Contrôle de processus industriels complexes et instables

par le biais des techniques statistiques et automatiques

Florina Babus

To cite this version:

Florina Babus. Contrôle de processus industriels complexes et instables par le biais des tech-
niques statistiques et automatiques. Sciences de l’ingénieur [physics]. Université d’Angers,
2008. Français. <tel-00535668>

HAL Id: tel-00535668

https://tel.archives-ouvertes.fr/tel-00535668
Submitted on 12 Nov 2010

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci-
entific research documents, whether they are pub-
lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Université d’Angers Année 2008
N° 960

Contrôle de processus industriels complexes et instables par le

biais des techniques statistiques et automatiques

Thèse de doctorat
Spécialité : Sciences de l’ingénieur
ECOLE DOCTORALE D’ANGERS

Présentée et soutenue publiquement

le 15 décembre 2008
À l’Institut des Sciences et Techniques de l’Ingénieur d’Angers
par
Florina BABUS
Devant le jury ci – dessous :
Ioan BACIVAROV Examinateur Professeur à l’Université Polytechnique de Bucarest
Alain BARREAU Président Professeur à l’université d’Angers
Zohra CHERFI Rapporteur Professeur à l’Université de Technologie de Compiègne
Abdessamad KOBI Examinateur Professeur à l’Université d’Angers
Mihai POPESCU Rapporteur Professeur à l’Université Polytechnique de Bucarest
Teodor TIPLICA Examinateur Maître de conférences à l’Université d’Angers

Directeurs de thèse : Abdessamad KOBI et Ioan BACIVAROV

Co-encadrant : Teodor TIPLICA

Laboratoires: LASQUO, LAboratoire en Sûreté de fonctionnement, QUalité et

Organisation
EUROQUAL, Laboratoire en Qualité, Fiabilité et Techniques
informatiques

ED 363
Remerciements
Le travail présenté dans ce mémoire a été réalisé au sein du LAboratoire en Sûreté de
fonctionnement, QUalité et Organisation, LASQUO, ISTIA Angers, dirigé par Abdessamad
Kobi. Je tiens à lui adresser mes remerciements pour ses conseils précieux et son implication
dans mes travaux en tant que directeur de thèse.
J’adresse mes sincères remerciements à Ioan Bacivarov pour son soutien et pour la qualité de
ses conseils. C’est grâce à son encadrement pendant mon DEA au sein du Laboratoire
EUROQUAL que je me suis dirigé vers ces travaux de recherche, et je lui resterai très
reconnaissante.
Je remercie vivement Teodor Tiplica pour sa disponibilité, pour son support et pour la qualité
de nos relations de travail. Ses compétences dans le domaine de MSP dont il m’a fait part, ses
idées et ses conseils ont contribué de façon incontournable à l’avancement de mes travaux de
recherche.
Je suis très reconnaissante à Mme. Zohra CHERFI d’avoir accepté d’être rapporteur de ces
travaux et de participer au jury. Son expérience et sa notoriété dans la fiabilité et la qualité
industrielle m’honorent de sa présence.
Je remercie chaleureusement M. POPESCU, d’avoir accepté d’être rapporteur de ce travail et
de participer au jury.
Je voudrais adresser mes vifs remerciements à M. Alain Barreau pour avoir accepter d’être le
président de jury. Sa présence me fait beaucoup d’honneur et je lui suis reconnaissante.
Je remercie également tous les professeurs du laboratoire LASQUO pour les précieux
renseignements qu’ils m’ont apportés et tous les membres du Département Qualité et
Organisation de ISTIA pour la bonne ambiance de travail qu’ils m’ont offert.
C’est avec plaisir que j’ai passé mes quatre années des recherches auprès de mes collègues de
laboratoire. Les souvenirs de notre équipe me resteront toujours au cœur et je leurs remercie
fortement pour ces années passés ensemble.
Je remercie profondément ma famille qui malgré la distance m’a toujours soutenue dans tous
mes projets. Leur appui m’a aidé à dépasser tous les moments difficiles dans mon travail et je
leur suis très reconnaissante.
J’adresse un merci spécial à mon fiancé, Eric MENARD, qui n’a pas hésité à m’aider avec ses
conseils et avec son soutien dans l’aboutissement de mes travaux.
 Je dédie cette thèse
à la mémoire de mon père.
 Table des matières
Introduction générale................................................................................................................ 1

Chapitre I. Etat de l’art sur l’incidence de la non normalité dans la MSP ............................ 5

1 Généralités .................................................................................................................... 5

2 L’incidence de la non normalité dans la MSP. Principales approches. ................ 18

2.1 La famille des lois de Burr ................................................................................... 22
2.2 Les familles de lois de Johnson et de Pearson ..................................................... 25
2.3 La méthode de re-échantillonnage de Bootstrap .................................................. 28
2.4 Les cartes de contrôle avec des paramètres variables .......................................... 31

3 Synthèse des méthodes de traitement de données non gaussiennes....................... 36

Chapitre II : Contributions aux nouvelles démarches dans la MSP des processus non
gaussiennes.............................................................................................................................. 39

1 Introduction ................................................................................................................ 39
1.1 Processus non gaussiens - quelques exemples ..................................................... 40
1.2 Une catégorie de processus représentés par des distributions non gaussiennes.
Tolérances géométriques et variations de formes ............................................................ 46
1.3 Distributions asymétriques . La loi de Rayleigh .................................................. 53
1.3.1 Méthodes d’estimation du paramètre de la loi de Rayleigh ......................... 56
1.3.2 Quelques particularités de la loi de Rayleigh. Domaines d’incidence......... 58

2 Application des cartes de contrôle avec paramètres variables pour les lois des
distributions asymétriques ................................................................................................ 60
2.1 La conception d’une carte VP pour la loi de distribution de Rayleigh ................ 61

3 Les cartes de contrôle basées sur l’estimation des quantiles.................................. 78

3.1 Mise en place de la méthode pour la loi de distribution de Rayleigh .................. 79
3.2 Analyse critique sur la pertinence d’utilisation des cartes de contrôle non
gaussienne dans la pratique d’inspection de la coaxialité ................................................ 86
3.2.1 Etude de cas I : le déréglage intervient soit sur la variable X soit sur la
variable Y ..................................................................................................................... 88
3.2.2 Etude de cas II : le déréglage intervient sur les deux variable, X et Y ........ 92
3.2.3 Etude de cas III : Les variables X et Y ne sont pas indépendantes, étude
d’une carte de contrôle multi variée............................................................................. 94
 4 Conclusions ................................................................................................................. 98

Chapitre III : Contributions au contrôle des processus par le biais des modèles intégrés
APC/MSP............................................................................................................................... 101

1 Introduction .............................................................................................................. 101

2 Le contrôle automatique de processus ................................................................... 102

3 L’intégration des techniques MSP et APC ............................................................ 108

4 Contributions à l’amélioration des modèles de contrôle APC – MSP................. 115

4.1 Le modèle intégré de Gultekin ........................................................................... 116
4.1.1. Propositions d’amélioration de la détection des faibles déréglages pour le
modèle intégré de Gultekin : l’intégration d’une carte de contrôle de type EWMA . 125
4.1.2. Propositions d’amélioration de la détection des faibles déréglages pour le
modèle intégré de Gultekin : l’intégration d’une carte de contrôle de type VP......... 129
4.1.3. Conclusions sur nos propositions d’amélioration de la détection des faibles
déréglages pour le modèle intégré de Gultekin .......................................................... 131
4.2 Le réacteur de Tennessee Eastman. Généralités ................................................ 134
4.2.1 Proposition d’amélioration. L’intégration d’une carte de contrôle dans le
schéma du réacteur de Tennessee Eastman................................................................ 141
4.2.2 Mise en place de l’algorithme proposé. Résultats et interprétations.......... 148

5 Conclusions. Perspectives ........................................................................................ 157

Conclusions générales........................................................................................................... 159

Annexe 1 : Eléments de contrôle automatique..................................................................... 162

A1.1 Notions élémentaires des systèmes automatique ............................................... 162
A1.2 Cadre mathematique uitlisé dans l’automatique ................................................ 168
A1.3 Principe de fonctionnement d’un régulateur automatique ................................. 170
A1.4 Précisions sur l’implémentation du modèle intégré dans le model Simulink
Multiloop_Mode3.mdl : ................................................................................................. 173

Références.............................................................................................................................. 176
Introduction générale

Dans l’environnement économique - industriel actuel, face à la concurrence ardue et à la

demande des produits performants pour des coûts réduits, les entreprises accordent une place
de choix à leur système de management par la qualité. Une attention spéciale est accordée ces
dernières années au système de management visant la qualité totale, TQM1, qui englobe, entre
autres, de techniques de contrôle de fabrication permettant d’assurer le fonctionnement
optimal d’un processus industriel (stabilité, variabilité minimale, robustesse, respect des
contraintes prévues dans le cahier des charges, etc.).

Ceci permet à l’entreprise d’atteindre un niveau de contrôle satisfaisant de son processus de

fabrication en parfait accord avec les différents standards ou normes qualité. On peut citer par
exemple la norme ISO9001V2000 pour la conception, le développement et la production, la
norme ISO9004 pour l'amélioration de la performance, ou bien des normes spécifiques à un
secteur d'activité ou à un produit, comme la norme ISO TS 16949 dans l'automobile, la norme
EN 9100 dans l'aéronautique et la norme ISO 13488 pour les dispositifs médicaux, etc.

Le contexte général dans lequel s’inscrivent les travaux développés dans ce mémoire est le
contrôle des processus industriels. Plus particulièrement, nous nous sommes intéressés aux
processus industriels complexes (processus présentant des caractéristiques distribuées selon
des distributions non-gaussiennes, processus instables en boucle ouverte et par conséquent
régulés par des régulateurs PID, PI ou PD et plus généralement par toute technique relevant
du contrôle automatique de processus).

De manière générale, il est considéré que le contrôle de processus intègre quatre grands
champs d’application et de recherche :

l’identification de l’ensemble des variables permettant de détecter le plus rapidement

et le plus facilement les fautes intervenues au cours du fonctionnement d’un processus.

1
TQM= Total Quality Management

1

la détection des fautes, qui consiste à mettre clairement en évidence l’apparition de la
faute à l’aide de l’ensemble de variables retenues à l’étape d’identification.

le diagnostic de processus, qui consiste à établir la nature de la faute détectée à l’étape

de détection.

la reconfiguration du système, qui suppose à ramener le processus dans des

conditions opérationnelles nominales ou de le modifier afin de réduire, voir annuler,
l’impact de la faute sur la qualité du produit fabriqué.

Dans ce contexte la MSP (Maîtrise Statistique de Processus) fournit les techniques de base
d’identification et de la détection et permet des prévisions temporelles sur le comportement
des processus. Presque toutes les démarches existantes à l’heure actuelle dans le domaine du
contrôle statistique de processus sont basées sur l’hypothèse de normalité des caractéristiques
contrôlées, alors que dans bon nombre de situations industrielles ce n’est pas toujours le cas
(l’inspection de certaines caractéristiques géométriques des pièces mécaniques, les mesures de
la rugosité, concentricité ou coaxialité, la durée de vie de composants électroniques, le suivi
d’une caractéristique au caractère continu, comme par exemple la concentration d’une
substance chimique, les mesures de positions pour des systèmes asservis, par exemple le
positionnement de la pante de lancement de missiles dans l’aéronautique, etc.).
Le sujet de non normalité de processus constitue le point de départ des travaux présentés dans
ce mémoire. L’objectif principal de nos travaux de recherche a été d’avancer des nouvelles
propositions d’amélioration du contrôle statistique des processus non gaussiens à partir d’une
étude bibliographique orientée vers l’identification des démarches et travaux effectuées dans
le domaine.
Comme il est connu dans la MSP, le suivi des caractéristiques est basé sur l’échantillonnage
des données réelles afin de construire une image de leur comportement temporel pour pouvoir
détecter et prévenir les situations critiques. La loi de distribution normale est ainsi devenue un
modèle statistique représentatif pour la plupart des processus qui permettent le prélèvement
d’échantillons des tailles suffisantes.
Cependant il existe des situations quand le contrôle individuel est exigé (quand il est
indispensable de mesurer une caractéristique à tout instant), ou tout simplement quand le
prélèvement par échantillonnage n’est pas possible (suivi des caractéristiques continues du
domaine chimique, électronique, automatique, le cas des productions petites séries, etc.).

2
Dans ces situations il est impératif d’établir des techniques spéciales de contrôle, car
l’utilisation des outils classiques de MSP fondées sur le modèle de la loi normale, peut
entraîner des graves conséquences.
L’augmentation du taux des fausses alertes (qui, par exemple, est déterminée par l’utilisation
de la carte de contrôle de Shewhart pour une population distribuée asymétriquement) peut
conduire à l’abandon du contrôle par le biais des techniques MSP, et implicitement à des
pertes financières. Une détection insatisfaisante des situations hors contrôle ou une
interprétation erronée de la capabilité de processus peuvent engendrer des mauvais
diagnostics et des décisions incorrectes, ce qui finalement se reflète dans des coûts de contrôle
élevés, des délais et des déficits dans la qualité des productions.
Le contrôle des processus non gaussiens présente ainsi une importance pratique majeure et
nécessite une analyse rigoureuse. Notre motivation à aborder ce sujet de recherche a été
également soutenue par le manque des approches MSP destinées aux processus non gaussiens.
Cependant, nous avons identifié une autre direction de recherches, aussi nouvelle
qu’importante au cadre de contrôle des processus complexes et instables, respectivement
l’amélioration de contrôle automatique par le biais des méthodes de la MSP.
Le deuxième objectif des travaux présentés dans ce mémoire est d’analyser la problématique
d’intégration des outils des domaines de l’APC (Automatic Process Control) et de la MSP au
sujet d’amélioration du contrôle des processus complexes et instables.
Généralement un procédé instable est un procédé pour lequel des paramètres comme la
moyenne et/ou la variance changent dans le temps. De tels procédés peuvent arriver plus ou
moins rapidement dans des situations critiques (caractérisées par la mise en danger de la
sécurité des opérateurs ou la fabrication des produits non conformes), ce qui finalement
conduit invariablement à l’arrêt du procédé. Pour éviter ce genre des situations, souvent en
pratique on stabilise le procédé à l’aide de moyens automatisés comme par exemple les
régulateurs PI, PD ou PID, selon le type de caractéristique analysée.
Dans le domaine du contrôle de processus, l’utilisation conjointe des techniques issues de la
MSP et de l’APC est d’un très grand intérêt pratique. Tandis que les techniques de détection
de type MSP permettent à faire des prévisions et améliorent le contrôle long terme, les
méthodes automatiques assurent un contrôle ponctuel, local, contribuant d’une manière
fondamentale à la stabilité du procédé. Néanmoins, le diagnostic de processus, qui exige
naturellement les étapes d’identification et de détection, implique l’exploration conjointe des
outils de contrôle statistique et automatique.

3
Les modèles automatiques assurent la stabilité du processus autour d’une valeur de référence
ainsi qu’un bon fonctionnement pour une période délimitée, et sans l’intervention humaine. Il
existe toutefois des situations quand seul le modèle automatique peut ignorer des petites
variations autour d’une valeur de référence (par exemple les variations de la composition
d’une substance chimique soumise dans le temps aux diverses réactions, autour de sa valeur
cible, les variations des mesures fournies par des capteurs de position dans les bancs de tests
de l’aéronautique, etc.).
Il est également important de pouvoir prévoir l’évolution du comportement d’un système
pendant un période étendue de fonctionnement. La détection des petites variations autour
d’une moyenne du processus automatique, ainsi que le diagnostic et les prévisions sur son
comportement long terme pourraient être améliorée avec des outils de la MSP, tels qu’une
carte de contrôle.
Cependant l’analyse statistique de ces variations apparaissant autour d’une valeur de référence
conduit souvent à des caractéristiques particulières (une tendance linéaire, un échelon, etc.) et
on retrouve la nécessité de contrôle des caractéristiques non gaussiennes.
En conséquence, l’amélioration des techniques de contrôle statistique pour les distributions
non gaussiennes implique l’amélioration du contrôle par les modèles intégrés. L’idée
d’utilisation conjointe des ces deux domaines dans le contrôle des processus complexes
présente aussi l’avantage de l’originalité, car le sujet n’a pas encore été abordée dans le
monde de recherche français.
L’esprit des travaux présentés dans ce mémoire porte sur deux directions de recherche
définies comme par la suite: le développement des nouvelles méthodes de contrôle pour les
processus non gaussiens et l’intégration des méthodes de la MSP et d’APC dans le contrôle
des processus complexes et instables.
Le chapitre I de ce mémoire aborde l’incidence de la non normalité au cadre de la MSP et
représente l’état de l’art sur les différents travaux dans le domaine du contrôle statistique de
processus non gaussiens.
Le chapitre II réunit l’ensemble de nos travaux et les résultats expérimentaux concernant la
conception d’une carte de contrôle pour les caractéristiques aux distributions asymétriques.
Enfin le chapitre III regroupe nos travaux au sujet de l’intégration des modèles APC et MSP
dans le contrôle des processus complexes et instables. L’intérêt pratique de l’intégration de
ces deux techniques est argumenté par le biais des deux exemples pratiques et des résultats de
nos simulations expérimentales.
Nos conclusions et perspectives sont présentées dans la partie finale de ce mémoire.

4
 Chapitre I. Etat de l’art sur l’incidence de la non normalité
dans la MSP

1 Généralités

Pour mieux comprendre l’objectif de nos recherches au sujet de l’amélioration des techniques
de la MSP dans le contrôle des processus non gaussiens, une brève introduction dans le
domaine de MSP s’impose, avec la présentation de ses techniques les plus représentatives.
Le fondateur du concept de MSP (Maîtrise Statistique de Processus) a été Walter Shewhart
(Bell Laboratories, les années 30), le parent de la carte de contrôle X [Shewhart, 1931]. Le
constructeur d’automobiles Ford complète le concept de MSP avec sa méthode de calcul pour
les indicateurs de capabilité. Il est aujourd’hui considéré un des principaux promoteurs de la
MSP.
La maîtrise statistique des processus occupe une place de choix parmi les outils de contrôle
statistique de la qualité (CSQ). Elle regroupe un ensemble de méthodes statistiques permettant
de surveiller et d’améliorer un processus de production. D’après Maurice Pillet [Pillet, 2002]
« La MSP représente une des marches importantes permettant d’améliorer la qualité et la
fiabilité des produits par une plus grande maîtrise de procédés ».
Plus généralement, le but de la MSP est de surveiller l’évolution temporelle d’un processus et
de détecter les changements qui peuvent affecter ses performances, donc de mettre le procédé
industriel sous contrôle. Pour un procédé industriel complexe, les facteurs responsables de
l’apparition des déréglages peuvent être réunis sous le nom de 5M du procédé (Machine,
Main d’œuvre, Matière, Méthodes, Milieu).
En conséquence, la réduction de la variabilité nécessite une analyse rigoureuse de 5M. Cette
analyse implique d’établir les limites naturelles et les intervalles de tolérance (pour décider
sur l’acceptation ou le refus d’un lot des produits), d’évaluer la capabilité du processus, de
suivre les paramètres de procédés en utilisant des outils adaptés (les cartes de contrôle), etc.
On parle alors de stabilité du procédé, de la conformité avec les spécifications, de la
capabilité, de la performance, etc.

5
Maurice Pillet [Pillet, 2002] considère que le domaine de la MSP présente trois objectifs
principaux:

• Donner aux opérateurs un outil de pilotage de la machine

• Formaliser la notion de capabilité d’un moyen de production
• Faire le tri entre les situations ordinaires et les situations extraordinaires qui
nécessitent une action

La MSP est fondée sur le concept d’état stable. Il est indispensable de bien connaître ce
concept pour utiliser correctement la méthode. Un système stable est un système qui a les
performances prévisibles, puisque les données sont distribuées de façon aléatoire avec une
dispersion constante autour d’une moyenne invariable dans le temps. Au contraire un système
instable est absolument imprévisible. Le jugement sur la stabilité entraîne deux approches
différentes et complémentaires [La Jaune et la Rouge, 2001]:

a) Système instable: Stratégie d’action intensive pour identifier le plus tôt possible les
causes d’instabilité, puis les éliminer autant que possible, ou au moins y remédier.
b) Système stable: Stratégie de veille pour détecter des signes éventuels d’instabilité.
Il est possible également dans un tel système de déplacer la moyenne et de diminuer la
variabilité, pour des raisons économiques.

Des problèmes existent aussi bien dans un système stable que dans un système instable, mais
dans le premier cas ils sont imputables au système lui-même, alors que dans le second ils sont
imputables aux événements particuliers.
Dans ce contexte, la MSP est considéré le plus souvent comme un ensemble d’outils
statistiques: cartes de contrôle, indicateurs de capabilité. Pourtant la notion de MSP n’a pas eu
toujours de signification claire pour les ingénieurs. Ils associent souvent la MSP avec le
contrôle prédictif, avec le contrôle adaptatif, ou avec le contrôle proportionnel - intégral
dérivé.
Le qualiticien associe la MSP à la mise en place d’une carte de contrôle : tant que la
caractéristique suivie évolue entre les deux limites de contrôle, on considère que le processus
est sous contrôle (stable, maîtrisé). Pour le statisticien le problème est souvent posé sous
forme d’un test d’hypothèse: l’hypothèse H0 (hypothèse nulle) qui traduit le fonctionnement

6
normal du processus et l’hypothèse H1 (hypothèse alternative) qui représente le déréglage ou
le défaut sur une des caractéristiques du processus.
Les cartes de contrôle sont des outils graphiques utilisés pour le suivi de la production qui
permettent la détection des causes spéciales de disfonctionnement. Il existe à l’heure actuelle
deux catégories principales des cartes de contrôle : les cartes de contrôle par mesures,
destinées au traitement des données au caractère quantitatif et les cartes de contrôle par
attributs, destinées au traitement des paramètres non mesurables. Ces derniers sont des
paramètres qui ne peuvent pas être exprimés par une mesure physique, tel qu’un diamètre, un
poids, une température, etc., mais elles sont généralement décrites en utilisant des indicateurs
qualitatifs, qui dans la plupart des cas prennent deux valeur seulement (bon/mouvais,
conforme/non conforme, succès/échec).
Le sujet de nos recherches porte sur les cartes de contrôle par mesures. La mise en place des
cartes de contrôle se réalise à partir d’échantillonnage (dans les situations usuelles on préfère
extraire au minimum 20 échantillons de taille 4 ou 5), les données ainsi collectées étant
soumises à une analyse rétrospective pour déterminer les situations hors contrôle.
Les performances des cartes de contrôle sont évaluées en termes de POM0 (Période
Opérationnelle Moyenne sous contrôle) et POM1 (Période Opérationnelle Moyenne hors
contrôle). La POM0 est le nombre moyen d’échantillons prélevés d’un processus sous-
contrôle, jusqu'à ce qu’un point sur la carte de contrôle dépasse la limite de contrôle. Elle
traduit, donc, la fréquence des fausses alertes. La POM1 représente le nombre moyen
d’échantillons que l’on doit prélever dès l’apparition d’une cause assignable jusqu’à sa
détection sur la carte de contrôle.

Figure 1.1 : Carte de contrôle par mesures

7
Les cartes de contrôle classiques (comme la carte ( X , R) de Shewhart ou les cartes EWMA et
CUSUM) traitent le cas uni-varié (une seule caractéristique est surveillée). À mesure qu’on
prélève des échantillons on obtient une image graphique de l’évolution du processus (figure
1.1). Pour simplifier, on considère que le processus est sous contrôle si les points sont entre
les limites de contrôle. Si on aperçoit un point qui est situé à l’extérieur des limites de
contrôle (LIC - limite de contrôle inférieure, LSC-limite de contrôle supérieure, voir figure
1.1), le processus n’est plus sous contrôle et il faut intervenir pour remédier à cet aspect.
L’intervalle de tolérance spécifié par l’utilisateur n’a rien à voir avec l’intervalle de variation
naturelle d’un processus. En effet, l’intervalle de variation naturelle représente la différence
entre LSC et LIC qui se calculent en fonction de la carte de contrôle choisie. Dans le cas d’une
carte de contrôle de Shewhart, pour une distribution normale cette différence correspond à
l’intervalle de six écarts-type, symétrique par rapport à la valeur centrale et couvre une
surface graphique d’approximatif 99,73% de la population. La notion de tolérance traduit les
exigences de performance imposées par l’utilisateur.
Malgré la facilité de mise en place et la détection rapide des grands déréglages de la moyenne
du processus (plus d’un écart type de la distribution des mesures suivies), la carte de contrôle
de Shewhart est relativement insensible aux petits déréglages. Pour les procédés continus,
souvent le déréglage du processus peut être lent et progressif. Pour ce type des déréglages une
détection plus rapide est nécessaire afin d’agir avant que le processus ne s’écarte fortement de
la valeur cible. L’augmentation de la taille d’échantillon paraît la première mesure à prendre,
mais souvent cette mesure entraîne des coûts et de délais de temps supplémentaires.
Pour palier les inconvénients de la carte X de Shewhart [Shewhart, 1931], des modèles de
plus en plus complexes ont été développés. Parmi les plus connus nous citons la carte de
contrôle CUSUM (Cumulative Sum) proposée par Pages [Pages, 1954], qui repose sur la
représentation du cumul des écarts du processus par rapport à sa valeur cible, ou la carte de
contrôle EWMA (Exponentially Weighted Moving Averages) [Roberts, 1959] qui considère
l’historique de l’évolution de la caractéristique suivie. L’avantage majeur de ces cartes est la
détection rapide des déréglages de faible amplitude de la moyenne du processus.
Pour plus d’informations sur l’application de ces outils nous recommandons les travaux de
Box et Luceno [Box et Luceno, 1997] ou Annadi et al. [Annadi et al., 1995] pour la carte
CUSUM et respectivement les travaux de Lucas et Sacucci [Lucas et Saccucci, 1990],
Mongomery [Montgomery, 1991], ou Zhang [Zhang, 2006], pour la carte EWMA.
Souvent l’analyse d’un processus complexe comporte la surveillance des plusieurs
caractéristiques et l’étude des liens entre plusieurs variables. Il existe actuellement plusieurs

8
types des cartes de contrôle multi – variés, conçues de manière analogue avec les cartes uni
variées, mais qui prennent en compte des éventuelles corrélations existantes entre les
variables du processus.
Des nombreux auteurs comme M. Pillet [Pillet, 2002], Montgomery [Montgomery et al.,
1994], [Montgomery, 1996], ainsi que Kano [Kano et al., 2004], Mac Gregor [MacGregor et
Kourtl, 1995], Qiu [Qiu et Hawkins, 2001], Yoo [Yoo et al., 2006] ou Choi [Choi et al.,
2006] ont conduit leurs travaux vers les méthodes d’amélioration des cartes de contrôle multi
– variés, et d’autres comme Kurti [Kurti, 2006], Chan [Chan et al., 2004], Mastrangelo
[Mastrangelo et al., 1996] ont proposés différentes techniques statistiques pour des systèmes
multi – variables.
L’essentiel de nos travaux porte sur l’amélioration du contrôle des caractéristiques non
gaussiennes et nous avons choisi d’avancer nos recherches sur la voie de la détection uni-
variée.
Les outils traditionnels de la MSP uni -varié sont fondés sur l’hypothèse de normalité de la
caractéristique suivie. Dans leur application pratique, trois situations distinctes génératrices
des problèmes ont été identifiées [Duclos, 1997] :

1) Le processus présente des points hors les limites spécifiées sur la carte de contrôle
(figure1.1)
2) Le processus n’est pas centré sur la valeur cible (figure 1.3)
3) Le processus n’est pas capable, il n’est pas adroit à répondre aux performances
spécifiées par l’intervalle de tolérance (figure 1.4).

Figure 1.2: Prélèvement des données, Image d’un processus sous contrôle

9
Précisément, si la loi de distribution des données est une loi de Gauss (figure 1.3) et la courbe
n’est pas centrée sur la valeur cible, même si les mesurés prélevées se retrouvent entre les
limites de contrôle, elles sont dispersées loin de la valeur souhaitée (cible).

Figure 1.3: Image d’un processus non centré

Pour le modèle d’une loi normale de distribution, l’état stable signifie que les données soient
centrées sur la valeur cible (la moyenne pour une loi de Gauss), et que les causes spéciales des
variations soient identifiées et éliminées.

Figure 1.4: Processus non capable. LTI et LTS sont, respectivement, les limites inferieure et
supérieure de tolérance du processus

Pour avoir une image correcte de la dispersion globale, on a besoin de faire la distinction entre
les variations naturelles et celles dues à un réglage. Les cartes de contrôle répondent au
problème d’identification des causes (communes et spéciales) intervenant dans chaque étape
d’un procédé. Cependant elles permettent de réaliser des prévisions à long terme sur les
processus surveillés.

10
Le pilotage par les cartes de contrôle comporte quelques étapes élémentaires: le prélèvement
des échantillons, la représentation et l’interprétation graphique des données collectées,
l’application des tableaux de décision pour vérifier les réglages et pour générer les produits
« hors spécifications ».
Cependant, comme on l’a déjà souligné, dans la plupart des processus le prélèvement par
échantillonnage permet d’émettre l’hypothèse de normalité. Plus l’échantillon est important,
plus la distribution des moyennes d’échantillons se rapproche d’une loi de Gauss, dont la
fonction de densité de probabilité exprimée par la relation :

 x−µ 
2
−1 
f(x)= 1 e 2 σ  (1.1)
σ 2π
où f représente la fonction de densité de probabilité des moyennes d’échantillons, µ est la
moyenne des données collectées et σ est la variance des données collectées.
Pour argumenter, considérons une suite: X 1 , X 2 ,...., X n des variables aléatoires indépendantes
ayant la même loi de distribution (espérance µ et variance σ). A partir de cette suite,
définissons deux nouvelles variables:

S n = X 1 + X 2 +....+ X n et M = X 1 + X 2 +..X n = S n (1.2)

n n

Avec les expressions de leurs espérances mathématiques, respectivement:

E ( S n ) = nµ , E (M ) = µ (1.3)

La variance de M est:
V (M ) = σ 2 / n (1.4)

Prenons la variable centrée réduite :

S n − nµ
Zn = (1.5)
σ n

Dans la théorie statistique, quel que soit t ∈ R , la fonction de répartition définie par:

11
 Fn (t ) = P ( Z n < t ) (1.6)
correspond à :

z2
1 t
Fn (t ) →=
2π
∫e
−∞
2
dz , quand n → ∞ (1.7)

L’équation décrite dans 1.7 est l’expression de la fonction de répartition de la loi normale
centrée et réduite, N (0; 1).
Par conséquence, les méthodes classiques de MSP développées sur l’hypothèse du modèle de
la loi normale de distribution s’appliquent correctement pour les caractéristiques contrôlées
distribuées suivant la loi normale ou pour les productions où le contrôle par échantillonnage
est permis, à condition que la taille d’échantillons soit suffisamment grande. Car même si la
distribution d’une population de base est autre que la loi normale, la distribution des
moyennes d’échantillons, à partir d’une certaine taille, va suivre une loi normale de
distribution.

Figure 1.5. L’aspect de la distribution des moyennes d’une population non normale, pour différents
tailles d’échantillons

12
Comme on peut voir dans la figure 1.5 pour une loi asymétrique, dans le cas
d’échantillonnage avec de petites tailles (n= 1, 3), la distribution des moyennes reste
asymétrique alors qu’à partir des tailles d’échantillons plus grandes on retrouve une forme de
plus en plus proche d’une distribution normale.
En effet, si pour des tailles suffisantes d’échantillons on peut appliquer une carte de contrôle
classique, ces méthodes s’avèrent inefficaces quand la distribution des données contrôlées est
non normale (contrôle individuel, par exemple).
Comme nous l’avons précisé dans la partie introductive de ce mémoire, le contrôle des
processus complexes doit, naturellement, commencer par l’identification des paramètres
critiques.
Le pilotage par la carte de contrôle adéquate et le calcul de la capabilité du procédé seront
ensuite conduits par une observation continue, comme décrit dans le schéma d’optimisation
(figure 1.6) proposé par Maurice Pillet [Pillet, 2002]. Nous avons identifié sur ce schéma les
étapes les plus susceptibles d’être affectées par la non normalité de certaines caractéristiques
ou paramètres du processus.
On peut voir sur la figure 1.6 que la décision sur la non normalité des caractéristiques suivies
n’affecte pas seulement le choix des méthodes de contrôle adéquates (sur le schéma c’est
l’étape de calcul des limites de contrôle et calcul de la capabilité, etc.) mais aussi la mise en
place des cartes de contrôle (étape de « la mise sous contrôle de processus »).
Evidement, l’observation continue du procédé permet de lancer d’hypothèses sur la nature des
données considérées. La carte de contrôle et la méthode de calcul des indicateurs de capabilité
seront choisies en fonction de ces hypotheses. Si les hypothèses de normalité ne sont pas
satisfaites, les limites de contrôle traditionnelles ne resteront plus valables.
Pour exemplifier considérons l’hypothèse H0 qui correspond au fonctionnement correct (sans
faute/déréglage) d’un processus distribué normalement et considérons l’hypothèse H1 qui
correspond au processus affecté par un déréglage. Evidement, dans le suivi des moyennes par
une carte de contrôle, les limites LCI et LCS doivent prendre en compte les risques associés à
ces deux hypothèses.
Ainsi il existe toujours un risque de rejeter l’hypothèse H0 alors que le processus fonctionne
correctement (risque α ) et il existe toujours un risque d’accepter l’hypothèse H0 alors qu’il y
a un déréglage de la moyenne du processus (risque β ).

13
 Loi
normale ?

Loi
normale ?

Figure 1.6: Schéma complexe d’optimisation de processus, Maurice Pillet [Pillet, 2002]

Les valeurs des risques α et β sont déterminées facilement sur la surface graphique couverte
par la loi normale (figure 1.7). Ces représentent respectivement la probabilité de se retrouver
en dehors des limites de contrôle pour la même moyenne du processus (risque α ) et la
probabilité de se retrouver à l’intérieur des limites de contrôle conditionnée par l’apparition
d’un déréglage de la moyenne (risque β ).

14
 Figure 1.7. Les tests d’hypothèse sur la loi normale

Avec la valeur du risque α définie, on peut fixer convenablement les limites de contrôle, en
respectant un nombre souhaité de fausses alarmes. Les valeurs les plus usuelles utilisées dans
la pratique MSP sont LCI = µ − 3σ , LCS = µ + 3σ (où µ est la moyenne et σ l’écart type des
moyennes d’échantillons contrôlées) qui assurent un risque α de seulement 0.0027,
équivalent d’un POM0 de 370 échantillons.
Cependant, il est simple d’imaginer que si la loi de distribution n’est pas normale, des erreurs
peuvent être commises facilement quand on applique le test d’hypothèse. Comme on peut voir
dans la figure 1.8, assumer la normalité dans une situation quand la loi de distribution n’est
pas normale, peut engendrer des graves conséquences dans les décisions sur la carte de
contrôle adéquate et dans le jugement sur la capabilité de notre processus.
Pour une loi normale et une loi de Rayleigh de même moyenne et de même écart type, les
risques α et β ne sont pas les mêmes (figure 1.8) et les limites de contrôle classiques ne
peuvent plus rester valables. Prenons par exemple le cas du contrôle individuel. Si le risque
alpha est interprété comme dans le cas d’une loi normale, couvrant deux surfaces symétriques
par rapport à la moyenne, le nombre des fausses alertes sera augmenté. Cependant, si la
tendance centrale ne correspond pas à la moyenne des observations, il est évident que les

15
déréglages de très petite amplitude ne seront facile à détecter avec les limites classiques de
contrôle.

Figure 1.8. Les tests d’hypothèse quand la loi de distribution est non normale (Rayleigh) et on
assume la normalité

Les risques α et β associés au test d’hypothèse doivent être calculés par rapport à la loi réelle
de distribution et non pas comme dans le cas d’une loi normale. Cela implique d’étudier la
fonction de distribution et ses paramètres afin de déterminer les limites de contrôle les plus
appropriées.
Le développement des nouvelles limites de contrôle en fonction de la spécificité des données,
par le biais du calcul des probabilités et des quantiles associées, représente une partie de nos
contributions aux méthodes de contrôle pour les processus non gaussiens et se retrouvent dans
le chapitre II de ce mémoire. Les limites de contrôle que nous allons proposer sont des limites
idéales de contrôle, et leur développement nécessite la connaissance a priori de la distribution
des données.
Dans une vision globale de la MSP, seule l’application d’une carte de contrôle ne suffit pas
dans le contrôle des caractéristiques, car des prévisions pertinentes ne pourraient être faites
sans une analyse statistique adéquate de la nature des distributions des données à contrôler.

16
Le statisticien utilise des tests d’adéquation, qui s’effectuent à partir d’un échantillon des
données et permettent de déterminer si les prévisions sur les données réelles ont été correctes.
Le problème peut être mis sous la forme d’un test d’hypothèse de la manière suivante :
L’hypothèse nulle, H0, correspond à :

H0: F= F0 (1.8)

Cependant l’hypothèse alternative, H1, se traduit par:

H1: F<> F0 (1.9)

où F est la fonction de répartition inconnue de la population sous - jacente et F0 est la

fonction de répartition présumée. On rejette l’hypothèse nulle si la distribution empirique
n’est pas suffisamment proche de la distribution présumée. Les règles de rejet ou
d’acceptation dépendent du test utilisé.
Pour l’adéquation à la loi normale de distribution, parmi les plus usuels nous citons tests de

Shapiro Wilk, le test d’Anderson Darling, le test de χ 2 et le test de Kolmogorov Smirnoff.

Basé sur un principe simple, le test du Shapiro-Wilk est le plus facile à manier et il est
recommandable pour les échantillons de petites dimensions (3 < n < 50). Pour les données de
grande taille, il est recommandable d’utiliser d’autres tests plus robustes, comme par exemple
le test d’Anderson Darlington.
On note également le test de Kolmogorov Smirnoff, qui est souvent employé pour tester
l’adéquation à une loi de distribution non gaussienne. Son avantage vient de la méthode de
calcul basée sur la fonction de répartition de données, mais son inconvénient est représenté
par la difficulté de le mettre en place, car souvent il nécessite un très grand volume de calcul.

Le test de χ 2 est également souvent utilisé dans la pratique mais son aire d’application peut
être limité par la quantité des données disponibles quand les critères de son application ne
sont pas respectés (nombre des classes imposées, largeur des classes, etc.). Pour plus
d’information sur l’application de chaque de ces tests d’adéquation nous recommandons
Militaru [Militaru, 2001] ou Fournier [Fournier et al., 2006].
Ces tests statistiques sont utilisés souvent dans l’étape préliminaire à l’application des
méthodes de MSP et entraînent les décisions sur le choix des outils MSP le plus adéquates à la
nature des données à contrôler.

17
En manque de méthodes de contrôle statistique appropriées aux différentes formes de
distributions prises par les données réelles, les relations mathématiques entre ces distributions
sont souvent exploitées pour estimer des paramètres dans des conditions particulières, qui
permettent d’appliquer des méthodes de contrôle existantes. Dans nos démarches nous
abordons ces relations entre les différentes lois de distributions, car la plupart des approches
non - gaussiennes existantes dans la MSP les utilisent comme cadre mathématique de base.
Dans la section suivante nous allons explorer le sujet de la non normalité dans la MSP à
travers diverses approches identifiées au cours de nos recherches bibliographiques.

