Gevinster:
- Evne til å skille hvor AI akselererer og hvor det er risikabelt i krets-, kraft- og innebygd systemarbeid
- Evne til å forklare hvorfor verifisering og ingeniørgodkjenning er obligatorisk i elektriske arbeider som involverer liv og eiendomssikkerhet.
- Evne til å posisjonere AI-utdata som et utkast til input som skal revideres, snarere enn som en erstatning for ingeniørmessig vurdering
Når du ser på en elektro- og elektronikkingeniørs dag, er bildet som dukker opp likt i de fleste team: lese dataark, fylle ut regneark, skrive og feilsøke kode, tegne skjemaer, søke etter standarder, utarbeide testrapporter, e-post og møter. Med andre ord, tiden viet til selve "ingeniørdelen", det vil si vurderingen av å designe et system sikkert og nøyaktig, blir knust under repeterende arbeid. Det er her kunstig intelligens spiller inn. AI gjør ikke designet for deg; Den forbereder deg på design, produserer utkast, setter fart på beregninger og legger bearbeidet informasjon foran deg for beslutningstaking. I denne enheten vil vi avklare på hvilke stadier av den elektrisk-elektroniske arbeidsflyten AI tilfører reell verdi, hvilke beslutninger som definitivt bør forbli hos ingeniøren, og sikkerhetsdisiplinen du må følge når du gjør dette. Målet er klart: å posisjonere AI ikke som en "automatisk designer", men som en disiplinert assistent hvis utgang blir verifisert hver gang.
I hvilke virksomheter er AI Accelerator, i hvilke virksomheter er det risikabelt?
Elektriske og elektroniske verk er lokalisert på et todelt spektrum når det gjelder resultater. I den ene enden er tilbakekallbare kontorjobber med lav risiko; På den andre enden er det irreversible beslutninger som direkte påvirker sikkerheten til liv og eiendom. Verdien av AI varierer avhengig av hvor du står på dette spekteret.
virksomhetstype
AI-bidrag
Ingeniørens rolle
Datablad/standard oppsummering
Fjern relevant element fra langt dokument
Bekreft verdien fra offisiell kilde
Kodeutkast (MCU, Python)
Skjelett- og funksjonsgenerering
Registrering, timing, testverifisering
Regnskapsforarbeid
Formelinnstilling, første nummer
Enhets-, rang- og standardkontroll
Dokumentasjon
Rapport/stykkliste/testprosedyre utkast
Teknisk nøyaktighet og terminologi
vernekoordinering
forslag, scenario
Endelig utvelgelse og godkjenning
igangkjøring
Sjekklisteutkast
Måling og signatur i felt
Regelen er enkel: Risikoen for en AI-utgang er lik skaden som utgang vil forårsake hvis den gjør en feil. Å feilstave en akseetikett er ufarlig; Feilberegning av en bryterstrøminnstilling kan føre til brann. Så det første spørsmålet å stille før du bruker utdataene er: "Hva skjer hvis dette er feil, og hvem vil legge merke til det?"
Oppmerksomhet: AI produserer flytende og selvsikker tekst. Flytende er ingen garanti for nøyaktighet. En språkmodell kan "koke sammen" (hallusinere) troverdige formler, varenumre og dataarkverdier selv når den ikke har noen reelle data. I elektrisitet forblir ikke dette på papiret; blir til funksjonsfeil, skade eller ulykke i felten.
Avgjørelser som bør overlates til ingeniøren
Noen avgjørelser bør aldri automatiseres fullstendig. Disse utgjør tekniske, juridiske og etiske risikoer:
- Sikkerhetskritiske valg: Bryter/sikringsklasse, beskyttelseskoordinering, jording og isolasjonsklasse.
- Igangkjøring og energisetting: Beslutningen om å legge spenning på et kort, en motor eller et korts kraftledning for første gang.
- Standard samsvarserklæring: Utsagnet "Dette designet samsvarer med den relevante standarden" krever ingeniørens signatur.
- Verdier i kontakt med mennesker: Reststrømbeskyttelsesterskel, berøringsspenning, EMC/EMF-grenser.
Advarsel: Selv om en AI-generert beregning resulterer i noe sånt som "50 A bryter er tilstrekkelig", er det uakseptabelt å bruke det uten at en ingeniør har verifisert det med kortslutningsstrøm, selektivitet og kabelstyrke. Hver sikkerhetskritisk utgang må være uavhengig verifisert og godkjent av den autoriserte ingeniøren før implementering.
Verifikasjonsdisiplin: Trelagskontroll
For å bruke AI-utdata med øynene til redaktøren og revisoren i stedet for blindt, bruk en trelagskontroll:
- Enhet og rang (sanity check): Er enheten for resultatet riktig? Er størrelsen fysisk rimelig? Hvis det er 500 kW tap i en 100 kVA transformator, er det feil et sted.
