Matrise Statistique des Procds - I.U.T.

de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 1 MSP1.doc

LA MAITRISE
STATISTIQUE DES PROCEDES

Sommaire Dtaill

1. GENERALITES SUR LA MAITRISE STATISTIQUE DES PROCEDES 2
1.1. Dfinition d'un processus 2
1.2. Causes des dfauts du produit 3
1.3. La Maitrise Statistique des Processus ( MSP ) 3
1.4. Efficacit de la MSP 3
1.5. Le contrle du Procd 4
1.5.1. Le Procd 4
1.5.2. Renseignements sur la performance 4
1.5.3. Variabilit du procd 4
1.5.4. L'Auto-Contrle 5
1.6. Intrt de l'outil statistique 5
2. BUT DU CONTROLE EN COURS DE FABRICATION 5
3. PRINCIPE DU CONTROLE EN COURS DE FABRICATION 7
3.1. Diffrents types de contrle en cours de fabrication 7
3.1.1. Contrle par Attributs 7
3.1.2. Contrle par Mesures 7
4. COMPARAISON DE L'I.T. A LA DISPERSION DU PROCESSUS 9
4.1. L'IT est infrieur la dispersion du Processus 9
4.2. L'IT est gal la dispersion du Processus 9
4.3. L'IT est suprieur la dispersion du Processus 10
4.4. Conclusion 11
5. CARTES DE CONTROLE 11
5.1. Risques lis l'emploi de la carte de Contrle 11
Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 2 MSP1.doc
5.2. Courbe d'efficacit 11
5.3. Action sur l'efficacit du contrle 12
5.4. Carte de Contrle de la Moyenne 12
5.4.1. Observations 12
5.4.2. Cartes de Contrle Provisoires 14
5.4.3. Elaboration de la carte de contrle aux limites largies 14
5.4.4. Utilisation de la carte de contrle de la moyenne 15
5.4.5. Application un systme de surveillance (KOMEG) 16
5.5. Carte de Contrle de l'cart-type 19
5.5.1. Cas des Petits Echantillons 19
6. EXERCICE D'APPLICATION 20


1. Gnralits sur la Matrise Statistique des Procds

1.1. Dfinition d'un processus
C'est la combinaison des lments suivants :
- Equipements de production et de tests
- Hommes et organisations
- Matire premire transformer
- Mthodes et instructions
- Procdures
- le tout dans un environnement social et conomique donn

Il est galement caractris par :
- une entre mesurable
- une valeur ajoute
- une sortie mesurable
- et une rptabilit


Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 3 MSP1.doc

1.2. Causes des dfauts du produit
Les causes des dfauts d'un produit sont rechercher l'aide de la mthode des 5M dfinis par
Ishikawa.( Milieu, Mthode, Machines, Main d'oeuvre, Matires )
1.3. La Maitrise Statistique des Processus ( MSP )
a) L'ide
Le processus est la cause des dfauts du produit . C'est le processus qu'il faut maitriser puisqu'il
est instable et a naturellement tendance se drgler.

b) La dmarche
L'objectif est de contrler les paramtres influant du processus. Les diffrentes tapes vont de la
sensibilisation du personnel la mise en place des cartes de contrle.

c) L'outil
C'est la carte de contrle , outil simple et efficace , qui est la base de la MSP.

d) Le concept
Il faut rechercher sans cesse l'amlioration des performances.

e) Ce qu'est la MSP
- Un lment de l'Assurance Qualit et un outil d'amlioration continue
- Il faut imprativement matriser le Processus afin de diminuer les cots de non-qualit qui sont
gnrs par le processus lui-mme.
- La responsabilit de la matrise des processus incombe d'abord et avant tout au Management.
- Les procds sont conduits par des oprateurs. Le seul outil propos par la MSP est la carte de
contrle, qui est simple d'utilisation et la porte de tout le personnel d'une entreprise.

f) Ce que n'est pas la MSP
- Les diffrentes thories des Statistiques.
- Ce n'est pas la Qualit Totale et ne garantit pas le ZERO DEFAUT.