2 L’incidence de la non normalité dans la MSP. Principales approches.

La tendance d’industriels de nos jours vers la qualité totale et vers l’hypothétique « zéro
défauts », implique une amélioration continue des techniques de conception pour réduire
autant que possible les variations et les effets « imprévus » dans la qualité de leurs produits
finaux [Bacivarov, 2005].
Dans la plupart des processus industriels, on souhaite contrôler tous les paramètres de
procédé, mais ces paramètres ne sont pas tous identifiables. On se limite donc, en règle
générale, au suivi de quelques paramètres considérés comme critiques. Il existe à l’heure
actuelle plusieurs méthodes step forward ou step backward pour trouver l’ensemble des
variables de procédé qui permettent la détection d’erreurs.
Nous avons montré dans la section I ( figure 1.6) que la non normalité affecte plusieurs étapes
dans la mise en place des méthodes de la MSP, à partir de l’étape du calcul des limites de
contrôle, l’étape d’étude de l’efficacité des cartes de contrôle, l’étape de détection des causes
spéciales, ou bien l’étape d’étude de la capabilité du processus.
Malheureusement on retrouve dans la réalité industrielle une grande catégorie des processus
qui n’obéissent pas à des lois de distributions normales. Des données provenant des différents
domaines d’activité sont mieux représentées par une autre loi de distribution que la loi
normale, exemple : des caractéristiques comme une dimension, les phénomènes d’arrondi, de
concentricité, de perpendicularité, de parallélisme, coaxiaux et de rétrécissement.
Nous rappelons également les données au caractère économique : les durées d’attente des
clients ou les délais de payes des factures, le nombre des défectueux dans la manufacture, la
contamination de particules (chimie), l’inductance ou les effets d’éléments parasites dans un

18
schéma électrique, toutes ces caractéristiques sont décrites par des lois non normales de
distribution.
Souvent les réactions chimiques peuvent être représentées par la distribution logistique, le
nombre des défauts dans la manufacture par la distribution de Poisson, tandis que les
phénomènes mécaniques tels que les défauts coaxiaux sont mieux représentées par une loi de
distribution de Rayleigh [Souvay, 1999] ou par la distribution valeurs extrêmes [Stanard,
2001].
Même si le problème est débattu depuis longtemps, il existe à l’heure actuelle peu de
méthodes qui répondent vraiment au problème du contrôle statistique des caractéristiques non
gaussiennes. Et, comme on l’a déjà précisé, souvent l’approximation grossière par la loi de
distribution normale peut conduire aux graves erreurs d’interprétation et de décision ce qui
finalement affecte la qualité globale du processus étudié.
Dans la MSP des caractéristiques non gaussiennes nous avons identifié trois catégories des
problèmes : une première catégorie est liée à l’estimation pertinente de la capabilité des
processus engendrant des caractéristiques non normales.
Les indicateurs de capabilité seront les premiers affectés par la non normalité, car on ne
peut pas obtenir les vraies valeurs en considérant l’intervalle de « 6 sigma » comme dans le
cas d’une loi normale, alors que la distribution réelle est différente. On peut ici rappeler les
travaux de L. Guidez [Guidez. et al., 1997] sur la capabilité des procédés non normaux, ou de
Surajit Pal [Pal, 2005] qui intègre la distribution lambda généralisé dans le calcul des
indicateurs de capabilité.
D’autres études ont été avancées par S. E. Somerville et D. C. Montgomery [Somerville et
Montgomery, 1997]. Ils analysent les PPM2 de non conformité pour les distributions t de
Student, gamma, Weibull etc., tandis que d’autres tiennent à signaler les risques induits dans
le calcul des indicateurs de capabilité des processus non normaux [Pillet, 2002].
Le problème d’étude de la capabilité des processus non gaussiens a été traité avec le même
intérêt par Pierre Souvay [Souvay, 1999] ou D. Grau [Grau, 2006].
Les deux autres catégories des problèmes générés par la non normalité concernent la détection
des disfonctionnements. Deux situations distinctes sont déterminées ici, en fonction de la
nature des distributions des données soumises à l’étude. Il existe des méthodes non
paramétriques, approches générales qui ne nécessitent pas d’informations sur les paramètres

2
Parts Per Million

19
de la distribution représentative et il existe des méthodes paramétriques quand certains
paramètres de la distribution sont connus et des approches sur mesures sont avancées.
Dans la littérature statistique, la nécessité de nouvelles démarches pour traiter les processus
non gaussiens se manifeste constamment. Pour la catégorie des approches non paramétriques
plusieurs auteurs ont avancé des travaux sur les cartes de contrôle en proposant des méthodes
générales d’estimation, comme par exemple l’estimation de Bootstrap, etc.
Nous rappelons les travaux de Phillipe Castagliola [Castagliola, 1999], qui portent sur
l’élaboration des modèles des cartes de contrôle pour les lois non normales, ou de Wheeler
and Chambers qui étudient l’effet de la distribution des mesures sur le taux d’observations en
dehors des limites de contrôle [Wheeler and Chambers, 1992].
Dans le même contexte nous retrouvons les démarches avancées par P. Castagliola
[Castagliola, 1996], [Castagliola, 1998] et P. Sauvay [Souvay, 1999]. Mayer [Mayer et al.,
2004] intègrent les processus Markov avec des modèles mathématiques pour le calcul des
limites de contrôle dans le cas uni varié. D’autres auteurs analysent également les effets de la
non normalité sur le risque α lié aux tests d’hypothèses [Duclos, 1997].
Quant aux approches paramétriques il existe différentes techniques qui aident à l’analyse
d’une population de données de nature inconnue. Pour déterminer la valeur d’un certain
paramètre de la population étudiée les plus usuelles sont les techniques d’estimation
ponctuelle ou par des intervalles de confiance, à partir de l’échantillonnage de cette
population.
Nous rappelons les techniques d’estimation de moindre carrées à partir d’un échantillon
ordonné [Lloyd, 1952]. A base de ces techniques la robustesse de l’estimateur L a été étudiée
dans le cas des populations non normales [Duclos, 1997].
D’une manière plus générale un tel estimateur comporte à minimiser le paramètre β d’un
modèle décrit par l’équation:
Y = β +ε (2.1)

où Y représente la sortie du système étudié, et ε est l’erreur induite. Dans certaines situations,
précisément dans le cas des distributions asymétriques, le choix de la médiane d’une
population considérée comme estimateur de β est pertinente pour minimiser ε. A ce sujet
Emmanuel Duclos [Duclos, 1997] développe une carte de contrôle basée sur la statistique L et
réalise une synthèse des méthodes de contrôle existantes dans le domaine non gaussien.

20
Une autre méthode d’estimation connue dans le domaine non gaussien est la méthode Jaknife
introduite en 1958 par J.W.Tukey [Tukey, 1958], qui permet de déterminer de manière
artificielle l’intervalle de confiance à un seuil de signification choisi d’une statistique
inconnue. La méthode consiste dans l’extraction des sous échantillons des données à partir
d’un échantillon complet. La méthode de Jaknife est de plus en plus utilisée du fait de sa
robustesse et de sa précision dans l’estimation.
Dans le contrôle statistique des distributions paramétriques on retrouve souvent la nécessité
d’analyser les différentes relations existantes entre les différentes lois de distributions. Des
estimations adaptées peuvent être ainsi incluses dans le développement des outils MSP,
comme une carte de contrôle non gaussienne.
Nous citons les travaux de Norman L. Johnson [Johnson et al., 1994] qui étudie les
distributions discrètes et continues, aussi pour le cas uni-varié comme pour le cas multi-varié,
et fait une analyse de leurs caractéristiques: moments principaux, domaines d’application,
relations avec différents autres loi de distribution. Ses travaux représentent un instrument
d’exception, détaillé et complet, pour la bonne compréhension des relations existantes entre
différentes lois de distribution.

A titre d’exemple, à partir de la distribution de χ 2 [Johnson et al., 1994] on peut obtenir les

principaux paramètres d’une loi de distribution de Rayleigh. Les lois de distribution de χ 2 et

de Weibull ayant un caractère générale, offrent, dans des cas particuliers, des informations
importantes sur les paramètres des plusieurs autres distributions: la loi normale, la loi de
Gamma, la loi t de Student, la loi de distribution F de Ficher, la loi de Rayleigh.
Dans le même contexte, des transformations de nature probabiliste, d’autres auteurs comme P.
Castagliola, et F. Tsung [Castagliola et Tsung, 2005], Mayers et Montgomery, [Mayers et
Montgomery, 1997], ou Jearkpaporn [Jearkpaporn et al., 2003] étudient les distributions non
normales, telles que la loi log-normale, la loi de Gamma ou la loi de Weibull.
Cependant les transformations qui relient différentes distributions sont également utilisées
dans les démarches concernant la capabilité la capabilité des processus non gaussiens. Nous
citons ici les travaux de Surajit Pal [Pal, 2005] qui propose la distribution lambda généralisé,
pour calculer les indicateurs de capabilité d’un processus industriel non gaussien.
L’avantage de son approche par rapport aux méthodes classiques d’approximation (les
courbes de Johnson ou Pearson [Clements, 1989]) réside dans la simplicité des calculs. La
démarche de Surajit Pal [Pal, 2005] est représentative pour une vaste catégorie des défauts de
forme du domaine mécanique: concentricité, conicité, asymétrie, dépassement.

21
Différents ouvrages abordent également la mise en place des cartes de contrôle et l’étude de la
capabilité, notamment les travaux de Castagliola P. [Castagliola, 1999], [Castagliola, 1996],
Pyzdek Th. [Pyzdek, 1995], Montgomery D.C. [Montgomery, 1996], [Somerville et
Montgomery, 1997] ainsi que P. Souvay [Souvay, 1999] nous ont servi comme références
dans nos travaux sur le contrôle MSP des processus non gaussiens.

A partir de différents modèles d’amélioration qui ont été proposés ces dernières années, et
selon les critères définis auparavant nous avons distingué quatre directions de recherche dans
les travaux sur les processus non gaussiens. Suivant ces quatre directions, nous allons réaliser
par la suite un classement et une analyse critique des démarches les plus signifiantes dans la
MSP pour des processus non normaux.

2.1 La famille des lois de Burr

Une première méthode abordée dans le monde scientifique est une méthode paramétrique
fondée sur la famille des lois de Burr. La fonction algébrique de Burr a la propriété de décrire
un grand nombre de distributions et s’utilise avec succès pour déterminer les limites
dissymétriques d’une carte de contrôle. Une loi de Burr est définie par une fonction continue,
f(x), avec une fonction de répartition de la forme générale:

F ( x) = 1 − (1 + x c ) − k (2.2)

où c>0 et k>0 sont paramètres de fonction.

La spécificité de la méthode consiste dans l’exploration directe de la fonction de répartition
F(x), contrairement à la plupart des démarches au sujet des lois de distribution non
gaussiennes qui étudient la fonction de probabilité de distribution (notée ici f(x)).
La fonction de répartition de Burr décrite par la relation 2.2 satisfait l’équation différentielle :

F ' ( x) = F ( x)[1 − F ( x)]g ( x) (2.3)

La solution pour cette équation différentielle a été développée par Duclos [Duclos, 1997]:

22
 g ( x) = F ' ( x) / F ( x) + F ' ( x) /[1 − F ( x)] (2.4)

Après l’intégration de cette fonction, nous obtenons la fonction G(x) :

G ( x) = ln{F ( x) /[1 − F ( x)]} (2.5)

La fonction de Burr s’obtient après quelques artifices mathématiques (intégration,

exponentiel) et est exprimée en fonction de G(x):

G '( x ) exp( − G ( x ))
f(x ) =
{1+ exp( − G ( x )) }− 1 (2.6)

L’idée générale dans la mise en œuvre de cette méthode est de calculer les quatre premiers
moments cumulatifs de la distribution des moyennes d’une population empirique. Les
moments cumulatifs centraux s’obtiennent avec la relation 2.7:

+∞ a
M k = ∫ x [1− F (x )]dx − ∫ x F (x )dx
k k
(2.7)
a −∞

Avec les moments d’ordre trois et quatre calculés, nous associons notre population réelle à la
courbe de Burr la plus représentative, selon le tableau des coefficients de Burr. Les limites de
contrôle seront déterminées avec les p - quantiles de l’inverse de la fonction de répartition de
type Burr [Yourstone et Zimmer, 1992].
La méthode de Burr est une méthode générale qui s’applique avec succès spécialement quand
les limites de contrôle sont placés à ± 3σ par rapport à l’estimateur considéré [Duclos, 1997],
[Yourstone et Zimmer, 1992]. Le calcul des quatre premiers moments de la population
empirique nécessite un échantillon d’au moins 50 - 100 observations.
Cependant, pour éviter l’instabilité des résultats souvent on est contraints d’utiliser des
grandes tailles de données. De même, nous considérons que l’hypothèse de base de la
méthode, selon laquelle deux distributions ayant les mêmes valeurs des quatre premiers
moments sont identiques, est trop relative et n’est pas exclusive. L’utilisation de la fonction
de Burr dans le suivi et contrôle des mesures par le biais des cartes de contrôle devient un
sujet délicat quand les limites de contrôle ne sont pas symétriques.

23
Plusieurs auteurs se sont intéressés à la méthode de Burr, nous citons Yourstone et Zimmer
[Yourstone et Zimmer, 1992] et Duclos [Duclos, 1997], qui proposent la distribution de Burr
pour déterminer les limites des cartes de contrôle non - symétriques, ou Castagliola
[Castagliola, 1996], qui intègre cette technique dans ses études sur la capabilité des processus
non-normaux.
Pour d’autres, [Lin et Chou, 2005a], [Chen, 2004], la technique s’avère intéressante pour
l’évaluation des paramètres des certaines distributions non normales (bêta, gamma). Ils l’ont
également inclus dans l’étude des cartes de contrôle multi-varié [Chen, 2004].
Dans ses travaux sur la non-normalité, Duclos [Duclos, 1997] analyse les avantages et les
inconvénients de la méthode de Burr. La manipulation de la fonction cumulative au lieu de la
fonction de densité de probabilité représente un avantage de cette méthode, car de point de
vue pratique elle est plus accessible. Cependant le choix de la fonction positive la plus
adéquate, g(x), peut être difficile, et conséquemment l’association avec la fonction de
répartition cumulative appropriée ainsi que le calcul des quatre premiers moments peuvent
devenir compliqués.
Pour améliorer à cet aspect, une alternative à la méthode basée sur les moments a été proposée
par Philippe Castagliola [Castagliola, 1996]. Ainsi pour un échantillon, x 1 , x 2 ,..., x n , de

variables supposées indépendantes, qui proviennent d’une population de données représentée

par une distribution F(x), l’auteur propose l’expression de la fonction empirique de
distribution, Fe (x ) pour l’échantillon ordonnée: x [ 3 ] , x [ 4 ] ,..., x [ n ] . Cette fonction est

décrite dans l’équation 2.8:

0, x < x[ 3]

Fe ( x) = k / n, x[ k ] ≤ x ≤ x[ k +1] , k>3
(2.8)

1 , x ≥ x[n ]

24
La fonction de répartition correspondante, de type Burr, s’obtient en appliquant la méthode
{ }
des moindres carrés sur les couples x[ k ] , Ge ( x[ k ] ) , k = 1,2,..., n − 1 , la fonction discrète Ge (x ) ,

étant remplacée par le polynôme d’ordre r, G r (x ) .

L’avantage de la méthode du Castagliola réside dans la simplicité des calculs de la proportion
de non conformités. Même si les problèmes générés par le calcul des moments sont éliminés,
les contraintes de cette approche sont liées à la nature croissante de la fonction g(x). Elle doit
être croissante et nécessite un ordre impair du polynôme G r (x ) [Duclos, 1997], [Castagliola,
1996].
Bien que la méthode de Burr a représenté un pas en avant vers l’amélioration du contrôle des
processus non gaussiens, nous avons identifié certaines contraintes et inconvénients qui
limiteront le domaine d’application de la méthode. La première contrainte est liée à
l’approche basée sur les moments, où l’estimation de loi normale de distribution des
moyennes oblige à une taille élevée d’échantillons (théorème limite centrale).
Quand le contrôle est individuel ou pour les petits séries l’utilisation de cette méthode peut
générer des graves erreurs d’interprétation dans le traitement des données.
Au même temps, une fois satisfaite la condition de normalité de la distribution des moyennes,
nous considérons pertinent d’appliquer les outils classiques de contrôle, comme une carte de
Shewhart, sans avoir besoin de parcourir toutes les étapes de calcul des moments et
d’ajustement vers la courbe de Burr la plus appropriée.
Quant à la méthode basée sur la fonction empirique proposée par Castagliola, il est évident
que le choix du polynôme impair G(x) reste une limitation pour son applicabilité. Nous
considérons que la méthode est plus flexible que celle basée sur l’estimation des moments,
elle ne nécessite plus d’estimations de paramètres, et en omettant les calculs liés au polynôme
représentatif, elle se rapproche d’une méthode non paramétrique de contrôle.

2.2 Les familles de lois de Johnson et de Pearson

Introduite par Clements [Clements, 1989] pour le calcul des indicateurs de capabilité, la
méthode paramétrique des familles de lois de Pearson est fondée sur le calcul des quatre
premiers moments des données expérimentales : la moyenne, l’écart type et les moments
d’ordre trois et quatre (coefficient d’asymétrie et d’aplatissement).

25
D’une manière similaire à la méthode de Burr, les coefficients d’asymétrie et d’aplatissement
sont déterminés à partir d’un échantillon d’au moins 20 observations expérimentales. Les
probabilités associées sont calculées dans les tableaux de la loi de Pearson réduite (sous
l’hypothèse d’une moyenne, µ = 0, et l’écart type, σ = 1 ) [Clements, 1989].
La méthode s’applique dans l’étude de la capabilité des processus qui impliquent de grandes
tailles de données. L’indice de capabilité de processus est calculé comme rapport entre
l’intervalle de tolérance et la variabilité du processus :

LTS − LTI
Cˆ p = (2.9)
p s − pi

 LTS − M M − LTI 
Cˆ pk = min  ;  (2.10)
 p s − M M − pi 

où p i est la limite inférieure et p s la limite supérieure d’intervalle de dispersion (l’intervalle

ps-pi est l’équivalent des 6 écarts type dans le cas d’une loi normale). LTS et LTI représentent
respectivement les limites de tolérance supérieure et inférieure, et M représente la médiane,
comme estimateur de la tendance centrale de la population.
L’alternative à la méthode basée sur la loi de Pearson est la famille des lois de Johnson. Elle
présente l’avantage de synthétiser trois formes représentatives des courbes qui modélisent les
observations réelles. Cette méthode transfère n’importe quelle loi de distribution continue
vers une loi de distribution normale centrée réduite. La méthode offre une plus grande liberté
pour le choix de la courbe qui caractérise le mieux la population étudiée.
Les paramètres de ces courbes sont estimés par le calcul des p - quantiles d‘un échantillon
nécessitant un minimum de 100 observations. Le choix de la courbe de Johnson est déterminé
par les tests de type Slifker Shapiro [Duclos, 1997].
Les trois formes standard des courbes de Johnson sont respectivement : les courbes non
bornées, Su, quand l’ensemble des données réelles est défini sur un intervalle infini, les
courbes bornées, Sb, qui couvrent les distributions définies sur un intervalle ouvert, et les
courbes de type log normal, SL, qui incluent les défauts de forme [Pyzdek, 1995]. Les trois
fonctions de transformation associées sont décrites dans les équations 2.11 – 2.13 :

26
  x −ε 
S b : Γ( x, λ , ε ) = sinh −1   (2.11)
 λ 

 x−ε 
S u : Γ( x, λ , ε ) = ln  (2.12)
λ +ε − x

 x−ε 
S L : Γ( x, λ , ε ) = ln  (2.13)
 λ 

Une fois la variable x identifiée et associée à la courbe de Johnson adéquate, les p – quantiles
seront calculés à partir des tableaux des valeurs caractéristiques. La transformation vers la
variable centrale réduite, z, prend la forme:

z = γ + η ∗ Γ ( x, λ , ε ) (2.14)

où ε , λ ,η , γ sont les paramètres de position et d’échelle. L’ensemble d’équations de ces

paramètres pour les trois formes des courbes de Johnson a été décrit par Emmanuel Duclos
[Duclos, 1997].
Des exemples intégrant les familles des courbes de type Pearson ou Johnson se retrouvent
dans les travaux de Thomas Pyzdek [Pyzdek, 1995], Philippe Castagliola [Castagliola, 1999],
Chen et Cheng [Chen et Cheng, 2005], ou Surajit Pal [Pal, 2005] qui s’est préoccupé par de
phénomènes mécaniques tels que l’asymétrie et la conicité.
De même, la méthode est explorée par Pearn et Chen, [Pearn et Chen, 1997] qui appliquent le
modèle de Pearson dans l’étude de la capabilité d’un processus de fabrication des
condensateurs électrolytiques, et par Pearn et al [Pearn et al., 2002] qui analysent les
indicateurs de performances dans le domaine de l’électronique.
Il y a aujourd’hui des programmes informatiques (par exemple le logiciel Statistica) qui
intègrent les transformations de Johnson ou Pearson. A partir des informations disponibles
pour l’échantillon des observations réelles, l’ordinateur peut chercher la meilleure famille
Johnson et calculer les paramètres adéquats.
Le principal avantage des familles de courbes de Pearson ou de Johnson est leur facilité
d’application. Cependant, malgré la gamme plus large d’applicabilité, l’estimation des p–
quantiles nécessite souvent le prélèvement d’un grand nombre d’observations, ce qui peut
représenter un inconvénient de point de vue économique dans le contrôle des processus.

27
 2.3 La méthode de re-échantillonnage de Bootstrap

Introduite par Efron [Efron, 1979], la technique de Bootstrap est constamment utilisée dans
l’estimation non paramétrique d’une statistique d’intérêt. Le principe d’échantillonnage répété
avec remise dans l’échantillon d’origine s’applique même pour un nombre restreint des
données et permet de construire un intervalle de confiance.
Répandue dans la théorie d’estimation des paramètres pour des populations inconnues, la
méthode présente une grande utilité dans les démarches concernant les méthodes de contrôle
pour des distributions non gaussiennes.
L’algorithme de mise en place comporte quelques étapes principales. Sans la connaissance à
priori de la population à étudier, on extrait un échantillon indépendant de dimension < =100.
Sur cet échantillon on effectue des prélèvements répétés de taille N (N<100), avec la remise
dans l’échantillon de base.
Pour chaque prélèvement la statistique d’intérêt est calculée, par exemple la moyenne, l’écart
type, etc. Après un nombre suffisamment des itérations (au moins 1000 répétitions [Efron,
1979]), on obtient une approximation fiable de la statistique « bootstrapée ».
Selon la nature des observations soumises à l’étude, on identifie la méthode de Bootstrap
standard ou naïf, le Bootstrap par les p quantiles et le Bootstrap à biais corrigé par les p
quantiles [Duclos, 1997].
Considérons la mesure statistique T à estimer, et son intervalle de confiance, 1 − α . La
méthode de Bootstrap standard fournit les limites de l’intervalle de confiance de manière
classique, avec les p-quantiles d’une loi normale centrée et réduite :

E (T * ) ± ξ1−α / 2 ∗ σ (T * ) (2.15)

où E (T * ), σ (T * ) représentent la moyenne et l’écart type de l’ensemble des réalisations de la

statistique considérée, T . ξ représente la p-quantile de la loi normale réduite pour une
probabilité : p = 1 − α / 2 .
Au contraire, le Bootstrap par les p-quantiles construit l’intervalle de confiance à partir de la
statistique d’ordre de la mesure considérée ( T ). Le Bootstrap à biais corrigé par les p-
quantiles tient compte d’un éventuel décentrage des distributions des réalisations obtenues, et

28
considère les probabilités des limites supérieure et inférieure de l’intervalle de confiance
[Duclos, 1997]. Phillipe Castagliola a réalisé une étude sur le Bootstrap basé sur les p
quantiles dans l’estimation des limites de contrôle pour les cartes non symétriques
[Castagliola, 1999].
Du fait de sa généralité, la méthode de Bootstrap est largement utilisée dans la MSP des
processus non gaussiens. La méthode peut fournir des bonnes approximations des grandeurs

spécifiques, comme par exemple les indicateurs de capabilité C p , C pk et C pm [Duclos,

1997], [Castagliola, 1999].

Un schéma simplifié de la mise en place de la méthode de Bootsrtrap (figure 2.1) est proposé
par Emmanuel Duclos [Duclos, 1997], qui inclut dans ses travaux une classification des
principaux algorithmes de type Botstrap et présente leur implication dans la MSP des
processus non normaux.
La méthode a ressuscité l’intérêt des différents auteurs qui l’ont inclus dans leurs démarches.
Elle s’avère robuste dans l’estimation d’un écart type, d’un intervalle de confiance ou bien du
biais d’un estimateur pour des populations non gaussiennes.
Dans une synthèse des méthodes statistiques utilisées dans le domaine médicale, l‘auteur A.
R. Henderson [Henderson, 2005] décrit la technique de re-échantillonnage basée la méthode
de Jakniffe [Tukey, 1958], qui se retrouve aux origines de la méthode de Bootstrap.
Cette technique est utile pour l’approximation du biais des estimateurs à partir des sous
échantillons. Henderson [Henderson, 2005] propose la méthode de Bootstrap pour le calcul de
l’intervalle de confiance de la statistique L dans le cas uni varié, et suggère son utilisation
dans l’analyse statistique des populations non-gaussiennes. Une étude détaillée de la méthode
de Bootstrap contenant une panoplie d’applications pratiques est réalisée par M. Chernick
dans sont guide d’application pour les praticiens [Chernick, 1999].

29
 Figure 2.1 : La méthode de Bootstrap

Plusieurs exemples ont retenus notre attention, car par rapport aux méthodes décrites
auparavant la méthode de Bootstrap est plus souvent rencontrée dans la MSP et les domaines
de son applicabilité sont très variés. Les études avancées sur cette méthode appuient
précisément sur la généralité et la vulgarité de la méthode.
Nichols et Padgett [Nichols et Padgett, 2006] utilisent le Bootstrap par les p-quantiles dans la
construction des cartes de contrôle non paramétriques. Leurs études portent sur les
défaillances d’un processus de fabrication de fibre de carbone, défaillances dont la
distribution est caractérisée par la loi de Weibull. Th. Harris [Harris, 2004] et Mudelsee et
Alkio [Mudelsee et Alkio, 2006] encouragent l’utilisation de la méthode de Bootstrap dans
l’estimation des erreurs de nature non-gaussienne qui affectent les systèmes automatiques.

30
Dans le domaine médical la méthode s’applique dans les estimations nécessaires dans la
surveillance et le traitement des maladies cardiovasculaires. Wisnowski, Simpson et
Montgomery [Wisnowski et al., 2003] appliquent la méthode de Bootstrap pour obtenir des
modèles acceptables de prédictions des erreurs. D’autres combinent la technique dans leurs
études sur l’efficacité des tests d’hypothèse pour une loi de distribution de Rayleigh, ou de
Weibull [Baklizi, 2005].
Vernaat M.B. [Vernaat et al., 2003], Teyarachakuèl S. [Teyarachakuèl et al., 2006], etc.
s’intéressent aux cartes de contrôle pour les caractéristiques non gaussiennes et comparent les
limites de contrôle obtenues par la méthode de Bootstrap avec celles des cartes classiques de
Shewhart, pour des observations individuelles, ou avec des nouvelles méthodes [Vernaat et
al., 2003].
Les exemples les plus représentatifs de l’application de la méthode dans la MSP des processus
non gaussiens sont les travaux de Philippe Castagliola et d’Emmanuel Duclos [Castagliola,
1999], [Duclos, 1997]. Tandis que P. Castagliola, [Castagliola, 1999], propose des nouvelles
limites de contrôle basées sur le Bootstrap par les p-quantiles, E. Duclos [Duclos, 1997]
s’intéresse au calcul des indicateurs de capabilité pour les distributions inconnues.
Destinée aux procédés à évolution rapide, la technique de Bootstrap nécessite
l’échantillonnage aléatoire. Toutefois, pour que l’échantillon de base soit représentatif de la
population étudiée, le procédé doit être stable pendant la période d’analyse. La méthode
s’applique avec plus de succès aux données de grande taille où la stabilité ne pose pas trop de
problème. Il est confortable de disposer d’au moins 1000 échantillons qui s’obtiennent
facilement par la remise dans l’échantillon original.
Néanmoins la méthode nécessite des moyens de calcul relativement puissants et cela peut
représenter un inconvénient dans son application.

2.4 Les cartes de contrôle avec des paramètres variables

Nous analysons les cartes de contrôle avec paramètres variables comme un nouveau concept
dans le contrôle de processus non gaussiens. L’idée d’utiliser des paramètres dynamiques, qui
changent au cours de l’application des cartes de contrôle et en fonction de l’évolution du
processus, est apparue comme une alternative intéressante pour la mise sous contrôle
statistique des distributions non gaussiennes.

31
Les bases de ce concept ont été introduites par Costa [Costa, 1999], qui a développé les
formules de calcul pour ce qu’on appelle, respectivement, les coefficients de contrôle et les
coefficients d’avertissement. Les limites d’avertissement, délimitant une zone plus restreinte
autour de la valeur cible par rapport aux limites de contrôle, sont introduites.
L’approche de Costa [Costa, 1999] est construite sous l’hypothèse de normalité,
respectivement d’état initial stable pour le processus étudié. Les probabilités associées aux
différentes positions possibles pour la variable surveillée sont déterminées à l’aide des chaînes
de Markov. Costa considère comme connus une partie de paramètres intervenant dans le
calcul des limites de contrôle et d’avertissement, et met en place les formules de calcul pour
les autres paramètres, qui restent inconnus.
Les promoteurs de l’application des cartes avec paramètres variables sont Lin Y.C. et Chou
C.Y. [Lin et Chou, 2005a], [Lin et Chou, 2005b], qui développent des limites de contrôle et
testent ces types de cartes également pour la loi normale, pour la loi de distribution de
Gamma, et pour la distribution t de Student. Le fonctionnement d’une carte de contrôle des
moyennes, de type paramètre variable est illustré par le schéma dans la figure 2.2.
L’algorithme de mise en œuvre est basé sur l’échantillonnage et n’est pas compliqué.

Figure 2.2 : La méthode de paramètres variables

32
En principe si la valeur observée est située dans la zone proche de la valeur cible, nous
utilisons des échantillons de petites taille, n1 et de grandes intervalles de prélèvements, h1,
ainsi qu’un large domaine pour le choix du coefficient de contrôle, k1 (figure 2.2, cas A).
Au contraire, s’il y a un signe d’instabilité, la valeur mesurée se retrouve entre les limites
mais elle ne se situe pas si proche de la cible, nous appliquons une deuxième catégorie de
paramètres (cas B), qui impose des échantillons plus grands, de taille n2, des petits intervalles
de prélèvement (h2) et une gamme retreinte pour le choix du coefficient de contrôle (k2). Une
carte de contrôle construite de telle manière, comportera trois régions principales, comme il
est indiqué dans la figure 2.3.
On note avec µ0 la moyenne du processus dans l’état stable. Les limites de contrôle se
calculent avec les formules :

UCL i = µ 0 + k i σ (2.16)
ni

LCL i = µ 0 − k i σ (2.17)
ni

Respectivement :
UWL i = µ 0 + wi σ (2.18)
ni

LWLi = µ 0 − wi σ (2.19)
ni
où i=1;2.

Tant que la valeur portée sur la carte de contrôle (la moyenne d’échantillon prélevé dans notre
cas) est situe dans la zone centrale, les limites de contrôle sont calculées à base de la
configuration A (figure 2.2).
Si la valeur se situe dans la zone d’avertissement, nous utilisons pour le prochain prélèvement
les paramètres de la configuration B (figure 2.2). Si la valeur est dans la zone d’action, le
processus est considéré hors contrôle et des mesures correctives seront nécessaires.

33
 Cas B Zone
UCLi d’action

UWLi
Cas A Zone
centrale
µ0

LWLi Zone
d’avertissement
LCLi

Zone
d’action

Figure 2.3 : La carte de contrôle X aux paramètres variables

La probabilité de se situer dans la zone centrale se calcule à l’aide des paramètres de contrôle
k1,2, le paramètre n0 (la taille du premier échantillon, dans l’état stable) et h0 (intervalle de
prélèvement pour le départ dans l’état stable). Ces paramètres sont considérés comme connus
a priori. On leurs attribue les valeurs usuelles comme dans l’application des cartes de contrôle
classiques X (par exemple 4, 5 pièces par échantillon, l’intervalle d’échantillonnage d’une
heure). Les indicateurs de performance classiques sont remplacés par d’autres, car nous
n’avons plus une dimension constante de l’échantillon prélevé.
Par ailleurs, Lin Y.C. et Chou C.Y., [Lin et Chou, 2005b], proposent AATS (Adjusted Average
Time to Signal) qui représente l’intervalle de temps entre l’apparition d’une cause spéciale et
la détection de la situation hors contrôle correspondante.
De même, l’indicateur ANSS (Average Number of Samples to Signal) estime le nombre moyen
d’échantillons successifs jusqu'à l’apparition de la situation hors contrôle. Un autre indicateur,
ANOS (Average Number of Observations to Signal) représente le nombre d’observations
individuelles jusqu'à l’apparition de la situation hors contrôle. Finalement le ATS (Average
Time to Signal) est utilisé pour estimer l’intervalle de temps du début du processus et jusqu'à
l’apparition de la situation hors contrôle.
Pour comparer les performances de la carte VP dans le cas des distributions de Gamma et t de
Student, Lin Y.C. et Chou C.Y., [Lin et Chou, 2005b] fixent la valeur d’ATS à une valeur
constante (la valeur classique du POM de 370, associé aux hypothèses de départ de

34
normalité). Les indicateurs ainsi obtenus indiquent une meilleure performance dans le cas où
plusieurs paramètres de la carte de contrôle varient en même temps. Leurs résultats sont
nettement supérieurs aux valeurs obtenues dans le cas où un seul paramètre est variable, par
exemple, seulement la dimension de l’échantillon.
Par rapport aux tendances déjà existantes dans la MSP, de varier un seul paramètre de la
construction des cartes de contrôle, comme la dimension d’échantillon, ou bien l’intervalle de
prélèvement, les cartes de Lin et Chou [Lin et Chou, 2005b] qu’on les a appelé cartes avec
paramètres variables (ou cartes VP), réalisent un bon compromis entre les performances de
détection et le taux de fausses alarmes. Ce fait a suscité notre intérêt pour évaluer leurs
performances dans l’étude d’autres lois de distributions.
Etant donné que la technique de paramètres variables est une technique relativement nouvelle,
il existe à l’heure actuelle peu d’approches sur ce sujet. Certains auteurs l’ont introduit dans
leurs démarches, nous citons Chen [Chen, 2004], Lin et Chou [Lin et Chou, 2005a], Chou,
Chen et Liu [Chou et al., 2001a], ou bien Chou, Li et Wang [Chou et al., 2001b]. Ils
manifestent leur intérêt pour la variation des paramètres définissant une carte de contrôle et
intègrent la famille de loi de Burr pour l’identification des différentes populations non
gaussiennes abordés dans leurs travaux.
La carte de contrôle VP a retenu toute notre attention, du fait de sa généralité, et de sa facilité
de mise en œuvre. Les résultats fournis dans le cas d’une loi de distribution non-gaussienne
comme celle de Gamma ou t de Student [Lin et Chou, 2005b] nous encouragent à élargir son
champ d’application pour d’autres lois de distribution. Nous avons cherché au même temps
des améliorations concernant les hypothèses de départ et l’aspect paramétrique. Nos nouvelles
propositions ainsi que les résultats de nos travaux seront décrits en détail dans le chapitre II.

35
 3 Synthèse des méthodes de traitement de données non gaussiennes

Comment on a pu remarquer au cours de nos recherches, la littérature est peu riche dans
approches spécifiques au contrôle des caractéristiques non gaussiens. Nous avons auparavant
identifié et classifié quatre principales directions saisies dans les travaux des différents auteurs
portant sur le contrôle MSP des données non gaussiennes. Dans le tableau 3.1 sont regroupées
les avantages et les inconvénients de ces méthodes.
Les deux premières (la méthode des familles de Burr et la méthode des familles de Johnson et
Pearson) sont des méthodes paramétriques comportant l’approximation des distributions
réelles avec une famille théorique de distribution, comme la famille de courbes de Burr, ou les
courbes de Johnson. Cette approximation est basée sur le calcul de premiers quatre moments
de la distribution empirique, et présente l’inconvénient d’une plage réduite d’application. Les
contraintes concernent la nécessité d’une quantité importante des données pour l’estimation
des grandeurs d’intérêt afin de se rapporter au modèle théorique.
Par ailleurs ces méthodes, dans des conditions adéquates, ont fournit des bonnes résultats,
meilleurs que les méthodes classiques, dans le contrôle des certaines processus non
gaussiennes et précisément dans l’estimation de leur capabilité, comme il a été prouvé pour
les courbes de Johnson [Pyzdek, 1995].
Cependant, il existe un intervalle d’erreur assez élevé de cas à cas, et en fonction de la
méthode utilisée. Si on pense à l’estimation des moments par la méthode de Burr, a partir
d’un échantillon de 20 observations, il est indispensable d’avoir également une analyse du
risque d’erreur associé à cette estimation. Les étapes et les calcules à suivre pour se
rapprocher des modèles théoriques sont parfois mathématiquement complexes et dans la
pratique on préfère toujours appliquer une méthode de contrôle directement sur les données
empiriques, sans avoir besoin de les transformer.
Une deuxième catégorie des méthodes proposées dans la MSP pour des processus non
gaussiennes ont plutôt un caractère non paramétrique, et présentent plus d’intérêt de point de
vue pratique. Ainsi nous avons noté l’estimation de type Boostrap, qui, même si n’est pas
proprement dit une méthode de contrôle, intervient souvent dans d’estimations nécessaires
pour le développement des limites de contrôle d’une population inconnue [Castagliola, 1999]
ou dans l’approximation des indicateurs de la capabilité [Duclos, 1997].

36
La méthode présente une grande généralité dans la théorie d’estimation et peut être exploitée
dans tous les contextes non paramétriques. La précision d’intervalles de confiance, peut
servir, par exemple à l’application d’un test d’hypothèse (teste de Khi deux, pour populations
non gaussienne etc.). Nous considérons que la méthode d’estimation de Boostrap ne doit pas
être ignorée, est son intégration dans les démarches sur le contrôle des caractéristiques non
gaussiennes reste encore à explorer.
Enfin, au cadre des méthodes non paramétriques de contrôle nous avons défini les cartes de
contrôle aux paramètres variables. Parmi les quatre types des méthodes discutées, la carte de
contrôle avec paramètre variable présente un intérêt spécial.
C’est grâce à son caractère général et à la facilité de mise en place que cette méthode est
applicable pour toutes les lois de distribution. Son principal apport concerne la détection des
très petit déréglages autour de la valeur de référence, et les résultats obtenus dans le cas d’une
loi de distribution de Gamma mais également dans le cas d’une loi normale, dépassent les
performances offertes par les méthodes non paramétriques.
La méthode étant relativement nouvelle dans la MSP, nous avons choisi de diriger nos
recherches vers l’élargissement de son applicabilité. A base de leur efficacité prouvée dans le
contrôle des certaines caractéristiques asymétriques [Lin et Chou 2005b], nous avons ainsi
avancé l’analyse de l’adéquation de la méthode VP pour cette classe des distributions. Nos
travaux incluant des particularisations et des simulations pratiques, ainsi que le jugement des
performances de la méthode VP en comparaison avec d’autres méthodes, seront développés
dans le chapitre II.

37
 Tableau 3.1. Classification des méthodes existantes dans la MSP des processus non gaussiens.

Les familles des Méthode de Méthode de

Méthode Courbes de Burr lois de Pearson Bootsrap paramètres
et de Johnson variables (VP)

Construction
des cartes de + ++ ++
Utilisation contrôle

Etude de la ++ ++ ++
capabilité

Paramétrique ++ ++

Non paramétrique ++ ++

Lois non normales Lois non Toutes les lois de Lois de

Domaine d’application uni modales et normales uni distribution distribution
multi modales modales et asymétriques
asymétriques

Décrit un grand Facilité de mise
Fiable pour un
Utilisation

nombre de en place nombre retreint « in line » et
distributions d’observations facilité de mise en
parmi lesquelles
Une vaste place
celles application due à la
Permet
Avantages dissymétriques nature paramétrique l’exploration et
Peut être combinée l’intégration
avec d’autres d’autres
techniques (les p techniques ( Burr,
quantiles pour Bootstrap)
fournir des limites de
contrôle
satisfaisantes)

Nombre très Parfois il est Moyennes de calcul Contraint liées
élevé des nécessaire de puissantes aux hypothèses de
observations prélever un nécessaires au re - départ, méthode
empiriques nombre très échantillonnage peu explorée
Inconvénients
Difficultés en important
à choisir la d’observations
fonction
cumulative de
distribution

38
 Chapitre II : Contributions aux nouvelles démarches dans
la MSP des processus non gaussiennes

1 Introduction

Comme nous l’avons déjà précisé, les méthodes de contrôle statistique font partie intégrante
du système qualité pour une large catégorie de processus industriels. Elles sont des outils
performants intervenant de l’étape de conception, dans les procédures d’inspection ou bien
directement dans l’étape de production afin de réduire la variabilité des caractéristiques ou
d’améliorer l’évolution temporelle vers des performances souhaitées et demandées par des
cahiers des charges.
Dans le premier chapitre de ce mémoire nous avons réalisé un tour d’horizon sur les
inconvénients majeurs dans le contrôle des processus qui présentent des distributions non
gaussiennes ainsi que sur les solutions MSP existantes.
Dans une classification primaire, les lois de distribution non gaussiennes peuvent être
partagées selon l’allure de la courbe représentative en lois de distribution symétriques
(comme par exemple la loi de distribution uniforme, la loi t de Student etc.) et lois de
distribution asymétriques qui incluent la distribution F, Gamma, Rayleigh etc. Certaines
auteurs classifient encore la catégorie des distributions asymétriques en asymétriques
positives et négatives [Chung et al., 2007].
Nous introduisons dans ce chapitre une catégorie de procédés ou l’incidence des lois de
distributions non normales est évidente et la nécessité de développement des techniques MSP
spécifiques impérative. Il s’agit de processus d’inspection des pièces mécaniques et des
variations de formes intervenues par rapport aux spécifications. Dans ces procédés la plupart
des caractéristiques sont non gaussiennes et présentent une tendance asymétrique.
Les sections 1.1 - 1.3 de ce chapitre sont destinées à définir la direction prise par nos
recherches sur la MSP des processus non gaussiennes. Tout d’abord nous allons présenter
quelques exemples des processus caractérisés par des lois de distributions non normales.
Nous allons par la suite aborder la classe de lois de distribution asymétriques par le biais des
phénomènes mécaniques normalisés ISO. Nous avons choisi d’avancer nos études sur la loi
de distribution de Rayleigh, représentative pour la description des certains défauts de forme
qui seront discutés par la suite.

39
Dans notre choix nous sommes également motivés par un manque d’informations sur cette
distribution relativement nouvelle, alors que son applicabilité dans les domaines d’importance
comme l’aéronautique est déjà mentionnée à partir des années 1999 [Sauvay, 1999]. Le but de
ces travaux est de trouver une meilleure méthode de contrôle valable pour une classe assez
large de distributions qui pourrait aussi résoudre des problèmes d’inspection intervenus dans
les productions industrielles.
Par la suite de ce chapitre nous allons proposer deux méthodes de contrôle pour la catégorie
de distributions asymétriques. Une première est la carte de contrôle avec des paramètres
variables (section 2) qui a eu comme point de départ les travaux de Lin et Chou [Lin et Chou,
2005a]. L’autre est une carte de contrôle bâtie sur la distribution de Rayleigh, dont les limites
seront calculées a l’aide des p-quantiles (section 3).
L’analyse de ces méthodes et la comparaison avec les cartes de contrôle traditionnelles seront
complétées par des exemples de simulations numériques.
Bien évidement, les solutions de contrôle proposées dans ce mémoire ne sont pas testées sur
toutes les lois asymétriques existantes. Cependant les résultats obtenus ouvrent un chemin
nouveau de recherche et prouvent l’existence des outils de contrôle plus performants que les
cartes de contrôle classiques, et plus adéquats à une classe des distributions non gaussiennes.
Les conclusions et les perspectives de nos travaux au sujet des méthodes de contrôle pour les
distributions asymétriques seront présentées dans la dernière partie de ce chapitre.

1.1 Processus non gaussiens - quelques exemples

Généralement, dans l’analyse d’une série de données statistiques les premières indications sur
la non normalité sont fournies par les paramètres représentatifs : moyenne, écart type, etc. La
loi de distribution normale étant une loi symétrique, elle est caractérisée par l’égalité entre les
principales mesures de la tendance centrale:

µ =M d = M 0 (1.1)

où µ représente la moyenne arithmétique du processus étudie, M d est la médiane et M 0 est

le mode. Il existe des situations quand le paramètre de position ne correspond plus à la

40
moyenne statistique de la population étudiée. Par exemple pour une distribution uni modale et
étirée à droite (figure 1.1), nous obtenons l’inégalité 1.2.

