Lợi nhuận:
- Khả năng nhận dạng các loại dữ liệu thử nghiệm như lực kế, thử nghiệm trên đường, độ bền và DVP&R cũng như vị trí của chúng trong quá trình xác minh
- Khả năng sử dụng trí tuệ nhân tạo để tổng hợp, gắn cờ các điểm bất thường và soạn thảo báo cáo trong bộ dữ liệu thử nghiệm lớn
- Khả năng xác thực chéo cách diễn giải thử nghiệm của AI với các tiêu chí chấp nhận, độ lặp lại và độ không đảm bảo đo lường
Câu trả lời cho câu hỏi “nó có đáp ứng yêu cầu không” trước khi một phương tiện hoặc bộ phận đi vào sản xuất được giấu trong dữ liệu kiểm tra và xác minh. Thử nghiệm trên ô tô trải dài từ phòng thí nghiệm (máy đo lực kế, buồng khí hậu, bàn rung) đến đường (thử nghiệm trên đường, đường đua độ bền) và phòng thí nghiệm va chạm. Những thử nghiệm này tạo ra dữ liệu lớn: một thử nghiệm độ bền duy nhất có thể chứa hàng triệu hàng bản ghi cảm biến. Trong phần này, chúng ta sẽ thấy các loại dữ liệu này, vị trí của nó trong quá trình xác minh và cách trí tuệ nhân tạo giúp phân tích (nhưng quyết định như thế nào vẫn thuộc về kỹ sư).
Xác minh và xác nhận là gì?
Hai thuật ngữ này thường bị nhầm lẫn:
- Xác minh: "Chúng ta đã xây dựng sản phẩm đúng cách chưa?" Đo lường sự tuân thủ với yêu cầu. Ví dụ: "Khoảng cách phanh được thông số là 38 mét; chúng tôi đo được là 36,5 mét. Phù hợp."
- Xác thực: "Chúng ta có tạo ra đúng sản phẩm không?" Liệu nó có đáp ứng được nhu cầu sử dụng thực tế hay không? Ví dụ: “Người lái xe có thấy phanh này an toàn không?”
Trong ô tô, quy trình này thường được quản lý bằng tài liệu DVP&R (Báo cáo và Kế hoạch Xác minh Thiết kế): đó là một bảng liệt kê yêu cầu nào sẽ được kiểm tra với thử nghiệm nào, tiêu chí chấp nhận nào và kết quả.
Các loại dữ liệu thử nghiệm điển hình
Loại thử nghiệm
biện pháp gì
dữ liệu mẫu
Lực kế (dyno)
Công suất động cơ, mô-men xoắn, khí thải
Đường cong mô-men xoắn RPM, mức tiêu thụ nhiên liệu
kiểm tra đường
Hành vi điều kiện thực tế
GPS, khả năng tăng tốc, tín hiệu lái xe
độ bền
mệt mỏi suốt đời
Độ rung, độ căng, số chu kỳ
khí hậu/môi trường
Khả năng chống nóng lạnh
nhiệt độ, trạng thái làm việc
NVH
Tiếng ồn/rung
Áp suất âm thanh, phổ gia tốc
Va chạm (va chạm)
Bảo mật
Video tốc độ cao, cảm biến giả
Mỗi bài kiểm tra có một tiêu chí chấp nhận (yêu cầu). Phân tích là để chứng minh liệu dữ liệu có vượt qua tiêu chí này hay không.
Trí tuệ nhân tạo làm gì trong phân tích bài kiểm tra?
AI là trợ thủ đắc lực trong việc phân tích dữ liệu thử nghiệm để:
- Tóm tắt: Tóm tắt thống kê, giá trị đỉnh, phân phối từ hàng triệu hàng.
- Dấu hiệu bất thường: "Có sự sụt giảm mô-men xoắn bất ngờ ở giây thứ 214 trong bản ghi này."
- So sánh mẫu: So sánh hai lần chạy thử hoặc các phương tiện khác nhau và tìm ra điểm khác biệt.
- Dự thảo báo cáo: Soạn thảo văn bản kết quả DVP&R và giải thích bằng đồ họa.
- Trợ giúp về mã: Tạo tập lệnh phân tích (Python).
Nhưng hãy cẩn thận: đây đều là những bản phác thảo và gợi ý. Chính kỹ sư kiểm tra là người quyết định xem bài kiểm tra có đạt hay không và liệu sự bất thường là có thật hay là lỗi đo lường.
Gợi ý: Hỏi AI "bài kiểm tra này có vượt qua không?" Thay vì hỏi "Những vùng nào trong dữ liệu này có rủi ro theo tiêu chí chấp nhận, tôi nên thực hiện những kiểm tra bổ sung nào?" hỏi. Việc đầu tiên yêu cầu các quyết định (không phải công việc của AI), việc thứ hai yêu cầu các gợi ý (công việc của AI).
