Beruflich Dokumente
Kultur Dokumente
Sommaire
Introduction
Chapitre 1
Mthodes et outils dans l'approche Qualit Totale
Chapitre 2
Les principes de base de la MSP et leurs limites
Chapitre 3
Le cas des petites sries
Chapitre 4
La carte de contrle "petites sries"
Conclusions gnrales
Sommaire 1
Sommaire
Introduction
Le cadre de notre tude ................................................................................................ I.1
Plan du mmoire .......................................................................................................... I.2
Chapitre 1
Mthodes et outils dans l'approche Qualit Totale ...............
1.1
1.1
1.2
1.5
1.5
1.5
1.6
1.6
1.6
Sommaire 2
Sommaire
Chapitre 2
Les principes de base de la MSP et leurs limites ..................
2.1
Sommaire 3
Sommaire
Sommaire 4
Sommaire
Chapitre 3
Le cas des petites sries ........................................................
3.1
1. Introduction.............................................................................................................. 3.1
2. Typologie des petites sries .....................................................................................
2.1. Le besoin d'une classification ......................................................................
2.2. Les critres de classification........................................................................
2.3. Le tableau d'valuation ................................................................................
3.4
3.4
3.4
3.5
3. Les limites de lapplication des cartes dans le cas des petites sries .......................
3.1. Les problmes poss par les petites sries...................................................
3.1.1. Ncessit d'un chantillon ...............................................................
3.1.2. Une carte par caractristique...........................................................
3.1.3. La connaissance de la population....................................................
3.2. Les rponses ces obstacles........................................................................
3.6
3.6
3.6
3.6
3.7
3.7
Sommaire 5
Sommaire
Sommaire 6
Sommaire
Chapitre 4
La carte de contrle "petites sries" ......................................
4.1
4.4
4.4
4.7
4.8
Sommaire 7
Sommaire
Sommaire 8
Remerciements
Introduction
Introduction
Page I.1
Introduction
Plan du mmoire
Le chapitre 1 permet de situer les outils de la Matrise Statistique des Procds
dans un cadre plus global de la qualit totale. Nous tudierons dans ce chapitre les
diffrentes approches de la qualit, et la dmarche qui nous semble logique pour
aborder la qualit dans une entreprise. Aprs avoir fait un tour d'horizon sur les
principaux outils et mthodes de la qualit, nous situerons les outils de la matrise
statistique des procds et les limites dans leurs applications.
Le chapitre 2 fait le point sur les principes de base de la MSP (Matrise
Statistique des Procds) et principalement sur les notions de capabilit et de cartes de
contrle qui nous seront utiles dans la suite de ce travail. Nous profiterons de ce
chapitre pour prsenter une technique de calcul de la capabilit long terme directement
partir des valeurs des moyennes et des tendues. Nous tudierons les risques associs
l'interprtation rapide des indicateurs de capabilit, et nous proposerons une mthode
d'interprtation qui limite ces risques.
Le chapitre 3 fait le point sur les limites de la dmarche traditionnelle de pilotage
des procds dans le cas des petites sries. Il dcrit les diffrentes mthodes pour
appliquer la MSP avec l'tude des avantages et des inconvnients. La typologie des
productions en petites sries permet d'tablir une classification des mthodes en
fonction de leur domaine d'application, et de mettre en vidence les zones d'ombre qui
demeurent actuellement.
Le chapitre 4 est consacr au dveloppement d'une nouvelle carte de contrle, la
carte de contrle "petites sries". Nous prsenterons le principe de base de cette carte.
La prsentation des calculs des limites de contrle permet de prciser la mthode que
nous prconisons pour identifier la dispersion intrinsque des procds dans ce cas.
Nous prsenterons la connexion entre la carte de contrle "petites sries" et la
dtermination du rglage optimal des procds industriels pour une convergence trs
rapide vers la valeur nominale. L'tude de l'efficacit de cette carte de contrle, nous
conduira introduire un calcul des sommes cumules pour amliorer son efficacit.
Enfin, aprs une prsentation de diffrentes simulations de cette carte, nous
prsenterons un cas d'application industrielle de la mthode.
La conclusion gnrale fournit un bilan des travaux et prcise les objectifs futurs.
Page I.2
Chapitre 1
Mthodes et outils dans
l'approche Qualit Totale
Page 1.1
ses services sans une organisation efficace base sur un systme qualit structur.
Cependant, la condition de russite passe surtout par la dynamique cre sous
l'impulsion du chef d'entreprise, et par l'utilisation adapte de mthodes et d'outils ayant
fait leurs preuves.
Page 1.2
produit depuis les moyens marketing en passant par les moyens d'tude pour aller aux
moyens de production et aux moyens de mesure. Pour un produit bien conu, adapt
l'attente des clients, lorsque le moyen de production est capable, le produit est de
qualit. La dmarche prne implicitement par la dfinition japonaise consiste donc se
focaliser sur les moyens plutt que sur les produits.
Ce n'est pas un hasard si la plupart des mthodes et des outils de la qualit ont t
dvelopps par les industriels Japonais. Ces outils et ces mthodes recouvrent en effet
toute la vie du produit pour rellement fournir les moyens de produire de la qualit.
Quelques approches similaires ont cependant t apportes rcemment en Europe. Ainsi
C. Braesch [Bra 89] distingue la notion de qualit prcise dans la dfinition ISO de la
notion de "Dmarche Qualit" qui reprsente l'ensemble des moyens mis en oeuvre
pour aboutir la ralisation d'un produit de qualit. Nous situerons notre travail dans
cette dmarche qualit.
Le second lment de diffrenciation entre l'approche japonaise et l'approche
occidentale est l'aspect conomique. On associe Qualit et Economie. Faire de la
qualit, oui, mais pas n'importe quel cot et pas n'importe comment. Il nous semble
que le dveloppement important de l'auto-contrle et des techniques statistiques au
Japon n'est pas totalement tranger cette diffrence dans l'approche de la qualit. Il est
en effet impratif de limiter les contrles tout en amliorant l'efficacit de ceux-ci pour
diminuer le cot des produits. Cette recherche d'conomie apparat galement dans le
dveloppement d'outils pour la qualit particulirement adapts la prvention plus qu'
la correction. Le contrle de rception a t principalement dvelopp en occident alors
que le contrle de prvention (les "poka-yoke/Anti-Erreur") a surtout t utilis au
Japon.
Enfin, faut-il diffrencier le "besoin" de "l'exigence"? Nous avons souvent
entendu des industriels remettre en question un intervalle de tolrance donn par un
client en invoquant la fonction de la pice. Nous nous mettons la place de notre client
pour dfinir son besoin. Cette approche n'est pas la mme que de considrer l'exigence
de son client comme sacre et de tout mettre en oeuvre pour la respecter. La notion de
Clients/fournisseurs interne et de partenariat entre les entreprises ne peut exister que
dans le respect des exigences du client et donc le respect de celui-ci.
Ainsi, la dfinition ISO de la qualit nous semble traduire une approche
relativement incomplte de la qualit qu'il est ncessaire de transcender si nous voulons
rester comptitifs.
D'autres dfinitions plus compltes de la qualit ont t donnes. On retiendra
particulirement la dfinition inscrite dans le dictionnaire de l'APICS [Api 92]
(American Production and Inventory Control Society)
Page 1.3
[Hil 89] - Manufacturing Strategy - Text and Cases - Terry Hill - IRWIN - 1989
Page 1.4
Stratgie
Syst
me
Mth
odes
Outils
Figure 1.1 - Hirarchie dans la dmarche Qualit
Page 1.5
Page 1.6
Page 1.7
Page 1.8
contrle de rception - ce qui demande souvent des prlvements importants l'efficacit d'un tel contrle est de pitre qualit. Pour s'en convaincre, il suffit de
calculer la courbe d'efficacit d'un plan de contrle par chantillonnage simple qui
consiste prlever 50 pices et refuser le lot ds l'apparition d'un produit dfectueux.
La courbe d'efficacit reprsente la probabilit pour un lot ayant une proportion p
de non conformes d'tre accept. C'est donc la probabilit de tirer dans un lot de taille n,
contenant une proportion p de non conformes, au plus A (critre d'acceptation) produits
non conformes. C'est la loi binomiale qui s'applique. La courbe d'efficacit a comme
quation :
k =A
P = Ck pk (1 p ) n k
n
k =0
Probabilit d'acceptation
1
0,8
0,6
0,4
0,2
% de dfaut
0
1
Page 1.9
2.1.2. L'auto-contrle
Nous venons de montrer quil tait prfrable de faire directement des produits de
qualit. Le contrle des produits sest donc port davantage sur les postes de travail o
ils sont fabriqus. L'oprateur en production doit avoir les moyens de produire et
d'assurer la qualit de sa production Il est en auto-contrle. Cette approche, qui peut
paratre simple, est en fait beaucoup plus complexe raliser qu'elle ne parait. En effet,
avoir les moyens de produire des produits de qualit suppose un certain nombre de prrequis qu'il est utile de prciser.
Moyens en comptences techniques. Il faut videmment vrifier que l'oprateur
a bien les comptences ncessaires pour tre capable d'analyser les situations, prendre
les dcisions qui s'imposent et ragir sur le procd. Si ce n'est pas le cas, il faudra
mettre en place un plan de formation pour lui donner les moyens.
Moyens en capabilit. Il faut vrifier si le moyen de production a des
performances compatibles avec la qualit requise. Cette notion est une des notions les
plus importantes de l'auto-contrle. Il faut formaliser de faon prcise la capabilit des
moyens de production.
Moyens en moyen de mesure. Il faut fournir l'oprateur des moyens de
mesures adapts. Pour vrifier la cohrence entre les moyens de contrle et la qualit
demande, il faut valuer la capabilit des moyens de mesure de faon formelle. De
plus, le rattachement de chaque instrument de mesure un talon doit tre gr de faon
efficace par une Gestion des Moyens de Mesures (GMM).
Moyens en mthode de pilotage. Outre les comptences techniques de
l'oprateur dont nous avons parl, il est galement ncessaire de former chaque
oprateur aux techniques statistiques de pilotage des procds industriels telles que
l'utilisation des cartes de contrle.
Moyens en dlgation de dcision. Un pralable indispensable l'auto-contrle
est bien entendu la dlgation de la dcision. L'auto-contrle ne peut s'panouir que
dans le cadre d'un management participatif. L'oprateur doit disposer de la
responsabilit de dcision ncessaire pour assumer la responsabilit de l'auto-contrle.
Page 1.10
[Tag 87] - Genichi Taguchi - System of experimental Design - Vol I & II - Kraus - 1987
[His 86] - Hishikawa - Confrence Hishikawa - PARIS - 1986
Page 1.11
l'entreprise. Le QFD [Vig 92] , (Quality Function Deployement) dont nous reparlerons
au paragraphe 3.1. est l'outil idal pour rpondre ce type de proccupation.
Page 1.12
Importance
de la modlisation
Q.F.D.
Beaucoup
Industrie performante
peu
Stade de
l'application
Artisanat
Production
Conception
Marketing
Toute industrie performante se doit aujourd'hui d'utiliser ces outils pour rester
comptitive. Ils reprsentent la base indispensable pour la formalisation des procds.
En effet la partie hachure par un trait simple sur la figure 1.3 reprsente le domaine de
l'artisanat. Pour un travail artisanal, la qualit est obtenue au stade de la fabrication. Les
tudes sont peu dveloppes et peu formalises. Les mesures et la modlisation sont
galement rduites au strict minimum. Cela n'empche pas les artisans de faire un
travail de haute qualit, mais les mthodes de travail qu'ils utilisent et leur niveau lev
de comptences en production sont difficilement transposables dans le domaine
industriel.
Si ce style de production conserve toujours un certain charme, il ne peut coexister
avec les impratifs de productivit et de qualit ncessaire l'industrie moderne.
L'volution des socits d'un type de production artisanal ou semi-artisanal vers un type
Page 1.13
Page 1.14
Spcifications du produit
Taux de cafine
La temprature comprise entre 70C et 80C
Comment
Oprations de fabrication
Machine caf pression
Comment
Spcifications de production
Pression de 10 bars
Serrage de 1/4 de tours
Page 1.15
Une fois les caractristiques des pices dfinies, le bureau des mthodes doit
s'assurer que les oprations de fabrication permettent de raliser ces caractristiques.
Cette tape permet de traduire les attentes des clients en oprations de fabrication.
Enfin, il faudra traduire les oprations de fabrication en spcifications de
production. Ainsi, il est possible de remonter la chane, et de savoir pour chaque
spcification de production, l'attente du client qui est l'origine de cette spcification.
Comment
Quoi
1
5
3
3
2
4
1
3
27
13
63 36 10
12
Combien
[Leg 92] - Philippe Legrand - QFD GARRETT S. A. - Qualit et comptitivit 1991-1992 - 85:97 FIEV - 1992
Page 1.16
[Tag
87]
[Vig
87][Box
Quel que soit le secteur dactivit et quel que soit l'industriel, ce dernier est
toujours amen procder des essais. Or ces essais sont malheureusement trop
souvent conduits sans mthodologie. On procde par ttonnements successifs, sans
planifier de faon rigoureuse les essais, pour obtenir une plthore de rsultats qu'on ne
sait pas toujours trs bien exploiter.
La mthode des plans dexpriences permet de planifier de faon rigoureuse les
essais en vue dun objectif parfaitement dfini. Elle permettra, en outre, une diminution
considrable du nombre dessais par rapport aux techniques traditionnelles. Mais plus
encore, elle permettra une interprtation rapide et sans quivoque des rsultats en
fournissant un modle exprimental du systme tudi.
La mthode des plans d'expriences permet :
. de dterminer de faon optimum la liste des essais raliser
. d'interprter de faon trs rapide les rsultats des expriences
. de fournir un modle prdictif permettant de trouver les configurations
optimales
. d'tudier des phnomnes comportant des interactions (ou couplage d'effets)
Cette mthodologie, sans quivalent, permet datteindre une meilleure
connaissance du systme observ par un minimum dessais et un maximum de
prcision.
Le principe consiste planifier les essais en utilisant des tables [Asi 87] ayant la
proprit d'orthogonalit pour configurer les combinaisons des facteurs tester. La
proprit d'orthogonalit permet de faire varier dans une srie d'essais plusieurs facteurs
en mme temps sans que l'effet d'un facteur n'influe sur les autres facteurs. On pourra
donc, grce cette proprit, diminuer le nombre d'essais et amliorer la prcision sur
les rsultats.
