Académique Documents
Professionnel Documents
Culture Documents
6 Sigma
6 Sigma
PILLET
Six
Sigma
Comment lappliquer
Par lauteur
du best-seller
Six Sigma
Comment lappliquer
ditions dOrganisation
1, rue Thnard
75240 Paris Cedex O5
Consultez notre site :
www.editions-organisation.com
Du mme auteur
Maurice PILLET
CFPIM
Professeur des Universits
Universit de Savoie (IUT OGP Annecy)
Ancien lve de lENS de Cachan
Six Sigma
Comment lappliquer
Deuxime tirage 2005
mis jour
Sommaire
Chapitre 1
1
1
6
7
8
....................................
11
....
14
.....
18
....................................................................................................................
19
Chapitre 2
Six Sigma
4.3
4.4
4.5
4.6
4.7
Chapitre 3
tape 1 Dfinir
1. Identifier les CTQ ............................................................................................................................ 74
1.1 couter la voix du client .................................................................................................... 74
1.2 Le diagramme CTQ (Critical To Quality) ............................................................... 76
VI
ditions dOrganisation
Sommaire
Chapitre 4
tape 2 Mesurer
1. Introduction
......................................................................................................................................
103
ditions dOrganisation
VII
Six Sigma
4.2 Cas des critres mesurables qui ne suivent pas une loi normale
....... 138
4.2.1 Utilisation de lois de distribution diffrentes ........................................... 138
4.2.2 Transformation mathmatique des valeurs .............................................. 141
................................................................................
142
142
143
144
145
........................................................ 151
5.2.1 Estimation du sigma long terme ...................................................................... 151
5.2.2 Estimation du sigma court terme .................................................................... 152
...................................................................................................
157
......................................................................................................................................
163
Chapitre 5
tape 3 Analyser
1. Introduction
VIII
186
190
191
192
195
ditions dOrganisation
Sommaire
....................................................................................... 225
5.3.1 Tableau danalyse de la variance ................................................................... 225
5.3.2 Application sur un exemple ............................................................................... 227
........................................................
240
240
243
247
248
249
Chapitre 6
tape 4 Innover/amliorer
1. Introduction
......................................................................................................................................
259
ditions dOrganisation
IX
Six Sigma
.................. 290
4.5.1 Prsentation de la table ........................................................................................ 290
4.5.2 Construction dun plan de rsolution III avec la table L8 ................. 293
4.5.3 Limite de la table L8 .............................................................................................. 296
4.6
4.7
4.8
4.9
296
297
300
302
.............................................................................................
314
315
316
317
.....................................................................................
318
......................................................................................................................................
323
Chapitre 7
tape 5 Contrler
1. Introduction
................................................................................
330
ditions dOrganisation
Sommaire
364
364
365
365
Chapitre 8
tape 6 Standardiser/prenniser
1. Introduction
......................................................................................................................................
373
ditions dOrganisation
XI
Six Sigma
...........................................................................
392
Chapitre 9
.......................................................................
404
405
406
407
410
XII
ditions dOrganisation
Sommaire
.......................................................................................................... 420
4.5.1 tude analytique ....................................................................................................... 420
4.5.2 tude analogique ...................................................................................................... 421
............................................................................
.................................................................................................
.................................................................................................
.............................................................................
422
423
423
423
424
424
425
425
427
427
427
427
428
Chapitre 10
Tables
T1 Tableau des ppm en fonction du z du processus
...............................................
430
............................................................................................................
431
...........................................................................................................................
433
..................................................................................
435
..................................................................................................................
436
.........................................................................
438
..............................................................................................................
440
.............................................................................
441
............................................................................
441
.........................................................................
442
.......................................................................................................
443
Table L4 (23)
Table L8 (27)
......................................................................................
..........................................................................................
......................................................................................................................................
445
446
446
...................................................................................................................................... 447
Triangle des interactions entre deux colonnes ........................................................ 447
Graphe des effets ...................................................................................................................... 448
ditions dOrganisation
XIII
Six Sigma
.....................................................................................................
453
Chapitre 11
Fiches rsums
tape 1 DFINIR : mmo des actions principales raliser .......................... 456
tape 2 MESURER : mmo des actions raliser
..................................................
...............................................
462
...................................................
464
...........................................
470
..................................................................................................................
473
..........................................................................................................................................
475
.......................................................................................................................................................................
481
Bibliographie
XIV
467
..................................
Index
459
ditions dOrganisation
Chapitre 1
Six Sigma,
un outil de la performance
1. Six Sigma ?
1.1 Lobjectif de Six Sigma
Six Sigma a t initi aux tats-Unis dans les annes 1980 chez
Motorola. Cette dmarche a tout dabord consist en lapplication des
concepts de la Matrise statistique de processus (MSP/SPC) et sest
ensuite largement toffe en intgrant tous les aspects de la matrise de
la variabilit. Au fur et mesure de sa diffusion dans les autres entreprises (notamment General Electric), Six Sigma sest galement structur en associant davantage sa dmarche les lments managriaux
et stratgiques. Cest aujourdhui une approche globale de lamlioration de la satisfaction des clients, ce qui nest pas tout fait la mme
chose que lamlioration de la qualit. Se fondant sur cette meilleure
Six Sigma
satisfaction du client, la mthodologie Six Sigma est source daccroissement de la rentabilit pour lentreprise en cumulant les effets
suivants :
une diminution des rebuts, retouches, et plus gnralement des
cots de non-qualit ;
une amlioration de la disponibilit des machines et du taux de
rendement synthtique (TRS) ;
de meilleures parts de march conscutives lamlioration de la
qualit des produits.
Il est aujourdhui difficile pour une entreprise, quelle soit industrielle
ou de service, dignorer Six Sigma. Il est possible de choisir en
connaissance de cause de ne pas lappliquer dans son entreprise,
mais on doit connatre les fondements de cette dmarche.
Un des principes de base de Six Sigma est la rduction de la variabilit.
En effet, linsatisfaction dun client rsulte toujours dun cart entre
une situation attendue et une situation relle. Cet cart provient en
grande partie de la variabilit des processus, qui trouve son origine,
notamment, dans :
les variabilits sur les matriaux ;
les variabilits dans les procdures ;
les variabilits sur les conditions dans lesquelles volue le processus
Ces variabilits font partie de la nature mme du vivant. Ce sont elles
qui donnent cette formidable diversit qui nous entoure. Dans le travail dun artiste, on recherchera cette folle variabilit qui fonde lunicit de luvre. Mais dun point de vue industriel, on doit lutter contre
ces incidences et cela ncessite un effort considrable et structur.
Lobjectif de Six Sigma nest autre que de concentrer les caractristiques du produit vendu autour de la cible attendue par le client
(figure 1.1).
ditions dOrganisation
Cible
Insatisfaction
Spcifications
Cible
Insatisfaction
ditions dOrganisation
Six Sigma
Le premier point que lon doit avoir lesprit dans une dmarche Six
Sigma est la satisfaction du client. Un projet Six Sigma doit apporter
une amlioration significative au client. Pour cela, on doit sintresser
ce que souhaite rellement le client, non pas ce quon pense quil
souhaite. Il faut tre capable de dterminer les caractristiques critiques pour la qualit (CTQ, pour Critical To Quality) afin de fixer une
cible et une plage de tolrance.
ditions dOrganisation
Nombre de non-conformit
par million dopportunits
697 672
308 770
66 811
6 210
233
3,4
0,019
ditions dOrganisation
Six Sigma
ditions dOrganisation
ditions dOrganisation
Six Sigma
Bien que Six Sigma sinscrive dans une logique damlioration par perce, on ne doit pas opposer cette dmarche celle de lamlioration
continue. On verra notamment que, dans la phase danalyse, on doit
rechercher limiter les variabilits du processus en agissant sur une
somme de petites modifications sans cot mais qui au final apportent une grande rduction de variabilit.
ditions dOrganisation
2. Six Sigma
dans un environnement qualit
2.1 Six Sigma dans un contexte ISO 9000 ou EFQM
Durant la dernire moiti du XXe sicle, les hommes ont cherch
mieux formaliser cette notion de qualit en sintressant ses deux
aspects :
lamlioration du rsultat, autrement dit en veillant la qualit
du produit ;
lamlioration du processus qui conduit au rsultat.
Six Sigma sinscrit parfaitement dans cette dynamique de progrs en
matire de qualit, et la faon dont on conoit aujourdhui Six Sigma
traduit lhritage de tous les progrs antrieurs. Certains auteurs ont
cru pouvoir opposer des dmarches telles que la certification ISO 9000
et une approche Six Sigma ; cest probablement une erreur.
Dans les diffrentes volutions de lISO 87, 94, 2000, la faon daborder la qualit a profondment volu et la dernire version offre un
point de vue extrmement favorable au dveloppement de Six Sigma.
En effet, alors que les versions 87 et 94 taient tournes vers les principaux dysfonctionnements dune entreprise, la version 2000 est rsolument tourne vers la satisfaction du client au travers dune
organisation en processus.
En mettant en place une certification ISO 9000 version 2000, une entreprise est tenue de se poser les questions suivantes : Que souhaite rellement mon client ? Comment mesure-t-on ce niveau de satisfaction ?
Comment notre organisation en place permet datteindre ce niveau de
satisfaction ?
ditions dOrganisation
Six Sigma
10
ditions dOrganisation
ditions dOrganisation
11
Six Sigma
12
ditions dOrganisation
ditions dOrganisation
13
Six Sigma
Figure 1.4 Rduction des cycles de production avec Lean Six Sigma
Frquence
Dlai
de production
14
ditions dOrganisation
Aujourdhui, pour continuer jouer son rle, lentreprise doit tre sans
cesse en mouvement, sadapter aux conditions changeantes, amliorer
son niveau de qualit. Elle doit sattaquer aux problmes majeurs,
teindre des incendies, prparer les produits de demain mais avec des
ressources limites.
Pour tenir ce pari, il faut donc tre Lean dans lorganisation. Il faut
amliorer la productivit dans la conduite dactions de progrs.
Comment rsoudre rapidement tous ces problmes qui se posent ?
Comment grer lensemble des projets qui sont conduits dans
lentreprise ? Comment coordonner tous ces projets afin quils restent
cohrents avec la stratgie de lentreprise ?
Rpondre toutes ces questions, cest prcisment lobjectif de la mise
en place dun programme Six Sigma.
Mais pour russir, il est important que les entreprises comprennent
quel point les valeurs et la philosophie de Six Sigma peuvent diffrer
des croyances, valeurs et priorits sur lesquelles on met laccent avant
le dploiement de Six Sigma. Pour implmenter Six Sigma, il faut tre
ouvert, prt au changement, avide dapprendre.
On ne change pas la culture par des incantations : les valeurs reposent
sur des croyances et pour changer les valeurs il faut changer les croyances. Le cycle de changement commence par la mesure. HARRY2 nous
dit : De nouvelles mesures apportent de nouvelles donnes, de nouvelles donnes apportent de nouvelles connaissances, de nouvelles connaissances apportent de nouvelles croyances et de nouvelles croyances
apportent de nouvelles valeurs. Cest en se fondant sur ces nouvelles
valeurs que lon pourra crer les changements profonds capables de
mettre lentreprise sur le chemin de la performance industrielle.
2. HARRY M., SCHROEDER R., Six Sigma The Breakthrough Management Strategy, Doubleday,
2000.
ditions dOrganisation
15
Chapitre 2
Aprs avoir dtaill dans le chapitre premier les aspects culturels qui
conduisent les entreprises mettre en uvre une dmarche Six
Sigma ou Lean Six Sigma , nous nous proposons dans ce chapitre
de faire un tour dhorizon relativement complet des concepts de Six
Sigma.
Ce chapitre est volontairement dpourvu de calculs statistiques afin
que le lecteur se consacre lessentiel : la comprhension des principes de base. Nous profiterons des chapitres suivants pour approfondir
les diffrentes notions.
Comprendre Six Sigma, cest assimiler les multiples facettes dune
approche damlioration de la performance de lentreprise rsolument
tourne vers la satisfaction des clients dans un but affich de meilleure
rentabilit conomique de lentreprise. Nous aborderons donc ces diffrentes facettes afin davoir une vue globale de Six Sigma avant de
voir dans le dtail la conduite dun chantier.
17
Six Sigma
18
ditions dOrganisation
Toutes ces questions doivent tre poses ds les premires tapes dun
chantier Six Sigma. Nous verrons quelles font en fait partie intgrante
de la premire tape. Nombre dentreprises dpensent des sommes
considrables pour amliorer un produit sur des critres peu ou pas
utiles, mais qui sont des rves de technicien et ne prennent pas en
compte des lments pourtant simples rellement demands par le
client. Par exemple, seuls les fours de cuisson relativement haut de
gamme sont quips de la fonction maintien au chaud alors quelle
devrait tre une fonction de base.
Le moteur de Six Sigma est la dmarche DMAICS (Dfinir, Mesurer,
Analyser, Innover/Amliorer, Contrler, Standardiser). On verra que la
premire tape de sa mise en uvre est essentiellement consacre
bien dfinir ce quattend le client, dterminer quelles sont ses exigences.
2. Rduire la variabilit
La variabilit est lennemi de la qualit. Lorsquun ingnieur vient de
fabriquer un produit qui donne entire satisfaction, son rve serait de
pouvoir le cloner lidentique afin que chaque produit conserve les
mmes qualits. Mais ce nest malheureusement pas possible, il y aura
toujours une petite diffrence entre des produits rputs identiques, et
ce sont ces petites diffrences qui conduisent la non-qualit. Il en est
de mme pour les services que lon ne peut fournir deux fois dans des
conditions parfaitement identiques.
ditions dOrganisation
19
Six Sigma
Cible
igm
jet
Pro
S
Six
Ex
Pour illustrer cette notion de variabilit, prenons lexemple dun
joueur de foot qui doit tirer un coup franc dcisif. La cible est la
lucarne de la cage adverse. Cest un joueur professionnel qui a
rpt des centaines de fois ce geste lentranement et les conditions sont idales pour russir marquer le but. Mais la balle
passe quelques centimtres de la barre transversale. Ce but
manqu est le rsultat de la variabilit dans le processus de tir.
Citons quelques lments de cette variabilit :
le joueur est dans un tat de fatigue et de stress qui modifie son tir ;
les irrgularits de la pelouse modifient la course dlan ;
la sphricit du ballon nest pas parfaite, ce qui altre la
trajectoire ;
le vent soufflait lgrement au moment du tir ;
le mur adverse ntait pas positionn comme lentranement
20
ditions dOrganisation
ditions dOrganisation
21
Six Sigma
22
317 310,52
697 672,15
45 500,12
308 770,21
ditions dOrganisation
2 699,93
66 810,63
63,37
6 209,70
0,57
232,67
0,00
3,40
0,00
0,02
soit :
z=3
z=6
1 350
ppm
1 350
ppm
3 2 1
ditions dOrganisation
Dispersion
du processus
0,001
ppm
0,001
ppm
6 4 2
23
Six Sigma
Cependant, on montre facilement que, mme si le processus est parfaitement sous contrle, il nest pas possible de dtecter les petits
dcentrages du processus. Le plus petit dcalage dtectable est de 1,5
sigma3. Dans ces conditions, la proportion de dfauts sera de 3,4 ppm.
1,5
1,5
3,4
ppm
66 807,2
ppm
3 2 1
Process 3 sigma
3,4
ppm
0
ppm
6 4 2
Process 6 sigma
24
ditions dOrganisation
Revues
Bien dfinir le problme,
les limites de remise en cause,
l'quipe de travail
Dfinir
R0
Trouver un moyen
de mesure de la qualit.
Vrifier sa capabilit.
Rcolter des faits.
Dterminer le z du processus
Mesurer
R1
Analyser
R2
Innover
X1
X2
X1
X3
R3
X2
X3
X4
Exprimenter, Modifier,
Amliorer, Optimiser.
Prouver statistiquement
que les amliorations
sont efficaces.
Appliquer la solution.
La formaliser.
La mettre sous contrle.
Contrler
R4
Standardiser
Fiche de poste
Prenniser la solution.
Dployer les bonnes pratiques.
Clore le projet.
R5
ditions dOrganisation
25
Six Sigma
Pour obtenir les niveaux de capabilit exigs par Six Sigma, il est absolument ncessaire dutiliser des outils et plus particulirement des
outils statistiques. Dans lapproche Six Sigma, tous les outils utiliss
sont connus, il ny en a pas de nouveaux. Cest la structuration dans
lutilisation des diffrents outils qui est intressante dans lapproche
Six Sigma.
Figure 2.6 DMAICS
Outils principaux
Dfinir le projet :
les gains attendus
pour le client,
pour lentreprise,
le primtre du projet,
les responsabilits.
Charte du projet
Cartographie gnrale
du processus
Planning et affectation
des ressources
Diagramme CTQ
QQOQCP
QFD
Diagramme de Kano
Benchmarking
Cartographie
SIPOC
Dfinir et valider
les moyens de mesure.
Mesurer les variables
de sortie, les variables
dtat et les variables
dentre du processus.
Collecter les donnes.
Connatre le z
du processus.
Cartographie dtaille
du processus
Capabilit des moyens
de mesure
Capabilit du processus
Analyse processus,
logigramme
Rptabilit
et reproductibilit
Analyse des 5M
Matrice Causes/Effets
Feuille de relevs
Matrise statistique
des procds (SPC)
tablissement
Statistique descriptive
de la preuve statistique Statistique infrentielle
Comprhension
Plans dexpriences
du processus
Dfinir
D
M
Rsultats
Mesurer
A
26
Objectifs/tches
Analyser
tapes
ditions dOrganisation
I
C
Standardiser
Contrler Innover/Amliorer
Processus pilote
Amlioration du z
Dtermination
des caractristiques
mettre sous contrle
Mthode de crativit
Vote pondr
Plans dexpriences
AMDEC
Auto-matrise
Matrise statistique
des procds (SPC)
Auto-matrise
Audit
Benchmarking
Bonnes pratiques
Indicateurs
de performance
Tableau de bord
Plan daudit
Bilan de fin de projet
4. Black Belt : ceinture noire . Ces dnominations ont t popularises par lentreprise General Electric. Nous dfinirons plus compltement les diffrents rles dans la prochaine section
de ce chapitre ainsi que dans le chapitre 9, Le management Six Sigma.
ditions dOrganisation
27
Six Sigma
28
ditions dOrganisation
0,3
0,3
0,2
0,2
2,2
1,5
3,4
5,1
Dfinition du projet
Aprs avoir slectionn le problme sur lequel on doit se pencher, on
cherchera dans cette tape parfaitement dcrire qui est le client,
quelle est son insatisfaction et quelle est la grandeur Y qui permet de
traduire cette insatisfaction. Ce travail doit impliquer le plus rapidement possible lquipe du projet. La premire phase de la dfinition
sera donc la formation de lquipe.
ditions dOrganisation
29
Six Sigma
30
ditions dOrganisation
ditions dOrganisation
31
Six Sigma
32
ditions dOrganisation
ditions dOrganisation
33
Six Sigma
34
ditions dOrganisation
ditions dOrganisation
35
Six Sigma
Erreur de rptabilit
Erreur de rptabilit
5,01 5,03
5,02 5,01
5,05 5,06
5,06 5,07
5,00 5,01
5,01 5,01
Contrleur
1
2 mesures
10 pices
2 mesures
10 pices
Moyenne = 5,02
Contrleur
2
Moyenne = 5,01
Erreur de reproductibilit
36
ditions dOrganisation
Main-d'uvre
Mthodes
Moyen
Variabilit
Milieu
Matire
Observer le procd
Disposant dun moyen de mesure adapt, et ayant limit la variabilit
du processus, on peut mettre en place des campagnes de relevs et
dobservations du processus qui permettront de faire lanalyse de
lexistant sur des donnes factuelles afin de pouvoir en apporter la
preuve statistique .
On doit observer quatre lments :
les Y (sorties du processus constates par le client) ;
les entres du processus provenant des processus fournisseur ;
les commandes et variables du processus ;
les indicateurs dtat du processus.
ditions dOrganisation
37
Six Sigma
Indicateurs d'tat
Sortie Y
Entres
Variables et commandes
Ces relevs doivent permettre de mettre en regard la rponse Y du systme aux diffrents paramtres X pouvant avoir une influence sur le
processus. On y procde partir de feuilles de relevs, dextraction de
la base de donnes de lentreprise, du suivi des processus.
38
ditions dOrganisation
Cible
Problme de dispersion
court terme
Cible
Problme de centrage
Cible
Problme de stabilit
Cible
La connaissance du type de problme qui conduit cette forte variabilit est trs importante avant daborder ltape suivante : Analyser .
On ralise cette tude des chutes de capabilit en comparant les indicateurs de capabilit Cp, Pp, Ppk, que nous dtaillerons au chapitre 4,
Mesurer.
ditions dOrganisation
39
Six Sigma
40
ditions dOrganisation
Dfinir
Entonnoir
X
1 000 X potentiels
On ne touche rien
avant d'tre l'tape
Innover
100 X potentiels
10 X potentiels
Innover
nnove
Contrler
Standardiser
ditions dOrganisation
41
Six Sigma
42
ditions dOrganisation
Ex
Lexemple prsent ci-aprs (figure 2.13) dtude du comportement dun X montre une population qui a visiblement fait lobjet
dun tri. Le processus qui produit cet X ne peut pas satisfaire les
spcifications dans les conditions actuelles, les capabilits nen
sont pas bonnes. Le tri a sans doute un cot important, est-il
utile ? Quelle est lorigine de cette variabilit ? Peut-on rduire la
variabilit sur cet X ? Autant de questions qui devront trouver
rponse dans cette tape Analyser et dans ltape Innover/
Amliorer .
Tar = 123
USL = 126
Process Data
LSL
Target
USL
Mean
Sample N
StDev (Within)
StDev (Overall)
Potential Capability
120,00000
123,00000
126,00000
123,83019
53
1,43208
1,54835
Cp
CPL
CPU
Cpk
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
120
Observed Performance
PPM < LSL
PPM > USL
PPM Total
0,00
0,00
0,00
0,70
0,89
0,51
0,51
122
3 741,30
64 867,43
68 608,73
124
126
0,65
0,82
0,47
0,47
0,57
128
6 685,75
80 552,07
87 237,82
6. Les graphiques et analyses sont raliss avec Minitab Logiciel danalyse statistique
www.minitab.com.
ditions dOrganisation
43
Six Sigma
Moyennes
UCL = 126,861
126
124
X = 123,743
122
LCL = 120,626
120
5
10
15
20
25
30
35
40
45
50
chantillons
8
UCL = 7,84476
tendues
6
4
R = 3,0474
2
LCL = 0
0
5
10
15
20
25
30
35
40
45
50
chantillons
Ex
Le second exemple (figure 2.14) montre lanalyse du comportement dans le temps laide dune carte de contrle moyenne/
tendue qui sera prsente au chapitre 7, Contrler. Cette carte
de contrle permet de mettre en vidence, pendant lobservation,
plusieurs points hors contrle qui dnotent la variation dans le
temps du centrage du processus. Cette instabilit cre une augmentation de la dispersion. Il faudra trouver les moyens dliminer ces drives.
44
ditions dOrganisation
sur lesquelles il est ncessaire dagir afin dajuster le paramtre de sortie Y sur la valeur dsire et de rduire sa variabilit. On dissocie en
gnral trois types dans lorigine des variations :
Variations de position
Position sur une machine multi-posages.
Chip particulier dans un wafer.
Empreinte dans un moule sur une presse injecter.
Variation entre 2 machines, 2 oprateurs, 2 ateliers.
...
Variations cycliques
Variation dun lot un autre.
Variation dune coule une autre.
Variation parmi un groupe dunits (usure doutils).
...
Variations temporelles
Variation dune quipe lautre, matin et soir, jours de la
semaine...
La question laquelle on doit rpondre est la suivante : lorsquun X
bouge, est-ce que cela a de linfluence sur le Y ?
Pour rpondre cette question, on pourra saider doutils graphiques
comme la bote moustache (figure 2.15) qui semble montrer que le
changement doprateur a une influence importante sur la valeur de Y.
Mais cette observation nest pas suffisante dans une approche Six
Sigma : il faut en apporter la preuve statistique. Pour cela, on va utiliser
des tests statistiques qui nous permettront de connatre le risque que
lon prend lorsquon dit quil y a un cart significatif entre deux situations. Ainsi, dans lexemple cit, en ralisant un test de comparaison
de moyennes, on peut dire que le risque quun tel cart provienne
dune variation alatoire est de 1,6 %.
ditions dOrganisation
45
Six Sigma
Oprateur 2
Les outils statistiques disponibles permettent de comparer des positions (moyennes) mais galement des dispersions (carts types) et des
frquences (proportions). On pourra comparer une valeur par rapport
une position thorique (par exemple, la valeur dune moyenne par
rapport une cible), ou deux ou plusieurs populations.
46
ditions dOrganisation
B
D
E
C
Xs
J
G
Name
A
B
C
D
E
F
G
H
J
AB
A
F
AC
H
0
10
Effets
ditions dOrganisation
47
Six Sigma
48
ditions dOrganisation
est indispensable de rappeler au groupe de travail les principales conclusions auxquelles on est arriv aprs ces analyses, les certitudes que
lon a et les interrogations qui persistent.
ditions dOrganisation
49
Six Sigma
50
tape
Responsable
Production
Dlai
Cot
6 500
Achat
rgulateur
PTO
Nouveau rgulateur
sur machine
S39
Modification
processus
PTO
Documents de poste
jour
S44
Formation
du service
HRE
Personnel form
S45
2 000
ditions dOrganisation
ditions dOrganisation
51
Six Sigma
115
121
127
133
139
11
10,8
10,6
10,4
10,2
10
145
52
ditions dOrganisation
Aprs avoir dtermin la cible, on doit valider les limites de spcifications. Sur le graphique suivant (figure 2.19), on donne un exemple du
travail que devra raliser le Black Belt dans cette phase. La tolrance
souhaite sur Y est lintervalle [3.5 4.1] et on a montr une corrlation entre les X et Y. Graphiquement (mais on apprendra galement
le faire par calcul), on peut facilement dterminer les limites sur X qui
permettent de garantir le respect des spcifications sur Y.
Le cas prsent est relativement simple, une seule caractristique est
corrle avec Y. Cette phase devra prendre en compte les cas plus complexes o Y dpend de plusieurs caractristiques X.
4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3
3,2
22
22,5
23
23,5
24
24,5
25
25,5
26
26,5
27
27,5
28
Cette phase a aussi une autre fonction qui est dassurer la robustesse
des spcifications par rapport aux bruits. Rappelons quon appelle
bruit toutes les caractristiques qui varient indpendamment de la
volont de lentreprise. Il peut y avoir des bruits sur le processus de
production (vibrations, variation de temprature) ou sur le produit
(conditions dutilisation, temprature).
Pour valider la robustesse, on tudiera partir des donnes rcoltes
dans les tapes prcdentes linfluence des X sur la dispersion de Y
afin de choisir la configuration qui minimise cette dispersion.
ditions dOrganisation
53
Six Sigma
Mdiocre
Mdiocre
Limite
Limite
Bon
Idal
Bon
Y
Spcification
mini
Cible
Spcification
maxi
Si lon examine la perte financire gnre par un cart sur X par rapport la cible, on peut dmontrer quelle augmente proportionnellement avec le carr de cet cart de faon continue (fonction perte de
Taguchi). Il est donc important de produire le plus de produits possible
sur la cible et pas forcment simplement lintrieur des tolrances.
Pour cela, on doit dabord formaliser les rgles de pilotage et dintervention sur le processus en documentant le poste de travail, mais aussi
en adoptant une mthode et une habitude de travail qui facilitent le
respect de la cible. Cette phase est coupler avec diffrentes actions
damlioration des performances industrielles telles que :
54
ditions dOrganisation
Moyennes
UCL = 25,8636
25,5
X = 25,25
25,0
LCL = 24,6364
24,5
2
10
12
14
16
18
20
22
24
chantillon
tendues
1,6
UCL = 1,54403
1,2
0,8
R = 0,599800
0,4
LCL = 0
0,0
2
10
12
14
16
18
20
22
24
chantillon
ditions dOrganisation
55
Six Sigma
Ex
Dans cet exemple, on a calcul les limites naturelles du processus en se basant sur la moyenne historique [24,64 25,86]. Tant
que la moyenne des chantillons prlevs reste dans ces limites,
on ne peut pas conclure un dcentrage, aucune intervention
nest utile. Lorsquun point sort des limites (comme cest le cas
pour le 25e chantillon), il y a une forte probabilit que le processus soit dcentr et quil require une intervention.
Toutes les caractristiques critiques susceptibles de driver en
position ou en dispersion devront faire lobjet dun tel suivi.
Fonction
Exemples
Par contact
Valeur
constante
00253
56
ditions dOrganisation
Contrle de
mouvement
Alerte
sensorielle
ditions dOrganisation
57
Six Sigma
58
ditions dOrganisation
Ex
Par exemple, pour mettre sous contrle la solution, on ralise un
rglage dlicat sur une machine. Cette solution donne satisfaction, mais demande un effort important au collaborateur. Si on
maintient cette solution, avec le temps, les rglages seront raliss de faon moins fine voire plus du tout ! Cette phase veillera
ce quil soit procd aux modifications ncessaires sur la
machine pour faciliter ce rglage.
ditions dOrganisation
59
Six Sigma
simplification de la solution ;
modification de la documentation ;
formation des collaborateurs
60
ditions dOrganisation
ditions dOrganisation
61
Six Sigma
5. Six Sigma :
une organisation des comptences
Nous avons dvelopp les diffrents objectifs de Six Sigma (philosophie de la qualit tourne vers la satisfaction totale du client et rduction de la variabilit) ainsi que les mthodes proposes pour atteindre
ces objectifs (z, un indicateur du niveau de qualit, et DMAICS, une
dmarche de rsolution de problme). Pour mettre en uvre une telle
approche, il faut des hommes ayant des comptences et des responsabilits bien dfinies. Cela suppose aussi de former son personnel et de
dterminer des rles particuliers pour les individus qui vont conduire
le changement. Pour illustrer la dfinition des rles de chacun, lentreprise General Electric sest appuye sur des dnominations marquantes
telles que White Belt, Green Belt, Black Belt, Master Black Belt et Champion. Dune entreprise lautre, on parlera par exemple aussi bien
dquipier, de pilote, de coach, le tout tant que les fonctions soient
remplies pour garantir le succs du dploiement de Six Sigma dans
lentreprise.
62
ditions dOrganisation
Pilotage stratgique
Responsable
de l'entit
Champion
Pilotage tactique
Black Belt
Pilotage oprationnel
Green Belt
Conduite et suivi
Oprationnels
ditions dOrganisation
63
Six Sigma
Conduite et suivi : cette couche trs applicative va consister appliquer les dcisions qui sortent de la dmarche DMAICS. Elle va impliquer tous les oprationnels du processus concern, dont les Green Belts
qui sont notamment destins tre des oprationnels.
Champion
Groupe projet
dirig par un
Black Belt
Le Champion
Un Champion est choisi par le patron de lentreprise. Il a la responsabilit du dploiement de Six Sigma dans un secteur de lentreprise. Typiquement, un Champion est un responsable de lexcutif avec un haut
niveau de responsabilit. Ce peut tre le responsable dun site, ou un
responsable qui a une fonction importante dans lentreprise. Il doit
faire partie du comit de direction.
Il peut y avoir deux types de Champion :
dploiement et les Champions projet .
64
les
Champions
ditions dOrganisation
Les Champions dploiement ont en charge le succs du dploiement de Six Sigma dans un secteur de lentreprise. Ils doivent avoir
une solide exprience de management au niveau stratgique et tactique, et dans la conduite de changements majeurs.
Les Champions projet doivent superviser les Black Belts dune unit
de lentreprise. Ils se focalisent sur les projets. Ils sinvestissent dans le
choix des projets raliser et fournissent un support en faisant
disparatre si besoin est les barrires culturelles. Ils doivent sassurer que les ressources sont disponibles tant en hommes quen matriels.
Ils ralisent les valuations de performance avec comme rfrence les
meilleurs systmes, crent une vision oprationnelle et dveloppent un
plan de dploiement de Six Sigma.
Ils connaissent parfaitement la philosophie de Six Sigma ainsi que les
principes affrents et thories sous-jacentes. Le Champion suit activement lvolution des projets, tant notamment responsable de lorganisation des revues de projets qui ponctuent chaque fin dtape. Ces
revues sont loccasion pour le Champion projet de vrifier que les
objectifs fixs sont toujours en ligne de mire et de se mettre au courant
des ventuels obstacles quil faudra faire disparatre.
Ils nont pas avoir le niveau de connaissance oprationnelle (notamment statistique) des Black Belts, mais doivent quand mme disposer
des bases leur permettant de saisir lobjectif et dinterprter les rsultats des principaux outils utiliss dans une dmarche Six Sigma.
Les Champions sont trs importants, ils donnent sa cohsion la
dmarche Six Sigma en reliant chaque projet aux objectifs stratgiques
de lentreprise et en vitant la variabilit dans la mthode.
ditions dOrganisation
65
Six Sigma
66
ditions dOrganisation
Le White Belt
Peu dentreprises utilisent cette notion de White Belt. Un White Belt est
un employ qui a reu une formation basique de quelques heures sur
les fondamentaux de Six Sigma et sur les outils de base de la conduite
des tapes Mesurer , Analyser , Innover , Contrler . Cest
un minimum pour pouvoir participer une quipe Six Sigma.
ditions dOrganisation
67
Six Sigma
Mesurer
Bases statistiques
La mesure et lobservation des processus
tude de capabilit
3 semaines dapplication
1 session de formation de 5 jours
Analyser
Amliorer
Plans dexpriences
Optimisation des procds
3 semaines dapplication
1 session de formation de 5 jours
Contrler
Standardiser
68
ditions dOrganisation
ditions dOrganisation
69
Six Sigma
70
ditions dOrganisation
ditions dOrganisation
71
Chapitre 3
tape 1 Dfinir
La premire tape dune dmarche Six Sigma va consister parfaitement dfinir le cadre du projet.
Cette tape se dcompose en deux sous-tapes7 :
le choix du projet le plus adapt la stratgie de lentreprise ;
le cadrage du projet lui-mme.