µ ≥M d ≥M 0 (1.2)

Figure 1.1 : Principaux paramètres d’une loi asymétrique uni modale

Dans la pratique, l’ensemble d’observations peut être caractérisé par une de ces mesures,
dépendantes de la nature des observations étudiées. La moyenne arithmétique de l’échantillon
est très simple à interpréter et souvent utilisée comme estimateur de la tendance centrale de la
population. Cependant, la médiane est préférable comme estimateur de la tendance centrale,
notamment pour les distributions asymétriques qui comportent des observations aberrantes
[Duclos, 1997].
Dans la catégorie des distributions asymétriques on retrouve la variable décrivant la
circularité d’une pièce mécanique (figure 2.1), qui se calcule comme la différence entre le
diamètre du cercle inscrit et celui du cercle circonscrit. C’est un exemple représentatif pour ce
qu’on appelle dans la mécanique un « défaut de forme » [Souvay, 1999]. Dans la même
catégorie des défauts on trouve également les rugosités, les planéités, etc.
Considérons les variables Rmin et Rmax qui sont distribuées selon une loi normale, ainsi que leur

différence: z = Rmax − Rmin . Dans une représentation dans un système orthogonal d’axes
(figure 1.2.) la variable |z| prend, naturellement, que des valeurs positives.

41
 z = Rmax − Rmin (1.3)

Rmax
Rmin

Figure 1.2: Le défaut de forme

En supposant que Rmax et Rmin présentent un même écart type ( σ n ), la variable z sera

distribuée selon N ( µ n ,σ n ) . Pour les valeurs positives de la variable z, l’expression pour la loi
2

de défaut de forme s’exprime par l’expression 1.4. [Souvay, 1999] [Duclos, 1997] :

 − 1  z − µ n  
2 2
1  z + µn 
−  
1 e  n  + e 2  σ n 
 σ 
, ∀z ≥ 0
f ( z) =
2
(1.4)
σ n 2π  
 

La moyenne et la variance de la loi de défaut de forme sont données par:

 (µn / σ n ) 
2
− 
− µ n (1 − 2Φ (µ n / σ n ))
2
µ =σn e  2 
(1.5)
π

σ 2 = µ n2 + σ n2 − µ 2 (1.6)

La non normalité se manifeste également dans les critères de position d’une certaine
caractéristique autour d’un point central. Dans la mécanique ce sont les phénomènes
coaxiaux. Ces défauts sont décrits d’une manière appropriée par une loi de distribution de
Rayleigh [Duclos, 1997], [Castagliola, 1999], [Souvay, 1999]. Les phénomènes coaxiaux

42
présentent un impact majeur dans plusieurs domaines comme l’aéronautique, l’automobile,
l’électronique, mécanique, etc.
Par ailleurs les distributions non normales, et notamment celles asymétriques, ont une
incidence constante dans les domaines chimique, des semi-conducteurs, automatique, dans la
conception des bancs de test ou d’essai à destination industrielle, etc.
Dans la métallurgie, les fabrications d’alliages fournissent souvent des distributions non
gaussiennes. Thomas Pyzdek [Pyzdek, 1995], le fondateur du concept six sigma et l’auteur
des nombreuses études sur les processus non normaux, définit trois principaux facteurs qui
restent à l’origine de la non-normalité des données.
Ils sont, respectivement, le comportement humain, l’inspection des résultats et les lois
physiques. Tous les facteurs responsables de la non normalité des données sollicitent une très
claire compréhension de fonctionnement du processus avant de développer le plan
d’amélioration de la qualité.
Le comportement humain se manifeste quand le facteur humain influence d’une manière
perceptible les mesures destinées à caractériser un processus réel. Les erreurs intervenant dans
l’inspection des résultats, peuvent également constituer une source de non-normalité des
données. Le phénomène connu sur le nom de perpendicularité, souvent rencontré dans le
domaine de l’aéronautique, est un facteur générateur des distributions non gaussiennes
[Pyzdek, 1995].
Le phénomène de non-normalité induite par une loi physique reste incontrôlable pour le
facteur humain : la force de la pression du vent sur les bâtiments, ou sur les ailes d’un avion,
le temps de survie des patients après les transplants, l’intolérance au glucose. Néanmoins des
lois non normales touchent tous les domaines (économique, industriel, construction,
manufacture, médicale, géotechnique, hydrologie, transports et même la musique [Grigoriu,
1995]).
Pour mettre en évidence l’influence des lois physiques sur la distribution des caractéristiques
d’un processus, Th. Pyzdek [Pyzdek, 1995], propose un exemple du domaine de la
métallurgie, l’étude d’un processus de fabrication d’un alliage métallique. L’alliage de zinc
fer analysé s’obtient quand le matériel de base arrive à la température du zinc fondu. Une fois
la couche d’alliage formée, le zinc pur commence à s’accumuler. Si la région de contact est
déplacée avant d’obtenir la température limite, le zinc ne va pas adhérer au métal de base. La
distribution des mesures effectuées sur la couche de l’alliage est non-gaussienne (figure 1.3).

43
 Figure 1.3 : Distribution de mesures de l’épaisseur pour la couche d’alliage zinc/ fer[Pyzdek, 1995]

Dans l’analyse des différentes caractéristiques de nature non gaussienne, les travaux de Th.
Pyzdek [Pyzdek, 1995] appuient sur la mise en pratique de la méthode des familles de
Johnson. Un autre exemple est l’étude des données provenant des mesures d'une opération de
cisaillement(figure 1.4).

Figure 1.4 : Analyse de la capabilité des données non normales, Pyzdek [Pyzdek, 1995]

Les spécifications réclament une dimension spécifique entre 10 unités et 23 unités. L’analyse
avec la carte X réclame un processus sous contrôle et la carte R par 26 sous-groupes à 5

44
unités par sous-groupe ne signale aucune pièce hors de tolérance. Les résultats des mesures
fournissent une distribution bornée et asymétrique.
L’alternative proposée par Pyzdek consiste dans l’application des courbes de Johnson de type

S b [Pyzdek, 1995]. L’indicateur de capabilité ainsi obtenu, C p = 1.48 , permet d’espérer à 100
% des valeurs réels dans l’intervalle de tolérance spécifié (figure 1.4).
D’autres exemples de non normalité tiennent des systèmes automatiques. Ainsi G. Falkovich
[Falkovich et al., 2004] étudie un système de transmission optique sous l’influence des
différents réglages (le filtrage, la modélisation en phase, techniques in line). Les petites
déviations remarquées dans le système étudié provoquent des graves erreurs dans l’estimation
de la réponse de la transmission. Cela impose une analyse statistique rigoureuse des
caractéristiques non-gaussiennes qui affectent le processus.
Pour certains phénomènes, tels que les réponses dynamiques des systèmes non-linéaires aux
excitations aléatoires, une mixture des lois normales doit être prise en compte pour mieux le
décrire (figure 1.5). Nous citons un processus de déformation d’un système physique soumis à
l’action d’une force stationnaire [Grigoriu, 1995].

f(x)

0.3

0.2

0.1
x

-2 0 2

Figure 1.5: La déformation du processus pour un système non-linéaire, [Grigoriu, 1995]

Dans notre étude sur les différentes sources de données non normales nous avons noté que si
on souhaite appliquer des techniques de contrôle statistique, la forme de la distribution des
données observées est un facteur décisif. Cela est valable dans tous les domaines cités, tels
que la mécanique, l’économie, la médicine, l’électronique, manufacture, l’aéronautique.
Considérons une situation particulière d’un système automatique, le système de freinage
d’une automobile. On peut regarder la fréquence d’arrêt des roues comme le signal de sortie

45
du système dont l’entrée (ou consigne), est représentée par l’action sur la pédale. Pour ce
système nous associons comme causes aléatoires toutes les situations habituelles qui
nécessitent le freinage (un feu, l’agglomération constatée pendant une durée déterminée).
Cependant les causes spéciales sont des phénomènes incontrôlables (la fatigue du chauffeur,
la glace sur la chaussée, l’apparition inattendue d’un obstacle). La fréquence d’apparition de
ces dernières causes n’est pas aléatoire et peut conduire à une distribution non-gaussienne de
la sortie du système considéré.
Ainsi le système de freinage sera actionné régulièrement pour les situations habituelles, mais
également aux moments précis et inattendus, ce qui va induire des arrêts spontanés. Sur un
graphique de représentation de la fréquence d’arrêts, cela se traduit par des sauts autour de la
valeur cible, correspondants aux moments ou les phénomènes incontrôlables se manifestent
(facteur bruit du système).
Généralement, même si les perturbations qui affectent un système sont aléatoires, donc
présentent une distribution gaussienne, il y a des situations dans lesquelles la réponse du
système ne suit plus une loi de distribution de Gauss. L’analyse statistique de ces
caractéristique est impossible avec les méthodes classiques connues (cartes de contrôle par
moyennes, X , ou par étendues, R). Il en résulte le besoin des techniques destinées à maîtriser
et améliorer le comportement des caractéristiques réelles des processus qui ne s’encadrent pas
dans les limites du modèle idéal de la loi normale.

1.2 Une catégorie de processus représentés par des distributions non gaussiennes.
Tolérances géométriques et variations de formes

Dans les domaines d’importance majeure de nos jours, comme le domaine de l’automobile, de
l’aéronautique, de l’électronique et de semi-conducteurs, les demandes de tolérances de plus
en plus exigeantes sur des surfaces de plus en plus petites imposent un contrôle rigoureux des
dimensions spécifiques. Ce contrôle implique des systèmes de métrologie adaptés mais aussi
une bonne interprétation de mesures collectées.
Les variations de forme en dehors des limites d’acceptation peuvent induire des effets
indésirables au niveau des propriétés mécaniques, chimiques ou optiques de pièces ainsi que

46
dans leurs durées de vie (due au frottement, à une forte vitesse de rotation, ou à l’usure par
exemple).
Il existe à l’heure actuelle des appareils de mesure de plus en plus évolués et précis qui
intègrent des modules informatiques pour l’analyse des données collectées. La plupart de ces
logiciels malheureusement implémentent des méthodes MSP classiques, qui sont élaborées
sur l’hypothèse de lois normales de distribution. Or, pour la plupart des défauts de forme
étudiés dans la mécanique, tel qu’une cylindricité, une concentricité ou une circularité, etc., la
loi de distribution représentative est non gaussienne.
Même si l’appareil de mesure est le plus performant au niveau de la précision, une
information erronée concernant la variation des données, parfois de dimensions
micrométriques, conduira à une décision erronée et engendra de graves conséquences.
La mise en œuvre d’une carte de contrôle générale pour les variations de forme pourrait
améliorer visiblement la procédure d’inspection dans les productions des pièces aux
géométries particulières, notamment cylindriques ou circulaires qui sont spécifiques aux
domaines de l’automobile et de l’aéronautique.
Pour une meilleure compréhension du sujet abordé dans ce chapitre, le fil conducteur de nos
travaux implique davantage une présentation générale des principaux phénomènes intervenus
dans la mécanique des pièces. Pour plus de documentation nous citons les manuels des
spécifications géométriques de produits (GPS Geometry Product Specification) pour les
grands producteurs, comme Renault (« Cotisations ISO »), où sont décrits les principaux
défauts de géométrie ainsi que les terminologies associées.
Les normes internationales telles que ISO 4288 :1996, ISO 4287 :1997, NF EN ISO 14660-
1:1999, le projet ISO 1101 : 2001, « Tolérançement Géométrique Généralité », ISO 1101 :
2004, etc. établissent des termes généraux et des références et définissent le concept de GPS.
Ainsi la zone de tolérance est définie comme « une portion d’espace de géométrie parfaite,
devant contenir l’élément réel et dont les frontières dépendent de la caractéristique
tolérançant : la forme, l’orientation, la position ou le battement » (ISO 1101 : 2001).
Subséquemment les paramètres descriptifs de la forme, de l’orientation ou du battement
nécessitent doivent impérativement respecter la tolérance de conception prescrite. Nous allons
analyser les paramètres de forme et en particulier ceux qui décrivent les profilés aux
géométries circulaires, rondes ou cylindriques. Parmi les plus populaires de ces paramètres
nous citons le paramètre de circularité, de concentricité, où bien de coaxialité.
La circularité des pièces est définie comme la différence minimale (Rmax-Rmin) entre les rayons
des cercles concentriques inscrit et circonscrit du profil (figure 1.6). C’est la différence entre

47
le profil d’une pièce cylindrique et un cercle géométrique véritable [Zani, 2004], [TEC –
EASE INC., 2005].

Figure 1.6. Circularité et zone de tolérance de la circularité

Le centre de référence est le centre d’un cercle obtenu par la méthode de moindres carrés ou
par le calcul du minimum de la somme des carrés des écarts avec le profil de la pièce, ou par
le biais du cercle maximal inscrit dans le profilé de mesure d’une alésage ou le cercle minimal
circonscrit du profilé présentant la plus faible différence radiale [Zani, 2004].
Le modèle statistique associé à la circularité est décrit dans le chapitre I de ce mémoire
(section 2.2). La loi de distribution représentative est connue sur le nom de loi de distribution
défaut de forme [Pillet, 1993], [Duclos, 1997].
Une caractéristique mécanique aussi importante que représentative dans nos études porte le
nom de coaxialité, spécifique aux pièces de forme cylindrique et répandue notamment dans le
domaine des connecteurs de l’aéronautique. Dans une terminologie plus générale la coaxialité
est connue sous deux formes distinctes (figure 1.7.), la coaxialité ISO et la coaxialité DIN
[Taylor Hobson Ltd.].

48
 Figure 1.7. Coaxialité ISO et coaxialité DIN [Taylor Hobson Ltd.]

La coaxialité ISO correspond au diamètre d’un cercle égal à deux fois la distance qui sépare le
centre du profil de la section circulaire ou du cylindre par rapport à l’axe de rotation de
référence déterminé comme étant l’axe central du second cylindre [Zani, 2004].
La coaxialité DIN est définie par le diamètre égal à deux fois la distance qui sépare sur un
même plan perpendiculaire à l’axe de rotation, le centre du cercle évalué par rapport au centre
du cercle de référence, et qui enferme totalement le centre des plans qui forment les axes du
cylindre en cours d'évaluation (figure 1.7). Le paramètre est décrit par le symbole normalisé
ISO : , et souvent il est identifié avec le paramètre de concentricité, ce qui dans la vision
.
de certains producteurs n’est pas toujours correct [TEC –EASE INC., 2005].
Pour obtenir la mesure de coaxialité il faut mesurer deux sections circulaires afin d’établir
l’axe de référence, puis mesurer la section du cylindre à évaluer. Dans la figure 1.8 il est
illustré un exemple de mesure des variations de ce paramètre au cadre d’intervalle de
tolérance spécifié.
Les instruments de mesure actuels, tels que les appareils à contact, sont de plus en plus
performants et capables de mesurer plusieurs paramètres (la circularité, la planéité, le
battement, etc.) avec une précision de l’ordre du micron. Les mesures ainsi collectées sont
transférées par intervalles réguliers vers un module informatique afin d’être analysées.
A condition d’être utilisés correctement et dans des conditions atmosphériques et physiques
adéquates, les appareils de mesure assurent la meilleure résolution des données acquises.
Dans ces conditions, un problème réel dans la conception de telles pièces reste d’améliorer le

49
processus d’inspection de leurs caractéristiques géométriques par une interprétation correcte
des modèles statistiques associés.

Figure 1.8. La mesure de la coaxialité [TEC –EASE INC., 2005]

Tous les dispositifs de contrôle de la coaxialité peuvent contrôler également les

caractéristiques de concentricité. Pour cette raison, les concepteurs et les ingénieurs parfois
choisissent de contrôler la concentricité comme paramètre représentatif.
Malheureusement, la concentricité ignore la taille, l'arrondi et la forme cylindrique des pièces.
Elle exige une ligne médiane (figure 1.8) désignée par l’utilisateur. Néanmoins dans tous les
processus de conception la mesure de la concentricité ne suffit pas, car les paramètres de
taille, d’arrondi et de forme cylindrique ne peuvent pas être ignorés [TEC –EASE INC.,
2005]. Une analyse rigoureuse s’impose, donc, de la géométrie des profilés étudiées, afin de
bien choisir le paramètre à surveiller.
Différents tests d’adéquation sur les jeux de mesures de ces paramètres permettent d’établir
avec une marge d’erreur minimale, la nature de leur distribution représentative [Baklizi,
2005], [Militaru, 2001].
Toutefois ces tests nécessitent un nombre plus ou moins élevé d’observations, et on ne
dispose pas toujours de la quantité d’informations requise. Malgré cela, il est prouvé que le
nombre des mesures nécessaires à la rejection de l’hypothèse nulle pour la distribution
normale este dans la plupart de cas très réduit [Fournier et al., 2006].
Pour les distributions qui modélisent les paramètres de forme mentionnés, soit une loi de
distribution log normale, demi normale, ou une loi de Rayleigh., il existe certaines

50
propositions de méthodes destinées à établir les limites de contrôle adéquates à leur nature
asymétrique ou uni modale, à l’aide des principaux paramètres statistiques associés.
En dehors des méthodes déjà discutées dans le chapitre I, comme la loi de distribution de Burr
[Yourstone et Zimmer, 1992], ou la famille des distributions de Johnson [Clements, 1989], la
famille des distributions de lambda généralisée, GLD (Generalized Lambda Distribution),
s’avère efficace dans la modélisation d’une large catégorie de distributions [Fournier et al.,
2006]. Les limites de contrôle sont ainsi établies par le biais de quantiles et de calcul des
quatre paramètres des GLD.
Une alternative attirante concerne le développement d’une méthode non paramétrique et plus
générale de calcul des limites de contrôle. Cela dispenserait l’utilisateur de la tâche du test
d’adéquation. Toutefois il est difficile d’imaginer une solution général valable de contrôle qui
ne tient pas compte au moins des relations existantes entre les différentes lois des
distributions.
Dans la figure 1.8, la zone de tolérance de 0.3 unités s’adresse aux écarts mesurés entre la
ligne médiane dévoilée dans les plans d’axes des deux cylindres et l’axe de référence.
Supposons que l’appareil de mesure est parfaitement réglé et étalonné, des échantillons de
données mesurées seront soumis à l’analyse pour la détection des pièces non conformes aux
spécifications.
Il a été démontré que la mesure de la coaxialité peut être décomposée selon les deux
directions d’axes d’un système cartésien, ce qui conduira à deux variables indépendants
[Sauvay, 1999], correspondant respectivement aux mesures sur les deux axes, l’abscisse, X, et
l’ordonnée, Y. Comme il est décrit dans le chapitre I, les deux variables ainsi obtenues seront
identiquement distribuées d’après une loi normale de distribution, de moyenne 0 et d’écart
type σ [Sauvay, 1999].
Les mesurés des variations de la coaxialité suivent une loi de distribution de Rayleigh, dont le
paramètre de forme peut être facilement calculé à partir de la décomposition d’après les axes
X, Y. Dans cette optique, une approche détaillée sur les propriétés de transformation existantes
entre la loi de Rayleigh et la loi normale seront introduites dans ce mémoire.
Cette approche théorique nous servira pour une meilleure compréhension des relations
existantes et pour certains calculs nécessaires dans nos démarches. Par ailleurs, dans la
pratique seule une méthode MSP performante, impliquant la stabilité des mesures suivies et
une bonne détection des pièces hors contrôle, est intéressante.
La maîtrise statistique du processus d’inspection de la coaxialité comporte la détection des
variations hors contrôle par rapport à l’intervalle de tolérance exigé (par exemple 0. 3 unités

51
dans la figure 1.3). Par conséquent, il n’est pas économique à construire des cartes de contrôle
pour les deux variables composant la mesure de coaxialité, qui sont normal distribuées. Cela
paraît une solution assez simple car les cartes classiques pourraient facilement être mises en
place.
Cependant l’utilisateur ne dispose pas des spécifications en termes de limites de tolérance
pour de telles variables. L’analyse des variables suivant les deux directions du système
cartésien nécessitait le double des moyennes de contrôle et serait consommatrice de temps. Il
pourrait alors être intéressant d’appliquer une carte de contrôle avec des limites adéquates sur
les mesures réelles des écarts de coaxialité.
La particularité à mentionner sur les processus d’inspection des paramètres mécaniques est le
fait que les mesures sont, dans presque tous les cas, positives. Par conséquent, les lois de
distributions seront uni - bornées, dont les données ne sont pas obligatoirement symétriques
autour d’une valeur centrale. Les variations de symétrie seront plus précisément les mieux
décrites par une loi de distribution log normale, les variations de la coaxialité par une loi de
distribution de Rayleigh, etc. [Sauvay, 1999], [Duclos, 1997].
Pour offrir une image d’ensemble sur l’incidence des distributions non gaussiennes et
asymétriques dans les différents processus réels, quelques exemples des caractéristiques de
différentes provenances avec les lois de distributions représentatives sont réunis dans le
tableau 1.1 :

Type de caractéristique/défaut Loi de distribution

Données financières Log normale
Temps de défaut Gamma
Durée de vie des composants, fatigue Weibull, Valeur extrême
Nombre des défauts de manufacture Poisson
Réactions chimiques Logistique
Propriétés mécaniques de matériel (en général) Valeur extrême
Coaxialite, concentricité Rayleigh, Valeur extrême
Variations de symétries Log normale

Tableau 1.1 : Les lois de distributions représentatives pour quelques caractéristiques non gaussiennes

Nous avons choisi d’avancer nos travaux sur les problèmes des tolérances géométriques et des
variations de forme, et précisément dur l’amélioration des méthodes de contrôle de la
caractéristique de la coaxialité.

52
Nous allons présenter par la suite quelques propriétés générales des distributions bornées
unilatéral ou asymétriques avec en particulier la description des propriétés probabiliste de la
distribution de Rayleigh. Nos propositions d’améliorations des méthodes MSP pour les
distributions non gaussiennes et asymétriques seront présentées dans les sections 2 - 5.

1.3 Distributions asymétriques . La loi de Rayleigh

Sous le nom des distributions bornées unilatéral, ou asymétriques nous réunissons les
distributions pour lesquelles les valeurs sont toutes supérieures à une valeur inférieure finie.
Pour les processus d’inspections décrits antérieurement, cette valeur inférieure est fixée à
zéro, car les mesures des variations sont toutes positives.
Dans cette situation, la distribution de mesures ne reste plus symétrique par rapport à une
valeur cible centrale, comme dans le cas de la distribution normale. Dans cette catégorie, on
peut citer la loi de distribution log normale, la distribution de gamma, la distribution de valeur
extrême, ou la distribution de Weibull, etc.
Ces lois de distribution interviennent dans la description des caractéristiques pour des
domaines variées, tels que dans le domaine électronique, médical, chimique et de
l’automobile. Si, par exemple, dans l’étude des tolérances d’ajustement et de la capabilité
d’un processus de réalisation d’un alésage le modèle d’une loi normale tronquée est
suffisamment représentatif [Sweet et Tu, 2006], les variations de coaxialité ou de symétrie
impliquent une loi de distributions de Rayleigh, où de défaut de forme [Sauvay, 1999].
A ses origines, la loi de Rayleigh apparaît souvent pour décrire le bruit en sortie de certains
récepteurs. Elle a été introduite pour la première fois par Lord Rayleigh (1880) pour les
problèmes intervenus dans le domaine acoustique. Une première forme de sa densité de
probabilité est introduite par l’auteur Miller dans les années 1964 pour représenter la densité
de probabilité des distances entre l’origine et les points d’un espace euclidien, dans le
domaine atomique/chimie moléculaire (étude de résonance et de changement des spectres
dans la dispersion des électrons).
La densité de probabilité de type Rayleigh est un cas particulier des lois de distributions
classiques, telle que la loi de distribution de χ 2 , la loi de Weibull ou la loi normale, dans des
conditions particulières et bien définies. Ainsi une première forme générale a été obtenue à
partir de la loi chi-deux, χ 2 [Johnson et al., 1994]. La loi de Chi-deux avec N degrés de
liberté à une fonction densité de probabilité de la forme :

53
 1 −x N
  −1
(1.7)
pχ 2 ( x) = N e x
2  2 ,x ≥ 0
N
v
2 2 Γ( )
2

où Γ() est la fonction gamma. La loi de Rayleigh représente, en effet, un cas particulier de la
loi Chi-deux, pour N=2. Pour démontrer la relation de transition, considérons l’espace
euclidien N-dimensionnel (Y1 , Y2 , Y3 ,..., YN ) , avec Yi , variables indépendantes identiquement

distribuées d’après une loi de distribution normale, N (0, σ 2 ) . Introduisons une nouvelle
variable, X, définie par :
N
X = ∑Y
2
i
(1.8)
i =1

La densité de probabilité la nouvelle variable, X, a l’expression :

− x
2

N −1
(1. 9)
p ( x , N ,σ ) = 2
N e (2 σ
2
) x , x > 0 ,σ > 0
X
( 2 σ 2) 2
Γ(N )
2

Cette forme générale, (1. 9), est connue dans la littérature sous le nom de «la distribution Chi-
deux avec N degrés de liberté et le paramètre d’échelle σ ». La fonction exprimée par (1.9)

est uni modale de mode : N −1σ .

Dans la figure 1.9 est illustrée la densité de probabilité de la loi de Rayleigh pour différents
valeurs de son paramètre de forme, σ. On remarque la tendance d’aplatissement de la courbe,
à mesure que le paramètre σ augmente, ce qui est normal compte tenu de la variation
directement proportionnelle de l’écart type de la distribution de Rayleigh, par rapport à son
paramètre d’échelle, σ (voir tableau 1.2).
A partir de la forme générale de la loi de Rayleigh (équation 1.9), pour différentes valeurs du
N nous pouvons également obtenir les expressions d’autres densités des probabilités connues,
parmi lesquelles la distribution de Rayleigh. Ainsi pour N=1 la relation (1. 9) devient :

54
 2

− x
) , x>0,σ >0 ,
1 2
σ πe σ
(2
2
(1.10)

Figure 1.9 : La densité de probabilité de Rayleigh, p x ( x ) , pour σ = 0 . 5 : 3

ce qui représente la densité de probabilité demi - normale, un cas particulier de la loi normale
tronqué [Johnson et al., 1994].
Pour N=3 nous obtenons la forme :

3 2
2
−
x
2
p X (x,3,σ) = 3 x , x >0,σ >0 ,
2
e σ (1.11)
2
(2 )

σ π

qui est la fonction densité de probabilité de Maxwell- Boltzmann.

Pour N=2 on obtient la forme la plus connu de la loi de Rayleigh, qui est une loi continue
avec la fonction densité de probabilité :
−x / 2σ
2 2

p x ( x ) = x2 e , x ≥ 0 ,σ > 0 (1.12)
σ

Avec la formule (1. 6), la fonction de répartition pour une loi de Rayleigh est exprimée par la
relation suivante:

55
 2
−x

FX (x)=1−e 2σ
2
,0≤x≤∞,σ >0 , (1.13)

1.3.1 Méthodes d’estimation du paramètre de la loi de Rayleigh

Les principales caractéristiques statistiques de la loi de distribution de Rayleigh peuvent être

facilement exprimées en fonction de son paramètre de forme, σ. Leurs expressions se
retrouvent dans le tableau 1.2.
En ce qui concerne l’estimation du paramètre σ, différentes méthodes ont été proposées.
Notamment la méthode de maximum de vraisemblance et particulièrement les méthodes
d’estimation linéaires sont le plus fréquemment adoptées [Johnson et al., 1994], [D. Kundu et
al., 2004] .
La méthode BLUE (Best Linear Unbiased Estimation), par exemple, proposée par Norman
[Johnson et al., 1994] est basée sur la construction d’une statistique d’ordre,
X r +1 ≤ X r + 2 ≤.....≤ X n − s avec r et s, respectivement, la plus petite et la plus grande observation
' ' '

omise à cause des contraintes expérimentales. Par le biais de la méthode généralisée de

moindres carres, il obtient l’estimateur BLUE pour σ d’une loi de distribution de Rayleigh,
qui prend la forme:

σ * = αT Σ−1 Χ = ∑ a i X i '
T −1
n−s
(1.14)
α Σ α i = r +1

où :
T

Χ = (X r +1 , X r +2 ,....., X n− s ) , α = 1 E[Χ] , Σ= 1 2 Var(Χ) , a i sont des paramètres avec des

' ' '
σ σ
valeurs standard [Johnson et al., 1994], et la variance de l’estimateur BLUE est :
2

Var(σ *)= σ (1.15)

Σ
−1
α
T
α

56
 Statistique Expression
Le Mode N −1σ =σ
La Médiane σ log4 =1.17741σ
Le moment d’ordre r µ
'

r
=E [X ]=σ r r
2
r
2 ( )
Γ r +1
2

E[X ]=σ π ≅1.25331σ

La moyenne
2

Var(X)=σ (4−π) ≅0.42920σ 2

La variance 2

2
2(π −3) π
Le coefficient d’asymétrie (skewness ) β 1(X) = 3 ≅0.63111
(4−π ) 2

β (X )=
(32 −3π )≅ 3 .24509 2

(4 −π )
2
Le coefficient d’aplatissement ( kurtosis) 2

Tableau 1.2 : Les expressions des principaux paramètres statistiques de la distribution de Rayleigh

Une autre méthode d’estimation, ABLUE (Asymptotique Best Lineair Unbiased Estimation)
considère k statistiques d’ordre, λ 1 , λ 2 ,..., λ k , [Johnson et al., 1994]. L’estimateur ABLUE
s’exprime par :
k
σ =∑bi X [nλ ]+1
** '
(1.16)
i =1 i

où b est un paramètre standard, introduit par Johnson et al.[Johnson et al., 1994].

i

Essayons de détailler pour le paramètre σ d’une distribution de Rayleigh, la méthode

d’estimation de maximum de vraisemblance, connue aussi comme MLE (Maximum
Likelihood Estimation). Pour un échantillon X 1 , X 2 ,...., X n , de la population
distribuée selon la loi de Rayleigh, on a :
n
∑
2
− Xi
n

L( X 1, X 2,...., X n;σ )= 12n ∏ X i e
i =1

σ
 2 2



(1.17)
σ  i =1 

Le MLE du paramètre σ est donné dans la relation (1. 18):

57
 1
 1 n  2

σˆ =  ∑ X2i 
2n i=1  (1.18)

L’intervalle de confiance de σ est : [Johnson et al., 1994] :

 
 2nσˆ
2
2nσˆ 
2
 ,  (1.19)
χ 2n,1−α2 χ 2n,α2 
2 2


 

χ χ
2 2

où 2n, α et 2n,1− α sont les quantiles de la distribution Chi - deux avec 2n degrés de liberté.
2 2

1.3.2 Quelques particularités de la loi de Rayleigh. Domaines d’incidence

Comme nous avons déjà souligné, la loi de Rayleigh est une distribution Chi-deux avec deux
degrés de liberté et avec un paramètre échelle, σ >0. La loi de Rayleigh est définie par une
variable :

R= x +x
2 2
1 2 (1.20)

où x et x sont des variables aléatoires normales centrées réduites.

1 2

On peut également obtenir sa fonction de probabilité à partir de la particularisation de la loi de

Weibull.
Une variable aléatoire X suit la loi de Weibull de paramètres β >0,λ >0 si elle est absolument
continue et admet pour densité :

f ( x ) = βλ e − λ x
β
β −1
x , x ≥0
(1.21)
f(x)=0 , x<0

Pour les paramètres β =2,λ =1/ 2 on retrouve la loi de distribution de Rayleigh.

58
Les relations de transfert entre la distribution de Rayleigh et d’autres lois de distribution
peuvent intervenir dans les démarches statistiques qui concernent la loi de Rayleigh, mais
elles sont applicables seulement dans des conditions particulières. Ce rappel sur les
transformations possibles et sur les liens entre la distribution de Rayleigh et d’autres modèles
statistiques est destiné à élargir la vision sur ses principales propriétés qui serviront dans nos
prochaines démarches.
Ayant ses bases dans le domaine de transmission – réception, la distribution de Rayleigh a été
obtenue en analysant les signaux bruits en bande étroite définis par Rice dans le journal « Bell
Laboratories » (1944 – 1945). La variable de type Rayleigh caractérisait l’amplitude de
l’enveloppe du bruit associé au processus de transmission des signaux.
Dès nos jours l’application de la loi de Rayleigh ne se limite pas au domaine de la
transmission. Certains auteurs se sont intéressés de près à la loi de Rayleigh et l’ont utilisé
dans leurs démarches. D. Kundu, par exemple, [D. Kundu et al., 2004], considère que la
distribution de Burr de type X introduite par Padgett est une distribution de Rayleigh
généralisée.
A partir des simulations de type Monte Carlo, il analyse les méthodes d’estimation pour le
paramètre de loi de Rayleigh. D’autres [Hu et Lin, 2000] utilisent la distribution de Rayleigh
avec le paramètre σ =1 afin d’étudier les couples des variables identiquement distribuées selon
une loi normale.
La distribution de Rayleigh est suggérée également dans l’inspection de la propreté d’un
processus de production du domaine aérospatiale où le phénomène de coaxialité demande de
l’investigation, ou bien pour des problèmes de symétrie [Woodward, 1997], ainsi que les
études sur la fiabilité des systèmes mécatroniques [Mihalache et al., 2005].
C’est grace à son incidence dans les procédures d’inspection des caractéristiques
géométriques décrites ci dessus, que nous l’avons intégré dans nos propositions
d’amélioration des méthodes de contrôle statistique des caractéristiques non gaussiennes.
Dans ce contexte deux nouvelles méthodes de contrôle seront proposées par la suite de ce
chapitre. Une premiere est la carte de contrôle aux paramètres variables et la seconde est une
méthode théorique basée sur l’estimation des quantiles associées à la distribution étudiée.
L’application de ces méthodes pour la loi de distribution de Rayleigh sera présentée par la
suite de nos travaux.

59
 2 Application des cartes de contrôle avec paramètres variables pour les
lois des distributions asymétriques

A partir des travaux de Lin et Chou [Lin et Chou, 2005b], qui ouvrent le chemin de recherche
sur la carte de contrôle aux paramètres variables, nous nous sommes intéressés à explorer
cette méthode pour les processus représentés par des lois des distributions asymétriques ou
unilatérales bornées.
Pour cette catégorie des lois de distribution nous n’avons pas identifié pendant nos recherches
une méthode MSP qui répond vraiment aux problèmes de détection des petits déréglages
autour d’une valeur centrale, ou qui assure un contrôle adapté pour les productions petite série
ou celles où le contrôle individuel (pièce par pièce) est exigé.
Alors qu’il s’agit de leurs incidence dans des processus d’inspection, où les erreurs de
contrôle de dimensions parfois d’ordre micrométrique peuvent entraîner des répercussions
graves dans les secteurs majeurs de l’industrie (aéronautique, automobiles, semi-conducteurs,
etc.), la mise au point des méthodes de contrôle plus exigeantes est impérative.
Grâce aux résultats obtenues par Lin et Chou [Lin et Chou, 2005b] pour une distribution
Gamma et Student, nous espérons de prouver les performances de la méthode, précisément
dans la détection des petits déréglages dans le cas d’une loi de distribution asymétrique,
comme la loi de distribution de Rayleigh.
Le principe de la carte de contrôle X avec paramètres variables (pour plus simplicité elle sera
notée la carte VP- Variable Parameter) est basé sur les travaux de Costa [Costa, 1999], qui
s’intéresse sur le calcul des probabilités d’observations réelles de se retrouver dans différentes
zones par rapport à la valeur cible.
Les approches de Lin et Chou [Lin et Chou, 2005a], [Lin et Chou, 2005b] utilisent
l’algorithme de Costa dans la construction d’une carte de contrôle qui présente la particularité
de pouvoir varier tous les paramètres représentatifs.
Généralement dans la pratique, la construction d’une carte de contrôle réclame trois
paramètres essentiels. Ce sont respectivement la taille d’échantillon prélevé, l’intervalle de
prélèvement, et les limites de contrôle calculées à l’aide des coefficients spécifiques, choisis
selon le cas. Pour simplifier nous appelons ces coefficients « coefficients de contrôle ».

60
Le principe de fonctionnement de la carte VP est décrit en détail dans le chapitre I de ce
mémoire. Dans une première étape nous avons réalisé une analyse du protocole de mise en
place de la carte VP pour les distributions analysées. Par le biais des simulations numériques
(de type Monte Carlo) nous avons vérifié en pratique les résultats obtenus par ces auteurs pour
les distributions Gamma et Student. Le module de simulation nous servira également pour une
première évaluation de l’application de la carte VP pour la distribution de Rayleigh.
Nous avons identifié dans les approches existantes un manque d’analyse quantitative à propos
des configurations des paramètres choisis pour expérimenter les cartes VP. Les résultats ne
sont pas complètement analysés et comparés avec des valeurs de référence, ce qui relativise
leur utilité.
En conséquence nous essayons par la suite répondre également au problème d’interprétation
des résultats du contrôle par cartes VP, en introduisant des nouveaux indicateurs de
performances et en analysant les résultats obtenus par rapport aux méthodes connues.

2.1 La conception d’une carte VP pour la loi de distribution de Rayleigh

Nous détaillons dans cette section les étapes de conception d’une carte de contrôle aux
paramètres variables pour la distribution de Rayleigh. La plupart des études sur les cartes de
contrôle avec des paramètres variables comportent la variation d’un seul des trois paramètres
représentatifs. Pour contrôler les moyennes de populations non normales il a été montré
qu’une bonne solution est la variation d'un ou plusieurs paramètres [Chou et al. 2001b], [Lin
et Chou, 2005b].
Ainsi on change d’un prélèvement à l’autre soit la taille d’échantillon, soit la dimension
d’intervalle de prélèvement, soit les limites de contrôle. Une meilleure méthode est de
combiner la variation de la taille d’échantillons avec des intervalles de prélèvement variables
et des coefficients de contrôle variables.
Le principe, introduit par Costa Costa [Costa, 1999], est simple et il est basé sur la variation
entre deux valeurs possibles des trois paramètres intervenant dans la construction d’une carte
de contrôle : la taille d’échantillon, l’intervalle de prélèvement et les limites de contrôle. Nous
notons ces paramètres représentatifs par Ti pour les intervalles de prélèvements et Ni pour les
tailles d’échantillons.
En ce qui concerne les limites, elles sont déterminées comme décrit par les relations 2.1, 2.2, à
l’aide des coefficients Ki et Wi qui son respectivement les coefficients de contrôle et

61
d’avertissement qui délimiteront respectivement la zone centrale et la zone d’avertissement
[Lin et Chou, 2005b].
Sous l’hypothèse d’état initial stable, le première échantillon est prélevé avec des valeurs
classiques de ces paramètres, comme pour l’application d’une carte de Shewhart [Lin et Chou,
2005b]. Conséquemment, dans nos calculs l’indice i (Ti, Ni, Ki, Wi) est compris entre 0 et 2
qui corresponde aux trois valeurs possibles prises par ces paramètres de contrôle. Pour les
échantillons suivant le premier prélèvement, l’une parmi les deux catégories des paramètres
correspondants aux zones délimitées sur la carte de contrôle, sera utilisée.
Pour exemplifier, supposons µ 0 la moyenne et s 0 l’écart type d’une population soumise à
l’étude. Considérons a priori qu’elle suit une loi de distribution de Rayleigh et que, dans une
étape initiale le processus est stable et il n’y a pas des causes assignables qui peuvent
influencer la nature de nos données. Sous ces hypothèses, définissons comme Lin et Chou
[Lin et Chou, 2005b] la région centrale limitée par les coefficients W1,2 et la région
d'avertissement décrite par les coefficients de contrôle, K1,2.
Pour les deux tailles d’échantillons, N1 et N2, les limites de contrôle et d’avertissement son
calculées avec les formules ci dessous, rappelées dans le chapitre I:

 LCL i = µ 0 − K i s 0
 Ni (2.1)

 UCL i = µ 0 + K i
s0
 Ni

 LWL i = µ 0 − W i s 0
 Ni
 (2.2)
 UWL i = µ 0 + W i
s0
 Ni

où i= 1, 2, correspondant aux deux valeurs des paramètres de contrôle. Dans la figure 2.1 est
illustré le schéma bloc de la mise en place de la carte de contrôle VP proposée.
En considérant que les mesures surveillées sont échantillonnées à partir de l’état stable du
processus nous devons établir les conditions d’échantillonnage pour le départ. Nous associons
typiquement à N0, la taille du premier échantillon prélevé, la valeur classique de 5
observations. A partir de cette valeur on se rapproche d’une loi normale quand on représente
la distribution des moyennes d’une loi de Rayleigh.

62
L’intervalle de prélèvement, T0, est égal à l’unité de temps de production et nous assignons la
valeur 3 au coefficient K0 car l’hypothèse de processus stable pour le départ permette
l’application d’une carte de Shewhart [Lin et Chou, 2005a].
La moyenne et l’écart type seront estimés pour le premier prélèvement. La carte VP a été
appliquée pour différentes valeurs du paramètre de forme de la loi de Rayleigh, σ : σ = 0.5, 1,
1.5, 2, 2.5, 3. Le premier échantillon étant considéré sous contrôle, nous associons pour le
départ les limites de contrôle associées au cas le plus favorable (cas A décrit dans le
diagramme 2.3, chapitre I), quand il n’y a pas de signes d’instabilité dans le processus :

LCL0 = LCL1 ,UCL0 = UCL1 (2.3)

LWL0 = LWL1 , UWL0 = UWL1

L’algorithme figuré dans le diagramme 2.1 décrit l’application de notre carte de contrôle. Il a
été implémenté dans un module de logiciel Matlab qui serve à calculer le nombre moyen des
échantillons des différentes tailles, avec et sans déréglage de la moyenne de la distribution de
données.
Nos résultats sont obtenus par le biais des simulations de type Monte Carlo. Nos conditions
expérimentales consistent en a générer des données théoriques suivant une distribution de
Rayleigh. Ces données en pratique sont associées aux mesures prélevées au cours d’un
processus continu (par exemple les mesures de la coaxialité en temps réel dans la production
des cylindres mécanique). Notre processus est considéré stable pour le départ.
Les différents scénarios d’évolution (l’apparition des défauts) sont générés par des modules
de calcul dédiés. On étudie la rapidité de détection d’un défaut avec la méthode des cartes de
contrôle aux paramètres variables en comparant ses performances avec celles d’une carte de
contrôle classique telle qu’une carte de contrôle de Shewhart.
Pour une interprétation appropriée des performances des cartes VP pour la loi de distribution
de Rayleigh, nous utilisons un grand nombre des simulations de l’algorithme (500 – 1000) en
considérant approximativement 15000 observations par simulation. De point de vue
statistique cela permettra une estimation cohérente (moyenne et écart type) pour la valeur de
chaque indicateur analysé : intervalle de temps ou nombre d’observations avant la détection,
etc.

