Vous êtes sur la page 1sur 10

MTH 2301 Mthodes statistiques matrise statistique des processus : SPC

SPC 1

Mthodes du contrle (matrise) statistique de la qualit


O ?
RCEPTION et EXPDITION

Mthodes statistiques de la qualit : Statistical Quality Control chantillonnage des lots : Acceptance Sampling cartes de contrle de Shewhart: Statistical Process Control (SPC) planification dexpriences : Design Of Experiment (DOE) - Taguchi analyse des modes dfaillances : Failure Mode Effect Analysis (FMEA) dploiement fonction qualit : Quality Function Deployment (QFD) analyse de fiabilit Contrle Statistique des Processus : SPC de base types de cartes : attribut comptage mesure processus dimplantation exemples avec Statistica

QUOI : MTHODES
PLANS D'CHANTILLONNAGE LOTS (Acceptance sampling)

produits regroups en lots

matires premires produits semi finis

SPC 2

Analyse de capacit (capabilit) des processus mthodologie indices lien avec la stratgie 6 sigma Analyse de capacit des processus de mesure : R&R Reproductible & Rptitivit mthodologie critres exemples SPC : cartes avances moyenne mobile MA moyenne mobile poids exponentiel EWMA cumulative somme CUSUM multivariables T de Hotelling
2

PRODUCTION et ASSEMBLAGE OPTIMISATION PRODUITS PROCDS TESTS ESSAIS en ACCLRS

CARTES de CONTRLE et ANALYSE de CAPACIT (SPC) PLANIFICATION D'EXPRIENCES (DOE - Taguchi) TUDES FIABILIT (accelerated testing)

SPC 3

SPC 4

SUIVI QUALIT et FIABILIT PRODUITS en SERVICE DESIGN de PRODUITS et PROCDS et SERVICES


1

MTHODES D'ANALYSE STATISTIQUE

SPC 5

Stratgie de management qualit SIX SIGMA stratgie organisationnelle mthodologie DMAIC : Define Mesure Analyze Improve Control mthodologie DFSS : Design For Six Sigma

QFD (Quality Function Deployment) PLANS D'EXPRIENCES ANALYSE TOLRANCE

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

concept central : P R O C E S S U S
RESSOURCES APPROVISIONNEMENT MATRIAUX QUIPEMENTS PERSONNEL
CARACTRISTIQUES CRITIQUES pour la QUALIT :

2 PROCESSUS INSPARABLES

PROCESSUS tapes mthodes procdures


PRODUIT ou SERVICE
pice

rle 2

rle 1

Fabrication
rle 3

Mesurage

Rsultat Y

PARAMTRES MESURABLES et CONTRLABLES

VALEUR AJOUTE

- MESURES - COMPTAGES - ATTRIBUTS

TYPE inspection : humain comptage mesure : appareil


DISTRIBUTION de Y

Classement 0, 1, 2, 34.582 .

X1, X2, X3,

Fonction de transfert f

Y =f (X1, X2,..)

Classement .. Binomiale : 0 ou 1 Comptage .. Poisson Mesure (variable) . Normale (gaussienne)

Les 3 RLES DES DONNES

Les cartes de Shewhart (contrle) sont appliques ces variables

rle 1

analyser le processus de mesurage : R&R REPRODUCTIBLE ? RPTIVIT ? classer la pice : conforme ou non conforme ? (exigences, spcifications, tolrances) analyser le processus de fabrication : tude de capacit STABLE ? CAPABLE ?
4

rle 2

rle 3
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

CONSTATS UNIVERSELS
La qualit du produit dpend du processus. Le processus doit tre tudi avec le produit. Le comportement du processus varie dans le temps
VARIABILIT est TOUJOURS PRSENTE

Les 4 TATS POSSIBLES d'un PROCESSUS

OUI OUI CAPABLE ? NON

STABLE ?

