การวิเคราะห์ข้อมูลการทดสอบและการตรวจสอบความถูกต้อง

กำไร:

• ความสามารถในการจดจำประเภทข้อมูลการทดสอบ เช่น ไดนาโมมิเตอร์ การทดสอบบนถนน ความทนทาน และ DVP&R และตำแหน่งในกระบวนการตรวจสอบ
• ความสามารถในการใช้ปัญญาประดิษฐ์เพื่อสรุป ตั้งค่าสถานะความผิดปกติ และร่างรายงานในชุดข้อมูลทดสอบขนาดใหญ่
• ความสามารถในการตรวจสอบการตีความการทดสอบของ AI ข้ามกับความไม่แน่นอนของการวัด ความสามารถในการทำซ้ำ และเกณฑ์การยอมรับ

คำตอบของคำถาม "เป็นไปตามข้อกำหนด" ก่อนที่ยานพาหนะหรือส่วนประกอบจะเข้าสู่การผลิตนั้นซ่อนอยู่ในข้อมูลการทดสอบและการตรวจสอบยืนยันหรือไม่ การทดสอบในยานยนต์ครอบคลุมตั้งแต่ห้องปฏิบัติการ (ไดนาโมมิเตอร์ ห้องควบคุมสภาพอากาศ ตารางการสั่นสะเทือน) ไปจนถึงท้องถนน (การทดสอบบนถนน ลู่วิ่งมาราธอน) และห้องปฏิบัติการการชน การทดสอบเหล่านี้สร้างข้อมูลจำนวนมหาศาล: การทดสอบความทนทานเพียงครั้งเดียวสามารถบันทึกบันทึกเซ็นเซอร์ได้หลายล้านแถว ในหน่วยนี้ เราจะดูประเภทของข้อมูลนี้ สถานที่ในกระบวนการตรวจสอบ และวิธีที่ปัญญาประดิษฐ์ช่วยในการวิเคราะห์ (แต่การตัดสินใจยังคงอยู่ที่วิศวกร)

การตรวจสอบและการตรวจสอบความถูกต้องคืออะไร?

คำสองคำนี้มักสับสน:

• การยืนยัน: "เราสร้างผลิตภัณฑ์อย่างถูกต้องหรือไม่" มาตรการการปฏิบัติตามข้อกำหนด ตัวอย่าง: "ข้อกำหนดระยะเบรกระบุว่า 38 เมตร เราวัดได้ 36.5 เมตร เหมาะสม"
• การตรวจสอบความถูกต้อง: "เราทำผลิตภัณฑ์ได้ถูกต้องหรือไม่" ตอบโจทย์การใช้งานจริงหรือไม่? ตัวอย่าง: “คนขับรู้สึกว่าเบรกนี้รู้สึกปลอดภัยหรือไม่”

ในอุตสาหกรรมยานยนต์ กระบวนการนี้มักจะได้รับการจัดการด้วยเอกสาร DVP&R (แผนการตรวจสอบการออกแบบและรายงาน) ซึ่งเป็นตารางที่แสดงรายการข้อกำหนดที่จะทดสอบด้วยการทดสอบใด ใช้เกณฑ์การยอมรับใด และผลลัพธ์

ประเภทข้อมูลการทดสอบทั่วไป

ประเภทการทดสอบ

มีมาตรการอะไร

ข้อมูลตัวอย่าง

ไดนาโมมิเตอร์ (ไดโน)

กำลังเครื่องยนต์ แรงบิด การปล่อยไอเสีย

เส้นโค้งแรงบิด RPM, การสิ้นเปลืองน้ำมันเชื้อเพลิง

การทดสอบทางถนน

พฤติกรรมสภาพจริง

GPS การเร่งความเร็ว สัญญาณการขับขี่

ความทนทาน

ความเหนื่อยล้าตลอดชีวิต

การสั่นสะเทือน ความเครียด จำนวนรอบ

สภาพภูมิอากาศ/สิ่งแวดล้อม

ทนร้อน-เย็น-ความชื้น

อุณหภูมิสถานะการทำงาน

เอ็นวีเอช

เสียงรบกวน/การสั่นสะเทือน

ความดันเสียง สเปกตรัมความเร่ง

การชนกัน (ชน)

