Gu Niansong | AI+DFSS Conception pour Six Sigma : De la théorie de l'ingénierie à la mise en œuvre dans le cloud

Le 9 mai, le salon « Série de rassemblement de ressources du Voyage de la Lumière Ensemble », créé conjointement par China Light Media · Ming Classroom et l'Exposition de l'éclairage de Ningbo, s'est tenu avec succès. L'événement a invité spécialement M. Gu Niansong, expert senior en R&D et innovation, à se concentrer sur le thème de DFSS Conception pour Six Sigma — Autonomisation par l'IA : De la théorie de l'ingénierie à la mise en œuvre dans le cloud. En combinant près de 30 ans d'expérience pratique en R&D interindustrielle, il a disséqué la logique centrale du DFSS, les pratiques de simulation des tolérances, AI-DFMEA et les insights intelligents VOC, aidant les entreprises d'éclairage à relier toute la chaîne de « la théorie de l'ingénierie → la mise en œuvre des outils → l'autonomisation dans le cloud », fournissant une solution de mise en œuvre complète pour contrôler les risques, améliorer l'efficacité et s'aligner sur le marché dès la source de la conception.

Redécouvrir:

Briser les idées fausses cognitives, revenir à la valeur essentielle

Lors de l'ouverture de l'événement, le professeur Gu a d'abord clarifié les idées fausses courantes dans l'industrie concernant le DFSS (Conception pour Six Sigma) :

Beaucoup pensent que le DFSS vise à atteindre un taux de défauts de 3.4 ppm, mais c'est en réalité un « mythe » — d'un point de vue statistique, en considérant une dérive à long terme de 1.5σ, 3.4 ppm correspond à un niveau unilatéral de 4.5σ, avec un Cpk d'environ 1.5, plutôt que le théorique .Ce qui compte vraiment, ce n'est pas la valeur absolue en ppm, mais la stabilité de la conception face aux variations réelles de fabrication.

Le fondement théorique central du DFSS est le Théorème central limite : les produits sont assemblés à partir de multiples composants, chacun ayant ses propres tolérances et variations. Quelle que soit la forme de distribution des pièces individuelles, tant qu'elles sont suffisamment nombreuses, la variation globale après assemblage suivra nécessairement une distribution normale.

Les problèmes centraux que le DFSS cherche à résoudre sont : comment obtenir une conception de produit robuste malgré les variations de fabrication des composants, comment développer les bons produits qui répondent véritablement aux besoins du marché, et comment contrôler les risques de R&D dès la source.

À ce jour, le DFSS s'est développé en un cadre méthodologique complet de développement de produits, à savoir le processus DMADV :

• Définir: Clarifier le positionnement du produit et la demande du marché pour éviter la tragédie d’« une excellente technologie mais des ventes faibles »

• Mesurer: Quantifier les exigences des clients en spécifications de produit exploitables et caractéristiques clés de qualité ()

• Analyser: Identifier les risques de conception et les facteurs d’influence clés à l’aide d’outils tels que le DFMEA

• Concevoir: Optimiser les solutions en utilisant la conception robuste, l’analyse des tolérances, la simulation de Monte Carlo et d’autres méthodes

• Vérifier: S’assurer que la conception répond aux exigences grâce à des tests de fiabilité, à la vérification du CPK, etc.

Le professeur Gu a particulièrement souligné : « Le DFSS n'est pas un moteur de créativité, mais un moteur d'atténuation des risques et de réduction des retouches ; il n'est pas réservé aux statisticiens, mais constitue une méthode pratique pour chaque ingénieur afin de comprendre la relation de causalité « Y = f(x) » ; il n'exige pas non plus une capacité absolue de 6σ, mais aide les entreprises à trouver l'équilibre optimal entre le coût et la robustesse. »

Mise en œuvre de la méthodologie centrale

De l'analyse des tolérances au contrôle des risques, résoudre les points sensibles de la R&D

Quatre types de méthodes d'analyse des tolérances,résolution des points sensibles dans des scénarios complexes

L'accumulation des tolérances après l'assemblage du produit est la cause principale du faible rendement de la production de masse et des problèmes de fiabilité. Le professeur Gu a comparé quatre méthodes courantes d'analyse des tolérances :

1. Méthode du pire cas (Worst-case): Suppose que toutes les tolérances sont simultanément à leurs valeurs limites ; la plus sûre mais trop conservatrice, avec le coût le plus élevé

