناهنجاری ها به عنوان مصنوعات مستند شده اند. نتیجه: هوش مصنوعی سرنخ ارائه کرد، مهندس علت اصلی را جدا کرد. مهر خودکار "شکست" اشتباه خواهد بود.

مورد 2 - نتیجه نزدیک به مرز. میانگین فاصله در تست ترمز 37.4 متر و مشخصات آن 38 متر است. هوش مصنوعی می گوید "گذر". مهندس متوجه عدم قطعیت اندازه گیری (± 0.9 متر) می شود و تنها 2 اجرا انجام شده است. حد بالایی از مشخصات 38.3 متر بیشتر است. تست به 6 بار افزایش یافته و شرایط (ترمز داغ، وسیله نقلیه باردار) متفاوت است. نتیجه مطمئن است. نتیجه گیری: گفتن «گذشت» بدون ابهام و تکرار مخاطره آمیز است.

مورد 3 - قدرت خلاصه سریع. یک تست NVH دارای 40 گیگابایت داده از 12 ابزار است. هوش مصنوعی یک جدول و مقایسه خلاصه فرکانس ها و دامنه های اوج برای هر ابزار را به دست می دهد. مهندس به جای 2 ساعت توجه خود را به 2 وسیله نقلیه مشکل دار در 20 دقیقه معطوف می کند. سپس طیف خام آن دو وسیله نقلیه را با دستان خود بررسی می کند. نتیجه: هوش مصنوعی حذف را انجام داد، مهندس تجزیه و تحلیل عمیق را انجام داد.

قالب های سریع

قالب 1 - خلاصه آزمون:

نقش: شما تحلیلگر داده های آزمون هستید. وظیفه: رکورد دینامومتر را در زیر خلاصه کنید. زمینه: داده های دور در دقیقه، 1000-6000 دور در دقیقه. معیار پذیرش: حداکثر گشتاور حداقل 320 نیوتن متر، بدون فروپاشی در منحنی قدرت. محدودیت: تصمیم گیری "عبور/شکست"؛ مناطق خطر و توصیه های کنترل اضافی را بر اساس معیارها فهرست کنید. خروجی: آمار خلاصه + منطقه خطر + کنترل توصیه شده.

الگو 2 - تجزیه ناهنجاری:

نقش: شما یک متخصص اندازه گیری و ابزار دقیق هستید. وظیفه: در تشخیص اینکه آیا ناهنجاری های علامت گذاری شده رویدادهای واقعی هستند یا مصنوعات اندازه گیری، مرا راهنمایی کنید. زمینه: 3 پرش ناگهانی در سیگنال کرنش. ضبط کننده به طور متناوب دوباره راه اندازی می شود. خروجی: توضیح ممکن + بررسی تشخیصی برای هر ناهنجاری.

الگوی 3 - ارزیابی عدم قطعیت:

نقش: شما یک مشاور مترولوژی (علم اندازه گیری) هستید. وظیفه: ایمنی نتیجه را بر اساس معیارهای پذیرش ارزیابی کنید. زمینه: مقدار اندازه گیری شده 37.4 متر، عدم قطعیت ± 0.9 متر، مشخصات 38 متر، تعداد اجراها 2. محدودیت: حتماً تعداد عدم قطعیت را در نظر بگیرید. بر نزدیک بودن به حد تاکید کنید. خروجی: ارزیابی + توصیه برای آزمایش اضافی + ریسک باقیمانده.

الگوی 4 - پیش نویس گزارش DVP&R:

نقش: شما مهندس تاییدیه هستید. وظیفه: یک پیش نویس متن نتیجه DVP&R برای نتایج آزمون زیر بنویسید. زمینه: الزامات، روش آزمون، معیار پذیرش و مقدار اندازه گیری شده برآورده شده است (ناشناس). محدودیت: فقط پیش نویس. از عبارت سخت «تایید شده» استفاده نکنید، فضایی را برای تأیید مهندس بگذارید. خروجی: نیاز | تست | معیار | نتیجه | وضعیت (پیش نویس).

