Заказать мероприятие
Отправляя данные, я подтверждаю, что ознакомилась/ознакомился с Политикой в отношении обработки персональных данных, принимаю её условия и предоставляю ООО «РИА «Стандарты и качество» Согласие на обработку персональных данных.
Отправляя данные, я подтверждаю, что ознакомилась/ознакомился с Политикой в отношении обработки персональных данных, принимаю её условия и предоставляю ООО «РИА «Стандарты и качество» Согласие на обработку персональных данных.
Отправляя данные, я подтверждаю, что ознакомилась/ознакомился с Политикой в отношении обработки персональных данных, принимаю её условия и предоставляю ООО «РИА «Стандарты и качество» Согласие на обработку персональных данных.
Для приобретения подписки для абонементного доступа к статьям, вам необходимо зарегистрироваться
После регистрации вы получите доступ к личному кабинету
Зарегистрироваться Войти
Во второй части статьи рассматривается возможность модернизации метода QFD с помощью интеграции в него современных технологий, включая искусственный интеллект, машинное обучение, большие данные и Интернет вещей, для повышения точности и автоматизации процессов. Приведены примеры успешного применения таких технологий, проанализированы риски и возможности интеграции, отмечены направления для дальнейших исследований.
Переход от Индустрии 3.0, продолжавшейся около полувека, к Индустрии 4.0 повлек за собой кардинальные изменения в подходах к производству и менеджменту качества. Если в эпоху Индустрии 3.0 производство основывалось на автоматизации процессов и широком внедрении компьютерных технологий, то с наступлением периода Индустрии 4.0 ключевую роль стала играть глубокая интеграция физических и цифровых систем (рис. 3). Возникла новая модель взаимодействия между людьми, технологиями и процессами, меняются также модели создания ценности. Происходит переосмысление принципов менеджмента качества, что привело к формированию собирательного понятия «качество 4.0» (Quality 4.0) [1].
Рис. 3. Промышленные революции: технологии, подходы к производству и качеству
Качество 4.0 – концепция развития и совершенствования подходов менеджмента качества, основанная на интеграции технологий Индустрии 4.0 (рис. 4) в традиционные процессы систем менеджмента качества. Она объединяет 11 компонентов, связанных с людьми, технологиями и процессами (рис. 5): системы менеджмента, аналитика, данные, разработка приложений, связь, масштабируемость, сотрудничество, компетенции, лидерство, культура, соответствие требованиям [10]. Заложенный в основу концепции инструментарий позволяет широко использовать технологии для преобразования традиционных подходов менеджмента качества, включая процессы QFD.
Рис. 4. Основные элементы и технологии Индустрии 4.0
Рис. 5. Компоненты концепции «Качество 4.0»
В ответ на вызовы Индустрии 4.0 ученые и практики из разных стран все чаще представляют свои исследования по применению в менеджменте качества, в т.ч. в методе QFD, современных технологий. Так, в работе [11] приведен пример интеграции искусственной нейронной сети в процесс QFD. Авторы проанализировали требования к веб-сервисам и атрибутам их создания и применили QFD для разработки систем веб-сервисов, предложив новый подход постановки технических целей на основе искусственной нейронной сети. Исследование показало, что такой подход дает возможность учитывать не только линейные взаимосвязи между потребительскими требованиями (ПТ) и инженерными характеристиками (ИХ), как в случае с традиционными методами постановки технических целей (бенчмаркинг и линейный анализ), но и нелинейные.
Еще один пример интеграции нейронной сети представлен в исследовании [12]. Для обеспечения команды QFD количественной информацией использован метод искусственного интеллекта. Автор показал, как при разработке зубчатой коробки передач модель, созданная на базе искусственной нейронной сети, предоставляет данные по временным затратам и надежности изделий, помогая выработать наиболее подходящие рекомендации по проектированию продукции.
В статье [13] авторами предложен подход машинного обучения (Machine Learning, ML) для анализа потребностей потребителей в продуктовых экосистемах путем изучения онлайн-обзоров и отзывов от пользователей. Потенциал и осуществимость предложенного подхода показан на примере экосистемы Amazon. В ходе исследования решались три задачи: фильтрация шума, анализ большого объема текстовых данных и понимание их структуры, при этом использовались три различных метода ML и модель Кано. С помощью такого подхода удалось добиться лучшего понимания разработчиками продукции потребностей покупателей в экосистеме. Авторы указывают на необходимость дополнительных исследований для последующего сопоставления этих потребностей с различными характеристиками продукции, что может быть реализовано с помощью метода QFD.