Dans la premire partie de ce travail, on va dfinir les vrais objectifs
qui doivent tre atteints pour garantir la satisfaction des clients. Pour
ce faire, on se base sur le processus qui conduit la ralisation du produit, lequel peut se dcliner selon les trois critres, qualit, dlais et
cot :
livrer un produit ou un service sans dfaillance ;
le livrer selon le programme tabli ;
7. Dans certains cas, on dissocie deux tapes diffrentes : reconnatre et dfinir .
73
Six Sigma
74
ditions dOrganisation
tape 1 Dfinir
ditions dOrganisation
75
Six Sigma
76
ditions dOrganisation
tape 1 Dfinir
Client
Besoin
Exigences
Caractristiques
Ce qui amne Ce qui permet Comment mesure-t-on
le client
au client dtre que le client est satisfait ?
utiliser
satisfait.
le processus.
Besoin
de se nourrir
Spcification
Quelles sont les
spcifications
sur la mesure ?
Varit
de la carte
Nombre de plats
disponibles par squence
10 mini
Qualit
des plats
Enqute de satisfaction
1 fois par an
> 95 %
Prsentation
Enqute de satisfaction
1 fois par an
> 95 %
Cadre
Enqute de satisfaction
1 fois par an
> 95 %
>4
Temprature de la salle
20 23
Confort
ditions dOrganisation
77
Six Sigma
Trs satisfait
Sduction (S)
Agrables surprises
Dlices du client
Pas ralis
ps
m
Te
Performance (P)
Le client en veut plus !
Dans son modle de la qualit, Kano distingue six catgories pour une
caractristique dun produit :
1. Performance (P) : la satisfaction de lutilisateur est directement
proportionnelle la performance de la caractristique. Une performance mdiocre va crer une insatisfaction et une performance leve va crer une satisfaction.
2. Devrait tre (D) : la satisfaction nest pas proportionnelle la
performance de la caractristique. En cas de faible performance,
lutilisateur sera insatisfait ; en revanche, une bonne performance laisse lutilisateur indiffrent.
3. Sduction (S) : la satisfaction nest pas proportionnelle la performance de la caractristique. En cas de faible performance,
lutilisateur sera indiffrent ; en revanche, une bonne performance crera un sentiment de dlice pour le client.
4. Indiffrent (I) : lutilisateur na que faire de cette caractristique.
78
ditions dOrganisation
tape 1 Dfinir
5. Questionnable (Q) : les rponses des utilisateurs au questionnaire nont pas de sens.
6. Oppos (O) : lutilisateur donne des rponses opposes aux
rponses attendues par les individus conduisant lenqute.
Pour chaque caractristique, il y a un glissement avec le temps qui
passe dabord par la Sduction , puis vers la Performance , pour
enfin tre considre comme Devrait tre .
Ex
Si on prend lexemple dune automobile, la qualit du freinage
sera de la catgorie P. La qualit de la climatisation sera plutt de
type D. La catgorie S reprsente une avance sur la concurrence,
sa dure de vie est limite car rapidement les autres fabricants
lintgrent dans leur modle. Pour linstant, laide la navigation
peut tre classe dans cette catgorie.
Lenqute de Kano vise dterminer, pour chaque caractristique, la
catgorie dans laquelle elle se situe.
Pour chaque caractristique, on va poser les trois questions suivantes :
Figure 3.3 Questionnaire de Kano
CTQ
Que ressentez-vous
si la caractristique
suivante est prsente
dans le produit ?
Que ressentez-vous
si la caractristique
suivante est absente
dans le produit ?
Dlice
Espr et souhait
Pas de sentiment
Vit avec
Pas dsir
Autre
Dlice
Espr et souhait
Pas de sentiment
Vit avec
Pas dsir
Autre
10
20
40
80
160
ditions dOrganisation
79
Six Sigma
Dlice
Espr et
Pas de
souhait sentiment
Vit avec
Pas dsir
Dlice
Espr et souhait
Pas de sentiment
Vit avec
Pas dsir
Les catgories qui devront tre retenues pour le projet Six Sigma seront
bien entendu les catgories S, P, D.
Pour chacune de ces catgories, on fait lhistogramme de ce que les
clients ont dclar tre prts payer pour avoir la caractristique.
80
ditions dOrganisation
tape 1 Dfinir
Performances
3
Dveloppements inutiles
Produit adapt
0
Produit adapt
Produit insatisfaisant
Exigences
3
3
ditions dOrganisation
81
Six Sigma
COMMENT
versus
COMMENT
COMMENT
POURQUOI
QUOI
COMBIEN
82
ditions dOrganisation
tape 1 Dfinir
Corrlation positive
Corrlation ngative
Facile manipuler
Ne roule pas sur la table
COMBIEN
Dure longtemps
2
3
valuation
concurrentielle
Distance dcriture
Inclinaison critique
Diamtre moyen
Importance entreprise
Belle criture
Importance tudiant
Poids moyen
crit facilement
Longueur du stylo
Densit de la couleur
Largeur du trait
Coeff. de frottement
QUOI
COMMENT
POURQUOI
12345
Valeur cible
Importance
absolue
49 49 12 49 23 11 11 23
1
2
valuation
concurrentielle
3
4
5
ditions dOrganisation
83
Six Sigma
84
ditions dOrganisation
tape 1 Dfinir
2. Cartographier le processus
Lamlioration dun processus de production commence toujours par
une phase danalyse. La cartographie du processus est un excellent
moyen de raliser une telle analyse. Son but est dillustrer les flux physiques et les flux dinformations depuis les approvisionnements en
matires premires jusquau client en fournissant une reprsentation
visuelle des tapes permettant de dlivrer le produit.
De nombreuses reprsentations ont t proposes pour raliser cette
cartographie et il nest pas dans notre intention den faire une description exhaustive. Nous nous limiterons aux formes les plus simples et
les plus couramment rencontres. Nombre de logiciels informatiques
apportent une aide apprciable dans la ralisation de cette cartographie.
Avant de dfinir diffrentes reprsentations graphiques des processus,
il est bon de rappeler les dfinitions des termes processus et activits.
Voici selon la norme ISO 9000 la dfinition de processus :
Ensemble dactivits corrles ou interactives, qui transforme des
lments dentre en lments de sortie.
Note 1 : Les lments dentre dun processus sont gnralement
les lments de sortie dun autre processus.
ditions dOrganisation
85
Six Sigma
Note 2 : Les processus dun organisme sont gnralement planifis et mis en uvre dans des conditions matrises afin dapporter une valeur ajoute.
Note 3 : Lorsque la conformit du produit rsultant ne peut tre
immdiatement ou conomiquement vrifie, le processus est
souvent qualifi de procd spcial .
Pour sa part, lactivit peut tre dfinie comme un ensemble de tches
lmentaires que lon peut dcrire par des verbes dans la vie de
lentreprise : tourner, fraiser, assembler, ngocier un contrat, qualifier
un fournisseur
La cartographie ralise sera fonction de lobjectif, comme le font les
gographes. Une carte dEurope montrant la pluviomtrie sera trs diffrente dune carte illustrant les flux migratoires ! De mme, le niveau
de dtail dpendra de lobjectif. Il est inutile de disposer dune carte au
1/25 000 pour se dplacer en voiture sur autoroute. Choisir la bonne
reprsentation, les bonnes informations faire apparatre, le bon
niveau de dtails sont les premires questions se poser lorsquon fait
une cartographie.
86
ditions dOrganisation
tape 1 Dfinir
Facteurs bruits
X
10
5
Frequency
0
0 2. 1
0 2. 2
0 .23
0 2. 4
0 .25
0 26
.
0 2. 7
0 .28
0 29
.
Facteurs de pilotage
ditions dOrganisation
87
Six Sigma
Suppliers
Input
Processus
Steel
Produit
argent
Collage
Wab
Applique
Myl
Clich
Dcalque
Bevac
Encre
Passage au four
Steel
Tampon
Lessive
Customer
Dchet
Beo
Retouche
Mise plat
Contrle
Cleana
Output
Rebut
Lavage
Contrle
Rebut
Produit fini
Client
2.3 Logigrammes
Ils sont utiliss principalement dans les logiciels spcialiss dans
lapproche management de la qualit. Ils proposent une prsentation
matricielle reliant des activits et des acteurs.
88
ditions dOrganisation
tape 1 Dfinir
Acteur 1
Acteur 1
Acteur 1
Activit 2
Activit 3
Acteur 1
Activit 1
Test
Activit 4
Activit 5
Sur chaque activit et sur chaque lien, on associe par hypertexte des
informations, telles que :
les informations ou produits transmis entre les activits ;
les modes opratoires et instructions de lactivit ;
les commentaires.
ditions dOrganisation
89
Six Sigma
Figure 3.11
Cartographie du processus dans une dmarche Lean Six Sigma
Founisseur
30 jours
1f/semaine
1f/semaine
Bi mensuel
5
jours
Nombre de personnes
Temps de cycle
Temps de changement de srie
Taux de rendement synthtique
Proportion de rebut
Proportion de retouches
Taille des lots
Taille des emballages
Temps de travail rel
Nombre de types de produits
Client
2
jours
Chronogramme du processus
Dlais de production
4
Temps de cycle
Temps de valeur
10
5
2
5
3
7
4
4
59 jours
19 min.
12 Min.
La cartographie consiste suivre lensemble du processus pour identifier tous les lments de la performance sur chaque tape. On cherchera identifier :
tous les dlais ;
tous les temps de cycle, de valeur ajoute ;
tous les rebuts, retouches ;
temps de changement de sries
Dans le cas de processus complexes, il nest pas toujours possible de
disposer dinformations sur les dlais, les temps, qui peuvent varier
dun produit lautre. La solution consiste alors utiliser un
traceur . Il sagit dun produit que lon suit pas pas depuis la commande client jusqu sa livraison.
90
ditions dOrganisation
tape 1 Dfinir
ditions dOrganisation
91
Six Sigma
Outre ces outils de base, plusieurs mthodes ont fait montre dune
grande efficacit :
le diagramme des 5 pourquoi ;
le diagramme est/nest pas ;
le diagramme dedans/dehors .
Nous allons prsenter ces trois outils dans cette section. Toutefois, ils
peuvent tre galement utiliss dans ltape Analyser .
92
ditions dOrganisation
tape 1 Dfinir
Indiquer les causes les plus probables du problme dans chaque case du
haut. Poursuivre vers le bas le plus loin possible en se posant chaque fois la
question Pourquoi ? . Le dernier pourquoi est sans doute celui qui
ncessite une action.
Gnration du problme ?
Aprs la premire rclamation du
client le dlai de satisfaction a t
de 50 jours ouvrables.
Propagation du problme ?
Lexemple choisi (figure 3.12) a trait une entreprise de vente par correspondance partir dun site Internet. Elle a identifi une caractristique critique pour le client : la rapidit du service aprs-vente.
Pour traiter ce problme, on a utilis un traceur, cest--dire que lon a
choisi de suivre une commande en particulier.
ditions dOrganisation
93
Six Sigma
Gnration du problme
On va se poser les questions : Pourquoi le problme se pose-t-il ?
Quelle en est la source ?
Aprs la premire rclamation du client, le dlai de satisfaction a t
de 50 jours ouvrables. Pourquoi ?
Pendant 20 jours, le produit est rest dans nos entrepts avant de
partir en rparation. Pourquoi ?
Le produit navait pas t identifi clairement ds son arrive.
Pourquoi ?
Il est difficile pour le magasinier de dissocier les retours dfinitifs
des retours pour service aprs-vente. Pourquoi ?
Il nest pas demand aux clients qui utilisent le service aprsvente de noter une mention spciale sur le paquet.
Propagation du problme
On va se poser la question en ces termes : Pourquoi ce problme se diffuse-t-il ?
Le dlai de service aprs-vente cible nest pas respect pour une majorit de retours. Pourquoi ?
Le magasinier manque de temps pour traiter tous les retours.
Pourquoi ?
Sa charge de travail est leve et le traitement des retours est fait
lorsquil a le temps . Pourquoi ?
Il organise son temps librement entre ses multiples activits. Sa
fonction nest pas clairement dfinie et personne na explicitement en charge le traitement des retours. Pourquoi ?
Lentreprise est jeune et chacun fait au mieux, il faudrait rationaliser les fonctions du personnel.
En se demandant pourquoi , on veut obtenir de linformation. En
refusant de se satisfaire dune seule explication, on aborde le problme
dans une perspective diffrente, ce qui amliore les chances den cerner les causes.
94
ditions dOrganisation
tape 1 Dfinir
O, gographiquement,
observe-t-on lobjet dfectueux ?
Et plus prcisment ?
QUAND
QUI QUOI
EST
ditions dOrganisation
95
COMBIEN
COMMENT
Six Sigma
96
ditions dOrganisation
tape 1 Dfinir
Il faut galement pouvoir prouver statistiquement les oppositions fortes ou les corrlations supposes. Ce sera lobjectif de ltape
Analyser .
ditions dOrganisation
97
Six Sigma
Dehors
Prestataires de services
de transport
Frontire
Augmentation du nombre
de magasiniers
Dedans
Dfinition de la procdure
de SAV
Organisation
de l'entrept
Dfinition des tches
pour les magasiniers
98
ditions dOrganisation
tape 1 Dfinir
ditions dOrganisation
99
Six Sigma
5. La charte du projet
Figure 3.15 Charte du projet
Six Sigma Charte du projet
Titre du projet :
Formulation du problme ( Le problme, cest de )
QUI ?
QUOI ?
O ?
QUAND ?
COMMENT ?
POURQUOI ?
Impacts :
Clients finaux :
Diagramme CTQ
Besoin des clients
Exigences
Caractristiques
mesurables
Spcifications
tat actuel
tat souhait
Groupe de travail
Nom
Tl.
Service
Ml
Planification du projet
Semaines
Dfinir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client :
100
Propritaire :
Pilote :
Direction :
ditions dOrganisation
tape 1 Dfinir
ditions dOrganisation
101
Chapitre 4
tape 2 Mesurer
1. Introduction
La premire tape nous a permis de parfaitement dfinir le cadre du
chantier et de mettre en vidence les paramtres critiques pour la qualit telle quelle est vue par le client (CTQ : Critical To Quality) et
dorienter le projet vers des causes racines probables. Dans ltape suivante, nous allons mettre en place un moyen de mesure si possible
continu nous permettant de mesurer le z du processus. Afin davoir
des donnes suffisamment fiables pour pouvoir les exploiter, on vrifiera au pralable que la variabilit de notre systme de mesure est faible par rapport la variabilit des lments que lon cherche
mesurer.
Un des apports essentiels de Six Sigma tient limportance qui y est
donne la mesure. Le physicien britannique Lord KELVIN exprimait
cela ainsi en 1891 : Lorsque vous pouvez mesurer ce dont vous parlez
et lexprimer par un nombre, vous en connaissez quelque chose. Cela
fait donc bien longtemps que la mesure est une base de la connais-
103
Six Sigma
104
ditions dOrganisation
tape 2 Mesurer
Ex
Exemple 1 : Une entreprise de mcanique cherche amliorer la
fiabilit dun produit dont on a montr quelle tait directement
lie ltat de surface dun diamtre sur une machine outil. Dans
ce cas, la mesure est vidente, on se contentera du critre de
rugosit le plus adapt.
Ex
Exemple 2 : Une entreprise qui travaille sur des produits forte
valeur ajoute veut liminer les fuites apparaissant au niveau
dune soudure. La proportion de produit ayant une fuite est de
lordre de 1 % pour une production annuelle dune centaine de
produits. Dans ce cas, il ne serait pas appropri dutiliser la proportion de soudures prsentant une fuite, et ce pour deux raisons
principales :
1. le peu de donnes disponibles : 1 2 produits fuite par
an, mais qui cotent trs cher ;
2. limpossibilit de conduire un projet Six Sigma dans lequel
la mesure devrait mettre en vidence des produits dfectueux.
Dans ce dernier cas, il faut avoir lesprit une remarque de Genichi Taguchi : Pour atteindre la qualit, il ne faut pas mesurer la
qualit !
ditions dOrganisation
105
Six Sigma
Variable 1 (pertinente)
Avec fuite
Sans fuite
Avec fuite
Sans fuite
106
ditions dOrganisation
tape 2 Mesurer
ditions dOrganisation
107
Six Sigma
Dispersion
vue
Dispersion
due au
processus
de mesure
Milieu
Mesurande
Main-d'uvre
Mthode
Reproductibilit
R&R
Rptabilit
Dispersion
due au
processus
de production
Moyen
Justesse
Gestion
des moyens
de mesure
Linarit
Stabilit
T2 : Variance totale
P2 : Variance relle du processus de production
2 : Variance du processus de mesure
M
2.3 Dfinitions
Justesse : cart systmatique entre la moyenne de plusieurs mesures et
la valeur de rfrence.
Linarit : diffrence de justesse sur la plage dutilisation de linstrument.
108
ditions dOrganisation
tape 2 Mesurer
ditions dOrganisation
109
Six Sigma
tude de linarit
Ltude de linarit consiste tudier la linarit de linstrument de
mesure partir de plusieurs talons dont la valeur est connue et garantie.
Dans lexemple prsent (figure 4.3), on a pris 5 talons (5, 10, 15, 20,
25) qui ont chacun t mesur 10 fois.
Figure 4.3 Donnes dune tude de linarit
talon
talon
talon
talon
talon
5,011
10
10,006
15
15,002
20
19,995
25
24,996
5,009
10
10,01
15
15,001
20
19,996
25
24,989
5,013
10
10,002
15
14,997
20
20,003
25
24,992
5,016
10
10,005
15
15
20
20
25
24,994
5,014
10
10,006
15
15,004
20
19,999
25
24,994
5,019
10
9,999
15
15,001
20
19,997
25
24,991
5,014
10
10,007
15
14,998
20
19,999
25
24,997
5,009
10
10,005
15
15,001
20
19,997
25
24,993
5,008
10
10,002
15
15,001
20
19,996
25
24,989
5,015
10
10,009
15
14,998
20
19,991
25
24,99
110
ditions dOrganisation
tape 2 Mesurer
tude de linarit
R2 = 0,8295
y = 0,000968x + 0,0161
0,0250
0,0200
0,0150
cart
0,0100
0,0050
0,0000
0,0050
0,0100
0,0150
0
10
20
30
talon
Coef.
Constant
talon
ditions dOrganisation
Sigma
0,0161
0,001050
15,25
0,000
0,000968
0,00006334
15,28
0,000
111
Six Sigma
Sigma
Biais
0,013
0,0033089
12,2658718
0,000 Significatif
10
0,00518275
0,00331817
4,93925957
0,001 Significatif
15
0,00026431
0,00203675
0,41036934
20
0,00276747
0,0032677
2,67818922
0,025 Significatif
25
0,007478
0,00280676
8,42519325
0,000 Significatif
Interprtation
Dans notre exemple, linstrument a une erreur de linarit importante,
double dune dispersion de mesure autour de cet cart de linarit, galement importante. Ce test est ralis partir de pices talon, dans des
conditions de laboratoire de mtrologie. Pour tre acceptable, linstrument doit avoir un cumul derreurs de linarit et de dispersion ngligeable par rapport la tolrance que lon cherche mesurer.
Une tude de linarit satisfaisante ne dispense pas de faire le test R&R
que nous dcrivons ci-aprs.
112
ditions dOrganisation
tape 2 Mesurer
Il est galement important de raliser ce test sur plusieurs produits diffrents. En effet, il peut y avoir des carts entre deux oprateurs selon
la pice mesure.
Prenons lexemple dune mesure de diamtre sur un produit ayant un
dfaut de circularit, ralise par deux oprateurs. Le premier a comme
habitude de prendre le diamtre maximal, alors que le second prend le
diamtre moyen. Dans le cas dun produit o le dfaut de circularit
est faible, il y aura peu dcart entre les deux oprateurs mais, dans le
cas dun dfaut important de circularit, les diamtres donns par les
deux oprateurs seront trs diffrents.
Gnralement, une tude R&R se conduit partir dune dizaine de produits, mesurs au moins deux fois, par au moins deux oprateurs diffrents. Les oprateurs choisis pour raliser ce test seront bien sr ceux
qui devront mesurer les produits lors du projet Six Sigma.
Figure 4.7 tude R&R
Variation dune condition (oprateur)
Tolrance :
7,7 0,01
Oprateur 1
Oprateur 2
N Pice
1re Mesure
2e Mesure
1re Mesure
2e Mesure
7,700
7,699
7,700
7,700
7,699
7,700
7,699
7,699
7,702
7,703
7,702
7,702
7,703
7,703
7,702
7,702
7,703
7,703
7,702
7,703
7,703
7,703
7,703
7,703
7,699
7,698
7,699
7,699
7,701
7,700
7,700
7,700
7,704
7,704
7,702
7,703
10
7,699
7,699
7,699
7,700
ditions dOrganisation
113
Six Sigma
1 Y ijk
Y = moyenne gnrale = --------abn i = 1 j = 1 k = 1
n
114
ditions dOrganisation
tape 2 Mesurer
1 y ijk
Yj reprsente la notation abrge de ----an i = 1 k = 1
Rappelons que lanalyse de la variance part de la dcomposition de la
somme totale des carrs des carts de toutes les observations :
SST = SSO + SSP + SSOP + SSE
Avec :
Somme des carrs oprateurs :
a
SS O = bn
( Y i.. Y ... ) 2
i=1
SS P = an
( Y .j. Y ... ) 2
j=1
SS OP = n
i = 1j = 1
SS2
ddl
Pices
SSP
P = b 1
Oprateurs
(reproductibilit)
SSO
o = a 1
Interaction
SSOP OP =
(a 1)(b 1)
Rsidus
(rptabilit)
SSR
R = ab(n 1)
Totale
SST
T = abn 1
ditions dOrganisation
Test stat.
SS P
MS P = ----------b1
MS P
F 0 = --------------MS OP
SS O
MS O = ----------a1
MS O
F 1 = --------------MS OP
SS OP
MS OP = ---------------------------------(a 1)(b 1)
MS OP
F 2 = --------------MR
SS r
MS R = ----------------------ab ( n 1 )
2
N-1
115
Six Sigma
MS
F O = ----------PMS R
MS
F 1 = ----------OMS R
Lanalyse du tableau dANAVAR nous permet de dissocier les diffrentes sources de variabilit :
Figure 4.9 Dcomposition des dispersions
Source
Variance
Interprtation
Dispersion
du moyen
(rptabilit)
D Rp = 6 MS R
La dispersion de rptabilit
reprsente limportance des
variations observes lors de
mesures par un mme oprateur
sur une mme pice.
Estimateur
de la dispersion
oprateur
MS O MS OP
D O = 6 ---------------------------------bn
Dispersion
de linteraction
MS OP MS R
D OP = 6 --------------------------------n
Dispersion
de reproductibilit
Dispersion
sur les pices
Dispersion
de linstrument
116
D Repro =
2 + D2
DO
OP
MS P MS OP
D P = 6 --------------------------------an
R&R =
2 + D2
D R2 + D O
OP
ditions dOrganisation
tape 2 Mesurer
Intervalle de tolrance
On calcule ainsi le Cmc : Cmc = -------------------------------------------------------------------Dispersion de linstrument
Dans notre exemple, nous aurions :
Figure 4.10 ANAVAR en tenant compte de linteraction
Somme
des carrs
ddl
Pices
SSP = 0,0001166
Oprateurs
SSO = 9E-7
Source
Moyenne
des carrs
F
Sign Risque
limite
Rsidus
SSr = 4E-6
(rptabilit)
20
Vr = 2E-7
Totale
39
3,22E-6
0,0001256
OUI
0,000
OUI
0,060
Dispersion
% tolrance
Dispersion du moyen D
Rp = 6 2E-7 = 0,0026833
(rptabilit)
13,42 %
Dispersion
oprateur
4,47 %
Dispersion
de linteraction
Dispersion
de reproductibilit
Dispersion
sur les pices
Dispersion
de linstrument
ditions dOrganisation
9E-7 4,55E-7
D O = 6 --------------------------------------- = 0,0008944
10 2
4,55E-7 2E-7
D OP = 6 -------------------------------------- = 0,0021448
2
D Repro =
0,0008944 2 + 0,002145 2
10,72 %
11,62 %
= 0,00232382
1, 29E-7 4,55E-7
D P = 6 ------------------------------------------------ = 0,0106066
22
R&R =
2 + D2
D R2 + D O
OP = 0,00354968
53,03 %
17,75 %
117
Six Sigma
Soit
Tolrance
0,02
Cmc = ------------------------- = -------------------- = 5,36
R&R
0,00355
R&R
R&R % = ------------------------- 100
Tolrance
Cmc > 4 (ou R&R% < 25 %), linstrument est jug acceptable.
Lanalyse de la variance nous fournit galement de prcieux renseignements,
notamment
grce
aux
reprsentations
graphiques
(figure 4.12) :
La contribution la somme des carrs nous donne une information prcieuse sur le ratio entre la part prise par les pices (idalement 100 %, ici 53 %) et les parts respectives des oprateurs et
de la rptabilit.
La contribution la variance de linstrument nous donne la part
de loprateur (reproductibilit) et de la variance rsiduelle
2
(rptabilit) dans instrument
, variance de linstrument.
Le graphe des effets (figure 4.12) nous indique graphiquement
les effets respectifs des oprateurs et de la pice.
Le graphe des interactions montre la moyenne des mesures que
chaque oprateur a trouve sur les 10 pices. Sil ny a quun
effet de loprateur (pas dinteraction), on devrait trouver des
courbes parallles.
Le graphe des tendues nous indique une mesure qui peut tre
aberrante (tendue hors des limites de contrle). Dans ce cas, il
faudrait recommencer la mesure.
118
ditions dOrganisation
tape 2 Mesurer
montage P121
27/06/2003
Diam by Piece
7,704
% Contribution
% Study Var
% Tolerance
50
0
PPI
7,7+/-0,01
Components of Variation
100
Percent
Reported by:
Tolerance:
Misc:
7,701
7,698
Gage R&R
Repeat
Reprod
Part-to-part
Sample
R Chart by Op
1
6
Piece
10
Diam by Op
7,704
UCL = 0,001307
0,0010
7,701
0,0005
R = 0,0004
0,0000
LCL = 0
7,698
3
Xbar Chart by Op
1
7,702
7,700
Op
Op * Piece Interaction
7,704
UCL = 7,70185
X = 7,7011
LCL = 7,70035
Average
7,704
Sample
Op 1
Op 2
7,702
7,700
1
5 6
Piece
10
ditions dOrganisation
119
Six Sigma
On prend toutes les prcautions pour viter que les manipulations dgradent les produits tests.
Chaque produit est examin (si possible) par un groupe dexperts
afin daffecter un attribut au produit (par exemple, Conforme/
Non-conforme) : lattribut peut ventuellement possder plus de
deux classes (par exemple, une chelle de 1 5).
Chaque produit est valu deux fois par au moins deux oprateurs.
On obtient ainsi le tableau suivant (figure 4.13).
Figure 4.13 Test R&R aux attributs
Opr1
No
Rf.
Opr2
Pb rpt.
Insp 1
Insp 2
Insp 1
NC
NC
NC
NC
NC
NC
10
11
12
NC
NC
NC
13
NC
NC
NC
NC
NC
14
15
NC
120
Pb reprod.
Entre
opr
Avec
rf.
ditions dOrganisation
tape 2 Mesurer
Interprtation
Le produit 8 a pos un problme de rptabilit loprateur 2.
Le produit 15 a pos un problme de rptabilit loprateur 1.
Le produit 12 a pos un problme de reproductibilit aux oprateurs. Loprateur 2 a t plus svre que lexpert.
Aucun produit na pos de problme de reproductibilit par rapport
la rfrence. Lorsque les oprateurs sont daccord entre eux, ils
sont galement daccord avec la rfrence.
On conduit alors une analyse statistique pour chaque oprateur
(figure 4.14). Pour tre acceptable, le score de chaque oprateur doit
tre suprieur 90 %. Dans lexemple que nous avons pris, loprateur
2 natteint pas le critre cause du problme de reproductibilit sur la
pice 12.
Les limites 95 % forment lintervalle de confiance 95 % de la loi
binomiale sur le score obtenu. Pour resserrer ces limites, il faut augmenter la taille de lchantillon type.
Figure 4.14 Analyse par oprateur
Oprateur 1
Oprateur 2
Opr 1
Opr 2
Total inspect
15
15
Problmes rptabilit
Problmes vs expert
Plus svre
Moins svre
Total problmes
95 % LSC
99,8 %
98,3 %
Score %
93,33 %
86,67 %
95 % LIC
68,1 %
59,5 %
Conclusion
Adapt
Pas adapt
ditions dOrganisation
121
Six Sigma
R&R Attribut
Entre oprateurs
Oprateurs vs Experts
100
95,0 % Cl
100
95,0 % Cl
Percent
Percent
90
Percent
Percent
90
80
70
80
70
60
60
1
Oprateurs
Oprateurs
Cette analyse est complte par une analyse globale (figure 4.15).
Avec lexpert
Total inspect
15
15
Problmes rptabilit
Problmes reproductibilit
Total problmes
95 % LSC
95,67 %
95,67 %
Score s %
80,00 %
80,00 %
95 % LIC
51,91 %
51,91 %
Adapt
Adapt
Lanalyse globale fait le cumul des problmes de rptabilit et de reproductibilit. On peut ainsi calculer un score qui doit tre suprieur ou gal
80 % afin quil soit acceptable.
122
ditions dOrganisation
tape 2 Mesurer
3. Mesurer le processus
Dans la seconde phase de ltape Mesurer , on va runir des informations qui soient mesurables sur le processus. Ces donnes peuvent
provenir :
de rsultats disponibles sur le processus ;
dune campagne de mesures qui sera spcialement ralise.
Cependant, pour faire en sorte que ces mesures soient pertinentes, on
doit chercher limiter la variabilit. Pour cela, on commence par amliorer le processus sans recourir des statistiques, simplement en
figeant le plus possible de facteurs suite une analyse des 5M.
Milieu
Influence
de l'opration amont
Variation
de la composition
Main-d'uvre
Temprature extrieure
Variation de la pression
dans le rseau
Diffrence de rglage
entre les oprateurs
Diffrence
entre fournisseurs
Diffrences
entre les postes
Dispersion
de positionnement
sur les posages
Flexion
des butes franches
Vitesse
d'avance
Prise pices
non adapte
Paramtres de coupe
non robustes
Vibration machine
Afftage des outils
Moyens
ditions dOrganisation
Mthodes
123
Six Sigma
124
ditions dOrganisation
tape 2 Mesurer
Solution envisage
Pices sales
Modification de la gamme
passage systmatique en machine laver
Voici les principaux moyens mis en uvre pour figer les paramtres :
modifier le processus pour figer une position ;
fixer les valeurs des constantes, mme l o cela na a priori
pas dinfluence, lorsque cela ne cote rien ;
amliorer les procdures ;
figer davantage de consignes ;
systmatiser la faon de faire ;
formaliser la faon de faire sur des documents et vrifier lapplication
partir de ces actions, on constate gnralement une rduction importante de la variabilit. Cette rduction du bruit permettra de mieux
faire ressortir dans ltape Analyser les X susceptibles de faire progresser de faon importante le processus.
ditions dOrganisation
125
Six Sigma
126
ditions dOrganisation
tape 2 Mesurer
Lubrification
Poids
90
51
54
1 Prcision
de marche
10
22
49 %
2 Robustesse
aux positions
10
18
65 %
3 Vitesse
de remontage
25
15
52 %
Prsence systmatique
Note de 3
capabilit
10
Absence
Sans rsidus
Profil V
N CQT :
caractristiques
critiques
du produit (Y)
Dformation au montage
Cible et tolrance
ou objectif
ditions dOrganisation
127
Six Sigma
Fournisseurs
Y obtenu
1 2 3 4
10,25
1 2 3 4
10,27
1 2 3 4
10,22
128
No Poste
ditions dOrganisation
tape 2 Mesurer
Les relevs formeront un chantillon permettant danalyser le comportement du systme et de dterminer sa performance au travers des
indicateurs de capabilit. Pour pouvoir remplir ce rle, un chantillon
doit :
1. tre reprsentatif. Il est prfrable de faire plusieurs chantillonnages de petite taille des moments diffrents plutt quun seul
prlvement important un moment prcis. Cela permet dviter
que des donnes soient biaises par une configuration particulire, et aussi dobserver dventuelles drives dans le temps.
Lorsque plusieurs machines sont impliques dans le projet, il
convient de relever des donnes pour chaque machine. Lchantillonnage retenu doit donc couvrir tout le primtre (lieu) pour
toute la priode (temps).
2. Avoir un nombre suffisamment important de valeurs. En effet,
il sera trs difficile de tirer des conclusions significatives partir
dune dizaine de valeurs. Plus il y a de valeurs, et plus les rsultats seront pertinents. Pour donner un ordre de grandeur, une
trentaine de donnes est ncessaire pour calculer le z du processus. Mais si la mesure est discrte, la taille des chantillons peut
tre beaucoup plus importante. Pour dterminer la taille ncessaire, il faut identifier les risques alpha et bta sur les tests que
lon veut raliser. Le lecteur se reportera au chapitre 5 pour plus
de dtails sur ces deux risques.
4. Estimer le z du processus
4.1 Cas des dfauts mesurables
Lorsquon dispose dun moyen de mesure, on veut identifier le niveau
de qualit atteint. Pour cela, on doit mesurer le z du procd. Rappelons que lobjectif dune dmarche Six Sigma est datteindre un z suprieur 6, ce qui correspond moins de 6,4 dfauts par million
dopportunits.
ditions dOrganisation
129
Six Sigma
7,696
7,706
7,702
7,711
7,706
7,711
7,717
7,703
7,702
7,705
7,714
7,703
7,698
7,711
7,698
7,704
7,689
7,717
7,710
7,695
7,711
7,696
7,724
7,708
7,694
7,703
7,703
7,699
7,711
7,703
7,692
7,709
7,704
7,703
7,702
7,708
7,703
7,702
7,700
7,703
7,703
7,699
7,700
7,712
7,692
7,708
7,695
7,706
7,712
7,682
7,688
7,694
7,700
7,706
7,712
7,718
7,724
Diam 7,7
Pour les raisons qui viennent dtre dites, on lui prfre la reprsentation sous forme dhistogramme (figure 4.21) qui donne une meilleure
image de la rpartition des valeurs.