1.4. Efficacit de la MSP
Les chiffres avancs ci-dessous ont t obtenus chez MICHELIN aprs application de la MSP.
- La vrification passe du tri 100% au sondage
- Les tolrances passent de 0.2 0.05 mm
- Les non-conformes passent de 9 1%
Les incidences indirectes sont les suivantes :
- Productivit en hausse de 50%
- Maintenance allge
















Main dOeuvre
Personnel
Mthodes
Organisation
Machines
CAUSES DES DEFAUTS
DUN PRODUIT
Milieu
Environnement de
travail
Matires
Premires
IL FAUT COMPRENDRE ET
CONTROLER, cest--dire
MAITRISER LE PROCESSUS
REDUCTION DES COUTS
Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 4 MSP1.doc
1.5. Le contrle du Procd

1.5.1. Le Procd
C'est un systme qui combine plusieurs lments agissant en mme temps pour l'obtention d'une
production de biens ou de services en particulier les 5 M dfinis par Ishikawa (Main d'Oeuvre ,
Matire, Milieu, Mthodes et Machines ).

1.5.2. Renseignements sur la performance
L'tude des paramtres dcrivant l'tat du fonctionnement du procd et l'interprtation des
rsultats permettent d'intervenir pour corriger le procd ou la production, ce qui entraine deux types
d'interventions :
- Sur le procd ( long terme ou court terme )
- Sur la production passe par tris , rebuts et retouches. Il est noter que ce type d'intervention
doit devenir exceptionnel voire tre supprim si le procd est Mis sous Contrle.

1.5.3. Variabilit du procd
De multiples phnomnes viennent influencer la qualit du produit, rsultant de la combinaison
des facteurs des 5 M . La Norme NF X50-020 regroupe en 2 catgories ces causes de variabilit.
Causes Communes ou alatoires :
Ce sont des causes inhrentes au processus lui-mme.
Ex :
- Jeux dans les diffrents lments de la machine
- Elasticit des organes
- Htrognit de la matire travaille
- Temprature de l'atelier
- Erreurs dans le processus de mesure
Les causes alatoires se caractrisent par :
- leur nombre trs important
- leurs variations faibles en rgle gnrale
- leur indpendance les unes des autres
- par le fait qu'elles sont toujours prsentes
- elles se retrouvent dans toutes les pices fabriques; c'est d'ailleurs pour ces raisons que la
distribution est le plus souvent normale.
Les causes communes ne sont pas identifiables et sont incontrlables. Elles sont responsables des
variations alatoires.
Lorsque le PROCESSUS EST STABLE on dit qu'il est SOUS CONTROLE ou qu'il est
MAITRISE . Il n'y a que des causes communes et pas de causes spciales .

Causes Spciales ou assignables :
Elles ne sont pas inhrentes au processus et il en rsulte une dispersion variable dans le temps .
Ex :
- Cassure d'un outil
- Coupure du courant dans un cycle de chauffe
- Dfaillance humaine
- Fuite dans un tuyau sous pression
- Grippage d'un palier
- Dgel, chaleur ou froid exceptionnel
- Changement d'oprateur
- Lot de matire premire dfectueux
Ce sont des causes que l'on peut souvent identifier et que l'on peut contrler.
Les causes spciales ne concernent que certaines pices; elles sont peu nombreuses, mais avec des
effets importants. En principe, les causes spciales ne durent pas longtemps puisqu'on les limine au
fur et mesure qu'elles se prsentent. Quand un outil casse, on le remplacera.
Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 5 MSP1.doc
Les causes spciales se traduisent par des variations non alatoires qui correspondent des valeurs
situes en dehors de l'intervalle x x + 3 3 ; . Il faut donc empcher le processus de faire des
fautes pour que les variations non-alatoires ne se produisent pas.

1.5.4. L'Auto-Contrle
Il consiste responsabiliser l'oprateur en lui donnant les moyens d'obtenir un niveau de qualit
souhait.
La dmarche Qualit s'appuie largement sur la mise en oeuvre du S.P.C. ( Statistical Process
Control = Surveillance des Procds en Continu ). Dans ce cadre on estime que l'oprateur n'est
responsable que de 15 % de la non-qualit , les 85 % restant ayant pour origine le reste du procd.

1.6. Intrt de l'outil statistique
Critre conomique:
Le contrle est une opration qui cote cher et n'apporte pas de valeur ajoute. On a donc intrt
diminuer le nombre de pices contrler sans trop diminuer la fiabilit. C'est ce que permettent les
statistiques en donnant la possibilit d'estimer la population totale partir d' chantillons.