2. Méthode de la racine carrée de la somme des carrés (RSS): Basée sur l'hypothèse de distribution normale, calcule la racine carrée de la somme des carrés des tolérances ; plus adaptée à la plupart des scénarios d'assemblage mécanique

3. Moyenne des méthodes Worst-case et RSS: Un compromis entre les deux méthodes, équilibrant sécurité et rationalité

4. Simulation de Monte Carlo: Prend en charge des distributions arbitraires et des relations non linéaires grâce à l'échantillonnage aléatoire des paramètres ; c'est la solution privilégiée pour les systèmes complexes (tels que l'alignement optique et l'assemblage par clips)

Le professeur Gu a partagé un cas pratique : Un problème de fuite au niveau du déclencheur d'eau d'une laveuse de sols, où environ 1 unité sur 100 présentait une fuite, sans que la cause racine ne soit trouvée pendant longtemps. Après 5 000 simulations de Monte Carlo, il a été constaté que deux paramètres contribuaient à 85 % de la variation de l'espace. Le resserrement des tolérances de ces deux pièces clés a complètement résolu le problème, évitant les coûts élevés de modifications répétées des moules.

« Auparavant, des problèmes similaires prenaient 6 mois et nécessitaient 3 modifications d’outillage pour être résolus. Avec la simulation de Monte Carlo, la cause racine peut être identifiée en seulement 2 jours, offrant un ROI très élevé. »

Le DFMEA alimenté par l’IA résout les points de douleur traditionnels pour atteindre une gestion proactive des risques

Le DFMEA (Analyse des modes de défaillance et de leurs effets en conception) est un outil central pour la gestion des risques en R&D, mais le DFMEA traditionnel présente trois points de douleur majeurs :

• Forte dépendance à l’expérience individuelle de l’ingénieur, ce qui rend difficile pour les jeunes ingénieurs de couvrir les risques potentiels

• Absence de base de données interne des pannes historiques, entraînant une perte d’expérience lors du départ du personnel

• Une AMDEC complète nécessite une semaine, voire plus, et devient souvent un document rempli après coup

L'outil AI-DQA (Assurance Qualité de la Conception) développé par l'équipe du Professeur Gu résout parfaitement ces problèmes en réalisant une identification automatisée des risques grâce à un processus en quatre étapes :

1. Décomposition automatique du produit : décompose automatiquement le nom et la description du produit saisis en une structure à trois niveaux : « Fonction → Module → Pièce »

2. Fusion de connaissances multi-sources : intègre des modèles de produits intégrés, des bases de données internes de pannes de l'entreprise, des graphes de connaissances sectoriels et des cas de pannes en temps réel provenant de tout le web

3. Analyse intelligente par IA : calcule l'indice de priorité des risques (RPN) sur la base des principes DFMEA et classe automatiquement les 5 éléments à haut risque

4. Solutions d'atténuation des sorties : Fournir des mesures spécifiques de prévention et d'amélioration pour chaque point à haut risque

Étude de cas pratique : Dans un projet de hub domestique intelligent, le DFMEA traditionnel avait négligé le risque de dissipation thermique du régulateur d'alimentation. L'outil d'IA l'a identifié comme le deuxième risque le plus élevé en exploitant les bases de données de pannes de produits similaires. L'ajout d'un simple pad thermique a évité des pertes potentielles liées à un rappel de 2 millions de dollars, offrant un retour sur investissement plusieurs centaines de fois supérieur à la valeur de l'outil dans ce seul cas.

L'IA capture la Voix du Client (VOC) pour créer le « bon produit » dès la source

« Le plus grand point de douleur de mes 30 années de R&D est que de nombreux produits ont d'excellentes spécifications techniques, mais le marché ne les achète tout simplement pas. » M. Gu a admis avec franchise que les méthodes traditionnelles de VOC (sondages, groupes de discussion) sont non seulement coûteuses et longues, mais aussi sujettes aux biais, entraînant une déconnexion entre la définition du produit et les besoins réels du marché.