63
 Figure 2.1 : Schéma bloc d’application des cartes VP pour une distribution de Rayleigh

En pratique, seulement quelques paramètres de contrôle sont choisis et connus par l’utilisateur
Costa [Costa, 1999]. Le reste est déterminé par le biais d’une approche théorique basée sur les
probabilités associées aux données sous l’étude, de se retrouver dans les différentes régions de
la carte de contrôle. Subséquemment, les paramètres N0, T0, K0, N1, T2, N2, K1 sont les
paramètres connus, tandis que les paramètres T1, K2, W1 et W2 seront déterminés avec les
formules:

64
 T0 ( N 2 − N1 ) − T2 ( N0 − N1 )
T1 =
N 2 − N0 (2.4)

φ(K0)(N2 − N1) −φ(K1)(N2 − N0)

K2 =φ−1
N0 − N1 (2.5)

2φ ( K i )( N 2 − N 0 ) + N 0 − N1
Wi = φ −1[ ], i = 1,2
2( N 2 − N1 ) (2.6)

Dans les relations (2. 4) – (2.6) φ (x) représente la loi normale centrée réduite [Costa, 1999].
Dans ce contexte quelques précisions seront nécessaires concernant le choix des valeurs des
paramètres variables. Conformément à la démarche de Costa [Costa, 1999], qui a établit le
critère du choix de ces paramètres, quand le processus vient de commencer (ou quand il est
remis en marche juste après la détection d’une cause assignable), la taille du premier
échantillon est aléatoire et peut être fixé par l’utilisateur (c’est N0).
Tant que le processus est sous contrôle, il existe toujours une probabilité p0 pour la taille
d’échantillon d’être petite, et une probabilité 1- p0 d’être grande (figure 2.2).

Figure 2.2 : Le chois des paramètres de la carte VP. Carte de contrôle avec taille d’échantillons variable pour
le départ d’état stable

65
La probabilité p0 est donnée par :

p 0 = P[ Z < Wi Z < K i ], i = 1,2 (2.7)

où Z est une variable distribuée selon la loi normale centrée réduite.

Dans le design des cartes VP on doit normalement déterminer huit paramètres : (N1, N2), (T1,
T2), (K1, K2) et, respectivement, (W1, W2). Avec la probabilité p0 ces paramètres vont
satisfaire les relations :
N 1 p 0 + N 2 (1 − p 0 ) = N 0 (2.8)

T1 p 0 + T2 (1 − p 0 ) = T0 (2.9)

P[ Z > K 1 ] p 0 + P[ Z > K 2 ](1 − p0 ) = P[ Z > K 0 ] (2.10)

Où la valeur de N0 est choisie comme 4, 5 (valeurs classiques, d’une carte X de Shewhart qui
peuvent être employée pour le départ dans l’état stable). L’intervalle de temps T0 est une unité
de production est la valeur de K0 est fixée généralement à 3 ou bien à 3.09. Il reste à définir
les paramètres qui sont à varier et les paramètres déterminés par le calcul, avec les équations
2.9 – 2.11. Costa [Costa, 1999] montre qu’il est préférable de fixer les valeurs des paramètres
(N1, N2), T2 et K1, pour les raisons suivantes :

• Les valeurs de N2 et T2 dépendent du temps nécessaire à prélever une observation,

ainsi le choix de (N1, N2) permet d’éviter les erreurs d’approximation vers le plus
proche entier, qui interviennent dans le calcul à base des probabilités.

• Comme le rôle de la carte VP est la détection des très faibles déréglages de la

moyenne du processus, il est préférable d’utiliser des valeurs très grandes pour K1,
qui peuvent pratiquement assurer un risque des fausses alarmes de zéro (K1>=4)

Avec ce raisonnement, les valeurs des paramètres (W1, W2) T1 et K2 seront calculées avec les
relations 2. 4 – 2. 6. Quant à l’évaluation des performances d’une carte de contrôle aux

66
paramètres variables, Costa [Costa, 1999] ou Lin [Lin et Chou, 2005b] proposent des
indicateurs développés à base des approches statistiques de Mongomery [Montgomery, 1997].
Ainsi, à partir de l’hypothèse que le temps entre l’apparition des causes spéciales suit une loi
de distribution exponentielle, Costa [Costa, 1999] propose un algorithme basé sur les chaines
de Markov pour déterminer le temps de détection comme fonction du paramètre de la loi
exponentielle [Costa, 1999]. Cet intervalle de temps est équivalent au temps d’apparition d’un
déréglage de la moyenne du processus de la forme δ = ks , µ = µ 0 + δ , avec µ 0 et s la
moyenne et l’écart du départ, dans l’état stable.
D'autre part, la méthode théorique d’estimation des performances proposée par Costa ne nous
a semblé pas la plus appropriée au jugement d’efficacité de la carte VP car les conditions
initiales de cette approche présentent différentes contraintes. Dans bon nombre des cas
l’hypothèse de distribution normale ou d’état stable ne sont pas respectées.
De même, on ne peut pas se limiter à calculer les performances d’une carte VP en utilisant
uniquement les moyennes d’échantillons prélevés, sans une interprétation réelle du nombre
d’observations prélevées.
Afin de mieux interpréter les résultats de notre analyse, et de pouvoir comparer les
performances des différentes cartes de contrôle nous introduisons deux nouveaux indicateurs
appelés NO0 et respectivement NO1. NO0 représente le nombre moyen d’observations avant
l’apparition d’une première alerte fausse tandis que NO1 correspond au nombre moyen
d’observations avant la détection d’un certain déréglage.
L’utilisation des indicateurs de performances NO0 et NO1 permet d’avancer une analyse
pertinente des résultats obtenus, car on ne dépend plus des tailles variables d’échantillons.
Afin d’évaluer les performances en détection de la carte VP nous avons généré dans la
moyenne des données étudiées des déréglages de différents amplitudes (figure 2.3), exprimés
par :
δ = ks , µ = µ 0 + δ (2.11)

où k = 0.5 ÷ 3 , µ 0 est la moyenne du processus dans l’état initial stable, et respectivement µ

et s sont la moyenne et l’écart type courants, calculés pendant le prélèvement. Comme

attendu, sous l’effet des déréglages introduits (figure 2.3), la courbe de densité de probabilité
de Rayleigh est visiblement aplatie, car la variance augmente avec le déréglage, l’aire
délimitée restant unitaire.

67
 Figure 2.3. : La distribution de Rayleigh sans déréglages et avec différents déréglages, δ ; k = 0.5 ÷ 3

A partir des travaux de Lin et Chou [Lin et Chou, 2005b] nous avons considéré nécessaire de
réaliser une analyse quantitative des combinaisons possibles des tailles d’échantillons, N1 et
N2. Les auteurs cités ont prouvé que les cartes de contrôle avec des paramètres variables
améliorent la détection des déréglages très petites de la moyenne du processus en employant
une taille N1 très petite et une taille N2 très grande.
Nous considérons qu’une explication supplémentaire est nécessaire pour argumenter notre
choix de contrôle avec les tailles variables des échantillons. De point de vue statistique, pour
une taille d’échantillon de 1, le contrôle sera fait sur la loi de distribution de base
(asymétrique). Plus la taille d’échantillon est grande, plus on se rapproche de la loi normale de
distribution pour les moyennes. En conséquence, pour une loi asymétrique, le contrôle avec
des échantillons de petites tailles (N1) laisse passer plusieurs faux signaux du coté de la limite
supérieure de contrôle, étant donnée que en réalité la limite inférieure est zéro.
Ces faux signaux ne seront pas interprétés comme des faux signaux par ensemble, ils seront
repris dans le contrôle avec la taille plus grande (N2) qui est fait sur une loi normale de
distribution et les limites de contrôle dans ce cas sont symétriques par rapport à la moyenne.
Nous nous sommes intéresses également au risque de ne pas détecter un vrai déréglage, qui
pourrait être signalé par les limites d’avertissement (le contrôle avec la taille N1) et ne sera
pas détecté avec les limites de contrôle (le contrôle avec la taille N2).
Cet aspect nous l’avons analysé par le biais des risques alpha associées a deux paires des
limites de contrôle, ce qui a conduit au développement d’une nouvelle carte de contrôle qui

68
combine la théorie des quartiles avec le principe des cartes VP. Cette carte de contrôle sera
introduite dans la section 4 de ce chapitre.
Concernant l’application de la carte VP, comme elle a été introduite par Lin et Chou [Lin et
Chou, 2005b], nous avons souligné dans l’état de l’art certaines inconvénients liés au choix de
la meilleure configuration des tailles d’échantillons N1, N2. Rappelons que les auteurs
analysent la configuration des paramètres à fixer : N1=2, N2 =22, K1=6, T2=0.1, dans les
conditions d’un processus continu avec l’état initial stable. Cette carte de contrôle offre des
bons résultats pour la loi de Gamma, mais les auteurs n’ajoutent pas d’explications ni de
justification de ce choix.
Dans le cas d’une loi de Rayleigh, nous avons réalisé une étude des toutes configurations
possibles de ces paramètres. Notre étude est faite par le biais des simulations de type Monte
Carlo et applique le principe des plans d’expériences pour les paramètres NO0 et NO1 obtenus,
en fonction de toutes les combinaisons des valeurs des paramètres N1, N2, K1, T2, comme
indiqué dans le tableau 2.1.

Paramètre N1 N2 K1 T2

Intervalle des valeurs [1 ; 4] [6 ; 22] [4, 5, 6] [0.01, 0.05, 0.1, 0.2]

Tableau 2.1 : Les valeur des paramètres a fixer avant l’application de la carte VP

Le choix de ces valeurs s’inscrit dans les critères décrites auparavant et les intervalles
présentés dans le tableau 2.1 couvrent une gamme des valeurs suffisante pour nous permettre
d’estimer l’évolution des paramètres calculés correspondants (T1, W1, K2, W2 ) et aussi des
termes NO0, NO1 de résultats expérimentaux.
La valeur du facteur K1 qui sert à définir les limites de contrôle a été choisie pour assurer un
risque des fausses alertes pratiquement égal à zéro pour les prélèvements avec la taille N2. La
région de contrôle couvre l’ensemble des valeurs possibles pour notre série des données.
Durant le prélèvement avec des échantillons de grandes tailles on y retrouve la loi de
distribution normale et cela élimine le risque des fausses alertes (en dehors de la région de
contrôle).
Nous avons fait varier les différentes valeurs des paramètres désignés dans le tableau 2.1.
Pour plus de pertinence de nos résultats expérimentaux nous avons retenu les configurations
des paramètres de la carte VP qui assurent un NO0 égal ou proche des valeurs les plus usuelles

69
(le nombre moyen des fausses alertes, après 500 simulations). Ce sont les valeurs inscrites
dans les normes d’application d’une carte de Shewhart individuelle : 370, 500 et
respectivement 1000 observations avant l’apparition d’un signal hors contrôle.
Les hypothèses de nos simulations de type Monte Carlo considèrent une population de 40000
observations, provenant d’un processus d’inspection de la coaxialité d’une pièce cylindrique.
Afin de mieux manipuler les paramètres « intervalle de prélèvement», on doit définir la
« production » hypothétique, c’est à dire le nombre des pièces inspectées par unité de temps.
Ce nombre nous l’avons calculé à partir de la valeur du NO0 souhaitée, en suivant la logique
suivante :
Pour arriver à détecter un signal hors contrôle il faudrait utiliser au moins une fois chacune
des deux valeurs de l’intervalle de prélèvement, T0 et T1. Supposons qu’un seul échantillon de
chaque taille suffirait pour qu’après 370 observations, un signal hors contrôle soit détecté. La
production minimale devrait alors être égale à 370 divisé par la somme des T0 et T1. Compte
tenu de la formule de calcul de T1 (voir tableau 2.2), nous avons estimé cette somme autour de
la valeur de 2.2 unités de temps. En conséquence, si l’on veut obtenir une fausse alerte après
chaque 370 observations, une valeur pertinente pour l’estimation de la production est de
maximum 170 observations/unité de temps. En suivant la même logique on peut considérer un
maximum de 230 observations/unité de temps pour le cas d’un NO0 égal à 500 observations,
ou un maximum de 455 observations/unité de temps pour le cas d’un NO0 égal à 1000
observations.
La valeur de 170 suffit pour l’analyse des trois cas de figure mentionnés. Bien évidement le
choix des valeurs des intervalles de prélèvement dépendant fortement de la valeur de la
production per unité de temps, il est préférable dans la pratique de les choisir en fonction de la
production réelle, donc de transformer les valeurs de T1, T2 en nombre des pièces. Notre étude
reste purement théorique mais l’algorithme des cartes VP testé ici peut s’adapter à toute
production réelle.
Prenant en compte toutes ces contraintes, l’analyse avec des plans d’expérience nous a fournit
les configurations des paramètres d’une carte VP qui, pour les valeurs de NO0 définies,
assurent la meilleure détection des différentes déréglages.
• Ainsi pour un NO0 de 370 observations les meilleures configurations des
paramètres contiennent les couples des valeurs (N1=1, N2=8) ou (N1=1, N2=9), avec K1
supérieur ou égal à 4 et T2 inferieur ou égal à 0.2. En variant les paramètres K1 et T2 nous
avons retenu la configuration : N1=1, N2=8, K1=6, T2=0.2, comme la plus efficace de point de
vue détection des défauts ainsi que la plus économique de point de vue pratique. La taille de 8

70
observations par échantillons assure bien une distribution normale des moyennes des
prélèvements à partir d’une loi de Rayleigh, comme nous l’avons signalé dans le chapitre I
(Chapitre I, Section 1).
Avec un K1=6 on évite les dépassements inutiles des limités supérieures ou inferieures de
contrôle tandis que la valeur de T2=0.2 assure un contrôle renforcé dans la région
d’avertissement sans le risque d’une grande concentration des prélèvements, qui en réalité
nécessitait des coûts supplémentaires de contrôle. En effet toutes les autres valeurs de T2
(tableau 2.1) nous ont conduit aux pratiquement les mêmes résultats, avec les mêmes valeurs
des paramètres de configuration.
• Dans le cas d’un NO0=500 observations nous avons remarqué une tendance
inverse proportionnelle des valeurs de K1 et N2. Ainsi pour un K1 très large (K1=6) la valeur
de N2 est de 11 observations, pour K1=5, on retrouve N2=12 observations et pour un K1=4, N2
=13 observations. Avec le même raisonnement comme dans le cas de NO0=370, nous
recommandons pour le cas NO0=500 observations la configuration des paramètres : N1=1,
N2=11, K1=6, T2=0.2.
• En suivant les mêmes principes, dans le cas ou l’on souhait avoir un NO0 de
1000 observations avant la première fausse alerte, la combinaison idéale trouvée par le biais
des plans d’expérience comporte les valeurs suivantes: N1=2, N2=10, K1=5, T2=0.2.
Par la suite nous appellerons respectivement la configuration I de paramètres la configuration
qui comporte : N1=1, N2=8, K1=6, T2=0.2,(NO0=370), la configuration II pour N1=1, N2=11,
K1=6, T2=0.2 (NO0=500) et la configuration III pour N1=2, N2=10, K1=5, T2=0.2
(NO0=1000). Les valeurs correspondantes des paramètres calculées pour ces trois
configurations des paramètres sont regroupées dans le tableau 2.2.

Configuration T1 W1 K2 W2

I 1.04 1.9808 1.9056 1.6371

II 1.04 1.9808 1.9056 1.6371

III 1.04 1.9807 1.9057 1.6371

Tableau 2.2 : Les paramètres calculés pour les trois plus performantes configurations des
paramètres applicables pour une loi de Rayleigh

Dans nos calculs nous avons tenu compte des formules de la moyenne et de l’écart type d’une
loi de Rayleigh en fonction du paramètre de forme (appelé usuellement σ pour une

71
distribution de Rayleigh). Pour éviter les confusions avec l’écart type nous appelons ce
paramètre b (voir tableau 1.2 de ce chapitre). Nos avons également considéré les hypothèses
du contrôle individuel (pièce par pièce).
Pour ces trois configurations des paramètres, les résultats de nos simulations numériques (500
de simulations de type Monte Carlo pour un set d’observations de taille 40.000 observations)
sont inclus dans les tableaux 2.3 – 2.5. Nous avons comparés ces résultats avec les résultats
d’une carte de Shewhart classique: les premières valeurs sont les valeurs normées d’une carte
de Shewhart et les deuxièmes sont les valeurs obtenus en théorie, quand les limites classiques
s’appliqueraient sur une loi de Rayleigh, sans connaissance de la nature de loi de distribution.

Cartes VP Cartes Shewhart

L’amplitude du Application
déréglage NO Err(NO) Valeurs normes sur loi de Rayleigh de
b=1
0 372.946 124.53 370 370,00
0.5 157.956 124.89 155 78,47
1 32.904 28.42 44 14,22
1.5 10.628 6.04 15 4,19
2 6.216 1.66 6,3 1,92
2.5 5.364 0.85 3,2 1,26
3 5.048 0.30 2 1,06

Tableau 2.3 : Les valeurs de NO0 et de NO1 obtenues par simulations pour la configuration I de
paramètres de contrôle

Cartes VP Cartes Shewhart

L’amplitude du Application
déréglage NO Err(NO) Valeurs normes sur loi de Rayleigh de
b=1
0 499.79 161.31 500.00 500,00
0.5 196.70 168.47 263.08 99,60
1 42.9 39.77 90.96 16,97
1.5 13.15 8.51 34.29 4,72
2 7.27 2.37 14.81 2,06
2.5 5.76 1.10 7.32 1,31
3 5.32 0.75 4.11 1,07

Tableau 2.4 : Les valeurs de NO0 et de NO1 obtenues par simulations pour la configuration II de
paramètres de contrôle

72
 Cartes VP Cartes Shewhart
L’amplitude du Application
déréglage NO Err(NO) Valeurs normes sur loi de Rayleigh de
b=1
0 1006.19 352.34 1000 1000,00
0.5 385.94 337.83 492.78 173,25
1 82.82 82.60 157.17 25,74
1.5 20.4 16.73 55.10 6,31
2 9 5.32 22.19 2,46
2.5 6.04 2.08 10.25 1,43
3 5.256 0.97 5.41 1,11

Tableau 2.5 : Les valeurs de NO0 et de NO1 obtenues par simulations pour la configuration III de
paramètres de contrôle

Les limites de contrôle de type Shewhart s’appliquent en suivant l’approche classique : calcul
de la moyenne et de l’écart type des données, réduction à la forme centré réduite et calcul du
risque beta associé à l’apparition des différentes déréglages.
Il est évident que pour l’analyse illustrée ci-dessus, les résultats d’une carte de Shewhart
restent les meilleurs. En conséquence les limites de la carte de Shewhart pourraient
s’appliquer sans problèmes dans le cas d’une loi de Rayleigh de paramètre b=1.
Cependant nous l’avons supposé que la loi de distribution n’est pas connue, or la question qui
se pose est si la carte de Shewhart pourrait s’appliquer avec le même succès sur n’importe
quelle forme d’une loi de distribution de Rayeigh.
Dans le tableau suivant quelques cas particuliers de l’application d’une carte de Shewhart sur
les différentes formes d’une loi de distribution de Rayleigh indiquent des valeurs de NO1
complètement différents de cas à cas :

73
 Valeurs de la période de détection avec les limites de Shewhart pour
L’amplitude du différents paramètres de loi de Rayleigh
déréglage/paramètre
de loi b=1 b=2 b=3
0 370,00 370,00 370,00
0.5 78,47 209,11 278,41
1 14,22 78,47 151,59
1.5 4,19 31,42 78,47
2 1,92 14,22 42,08
2.5 1,26 7,27 23,79
3 1,06 4,19 14,22

Tableau 2.6 : Les valeurs de NO0 et de NO1 pour l’application d’une carte de Shewhart pour différentes
formes de la distribution de Rayleigh

On voit bien que dans le cas d’une loi de Rayleigh de paramètre b= 3 les valeurs de détection
d’une carte de Shewhart sont beaucoup plus mauvaises par rapport aux résultats fournis par la
méthode de cartes VP.

Cartes VP Cartes Shewhart

L’amplitude du Application
déréglage NO Err(NO) Valeurs normes sur loi de Rayleigh de
b=3
0 372.946 124.53 370 370
0.5 157.956 124.89 155 279
1 32.904 28.42 44 152
1.5 10.628 6.04 15 78
2 6.216 1.66 6,3 42
2.5 5.364 0.85 3,2 24
3 5.048 0.30 2 14

Tableau 2.7 : Les valeurs de NO0 et de NO1 pour une loi de Rayleigh de paramètre b=3

Comme on peut voir dans les tableaux 2.3 – 2.5, si on se rapporte aux valeurs des normes
pour les cartes de contrôle classiques de Shewhart (NF X06-031), les cartes VP offrent des
résultats satisfaisants pour cette étude de cas, précisément dans la détection des petits
déréglages.
Au même temps, nos valeurs pour l’application de la carte VP sont obtenues par simulations
numériques de type Monte Carlo et les erreurs (écarts type de nos résultats sur 500

74
simulations) sont considérables. Pour résoudre cet aspect nous avons réalisé une étude de
l’intervalle de confiance dans lequel on retrouve 95% de ces valeurs. Supposons que les
moyennes sur les 500 simulations sont distribuées selon la loi normale, les limites supérieure
et inférieure de l’intervalle de confiance (IC) à 95% seront calculées avec les quartiles Zα/2 de
la loi normale centrée réduite, en respectant la relation :

X − Z α / 2⋅Err ( X ) / n ≤ NO ≤ X + Z α / 2⋅Err ( X ) / n (2.12)

où α/2 est égal à 0.025 (c’est le risque alpha correspondant au seuil fixé, 95%), X est la
moyenne de NO obtenue empiriquement et Err ( X ) son écart type, et n est le nombre total
des simulations (500). Dans la figure 2.4 nous avons illustré graphiquement la comparaison
entre les performances de la carte VP (configuration I des paramètres de contrôle) et celles de
la carte de Shewhart :
NO0

Comparaison VP/Shewhart pour POM0=370

350

300
Shew hart
pour b=3
250
VP

200

150

100

50

0
0 0,5 1,0 1,5 2,0 2,5 3,0
amplitude déréglage

Figure 2.4 : Les performances de la carte VP pour la configuration I de paramètres de contrôle

Pour l’étude de cas présente on peut affirmer avec une précision de 95% que dans le cas d’une
loi de Rayleigh de paramètre égal à 3, la carte VP détecte les différentes déréglages plus
rapidement qu’une carte de contrôle de Shewhart.
La même conclusion dans le cas d’un risque alpha plus réduit. C’est qui relève notre analyse
également les configurations II et III des cartes VP, correspondantes aux valeurs POM0=500

75
et POM0 =1000, pour la distribution de Rayleigh de paramètre 3. Dans les deux cas
mentionnés la carte VP détecte plus vite que celle de Shewhart :

500 Comparaison VP/Shew hart pour POM0=500

400
Shew hart pour b=3
VP
300
NO0

200

100

0
0 0,5 1,0 1,5 2,0 2,5 3,0
amplitude déréglage

Figure 2.5 : Les performances de la carte VP pour la configuration II de paramètres de contrôle

1000 Comparaison VP/Shew hart pour POM0=1000

800
Shew hart pour b=3
VP
600
NO0

400

200

0
0 0,5 1,0 1,5 2,0 2,5 3,0
amplitude déréglage

Figure 2.6 : Les performances de la carte VP pour la configuration III de paramètres de contrôle

Si pour le paramètre de loi égal à 1 la carte de Shewhart pouvait s’appliquer sans problèmes
sur une loi de Rayleigh, quand ce paramètre change la méthode de cartes VP donne des
meilleurs résultats. Dans le tableau 2.8 nous avons illustré les résultats de notre analyse
comparative pour les paramètres de loi 2 et 3 :

76
Analyse des distributions de Rayleigh de parametre 2 et 3
POM0=370
amplitude déréglage VP Limite sup IC Limite inf IC Normes Shewhart pour b=3 Shewhart pour b=2
0 372,95 383,86 362,03 370,00 370,00 370,00
0,5 157,96 168,90 147,01 155,00 279,00 209,11
1,0 32,90 35,40 30,41 44,00 152,00 78,47
1,5 10,63 11,16 10,10 15,00 78,00 31,42
2,0 6,22 6,36 6,07 6,30 42,00 14,22
2,5 5,36 5,44 5,29 3,20 24,00 7,27
3,0 5,05 5,07 5,02 2,00 14,00 4,19
POM0=500
amplitude déréglage VP Limite sup IC Limite inf IC Normes Shewhart pour b=3 Shewhart pour b=2
0 499,79 513,93 485,65 500,00 500,00 500,00
0,5 196,70 211,47 181,93 263,08 370,74 274,99
1,0 42,90 46,39 39,41 90,96 196,88 99,60
1,5 13,15 13,90 12,40 34,29 99,60 38,65
2,0 7,27 7,48 7,06 14,81 52,29 16,97
2,5 5,76 5,86 5,66 7,32 28,97 8,43
3,0 5,32 5,39 5,25 4,11 16,97 4,72
POM0=1000
amplitude déréglage VP Limite sup IC Limite inf IC Normes Shewhart pour b=3 Shewhart pour b=2
0 1006,19 1037,07 975,31 1000,00 1000,00 1000,00
0,5 385,94 415,55 356,33 492,78 717,08 517,16
1,0 82,82 90,06 75,58 157,17 360,22 173,25
1,5 20,40 21,87 18,93 55,10 173,25 62,69
2,0 9,00 9,47 8,53 22,19 86,78 25,74
2,5 6,04 6,22 5,86 10,25 45,93 11,99
3,0 5,26 5,34 5,17 5,41 25,74 6,31

Tableau 2.8 : Comparaison de la détection des déréglages avec la carte VP et avec la carte de Shewhart
pour une loi de distribution de Rayleigh de paramètre égal à 3

Rappelons que dans le cas présenté ci dessous l’utilisation des valeurs d’une carte de
Shewhart (valeurs normées) est impropre, car elle a été développée pour une loi de
distribution symétrique (la loi normale de distribution). Dans notre cas la loi étant
asymétrique il est clair que l’application des limites classiques (symétriques) n’est pas
adéquate.
Nous avons ensuite supposé que les limites classiques de Shewhart sont appliquées
( UCL = µ +3s , LCL = µ −3s ) sans avoir a priori réalisé un test d’adéquation à la loi normale
0 0

(c’est souvent le cas dans l’industrie).

Tandis que pour le paramètre de loi de Rayleigh égal à 1 la carte de Shewhart détecte mieux
les différentes déréglages, quand ce paramètre change la carte avec paramètre variable est
plus adaptée.

77
Dans cette section nous avons accompli une analyse de la mise en place de la carte de
contrôle VP pour la loi de distribution de Rayleigh. Parmi les avantages de cette méthode
nous citons la facilité de mise en place et son caractère non paramétrique car nous n’avons pas
besoin de connaître la distribution des données a priori. La perspective d’une bonne détection
des très faibles déréglages encourage l’exploration de la méthode et permet d’espérer à son
amélioration vers la mise en place pour la catégorie des processus d’inspection introduite dans
ce chapitre.
Plusieurs aspects doivent être pris en compte pour le choix d’une configuration optimale, à
partir des conditions liées aux coûts, performances souhaitées, et après une analyse des
plusieurs combinaisons possibles entre les paramètres variés. Pour avancer dans notre analyse
nous avons considéré toutes les configurations possibles de ces paramètres. Ainsi, en utilisant
la technique des plans d’expérience nous avons identifié trois configurations des paramètres
les plus performantes pour la loi de distribution de Rayleigh.
En ce qui suit nous allons introduire pour comparaison la méthode de contrôle théorique,
« idéale », qui est basée sur l’estimation des quartiles. Nos recherches seront ainsi dirigées
vers le développement d’une méthode de contrôle plus appropriée aux distributions
asymétriques, la méthode basée sur l’estimation des quartiles, qui va servir au même temps
pour le jugement correct des performances de la carte VP. Après la description de cette
méthode et sa mise en place pour la distribution de Rayleigh, une étude comparative sera
détaillée, ainsi qu’une étude critique sur la nécessité du contrôle statistique d’après une
variable distribué selon la loi de Rayleigh.

3 Les cartes de contrôle basées sur l’estimation des quantiles

Nous considérons par la suite un contexte paramétrique, quand la distribution des données
réelles est connue et ses principaux paramètres (la moyenne, les moments, etc.) peuvent être
déterminés. En analysant les caractéristiques de la loi de probabilité, on peut calculer les
performances théoriques de la détection des déréglages induites dans la moyenne de cette
distribution, à partir d’une valeur donnée pour la période d’apparition des fausses alertes
(risque alpha).
Cette valeur peut être une valeur désirée en pratique, dépendant du processus étudié, où plus
précisément dans notre analyse, la valeur empirique de NO0, obtenue par simulation des cartes

78
de contrôle VP. Cela permettra d’analyser les performances en détection des méthodes
proposées, pour un même taux des fausses alertes.
Dans notre approche les limites de contrôle sont calculées à base des probabilités statistiques
de l'incidence fausse d'alarme et respectivement de la période de détection pour de petits ou
grands décalages de la moyenne. Nous proposons par la suite la méthode des quantiles pour
une loi de Rayleigh.
Les indicateurs utilisés pour le jugement des performances de contrôle expriment le nombre
moyen d’observations avant l’apparition de la fausse alerte, NO0 et avant la détection d’un
déréglage, NO1 et permettront l’analyse raisonnable des résultats offerts par d’autres
méthodes de contrôle, telle que la carte VP où une carte de contrôle individuel classique.

3.1 Mise en place de la méthode pour la loi de distribution de Rayleigh

Dans un processus d’inspection mécanique, supposons un set de mesures du paramètre de

coaxialité. Notons avec x, la variable statistique qui représente ces mesures. Sachant que la loi
de distribution représentative de la variable x est une loi de distribution de Rayleigh [Sauvay,
1999], les limites de notre carte de contrôle théorique sont développées à base de la relation
existante entre les paramètres d’une loi normale et ceux d’une loi de Rayleigh (voir le tableau
1, section 1.3 de ce chapitre).
Considérons, par exemple, que nous souhaitons assurer entre les limites de contrôle
approximativement un pourcentage de 99.73% de la distribution de x, quand le processus est
sous contrôle. Les positions rectangulaires seront deux variables indépendantes et distribuées
après une loi normale, N(µ N ,b) . Nous notons le paramètre de forme de la loi de Rayleigh avec
b, afin d’éviter les confusions qui pourraient être générées entre ce paramètre, (qui
généralement est noté avec σ ) et les différents écarts type intervenus dans nos calculs.
Nous notons également µ R la moyenne et σ R l’écart type de la loi de distribution de
Rayleigh. Conformément à la figure 3.1 et en tenant compte de la relation entre la moyenne
µ R de la distribution de Rayleigh et son paramètre de forme (tableau 1.2), nous avons :

π (3.1)
µ = b ≅ 1 . 25 b
R 2
Respectivement :

79
 π (3.2)
σ = 2− b ≅ 0 . 655 b
R 2

où le paramètre de forme, b, est égal à σ N , l’écart type de la loi normale correspondante

(figure 3.1). Afin d’établir les limites de contrôle pour la variable considérée, x, nous
calculons la probabilité statistique d’avoir 99.73% de sa distribution dans l’intervalle [0,
UCL], où 0 représente la limite inférieure (les mesures contrôlées sont positives) et UCL
(Upper Control Limit) est la limite supérieure de contrôle, qui reste à déduire.

b=1,2,3

Figure 3.1 : La relation entre la distribution normale représentant les coordonnées polaires et la
distribution de Rayleigh (étude du paramètre de coaxialité)

p ( 0 ≤ x ≤ UCL ) = 0 . 9973 (3.3)

−x −UCL (3.4)
2 2
UCL UCL
x
∫ f ( x)dx = ∫ e 2b 2
dx = 1 − e 2b 2
σ
0 0 2
N

En remplaçant l’égalité 3.2 dans l’équation 3.4, l’expression de la limite de contrôle

supérieure sera :

UCL=3.4393b=5.25σ R (3.5)

80
Les limites de contrôle théoriques pour la loi de Rayleigh seront ainsi :

 LCL = 0 (3.6)
UCL = 5 . 25 σ
 R

Ce sont les limites de contrôle théoriques quand on souhaite avoir un risque des fausses
alertes α = 0,0027 , ce qui dans un contrôle individuel correspond à un nombre des 370
d’observations avant l’apparition de la fausse alerte.
Nous allons par la suite généraliser cet algorithme pour obtenir les formules des limites de
contrôle idéales pour n’import quelle valeur du risque α . Selon la théorie statistique, la
probabilité des observations de se retrouver en dessus de la limite supérieure de contrôle
correspond à :

p ( 0 ≤ x ≤ UCL ) = 1 − α (3.7)

où α représente le risque associé à l’apparition des fausses alertes. La formule 3.7 est valable
pour toute loi de distribution asymétrique et bornée à gauche en zéro (les valeurs des
observations sont positives).
Avec les nouveaux indicateurs nous pouvons alors écrire :

α = 1 / NO0 (3.7)

Cependant, il existe un risque, β , associé à la probabilité de ne pas détecter un déréglage

alors qu’il a été intervenu dans la moyenne de notre processus.

1 − β = 1 / NO1 (3.8)

A partir de la fonction de répartition d’une loi de Rayleigh (expression 3.4) la limite de

contrôle supérieure peut s’exprimer en fonction du risque α , selon la formule 3.9 :

1 (3.9)
UCL = b ln( )
α 2

81
Considérons qu’un déréglage est intervenu ainsi que la moyenne, µ R 0 de la loi de base soit

déréglé, le déréglage ayant l’amplitude : δσR0 où σ R 0 est l’écart type avant l’apparition de

déréglage et δ =0.5÷3 . Les valeurs affectées par le déréglage suivront une loi de distribution de
Rayleigh de même écart type comme dans l’état initial, et de moyenne µ R1 , exprimée par la
relation 3.10.
π (3.10)
µ =µ + δσ = µ +δ 2− b
R1 R0 R R0 2

D’ici on a l’expression de la nouvelle moyenne, comme fonction de paramètre b :

π π (3.11)
µ = b+δ 2− b
R1 2 2

La nouvelle variable crée après le déréglage est une variable distribuée selon la loi de
Rayleigh, de moyenne µ R1 et d’écart type σ R1 . Notons avec b1 le paramètre de cette nouvelle
distribution de Rayleigh. La fonction densité de probabilité de notre variable s’exprime dans
ces conditions par:

−
x2 

(3.12)
x  2 b1
2

f R1 ( x ) = 2
e
b1

D’où on peut obtenir l’expression du risque β :

 UCL 2  (3.13)
− 2 
β = P ( x < UCL µ R = µ R 1 ) = 1 − e  2 b1 

Avec les relations 3.7 et 3.8 et en remplaçant l’expression de UCL dans la relation 3.9, on
obtient l’expression de NO1, l’intervalle de détection, en fonction du risque α et
conséquemment, comme fonction de NO0 :
2
 b 
  2
(3.14)
1   b1 
 b 
NO =   = NO  
b
0 1
α 
1

82
A base des propriétés du paramètre de loi Rayleigh (tableau 1.1) cherchons maintenant à
exprimer la relation entre le paramètre de distribution avant le déréglage, b, et celui de la
distribution après le déréglage, b1.

Sachant que µ R 1 = π
b1 et en tenant compte de la relation 3.11 nous allons trouver le
2

rapport b :
b1
b 1 (3.15)
=
b1 4
1+δ −1
π

Pour plus de simplicité nous allons noter ce rapport avec f ( δ ) . Avec la relation 3.14 nous
pouvons maintenant établir la relation entre le taux de fausses alertes, NO0 et la rate de
détection, NO1 comme une fonction du coefficient de déréglage, δ (relation 3.16).

f (δ ) 2 (3.16)
NO 1 ( δ ) = NO 0

Cette expression permet d’évaluer les performances idéales en détection, à partir d’un taux de
fausses alertes, NO0 souhaité. Pour illustrer, nous avons fixé comme valeur de NO0 la valeur
classique de 370 observations, considérant le contrôle individuel. Les valeurs idéales de
détection des différentes déréglages de la moyenne d’une variable distribuée selon Rayleigh
seront celles incluses dans le tableau 3.1.

Coefficient de déréglage, δ NO1

0.5 41,13
1 12,81
1.5 6,41
2 4,11
2.5 3,03
3 2,4

Tableau 3.1 : La détection avec la carte théorique basée sur les quantiles, pour un taux de fausses
alertes NO0=370

On peut voir toute de suite que les valeurs sont très petites, ce qui suggère une détection
rapide même pour les déréglages de très faible amplitude. Cependant il est pertinent de faire

83
une analyse comparative entre les résultats fournis par le contrôle avec une carte de type VP
et ces valeurs idéales.
La valeur 370 de NO0 traduit un risque des fausses alertes de 0.0027 qui est une valeur usuelle
pour le contrôle avec les méthodes classiques. Les formules établies par les relations 3.15 et
3.16 assurent les valeurs les plus performantes de NO1 en fonction du taux des fausses alertes
souhaité (NO0).
Conséquemment nous considérons que les limites de contrôle décrites par la relation 3.6
peuvent être mises en place comme limites idéales de contrôle pour la distribution de
Rayleigh pour n’importe quelle valeur de NO0.
Nous avons repris, pour exemplifier, les valeurs obtenues avec la carte VP pour les
configurations I-III des paramètres. Pour ces configurations de paramètres les intervalles de
détection par ensemble étaient acceptables, et en plus, pour un risque très réduit d’incidence
des fausses alertes, ils étaient meilleurs que les périodes de détection d’une carte de contrôle
individuelle de Shewhart pour la distribution normale.
Dans les tableaux 3.2 –3.4 on peut analyser les performances de la carte VP par rapport aux
valeurs théoriques idéales pour un risque alpha égal à 0.0027, à 0.002 et à 0.001
respectivement.

Valeur du coefficient NO1

de déréglage, δ Carte de contrôle VP Méthode théorique
Simulations numériques
0.5 157,956 41,13
1 32,904 12,81
1.5 10,628 6,41
2 6,216 4,11
2.5 5,364 3,03
3 5,048 2,4

Tableau 3.2 : Comparaison entre la méthode empirique et la méthode théorique, à base d’un taux
des fausses alertes, NO0=370

84
 Valeur du coefficient NO1
de déréglage, δ Carte de contrôle VP Méthode théorique
Simulations numériques
0.5 196,70 49,70
1 42,9 14,58
1.5 13,15 7,04
2 7,27 4,41
2.5 5,76 3,21
3 5,32 2,56

Tableau 3.3 : Comparaison entre la méthode empirique et la méthode théorique, à base d’un taux
des fausses alertes, NO0=500

Valeur du coefficient NO1

de déréglage, δ Carte de contrôle VP Méthode théorique
Simulations numériques
0.5 385,94 76,84
1 82,82 19,67
1.5 20,4 8,76
2 9 5,21
2.5 6,04 3,66
3 5,256 2,85

Tableau 3.4 : Comparaison entre la méthode empirique et la méthode théorique, à base d’un taux
des fausses alertes, NO0=1000

Conformément aux tableaux 3.2 – 3.4, la méthode basée sur les quartiles offre les meilleurs
résultats dans toutes les situations sans exception. Par ailleurs les résultats de l’application de
la carte VP ont été obtenus par voie empirique et ils doivent être rapportés à un intervalle de
confiance déterminé par les écarts – types (erreurs) associés, tandis que la méthode des
quartiles est exacte.
Les travaux que nous avons réalisés dans ces dernières sections ont portés sur le
développement des deux méthodes de contrôle statistique pour une distribution de Rayleigh,
qui est applicable dans les procédures d’inspection de la coaxialité.
Une première méthode, non paramétrique, est la carte de contrôle aux paramètres variables.
Elle présente l’avantage d’offrir une bonne détection des petites déréglages, mais induit le
risque des couts élevés lorsqu’on doit détecter des déréglages importantes. Visiblement, un

85
avantage majeur de cette méthode est le fait qu’elle ne nécessite pas la connaissance a priori
de la distribution.
On peut espérer l’appliquer pour une catégorie des mesures réelles et positives susceptible
d’avoir une distribution à tendance unilatérale, avec la certitude que la détection des
différentes déviations sera plus rapide que celle d’une carte de contrôle de Shewhart.
La deuxième méthode de contrôle est plutôt une approche théorique, et peut offrir un support
pour la vérification des outils de contrôle pour des processus complexes qui sont susceptible
d’être affectés par déréglages des amplitudes variables.
Une contrainte apparente est son caractère paramétrique, car la connaissance de la distribution
des mesures est impérative. Cela peut être résolu par le biais d’un test d’adéquation adéquat
aux mesures à contrôler. Cette approche peut représenter un référentiel MSP pour le jugement
des performances des nouvelles méthodes proposées pour les distributions non gaussiennes.
Dans nos démarches concernant le contrôle d’un processus d’inspection de la coaxialité, nous
avons analysé une variable abstraite, suivant une distribution de Rayleigh et la question
évidente concerne son applicabilité dans la pratique, pour l’inspection des défauts de la
coaxialité.
Lorsque l’inspection des deux composantes de cette variable (respectivement les mesures
suivant les deux axes du système cartésien) pourrait être mise en place, a quoi ça peut servir
alors une méthode de contrôle pour la distribution de Rayeigh ? La section suivante est
destinée à analyser cette problématique et traite le cas du contrôle par composante de la
variable de la coaxialité.

3.2 Analyse critique sur la pertinence d’utilisation des cartes de contrôle non
gaussiennes dans la pratique d’inspection de la coaxialité

La question qui semble naturelle dans le contrôle statistique des mesures de la coaxialité est
pourquoi ne pas appliquer une carte de contrôle classique sur chaque des deux mesures selon
les axes du système orthogonal, sachant que ces mesures sont représentées par deux lois de
distribution normales ?
Nous avons décrit dans la section 1.1 le principe d’inspection de la caractéristique de
coaxialité (figure 1.3). Une fois l’axe de référence, A, établie, la variable de coaxialité est
obtenue comme une résultante des ces deux mesures selon les directions horizontale et
verticale du système d’axes.

86
Dans la figure 3.2 nous avons noté avec X et respectivement Y les variables représentants les
deux mesures composantes de la mesure de coaxialité. Notons avec R la variable
représentante de ces mesures, qui est distribuée selon la loi de Rayleigh.

Figure 3.2 : L’inspection de la coaxialité. Décomposition d’une variable de Rayleigh.

