AI 如何重塑 FMEA从七步法向导到知识图谱一个开源 QMS 的完整实践不是 PPT 里的概念——Docker Compose 一键启动Ollama 本地推理1000 commit 已经跑通的 FMEA 智能化系统。引子FMEA 的「AI 真空」与破局做质量的朋友都懂FMEA 这东西说重要是真重要说头疼也是真头疼。每次打开一张空白的 DFMEA 或 PFMEA 表格脑子里就开始天人交战「这个失效模式该填什么严重度打几分以前那个类似的项目是怎么写的来着」最后往往是翻出三年前的 Excel 模板复制粘贴再凭「老师傅的经验」改一改然后归档再也没打开过。做完就忘跨项目知识完全无法复用——这就是传统 FMEA 最大的痛。市面上的 AI 方案呢要么是 SaaS 订阅数据必须上云汽车、医疗器械这些强合规行业根本不敢用要么就是 PPT 里的概念落不了地。直到我最近在 GitHub 上挖到一个项目OpenQMS。它把 AI 真正塞进了 FMEA 的每一步而且开源、本地部署、数据不出厂。我花了一个周末把它跑起来体验了一把「AI 帮你做 FMEA」是什么感觉今天就跟大家聊聊。第 1 节七步法生成向导——AI 帮你「走完」FMEAAIAG-VDA 七步法大家都知道但真正能严格按步骤走完的团队不多。OpenQMS 直接把七步法做成了一个可点击的向导流程从 Step 0 范围定义到 Step 6 结果文档化每一步都有 AI 在背后帮忙。比如在 PFMEA 向导里Step 1 结构分析时你可以拖拽构建结构树用的 dnd-kit手感很顺AI 会根据你选的 5T 工具/趋势标签自动推荐可能的功能和要求。到了 Step 3 失效分析编辑器里会弹出一个SmartSuggestionDropdown根据当前上下文推荐失效模式、失效效应、失效原因——不是随便推荐而是基于规则引擎、知识图谱相似度匹配甚至可选接上本地 LLM 做语义理解。最让我觉得贴心的是门禁校验。填完所有内容后系统会自动检查 4M/OP 门禁、3 级严重度、CC/SC 特性是否都覆盖到了漏了哪个就标红提醒。以前靠人工 review 才能发现的问题现在 AI 帮你兜底心里踏实多了。第 2 节混合推荐引擎——规则 图谱 LLM 三重加持很多人以为 AI 推荐就是接个 ChatGPT 完事但 OpenQMS 的推荐系统设计得相当讲究。它不是一个单一模型而是三层混合规则引擎处理确定性逻辑比如「严重度≥9 自动建议安全特性」知识图谱相似度匹配在 Neo4j 里找跨文档的相似失效模式把组织级的经验复用起来可选 LLM做语义理解与生成支持 Claude、OpenAI也可以接本地 Ollama数据完全不出厂。在 FMEA 编辑器里有 5 种触发类型 × 6 列会自动触发推荐输入时 500ms 防抖键盘上下键就能选操作响应快没有卡顿感。而且每个推荐项都会标注来源文档不是黑盒瞎猜。推荐结果还有缓存和作用域收敛响应速度很快。第 3 节知识图谱——让失效模式「开口说话」传统 FMEA 是孤岛做完就归档。OpenQMS 用 Neo4j 把跨产品线、跨文档的失效模式连成一张网你可以直接在语义搜索里输入关键词系统会按相似度评分0-1返回相关失效模式低于 0.3 的自动过滤掉。我试了一下搜「焊接开裂」立刻跳出其他项目里类似的失效模式连带着原因、控制措施、AP 等级都列出来了。这感觉就像团队里有个「活着的 FMEA 知识库」新项目可以直接站在前人的肩膀上。更酷的是风险地图一屏展示 AP 分布、高优先级失效模式 Top 10、平均 RPN管理层一眼就能看到全局风险状况。而且系统做了数据脱敏跨产品线查看时节点名称只保留前两个字符其余用***代替权限隔离也到位。第 4 节变更影响分析——改一个参数看全局涟漪做 FMEA 最怕的就是「牵一发而动全身」。比如你改了一个失效原因的严重度它会影响下游多少个失效效应会不会导致某些 AP 等级从 M 升到 H以前只能靠人脑推演现在 OpenQMS 直接给你算出来。在 FMEA 编辑器中选中一个节点发起变更影响分析系统会用 BFS 图遍历最大 5 跳找出所有受影响节点然后计算一个影响评分0-10 分受影响失效模式数 × 2 AP 升级数 × 3 远距离加分。评分用颜色编码0-3 绿、4-6 橙、7-10 红一目了然。而且它还能预测风险变化比如 old_ap → new_ap用颜色标出来。如果是 S/O/D 属性变更会同时追踪下游失效效应和上游失效原因双向遍历。分析结果还能一键跳回知识图谱高亮查看非常直观。第 5 节从 FMEA 到 8D 到 SPC——AI 打通质量闭环FMEA 不是终点它应该和 SPC、8D 联动起来。OpenQMS 在这块做得相当完整SPC 控制图异常→ 自动识别关联 FMEA → 推荐 8D 方案。匹配路径有两条控制计划桥接 名称模糊匹配还会补充 RPN、AP、路径、原因等信息。8D D4 根因推荐四源混合——FMEA 图匹配 RAG 语义搜索 历史 CAPA 匹配 规则引擎再用FusionEngine去重排序LLMFusionLayer增强。8D D5 措施推荐三源 控制措施扩展器推荐面板可以直接采纳或跳过。D7 预防复发自动推荐关联 FMEA 失效模式一键跳转D5 措施自动填充。还有个软门禁未确认项弹窗提醒跳过理由写入审计日志。这样一来从 FMEA 识别风险到 SPC 监控异常再到 8D 解决问题并预防复发整个质量闭环就被 AI 串起来了。而且 8D 报告还能用 LLM 辅助草拟结构化或段落格式都行省了不少写文档的时间。结尾开源 本地 AI 的 FMEA 未来体验完一圈我最大的感受是AI 不是要替代 FMEA 工程师而是消除「不知道该填什么」的恐惧打破「做完就忘」的知识孤岛。OpenQMS 用 MIT 开源协议、Docker 一键部署、Ollama 本地推理把 AI 驱动的 FMEA 工作流变成了一个 4GB 内存就能跑起来的现实。如果你也想试试只需要gitclone https://github.com/Open-Industry-System/OpenQMS.gitcdOpenQMSdockercompose up-dalembic upgradeheadpython-mapp.seed# 浏览器打开 localhost:51735 个预置账号种子数据一导入就能直接体验 AI 驱动的 FMEA 工作流。当然还有一些开放问题值得探讨AI 推荐的措施被采纳率到底如何知识图谱冷启动怎么解决欢迎去仓库提 issue 或 PR一起把这条路走得更远。你觉得 AI 推荐在 FMEA 中靠谱吗欢迎留言聊聊。