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」FMEA
AIAG-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。