Les variables X et Y étant deux variables normalement distribuées, la variable R est

déterminée par la relation 3.18 :

R= X 2 +Y 2
(3.17)

La problématique abordée dans cette section est l’utilité de la mise en place d’une carte de
contrôle pour la variable composée, R, dans les conditions où cette variable est abstraite et le
déréglage intervenu à un moment donné dans le recueil des mesures peut survenir selon l’axe
horizontale, selon l’axe verticale, où bien selon les deux axes, verticale et horizontale.
Dans ces conditions le contrôle statistique de la variable X où Y avec une carte de Shewhart
par exemple, pourrait résoudre le problème du contrôle des défauts de la coaxialité, car on
peut identifier et remédier directement le problème, par composants de la variable R.
Un premier argument qui contrevient au contrôle indépendant de ces deux variables, X et Y
est le fait que les spécifications finales concernent la coaxialité (dans la figure 3.2, la tolérance
s’adresse au paramètre de la coaxialité et non à une des mesures composantes). En
conséquence les résultats du contrôle par composantes devraient en tout cas être transposés
dans des résultats concernant une seule variable, celle de la coaxialité. Un autre inconvénient
du contrôle individuel peut concerner les coûts de mise en place car on applique deux cartes
de contrôle en lieu d’une seule.

87
Tous ces éléments doivent prises en compte avant de choisir la méthode la plus adéquate, et
ceci nous a déterminé à réaliser une analyse comparative entre le contrôle statistique d’une
variable de Rayleigh et le contrôle statistique de ses composantes.
Nous imaginons deux situations possibles :
• le déréglage est intervenu soit sur la variable X, soit sur la variable Y
• le déréglage affecte les deux variables, X et Y

3.2.1 Etude de cas I : le déréglage intervient soit sur la variable X soit sur la variable Y

Considérons que l’on applique une des cartes de contrôle classique sur les variables X et Y
qui suivent une loi normale :
X ≈ N (0,1)
Y ≈ N (0,1) (3.18)

où 1 représente le paramètre de la loi de distribution de Rayleigh descriptive de la variable R.

Nos hypothèses considèrent que les mesures suivant les deux directions peuvent être
transformées pour que le contrôle soit réalisé sur les variables centré réduites, X et Y.
Considérons le contrôle individuel de ces composants et considérons que le déréglage
intervenu est de taille k = δb , b étant au même temps l’écart type de la loi normale avant le
déréglage, et δ est le coefficient de déréglage. Si le déréglage affecte seulement une des deux
variables X ou Y, nous pouvons exprimer l’impact de ce déréglage sur la variable de la
coaxialité (distribuée Rayleigh).
Supposons que la variable X a souffert un déréglage k, la nouvelle variable représentant les
mesures selon l’axe horizontale sera : X 1 = X + k . De même, si on considéré que le problème
est intervenu dans les mesures sur l’axe verticale, on va obtenir une nouvelle
variable Y1 = Y + k . La nouvelle variable de coaxialité sera notée avec R1 et est exprimées
dans la relation 3.19 :
R1 = X 1 + Y 2
2 2

(3.19)
On peut maintenant calculer le déréglage induit dans la variable de coaxialité :

R1 − R 2 = 2kX + k 2
2

88
 (3.20)

Naturellement, la nouvelle variable, R1 a un paramètre b1 différent de paramètre b (de la

variable R). Avec les expressions de l’espérance et de la variance probabiliste, nous allons
exprimer la relation entre ce nouveau paramètre de loi, b1 et le paramètre b, avant le
déréglage :
E[ R1 − R 2 ] = E[ R1 ] − E[ R 2 ] = E[ 2kX + k 2 ] (3.21)
2 2

Comme :
E[ 2kX ] = 2kE[ X ] = 0 (3.22)

Il en résulte d’ici que:

E[ R1 − R 2 ] = k 2 (3.23)
2

Au même temps on peut déterminer l’espérance mathématique des variables R12 et R2 via les
formules du tableau 1.2 section 1.3, qui expriment les relations entre le paramètre de loi de
Rayleigh, son espérance et son écart type :

π 4 −π 2
E[ R1 ] = E 2 [ R1 ] − var[ R1 ] = b1 +( )b1 = 2b1
2 2 2

2 2 (3.24)
π 4 −π 2
E[ R 2 ] = E 2 [ R ] − var[ R ] = b 2 +( )b = 2b 2
2 2

Avec les relations 3.24 on obtient la relation entre les paramètres b et b1 en fonction du
déréglage k sur une des deux variables composantes de R :

b2 1 (3.25)
2
= 2
b1 1k
1+  
2b
Dans notre analyse nous préférons garder les mêmes indicateurs des performances définis
dans la section 3.1 de ce chapitre, respectivement NO0 pour le taux des fausses alertes et NO1
pour la rate de détection. Si on tient compte des relations 3.15 et 3.16 développées dans la
section 3.1 on peut exprimer l’intervalle de détection comme une fonction de NO0 et de la
taille du déréglage intervenu.

89
 1
1 k 2

1+ 
= NO0
 (3.26)
2 b 
NO1

Les valeurs ainsi obtenues sont théoriques, représentant les valeurs idéales pour la détection,
dans les conditions établies (déréglage sur une des composantes de la variable de Rayleigh).
Pour simplifier, nous étudions pour toutes les deux situations présentées le cas où la valeur du
paramètre b est égale à 1, mais l’analyse pourrait être généralisée aux différentes valeurs de b.
Ainsi, comme les deux variables X et Y sont normales centrées réduites, et b=1, le paramètre
k représente l’amplitude du déréglage et sera égale à δ (écart type de loi normale égal à 1) et
l’expression du taux de détection sera :
1

= NO0
1 2
1+ k
NO1 2 (3.27)

Nous avons comparé les valeurs théorique obtenues pour NO1 avec la relation 3.27, avec les
valeurs qui pourraient être obtenues suite à l’application d’une carte de contrôle classique
(Shewhart, EWMA, CUSUM) directement sur la variable X (ou Y) qui était affecté par le
déréglage(tableau 3.5).

Valeur du coefficient NO1

de déréglage, δ Contrôle de la Contrôle sur une des variables composantes, X ou Y
variable R (méthode Carte de contrôle Carte de contrôle Carte de contrôle
théorique) de Shewhart EWMA CUSUM
0.5 191,80 155 26,5 28,8
1 51,54 44 9,6 9,9
1.5 16,16 15 5,2 5,2
2 7,18 6,3 3,3 3,3
2.5 4,19 3,2 2,38 2,29
3 2,93 2 1,78 1,72

Tableau 3.5 : Comparaison entre le contrôle d’une variable Rayleigh et le contrôle par composante X ou Y.

La valeur de NO0 est égale à 370 observations. Les valeurs de NO1 pour le contrôle des
variables X/Y sont les valeurs de POM1 trouvées dans les normes pour le contrôle individuel
par le biais des cartes de Shewhart, EWMA et respectivement CUSUM.
D’après les valeurs du tableau 3.5 on voit bien que les valeurs idéales pour le contrôle de la
variable de la coaxialité (à l’exception de la détection d’un déréglage détaille 0.5) sont

90
proches des valeurs offertes dans le contrôle classique par composante X/Y, sans jamais les
atteindre.
Cela suggère une détection plus rapide de la faute génératrice du défaut de la coaxialité, si on
contrôle à la fois les mesures effectuées selon les deux axes du système orthogonal. La carte
EWMA est la plus adéquate si on veut en plus détecter les plus petits déréglages sur une de
ces deux composantes (figure 3.3).

Figure 3.3 : Comparaison entre le contrôle d’une variable Rayleigh et le contrôle par composante X ou Y.

Il reste un seuil point à résoudre, celui de transfert des résultats d’une carte de contrôle
appliquée sur une des variables X/Y et les spécifications attribuées à la variable R de la
coaxialité. Sans indications précises sur les limites de tolérance selon la direction horizontale
ou verticale, le jugement seulement sur les variables X où Y ne sera pas raisonnable.
La valeur de NO1 déterminée par voie théorique pour un déréglage d’amplitude 0.5 signifie
qu’un petit déréglage sur une des deux mesures composantes, est presque imperceptible sur la
résultante, R, ce qui est normal si on regarde l’expression de la variable R (une valeur très
baisse d’une des deux composantes peut être compensée par une valeur plus grande de
l’autre).
Au même temps, ce déréglage sur une des composantes ne conduit toujours pas à un
déréglage de la mesure de la coaxialité et le processus risque d’être arrêté sans que la
caractéristique soit hors contrôle.

91
3.2.2 Etude de cas II : le déréglage intervient sur les deux variable, X et Y

Nous avons analysé les répercussions sur la distribution de résultante R dans le cas où seule
une variable X ou Y présente une faute. Nous avons trouvé que le contrôle par variable
composante est plus efficace, les pré requis étant d’une part l’application des deux cartes de
contrôle au lieu d’une et d’autre part le risque d’augmentation des fausses alertes (car le
déréglage sur la composante n’a pas toujours un impact réel sur la variable résultante).
Imaginons maintenant que les deux variables sont affectées par un déréglage de taille k = δb ,
avec b=1, l’écart type des variables X, Y( X , Y ≈ N (0,1) ). Les nouvelles variables seront :

X1 = X + k
Y1 = Y + k (3.28)

De la même manière comme dans notre première étude, on exprime par le biais des grandeurs
mathématiques, la relation entre la variable de Rayleigh, avant et après l’apparition de ces
déréglages :
R1 − R 2 = 2k ( X + Y ) + 2k 2 (3.29)
2

⇒ E[ R1 − R 2 ] = 2kE[ X ] + 2kE[Y ] + 2 E[k 2 ] = 2k 2

2

La relation entre les paramètres de loi Rayleigh, b avant le déréglage et b1 après le déréglage,
devient :
b2 1 (3.30)
2
= 2
b1 k 
1+  
b

Comme nous avons considéré le cas de b=1 il résulte l‘expression suivante pour l’intervalle
de détection, NO1 :
1
NO 1 = NO 0 1 + k
2
(3.31)

92
Dans le tableau 3.6 nous avons inclus la comparaison entre les valeurs théoriques déterminées
avec la relation 3.31 et les valeurs normées d’un contrôle individuel sur une des deux
composantes de R, a partir d’un NO0=370.

Valeur du coefficient NO1

de déréglage, δ Contrôle de la Contrôle d’une des deux variables composantes, X ou Y
variable R (méthode Carte de contrôle Carte de contrôle Carte de contrôle
théorique) de Shewhart EWMA CUSUM
0.5 113,39 155 26,5 28,8
1 19,24 44 9,6 9,9
1.5 6,17 15 5,2 5,2
2 3,26 6,3 3,3 3,3
2.5 2,26 3,2 2,38 2,29
3 1,81 2 1,78 1,72

Tableau 3.6 : Comparaison entre le contrôle d’une variable Rayleigh et le contrôle par composante X ou Y,
quand les deux variables sont déréglées

On peut déjà remarquer que dans ce cas, sauf si le déréglage est très petit sur les deux
composants (k=0.5), les valeurs de NO1 sont très semblables dans le cas d’un contrôle par
variable composée, R, comme dans le cas d’un contrôle par composante. A partir d’amplitude
1 du déréglage les valeurs théoriques de contrôle uni variable se rapprochent des valeurs
obtenues avec la carte EWMA optimale, et on peut voir dans la figure 3.4, que pour des
déréglages plus signifiantes, (amplitude 3) les valeurs de détection théoriques sont les
meilleures.
Si on prend en considération le fait que, pour arriver au même résultats obtenus dans le
contrôle sur R, les deux variables X et Y doivent être contrôlées et que cela nécessite
l’application des deux cartes de contrôle avec le prélèvement et les couts associés, nous
estimons que la méthode directe de contrôle sur la variable de la coaxialité est plus
économique.

93
 Figure 3.4 : Comparaison entre le contrôle d’une variable Rayleigh et le contrôle par composante X ou Y.
cas d’un déréglage généré sur toutes les deux composantes

Toutefois il faut spécifier que les valeurs normées données dans les tableaux 3.5 et 3.6 pour
les trois cartes de contrôle traditionnelles, sont les valeurs optimales. Dans le cas d’une carte
de contrôle de type EWMA ou CUSUM ces valeurs sont obtenues pour différents paramètres
de la carte et n’est pas pour une même configuration. Dans la pratique pour arriver à ces
valeurs évidement on doit changer la carte de contrôle selon la taille du déréglage à détecter,
ce qui n’est pas toujours très confortable.

3.2.3 Etude de cas III : Les variables X et Y ne sont pas indépendantes, étude d’une carte de
contrôle multi variée

Les deux études précédentes considèrent que les deux variables, X, Y sont indépendantes. Par
contre, si entre les deux variables existe une corrélation, le déréglage d’une des deux va
entraîner de changements dans les valeurs de l’autre, et aussi dans la variable de coaxialité.
Dans une dernière étape de notre étude analytique nous avons étudié cet aspect par le biais
d’une carte de contrôle de type T2 de Hotteling qui tient compte d’éventuelle corrélation entre
les variables composantes X et Y.
Nous avons considéré les deux situations possibles, quand seulement une des variables X ou
Y est affectée par une déréglage, et respectivement quand les deux variables, X et Y sont

94
affectées par un déréglage. Les valeurs de NO1 et NO0 pour la carte de Hotteling ont été
obtenus par simulations de type Monte Carlo.
Dans le tableau 3.7 nous avons retenu les valeurs de détection d’une carte T2 de Hotteling
quand le déréglage est survenu seulement sur une des deux variables composantes de la
variable de la coaxialité.
Les valeurs de NO1 obtenues pour les trois différentes valeurs du coefficient de corrélation,
δ T sont comparées avec celles obtenues avec une carte de Shewhat, EWMA ou CUSUM
2

appliquées directement sur la variable affectée et aussi avec les taux de détection d’une carte
basée sur les quartiles, appliquée sur la variable, R, de la coaxialité.

NO1
Contrôle des deux variables Méthode
L’amplitude La carte de composantes, X et Y des La carte La carte
2
du contrôle avec la carte T de Hotteling, pour le quartiles EWMA CUSUM
déréglage, δ individuelle coefficients de corrélation, δT 2 : sur la
de variable
Shewhart R

δ T = 0 .1
2 δ T = 0. 6
2 δ T = 0 .8
2

NO0=370 NO0=372,8 NO0=383 NO0=371 NO0=370 NO0=370 NO0=370

0.5 155 182,97 159,05 95,298 191,80 26,5 28,8
1 44 66,522 39,806 17,682 51,54 9,6 9,9
1.5 15 22,648 11,684 4,412 16,16 5,2 5,2
2 6,3 9,674 4,77 1,948 7,18 3,3 3,3
2.5 3,2 4,724 2,316 1,264 4,19 2,38 2,29
3 2 2,43 1,492 1,054 2,93 1,78 1,72

Tableau 3.7 : Le contrôle avec la carte T2 de Hotteling quand seulement une des deux variables, X ou Y,
est affectée par un déréglage

Nous pouvons facilement remarquer que les valeurs fournies par la carte de Hotteling ne sont
pas les plus satisfaisantes. La seule situation où la détection avec la carte multi variée est plus
rapide est quand il existe une forte corrélation entre les deux variables, X et Y, ( δ T 2 = 0.8 ), et

quand le déréglage survenu sur une de ces composant est important ( >1.5 écarts type).
Une des cartes traditionnelles, EWMA ou CUSUM, reste la plus efficace. Cependant nous
devrons tenir compte dans leur application de deux contraintes possibles :

95
 • Par précaution dans la pratique est préférables d’appliquer deux cartes de contrôle
traditionnelles sur les deux variables X et Y, même si le déréglage est survenu
seulement sur une des ces composantes. En effet en réalité l’utilisateur ne peut pas
savoir quelle est la composante affectée
• Si on choisit d’appliquer la carte EWMA ou CUSUM, la corrélation possible entre les
variables X et Y est ignorée ce qui entraîne des fautes dans l’interprétation de leurs
résultats

Considérons maintenant le cas où les deux variables composantes de la coaxialité sont

affectées par un déréglage et il existe une certaine corrélation entre ces variables. Selon les
valeurs du tableau 3.8 on voit que la détection devient lente avec la carte multi variée, ce qui
n’est pas étonnant car certaines déréglages induites sur une des variables, X, Y, peut
compenser un déréglage existent sur l’autre composante.
Les coûts associés à la mise en place des deux cartes traditionnelles ainsi que la corrélation
sont dans ce cas des inconvénients. En plus, pour la deuxième situation la détection avec la
carte de contrôle basée sur les quartiles est plus rapide (comparatif avec le cas où une seule
des variables composantes est déréglée).
Par contre, avec la carte théorique on ne peut pas juger sur l’éventuelle corrélation existante.
L’avantage majeur de la carte théorique reste que dans les conditions d’une faible corrélation
elle s’applique directement sur la variable de la coaxialité et pratiquement réduit les coûts de
prélèvement par deux.
Les résultats de cette analyse comparative entre le contrôle sur la variable de coaxialité et le
contrôle par composante de la variable de coaxialité montrent que le choix de la méthode de
contrôle des mesures de la coaxialité ne doit pas être fait au hasard.
Si on souhaite réaliser le contrôle le moins économique (c’est à dire directement sur la
variable de la coaxialité), une analyse des données empiriques est impérative dans un premier
temps, pour établir la loi de distribution, et ses paramètres représentatifs. Avec ces
informations le contrôle par le biais d’une carte de contrôle théoriques sera le plus efficace.

96
 NO1
L’amplitude La carte de Contrôle des deux variables Méthode
du contrôle composantes, X et Y des La carte La carte
2
déréglage, δ individuelle avec la carte T de Hotteling, pour le quartiles EWMA CUSUM
de coefficients de corrélation, δT 2 : sur la
Shewhart variable
R

δ T = 0 .1
2 δ T = 0. 6
2 δ T = 0 .8
2

NO0=370 NO0=380 NO0= 367 NO0=354 NO0=370 NO0=370 NO0=370

0.5 155 251,47 226,70 252,14 113,39 26,5 28,8
1 44 76,29 108,15 125,51 19,24 9,6 9,9
1.5 15 26,29 45,55 50,08 6,17 5,2 5,2
2 6,3 11,34 20,12 23,94 3,26 3,3 3,3
2.5 3,2 5,15 9,69 11,94 2,26 2,38 2,29
3 2 3,02 5,63 6,50 1,81 1,78 1,72

Tableau 3.8 : Le contrôle avec la carte T2 de Hotteling quand toutes les deux variables, X et Y, sont
affectées par un déréglage

Dans la situation où les conditions pratiques ne permettent pas de déterminer la nature de la

distribution des mesures réelles (trop peu des données, les tests d’adéquation ne fournirent pas
une distribution représentative, etc.) nous encourageons la mise en place de la carte de
contrôle aux paramètres variables qui détecte mieux les plus petits déréglages.
Une carte classique comme la carte d’EWMA pourrait également fournir des résultats
satisfaisants, s’il n’existe pas de corrélation et si l’on choisit de contrôler individuellement les
deux composantes de la variable de coaxialité, X et Y.
Concernant l’aspect pratique de la mise en place des outils présentés, nous considérons que le
plus économique est d’appliquer une carte basée sur les quartiles, si entre les deux variables
n’existe pas de corrélation, où elle n’est pas très forte, et une carte multi variée de Hotteling
quand il existe une forte corrélation entre les deux composantes de la variable sous étude.

97
 4 Conclusions

Dans ce chapitre nous avons avancé des nouvelles propositions d’améliorations pour le
contrôle statistique des distributions asymétriques. Dans un premier temps nous avons étudié
l’application des cartes de contrôle avec paramètres variables. L'avantage principal de la
méthode est représenté par la généralité de son application pour une grande classe de
distributions, incluant les distributions normales.
En outre, la méthode appliquée selon les indications de Lin et Chou [Lin et Chou, 2005a],
[Lin et Chou, 2005b] est non paramétrique et en conséquence son application en pratique ne
nécessite pas de connaissances de la nature des caractéristiques étudiées.
Dans un premier temps nous avons souhaité tester les performances de cette carte pour la
classe des distributions asymétriques. Pour cela, nous avons vérifié de manière empirique
(simulations Monte Carlo) les résultats obtenus avec la théorie des chaînes de Markov [Lin et
Chou, 2005b] pour une distribution normale, pour une distribution de Gamma et pour une
distribution t de Student [Lin et Chou, 2005b]. Les résultats obtenus avec le modèle de Lin et
Chou [Lin et Chou, 2005b] étant tout a fait satisfaisants nous ont encouragé à continuer nos
recherches pour élargir le champ d’application des cartes VP.
Nous avons choisi d’analyser la méthode pour des lois asymétriques qui interviennent souvent
dans les processus d’inspections des pièces mécaniques des domaines de l’aéronautique et de
l’automobile. Une présentation de quelques caractéristiques dimensionnelles représentées par
des lois non gaussiennes qui sont spécifiques à ces processus, est incluse dans la première
partie de ce chapitre.
Nous avons étudié en particulier la loi de distribution de Rayleigh qui est représentative dans
la description des variations de coaxialité. Nous avons réalisé une analyse par le biais des
plans d’expérience, afin de retrouver les meilleures configurations des paramètres à choisir
dans l’application des cartes VP. Cependant la carte de contrôle basée sur les variations des
paramètres, seule, ne nous fournit pas les plus satisfaisants résultats pour la loi de Rayleigh,
car la généralisation des trois configurations des paramètres étudiées est hasardeuse.
Les résultats de nos simulations numériques ont laissé de la place aux discussions sur les
conditions du choix des valeurs des paramètres fixes et variés introduites par Lin et Chou.
Pour avoir des termes pertinents de comparaison, dans une deuxième étape de nos travaux
nous avons développé une méthode théorique, que nous l’avons appelle méthode des

98
quantiles. Celle-ci est basée su le calcul des limites de contrôle idéales à partir d’un risque
souhaité des fausses alertes.
Cette approche permet de juger les performances d’une carte de type VP aussi que les
résultats de n’importe quelle autre carte de contrôle, car les valeurs obtenues tiennent compte
de la distribution étudiée et peuvent être considérées comme des valeurs de référence. Cette
méthode peut être développée pour toutes les lois de distribution, normale et non normales.
Concernant l’application de la carte VP nos prévisions de départ sur la mutualisation de
l’application de la carte VP pour une classe des distributions (toutes les distributions
asymétriques par exemple) ont été contredîtes. En effet la méthode de quantile offre des
meilleurs résultats que la méthode VP pour une distribution de Rayleigh.
Cependant, en fonction de processus et des ses contraints économiques, la méthode peut être
choisie en pratique pour sa rapidité de détection des petits déréglages. Une perspective
intéressante a été d’analyser toutes les configurations possibles des paramètres qui
interviennent dans la construction d’une carte de contrôle VP pour la distribution de Rayleigh.
Les configurations plus performantes ont été discutées dans la section 2 de ce chapitre.
Un autre problème soumis à la discussion par rapport a l’inspection et au contrôle des mesures
de coaxialité a été le choix de la variable à contrôler dans la pratique. Nous avons inclus dans
la section III de ce chapitre une analyse critique sur les avantages et les inconvénients du
contrôle de la variable distribuée selon la loi de Rayleigh versus le contrôle de chaque des
deux composantes de ce variable.
La deuxième carte de contrôle que nous avons développée pour la loi de Rayleigh est une
méthode paramétrique, basée sur l’hypothèse de connaissance de la loi de distribution des
données ainsi que des propriétés probabilistes de cette distribution.
Cette méthode offre les résultats idéaux pour le contrôle individuel (pièce par pièce), et peut
être utilisée comme référence dans la classification des résultats fournis par d’autres méthodes
de contrôle.
Bien que le développement théorique des limites de contrôle est complexe et peut nécessiter
beaucoup d’analyse statistique, nous soutenons fortement les travaux futures pour la
conception de ce type des cartes de contrôle pour d’autres lois non gaussiennes.
Pour résumer, les travaux présentés dans ce chapitre ont porté sur le développement des
nouvelles méthodes de contrôle des distributions asymétriques. Nous avons souhaité
développer une méthode non paramétrique valable pour toute une classe de distributions, où
en particulier pour une catégorie des mesures avec une tendance unilatérale (par exemples
toutes les mesures intervenues dans les inspections des pièces mécaniques).

99
Nos résultats expérimentaux complétés par des développements théoriques montrent qu’on ne
peut pas développer une méthode générale de contrôle.
Les cartes classiques de Shewhart peuvent s’appliquer sans problèmes et offrent des résultats
satisfaisants pour une seule forme de la distribution de Rayleigh.
Les cartes de contrôle basées sur les quantiles offrent les valeurs de référence dans la
détection des défauts d’une loi de Rayleigh.
Les cartes VP sont plus faciles à appliquer en pratique et donnent des bons résultats pour
plusieurs formes de la distribution de Rayleigh.
Enfin l’analyse de certains liens entre les différentes distributions non gaussiennes, et l’étude
de leurs propriétés statistiques viennent améliorer les méthodes paramétriques, en établissant
des valeurs de référence qui permettent l’analyse correcte des résultats empiriques.
Les perspectives d’une continuation des travaux sur le sujet abordé dans ce chapitre devraient
inclure une application pratique et un retour d’expérience pour un processus d’inspection
d’une pièce mécanique. Il est également intéressant d’investiguer les méthodes proposées ci-
dessous pour une autre loi de distribution, telle que la distribution lognnormale, ou la loi de
Weibull.

100
 Chapitre III : Contributions au contrôle des processus par
le biais des modèles intégrés APC/MSP

1 Introduction

Les systèmes industriels de nos jours sont de plus en plus automatisés et de plus en plus
complexes (plusieurs caractéristiques, distribution non gaussienne, corrélation, …). Il est donc
primordial de concevoir et de développer des techniques capables de diagnostiquer l’état du
système à tout moment, et de pouvoir régler les paramètres pour assurer le bon
fonctionnement et surtout l’insensibilité aux différentes perturbations.
Dans la littérature, on trouve plusieurs techniques permettant d’assurer la stabilité du système
et le réglage de paramètres. Selon les communautés scientifiques, ces techniques sont
répertoriées dans des termes différents (Diagnostic, Accommodation aux défauts, Sûreté de
Fonctionnement, Fiabilité des systèmes, Théorie de la commande, Reconfiguration, Ingénierie
robuste,…).
Les techniques du contrôle automatique de processus font partie intégrante de ces concepts.
Elles sont devenues au fil des années des outils incontournables dans le domaine de la
production et de la conception en particulier en qualité et sûreté de fonctionnement. Ces outils
permettent d’assurer la stabilité de système et d’atteindre les performances souhaitées même
en présence des perturbations (robustesse).
Néanmoins la nécessité de performance et stabilité de ces systèmes pour des périodes
entendues de fonctionnement conduit à l’intégration des techniques spécifiques de MSP. Les
modèles de contrôle intégrés APC (Automatic Process Control)/MSP (Maîtrise Statistique
des Processus) suscitent l’intérêt de plus en plus souvent. Malgré cela il existe à l’heure
actuelle peu de démarches dédiées à l’étude des performances offertes par ces modèles.
Pour un système réel, qui généralement est soumis aux différents facteurs perturbateurs au
cours de son fonctionnement, la simple utilisation des modèles déterministes automatisés
n’est pas suffisante, car souvent elles resteront insensibles aux perturbations ou déréglages
apparus au parcours du fonctionnement (une fois la correction automatique appliquée, le
fonctionnement est considéré normal).

101
L’intégration des méthodes statistiques, comme superviseur du fonctionnement des schémas
automatiques, élimine ces risques en assurant un contrôle prévisionnel afin de rendre le
système plus robuste [Elsayed et al., 1995], [Gultekin et al., 2002], [Gob et al., 1999].
Dans ce chapitre nous allons étudier la problématique de l’intégration des modèles de contrôle
APC et MSP. Après une brève révision des notions et des techniques de base du domaine
automatique de contrôle, quelques modèles représentatifs seront discutés et deux études de cas
seront introduites.
Nos propositions d’amélioration des systèmes intègres seront ainsi conduites sur deux
modèles de contrôle automatique pour deux processus continus. Nous proposons des
nouveaux modèles intégrés de contrôle pour ces processus, dont les résultats seront présentés
par le biais des simulations numériques.
Nous utiliserons la terminologie anglophone de techniques d’APC (Automatique Process
Control), car nous n’avons pas encore aperçu un autre acronyme adopté en France. Au
contraire, du fait de son apparition relativement récente, le domaine est connu dans la plupart
d’ouvrages sous l’abréviation d’APC.

2 Le contrôle automatique de processus

Comme nous l’avons déjà mentionné dans la partie introductive, les procédés industriels sont
soumis à des perturbations inhérentes, déterminées par des facteurs externes (la température
ambiante, la pression atmosphérique etc.) ou à des perturbations internes
(dysfonctionnements, déréglages d’un appareil de mesure).
Quelque soit le problème réel intervenu dans le fonctionnement d’un système, il doit être
transposé dans un modèle d’optimisation bien choisi. Ayant en vue que le comportement des
systèmes physiques réels est loin d’être idéal, l’automaticien cherche toujours à améliorer son
comportement à l’aide des lois mathématiques qui modélisent différentes variables
caractéristiques pour le processus étudié (le bruit, la consigne, la sortie).
Dans une interprétation plus générale sous le nom de APC on trouve des techniques et
méthodes utilisées pour concevoir des modèles de contrôle automatique de processus. Dans
ce domaine, un système ou un processus est vu comme un ensemble des relations entre les
grandeurs d’entrées (causes) et les grandeurs de sorties (effets) [Larminat, 1993].

102
Un système causal standard peut être représenté sous forme graphique, très simplement,
comme dans la figure 2.1. Un exemple classique de système standard est un moteur de
courant continu (électromécanique) où l’entrée est la tension d’alimentation et la sortie est la
position angulaire du rotor, θ [Larminat, 1993]. Selon différentes valeurs pour la tension
d’alimentation, on obtient différentes valeurs à la sortie (les effets).

Perturbations
externes

Sorties (effets)
Processus

Figure 2.1 Système causal standard

Dans l’étude comportementale d’un système il faut bien définir la notion de l’état du système
[Larminat, 1993], [Noura et al., 1996] . Le modèle le plus souvent utilisé par l’automaticien
est le modèle en boucle fermée, dans lequel le signal de la sortie est injecté à l’entrée.

• L’objectif principal de l’automatique est celui d’élaborer les lois de commande qui
ont comme but de modéliser le signal de consigne afin d’obtenir le signal de
commande, u(t). Selon le nombre des grandeurs de commande il existe des systèmes
uni variés ou multi variés. Le processus ainsi commandé nécessite une modélisation
mathématique afin de réduire autant que possible l’influence entre les perturbations
inhérentes et la réponse finale.
• L’objectif secondaire de l’automatique est de contrôler l’écart entre la sortie et la
consigne du processus. Le modèle en boucle fermée réalise également une
compensation de l’effet des perturbations sur la sortie du processus.

De manière générale un système automatique intègre deux parties : une partie « commande »
qui élabore les lois mathématiques qui modélisent la référence et fournissent le signal de
commande, et une partie « opérationnelle », qui contient le processus même, et modélise les

103
grandeurs d’entrée (la commande) et les perturbations afin de minimiser leurs impact sur
l’écart de la sortie (figure 2.2):

Partie de
Partie
commande opérationnelle
(Processus) Sortie

Figure 2.2 : Les principales composantes du système automatique

Le support mathématique utilisé par l’automaticien comporte des systèmes d’équations

différentielles, linéaires ou non linéaires, qui expriment les sorties par une forme linéaire des
variables d’état et des variables d’entrée. L’analyse mathématique des systèmes algébriques
induit des notions primaires comme la réponse indicielle, la réponse impulsionnelle, etc.
Dans l’intégration des méthodes de contrôle et de prévision spécifiques à la MSP dans un
schéma automatique, quelques techniques spécifiques au domaine d’automatique nécessitent à
être définies.
Ainsi une technique courante dans l’APC est la commande par retour d’état qui consiste à
estimer ou reconstruire l’état du système afin de ramener la sortie du système à la valeur
souhaitée de la consigne. L’accommodation aux défauts comporte le pilotage du système en
élaborant des lois de commande afin de s’accommoder aux perturbations. La reconfiguration
c’est la technique nécessaire pour modifier la loi de commande afin d’obtenir les mêmes
performances du système dans la présence de perturbations comme dans le cas du
fonctionnement normal (sans défaillance).
Nous citons également les techniques du filtrage qui consistent à déterminer des estimateurs
de variable du système lorsque l’environnement présente des perturbations aléatoires. Pour la
bonne compréhension de la mise en place de ces techniques nous indiquons les travaux de P.
Borne [Borne et al., 1992], H.Noura [Noura et al., 1996] ou Larminant [Larminant, 1993].

104
Dans un schéma classique d’asservissement en boucle fermée (figure 2.3), le rôle central est
détenu par un bloc de commande qui génère le signal de commande u(t). La sortie du
processus sert de signal d’entrée dans le bloc de commande.

référence sortie y(t)

Bloc de u(t) Processus
commande

sortie
Figure 2.3 : Schéma en boucle fermée

Généralement le bloc de commande (figure 2.3) contient un régulateur qui a comme signal
d’entrée l’écart défini par la différence entre le signal de sortie, y(t), et le signal référence, r(t).
En ce qui concerne l’état du système, son expression mathématique la plus générale est
décrite par les équations suivantes :
x& = f ( x, u , t )
(2.1)
y = h( x, u , t )

où le vecteur x représente l’état du système, u le signal de commande, t la variable temporelle,

et y la sortie du système.
Dans ce contexte, une étape essentielle dans l’étude des systèmes automatiques concerne le
choix du modèle le plus représentatif pour l’analyse du système réel soumis à l’étude.
L’analyse des spectres des signaux d’entrée-sortie dévoile trois configurations possibles de
systèmes (figure 2.4).

Entrée Système Réponse

linéaire gaussienne
gaussienne

Entrée Système Réponse non

non
linéaire gaussienne
gaussienne

Entrée gaussienne
Système non Réponse non
/non gaussienne
linéaire gaussienne

Figure 2.5 : Classement des systèmes d’après la nature des signaux d’entrée et de sortie

105
Dans le cas le plus général les systèmes linéaires sont fréquemment utilisés pour décrire un
système non linéaire, dans deux situations possibles et distinctes : une première situation
comporte le traitement direct des systèmes non linéaires par l’intermédiaire des systèmes
linéaires.
C’est le cas des systèmes à non linéarité séparable, pour lesquels, les modèles linéaires
offrent de bons résultats. Ils ignorent les petites non - linéarités dans l'hypothèse des
mouvements négligeables (cas des systèmes oscillants à un degré de liberté) ; au contraire la
deuxième situation est le traitement indirect des systèmes linéaire par le biais des systèmes
linéaires en procédant à la linéarisation du système non linéaire.
Pour les lecteurs intéressés de la conception des systèmes automatiques nous recommandons
les ouvrages de P. Borne, Larminant où Noura [Borne et al., 1992], [Larminant, 1993],
[Noura et al.,1996].
Les modèles automatiques élaborent ainsi des lois mathématiques qui tiennent compte de la
variable d’état du système et établissent les relations du transfert entre l’état du système, les
données d’entrée et de sortie et les perturbations intervenues au cours de son fonctionnement.
A partir du modèle classique en boucle fermée (figure 2.3), différents schémas représentatifs
peuvent être développés, selon la nature du système et en tenant compte des facteurs
perturbateurs qui peut l’affecter pendant son fonctionnement.

Perturbations Perturbations
w1(t) w2(t)

z(t) y(t)
r(t) u(t)
Régulateur Processus

y(t)

Figure 2.5 : Schéma de principe d’APC

Sur le schéma de figure 2.5 sont illustrés les perturbations qui peuvent intervenir dans
différents blocs composants du système. Dans ce contexte, le contrôle automatique doit
minimiser l’impact des perturbations w1(t) et w2(t) sur la sortie du processus et implicitement
sur l’écart z(t). Il faut donc chercher l’ensemble de lois mathématiques qui caractérisent le
régulateur afin d’obtenir un transfert minimum entre les perturbations totales.

106
L’élément essentiel du bloc de commande, est le régulateur. Ce régulateur résout 90% des
problèmes d’asservissement et de régulation [Larminant, 1993]. On retrouve les modèles PID
dans différentes applications réelles car ils assurent le meilleur compromis entre la stabilité et
la vitesse de réponse des systèmes.
Les schémas automatiques d’asservissement et de régulation interviennent dans de systèmes
uni variés (les asservissements de positions, la régulation de la température d’un four, etc.)
mais aussi dans des systèmes multi variés et plus complexes où la problématique la plus
prégnante est de maîtriser toutes les variables du modèle représentatif du système.
Les processus de production continue du domaine de la chimie [Tsung, 1999], le réacteur
Tenneasse Eastmen [McAvoy et Ye, 1994], les processus de fabrication chez les usines Shell
[Vlachos et al., 2002], ainsi que les processus fabrication des semi-conducteurs [Tsung et Shi,
1999] comportent des modèles automatiques multi variés et complexes développés a partir
des techniques de PID décrites ci dessus.
En spécial pour ces systèmes avec un nombre élevé des variables qui peuvent avoir des
fluctuations incontrôlables, l’intérêt est porté vers l’intégration des méthodes capables de
maîtriser les changements non souhaités de chaque variable participante au fonctionnement du
processus.
Certains modèles réunissent la configuration proportionnelle intégrée, PI, avec des modèles
ARMA (1,1) dans le contrôle de type MMSE (Minimum Mean Squared Error) [Jiang et Tsui,
2002]. Cependant les outils de contrôle statistiques, tel qu’une carte de contrôle de type
EWMA, interviennent d’une façon systématique dans les applications automatiques pour
interpréter le fonctionnement d’un correcteur de type PID [Tsung et Apley, 2002], [Argon et
Elsayed, 2002], [Apley et Jianjun, 2001].
Cela suscite l’intérêt de plus en plus manifesté vers la rapprochement et l’intégration des
performances offertes par les techniques de MSP et d’APC [Elsayed et al., 1995], [Box et al.,
1997].
Nous nous sommes intéressés précisément au sujet de l’intégration des outils de contrôle
spécifiques à la MSP, comme une carte de contrôle, dans les structures de contrôle d’APC.
Pour pouvoir entrer plus en détails sur les possibilités d’améliorer le comportement des
schémas de contrôle automatique par le biais des techniques MSP, nous considérons
nécessaire d’expliciter quelques notions propres au domaine d’APC. Une succincte
présentation des principales notions du contrôle automatique, du support mathématique utilisé
ainsi que du principe de fonctionnement d’un régulateur automatique se retrouvent dans
l’Annexe 1 de ce mémoire.

107
Nos travaux portant sur l’intégration des différentes techniques statistiques dans les schémas
automatiques ont été stimulés également par l’apparition des certaines démarches qui
signalant les possibilités d’amélioration de contrôle automatique par l’intégration des outils
spécifiques.
Dans ce contexte nous citons les travaux de C. Pereira [Pereira et al., 2000] qui réalise une
analyse des systèmes automatiques linéaires et non linéaires et combine les réseaux
neuronaux avec l’application des modèles non linéaires de contrôle.
L’impact de la non normalité dans les systèmes automatiques a été étudié par G. Falkovich
[Falkovich et al., 2004] qui analyse les techniques de filtrage et de modélisation en phase. Il
étudie la stabilité d’un système qui modélise une transmission en fibre optique gouvernée par
les équations non linéaires de Schrodinger.
Les outils de contrôle de la MSP et celles d’APC sont considérés comme complémentaires par
plusieurs auteurs qui joignent les performances ponctuelles des modelés automatiques avec le
contrôle long terme par le biais des outils statistiques comme les cartes de contrôle [Elsayed et
al., 1995], [Gultekin et al., 2002], [Jiang et Tsui, 2002].
Dans la section suivante nous allons présenter la problématique d’intégration des outils APC
avec des techniques spécifiques au domaine MSP ainsi que les directions prises par nos
travaux concernant ce sujet.

*********

3 L’intégration des techniques MSP et APC

Comme décrit auparavant le sujet de nos travaux de recherche porte sur les processus
industriels représentant des systèmes complexes dont le comportement est déterminé par des
nombreux paramètres internes (qui font partie du processus même) ou externes. Certains
parmi ces paramètres sont non maîtrisés car ils sont méconnus ou incontrôlables.
De ce fait, les caractéristiques d’un produit sont dispersées et peuvent être hors tolérances.
Plus la dispersion (la variabilité) du procédé est grande, plus le pourcentage des produits non-
conformes est élevé. Quant au contrôle d’une ou plusieurs caractéristiques d’un processus
réel, on peut facilement l’interpréter comme étant la réalisation d’un simple test d’hypothèse.
Supposons la variable aléatoire X de moyenne µ et de variance σ², qui représente une certaine

108
caractéristique de processus. Cette caractéristique doit respecter certaines spécifications (des
tolérances) et en particulier elle doit être le plus proche possible de la cible, µ0.
Les déréglages par rapport à la valeur cible s’expriment souvent sous forme des multiples
unités d’écart type, µ1 =µ0 +δ , où δ représente le déréglage en nombre d’écarts - type. Ce
dernier peut être de différentes natures: un saut de moyenne (positif ou négatif), une dérive,
une valeur aberrante etc.
Comme nous l’avons déjà précisé dans le chapitre I de ce mémoire, les tests d’hypothèse
induisent deux risques d’erreur: risque α connu dans la statistique aussi sous le nom de risque
de première espèce, et risque β, le risque de deuxième espèce (voir figure 3.1). L’efficacité du
test le résultat d’un compromis entre ces deux risques d’erreur.
Pour une carte de contrôle l’efficacité est mesurée généralement par la Période Opérationnelle
Moyenne0 POM0 (ARL03) et la Période Opérationnelle Moyenne1 POM1 (ARL14) [Shewhart,
1931] . En pratique, la POM0 doit être la plus grande possible et la POM1 la plus petite
possible.

Figure 3 .1 – risque α et β

Une étape assez importante du contrôle de processus est bien entendu le choix de la
caractéristique ou des caractéristiques à suivre. Ce choix doit être le plus pertinent et le plus
représentatif du fonctionnement d’un processus. A.Kobi [Kobi, 2004] a introduit deux
approches distinctes qui élucident le problème du suivi des caractéristiques.

3
Average Run Length : ARL0 = 1
α
4
Average Run Length : ARL1= 1
1−β

109
La première, l’approche directe ou approche MSP, consiste à surveiller directement la mesure
de la caractéristique considérée à travers une carte de contrôle adéquate. Par contre, la
deuxième approche, l’approche indirecte, est basée sur la génération des résidus et le suivi de
ces résidus en utilisant soit des cartes de contrôle, soit d’autres techniques statistiques (test de
Khi-deux, test de Student, test de Fisher, etc.).
Ces résidus, écart entre la mesure et l’estimation, sont élaborés à partir des modèles plus ou
moins sophistiqués selon la complexité du processus étudié (corrélation ou non, linéaire ou
non), on peut citer ici les travaux de Patton et Frank [Patton et Frank, 2000], Gertler [Gertler,
1998], Basseville et Nikiforov [Basseville et Nikiforov, 2002] .
La première approche, figure 3.2, est plus facile à expliquer et à interpréter pour un opérateur.
En effet, ce dernier récupère directement, à l’aide d’un moyen de mesure, la valeur
correspondante à la caractéristique suivie (poids, diamètre, température, etc.). Il suffit alors de
reporter cette valeur sur la carte de contrôle adéquate. Cette approche permet ainsi de prendre
des décisions et des actions correctives ou préventives directement sur le processus suivi.

