ලාභ:
- ඩයිනමෝමීටරය, මාර්ග පරීක්ෂාව, විඳදරාගැනීම සහ DVP&R වැනි පරීක්ෂණ දත්ත වර්ග හඳුනාගැනීමේ හැකියාව සහ සත්යාපන ක්රියාවලියේ ඒවායේ ස්ථානය
- විශාල පරීක්ෂණ දත්ත කට්ටලවල සාරාංශ කිරීමට, සලකුණු කිරීමට විෂමතා සහ කෙටුම්පත් වාර්තා කිරීමට කෘතිම බුද්ධිය භාවිතා කිරීමේ හැකියාව
- මිනුම් අවිනිශ්චිතතාවය, පුනරාවර්තනය සහ පිළිගැනීමේ නිර්ණායක සමඟ AI හි පරීක්ෂණ අර්ථ නිරූපණය හරස් වලංගු කිරීමේ හැකියාව
වාහනයක් හෝ සංරචකයක් නිෂ්පාදනයට යාමට පෙර "එය අවශ්යතා සපුරාලන්නේද" යන ප්රශ්නයට පිළිතුර පරීක්ෂණ සහ සත්යාපන දත්තවල සඟවා ඇත. මෝටර් රථවල පරීක්ෂණය රසායනාගාරයේ (ඩයිනමෝමීටරය, දේශගුණික කුටිය, කම්පන වගුව) සිට මාර්ගය (මාර්ග පරීක්ෂණය, විඳදරාගැනීමේ පථය) සහ බිඳවැටීමේ රසායනාගාරය දක්වා විහිදේ. මෙම පරීක්ෂණ දැවැන්ත දත්ත ජනනය කරයි: එක් විඳදරාගැනීමේ පරීක්ෂණයක සංවේදක වාර්තා පේළි මිලියන ගණනක් අඩංගු විය හැක. මෙම ඒකකය තුළ, මෙම දත්තවල වර්ග, සත්යාපන ක්රියාවලියේ එහි ස්ථානය සහ විශ්ලේෂණයට කෘතිම බුද්ධිය උපකාරී වන ආකාරය අපි දකිමු (නමුත් තීරණය ඉංජිනේරුවරයා සමඟ පවතින්නේ කෙසේද).
සත්යාපනය සහ වලංගුකරණය යනු කුමක්ද?
මෙම පද දෙක බොහෝ විට ව්යාකූල වේ:
- සත්යාපනය: "අපි නිෂ්පාදනය නිවැරදිව ගොඩනඟා ගත්තාද?" අවශ්යතාවයට අනුකූල වීම මැන බලයි. උදාහරණය: "තිරිංග දුර පිරිවිතරය මීටර් 38 ක් කියයි; අපි එය මැන බැලුවා, මීටර් 36.5. සුදුසුයි."
- වලංගුකරණය: "අපි නිවැරදි නිෂ්පාදනයක් කළාද?" එය සැබෑ භාවිතයේදී අවශ්යතා සපුරාලන්නේද? උදාහරණය: "රියදුරන්ට මෙම තිරිංග ආරක්ෂිත බවක් දැනෙනවාද?"
මෝටර්රථ වලදී, මෙම ක්රියාවලිය සාමාන්යයෙන් කළමනාකරණය කරනු ලබන්නේ DVP&R (නිර්මාණ සත්යාපන සැලැස්ම සහ වාර්තාව) ලේඛනයෙනි: එය කුමන පරීක්ෂණයක් සමඟ පරීක්ෂා කරනු ලබන්නේද, කුමන පිළිගැනීමේ නිර්ණායක සමඟද සහ ප්රතිඵලයද යන්න ලැයිස්තුගත කරන වගුවකි.
සාමාන්ය පරීක්ෂණ දත්ත වර්ග
පරීක්ෂණ වර්ගය
මොන මිනුම් දන්ඩ
නියැදි දත්ත
ඩයිනමෝමීටරය (ඩයිනෝ)
එන්ජින් බලය, ව්යවර්ථය, විමෝචනය
RPM-ව්යවර්ථ වක්රය, ඉන්ධන පරිභෝජනය
මාර්ග පරීක්ෂණය
සැබෑ තත්ත්වය හැසිරීම
GPS, ත්වරණය, ධාවන සංඥා
කල්පැවැත්ම
ජීවිත කාලය පුරාම තෙහෙට්ටුව
කම්පනය, වික්රියාව, චක්ර ගණන
දේශගුණය / පරිසරය
උණුසුම්-සීතල-ආර්ද්රතා ප්රතිරෝධය
උෂ්ණත්වය, වැඩ තත්ත්වය
NVH
ශබ්දය / කම්පනය
ශබ්ද පීඩනය, ත්වරණය වර්ණාවලිය
ගැටීම (කඩා වැටීම)
ආරක්ෂාව
අධිවේගී වීඩියෝ, ව්යාජ සංවේදක
සෑම පරීක්ෂණයකටම පිළිගැනීමේ නිර්ණායකයක් (අවශ්යතාවයක්) ඇත. විශ්ලේෂණය යනු දත්ත මෙම නිර්ණායකය සමත් වේද යන්න සනාථ කිරීමයි.
