Hva er de vanlige problemene i sammenligningseksperimenter med dobbel-sensorredundans?

Variabelkontroll, datastatistikk og resultatvurdering er de tre hovedområdene av bekymring i undersøkelser av dobbel-sensorredundans. De åtte vanligste problemene og deres rettelser er oppført nedenfor:

I. Problemer med variabel kontroll (mest utsatt for feller, som direkte påvirker validiteten til resultatene)

Problem: Variabler er ikke unike; maskinvare- og algoritmeendringer skjer samtidig. Når de utfører eksperimenter, endrer mange mennesker både sensoren og algoritmen samtidig. Når resultatene blir bedre, er de usikre på om algoritmen eller sensoren har skylden.

Løsning: Bare bytt algoritme, test ett sett med sensorer før du går videre til det andre, og bruk det samme paret med sensorer på samme monteringssted.

Inkonsekvente testforhold og modifiserte prosessparametere er problemet. Produkt A brukes av kontrollgruppen, og produkt B brukes av forsøksgruppen. Fordi de to produktenes prosesser svinger forskjellig, kan ikke resultatene sammenlignes.

Løsning: Hold produksjonen av det samme produktet konstant gjennom hele testen og ikke endre prosessvariabler som temperatur, trykk eller hastighet. Hvis du trenger å gjøre endringer, noter dem og gjør en ny beregning.

Problem: Utilstrekkelig prøvestørrelse og testvarighet. Å foreta vurderinger etter bare tre til fem dager med testing gir rom for utilsiktet intervensjon, noe som kan resultere i statistisk skjevhet og upålitelige funn.

II. Datastatistikk (gjør beregningsfeil enkle)

Problem: Ikke-feilsituasjoner telles riktig i beregningen av falsk varslingsfrekvens. En undervurdert antall falske alarmer er resultatet av å telle bare falske alarmer og ignorere reelle, men uoppdagede problemer.

Svaret er å begrense antallet falske alarmer til «bekreftede faktiske feil». For kjente problemer, tell direkte tilfeller der algoritmen ikke klarte å avgi alarm; inkluderer ikke typiske-feilfrie situasjoner.

Problem: Beregningen av falsk alarmhastighets nevner, som er hele produksjonssyklusen, er unøyaktig. Falsk alarmrate beregnes feil ved å dele den totale produksjonssyklusen med antall falske alarmer. Den sanne beregningen er "Antall falske alarmer / Totalt antall alarmer," som resulterer i en falsk alarmrate som er merkbart undervurdert.

Løsninger: Følg strengt den konvensjonelle beregningsformelen. Statistikken skal kun inkludere utløste alarmer; typisk produksjon uten varsler skal ikke inkluderes i nevneren.

Problem: Algoritmen produserer klassifisering direkte; det er ingen manuell merking av alarmens autentisitet. Fordi algoritmen anser sine egne alarmer for å være sanne, produserer den funn som er forfalsket fordi den falske alarmfrekvensen er langt lavere enn den faktiske frekvensen.

Løsning: For å avgjøre om en alarm er en reell defekt eller interferens, må alle alarmer demonteres manuelt, sensorer må byttes, og hver alarm må merkes og kategoriseres.

III. Resultatvurderingskategori (unøyaktige konklusjoner er lett å trekke)

Problem: Ignorerer langsiktig-stabilitet til fordel for kortsiktige-resultater. Etter en uke med testing anses algoritmen umiddelbart som kvalifisert hvis den falske alarmfrekvensen er innenfor det akseptable området. Mangelen på aldring og tilpasningsbekreftelse fører til at antallet falske varsler øker etter tre måneders bruk.

Løsning: En 90--dagers langtidstest må legges til for formell produktavslutning for å statistisk undersøke endringsfrekvensen for falsk alarm. i tillegg må simulerte aldringstester utføres for verifisering av modifikasjoner.

Problem: Konklusjoner gjøres uten å gjennomføre en signifikanstest for små variasjoner. Når to grupper av falske alarmrater avviker med noen få prosentpoeng, antas det at den nye algoritmen er overlegen, selv om dette kan være et resultat av tilfeldige svingninger.

Løsning: Utfør en chi-kvadrattest hvis antallet falske alarmer faller med mindre enn 60 %. ap-verdi på mindre enn 0,05 er nødvendig for å fastslå gyldigheten av forskjellen. En direkte konklusjon kan trekkes dersom nedgangen er mer enn 60 %.