Appliquer La Maîtrise Statistique Des Procédés MSP-SPC

MSP-Book Page III Lundi, 9.
mai 2005 11:47 11
Maurice PILLET
Professeur des Universits
IUT Annecy Universit de Savoie, Laboratoire LISTIC
Ancien lve de l'Ecole Normale Suprieure de CACHAN
Appliquer la matrise statistique

des processus
(MSP/SPC)
Quatrime dition
ditions dOrganisation, 1995, 2000, 2002, 2005

ISBN : 2-7081-3349-7
MSP-Book Page 31 Lundi, 9. mai 2005 11:47 11
Chapitre 2
Les concepts de la Matrise

Statistique des Processus (MSP)
Aprs avoir dtaill dans le premier chapitre les aspects culturels qui
conduisent les entreprises matriser la variabilit des productions,
nous aborderons dans ce chapitre les concepts de base de la MSP qui
sont :
le suivi de la variabilit et le pilotage par les cartes de contrle
l'valuation de l'aptitude des processus par les capabilits
Ce chapitre est volontairement dpourvu de calculs statistiques afin
que le lecteur se consacre l'essentiel : la comprhension des
principes de base. Nous profiterons des chapitres suivants pour
approfondir les concepts noncs notamment en ce qui concerne les
aspects statistiques et les cas d'application dans les situations
particulires telles que les petites sries.
Toutes les bases statistiques ncessaires dans cet ouvrage se trouvent
dans l'annexe statistique en fin d'ouvrage.
ditions dOrganisation
31
Appliquer la matrise statistique des processus (MSP/SPC)
1.
Les 5 M du processus
Tous les processus, quels quils soient, sont incapables de produire

toujours exactement le mme produit. Cela tous les oprateurs le
savent bien et cest dailleurs un des problmes principaux auxquels
les rgleurs sont confronts tous les jours.
Quelle que soit la machine tudie, la caractristique observe, on
note toujours une dispersion dans la rpartition de la
caractristique. Une cote sur un lot de pices ne fera jamais
exactement 10 mm, mais sera rpartie entre 9,97 et 10,03 mm par
exemple. Un lot de rsistances lectriques dont la valeur nominale est
de 10 ohms, aura en fait des valeurs comprises entre 9,9 et 10,1 ohms.
Cette variabilit est incontournable et il faut tre capable de vivre
avec .
Ces variations proviennent de l'ensemble du processus de
production. L'analyse des processus de fabrication permet de dissocier
5 lments lmentaires qui contribuent crer cette dispersion. On
dsigne gnralement par les 5 M ces 5 causes fondamentales
responsables de dispersion, et donc de non-qualit :
Mthodes
Machine
Main-duvre
Matire
Mthodes
Milieu
Milieu
Gamme
Machine
Matire
Main-d'uvre
Figure 1 Les 5 M du Processus

La mthode MSP a pour objectif la matrise des processus en partant
de lanalyse de ces 5 M. Elle apporte une plus grande rigueur et des
outils mthodologiques qui vont aider les oprateurs et la matrise
dans leur tche damlioration de la qualit.
32
Les concepts de la Matrise Statistique des Processus (MSP)
Et la mesure !
Nous avons coutume de ne pas placer la Mesure parmi les M. En
effet, la mesure ne modifie pas la vraie dispersion vendue au client,
mais l'image que l'on a de cette dispersion. La dispersion vue dans un
histogramme sera la somme de la vraie dispersion de la
production et de la dispersion due l'instrument de mesure. Or ce qui
cre la non qualit, ce n'est pas la dispersion vue mais la dispersion
vraie.
La mesure est un processus lui tout seul avec ses propres 5M. Un
pralable la matrise d'un processus de fabrication et la matrise du
processus de mesure.
2.
Analyse de la forme de la dispersion
2.1. Rpartition en forme de cloche

L'analyse des productions sur une machine montre que, en l'absence
de drglage, la rpartition des produits suit une courbe en cloche
selon une loi : la loi normale. On trouve galement d'autres
appellations pour cette loi telle que loi de Gauss, loi de Laplace Gauss,
mais nous ne rentrerons pas dans les dtails statistiques au cours de
ce chapitre.
moyenne
Modle :
loi de Gauss
cart type
Observation
d'un chantillon
Dispersion = 6
Figure 2 Courbe en cloche
33
Cette rpartition se rencontre trs frquemment dans la nature et pas

seulement dans le cas des machines de production. Ainsi, la hauteur
des hommes en Europe suit une telle rpartition. De nombreuses
personnes mesurent autour de 1,73 m (la moyenne) mais peu
d'hommes mesurent aux environs de 1,95 m ou de 1,50 m. Le
thorme statistique l'origine de cette convergence vers la loi
normale est appel thorme central limite . On peut l'crire sous
la forme suivante : Tout systme, soumis de nombreux facteurs,
indpendants les uns des autres, et d'un ordre de grandeur
quivalent, gnre une loi normale.
Dans le cas d'une machine de production, nous sommes bien dans le
cadre de ce thorme. En effet, de nombreux facteurs (les 5M)
agissent sur la caractristique. Ces facteurs sont en grande partie
indpendants et l'ordre de grandeur de ces effets est faible dans un
processus matris.
Dsormais, lorsque nous parlerons de la production d'une machine,
nous la modliserons par une courbe en cloche, dont les deux
caractristiques importantes seront la position et l'chelle.
La position moyenne (note X ) des pices donne une bonne
indication de la position de rglage de la machine. X reprsente la
moyenne de l'chantillon alors que reprsente la vraie moyenne de
la production (voir annexe statistique).
Pour mesurer limportance des variations autour de la moyenne
(facteur d'chelle), il suffit de mesurer la largeur de base de la courbe.
La largeur de base de la courbe est appele : dispersion. Nous
verrons plus loin que l'on dfinit cette largeur de base de la courbe
par un calcul statistique D = 6. Dans ce cas galement nous devrons
diffrentier qui est le vrai cart type de la population et S qui est
l'estimateur de ce calcul partir des donnes de l'chantillon.
Et si la courbe obtenue n'est pas une cloche?
Pour la plupart des caractristiques obtenues en production, on
devrait obtenir une courbe en cloche. Il y a quelques exceptions
comme les dfauts de forme ou les dfauts de position o il est
normal de ne pas obtenir une courbe en cloche. Mais ces cas sortent
de l'objectif de ce chapitre.
34
Cause
spciale
Premier
rglage
Second
rglage
Causes Communes
-3
Cible
+3
Figure 3 Courbe bimodale

Dans les cas traditionnels, si une distribution na pas la courbe en
forme de cloche, cest quil se passe quelque chose, le thorme
central limite n'est pas vrifi. Il y a donc un (ou plusieurs) facteur
qui agit avec un ordre de grandeur plus important que les autres. Le
processus nest pas rgl sur la mme position. En effet, si lon produit
50 pices rgles sur la valeur -3, et 50 pices rgles sur +3, on
obtient la courbe figure 3.
Il est donc important lorsquon regarde une distribution de bien
vrifier que la courbe la forme dune cloche. Si ce nest pas le cas
cest probablement le signe qu'un ou plusieurs drglages importants
se sont produits pendant la production.
2.2. Causes communes Causes spciales

On sait que dans une production, deux pices ne sont jamais
parfaitement identiques. Les dimensions prcises dune pice usine
sur une machine outil dpendent de nombreux facteurs. Il sensuit
une dispersion sur la cote que lon peut sparer en deux catgories :
les dispersions dues aux causes communes,
les dispersions dues aux causes spciales.
35
Cette dichotomie entre les causes de dispersion est une des bases
fondamentales de la mthode MSP. Il convient donc de les expliciter
davantage.
Causes spciales
Causes
communes
Tolrance
Maxi
Cible
Tolrance
Mini
Figure 4 Causes communes et causes spciales
2.2.1. Les causes communes

Ce sont les nombreuses sources de variation attribuables au hasard
qui sont toujours prsentes des degrs divers dans diffrents
processus. Les statistiques tant ltude des phnomnes perturbs
par le hasard, on sait modliser le comportement des causes
alatoires, et par consquent, prvoir la performance dun processus
qui nest soumis qu des causes communes de dispersion. De toutes
manires, ces causes tant toujours prsentes et de plus, en grand
nombre, il faudra vivre avec . L'ensemble de ces causes communes
forme la variabilit intrinsque du processus. Si toutes les
nombreuses causes qui agissent sont d'un ordre de grandeur
quivalent, alors la caractristique doit suivre une rpartition en
forme de cloche. Le but de la MSP sera de ne laisser subsister que les
dispersions dues aux causes communes. On parlera alors de processus
sous contrle
Exemples de causes communes :
jeux dans la chane cinmatique de la machine ;
dfaut de la broche de la machine ;
...
36
2.2.2. Les causes spciales

