AUTO AFTERMARKET | 汽车后市场
蔚来NIO8D 的研究与应用
杜晨 姚伟 阎子嘉 黄铧
上海蔚来汽车有限公司 上海市 201804
摘 要： 本文详叙了蔚来量产产品质量部 NIO 8D 思考的由来，框架的制定，以及实际案例的应用。为避免读者困惑，
举证了NIO 8D 与传统G8D 的差异。同时经过多轮NIO 8D 的试运行，对有价值信息进行抽取和汇总，初步形成了适用于蔚来售后问题解决的知识库。并希望在未来，通过NIO 8D 的应用与扩展，形成可以广泛使用的制造业的问题解决方法论，分享给各个企业。
关键词：用户满意 NIO 8D 外部应力 内部强度 属性 噪音
1 背景
自从20世纪摩托罗拉六西格玛理论，福特8D 理论，丰田精益生产，通用Red-X 这些方法论问世以来，
质量的方法论似乎进入了“历史的终结”，所有国内合资，外资，独资的车企质量的从业人员始终遵循着这些经典理论，从组织构架到思维方式都基于此而搭建，所有质量活动围绕降低质量成本开展。进入“十四五”以来，国家积极培育新能源产业，大力提倡弯道超车，一时间百家争鸣，蔚来作为其中的头部企业，尤其有着自己的生存之道，创始人李斌在蔚来上市之初说了一句看似简单实际大智慧的话：傻傻的对用户好，来概括蔚来的企业文化即以用户为中心。用户满意才是蔚来最重要的护城河。因此蔚来的质量活动是围绕用户满意而展开。自上市以来，蔚来汽车的定位始终是国内高端乘用车市场，直面BBA 这些高端品牌以及背后百年造车企业，其质量体系积淀深厚，组织结构完备，肯定不是2014年
才成立的蔚来所能匹及的，这就要求质量部门需要在有限的时间内给出适合蔚来价值体系的，并带有自己“比较优势”的质量解决方案。以此为背景，在售后领域，在3年的不断实践中，量产产品质量部给出了自己的新8D 构想。
2 NIO 8D（蔚来产品问题解决数字化模型）的由来
在蔚来成立初期，量产产品质量部依循传统G8D 流程，从系统搭建到人员配备都参
考传统车企进行匹配，靠日以继夜加班加点来响应用户抱怨，靠无数次的专题会议来研究解决方案，靠8D 模块化系统进行问题管理。然而，较发展百年的传统汽车行业，蔚来汽车的价值定位已经截然不
同，致力于成为用户企业的我们，通过一次又一次得经验总结，迭代理念，不断优化传统G8D 流程，使之
更契合蔚来汽车的价值体系，形成了独特的NIO 8D（蔚来产品问题解决数字化模型）。
2.1 NIO 8D 框架
D0：了解问题现象，并按需采取紧急遏
Research and Application of NIO 8D
Du Chen Yao Wei Yan Zijia Huang Hua
Abstract ：
T his paper describes the original idea , the framework and practical examples of NIO 8D from Current Model Quality Department. In order to avoid readers' confusion, the difference between NIO 8D and traditional G8D is described. After several practice of NIO 8D, valuable information was extracted. Meanwhile, aftersales problem-solving knowledge database is gradually generated. We are expecting that through the extensive application of NIO 8D, this problem-solving methodology can be used in manufacturing industry and shared with all enterprises.