NON

Sans surveillance, TOUS les processus se dsorganisent et se dgradent : ENTROPIE

Pour s'en sortir, une solution qui a fait ses preuves :


CARTES de CONTRLE des PROCESSUS
remarque : le terme CONTRLE prte beaucoup de confusion. Les cartes ne contrle pas le processus mais elles donnent une image du COMPORTEMENT du processus par lintermdiaire de mesures sur le produit. Il serait nettement prfrable dappeler ces cartes : cartes de comportement du processus Les cartes permettent

1 Situation confortable produits conformes 100% situation jamais acquise de manire permanente en profiter pour amliorer le processus 2. Cas limite Amliorer le processus pour aller en 1 : Diminuer la dispersion ou revoir les limites de spcification 3. Processus au bord du chaos produits conformes 100% mais tat de courte dure processus instable et tout peut arriver il faut trouver les causes assignables (spciales) et stabiliser le processus pour se ramener au cas 1 ou 2 4. Situation chaotique Il faut faire des amliorations importantes pour stabiliser PRIORIT : STABILISER en premier et ensuite RENDRE CAPABLE

En rsum

d'analyser les fluctuations de Y de quantifier ces fluctuations de comprendre deux catgories de variabilit de rduire la variabilit de statuer si le processus est STABLE ( concept dfinir) d'valuer la capacit du processus (indices) relativement des limites de spcification (tolrances)

les cartes de contrle = un BILAN de SANT du PROCESSUS

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

Distinction entre 2 types de variabilit


TYPE LMENT type 1 type 2 cause non assignable cause commune interne au processus grand faible chronique - dfaut de design, - formation insuffisante, -documentation inadquate, - matires premires, - rglages imprcis, - conditions de travail, - quipement inadquat, .. global management

Gense des cartes


inventeur : Walter Shewhart en 1924 ( General Electric ) ide de base : sparer les 2 types de variabilit CAS

Shewhart cause assignable Deming cause spciale source causes externe processus nombre causes petit effet cause fort prsence sporadique Exemples hommes, matriaux, mthodes machines,

N ( , ) , CONNUS LCLX = 3 CLX =

X UCLX = + 3

P ( LCLX X UCLX ) = 0.9973 1 chantillon de taille n : x 1 , x 2 , LCLXbar = A ; UCLXbar = + A ;

x n : X = x i / n = Xbar A = 3/n

P [ LCLXbar X UCLXbar ] = 0.9973


CAS estimation des paramtres k chantillons de taille n : x i 1 , x i 2 ,

( , ) INCONNUS ,xin i = 1, 2, , k

Xbar i = x i n / n ; R i = max( x i j) min (x i j) ; S i = X =

( x i j - Xbari ) /( n-1)

Xbar i / k ; R = R i / k

; S=

Si/k
= S / c4

correctif responsabilit

local personnel 1er niveau

estimation sans biais de :

= R / d2 ;

remarque : les constantes d2 et c4 dpendent de n ( voir p. 11) limites de contrle : Xbar et R des moyennes Xbar avec R des moyennes Xbar avec S des tendues R des carts types S : : : : X X Xbar et S

DFINITION Le PROCESSUS est STABLE si seulement des causes communes sont en jeu dans le processus. dfinition statistique : les paramtres de la distribution (population) de X sont constants et ne changent pas dans le temps COMMENT SAVOIR ? La SEULE Mthode est l'utilisation d'une

A 2R A 3S

; ;
et et

A 2 = 3 / ( d2 n ) A 3 = 3 / ( c4 n ) UCL = D
4

LCL R = D 3 R LCL S = B
3

UCL = B 4 S

carte de contrle.

AUTRES CAS : attributs et comptages base : loi binomiale et loi de Poisson

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

Cartes de contrle de Shewart


EXEMPLE : carte Xbar (moyenne) & R (tendue)
X-bar and R Chart; variable: X_E6
Histogram of Mean 260 240 220 200 180 160 140 120 100 80 60 0 X-bar: 143.52 (143.52); Sigma: 19.927 (19.927)

Limites de contrle : formules


CARTES pour des variables de type mesure Donnes groupe i ( i = 1, 2 , , k ) :
Ri Si
178.03 143.52 109.00

x i1 , x i2 , , x in

Xbar i moyenne du groupe i de n observations = x ij / n tendue du groupe i = max( x ij ) min( x ij ) cart type du groupe i = ( x ij Xbar i )
2

/( n-1)

mR i Xbar Rbar Sbar

tendue mobile = | X i X i-1 | : observ. ordonnes dans le temps et n = 1 moyenne des k moyennes Xbar = Xbar i / k moyenne des k tendues R = R i / k moyenne des k carts types S = S i moyenne des tendues mobiles mR = mR i /( k 1 )