Critre technique:
Les statistiques permettent de rduire le nombre de donnes manipuler. Trois paramtres
suffisent pour caractriser une population de plusieurs milliers d'individus ( Forme de la rpartition,
position, dispersion )


2. But du Contrle en cours de Fabrication

Le contrle en cours de fabrication s'applique des produits de toute nature : pices, sous-
ensembles, ensembles termins.
Ce contrle a pour but de surveiller la fabrication, en dtectant rapidement l'apparition de non-
conformes et en s'assurant que les caractres contrls restent STABLES. Il indique le moment o un
rglage deviendra ncessaire.


Il s'effectue sur des chantillons de FAIBLE QUANTITE d'individus prlevs les uns la suite
des autres.

Les rsultats obtenus, sur un mme prlvement, donnent lieu au calcul d'une "statistique" telle
que moyenne puis tendue ou cart-type

Soit n la taille du prlvement c'est--dire par exemple 5 pices

moyenne : x
x
n
i
i
n
=
=

1
avec x
i
= valeur de chaque individu


tendue :W = x
max
- x
min
W toujours 0


cart type : =
( ) x x
n
i
2
toujours 0


Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 6 MSP1.doc
Remarque sur le calcul de l'cart-type des calculatrices H.P. : ( Rappels 1re Anne )

HP
i
x x
n
=

( )
2
1


La calculatrice calcule directement l'estimation de l'cart-type de la population
0
.
Donc pour calculer l'cart-type de l'chantillon , il faut appliquer la relation suivante :

=

0
1 n
n


A l'inverse, on peut galement estimer l'cart-type de la population
0
partir d'un chantillon
d'cart-type :


0
1
=

n
n


Les valeurs obtenues x W
i i i
, , sont reportes dans l'ordre chronologique, sur une carte dite
"carte de contrle" et interprtes d'aprs leur position par rapport des limites traces l'avance.

Numro
d'chantillon
1 2 3 4 etc
Moyenne x
1
x
2
x
3
x
4

Etendue W
1
W
2
W
3
W
4

Ecart-type
1

2

3

4



























x
x
1

x
3
W
2

W
1

W

1

Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 7 MSP1.doc
3. Principe du Contrle en Cours de Fabrication

3.1. Diffrents types de contrle en cours de fabrication

3.1.1. Contrle par Attributs
Les individus sont qualifis de "bons" ou "dfectueux" . La dcision concernant le rglage est
prise d'aprs le nombre de dfectueux trouvs dans les individus contrls.
Exemple :
Soit un prlvement de n=50 pices ( chantillon )
Rejeter le lot s'il y a plus de 2 pices dfectueuses.
Ceci correspond au plan de contrle ou plan d'chantillonnage simple suivant :
( n=50 ; critre d'acceptation A=2 ; Critre de rejet R=3 )

3.1.2. Contrle par Mesures
Se fait lorsque le caractre contrl, dsign par x dans l'expression ci-dessous est une grandeur
mesurable ( Ex: diamtre d'un arbre mesur au palmer ) . La dcision de rglage se fait suivant la
moyenne x et la dispersion W ou calcules sur les individus contrls .

Pour mettre en oeuvre le contrle par mesures il faut :
- connatre la loi que suivent les caractres contrls
(gnralement la loi normale)

Caractristiques de la loi normale et de la loi normale rduite :
Dfinition de la loi normale : ( Rappels 1re Anne )
Pour tout individu pris au hasard dans un lot, la probabilit pour que la grandeur x ait une valeur
comprise dans l'intervalle [ x , x + dx ] est donne par l'expression suivante .
y f x e
x m
= =

|
\

|
.
|
( )
1
2
0
1
2
0
0
2

En pratique , la probabilit y est la frquence ou proportion des individus du lot pour lesquels le
caractre a une valeur comprise dans l'intervalle dx .
avec m
0
= moyenne de la population

0
= cart-type de la population (grand nombre d'individus tudis)

Courbe de Gauss :


















y
x
m
0

m
0
-
0
m
0
+
0

68,3%
95%
99,8%
m
0
+1,96
0
m
0
-1,96
0

m
0
-3,09
0

m
0
+3,09
0

Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 8 MSP1.doc
Dfinition de la loi normale rduite: ( Rappels 1re Anne )
Pour des raisons de simplification on utilise gnralement les proprits de la LOI NORMALE
REDUITE . Cette loi est telle que son origine se situe sur la moyenne et que l'unit de la variable est
gale
0
. Cette unit s'appelle u .
u
x m
avec
m
=

=
=

0
0
0
0
0
1


La fonction d'une loi normale rduite est :

y f u e
u
= =

( )
1
2
2
2

Par consquent il n'y a plus qu'une seule courbe reprsentative quelque soit m et
0 0
.





