ความปลอดภัย

วิดีโอความเร็วสูง เซ็นเซอร์จำลอง

การทดสอบแต่ละครั้งมีเกณฑ์การยอมรับ (ข้อกำหนด) การวิเคราะห์คือการพิสูจน์ว่าข้อมูลผ่านเกณฑ์นี้หรือไม่

ปัญญาประดิษฐ์ทำอะไรในการวิเคราะห์ทดสอบ?

AI เป็นตัวช่วยที่ทรงพลังในการวิเคราะห์ข้อมูลทดสอบเพื่อ:

1. การสรุป: สรุปทางสถิติ ค่าสูงสุด การกระจายจากแถวหลายล้านแถว
2. เครื่องหมายความผิดปกติ: "มีแรงบิดลดลงอย่างไม่คาดคิดที่ 214 วินาทีในการบันทึกนี้"
3. การเปรียบเทียบรูปแบบ: เปรียบเทียบการทดสอบวิ่งสองครั้งหรือยานพาหนะที่แตกต่างกัน และค้นหาความแตกต่าง
4. ร่างรายงาน: การร่างข้อความผลลัพธ์ของ DVP&R และคำอธิบายกราฟิก
5. ความช่วยเหลือเกี่ยวกับโค้ด: การสร้างสคริปต์การวิเคราะห์ (Python)

แต่ระวัง: ทั้งหมดนี้เป็นภาพร่างและคำแนะนำ วิศวกรทดสอบเป็นผู้ตัดสินใจว่าการทดสอบจะผ่านหรือไม่ และความผิดปกติเกิดขึ้นจริงหรือเป็นข้อผิดพลาดในการวัด

คำแนะนำ: ถาม AI ​​ว่า "การทดสอบนี้ผ่านหรือไม่" แทนที่จะถามว่า "ภูมิภาคใดในข้อมูลนี้ที่แสดงความเสี่ยงตามเกณฑ์การยอมรับ ฉันควรทำการตรวจสอบเพิ่มเติมอะไรบ้าง" ถาม. ประการแรกต้องมีการตัดสินใจ (ไม่ใช่งานของ AI) ประการที่สองต้องใช้คำแนะนำ (งานของ AI)

ความไม่แน่นอนของการวัดและการทำซ้ำ

ไม่มีการวัดใดที่สมบูรณ์แบบ แนวคิดสองประการมีความสำคัญ:

• ความไม่แน่นอนในการวัด: ส่วนต่างตามธรรมชาติของข้อผิดพลาดของอุปกรณ์วัด หากระยะเบรกคือ "36.5 ม." และความไม่แน่นอนคือ ±0.8 ม. ค่าจริงจะอยู่ระหว่าง 35.7-37.3 ม. หากข้อกำหนดคือ 38 ม. แสดงว่าคุณปลอดภัย แต่ถ้าข้อกำหนดคือ 37 เมตร ความไม่แน่นอนก็จะใกล้เคียงกับขีดจำกัดมาก
• ความสามารถในการทำซ้ำ: คุณได้รับผลลัพธ์ที่คล้ายกันเมื่อคุณทำแบบทดสอบเดิมอีกครั้งหรือไม่? การวิ่งครั้งเดียวอาจผ่านไปโดยบังเอิญ ในยานยนต์ การทดสอบที่สำคัญซ้ำหลายครั้งในยานพาหนะ/สภาพที่แตกต่างกัน

"ความผิดปกติ" ที่ AI ทำเครื่องหมายไว้ แท้จริงแล้วอาจเป็นสัญญาณรบกวนในการวัด ความไม่แน่นอนและการตรวจสอบซ้ำเป็นสิ่งสำคัญก่อนตัดสินใจ