[Vig 87] - Michel G. Vigier - Pratique des plans d'expriences - Les ditions d'organisation - 190 p 1988
[Box 78] - George E. P. Box - William G. Hunter - J. Stuart Hunter - Statistics for experimenters - Wiley
interscience - 650p -1978
[Pila92] - Maurice Pillet - Introduction aux plans d'expriences par la mthode TAGUCHI - Ed
organisation - 224 p - 1992
[Asi 87] - American Supplier Institute, Inc - Orthogonal arrays and linear graphs - ASI 1987
Page 1.17
Les rsultats d'une campagne d'essais ralise par la mthode des plans
d'expriences sont gnralement traduits sous forme graphique (Figure 1.6) afin de
faciliter le dpouillement. La figure 1.6 permet d'identifier facilement que le facteur C
est le plus influant sur la rponse tudie.
Rponse
Mini
Effet du facteur A
Effet du facteur B
Maxi
Effet du facteur C
Effet du facteur D
Effet du facteur E
[Afi 90] - AFIM/AFNOR - Actes de confrences - Journes AMDEC Lyon 1990 - 1990
[Sog 91] - SOGEDAC - Procedure AMDEC - 1991
Page 1.18
L'ensemble de cette tape est rassembl dans une feuille d'analyse qui ralise la
synthse du travail du groupe. Afin de hirarchiser les dfaillances, il faut valuer
chaque couple Cause/Mode en terme de criticit suivant trois critres :
- La frquence d'apparition : c'est--dire la probabilit que la cause existe
multiplie par la probabilit que cette cause cre une dfaillance.
- La gravit : c'est--dire l'valuation de l'effet non-qualit ressenti par le client
- La dtection : c'est--dire la probabilit de ne pas livrer une dfaillance
potentielle quand la cause existe.
Pour coter les dfaillances, on utilise une grille de dfaillance (figure 1.7.) qui
diffre d'une socit l'autre.
Page 1.19
F (Frquence)
G (Gravit)
D (Dtection)
Jamais
100%
Possible
Sans
consquence
Mcontentement
Non optimal
15
Souvent
Trs mcontent
Panne critique
Inexistante
incertaine
Page 1.20
la feuille de relev,
l'histogramme,
le diagramme en arrte de poisson,
le diagramme de concentration de dfaut,
le diagramme de corrlation,
le diagramme de pareto,
la carte de contrle.
Mais aussi, et cela sera un pilier de la MSP, la formalisation des mthodes d'tude
des capabilits. Pour notre tude, nous travaillerons principalement sur les outils de
pilotage des procds industriels que reprsentent les cartes de contrle, ainsi que les
tudes de capabilit.
[Mon 90] Douglas C. Montgomery - Introduction to Statistical Process Control - second edition - 674 p ASQC Quality Press - 1991
Page 1.21
PLAN
D'EXPERIENCE
S
AMDEC
3
3
3
3
MSP
3
1
3
3
Suivi et pilotage en
production
1 Utilisation Mineure
AMDEC
PRODUIT PROCEDE
Dfinition du processus
Validation du processus
QFD
2
2
3
3 Utilisation Majeure
Nous n'avons, bien sr, pas t exhaustif dans la prsentation des principaux outils.
Bien d'autres mthodes apportent un complment important la dmarche que nous
avons prsente, mais notre exprience nous conduit penser que pour le moins, les
outils AMDEC, Plans d'expriences et MSP sont les dnominateurs communs d'un outil
de production matris.
4. Conclusion du chapitre
Ce chapitre a eu pour objectif de montrer la place des outils et des mthodes de la
qualit dans une dmarche qualit totale. Nous avons insist sur la faon la plus efficace
d'aborder cette dmarche par la stratgie qualit au niveau le plus lev de l'entreprise et
non par les outils et les mthodes. La mise en oeuvre des outils est indispensable pour
russir une dmarche qualit, mais elle ne peut tre efficace que dans le cadre d'un
systme qualit cohrent.
Page 1.22
Page 1.23
Chapitre 2
Les principes de base
de la MSP et leurs limites
Ces deux piliers de la MSP n'ont pas t introduits en mme temps. Le pilotage
par cartes de contrle a t introduit ds les annes 30 grce aux travaux de Shewhart
[She 31]. Par contre, les mesures de capabilit n'ont t formalises et admises que dans
les annes 70 principalement dans l'industrie automobile amricaine.
Le constructeur automobile FORD a sans doute t, et reste encore, un des leaders
dans la promotion de la MSP au niveau mondial. L'ouvrage interne [For 82] a t un
des premiers ouvrages de synthse connus du grand public sur la MSP. C'est pourquoi,
la technique de calcul FORD fait rfrence en matire de MSP, et la plupart des
entreprises travaillent sur cette base.
[She 31] - Shewhart - Economic Control of Quality of Manufactured Product - 1931 - Van Nostrand Co.
Inc Princeton.
[For 82] - Ford - Statistical Process Control -Instruction Guide - Ford Motor Company - 1982
Page 2.1
Aussi, bien que ces notions commencent tre relativement anciennes, il reste de
nombreux progrs raliser pour exploiter pleinement la piste ouverte par Shewhart au
dbut du sicle.
Page 2.2
Dispersion
Causes
communes
Causes
Spciales
Page 2.3
Lorsque les seules causes agissant sur le procd sont les causes communes, le
procd est dit "sous-contrle". Le principe des cartes de contrle est de dtecter par un
outil graphique simple les cas o le procd n'est plus sous-contrle et o il faut ragir.
.
dans une rpartition normale de moyenne M et d'cart type
n
Il faut vrifier que l'cart entre m1 et M est suffisamment faible pour vrifier cette
hypothse. Si cet cart est suprieur lcart maximal admis pour un seuil de
confiance donn, nous repousserons lhypothse dappartenance. Sil est infrieur,
nous laccepterons.
Page 2.4
m1 M
n
si : n-1 de lchantillon i
: Ecart-type de la population totale
Nous voulons savoir s'il est vraisemblable avec un risque de ne pas se tromper
si lchantillon dcart-type (si) appartient ou non la population totale dcart-type .
Page 2.5
s2i
< (21 2)
2
(2 2)
. < si <
( n 1)
(21 2)
.
( n 1)
B3 . < si < B4 .
La carte de contrle des moyennes et des cart-types note ( X / s) ralise les deux
tests de comparaison de variances et de comparaison de moyennes par le simple fait de
placer les points sur le graphique.
Point hors contrle
Limite suprieure
de contrle
Cible
Limite infrieure
de contrle
Limite suprieure
de contrle
Moyenne des
cart-types
Limite infrieure
de contrle
Journal de bord
Rglage
Les limites de contrle sur les cart-types reprsentent les limites du test de
comparaison des variances. Les limites de contrle sur la carte des moyennes
reprsentent les limites d'acceptation sur le test de comparaison des moyennes.
Lorsque le point sur la carte des cart-types est l'intrieur des limites de
contrle, on peut accepter l'hypothse de stabilit de l'cart-type de la population totale,
donc la stabilit des capabilits. Dans ce cas, le test de comparaison des moyennes peut
tre excut. Lorsque le point sur la carte des moyennes est l'intrieur des limites de
contrle, on ne peut pas conclure un drglage. Par contre, lorsque le point sort des
Page 2.6
limites (point 6 de l'exemple), on a une forte probabilit d'un dcentrage, il faut donc
ragir par un rglage.
La carte de contrle ( X / R )
Pour la valeur xi, on dfinit la variable rduite ui. On peut donc dfinir l'tendue
rduite :
W = u n u1 =
( x n m) ( x1 m) R
R
d
2
2
3
4
5
6
7
8
9
10
1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078
0,853 0,888 0,880 0,864 0,848 0,833 0,820 0,808 0,797
Figure 2.5 - Tableau des coefficients d2 et d3
Page 2.7
R 3 R = R 3. d 3 . $
[Por 92] - Leslie J. Porter et Porland Caulcutt - Control Chart design - A review of standard practice Quality and reliability engineering Internationnal 8:113-122, 1992
Page 2.8
Page 2.9
Les cartes de contrle CUSUM [Pal 91] sont trs peu utilises dans nos
entreprises bien qu'elles soient - pour les faibles drives - beaucoup plus performantes
que les cartes de contrle X/R. Cela vient du fait que leur mise en oeuvre est un peu
plus complexe, et d'une interprtation moins directe que les cartes X/R. Nous
dtaillerons la prsentation des cartes CUSUM que nous utiliserons dans la suite de ce
travail. Nous laissons le lecteur se rfrer la bibliographie et notamment au travail de
Pysdek [Pyz 92] et Ryan [Rya 89] pour plus de dtails sur les cartes EWMA.
En fait, il existe plusieurs sortes de cartes CUSUM [Rya 89], [Tor 65] , [Dob 68].
Nous exposerons ci-dessous la mthode propose par Lucas [Luc 73], [Luca82],
[Lucb82]. Le principe est le suivant :
Soit un sous-groupe de moyenne x , la variable rduite associe cette moyenne
est:
u = xx
x
x = x + u x
[Pal 91] - Alain Palsky - La matrise des procds continus - Actes de confrences CETIM SPC - Paris 1991
[Pyz 92] - Tomas Pyzdek's - Pyzdek's guide to SPC - Vol I & II ASQC Quality Press - 1992
[Rya 89] - Thomas P. Ryan - Statistical methods for quality improvement - John Wiley & sons - 1989
[Tor 65] - J. Torrens-Ibern - Les mthodes statistiques de controle dans les processus industriels continus
- Revue de statistique applique - 1965 - Vol XIII N 1 p 65:93
[Dob 68] - C. S. Van Dobben De Bruyn - Cumulative Sum Test - Theory and practice - GRIFFIN's
Statistical Monograph & Courses - Alan Stuart - 1968
[Luc 73] - J. M. Lucas - The design and use of V-mask control schemes. Journal of quality Technologie
8 (1) - 1973 - 1:12 - January
[Luca82] - J. M. Lucas - Combined Shewhart-CUSUM quality control shemes - Journal of Quality
Technologie 14(2) -1982 - 51:59 - April
[Lucb82] - J. M. Lucas - R. B. Croisier - Fast initial response for CUSUM quality control schemes : Give
your CUSUM a head start. Technoometrics 24(3) - 1982 - 199:215 - August
Page 2.10
Pour une suite d'chantillons, nous formons la suite des sommes cumules
suivantes
S H i = Max 0, ( u i k ) + S H i1
S L i = Max 0, ( u i k ) + SL i1
1
0.41
0,82
0.32
0
2
1.11
2.22
2.04
0
3
-0.04
-0.08
1.46
0
4
-1.04
-2.08
0
1.58
5
-0.04
-0.08
0
1.16
6
-0.68
-1.36
0
2.02
7
-0.85
-1.70
0
3.22
8
0.81
1.62
1.12
1.10
9
0.62
1.24
1.86
00
10
-0.38
-0.76
0.60
0.26
N
X
u
SH
SL
11
0.54
1.08
1.18
0
12
0.18
0.36
1.04
0
13
0.33
0.66
1.20
0
14
0.32
0.64
1.34
0
15
0.44
0.88
1.72
0
16
0.22
0.44
1.66
0
17
0.88
1.76
2.92
0
18
0.16
0.32
2.74
0
19
20
0.95 1.09
1.90 2.18
4.14* 5.82**
0
0
Nous avons not une toile (*) lorsque la somme dpasse la limite h= 4 et deux
toiles (**) lorsque la somme dpasse la limite h = 5.
Comme SH a t dpasse, nous avons la certitude d'un dcentrage ct positif.
Ce dcentrage n'tait pas dtect par la carte de Shewhart car en aucun cas la valeur u
dpasse la limite 3. La carte de Shewhart pour les donnes prcdentes est reprsente
en figure 2.7. On note une srie de points d'un ct de la moyenne mais pas de
Page 2.11
drglage important. Ce drglage faible, mais constant, est rapidement dtect par la
carte CUSUM.
LSC 1,5
LIC -1,5
10 11 12 13 14 15 16 17 18 19 20
Cet exemple illustre la rapidit de dtection d'une tendance avec la carte CUSUM.
On note que, dans le cas d'un drglage important, ( X = 1, 6, u = 3,2) mais rapide, par
exemple ds le premier point, SH serait gale 2,7. Le drglage ne serait pas dtect
par la carte CUSUM alors qu'il serait dtect par la carte Shewhart. La carte CUSUM
est donc particulirement adapte pour dtecter des tendances dans le cas des procds
petite drive lente. Elle n'est donc pas adapte des drglages important et brutaux.
Pour annuler cet inconvnient, il faut utiliser la mthode FIR CUSUM (Fast Initial
Response)
Carte FIR CUSUM
SH = 2,5
SH = 5,2
X = 1, 6
Drglage dtect
Mme dans le cas d'une tendance, la dtection est plus rapide. Pour illustrer
l'intrt de la carte FIR CUSUM nous pouvons faire une simulation sur les 10 derniers
chantillons de l'exemple prcdent en initialisant les deux sommes 2,5
N
X
u
SH
init
2,5
11
0.54
1.08
3.58
12
0.18
0.36
3.72
13
0.33
0.66
3.89
14
0.32
0.64
4.02
15
0.44
0.88
4.4
16
0.22
0.44
4.34
17
0.88
1.76
5.6*
18
0.16
0.32
19
0.95
1.90
Page 2.12
SL
2,5
0.92
0.06
Nous notons, dans ce cas, que la dtection apparat partir de la septime valeur
alors que la carte CUSUM traditionnelle ne dtectait le drglage qu' partir de la
dixime valeur.
Combinaison Shewhart/CUSUM
init
2,5
2,5
11
0.54
1.08
3.58
0.92
12
0.18
0.36
3.72
0.06
13
0.33
0.66
3.89
0
14
0.32
0.64
4.02
0
15
-1.8
-3.6
0.1
3.1
Page 2.13
h=5
H
0
h=5
L
0
1
10 11
12
13
14
15
16
17 18 19
20
[Joh 77] - N. L. Johnson - F. C. Leone - Statistics and experimental Design in engineering and the
physical Sciences, Volumes I, 2nd ed - Wiley - 1977
[Bis 86] - A. F. Bissell - The performance of control chart and Cusum under linear trend - Applied
statistics 33(2) - 318:335 - 1986
[Wad 86] 86 - Wadsworth - Stephens - Godfrey - Modern methods for quality control and improvement
- Wiley - 1986
Page 2.14
4
3
2
1
0
-0
-2
-3
-4
Hors masque
10 11 12 13 14 15 16 17 18 19 20
Page 2.15
2. le concept de capabilit
2.1. Cas des critres symtriques
2.1.1. Rappels lmentaires
La capabilit d'un moyen de production est la mesure tablissant le rapport entre
sa performance relle et la performance demande. La performance relle est rvle
par la dispersion obtenue sur la production. La performance demande est prcise par
l'intervalle de tolrance. On exprime la capabilit par le rapport entre ces deux
lments, ce qui nous donne :
Capabilit =
Intervalle de tolrance
Dispersion
La tolrance est dfinie par le cahier des charges. En rgle gnrale, on choisit
comme largeur de la dispersion, dans le cas d'une distribution normale, six cart-types.
