Gu Niansong | Six Sigma de conception AI+DFSS : de la théorie d’ingénierie à la mise en œuvre dans le cloud

Le 9 mai, le salon « Événements de ressources du Voyage de la Lumière », coorganisé par China Light All-Media·Classe Ming et le Salon de l’Éclairage de Ningbo, s’est tenu avec succès. Cet événement a accueilli M. Gu Niansong, expert chevronné en R&D et innovation, qui s’est concentré sur le thème DFSS Design Six Sigma — Intelligence artificielle : de la théorie d’ingénierie à la mise en œuvre dans le cloud. S’appuyant sur près de 30 ans d’expérience pratique en R&D intersectorielle, il a décortiqué la logique centrale de DFSS, les simulations pratiques de tolérances, l’IA-DFMEA et les insights intelligents VOC, afin de permettre aux entreprises d’éclairage de franchir l’ensemble de la chaîne « théorie d’ingénierie → application des outils → empowerment cloud », offrant une solution complète pour maîtriser les risques dès la phase de conception, améliorer l’efficacité et répondre aux exigences du marché.

Reconsidérer DFSS : dépasser les idées reçues et revenir à la valeur fondamentale

En ouverture de l’événement, M. Gu a d’abord clarifié les idées reçues courantes dans l’industrie concernant DFSS (Design Six Sigma) :

Beaucoup pensent que DFSS vise un taux de défauts de 3,4 ppm ; en réalité, c’est un « mythe » — d’un point de vue statistique, en tenant compte d’une dérive à long terme de 1,5σ, 3,4 ppm correspond à un niveau de 4,5σ unilatéral et à un Cpk d’environ 1,5, plutôt qu’au 6σ théorique. Ce qui importe vraiment n’est pas la valeur absolue en ppm, mais la stabilité du design face aux variations réelles de la fabrication.

La base théorique essentielle de DFSS est le théorème central limite : un produit est assemblé à partir de plusieurs composants, chacun ayant ses propres tolérances et variations ; quelle que soit la forme de la distribution individuelle, tant que le nombre de pièces est suffisant, la variation globale de l’assemblage final obéit nécessairement à une distribution normale.

Les problèmes centraux que DFSS cherche à résoudre sont les suivants : comment obtenir un design de produit robuste malgré les variations de fabrication des composants, comment développer le bon produit répondant réellement aux besoins du marché, et comment maîtriser les risques de R&D dès la source.

Aujourd’hui, DFSS a évolué vers un cadre méthodologique complet pour le développement de produits, connu sous le nom de processus DMADV :

• Define (Définition) : préciser le positionnement du produit et les besoins du marché pour éviter le drame « excellente technologie mais mauvaise vente »

• Measure (Mesure) : quantifier les attentes clients en spécifications de produit et caractéristiques critiques de qualité (CTQ) applicables

• Analyze (Analyse) : identifier les risques de conception et les facteurs clés d’influence grâce à des outils comme l’DFMEA

• Design (Conception) : optimiser les solutions par des méthodes telles que la conception robuste, l’analyse des tolérances et la simulation Monte Carlo

• Verify (Vérification) : s’assurer que la conception répond aux exigences via des tests de fiabilité et des validations Cpk

M. Gu a particulièrement souligné : « DFSS n’est pas un moteur de créativité, mais un moteur d’atténuation des risques et de réduction des retravaillages ; ce n’est pas réservé aux statisticiens, mais une méthode pratique pour chaque ingénieur afin de comprendre la relation causale Y = f(x) ; il ne requiert pas non plus une capacité absolue de 6σ, mais aide les entreprises à trouver le meilleur compromis entre coût et robustesse. »

Mise en œuvre des méthodologies clés

De l’analyse des tolérances à la gestion des risques, résolution des points noirs de la R&D

Quatre méthodes d’analyse des tolérances, la simulation Monte Carlo répond aux cas complexes

La propagation des tolérances après l’assemblage est la cause principale du faible rendement de production et des problèmes de fiabilité. M. Gu a comparé quatre méthodes courantes d’analyse des tolérances :

1. Méthode des valeurs extrêmes (Worst-case) : suppose que toutes les tolérances atteignent simultanément leur limite ; la plus sûre mais trop conservatrice, et donc la plus coûteuse

2. Méthode de la racine carrée des sommes (RSS) : basée sur l’hypothèse de distribution normale, elle calcule la racine carrée de la somme des carrés des tolérances, mieux adaptée à la plupart des scénarios d’assemblage mécanique