- tre assur que la variabilit de la fabrication surveille n'est due qu' des causes alatoires
(soumises au hasard)

Conditions d'obtention d'une distribution normale

- La grandeur tudie doit tre sous l'influence de nombreux facteurs de variations ou de
perturbations.
Ex. : pour les dimensions d'une pice mcanique
- paisseur de copeau variable sur des pices brutes
- variations de T (atmosphre - lubrifiant)
- dfauts d'homognit de la matire
- dfauts de mise en place des pices et outils
- dformations machines, pices, porte-pices, etc...

- Chaque cause de perturbation doit avoir un effet indpendant

- Pas d'effet prpondrant d'une cause par rapport aux autres.


y
u
-3 -2 -1 1 2 3
99,73%
95,44%
0
Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 9 MSP1.doc
4. Comparaison de l'I.T. la Dispersion du Processus

En ayant un risque de rebut de 0,2 % , la dispersion du processus sera de 3,09
0
soit 6,18
0


4.1. L'IT est infrieur la dispersion du Processus

















Dans ce cas, le procd de fabrication ne convient pas. Son utilisation conduit un rebut
systmatique.
Il faudra donc :
- soit changer de processus de production (machine)
- soit l'utiliser en sachant qu'il y aura un certain pourcentage de rebut.

4.2. L'IT est gal la dispersion du Processus




















Il n'y a aucun rebut (0,2 %) tant qu'il n'y a pas drglage de la moyenne. Tout drglage entraine
un rebut qui est fonction du dcalage de la moyenne .



m0

TS
TI
REBUT REBUT
6,18
0

6,18
0

TI TS
m
0

Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 10 MSP1.doc
4.3. L'IT est suprieur la dispersion du Processus
( , ) IT > 6 18
0

Des rebuts apparaitront lorsque:
TS m <
0 0
3 09 , vers la tolrance suprieure

m TI
0 0
3 09 < , vers la tolrance infrieure




On peut considrer que le processus est trop prcis si la diffrence IT 6 18
0
, est trop leve,
d'o incidence non ngligeable sur les cots de fabrication.


Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 11 MSP1.doc
4.4. Conclusion
On peut dfinir le coefficient d'adaptation du procd appel en gnral Cp.

0 0
18 , 6
. .
18 , 6
T I TI TS
Cp =

=

si IT =6 18
0
, alors Cp = 1
si IT > 6 18
0
, alors Cp > 1
si IT < 6 18
0
, alors Cp < 1

Pour avoir un processus bien adapt un usinage, on considre que 1,33 < Cp < 2 .
Si 1 < Cp < 1,33 il est prfrable de faire un contrle 100 %.





5. Cartes de Contrle



5.1. Risques lis l'emploi de la carte de Contrle

5.1.1. Conclure un drglage alors qu'il n'en est rien
C'est le risque c'est--dire le "risque conomique" puisqu'il conduit dclencher une
intervention inutile .
On dfinit les limites de contrle avec un risque = 0,002 ( 2 chances sur 1000 ).

5.1.2. Poursuivre une fabrication alors qu'un drglage s'est produit.
C'est le risque , c'est--dire le "risque Qualit", de poursuivre la fabrication pendant un
temps plus ou moins long ( jusqu' ce qu'une prochaine statistique calcule vienne se situer
en dehors des limites de contrle ).

5.2. Courbe d'efficacit
Elle donne la probabilit daccepter la fabrication en cours en fonction du drglage d
Probabilit P de ne pas dceler le drglage = Probabilit d'accepter la fabrication en cours
Drglage d

- La probabilit dcroit si d augmente
- Pour un drglage nul d=0 on a P=0,998 puisque le risque =0,002 (0,2%)
- Pour un certain drglage d
1
le risque de poursuivre la fabrication vaut par exemple =0,1



= 0,002
Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 12 MSP1.doc
5.3. Action sur l'efficacit du contrle

L'efficacit du contrle est fonction :
- du choix du type de contrle (par mesures ou par attributs)
A efficacit gale le contrle par mesures demande des chantillons d'effectif beaucoup plus
faible ( 5<n<12 ).
La moyenne permet un contrle plus efficace que la mdiane et l'cart-type que l'tendue .
Le contrle par attributs fait appel des instruments plus simples (calibres , tampons ...) et est
plus rapide ( 10<n<50 )
- du choix de la statistique contrle ( moyenne ou mdiane - cart-type ou tendue )
- du choix de l'effectif de l'chantillon et de la priodicit des prlvements .