Ce choix est parfois contest et certains auteurs prfrent prendre huit cart-types pour
le calcul de la capabilit machine. Nous dtaillerons ce point au paragraphe 2.1.2. [Pys
92].
[Pys 92] - Thomas Pyzdec - Pysdek's Guide to SPC - ASQC- Quality Press - 1992
[Ford 91] - Ford - Procdure Qualit SPC Q1 - Ford Motor Company - Avril 1991
Page 2.16
Cote
TS
M
TI
Variation de consigne
IT
Temps
Il est vident que les dispersions Dg et Di sont telles que Dg est suprieure Di.
Lindicateur de capabilit dfini prcdemment dpendra donc du type de dispersion
retenue Di ou Dg. On distingue deux types d'indicateurs de capabilit: les indicateurs
court terme qui utiliseront la dispersion instantane, et les indicateurs long terme qui
utiliseront la dispersion globale.
Remarque sur les dispersions
Pour une estimation de la dispersion globale, il est important de ne pas inclure des
variation importantes des des rglages important de consigne. En fait, Il faut trouver
la bonne priode d'observation autant pour la dispersion globale qu'instantane.
L'chaelle de temps peut tre trs diffrents selon que l'on s'intresse une machine
mcanique ou un processus chimique par exemple.
Les indicateurs Cp et Cpk
Ces indicateurs Cp et Cpk dfinissent la qualit des pices livres aux clients. Ils
sont calculs partir de la dispersion globale.
Rappelons les formules dfinissant Cp et Cpk
Cp =
IT
D
g
Cpk = mini (
TS - M M - TI
,
)
.D .D
g
g
Page 2.17
Page 2.18
Intrt
Symbole
Cp et Cpk
Capabilit prliminaire
Pp et Ppk
Cm et Cmk
Les calculs des indicateurs utilisent toujours les mmes formules, la seule
diffrence rside dans le choix de la dispersion et dans la faon de mesurer cette
dispersion. L'apparente simplicit de ces indicateurs conduit de nombreux utilisateurs
faire des erreurs grossires s'ils ne prennent pas quelques prcautions de calcul. En
effet, la diffrence entre la dispersion instantane et la dispersion globale ncessite de
bien faire la diffrence entre le type de prlvement effectuer pour estimer la
dispersion souhaite. Il faut galement tre prcis dans l'estimateur utilis pour l'carttype en fonction du prlvement ralis (chantillonnage important ou nombreux
chantillons de petite taille).
Page 2.19
(x
x) 2
n 1
Dans le cas dune production lente (par exemple plus de 1 mn de production par
pice), il nest souvent pas possible de prlever 50 pices conscutives sans observer
[Pila91] - Maurice Pillet - Les piges des mesures de capabilit - Journe des CPIM de France - Actes de
confrences - Paris 1991
[Pilb91] - Maurice Pillet - Les mesures de capabilit - Contrle industriel & Qualit - 1991
Page 2.20
des variations de consigne sur le procd. La procdure retenue dans le cas des
productions rapides ne peut pas s'appliquer. Il faut donc trouver une procdure qui
limine les fluctuations de la consigne.
Dans ce cas, les chantillons devront tre plus petits pour limiter linfluence du
temps - 5 pices par exemple - ce qui correspond 10 mn de production dans le cas d'un
cycle de 2 mn. En fait, le critre de choix de la taille de l'chantillon est la ncessit de
ne pas avoir de causes spciales prsentes l'intrieur de l'chantillon.
Bien sr, on ne peut pas estimer la dispersion instantane sur 5 pices. Il faudra
prendre plusieurs chantillons pour avoir un nombre de mesures significatif - une
centaine au moins - ce qui correspond 20 chantillons au moins. La dispersion
instantane sera alors estime partir de la variance intra-srie que l'on pourra calculer
aprs vrification de l'homognit des variances des chantillons en effectuant le "test
de Cochran" ou le "test de Hartley" par exemple.
La dispersion instantane est alors calcule partir de estim qui est l'cart-type
de la dispersion intra-srie.
Notons que lorsque le cycle de production est particulirement long, 15 mn par
exemple, le calcul de la capabilit machine n'a plus vraiment de signification. On peut
cependant raliser des pices spciales avec un temps de cycle plus court, mais ce
procd reste souvent coteux par rapport aux informations qu'il apporte.
Page 2.21
s2
suit une loi du .
2
( n 1)
2
()
( n 1)
ne dpend que du nombre de pices dans l'chantillon et peut
2
()
donc facilement se mettre sous forme d'un tableau qui dfinit un coefficient C(n).
Le rapport
Page 2.22
n 1 n 1 / 2
E ( s) = c4 .
IN
Cet cart-type instantan peut galement tre calcul partir des cartes de
contrle moyenne/tendue en utilisant le coefficient d2, de la loi de ltendue rduiteque
nous avons dfinie au paragraphe 2.1 de ce mme chapitre. Ce coefficient permet de
passer de la moyenne des tendues observes, lcart-type instantan si par la formule:
i =
R
d2
Page 2.23
Page 2.24
Page 2.25
G . VG = R . VR + X . VX
Avec : G : Nombre de degr de libert de la variance globale
R : Nombre de degr de libert de la variance rsiduelle
X : Nombre de degr de libert de la variance entre chantillon
Estimation de VR
KP
VR = s c4
ou de la carte des tendues :
KP
VR = R d 2
Le nombre de degr de libert R est de (n-1) par chantillon, il est gal k(n-1)
pour l'ensemble de la carte de contrle, si k est le nombre d'chantillons de la carte.
Estimation de VX
VG =
2
L4 Q
+ n ( k 1).( s ) 2
x
k ( n 1). s c
( kn 1)
Page 2.26
2
L4 Q
+ n ( k 1).( s ) 2
x
k ( n 1). s c
( kn 1)
LQ
Page 2.27
Loi normale
sous-jacente
m M
D = Dispersion
Figure 2.14 - Le cas des tolrances de forme
Avec
m
s
M
S
D
[Ben
Page 2.28
de moyenne m = ma - mb
(moyenne de la loi normale sous-jacente)
d'cart-type s = 2 + 2 = . 2 lorsque = =
b
a
a
b
(cart-type de la loi normale sous-jacente)
de moyenne m = ma - mb
d'cart-type s = 2 (1 r )
/
0
0
0
1
zm 2
z+m 2
1(
1(
)
)
1
2
2
s
s
( z ) =
+e
e
s 2.
2
3
3
3
4
Page 2.29
/
0
0
1
a ( z m )2
a ( z + m )2
a
2
+e 2
e
2.
2
3
3
4
-m
D = Dispersion
Figure 2.15 - Fonction de rpartition de la loi de dfaut de forme
et d'ordre 2
=
2
+
f ( z ) dz
2
J
O
fI
zN
dz
a
Page 2.30
2 = 1 + a2
s
z
a + 2 f ( a ) a (1 F ( a ))
(1 + a 2 )
2
2 peut tre calcul partir des valeurs mesures sur le lot contrl
2
z2
=
= ( z + 2 )
2
N
z est facilement calcule (moyenne des z)
f(a) densit de probabilit en a
F(a) fonction de rpartition pour a
On peut donc dterminer "a" partir de la seconde relation grce une table prcalcule par intgration numrique. Il suffit ensuite, par la premire relation, de calculer
sz, cart-type de la loi normale sous-jacente.
D = Dispersion
D = Dispersion
D = Dispersion
Page 2.31
1.
< 0 , 7978
2
C'est le cas o la moyenne de la loi normale sous jacente est gale 0. Dans ce
cas, on a pour a=0 :
z
a + 2 f ( a ) a (1 F( a ))
(1 + a 2 )
2 f ( 0)
1
= 2.
= 0, 7978
1
2
Cette valeur est contraire aux hypothses de la loi de dfaut de forme. Il faut donc
vrifier si la distribution n'est pas biaise par des erreurs de mesure, de calcul ou de
relev.
En cas de confirmation des rsultats, on prend D = 2 , 96. qui donne une
2
probabilit de 0,3% de pices hors dispersion pour la loi de dfaut de forme gnre
(0,308% trs exactement).
2.
0 , 7978
z
0 , 825
Dans ce cas de figure, la partie ngative de la loi normale sous-jacente ne peut pas
tre nglige, le calcul de la dispersion gnrant 0,3% de pices hors tolrance ncessite
un calcul d'intgration, on utilise, en pratique, des tables pr-calcules pour valuer la
dispersion. La valeur limite 0,825 est fix pour a = 1,9.
3.
0 , 825 <
z
1
Page 2.32
Cm =
Intervalle de tolrance
Dispersion
Dispersion
Cp=1,33, Cpk =1,33
Int de Tol
Dispersion
Cp=4, Cpk =2
Figure 2.17 - Le Cpk nest pas suffisant pour valuer la qualit dun lot
Page 2.33
Intervalle de tolrance
En fait, la perte due lcart dune caractristique par rapport une valeur
nominale nest pas pas nulle lintrieur de la tolrance et infinie l'extrieure.
TAGUCHI dfinit la fonction perte (figure 2.19) comme tant une fonction du second
degr si la caractristique doit suivre une nominale.
[Tag 89] - Taguchi G. - Elsayed A. Elsayed - Thomas Hsiang - Quality engineering in production
systems - Mc Graw-Hill - 1989
[Tag 87] - Genichi Taguchi - System of Experimental design - Vol 1&2 - 1987
Page 2.34
Perte pour
L
la "socit"
Perte pour
l'cart
Y - Y0
Y
Y
Y0
Valeur nominale
L ' ( Y 0)
L' ' ( Y 0)
( Y Y 0) +
( Y Y 0 ) + ....
1!
2!
L ' ' ( Y 0)
( Y Y 0) = K ( Y Y 0)
2!
Page 2.35
2
( Y1 Y 0 ) + ... + ( Yn Y 0 ) 1
= Yi Y + ( Y Y 0 )2
n
n
Nous trouvons comme expression de la fonction perte dans le cas d'un chantillon
MSD =
/
0
1
L = K s2 + (Y Y ) 2
0
Avec
2
3
4
Cp = 1,33
Cpk = 1,33
Production centre
Situation 2
Cp = 10
Cpk = 1,33
Drglage ct maxi
Page 2.36
Ces deux situations sont aujourd'hui juges acceptables car Cpk > 1,33.
Hypothses de dpart
H1 : Nous allons considrer une perte de une unit lorsque la caractristique se
trouve en limite de tolrance.
H2 : Nous considrons la perte symtrique de part et d'autre de la nominale.
L=(
1 2 2
) X
TS
Situation 1 :
2
1 2 2
) ( + X )
TS
X = 0,
= IT/8 = TS/4
L=(
/
0
1
1 2 TS 2
) ( ) +0
TS
4
2
3
4
L1 = 1/16 = 0,0625
Situation 2 :
X = (24 x TS )/30,
L=(
= TS/30
/
0
1
1 2 TS 2
24 xTS 2
) ( ) +(
)
TS
30
30
2
3
4
L2 = 0,63
La perte moyenne par pice dans la situation 2 est donc 10 fois plus importante
que dans le cas de la situation 1.
Cet cart peut tre expliqu facilement dans le cas dun assemblage dun axe avec
un alsage. (Figure 2.20)
Page 2.37
Hypothse 1
Lalsage est ralis avec une rpartition normale centre sur la valeur nominale.
Les indicateurs de capabilit sont Cp = 1,33 et Cpk = 1,33.
Hypothse 2
Larbre est ralis par deux machines. La machine 1 produit des pices suivant la
situation 1, la machine 2 suivant la situation 2.
Situation 1
Arbre
Prob tiers suprieur
Alsage
Prob tiers infrieur
p = p1.p2 = 8.4E-3
Situation 2
Arbre
Alsage
Page 2.38
u = -14
p1 = 1
Probabilit dassemblage Tiers Sup/Tiers Inf
u = -1,33
p2 = 0,0918
p = p1.p2 = 0,0918
La probabilit dassemblage Tiers Sup/Tiers Inf est 10 fois plus importante dans
le cas 2 que dans le cas 1. Nous prtendons que la situation 2 est plus dfavorable pour
un fonctionnement optimal des produits que la situation 1. En effet, l'arbre sera une
cote maxi alors que l'alsage sera une cote mini. Pourtant, Cpk est gal 1,33 dans les
deux cas. Lutilisation unique du Cpk ne conduit pas une bonne conclusion.
Page 2.39
Cpk
x100
Cp
[Pila91] - Maurice Pillet - Les pices des mesures de capabilit - Journe des CPIM de France Actes de
confrences - Paris - 1991
[Pilb91] - Maurice Pillet - Les mesures des capabilit - Revue Contrle industriel & Qualit - 1991
Page 2.40
Nous allons utiliser cette fonction perte pour tablir une condition de capabilit
sur le coefficient Rr
Situation de rfrence
La situation pour laquelle Cp = Cpk = 1,33 peut tre considre comme une
situation basique dont la perte devrait tre la perte maximale admise. Nous chercherons
systmatiquement obtenir une production dont la perte sera infrieure ce cas que
nous appellerons "situation de rfrence". Nous rappelons en figure 2.21 cette
situation.
Int de Tolrance = 8 x
Dispersion = 6 x
Cp=1,33, Cpk =1,33
2
1 2 2
1
) ( + X ) <
TS
16
2
TS
X < ( )2 2
4
Page 2.41
X <(
IT 2
) 2
8
/
0
1
IT
6
2
3
4
2
3xCp 2
X < 2 (
) 1
4
Do nous tirons
X< (
3xCp 2
) 1
4
X < . F ( Cp )
TS X TS . F ( Cp )
=
3.
3.
Cp =
IT 2.TS
=
d ' ou TS = 3.Cp.
6. 6.
