MAITRISE STATISTIQUE DES PROCEDES

GENERALITES

A. LAMURE

MAITRISE STATISTIQUE DES PROCEDES INTRODUCTION : DEFINITIONS QUEST-CE-QUE LA MSP ? MSP = ensemble actions pour valuer, rgler et maintenir processus de production en tat de fabriquer produits conformes aux spcifications et avec caractristiques stables dans le temps. MSP = suite analyses qui comprennent : rflexion sur processus, caractristiques significatives de ce processus, du produit, des tolrances ncessaires ; validation outil de production et de son aptitude fournir ce que lon attend de lui et enfin mise en place de cartes de contrle. MSP = mthode prventive qui vise amener processus au niveau de qualit requis et ly maintenir grce systme de surveillance qui permet de ragir rapidement et efficacement toute drive. Mthode bases + particulirement sur statistiques. REMARQUE : "Statistical Processus Control (SPC)" Matrise Statistique des Procds ("Contrle Statistique du Procd") DEMARCHE MSP REFERENCE : pendant une ou plusieurs priode stable, dtermination, pour caractristique produit ou paramtre fonctionnement, rfrence statistique (minimum 100 valeurs) caractristique du processus (moyenne et dispersion) : rfrence englobe variations "naturelles" processus fabrication + contrle. ECHANTILLONNAGE : pilotage du processus avec chantillon constitu de quelques prlvements analyss : moyenne et dispersion rsultats obtenus = moyenne et dispersion processus instant considr. COMPARAISON DE LECHANTILLON AVEC LA REFERENCE : si chantillon ne diffre pas statistiquement de rfrence pas daction sur processus, sinon recentrage du processus.

MAITRISE STATISTIQUE DES PROCEDES INTRODUCTION : PROCESSUS DE PRODUCTION PROCESSUS = ensemble moyens et activits lies qui transforment lments entrants en lments sortants" (norme ISO 8402). PROCESSUS DE FABRICATION peut comporter plusieurs tapes depuis matires premires j produit fini allant chez client externe : chaque tape = processus avec interfaces fournisseur-client. PROCESSUS DE CONTROLE : produit doit tre conforme des spcifications, exprimes par tolrances. Vrification du produit sinscrit dans processus de contrle constitu de plusieurs processus individuels de mesure (pour chaque spcification et chaque tape de fabrication). Processus individuel de mesure ne concerne pas uniquement appareil de mesure mais aussi prparation lment de fabrication tester. PROCESSUS DE PRODUCTION = ensemble processus de fabrication + processus de contrle. Remarque : notion de processus de fabrication non limite transformation de matires ou dobjets. Processus de formation = processus de fabrication (acquisition des connaissances) + processus de contrle (valuations, tests).

MAITRISE STATISTIQUE DES PROCEDES INTRODUCTION : CARTES DE CONTROLE Pour reprsenter rsultat tests statistiques, SHEWHART a invent un graphique dnomm "Control Chart" ("Carte de contrle" ou "Carte de matrise"). Classement des cartes de contrle en 2 grands groupes : SCHEMA DUNE CARTE SHEWART : pour maintenir centre une caractristique dun processus, graphique propos par SHEWHART comporte : ligne centrale = cible (l o on aimerait que se trouve le processus) 2 limites de contrle infrieure et suprieure Lci et Lcs (ou Lmi et Lms limites de matrise infrieure et suprieure) dont position est fonction effectif n des chantillons et des risques de dcision. : caractrisant processus mesurable par w centrage chantillon et sa dispersion. On trouve cartes x (moyenne), w s (cart-type) et w ou R (tendue) groupes normalement par 2 : cartes ( x , w) w ou cartes ( x , s).
CARTE DE CONTROLE PAR MESURES

: information porte sur carte fonction du nombre individus de chantillon qui possdent un ou de plusieurs caractres dont on ne peut que constater prsence ou absence. On distingue cartes p (pourcentage ou proportion de non-conformes), cartes np (nombre dunits non-conformes), cartes c (nombre de non-conformits), cartes u (nombre moyen de non-conformits par unit),cartes D (dmrites = comptage pondr du pourcentage de non-conformits).
CARTE DE CONTROLE PAR ATTRIBUTS

Remarques : caractre mesurable peut tre soumis contrle par attributs en le considrant comme conforme si sa valeur intervalle de tolrance et nonconforme dans le cas contraire. Dans tous les types de cartes, dcision action ou pas prise au vu du dernier chantillon prlev. Analyse priodique (fonction volumes fabriqus et matrise atteinte) des cartes remplies pendant priode considre.
4

MAITRISE STATISTIQUE DES PROCEDES INTRODUCTION : NOTION DE RISQUE DECISIONNEL PRISE DE RISQUE : estimation statistique quun vnement se produise ou non ne peut svaluer que par rapport situation antrieure connue tablissement rfrence correctement et rigoureusement tablie sur processus considr pour pronostiquer son comportement futur. Dans dcisions prises suite contrle statistique ("agir" ou "ne pas agir") proposition choisie = la + favorable. Comme obtention chantillon hors des limites de contrle peu probable (ex. 0,1%) quand processus centr action lorsque chantillon limites : on aura 99,9% de chance davoir eu raison dagir. CONTROLES : soit 100% de toutes units produites, soit sur quelques prlvements dont moyenne constitue chantillon . estimation qualit de lensemble des units produites. Cots de contrle nombre n de mesures tandis que sret de jugement n contrle 100% trs onreux et peu pratiqu (ncessaire que pour raisons impratives scurit, renomme) car ne met pas 100% labri de rclamations (vnement ponctuel peut fausser un contrle). Contrle quelques units : nombre dunits contrles risque RISQUES ET : : soit un oprateur qui vrifie diamtre axes d = 3 mm avec pied coulisse idalement rgl. Limites de tolrances fixes Ti = 2,9 mm et Ts = 3,1 mm. Si une cendre de cigarette tombe malencontreusement entre mors du pied coulisse sans quil sen aperoive, il se peut que : axe pris ait un diamtre bon mais proche de Ts et que surpaisseur cendre valeur lue > Ts pice plac dans rebuts. pice ait un diamtre rel < Ti et que surppaisseur de la cendre pice considre bonne expdie au client. Risque (1re espce, risque fournisseur, fausse alarme) = risque de trouver mauvaise quelque chose qui est bonne ou dagir sur un processus alors quil ne le faudrait pas. Risque (2me espce, risque client) = risque de trouver bonne quelque chose qui est mauvaise ou de ne pas agir alors quil le faudrait. Dans toute dcision que nous prenons, existence de ces 2 risques derreur. Pour assurer tolrances aux clients, cartes de matrise calcules de faon quelles permettent de dcider avec minimum de risques ( et ) si action corrective ncessaire ou pas sur processus.
5