Ce sont les causes de dispersion identifiables, souvent irrgulires et
instables, et par consquent difficiles prvoir. Lapparition dune
cause spciale ncessite une intervention sur le processus.
Contrairement aux causes communes, les causes spciales sont en
gnral peu nombreuses.
Exemple de causes spciales :
drglage d'un outil ;
usure d'un outil ;
mauvaise lubrification ;
...
En fait, lorsqu'on analyse les causes spciales qui interviennent sur le
processus, on s'aperoit qu'on peut classer les causes spciales en 2
catgories (figure 4) :
celles qui agissent sur la position de la valeur surveille
(drglage d'un outil par exemple) ;
celles qui agissent sur la dispersion et donc sur la capabilit du
processus (dfaut de lubrification par exemple).
Les cartes de contrle (dveloppes au 5) ont pour objectifs de
prvenir l'apparition des causes spciales et de dissocier celles qui ne
ncessiteront qu'un rglage de celles qui risquent de modifier la
capabilit habituellement rencontre.
2.3. Processus sous contrle et hors contrle

Processus
sous contrle
Processus
hors contrle
Figure 5 Processus sous et hors contrle
37
Un processus sous contrle est un processus dans lequel seules

subsistent les causes communes. La rpartition de la production suit
alors une courbe en cloche et elle est centre sur la cible.
Un processus hors contrle est soumis la prsence de causes
spciales. Le rsultat de la production ne suit donc pas
ncessairement une courbe en cloche et la production peut tre
dcentre par rapport la cible.
La matrise de la variabilit dont nous avons montr la ncessit dans
le premier chapitre consiste donc mettre tous les processus sous
contrle , c'est l'objectif de la MSP.
3.
Surveiller un processus par cartes

de contrle
3.1. Le principe de la carte de contrle

3.1.1. Les limites naturelles d'un processus
On a vu au paragraphe prcdent, que les processus de production et
mme tous les systmes taient soumis des variations naturelles
alatoires. Ces variations ont pour origine de trs nombreuses causes
que nous avons appeles les causes communes.
Ces causes communes agissent de manire alatoire sur le processus
de fabrication. Ainsi, les caractristiques fabriques ne sont pas
toujours identiques et suivent une loi de Gauss (thorme central
limite).
cible
Cible - 3
Limite naturelle
infrieure
Cible + 3
Dispersion naturelle
du processus
Limite naturelle
suprieure
Figure 6 Dispersion naturelle du processus
38
Si la moyenne de la production est centre sur la cible, il est donc

naturel de trouver des valeurs comprises entre 3 carts types () de
cette cible. Les valeurs cible + 3. et cible - 3. reprsentent les
limites naturelles du processus. Tant qu'une valeur est dans ces
limites, il n'y a pas de raison d'agir sur le processus, on risquerait de
dcentrer un processus bien centr. Si une valeur sort de ces limites,
on a une forte probabilit que le processus ne soit plus centr sur la
cible, il faut alors le recentrer.
3.1.2. Le pilotage par les limites naturelles

Souvent, les oprateurs pilotent les processus partir des limites de
tolrance plutt que d'utiliser les limites naturelles. Cela peut
conduire deux types d'erreurs illustres par la figure 7.
Tolrance
Tolrance
Pice
prleve
Dispersion
Limite
Naturelle
Cas 1
Dispersion
Limite
Naturelle
Limite
Naturelle
Cas 2
Limite
Naturelle
Figure 7 Pilotage partir des tolrances

Dans le cas 1, processus capable, l'oprateur prlve une pice qui se
situe l'intrieur des tolrances. Traditionnellement, cette pice tant
bonne , il continue sa production. Pourtant, la pice est en dehors
des limites naturelles. Le processus n'est pas centr sur la cible, il faut
rgler.
Dans le cas 2, processus non capable, l'oprateur prlve une pice
qui se situe l'extrieur des tolrances. Traditionnellement, cette
pice tant mauvaise , il rgle le processus. Pourtant, la pice est
dans les limites naturelles. Il est possible que le processus soit
parfaitement centr. Dans ce cas on ne doit pas toucher au processus.
39
Comme le montrent les deux exemples prcdents, il faut dissocier

l'action sur le processus (rglage) et l'action sur le produit
(acceptation, tri, contrle).
Les tolrances servent dterminer si les pices qu'on vient de
faire sont bonnes ou mauvaises. Elles servent agir sur les
pices pour dcider de l'acceptation ou du refus des pices que
l'on a fabriques. On regarde en arrire.
Les limites naturelles servent dterminer si le processus de
fabrication est toujours centr sur la cible. Elles servent agir
sur le processus pour que les prochaines pices raliser restent
bonnes. On regarde en avant.
La figure 8 montre clairement l'avantage utiliser les limites
naturelles pour piloter un processus plutt que les limites de
tolrance. Et ceci mme dans le cas de petites sries avec un contrle
100 %. En effet, nous avons souvent entendu certains
commentaires sur la MSP tels que : Cela ne s'applique pas dans
mon entreprise, je fais des petites sries ou encore Les statistiques
me sont inutiles, je fais du contrle 100 % . Nous montrerons tout
au long de cet ouvrage que ces raisonnements sont faux et prouvent
que les personnes qui tiennent ces discours n'ont pas bien compris les
fondements de la dmarche MSP.
Figure 8 Limites naturelles et tolrances

Considrons un processus qui fabrique un lot de 25 produits au
rythme de un produit par heure (petite srie). Chaque produit est
contrl (contrle 100 %). Si on pilote le processus partir des
tolrances, on attend de trouver un produit hors tolrance (ou au
40
voisinage avant d'intervenir). Si on fait un raisonnement statistique,

on note beaucoup plus rapidement le dcentrage du processus (hors
des limites naturelles). Les produits fabriqus sont plus proches de la
cible, de meilleure qualit. Le contrle 100 % valide les produits qui
sont dj fabriqus, le raisonnement statistique prvoit la qualit des
produits que l'on va fabriquer !
Dans le cas de la figure 8, ds le produit n11, nous avions le signal
statistique de dcentrage, confirm par le produit 13 (voir les rgles
en 4.5). Il fallait recentrer le processus avant de faire un produit
dfectueux.
Ainsi, mme dans le cas d'un contrle 100 % en petite srie, on a
intrt d'utiliser un raisonnement statistique.
3.1.3. Pourquoi prlever des chantillons ?

Le travail dun rgleur consiste principalement bien rgler sa
machine, puis veiller ce que celle-ci ne se drgle pas. Pour
surveiller la position, les rgleurs ont lhabitude de prlever une pice
de temps en temps et de rgler la machine en fonction de la mesure
quils ont faite.
Lorsque les capabilits ne sont pas excellentes, cette mthode conduit
gnralement des erreurs de jugement, car on confond la dispersion
de la machine avec son dcentrage.
L'origine de ces erreurs de jugement provient de la dispersion. En fait
une mesure effectue reprsente la somme de deux effets (figure 9) :
un effet d'cart de rglage de la machine (systmatique) ;
un effet de la dispersion (alatoire).
Tolrance infrieure
Tolrance suprieure
Cible
1 valeur
=
drglage
+
dispersion
Drglage
Moyenne de
plusieurs valeurs
(on limine en partie
l'effet de la dispersion)
Dispersion
Figure 9 Addition du rglage et de la dispersion
41
Pour tre capable de piloter une machine, il faut arriver liminer

l'effet de la dispersion afin de dterminer o se trouve le rglage de la
machine. La seule solution est de ne pas raisonner sur une seule
valeur, mais sur la moyenne de plusieurs valeurs. Le fait de faire une
moyenne limine en grande partie l'effet de la dispersion.
La figure 10 et la figure 11 illustrent l'efficacit d'une moyenne par
rapport une valeur individuelle pour dtecter un petit dcentrage.
En effet, la dispersion sur les moyennes est plus faible que la
dispersion sur les valeurs individuelles dans un rapport de n (avec n
le nombre de valeurs de l'chantillon). Ainsi, lorsque le processus se
dcentre, comme dans le cas de la figure 11, on note que la
probabilit de sortir des limites naturelles est suprieure 50 % dans
le cas de la moyenne, alors qu'elle n'est que de quelques pour cent
dans le cas des valeurs individuelles. On privilgiera donc
systmatiquement un prlvement d'chantillons par rapport un
prlvement de valeurs individuelles.
Dispersion
sur la
moyenne
Probabilit de
dtecter le
dcentrage avec
une seule valeur
Dispersion
Limite naturelle sur

les valeurs individuelles
Limite naturelle
sur la moyenne
Figure 10 Pouvoir de dtection d'une moyenne
42
Rpartition des valeurs

Rpartition des moyennes
Probabilit de dtecter le
dcentrage avec la moyenne
Limite naturelle dans

le cas d'une moyenne
Limite naturelle dans
le cas d'une valeur
Tolrance
maxi
Tolrance
mini
Probabilit de dtecter
le dcentrage avec
une seule valeur
Figure 11 Intrt de faire une moyenne

Il existe cependant des cas o le prlvement d'un chantillon n'a pas
de sens ou n'est pas souhaitable. C'est le cas notamment lorsque l'on
suit des paramtres procd comme un cart de temprature.
Dans ce cas, on raisonnera sur des valeurs individuelles. Nous
traiterons ce cas dans les prochains chapitres.
3.2. La carte de pilotage (de contrle)

moyenne/tendue
Dans le but d'aider l'oprateur dtecter si le processus qu'il conduit
ne subit que des causes communes ou s'il y a prsence de causes
spciales, Shewhart1 a, ds le dbut du 20me sicle, mis au point un
outil graphique performant appel : la carte de contrle. Nous avons
choisi de prsenter dans ce chapitre la carte moyenne/tendue car
c'est historiquement la plus importante et probablement la plus
utilise. Pour une utilisation manuelle des cartes de contrle au poste
de travail par un oprateur, nous prfrons cependant utiliser la carte
mdiane/tendue qui est plus simple.
1. W. Shewhart Economic Control of Quality of Manufactured Product Van Nostrand Co.