130
ditions dOrganisation
tape 2 Mesurer
Mean 7,704
St Dev 0,007686
N
50
Moyenne
Frquence
12
Classe
10
cart type
Largeur
de classe
6
4
2
0
7,68
7,69
7,70
7,71
7,72
tendue
Diam 7,7
Dfinition
Un histogramme est un diagramme barres (rectangles) contigus
dont les aires sont proportionnelles aux frquences.
Chaque rectangle correspond un regroupement en classe. Le nombre
de classes NC est proportionnel au nombre de valeurs N ; on prend en
gnral N C =
10 log ( N )
N ou N C = 1 + ----------------------3
ditions dOrganisation
131
Six Sigma
i=1
X = -------------n
Loi de Gauss :
Xi
1
--------------e
2
n 1 = S =
1 X
--- -------------
2
( Xi X )2
i=1
------------------------------n1
Moyenne
Modle : loi de Gauss
Moyenne ?
cart type ?
cart type
Point d'inflexion
tendue
132
ditions dOrganisation
tape 2 Mesurer
ditions dOrganisation
133
Six Sigma
LT
4LT
Long terme :
ZLT = 4 ou Cpk = 1,33
Court terme :
ZST = 6 ou Cp = 2
6ST
3,4
ppm
3,4
ppm
6
Lobjectif Six Sigma est dobtenir une capabilit court terme telle que z
soit suprieur 6. Dans lapproche Six Sigma classique, il ny a pas
dexigence sur le niveau de capabilit long terme atteindre. Cependant, les entreprises qui pratiquent de manire intensive la mthode
demandent en gnral une performance du processus telle que
ZLT = 4, ce qui correspond un Ppk = 1,33 (on dfinira dans la prochaine section de ce chapitre la notion de Ppk).
134
ditions dOrganisation
tape 2 Mesurer
Limite
spcification
Sup(LSS)
z1
(LSS)
z2
Dfauts
Un processus sera capable de donner satisfaction aux clients si sa dispersion est faible devant la tolrance. Pour caractriser la dispersion,
on a vu que le meilleur indicateur tait lcart type. Il est donc possible
de caractriser la capabilit du processus par le ratio :
LSS X
z = ------------------
Sil existe une spcification Sup et Inf, on peut calculer un z pour chaque spcification.
Relation entre le z et le % de non conformes
Figure 4.24 Relation entre le z et la proportion hors tolrance
LSS = 10
Y = 6,98
z1
=2
% dfauts
= 6,55 %
z
0,0
0,5
1,0
1,5
2
0,00
0,5000
0,3085
0,1587
0,0668
0,0228
Z1 =
ditions dOrganisation
0,01
0,4960
0,3050
0,1562
0,0655
0,0222
0,02
0,4920
0,3015
0,1539
0,0643
0,0217
10 6,98
= 1,51
2
135
Six Sigma
Point d'inflexion
-5
68,26 %
95,44 %
99,73 %
99,9999976 %
136
ditions dOrganisation
tape 2 Mesurer
LSI
LSS
1,5
% dfauts
ditions dOrganisation
137
Six Sigma
ppm centr
dans les tolrances
317310,52
697672
1,5
133614,46
501350
45500,12
308770
2,5
12419,36
158687
2699,93
66811
465,35
22750
63,37
6210
4,5
6,80
1350
0,574
233
5,5
0,03807
0,00198
3,4
6,5
0,00008
0,29
0,00000
0,019
7,5
0,00000
0,0010
0,00000
0,000040
3
3,5
4
32
138
ditions dOrganisation
tape 2 Mesurer
Analyse de capabilit de Y
USL = 10
LSL = 0
Potential Capability
Process Data
LSL
0,00000
Target
*
USL
10,00000
Mean
1,78227
Sample N
100
St Dev (Within)
1,00989
St Dev (Overall) 1,05708
CP
CPL
CPU
Cpk
1,65
0,59
2,71
0,59
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
0,0
Observed Performance
PPM < LSL
PPM > USL
PPM Total
1,5
3,0
4,5
0,00
0,00
0,00
LSL = 0
38797,50
0,00
38797,50
6,0
7,5
9,0
10,5
Analyse de capabilit de Y
Distribution de Weibull
45894,87
0,00
45894,87
USL = 10
Overall Capability
Process Data
LSL
Target
USL
Mean
Sample N
Shape
Scale
Pp
PPL
PPU
Ppk
0,00000
*
10,00000
1,77445
100
1,69661
1,98847
1,66
1,03
1,89
1,03
Observed Performance
PPM < LSL
PPM > USL
PPM Total
1,58
0,56
2,59
0,56
*
0,000000
0,186817
0,186817
0
0
0
0,0
1,5
3,0
4,5
6,0
7,5
9,0
10,5
ditions dOrganisation
139
Six Sigma
F(x) = 1 e
Et voici la fonction de densit de probabilit :
x
---
f(t) = ------ x 1 e
Avec :
x : point considr de la distribution
F(x) : cumul du pourcentage de la rpartition
e : constante = 2,718
: paramtre dchelle de la distribution (pseudo cart type)
: paramtre de forme de la distribution
Figure 4.29 Diffrentes lois de Weibull
0,3
0,25
0,2
0,15
0,1
0,05
=5
= 3,5
= 10
=5
= 10
= 3,5
= 10
=2
= 10
= 0,5
140
ditions dOrganisation
tape 2 Mesurer
Ex
Exemple de transformation de Box
Un relev de donnes a conduit lhistogramme prsent ciaprs (figure 4.30) qui visiblement ne suit pas une loi normale.
Aprs transformation des donnes par la relation Y1 = Y0,3, on
trouve un second histogramme qui suit une loi normale.
Figure 4.30
Distribution non normale et transformation de Box
Histogramme de Y1 = Y0,3
Normal
Histogramme de Y
Loi normale
Mean 0,7492
St Dev 0,1264
N
100
20
15
Frquence
Frquence
15
10
5
0
0,2
Mean 0,7492
St Dev 0,1264
N
100
20
10
5
0
0,0
0,2
0,4
0,6
Y
ditions dOrganisation
0,8
1,0
1,2
0,45
0,55
0,65
0,75
Y
0,85
0,95
1,05
141
Six Sigma
Pour calculer la probabilit de produits hors spcification, on utilise dans ce cas la rponse Y1 plutt que la rponse Y.
142
ditions dOrganisation
tape 2 Mesurer
1,5
5 000
ppm
0
ppm
3
143
Six Sigma
Remarque
Le zprocess est parfois appel zcourt terme. Le zquivalent est alors appel
zLong terme
Relations
Nombre de dfauts = D
Nombre dunits = U
Dfaut par unit = DPU=D/U
zquivalent = zlong terme = z dune loi normale
DPU
Nb
opportunits
DPO
Zquiva Zprocess
D/U
Op
D/(UOp)
1eDPO
Ze
Ze +1,5
500
14
0,028000
25
0,00112
0,00112
3,06
4,56
2563
25
0,009754
0,00975
0,00971
2,34
3,84
1462
0,000684
0,00014
0,00014
3,64
5,14
250
0,016000
0,01600
0,01587
2,15
3,65
120000
12
0,000100
0,00002
0,00002
4,11
5,61
144
ditions dOrganisation
tape 2 Mesurer
Relations
Nombre de dfauts = D
Nombre dunits = U
Opportunits pour un dfaut = O
Dfaut par unit = DPU = D/U
Dfaut par opportunit = DPO = DPU/O = D/(UxO)
Dfaut par million dopportunits = DPMO = DPO 106
Proportion dunits dfectueuses = p = 1 eDPO
zquivalent = zlong terme = z ~ (0,1)
zprocess = zcourt terme = zquivalent + 1,5
Pour trouver le z dans ce cas de figure, il faut dterminer le pourcentage dunits dfectueuses, qui nest pas forcment gal au nombre de
dfauts. En effet, une mme unit peut comporter plusieurs dfauts.
On procde au calcul de p partir de la loi de Poisson en calculant la
probabilit davoir un produit ayant zro dfaut (eDPO), sachant que la
probabilit dopportunit de dfaut est gale DPO. Le nombre dunits avec un ou plusieurs dfauts sera donc le complment et p est calcul au moyen de la relation :
p = 1 eDPO
Comme dans le cas des DPU, le zquivalent est dtermin par assimilation une loi normale qui donnerait un pourcentage p de dfaut.
Le zprocess (ou zcourt terme) est calcul en ajoutant le dcalage de 1,5
cart type.
ditions dOrganisation
145
Six Sigma
Relations
Nombre dtapes du processus = k
Nombre de dfauts sur une opration = D
Nombre dunits = U
Dfaut par unit pour une opration = DPU = D/U
Y Cumul
Y Cumul =
10
0,32 = 0,89
146
ditions dOrganisation
tape 2 Mesurer
10
Unit
1000
950
800
1050
660
860
900
650
980
680
Dfaut
105
312
130
122
13
62
115
82
87
DPU
0,11
0,33
0,16
0,12
0,02
0,07
0,13
0,01
0,08
0,13
zLT Ope
1,25
0,44
0,98
1,19
2,06
1,46
1,14
2,30
1,38
1,14
zCT Ope
2,75
1,94
2,48
2,69
3,56
2,96
2,64
3,80
2,88
2,64
Opration
0,9
0,72
0,85
0,89
0,98
0,93
0,88
0,99
0,92
0,88
Cumul
0,9
0,65
0,55
0,49
0,48
0,45
0,39
0,39
0,36
0,32
Rendements
1
Rendement en proportion
0,9
0,8
0,7
0,6
Opration
0,5
Cumul
0,4
0,3
0,2
0,1
0
1
10
Oprations
ditions dOrganisation
147
Six Sigma
Cependant, il demeure malgr tout un indicateur de capabilit relativement pauvre. Avec un seul chiffre, on ne peut pas faire une analyse
pousse des sources de la variabilit. Les indicateurs de capabilit que
nous prsentons dans cette section sont donc des lments indispensables danalyse dans un projet Six Sigma.
148
ditions dOrganisation
tape 2 Mesurer
LSI
LSS
Dispersion = 6
Dispersion = 6
LSI
Cpkl =
Cible
LSS
LSI
3
LSS
Cpku =
LSS
3
3
Dispersion = 6
Lindicateur Cp est calcul dans une situation centre. En cas de dcentrage du processus, compte tenu de la relation utilise pour le calculer,
cela ne change rien. Pourtant, la qualit est dgrade. Pour tenir
compte du dcentrage, on calcule un autre indicateur : Cpk
(figure 4.35).
LSI
LSS
Cpk = min ----------------------------- ;-----------------------------
3 Court terme 3 Court terme
Le Cpk est un indicateur qui se dgrade proportion du pourcentage
de produits non conformes.
ditions dOrganisation
149
Six Sigma
LSI
Cible
LSS
LSS
L = K(Y Cible) 2
L = K[ 2 + ( Cible) 2]
Cpm =
LSS LSI
6 2 + ( Cible) 2
3
Dispersion = 6
150
ditions dOrganisation
tape 2 Mesurer
Cp Cpm ; les deux indicateurs sont gaux lorsque le procd est centr.
Cp
Cpm est reli Cp et Cpk par la relation : Cpm = ----------------------------------------------1 + 9 ( Cp Cpk ) 2
Lobjectif Six Sigma (z > 6) avec un dcentrage de 1,5 peut se traduire par la relation :
z > 6 Cp >2 et Cpk > 1,5 ; Cpm > 1,11
ditions dOrganisation
151
Six Sigma
n 1 = S =
( Xi X )2
i=1
-------------------------------n1
ditions dOrganisation
tape 2 Mesurer
Ex
Exemple mthode 2
Une entreprise fabrique des tubes haute frquence en petite srie
(production journalire de 3 tubes). Un relev sur une caractristique 120 15 de 30 tubes raliss conscutivement a donn :
Figure 4.37 chantillonnage exhaustif
No
Interv
No
No
11
124,6
1,5
Interv
Interv
21
119
0,1
122,1
119,4
2,7
12
121,9
2,7
22
118,9
0,1
124,2
4,8
13
121,7
0,2
23
124
5,1
127,8
3,6
14
124,6
2,9
24
119,7
4,3
128,1
0,3
15
125,4
0,8
25
119,4
0,3
130,1
16
121,6
3,8
26
118,5
0,9
122
8,1
17
126,5
4,9
27
125,9
7,4
125
18
127,3
0,8
28
122,6
3,3
129,3
4,3
19
129,1
1,8
29
127,1
4,5
10
123,1
6,2
20
30
118
9,1
118,9
Film de la production de Y
140
135
Intervention
130
125
120
115
110
105
1
11
13
15
17
19
21
23
25
27
29
ditions dOrganisation
153
Six Sigma
On obtient :
R = 3,20 donc Court terme = R/d2 = 3,20/1,128 = 2,83
X = 123,53
Sur lensemble des valeurs, on peut calculer Long terme = 3,62
Do les indicateurs :
30
LSS LSI
Cp = ----------------------------- = -------------------- = 1,76
6 Court terme
6 2,83
LSS
135 123,5
Cpk = ----------------------------- = ----------------------------- = 1,35
3 Court terme
3 2,83
LSS LSI
Cpm = ---------------------------------------------------------------------2
2
6 Court
terme + ( Cible )
30
= --------------------------------------------------------------------- = 1,10
6 2, 83 2 + ( 123,53 120 ) 2
30
LSS LSI
Pp = ---------------------------- = -------------------- = 1,38
6 Long terme
6 3,62
LSS
135 123,5
Ppk = ---------------------------- = ----------------------------- = 1,06
3 Long terme
3 3,62
LSS LSI
Ppm = --------------------------------------------------------------------2
6 Long terme + ( Cible ) 2
30
= ------------------------------------------------------------------- = 0,99
2
6 3,62 + ( 123,53 120 ) 2
Mthode 3
Par prlvement de petits chantillons des moments diffrents
(cas des cartes de contrle)
Dans ce cas, on suppose que la dispersion court terme est donne par
la dispersion lintrieur des petits chantillons. On peut donc estimer
lcart type court terme par plusieurs relations :
partir de la moyenne des tendues R : court terme = R/d2
partir de la moyenne des carts types S : court terme = S/c4
154
ditions dOrganisation
tape 2 Mesurer
-------------- vi
Ex
Exemple mthode 3
Prenons lexemple de donnes dune carte de contrle avec
comme tolrance 07 (figure 4.38).
Figure 4.38 Donnes dune carte de contrle
1
10
Total
Moyenne
0,6
1,4
1,8
0,2
1,4
0,2
1,2
0,4
1,6
0,4
tendue
1,14
2,07
1,30
1,48
1,67
1,79
1,79
1,14
1,95
1,14
cart type
ditions dOrganisation
155
Six Sigma
Carte Xbar/R
UCL = 2,24953
Sample Mean
2
1
X=0
0
1
2
LCL = 2,24953
1
10
Sample
UCL = 8,24650
Sample Range
8
6
R = 3,9
4
2
LCL = 0
0
1
10
Sample
Analyse de capabilit
LSL = 7
Tar = 0
USL = 7
Potential Capability
Process Data
LSL
Target
USL
Mean
Sample N
StDev (Within)
StDev (Overall)
Cp
CPL
CPU
Cpk
7,00000
0,00000
7,00000
0,12000
50
1,59423
1,81217
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
6
Observed Performance
PPM < LSL
PPM > USL
PPM Total
156
0,00
0,00
0,00
1,46
1,49
1,44
1,44
3,98
7,96
11,94
1,29
1,31
1,27
1,27
1,29
42,65
73,36
116,01
ditions dOrganisation
tape 2 Mesurer
S2
-----------i
10
= 1,58
TS X
Cpk = ----------------------------------- = 1,44
3 Court terme
Long
terme
= 1,80
14
IT
Pp = ---------------------------------- = -------------------- = 1,29
6 1,80
6 Long terme
6,88
TS X
Ppk = ---------------------------------- = -------------------- = 1,27
3 1,80
3 Long terme
ditions dOrganisation
157
Six Sigma
Cible
Problme de dispersion
court terme, Cp < 1
Cible
Problme de centrage
Chute entre Pp et Ppk
Cible
Problme de stabilit
Chute entre Cp et Pp
Cible
Pour les indicateurs Cmc, Cp, Pp, nous avons montr quil sagit toujours du ratio entre la tolrance et la dispersion (6). La relation qui
existe entre tous ces indicateurs est charge dune information considrable quil faut absolument exploiter dans une dmarche Six Sigma.
158
ditions dOrganisation
tape 2 Mesurer
Mesure
R&R < 0,25
ou Cmc > 4
Condition
d'acceptation
d'un processus
Court terme
ZST > 6
ou Cp > 2
Stabilit
du procd
Long terme
Pp
Centrage
du procd
Condition
d'acceptation
d'un lot
Long terme
avec dcentrage
ZLT > 4
Ppk > 1,33
Perte de capabilit
ditions dOrganisation
159
Six Sigma
Cote
Dispersion
court terme
Cote
Dispersion
court terme
Dispersion
long terme
Dispersion
long terme
Variation de consigne
Variation de consigne
Temps
Temps
Procd stabilis
160
ditions dOrganisation
tape 2 Mesurer
Cp
Pp
Ppk
Ppm
Rs
Rr
1 10 0,05
2,5
2,2
1,9
1,63
88,0 %
86,4 %
2 12 0,05
2,5
1,1
1,0
1,05
44,0 %
90,9 %
3 8 0,02
1,1
0,9
0,8
0,86
81,8 %
88,9 %
4 20 0,06
3,2
2,5
1,1
0,57
78,1 %
44,0 %
5 10 0,04
2,5
2,2
1,6
1,07
88,0 %
72,7 %
ditions dOrganisation
161
Six Sigma
162
ditions dOrganisation
Chapitre 5
tape 3 Analyser
1. Introduction
Aprs avoir accompli les tapes Dfinir et Mesurer , on a parfaitement identifi les caractristiques critiques pour la qualit (CTQ) et
on dispose dun moyen de mesure permettant de les quantifier. Lors de
ltape Mesurer , on a galement pu mettre en place une campagne
dobservation du processus afin de rcolter des donnes fiables.
Ltape Analyser a pour objectif daugmenter notre connaissance du
processus afin de dcouvrir les causes racines de la variabilit et de
la performance insuffisante. la fin de cette tape, on doit avoir une
ide trs prcise des sources dinsatisfaction et des paramtres qui
devront tre modifis pour atteindre la performance attendue.
Un des expressions cls de cette tape est la preuve statistique . En
effet, lanalyse des donnes rcoltes dans ltape Mesurer doit tre
conduite de manire rigoureuse en utilisant les outils statistiques. Dans
163
Six Sigma
164
ditions dOrganisation
tape 3 Analyser
Graphe multivari
Test de comparaison
Analyse de la variance
Test de corrlation
Normalit
Causes spciales
Valeurs aberrantes
Chute des capabilits
Process Capability Sixpack pour Y
Carte X barre et R
10,35
Moyenne
10,5
10,4
10,3
10,2
Y
10,1
10,0
9,9
9,8
UCL = 10,28
10,20
Moy = 10,14
10,05
LCL = 9,996
9,90
Sous-grp. 0
9,8
10
10,2
tendue
0,4
R = 0,2486
0,2
0,0
LCL = 0
10,00
Dern 10 sous-groupes
Valeurs
Matin
Aprs-midi
10,6
Droite de Henry
0,6
l'intrieur de
10,30
Ec Typ : 0,106871
CP :
1,25
Cpk : 0,81
10,05
Global(e)
9,80
Ec Typ : 0,184410
CP :
0,72
Cpk : 0,47
0
4
5
6
7
Nombre de sous-groupes
10,25
10,50
10,55
104
10
Bruits
X(S)
Analyse des X
Observation des Y
ditions dOrganisation
165
Six Sigma
7,696
7,706
7,702
7,711
7,706
7,711
7,717
7,703
7,702
7,705
7,714
7,703
7,698
7,711
7,698
7,704
7,689
7,717
7,710
7,695
7,711
7,696
7,724
7,708
7,694
7,703
7,703
7,699
7,711
7,703
7,692
7,709
7,704
7,703
7,702
7,708
7,703
7,702
7,700
7,703
7,703
7,699
7,700
7,712
7,692
7,708
7,695
7,706
7,712
La bote moustache est couramment utilise pour reprsenter les distributions de population. Dans cette reprsentation (voir figure 5.3),
on distingue :
La bote dont la largeur correspond 50 % de la population.
Ainsi, le bas de la bote correspond au premier quartile (25 %),
et le haut de la bote au troisime quartile (75 %).
Les moustaches qui sont les lignes qui stendent de part et
dautre de la bote, reprsentant ltendue des donnes sil ny a
pas de valeur aberrante.
166
ditions dOrganisation
tape 3 Analyser
Diam 7,7
7,72
Troisime quartile
(75 %)
7,71
Mdiane
Bote
Premier quartile
(25 %)
Valeur aberrante
7,70
7,69
7,68
ditions dOrganisation
167
Six Sigma
168
ditions dOrganisation
tape 3 Analyser
P4
P3
P1
P2
Variations de position
ou l'intrieur d'une unit
Position sur le plateau
Lot matire
Fournisseur
Variations cycliques
ou d'une unit l'autre
Oprateur
Matin/A-M
Variations temporelles
ditions dOrganisation
169
Six Sigma
Heure
Poste
N1
N2
N3
Lot 1
Matin
P1
10,019
110,004
19,982
Lot 1
Matin
P2
110,000
19,985
19,998
Lot 1
Matin
P3
110,030
110,032
110,007
Lot 1
Matin
P4
110,030
110,013
110,025
Lot 1
Aprs-midi
P1
110,022
110,012
110,022
Lot 1
Aprs-midi
P2
110,028
110,001
110,012
Lot 1
Aprs-midi
P3
110,031
110,052
110,043
Lot 1
Aprs-midi
P4
110,046
110,041
110,058
Lot 2
Matin
P1
19,998
19,999
19,992
Lot 2
Matin
P2
110,008
19,980
110,012
Lot 2
Matin
P3
110,020
110,016
110,022
Lot 2
Matin
P4
110,033
110,004
110,040
Lot 2
Aprs-midi
P1
110,023
110,030
110,016
Lot 2
Aprs-midi
P2
110,015
19,999
110,006
Lot 2
Aprs-midi
P3
110,031
110,039
110,045
Lot 2
Aprs-midi
P4
110,053
110,037
110,051
Lot 3
Matin
P1
110,005
110,005
19,997
Lot 3
Matin
P2
110,003
19,987
19,989
Lot 3
Matin
P3
110,038
110,007
110,004
Lot 3
Matin
P4
110,010
110,017
110,041
Lot 3
Aprs-midi
P1
110,020
110,030
110,022
Lot 3
Aprs-midi
P2
110,003
110,008
110,006
Lot 3
Aprs-midi
P3
110,040
110,040
110,053
Lot 3
Aprs-midi
P4
110,048
110,057
110,041
170
ditions dOrganisation
tape 3 Analyser
Matin
Am Midi
P2
P3
10,05
10,04
Hauteur
Matin
P4
Lot
Lot 1
Lot 2
Lot 3
10,03
10,02
10,01
10,00
9,99
Am Midi
Matin
Am Midi
Matin
Heure
Panel variable : Poste
Interprtation
Le no de lot na pas dinfluence sur la hauteur usine, on ne retrouve pas
dcart systmatique entre les lots 1, 2 et 3.
La position sur le plateau semble avoir une influence forte, la position 4
donnant la hauteur la plus forte et la position 2 la plus faible.
La diffrence entre le matin et laprs-midi est confirme avec une chute
de la hauteur entre ces deux modalits.
Ce diagramme multi-vari donne une forte indication visuelle, mais ne
fournit pas de preuve statistique. On doit lutiliser conjointement une
analyse de la variance (ANAVAR) pour pouvoir conclure de faon
rigoureuse.
ditions dOrganisation
171
Six Sigma
Heure
Poste
10,0205 Matin
10,0097
10,0109
Niveau 2
10,0176 Aprs-midi
10,030
10,0023
Niveau 3
10,0195
10,0305
Niveau 4
10,0358
172
ditions dOrganisation
tape 3 Analyser
Poste
10,04
10,03
Mean of Moyenne
10,02
10,01
10,00
Am Midi
Matin
P1
P2
P3
P4
Lot
10,04
10,03
10,02
10,01
10,00
Lot 1
Lot3
Lot3
P2
P3
P4
Matin
10,0001
9,9958
10,0196
10,0237
Aprs-midi
10,0219
10,0087
10,0416
10,0480
ditions dOrganisation
173
Six Sigma
Heure
Ap Midi
Matin
10,04
Effet du poste
mesur l'aprs-midi
Mean
10,03
10,02
10,01
Effet du poste
mesur le matin
10,00
9,99
P1
P2
P3
P4
Poste
Linteraction est forte si leffet du poste est trs diffrent entre le matin
et laprs-midi. Dans notre exemple, les deux effets tant presque
parallles, on ne conclut pas une interaction importante.
3. Statistique descriptive
La statistique descriptive a pour objectif de donner une description statistique dun ensemble de donnes se dcomposant en trois lments :
identification de la forme de la distribution ;
paramtres de position de la distribution ;
paramtres dchelle de la distribution.
Pour caractriser ces trois critres, on peut utiliser des outils graphiques ou des paramtres numriques. Le tableau suivant (figure 5.11)
donne les lments le plus souvent utiliss pour les caractriser.
174
ditions dOrganisation
tape 3 Analyser
Graphique
Forme
Skewness
Kurtosis
Bote moustaches
Histogramme
Diagramme des probabilits
Position
Moyenne
Mdiane
Bote moustaches
Histogramme
Diagramme de corrlation
tendue
cart type
Variance
Inter-percentile
Bote moustaches
Histogramme
Dispersion
Moyenne
Modle : loi de Gauss
Moyenne
cart type
cart type
tendue
175
Six Sigma
La figure suivante (figure 5.13) donne un exemple de rsum graphique de statistique descriptive, fourni par Minitab. Lestimation des
paramtres dchelle et de position est donne par une estimation et
par un intervalle de confiance. Dans ce cas, lestimation de la moyenne
est de 7,7037, et lintervalle de confiance ayant 95 % de chance
dinclure est de [7,7015 7,7059].
Figure 5.13 Statistiques descriptives avec Minitab
7,68
7,69
7,70
7,71
7,69
7,70
7,71
7,72
0,24
0,316
Mean
St Dev
Variance
Skew ness
Kurtosis
N
7,7037
0,0077
0,0001
0,117743
0,823668
50
Minimum
1st Quartile
Median
3rd Quartile
Maximum
7,72
*
7,68
A-Squared
P-Value
7,73
95 % Confidence intervals
7,6820
7,6990
7,7030
7,7093
7,7240
Mean
Median
7,702
7,703
7,704
7,705
7,706
Xi
i = 1
la moyenne X = ----------------------n
176
ditions dOrganisation
tape 3 Analyser
S
Min ( ) = X t 2 ------n
Rpartition
des moyennes
<
<
S
Max ( ) = X t 2 ------n
Rpartition
des moyennes
X =
/
X = /
Population
X
n
2,5 %
/2 = 2,5 %
177
Six Sigma
Ex
Exemple
Dans le cas de la figure 5.13, on avait :
X =7,7037
S = 0,0077
n = 50 soit 49 ddl
t/2 = 2,0096
Lintervalle se calcule par la relation :
0,0077
0,0077
7,7037 2,0096 -------------------- < < 7,7037 + 2,0096 -------------------50
50
Soit 7,7015 < < 7,7059
178
ditions dOrganisation
tape 3 Analyser
( Xi X )2
n 1 = S =
i=1
Il existe une relation entre ltendue pour une taille dchantillon donne et lcart type.
R
= ------d 2*
Le coefficient d 2* dpend la fois de la taille de lchantillon et du
nombre dchantillons qui ont permis de calculer R . Lorsque ce nombre est lev (> 15), on remplace d 2* par d 2 .
ditions dOrganisation
179
Six Sigma
Nombre de mesures
par chantillon
10
11
12
13
14
15
>15
2 1,414 1,279 1,231 1,206 1,191 1,181 1,173 1,168 1,163 1,160 1,157 1,154 1,153 1,151 1,149 1,128
3 1,912 1,806 1,769 1,750 1,739 1,731 1,726 1,722 1,719 1,716 1,714 1,712 1,711 1,710 1,708 1,693
4 2,239 2,151 2,121 2,105 2,096 2,090 2,086 2,082 2,08
5 2,481 2,405 2,379 2,366 2,358 2,353 2,349 2,346 2,344 2,342 2,34
Vi
------------
V =
--1- S i
k
S
---et = -------------c4 = c4
10
ditions dOrganisation
tape 3 Analyser
une loi du 2.
Les valeurs de 2 pour une probabilit p donne se trouvent en fonction du nombre de degrs de libert = (n1) dans la table de 2.
S2
On peut crire : (2 2 ) < ( n 1 ) -----i- < (21 2 ) qui permet de donner
2
lintervalle de confiance sur lcart type :
(2 2 )
(21 2 )
S ----------------- < < S --------------------(n 1)
(n 1)
Ex
Exemple
Dans le cas de la figure 5.13, on avait :
S = 0,0077
2
2
n = 50 soit 0,025
= 31,55 et 0,975
= 70,22 pour 49 degrs de
libert
ditions dOrganisation
181
Six Sigma
f(x)
X
Un d
f(x)
X
Dix ds
182
10
60
ditions dOrganisation
tape 3 Analyser
Lillustration que nous venons de faire avec les ds est facilement gnralisable tous les systmes soumis de nombreux facteurs indpendants. Les combinaisons donnant des valeurs extrmes sont rares,
alors que les combinaisons moyennes ont une forte probabilit. La
rpartition doit donc suivre une loi normale.
Figure 5.18 Causes communes et causes spciales
f(t)
Variations alatoires
dues aux causes communes
Vacances scolaires
Cause spciale
Priode courante
Temps de trajet
ditions dOrganisation
183
Six Sigma
(la droite sur la figure 5.19) et une distribution relle (les points) peuvent tre attribus des variations alatoires.
Pour ce faire, on calcule la probabilit (p-Value 0,316) que ces carts
proviennent de variations alatoires. Si, comme dans le cas prsent
(figure 5.19), cette probabilit est suprieure 0,05, on considre que
la loi suit une rpartition normale. Dans le cas contraire (pvalue < 0,05), on ne peut pas considrer que la distribution suit une
loi normale.
Figure 5.19 Graphique des probabilits
Per cent
80
70
60
50
40
30
20
10
5
1
7,68
7,69
7,70
7,71
7,72
7,73
Diam 7,7
184
ditions dOrganisation
tape 3 Analyser
4. Statistique infrentielle
Tests de comparaison
Figure 5.20 Variables dpendantes et indpendantes
X
Variables
indpendantes
Systme
Y
Variables
dpendantes
La statistique infrentielle a pour objectif de vrifier sil existe une relation entre les X et les Y. Par exemple, on ralise un produit sur lequel
on a mesur un dfaut daspect (Y). On suspecte un des fournisseurs
(X) de lune des matires premires utilises dans ce produit dtre
lorigine de ce dfaut.
Cette matire premire est approvisionne chez deux fournisseurs A et
B. Une premire livraison du fournisseur A a donn 12 % de rebuts sur
120 produits alors que le fournisseur B a livr 6 % de rebuts sur
25 produits. La statistique infrentielle nous permettra de pouvoir affirmer au risque statistique prs la relation qui existe entre le fournisseur et le pourcentage de rebuts.
Les X sont des variables indpendantes. On les nomme parfois des facteurs. Y est une variable dpendante (elle dpend de la configuration
des X). On la nomme parfois rponse.
La statistique infrentielle est un lment trs important du vaste
domaine des statistiques. Nous nous limiterons aux tests les plus simples et les plus couramment pratiqus :
les tests de comparaison ;
les corrlations.
Il sagit de trouver les quelques X qui ont la plus forte influence sur Y.
En effet, laction sur la variabilit de Y sera principalement dpendante
des relations les plus fortes.
Supposons que Y = X1 + X2,
ladditivit des variances donne V(Y) = V(X1) + V(X2)
ditions dOrganisation
185
Six Sigma
2 + 2 .
X1
X2
Y =
5 2 + 1 2 = 5,099
Y =
5 2 + 1 2 = 5,099
Y =
4 2 + 1 2 = 4,123
Y =
5 2 + 0 2 = 5,000
Y = 0,976
Y = 0,099
186
ditions dOrganisation
tape 3 Analyser
ditions dOrganisation
187
Six Sigma
Les tableaux suivants (figure 5.22 et figure 5.23) rcapitulent les diffrents tests que nous dcrirons dans ce chapitre.
Figure 5.22 Les diffrents tests
Comparaison
par rapport une
valeur thorique
Comparaison
Comparaison entre
entre deux valeurs plusieurs valeurs
Test zthorique
Test z
Test t
B to C
ANAVAR
Comparaison
de variances
Test 2
Test F
Hartley
Comparaison
de frquences
1P
2P
Tableau
dindpendance
Comparaison
de moyennes
Figure 5.23
Tableau rcapitulatif des diffrents tests de comparaison
Test
Application
Test 2
Test F
188
ditions dOrganisation
tape 3 Analyser
Test z
Test t
B to C
ANAVAR
Hartley
Test hypergomtrique
(2P)
ditions dOrganisation
189
Six Sigma
Situation relle
Conclusion du test
Hypothse H0 vrai
Hypothse H1 vrai
Hypothse H0 vrai ;
il ny a pas dcart entre
les situations
Conclusion juste
Conclusion fausse
Risque
Hypothse H1 vrai ;
il y a un cart entre les
situations
Conclusion fausse
Risque
Conclusion juste
ditions dOrganisation
tape 3 Analyser
X =
/
n
Population totale
Risque /2
z0
n
ditions dOrganisation
191
Six Sigma
Vraie moyenne
Risque
X = /
n
Population totale
Risque /2
z0
n
192
ditions dOrganisation
tape 3 Analyser
X =
/
n
Population totale
Risque /2
X =
/
n
Population totale
ditions dOrganisation
193
Six Sigma
Risque
Risque
Dcalage
Taille n
Constant
Constant
Constant
Constant
Constant
Constant
Constant
Constant
Constant
Constant
Constant
Constant
Taille
60
23
19
14
13
11
10
Dcentrage
Taille
2
7
45
35
28
17
Ex
Exemple dutilisation de la table
On veut dtecter une amlioration provoquant un dcalage de
0,9 partir dun premier chantillon de taille n. On estime que
lcart type sera de lordre de grandeur de 0,6. On veut donc
dtecter un cart de = 0,9/0,6 = 1,5.
