Гу Няньсун | AI+DFSS Проектирование для шести сигм: от инженерной теории к облачному внедрению
9 мая успешно прошел салон «Серия встреч ресурсов „Световой путь вместе“», совместно организованный China Light Media · Ming Classroom и выставкой освещения в Нинбо. На мероприятии выступил приглашенный эксперт Гу Няньсун, старший специалист в области НИОКР и инноваций, который сосредоточился на теме DFSS Проектирование для шести сигм — Расширение возможностей с помощью ИИ: от инженерной теории к облачному внедрению. Опираясь на почти 30-летний опыт практической работы в области НИОКР в различных отраслях, он разобрал основную логику DFSS, практику моделирования допусков, AI-DFMEA и интеллектуальный анализ VOC, помогая компаниям светотехники соединить всю цепочку от «инженерной теории → внедрения инструментов → облачного расширения возможностей», предоставляя полное решение для реализации, позволяющее контролировать риски, повышать эффективность и соответствовать рынку с этапа проектирования.
Переосмысление: Разрушить когнитивные заблуждения, вернуться к сути ценности
В начале мероприятия учитель Гу сначала прояснил распространенные заблуждения отрасли относительно DFSS (проектирование для шести сигм): Многие считают, что DFSS заключается в стремлении к уровню дефектности 3.4 ppm, но на самом деле это «миф» — с статистической точки зрения, учитывая долгосрочный дрейф 1.5σ, 3.4 ppm соответствует одностороннему уровню 4.5σ, с Cpk примерно 1.5, а не теоретическому .На самом деле важно не абсолютное значение ppm, а стабильность конструкции при реальных производственных вариациях. Основой теории DFSS является Центральная предельная теорема: продукты собираются из множества компонентов, каждый из которых имеет свои допуски и вариации. Независимо от формы распределения отдельных деталей, если их количество достаточно велико, общее отклонение после сборки обязательно будет подчиняться нормальному распределению. Ключевые проблемы, которые призван решать DFSS: как добиться надежной конструкции продукта при наличии производственных вариаций компонентов, как разрабатывать правильные продукты, действительно отвечающие потребностям рынка, и как контролировать риски НИОКР с самого начала. На сегодняшний день DFSS превратился в полноценную методологическую структуру разработки продуктов, а именно процесс DMADV: • Определение: Четко определить позиционирование продукта и рыночный спрос, чтобы избежать трагедии «отличная технология, но плохие продажи» • Измерение: Количественно оценить требования клиентов, превратив их в реализуемые спецификации продукта и ключевые характеристики качества () • Анализ: Выявить риски проектирования и ключевые факторы влияния с помощью таких инструментов, как DFMEA • Проектирование: Оптимизировать решения, используя надежное проектирование, анализ допусков, моделирование Монте-Карло и другие методы • Проверка: Убедиться, что дизайн соответствует требованиям, с помощью испытаний на надежность, проверки CPK и т. д. Учитель Гу особо подчеркнул: «DFSS — это не двигатель креативности, а двигатель снижения рисков и уменьшения переделок; он не предназначен исключительно для статистиков, а является практическим методом для каждого инженера по пониманию причинно-следственной связи „Y = f(x)“; он также не требует абсолютной способности 6σ, а помогает предприятиям найти оптимальный баланс между стоимостью и надежностью.» Внедрение основной методологии От анализа допусков к управлению рисками: решение болевых точек НИОКР
Четыре типа методов анализа допусков,решение болевых точек в сложных сценариях
Накопление допусков после сборки продукта является основной причиной низкого выхода годной продукции при массовом производстве и проблем с надежностью. Учитель Гу сравнил четыре распространенных метода анализа допусков: 1. Метод наихудшего случая (Worst-case): Предполагает, что все допуски одновременно находятся на предельных значениях; самый безопасный, но излишне консервативный, с самой высокой стоимостью 2. Метод корня из суммы квадратов (RSS): Основан на предположении нормального распределения, вычисляет квадратный корень из суммы квадратов допусков; более подходит для большинства сценариев механической сборки 3. Среднее значение методов Worst-case и RSS: Компромисс между двумя методами, балансирующий безопасность и рациональность 4. Моделирование по методу Монте-Карло: Поддерживает произвольные распределения и нелинейные зависимости посредством случайной выборки параметров; предпочтительное решение для сложных систем (таких как оптическая юстировка и сборка защелок)
Преподаватель Гу поделился практическим案例ом: Проблема утечки в водном триггере поломоечной машины, когда примерно 1 из 100 устройств протекала, а коренная причина долго не находилась. После 5000 испытаний методом Монте-Карло выяснилось, что два параметра вносили 85% вклада в вариацию зазора. Ужесточение допусков этих двух ключевых деталей полностью решило проблему, избежав высоких затрат на повторную доработку пресс-форм. «Раньше на решение подобных проблем уходило 6 месяцев и требовалось 3 доработки пресс-форм. С помощью моделирования Монте-Карло коренную причину можно выявить всего за 2 дня, что обеспечивает очень высокую окупаемость инвестиций.»