Inc Princeton. 1931
43
3.2.1. Principe de remplissage

Date
23/02
Heure
6h00 6h30 7h00 7h30 8h00 8h30 8h35 9h00 9h30
Mesure 1
-1
-2
-1
-2
Mesure 2
-1
Mesure 3
-2
-2
-1
-3
-1
-1
Mesure 4
-1
-1
-1
-1
Mesure 5
Total
-3
-1
-4
10
-1
-4
0,2
-0,6
-0,2
-0,8
0,6
2,0
-0,2
-0,8
Moyenne
tendue
Limite suprieure
de contrle
Cible
Moyenne de l'chantillon
Limite infrieure -1
de contrle -2
Limite suprieure
de contrle
Moyenne
tendues
Point hors contrle
Vrification du rglage
6
4
2
Journal de bord
Rglage
tendue de l'chantillon
Figure 12 Principe d'une carte de pilotage

La figure 14 montre un exemple de carte de contrle moyennes/
tendues. Pour suivre lvolution du processus, on prlve
rgulirement (par exemple toutes les heures) un chantillon de
pices conscutives (par exemple 5 pices) de la production. Dans
lexemple, on note sur la carte les carts par rapport la cible.
44
On calcule la moyenne (note X ) de la caractristique surveiller et

on porte cette moyenne sur le graphique (les points dans l'exemple).
De mme, on calcule l'tendue sur l'chantillon, c'est--dire la
distance entre la plus forte valeur et la plus faible. On porte
galement cette valeur (note R = Range en anglais) sur le graphique.
mesure que lon prlve des chantillons, la carte va se remplir et
donner une image de lvolution du processus.
Sur la carte des moyennes, la ligne en pointill matrialise la valeur
sur laquelle on souhaite tre rgl (la cible). La ligne suprieure est
appele limite suprieure de contrle des moyennes ( LSC X ), la ligne
infrieure est appele limite infrieure de contrle des moyennes
( LIC X ). Les limites de contrle infrieure et suprieure (limites
naturelles du processus) dterminent une zone dans laquelle doivent
se situer les valeurs portes sur la carte.
Un processus sera dit sous contrle lorsque les points seront
rpartis en forme de courbe en cloche l'intrieur des limites de
contrle. Si un point sort de la carte de contrle, il faut intervenir et
noter cette intervention dans le journal de bord. Sur la carte des
tendues, c'est le mme principe de fonctionnement.
Carteprcdente
Cp Pp Ppk
Carteactuelle
Cp Pp Ppk
Figure 13 Carte aux mdianes
45
La figure 13 montre un autre exemple de carte de contrle : La carte

de contrle mdiane/tendue. Sur cette carte, on ne fait pas de calcul.
On note les points mesurs, et on fait ressortir la tendance centrale en
entourant le point central (la mdiane). Cette carte est prfrable la
carte aux moyennes dans le cas de remplissage manuel. En effet, bien
qu'un peu moins efficace que la moyenne, elle est beaucoup plus
simple remplir et passe beaucoup mieux auprs des oprateurs.
Nous reviendrons sur cette carte dans le chapitre 5. Pour la suite de ce
chapitre nous nous focaliserons sur la carte la plus connue : la carte
moyenne/tendue.
3.2.2. Moyenne et tendue, deux fonctions diffrentes

Sur la carte de contrle on ne note pas seulement la moyenne, mais
galement l'tendue. Les deux graphiques ont une fonction trs
diffrente car ils ne dtectent pas le mme type de causes spciales. La
figure 14 illustre les deux fonctions. Dans le cas 1, on note une drive
de la position du processus, il faut dtecter cette drive pour ne pas
fabriquer des pices mauvaises. La carte des moyennes dtectera les
drives de position du processus. Dans le cas 2, le processus reste
centr sur la cible, mais la dispersion se dgrade (par exemple une
bute se desserre et prend du jeu). Il faut galement dtecter ce type
de drives car il conduit galement une production de mauvaise
qualit. C'est l'objectif de la carte de contrle des tendues.
Drive dtecte
par la carte
des moyennes
Cas 1
Cible
Cas 2
Drive dtecte
par la carte
des tendues
Figure 14 Carte de contrle des moyennes et des tendues
46
La figure 15 illustre les deux types de causes spciales. Dans lexemple

de la voiture qui dpasse le car, il y a prsence de cause spciale, on
note ce type de cause (les drglages) sur la carte des moyennes. En
effet, le chauffeur sent une variation de la position de son vhicule
suprieure aux variations communes et il corrige par un coup de
volant. En revanche, pour lexemple de la conduite hasardeuse
d'un conducteur en tat d'brit, il ny a pas forcment variation de
la position moyenne (certains arrivent rentrer !), il y a modification
de la dispersion du processus. Cest donc sur la carte des tendues que
lon notera ce type de causes spciales.
Figure 15 Deux cartes pour deux fonctions diffrentes

Les deux exemples prcdents sont significatifs. Dans le premier cas,
un rglage suffit pour ramener le processus sur la cible, dans le
deuxime cas, la position moyenne est peut-tre bonne, mais la
dispersion devient importante. Il est impratif darrter le processus,
car il risque fortement de gnrer du rebut !
47
4.
4.1. Dmarche DMAICS

Dfinir
Identification des paramtres critiques
du processus
Mesurer
Vrification de la capabilit du moyen de mesure
Mesurer
Observation du processus
(Raliser une carte de contrle sans limite)
Problmes de
capabilit
Analyser
Calcul des capabilits,
Choix de la carte et calcul des limites de contrle
Amlioration continue
Dfinir
Mesurer
Analyser
Contrler
Standardise
r
Innover
Amliorer
Mise en place des cartes de contrle
Analyser
Recherche des sources de variabilit
Contrler
Suivi et pilotage par carte de contrle
Dtection des causes spciales
Mise sous contrle du processus
Analyse des 5 M
Analyse de la variance
Etudes des corrlations
Innover - Amliorer
Rduction de la variabilit
Plans dexpriences, plans produits
Mise en place des amliorations
Standardiser
Optimisation du processus,
Le processus est mis sur rails
Diminution de la frquence des contrles
Figure 16 Mise en sous contrle d'un processus

La figure 16 illustre les tapes de mise sous contrle d'un processus.
On note sur ce diagramme les deux tapes pralables trs importantes
qui sont :
dfinir le choix des caractristiques suivre ;
l'tude de la capabilit du moyen de mesure.
48
En fait la mise sous contrle d'un processus consiste suivre la

dmarche DMAICS (Dfinir, Mesurer, Analyser, Innover, Contrler,
Standardiser) de Six Sigma. Les tapes Analyser et Amliorer pouvant
parfois tre court-circuites lorsque les capabilits du processus sont
bonnes.
4.2. Dfinir
4.2.1. Le choix des caractristiques piloter en MSP
Le nombre de caractristiques suivies en production est en rgle
gnral trs important et il n'est pas concevable ni mme souhaitable
de suivre toutes les caractristiques par cartes de contrle. La
premire tape dans la matrise de la variabilit consiste donc choisir
les caractristiques candidates au suivi par carte.
En rgle gnrale, on retient trois critres de slection de ces
caractristiques candidates :
1. L'importance de la caractristique pour la satisfaction du client
final ou d'un client sur un processus aval. Comme nous l'avons
soulign dans le premier chapitre, seule compte la satisfaction
totale du client final. Il est donc indispensable de slectionner
les caractristiques corrles fortement aux fonctions attendues
du produit fini.
2. L'historique de non-qualit sur cette caractristique. Il est bien
sr inutile de suivre par carte de contrle une caractristique
qui n'a jamais pos de problmes de qualit. On privilgiera les
caractristiques ayant dj un historique de rebut, de retouche
ou qui sont difficiles garantir. Lors de l'industrialisation, on
choisira les caractristiques qui potentiellement (en fonction de
l'historique de l'entreprise, de la prcision demande) vont
poser des problmes lors de la ralisation.
3. La corrlation existante entre plusieurs caractristiques. Dans le
cas par exemple o plusieurs cotes sont ralises par le mme
outil, il y a souvent une forte corrlation entre les diffrentes
caractristiques. Il est dans ce cas inutile de les suivre toutes,
une seule carte est mise en place.
49
4.2.2. La matrice d'impact

La matrice d'impact est un outil permettant de choisir les
caractristiques les plus importantes suivre sous MSP. L'objectif de
cet outil et de rechercher les caractristiques qui ont un impact fort
sur la satisfaction des clients. Il est facilement ralisable partir d'un
tableur Excel.
Assemblage sans forcer
Fiabilit
Diam7tre4
Longueur
Pas de jeu visible
Diamtre 2
Profondeur 2
Pice B
Hauteur 8
Largeur 10
Fonctionnement souple
Paralllisme
Caractristiques client
sur le produit
(Tous les clients
Assemblage, produit
fini)
Importance
Pice A
9
3
3
3
Importance
72
24
11
27
54
47
18
Capabilit prvisionelle Ppk
L'impact est not 1 (Faible); 3 (Moyen); 9 (Fort)
Figure 17 Matrice dimpact

