غو نيان سونغ | التصميم الستة سيجما مع الذكاء الاصطناعي وDFSS: من النظرية الهندسية إلى التطبيق السحابي

في 9 مايو، أُقيم بنجاح صالون «سلسلة فعاليات تجمع الموارد على طريق الضوء» الذي شارك في تنظيمه منصة China Light All-Media و«فصول الإضاءة» ومعرض نينغبو للإضاءة. استضافت الفعالية خبيرًا مخضرمًا في مجال البحث والتطوير والابتكار، الأستاذ غو نيانسونغ، حيث ركزت على موضوع تصميم DFSS ستة سيجما — تمكين الذكاء الاصطناعي: من النظرية الهندسية إلى التطبيق السحابي. وباستناده إلى نحو 30 عامًا من الخبرة العملية في البحث والتطوير عبر الصناعات المختلفة، قام بتفكيك المنطق الأساسي لـ DFSS، والمحاكاة العملية للتباينات، وAI-DFMEA، والرؤى الذكية لـ VOC، مما يتيح لشركات الإضاءة سد الفجوة الكاملة بين «النظرية الهندسية → تطبيق الأدوات → التمكين السحابي»، ويقدم حلولًا شاملة للتحكم بالمخاطر ورفع الكفاءة ومواءمة المنتج مع السوق بدءًا من مرحلة التصميم.

إعادة فهم DFSS: كسر المفاهيم الخاطئة والعودة إلى القيمة الجوهرية

في بداية الفعالية، أوضح الأستاذ غو أوّلًا المفاهيم الخاطئة الشائعة في الصناعة حول DFSS (تصميم ستة سيجما):

يعتقد الكثيرون أن DFSS يهدف فقط إلى تحقيق معدل عيوب يبلغ 3.4 جزء في المليون، لكن هذا في الواقع مجرد «أسطورة». فمن الناحية الإحصائية، وبعد أخذ الانجراف طويل الأمد بمقدار 1.5σ في الاعتبار، فإن 3.4 جزء في المليون يعادل مستوى 4.5σ من جانب واحد، ويكون مؤشر Cpk حوالي 1.5، وليس 6σ كما هو مفترض نظريًا. ما يهم حقًا ليس الرقم المطلق لجزء في المليون، بل استقرار التصميم في ظل التباينات الفعلية أثناء التصنيع.

نظرية الحد المركزي: يتكون المنتج من عدة أجزاء مجمعة، ولكل منها تفاوتاته وتبايناته الخاصة؛ وبغض النظر عن شكل توزيع كل جزء على حدة، طالما أن العدد كافٍ، فإن التباين الكلي للمنتج النهائي بعد التجميع سيتبع حتمًا التوزيع الطبيعي.

• Define (التعريف): تحديد وضع المنتج واحتياجات السوق بوضوح لتجنب مأساة «التكنولوجيا ممتازة لكنها لا تباع».

• Measure (القياس): تحويل متطلبات العملاء إلى مواصفات منتج قابلة للتنفيذ وخصائص الجودة الرئيسية (CTQ).

• Analyze (التحليل): تحديد مخاطر التصميم والعوامل المؤثرة الرئيسية باستخدام أدوات مثل DFMEA.

• Design (التصميم): تحسين الحلول باستخدام أساليب التصميم المتين، وتحليل التفاوتات، ومحاكاة مونت كارلو.

• Verify (التحقق): ضمان تلبية المتطلبات من خلال اختبارات الموثوقية والتحقق من مؤشر Cpk.

من تحليل التفاوتات إلى إدارة المخاطر، حل مشاكل البحث والتطوير

تعد تراكمات التفاوتات بعد تجميع المنتج السبب الرئيسي لانخفاض معدلات إنتاجية التصنيع ومشاكل الموثوقية. وقد قارن الأستاذ غو بين أربع طرق شائعة لتحليل التفاوتات:

1. طريقة القيم القصوى (Worst-case): تفترض أن جميع التفاوتات عند حدودها القصوى، وهي الأكثر أمانًا لكنها مفرطة في التحفظ وتكون التكلفة أعلى.

2. طريقة الجذر التربيعي للمجموع (RSS): تستند إلى افتراض التوزيع الطبيعي، حيث يتم حساب الجذر التربيعي لمجموع مربعات التفاوتات، وهي أكثر ملاءمة لمعظم سيناريوهات التجميع الميكانيكي.

3. متوسط طريقة القيم القصوى وRSS: حل وسط بين الطريقتين، يجمع بين الأمان والمعقولية.

4. محاكاة مونت كارلو: تعتمد على أخذ عينات عشوائية من كل متغير لإجراء المحاكاة، وتدعم أي توزيع وعلاقات غير خطية، وهي الخيار الأول للأنظمة المعقدة (مثل المحاذاة البصرية والتجميع بالقفل).

• يعتمد بشكل كبير على خبرة المهندسين الفردية، مما يجعل من الصعب على المهندسين الشباب تغطية المخاطر المحتملة.

• يفتقر إلى قاعدة بيانات داخلية تاريخية للأعطال، مما يؤدي إلى فقدان الخبرات مع انتقال الموظفين.

• يستغرق إعداد DFMEA كاملًا أسبوعًا أو أكثر، وغالبًا ما يتحول إلى وثيقة تُملأ بأثر رجعي.