Key words ：user satisfaction, NIO 8D, external stress, internal strength, attribute, noise
图1 G8D VS NIO 8D
G8D
NIO 8D
D0
D0D0D2
D2
D3
D3D4D4ICA
ICA RC
RC D5D5PCA
ERA PCA
D6
D7D7D8
D8
D6
L&L
L&L
AUTO AFTERMARKET | 汽车后市场
制措施ERA
D1：成立问题解决小组
D2: 初步问题诊断，其目的是缩小寻根本原因的范围
D3：指定短期措施ICA
D4：寻问题根本原因
D5：针对根本原因指定长期措施PCA
D6：长期措施PCA的执行与验证
D7:Lessons and learn，防止问题再次发生
D8: Close
相较于G8D，NIO 8D将各个活动从串联改成了部分并联。各个活动的创新点会在后续的章节中简述。
2.1.1 问题现象
图２OEM QD是传统整车厂质量部，OEM MD是传统整车厂市场部。
传统汽车行业质量部在长久的运作中，形成了固定的问题反馈链路，即，依托于各个区域经销商的质保数据进行IPTV排序，按照帕累托法则排出优先级，而后集中资源进行问题管理和解决。针对重大投诉但是案例数量不多的问题，则需要维修站有经验和质量意识的资深从业者与主机厂区域技术主管形
成良好的线下沟通来进行反馈和收集。由于经销商体系的纷杂以及流动性，许多重要的D0信息会被过滤或传递质量不高，即使所有主机厂都积极进行系统建设的当下，由于信息源头的不可控性，难以形成结构化的质量数据，非结构化且迟滞的数据导致质量活动的开展效率受阻，通常一个问题解决的周
期是以季度来计算的。
一般来说，传统整车厂获取到用户的抱
怨到执行短期措施大约需要2个月，但蔚来
只需要7天，可以说蔚来售后体系最大的特
点是极大地缩短了D0的环节，有时用户抱怨
的一瞬间蔚来已获取信息并且即使开展分析。
这2个月时间是如何省下来的呢？
(1)经销商体系下，4S店还是以卖车盈利
作为主要业务模式，而蔚来由于是线上销售，
售后NSC主要活动就是服务用户，专业性更
强，以此充分利用NSC直营体系， 培训各
站端服务人员质量意识，进而高效得到结构
化数据。可以理解成，隶属于同一个班子的
人对从研发，制造，售后，end of life的车
辆的整个生命周期进行管理，无中间商赚差
价，没有屏障的透明化沟通可以带来更迅速
的反馈，参考梅特卡夫定律。
梅特卡夫定律：一个网络的价值跟连接
的用户数平方成正比。
图3 梅特卡夫定律
当K=0.4时，Y约等于连接用户数。
参考下图，如果网络里有3个节点相连，
那么价值=3。如果网络里有5个节点相连，
价值就是10，7个节点相连，价值就是
21。
图4 梅特卡夫定律举例
目前一个公司内部，如果都使用一个办
公软件，如企业飞书等，那完全可以做
到畅通连接，大事小事拉一个，叫上所有
相关方就可以做到快速响应。然而传统OEM
与用户之间还隔着不同的部门，不同大区，
以及中间商---4S店。
图5 梅特卡夫定律假设
Other OEM
NIO 蔚来
网络价值
网络价值
以上做一个初步假设，当用户先面对4S
店（5个节点），由4S店来联系整车厂（5
个节点），网络价值22。 反之参考蔚来的模
式，整车厂和4S店融合（10个节点），网络
价值46。效率的提高就是这么来的。
再者，经过几年的实践，蔚来已将快速
响应用户抱怨进行充分的规范化，并借助系
统进行数据的拉通传递。以下截取规范中的
一段来给大家做个参考。
当失效发生时，需第一时间了解用户在
失效发生的时间段所感受到的所有信息。
a.失效发现/发生时，用户当时看到了
什么，听到什么、感受到了什么?
b.失效发现/发生时的环境情况和工况
(包括，时间/天气/路况/车辆状态)?
c.失效发现/发生后，故障是否恢复了，
如何恢复的?
d.失效发现/发生前，是否也曾经偶发
过?第一次发生的时间和里程? 何种频率?