10

15

20

25

30

Histogram of Ranges 140 120 100 80 60 40 20 0 -20 0 2 4 6 8 10 12 14 16 18 5

Range: 33.727 (33.727); Sigma: 17.702 (17.702)

86.834

mR

33.727 0.0000 10 15 20 25 30

Caractristique
n 2 moyennes ( Xbar & R ) tendues ( R )

CL
Xbar Rbar Sbar Xbar

LCL
Xbar - A2* Rbar Xbar A3* Sbar D3* Rbar B3* Sbar Xbar 2.66* mR
UCL
0.5

UCL
Xabr + A2* Rbar Xabr + A3* Sbar D4* Rbar B4* Sbar Xbar + 2.66* mR

DONNES Jour 1 2 3 . 33

(Xbar & S) Xbar


mesures 144 150 193 210 235 233 . . 127 135 180 225 228 . 130 Xbar 158.0 209.9 209.3 . 130.7 R 36 32 7 . 8
Xbar = ( X1 + X2 + X3 ) / 3 R = max ( X1, X2 ,X3)

carts types ( S ) n = 1 type np p c individuelles ( X )


CL LCL

min ( X1, X2, X3)

CARTES pour des attributs et comptages


npbar pbar cbar npbar 3 [ n pbar( 1 pbar )] cbar 3 ( cbar )
0.5 0.5

LIMITES de CONTRLE STATISTIQUE Rgle 3 sigma de Shewhart Ligne Centrale Limite Suprieure Limite Infrieure CL = moyenne UCL = moyenne + 3 * (variabilit) LCL = moyenne - 3 * (variabilit)

npbar + 3 [ n pbar ( 1 pbar )]

0.5 0.5

pbar 3 [ pbar ( 1 pbar ) /n i ] ubar - 3 ( ubar /n i ) A 3 2.659 1.954 1.628 1.427 1.287 1.182 1.099 1.032 0.975 B 3 0 0 0 0 0.300 0.118 0.185 0.239 0.284
0.5

pbar + 3 [ pbar ( 1 pbar ) /n i ] 0.5 cbar + 3 ( cbar ) ubar + 3 ( ubar / n i )


0.5

u ubar CONSTANTES n 2 3 4 5 6 7 8 9 10 A2 1.880 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308

CRITRES - tout point situ l'extrieur de l'intervalle (LCL , UCL) est le signal d'une instabilit du processus - autres rgles (Western Electric) 7 points conscutifs croissants (dcroissants) 8 points conscutifs d'un seul ct de CL autres .
______________________________________________________________________________ Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ 10 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

B 4 3.267 2.568 2.226 2.089 1.970 1.882 1.815 1.761 1.716

D 3 0 0 0 0 0 0.076 0.136 0.184 0.223

D 4 3.268 2.574 2.282 2.114 2.096 1.924 1.864 1.816 1.777

d 2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078

c 4_ 0.798 0.886 0.921 0.940 0.952 0.959 0.965 0.969 0.973

Principes de Shewhart pour la construction des cartes


1. Les limites de contrle sont toujours places 3 carts types de la ligne centrale. 2. Les limites pour les mesures doivent toujours tre bases une estimation de la variabilit du processus (sigma) calcule avec la moyenne dun ensemble de k indicateurs de dispersion. important : ne jamais calculer lestimation de la variabilit du processus (sigma) avec toutes les donnes en seul groupe 3. Les donnes doivent provenir dun plan dchantillonnage et doivent tre organises en groupes rationels pour quelles soient utiles. 4. Lorganisation ou entreprise doit ragir dune manire approprie aux connaissances nouvelles qui rsultent de lapplication des cartes.

Dmonstration de la rgle 3 sigma de Shewhart : simulation de 10 000 observations provenant de 4 distributions avec = 0 et = 1
DISTRIBUTION

figure

% dans ( -3 , 3 )
n = 1

% moyennes Xbar (LCLXBar, UCLXbar)

% tendues R (LCLR, UCLR )

Uniforme

-3

100

4 10

100

100 99.7

100
100 100

Triangulaire

-1.45 0

2.95

100

4 10

99.5
99.9 99.5

99.9
100 100

Les mythes en SPC


Il est FAUX que : les mesures doivent provenir dune distribution gaussienne. exception : la carte valeurs individuelles et tendues mobiles XmR. la base du SPC est le thorme central limite. les mesures doivent tre indpendantes : moins dune auto corrlation leve (au moins 0.80) on peut employer les cartes de base comme la carte Xbar et R. les observations doivent tre en contrle statistique pour tre places
o sur une carte.