Exemple
Dans un premier temps on donne une note d'importance
chaque caractristique client, puis on pondre l'impact de
chaque caractristique lmentaire sur les caractristiques
clients.
Exemple : le diamtre 2 de la pice B impacte fortement (9) la
fiabilit du produit et moyennement (3) le jeu. L'importance de
cette caractristique est alors calcule par :
Importance = 9x5 + 3x3 = 54
Dans un second temps en fonction de l'historique ou de la
connaissance des experts, on value la capabilit prvisionnelle
de chaque caractristique.
Enfin, les caractristiques candidates au suivi MSP sont parmi
celles les plus importantes pour les clients et celles qui ont une
capabilit attendue faible.
50
4.3. Mesurer
4.3.1. La capabilit des moyens de mesure
Ce point est un point essentiel dans la russite de la mise sous
contrle d'un processus. Il est inutile de placer une carte de contrle
si la dispersion de l'instrument de mesure occupe dj la presque
totalit de la tolrance comme nous l'avons vu parfois ! La premire
tape consiste vrifier si on sait mesurer dans de bonnes conditions
de rptabilit et de reproductibilit. Nous conseillons vivement au
lecteur de se reporter au chapitre 3 sur les capabilits des moyens de
mesure notamment de la mthode R&R avant de mettre en place une
carte d'observation.
4.3.2. Observation du processus

Les cartes de contrle ont pour objectif de surveiller que les variations
observes sur le processus ne sont pas suprieures aux variations
normales gnres par les causes communes. Il faut donc
connatre, avant de mettre en place une carte de contrle, quelles
sont ces variations. C'est le but de cette phase d'observation.
Une mthode trs simple pour raliser cette phase d'observation
consiste remplir une carte de contrle sur laquelle aucune limite
n'aura t porte. Les prlvements seffectuent par petits sousgroupes de taille constante et identique celle qui sera retenue pour
la carte de contrle (on prend en gnral de 3 6 pices conscutives
prleves de faon priodique par exemple toutes les 15 minutes, 2
fois par quipe, un prlvement par bac...).
Cependant, avant de mettre en place la carte d'observation, il faut
liminer au pralable toutes les sources de variations possibles.
Lorsqu'on observe un processus, on trouve toujours de nombreuses
petites actions qui contribuent accrotre la variabilit comme par
exemple :
la faon dont on dpose le produit sur le posage ;
la force avec laquelle on serre un crou ;
un mlange de produits d'origine diffrente ;

51
Pour faire ce travail pralable, on observe attentivement le processus,

et on note toutes les oprations susceptibles de crer de la variabilit.
On utilise pour cela des diagrammes de processus, des films Un fois
la phase d'analyse termine, on cherche des mthodes de travail
nouvelles qui liminent le plus possible les variabilits.
Le but de ce travail tant d'liminer toutes les variabilits qui peuvent
tre supprimes par la simple observation du processus. Une fois cette
tape ralise, on peut mettre en place la carte d'observation.
Slection de la taille des chantillons
Souvent la taille des chantillons est fixe 5 et ceci pour une raison
historique. En effet, lorsque les cartes sont calcules la main, le
chiffre 5 est pratique pour le calcul de la moyenne car une division
par 5 revient une multiplication par 2 suivie d'une division par 10.
Mais part cette facilit de calcul, le chiffre 5 n'est pas toujours le
chiffre le plus adapt.
Lors des prlvements des pices, il faut respecter les conditions
essentielles suivantes :
1. les pices lintrieur de chacun des sous-groupes doivent tre
produites dans des conditions trs similaires sur un trs court
intervalle de temps. Il est donc hors de question qu'un rglage
ait lieu l'intrieur d'un prlvement. Mais, il est tout fait
possible de raliser des corrections entre deux prlvements.
2. la taille des chantillons doit demeurer constante pour tous les
sous-groupes.
Le choix de la taille se fera donc en respectant ces deux conditions. En
mcanique, le chiffre 5 convient gnralement parfaitement lorsque
la capabilit court terme est bonne. On trouvera au chapitre 5
une rgle pour dterminer la taille de l'chantillon en fonction de la
capabilit court terme et des deux risques statistiques :
le risque de drgler un processus bien rgl ;
le risque de ne pas dtecter un dcentrage.
Lorsqu'on travaille sur des machines multipostes telles que les
transferts rotatifs, les tours multibroches, nous montrerons qu'il est
prfrable de prlever des chantillons de taille gale au nombre de
postes. On prendra par exemple 6 pices sur une machine
52
multibroche 6 broches. L'inconvnient d'un nombre tel que 6 ou 8

rside dans les calculs de moyenne qui ncessitent l'utilisation d'une
calculette. Bien entendu cet inconvnient disparat si le calcul des
cartes a t automatis par un logiciel MSP.
Frquence dchantillonnage
Le but du prlvement tant de donner une image du processus sans
pour autant mesurer toutes les pices, il faut que la frquence
dchantillonnage donne une image la plus juste possible du
processus.
volution relle
du processus
Figure 18 Incidence de la frquence d'chantillonnage

Si nous prenons l'exemple de la figure 18, l'image de lvolution
relle du processus va dpendre de la frquence dchantillonnage
que lon va choisir. Il est vident que la solution points noirs est
meilleure que la solution points blancs . On remarque galement
quune frquence plus leve ne donnerait que peu dinformations
supplmentaires. Il est donc ncessaire de connatre la frquence
dvolution du processus pour dterminer la frquence
dchantillonnage.
Certains auteurs proposent des abaques pour dterminer la frquence
de prlvement. Nous prfrons en gnral suivre la rgle empirique
suivante : la frquence des actions correctives sur un
processus doit tre au moins quatre fois plus faible que la
frquence de prlvement .
53
Exemples
Le processus est assez stable, il ncessite en moyenne une action
(rglage, changement d'outil...) par demi-journe. Une frquence de
prlvement d'un chantillon par heure convient dans ce cas.
Un autre processus ncessite en moyenne une action par heure. Il
faudra alors passer un prlvement tous les quarts d'heure.
En gnral, on choisit une frquence relativement leve au dbut de
la mise en place dune carte et, mesure que lon amliore la stabilit,
on diminue la frquence de prlvement.
Pour affiner ds la mise en place des cartes de contrle la frquence
de prlvement, il faut absolument noter durant la phase
d'observation toutes les actions et tous les incidents intervenants sur
le processus.
Nombre de sous-groupes ncessaires
Pour avoir une bonne image de la variabilit naturelle du processus, il
faut avoir suffisamment de relevs. En effet, si nous nous satisfaisons
de 5 chantillons par exemple, la fiabilit des donnes de base pour
les calculs des cartes serait de pitre qualit. Il faut attendre d'avoir
suffisamment de donnes. Lorsque la premire carte sans limite est
remplie, cela correspond gnralement une vingtaine d'chantillons
qui reprsentent une centaine d'informations individuelles. Cela
suffit pour donner une bonne image du processus.
Durant la phase d'observation, on calculera pour chaque sous-groupe
prlev :
la moyenne du sous-groupe i ;
lcart type ou l'tendue (suivant la carte choisie) du sousgroupe i.
Nous recommandons de reprsenter les donnes observes sur les
graphiques des moyennes et des tendues. Cette reprsentation
donnera une bien meilleure ide du comportement du processus, en
l'absence de pilotage par cartes de contrle, qu'une srie de chiffres.
54
10
11
12
13
14
15
16
17
18
19
20
X1
-1
-1
X2
-3
-1
-1
-1
X3
-1
-1
-1
X4
-2
-1
-2
X5
-1
-1
-3
-1
Xb
R
2.2 -0.2 1.0 0.4 1.0 2.6 1.6 1.2 0.8 2.4 1.0 1.0 1.0 1.8 0.8 1.4 -0.6 0.6 1.0 1.0
7
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
10 11 12 13 14 15 16 17 18 19 20
3.0
8
2.0
6
1.0
4
0.0
-1.0
-2.0
0
-3.0
10 11 12 13 14 15 16 17 18 19 20
10
11
12
13
14
15
16
17
18
19
20
Figure 19 Carte d'observation (cart en centime % la cible)
4.4. Analyser
4.4.1. Calcul des capabilits
Connaissant la variabilit naturelle du processus, nous pourrons alors
choisir et calculer les cartes de contrle adaptes la caractristique
suivie. En utilisant les donnes de la carte d'observation, il sera
55
galement possible de calculer des indicateurs de capabilit sur le

processus. Nous reviendrons galement en dtail sur cette tape dans
le paragraphe suivant. Un chapitre complet de cet ouvrage est
galement consacr aux calculs des capabilits.
A ce stade deux cas peuvent se produire :
Le processus est dclar capable et il est donc possible de piloter
directement en utilisant la carte choisie en passant l'tape
Contrler
Le processus n'est pas dclar capable. Il est quand mme tout
fait possible et mme souhaitable de piloter le processus partir
des limites naturelles, mais il faut alors mettre en place en
parallle la carte de contrle un chantier visant rduire cette
variabilit avec les tapes Analyser et Innover .
4.4.2. Calcul des cartes de contrle

