Beruflich Dokumente
Kultur Dokumente
SPC 1
Mthodes statistiques de la qualit : Statistical Quality Control chantillonnage des lots : Acceptance Sampling cartes de contrle de Shewhart: Statistical Process Control (SPC) planification dexpriences : Design Of Experiment (DOE) - Taguchi analyse des modes dfaillances : Failure Mode Effect Analysis (FMEA) dploiement fonction qualit : Quality Function Deployment (QFD) analyse de fiabilit Contrle Statistique des Processus : SPC de base types de cartes : attribut comptage mesure processus dimplantation exemples avec Statistica
QUOI : MTHODES
PLANS D'CHANTILLONNAGE LOTS (Acceptance sampling)
SPC 2
Analyse de capacit (capabilit) des processus mthodologie indices lien avec la stratgie 6 sigma Analyse de capacit des processus de mesure : R&R Reproductible & Rptitivit mthodologie critres exemples SPC : cartes avances moyenne mobile MA moyenne mobile poids exponentiel EWMA cumulative somme CUSUM multivariables T de Hotelling
2
CARTES de CONTRLE et ANALYSE de CAPACIT (SPC) PLANIFICATION D'EXPRIENCES (DOE - Taguchi) TUDES FIABILIT (accelerated testing)
SPC 3
SPC 4
SPC 5
Stratgie de management qualit SIX SIGMA stratgie organisationnelle mthodologie DMAIC : Define Mesure Analyze Improve Control mthodologie DFSS : Design For Six Sigma
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
concept central : P R O C E S S U S
RESSOURCES APPROVISIONNEMENT MATRIAUX QUIPEMENTS PERSONNEL
CARACTRISTIQUES CRITIQUES pour la QUALIT :
2 PROCESSUS INSPARABLES
rle 2
rle 1
Fabrication
rle 3
Mesurage
Rsultat Y
VALEUR AJOUTE
Classement 0, 1, 2, 34.582 .
Fonction de transfert f
Y =f (X1, X2,..)
rle 1
analyser le processus de mesurage : R&R REPRODUCTIBLE ? RPTIVIT ? classer la pice : conforme ou non conforme ? (exigences, spcifications, tolrances) analyser le processus de fabrication : tude de capacit STABLE ? CAPABLE ?
4
rle 2
rle 3
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
CONSTATS UNIVERSELS
La qualit du produit dpend du processus. Le processus doit tre tudi avec le produit. Le comportement du processus varie dans le temps
VARIABILIT est TOUJOURS PRSENTE
STABLE ?
NON
1 Situation confortable produits conformes 100% situation jamais acquise de manire permanente en profiter pour amliorer le processus 2. Cas limite Amliorer le processus pour aller en 1 : Diminuer la dispersion ou revoir les limites de spcification 3. Processus au bord du chaos produits conformes 100% mais tat de courte dure processus instable et tout peut arriver il faut trouver les causes assignables (spciales) et stabiliser le processus pour se ramener au cas 1 ou 2 4. Situation chaotique Il faut faire des amliorations importantes pour stabiliser PRIORIT : STABILISER en premier et ensuite RENDRE CAPABLE
En rsum
d'analyser les fluctuations de Y de quantifier ces fluctuations de comprendre deux catgories de variabilit de rduire la variabilit de statuer si le processus est STABLE ( concept dfinir) d'valuer la capacit du processus (indices) relativement des limites de spcification (tolrances)
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
Shewhart cause assignable Deming cause spciale source causes externe processus nombre causes petit effet cause fort prsence sporadique Exemples hommes, matriaux, mthodes machines,
X UCLX = + 3
x n : X = x i / n = Xbar A = 3/n
( , ) INCONNUS ,xin i = 1, 2, , k
( x i j - Xbari ) /( n-1)
Xbar i / k ; R = R i / k
; S=
Si/k
= S / c4
correctif responsabilit
= R / d2 ;
remarque : les constantes d2 et c4 dpendent de n ( voir p. 11) limites de contrle : Xbar et R des moyennes Xbar avec R des moyennes Xbar avec S des tendues R des carts types S : : : : X X Xbar et S
DFINITION Le PROCESSUS est STABLE si seulement des causes communes sont en jeu dans le processus. dfinition statistique : les paramtres de la distribution (population) de X sont constants et ne changent pas dans le temps COMMENT SAVOIR ? La SEULE Mthode est l'utilisation d'une
A 2R A 3S
; ;
et et
A 2 = 3 / ( d2 n ) A 3 = 3 / ( c4 n ) UCL = D
4
LCL R = D 3 R LCL S = B
3
UCL = B 4 S
carte de contrle.
