עיצוב קונספטואלי, ניהול דרישות וניתוח פשרות

רווחים:

• יכולת להאיץ את לימודי החילוץ מדרישות המשימה ועד לגודל מטוסים/חלליות רעיוניים עם תמיכה בבינה מלאכותית
• יכולת לבצע כתיבת דרישות, עקיבות ובקרת עקביות עם הנחיות מוגדרות
• יכולת לבטל תפוקות בלתי סבירות על ידי אימות צולב של נקודות עיצוב מוצעות בינה מלאכותית עם חישובי ידיים מבוססי פיזיקה

מטוס או חללית נולדים מרשימת דרישות, לא על לוח שרטוט. המשפט "נשא כל כך הרבה עומס לטווח הזה, במהירות הזו, במחיר הזה" הוא מקור העיצוב שיימשך שנים רבות. עיצוב קונספטואלי (שלב התכנון המוקדם ביותר בו נקבעים לראשונה הגודל הגס, המשקל והתצורה של הרכב) הוא תהליך של חילוץ צורה ראשונית מזרע זה. ההחלטות שמתקבלות כאן הן זולות, אבל ההשפעות שלהן הן היקרות ביותר: בחירה רעיונית שגויה יכולה לזרוק מיליוני דולרים של עיצוב מפורט.

ביחידה זו, נשתמש בבינה מלאכותית (AI) כדי להקל על שלושה עומסים של עיצוב קונספטואלי: תרגום בקשות משימות מעורפלות לדרישות מדידות, שמירה על עקביות ועקביות בין דרישות, והאצת ניתוח החלפת בין אפשרויות עיצוב מתחרות. אבל בואו נפתור את העיקרון הקריטי מההתחלה: כל גודל, כל הערכת משקל שה-AI מציע מאומתת בהכרח על ידי חישוב יד מבוסס פיזיקה. AI הוא שותף לסיעור מוחות וחשבונאות; אינו הבעלים של החלטת הגודל.

מושגים: דרישה: הצהרה יחידה הניתנת לאימות שהכלי חייב לעמוד בה. עקיבות: שרשרת התיעוד של מאיפה הגיעה כל דרישה ועם איזה עיצוב/בדיקה היא נענתה. שטח סחר: קבוצת כל האפשרויות שנוצרו על ידי משתני עיצוב הניתנים לשינוי. MTOW: משקל המראה מקסימלי (Maximum Take-Off Weight), המסה הגבוהה ביותר שהרכב יכול להמריא.

מהצורך במשימה לדרישה: צעד אחר צעד

לדרישה טובה יש שלוש תכונות: יחיד (אומרת דבר אחד), מדידה (מכילה מספר ויחידה), וניתנת לאימות (ברור איך לבדוק את זה). "המטוס חייב להיות מהיר" אינה דרישה; "המטוס חייב להשיג מהירות אוויר בקליבר של 250 קראט (KCAS) בגובה פני הים" היא דרישה.

הצעד הראשון הוא לאסוף בקשות של בעלי עניין ולזקק אותן לטיוטות דרישות עם AI. השלב השני הוא להפוך כל דרישה לניתנת למדידה: החלף כל שם תואר מעורפל ("קל משקל", "עמיד", "יעיל") במדד ובסף. השלב השלישי הוא לחפש סתירות בין דרישות: טווח ומטען מתחרים זה בזה, AI מעלה במהירות את הסתירות הללו לפני השטח. השלב הרביעי הוא הקמת מטריצת מעקב: טבלאות איזו מטרת משימה ברמה העליונה מובילה לאיזו דרישת משנה.

בצד המימד הרעיוני, AI יכול לזכור קשרים הנדסיים ידועים (שברי משקל, יחס דחף למשקל, טעינת כנפיים) וליצור שרשרת חישובים ראשונית. לדוגמה, עבור מטוס נוסעים, ניתן להעריך את חלק משקל הדלק באמצעות משוואת טווח Breguet ואת חלק המשקל הריק ניתן לאמוד עם קשרים סטטיסטיים. אבל כל חוליה בשרשרת זו מאושרת בחישוב ידני.

טיפ: בעת כתיבת דרישות, תנו במפורש ל-AI את המשימה "להחליף כל שם תואר דו-משמעי במדד, יחידה ושיטת אימות." המודל עובד הרבה יותר ממושמע כשאומרים "הצהרות ניתנות למדידה" שאינן ניתנות לאימות כמו "ידידותי למשתמש".

קביעת תצורה של ניתוח מסחר

הלב של ניתוח הפשרה הוא הצבת מספר תצורות מועמדות לצד קריטריונים משותפים. הכלי הקלאסי הוא מטריצת ההחלטה המשוקללת: לקריטריונים ניתן משקל חשיבות, כל מועמד מקבל ציון על כל קריטריון, נלקח הסכום המשוקלל. AI בונה במהירות את המטריצה ​​הזו, אבל היזהרו משתי מלכודות: משקלים הם שיקול הנדסי סובייקטיבי (לא נותר ל-AI) והציונים חייבים להתבסס על הצדקה פיזית (לא מורכבת).

