Gu Niansong | AI+DFSS-Design Six Sigma: Von der Ingenieurtheorie zur Umsetzung in der Cloud

Am 9. Mai fand der von China Light All-Media·Ming Classroom und der Ningbo Lighting Exhibition gemeinsam veranstaltete Salon „Light Path Resource Gathering Series“ erfolgreich statt. Zu diesem Event wurde der erfahrene Experte für Forschung und Entwicklung sowie Innovation, Herr Gu Niansong, als Gast eingeladen. Der Schwerpunkt lag auf dem Thema DFSS Design Six Sigma – KI-gestützt: Von der Ingenieurtheorie zur Cloud-Implementierung. Unter Einbeziehung seiner fast 30-jährigen praxisorientierten Erfahrung in branchenübergreifender F&E wurden die Kernlogik von DFSS, praktische Anwendungen der Toleranzsimulation, AI-DFMEA sowie intelligente VOC-Einblicke erläutert. Ziel war es, Beleuchtungsunternehmen den gesamten Prozess von „Ingenieurtheorie → Werkzeugimplementierung → Cloud-Unterstützung“ zu erschließen und ihnen eine umfassende lokale Lösung anzubieten, um Risiken bereits am Designursprung zu steuern, die Effizienz zu steigern und besser auf den Markt abzustimmen.

DFSS neu verstehen: Denkenmuster durchbrechen und zum Wesentlichen zurückkehren

Zu Beginn des Events klärte Herr Gu zunächst die weit verbreiteten Missverständnisse in der Branche über DFSS (Design for Six Sigma) auf:

Viele glauben, dass DFSS lediglich darauf abzielt, eine Fehlerquote von 3,4 ppm zu erreichen; tatsächlich ist dies ein „Mythos“. Statistisch betrachtet entspricht 3,4 ppm nach Berücksichtigung einer langfristigen Drift von 1,5σ einem einseitigen Niveau von 4,5σ, was einem Cpk-Wert von etwa 1,5 entspricht – nicht dem theoretischen Wert von 6σ. Was wirklich zählt, ist nicht der absolute ppm-Wert, sondern die Stabilität des Designs unter realen Fertigungsabweichungen.

Die zentrale theoretische Grundlage von DFSS ist der Zentrale Grenzwertsatz: Ein Produkt besteht aus mehreren Komponenten, von denen jede ihre eigenen Toleranzen und Variationen aufweist. Unabhängig von der Verteilungsform der einzelnen Teile gilt: Ist die Anzahl der Teile ausreichend groß, folgt die Gesamtvariation des zusammengebauten Produkts zwangsläufig einer Normalverteilung.

Das Kernproblem, das DFSS lösen soll, lautet: Wie kann man trotz Fertigungsabweichungen der Komponenten ein robustes Produktdesign entwickeln, wie entwirft man Produkte, die tatsächlich den Marktanforderungen entsprechen, und wie lassen sich F&E-Risiken an der Quelle kontrollieren?

Im Laufe der Zeit hat sich DFSS zu einem vollständigen methodischen Rahmen für die Produktentwicklung entwickelt, nämlich dem DMADV-Prozess:

• Define (Definieren): Klare Festlegung des Produktziels und der Marktanforderungen, um das Desaster zu vermeiden, dass „die Technologie hervorragend ist, aber nicht verkauft wird“.

• Measure (Messen): Quantifizierung der Kundenanforderungen in umsetzbare Produktspezifikationen und kritische Qualitätsmerkmale (CTQ).

• Analyze (Analysieren): Identifizierung von Designrisiken und Schlüsselfaktoren mithilfe von Tools wie DFMEA.

• Design (Entwerfen): Optimierung des Konzepts durch robustes Design, Toleranzanalyse, Monte-Carlo-Simulation und andere Methoden.

• Verify (Verifizieren): Sicherstellung der Designkonformität durch Zuverlässigkeitstests, Cpk-Validierung und ähnliche Maßnahmen.