පරීක්ෂණ විශ්ලේෂණයේදී කෘතිම බුද්ධිය කරන්නේ කුමක්ද?
AI යනු පරීක්ෂණ දත්ත විශ්ලේෂණයේ ප්රබල සහායකයෙකි:
- සාරාංශගත කිරීම: සංඛ්යානමය සාරාංශය, උපරිම අගයන්, පේළි මිලියන ගණනකින් බෙදා හැරීම.
- විෂමතා සලකුණු කිරීම: "මෙම පටිගත කිරීමේදී තත්පර 214කදී අනපේක්ෂිත ව්යවර්ථ පහත වැටීමක් ඇත."
- රටා සංසන්දනය: පරීක්ෂණ ධාවන දෙකක් හෝ විවිධ වාහන සංසන්දනය කිරීම සහ වෙනස්කම් සොයා ගැනීම.
- වාර්තා කෙටුම්පත: DVP&R ප්රතිඵල පෙළ සහ චිත්රක පැහැදිලි කිරීම් කෙටුම්පත් කිරීම.
- කේත උපකාරය: විශ්ලේෂණ ස්ක්රිප්ට් ජනනය කිරීම (පයිතන්).
නමුත් ප්රවේශම් වන්න: මේ සියල්ල රූප සටහන් සහ ඉඟි වේ. පරීක්ෂණය සමත්ද නැද්ද යන්න සහ විෂමතාවයක් සැබෑද නැතහොත් මිනුම් දෝෂයක්ද යන්න තීරණය කරන්නේ පරීක්ෂණ ඉංජිනේරුවරයාය.
ඉඟිය: AI ගෙන් අසන්න "මෙම පරීක්ෂණය සමත් වූවාද?" "පිළිගැනීමේ නිර්ණායක අනුව අවදානම් පෙන්නුම් කරන්නේ මෙම දත්තවල කුමන කලාපද, මා විසින් සිදු කළ යුතු අමතර චෙක්පත් මොනවාද?" යනුවෙන් අසනවාට වඩා. අහන්න. පළමුවැන්නට තීරණ අවශ්ය වේ (AI හි කාර්යය නොවේ), දෙවැන්නට ඉඟි අවශ්ය වේ (AI හි කාර්යය).
මිනුම් අවිනිශ්චිතතාවය සහ පුනරාවර්තන හැකියාව
කිසිදු මිනුමක් පරිපූර්ණ නොවේ. සංකල්ප දෙකක් තීරණාත්මක ය:
- මිනුම් අවිනිශ්චිතතාව: මිනුම් උපකරණයක දෝෂයේ ස්වාභාවික ආන්තිකය. තිරිංග දුර "36.5 m" සහ අවිනිශ්චිතතාවය ± 0.8 m නම්, සැබෑ අගය 35.7-37.3 m අතර වේ. පිරිවිතරය 38m නම් ඔබ ආරක්ෂිතයි; නමුත් පිරිවිතරය මීටර් 37 ක් නම්, අවිනිශ්චිතතාවය සීමාවට ඉතා ආසන්න වනු ඇත.
- පුනරාවර්තන හැකියාව: ඔබ එකම පරීක්ෂණය නැවත කරන විට ඔබට සමාන ප්රතිඵල ලැබේද? එක ලකුණක් අහම්බෙන් ගියා වෙන්න පුළුවන්. මෝටර් රථවල, විවිධ වාහන/තත්ත්වවල, තීරණාත්මක පරීක්ෂණ කිහිප වතාවක් පුනරාවර්තනය වේ.
AI මගින් සලකුණු කරන ලද "විෂමතාව" ඇත්ත වශයෙන්ම මිනුම් ශබ්දය විය හැකිය. තීරණයක් ගැනීමට පෙර අවිනිශ්චිතභාවය සහ දෙවරක් පරීක්ෂා කිරීම අත්යවශ්ය වේ.