车辆是否存在其他异常或者事件？
(2)通过应用技术的创新，提升信息收集
图２ 传统汽车行业售后产品问题反馈链路
OEM QD OEM MD
IPTV系统计算保修系统数据上传
重大案例上报
华东大区
西北大区西南大区
华中大区华北大区
华南大区
维修站维修站维修站维修站
维修站
维修站
维修站
维修站
维修站
维修站
维修站
维修站维修站
维修站
维修站
维修站
维修站维修站
维修站
维修站维修站
维修站
维修站
维修站
维修站车间主管
车间主管
车间主管
车间主管服务经理
服务经理
服务经理
服务经理维修站维修站维修站
AUTO AFTERMARKET | 汽车后市场
效率，其中尤以NOMI（智能机器人头）为代表，用户开车时可以自由的与NOMI 交流，将心中的困惑告知NOMI，同一时间蔚来的小伙伴已在后台感同身受。
综上，2个月时间的节省来源于科技创新，组织架构，流程体系的全系统性思考。
2.1.2 初步问题诊断
一切改进源于一个好的开端，由于上述D0的环节，CMQ 获得了大量相对准确的结构化数据，就为后续D2，问题定义活动的开展打下了坚实的基础。在获取用户第一时间所想所感后，我们会按需发起紧急遏制措施(ERA)，如用户安抚或者安排紧急救援车等。同时我们需要对有效信息进行分级分类，如部分失效需要现场调查，如失效发生的位置，周边环境以及车内DVR 视频。部分的失效则根据当前失效时间，同步调取车辆后台数据，避免第一现场数据被后续存储覆盖，通过研究失效发生时的故障码等信息，可对该失效做初步诊断。 以上的技术和管理手段确保了D0和D2几乎是同步开展，把串行活动并行化，在加速问题分析的同时，后台的质量和工程人员可以第一时间给与现场人员最佳的技术指导，同时改善了问题定义速度和一次维修
成功率。
为了将根本原因的范围缩小到最小。在做问题诊断时，我们会严格按照整车-＞系统-＞零件-＞子零件的分级对失效现象进行分层，一直打散到维修站可以测量的最小零件（图6）。
2.1.3 根本原因
在将问题准确定义到最小可分解或可测量零件后，为下一步探寻根本原因提供了可靠保障。为了触及到产品问题的根本原因，常见的分析方式如故障树FTA 和5why，但这些常见工具可以用于任何问题解决，而非汽车行业专属。我们深知为了在新能源汽车的售后问题解决领域占据有利地形，一路追查到根本原因，可以能给研发段提供有价值的Lessons and learn，有助于提高零件可靠性，倾注design for service 的灵感，为公司节约成本的同时提升用户满意度，可谓双赢（图7）。
【外部应力概率函数】与【内部强度概率函数】的干涉面积，即是【失效率】。且【外部应力】与【内部强度】皆为随机变量。蔚来量产产品质量部在此基础上根据多年售后问题的经验推导出如下探究问题根本原因
的方法【D4】。
图8 D4根本原因模型思考
lnput
Failure mode Output 属性Xn
=
（ ）
Noise
D2D4
外部应力
失效
内部强度
f 外部应力在这里认为是售后产品问题的【输入】比如一个压强，一个力。内部强度指的是产品/零件【属性】，比如传动轴垫片的强度/厚度等。Noise【噪音】，代表一些不可避免的环境因素，如海南多雨高温高湿，黑河零下40°的超低温，道路情况不良有颠簸路面等等。
【输入】【属性】和【噪音】三者的复杂化学反应，导致了【输出】，比如一个超过标准范围的压强，而这个【输出】进一步形成了失效模式。
Y=f (X)，中的f ，可理解成将【输入】【属性】和【噪音】三者的反应转化成【输出】
的一个系统。因此挖掘根本原因的过程可以看成学习Y=f （X）的过程。我们将影响Y=f （x）的因素图示化展现如上，在之后的章节中会用实际案例来赘述而方便大家理解。
图９ D4根本原因模型
Input (I)
Noise (N)Y=f(x)
属性x1, x2...
