یادگیری ماشین در تست کامپوننت

یادگیری ماشین در تست کامپوننت: تضمین کیفیت انقلابی برای قطعات هوافضا و دفاعی

آزمایش دقیق اجزای هوافضا و دفاعی از طریق یادگیری ماشینی (ML) دستخوش تحولی عمیق است. الگوریتم‌های ML با حرکت فراتر از آستانه‌های عبور و شکست استاتیک، مجموعه داده‌های چند متغیره و گسترده را از چرخه‌های آزمایشی تجزیه و تحلیل می‌کنند تا الگوهای ظریف را کشف کنند، قابلیت اطمینان طولانی‌مدت را پیش‌بینی کنند و خود فرآیند آزمایش را بهینه کنند. این راهنما بررسی می‌کند که چگونه ML اعتبار و صلاحیت اجزای حیاتی مانند رله‌های هوانوردی نظامی ، سنسورهای هوانوردی و کنتاکتورهای هواپیما را افزایش می‌دهد. برای مدیران تدارکاتی که خواستار بالاترین سطوح کیفیت و داده های عملکرد پیش بینی کننده برای موتورهای هواپیما ، سیستم های پهپاد و هواپیماها هستند، درک نقش ML در آزمایش، کلید تصمیم گیری آگاهانه منبع یابی است.

دینامیک صنعت: از تست انطباق تا هوش کیفیت پیش بینی کننده

این صنعت از نگاه کردن به آزمایش به عنوان یک نقطه بازرسی انطباق به استفاده از آن به عنوان منبع هوش کیفیت پیش بینی کننده (PQI) تغییر می کند. با استفاده از ML بر روی داده‌های تست تاریخی و بلادرنگ، تولیدکنندگان می‌توانند از تشخیص عیوب به پیش‌بینی و پیشگیری از آن‌ها حرکت کنند. این امر به‌ویژه برای اجزای پیچیده که در آن‌ها حالت‌های خرابی همیشه از بررسی‌های تک پارامتری مشخص نیست، تأثیرگذار است. برای یک سنسور موتور هوانوردی با کیفیت بالا یا یک کنتاکتور هواپیمای پر انرژی، ML می‌تواند تغییرات ظریف در امضای الکتریکی را در طول آزمایش نهایی با عملکرد میدانی طولانی‌مدت مرتبط کند، و شناسایی واحدهای "مرز" را که ممکن است آزمایش‌های سنتی را پشت سر بگذارند اما در معرض خطر بالاتر شکست زودهنگام هستند، امکان‌پذیر می‌سازد.

کاربردهای کلیدی ML در گردش کار تست مؤلفه

ML در کل زنجیره آزمایشی یکپارچه شده است:

• بهبود بازرسی بصری خودکار (AVI): بینایی کامپیوتری مبتنی بر ML با یادگیری شناسایی عیوب پیچیده و ظریف - مانند ریز ترک‌ها در بدنه‌های فیوز هوانوردی سرامیکی، کیفیت اتصال لحیم ناسازگار، یا عیوب سطح روی کانکتورها - با سازگاری و سرعت فوق‌العاده از AVI مبتنی بر قوانین سنتی پیشی می‌گیرد.
• تشخیص ناهنجاری در داده‌های سری زمانی آزمایش: در طول آزمایش چرخه حیات یک رله هوانوردی نظامی ، مدل‌های ML پارامترهایی مانند جهش تماس، جریان سیم پیچ و دما را در هزاران چرخه تجزیه و تحلیل می‌کنند. آنها امضای "عادی" را یاد می گیرند و می توانند انحرافات ظریف را نشان دهند که نشان دهنده مکانیسم های سایش در حال ظهور است، مدت ها قبل از وقوع یک شکست سخت.
• بهینه‌سازی تست و توالی تست تطبیقی: الگوریتم‌های ML می‌توانند آنالیز کنند که کدام تست‌ها برای یک دسته معین کیفیت نهایی را بیشتر پیش‌بینی می‌کنند. آنها می توانند به صورت پویا برنامه های آزمایش را تطبیق دهند، به طور بالقوه با حذف بررسی های اضافی یا تمرکز منابع بر روی آشکارترین آزمایش ها برای آن زمینه تولید خاص، زمان آزمایش را کوتاه کنند.
• همبستگی‌های پیش‌بینی‌کننده و تحلیل علت ریشه‌ای: با تجزیه و تحلیل داده‌ها در سراسر فرآیند تولید (به عنوان مثال، مقدار مواد، پارامترهای ماشین، شرایط محیطی)، ML می‌تواند همبستگی‌های پیچیده و غیرخطی را که تحلیل‌گران انسانی از دست می‌دهند، شناسایی کند. این امر تجزیه و تحلیل علت ریشه ای را در هنگام وقوع شکست تست تسریع می کند و آن را به مراحل خاص فرآیند مرتبط می کند.

