Gu Niansong | AI+DFSS Design for Six Sigma: Da teoria da engenharia à implementação na nuvem

Em 9 de maio, foi realizado com sucesso o salão "Série de Encontro de Recursos da Jornada da Luz Juntos", criado conjuntamente pela China Light Media · Ming Classroom e pela Exposição de Iluminação de Ningbo. O evento contou com a presença especial do Sr. Gu Niansong, especialista sênior em P&D e inovação, que focou no tema de DFSS Design for Six Sigma — Capacitação por IA: Da teoria da engenharia à implementação na nuvem. Combinando quase 30 anos de experiência prática em P&D interindustrial, ele dissecou a lógica central do DFSS, práticas de simulação de tolerância, AI-DFMEA e insights inteligentes de VOC, ajudando as empresas de iluminação a conectar toda a cadeia desde "teoria da engenharia → implementação de ferramentas → capacitação na nuvem", fornecendo uma solução de implementação completa para controlar riscos, melhorar a eficiência e alinhar-se ao mercado desde a origem do design.

Reconhecer:

Quebrar equívocos cognitivos, retornar ao valor essencial

Na abertura do evento, o professor Gu esclareceu primeiro os equívocos comuns da indústria sobre o DFSS (Design for Six Sigma):

Muitas pessoas acreditam que o DFSS visa atingir uma taxa de defeitos de 3.4 ppm, mas isso é na verdade um "mito" — do ponto de vista estatístico, considerando uma deriva de longo prazo de 1.5σ, 3.4 ppm corresponde a um nível unilateral de 4.5σ, com um Cpk de aproximadamente 1.5, e não ao teórico .O que realmente importa não é o valor absoluto em ppm, mas a estabilidade do projeto sob as variações reais de fabricação.

A base teórica central do DFSS é o Teorema do Limite Central: os produtos são montados a partir de múltiplos componentes, cada um com suas próprias tolerâncias e variações. Independentemente da forma de distribuição das peças individuais, desde que haja quantidade suficiente, a variação total após a montagem seguirá necessariamente uma distribuição normal.

As questões centrais que o DFSS visa abordar são: como obter um design de produto robusto diante das variações de fabricação dos componentes, como desenvolver os produtos certos que atendam verdadeiramente às necessidades do mercado e como controlar os riscos de P&D desde a origem.

Até o momento, o DFSS evoluiu para um framework metodológico completo de desenvolvimento de produtos, ou seja, o processo DMADV:

• Definir: Esclarecer o posicionamento do produto e a demanda do mercado para evitar a tragédia de «tecnologia excelente, mas sem vendas»

• Medir: Quantificar os requisitos do cliente em especificações de produto acionáveis e características-chave de qualidade ()

• Analisar: Identificar riscos de projeto e fatores-chave de influência usando ferramentas como o DFMEA

• Projetar: Otimizar soluções usando projeto robusto, análise de tolerância, simulação de Monte Carlo e outros métodos

• Verificar: Garantir que o projeto atenda aos requisitos por meio de testes de confiabilidade, verificação de CPK, etc.

O professor Gu enfatizou especialmente: "DFSS não é um motor de criatividade, mas um motor de mitigação de riscos e redução de retrabalho; não é exclusivo dos estatísticos, mas um método prático para cada engenheiro compreender a relação causal 'Y = f(x)'; também não exige capacidade absoluta de 6σ, mas ajuda as empresas a encontrar o equilíbrio ideal entre custo e robustez."

Implementação da Metodologia Principal

Da análise de tolerância ao controle de riscos, resolvendo os pontos críticos de P&D

Quatro tipos de métodos de análise de tolerância,resolvendo pontos críticos em cenários complexos

O acúmulo de tolerâncias após a montagem do produto é a causa central da baixa taxa de rendimento na produção em massa e dos problemas de confiabilidade. O professor Gu comparou quatro métodos comuns de análise de tolerância:

1. Método do pior caso (Worst-case): Assume que todas as tolerâncias estão simultaneamente nos seus limites; é o mais seguro, mas excessivamente conservador, com o custo mais elevado

2. Método da Raiz da Soma dos Quadrados (RSS): Baseado na suposição de distribuição normal, calcula a raiz quadrada da soma dos quadrados das tolerâncias; mais adequado para a maioria dos cenários de montagem mecânica

