Běžné problémy v experimentech s porovnáním duální{0}}redundance senzorů se zaměřují především na tři aspekty: řízení proměnných, statistiky dat a posouzení výsledků. Zde je 8 nejčastějších problémů a jejich řešení:
I. Problémy s proměnnou kontrolou (nejnáchylnější k úskalím, které přímo ovlivňují platnost výsledků)
Problém: Simultánní změny hardwaru a algoritmu, proměnné nejsou jedinečné. Mnoho lidí během experimentů mění současně senzor i algoritmus, a když se výsledky zlepší, nevědí, zda je na vině senzor nebo algoritmus.
Řešení: Použijte stejný pár senzorů na stejném místě montáže, pouze přepněte algoritmus a otestujte jednu sadu před přepnutím na druhou.
Problém: Nekonzistentní testovací podmínky, upravené parametry procesu. Kontrolní skupina používá produkt A, zatímco experimentální skupina používá produkt B. Kolísání procesu u těchto dvou produktů je odlišné, takže výsledky jsou nesrovnatelné.
Řešení: Udržujte stálou produkci stejného produktu po celou dobu testu, bez úpravy parametrů procesu, jako je teplota, tlak a rychlost. Pokud jsou nutné úpravy, zaznamenejte změny a přepočítejte.
Problém: Nedostatečná zkušební doba, nedostatečná velikost vzorku. Vyvozování závěrů po pouhých 3–5 dnech testování umožňuje náhodné rušení, což vede ke statistickému zkreslení a nespolehlivým výsledkům.
II. Statistika dat (snadno vede k chybám ve výpočtech)
Problém: Výpočet četnosti falešných poplachů je nesprávný, počítají se -nechybné případy jako správné. Počítají se pouze falešné poplachy, přičemž se ignorují skutečné, ale nezjištěné poruchy, což vede k podhodnocenému počtu falešných poplachů.
Řešení: Falešné poplachy by měly být započítány pouze pro „potvrzené skutečné poruchy“. Přímo spočítat, kolikrát algoritmus nespustil poplach pro známé chyby; nezahrnují normální, bezchybné-pouzdra.
Problém: Jmenovatel pro výpočet četnosti falešných poplachů je nesprávný, jako jmenovatel je použit celkový výrobní cyklus. Nesprávný vzorec: Četnost falešných poplachů=Počet falešných poplachů / celkový výrobní cyklus. Správný vzorec je „Počet falešných poplachů / Celkový počet poplachů“, což vede k výrazně podhodnocenému počtu falešných poplachů.
Řešení: Při výpočtu přesně dodržujte standardní vzorec. Do statistik by měly být zahrnuty pouze spuštěné alarmy; běžná produkce bez alarmů by neměla být zahrnuta do jmenovatele.
Problém: Žádné ruční označení pravosti alarmu; výstup algoritmu klasifikuje přímo. Algoritmus sám určuje své vlastní alarmy jako pravdivé, což má za následek mnohem nižší četnost falešných poplachů, než je skutečná četnost, což vede ke zkresleným výsledkům.
Řešení: Všechny alarmy musí být ručně rozebrány a senzory vyměněny pro ověření, zda se jedná o skutečnou poruchu nebo rušení, a každý alarm musí být označen a klasifikován.
III. Kategorie výsledku hodnocení (snadné vyvození nesprávných závěrů)
Problém: Díváte se pouze na krátkodobé-výsledky a ignorujete dlouhodobou-stabilitu. Pokud četnost falešných poplachů splňuje standard po jednom týdnu testování, algoritmus je přímo považován za kvalifikovaný. Po třech měsících používání se počet falešných poplachů prudce zvýšil, protože nebylo provedeno ověření stárnutí a adaptace.
Řešení: Pro formální finalizaci produktu je třeba přidat 90-dlouhodobý test, aby se statisticky analyzovala míra změny míry falešných poplachů; pro ověření modifikace musí být pro potvrzení také provedeny simulované zkoušky stárnutí.
Problém: Malé rozdíly nepodléhají testování významnosti; závěry jsou vyvozovány přímo. Rozdíl několika procentních bodů mezi dvěma skupinami četnosti falešných poplachů se používá k závěru, že nový algoritmus je lepší, když může být způsoben náhodnými výkyvy.
Řešení: Pokud se četnost falešných poplachů sníží o méně než 60 %, proveďte chi-kvadrát test; Hodnota ap-< 0,05 je nutná k určení, že rozdíl je platný. Pokud je pokles větší nebo roven 60 %, lze přímo vyvodit závěr.
