284 篇文章
在制造业拧紧工艺中，跳步、错序、漏拧是长期存在的三大质量顽疾。传统防错手段依赖人工目检、工具计数或物理限位，难以实时识别顺序错误。AI视觉强制拧紧顺序防错系统通过高精度视觉定位、深度学习算法，以及视觉识别与智能拧紧工具的实时通讯，实现了对拧紧顺序的强制管控：违反工艺顺序时工具自动锁定、漏拧时生产线自动挡停。该系统将质量控制从“事后检验”前置为“事中控制”，在汽车发动机、3C电子等精密制造领域显著提升了良品率与工艺合规性，是制造业数字化转型的关键技术之一。
作为能够最大程度识别并帮助减少潜在隐患的技术手段，FMEA（失效模式与后果分析）已被列为ISO/TS16949的5大工具之一。也就是说FMEA是评估设计可靠度的一种方法，用来对产品、过程、体系误差的纠正预防。
传统PFMEA（过程失效模式与影响分析）常被局限为静态的“工序分析书”，难以适应智能制造对实时防错与动态响应的需求。本文提出将PFMEA升级为“产线防错大脑”的全新定位，阐述了其从静态文件向动态决策中枢的进化路径。文章系统分析了传统PFMEA在静态化、孤岛化、应用滞后等方面的核心痛点，提出了PFMEA作为实时感知、智能判断、主动干预的“大脑”的底层逻辑，并给出了结构化知识建模、打通数据链路、部署实时监控引擎、构建闭环改进机制四步升级路径。最终，这一转型能够实现质量成本下降、响应速度提升与知识资产沉淀三大价值跃迁，并展望了AI驱动下自主进化防错体系的未来方向。
新版FMEA（AIAG&VDA联合手册）相比旧版（AIAG第四版/VDA旧版）进行了系统性重构，主要体现在以下五大变革
本文指出传统扳手校验记录管理存在易丢失、查询难、难追溯等问题。阐述了数字化归档在数据安全、查询便捷和节省空间方面的优势，介绍了全流程追溯通过信息采集录入、建立关联关系和实时监控预警来实现。通过实际案例说明该系统能提升企业管理水平，强调企业应推进扳手校验记录数字化归档与全流程追溯。
FMEA又分为DFMEA和PFMEA，分别是针对产品设计、开发时期的分析技术和产品实现过程的分析技术。近日有质量人询问是否有PFMEA的经验介绍，今天给大家推荐的就是质量前辈自己的一点心得。
为实现质量管理目标，通常采用不同工具和方法，我们会发现，每种工具都有其特定的对象，很多问题的解决都需要多种工具的配合使用，将多种工具的使用融会贯通。今天我们就为大家梳理一下FMEA与8D间之动态化及关联性。
DFMEA 的核心是 “在产品设计阶段，找出可能导致功能失效的设计缺陷，提前整改”。通俗说，就是 “产品还没做出来，先想清楚‘设计得不好会出什么问题’”。
明明用了行业公认的风险防控工具，为什么还是管不好质量？其实答案很简单：问题从来不在FMEA方法本身，而在于落地过程中的“边界模糊、输出悬空、迭代缺失”——DFMEA停留在纸面风险，PFMEA流于表格形式，控制计划与现场执行严重脱节，看似流程齐全，实则没有形成真正的风险防控闭环，最终让优质的管理工具沦为“应付审核”的纸面文件。
本文围绕 AI 视觉如何实现螺栓定位、编号、顺序全流程防错展开。介绍了 AI 视觉技术的概念，详细阐述了其在螺栓定位、编号、安装顺序防错方面的实现方法，包括图像采集、特征提取、定位算法、编号规则制定、图像识别、顺序规划、实时监测等。通过汽车制造行业的实际案例展示了其应用效果，强调了 AI 视觉技术在提高产品质量和安全性方面的重要作用。
FMEA推进者是一个关键角色，负责确保FMEA过程的有效实施和协调。让我们来看一看FMEA推进者的岗位要求和工作职责都有哪些吧。
尽信FMEA则不如无FMEA。没有任何一个工具能完美适用于你所在的组织。在学或用这些工具的时候，需要保持独立思考，认清它们的局限，不要因为教条主义而偏离了使用这些工具的目的。
随着产品越来越复杂，资料越来越多，单纯靠人工做FMEA已经成了企业的“痛点工程”！耗时耗力不说，成本还越来越高，AI技术正在改变这一切。
在制造业质量管理中，DFMEA与PFMEA的割裂常导致设计缺陷流入量产。本文指出了两者打通的本质——以**特殊特性**为纽带，将设计风险系统转化为过程控制。针对当前设计、工艺各自为战的现状，提出了包含“DFMEA输出量化风险、建立传递机制、PFMEA设计过程控制、反馈优化设计”在内的四步打通方法论。文章强调，打通不仅是信息传递，更是产品设计与工艺设计的深度协同，是实现质量前移、降低综合成本的关键。
残余扭矩检测是装配过程中管控螺纹紧固连接性能好坏的重要手段。也是大多数从业者认为应该作为产品特性来进行管控的。今天就介绍几种常见的测量残余扭矩的方法。
在现代工程和风险管理中，故障分析在确保产品可靠性和安全性方面起着关键作用。故障分析中两种广泛使用的方法是故障模式与影响分析（FMEA）和故障模式、影响及诊断分析（FMEDA）。虽然这两种技术都旨在识别和缓解潜在故障，但它们的用途不同，适用于不同的场景。
本文围绕 “视觉 + 扭矩大数据分析：优化工艺、降低不良、预测风险” 展开。阐述了视觉技术与扭矩大数据分析的内涵及融合方式，说明其在优化工艺上可精准调整参数、优化流程；在降低不良方面能实时监控预警、实现质量追溯改进；在预测风险上可对设备故障和质量风险进行提前预判。该技术为制造业拧紧工艺带来变革，助力企业提升竞争力。
FMEA-MSR 既不是简单地把内容写进DFMEA表格，也不是完全独立于DFMEA之外的孤岛。 它是DFMEA的补充分析，主要用于处理那些在DFMEA中评估为高风险（特别是高严重度），但无法通过传统设计预防/探测措施完全消除的失效场景。
在汽车电子领域，ECU、DC - DC 和域控制器是核心部件。本文探讨了对它们进行 FMEA 分析的方法。ECU 作为汽车电子 “大脑”，可能出现硬件、软件和电磁干扰等失效模式；DC - DC 转换器存在输出电压不稳定、效率低下和过热等问题；域控制器则面临通信故障、数据处理能力不足和软件兼容性问题。通过明确功能、识别失效模式、分析影响、计算 RPN 和制定改进措施，可降低汽车电子系统故障率，提升整车性能。
理解物联网最简单的方式，就是拆解它的名字——物联网，由“物”、“联”、“网”三个字组成。这三个字，恰恰对应了物联网的三个核心层面。
