પરીક્ષણ અને માન્યતા ડેટા વિશ્લેષણ

નફો:

• ડાયનામોમીટર, રોડ ટેસ્ટ, સહનશક્તિ અને DVP&R જેવા ટેસ્ટ ડેટા પ્રકારો અને ચકાસણી પ્રક્રિયામાં તેમનું સ્થાન ઓળખવાની ક્ષમતા
• મોટા ટેસ્ટ ડેટા સેટ્સમાં સારાંશ, ફ્લેગ વિસંગતતાઓ અને ડ્રાફ્ટ રિપોર્ટ્સ માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
• માપનની અનિશ્ચિતતા, પુનરાવર્તિતતા અને સ્વીકૃતિ માપદંડ સાથે AI ના પરીક્ષણ અર્થઘટનને ક્રોસ-વેલિડેટ કરવાની ક્ષમતા

વાહન અથવા ઘટક ઉત્પાદનમાં જાય તે પહેલાં "શું તે જરૂરિયાતોને પૂર્ણ કરે છે" પ્રશ્નનો જવાબ પરીક્ષણ અને ચકાસણી ડેટામાં છુપાયેલ છે. ઓટોમોટિવમાં પરીક્ષણ લેબોરેટરી (ડાયનેમોમીટર, ક્લાઈમેટ ચેમ્બર, વાઇબ્રેશન ટેબલ) થી રોડ (રોડ ટેસ્ટ, એન્ડ્યુરન્સ ટ્રેક) અને ક્રેશ લેબોરેટરી સુધી વિસ્તરે છે. આ પરીક્ષણો મોટા પ્રમાણમાં ડેટા જનરેટ કરે છે: એક સહનશક્તિ પરીક્ષણમાં સેન્સર રેકોર્ડ્સની લાખો પંક્તિઓ શામેલ હોઈ શકે છે. આ એકમમાં, અમે આ ડેટાના પ્રકારો, ચકાસણી પ્રક્રિયામાં તેનું સ્થાન અને કૃત્રિમ બુદ્ધિમત્તા વિશ્લેષણમાં કેવી રીતે મદદ કરે છે તે જોઈશું (પરંતુ કેવી રીતે નિર્ણય એન્જિનિયર પાસે રહે છે).

ચકાસણી અને માન્યતા શું છે?

બે શબ્દો ઘણીવાર મૂંઝવણમાં હોય છે:

• ચકાસણી: "શું અમે ઉત્પાદન યોગ્ય રીતે બનાવ્યું છે?" જરૂરિયાત સાથે પાલન પગલાં. ઉદાહરણ: "બ્રેકિંગ અંતર સ્પષ્ટીકરણ 38 મીટર કહે છે; અમે તેને માપ્યું, 36.5 મીટર. યોગ્ય."
• માન્યતા: "શું અમે યોગ્ય ઉત્પાદન કર્યું છે?" શું તે વાસ્તવિક ઉપયોગમાં જરૂરિયાતોને પૂર્ણ કરે છે? ઉદાહરણ: "શું ડ્રાઇવરોને આ બ્રેક સલામત લાગે છે?"

ઓટોમોટિવમાં, આ પ્રક્રિયા સામાન્ય રીતે DVP&R (ડિઝાઇન વેરિફિકેશન પ્લાન એન્ડ રિપોર્ટ) દસ્તાવેજ સાથે મેનેજ કરવામાં આવે છે: તે એક ટેબલ છે જે યાદી આપે છે કે કઈ જરૂરિયાતનું પરીક્ષણ કયા પરીક્ષણ સાથે કરવામાં આવશે, કયા સ્વીકૃતિ માપદંડો સાથે અને પરિણામ.