Y
LSC
Y
X Processus
LIC

Figure 3.2 – Approche directe

Par contre, l’inconvénient majeur de cette approche est le fait que la mesure (la valeur
observée) peut être entachée d’erreurs, ce qui peut induire des décisions erronées. Certains
auteurs tels qu’Abraham [Abraham, 1977], Kanazuka [Kanazuka, 1986] se sont intéressés à
ce problème et aux conséquences de ces erreurs sur l’efficacité de la carte de contrôle et sur le
diagnostic que l’on peut prendre.
Dans la pratique, pour pallier à ce problème, il faut réaliser au préalable une étude complète
de capabilité (capabilité des moyens de contrôle et étalonnage des appareils de mesure). En ce
qui concerne la deuxième approche, figure 3.3, elle est intéressante quand tout le processus de
surveillance est automatisé.

110
 Y
X Processus e
LSC
e=Y −Ŷ
LIC

Modèle t
Ŷ

Figure 3.3 – Approche indirecte

Et comme les résidus suivent dans la majorité des cas une distribution normale, le suivi de ces
résidus est assez facile en utilisant une carte de contrôle ou un test statistique. Par contre, s’il
y a présence d’un défaut, l’opérateur n’a pas d’indication sur l’origine du défaut : défaut
processus ou défaut modèle. En plus, dans le cas d’un changement au niveau des paramètres
ou du processus, le modèle mathématique peut être inadapté.
Une autre différence entre ces deux approches se situe au niveau du domaine d’application.
Au début, la MSP a été développée pour les processus de production (fabrication) de pièces
unitaires (systèmes discrets) alors que l’approche indirecte est plutôt axée sur les processus
continus (l’industrie de la chimie par exemple). On constate néanmoins, depuis un certain
temps, que des travaux utilisant la MSP ont été réalisés avec succès pour les processus
continus.
Depuis quelques années, plusieurs auteurs se sont intéressés à ces deux approches. On peut
citer par exemple les travaux de Box [Box et al., 1997], Montgomery [Montgomery et al.,
1994] qui ont présenté les avantages et les inconvénients entre un asservissement de type PID
et les techniques de la MSP.
Tsung [Tsung et al., 1999] et Jiang [Jiang et al., 2002] ont élaboré une procédure de
surveillance (carte de contrôle) basée sur les principes du correcteur PID pour les données
corrélées. Janakiram et Bert Keats [Janakiram et Keats, 1998] ont proposé de combiner ces
deux approches dans le cas d’un système industriel hybride, pendant que Ruhhal [Ruhhal et
al., 2000] les étudient en présence d’une perturbation de type saut de moyenne.
D’autres recherches ont intégré des outils comme les statistiques bayésiennes (Rao [Rao et al.,
1995] ), les systèmes experts (Dagli [Dagli, 1988], Tsacle [Tsacle et Aly, 1996]), la logique
floue (Wright et Ralston [Wright et Ralston, 1994]) etc. Enfin, on peut noter que la MSP est
utilisée de façon presque systématique dans les entreprises manufacturières et de plus en plus
dans les entreprises de service : Wardell et Candia [Wardell et Candia, 1996] pour la

111
satisfaction des patients d’un hôpital et Corbett et Pan [Corbett et Pan, 2002] pour évaluer les
performances environnementales.
De même on constate ces dernières années l’utilisation des cartes de contrôle dans les
domaines de la maintenance et de la fiabilité : Cassady [Cassady et al., 2000], Sun [Sun et al.,
2001], Xie [Xie et al., 2002] .
Sur les techniques APC et MSP existe ainsi des opinions variées mais on rencontre
fréquemment la nécessité de combiner les techniques de ces deux grands domaines afin
d’obtenir les meilleures performances d’un processus.
Le contrôle automatique suppose toujours l’existence d’un modèle qui fournit toutes les
informations sur les performances et les réglages imposés, en fonction de l’ensemble de
facteurs qui affectent le processus. L’intégration des méthodes automatiques et statistiques
semble naturelle car les deux domaines visent le contrôle et l’amélioration du fonctionnement
des processus. Reste le problème d’une meilleure collaboration entre les deux domaines afin
d’augmenter les performances du contrôle.
Malgré le nombre relativement restreint de démarches scientifiques, les idées avancées par
Elsayed [Elsayed et al., 1995], Argon et Elsayed [Argon et Elsayed, 2002], ou Gultekin
[Gultekin et al., 2002] édifient un cadre favorable à l’étude de cette problématique.
Une fois le sujet abordé, on retrouve différents modèles qui traitent l’adjonction APC/MSP.
E.A. Elsayed [Elsayed et al., 1995] considère que l’origine des techniques de APC se retrouve
dans l’industrie de processus continus tandis que l’origine des techniques de MSP se retrouve
dans l’industrie des processus discrets.
Ils traitent des modèles de l’industrie chimique qui incluent aussi des techniques statistiques.
Greg Carr [Carr, 1999] combine une carte EWMA avec les blocs PLC destinés au calcul on -
line des différentes mesures, la moyenne, l’écart type etc.
Wei Jiang et Kwork Leung Tsui [Jiang et Tsui, 2002] présentent des propriétés importantes
de contrôle MMSE (Minimum Mean Squared Error) et de PI (Proportionnel Intégral) basé sur
un modèle ARMA - AutoRegressive Moving Average.
Dongfeng Shi [Dongfeng et Tsung, 2003] proposent le schéma d’implémentation APCM
(Adaptive Principal Component Monitoring) performant aussi pour les systèmes SISO (single
input - single output) que pour les systèmes MIMO (multiple input - multiple output).
Un schéma hypothétique d’intégration APC/MSP suppose tout d’abord l’existence d’un
modèle APC destiné au contrôle des relations entre les entrées et les sorties du système. C’est
un contrôle « court terme », local, car il n’influence pas le comportement long terme du
processus.

112
D’une manière complémentaire, les techniques de MSP permettent à l’utilisateur de faire de
prévisions et de tenir le processus sous contrôle pour une période plus grande. Il existe déjà
des schémas basés sur ce principe de complémentarité introduite par des auteurs comme M.
Gultekin.[Gultekin et al., 2002], S.O. Duffuaa [Duffuaa et al., 2004].
Le modèle « Tenneesse Eastman Process » représente un bon exemple au sujet de
l’intégration des techniques statistiques de contrôle dans les modèles automatiques [Chen et
al., 1998], [Sriniwas et Arkun, 1997], [Bakshi, 1998].
Argon et Elsayed [Argon et Elsayed, 2002] intègrent le principe des cartes de contrôle de type
EWMA dans le contrôle d’un processus de production de semi-conducteurs. Les variations
d’épaisseur de la couche de SIO2 produite par le phénomène d’oxydation sont analysées. Les
cartes EWMA offrent des estimations pertinentes et agissent à surveiller la production de
manière automatique.
Nous citons également les travaux de Box [Box et al., 1997] et de Montgomery [Montgomery
et al., 1994], [Montgomery, 1996], portées sur les avantages et les inconvénients de la
combinaison des techniques MSP avec un asservissement de type PID.
Nous introduisons le concept de complémentarité comme hypothèse de départ dans
l’intégration APC/MSP (figure 3.4). Le fonctionnement d’un schéma APC/MSP comporte
deux étapes essentielles :

d’abord les techniques APC sont appliqués pour les réglages et la maîtrise des
variations entre les entrées et sorties du modèle

dans une deuxième étape, les sorties du modèle automatique peuvent être surveillées
avec des techniques de MSP (les cartes EWMA, CUSUM, etc.) afin de détecter et
d’éliminer les causes spéciales, voir figure 3.4

d’autres variables du modèle, comme le facteur bruit, etc. pourraient également être
soumises au contrôle statistique

Dans le modèle de contrôleur introduit par M. Gultekin [Gultekin et al., 2002], par exemple,
qui sera détaillé dans la section 4 de ce chapitre, les cartes de contrôle améliorent visiblement
le comportement du système face aux perturbations identifiées durant son fonctionnement.

113
 Surveillance et suivi statistique
MSP

Système de Paramètres PROCESSUS Capteurs Sortie

commande de réglage

Rétroaction ou
Reconfiguration

Robustesse

Figure 3.4 : Schéma de principe pour la combinaison de techniques MSP et APC

Les hypothèses expérimentées considèrent quelques perturbations possibles, connues, et le

bruit associé de nature gaussienne. Les cartes de contrôle classique déterminent facilement les
petites déréglages dans la moyenne du processus.
A partir de cette approche nous avons identifié quelques améliorations possibles
respectivement de vérifier la robustesse du système face à d’autres perturbations
hypothétiques ou de tester des cartes de contrôle plus adéquates pour la détection des
différents déréglages intervenant dans le système.
Avant de passer à l’expérimentation pratique des modèles intégrés APC/MSP nous pouvons
préjuger que les performances comportementales d’un processus seront améliorées par
l’utilisation commune des outils spécifiques de la MSP et des modèles automatiques [Kobi,
2004].
Comme nous l’avons illustré dans la figure 3.4, l’intégration de ces deux techniques conduit
évidemment à une amélioration comportementale du processus, les variations sont réduites et
le processus est plus performant que dans le cas ou ces techniques s’appliquent séparément.
Les exemples existantes dans la littérature [Elsayed et al., 1995], [Gultekin et al., 2002], [Gob
et al., 1999], utilisent des techniques de la MSP classiques, comme une carte de Shewhart ou
la carte de type EWMA, pour la surveillance des paramètres du modèle automatique.
Sujet longtemps disputé au cadre de la MSP, la non normalité des données apparaît comme un
défi aussi pour les automaticiens. Implicitement le sujet de non normalité au cadre des

114
schémas intégrés MSP/APC confère un plus d’originalité aux démarches suivies dans ce
mémoire.
Au fur et à mesure de l’exposition de nos travaux sur l’intégration des techniques de la MSP
et d’APC, l’aspect de non normalité sera également abordé, et les performances des schémas
intégrés MSP/APC seront interprétées.

4 Contributions à l’amélioration des modèles de contrôle APC – MSP

Nous avons signalé précédemment (chapitre I) les quatre étapes couvertes par le contrôle des
processus complexes. Ce sont respectivement la détection, l’identification et le diagnostic de
faute et la reconfiguration.
La détection de faute consiste à déterminer en temps réel si les conditions opérationnelles du
processus sont anormales à cause de la défaillance ou la dégradation d’un équipement, etc.
L’identification de faute se traduit par l’identification des variables (paramètres) de processus
permettant de diagnostiquer le mieux le type de faute survenu. L’objectif ici est de focaliser
l’attention des opérateurs et des ingénieurs sur le sous-système le plus pertinent pour le
diagnostic de faute afin d’éliminer le plus efficacement possible l’effet de la faute.
Le diagnostic consiste à préciser quelle faute s’est produite, autrement-dit quelle est la cause à
l’origine d’une situation hors-contrôle détectée. Le diagnostic de faute est essentiel pour
contrecarrer ou éliminer la faute. La reconfiguration du processus, appelée aussi intervention,
consiste à éliminer l’effet de la faute.
Dès nos jours, l’augmentation de la complexité des processus industriels génère des difficultés
accrues au niveau de la modélisation physique du procédé analysé et par conséquent au
niveau du contrôle. La mise au point des modèles informatisés et intégrés de management
pour de situations anormales basés sur des mécanismes collaboratrices est évidement une
action indispensable dans ce contexte.
Ces modèles doivent être bâtis sur une architecture permettant aux agents physiques
(opérateurs, ingénieurs, agents de maintenance, etc.) de coopérer avec des agents fonctionnels
(systèmes de décision assistés par ordinateur) par le biais de services fournis par les agents
d’interfaçage [Yang et Lu, 2000].
Comme nous l’avons déjà souligné, il existe dans la littérature peu de démarches sur
l’intégration des outils MSP-APC. Sur les deux domaines les opinions ont été toujours

115
variées. Les techniques de MSP sont utilisées dans le contrôle de la variation naturelle d’un
processus (processus discrets) où le but est de produire des composants individuels avec le
moins possible des variations. APC est basé sur un modèle mathématique afin de garder le
processus stable.
Dans cette situation, les processus ont la moyenne ajustable en permanence. APC donne une
solution à court terme pour l’amélioration des variations de la valeur cible. MSP assure une
solution à long terme en ce qui concerne la surveillance et le contrôle des variations du
processus.
Pour mieux raisonner l’importance de ce sujet, nous présentons par la suite deux exemples de
processus réels comportant l’intégration des méthodes de contrôle de la MSP et d’APC ainsi
que nos propositions d’améliorations.

4.1 Le modèle intégré de Gultekin

Nous avons choisi comme modèle représentatif pour l’intégration des techniques MSP et APC
le modèle développé par Gultekin [Gultekin, 2000] qui provient du domaine de la chimie.
Grâce à un schéma compréhensible et explicite il nous a servi comme base de recherche sur le
sujet de l’intégration MSP/ APC.
L’auteur définit un schéma de contrôle pour un processus continu de fabrication d’une
substance chimique. A partir des ingrédients nécessaires à la réaction chimique et au travers
trois réacteurs identiques et un régulateur de type PID, la sortie du modèle est représentée par
la concentration souhaitée de la substance chimique (figure 4.1).
Dans chaque réacteur les conditions atmosphériques sont identiques (pression, température) et
la densité est considérée constante pendant la période de fonctionnement du procédé.

116
 Figure 4.1 : Le modèle du réacteur chimique de Gultekin

Le réactant est soumis à une réaction chimique de premier ordre dans chaque réacteur. De ces
réactions résulte le liquide. Les équations mathématiques décrivant les transformations du
processus considéré sont décrites dans les formules 4.1 – 4.3:

dy1 (t ) 1 1
+ (k1 + ) y1 (t ) = y 0 (t ) (4.1)
dt k2 k2

dy 2 (t ) 1 1
+ (k1 + ) y 2 (t ) = y1 (t ) (4.2)
dt k2 k2

dy 3 (t ) 1 1
+ (k1 + ) y3 (t ) = y 3 (t ) (4.3)
dt k2 k2

où les yi(t), (i=1, 2, 3) représentent les concentrations de réactant dans chacun des trois
réacteurs exprimés en kg•mol/m3. y0 est, respectivement la concentration de départ à l’entrée
du premier réacteur, et représente la sortie du contrôleur PI affectée par l’ensemble des
perturbations d’entrée, de(t)= dd (t) + dr(t). Les conditions initiales sont :

y1 (0) = y 2 (0) = y 3 (0) (4.4)

La sortie du système est en effet le signal y(t)=y3(t) et la référence pour la sortie, r(t)=0. Les
paramètres de réaction, k1 et k2, sont les mêmes pour chaque réacteur, k1=0.5min-1 et,
respectivement, k2=2min. La sortie du contrôleur sera noté c(t) et est décrite par la fonction :

117
 1
c(t ) = K C (e(t ) +
τI ∫ e(t )dt ) (4.5)

où e(t) est l’erreur de sortie, KC=30 représente le gain du contrôleur et ζi=5min est la
constante d’intégration.
Généralement pour un modèle automatique, le modèle mathématique associé et le signal
d’entrée du système sont considérés connus ce qui permet de déterminer la sortie du système.
Pourtant, autour d’un système réel il existe toujours des perturbations aléatoires qui peuvent
induire des variations dans la sortie du système.
Pour le modèle de Gultekin ces variations sont attribuées aux deux sources distinctes: les
perturbations aléatoires sur l’entrée du système et respectivement les erreurs de mesure, qui se
traduisent comme des perturbations aléatoires sur la sortie du système.
Dans le schéma décrit dans les figures 4.2.a – 4.2.d nous avons illustré la réponse indicielle
du système pour différentes amplitudes de la perturbation de sortie (point de mesure). Nous
pouvons remarquer facilement que l’effet des perturbations aléatoires d’entrée peut être
diminué à travers le système et leur impact sur la sortie peut être imperceptible.
Par contre, les erreurs de mesure agissent directement sur la sortie, et leur effet sera
automatiquement transféré dans la réponse du système.

Figure 4.2.a : La sortie du système avec un signal d’entrée de type échelon d’amplitude
unitaire

118
 Figure 4.2.b : La sortie du système affecté par la perturbation de sortie de variance 10-7

Figure 4.2.c : La sortie du système affecté par la perturbation de sortie de variance 10-4

Il est évident que l’identification du signal échelon à la sortie du système est affectée
progressivement par la perturbation de sortie de différentes variances (figures 4.2.a – 4.2.b).
Cela implique une analyse très rigoureuse des perturbations aléatoires dans la sortie car elles
ne doivent pas dépasser l’amplitude des signaux aléatoires ou déterministes de l’entrée. Si
l’amplitude du signal erreur de mesure est grande, l’effet des perturbations d’entrée risque
d’être non identifié.

119
 Figure 4.2.d : La sortie du système affecté par la perturbation de sortie de variance 10-2

Gultekin [Gultekin et al., 2002] détermine le taux de reproduction du signal perturbateur

d’entrée, dans la sortie du système étudié. Ainsi un signal d’entrée de variance σ2 sera aperçu
à la sortie avec la variance 0.000029 σ2, comme indiquent les figure 4.3.a – 4.3.c. A partir
d’une approche déterministe concernant le comportement du système dans le domaine
temporel, et sous l’hypothèse des deux types possibles des perturbations d’entrée (échelon et
rampe), l’auteur identifie les perturbations les plus représentatives qui affectent le modèle
[Gultekin et al., 2002].

Figure 4.3.a : Une erreur d’entrée de variance 0.25 détermine une variance en sortie de 7.25x10-6

120
 Figure 4.3.b : Une erreur d’entrée de variance 1 détermine une variance du sortie de 2.9x10-5

Figure 4.3.c : Une erreur d’entrée de variance 2 détermine une variance du sortie de 5.8x10-5

A partir d’une approche déterministe concernant le comportement du système dans le

domaine temporel, et sous l’hypothèse des deux types possibles des perturbations d’entrée
(échelon et rampe), l’auteur identifie les perturbations les plus représentatives qui affectent le
modèle [Gultekin et al., 2002].
Dans la boucle de rétroaction les paramètres du processus et du contrôleur sont généralement
connus. Ainsi les réglages effectués sur l’entrée du système ont un effet déterministe sur la
sortie, qui peut être calculé. En outre, la sortie du système peut être déterminée, mais les

121
perturbations d’entrée ne sont pas connues et ne peuvent pas être directement mesurées. Si le
processus est affecté seulement par des causes communes de variation (erreur de mesure et
perturbation aléatoire d'entrée), la sortie est considéré comme naturelle.
Par contre, les perturbations déterministes (telles qu’un déréglage en rampe ou un échelon)
dans l’entrée du système représentent des causes assignables et leur impact sur le processus
doit être identifiée après la détection.
Dans ce contexte la détection avec les cartes de contrôle de la MSP est la solution adéquate
qui élimine le risque de propagation d’erreurs au parcours d’une période étendue de
fonctionnement.
L’algorithme de fonctionnement de schéma APC/MSP introduite par Gultekin comporte trois
étapes principales : une première étape est la détection de la perturbation avec les cartes de
contrôle, suivie par l’identification de la perturbation et de l’intervalle de temps affecté à
cette perturbation, et l’étape finale est une action corrective appliquée au système pour
remédier aux effets perturbateurs.
L’auteur propose l’utilisation d’un certain nombre de systèmes parallèles avec le système
actuel, non perturbé. Ces systèmes identifient et traitent les différents types de perturbations
qui pourraient affecter le processus (figure 4.4.).
Les cartes de contrôle MSP surveillent la différence (résidus) entre deux signaux : la sortie du
système réel, soumis aux perturbations inhérentes, et la sortie du système en parallèle, qui
modélise la moyenne du processus réel, sous l’action des différents déréglages identifiés (saut
de la moyenne, déréglages en rampe, etc.).
Quand un signal est apparu sur la carte de contrôle, le système en parallèle correspondant est
mise en place pour remédier à la perturbation modélisée. Les perturbations susceptibles
d’intervenir dans le processus décrit dans la figure 4.1 ont été identifiées comme des petits
déréglages autour de la moyenne, de type échelon, rampe où impulsion.
Parmi les possibles déréglages mentionnées précédemment, seule la détection des
perturbations de type échelon a été analysée par Gultekin [Gultekin et al., 2002]. Ainsi les
cartes de contrôle individuelles de Shewhart intégrées dans le modèle agissent comme un
superviseur sur la sortie de la boucle de rétroaction du modèle. Le délai entre le système
parallèle et le système réel est pris en compte.
Les données étant corrélées, les performances des cartes de contrôle sont analysées en termes
d’ATFS (Average Time to First Signal) qui représente la période moyenne de temps (sur de
multiples simulations), jusqu’au premier signal hors contrôle.

122
 Figure 4.4 : Le modèle de systèmes en parallèle proposé par Gultekin[Gultekin et al,. 2002]

En absence de déréglage et en présence d’une erreur de mesure de type bruit blanc de

variance 5x10E-7, la valeur de ATFS trouvé par M. Gultekin était de 6100 secondes. Cette
valeur étant obtenue dans l’état stable du processus, elle servira comme référence pour

123
l’évaluation des performances de la carte de contrôle de Shewhart dans la détection de
différentes perturbations.
Les performances de détection d’un déréglage d’entrée du système de type échelon et de
différentes amplitudes sont indiquées dans le tableau 4.1 :

Amplitude du déréglage Le pourcent de détection ATFS /variance de ATFS

échelon (%) (seconds)
0.25 95 112/392
0.50 100 74/182
0.75 100 61/142
1.00 100 54/122

Table 4.1 : Les performances en détection du schéma intégré APC/MSP de Gultekin[Gultekin et al., 2002]

Dans nos travaux, le modèle des trois réacteurs (figure 4.1) a été implémenté à l’aide du
module Simulink (Matlab 07). L’auteur de l’analyse citée auparavant, Mme Mudge Gultekin,
avait utilisé pour ses simulations le logiciel C++.
Nous avons tout d’abord construit le schéma du processus sous Simulink et retrouvé les
résultats de Gultekin par le biais des simulations numériques. Les conditions de nos
simulations ont été identiques aux celles utilisées par Gultekin :
-un bruit aléatoire de variance 0.25 associé au système réel qui est aperçue dans la
sortie du système comme un signal de variance 7.25E-6 ;
-une erreur de mesure de variance 5E-7 ;
Malgré les échanges avec l’auteur des travaux mentionnés, nous n’avons pas pu reconstituer
un modèle Simulink qui fournit exactement les mêmes valeurs de détection comme celles de
référence. Notre modèle Simulink retenue présente ainsi les résultats les plus proches possible
des valeurs de référence conformément au tableau ci-dessous :

Amplitude du déréglage échelon ATFS : Résultats de référence ATFS : Résultats Simulink

(Gultekin C++)
0 6100 6129
0.25 112 104
0.50 74 78
0.75 61 67
1.00 54 60

Table 4.2 : Comparaison des résultats du modèle Simulink avec les résultats de référence

124
Une fois le déréglage détecté, le système en parallèle correspondant sera mis en action pour
remédier à ses effets. Face aux déréglages de type échelon (pour toutes les quatre amplitudes
testées), la stabilité long terme du processus est garantie.
Parmi les déréglages possibles identifiés dans le cadre du modèle de Gultekin [Gultekin et al.,
2002] certaines sont de très faibles amplitudes (exemple l’échelon d’amplitude 0.25) et
d’autres, tel qu’un déréglage en rampe ne sont pas étudiés.
Nous remarquons dans un premier temps que notre schéma Simulink offre des meilleures
performances de détection des petits déréglages. Cependant notre intérêt ne porte pas sur la
validation d’un modèle existant mais sur la possibilité d’améliorer ce modèle afin de mieux
traiter l’incidence de tout petits déréglages de la moyenne du processus.
A partir de notre modèle Simulink nous allons par la suite proposer l’utilisation d’une carte de
contrôle EWMA où d’une carte de type VP intégrées dans le modèle du système, afin
d’étudier la détection des très faibles déréglages. Les résultats de nos applications
expérimentales seront décrits par la suite.

4.1.1. Propositions d’amélioration de la détection des faibles déréglages pour le modèle

intégré de Gultekin : l’intégration d’une carte de contrôle de type EWMA

L’idée d’intégration des cartes de type EWMA dans le contrôle automatique a été introduite
par Argon et Elsayed [Argon et Elsayed, 2002] qui utilisent le principe des cartes EWMA
dans la détection des petites variations autour de la moyenne dans l’industrie de semi-
conducteurs.
Nous proposons d’améliorer la détection des différents déréglages de faible amplitude pour le
schéma en parallèle introduite par Gultekin, en utilisant la carte de contrôle EWMA. Le
schéma des trois réacteurs de Gultekin est facile à manipuler et le modèle Simulink que nous
lui avons associé permet d’analyser les signaux de sortie du système indépendamment, avec la
carte de contrôle souhaitée (figure 4.5).
Ainsi nous avons mis au point un programme Matlab qui, pendant les simulations, récupère la
sortie du système et l’analyse avec différentes cartes de contrôle.

125
 Figure 4.5 : Système intégré MSP/APC de Gultekin

Le remplacement des cartes individuelles de type Shewhart par les cartes EWMA devrait
naturellement conduire à une meilleure détection des faibles déréglages. Cependant, pour que
la comparaison soit pertinente, nous devrons tenir compte dans le choix des paramètres de la
carte EWMA (λ et L), du taux réduit des fausses alertes assuré par la carte de Shewhart. Ainsi
la valeur du paramètre L devrait rester proche de 3 pour ne pas avoir trop de fausses alarmes
et la valeur de λ, comprise entre 0 et 1, doit assurer la plus rapide détection d’un faible
déréglage.
En fixant comme objectif qualité un ATFS proche de la valeur de 6100 secondes nous avons
analysé plusieurs configurations des cartes de contrôle EWMA appliquées sur la sortie du
système de Gultekin.
Nous avons considéré le contrôle individuel, à chaque instant (seconde) la valeur du signal
sortie du système décrit dans la figure 4.5 est comparée avec les limites de la carte de contrôle
EWMA. Les résultats de nos simulations sont inclus dans le tableau 4.3 :

126
 ATFS : Résultats Simulink
Amplitude du EWMA EWMA EWMA EWMA EWMA EWMA
déréglage échelon (L=2.8, (L=2.8, (L=2.8, (L=2.9, (L=2.9, (L=2.9,
λ=0.7) λ=0.8) λ=0.9) λ=0.7) λ=0.8) λ=0.9)
0 5077 5082 5992 3642 5082 5992
0.25 92 97 97 92 97 97
0.50 72 72 77 72 72 77
0.75 62 62 67 62 62 67
1.00 57 57 57 57 57 57

Tableau 4.3 : La carte de EWMA pour le modèle intégré APC/SPC de Gultekin.

On voit bien que la plupart de ces configurations assurent une meilleure détection des faibles
déréglages (d’amplitude 0.25 et 0.5) que la carte de Shewhart, tout en assurant un faible
risque des fausses alarmes.
Dans la pratique, les cartes EWMA (L=2.8, λ=0.7) et EWMA (L=2.8, λ=0.8), par exemple,
peuvent assurer une détection rapide de tous les déréglages de taille 0.25 à 1. Si l’on compare
avec les résultats de M. Gultekin, la carte EWMA (L=2.8, λ=0.7) détecte 20 secondes plus
vite que la carte de Shewhart un déréglage d’amplitude 0.25, et 2 secondes plus vite que la
carte de Shewhart un déréglage de 0.5.
Evidemment la détection des déréglages plus grandes (0.75 et 1) est ralentie (si on se rapporte
aux résultats de Gultekin) avec la carte EWMA (L=2.8, λ=0.7), mais les valeurs sont
meilleures que les valeurs de détection que nous avons obtenu pour une carte de Shewhart.
De même, la carte EWMA avec le paramètre λ égal à 0.9 détecte très facile les déréglages de
faible amplitude et en plus présente le taux le moins élevé des fausses alertes (ATFS 5992
secondes).
En raison des conditions identiques de simulations (même logiciel - Simulink) nous
considérons pertinent de poursuivre notre analyse en se rapportant aux valeurs de la carte de
Shewhart, telles que nous les avons obtenues.
Dans les figures 4.6 et 4.7 nous avons comparé les performances de la carte EWMA (L=2.8,
λ=0.7) et de la carte de Shewhart dans la détection d’un déréglage d’amplitude 0.25.

127
 Figure 4.6 : Détection d’un déréglage échelon d’amplitude 0.25 avec EWMA et Shewhart

Figure 4.7 : L’efficacité de la carte EWMA(L=2.8, λ=0.7) dans la détection d’un déréglage de taille 0.25

128
La carte EWMA (L=2.8, λ=0.7) est beaucoup plus rapide dans la détection (12 secondes).
Comme signalé par Gultekin, le système soumis à notre étude est en réalité susceptible d’être
affecté par des très faibles déréglages. En utilisant la carte EWMA ces déréglages seront
identifiés plus rapidement et les mesures correctives seront apportées plus vite qu’en utilisant
une carte de contrôle classique de Shewhart.

4.1.2. Propositions d’amélioration de la détection des faibles déréglages pour le modèle

intégré de Gultekin : l’intégration d’une carte de contrôle de type VP

Nous continuons nos recherches sur les possibles améliorations du modèle de Gultekin
concernant la détection des faibles déréglages, par l’intégration d’une carte avec des
paramètres variables, VP.
Comme décrit dans le chapitre II de ce mémoire, cette carte de contrôle est adaptée pour la
détection des très faibles déréglages pour les lois de distribution non normales mais également
pour les lois normales, car en effet l’application des cartes VP ne nécessite pas la
connaissance a priori de la loi de distribution.
Nous avons tout d’abord recherché les configurations des paramètres (notamment tailles
d’échantillons N1 et N2) qui nous permettent de se rapprocher du taux des fausses alertes
obtenu avec les cartes individuelles de Shewhart.
Ces valeurs sont faciles à déterminer si on tient compte des relations entre les valeurs de N0,
N1, N2, T0, T1, T2, K0, K1, K2. Ces relations introduites par Lin et Chou [Lin et Chou, 2005b]
se retrouvent sous une forme plus générale dans les travaux de Magalhäes et al. [Magalhäes et
al., 2006] au sujet de l’utilisation des cartes de contrôle des moyennes et étendues avec
paramètres variables.
Pour rappel, N0, N1, N2, sont les tailles d’échantillons, T0, T1, T2 sont les intervalles de
prélèvement et K0, K1, K2 les coefficients de contrôle correspondant respectivement à l’état
initial stable, à la zone centrale et à la zone d’avertissement sur une carte de contrôle aux
paramètres variables (voir la section 2.4 du chapitre I de ce mémoire).
Selon Magalhäes et al. [Magalhäes et al., 2006], les relations entre ces paramètres se
traduisent par le système d’équations 4.6 :

129
.
N 1 P0 + N 2 (1 − P0 ) = N 0

T1 P0 + T2 (1 − P0 ) = T0 (4.6)

α 1 (2 −α 1) P0 + α 2 (2 − α 2 )(1 − P0 ) = α 0 (2 − α 0 )

Pour l’étude présentée ici, P0 est la probabilité d’échantillonnage avec des petites tailles
quand le processus est sous contrôle et α i (i=0, 1, 2) est la probabilité d’un point d’être hors les
limites de contrôle, définies avec les coefficients Ki sur la carte de contrôle VP. Ainsi nous
pouvons choisir les valeurs d’une partie de ces paramètres et déduire les valeurs du reste des
paramètres, pour une valeur souhaitée du taux des fausses alertes.
Nous avons cherché à déterminer les configurations des paramètres assurant un ATFS
d’approximativement 6100 secondes pour le contrôle du signal sortie du système de Gultekin.
Pour les raisons déjà décrites dans nos applications des cartes VP (chapitre II), nous avons
choisi les valeurs des paramètres fixes de manière suivante : N0=5, T0=1 et K0=3 (valeurs
normes cartes classiques, pour l’état initial stable), K1=6 (grande intervalle de contrôle afin de
réduire le risque des fausses alertes) et T2=0.05 (l’intervalle de prélèvement petit pour la zone
d’avertissement).
En variant les tailles d’échantillons N1 et N2 et en utilisant les relations 4.6 on retrouve un taux
des fausses alertes de 6100 pour toute combinaison de N1=5 et N2 ≥6 (qui théoriquement
correspond à un P0 égal à 1). De point de vue économique nous avons retenu la valeur du N2
de 6 observations par échantillon.
La valeur du T1 sera égale à 1 et la valeur du K2 tend vers 0 (la valeur de P0 impose des
limites de contrôle très serrées quand l’observation se trouve dans zone d’avertissement). Les
résultats de l’application de la carte VP avec la configuration des paramètres ainsi déterminés,
sont inclus dans le tableau 4.4.
Comme attendu, la détection de déréglages très petits est plus efficace avec les cartes VP
qu’avec les cartes de Shewhart. Pour la configuration choisie, si un déréglage d’amplitude
0.25 affecte la moyenne du processus de Gultekin, les cartes VP le détectent 7 secondes avant
la carte de Shewhart.

130
 La carte de control VP versus la carte de contrôle Carte de contrôle de Carte de contrôle de
individuelle de Shewhart Shewhart type VP

Le taux des fausses alarmes (secondes) 6129 6121

0.25 104 97
Temps de détection (secondes), pour une amplitude de 0.5 78 79
déréglage de :
0.75 67 67

1 60 61

Tableau 4.4 : La carte de contrôle de type VP dans le modèle APC/MSP de Gultekin.

Cependant, si on compare ces résultats avec les résultats de détection d’une carte EWMA on
voit bien que cette dernière est préférable dans le cas du processus de Gultekin. Car la carte
d’EWMA assure également une bonne détection des déréglages de taille plus importante, plus
rapide qu’une carte de Shewhart. Ce n’est pas le cas des cartes VP.

4.1.3. Conclusions sur nos propositions d’amélioration de la détection des faibles

déréglages pour le modèle intégré de Gultekin

Nous avons regroupé les performances obtenues pour chaque type de carte de contrôle testé
avec notre modèle Simulink pour le schéma intégré de Gultekin (figure 4.8). Parmi les trois
cartes de contrôle testées, les cartes de contrôle de Shewhart, EWMA (L=2.8, λ=0.9) et VP
ont des performances proches, à l’exception de la détection d’un déréglage de très petite
amplitude (0.25).
La carte EWMA (L=2.8, λ=0.8) assure une meilleure détection pour tous les déréglages, le
seul pré requis dans son utilisation est le taux des fausses alertes plus élevé que les deux
autres cartes.
Les différences entre les performances des cartes de contrôle présentées ici peuvent sembler
insignifiantes (d’ordre 7 seconds, par exemple). Cependant le processus de Gultekin provient
d’un domaine (chimie) où les plus petites déviations de la valeur souhaitée pour la
concentration d’une substance peuvent avoir des effets dramatiques.

131
Dans ces circonstances, sur l’ensemble des outils étudiés dans ce paragraphe, nous
recommandons la carte EWMA (L=2.8, λ=0.8), qui malgré un risque sensiblement plus élevé
des fausses alertes, est la plus adaptée pour la détection des déréglages des différents tailles
qui pourraient affecter le processus de Gultekin.

6500

6000
SWH
5500
VP
5000
EWMA (L=2.8, λ=0.9)
4500
EWMA (L=2.8, λ=0.8)

4000

3500

3000

2500

2000

1500

1000

500

0
0 0,25 0,5 0,75 1
SWH 6129 104 78 67 60
VP 6121 97 79 67 61
EWMA (L=2.8, λ=0.9) 5992 97 77 67 57
EWMA (L=2.8, λ=0.8) 5082 97 72 62 57

Figure 4.8 : L’efficacité pour la détection de différentes cartes de contrôle intégrées dans le modèle
APC/MSP de Gultekin

Pour conclure, nous avons voulu dans un premier temps rendre plus compréhensible le sujet
d’intégration des modèles automatiques avec les outils SPC, précisément avec les cartes de
contrôle. Le modèle introduit par Gultekin nous a ouvert le chemin des recherches vers
l’amélioration de l’association de ces deux outils : APC et SPC.
Après avoir reconstitué le modèle proposé par Gultekin dans un autre environnement que
celui d’origine (Simulink) nous avons proposé le remplacement de la carte de contrôle de type
Shewhart, afin d’améliorer la détection des petits déréglages, imminentes dans le processus
chimique analysé.
Il est évident que les outils introduits dans le chapitre précédent, les cartes VP, peuvent aussi
améliorer les performances d’un schéma APC. La méthode étant non paramétrique elle

132
s’applique sans risque pour n’importe quelle caractéristique et pour n’importe quel type de
déréglage susceptible d’affecter le processus. Par contre pour l’étude du processus de
Gultekin on a été obligés d’imposer un taux très réduit des fausses alertes, le même comme
pour la carte de Shewhart. Avec cette contrainte, la méthode VP nous fournit des bons
résultats uniquement pour la détection du déréglage le plus faible susceptible d’affecter le
processus. Nous avons trouvé qu’une configuration de carte EWMA serait plus adaptée pour
l’intégration dans le modèle automatique du processus.
L’étude de ce schéma simple et nos résultats expérimentaux nous mènent à conclure que
l’intégration des outils MSP dans les schémas automatiques de contrôle présente une grande
importance pratique. Ces outils peuvent contribuer d’une manière évidente à la réduction de la
variabilité des caractéristiques, à des meilleures décisions et conséquemment à l’amélioration
de la qualité finale des caractéristiques contrôlées automatiquement.
Nous voulons par la suite diriger notre recherche vers les processus réels et plus complexes
qui pourraient être améliorés par l’intégration de ces deux outils. Nous avons choisi pour
l’étude un réacteur chimique dont le schéma de fonctionnement, dû à sa complexité (une
multitude des caractéristiques, tendances d’instabilité en boucle fermé, etc.), est
continuellement investigué.
Tout d’abord nous allons introduire une courte description du mode de fonctionnement et du
schéma associé au processus, qui est connu dans le monde industriel sous le nom de processus
Tennessee Eastman – TEP (Tennessee Eastman Process). Nous allons ensuite proposer un
schéma qui intègre des méthodes MSP dans le schéma du modèle automatique associé.

133
 4.2 Le réacteur de Tennessee Eastman. Généralités

Le problème de TEP provient d'une plate-forme chimique réelle appartenant à la compagnie

Eastman. Le processus instable, non-linéaire et en boucle ouverte est affecté par beaucoup de
perturbations inconnues.
Le plus grand défi de la communauté de contrôle de processus est la conception d’un système
de commande robuste et capable de maîtriser tous les problèmes induits par la multitude des
fautes constatées dans le processus. Il existe à l’heure actuelle différentes représentations du
processus TEP et des modèles de simulations.
A partir de la simulation originale élaborée par les membres de la compagnie Eastman dans le
langage Fortran, les chercheurs de l’Université de Washington ont développé un code plus
convivial sous Matlab, accessible pour l’étude à tout utilisateur Internet. Bien que dans la
littérature il existe beaucoup de variantes du modèle de commande de TEP, le plus populaire
est celui établit par McAvoy et Ye en 1994 [McAvoy et Ye, 1994].
Ce modèle a une structure décentralisée de commande avec des boucles de régulation en
cascade et a été mis en application comme sous Matlab/Simulink par le groupe de contrôle du
processus au département du génie chimique (figure 4.9).
Le schéma comporte 4 unités principales : un réacteur biphasé exothermique, un séparateur,
un décolleur et un compresseur centrifuge. Le processus est piloté à l’aide de 41 variables de
processus et 12 variables qualitatives relatives au produit fini sont suivies également.
Huit substances chimiques sont utilisées par le processus : les substances A, C, D et E sont les
réactants (gazeux), B est un contaminant inerte, G et H sont les produits désirés, et F est un
sous-produit. Un mélange gazeux arrive dans le réacteur où il est fortement mélangé.

134
 Figure 4.9 : Schéma de TEP basé sur la stratégie de contrôle de McAvoy

Dans le réacteur (figure 4.10), quatre réactions irréversibles exothermiques interviennent dans
la phase de vapeur. Ces sont décrites par les équations : 4.6 :

Ag +Cg + Dg →Gliq

Ag +Cg + Eg →Hliq (4.6)

Ag + Eg →Fliq

1.5Dg →Fliq

où g et liq indiquent l’état gazeux respectivement liquide du produit.

135
 Figure 4.10 : Principe du réacteur de TEP

Le réacteur est refroidi par un faisceau de tubes submergé dans la phase liquide du réacteur,
traversé par l’eau de refroidissement. Les réactions décrites dans 4.6 comportent un catalyseur
appartenant à la phase liquide du réacteur, avec un apport énergétique négligeable.
Les deux phases, liquide et gazeuse sont bien mélangées à l’aide d’un agitateur et on peut
considérer que les deux sont à tout moment en équilibre de phase.
L’écoulement sous la forme de vapeur est conduit par la différence de pression entre le
réacteur et le séparateur liquide/vapeur, la vitesse d'agitateur et la position de la tige de la
valve agissant par la suite à la commande des leurs signaux de contrôle, dont les valeurs
d’équilibre sont connus.
Une multitude des perturbations affectent le processus TEP. Les spécialistes du management
de la qualité de Tennessee Eastman essaient de minimiser les pertes de l’entreprise
provoquées par la présence de fautes dans différents points de fonctionnement du modèle. On
délimite sur le schéma 4.9 les perturbations de sortie, traduites par la variation du taux de
production de ±15% , les changements de taux des gazes A/C dans le flux d’alimentation 4,
ainsi que le changement du pourcentage de produit B dans le flux d’alimentation 4.
Les principaux objectifs du contrôle de TEP sont alors de maintenir les variables de processus
aux valeurs désirées, de réduire au minimum la variabilité du taux de produit et des réactifs

136
d'alimentation qui ne présentent pas une rétention significative, de rattraper rapidement les
perturbations induites par les changements de mélange de produit.
L'effusion d'alimentation qui implique les produits D, E, A, ou A+C, l’écoulement de vapeur
du décolleur, le déversement d'eau de refroidissement de réacteur et de condensateur, la
vitesse d'agitateur, le taux de production, la pression dans le réacteur sont quelques unes des
contraintes induites par les variables manipulées.
Tian et Hoo [Tian et Hoo, 2005] identifient sept modes de fonctionnement possibles du TEP,
déterminées par trois rapports de masse différents des produits G/H (tableau 4.5).