Probabilit P de ne pas dceler le drglage = Probabilit d'accepter la fabrication en cours

Drglage d


Pour un drglage d donn le risque qualit augmente si la taille de l'chantillon diminue

Pour un chantillon d'effectif lev avec de frquents prlvements :
- Avantages : - Bonne efficacit
- Drglages rapidements signals
- Diminution des cots ds la ncessit de trier la fabrication
- Inconvnients : - Augmentation du cot direct du contrle


5.4. Carte de Contrle de la Moyenne

5.4.1. Observations
A partir d'une population initiale de moyenne m
0
et d'cart-type
0
, en prlevant des
chantillons d'effectif n = 5, on obtient des moyennes x toutes diffrentes avec un cart-type gal

x
n
=
0

Puisque x m
0
on peut crire :
m t
n
x m t
n
0
0
0
0
< < +

( lorsque la distribution suit une loi normale )
Cette relation est valable pour les grands chantillons quand n > 30

Si t = 1,96 on a dans l'intervalle m
n
m
n
0
0
0
0
1 96 1 96 + , ; ,

95 % des moyennes x

Si t = 3,09 on a dans l'intervalle m
n
m
n
0
0
0
0
3 09 3 09 + , ; ,

99,8 % des moyennes x

N=20
N=10

(n=10)

(n=20)

d
= 0,002

(n=20)
<
(n=10)

Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 13 MSP1.doc













































Pour k chantillons prlevs :









m
0

TS TI
Distribution de la
population
( m
0
,
0
)
Taille N
Distribution dun petit
chantillon extrait de la
population
( , ) x

Distribution des
moyennes
dchantillons extraits
de la population
( , ) x
x

x
1 96 95% ,
x
des x
3 09 99 8% , ,
x
des x

x
n
=
0
0
2 1
.....
m x
k
x x x
x
k

+ + +
=

Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 14 MSP1.doc
5.4.2. Cartes de Contrle Provisoires

Leur but est de voir d'abord si le procd surveiller est STABLE . Le mode opratoire sera
le suivant :
Prlver k chantillons ( k=25 ) il faut 100 200 valeurs individuelles
Dterminer les caractristiques suivantes :
- Moyenne de chaque chantillon =x
i
- Etendue de chaque chantillon =W
i

- Moyenne des moyennes =x - Moyenne des tendues = W

Dterminer les limites d'une carte de contrle provisoire et reprsenter les k chantillons sur les
cartes x et W .
C'est grce W qu'on estime la valeur de
0
avec
0
=
W
d
n
o d
n
est fonction de n
Le procd sera stable si aucun chantillon ne dpasse les limites que l'on calculera ci-
dessous.

Carte Provisoire de la moyenne :
LSC = x + A
c
. W Ex : A
c
= 0,594 pour n=5 ( voir Annexe A-3 )
LIC = x - A
c
. W

Carte Provisoire de l'tendue :
LSC = D
c2
. W Ex : D
c2
= 2,36
D
c1
= 0,16 pour n = 5
LIC = D
c1
. W
Si tous les points sont situs entre les limites ci dessus on peut passer aux limites largies qui
sont dtermines d'aprs les limites de tolrance .
5.4.3. Elaboration de la carte de contrle aux limites largies
On a vu que la dispersion des moyennes a un cart type

x
n
=
0

CALCUL DES LIMITES DE CONTROLE
On calcule dabord
n
C
c
0
0
09 , 3 09 , 3

= et lon arrondi cette valeur
Limite Suprieure de Contrle (LSC) avec risque de rebut de 0,1 %
LSC = TS - C
c


Limite Infrieure de Contrle (LIC) avec risque de rebut de 0,1 %
LIC = TI + C
c


CALCUL DES LIMITES DE SURVEILLANCE
On calcule dabord
n
C
s
0
0
96 , 1 09 , 3

= et lon arrondi cette valeur
Limite Suprieure de Surveillance (LSS) avec risque de 2,5 % d'avoir des valeurs suprieures
cette limite :
LSS = TS C
s


Limite Infrieure de Surveillance (LIS) avec risque de 2,5 % d'avoir des valeurs infrieures cette
limite :
LIS = TI + C
s



Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 15 MSP1.doc
Si
0
n'est pas connu, on peut l'estimer de diffrentes manires ; on devra cependant faire
attention ce que les 5M interviennent:
a) partir d'un prlvement de taille n > 30. o sera l'cart type de l'chantillon.