લાક્ષણિક ટેસ્ટ ડેટા પ્રકારો

ટેસ્ટ પ્રકાર

શું પગલાં

નમૂના ડેટા

ડાયનેમોમીટર (ડાયનો)

એન્જિન પાવર, ટોર્ક, ઉત્સર્જન

RPM-ટોર્ક વળાંક, બળતણ વપરાશ

માર્ગ પરીક્ષણ

વાસ્તવિક સ્થિતિ વર્તન

જીપીએસ, પ્રવેગક, ડ્રાઇવિંગ સંકેતો

ટકાઉપણું

જીવનભરનો થાક

કંપન, તાણ, ચક્રની સંખ્યા

આબોહવા/પર્યાવરણ

ગરમ-ઠંડા-ભેજ પ્રતિકાર

તાપમાન, કામ કરવાની સ્થિતિ

એનવીએચ

અવાજ/સ્પંદન

ધ્વનિ દબાણ, પ્રવેગક સ્પેક્ટ્રમ

અથડામણ (અથડામણ)

સુરક્ષા

હાઇ સ્પીડ વીડિયો, ડમી સેન્સર

દરેક પરીક્ષણમાં સ્વીકૃતિ માપદંડ (જરૂરિયાત) હોય છે. વિશ્લેષણ એ સાબિત કરવાનું છે કે શું ડેટા આ માપદંડને પસાર કરે છે.

કૃત્રિમ બુદ્ધિ પરીક્ષણ વિશ્લેષણમાં શું કરે છે?

AI પરીક્ષણ ડેટા વિશ્લેષણમાં શક્તિશાળી સહાયક છે:

1. સારાંશ: આંકડાકીય સારાંશ, ટોચના મૂલ્યો, લાખો પંક્તિઓમાંથી વિતરણ.
2. વિસંગતતા ચિહ્નિત: "આ રેકોર્ડિંગમાં 214 સેકન્ડમાં અણધારી ટોર્ક ડ્રોપ છે."
3. પેટર્નની સરખામણી: બે ટેસ્ટ રન અથવા અલગ-અલગ વાહનોની સરખામણી કરવી અને તફાવતો શોધવા.
4. રિપોર્ટ ડ્રાફ્ટ: DVP&R પરિણામ ટેક્સ્ટ અને ગ્રાફિક સ્પષ્ટતાનો મુસદ્દો તૈયાર કરવો.
5. કોડ મદદ: વિશ્લેષણ સ્ક્રિપ્ટ (પાયથોન) જનરેટ કરી રહી છે.

પરંતુ સાવચેત રહો: ​​​​આ બધા સ્કેચ અને સંકેતો છે. તે ટેસ્ટ એન્જિનિયર છે જે નક્કી કરે છે કે ટેસ્ટ પાસ થાય છે કે નહીં અને વિસંગતતા વાસ્તવિક છે કે માપન ભૂલ.

સંકેત: AI ને પૂછો "શું આ ટેસ્ટ પાસ થઈ?" પૂછવાને બદલે, "આ ડેટામાંના કયા પ્રદેશો સ્વીકૃતિ માપદંડ અનુસાર જોખમ દર્શાવે છે, મારે કઈ વધારાની તપાસ કરવી જોઈએ?" પૂછો પ્રથમને નિર્ણયોની જરૂર છે (એઆઈની નોકરી નહીં), બીજાને સંકેતોની જરૂર છે (એઆઈની નોકરી).

માપનની અનિશ્ચિતતા અને પુનરાવર્તિતતા

કોઈપણ માપ સંપૂર્ણ નથી. બે ખ્યાલો મહત્વપૂર્ણ છે:

• માપન અનિશ્ચિતતા: માપન ઉપકરણની ભૂલનો કુદરતી માર્જિન. જો બ્રેકિંગ અંતર "36.5 મીટર" હોય અને અનિશ્ચિતતા ±0.8 મીટર હોય, તો વાસ્તવિક મૂલ્ય 35.7-37.3 મીટરની વચ્ચે છે. જો સ્પષ્ટીકરણ 38m છે તો તમે સુરક્ષિત છો; પરંતુ જો સ્પષ્ટીકરણ 37 મીટર હોય, તો અનિશ્ચિતતા મર્યાદાની ખૂબ નજીક હશે.
• પુનરાવર્તિતતા: જ્યારે તમે તે જ પરીક્ષણ ફરીથી કરો છો ત્યારે શું તમને સમાન પરિણામો મળે છે? એક રન તક દ્વારા પસાર થઈ શકે છે. ઓટોમોટિવમાં, નિર્ણાયક પરીક્ષણો વિવિધ વાહનો/સ્થિતિઓમાં ઘણી વખત પુનરાવર્તિત થાય છે.