Herr Gu betonte ausdrücklich: „DFSS ist kein Kreativitätsmotor, sondern ein Motor zur Risikominderung und Reduzierung von Nacharbeiten. Es ist nicht ausschließlich Statistikern vorbehalten, sondern eine praktische Methode für jeden Ingenieur, die Ursache-Wirkungs-Beziehung ‚Y = f(x)‘ zu verstehen. Zudem erfordert es keine absolute 6σ-Fähigkeit, sondern hilft Unternehmen, das optimale Gleichgewicht zwischen Kosten und Robustheit zu finden.“

Umsetzung der Kernmethodik

Von der Toleranzanalyse bis zum Risikomanagement: Lösung drängender F&E-Herausforderungen

Vier Arten der Toleranzanalyse: Monte-Carlo-Simulation löst Probleme komplexer Szenarien

Die kumulative Toleranz nach der Produktmontage ist die Hauptursache für niedrige Massenproduktionsausbeuten und Zuverlässigkeitsprobleme. Herr Gu verglich vier gängige Methoden der Toleranzanalyse:

1. Extremwertmethode (Worst-case): Annahme, dass alle Toleranzen gleichzeitig ihren Extremwert erreichen. Diese Methode ist am sichersten, jedoch übermäßig konservativ und mit hohen Kosten verbunden.

2. Quadratwurzelsummenmethode (RSS): Basierend auf der Annahme einer Normalverteilung wird die Summe der Quadrate der Toleranzen gezogen und anschließend die Wurzel gebildet. Dies entspricht eher den meisten mechanischen Montageszenarien.

3. Durchschnittsmethode aus Extremwert- und RSS-Analyse: Ein Kompromiss zwischen beiden Ansätzen, der sowohl Sicherheit als auch Angemessenheit berücksichtigt.

4. Monte-Carlo-Simulation: Durch zufällige Stichproben und Simulationen der jeweiligen Parameter werden beliebige Verteilungen und nichtlineare Zusammenhänge unterstützt. Sie ist die bevorzugte Methode für komplexe Systeme wie optische Ausrichtung oder Schnappverbindungen.

Herr Gu teilte einen Praxisfall: Bei einem Wassertrigger für einen Bodenreiniger trat bei etwa einem von 100 Geräten Leckage auf, ohne dass die Ursache lange gefunden werden konnte. Nach 5.000 Monte-Carlo-Simulationen stellte sich heraus, dass zwei Parameter zusammen 85 % der Spaltvarianz verursachten. Eine enge Einstellung der Toleranzen dieser beiden Schlüsselkomponenten löste das Problem vollständig und verhinderte teure, wiederholte Werkzeugmodifikationen. „Früher hätte ein ähnliches Problem sechs Monate gedauert und drei Werkzeugänderungen erfordert, um gelöst zu werden. Mit der Monte-Carlo-Simulation dauerte es nur zwei Tage, die Ursache zu lokalisieren – die Kapitalrendite war sehr hoch.“

AI-gestützte DFMEA: Lösung traditioneller Probleme und proaktives Risikomanagement

DFMEA (Design Failure Mode and Effects Analysis) ist das zentrale Instrument zur F&E-Risikokontrolle, doch traditionelle DFMEA weist drei wesentliche Schwächen auf:

• Starke Abhängigkeit von der persönlichen Erfahrung der Ingenieure; junge Ingenieure können potenzielle Risiken oft nicht ausreichend erfassen.

• Mangel an internen historischen Fehlerdatenbanken; wertvolles Wissen geht mit Personalwechsel verloren.

• Eine vollständige DFMEA benötigt eine Woche oder länger und endet häufig als nachträglich ausgefülltes Dokument.

Das von Herrn Gus Team entwickelte Tool AI-DQA (Design Quality Assurance) löst diese Probleme perfekt und ermöglicht automatisierte Risikoerkennung in vier Schritten:

1. Automatische Produktzerlegung: Das eingegebene Produktnamen und -beschreibung werden automatisch in eine dreistufige Struktur aus „Funktion → Modul → Teil“ zerlegt.