අවවාදයයි: මිනුම් අවිනිශ්චිතතාවය සහ අනුපිටපත් කිරීම සඳහා ගණන් නොගන්නේ නම්, "සම්මත පිළිගැනීමේ නිර්ණායක" යැයි පවසන AI රැවටිලිකාර ය. සීමාවට ආසන්න ප්රතිඵල වලදී, අවිනිශ්චිතතාවයේ ආන්තිකය පරීක්ෂණයේ ප්රතිඵලය වෙනස් කළ හැක.
කුඩා සිද්ධි අධ්යයන
නඩුව 1 - විෂමතාව හෝ ශබ්දය? විඳදරාගැනීමේ පරීක්ෂණයකදී, AI වික්රියා සංඥාවේ හදිසි පැනීම් 3ක් සලකුණු කරයි. පරීක්ෂණ ඉංජිනේරුවරයා අමු දත්ත දෙස බලයි: ජම්ප් දත්ත ලොගර් නැවත ආරම්භ කරන විට නිශ්චිත අවස්ථාවන්ට අනුරූප වේ; එබැවින් එය සැබෑ ව්යුහාත්මක සිදුවීමක් නොවේ, එය ලියාපදිංචිය ඇනහිටීමකි. විෂමතා කෞතුක භාණ්ඩ ලෙස ලේඛනගත කර ඇත. ප්රතිඵලය: AI විසින් ඉඟියක් සපයා ඇත, ඉංජිනේරු හුදකලා මූල හේතුව; ස්වයංක්රීය "අසාර්ථක" මුද්දරය වැරදියි.
නඩුව 2 - ආසන්න දේශසීමා ප්රතිඵලය. තිරිංග පරීක්ෂණයක සාමාන්ය දුර මීටර් 37.4 ක් වන අතර පිරිවිතරය මීටර් 38 කි. AI පවසන්නේ "සමත් වූ" බවයි. මැනුම් අවිනිශ්චිතතාවය (± 0.9 m) ඉංජිනේරුවරයා අවබෝධ කර ගෙන ඇති අතර සිදු කර ඇත්තේ ලකුණු 2 ක් පමණි; ඉහළ සීමාව 38.3 m පිරිවිතර ඉක්මවයි. පරීක්ෂණය ලකුණු 6 දක්වා වැඩි කර ඇති අතර කොන්දේසි (උණුසුම් තිරිංග, පටවන ලද වාහනය) වෙනස් වේ; ප්රතිඵලය ආරක්ෂිත බව තහවුරු කර ඇත. නිගමනය: අපැහැදිලි සහ පුනරාවර්තනයකින් තොරව "සමත් වූවා" යැයි පැවසීම අවදානම් සහගතය.
නඩුව 3 - ඉක්මන් සාරාංශයේ බලය. එක් NVH පරීක්ෂණයකට උපකරණ 12කින් 40GB දත්ත ඇත. AI විසින් එක් එක් මෙවලම සඳහා උපරිම සංඛ්යාත සහ විස්තාරය සාරාංශ කරමින් වගුවක් සහ සංසන්දනය කරයි; ඉංජිනේරුවරයා පැය 2ක් වෙනුවට විනාඩි 20කින් ගැටලුකාරී වාහන 2ක් වෙත තම අවධානය යොමු කරයි. ඊට පස්සේ ඒ වාහන දෙකේ raw spectrum එක එයාගේ අතින්ම පරීක්ෂා කරනවා. ප්රතිඵලය: AI ඉවත් කිරීම කළා, ඉංජිනේරුවා ගැඹුරු විශ්ලේෂණය කළා.
ඉක්මන් සැකිලි
සැකිල්ල 1 - පරීක්ෂණ සාරාංශය:
කාර්යභාරය: ඔබ පරීක්ෂණ දත්ත විශ්ලේෂක වේ. කාර්යය: පහත ඩයිනමෝමීටර වාර්තාව සාරාංශ කරන්න. සන්දර්භය: RPM දත්ත, 1000-6000 rpm; පිළිගැනීමේ නිර්ණායකය: උපරිම ව්යවර්ථය අවම වශයෙන් 320 Nm, බල වක්රයේ කඩා වැටීමක් නොමැත. බාධාව: 'සම්මත/අසාර්ථක' තීරණ ගැනීම; නිර්ණායක අනුව අවදානම් කලාප සහ අතිරේක පාලන නිර්දේශ ලැයිස්තුගත කරන්න. ප්රතිදානය: සාරාංශ සංඛ්යාලේඛන + අවදානම් කලාපය + නිර්දේශිත පාලනය.