Output (O)
D2
Failure mode
D4
通过D2信息的层层递进，确定了【失效
模式】，并推导出【输出】。然后通过常见
方法论比如鱼骨图，故障树，后台数据差异，传统的统计差异（如失效月集中，批次集中，季节集中，地域集中等到【输入】【属性】和【噪音】。最后通过经验，计算，统计，试验等各种手段，来推导f ( )这个逻辑关系，并再加以验证。D0 ERA-＞D3 ICA-＞
D5 PCA 和用户之间的0距离充分沟通，使
图6 D2初步问题诊断的层级
整车
系统零件
子零件失效现象4失效现象3
失效现象2失效现象1
测量/检测1
测量/检测2
测量/检测3
测量/检测4
图7 外部应力与内部强度
用户场景下
整车（零部件）
外部应力
内部强度
失效
AUTO AFTERMARKET | 汽车后市场
得ERA（紧急止血措施）能在很短时间内完成。并且由于售后到生产到研发的“一路畅通”，加上运行日渐成熟的合作伙伴管理体系，初步诊断后，往往ICA（短期措施）也能在一天时间内落地。从NIO 8D的框架来看，D0,D2,D4开展的同时，对应的ERA，ICA 和PCA已着手准备。并联而非串联的流程，提高了问题解决的效率，为公司节省了质量成本。
2.1.4 经验总结
快速更新迭代的大环境下，为了长期占据有利地形并将人员流失的影响降到最低，经验分享与传递是所有日渐成熟的企业都会关注，且也是问题解决后，附加值最高的环节。上文中提到，产品质量问题解决除了为用户答疑解惑外，更为了给其他模块提供有价值的Lessons and learn，设计更robust的零件等目的。对于如何准确挖掘并落地的经验总结，量产产品质量部有自己的深刻理解。
在蔚来，经验总结分为举一反三与lessons and learn。
（1）举一反三可以是横向也可以是纵向。
横向比如不同车型上的同一款零件的展开，纵向比如同一款车上同类零件。ET7轮速传感器线束布置参考了Tesla Model 3和Audi Q5。和轮速传感器线束一样，重点区域布置在运动件上的一些线束经过排摸也得以充分安置。举一反三听上去很容易理解，但其实难度并不小。要做到每一一个可以经验总
结的点都被充分传递和消化，不是开几场会议就能完成的。这涉及每个业务模块（项目，研发，制造，供应链，售后）的流程和系统上的横向拉通，不仅有效率，且要有效。对于蔚来这个上万人体量的公司来说，并不容易。
（2）lessons and learn就是根据售后发生问题的根本原因，寻流程、机制、标准等缺失或者不足，并将不足的点讨论且标准化在公司的标准系统库中（图10）。
当研究根本原因时，为避免后续不必要的时间浪费。分析者可以重新审视最初的设计需求，Design spec以及DV/PV 试验标准是否合理，最初的实验结果是否满足要求。在且无法避免的Noise（噪音），这些信
息往往对研发端制定的Design spec或者
DV/PV试验标准有参考价值。
通过D2阶段层层分解的失效模式，
可以反推检查研发端的DFMEA是否加入
了该失效模式，并且如何对该失效模式进
行预防。
一些影响根本原因的产品属
性x1，x2...会启示我们进一步研究
PFMEA对该属性的控制方式。
3 NIO 8D 应用案例
为了让读者更好的理解NIO 8D，我们
采用一个简单的案例来说明。 由于涉及敏
感信息，暂时罗列D0-D2-D4的信息供各
位读者参考（图11)。
D0，城市端集中反馈5例充电故障，
仪表提示动力系统故障，读取故障码发现5图10 D7经验总结模型思考
D7
D7
Design requirement and input
Design Spec
Input (I)
B-diagram
P-diagram
蔚来汽车DesignSpec
DV/PV
Noise (N)
D4
D7
PFMEA (Y/N)
SNIE
Y=f(X)
属性
Output (O)
D2
Failure mode
DFMEA (Y/N)
D7
DV/PV
图11 案例应用
D0
失效现象
1.交流充电不工作
2.车端报充电温度过高
2.车端报充电温度过高
无法充电
NTC误报温度
腐蚀
D0
ERA(不赘述)
ICA (不赘述)
D3
1.交流充电不工作
D2
整车
交流充电系统
交流充电座
负温度系数传
感器（NTC）
输入
充电口温度T1
噪音
空气湿度
空气含盐量
D4
Y=F(X)
属性
X1：充电座气密性
输出
充电口真实温度T2
失效模式
NTC腐蚀
D5
PCA(不赘述)
X11：充电座密封胶尺寸
X2:NTC气密性
（下转第198页）
TRAFFIC AND SAFETY | 交通与安全
光雷达软件算法故障而发生“撞到行人”事故，可以通过使用独立备用算法重复检测后比较两次检验结果的方式保证安全。
4 总结
单纯的功能测试并不能满足高等级自动驾驶的功能安全需求，而高级别的自动驾驶相对于传统的ADAS系统复杂度更高，面临的场景更加复杂，ECU功能相对集中，对线控系统有较高要求，同时驾驶员在环路中的角也完全不同，导致高级别自动驾驶系统在功能安全方面也有了更高的挑战，本文
详细分析了实现系统功能安全过程中所需要的过程，并且提出了对于高级别自动驾驶系统在该过程中需要注意的问题和可以使用的方法。
本文提出的方法并非唯一，也有其他的方法论也可以对高等级自动驾驶系统功能安全进行补充，如Intel和Mobileye提出的RSS（Responsibility-Sensitive Safety）方法，该方法更多的考虑了和自动驾驶车辆
交互的其他车辆的信息，确认了危险状况后，
出相应的原因，然后来解决；还有李力、
彭新宇等人基于责任敏感安全研究提出的跟
踪防碰撞策略[6]，该策略旨在保持交通安全
和效率之间的良好平衡，同时还考虑到车辆
和其他驾驶员的位置/速度感知/测量不
可避免的不确定性。
本文章受江西省03专项及5G项目研发
计划资助（20204ABC03A13）。
参考文献：
[1]ISO 26262. 汽车电子系统功能安全，1-2.