AI દ્વારા ફ્લેગ કરાયેલ "વિસંગતતા" વાસ્તવમાં માપન અવાજ હોઈ શકે છે. નિર્ણય લેતા પહેલા અનિશ્ચિતતા અને બે વાર તપાસ કરવી જરૂરી છે.

સાવધાન: AI કહે છે કે "સ્વીકૃતિ માપદંડ પાસ કરેલ છે" જો તે માપનની અનિશ્ચિતતા અને ડુપ્લિકેશન માટે જવાબદાર ન હોય તો તે ભ્રામક છે. મર્યાદાની નજીકના પરિણામોમાં, અનિશ્ચિતતાના માર્જિન પરીક્ષણના પરિણામને બદલી શકે છે.

મિની કેસ સ્ટડીઝ

કેસ 1 - વિસંગતતા અથવા અવાજ? સહનશક્તિ પરીક્ષણમાં, AI તાણ સિગ્નલમાં 3 અચાનક કૂદકા દર્શાવે છે. ટેસ્ટ એન્જિનિયર કાચા ડેટાને જુએ છે: જ્યારે ડેટા લોગર પુનઃપ્રારંભ થાય છે ત્યારે જમ્પ ચોક્કસ ક્ષણોને અનુરૂપ હોય છે; તેથી તે વાસ્તવિક માળખાકીય ઘટના નથી, તે નોંધણી આઉટેજ છે. વિસંગતતાઓને કલાકૃતિઓ તરીકે દસ્તાવેજીકૃત કરવામાં આવે છે. પરિણામ: AI એ ચાવી પ્રદાન કરી, એન્જિનિયરને અલગ મૂળ કારણ; આપોઆપ "નિષ્ફળતા" સ્ટેમ્પ ખોટો હશે.

કેસ 2 - નજીકની સરહદનું પરિણામ. બ્રેક ટેસ્ટમાં સરેરાશ અંતર 37.4 મીટર છે, સ્પષ્ટીકરણ 38 મીટર છે. AI "પાસ" કહે છે. એન્જિનિયર માપનની અનિશ્ચિતતા (±0.9 મીટર) સમજે છે અને માત્ર 2 રન જ થયા છે; ઉપલી મર્યાદા 38.3 મીટર સ્પષ્ટીકરણને ઓળંગે છે. ટેસ્ટ વધારીને 6 રન કરવામાં આવે છે અને શરતો (ગરમ બ્રેક, લોડેડ વાહન) વિવિધ છે; પરિણામ સુરક્ષિત પુષ્ટિ થયેલ છે. નિષ્કર્ષ: અસ્પષ્ટતા અને પુનરાવર્તન વિના "પાસ થયું" કહેવું જોખમી છે.

કેસ 3 - ઝડપી સારાંશની શક્તિ. એક NVH ટેસ્ટમાં 12 સાધનોમાંથી 40GB ડેટા હોય છે. AI દરેક ટૂલ માટે પીક ફ્રીક્વન્સીઝ અને કંપનવિસ્તારનો સારાંશ આપતા ટેબલ અને સરખામણીનું આઉટપુટ કરે છે; એન્જિનિયર 2 કલાકને બદલે 20 મિનિટમાં 2 સમસ્યાવાળા વાહનો પર તેમનું ધ્યાન દોરે છે. પછી તે પોતાના હાથથી તે બે વાહનોના કાચા સ્પેક્ટ્રમની તપાસ કરે છે. પરિણામ: AI એ એલિમિનેશન કર્યું, એન્જિનિયરે ડીપ એનાલિસિસ કર્યું.

પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 - ટેસ્ટ સારાંશ:

ભૂમિકા: તમે ટેસ્ટ ડેટા એનાલિસ્ટ છો. કાર્ય: નીચે ડાયનેમોમીટર રેકોર્ડનો સારાંશ આપો. સંદર્ભ: RPM ડેટા, 1000-6000 rpm; સ્વીકૃતિ માપદંડ: પીક ટોર્ક ઓછામાં ઓછો 320 Nm, પાવર કર્વમાં કોઈ પતન નહીં. અવરોધ: 'પાસ/ફેલ' નિર્ણય લેવા; માપદંડ અનુસાર જોખમ ઝોન અને વધારાના નિયંત્રણ ભલામણોની સૂચિ બનાવો. આઉટપુટ: સારાંશ આંકડા + જોખમ ક્ષેત્ર + ભલામણ કરેલ નિયંત્રણ.