ข้อควรระวัง: AI ที่บอกว่า "ผ่านเกณฑ์การยอมรับ" ถือเป็นการหลอกลวง หากไม่ได้คำนึงถึงความไม่แน่นอนในการวัดและความซ้ำซ้อน ในผลลัพธ์ที่ใกล้กับขีดจำกัด ส่วนต่างของความไม่แน่นอนอาจทำให้ผลการทดสอบเปลี่ยนแปลงได้

กรณีศึกษาขนาดเล็ก

กรณีที่ 1 - ความผิดปกติหรือเสียงรบกวน? ในการทดสอบความทนทาน AI ทำเครื่องหมายการกระโดดของสัญญาณความเครียดกะทันหัน 3 ครั้ง วิศวกรทดสอบจะดูข้อมูลดิบ: การกระโดดสอดคล้องกับช่วงเวลาที่แน่นอนเมื่อรีสตาร์ทเครื่องบันทึกข้อมูล ดังนั้นจึงไม่ใช่เหตุการณ์เชิงโครงสร้างที่แท้จริง แต่เป็นเหตุให้การลงทะเบียนหยุดทำงาน ความผิดปกติได้รับการบันทึกไว้ว่าเป็นสิ่งประดิษฐ์ ผลลัพธ์: AI ให้เบาะแส วิศวกรแยกสาเหตุที่แท้จริง ประทับตรา "ล้มเหลว" อัตโนมัติจะผิด

กรณีที่ 2 - ผลลัพธ์ที่ใกล้ขอบเขต ระยะทางเฉลี่ยในการทดสอบเบรกคือ 37.4 ม. ข้อกำหนดคือ 38 ม. AI บอกว่า "ผ่าน" วิศวกรทราบถึงความไม่แน่นอนของการวัด (±0.9 ม.) และดำเนินการได้เพียง 2 ครั้งเท่านั้น ขีดจำกัดบนเกินข้อกำหนด 38.3 ม. การทดสอบเพิ่มขึ้นเป็น 6 รอบ และเงื่อนไข (เบรกร้อน รถที่บรรทุกหนัก) จะแตกต่างกันไป รับรองผลว่าปลอดภัย สรุป: การพูดว่า "ผ่าน" โดยไม่มีความคลุมเครือและการกล่าวซ้ำๆ ถือเป็นความเสี่ยง

กรณีที่ 3 - พลังของการสรุปอย่างรวดเร็ว การทดสอบ NVH หนึ่งครั้งมีข้อมูล 40GB จากเครื่องมือ 12 ชิ้น AI ส่งออกตารางและการเปรียบเทียบโดยสรุปความถี่สูงสุดและแอมพลิจูดสำหรับแต่ละเครื่องมือ วิศวกรมุ่งความสนใจไปที่ยานพาหนะที่มีปัญหา 2 คันใน 20 นาที แทนที่จะเป็น 2 ชั่วโมง จากนั้นเขาก็ตรวจสอบสเปกตรัมดิบของยานพาหนะทั้งสองคันด้วยมือของเขาเอง ผลลัพธ์: AI กำจัดออกไป วิศวกรทำการวิเคราะห์เชิงลึก

เทมเพลตพร้อมท์

เทมเพลต 1 - สรุปการทดสอบ:

บทบาท: คุณเป็นนักวิเคราะห์ข้อมูลทดสอบ ภารกิจ: สรุปบันทึกไดนาโมมิเตอร์ด้านล่าง บริบท: ข้อมูล RPM, 1,000-6,000 รอบต่อนาที; เกณฑ์การยอมรับ: แรงบิดสูงสุดอย่างน้อย 320 นิวตันเมตร ไม่มีการยุบตัวในกราฟกำลัง ข้อจำกัด: การตัดสินใจ 'ผ่าน/ไม่ผ่าน'; แสดงรายการโซนความเสี่ยงและคำแนะนำในการควบคุมเพิ่มเติมตามเกณฑ์ ผลลัพธ์: สถิติสรุป + โซนความเสี่ยง + การควบคุมที่แนะนำ

