Vous êtes sur la page 1sur 48

Maurice PILLET

Professeur des Universits IUT Annecy Universit de Savoie, Laboratoire LISTIC Ancien lve de l'Ecole Normale Suprieure de CACHAN

Appliquer la matrise statistique des processus (MSP/SPC)


Quatrime dition

ditions dOrganisation, 1995, 2000, 2002, 2005 ISBN : 2-7081-3349-7

Chapitre 2

Les concepts de la Matrise Statistique des Processus (MSP)


Aprs avoir dtaill dans le premier chapitre les aspects culturels qui conduisent les entreprises matriser la variabilit des productions, nous aborderons dans ce chapitre les concepts de base de la MSP qui sont : le suivi de la variabilit et le pilotage par les cartes de contrle l'valuation de l'aptitude des processus par les capabilits Ce chapitre est volontairement dpourvu de calculs statistiques an que le lecteur se consacre l'essentiel : la comprhension des principes de base. Nous proterons des chapitres suivants pour approfondir les concepts noncs notamment en ce qui concerne les aspects statistiques et les cas d'application dans les situations particulires telles que les petites sries. Toutes les bases statistiques ncessaires dans cet ouvrage se trouvent dans l'annexe statistique en n d'ouvrage.

ditions dOrganisation

31

Appliquer la matrise statistique des processus (MSP/SPC)

1.

Les 5 M du processus

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

Mthodes

Milieu
Gamme

Machine Main-duvre Matire Mthodes Milieu

Machine Matire

Main-d'uvre

Figure 1 Les 5 M du Processus La mthode MSP a pour objectif la matrise des processus en partant de lanalyse de ces 5 M. Elle apporte une plus grande rigueur et des outils mthodologiques qui vont aider les oprateurs et la matrise dans leur tche damlioration de la qualit.

32

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Et la mesure ! Nous avons coutume de ne pas placer la Mesure parmi les M. En effet, la mesure ne modie pas la vraie dispersion vendue au client, mais l'image que l'on a de cette dispersion. La dispersion vue dans un histogramme sera la somme de la vraie dispersion de la production et de la dispersion due l'instrument de mesure. Or ce qui cre la non qualit, ce n'est pas la dispersion vue mais la dispersion vraie. La mesure est un processus lui tout seul avec ses propres 5M. Un pralable la matrise d'un processus de fabrication et la matrise du processus de mesure.

2.

Analyse de la forme de la dispersion

2.1. Rpartition en forme de cloche


L'analyse des productions sur une machine montre que, en l'absence de drglage, la rpartition des produits suit une courbe en cloche selon une loi : la loi normale. On trouve galement d'autres appellations pour cette loi telle que loi de Gauss, loi de Laplace Gauss, mais nous ne rentrerons pas dans les dtails statistiques au cours de ce chapitre.

moyenne cart type

Modle : loi de Gauss Observation d'un chantillon

Dispersion = 6

Figure 2 Courbe en cloche

ditions dOrganisation

33

Appliquer la matrise statistique des processus (MSP/SPC)

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

34

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Cause spciale Premier rglage Second rglage

Causes Communes

-3

Cible

+3

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

2.2. Causes communes Causes spciales


On sait que dans une production, deux pices ne sont jamais parfaitement identiques. Les dimensions prcises dune pice usine sur une machine outil dpendent de nombreux facteurs. Il sensuit une dispersion sur la cote que lon peut sparer en deux catgories : les dispersions dues aux causes communes, les dispersions dues aux causes spciales.

ditions dOrganisation

35

Appliquer la matrise statistique des processus (MSP/SPC)

Cette dichotomie entre les causes de dispersion est une des bases fondamentales de la mthode MSP. Il convient donc de les expliciter davantage.
Causes spciales

Causes communes

Tolrance Maxi Cible Tolrance Mini

Figure 4 Causes communes et causes spciales

2.2.1. Les causes communes


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

36

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

2.2.2. Les causes spciales


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

2.3. Processus sous contrle et hors contrle


Processus sous contrle Processus hors contrle

Figure 5 Processus sous et hors contrle

ditions dOrganisation

37

Appliquer la matrise statistique des processus (MSP/SPC)

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

3.

Surveiller un processus par cartes de contrle

3.1. Le principe de la carte de contrle


3.1.1. Les limites naturelles d'un processus
On a vu au paragraphe prcdent, que les processus de production et mme tous les systmes taient soumis des variations naturelles alatoires. Ces variations ont pour origine de trs nombreuses causes que nous avons appeles les causes communes. Ces causes communes agissent de manire alatoire sur le processus de fabrication. Ainsi, les caractristiques fabriques ne sont pas toujours identiques et suivent une loi de Gauss (thorme central limite).

cible Cible - 3
Limite naturelle infrieure Dispersion naturelle du processus

Cible + 3
Limite naturelle suprieure

Figure 6 Dispersion naturelle du processus

38

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

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

3.1.2. Le pilotage par les limites naturelles


Souvent, les oprateurs pilotent les processus partir des limites de tolrance plutt que d'utiliser les limites naturelles. Cela peut conduire deux types d'erreurs illustres par la gure 7.