Cpk >
3.Cp - F(Cp)
3
Cpk
Cp
Page 2.42
Dans le cas de l'galit entre la perte de rfrence (que nous avions dfini comme
le cas d'une population centre Cp=1,33 et Cpk = 1,33) nous exprimons Rr par
l'expression :
F( Cp)
Rr > 1
= 1
3. Cp
3xCp 2
) 1
4
3Cp
D'o Rr > 1 ( 1 4 ) 2
1
( 3. Cp) 2
Rr est donc une fonction de Cp qui a pour limite lorsque Cp tend vers l'infini :
lim ( Rr ) = 1 14 = 0 , 75
Cp
Dans le tableau ci-dessous, nous avons calcul lensemble des F(Cp), Cpk et Rr
en fonction de Cp :
Cp
F(Cp)
Cpk mini
Rrmini%
1,33 1,67
2
0,00 0,75 1,12
1,33 1,42 1,63
100
85
81
3
2,02
2,33
78
4
2,83
3,06
76
5
3,61
3,8
76
6
4,39
4,54
76
7
5,15
5;28
75
8
5,92
6,03
75
9
6,68
6,77
75
10
7,43
7,52
75
Page 2.43
le cas contraire, on s'expose des risques importants en matire de qualit comme nous
le montrerons ci-dessous.
[Pilb93] - Maurice Pillet - Cotation statistique et SPC - Journes de la cotation - Annecy - Avril 1993 - 11
pages
[Sou 82] - Pierre Souvay - Cotation d'tude et de fabrication, Calcul d'erreur - Techniques industrielles
n 133 - 1982 - 41 Pages
Page 2.44
A
B
D
J = 10,2
ITJ = IT soit en supposant la rpartition des jeux identique sur les quatre
Cotes
lments de l'ensemble :
0,4 = 4 x ITpice
d'o
ITpice = 0,1
Le jeu J est la rsultante des cotes des composants de l'ensemble. De plus, nous
pouvons retenir, sans trop de difficults, l'hypothse d'indpendance de chacune de ces
cotes si les pices sont fabriques de faon indpendantes. Nous pouvons donc
appliquer le thorme d'additivit des variances pour calculer la dispersion obtenue sur
le jeu.
Jeumoyen = AMoyen - BMoyen - CMoyen - DMoyen
VJeu = VPices
D'o nous tirons
Jeu
= 2 + 2 + 2 + 2
A
B
C
D
Page 2.45
Si nous considrons pour simplifier que les dispersions de fabrication sur les
quatre pices sont identiques, nous pouvons alors crire :
Jeu
= 4 x 2
= 2 x
Pice
Pice
Pice
= 1 .
2 Jeu
Ce rsultat bien connu, permet de doubler l'intervalle de tolrance sur chacune des
pices de l'ensemble par rapport un calcul classique des jeux.
En effet, si nous souhaitons une dispersion sur le jeu telle que ITJeu = 8xJeu, il
faudra que la production assure que la dispersion de production sur chacune des pices
est telle que ITPice =8xPice. Mais il faudra galement que la production ne soit pas
trop dcentre.
La cotation statistique induit ainsi des modifications importantes en ce qui
concerne la rpartition des pices en production. Il est donc ncessaire avant d'appliquer
celle-ci de vrifier si tout est bien verrouill pour permettre d'largir sans risque les
intervalles de tolrance.
Cependant, lorsque nous crivons la relation :
Jeumoyen = AMoyen - BMoyen - CMoyen - DMoyen
Nous faisons l'hypothse que les pices constituant l'ensemble seront centres sur
la nominale. En ne prenant que le Cpk comme indicateur de capabilit, rien n'assure que
cette hypothse sera vrifie.
Les intervalles de tolrance pour chaque pice sont gaux entre eux.
L'intervalle de tolrance sur une pice est gal la moiti de l'intervalle de
tolrance sur le jeu.
Page 2.46
La pice A est fabrique avec Cp=1,5 et Cpk = 1,5. Soit une production correcte
et centre.
Les pices B, C et D sont fabriques avec Cp = 3 et Cpk = 1,33. Le dcentrage est
toujours ct maxi. On a donc la rpartition illustre sur la figure 2.24.
18.
Tolrance
Infrieure
Tolrance
Suprieure
5.
6.
Moyen
Moyen
= A (( B + 5. ) + ( C + 5. ) + ( D + 5. ))
= A B C D 15
= 2.
Jeu
L'intervalle de tolrance sur le jeu tant le double de l'intervalle de tolrance sur
une pice, nous trouvons alors la situation suivante :
36.
Tolrance
Infrieure
15.
Tolrance
Suprieure
6.Jeu=12.
Page 2.47
6.
Tolrance
Suprieure
6.Jeu=12.
Nous notons ici, que le jeu fonctionnel serait respect mme dans le cas extrme.
Les indicateurs de capabilit sur le jeu fonctionnel seraient : Cp = 3, Cpk = 2. Ce qui est
trs satisfaisant par rapport aux rsultats de la premire simulation. Ces rsultats nous
permettent d'appuyer l'intrt de dvelopper l'utilisation de l'indicateur Rr dans les
ateliers de fabrication.
L'utilisation du coefficient Rr permet implicitement de vrifier que les deux
hypothses de base de la cotation statistique (variance et centrage) sont bien respectes.
Page 2.48
L'usage de la cotation statistique dans les bureaux d'tudes est extrmement risqu
si la seule condition de capabilit est le respect du Cpk. Pour assurer un montage
sans risque, il faut introduire une nouvelle condition de capabilit Rr > Rrmini
Page 2.49
Cote
Dispersion
instantane
Dispersion
instantane
Dispersion
globale
Dispersion
globale
Variation de consigne
Variation de consigne
Temps
Temps
Procd matris
Cp
Cm
Page 2.50
2
.100 = 80%
2, 5
1
.100 = 40%
2, 5
Page 2.51
un produit livr au client avec une capabilit Cpk. L'important est bien entendu d'avoir
un Cpk suprieur 1,33. Si ce n'est pas le cas, il est fondamental pour rsoudre le
problme de dterminer l'origine de ce manque de capabilit.
Machine
Cm
Rm%
Procd
Cp
Rr%
Procd
Cpk > 1,33
Perte de capabilit
Page 2.52
Caractristiques
Cm
Cp
Cpk
Rm
Rr
1 - 100,05
2 - 120,05
3 - 80,02
4 - L 200,06
5 - L 100,04
2,5
2,5
1,1
3,2
2,5
2,2
1,1
0,9
2,5
2,2
1,9
1,0
0,8
1,1
1,6
0,88
0,44
0,81
0,78
0,88
0,86
0,91
0,88
0,44
0,72
Le tableau des capabilits est donc trs simple interprter. Nous avons particip
la mise en place de procdures incluant l'utilisation systmatique du tableau des
capabilits dans de nombreuses entreprises. Notre exprience nous permet de penser
que l'utilisation systmatique du tableau des capabilits est trs riche. L'interprtation
des chutes de capabilit avec les rendements Rm et Rr est facilement assimile par la
matrise de la production et par les oprateurs, ce qui permet un dbat riche en
conclusions pratiques.
Page 2.53
5. Conclusion de ce chapitre
Ce chapitre avait pour objectif de prsenter les bases de la MSP et notamment le
pilotage des procds par cartes de contrle et le calcul des capabilits.
Nous avons explicit les deux cartes de contrle traditionnelles qui nous serviront
dans la suite de notre travail c'est--dire les cartes de contrle de Shewhart et les cartes
CUSUM. Ces cartes qui sont utilises une large chelle dans les entreprises ont
prouv leur efficacit pour l'amlioration de la qualit des produits. Les deux cartes
CUSUM et Shewhart ont chacune leur domaine d'application bien particulier. CUSUM
est adapte aux faibles drives alors que Shewhart est adapte aux drives rapides. Nous
utiliserons largement ces proprits lorsque nous chercherons une mthode pour adapter
les cartes de contrle au cas des petites sries.
Le second paragraphe nous a permis de dvelopper les indicateurs de capabilit
traditionnellement utiliss dans les entreprises. Cette prsentation nous a permis de
soulever au troisime paragraphe les limites de l'exploitation actuelle de ces indicateurs.
Nous avons ainsi pu mettre en vidence que certaines productions considres comme
trs acceptables pouvaient en fait coter beaucoup plus chres l'entreprise que d'autres
productions juges plus svrement par l'indicateur Cpk.
Nous avons ainsi dvelopp, au quatrime paragraphe, notre proposition
d'amlioration dans l'interprtation des indicateurs de capabilit en introduisant deux
nouveaux indicateurs de rendement Rr et Rm. Nous avons galement montr la
pertinence de l'interprtation que nous proposons notamment dans le cas des cotations
statistiques qui nous semble aujourd'hui trs dangereuses. Nous avons galement
propos un tableau d'indicateur de capabilit, incluant les rendements Rm et Rr, qui
facilite l'analyse de la chute des capabilits.
Page 2.54
Si l'utilisation des outils statistiques est aujourd'hui largement rpandue dans les
entreprises o les productions sont importantes, il n'en est pas de mme dans les
entreprises dont la production est plus restreinte. En effet, les outils statistiques adapts
la production sont des outils qui ont t dvelopps principalement pour les fabricants
automobiles dont les productions sont importantes.
Or, aujourd'hui, de nombreuses entreprises qui ont des productions relativement
faibles en terme de srie, cherchent appliquer les outils qui ont russis dans le cas des
grandes sries. Cela ne peut se faire sans adaptation, et les travaux de recherche dans ce
domaine sont relativement peu nombreux.
Il est donc ncessaire de dvelopper de nouveaux outils, mais en gardant bien
l'esprit l'objectif final qui reste l'utilisation de ces dveloppements sur les postes de
travail. Les oprateurs n'ont pas ncessairement les comptences statistiques
ncessaires, et il faut, par le biais d'outils graphiques, informatiques ou autres, leur
permettre d'utiliser l'outil statistique en masquant la thorie sous-jacente.
Le travail que nous prsenterons au chapitre 4 se situera dans cet optique. Nous
chercherons adapter les outils que nous avons dvelopps dans ce chapitre aux cas des
productions en petites sries. Ce dveloppement sera ralis en essayant de garder la
simplicit de mise en oeuvre et d'analyse qui a fait la russite de la MSP dans le cas
traditionnel.
Page 2.55
Chapitre 3
Le cas des petites sries
1. Introduction
Les apports de la MSP dans le cas des productions en grandes sries ne sont plus
dmontrer. Cette mthode connat aujourdhui un dveloppement important grce au
formalisme quelle amne dans la conduite des procds. Les entreprises qui ont su
appliquer cette mthodologie avec rigueur tmoignent aujourdhui de la grande
efficacit de la dmarche. Cependant, lapplication de cette mthode connat quelques
difficults pour tendre son champ d'application au-del des grandes et des moyennes
sries. Ces difficults ont plusieurs origines dont les principales sont les suivantes :
les cartes de contrle traditionnelles sont inadaptes au cas des petites sries,
la mconnaissance de la dispersion du procd du fait mme des petites sries
Page 3.1
technologies, nos entreprises continueront d'voluer vers une production par lots
toujours plus petits. Certains spcialistes affirment mme, aujourd'hui, que la plupart
des entreprises de demain seront capables de produire avec des lots rduits l'unit.
Ce changement de typologie de production pose un nouveau problme aux
industriels. Peut-on tendre le bnfice de la dmarche MSP dans le cas des petites
sries qui reprsentent une part importante de lactivit industrielle? En effet, on peut se
poser la question sur l'avenir de l'utilisation de la MSP dans nos entreprises de demain si
celui-ci n'est pas adapt aux productions par petits lots [Fos 91]. L'enjeu est
considrable. Nous sommes en face d'une ralit qui volue vers des sries de plus en
plus petites, et d'un autre ct, nous disposons, en matire d'outil de pilotage et de
matrise des procds, que de mthodes adaptes aux grandes sries. Si des travaux
importants ne sont pas raliss en matire de mthodes et d'outils adapts aux sries
courtes, le danger est grand de voir le niveau de qualit de nos productions industrielles
diminuer en corrlation avec la taille des lots.
Par contre, si nous sommes capables d'adapter nos connaissances aux cas des
petites sries le maintien ou mme l'amlioration du niveau de qualit nous permettra de
continuer notre dmarche de progrs en matire de flexibilit. Mais outre le gain
immdiat sur la qualit des produits, la mise en place d'outils amenant plus de
formalisme dans le suivi des procds peut apporter d'autres bnfices non moins
importants.
L'amlioration de la productivit par un meilleur pilotage des procds. En
effet, dans le cas des petites sries, un temps considrable est perdu en ttonnements
pour trouver le bon rglage. L'utilisation d'un outil d'aide au pilotage permettrait de
trouver plus rapidement le bon rglage, d'viter les rglages inutiles, et donc d'amliorer
la productivit.
La diminution des rebuts souvent importants dans le cas des petites sries. Du
fait mme des ttonnements, les mthodes de production artisanales engendrent de
nombreux rebuts. Outre le fait que ces rebuts font baisser la productivit, ils engendrent
des cots non ngligeables. C'est notamment le cas des entreprises travaillant pour
l'aronautique pour lesquelles le cot d'une pice peut aller jusqu' plusieurs milliers de
francs.
L'amlioration
[Fos 91] - G. K. Foster - Implementing SPC in low volume manufacturing - Statistical Process Control
in Manufacturing - Dekker - 7:23 - 1991
Page 3.2
aujourd'hui un pralable indispensable pour une entreprise qui souhaite matriser son
outil de production. Deux solutions lui sont offertes. La premire consiste planifier de
faon rgulire un essai pour mesurer la capabilit de ses outils de production. Cette
mthode cote chre, elle est difficile mettre en oeuvre, et de plus, rien n'assure que la
semaine qui suit le test, la machine dclare capable le soit encore. La seconde
mthode, que nous prfrons, consiste utiliser les donnes des cartes de contrle pour
calculer les capabilits. Encore une fois, on utilise les donnes enregistres lors du
pilotage de la machine pour suivre les capabilits de celle-ci. Le suivi en continu des
capabilits des moyens de production permet ainsi une meilleure maintenance
prventive. Ce bnfice entrane sur le long terme des gains importants en capabilit.
Il est clair que la mise en place de la MSP sur les moyens de production dans le
cas des petites sries permettra une avance importante non seulement en qualit, mais
en maintenance, en traabilit, en productivit, et en cot. Il est donc indispensable
d'adapter les mthodes qui ont fait leurs preuves dans le cas des grandes sries pour le
cas des petites sries.
Afin de mettre en vidence les limites de la dmarche par ttonnement, nous
prsenterons dans ce chapitre la dmarche traditionnelle adopte dans les cas de
ralisation de petites sries de 10 pices. Cette tude nous permettra d'analyser , et de
trouver les outils qui seraient ncessaires pour aider l'oprateur dans sa dmarche de
pilotage.