เทมเพลต 2 - การแยกวิเคราะห์ความผิดปกติ:

บทบาท: คุณเป็นผู้เชี่ยวชาญด้านการวัดและเครื่องมือวัด ภารกิจ: แนะนำฉันในการแยกแยะว่าความผิดปกติที่ทำเครื่องหมายไว้นั้นเป็นเหตุการณ์จริงหรือสิ่งประดิษฐ์ในการวัด บริบท: การกระโดดอย่างกะทันหัน 3 ครั้งในสัญญาณความเครียด; เครื่องบันทึกจะรีสตาร์ทเป็นระยะๆ ผลลัพธ์: คำอธิบายที่เป็นไปได้ + การตรวจสอบความผิดปกติแต่ละรายการ

เทมเพลต 3 - การประเมินความไม่แน่นอน:

บทบาท: คุณเป็นที่ปรึกษาด้านมาตรวิทยา (ศาสตร์แห่งการวัด) งาน: ประเมินความปลอดภัยของผลลัพธ์ตามเกณฑ์การยอมรับ บริบท: ค่าที่วัดได้ 37.4 ม. ความไม่แน่นอน ±0.9 ม. ข้อมูลจำเพาะ 38 ม. จำนวนรัน 2.ข้อจำกัด: อย่าลืมคำนึงถึงความไม่แน่นอนและจำนวนการทำซ้ำด้วย เน้นความใกล้เคียงกับขีดจำกัด ผลลัพธ์: การประเมิน + คำแนะนำสำหรับการทดสอบเพิ่มเติม + ความเสี่ยงที่เหลืออยู่

เทมเพลต 4 - ร่างรายงาน DVP&R:

บทบาท: คุณเป็นวิศวกรตรวจสอบ งาน: เขียนแบบร่างข้อความผลลัพธ์ DVP&R สำหรับผลการทดสอบต่อไปนี้ บริบท: เป็นไปตามข้อกำหนด วิธีทดสอบ เกณฑ์การยอมรับ และค่าที่วัดได้ (ไม่ระบุชื่อ) ข้อจำกัด: ฉบับร่างเท่านั้น อย่าใช้ข้อความ 'อนุมัติ' ที่เข้มงวด เว้นช่องว่างสำหรับการอนุมัติของวิศวกร ผลลัพธ์: ข้อกำหนด | ทดสอบ | เกณฑ์ | ผลลัพธ์ | สถานะ (ร่าง)

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

ดูข้อมูลการทดสอบนี้ว่าผ่านหรือไม่?

ไม่มีเกณฑ์การยอมรับ ความคลุมเครือ และการซ้ำซ้อน AI บอกว่า "ผ่าน/ไม่ผ่าน" แบบบอด ซึ่งเป็นอันตราย

พรอมต์อันทรงพลัง:

บทบาท: คุณเป็นนักวิเคราะห์ข้อมูลการทดสอบยานยนต์ งาน: วิเคราะห์ข้อมูลการทดสอบเบรกที่แนบมากับเกณฑ์การยอมรับ และแนะนำหลักฐานเพิ่มเติมที่จำเป็นสำหรับการตัดสินใจ บริบท: เกณฑ์ 38 ม.; ความไม่แน่นอนของการวัด ±0.9 ม.; มี 2 ​​เงื่อนไข คือการทดสอบน้ำหนักบรรทุกของยานพาหนะในเงื่อนไขเดียว ข้อจำกัด: ประกาศว่า 'ผ่าน'; แสดงรายการความเสี่ยงและเงื่อนไขเพิ่มเติมที่เสนอในแง่ของความไม่แน่นอนและความซ้ำซ้อน ผลลัพธ์: ความเสี่ยง | เหตุผล | แนะนำตารางการทดสอบเพิ่มเติม

