Académique Documents
Professionnel Documents
Culture Documents
Chap08-Cartes Shewhart PDF
Chap08-Cartes Shewhart PDF
______________________________________________________________________________ 1 ______________________________________________________________________________ 2
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
concept central : 2 PROCESSUS INSÉPARABLES
P R O C E S S U S
RESSOURCES
PROCESSUS rôle 2
APPROVISIONNEMENT rôle 1
étapes PRODUIT
MATÉRIAUX méthodes pièce
ou Résultat Y
procédures Fabrication Mesurage
SERVICE
ÉQUIPEMENTS
rôle 3
PERSONNEL
Y
CARACTÉRISTIQUES
CRITIQUES
pour la
TYPE
PARAMÈTRES
MESURABLES QUALITÉ : inspection : humain Classement
et VALEUR AJOUTÉE comptage 0, 1, 2, …
CONTRÔLABLES - MESURES
mesure : appareil 34.582 ….
- COMPTAGES
- ATTRIBUTS
DISTRIBUTION de Y
______________________________________________________________________________ 3 ______________________________________________________________________________ 4
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
CONSTATS UNIVERSELS
Les 4 ÉTATS POSSIBLES d'un PROCESSUS
Pour s'en sortir, une solution qui a fait ses preuves : NON 2 4
______________________________________________________________________________ 5 ______________________________________________________________________________ 6
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Genèse des cartes
Distinction entre 2 types de variabilité
inventeur : Walter Shewhart en 1924 ( General Electric )
idée de base : séparer les 2 types de variabilité
TYPE
CAS σ
ÉLÉMENT type 1 type 2 2
N ( µ, σ )
µ, σ
Shewhart cause assignable cause non assignable CONNUS X
Deming cause spéciale cause commune
LCLX = µ – 3σ CLX = µ UCLX = µ + 3σ
source causes externe processus interne au processus
nombre causes petit grand P ( LCLX ‹ X ‹ UCLX ) = 0.9973
effet cause fort faible 1 échantillon de taille n : x 1 , x 2 ,
…
x n : X = ∑ x i / n = Xbar
présence sporadique chronique LCLXbar = µ – A σ ; UCLXbar = µ + A σ ; A = 3/√n
P [ LCLXbar ‹ X ‹ UCLXbar ] = 0.9973
Exemples hommes, - défaut de design,
matériaux, - formation insuffisante, CAS ( µ ,σ ) INCONNUS
méthodes -documentation inadéquate, estimation des paramètres
machines, - matières premières, k échantillons de taille n : x i 1 , x i 2 ,
…
,xin i = 1, 2, … , k
- réglages imprécis, Xbar i = ∑ x i n / n ; R i = max( x i j) – min (x i j) ; S i = ∑ 2
( x i j - Xbari ) /( n-1)
- conditions de travail,
- équipement inadéquat, ..
X = ∑ Xbar i / k ; R = ∑ R i / k ; S= ∑Si/k
correctif local global estimation sans biais de σ : σ = R / d2 ; σ = S / c4
responsabilité personnel 1er niveau management remarque : les constantes d2 et c4 dépendent de n ( voir p. 11)
______________________________________________________________________________ 7 ______________________________________________________________________________ 8
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Cartes de contrôle de Shewart Limites de contrôle : formules
CARTES pour des variables de type mesure
EXEMPLE : carte Xbar (moyenne) & R (étendue) Données groupe i ( i = 1, 2 , … , k ) : x i1 , x i2 , …… , x in
X-bar and R Chart; variable: X_E6
Xbar i moyenne du groupe i de n observations = ∑ x ij / n
Ri étendue du groupe i = max( x ij ) – min( x ij )
Histogram of Mean X-bar: 143.52 (143.52); Sigma: 19.927 (19.927)
260
2
/( n-1)
240
220 Si écart type du groupe i = ∑ ( x ij – Xbar i )
200
n ≥ 2 moyennes ( Xbar & R ) Xbar Xbar - A2* Rbar Xabr + A2* Rbar
-20
0 2 4 6 8 10 12 14 16 18 5 10 15 20 25 30
2. Les limites pour les mesures doivent toujours être basées une estimation de la DISTRIBUTION figure % dans n % moyennes Xbar % étendues R
variabilité du processus (sigma) calculée avec la moyenne d’un ensemble de k ( -3 , 3 ) (LCLXBar, UCLXbar) (LCLR, UCLR )
indicateurs de dispersion. n = 1
important : ne jamais calculer l’estimation de la variabilité du processus (sigma) Uniforme 100 2 100 100
avec toutes les données en seul groupe -√3 0 √3 4 100 100
10 99.7 100
3. Les données doivent provenir d’un plan d’échantillonnage et doivent être organisées
en groupes rationels pour quelles soient utiles.