MAITRISE STATISTIQUE DES PROCEDES INTRODUCTION : SECTEURS DAPPLICATIONS MSP prconise mise en place, en cours de fabrication, de cartes de matrise qui assureront en permanence tolrances et permettent de supprimer contrles a posteriori. Deux cas peuvent se prsenter : si client dj form MSP : envoi de photocopies de la (les) carte(s) de matrise sur priode de fabrication correspondant au lot expdi ou lots livrs sans chiffre mais contrles priodiques par client ("audit") du systme Qualit de son fournisseur. si client non form MSP : envoi de bulletins danalyse, moyenne des rsultats obtenus avec cartes de matrise sur priode de fabrication correspondant commande. Utilisation MSP sur tout processus utilisant ou fournissant produits au sens trs large du terme (rsultats contrle analytique, de scurit ou denvironnement produits). Fabrication produits industriels passe par contrles : qualit des matires premires (jugement qualitatif proportion units non conformes dit aux attributs [norme AFNOR NF X06-022] ou de qualit partir de mesures [norme AFNOR NF X06-023]). Contrle de rception matires premires devrait disparatre (ISO 9000, contrles fournisseur et non client). reproductibilit chanes de mesure puisque processus de production = processus de fabrication + mesure, variabilit du produit = variabilits fabrication + mesure. Variance de fabrication inconnue (jugement au travers de mesures) mais variance chane de mesure mesurable (tude statistique de reproductibilit sur un seul prlvement) connaissance du domaine (fabrication ou contrle) amliorer en priorit. vrification dtalonnage appareils de mesure : qualit dun produit lie au couple (fabrication, contrle). Si caractristique X dun produit ou paramtre Y de fonctionnement = majeurs/critiques talonnage processus de mesures de X ou Y aussi majeurs/critiques ( ne jamais mettre en place cartes de contrle sur caractristiques de produits ou paramtres de fonctionnement sans avoir pralablement tabli cartes de matrise sur vrification dtalonnage chanes de mesure correspondantes). matrise des caractristiques des produits et des paramtres de fonctionnement : tablir dabord carte sur produit final dun processus dont aptitude nest ni trop faible, ni excellente (ne pas commencer par essayer de rsoudre problme jusque l insoluble ou cas dj trait avec satisfaction).

MAITRISE STATISTIQUE DES PROCEDES INTRODUCTION : EXEMPLE DE MAUVAIS PILOTAGE Suivi dans atelier de la quantit dacide rsiduaire dun mlange dans racteur. Chaque analyse individuelle servait dcider si quantit dacide introduite pour oprations suivantes devait tre modifie ou pas. Responsable atelier voulant mettre en place carte de matrise sur cette quantit dacide, calcula limites, en fonction risques de mauvaises dcisions et tolrances, avec effectif dchantillon n = 3. Pour sassurer de la validit de la carte, rsultats individuels ayant servi aux oprateurs pour piloter processus sur cette priode, ont t groups sous forme dchantillons (moyennes de 3 mesures) et reports sur carte calcule. premire action effectue par oprateurs sur une valeur individuelle inutile, seconde action tout fait justifie. troisime action inutile. De + action entreprise dmesure poste suivant, correction dans autre sens encore disproportionne processus hors limite par valeur infrieure. comme procd joue au yo-yo, oprateur poste suivant ragit faiblement processus non recentr et 2 postes suivants oprateur oblig de redonner nouveau coup de barre. Pendant 2,5 jours, homme nagissant qu partir dinformations ponctuelles, a fait drailler sa machine, ...en tant persuad de bien faire ! Seule dernire action tait justifie. Exemple montre que, non seulement on agit souvent trop prcipitamment, avec rsultats ponctuels, mais aussi souvent de faon inconsidre ; seules cartes permettent dadapter intensit des corrections apporter pour corriger drives juste ce quil faut.

MAITRISE STATISTIQUE DES PROCEDES PROCESSUS : DIAGRAMME DE PARETO MAITRISE PROCESSUS minimum de connaissances sur : paramtres majeurs qui conditionnent qualit du produit, scurit des hommes et du matriel, caractristiques majeures du produit, savoir sur quoi agir et de combien si paramtres ou caractristiques sortent limites de tolrance. Commencer par rpertorier tout ce qui est mesur, ce qui est surveill qualitativement et oprer classement par ordre dimportance (critique > majeur > moyen > mineur). Mettre en place en priorit cartes de matrise sur variables les + critiques non matrises : les + onreuses ou les + dangereuses. DIAGRAMME DE PARETO = formalisation du processus pour dfinir points les + prjudiciables qualit. Pour cela reprsenter et classer non conformits sur un histogramme, en frquence ou en cots dcroissants. EXEMPLE : fabrication de rsine polyester, recensement des non conformits Classement et reprsentation des rsultats sur diagramme montre quil faut porter ses efforts dabord sur E puis sur D, etc. Nombre des non Nombre dobservation Pourcentages Familles conformits 6,9 10 A Contamination (inclusions) 1,4 2 B Taux dhumidit 2,1 3 C Taux de manganse 26,9 39 D Coloration 50,3 73 E Viscosit 12,4 18 F Taux de cendre

MAITRISE STATISTIQUE DES PROCEDES PROCESSUS : DIAGRAMME DISHIKAWA CAUSES DES NON CONFORMITES : diagramme dISHIKAWA (ou en "artes de poisson") = reprsentation des causes directes et indirectes possibles dune non conformit. Pour tablir diagramme efficace, travail de groupe avec personnes comptentes, concernes (fabricants, contrleurs, technicocommerciaux, responsables du transport, ...). Groupe de travail doit non seulement dfinir mais aussi classer principales causes potentielles de non conformits.