Gaussienne

-3

99.7

4 10

99.7 99.6

99.7

99.5 99.5

99.0

Exponentielle

-1

98.2

4 10

99.0 99.3

98.8

97.4 96.0

97.4

CONCLUSION La forme de la distribution ( population ) dorigine nest pas importante lorsque lon applique la rgle de 3 sigmas de Shewhart pour dtecter des causes spciales de variabilit.

les limites de contrle peuvent tre places 2 * sigma. Remarque Il y a une seule dfinition pour les limites de contrle : 3* sigma Tout autre choix k * sigma conduit ; k 3

trop de fausses alarmes si

un manque de dtection de signaux potentiels si k > 3

______________________________________________________________________________ 11 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ 12 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

Production de cartes avec STATISTICA


module : Quality Control Charts

IMPLANTATION d'une CARTE de CONTRLE


Choisir les processus importants (critiques) Choix d'une variable de rponse Y : mesure, comptage, classement; les mesures sont prfrables aux attributs Plan de collecte des donnes -- chantillonnage de la production n pices intervalle rgulier; n entre 1 et 10 est suffisant; frquence : par exemple, chaque heure augmenter au dbut et rduire par la suite recommandation : un petit groupe de n pices souvent est mieux qu'un grand nombre de pices peu souvent Collecte des donnes et calcul des limites Avoir au moins 100 observations; par exemple 20 groupes de 5 Trs important : ne jamais calculer l'estimation de la variabilit avec toutes les donnes en seul groupe les cartes sont alors trop insensibles (limites trop larges) pour dtecter des points hors contrle sur le graphique. Pourquoi la rgle 3 sigma de Shewhart ? Cette rgle est la SEULE dfinition oprationnelle du concept de stabilit statistique. Les cartes de Shewhart sont ROBUSTES. Continuer la collecte des donnes ..

TYPE de CARTES : 7 cartes de base MESURE ATTRIBUT COMPTAGE n Xbar&R 29 XmR 1 Xbar&S 10 et plus c constant u variable

Maintenir un journal de bord pour noter des vnements qui pourraient tre relis des causes assignables Apprendre interprter les cartes : tendances drives cycles sauts

p np n variable constant

CARTES AVANCES : pour des mesures ( variables ) : EWMA , CUSUM, MULTIVARIABLE, .

______________________________________________________________________________ 13 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ 14 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

EXEMPLES avec STATISTICA


MESURES (VARIABLES) 1. 2. 3. base : loi gaussienne

Xbar et R : moyenne Xbar et tendue R ( si n 10 ) Xbar et S : moyenne Xbar et cart type S ( si n > 10 ) XmR : valeur individuelle X et tendue mobile mR mR = | X i - X i - 1 | i = 2, 3, formation de groupes de n = 2 observations conscutives remarque : il faut que cette diffrence fasse du sens; par exemple, si les valeurs X sont relies au temps

EXEMPLE 1 : carte Xbar et R groupes de 4 pices mesure de rsistance en ohm Y groupe 1 2 3 . 51 y1 5045 4290 3980 . 5150 observations y2 4350 4430 3925 . 5250 y3 4350 4485 3645 . 5000 y4 3975 4285 3760 . 5000

ATTRIBUT 4. 5.

base : loi binomiale


X-bar and R Chart; variable: X_E7
Histogram of Means 5400 5200 5000 4800 4600 4400 4200 4000 3800 3600 3400 3200 0 2 4 6 8 10 12 14 Range: 666.08 (666.08); Sigma: 284.65 (284.65); n: 4. 16 5 10 15 20 25 30 35 40 45 50 X-bar: 4503.2 (4503.2); Sigma: 323.54 (323.54); n: 4.

p : fraction de pices non conforme chantillon de n pices ( n peut tre variable) np : nombre de pices non conforme chantillon de n pices ( n est fixe) base : loi de Poisson

4988.6 4503.2 4017.9

COMPTAGES 6. 7.

c : nombre de non conformits (aire d'opportunit fixe) u : nombre de non conformits (aire d'opportunit variable)

Histogram of Ranges 2200 2000 1800 1600 1400 1200 1000 800 600 400 200 0 -200 0 2 4 6 8 10 12 14 16 18 5

REMARQUES Pour appliquer les cartes pour les attributs il faut que les hypothses de la loi binomiale soient vrifies. Pour appliquer les cartes pour les comptages il faut que les hypothses de la loi de Poisson soient vrifies. Si les hypothses ne sont pas satisfaites : employer une carte XmR avec les comptages et les taux.