В исследовании [14] авторы продемонстрировали возможность совместного применения метода QFD и современных технологий для разработки интеллектуальной системы обслуживания пациентов клиники. Построена модель обслуживания клиентов с использованием алгоритмов глубокого обучения, технологии Интернета вещей (Internet of Things, IoT) и QFD. Показано, что в результате работы такой системы пациенты могут получать индивидуальную медицинскую помощь, соответствующую их состоянию, при этом снизится нагрузка на медицинский персонал, а врачи будут получать более достоверную информацию о состоянии пациентов в режиме реального времени.
Искусственный интеллект и алгоритмы глубокого обучения для решения задач QFD (например, для вычисления весов ПТ) упоминаются в обзоре [15].
В статье [16] представлен пример применения методов машинного обучения для улучшения процесса QFD при разработке автоматизированной машины по производству деревянных стеновых рам. Использование таких методов позволило существенно упростить процесс проектирования, повысить адаптивность системы и обеспечить более точный и обоснованный выбор ИХ.
В работе [8] показано, как текстовые, графические, аудио- и видеоданные могут быть использованы в циклах проектирования. Авторы отмечают преимущества, которые дает применение передовых технологий обработки больших данных и искусственного интеллекта. Оно позволяет более точно определять требования потребителей, а также создавать виртуальные прототипы продукции, что повышает шансы на успех и снижает затраты на разработку конкурентоспособной продукции.
На основании анализа известной практики выделены ключевые направления, обеспечивающие возможность модернизации метода QFD с применением технологий Индустрии 4.0. В табл. 2–6 приведены основные подходы и инструменты, традиционно используемые на этапах QFD (строительства дома качества первого уровня)1 [4, 5], и связанные с ними ограничения. Представлены предлагаемые технологии [17, 18] и инструменты с примерами для включения в соответствующие процессы QFD, рассмотрены их потенциальное влияние и риски применения.
Табл. 2. Сбор и приоритизация требований
Табл. 3. Перевод голоса потребителя на язык инженерных характеристик
Табл. 4. Оценка корреляции и важности инженерных характеристик
Табл. 5. Конкурентный анализ
Табл. 6. Принятие решений
Следует отметить, что на сегодняшний день известны примеры успешного применения на практике некоторых из предложенных технологий крупными российскими промышленными холдингами [19]:
Приведенные примеры и тенденция к применению компаниями современных технологий указывают на возможность широкого распространения метода QFD как во всем мире, так и в России при условии модернизации его процессов с учетом цифровой трансформации.
Традиционные подходы метода QFD, доказавшие свою эффективность в эпоху Индустрии 3.0, зачастую не отвечают требованиям современной экономики. Интеграция технологий Индустрии 4.0 открывает новые возможности для его использования на практике, повышения адаптивности, совершенствования процессов прогнозирования и планирования качества. Однако наряду с возможностями интеграция технологий в процессы QFD порождает также определенные риски и трудности.
Дальнейшие исследования должны быть сосредоточены на разработке интегративных стандартизированных подходов QFD, учитывающих применение машинного обучения, больших данных и ряда других технологий. Разработка универсальных стандартов и методологий позволит минимизировать риски, связанные с выбором и внедрением решений. Это также поможет компаниям избежать проблем с интеграцией и обеспечить устойчивость процессов.
Кроме того, следует уделить внимание развитию кадрового потенциала и сосредоточиться на разработке образовательных программ для подготовки специалистов, обладающих необходимыми компетенциями.
Чтобы устранить барьеры для внедрения метода компаниями с дефицитом ресурсов, следует направить усилия на разработку модульных и масштабируемых подходов.
Предложенные шаги помогут не только повысить адаптивность и эффективность метода QFD в современных условиях, но и обеспечить его устойчивое развитие в контексте цифровой трансформации.