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
x i1 , x i2 , , x in
Xbar i moyenne du groupe i de n observations = x ij / n tendue du groupe i = max( x ij ) min( x ij ) cart type du groupe i = ( x ij Xbar i )
2
/( n-1)
tendue mobile = | X i X i-1 | : observ. ordonnes dans le temps et n = 1 moyenne des k moyennes Xbar = Xbar i / k moyenne des k tendues R = R i / k moyenne des k carts types S = S i moyenne des tendues mobiles mR = mR i /( k 1 )
10
15
20
25
30
86.834
mR
33.727 0.0000 10 15 20 25 30
Caractristique
n 2 moyennes ( Xbar & R ) tendues ( R )
CL
Xbar Rbar Sbar Xbar
LCL
Xbar - A2* Rbar Xbar A3* Sbar D3* Rbar B3* Sbar Xbar 2.66* mR
UCL
0.5
UCL
Xabr + A2* Rbar Xabr + A3* Sbar D4* Rbar B4* Sbar Xbar + 2.66* mR
DONNES Jour 1 2 3 . 33
LIMITES de CONTRLE STATISTIQUE Rgle 3 sigma de Shewhart Ligne Centrale Limite Suprieure Limite Infrieure CL = moyenne UCL = moyenne + 3 * (variabilit) LCL = moyenne - 3 * (variabilit)
0.5 0.5
pbar 3 [ pbar ( 1 pbar ) /n i ] ubar - 3 ( ubar /n i ) A 3 2.659 1.954 1.628 1.427 1.287 1.182 1.099 1.032 0.975 B 3 0 0 0 0 0.300 0.118 0.185 0.239 0.284
0.5
u ubar CONSTANTES n 2 3 4 5 6 7 8 9 10 A2 1.880 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308
CRITRES - tout point situ l'extrieur de l'intervalle (LCL , UCL) est le signal d'une instabilit du processus - autres rgles (Western Electric) 7 points conscutifs croissants (dcroissants) 8 points conscutifs d'un seul ct de CL autres .
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ 10 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
Dmonstration de la rgle 3 sigma de Shewhart : simulation de 10 000 observations provenant de 4 distributions avec = 0 et = 1
DISTRIBUTION
figure
% dans ( -3 , 3 )
n = 1
Uniforme
-3
100
4 10
100
100 99.7
100
100 100
Triangulaire
-1.45 0
2.95
100
4 10
99.5
99.9 99.5
99.9
100 100
Gaussienne
-3
99.7
4 10
99.7 99.6
99.7
99.5 99.5
99.0
Exponentielle
-1
98.2
4 10
99.0 99.3
98.8
97.4 96.0
97.4
CONCLUSION La forme de la distribution ( population ) dorigine nest pas importante lorsque lon applique la rgle de 3 sigmas de Shewhart pour dtecter des causes spciales de variabilit.
