Gu Niansong | AI+DFSS Diseño para Seis Sigma: De la teoría de ingeniería a la implementación en la nube
El 9 de mayo, se celebró con éxito el salón "Serie de Reunión de Recursos del Viaje de la Luz Juntos", creado conjuntamente por China Light Media · Ming Classroom y la Exposición de Iluminación de Ningbo. El evento contó con la presencia especial del Sr. Gu Niansong, experto senior en I+D e innovación, quien se centró en el tema de DFSS Diseño para Seis Sigma — Potenciación por IA: De la teoría de ingeniería a la implementación en la nube. Combinando casi 30 años de experiencia práctica en I+D interindustrial, desglosó la lógica central de DFSS, las prácticas de simulación de tolerancias, AI-DFMEA y las percepciones inteligentes de VOC, ayudando a las empresas de iluminación a conectar toda la cadena desde "la teoría de ingeniería → implementación de herramientas → potenciación en la nube", proporcionando una solución de implementación completa para controlar riesgos, mejorar la eficiencia y alinearse con el mercado desde la fuente del diseño.
Reconocer: Romper los malentendidos cognitivos, volver al valor esencial
Al inicio del evento, el profesor Gu aclaró primero los malentendidos comunes en la industria sobre DFSS (Diseño para Seis Sigma): Muchas personas creen que el DFSS consiste en buscar una tasa de defectos de 3.4 ppm, pero esto es en realidad un "mito": desde una perspectiva estadística, considerando una deriva a largo plazo de 1.5σ, 3.4 ppm corresponde a un nivel unilateral de 4.5σ, con un Cpk de aproximadamente 1.5, en lugar del teórico .Lo verdaderamente importante no es el valor absoluto de ppm, sino la estabilidad del diseño bajo las variaciones reales de fabricación. La base teórica central del DFSS es el Teorema del Límite Central: los productos se ensamblan a partir de múltiples componentes, cada uno con sus propias tolerancias y variaciones. Independientemente de la forma de distribución de las piezas individuales, siempre que haya suficientes, la variación total después del ensamblaje seguirá necesariamente una distribución normal. Los problemas centrales que el DFSS busca resolver son: cómo lograr un diseño de producto robusto dada la variabilidad de fabricación en los componentes, cómo desarrollar los productos correctos que satisfagan realmente las necesidades del mercado y cómo controlar los riesgos de I+D desde el origen. Hasta la fecha, el DFSS ha evolucionado hasta convertirse en un marco metodológico completo de desarrollo de productos, es decir, el proceso DMADV: • Definir: Aclarar el posicionamiento del producto y la demanda del mercado para evitar la tragedia de «tecnología excelente pero sin ventas» • Medir: Cuantificar los requisitos del cliente en especificaciones de producto aplicables y características clave de calidad () • Analizar: Identificar riesgos de diseño y factores clave de influencia mediante herramientas como el DFMEA • Diseñar: Optimizar soluciones mediante diseño robusto, análisis de tolerancias, simulación de Monte Carlo y otros métodos • Verificar: Garantizar que el diseño cumpla con los requisitos mediante pruebas de fiabilidad, verificación de CPK, etc. El profesor Gu enfatizó especialmente: «DFSS no es un motor de creatividad, sino un motor de mitigación de riesgos y reducción de retrabajos; no es exclusivo de los estadísticos, sino un método práctico para que cada ingeniero comprenda la relación causal 'Y = f(x)'; tampoco exige una capacidad absoluta de 6σ, sino que ayuda a las empresas a encontrar el equilibrio óptimo entre costo y robustez.» Implementación de la Metodología Central Del análisis de tolerancias al control de riesgos, resolviendo los puntos críticos de I+D
Cuatro tipos de métodos de análisis de tolerancias,resolviendo puntos críticos en escenarios complejos
La acumulación de tolerancias después del ensamblaje del producto es la causa principal de la baja tasa de rendimiento en la producción en masa y de los problemas de fiabilidad. El profesor Gu comparó cuatro métodos comunes de análisis de tolerancias: 1. Método del peor caso (Worst-case): Asume que todas las tolerancias están simultáneamente en sus valores límite; es el más seguro pero demasiado conservador, con el costo más alto 2. Método de la raíz cuadrática de la suma (RSS): Basado en la suposición de distribución normal, calcula la raíz cuadrada de la suma de los cuadrados de las tolerancias; más adecuado para la mayoría de los escenarios de ensamblaje mecánico 3. Método promedio entre Worst-case y RSS: Un compromiso entre los dos métodos, equilibrando seguridad y racionalidad 4. Simulación de Monte Carlo: Admite distribuciones arbitrarias y relaciones no lineales mediante el muestreo aleatorio de parámetros; es la solución preferida para sistemas complejos (como la alineación óptica y el ensamblaje a presión)
El profesor Gu compartió un caso práctico: Un problema de fugas en el disparador de agua de una fregadora de suelos, donde aproximadamente 1 de cada 100 unidades presentaba fugas, sin poder encontrar la causa raíz durante mucho tiempo. Tras 5.000 simulaciones de Monte Carlo, se descubrió que dos parámetros contribuían al 85% de la variación del espacio. Al ajustar las tolerancias de estas dos piezas clave, se resolvió completamente el problema, evitando los altos costos de modificaciones repetidas del molde. «Anteriormente, problemas similares tardaban 6 meses y requerían 3 modificaciones de molde para resolverse. Con la simulación de Monte Carlo, la causa raíz se puede identificar en solo 2 días, lo que ofrece un ROI muy alto.»