Tolrance

Tolrance

Pice prleve

Dispersion Limite Naturelle

Dispersion Limite Naturelle Limite Naturelle

Cas 1

Cas 2

Limite Naturelle

Figure 7 Pilotage partir des tolrances Dans le cas 1, processus capable, l'oprateur prlve une pice qui se situe l'intrieur des tolrances. Traditionnellement, cette pice tant bonne , il continue sa production. Pourtant, la pice est en dehors des limites naturelles. Le processus n'est pas centr sur la cible, il faut rgler. Dans le cas 2, processus non capable, l'oprateur prlve une pice qui se situe l'extrieur des tolrances. Traditionnellement, cette pice tant mauvaise , il rgle le processus. Pourtant, la pice est dans les limites naturelles. Il est possible que le processus soit parfaitement centr. Dans ce cas on ne doit pas toucher au processus.

ditions dOrganisation

39

Appliquer la matrise statistique des processus (MSP/SPC)

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

Figure 8 Limites naturelles et tolrances Considrons un processus qui fabrique un lot de 25 produits au rythme de un produit par heure (petite srie). Chaque produit est contrl (contrle 100 %). Si on pilote le processus partir des tolrances, on attend de trouver un produit hors tolrance (ou au

40

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

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

3.1.3. Pourquoi prlever des chantillons ?


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

Dispersion

Figure 9 Addition du rglage et de la dispersion

ditions dOrganisation

41

Appliquer la matrise statistique des processus (MSP/SPC)

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

Dispersion sur la moyenne Dispersion Probabilit de dtecter le dcentrage avec une seule valeur Limite naturelle sur les valeurs individuelles Limite naturelle sur la moyenne

Figure 10 Pouvoir de dtection d'une moyenne

42

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Rpartition des valeurs Rpartition des moyennes Limite naturelle dans le cas d'une moyenne Limite naturelle dans le cas d'une valeur Tolrance maxi Tolrance mini

Probabilit de dtecter le dcentrage avec la moyenne

Probabilit de dtecter le dcentrage avec une seule valeur

Figure 11 Intrt de faire une moyenne Il existe cependant des cas o le prlvement d'un chantillon n'a pas de sens ou n'est pas souhaitable. C'est le cas notamment lorsque l'on suit des paramtres procd comme un cart de temprature. Dans ce cas, on raisonnera sur des valeurs individuelles. Nous traiterons ce cas dans les prochains chapitres.

3.2. La carte de pilotage (de contrle) moyenne/tendue


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

1. W. Shewhart Economic Control of Quality of Manufactured Product Van Nostrand Co. Inc Princeton. 1931

ditions dOrganisation

43

Appliquer la matrise statistique des processus (MSP/SPC)

3.2.1. Principe de remplissage


Date Heure Mesure 1 Mesure 2 Mesure 3 Mesure 4 Mesure 5 Total Moyenne tendue 23/02 6h00 6h30 7h00 7h30 8h00 8h30 8h35 9h00 9h30 1 1 -2 1 0 1 0,2 3 -1 0 -2 0 0 -3 -0,6 2 1 0 -1 -1 0 -1 -0,2 2 0 0 -3 -1 0 -4 -0,8 3 1 1 0 1 0 3 0,6 1 0 2 3 2 3 10 2,0 3 -2 1 -1 -1 2 -1 -0,2 4 -1 1 1 -1 0 0 0 2 -2 -1 -1 0 0 -4 -0,8 2

Limite suprieure de contrle Cible

2 1 0

Moyenne de l'chantillon

Point hors contrle

Limite infrieure -1 de contrle -2 Limite suprieure de contrle Moyenne tendues Journal de bord tendue de l'chantillon
6 4 2

Vrification du rglage

Rglage

Figure 12 Principe d'une carte de pilotage La gure 14 montre un exemple de carte de contrle moyennes/ tendues. Pour suivre lvolution du processus, on prlve rgulirement (par exemple toutes les heures) un chantillon de pices conscutives (par exemple 5 pices) de la production. Dans lexemple, on note sur la carte les carts par rapport la cible.

44

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

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

Figure 13 Carte aux mdianes

ditions dOrganisation

45

Appliquer la matrise statistique des processus (MSP/SPC)

La gure 13 montre un autre exemple de carte de contrle : La carte de contrle mdiane/tendue. Sur cette carte, on ne fait pas de calcul. On note les points mesurs, et on fait ressortir la tendance centrale en entourant le point central (la mdiane). Cette carte est prfrable la carte aux moyennes dans le cas de remplissage manuel. En effet, bien qu'un peu moins efcace que la moyenne, elle est beaucoup plus simple remplir et passe beaucoup mieux auprs des oprateurs. Nous reviendrons sur cette carte dans le chapitre 5. Pour la suite de ce chapitre nous nous focaliserons sur la carte la plus connue : la carte moyenne/tendue.