3. Média dos métodos Worst-case e RSS: Um compromisso entre os dois métodos, equilibrando segurança e racionalidade

4. Simulação de Monte Carlo: Suporta distribuições arbitrárias e relações não lineares através da amostragem aleatória de parâmetros; é a solução preferida para sistemas complexos (como alinhamento óptico e montagem por encaixe)

O professor Gu compartilhou um caso prático: Um problema de vazamento no gatilho de água de uma lavadora de pisos, onde cerca de 1 em cada 100 unidades apresentava vazamento, sem que a causa raiz fosse encontrada por muito tempo. Após 5.000 simulações de Monte Carlo, descobriu-se que dois parâmetros contribuíam com 85% da variação da folga. Apertar as tolerâncias dessas duas peças-chave resolveu completamente o problema, evitando os altos custos de modificações repetidas do molde.

"No passado, problemas semelhantes levavam 6 meses e exigiam 3 alterações de molde para serem resolvidos. Com a simulação de Monte Carlo, a causa raiz pode ser identificada em apenas 2 dias, proporcionando um ROI muito alto."

O DFMEA habilitado por IA resolve as dores tradicionais para alcançar o gerenciamento proativo de riscos

O DFMEA (Análise dos Modos e Efeitos de Falha de Projeto) é uma ferramenta essencial para a gestão de riscos em P&D, mas o DFMEA tradicional apresenta três grandes pontos de dor:

• Forte dependência da experiência individual do engenheiro, dificultando que engenheiros juniores cubram os riscos potenciais

• Falta de um banco de dados interno de falhas históricas, resultando na perda de experiência quando os colaboradores saem

• Um DFMEA completo leva uma semana ou até mais tempo, muitas vezes tornando-se um documento preenchido retroativamente

A ferramenta AI-DQA (Garantia da Qualidade do Projeto) desenvolvida pela equipe do Professor Gu resolve perfeitamente esses problemas, realizando a identificação automatizada de riscos por meio de um processo de quatro etapas:

1. Decomposição automática do produto: Decompõe automaticamente o nome e a descrição do produto inseridos em uma estrutura de três níveis: "Função → Módulo → Peça"

2. Fusão de conhecimento de múltiplas fontes: Integra modelos de produtos embutidos, bancos de dados internos de falhas da empresa, grafos de conhecimento do setor e casos de falhas em tempo real de toda a web

3. Análise inteligente com IA: Calcula o Número de Prioridade de Risco (RPN) com base nos princípios do DFMEA e classifica automaticamente os 5 itens de maior risco

4. Soluções de mitigação de saída: Fornecer medidas específicas de prevenção e melhoria para cada ponto de alto risco

Caso prático: Em um projeto de hub de casa inteligente, o DFMEA tradicional negligenciou o risco de dissipação de calor do regulador de energia. A ferramenta de IA o identificou como o segundo maior risco ao minerar bancos de dados de falhas de produtos semelhantes. Adicionar apenas uma simples almofada térmica evitou possíveis perdas com recall de 2 milhões de dólares, gerando um retorno sobre o investimento centenas de vezes maior que o valor da ferramenta neste único caso.

A IA captura a Voz do Cliente (VOC) para construir o "produto certo" desde a origem

"A maior dor em meus 30 anos de P&D é que muitos produtos têm especificações técnicas excelentes, mas o mercado simplesmente não os compra." O professor Gu afirmou com franqueza que os métodos tradicionais de VOC (pesquisas, grupos focais) não são apenas caros e demorados, mas também suscetíveis a vieses, levando a uma desconexão entre a definição do produto e as necessidades reais do mercado.