Mode de fonctionnement Rapport de masse G/H Taux de production (faute11), kg h-1

0,1 50/50 7038 G/7038 H

2 10/90
3 90/10
4 50/50
5 10/90
6 90/10
1048 G/12669 H
10000 G/1111 H
taux maximum de production
taux maximum de production
taux maximum de production

Tableau 4.5 : modes de fonctionnement de TEP, (Tian et Hoo, 2005)

Le mode 0 est un mode de fonctionnement de base. Les modes 1-3 sont des états de
fonctionnement aux frais d'exploitation minimum, pour trois différents rapports de masse de
G/H. Les modes 4-6 sont des modes de fonctionnement au taux maximum de production
d’après les trois rapports de masse de G/H. Il est impératif, donc, d’optimiser également les
transitions entre les différents modes de fonctionnement du processus [Tian et Hoo, 2005].
Face au nombre considérable des fautes, les modèles de conception de TEP font appel de plus
en plus souvent aux techniques statistiques d’optimisation.
En effet la MSP est intégrée dans le management de l’entreprise de Eastman à partir des
modèles conceptuels récents (2000) qui espèrent diminuer la quantité d'acide déchargée à
l'usine dans le traitement des eaux résiduelles. Dans l’effort de réduire la quantité totale de
carbone organique déchargé, les stratégies statistiques du contrôle du processus visent
l’amélioration de la commande, de surveillance et de décharge. Les nouveaux équipements
qui emploient la MSP améliorent la production et réduisent les pertes. Actuellement l’acide
est récupéré et l'eau réutilisé.
Du fait de la complexité du problème, le monde de recherche s’est également préoccupé par
l’optimisation du TEP. Différents modèles de conception intègrent des stratégies simples de
commande qui s’appuient sur des boucle multiples de type SISO (Single Input Single Output),

137
ou de commande dynamique de type matriciel (DMC – Dynamic Matrix Command). Ces
approches comportent un degré élevé de difficulté induite par le choix des points de réglages
optimaux. En outre la dynamique de processus génère des non linéarités qui affectent
l’optimisation de la conception linéaire du système.
Certaines auteurs [Kano et al., 2000], ont effectué une étude comparative des performances
des différentes méthodes sur des données de simulations et sur des données issues du TEP.
Chen G. et al. [Chen G. et al., 1998] ont proposé une méthode de contrôle statistique basée
sur l’utilisation conjointe de l’ACPM et du PLS pour la détection de faute au cadre du
réacteur TEP. Ils ont démontré que dans certaines situations le contrôle statistique est plus
efficace (plus faible variation de la composition du produit) que le correcteur PID, car il
détecte et compense plus rapidement les perturbations non-mesurées dans la composition du
flux d’entrée dans le réacteur. Ils ont conclu qu’une méthode de contrôle statistique multi-
variée devrait chapoter un système de contrôle traditionnel (PID) afin d’améliorer les
performances du procédé.
Chiang et al. [Chiang et al., 2004] ont abordé également le problème du diagnostic des fautes
difficiles à discriminer dans le cadre du TEP. Il s’agit, notamment, de la faute 4 (saut en
échelon de la température de l’eau dans le circuit de refroidissement du réacteur), la faute 9
(variation aléatoire de la température du constituant D) et la faute 11 (variation aléatoire de la
température de l’eau dans le circuit de refroidissement du réacteur).
Ces trois fautes sont difficiles à séparer car elles se superposent dans l’espace des variables (il
s’agit des observations qui appartiennent à des classes différentes mais ayant des valeurs
similaires pour les variables descriptives). Dans ce cas, les classificateurs utilisés
traditionnellement dans le cadre de l’apprentissage supervisé ont une complexité structurelle
importante ce qui se traduit par une capacité de généralisation faible et un taux d’erreur de
classification significatif pour des données qui n’ont pas participé au processus
d’apprentissage.
La conception des classificateurs a abouti avec la validation de transformations locales. Ils ont
une complexité structurelle moindre et une meilleure efficacité pour la classification des
nouvelles observations [Kulkarni et al., 2005]. Les performances de l’analyse discriminante
de Fisher et de l’algorithme de classification nommé SVM (Support Vector Machines) dont
une dérivée est le PSVM (Proximal Support Vector Machines) sont comparées dans ce
contexte [Chiang et al., 2004].
Dans le même contexte Sriniwas et Arkun [Sriniwas et Arkun, 1997] utilisent un contrôleur
nommé MPC (Model Predictive Controller) pour le contrôle du TEP. Le MPC agit en tant que

138
superviseur d’une structure des correcteurs PID de bas niveau dont l’objectif majeur est de
stabiliser le fonctionnement du TEP. Le MPC (figure 4.12) dicte les consignes aux correcteurs
PID afin d’obtenir la réponse souhaité au niveau du produit.

MPC

Point de Consigne de
processus
Consigne de D et E

Boucle PID
& contrôleur
• Taux de
production de G/H
• Taux de
production
• Pression réacteur
• Niveau réacteur
L’eau de
refroidissement
D Processus TEP
E
Valve de recyclage du
compresseur

Figure 4 .12 : Schéma de surveillance MPC (Sriniwas et Arkun, 1997)

L’avantage principal de ce contrôleur MPC proposé [Sriniwas et Arkun, 1997] réside dans sa
simplicité car, par exemple, avec seulement deux sorties contrôlées il permet d’accomplir les
transitions entre les produits souhaités. Le fait d’utiliser les correcteurs PID de niveau bas
offre la possibilité d’utiliser des méthodes linéaires d’identification du modèle de processus
car, ce dernier subi moins de perturbations et des instabilités de nature non-linéaire.
Sriniwas et Arkun [Sriniwas et Arkun, 1997] montrent que le MPC bâti sur une architecture
de modèle de type entrée-sortie, présente des bonnes performances en boucle fermée et est
tout à fait capable d’atteindre les objectifs de contrôle imposés.
Dans la figure 4.13 sont illustrées les performances en boucle fermée obtenues par
l’implémentation d’une stratégie MPC à l’état partagé qui réalise la transition entre le mode 0
et le mode 2 de fonctionnement du TEP [Tian et Hoo, 2005].

139
 Figure 4.13 : Le contrôle de transition entre les modes 0 et 2 de
fonctionnement avec MPC (Tian et Hoo, 2005)

Les lignes interrompues figurent les trajectoires de référence. Les diagrammes correspondent
respectivement, du haut en bas, à : la pression dans le réacteur et dans le séparateur (haut), la
pression dans le décolleur et le pourcentage de produit G (images milieu), le taux de
production et le coût d’opération (bas).

140
La stratégie de Tian et Hoo [Tian et Hoo, 2005] conduit aux résultats satisfaisants pour la
réponse du réacteur ainsi que pour la pression du décolleur. Cependant les coûts augmentent
atteignent d’une valeur de $183.8/h après 12 heures tandis que le taux de production arrivé a
la performance de 22.73 m3/h dans le mode 2 de fonctionnement.

4.2.1 Proposition d’amélioration. L’intégration d’une carte de contrôle dans le schéma du

réacteur de Tennessee Eastman

Nous avons choisi pour l’étude le model proposé par Ricker [Ricker, 1996] basé sur le modèle
en boucle ouverte introduit par Downs et Vogel [Downs et Vogel, 1993]. Ce modèle
comporte 12 variables d’état et 41 sorties.
Avec les entrées, les sorties, les perturbations et les variables décrites par McAvoy et Ye
[McAvoy et Ye, 1994] nous avons tout d’abord étudié les réponses du système pour toutes les
20 perturbations possibles. L’étude en boucle ouverte des 41 variables de sortie dévoile une
forte instabilité du système sous l’action des différentes perturbations.
En revanche, le modèle « multiloop » introduit par Ricker stabilise les sorties par l’intégration
des blocs PID correspondants. Le modèle en boucle fermée que nous étudions ici correspond
au mode 3 de fonctionnement du processus et inclut un dépassement additionnel qui réduit le
pourcentage de réutilisation de la valve quand le liquide réfrigérant de séparateur va au-dessus
de 90%.
Si ceci n'est pas fait, la valve de liquide réfrigérant sature et le système perd la commande du
niveau de réacteur (pour le code Matlab associé voir les fichiers : Mode_3_Init.m,
Multiloop_Mode3.mdl, introduits par Ricker). Nous avons étudié le comportement en boucle
fermé des 41 variables de sortie de ce modèle.
Pour avancer notre analyse, nous avons pris un cas simple de modèle uni varié (les
éventuelles corrélations entre les variables sont ignorées). Selon notre hypothèse chaque
caractéristique parmi les 41 pourrait être surveillée avec une carte de contrôle uni varié,
indépendamment des autres caractéristiques.
Notre proposition consiste dans la conception d’un modèle similaire avec celui de Gultekin,
qui introduit un module supplémentaire de control avec les outils MSP pour chacune des 41
caractéristiques de sorties. On peut obtenir ainsi un système en parallèle, qui, au signal envoyé
par la carte de contrôle, commute le contrôle vers le bloc de commande additionnel qui agit
sur l’erreur consigne/sortie différemment, en fonction du signal reçu.

141
L’idée de base est de déterminer le plus vite possible les différentes tendances d’une
caractéristique qui finalement sera stabilisée par le retour en boucle fermée, mais après une
période oscillatoire. Il est évident que cette période (temps de montée) ainsi que l’amplitude
des oscillations sont désirées les plus petits possibles pour que les valeurs de notre
caractéristique qualité soient proches de la valeur cible.
Les cartes de contrôle facilitent l’identification du moment d’apparition des tendances ou
variations de la caractéristique étudiée et permettront d’agir pour l’amélioration des
paramètres de bloc PID afin de stabiliser le mieux la réponse.
Pour exemplifier, nous avons étudié la caractéristique de pression du réacteur, qui est suspecté
d’être trop sensible aux variations. Nous soulignons que les étapes de notre démarche peuvent
être à tout moment appliquées sur chacune des 40 autres variables de sortie du réacteur.
Dans la figure 4.14 nous avons illustré le modèle conceptuel d’intégration des outils MSP
dans le schéma automatique de contrôle de la caractéristique pression. On peut facilement
imaginer que la mise en place d’un tel système pour chacune des autres variables de sortie
peut se faire indépendamment sans affecter le fonctionnement global du système.
Sur le schéma de figure 4.14 le module intégré MSP (la carte de contrôle) effectue l’analyse
de la caractéristique avec une carte de contrôle. Si un signal hors contrôle est reçu, les
paramètres du contrôleur PID associé à la caractéristique étudiée seront changés, et le
nouveau contrôleur sera appliqué, qui fonctionne en parallèle avec le système de base. Ce
nouveau contrôleur est illustré dans le nouveau bloc de commande (figure 4.14).
La valeur de référence est la valeur cible de la pression (valeur souhaitée). Le bloc de décision
prendra en compte l’état des signaux reçus sur la carte de contrôle : si le bloc MSP indique
l’état stable le commutateur sera sur la position zéro et le signal pression sera transféré dans le
bloc de commande initial.
S’il y a des signaux hors contrôle le bloc additionnel contenant le nouveau contrôleur PID
sera activé. Les paramètres du nouveau contrôleur seront définis en fonction du temps de
détection sur la carte de contrôle (le calcul de ces paramètres est détaillé dans la section
4.2.2).
Dans ce second cas le commutateur changera la position et transféra le signal pression dans le
nouveau bloc de commande. L’avantage principal de notre approche réside dans la facilité de
mise en place mais aussi dans la possibilité de contrôle « on line ».

142
 Figure 4.14 : Proposition d’un schéma intégré pour l’amélioration des variations de la caractéristique
pression du réacteur TE

Le changement dans le bloc de commande (le calcul des paramètres du nouveau PID) sera
réalisé en continu, en fonction des réponses du bloc MSP. Les deux outils, APC et MSP
correspondent en permanence pendant toute la durée de fonctionnement du processus.
Dans notre algorithme d’intégration MSP/APC deux étapes sont distinguées :

• la première concerne l’application de la carte de contrôle la plus adaptée afin

déterminer le plus vite possible les variations de la pression

• la deuxième consiste en trouver la correspondance entre le moment de détection d’une

tendance (un signal hors contrôle) est les paramètres du contrôleur PID, pour pouvoir
décider sur lequel on peut mieux agir pour optimiser la réponse

143
Dans la figure 4.15 nous avons illustré à titre d’exemple la tendance du signal pression dans le
Mode I de fonctionnement en boucle ouverte [Downs et Vogel, 1993]. L’influence de la
première des 20 perturbations identifiées (notée IDV1 sur le schéma proposé par Downs et
Vogel [Downs et Vogel, 1993]) se manifeste par une forte tendance linéaire de la
caractéristique pression.
Le comportement est similaire pour les autres perturbations et le système risque fortement
d’être arrêté à cause d’un dépassement de pression. Pour la perturbation 13, par exemple, le
processus tomberait en panne après 80h de fonctionnement, ainsi qu’une restriction de la
durée de perturbation a été nécessaire (48h).

Figure 4.15 : Le comportement de la caractéristique pression du réacteur TEP en boucle ouverte

En réponse aux problèmes d’instabilité en boucle ouverte, Ricker [Ricker, 1996] avait
proposé un modèle de régulation afin de stabiliser le système. Dans la figure 4.16 nous avons
illustré la réponse de la caractéristique pression du réacteur après la régulation en boucle
fermée.
Avec le modèle de Ricker, le signal est stabilisé dans une certaine mesure autour de la valeur
de 2800 kPa, mais il présente toujours une faible oscillation au départ de la période de
fonctionnement. Après 30h l’oscillation devient plus prononcée. Sur une période plus courte
on remarque facilement des lentes tendances linéaires, comme dans la figure 4.17.

144
 Figure 4.16 : Le comportement en boucle fermée de la caractéristique pression du réacteur [Modèle de
Ricker, Mode 3 de fonctionnement]

Figure 4.17 : Le comportement en boucle fermée de la caractéristique pression pendant les premières
10h de fonctionnement du TE
145
Nous considérons que cette variabilité autour de la valeur centrale de 2800 kPa pourrait
s’améliorer par l’intégration de notre bloc MSP dans le schéma de contrôle. Nous avons
débuté notre analyse en appliquant tout d’abord une carte classique de Shewhart dans le bloc
MSP du schéma intégré de figure 4.14.
Cependant, comme les variations sont trop petites, la carte EWMA a été finalement choisie
pour plus de précision dans la détection. Les premières valeurs hors contrôle sont ainsi
détectées et des mesures sont à prendre dans le bloc de contrôle.
Après la détection d’un signal hors contrôle, les paramètres du nouveau correcteur PID du
nouveau bloc de commande (figuré 4.14) doivent changer par rapport au correcteur PID de
base, afin de rendre le système plus stable et plus rapide. Ce correcteur comporte trois
paramètres qui peuvent être manipulés, respectivement le gain proportionnel, Kp, le temps
d’intégration, Ti et le temps de dérivation, Td (figure 4.18).

Figure 4.18 : Le correcteur PID associé au contrôle de la pression du réacteur

Dans la figure 4.18 les signaux sont utilisés dans le domaine de Laplace. Ainsi E(p) représente
la référence qui dans notre cas reste une constante (égale à 2800, la valeur désirée de la
pression). P(p) représente la sortie du nouveau bloc contenant le nouveau correcteur qui sera
par la suite analysée avec la carte de contrôle MSP.
Avec ξ(p) nous avons noté l’erreur entre la référence et la sortie du système, E(p)-P(p). Les
trois blocs en parallèle représentent les composants du correcteur PID en domaine de Laplace
et T(p) est la fonction de transfert du processus TEP. Cette fonction est appliquée au signal
Y(p) qui représente la sortie du correcteur PID. Dans le modèle de Ricker, nous mettons
l’hypothèse que la fonction T(p) de transfert peut être associée à une forme du deuxième
ordre.

146
Typiquement dans le domaine complexe, la fonction de transfert d’ordre deux est de la
forme :
1
T ( p ) = T ( jω ) = (4.7)
[1 + 2ζ ( jω / ω n ) + ( jω / ω n ) 2 ]

avec 0 ≤ ζ ≤ 1 le coefficient d’amortissement du système et ω n > 0 la pulsation naturelle

d’oscillation du système.
Dans le système décrit par la figure 4.14 la caractéristique pression, avant d’être stabilisée par
le bloc PID de base, doit parcourir une période oscillatoire que l’on souhaite la plus petite
possible. Dans ces conditions on s’intéresse sur la fréquence d’oscillation donnée par notre
système ou par la pulsation de résonance, pour laquelle le gain en dB est maximal. Ce gain est
calculé avec la formule :
G = 20 log T ( jω ) (4.8)

Dans une représentation fréquentielle (diagramme de Bode) l’amplitude du gain passe par un
maximum pour la pulsation pour laquelle sa dérivée s’annule. Ainsi supposons que la
caractéristique étudiée se trouve dans le régime oscillatoire (le coefficient d’amortissement
doit avoir des valeurs comprises entre 0 ≤ ζ ≤ 2 / 2 ). Nous devons retrouver la valeur de la
pulsation pour laquelle le gain présentera un maximum. Cette pulsation s’appelle pulsation de
résonance et est exprimée par :

ω r = ω n 1 − 2ζ 2 (4.9)

Le maximum du gain est noté par Mr et s’exprime comme fonction du coefficient

d’amortissement du système :

1
Mr = (4.10)
2ζ 1 − ζ 2

Nous avons introduit ces notions pour avoir plus de clarté sur les principaux paramètres
intervenant dans l’analyse des systèmes d’ordre deux et conséquemment dans la conception
des correcteurs adéquats.

147
De point de vue automatique on s’intéressée à la période d’oscillation ou la pulsation naturelle
(propre) du système. En déterminant la pulsation propre du système nous pouvons établir la
relation de transfert entre l’erreur ξ ( p ) et la sortie du système représenté dans la figure 4.18.
Cela nous permettra d’estimer les paramètres du correcteur PID (Kp, Td ou Ti) qui doivent
changer au signal de la carte de contrôle.
Dorénavant nous fixons comme paramètre d’étude le temps de détection, Tdetect, sur la carte
de contrôle. Ce paramètre sera manipulé dans la conception de nouvelles structures des
contrôleurs. Cependant par rapport au schéma simplifié représenté dans la figure 4.14 nous
devons ajouter quelques explications techniques pour une meilleure compréhension du
modèle. Sur le schéma du modèle Simulink de Ricker [Ricker, 1996], implémenté dans le
fichier Multiloop_Mode3.mdl, nous allons agir précisément dans la structure de régulation de
la caractéristique pression du réacteur (figure 4.19) qui comporte deux structures masquées
(sous-systèmes), un représentant le contrôleur PID.

Figure 4.19 : Module Simulink contenant le correcteur PID pour la régulation de la pression du réacteur
(voir modèle Multiloop_Mode3proposé par Ricker)

4.2.2 Mise en place de l’algorithme proposé. Résultats et interprétations

En simplifiant la structure de contrôle de la caractéristique pression du réacteur TEP, nous

mettons les hypothèses de réduction à un système d’ordre II. La fonction de transfert de ce
système intégra à la fois le processus TEP (bloc « temex » dans le schéma
Multiloop_Mode3.mdl, les corrélations éventuelles étant ignores) et le régulateur destiné au
contrôle du taux de purification (la variable correspondante est notée avec [xmeas10] sur le
modèle).
Ce régulateur reçoit comme entrée la sortie du système présenté dans la figure 4.19. Le
pourcentage dans la valve fournit par ce bloc de transfert sera transmis au processus (bloc

148
temex ) qui généra la prochaine valeur de la pression. Celle ci est gérée par la variable
[xmeas7] dans le modèle conceptuel du système. Le détail de la mise en place du modèle
intégré sous Simulink est introduit dans l’Annexe 1 de ce mémoire (section A1.4).
Nous avons essayé tout d’abord d’identifier le système hypothétique d’ordre II qui décrit le
mieux le processus et qui a été figuré sur le schéma 4.14 par le bais du bloc TEP. Notre
approche exige à agir le plus vite possible pour la correction d’une variabilité apparue dans la
caractéristique pression. En suivant la théorie classique de l’automatique, le système pourrait
être identifié en calculant certains paramètres propres parmi lesquels le premier dépassement,
D1, de la valeur finale de notre caractéristique. La valeur finale est la valeur stabilisée, que
l’on souhaite plus proche possible de la valeur cible (dans notre cas 2800 kPa).
Nous mettons l’hypothèse que le premier dépassement sera le plus vite identifié avec la carte
de contrôle appliqué sur la caractéristique pression régulée par le contrôleur PID de base. Au
vue des faibles variations, la carte EWMA avec les paramètres λ=0.25 et L=2.898 (voir la
norme NF 06-031-3, 1995) sera utilisée.
Notons toutefois les valeurs de départ des paramètres caractéristiques au régulateur PID de
base. Ces sont Kp=-0.0001, Ti=0.33 secondes et Td=0 secondes. Dans le modèle de base la
structure de régulation est un correcteur PI (proportionnel intégral). Il est nécessaire toutefois
de signaler que la sortie du PID de base (figure 4.17) n’a pas une allure symétrique par
rapport à la valeur de référence. Dans ces conditions nous allons se rapporter dans le calcul
des limites de contrôle de la carte EWMA à la valeur cible, de 2800kPa.
Dans notre démarche une première application de la carte de contrôle intéressera seulement
l’identification du dépassement par rapport à la valeur de référence. Ainsi nous allons
déterminer le temps d’apparition d’un premier signal hors de la limite supérieure de contrôle.
Le paramètre D1 du contrôleur correspond à la valeur de l’amplitude du déréglage enregistré
sur la carte EWMA.
L’application de la carte de contrôle sur la caractéristique de figure 4.17 fournit les valeurs :
D1=1.17 et respectivement Tdetect=0.19h (car le premier signal hors la limite supérieure de
contrôle est détecté après 0.19h et il a l’amplitude 2801, 17).
Cependant, comme nous associons le système d’ordre II à notre processus, la formule
suivante est valable dans la théorie de l’automatique :

πζ
1− ζ 2
D 1 = Ke (4.11)

149
où K représente le gain statique de notre système, et ξ le coefficient d’amortissement du
système. Avec la valeur de D1 détectée sur la carte EWMA nous pouvons déterminer la valeur
du coefficient d’amortissement. Dans nos calcules, la valeur du gain statique, K a été
déterminée classiquement, comme limite à l’infini du rapport sortie/consigne. Avec la
fonction de transfert en boucle fermée du système d’ordre II considéré et en tenant compte du
gain Kp du correcteur de base, cette valeur a été déterminée égale à 1.
Conséquemment, pour le coefficient d’amortissement nous avons obtenu pour valeur :

ζ = 0 . 0216 (4.12)

qui suggère un système oscillant et avec résonance ( 0 ≤ ζ ≤ 2 / 2 ).

La pulsation propre de ce système est déterminée avec la formule :

π
ωn = = 0 . 0046 rad / s (4.13)
T det ect 1−ζ 2

avec la précision que Tdetect a été considéré le temps du premier dépassement.

La période d’oscillation, notée avec Tosc sera ainsi déterminée en fonction de la valeur Tdetect ,
fournie par la carte de contrôle :

1
T osc = = 217 s (4.14)
ωn

Avec l’identification du système hypothétique représentatif de notre processus, nous

cherchons maintenant à déterminer les meilleures valeurs du nouveau PID, destinée à réduire
la variabilité détectée sur la carte de contrôle.
Généralement dans le choix de ces paramètres il faut tenir compte de leur influence sur la
sortie. Les valeurs très grandes des facteurs intégrateur, 1/Ti et proportionnel, Kp, améliorent
le temps de montée (le temps pendant lequel le signal atteint 95% de sa valeur finale) et
agiront pour l’élimination de l’erreur statique. De même, une valeur croissante du facteur
dérivateur, Td, augmenta la stabilité de la réponse du système.
Selon la réponse du modèle de Ricker, le temps de montée est très rapide, mais la réponse
n’est trop stable autour de la valeur de référence. Nous devrons donc concevoir un nouveau
PID afin d’améliorer la stabilité de la réponse et qui éventuellement sera capable de réduire
autant que possibles la valeur d’erreur statique.

150
Pour cela il est évident que notre nouveau contrôleur doit contenir aussi une action dérivée
(Td différent de zéro). Notre démarche est axée principalement sur la rapidité d’action une
fois le premier dépassement enregistré.
Dans la synthèse du nouveau contrôleur nous utilisons la méthode de Ziegler- Nichols, avec
l’hypothèse d’état d’oscillation identifié par le biais du contrôle MSP. Ainsi on n’a plus
besoin d’amener le processus dans l’état d’oscillation, par la méthode de pompage en boucle
fermée, car le système oscille déjà au moment détecté sur la carte de contrôle, Tdetect.
Les valeurs du PID idéal de Ziegler Nichols sont :

T i = 0 . 5 T osc
Td = 0 . 125 T osc (4.15)
K p = 0 . 6 K osc

où la valeur de Tosc est calculée à l’aide de formule 4.14 et la valeur de Kosc représente le gain
maximal de notre caractéristique. Ayant en vue que le nouveau PID sera mis en place juste
après la détection du premier dépassement, le plus important est de calculer le gain maximal
au moment de la détection.
Avec la formule de calcul du gain (4.8) le gain maximal, est calculé en fonction des valeurs
fournies par la carte EWMA. Il devient :

Preel
M r = K osc = 20 log (4.16)
Préf

Dans la formule 4.16, Preel représente la valeur du signal pression au moment Tdetect, et Préf
représente la consigne de notre système (2800kPa).
En conséquence, en évitant les approches typiquement automatiques, nous avons déterminé
les valeurs des trois paramètres du nouveau correcteur uniquement à base des résultats fournis
par la carte de contrôle.
En effet Tosc devient une fonction du paramètre Tdetect de la carte de contrôle (comme décrit
dans la formule 4.14) et Kosc devient une fonction du paramètre Préel, qui est la valeur du
signal détecté comme hors contrôle sur la carte de contrôle :

151
 T det 1−ζ 2
T i = 0 .5 ⋅ ect

T det 1−ζ 2
T d = 0 . 125 ⋅ ect
(4.17)
π

Préel
K p = 0 . 6 ⋅ 20 log
Pref

A chaque détection d’un signal hors contrôle sur la carte de contrôle, le système des équations
4.17 sera recalculé et le nouveau contrôleur PID mis en place.
Pour notre étude de cas, en tenant compte des relations ci-dessus, les paramètres du nouveau
contrôleur PID (après une seule application de la carte de contrôle) ont pris les valeurs
suivantes :

T i = 108 . 5 s
Td = 27 . 125 s (4.18)
K p = 0 . 0018

Le système sera régulé par ce nouveau contrôleur à partir du moment Tdetect, de l’identification
sur la carte de contrôle. Pour chaque déréglage détecté via le bloc MSP (carte EWMA), les
valeurs de Ti, Td et Kr sont recalculés de manière similaire. Pour notre exemple, les
dépassements ont été complètement éliminés avec le schéma de fonctionnement en parallèle,
comme illustré dans la figure 4.20.
Sur la même période de fonctionnement (10h) le signal est visiblement amélioré par rapport
au signal obtenu avec le contrôleur de base (figure 4.17). Le nouveau contrôleur élimine les
dépassements par l’action dérivée, et conduit à une sortie plus « propre » que la sortie du PID
de base. Toutefois la réponse n’est complètement stable et présente plusieurs variations en
dessous de la valeur de référence.
L’algorithme continue, comme décrit dans la figure 4.14, avec une deuxième application de la
carte de contrôle, sur cette nouvelle réponse. Cette fois ci l’application du contrôle MSP sera
destinée à éliminer les variations inferieures à la valeur de référence.

152
 Figure 4.20 : La caractéristique pression régulée avec le nouveau contrôleur (première
application des cartes de contrôle)

Selon le schéma de fonctionnement de notre méthode (figure 4.14) on garde la même carte de
contrôle, EWMA (λ=0.25 et L=2.898) pour détecter les faibles déviations. On détecte ainsi
un premier signal hors contrôle au moment 0.21heures après les premières 22 observations sur
la carte de contrôle.
Le système d’ordre II associé à la nouvelle réponse ne restera pas inchangé. Cependant nous
considérons le point en dehors de la limite inferieure de contrôle comme le début d’un
nouveau régime d’oscillation dans la région inferieure à la valeur de référence. Il faut donc
recalculer dans les nouvelles conditions les paramètres D1 et ξ, ainsi que le temps d’oscillation
et les paramètres du contrôleur le plus adapté à éliminer ces nouvelles tendances et à
améliorer la réponse.
Au nouveau moment Tdetect=0.21h, le nouveau dépassement D1, qui cette fois est calculé en
module (car le dépassement est négative) conduit à une nouvelle valeur de la pulsation propre
du système, respectivement ωn=0.0041. Avec cette valeur et en utilisant les formules 4.17,
comme dans le cas du dépassement de la limite supérieure de contrôle, nous déterminons les
nouvelles valeurs de Tosc et de Kosc :

153
 T osc = 240 . 5 s
(4.20)
K osc = 0 . 017

Les paramètres du deuxième contrôleur PID sont les suivants :

T i 2 = 120 . 3 s
T d 2 = 30 . 7 s (4.21)
K p2 = 0 . 0102

Dans la figure 4.21 nous avons illustré la réponse de la nouvelle régulation, après la deuxième
application des cartes de contrôle. Cette réponse est beaucoup plus stable que la réponse du
contrôleur de base ou la réponse du premier contrôleur (figure 4.17 et 4.20). Une seule
variation importante est visible après 7 heures de fonctionnement du réacteur. Notre
algorithme étant recourrant (en cycle) comme décrit par le schéma 4.14, sur cette réponse
aussi sera appliquée une carte de contrôle.
Dans ce cas a réponse du module MSP indique une caractéristique stable, aucun signal hors
contrôle n’est enregistré et en conséquence le commutateur reste sur sa position. Le TEP
continuera à fonctionner avec ce nouveau contrôleur.
Notre processus est ainsi stabilisé après seulement deux applications de la carte de contrôle.
Une fois stable, le processus est régulé par le dernier PID (régulateur optimal) avec les
paramètres déterminés à partir du bloc MSP, comme décrit auparavant.
En pratique on peut facilement imaginer deux capteurs qui récupèrent les valeurs de Tdetect et
de D1 enregistrées sur la carte de contrôle et les transmettent vers le module de calcul des
nouveaux paramètres du contrôleur. Ainsi le passage dans le « nouveau bloc de commande »
de figure 4.14 est réalisé en pratique tout simplement par les réglages nécessaires sur le
paramètres Kp Ti et Td.
Pour plus de précision nous avons testé l’applicabilité de schéma intégré pour une période
plus grande de fonctionnement (100h) du réacteur TEP (figure 4.21).
Comme on peut le voir dans la figure 4.21, notre modèle intègre assure un signal de sortie
plus atténué et suffisamment stable par rapport au signal du schéma de base (modèle de
Ricker). Le deuxième contrôleur élimine complètement les dépassements de la valeur de
référence et réduit les variations inférieures à la valeur de référence.

154
 Figure 4.22 : La caractéristique pression stabilisée avec le modèle intégré, après 100h de
fonctionnement

Figure 4.21 : L’impact d’un schéma intégré MSP/APC sur la régulation de la caractéristique pression du
réacteur, pour une période plus étendue de fonctionnement du réacteur de Tennessee Eastman

155
Le bloc MSP apporte au schéma automatique plus de précision, car les paramètres de
régulation sont déterminés en temps réel et ils ne sont pas calculés avec les algorithmes
classiques d’APC. Notre méthode combine une approche classique dans l’APC (la méthode
de Ziegler-Nichols) avec les cartes de contrôle MSP. Ces dernières présentent l’avantage de
prendre en compte le comportement de la caractéristique d’intérêt à chaque moment.
Grace au bloc MSP intégré dans le schéma automatique, l’effet des éventuelles causes
spéciales (perturbations imprévues) peut être détecté et remédié instantanément et la
configuration la plus adaptée du contrôleur sera mise en place.
Le modèle intégré MSP/APC que nous avons introduit dans cette section ouvre des nouveaux
horizons dans la recherche sur la problématique du processus de Tennessee Eastman.
Evidement, la même procédure est applicable pour toutes les caractéristiques de sortie du
processus, à condition que ces variables soient indépendantes. Nous avons analysé seulement
le Mode 3 de fonctionnement du TEP décrit par Ricker [Ricker, 1996].
Dans notre analyse nous nous sommes intéressés au paramètre du contrôleur connu sous le
nom de l’Ier dépassement du signal, D1. Nos hypothèses associent la valeur du D1 avec la
valeur du premier signal hors contrôle détecté avec la carte de contrôle EWMA.
Bien évidement le schéma de détection intégré MSP/APC pourrait encore être améliorée.
Nous suggérons, par exemple, le changement éventuel de la carte de contrôle à chaque fois,
en fonction de la nature réponse du système automatique. Cela implique une analyse du signal
sortie avant l’application de la carte de contrôle, un test d’adéquation et le choix de la carte de
contrôle la plus adéquate.
Par exemple, on voit bien sur la figure 4.21 que la caractéristique réponse du système n’est
plus normale, les variations en dessous de la valeur de référence déterminant une distribution
asymétrique et bornée à droite (autour de 2800 KPa). Cependant l’analyse du signal sortie
avec l’application d’une carte de contrôle pour une distribution non gaussienne risque de
beaucoup compliquer le schéma intégré MSP/APC.
Notre intérêt était d’éliminer le risque des dépassements supérieures de la valeur cible de la
pression, car pour le processus de Tennessee Eastman les dépassements de la pression
peuvent avoir des conséquences néfastes (allant jusqu'à l’arrêt du processus). Notre objectif
est atteint, et la méthode que nous avons présentée permet de déterminer automatiquement la
configuration du nouveau contrôleur à partir seulement des deux valeurs fournies par la carte
de contrôle EWMA.
Les résultats de nos simulations prouvent une fois de plus l’efficacité d’intégration des outils
de contrôle MSP dans le contrôle des caractéristiques qualités des processus qui fonctionnent

156
à base d’un schéma APC. Nous avons montré que ces caractéristiques (dans notre cas la
pression du réacteur du processus TE) présentent un niveau de variabilité et souvent des
dépassements dangereuses même après la régulation automatique.
Le modèle intégré proposé dans cette section élimine visiblement la variabilité de la
caractéristique pression et les dépassements de la valeur de référence. Pour une longue
période de fonctionnement du réacteur, la pression restera stabilisée avec des faibles
variations sous la valeur de référence, et le risque d’augmentation spontanée qui conduirait à
l’arrêt du procédé est pratiquement zéro.

5 Conclusions. Perspectives

Nous avons traité dans ce chapitre un sujet aussi intéressant que nouveau dans le domaine du
contrôle des processus complexes. Malgré les opinions variées sur les techniques d’APC et de
la MSP, on rencontre de plus en plus la nécessité de combiner ces techniques afin d’obtenir
les meilleures performances d’un processus.
Nous avons réalisé une synthèse critique des différents approches élaborées par des
chercheurs du domaine de contrôle automatique du processus et du contrôle statistique du
processus, en soulignant la tendance de plus en plus forte de combiner les modèles
automatisées avec les outils statistiques.
On trouve de plus en plus souvent des schémas intégrés APC/MSP qui ont comme but
commun la réduction de la variabilité du processus par la détection et l’élimination des causes
associées. Le principe de fonctionnement de ces schémas comporte la modélisation
automatique du processus réel, pour faire des réglages, et l’application des outils statistiques
(les cartes EWMA, CUSUM, etc.) qui détiennent un rôle de superviseur du modèle
automatique, afin de surveiller le processus et de détecter et éliminer les causes spéciales.
Les deux applications présentées dans ce chapitre ont été destinées à améliorer le contrôle des
deux processus de provenance du domaine chimique. Le première exemple concerne une
continuation des travaux de Gultekin [Gultekin et al., 2002] pour la réduction de la variabilité
dans un procédé continu, uni-varié.
Bien que le modèle proposé par Gultekin soit purement théorétique, il nous a relevé
l’importance d’analyse de la nature des caractéristiques contrôlées. Notre proposition
d’intégration d’une carte de contrôle EWMA ou VP dans ce modèle, fournit des meilleurs

157
résultats que ceux obtenus avec une carte classique. Cela vient de confirmer l’impact positif
que le développement des techniques MSP peut avoir dans les systèmes automatiques de
contrôle.
La deuxième application porte sur un schéma de contrôle d’un processus réel, beaucoup plus
complexe, multi – varié, le réacteur chimique de Tennessee Eastman (TEP) qui, au vue de ses
problèmes d’instabilité, préoccupe constamment les scientifiques et les industriels de nos
jours.
Grâce à notre modèle qui intègre des techniques MSP, comme les cartes de contrôle EWMA,
la variabilité de certaines caractéristiques du TEP peut être réduite, et les performances
temporelles du processus améliorées. Notre modèle assure une meilleure qualité de la
caractéristique pression même pour le fonctionnement long durée.
Nos résultats encouragent l’implémentation des modules similaires pour les autres
caractéristiques qualités du réacteur. Bien évidement nos travaux ont été effectués à base des
certaines hypothèses de départ, parmi lesquelles la plus importante concerne le caractère
indépendant de ces caractéristiques. L’implémentation dans la pratique de notre schéma
devrait inclure l’analyse des corrélations existantes entre les différentes variables du système.
Avec notre modèle combiné MSP/APC nous avons défini une nouvelle direction des travaux
destinés à résoudre la problématique du TEP.
Pour les deux exemples traités dans cette section, l’intégration des techniques MSP dans le
modèle automatique conduit aux meilleurs résultats, en termes des performances du système
(détection rapide des tendances ou déviations, meilleure stabilisation caractéristique finale) et
en termes de qualité finale des caractéristiques surveillées (réduction de la variabilité).
Evidement, l’intégration des techniques MSP dans les systèmes automatiques actuels reste un
problème ouvert à des futures recherches au sujet d’amélioration du contrôle des processus
complexes.
Pour finir, les travaux effectués dans ce chapitre nous mènent à conclure que la combinaison
entre les techniques d’APC et MSP conduit incontestablement à une amélioration
comportementale du processus, les variations sont réduites et le processus est plus performant
que dans le cas où ces techniques s’appliquent séparément.

158
Conclusions générales

Les travaux présentés dans ce mémoire portent sur le sujet d’amélioration de contrôle des
processus complexes et instables par le biais des techniques de la MSP. Dans ce contexte nous
avons identifié deux grandes directions de recherches, selon lesquels nos démarches ont été
structurées.
Une est la problématique du contrôle des caractéristiques non gaussiennes, qui posent des
problèmes constamment dans le contrôle statistique quand les méthodes classiques (les cartes
de contrôle de Shewhart), construites sur le modèle de la loi normale, devient inefficaces.
Nous avons ainsi dirigé nos démarches vers une catégorie des processus qui sont sensibles
aux petites déviations de la valeur cible, et qui sont mieux représentés par des distributions
asymétriques. Il s’agit des processus de provenance mécanique, respectivement les
inspections des caractéristiques géométriques des pièces aux profiles cylindriques.
Précisément nos travaux ont été conduits sur la distribution de Rayleigh, représentative du
défaut de la coaxialité.
A partir de la découverte des nouvelles méthodes qui ont améliorée la détection des faibles
déréglages pour certaines distributions asymétriques, nous avons tout d’abord développé la
carte de contrôle de type VP pour la distribution de Rayleigh. Les résultats de notre
application n’ont pas était suffisamment intéressants. Malgré le caractère non paramétrique de
la méthode, qui la rend plus facile à mettre en pratique, le choix des paramètres variables
restait un problème astringent. Les méthodes classiques, basées sur les chaînes de Markov, ne
nous ont pas fournis les plus favorables configurations des paramètres. Conséquemment nous
avons réalisé une analyse des configurations possible des paramètres applicables dans le cas
d’une loi de Rayleigh.
Cette analyse, basée sur la technique des plans d’expérience conduit aux meilleures
configurations des paramètres à choisir dans le cas ou l’utilisateur décide l’application de
cette méthode. Bien que les résultats de la détection des petites déviations aient été plus
satisfaisants avec la méthode VP qu’avec les méthodes classiques (Shewhart) nous avons
investigué la possibilité d’obtenir une méthode plus efficace de contrôle pour la loi de
Rayleigh.
C’est la méthode basée sur l’estimation des quantiles, une méthode paramétrique qui offre des
résultats meilleurs que la carte VP.
Nos travaux apportent des nouvelles solutions au problème du contrôle des variations de la
coaxialité et la mise en place de notre méthode théorique (des quantiles) assure une meilleure

159
qualité du processus d’inspection de la coaxialité. La mise en place de la méthode des
quantiles pour un processus de production mécanique représente une première de nos
perspectives.
Une autre direction prise par les travaux présentés ici a été l’intégration des outils MSP dans
les schémas de contrôle automatique, afin d’améliorer la variabilité des caractéristiques, et de
rendre les systèmes plus robustes. L’exploitation des démarches avancées dans la MSP pour
les processus non gaussiens doit inévitablement joindre les modèles intégrés, étant donné que
dans bon nombre des cas les signaux des systèmes APC (réponses des systèmes, signaux
bruit, etc.) peuvent être des caractéristiques non gaussiennes.
Notre intention initiale a été l’intégration des méthodes non gaussiennes dans les schémas
automatiques de contrôle. Nous avons proposé l’intégration de la carte de contrôle VP dans un
schéma conceptuel APC susceptible de générer des signaux non gaussiens.
Cependant la complexité des modèles existants de contrôle APC demande un temps
supplémentaire de compréhension de leur fonctionnement ce qui a rendu très tardives les
résultats de nos applications. Toutefois nous avons réussi à prouver l’efficacité de
l’intégration des outils MSP/APC pour deux modèles des processus continus.
Pour un premier, hypothétique (le modèle de Gultekin) nous avons apporté une amélioration
du contrôle de la variabilité par les méthodes MSP. En plus, les cartes de contrôle de type VP
appliquées dans un contexte non paramétrique (sans la connaissance de la distribution de la
caractéristique suivie) s’avèrent plus efficaces que les méthodes classiques de contrôle.
Nous avons également expérimenté un modèle de contrôle intégré sur un schéma de contrôle
d’un processus réel, très complexe, le processus de Tenneesse Eastmen, qui suscite de plus en
plus souvent l’intérêt du monde scientifique. Ce deuxième exemple représente notre plus
importante contribution à l’amélioration des schémas intégrés APC/MSP. Nous avons réussi à
réduire les dépassements et la variabilité de la pression du réacteur par le biais de la
conception d’un nouveau modèle de commande, qui comporte une carte de contrôle MSP.
Nous ouvrons ainsi les perspectives d’application des schémas similaires, intégrés, pour les
autres caractéristiques du processus TEP. Au même temps, notre analysé a été faite sous
l’hypothèse des variables de sorties indépendantes, uni variées.
L’analyse de la corrélation doit être prisse en compte par les spécialistes de la MSP multi -
variée. Evidement, une perspective intéressante des prochaines recherches est la conception
des nouveaux modèles intégrés APC/MSP pour les caractéristiques non gaussiennes.