Il faut donc raliser deux chantillons de 11 produits pour mettre
en vidence un tel cart.
194
ditions dOrganisation
tape 3 Analyser
Taille
58
21
17
12
11
Dcentrage
Taille
2
5
43
33
26
15
Ex
Exemple dutilisation de la table
On veut dtecter une amlioration provoquant un dcalage de
0,9 partir dun premier chantillon de taille n. On estime que
lcart type sera de lordre de grandeur de 0,6. On veut donc
dtecter un cart de = 0,9/0,6 = 1,5.
Il faut donc raliser deux chantillons de 9 produits pour mettre
en vidence un tel cart.
Le tableau T7 dans le chapitre 10 de notre ouvrage donne les tailles
dchantillons ncessaires pour le test z, et ce pour diffrents niveaux
de risque.
ditions dOrganisation
195
Six Sigma
Exemple ct suprieur
Soit 5 valeurs
5%
0,941
0,765
0,642
0,560
0,507
0,468
0,437
0,412
35 29
D n = ------------------ = 0,6
35 25
n = 5 c = 0,642
Conclusion
Dn < c, la valeur 35 ne peut pas tre
considre comme aberrante
196
ditions dOrganisation
tape 3 Analyser
Exemple ct infrieur
Soit 7 valeurs
100, 125, 127, 127, 128, 130, 130
125 100
D n = ------------------------ = 0,83
130 100
X( 2 ) X( 1 )
D n = -------------------------X( n ) X( 1 )
n = 7 c = 0,507
Conclusion
Dn > c, la valeur 100 est considre
comme aberrante
Exemple
Soit 5 valeurs 25, 26, 26, 29, 35
X = 28,2
S = 4,087
2. Calculer la statistique.
Max( X i X )
G = --------------------------------S
3. Calculer GLimite pour un risque
=0,05
t ( N,N2 )
(N 1)
G Limite = ------------------ -----------------------------------------N 2 + t (2 N,N2 )
N
4. Comparer G GLimite
Si G > GLimite le point est aberrant, on le retire de l'chantillon et
on recommence la procdure
35 28,2
G = ----------------------- = 1,66
4,087
t(0,05/5,3) = 5,84
34,12
(4)
G Limite = ------- -------------------------------- = 1,715
5 5 2 + 34,12
Conclusion
1.66 < 1.715, la valeur 35 ne peut pas
tre considre comme aberrante
ditions dOrganisation
197
Six Sigma
Fiche Test 2
Comparaison dune variance une valeur thorique
Ce que fait le test
tant donn un chantillon de taille n, dont les valeurs observes ont pour
variance S2. Peut-il tre considr comme reprsentatif de la population totale
de variance 2 ?
Comment faire le test ?
Exemple
Le ressort que je produis a une force
moyenne = 1,2 N et un cart type
= 0,1 N. Ces valeurs ont t calcules sur 150 donnes, on suppose
donc et connus. On conoit un
nouveau ressort afin de diminuer la
dispersion sur la force.
Les 8 prototypes du nouveau ressort
donnent :
1,32 1,22 1,18 1,29 1,21 1,23 1,25 1,20
X = 1,23
S = 0,047
1,69
16
0,1 ----------- < S < 0,1 -----7
7
soit 0,049 < S < 0,15
198
ditions dOrganisation
tape 3 Analyser
Fiche Test F
Comparaison de deux variances
Ce que fait le test
Permet de comparer deux carts types (ou deux variances) afin de conclure sil
y a un cart significatif entre les deux.
Comment faire le test ?
Exemple
On conoit un nouveau ressort afin de
diminuer la dispersion sur la force. On
hsite entre deux matriaux. Pour
valider, on fait deux chantillons avec
ces deux matriaux.
Le premier matriau donne :
1,32 1,22 1,18 1,29 1,21 1,23 1,25 1,20
Le second matriau donne :
1,25 1,23 1,26 1,18 1,22 1,21
S1 = 0,047 ; S2 = 0,029
0,047 2
F = ----------------2 = 2,67
0,029
Colonne 7 ligne 5
Flimite = 4,88
ditions dOrganisation
199
Six Sigma
Test F
F-Test
Matriau 1
Test Statistic
P-Value
Matriau 2
Test Statistic
P-Value
2,68
0,296
Levene's Test
0,02
0,04
0,06
0,08
0,10
0,88
0,367
0,12
Matriau 1
Matriau 2
1,20
1,23
1,26
1,29
1,32
Data
Interprtation
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H0. Il ny a pas dcart significatif.
200
ditions dOrganisation
tape 3 Analyser
Exemple
X = 1,31
S = 0,111
0,216
9,35
----------0,1 ------------3 < S < 0,1 3
soit 0,027 < S < 0,18
S tant dans lintervalle, on accepte
lhypothse connu.
ditions dOrganisation
1,31 1,2
z 0 = ---------------------------- = 2,2
0,1 4
zlim = 1,96
201
Six Sigma
5. Conclure.
Boxplot of proto
(with H0 and 95 % z-confidence interval for mean, and StDev = 0,1)
H0
1,20
1,25
1,30
1,35
1,40
1,45
proto
N
4
Mean
1,31
StDev
0,111
SE Mean 95% CI
0,05
(1,212; 1,408)
Z
2,20
P
0,028
Interprtation
La valeur p-value (risque alpha) tant infrieure 5 % on refuse lhypothse H0. Il y a un cart significatif. Graphiquement, lhypothse H0 est
en dehors de lintervalle de confiance sur la moyenne, lcart est donc
significatif.
202
ditions dOrganisation
tape 3 Analyser
Exemple
X = 1,31
S = 0,111
1,31 1,2
t 0 = ---------------------------- = 1,98
0,111 4
tlim = 3,182
4. Conclure.
1,98 tant infrieur 3,182, on conclut que le nouveau ressort nest pas
significativement suprieur 1,2 N.
ditions dOrganisation
203
Six Sigma
Boxplot of proto
(with H0 and 95 % t-confidence interval for the mean)
H0
1,1
1,2
1,3
1,4
1,5
proto
T
1,98
P
0,142
Interprtation
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H0. Il ny a pas dcart significatif. Graphiquement, lhypothse H0 est dans lintervalle de confiance sur la moyenne, lcart nest
donc pas significatif.
204
ditions dOrganisation
tape 3 Analyser
Fiche Test z
Comparaison de deux moyennes ( connu)
Ce que fait le test
tant donn deux chantillons de taille n1 et n2, dont les valeurs observes ont
pour moyenne X 1 et X 2 On considre connus les carts types 1 et 2. Peut-on
conclure que la diffrence entre X 1 et X 2 est significative ?
Domaine dapplication
Exemple
Les 5 ressorts
donnent :
actuels
en
test
X 1 = 1,18 ; X 2 = 1,31
S1 = 0,054 ; S2 = 0,111
ditions dOrganisation
205
Six Sigma
d =
d =
0,1 2 + 0,1 2
-------
------- = 0,07
4
5
5. Calculer la variable z0
0,13
z 0 = ----------- = 1,88
0,07
d
z 0 = ---- d6. Chercher dans la table de Gauss la
valeur zlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de
chaque ct).
zlim = 1,96
7. Conclure.
Si z0 > zlim, on conclut que lcart
est significatif.
Si z0 zlim, on conclut que lcart
nest pas significatif.
8. En cas de doute sur le rsultat (risque ), augmenter la taille de
lchantillon et recommencer la
procdure.
Data
1,35
1,30
1,25
1,20
1,15
1,10
actuel
206
proto
ditions dOrganisation
tape 3 Analyser
Fiche Test t
Comparaison de deux moyennes ( inconnu)
Ce que fait le test
tant donn deux chantillons de taille n1 et n2, dont les valeurs observes ont
pour moyenne X 1 et X 2 et pour carts types S1 et S2. Peut-on conclure que la
diffrence entre X 1 et X 2 est significative ?
Attention : si les deux chantillons peuvent tre appairs, cest--dire que chaque valeur dun chantillon peut tre mise en regard dune valeur dun second
chantillon par un caractre commun, il faut utiliser le test t appair.
Domaine dapplication
Exemple
La colle 1 a donn :
3,1 ; 5,2 ; 3,8 ; 6,3 ; 4,5
La colle 2 a donn :
4,7 ; 8,2 ; 5,6 ; 6,3 ; 7,5 ; 6,5
X 1 = 4,58 ; X 2 = 6,47
S1 = 1,24 ; S2 = 1,26
1,26 2
F = ------------2- = 1,04 ; Fthr = 6,26
1,24
F < Fthor,
on accepte
variances.
lhomognit
des
( 4 1,24 2 ) + ( 5 1,26 2 )
S 2 = -------------------------------------------------------------- = 1,57
4+5
S =
1,57 = 1,25
ditions dOrganisation
207
Six Sigma
n1 + n2
S 2 + S 2
----------
---------- = S ----------------n1 n2
n2
n1
5+6
d = 1,25 ------------ = 0,76
30
6. Calculer la variable t0
d
t 0 = ---- d7. Chercher dans la table de Student la
valeur tlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de chaque ct) et le nombre de ddl
(n1 + n2 2).
8. Conclure.
Si t0 > tlim, on conclut que lcart
est significatif.
Si t0 tlim, on conclut que lcart
nest pas significatif.
1,89
t 0 = ----------- = 2,49
0,76
tlim = 2,26
208
ditions dOrganisation
tape 3 Analyser
Data
3
Colle 1
Colle 2
Mean
StDev
SE Mean
Colle 1
4,58
1,24
0,55
Colle 2
6,47
1,26
0,52
-1,88667
(-3,60250; -0,17083)
P-Value =
Interprtation
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypothse H0. Il y a un cart significatif.
ditions dOrganisation
209
Six Sigma
Exemple
Une machine de production (presse
injecter) possde six empreintes dans
le moule. Pour comparer leffet de la
pression dinjection, on ralise un premier cycle avec 250 bars.
E1
E2
E3
E4
E5
E6
1,02 1,05 1,03 1,07 1,08 1,01
et un second cycle avec 280 bars
E1
E2
E3
E4
E5
E6
1,03 1,07 1,05 1,09 1,09 1,03
Peut-on conclure une influence
significative de la pression ?
Les deux chantillons sont coupls
par le numro de lempreinte.
X d = 0,0167
Sd = 0,00516
210
0,0167
t 0 = ------------------------------- = 7,91
0,00516 6
ditions dOrganisation
tape 3 Analyser
tlimite = 2,57
5. Conclure.
Boxplot of Differences
(with H0 and 95 % t-confidence interval for the mean)
H0
0,025
0,020
0,015
0,010
0,005
0,000
Differences
StDev
0,02805
0,02757
0,005164
SE Mean
0,01145
0,01125
0,002108
ditions dOrganisation
211
Six Sigma
Interprtation
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypothse H0. Il y a un cart significatif.
Fiche Test B to C
Comparaison de deux moyennes
Ce que fait le test
Il permet de comparer la moyenne de deux chantillons mme lorsque la distribution ne suit pas une loi connue (loi normale, par exemple). Il peut tre utilis
pour faire une comparaison sur des critres daspect (figure 5. 37).
Comment faire le test ?
Exemple
On veut rgler une tension lectrique sur
un produit. Deux rglages sont possibles
et on les effectue sur deux lots de produits. Peut-on conclure un cart
significatif ?
Rglage1 125,6 123,5 128,2 125,0 127,9 126,5
Rglage2 128,1 126,7 130,4 128,6 127,6 134,4
Risque
0,1
0,05
0,01
0,001
212
produits en fin
6
7
10
17
ditions dOrganisation
tape 3 Analyser
11
16
12
17
13
18
14
19
10
15
20
3B
5C
ditions dOrganisation
213
Six Sigma
Exemple
On trouve
2
2
1. Identifier S max
et S min
qui sont
respectivement la plus forte et la
plus faible des estimations des k
variances.
2,5
S2
3,2
1,9
2,8
2,5
1,7
2
2
S max
= 10,24 ; S min
= 2,89
2
S Max
r = ----------2
S Min
rlimite =62
S =
1 S 12 + 2 S 22 + + k S k2
---------------------------------------------------------- + ++
1
Comme 1 = 2 = k on peut
simplifier lexpression prcdente qui devient :
S =
214
S 12 + S 22 + + S k2
-----------------------------------------k
On peut calculer
S =
ditions dOrganisation
tape 3 Analyser
Exemple
n1 = 25 ; x1 = 1
1
3
f 1 = ------ = 0,04 ; f 2 = ------ = 0,1
30
25
n2 = 30 x2 = 3
N = 55 ; X = 4
P(0)=0,08
P(1)=0,30
P = P(0) + P(1) = 0,38
( n1 k )
CX C( N X )
P = -----------------------n1
CN
k=0
5. Conclure.
ditions dOrganisation
215
Six Sigma
Exemple
X1
X2
total
Y1
f11
f21
p1
F1
Y2
f12
f22
fi1
fi2
fi3
fij
p2
F2
p3
F3
Total
Y3
Total
%
f13
f23
f1j
f2j
p4
p5
total
16
269
28,71
150
158
16,86
458
52
510
5,44
861
76
937
100
91.89
8,11
100
253
avec p 1 = ( f i1 ) ( f ij )
Y1
Y2
Y3
Tot.
%
216
X1
X2
Tot.
Accep Refus
total
p 1 f 1j
p 1 f 2j
fi1
p1
F1
247,18 21,82
269
28,71
p2
F2
145,18 12,82
158
16,86
p3
F3
468,64 41,36
510
5,44
100
p 2 f 1j
p 3 f 1j
f1j
p4
p 2 f 2j
p 3 f 2j
f2j
p5
fi2
fi3
fij
Total
%
861
76
937
91,89
8,11
100
ditions dOrganisation
tape 3 Analyser
3. On forme le
pour chacune
tableau avec :
( N i N pi ) 2
2 = --------------------------N pi
des
cases
du
Ni : Frquence observe
Npi : Frquence thorique
Tableau du 2
Accep
Refus
Total
F1
0,14
1,55
1,69
F2
0,16
1,81
1,97
X1
X2
Y1
2
11
2
21
F3
0,24
2,74
2,97
Y2
2
12
2
22
tot.
0,54
6,1
6,63
Y3
2
13
2
23
( 253 247,18 ) 2
avec 0,14 = ---------------------------------------247,18
avec
2
11
( f 11 p 1 f 1j ) 2
= -------------------------------------p 1 f 1j
2
Le Total
est gal la somme des 2
de chacune des cases que lon com2
pare avec Maximum
admissible pour
un nombre de degrs de libert gal
(Nb de ligne 1) (Nb de colonne 1).
pour (2 1) (3 1) =2 ddl
4. Conclusion
2
2
Si Total
> Maximum
on refuse
lhypothse H0. Il y a un cart significatif.
On refuse lhypothse H0 ; le fournisseur a bien une influence sur le nombre de dfauts constats.
2
Total
= 6,63
2
= 5,89
Maximum
Refus
All
F1
253
247,2
16
21,8
269
269,0
F2
150
145,2
8
12,8
158
158,0
F3
458
468,6
52
41,4
510
510,0
All
861
861,0
76
76,0
937
937,0
ditions dOrganisation
217
Six Sigma
5. Lanalyse de la variance
5.1 Introduction
Lanalyse de la variance est particulirement importante. Elle permet
de comparer la position de deux (ou plus) populations rparties selon
deux (ou plus) critres.
Par exemple, on veut vrifier linfluence de la position dune pice et
dun type doutil sur une caractristique Y. On a ralis deux relevs
pour chaque combinaison position/outil. Les donnes disponibles sont
prsentes dans le tableau suivant (figure 5.39). Peut-on conclure
linfluence de la position et de loutil ? Linteraction position*outil estelle significative ?
Les tests simples de comparaison de moyennes ne peuvent pas rpondre cette question, et ce pour deux raisons :
Il y a plus de deux modalits par facteur (il y a 3 positions).
Plusieurs facteurs ont vari simultanment dans lexprience (la
position et loutil).
Lanalyse de la variance (ANAVAR) permet de raliser ce type de test.
Ce type danalyse sera trs utile galement pour conclure sur les rsultats dun plan dexpriences comme nous le verrons au chapitre 6.
Figure 5.39 Exemple de donnes pour lanalyse de la variance
218
Position
Outil
Y1
Y2
P1
O1
120,8
120,0
P1
O2
119,2
119,8
P2
O1
121,2
121,7
P2
O2
122,8
121,3
P3
O1
125,8
125,2
P3
O2
122,9
122,0
ditions dOrganisation
tape 3 Analyser
Joint 1
11
8,8
Joint 2
10
8,4
Joint 3
13
11
10
10,4
ditions dOrganisation
219
Six Sigma
Facteur modalit 1
Y
Y1
Facteur modalit 2
Y
Y2
Cas o le facteur est significatif (H0 fausse)
Facteur modalit 1
Y
Y1
Facteur modalit 2
Y
Y2
220
ditions dOrganisation
tape 3 Analyser
( Yij Y )
i = 1j = 1
V T = ------------------------------------------ = 36,4
nm 1
Cette variance a deux origines.
La variance rsiduelle que lon peut observer lorsque le facteur
reste sur la mme modalit (le mme joint) Variance intrachantillon.
m
( Yij Yi ) 2
i = 1j = 1
V R = -------------------------------------------m(n 1)
La variance due aux variations de modalits du facteur (variation
sur Y en changeant de joint) Variance inter-chantillon.
m
( Yi Y )
i = 1j = 1
n ( Yi Y )
i=1
- = ----------------------------------V A = ---------------------------------------m1
m1
ditions dOrganisation
221
Six Sigma
Variance
rsiduelle
n rptitions
(Yij - Y )2
VT = i=1 j=1
nm - 1
Variance totale
Y1
Y
m modalits
n (Y i - Y )2
VA =
i=1
m-1
Y2
Variance rsiduelle
(YYij - Y i )2
VR =
i=1 j=1
m (n - 1 )
SS T =
( Y ij Y ) =
i = 1j = 1
m
SS T =
( Yij + Yi Yi Y )
i = 1j = 1
( Yij Yi ) 2 + ( Yi Y )
2 ( Y ij Y i ) ( Y i Y )
i = 1j = 1
m
SS T =
( Y ij Y i ) 2 +
i = 1j = 1
i = 1j = 1
( Yi Y ) 2
( Yij Yi ) ( Yi Y )
i = 1j = 1
=0
de mme,
T = nm 1 = nm m + m 1 = m(n 1) + m 1 = R + A
222
ditions dOrganisation
tape 3 Analyser
f
Y1
VR
VA
5%
VR
VA/VR
Y2
1
Zone non significatif
Flimite
Le facteur sera significatif si la valeur F est suprieure la limite maximale admissible en fonction du risque alpha choisi dans la table de
Snedecor pour A et R degrs de liberts.
ditions dOrganisation
223
Six Sigma
SS A = n
( Yi Y )
ddl
SS R =
( Y ij Y i )
i = 1j = 1
Total
SS T =
( Y ij Y )
i = 1j = 1
Flimite p Contrib.
A =
Table
SS A
V
m1 V A = --------- F = ------AA
VR
i=1
Rsidus
SS A
--------- %
SS T
R =
SS R
m(n1) V R = --------R
SS R
--------- %
SS T
T =
SS
nm-1 V T = --------TT
ddl
R=12
Flimite
Contrib.
11,2
5,6 =2
0,11 R2
V A = ----------- F = -------- 1
2,1 2=12
2
30,8 %
F=3,88
= 5,6
= 2,67
25,2
V R = ----------12
69,2 %
= 2,1
Total
SST = 36,4
T=14
36,4
V T = ----------14
= 2,6
224
ditions dOrganisation
tape 3 Analyser
Interprtation
Le ratio F calcul 2,67 tant plus petit que le ratio limite trouv dans la
table de Snedecor, 3,88, on peut accepter lhypothse H0 et conclure que
le facteur nest pas significatif. De mme, lorsquun logiciel calcule la
probabilit p (ici, 0,11), lorsque cette probabilit est suprieure 0,05, on
accepte lhypothse H0. La part de la variance rsiduelle est de 69,2 %.
La part du facteur est de 30,8 %. Nous reviendrons sur ce coefficient
appel R2, quand nous tudierons les corrlations en section 6.
Pour complter linterprtation, il est utile dafficher la bote moustache
telle que nous lavons dfinie au paragraphe 2.1.
Figure 5.46 Bote moustache du problme de fuite
Fuite
11
10
9
8
7
Joint 1
Joint 2
Joint 3
Joint
ditions dOrganisation
225
Six Sigma
SS
ddl
Facteur
A
SSA
Facteur
B
Interaction
AB
Flim
Contrib.
A = a1
SS A
V A = --------A
VA
F = ------VR
SS A
--------- %
SS T
SSB
B = b1
SS B
V B = --------B
VB
F = -----VR
SS B
--------- %
SS T
SSAB
AB =
(a1)(b1)
SS AB
V A = ----------- AB
V AB
F = --------VR
SS AB
----------- %
SS T
Rsidus
SSR
R = m(n1)
SS R
V R = --------R
Total
SST
T =nm1
SS T
V T = --------T
SS R
--------- %
SS T
1 Y ijk
Y = moyenne gnrale = ------abr i = 1 j = 1 k = 1
r
1 y ijk
Yj reprsente la notation abrge de ---ar i = 1 k = 1
226
ditions dOrganisation
tape 3 Analyser
SS A = br ( Y i.. Y ... ) 2
i=1
b
SS B = ar ( Y .j. Y ... ) 2
j=1
a
SS AB = r
i = 1j = 1
SS R =
( Yijk Yij. ) 2
i = 1j = 1k = 1
ddl
32 522
16,26
Outil
3 741
Interaction
6 732
Erreur
Total
Origine
Position
Flim.
Contrib.
41,78
5,14
0,000
71,7 %
3,74
9,61
5,99
0,021
8,3 %
3,37
8,65
5,14
0,017
14,9 %
2 335
0,3892
45 329
11
5,2 %
ditions dOrganisation
227
Six Sigma
Interprtation
Les facteurs et linteraction reprsentent 94,8 % de la variance constate.
La probabilit p tant infrieure 0,05 pour chaque coefficient, on peut
refuser lhypothse H0 et conclure que chaque lment a un effet significatif.
Linterprtation doit se terminer par lexamen de trois graphiques : la bote
moustache (figure 5.49), le graphe des effets (figure 5.50) et le graphe
des interactions (figure 5.51). Linteraction significative se note par un
cart important entre les effets des positions selon loutil considr.
Figure 5.49 Bote moustache
123
122
121
120
119
Outil
Position
228
O1
O2
P1
O1
O2
P2
O1
O2
P3
ditions dOrganisation
tape 3 Analyser
Outil
Moyenne de Y
124
123
122
121
120
P1
P2
P3
O1
O2
Outil
O1
O2
125
124
123
122
121
120
119
P1
P2
P3
Position
ditions dOrganisation
229
Six Sigma
1,30
1,25
1,20
Couple
Pre 1,75
Enfant 1,17
Taille 1,15
de l'enfant
1,10
1,05
1,00
1,5
1,6
1,7
1,8
1,9
Taille du pre
Dans cet exemple (figure 5.52), une corrlation apparat entre la taille
du pre et celle de lenfant, car le nuage de points est orient. Cette
corrlation est positive, les deux variables voluent dans le mme sens.
230
ditions dOrganisation
tape 3 Analyser
Absence
de corrlation
Corrlation
positive
Corrlation
positive
forte
Corrlation
ngative
forte
Corrlation
ngative
ditions dOrganisation
231
Six Sigma
10
6
Volume moyen
en ordures
mnagres
6
4
2
0
0
300
600
900
1 200
232
ditions dOrganisation
tape 3 Analyser
10
10
12
11
10
13
13
11
10
14
14
13
11
15
14
13
12
16
15
14
13
18
17
15
14
20
18
17
15
26
26
22
20
19
30
28
25
23
21
40
35
32
29
27
50
42
38
35
32
60
49
44
41
38
80
62
56
53
49
100
74
68
64
60
Corrlation
Excellent
risque < 1 %
Trs bonne
risque < 5 %
Bonne
risque < 10 %
Moyenne
risque < 20 %
ditions dOrganisation
233
Six Sigma
108
102
112
118
118
119
100
108
117
174
173
185
197
191
197
174
188
204
Y = 1,3947X + 31,719
R 2 = 0,7789
Corrlation Y/X
210
205
200
195
190
185
180
ei
Yi 175
170
165
95
100
105
Xi
110
115
120
Y1
1 X1
0
soit e = Y Xa
ei = Yi 1 Xi
1
en
Yn
1 Xn
234
ditions dOrganisation
tape 3 Analyser
Solution
La somme des carts ei2 scrit e.te avec te matrice transpose de e.
Minimiser e.te consiste trouver les valeurs de 0 et 1 qui
anulent la drive de e.te par rapport a
e.te = [Y Xa]t[Y Xa] = YtY 2atXtY + atXtXa
e t e = 2XtY + 2XtXa
-------------a
Pour annuler cette drive, on a alors : = (XtX)-1.XtY
Application
Tous les logiciels statistiques calculent facilement les coefficients 0 et
1 ; il est possible galement dutiliser un tableur pour retrouver ces
valeurs. Appliquons la relation = (XtX)-1.XtY sur les donnes de
lexemple partir dun tableur Excel.
1 108
Matrices X = et
1 117
XtX =
Y =
174
204
9
1002 ; (XtX)-1 = 29,76 0,266
1002 111974
0,266 0,0024
ditions dOrganisation
235
Six Sigma
Non significatif
Significatif
Coefficient
0
236
ditions dOrganisation
tape 3 Analyser
Dmonstration
= (XtX)-1.XtY donc V() = V[(XtX)-1.XtY]
X est la matrice des essais, cest une constante on peut donc
crire :
V() = (XtX)-1.Xt.V(Y).X(XtX)-1
Dans lhypothse nulle, V(Y) = V(ei) est la variance des rsultats
des essais, que lon suppose homogne dans tout le domaine
dtude.
On peut crire V(Y) = r2I
(I matrice identit et r2 Variance rsiduelle)
V() = r2(XtX)-1XtIX(XtX)-1 = r2(XtX)-1
108
102
112
118
118
119
100
108
117
174
173
185
197
191
197
174
188
204
0 + 1X
ei = Y (0 + 1X)
8,4
1,0
2,9
On calcule V(ei) =
r2
e i2
------------
= 32,98
ddl
0,7
5,3
0,7
2,8
5,6
9,1
ditions dOrganisation
237
Six Sigma
Coef.
sigma
Const 0
31,719
981,66 = 31,33
31,72/31,33 = 1,01
0,345
Pente 1
1,3947
0,079 = 0,28
1,39/0,28 = 4,97
0,002
ditions dOrganisation
tape 3 Analyser
Y = 1,3947X + 31,719
R 2 = 0,7789
Corrlation Y/X
210
205
200
V(Y) r2
195
V(Y)
190
185
r2
180
175
170
165
95
100
105
110
115
120
ditions dOrganisation
239
Six Sigma
X1
X2
X3
X4
Y
Systme
240
ditions dOrganisation
tape 3 Analyser
A
Y
On voit la corrlation
entre A et Y
A
Surface de rponse :
un effet de A sur Y
pas d'effet de B sur Y
ditions dOrganisation
241
Six Sigma
Y
Y
A
On voit la corrlation
entre A et Y
B
On ne voit pas
la corrlation
entre B et Y
Surface :
effet fort de A
effet faible de B
242
ditions dOrganisation
tape 3 Analyser
%C
%MN
%SI
%P
%NI
%CR
Y=%
Soufflure
H064
3,35
0,72
2,44
0,04
0,16
1,04
15,08
H096
3,43
0,74
2,39
0,04
0,17
1,03
14,8
H120
3,46
0,75
2,35
0,05
0,16
1,04
11,9
H131
3,44
0,68
2,41
0,06
0,12
1,02
14,21
H135
3,44
0,64
2,36
0,07
0,12
1,04
17,87
H160
3,44
0,71
2,37
0,06
0,1
1,05
10,75
H166
3,51
0,73
2,4
0,06
0,13
1,04
11,48
H201
3,44
0,75
2,32
0,04
0,1
1,04
7,02
H203
3,44
0,69
2,35
0,04
0,17
1,02
18,12
H225
3,52
0,65
2,42
0,05
0,15
1,04
18,52
H236
3,61
0,7
2,43
0,06
0,11
1,05
10,6
H245
3,41
0,62
2,32
0,07
0,14
1,05
19,2
H256
3,46
0,63
2,35
0,06
0,16
1,04
22,3
H259
3,5
0,75
2,36
0,06
0,12
1,04
9,46
ditions dOrganisation
243
Six Sigma
On va chercher expliquer Y (pourcentage de soufflures) par les variations des X (composition de la matire) sous la forme :
Y = 0 + 1 C + 2 MN + 3 SI + 4 P + 5 NI + 6 CR
La rgression multiple a pour objet de trouver ces coefficients , de
savoir sils sont significatifs et de connatre le pourcentage de la
variance de Y que lon a expliqu avec cette relation (coefficient R2).
e1
Y1
1 C 1 NI 1 CR 1 0
ei
Yi
1 C i NI i CR i j soit e = Y Xa
en
Yn
1 C n NI n CR n 6
ditions dOrganisation
tape 3 Analyser
avec V() = r2
58,2
1 700,1
207,2
1 152,1
%C
%MN
%SI
%P
%NI
%CR
ei
H064
3,35
0,72
2,44
0,04
0,16
1,04
15,08
15,1
0,06
H096
3,43
0,74
2,39
0,04
0,17
1,03
14,8
14,4
0,36
H120
3,46
0,75
2,35
0,05
0,16
1,04
11,9
12,6
0,69
H131
3,44
0,68
2,41
0,06
0,12
1,02
14,21
14,8
0,62
H135
3,44
0,64
2,36
0,07
0,12
1,04
17,87
17,3
0,59
H160
3,44
0,71
2,37
0,06
0,1
1,05
10,75
10,1
0,61
H166
3,51
0,73
2,4
0,06
0,13
1,04
11,48
11,3
0,14
H201
3,44
0,75
2,32
0,04
0,1
1,04
7,02
7,2
0,15
H203
3,44
0,69
2,35
0,04
0,17
1,02
18,12
18,1
0,03
ditions dOrganisation
245
Six Sigma
H225
3,52
0,65
2,42
0,05
0,15
1,04
18,52
18,6
0,07
H236
3,61
0,7
2,43
0,06
0,11
1,05
10,6
11,0
0,42
H245
3,41
0,62
2,32
0,07
0,14
1,05
19,2
20,3
1,12
H256
3,46
0,63
2,35
0,06
0,16
1,04
22,3
21,3
1,04
H259
3,5
0,75
2,36
0,06
0,12
1,04
9,46
9,0
0,42
ei2 4,33
On peut ainsi calculer r2 = ------------ = --------------- = 0,632 et V(Y) = 19,26
14 7
ddl
V(Y) 2
19,26 0,632
2
Soit R Ajust
= ------------------------r- = ---------------------------------- = 0,967
V(Y)
19,26
Autrement dit, 96,7 % de la variance des Y est explique par les variations des X, cest une excellente corrlation. Pour savoir si ces coefficients sont significatifs, il faut faire le test de Student :
Figure 5.67 Test de Student
Prdicteur
Coef.
sigma
Const 0
89,94
0,63*1625,7
89,9/32,06 = 2,81
0,026
%C 1
4,56
4,197
4,56/4,197 = 1,09
0,313
%MN 2
70,92
6,561
10,81
0,000
%SI 3
1,004
6,066
0,17
0,869
%P 4
16,58
32,79
0,51
0,629
%NI 5
88,51
11,45
7,73
0,000
%CR 6
24,82
22,99
0,92
0,388
ditions dOrganisation
tape 3 Analyser
Coef.
sigma
Const.
52,3
3,372
15,51
0,000
%MN
72,494
4,377
16,56
0,000
%NI
92,456
8,069
11,46
0,000
2
R Ajust
= 0,972
Interprtation
Dsormais, tous les coefficients sont significatifs, le pourcentage de manganse a un coefficient ngatif ; donc, plus il y a de manganse, moins il
y a de soufflures, et en revanche plus il y a de nickel, plus il y a de soufflures.
MN
MN2
NI
NI2
MN*NI
Y = % Soufflure
H064
0,72
0,5184
0,16
0,0256
0,1152
15,08
H096
0,74
0,5476
0,17
0,0289
0,1258
14,8
H256
0,63
0,3969
0,16
0,0256
0,1008
22,3
H259
0,75
0,5625
0,12
0,0144
0,09
9,46
ditions dOrganisation
247
Six Sigma
Coef.
sigma
Const.
44,83
81,42
0,55
0,597
MN
34,7
215,7
0,16
0,876
MN2
25,9
151,6
0,17
0,868
NI
2,9
160,1
0,02
0,986
NI2
476,7
791,4
0,60
0,564
MN*NI
177,3
992,7
0,18
0,863
2
R Ajust
= 0,964
Interprtation
Plus aucun coefficient nest significatif, il sagit donc dune mauvaise ide
de rajouter les termes de second ordre. On revient au modle ne comportant que MN et NI.
248
ditions dOrganisation
tape 3 Analyser
Les logiciels disposent tous dune procdure mixte permettant dajouter ou denlever les variables du modle en fonction des rsultats du
test de Student. Nous ne pouvons que recommander cette procdure,
surtout lorsque lon dbute dans lutilisation de la rgression multiple.
titre dexemple, cette procdure a donn sur notre exemple :
Figure 5.71 Procdure pas pas
Alpha pour entrer = 0,15
Pas
Const.
69,12
52,30
MN
78,5
72,5
5,25
16,56
p value
0,000
0,000
NI
92,5
11,46
p value
0,000
2,52
0,731
R2
69,65
97,65
2
R Ajust
67,12
97,23
ditions dOrganisation
249
Six Sigma
N
AD
PValue
95
14
0,4061
0,304
90
Pour cent
80
70
60
50
40
30
20
10
5
1
2
-1
Rsidus
Dans cet exemple, la valeur p est suprieure 5 %, on peut donc retenir lhypothse dune rpartition alatoire des rsidus.