AI-DQA (ضمان جودة التصميم) التي تحل هذه المشاكل بشكل مثالي، وذلك من خلال عملية من أربع خطوات لتحقيق التعرف الآلي على المخاطر:

1. التحليل التلقائي للمنتج: تقسيم اسم المنتج ووصفه المدخلين تلقائيًا إلى هيكل ثلاثي المستويات: «الوظيفة → الوحدة → الجزء».

2. دمج المعرفة متعددة المصادر: دمج قوالب المنتجات المدمجة، وقاعدة بيانات الأعطال الداخلية للشركة، وخرائط المعرفة الصناعية، وحالات الأعطال في الوقت الحقيقي عبر الإنترنت.

3. التحليل الذكي بالذكاء الاصطناعي: حساب رقم أولوية المخاطر (RPN) بناءً على مبادئ DFMEA، وترتيب النقاط الخمس الأكثر خطورة تلقائيًا.

4. إصدار خطط التخفيف: تقديم تدابير وقائية وتحسينية محددة لكل نقطة عالية الخطورة.

«أهم نقطة ضعف في عملي في البحث والتطوير على مدى 30 عامًا هي أن العديد من المنتجات تكون مواصفاتها التقنية جيدة جدًا، لكن السوق لا يقبلها.» صرح الأستاذ غو بصراحة، مشيرًا إلى أن طرق VOC التقليدية (الاستبيانات ومجموعات التركيز) ليست مكلفة وطويلة فحسب، بل غالبًا ما تشوبها التحيزات، مما يؤدي إلى انفصال تعريف المنتج عن الاحتياجات الحقيقية للسوق.

تحليل جدوى المنتج المدعومة بالذكاء الاصطناعي أن تحقق استخلاصًا فعالًا لاحتياجات المستخدمين: فبمجرد إدخال المعلومات الأساسية مثل اسم المنتج ووصفه والسوق المستهدف وقناة البيع، يقوم النظام تلقائيًا بالتقاط كميات هائلة من تعليقات المستخدمين والبيانات الاجتماعية من منصات مثل أمازون وشياوهونغشو، ويصدر تقريرًا شاملاً عن تحليل السوق في غضون دقائق، يشمل:

• اتجاهات السوق: تحديد ما إذا كانت الصناعة في مرحلة نمو أو استقرار أو تراجع.

• نقاط الألم لدى المستخدمين: استخراج نقاط عدم الرضا عالية التكرار من التقييمات الحقيقية وتحويلها إلى مواصفات تقنية قابلة للتنفيذ.

• تحليل المنافسين: استعراض نقاط القوة والضعف ونطاق الأسعار لدى المنافسين الرئيسيين.

• الفجوات السوقية: تحديد الفرص التفاضلية التي يحتاجها المستخدمون لكنها لم تُلبَّ بعد.

• تقييم المخاطر: قياس المخاطر التقنية والسوقية وإعطاء توصيات الدخول.

✅ تغطية شاملة للعملية: من استشراف احتياجات السوق والوقاية من مخاطر التصميم إلى تحليل أسباب مشاكل الإنتاج الضخم، لتشكيل حلقة مغلقة كاملة للبحث والتطوير.
✅ دعم متعدد اللغات: واجهة الأداة والتقارير تدعم التبديل بين الصينية والإنجليزية لتلبية احتياجات الشركات التي تتوسع عالميًا.
✅ متاحة عالميًا: الخوادم مستضافة في الخارج، ويمكن للمستخدمين داخل وخارج البلاد الوصول إليها مباشرة دون الحاجة إلى إعدادات شبكة إضافية.
✅ التحديث المستمر: يتم تحديث مجموعة الأدوات باستمرار، وقد أضيفت حاليًا أدوات خاصة بالصناعة مثل حساب مؤشر الميلاتونين للإضاءة الصحية.

س

هل يتطلب استخدام الأدوات الانتظار في قائمة الانتظار؟

ج

لا، يمكن تشغيل المحاكاة مباشرة بإدخال المعلمات والحصول على النتائج فورًا.

س

هل تدعم الأدوات تقارير متعددة اللغات؟

ج

حاليًا تدعم اللغتين الصينية والإنجليزية، ويتم إصدار التقارير المناسبة حسب اللغة المختارة في البوابة، ويمكن تصدير اللغات الأخرى ثم ترجمتها يدويًا.

س

هل يتطلب الوصول من داخل الصين إعدادات شبكة خاصة؟

ج

لا، الخوادم مستضافة في الخارج، ويمكن الوصول إليها مباشرة من الداخل والخارج، وقد يكون وقت التحميل أبطأ قليلًا في الصين، لكن ذلك لا يؤثر على الأداء الطبيعي.

س

ما هي اتجاهات تطبيقات الذكاء الاصطناعي الأخرى في صناعة الإضاءة؟

ج

تقترب الفعالية الضوئية لتقنية LED حاليًا من الحدود الفيزيائية للإنتاج الضخم، وسيكون محور نمو صناعة الإضاءة في المستقبل هو جودة الضوء والذكاء، ويمكن للذكاء الاصطناعي مساعدة الشركات في تحسين تصميم تركيبات الضوء، وخوارزميات التحكم الذكي، ومطابقة معايير الإضاءة الصحية، وغيرها، مما يشكل القدرة التنافسية الأساسية للمرحلة القادمة من الصناعة.

للاطلاع على إعادة البث، يرجى النقر هنا