Thesepillet PDF

Sommaire
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
LLP - Edition : 26/03/2004
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. Qualit et dmarche Qualit.....................................................................................

1.1 les diffrentes approches de la qualit..........................................................
1.2 Dmarche Qualit .........................................................................................
1.2.1. Stratgie Qualit..............................................................................
1.2.2. Systme Qualit ..............................................................................
1.2.3. Mthodes Qualit ............................................................................
1.2.4. Outils qualit ...................................................................................
1.2.5. Les normes ISO 9000 et la dmarche Qualit.................................
1.1
1.2
1.5
1.5
1.5
1.6
1.6
1.6
2. L'volution des mthodes de la qualit .................................................................... 1.8

2.1. Premire volution, recherche de la qualit ds la conception.................... 1.8
2.1.1. Le contrle de rception.................................................................. 1.8
2.1.2. L'auto-contrle ................................................................................ 1.10
2.1.3. La qualit ds la conception............................................................ 1.11
2.1.4. La qualit ds le marketing ............................................................. 1.11
2.2. Deuxime volution, plus de modlisation.................................................. 1.12
3. Classification des mthodes et des outils................................................................. 1.13
3.1. Le QFD - Quality Function Deployment .................................................... 1.14
3.1.1 Prsentation de la mthode............................................................... 1.14
3.1.2 Principe de base de la dmarche QFD ............................................. 1.15
3.2. Les plans d'expriences ............................................................................... 1.17
3.3. L'AMDEC Analyse des Modes de dfaillances de leurs effets et
de leurs Criticit.................................................................................................. 1.18
3.4. Loutil statistique......................................................................................... 1.20
3.4.1. Son importance dans la dmarche Qualit ...................................... 1.20
3.4.2. La MSP ou SPC .............................................................................. 1.21
3.5. La cohrence des diffrents outils ............................................................... 1.21
4. Conclusion du chapitre............................................................................................. 1.22
LLP - Edition : 26/03/2004
Sommaire 2
Sommaire
Chapitre 2
Les principes de base de la MSP et leurs limites ..................
2.1
1. Le pilotage par cartes de contrle ............................................................................ 2.2

1.1. Introduction ................................................................................................. 2.2
1.2. La carte de Shewhart [She 31]..................................................................... 2.3
1.3. Les autres cartes bases sur la moyenne...................................................... 2.7
1.4. L'amlioration de l'efficacit par les cartes CUSUM .................................. 2.8
1.4.1 Cartes CUSUM de LUCAS ............................................................. 2.9
Cartes CUSUM ................................................................................ 2.9
Cartes FIR CUSUM......................................................................... 2.11
Combinaison Shewhart/CUSUM..................................................... 2.12
1.4.2 Les cartes CUSUM avec masque en V ............................................ 2.13
2. le concept de capabilit ............................................................................................ 2.15
2.1. Cas des critres symtriques........................................................................ 2.15
2.1.1. Rappels lmentaires....................................................................... 2.15
2.1.2. Les indicateurs de capabilit court terme et long terme.................. 2.15
Les indicateurs Cp et Cpk................................................................ 2.16
Les indicateurs Pp et Ppk................................................................. 2.17
Les indicateurs Cm et Cmk.............................................................. 2.17
Synthse des diffrents indicateurs.................................................. 2.18
2.1.3. La difficult d'estimer la capabilit machine .................................. 2.19
Cas des productions rapides............................................................. 2.19
Cas des productions lentes............................................................... 2.19
2.1.4. Les diffrentes approches pour le calcul de la dispersion............... 2.20
2.1.5. Calcul des capabilit partir des cartes de contrle ....................... 2.21
Estimation de lcart-type instantan .............................................. 2.21
Estimation de lcart-type global..................................................... 2.22
2.1.6 Les problmes du calcul des capabilits partir des cartes ............. 2.22
Le calcul partir des valeurs individuelles ..................................... 2.22
Calcul lorsqu'on ne connat pas les valeurs
individuelles..................................................................................... 2.23
2.2. Le concept de capabilit - cas des critres de forme et de position............. 2.25
2.2.1. le problme des critres de forme ................................................... 2.25
2.2.2. Dtermination de la fonction de rpartition .................................... 2.27
2.2.3. Dtermination de la loi normale sous-jacente................................. 2.28
2.2.4. Dtermination de la dispersion........................................................ 2.29
2.4. Calcul de la capabilit machine ................................................................... 2.30
3. Critique des indicateurs de capabilit ...................................................................... 2.31
3.1. Les limites de l'indicateur Cpk .................................................................... 2.31
LLP - Edition : 26/03/2004
Sommaire 3
Sommaire
3.2. Notion de fonction perte .............................................................................. 2.32

3.3. Comparaison de deux situations Cpk =1,33 dans un assemblage ............... 2.34
4. Notre proposition damlioration............................................................................. 2.37
4.1. Dfinition du Rendement de Rglage Rr..................................................... 2.37
4.1.1 Prsentation du rendement Rr .......................................................... 2.37
4.1.2. Condition de capabilit sur le rendement Rr................................... 2.37
Situation de rfrence ...................................................................... 2.38
Situation quelconque ....................................................................... 2.38
4.1.3 Cas des tolrances uni limites .......................................................... 2.41
4.2 Intrt de notre coefficient Rr dans le cas d'une cotation statistique............ 2.41
4.2.1 Rappel sur la cotation statistique .................................................... 2.41
4.2.2. Les inconvnients d'un non-respect du coefficient Rr .................... 2.43
4.2.3. Application l'exemple du respect de Rr........................................ 2.45
4.2.4. Conclusion de cette tude................................................................ 2.45
4.3. L'indicateur de matrise des procds Rm ................................................... 2.46
4.3.1. Dfinition de l'indicateur Rm .......................................................... 2.46
4.3.2. Interprtation de l'indicateur Rm..................................................... 2.47
4.4. Interprtation des chutes de capabilit partir des indicateurs Rr
et Rm................................................................................................................... 2.47
4.4.1. La chute des capabilits .................................................................. 2.47
4.4.2. Le tableau des capabilits et son interprtation .............................. 2.48
5. Conclusion de ce chapitre ........................................................................................ 2.50
Les limites de l'utilisation de la MSP ................................................................. 2.50
LLP - Edition : 26/03/2004
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
4. La mthode traditionnelle de pilotage...................................................................... 3.8

4.1. Exemples dans le cas d'une srie de 10 pices ............................................ 3.8
4.2. Critique de la mthode................................................................................. 3.10
4.3. Condition de russite de la MSP dans le cas des petites sries ................... 3.10
5. Utiliser le principe de l'chantillonnage................................................................... 3.12
6. Retrouver un effet de srie ....................................................................................... 3.15
7. Modifier les cartes de contrle................................................................................. 3.17
7.1. Cas 1 : les tendues sont constantes pour l'ensemble des lots..................... 3.18
7.2. Cas 2 : les tendues ne sont pas constantes d'un lot l'autre....................... 3.18
8. Etudier le procd .................................................................................................... 3.22
8.1. Collecte des donnes ................................................................................... 3.22
8.2. Recherche des causes spciales de variation ............................................... 3.23
8.3. Etude des causes communes de dispersion.................................................. 3.26
8.4. Etude de la capabilit du procd ................................................................ 3.26
9. Surveiller les caractristiques du procd................................................................ 3.28
9.1. La recherche d'un modle ............................................................................ 3.28
9.2. Identification d'une partie de A par les plans d'expriences........................ 3.29
9.3. Identification par rgression multiple.......................................................... 3.30
9.3. Caractristiques de la matrice [M]............................................................... 3.31
LLP - Edition : 26/03/2004
Sommaire 5
Sommaire
9.3.1. Matrice idale.................................................................................. 3.31

9.3.2. Surveiller le procd ....................................................................... 3.31
9.3.3. Surveiller la pice........................................................................... 3.32
10. Evaluation des mthodes en fonction de la typologie des petites sries................ 3.33
10.1 Adaptation des mthodes aux diffrents cas............................................... 3.33
10.1.1. C1 - Aide au rglage ds les premires pices.............................. 3.34
10.1.2. C2 - l'aide au rglage sur chantillon ............................................ 3.34
10.1.3. C3 - Le suivi et l'amlioration des capabilits .............................. 3.35
10.1.4. C4 - Le cot de mise en oeuvre..................................................... 3.35
10.1.5. C5 - La facilit de mise en oeuvre - Adaptation globale
Mthode/Type de production .................................................................... 3.36
10.2 Conclusion sur cette classification ............................................................. 3.36
11. Conclusion sur ce chapitre ..................................................................................... 3.37
LLP - Edition : 26/03/2004
Sommaire 6
Sommaire
Chapitre 4
La carte de contrle "petites sries" ......................................
4.1
1. Le besoin d'une nouvelle mthode ........................................................................... 4.1

2. Principe de base de la carte de contrle "petites sries" .......................................... 4.2
2.1. Prsentation de la carte ................................................................................ 4.2
2.2. Le remplissage de la carte des petites sries ............................................... 4.3
3. Le calcul des limites de contrle..............................................................................
3.1 Identification de l'cart-type de la population ..............................................
3.2. Calcul de la carte des moyennes..................................................................
3.3. Calcul de la carte des tendues ....................................................................
4.4
4.4
4.7
4.8
4. Dtermination du rglage optimal............................................................................ 4.10

4.1. Cas o le rglage doit tre ralis sur la premire pice ............................. 4.10
4.2. Cas du rglage sur la nime pice ............................................................... 4.14
4.3 Rgle pratique de rglage ............................................................................. 4.14
4.3.1. dtermination de la rgle................................................................. 4.14
4.3.2. Dtermination d'une grille de rglage ............................................. 4.15
5. Efficacit de la carte de contrle "petites sries"..................................................... 4.16
6. Capabilit partir des cartes "petites sries" ........................................................... 4.20
6.1. Capabilit court terme ................................................................................. 4.20
6.2. Capabilit long terme................................................................................... 4.21
7. Autres utilisations de la carte de contrle "petites sries" ....................................... 4.22
8. Carte de contrle "petites sries" avec procdure CUSUM..................................... 4.23
8.1. L'intrt d'introduire une procdure CUSUM ............................................. 4.23
8.2. Le principe de la mthode ........................................................................... 4.23
8.3. Efficacit de la procdure CUSUM............................................................. 4.25
9. La carte "petites sries" - Application sur diffrents cas de figure.......................... 4.28
9.1 Dtermination de la carte.............................................................................. 4.28
9.2. Test n 1 - simulateur centr sur 1,3 soit 1 s ............................................... 4.29
9.3. Test n 2 - simulateur centr sur 2 soit 1,5 s ............................................... 4.30
9.4. Test n 3 - simulateur centr sur 2,6 soit 2 s ............................................... 4.31
9.5. Test n 4 - simulateur centr sur 4 soit 3 s .................................................. 4.32
9.6. Remarque sur la carte des tendues............................................................. 4.33
LLP - Edition : 26/03/2004
Sommaire 7
Sommaire
10. Application un cas industriel............................................................................... 4.34

10.1. Les conditions de dpart ............................................................................ 4.34
10.2. Mise en oeuvre des cartes.......................................................................... 4.35
10.3. Exemple de pilotage .................................................................................. 4.35
10.4. Les rsultats ............................................................................................... 4.36
11. Conclusion sur ce chapitre ..................................................................................... 4.37
Conclusion gnrale .................................................................................. C.1
LLP - Edition : 26/03/2004
Sommaire 8
Remerciements
Le travail prsent dans ce mmoire a t ralis au Laboratoire de Logiciels pour la

Productique d'Annecy (LLP) dirig par Alain HAURAT. Je tiens lui adresser mes
sincres remerciements pour les prcieux conseils qu'il m'a donn au cours de ce travail.
Je remercie galement Alain COURTOIS Professeur l'Universit de Savoie pour sa
collaboration et la qualit des relations qu'il a cres au cours des six annes de travail
en commun.
Je remercie vivement Monsieur Alain BARREAU, Professeur l'Universit de Nantes,
d'avoir accept de rapporter sur ce travail et de participer au jury. Sa notorit dans le
domaine de la Qualit m'honore de sa prsence.
Je suis trs reconnaissant M. Michel VERON Professeur l'Universit de Nancy
d'avoir accept d'tre rapporteur de ce travail. Ses comptences largement reconnues
dans le domaine de la productique m'apportent une caution scientifique.
Je remercie galement M. Claude FOULARD, Professeur l'ENSIEG, de me faire
l'honneur de participer au Jury.
C'est avec plaisir que je profite de cette occasion pour remercier Alain JUTARD
Professeur l'INSA de Lyon de m'avoir initi la recherche dans son laboratoire au
cours du DEA. Sa participation au jury m'apporte une grande satisfaction.
Je remercie chaleureusement M. Alain PALSKY Responsable MSP de Rhone Poulenc
d'avoir accept d'tre membre de ce Jury. Ses comptences dans le domaine de la MSP
forcent mon admiration. Je le remercie pour les prcieux renseignements qu'il m'a
apports au cours de ce travail tant par ses publications que par nos contacts
tlphoniques. Je lui suis trs reconnaissant pour la disponibilit qu'il m'a accorde.
Je remercie galement les entreprises qui m'ont permis de mettre en oeuvre et de tester
les mthodes prsentes dans ce mmoire. Que les entreprises et le personnel de la
CPOAC et de TRANSROL soient assures de ma gratitude.
Que les membres du LLP, l'quipe du dpartement Organisation et Gestion de la
Production et les nombreux stagiaires soient remercis de leurs prcieuses contributions
ce travail. Enfin, je tiens remercier Mme RAFFORT Responsable de la Bibliothque
de l'IUT d'Annecy, pour le remarquable travail qu'elle a effectu lors de mes recherches
bibliographiques.
Introduction
Introduction
Le cadre de notre tude

Dans le domaine de la productique, un des objectifs de la recherche est de trouver
des mthodes formelles d'analyse et de modlisation des procds industriels afin de
faciliter leurs pilotages. C'est dans cet axe que s'inscrivent les outils de la matrise
statistique des procds. Les travaux raliss jusqu' ce jour ont surtout concern les
productions importantes de grandes et moyennes sries pour les procds discontinus et
continus. Peu de travaux ont concerns le cas des petites sries. Notre premier travail a
t de faire l'analyse des mthodes existantes, et de dlimiter leur cadre d'application.
Cette tude permet de faire ressortir les efforts de recherche ncessaires pour couvrir
l'ensemble des typologies de production des petites sries.
Nous insistons dans le cadre de ce travail, sur la vision que nous portons sur
l'interprtation des indicateurs de capabilit, par rapport l'interprtation
traditionnellement ralise. Aprs avoir tabli les limites de l'interprtation
traditionnelle, notamment dans le cas des cotations statistiques, nous proposerons deux
indicateurs de rendement Rr (Rendement de rglage), et Rm (Rendement de matrise).
Ces rendements permettent de faciliter l'interprtation des indicateurs de capabilit, et
ainsi, de prendre les mesures qui s'imposent pour amliorer la qualit.
Cependant, l'objectif principal des travaux prsents dans cette thse est d'largir
le champ d'application des mthodes de la matrise statistique des procds aux cas des
toutes petites sries (moins de 10 produits) et aux cas o le nombre de mesure est limit
(cas des dmarrages de sries par exemple).
Pour permettre cet largissement, nous prsentons une nouvelle carte de contrle,
la carte de contrle "petites sries". Parfaitement adapte ce type de production, cette
carte permet de formaliser les dcisions de rglage, les mthodes de pilotage et le suivi
des capabilits dans le cas des toutes petites sries.
LLP - Edition : 26/03/2004
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.
LLP - Edition : 26/03/2004
Page I.2
Chapitre 1 - Les outils statistiques dans l'approche qualit totale
Chapitre 1
Mthodes et outils dans
l'approche Qualit Totale
1. Qualit et dmarche Qualit

Au cours de ces dernires annes, les entreprises industrielles ont t confrontes
une concurrence de plus en plus froce. L'internationalisation de la comptition, la
diminution de la demande due la crise et la course au dveloppement, ont pouss les
entreprises rechercher des atouts leur permettant de gagner la partie. La recherche de
la qualit est alors devenue un point cl de la comptitivit des entreprises. Cette
recherche ne date pas d'aujourd'hui. En effet, la qualit a toujours t un objectif
important depuis que l'homme fabrique des objets. Cependant, le nouveau contexte de
concurrence mondiale ranime cette qute de la qualit en demandant plus de formalisme
dans son approche.
Cette recherche a t un des axes fondamentaux de la progression des entreprises
ces dix dernires annes. Les progrs raliss couvrent l'ensemble des domaines, depuis
l'organisation de l'entreprise jusqu'au pilotage des procds, en passant par de nouvelles
relations entre les clients et les fournisseurs. Chaque secteur de l'entreprise est concern
et il est devenu impossible pour une entreprise d'assurer la qualit de ses produits ou de
LLP - Edition : 11/06/93
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.
1.1 les diffrentes approches de la qualit

Le terme "Qualit" regroupe de nombreux aspects et de nombreuses approches
selon le point de vue o l'on se place. Pour mieux cerner ces diffrentes approches, il est
intressant d'analyser les diffrentes dfinitions qui ont t donnes pour dfinir la
qualit.
Les normes ISO [Iso 92] dfinissent la qualit de la manire suivante :
"Aptitude d'une entit (service ou produit) satisfaire les besoins exprims
ou potentiels des utilisateurs".
La qualit ainsi dfinie est, selon C. Braesch [Bra 89], "principalement lie la
satisfaction des besoins d'un utilisateur, elle se constate au moment de l'usage du
produit ou du service."
Comparons la dfinition ISO celle de la norme Japonaise [Nja 81]
"Un ensemble de moyen pour produire de manire conomique des produits
et des services qui satisfassent les exigences des clients".
L'analyse de ces dfinitions nous conduit noter trois diffrences entre les deux
dfinitions. Ces trois diffrences nous semblent traduire un cart d'tat d'esprit que nous
avons pu noter lors de notre visite d'tude au Japon entre l'approche occidentale et
l'approche orientale.
1. On parle de moyen de production et non de produits.
2. On trouve le mot conomique qui n'apparat pas dans la dfinition ISO.
3. On parle d'exigences et non de besoins.
Ces trois lments nous semblent essentiels dans une dmarche de qualit totale.
Le premier point nous montre que dans la dmarche industrielle japonaise, ce n'est pas
le produit qui compte, mais l'ensemble des moyens mis en oeuvre pour aboutir un
produit de qualit. Les moyens sont trs divers et couvrent l'ensemble de la vie du
[Iso 92] - AFNOR - ISO - DIS 8402-1992
[Bra 89] - Approche de la modlisation du systme de production d'une entreprise manufacturire - C.
Braesch - Thse 1989 - Universit de Franche Comte
[Nja 81] - Norme Japonaise 78101 - 1981
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)
[Api 92] - APICS Dictionary - 7 th Edition - 1992
Page 1.3
"Conformit au besoin ou Aptitude l'emploi. La qualit peut tre dfinie

travers cinq approches principales :
(1) Une qualit transcende est un idal, une condition de l'excellence
(2) L'approche "produit" de la qualit est fonde sur les attributs du produit
(3) L'approche "utilisateur" de la qualit est l'aptitude l'emploi
(4) L'approche "production" de la qualit est la conformit au besoin
(5) L'approche "valeur" de la qualit est le degr d'excellence pour un prix
acceptable
Aussi, la qualit deux composantes majeures :
(1) qualit de conformit - Cette qualit est dfinie par l'absence de dfauts
(2) qualit de conception - Cette qualit est mesure par le degr de satisfaction du
client par les caractristiques et les aspects du produit."
Cette dfinition a le mrite de recouvrir la plupart des approches de la notion de la
Qualit en fonction des diffrents points de vue. La Qualit totale tant la dmarche qui
permet de satisfaire l'ensemble des diffrents points de vue.
Un point commun parmi toutes ces approches reste l'importance donne la
qualit comme critre qualifiant pour un produit. Terry Hill [Hil 89], dans son approche
d'une stratgie de production pour les industriels, pense que "dans la plupart des cas la
qualit est un critre qualifiant en terme de stratgie de production, son impact sur les
parts de march est plus fondamental que probablement aucun autre facteur". Terry Hill
distingue d'ailleurs les critres qualifiants des critres gagnants. Un critre qualifiant est
un critre que doit avoir ncessairement un produit pour tre prsent sur le march. Un
critre gagnant est un critre qui permet un produit de devancer ses concurrents. On
peut remarquer au cours de ces dernires annes un glissement de la qualit qui tait un
critre gagnant pour la plupart des produits et qui devient de plus en plus un critre
qualifiant. Il n'est plus pensable aujourd'hui de mettre sur le march un produit qui ne
serait pas de qualit.
[Hil 89] - Manufacturing Strategy - Text and Cases - Terry Hill - IRWIN - 1989
Page 1.4
1.2 Dmarche Qualit

Le champ de la qualit est aujourd'hui si large qu'il est difficile d'en saisir la
porte. Aussi, pour clarifier les lments d'une dmarche qualit dans l'entreprise, nous
retiendrons la synthse propose par M. P.M. Galloy [Gal 92] qui propose une
hirarchie entre les diffrentes approches (figure 1.1).
Stratgie
Syst
me
Mth
odes
Outils
Figure 1.1 - Hirarchie dans la dmarche Qualit
1.2.1. Stratgie qualit

La stratgie qualit exprime la volont de la direction de l'entreprise de progresser
vers l'excellence industrielle. Cette stratgie ne doit pas s'exprimer par une simple
dclaration d'intention mais aussi par une volont clairement exprime lors des choix
dcisifs en matire de personnel, de matriel, ou de formation. Il n'existe pas de bataille
gagne sans stratgie dfinie et clairement comprise par l'ensemble des troupes.
1.2.2. Systme qualit

Le systme qualit permet l'organisation, et la cohsion des diffrentes actions
"qualit" dans l'entreprise. Le systme qualit reprsente la charpente qui permet de
supporter les actions qualit. Sans un systme qualit rigoureux et solidement implant,
les mthodes et les outils qualit ne sont que feux de paille. Ils dpendent directement
des hommes qui les ont mis en place, et disparaissent aussitt que ces outils ne sont plus
la priorit de ceux-ci. Le systme qualit est relativement complexe mettre en oeuvre.
Les concepts sont essentiellement thoriques et il faut pouvoir, aux travers de
procdures, rendre plus concret une organisation et un savoir-faire.
[Gal 92] - Confrence PROGECTION - P.M. Galloy - Annecy - 1992
Page 1.5
1.2.3. Mthodes qualit

Les mthodes qualit tablissent un cadre formel autour des actions qualit. Nous
trouverons par exemple les mthodes statistiques d'analyse de donnes ou les mthodes
de gestion des moyens de mesure. Les comptences en matire de qualit sont
principalement au niveau des mthodes qualit. Trop souvent les comptences sont
apportes au niveau des outils alors que la mise en oeuvre d'une dmarche de qualit
totale ncessite une parfaite matrise des mthodes qualit.
1.2.4. Outils qualit

