A method to calculate hardware in the loop applications representativeness
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Nowadays, technology advances have been growing exponentially, creating many branches of possibilities for new products and ways to improve the ones that are already on the market. These new possibilities have been used in the automotive industry to increase efficiency, quality, robustness of their products and also to introduce several functionalities that were not possible before. As result, project complexity is also exponentially increasing. On this context, several tools, techniques and processes have been developed and used to guarantee the quality and robustness of their products, while minimizing development time in order to stay competitive at the market. Considering this context, the use of Hardware In The Loop systems (HIL) is increasing, due to its flexibility, reliability and representativeness that have been verified over time for verification and validation activities using Electronic Control Modules. However, usually the HIL setup quality evaluation is measured indirectly (for example model accuracy) or even just qualitatively. It is hard to define how representative is the HIL setup when compared with the final application. This representativeness depends on several aspects of the HIL, such as model accuracy, precision, signal reliability, technical specification of the elements that composes HIL equipment, as well as the nature of the tests that needs to be done. Thus, this paper presents some main concepts related to the representativeness and use them as a base to show a methodology to estimate the representativeness of a HIL application setup for validation and verification purposes. To illustrate this methodology, some test examples were used on powertrain HIL system.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».