Độ không đảm bảo đo và độ lặp lại
Không có phép đo nào là hoàn hảo. Hai khái niệm rất quan trọng:
- Độ không đảm bảo đo: Biên sai số tự nhiên của thiết bị đo. Nếu khoảng cách phanh là "36,5 m" và độ không đảm bảo đo là ±0,8 m thì giá trị thực tế nằm trong khoảng 35,7-37,3 m. Nếu thông số kỹ thuật là 38m thì bạn an toàn; nhưng nếu thông số kỹ thuật là 37 m thì độ không đảm bảo sẽ rất gần với giới hạn.
- Độ lặp lại: Bạn có nhận được kết quả tương tự khi thực hiện lại cùng một bài kiểm tra không? Một lần chạy có thể đã trôi qua một cách tình cờ. Trong ô tô, các bài kiểm tra quan trọng được lặp lại nhiều lần, ở các phương tiện/điều kiện khác nhau.
"Sự bất thường" được AI gắn cờ thực sự có thể là nhiễu đo lường. Sự không chắc chắn và kiểm tra kỹ lưỡng là điều cần thiết trước khi đưa ra quyết định.
Thận trọng: AI cho biết "tiêu chí chấp nhận đã vượt qua" là lừa đảo nếu nó không tính đến độ không chắc chắn và trùng lặp trong phép đo. Trong các kết quả gần với giới hạn, giới hạn của độ không đảm bảo đo có thể làm thay đổi kết quả của phép thử.
Nghiên cứu trường hợp nhỏ
Trường hợp 1 - Bất thường hay ồn ào? Trong bài kiểm tra độ bền, AI đánh dấu 3 lần nhảy đột ngột ở tín hiệu căng. Kỹ sư kiểm tra xem xét dữ liệu thô: các bước nhảy tương ứng với thời điểm chính xác khi bộ ghi dữ liệu được khởi động lại; Vì vậy, đây không phải là một sự kiện mang tính cấu trúc thực sự, đó là sự cố ngừng đăng ký. Những điều bất thường được ghi nhận là tạo tác. Kết quả: AI cung cấp manh mối, kỹ sư cô lập được nguyên nhân gốc rễ; tem "lỗi" tự động sẽ sai.
Trường hợp 2 - Kết quả gần đường biên. Khoảng cách trung bình trong một bài kiểm tra phanh là 37,4 m, thông số kỹ thuật là 38 m. AI nói "đã qua". Kỹ sư nhận thấy độ không đảm bảo đo (±0,9 m) và chỉ thực hiện 2 lần chạy; Giới hạn trên vượt quá thông số kỹ thuật 38,3 m. Bài kiểm tra được tăng lên 6 lần chạy và các điều kiện (phanh nóng, xe có tải) rất đa dạng; Kết quả đã được xác nhận an toàn. Kết luận: Nói “pass” mà không mơ hồ và lặp lại là rất mạo hiểm.
Trường hợp 3 - Sức mạnh của việc tóm tắt nhanh. Một bài kiểm tra NVH có 40GB dữ liệu từ 12 thiết bị. AI đưa ra một bảng và so sánh tóm tắt tần số và biên độ cao nhất cho từng công cụ; Người kỹ sư hướng sự chú ý của mình đến 2 phương tiện có vấn đề trong thời gian 20 phút thay vì 2 giờ. Sau đó, anh ta tự tay kiểm tra quang phổ thô của hai phương tiện đó. Kết quả: AI thực hiện việc loại bỏ, kỹ sư thực hiện phân tích sâu.
mẫu lời nhắc
Mẫu 1 - Tóm tắt bài kiểm tra:
Vai trò: Bạn là nhà phân tích dữ liệu thử nghiệm. Nhiệm vụ: Tóm tắt bản ghi lực kế dưới đây. Bối cảnh: Dữ liệu RPM, 1000-6000 vòng/phút; tiêu chí chấp nhận: mô-men xoắn cực đại ít nhất là 320 Nm, không có sự sụt giảm đường cong công suất. Ràng buộc: Ra quyết định 'Đạt/không đạt'; Liệt kê các vùng rủi ro và khuyến nghị kiểm soát bổ sung theo tiêu chí. Đầu ra: Thống kê tóm tắt + vùng rủi ro + biện pháp kiểm soát được khuyến nghị.
Mẫu 2 - Phân tích cú pháp bất thường:
Vai trò: Bạn là chuyên gia đo lường và thiết bị đo đạc. Nhiệm vụ: Hướng dẫn tôi phân biệt xem các dị thường được đánh dấu là sự kiện có thật hay là tạo tác đo lường. Bối cảnh: 3 lần nhảy đột ngột trong tín hiệu căng thẳng; Máy ghi âm khởi động lại không liên tục. Đầu ra: Giải thích có thể + kiểm tra phân biệt cho từng điểm bất thường.
Mẫu 3 - Đánh giá độ không đảm bảo:
Vai trò: Bạn là nhà tư vấn đo lường (khoa học đo lường). Nhiệm vụ: Đánh giá độ an toàn của kết quả theo tiêu chí chấp nhận. Bối cảnh: Giá trị đo được 37,4 m, độ không đảm bảo đo ±0,9 m, thông số kỹ thuật38 m, số lần chạy 2. Ràng buộc: Đảm bảo tính đến độ không đảm bảo đo và số lần lặp lại; nhấn mạnh sự gần gũi với giới hạn. Đầu ra: Đánh giá + khuyến nghị thử nghiệm bổ sung + rủi ro còn lại.