Aprs avoir ralis la phase d'observation du processus, nous devons
fixer les limites dans lesquelles il est naturel, du fait des causes
communes, que le processus varie. Il faut tablir 2 cartes de contrle :
carte des moyennes pour surveiller le rglage de la consigne ;
carte des tendues pour surveiller la capabilit du processus.
Pour chaque carte de contrle, nous devons calculer les valeurs
moyennes ainsi que les limites de contrle infrieures et suprieures.
Calcul de l'tendue moyenne sur les chantillons
A partir des valeurs recueillies durant la phase d'observation, nous
pouvons calculer la moyenne des tendues :
R=
R1 + R2 + ... + Ri + ... + Rk
= 0,04
k
Avec
Ri : tendue du sous-groupe i
k : nombre de sous-groupes
La moyenne des tendues est trs importante car elle indique
l'importance de la variabilit naturelle du processus.
56
Calcul des limites de contrle

Les limites de contrle se calculent en utilisant les formules suivantes :
Pour la carte des moyennes
Limite de contrle suprieure : LSC X = Cible + A2. R
Limite de contrle infrieure : LIC X = Cible A2. R
Pour la carte de contrle des tendues
Limite de contrle suprieure : LSC R = D4. R
Limite de contrle infrieure : LIC R = D3. R
La cible est la valeur sur laquelle il faut se centrer. Elle est souvent
fixe gale au milieu de l'intervalle de tolrance. Pour les processus
qui ne peuvent tre centrs sur la cible idale (cote rsultant d'un
moule par exemple), on fixe la cible sur la moyenne des moyennes
( X ) de la carte d'observation.
Les coefficients A2, D3, D4 sont fonction de la taille des chantillons.
Nous montrerons dans le chapitre 5 l'origine de ces coefficients.
n
10
A2
1,88
1,02
0,73
0,58
0,48
0,42
0,37
0,34
0,31
D3
0,07
0,14
0,18
0,22
D4
3,27
2,57
2,28
2,11
2,00
1,92
1,86
1,82
1,78
Figure 20 Tableau des coefficients pour le calcul des cartes

Exemple de calcul d'une carte de contrle
Prenons le cas d'une cote, obtenue sur machine-outil, de valeur
nominale 10 mm et d'intervalle de tolrance 0,1 mm. Les chantillons
prlevs sont des groupes de 5 pices.
A l'issue de la phase d'observation du processus, nous avons calcul la
moyenne des tendues de chaque sous-groupe R = 0,04
Comme il est possible de piloter la caractristique pour la ramener sur
la cible, on fixe la cible sur le milieu de l'intervalle de tolrance soit
10,00.
57
Choix des coefficients

Les groupes tant de 5 pices, nous prenons les coefficients A2, D3, D4
dans la colonne 5
A2 = 0,58
D3 = D4 = 2,114
En appliquant les formules nous trouvons :
Limite suprieure de contrle des moyennes
LSC = 10, 00 + 0, 58 x 0, 04 = 10, 023
X
Limite infrieure de contrle des moyennes
LIC = 10, 00 0, 58 x 0, 04 = 9, 977
X
Si on raisonne en carts par rapport la cible, les limites s'crivent :
LC = 0, 58 x 0, 04 = 2.278
X
Limite suprieure de contrle des tendues
LSC R = 2, 114 x 0, 04 = 0, 085
Il n'y a pas de limite infrieure pour des groupes de 5 pices.
Carte X-bar-R
1
UCL=2.278
Moyennes
2
1
__
X=0
0
-1
-2
LCL=-2.278
1
11
13
15
17
19
UCL=8.352
tendues
8
6
_
R=3.95
4
2
0
LCL=0
1
9
11
chantillon
13
15
17
19
Figure 21 Exemple de carte de contrle Xbar-R

La figure 21 montre la carte dobservation sur laquelle on a plac les
limites naturelles (limites de contrle). Il apparat sur la carte des
moyennes deux points qui sortent des limites et une srie de points
58
toujours du cot suprieur la cible. Cela tmoigne de la prsence

dune cause spciale (un dcentrage ici) qui mriterait un recentrage
de la production sur la cible.
4.5. Contrler
4.5.1. Pilotage du processus par cartes de contrle
Lors de cette phase, le processus est pilot en observant les cartes de
contrle. Pour une efficacit maximale des cartes de contrle, il est
indispensable que les dcisions d'actions sur le processus soient
dictes par les cartes. Le pilotage par cartes de contrle doit se
substituer et non s'additionner aux mthodes empiriques de pilotage.
Cette remarque pralable peut sembler anodine, elle est pourtant
fondamentale. De trs nombreuses applications de cartes de contrle
ont chou faute d'avoir mis en pratique cette remarque.
Mthode de pilotage
Prlever un chantillon de pices conscutives et sans intervention
Mesurer les pices et reporter les points sur la carte de pilotage
Interprter le graphique en utilisant les rgles d'interprtation

(figure 23)
Appliquer le tableau de dcision (figure 24)

En cas de rglage, appliquer la rgle de vrification des rglages
Figure 22 Mthode de pilotage

La phase de pilotage consiste donc observer les cartes, les interprter
afin de dtecter l'apparition de causes spciales et de ragir avant de
gnrer des produits hors spcification. Les interprtations des cartes
de contrle sont relativement simples, il suffit de connatre les
quelques situations de base.
L'interprtation de la carte des tendues est diffrente de la carte des
moyennes. L'une surveille le rglage du processus, l'autre surveille la
dispersion du processus.
59
Lorsquon analyse des cartes de contrle, il faut toujours commencer

par la carte de surveillance du paramtre de dispersion. En effet, si la
dispersion du processus augmente, il faut arrter tout de suite la
machine, car la capabilit court terme est en train de chuter. Par
contre, une variation sur la carte des moyennes se rsoudra souvent
par un rglage.
Graphique
Description
Dcision
carte des moyennes
Dcision
carte des tendues
Production
Production
Processus sous contrle

LSC
LIC
Les courbes X et R oscillent de chaque ct

de la moyenne.
2/3 des points sont dans
le tiers central de la
carte.
LSC
Point hors limites
LIC
Le dernier point trac a

franchi une limite de
contrle.
LSC
Tendance suprieure
ou infrieure
LIC
7 points conscutifs sont

suprieurs ou infrieurs
la moyenne .
LSC
LIC
LSC
LIC
Tendance croissante
ou dcroissante
7 points conscutifs sont
en augmentation rgulire ou en diminution rgulire.
1 point proche
des limites
Le dernier point trac se
situe dans le 1/6 au bord
de la carte de contrle
Rgler le processus
de la valeur de l'cart qui spare le point de la valeur cible.
Rgler le processus
de l'cart moyen qui spare la
tendance la valeur cible
Rgler le processus
si le dernier point approche les
limites de contrle de l'cart
qui spare le dernier point la
valeur cible
Confirmer
en prlevant immdiatement
un autre chantillon.
Si le point revient dans le tiers
central production
Si le point est galement proche des limites ou hors limites,
rgler de la valeur moyenne
des deux points
Cas limite suprieure

La capabilit court terme se dtriore. Il faut trouver l'origine de
cette dtrioration et intervenir.
Il y a une erreur de mesure
Cas limite infrieure
La capabilit court terme s'amliore
Le systme de mesure est bloqu
Cas tendance suprieure
Cas tendance infrieure
La capabilit court terme s'amliore. Il faut trouver l'origine de
cette amlioration pour la maintenir.
Cas srie croissante
Cas srie dcroissante
La capabilit court terme s'amliore. Il faut trouver l'origine de
cette amlioration pour la maintenir.
Cas limite suprieure
Surveiller la capabilit
Si plusieurs points de la carte sont
galement proches de la limite suprieure, la capabilit se dtriore.
Il faut trouver l'origine de cette dtrioration et intervenir.
En cas de rglage : un nouvel chantillon est mesur et marqu sur la carte. Pour tre acceptable, le point doit se situer
dans le tiers central de la carte des moyennes
Figure 23 Les rgles de pilotage des cartes de contrle
60
4.5.2. Dcision sur la production

En fonction de l'chantillonnage qui a t ralis, il faut dcider si la
production peut tre accepte ou si elle doit donner lieu un tri. Pour
prendre cette dcision, il faut tenir compte de la capabilit court terme
du processus exprim par le Cp (voir paragraphe 5 de ce chapitre). Le
tableau figure 24 donne les rgles appliquer. En cas de mauvaise
capabilit (Cp < 1,33), on doit systmatiquement trier la production
pour obtenir un rsultat correct. En cas de bonne capabilit
(Cp > 1,67), on peut produire sans trier mme si on constate un point
hors contrle. Dans les cas intermdiaires (1,33 < Cp < 1,67), on ne trie
la production que dans les cas o on constate un point hors contrle.
Valeur du Cp observ sur les cartes prcdentes
Le dernier point
sur la carte de
contrle indique :
Cp infrieur 1,33
Cp compris entre
1,33 et 1,67
Cp suprieur
1,67
Le processus est
sous contrle
Contrle unitaire
(Tri 100 %)
ACCEPTER
les pices
ACCEPTER
les pices
IDENTIFIER et CORRIGER la cause spciale

