Iš liejyklos atkeliautos gatavos drožlės yra išbandomos. Tiems, kurie skirti kritinėms sistemoms automobiliuose, šie bandymai yra ypač platūs ir gali padidinti lusto kainą nuo 5 iki 10 procentų. Bet ar tikrai reikia atlikti kiekvieną testą?
NXP inžinieriai sukūrė mašininio mokymosi algoritmą, kuris išmoksta bandymų rezultatų modelius ir nustato testų, kurių tikrai reikia, ir tuos, be kurių jie galėtų saugiai apsieiti, pogrupį. NXP inžinieriai aprašė procesą praėjusią savaitę San Diege vykusioje IEEE tarptautinėje bandymų konferencijoje.
NXP gamina daugybę lustų su sudėtingomis grandinėmis ir pažangiomis lustų gamybos technologijomis, įskaitant EV variklių keitiklius, plataus vartojimo elektronikos garso lustus ir raktų pakabukų atsakiklius, kad apsaugotų jūsų automobilį. Šie lustai yra bandomi su skirtingais signalais esant skirtingoms įtampoms ir skirtingoms temperatūroms atliekant bandymo procesą, vadinamą tęsiant nesėkmę. Šiame procese lustai yra tikrinami grupėmis ir visi yra veikiami visos baterijos, net jei kai kurios dalys nepavyksta atlikti kai kurių bandymų.
Lustai buvo išbandyti nuo 41 iki 164, o algoritmas galėjo rekomenduoti pašalinti 42–74 procentus šių testų.
„Turime užtikrinti griežtus kokybės reikalavimus šioje srityje, todėl turime atlikti daug bandymų“, – sako tyrimui vadovavęs NXP narys Mehul Shroff. Tačiau didžioji dalis faktinės lustų gamybos ir pakavimo perduodama kitoms įmonėms, todėl testavimas yra vienas iš nedaugelio rankenėlių, kuriuos dauguma lustų įmonių gali panaudoti siekdamos kontroliuoti išlaidas. „Tai, ką mes bandėme padaryti, yra sugalvoti būdą, kaip sumažinti bandymų išlaidas tokiu būdu, kuris būtų statistiškai griežtas ir duotų gerų rezultatų nepakenkiant lauko kokybei.
Testavimo rekomendacijų sistema
Shroffas sako, kad problema turi tam tikrų panašumų su mašininiu mokymusi pagrįstomis rekomendacijų sistemomis, naudojamomis elektroninėje prekyboje. „Mes perėmėme koncepciją iš mažmeninės prekybos pasaulio, kur duomenų analitikas gali peržiūrėti kvitus ir pamatyti, kokias prekes žmonės perka kartu“, – sako jis. „Vietoj operacijos kvito turime unikalų dalies identifikatorių, o vietoj prekių, kurias vartotojas pirktų, turime netinkamų testų sąrašą.
Tada NXP algoritmas nustatė, kurie testai kartu nepavyksta. Žinoma, tai, ar duonos pirkėjas norės pirkti sviestą, visiškai skiriasi nuo to, ar automobilio detalės bandymas tam tikroje temperatūroje reiškia, kad nereikia atlikti kitų bandymų. „Turime turėti 100 ar beveik 100 procentų tikrumą“, – sako Shroffas. „Mes dirbame kitoje erdvėje, atsižvelgiant į statistinį griežtumą, palyginti su mažmeninės prekybos pasauliu, tačiau tai yra ta pati koncepcija.
Kad ir kokie griežti būtų rezultatai, Shroff sako, kad nereikėtų jais pasikliauti atskirais. Turite „įsitikinti, kad tai prasminga inžinerijos požiūriu ir kad galite tai suprasti technine prasme“, – sako jis. „Tik tada pašalinkite testą“.
Shroffas ir jo kolegos išanalizavo duomenis, gautus išbandžius septynis mikrovaldiklius ir taikomųjų programų procesorius, sukurtus naudojant pažangius lustų gamybos procesus. Priklausomai nuo to, kuris lustas buvo naudojamas, jiems buvo atlikti nuo 41 iki 164 bandymai, o algoritmas galėjo rekomenduoti pašalinti 42–74 procentus šių testų. Išplėtus analizę, įtraukiant duomenis iš kitų tipų lustų, atsirado dar daugiau galimybių apkarpyti bandymus.
Algoritmas kol kas yra bandomasis projektas, o NXP komanda siekia išplėsti jį į platesnį dalių rinkinį, sumažinti skaičiavimo išlaidas ir palengvinti naudojimą.
Iš jūsų svetainės straipsnių
Susiję straipsniai visame internete