3.2.2. Moyenne et tendue, deux fonctions diffrentes


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

Drive dtecte par la carte des moyennes

Cible

Cas 1

Cas 2

Drive dtecte par la carte des tendues

Figure 14 Carte de contrle des moyennes et des tendues

46

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

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

Figure 15 Deux cartes pour deux fonctions diffrentes Les deux exemples prcdents sont signicatifs. Dans le premier cas, un rglage suft pour ramener le processus sur la cible, dans le deuxime cas, la position moyenne est peut-tre bonne, mais la dispersion devient importante. Il est impratif darrter le processus, car il risque fortement de gnrer du rebut !

ditions dOrganisation

47

Appliquer la matrise statistique des processus (MSP/SPC)

4.
Dnir Mesurer Analyser Contrler Standardise r Innover Amliorer

Mise en place des cartes de contrle

4.1. Dmarche DMAICS


Dfinir Identification des paramtres critiques du processus Mesurer Vrification de la capabilit du moyen de mesure Mesurer Observation du processus (Raliser une carte de contrle sans limite) Analyser Calcul des capabilits, Choix de la carte et calcul des limites de contrle

Problmes de capabilit

Amlioration continue

Analyser Recherche des sources de variabilit Contrler Suivi et pilotage par carte de contrle Dtection des causes spciales Mise sous contrle du processus Analyse des 5 M Analyse de la variance Etudes des corrlations Innover - Amliorer Rduction de la variabilit Plans dexpriences, plans produits Mise en place des amliorations

Standardiser Optimisation du processus, Le processus est mis sur rails Diminution de la frquence des contrles

Figure 16 Mise en sous contrle d'un processus La gure 16 illustre les tapes de mise sous contrle d'un processus. On note sur ce diagramme les deux tapes pralables trs importantes qui sont : dnir le choix des caractristiques suivre ; l'tude de la capabilit du moyen de mesure.

48

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

En fait la mise sous contrle d'un processus consiste suivre la dmarche DMAICS (Dnir, Mesurer, Analyser, Innover, Contrler, Standardiser) de Six Sigma. Les tapes Analyser et Amliorer pouvant parfois tre court-circuites lorsque les capabilits du processus sont bonnes.

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

ditions dOrganisation

49

Appliquer la matrise statistique des processus (MSP/SPC)

4.2.2. La matrice d'impact


La matrice d'impact est un outil permettant de choisir les caractristiques les plus importantes suivre sous MSP. L'objectif de cet outil et de rechercher les caractristiques qui ont un impact fort sur la satisfaction des clients. Il est facilement ralisable partir d'un tableur Excel.
Pice A Profondeur 2 Paralllisme Importance Largeur 10 Hauteur 8 Caractristiques client sur le produit (Tous les clients Assemblage, produit fini) Fonctionnement souple Pas de jeu visible Assemblage sans forcer Fiabilit Pice B Diamtre 2 Diam7tre4 9 18

5 3 2 5

9 9 3 3 3 72 24 1 11 27 9 54 9 3

Importance Capabilit prvisionelle Ppk

47

Longueur 9 1

L'impact est not 1 (Faible); 3 (Moyen); 9 (Fort)

Figure 17 Matrice dimpact Exemple Dans un premier temps on donne une note d'importance chaque caractristique client, puis on pondre l'impact de chaque caractristique lmentaire sur les caractristiques clients. Exemple : le diamtre 2 de la pice B impacte fortement (9) la abilit du produit et moyennement (3) le jeu. L'importance de cette caractristique est alors calcule par : Importance = 9x5 + 3x3 = 54 Dans un second temps en fonction de l'historique ou de la connaissance des experts, on value la capabilit prvisionnelle de chaque caractristique. Enn, les caractristiques candidates au suivi MSP sont parmi celles les plus importantes pour les clients et celles qui ont une capabilit attendue faible.

50

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

4.3. Mesurer
4.3.1. La capabilit des moyens de mesure
Ce point est un point essentiel dans la russite de la mise sous contrle d'un processus. Il est inutile de placer une carte de contrle si la dispersion de l'instrument de mesure occupe dj la presque totalit de la tolrance comme nous l'avons vu parfois ! La premire tape consiste vrier si on sait mesurer dans de bonnes conditions de rptabilit et de reproductibilit. Nous conseillons vivement au lecteur de se reporter au chapitre 3 sur les capabilits des moyens de mesure notamment de la mthode R&R avant de mettre en place une carte d'observation.