Le processus devient hors
contrle
MAIS
toutes les valeurs
individuelles du
prlvement sont
dans les tolrances
Contrle unitaire
(Tri 100 %)
TRIER
les composants depuis le dernier
point sous
contrle de la
carte de pilotage
ACCEPTER
les pices
IDENTIFIER et CORRIGER la cause spciale

Le processus devient hors
contrle
ET
une ou plusieurs
valeurs individuelles du
prlvement sont
hors tolrances
Contrle unitaire
(Tri 100 %)
TRIER
les composants depuis le dernier point
sous contrle de la carte de pilotage
Figure 24 Tableau de dcision
61
4.6. Analyser et Innover

En parallle avec le suivi et le pilotage par carte de contrle, ces deux
tapes sont indispensables la mise sous contrle d'une
caractristique lorsque la capabilit s'avre insuffisante l'issue de la
phase Mesurer . Ces tapes ncessitent l'utilisation d'outils
statistiques relativement sophistiqus tels que les tudes de
rgression, les plans d'expriences qui ne seront pas traits dans cet
ouvrage. Le lecteur pourra avec intrt se rfrer notre ouvrage
Six Sigma, comment l'appliquer 2 pour avoir la description
dtaille de ces tapes.
4.7. Standardiser
Les cartes tant en place, il faudra interprter celles-ci afin de dtecter
l'apparition des causes spciales. Nous serons alors dans la phase
d'utilisation des cartes de contrle. L'utilisation des cartes de contrle
motive les oprateurs et l'encadrement amliorer le processus et
ainsi, diminuer la variabilit naturelle de celui-ci. Lorsque cette
variabilit aura diminu, il faudra alors recalculer les cartes... et
continuer amliorer. Nous entrons alors dans la phase
d'amlioration continue qui est en fait l'objectif de la MSP. Le but est
de mettre le processus sous contrle, nous utilisons le mot sur
rails pour bien imager le but de ce travail : limiter au maximum le
nombre d'interventions ncessaires pour maintenir la caractristique
sur la cible.
Sur la figure 16 nous soulignons la boucle d'amlioration continue.
Chaque fois qu'une amlioration permet de stabiliser le processus, on
peut diminuer les contrles, et ainsi viter un gaspillage. Contrler
n'apporte pas de valeur ajoute au produit, l'idal est de converger
vers une mise sous contrle avec le minimum de mesures.
Enfin toutes les bonnes pratiques qui ont t mises en place dans le
projet doivent tre dupliques aux autres processus. Les dmarches
de pilotage doivent tre formalises afin de garantir la prennit de la
mise sous contrle.
2. Maurice Pillet Six Sigma Comment l'appliquer ditions d'organisation 2004
62
5.
Le concept de capabilit (aptitude)
5.1. Le besoin de formaliser une notion floue

Le concept de capabilit est certainement la notion la mieux
rpandue dans les ateliers de production. En effet lorsqu'on analyse la
plupart des conversations techniques sur un domaine de production,
on s'aperoit que ces discussions reviennent souvent des problmes
de capabilit. Les problmes sont gnralement ramens la question
suivante : ce moyen de production est-il oui ou non adapt aux
exigences du produit qu'il est cens fabriquer ? Et pourtant, combien
de discussions striles ont lieu sur le sujet cause des divergences
d'opinion des intervenants sur la capabilit du moyen de production.
Les responsables de production ont toujours une vague ide de la
qualit des machines disponibles dans latelier, mais ils sont
incapables de mettre une valeur numrique derrire cette impression.
Or il est fondamental, lorsquon parle de qualit, dtre prcis et de
savoir exactement ce dont est capable le processus par rapport ce
quon lui demande.
La notion de capabilit est trop importante dans une production
moderne pour tre traite avec des notions floues. Il est impratif
pour toutes les entreprises d'avoir enfin un langage commun en
matire de capabilit entre l'ensemble des services et les personnes de
l'entreprise. Combien de runions inutiles pourraient tre vites si
toutes les personnes du bureau d'tude, de la production en passant
par les agents des mthodes utilisaient les mmes notions de
capabilit et le mme vocabulaire.
Le terme francis de capabilit (adaptation de capability) est le terme
aptitude . Nous avons cependant choisi de conserver le terme
capabilit qui nous semble bien rpandu et bien utilis dans les
entreprises.
63
5.2. Dfinition de la capabilit

La capabilit se mesure par le rapport entre la performance demande
et la performance relle dun processus.
Une capabilit sexprime par un chiffre
Elle permet de mesurer l'aptitude dun processus raliser une
caractristique dans lintervalle de tolrance fix par le cahier des
charges. Le fait d'utiliser un chiffre pour caractriser la capabilit est
fondamental. Un chiffre est objectif, il n'est pas sujet interprtation.
Lorsqu'on utilise du vocabulaire pour dcrire une situation, celui-ci
est toujours flou et sujet interprtation.
Plusieurs normes dcrivent les capabilits (aptitude en franais) et
cela ne simplifie pas le travail des sous-traitants qui doivent utiliser
simultanment plusieurs normes. Les choses se sont un peu
amliores en 2004 avec la suppression des normes CNOMO. Nous
avons choisi les notations les plus utilises actuellement qui
proviennent des normes QS9000.
Nous dissocierons deux types d'indicateurs de capabilit :
Les indicateurs long terme qui traduisent la ralit des produits
livrs. On parlera alors de performance du processus.
Les indicateurs court terme qui traduisent la dispersion sur un
temps trs court. On parlera alors de capabilit du processus.
5.3. Pp et Ppk (Performance du processus

long terme)
5.3.1. Performance intrinsque du processus Pp
Pour prciser toutes ces notions un peu floues, la MSP fournit un
indicateur prcis dans ce domaine, cest lindicateur Pp (Performance
du processus).
Cet indicateur est calcul de la faon suivante :
Pp =
64
Intervalle de tolrance
IT
=
Dispersion long terme 6 LT
Dans une premire approche, un processus sera dit capable si

lintervalle de tolrance est plus grand que la dispersion alatoire du
processus avec une petite marge, cest--dire lorsque le Pp est
suprieur 1,33 (8/6).
Dispersion = 66
Dispersion = 66
Processus non capable

Pp < 1,33
Processus capable
Pp >1,33
Figure 25 L'indicateur Pp
La figure 25 montre deux situations typiques. La premire correspond
un processus non capable car la dispersion est plus importante que
l'intervalle de tolrance. Dans la seconde, la dispersion est faible au
regard de l'intervalle de tolrance, le processus est donc capable.
Prcisons que la dispersion alatoire est prise comme tant gale six
fois lcart type de la dispersion du processus, cest--dire lintervalle
contenant 99,7 % des pices fabriques (dans l'hypothse d'une
distribution de Gauss). Pour calculer cette dispersion, il faut donc un
nombre suffisamment lev de mesures (une centaine) et vrifier que
la distribution de ces mesures a bien une forme de cloche. Si ce n'est
pas le cas, il faut prendre quelques prcautions sur lesquelles nous
reviendrons dans les chapitres 4 et 10 sur les capabilits.
La dispersion utilise pour le calcul de la performance Pp est la
dispersion long terme du processus. En effet, la mesure de la
performance processus doit traduire la capacit produire sur le long
terme. Il faut donc tenir compte de l'ensemble des influences qui
peuvent perturber le processus pendant le temps de production. Cette
dispersion est constitue des dispersions court terme et des
dispersions conscutives aux variations de consignes (drglages)
incontournables sur le long terme.
65
Le calcul du Pp sera donc ralis partir d'un chantillon

reprsentatif de l'ensemble d'une production. En gnral, la priode
retenue pour le calcul d'un Pp est au moins d'une semaine. Ainsi, le
Pp calcul donnera une bonne indication de la qualit de la
production livre au client.
5.3.2. Indicateur de drglage Ppk

Nous venons de voir qu'une des conditions ncessaires pour qu'un
processus soit capable est que l'indicateur Pp soit suprieur 1,33.
Cette condition est-elle suffisante ?
Dispersion
Dispersion
Pp = 1,5
Pp = 1,5
Figure 26 Ncessit d'un indicateur Ppk

Dans la figure 26, les deux situations ont un Pp suprieur 1,33, et
pourtant, lorsque la production est dcentre, il existe des pices hors
tolrance. L'indicateur Pp est donc insuffisant et il faut mettre en
place un autre indicateur Ppk, qui tiendra compte du drglage du
processus.
Ainsi, le Pp donnera la performance intrinsque du processus et le
Ppk la performance relle.
Cet indicateur devra tre aussi simple d'interprtation que le Pp, c'est-dire que le processus sera capable si Ppk est suprieur 1 (dans un
premier temps). Bien sr, comme pour le Pp, un Ppk de 1 sera trop
risqu, nous retiendrons comme limite 1,33.
Dans le cas de la figure 27, le processus est drgl du ct suprieur
la moyenne. Dans ce cas, on note que la production est capable tant
que la distance D1= k (Tolrance Suprieure Moyenne) est plus
grande que la distance D2 (moiti de la dispersion alatoire).
66
Tolrance
infrieure
Moyenne
Tolrance
suprieure
k
D1
D2
Dispersion
Figure 27 Processus drgl du ct suprieur la moyenne

