​在基于模型的系统中构建信任

传统上，测试阶段是从一个开发阶段进展到下一个阶段的检查点。例如，原型根据设计标准进行测试，满足这些标准后，设计进入设计流程的下一阶段。然而，测试数据本身并不会随着设计一同保留下来。设计测试的唯一目的是确保原型阶段顺利完成。这一模式在所有设计阶段反复出现，从市场调研、概念开发到生产及维护测试。因此，随着产品开发的推进，宝贵的测试数据被遗留，导致大量学习机会丧失。

更复杂的是，许多公司已从顺序设计方法转向更灵活的敏捷产品开发方式。传统的线性且单一的开发过程已发生演变。因此，测试已成为一个持续且正在进行的过程，贯穿整个开发各阶段。

敏捷开发的采纳及数据与洞见传播的需求，聚焦于一个关键问题——如何在整个开发过程中有效捕获并共享信息？

数据的存储与传输本身并不复杂。然而，有效管理这些数据是工程团队长期以来面临的挑战。怎样确保数据反映的是最新信息？解决这一问题构成数字工程的基本原则——建立唯一、权威的真实数据源。若没有严谨的数据管理方法，包括建立单一真实数据源，团队无法以确信和自信的态度使用信息。

在整个开发周期内，权威的真实数据源应对应地发展演变。每轮测试获得的新信息应被整合进已有知识体系。测试不应被视为开发中一系列离散步骤，而应作为建立坚实知识基础、促进产品开发的手段。

将测试视为一系列步骤是提高测试流程效率的关键。这种方法依赖工程团队解答两个关键问题的能力：

“我们将如何保存并传承前阶段学到的信息？每个新的测试阶段我们需要学习哪些新信息？”

这些信息的总和可称为数字线程，贯穿整个开发过程。数字线程成为唯一权威的真实数据源，涵盖数字工件如需求列表、数字模型、传感器映射、记录的测试数据、建模行为、性能变化、制造缺陷、个体差异及真实使用历史。数字线程回答了如何在开发过程中捕获和保留信息的首个问题。提升数字线程质量成为实施数字工程流程团队的主要挑战。

第二个问题涉及在每次新测试中捕获必要信息，这有助于提高开发流程效率。对该问题回答的准确性和完整性决定数字线程最终质量。

在由多个模块组成的系统中，至少有两个主要因素会导致错误。错误源于模块间的相互作用，也源于这些相互作用如何改变单个组件的行为。这些效应的建模可能比单一组件行为的建模更具挑战性。这些因素应指导后期开发阶段的测试工程决策。测试的目标必须从单纯为进入下一阶段提供资格认证，转变为建立对数字线程，尤其是代表系统的模型的信任。

不同模型实现不同目标。模型可用于直观表达概念，优先收集反馈指导产品设计，而非专注于精确功能。模型还能用于跟踪需求或编制采购物料清单。模型也可作为系统中的物理占位符，直至实际组件可用，此时功能可能并不重要。数字模型适用于有限元分析或安全测试等场景测试，此时模型的行为和响应至关重要。最后，模型可作为数字孪生，绑定特定序列号，包含随时间老化的制造数据，以模拟物理系统的实际使用条件。

在这些应用中，对与物理系统匹配的精度需求各不相同。概念模型无法复制物理系统的准确性能，但用于维护预测的数字孪生模型需与真实使用和故障高度一致。对模型准确性的信任程度是衡量其系统内可信度的标准。在此语境中，可信度指“个人基于模型信息作出决策的意愿程度”。¹

为提升模型可信度，需要一种量化该可信度并衡量进展的方法。Eann Patterson提出的模型构架已应用于包括材料科学在内的多个领域，有助于当前讨论。在该模型中，Patterson博士建议从两个维度对模型进行特征化：模型的可测试性如何？我们对模型科学理解程度如何？

在此框架中，当模型被进一步归类到图的左下方时，其置信度会提高。将该领域划分为如图1所示的四个部分有助于理解，尽管这些界限是模糊的非明确分界。

图1.四种模型类别

在这四个部分，我们看到了四种模型类别。工程师必须了解模型所处类别，这对模型的可信度至关重要。以下是这些类别的简要描述：

    I.            已知科学与可验证模型—在此类别中，工程师使用各种工具和指标确保模型的正确应用。该类别示例包括机械杠杆、材料样本和理想物理问题。

    II.            与实验结果吻合的简化模型—此类别中科学可能尚不完全了解，但有足够数据使现象能被准确模拟。工程师应谨慎使用此类模型，需与经验数据进行比较。例如暗物质——我们尚不理解其科学基础，但对宇宙的模型足够精确，可指导太空任务。

    III.            基于坚实科学基础但无法验证的模型—此类模型基于认识论价值，即使无法通过测试验证精度，也可应用于实际场景。此类别示例可能包括承受极端热声疲劳的组件。

    IV.            难以构建且难以测试的模型—这类模型可能松散基于已知科学，但缺乏基础科学信息或测试途径。黑洞中的相互作用可能属于此类。

该构架有助于评估模型的可信度。下一节中，我们将讨论如何帮助工程团队增强对特定模型的信心。

明确类别后，我们可以思考如何将模型进一步推向图中左下方，从而提升置信度的策略。

图2.提升模型置信度的策略

如图2所示，第一策略是开发更先进的测试技术。测量系统精度、精密度、速度及分析技术年年提升。技术每有进步，模型便从左上角（象限III）向左下角（象限I）移动。作为测量公司，NI专注于这一策略——让以前无法实现的测量变得可行。

面对左上角低置信度模型时，工程团队可重点攻关实现以往无法获得的测量。NI等测量公司与行业合作伙伴围绕具体模型问题合作，制定针对最相关问题的测量方案。

第二策略是将新科学理解引入模型。目标是开发基于科学的模型以取代黑箱模型。在这方面，NI与Ansys等公司合作，基于已发布科学理论开发物理仿真，并通过实验数据验证。这些详细模型用于生成简化阶次模型(ROM)，可用于系统仿真、通过传感器优化改进仪器、利用虚拟传感器增强物理测量及故障概率分析。物理模型与实验数据结合，用于量化系统不确定性并构建混合模型，结合本构定律和机器学习原理捕捉未建模的剩余物理，并进行随机分析以识别最可能的故障点。

第三策略用于系统中无法准确测试且科学原理未知的部分（象限IV）。此类系统需要新研究方法以找到测量现象或理解基础物理的途径。NI与全球学术研究项目合作，提升理解和测量这些现象的能力。

随着模型重要性的提升，工程师必须找到依赖模型的方式，将其整合进测试计划。依赖模型的重要一环是明确在哪些方面可被信赖，哪些方面需要更多数据以正确理解测试对象行为。使用NI的工具，可在设计流程各阶段采集数据，提升模型准确性。然后，在基于模型做出假设前，利用NI数据采集和分析工具验证模型行为是否符合预期。所所有这些都有助于提高您对模型的信心，从而充分发挥数字工程工具的潜力。

• 了解更多关于NI完整数据采集产品组合的信息