DFMEA на базе AI решает традиционные проблемы для обеспечения проактивного управления рисками DFMEA (Анализ видов и последствий отказов конструкции) является ключевым инструментом управления рисками в НИОКР, но традиционный DFMEA имеет три основные проблемы: • Сильная зависимость от личного опыта инженера, из-за чего молодым специалистам сложно охватить потенциальные риски • Отсутствие внутренней базы данных исторических отказов, что приводит к потере опыта при уходе сотрудников • Полный DFMEA требует недели или даже больше времени и часто превращается в документ, заполняемый постфактум Инструмент AI-DQA (Обеспечение качества проектирования), разработанный командой учителя Гу, идеально решает эти проблемы, обеспечивая автоматизированное выявление рисков посредством четырехэтапного процесса: 1. Автоматическая декомпозиция продукта: автоматически разбивает введенные название и описание продукта на трехуровневую структуру «Функция → Модуль → Деталь» 2. Слияние знаний из множества источников: объединяет встроенные шаблоны продуктов, внутренние базы данных отказов предприятия, отраслевые графы знаний и актуальные случаи отказов со всего интернета 3. Интеллектуальный анализ с помощью ИИ: рассчитывает коэффициент приоритета риска (RPN) на основе принципов DFMEA и автоматически ранжирует 5 наиболее рискованных элементов 4. Выходные решения по смягчению рисков: Предоставление конкретных мер профилактики и улучшения для каждой точки высокого риска
Практический пример: В проекте умного домашнего хаба традиционный DFMEA упустил риск рассеивания тепла регулятора питания. Инструмент ИИ выявил его как второй по уровню риска, проанализировав базы данных отказов аналогичных продуктов. Добавление простой термопрокладки позволило избежать потенциальных убытков от отзыва продукции на сумму 2 миллиона долларов, обеспечив окупаемость инвестиций, в сотни раз превышающую стоимость инструмента, только на этом одном примере.
ИИ фиксирует голос клиента (VOC), чтобы создать «правильный продукт» с самого начала
«Самой большой проблемой за мои 30 лет в НИОКР было то, что многие продукты имеют отличные технические характеристики, но рынок их просто не покупает». Преподаватель Гу откровенно заявил, что традиционные методы VOC (опросы, фокус-группы) не только дороги и требуют много времени, но и подвержены предвзятости, что приводит к разрыву между определением продукта и реальными потребностями рынка. Инструмент анализа жизнеспособности продукта на основе ИИ обеспечивает эффективный сбор данных о потребностях пользователей: Достаточно ввести базовую информацию, такую как название продукта, описание, целевой рынок и канал сбыта, и система автоматически собирает огромные массивы отзывов пользователей и социальных данных с таких платформ, как Amazon и Xiaohongshu, выдавая полный отчет об анализе рынка за считанные минуты, включая: • Рыночные тенденции: Определить, находится ли отрасль на стадии роста, стабильности или спада • Болевые точки пользователей: Выявить наиболее частые жалобы в реальных отзывах и преобразовать их в реализуемые технические спецификации • Анализ конкурентов: Систематизировать сильные и слабые стороны, а также ценовые диапазоны основных конкурентов • Рыночные ниши: Выявить дифференцированные возможности, которые нужны пользователям, но еще не удовлетворены • Оценка рисков: Количественно оценить технические и рыночные риски и дать рекомендации по выходу на рынок
«Однажды я руководил проектом поломоечной машины, которая достигла уровня надёжности 6σ, но в итоге потерпела коммерческий провал, потому что мы упустили тенденцию пользователей к беспроводным моделям. Если бы у нас тогда был этот инструмент на базе ИИ (AI), мы бы выявили эту тенденцию из рыночных данных всего за час, избежав огромных инвестиционных потерь». Преподаватель Гу подчеркнул: «Даже лучшее выполнение методологии DFSS не спасёт продукт, который никому не нужен. Не начинайте никакой проектирование, пока не количественно оцените рыночный спрос».