નમૂનો 2 - વિસંગતતા પદચ્છેદન:

ભૂમિકા: તમે માપન અને ઇન્સ્ટ્રુમેન્ટેશન નિષ્ણાત છો. કાર્ય: ચિહ્નિત થયેલ વિસંગતતાઓ વાસ્તવિક ઘટનાઓ છે કે માપન કલાકૃતિઓ છે તે પારખવામાં મને માર્ગદર્શન આપો. સંદર્ભ: તાણ સંકેતમાં 3 અચાનક કૂદકા; રેકોર્ડર તૂટક તૂટક પુનઃપ્રારંભ થાય છે. આઉટપુટ: દરેક વિસંગતતા માટે સંભવિત સમજૂતી + ભેદભાવપૂર્ણ તપાસ.

નમૂનો 3 - અનિશ્ચિતતા મૂલ્યાંકન:

ભૂમિકા: તમે મેટ્રોલોજી (માપનું વિજ્ઞાન) સલાહકાર છો. કાર્ય: સ્વીકૃતિના માપદંડ અનુસાર પરિણામની સલામતીનું મૂલ્યાંકન કરો. સંદર્ભ: માપેલ મૂલ્ય 37.4 મીટર, અનિશ્ચિતતા ±0.9 મીટર, સ્પષ્ટીકરણ 38 મીટર, રનની સંખ્યા 2. અવરોધ: સંખ્યા અને અનિશ્ચિતતાને ધ્યાનમાં લેવાની ખાતરી કરો; મર્યાદાની નિકટતા પર ભાર મૂકે છે. આઉટપુટ: મૂલ્યાંકન + વધારાના પરીક્ષણ માટે ભલામણ + બાકી જોખમ.

નમૂનો 4 - DVP&R રિપોર્ટ ડ્રાફ્ટ:

ભૂમિકા: તમે વેરિફિકેશન એન્જિનિયર છો. કાર્ય: નીચેના પરીક્ષણ પરિણામો માટે DVP&R પરિણામ ટેક્સ્ટ ડ્રાફ્ટ લખો. સંદર્ભ: આવશ્યકતા, પરીક્ષણ પદ્ધતિ, સ્વીકૃતિ માપદંડ અને માપેલ મૂલ્ય પૂર્ણ થાય છે (અનામી). અવરોધ: માત્ર ડ્રાફ્ટ; કડક 'મંજૂર' નિવેદનનો ઉપયોગ કરશો નહીં, એન્જિનિયરની મંજૂરી માટે જગ્યા છોડો. આઉટપુટ: આવશ્યકતા | પરીક્ષણ | માપદંડ | પરિણામ | સ્થિતિ (ડ્રાફ્ટ).

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ ટેસ્ટ ડેટા જુઓ, શું તે પાસ થયો?

કોઈ સ્વીકૃતિ માપદંડ, અસ્પષ્ટતા અને પુનરાવર્તન; AI એક અંધ "પાસ/ફેલ" કહે છે, જે ખતરનાક છે.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે ઓટોમોટિવ ટેસ્ટ ડેટા એનાલિસ્ટ છો. કાર્ય: સ્વીકૃતિ માપદંડો સામે જોડાયેલ બ્રેક ટેસ્ટ ડેટાનું વિશ્લેષણ કરો અને નિર્ણય માટે કયા વધારાના પુરાવાની જરૂર છે તે સલાહ આપો. સંદર્ભ: માપદંડ 38 મી; માપનની અનિશ્ચિતતા ±0.9 મીટર; ત્યાં 2 શરતો છે; એક શરતમાં વાહન લોડનું પરીક્ષણ કરવામાં આવે છે. અવરોધ: 'પાસ' જાહેર કરવું; અનિશ્ચિતતા અને ડુપ્લિકેશનના સંદર્ભમાં જોખમો અને સૂચિત વધારાની શરતોની સૂચિ બનાવો. આઉટપુટ: જોખમ | સમર્થન | ભલામણ કરેલ વધારાના પરીક્ષણ કોષ્ટક.

