Гу Няньсун | AI+DFSS‑дизайн шести сигм: от инженерной теории к внедрению в облаке

9 мая состоялся успешный семинар «Серия мероприятий «Путешествие света вместе»», организованный совместно China Light All-Media·Минь Класс и Нинбо Лайтинг Экспо. На мероприятии выступил приглашенный эксперт в области исследований и инноваций, преподаватель Гу Няньсун, который сосредоточился на теме «DFSS — дизайн шесть сигм: усиление ИИ: от инженерной теории до облачного внедрения». Опираясь на почти 30-летний практический опыт межотраслевых R&D, он подробно разобрал ключевую логику DFSS, практическое применение имитации допусков, AI-DFMEA и интеллектуальный анализ VOC, помогая предприятиям осветительной отрасли наладить полный цикл «инженерная теория → внедрение инструментов → облачное ускорение», предлагая комплексные решения для управления рисками, повышения эффективности и адаптации к рынку прямо с этапа проектирования.

Пересмотр понимания DFSS: разрушаем стереотипы и возвращаемся к истинным ценностям

В начале мероприятия преподаватель Гу разъяснил распространенные заблуждения в отрасли относительно DFSS (дизайн шесть сигм):

Многие считают, что цель DFSS — добиться уровня дефектов 3,4 ppm, однако это скорее «миф». С точки зрения статистики, с учетом долгосрочного смещения в 1,5σ, показатель 3,4 ppm соответствует одностороннему уровню 4,5σ, а Cpk составляет около 1,5, а не теоретические 6σ. Главное — не абсолютное значение ppm, а стабильность конструкции в условиях реальных производственных отклонений.

Основой теории DFSS является центральная предельная теорема: продукт собирается из множества компонентов, каждый из которых имеет собственные допуски и вариации; независимо от формы распределения отдельных деталей, при достаточном их количестве общая вариация собранного изделия неизбежно будет подчиняться нормальному распределению.

Ключевые задачи DFSS: как получить устойчивый дизайн продукта при наличии производственных отклонений компонентов, как создать действительно нужный рынку продукт и как контролировать риски НИОКР на начальном этапе.

На сегодняшний день DFSS сформировал полноценную методологическую рамку разработки продуктов — процесс DMADV:

• Define (Определение): четко формулировать позиционирование продукта и рыночные требования, чтобы избежать ситуации «технология отличная, но продажи не идут».

• Measure (Измерение): количественно описывать потребности клиентов в виде реализуемых технических спецификаций и ключевых характеристик качества (CTQ).

• Analyze (Анализ): выявлять проектные риски и ключевые факторы влияния с помощью DFMEA и других инструментов.

• Design (Проектирование): оптимизировать решение с использованием методов устойчивого дизайна, анализа допусков, Монте-Карло моделирования и т. д.

• Verify (Верификация): подтверждать соответствие проекта требованиям посредством тестов надежности, проверки Cpk и других методов.

Преподаватель Гу особо подчеркнул: «DFSS — это не двигатель креативности, а механизм снижения рисков и переработок; это не только для статистиков, а практический подход для каждого инженера к пониманию причинно-следственной связи Y = f(x); и это не требование абсолютной способности 6σ, а помощь компаниям в поиске оптимального баланса между стоимостью и устойчивостью».

Внедрение ключевой методологии

От анализа допусков до управления рисками: решение насущных проблем НИОКР

Четыре метода анализа допусков: Монте-Карло моделирование решает проблемы сложных сценариев

Накопление допусков после сборки изделия является основной причиной низкого выхода годных при массовом производстве и проблем надежности. Преподаватель Гу сравнил четыре распространенных метода анализа допусков:

1. Метод крайних значений (Worst-case): предполагает, что все допуски одновременно находятся на пределе; наиболее безопасен, но чрезмерно консервативен и требует наибольших затрат.

2. Метод суммы квадратных корней (RSS): основан на предположении нормального распределения; берет квадратный корень из суммы квадратов допусков, что лучше соответствует большинству механических сборочных сценариев.

3. Комбинированный метод крайних значений и RSS: компромисс между двумя подходами, сочетающий безопасность и обоснованность.