Soutiennent et facilitent la mise en oeuvre des mthodes. Nous trouvons par
exemple les cartes de contrle qui permettent de mettre en oeuvre de faon simple les
mthodes statistiques d'analyse de donnes. Nous trouvons galement les outils
informatiques de Gestion des Moyens de Mesures (GMM) qui permettent de mettre en
oeuvre les mthodes de GMM. La mise en place des outils de la qualit est bien entendu
indispensable pour assurer la qualit totale dans une entreprise. Mais, nous avons not
dans notre pyramide que ces outils interviennent en derniers alors que trs souvent,
certains industriels commettent l'erreur de mettre en place les outils avant de dfinir une
stratgie.
1.2.5. Les normes ISO 9000 et la dmarche Qualit

L'ensemble de la normalisation ISO 9000 [Iso 87] s'inscrit parfaitement dans cette
dmarche, et vise crer le systme qualit dans l'entreprise. Les normes ISO 9000
couvrent principalement les aspects stratgie et systme, mais sont trs peu dveloppes
sur les aspects mthodes et outils. En effet, si nous considrons la norme ISO 9001 qui
est la plus complte dans les rapports contractuels entre un client et un fournisseur, nous
trouvons seulement 3 chapitres sur les 20 chapitres de la norme qui sont spcifiques aux
mthodes et outils. Ces chapitres sont les chapitres 10 (Contrle et Essais), 11 (Matrise
des quipements de contrle, de Mesure et d'essai) et chapitre 20 (Techniques
statistiques).
La norme ISO 9000 n'est pas trs tendue sur les mthodes et les outils. Mais ce
n'est pas son objectif. Il s'agit de crer un systme qualit permettant d'assurer que tout
est mis en oeuvre pour crer et fabriquer des produits ou des services de qualit. Ce
n'est pas pour autant qu'il faut ngliger de mettre en place les mthodes et les outils qui
permettront de fournir la qualit. Si cela n'est pas ralis, il est alors possible d'tre
certifi ISO 9000 sans pour autant fournir des produits de qualit.
[Iso 87] - Normes ISO 9000/DIS 9000-2/9000-3/9001/9002/9003/9004/9004-2
Page 1.6
La dmarche de certification des industries de l'automobile comme la SOGEDAC

[Sog 92] est, par contre, plus centre sur les mthodes et les outils de la qualit qui
permettent d'obtenir des produits et des services conformes aux exigences des clients.
Aussi, les grands donneurs d'ordres tels que les constructeurs automobiles semblent
dsormais s'orienter dans leurs audits vers la mise en place des mthodes et des outils.
Ils font de plus en plus confiance la certification ISO 9000 pour les strates "Stratgie"
et "Systme" de la pyramide.
Trop d'entreprises commencent leur dmarche qualit par les strates infrieures de
la pyramide en achetant par exemple un logiciel d'assistance la qualit. Il est facile de
raliser cette erreur. En effet, les bnfices de l'achat d'un logiciel semblent tre
immdiats ds la mise en oeuvre de celui-ci alors que la constitution d'un systme
qualit semble tre une dmarche fastidieuse dont les bnfices ne sont que lointains.
Le prsent travail porte essentiellement sur les strates mthodes et outils de la
qualit. Cependant, nous garderons en permanence l'esprit que ces strates ne peuvent
donner leur pleine puissance que dans le cadre d'une dmarche qualit totale impulse
par la direction et s'appuyant sur un systme qualit.
[Sog 92] - Questionnaire Audit SOGEDAC - 1992
Page 1.7
2. L'volution des mthodes de la qualit

Si nous analysons l'volution des mthodes qualit depuis la dernire guerre, nous
constatons deux volutions :
la premire est le stade de la vie du produit concern,
la deuxime est une volution vers un accroissement du besoin de modlisation.
Ces volutions traduisent un passage du stade artisanal au stade industriel. En

effet, ce qui diffrencie le plus une production industrielle d'une production artisanale,
c'est le formalisme dans sa production. Ces volutions se sont donc accompagnes du
dveloppement de mthodes et d'outils rigoureux qui ont permis ce formalisme.
2.1. Premire volution, recherche de la qualit ds la

conception
2.1.1. Le contrle de rception
Le contrle de la qualit sest dabord intress aux produits finis puisque c'est sur
le produit fini que le client va juger la qualit. On a mis en place des contrles sur ceuxci pour viter un ventuel produit dfectueux darriver chez le client. Les mthodes
utilises vont du contrle 100% un contrle statistique par chantillonnage mais
n'assurent pas toujours 100% de pices bonnes. En effet, mme un contrle 100% ne
peut pas assurer 100% de produits conformes.
Pour s'en convaincre, il suffit de demander plusieurs interlocuteurs le nombre de
lettre f qu'ils comptent dans la phrase suivante :
"Finished Files are the result of years of scientific study combined with the
experience of many years."
Rares sont les personnes qui trouvent le bon rsultat qui est 6. Et pourtant, le
contrle est un contrle 100%.
Dans le cas des contrles par chantillonnage pour des critres attributifs, la
courbe d'efficacit du plan de contrle s'incline rapidement et vient prouver l'inefficacit
de ce type de contrle. Mme en respectant la normalisation [Afn 83] en matire de
[Afn 83] - Norme AFNOR NFX X 06-021 / X 06-022
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
Nous pouvons donc construire la courbe d'efficacit du plan prcdent. Nous

accepterons un lot contenant une proportion p de non conformes condition de trouver
0 pice dfectueuse parmi le prlvement de 50 pices. L'quation de la courbe
d'efficacit est donc
P = (1-p)50
Ce qui nous donne la courbe :
Probabilit d'acceptation
1
0,8
0,6
0,4
0,2
% de dfaut
0
1
Figure 1.2 - Courbe d'efficacit du plan de contrle
L'exemple prcdent illustre la faible efficacit du contrle par chantillonnage

simple dans le cas des critres qualitatifs. En effet, malgr un critre d'acceptation
svre (A= 0) et un prlvement important (50 produits) la probabilit d'accepter un lot
comportant 2% de produits dfectueux reste encore de 36 %.
Page 1.9
Le contrle de rception ne peut donc pas assurer la qualit des productions, il

peut tout au plus viter les catastrophes. De plus, d'un point de vue conomique, le
contrle de rception n'est pas trs rentable. Il n'apporte aucune valeur ajoute au
produit, c'est donc du gaspillage dans un environnement de Juste-A-Temps.
Il est ncessaire de mettre en oeuvre des techniques de pilotage des procds qui
permettent de supprimer ces contrles posteriori. Il faut dcaler cette recherche de la
qualit vers l'auto-contrle qui reprsente un contrle moindre cot.
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
Dans de nombreuses entreprises, l'auto-contrle a port principalement sur la

responsabilisation des oprateurs vis--vis de la qualit de sa production. Mais cela n'est
pas suffisant, et l'accent doit tre mis galement sur tous les autres moyens ncessaires.
La responsabilisation des oprateurs ne peut tre effective que si le management a mis
en place l'environnement ncessaire. Cela demande gnralement du temps, une forte
volont, et des moyens financiers d'o la responsabilit du management.
2.1.3. La qualit ds la conception

Poursuivant leffort vers la qualit totale, il est apparu que le meilleur moment
pour tablir la qualit tait la conception du produit, voire la dfinition des
spcifications. La notion de qualit allait donc voluer en faisant apparatre des notions
nouvelles telles que la notion de robustesse dveloppe par TAGUCHI [Tag 87] . Il
nest pas suffisant de dvelopper un produit parfait dans des conditions de laboratoire. Il
faut quil fonctionne galement dans une atmosphre bruite, perturbe qui sera son lot
quotidien. La qualit la conception stablit principalement lorsquon dfinit les
paramtres du produit (cotes, jeux, tension, valeur dune rsistance) et les tolrances
quon admet sur ces valeurs. Trop souvent cette phase fondamentale du travail est sousestime dans les conceptions traditionnelles. Et pourtant, cest prcisment cette phase
qui dtermine le niveau de qualit du produit.
Pour aborder cette phase dans les meilleures conditions, il faut au concepteur un
outil lui permettant de mesurer limportance de chacun des paramtres. Ces paramtres
sont gnralement nombreux et difficilement modlisables par les lois classiques de la
physique ou de la mcanique. Le concepteur a donc besoin dune mthode
exprimentale, peu coteuse en expriences, qui lui permettra rapidement de mesurer
linfluence de chacun des paramtres, et ainsi de les fixer aux valeurs les plus
favorables. Les plans dexpriences vont fournir une mthode sans quivalent pour
aider le concepteur dans cette phase fondamentale.
2.1.4. La qualit ds le marketing

Plus on recherche la qualit, et plus cette recherche doit tre proche du client. Ces
dernires annes, nous avons vu apparatre de nouveaux outils qui permettent
d'introduire les exigences du client ds la dfinition des spcifications. Les japonais ont
pris l'habitude de transformer l'criture du mot Marketing pour l'crire "Market-in" [His
86] qui ne devient plus l'tude du march, mais l'art de faire rentrer le march dans
[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.
2.2. Deuxime volution, plus de modlisation

Trop souvent le technicien se satisfait de notions floues de type tout-ou-rien ou
dapprciations verbales non-chiffres. Cest vrai en production o le concept de
capabilit se rsume souvent une impression. Cest galement vrai en conception o la
connaissance des phnomnes est lie lexprience non-crite des spcialistes.
De plus en plus, lindustriel soucieux de qualit ne peut se satisfaire de ces
approximations. Il recherche des rponses chiffres indpendantes et objectives. Il lui
faut donc MESURER pour MODELISER.
Pour cela, deux approches sont couramment ralises. La premire consiste
mettre en place des indicateurs de performance qui permettent dvaluer de manire
formelle une situation. Cest cette approche qui est suivie pour lvaluation des
capabilits avec lutilisation dindicateurs tels que le Cpk bien connu en Matrise
Statistique des Procds [For 82] . Une autre approche consiste modliser le
comportement des procds ou des produits afin de mieux prvoir leurs performances.
Cette modlisation part de l'observation des faits, et par une reprsentation statistique
base sur un traitement des donnes. Les outils tels que les rgressions multiples ou les
plans d'expriences permettent de rechercher une reprsentation plus ou moins fine du
comportement du systme tudi.
L'approche globale d'un systme qualit tel que le conoit M. Taguchi [Tag 89]
rsume en fait ces volutions. En diffrenciant les approches de la qualit sur le
processus de production (On line) et en dehors du processus de production (Off line),
Taguchi formalise cette recherche de plus de mesures par une modlisation des
systmes de production par la mthode des plans d'expriences. Son approche de la
conception qui consiste tablir de faon formelle les paramtres des produits, et leurs
tolrances (Parameter design & Tolerance design) afin de concevoir des produits
robustes, va bien dans le sens de la recherche de la qualit au plus tt.
[Vig 92] - Michel G. Vigier - La pratique du Q.F.D. - Ed d'organisation - 1992

[For 82] - Ford - Statistical Process Control - Instruction Guide - Ford Motor Company - 1982
[Tag 89] - Taguchi G. - Elsayed A. - Hsiang T. - Quality engineering in production systems - Mc graw
hill - 1989
Page 1.12
3. Classification des mthodes et des

outils
En fonction des deux volutions que nous avons prsents, la recherche de la
qualit au plus tt et la recherche de plus de modlisation dans le traitement et l'analyse
des situations, nous pouvons tablir une classification des principaux outils de la
qualit. Nous avons plac sur l'axe des abscisses le stade auquel on applique l'outil. En
ordonn, nous avons plac l'importance des donnes quantifies pour la mise en place
de l'outil.
Importance
de la modlisation
Q.F.D.
Beaucoup
Plans d'expriences & rgressions multiples

SPC
Industrie performante
AMDEC Produits - Procds
peu
Stade de
l'application
Artisanat
Production
Conception
Marketing
Figure 1.3 - Classification des principaux outils
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
de production industriel ne se fait qu' partir de la mise en place de mthodes et d'outils

permettant la formalisation.
3.1. Le QFD - Quality Function Deployment [Sto 91][Zai

90]
3.1.1 Prsentation de la mthode

Parmi les outils que nous prsenterons, le QFD est le plus rcent. Son application
est encore embryonnaire dans les entreprises franaises. Nous pensons que son
application ne pourra se dmultiplier que si nous ralisons l'effort de simplification et
d'lagage dans la conduite de la mthode identique celui qui a t fait en AMDEC ces
dernires annes. Contrairement aux autres mthodes de la Matrise des Procds qui
ont souvent t inventes aux Etats Unis, et dveloppes au Japon, cette mthode a t
invente chez Mitsubishi au Japon dans les annes 60. QFD signifie Quality Function
Deployment ce que l'on traduit gnralement par Dploiement de la Fonction Qualit.
Son objectif se trouve dans sa dfinition :
"Le QFD est une mthode permettant de traduire de faon approprie les attentes
du consommateur en spcifications internes l'entreprise, et ceci tout au long du
dveloppement d'un produit, c'est--dire :
- dans les phases de recherche et de dveloppement
- dans les phases d'tudes, de mthodes et de ralisation
- dans les phases commerciales et de distribution"
Dans le contexte actuel de vive comptitivit, il devient essentiel de ne pas
disperser nos efforts et de s'intresser l'essentiel, les besoins des clients. Ce qui est le
plus important n'est pas ce qui nous (les concepteurs, les fabricants) apparait important,
mais ce qui apparait important au client. Les concepteurs, et plus encore les fabricants,
sont souvent loigns physiquement des clients. Il est indispensable d'utiliser une
mthode qui permette de leur transmettre la "voie du client" dans leur langage avec le
moins de dformation possible. De plus, il est important ds lors que nous nous
focalisons sur l'essentiel pour le client, de comparer les performances de notre
entreprise avec les concurrents.
La mthode QFD nous permettra de raliser ces deux tapes primordiales pour
devenir plus comptitif. Le QFD est une mthode prventive qui permettra d'viter de
coteuses actions correctives. Les principaux avantages que les utilisateurs de la
mthode voquent le plus frquemment sont :
moins de modifications aprs la mise sur le march du produit,
diminution des cots de garantie,
[Sto 91] - Gregg D. Stocker - Quality function deployment : Listening to the voice of the Customer APICS conference proceeding 1991 - 258:262 - 1991
[Zai 90] - A. Zaidi - QFD Une introduction - Lavoisier - 1990
Page 1.14
augmentation de la satisfaction du client,

amlioration de la communication entre services,
diminution du dlai de dveloppement.
3.1.2 Principe de base de la dmarche QFD

L'objectif du QFD est de faire entrer dans l'entreprise, d'une faon formelle les
attentes des clients. Pour atteindre cet objectif, le QFD va traduire en diffrentes tapes
ces attentes jusqu'aux spcifications de production. Ainsi, nous pouvons schmatiser la
dmarche QFD par le schma 1.4.
Attentes du client
Exemple : Le client dsire un caf chaud et bien serr
Comment
Spcifications du produit
Taux de cafine
La temprature comprise entre 70C et 80C
Comment
Caractristiques des pices

Caf Arabica
Comment
Oprations de fabrication
Machine caf pression
Comment
Spcifications de production
Pression de 10 bars
Serrage de 1/4 de tours
Figure 1.4. - La dmarche Q.F.D.
Les attentes du client sont souvent imprcises et exprimes d'une manire

qualitative (caf chaud, bien serr). Il est donc ncessaire de traduire ces attentes en
spcifications prcises, si possible exprimes d'une manire quantitative (temprature
comprise entre 70 et 80C). C'est la premire phase du dploiement de la fonction
qualit qui se ralise lors de la ralisation du cahier des charges fonctionnel.
Pour obtenir ces spcifications, il est ncessaire de donner aux pices un certain
nombre de caractristiques, c'est le rle du bureau d'tude. Dans cette tape, les attentes
des clients seront traduites en caractristiques.
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.
Corrlation fortement positive

Corrlation positive
Corrlation ngative
Corrlation fortement ngative
Comment
Quoi
1
5
3
3
2
4
1
3
27
13
63 36 10
12
Combien
Figure 1.5. - La maison de la qualit
La dclinaison des QUOI en COMMENT se ralise grce un tableau (figure

1.5.) habituellement appel "Maison de la Qualit" en raison de sa forme qui permet
principalement:
de montrer les corrlations entre les QUOI et les COMMENT
d'valuer les QUOI et les COMMENT par rapport la concurrence
de grer les corrlations entre les COMMENT
de fixer des objectifs de cots en fonction de l'importance du COMMENT
Chaque passage d'un QUOI un COMMENT, c'est--dire chaque tape de la

dmarche du QFD donne lieu la ralisation d'une matrice "Maison de la Qualit"
Cette mthode, sans doute cause de sa lourdeur, n'est pas trs employe dans nos
entreprises dans sa totalit. Cependant, l'intrt de la prsentation de la matrice
QUOI/COMMENT a suscit dj de nombreuses applications locales sur un seul
dploiement et apporte de nombreux rsultats [Leg 92]
[Leg 92] - Philippe Legrand - QFD GARRETT S. A. - Qualit et comptitivit 1991-1992 - 85:97 FIEV - 1992
Page 1.16
3.2. Les plans d'expriences

78][Pila92]
[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
Figure 1.6 - Rsultats graphiques d'un plan d'expriences
3.3. L'AMDEC Analyse des Modes de Dfaillance de

leurs Effets et de leur Criticit [Afi 90]
L'AMDEC est une mthode d'Analyse des Modes de Dfaillance, de leurs Effets
et de leur Criticit. Cette mthode est quelquefois prsente sous le vocable anglais
FMECA: Failure Mode, Effect and Criticality Analysis.
L'AMDEC est une mthode qui permet d'obtenir la qualit par une action
prventive plutt que curative. L'origine de cette mthode remonte aux annes 1950 aux
Etats-Unis. Cependant, la vritable mise en application en France un niveau important
n'a dbut que dans les annes 80. Ce sont principalement les constructeurs automobiles
qui ont permis le dveloppement de cette technique en France [Sog 91] en raison de
leur puissance d'achat auprs des sous-traitants et par leurs exigences en matire de
qualit.
Comme il est ncessaire de valider chaque tape de la vie d'un produit, il y a donc
plusieurs AMDEC. Nous citerons les plus frquemment rencontres.
AMDEC Produit Projet qui permet de verrouiller la conception des produits
lorsqu'ils sont encore au stade de la conception.
[Afi 90] - AFIM/AFNOR - Actes de confrences - Journes AMDEC Lyon 1990 - 1990
[Sog 91] - SOGEDAC - Procedure AMDEC - 1991
Page 1.18
AMDEC Produit Process qui permet de valider la gamme de contrle d'un

produit afin qu'ils satisfassent les caractristiques BE.
AMDEC Moyen ou Machine qui se focalise sur un moyen de production afin de
diminuer le nombre de rebuts, le taux de panne et augmenter la capabilit.
L'AMDEC Produit-process par exemple consiste rechercher dans une gamme de

fabrication l'ensemble des situations qui peuvent produire des produits dfectueux.
Aprs avoir identifi les causes, on tablira une classification partir d'une notation
(indice de criticit) pour chaque cas de dfaillance imagin.
Aprs avoir men une analyse fonctionnelle dtaille, le groupe de travail fait un
brainstorming afin d'tablir pour chaque fonction l'ensemble des "modes de
dfaillance" (non-respect des critres) qui peuvent survenir.
Chaque mode de dfaillance est ensuite dclin en :
- Effet : quelle est la consquence pour le client? une simple gne, un cot, une
panne...
- Causes : l'existence d'un mode peut tre produit par plusieurs causes, et chaque
cause par plusieurs sous-causes... Il faut identifier l'arbre de dfaillance jusqu' la cause
sur laquelle l'entreprise doit agir.
- Dtection : c'est l'aptitude de l'entreprise ne pas livrer une cause de dfaillance
lorsque celle-ci existe. C'est--dire ne pas livrer un mode potentiel travers les
contrles, les mesures, les calculs, mais aussi par les procdures et la formation des
hommes.
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
Le produit de ces trois critres F x G x D donne le Niveau de Priorit de Risque

(NPR ou IPR) qui permet de hirarchiser les causes.
L'ensemble des dfaillances dont l'indice NPR sera important seront traits par
une action corrective. L'objectif tant de ramener l'ensemble des indices NPR audessous d'un niveau donn dans le cahier des charges.
Cotation
F (Frquence)
G (Gravit)
D (Dtection)
Jamais
100%
Possible
Sans
consquence
Mcontentement
Non optimal
15
Souvent
Trs mcontent
Panne critique
Inexistante
incertaine
Figure 1.7. Grille de dfaillance
3.4. Loutil statistique

3.4.1. Son importance dans la dmarche Qualit
M. Schimmerling [Shi 92] situe les statistiques comme tant un outil qui permet
de "quantifier, de prvoir, d'expliquer les phnomnes obscurs, sources de non-qualit
dans les produits ou les processus matriser." L'outil statistique est donc l'outil idal
pour russir une dmarche qualit.
L'industrie japonaise utilise de faon intensive les outils statistiques depuis plus
d'une trentaine d'anne. C'est sous l'impulsion du Dr. W. Edwards Deming, consultant
amricain au Japon qu'ils ont connu puis appliqu les mthodes statistiques en
production. En Europe, malgr a et l quelques applications remarquables, on a peu
utilis les outils statistiques dans nos ateliers de fabrication jusqu'au dbut des annes
80. Ce n'est qu' partir de 1984 que l'industrie Franaise a pris conscience des bnfices
importants qu'elle pourrait raliser en matire de qualit en utilisant les outils
statistiques. Grce la pression importante des donneurs d'ordres de l'automobile,
l'ensemble du tissu industriel s'est pench sur les outils statistiques de base. Nous
commenons aujourd'hui constater l'amlioration importante dans la qualit des
produits qui est la consquence de l'utilisation gnrale de ces outils.
[Shi 92] - M. Schimmerling - La matrise des informations complexes - Premires assises de la qualit Paris 1992
Page 1.20
3.4.2. La MSP ou SPC