اولویت های تدارکات: 5 نگرانی کلیدی تست ML از خریداران دفاعی روسیه و کشورهای مستقل مشترک المنافع

تیم‌های تدارکات هنگام ارزیابی قابلیت‌های تست تقویت‌شده ML تامین‌کنندگان، بر نتایج قابل تأیید و شفافیت تمرکز می‌کنند:

1. اعتبار سنجی الگوریتم، توضیح پذیری، و مسیر پذیرش نظارتی: خریداران به شواهدی نیاز دارند که مدل های ML به شدت در برابر مجموعه داده های شناخته شده خوب و شناخته شده-بد تایید شده اند. آنها به طور فزاینده ای خواستار هوش مصنوعی قابل توضیح (XAI) هستند - درک اینکه چرا یک مؤلفه پرچم گذاری شده است، نه فقط آن را. یک استدلال واضح برای اینکه چگونه یافته‌های ML با الزامات گواهی سنتی مطابقت یا افزایش می‌دهند (بر اساس طرح‌های آزمایشی DO-254 ، MIL-STD-810 ) ضروری است.
2. منشأ، کیفیت و کاهش تعصب داده ها: ضرب المثل "آشغال در داخل، زباله خارج" بسیار مهم است. تامین کنندگان باید منشأ و کیفیت داده های آموزشی را مستند کنند. خریداران فرآیندها را به دقت بررسی می‌کنند تا اطمینان حاصل کنند که مدل‌های ML با داده‌های غیرنماینده (مثلاً فقط در دسته‌های تولید تابستانی آموزش دیده‌اند) که می‌تواند منجر به رد کردن نادرست یا بدتر از آن، پذیرش نادرست قطعات برای استفاده از قطار یا هواپیما شود، مغرضانه نیستند.
3. یکپارچه‌سازی با سیستم‌های مدیریت کیفیت موجود (QMS): بینش‌های ML باید مستقیماً به QMS تأمین‌کننده وارد شود (مانند AS9100 ). چگونه هشدارهای مبتنی بر ML به گزارش‌های عدم انطباق (NCR) یا اقدامات اصلاحی و پیشگیرانه (CAPA) تبدیل می‌شوند؟ فرآیند باید مستند و قابل ممیزی باشد.
4. نرخ‌های مثبت/کاذب منفی و تاثیر اقتصادی: تامین‌کنندگان باید داده‌های آماری دقیقی را در مورد عملکرد مدل ارائه دهند: نرخ مثبت کاذب (از بین رفتن غیر ضروری قطعات خوب) و نرخ منفی کاذب (فقدان قطعه معیوب). مبادلات اقتصادی و ریسک این نرخ‌ها باید درک شده و مورد توافق قرار گیرد، زیرا مستقیماً بر هزینه و ایمنی تأثیر می‌گذارند.
5. نظارت بر عملکرد بلندمدت مدل و استراتژی به‌روزرسانی: مدل‌های ML می‌توانند با تغییر فرآیندهای تولید یا مواد، «رانده شوند». خریداران به استراتژی تأمین‌کننده برای نظارت مستمر بر عملکرد مدل و فرآیندی واضح و کنترل‌شده برای بازآموزی و به‌روزرسانی مدل‌ها با داده‌های جدید نیاز دارند تا از دقت پایدار در طول سال‌های تولید اطمینان حاصل کنند.