Nous tudierons ensuite l'ensemble des mthodes actuellement publies qui
permettent d'tendre la MSP aux cas des petites sries afin d'analyser l'adquation entre
les mthodes proposes et le besoin des industriels au travers d'une typologie des
productions en petites sries.
Page 3.3
Page 3.4
Mthode X
Unit
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Moins de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Plus de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
Page 3.5
Une mthode ne sera jamais parfaitement adapte tous les cas de figure. Il sera
donc intressant de vrifier si tous les 24 cas de figure ont une mthode.
Page 3.6
Page 3.7
+6
+4
+2
0
-2
-4
-6
Numro
Cote
Action
1
+2
2
+1
3
+4
4
+3
5
+2
6
+2
7
+6
R(-6)
8
-2
9
-3
10
10
-4
Page 3.8
Numro
Cote
Action
1
1
10
3
-2
4
-4
5
2
6
1
7
0
8
-1
9
2
10
3
3
R(3)
R(+4)
Page 3.9
[tag 89] - Genichi Taguchi - Elsayed A. Elsayed - Thomas Hsiang Quality engineering in production
systems - Mc Graw-Hill -- 1989
Page 3.10
travail,
on a veill ne pas alourdir de faon considrable la charge de travail des
oprateurs,
on a mis en place des outils pour simplifier leur tche comme des feuilles de
calculs, des abaques, ou des systmes informatiques,
on a cout les oprateurs sur les modifications apporter,
on a inform les oprateurs des bnfices de la dmarche.
Lorsque la mise en place de l'outil sur les machines est une russite, le reste suit
forcment. L'analyse des conditions de russite de la mise en place de la MSP n'a pas
t le point central de notre tude. Cependant, au moment de la conclusion de notre
tude, nous constatons que ce travail n'a jamais t ralis - du moins nous n'avons pas
trouv de publication ce sujet - et cela mriterait un travail approfondi. En
considrant l'ensemble des entreprises que nous avons tudi, nous considrons que
souvent les obstacles majeurs ne sont pas des obstacles mathmatiques mais des
obstacles dans la mthodologie de mise en oeuvre.
La russite de la mise en place de la MSP dans le cas des petites sries ncessite
donc :
l'utilisation d'outils simples et pratiques adapts aux oprateurs,
une mise en place et un suivi particulirement tudis.
Dans ces conditions, on pourra faire voluer les mthodes traditionnelles vers des
mthodes plus formelles et ainsi amliorer la qualit de nos productions.
Page 3.11
Paramtres
de pilotage
PROCESSUS DE
PRODUCTION
PRODUIT
Bruits
Extrieurs
[Tag 87] - Genichi Taguchi - System of experimental Design -Tome I et II - ASI - 1987
Page 3.12
Pour viter ces erreurs, il est ncessaire d'liminer la dispersion due aux bruits.
Comme on ne peut pas le faire physiquement, il faut le faire par le calcul en travaillant
sur les moyennes plutt que sur des valeurs individuelles.
En observant la moyenne de plusieurs valeurs, on sait que l'cart-type de la
dispersion des moyennes est rduit par un rapport 1 . Trs vite, l'amlioration de
n
l'efficacit du contrle se fait sentir.
Page 3.13
Dans ce cas, le centre d'usinage dispose d'un magasin d'outil, et les outils qui
servent raliser cette pice seront galement utiliss pour usiner d'autres pices. Ainsi,
il faut tre capable d'ajuster les rglages du centre d'usinage en intgrant pour les
prochaines pices des corrections d'outils.
Supposons que les alsages soient raliss en contournage par le mme outil. La
plupart des oprateurs contrlent un des alsages, et en fonction du rsultat , ils
modifient leurs corrections d'outil. Si au lieu de contrler un alsage, on mesure les trois
alsages et que la dcision de correction soit prise sur la moyenne des trois carts plutt
que sur un cart, on amliore de 3 la prcision de la correction. De mme, la
correction sur la longueur d'outil qui ralise les bossages sera plus efficace si elle
intgre plusieurs mesures que si elle est ralise sur une seule mesure.
Le principe de l'chantillonnage est simple, facile comprendre par les
oprateurs, et extrmement riche en bnfice. Il est dommage qu'il ne soit pas plus
utilis.
Dans le cas de centre d'usinage par exemple, on peut galement surveiller la
capabilit de la machine en mettant en place une carte de contrle sur quelques
oprations typiques comme :
carte A - dplacement suivant l'axe X,
carte B - dplacement suivant l'axe Z,
carte C - opration de contournage.
Page 3.14
L1
L2
Une entreprise, qui fabrique des vrins la commande, dsire mettre sous
contrle la production des tubes. Un tour commande numrique ralise les mises
longueur de ces tubes. Chaque tube usin a une longueur diffrente qui correspond la
longueur commande par le client. La longueur est introduite dans la commande
numrique chaque pice comme tant un paramtre. Dans ce type de cas, lutilisation
des cartes de contrle traditionnelles semble impossible puisque la caractristique nest
pas constante. Il n'y a mme pas de petite srie puisque c'est en fait une production
unitaire.
Et pourtant, si au lieu de suivre la longueur du tube, nous cherchions suivre
lcart qui existe entre la cote nominale (demande par le client) et la cote ralise, nous
retrouverions un effet de srie. En effet, tout au long de la journe, loprateur cherche
raliser un cart nul par rapport une cote nominale. Nous pouvons alors suivre sous
carte de contrle traditionnelle l'cart entre la cote nominale et la cote fabrique.
Dans ce cas de figure, les deux cartes de contrle sont utiles loprateur :
la carte des moyennes permettra de suivre les drives en rglage dues aux usures
doutils par exemple. En cas de variation sur la carte de contrle des moyennes, il
faudra introduire une correction pour que les prochaines pices soient nouveau
proche de la nominale.
Page 3.15
Les cas de figure pour lesquels cette mthode peut tre applique sont assez
courants. En effet, les procds industriels sont, en gnral, assez spcialiss, et
ralisent souvent le mme type de travail. Aussi, moyennant un peu d'imagination, il
est souvent possible de trouver une grandeur, caractristique de l'tat du procd, qui
peut tre suivie indpendamment de la production ralise.
Cette mthode a t particulirement tudie par M. Kevin Foster [Fos 88].
L'application propose concerne une machine d'assemblage de composants. Sur cette
machine, des productions de qualits diffrentes sont demandes comme des
applications militaires ou communes. Quelle que soit l'application, la machine subira
des fluctuations dues aux causes communes, mais ces fluctuations ne dpendront que de
la machine et pas du produit militaire ou civil qu'elle assemble. Foster propose, dans ce
cas, de mettre sous contrle l'cart de positionnement sur l'axe des X par rapport la
valeur planifie.
N
1
2
3
Dplacement
rel
6,0946
4,7178
7,2455
Planifi
6,0940
4,7180
7,2450
Delta
0,0006
-0,0002
0,0005
Cela revient faire un changement de variable qui permettra de tenir une carte de
contrle de type Shewhart avec des chantillons de trois carts par carte assemble par
exemple. Ainsi on pourra bnficier des avantages du suivi et du pilotage par cartes de
contrle et surveiller ainsi les drives de la machine et sa capabilit.
[Fos 88] - Kevin Foster - Implementing SPC in low volume manufacturing - ASQC Quality Congress Dallas - 1988
Page 3.16
= X + A .R
2
= X A .R
2
LSC
LIC
LSC = D . R
4
R
LIC = D . R
3
R
[Hil 69] - F. S. Hiller - X and R-chart Control Limits based on a small number of subgroups - Journal of
quality technologie - 17:26 - January 1969
[Pro 60] - F. Proschan and I. R. Savage - Starting a Control Chart - Industrial Quality Control - 12:13 September 1960
[Bot 92] - D. R. Bothe - Integrating SPC with just in time - Confrence mondiale de l'APICS - Montral
- 1992
[Pys 93] - Thomas Pysdek - Process control for short and small runs - Quality progress - 51:60 - April
1993
Page 3.17
X = XRelle XCible
Page 3.18
R
D < <D
3 R
4
En effectuant le changement de variable R R , les nouvelles limites de contrle
(D4 et D3) deviennent donc indpendantes de l'tendue moyenne.
On peut donc crire
Bien sr le point noter sur la carte n'est plus R mais le rapport entre R et la
valeur moyenne de l'tendue pour le lot tudi.
R Note =
R
R Cible
Les cartes traditionnelles ont des limites non seulement lies R mais aussi
X Cible . Pour pouvoir reprsenter les points sur la mme carte, il faut liminer ces deux
dpendances.
On a vu que pour liminer la dpendance par rapport la valeur cible, il suffit de
suivre l'cart par rapport la nominale plutt que la valeur cible elle-mme. Les
nouvelles limites sont alors :
= +A . R
2
LIC = A . R
2
X
Nouvelle valeur cible = 0
LSC
A <
2
X X Cible
<A
2
R
Page 3.19
X Note =
X X Cible
R Cible
Ce type de carte est donc trs intressant puisque les limites ne dpendent que de
la taille des chantillons. Ainsi, tant que la taille des chantillons est constante,
l'oprateur n'a besoin que d'une seule carte de contrle pour visualiser n'importe quel
type de pices. La carte de contrle sur une machine aura alors la configuration donne
en figure 3.6.
A2
0
-A2
D4
1
D3
Pice A
Pice B
Page 3.20
Page 3.21
8. Etudier le procd
Ce dernier axe pour l'adaptation de la MSP au cas des petites sries a t
dvelopp principalement dans l'industrie aronautique amricaine. En effet, ces
entreprises sont confrontes un type de production particulier pour lequel il y a de trs
nombreuses pices raliser, avec sur chacune de trs nombreuses caractristiques
tudier. De plus, ces caractristiques sont en gnral trs svres.
Une tude particulirement intressante a t mene sur un centre d'usinage trois
axes commande numrique par Mrs Georges F. Koons et Jeffery J. Luner [Koo 91].
Cette machine ralise 150 pices diffrentes en lots de 15 25 units en moyenne. Les
productions ne reviennent que plusieurs mois plus tard. De plus, la tendance est la
diminution de la taille des lots. Dans ce cas, l'application classique de la MSP est
videmment impossible. L'approche retenue a t de ne pas tudier les caractristiques
propres une pice particulire, mais plutt les processus qui produisent ces
dimensions. On tablira une carte par procd de fabrication et non par lot. Ainsi des
pices diffrentes subissant la mme opration pourront tre gres par la mme carte
de contrle.
Les tapes proposes par Koons et Luner sont les suivantes :
collecte des donnes,
recherche des causes spciales de dispersion,
tude des causes communes de dispersion,
tude de la capabilit du procd.
[Koo 91] - G. F. Koons - J. J. Luner - SPC : Use in low volume manufacturing envirnment - Statistical
Process Control in manufacturing - Quality and reliability - ASQC Quality Press - 1991
Page 3.22
Exemple de description
Numro de machine
Matire
Origine
Positionnement
Procd
Taille du sous-groupe
72
Aluminium
extrusion
par rapport une face usine
fraisage
25
0.3
0.2
0.1
0.0
Page 3.23
LIC = 20,999
S
( n j 1)
LSC =
S
( n j 1)
2
0,001
0.1
0.0
Page 3.24
On peut alors calculer la carte des moyennes partir de la loi de rpartition des
moyennes :
2
LICX = X 3
S
nj
2
S
LSCX = X + 3
nj
L'analyse des cartes des moyennes montre galement des points hors contrle
(figure 3.9). Ces points hors contrle doivent comme pour le cas de la carte des
variances tre expliqu pour faire apparatre des causes spciales.
0,04
X = -0,002
0,02
0,0
-0,02
-0,04
Comme pour la carte des variances, les limites ne sont pas constantes du fait de la
taille non constante des lots.
On recherche alors, partir de la carte des moyennes, les causes spciales de
variation du procd. Pour chaque point hors contrle, une analyse dtaille a t
effectue partir des valeurs individuelles du sous-groupe afin d'identifier ces causes.
Cette tude a permis de mettre en vidence des causes spciales, il faut alors
chercher supprimer celles-ci par des actions correctives lorsque cela est possible.
L'tude a permis d'apporter trois amliorations au procd. La premire consiste
amliorer la procdure de dmarrage de srie. La seconde permet de mieux grer les
usures d'outils, et enfin la dernire qui n'est pas technique mais plus philosophique
consiste duquer le personnel viser la nominale et non l'intrieur de la tolrance.
Page 3.25
Le modle est considr comme additif, et les interactions entre facteurs sont
supposes faibles par rapport aux facteurs principaux.. La rponse est le logarithme de
l'cart-type. Cette transformation classique permet de satisfaire l'hypothse de normalit
de la procdure statistique.
Les variables sont des variables qualitatives, elles sont donc prises gales 0 ou
1. On peut pour cela utiliser la technique des facteurs composs - mthode trs classique
du domaine public des plans d'expriences prsente dans [Pila92] . On modlise le
problme de la faon suivante :
(X1, X2) = (0,0) si machine 1
= (1,0) si machine 2
= (0,1) si machine 3
X3
= 0 si la dimension est par rapport une face d'appui
= 1 si la dimension est entre deux surfaces usines
(X4, X5) = (0,0) si moulage/Aluminium
= (1/0) si extrusion/aluminium
= (1/0) si moulage/titanium
e reprsente les rsidus
Page 3.26
L'tude tant ralise, il est ais de calculer les capabilits procd en tablissant
le rapport IT/6. Dans le cas o l'analyse de la variance a montr qu'il n'existe pas de
facteurs significatifs, on peut supposer que la dispersion reste constante pour l'ensemble
des caractristiques une fois limines les causes spciales. On peut dterminer les
intervalles de tolrance ralisables sur la machine en fonction d'une capabilit objective.
Dans le cas contraire, le modle linaire calcul permet de prvoir les dispersions
prvisibles en fonction de la configuration retenue.
La mthode permet dans le cas de petits lots, de faire une analyse statistique rigoureuse
pour dissocier les causes communes des causes spciales. Cette dissociation est la base
de la MSP. Elle est particulirement bien adapte aux centres d'usinage, mais peut
facilement tre adapte dans d'autres domaines comme pour une machine souder la
vague pour laquelle les sries seraient courtes.
La mthode propose se focalise sur l'tude des dispersions et donc sur l'amlioration de
la capabilit du procd. Elle permet une amlioration constante de l'outil de travail
grce la recherche et au traitement systmatique des causes de dispersions.