SPC signifie "Statistical Process Control" qui se traduit mot--mot "Matrise
Statistique des Procds" (MSP). L'introduction des mthodes de matrise statistique des
procds a t ralise aux Etats-Unis ds le dbut du sicle. Cependant il a fallu
attendre les annes soixante-dix pour que ces mthodes soient utilises de faon
intensive dans les entreprises occidentales.
Plusieurs dfinitions ont t donnes propos de la MSP. Ces diffrentes
situations refltent bien les diffrences entre les auteurs sur le champ d'application de la
MSP.
La Western electric donne la dfinition suivante "Avec l'aide de nombres ou de
donnes, nous tudions les caractristiques de notre procd afin qu'il se comporte tel
que nous le voulons". On note que cette dfinition est trs large. L'accent est mis sur le
procd, pas sur la mthode utilise.
On a pris l'habitude de regrouper sous le vocable MSP, l'ensemble des outils
graphiques et statistiques d'analyse et de pilotage d'une production. On retrouve les 7
outils de base [Mon 90] avec :
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.
3.5. La cohrence des diffrents outils
[Mon 90] Douglas C. Montgomery - Introduction to Statistical Process Control - second edition - 674 p ASQC Quality Press - 1991
Page 1.21
La figure 1.5 fait apparatre la cohrence dans le dveloppement d'un produit et

des processus de production associs. Sur cette figure, nous avons relev les principales
tapes de la vie d'un produit, et nous avons dtermin l'utilisation de chacun des outils
en fonction de son intrt pour la phase concerne. Chaque fois que l'outil est utile, nous
avons gris le cadre. Nous avons galement tabli une hirarchie dans l'intrt de l'outil
en graduant l'importance de 1 3. L'ensemble des outils ont une plage d'application bien
dtermine, et couvre ainsi l'ensemble du processus de cration et de fabrication d'un
produit. On note que l'utilisation majeure de la MSP qui suscite le travail que nous
avons ralis a lieu en production. Il vient en complment des autres outils, et ne
trouvera donc sa pleine puissance que si les autres plages de la vie du produit ont t
couvertes correctement.
Phases
de dveloppement
Dfinition du produit
Dfinition des caractristiques
Validation du produit
PLAN
D'EXPERIENCE
S
Dfinition des spcifications
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
Nous avons galement prsent les principaux outils et mthodes de la matrise

des procds afin de faire apparatre la cohrence de l'ensemble. C'est par l'application
simultane de l'ensemble de ces outils et mthodes que les industriels performants
arrivent placer rapidement sur le march des produits comptitifs.
Aussi, bien que le travail prsent dans cette thse se focalise sur la mthode
MSP, nous garderons l'esprit que cette mthode n'est qu'un maillon de la longue
chane de la qualit.
Page 1.23
Chapitre 2 - Les principes de base du SPC et leurs limites
Chapitre 2
Les principes de base
de la MSP et leurs limites
L'application de la MSP repose sur deux concepts de base qui sont :

le suivi et le pilotage par "cartes de contrle",
la mesure des capabilits.
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
1. Le pilotage par cartes de contrle

1.1. Introduction
Le pilotage d'un procd consiste rpondre aux deux questions suivantes :
1. faut-il intervenir sur le procd?
2. si oui, quelle est l'importance de la correction apporter?
La premire question trouvera une rponse si nous savons diffrencier les
variations qui mritent une correction, de l'ensemble des variations alatoires qui ne
peuvent tre corriges. E.L. Grant [Gra 52] crivait: "La mesure de la qualit d'un
produit manufactur est toujours entache d'une certaine variabilit imputable au
hasard. Toute organisation de production et de contrle incorpore un certain systme,
stable, de sources d'indtermination. Un certain degr de variabilit l'intrieur de ce
cadre est invitable. On ne peut se proposer que de rechercher les causes de variation
qui sortent de ce cadre pour ensuite les corriger...".
Nous devons donc dissocier deux types de causes : les causes communes et les
causes spciales (figure 2.1).
Dispersion
Causes
communes
Causes
Spciales
Figure 2.1 - Causes communes et causes spciales

Les causes communes reprsentent la variabilit imputable au hasard. Si les
causes communes sont indpendantes les unes des autres et d'un ordre de grandeur
quivalent, le thorme central limite nous permet de prvoir que la fonction de
rpartition des pices suivra une loi normale.
Les causes spciales reprsentent les causes de variabilit importantes qu'il faut
corriger.
[Gra 52] - E.L. Grant - Statistical Quality Control - Mc. G. Hill - 1952 - p3
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.
1.2. La carte de Shewhart [She 31]

Le principe de la carte de contrle de Shewhart qui reste largement utilise
repose sur une reprsentation graphique du test de comparaison de moyenne par rapport
une valeur thorique dans le cas dune rpartition normale.
Rappel du test de comparaison d'une moyenne une valeur thorique
Etant donn un chantillon de taille n1, dont les valeurs observes ont pour
moyenne m1. Peut-il tre considr comme reprsentatif de la population totale de
moyenne M et dcart type ?
Figure 2.2 - Distance entre M et m1

Dans le cas de la carte de contrle de Shewhart, nous considrons que l'cart-type
de la population totale est connu.
Nous voulons vrifier que lchantillon appartient la population thorique.
Comme est connu, les lois de l'chantillonnage nous disent que m1 doit tre compris
.
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
Calcul de lcart u0 - variable rduite discriminante

u0 =
m1 M
n
Dtermination de u limite (ul)

ul est dtermin pour un seuil de confiance donn partir de la table de la loi
normale pour le risque .
Conclusion sur l'appartenance
Si u0 > u1, nous refusons l'hypothse d'appartenance
Si u0 < u1, nous ne pouvons pas refuser l'hypothse d'appartenance
Condition dapplication
Le test prcdent de comparaison des moyennes n'est valable que dans le cas o
l'hypothse connu et constant peut tre valide. Pour vrifier cette hypothse, il faut
faire un test de comparaison de la variance de l'chantillon par rapport la variance de
la population totale.
Rappel du test de comparaison d'un cart-type une valeur thorique
Soit
si : n-1 de lchantillon i
: Ecart-type de la population totale
On montre que les variables indpendantes

s
V = ( n 1) 2 sont distribues suivant une loi du 2
Figure 2.3 - Loi du
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
En fonction du risque , on dtermine les limites 2( / 2) et 2(1 / 2) dappartenance

la population dcart-type
Lhypothse dappartenance sera donc accepte si :
2( 2) < ( n 1)
s2i
< (21 2)
2
Il faut donc que si soit compris dans l'intervalle :
(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
Figure 2.4 - Carte de contrle de Shewhart
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 )
Le principe de la carte de contrle ( X / s) est souvent difficile mettre en oeuvre

dans les ateliers de production du fait de la difficult de calcul de l'cart-type. On lui
prfre souvent la carte ( X / R ) o le test de comparaison des variances n'est pas ralis
partir de l'cart-type estim de l'chantillon mais partir de l'tendue.
L'tendue R (Range) est dfinie comme tant l'cart entre la valeur maxi et mini.
R = Sup(xi) - Inf(xi) = xn - x1
croissant.
si les valeurs sont ranges dans l'ordre
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
La fonction W a t tabule et a pour caractristique :

Moyenne ( R / ) = d 2
Ecart type ( R / ) = d 3
On peut en dduire partir de l'tendue moyenne R et de Wmoyen qui est plus

gnralement note d2. On a la relation :
=
R
d
2
d2 tant donn dans le tableau ci-aprs en fonction de la taille de l'chantillon:

n
d2
d3
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
Les limites de contrle 3 sont donc :
Page 2.7
R 3 R = R 3. d 3 . $
$ peut-tre estim partir de R , les limites deviennent donc :

R 3( d 3 d 2 ) R
que l'on prfre gnralement crire sous la forme

D3. R < R < D4 R
avec D3 = 1 - 3.(d3/d2) et D4 = 1 + 3(d3/d2)
1.3. Les autres cartes bases sur la moyenne

De nombreuses cartes ont t proposes pour sadapter aux diffrentes situations.
C'est le cas par exemple des cartes de contrle des mdianes, des cartes de contrle aux
limites modifies, etc.. Nous ne dtaillerons pas dans ce travail la panoplie existante,
nous citerons juste le travail de Leslie J. Porter et Porland Caulcutt [Por 92] qui propose
une autre alternative pour le calcul des limites de contrle lorsque la variabilit de la
moyenne des chantillons est forte par rapport la variabilit lintrieur de
lchantillon. L'approche propose rcemment nous semble largir le champ
d'application traditionnel des cartes de contrle. Les auteurs affirment que la
considration de la seule variabilit inter-chantillon conduit sur contrler le
procd si la variabilit entre chantillon est distribue de faon alatoire. La procdure
de calcul dans le cas dune carte X/R est la suivante :
1 - mettre en vidence la distribution de rfrence des moyennes des chantillons
partir de lhistorique des donnes desquelles on aura limin les valeurs dues aux
causes spciales.
R
2 - calculer lcart-type intra-chantillon par la loi de ltendue rduite $ 0 =
d2
3 - calculer la variance inter-chantillon en calculant lcart-type de la rpartition

des moyennes $ e .
[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
4 - faire la vrification de lhomognit des variances n.e et 0 par le test de

Snedecor en comparant le rapport n$ 2e / $ 20 avec la valeur critique prise dans la loi de F
pour k-1 degr de libert au numrateur et k(n-1) degr de libert au dnominateur.
5 - si le test confirme lhomognit des variances et que la distribution est
compatible avec la distribution de rfrence, on peut calculer de faon classique les
cartes partir de $ 0 / n ou $ e .
Sinon, il faut tester si les variations entre chantillons suivent des fluctuations
alatoires. Pour cela, on calcule
k 1
1
$ 2d =
( x j x j+1 )
2( k 1)
j =1
Le test consiste comparer le rapport $ 2d / $ 2e aux valeurs critiques 1 2 ( k + 2) .
Si le rapport est lintrieur de ces limites, et si lon ne peut dtecter de sries sur la
carte des moyennes et des tendues, nous pouvons conclure que la variance interchantillon est de faon prdominante alatoire.
6 - si le test indique que la variance inter-chantillons est principalement
systmatique, il y a prsence de causes spciales quil faut identifier et liminer pour
recommencer les tapes 2-5.
7 - si le test indique une variance inter-chantillons $ e principalement alatoire,
et prdominante par rapport la variance intra-chantillons, il est alors possible de
calculer les limites de contrle partir de la variance inter-chantillons par les relations
:
Limites de contrle = X 3$ e
Cette mthode est principalement recommande dans les situations o la
dispersion instantane est faible mais o les variations de consignes sont importantes et
alatoires. Dans ce cas, on suppose que le procd est sous contrle tant que les
variations de consignes restent alatoires et conformes l'historique.
1.4. L'amlioration de l'efficacit par les cartes

CUSUM
L'efficacit dans la dtection d'un dcentrage des cartes de contrle bases sur la
moyenne d'un sous-groupe peut tre largement amliore en utilisant une autre carte de
contrle : les cartes CUSUM (Cumulative Sum) ou EWMA (Exponentially Weighted
Moving Averages)
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.
1.4.1 Cartes CUSUM de LUCAS

Carte CUSUM
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:
Que l'on peut crire
u = xx
x
x = x + u x
Notons que dans la carte de contrle traditionnelle, on considre un procd hors

contrle lorsque u > 3.
[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
La premire somme sert dtecter un dcalage du ct positif de la moyenne, la

seconde du ct ngatif.
La valeur k est souvent choisie comme tant la moiti du dcalage de la moyenne
que l'on souhaite dtecter. k est gnralement fix 0,5 pour dtecter un dcentrage de
un cart-type.
Notons que les deux sommes sont toujours positives et ne peuvent jamais tre
ngatives car on prend le maximum entre 0 et la valeur calcule. Les deux sommes sont
initialises 0 en dbut de procdure, et chaque fois qu'un procd hors contrle est
dtect.
Un signal "hors-contrle" est dtect chaque fois qu'une des deux sommes excde
une valeur limite, not h par l'auteur de la mthode. h est choisi entre 4 et 5 en fonction
de l'efficacit souhaite de la carte de contrle.
La figure 2.6 montre une srie de moyennes de sous-groupe. On suppose l'carttype des moyennes x = 0, 5
N
X
u
SH
SL
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
Figure 2.6 - Carte CUSUM
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
Figure 2.7 - Carte de contrle de Shewhart
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
Lucas [Lucb82] propose d'amliorer la rponse des cartes CUSUM en initialisant

les sommes par une valeur h/2 plutt que d'initialiser 0. Dans le cas d'un drglage
rapide, on aurait alors avec h=5 :
Initialisation
n=1
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
Figure 2.8 - Carte FIR CUSUM
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
Il reste un cas o la carte CUSUM ne dtecterait pas un dcentrage alors que la

carte Shewhart le dtecterait. C'est le cas d'un brusque drglage de la moyenne du ct
ngatif alors que la tendance tait plutt du ct positif. Pour illustrer ce phnomne,
reprenons le cas de la figure 2.8 et imaginons que la 15me valeur est gale -1,8.
N
X
u
SH
SL
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
Figure 2.9 - Les limites de la carte FIR CUSUM
Dans ce cas, u tant suprieur 3, la carte de contrle de Shewhart aurait dtect

le dcentrage, mais pas la carte FIR CUSUM. En fait la carte Shewhart est trs
performante pour dtecter les variations importantes sur la moyenne, alors que les cartes
CUSUM sont plus rapides pour dtecter les tendances. Lucas [Luca82] propose
d'associer les deux cartes en une seule carte qui serait la combinaison des cartes
Shewhart et des cartes CUSUM. Dans ce cas, la dtection d'un dcentrage peut provenir
non seulement d'une des deux sommes SH ou SL mais lorsque u dpasse 3. Ainsi, on
associe l'efficacit des cartes CUSUM pour les tendances l'efficacit des cartes de
Shewhart pour les variations rapides.
Page 2.13
h=5
H
0
h=5
L
0
1
10 11
12
13
14
15
16
17 18 19
20
Figure 2.10 - Reprsentation graphique d'une carte CUSUM

Dans tous les cas prcdents, il est possible de reprsenter les sommes sur une
carte de contrle CUSUM limites horizontales. La figure 2.10 donne la reprsentation
de la carte CUSUM de notre exemple. Nous avons choisi de reprsenter deux cartes
diffrentes pour SH et SL, mais certains auteurs tels que Dobben de Bruyn [Dob 68]
prfrent rassembler les deux sommes sur la mme carte.
1.4.2 Les cartes CUSUM avec masque en V

La construction des cartes CUSUM avec masque en V a suscit de nombreux
travaux [Joh 77], [Bis 86], [Wad 86]. Le principe de la carte de contrle CUSUM avec
masque en V est assez simple, il consiste reprsenter sur un graphique les sommes
cumules des carts par rapport la valeur cible. Pour savoir si le procd est sous
contrle ou hors contrle, on plaque un masque en V (Figure 2.11) sur le graphique.
La figure 2.11 reprend l'exemple que nous avons trait avec la carte de Lucas mais
trait avec le masque en V. La ligne brise reprsente la somme cumule des moyennes
de chaque chantillon. Chaque fois que l'on dessine un point, on plaque le masque sur le
point que l'on vient de tracer. Si l'ensemble des points rentre dans le masque (exemple
masque plac sur le point 10), le procd est sous contrle, sinon (exemple masque
plac sur le point 20) le procd est hors contrle.
[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
Figure 2.11 - Principe des cartes CUSUM avec masque en V

Le calcul du masque en V se ralise en fonction du dcentrage que l'on veut
dtecter.
L'utilisation de ce type de cartes nous paraissant dlicate dans un atelier de

production, nous avons choisi de ne pas retenir cette procdure pour notre travail dans
le cas des petites sries. Par contre, la procdure de Lucas, et plus particulirement la
procdure FIR CUSUM, sera tudie en dtail pour son application dans le cas des
toutes petites sries au chapitre 4
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].
2.1.2. Les indicateurs de capabilit court terme et long terme

[For 82] [Ford 91]
Lorsque nous observons le film dune production, cest--dire lobservation de
toutes les pices produites par le moyen de production sur une semaine par exemple,
nous obtenons un graphique du type de la figure 2.12.
Il est ncessaire de dissocier deux types de dispersion:
une dispersion instantane, cest--dire observe sur le procd pendant un trs

court instant que nous noterons Di (Court terme). En rgle gnrale, cette dispersion
est impute principalement au moyen de production.
[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
une dispersion globale, cest--dire observe sur le procd pendant un temps

suffisant pour que les 5 M du procd (Machine, Main doeuvre, Milieu, Matire,
Mthodes) aient eu une influence. Nous la noterons Dg (Long terme). Cette
dispersion a donc comme origine le moyen de production plus les variations
imputables au milieu, la matire...
Cote
TS
M
TI
Variation de consigne
IT
Temps
Figure 2.12- Graphique dvolution
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
Avec les notations suivantes:

TS : Limite suprieure de la tolrance
TI : Limite infrieure de la tolrance
M : Moyenne observe sur le procd
Dg : Dispersion globale du procd
Un procd est dclar capable si la dispersion globale est plus faible que
l'intervalle de tolrance. Il faut que l'indicateur Cp soit suprieur 1. Les constructeurs
retiennent en gnral comme limite infrieur 1,33 pour le rapport.
L'indicateur Cp ne tient pas compte du dcentrage ventuel de la population. Il est
donc possible lorsque la population est dcentre d'avoir un excellent Cp et des pices
hors tolrances. Le Cpk corrige cet aspect puisqu'il tient compte du dcentrage. C'est
principalement le Cpk qui traduit la qualit des pices produites.
En fait, on a toujours Cp > Cpk, et la condition de capabilit d'un procd est :
Condition de capabilit Cpk > 1,33
Les indicateurs Pp et Ppk
Ford a introduit ces nouveaux indicateurs en Avril 91 en France. Pp signifie

Preliminary Process. Ces indicateurs ont pour objectif de dterminer lors d'un
dmarrage de srie les capabilits Cp et Cpk probables.
La capabilit prliminaire est en fait une premire estimation de la capabilit du
procd sur une prsrie. Le prlvement ncessaire pour tablir une capabilit
prliminaire est constitu de plusieurs chantillons de petite taille, prlevs avec une
frquence leve (tous les 1/4 heure par exemple), au cours de la production d'une
prsrie sur un temps suffisamment long pour estimer la dispersion globale (4 heures
par exemple).
Les formules de calcul pour les indicateurs Pp et Ppk sont strictement identiques
aux formules de calcul Cp et Cpk. La condition de capabilit est ncessairement plus
restrictive que pour le Cpk et on a :
Condition de capabilit Ppk >1,67
Les indicateurs Cm et Cmk
Page 2.18
Cm signifie Capabilit Machine. Ces indicateurs traduisent la capabilit optimale

ralisable sur une machine. C'est la capabilit que nous aurions si nous tions capables
de supprimer les variations de consigne. Ces indicateurs sont calculs avec les mmes
formules que les indicateurs Cp et Cpk, mais nous utilisons, dans ce cas, la dispersion
instantane plutt que la dispersion globale. La condition de capabilit est gnralement
fixe dans les procdures 1,67, mais notre exprience nous a montr qu'il tait
prfrable de demander une capabilit machine de 2 pour tre capables, dans des
conditions de srie, de fournir un Cpk >1,33.
Synthse des diffrents indicateurs
Chaque indicateur a un intrt particulier, et la connaissance des performances

d'un systme de production implique l'valuation de l'ensemble de ces indicateurs. La
figure 2.13 rsume l'objectif de chacun des indicateurs. Les indicateurs les plus
importants sont les indicateurs Cp et Cpk car ils refltent la qualit des pices livres
chez le client.
Indicateurs
Intrt
Symbole
Capabilit long terme

Capabilit Procd
Traduit la qualit des pices livres au

client
Cp et Cpk
Capabilit prliminaire
Traduit la capacit obtenir un Cpk

satisfaisant partir d'une prsrie
Pp et Ppk
Capabilit court terme

Capabilit Machine
Traduit la capabilit intrinsque du

moyen de production dans les
conditions de la gamme
Cm et Cmk
Figure 2.13 - Les diffrents indicateurs
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
De nombreux logiciels de MSP sont ce propos fort critiquables et confondent

couramment la dispersion instantane et la dispersion globale. Nous avons alert depuis
plusieurs annes les dveloppeurs de logiciels et les entreprises utilisatrices sur les
erreurs commises lors de publications ou de congrs [Pila91] [Pilb91].
2.1.3. La difficult d'estimer la capabilit machine

L'estimation de la dispersion instantane devra tre effectue partir d'un
chantillon lui-mme fabriqu pendant un temps trs court pour tre significatif de la
dispersion instantane. S'il est facile sur une machine cadence leve (exemple : 1
pice par seconde) de produire ce type d'chantillon (il suffit d'une minute), ce n'est pas
le cas sur des machines cadence plus faible. Prenons comme exemple une machine
dont la cadence de production est d'une pice toutes les 5 minutes. Un chantillon
reprsentatif comportant 30 pices conscutives reprsenterait prs de trois heures de
production. Il est difficile de dire que la dispersion observe pendant ces trois heures est
une dispersion "instantane".
Nous dissocierons donc deux cas pour le calcul de la dispersion instantane :
le cas des productions rapides,

le cas des productions lentes.
Cas des productions rapides
Ce cas est trs simple. Il suffit de prlever un chantillon reprsentatif de la

dispersion instantane, c'est--dire au moins 30 pices et mieux 50 pices conscutives
et sans rglage. On vrifie ensuite la normalit de la population, pour vrifier l'absence
de causes spciales.
En cas de non-normalit, on cherchera les causes de cette distribution singulire.
En cas de normalit, on calculera la dispersion Di partir de lcart-type
instantan de l'chantillon : Di = 6 x i.
On utilisera pour i l'estimateur de l'cart-type, soit : n-1 = s =
(x
x) 2
n 1
Cas des productions lentes
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.
2.1.4. Les diffrentes approches pour le calcul de la dispersion

Un certain consensus sur les capabilits existe plus ou moins dans le monde sur
les indices Cp, Cpk. Il reste cependant de nombreuses divergences dans les publications
sur le calcul des dispersions.
Outre les divergences, dj signales, sur le calcul de la dispersion instantane qui
peut tre gale 6 ou 8 selon les auteurs, il existe galement des divergences sur le
calcul de l'cart-type.
En effet, en rgle gnrale, l'cart-type de la population totale est inconnu et il est
ncessaire de l'estimer partir d'un chantillon. La plupart des procdures retiennent
comme estimateur n-1 not s. En fait, ce choix conduit estimer les capabilits avec
un risque (risque fournisseur) de 50%. Ainsi lorsqu'on affiche une capabilit de 1,5,
on a 50% de chance que la capabilit relle soit en fait infrieure 1,5.
Page 2.21
La norme CNOMO [Cno 88], principalement tablie par les constructeurs

automobiles franais, et la norme PEUGEOT [Peu 88] offrent une approche diffrente
de l'estimation de l'cart-type de la population totale. Cette approche a t reprise plus
rcemment dans des publications internationales [Por 91]. Plutt que de prendre le
risque 50% en estimant par s, on prend alors l'estimateur maximum de l'cart-type
avec un risque de 5%.
On sait que le rapport ( n 1)
s2
suit une loi du .
2
On peut alors estimer par la relation = s.
( 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
On estime donc par la relation = C(n).s

L'avantage de cette estimation par rapport la prcdente est dans la confiance
que l'on peut accorder aux indices de capabilit calculs par cette mthode. En effet,
plus le nombre de donnes dans l'chantillon est faible plus la confiance que l'on doit
accorder au calcul de capabilit doit tre faible. Cette confiance rduite s'exprime par un
coefficient C(n) largement suprieur 1.
L'inconvnient de cette mthode rside dans la relative complexit des calculs
pour un public travaillant sur les sites de production o ces formules doivent tre
appliques pour la russite de la MSP.
2.1.5. Calcul des capabilits partir des cartes de contrle