Ppk est donc un indicateur qui compare les deux distances D1 et D2 en
tablissant le rapport entre les deux distances. Bien sr, dans le cas
d'un drglage du ct infrieur la moyenne, ce n'est plus la
distance D1 qu'il faudra considrer, mais une distance D'1 (Moyenne
Tolrance infrieure).
Nous pouvons donc crire la formule de calcul du Ppk
Ppk =
Distance (Moyenne / Limite la plus proche) k LT

=
1 2.(Dispersion Long Terme )
3 LT
Le terme Ppk vient du fait que l'on calcule le Pp du cot le plus proche
de la spcification en faisant le ratio entre la distance exprim en
nombre d'cart type (k) divise par la moiti de la dispersion (3).
On a donc Ppk = k/3
5.3.3. Interprtation de Pp et Ppk

Un processus, pour tre capable, ne doit pas produire d'articles
dfectueux. Le critre de base pour la performance sera donc le Ppk
qui inclut la fois la performance intrinsque et le drglage. Nous
retiendrons comme limite :
Un processus est capable (sur le long terme)
si son Ppk est suprieur 1,33
Mais il ne faut pas pour autant ngliger le Pp. En effet, en comparant
pour un processus le Pp et le Ppk, nous pouvons obtenir de prcieux
renseignements.
67
En cas de rglage parfait, on vrifie aisment que Pp = Ppk. En

revanche, plus le drglage est important et plus la diffrence entre Pp
et Ppk devient importante. L'objectif des oprateurs sera donc d'avoir
un Ppk le plus proche possible du Pp.
5.4. Cp et Cpk (Capabilit processus Court terme)
Caractristique
Tolrance Suprieure
Dispersion
court terme
DCT
CT
Dispersion
long terme
DLTLT
Tolrance Infrieure
Temps
Figure 28 Dispersion court terme et dispersion long terme

Lorsqu'on observe un processus de production (figure 28), on
constate que celui-ci n'est pas toujours centr sur la mme valeur,
mais qu'il subit des variations de consignes. En fait, au cours d'une
semaine de production, on dissocie deux types de dispersion : la
dispersion court terme et la dispersion long terme.
La dispersion long terme inclue les fluctuations de consigne.
Elle traduit la qualit des pices livres aux clients.
La dispersion court terme dpend principalement du moyen
retenu et des conditions de gamme retenue, mais galement des
autres M qui sont le Milieu, la Main d'uvre, la Matire. Cette
dispersion serait gale la dispersion long terme si le processus
tait parfaitement stable.
Cette dissociation nous conduit dfinir deux nouveaux indicateurs :
Cp et Cpk.
68
La Performance processus (Pp et Ppk) s'intressait la dispersion

long terme, la Capabilit processus (Cp et Cpk) va s'intresser la
dispersion court terme.
Pour calculer les indicateurs Cp et Cpk, on mne une tude de
dispersion permettant d'identifier cette dispersion court terme. Pour
cela deux mthodes sont possibles.
Premire mthode
On prlve une cinquantaine de pices conscutives fabriques par le
processus tudi et on mesure la dispersion obtenue sur cet
chantillon. Cette dispersion nous permet de calculer Cp et Cpk avec
les mmes relations que Pp et Ppk. On aura donc les relations
suivantes:
Cp =
IT
=
Dispersion court terme du processus 6 CT
Remarque : On trouve galement dans certain cas l'indicateur CR :

1
6 CT
CR =
=
Cp Tolrance
Cpk =
Distance (Moyenne/Limite la plus proche) Dist(M/LlpP)

=
1/2 Dispersion court terme du processus
3 CT
Cette mthode n'est possible que si la cadence du processus est

suffisamment rapide pour ne laisser subsister dans cet chantillon que
la dispersion court terme. Un processus pour lequel le cycle de
production serait de 5 mn par produit, ncessiterait plus de 4 heures
de production pour raliser un tel essai. Il est vident que l'on ne peut
pas garantir la stabilit pendant ces 4 heures. On ne mesurerait donc
pas la dispersion court terme mais dj une dispersion long terme.
Cette mthode ne conviendrait pas dans ce cas.
Deuxime mthode
La deuxime mthode pour mesurer la dispersion court terme,
consiste prlever de petits chantillons (3 pices conscutives par
exemple) intervalles rguliers ou conscutifs, mais sans action sur le
69
processus pendant la production de ces trois pices. En revanche, il

peut y avoir des actions de rglage entre deux chantillons. Dans ce
cas, la dispersion court terme sera la moyenne des dispersions
observes sur chacun des chantillons.
Ces deux mthodes seront dtailles, notamment en ce qui concerne
les calculs, dans le chapitre sur les capabilits (chapitre 4 et
chapitre 10).
5.5. Les indicateurs lis la cible : le Cpm et le Ppm

Lindicateur de capabilit Ppk est aujourdhui couramment admis
comme lindicateur de capabilit de rfrence pour l'acceptation d'un
lot entre client et fournisseur. Pourtant, les nouvelles contraintes de
la production que nous avons exposes dans le premier chapitre avec
l'objectif cible font apparatre les limites de cet indicateur.
Nous pensons en effet (figure 29) que, dans certains cas, un Ppk de
bon niveau (Ppk = 2) peut donner moins de satisfaction quun Ppk
considr comme limite (Ppk de 1,33). Dans les relations clients/
fournisseurs tablies sur le Ppk, les deux productions donnent
satisfaction. Pourtant une des productions est centre avec le
maximum de 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 pensons que limiter les exigences en matire de capabilit au
seul Ppk peut tre dangereux. Le seul respect de l'indicateur de
performance Ppk > 1,33 peut conduire des montages impossibles
dans le cas d'un tolrancement statistique (voir chapitre 10).
Pour tenir compte de cette volution dans la faon de voir lintervalle
de tolrance en fabrication, les indicateurs Pp et Ppk doivent tre
complts. Deux autres indicateurs commencent tre largement
utilis dans les entreprises : l'indicateur Cpm pour le court terme et
Ppm pour le long terme. Cpm tient compte la fois de la dispersion et
du centrage. Son objectif est de donner une image globale du
processus par un seul indicateur. Il assure que les conditions de
centrage et de dispersion minimum dont nous avons signal
limportance sont respectes.
70
Dispersion
Pp=1,33, Ppk =1,33
Dispersion
Pp=4, Ppk =2
Figure 29 Le Ppk nest pas suffisant

L'indicateur Cpm est bas sur la fonction perte de Taguchi.
Perte pour
la socit
Fonction perte
K(X-cible)_2
L = K(X-cible)
Perte pour
l'cart
X - cible
Perte moyenne
pour un lot de
moyenne X et
d'cart type :
L = K ( 2 + ( X cible ) 2 )
X
Cible
Figure 30 Fonction perte de Taguchi

Le nouvel indicateur Cpm reflte la perte (au sens de Taguchi) due
un drglage. Cpm est dfini par :
Cpm =
IT
6. i2 + X Cible
Cp
1 + 9(Cp Cpk) 2
La fonction perte intervient au dnominateur. On note que

l'indicateur Cpm est gal Cp lorsque le processus est parfaitement
centr. Cpm dcrot lorsque le dcentrage augmente. Comme on le
constate, Cpm tient compte la fois du centrage et de la dispersion.
En garantissant le Cpm, on assure que le processus est rellement
centr sur la cible. La variabilit sur le produit fini sera faible.
71
On calcule galement sur le long terme la performance Ppm par la

mme relation, mais en prenant l'cart type long terme.
IT
Ppm =
2
6. LT
+ X Cible
Pp
1 + 9(Pp Ppk) 2
5.6. Exemple de calcul de capabilit

A l'issue d'une production, on prlve alatoirement 69 pices dans le
lot fabriqu. On veut calculer la performance de processus. Soit
lhistogramme figure 31 pour une cote de 50 0,05.
49.95
LSL
50.05
USL
50.009
= 0.009
49.950
49.965
49.980
49.995
50.010
50.025
50.040
Figure 31 Exemple de calcul de capabilit

Calcul de la moyenne et de lcart type :
X = 50 ,009
n 1 = 0 ,009
Calcul des indicateurs de capabilit long terme Pp et Ppk :