Ferramenta de análise de viabilidade de produtos orientada por IA permite a mineração eficiente das necessidades dos usuários: Basta inserir informações básicas como nome do produto, descrição, mercado-alvo e canal de vendas, e o sistema captura automaticamente grandes volumes de avaliações de usuários e dados sociais de plataformas como Amazon e Xiaohongshu, gerando um relatório completo de análise de mercado em minutos, incluindo:

• Tendências de mercado: Determinar se o setor está em fase de crescimento, estabilidade ou declínio

• Pontos de dor do usuário: Extrair as insatisfações mais frequentes das avaliações reais e convertê-las em especificações técnicas acionáveis

• Análise da concorrência: Mapear os pontos fortes, fracos e faixas de preço dos principais concorrentes

• Lacunas de mercado: Identificar oportunidades diferenciadas que os usuários necessitam, mas que ainda não foram atendidas

• Avaliação de riscos: Quantificar os riscos técnicos e de mercado e apresentar recomendações de entrada

«Já liderei um projeto de lavadora de pisos que atingiu nível de confiabilidade de 6σ, mas acabou fracassando comercialmente porque perdemos a tendência dos usuários por modelos sem fio. Se tivéssemos essa ferramenta de IA na época, teríamos identificado essa tendência nos dados de mercado em apenas uma hora, evitando enormes perdas de investimento.» O professor Gu enfatizou: «Mesmo a melhor execução de DFSS não salva um produto que ninguém quer. Não iniciem nenhum projeto de design antes de quantificar a demanda do mercado.»

Conjunto de ferramentas SaaS baseado em nuvem

Reduzir a barreira de entrada e possibilitar o empoderamento da engenharia em toda a cadeia

A equipe do professor Gu encapsulou 30 anos de experiência em engenharia em um conjunto de ferramentas SaaS de IA-DFSS pronto para uso, incluindo quatro ferramentas principais: simulação de tolerâncias, AI-DFMEA, análise de AI-VOC e análise de causa raiz de falhas. Isso reduz o trabalho de análise, que antes levava dias, para apenas alguns minutos, diminuindo significativamente a barreira para o uso de métodos estatísticos, permitindo que engenheiros comuns comecem rapidamente e capacitando a tomada de decisões de engenharia em toda a organização.

Vantagens principais das ferramentas:

✅ Cobertura completa do processo: Desde a percepção da demanda de mercado e prevenção de riscos de design até a análise da causa raiz de problemas de produção em massa, formando um ciclo completo de P&D

✅ Suporte multilíngue: A interface da ferramenta e os relatórios suportam alternância entre chinês e inglês, atendendo às necessidades de empresas globais

✅ Disponível globalmente: Os servidores estão implantados no exterior, permitindo que usuários nacionais e internacionais acessem e usem diretamente sem configuração de rede adicional

✅ Iteração contínua: O conjunto de ferramentas é atualizado continuamente, adicionando atualmente ferramentas específicas do setor, como o cálculo de métricas de Iluminação saudável

Perguntas e respostas interativas

É necessário entrar na fila para usar a ferramenta?

Não, basta inserir os parâmetros para executar a simulação e obter resultados instantâneos.

A ferramenta suporta relatórios multilíngues?

Atualmente, são suportados chinês e inglês. O relatório é gerado no idioma selecionado no portal. Outros idiomas podem ser exportados e traduzidos manualmente.

É necessária uma configuração de rede especial para acesso doméstico?

Não é necessário. O servidor está implantado no exterior e pode ser acessado diretamente tanto no país quanto no exterior. O uso doméstico apresenta apenas uma velocidade de carregamento ligeiramente mais lenta, sem afetar a funcionalidade normal.

Quais outras direções de aplicação a IA tem na indústria de iluminação?

A eficácia luminosa atual dos LED já está próxima dos limites físicos da produção em massa. A direção futura do crescimento da indústria de iluminação reside principalmente na qualidade da luz e na inteligência. A IA pode ajudar as empresas a otimizar o design de receitas de luz, algoritmos de controle inteligente e correspondência de parâmetros de iluminação saudável, sendo a competência central para a próxima fase da indústria.

Conclusão

Adote IA + DFSS para melhorar a qualidade e eficiência de P&D

Em seu resumo, o professor Gu enfatizou: "A IA é uma verdadeira revolução industrial que pode aumentar a produtividade cem vezes; não adotá-la levará inevitavelmente à eliminação. O DFSS não é uma teoria elevada, nem a IA é um conceito inalcançável. O conjunto de ferramentas que combina ambos pode ajudar praticamente as empresas a resolver os pontos críticos de P&D, alcançando uma otimização de cadeia completa desde 'fazer o produto certo' até 'fazer o produto corretamente'."