DFMEA审核从“抽检”到“全检”

来源：滚动播报

（来源：上观新闻）

【编者按】

为落实《上海市加快推动“AI+制造”发展的实施方案》，市经济信息化委会同市工业互联网协会、中国信通院上海工创中心、上海工业数字化研究院等单位，先后编制发布了两期《上海市“AI+制造”场景建设指南》，旨在提炼重点行业高价值应用场景，为企业提供可复制、可推广的标准化操作方案。本系列将逐一解读第二期18个标杆场景，本期聚焦汽车行业研发设计环节——多智能体驱动的DFMEA智能审核系统（受限于篇幅，内容有所压缩，完整版请于文末点击链接下载）。

01 汽车智能化发展对研发质量管理提出新挑战

为贯彻落实国家和上海市关于深入实施“人工智能+”行动的部署要求，上汽集团立足汽车产业发展实际，坚持“聚场景、重落地、促生态”的工作原则，围绕“AI+”十大核心应用场景，择优遴选数字化基础较好、场景代表性较强、复制推广价值较高的重点企业，加快人工智能技术与汽车研发、生产制造、市场营销、经营管理等主责主业深度融合。

汽车产业正加速向电动化、智能化、网联化方向演进，整车电子电气架构日趋复杂，软件定义汽车持续深化，产品开发周期不断缩短，对研发质量管理的精准性、一致性和时效性提出了更高要求。传统依赖工程师经验、规则检查和人工抽检的质量管理模式，已难以适应海量零部件、多专业协同和快速迭代开发的现实需求。

DFMEA（设计失效模式与影响分析）是汽车研发设计阶段识别潜在失效风险、预防产品质量问题的重要工具，也是GVDP整车开发流程中的关键交付物。推动DFMEA审核由人工经验驱动向知识与数据驱动转变，已成为人工智能赋能汽车研发质量管理的重要突破口。具体来看，当前DFMEA质量审核主要面临以下四方面挑战：

（一）人工审核效率低下。审核工作主要依赖工程师查询系统数据并结合个人经验开展分析，不同人员审核标准存在差异，审核效率和审核一致性有待提升。

（二）审核工作量极为庞大。单份DFMEA通常包含大量失效条目，整车项目往往涉及数百份DFMEA文档，定期开展全量审核需要投入大量专业人员和时间成本。

（三）审核覆盖范围严重不足。受人员和时间限制，实际工作中通常只能抽样审核重点内容，难以实现全量客观检查，部分潜在问题存在遗漏风险。

（四）知识复用能力薄弱。历史开发问题、售后质量问题及DFMEA经验分散存储于不同系统和文档中，难以形成统一知识体系支撑审核工作。

02 解决方案：构建“知识匹配－智能审核－人工复核－知识沉淀”新范式

本场景由上海汽车集团股份有限公司乘用车分公司牵头编制。与通用办公类AI不同，工业AI的核心价值在于理解行业知识、融合工程数据、嵌入业务流程，并形成可验证、可追溯的智能决策能力。以AI大模型与多智能体协作为核心，在上乘ADP智能开发平台上，构建覆盖DFMEA交付审核、问题闭环审核、问题逃逸分析、问题标签分类和关注项总结等业务场景的智能化审核体系，推动DFMEA质量管理从“经验驱动、人工抽检”迈向“知识驱动、全量智能审核”。

（一）四层智能体系

（二）核心能力

多模态文档智能解析：支持DFMEA结构化表格、非结构化文本全量解析，精准提取失效模式、失效原因、预防/探测措施、S/O/D值等核心字段，文档解析准确率≥95%，适配单份2000-20000行的大批量处理需求。

多智能体分层协同审核：将DFMEA审核解耦为失效质量检查、问题闭环审核、问题逃逸分析、问题标签分类、关注项总结五个轻量级专项智能体，降低系统复杂度、提升鲁棒性。

失效知识持续沉淀与飞轮效应：通过“问题闭环审核”“问题逃逸分析”等智能体关联比对新问题，确认后自动沉淀结论至知识库，实现知识持续生长与自我进化。

（三）算法引擎

多模态文档解析算法：支持DFMEA结构化表格、非结构化文本、长文本大体积文档全量解析，批量处理400+份DFMEA文档，文档解析准确率≥95%。

NLP语义理解与推理算法：实现失效知识语义抽取、问题标签自动分类、失效原因关联推理、S值合规性校验，支撑干货检查、问题逃逸分析、质量闭环推理等核心审核场景。

智能体协同调度算法：基于ADP智能体调度逻辑，实现多审核Agent并行处理、任务智能分发、审核结果聚合，支撑400+份DFMEA全检、3000+个问题分类的高并发处理。

03 应用成效：质量管控质的飞跃

04 实施路径

（一）数据准备

数据兼容Excel/CSV/XML格式，支持批量、增量采集；语料来源合法合规，敏感数据脱敏入库。

（二）算法与算力

算法层：多模态文档解析 + NLP语义理解与推理 + RAG检索增强 + 智能体协同调度，共同支撑文档解析—审核推理—知识检索—任务调度全链路。

模型层：基座大模型选Qwen3.5-Plus等通义千问系列，向量化模型选BGE-m3等国产embedding模型，基于Milvus构建向量数据库，Top-K召回准确率≥90%。

算力配置：采用“云端GPU集群+边缘轻量化节点+ADP智能调度”三级算力架构；云端支撑大批量推理，单批次全量推理响应≤30分钟；边缘单份文档审核响应≤1分钟；API并发≥100次/秒，可用性≥99.9%。

（三）业务系统

基于上乘ADP智能开发平台构建五个专项智能体协同体系，通过RESTful API、DFMEA管理系统，支持Web端（PC工作台），建立“AI自动审核+人工复核”双轨机制，明确审核时效、整改及闭环跟踪要求。

（四）安全合规

设备与访问安全：身份认证、数据完整性校验、日志留存，全量内部部署，数据不出域；基于RBAC和最小权限原则分级管控，传输使用SSL/TLS安全协议。

存储与权限安全：分层加密、分级权限控制、敏感数据脱敏；语料数据独立存储，物理或逻辑隔离，受控管理。

质量合规：建立语料安全合规评估、数据分类分级、操作日志审计、AI全生命周期安全管控机制，确保输出可控、可解释、可监管。

05 实际案例与对接

本方案已在上汽集团乘用车分公司落地验证，以上乘ADP智能开发平台为核心底座，成功构建“知识驱动、多智能体协同”的DFMEA质量大脑。该实践形成了汽车研发质量AI应用的可复制路径，为上海汽车产业链企业推进“AI+制造”提供了参考样板。未来，该模式可进一步向整车研发、零部件设计等领域拓展，推动汽车产业从数字化管理迈向智能化运营。

想进一步了解该场景技术细节与实施标准 → [点击下载完整版场景建设指南.pdf]

有意向建设该场景、需要对接场景服务方的企业，请联系：市工业互联网协会 赵老师 13816395318

下一篇预告

《基于工业智能体的输变电装备智能图纸设计》——聚焦输变电装备研发设计环节，AI如何实现电气图纸设计与审核从“人工”到“自动”。

我们正在研究编制

《上海市"AI+制造"场景建设指南（第三期）》

欢迎有行业高价值场景挖掘和建设经验的企业共同参与

联系人：市工业互联网协会 张老师 13621971629

特别声明：本文经上观新闻客户端的“上观号”入驻单位授权发布，仅代表该入驻单位观点，“上观新闻”仅为信息发布平台，如您认为发布内容侵犯您的相关权益，请联系删除!