4.3.2. Observation du processus


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

ditions dOrganisation

51

Appliquer la matrise statistique des processus (MSP/SPC)

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

52

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

multibroche 6 broches. L'inconvnient d'un nombre tel que 6 ou 8 rside dans les calculs de moyenne qui ncessitent l'utilisation d'une calculette. Bien entendu cet inconvnient disparat si le calcul des cartes a t automatis par un logiciel MSP. Frquence dchantillonnage Le but du prlvement tant de donner une image du processus sans pour autant mesurer toutes les pices, il faut que la frquence dchantillonnage donne une image la plus juste possible du processus.

volution relle du processus

Figure 18 Incidence de la frquence d'chantillonnage Si nous prenons l'exemple de la gure 18, l'image de lvolution relle du processus va dpendre de la frquence dchantillonnage que lon va choisir. Il est vident que la solution points noirs est meilleure que la solution points blancs . On remarque galement quune frquence plus leve ne donnerait que peu dinformations supplmentaires. Il est donc ncessaire de connatre la frquence dvolution du processus pour dterminer la frquence dchantillonnage. Certains auteurs proposent des abaques pour dterminer la frquence de prlvement. Nous prfrons en gnral suivre la rgle empirique suivante : la frquence des actions correctives sur un processus doit tre au moins quatre fois plus faible que la frquence de prlvement .

ditions dOrganisation

53

Appliquer la matrise statistique des processus (MSP/SPC)

Exemples Le processus est assez stable, il ncessite en moyenne une action (rglage, changement d'outil...) par demi-journe. Une frquence de prlvement d'un chantillon par heure convient dans ce cas. Un autre processus ncessite en moyenne une action par heure. Il faudra alors passer un prlvement tous les quarts d'heure. En gnral, on choisit une frquence relativement leve au dbut de la mise en place dune carte et, mesure que lon amliore la stabilit, on diminue la frquence de prlvement. Pour afner ds la mise en place des cartes de contrle la frquence de prlvement, il faut absolument noter durant la phase d'observation toutes les actions et tous les incidents intervenants sur le processus. Nombre de sous-groupes ncessaires Pour avoir une bonne image de la variabilit naturelle du processus, il faut avoir sufsamment de relevs. En effet, si nous nous satisfaisons de 5 chantillons par exemple, la abilit des donnes de base pour les calculs des cartes serait de pitre qualit. Il faut attendre d'avoir sufsamment de donnes. Lorsque la premire carte sans limite est remplie, cela correspond gnralement une vingtaine d'chantillons qui reprsentent une centaine d'informations individuelles. Cela suft pour donner une bonne image du processus. Durant la phase d'observation, on calculera pour chaque sous-groupe prlev : la moyenne du sous-groupe i ; lcart type ou l'tendue (suivant la carte choisie) du sousgroupe i. Nous recommandons de reprsenter les donnes observes sur les graphiques des moyennes et des tendues. Cette reprsentation donnera une bien meilleure ide du comportement du processus, en l'absence de pilotage par cartes de contrle, qu'une srie de chiffres.

54

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

1 X1 X2 X3 X4 X5 Xb R 7 2 1 1 0

2 2 -3 0 1 -1

3 1 3 1 -2 2

4 0 0 -1 1 2

5 -1 2 1 3 0

6 5 2 1 3 2

7 1 3 1 3 0

8 0 0 1 2 3

9 0 1 2 2 -1

10 1 2 4 3 2

11 3 1 1 3 -3

12 2 0 0 3 0

13 0 0 3 0 2

14 2 3 2 3 -1

15 3 0 1 -1 1

16 0 1 3 0 3

17 1 -1 -1 -2 0

18 -1 -1 3 2 0

19 4 0 -1 0 2

20 1 -1 0 3 2

2.2 -0.2 1.0 0.4 1.0 2.6 1.6 1.2 0.8 2.4 1.0 1.0 1.0 1.8 0.8 1.4 -0.6 0.6 1.0 1.0 7 5 5 3 4 4 3 3 3 3 6 3 3 4 4 3 3 4 5 4

3.0 2.0 1.0

0.0 -1.0 -2.0 -3.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

3.0 8 2.0

6
1.0

4 0.0
-1.0

-2.0

0 -3.0

10 11 12 13 14 15 16 17 18 19 20
10 11 12 13 14 15 16 17 18 19

20

Figure 19 Carte d'observation (cart en centime % la cible)

4.4. Analyser
4.4.1. Calcul des capabilits
Connaissant la variabilit naturelle du processus, nous pourrons alors choisir et calculer les cartes de contrle adaptes la caractristique suivie. En utilisant les donnes de la carte d'observation, il sera

ditions dOrganisation

55

Appliquer la matrise statistique des processus (MSP/SPC)

