质量工程 / FMEA
FMEA 不再是一次性文件：用 ERP 与 MES 数据让 PFMEA 持续更新
简要回答
FMEA 难以长期有效，根本原因是它和现场数据脱节。把 ERP 的不良与客诉记录、MES 的工序数据接入一个私有部署的 AI 助手后，可以辅助起草失效模式、核对严重度与发生度评分、检查控制计划是否覆盖，但评分的最终判断仍由跨职能小组负责。
很多工厂的 DFMEA 和 PFMEA 是为了通过客户审核或 IATF 16949 外审而做的：项目启动时由质量工程师在 Excel 里填完，之后很少改动。量产后工序里出现了新的不良模式、客户投诉了新的失效，文件里却没有对应条目，发生度（O）和探测度（D）也一直停留在最初的估计上。
新版 AIAG 与 VDA 联合发布的 FMEA 手册采用了七步法，并以措施优先级 AP（高、中、低）取代了传统的 RPN 乘积，这对文件的结构化程度要求更高。如果 ERP 中的不良代码、MES 中的工序参数和 FMEA 条目能够用同一套编码关联，AI 就可以做大量重复的核对工作。本文讲清楚这条路径怎么走，以及哪些环节不应该交给模型。
FMEA 为什么总是和现场脱节
典型的脱节有三种。第一，失效模式的名称各写各的：FMEA 里写「焊接不良」，MES 的不良代码是「虚焊」「连锡」「少锡」，ERP 的退货原因写「焊点问题」，三边无法对应。第二，发生度评分凭经验填写，没有用过去一年的实际不良率和客诉数据校准。第三，控制计划（Control Plan）和 PFMEA 分别维护，改了一个忘了另一个。
这些问题靠人工逐条核对既耗时又容易遗漏。一个中等复杂度的产品，PFMEA 常有几百行，每次变更都要重新审视，而变更恰恰是质量风险最高的时刻。
- 失效模式与不良代码没有统一编码，数据无法汇总
- 发生度和探测度未按实际数据回溯校准
- PFMEA、控制计划、作业指导书三份文件版本不同步
- 客诉和 8D 的结论没有回写到 FMEA
AI 能做什么：用实际数据支撑评分和覆盖检查
在 ERP 一侧，可以读取退货单、客诉记录、返工单和报废单；在 MES 一侧，可以读取工序检验结果、设备报警和参数记录。AI 助手把这些记录按工序和不良代码聚合后，对照现有 PFMEA 逐行提示：这个失效模式近十二个月出现了多少次，当前评分的发生度是否明显偏低，是否存在 FMEA 里完全没有的新不良模式。
模型还能做文本层面的辅助：根据工艺流程图和历史 8D 报告，起草失效影响、失效原因和现行预防措施的候选描述，供小组讨论时修改。它也可以检查每一条高优先级 AP 的项目，在控制计划里有没有对应的控制方法、检验频次和反应计划。
- 按工序和不良代码汇总近期实际不良，对比 O 值
- 发现 FMEA 中缺失的失效模式并给出证据记录号
- 检查 AP 为高的条目是否有措施、责任人和完成日期
- 核对 PFMEA 与控制计划的特性、规格和频次是否一致
- 查询类问题可直接用自然语言提问 ERP 数据，例如某物料近半年的退货原因分布
起步：先统一编码，再谈模型
在引入 AI 之前，先花两到三周做一件基础工作：建立一张失效模式字典，把 FMEA、MES 不良代码、ERP 退货原因和客诉分类映射到同一套编码。这件事不需要模型，却决定了后面的效果。映射表可以由质量、工艺和 IT 三方共同维护。
第二步选一个产品族做试点，通常选客诉最多或客户审核最严的那个。导出现有 PFMEA 和控制计划，读取该产品族过去一年的不良和客诉数据，让助手生成差异清单，再由跨职能小组评审。第一轮的价值主要体现在发现遗漏，而不是自动改写文件。
架构与数据安全：PFMEA 与不良数据不出厂
