Vinster:
- Förmåga att urskilja var AI accelererar och var det är riskabelt i krets-, kraft- och inbyggt systemarbete
- Förmåga att förklara varför verifiering och ingenjörsgodkännande är obligatoriskt i elarbeten som involverar liv och egendomssäkerhet.
- Förmåga att positionera AI-utdata som ett utkast till indata som ska granskas, snarare än som en ersättning för teknisk bedömning
När du tittar på en el- och elektronikingenjörs dag är bilden som framträder liknande i de flesta team: läsa datablad, fylla i kalkylblad, skriva och felsöka kod, rita scheman, söka efter standarder, förbereda testrapporter, e-post och möten. Med andra ord, den tid som ägnas åt själva "ingenjörsdelen", det vill säga bedömningen av att designa ett system säkert och exakt, krossas under repetitivt arbete. Det är här artificiell intelligens kommer in i bilden. AI gör inte designen åt dig; Den förbereder dig för design, producerar utkast, påskyndar beräkningar och lägger bearbetad information framför dig för beslutsfattande. I den här enheten kommer vi att klargöra i vilka skeden av det elektriskt-elektroniska arbetsflödet AI som tillför verkligt värde, vilka beslut som definitivt bör ligga hos ingenjören och vilken säkerhetsdisciplin du måste följa när du gör detta. Målet är tydligt: att positionera AI inte som en "automatisk designer" utan som en disciplinerad assistent vars resultat verifieras varje gång.
I vilka företag är AI Accelerator, i vilka företag är det riskabelt?
Elektriska och elektroniska verk är placerade på ett tvådelat spektrum vad gäller deras resultat. I ena änden finns återkallbara kontorsjobb med låg risk; Å andra sidan finns det oåterkalleliga beslut som direkt påverkar säkerheten för liv och egendom. Värdet på AI varierar beroende på var du står på detta spektrum.
affärstyp
AI-bidrag
Ingenjörens roll
Datablad/standardsammanfattning
Ta bort relevant objekt från långt dokument
Verifiera värde från officiell källa
Kodutkast (MCU, Python)
Skelett- och funktionsgenerering
Registrering, timing, testverifiering
Redovisningsförarbete
Formelinställning, första siffran
Enhet, rang och standardkontroll
Dokumentation
Utkast till rapport/stycklista/testprocedur
Teknisk noggrannhet och terminologi
skyddssamordning
förslag, scenario
Slutligt urval och godkännande
driftsättning
Utkast till checklista
Mätning och signatur i fält
Regeln är enkel: risken för en AI-utdata är lika med skadan som utdata kommer att orsaka om den gör ett misstag. Felstavning av en axeletikett är ofarligt; Felberäkning av en brytarströmsinställning kan resultera i brand. Så den första frågan att ställa innan du använder utdata är: "Vad händer om detta är fel och vem kommer att märka det?"
Observera: AI producerar flytande och självsäker text. Flytande är ingen garanti för noggrannhet. En språkmodell kan "koka ihop" (hallucinera) trovärdiga formler, artikelnummer och databladsvärden även när den inte har några riktiga data. Inom el finns detta inte kvar på pappret; övergår i funktionsfel, skada eller olycka på fältet.
Beslut som bör överlåtas till ingenjören
Vissa beslut bör aldrig vara helt automatiserade. Dessa utgör tekniska, juridiska och etiska risker:
- Säkerhetskritiska val: Brytare/säkringsklassning, skyddskoordination, jordning och isoleringsklass.
- Driftsättning och spänningssättning: Beslutet att lägga spänning på ett kort, en motor eller ett korts kraftledning för första gången.
- Standardförsäkran om överensstämmelse: Påståendet "Denna design överensstämmer med den relevanta standarden" kräver ingenjörens underskrift.
- Värden i kontakt med människor: Restströmsskyddströskel, beröringsspänning, EMC/EMF-gränser.
Varning: Även om en AI-genererad beräkning resulterar i något i stil med "50 A-brytare är tillräckligt", är det oacceptabelt att tillämpa det utan att en ingenjör verifierar det med kortslutningsström, selektivitet och kabelstyrka. Varje säkerhetskritisk utgång måste oberoende verifieras och godkännas av den auktoriserade ingenjören före implementering.
Verifieringsdisciplin: Trelagerskontroll
För att använda AI-utdata med redaktörens och revisorns ögon snarare än blint, använd en trelagerskontroll:
- Enhet och rang (sanity check): Är enheten för resultatet korrekt? Är storleken fysiskt rimlig? Om det är 500 kW förlust i en 100 kVA transformator så är det fel någonstans.