Estimation de
0
=
1 n
n

b) Si lon a dj fait les cartes de contrle provisoires, on connat W
c) Si lon a k chantillons dont on connat les carts-type
i
, on calcule la moyenne des carts-
type
Estimation de
0
=
k
i

5.4.4. Utilisation de la carte de contrle de la moyenne
En cours de production, on prlve priodiquement (Ex. : toutes les heures ) un chantillon de
taille n. On calcule x et on reporte cette valeur sur la carte.

Diffrents cas peuvent se prsenter :

1) Point entre LIS et LSS
Le processus est correctement rgl.

2) Point entre LIS et LIC ou entre LSS et LSC.
Cela veut dire qu'il y a 97,5% de chance de drglage puisque les limites de surveillance ont
t calcules partir d'un risque de 2,5%.
On prlve alors immdiatement un autre chantillon. Si celui-ci confirme le prcdent, on
procde un rglage immdiat. Si le nouveau point se trouve entre LIS et LSS, on considre
que le processus est bien rgl.
En appelant respectivement a et b les deux vnements conduisant au dpassement des limites
de surveillance, la probabilit rsultante de drglage peut tre exprime par l'expression
suivante :
P P P P
a b a b a b ( ) ( . ) +
= + =
Il y a donc moins de 1 chance sur 1000 de procder un rglage par erreur.


3) Point au-del de LIC ou de LSC.
Cela veut dire qu'il y a 99,9% de chance de drglage puisque les limites de contrle ont t
calcules partir d'un risque de 0,1%.
On arrte la fabrication et on procde au rglage.
Il y a donc 1 chance sur 1000 de procder un rglage par erreur.

LSC
LIC
LSS
LIS
(1)
(2a) (2b)
(3) CARTE x



Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 16 MSP1.doc
5.4.5. Application un systme de surveillance (KOMEG)
Ce genre de systme calcule automatiquement les statistiques x , et dresse les cartes de
contrle. Il calcule automatiquement la valeur Cp IT = / , 6 18
0
et peut donner diffrents types
d'alerte.

5.4.5.1. Alerte Middle Third ou Tiers Mdian


L'avertissement "Middle Third" est dclench lorsque moins de 40 % ou plus de 90 % des 25
dernires moyennes se situent dans le tiers mdian de la plage de contrle.
Le dpassement vers le bas de la valeur 40 % reflte une distribution trop large. Le dpassement de
90 % pourrait indiquer un mauvais fonctionnement ou une mauvaise entre des limites de contrle.

5.4.5.2. Valeur Cpk

La valeur Cpk dfinit la position du processus par rapport la limite de tolrance.On l'appelle
aussi indicateur de dcentrage. Elle se calcule partir des 25 dernires moyennes et doit tre
suprieure 1.
Le calcul s'effectue toujours par rapport la limite de tolrance suprieure et infrieure. Le
rsultat le plus faible est affich.
Des tolrances limites un seul ct (par exemple des battements) sont prises en compte en
consquence.




Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 17 MSP1.doc

Cpk par rapport la limite de tolrance suprieure :
Cpk
TS x
si x Cote moyenne avec x =

> =
3 09
0
,
moyenne des 25 dernires moyennes.

Cpk par rapport la limite de tolrance infrieure :
Cpk
x TI
si x Cote moyenne =

<
3 09
0
,


Pour qu'un procd soit centr il faut : x
TS TI
Cote moyenne =
+
=
2


Calculons alors Cpk partir de lune ou lautre des relations:
0 0 0 0 0
18 , 6 18 , 6 18 , 6
2
09 , 3
2
09 , 3
IT TI TS TI TS TS
TI TS
TS
x TS
Cpk =

=

=
+

=
On constate que Cpk doit tre gal Cp pour que le processus soit centr

5.4.5.3. Alerte Trend ou Tendance

On parle d'une "tendance" lorsque 7 moyennes successives de la carte de contrle de la qualit
prsentent une tendance ininterrompue vers le plus ou vers le moins.

5.4.5.4. Alerte Run ou Suite


On parle d'une "suite" lorsque 7 moyennes successives de la carte de la carte de contrle de la
qualit se situent toutes d'un ct de la plage de contrle.

Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 18 MSP1.doc
5.4.5.5. Exemple de carte de contrle







Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 19 MSP1.doc
5.5. Carte de Contrle de l'cart-type

5.5.1. Cas des Petits Echantillons
Dans un contrle en cours de fabrication, on prlve gnralement de petits chantillons. Par
consquent, on ne traitera pas le cas des grands chantillons.
La distribution des carts-types n'obit plus une loi normale mais la loi du Khi deux (
2
)
= n1 degrs de libert.











On forme le rapport

2
2
0
2
= n

Pour un chantillon de taille n, la table du
2
donne les valeurs du
2
ayant la probabilit p
d'tre dpasses. On peut ainsi calculer la limite suprieure de contrle avec p = 0,001 (seuil de 0,1
%) et la limite suprieure de surveillance avec p = 0,025 (seuil de 2,5 %) .

=
0
2
n


Ex: Dans une population o
0
a t estim 0,02 mm, on prlve des chantillons de taille n =
10.
= n-1 =9

Dtermination de LSS :

Table
2
s
= 19,02 pour p = 0,025 d'o
0 0
379 , 1 .
10
02 , 19

= =


d'o LSS = 1,379 x 0,02 = 0,028 mm


Dtermination de LSC :

Table
2
c
= 27,88 pour p = 0,001 d'o
0 0
67 , 1 .
10
88 , 27

= =


d'o LSC = 1,67 x 0,02 = 0,033 mm





p
Matrise Statistique des Procds - I.U.T. de Mulhouse
_______________________________________________________________________________________________________________
_______________________________________________________________________________________________________________

14/06/2005 Page 20 MSP1.doc

6. Exercice d'Application


Soit 30 pices qui ont t usines sur un tour et qui ont les diamtres suivants :

19.985 19.990 19.990 19.991 19.992 pour N1 5
19.993 19.990 19.990 19.992 19.994 pour N6 10
19.993 19.994 19.996 19.995 19.995 pour N11 15
19.994 19.991 19.993 19.992 19.993 pour N16 20
19.995 19.997 20.000 20.002 20.002 pour N21 25
20.004 20.006 20.006 20.005 20.005 pour N26 30

a) On vous demande de dterminer la moyenne et l'cart-type de cet chantillon . Estimer l'cart-
type de la population et calculer ensuite les limites de surveillance et de contrle des cartes de contrle
de la moyenne et de l'cart-type en vue de fabriquer des arbres de diamtre 20 h7 (20
0 021
0
.
). On
considrera que la taille des prlvements sera de 5 pices . Calculer Cp et Cpk. Tracer la distribution
puis placer TS et TI. Calculer le pourcentage de rebut thorique et le comparer au pourcentage rel.

b) Tracer l'volution de la dimension en fonction du numro d'ordre d'usinage . En supposant une
volution linaire de la dimension en fonction du numro d'ordre d'usinage , on a dtermin la droite
des moindres carrs :

y = 5.65295 . 10
-4
x + 19.986737

avec le coefficient de corrlation r
2
= 0.764

Reprsentez cette droite sur un graphe et calculer :
la variation de dimension d'une pice due l'usure de l'outil .
la variation totale de dimension des pices due l'usure de l'outil .

c) Reprsentez l'cart entre la dimension et le modle linaire.
Ceci montre l'volution de la partie alatoire de la dimension en fonction du numro d'ordre
d'usinage .
L'cart e
i
sera calcul par :
e
i
= y
i
- ax
i
- b
Donner l'tendue des carts e
i


d) Rpartir les carts e
i
dans 6 classes diffrentes et tracer l'histogramme .
Calculer les frquences et frquences cumules et tracer la droite de Henry.

e) En supposant que l'on puisse changer l'I.T. de la pice qui serait amen 20
0 021
0 1

+
.
.
, recalculez
les limites suprieures ainsi que le coefficient d'adaptation machine .
En considrant les 30 pices de l'chantillon comme les premires d'une srie , quel serait le nombre
de pices N ralises , en considrant un risque de 0.1 % , avant que la limite suprieure de contrle ne
soit dpasse sans aucun rglage .

f) En supposant pour les N pices une dure effective d'usinage de 5 mn , combien de pices
peut-on raliser avec la mme arte en supposant une dure de vie d'arte de 15 mn .


La solution de lexercice se trouve dans le fichier MSP2.pdf