El DFMEA impulsado por IA aborda los puntos críticos tradicionales para lograr una gestión proactiva de riesgos El DFMEA (Análisis de Modos y Efectos de Fallo de Diseño) es una herramienta fundamental para la gestión de riesgos en I+D, pero el DFMEA tradicional presenta tres grandes puntos críticos: • Gran dependencia de la experiencia individual del ingeniero, lo que dificulta que los ingenieros jóvenes cubran los riesgos potenciales • Falta de una base de datos interna de fallos históricos, lo que provoca la pérdida de experiencia cuando el personal se marcha • Un DFMEA completo requiere una semana o incluso más tiempo, y a menudo se convierte en un documento que se rellena a posteriori La herramienta AI-DQA (Garantía de Calidad del Diseño) desarrollada por el equipo del Profesor Gu resuelve perfectamente estos problemas mediante la identificación automatizada de riesgos a través de un proceso de cuatro pasos: 1. Descomposición automática del producto: Desglosa automáticamente el nombre y la descripción del producto introducidos en una estructura de tres niveles: "Función → Módulo → Pieza" 2. Fusión de conocimientos de múltiples fuentes: Integra plantillas de productos integradas, bases de datos internas de fallos de la empresa, gráficos de conocimiento de la industria y casos de fallos en tiempo real de toda la red 3. Análisis inteligente con IA: Calcula el Número de Prioridad de Riesgo (RPN) basándose en los principios de DFMEA y clasifica automáticamente los 5 elementos de mayor riesgo 4. Soluciones de mitigación de salida: Proporcionar medidas específicas de prevención y mejora para cada punto de alto riesgo
Caso práctico: En un proyecto de centro de control para hogar inteligente, el DFMEA tradicional pasó por alto el riesgo de disipación de calor del regulador de potencia. La herramienta de IA lo identificó como el segundo riesgo más alto al extraer datos de bases de datos de fallos de productos similares. Añadir simplemente una almohadilla térmica evitó posibles pérdidas por retirada del mercado de 2 millones de dólares, logrando un retorno de la inversión cientos de veces superior al valor de la herramienta en este único caso.