Облачный набор инструментов SaaS Снизить порог входа и обеспечить сквозное расширение инженерных возможностей
Команда преподавателя Гу упаковала 30-летний инженерный опыт в готовый к использованию набор SaaS-инструментов AI-DFSS, включающий четыре ключевых инструмента: моделирование допусков, AI-DFMEA, анализ AI-VOC и анализ коренных причин отказов. Это сокращает аналитическую работу, которая ранее занимала дни, до нескольких минут, значительно снижая порог использования статистических методов, позволяя обычным инженерам быстро освоиться и расширяя возможности принятия инженерных решений во всей организации.
Ключевые преимущества инструментов: ✅ Полное покрытие процесса: От анализа рыночного спроса и предотвращения рисков проектирования до анализа коренных причин проблем массового производства, формируя полный цикл НИОКР
✅ Многоязычная поддержка: Интерфейс инструмента и отчеты поддерживают переключение между китайским и английским языками, удовлетворяя потребности глобальных предприятий
✅ Глобальная доступность: Серверы развернуты за рубежом, что позволяет пользователям как внутри страны, так и за ее пределами получать прямой доступ и использовать сервис без дополнительной настройки сети
✅ Непрерывная итерация: Набор инструментов постоянно обновляется, в настоящее время добавлены отраслевые инструменты, такие как расчет метрик Здорового освещения
Интерактивные вопросы и ответы В Нужно ли становиться в очередь для использования инструмента? О Нет, просто введите параметры для запуска моделирования и получите результаты мгновенно.
В Поддерживает ли инструмент многоязычные отчеты? О В настоящее время поддерживаются китайский и английский языки. Отчет формируется на языке, выбранном на портале. Другие языки можно экспортировать и перевести вручную.
В Требуется ли специальная настройка сети для внутреннего доступа? О Не требуется. Сервер развернут за рубежом, и к нему можно получить прямой доступ как изнутри страны, так и из-за границы. При использовании внутри страны скорость загрузки может быть немного ниже, но это не влияет на нормальную функциональность.
В Какие еще направления применения есть у AI в осветительной отрасли? О Текущая световая отдача светодиодов уже приближается к физическим пределам массового производства. Будущее направление роста осветительной отрасли заключается прежде всего в качестве света и интеллектуализации. ИИ может помочь предприятиям оптимизировать разработку световых рецептур, алгоритмы интеллектуального управления и подбор параметров здорового освещения, что является ключевой конкурентной преимуществом на следующем этапе развития отрасли.
Заключение
Внедрите ИИ + DFSS для повышения качества и эффективности НИОКР
В своем резюме учитель Гу подчеркнул: «ИИ — это настоящая промышленная революция, способная повысить производительность в сто раз; отказ от его внедрения неизбежно приведет к выбыванию. DFSS — это не возвышенная теория, а ИИ — не недостижимая концепция. Набор инструментов, объединяющий оба подхода, может реально помочь предприятиям решить болевые точки НИОКР, достигнув сквозной оптимизации от „создания правильного продукта“ до „правильного создания продукта“.»