250
ditions dOrganisation
tape 3 Analyser
Ex
Exemple
Une entreprise a un problme de bruit dans les moteurs qu'elle
produit. Un moteur est constitu de cinq sous-ensembles que
l'on notera I, J, K, L, M.
Sur deux jours de production, on a isol deux moteurs B et M.
Le moteur B est mesur 35 dB, le moteur M est mesur 47 dB.
Il est particulirement bruyant.
ditions dOrganisation
251
Six Sigma
R1
50
45
D > 1,25 R
40
R2
35
30
25
Initial
252
Premier
Fin du
deass/as processus
ditions dOrganisation
tape 3 Analyser
Ex
Exemple
Moteur B
Moteur M
Premier montage
35
47
Second montage
31
49
Troisime montage
34
50
Etendue
Moyenne
33,33
d2 = 1,806
48,67
ditions dOrganisation
253
Six Sigma
S'il y a un change partiel entre le composant M et B, le composant chang n'est pas le seul responsable du dfaut, il y a interaction avec un autre composant, ou un cumul de deux effets il
faut continuer l'change.
chaque dmontage remontage, on remet les pices pralablement changes dans leurs produits originaux pour s'assurer que
les conditions initiales restent les mmes.
Ex
Exemple
On a invers le composant I, il ne s'est rien pass, il n'est
donc pas coupable.
On a invers le composant J, cela a dgrad le produit bon
mais sans amliorer le produit mauvais. Le composant J
participe donc au dfaut mais n'est pas le seul responsable.
On a invers le composant K, il ne s'est rien pass, il n'est
donc pas coupable.
On a invers le composant L, cela a dgrad le produit bon
mais sans amliorer le produit mauvais. Le composant J
participe donc au dfaut mais n'est pas le seul responsable.
Tous les composants ont t inverss.
Figure 5.74 - Inversion des composant I L
54,1
50
45
43,3
40
Fin du processus
dchange
38,7
35
30
27,9
Initial
Premier
deass/as
second
deass/as
Ech
de I
Ech
de J
Cause
importante
254
Ech
de K
Ech
de L
Cause
importante
Test
Ech
Chapeau
de J et L
Possibilit
dinteraction
ditions dOrganisation
tape 3 Analyser
Ex
Exemple
Les deux composants suspects sont les composants J et L.
L'essai chapeau consiste inverser simultanment ces deux
composants.
L'inversion de ces deux composants cr l'inversion, le produit B
passe dans la zone M, et le produit M passe dans la zone B. Nous
avons donc bien pig les deux coupables.
Ex
Exemple
Les facteurs J et L ont t dclars importants, on fait un plan
complet deux facteurs deux niveaux :
N
Rponse
35
40
41
48
ditions dOrganisation
255
Six Sigma
C1
J
C2
M
C3
J/M
3,50
3,00
0,50
44,50
Moy Y
41,00
37,50
50
J=M
40
J=B
30
L=B
L=M
256
ditions dOrganisation
tape 3 Analyser
Ex
Exemple
Dans l'exemple ci-dessous, dans la premire paire on note un
nombre important de diffrences. Sur l'ensemble des 4 paires,
seul l'encoche sur le bord des ellipses est prsente sur les 4 M et
absente sur les 4 B.
Un test hypergomtrique avec n1 = 4 x1 =0 n2 = 4 x2 = 4
donne un cart significatif avec un risque alpha de 1,42 %
ditions dOrganisation
257
Six Sigma
Paire 2
Paire 3
Paire 4
Mauvais
Bon
258
ditions dOrganisation
Chapitre 6
tape 4 Innover/amliorer
1. Introduction
Les trois premires tapes de lapplication de la mthodologie Six
Sigma nous ont permis de connatre les facteurs X responsables de la
variabilit de Y. Durant ces trois premires tapes, on na pas modifi
le processus en profondeur. Les modifications introduites nont port
pour linstant que sur la rduction de la variabilit en figeant tous les
facteurs qui pouvaient ltre (voir tape Mesurer ).
Le temps est venu dapporter des modifications en profondeur au processus afin datteindre lobjectif fix au dbut du projet. Cette tape
peut se scinder en trois phases :
une phase de gnration des solutions ;
une phase dexprimentation ;
une phase danalyse de risques.
Nous prsentons dans ce chapitre les principaux outils permettant de
traiter cette tape, et notamment les plans dexpriences.
259
Six Sigma
Dfinir un objectif
Le dballage dides doit toujours commencer par une formulation
claire et crite de lobjectif de ltude, ce dernier devant tre accept de
faon consensuelle.
Dballage
Pendant le dballage dides, chaque membre du groupe voque tous
les lments concernant le sujet qui lui passent par la tte. La critique
des ides est interdite pendant le dballage, elle viendra en son temps.
Pour tre efficace, un animateur doit inscrire sur des bouts de papier
les lments au fur et mesure quils sortent et les afficher sur un mur
laide dun adhsif repositionnable. Il est trs important dviter les
tableaux en papier, qui ne permettent pas de structurer efficacement le
travail aprs le dballage. Dans un premier temps, les papiers sont colls en dsordre sur le mur et noncs clairement afin de donner des
ides aux autres membres du groupe.
260
ditions dOrganisation
tape 4 Innover/amliorer
En gnral, il nest pas trs utile de poursuivre trs longtemps le dballage. Souvent une demi-heure une heure bien conduite suffit largement.
Classification
Le dballage nest en effet quune premire tape. Il convient ensuite
de classer les donnes crites en vrac au tableau. Pour cela, on utilise
des outils tels que le diagramme dIshikawa autour des cinq M ou un
diagramme des affinits qui consiste regrouper toutes les ides par
proximit (par affinit). Cest au cours de ce classement que lutilisation dadhsifs repositionnables est apprcie. On limine les redondances, parfois on dmultiplie une ide qui est comprise diffremment
par deux personnes et, enfin, on regroupe sous la forme de macroides les lments les plus proches.
ditions dOrganisation
261
Six Sigma
Celles qui obtiennent des avis partags. Elles sont en gnral peu
nombreuses et font lobjet de discussions au sein du groupe afin
de savoir sil faut les retenir ou non.
Dans sa forme la plus simple telle que nous venons de lexposer, le
vote ne prend que quelques minutes. Il permet en revanche de gagner
parfois quelques heures de discussions ! On peut cependant avoir
recours un vote plus sophistiqu en incluant plusieurs critres. La
figure 6.1 montre le rsultat dun vote dans lequel on a demand
chaque membre de noter les ides de 1 5 selon trois critres : lefficacit, le cot et le dlai de ralisation. Chaque critre nayant pas la
mme importance, on affecte dun poids diffrent lefficacit (9), le
cot (3) et le dlai de ralisation (1). Les notes, qui apparaissent dans
le tableau, sont les moyennes des notes donnes par chaque individu.
La note globale est obtenue en additionnant chaque note pondre
selon le poids du critre correspondant.
Figure 6.1 Rsultat dun vote pondr
Efficacit
(poids 5)
Cot
(poids 3)
Dlai
(poids 1)
Note
globale
4,2
1,2
2,5
27,1
Diminuer la rugosit
2,1
1,7
3,6
19,2
1,3
1,3
1,2
11,6
3,5
2,5
2,1
27,1
2,8
4,6
4,6
32,4
Solutions
262
ditions dOrganisation
tape 4 Innover/amliorer
ditions dOrganisation
263
Six Sigma
Pourtant, depuis bien des dcennies dj, les tudes portant sur loptimisation des dmarches exprimentales ont donn lieu des mthodes
structures : les plans dexpriences. Relativement simples mettre en
uvre, ces dmarches sont extrmement efficaces pour amliorer la
pertinence des essais raliss en les limitant le plus possible.
La science des plans dexpriences, appele parfois exprimentique ,
est aujourdhui trs complte. Elle propose des solutions varies
adaptes tous les problmes rencontrs dans le monde industriel. Il
nest pas de notre intention de couvrir lensemble des solutions proposes et nous dcrirons dans ce chapitre les trois principaux types de
plans dexpriences (figure 6.2).
Figure 6.2 Les grands types de plan dexpriences
Criblage
Caractrisation
Modlisation
Temps
264
ditions dOrganisation
tape 4 Innover/amliorer
Les plans de modlisation : la modlisation devient ncessaire lorsque lon veut connatre la relation exacte entre deux ou trois facteurs X
et Y. On cherche alors des relations complexes qui incluent interactions
et effets quadratiques. On utilise des plans de rsolution V, des plans
complets, ou des plans en surface de rponse. Les facteurs sont tudis
sur plus de deux niveaux.
ditions dOrganisation
265
Six Sigma
Mini
Maxi
Pression
300
500
Temprature
40
60
Stratgie traditionnelle
Pression
Temprature
Pression
Temprature
400
40
300
40
400
60
300
60
300
50
500
40
500
50
500
60
266
ditions dOrganisation
tape 4 Innover/amliorer
Situation traditionnelle
V(ER) = V(Y2 Y1) = V(Y2) + V(Y1) = 2V(Y)
ditions dOrganisation
267
Six Sigma
ET = V 1
--- [ ( Y 6 Y 5 ) + ( Y 8 Y 7 ) ]
2
=1
--- [ V ( Y 6 ) + V ( Y 5 ) + V ( Y 8 ) + V ( Y 7 ) ] = V ( Y )
4
On le constate, la variance sur leffet (et donc la prcision de la modlisation) sera deux fois plus faible dans la situation plans dexpriences que dans la situation traditionnelle.
Ces deux avantages en matire dtude des interactions et de prcision
des rsultats font quon privilgie toujours la dmarche plans dexpriences par rapport la dmarche un facteur la fois lorsquune
exprimentation concerne plusieurs facteurs.
268
ditions dOrganisation
tape 4 Innover/amliorer
Avance
Niveau 1
120
0,010
Niveau 2
200
0,015
Avance
Nud
0,015
Maillage
0,010
120
Vitesse
200
Avance
Rugosit
Essai 1
120
0,010
10
Essai 2
120
0,015
16
Essai 3
200
0,010
Essai 4
200
0,015
Avance
Niveau 1
(10 + 16)/2 = 13
(10 + 4)/2 = 7
Niveau 2
11
ditions dOrganisation
269
Six Sigma
Pour les deux facteurs, on peut calculer leffet sur la rponse lorsquon
passe le facteur du niveau 1 au niveau 2.
Lorsque la vitesse est au niveau 1, la pression est une fois 1 et une
fois 2. De mme, lorsque la vitesse est au niveau 2, la pression est
une fois 1 et une fois 2. On peut donc comparer la moyenne des
deux essais raliss avec la vitesse 1 et la moyenne des deux essais
raliss avec la vitesse 2. Le tableau des moyennes peut se prsenter
graphiquement sous la forme du graphe des effets (figure 6.8). Le troisime graphe donne limportance de linteraction, nous y reviendrons.
C1
Vit
C2
Av
C3
Vit/Av
4,00
2,00
1,00
13,00
Moy Y
9,00
5,00
Vitesse = 200
Avance = 10
10
Avance = 15
16
Pour visualiser les interactions, il faut considrer les quatre combinaisons de configuration des facteurs. Dans ce cas simple, il sagit des
quatre essais raliss. Dans des cas plus complexes, il faudra faire la
moyenne de tous les essais raliss dans la configuration considre.
Ce tableau des interactions se reprsente ainsi graphiquement
(figure 6.10) :
270
ditions dOrganisation
tape 4 Innover/amliorer
16
12
Av = 15
8
Av = 10
10
16
Vitesse
0
120
200
16
4
Vit = 120
12
6
8
Vit = 200
4
Avance
0
0,010
0,015
Pour visualiser linteraction entre les deux variables X, il faut un graphe en trois dimensions pour reprsenter les deux X et la variable Y.
Les logiciels de plans dexpriences permettent en gnral dobtenir
cette reprsentation en 3D (figure 6.10) ainsi quune projection suivant
un des axes X. Il y a interaction lorsque les deux segments de droites
sur la projection ne sont pas parallles, ce qui est le cas dans la
figure 6.10.
271
Six Sigma
Xa = Y ou encore
1
1
1
1
120
120
200
200
0,010
0,015
0,010
0,015
120 0,010
120 0,015
200 0,010
200 0,015
0
1
2
3
10
= 16
4
6
272
ditions dOrganisation
tape 4 Innover/amliorer
Units codes
Niveau bas
Niveau haut
Niveau bas
Niveau haut
Vitesse
(1) 120
(2) 200
Avance
(1) 0,010
(2) 0,015
(1)
(2)
Interaction
1
La matrice X devient alors 1
1
1
1
1
1
1
1
1
1
1
1
1 et le vecteur =
1
1
9
4
2
1
Interprtation
Interprtation des coefficients
Dans cette nouvelle unit standard, les coefficients sont beaucoup plus
facilement interprtables. Ils sont comparables entre eux et correspondent
aux pentes du graphe des effets et de la reprsentation en surface de
rponse (figure 6.13).
Linteraction apparat comme tant lcart entre le plan moyen et la surface de rponse relle.
ditions dOrganisation
273
Six Sigma
Niveau 1
1
Codage
Niveau 2
1
EVit2 = 5 9 = 4
EAv2 = 11 9 = 2
Interaction lorsque A = i et B = j
Linteraction est dfinie comme tant lcart entre le plan moyen et la
surface de rponse (figure 6.13). On peut donc calculer :
IAiBj = (Moyenne des essais lorsque A = i) EAi EBj Y
avec Y la moyenne gnrale de tous les essais.
Exemple : IVit2Av2 =6 (4) (2) 9 = 1
Ce qui permet de trouver lquation : Y = 9 4Vit + 2Av Vit AV
274
ditions dOrganisation
tape 4 Innover/amliorer
C1
Vit
C2
Av
C3
Vit/Av
13,00
Moy Y
9,00
5,00
4
4,00
1
2,00
1
1,00
1
+2 (effet de Av)
4 (effet de Vit)
1 (interaction)
ditions dOrganisation
275
Six Sigma
3
Facteur
Interaction
AB
(1)(1) 1
(1)(2) 2
(2)(1) 2
(2)(2) 1
276
ditions dOrganisation
tape 4 Innover/amliorer
Pour retrouver la colonne dinteraction avec les notations 1/1 on utilise la rgle mnmonique suivante :
(1)(1) 1
AB
(1)(1)
(1)(1)
(1)(1)
Niveau 2
Niveau 1
Niveau 1
Niveau 2
C
Niveau 1
Niveau 2
ditions dOrganisation
277
Six Sigma
Nom court
Niveau 1
Niveau 2
Pression
350
600
Temprature
40
60
Lubrifiant
Avec
Sans
P*T
P*L
T*L
P*T*L
Y1
(1) 350
(1) 40
(1) Avec
0,4
(1) 350
(1) 40
(2) Sans
(1) 350
(2) 60
(1) Avec
(1) 350
(2) 60
(2) Sans
(2) 600
(1) 40
(1) Avec
(2) 600
(1) 40
(2) Sans
(2) 600
(2) 60
(1) Avec
(2) 600
(2) 60
(2) Sans
Y2
Y3
0,71 0,46
P*T
P*L
T*L
P*T*L
Niveau 1
1,0860
0,6958
0,7650
0,5950
0,7908
0,8392
0,8367
Niveau 2
0,6092
0,9992
0,9300
1,1000
0,9042
0,8558
0,8583
278
ditions dOrganisation
tape 4 Innover/amliorer
1,100
C1
P
C2
T
C3
P/T
C4
L
C5
P/L
C6
T/L
C7
0,2383
0,1517
0,0825
0,2525
0,0567
0,0083
0,0100
Moy Y
0,85
0,595
ditions dOrganisation
279
Six Sigma
Source
S2
ddl
Var
Flim
Contrib. Conclusion
1,363 1
Significatif
0,552 1
Significatif
P*T
0,163 1
0,163 5,29
Significatif
1,530 1
Significatif
P*L
0,077 1
0,077 2,49
Non signif.
T*L
0,001 1
0,001 0,05
Non signif.
P*T*L
0,002 1
0,002 0,09
Non signif.
Rsidus
0,494 16
0,494
Total
4,185 23
11,8 %
Vitesse = 60
Pression = 350
0,852
1,320
Pression = 600
0,540
1,100
40
60
350
600
280
ditions dOrganisation
tape 4 Innover/amliorer
Modlisation polynomiale
En ne conservant que les facteurs significatifs, on calcule facilement un
modle polynomial du comportement du processus dans les units
standardises ( 1/1) :
Y = 0,8475 0,2383P + 0,1517T + 0,2525L 0,0825P*T
On procde au calcul des effets de P avec la mthode matricielle ou
avec la mthode du calcul des effets. Par exemple :
EP2 = 0,6092 0,8475 = 0,2383
Optimisation
Lobjectif du plan dexpriences est de minimiser la rponse. La meilleure configuration consiste :
augmenter la pression (P = 600) ;
diminuer la temprature (T = 40) ;
utiliser le lubrifiant (L = Avec Niveau 1 ; figure 6.18).
ditions dOrganisation
281
Six Sigma
C
Y6
Y4
Y7
Y1
Y3
Y5
Y8
Y2
Un facteur la fois
282
ditions dOrganisation
tape 4 Innover/amliorer
P*T
P*L
T*L
P*T*L
Y1
(1) 350
(1) 40
(1) Avec
0,4
(1) 350
(2) 60
(2) Sans
(2) 600
(1) 40
(2) Sans
(2) 600
(2) 60
(1) Avec
Y2
Y3
0,71 0,46
Niveau 1
1,067
0,628
0,502
Niveau 2
0,607
1,045
1,172
C1
P
C2
T
C3
L
1,17
Moy Y
0,84
0,50
0,23
ditions dOrganisation
0,21
0,34
283
Six Sigma
Analyse de la variance
Figure 6.24 ANAVAR
Col.
S2
Source
ddl
Var
Flim
Contrib. Conclusion
0,63
0,63
17,3
5,32
0,52
0,52
14,19 5,32
1,35
1,35
36,69 5,32
Rsidus
0,294 8
Total
2,80
0,037
10,5 %
11
Modlisation
On trouve comme quation de la surface de rponse :
Y = 0,837 0,23P+0,208T=0,335T
On retrouve facilement ces coefficients par la formule
EAi = (Moyenne des essais lorsque A = i) Y
EP2 = 0,607 0,837 = 0,230
ET2 = 1,045 0,837 = 0,208
EL2 = 1,172 0,837 =0,335
Notion dalias
Lorsquon regarde le plan fractionnaire quatre essais (figure 6.22), on
constate que la colonne dinteraction P*T est identique la colonne L.
De mme, P*L est confondu T et T*L est confondu P. Lorsque deux
actions sont confondues, on dit que ce sont des alias. En fait, lorsquon
calcule leffet de L, on calcule leffet cumul de L et P*T. On le constate
dans leffet : 0,335 = 0,2525+0,0825
Cest la mme chose avec T et P*L , L et P*T, mais comme ces deux
interactions ne sont pas significatives, lerreur est beaucoup plus faible, et ninflue pas sur le rsultat de la table L4.
On peut donc tablir le tableau des alias :
284
ditions dOrganisation
tape 4 Innover/amliorer
Alias
Signification
Constante
P*T*L
T*L
P*L
P*T
ditions dOrganisation
285
Six Sigma
286
ditions dOrganisation
tape 4 Innover/amliorer
Rsolution
Qualit
III
Criblage
IV
Caractrisation
Modlisation
ditions dOrganisation
287
Six Sigma
288
ditions dOrganisation
tape 4 Innover/amliorer
Table L4
Table L8
Table L16
Table L12
****
2 Plan complet
Aucun risque
***
****
Fractionnaire,
Plan complet
rsolution III
Utiliser les
3
Facile dsaliasser
colonnes 1, 2, 4
en passant au plan Aucun risque
complet L8
Nombre de facteurs
***
****
Fractionnaire,
Plan complet
rsolution IV
Utiliser les
Utiliser les
colonnes 1, 2, 4, 8
colonnes 1, 3, 5, 7 Aucun risque
Facile dsaliasser
en passant au plan
complet L16
6
7
8
9
11
11
15
ditions dOrganisation
**
****
Fractionnaire
Fractionnaire,
rsolution III
rsolution V
Pas de colonne
Utiliser les
privilgier
colonnes
Facile dsaliasser
1, 2, 4, 8, 15
en continuant les
***
colonnes impaires
Fractionnaire,
de la table L16
rsolution IV
Utiliser les
colonnes impaires
*
Fractionnaire,
rsolution III
Pas de colonne
privilgier
***
Plan fractionnaire
Ne permet pas
dtudier des
interactions
Choix des colonnes en fonction
de la difficult
des modifications
des facteurs
Idal pour
dbroussailler
Les interactions
sont dilues
289
Six Sigma
a
b
a
c
b
c
a
b
c
Groupe
290
ditions dOrganisation
tape 4 Innover/amliorer
Premier graphe
Deuxime graphe
1
2
6
3
Groupe
Difficile
Assez difficile
Assez facile
Facile
291
Six Sigma
Le facteur A plac en colonne 1 ne change de niveau quune fois pendant les essais ; en revanche, le facteur C plac en colonne 5 change
presque chaque essai.
Cette table est associe au triangle des interactions (figure 6.31).
Figure 6.31 Triangle des interactions de la table L16
(1)
(2)
(3)
(4)
(5)
(6)
Cette table donne les colonnes dinteractions entre toutes les colonnes
de la table L8. Ainsi linteraction entre la colonne 3 et la colonne 5 se
trouve-t-elle en colonne 6.
On pourrait retrouver ce rsultat en appliquant les rgles de construction des colonnes dinteractions que nous avons vues au paragraphe
4.1.
On remarque quen plaant les facteurs dans des colonnes impaires,
les interactions sont dans des colonnes paires. Il ny a pas de mlange
entre les facteurs et les interactions, le plan est donc de rsolution IV.
292
ditions dOrganisation
tape 4 Innover/amliorer
Action du modle
AB
AC
BC
Alias
CD
BD
AD
ditions dOrganisation
293
Six Sigma
4
1
D
3
A
7
6
2
B
5
294
ditions dOrganisation
tape 4 Innover/amliorer
Plan dexpriences
No
Facteur
Action du modle
Alias
AE + BC
AD
DE
CD
BD
AC
BE
AB
CE
Le tableau des alias (figure 6.34) montre bien quon est en rsolution
III. Il y a au moins une confusion entre un facteur et une interaction de
second ordre.
Il faut donc veiller ne pas se tromper sur les interactions actives.
Pour savoir si le modle trouv convient, il faut ncessairement faire
des essais de confirmation. En cas de doute sur les interactions, nous
verrons ci-aprs comment dsaliasser ce plan en rajoutant 8 essais
complmentaires pour passer une table L16 en rsolution IV.
ditions dOrganisation
295
Six Sigma
C
E
La table L8 ne permet pas dtudier des interactions disjointes, cest-dire ne comportant pas de facteurs en commun comme AB et CD pour
des proprits dorthogonalit. Le graphe (figure 6.35) a un modle
polynomial de la forme :
Y = 0+1A+2B+3C+4D+5E+6AB+7CD
Comme il a 8 coefficients, ce plan demande donc au moins 8 essais.
Pourtant, il nexiste pas de solution pour ce plan en huit essais ; il faut
passer un plan en 16 essais.
ditions dOrganisation
tape 4 Innover/amliorer
L8
L16
1
1
2
3
ditions dOrganisation
3
5
4
7
5
9
10
6
11
12
7
13
14
15
297
Six Sigma
Il est donc facile de dsaliasser une table L8 en passant une table L16
et dune table L16 une table L32. Ainsi, si dans un plan de 8 essais, un
facteur se trouve dans la colonne mre 3, pour dsaliasser le plan, il
suffira de placer ce facteur dans la colonne fille 7 de la table L 16. Les
huit premires lignes de la colonne 7 de la L16 sont identiques aux
lignes de la colonne 3 de la L8. Le principe est bien sr le mme pour
passer de la table L16 la table L32, et plus gnralement de la table 2n
la table 2n+1.
On note videmment quaprs avoir ralis le second demi-plan, on se
retrouve systmatiquement dans une colonne impaire ; le plan est
donc de rsolution IV.
Application
Supposons que dans le cas du plan de la figure 6.33 qui est en rsolution III, on ait des doutes sur les interactions retenues ; on peut alors
passer un plan en rsolution IV en ajoutant 8 essais.
Facteur
11
298
ditions dOrganisation
tape 4 Innover/amliorer
Bloc
10
11
12
13
14
15
16
Colonnes L16
11
Colonnes L8
Premier plan
Complment raliser
On note que les 8 premiers essais de la table L16 (figure 6.37) sont dj
raliss (figure 6.33). lissue des 16 essais, on peut tablir le nouveau tableau des alias (figure 6.38).
ditions dOrganisation
299
Six Sigma
Actions
Alias
Colonne L16
AE + BC
AD
DE
CD
BD
AB
BE
AC
CE
Actions
AE + BC
D
AD
DE
8
9
Alias
CD
B
10
BD
11
12
AC
BE
AB
CE
13
14
15
On note que dans la table L16 il ny a plus dambigut sur les facteurs.
Il reste cependant une confusion dactions possible entre quelques
interactions. Dans le cas dun plan 5 facteurs, en faisant directement
une table L16 avec les colonnes 1, 2, 4, 8, 15, on obtiendrait un plan de
rsolution V.
300
ditions dOrganisation
tape 4 Innover/amliorer
dnoncer que plus les facteurs qui composent une interaction sont
actifs, plus linteraction a des chances dtre elle-mme active. On
notera cependant que ce principe na quune valeur gnrale et quil y
a parfois des exceptions.
Actions
2
3
AB+CD+EF
B
4
5
AC+BD
C
6
7
AD+BC
D
8
9
AE+BF
E
10
11
12
Alias
AF+BE
F
CE+DF
13
14
CF+DE
15
Le graphe des effets (figure 6.40) montre que la colonne 2 qui contient
des interactions est active. Cependant, dans cette colonne, il y a 3 interactions (AB, CD, EF). Laquelle des 3 retenir ?
ditions dOrganisation
301
Six Sigma
C1
A
C2
C3
B
6,44
3,69
2,31
C4
C5
C
C6
C7
D
0,19
0,06
1,31
C8
C9
E
C10
C11
F
0,06
0,06
0,19
0,94
C12
C13
C14
0,56
0,31
C15
19,75
Moy Y
13,31
6,88
0,31
0,19
0,69
Ex
Exemple dapplication
Figure 6.41 Processus de gravage
Mtallisation
302
Nettoyage
Prparation
Gravage
ditions dOrganisation
tape 4 Innover/amliorer
Une entreprise qui fait de la gravure chimique observe de grandes variations dans les temps de gravure. Elle veut isoler parmi
11 facteurs pris sur lensemble du processus de gravage ceux qui
sont actifs. Dans ce cas, on ne cherche pas modliser le comportement de la gravure, mais faire sortir le loup du bois . Il
nest donc pas utile dutiliser une table de rsolution IV ou suprieure, mais il convient plutt de privilgier le nombre de facteurs tester. Cest prcisment ce que font les plans de criblage.
Figure 6.42 Utilisation dune table L12
Sup pr1 tel1 net tdu cgr te2 asp cst te3 pul Rp 1 Rp 2
1
39
42
49
50
15
16
11
12
35
40
13
15
10
27
31
11
12
10
On affecte les colonnes en fonction de la difficult de modification des facteurs. Du plan rsulte le graphe des effets
(figure 6.43).
ditions dOrganisation
303
Six Sigma
C1
Sup
C2
pr1
C3
te1
C4
net
3,88
1,88
C5
tdu
C6
cgr
C7
te2
10,29
5,46
C8
asp
C9
cst
C10
te3
C11
pul
0,38
0,88
0,04
30,25
Moy Y
19,96
9,67
2,13
6,63
1,79
0,54
304
ditions dOrganisation
tape 4 Innover/amliorer
ditions dOrganisation
305
Six Sigma
Domaine dtude
Figure 6.45 Domaine dtude
Facteurs
Vitesse
Puissance
Mini du domaine
Maxi du domaine
30 mm/mn
60 mm/mn
200 W
600 W
Plan dexpriences
En plaant 4 niveaux par facteur, on ralise un maillage de 16 nuds
(42) ce qui donne le plan suivant :
Figure 6.46 Plan complet 2 facteurs 4 niveaux
306
No
Vitesse
Puissance
P1
P2
30
200
23
26
30
350
57
68
30
500
73
76
30
650
61
60
40
200
29
36
40
350
63
65
40
500
78
80
ditions dOrganisation
tape 4 Innover/amliorer
40
650
59
60
50
200
37
39
10
50
350
61
68
11
50
500
77
79
12
50
650
56
53
13
60
200
42
40
14
60
350
64
61
15
60
500
72
69
16
60
650
48
44
Vitesse
Puissance
Niveau 1
55,50
34,00
Niveau 2
58,75
63,38
Niveau 3
58,75
75,50
Niveau 4
55,00
55,13
80
Puissance
80
Vitesse
30
40
50
60
70
70
69
Prof
Prof
69
50
50
40
40
30
20
30
200
30
40
50
ditions dOrganisation
60
200
350
500
650
350
500
650
Puissance
307
Six Sigma
S2
Ddl
Var.
Contrib.
Signif.?
Vit.
99,00
33,00
3,50
0,040
1,2 %
Oui
Puis.
7323,25
2441,08
258,66
0,000
89,9 %
Oui
V*P
574,75
63,86
6,77
0,001
7,1 %
Oui
Rsidus
151,00
16
9,44
total
8148,00
31
En lissant les points obtenus par le plan complet, il est possible dobtenir une image en 3D de la surface de rponse (figure 6.49). Loptimum
de profondeur ( maximiser) se situe pour une puissance de 508 et une
vitesse de 43.
308
ditions dOrganisation
tape 4 Innover/amliorer
B
1,414
1
1
1,414
A
-1,414 1
1,414
1
2
1
1
1
1
3
4
1
1
1
1
5
6
7
1,414
1,414
0
0
1,414
8
9
10
0
0
0
1,414
0
0
11
12
13
0
0
0
0
0
0
ditions dOrganisation
309
Six Sigma
Application
Pour illustrer les plans composites centrs, nous avons repris le plan
dexpriences sur la profondeur de soudure (figure 6.45) en utilisant
un plan composite centr pour le mme domaine dtude.
Figure 6.50 Plan composite 2 facteurs
No
Vit.
Puis.
P1
P2
34,39
265,88
41
46
34,39
584,12
74
73
55,61
265,88
53
43
55,61
584,12
65
62
30
425
75
78
60
425
70
67
45
200
31
42
45
650
58
57
45
425
71
72
10
45
425
70
78
11
45
425
71
63
12
45
425
74
82
13
45
425
79
74
Modle polynomial
Le modle recherch est :
Y = 0+1V+2P+3VP+4V2+5P2
310
ditions dOrganisation
tape 4 Innover/amliorer
1
1
0
0
1
1
0
0
1
1
0
0
1
1
0
0
1
1
0
0
2
3
4
5
e1
43,5
e2
73,5
= +
78
e 12
76,5
e 13
soit
3
4
5
73,4
2,10
= 9,40
3,63
1,11
13,86
Coefficients
Sigma
Statistique t
Probabilit
Constante
73,40
1,575
46,60
0,0000
2,10
1,245
1,69
0,1070
9,40
1,245
7,55
0,0000
VP
3,63
1,761
2,06
0,0528
V2
1,11
1,336
0,83
0,4175
P2
13,86
1,336
10,38
0,0000
ditions dOrganisation
311
Six Sigma
ditions dOrganisation
tape 4 Innover/amliorer
8
9 10
B
Plan complet 23
11 12
13 14
Alpha = 1,682
n = 6
15
20
L4
(complet)
L8
(complet)
L16
(complet)
L16
(resV)
L32
(complet)
Valeur de alpha ( 4 N b )
1,414
1,682
2,378
Points au centre
10
Nb dessais
13
20
31
32
52
ditions dOrganisation
313
Six Sigma
Remarque
Le choix de alpha donne la proprit disovariance par rotation.
Le choix du nombre dessais au centre donne la proprit de
variance uniforme dans le domaine dtude.
Il est possible de crer dautres plans composites centrs en privilgiant plutt la presque orthogonalit. Dans ce cas, le coefficient alpha
dpend du nombre de points au centre (figure 6.55). On calcule alors
le coefficient alpha au moyen de la relation :
=
Nb ( N Nb ) 2
---------------------------------------4
L4
L8
L16
(complet) (complet) (complet)
L16
(resV)
L32
(complet)
N0 = 1
1,215
1,414
1,547
1,596
N0 = 2
1,078
1,287
1,483
1,607
1,662
N0 = 3
1,147
1,353
1,547
1,664
1,841
N0 = 4
1,210
1,414
1,607
1,719
1,896
314
ditions dOrganisation
tape 4 Innover/amliorer
1
2
3
1
1
1
1
1
1
0
0
0
4
5
6
1
1
1
1
0
0
0
1
1
7
8
1
1
0
0
1
1
9
10
11
0
0
0
1
1
1
1
1
1
12
13
14
0
0
0
1
0
0
1
0
0
15
14
58
9 12
13 15
ditions dOrganisation
315
Six Sigma
14
58
9 12
13 16
17 20
21 24
25 27
316
ditions dOrganisation
tape 4 Innover/amliorer
14
58
9 12
13 16
17 20
21 24
25 28
39 32
33 36
37 40
41 46
ditions dOrganisation
317
Six Sigma
Mode de dfaillance
Dans lAMDEC, on parle de mode de dfaillance . Il sagit de la
manire dont un systme peut tre conduit mal fonctionner. Pour
illustrer cette notion, prenons lexemple dune brosse dents
(figure 6.60).
318
ditions dOrganisation
tape 4 Innover/amliorer
La dtection :
ce que j'ai fait comme dmarche de validation
ou
ce que j'ai prvu de faire comme contrle
pour que la dfaillance n'atteigne pas le client
L'effet :
ce que ressent le (les) client(s)
On considre le client aval
et
le client final
Dtection
Procdure
de rception matire
Libell :
Rupture
du manche
Cause 2
Effet
Le client se blesse
La cause :
L'origine de la dfaillance qui reste
dans mon domaine de comptence
ditions dOrganisation
319
Six Sigma
Ex
Casse du manche/Matire non conforme/Erreur du fabricant
F= 3 / G = 9 / D = 9 ; NPR = 3 9 2 = 243
Le NPR tant suprieur 100, une action corrective est juge
ncessaire.