4. Монте-Карло моделирование: проводит стохастическую выборку параметров для имитации, поддерживает произвольные распределения и нелинейные зависимости; является предпочтительным решением для сложных систем (например, оптической юстировки, защелкивающейся сборки).

Преподаватель Гу привел практический пример: у одной модели моющего пылесоса протекала водяная кнопка — примерно один экземпляр из ста имел утечку, и долгое время не удавалось найти причину. После 5000 испытаний методом Монте-Карло было установлено, что два параметра совместно обеспечивали 85% вариации зазора; достаточно было ужесточить допуски этих двух ключевых деталей, чтобы полностью решить проблему и избежать дорогостоящих повторных доработок пресс-форм. «Раньше подобная проблема решалась за 6 месяцев и 3 переделки пресс-форм, а с помощью Монте-Карло удалось найти причину всего за 2 дня — очень высокий ROI».

AI-усиленный DFMEA: решение традиционных проблем и управление рисками на раннем этапе

DFMEA (анализ видов и последствий отказов при проектировании) — ключевой инструмент управления рисками НИОКР, но традиционный DFMEA страдает от трех основных недостатков:

• Высокая зависимость от личного опыта инженеров; молодым специалистам сложно охватить потенциальные риски.

• Отсутствие внутренней базы данных исторических отказов компании; знания теряются вместе с уходом сотрудников.

• Полный DFMEA занимает неделю или даже больше, часто превращаясь в документ, заполняемый постфактум.

Инструмент AI-DQA (Гарантия качества проектирования), разработанный командой преподавателя Гу, идеально решает эти проблемы, автоматизируя выявление рисков через четырехэтапный процесс:

1. Автоматическое декомпозиция продукта: входящее название и описание продукта автоматически разбиваются на трехуровневую структуру «функция → модуль → деталь».

2. Интеграция многопрофильных знаний: объединяются встроенные шаблоны продуктов, внутренняя база данных отказов компании, отраслевая семантическая сеть и актуальные случаи отказов со всего интернета.

3. Интеллектуальный AI-анализ: на основе принципов DFMEA рассчитывается число приоритета риска (RPN), автоматически формируется рейтинг топ-5 самых рискованных пунктов.

4. Выдача мер по снижению рисков: для каждого высокорискового элемента предлагаются конкретные меры профилактики и улучшения.

Практический пример: в одном проекте умного домашнего хаба традиционный DFMEA упустил риск тепловыделения регулятора питания. Инструмент AI, проанализировав базу данных отказов аналогичных продуктов, пометил этот момент как второй по степени риска; добавление лишь одного простого теплопроводящего матрицы позволило избежать возможных последующих расходов на отзыв продукции в размере 2 миллионов долларов США, что обеспечило окупаемость инвестиций в сотни раз.

AI улавливает голос клиента (VOC): делаем «правильный продукт» с самого начала

«За 30 лет работы в НИОКР главная моя боль — многие продукты имеют отличные технические характеристики, но рынок просто не принимает их», — признался преподаватель Гу. Традиционные методы VOC (опросники, фокус-группы) не только дороги и долговременны, но и подвержены смещениям, что приводит к разрыву между определением продукта и реальными потребностями рынка.

Инструмент анализа жизнеспособности продукта, управляемый ИИ, позволяет эффективно извлекать пользовательские запросы: достаточно ввести базовую информацию — название продукта, описание, целевой рынок, каналы сбыта — и система автоматически соберет огромное количество отзывов и социальных данных с платформ Amazon, Xiaohongshu и других, выдав за считанные минуты полный отчет по анализу рынка, включающий:

• Рыночные тренды: определяет, находится ли отрасль в стадии роста, стабильности или спада.

• Пользовательские болевые точки: извлекает из реальных отзывов частые жалобы и преобразует их в реализуемые технические спецификации.

• Анализ конкурентов: выявляет сильные и слабые стороны основных конкурентов, а также ценовые диапазоны.

• Рыночные ниши: определяет дифференцированные возможности, которые пользователи хотят, но пока не получили.

• Оценка рисков: количественно оценивает технологические и рыночные риски, дает рекомендации по выходу на рынок.