සැකිල්ල 2 - විෂමතා විග්රහ කිරීම:
භූමිකාව: ඔබ මිනුම් සහ උපකරණ විශේෂඥයෙක්. කාර්යය: සලකුණු කර ඇති විෂමතා සැබෑ සිදුවීම්ද නැතිනම් මිනුම් කෞතුක වස්තුද යන්න වෙන්කර හඳුනා ගැනීමට මට මඟ පෙන්වන්න. සන්දර්භය: වික්රියා සංඥාවේ හදිසි පැනීම් 3ක්; රෙකෝඩරය කඩින් කඩ නැවත ආරම්භ වේ. ප්රතිදානය: හැකි පැහැදිලි කිරීම + එක් එක් විෂමතා සඳහා වෙනස්කම් පරීක්ෂා කිරීම.
සැකිල්ල 3 - අවිනිශ්චිතතා තක්සේරුව:
භූමිකාව: ඔබ මිනුම් විද්යාව (මිනුම් විද්යාව) උපදේශකයෙකි. කාර්යය: පිළිගැනීමේ නිර්ණායක අනුව ප්රතිඵලයේ ආරක්ෂාව තක්සේරු කරන්න. සන්දර්භය: මනින ලද අගය 37.4 m, අවිනිශ්චිතතාවය ± 0.9 m, පිරිවිතර 38 m, ධාවන සංඛ්යාව 2. සීමා කිරීම්: අවිනිශ්චිතතාවයන් ගණන සැලකිල්ලට ගැනීමට වග බලා ගන්න; සීමාවට සමීප බව අවධාරණය කරන්න. ප්රතිදානය: ඇගයීම + අතිරේක පරීක්ෂණ සඳහා නිර්දේශ + ඉතිරි අවදානම.
සැකිල්ල 4 - DVP&R වාර්තා කෙටුම්පත:
භූමිකාව: ඔබ සත්යාපන ඉංජිනේරුවරයා වේ. කාර්යය: පහත පරීක්ෂණ ප්රතිඵල සඳහා DVP&R ප්රතිඵල පෙළ කෙටුම්පතක් ලියන්න. සන්දර්භය: අවශ්යතාවය, පරීක්ෂණ ක්රමය, පිළිගැනීමේ නිර්ණායකය සහ මනින ලද අගය සපුරා ඇත (නිර්නාමික). සීමාව: කෙටුම්පත පමණි; දැඩි 'අනුමත' ප්රකාශය භාවිතා නොකරන්න, ඉංජිනේරු අනුමැතිය සඳහා ඉඩක් තබන්න. ප්රතිදානය: අවශ්යතාවය | පරීක්ෂණය | නිර්ණායක | ප්රතිඵලය | තත්ත්වය (කෙටුම්පත්).
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මෙම පරීක්ෂණ දත්ත බලන්න, එය සමත් වූවාද?
පිළිගැනීමේ නිර්ණායක, අපැහැදිලි බව සහ පුනරාවර්තනය නැත; AI පවසන්නේ අන්ධ "සමත් / අසමත්", එය භයානක බවයි.
බලවත් විමසුම:
භූමිකාව: ඔබ මෝටර් රථ පරීක්ෂණ දත්ත විශ්ලේෂකයෙක්. කාර්යය: පිළිගැනීමේ නිර්ණායකවලට එරෙහිව අමුණා ඇති තිරිංග පරීක්ෂණ දත්ත විශ්ලේෂණය කර තීරණය සඳහා අවශ්ය අමතර සාක්ෂි මොනවාදැයි උපදෙස් දෙන්න. සන්දර්භය: නිර්ණායකය 38 m; මිනුම් අවිනිශ්චිතතාවය ± 0.9 m; කොන්දේසි 2ක් ඇත;වාහන පැටවීම එක් කොන්දේසියකින් පරීක්ෂා කෙරේ. සීමා කිරීම: 'සමත් වූ' බව ප්රකාශ කිරීම; අවිනිශ්චිතතාවය සහ අනුපිටපත් අනුව අවදානම් සහ යෝජිත අතිරේක කොන්දේසි ලැයිස්තුගත කරන්න.ප්රතිදානය: අවදානම | සාධාරණීකරණය | නිර්දේශිත අතිරේක පරීක්ෂණ වගුව.