La IA captura la Voz del Cliente (VOC) para crear el "producto correcto" desde el origen
"El mayor problema en mis 30 años de I+D es que muchos productos tienen excelentes especificaciones técnicas, pero el mercado simplemente no los compra." El profesor Gu admitió con sinceridad que los métodos tradicionales de VOC (encuestas, grupos focales) no solo son costosos y lentos, sino también propensos a sesgos, lo que provoca una desconexión entre la definición del producto y las necesidades reales del mercado. Herramienta de análisis de viabilidad de productos impulsada por IA permite la extracción eficiente de necesidades de los usuarios: Basta con introducir información básica como el nombre del producto, descripción, mercado objetivo y canal de ventas, y el sistema captura automáticamente enormes cantidades de reseñas de usuarios y datos sociales de plataformas como Amazon y Xiaohongshu, generando un informe completo de análisis de mercado en minutos, que incluye: • Tendencias del mercado: Determinar si la industria se encuentra en una fase de crecimiento, estabilidad o declive • Puntos críticos del usuario: Extraer las insatisfacciones más frecuentes de las reseñas reales y convertirlas en especificaciones técnicas aplicables • Análisis de la competencia: Desglosar las fortalezas, debilidades y rangos de precios de los competidores principales • Vacíos del mercado: Identificar oportunidades diferenciadas que los usuarios necesitan pero que aún no están cubiertas • Evaluación de riesgos: Cuantificar los riesgos técnicos y de mercado y ofrecer recomendaciones de entrada
«Una vez lideré un proyecto de fregadora de suelos que alcanzó un nivel de fiabilidad de 6σ, pero finalmente fracasó comercialmente porque no supimos detectar la tendencia de los usuarios hacia modelos inalámbricos. Si hubiéramos contado con esta herramienta de IA, habríamos podido identificar esa tendencia en los datos de mercado en solo una hora, evitando enormes pérdidas de inversión». El profesor Gu subrayó: «Ni siquiera la mejor ejecución de DFSS puede salvar un producto que nadie quiere. No inicien ningún diseño antes de cuantificar la demanda del mercado».
Conjunto de herramientas SaaS en la nube Reducir la barrera de entrada y lograr el empoderamiento integral de la ingeniería
El equipo del profesor Gu ha encapsulado 30 años de experiencia en ingeniería en un conjunto de herramientas SaaS de IA-DFSS listo para usar, que incluye cuatro herramientas centrales: simulación de tolerancias, AI-DFMEA, análisis de AI-VOC y análisis de causas raíz de fallos. Esto reduce el trabajo de análisis, que originalmente llevaba días, a solo minutos, disminuyendo significativamente la barrera para el uso de métodos estadísticos, permitiendo que los ingenieros comunes comiencen rápidamente y potenciando la toma de decisiones de ingeniería en toda la organización.
Ventajas principales de las herramientas: ✅ Cobertura de todo el proceso: Desde la comprensión de la demanda del mercado y la prevención de riesgos de diseño hasta el análisis de causas raíz de problemas en producción masiva, formando un ciclo completo de I+D
✅ Soporte multilingüe: La interfaz de la herramienta y los informes admiten el cambio entre chino e inglés, satisfaciendo las necesidades de las empresas globales
✅ Disponibilidad global: Los servidores están desplegados en el extranjero, permitiendo que usuarios nacionales e internacionales accedan y utilicen directamente sin configuración de red adicional
✅ Iteración continua: El conjunto de herramientas se actualiza continuamente, añadiendo actualmente herramientas específicas de la industria como el cálculo de métricas de Iluminación saludable
Preguntas y respuestas interactivas P ¿Es necesario hacer cola para usar la herramienta? R No, simplemente introduzca los parámetros para ejecutar la simulación y obtener resultados al instante.
P ¿La herramienta admite informes multilingües? R Actualmente se admiten chino e inglés. El informe se genera en el idioma seleccionado en el portal. Otros idiomas pueden exportarse y traducirse manualmente.
P ¿Se requiere una configuración de red especial para el acceso nacional? R No es necesario. El servidor está desplegado en el extranjero y se puede acceder directamente desde dentro y fuera del país. El uso nacional solo presenta una velocidad de carga ligeramente más lenta, sin afectar la funcionalidad normal.
P ¿Qué otras direcciones de aplicación tiene la IA en la industria de la iluminación? R La eficacia luminosa actual de los LED ya se acerca a los límites físicos de la producción en masa. La dirección futura del crecimiento de la industria de la iluminación radica principalmente en la calidad de la luz y la inteligencia. La IA puede ayudar a las empresas a optimizar el diseño de recetas de luz, los algoritmos de control inteligente y la correspondencia de parámetros de iluminación saludable, convirtiéndose en la competencia central para la siguiente etapa de la industria.
Conclusión
Adopte la IA + DFSS para mejorar la calidad y eficiencia de I+D
En su resumen, el profesor Gu enfatizó: «La IA es una verdadera revolución industrial que puede aumentar la productividad cien veces; no adoptarla conducirá inevitablemente a la eliminación. DFSS no es una teoría elevada, ni la IA es un concepto inalcanzable. El conjunto de herramientas que combina ambas puede ayudar prácticamente a las empresas a resolver los puntos críticos de I+D, logrando una optimización de cadena completa desde 'hacer el producto correcto' hasta 'hacer el producto correctamente'.»