Distinction parfois entre causes "alatoires" (nombreuses et faibles effets sur processus) et causes "assignables" (moins nombreuses mais effets importants). Classement prfrable en causes "connues et matrisables" (= facteurs principaux PEX) et "inconnues ou non matrisables" ( = facteurs bruit). Lorsque causes non matrisables font driver processus agir sur un facteur connu pour le redresser. EXEMPLE : voiture roulant une piste, parfaitement rectiligne mais prsentant des dvers statistiquement rpartis gauche et droite (= causes alatoires non matrisables). Sur ensemble de la piste autant de dvers des 2 cts, mais sries de plusieurs dvers successifs droite et gauche. Avec une voiture parcourant cette piste, on ne devrait jamais rgler le volant puisque piste rectiligne. Pourtant dans zones o existe davantage de dvers gauche vhicule va tre entran gauche et volant devra tre tir droite : direction du vhicule = paramtre de fonctionnement qui corrige drives dues aux causes alatoires.
9

MAITRISE STATISTIQUE DES PROCEDES PROCESSUS : CORRELATIONS OBJECTIF ETUDE = dterminer si 2 variables X et Y lies, c.a.d. si en modifiant variable X ("cause suppose") "effet" sur Y. Cas uniquement corrlations linaires 2 variables. Pour corrlations non linaires, il faut trouver transformes qui ramnent des corrlations linaires (log(x), xn, ...). Pour construire diagramme de corrlation, disposer au moins de 20 couples de valeurs (X, Y). Tracer 2 axes et graduer axes de telle sorte que segment reprsentant tendue valeurs de X longueur reprsentant tendue valeurs de Y. INTERPRETATION VISUELLE DU DIAGRAMME : lorsque nuage de points forme bande assez troite et que valeurs de Y ( ) globalement quand celles de X : corrlation positive (ngative) ; lorsque nuage de points ne forme pas une bande trs troite, possibilit davoir corrlation mais analyse + approfondie ncessaire. Il ny a probablement pas corrlation sauf si donnes collectes couvrent domaine de variation insuffisant ou rassemblent rsultats obtenus dans conditions et mlanges sans discernement (ex. matires premires , modification consignes de fonctionnement durant priode considre, ...).

10

MAITRISE STATISTIQUE DES PROCEDES PROCESSUS : TEST DE CORRELATIONS Tracer sur diagramme de corrlation 2 axes passant par x et y (moyenne valeurs X et Y) 4 quadrants numrots I, II, III et IV. Compter ni = nombre points dans chacun des quadrants, sans prendre en compte points qui se trouvent sur axes x et y . Effectuer somme n = nombre points dans les 2 quadrants opposs les - peupls (n = n1 + n3 = 4) et N = nombre total points dans 4 quadrants (N = 28). Regarder dans table de corrlation probabilit de trouver seulement n points sur N dans ces quadrants (ex. table avec risque de se tromper = 5% : n0 = 8) : n0 = limite pour dire avec risque = 5% de se tromper quil y a une corrlation
REMARQUE : test de corrlation appel "test des signes" car regroupement points de quadrants opposs pour lesquels i = [(xi - x )][(yi - y ] > 0 ou < 0.

N n0 N 10 1 20
11 12 13 14 15 16 17 18 19 1 2 2 2 3 3 4 4 4 21 22 23 24 25 26 27 28 29 -

n0 5 5 5 6 6 7 7 7 8 8 -

N 30 31 32 33 34 35 36 37 38 39 -

n0 9 9 9 10 10 11 11 12 12 12 -

N 40 41 42 43 44 45 46 47 48 49 -

n0 13 13 14 14 15 15 15 16 16 17 -

N 50 51 52 53 54 55 56 57 58 59 -

n0 17 18 18 18 19 19 20 20 21 21 -

N 60 61 62 63 64 65 66 67 68 69 -

n0 21 22 22 23 23 24 24 25 25 25 -

N 70 71 72 73 74 75 76 77 78 79 -

n0 26 26 27 27 28 28 28 29 29 30 -

N 80 81 82 83 84 85 86 87 88 89 -

n0

n0 35 35 36 36 37 37 37 38 38 39 39

30 90 31 91 31 92 32 93 32 94 32 95 33 96 33 97 34 98 34 99 - 100

Table de corrlation pour un risque derreur = 5%

11

MAITRISE STATISTIQUE DES PROCEDES PROCESSUS : COEFFICIENT DE CORRELATION A 2 VARIABLES COEFFICIENT DE CORRELATION VRAI ENTRE 2 VARIABLES X et Y, pour nombre de mesures = nombre inconnu tel que -1 < < +1. Valeur estime (x x )( y y ) par r sur nombre restreint de mesures : r = i 2 i 2 . [ (xi x ) ][ ( yi y ) ] TABLE DE CORRELATION DE : premire colonne nombre degrs de libert : (pour 2 variables, = N - 2 , pour k variables = N - k). Autres colonnes probabilit de trouver valeur valeur de r donne.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 35 40 45 50 60 70 80 90 100 P = 10% 0,9877 0,9000 0,8054 0,7293 0,6694 0,6215 0,5822 0,5494 0,5214 0,4973 0,4762 0,4575 0,4409 0,4259 0,4124 0,4000 0,3887 0,3783 0,3687 0,3598 0,3233 0,2960 0,2746 0,02573 0,2428 0,2306 0,2108 0,1954 0,1829 0,1726 0,1638 P = 5% 0,9969 0,9500 0,8783 0,8114 0,7545 0,7067 0,6664 0,6319 0,6021 0,5760 0,5529 0,5324 0,5139 0,4973 0,4821 0,4683 0,4555 0,4438 0,4329 0,4227 0,3809 0,3494 0,3246 0,3044 0,2875 0,2732 0,2500 0,2319 0,2172 0,2050 0,1946 P = 2% 0,9995 0,9800 0,9343 0,8822 0,8329 0,7887 0,7498 0,7155 0,6851 0,6581 0,6339 0,6120 0,5923 0,5742 0,5577 0,5425 0,5285 0,5155 0,5034 0,4921 0,4451 0,4093 0,3810 0,3578 0,3384 0,3218 0,2948 0,2737 0,2565 0,2422 0,2301 P = 1% 0,9999 0,9900 0,9587 0,9172 0,8745 0,8343 0,7977 0,7646 0,7348 0,7079 0,6835 0,6614 0,6411 0,6226 0,6055 0,5897 0,5751 0,5614 0,5487 0,5368 0,4869 0,4487 0,4182 0,3932 0,3721 0,3541 0,3248 0,3017 0,2830 0,2673 0,2540

k Pour N > 100, r = th P / 2 avec k = nombre dcarts-types pour la probabilit P/2 (Loi N 3 Normale Rduite) et th = fonction tangente hyperbolique.