קריטריון (משקל)

Config. ת: כנף גבוהה

Config. ב: כנף נמוכה

Config. ג: קנארד

טווח, ק"מ (0.30)

1200

1350

1250

משקל עצמי, ק"ג (0.25)

640

610

690

עלות ייצור (0.20)

בינוני

נמוך

גבוה

יציבות (0.15)

גבוה

בינוני

בינוני

קלות תחזוקה (0.10)

גבוה

בינוני

נמוך

אתה יכול לקבל AI לבנות את הטבלה הזו; אבל מספרי טווח ומשקל חייבים להגיע מחישוב ראשוני בלתי תלוי, ויש להצדיק גם ציונים איכותיים כמו "יציבות: גבוה". הכוח של AI הוא בכך שהוא מציג טבלאות של עשר תצורות שונות בדקות ומבצע ניתוח סנטימנטים (איך הדירוג משתנה אם משקל משתנה).

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

אני מתכננת מטוס אימון. ספר לי מהי התצורה הטובה ביותר.

הנחיה עוצמתית:

תפקיד: אתה יועץ קונספטואלי לעיצוב מטוסים. הקשר: מחקר החלפה ראשוני עבור מטוס מאמן דו-מושבי (הערכים מייצגים): טווח יעד ~1000 ק"מ, מהירות שיוט ~55 מ"ש, מטען ~220 ק"ג, עדיפות עלות ייצור נמוכה. משימה:1) הצע 3 תצורות מועמדות (מיקום כנף, סוג מנוע).2) הגדר טבלה המשווה כל מועמד על: טווח, משקל ריק משוער, עלות ייצור, יציבות.3) השתמש להערכות המספריות שלך כתוב את הקשר וההנחה. אילוץ: ציין באיזה קשר סטטיסטי השתמשת בהערכות המשקל שלך; יחידת כתיבה; אל תקבלו החלטה סופית, הגישו מועמד. אני אשקול ואקבל את ההחלטה הסופית בעצמי.

תבניות הנחיה הניתנות להעתקה

תבנית 1 - תרגום צורך במשימה לדרישה ניתנת למדידה:

הפוך את בקשות בעלי העניין הבאות לדרישות יחידניות, ניתנות למדידה וניתנות לאימות. לכל דרישה: מדד, יחידה, ערך סף ושיטת אימות מוצעת (ניתוח/בדיקה/הדגמה). תרגם שמות תואר מעורפלים ("קל", "מהיר") למספרים קונקרטיים; אם יש אי ודאות, שאל איזה מידע אתה צריך. בקשות: [רשימה כאן]

תבנית 2 - מטריצת מעקב וסינון קונפליקטים:

קח את רשימת הדרישות הזו ו: (א) בנה טבלת עקיבות המקשרת כל דרישה ליעד המשימה ברמה גבוהה; (ב) לסמן צמדים של דרישות סותרות או מאתגרות (למשל טווח מול מטען); (ג) רשום דרישות חסרות או בלתי ניתנות לאימות. תן לתוצאה להיות טבלה. דרישות: [רשימה כאן]

תבנית 3 - הגדרת מטריצת החלטה משוקללת:

בנו מסגרת מטריצת החלטות משוקללת עבור תצורות המועמדים הבאות. צור את שורות הקריטריונים ואת עמודות המועמדים. השאר את עמודת המשקל ריקה (אני אכניס את המשקולות). הסבירו בהערה נפרדת את ההצדקה הפיזית לניקוד שתשימו בכל תא; אל תכתבו מספר מומצא, סמנו את המקום שניחשתם כ"נחשו". מועמדים: [...] קריטריונים: [...]

תבנית 4 - בדיקת הצלבה של מימדים קונספטואליים:

בדוק באופן עצמאי את תוצאת הקביעה הבאה: MTOW, שטח כנף, דחף. (א) חשב את עומס הכנפיים (W/S) והשווה אותו לטווח הטיפוסי למחלקת המטוס הנתונה שלך. (ב) חשב את יחס הדחף למשקל (T/W) והשווה אותו לטווח הטיפוסי. (ג) הזהר אם הערכים נמצאים מחוץ לטווח הטיפוסי ומציינים שגיאה אפשרית. כתוב את כל היחידות במפורש. קלט: [ערכי MTOW, S, T]

מיני מארזים

מקרה 1 - גילוי מוקדם של צורך סותר. בפרויקט מל"טים, בעלי עניין רוצים גם "לפחות 8 שעות של זמן אוויר" וגם "מסה כוללת של 12 ק"ג לכל היותר. על ידי כימת שתי הדרישות וחיסול תקציב האנרגיה, ה-AI מראה שטיסה של 8 שעות עם צפיפות אנרגית סוללה טיפוסית (כ-200 וואט/ק"ג) תדרוש 6-7 ק"ג של סוללה בלבד; זה לא מתאים לתקציב של 12 ק"ג יחד עם המטען והמבנה. הסתירה נידונה לפני תחילת התכנון המפורט. שיעור: תרגום דרישות למספרים חושף סתירות נסתרות בשלב מוקדם.