اکوسیستم کیفیت مبتنی بر داده YM که توسط یادگیری ماشینی طراحی شده است

ما یک زیرساخت کیفیت داده محور در مقیاس کارخانه و امکانات خود ایجاد کرده ایم. هر قطعه از تجهیزات آزمایشی - از ایستگاه‌های آزمایش خودکار برای سنسورهای هوانوردی گرفته تا آزمایش‌کننده‌های حیات با جریان بالا برای کنتاکتورهای هوانوردی نظامی - یک گره داده است. این جریان داده گسترده و همگام‌سازی شده با زمان، پلتفرم مرکزی تجزیه و تحلیل تولید ما را تغذیه می‌کند، جایی که مدل‌های ML اختصاصی در آن کار می‌کنند. به عنوان مثال، مدل‌های ما در طول آزمایش نهایی، مشخصات جریان ورودی هر هواپیمای کنتاکتور را تجزیه و تحلیل می‌کنند و آن را با نمایه طلایی که از میلیون‌ها آزمایش قبلی برای پیش‌بینی ویژگی‌های فرسودگی مکانیکی اصلاح شده است، مقایسه می‌کنند.

این قابلیت نتیجه مستقیم تیم تحقیق و توسعه و نوآوری ما در علم داده و پردازش سیگنال است. تیم ما شامل متخصصانی است که مدل‌های یادگیری بدون نظارت را برای کشف ناهنجاری‌های ناشناخته و مدل‌های یادگیری تحت نظارت برای پیش‌بینی حالت‌های شکست خاص توسعه می‌دهند. یک نوآوری کلیدی، کاربرد ML ما برای داده‌های غربالگری استرس محیطی و سوختگی (ESS) است، که در آن نشانه‌های ناآشکار زودرس را شناسایی می‌کنیم که به ما امکان می‌دهد واحدهای مرگ و میر نوزادان را با دقت بی‌سابقه‌ای حذف کنیم و قابلیت اطمینان هر جزء ارسال شده را افزایش دهیم. فناوری کیفیت پیش بینی ما را کاوش کنید.

گام به گام: اجرای برنامه تست ML-Enhanced

سازمان ها می توانند ML را در آزمایش از طریق یک رویکرد ساختاریافته و تکرار شونده اتخاذ کنند:

1. فاز 1: بنیاد داده ها و ابزار دقیق:
   • اطمینان حاصل کنید که تمام تجهیزات آزمایشی می توانند داده های سری زمانی با وفاداری بالا را صادر کنند (نه فقط نتایج قبولی/شکست).
   • داده‌های آزمون تاریخی را متمرکز و پاک کنید، آن‌ها را با نتایج شناخته‌شده برچسب‌گذاری کنید (به عنوان مثال، "در میدان در ساعت 500 شکست خورده است،" "گذر از آزمون زندگی 10000 ساعته").
2. فاز 2: پروژه آزمایشی بر روی یک جزء با ارزش بالا:
   • یک مؤلفه با حالت های خرابی شناخته شده و پیچیده (مثلاً یک متر هوانوردی خاص برای هواپیماهای بدون سرنشین یا نوع رله) انتخاب کنید.
   • توسعه و آموزش یک مدل اولیه ML متمرکز بر یک پیش‌بینی واحد و ارزشمند، مانند شناسایی واحدهایی که احتمالاً در عرض یک سال خارج از مشخصات کالیبراسیون قرار می‌گیرند.
3. مرحله 3: اعتبار سنجی و ادغام در گردش کار:
   1. مدل ML را در "حالت سایه" در کنار آزمایش سنتی برای یک دسته قابل توجه اجرا کنید.
   2. پیش‌بینی‌های آن را در برابر نتایج واقعی تأیید کنید (مثلاً از طریق آزمایش قابلیت اطمینان گسترده).
   3. هشدارهای مدل معتبر را از طریق سیستم مدیریت کیفیت دیجیتال در گردش کار تکنسین کیفیت ادغام کنید.
4. فاز 4: مقیاس بندی و بهبود مستمر: ML را به سایر خطوط تولید و انواع آزمایش گسترش دهید. از بینش‌های ML برای بهبود فرآیند استفاده کنید (به عنوان مثال، تنظیم یک پارامتر ماشینکاری که به‌عنوان مرتبط با واریانس آزمایشی بعدی پرچم‌گذاری شده است). یک حلقه بازخورد پیوسته ایجاد کنید که در آن از داده‌های قابلیت اطمینان میدانی برای آموزش مجدد و بهبود مدل‌های آزمایشی استفاده می‌شود.