Table de corrlation 2 variables

12

MAITRISE STATISTIQUE DES PROCEDES PROCESSUS : REGRESSIONS Lorsque tests prcdents montrent corrlation entre X et Y volont de dterminer relation linaire qui lie effet de X sur Y de faon pouvoir agir sur Y par intermdiaire de X. Rgression linaire de la forme : y = a x + b avec a = r sY/sX et b = y - a x o r = coefficient de corrlation, sX et sY = carts-types respectifs
sur X et Y, x et y = moyennes respectives de X et Y.
APPLICATION 1 : POLYMERISEUR NYLON Etude de linfluence V de la vis dextraction (X) sur la porosit des pastilles de polymres obtenus (Y). On a relev les donnes suivantes
n chantillon X =vitesse 56 1 59 2 61 3 52 4 54 5 65 6 53 7 57 8 63 9 55 10 Y = porosit 15 22 20 10 16 23 13 16 24 12 n chantillon 11 12 13 14 15 16 17 18 19 20 X =vitesse 57 60 66 56 59 59 63 62 55 51 Y = porosit 17 24 27 20 20 17 21 18 17 13

Construire le diagramme de corrlation. En dduire si la porosit est corrle V ? Dans le cas positif, donner la relation linaire qui lie la porosit la vitesse V de la vis dextraction pour la polymrisation du nylon. Remarque avec Excel, si valeurs X places dans colonnes B2-B21 et Y dans colonnes C2-C21 : Etendue wx = MAX (B2 : B21) MIN (B2 : B21), Moyenne x = MOYENNE (B2 : B21), Ecart-type sx = ECARTYPE (B2 : B21), Coefficient corrlation r = COEFFICIENT.CORRELATION (B2 : B21 ; C2 : C21)

13

MAITRISE STATISTIQUE DES PROCEDES STATISTIQUES : HISTOGRAMME STATISTIQUE = rsum chiffr nombre important de donnes ( perte informations) obtenu par . regroupement donnes individuelles en classes : 6 15 valeurs rsument 40 plusieurs milliers de donnes moyenne + dispersion donnes individuelles autour valeur centrale : valeurs calcules selon loi de distribution choisie qui rsument ensemble des donnes. GRAPHIQUES = reprsentation valeurs sous forme histogramme, "camembert", courbe de distribution en frquences, etc. Pour construire correctement histogramme, partir de N donnes individuelles, 4 rgles : Nombre de classes K tel que 6 < K < 15. Estimation par K = N ou rgle de STURGES : K = 1 + 3,3 log10 (N). Largeur L classes calcule partir tendue (w ou R) des donnes et nombre K de classes : L = w /K. Arrondir L selon prcision voulue diminution ou augmentation parfois de K de 1. Limites basse (haute) 1re (dernire) classe telles que + petite (grande) des donnes se trouve dans classe et non en limite de classe. Si une valeur se trouve une interclasse, la mettre par convention dans classe immdiatement droite (rgle dite "priorit droite"). REMARQUES : Forme symtrique histogramme indique normalit distribution des donnes mais test de normalit ncessaire. Si intervalle des classes de lhistogramme valeur infinitsimale dx (nombre de classes ), polygone de distribution en frquences des valeurs courbe de distribution. Recherche loi de distribution la + proche de la distribution exprimentale puis utilisation modle mathmatique pour reprsenter processus.

14

MAITRISE STATISTIQUE DES PROCEDES STATISTIQUES : DISTRIBUTION NORMALE DISTRIBUTION LOI NORMALE caractrise, pour rfrence N 100 par moyenne = x/N et cart-type des valeurs = (x )2 / N . Pour chantillon taille n : m = xi/n et s = (xi m )2 / (n 1) Commencer par tracer donnes sur diagramme chronologique et liminer points "singuliers" de cause connue. Si aucune tendance discernable : Calculer moyenne et cart-type sur ensemble des points (N 100) avec formules pour rfrence afin dobtenir dispersion ensemble des donnes. Dissocier srie des N donnes en r sous-groupes de taille n voisine des chantillons afin dobtenir dispersion "intrinsque" ou "instantane". Si trac met en vidence plusieurs populations, calculer cart-type de chacune des populations ou des r sous-groupes puis cart-type moyen partir des variances. Pour tracer histogramme, recentrer valeurs individuelles sur moyenne cible. Si tendance chronologique (cas frquent pour indicateurs) diviser artificiellement donnes en sous-groupes de quelques valeurs (minimum = 2) et calculer cart-type intrinsque moyen comme prcdemment.

aucune tendance

n = 2 populations

tendance chronologique

de 10% et s = [ni 1]si2 / (ni 1) autrement. Avec 2nde mthode, taille n des sous-groupes rigoureusement identiques et s = w /d2 o d2 donne en fonction taille n des sous groupes. n 2 3 4 5 6 7 8 9 10 11 12 d2 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258

Lorsque N donnes divises en sous-groupes, cart-type moyen calcul soit directement partir de ceux des sous groupes (mthode la plus prcise), soit partir tendue moyenne w de ces sous-groupes. Avec 1re mthode, s = si2 / r si taille n des r sous-groupes ne varie pas

15

MAITRISE STATISTIQUE DES PROCEDES STATISTIQUES : PROPRIETES DE LA LOI NORMALE DISTRIBUTION NORMALE reprsente par une courbe symtrique centre sur et probabilit P(x) de trouver valeur donne x dtermine par fonction ( x )2 1 exp P( x) = . Probabilit de trouver des valeurs entre deux limites
2
2 2

x1 et x2 vaut :

x ( x )2 1 2 P( x1 x x 2 ) = exp dx x 2 2 2 1

( surface S)

COORDONNEES CENTREES REDUITES

= nombre dcarts-types k = (x-)/, probabilit de trouver valeurs situes au-del de k carts-types de la moyenne LOI NORMALE REDUITE (LNR) : sexprime par la

P (x tel que (x-)/ k) = k

k2 exp dx 2 2 1

Par dfinition, distribution LNR a pour moyenne = 0 et cart-type = 1. VALEURS CARACTERISTIQUES DE LA LOI NORMALE REDUITE Entre % de valeurs A lextrieur de % de valeurs 68,3 % 31,7 % 1 cart-type 1 cart-type 4,6% 2 carts-types 95,4% 2 carts-types 0,27% 3 carts-types 99,73% 3 carts-types Tableur EXCEL : PROBABILITE P = LOI.NORMALE.STANDARD (k) Inversement si P = 5% k = LOI.NORMALE.STANDARD.INVERSE(0,05)

16

MAITRISE STATISTIQUE DES PROCEDES STATISTIQUES : INTERVALLE DE CONFIANCE DUNE MOYENNE Pour juger tat statistique dun processus prlvements (chantillons) dont on dtermine moyenne et cart-type sx. THEOREME LIMITE CENTRALE : si, dans une population normale (moyenne et cart-type ), on prlve des chantillons de taille n, distribution de ces chantillons suivra une loi normale (moyenne et cart-type sx = / n ). Pour chantillon, xi peut se trouver loigne de la vritable moyenne . Intervalle de confiance de la moyenne, avec probabilit P donne, = estimation [inf - sup] autour de xi . Vritable moyenne a P% de chance de se
trouver dans intervalle : inf = xi - k.s/ n xi + k.s/ n = sup o k = nombre carts-types loi LNR correspondant probabilit P = (100-P)/2 de trouver cette moyenne et s= estimation de connu.
COMPARAISON DE 2 MOYENNES : acuit du jugement = fonction du nombre n de mesures individuelles et calcul de la dispersion des donnes tablie de faon sre (variance "connue") ou sur sries (variance "inconnue"). VARIANCE "CONNUE" : soit n1 et n2 = nombre de mesures pour chacune des moyennes x1 et x2 , leur diffrence D = | x1 - x2 | est significativement 0, avec probabilit choisie (risque ) de se tromper si D + k d avec d = 2 / n1 + 2 / n2 et k = nombre dcarts-types de la loi LNR correspondant probabilit de dclarer diffrence significative alors quelle ne lest pas. VARIANCE "INCONNUE" (test dAspin-Welch) : utilisation de la loi de Student au lieu de loi normale. Test de lhypothse D t sd avec sd = s1 2 / n1 + s 2 2 / n2 et t = variable correspondant probabilit de dclarer diffrence significative alors quelle ne lest pas, pour nombre de degrs de libert calcul et arrondi valeur entire la plus proche par :
1 s 2 2 1 s 2 2 1 2 = n 1 n s 2 + n 1 n s 2 1 1 d 2 2 d 1