Page 3.27
/
2
/
2
/
0
3
0
3
Y = C + 0M
0
3
0
3
0
0
3
0
3
14140
1
P1 2/
2
/
2
3
0
3
0
P + E3
3
0
3
0
3
3
0
3
0
P
2
4
1 413
4
Avec :
Y : Caractristiques obtenir sur le produit
C : Vecteur constant
P : Vecteur donnant la configuration des paramtres influants qui se dcomposent
en :
P1 : Paramtres pilotables
P2 : paramtres bruits non matrisables
E : vecteur rsiduel
M : Matrice identifier
L'identification demande l'utilisation d'outils statistiques tels que les plans
d'expriences orthogonaux lorsque cela est possible, les plans D-optimaux qui sont
proches des plans orthogonaux mais permettent d'identifier un modle lorsque
l'orthogonalit n'est pas parfaite, ou encore les rgressions multiples lorsque les donnes
existent dj.
[Pil 90] -- Maurice Pillet - Sminaire interne Laboratoire de Logiciel pour la Productique - Janvier 1990
- 20 pages
Page 3.28
+ A
Avec :
I
/
0
1I
A1B1
I A1B2
I A1B3
A 2 B1
I A 2 B1 I A 2 B1
I
2
/
B+ A 0
3
4 1I
t
A1C1
I A1C2
A 2 C1
I A 2C1
2
C
3
4
%
Y
: la rponse recherche
C
: une constante
EA1 : effet de A sur la rponse lorsque A est au niveau 1
IA1B1 : effet de l'interaction A au niveau 1 et B au niveau 1 sur la rponse
In A1
1
0
=
lorsque A = 1 et
lorsque A = 1
[A]
: indicateur de niveau de A =
In A 2
0
1
t[A] : vecteur transpos de [A]
/
2
/
2
3
0
0
1 413
4
/
2
0
13
4
A2
% = C+ E E
Y
EB1 EB2 EB3 EC1 EC2 IA1B1 IA1B2 IA1B3 IA2B1 IA2B2 IA2B3 IA1C1 IA1C2 IA2C1 IA2C2
A1
A2
B1
A2C2
[Vig 88] - Michel G. Vigier - Pratique des plans d'expriences - Les ditions d'organisation - 1988
Page 3.29
In 2
/
0
In 3
0
3
0
.... 3
0
3
.... 3
0
0
1In 3
4
A1
B1
% = C+ E
Y
A1
E B1
E B2
E C1 I A1B1 I A1B2
I A1C1
A1C1
Ce qui correspond une ligne ou une portion de la matrice [M]. On peut donc,
par plans d'expriences successifs identifier des parties de la matrice [M]. De plus,
lorsqu'un plan d'expriences permet d'obtenir plusieurs rponses, on identifie en un seul
plan d'expriences plusieurs lignes de la matrice [M].
% = C+ a b c d e f
Y
X 2
/
0
Y 3
0
3
... 3
g0
0
3
XZ 3
0
0
1XV3
4
Page 3.30
/
2
/
2
/
0
3
0
3
0
0
3
0
3
0
0
3
0
3
14140
1
2
/
2
/
2
3
0
3
0
3
3
0
3
0
3
3
0
3
0
4
1 413
4
P1
0
Mii
Pn
B1
Mnn
Coeft de
pilotage
Facteur
de
pilotage
Facteurs
de
Bruits
Bk
Coeft de
bruit
Dans cette matrice, chaque caractristique pice est pilote de faon indpendante
par un seul facteur de pilotage, et les bruits n'ont aucun effet sur les caractristiques. Ce
n'est bien sr jamais le cas. La ralit est toujours plus complexe. la matrice comporte
beaucoup moins de zro, le nombre de facteurs de pilotage est diffrent du nombre de
caractristiques...
Parmi l'ensemble des types de matrices que nous pourrions analyser, nous avons
choisi de sortir deux types particuliers pour leur intrt en MSP :
le cas o il faut mettre sous contrle la caractristique sur le procd,
le cas o il faut mettre sous contrle la caractristique sur le produit.
Page 3.31
M11
P1
M1i
M2i
0
Pi
Facteur
de
pilotage
Pn
Mii
B1
Bi
Mni Mnm
Coeft de
pilotage
Facteurs
de
Bruits
Bk
Coeft de
bruit
Dans ce cas de figure, il est impratif de mettre sous contrle le paramtre Pi. La
surveillance par cartes de contrle ne devra pas se faire sur les caractristiques des
produits mais sur la caractristique Pi du procd. Ce type d'application est trs adapt
aux petites sries dans la mesure o il est toujours difficile de mettre sous contrle les
caractristiques sur la pice.
P1
0
Mi1
Mii
Pi
Pn
Mim
B1
Bi
Mnm
Coeft de
pilotage
Facteur
de
pilotage
Facteurs
de
Bruits
Bk
Coeft de
bruit
La mme tude pourrait tre faite sur les facteurs bruits pour mieux comprendre
leur influence.
Bien que riche en informations, cette mthode d'identification est assez difficile
mettre en oeuvre dans sa totalit. Il est, en effet, assez difficile d'identifier totalement la
matrice [M], et les matrices obtenues ont souvent de nombreux termes inconnus qui
limitent l'exploitation de celles-ci. On rserve ce type d'identification aux produits
forte valeur ajoute pour lesquels le cot des essais ncessaires peut-tre amorti.
Page 3.32
Pour chacun des critres, nous pouvons tablir un tableau qui nous permet
d'valuer les diffrentes mthodes. Nous symboliserons les mthodes par:
U - utiliser le principe de l'chantillonnage (5)
V - retrouver un effet de srie (6)
W - modifier les cartes de contrle (7)
X - tudier le procd (8)
Y - modliser et surveiller les caractristiques d'entres et de pilotage (9)
Cette classification sera tablie pour chacun des critres en utilisant le tableau du
paragraphe 2. Nous avons not un cercle (}) lorsque la mthode tait adapte la
typologie, et un carr () lorsque la mthode tait adapte, mais avec des difficults de
mise en oeuvre.
Page 3.33
UEchant.
V- Eff
srie
W-Modif
ca
Xprocd
YModle
Unit
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Moins de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Plus de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
D1
D1
D1
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
} } } }
} } } } } } } }
UEchant.
V- Eff
srie
W-Modif
ca
Xprocd
YModle
Unit
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Moins de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Plus de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
D1
D1
D1
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
} } } } } } } }
} } } } } } } } } } } } } } } } } } } } } } } }
} } } }
} } } } }
L'aide au rglage sur chantillon est, lui, facilit par de nombreuses mthodes. La
modification des cartes de contrle nous semble difficilement adaptable pour les petites
Page 3.34
sries de moins de 20 pices. Le pilotage par tude du procd est rserver aux pices
complexes donc contenant de nombreux critres. Par contre, quelle que soit la typologie
de production, l'obtention d'un modle facilite la comprhension du procd et donc son
rglage. La mthode de la recherche d'un effet de srie a, sur ce critre, un avantage
important. On note galement l'intrt sur ce point de rechercher un chantillonnage
dans le cas des pices unitaires. Les applications que nous avons menes sur ce point
nous ont montr l'intrt de la technique.
UEchant.
V- Eff
srie
W-Modif
ca
Xprocd
YModle
Unit
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Moins de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Plus de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
lev faible
faible
D1
D1
D1
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
} } } } } } } }
} } } } } } } } } } } } } } } } } } } } } } } }
} } } }
} } } } }
Ce tableau est le mme que le prcdent. En effet, lorsqu'on peut travailler partir
d'chantillons, la surveillance de la dispersion intra-chantillons et inter-chantillons
permet de faon simple de suivre les capabilits aussi bien machine que procd. Or le
suivi est le premier pas de l'amlioration.
UEchant.
Unit
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Moins de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Plus de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
D1
D1
D1
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
} } } } } } } }
Page 3.35
D1
D2
V- Eff
srie
W-Modif
ca
Xprocd
YModle
} } } } } } } } } } } } } } } } } } } } } } } }
Pour ce critre, les techniques qui peuvent tre utilises de faon manuelle sont
avantages. La technique de modification des cartes demande la mise en place d'un
systme informatique. Elle est donc d'un cot plus lev. Les deux dernires techniques
demandent des tudes spcifiques, elles sont donc plus coteuses.
Page 3.36
U - Echant.
V- Eff
srie
W-Modif
ca
Xprocd
YModle
Unit
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev
faible lev
faible
Moins de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev faible lev faible
Plus de 20
Non rptitif
Rptitif
Cot
Cot
Cot
Cot
lev faible lev faible
D1
D1
D1
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
D2
D1
D2
D1
D2
D1
D2
} } } }
} } } }
} } } } }
Page 3.37
Remarque 1
L'valuation selon le critre C1 ( aide au rglage sur les premires pices) est
assez peu encourageant. Trs peu de mthodes permettent de satisfaire lgamment ce
critre. Il serait donc utile de trouver une mthode simple qui comblerait cette lacune.
Remarque 2
Page 3.38
Chapitre 4
La carte de contrle "petites
sries"
Page 4.1
nous prsenterons une amlioration de cette carte de contrle par une procdure
CUSUM plus efficace dans certains cas de figure.
+2
+1
+4
+1,5 +2,33
1
3
Machine
Instrument de contrle
-1
-1
+3
+1
[Pilc91] - Maurice PILLET - Pratique du SPC dans le cas des petites sries - La maitrise Statistique des
processus ou SPC - Recueil de confrence CETIM 20/11/91 - 87:100 - 1991
[Pilb92] - Maurice Pillet - Application du SPC aux petites sries - Revue contrle industriel et qualit n174 - Avril 92 - 58:61 - 1992
[Pilc92] - Maurice Pillet - Le SPC dans un contexte de petites sries - Actes de confrences 2me journe
des CPIM de France - Les outils du changement - 23/009/1992 - 97:103 -1992
[Pilc93] - Maurice Pillet - Le SPC et les petites sries - Technologie et Formation n 46 - Fvrier 93 29:32 - 1993
Page 4.2
1
+2
2
+1
3
+4
4
+3
5
+2
6
+2
7
+6
R(-6)
8
-2
9
-3
10
-4
Pour remplir cette carte, il suffit de remplir les cases X1..X5 avec les valeurs
mesures, puis, de calculer chaque nouvelle mesure la moyenne de lensemble des
pices mesures et ltendue. Les valeurs moyenne et tendue sont reportes sur les
cartes correspondantes.
Ainsi lorsque l'oprateur a mesur la premire pice ralise (+2), il inscrit cette
valeur en X1 et la reporte sur la carte des moyennes. Il n'y a pas, bien sr d'tendue sur
la premire valeur.
Lorsqu'il a contrl la seconde pice (+1), il calcule la moyenne (+1,5) et
l'tendue (1) qu'il reporte sur les cartes de contrle des moyennes et des tendues.
L'interprtation de ces cartes est peu prs identique l'interprtation de la carte de
Shewhart. D'une faon simplifie, lorsque le point est l'intrieur des limites, le
procd est sous-contrle. Lorsque le point est l'extrieur des limites, le procd est
hors contrle, il y a prsence d'une cause spciale. Il faut alors intervenir pour la
supprimer. Dans le cas de l'exemple prsent, le second point est dans les limites de
contrle, la probabilit d'un bon centrage est importante, il est dconseill d'intervenir.
Pour dcider du rglage, loprateur aura besoin de limites de contrle qui seront
calcules en fonction de la dispersion du procd comme nous le montrerons au
paragraphe suivant.
Dans notre exemple, ds la troisime pice (+4), la carte de contrle "petites
sries" donne lassurance dun drglage en sortant des limites de contrle des
moyennes. Mais le rle de la carte ne sarrte pas l. Elle permet loprateur de
Page 4.3
Page 4.4
Dans le cas o on ne connat rien sur le procd, il faut mettre en place une feuille
de relev sur laquelle on prendra soin de noter l'ensemble des actions et des incidents
dans un journal de bord. Cette feuille de relev permettra de regrouper l'ensemble des
procds de mme type que celui qui nous intresse. Une fois cette feuille de relev
remplie, on regroupera l'ensemble des relevs en sous-groupes homognes, c'est--dire
ne comportant pas de cause spciale identifie dans le journal de bord. (Figure 4.2). Les
valeurs notes sur la feuille de relev sont les carts par rapport la cible.
N
Valeur
1
2
3
4
5
6
7
8
9
10
+3
+2
+5
-2
0
-1
0
-4
0
0
Journal
de bord
Sous
groupe
Valeur
1
1
1
2
2
2
2
3
3
3
11
12
13
14
15
16
17
18
19
20
1
-4
1
-1
-2
+6
0
-2
-1
1
Rglage
Fin lot
Journal
de bord
Sous
groupe
Valeur
3
3
3
3
3
/
4
4
4
4
21
22
23
24
25
26
27
28
29
30
1
-2
1
0
-2
0
2
1
0
-1
fin lot
rglage
Journal
de bord
Sous
groupe
4
4
4
4
4
4
5
5
5
5
fin lot
1
3
2.33
2
4
0,917
3
8
4,125
4
10
1,6
5
4
1,66
Page 4.5
LIC =
2
0,999
S
( n j 1)
2
S
LSC =
( n j 1)
La valeur centrale reprsente la variance intra-srie que nous avons calcule 2,319
2
0,001
Groupe
Nb ddl
Variance
1
2
2.33
2
3
0,917
3
7
4,125
4
9
1,6
5
3
1,66
20,999
LIC
20,001
LSC
0,002
0,002
13,82
16.02
0,024
0,018
16,27
12.57
0,595
0,197
24,32
8,05
1,152
0,296
27,88
7.18
0,024
0,018
16,27
12.57
L'ensemble des variances tant compris dans les limites de contrle, on peut
accepter l'hypothse d'homognit des variances, et considrer que = Vint ra srie est
l'cart-type de la population tudie. Nous aurions donc = 1,52, cart-type suppos de
la population totale. Cette estimation est une premire estimation grossire, car elle
porte sur peu de valeurs. Il sera ncessaire d'affiner cette estimation partir des
premiers rsultats observs sur la carte de contrle "petites sries".
Estimation de l'cart-type partir de l'tendue
Page 4.6
$ =
R 1, 875
=
= 1, 66
d 2 1,128
/2
/2
u.
u.
N : Nominale
u : Variable rduite en fonction du risque
: Ecart-type historique de la distribution
Lorsque le rsultat est compris dans cet intervalle, il est dlicat de rgler. On
risque de drgler un procd bien centr. Par contre, si la pice se situe l'extrieur de
Page 4.7
cet intervalle, nous avons la certitude (au risque /2) que la machine n'est pas centre
sur la valeur cible. Il faut donc oprer un ajustement.
