Keuntungan:
- Keupayaan untuk mengenali jenis data ujian seperti dinamometer, ujian jalan, ketahanan dan DVP&R serta tempatnya dalam proses pengesahan
- Keupayaan untuk menggunakan kecerdasan buatan untuk meringkaskan, membenderakan anomali dan draf laporan dalam set data ujian yang besar
- Keupayaan untuk mengesahkan silang tafsiran ujian AI dengan ketidakpastian pengukuran, kebolehulangan dan kriteria penerimaan
Jawapan kepada soalan "adakah ia memenuhi keperluan" sebelum kenderaan atau komponen mula dikeluarkan disembunyikan dalam data ujian dan pengesahan. Ujian dalam automotif bermula dari makmal (dinamometer, ruang iklim, meja getaran) ke jalan raya (ujian jalan, trek ketahanan) dan makmal kemalangan. Ujian ini menjana data yang besar: ujian ketahanan tunggal boleh mengandungi berjuta-juta baris rekod penderia. Dalam unit ini, kita akan melihat jenis data ini, tempatnya dalam proses pengesahan dan cara kecerdasan buatan membantu dalam analisis (tetapi bagaimana keputusan itu kekal dengan jurutera).
Apakah pengesahan dan pengesahan?
Kedua-dua istilah sering keliru:
- Pengesahan: "Adakah kami membina produk dengan betul?" Mengukur pematuhan dengan keperluan. Contoh: "Spesifikasi jarak brek mengatakan 38 meter; kami mengukurnya, 36.5 meter. Sesuai."
- Pengesahan: "Adakah kami membuat produk yang betul?" Adakah ia memenuhi keperluan dalam penggunaan sebenar? Contoh: "Adakah pemandu mendapati brek ini berasa selamat?"
Dalam automotif, proses ini biasanya diuruskan dengan dokumen DVP&R (Pelan Pengesahan Reka Bentuk dan Laporan): ia ialah jadual yang menyenaraikan keperluan yang akan diuji dengan ujian yang mana, dengan kriteria penerimaan yang mana dan hasilnya.
Jenis data ujian biasa
Jenis ujian
Apa ukuran
data sampel
Dinamometer (dyno)
Kuasa enjin, tork, pelepasan
Lengkung RPM-tork, penggunaan bahan api
ujian jalan raya
Tingkah laku keadaan sebenar
GPS, pecutan, isyarat memandu
ketahanan
keletihan sepanjang hayat
Getaran, ketegangan, bilangan kitaran
iklim/persekitaran
Rintangan panas-sejuk-kelembapan
suhu, status kerja
NVH
Bunyi/getaran
Tekanan bunyi, spektrum pecutan
Perlanggaran (rempuh)
Keselamatan
Video berkelajuan tinggi, penderia tiruan
Setiap ujian mempunyai kriteria penerimaan (keperluan). Analisis adalah untuk membuktikan sama ada data melepasi kriteria ini.
Apakah yang dilakukan oleh kecerdasan buatan dalam analisis ujian?
AI ialah pembantu yang berkuasa dalam analisis data ujian untuk:
- Ringkasan: Ringkasan statistik, nilai puncak, taburan daripada berjuta-juta baris.
- Penandaan anomali: "Terdapat penurunan tork yang tidak dijangka pada 214 saat dalam rakaman ini."
- Perbandingan corak: Membandingkan dua larian ujian atau kenderaan yang berbeza dan mencari perbezaan.
- Draf laporan: Mendraf teks hasil DVP&R dan penjelasan grafik.
- Bantuan kod: Menjana skrip analisis (Python).
Tetapi berhati-hati: ini semua adalah lakaran dan petua. Jurutera ujianlah yang memutuskan sama ada ujian itu lulus atau tidak dan sama ada anomali adalah nyata atau ralat pengukuran.
Petunjuk: Tanya AI "adakah ujian ini lulus?" Daripada bertanya, "Wilayah mana dalam data ini menunjukkan risiko mengikut kriteria penerimaan, apakah semakan tambahan yang perlu saya buat?" bertanya. Yang pertama memerlukan keputusan (bukan tugas AI), yang kedua memerlukan petunjuk (tugas AI).