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

4.4.2. Calcul des cartes de contrle


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

56

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Calcul des limites de contrle Les limites de contrle se calculent en utilisant les formules suivantes : Pour la carte des moyennes Limite de contrle suprieure : LSC X = Cible + A2. R Limite de contrle infrieure : LIC X = Cible A2. R Pour la carte de contrle des tendues Limite de contrle suprieure : LSC R = D4. R Limite de contrle infrieure : LIC R = D3. R La cible est la valeur sur laquelle il faut se centrer. Elle est souvent xe gale au milieu de l'intervalle de tolrance. Pour les processus qui ne peuvent tre centrs sur la cible idale (cote rsultant d'un moule par exemple), on xe la cible sur la moyenne des moyennes ( X ) de la carte d'observation. Les coefcients A2, D3, D4 sont fonction de la taille des chantillons. Nous montrerons dans le chapitre 5 l'origine de ces coefcients.
n A2 D3 D4 2 1,88 3,27 3 1,02 2,57 4 0,73 2,28 5 0,58 2,11 6 0,48 2,00 7 0,42 0,07 1,92 8 0,37 0,14 1,86 9 0,34 0,18 1,82 10 0,31 0,22 1,78

Figure 20 Tableau des coefficients pour le calcul des cartes Exemple de calcul d'une carte de contrle Prenons le cas d'une cote, obtenue sur machine-outil, de valeur nominale 10 mm et d'intervalle de tolrance 0,1 mm. Les chantillons prlevs sont des groupes de 5 pices. A l'issue de la phase d'observation du processus, nous avons calcul la moyenne des tendues de chaque sous-groupe R = 0,04 Comme il est possible de piloter la caractristique pour la ramener sur la cible, on xe la cible sur le milieu de l'intervalle de tolrance soit 10,00.

ditions dOrganisation

57

Appliquer la matrise statistique des processus (MSP/SPC)

Choix des coefcients Les groupes tant de 5 pices, nous prenons les coefcients A2, D3, D4 dans la colonne 5 A2 = 0,58 D3 = D4 = 2,114 En appliquant les formules nous trouvons : Limite suprieure de contrle des moyennes LSC = 10, 00 + 0, 58 x 0, 04 = 10, 023 X Limite infrieure de contrle des moyennes LIC = 10, 00 0, 58 x 0, 04 = 9, 977 X Si on raisonne en carts par rapport la cible, les limites s'crivent : LC = 0, 58 x 0, 04 = 2.278 X Limite suprieure de contrle des tendues LSC R = 2, 114 x 0, 04 = 0, 085 Il n'y a pas de limite infrieure pour des groupes de 5 pices.
Carte X-bar-R
1 1

2
Moyennes

UCL=2.278 _ _ X=0

1 0 -1 -2
1 3 5 7 9 11 13 15 17 19

LCL=-2.278

8
tendues

UCL=8.352 _ R=3.95

6 4 2 0
1 3 5 7 9 11 chantillon 13 15 17 19

LCL=0

Figure 21 Exemple de carte de contrle Xbar-R La gure 21 montre la carte dobservation sur laquelle on a plac les limites naturelles (limites de contrle). Il apparat sur la carte des moyennes deux points qui sortent des limites et une srie de points

58

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

toujours du cot suprieur la cible. Cela tmoigne de la prsence dune cause spciale (un dcentrage ici) qui mriterait un recentrage de la production sur la cible.

4.5. Contrler
4.5.1. Pilotage du processus par cartes de contrle
Lors de cette phase, le processus est pilot en observant les cartes de contrle. Pour une efcacit maximale des cartes de contrle, il est indispensable que les dcisions d'actions sur le processus soient dictes par les cartes. Le pilotage par cartes de contrle doit se substituer et non s'additionner aux mthodes empiriques de pilotage. Cette remarque pralable peut sembler anodine, elle est pourtant fondamentale. De trs nombreuses applications de cartes de contrle ont chou faute d'avoir mis en pratique cette remarque.
Mthode de pilotage Prlever un chantillon de pices conscutives et sans intervention

Mesurer les pices et reporter les points sur la carte de pilotage

Interprter le graphique en utilisant les rgles d'interprtation (figure 23)

Appliquer le tableau de dcision (figure 24) En cas de rglage, appliquer la rgle de vrification des rglages

Figure 22 Mthode de pilotage La phase de pilotage consiste donc observer les cartes, les interprter an de dtecter l'apparition de causes spciales et de ragir avant de gnrer des produits hors spcication. Les interprtations des cartes de contrle sont relativement simples, il suft de connatre les quelques situations de base. L'interprtation de la carte des tendues est diffrente de la carte des moyennes. L'une surveille le rglage du processus, l'autre surveille la dispersion du processus.

ditions dOrganisation

59

Appliquer la matrise statistique des processus (MSP/SPC)

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

Dcision carte des moyennes

Dcision carte des tendues

LIC

Les courbes X et R oscillent de chaque ct de la moyenne. 2/3 des points sont dans le tiers central de la carte.

Production

Production

LSC

Point hors limites Le dernier point trac a franchi une limite de contrle.

Rgler le processus de la valeur de l'cart qui spare le point de la valeur cible.