Les cartes de contrle, outre les avantages considrables quelles apportent dans
la matrise des procds comme nous le verrons plus loin, permettent, partir des
donnes quelles comportent, de calculer les trois indicateurs fondamentaux de
capabilit: Cp, Cpk, et Cm. Elles consistent prlever de faon rgulire des
[Cno 88] - CNOMO - Normes CNOMO E41.92.110.N - 1988

[Peu 88] - Peugeot - Normes Q54 4000 - Automobiles Peugeot - Citon - Avril 88
[Por 91] - Leslie J. Porter - John S. Oakland - Process capability indices - An overview of theorie and
practice - Quality and reliability Engineering International - 7 pages - 437- 448 - 1991
Page 2.22
chantillons de pices conscutives sans drglage l'intrieur des chantillons pour

juger de la stabilit du procd. Les chantillons sont de taille constante.
Estimation de lcart-type instantan
La dispersion instantane traduit la dispersion intrinsque du procd, c'est--dire

en l'absence de drglage. C'est donc la dispersion intra-chantillon.
Dans le cas de petits chantillons (k chantillons de n pices), lcart-type
instantan peut tre estim partir de la moyenne des estimateurs s (n-1) de chacun
des chantillons en appliquant la formule:
s
i =
c4
_
s moyenne des s sur chaque chantillon.
Le coefficient c4 tant calcul partir de la distribution du
s2
En effet, le rapport ( n 1) 2 2
nous avons donc E ( s) =

E ( n 1 )
n 1
Ce qui est gal
( n / 2)
2
E ( s) =
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
Les coefficients c4 et d2 sont fonction de la taille des chantillons (n)

Estimation de lcart-type global
Lensemble des valeurs releves dans la carte est reprsentatif de la production

qui a t ralise pendant un temps relativement long (la dure de remplissage de la
carte). En effet, le principe mme de remplissage de la carte est de prlever, de faon
rgulire, un petit chantillon de pices. Nous pouvons donc calculer lcart-type global
partir de ces valeurs. L'cart-type global est gal l'cart-type de l'chantillon form
par l'ensemble des mesures individuelles de la carte de contrle. On prendra soin de
vrifier la normalit de la population traite.
Page 2.23
Page 2.24
2.1.6 Les problmes du calcul des capabilits partir des cartes

Le calcul partir des valeurs individuelles
Il existe de nombreuses confusions dans le calcul des capabilits partir des

cartes de contrle. Ainsi, Ford qui est un des leaders dans la promotion de la MSP en
Europe prconise[For 84] de calculer l'cart-type global partir de la formule
G = R d 2 que nous employons pour estimer l'cart-type instantan.
Cependant, il faut remarquer que FORD a bien prcis que cette formule ne peut
tre employe que lorsque la carte est parfaitement sous contrle. Ce qui est rarement le
cas. Dans ce cas bien sr, l'cart-type instantan tant gal l'cart-type global, la
formule propose par Ford est correcte. Le problme est que la plupart des utilisateurs
de la MSP utilisent cette formule mme lorsque la carte n'est pas sous contrle. Ils
obtiennent ainsi d'excellents Cpk tout en fabriquant des pices hors tolrances.
La mthode que nous avons expose est plus gnrale et permet d'estimer avec
une bonne prcision Cp mme lorsque la carte n'est pas parfaitement sous contrle.
Cependant, cette mthode a un gros inconvnient, car pour pouvoir calculer la
dispersion globale et donc les indicateurs Cp, Cpk, il faut disposer de l'ensemble des
valeurs individuelles. Dans le cas des applications informatiques centralises, la
conservation de l'ensemble des valeurs individuelles de chaque carte de contrle sur
plusieurs annes pose de gros problmes de place mmoire.
Pour viter cet inconvnient, nous avons propos [Pila93] une autre mthode de
calcul de la dispersion globale, parfaitement identique au calcul sur les valeurs
individuelles, mais qui ne ncessite pas ces dernires. Ce calcul n'est jamais propos
notre connaissance dans les publications sur la MSP, il est pourtant relativement simple
et nous l'avons dj diffus auprs de plusieurs dveloppeurs de logiciels MSP. Il
permet en effet de gagner un temps important dans les calculs. Nous dtaillons cidessous le calcul de la dispersion globale lorsque nous ne connaissons pas les valeurs
individuelles.
Calcul lorsque nous ne connaissons pas les valeurs individuelles
La variance observe sur la production livre au client (VG) est la somme de la

variance l'intrieur des chantillons (VR), que nous pouvons estimer partir de la
carte des tendues ou des cart-types, et de la variance entre les chantillons (VX) due
aux fluctuations de rglage qu'il est possible d'estimer partir de la carte des moyennes.
La variance globale est gale :
[Pila93] - Maurice PILLET - Les mesures de capabilit - Technologie et Formation - Janvier 1993
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
Dans le cas de la carte prsente en exemple, VR peut tre facilement calcule

partir de la carte des cart-types :
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
Pour estimer VX , la variance entre chantillons pour une valeur de l'chantillon,

il suffit de calculer le carr de l'cart-type de la population des moyennes de la carte de
contrle. Cette variance tant la mme pour l'ensemble des valeurs de l'chantillon, nous
trouvons pour l'ensemble de la carte :
VX = n. sX
Le nombre de degr de libert R est gal au nombre d'chantillons moins un,
soit R = k-1
Estimation de VG
Nous tirons en appliquant l'additivit des variances:
VG =
2
L4 Q
+ n ( k 1).( s ) 2
x
k ( n 1). s c
( kn 1)
D'o nous calculons l'cart-type global
Page 2.26
2
L4 Q
+ n ( k 1).( s ) 2
x
k ( n 1). s c
( kn 1)
Nous pourrions galement calculer l'cart-type global partir de l'tendue

moyenne. Cette estimation est plus imprcise que la prcdente mais donne nanmoins
de bons rsultats.
2
k ( n 1). R d
+ n ( k 1).( s ) 2
2
x
=
G
( kn 1)
LQ
Il est alors facile de calculer les indicateurs Cp et Cpk partir de G

Notation
k : nombre d'chantillon
n : nombre de valeurs par chantillon
R : moyenne des tendues
s : moyenne des cart-types
s X : cart-type de la population des moyennes
d2, d4 : coefficients qui dpendent de n
2.2. Le concept de capabilit - cas des critres de forme

et de position
2.2.1. le problme des critres de forme
Les critres de forme, comme la circularit, la planit, ou les critres de position,
comme la perpendicularit, sont par dfinition borns en zro. Ce ne sont pas des
critres symtriques. Or les techniques de calcul des capabilits que nous avons
dtailles au paragraphe 2.1. supposent que le critre soit symtrique et suive une loi de
rpartition normale. Les calculs traditionnels ne sont donc pas applicables ce type de
critre.
Aussi, bien que les critres de forme et de position reprsentent une part
importante des conditions remplir dans le cas de produits mcaniques, ils restent assez
peu tudis dans la bibliographie mondiale. Dans la plupart des procdures MSP des
entreprises, le calcul des capabilits dans le cas des tolrances de forme est calqu sur le
cas des tolrances centres. Cependant, on ne calcule pas l'indicateur Cp, inutile ici
Page 2.27
puisqu'il indique le centrage du procd par rapport l'intervalle de tolrance. En fait,

nous faisons dans ce cas, l'approximation que la fonction de rpartition des pices suit
une loi de GAUSS dans la partie suprieure de la courbe. Cette hypothse n'est pas
toujours vrifie.
La figure 2.14 illustre le cas des tolrances de forme. La loi de dfaut de forme est
exprime par la valeur absolue d'une loi normale. En effet, le principe mme de
l'valuation des dfauts de forme comme la circularit consiste prendre la valeur
absolue de l'cart entre deux valeurs x et y - le maxi et le mini. Ils sont par dfinition
toujours positifs. La loi de dfaut de forme est donc borne en 0.
Intervalle de Tolrance
Loi des dfauts de forme
TS-M
s
Loi normale
sous-jacente
m M
D = Dispersion
Figure 2.14 - Le cas des tolrances de forme
Avec
m
s
M
S
D
Moyenne de la loi normale sous-jacente

Ecart-type de la loi normale sous-jacente
Moyenne de la loi des dfauts de forme (Moyenne des mesures)
Ecart-type de la loi des dfauts de forme
Dispersion de la loi des dfauts de forme
L'identification des capabilits dans le cas de la loi de dfaut de forme revient

donc l'identification de la loi normale sous-jacente. Deux procdures ont fix les
rgles de la dtermination des capabilits dans le cas des dfauts de forme. Il s'agit des
normes CNOMO et son quivalent Peugeot [Cno 88], [Peu 88] d'une part, et de la
procdure Bendix [Ben 91] d'autre part. Nous n'avons pas trouv de publications
normatives trangres sur le sujet.
[Ben
91] - Bendix - Procdure Qualit/Fiabilit EE1 - 23:26 - 1991
Page 2.28
2.2.2. Dtermination de la fonction de rpartition

Le problme que nous devons rsoudre pour calculer la dispersion, dans le cas des
dfauts de forme, est de trouver m et s de la loi normale sous-jacente. Ces valeurs
doivent tre dtermines en fonction de M et de S (moyenne et cart-type de la loi de
dfaut de forme)
Considrons deux variables x et y supposes suivre une loi normale de mme
cart-type. La valeur absolue de (x-y) suit une loi de dfaut de forme et de position
gnre par la loi normale sous-jacente de la valeur algbrique de cet cart.
Posons z = x - y, lorsque les deux variables x et y sont indpendantes, z suit une
loi normale
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)
Lorsque les variables x et y ne sont pas indpendantes, il faut introduire dans

l'addition des variances le correcteur d la corrlation qui existe entre les deux
variables (avec r le coefficient de corrlation). La variable z suit alors une loi normale.
de moyenne m = ma - mb
d'cart-type s = 2 (1 r )
Dans ces deux cas, il s'agit d'une loi normale de la forme :

zm 2
1(
)
1
s
f ( z) =
e 2
s 2.
En fait, comme la loi de dfaut de forme est par dfinition toujours positive, il faut
rajouter au cas z > 0, le cas z < 0 (voir figure 2.15). Ce qui revient ajouter f(z) centr
sur m, f(z) centr sur -m.
On a donc finalement pour z > 0 :
/
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
En faisant le changement de variable a = 1/s, on obtient la fonction de rpartition :

( z ) =
/
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
2.2.3. Dtermination de la loi normale sous-jacente

Nous cherchons calculer la moyenne et l'cart-type de la fonction prcdente.
Pour cela, on calcule par intgration les moments d'ordre 1
moyenne =
et d'ordre 2
=
2
+
f ( z ) dz
2
J
O
fI
zN
dz
a
de la variable rduite z/s pour aboutir aux relations suivantes :
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.
2.2.4. Dtermination de la dispersion

On considre, en gnral, que la dispersion D est telle que la probabilit d'avoir
une pice d'une cote suprieure D soit de 0,3%. Ceci est quivalent au cas des cotes
centres en prenant une dispersion de 6..
D = Dispersion
D = Dispersion
D = Dispersion
Figure 2.16 - Diffrentes situations
En fonction de la forme de la courbe, le calcul de la dispersion ne sera pas

identique. On distingue trois situations:
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
Dans ce cas, il faut considrer uniquement la loi normale sous-jacente. La

dispersion est gale
D = m + u. s
avec u choisi pour 99,7% de la population en unilatral
Soit D = m + 2,75.s
2.4. Calcul de la capabilit machine

La capabilit machine est calcule dans ce cas par la relation classique :
Page 2.32
Cm =
Dispersion
3. Critique des indicateurs de capabilit

3.1. Les limites de l'indicateur Cpk
Il est aujourdhui gnralement admis que le Cpk est un critre suffisant
dacceptation des lots. Nous pensons au contraire que dans certains cas (figure 2.17), un
Cpk de bon niveau (Cpk=2) peut donner moins de satisfaction quun Cpk considr
comme limite (Cpk=1,33). Dans les relations clients/fournisseurs tablies sur le Cpk, les
deux productions de la figure 2.17 donnent satisfaction. Et pourtant une des productions
est centre avec le maximum de la densit de probabilit sur la valeur cible, alors que la
seconde est dcentre et la densit de probabilit pour la valeur cible est pratiquement
nulle.
Nous allons montrer que ces deux productions ne se comportent pas de la mme
faon en matire de qualit et qu'il faut donc les diffrencier. Cette diffrence prend
encore plus d'importance si les pices considres par cette capabilit rentrent dans
l'assemblage de pices dont la cotation du jeu a t ralise partir d'une cotation
statistique. Nous dmontrerons au paragraphe 4.2 que le seul respect de l'indicateur de
capabilit Cpk>1,33 peut conduire des montages impossibles dans le cas d'une
cotation statistique.
Int de Tol
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
Pour dmontrer la diffrence importante entre les deux populations de la figure

2.17, nous nous appuierons sur la fonction perte de Genichi TAGUCHI.
Page 2.33
Le docteur Genichi TAGUCHI a tabli une relation entre la rpartition dune

population et la perte pour la socit. [Tag 89], [Tag 87] Elle nous permet de
diffrencier les deux productions.
3.2. Notion de fonction perte

Dans la plupart des entreprises, nous considrons qu'une pice est bonne
lintrieur des tolrances, mauvaise lextrieur, sans diffrence de nuance. En suivant
ce raisonnement, un systme de tri automatique liminant systmatiquement les pices
hors tolrances permettrait dobtenir une production considre comme parfaite.
Pourtant si nous considrons la figure 2.18, quelle est la diffrence entre les pices
1 et 2 en terme de cot de non-qualit? Surtout si lintervalle de tolrance a t fix de
faon arbitraire. Quelle est galement la diffrence entre les pices 2 et 3?
Il est vident que la pice n3 permettra un fonctionnement parfait et
nengendrera pas de cot de non-qualit. Il nen est pas de mme pour la pice n2.
Nous considrons cependant que la pice 2 est classe avec la pice 3 alors qu'
l'vidence elle est beaucoup plus proche de la pice 1.
Figure 2.18 - Ecart par rapport la nominale et cot
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
Figure 2.19 - Fonction perte de TAGUCHI
La fonction perte s'exprime par L = K (Y - Y0) avec :

K : une constante qui dpend du problme pos
Y0 : valeur nominale recherche
Y : valeur prise par la caractristique
Cette fonction est en fait le dveloppement de Taylor en liminant les termes
dordre suprieur 2 et en considrant les hypothses suivantes:
1. la perte est nulle pour Y = Y0 soit L(Y0) = 0
2. la perte est minimale pour Y = Y0 soit L(Y0) = 0
On a donc L(Y) = L(Y0 + Y - Y0)
ou L ( Y ) = L ( Y 0 ) +
L ' ( Y 0)
L' ' ( Y 0)
( Y Y 0) +
( Y Y 0 ) + ....
1!
2!
Avec les hypothses prcdentes et en ngligeant les termes d'ordre suprieur 2,

on trouve
L( Y ) =
L ' ' ( Y 0)
( Y Y 0) = K ( Y Y 0)
2!
Cette fonction perte est trs intressante pour plusieurs raisons :

1. connaissant la valeur d'une caractristique, il est enfin possible, grce cette
fonction perte, de chiffrer le cot de non-qualit engendre.
2. la fonction perte ne possdant qu'une inconnue (K), son calcul est possible ds que
nous connaissons un point sur la courbe.
Bien sr, certains diront que la fonction perte est une estimation grossire de la
ralit, mais Valry disait dj "Tout ce qui est simple est faux, tout ce qui est
compliqu est inutilisable". La fonction perte nous semble tre une bonne approche.
Page 2.35
Perte dans le cas dun chantillon
Connaissant la perte pour une pice, il est intressant de connatre la perte

moyenne par pice dans le cas dun chantillon rparti suivant une loi de GAUSS, et
dcart-type estim s.
Dans le cas d'un chantillon, la moyenne des carts au carr (Mean Square
1
Dviation) MSD = ( Y Y 0 ) )) est gale s + ( Y Y 0 )
n
En effet :
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
L : perte moyenne par pice

s : cart-type de lchantillon
Y : Moyenne de lchantillon
Y0: Valeur nominale cible
3.3. Comparaison de deux situations Cpk =1,33

dans un assemblage
Pour illustrer les limites de la simple utilisation de l'indicateur Cpk comme
rfrence de capabilit, nous avons compar deux situations dont la caractristique doit
tre centre sur 0.
Situation 1
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.
En utilisant la fonction perte, nous pouvons alors crire 1 = K (Y - Y0) = K(TS)

o TS est la tolrance suprieure, ce qui nous permet de dterminer le coefficient K
La fonction perte scrit
L=(
1 2 2
) X
TS
Pour un chantillon dcart-type et de moyenne X , la fonction perte peut

s'crire
L=(
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.
Cp=1,33, Cpk =1,33
Cp= 1,33 - Cpk = 1,33

Situation 1
Cp= 10 - Cpk = 1,33

Situation 2
Figure 2.20 - Assemblage Arbre/Alsage
Nous allons rechercher la probabilit dassemblage dun arbre avec un alsage,

issu de cette rpartition, et qui soient assembls dans les conditions limites suivantes :
la cote de l'arbre est situe dans le tiers suprieur de lintervalle de tolrance,

la cote de l'alsage est situe dans le tiers infrieur de lintervalle de tolrance.
Situation 1
Arbre
Prob tiers suprieur
Alsage
Prob tiers infrieur
u = 1,33 (Variable rduite)

p1 = 0,0918
u = -1,33 (Variable rduite)

p2 = 0,0918
Probabilit dassemblage Tiers Sup/Tiers Inf
p = p1.p2 = 8.4E-3
Situation 2
Arbre
Alsage
Page 2.38
Prob tiers suprieur
u = -14
p1 = 1
Probabilit dassemblage Tiers Sup/Tiers Inf
Prob tiers infrieur
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
4. Notre proposition damlioration

Pour viter les situations que nous venons de dcrire, nous allons proposer dans ce
paragraphe une nouvelle faon d'interprter les indicateurs de capabilit. Nous
introduirons deux nouveaux indicateurs de rendement, Rr le Rendement de Rglage et
Rm le rendement de matrise. Nous montrerons galement que le respect de certaines
conditions sur ces indicateurs de capabilit peut amliorer grandement la qualit des
assemblages, notamment dans le cas o le bureau d'tude a utilis une cotation
statistique.
4.1. Dfinition du Rendement de Rglage Rr

4.1.1 Prsentation du rendement Rr
L'objectif de ce calcul de rendement est d'tablir un lien entre l'indicateur Cp et
l'indicateur Cpk. Pour exprimer le rapport entre Cpk et Cp, nous avons dfini un
rendement de rglage Rr [Pila91] [Pilb91] qui exprime la perte de capabilit suite au
drglage.
Rendement de rglage Rr % =
Cpk
x100
Cp
En effet, lorsqu'un procd est parfaitement centr (situation 1 du paragraphe 3.3),

nous avons la relation Cpk = Cp et donc Rr% = 100%.
Lorsque le procd est largement dcentr, Cpk est alors trs infrieur Cp
(Situation 2 du paragraphe 3.3). Ainsi nous avons, pour Cp = 10 et Cpk = 1,33, un
rendement de rglage Rr% = 13%
L'objectif de ce paragraphe est de dmontrer qu'une bonne matrise de la qualit
implique le respect de certaines conditions qu'il est ais d'exprimer avec notre
coefficient Rr.
4.1.2. Condition de capabilit sur le rendement Rr
[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
Figure 2.21 - Situation de rfrence Cp=Cpk=1,33
Nous avons vu que dans la situation de rfrence (situation 1 du paragraphe 3.3),

nous obtenions une perte :
L = 1/16 = 0,0625
Situation quelconque
La situation de rfrence exprime la capabilit minimale que l'on peut attendre

d'un procd. La perte dans cette situation est gale 1/16.
Il faut donc que toutes les situations de capabilit induisent une perte infrieure
la perte dans le cas de l'exigence minimale (situation de rfrence).
Nous allons rechercher, en fonction du Cp, le Cpk minimum admissible pour

obtenir une perte gale la situation de rfrence.
Pour une situation donne, crivons l'inquation sur la fonction perte en utilisant
l'expression obtenue au paragraphe 3.3 :
L=(
2
1 2 2
1
) ( + X ) <
TS
16
2
TS
X < ( )2 2
4
Page 2.41
Si nous considrons une population centre, l'intervalle de tolrance est IT = 2xTS

D'o
X <(
IT 2
) 2
8
que nous exprimons en fonction de Cp en utilisant la relation Cp =
/
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 )
La fonction F(Cp) reprsente alors la variable rduite de la loi normale associe

au drglage maximal admis.
Nous pouvons alors exprimer Cpk en fonction de Cp et du coefficient K dans le
cas de l'galit de la perte avec la situation de rfrence :
Cpk =
TS X TS . F ( Cp )
=
3.
3.
Cp =
IT 2.TS
=
d ' ou TS = 3.Cp.
6. 6.
Cpk >
3.Cp - F(Cp)
3
Cette relation donne le Cpk minimum admissible en fonction de Cp pour respecter

la condition sur la fonction perte.
Pour simplifier cette relation, nous allons utiliser le rendement de rglage Rr que
nous avons dfini au paragraphe 4.1.1.
Rendement de rglage Rr =
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
Figure 2.22 - dtermination de Rrmini
On note que trs rapidement, comme le montre la fonction, le rendement

minimum converge vers un rendement de 75% ce qui permet de retenir la rgle simple
suivante :
Pour ne pas gnrer une perte suprieure la perte de rfrence,
lorsque Cp est infrieur 3, le rendement de rglage Rr doit tre suprieur au
rendement de rglage mini donn dans le tableau figure 2.22.
Lorsque Cp est suprieur 3, le rendement de rglage (Rr) doit tre suprieur
75%
L'utilisation de ce coefficient Rr induit bien sr une condition supplmentaire

respecter pour les productions. Il ne suffit plus de disposer d'une machine capable
quelque soit le centrage, mais il faut respecter un centrage minimum en fonction de la
capabilit. Le contrat classique qui demande Cpk suprieur 1,33 quel que soit le Cp
nous semble donc insuffisant. Il faut dfinir le Cpk minimum en fonction du Cp. Dans
Page 2.43
le cas contraire, on s'expose des risques importants en matire de qualit comme nous
le montrerons ci-dessous.
4.1.3 Cas des tolrances uni limites

Dans le cas des tolrances uni limites, la notion de centrage n'existe pas, par
dfinition mme, puisque nous cherchons nous loigner le plus possible de la limite. Il
ne sera pas possible de dfinir le coefficient de rglage dans le cas des caractristiques
uni limites.
4.2 Intrt de notre coefficient Rr dans le cas d'une

cotation statistique
Nous avons montr, dans le paragraphe prcdent, que l'indicateur Cpk n'est pas
toujours le bon indicateur pour satisfaire la qualit des produits. Nous montrons, dans
celui-ci, un cas d'application de notre coefficient Rr dans le cas d'une cotation
statistique [Pilb93].
4.2.1 Rappel sur la cotation statistique [Sou 82]

La cotation statistique permet par l'application du thorme d'additivit des
variances d'augmenter de faon assez considrable les intervalles de tolrance en
production. Rappelons brivement le principe de cette cotation statistique.
[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
Figure 2.23 - Ensemble servant d'exemple

Considrons l'ensemble de la figure 2.23 compose de quatre lments A, B, C et
D. Le jeu fonctionnel est de 10,2. Le calcul classique de la rpartition du jeu
fonctionnel sur les autres pices de l'ensemble donnerait :
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 principe de la cotation statistique repose sur le thorme d'additivit des

variances qui est le suivant :
"La variance de la somme de variables alatoires indpendantes est gale la
somme des variances des composantes"
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
D'o nous tirons
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.
4.2.2. Les inconvnients d'un non-respect du coefficient Rr

Considrons l'exemple de la figure 2.23.
Hypothses
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.
Figure 2.24 - Rpartition de la production sur les pices B, C et D

La production est satisfaite, les critres de capabilit sont respects. Mais
comment se situera le jeu fonctionnel?
Calculons le Jeu Moyen :

J
J
Moyen
Moyen
= A (( B + 5. ) + ( C + 5. ) + ( D + 5. ))
= A B C D 15
Calculons la variance sur le Jeu

V
= V + V + V + V = 4. V
Jeu
A
B
C
D
= 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
Figure 2.25 - Rpartition finale du jeu
Ce qui correspond p(u=1,5) = 6,68% de jeu hors intervalle de tolrance.