Figure 6.61 Calcul du NPR
Frquence
Gravit
Dtection
Cotation
F Frquence
G Gravit
D Dtection
13
100 % ou presque
46
possible
Mcontentement
Non optimal
79
Souvent
Trs mcontent
Panne critique
Inexistante,
incertaine
10
Toujours
320
ditions dOrganisation
tape 4 Innover/amliorer
OP
Produit
Processus
Dfaut
Effet
potentiel dfaut
Cause
dfaut
ditions dOrganisation
Prvu/existant
plan de
surveillance
Nant
Note
Actions
Responsable Dlai
D F G NPR
9 3 9 243 M. Aubel
Rsultat
Mesures
Note
D F G NPR
S47 cration
3 3 9 27
procdure
magasin
321
Chapitre 7
tape 5 Contrler
1. Introduction
Lensemble des tapes Dfinir , Mesurer , Analyser , Innover/
amliorer a permis de fournir une solution afin damliorer le z du
processus. Cette cinquime tape a pour objectif de se donner les
moyens de mettre sous contrle le processus afin de sassurer de la stabilit de la solution trouve.
Le point essentiel dans cette tape est la mise sous contrle du procd. Pour cela, il faut :
valider les spcifications ;
formaliser les modes opratoires ;
surveiller que le processus ne drive pas en appliquant les
mthodes de la matrise statistique des processus.
323
Six Sigma
324
ditions dOrganisation
tape 5 Contrler
Caractristique rsiduelle
4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3
3,2
22
22,5
23
23,5
24
24,5
25
25,5
26
26,5
27
27,5
28
Caractristique lmentaire
La variable Y a pour cible 3,8 et pour tolrance 0,3. Comment dterminer les tolrances sur la variable X compte tenu de la relation qui
existe entre ces deux variables ?
Premire tape : tracer la droite de rgression (voir chapitre 5, Analyser).
Deuxime tape : dterminer la cible sur X
En partant de la cible vise sur Y et en la projetant sur la droite
de rgression, on dtermine aisment la cible sur X. Dans
lexemple, on trouve comme cible 25,3 (figure 7.2).
Troisime tape : dterminer les tolrances sur X
1. On trace les tolrances sur la variable rsultante.
2. On trace lenveloppe de la corrlation, parallle la droite de
rgression.
ditions dOrganisation
325
Six Sigma
4,2
4,1
Droite de rgression
4,0
3,9
3,8
Enveloppe
3,7
3,6
3,5
3,4
3,3
3,2
22
22,5
23
23,5
24
24,5
25
25,5
26
26,5
27
27,5
28
4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3
3,2
22
326
22,5
23
23,5
24
24,5
25
25,5
26
26,5
27
27,5
28
ditions dOrganisation
tape 5 Contrler
0,74
0,07834584
Coef.
cart type
Probabilit
0,15
0,000440
341,8
2 E-84
Dtermination de la cible
On en dduit la relation pour tablir la cible : Ycible = 0,15 Xcible
Soit : Xcible = Ycible/0,15 = 3,8/0,15 = 25,33
0,17 = 0,41
327
Six Sigma
55
50
Bruit
45
40
35
30
0
0,05
0,1
0,15
0,2
Concentricit
328
ditions dOrganisation
tape 5 Contrler
Mthode graphique
Figure 7.5 Dtermination graphique des tolrances
55
50
45
40
35
30
0
0,05
0,1
0,15
0,2
Graphiquement, on constate aisment quune concentricit leve correspond toujours un bruit lev. partir du graphique prcdent
(figure 7.5), on dtermine la limite suprieure sur la concentricit
0,08.
Mthode statistique
Pour savoir si la relation entre le bruit et la concentricit est significative, on ralise un test de Student.
Voici lquation de rgression : Bruitmoyen = 33,96 + 93,8 Conc
Coef.
cart type
Constante
33,96
0,836
40,599
8,06E-39
Conc.
93,80
9,923
9,4525
1,54E-12
S = 2,96
R2 = 65 % R2 (ajus) = 64,3 %
ditions dOrganisation
329
Six Sigma
Ex
Exemple
On recherche sur un produit la relation entre lamplitude dun
mouvement et plusieurs variables initiales : Diamtre (D), Force
dun ressort (F), Rugosit (R), Concentricit (C), Jeu (J).
On applique la mme mthode que prcdemment : on mesure
pralablement les candidats, puis le rsultat sur les produits
assembls.
330
ditions dOrganisation
tape 5 Contrler
Amp
2,999
1,76
0,68
1,08
0,04
19,95
3,002
1,83
2,96
0,26
0,04
18,04
3,001
1,83
1,66
1,81
0,02
18,87
3,001
1,81
3,07
1,3
0,04
17,75
3,001
1,84
0,78
0,52
0,03
19,83
3,003
1,70
1,19
1,18
0,04
19,52
3,002
1,80
1,21
0,28
0,02
19,48
3,001
1,78
0,15
0,1
0,03
20,22
3,001
1,87
0,91
1,12
0,03
19,64
3,003
1,87
1,3
3,22
0,03
19,78
3,000
1,86
1,86
1,04
0,04
19,10
3,004
1,69
1,16
0,18
0,02
19,20
3,000
1,89
1,21
0,65
0,03
19,42
3,000
1,75
0,69
1,33
0,04
20,08
3,002
1,86
0,09
0,97
0,05
20,46
2,998
1,77
1,64
0,13
0,02
18,79
3,003
1,79
2,32
1,05
0,02
18,49
3,004
1,92
2,34
0,19
0,03
18,73
3,004
1,85
2,89
0,73
0,02
18,04
3,004
1,79
2,61
0,89
0,03
18,39
2,997
1,69
6,67
0,2
0,04
15,12
2,997
1,80
0,72
0,21
0,03
19,80
3,001
1,76
2,45
5,17
0,04
18,39
3,002
1,78
2,05
0,03
18,46
2,999
1,83
1,69
3,89
0,02
19,07
3,000
1,78
0,52
0,5
0,03
19,85
3,003
1,66
1,74
0,21
0,02
18,55
3,000
1,79
1,84
0,2
0,02
18,84
3,001
1,85
0,9
0,62
0,01
19,70
2,999
1,88
2,11
0,13
0,04
19,08
ditions dOrganisation
331
Six Sigma
Coef.
Constante
17,4
0,82
21,28
0,000
1,51
0,45
3,36
0,002
0,798
0,02
34,58
0,000
8,71
2,98
2,92
0,007
Rgresseur
S = 0,1508
332
ditions dOrganisation
tape 5 Contrler
Axe de l'application
Performance
Miracle
Axe de la connaissance
Expert
Recette
Industrialisation
Axe de la formalisation
Axe de la connaissance/comptence
Cet axe dcrit les connaissances et la matrise du sujet par les personnes concernes (oprateurs, encadrement mthodes). Cela implique
des niveaux de connaissance pauvres ou trs complets dans le cas
dexperts. Une dfaillance sur cet axe peut se traduire de plusieurs
manires :
Les moyens disposition de loprateur sont satisfaisants, mais
son manque de connaissance ne lui permet pas dy recourir de
faon satisfaisante.
ditions dOrganisation
333
Six Sigma
Axe de la formalisation
Cet axe dcrit le degr de formalisation, de rgles respecter qui existent sur le sujet concern. Cela peut aller de linexistence totale de
rgles formalises jusqu la description trs complte de lensemble
des actions ncessaires pour accomplir la tche sans dfaillance et des
ractions prconises en cas de drive du processus. Les quatre premires tapes de la dmarche Six Sigma nous ont permis de prendre
connaissance de ses rgles mais, ce stade, elles ne sont pas formalises.
Axe de lapplication
Cet axe dcrit le degr de correspondance entre les connaissances
acquises et/ou formalises et la vritable application sur le terrain. Il
ne suffit pas que les connaissances soient dans lentreprise et que celles-ci soient formalises, encore faut-il quelles soient appliques. Cet
axe sera tout particulirement tudi dans la dernire tape de Six
Sigma : Standardiser .
334
ditions dOrganisation
tape 5 Contrler
ditions dOrganisation
335
Six Sigma
La mise en place de procdures gnriques garantissant la conformit de la tche. Par exemple, la couleur rouge est systmatiquement rserve aux produits non conformes.
La rdaction de documents synthtiques tels que les fiches de
poste, les instructions de travail qui permettent de mettre sur
le papier la faon dont on ralise une tche ou dont on ragit
face une situation.
La cration de check-lists qui permettent de garantir quune suite
dactions sera bien ralise. Cest particulirement utile notamment dans les changements de fabrication qui sont trs souvent
des sources de pertes de performances importantes.
La mise en place de feuilles de relevs qui permettent de sassurer de la continuit de la performance du processus.
Le groupe de travail devra raliser ce travail de formalisation pour que
ce qui a t dcid ne soit pas oubli. Il ne sagit en aucun cas de noircir du papier. Ce serait sans intrt ici. Bien du papier peut tre vit
par les procdures gnriques. Donnons un exemple. Une machine
ncessitait une maintenance prventive complexe pour mettre sous
contrle le processus. Certaines oprations taient journalires,
dautres hebdomadaires. Une premire solution a consist dcrire sur
des documents lensemble des points. Il en a rsult un petit document
de plusieurs feuilles malgr le recours intensif aux photos et croquis.
Une seconde solution a consist peindre en jaune tous les points
ncessitant un entretien journalier et en bleu ceux qui requraient un
entretien hebdomadaire. Une simple check-list a alors permis de formaliser ce point. La mthode a t tendue tout le site de production,
allgeant ainsi un trs grand nombre de documents.
Formaliser nest pas synonyme dcriture, mme si un minimum
dcriture est souvent ncessaire. Dans ce cas, on doit avoir le souci de
lefficacit et se poser la question de lutilit du document que lon
rdige. On identifie en gnral trois cas dutilisation des documents de
formalisation dune activit :
lorsquune personne nouvelle doit raliser lactivit ;
lorsquon doit refaire une activit aprs un certain temps et que
lon en a tout oubli ;
336
ditions dOrganisation
tape 5 Contrler
Film de la production de Y
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
1
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
ditions dOrganisation
337
Six Sigma
1er rglage
Causes spciales
3
+3
2e rglage
Causes communes
338
ditions dOrganisation
tape 5 Contrler
No
No
No
0,77
11
1,47
1,36
21
2,29
1,08
31
2,53
0,64
1,13
1,9
12
1,2 2,67
22
1,71
0,58
32
1,72
0,81
1,02
2,15
13
1,38
2,58
23
2,23
0,52
33
1,25
0,47
0,14 1,16
14
1,27
0,11
24
3,15
0,92
34
1,75
2,13
2,27
15
1,61
0,34
25
1,44
1,71
35
2,66
0,34
0,25 2,38
16
0,83
0,78
26
2,08
0,64
36
3,31
0,65
0,99 0,74
17
2,24
1,41
27
1,62
0,46
37
1,85
1,46
0,47
1,46
18
0,74
1,5
28
2,21
0,59
38
2,19
0,34
0,82 1,29
19
0,7
1,44
29
2,78
0,57
39
3,03
0,84
10
0,11
20
1,21
1,91
30
3,17
0,39
40
3,02
0,01
0,93
Dans lexemple de la figure 7.7, on peut faire lhypothse que les variations dune unit lautre sont la manifestation des causes
communes ; la drive que lon constate reprsente une cause spciale.
Pour identifier lcart type des causes communes, nous pouvons utiliser la mthode des tendues glissantes entre 2 valeurs conscutives
que nous avons prsente dans les chapitres prcdents.
R = valeur absolue (Xi Xi 1)
Exemple : R2 = Abs( 1,13 0,77) = 1,9
On calcule la moyenne des tendues et on calcule lcart type par la
relation :
R
1,11
= -------------- = -------------- = 0,98
1,128
1,128
ditions dOrganisation
339
Six Sigma
Il est donc ais de placer les limites des fluctuations naturelles du processus Cible 3, soit 0 3 0,98 = 2,94.
Film de la production de Y
Limite naturelle
Pt hors contrle
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
1
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
340
ditions dOrganisation
tape 5 Contrler
Valeurs individuelles
1 1
UCL = 2,94258
2
X=0
0
2
LCL = 2,94258
4
12
16
20
24
28
32
36
40
tendues glissantes
Observations
4
UCL = 3,61496
3
2
1
MR = 1,10641
LCL = 0
4
12
16
20
24
28
32
36
40
Observations
ditions dOrganisation
341
Six Sigma
A4
2,660
1,772
1,457
1,290
D3
D4
3,267
2,574
2,282
2,114
Les coefficients sont choisis en fonction de la taille retenue du sousgroupe pour calculer ltendue glissante. Dans notre exemple, nous
avons choisi n = 2.
La cible est soit la valeur sur laquelle on veut se centrer dans le cas de
processus rglables, soit la moyenne historique du processus sur
laquelle on souhaite rester centr.
342
ditions dOrganisation
tape 5 Contrler
LSC
LIC
Description
Procd
sous contrle
Les courbes X et R
oscillent de chaque ct de la
moyenne.
2/3 des points
sont dans le tiers
central de la
carte.
Dcision
carte position
Dcision
carte dispersion
Production
Production
Rgler le procd de la
valeur de lcart qui
spare le point de la
valeur cible.
Tendance
suprieure
ou infrieure
7 points conscutifs
sont suprieurs ou
infrieurs la
moyenne.
Rgler le procd
de lcart moyen qui
spare la tendance la
valeur cible.
LSC
LIC
LSC
LIC
ditions dOrganisation
343
Six Sigma
LSC
LIC
LSC
LIC
Tendance
croissante
ou dcroissante
7 points conscutifs
sont en augmentation rgulire ou en
diminution
rgulire.
Rgler le procd
Cas srie croissante
si le dernier point appro- La capabilit court terme
che les limites de conse dtriore. Il faut trouver
trle de lcart qui
lorigine de cette
spare le dernier point
dtrioration et intervenir.
la valeur cible.
Cas srie dcroissante
La capabilit court terme
samliore. Il faut trouver
lorigine de cette amlioration pour la maintenir.
1 point
proche des limites
Le dernier point
trac se situe dans le
cadre 1/6, au bord
de la carte de contrle.
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.
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.
344
ditions dOrganisation
tape 5 Contrler
valeurs de lchantillon. La taille n sera dterminante quant lefficacit de la carte dtecter un dcentrage. Nous reviendrons sur ce point
au paragraphe suivant.
LICX = Cible A2 R
LSCR = D4 R
LICR = D3 R
La cible est la valeur sur laquelle il faut se centrer. Elle est souvent
fixe sur le milieu de lintervalle de tolrance. Pour les procds qui ne
peuvent tre centrs sur la cible idale (cote rsultant dun moule par
exemple), on fixe la cible sur la moyenne des moyennes ( X ) de la
carte dobservation.
Les coefficients A2, D3, D4, sont fonction de la taille des chantillons.
Lorigine de ces coefficients est dmontre dans la littrature spcialise12.
Figure 7.14 Tableau des coefficients pour le calcul des cartes
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
12. Voir Appliquer la Matrise statistique des procds (MSP/SPC), Maurice PILLET, Les ditions
dOrganisation, 2001.
ditions dOrganisation
345
Six Sigma
20
21
22
23
24
25
26
27
28
29
30
Y1
24,82 25,33 25,00 24,73 25,33 25,17 25,22 25,50 25,31 25,42 25,35
Y2
24,77 25,22 25,07 25,12 25,15 25,18 25,43 25,04 25,20 25,37 25,39
Y3
25,11 25,20 25,00 25,07 25,49 25,24 25,38 25,38 25,22 25,40 25,58
Y4
25,10 25,02 24,84 25,09 25,25 25,23 25,21 25,28 25,43 25,54 25,25
Moyennes 24,95 25,19 24,98 25,00 25,31 25,21 25,31 25,30 25,29 25,43 25,39
tendues 0,34 0,31 0,23 0,39 0,34 0,07 0,22 0,46 0,23 0,17 0,33
25,4
UCL = 25,2292
Moyennes
25,2
X = 25
25,0
24,8
LCL = 24,7708
3
12
15
18
21
24
27
30
N chantillon
0,8
UCL = 0,717850
tendues
0,6
0,4
R = 0,314667
0,2
LCL = 0
0,0
3
12
15
18
21
24
27
30
N chantillon
Ex
Exemple de calcul dune carte de contrle
Prenons le cas dune caractristique de valeur cible 25. Les
chantillons prlevs sont des groupes de 4 pices.
lissue de la phase dobservation du procd, nous avons calcul la moyenne des tendues de chaque sous-groupe R = 0,315.
La cible est le milieu de lintervalle de tolrance soit 25,00.
346
ditions dOrganisation
tape 5 Contrler
347
Six Sigma
Limite infrieure
de contrle
z 2
z 2
Limite suprieure
de contrle
z 2
/2
Limite suprieure
de contrle
Procd centr
Procd dcentr
Soient :
A : la valeur cible recherche (nominale)
B : la limite de contrle des moyennes loignes de la valeur cible de
z 2 ------n
C : la position du centrage de la machine. Le dcentrage suppos est
exprim dans la variable rduite. Il est gal k .
La rpartition des moyennes dun chantillon de n pices suit une loi
normale dcart type n . Dans le cas dun procd dcentr, la probabilit de ne pas dtecter le drglage k (risque ) est gale la
surface grise.
Pour calculer la probabilit de dtecter un drglage k , il faut calculer z en fonction du drglage k, du nombre de valeurs dans
lchantillon et de z/2 retenu pour le calcul des limites.
348
ditions dOrganisation
tape 5 Contrler
z + z 2
n = ---------------------k
z + 3
n = -------------k
100
Probabilit en %
de ne pas dtecter le dcentrage
90
80
70
60
50
40
15 10 7 6 5
30
2,0
2,5
N=1
20
10
0
0,0
0,5
1,0
1,5
3,0
3,5
4,0
4,5
5,0
ditions dOrganisation
349
Six Sigma
Ex
Exemple dutilisation
Une production a un cart type historique de 2. On veut dtecter
dans 90 % des cas un dcentrage de 4 (2 carts types). Quelle
taille de lchantillon faut-il choisir ?
Sur la courbe de la figure 7.17, on prend la premire courbe qui
passe sous le point dabscisse 2 et dordonne 10 qui est la
courbe n = 5.
On note sur ce graphique tout lintrt quil y a travailler avec une
carte de contrle plutt que de procder de faon traditionnelle en raisonnant sur la dernire pice. Le raisonnement traditionnel a pour
point defficacit la courbe n = 1. Ds que le raisonnement a lieu sur
deux pices plutt que sur une pice, la courbe defficacit sincline de
faon importante.
n 1 = S =
( Xi X )2
i=1
-------------------------------n1
350
LSCS = B4 S
LICS = B3 S
ditions dOrganisation
tape 5 Contrler
10
B3
0,030
0,118
0,185
0,239
0,284
B4
3,267
2,568
2,266
2,089
1,970
1,882
1,815
1,761
1,716
25,4
UCL = 25,2318
Moyennes
25,2
X = 25
25,0
24,8
LCL = 24,7682
3
12
15
18
21
24
27
30
N chantillon
0,3
carts types
UCL = 0,322566
0,2
S = 0,142347
0,1
LCL = 0
0,0
3
12
15
18
21
24
27
30
N chantillon
ditions dOrganisation
351
Six Sigma
3 valeurs
3 valeurs
Exemple : soit 5 valeurs (11, 12, 13, 16, 16) arranges dans lordre
croissant, la mdiane est la valeur telle quil y ait 2 valeurs de part et
dautre, cest donc 13 dans ce cas (rang = (5+1)/2 = 3e valeur).
Figure 7.21 Exemple de carte aux mdianes
Mdiane
352
ditions dOrganisation
tape 5 Contrler
10
A2
1,88
1,187
0,796
0,691
0,548
0,508
0,433
0,412
0,362
ditions dOrganisation
353
Six Sigma
Tolrance suprieure
Limite suprieure de prcontrle
IT
Rglage
354
ditions dOrganisation
tape 5 Contrler
pices conscutives. Tant que les deux pices se situent dans la zone
verte, on continue la production. Si les deux pices sont dans la zone
orange ou si deux fois de suite une pice se trouve dans la zone
orange, on rgle le procd.
Le pilotage se rsume par lapplication des quatre rgles suivantes :
Rgle 1
Diviser la spcification en 4 ; la zone situe dans la moiti de la spcification est appele zone verte. Les limites sont appeles lignes de precontrol (PC lines). Les deux zones situes de chaque ct des lignes de
precontrol sont appeles zone jaune.
Figure 7.24 Les trois zones de la carte de precontrol
Zone rouge
Zone jaune
Zone verte
Limite infrieure de prcontrle
Zone jaune
Zone rouge
Rgle 2
Pour dterminer si le processus est fiable, prendre cinq pices conscutives issues du processus. Si toutes les cinq sont dans la zone verte,
conclure ce moment que le process est sous contrle. (En fait, avec
cette simple rgle, lchantillonnage habituel de cinquante cent pices pour calculer le Cp et le Cpk devient inutile. Par lapplication du
thorme de multiplication des probabilits ou la distribution binomiale, il peut tre prouv quun minimum de Cpk de 1,33 sera automatiquement obtenu.) La production peut alors commencer.
Si une pice tombe en dehors de la zone verte, le procd est hors contrle. Pour dterminer la cause de la dispersion, il faut alors mener une
investigation.
ditions dOrganisation
355
Six Sigma
Rgle 3
Une fois que la production est dmarre, prendre deux pices conscutives de faon priodique. On rcapitule dans le tableau suivant
(figure 7.25) les rgles de pilotage appliquer. Lorsque le process a t
stopp (3, 4 et 5), recommencer ltape 2 de validation de la capabilit.
Rgle 4
La frquence de prlvement est dtermine en divisant le temps
moyen entre deux interventions par six.
Figure 7.25 Rgles de pilotage dune carte de Shainin
No
Schma
Description
Action
Continuer la production
Une pice
est dans la zone verte,
une autre dans la zone jaune
Continuer la production
Rgler le procd
Rgler le procd
Si une pice
est dans la zone rouge
Ces cartes sont trs simples utiliser, mais il faut faire trs attention
dans leur emploi. On fait lhypothse dans ces cartes que la capabilit
court terme est bonne. Il est assez facile de dmontrer que la mthode
ne donne une bonne production que si la capabilit court terme est
suprieure 2.
356
ditions dOrganisation
tape 5 Contrler
Dans les cas o la capabilit court terme est infrieure deux, il faut proscrire cette mthode si lon veut garantir la conformit de la procdure.
EWMA
UCL = 0,980860
X=0
LCL = 0,980860
1
4
12
16
20
24
28
32
36
40
N Mesure
ditions dOrganisation
357
Six Sigma
Dans la carte EWMA, pour chaque point, on va tenir compte de lhistorique des valeurs mesures. Pour chaque chantillon, on calcule une
moyenne pondre par un coefficient , telle que :
Mi = xi + (1 )Mi1
Cest cette valeur Mi qui apparat sur la carte EWMA
avec :
1 une constante (on prend souvent = 0,2)
M0, valeur initiale = cible
No
0,77
1,13
1,02
0,14
2,13
0,1543
0,102
0,1226
0,0695
0,4822
ditions dOrganisation
tape 5 Contrler
n : la taille de lchantillon
: le coefficient de pondration
Cible : la valeur sur laquelle on veut centrer la carte
Les limites dpendent donc du numro de lchantillon, mais elles convergent trs vite vers une droite comme le montre le graphique de la
figure 7.26. Lorsque i augmente, le terme [1 (1 )2i] tend vers 1, les
limites deviennent donc :
Ex
Exemple de calcul de limites de contrle
Dans le cas de lexemple de la figure 7.26, il sagit de valeurs
individuelles ; la taille de lchantillon est donc n = 1. On prend
= 0,2 et Cible = 0.
On estime lcart type partir de la loi des tendues rduites :
R
1,11
= -------------- = -------------- = 0,98
1,128
1,128
0,2
ditions dOrganisation
359
Six Sigma
Rglage
Cause spciale
360
ditions dOrganisation
tape 5 Contrler
10
8
6
4
2
0
chantillons
Les questions que lon doit se poser sont les suivantes : ces fluctuations sont-elles le rsultat de variations alatoires ? partir de quelle
proportion peut-on avoir la preuve statistique de la prsence de cause
spciale ? Y a-t-il dgradation ou amlioration du processus ?
Pour rpondre toutes ces questions, il faut enrichir le graphique de
suivi (figure 7.28) de deux lments statistiques (figure 7.29) :
1. la moyenne historique des proportions de non conformes observe sur le procd ;
ditions dOrganisation
361
Six Sigma
2. la limite naturelle suprieure (et ventuellement infrieure) calcule statistiquement permettant de dterminer les limites des
fluctuations alatoires de la proportion de non conformes du procd.
Figure 7.29 Carte p Proportion de non conformes
%
14
12
10
8
6
4
2
0
Limite de contrle :
c'est la limite (calcule
statistiquement) des fluctuations
alatoires de la proportion
de dfauts
Histoire du procd :
c'est la moyenne
de la proportion de dfauts
habituellement rencontre
Linterprtation dune carte de contrle aux attributs est presque identique celle dune carte de contrle aux mesures.
Dtrioration du processus : une dtrioration sera dtecte si
on observe un point au dessus de la limite suprieure de contrle
ou si lon obtient une srie dau moins 7 points suprieurs la
moyenne historique.
Amlioration du processus : une amlioration sera dtecte si
on observe un point en dessous de la limite infrieure de contrle (lorsquelle existe) ou si lon obtient une srie dau moins 7
points infrieurs la moyenne historique.
362
ditions dOrganisation
tape 5 Contrler
Dans dautres cas, on cherche plutt suivre le nombre de non-conformits. Par exemple, lorsquun dfaut apparat plusieurs fois sur une
unit. Sagissant de cartes lectroniques, on suivra, avec ce type de
carte, le nombre de courts-circuits raliss par la machine. Une carte
peut comporter plusieurs courts-circuits. On suivra dans ce cas des
non-conformits.
On peut galement distinguer deux cas de figure selon que lon suive le
nombre ou la proportion. Dans le cas dunits non conformes par
exemple, le suivi en nombre sera simple, il suffira de reporter sur la
carte le nombre dunits non conformes que lon a trouves. Ce type
de suivi ncessite des chantillons de taille constante. Le suivi par proportion (en pourcentage) dunits non conformes demande un calcul
supplmentaire, mais permet de saccommoder dchantillons de taille
variable.
La double classification (units non conformes/non-conformits et
nombre/proportion) se rsume donc en quatre situations, rapportes
dans le tableau (figure 7.30), qui conditionnent quatre cartes de contrle.
Figure 7.30 Les diffrentes cartes de contrle par attributs
dfaut
dfaut
dfaut
dfaut
= 1 non conforme
Units non conformes
Nombre
= 2 non-conformits
Non-conformits
Carte np
Carte c
Nombre de produits non conformes Nombre de non-conformits
Carte p
Proportion Proportion de produits
non conformes
Carte u
Proportion de non -conformits
Les cartes de contrle sur les units non conformes sont fondes sur la
loi binomiale alors que les cartes sur les non-conformits sont fondes
sur la loi de Poisson.
ditions dOrganisation
363
Six Sigma
364
ditions dOrganisation
tape 5 Contrler
p(1 p)
LIC p = p 3 -------------------ni
ditions dOrganisation
365
Six Sigma
366
Production
Retouches
118
108
124
94
87
120
102
130
105
90
102
88
120
114
118
120
89
98
103
98
105
96
102
106
86
7
8
4
2
4
5
3
3
5
5
9
14
6
6
7
6
6
6
9
1
10
2
10
3
8
5,9 %
7,4 %
3,2 %
2,1 %
4,6 %
4,2 %
2,9 %
2,3 %
4,8 %
5,6 %
8,8 %
15,6 %
5,0 %
5,3 %
5,9 %
5,0 %
6,7 %
6,1 %
8,7 %
1,0 %
9,5 %
2,1 %
9,8 %
2,8 %
9,3 %
ditions dOrganisation
tape 5 Contrler
ditions dOrganisation
367
Six Sigma
UCL = 0,124505
0,12
Proportion
0,10
0,08
0,06
P = 0,056762
0,04
0,02
LCL = 0
0,00
2
18
10
12
14
16
18
20
22
24
chantillon
Avec les logiciels statistiques (ou mme avec les tableurs), il nest pas
souhaitable de prendre une taille dchantillon moyenne. Il est prfrable de recalculer pour chaque chantillon les limites de contrle en
fonction de la taille relle de lchantillon (figure 7.32).
368
ditions dOrganisation
tape 5 Contrler
0,16
0,14
UCL = 0,131615
Proportion
0,12
0,10
0,08
0,06
P = 0,056762
0,04
0,02
0,00
LCL = 0
2
18
10
12
14
16
18
20
22
24
chantillon
ditions dOrganisation
369
Six Sigma
Jour
Nombre de pices
entre deux apparitions
Transf.
1 250
7,24
12
1 810
8,03
17
1 125
7,04
24
1 903
8,14
30
1 498
7,62
33
782
6,36
38
1 263
7,27
44
1 504
7,63
50
1 489
7,61
10
52
525
5,69
11
55
746
6,28
12
57
499
5,61
13
60
758
6,30
14
63
820
6,44
Une premire solution consisterait faire une carte c (nombre de nonconformits par jour) en prenant c sur les 50 premiers jours (c = 0,18).
370
ditions dOrganisation
tape 5 Contrler
Carte C
1,6
UCL = 1,45279
Nombre de non-conformits
1,4
1,2
1,0
0,8
0,6
0,4
0,2
C = 0,18
0,0
LCL = 0
1
12
18
24
30
36
42
48
54
60
chantillon
ditions dOrganisation
371
Six Sigma
Figure 7.35
Carte aux valeurs individuelles/tendues glissante sur Ynorm
Carte VI tendues glissantes sur valeurs transformes
UCL = 9,42
Valeurs transformes
9
8
X = 7,44
7
6
LCL = 5,46
5
1
10
11
12
13
14
Observation
UCL = 2,43243
tendues glissantes
2,4
1,8
1,2
MR = 0,74448
0,6
0,0
LCL = 0
1
10
11
12
13
14
Observation
EWMA
7,75
7,50
X = 7,44
7,25
7,00
LCL = 6,76271
6,75
6,50
1
10
11
12
13
14
chantillon
372
ditions dOrganisation
Chapitre 8
tape 6
Standardiser/prenniser
1. Introduction
Cette sixime tape est souvent confondue avec ltape 5,
Contrler . Dans notre approche, nous avons souhait sparer la
phase de standardisation et de clture du projet de la phase
Contrler . Notons que de plus en plus dentreprises optent pour
cette solution qui permet de mettre en vidence la rflexion spcifique
que demande cette phase dun projet Six Sigma. Certains 14 vont mme
jusqu intgrer deux tapes supplmentaires ( Standardiser ,
Intgrer ).
14. Cf. Harry SCHROEDER, Six Sigma The Breakthrough Management Strategy, 2000.
373
Six Sigma
2. Prenniser la solution
2.1 Les difficults
De nos jours, de plus en plus dentreprises se rendent compte de
limportance des tapes finales pour prenniser les actions Six Sigma.
En effet, si lon se satisfait des cinq tapes traditionnelles, comment
garantir que laction mise en place sera encore prsente dans deux
ans ?
Cette notion de prennit est un vritable problme industriel. Comment prenniser une action russie ? Quels sont les outils, les mthodes notre disposition pour garantir cette prennit ? Si lon se rfre
la bibliographie, on est bien oblig de constater la pauvret des
rponses qui sont apportes sur le sujet et il ne faut pas stonner que
les industriels se retrouvent dsarms devant ce problme. Pour illustrer ce vide, relatons lexprience dun groupe dindustriels runis
autour du thme Prennisation des actions russies . Chaque industriel devait apporter un exemple dune action damlioration russie
374
ditions dOrganisation
tape 6 Standardiser/prenniser
prennise et un exemple dune action russie qui na pas t prennise. Tous ont prsent une action non prennise et personne na
amen dexemple daction prennise !
Cet tat de fait a t confirm par la suite plusieurs fois auprs dindustriels de tous secteurs dactivits. Il y a une relle difficult maintenir
dans le temps les progrs dune action. Sil est souvent facile de progresser sur un sujet lorsquon y met les moyens humains, financiers,
managriaux, il est plus difficile de garantir que ces progrs seront
dfinitivement ancrs dans lentreprise ds lors que ce sujet ne sera
plus lordre du jour. Combien dentreprises ont fait des progrs considrables dans un domaine, pour constater deux ans plus tard que lon
est revenu ltat initial ! Chacun peut sinterroger dans sa propre
entreprise en portant un regard sur les cinq dernires annes : combien
de projets ont t mens ? Que reste-t-il de ces projets un deux ans
aprs ? A-t-on t capable de capitaliser ces progrs ?
Souvent la rponse ces questions est surprenante, on ne sait pas bien
prenniser une action et ce nest pas parce que lon vient de faire un
projet Six Sigma que lon saura mieux capitaliser si lon ne modifie pas
notre faon de faire. Cest la raison pour laquelle cette sixime tape,
Standardiser/ prenniser , nous semble indispensable.
ditions dOrganisation
375
Six Sigma
376
ditions dOrganisation
tape 6 Standardiser/prenniser
ditions dOrganisation
377
Six Sigma
ne ncessitant pas dentretien. Il faudra quand mme attendre quelques annes pour obtenir le rsultat souhait pendant lesquelles un
minimum dentretien sera ncessaire.
Atteindre cet tat organique implique donc de se poser un certain nombre de questions.
Comment simplifier les procdures mises en place pour quelles
soient appliques naturellement ?
Comment standardiser les procdures afin quelles soient naturellement intgres dans la culture de lentreprise ?
Quelles sont les formations que je dois organiser pour garantir
que la rotation du personnel ne remette pas en cause les progrs
raliss ?
Comment dmultiplier les bonnes pratiques sur dautres processus pour faire voluer ltat organique de lentreprise ?
Comment intgrer les mthodes et processus standards dans le
dveloppement de nouveaux produits ?
378
ditions dOrganisation
tape 6 Standardiser/prenniser
Principe n3 La facilitation
Le troisime et dernier axe fait quant lui rfrence ce qui permet
dallger leffort supplmentaire quune prennisation amne fournir.