පොදු වැරදි
- AI යන්න/අසාර්ථක තීරණයක් ගැනීමට සැලැස්වීම. තීරණය ගනු ලබන්නේ ඉංජිනේරුවරයා විසිනි; AI ඉඟි ලබා දෙයි.
- මිනුම් අවිනිශ්චිතතාවය නොසලකා හැරීම. සීමාවට ආසන්න ප්රතිඵල වලදී, අවිනිශ්චිතතාවය ප්රතිඵලය වෙනස් කරයි.
- එක් ධාවනයක් මත විශ්වාසය තැබීම. පුනරාවර්තන හැකියාව නොමැතිව ප්රතිඵලය බිඳෙන සුළුය.
- අක්රමිකතාව "අක්රිය" ලෙස වහාම සලකන්න. පටිගත කිරීමේ පුරාවස්තු/ශබ්ද තිබිය හැක; අමු දත්ත වෙත ආපසු යන්න.
- වාර්තාව අන්ධ ලෙස පිටපත් කිරීම. ඉංජිනේරු අනුමැතිය සහ නිවැරදි කිරීමකින් තොරව AI කෙටුම්පත නිල ලේඛනය බවට පත්විය නොහැක.
සාරාංශයක් ලෙස
- සත්යාපනය මගින් අවශ්යතාවයට අනුකූල වීම, වලංගු කිරීම සැබෑ අවශ්යතාවයට අනුකූල වීම මැනීම; DVP&R මෙම ක්රියාවලිය කළමනාකරණය කරයි.
- එය AI පරීක්ෂණ දත්ත පිළිබඳ වාර්තා සාරාංශ කිරීම, විෂමතා සලකුණු කිරීම, සංසන්දනය කිරීම සහ කෙටුම්පත් කිරීම සඳහා ප්රබල සහායකයෙකි.
- තීරණය (සාමාර්ථය/අසමත් වීම) ඉංජිනේරුවරයා සතුය; AI ඉඟි මිස සංඥා නොවේ.
- මිනුම් අවිනිශ්චිතතාවය සහ පුනරාවර්තනය නොමැතිව, ප්රතිඵලය අර්ථ දැක්විය නොහැක; සීමාව ආසන්නයේ ප්රතිඵල විශේෂ අවධානයක් අවශ්ය වේ.
- ඒවා සත්ය සිදුවීම්ද නැතිනම් මිනුම් කෞතුක වස්තුද යන්න තීරණය කිරීම සඳහා විෂමතා අමු දත්ත සමඟින් වෙන් කළ යුතුය.
යෙදුම් කාර්යය
පරීක්ෂණයක් තෝරන්න (උදා: දේශගුණික කුටියේ සීතල ආරම්භය). (1) අවශ්යතාවය, පරීක්ෂණ ක්රමය සහ පිළිගැනීමේ නිර්ණායක ලියන්න. (2) සැකිල්ල 1 සමඟින් සාරාංශයක් සහ අවදානම් කලාප විශ්ලේෂණයක් ඉල්ලන්න (තීරණයක් ඉල්ලා සිටීමකින් තොරව). (3) සැකිල්ල 3 සමඟ අවිනිශ්චිතතාවයේ සීමාව ආසන්නයේ ඇති මනඃකල්පිත ප්රතිඵලයක් තක්සේරු කරන්න. (4) ඔබ ඉංජිනේරු අනුමැතිය සඳහා පිටත් වන්නේ කුමන ක්ෂේත්රද යන්න දැක්වෙන සැකිල්ල 4 භාවිතයෙන් DVP&R කෙටුම්පතක් නිෂ්පාදනය කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම අවශ්යතා සහ පිළිගැනීමේ නිර්ණායක පැහැදිලිව ලියා ඇත.
- [ ] මම AI ගෙන් ඉල්ලා සිටියේ අවදානමක් / ඉඟියක් මිස තීරණයක් නොවේ.
- [ ] මම ප්රතිඵලයේ මිනුම් අවිනිශ්චිතතාවය ඇතුළත් කළෙමි.
- [ ] මම පුනරාවර්තන හැකියාව (ධාවන ගණන) ප්රවීණතාවය ඇගයීමට ලක් කළෙමි.
- [ ] මම සත්ය සහ කෞතුක භාණ්ඩ අතර වෙනස හඳුනා ගනිමින් අමු දත්ත සමඟ විෂමතා පරීක්ෂා කළෙමි.
- [ ] මම ඉංජිනේරු අනුමැතිය සඳහා වාර්තා කෙටුම්පත සලකුණු කළෙමි.