3. Moyenne entre extrêmes et RSS : compromis entre les deux méthodes, alliant sécurité et rationalité

4. Simulation Monte Carlo : par échantillonnage aléatoire des paramètres et simulation, elle prend en charge toute distribution et toute relation non linéaire, étant la solution privilégiée pour les systèmes complexes (comme l’alignement optique ou l’assemblage par clips)

M. Gu a partagé un cas pratique : un problème de fuite au niveau du déclencheur d’eau d’un aspirateur balai, affectant environ 1 produit sur 100, sans cause identifiée pendant longtemps. Après 5 000 simulations Monte Carlo, il a été découvert que deux paramètres cumulaient 85 % de la variation d’espacement ; resserrer simplement les tolérances de ces deux pièces clés a entièrement résolu le problème, évitant ainsi les coûts élevés des modifications répétées du moule. « Autrefois, un problème similaire aurait nécessité 6 mois et 3 modifications du moule pour être réglé ; avec la simulation Monte Carlo, la cause racine a été localisée en 2 jours, avec un ROI très élevé. »

L’IA renforce l’DFMEA, résolvant les points noirs traditionnels pour une gestion préventive des risques

L’DFMEA (Analyse des modes de défaillance et de leurs effets) est l’outil central de gestion des risques en R&D, mais l’DFMEA traditionnel présente trois limites majeures :

• Forte dépendance à l’expérience personnelle des ingénieurs ; les jeunes ingénieurs peinent à couvrir tous les risques potentiels

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

• Une analyse complète de l’DFMEA peut prendre une semaine ou plus, finissant souvent par être un document complété a posteriori

L’outil AI-DQA (Assurance Qualité de Conception) développé par l’équipe de M. Gu résout parfaitement ces problèmes grâce à un processus en quatre étapes permettant l’identification automatisée des risques :

1. Décomposition automatique du produit : transforme automatiquement le nom et la description du produit entrés en une structure tri-niveau « Fonction → Module → Pièce »

2. Fusion de connaissances multi-sources : intègre des modèles de produits intégrés, la base de données interne des pannes, le graphe de connaissances sectorielles et les cas de pannes en temps réel provenant de l’ensemble du web

3. Analyse intelligente par IA : calcule le nombre prioritaire de risque (RPN) selon les principes de l’DFMEA et classe automatiquement les 5 principaux risques

4. Émission de plans d’atténuation : propose des mesures concrètes de prévention et d’amélioration pour chaque point à haut risque

Cas pratique : dans un projet de hub domotique, l’DFMEA traditionnel avait omis le risque de dissipation thermique du régulateur d’alimentation. L’outil IA, en exploitant la base de données des pannes de produits similaires, l’a signalé comme deuxième risque majeur ; l’ajout d’un simple pad conducteur de chaleur a permis d’éviter une éventuelle perte de 2 millions de dollars liée à un rappel, générant ainsi un retour sur investissement cent fois supérieur à la valeur de l’outil pour ce seul cas.

L’IA capte la Voix du Client (VOC), pour faire « le bon produit » dès la source

« Le plus grand défi de mes 30 ans de R&D a été que beaucoup de produits avaient d’excellentes spécifications techniques, mais le marché refusait de les adopter », confie M. Gu. Les méthodes traditionnelles de VOC (questionnaires, groupes de discussion) sont non seulement coûteuses et longues, mais aussi sujettes à des biais, ce qui désynchronise la définition du produit avec les véritables besoins du marché.

L’outil d’analyse de faisabilité des produits alimenté par l’IA permet d’extraire efficacement les besoins des utilisateurs : il suffit d’entrer des informations de base comme le nom du produit, sa description, le marché cible et le canal de distribution, et le système extrait automatiquement des millions de commentaires d’utilisateurs et de données sociales sur Amazon, Xiaohongshu, etc., produisant en quelques minutes un rapport d’analyse de marché complet comprenant :

• Tendances du marché : détermine si le secteur est en croissance, stable ou en déclin

• Points noirs des utilisateurs : extrait les motifs fréquents de mécontentement des avis réels et les convertit en spécifications techniques applicables

• Analyse de la concurrence : passe en revue les forces, faiblesses et gammes de prix des principaux concurrents

• Lacunes du marché : identifie les opportunités différenciées non encore satisfaites par les utilisateurs

• Évaluation des risques : quantifie les risques techniques et commerciaux et formule des recommandations d’entrée