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

به این داده های تست نگاه کنید، آیا قبول شد؟

بدون معیار پذیرش، ابهام و تکرار؛ هوش مصنوعی می‌گوید «گذر/شکست» کور که خطرناک است.

اعلان قدرتمند:

نقش: شما یک تحلیلگر داده های تست خودرو هستید. وظیفه: داده های تست ترمز پیوست شده را بر اساس معیارهای پذیرش تجزیه و تحلیل کنید و راهنمایی کنید که چه شواهد اضافی برای تصمیم مورد نیاز است. زمینه: معیار 38 متر; عدم قطعیت اندازه گیری ± 0.9 متر؛ 2 شرط وجود دارد؛ بار خودرو در یک شرط آزمایش شده است. ریسک ها و شرایط اضافی پیشنهادی را از نظر عدم قطعیت و تکرار فهرست کنید. خروجی: ریسک | توجیه | جدول تست اضافی توصیه می شود.

اشتباهات رایج

واداشتن هوش مصنوعی به تصمیم رفتن/شکست. تصمیم توسط مهندس گرفته می شود. هوش مصنوعی سرنخ می دهد.
نادیده گرفتن عدم قطعیت اندازه گیری در نتایج نزدیک به حد، عدم قطعیت نتیجه را تغییر می دهد.
تکیه بر یک دویدن بدون تکرارپذیری نتیجه شکننده است.
فوراً ناهنجاری را به عنوان یک "عیب" در نظر بگیرید. ممکن است مصنوع/نویز ضبط وجود داشته باشد. بازگشت به داده های خام
کپی کور گزارش پیش نویس هوش مصنوعی بدون تایید و تصحیح مهندس نمی تواند به سند رسمی تبدیل شود.

به طور خلاصه

تأیید انطباق با الزامات را اندازه گیری می کند، اعتبارسنجی مطابقت با نیاز واقعی را اندازه گیری می کند. DVP&R این فرآیند را مدیریت می کند.
این یک دستیار قدرتمند در خلاصه کردن، علامت‌گذاری ناهنجاری، مقایسه و تهیه پیش‌نویس گزارش‌ها در مورد داده‌های تست هوش مصنوعی است.
تصمیم (عبور/شکست) بر عهده مهندس است. نکات هوش مصنوعی، نه نشانه ها.
بدون عدم قطعیت اندازه گیری و تکرارپذیری، نتیجه قابل تفسیر نیست. نتایج نزدیک به حد نیاز به توجه ویژه دارد.
ناهنجاری ها باید با داده های خام جدا شوند تا مشخص شود که آیا آنها رویدادهای واقعی هستند یا مصنوعات اندازه گیری.

وظیفه کاربردی

یک آزمایش (به عنوان مثال راه اندازی سرد در اتاقک آب و هوا) را انتخاب کنید. (1) شرایط، روش آزمون و معیارهای پذیرش را بنویسید. (2) درخواست یک خلاصه و تجزیه و تحلیل منطقه خطر با الگوی 1 (بدون درخواست تصمیم). (3) یک نتیجه خیالی را نزدیک به مرز عدم قطعیت با الگو 3 ارزیابی کنید. (4) با استفاده از الگوی 4 یک پیش نویس DVP&R تهیه کنید، که نشان می دهد کدام مناطق را برای تأیید مهندس ترک می کنید.

چک لیست

[ ] من شرایط و معیارهای پذیرش را به وضوح نوشته ام.
[ ] من از هوش مصنوعی یک خطر / اشاره خواستم، نه یک تصمیم.
[ ] من عدم قطعیت اندازه گیری را در نتیجه گنجاندم.
[ ] من مهارت تکرارپذیری (تعداد اجراها) را ارزیابی کردم.
[ ] من با ایجاد تمایز بین واقعیت و مصنوع، ناهنجاری ها را با داده های خام بررسی کردم.
[ ] من پیش نویس گزارش را برای تایید مهندس علامت گذاری کردم.