«Я когда-то руководил разработкой моющего пылесоса с надежностью уровня 6σ, но из-за того, что мы упустили тенденцию к беспроводным устройствам, проект потерпел коммерческий крах. Если бы тогда у нас был этот инструмент AI, мы бы за час выявили эту тенденцию в рыночных данных и избежали огромных потерь инвестиций», — подчеркнул преподаватель Гу. «Даже самое качественное внедрение DFSS не спасет продукт, который никто не хочет; прежде чем количественно оценивать рыночный спрос, не стоит начинать никакое проектирование».

Облачный SaaS-инструментарий

Снижение порога доступа и обеспечение полного цикла инженерного ускорения

Команда преподавателя Гу заключила 30-летний инженерный опыт в готовый к использованию AI-DFSS SaaS-инструментарий, включающий четыре ключевых инструмента: имитацию допусков, AI-DFMEA, AI-VOC анализ и анализ причин отказов. Это сокращает работу по анализу, которая раньше занимала несколько дней, до считанных минут, значительно снижая порог использования статистических методов и позволяя обычным инженерам быстро освоить инструменты, расширяя возможности всех участников инженерного принятия решений.

Ключевые преимущества инструментов:

✅ Полный охват процесса: от анализа рыночных требований и предотвращения проектных рисков до анализа причин проблем серийного производства, формируя замкнутый цикл НИОКР.
✅ Мультиязычная поддержка: интерфейс и отчеты доступны на китайском и английском языках, что удовлетворяет потребности компаний, выходящих на зарубежные рынки.
✅ Доступность по всему миру: серверы развернуты за рубежом, пользователи внутри страны и за ее пределами могут напрямую обращаться к сервису без дополнительной сетевой конфигурации.
✅ Постоянная итерация: набор инструментов постоянно обновляется; в настоящее время добавлены отраслевые специализированные инструменты, такие как расчет показателей мелатонина для здорового освещения.

Вопросы и ответы

В

Нужно ли ждать своей очереди для использования инструментов?

О

Нет, достаточно просто ввести параметры для запуска моделирования и сразу получить результат.

В

Поддерживают ли инструменты многоязычные отчеты?

О

В настоящее время поддерживаются китайский и английский языки; отчет выводится на выбранном языке портала, другие языки можно экспортировать и перевести самостоятельно.

В

Требуется ли специальная сетевая конфигурация для доступа из Китая?

О

Нет, серверы развернуты за рубежом, доступ открыт как для внутренних, так и для зарубежных пользователей; скорость загрузки в Китае немного ниже, но это не влияет на нормальную работу функций.

В

Какие еще направления применения ИИ существуют в осветительной отрасли?

О

Сейчас световая отдача светодиодов уже близка к физическому пределу массового производства; будущий рост отрасли будет сосредоточен на качестве света и интеллектуализации. ИИ может помочь компаниям оптимизировать рецептуру света, алгоритмы интеллектуального управления, настройку параметров здорового освещения и т. д., что станет ключевой конкурентной способностью отрасли на следующем этапе.

Заключение

Примите AI+DFSS для повышения качества и эффективности НИОКР

В заключении преподаватель Гу подчеркнул: «ИИ — это настоящая промышленная революция, способная увеличить производительность в сотни раз; если не принять ее, рано или поздно окажетесь на обочине прогресса. DFSS — это не абстрактная теория, а ИИ — не недосягаемая концепция; объединенный инструментарий уже реально помогает предприятиям решать насущные проблемы НИОКР, осуществляя оптимизацию всего цикла — от „создания правильного продукта“ до „правильного создания продукта“».

Особое сообщение: SaaS-инструментарий AI-DFSS предлагает бесплатную пробную версию. Приглашаем зарегистрироваться и опробовать его — создайте более устойчивые и продаваемые продукты с помощью AI+DFSS.

Ссылка на инструментарий: https://app.techlife-suite.com

КОНЕЦ

Примечание: данный текст подготовлен на основе записи выступления преподавателя Гу Няньсуна 9 мая 2026 года на Минь Классе по теме «DFSS — дизайн шесть сигм: усиление ИИ: от инженерной теории до облачного внедрения», опубликованной Минь Классом.

Для просмотра записи курса нажмите здесь