17

MAITRISE STATISTIQUE DES PROCEDES STATISTIQUES : INTERVALLE DE CONFIANCE DUN ECART-TYPE INTERVALLE DE CONFIANCE DE LECART-TYPE : comme celui de la moyenne il dpend de la taille n de lchantillon considr. Contrairement celui de la moyenne, ce paramtre ne suit pas une LNR mais une LOI dite DE 2. Pour une valeur dcart-type donne sx dchantillon, vritable cart-type peut se trouver loign de sx : on appelle intervalle de confiance de lcart-type, pour une probabilit P donne, lestimation (inf - sup) autour de sx inf = sx (n 1) 2 (100 P ) / 2 sx (n 1) 2 (100+ P ) / 2 = sup Remarque : loi du 2 dissymtrique conduit a une faible prcision sur carttype pour des tailles dchantillons faibles. Cest pourquoi, il faut dterminer la dispersion sur minimum 100 valeurs.

COMPARAISON DE DEUX VARIANCES : soit 2 chantillons sur lesquels on a dtermin les carts-types s1 sur n1 mesures et s2 sur n2 mesures. Pour dterminer si les deux carts-types sont significativement diffrents, on calcule le rapport F = s12/ s22 en portant toujours au numrateur la variance la plus leve. On cherche ensuite sur la table de "F" (FISHER-SNEDECOR), pour 1 = n1 -1 et 2 = n2 -1 degrs de libert, la valeur F0 au-del de laquelle on ne peut trouver que P% (risque ) de valeurs si les carts-types sont gaux et conclure tort quils sont diffrents. Ecarts-types non significativement si Fcalcul F0 et si Fcalcul F0 avec un risque = 5% de se tromper
18

MAITRISE STATISTIQUE DES PROCEDES STATISTIQUES : TEST DE NORMALITE TEST DE LA DROITE DE HENRY (norme AFNOR X06-050) : test de normalit pour juger ajustement dune partie de la distribution des valeurs exprimentales une courbe de Gauss. Sur un papier chelle Gausso-arithmtique (ordonnes - abscisses) porter, en ordonnes, les frquences cumules aux centres de classes, sauf le premier et le dernier point (trop grande imprcision). Plus valeurs exprimentales se rapprochent dune loi normale, plus les points sont aligns. Pour conclure que la distribution est ou nest pas normale, tablir un "couloir" de confiance tel quon na que 5% de risque de trouver des points extrieurs en portant les intervalles de confiance de la moyenne et de la dispersion. A B C mmin = m - k2,5% s/ mmax = m + k2,5% s/
N N

= m - 1,96 s/ = m + 1,96 s/

N N

pour 50% des valeurs pour 50% des valeurs pour 84% des

mmin + smin = mmin + s (N 1)/ 2

2,5%

valeurs D mmax + smax = mmax + s (N 1)/ 2 E F mmin - smax = mmin - s (N 1)/ 2 mmax - smin = mmin - s (N 1)/ 2

97,5%

pour 84% des valeurs pour 16% des valeurs pour 16% des valeurs

97,5% 2,5%

TRACES TYPIQUES DU GRAPHIQUE DE HENRY

Loi normale

19

MAITRISE STATISTIQUE DES PROCEDES

ANALYSES

A. LAMURE

MAITRISE STATISTIQUE DES PROCEDES APTITUDE : APTITUDE STANDARD OBJECTIF = vrifier que variabilit naturelle et centrage du processus de production compatibles avec tolrances de la caractristique slectionne. Sur une priode stable de rfrence, prlever, de faon alatoire, N = 100 valeurs non conscutives. Eviter : prlvement sur une trop longue priode : risque de modifications de consigne de marche, de matriel, assimilables des variations alatoires du processus surestimation de la dispersion, prlvement sur une priode trop courte : risque que certains facteurs alatoires naient pas eu le temps de jouer sous estimation de la variabilit. Moyenne m trouve sur la (ou les) priode(s) de rfrence peut tre remplace par une valeur "cible" m0 fixe en gnral par rapport aux tolrances [Ti ; Ts] centre ou non. INDICATEURS DAPTITUDE STANDARD : Cp = sinon Cpk =
T m0 . m0 Ti ; Min. s 3.s 3.s
Ts Ti 6.s

lorsque cible centre

(norme NF X06-033). Indicateurs standard

fonds sur dispersion standard de 6 carts-types (99,73% des valeurs). Trois cas :

Suivant valeurs de Cp ou Cpk, aptitude des processus classe comme : Cp 0,67 0,67 Cp 1,00 Cp 1,33 Cp 1,67 Cp 2,00 Cp 1,00 1,33 1,67 2,00 trs mauvaise trs moyenne moyenne bonne excellente mauvaise moyenne bonne trs bonne

21

MAITRISE STATISTIQUE DES PROCEDES APTITUDE : APTITUDES DUN MOYEN DE PRODUCTION ET DE CONTROLE APTITUDE SPECIFIQUE : pour prciser la notion de "risque lutilisation du produit" utilisation dindicateurs dAptitude plus spcifiques ( coefficients dAptitude spcifique) nots Ap ou Apk se rapportant une dispersion de 2 k carts-types (2 k = nombre dcarts-types dfini par loi LNR en fonction du pourcentage de valeurs qui doivent se trouver entre les tolrances) : Ap =
Ts Ti 2k.s