[2]Wikipedia. 故障树分析法.
[3]王星炜.一种兼容功能安全和信息安全的
车载网络解决方案[J].中国汽车，2018（11）：
22-29.
[4]ISO 26262. 汽车电子系统功能安全，8-10.
[5]Grave Much，Autonomous Driving-From fail
safe to fail operational systems，2015.
[6]Li，Li，et al. "A situation-aware collision
avoidance strategy for car-following."IEEE/
CAA Journal of Automatica Sinica 5.5
（2018）：1012-1016.
作者简介
周 锐： （1988—），男，湖北潜江人。德国布
伦瑞克工业大学，硕士，车辆工程专业。
青岛慧拓智能机器有限公司研发总监，
中国科学院自动化研究所，高级工程师。
魏 亚： 青岛慧拓智能机器有限公司技术经理。
孙佳优： 深圳慧拓无限科技有限公司测试经理。
台车均存在交流充电口温度过高。故障出现时，清除故障码/三键重启/整车下电都不能恢复。
D2，通过反馈的结构化数据，确认失效车辆和无故障车辆的差异存在于制造日期和使用地域，通过现场第一时间的ABA，以及后台数据的对比，确认到问题就是交流充电座导致，排除了软件及相关硬连接。
D4，使用地域--通过5台车辆失效环境的总结（Y、外部应力），我们怀疑是由于沿海地区富含盐分的空气导致了温度传感器的腐蚀，回顾开发阶段的试验，虽然PV大纲中有盐雾相关试验，但是和现场采集到的、目前用户实际的使用场景有较大差异，因此迅速调整试验方案--确认环境噪音。
制造日期--针对5个失效件存在集中性的特征以及拆解故障件后发现的腐蚀情况（X，内部强度）根据FTA（失效故障树）
列出潜在的“属性”原因。
D4+D5，参考FMEA思维，同时基于
外部应力及内部强度，同步开展验证及分
析试验，在一次盐雾试验中，同时完成同
批次-非同批次配对，良品件气密极端值
配对，良品件密封胶极端尺寸配对，NTC
气密极端值配对，4组对比，节约了试验时
间和经费，最终验证该失效原因。
4 总结
在用户思维的核心下，NIO 8D相对
于传统8D进行了如下迭代。首先在D0阶
段，我们强调多用户场景和触点以及原汁
原味用户D0信息传递。实现后台互联数据
/大数据在用户场景还原。其次在D2，我
们采用多层级的失效模式定义，从整车级
到维修站可以测量的最小级别。针对不同
层级失效模式应对措施(D0-D3-D5)。D4
基于P图和深入失效机理的根本原因分析。
在经验总结时期，区分不同维度和时效的
举一反三和Lessons and learn。
以上部分是4年来量产产品质量部对
NIO8D做的一些探索，是整个售后问题解
决业务链的数字化的基石，我们期望蔚来
的售后质量管理最终能够形成一个全域感
知（各类用户触点，各类可靠性和指标预
警等等）和价值体系协同（工程和合作伙
伴为主的业务价值体系）的平台，让信息
能流畅回传，帮助工程师高效分析，管理
者能够全域感知，经验总结高度融入，从
而打造更宽更深的护城河。
（上接第169页）
发布评论