Mẫu 4 - Dự thảo báo cáo DVP&R:
Vai trò: Bạn là kỹ sư xác minh. Nhiệm vụ: Viết bản nháp văn bản kết quả DVP&R cho các kết quả kiểm tra sau. Bối cảnh: Đáp ứng yêu cầu, phương pháp thử nghiệm, tiêu chí chấp nhận và giá trị đo được (ẩn danh). Ràng buộc: Chỉ bản nháp; Không sử dụng tuyên bố 'đã được phê duyệt' nghiêm ngặt, hãy chừa một khoảng trống để kỹ sư phê duyệt.Đầu ra: Yêu cầu | kiểm tra | tiêu chí | kết quả | trạng thái (dự thảo).
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Nhìn vào dữ liệu thử nghiệm này, nó có vượt qua không?
Không có tiêu chí chấp nhận, mơ hồ và lặp lại; AI cho biết “đạt/không đạt” một cách mù quáng, điều này rất nguy hiểm.
Lời nhắc mạnh mẽ:
Vai trò: Bạn là nhà phân tích dữ liệu thử nghiệm ô tô. Nhiệm vụ: Phân tích dữ liệu kiểm tra phanh đính kèm theo các tiêu chí chấp nhận và tư vấn những bằng chứng bổ sung nào cần thiết cho quyết định. Bối cảnh: Tiêu chí 38 m; độ không đảm bảo đo ±0,9 m; Có 2 điều kiện;tải trọng xe được kiểm tra trong một điều kiện.Ràng buộc: Khai báo 'Đạt'; Liệt kê các rủi ro và các điều kiện bổ sung được đề xuất về mặt không chắc chắn và trùng lặp. Đầu ra: Rủi ro | biện minh | bảng thử nghiệm bổ sung được đề nghị.
Những lỗi thường gặp
- Làm cho AI đưa ra quyết định đi/thất bại. Quyết định được đưa ra bởi kỹ sư; AI đưa ra manh mối.
- Bỏ qua độ không đảm bảo đo. Ở những kết quả gần với giới hạn, sự không chắc chắn sẽ làm thay đổi kết quả.
- Dựa vào một lần chạy. Nếu không có khả năng lặp lại thì kết quả sẽ rất mong manh.
- Ngay lập tức coi sự bất thường là "trục trặc". Có thể có hiện tượng ghi âm/tiếng ồn; Trở lại dữ liệu thô.
- Sao chép mù quáng báo cáo. Dự thảo AI không thể trở thành tài liệu chính thức nếu không có sự phê duyệt và chỉnh sửa của kỹ sư.
Tóm lại
- Xác minh đo lường sự tuân thủ yêu cầu, xác nhận đo lường sự tuân thủ với nhu cầu thực tế; DVP&R quản lý quá trình này.
- Nó là trợ thủ đắc lực trong việc tổng hợp, đánh dấu bất thường, so sánh và soạn thảo báo cáo về dữ liệu kiểm thử AI.
- Quyết định (đạt/không đạt) tùy thuộc vào kỹ sư; Gợi ý AI, không phải dấu hiệu.
- Nếu không có độ không đảm bảo đo và độ lặp lại thì không thể giải thích được kết quả; Kết quả gần giới hạn đòi hỏi sự chú ý đặc biệt.
- Các điểm bất thường phải được phân tách bằng dữ liệu thô để xác định xem chúng là sự kiện có thật hay là tạo phẩm đo lường.
Nhiệm vụ ứng dụng
Chọn một thử nghiệm (ví dụ: khởi động nguội trong buồng điều hòa). (1) Viết yêu cầu, phương pháp thử và tiêu chí chấp nhận. (2) Yêu cầu tóm tắt và phân tích vùng rủi ro với Mẫu 1 (không yêu cầu quyết định). (3) Đánh giá kết quả tưởng tượng gần giới hạn về độ không chắc chắn bằng Mẫu 3. (4) Tạo bản dự thảo DVP&R bằng Mẫu 4, cho biết khu vực nào bạn sẽ để lại để kỹ sư phê duyệt.
danh sách kiểm tra
- [ ] Tôi đã ghi rõ yêu cầu và tiêu chí chấp nhận.
- [ ] Tôi hỏi AI về rủi ro/gợi ý chứ không phải quyết định.
- [ ] Tôi đã đưa độ không đảm bảo đo vào kết quả.
- [ ] Tôi đã đánh giá mức độ thành thạo về khả năng lặp lại (số lần chạy).
- [ ] Tôi đã kiểm tra những điểm bất thường bằng dữ liệu thô bằng cách phân biệt giữa sự thật và sự giả tạo.
- [ ] Tôi đã đánh dấu bản thảo báo cáo để kỹ sư phê duyệt.