استانداردهای صنعت و بهترین شیوه های در حال تحول برای ML در تست

ایجاد اعتماد در تصمیم گیری های داده محور

در حالی که استانداردهای رسمی برای ML در آزمایش در حال ظهور هستند، چارچوب ها و بهترین شیوه ها در حال ظهور هستند:

• ISO/IEC 22989:2022 و ISO/IEC 23053:2022: چارچوبی برای مفاهیم و اصطلاحات هوش مصنوعی (AI)، ارائه یک واژگان اساسی.
• AS9100:2016 (مدیریت کیفیت) و AS9102 (بازرسی مقاله اول): اصول شواهد عینی، کنترل فرآیند و بهبود مستمر در این استانداردها، شالوده سیستم کیفیتی را فراهم می کند که ML باید در آن ادغام شود.
• MIL-STD-882E (ایمنی سیستم): استفاده از ML در آزمایش باید از فرآیند ارزیابی ایمنی کلی پشتیبانی کند، که نیازمند شفافیت در نحوه ارتباط یافته‌های ML با تجزیه و تحلیل خطر است.
• چارچوب مدیریت ریسک هوش مصنوعی NIST (AI RMF): دستورالعمل‌های داوطلبانه را برای مدیریت ریسک‌های مرتبط با هوش مصنوعی، از جمله جنبه‌های اعتبار، قابلیت اطمینان، ایمنی، و انصاف ارائه می‌دهد که مستقیماً برای الگوریتم‌های آزمایش قابل اعمال است.
• حاکمیت مدل داخلی: تامین کنندگان پیشرو سیاست های حاکمیت مدل ML داخلی دقیق را اجرا می کنند که توسعه، اعتبار سنجی، استقرار و نظارت را پوشش می دهد، که اغلب فراتر از دستورالعمل های خارجی در حال ظهور است.

تجزیه و تحلیل روند صنعت: دوقلوهای دیجیتال برای شبیه سازی آزمون، یادگیری فدرال، و سیستم های تست خود درمانی

همگرایی ML با سایر فناوری‌ها آینده آزمایش را مشخص می‌کند: از مولفه‌های دوقلو دیجیتال برای شبیه‌سازی میلیاردها چرخه آزمایش مجازی در شرایط مختلف استفاده می‌شود، با ML برای تجزیه و تحلیل این شبیه‌سازی‌ها و طراحی کمپین‌های آزمایشی بهینه و حداقلی در دنیای واقعی. آموزش فدرال به چندین تامین‌کننده یا بخش اجازه می‌دهد تا مدل‌های تست ML را بدون به اشتراک گذاشتن داده‌های خام اختصاصی بهبود بخشند و معیارهای کیفیت در سطح صنعت را افزایش دهند. در نهایت، ما شاهد ظهور سیستم‌های آزمایش خودترمیمی و خودبهینه‌سازی خواهیم بود، که در آن ML نه تنها نتایج آزمایش را تجزیه و تحلیل می‌کند، بلکه پارامترهای تجهیزات آزمایش را در زمان واقعی تنظیم می‌کند تا اطلاعات آموزنده‌ای را به‌دست آورد یا برای رانش حسگر جبران کند.

سوالات متداول (FAQ) برای مدیران کیفیت و تدارکات