Il en est de mme pour la deuxime pice. Mais, si au lieu de ne raisonner que sur
la deuxime pice, on raisonne sur la moyenne des deux premires pices, on peut ainsi
affiner notre jugement. En effet, cette moyenne calcule sur deux pices sera comprise
dans lintervalle
N u.
, N + u.
2
2
De mme, si loprateur ralise la cinquime pice sans rglage intermdiaire, la
moyenne des cinq pices sera comprise en cas de rglage parfait de la machine dans
lintervalle
N u.
, N + u.
5
5
Si la moyenne ne se situe pas dans cet intervalle, nous avons la certitude (au
risque /2) que le procd est drgl, il faut donc le rgler. Le principe de la carte de
contrle des moyennes en petites sries est de travailler sur des chantillons de taille
variable. Cet chantillon sera rduit l'unit lorsqu'on ne dispose que de la premire
pice. Puis l'chantillon augmentant, on peut affiner la dtection des causes spciales.
Usuellement, u est pris gal 3. Les limites de contrle des moyennes seront
calcules partir de l'cart-type estim de la population totale et de la taille de
l'chantillon par les formules :
LICX = Cible 3
n
LSCX = Cible + 3
= d .
3
On peut donc fixer les limites de variation de l'tendue 3.R. On aura comme
limite de contrle pour les tendues :
Page 4.8
LSCR = R + 3. d 3 .
LICR = R 3. d 3 .
On peut pour simplifier ces expressions les exprimer en fonction de , on trouve
LSCR = ( d 2 + 3. d 3 ) = D6 .
LICR = ( d 2 3. d 3 ) = D5 .
Nous avons introduit les coefficients D5 et D6 pour simplifier les calculs.
Pour simplifier, les calculs des limites de contrle s'effectuent partir des
relations suivantes :
Pour les moyennes
LSCX = Cible + A 4 .
LICX = Cible A 4 .
Pour les tendues
LSCR = D6 .
LICR = D5 .
Les coefficients utiliss dans les calculs sont rsums dans le tableau ci dessous.
n
d2
d3
D5
D6
A4
10
11
12
13
14
15
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
3,173
3,258
3,336
3,407
3,472
0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
0,787
0,778
0,770
0,762
0,755
Page 4.9
Exemple de calcul
Ecart-type dtermin partir de l'historique
:
= 1.15
Cible vise =0
Calcul de la carte des moyennes
= 0. + 3x1,15 = 3,45
Pour n = 1 LSCx = Cible +A3
= 0. + 2,12x1,15 = 2,43
Pour n = 2 LSCx = Cible +A3
[Lill 91] - LILL H. - CHU Yen - CHUNG Ken - Statistical Set-up Adjustement for low volume
manufacturing - Statistical Process Control in Manufacturing - 23:38 - Dekker - 1991
Page 4.10
deux cas de figure donnant le mme rsultat sur la mesure de la premire pice, mais
qui ncessite des rglages diffrents.
Intervalle de tolrance
r
Dispersion
de rglage
Dispersion
de production
Ecart
mesur
En supposant une loi normale pour chacune des rpartitions, on peut calculer la
composition des deux fonctions de rpartition et ainsi trouver le rglage optimal.
La combinaison d'un cart de centrage et d'un cart d la dispersion a t tudie
par LILL [Lil 91].
Si on considre p, l'cart-type de la distribution de la population autour d'un
rglage, et r, l'cart-type de la rpartition des erreurs de rglage, les deux fonctions de
rpartition s'crivent :
Y =
P
Y =
R
Avec
2
1 XP N
P
e
1
R
2
1 XR N
P
e
N : la valeur centrale
XR : l'erreur de rglage
XP : l'erreur due la dispersion
En supposant que la valeur centrale pour les deux distributions est gale 0, on a
alors N = 0.
L'erreur totale E, c'est--dire l'cart mesur par l'oprateur, est gale la somme
des deux erreurs, on a
E=X +X
P
R
Page 4.11
Nous recherchons en fait, l'erreur de dcentrage XR, nous pouvons donc crire
XR = E - XP
Posons c =
R
, la combinaison des deux distributions de probabilit donne F(XR)
P
qui est :
1
e
Y .Y =
R P 2. . .
R P
1 2
.
2 R
soit XR = E
c2
1 + c2
Le meilleur ajustement sera obtenu - dans les hypothses que nous avons retenues
pour nos calculs - par un rglage de l'cart entre la dimension mesure et la valeur cible
(E) multipli par le coefficient c/(1+c)
Rglage optimal A = E
c2
1 + c2
Page 4.12
R est lui beaucoup plus difficile connatre. Dans un premier temps, il faut se
contenter de l'estimer. M. HILL propose d'estimer R partir de l'intervalle de
tolrance et d'un coefficient de difficult de rglage.
R =
Avec
IT
U
IT : intervalle de tolrance
U : coefficient de difficult de rglage.
Trs difficile
5
Normale
8
Trs facile
12
Dans le cas o le rglage se fait aprs une premire approche en bauche, nous
proposons une autre mthode plus simple pour estimer R. Nous avons remarqu que
plus une machine avait de la dispersion, plus le rglage tait imprcis. Cela vient de la
mthode employe pour faire le premier rglage. En rgle gnrale, l'oprateur
approche la cote par une bauche ct retouche, puis corrige en fonction de cette
bauche. Comme l'bauche est ralise avec de la dispersion, il y a de grande chance
que le rglage soit d'autant plus prcis que la dispersion de la machine est faible. Dans
ce cas de figure, nous pouvons estimer R par la relation suivante :
Ce qui donne
R = P
c=1
Aprs avoir estim le coefficient c pour pouvoir tablir la grille de rglage que
nous dfinirons plus loin, il est possible, aprs quelque temps de fonctionnement de la
carte de contrle "petites sries", d'avoir une meilleure estimation de R. En effet, le
pilotage par cartes de contrle permet de corriger le procd. En tudiant l'historique
Page 4.13
des corrections apportes avant d'obtenir un centrage correct, il est possible de calculer
avec une meilleure approximation un estimateur de R.
Considrons le tableau ci-dessous dans lequel nous avons consign l'ensemble des
rglages ncessaires pour obtenir un centrage correct :
Lot
Rglage
Init
Rgl Comp
Total
1
-3
2
-1
3
-3
4
-2
5
+2
6
0
7
+2
8
-3
9
0
10
-3
11
+4
12
-2
13
-3
14
0
15
+3
16
+2
17
0
18
0
19
0
20
+2
0
-3
0
-1
-2
-3
0
-2
+2
+4
0
0
0
+2
0
-3
0
0
0
-3
-2
+4
0
-2
0
-3
0
0
+2
+5
0
+2
0
0
0
0
0
0
0
+2
Sur la ligne rglage initial, nous avons consign les rglages qui ont t effectus.
Dans les cas o des corrections complmentaires ce premier rglage auraient t
apportes, elles ont t consignes sur la seconde ligne. La dispersion sur l'erreur
initiale de rglage peut donc tre estime comme tant gale la dispersion sur les
modifications de rglage ncessaires. R peut donc tre estim en calculant l'estimateur
s de la ligne Total. Nous trouverions alors : R =2,54
Page 4.14
Dans le cas o le rglage doit se faire sur la moyenne des deux premires pices,
nous sommes toujours en prsence de deux dispersions : la dispersion de rglage et la
dispersion de la production. Cependant, le fait de considrer la moyenne des deux
premires pices, plutt que de considrer uniquement la seconde pice, nous permet de
diminuer l'incertitude lie la dispersion de production. L'cart type de la rpartition de
la moyenne d'un chantillon de 2 pices est gal P 2
Le rapport c devient donc c'2 = 2.
2R
2
2 = 2. c
P
2. c2
1 + 2. c2
n. c2
1 + n. c2
n. c2
1+ n. c2
Page 4.15
1
1/2
2
2/3
3
3/4
4
4/5
5
5/6
dcentrage,
l'importance de la correction apporter.
Ce tableau peut-tre par exemple
Dcentrage
n=1
n=2
n=3
n=4
n=5
10
0,50
0,67
0,75
0,80
0,83
1,00
1,33
1,50
1,60
1,67
1,50
2,00
2,25
2,40
2,50
2,00
2,67
3,00
3,20
3,33
2,50
3,33
3,75
4,00
4,17
3,00
4,00
4,50
4,80
5,00
3,50
4,67
5,25
5,60
5,83
4,00
5,33
6,00
6,40
5,83
4,50
6,00
6,75
7,20
7,50
5,00
6,67
7,50
8,00
8,33
Page 4.16
Nominale
Limite suprieure
de contrle
Nominale
Limite suprieure
de contrle
k.
/ n
/ n
u. / n
/2
/2
u(/2) . / n
u(/2) . / n
u(/2) . / n
Procd dcentr
Procd centr
Soit
A : la valeur cible recherche (Nominale)
n
C : la position du centrage de la machine. Le dcentrage suppos est exprim dans
la variable rduite. Il est gal k.
La rpartition des moyennes d'un chantillon de n pices suit une loi normale
d'cart-type n . Dans le cas d'un procd dcentr, la probabilit de ne pas dtecter
le drglage k. (risque ) est gale la surface hachure.
Pour calculer la probabilit de dtecter un drglage k., il faut calculer u en
fonction du drglage k, du nombre de valeurs dans l'chantillon et de u/2 choisit pour
le calcul des limites.
On peut crire AC = AB+BC soit k. = u 2 .
+ u .
n
n
Page 4.17
D'o
u = k. n u 2
En prenant u/2 = 3 il vient :
u = k. n 3
qui reprsente l'quation de la courbe d'efficacit. Le tableau suivant donne les
valeurs de -u sur la premire ligne et sur la seconde en fonction de k et de n
k
0,5
1,5
2,5
3,5
4,5
n=1
2,500
0.6
2.293
1.4
2.134
1.7
2.000
2.3
1.882
3.0
1.775
3.8
1.677
4.8
2.000
2.3
1.586
5.7
1.268
10.2
1.000
15.9
0.764
22.4
0.551
29.1
0.354
36.3
1,500
6.7
0.879
18.9
0.402
34.5
0.000
50.0
-0.354
63.7
-0.674
74.8
-0.969
83.4
1.000
15.9
0.172
43.6
-0.464
67.7
-1.000
84.1
-1.472
92.9
-1.899
97.06
-2.292
98.9
0,500
30.8
-0.535
70.2
-1.330
90.7
-2.000
97.72
-2.590
99.5
-3.124
0
-3.614
0
0.000
50
-1.242
89.3
-2.196
98.6
-3.000
0.1
-3.708
0
-4.348
0
-4.937
0
-0,500
69.1
-1.949
97.4
-3.062
0.1
-4.000
0
-4.826
0
-5.573
0
-6.260
0
-1.000
84.1
-2.656
99.6
-3.928
0
-5.000
0
-5.944
0
-6.798
0
-7.583
0
-1,500
93.3
-3.363
0
-4.794
0
-6.000
0
-7.062
0
-8.023
0
-8.906
0
-2.000
97.7
-4.070
0
-5.660
0
-7.000
0
-8.180
0
-9.247
0
-10.229
0
n=2
n=3
n=4
n=5
n=6
n=7
n=4 n=3
0.5
n=2
n=1
n=5
0.4
n=7
0.3
0.2
Drglage
0.1
0.0
0.5
1.5
2.5
3.5
4.5
Page 4.18
k.
Limite
de contrle
Limite de
tolrance
u p x
u(/2 )x
n
Nominale
IT
= u 2 x
+u
+ u .
p
n
2
n
Avec
IT : Intervalle de Tolrance,
u
u : variable rduite associe au risque de seconde espce de ne pas dtecter un
drglage,
up : variable rduite associe au pourcentage de pices hors tolrance acceptes,
Page 4.19
3.Cm =
+
+u
p
n
n
D'o, il vient la relation recherche :
3+ u
n=
3Cm u
Application
Supposons que l'on ne souhaite pas ne pas dtecter un drglage dans plus de 1%
des cas ( =0,01) correspondant un pourcentage de dfaut de 0,1% (p = 0,001)
Dans ce cas, la table de Gauss nous donne u =2,33 et up = 3,1
On peut donc tablir en fonction de Cm le nombre minimum de pices ncessaires
dans l'chantillon pour satisfaire ce critre :
Cm
n mini
1.33
36
1.5
15
1.67
8
1.8
6
2
4
2.2
3
2.5
2
2.8
1
3
1
On note rapidement sur ce tableau que lorsque la machine n'est pas capable
(Cm<1,67), le nombre minimum de pices est prohibitif. Par contre, lorsque la machine
est capable on peut rapidement tre sr de son rglage aprs 4 ou 5 mesures
conscutives sans que la carte de contrle "petites sries" ne dtecte un dcentrage.
Page 4.20
R
d2
Il est donc ncessaire pour calculer ins tan tan de disposer d'un nombre
suffisamment important d'chantillons et donc de cartes de contrle. On aura pris soin
d'liminer les lots sur lesquel une cause spciale a t dtecte par la carte de contrle
des tendues. Dans ce cas, il n'y aurait pas homognit des variances. Un petit
problme se pose dans la mesure o les chantillons ne sont pas tous de taille constante.
Il faut donc regrouper l'ensemble des chantillons en fonction de leur taille, et calculer
pour chaque taille d'chantillon un estimateur n.
ins tan tan pourra alors tre calcul comme tant la moyenne pondre de chacun
des estim en fonction du nombre de sous-groupes dans la taille d'chantillon n
Application
Taille du sous-groupe
nombre d'chantillon
Estimateur estim
ins tan tan =
2
4
1,7
3
10
1,5
4
10
1,3
5
9
1,6
Page 4.21
Il est galement possible d'estimer ins tan tan partir de la variance intrachantillon. Il faut pour cela calculer la variance Vi = si de chaque lot homogne. On
aura limin de ce calcul les lots sur lesquels une cause spciale avait t dtecte sur la
carte des tendues . Le fait de ne conserver que les chantillons sous contrle sur la
carte des tendues nous donne l'assurance de l'homognit des variances. On peut donc
calculer la variance intra srie par :
Variance intra srie =
avec
Vint rasrie
Dans le cas o ins tan tan est significatif de l'cart-type de la population qui avait
t estim, il est alors ncessaire de recalculer les limites de contrle.