et

Apk =

T m0 . m0 Ti Min. s ; 2k .s 2k .s

APTITUDES = indicateurs dtat a posteriori. Dans cart-type s de la priode de rfrence, tous les facteurs (matires premires, moyens de fabrication, moyens de contrle) ont contribu la dispersion de la production. Afin de faire la part de chacun deux, distinction entre : APTITUDE OPTIMALE (OU INTRINSEQUE) DUN MOYEN DE PRODUCTION : Prlever, dans conditions optimales de stabilit de fonctionnement, une cinquantaine de pices sur une courte dure dont dispersion si = "dispersion intrinsque du moyen de production" Cam = IT/ 6si (rapport intervalle de tolrance sur dispersion intrinsque du moyen de production sur une courte priode) ou Cmk = min.[(Ts - m)/ 3si ; (m - Ti)/ 3si] (rapport distance entre moyenne et tolrance la plus proche sur demi dispersion intrinsque du moyen de production sur une courte priode). Remarque : aptitude optimale (ou intrinsque) aptitude de fabrication (influence de la variance de la chane de mesure). APTITUDE DUN MOYEN DE CONTROLE. : "justesse" du systme de contrle (dispersion entre moyenne dune srie de rsultats et une valeur de rfrence). Essais de "rptabilit" partir dun seul prlvement de fabrication, par le mme oprateur, dans un mme lieu, sur un seul appareil, avec le mme mode opratoire) non raliss en MSP. Essais de "Reproductibilit" (dispersion sR des rsultats obtenus partir dun mme prlvement de fabrication, par mme mthode mais avec des oprateurs diffrents, des appareils diffrents et des temps ventuellement variables) pour dterminer les variations de lensemble de la chane qui auront des rpercussions sur pilotage de fabrication. Cmc = IT/6sR (rapport intervalle de tolrance du moyen de production sur dispersion de reproductibilit du moyen de contrle sur une courte priode).

22

MAITRISE STATISTIQUE DES PROCEDES APTITUDE : ETUDE COMPARATIVE DES VARIANCES INDICATEURS DAPTITUDE prsentent plusieurs inconvnients : aptitudes dun niveau de qualit ne peuvent servir au pilotage des processus, aptitude intrinsque juge quau travers de mesures valeurs ne donnent pas aptitude propre du processus de fabrication, aptitudes non additives : aptitude globale du processus de production aptitudes processus fabrication + processus contrle (inverse racine carre), aptitudes ne permettent pas de dfinir objectifs relatifs de variabilit du processus de contrle vis--vis du processus de fabrication. VARIANCES DE FABRICATION ET DE CONTROLE : variance VP du processus de production, pour caractristique donne dun produit = somme variances des lments qui le compose : matires premires, opration de fabrication (hommes et machines) et ensemble des oprations qui amnent aux rsultats de mesure (chane de mesure). Si Vp = variance globale de production (Vp = s2 processus de production) et VC = variance processus de contrle (VC = sR2 reproductibilit) variance matires premires Vmp Vp + VC et Vmp + VF = estimation de la variance de lensemble (matires premires + fabrication). La part de la variance de contrle ne doit pas dpasser 20% de la variance totale. La variance nest pas un indicateur passif : cest un outil damlioration de la Qualit. Exemple : rduction en priorit de la dispersion du processus de :
fabrication. Contrle

23

MAITRISE STATISTIQUE DES PROCEDES APTITUDE : FABRICATION DE FIL METALLIQUE APPLICATION : FABRICATION FILS METALLIQUES Dans une usine de fabrication de fil mtallique pour pneumatique, on contrle la charge la rupture des fils avec un dynamomtre. Les fils de diamtres 0,175 mm ont une charge la rupture moyenne de 80 N et les tolrances sont de 3,6 N. On sait centrer cette charge la rupture en jouant sur le diamtre du fil initial avant trfilage.

Durant une priode de rfrence, on a trouv cart-type global sP = 1,08 N sur la production. En dduire lAptitude de la production Ap Sur la mme priode, partir dune seule bobine de fil, le laboratoire de contrle a estim la reproductibilit de la mesure dynamomtrique sR = 0,75 N. En dduire laptitude du moyen de contrle Cmc En dduire les pourcentages respectifs des variances de fabrication et de contrle VF% et VC% On saperoit que la part de la variance de contrle est trop importante pour pouvoir piloter le processus de trfilage avec une seule mesure par bobine. Le seul moyen de diminuer cette part de variance et, par l mme, augmenter laptitude de lensemble (fabrication + contrle) est de faire n mesures sur chaque bobines. Calculer avec n = 8 les nouvelles variances de contrle VC et de production ainsi que les nouveaux pourcentages respectifs des variances Quelle est, dans ce cas, laptitude globale du processus Cp ?

24

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : DEPLACEMENT LIMITE DE LA MOYENNE nexiste statistiquement que pour intervalle compris entre "zro dfaut" trs faible probabilit statistique p, dfinie en fonction du risque que client trouve rsultats hors tolrances. Tout processus drive avec le temps sous effet de causes indtermines quon sefforce de supprimer pas pas ou alatoires qui peuvent se conjuguer momentanment pour donner des effets dans le mme sens. Si caractristique dun processus drive dune quantit vers la tolrance suprieure Ts, il ne faut pas que sa moyenne m dpasse une certaine valeur limite mrs (= "moyenne refusable suprieure") qui assure encore probabilit p choisie (quivalente au "zro dfaut"). Dans le cas de 2 tolrances Ti infrieure et Ts suprieure limites infrieure mri et suprieure mrs. Exemple si quivalence du "zro dfaut" est p = 0,135% mri et mrs se trouveront 3 carts-types en retrait des tolrances Ti et Ts
ZERO DEFAUT

POSITIONS DE mri ET mrs dfinies par loi LNR, ds que p fix : mrs = Ts ks et mri = Ti + ks avec k = nombre carts-types correspondent p%. Pour simplifier formules, drive maximale de la moyenne exprime en nombre dcarts-types = Min.[(mrs - m0)/s ; (m0 - mri)/s]. Plus grand, plus processus apte respecter tolrances et moins contrle cote cher et optimum quand Ti et Ts symtriques par rapport m0. Lorsque processus est centr, probabilit que client trouve des valeurs hors tolrances est minime : ce nest que lorsque moyenne atteint mri ou mrs quelle est de p%. Comme cartes de matrise calcules de faon dtecter toute drive D, probabilit moyenne relle quun client trouve une valeur hors tolrances est toujours infrieure p.

25

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : PERIODES OPERATIONNELLES Pour la dtermination de leffectif n des chantillons, il faut tenir compte des deux risques et de se tromper. CARTES SHEWHART : risques valus en probabilits car informations donnes par chantillons successifs traites de faon indpendante les unes des autres ( et constants dun chantillon lautre). CARTES CUSUM ET EWMA : informations prsentes combines avec celles du pass risques et voluent chronologiquement et concepts de risque traduits en termes de "Priodes Oprationnelles". PERIODE OPERATIONNELLE P = nombre N dchantillons successifs jusqu' en trouver un qui conduise penser que le processus a driv. si processus na pas driv en ralit, priode note P0 correspond au concept de "fausse alarme", si le processus a driv effectivement, priode note P1 correspond au concept "(100 - )" chance de dtecter rapidement cette drive. Remarque : on dsire P1 la plus petite possible (dtection rapide des vritables drives 1 < P1 < 4) et P0 la plus grande possible (le moins possible de fausses alarmes 100 < P0 < 1 000) consquences sur effectif n des chantillons, c.a.d sur cot de contrle.