L'exemple que nous venons de prendre n'est pas caricatural. La pice A tait
considre comme centre, et les carts utiliss entre Cp et Cpk relativement modestes.
La dmonstration pourrait tre plus rvlatrice si nous avions pris le mme Cpk avec Cp
encore plus grand.
4.2.3. Application l'exemple du respect de Rr

Dans l'exemple que nous avons utilis, nous avions pris comme hypothse Cp = 3
et Cpk=1,33. Si la production avait respect le rendement de rglage mini (Rrmini
figure 2.22), le Cpk serait de 2,33. Ce qui correspond un dcentrage de 2x.
Dans ce cas, le dcentrage sur le jeu n'aurait t que de 6x. Ce qui correspond
la figure 2.26.
36.
Tolrance
Infrieure
6.
Tolrance
Suprieure
6.Jeu=12.
Figure 2.26 - Dcentrage maximum sur le jeu dans le cas du respect du Rr
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.
4.2.4. Conclusion de cette tude
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
4.3. L'indicateur de matrise des procds Rm

4.3.1. Dfinition de l'indicateur Rm
L'observation d'un processus de production au cours du temps nous permet de
dfinir deux types de dispersion (Figure 2.17) :
la dispersion instantane,
la dispersion globale.
La diffrence entre la dispersion instantane et la dispersion globale provient des

variations de consignes qui auront lieu au cours de la production. Plus le procd est
matris, plus ces variations de consignes seront faibles. En effet, un cart important
entre la dispersion instantane et la dispersion globale indique que la machine n'est pas
matrise, et que nous ne sommes pas capables de maintenir la consigne sur la valeur
cible (Figure 2.27).
Cote
Cote
Dispersion
instantane
Dispersion
instantane
Dispersion
globale
Dispersion
globale
Temps
Temps
Procd matris
Procd non matris
Figure 2.27 - Procd matris et non matris
Nous avons vu au paragraphe 1 que la capabilit machine (Cm) tablissait le

rapport entre la tolrance et la dispersion instantane alors que la capabilit procd
(Cp) tablissait le rapport entre la tolrance et la dispersion globale. La chute de
capabilit entre la capabilit machine et la capabilit procd est donc imputable la
matrise du procd.
Pour reflter cette chute de capabilit, nous proposons de dfinir un rendement de
matrise du procd, que nous appelons Rm, est qui a pour dfinition :
Rm% = 100.
Cp
Cm
Page 2.50
4.3.2. Interprtation de l'indicateur Rm

Le rendement Rm est calcul en tablissant le rapport entre Cp et Cm. Ce
rendement est trs instructif sur la matrise que nous avons du procd. En effet, en
MSP, matriser un procd revient liminer le plus possible les causes spciales qui
agissent sur les variations de consignes. Si les grandes variations de consignes sont
vites, alors, la perte de capabilit entre le court terme et le long terme sera minime, et
le rendement de matrise du procd sera bon. En revanche, si le procd n'est pas
matris, la position moyenne prise par le procd variera largement au cours de la
production, et le rendement de matrise du procd sera mdiocre.
Lexprience montre quun procd sous contrle possde un rendement de
matrise du procd suprieur 75%.
Exemple : Cm = 2,5 et Cp = 2
Nous avons un rendement de matrise Rm% =
2
.100 = 80%
2, 5
Un rendement infrieur 70% est rvlateur de lexistence de grandes variations

sur la moyenne du procd qui ne sont pas corriges par loprateur.
Exemple : Cm = 2,5 et Cp = 1
Nous avons un rendement de matrise Rm% =
1
.100 = 40%
2, 5
4.4. Interprtation des chutes de capabilit partir des

indicateurs Rr et Rm
Lorsque nous calculons des indicateurs de capabilit, il ne suffit pas dafficher des
chiffres, il faut les interprter. Pour cela, il est utile de comparer les trois indicateurs de
base: Cm, Cp, Cpk. La chute de capabilit qui existe entre eux est riche
d'enseignement. Nous pensons, ce propos, que la plupart des industriels qui utilisent la
MSP, ne se penchent pas assez sur ces indications.
4.4.1. La chute des capabilits

L'analyse des chutes de capabilit pour un procd est souvent trs intressante.
En effet, nous partons d'une machine avec un potentiel de capabilit Cm pour arriver
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
Figure 2.27 - La chute des capabilits
La chute de capabilit entre Cm et Cp traduit la matrise du procd. Nous avons

traduit cette chute de capabilit par le rendement Rm%.
Nous avions vu prcdemment que la chute de capabilit entre Cp et Cpk tait due
au drglage. Nous avons traduit cette chute de capabilit par le rendement Rr%.
L'objectif de la matrise des procds est donc de disposer au dpart d'une
capabilit machine suffisante (Cm > 2,4) et de tout mettre en oeuvre pour conserver les
rendements Rm et Rr suprieur 75%. Dans le cas o les deux rendements sont 75%,
l'exigence minimale pour la capabilit machine est alors de 1,33/0,75=2,4
4.4.2. Le tableau des capabilits et son interprtation

La synthse des capabilits peut tre rsume dans un tableau des capabilits trs
utile pour orienter les actions de progrs. Supposons que nous travaillons sur un produit
pour lequel nous surveillons cinq caractristiques. Pour prparer une runion sur ce
produit, l'animateur tablit le tableau des capabilits que nous trouvons en figure 2.28.
Ce tableau existe malheureusement trop rarement dans les socits o les indicateurs de
capabilits restent notre avis sous-exploits.
Ce tableau permet une apprhension immdiate des problmes de capabilit lors
de la runion pour peu que l'ensemble des personnes concernes aient t formes la
notion de capabilit. Nous avons gris dans le tableau tous les cas de figure o les
indicateurs de rendement sont infrieurs 75% et tous les cas de figure o le Cpk est
infrieur 1,33. Chaque caractristique ayant une case grise doit tre discute pour
permettre une amlioration.
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
Figure 2.28 - Tableau des capabilits
L'interprtation du tableau figure 2.28 est la suivante :

Caractristique 1 : aucun problme, le Cpk est suprieur 1,33 et les rendements
de rglage et de matrise sont excellents.
Caractristique 2 : le rendement de matrise du procd est trs mauvais, mais la
machine est capable. Il faut matriser les variations de consigne au cours du
temps. Une surveillance du procd par cartes de contrle s'impose.
Caractristique 3 : le Cpk est mdiocre et pourtant les rendements ne sont pas
mauvais. Cela signifie que l'on part d'une capabilit court terme insuffisante. Une
action mthode ou maintenance s'impose. Nous ne pouvons probablement pas
rsoudre le problme dans l'atelier. Il faut, soit modifier la gamme de fabrication,
soit rparer la machine dans le cas d'une dtrioration de la capabilit machine par
rapport la capabilit machine historique.
Caractristique 4 : le mauvais rendement de rglage s'explique par un Cpk
infrieur 1,33. Il est souvent ais de remdier ce type de problme en
maitrisant mieux le centrage de la caractristique. Une surveillance par cartes de
contrle s'impose.
Caractristique 5 : une amlioration est encore possible. Le rendement de
rglage est infrieur 75%. Bien que le Cpk soit suprieur 1,33, ce cas de figure
gnre une perte suprieure au cas Cp = 1,33 et Cpk = 1,33 comme nous l'avons
dtaille au paragraphe 4.
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.
Les limites de l'utilisation de la MSP

Le dveloppement de la MSP dans les ateliers de production reste une priorit
pour l'amlioration du niveau de qualit de nos productions. Cependant, ce
dveloppement se heurte deux limites:
l'adaptation des outils existants en fonction de la typologie de l'entreprise

notamment dans le cas des productions en petites sries,
l'adquation entre les comptences statistiques des oprateurs et le dveloppement
de nouveaux outils.
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
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
parfois non renouvelables,

la difficult d'introduire un formalisme dans les entreprises dont le travail se fait
de faon artisanale.
Pourtant, une grande partie de la production industrielle repose sur une
organisation de type "petites sries". De plus, la mise en place des concepts de Juste-Temps, va dans le sens de la diminution de la taille des lots. De mme la diversification
des produits, amne les industriels rduire la taille de leur cycle de production.
Nombreuses sont les entreprises qui ont vu la taille moyenne de leurs lots de fabrication
entre deux changements de sries se rduire par un facteur 5 au cours de ces 10
dernires annes. Cette volution, semble irrversible. Avec l'volution des
LLP - Edition : 26/03/2004
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
de la traabilit des productions qui ncessite d'crire,

d'enregistrer des donnes. Le simple fait d'crire sur une carte de contrle, par exemple,
permet d'amliorer le suivi des lots. L'intrt de crer une traabilit par l'outil de
pilotage est de ne plus enregistrer simplement pour conserver des informations, mais
enregistrer pour le pilotage - donc un gain direct pour l'oprateur - la traabilit n'tant
qu'un "sous-produit" important de la technique de pilotage.
[Fos 91] - G. K. Foster - Implementing SPC in low volume manufacturing - Statistical Process Control
in Manufacturing - Dekker - 7:23 - 1991
LLP - Edition : 26/03/2004
Page 3.2
Un meilleur suivi de l'outil de production. Le suivi des capabilits est
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.
LLP - Edition : 26/03/2004
Page 3.3
2. Typologie des petites sries

2.1. Le besoin d'une classification
L'appellation "petites sries", rassemble en fait, sous un mme nom, plusieurs
concepts. Aussi, avant de dvelopper les mthodes existantes pour appliquer la MSP au
cas des petites sries, nous tenterons de faire une classification des diffrents types de
petites sries. Comme nous le dtaillerons dans les paragraphes suivants, de nombreuses
mthodes existent pour appliquer la MSP au cas des petites sries. Cependant, chaque
mthode a un domaine d'application restreint. Il est donc ncessaire d'tudier les
diffrentes classes de petites sries, afin de vrifier si chaque classe dispose d'une
mthode adapte sa spcificit.
Le tableau de classification que nous nous proposons d'tablir nous permettra de
mettre en vidence les domaines o de gros progrs restent faire pour permettre
d'introduire les techniques statistiques dans nos entreprises.
2.2. Les critres de classification

Pour tablir les diffrent types de petites sries, nous avons retenu quatre critres
de classification :
A - classification en fonction de la taille du lot
B - classification en fonction de la rptitivit
C - classification en fonction du cot des pices
D - classification en fonction du nombre de critres sur le produit
A - Classification en fonction de la taille du lot

La classification la plus simple et celle qui vient le plus rapidement l'esprit
concerne la taille du lot. Nous dissocierons 3 niveaux de taille de lot :
1 - le lot est rduit l'unit
2 - le lot est de taille infrieure 20 units
3 - le lot est suprieur 20 units
Il est a not que dans de nombreuses entreprises la notion de petites sries

apparat ds que le nombre de pices raliser est infrieur 10 000. Cependant ce
type de petites sries sera traite avec la classe 3 de notre classification.
LLP - Edition : 26/03/2004
Page 3.4
B - Classification en fonction de la rptitivit

Les mmes techniques ne pourront pas s'appliquer selon qu'un lot donn a une
production rptitive ou non. Nous dissocierons deux niveaux de rptitivit:
1 - rptitivit faible ou nulle
2 - rptitivit importante
C - Classification en fonction du cot des pices

Dans le cas des petites sries, le cot des pices est un critre important.
Lorsqu'on fabrique un corps de pompe pour l'industrie nuclaire, il n'est pas question
d'utiliser des pices de rglage. Le rglage doit tre le plus prcis possible ds la
premire pice. Nous dissocierons donc deux niveaux de cot :
1 - cot lev
2 - cot faible
D - Classification en fonction du nombre de critres sur le produit

L encore, il nous faudra tablir une dichotomie entre les produits sur lesquels le
nombre de critres par produit est important et les cas o le nombre de critres est
relativement faible voire rduit l'unit. Dans le cas o le nombre de critres est
important, il est alors possible de raliser un chantillonnage sur diffrents critres d'un
produit, alors que cela est impossible dans l'autre cas. Nous dissocierons deux niveaux:
1 - nombre de critres faible ou rduit l'unit
2 - nombre de critres important
2.3. Le tableau d'valuation

Le tableau d'valuation nous permet de faire une synthse de la classification que
nous venons de raliser. La combinaison de tous les critres nous amne considrer 24
cas de petites sries.
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
LLP - Edition : 26/03/2004
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.
3. Les limites de lapplication des cartes

dans le cas des petites sries
L'application des cartes de contrle telles que nous les avons vues au chapitre 2 a
surtout concern les cas des grandes et moyennes sries. L'application de ces mthodes
au cas des petites sries est rendu difficile cause d'un certain nombre de problmes
techniques que nous allons tudier dans ce paragraphe.
3.1. Les problmes poss par les petites sries

Si nous analysons l'application des cartes de Shewhart dans les entreprises, nous
pouvons constater quelques caractristiques qui seront dlicates grer dans le cas des
petites sries. Ces caractristiques sont les suivantes :
la dcision nest prise qu lissue de la mesure de lchantillon,

elles ncessitent de crer une carte par caractristique surveiller,
la distribution de la population doit tre connue pour dterminer les limites de
contrle.
3.1.1. Ncessit d'un chantillon

Le principe de la carte de contrle traditionnel est de prendre un chantillon, et, en
fonction de la moyenne et de l'tendue de cet chantillon, on peut conclure que le
procd est sous-contrle ou hors contrle. Il faut donc avant de prendre une dcision
avoir raliser cet chantillon de produits. Bien sr, dans le cas des grandes sries, cela
ne pose aucun problme.
Dans le cas des toutes petites sries, ce problme est bien entendu le problme
majeur. En effet, dans le cas d'une srie de huit pices par exemple, il est hors de
question d'attendre de raliser les cinq premires pices avant de prendre une dcision
de rglage. Dans ce cas, les cartes de contrle traditionnelles sont donc inadaptes, il
faut tre capable de prendre une dcision ds la premire valeur - voire mme avant
celle-ci.
3.1.2. Une carte par caractristique
LLP - Edition : 26/03/2004
Page 3.6
Les cartes de contrle sont calcules en fonction de la caractristique surveiller.

Par principe, il y a donc autant de cartes que de caractristiques surveiller. Dans le cas
des sries importantes, comme dans le cas du dcolletage o les machines sont
quelquefois montes " l'anne", cela ne pose aucun problme.
Dans le cas des petites sries rptitives, il est encore possible de raliser une
carte par caractristique surveiller. Cela n'est pas sans poser un certain nombre de
problmes de gestion des multiples cartes de contrle. Par contre, dans le cas des petites
sries non renouvelables, l'application traditionnelle des cartes de contrle est
impossible. Il faut trouver des solutions pour les adapter.
3.1.3. La connaissance de la population

Le calcul des cartes de contrle ncessite la connaissance de la distribution de la
population. Encore une fois, si cela ne pose pas de problme dans le cas des grandes
sries pour lesquelles il est facile d'identifier la dispersion, ce n'est pas le cas des petites
sries. En effet, il est difficile de disposer d'chantillons suffisamment importants pour
connatre la forme de la rpartition et sa variance. Il faudra donc adapter les mthodes
classiques d'identification pour pouvoir adapter les cartes traditionnelles au cas des
petites sries.
3.2. Les rponses ces obstacles

Considrant l'intrt que pouvait avoir l'application des mthodes MSP au cas des
petites sries, quelques auteurs, que nous dtaillerons dans ce chapitre, ont cherch
adapter les cartes de contrle traditionnelles aux cas des petites sries. Le travail dj
ralis est, bien que peu volumineux en terme de publications, fort intressant. De
nombreux types de production en petites sries peuvent dsormais tre traits par les
techniques statistiques des cartes de contrle. Cependant, malgr ce travail, il reste un
certain nombre de type de production, notamment le cas des toutes petites sries, qui ne
peut tre que difficilement trait avec les travaux existants. Notre travail prsent au
chapitre 4 aura pour objectif de tenter de rsoudre ce problme.
LLP - Edition : 26/03/2004
Page 3.7
4. La mthode traditionnelle de pilotage

4.1. Exemples dans le cas d'une srie de 10 pices
Dans le cas des petites sries, la plupart des oprateurs pilotent leur procd en
ralisant un contrle 100% sur les pices quils ralisent. Ce contrle pourrait tre
excellent sil intgrait le raisonnement statistique, mais ce nest malheureusement pas le
cas. Les figures 1 et 2 montrent deux exemples de raisonnement classique lors de la
ralisation dune petite srie de 10 pices. Les exemples concernent un usinage de
pices mcaniques. La cote raliser est de 100,05 mm. Les valeurs indiques sont les
carts par rapport la nominale en centimes de millimtre. Supposons qu'une tude sur
les prcdentes productions a montr que l'cart-type de la dispersion sur cette machine
est de 1,15 centimes de millimtre.
Dans l'exemple n1, l'oprateur a ralis les 7 premires pices sans rglage, puis
a effectu un rglage de 0,06 mm.
Dans l'exemple n2, l'oprateur a ralis un rglage ds la seconde valeur. Il a t
oblig de corriger de nouveau son procd lors de la 4me valeur.
+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
Figure 3.1 - Mthode traditionnelle - Premier exemple
LLP - Edition : 26/03/2004
Page 3.8
A la lumire de l'exemple n1, nous tirons deux constatations.

On note dabord que loprateur na pas rgl sa machine avant la septime cote
qui est hors tolrance. Il faut dire sa dcharge que la pice numro six tait +2 donc
prs de la cote nominale. N'tait-il pas plus judicieux de rgler avant de rebuter une
pice? Est-il possible de trouver une dmarche logique et formelle qui permettrait de
rgler la machine avant de faire une pice hors tolrance?
La deuxime remarque que nous inspire cet exemple est le rglage de (-6) qui a
t ralis par loprateur aprs avoir fait une mauvaise pice. Il semble que celui-ci a
bas son raisonnement uniquement sur la dernire pice en oubliant les pices quil
avait ralises avant. Il faut dire sa dcharge que la pice 7 tant hors tolrance, il a
cherch se ramener au plus vite sur la nominale. Et pourtant, les pices suivantes se
retrouvent dcales sur le ct infrieur de la tolrance. La question qui est pose est
alors de trouver une dmarche logique et formelle qui permettrait de rgler la machine
avec la meilleure prcision possible pour se ramener la nominale.
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)
Figure 3.2 - Mthode traditionnelle - Second exemple

Dans ce second exemple, loprateur a ralis un premier rglage qui ne semblait
pas utile. Il a drgl une machine bien rgle. Il serait donc utile de trouver une
mthode qui vite ce type d'erreur.
LLP - Edition : 26/03/2004
Page 3.9
4.2. Critique de la mthode

Les exemples prcdents ne sont pas caricaturaux. Tous ceux qui ont suivi des
procds raliss en petites sries connaissent bien ce phnomne. En fait, le
raisonnement traditionnel de pilotage conduit gnralement aux constats suivants :
loprateur ne rgle pas sa machine au moment opportun,
loprateur drgle parfois une machine bien rgle,
les rglages raliss ne sont pas toujours les rglages souhaitables,
la rpartition des pices produites dans ces conditions utilise tout lintervalle de
tolrance au lieu dtre centre sur la valeur nominale.