Ketidakpastian pengukuran dan kebolehulangan
Tiada ukuran yang sempurna. Dua konsep adalah kritikal:
- Ketidakpastian pengukuran: Margin ralat semula jadi peranti pengukur. Jika jarak brek ialah "36.5 m" dan ketidakpastian ialah ±0.8 m, nilai sebenar adalah antara 35.7-37.3 m. Jika spesifikasi adalah 38m anda selamat; tetapi jika spesifikasi adalah 37 m, ketidakpastian akan menjadi sangat hampir dengan had.
- Kebolehulangan: Adakah anda mendapat keputusan yang sama apabila anda melakukan ujian yang sama sekali lagi? Satu larian mungkin telah berlalu secara kebetulan. Dalam automotif, ujian kritikal diulang beberapa kali, dalam kenderaan/keadaan yang berbeza.
"Anomali" yang dibenderakan oleh AI sebenarnya mungkin bunyi ukuran. Ketidakpastian dan semakan semula adalah penting sebelum membuat keputusan.
Awas: AI mengatakan "lulus kriteria penerimaan" adalah mengelirukan jika ia tidak mengambil kira ketidakpastian dan pertindihan pengukuran. Dalam keputusan yang hampir kepada had, margin ketidakpastian mungkin mengubah keputusan ujian.
Kajian kes mini
Kes 1 - Anomali atau bunyi bising? Dalam ujian ketahanan, AI menandakan 3 lompatan mengejut dalam isyarat terikan. Jurutera ujian melihat data mentah: lompatan sepadan dengan detik tepat apabila pencatat data dimulakan semula; Jadi ia bukan acara struktur sebenar, ia adalah gangguan pendaftaran. Anomali didokumenkan sebagai artifak. Keputusan: AI memberikan petunjuk, punca terpencil jurutera; cop "gagal" automatik akan menjadi salah.
Kes 2 - Keputusan hampir sempadan. Jarak purata dalam ujian brek ialah 37.4 m, spesifikasinya ialah 38 m. AI berkata "lulus". Jurutera menyedari ketidakpastian pengukuran (±0.9 m) dan hanya 2 larian telah dibuat; Had atas melebihi spesifikasi 38.3 m. Ujian ditambah kepada 6 larian dan keadaan (brek panas, kenderaan bermuatan) adalah berbeza-beza; Hasilnya disahkan selamat. Kesimpulan: Mengatakan "lulus" tanpa kesamaran dan pengulangan adalah berisiko.
Kes 3 - Kuasa ringkasan pantas. Satu ujian NVH mempunyai 40GB data daripada 12 instrumen. AI mengeluarkan jadual dan perbandingan yang meringkaskan frekuensi dan amplitud puncak untuk setiap alat; Jurutera itu mengarahkan perhatiannya kepada 2 kenderaan bermasalah dalam masa 20 minit dan bukannya 2 jam. Kemudian dia meneliti spektrum mentah kedua-dua kenderaan itu dengan tangannya sendiri. Keputusan: AI melakukan penyingkiran, jurutera melakukan analisis mendalam.
templat segera
Templat 1 - Ringkasan ujian:
Peranan: Anda adalah penganalisis data ujian. Tugasan: Ringkaskan rekod dinamometer di bawah. Konteks: Data RPM, 1000-6000 rpm; kriteria penerimaan: tork puncak sekurang-kurangnya 320 Nm, tiada keruntuhan dalam lengkung kuasa. Kekangan: 'Lulus/gagal' membuat keputusan; Senaraikan zon risiko dan cadangan kawalan tambahan mengikut kriteria. Output: Statistik ringkasan + zon risiko + kawalan yang disyorkan.
Templat 2 - Penghuraian anomali:
Peranan: Anda adalah pakar pengukuran dan instrumentasi. Tugas: Bimbing saya dalam membezakan sama ada anomali yang ditanda adalah peristiwa sebenar atau artifak ukuran. Konteks: 3 lompatan mendadak dalam isyarat terikan; Perakam dimulakan semula sekejap-sekejap. Output: Penjelasan yang mungkin + pemeriksaan diskriminasi untuk setiap anomali.