Drive

Fausse alarme

26

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : PERIODES OPERATIONNELLES MOYENNES PERIODE OPERATIONNELLE dune squence dchantillons, jusqu' obtenir un chantillon qui sort des limites de contrle = nombre entier. Mais si processus plac une position dtermine (exemple mrs) et que plusieurs squences successives sont lances, nombre dchantillons au bout duquel on est alert dune drive nest pas le mme chaque squence : on a une distribution alatoire des frquences de Priodes Oprationnelles. PERIODE OPERATIONNELLE MOYENNE : pour carte SHEWHART distribution des Priodes Oprationnelles toujours dcroissante et a une longue trane tandis que celle des cartes CUSUM et EWMA est beaucoup plus resserre, dissymtrique, avec un maximum (continment que si moyenne < 1,5). Moyenne de cette distribution = "Priode Oprationnelle Moyenne" note POM0 si cest une fausse alarme (conventionnellement P0= 100/) et POM1 si cest une vritable alarme (P1 = 100/(100-)).

PERIODE OPERATIONNELLE MAXIMALE : normes font apparatre, pour les vritables alarmes, la notion de POMAX, = valeur de Priode Oprationnelle Maximale nayant que 5% de risque dtre dpasse : les POMAX peuvent tre : calcules pour cartes SHEWHART : POMAX = ENT.1 + 3/Ln[P1/(P1-1]) estims pour les 2 autres cartes : POMAXCUSUM = ENT. 2P11,1 - 0,75 et POMAXEWMA = ENT. 2P11,1 - 0,5).

27

MAITRISE STATISTIQUE DES PROCEDES

CARTES DE CONTROLE : CARTES DE LA MOYENNE SHEWHART RISQUE : cartes SHEWWART + adaptes aux processus discontinus. Le processus tant centr, si distribution suit loi LN (moyenne m0 et carttype s), distribution chantillons suit loi normale (moyenne m0 et carttype s/ n ). Si limites de matrise 3 carts-types de cible (Lm = m0 3s/ n ), probabilit = 2 x 0,135% = 0,27% de trouver valeurs hors des tolrances : risque "bilatral" (gale probabilit de chaque ct). Remarque : limites de matrise sont soit fixes k1 s/ n de la valeur cible, k1 = nombre carts-types correspondant probabilit /2 (0,1% /2 1% 3,09 k1 2,33) soit exprimes en Priodes Oprationnelles P0 = 100/, (1 fausse alarme tous les 500 50 chantillons en moyenne). RISQUE : pour calculer taille n des chantillons, il suffit, aprs avoir calcul dplacement maximal de la moyenne, de tenir compte du risque de ne pas dceler ce drglage. Si moyenne du processus se dplace de carts-types ( = .s) et atteint moyenne "refusable", trs forte probabilit de trouver une valeur dchantillon (= moyenne de n valeurs individuelles) > limite de matrise Lms mais probabilit de trouver une valeur < Lms (= risque ) et dcider, tort, de ne pas rgler. Risque "unilatral" (nexiste que dun seul ct de la distribution lorsque processus est centr sur mrs ou sur mri). Pour un risque donn, nombre carts-types entre Lms et mrs = k2 (loi LNR). En gnral : 5% 20% 1,645 k2 0,842 DEPLACEMENT DE LA MOYENNE : = (Lms -m0)/s + (mrs - Lms)/s = (k1 s/ n )/s + (k2 s/ n )/s = (k1 + k2)/ n Equation defficacit carte SHEWHART : n = k1 + k2 o k1 et k2 = nombres carts-types lis aux risques /2et .

28

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : EFFICACITE DES CARTES SHEWHART EFFECTIF N DES ECHANTILLONS : quation defficacit n = k1 + k2 pour un dplacement de la moyenne fix et des risques et choisis, effectif n des chantillons ne peut tre quelconque si on veut assurer les tolrances. Courbes defficacit traditionnelles (risque = 0,27%) permettent, aprs avoir choisi , de dterminer cet effectif n. Ces courbes montrent quune carte SHEWHART nest efficace et conomique que pour de grandes drives ( > 1,33 soit Cp >145). Limites de matrise dune carte de SHEWHART assurant tolrances sont Lm = m0 k1 s/ n avec n calcul par quation defficacit ABAQUE permet de trouver rapidement meilleur compromis entre n (cot de contrle) et P0 (fausse alarme) et donne les limites de matrise correspondantes. Calculer et choisir P1 (nombre moyen dchantillons successifs pour dtecter drive ) puis lire sur abaque couples (n, P0) correspondants et le paramtre k1 des limites de matrise.

29

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : ABAQUE DES CARTES SHEWHART

30

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : CARTES DE LA DISPERSION SHEWHART Construction carte matrise de la moyenne sappuie sur valeur cart-type s de rfrence surveillance de sa relative constance. Gnralement, utilisation CARTE DES ETENDUES "wx" pour n < 10 - 12 et des ECARTS2 TYPES "sx" au-dessus. Pour ces 2 cartes approximation loi en en loi normale et limites se dduisent de tables normalises. Si dispersion doit tre matrise, recalculer limites partir loi en 2. Intervalle de confiance cart-type 0 compris entre : inf = sx (n 1) 2

(100 P ) / 2

0 sx (n 1) 2

(100 + P) / 2

= sup

Inversement, 0 ayant t estim par s, carts-types sx des chantillons ont une probabilit p de se trouver entre limites Lci et Lcs telle que :
n 1 n 1 et Lcs = avec risque /2 de Lci = fausse alarme identique pour chaque limite et gal (100 - P)/2

(100 + P ) / 2

(100 P ) / 2

Cartes sx wx
n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25

Cible c4 s d2 s
c4 0,7979 0,8862 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 0,9727 0,8754 0,8776 0,9794 0,9810 0,9823 0,9869 0,9896

limite infrieure B5 s D1 s
B5 0 0 0 0 0,029 0,113 0,179 0,232 0,276 0,313 0,346 0,374 0,399 0,421 0,504 0,559 B6 2,606 2,276 2,088 1,964 1,874 1,806 1,751 1,707 1,669 1,637 1,610 1,585 1,563 1,544 1,471 1,421 d2 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258

limite suprieure B6 s D2 s
D1 0 0 0 0 0 0,205 0,387 0,546 0,687 0,811 0,922 D2 3,686 4,358 4,698 4,918 5,078 5,203 5,307 5,394 5,469 5,535 5,594