PFMEA、控制计划和不良数据包含工艺参数和客户产品信息，很多主机厂和一级供应商在保密协议里明确要求不得外传。因此推荐使用开源权重模型（如 Qwen、DeepSeek 一类），用 vLLM 或 Ollama 部署在工厂自己的 GPU 服务器或私有云上，检索只覆盖有权限的数据，对 ERP 保持只读。
涉及个人信息或重要数据出境的场景，需要按《个人信息保护法》和数据出境相关规定评估，详见我们的相关指南。任何写回 QMS 或 ERP 的动作都应经过人工确认，并保留查询语句和依据，便于审核时追溯。
诚实的边界：什么时候不需要 AI
如果你们只有少数几个产品、FMEA 条目不多，而且已经使用带有失效网络和控制计划联动功能的专业 QMS 软件，那么先把现有软件的功能用满，比引入新的 AI 层更划算。AI 也不能替代跨职能小组的讨论：严重度（S）取决于对客户和安全的影响，必须由熟悉应用场景的人判断。
此外，模型给出的原因分析只是候选，需要用现场验证。我们提供免费的英文 FMEA 模板和计算工具，可在 netray.co/tools 获取，先用模板把结构理顺，再考虑自动化。
常见问题
新版 FMEA 的措施优先级 AP 和 RPN 有什么区别？
RPN 是严重度、发生度、探测度的乘积，同一个数值可能对应完全不同的风险。AP 根据三项评分的组合给出高、中、低的优先级，严重度高时即使其他两项不高也会被重点关注。AI 可以帮助核对评分表是否按 AP 规则判定，但评分本身仍需小组确定。
AI 可以自动生成整份 PFMEA 吗？
可以生成初稿，但不建议直接使用。初稿适合用来启动讨论或补全遗漏，严重度、现行控制和措施必须由熟悉产品和工艺的人确认，否则审核时无法说明依据。
没有 MES，只有 ERP 能做吗？
可以。ERP 中的退货、返工、报废和客诉记录已经能支撑发生度的校准和缺失模式的发现，只是工序级别的粒度会粗一些。后续接入检验记录或 MES 后再细化。
数据需要上传到云端模型吗？
不需要。可以把开源权重模型部署在工厂内部，数据在本地检索和推理，对 ERP 默认只读，并保留查询记录。
用友、金蝶或 SAP 都能对接吗？
我们的 ERPray 采用 ERP 无关的连接器，常见做法是通过只读视图或接口读取数据，具体取决于你们的版本和已有接口，需要在评估阶段确认。
相关指南
PPAP 提交包与 IATF 16949 审核：用 AI 核对 ERP 数据与资料一致性
整理 PPAP 提交包与 APQP 节点资料，用 AI 核对 ERP、BOM 与检验数据的一致性，适合汽车零部件企业，私有化部署。
MES / SPC / ERPSPC 与 CPK：让控制图的异常信号被及时读懂
从 MES 与检测设备读取数据做 SPC 控制图和 CPK 分析，AI 辅助解读异常趋势与原因，模型本地部署，适合制造企业。
ERP / WMS / QMS来料检验 IQC：用历史数据决定抽多少、查什么、追哪家供应商
用 ERP 收货与检验记录优化 IQC 抽样、不良追溯和供应商评分，AI 辅助分析来料趋势，数据本地部署不出厂。
ERP / MES / QMS首件检验：在换线与换模的那一刻守住第一道关
把首件检验纳入工单与换线流程，用 ERP、MES 数据核对工艺版本和检验项目，AI 辅助生成首件报告，本地部署。
用友 U8 / U9 Cloud用友 U8 / U9 Cloud 的 AI 集成：数据不出厂的做法
在用友 U8、U9 Cloud 上落地私有化 AI：用自然语言查库存、采购、生产订单与缺料，数据不出厂，默认只读，写入需人工确认。
用友 BIP用友 BIP 之上的企业 AI：私有化问答与智能体
用友 BIP 之上如何加 AI：基于开放平台与 API 做自然语言查询和智能体，开源模型本地部署，权限沿用 BIP 角色，写入需人工审批。