Outil d'analyse de faisabilité des produits piloté par l'IA permet une extraction efficace des besoins des utilisateurs : Il suffit de saisir des informations de base telles que le nom du produit, la description, le marché cible et le canal de distribution, et le système capture automatiquement d'immenses volumes d'avis utilisateurs et de données sociales provenant de plateformes comme Amazon et Xiaohongshu, générant un rapport complet d'analyse de marché en quelques minutes, incluant :

• Tendances du marché: Déterminer si l'industrie est en phase de croissance, de stabilité ou de déclin

• Points de douleur des utilisateurs: Extraire les insatisfactions récurrentes des avis réels et les convertir en spécifications techniques exploitables

• Analyse concurrentielle: Répertorier les forces, les faiblesses et les gammes de prix des principaux concurrents

• Lacunes du marché: Identifier les opportunités différenciées dont les utilisateurs ont besoin mais qui ne sont pas encore satisfaites

• Évaluation des risques: Quantifier les risques techniques et commerciaux et formuler des recommandations d'entrée sur le marché

« J’ai déjà dirigé un projet de laveuse de sols qui a atteint un niveau de fiabilité de 6σ, mais il a finalement échoué commercialement parce que nous avons manqué la tendance des utilisateurs vers les modèles sans fil. Si nous avions eu cet outil d’IA à l’époque, nous aurions pu identifier cette tendance dans les données du marché en une heure seulement, évitant ainsi d’énormes pertes d’investissement. » Le professeur Gu a souligné : « Même la meilleure exécution de la méthodologie DFSS ne peut pas sauver un produit que personne ne veut. Ne lancez aucune conception avant d’avoir quantifié la demande du marché. »

Ensemble d’outils SaaS cloud

Abaisser la barrière à l’entrée et permettre l’autonomisation de l’ingénierie de bout en bout

L’équipe du professeur Gu a encapsulé 30 ans d’expérience en ingénierie dans un ensemble d’outils SaaS AI-DFSS prêt à l’emploi, comprenant quatre outils principaux : simulation des tolérances, AI-DFMEA, analyse AI-VOC et analyse des causes racines des défaillances. Cela réduit le travail d’analyse, qui prenait auparavant plusieurs jours, à quelques minutes seulement, abaissant considérablement le seuil d’utilisation des méthodes statistiques, permettant aux ingénieurs ordinaires de démarrer rapidement et autonomisant la prise de décision technique dans toute l’organisation.

Avantages clés des outils :

✅ Couverture complète du processus : De l'analyse des besoins du marché et la prévention des risques de conception à l'analyse des causes profondes des problèmes de production de masse, formant une boucle complète de R&D

✅ Prise en charge multilingue : L'interface de l'outil et les rapports prennent en charge le basculement entre le chinois et l'anglais, répondant aux besoins des entreprises mondiales

✅ Disponibilité mondiale : Les serveurs sont déployés à l'étranger, permettant aux utilisateurs nationaux et internationaux d'accéder et d'utiliser directement sans configuration réseau supplémentaire

✅ Itération continue : L'ensemble d'outils est mis à jour en continu, ajoutant actuellement des outils spécifiques à l'industrie tels que le calcul des métriques d'Éclairage sain

Questions-réponses interactives

Faut-il faire la queue pour utiliser l’outil ?

Non, il suffit de saisir les paramètres pour lancer la simulation et obtenir des résultats instantanés.

L'outil prend-il en charge les rapports multilingues ?

Actuellement, le chinois et l'anglais sont pris en charge. Le rapport est généré dans la langue sélectionnée sur le portail. Les autres langues peuvent être exportées et traduites manuellement.

Une configuration réseau spéciale est-elle requise pour l'accès national ?

Non requis. Le serveur est déployé à l'étranger et est accessible directement depuis l'intérieur et l'extérieur du pays. L'utilisation nationale entraîne uniquement une vitesse de chargement légèrement plus lente, sans affecter les fonctionnalités normales.

Quelles autres orientations d'application l'IA a-t-elle dans l'industrie de l'éclairage ?

L'efficacité lumineuse actuelle des LED approche déjà des limites physiques de la production de masse. L'avenir de la croissance de l'industrie de l'éclairage réside principalement dans la qualité de la lumière et l'intelligence. L'IA peut aider les entreprises à optimiser la conception des recettes lumineuses, les algorithmes de contrôle intelligent et l'adéquation des paramètres d'éclairage sain, constituant ainsi la compétence centrale pour la prochaine étape de l'industrie.

Conclusion

Adoptez l'IA + DFSS pour améliorer la qualité et l'efficacité de la R&D

Dans son résumé, l'enseignant Gu a souligné : « L'IA est une véritable révolution industrielle qui peut augmenter la productivité cent fois ; ne pas l'adopter conduira inévitablement à l'élimination. Le DFSS n'est pas une théorie élevée, ni l'IA un concept inaccessible. L'ensemble d'outils combinant les deux peut concrètement aider les entreprises à résoudre les points critiques de la R&D, réalisant une optimisation de bout en bout depuis « faire le bon produit » jusqu'à « faire le produit correctement ». »