LIC

Cas limite suprieure La capabilit court terme se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir. Il y a une erreur de mesure Cas limite infrieure La capabilit court terme s'amliore Le systme de mesure est bloqu Cas tendance suprieure La capabilit court terme se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir. Cas tendance infrieure La capabilit court terme s'amliore. Il faut trouver l'origine de cette amlioration pour la maintenir. Cas srie croissante La capabilit court terme se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir. Cas srie dcroissante La capabilit court terme s'amliore. Il faut trouver l'origine de cette amlioration pour la maintenir. Cas limite suprieure Surveiller la capabilit Si plusieurs points de la carte sont galement proches de la limite suprieure, la capabilit se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir.

LSC

Tendance suprieure ou infrieure 7 points conscutifs sont suprieurs ou infrieurs la moyenne .

Rgler le processus de l'cart moyen qui spare la tendance la valeur cible

LIC

LSC

Tendance croissante ou dcroissante 7 points conscutifs sont en augmentation rgulire ou en diminution rgulire.

Rgler le processus si le dernier point approche les limites de contrle de l'cart qui spare le dernier point la valeur cible

LIC

LSC

1 point proche des limites Le dernier point trac se situe dans le 1/6 au bord de la carte de contrle

LIC

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

Figure 23 Les rgles de pilotage des cartes de contrle

60

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

4.5.2. Dcision sur la production


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

IDENTIFIER et CORRIGER la cause spciale Le processus devient hors contrle MAIS toutes les valeurs individuelles du prlvement sont dans les tolrances TRIER les composants depuis le dernier point sous contrle de la carte de pilotage

Contrle unitaire (Tri 100 %)

ACCEPTER les pices

IDENTIFIER et CORRIGER la cause spciale Le processus devient hors contrle ET une ou plusieurs valeurs individuelles du prlvement sont hors tolrances

Contrle unitaire (Tri 100 %)

TRIER les composants depuis le dernier point sous contrle de la carte de pilotage

Figure 24 Tableau de dcision

ditions dOrganisation

61

Appliquer la matrise statistique des processus (MSP/SPC)

4.6. Analyser et Innover


En parallle avec le suivi et le pilotage par carte de contrle, ces deux tapes sont indispensables la mise sous contrle d'une caractristique lorsque la capabilit s'avre insufsante l'issue de la phase Mesurer . Ces tapes ncessitent l'utilisation d'outils statistiques relativement sophistiqus tels que les tudes de rgression, les plans d'expriences qui ne seront pas traits dans cet ouvrage. Le lecteur pourra avec intrt se rfrer notre ouvrage Six Sigma, comment l'appliquer 2 pour avoir la description dtaille de ces tapes.

4.7. Standardiser
Les cartes tant en place, il faudra interprter celles-ci an de dtecter l'apparition des causes spciales. Nous serons alors dans la phase d'utilisation des cartes de contrle. L'utilisation des cartes de contrle motive les oprateurs et l'encadrement amliorer le processus et ainsi, diminuer la variabilit naturelle de celui-ci. Lorsque cette variabilit aura diminu, il faudra alors recalculer les cartes... et continuer amliorer. Nous entrons alors dans la phase d'amlioration continue qui est en fait l'objectif de la MSP. Le but est de mettre le processus sous contrle, nous utilisons le mot sur rails pour bien imager le but de ce travail : limiter au maximum le nombre d'interventions ncessaires pour maintenir la caractristique sur la cible. Sur la gure 16 nous soulignons la boucle d'amlioration continue. Chaque fois qu'une amlioration permet de stabiliser le processus, on peut diminuer les contrles, et ainsi viter un gaspillage. Contrler n'apporte pas de valeur ajoute au produit, l'idal est de converger vers une mise sous contrle avec le minimum de mesures. Enn toutes les bonnes pratiques qui ont t mises en place dans le projet doivent tre dupliques aux autres processus. Les dmarches de pilotage doivent tre formalises an de garantir la prennit de la mise sous contrle.
2. Maurice Pillet Six Sigma Comment l'appliquer ditions d'organisation 2004

62

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

5.

Le concept de capabilit (aptitude)

5.1. Le besoin de formaliser une notion oue


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

ditions dOrganisation

63

Appliquer la matrise statistique des processus (MSP/SPC)

5.2. Dnition de la capabilit


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

5.3. Pp et Ppk (Performance du processus long terme)


5.3.1. Performance intrinsque du processus Pp
Pour prciser toutes ces notions un peu oues, la MSP fournit un indicateur prcis dans ce domaine, cest lindicateur Pp (Performance du processus). Cet indicateur est calcul de la faon suivante :
Pp = Intervalle de tolrance IT = Dispersion long terme 6 LT

64

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Dans une premire approche, un processus sera dit capable si lintervalle de tolrance est plus grand que la dispersion alatoire du processus avec une petite marge, cest--dire lorsque le Pp est suprieur 1,33 (8/6).
Intervalle de tolrance Intervalle de tolrance

Dispersion = 6 6 Processus non capable Pp < 1,33

Dispersion = 6 6 Processus capable Pp >1,33

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

ditions dOrganisation

65

Appliquer la matrise statistique des processus (MSP/SPC)

Le calcul du Pp sera donc ralis partir d'un chantillon reprsentatif de l'ensemble d'une production. En gnral, la priode retenue pour le calcul d'un Pp est au moins d'une semaine. Ainsi, le Pp calcul donnera une bonne indication de la qualit de la production livre au client.