31

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : PRINCIPE DES CARTES EWMA Efficacit cartes SHEWHART mdiocre pour petites drives CARTES EWMA ("Exponentially Weighted Moving Average") : prise en compte valeur chantillon actuel et rsultats prcdents de faon pondre. A partir des valeurs moyennes x1 , x2 , .... xi des chantillons

successifs, calcul et suivi de : Zi =

x i

+ (1 - ) Z(i-1)
x i

avec 0 < 1:

VALEUR CIBLE : au dmarrage dune squence : ensuite : Zi =

Z0 = m0 + (1 - ) Z(i-1)

= coefficient de pondration tel que si = 1 carte de SHEWHART et plus petites drives mieux dceles mais pas drives brusques et importantes gnralement pour processus continus, 0,25 0,50 et souvent = 0,33. APPROXIMATION DE EN FONCTION DE LA PERIODE OPERATIONNELLE P1 1 - 0,7 tg[(P1 - 1)/P1] pour 1 < P1 5 et (P1 - 1)/P1 = angle en radians

LIMITES DE MAITRISE : . sZ = s
1 + (1 )
2 (i 1)

Lm = m0 L sZ / s

avec :

(2 ) quand rang i chantillon . Au dbut dune squence, limites = segments // qui convergent trs vite vers Lm et ds 4me chantillon, limites de matrise droites parallles. Paramtres des limites L soit lu sur abaque defficacit vraie, soit approxim par L = k1 0,3 (. n )-2,32 0,019 o k1 = nombre dcarts-types de loi LNR pour probabilit (100/2P0) exprime en %. Obtention galement 2,5 Lorsque n > 2,5 L k1. du paramtre L par : L = k1 - 1
4 n

32

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : EFFICACITE DES CARTES EWMA EFFECTIF n DES ECHANTILLONS : Efficacit vraie de la forme n = F ( Pf 0 , Pf1 ) avec : F(Pf0, Pf1) =2 1/Pf1 Ln(Pf0/Pf1) - (Pf1 - 1)/Pf1 Ln[Pf1/(Pf1 - 1) (Pf0 - 1)/ Pf0] utilisation dalgorithmes complexes (logiciels spcifiques) pour obtenir n. Utilisation de lquation defficacit approche des cartes EWMA : n = [k1 + k2].e[(f1 P1)/f2] ] pour 1 < P1 5 et k1 = nombre dcarts-types loi LNR pour la probabilit [100/2P0] %, k2 = nombre dcarts-types loi LNR pour la probabilit [100(P1 1)/P1] %, f1 = 0,628 (P0 + 20)0,0221 + 0,457 et f2 = 16,33 (P0 - 20)-0,058 1,07 Utilisation dabaque de lefficacit vraie des cartes EWMA, en fonction des Priodes Oprationnelles Moyennes. Abaque permet trouver meilleur compromis entre n (cot de contrle) et P0 (fausses alarmes) et donne directement limites de matrise correspondantes : calcul dabord de et choix de P1 (nombre moyen dchantillons successifs pour dtecter drive ). Abaque donne couples (n, P0) correspondants et paramtres L des limites de matrise. En fixant ensuite de faon intermdiaire n une valeur entire, calcul de la valeur estime de P0 correspondant cette valeur intermdiaire.

33

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : PRINCIPE DES CARTES CUSUM PRINCIPE DES CARTES CUSUM : prise en compte informations passes en faisant cumuls algbriques des carts entre valeurs des chantillons x1 , x2 , xi et une moyenne dobservation m0. Suivi de 2 tracs sur carte de matrise : celui des Si+ dont on ne prend que valeurs 0 (valeurs < 0 ramenes 0), celui des Si- dont on ne prend que valeurs 0 (valeurs >0 ramenes

0). VALEUR CIBLE : m0 = 0 LIMITES DE MAITRISE dune carte CUSUM sont : Lm = 0 h s/ n o h = coefficient appel paramtre des limites de matrise qui peut tre : lu sur labaque defficacit vraie approxim par h = k1 (. n /2) + 0,3 e [1,2 k1 (1,55 . n )] Comme cart direct valeur cible nombre trs important de fausses alarmes, calculs dmarrs que lorsquune valeur dchantillon sort du "couloir" [moi, mos] minimisation fausses alarmes. Moyennes dobservation habituellement places mi-chemin entre cible et moyennes refusables. : Si+ = Si-1+ + (xi - m0) 0 Si- = Si-1- + (xi - m0) 0 avec mos = (m0 + mrs)/2 et moi = (m0 + mri)/2 Lorsquune valeur de S+ ou S- sort des limites de matrise action pour recentrer processus, arrt des calculs et dmarrage dune nouvelle squence sans tenir compte des rsultats antrieurs.

34

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : EFFICACITE DES CARTES CUSUM EFFECTIF N DES ECHANTILLONS Efficacit vraie de la forme n = F ( Pf 0 , Pf1 ) avec : F(Pf0, Pf1) =2 1/Pf1 Ln(Pf0/Pf1) - (Pf1 - 1)/Pf1 Ln[Pf1/(Pf1 - 1) (Pf0 - 1)/ Pf0] utilisation dalgorithmes complexes (logiciels spcifiques) pour obtenir n. Utilisation dabaque de lefficacit vraie des cartes CUSUM, en fonction des Priodes Oprationnelles Moyennes. Abaque permet trouver meilleur compromis entre n (cot de contrle) et P0 (fausses alarmes) et donne directement limites de matrise correspondantes:

Utilisation de lquation defficacit approche des cartes CUSUM : n = [k1 + k2].e[(f1 P1)/f2] ] pour 1 < P1 5 et k1 = nombre dcarts-types loi LNR pour la probabilit [100/2P0] %, k2 = nombre dcarts-types loi LNR pour la probabilit [100(P1 1)/P1] %, f1 = 1,209 (P0 + 20)0,0186 + 0,003 et f2 = 11,50 (P0 - 40)-0,07 1,50
35

MAITRISE STATISTIQUE DES PROCEDES CARTES DE CONTROLE : COMPARAISON DES CARTES DE MAITRISE si n < 3,5 prendre une carte CUSUM ou EWMA, si n > 3,5 prendre la carte SHEWHART car elle a la mme efficacit et est plus simple calculer et tenir pour les oprateurs.
CARTES Caractristiques Limites de contrle Efficacit pour dtecter : petites drives drives importantes Cot contrle pour petit SHEWHART oui oui CUSUM non oui EWMA <0,5 EWMA >0,75 lisse presque non au dbut non au dbut

mauvaise bonne lev

bonne moyenne plus faible

bonne moyenne plus faible

moyenne bonne moyen

36