מקרה 2 - ניתוח רגישות משנה את ההחלטה. צוות אחד משווה שלוש תצורות כנפיים; תצורה עם משקלים ראשוניים. B ניצחונות (ציון משוקלל 0.82 מול 0.79). ה-AI נשאל "מה יקרה אם אני מפחית את משקל העלות מ-0.20 ל-0.10"; בתרחיש זה טווח בא לידי ביטוי ו-Config. א' לוקח את ההובלה (0.84 מול 0.80). הצוות רואה עד כמה ההחלטה רגישה לעדיפות עלויות ומבהיר את המשקולות עם בעל העניין. לקח: לא ציון בודד חשוב, אלא יציבות הדירוג.

מקרה 3 - טעות בהזמנה בהערכת המשקל. AI נותן את המשקל הריק של מטוס קל כ-95 ק"ג מיחס. המהנדס מזכיר כי המשקל הריק של מטוס דו-מושבי ממחלקה דומה הוא בדרך כלל בטווח של 350-500 ק"ג; 95 ק"ג זה בלתי אפשרי פיזית. כשמסומנים, רואים שה-AI החיל מקדם באופן שגוי ביחס וזה תוקן. שיעור: כל אומדן משקל מושווה בסדרי גודל לטווח הידוע של המחלקה.

טעויות נפוצות

• קבלת דרישה מעורפלת. לא ניתן לאמת דרישה שאינה מכילה מדדים ויחידות; "זה צריך להיות קל" זו משאלה, לא דרישה.
• לאחר שה-AI בוחר את המשקולות. משקלי הקריטריונים במטריצת ההחלטות הם הנדסה סובייקטיבית ושיפוט בעלי עניין; אם משאירים אותו ל-AI, ההחלטה נשארת נטולת.
• קבלת נקודות ללא הצדקה. אם לציונים איכותיים כמו "יציבות: גבוה" אין בסיס פיזי, המטריצה ​​הופכת לרשימה מפוארת של ניחושים.
• לא מאשר את הערכת המשקל/גודל. מתאמים סטטיסטיים הם אומדנים גסים; זה לא מועבר לעיצוב פרטני מבלי להשוות אותו לטווח המעמדות.
• משאירים מעקב אחר כך. אם לא יירשם מהיכן הגיעה הדרישה, אף אחד לא יידע על אילו החלטות ישפיע שינוי בעתיד.

לסיכום

עיצוב קונספטואלי הוא השלב בו מתקבלות ההחלטות הזולות אך היעילות ביותר. בינה מלאכותית היא מאיץ רב עוצמה כאן בתרגום בקשות מעורפלות לדרישות הניתנות למדידה, סריקה לאיתור מעקב והתנגשות, והשוואת תצורות מרובות על פני טבלאות חילופין. עם זאת, משקלי הקריטריונים הם שיקול דעת אנושי, תחזיות מספריות מאומתות על ידי חישוב ידיים מבוסס פיזיקה ומרווחי כיתות, החלטת התצורה הסופית נשארת בידי המהנדס. AI מייצרת מועמדים; לא מחליט.

משימת יישום

כתוב שלושה יעדי משימה ברמה גבוהה עבור אוויר או חללית לבחירתך. באמצעות AI, תרגם אותם לשש דרישות מדידות לפחות והגדר טבלת עקיבות. לאחר מכן צור מטריצת החלטות משוקללת עבור שלוש תצורות המועמדים; קבע את המשקולות בעצמך. לבסוף, אשרו אומדן משקל/גודל שניתנה על ידי ה-AI עם חישוב יד עצמאי וטווח מחלקה. דווח על צמד דרישות אחד לפחות כאשר אתה מוצא התנגשות.

רשימת בדיקה

• [ ] הפכתי כל דרישה ליחידה, ניתנת למדידה וניתנת לאימות.
• [ ] החלפתי את שמות התואר המעורפלים במטרי, יחידה וסף.
• [ ] הקמתי טבלת עקיבות וסימנתי דרישות סותרות.
• [ ] קבעתי את משקלות מטריצת ההחלטות בעצמי (לא AI).
• [ ] ייחסתי את ציוני המטריצה ​​להצדקה פיזית.
• [ ] אימתתי את הערכות המשקל/גודל עם מרווח כיתה וחישוב ידני.