les limites de contrle peuvent tre places 2 * sigma. Remarque Il y a une seule dfinition pour les limites de contrle : 3* sigma Tout autre choix k * sigma conduit ; k 3
______________________________________________________________________________ 11 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ 12 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
TYPE de CARTES : 7 cartes de base MESURE ATTRIBUT COMPTAGE n Xbar&R 29 XmR 1 Xbar&S 10 et plus c constant u variable
Maintenir un journal de bord pour noter des vnements qui pourraient tre relis des causes assignables Apprendre interprter les cartes : tendances drives cycles sauts
p np n variable constant
______________________________________________________________________________ 13 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ 14 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
Xbar et R : moyenne Xbar et tendue R ( si n 10 ) Xbar et S : moyenne Xbar et cart type S ( si n > 10 ) XmR : valeur individuelle X et tendue mobile mR mR = | X i - X i - 1 | i = 2, 3, formation de groupes de n = 2 observations conscutives remarque : il faut que cette diffrence fasse du sens; par exemple, si les valeurs X sont relies au temps
EXEMPLE 1 : carte Xbar et R groupes de 4 pices mesure de rsistance en ohm Y groupe 1 2 3 . 51 y1 5045 4290 3980 . 5150 observations y2 4350 4430 3925 . 5250 y3 4350 4485 3645 . 5000 y4 3975 4285 3760 . 5000
ATTRIBUT 4. 5.
p : fraction de pices non conforme chantillon de n pices ( n peut tre variable) np : nombre de pices non conforme chantillon de n pices ( n est fixe) base : loi de Poisson
COMPTAGES 6. 7.
c : nombre de non conformits (aire d'opportunit fixe) u : nombre de non conformits (aire d'opportunit variable)
Histogram of Ranges 2200 2000 1800 1600 1400 1200 1000 800 600 400 200 0 -200 0 2 4 6 8 10 12 14 16 18 5
REMARQUES Pour appliquer les cartes pour les attributs il faut que les hypothses de la loi binomiale soient vrifies. Pour appliquer les cartes pour les comptages il faut que les hypothses de la loi de Poisson soient vrifies. Si les hypothses ne sont pas satisfaites : employer une carte XmR avec les comptages et les taux.
1520.0
666.08
0.0000 10 15 20 25 30 35 40 45 50
______________________________________________________________________________ 15 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ 16 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
EXEMPLE 2 : carte XmR X = viscosit polymre en cours de production observations durant 25 heures conscutives observations ( ) 2838 2785 3058 3064 2996 2782 2878 2920 3050 2870 3174 3102 2762 2975 2719 2861 2797 3078 2974 2805 3163 3199 3054 3147 3156
EXEMPLE 3 : carte p
avec n variable
inspection 100% d'un lot choisi parmi la production quotidienne chantillonnage durant une priode de 99 jours X : nombre de pices non conformes dans le lot la taille (n) du lot est variable d'une journe l'autre observations jour n X f = X/n 1 3350 31 0.0093 2 3354 113 0.0337 3 1509 28 0.0186 4 2190 20 0.0091 .. 121 3323 3 0.0009 2 cartes sont possibles : carte p
Histogram of P
80 100 90
10
20
30
40
50
60
70
80
90
152.00
0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 -0.01 -0.02 0
0.0000
Histogram of Moving Ranges 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 -0.01 0 10 20 30 40 50 60 70 80 100 90 10
______________________________________________________________________________ 17 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ 18 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
EXEMPLE 4 : carte c X : nombre de non conformit sur un circuit imprim observations 21 24 16 12 15 5 28 20 31 25 20 24 - 16 19 - 10 17 13 22 -19 - 39 30 24 16 19 - 17 - 25
EXEMPLE 5 : carte U X = nombre d'imperfections sur des pices de tissus laire inspecte des tissus est variable observations Tissu Aire #Imp. 1 10 14 2 12 18 3 20 30 4 11 13 5 7 5 6 10 10 7 21 39 8 16 24 9 19 34 10 26 49
1.5526
-0.5 0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
______________________________________________________________________________ 19 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002
______________________________________________________________________________ 20 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002