1. Салимова Т.А., Ватолкина Н.Ш. Менеджмент качества в условиях перехода к индустрии 4.0 // Стандарты и качество. – 2018. – № 6. – С. 58–62.
2. Mizuno S., Akao Y. (Eds). QFD: The customer-driven approach to quality planning and deployment. Tokyo: Asian Productivity Organization; 1994: 365 pp.
3. Akao Y. QFD: past, present, and future. International Symposium on QFD. Linköping, 1997.
4. Адлер Ю.П. Качество и рынок, или Как организация настраивается на обеспечение требований потребителей // Поставщик и потребитель. – М.: РИА «Стандарты и качество», 2000. – С. 35–81.
5. Брагин Ю.В., Корольков В.Ф. Путь QFD: проектирование и производство продукции исходя из ожиданий потребителей. – Ярославль: Центр качества, 2003. – 240 с.
6. Olewnik A., Lewis K. Limitations of the House of Quality to provide quantitative design information. International Journal of Quality & Reliability Management, 2008, vol. 25, no. 2, pp. 125–146. DOI: 10.1108/02656710810846916.
7. Wolniak R. The use of QFD method advantages and limitation. Production Engineering Archives, 2018, no. 18, pp. 14–17. DOI: 10.30657/pea.2018.18.02.
8. Quan H., Li Sh., Zeng Ch., et al. Big data and AI-driven product design: a survey. Applied Sciences, 2023, vol. 13, no. 16, p. 9433. DOI: 10.3390/app13169433.
9. Mazur G.H. Transitioning from JIS Q 9025 to ISO 16355. 23rd International QFD Symposium, ISQFD. Tokyo, 2017.
10. Jacob D. Quality 4.0 Impact and Strategy Handbook: getting digitally connected to transform quality management; LNS Research. Cambridge, MA, USA; 2017.
11. Zhu L., Liu X. Technical target setting in QFD for web service systems using an artificial neural network. IEEE Transactions on Services Computing, 2011, vol. 3, no. 4, pp. 338–352. DOI: 10.1109/TSC.2010.45.
12. Kutschenreiter-Praszkiewicz I. Application of neural network in QFD matrix. Journal of Intelligent Manufacturing, 2013, vol. 24, no. 2, pp. 397–404. DOI: 10.1007/s10845-011-0604-7.
13. Zhou F., Ayoub J., Xu Q., Yang X.J. A machine learning approach to customer needs analysis for product ecosystems. Journal of Mechanical Design, 2019, vol. 142, no. 1, 011101. DOI: 10.1115/1.4044435.
14. Huang A., Cao J., Zhang H. Construction of patient service system based on QFD in internet of things. The Journal of Supercomputing, 2021, vol. 77, no. 5, pp. 2155–2171. DOI: 10.1007/s11227-020-03359-y.
15. Huang J., Mao L.X., Liu H.C., Song M.S. Quality function deployment improvement: a bibliometric analysis and literature review. Quality & Quantity, 2022, vol. 56, no. 4, pp. 1347–1366. DOI: 10.1007/s11135-021-01179-7.
16. Tamayo E., Khan Y.I., Al-Hussein M., Qureshi A.J. Integrating machine learning with QFD for selecting functional requirements in construction automation. International Journal of Industrialized Construction, 2020, vol. 1, no. 1, pp. 76–88. DOI: 10.29173/ijic235.
17. Шваб К., Дэвис Н. Технологии Четвертой промышленной революции. М.: Эксмо, 2018. – 320 с.
18. Radziwill N. Quality 4.0: Let’s get digital: the many ways the fourth industrial revolution is reshaping the way we think about quality. arXiv: 1810.07829.. DOI: 10.48550/arXiv.1810.07829.
19. Климачев Т.Д., Карасев Д.А. Исследование практики и системных проблем применения технологий четвертой промышленной революции в различных отраслях российской промышленности // Вопросы инновационной экономики. – 2023. – № 4. – С. 2005–2024. DOI: 10.18334/vinec.13.4.119582.
1 ISO 16355-1:2021. Application of statistical and related methods to new technology and product development process – Part 1: General principles and perspectives of Quality Function Deployment (QFD). – Switzerland: ISO, 2021.
448
Подписка
Всероссийская организация качества