5.3.2. Indicateur de drglage Ppk


Nous venons de voir qu'une des conditions ncessaires pour qu'un processus soit capable est que l'indicateur Pp soit suprieur 1,33. Cette condition est-elle sufsante ?
Intervalle de tolrance Intervalle de tolrance

Dispersion

Dispersion

Pp = 1,5

Pp = 1,5

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

66

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Tolrance infrieure Moyenne

k D1

Tolrance suprieure

D2
Dispersion

Figure 27 Processus drgl du ct suprieur la moyenne Ppk est donc un indicateur qui compare les deux distances D1 et D2 en tablissant le rapport entre les deux distances. Bien sr, dans le cas d'un drglage du ct infrieur la moyenne, ce n'est plus la distance D1 qu'il faudra considrer, mais une distance D'1 (Moyenne Tolrance infrieure). Nous pouvons donc crire la formule de calcul du Ppk
Ppk = Distance (Moyenne / Limite la plus proche) k LT = 1 2.(Dispersion Long Terme ) 3 LT

Le terme Ppk vient du fait que l'on calcule le Pp du cot le plus proche de la spcication en faisant le ratio entre la distance exprim en nombre d'cart type (k) divise par la moiti de la dispersion (3). On a donc Ppk = k/3

5.3.3. Interprtation de Pp et Ppk


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

ditions dOrganisation

67

Appliquer la matrise statistique des processus (MSP/SPC)

En cas de rglage parfait, on vrie aisment que Pp = Ppk. En revanche, plus le drglage est important et plus la diffrence entre Pp et Ppk devient importante. L'objectif des oprateurs sera donc d'avoir un Ppk le plus proche possible du Pp.

5.4. Cp et Cpk (Capabilit processus Court terme)

Caractristique Tolrance Suprieure Dispersion court terme DCT CT Dispersion long terme DLT LT Tolrance Infrieure Temps

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

68

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

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

Remarque : On trouve galement dans certain cas l'indicateur CR : 1 6 CT CR = = Cp Tolrance


Cpk = Distance (Moyenne/Limite la plus proche) Dist(M/LlpP) = 1/2 Dispersion court terme du processus 3 CT

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

ditions dOrganisation

69

Appliquer la matrise statistique des processus (MSP/SPC)

processus pendant la production de ces trois pices. En revanche, il peut y avoir des actions de rglage entre deux chantillons. Dans ce cas, la dispersion court terme sera la moyenne des dispersions observes sur chacun des chantillons. Ces deux mthodes seront dtailles, notamment en ce qui concerne les calculs, dans le chapitre sur les capabilits (chapitre 4 et chapitre 10).

5.5. Les indicateurs lis la cible : le Cpm et le Ppm


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

70

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Dispersion Pp=1,33, Ppk =1,33

Dispersion Pp=4, Ppk =2

Figure 29 Le Ppk nest pas suffisant L'indicateur Cpm est bas sur la fonction perte de Taguchi.
Perte pour la socit Perte pour l'cart X - cible Fonction perte K(X-cible)_ L = K(X-cible) 2

Perte moyenne pour un lot de moyenne X et d'cart type :

L = K ( 2 + ( X cible ) 2 )
X

Cible

Figure 30 Fonction perte de Taguchi Le nouvel indicateur Cpm rete la perte (au sens de Taguchi) due un drglage. Cpm est dni par : Cpm = IT 6. i2 + X Cible

Cp 1 + 9(Cp Cpk) 2

La fonction perte intervient au dnominateur. On note que l'indicateur Cpm est gal Cp lorsque le processus est parfaitement centr. Cpm dcrot lorsque le dcentrage augmente. Comme on le constate, Cpm tient compte la fois du centrage et de la dispersion. En garantissant le Cpm, on assure que le processus est rellement centr sur la cible. La variabilit sur le produit ni sera faible.

ditions dOrganisation

71

Appliquer la matrise statistique des processus (MSP/SPC)

On calcule galement sur le long terme la performance Ppm par la mme relation, mais en prenant l'cart type long terme. Ppm = IT
2 6. LT + X Cible

Pp 1 + 9(Pp Ppk) 2

5.6. Exemple de calcul de capabilit


A l'issue d'une production, on prlve alatoirement 69 pices dans le lot fabriqu. On veut calculer la performance de processus. Soit lhistogramme gure 31 pour une cote de 50 0,05.
49.95 LSL 50.009 50.05 USL

= 0.009

49.950

49.965

49.980

49.995

50.010

50.025

50.040

Figure 31 Exemple de calcul de capabilit Calcul de la moyenne et de lcart type : X = 50 ,009

n 1 = 0 ,009

Calcul des indicateurs de capabilit long terme Pp et Ppk : Pp = 0,1 = 1, 84 6x 0, 009 Ppk = 50, 05 50, 009 = 1, 52 3x 0, 009

Le processus est jug capable selon le critre Ppk (Ppk > 1,33). Le pourcentage hors tolrance est infrieur 32 ppm.