« J’ai dirigé un aspirateur balai dont la fiabilité atteignait le niveau 6σ, mais qui a finalement échoué commercialement car j’avais manqué la tendance vers la mobilité sans fil. Si j’avais eu cet outil IA à l’époque, j’aurais pu identifier cette tendance en 1 heure à partir des données de marché, évitant ainsi d’importants investissements perdus. » M. Gu insiste sur le fait que « même la meilleure exécution de DFSS ne sauvera pas un produit que personne ne veut ; avant de quantifier les besoins du marché, n’entamez aucune conception. »

Ensemble d’outils SaaS dans le cloud

Abaisser le seuil d’utilisation pour un empowerment engineering tout au long de la chaîne

L’équipe de M. Gu a encapsulé 30 ans d’expérience en ingénierie dans un ensemble d’outils SaaS AI-DFSS prêts à l’emploi, comprenant quatre outils centraux : simulation des tolérances, AI-DFMEA, analyse AI-VOC et analyse des causes racines des défaillances. Ces outils réduisent le travail d’analyse autrefois long de plusieurs jours à quelques minutes, abaissant considérablement le seuil d’accès aux méthodes statistiques et permettant aux ingénieurs ordinaires de se familiariser rapidement, autonomisant ainsi toute l’équipe dans la prise de décision technique.

Avantages clés des outils :

✅ Couverture complète de la chaîne : de l’exploration des besoins du marché et de la prévention des risques de conception jusqu’à l’analyse des causes racines des problèmes de production, formant une boucle de R&D complète
✅ Prise en charge multilingue : l’interface et les rapports peuvent être commutés entre le chinois et l’anglais, répondant aux besoins des entreprises internationales
✅ Accessibilité mondiale : les serveurs sont déployés à l’étranger, permettant aux utilisateurs nationaux et internationaux d’y accéder directement sans configuration réseau supplémentaire
✅ Itération continue : l’ensemble d’outils est constamment mis à jour ; des outils spécifiques à l’industrie, comme le calcul de l’indice de mélatonine pour l’éclairage sain, ont déjà été ajoutés

Questions-réponses interactives

Q

Faut-il attendre son tour pour utiliser les outils ?

A

Non, il suffit d’entrer les paramètres pour lancer la simulation et obtenir instantanément les résultats.

Q

Les outils prennent-ils en charge les rapports multilingues ?

A

Actuellement, ils supportent le chinois et l’anglais ; le rapport correspondant est généré selon la langue sélectionnée dans le portail, tandis que les autres langues peuvent être exportées puis traduites manuellement.

Q

Faut-il une configuration réseau spéciale pour y accéder depuis la Chine ?

A

Non, les serveurs sont déployés à l’étranger, permettant un accès direct depuis la Chine et l’étranger ; l’utilisation en Chine entraîne simplement une vitesse de chargement légèrement plus lente, sans affecter les fonctionnalités normales.

Q

Quelles autres applications l’IA offre-t-elle dans le secteur de l’éclairage ?

A

Alors que l’efficacité lumineuse des LED approche désormais les limites physiques de la production de masse, la croissance future du secteur de l’éclairage reposera principalement sur la Qualité de la lumière et l’intelligence ; l’IA peut aider les entreprises à optimiser la formulation des sources lumineuses, les algorithmes de contrôle intelligent et l’ajustement des paramètres d’éclairage sain, constituant la compétitivité clé de la prochaine étape de l’industrie.

Conclusion

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

Dans son bilan, M. Gu a souligné : « L’IA est une véritable révolution industrielle, capable d’accroître la productivité d’un facteur cent ; ne pas l’adopter signifie inévitablement être laissé pour compte. DFSS n’est pas une théorie inaccessible, et l’IA n’est pas un concept lointain ; l’ensemble d’outils combinant les deux peut déjà aider concrètement les entreprises à résoudre les points noirs de la R&D, réalisant une optimisation complète de la chaîne, passant de ‘faire le bon produit’ à ‘faire correctement le produit’ ».

Spécial : l’ensemble d’outils SaaS AI-DFSS propose une période d’essai gratuite ; n’hésitez pas à vous inscrire pour découvrir comment créer des produits plus robustes et plus vendables grâce à l’IA + DFSS.

Accès à l’ensemble d’outils : https://app.techlife-suite.com

FIN

Remarque : Ce contenu est tiré de la transcription de l’enregistrement de la présentation du 9 mai 2026 de M. Gu Niansong à la Classe Ming, intitulée « DFSS Design Six Sigma — Empowerment par l’IA : de la théorie d’ingénierie à la mise en œuvre dans le cloud », publiée par la Classe Ming.

Cliquez ici pour visionner la rediffusion du cours