Quest-ce qui permet de soulager leffort ou comment faire en sorte
que cet effort lui paraisse plus surmontable ?
Pour y parvenir, plusieurs types dactions contribuant faciliter
leffort produire sont possibles. Celles-ci peuvent se structurer quant
elles autour de trois grandes directions :
Dvelopper l'habilet technique des acteurs du systme. Le
mme effort n'apparatra pas aussi important pour l'ensemble
des collaborateurs selon la qualification et l'habilet technique.
Plus on a l'habitude de raliser une tche, et moins sa ralisation
demandera de rflexion, d'analyse. Elle apparatra plus facile.
Plus l'habilet et la qualification des collaborateurs seront importantes, plus le niveau d'effort fournir sans contre partie sera
important. Dans cette direction, on trouvera, notamment, toutes
les actions de formation.
Dvelopper le phnomne de groupe. Si tout le monde accepte
de raliser la tche, la perception de la tche apparat moins fastidieuse. Si on prend l'exemple du rangement, il est plus facile de
maintenir un lieu propre et rang si tout le monde participe au
rangement que si cette action est isole dans l'entreprise. Dans
cette direction on trouvera toutes les actions de dploiement des
bonnes pratiques.
Simplifier les tches. Raliser une tche complique demande un
effort. Si on simplifie cette tche, par exemple en recourant des
outils informatiques, mthodologiques, mcaniques, etc., l'op-
ditions dOrganisation
379
Six Sigma
Forme = facilitation
Effort = contrepartie
380
ditions dOrganisation
tape 6 Standardiser/prenniser
ditions dOrganisation
381
Six Sigma
Changement
Facilitation
tat organique
Temps
3. Laudit de prennit
3.1 Objectif de laudit
Cette tape peut commencer par un audit de prennit, aprs un certain temps dpreuve du feu, que lon fait accompagner dun questionnaire dalerte.
382
ditions dOrganisation
tape 6 Standardiser/prenniser
ditions dOrganisation
383
Six Sigma
I E M S E
Actions
correctives
Mesure
Processus
384
ditions dOrganisation
tape 6 Standardiser/prenniser
OUI
NON
Mise en place
Application
ditions dOrganisation
385
Six Sigma
Ex
Exemple de simplification de processus
Pour piloter le maintien dune cote sur la cible, les oprateurs
devaient utiliser une vis dont la prcision tait incompatible avec
la prcision de rglage demande. Il en rsultait une perte de
temps importante (environ un quart dheure) chaque rglage.
Une tude de simplification a permis de rgler la machine en
interposant des flasques entre loutil et le porte-outil. Le nouveau
rglage est quasi instantan.
Ex
Exemple de simplification de procdure
La mise en place dune carte de contrle Moyennes/tendues
manuelle sur un processus nallait pas sans contraintes pour les
oprateurs :
frquence de contrle leve ;
des calculs taient ncessaires chaque prlvement.
Aprs avoir analys les rsultats en capabilit et la stabilit du
processus, on a pu simplifier la procdure en remplaant la carte
aux moyennes par une carte aux mdianes (qui ne ncessite pas
de calculs) et diminuer les frquences de contrle.
Dans cette phase, on doit faire les transformations de telle sorte que le
nouveau standard soit appliqu simplement et sans effort ni
contrainte.
386
ditions dOrganisation
tape 6 Standardiser/prenniser
Ex
Prenons un exemple dans la conduite automobile : le conducteur
doit adapter la course de la pdale de frein en fonction de lusure
des plaquettes. Au cours de la vie de lautomobile, il adapte sa
conduite lvolution du comportement. Les rgles figes lorsque la voiture est neuve peuvent devenir catastrophiques lorsque
la mme voiture compte 200 000 km.
Figure 8.5 Rseau de neurones
X1
Y1
X2
Y2
X3
Pour prvoir cette ncessaire adaptation des rgles tout au long du processus, plusieurs solutions sont la disposition du Black Belt :
le revisitage des rgles des priodes rgulires ;
ditions dOrganisation
387
Six Sigma
388
ditions dOrganisation
tape 6 Standardiser/prenniser
8
4
66
Bonnes pratiques
10
Efficacit
Pratiques proscrire
Actions difficiles
prenniser
Une bonne pratique est dfinie16 par une technique, une mthode ou
un procd qui a t mis en place et qui a amlior les rsultats de
lentit. La bonne pratique est supporte par des donnes concrtes et
vrifiables la place o les exprimentations ont t effectues . Une
autre dfinition en est donne par Prax17 : Toute pratique, connaissance ou savoir-faire qui a montr son efficacit ou sa valeur dans une
partie de la socit et qui est applicable une autre partie de la
socit.
On doit tout dabord identifier la bonne pratique en la situant sur la
cartographie Efficacit/efficience . Lefficacit est relative au rsultat
obtenu, lefficience lest par rapport leffort que lon dploie pour
16. The European Quality Promotion Policy (European Commission DGIII Industry), Benchmarking Introduction and main principles , Quality series, number 7, January 1998.
17. J.-Y. PRAX, Le Guide du Knowledge Management, ditions Dunod, 2000.
ditions dOrganisation
389
Six Sigma
atteindre le rsultat. La bonne pratique facile maintenir est une pratique dont le rsultat est trs satisfaisant sans ncessiter deffort particulier (tat organique).
Pour qualifier lefficacit de la bonne pratique, on note trois critres
(note de 1 5). Le rsultat est la somme de ces 3 notes.
Qualit : aptitude du processus dlivrer un produit ou service conforme aux spcifications du client.
Cot : aptitude du processus dlivrer un produit ou un service un
cot compatible avec celui que le client est prt supporter.
Dlai : aptitude du processus dlivrer un produit ou un service dans
un dlai compatible avec celui que le client est prt accepter.
Pour qualifier lefficience, on note galement trois critres (note de 1
5). Le rsultat est la somme de ces trois notes.
Simplicit : le dploiement sera dautant plus facile effectuer que sa
mise en uvre est simple.
conomie : un processus sera dautant plus pertinent dployer que
son excution ne requiert quun nombre limit de ressources humaines
et techniques.
Scurit : le processus ne peut tre dploy que si sa mise en uvre
ne risque pas de mettre en pril lorganisation dans laquelle il est
implant.
Le rsultat des deux notes efficacit et efficience est plac sur la
cartographie Efficacit/efficience (figure 8.5) pour juger de la pertinence du dploiement de la pratique.
Pour pouvoir tre duplique, la bonne pratique doit tre formalise.
390
ditions dOrganisation
tape 6 Standardiser/prenniser
ditions dOrganisation
391
Six Sigma
392
ditions dOrganisation
tape 6 Standardiser/prenniser
Capabilit
4,0
3,0
Cp
Pp
2,0
Ppk
1,0
Mois
J
6. Communiquer
Cest le dernier coup de rein donner, mais il est important. Ce dernier
effort permet de rflchir sur ce que lon a fait, comment on la fait et
de progresser sur la mthodologie mise en uvre.
ditions dOrganisation
393
Six Sigma
Bilan technique
synthse des amliorations techniques apportes ;
modification de procdures, de mthodes ;
amlioration des capabilits
Bilan financier
synthse des cots mesurables et non mesurables ;
synthse des gains mesurables et non mesurables.
Bilan humain
fonctionnement du groupe de travail ;
identification les manques en matire de formation, de comptences
Bilan mthodologique
si ctait refaire, adopterions-nous la mme dmarche ?
quavons-nous oubli de faire quil ne faudra plus oublier ?
en quoi ce projet peut-il enrichir la dmarche Six Sigma dans
notre socit ?
394
ditions dOrganisation
tape 6 Standardiser/prenniser
ditions dOrganisation
395
Chapitre 9
1. Introduction
Six Sigma repose sur la dmarche DMAICS que nous avons largement
voque dans les chapitres prcdents. Lapproche DMAICS est le
moyen daction de Six Sigma mais, pour quil russisse dans son entreprise, il lui faut une logistique de soutien que doit lui fournir le management.
Introduire Six Sigma ne peut se faire de faon ponctuelle, ce doit tre
une vritable stratgie dentreprise. Lancer une application DMAICS
dans une entreprise, cest mettre en uvre sur un problme prcis une
dmarche de rsolution de problme. La difficult par rapport Six
Sigma rside dans la dmultiplication des actions qui sous-tend cette
mthodologie dans lentreprise, ce qui ncessite :
le partage des valeurs de Six Sigma ;
lorganisation du management en management par projets ;
397
Six Sigma
398
ditions dOrganisation
Responsable excutif
Responsable de service
Oprationnels
ditions dOrganisation
399
Six Sigma
Responsable excutif
Comit de pilotage
400
ditions dOrganisation
Niveau entreprise
D Dfinir les priorits de lentreprise et les plans qui doivent tre
mis en place pour amliorer sa rentabilit.
M Mesurer le Business system qui supporte ces plans.
A Analyser les carts avec les meilleures pratiques.
I Innover/amliorer les systmes pour atteindre lobjectif de performance.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les systmes qui se sont rvls tre les meilleures
pratiques.
Niveau oprationnel
D Dfinir les projets Six Sigma permettant datteindre les objectifs
du plan dentreprise.
M Mesurer la performance des projets Six Sigma.
A Analyser cette performance au regard des objectifs oprationnels.
I Innover, amliorer le systme de management des projets Six
Sigma.
C Mettre sous contrle les caractristiques dentre critiques du
systme de management des projets.
S Standardiser les meilleures pratiques de conduite de projet.
Niveau processus
D Dfinir les processus qui contribuent au problme fonctionnel.
M Mesurer les capabilits de chaque processus.
A Analyser les donnes pour mettre en relation les X et les Y.
I Innover/amliorer les caractristiques cls des processus cls.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les mthodes et processus qui forment de bonnes
pratiques.
ditions dOrganisation
401
Six Sigma
402
ditions dOrganisation
ditions dOrganisation
403
Six Sigma
404
ditions dOrganisation
ditions dOrganisation
405
Six Sigma
406
ditions dOrganisation
ditions dOrganisation
407
Six Sigma
groupe. Il sait couter tout en prenant facilement la parole. Il est capable de faire rapidement la synthse des contributions et de prendre des
dcisions lorsque cela simpose.
Lorganisateur
Ordonn, il sait traduire une dcision en planning et en organigramme.
Il aime lorganisation et sa contribution lui permet dtre le rfrent en
matire de taches accomplir, de dlais, de responsabilits. Il doit
avoir une grande force de caractre, il est intgre et a confiance dans
les membres du groupe.
Le moteur
Cest une personne extravertie qui bouillonne dides et dnergie. Il
snerve parfois mais cest sans rancur. Il respire la confiance en soi
mme si cest parfois pour cacher ses propres doutes. Sa contribution
lavancement du projet est importante, il relve facilement les dfis. Il
donne forme au projet.
Le semeur
Cest plutt une personne introvertie dote dune grande intelligence.
Sa contribution consiste mettre des ides originales qui vont nourrir
la rflexion du groupe. Il est principalement intress par la recherche
de solutions innovantes et critique facilement les ides qui ne sont pas
les siennes. En revanche, il supporte difficilement la critique de ses
propres ides. Il faut donc du doigt afin quil ne se mette pas en
retrait.
Lexplorateur
Il aime la nouveaut, les relations avec les autres, le travail en groupe.
Il est extraverti et ne cherche pas dominer le groupe de travail. Il a
tiss des liens damiti avec de trs nombreuses personnes et renvoie
limage de quelquun de sympathique, sociable. Ayant tendance parfois papillonner dune activit lautre, il risque cependant de sintresser un peu trop aux dtails qui le retiennent particulirement au
mpris des objectifs majeurs. Il prserve le groupe de la stagnation et
lempche de senfermer sur lui-mme.
408
ditions dOrganisation
Le rationnel
Dun QI lev, extraverti, il se distingue du semeur par sa froideur. Plutt que de chercher amener des ides novatrices, il va digrer le travail du groupe pour fournir un avis sans concession. Il apparat parfois
comme un rabat-joie, mais son avis est rarement mis en dfaut. Il vite
au groupe de partir sur des voies fantaisistes.
Lquipier
Extraverti et peu dominateur, il est sensible au vcu et aux sentiments
des gens qui lentourent. Il est sympathique, simple, modr, cest le
ciment. Il a besoin dharmonie et fait tout pour la construire au sein du
groupe. Il soutient les propositions des autres membres et construit
partir de ces propositions. Sa contribution se situe plus au niveau des
relations dans le groupe que pour les ides et les apports techniques
quil pourra amener.
Le perfectionniste
Plutt introverti, il a la proccupation de lordre. Il fera ressortir tout ce
qui pourra aller de travers. Sa capacit persvrer est prcieuse,
mme si parfois il peut trop sembarrasser des dtails qui lui font perdre de vue lobjectif global.
Pour valuer la qualit dun groupe de travail, on utilise le schma
radar (figure 9.3) qui permet dvaluer la faon dont est compos le
groupe. On value le type quincarne chaque participant et on identifie
dans une grille de 1 3 son adquation. Un type de comportement
peut tre ventuellement reprsent par plus dune personne, et certains pas ou peu reprsents. On value alors qui peut jouer le rle de
ce type et quelle est son adquation avec ce rle. Lexemple de la
figure 9.3 montre un groupe de travail possdant deux moteurs, mais
pas dorganisateur. Le risque est grand de partir dans toutes les directions au niveau des runions, mais que rien navance entre les runions faute de planning et de responsabilits dfinies. Labsence de
rationnel renforce ce danger dans la mesure o aucun contrepouvoir ne viendra faire lanalyse rationnelle des ides qui seront
mises.
ditions dOrganisation
409
Six Sigma
Prsident
Alain
Organisateur
Marcel
Moteur
Bernard et Paul
Perfectionniste
Marcel
Semeur
Lise
quipier
Laetitia
Explorateur
Julien
Rationnel
Julien ?
410
ditions dOrganisation
3. La formation
3.1 Les formations Six Sigma
Mettre en place Six Sigma demande de nombreuses comptences que
lon peut regrouper dans quatre domaines :
les comptences fonctionnelles sur le produit ou le processus
tudi ;
les comptences dans la conduite dun projet et lanimation de
groupe ;
les comptences en mthodes de rsolution de problme ;
les comptences en statistiques.
Il est peu vraisemblable quune entreprise puisse trouver directement
dans son personnel les oiseaux rares qui disposent dun tel curriculum
vitae. Mettre en place Six Sigma ncessite donc de lancer un vaste plan
de formation qui va concerner tous les acteurs de lentreprise.
La place de la formation est trs importante dans le dploiement dun
programme Six Sigma dans une entreprise. Elle va concerner tout le
personnel de lentreprise en commenant par lquipe de direction qui
doit sapproprier les valeurs de Six Sigma pour en faire les valeurs
sous-jacentes de leur management.
ditions dOrganisation
411
Six Sigma
Les formations sont essentiellement tournes vers laction, voil pourquoi on pratique une alternance entre les sances de formation,
dapplication et de rebouclage (figure 9.4).
Semaines
Description
1-3
4-7
9-30
31
32-52
52-
Les rles des uns et des autres, Champion, Master Black Belt, Black
Belt, Green Belt, White Belt, sont trs diffrents, et les formations le
sont aussi tant par la dure que par le contenu. Le schma suivant
(figure 9-5) donne un exemple de larchitecture formation, application,
rebouclage en alternance.
412
ditions dOrganisation
Formation
ditions dOrganisation
413
Six Sigma
Ils permettent effectivement de procder une simulation informatique interactive de processus industriels afin denseigner les cartes de
contrle, les plans dexpriences, les outils Shaining, Six Sigma
Leur utilisation permet de mettre en situation le stagiaire. Par exemple, dans le simulateur de tour commande numrique, le stagiaire
doit piloter une production sans carte de contrle dans un premier
temps, puis avec une carte de contrle de son choix (moyenne,
mdiane, precontrol). On valide avec les capabilits obtenues et les
cots de revient lapport des cartes de contrle. Le stagiaire a la possibilit de raliser un plan dexpriences pour amliorer la capabilit
court terme Cp (le z du processus). Avec le simulateur de processus de
414
ditions dOrganisation
soudage laser, on peut mettre en uvre des plans dexpriences en surface de rponse et faire une optimisation multi-rponses pour trouver
le meilleur compromis entre deux Y contradictoires : la profondeur de
la soudure et la qualit de la soudure.
Lintrt des simulateurs informatiques est la rapidit avec laquelle les
productions ou les expriences peuvent tre ralises, les stagiaires
pouvant ainsi se consacrer lessentiel : la dmarche doptimisation.
Les diffrents simulateurs sont disponibles en mode dmonstration sur
le site www.ogp.annecy.com
Les objets didactiques statistiques
Figure 9.7 Exemple dobjets didactiques statistiques
ditions dOrganisation
415
Six Sigma
Le MBB doit faire des revues de projets avec le BB, mais ces revues
nont pas le mme objectif que celles qui sont ralises avec le Champion. Le but est ici de valider la dmarche intellectuelle, le choix des
outils, la validit de linterprtation des rsultats Cest une revue
technique qui va permettre au BB de progresser dans lutilisation judicieuse des diffrents outils. Cette revue permet galement de valider la
faon dont le BB manage ses diffrents projets et anime ses groupes de
travail.
20. Dana RASIS, Howard S. GITLOW, Edward POPOVICH, Paper Organizers International: A Fictitious Six Sigma Green Belt Case Study , I, Quality Engineering, Vol. 15, No. 1, September
2002, p. 127-145.
21. http://www.six-sigma-toolskit.com/
416
ditions dOrganisation
ditions dOrganisation
417
Six Sigma
Janv.
Fvr.
Mars
Avr.
Mai
Juin
Juill.
Dfinir
Mesurer
Analyser
Innover
Contrler
Standardiser
Planifi
Ralis
Revues
Chemins critiques
2
2
2
A:2
1
B:1
E:1
3
1
3
H:3
X:0
C:1
5
X:0
4
4
4
D:2
3
F:2
6
6
G:1
7
7
X:0
418
ditions dOrganisation
1
3
ditions dOrganisation
419
Six Sigma
420
ditions dOrganisation
Cot critique
Cot normal
Dlai critique
Dlai normal
Faible
Moyen
Fort
Complexit du projet
0,85
1,00
1,50
1,36
1,00
0,50
Comptences de lquipe
1,13
1,00
0,90
Comptences entreprise
1,10
1,00
0,95
1,24
1,00
0,63
ditions dOrganisation
421
Six Sigma
422
ditions dOrganisation
ditions dOrganisation
423
Six Sigma
5.1.5 La formation
Les formations dispenses tant aux Black Belts quaux autres acteurs
du projet doivent tre de qualit. Mme si la formation initiale de plus
de cinq semaines parat souvent une formation lourde, elle ne permet
pas de traiter de faon exhaustive des outils qui pourraient tre utiliss
dans un projet Six Sigma. La formation doit donc tre un processus
continu, fond sur le support des Master Black Belts qui sauront dvelopper, lorsque le besoin se fera sentir, les outils et mthodes complmentaires.
Les sances de formation doivent tre particulirement soignes et
menes par des personnes comptentes au plan pdagogique. La pdagogie est en soi une dmarche mtier et on ne simprovise pas formateur du jour au lendemain. Il convient donc de choisir un formateur
runissant les trois qualits suivantes :
comptence scientifique ;
exprience de lapplication sur le terrain ;
charisme pour faire partager ses comptences.
Une formation bien conduite est source de motivation. Une formation
qui nest pas adapte, cest dj, en quelque sorte, le son du glas du
projet.
5.1.6 La reconnaissance
Limplication forte des acteurs de Six Sigma mrite la reconnaissance
de la socit. Cette reconnaissance sera source de motivation pour les
futurs projets. Cette reconnaissance peut prendre diverses formes, mais
il est important que chacun sente que son travail est pris en compte.
Voil pourquoi le comit de pilotage doit intgrer cet aspect dans son
plan de dploiement en prvoyant, par exemple :
424
ditions dOrganisation
ditions dOrganisation
425
Six Sigma
Process A
TRS
Process B
Process C
40 %
87 %
95 %
Rebut
Cot
35
2,5
Projet 1
Projet 2
Projet 3
426
ditions dOrganisation
ditions dOrganisation
427
Six Sigma
Parmi les projets, il doit y avoir des projets stratgiques pour lentreprise et seule laffectation dun Black Belt temps plein peut permettre
de les mener bien.
23. Qualita : congrs international biannuel sur la Qualit et la sret de fonctionnement organis tous les 2 ans par RUFEREQ http://wwwcqp2.utc.fr/rufereq/
428
ditions dOrganisation
Chapitre 10
Tables
429
Six Sigma
430
ppm centr
dans les tolrances
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
4
4,2
4,4
4,6
4,8
5
5,2
5,4
5,6
5,8
6
6,2
6,4
6,6
6,8
7
317310,52
230139,46
161513,42
109598,58
71860,53
45500,12
27806,80
16395,06
9322,44
5110,38
2699,93
1374,40
673,96
318,29
144,74
63,37
26,71
10,83
4,23
1,59
0,57
0,20
0,07
0,02
0,01
0,00
0,00
0,00
0,00
0,00
0,00
697672,15
621378,38
541693,78
461139,78
382572,13
308770,21
242071,41
184108,21
135686,77
96809,10
66810,63
44566,73
28716,97
17864,53
10724,14
6209,70
3467,03
1865,88
967,67
483,48
232,67
107,83
48,12
20,67
8,55
3,40
1,30
0,48
0,17
0,06
0,02
ditions dOrganisation
Tables
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,5000
0,4960
0,4920
0,4880
0,4840
0,4801
0,4761
0,4721
0,4681
0,4641
0,1
0,4602
0,4562
0,4522
0,4483
0,4443
0,4404
0,4364
0,4325
0,4286
0,4247
0,2
0,4207
0,4168
0,4129
0,4090
0,4052
0,4013
0,3974
0,3936
0,3897
0,3859
0,3
0,3821
0,3783
0,3745
0,3707
0,3669
0,3632
0,3594
0,3557
0,3520
0,3483
0,4
0,3446
0,3409
0,3372
0,3336
0,3300
0,3264
0,3228
0,3192
0,3156
0,3121
0,5
0,3085
0,3050
0,3015
0,2981
0,2946
0,2912
0,2877
0,2843
0,2810
0,1776
0,6
0,2743
0,2709
0,2676
0,2643
0,2611
0,2578
0,2546
0,2514
0,2483
0,2451
0,7
0,2420
0,2389
0,2358
0,2327
0,2296
0,2266
0,2236
0,2206
0,2177
0,2148
0,8
0,2119
0,2090
0,2061
0,2033
0,2005
0,1977
0,1949
0,1922
0,1894
0,1867
0,9
0,1841
0,1814
0,1788
0,1762
0,1736
0,1711
0,1685
0,1660
0,1635
0,1611
1,0
0,1587
0,1562
0,1539
0,1515
0,1492
0,1469
0,1446
0,1423
0,1401
0,1379
1,1
0,1357
0,1335
0,1314
0,1292
0,1271
0,1251
0,1230
0,1210
0,1190
0,1170
1,2
0,1151
0,1131
0,1112
0,1093
0,1075
0,1056
0,1038
0,1020
0,1003
0,0985
1,3
0,0968
0,0951
0,0934
0,0918
0,0901
0,0885
0,0869
0,0853
0,0838
0,0823
1,4
0,0808
0,0793
0,0778
0,0764
0,0749
0,0735
0,0721
0,0708
0,0694
0,0681
1,5
0,0668
0,0655
0,0643
0,0630
0,0618
0,0606
0,0594
0,0582
0,0571
0,0559
1,6
0,0548
0,0537
0,0526
0,0516
0,0505
0,0495
0,0485
0,0475
0,0465
0,0455
1,7
0,0446
0,0436
0,0427
0,0418
0,0409
0,0401
0,0392
0,0384
0,0375
0,0367
1,8
0,0359
0,0351
0,0344
0,0336
0,0329
0,0322
0,0314
0,0307
0,0301
0,0294
ditions dOrganisation
431
Six Sigma
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
1,9
0,0287
0,0281
0,0274
0,0268
0,0262
0,0256
0,0250
0,0244
0,0239
0,0233
2,0
0,0228
0,0222
0,0217
0,0212
0,0207
0,0202
0,0197
0,0192
0,0188
0,0183
2,1
0,0179
0,0174
0,0170
0,0166
0,0162
0,0158
0,0154
0,0150
0,0146
0,0143
2,2
0,0139
0,0136
0,0132
0,0129
0,0125
0,0122
0,0119
0,0116
0,0113
0,0110
2,3
0,0107
0,0104
0,0102
2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
3,0 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100
3,1 0,00097 0,00094 0,00090 0,00087 0,00085 0,00082 0,00079 0,00076 0,00074 0,00071
3,2 0,00069 0,00066 0,00064 0,00062 0,00060 0,00058 0,00056 0,00054 0,00052 0,00050
3,3 0,00048 0,00047 0,00045 0,00043 0,00042 0,00040 0,00039 0,00038 0,00036 0,00035
3,4 0,00034 0,00033 0,00031 0,00030 0,00029 0,00028 0,00027 0,00026 0,00025 0,00024
3,5 0,00023 0,00022 0,00022 0,00021 0,00020 0,00019 0,00019 0,00018 0,00017 0,00017
3,6 0,00016 0,00015 0,00015 0,00014 0,00014 0,00013 0,00013 0,00012 0,00012 0,00011
3,7 0,00011 0,00010 0,00010 9,6 E-5
9,2 E-5
8,8 E-5
8,5 E-5
8,2 E-5
7,8 E-5
7,5 E-5
3,8
7,2 E-5
6,9 E-5
6,7 E-5
6,4 E-5
6,2 E-5
5,9 E-5
5,7 E-5
5,4 E-5
5,2 E-5
5,0 E-5
3,9
4,8 E-5
4,6 E-5
4,4 E-5
4,2 E-5
4,1 E-5
3,9 E-5
3,7 E-5
3,6 E-5
3,4 E-5
3,3 E-5
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
3,17 E-5 2,07 E-5 1,33 E-5 8,54 E-6 5,41 E-6 3,40 E-6 2,11 E-6 1,30 E-6 7,93 E-7 4,79 E-7
2,87 E-7 1,70 E-7 9,96 E-8 5,79 E-8 3,33 E-8 1,90 E-8 1,07 E-8 5,99 E-9 3,32 E-9 1,82 E-9
9,87 E-10 5,30 E-10 2,82 E-10 1,49 E-10 7,77 E-11 4,02 E-11 2,06 E-11 1,04 E-11 5,23 E-12 2,60 E-12
432
ditions dOrganisation
Tables
T3 Table de Student
t ,
0,40
0,25
0,10
0,325
1,000
0,289
0,816
1,886
2,920
4,303
6,965
0,277
0,765
1,638
2,353
3,182
4,541
5,841
0,271
0,741
1,533
2,132
2,776
3,747
4,604
5,598
7,173
8,610
0,267
0,727
1,476
2,015
2,571
3,365
4,032
4,773
5,893
6,869
0,265
0,718
1,440
1,943
2,447
3,143
3,707
4,317
5,208
5,959
0,263
0,711
1,415
1,895
2,365
2,998
3,499
4,019
4,785
5,408
0,262
0,706
1,397
1,860
2,306
2,896
3,355
3,833
4,501
5,041
0,261
0,703
1,383
1,833
2,262
2,821
3,250
3,690
4,297
4,781
10
0,260
0,700
1,372
1,812
2,228
2,764
3,169
3,581
4,144
4,587
11
0,260
0,697
1,373
1,796
2,201
2,718
3,106
3,497
4,025
4,437
12
0,259
0,695
1,356
1,782
2,179
2,681
3,055
3,428
3,930
4,318
13
0,259
0,694
1,350
1,771
2,160
2,650
3,012
3,372
3,852
4,221
14
0,258
0,692
1,345
1,761
2,145
2,624
2,977
3,326
3,787
4,140
15
0,258
0,691
1,341
1,753
2,131
2,602
2,947
3,286
3,733
4,073
16
0,258
0,690
1,337
1,746
2,120
2,583
2,921
3,252
3,686
4,015
17
0,257
0,689
1,333
1,740
2,110
2,567
2,898
3,222
3,646
3,965
ditions dOrganisation
0,05
0,025
0,01
433
Six Sigma
0,40
0,25
0,10
0,05
0,025
0,01
18
0,257
0,688
1,330
1,734
2,101
2,552
2,878
3,197
3,610
3,922
19
0,257
0,688
1,328
1,729
2,093
2,539
2,861
3,174
3,579
3,883
20
0,257
0,687
1,325
1,725
2,086
2,528
2,845
3,153
3,552
3,850
21
0,257
0,686
1,323
1,721
2,080
2,518
2,831
3,135
3,527
3,819
22
0,256
0,686
1,321
1,717
2,074
2,508
2,819
3,119
3,505
3,792
23
0,256
0,685
1,319
1,714
2,069
2,500
2,807
3,104
3,485
3,767
24
0,256
0,685
1,318
1,711
2,064
2,492
2,797
3,091
3,467
3,745
25
0,256
0,684
1,316
1,708
2,060
2,485
2,787
3,078
3,450
3,725
26
0,256
0,684
1,315
1,706
2,056
2,479
2,779
3,067
3,435
3,707
27
0,256
0,684
1,314
1,703
2,052
2,473
2,771
3,057
3,421
3,690
28
0,256
0,683
1,313
1,701
2,048
2,467
2,763
3,047
3,408
3,674
29
0,256
0,683
1,311
1,699
2,045
2,462
2,756
3,038
3,396
3,659
30
0,256
0,683
1,310
1,697
2,042
2,457
2,750
3,030
3,385
3,646
40
0,255
0,681
1,303
1,684
2,021
2,423
2,704
2,971
3,307
3,551
60
0,254
0,679
1,296
1,671
2,000
2,390
2,660
2,915
3,232
3,460
120
0,254
0,677
1,289
1,658
1,980
2,358
2,617
2,860
3,160
3,373
0,253
0,674
1,282
1,645
1,960
2,326
2,576
2,807
3,090
3,291
434
ditions dOrganisation
Tables
10
161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88
18,51
19,00
19,16
19,25
19,30
19,33
19,35
19,37
19,38
19,40
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
8,79
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
5,96
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
4,74
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
4,06
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
3,64
5,32
4,46
4,07
3,84
3,69
3,58
3,50
3,44
3,39
3,35
5,12
4,26
3,86
3,63
3,48
3,37
3,29
3,23
3,18
3,14
10
4,96
4,10
3,71
3,48
3,33
3,22
3,14
3,07
3,02
2,98
11
4,84
3,98
3,59
3,36
3,20
3,09
3,01
2,95
2,90
2,85
12
4,75
3,89
3,49
3,26
3,11
3,00
2,91
2,85
2,80
2,75
13
4,67
3,81
3,41
3,18
3,03
2,92
2,83
2,77
2,71
2,67
14
4,60
3,74
3,34
3,11
2,96
2,85
2,76
2,70
2,65
2,60
15
4,54
3,68
3,29
3,06
2,90
2,79
2,71
2,64
2,59
2,54
16
4,49
3,63
3,24
3,01
2,85
2,74
2,66
2,59
2,54
2,49
18
4,41
3,55
3,16
2,93
2,77
2,66
2,58
2,51
2,46
2,41
20
4,35
3,49
3,10
2,87
2,71
2,60
2,51
2,45
2,39
2,35
25
4,24
3,39
2,99
2,76
2,60
2,49
2,40
2,34
2,28
2,24
30
4,17
3,32
2,92
2,69
2,53
2,42
2,33
2,27
2,21
2,16
40
4,08
3,23
2,84
2,61
2,45
2,34
2,25
2,18
2,12
2,08