ข้อผิดพลาดทั่วไป

• การทำให้ AI ตัดสินใจไป/ไม่สำเร็จ การตัดสินใจทำโดยวิศวกร AI ให้เบาะแส
• ละเว้นความไม่แน่นอนของการวัด ในผลลัพธ์ที่ใกล้ถึงขีดจำกัด ความไม่แน่นอนจะเปลี่ยนแปลงผลลัพธ์
• พึ่งวิ่งครั้งเดียว.. หากไม่สามารถทำซ้ำได้ ผลลัพธ์ที่ได้จะเปราะบาง
• ให้ถือว่าความผิดปกติดังกล่าวเป็น "ความผิดปกติ" ทันที อาจมีการบันทึกสิ่งแปลกปลอม/เสียงรบกวน กลับสู่ข้อมูลดิบ
• คนตาบอดคัดลอกรายงาน ร่าง AI ไม่สามารถกลายเป็นเอกสารอย่างเป็นทางการได้หากไม่ได้รับอนุมัติและแก้ไขจากวิศวกร

โดยสรุป

• มาตรการตรวจสอบการปฏิบัติตามข้อกำหนด มาตรการตรวจสอบการปฏิบัติตามความต้องการที่แท้จริง DVP&R จัดการกระบวนการนี้
• เป็นตัวช่วยที่มีประสิทธิภาพในการสรุป ทำเครื่องหมายความผิดปกติ เปรียบเทียบ และร่างรายงานเกี่ยวกับข้อมูลการทดสอบ AI
• การตัดสินใจ (ผ่าน/ไม่ผ่าน) ขึ้นอยู่กับวิศวกร AI บอกใบ้ ไม่ใช่สัญญาณ
• หากไม่มีความไม่แน่นอนในการวัดและความสามารถในการทำซ้ำ ผลลัพธ์ก็ไม่สามารถตีความได้ ผลลัพธ์ที่ใกล้ถึงขีดจำกัดต้องได้รับการดูแลเป็นพิเศษ
• ความผิดปกติจะต้องถูกแยกออกด้วยข้อมูลดิบเพื่อพิจารณาว่าเป็นเหตุการณ์จริงหรือสิ่งประดิษฐ์ในการวัด

งานสมัคร

เลือกการทดสอบ (เช่น การสตาร์ทเครื่องขณะเย็นในห้องควบคุมอุณหภูมิ) (1) เขียนข้อกำหนด วิธีทดสอบ และเกณฑ์การยอมรับ (2) ขอสรุปและการวิเคราะห์โซนความเสี่ยงด้วยเทมเพลต 1 (โดยไม่ต้องขอการตัดสินใจ) (3) ประเมินผลลัพธ์จินตภาพที่ใกล้ขีดจำกัดของความไม่แน่นอนด้วยเทมเพลต 3 (4) สร้างร่าง DVP&R โดยใช้เทมเพลต 4 เพื่อระบุพื้นที่ที่คุณจะปล่อยให้ได้รับการอนุมัติจากวิศวกร

รายการตรวจสอบ

• [ ] ฉันได้เขียนข้อกำหนดและเกณฑ์การยอมรับไว้อย่างชัดเจน
• [ ] ฉันขอความเสี่ยง/คำใบ้จาก AI ไม่ใช่การตัดสินใจ
• [ ] ฉันรวมความไม่แน่นอนของการวัดไว้ในผลลัพธ์ด้วย
• [ ] ฉันประเมินความสามารถในการทำซ้ำ (จำนวนการวิ่ง)
• [ ] ฉันตรวจสอบความผิดปกติด้วยข้อมูลดิบโดยสร้างความแตกต่างระหว่างข้อเท็จจริงและสิ่งประดิษฐ์
• [ ] ฉันทำเครื่องหมายร่างรายงานเพื่อขออนุมัติจากวิศวกร