Triangulaire 100 2 99.5 99.9
4. L’organisation ou entreprise doit réagir d’une manière appropriée aux connaissances -1.45 0 2.95 4 99.9 100
nouvelles qui résultent de l’application des cartes. 10 99.5 100
Remarque
______________________________________________________________________________ 11 ______________________________________________________________________________ 12
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Production de cartes avec STATISTICA IMPLANTATION d'une CARTE de CONTRÔLE
______________________________________________________________________________ 13 ______________________________________________________________________________ 14
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
EXEMPLES avec STATISTICA
EXEMPLE 1 : carte Xbar et R
MESURES (VARIABLES) base : loi gaussienne groupes de 4 pièces
mesure de résistance en ohm Y
1. Xbar et R : moyenne Xbar et étendue R ( si n ≤ 10 )
2. Xbar et S : moyenne Xbar et écart type S ( si n > 10 ) observations
groupe y1 y2 y3 y4
3. XmR : valeur individuelle X et étendue mobile mR 1 5045 4350 4350 3975
mR = | X i - X i - 1 | i = 2, 3, … 2 4290 4430 4485 4285
formation de groupes de n = 2 observations consécutives 3 3980 3925 3645 3760
remarque : il faut que cette différence fasse du sens; . . . . .
par exemple, si les valeurs X sont reliées au temps 51 5150 5250 5000 5000
7. u : nombre de non conformités (aire d'opportunité variable) Histogram of Ranges Range: 666.08 (666.08); Sigma: 284.65 (284.65); n: 4.
2200
2000
REMARQUES 1800
1600
1520.0
Pour appliquer les cartes pour les attributs il faut que les 1400
1200
______________________________________________________________________________ 15 ______________________________________________________________________________ 16
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
EXEMPLE 3 : carte p avec n variable
EXEMPLE 2 : carte XmR inspection à 100% d'un lot choisi parmi la production quotidienne
X = viscosité polymère en cours de production échantillonnage durant une période de 99 jours
observations durant 25 heures consécutives X : nombre de pièces non conformes dans le lot
la taille (n) du lot est variable d'une journée à l'autre
observations ( )
observations
2838 2785 3058 3064 2996 2782 2878 2920 3050 2870
jour n X f = X/n
3174 3102 2762 2975 2719 2861 2797 3078 2974 2805
1 3350 31 0.0093
3163 3199 3054 3147 3156 2 3354 113 0.0337
3 1509 28 0.0186
4 2190 20 0.0091
X and Moving R Chart; variable: X_E15 ……………………………………………………………..
Histogram of Observations X: 2967.9 (2967.9); Sigma: 134.71 (134.71); n: 1. 121 3323 3 0.0009
3500
3400 3372.0 2 cartes sont possibles : carte p et une carte XmR avec f
3300
3200 P Chart; variable: X_E31
3100 Histogram of P P: .00696 (.00696); Sigma: .00162 (.00162); n: 2645.4
3000 2967.9 0.09
2900 0.08
2800
0.07
2700
2600 0.06
2563.8
2500 0.05
2400 0.04
0 1 2 3 4 5 6 7 5 10 15 20 25
0.03
Histogram of Moving Ranges Moving R: 152.00 (152.00); Sigma: 114.84 (114.84); n: 1.
0.02
550 .01129
0.01
500 496.51 .00696
.00263
450 0.00
400 -0.01
350 0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
300 10 30 50 70 90
250
200
X and Moving R Chart; variable: f_nonconf
150 152.00
Histogram of Observations X: .00641 (.00641); Sigma: .00492 (.00492); n: 1.
100
50 0.09
0.08
0 0.0000 0.07
0.06
-50 0.05
0.04
0 1 2 3 4 5 6 7 5 10 15 20 25 0.03
0.02 .02117
0.01 .00641
0.00
-0.01 -.00836
-0.02
0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
10 30 50 70 90
0.08
0.07
0.06
0.05
0.04
0.03
0.02 .01814
0.01 .00555
0.00 0.0000
-0.01
0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
10 30 50 70 90
______________________________________________________________________________ 17 ______________________________________________________________________________ 18
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
EXEMPLE 4 : carte c EXEMPLE 5 : carte U
X : nombre de non conformité sur un circuit imprimé X = nombre d'imperfections sur des pièces de tissus
l’aire inspectée des tissus est variable
observations
21 – 24 – 16 – 12 – 15 – 5 – 28 – 20 – 31 – 25 – 20 – 24 - 16 observations
19 - 10 – 17 – 13 – 22 -19 - 39 – 30 – 24 – 16 – 19 - 17 - 25
Tissu 1 2 3 4 5 6 7 8 9 10
Aire 10 12 20 11 7 10 21 16 19 26
#Imp. 14 18 30 13 5 10 39 24 34 49
C Chart; variable: x_defaut
Histogram of C C: 20.269 (20.269); Sigma: 4.5021 (4.5021)
45
30 3.0
25 2.5
2.2857
20 20.269
2.0
15
1.5 1.5526
10
6.7628 1.0
5 .81952
0.5
0
0 2 4 6 8 10 5 10 15 20 25
1 3 5 7 9 11
0.0
-0.5
0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
______________________________________________________________________________ 19 ______________________________________________________________________________ 20
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002