1520.0

666.08

0.0000 10 15 20 25 30 35 40 45 50

______________________________________________________________________________ 15 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ 16 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

EXEMPLE 2 : carte XmR X = viscosit polymre en cours de production observations durant 25 heures conscutives observations ( ) 2838 2785 3058 3064 2996 2782 2878 2920 3050 2870 3174 3102 2762 2975 2719 2861 2797 3078 2974 2805 3163 3199 3054 3147 3156

EXEMPLE 3 : carte p

avec n variable

inspection 100% d'un lot choisi parmi la production quotidienne chantillonnage durant une priode de 99 jours X : nombre de pices non conformes dans le lot la taille (n) du lot est variable d'une journe l'autre observations jour n X f = X/n 1 3350 31 0.0093 2 3354 113 0.0337 3 1509 28 0.0186 4 2190 20 0.0091 .. 121 3323 3 0.0009 2 cartes sont possibles : carte p
Histogram of P

X and Moving R Chart; variable: X_E15


Histogram of Observations 3500 3400 3300 3200 3100 3000 2900 2800 2700 2600 2500 2400 0 1 2 3 4 5 6 7 5 10 15 20 25 2563.8 2967.9 0.09 0.08 0.07 0.06 0.05 0.04 0.03 Histogram of Moving Ranges 550 500 450 400 350 300 250 200 150 100 50 0 -50 0 1 2 3 4 5 6 7 5 10 15 20 25 Moving R: 152.00 (152.00); Sigma: 114.84 (114.84); n: 1. 496.51 0.02 0.01 0.00 -0.01 0 10 20 30 40 50 60 70 3372.0 X: 2967.9 (2967.9); Sigma: 134.71 (134.71); n: 1.

et une carte XmR avec f


P Chart; variable: X_E31

P: .00696 (.00696); Sigma: .00162 (.00162); n: 2645.4

.01129 .00696 .00263

80 100 90

10

20

30

40

50

60

70

80

90

152.00
0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 -0.01 -0.02 0

X and Moving R Chart; variable: f_nonconf


Histogram of Observations X: .00641 (.00641); Sigma: .00492 (.00492); n: 1.

0.0000

.02117 .00641 -.00836 20 10 30 40 50 60 70 80 100 90 10 20 30 40 50 60 70 80 90

Histogram of Moving Ranges 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 -0.01 0 10 20 30 40 50 60 70 80 100 90 10

Moving R: .00555 (.00555); Sigma: .00420 (.00420); n: 1.

.01814 .00555 0.0000 20 30 40 50 60 70 80 90

______________________________________________________________________________ 17 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ 18 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

EXEMPLE 4 : carte c X : nombre de non conformit sur un circuit imprim observations 21 24 16 12 15 5 28 20 31 25 20 24 - 16 19 - 10 17 13 22 -19 - 39 30 24 16 19 - 17 - 25

EXEMPLE 5 : carte U X = nombre d'imperfections sur des pices de tissus laire inspecte des tissus est variable observations Tissu Aire #Imp. 1 10 14 2 12 18 3 20 30 4 11 13 5 7 5 6 10 10 7 21 39 8 16 24 9 19 34 10 26 49

C Chart; variable: x_defaut


Histogram of C 45 C: 20.269 (20.269); Sigma: 4.5021 (4.5021)

U Chart; variable: Imperf


40 3.5 35 30 25 20 15 1.5 10 6.7628 5 0 0 1 2 3 4 5 6 7 8 9 10 11 5 10 15 20 25 0.0 0.5 1.0 .81952 20.269 33.776 3.0 Histogram of U U: 1.5526 (1.5526); Sigma: .31960 (.31960); n: 15.2

2.5 2.2857 2.0

1.5526

-0.5 0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10

______________________________________________________________________________ 19 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002

______________________________________________________________________________ 20 Bernard CLMENT, PhD MTH 2301 Mthodes statistiques novembre 2002