Pp =
0,1
= 1, 84
6x 0, 009
Ppk =
50, 05 50, 009

= 1, 52
3x 0, 009
Le processus est jug capable selon le critre Ppk (Ppk > 1,33). Le
pourcentage hors tolrance est infrieur 32 ppm.
72
Calcul du Ppm
Ppm =
IT
6 2 + (X Cible)2
0,1
6 0, 0092 + (50, 009 50)2
= 1, 33
Le processus est jug juste capable selon le critre Ppm (Ppm > 1,33).
Cela signifie que la perte moyenne gnre par les produits de cette
population est gale la perte moyenne dune population centre
ayant une performance Pp de 1,33.
Le Ppm valide une nouvelle faon de voir lintervalle de tolrance en
fabrication. En effet, avoir une cote en limite de tolrance nest pas
grave si cette pice est isole. La probabilit dassemblages dfectueux
est quasiment nulle. Par contre si plusieurs pices se situent cette
limite, il y aura des consquences nfastes sur la qualit. Ainsi, le
concepteur a deux solutions pour obtenir lassurance dun
fonctionnement correct de son mcanisme :
1. rduire lintervalle de tolrance et imposer que les produits
soient tous dans cet intervalle quelle que soit la rpartition ;
2. laisser un intervalle de tolrance large, mais en imposant la
fabrication des conditions de centrage et de rpartition
verrouilles par le Ppm.
Bien que la seconde solution semble plus difficile respecter a priori,
nous sommes persuads qu long terme cette solution est de loin la
plus conomique en matire de moyens de production mettre en
uvre.
Cependant, si le Ppm offre une vision plus moderne des capabilits
que le Pp, Ppk, il ne les remplace pas pour autant, mais plutt il les
complte. Nous proposons au chapitre 11 une approche novatrice de
tolrancement (le tolrancement inertiel) fonde sur cette approche.
Remarque : si les mmes donnes avaient t issues d'un
prlvement reprsentant la dispersion court terme (1/4 heure de
production par exemple) avec les mmes calculs nous aurons calcul
les indicateurs Cp, Cpk, Cpm.
73
5.7. Synthse des diffrents indicateurs

de capabilit
Lorsque l'on parle d'aptitude ou de capabilit, on peut distinguer
deux niveaux :
la capabilit court terme reprsentant la capabilit du moyen de
production si l'on arrive parfaitement stabiliser la caractristique ;
La capabilit long terme (performance) qui traduit la
production livre au client.
Il est toujours difficile de donner des dures correspondant ces
diffrentes capabilits car cela dpend du type de production. On peut
cependant donner un ordre de grandeur dans le cas de grandes sries
automobiles par exemple en disant que la capabilit court terme
serait reprsentative de cinq minutes de production, la capabilit long
terme reprsenterait une semaine de production.
On peut donc tablir le tableau suivant qui prcise les diffrents
indicateurs de capabilit que l'on peut calculer.
capabilit
intrinsque
Tolrance
6
Vraie capabilit
Centrage
min(
TS X X TI
,
)
3
3
Vraie capabilit
Perte
Tolrance
2
6 + ( x cible)2
Court terme
capabilit
(1/4 heure)
Cp
Cpk
Cpm
Long terme
performance
(1 semaine)
Pp
Ppk
Ppm
Figure 32 Les diffrents calculs de capabilit

Comme on le constate sur le tableau, il n'y a pas de diffrence de
calculs entre les diffrents indicateurs, il y a seulement des diffrences
dans ce qu'ils reprsentent en terme de temps de production.
74
5.8. L'interprtation de la chute de capabilit
Court terme
Cp
Condition
d'acceptation
Long terme
potentiel
Pp
Stabilit
du processus
Centrage
du processus
Long terme
centrage
Ppk > 1,33
ou Ppm
Ppm >> 1,33
1,33
Perte de capabilit
Figure 33 La chute des capabilits

L'analyse des chutes de capabilit pour un processus est souvent trs
intressante. En effet, nous partons d'un processus avec un potentiel
de capabilit Cp pour arriver un produit livr au client avec une
performance Ppk. L'important est bien entendu d'avoir un Ppk ou un
Ppm suprieur 1,33 selon le critre choisi. Si ce n'est pas le cas, il est
fondamental, pour rsoudre le problme, de dterminer l'origine de
ce manque de capabilit.
La chute de capabilit entre Cp et Pp traduit l'instabilit du processus.
En effet, si on sait stabiliser un processus, on limite les variations de
consignes et la dispersion long terme sera proche de la dispersion
court terme.
Caractristique
Dispersion
court terme
Caractristique
Dispersion
long terme
Processus instable
Dispersion
court terme
Dispersion
long terme
Processus stable
Temps
Temps
Figure 34 Chute entre Cp et Pp
75
Nous avons vu prcdemment que la chute de capabilit entre Pp et

Ppk tait due au drglage. Nous pouvons alors interprter l'ensemble
du tableau des capabilits comme dans l'exemple figure 35.
Le tableau suivant concerne un produit comportant 5 caractristiques
pour lesquelles le centrage est assez facile obtenir. Dans ce cas, le
Cpk n'est pas d'une grande utilit car un drglage sur le court terme
peut trs rapidement tre compens.
Ce tableau permet une apprhension immdiate des problmes lors
dune 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 :
le Ppk est infrieur 1,33 ;
le Ppm est infrieur 1,33.
Caractristiques
Cp
Pp
Ppk
Ppm
1 - 100,05
2,5
2,2
1,9
1,63
2 - 120,05
2,5
1,1
1,0
1,05
1,1
0,9
0,8
0,86
4 - L 200,06
3,2
2,5
1,1
0,57
5 - L 100,04
2,5
2,2
1,6
1,07
3 - 80,02
Figure 35 Tableau des capabilits

Chaque caractristique ayant une case grise doit tre discute pour
permettre une amlioration. On note l'intrt du Ppm qui globalise
l'ensemble de la chute de capabilit. L'interprtation du tableau
figure 35 est la suivante :
Caractristique 1 : aucun problme, Ppm est suprieur 1,33. Le Ppk
est galement suprieur 1,33.
Caractristique 2 : Ppm est infrieur 1,33 et il y a une chute entre
Cp et Pp. Il faut stabiliser les variations de consigne au cours du temps.
Une surveillance du processus par carte de contrle s'impose.
76
Caractristique 3 : Ppm est infrieur 1,33 et le Ppk est mdiocre.

Au dpart, la capabilit court terme est 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 court terme par rapport la capabilit court terme
historique.
Caractristique 4 : Ppm est infrieur 1,33. Il y a un gros cart entre
le Pp et le Ppk d un dcentrage. Il est souvent ais de remdier ce
type de problme en matrisant mieux le centrage de la
caractristique. Une surveillance par carte de contrle s'impose.
Caractristique 5 : Ppm est infrieur 1,33 et pourtant Ppk est
suprieur 1,33. Une amlioration est encore possible en centrant
mieux le processus pour tre plus sur la cible. Bien que le Ppk soit
suprieur 1,33, ce cas de figure gnre une perte suprieure au cas
Pp = 1,33 et Ppk = 1,33. Cela peut tre dlicat dans le cas d'un
tolrancement statistique.
77

Appliquer La Maîtrise Statistique Des Procédés MSP-SPC

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Appliquer La Maîtrise Statistique Des Procédés MSP-SPC

Transféré par

Droits d'auteur :

Formats disponibles

MSP-Book Page III Lundi, 9.

mai 2005 11:47 11

Appliquer la matrise statistique

ditions dOrganisation, 1995, 2000, 2002, 2005

MSP-Book Page 31 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise

MSP-Book Page 32 Lundi, 9. mai 2005 11:47 11

Appliquer la matrise statistique des processus (MSP/SPC)

Tous les processus, quels quils soient, sont incapables de produire

Figure 1 Les 5 M du Processus

MSP-Book Page 33 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise Statistique des Processus (MSP)

Analyse de la forme de la dispersion

2.1. Rpartition en forme de cloche

Figure 2 Courbe en cloche

MSP-Book Page 34 Lundi, 9. mai 2005 11:47 11

Appliquer la matrise statistique des processus (MSP/SPC)

Cette rpartition se rencontre trs frquemment dans la nature et pas

MSP-Book Page 35 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise Statistique des Processus (MSP)

Figure 3 Courbe bimodale

2.2. Causes communes Causes spciales

MSP-Book Page 36 Lundi, 9. mai 2005 11:47 11

Appliquer la matrise statistique des processus (MSP/SPC)

Figure 4 Causes communes et causes spciales

2.2.1. Les causes communes

MSP-Book Page 37 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise Statistique des Processus (MSP)

2.2.2. Les causes spciales

2.3. Processus sous contrle et hors contrle

Figure 5 Processus sous et hors contrle

MSP-Book Page 38 Lundi, 9. mai 2005 11:47 11

Appliquer la matrise statistique des processus (MSP/SPC)

Un processus sous contrle est un processus dans lequel seules

Surveiller un processus par cartes

3.1. Le principe de la carte de contrle

Figure 6 Dispersion naturelle du processus

MSP-Book Page 39 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise Statistique des Processus (MSP)

Si la moyenne de la production est centre sur la cible, il est donc

3.1.2. Le pilotage par les limites naturelles

Figure 7 Pilotage partir des tolrances

MSP-Book Page 40 Lundi, 9. mai 2005 11:47 11

Appliquer la matrise statistique des processus (MSP/SPC)

Comme le montrent les deux exemples prcdents, il faut dissocier

Figure 8 Limites naturelles et tolrances

MSP-Book Page 41 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise Statistique des Processus (MSP)

voisinage avant d'intervenir). Si on fait un raisonnement statistique,

3.1.3. Pourquoi prlever des chantillons ?

Figure 9 Addition du rglage et de la dispersion

MSP-Book Page 42 Lundi, 9. mai 2005 11:47 11

Appliquer la matrise statistique des processus (MSP/SPC)

Pour tre capable de piloter une machine, il faut arriver liminer

Limite naturelle sur

Figure 10 Pouvoir de dtection d'une moyenne

MSP-Book Page 43 Lundi, 9. mai 2005 11:47 11

Les concepts de la Matrise Statistique des Processus (MSP)

Rpartition des valeurs

Limite naturelle dans

Figure 11 Intrt de faire une moyenne

3.2. La carte de pilotage (de contrle)

1. W. Shewhart Economic Control of Quality of Manufactured Product Van Nostrand Co.

MSP-Book Page 44 Lundi, 9. mai 2005 11:47 11