Ces actions engendrent des pertes de productivit dues aux rglages inutiles, et
aux rebuts raliss. De plus, en se rfrant la fonction perte de TAGUCHI [tag 89] que
nous avons explicit au chapitre 2 paragraphe 3.2., nous pouvons affirmer que les cots
de non-qualit sont trs importants. En effet, les pices n'tant pas sur la nominale,
mais remplissant la totalit de l'intervalle de tolrance, la perte sera maximale.
L'origine du mal vient du fait que lon n'utilise pas un raisonnement statistique.
Dans le cas que nous voquons, loprateur fait du contrle 100%, mais raisonne sur
une seule mesure pour piloter sa machine. Pour amliorer les rgles de pilotage dans le
cas des petites sries, il faut absolument abandonner le raisonnement unitaire au profit
dun raisonnement statistique bas sur les cartes de contrle qui a fait ses preuves dans
les productions plus importantes.
4.3. Condition de russite de la MSP dans le cas des

petites sries
La mise en oeuvre de la MSP n'est russie que si l'oprateur en devient un lment
moteur. Pour cela il est indispensable qu'il soit convaincu de son utilit. Cela passe
videmment par une formation adapte, mais aussi par le souci de l'encadrement de lui
simplifier le travail. En fait, l'oprateur besoin d'une aide pour rpondre deux
questions cls :
mon systme est-il hors contrle?
si oui, quelle est l'action ncessaire pour le ramener sous-contrle?
[tag 89] - Genichi Taguchi - Elsayed A. Elsayed - Thomas Hsiang Quality engineering in production
systems - Mc Graw-Hill -- 1989
LLP - Edition : 26/03/2004
Page 3.10
Lorsqu'on est capable de rpondre ces deux questions, On donne l'oprateur un

outil qui lui permet de mieux piloter sa machine. Il est ainsi plus fier de son travail, et il
peut accepter l'outil comme un allgement de sa tche.
Mais ce n'est pas suffisant. Il faut galement que le travail supplmentaire gnr
par l'outil ne soit pas plus important que le gain obtenu sur le pilotage de la machine.
Nous insistons sur le fait suivant : ce n'est pas les gains ressentis par le management qui
est important, mais les gains ressentis par l'oprateur. La russite de la MSP ne sera
possible que si l'outil est particulirement simple et adapt des oprateurs qui n'ont pas
toujours un bagage mathmatique important.
Notre exprience nous a montr que les entreprises qui ont russi dans la mise en
place de la MSP ont focalis leur attention sur les oprateurs. Certains invariants
ressortent systmatiquement :
la formation de ceux-ci a t particulirement bien tudie,
la formation a t immdiatement suivie d'un entranement sur le poste de
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.
LLP - Edition : 26/03/2004
Page 3.11
5. Utiliser le principe de l'chantillonnage

L'application de la MSP aux petites sries ne consiste pas forcment mettre en
place une carte de contrle. En fait, une des bases de la Matrise Statistique des
Procds consiste travailler sur des chantillons plutt que sur des valeurs
individuelles. Ce principe mme peut tre appliqu dans de nombreux cas de figure et
ainsi offrir plusieurs avantages.
Le pilotage d'une machine suit en gnral le schma de la figure 3.3
Paramtres
figs
MATIERES
Paramtres
de pilotage
PROCESSUS DE
PRODUCTION
PRODUIT
Bruits
Extrieurs
Figure 3.3 - Pilotage d'une machine

Parmi l'ensemble des paramtres qui agissent sur le systme, certains sont
matrisables par l'oprateur, d'autres ne le sont pas . TAGUCHI caractrise les
paramtres non matrisables par des bruits [Tag 87] qui sont de trois types :
les bruits intrieurs
Il sagit des variations dues lutilisation du systme telles que lusure, le
drglage... Ils reprsentent les variations sur les paramtres de pilotage.
les bruits extrieurs

Il sagit des perturbations indpendantes du systme telles que la temprature, les
vibrations... Ils reprsentent les paramtres de perturbation.
les bruits entre produits

Ces bruits correspondent aux diffrences qui existent entre deux produits dune
mme production dues aux dispersions dusinage par exemple. Ils reprsentent les
variations sur les paramtres d'entre.
[Tag 87] - Genichi Taguchi - System of experimental Design -Tome I et II - ASI - 1987
LLP - Edition : 26/03/2004
Page 3.12
La traduction de ces bruits en terme de fonctionnement se fera sous la forme de

dispersion plus ou moins grande dans le fonctionnement du systme. TAGUCHI dfinit
d'ailleurs la "robustesse" d'un systme par sa sensibilit aux bruits. Ces bruits forment
les causes communes et doivent donner comme rpartition en l'absence de causes
spciales une courbe de GAUSS.
L'oprateur souhaite matriser un procd malgr la prsence de bruits. Lorsqu'il
mesure une valeur, il mesure la somme de deux effets : la valeur de la consigne du
procd qui doit lui permettre de procder la correction ncessaire plus la valeur de la
dispersion due aux bruits. Lorsque ces bruits sont importants, l'oprateur peut faire deux
types d'erreur :
ne cas corriger un procd drgl,
drgler une machine bien centre.
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.
Dans de nombreux cas, il est possible d'appliquer un raisonnement statistique,

mme dans le cas de production unitaire. A titre d'exemple, imaginons un centre
d'usinage qui fabrique de manire unitaire (aucune pice identique) des pices du type
de celle reprsente en figure 3.4.
Figure 3.4 - Exemple de pice sur centre d'usinage
LLP - Edition : 26/03/2004
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.
Une fois par jour, on effectue un prlvement de plusieurs dplacements en X sur

une pice et on relve les carts entre les cotes programmes et les cotes releves sur la
carte A. On fait de mme sur la carte B.
Si les pices ralises sur ce centre ont de nombreux contournages, il est
galement souhaitable de relever la moyenne des carts observs par rapport ce qui est
programm.
Dans ce cas, bien sr, les cartes de contrle renseigneront l'oprateur sur les
corrections apporter, mais en plus, par la carte des tendues, on aura, de faon
continue, une surveillance de la capabilit machine. Ce qui sera bien utile pour mettre
en place une maintenance prdictive.
LLP - Edition : 26/03/2004
Page 3.14
6. Retrouver un effet de srie

La premire faon d'appliquer la MSP dans le cas des petites sries est de trouver
des techniques qui permettent par une manipulation des donnes contrler de
retrouver un effet de srie. Cette mthode peut sappliquer lorsquun procd ralise un
travail rptitif bien que les sries soient petites. Illustrons notre propos par un exemple
[figure 3.5].
L1
L2
Figure 3.5 - Mise longueur de tubes
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.
la carte des tendues permettra de suivre la capabilit de la machine.
LLP - Edition : 26/03/2004
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
LLP - Edition : 26/03/2004
Page 3.16
7. Modifier les cartes de contrle

L'application de la MSP dans le cas des petites sries est apparue trs rcemment
dans les publications. La seule mthode rellement applique grande chelle de nos
jours est la mthode que nous dtaillerons dans ce chapitre. Tous les dveloppeurs de
logiciel qui prtendent offrir un module petites sries (ils sont tous d'origine amricaine)
ont, en fait, programm cette mthode. Cette mthode est apparue trs tt avec les
travaux de F.S. Hiller [Hil 69] et les travaux de F. Prochman et I. R. Savage [Pro 60]. Ils
ont t repris plus rcemment par David R. Bothe [Bot 92] et Thomas Pysdek [Pys 93].
Cette mthode propose une volution de la recherche d'un phnomne de srie travers
une nouvelle faon d'aborder les cartes de contrle de Shewhart.
Son tude repose sur la remarque suivante. Lorsqu'un procd ralise de petites
sries renouvelables, il est ncessaire de changer de carte chaque nouvelle srie car,
par dfinition, la carte de Shewhart dpend de la caractristique surveiller. En effet,
les limites de contrle sont calcules par les formules [C.f. Chapitre 2]
X
= X + A .R
2
= X A .R
2
LSC
LIC
pour la carte des moyennes,
pour la carte des tendues.
LSC = D . R
4
R
LIC = D . R
3
R
La mthode propose de rendre les limites de contrle des moyennes et des

tendues indpendantes de la caractristique surveille par un changement de variable.
Ainsi, chaque machine ne sera surveille que par une seule carte qui sera la mme quel
que soit le produit fabriqu.
[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
LLP - Edition : 26/03/2004
Page 3.17
Pour faire le changement de variable, on distingue deux cas :
le cas o la dispersion instantane de la machine est constante pour l'ensemble des

lots,
le cas o la dispersion dpend du lot fabriqu.
7.1. Cas 1 : les tendues sont constantes pour

l'ensemble des lots
C'est le cas des procds qui ralisent toujours le mme type de travail, mais pour
des valeurs de nominale diffrentes. C'est le cas de figure propos par Foster afin de
retrouver un effet de srie.
Si l'tendue moyenne ( R ) ne varie pas d'un lot l'autre, il suffit de ne plus
raisonner sur la valeur relle de la caractristique surveiller, mais sur l'cart par
rapport la valeur cible.
On a alors
X = XRelle XCible
Ce changement de variable rend les limites de contrle indpendantes de la valeur

cible. Les nouvelles limites sont donc calcules par les formules :
= +A . R
2
LIC = A . R
2
X
Nouvelle valeur cible = 0
LSC
7.2. Cas 2 : les tendues ne sont pas constantes d'un lot

l'autre
Ce cas de figure est plus complexe et n'a pas t tudi par Foster. Bothe propose
alors une nouvelle carte de contrle pour laquelle les limites de contrle sont
indpendantes de la valeur cible et de l'tendue moyenne. Pour cela, il faut modifier les
limites de contrle de la carte des moyennes et celle des tendues pour les rendre
indpendantes de l'tendue moyenne.
LLP - Edition : 26/03/2004
Page 3.18
Carte des tendues
Pour la carte des tendues, nous avons par dfinition

LIC < R < LSC
R
R
D .R < R < D .R
3
4
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
Carte des moyennes
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
Nous avons donc
A . R < X X Cible < + A . R

2
2
que nous pouvons crire
A <
2
X X Cible
<A
2
R
Ce changement de variable limine la dpendance des limites de contrle des

moyennes (-A2 et A2 ) de l'tendue moyenne.
La valeur noter sur la carte se calcule donc de la faon suivante :
LLP - Edition : 26/03/2004
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
Pice C Pice D ......
Figure 3.6 - carte de contrle de Bothe

Inconvnient de la mthode
L'inconvnient majeur de ce type de carte reste le supplment de calcul d aux

changements de variable. Cet inconvnient disparat lorsque la carte est ralise avec
une assistance informatique. C'est d'ailleurs pour cette raison que cette mthode trs
ancienne n'a rapparu dans la littrature que tout rcemment.
Malgr la modification apporte aux calculs des limites de contrle, le principe
mme de la mthode repose sur un prlvement rgulier d'chantillons de taille
constante. Il n'y a pas d'assistance pour la fabrication des toutes premires pices car on
obtient le rsultat En/Hors contrle aprs le prlvement d'un chantillon. Cette
mthode n'est donc pas adapte aux tout petits lots de 10 pices par exemple.
Un autre inconvnient de la mthode de Bothe rside dans le fait que l'cart qui
apparat sur la carte de contrle des moyennes ne reprsente pas directement l'cart
LLP - Edition : 26/03/2004
Page 3.20
entre la moyenne du lot et la valeur cible. Certes, il existe une relation de

proportionnalit entre les deux, mais cette proportion change avec le lot puisque
l'tendue moyenne change. Cette dconnexion entre l'cart physique et l'cart trac
semble poser quelques difficults aux oprateurs.
Avantage de la mthode
Dans le cas d'une application informatique, le fait de manipuler un grand nombre

de cartes n'est pas rellement difficile. On pourrait penser qu' partir du moment o on
met une assistance informatique autant utiliser les cartes de contrle de Shewhart. Le
problme se pose pourtant lorsque les lots sont petits et peu rptitifs. Dans ce cas le
nombre de cartes crer peut tre assez important ce qui demande un travail de
prparation galement important. La mthode de modification des limites simplifie alors
le travail de prparation des cartes de contrle.
D'autre part, si nous sommes dans la configuration de lots non ou peu rptitifs,
les cartes de contrle seraient nombreuses et ne comporteraient que quelques points au
terme d'une anne d'exploitation. Cela permettrait d'interprter les cartes de moyennes
mais difficilement les cartes des tendues. En effet, les cartes des tendues s'interprtent
plus sur l'ensemble d'une carte que sur une srie. La dtection des problmes de
capabilit serait donc dlicate.
Les dveloppements de la carte de Bothe ont t faits pour la carte X/R, mais le
dveloppement quivalent est immdiat pour la carte X/.
LLP - Edition : 26/03/2004
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.
8.1. Collecte des donnes

La machine considre ralise plusieurs oprations distinctes comme le perage,
le fraisage, le rainurage... Chacune de ces oprations fait l'objet d'une analyse distincte.
Ainsi on dtermine au sein d'un procd plusieurs sous-procds. Cette mthode rejoint
la mthode prconise par M. Kevin Foster [Fos 88] que nous avons dj tudie.
A l'intrieur d'un procd, les donnes sont regroupes en sous-groupes
homognes partir du lot (mme stock d'origine, mme outillage). Cela permet de
rduire le nombre de facteurs qui interviennent sur les dispersions dimensionnelles et
maximise les chances de dcouvrir les causes spciales en comparant les rsultats des
diffrents sous-groupes. Chaque lot fait l'objet d'une description prcise afin de
permettre l'analyse future.
[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
LLP - Edition : 26/03/2004
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
Pour chaque lot, on procde un contrle 100% ou un chantillonnage ( selon

le temps et les moyens disponibles). Les sous-groupes ne sont donc pas ncessairement
de taille identique. Cela a pour consquence de compliquer les cartes de contrle.
Pour chaque sous-groupe, on calcule la moyenne et la variance du lot. On ralise
comme pour les mthodes prcdentes une transformation de variables sur la moyenne
en raisonnant sur l'cart par rapport la valeur cible. Ainsi, les diffrents sous-groupes
pourront tre directement compars. La variance est utilise de prfrence l'tendue
car son efficacit pour dtecter les causes spciales est bien suprieure dans le cas des
chantillons de taille importante.
De plus, et cela est trs important dans ce cas, le fait de travailler sur les variances
des chantillons, permet d'obtenir une estimation non biaise de la variance de la
population.
8.2. Recherche des causes spciales de variation

La moyenne et la variance de chaque sous-groupe sont reportes sur une carte de
contrle. La figure 3.7 donne un exemple de carte des variances obtenues.
0.4
0.3
0.2
0.1
0.0
LLP - Edition : 26/03/2004
Page 3.23
Figure 3.7 - carte d'analyse de G.F. Koons - J.J. Luner

La ligne centrale reprsente la moyenne pondre des variances des sous-groupes.
Les limites ne sont pas constantes car la taille des sous-groupes change en fonction du
lot. Les limites se resserrent lorsque la taille des chantillons augmente.
Le calcul de la carte de contrle est effectu partir de la distribution du :

2
LIC = 20,999
S
( n j 1)
LSC =
S
( n j 1)
2
0,001
La valeur centrale reprsente la variance estime de la population totale.

Pour chaque point hors contrle du ct maxi de la carte des variances, on
recherche une cause spciale pouvant expliquer cette variance leve - par exemple un
rglage l'intrieur du sous-groupe - puis on limine le sous-groupe concern. On peut
lorsqu'on a gard l'ensemble des donnes, liminer les pices concernes afin de recrer
un sous-groupe homogne.
On recalcule alors la nouvelle carte de contrle des variances et on ritre
l'opration jusqu' ce que toutes les causes spciales identifiables sur la carte des
variances soient limines de l'analyse. On arrive la carte figure 3.8 dans le cas de
l'tude de Koons et Luner. On note que la variance moyenne est plus faible du fait de
l'limination des causes spciales sur les cartes des variances.
2
S = 0,027
0.2
0.1
0.0
Figure 3.8 - Carte finale des variances
LLP - Edition : 26/03/2004
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
Figure 3.9 - Carte des moyennes
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.
LLP - Edition : 26/03/2004
Page 3.25
8.3. Etude des causes communes de dispersion

L'tude des cartes de contrle a permis d'identifier les causes spciales qui
provoquent des carts. L'tape suivante de l'analyse ralise par Koons et Luner a
consist rechercher si les causes communes de dispersion intra-chantillon
(apparaissant dans la carte des variances) ne pouvaient pas tre expliques par des
paramtres qui avaient t nots lors de la collecte des donnes. Ces donnes pouvaient
tre :
le n de machine
la matire usine
le type de dimension mesure.
L'tude a t ralise en utilisant une rgression multiple linaire qui consiste

identifier un modle de type
log( ) = b 0 + b1X1 + b 2 X 2 + b 3X 3 + b 4 X 4 + b5X5 + e
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
8.4. Etude de la capabilit du procd

[Pila92] - Maurice PILLET - Introduction aux plans d'expriences par la mthode TAGUCHI - Ed
Organisation - 167:169 - 1992
LLP - Edition : 26/03/2004
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.

Inconvnients de la mthode
L'inconvnient principal de cette mthode rside principalement dans la lourdeur de sa

mise en application. De plus, les manipulations statistiques bien que peu complexes ne
sont pas la porte de tous les industriels. Il nous semble difficile pour une PME, dont
l'encadrement est souvent rduit, de mettre en place une telle analyse.
L'automatisation par informatique d'une telle mthode est difficile et dangereuse. En
effet, le fait de travailler sur des sous-groupes de tailles diffrentes, d'origines
diffrentes, et de manipuler des techniques comme la rgression multiple, demande de
la rigueur statistique. Le risque est important de conclure sur des rsultats errons si l'on
ne matrise pas parfaitement ces outils.
Comme dans les prcdentes techniques, il faut pour pouvoir l'appliquer disposer de lots
de pices, et la mthode ne fournit pas d'aide pour la ralisation des premires pices.
Avantages de la mthode
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.
LLP - Edition : 26/03/2004
Page 3.27
9. Surveiller les caractristiques du

procd
9.1. La recherche d'un modle
On peut pousser plus loin l'analyse du procd, en ne cherchant plus contrler
les caractristiques de la pice, mais les caractristiques du procd. C'est le cas par
exemple des presses d'injection plastique, des machines souder la vague.
Les critres surveiller sont parfois relativement simples trouver, par exemple
la temprature du moule sur une presse injecter. Mais dans la plupart des cas, il est
trs difficile de connatre les interactions entre les paramtres de sortie, de pilotage et
d'entre. Nous avons cherch formaliser une modlisation des procds industriels qui
permettrait de mieux cerner les paramtres importants du procd [Pil 90].
On recherchera dans ce cas modliser le procd pour identifier les corrlations
et l'importance des relations entre les paramtres de pilotage, les paramtres d'entre et
les paramtres de sortie recherchs. Le but de l'tude est de trouver une reprsentation
matricielle d'un procd du type :
/
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
LLP - Edition : 26/03/2004
Page 3.28
En fait, il est souvent difficile lorsque ce n'est pas impossible d'identifier

totalement la matrice M. Son identification totale se fera par blocs en utilisant les
techniques d'identification que nous avons cites.
9.2. Identification d'une partie de [M] par les plans

d'expriences
La mthode des plans d'expriences est une mthode qui permet d'identifier un
modle qui peut se mettre sous une forme matricielle [Vig 88]. Supposons que nous
recherchions par la mthode des plans d'expriences le rsultat sur une caractristique
d'un produit de trois facteurs A, B et C en supposant deux interactions entre ces facteurs
: AB et AC le modle s'crirait :
% = C+ E E
Y
A1
A2 A + E B1 E B2 E B3 B + E C1 E C2 C
t
+ 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
Le modle prcdent peut galement s'crire de la faon suivante :

In 2
/
0
In 3
3
0
0
In 3
0
3
.... 3
0
0
1In 3
4
A1
A2
% = C+ E E
Y
EB1 EB2 EB3 EC1 EC2 IA1B1 IA1B2 IA1B3 IA2B1 IA2B2 IA2B3 IA1C1 IA1C2 IA2C1 IA2C2
A1
A2
B1
A2C2
En tenant compte des conditions de centrage InA1 + InA2 = 0
On a InA1 = -InA2, et on aura InA1= 1 lorsque A = 1 et InA1= -1 lorsque A = 2

on peut donc rduire le modle prcdent :
[Vig 88] - Michel G. Vigier - Pratique des plans d'expriences - Les ditions d'organisation - 1988
LLP - Edition : 26/03/2004
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].
9.3. Identification de [M] par rgression multiple

Il n'est pas toujours possible de raliser un plan d'expriences pour identifier un
modle, car on ne peut pas toujours matriser l'ensemble des facteurs. De plus, il existe
souvent dans les entreprises de nombreux enregistrements en production qui permettent
d'identifier un modle sans essai complmentaire. C'est le cas notamment lorsqu'on
cherche mesurer l'influence de la composition de la matire premire sur une
caractristique du produit. Dans ce cas, on n'est pas matre de la configuration des
facteurs. La ralisation d'un plan d'expriences est donc impossible. L'tude en
rgression multiple nous permet nanmoins de pouvoir identifier une ou plusieurs lignes
de la matrice [M]. Bien sr la prcision tant optimale avec les plans d'expriences
orthogonaux, nous aurons forcment une prcision plus faible sur les rsultats.
En rgression multiple, on recherche identifier un polynme de la forme
suivante :
% = C + a.X + b.Y + c.Z + d.V + e.XY + f.XZ + g.XV

Y
Ce polynme peut se mettre sous forme matricielle :
% = 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
Ce qui correspond une ligne ou une portion de ligne de la matrice [M].
LLP - Edition : 26/03/2004
Page 3.30
9.3. Caractristiques de la matrice [M]

9.3.1. Matrice idale
Le but de l'identification prcdente tait d'identifier un modle matriciel du
procd sous la forme :
P1
Y = C +
M
P + E
P2
/
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
L'analyse de la forme de la matrice obtenue est riche d'enseignement. La matrice

idale a la forme suivante :
M11
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.
9.3.2. Surveiller le procd

Considrons la matrice suivante - drive de la matrice idale - pour laquelle on a
pu identifier une colonne de coefficients de pilotage tous diffrents de 0. Cela signifie
que le facteur de pilotage Pi a une influence sur l'ensemble des caractristiques de la
pice. Une fluctuation de ce paramtre de pilotage entrane donc des variations
importantes sur l'ensemble des caractristiques.
LLP - Edition : 26/03/2004
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.
9.3.3. Surveiller la pice

Si nous considrons la matrice ci-dessous, il est clair qu'il est plus intressant de
surveiller la caractristique Yi sur la pice. En effet, Yi est sensible l'ensemble des
paramtres de pilotage. En surveillant une caractristique sur la pice, on surveille la
stabilit de l'ensemble des facteurs de pilotage.
M11
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.
LLP - Edition : 26/03/2004
Page 3.32
10. Evaluation des mthodes en fonction

de la typologie des petites sries
Afin d'valuer les diffrentes mthodes que nous venons de dcouvrir, nous nous
appuierons sur la typologie des petites sries que nous avons tablie au paragraphe 2.
Nous allons vrifier l'adaptation de chaque mthode aux diffrentes classes de petites
sries afin de vrifier si l'ensemble de la classification est couverte.
10.1 Adaptation des mthodes aux diffrents cas

Pour tablir cette comparaison, nous utiliserons comme critre d'valuation, le
bnfice que l'on peut attendre de la mise en place de la MSP. Nos critres seront les
suivants :
C1 - l'aide au rglage ds les premires pices
C2 - l'aide au rglage sur chantillon
C3 - le suivi et l'amlioration des capabilits
C4 - le cot de mise en oeuvre
C5 - la facilit de mise en oeuvre - Adaptation globale Mthode/Type de
production.
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.
LLP - Edition : 26/03/2004
Page 3.33
10.1.1. C1 - Aide au rglage ds les premires pices
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
} } } }
} } } } } } } }
On note tout de suite sur ce tableau l'absence de mthode particulirement adapte

au rglage ds les premires pices. Bien sr en cas de modle tabli (Mthode Y), il
sera facile de dterminer les rglages opportuns pour obtenir une pice bonne ds le
premier coup. Mais cet avantage est malheureusement compens par la difficult de sa
mise en oeuvre
10.1.2. C2 - L'aide au rglage sur chantillon
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
LLP - Edition : 26/03/2004
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.
10.1.3. C3 - Le suivi et l'amlioration des capabilits
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.
10.1.4. C4 - Le cot de mise en oeuvre
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
} } } } } } } }
LLP - Edition : 26/03/2004
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.
LLP - Edition : 26/03/2004
Page 3.36
10.1.5. C5 - La facilit de mise en oeuvre - Adaptation globale

Mthode/Type de production
Cette classification est la plus importante, nous rsumerons dans ce tableau les
applications types de chacune des mthodes.
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
} } } }

} } } }
} } } } }

La mthode de l'chantillonnage est particulirement conseille lorsqu'on travaille

sur des pices unitaires. Bien sr, elle sera facilite si le nombre de critres est
important et permet de crer cet chantillonnage.
Nous avons choisi de noter () l'effet de srie, car si cette mthode marche
particulirement bien lorsqu'elle est ralisable, elle est nanmoins dpendante de
trouver cet effet de srie. Cela n'est pas toujours vident.
La mthode de modification des cartes nous semble particulirement bien adapte
aux sries rptitives de plus de 20 pices. Lorsqu'on travaille sur des toutes petites
sries, il est difficile de mettre en oeuvre la technique.
La mthode du modle convient tous les types de production - condition que
l'on soit capable de pouvoir l'tablir.
10.2 Conclusion sur cette classification