2. Integration multipler Wissensquellen: Kombination integrierter Produktvorlagen, interner Fehlerdatenbanken, Branchen-Wissensgraphen und aktueller Fehlerfälle aus dem gesamten Netzwerk.

3. Intelligente KI-Analyse: Berechnung der Risikopräferenznummer (RPN) basierend auf DFMEA-Prinzipien und automatische Sortierung der Top-5-High-Risk-Items.

4. Ausgabe von Minderungsmaßnahmen: Für jeden Hochrisikopunkt werden konkrete Präventions- und Verbesserungsmaßnahmen bereitgestellt.

Praxisbeispiel: Bei einem Smart-Home-Zentralprojekt hatte die traditionelle DFMEA den Wärmemanagement-Risiko des Stromreglers übersehen. Das KI-Tool identifizierte dieses Risiko als zweithöchste Gefahr durch die Analyse ähnlicher Produktfehlerdatenbanken. Nur durch Hinzufügen eines einfachen Wärmeleitpads wurden mögliche spätere Rückrufkosten in Höhe von 2 Millionen US-Dollar vermieden – ein einziger Fall brachte eine Rendite des Tools um das Hundertfache.

AI erfasst das Kundenfeedback (VOC) und sorgt dafür, dass vom Ursprung an „das richtige Produkt“ entwickelt wird

„Mein größtes Problem in 30 Jahren F&E war, dass viele Produkte technisch hervorragende Spezifikationen hatten, aber der Markt einfach nicht bereit war, sie zu kaufen“, gestand Herr Gu. Traditionelle VOC-Methoden (Umfragen, Fokusgruppen) sind nicht nur teuer und zeitaufwendig, sondern neigen auch zu Verzerrungen, sodass die Produktdefinition oft von den tatsächlichen Marktanforderungen abweicht.

Das KI-gesteuerte Produktmachbarkeitsanalyse-Tool ermöglicht eine effiziente Erschließung von Nutzerbedürfnissen: Geben Sie einfach Produktnamen, Beschreibung, Zielmarkt und Vertriebskanal ein, und das System extrahiert automatisch riesige Mengen an Nutzerbewertungen und sozialen Daten von Plattformen wie Amazon und Xiaohongshu. Innerhalb weniger Minuten wird ein vollständiger Marktanalysebericht erstellt, einschließlich:

• Markttrends: Bestimmung, ob die Branche sich im Wachstums-, Stabilisierungs- oder Abschwungstadium befindet.

• Nutzerprobleme: Extraktion häufiger Unzufriedenheitspunkte aus echten Bewertungen und deren Umwandlung in umsetzbare technische Spezifikationen.

• Konkurrenzanalyse: Übersicht über Stärken, Schwächen und Preisspannen der wichtigsten Wettbewerber.

• Marktlücken: Identifizierung differenzierter Chancen, die Nutzer benötigen, aber noch nicht befriedigt werden.

• Risikobewertung: Quantifizierung technischer und marktbezogener Risiken sowie Empfehlungen für den Markteintritt.

„Ich habe einmal einen Bodenreiniger geleitet, dessen Zuverlässigkeit 6σ erreichte, aber wegen des Verpasstens des Trends zur kabellosen Nutzung letztlich kommerziell scheiterte. Hätte ich damals dieses KI-Tool gehabt, hätte ich diesen Trend innerhalb einer Stunde aus den Marktdaten erkennen können und große Investitionsverluste vermeiden können“, betonte Herr Gu. „Selbst die beste DFSS-Umsetzung kann ein Produkt nicht retten, das niemand haben will. Starten Sie keine Designarbeit, bevor Sie die Marktnachfrage quantifiziert haben.“

Cloud-basierte SaaS-Toolset

Senkung der Zugangsschwelle und ganzheitliche Engineering-Enabling

Herr Gus Team hat seine 30-jährige Ingenieurserfahrung in ein sofort einsatzbereites AI-DFSS-SaaS-Toolset gepackt, das vier Kernwerkzeuge umfasst: Toleranzsimulation, AI-DFMEA, AI-VOC-Analyse und Fehlerursachenanalyse. Dadurch wird die sonst tagelange Analysearbeit auf wenige Minuten verkürzt, die Hürde für die Nutzung statistischer Methoden deutlich gesenkt und selbst gewöhnliche Ingenieure können schnell damit arbeiten, wodurch die Engineering-Entscheidungsfindung für alle Mitarbeiter gestärkt wird.