- Uavhengig gjengivelse: Gjengi beregningen manuelt, med en kalkulator, eller med en kort Python/SPICE-kjøring. Hvis to ulike metoder gir samme resultat, øker tilliten.
- Standard- og kildeverifisering: Hvert varenummer, databladverdi og grense gitt av AI må bekreftes ordrett fra den offisielle kilden.
Bekreftelsesspørsmål (gjør det enklere å sjekke utdataene): "Ta en oversikt over ALLE forutsetninger, formler og enheter du brukte i beregningen av følgende. Vis hvert mellomtrinn på en egen linje. Merk standardverdien eller databladnummeret du brukte med en 'kilde kreves'-tag; ikke lag opp noen tall du ikke vet sikkert."
Svak forespørsel / sterk forespørsel
SVAK:"Fortell meg hvilket kabeltverrsnitt som er egnet for denne motoren."(Resultat: et enkelt tall uten kontekst; det er uklart hvilken strøm, lengde, monteringsmetode og spenningsfallgrense som er antatt.)STERK:"Foreløpig beregne kobberkabeltverrsnittet for følgende forhold og vis trinnene:- Motor: 15 kW, 400 cos, 0-fase, φ-effektivitet, φ 0,5 0,90- Kabellengde: 60 m, rørinstallasjon, omgivelsestemperatur 35 °C- Tillatt spenningsfall: 3% Beregn strøm, spenningsfall og termisk strømbæreevne SEPARAT. Legg merke til behovet for å verifisere resultatet med den relevante standardtabellen.
Forskjellen er at den sterke prompten gir både den faktiske input og grensen (gi ingen erklæring, vis trinn) til modellen. Dette gjør resultatet revidert.
Mini etui
Innebygde systemingeniør Deniz skriver ut ADC-lesekoden for et temperaturmålekort til AI. AI etablerer formelen forutsatt at referansespenningen for 12-bits ADC er 5 V. Deniz åpner dataarket til kortet; referansen er faktisk 3,3 V. AIs antakelse om 5 V vil få hver måling lest med omtrent 50 % bias. Havet fikser referansen, laster opp koden til kortet og sammenligner avlesningen med det faktiske termometeret ved en kjent temperatur. AI ga fart; Havet økte troverdighet ved å verifisere antakelsen og bekrefte den med måling. Hvis AI ble klarert blindt, ville feilen blitt ført til feltet.
Vanlige feil
- Aksepterer AIs antakelser (referansespenning, temperatur, ledertype) uten å stille spørsmål.
- Bruk av sikkerhetskritiske verdier (bryter, beskyttelse, jording) uten å verifisere.
- Legger ikke merke til sammensatte databladnumre og standard varenumre.
- Forutsatt at koden "fungerer" uten å måle den i maskinvare.
- Omgå volumkontroll; Med utsikt over V, A, W, VA, VAR-forvirringen.
- Erstatter AI-utgang med ingeniørgodkjenning.
Tips: Still hver AI-utgang disse tre spørsmålene: (1) Hvilke forutsetninger gjorde den konklusjonen, og er forutsetningene korrekte? (2) Har jeg gjengitt dette på en uavhengig måte? (3) Er dette sikkerhetskritisk, og har jeg i så fall fått autoritativ bekreftelse og godkjenning? Hvis alle tre er klare, fortsett.
Oppsummert
- AI legger til hastighet og skala i forberedelses-, beregnings-, kode- og dokumentstadier av elektriske og elektroniske arbeider; men han er ikke beslutningstaker.
- Risikoen for et utfall er lik skaden det vil forårsake hvis det gjør en feil; Sikkerhetskritisk arbeid krever uavhengig verifisering og ingeniørgodkjenning.
- Flytende tekst er ikke riktig tekst; Hver antagelse, tall og standardverdi må verifiseres.
- Tre lag med kontroll (enhet/rangering, uavhengig reproduksjon, kildeverifisering) gjør utdataene pålitelige.
- Den kraftige ledeteksten gir den faktiske inngangen og grensen sammen til modellen.
- Plasser AI som "en rask assistent hvis hver utgang overvåkes."
Søknadsoppgave
Få AI til å løse en beregning du nylig har gjort (kabeltverrsnitt, motstandsvalg, strømtap osv.) fra bunnen av. Trekk deretter ut hver antagelse og tall i utdataene til en liste; avgjør "verifisert / ressurs kreves / defekt" for hver. Gjengi beregningen selv, enten manuelt eller med en kort Python-kjøring, og sammenlign de to resultatene. Hvis annerledes, finn ut hvorfor. Denne øvelsen bygger vanen med å bruke AI med auditørdisiplin.