On note sur ce tableau la difficult de mettre en oeuvre la MSP dans le cas des
petites sries malgr les mthodes nonces dans ce chapitre. L'tude de cette
classification nous a conduit faire deux remarques.
LLP - Edition : 26/03/2004
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
L'valuation selon le critre globale C4 nous montre la pauvret des mthodes

pour rsoudre les cas des toutes petites sries de moins de 20 pices. Il nous a donc
sembl utile de dvelopper une nouvelle mthode rpondant ce dficit.
La mthode de la carte de contrle "petites sries" permet de mettre disposition
des oprateurs un outil simple d'emploi, particulirement adapt aux cas des toutes
petites sries et facilitant les rglages ds les premires pices. On peut constater que
cette mthode couvre deux domaines particulirement dficitaires actuellement.
11. Conclusion sur ce chapitre

L'objectif de ce chapitre tait de prsenter les spcificits des petites sries et de
dvelopper les mthodes existantes pour appliquer la MSP. Nous avons montr dans un
premier temps par une typologie des petites sries la diversit des cas de figure se
trouvant derrire l'appellation "petites sries".
Aprs avoir ralis une analyse critique de la mthode traditionnelle de pilotage
dans le cas des toutes petites sries, nous avons prsent les diffrentes mthodes
disponibles pour appliquer les mthodes statistiques dans ce cas. Cette tude nous a
permis de noter l'importance du travail dj ralis dans ce domaine. Il est, en effet,
souvent possible d'appliquer les mthodes statistiques habituellement rserves aux
grandes sries en effectuant quelques adaptations. Ces adaptations peuvent tre le fait
de retrouver un effet de srie, de modifier le principe des cartes de contrle, ou encore
de ne plus s'intresser aux caractristiques des pices, mais plutt aux caractristiques
des procds. Nous avons galement fait apparatre que le cas des toutes petites sries
tait peu adapt aux mthodes dcrites. Dans ce domaine, trs peu de travaux ont t
raliss ce jour. C'est dans ce type de production que le travail reste le plus artisanal.
L'tude que nous prsentons au chapitre quatre a pour objectif de combler cette lacune.
LLP - Edition : 26/03/2004
Page 3.38
Chapitre 4 - La carte de contrle "petites sries"
Chapitre 4
La carte de contrle "petites
sries"
1. Le besoin d'une nouvelle mthode

Nous avons vu au chapitre 3 que les mthodes et outils actuels pour appliquer la
MSP dans le cas des toutes petites sries n'taient pas tout fait adapts. Il y a ncessit
de crer un nouvel outil pour les oprateurs dans deux cas :
l'aide au pilotage des toutes premires pices,
l'application de la MSP dans le cas des toutes petites sries de moins de 20
pices.
Nous proposons dans ce chapitre une nouvelle approche pour appliquer la MSP
dans le cas des toutes petites sries base sur un nouveau concept de cartes de contrle :
les cartes de contrle "petites sries". Ces cartes de contrle ont pour objectif de devenir
un outil de pilotage pour les oprateurs en rpondant aux deux questions essentielles
que se pose un oprateur en production :
1. le procd est-il drgl?
2. si oui, de combien?
Nous prsenterons dans ce chapitre une premire carte de contrle "petites sries"
drive des cartes de Shewhart particulirement adapte au remplissage manuel. Puis
LLP Edition : 26/03/04
Page 4.1
nous prsenterons une amlioration de cette carte de contrle par une procdure
CUSUM plus efficace dans certains cas de figure.
2. Principe de base de la carte de contrle

"petites sries"
2.1. Prsentation de la carte
La carte de contrle "petites sries" que nous avons dveloppe [Pilc91], [Pilb92],
[Pilc92] [Pilc93] sappuie sur la technique des cartes de contrle traditionnelles en
permettant loprateur de disposer dune aide de pilotage de son procd. Le
graphisme de celle-ci a t adapt pour ressembler le plus possible aux cartes de
Shewhart afin de faciliter le passage des cartes de contrle traditionnelles vers les cartes
de contrle "petites sries". On retrouve les deux cartes de contrle des moyennes et
des tendues (Figure 4.1). Les premires applications que nous avons ralises montrent
que les oprateurs connaissant le principe des cartes de contrle traditionnelles
comprennent trs rapidement le principe de la carte de contrle" petites sries".
Carte de contrle petites sries X&R

Pice
Spcification
+2
+2
+1
+4
+1,5 +2,33
1
3
Machine
Instrument de contrle
-1
-1
+3
+1
-0.5 -0.66 +0.25 +0.4

4
1
4
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
Figure 4.1 - Exemple de carte de contrle"petites sries"

La carte de contrle "petites sries" permet dadopter un raisonnement statistique
mme dans le cas dune srie de 10 pices. Ds la seconde pice, la carte de contrle
amne l'oprateur ne pas raisonner uniquement sur la seconde pice, mais raisonner
sur les deux premires pices. Bien que sensiblement identique aux cartes de Shewhart,
le principe de remplissage et de calcul des limites sont particuliers ce nouveau type de
carte.
2.2. Le remplissage de la carte des petites sries

Pour comprendre le fonctionnement de cette carte, nous allons nous appuyer sur le
premier exemple de rglage que nous avons voqu au chapitre 3, paragraphe 4 - figure
3.1. Nous rappelons la suite des valeurs dans le tableau ci-dessous.
Numro
Cote
Action
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
connatre limportance de la correction effectuer en fonction des trois premires pices

prleves. Le rglage sera ici gal 2,3, la moyenne des trois premires pices. Nous
verrons plus tard que ce rglage peut tre affin.
Ayant rgl, loprateur passe la carte suivante. En effet, comme il y a eu
rglage, il faut considrer un nouvel chantillon sinon nous inclurions dans les causes
communes les variations de rglage.
On constate qu'il ralise les 5 pices suivantes en remplissant la carte de contrle
sans que celle-ci dtecte le besoin d'un nouveau rglage. Il a ralis 8 pices
parfaitement conformes, correctement centres par rapport la nominale. Il y a une
forte probabilit que le rglage est bon comme le montre la deuxime srie de mesures
quil vient de raliser. Dans le cas o la capabilit machine est suprieure 2 [5
chapitre 4], il nest pas ncessaire de mesurer les deux dernires pices de la srie de
dix pices, elles ont une trs forte probabilit d'tre bonnes.
On note l'amlioration apporte par la carte de contrle "petites sries" sur la
mthode traditionnelle. L'oprateur a pu avoir trs tt le signal d'un dcentrage, et viter
ainsi d'obtenir la pice n7 hors tolrance.
A titre d'exemple, le lecteur pourra simuler le cas numro deux que nous avions
prsent, et vrifier que l'utilisation de notre carte de contrle "petites sries" aurait
vit le rglage inutile. Or, chaque fois qu'un rglage inutile est supprim, chaque fois
qu'une pice rebut est vite, c'est de la productivit en plus pour l'entreprise et donc de
la comptitivit.
3. Le calcul des limites de contrle

Nous avons choisi de prsenter le calcul de la carte de contrle moyenne/tendue
( X / R ) car c'est la plus adapte un remplissage manuel. Bien sr, il est nanmoins
possible d'utiliser une carte Moyenne/ cart-type (X / ). Les formules se dduisent
facilement partir des calculs prsents.
3.1 Identification de l'cart-type de la population

Pour appliquer cette mthode, il faut connatre la distribution suivie par le
procd, et donc lcart-type (). Cette distribution est facilement identifiable dans le
cas des sries rptitives. Il suffit de mesurer les rsultats obtenus lors des prcdentes
sries. Dans le cas de sries non rptitives, on peut nanmoins connatre la distribution
partir de lhistorique des productions ralises dans des conditions similaires.
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
Figure 4.2 - Feuille de relev

La feuille de relev ci-dessus nous permet de dterminer cinq sous groupes priori homognes et raliss peu prs dans les mmes conditions. On peut alors
calculer la variance de chacun des sous-groupes constitus.
Sous groupe
NB de valeurs
Variance s2
1
3
2.33
2
4
0,917
3
8
4,125
4
10
1,6
5
4
1,66
Il faut maintenant vrifier l'homognit des variances. Les tests simples de

Cochran et de Hartley ne sont pas possibles car les nombres de degr de libert ne sont
pas identiques dans chaque chantillon. Il faudrait faire le test de BARTLETT qui est
relativement lourd. Une autre solution consiste utiliser le test de comparaison de
variance une valeur thorique qui n'est autre que la variance intra-srie. Cette
comparaison peut se faire au moyen d'une carte de contrle de la variance.
Variance intra srie =
Dans notre cas Vi =
1V1+ 2V2+... + nVn

1 + 2 +... + n
2 x 2 , 33 + 3x 0, 917 + 7 x 4 , 125 + 9 x1, 6 + 3x1, 66

= 2,319
24
Le calcul de la carte de contrle est effectu partir de la distribution du :
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
Ce qui donne sous forme graphique la figure 4.3.

25
20
15
10
5
0
1
Figure 4.3 carte de contrle de la variance
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
On peut galement estimer l'cart-type partir de la moyenne des tendues

calcules sur deux pices conscutives sans causes spciales entre ces valeurs. On
calcule donc l'tendue entre la premire et la seconde, entre la seconde et la troisime,
etc.
Dans notre exemple, nous trouverions comme moyenne des tendues : R = 1, 875
Page 4.6
En utilisant la loi de l'tendue rduite que nous avons prsente au chapitre 2

paragraphe 1.2, nous trouverions comme estimation de l'cart-type
$ =
R 1, 875
=
= 1, 66
d 2 1,128
3.2. Calcul de la carte des moyennes

RAPPEL STATISTIQUE PRELIMINAIRE
Nous rappelons au lecteur un rsultat fondamental de statistique qui est la base de

la technique des cartes de contrle.
Si on considre une population dcart-type et de moyenne M, les moyennes des
chantillons prlevs de faon alatoire de taille n suivent une rpartition de GAUSS, de
moyenne M et dcart-type n
/2
/2
u.
u.
Figure 4.4 - Risque
En nous appuyant sur les lois de l'chantillonnage, et en supposant que la machine

soit parfaitement centre, la premire pice ralise se situera dans lintervalle
[ N - u. , N + u. ]
Avec
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
3.3. Calcul de la carte des tendues

En appliquant la loi de ltendue rduite (chapitre 2, 1.2), nous pouvons
calculer, en fonction de lcart-type historique, ltendue moyenne observe sur n
pices . On trouve :
R = d .
2
La loi de l'tendue a pour cart-type R, lequel se dduit de l'cart-type de la
population totale par la relation :
= 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
0.20 0.39 0.55 0.69 0.81 0.92 1.03 1.12 1.20

3.69 4.36 4.69 4.91 5.08 5.20 5.31 5.39 5.47 5.53 5.59 5.65 5.69 5.74
2.12 1.73 1.5 1.34 1.22 1.13 1.06
1
0.95 0.90 0.87 0.83 0.80 0.77
La figure 4.5 donne un exemple de calcul
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
Calcul de la carte des tendues

Pour n = 2
=x 3,69 x 1,15 = 4,24
Limite suprieure LSCr = D6
Pour n = 3
Limite suprieure LSCr = D6
=x 4,36 x 1,15 = 5,01
Figure 4.5 - Calcul des limites sur la carte "petites sries"
4. Dtermination du rglage optimal

Le rle de la carte de contrle "petites sries" ne s'arrte pas la dtection des
recentrages ncessaires. En effet, elle peut galement indiquer l'importance des rglages
raliser. Pour cela, il faut dterminer quel est le rglage pour lequel la probabilit de
recentrer le procd est plus forte que la probabilit de le dcentrer. Pour dvelopper
cette partie, nous nous appuierons sur les travaux de Mrs LILL, CHU et CHUNG [Lill
91]
4.1. Cas o le rglage doit tre ralis sur la premire

pice
Dans le cas o la premire pice dtecte un drglage, l'oprateur doit recentrer
son procd. La valeur mesure, est en fait la combinaison d'un dcentrage et d'une
dispersion autour du dcentrage. Le rglage optimal est bien entendu d'annuler le
dcentrage, mais il est impossible pour l'oprateur de savoir qu'elle est la part du
dcentrage et celle de la dispersion dans la mesure qu'il a ralise. La figure 4.6 montre
[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.
r
Dispersion
de rglage
Dispersion
de production
Ecart
mesur
Figure 4.6 - Combinaison du dcentrage et de la dispersion
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
Avec Z = c(E - XR) + XR

Le maximum de la fonction de rpartition ci-dessus est lorsque la fonction Z est
minimum. En effet, le moindre risque d'erreur sera au maximum de la densit de
probabilit de la loi obtenue. En diffrenciant Z par rapport XR, nous trouvons :
Z
= 2 c2 E X + X
R
R
X
R
La fonction de rpartition est maximum pour :

Z
=0
XR
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
Estimation pralable du coefficient c - proposition de Hill
On constate que le meilleur ajustement est trs facile calculer si on a identifi le
rapport c = R . Il faut tre capable d'identifier R et P.

P
P est assez facile identifier, c'est l'cart-type de la population totale dont nous
avons dj eu besoin pour le calcul des limites de contrle.
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.
Le coefficient traduit la difficult d'obtenir un rglage prcis avant de pouvoir

mesurer une pice. Ce coefficient dpend donc de la machine et de son quipement
comme par exemple un banc de pr rglage.
Trois niveaux de difficult sont retenus par Hill :
Difficult
U
Trs difficile
5
Normale
8
Trs facile
12
avec bien sr la possibilit de prendre des niveaux intermdiaires.
Estimation pralable du coefficient c - notre proposition
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
Calcul du coefficient c - notre proposition
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
4.2. Cas du rglage sur la nime pice

Nous venons de voir ce qui se passe lorsque le rglage a lieu sur la premire
pice. Il faut galement calculer le rglage optimal lorsque ce rglage a lieu sur la nime
pice.
Rglage aprs deux pices
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
L'ajustement optimal est : A = E
2. c2
1 + 2. c2
Rglage sur la nime pice
En appliquant le mme raisonnement, on trouve que:

L'optimal est : A = E
n. c2
1 + n. c2
4.3 Rgle pratique de rglage

4.3.1. dtermination de la rgle
Pour simplifier l'utilisation de la formule prcdente, nous allons tablir une
relation simple de rglage :
Ajustement optimal = K x Ecart
avec K =
n. c2
1+ n. c2
Page 4.15
Dans le cas o nous retenons la stratgie d'estimation R = P, il est possible

d'tablir une rgle simple de rglage.
En effet c = 1, le rapport K est donc gal n/(1+n).
Le tableau ci-dessous donne le coefficient K.
Rglage sur la moyenne de
Coefficient K
1
1/2
2
2/3
3
3/4
4
4/5
5
5/6
La rgle (souvent applique de faon empirique en production) consiste rgler

de la moiti de l'cart sur la premire pice, des 2/3 de la moyenne des carts sur la
seconde etc...
On peut simplifier en considrant qu' partir de la cinquime pice, le rglage doit
tre gal la valeur de la moyenne des carts."
Dans le cas o le coefficient c est diffrent de 1, un rapide calcul permet d'tablir
le coefficient K.
4.3.2. Dtermination d'une grille de rglage

Pour tre applicable sur le poste de travail, il est ncessaire de toujours simplifier
le travail des oprateurs.
Il faut tablir une grille qui leur permettra de dterminer en fonction :
de l'cart constat entre la moyenne et la cible,
du nombre de pices dans l'chantillon au moment o la carte a dtect un
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
Il est plac sur le poste de travail, et permet l'oprateur de savoir rapidement la

correction apporter.
Page 4.16
5. Efficacit de la carte de contrle

"petites sries"
L'efficacit d'une carte de contrle est en fait l'efficacit dtecter un drglage.
En effet, lorsqu'on pilote un procd avec des mthodes statistiques, on a toujours deux
risques dcisionnels :
- le risque de premire espce de conclure un drglage alors qu'il n'y en a
pas,
- le risque de seconde espce de ne pas dceler un drglage alors que celui-ci
existe.
La figure 4.7 montre le risque dans le cas d'un rglage parfait, et le risque
dans le cas d'un dcentrage.
Limite infrieure
de contrle
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
Figure 4.7 - Les risques et
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.
B : la limite de contrle des moyennes loignes de la valeur cible de u 2 x
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
Ce tableau se reprsente sous forme d'une courbe :

Probabilit de ne pas dtecter le drglage
1.0
0.9
0.8
0.7
0.6
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
Figure 4.8 - Courbe d'efficacit des cartes de contrle "petites sries"
On note sur ce graphique tout l'intrt de travailler avec la carte de contrle

"petites sries" plutt que de travailler de faon traditionnelle en raisonnant sur la
dernire pice. Le raisonnement traditionnel a pour efficacit la courbe n=1. Ds que le
raisonnement a lieu sur deux pices plutt que sur une pice, la courbe d'efficacit
s'incline de faon importante.
En limitant la carte de contrle "petites sries" 5 pices, on a un dcentrage
maximum qui est gal environ 2 . Le nombre de pices prlever dans un
chantillon minimum pour tre sr du bon centrage du procd dpend donc de la
capabilit machine.
Nous devons tablir une relation liant le risque (de ne pas conclure un
drglage alors que celui-ci existe), le pourcentage de pices hors tolrances admises, la
capabilit machine et le nombre minimum de pices dans l'chantillon.
k.
Limite
de contrle
Limite de
tolrance
u p x
u(/2 )x
n
Nominale
Figure 4.8 - Dtermination du nombre minimum de mesure dans l'chantillon
Dans le cas d'un procd bilatral, nous pouvons crire :

AD = AB + BC + CD
Ce qui se traduit par :
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
n : nombre mini de mesure dans l'chantillon,

: cart type de la population totale.
Nous pouvons galement crire :
Cm = IT/6
L'quation prcdente devient :
u
3
3.Cm =
+
+u
p
n
n
D'o, il vient la relation recherche :
Nombre minimum de mesure dans l'chantillon :

2
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
6. Capabilit partir des cartes "petites

sries"
Comme dans le cas des grandes sries, il est possible de calculer un indice de
capabilit court terme et long terme partir des donnes contenues dans les cartes
"petites sries". Nous noterons au passage que ces cartes permettent une traabilit trs
efficace des productions ralises.
6.1. Capabilit court terme

Estimation de l'cart-type instantan partir des tendues
Comme dans le cas des cartes de contrle traditionnelles, lindice de capabilit

court terme (Cm) pourra tre "approch" partir de lcart-type estim ins tan tan .
ins tan tan reprsente l'cart-type de la dispersion intra-chantillon. Pour avoir une
estimation non biais de ins tan tan , le plus simple consiste l'estimer partir de la
moyenne des tendues de chaque lot homogne en appliquant la relation
Ins tan tan =
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
4 x1, 7 + 10 x1, 5 + 10 x1, 3 + 9 x1, 6

= 1, 49
33
Page 4.21
Estimation de l'cart-type instantan partir des variances intra-chantillon
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
1V1+ 2V2+... + nVn

1 + 2 +... + n
1 : nombre de degr de libert de l'chantillon 1 = n1-1

V1: Variance s1 de l'chantillon 1
On en tire ins tan tan =
Vint rasrie
Recalcul des limites de contrle
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
La capabilit machine se calcule facilement partir de ins tan tan . On a :

Cm =
IT
6xins tan tan
6.2. Capabilit long terme

La capabilit long terme a pour objectif de connatre la capabilit de ce qui est
rellement livr au client. Comme dans le cas des cartes de contrle traditionnelles
[Chapitre 2 2.1.5], le calcul des capabilits doit se faire partir des valeurs
individuelles
Il est facile dans ce cas destimer la dispersion de la production ralise sur
plusieurs sries. En effet, il suffit, dans les conditions de normalit, de calculer lcarttype de lensemble des valeurs individuelles inscrites sur les cartes, pour estimer la
dispersion.
Soit lcart-type des valeurs individuelles Cp = IT/6
La vraie capabilit tant calcule par :
Page 4.22
Cpk =
X Limite la plus proche

3.
Page 4.23
7. Autres utilisations de la carte de

contrle "petites sries"
Outre l'utilisation de cette carte de contrle pour le pilotage de production en
petites sries, on peut galement l'utiliser pour le dmarrage de production de sries
plus importantes, pour lesquelles il convient d'optimiser le rglage des premires pices.
En effet, les dix premires pices d'une grande srie se comportent comme une petite
srie de dix pices. On peut, galement, utiliser cette carte pour le dmarrage, et la
transformer en une carte traditionnelle X/R aprs les 5 premires pices de rglage.
Comme le montre la figure 4.9, la carte comporte une premire partie en carte de
contrle "petites sries" qui se transforme ensuite en une carte de contrle
traditionnelle.
Figure 4.9 - Carte de contrle avec dmarrage de srie
Cette application de la carte de contrle petites sries permet l'oprateur

d'utiliser la MSP ds les premires pices, et ainsi d'utiliser pleinement l'avantage des
mthodes statistique de pilotage.
Page 4.24
8. Carte de contrle "petites sries" avec

procdure CUSUM
8.1. L'intrt d'introduire une procdure CUSUM
On a remarqu, dans le paragraphe 5 de ce chapitre, que si la carte de contrle
traditionnelle telle que nous l'avons prsente tait suffisante dans le cas des machines
dont le Cm tait suprieur 2, il n'en est pas de mme pour les machines dont la
capabilit est limite. Il serait intressant d'amliorer l'efficacit de la carte.
De plus, dans le cas des toutes petites sries, il faut dtecter le plus vite possible
un dcentrage afin de limiter le nombre de pices dfectueuses. Nous avons vu au
chapitre 2 que la procdure CUSUM introduit par LUCAS [Luc 73] [Luca82] [Lucb82]
[Pal 91] permet d'amliorer dans certains cas, l'efficacit des cartes de contrle. Il nous
a donc sembl utile d'adjoindre notre carte de contrle "petites sries" une procdure
CUSUM qui permettra d'amliorer la rapidit de dtection des dcentrages de la
moyenne.
Nous avons cependant conserv comme procdure graphique la procdure que
nous avons dcrite prcdemment, car celle-ci possde l'avantage d'tre trs
significative pour les oprateurs. La procdure graphique de la carte CUSUM n'est pas
directement exploitable puisqu'elle reprsente des carts cumuls qui ne sont pas
forcment proportionnels aux dcentrages de la machine. La procdure CUSUM que
nous introduisons dans la carte de contrle "petites sries" est donc une procdure
purement calculatoire qui vise amliorer la rapidit de dtection d'un dcentrage.
8.2. Le principe de la mthode