72

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Calcul du Ppm Ppm = IT 6 2 + (X Cible)2 = 0,1 6 0, 0092 + (50, 009 50)2 = 1, 33

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

ditions dOrganisation

73

Appliquer la matrise statistique des processus (MSP/SPC)

5.7. Synthse des diffrents indicateurs de capabilit


Lorsque l'on parle d'aptitude ou de capabilit, on peut distinguer deux niveaux : la capabilit court terme reprsentant la capabilit du moyen de production si l'on arrive parfaitement stabiliser la caractristique ; La capabilit long terme (performance) qui traduit la production livre au client. Il est toujours difcile de donner des dures correspondant ces diffrentes capabilits car cela dpend du type de production. On peut cependant donner un ordre de grandeur dans le cas de grandes sries automobiles par exemple en disant que la capabilit court terme serait reprsentative de cinq minutes de production, la capabilit long terme reprsenterait une semaine de production. On peut donc tablir le tableau suivant qui prcise les diffrents indicateurs de capabilit que l'on peut calculer.
capabilit intrinsque
Tolrance 6

Vraie capabilit Centrage


min( TS X X TI , ) 3 3

Vraie capabilit Perte


Tolrance 6 + ( x cible)2
2

Court terme capabilit (1/4 heure) Long terme performance (1 semaine)

Cp

Cpk

Cpm

Pp

Ppk

Ppm

Figure 32 Les diffrents calculs de capabilit Comme on le constate sur le tableau, il n'y a pas de diffrence de calculs entre les diffrents indicateurs, il y a seulement des diffrences dans ce qu'ils reprsentent en terme de temps de production.

74

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

5.8. L'interprtation de la chute de capabilit

Court terme Cp Stabilit du processus Long terme potentiel Pp Centrage du processus

Condition d'acceptation

Long terme centrage Ppk > 1,33 ou Ppm > 1,33 Ppm > 1,33

Perte de capabilit

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

Processus instable Temps

Processus stable Temps

Figure 34 Chute entre Cp et Pp

ditions dOrganisation

75

Appliquer la matrise statistique des processus (MSP/SPC)

Nous avons vu prcdemment que la chute de capabilit entre Pp et Ppk tait due au drglage. Nous pouvons alors interprter l'ensemble du tableau des capabilits comme dans l'exemple gure 35. Le tableau suivant concerne un produit comportant 5 caractristiques pour lesquelles le centrage est assez facile obtenir. Dans ce cas, le Cpk n'est pas d'une grande utilit car un drglage sur le court terme peut trs rapidement tre compens. Ce tableau permet une apprhension immdiate des problmes lors dune runion pour peu que l'ensemble des personnes concernes aient t formes la notion de capabilit. Nous avons gris dans le tableau tous les cas de gure o : le Ppk est infrieur 1,33 ; le Ppm est infrieur 1,33.
Caractristiques 1 - 100,05 2 - 120,05 3 - 80,02 4 - L 200,06 5 - L 100,04 Cp 2,5 2,5 Pp 2,2 Ppk 1,9 1,0 0,8 Ppm 1,63 1,05 0,86 0,57

1,1
0,9 2,5 2,2

1,1 3,2 2,5

1,1 1,6

1,07

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

76

ditions dOrganisation

Les concepts de la Matrise Statistique des Processus (MSP)

Caractristique 3 : Ppm est infrieur 1,33 et le Ppk est mdiocre. Au dpart, la capabilit court terme est insufsante. Une action mthode ou maintenance s'impose. Nous ne pouvons probablement pas rsoudre le problme dans l'atelier. Il faut, soit modier la gamme de fabrication, soit rparer la machine dans le cas d'une dtrioration de la capabilit court terme par rapport la capabilit court terme historique. Caractristique 4 : Ppm est infrieur 1,33. Il y a un gros cart entre le Pp et le Ppk d un dcentrage. Il est souvent ais de remdier ce type de problme en matrisant mieux le centrage de la caractristique. Une surveillance par carte de contrle s'impose. Caractristique 5 : Ppm est infrieur 1,33 et pourtant Ppk est suprieur 1,33. Une amlioration est encore possible en centrant mieux le processus pour tre plus sur la cible. Bien que le Ppk soit suprieur 1,33, ce cas de gure gnre une perte suprieure au cas Pp = 1,33 et Ppk = 1,33. Cela peut tre dlicat dans le cas d'un tolrancement statistique.

ditions dOrganisation

77