Kernvorteile des Tools:

✅ Vollständige Prozessabdeckung: Von der Marktnachfrage-Erkundung über die Prävention von Designrisiken bis hin zur Ursachenanalyse von Massenproduktionsproblemen – bildet einen geschlossenen F&E-Kreislauf.
✅ Mehrsprachige Unterstützung: Die Benutzeroberfläche und Berichte unterstützen den Wechsel zwischen Chinesisch und Englisch, um den Bedürfnissen international tätiger Unternehmen gerecht zu werden.
✅ Weltweit nutzbar: Die Server sind im Ausland installiert, sodass Nutzer im In- und Ausland direkt darauf zugreifen können, ohne zusätzliche Netzwerkkonfigurationen.

Interaktive Fragen und Antworten

F

Muss man sich für die Nutzung des Tools anstellen?

A

Nein, geben Sie einfach die Parameter ein, um die Simulation auszuführen und sofort Ergebnisse zu erhalten.

F

Unterstützt das Tool mehrsprachige Berichte?

A

Derzeit werden Chinesisch und Englisch unterstützt. Je nach Sprache, die im Portal ausgewählt wird, wird der entsprechende Bericht generiert. Andere Sprachen können nach dem Export selbst übersetzt werden.

F

Braucht man spezielle Netzwerkkonfigurationen für den Zugang aus dem Inland?

A

Nein, die Server sind im Ausland installiert, sodass sowohl Inlands- als auch Auslandsnutzer direkt darauf zugreifen können. Im Inland ist die Ladegeschwindigkeit zwar etwas langsamer, die normale Funktionalität bleibt jedoch unbeeinträchtigt.

F

Gibt es noch weitere Anwendungsbereiche für KI in der Beleuchtungsindustrie?

A

Die Lichtausbeute von LEDs nähert sich bereits dem physikalischen Limit der Massenproduktion. Die zukünftigen Wachstumsfelder der Beleuchtungsindustrie liegen hauptsächlich in der Lichtqualität und der Intelligentisierung. KI kann Unternehmen helfen, Lichtformel-Designs, intelligente Steuerungsalgorithmen und die Abstimmung auf Parameter für gesunde Beleuchtung zu optimieren – dies ist die Kernkompetenz der Branche für die nächste Phase.

Schlusswort

Embrace AI+DFSS, um F&E-Qualität und Effizienz zu steigern

In seinem Fazit betonte Herr Gu: „KI ist die wahre industrielle Revolution und kann die Produktivität um das Hundertfache steigern. Wer sie nicht annimmt, wird zwangsläufig abgehängt. DFSS ist keine abgehobene Theorie, und KI ist kein unerreichbares Konzept. Das kombinierte Toolset kann Unternehmen bereits heute konkret dabei helfen, F&E-Herausforderungen zu lösen und eine ganzheitliche Optimierung von ‚das richtige Produkt machen‘ zu ‚das Produkt richtig machen‘ zu erreichen.“

Besonderer Hinweis: Das AI-DFSS-SaaS-Toolset bietet eine kostenlose Testversion an. Registrieren Sie sich gerne, um es auszuprobieren, und nutzen Sie AI+DFSS, um robuster und erfolgreicher zu werden.

Link zum Toolset: https://app.techlife-suite.com

ENDE

Anmerkung: Der Inhalt dieses Artikels basiert auf der Aufzeichnung des Vortrags von Herrn Gu Niansong am 9. Mai 2026 bei Ming Classroom zum Thema „DFSS Design Six Sigma – KI-gestützt: Von der Ingenieurtheorie zur Cloud-Implementierung“, der von Ming Classroom veröffentlicht wurde.

Klicken Sie hier für die Wiedergabe des Kurses