- Oberoende reproduktion: Reproducera beräkningen manuellt, med en miniräknare eller med en kort Python/SPICE-körning. Om två olika metoder ger samma resultat ökar förtroendet.
- Standard- och källverifiering: Varje artikelnummer, databladsvärde och gräns som ges av AI måste bekräftas ordagrant från den officiella källan.
Verifieringsprompt (gör det enklare att kontrollera utdata): "Ta en tydlig lista över ALLA antaganden, formler och enheter som du använde vid beräkningen av följande. Visa varje mellansteg på en separat rad. Markera standardvärdet eller databladsnumret du använde med en tagg 'källa krävs'; gör inte upp några siffror som du inte vet säkert."
Svag prompt / Stark prompt
SVAG:"Säg mig vilket kabeltvärsnitt som är lämpligt för den här motorn."(Resultat: ett enda tal utan sammanhang; det är oklart vilken ström, längd, monteringsmetod och spänningsfallsgräns som antas.)STARK:"Beräkna preliminärt kopparkabelns tvärsnitt för följande förhållanden och visa stegen:- Motor: 15 kW, 400,000 V, φ verkningsgrad. 0,90- Kabellängd: 60 m, ledningsinstallation, omgivande 35 °C- Tillåtet spänningsfall: 3% Beräkna ström, spänningsfall och värmeströmskapacitet SEPARAT. Notera behovet av att verifiera resultatet med den relevanta standardtabellen.
Skillnaden är att den starka prompten ger både den faktiska inmatningen och gränsen (gör ingen deklaration, visa steg) till modellen. Detta gör resultatet granskbart.
Minifodral
Inbyggda systemingenjör Deniz skriver ut ADC-läskoden för ett temperaturmätningskort till AI:n. AI fastställer formeln förutsatt att referensspänningen för 12-bitars ADC är 5 V. Deniz öppnar kortets datablad; referensen är faktiskt 3,3 V. AI:s antagande om 5 V skulle få varje mätning att läsa med cirka 50 % bias. Havet fixar referensen, laddar upp koden till kortet och jämför avläsningen med den faktiska termometern vid en känd temperatur. AI gav fart; Havet ökade trovärdighet genom att verifiera antagandet och bekräfta det med mätning. Om man litade blint på AI skulle felet föras till fältet.
Vanliga misstag
- Acceptera AI:s antaganden (referensspänning, temperatur, ledartyp) utan att ifrågasätta.
- Tillämpa säkerhetskritiska värden (brytare, skydd, jordning) utan att verifiera.
- Lägger inte märke till påhittade databladsnummer och standardartikelnummer.
- Förutsatt att koden "fungerar" utan att mäta den i hårdvara.
- Förbigå volymkontroll; Med utsikt över V, A, W, VA, VAR förvirring.
- Ersätter AI-utgång för tekniskt godkännande.
Tips: Ställ dessa tre frågor till varje AI-utdata: (1) Vilka antaganden gjorde den den slutsatsen och är antagandena korrekta? (2) Har jag reproducerat detta på ett oberoende sätt? (3) Är detta säkerhetskritiskt, och i så fall, har jag fått auktoritativ verifiering och godkännande? Om alla tre är klara, fortsätt.
Sammanfattningsvis
- AI lägger till hastighet och skala i förberedelse-, beräknings-, kodnings- och dokumentstegen för elektriska och elektroniska arbeten; men han är inte beslutsfattaren.
- Risken för ett utfall är lika med den skada den orsakar om den gör ett misstag; Säkerhetskritiskt arbete kräver oberoende verifiering och ingenjörsgodkännande.
- Flytande text är inte korrekt text; Varje antagande, antal och standardvärde måste verifieras.
- Tre lager av kontroll (enhet/rank, oberoende reproduktion, källverifiering) gör utdata tillförlitlig.
- Den kraftfulla prompten ger den faktiska ingången och gränsen tillsammans till modellen.
- Position AI as “a fast assistant whose every output is monitored.”
Applikationsuppgift
Låt AI:n lösa en beräkning som du nyligen gjort (kabeltvärsnitt, val av motstånd, strömförlust, etc.) från grunden. Extrahera sedan varje antagande och nummer i utgången till en lista; bestäm "verifierad / resurs krävs / felaktig" för varje. Återskapa beräkningen själv, antingen manuellt eller med en kort Python-körning, och jämför de två resultaten. Om olika, ta reda på varför. Den här övningen bygger vanan att använda AI med auditördisciplin.