સામાન્ય ભૂલો

• AI બનાવવું એ ગો/નિષ્ફળ નિર્ણય લે છે. નિર્ણય એન્જિનિયર દ્વારા લેવામાં આવે છે; AI સંકેતો આપે છે.
• માપનની અનિશ્ચિતતાને અવગણવી. મર્યાદાની નજીકના પરિણામોમાં, અનિશ્ચિતતા પરિણામને બદલે છે.
• એક રન પર નિર્ભર. પુનરાવર્તિતતા વિના પરિણામ નાજુક છે.
• તરત જ વિસંગતતાને "માલફંક્શન" તરીકે ધ્યાનમાં લો. ત્યાં રેકોર્ડિંગ આર્ટિફેક્ટ/અવાજ હોઈ શકે છે; કાચા ડેટા પર પાછા ફરો.
• અહેવાલની આંધળી નકલ. AI ડ્રાફ્ટ એન્જિનિયરની મંજૂરી અને સુધારણા વિના સત્તાવાર દસ્તાવેજ બની શકતો નથી.

સારાંશમાં

• ચકાસણી આવશ્યકતાઓનું પાલન કરે છે, માન્યતા વાસ્તવિક જરૂરિયાત સાથેના પાલનને માપે છે; DVP&R આ પ્રક્રિયાનું સંચાલન કરે છે.
• AI ટેસ્ટ ડેટા પર રિપોર્ટ્સનો સારાંશ, વિસંગતતા માર્કિંગ, સરખામણી અને મુસદ્દો તૈયાર કરવામાં તે એક શક્તિશાળી સહાયક છે.
• નિર્ણય (પાસ/ફેલ) એન્જિનિયર પર છે; AI સંકેતો, ચિહ્નો નહીં.
• માપનની અનિશ્ચિતતા અને પુનરાવર્તિતતા વિના, પરિણામનું અર્થઘટન કરી શકાતું નથી; મર્યાદાની નજીકના પરિણામો પર વિશેષ ધ્યાન આપવાની જરૂર છે.
• વિસંગતતાઓ વાસ્તવિક ઘટનાઓ છે કે માપન કલાકૃતિઓ છે તે નિર્ધારિત કરવા માટે તેને કાચા ડેટા સાથે અલગ કરવી આવશ્યક છે.

એપ્લિકેશન કાર્ય

એક પરીક્ષણ પસંદ કરો (દા.ત. આબોહવા ચેમ્બરમાં કોલ્ડ સ્ટાર્ટ-અપ). (1) જરૂરિયાત, પરીક્ષણ પદ્ધતિ અને સ્વીકૃતિ માપદંડ લખો. (2) નમૂના 1 (નિર્ણયની વિનંતી કર્યા વિના) સાથે સારાંશ અને જોખમ ઝોન વિશ્લેષણની વિનંતી કરો. (3) નમૂના 3 સાથે અનિશ્ચિતતાની મર્યાદાની નજીકના કાલ્પનિક પરિણામનું મૂલ્યાંકન કરો. (4) નમૂના 4નો ઉપયોગ કરીને ડ્રાફ્ટ DVP&R બનાવો, જે દર્શાવે છે કે તમે એન્જિનિયરની મંજૂરી માટે કયા ક્ષેત્રો છોડી રહ્યાં છો.

ચેકલિસ્ટ

• [ ] મેં સ્પષ્ટપણે જરૂરિયાતો અને સ્વીકૃતિ માપદંડો લખ્યા છે.
• [] મેં AI ને જોખમ/સંકેત માટે પૂછ્યું, નિર્ણય નહીં.
• [ ] મેં પરિણામમાં માપનની અનિશ્ચિતતાનો સમાવેશ કર્યો છે.
• [ ] મેં પુનરાવર્તિતતા (રનની સંખ્યા) પ્રાવીણ્યનું મૂલ્યાંકન કર્યું.
• [ ] મેં તથ્ય અને આર્ટિફેક્ટ વચ્ચે તફાવત કરીને કાચા ડેટા સાથે વિસંગતતાઓની તપાસ કરી.
• [ ] મેં એન્જિનિયરની મંજૂરી માટે રિપોર્ટ ડ્રાફ્ટને ચિહ્નિત કર્યો.