Templat 3 - Penilaian ketidakpastian:
Peranan: Anda adalah perunding metrologi (sains pengukuran).Tugas: Menilai keselamatan hasil mengikut kriteria penerimaan.Konteks: Nilai terukur 37.4 m, ketidakpastian ±0.9 m, spesifikasi38 m, bilangan larian 2.Kekangan: Pastikan anda mengambil kira ketidakpastian dan bilangan ulangan; menekankan kedekatan dengan had.Output: Penilaian + cadangan untuk ujian tambahan + baki risiko.
Templat 4 - draf laporan DVP&R:
Peranan: Anda adalah jurutera pengesahan. Tugas: Tulis draf teks keputusan DVP&R untuk keputusan ujian berikut. Konteks: Keperluan, kaedah ujian, kriteria penerimaan dan nilai yang diukur dipenuhi (tanpa nama). Kekangan: Draf sahaja; Jangan gunakan kenyataan 'diluluskan' yang ketat, tinggalkan ruang untuk kelulusan jurutera.Output: Keperluan | ujian | kriteria | keputusan | status (draf).
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Lihat data ujian ini, adakah ia lulus?
Tiada kriteria penerimaan, kekaburan dan pengulangan; AI mengatakan "lulus/gagal" buta, yang berbahaya.
Gesaan kuat:
Peranan: Anda seorang penganalisis data ujian automotif. Tugas: Analisis data ujian brek yang dilampirkan terhadap kriteria penerimaan dan nasihatkan bukti tambahan yang diperlukan untuk keputusan itu. Konteks: Kriteria 38 m; ketidakpastian ukuran ±0.9 m; Terdapat 2 syarat; muatan kenderaan diuji dalam satu syarat. Kekangan: Mengisytiharkan 'Lulus'; Senaraikan risiko dan syarat tambahan yang dicadangkan dari segi ketidakpastian dan pertindihan. Output: Risiko | justifikasi | jadual ujian tambahan yang disyorkan.
Kesilapan biasa
- Membuat AI membuat keputusan pergi/gagal. Keputusan dibuat oleh jurutera; AI memberi petunjuk.
- Mengabaikan ketidakpastian pengukuran. Dalam keputusan yang hampir kepada had, ketidakpastian mengubah keputusan.
- Bergantung pada satu larian. Tanpa kebolehulangan hasilnya rapuh.
- Segera pertimbangkan anomali itu sebagai "pincang fungsi". Mungkin terdapat artifak/bunyi rakaman; Kembali ke data mentah.
- Buta menyalin laporan. Draf AI tidak boleh menjadi dokumen rasmi tanpa kelulusan dan pembetulan jurutera.
Secara ringkasnya
- Pengesahan mengukur pematuhan dengan keperluan, pengesahan mengukur pematuhan dengan keperluan sebenar; DVP&R menguruskan proses ini.
- Ia merupakan pembantu yang berkuasa dalam meringkaskan, menanda anomali, membandingkan dan merangka laporan mengenai data ujian AI.
- Keputusan (lulus/gagal) terpulang kepada jurutera; Petunjuk AI, bukan petanda.
- Tanpa ketidakpastian pengukuran dan kebolehulangan, hasilnya tidak boleh ditafsirkan; Keputusan berhampiran had memerlukan perhatian khusus.
- Anomali mesti dipisahkan dengan data mentah untuk menentukan sama ada ia adalah peristiwa sebenar atau artifak ukuran.
Tugasan permohonan
Pilih ujian (cth. permulaan sejuk dalam ruang iklim). (1) Tulis keperluan, kaedah ujian dan kriteria penerimaan. (2) Minta ringkasan dan analisis zon risiko dengan Templat 1 (tanpa meminta keputusan). (3) Nilaikan hasil khayalan yang menghampiri had ketidakpastian dengan Templat 3. (4) Hasilkan draf DVP&R menggunakan Templat 4, menunjukkan kawasan mana yang anda akan tinggalkan untuk kelulusan jurutera.
senarai semak
- [ ] Saya telah menulis dengan jelas keperluan dan kriteria penerimaan.
- [ ] Saya meminta AI untuk risiko/petunjuk, bukan keputusan.
- [ ] Saya memasukkan ketidakpastian ukuran dalam keputusan.
- [ ] Saya menilai kecekapan kebolehulangan (bilangan larian).
- [ ] Saya meneliti anomali dengan data mentah dengan membuat perbezaan antara fakta dan artifak.
- [ ] Saya menanda draf laporan untuk kelulusan jurutera.