80
3,96
3,11
2,72
2,49
2,33
2,21
2,13
2,06
2,00
1,95
150
3,90
3,06
2,66
2,43
2,27
2,16
2,07
2,00
1,94
1,89
300
3,87
3,03
2,63
2,40
2,24
2,13
2,04
1,97
1,91
1,86
ditions dOrganisation
435
Six Sigma
T5 Table de la loi du 2
P
P 0,005 0,010 0,025 0,050 0,100 0,250 0,500 0,750 0,900 0,950 0,975 0,990 0,995
0,000 0,000 0,001 0,004 0,016 0,102 0,455 1,32 2,71 3,84 5,02 6,63 7,88
0,010 0,020 0,051 0,103 0,201 0,575 1,39 2,77 4,61 5,99 7,38 9,21 10,6
0,072 0,115 0,216 0,352 0,584 1,21 2,37 4,11 6,25 7,81 9,35 11,3 12,8
0,207 0,297 0,484 0,711 1,06 1,92 3,36 5,39 7,78 9,49 11,1 13,3 14,9
0,412 0,554 0,831 1,15 1,61 2,67 4,35 6,63 9,24 11,1 12,8 15,1 16,7
0,676 0,872 1,24 1,64 2,20 3,45 5,35 7,84 10,6 12,6 14,4 16,8 18,5
0,989 1,24 1,69 2,17 2,83 4,25 6,35 9,04 12,0 14,1 16,0 18,5 20,3
1,34 1,65 2,18 2,73 3,49 5,07 7,34 10,2 13,4 15,5 17,5 20,1 22,0
1,73 2,09 2,70 3,33 4,17 5,90 8,34 11,4 14,7 16,9 19,0 21,7 23,6
10
2,16 2,56 3,25 3,94 4,87 6,74 9,34 12,5 16,0 18,3 20,5 23,2 25,2
11
2,60 3,05 3,82 4,57 5,58 7,58 10,3 13,7 17,3 19,7 21,9 24,7 26,8
12
3,07 3,57 4,40 5,23 6,30 8,44 11,3 14,8 18,5 21,0 23,3 26,2 28,3
13
3,57 4,11 5,01 5,89 7,04 9,30 12,3 16,0 19,8 22,4 24,7 27,7 29,8
14
4,07 4,66 5,63 6,57 7,79 10,2 13,3 17,1 21,1 23,7 26,1 29,1 31,3
15
4,60 5,23 6,26 7,26 8,55 11,0 14,3 18,2 22,3 25,0 27,5 30,6 32,8
16
5,14 5,81 6,91 7,96 9,31 11,9 15,3 19,4 23,5 26,3 28,8 32,0 34,3
17
5,70 6,41 7,56 8,67 10,1 12,8 16,3 20,5 24,8 27,6 30,2 33,4 35,7
18
6,26 7,01 8,23 9,39 10,9 13,7 17,3 21,6 26,0 28,9 31,5 34,8 37,2
19
6,84 7,63 8,91 10,1 11,7 14,6 18,3 22,7 27,2 30,1 32,9 36,2 38,6
436
ditions dOrganisation
Tables
P 0,005 0,010 0,025 0,050 0,100 0,250 0,500 0,750 0,900 0,950 0,975 0,990 0,995
20
7,43 8,26 9,59 10,9 12,4 15,5 19,3 23,8 28,4 31,4 34,2 37,6 40,0
21
8,03 8,90 10,3 11,6 13,2 16,3 20,3 24,9 29,6 32,7 35,5 38,9 41,4
22
8,64 9,54 11,0 12,3 14,0 17,2 21,3 26,0 30,8 33,9 36,8 40,3 42,8
23
9,26 10,2 11,7 13,1 14,8 18,1 22,3 27,1 32,0 35,2 38,1 41,6 44,2
24
9,89 10,9 12,4 13,8 15,7 19,0 23,3 28,2 33,2 36,4 39,4 43,0 45,6
25
10,5 11,5 13,1 14,6 16,5 19,9 24,3 29,3 34,4 37,7 40,6 44,3 46,9
26
11,2 12,2 13,8 15,4 17,3 20,8 25,3 30,4 35,6 38,9 41,9 45,6 48,3
27
11,8 12,9 14,6 16,2 18,1 21,7 26,3 31,5 36,7 40,1 43,2 47,0 49,6
28
12,5 13,6 15,3 16,9 18,9 22,7 27,3 32,6 37,9 41,3 44,5 48,3 51,0
29
13,1 14,3 16,0 17,7 19,8 23,6 28,3 33,7 39,1 42,6 45,7 49,6 52,3
30
13,8 15,0 16,8 18,5 20,6 24,5 29,3 34,8 40,3 43,8 47,0 50,9 53,7
40
20,7 22,2 24,4 26,5 29,1 33,7 39,3 45,6 51,8 55,8 59,3 63,7 66,8
50
28,0 29,7 32,4 34,8 37,7 42,9 49,3 56,3 63,2 67,5 71,4 76,2 79,5
80
51,2 53,5 57,2 60,4 64,3 71,1 79,3 88,1 96,6 101,9 106,6 112,4 116,3
100 67,3 70,1 74,2 77,9 82,4 90,1 99,3 109,1 118,5 124,3 129,6 135,8 140,2
ditions dOrganisation
437
Six Sigma
10
11
12
39
87,5
142
202
266
333
403
475
550
626
704
15,4
27
39,2
50,7
62
72,9
83,6
93,9
104
114
124
9,6
15,5
20,6
25,2
29,5
33,6
37,5
41,1
44,6
48
51,4
7,15
10,8
13,7
16,3
18,7
20
22,9
24,7
26,5
28,2
29,9
5,02
8,38
10,4
12,1
13,7
15
16,3
17,5
18,6
19,7
20,7
4,99
6,94
8,44
9,7
10,8
11
12,7
13,5
14,3
15,1
15,8
4,43
7,18
8,12
9,03
9,78
10,5
11,1
11,7
12,2
12,7
4,03
5,34
6,31
7,11
7,8
8,41
8,95
9,45
9,91
10,3
10,7
10
3,72
4,85
5,67
6,34
6,92
7,42
7,07
8,28
8,66
9,01
9,34
12
3,11
4,00
4,59
5,07
5,46
5,80
6,11
6,39
6,65
6,88
6,87
15
2,86
3,54
4,01
4,37
4,68
4,95
5,19
5,4
5,59
5,77
5,03
20
2,46
2,95
3,29
3,54
3,76
3,94
4,1
4,24
4,37
4,49
4,59
30
2,07
2,4
2,61
2,78
2,91
3,02
3,12
3,21
3,29
3,36
3,39
60
1,67
1,85
1,96
2,04
2,11
2,17
2,22
2,26
2,30
2,33
2,36
inf
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
438
ditions dOrganisation
Tables
Risque = 0,01
Nombre de variances
199
448
729
47,5
85
120
151
184
216
249
281
310
337
361
23,2
37
49
59
69
79
89
97
106
113
120
14,9
22
28
33
38
42
46
50
54
57
60
11,1
15,5
19,1
22
25
27
30
32
34
36
37
8,89
12,1
14,5
16,5
18,4
20
22
23
24
26
27
7,50
9,9
11,7
13,2
14,5
15,8
16,9
17,9
18,9
19,8
21
6,54
8,5
9,9
11,1
12,1
13,1
13,9
14,7
15,3
16,0
16,6
10
5,85
7,4
8,6
9,6
10,4
11,1
11,8
12,4
12,9
13,4
13,9
12
4,91
6,1
6,9
7,6
8,2
8,7
9,1
9,5
9,9
10,2
10,6
15
4,07
4,9
5,5
6,0
6,4
6,7
7,1
7,3
7,5
7,8
8,0
20
3,32
3,8
4,3
4,6
4,9
5,1
5,3
5,5
5,6
5,8
5,9
30
2,63
3,0
3,3
3,4
3,6
3,7
3,8
3,9
4,0
4,1
4,2
60
1,96
2,2
2,3
2,4
2,4
2,5
2,5
2,6
2,6
2,7
2,7
inf
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
ditions dOrganisation
10
11
12
439
Six Sigma
20% 10% 5%
Alpha = 10 %
1% 20% 10% 5%
Alpha = 5 %
1% 20% 10% 5%
Alpha = 1 %
1% 20% 10% 5%
1%
0,1 902 1314 1713 2603 1237 1713 2164 3154 1570 2101 2599 3674 2336 2976 3563 4806
0,2 225 328 428 651 309 428 541 789 392 525 650 919 584 744 891 1202
0,3 100 146 190 289 137 190 240 350 174 233 289 408 260 331 396 534
440
0,4 56
82 107 163 77 107 135 197 98 131 162 230 146 186 223 300
0,5 36
53
69 104 49
69
87 126 63
0,6 25
36
48
72
34
48
60
88
44
58
72 102 65
83
99 134
0,7 18
27
35
53
25
35
44
64
32
43
53
75
48
61
73
98
0,8 14
21
27
41
19
27
34
49
25
33
41
57
36
46
56
75
0,9 11
16
21
32
15
21
27
39
19
26
32
45
29
37
44
59
13
17
26
12
17
22
32
16
21
26
37
23
30
36
48
1,1 7
11
14
22
10
14
18
26
13
17
21
30
19
25
29
40
1,2 6
12
18
12
15
22
11
15
18
26
16
21
25
33
1,3 5
10
15
10
13
19
12
15
22
14
18
21
28
1,4 5
13
11
16
11
13
19
12
15
18
25
1,5 4
12
10
14
12
16
10
13
16
21
1,6 4
10
12
10
14
12
14
19
1,7 3
11
13
10
12
17
1,8 3
10
11
11
15
1,9 2
10
10
13
12
2,5 1
2
3
ditions dOrganisation
Tables
Taille
60
23
19
14
13
11
10
Dcentrage
Taille
2
7
45
35
28
17
Taille
58
21
17
12
11
Dcentrage
Taille
ditions dOrganisation
2
5
43
33
26
15
441
Six Sigma
Taille n mini
1,1
1,21
301
1,2
1,44
83
1,3
1,69
41
1,4
1,96
25
1,5
2,25
18
1,6
2,56
14
1,7
2,89
11
1,8
3,24
1,9
3,61
2,1
4,41
2,2
4,84
2,3
5,29
2,4
5,76
2,5
6,25
2,6
6,76
2,7
7,29
2,8
7,84
2,9
8,41
16
25
442
ditions dOrganisation
B3
ditions dOrganisation
D3
2,004
2,114
2,282
2,574
3,267
D4
D5
Pour le calcul
de la carte des R
5,078
4,918
4,698
4,358
3,686
D6
0,321
0,354
0,382
0,406
0,428
0,510
1,490
1,572
1,594
1,618
1,646
1,679
0,503
0,420
0,399
0,374
0,346
0,314
1,471
1,544
1,563
1,585
1,609
1,637
0,415
0,347
0,328
0,307
0,283
0,256
1,585
1,653
1,672
1,693
1,717
1,744
1,548
1,207
1,121
1,026
0,924
0,812
5,922
5,937
5,693
5,646
5,592
5,534
10 0,9727 3,078 0,797 0,949 0,308 0,975 0,362 1,114 0,284 1,716 0,277 1,669 0,223 1,777 0,687 5,469
9 0,9693 2,970 0,808 1,000 0,337 1,032 0,412 1,224 0,239 1,761 0,232 1,707 0,184 1,816 0,546 5,394
8 0,9650 2,847 0,820 1,061 0,373 1,099 0,433 1,233 0,185 1,815 0,178 1,752 0,136 1,864 0,387 5,307
7 0,9594 2,704 0,833 1,134 0,419 1,182 0,508 1,374 0,118 1,882 0,113 1,806 0,076 1,924 0,205 5,203
2,088
2,276
2,606
B6
6 0,9515 2,534 0,848 1,225 0,483 1,287 0,548 1,389 0,030 1,970 0,029 1,874
B5
2,089
2,266
2,568
3,267
B4
Pour le calcul
de la carte des S
1,964
A3
A2
d3
d2
Carte
mdiane
c4
Pour le calcul
de la carte X
Estimation de
Tables
443
Six Sigma
Nombre de mesures
par chantillon
444
10
11
12
13
14
15
>15
2 1,414 1,279 1,231 1,206 1,191 1,181 1,173 1,168 1,163 1,160 1,157 1,154 1,153 1,151 1,149 1,128
3 1,912 1,806 1,769 1,750 1,739 1,731 1,726 1,722 1,719 1,716 1,714 1,712 1,711 1,710 1,708 1,693
4 2,239 2,151 2,121 2,105 2,096 2,090 2,086 2,082 2,08
5 2,481 2,405 2,379 2,366 2,358 2,353 2,349 2,346 2,344 2,342 2,34
ditions dOrganisation
Tables
Table L4
Table L8
Table L16
Table L12
****
2 Plan complet
Aucun risque
***
****
Fractionnaire,
Plan complet
rsolution III
Utiliser les
3
Facile dsaliasser
colonnes 1, 2, 4
en passant au plan Aucun risque
complet L8
Nombre de facteurs
***
****
Fractionnaire,
Plan complet
rsolution IV
Utiliser les
Utiliser les
colonnes 1, 2, 4, 8
colonnes 1, 3, 5, 7 Aucun risque
Facile dsaliasser
en passant au plan
complet L16
6
7
8
9
11
11
15
ditions dOrganisation
**
****
Fractionnaire
Fractionnaire,
rsolution III
rsolution V
Pas de colonne
Utiliser les
privilgier
colonnes
Facile dsaliasser
1, 2, 4, 8, 15
en continuant les
***
colonnes impaires
Fractionnaire,
de la table L16
rsolution IV
Utiliser les
colonnes impaires
*
Fractionnaire,
rsolution III
Pas de colonne
privilgier
***
Plan fractionnaire
Ne permet pas
dtudier des
interactions
Choix des colonnes en fonction
de la difficult
des modifications
des facteurs
Idal pour
dbroussailler
Les interactions
sont dilues
445
Six Sigma
Groupe
Difficile
Assez difficile
Assez facile
Facile
Table L4 (23)
1
a
b
Groupe
446
(1)
3
(2)
2
1
ditions dOrganisation
Tables
Table L8 (27)
No
a
b
a
c
b
c
a
b
c
Groupe
(1)
ditions dOrganisation
(2)
(3)
(4)
(5)
(6)
447
Six Sigma
Deuxime graphe
1
2
6
3
Table L9 (34)
No
a
b
a
b2
Groupe
448
ditions dOrganisation
Tables
10
11
10
11
12
Groupe
ditions dOrganisation
449
Six Sigma
10
11
12
13
14
15
10
11
12
13
14
15
16
a
b
a
c
b
c
a
b
c
a
d
b
d
a
b
d
c
d
a
c
d
b
c
d
a
b
c
d
Groupe
450
ditions dOrganisation
Tables
(1)
10
11
12
13
14
15
11
10
13
12
15
14
(2)
10
11
14
15
12
13
(3)
11
10
15
14
13
12
(4)
12
13
14
15
10
11
(5)
13
12
15
14
11
10
(6)
14
15
12
13
10
11
(7)
15
14
13
12
11
10
(8)
(9)
(10) 1
(11) 7
(12) 1
(13) 3
(14) 1
(1b)
(1c)
13
14
3
15
11
6
10
12
ditions dOrganisation
13
10
14
3
7
11
6
15
12
13
14
11
15
2
10
12
451
Six Sigma
(3)
15
13
12
11
10
12
4
14
12
13
15
11
11
10
4
6
8
10
14
1
12
15
(5b)
14
15
10
13
452
11
(6b)
7
12
13
10
(6a)
1
15
14
4
11
12
8
7
12
6
13
(5a)
15
(4b)
8
13
(4a)
6
14
5
6
10
14
11
11
10
13
15
10
13
12
11
15
ditions dOrganisation
Tables
L4
(complet)
L8
(complet)
L16
(complet)
L16
(resV)
L32
(complet)
1,414
1,682
2,378
Nombre de points
au centre
10
Nombre dessais
13
20
31
32
52
Plan factoriel
de base
Valeur de
ditions dOrganisation
No
1.414
+1.414
1.414
+1.414
10
11
12
13
453
Chapitre 11
Fiches rsums
455
Six Sigma
tape 1 DFINIR :
mmo des actions principales raliser
Durant cette tape, on dfinit le problme, les amliorations projetes
et les gains attendus. Tout doit tre fait pour que les attentes du client
soient traduites en terme de qualit ressentie. Dans cette tape, on doit
galement mener un travail de comprhension visant connatre le
processus et ainsi mieux cerner les limites du projet.
1. Choix du problme
Dterminer le problme rsoudre en fonction de limportance
quil reprsente pour le client et du gain potentiel pour lentreprise.
2. Formulation du problme
Formuler le problme aprs avoir recueilli toutes les informations
ncessaires :
informations factuelles (retours clients, rebuts) ;
informations chiffres (en termes de cot, de dlai, de qualit).
Raliser un QQOQCP.
3. Clients identifis
Identifier les clients amont, aval, et les clients finaux.
Identifier parmi tous les paramtres pouvant influer sur le problme, les paramtres Y concernant ce qui est critique pour le
client.
Dfinir les impacts du projet pour le client et lentreprise.
456
ditions dOrganisation
Fiches rsums
6. Cartographie du processus
Raliser la cartographie du processus qui conduit la satisfaction
du client.
8. Planification du projet
Indiquer le numro des semaines, colorier les cases pour indiquer les dures des tapes et mettre une croix pour les semaines
de formation.
Identifier les acteurs du projet.
ditions dOrganisation
457
Six Sigma
QUOI ?
O ?
QUAND ?
COMMENT ?
POURQUOI ?
Impacts :
Clients finaux :
Diagramme CTQ
Besoin des clients
Exigences
Caractristiques
mesurables
Spcifications
tat actuel
tat souhait
Groupe de travail
Nom
Tl.
Service
Ml
Planification du projet
Semaines
Dfinir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client :
458
Propritaire :
Pilote :
Direction :
ditions dOrganisation
Fiches rsums
tape 2 MESURER :
mmo des actions raliser
Dans cette tape, on doit trouver un moyen pour mesurer la/les caractristique(s) critique(s) pour les clients, valider le processus de mesure
et raliser une campagne de relevs sur le processus afin de dterminer
les capabilits et les relations entre les Y et les X.
ditions dOrganisation
459
Six Sigma
4. Rduction de la variabilit
Analyser les X potentiels (analyse des 5M).
Rduire les causes de variation en fixant des paramtres.
5. Observation du processus
Mettre en place des cartes dobservations et des feuilles de relevs.
Enregistrer toutes les informations disponibles sur Y avec ses
attributs (X correspondants).
Validation des spcifications.
460
ditions dOrganisation
Fiches rsums
Facteurs bruits :
Y = paramtres
critiques
pour le client ?
Processus
tudi
Facteurs de pilotage :
Moyen de mesure et procdure
Cmc mesur :
Commentaire(s) :
Verrouillage du procd
Mesureur :
Outil :
Frquence :
Prcision :
Processus de mesure :
Liste des actions pour limiter la variabilit
Intitul
Actions
Capabilit du processus
Mesure :
Commentaire :
Cmc
Interprtation :
Chute
entre
Explication/
processus :
Causes :
Cp
Pp
Cp
Pp
Pp
Ppk
Ppk
ditions dOrganisation
Action de suivi :
461
Six Sigma
tape 3 ANALYSER :
mmo des actions raliser
Durant cette tape, on analyse les Y (sorties du processus), les X (variables du processus) et les relations entre les X et les Y afin didentifier
les quelques X responsables en grande partie de la variabilit sur Y.
1. Analyse de Y
tude de la normalit.
tude des variations temporelles.
tude de la chute des capabilits.
2. Analyse des X
Rdiger le diagramme dIshikawa afin de dterminer les facteurs
X qui peuvent influer sur les rsultats prcdents (variation de
positions, cycliques, temporelles).
Faire une observation sur la normalit, les variations temporelles
et la chute des capabilits sur les X.
5. Hirarchiser les X
Mettre en vidence le poids des X pertinents avec Anova ou
Regression.
Focalisation sur les X les plus pertinents.
Prvoir un ventuel plan dexpriences pour formaliser la relation.
462
ditions dOrganisation
Fiches rsums
Milieu
Mthode
Matire
Main-d'uvre
Causes fondamentales
ditions dOrganisation
Poids
Conclusions
Explications
463
Six Sigma
tape 4 INNOVER :
mmo des actions raliser
Dans cette tape, on semploie laborer, mettre lessai et implanter
des solutions pour corriger les causes fondamentales du problme.
464
ditions dOrganisation
Fiches rsums
6. Gains
Actualiser les gains mesurables et les gains non mesurables.
Actualiser les cots mesurables et les cots non mesurables.
ditions dOrganisation
465
Six Sigma
Milieu
Mthode
Matire
Main-d'uvre
Rf.
doc.
Qui ? Quand ?
Capabilit
obtenue
Conclusions
Rf. doc.
Qui ?
Quand ?
F G D NPR
Planification du changement
No
tape
Responsable
466
Production
Dlai
Cot
ditions dOrganisation
Fiches rsums
tape 5 CONTRLER :
mmo des actions raliser
Lors de cette tape, on vrifie les rsultats des actions damlioration
mises en uvre au stade prcdent, en observant comment les caractristiques choisies comme indicateurs de rsultat ont volu depuis
lintroduction des solutions (mise sous contrle par le biais doutil de
la qualit type SPC).
Les rsultats doivent tre chiffrs, compars aux valeurs cibles et analyss laide des outils de la qualit pour dterminer si les amliorations prvues sont significatives. Il faut galement comparer le rapport
cots/ avantages et en tudier les rpercussions.
ditions dOrganisation
467
Six Sigma
6. Gains et cots
Actualiser les gains et cots mesurables et non mesurables.
468
ditions dOrganisation
Fiches rsums
Rf.
documents
Rf.
documents
Objet de la documentation
Rf.
documents
ditions dOrganisation
Temps
469
Six Sigma
tape 6 STANDARDISER :
mmo des actions raliser
Durant cette tape, on verrouille laction, cest--dire que lon permet
le maintien des amliorations en empchant le retour des erreurs antrieures. On va galement en profiter pour dmultiplier les bonnes pratiques identifies et clore le projet.
1. Simplifier la solution
Raliser un audit de poste et identifier :
les points qui demandent un effort particulier ;
les carts entre le nouveau standard et la pratique ;
les points mal formaliss.
Faire les transformations afin que le nouveau standard soit appliqu simplement et sans effort.
2. Prenniser la solution
Revoir les rgles qui posent problme.
Finaliser la documentation du poste.
Formaliser le nouveau savoir-faire dans une base de connaissance.
Identifier les bonnes pratiques , les formaliser, les diffuser.
Intgrer les processus et mthodes standards dans le dveloppement de nouveaux produits.
Mettre en place les indicateurs de performance.
3. Bilan du projet
Bilan technique :
faire la synthse des amliorations techniques apportes ;
modification de procdures, de mthodes ;
amlioration des capabilits
Bilan financier :
faire la synthse des cots mesurables et non mesurables ;
faire la synthse des gains mesurables et non mesurables.
470
ditions dOrganisation
Fiches rsums
Bilan humain :
fonctionnement du groupe de travail ;
identifier les manques en matire de formation, de comptences
Bilan mthodologique :
si ctait refaire, adopterions-nous la mme dmarche ?
quavons-nous oubli de faire quil ne faudra plus oublier ?
en quoi ce projet peut-il enrichir la dmarche Six Sigma dans
notre socit ?
4. Clore le projet
Documenter les lments de suivi des projets Six Sigma.
Prparer un document de prsentation du projet.
Diffuser ce document lensemble des Black Belts.
Fter la fin du projet.
ditions dOrganisation
471
Six Sigma
QUI
QUAND
Prenniser la solution
QUOI
QUI
QUI
QUAND
QUAND
Documentation du projet
Document
472
Rf.
ditions dOrganisation
473
Six Sigma
474
ditions dOrganisation
Bibliographie
AMGHAR A.,
Management de projets, Editions J.C.I. Inc, 2001.
AVRILLON L., PILLET M.,
Lapproche Shainin , Qualit rfrence, no 17, juillet 2002, p 95100, 2002.
BAYLE P. et alii,
Illustration of Six Sigma Assistance on a Design Project , Quality
Engineering, vol. 13, no 3, mars 2001, p. 341-348, 2001.
BONNEFOUS C., COURTOIS A.,
Indicateurs de performance Trait IC2, Herms Science, 2001.
BOTHE K. R., SHAININ D.,
World Class Quality, Amacom, 1991.
BREYFOGLE F. W.,
Implementing Six Sigma, Wiley Interscience, 1999.
CHARDONNET A., THIBAUDON D.,
Le Guide PDCA de Deming, ditions dOrganisation, 2003.
CHAUVEL A. M.,
Mthodes et outils pour rsoudre un problme, Dunod, 2000.
CHOWDHURY S.,
Design for Six Sigma, Prentice Hall, 2002.
475
Six Sigma
CHOWDHURY S.,
Vous avez dit Six Sigma, Dunod, 2002.
COURTOIS A., BONNEFOUS C., PILLET M.,
Gestion de production, ditions dOrganisation, 2003.
DURET D., PILLET M.,
Qualit en production De lIso 9000 Six Sigma, ditions dOrganisation, 2001.
ECKES Georges, Frchet C.,
Six Sigma en action, Village Mondial, 2003.
ECKES Georges,
Objectif Six Sigma, Village Mondial, 2002
EUROPEAN COMMISSION DGIII INDUSTRY,
The European Quality Promotion Policy, Benchmarking Introduction and main principles, Quality series, number 7, January 1998,
1998.
FULLER Howard T.,
Observations about the Success and Evolution of Six Sigma at
Seagate , Quality Engineering, vol. 12, no 3, mars 2000, p. 311315, 2000.
GEORGE M. L.,
Lean Six Sigma, Mc Graw Hill, 2002.
GOH T. N.,
The Role of Statistical Design of Experiments in Six Sigma: Perspectives of a Practitioner , Quality Engineering, vol. 14, no 4, juin
2002, p. 659-671, 2002.
GOH T. N.,
Information Transformation Perspective on Experimental Design
in Six Sigma , Quality Engineering, vol. 13, no 3, mars 2001,
p. 349-355, 2001.
GOLDSTEIN M. D.,
Six Sigma Program Success Factors, Six Sigma Forum Magazine,
volume 1, issue 1, novembre 2001.
476
ditions dOrganisation
Bibliographie
GOUPY J.,
Plans dexpriences pour surfaces de rponse, Dunod, 1999.
GRAVES Spencer,
Six Sigma Rolled Throughput Yield , Quality Engineering, vol.
14, no 2, dcembre 2001, p. 257-266, 2001.
HAHN Gerald J., DOGANAKSOY Necip,
The Evolution of Six Sigma , Quality Engineering, vol. 12, no 3,
mars 2000, p. 317-326, 2000.
HARRY J. H., The Vision of Six Sigma A Roadmap for Breakthrough,
vol. I, II, Tri Star Publishing (Phoenix, Arizona), 1997.
HARRY J. H.,
The Vision of Six Sigma Application Resource, vol. I, II, III, Tri
Star Publishing (Phoenix, Arizona), 1997.
HARRY J. H.,
The Vision of Six Sigma Tools and Methods for Breakthrough, vol.
I, II, III, Tri Star Publishing (Phoenix, Arizona), 1997.
HARRY M., SCHROEDER R;
Six sigma published by Doubleday New York, 2000.
HILD Cheryl, SANDERS Doug, COOPER Tony,
Six Sigma On Continuous Processes: How and Why It Differs ,
Quality Engineering, vol. 13, no 1, septembre 2000, p. 1-9, 2000.
HOERL Roger W. et al.,
Six Sigma Black Belts: What Do They Need to Know? And Subsequent Discussions and Response , Journal of Quality Technology,
vol. 33, no 4, octobre 2001, p. 391-435, 2001.
LE BRUN M., AUSSEDAT F.,
Six Sigma et la supply chain , Qualit rfrence, no 20, avril
2003, p. 69-74, 2003.
LUCAS J. M.,
The Essential Six Sigma , Quality Progress, volume 35, issue 1,
janvier 2002.
MADERS H. P.,
Conduire une quipe de projet, ditions dOrganisation, 2000.
ditions dOrganisation
477
Six Sigma
MONTGOMERY D. C.,
Introduction to Statistical Quality Control, 4e dition, John Whiley
& Sons, Inc., 2001.
PETITDEMANGE C.,
Le Management par projet, 80 dmarches oprationnelles au choix,
ditions EFE, 1997.
PILLET M.,
Introduction aux plans dexpriences par la mthode Taguchi, ditions dOrganisation, 1997
PILLET M.,
Appliquer la matrise statistique des procds (MSP/SPC), ditions
dOrganisation, 2000.
PIQUET F.,
Sur la route de 6 sigma , Qualit rfrence, no 13, juillet 2001,
p. 65-79, 2001.
PLUCHART J.-J.,
LIngnierie de projet, ditions dOrganisation, 2002.
PRAX J.-Y.,
Le Guide du Knowledge Management, Dunod, 2000.
PUJO P., PILLET M.,
Mthodes du pilotage des systmes de production, chap. 6,
Pilotage par la qualit ICS Productique , Herms, 2002.
PYSDEK T.,
The Six Sigma Handbook, Mc Graw Hill, 2001.
RAYNAL S.,
Le Management par projet, 2e dition, ditions dOrganisation,
2000.
SANDERS Doug, HILD Cheryl,
Six Sigma on Business Processes: Common Organizational
Issues , Quality Engineering, vol. 12, no 4, juin 2000, p. 603-610,
2000.
478
ditions dOrganisation
Bibliographie
ditions dOrganisation
479
Index
5 pourquoi ?, 92
B to C, 189
bilan, 60, 393
Black Belt, 27, 62, 65, 405, 410, 427
bote
moustache, 166, 175
noire, 32, 86
bonnes pratiques, 60, 388
Box, 141
5M, 123
du processus, 37
5S, 55
A
alias, 284
AMDEC (Analyse des Modes de
Dfaillances, de leurs Effets et de
leurs Criticits), 50, 318
amlioration continue, 7
amliorer, 27
analyse
budgtaire, 420
de la variance, 115, 218, 265, 280
de la variance sur un facteur, 219
analyser, 26, 41, 163
ANAVAR, 116, 189, 218
attributs, 119, 363
audit, 382
autocontrle, 55
automatrise, 59
C
calcul
des limites, 364
capabilit, 22, 35, 38, 148, 393
caractrisation, 264
carte
aux valeurs individuelles/tendues
glissantes, 341
c, 370
c Nombre de non-conformits, 365
de contrle, 55, 155, 339
aux mdianes et tendues, 352
moyennes et carts types, 350
moyennes/tendues, 344
p, 366
de precontrol, 354
481
Six Sigma
482
D
de projet, 427
dballage dides, 260
dfaut(s)
par opportunit, 144
rares, 369
Dfauts
Par Opportunit (DPO), 142
Par Unit (DPU), 142
dfinir, 26, 28, 73
dmarche DMAICS, 25
dtection, 320
diagramme
Dedans/Dehors , 97
Est/Nest pas , 95
Exigences/Performances , 80
de corrlation, 175
de Gantt, 417
Dedans/Dehors, 32
des 5 pourquoi ? , 92
des effets, 172
des frquences, 130
des interactions, 172
des probabilits, 175
en flche, 419
multi-vari, 168
PERT, 418
SIPOC, 32, 87
dispersion, 132, 136
court terme, 38, 133, 148
long terme, 133, 148
DMAICS, 18, 25
documentation, 57
du poste, 390
domaine dtude, 266
DPMO (Dfauts par Million dOpportunits), 22
DPO, 142
DPU, 142
E
cart type, 175, 179
chantillon, 151, 152
ditions dOrganisation
Index
F
feuille de relevs, 128
FMECA (Failure Mode, Effect and Criticality Analysis), 318
fonction perte, 54
formalisation, 333
formation, 67, 411, 424
forme de la distribution, 182
frquence, 319
H
Hartley, 189
histogramme, 131, 175
hypothse
H0, 190
H1, 190
nulle, 236
I
IEMSE, 383
indicateurs de performance, 392
innover, 27
innover/amliorer, 48, 259
instruction
de contrle, 57
de travail, 57
interaction(s), 247, 267
inter-percentile, 175
intervalle de confiance, 177, 181
ISO 9000, 9
J
justesse, 108
gains prvisionnels, 99
gaspillage, 13
Gauss, 132, 175, 182
General Electric, 1
gestion des moyens de mesure, 109
graphe
de Taguchi, 276
des effets, 173, 270
des interactions, 174, 271
gravit, 320
Green Belt, 62, 66
grille daudit, 383
groupe Six Sigma, 404
Kaizen, 6
Kano, 78
Kurtosis, 175
ditions dOrganisation
L
Lean
Management, 9, 11
Six Sigma, 17
limite(s)
de contrle, 345, 359, 364
naturelles, 56, 340
linarit, 108, 110
483
Six Sigma
logigrammes, 88
loi
de Poisson, 145
exponentielle, 138
Log normale, 138
M
main-duvre, 124
management, 422
dun projet Six Sigma, 417
par projet, 69
Six Sigma, 397
Master Black Belt, 62, 67, 403
matires, 124
matrice dimpact, 126
matrice QFD Quality Function Deployment, 82
mdiane, 175, 232
mesure, 398
mesurer, 26, 34, 103
mthodes, 124
milieu, 124
Minitab, 176
mode
de dfaillance, 318
opratoire, 332
modle de Kano, 32
modlisation, 265
polynomiale, 281
Motorola, 1
moyenne, 132, 175
moyens, 124
Muda, 13
multi-vari, 168
N
Niveau de Priorit de Risque (NPR), 320
non-conformits, 363
484
O
opportunit de dfaut, 22
organisation des comptences, 62
P
paralllogramme des tolrances, 324
paramtres, 132
dchelle, 179
de position, 176
perce, 6
prennisation dune action, 376
prenniser, 374
performance, 1, 148
industrielle, 14
plan
complet, 268, 306
composite centr, 309
daction, 422
dexpriences, 264, 266, 268
de Box Benhken, 314
de criblage, 302
de dploiement, 422
fractionnaire, 281
fractionnaire 2 niveaux, 287
plans gigognes, 297
points aberrants, 167
Poka Yoke, 56
position, 132
Pp, 39, 148, 392
Pp, Ppk, Ppm
Performance long terme du procd,
157
Ppk, 39, 148, 392
Ppm, 148
preuve statistique, 45, 399
Principe
de liceberg, 11
de la bougie magique, 11
procdure(s), 57, 385
processus, 85
de mesure, 107
proportion dunits non conformes, 361
ditions dOrganisation
Index
Q
QFD, 30
R
R&R, 107
cas des grandeurs mesurables, 112
cas des grandeurs non mesurables,
119
reconnaissance, 424
rfrentiel, 391
rgression linaire, 233
multiple, 240, 272
rendement
de rglage (Rr), 160
de sortie, 145
de stabilit (Rs), 160
rptabilit, 34, 109
reproductibilit, 34, 109
rseau de neurones, 387
rsidus, 249
rsolution, 265, 287
revue(s), 427
R0, 33
risque
alpha, 190
bta, 190
de premire espce , 347
de seconde espce , 347
S
Shainin, 168, 354
Shewhart, 338
sigma
court terme, 152
long terme, 151
SIPOC (Suppliers, Input, Process, Output, Customers), 87
Six Sigma, 1
Skewness, 175
sous contrle, 337
spcifications, 324
stabilit, 109
ditions dOrganisation
standardiser, 27
standardiser/prenniser, 373
statistique
descriptive, 164, 174
infrentielle, 164, 185
StepWise ( pas pas ), 248
stratgie de perce, 6
suivi des projets, 423
Supply Chain, 14
surface de rponse, 271, 305
T
tableau
dindpendance, 190
des alias, 285
des interactions, 270
des moyennes, 269
Taguchi, 54, 276
taille
de lchantillon, 347
des chantillons, 192
test
B to C, 212
c2, 188, 198
d'inversion, 251
dAnderson-Darling, 183
dindpendance, 216
de comparaison, 185
de comparaison par paires, 256
de Dixon, 184, 196
de Grubb, 184, 197
de Hartley, 214
de Kolmoronov-Smirnov, 183
de Shapiro-Wilk, 183
de Student, 236
du c2, 183
F, 188, 199
Hypergomtrique, 215
hypergomtrique, 189
t, 189, 207
t appair, 210
t thorique, 189, 203
tests statistiques, 45
z, 189, 205
z thorique, 188, 201
485
Six Sigma
W
Weibull, 139
White Belt, 62, 67
U
units non conformes, 362
V
valeurs aberrantes, 184
variabilit, 2, 10, 19, 398, 402
variable(s)
dpendante, 185
indpendantes, 185
486
Z
z
court terme, 145
du processus, 4, 22, 129
quivalent, 145
long terme, 145
process, 136, 145
zro dfaut, 56
ditions dOrganisation
-:HSMHKI=VXUW^[:
45