Le principe de la mthode CUSUM que nous allons dvelopper est le mme que
le principe de la carte de contrle "petites sries".
[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
Pour chaque mesure X ralise, on peut calculer la variable rduite associe

cette mesure qui est:
u = XC
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
La premire somme sert dtecter un dcalage du ct positif de la moyenne, la

seconde du ct ngatif. D'un point de vue pratique, il est aussi possible de ne pas
raisonner en variables rduites, mais en valeurs relles. Cela simplifie les calculs
raliser sur le poste de travail. Cependant, nous garderons dans notre travail le calcul en
variables rduites qui est plus explicite pour le lecteur.
La valeur k est souvent choisie comme tant la moiti du dcalage de la moyenne
que l'on souhaite dtecter. k est gnralement fix 0,5 pour dtecter un dcentrage de
un cart-type. Les deux sommes sont initialises 0 en dbut de procdure, et chaque
fois qu'un procd hors contrle est dtect. Un signal "hors-contrle" est dcel chaque
fois qu'une des deux sommes excde une valeur limite, note h par l'auteur de la
mthode. h est choisi entre 4 et 5 en fonction de l'efficacit souhaite de la carte de
contrle.
Nous avons dtaill le cas de la procdure FIR CUSUM, au chapitre 2 paragraphe
1.4., qui consiste initialiser les sommes la moiti de la valeur h. La procdure FIR
CUSUM est plus rapide que la procdure CUSUM pour dtecter un dcentrage.
Nous allons appliquer les procdures CUSUM et FIR CUSUM aux deux
exemples que nous avons dtaills au chapitre 3 paragraphe 4. La figure 4.10 nous
montre le cas de l'exemple 1 qui a t trait avec la carte de contrle "petites sries" au
paragraphe 2. Celle-ci avait dtect un drglage partir de la troisime valeur. Nous
donnons dans la figure 4.10 le rsultat des deux procdures : la procdure CUSUM et la
procdure FIR CUSUM.
Condition de production
Ecart-type de la population =1,15
Valeur cible 0
Coefficient k = 0,5
Coefficient h = 5
Page 4.26
N
1
2
3
4
5
6
7
8
Sinit = 0 pour CUSUM - 2,5 pour FIR CUSUM

CUSUM
Mesure
u
SH/0
SL/0
2
1,74
1,24
0,00
1
0,87
1,61
0,00
4
3,48
0,00
4,59*
0
0,00
0,00
0,00
-1
-0,87
0,00
0,37
-1
-0,87
0,00
0.74
3
2,61
2,11
0,00
-1
-0,87
0,74
0,37
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
Figure 4.10 - Procdure CUSUM et FIR CUSUM
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.
8.3. Efficacit de la procdure CUSUM

Si l'efficacit dans le cas des cartes de contrle de Shewhart est facile calculer,
il n'en est pas de mme pour le calcul de l'efficacit dans le cas des cartes de contrle
CUSUM. Il est donc ncessaire de recourir une simulation informatique ou a des
techniques d'intgration numrique.
On dfinit l'efficacit d'une carte de contrle CUSUM par un chiffre ARL
(Average Run Length) ou POM en Franais (Priode Oprationnelle Moyenne) qui
traduit la moyenne du nombre de calcul avant d'avoir un point hors limite d'acceptation.
Lucas [Lucb82] a publi un tableau donnant les POM pour diffrents dcalages de la
moyenne partir des conditions h = 5 et k = 0,5.
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
On note sur ce tableau l'efficacit de la carte de la procdure FIR CUSUM par

rapport la procdure CUSUM. On note que la valeur POM pour un dcalage nulle de
la moyenne n'est pas nulle. Elle est associe au risque de seconde espce. C'est la
"fausse alarme", la carte dtecte un dcentrage inexistant. On constate sur ce tableau
que le risque est sensiblement le mme dans le cas FIR CUSUM que dans le cas
CUSUM. Nous retiendrons pour nos applications la procdure FIR CUSUM.
On peut comparer les POM des cartes CUSUM aux POM des cartes "petites
sries" sans procdure CUSUM. Pour calculer les POM, nous partons de la loi
binomiale. Soit p, la probabilit de dtecter une situation hors contrle. La probabilit
d'obtenir le premier signal hors contrle sur la nime valeur sera donne par
f ( n) = p1 (1 p) ( n 1)
avec n = 1, 2, 3, 4, ...
Nous pouvons crire
E ( n ) = np (1 p )
n 1
n =1
= p n (1 p ) n 1
n =1
Le terme (1 p ) n 1 est une srie gomtrique infinie et on a

n =1
(1 p)
n =1
n 1
1
p
Si on drive les expressions de chaque ct de l'galit et que l'on multiplie par p,

il vient :
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
Figure 4.11 - POM de la procdure des moyennes
En comparant ce tableau avec le tableau des POM pour la procdure CUSUM, on

constate facilement que la procdure CUSUM est plus efficace pour dtecter les petites
drives ( 1 et 1,5 ). Par contre, lorsque la drive devient plus importante, la carte de
contrle "petites sries" sans procdure CUSUM devient plus efficace.
Cette tude nous a montr la complmentarit des deux approches. Les deux
procdures de calcul offrent chacune leurs avantages dans des cas de figure trs
diffrents. Les faibles drives seront souvent rapidement dtectes par la procdure
CUSUM car la probabilit de dtecter de faibles carts avec le calcul de la moyenne est
faible. Par contre les carts importants seront dtects trs rapidement par la carte aux
moyennes.
Pour illustrer l'efficacit de la procdure de la moyenne, nous avons gris les cas
o POM tait infrieur 2. On constate, en effet, que pour un dcalage de 2,5 carttypes, la dtection du dcentrage de grandes chances d'apparatre ds la seconde
mesure. Pour un dcalage de 2 cart-types, il faudra attendre la quatrime mesure de
l'chantillon pour avoir une forte probabilit de dtecter ce dcentrage.
Cependant, comme nous sommes dans le cas des petites sries, il est toujours
possible de prendre un risque (risque de drgler une machine rgle) plus important.
En effet, le fait de prendre h = 5 nous donne une POM de 430 pour la procdure FIR
CUSUM. Ce qui correspond un rglage inutile sur 430 contrles lorsque le procd
est parfaitement centr. Dans le cas des petites sries, o le nombre de contrle est
faible, il est possible d'augmenter ce risque en diminuant h afin d'tre plus rapide dans
la dtection des dcentrages.
Page 4.29
9. La carte "petites sries"

Application sur diffrents cas de figure
Pour tester les diffrentes ractions de la carte de contrle "petites sries", nous
avons utilis un simulateur gnrant une loi normale d'cart-type 1,3 unit. Nous avons
test la carte pour diffrents cas de figure. Nous ne retiendrons que les cas les plus
caractristiques qui montrent l'intrt du double calcul Moyenne/CUSUM.
Intervalle de tolrance 08
Cm = 16/(6x1,3) =2,05
9.1 Dtermination de la carte

Dtermination du nombre de valeur dans l'chantillon maxi
Cm = 2, en retenant les conditions d'efficacit que nous avions fixes au

paragraphe 4, le nombre minimum de mesure tait de 4, nous prendrons 5 mesures pour
tre sr du centrage.
Calcul de la carte des moyennes
Pour les moyennes
LSC X = Cible + A 4 .
LIC X = Cible A 4 .
Pour les tendues
LSCR = D6 .
LICR = D5 .
Les limites seront donc

n
LICX
LSCX
Rmoyen
LSCR
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
Conditions de la procdure CUSUM pour POM0 = 430
k = 0,5 soit 0,65

h=5
Page 4.30
Choix de la procdure FIR CUSUM
9.2. Test n 1 - simulateur centr sur 1,3 soit 1

Pour le premier test que nous avons effectu, nous avons rgl le simulateur sur
1,3. L'cart-type de la population tant de 1,3, ce dcentrage correspond un dcalage
de 1x
Dans ce cas, les tudes d'efficacit nous montrent que le nombre moyen de
prlvement pour la carte CUSUM est de 6,35 pour un POM0 de 430. Cela signifie que
nous ne sommes pas sr de trouver ce drglage sur 5 pices. Pour la procdure de la
moyenne, la probabilit de dtecter un si petit dcentrage est trs faible mme partir
de l'chantillon maxi de 5 pices (POM = 4,5). La figure 4.12 illustre cette application
n
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
Figure 4.12 - Test n1
La carte de contrle des moyennes ne dtecte pas le drglage dans les 5

premires valeurs. Nous avons poursuivi l'exprience sur 3 mesures supplmentaires,
mais bien que proche des limites la procdure des moyennes ne signale pas le
dcentrage. La procdure CUSUM ne dtecte pas non plus le dcentrage dans les 5
premires mesures. Par contre, en poursuivant la simulation, on a un signal de
dcentrage lors de la septime valeur. Si nous avions choisit comme limite h=4 (pour un
POM0 plus faible) nous aurions le signal de dcentrage ds la sixime valeur.
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.
9.3. Test n 2 - simulateur centr sur 2 soit 1,5

Dans ce cas, les tudes d'efficacit nous montrent que le nombre moyen de
prlvement pour la carte CUSUM est de 3, 37. Pour la procdure de la moyenne, on
note qu'il faut attendre la cinquime valeur pour avoir, avec une forte probabilit,
l'indication de dcentrage (POM = 1,6). La figure 4.13 illustre cette application
n
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
La carte de contrle des moyennes ne dtecte pas le drglage avant la 4me

valeur alors que la procdure CUSUM dtecte le drglage ds la seconde pice.
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 au 2/3 de la
valeur de la moyenne lors de la deuxime mesure, soit :
Rglage raliser aprs dtection par la carte CUSUM =
2 x2, 5
= 1, 66
3
Page 4.32
Le drglage initial tant - dans cette simulation - connu et gal 2, on note la

rapidit de la dtection, et l'efficacit du rglage gnr.
Dans le cas du fonctionnement de la carte sans procdure CUSUM, la dtection
du dcentrage aurait eu lieu la quatrime mesure. La correction apporte aurait t de
(4/5)x2,25 soit de 1,8. Dans les deux cas, le recentrage est satisfaisant.
9.4. Test n 3 - simulateur centr sur 2,6 soit 2

Dans ce cas, l'efficacit de la procdure CUSUM et du test sur les moyennes est
sensiblement identique. La dtection peut intervenir soit par le calcul CUSUM, soit par
le test des moyennes.
n
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
9.5. Test n 4 - simulateur centr sur 4 soit 3

Le dernier test que nous traiterons sera le cas d'un dcentrage important. Les
calculs d'efficacit nous montrent qu'un tel dcentrage doit tre dtect trs rapidement
autant par la carte CUSUM que par le calcul des moyennes.
n
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
La dtection est effectivement ralise ds la premire pice par la carte des

moyennes. Le rglage tant dcid sur la premire valeur il sera de la moiti de l'cart
constat soit de 2, ce qui est insuffisant. Nous retrouvons alors le cas du test n2.
Notons cependant que dans l'hypothse que nous avons retenue, la dispersion de
rglage tait gale la dispersion de production. Un dcentrage de 4 est peu probable.
Si ce cas se reproduit souvent, il faudra changer le rapport entre la dispersion de rglage
et la dispersion de production et donc changer le coefficient de rglage de 1/2.
Si nous avions travaill avec l'hypothse rglage trs difficile, nous aurions choisi
IT
= 3, 2
comme coefficient U = 5 [Cf 3.1] soit R =
5
Le coefficient c aurait t gal 2,46 et donc le rglage optimal gal :
Page 4.34
Rglage = Ecart.
c2
= 3, 43
1 + c2
Soit une correction tout fait correcte.
9.6. Remarque sur la carte des tendues

Dans le cas de la carte de contrle "petites sries", la carte des tendues joue un
rle important. Comme pour de la carte de contrle traditionnelle, elle permet de
surveiller la capabilit de la machine.
Dans les tests que nous avons raliss, l'ensemble des points sur la carte de
contrle des tendues tait dans les limites de contrle. Nous n'avons donc pas dtect
de drive de la capabilit machine lors de ces essais.
Lorsqu'un point sort de la carte de contrle des tendues, cela signifie que la
dispersion instantane augmente. Or, l'ensemble des calculs des limites de la carte de
contrle "petites sries" sont bass sur cette dispersion instantane. Il est donc impratif
de stopper la machine pour rsoudre le problme de capabilit. Les limites de la carte ne
sont alors plus valables.
En fait la carte de contrle sur tendue a un rle de "chien de garde". Elle
surveille que la capabilit machine ne drive pas et que les hypothses de calcul de la
carte sont toujours valables.
Page 4.35
10. Application un cas industriel

Les diffrentes publications et confrences que nous avons dj ralises sur la
carte de contrle "petites sries" ont suscit un vif intrt de la part des industriels.
Quelques prcurseurs ont dj mis en application cette mthode. Ce paragraphe nous
permettra de dcrire un cas d'application dans la socit Transrol Chambry (73) pour
lequel l'ensemble de la procdure que nous avons dcrite dans ce chapitre a t
respecte.
10.1. Les conditions de dpart

L'entreprise Transrol (groupe SKF) fabrique principalement des vis billes la
commande. Les sries sont ncessairement petites, et l'intrt de la carte de contrle
petites sries est apparu rapidement l'encadrement de l'entreprise.
L'application concerne l'usinage d'une douille (Figure 4.16) sur tour commande
numrique (Gildemeister CT 60). La caractristique surveille est la longueur de la
douille. Cette caractristique trs importante conditionne la recirculation des billes dans
la vis billes. Elle a pour intervalle de tolrance 0,02. La valeur nominale est choisie
pour avoir une longueur adapte aprs trempe. La dformation la trempe a t mesure
par des essais.
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
Figure 4.16 - Cas d'application de la carte "petites sries"
Il existe 6 types de douilles diffrents. La production est ralise en petites sries

de 20 100 units. La carte de contrle choisie a t la carte de contrle "petites sries"
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.
10.2. Mise en oeuvre des cartes

La mise en place de la carte de contrle "petites sries" a t prcde par une
formation de l'ensemble des personnes concernes par la MSP. Cette formation a touch
les oprateurs, l'encadrement de la production, le personnel du service mthode
concern, et le personnel du service contrle. L'objectif de cette formation tait de
matriser les techniques traditionnelles de la MSP, dans le cas classique, et dans le cas
particulier des petites sries. La dure de la formation a t de 16 heures en 4 demijournes.
Avant la mise en place des cartes de contrle "petites sries", M. Careglio du
service contrle, a mis en place une feuille de relev (paragraphe 3.1.) afin d'identifier
l'cart-type instantan. Les calculs de la carte de contrle ont t raliss conformment
aux rgles prsentes au paragraphe 3.
10.3. Exemple de pilotage

Les cartes (figure 4.17) donne un exemple de pilotage par la carte de contrle
petites sries/Shewhart. Les cartes tant tenues de faon manuelle, la procdure
CUSUM n'a pas t retenue. Les calculs des moyennes sont simplifis par l'utilisation
sur le poste de contrle d'une table de division qui donne la moyenne en fonction de la
somme des carts et de la taille de l'chantillon. Le travail supplmentaire de l'oprateur
par rapport la dmarche traditionnelle se rsume dans les oprations suivantes :
inscrire la valeur de la mesure sur la carte,
faire la somme S des carts sur les n premires pices considres,
lire sur la table la moyenne en fonction de S et de n,
reporter sur la carte les moyennes et tendues,
faire le graphique de la carte.
Page 4.37
Figure 4.17 - Exemple de cartes
10.4. Les rsultats

L'utilisation de la carte de contrle a permis une amlioration importante des
capabilits. Les indicateurs Cp et Cpk qui taient respectivement gaux 0,55 et 0,5
(11% hors tolrance) sont monts 1,37 et 1,18 en moyenne ce qui correspond
0,016% de pices hors tolrance.
Ce gain de capabilit a pu tre ralis grce la facilit de rglage procure par la
carte de contrle "petites sries" lors du premier rglage qui s'enchaine naturellement
avec la carte de Shewhart pour maintenir le procd sous contrle. Les rglages sont
raliss aujourd'hui selon une procdure et non selon l'humeur de l'oprateur.
Cette cote tant trs importante, chaque pice hors tolrance donne lieu une
retouche ou un rebut. On peut conclure que la mise en place de la carte de contrle
"petites sries" a permis un gain de productivit de prs de 10%. Ce qui est
considrable.
Ces rsultats encourageants ont permis de dmultiplier ce type de cartes dans
l'atelier de la socit Transrol. Au jour de cette rdaction, quatre cartes de type petites
Page 4.38
sries sont en application dans la socit, et d'autres caractristiques sont en phase

d'analyse pralable avec la feuille de relev.
11. Conclusion sur ce chapitre

Ce chapitre nous a permis d'tudier en dtail la carte de contrle "petites sries".
Nous avons d'abord expos le principe de fonctionnement de cette carte de contrle, et
son intrt pour les petites sries et les dmarrages de sries. Nous avons tudi en
dtail la mthode de mise en oeuvre de cette carte, notamment l'identification de l'carttype instantane, qui est assez dlicate dans le cas des petites sries.
L'tude de l'efficacit de la carte nous a permis d'observer la difficult de la
procdure de la moyenne dtecter les petites drives. Nous avons ainsi montr l'intrt
de rajouter une procdure FIR CUSUM aux cartes de contrle petites sries.
L'tude en simulation sur diffrents cas de figure a permis d'illustrer le
fonctionnement simultann de la procdure de la moyenne et de la procdure CUSUM
sur la carte de contrle "petites sries"
Aujourd'hui plus qu'hier, nos entreprises ont besoin d'amliorer leur productivit.
Il faut trouver des mthodes qui permettent moindre frais de diminuer les rebuts et
d'amliorer les cadences. Nous pensons que cette carte de contrle permet d'accrotre la
rapidit de centrage et d'viter des rglages inutiles. L'tude industrielle que nous avons
prsente nous montre que le centrage optimum gnr par l'utilisation de la carte de
contrle permet une amlioration importante de la capabilit et donc une diminution des
rebuts.
Page 4.39
Bibliographie
Bibliographie
[Afi 90]
AFIM/AFNOR
Actes de confrences - Journes AMDEC Lyon 1990 - 1990
[Afn 83]
Norme AFNOR NFX X 06-021 / X 06-022
[Afn 92]
AFNOR
Recueil de normes Franaises - Statistiques tome 1 & 2
Afnor ditions - 1992
[Api 92]
APICS Dictionary
7 th Edition - 1992
[Asi 87]
Orthogonal arrays and linear graphs

American Supplier Institute, Inc - ASI 1987
[Ben 91]
Procdure Qualit/Fiabilit EE1 - 23:26

Bendix - 1991
[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
LLP - Edition : 26/03/2004
Page B.1
Bibliographie
[Box 78]
[Bra 89]
George E. P. Box - William G. Hunter - J. Stuart Hunter

Statistics for experimenters
Wiley interscience -1978
C. Braesch
Approche de la modlisation du systme de production d'une entreprise
manufacturire
Thse 1989 - Universit de Franche Comte
[Cno 88]
CNOMO - Normes CNOMO E41.92.110.N - 1988
[Dob 68]
C. S. Van Dobben De Bruyn

Cumulative Sum Test - Theory and practice
GRIFFIN's Statistical Monograph & Courses - Alan Stuart - 1968
[Dra 81]
Norman Drapper - Harry Smith

Applied regression analysis, Second edition
Wiley interscience - 709 pages - 1981
[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
LLP - Edition : 26/03/2004
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]
Normes ISO 9000/DIS 9000-2/9000-3/9001/9002/9003/9004/9004-2
[Iso 92]
AFNOR - ISO - DIS 8402-1992
[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]
LILL H. - CHU Yen - CHUNG Ken

Statistical Set-up Adjustement for low volume manufacturing
Statistical Process Control in Manufacturing - 23:38 - Dekker - 1991
[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
LLP - Edition : 26/03/2004
Page B.3
Bibliographie
[Mon 90]
Douglas C. Montgomery
Introduction to Statistical Quality Control - Second edition
ASQC Quality Press - 675 pages - 1990
[Nja 81] -
Norme Japonaise 78101 - 1981
[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]
Maurice Pillet - Alain Courtois

Le SPC - Surveillance des Procds en Continu
Contrle industriel et qualit - n 157 - 56:64 - Juin 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
LLP - Edition : 26/03/2004
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]
Leslie J. Porter - John S. Oakland

Process capability indices - An overview of theorie and practice
Quality and reliability Engineering International - 7 p - 437- 448 - 1991
[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
[Pro 60]
F. Proschan and I. R. Savage

Starting a Control Chart
Industrial Quality Control - 12:13 - September 1960
LLP - Edition : 26/03/2004
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]
Genichi Taguchi - Elsayed A. Elsayed - Thomas Hsiang

Quality engineering in production systems
Mc Graw-Hill -- 1989
LLP - Edition : 26/03/2004
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]
Wadsworth - Stephens - Godfrey

Modern methods for quality control and improvement
Wiley - 1986
[Zai 90]
A. Zaidi
QFD Une introduction
Ouvrage - Lavoisier - 1990
LLP - Edition : 26/03/2004
Page B.7

Thesepillet PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Thesepillet PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Sommaire

LLP - Edition : 26/03/2004

1. Qualit et dmarche Qualit.....................................................................................

2. L'volution des mthodes de la qualit .................................................................... 1.8

LLP - Edition : 26/03/2004

1. Le pilotage par cartes de contrle ............................................................................ 2.2

LLP - Edition : 26/03/2004

3.2. Notion de fonction perte .............................................................................. 2.32

LLP - Edition : 26/03/2004

4. La mthode traditionnelle de pilotage...................................................................... 3.8

LLP - Edition : 26/03/2004

9.3.1. Matrice idale.................................................................................. 3.31

LLP - Edition : 26/03/2004

1. Le besoin d'une nouvelle mthode ........................................................................... 4.1

4. Dtermination du rglage optimal............................................................................ 4.10

LLP - Edition : 26/03/2004

10. Application un cas industriel............................................................................... 4.34

Conclusion gnrale .................................................................................. C.1

LLP - Edition : 26/03/2004

Le travail prsent dans ce mmoire a t ralis au Laboratoire de Logiciels pour la

Le cadre de notre tude

LLP - Edition : 26/03/2004

LLP - Edition : 26/03/2004

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

1. Qualit et dmarche Qualit

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

1.1 les diffrentes approches de la qualit

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

[Api 92] - APICS Dictionary - 7 th Edition - 1992

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

"Conformit au besoin ou Aptitude l'emploi. La qualit peut tre dfinie

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

1.2 Dmarche Qualit

1.2.1. Stratgie qualit

1.2.2. Systme qualit

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

1.2.3. Mthodes qualit

1.2.4. Outils qualit

1.2.5. Les normes ISO 9000 et la dmarche Qualit

[Iso 87] - Normes ISO 9000/DIS 9000-2/9000-3/9001/9002/9003/9004/9004-2

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

La dmarche de certification des industries de l'automobile comme la SOGEDAC

[Sog 92] - Questionnaire Audit SOGEDAC - 1992

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

2. L'volution des mthodes de la qualit

Ces volutions traduisent un passage du stade artisanal au stade industriel. En

2.1. Premire volution, recherche de la qualit ds la

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

Nous pouvons donc construire la courbe d'efficacit du plan prcdent. Nous

Figure 1.2 - Courbe d'efficacit du plan de contrle

L'exemple prcdent illustre la faible efficacit du contrle par chantillonnage

LLP - Edition : 11/06/93

Chapitre 1 - Les outils statistiques dans l'approche qualit totale

Le contrle de rception ne peut donc pas assurer la qualit des productions, il

LLP - Edition : 11/06/93