Dtermination de la capabilit machine
IT
Page 4.22
Cpk =
Page 4.23
Page 4.24
[Luc 73] - J. M. Lucas - The design and use of V-mask control schemes. Journal of quality Technologie
8 (1) - 1973 - 1:12 - January
[Luca82] - J. M. Lucas - Combined Shewhart-CUSUM quality control shemes - Journal of Quality
Technologie 14(2) -1982 - 51:59 - April
[Lucb82] - J. M. Lucas - R. B. Croisier - Fast initial response for CUSUM quality control schemes : Give
your CUSUM a head start. Technoometrics 24(3) - 1982 - 199:215 - August
[Pal 91] - M. Palsky - La matrise des procds continus - La maitrise Statistique des processus ou SPC
- Recueil de confrence CETIM 20/11/91 - 101:112 - 1991
Page 4.25
u : Variable rduite,
avec
X : mesure individuelle ralise,
: Ecart-type de la distribution.
Notons tout de suite que l'application de la mthode ncessite de connatre l'carttype de la population. Nous avons dtaill les mthodes permettant d'estimer l'cart-type
de la population au paragraphe 3.1.
Pour une suite de valeurs individuelles, nous formons la suite des sommes
cumules suivantes
S H = Max 0, ( u i k ) + S H
i
i 1
S L i = Max 0, ( u i k ) + SL i1
Page 4.26
N
1
2
3
4
5
6
7
8
FIR CUSUM
SH/2,5
SL/2,5
4,24
0,00
4,61
0,00
0,00
7,59*
2,5,
2,50
1,13
2,87
0,00
3,24
2,11
0,13
0,74
0,50
On note dans ce tableau que dans ce cas de figure la procdure FIR CUSUM
aurait confirm le dcentrage l'issue de la troisime mesure (h>5). Elle n'a pas permis
une dtection plus rapide que la carte de contrle "petites sries" traditionnelle. La
procdure CUSUM aurait dtect le drglage en prenant h = 4 dans les mmes
conditions.
Lorsqu'un rglage a t effectu, on r-initialise les sommes 0 pour la procdure
CUSUM et 2,5 pour la procdure FIR CUSUM. Les 5 dernires mesures qui n'avaient
pas donn lieu un recentrage avec la carte de contrle "petites sries" obtiennent une
confirmation avec la procdure CUSUM puisque aucune somme ne dpasse 5.
Page 4.27
Dcalage de la
moyenne (.)
POM pour
CUSUM
POM pour
FIR CUSUM
0,25 0,50 0,75 1,00 1,50 2,00 2,50 3,00 4,00 5,00
465
139 38,0 17,0 10,4 5,75 4,01 3,11 2,57 2,01 1,69
430
122 28,7 11,2 6,35 3,37 2,36 1,86 1,54 1,16 1,02
E ( n ) = np (1 p )
n 1
n =1
= p n (1 p ) n 1
n =1
(1 p)
n =1
n 1
1
p
1
n2
p ( n 1)(1 p ) = = p n (1 p ) n 1
p
n =1
n =1
La valeur moyenne espre pour n (POM) est 1/P, o p est la probabilit associe
un sous-groupe. Dans le cas d'une carte Shewhart, nous connaissons la probabilit
associe un sous groupe, nous sommes donc capables de calculer POM pour les
diffrents cas de figure sur la taille des chantillons.
Nous avons tabli en figure 4.11 un tableau comparatif pour un dcalage de la
population de diffrents cart-types de la population totale.
Page 4.28
taille sous-groupe
Dcalage = 1
Dcalage = 1,5
Dcalage = 2
Dcalage = 2,5
1
43,5
14,9
6,3
3,2
2
17,5
5,3
2,3
1,4
3
9,8
2,9
1,5
1,1
4
6,3
2,0
1,2
1,0
5
4,5
1,6
1,1
1,0
Page 4.29
LSC X = Cible + A 4 .
LIC X = Cible A 4 .
LSCR = D6 .
LICR = D5 .
1
3.9
-3.9
2
2.76
-2.76
1.47
4.80
3
2.25
-2.25
2.20
5.67
4
1.95
-1.95
2.68
6.10
5
1.74
-1.74
3.02
6.38
6
1,59
-1,59
3,29
6,60
7
1,47
-1,47
3,51
6,76
8
1,38
-1,38
3,70
6,90
Page 4.30
Valeur mesure
Moyennes
Etendues
u
SH
2,5
SL
2,5
0
0
1
0,5
1
0,77
0,43
0,65
-1
0
2
-0,77
0
0,77
2
0,5
3
1,54
0,89
0
2
0,8
3
1,54
1,78
0
4
1,33
5
3,07
4,2
0
2
1,42
5
1,54
5,09*
0
-1
1,125
5
-0,77
3,82
0,12
0
1,85
1,85
4
3
2
1
0
-1
-2
-3
-4
6
5
4
3
2
1
0
Page 4.31
Si nous faisons l'hypothse que le la loi de distribution des rglages est gale la
loi de distribution de la population totale, le rglage raliser serait gal la valeur de
la moyenne lors de la septime mesure, soit un rglage de 1,42. Ce qui est excellent
compte tenu du dcentrage connu de 1,3.
Valeur mesure
Moyennes
Etendues
u
SH
2,5
SL
2,5
3
3
2
2,5
1
1,54
5,05*
0
1
2
2
0,77
5,17
0
3
2,25
2
2,31
6,83
0
0
1,8
3
0
6,18
0
2,31
4,16
0
4
3
2
1
0
-1
-2
-3
-4
6
5
4
3
2
1
0
2 x2, 5
= 1, 66
3
Page 4.32
Valeur mesure
Moyennes
Etendues
u
SH
2,5
SL
2,5
3
3
3
3
0
2,31
5,82*
0
2
2,66
1
1,54
6,71
0
5
3,25
2
3,84
9,9
0
1
2,8
4
0,77
10,02
0
2,31
4,16
0
4
3
2
1
0
-1
-2
-3
-4
6
5
4
3
2
1
0
La dtection a lieu dans les deux cas sur la seconde pice. Le rglage optimal doit
tre gal au 2/3 de la moyenne soit de 2 pour un dcentrage connu de 2,6. Ce qui est trs
correct.
Page 4.33
Valeur mesure
Moyennes
Etendues
u
SH
2,5
SL
2,5
4
4
2
3
2
1,54
5,81*
0
5
3,66
3
3,84
9
0
3,07
4,92
0
4
3
2
1
0
-1
-2
-3
-4
6
5
4
3
2
1
0
Page 4.34
Rglage = Ecart.
c2
= 3, 43
1 + c2
Page 4.35
Longueur
Dimension
Longueur aprs trempe
Longueur avant trempe
25x20
34.4238
34.35
25x25
43.29
43.20
32x20
34.406
34.34
40x20
54.8084
54.70
40x40
70.275
70.15
50x50
87.042
86.89
Page 4.36
qui se transforme en carte de Shewhart. En effet, elle assure un rglage initial le plus
rapide possible par la procdure petites sries et permet de suivre la srie de pices par
la carte shewhart.
La capabilit tait trs mauvaise avec un Cp de 0,55 et un Cpk de 0,5. Ce qui
correspond prs de 11% de pices hors tolrances.
Le dmarrage de l'application a eu lieu en mars 1993.
Page 4.37
Page 4.38
Page 4.39
Bibliographie
Bibliographie
[Afi 90]
AFIM/AFNOR
Actes de confrences - Journes AMDEC Lyon 1990 - 1990
[Afn 83]
[Afn 92]
AFNOR
Recueil de normes Franaises - Statistiques tome 1 & 2
Afnor ditions - 1992
[Api 92]
APICS Dictionary
7 th Edition - 1992
[Asi 87]
[Ben 91]
[Bis 86]
A. F. Bissell
The performance of control chart and Cusum under linear trend
Applied statistics 33(2) - 318:335 - 1986
[Bot 92]
D. R. Bothe
Integrating SPC with just in time
Confrence mondiale de l'APICS - Montral - 1992
Page B.1
Bibliographie
[Box 78]
[Bra 89]
[Cno 88]
[Dob 68]
[Dra 81]
[Far 92]
Nicholas R. Farnum
Control Charts for Short Runs : Non constant Process and Measurement
Error
Journal of Quality technology - Vol 24 - No 3 - 138:144 - July 1992
[For 82]
Ford
Statistical Process Control -Instruction Guide
Ford Motor Company 1982
[For 91]
Ford
Procdure Qualit SPC Q1
Ford Motor Company - Avril 1991
[Fos 88]
Kevin Foster
Implementing SPC in low volume manufacturing
ASQC Quality Congress - Dallas - 1988
[Fos 91]
Foster G. K.
Implementing SPC in low volume manufacturing
Statistical Process Control in Manufacturing - Dekker - 7:23 - 1991
[Gal 92]
P.M. Galloy
Confrence PROGECTION
Annecy - 1992
[Gra 52]
E.L. Grant
Statistical Quality Control
Mc. G. Hill - 1952 - p3
Page B.2
Bibliographie
[Hil 69]
F. S. Hiller
X and R-chart Control Limits based on a small number of subgroups
Journal of quality technologie - 17:26 - January 1969
[Hil 89]
Terry Hill
Manufacturing Strategy - Text and Cases
IRWIN - 1989
[His 86]
Hishikawa
Confrence CSP Hishikawa - PARIS - 1986
[Iso 87]
[Iso 92]
[Joh 77]
N. L. Johnson - F. C. Leone
Statistics and experimental Design in engineering and the physical
Sciences
Volumes I, 2nd ed - Wiley - 1977
[Koo 91]
G. F. Koons - J. J. Luner
SPC : Use in low volume manufacturing envirnment
Statistical Process Control in manufacturing - Quality and reliability ASQC Quality Press - 1991
[Leg 91]
Philippe Legrand
QFD GARRETT S. A. - Qualit et comptitivit 1991-1992 - 85:97 FIEV - 1991
[Lill 91]
[Luc 73]
[Luca82]
[Lucb82]
J. M. Lucas - R. B. Croisier
Fast initial response for CUSUM quality control schemes : Give your
CUSUM a head start.
Technoometrics 24(3) - 1982 - 199:215 - August
Page B.3
Bibliographie
[Mon 90]
Douglas C. Montgomery
Introduction to Statistical Quality Control - Second edition
ASQC Quality Press - 675 pages - 1990
[Nja 81] -
[Pal 91]
Alain Palsky
La matrise des procds continus
La maitrise Statistique des processus ou SPC - Recueil de confrence
CETIM 20/11/91 - 101:112 - 1991
[Peu 88]
Peugeot
Normes Q54 4000 - Automobiles Peugeot - Citon - Avril 88
[Pil 89]
[Pila90]
Maurice Pillet
"Approche par modlisation de la maitrise statistique des procds"
Sminaire interne Laboratoire de Logiciel pour la Productique
Janvier 1990 - 20 pages
[Pilb90]
Maurice Pillet
Le SPC
Revue Science et technologie n 31 - 31:38 - 1990
[Pilc90]
Maurice Pillet
Fonctionnalits d'un logiciel SPC et critres de choix
Actes de confrence Journes GIIPRA - 25/09/1990 - 4 pages - 1990
[Pild90]
Maurice Pillet
Le SPC, Trait d'union entre l'atelier et le service Qualit
Revue Mesures 17 dcembre 1990 - 42:45
[Pila91]
Maurice Pillet
Les pices des mesures de capabilit
Journe des CPIM de France Actes de confrences - Paris - 1991
[Pilb91]
Maurice Pillet
Les mesures de capabilit
Revue Contrle industriel & Qualit n171- 58:64 - Nov 1991
Page B.4
Bibliographie
[Pilc91]
Maurice PILLET
Pratique du SPC dans le cas des petites sries
La maitrise Statistique des processus ou SPC - Recueil de confrence
CETIM 20/11/91 - 87:100 - 1991
[Pila92]
Maurice Pillet
Introduction aux plans d'expriences par la mthode TAGUCHI
Ouvrage 224p - Ed organisation - 1992
[Pilb92]
Maurice Pillet
Application du SPC aux petites sries
Revue contrle industriel et qualit - n174 - Avril 92 - 58:61 - 1992
[Pilc92]
Maurice Pillet
Le SPC dans un contexte de petites sries
Actes de confrences 2me journe des CPIM de France
Les outils du changement - 23/009/1992 - 97:103 -1992
[Pila93]
Maurice PILLET
Les mesures de capabilit
Technologie et Formation n45 - 23:29 - Janvier 1993
[Pilb93]
Maurice Pillet
Cotation statistique et SPC
Journes de la cotation - Universit de Savoie - Annecy - Avril 1993 - 11
p
[Pilc93]
Maurice Pillet
Le SPC et les petites sries
Technologie et Formation n 46 - Mars 93 - 29:32 - 1993
[Pild93]
Maurice Pillet
Plans d'expriences - Prsentation gnrale de la mthode
Technologie et formation n47 - Mai 1993
[Por 91]
[Por 92]
[Pro 60]
Page B.5
Bibliographie
[Pyz 92]
Tomas Pyzdek
Pyzdek's guide to SPC
Vol I & II ASQC Quality Press - 1992
[Pys 93]
Thomas Pysdek
Process control for short and small runs
Quality progress - 51:60 - April 1993
[Rya 89]
Thomas P. Ryan
Statistical methods for quality improvement
John Wiley & sons - 1989
[She 31]
Shewhart
Economic Control of Quality of Manufactured Product
Van Nostrand Co. Inc Princeton. - 1931
[Shi 92]
M. Schimmerling
La matrise des informations complexes
Premires assises de la qualit - Paris 1992
[Sog 91]
SOGEDAC
Procedure AMDEC - 1991
[Sog 92]
SOGEDAC
Questionnaire Audit SOGEDAC - 1992
[Sou 82]
Pierre Souvay
Cotation d'tude et de fabrication, Calcul d'erreur
Techniques industrielles n 133 - 1982 - 41 Pages
[Sou 91]
Pierre Souvay
La statistique, outil de la qualit - 3me tirage
Afnor Gestion - 283 pages - 1991
[Sto 91]
Gregg D. Stocker
Quality function deployment : Listening to the voice of the Customer
APICS conference proceeding 1991 - 258:262 - 1991
[Tag 87]
Genichi Taguchi
System of experimental Design
Vol I & II - Kraus - 1987
[Tag 89]
Page B.6
Bibliographie
[Tor 65]
J. Torrens-Ibern
Les mthodes statistiques de controle dans les processus industriels
continus
Revue de statistique applique - 1965 - Vol XIII N 1 p 65:93
[Vig 88]
Michel G. Vigier
Pratique des plans d'expriences
Ouvrage 188 p - Les ditions d'organisation - 1988
[Vig 92]
Michel G. Vigier
La pratique du Q.F.D.
Ouvrage - Ed d'organisation - 1992
[Wad 86]
[Zai 90]
A. Zaidi
QFD Une introduction
Ouvrage - Lavoisier - 1990
Page B.7