160
161
Annexe 1 : Eléments de contrôle automatique

A1.1 Notions élémentaires des systèmes automatique

Parmi les principales notions avec lesquelles le praticien du domaine d’APC est familiarisé,
nous notons tout d’abord la notion de système commandable. Un système est dit
commandable quand par une action sur l’entrée on peut atteindre en temps fini n’importe quel
point de l’espace d’état du système.
Supposons un système multi-varié, discret, d’état x ∈ R n , avec le vecteur des entrées u ∈ R p ,
et le vecteur des sorties y ∈ R r . Il est décrit par le système des équations :

gx = Αx + Βu
(1.1.1)
y = Cx

A partir de x=0, on génère le système :

x N = A N −1 Bu 0 + A N − 2 Bu1 +....+ ABu N − 2 + Bu N −1 (1.1.2)

En termes de matrices, l’expression s’écrit de la façon suivante :

Χ N = C NU N (1.1.3)

où :

[ ]
∆
CN = B AB ..... A N −1 B. (1.1.4)

représente la matrice de commandabilité.

162
Un système est dit à état entièrement observable si par observation des entrées et sorties sur
un intervalle de temps fini, on peut déterminer l’état initial du système.
Un système commandable peut être stabilisé par la technique de retour d’état [Larminant,
1993] (figure 1.1) :

y
r
r–Gx
u gx = Αx + Β u
y = Cx x

Figure 1.1 : Schéma de commande par retour d’état

La loi de commande est exprimée dans cette situation par la relation: u =r −Gx . Si l’état x est
observé directement, le rôle du signal r est de permettre le suivi de la consigne et/ou le rejet
des perturbations.
Cependant le gain G contribue d’une manière implicite à la stabilité du système. Le problème
du retour d’état consiste à trouver un vecteur de gain G : G =[g1, g 2,...., g n ] , tel que
(Α− BG ) soit une matrice de stabilité. Lorsque l’état n’est pas mesurable, x est remplacé par
une reconstruction de x̂ dans la loi de commande.
Quant au reconstructeur d’état il existe bien des techniques de reconstruction d’état pour le
cas discret comme pour le cas continu [Noura et al., 1996]. Le reconstructeur à mémoire finie,
correspondant au cas discret, comporte à traiter les signaux de commande et de sortie par des
filtres à mémoire finie. Ces filtres fourniront l’estimateur x̂ .
def
Au contraire, dans le cas continu, un opérateur g = (s + ω 0 ) (d’inverse stable) est introduit, et
les équations descriptives d’état du système sont dérivées [Noura et al., 1996] :

g ( x ) = (Α + ω 0 Ι )x + Βu
(1.1.5)
y = Cx

163
Dans cette situation x̂ devient une fonction algébrique d’entrées-sorties, traitée par des filtres
passe-bas caractérisés par la fonction de transfert:

(1 / (s + ω 0 ))I (1.1.6)

où ω 0 est un paramètre de synthèse du reconstructeur. Ce reconstructeur s’appelle à mémoire

infinie. Des reconstructeurs dynamiques des systèmes ont été introduits, qui portent sur le
développement d’un système linéaire, stable, réalisable (sans dérivation ni avance) tel que
l’on ait :
xˆ (t ) = x(t ) (1.1.7)

dans le cas idéal, et, respectivement :

lim[xˆ(t)− x(t)]→0 (1.1.8)

t →∞

dans le cas déterministe.

Un model de reconstructeur dynamique est celui de figure 1.2 [Larminant, 1993]:

u(t) Processus y(t)

(dans l’état x)
Reconstructeur
Système
dynamique x̂
causal

Figure 1.2 : Schéma de la reconstruction d’état

On distingue deux méthodes de reconstruction d’état du système. Une première méthode est
l’observation directe des certains paramètres d’état. Cela n’est pas toujours possible,
précisément quand dans la sortie du système on ne retrouve pas suffisamment d’informations
sur différents paramètres étudiés.
Une seconde méthode est la simulation en boucle ouverte. Elle réclame la stabilité de la partie
du système ainsi reconstruite. La solution trouvée par les automaticiens est la reconstruction

164
d’état de système en combinant la simulation avec l’observation [Noura et al.,1996]
[Larminant, 1993]
En considérant le gain par retour d’état, G, et le gain de reconstructeur, K, des lois de
commande par retour d’état reconstruit seront élaborés.
Les équations descriptives des lois de commande par retour d’état prennent la forme :

u =−Gxˆ + r (1.1.9)

Ou, respectivement :
.
xˆ =Ax̂ +Bu +K(y-Cx̂) (1.1.10)

où r est le nouveau signal d’entrée pour le système en boucle fermée, comme indique la figure
1.5, et C est la matrice de commandabilité.
Une fois les lois de commande définies, la stabilité du système en boucle fermée (composée
par le régulateur et le processus) reste un problème purement mathématique. Le système en
boucle fermée par retour d’état reconstruit est, selon les concepts d’APC, un système stable.
La reconstruction d’état, x(t), est possible à partir de la seule observation des entrées et des
sorties.
Il existe plusieurs solutions pour trouver la matrice de gain K, pour que A-KC soit une matrice
de stabilité [Noura et al.,1996]. Néanmoins, la reconstruction est affectée par des
perturbations qui interviennent dans les signaux observées. Ces perturbations nécessitent des
techniques de filtrage adéquates.
Lorsque l’estimation d’état d’un système est obtenue, les filtres interviennent non seulement
dans la reconstruction mais aussi dans l’optimisation de choix des gains. Pour mieux
expliquer le sens du filtrage on peut se rapporter aux techniques de filtrage fréquentielle,
établies par Wiener (1940) [Larminant, 1993], [Tiplica, 2002].
Le problème de Wiener peut être réduit à un système simple entrée - sortie, avec un signal
d’entrée de nature inconnue et le signal de sortie identifiable. La fonction de transfert du filtre
est décrite dans l’équation (1.1.11) :

y(t)=ξ(t)+b(t) (1.1.11)

165
où y (t) est le signal observé, ξ(t) est le signal inconnu, de spectre φξξ (ω ) donné, et b(t) est le

bruit de mesure de spectre φbb(ω) donné.

A l’aide d’une transmitance idéale, H(s), le signal s(t) est obtenu de la manière suivante:

x(t)=H(s) ξ (t) (1.1.12)

Plus généralement, on essaie de déterminer le filtre F(s) qui, appliqué à ξ (t), permet d’obtenir
l’estimation :
xˆ ( t ) = F ( s ) y ( t ) (1.1.13)

Si ε (t ) est l’écart inconnu entre xˆ(t) et x(t) , il faut rechercher le filtre F(s) qui minimise la
variance de ε .

ξ(t) b(t) y(t) xˆ(t)

F(s)

ε (t )

H(s) x(t)
Fi

Figure 1.3 : Le problème de Wiener

Au fait, « le problème de filtrage consiste à déterminer des estimateurs de variable du

système lorsque l’environnement présente des perturbations aléatoires » [Noura et al., 1996].
Précisément le rôle d’un filtre optimal est de minimiser la variance d’erreur entre la variable
réelle et son estimation [Borne et al., 1992]. Il doit séparer parfaitement un signal étudié du
bruit de mesure qui l’affecte (figure 1.4).
Quant à la perturbation qui affecte le signal observé, elle peut être associée au bruit blanc. Les
modèles de filtres formeurs traitent facilement le problème et fournirent une fonction de
transmittance stable, souhaitée pour le signal affecté.
Lorsque dans la nature n’apparaissent que des excitations aléatoires de type bruit blanc il est
indispensable dans l’automatique de concevoir les modèles de bruits, consignes et

166
perturbations en termes de filtres formeurs raisonnables ou de modèles générateurs
élémentaires (Markov, Wiener etc.)[Tiplica, 2000], [Katayama et Sugimoto, 1997].

Figure 1.4 : Filtre optimal pour la séparation d'un signal sinusoïdal du bruit de mesure

Toutefois, le modèle statistique associé aux perturbations aléatoires est celui de la loi normale
de distribution. De ce fait, l’intégration des méthodes de détection comme les cartes de
contrôle pourraient aborder les problèmes induits par de petits déréglages ou par d’autres
perturbations non aléatoires qui affectent les systèmes automatiques.
Les techniques de filtrage automatique collaborent couramment au développement des
modèles de contrôle statistiques. Nous citons les travaux de T. Tiplica [Tiplica, 2000] qui a
développé la méthodologie FNAD (Filtrage Numérique et de l’Analyse Discriminante)
contribuant à diagnostiquer l’état de fonctionnement d’un processus multi-varié.
D’autres [Shetty et al., 2004] se préoccupent de la nature du bruit qui affecte les systèmes
automatiques et intègrent des techniques statistiques multi-varié (l’analyse en composante
principale) avec la théorie des systèmes.
Katayama et Sugimoto [Katayama et Sugimoto, 1997] réunissent des notions fondamentaux
du domaine de traitement du signal : l’analyse temporelle, la détection, la convolution et les

167
techniques du filtrage dans le domaine de la modélisation de l’espace d’état (le model
Markov, le filtre Kalman etc.).

A1.2 Cadre mathematique uitlisé dans l’automatique

Nous avons rappelé précédemment quelques unes des techniques les plus courantes dans le
contrôle automatique de processus. Le problème essentiel de l’automaticien est de concevoir
des modèles standard robustes qui assurent un cadre flexible pour décrire des configurations,
des problèmes, pour définir des spécifications et pour introduire des paramètres de synthèse.
La commande et la stabilité de systèmes automatiques ne sont pas satisfaisantes que si le
modèle standard a été convenablement choisi. Le modèle du système standard dans
l’automatique représente un instrument qui maîtrise le compromis entre performances,
robustesse, et sensibilité aux bruits.
En ce qui concerne le support mathématique utilisé par l’automaticien, il existe les modèles
linéaires et non linéaires qui expriment l’ensemble des relations entre différents paramètres
du system décrit. Les modèles linéaires comportent des fonctions ou des équations de transfert
exprimant les sorties par une forme linéaire de variables d’état et de variables d’entrée
[Larminant, 1993].
Ces sont des systèmes algébriques d’équations différentielles ordinaires où d’équations
récurrentes à coefficients constants (processus stationnaire), ou fonctions de temps (non
stationnaire) qui respectent le principe de super position [Noura et al.,1996], [Larminant,
1993].
Dans le cas d’un système élémentaire avec la commande u(t) et la sortie y(t) (figure 1.5), si on
considère que u(t) se décompose en deux signaux u1(t) et u2(t), le principe de superposition
oblige à :

u(t)=α1u1(t)+α 2u2(t)⇒ y(t)=α1 y1(t)+α 2 y2(t) (1.2.1)

où α1 et α 2 sont des paramètres réels.

168
 u(t) Système linéaire ou y(t)
non linéaire

Figure 1.5 : Model élémentaire du système automatique

Les systèmes non linéaires ne respectent pas le principe de superposition. De tels systèmes
consistent dans une ou plusieurs variables qui présentent différentes limitations (saturation,
seuil, hystérésis) et qui ont un comportement linaire pour un intervalle réduit de valeurs. Il
existe néanmoins des méthodes de linéarisation qui facilitent le travail avec les modèles non
linéaires.
Dans le cas des systèmes continus, l’analyse mathématique des systèmes algébriques est facile
grâce à la transformation de Laplace et ses propriétés. Ainsi l’opérateur « dérivation », s
(s=d/dt) sert au transfert du domaine temporel vers le plan complexe, et la représentation
temporelle du processus sera remplacée par la représentation en fréquence.
Cette analyse comporte des notions primaires comme la réponse indicielle, qui représente la
réponse du système à l’échelon unitaire, E(t), ou la réponse impulsionnelle qui représente la
dérivé par rapport au temps de la réponse indicielle [Noura et al.,1996], [Larminant, 1993]. La
stabilité d’un système linéaire est obtenue seulement si la réponse impulsionnelle tend vers 0
quand t tend vers ∞ .
En fonction de la nature du système étudié (uni - varié ou multi - varié), on distingue deux
représentations principales déterminées par l’application de la transformation de Laplace. Ces
sont: la fonction de transfert opérationnelle pour le système uni-varié, respectivement la
matrice de transfert opérationnelle pour le système multi-varié.
D’une manière similaire au cas continu, pour le cas discret la transformation en Z intervient et
les notions « avance », z et « retard », z-1, seront adoptées. Si l’entrée du système est
représentée par un signal harmonique de la forme u(t)=cosωt , l’analyse fréquentielle est
réalisé a l’aide de la transformation de Fourier [Larminant, 1993], [Borne et al., 1992].
Les interprétations dans le plan complexe se traduisent dans des diagrammes de type Bode
représentant l’amplitude et la phase de la fonction de transfert, Η(jω) , ou dans des
diagrammes de type Nyquist qui représentent sur le même graphe la pulsation, l’amplitude et
la phase, etc.

169
 A1.3 Principe de fonctionnement d’un régulateur automatique

Elément essentiel du bloc de commande, le régulateur automatique peut être représenté par un
simple intégrateur (le cas de boucle ouverte), ou un correcteur dynamique défini par le gain,
K(s) (boucle fermée). La partie opérationnelle est caractérisée par le transfert entre les entrées
et les sorties, ce transfert l’on note avec G(s) (figure 1.6).

H(s)

Commande Processus
Régulateur

K(s) G(s

Figure 1.6 : Les transferts dans un system automatique

Le transfert total pour le système est K(s)G(s), et l’on exprime à l’aide de la fonction de
transfert, H(s) :

H(s)=K(s)G(s) (1.3.1)

Afin d’obtenir l’état stable du système, l’automaticien essaie de minimiser ce qu’on appelle la
sensibilité du système, S :

S= 1 (1.3.2)
1+ H(s)

Dans la synthèse du régulateur d’un bloc de commande on peut se baser sur un model aussi
représentatif que possible de la réponse indicielle observe. Le régulateur de type PID
(Proportional Integrativ Derivative) [Larminant, 1993], [Tsung et Apley, 2002] permet
obtenir d’excellentes performances.

170
De point de vue de la conception le régulateur PID représente une combinaison entre le
régulateur Proportionnel Dérivé, (PD), et Proportionnel Intégrée, (PI). La fonction de transfert
d’un régulateur PD est obtenu à partir d’un schéma élémentaire proportionnelle en bouclée
fermée, comme dans la figure 1.7 :

L(s)
r e u y
K G(x)
-

Figure 1.7 : Boucle fermée

proportionnelle
Entre la consigne r, la sortie y et l’entrée u la relation suivante est valable [Larminant, 1993] :

u = K (s )(r − y ) (1.3.3)

Notons T(s), le transfert en boucle fermée, alors on obtient:

y =T(s)r (1.3.4)

Pour la valeur maximale Kp de la fonction K, on peut établir la sensibilité statique de la

boucle :

1
S (0) = (1.3.5)
1 + K p G (0)

Souvent cette sensibilité est trop grande et dans cette situation le correcteur proportionnel sera
remplacé par un correcteur dynamique, K(s). Le gain proportionnel peut être augmenté en
utilisant un réseau à avance qui amène des fréquences plus grandes que ω r (fréquence de
résonance), au voisinage d’un domaine spécifié. Ainsi la vitesse de réponse du système sera
augmentée. Le réseau à avance est caractérisé par la fonction transfert :

1 + sT
K ( s) = , τ <<T (1.3.6)
1 + sτ

171
Si on considère τ = 0 et on note avec Td la valeur de T pour un régulateur PD, la fonction de
transfert du correcteur prend la forme :

K ( s ) = K p (1 + sTd ) (1.3.7)

Tandis que le facteur proportionnel améliore notamment la précision de la réponse du

système, le régulateur PD a un effet stabilisant car il s’oppose aux grandes oscillations (les
variations de l’erreur) et améliore le temps de réponse.
L’intérêt du correcteur PI est d’améliorer la précision par l’annulation de l’erreur statique
(dans le régime permanent). Cependant il modifie la fréquence de la résonance, ω r , et conduit
à une fonction de transfert caractérisée dans la relation :

 1 
K ( s ) = K p 1 +  (1.3.8)
 sTi 

où Ti est la valeur de T pour un correcteur de type PI. Contrairement au correcteur PD, le

facteur intégrateur ralenti le système et introduit un déphasage supplémentaire qui en régime
transitoire rend le système instable.
En combinant les réseaux PI et PD on obtient un réseau boucle fermée avec la configuration
proportionnelle intégré dérivé, PID. En plus, si on considère Ti>>Td, le gain du régulateur
PID sera caractérisé par la relation 1.3.9:

 1 
K ( s ) ≈ K p 1 + + sTd  (1.3.9)
 sTi 

L’intérêt du correcteur PID est d’intégrer les effets positifs des trois correcteurs présentés : le
choix des coefficients proportionnel, Kp, intégrateur, Ti, et dérivative, Td du correcteur PID
permet d’améliorer à la fois la précision (Ti et Kp) la stabilité (Td) et la rapidité (Td, Kp).

172
 A1.4 Précisions sur l’implémentation du modèle intégré dans le model Simulink
Multiloop_Mode3.mdl :

Concernant la manipulation des simulations du modèle avec le module Simulink (logiciel

Matlab), nous avons précisé que la méthode a été implémentée sur le schéma proposée par
Ricker [Ricker, 1996]. Quelques précisions techniques sont ici nécessaires sur la manipulation
des paramètres concernés par notre étude présentée dans la section 4.2.2 du chapitre III de ce
mémoire.

• Dans le schéma Multiloop_Mode3.mdl, le contrôleur de base (qui en réalité à une

structure PI) est intégré au troisième niveau (sous - sous masque) du bloc fonctionnel
décrit dans la figure 4.19 (section 4.2.2, chapitre III). La structure de ce contrôleur
comporte un intégrateur en série avec le bloc de gain proportionnel. Pour le nouveau
contrôleur, un bloc supplémentaire pour l’action dérivée sera introduit en parallèle
avec le bloc intégrateur.
• Les valeurs des paramètres des nouveaux contrôleurs, calculées selon l’algorithme
décrit dans la section 4.2.2 du chapitre III (équations 4.17 et 4.19) représentent les
valeurs des paramètres traditionnels d’un correcteur PID, qui généralement a une
structure en parallèle (le gain proportionnel fait partie du bloc en parallèle, comme
dans la figure 4.18). En conséquence les valeurs calculées avec les équations 4.17 et
4.19 ont été converties dans les valeurs correspondants de ce schéma en tenant compte
également de la période d’échantillonnage du modèle (les valeurs Ti et Td sont
divisées par la valeur du gain proportionnel et multipliées avec sample time, ici Ts
=0.0005).
• Dans le schéma de base le gain proportionnel ressort négatif et cela a été compensé par
l’utilisation du signe ‘-’ pour le réglage de ce paramètre. En dehors de l’utilisation du
bloc de dérivation, les changements des différents paramètres ont été effectués dans le
module (« configuration parametres ») associé à notre modèle..
• Avec ces considèrent les valeurs réels des paramètres demandées par le module
Simulink ont était :

173
Première réglage (première nouveau PID):

T i = 60277 (sec)

sur le système de base:
K p2 = − 0 . 0018

dans la sous- sous masque du système : Td = 5069Ts (sec)

Deuxième réglage (deuxième nouveau PID):

T i = 11794 (sec)

sur le système de base:
K p2 = − 0 . 0102

dans la sous- sous masque du système : Td = 2948Ts (sec)

174
175
Références

[Abraham, 1977] Abraham B., “Control Charts and measurements errors”, Conference of the
ASQC, 31, 1977

[Annadi et al., 1995] Annadi H.P., Keats J. B., Runger G. C., Montgomery D.C., “An
Adaptive Sample Size CUSUM Control Chart”, International Journal of Production Research,
Vol. 33, No. 6, 1995

[Apley et Jianjun, 2001] Apley D. W., Jianjun Shi, “A Factor-Analysis Method for
Diagnosing Variability in Multivariate Manufacturing Processes”, Technometrics, Vol. 43,
No. 1, pp. 84-94, 2001

[Argon et Elsayed, 2002] Argon C., Elsayed E.A., “Design and Performance Analysis of the
Exponentially Weighted Moving Average Mean Estimate for Processes Subject to Random
Step Changes”, Technometrics, vol 44, No 4, pp.379-389, 2002

[Bacivarov, 2005] Bacivarov I.C., “Sisteme de management: calitate, mediu securitate,

siguranta, etica, responsabilitate sociala”, Quality Assurance, Year XI, No. 43, july -
september 2005

[Baklizi, 2005] Baklizi A., “Weighted Kolmogorov – Smirnov type tests for grouped
Rayleigh data”, Applied Mathematical Modelling, 2005

[Bakshi, 1998] Bakshi B.R., “Multiscale PCA with application to multivariate statistical
process monitoring”, AIChE Journal, 44, 1596 – 1610, 1998

[Basseville et Nikiforov, 2002] Basseville M, Nikiforov I.V., “Fault isolation for diangnosis :
nuisance rejection and multiple hypotheses testing”, Annual Review in Control, Vol. 26, No.
2, 2002

176
[Borne et al., 1992] Borne P., Dauphin-Tanguy G., Richard J.P., “Modélisation et
identification des processus”, Ed. Technique, 1992

[Box et Luceno, 1997] Box G. E., Luceno A., “Statistical Control by Monitoring and
Feedback Adjustment”, John Wiley & Sons, Incorporated, 1997

[Box et al., 1997] Box G. E. P, Coleman D.E, Baxley R.V, “A comparison of Statistical
Process Control and Engineering Process Control”, Journal of Quality Technology, Vol. 29,
No. 2, April 1997

[Carr, 1999] Carr G., “MSP for continuous Processes”, Intel Corp Chemical Engineering,
June 1999

[Castagliola, 1996] Castagliola P., “Evaluation of non- normal process capability indices
using Burr’s distributions”, Quality Engineering Vol. 8, No. 4, pp. 587-593, 1996

[Castagliola, 1998] Castagliola P., “Simple control charts for data having a symmetrical
leptokurtic distribution”, 4th ISSAT International Conference on Reliability and Quality in
Design, ISBN: 0-9639998-3-4, pp159-162, Seattle WA, USA, 1998

[Castagliola, 1999] Castagliola P., “Cartes de controle pour des processus non gaussiens”, 29
mars 1999

[Castagliola et Tsung, 2005] Castagliola P., Tsung F., “Autocorrelated SPC for Non-Normal
Situations”, Quality And Reliability Engineering International, No 21, pp. 131-161, 2005

[Cassady et al., 2000] Cassady C.R., Bowden R.O., Liew L., Pohl E. A., “Combining
preventive maintenance and statistical process control : a preliminary investigation”, IIE
Transaction, Vol. 32, pp. 471-479, 2000

177
[Chan et al., 2004] Chan W. S., Cheung S. H., Wu K. H., “Multiple forecasts with
autoregressive time series models: case studies”, Mathematics and Computers in Simulation,
No. 64, pp. 421–430, 2004

[Chen et al., 1998] Chen G., McAvoy T., J., Piovoso M., “A multivariate statistical controller
for on –line quality improvement”, J. Proc. Cont., Vol. 8, No. 2, pp 139-149, 1998

[Chen, 2004] Chen Y. K., “Economic design of X control charts for non – normal data using
variable sampling policy”, Int. J. Production Economics, Vol. 92 , pp. 61 – 74, 2004

[Chen et Cheng, 2005] Chen H., Cheng Y., “Non - normality effects on the economic-statistical
design of charts with Weibull in-control time”, European Journal of Operational Research, 3
august 2005

[Chernick, 1999] Chernick M. R., “Bootstrap Methods A practitioner’s guide”, Wiley Series in
Probability and Statistics, ISBN 0-471-34912-7, USA 1999

[Cherry et al., 2006] Cherry G. A., Qin S. J., “Multiblock Principal Component Analysis Based
on a Combined Index for Semiconductor Fault Detection and Diagnosis”, IEEE Transactions
on Semiconductor Manufacturing, Vol. 19, No. 2, pp. 159-172, 2006

[Chiang et Pell, 2004] Chiang L.H, Pell R.J., “Genetic algorithms combined with discriminant
analysis for key variable identification”, Journal of Process Control, No.14, pp. 143-155, 2004

[Chiang et al., 2004] Chiang et al., “Fault diagnosis based on Fisher discriminant analysis and
support vector machines”, Computers and chemical engineering No. 28, pp.1389-1401, 2004

[Choi et al., 2006] Choi S. W., Martin E. B., Morris A. J., Lee I. B., “Adaptive Multivariate
statistical Process control for Monitoring time- Varying Processes”, Ind. Eng. Chem.Research,
Vol. 45, pp. 3108-3118, 2006-12-06

178
[Chou et al., 2001a] Chou C. Y., Chen C. H., Liu H. R., “Economic design of charts for non –
normally correlated data”, Int. J. Prod. Res., Vol. 39, No 9, pp. 1931-1941, 2001

[Chou et al., 2001b] C. Y., Li M. H. C., Wang P. H., “Economic Statistical Design of Averages
Control charts for Monitoring a Process under Non - normality”, International Journal of
Advanced Manufacturing Technology, pp. 603-609, 2001

[Clements, 1989] Clements J. A., “Process capability calculations for non normal
distributions”, Quality Progress, No. 22, pp. 995-100, 1989

[Corbett et Pan, 2002] Corbett C. J, Pan J.N., “Evaluating environmental performance using
statistical peocess control techniques”, European Journal of Operational Research, Vol. 139,
pp. 68-83, 2002

[Costa, 1999] Costa A.F.B., “Joint chart with variable parameters”, Journal of Quality
Technology, Vol. 31, pp. 408-416, 1999

[Crandall, 2004] Crandall S.H., “On using non – Gaussian distributions to perform statistical
linearization”, International Journal of non- linear Mechanics No. 39, pp. 1395 – 1406, 2004

[Dagli, 1988] Dagli C.H., “Expert system for selecting quality control charts”, Expert systems
: Strategies and Solutions in Manufacturing Design and Planning, Society of Manufacturing
Engineers, MI, 1988

[Dongfeng et Tsung, 2003] Dongfeng Shi, Tsung F., “Modeling and diagnosis of feedback-
controlled processes using dynamic PCA and neural networks”, INT. J. PROD, 2003

[Downs et Vogel, 1993], Downs J.J., Vogel E.F., “A plant – wide industrial process control
problem”, Computers Chemical Engineering, Vol. 17, No. 3, pp. 245-255, 1993

[Duclos, 1997] Duclos E., “Contribution à la Maîtrise Statistique des Procédés. Cas des
procédés non normaux”, Université de Savoie, 27 novembre 1997

179
[Duffuaa et al., 2004] Duffuaa S.O., Khursheed S.N., Noman S. M., “Integrating statistical
engineering process control and Taguchi’s quality engineering”, INT. J. PROD, oct. 2004

[Efron, 1979] Efron B., “Bootstrap Methods: Another look at the Jacknife”, Ann. Statist.,
No.7, pp.1 - 26, 1979

[Elsayed et al., 1995] Elsayed E.A., Ribeiro J.L., Lee M.K., “Automated process control and
quality engineering for processes with damped controllers”, INT.J. PROD.RES., Vol. 33, No
10, 1995

[Falkovich et al., 2004] Falkovich G., Kolokolov I., Lebedev V., Mezentsev V., Turitsyn S.,
“Non-Gaussian error probability in optical soliton transmission”, Physica D 195, pp 1 – 28,
2004

[Fournier et al., 2006] Fournier B., Rupin N., Bigerelle M. , Najjar D., Iost A., “Application of
the generalized lambda distributions in a statistical process control methodology”, Journal of
Process Control, No.16, pp. 1087 – 1098, 2006

[Fung et Mangasarian, 2001] Fung G. et Mangasarian O. L., “Proximal Support Vector

Machine Classifiers”, Data mining institute technical report 01-02, 2001

[Gertler, 1998] Gertler J.J., “Fault detection and diagnosis in Engineering systems”,
ED.Marcel Dekker, 1998

[Gob et al., 1999] Gob R, Del Castillo E., Drager K, “Run length analysis of Shewhart charts
applied to drifting processes under an integrative SPC/EPC model”, Metrika, No.50, pp. 137-
161, 1999

[Grau, 2006] Grau D., “Indices de capabilité pour des lois non-normales en présence de
tolérance asymétriques”, Congrès Agrostat Papers (Agro-Industrie et Méthodes statistiques),
Montpellier, 25-27 January 2006

180
[Grigoriu, 1995] Grigoriu M., “Applied non - gaussian processes. Examples, Theory,
simulation, Linear random vibration end Matlab Solutions”, Prentice Hall PTR, New Jersey,
1995

[Guidez, 1997] Guidez L., “Conception de cartes de contrôle assistée par ordinateur et
calculs de capabilités appliqués au processus non gaussiens: Application à la production
d’embrayages”, Université Technologique de Compiègne, 12 décembre 1997

[Guidez et al., 1997] Guidez L., Barreau A., Cherfi Z., “MSP : Impact de la non normalité sur
les indicateurs de capabilite”, 2éme Congrès pluridisciplinaire Qualité et Sûreté de
fonctionnement, pp. 145 – 152, 1997

[Gultekin, 2000] Gultekin M., “Change point detection and control of automatic continuous
processes”, Thése pour obtenir le titre de doctorat, New Brunswick, New Jersey, October,
2000

[Gultekin et al., 2002] Gultekin M., Elsayed E.A., English J.R., “Monitoring automatically
controlled processes using statistical control charts”, INT.J.PROD. RES, Vol. 40, No 10,
2002

[Harris, 2004] Harris Th. J., “Statistical properties of quadratic – type performance indices”,
Journal of Process control, Vol.14, pp. 899 – 914, 2004

[Hawkins, 2002] Hawkins D.M., “Diagnostics for conformity of paired quantitative

measurements”, statistics in medicine, No 21, 1913-1935, 2002

[Hawkins et Zamba, 2005] Hawkins D.M., Zamba K.D., “Statistical Process Control for
Shifts in Mean or Variance Using Changepoint Formulation”, Technometrics, Vol. 47, No. 2,
May 2005

181
[Henderson, 2005] Henderson A. R., “The bootstrap: A technique for data-driven statistics.
Using computer-intensive analyses to explore experimental data”, Clinica Chimica Acta, 2
April 2005

[Hu et Lin, 2000] Chin – Yuan Hu et Gwo Dong Lin, “On an inequality for the Rayleigh
distribution”, The Indian Journal of Statistics, Vol. 62, pp. 36-39, 2000

[Jackson, 1959] Jackson J.E., “Quality control methods for several related variables,
Technometrics”, No.1, pp.359 – 377, 1959

[Jackson et Mudholkar, 1979] Jackson J.E., Mudholkar G. S., “Control procedures for
residuals associated with principal component analysis”, Technometrics, No.21, pp.341-349,
1979

[Jackson, 1980] Jackson J.E., “Principal components and factor analysis: Part I – principal
components”, J. of Quality Technology, No.12, pp.201-213, 1980

[Janakiram et Keats, 1998] Janakiram M., Keats B. J., “Combining SPC and EPC in a Hybrid
Industry”, Journal of Quality Technology, Vol. 30, No. 3, 1998

[Jearkpaporn et al., 2003] Jearkpaporn D. P., Montgomery D. C., Runger G.C., Borror C. M.,
“Process Monitoring for correlated Gamma-Distributed Data Using Generalized-Linear-
Model-Based Control Charts”, Qual. Reliab. Engng. Int., Vol. 19, pp. 477-491, 2003

[Jiang et Tsui, 2002] Jiang W, Tsui K.L., “SPC monitoring of MMSE and PI - Controlled
Processes”, Journal of Quality Technology, Vol. 34, No. 4, Octobre 2002

[Jiang et al., 2002] Jiang W., Wu H., Tsung F., Nair V. N. Tsui K.L., “Proportional Integral
Derivative Charts for process monotoring”, Technometrics, Vol. 44, No. 3, 2002

182
[Johnson et al., 1994] Johnson, Samuel Kotz, N. Balakrishnan “Continuous univariate
distributions”, Vol. I, Second Edition, Wiley Serie in Probability and Mathematical Statistics,
1994

[Kanazuka, 1986] Kanazuka T., “The effects of measurements error on the power of X barre-
R charts”, Journal of Quality Technology, Vol. 18, 1986

[Kano et al., 1999], Kano M., Nagao K., Ohno H., Hasebe S., Hashimoto I., “New methods of
process monitoring using principal component analysis”, AIChE Annual Meeting, Dallas,
TX, paper 224a, 1999

[Kano et al., 2000] Kano M., Nagao K., Ohno H., Hasebe S., Hashimotom I., Strauss R.,
Bakshi B., “Comparison of Statistical Process Monitoring Methods: Application to the
Eastman Challenge Problem”, Computers & Chemical Engineering, Vol.24, No.2-7, pp.175-
181, 2000

[Kano et al., 2001] Kano M., Ohno H., Hasebe S., Hashimoto I., “A New Multivariate
Statistical Process Monitoring Method Using Principal Component Analysis”, Computers &
Chemical Engineering, Vol.25, No.7-8, pp.1103-1113, 2001

[Kano et al., 2002a] Kano M., Ohno H., Hasebe S., Hashimoto I., “Statistical Process
Monitoring Based on Dissimilarity of Process Data”, AIChE Journal, Vol.48, No.6, pp.1231-
1240, 2002

[Kano et al., 2002b] Kano M., Nagao K., Ohno H., Hasebe S., Hashimoto I., Strauss R.,
Bakshi B, “Comparison of Multivariate Statistical Process Monitoring Methods with
Applications to the Eastman Challenge Problem”, Computers & Chemical Engineering,
Vol.26, No.2, pp.161-174, 2002

[Kano et al., 2004] Kano M., Hasebe Sh., Hashimoto I., Ohno H, “Evolution of multivariate
statistical process control: application of independent component analysis and external
analysis”, Computers and Chemical Engineering, Vol. 28, pp. 1157-1166, 2004

183
[Katayama et Sugimoto, 1997] Katayama T., Sugimoto S., “Statistical methods in Control and
Signal Processing”, Serie Electrical Engineering and Electronics, Marcel Dekker Inc., 1997

[Kobi, 1994] Kobi A., “Diagnostic de processus continus: Application à la détection de

valeurs aberrantes dans les signaux d’entrée et de sortie de systèmes”, Institut National
Polytechnique de Lorraine, Juin, 1994

[Kobi, 2004] Kobi A., “Contributions a l’optimisation et a la maîtrise des processus

industriels”, Habilitation Dirigée de Recherche, ISTIA, Université d’Angers, septembre 2004

[Kulkarni et al., 2005] Kulkarni A. et al., “Knowledge incorporated support vector machines
to detect faults in Tennessee Eastman Process”, Computers and Chemical Engineering, No.
29, pp. 2128 – 2133, 2005

[Kundu, 2004] Debasis Kundu, Mohammad Z. Raqab, “Generalized Rayleigh distribution:

different methods of estimation”, http://home.iitk.ac.in/~kundu/, 2004

[Kurti, 2006] Kurti Th., “The Process Analytical Technology Initiative and Multivariate
Process Analysis, Monitoring and Control”, Anal. Bioanal. Chem., Vol.384, pp. 1043-1048,
2006

[La Jaune et la Rouge, 2001] “La théorie des variations et la MSP”, publié dans la revue « La
Jaune et la Rouge», Revue des anciens élèves de l’École Polytechnique, Mars 2001

[Larminat, 1993] Larminat P., “Automatique – commande des systèmes linéaires”, Ed.
Hermes, 1993

[Lee et Mangasarian, 2001] Lee Y., Mangasarian O. L. , “RSVM : Reduce Support Vector
Machines”, Proceedings of the SIAM International Conference on Data Mining, Chicago,
Ilinois, 2001

184
[Lin et Chou, 2005a] C Lin Y. C., Chou C. Y., “On the design of variable sample size and
sampling intervals X charts under non-normality”, Int. J. Production Economics 96, pp. 249-
261, 2005

[Lin et Chou, 2005b] Lin Y.C., Chou C.Y.: “Non-normality and the variable parameters X
control charts”, European Journal of Operat. Research, June 2005

[Lloyd, 1952] Lloyd E. H., “Least squares estimation of location and scale parameters using
order statistics”, Biometrika, Vol. 39, No. 88-95, 1952

[Lucas et Saccucci, 1990] Lucas J. M., Saccuci M. S., “Exponentially Weighted Moving
Average Control Schemes: Properties and Enhancement”. Technometrics 32, pp. 1–29, 1990

[MacGregor et Kourtl, 1995] MacGregor J.F., Kourtl T., “Statistical Process Control Of
Multivariate Processes”, Control Fag. Practice, Vol. 3, No. 3, pp. 403-414, 1995

[Magalhäes et al., 2006] Maysa S De Magalhäes, Antonio F. B. Costa, Francisco D Moura

Neto, “Adaptive control charts: a Markovian approach for process subject to independent
disturbances”, Int. J. Production Economics 99, pp. 236-246, 2006

[Mastrangelo et al., 1996] Mastrangelo C. M., Runger G. C., Montgomery D. C., “Statistical
Process Monitoring with Principal components”, Quality and Reliability Engineering
International, Vol. 12, pp. 203-210, 1996

[Mayer et al., 2004] Mayer-Wolf E., Roitershtein A., Zeitouni O., “Limit theorems for one-
dimensional transient random walks in Markov enviroments”, Ann. I. H. Poincaré – PR 40,
pp. 635-659, 2004

[Mayers et Montgomery, 1997] Mayers R. H., Montgomery D. C., “A Tutorial on

Generalized Linear Models”, Journal of Quality Technology, Vol. 29, No. 3, July 1997

185
[McAvoy et Ye, 1994], McAvoy T.J., Ye N., “Base control for Tennessee Eastmen problem”,
Computers Chemical Engineering, Vol. 18, pp. 383-413, 1994

[Militaru, 2001] Militaru C., Dumitrescu A., “Statistica Tehnica”, Bucuresti, Ed. Bren 2001

[Militaru et Crisan, 2002] Militaru C., Crisan D. M., “Capabilitatea proceselor de

fabricatie”, TIPARG, ISBN 973-8029-68-6, Pitesti Romania, 2002

[Montgomery, 1991] Montgomery D. C., “Introduction to Statistical Quality Control”, 2nd

Edition. John Wiley & Sons, New York, NY, 1991

[Montgomery et al., 1994] Montgomery D.C., Keats. J.B., Runger G.C., Messina W.S.,
“Integrating statistical process control and engineering process control”, Journal of Quality
Technology, Vol. 26, 1994

[Montgomery, 1996] Montgomery D. C., “Introduction to Statistical Quality Control”, Third

Edition, Ed. John Wiley and Sons, Inc., 1996

[Mudelsee et Alkio, 2006] Mudelsee M, Alkio M., “Quantifying effects in two-sample

environmental experiments using bootstrap confidence intervals”, Environmental Modelling
& Software, 2006

[Mihalache et al., 2005] A. Mihalache, F. Guerin, M. Barreau, A. Todoskoff, B. Dumon,

“Reliability estimation of embedded mechatronic systems”, Proceeding of REM2005, Annecy,
France, Juin, 2005

[Nichols et Padgett, 2006] Nichols M. D., Padgett W. J., “A Bootstrap control Chart for
Weibull Percentiles”, Qual. Reliab. Engng. Int., Vol. 22, pp. 141-151, 2006

[Noura et al., 1996] Noura H., Aubrun C., Hamelin F., Sauter D., “Accommodation aux
défauts et reconfiguration des lois de commande”, Journal Européen des systèmes
Automatisées, 1996

186
[Pages, 1954] Page E.S., “Continuous Inspection Schemes”, Biometrika, Vol. 41, pp. 100-114,
1954

[Pal, 2005] Pal S., “Evaluation of nonnormal process capability indices using generalized
lambda distribution”, Quality Engineering, 17, 77-85, 2005

[Patton et Frank, 2000] Patton R.J, Frank P.M., “Issues of fault diagnosis for dynamic
system”, Springer, New-York, 2000

[Pearn et Chen, 1997] Pearn W.L., Chen K. S., “Capability indices for non normal
distributions with application in electrolytic capacitor manufacturing”, Microelectronical
Reliability, Vol 37, No 12, pp 1853-1858, 1997

[Pearn et al., 2002] Pearn W.L., Ko C.H., Wang K. H., “A multiprocess performance analysis
chart based on the capability index Cpp: an application to the chip resitors”, Microelectronical
Reliability, Vol. 42, pp. 1121-1125, 2002

[Pereira et al., 2000] Pereira C, Henriques J., Dourado A., “Adaptive RBFNN versus
conventional self-tuning : comparison of two parametric model approaches for non-linear
control”, Control Engineering Practice, No. 8, pp. 3-12, 2000

[Perigord, 1990] Perigord M., “Formation à la maîtrise statistique des procédés - une
démarche participative”, Les Editions d’Organisation, Collection « Management 2000 »,
ISBN 2-7081-1172-8, France 1990

[Phillips et al., 1997] Phillips A.R., Jeffries R., Schneider J., Frankoski S.P., “Using
Repeatbility and Reproductibility studies to evaluate a destructive test method”, Quality
Engineering , Vol. 10, No. 2, 1997

[Pillet, 1993], Pillet M., “Contribution à la maîtrise statistique des procédés - Cas particulier
des petites séries”, Thèse de Doctorat, Université de Savoie, juillet 1993

187
[Pillet, 2002] Pillet M., “Appliquer la maîtrise statistique des procèdes (MSP/SPC)”, 4e
Edition, Ed. D’Organisation, 2002

[Pyzdek, 1995] Pyzdek Th., Compilation “Why Normal Distributions Aren’t [All That
Normal]”, Quality Engineering, Vol. 7 No. 4, 1995, pp.769-777, “Process Capability
Analysis Using Personal Computing”, Quality Engineering, Vol. 4, No. 3, 1992 , pp. 419 –
440, www.qualitydigest.com/dec99/html/nonnormal.html

[Qiu et Hawkins, 2001] Qiu P., Hawkins D., “A Rank-Based Multivariate CUSUM
Procedure”, Technometrics, Vol. 43, No. 2, pp. 120 – 132, 2001

[Rao et al., 1995] Rao S., Strojwas A., Lehoczky J., Schervish M., “Monitoring VLSIC
fabrication processes : A bayesian Approach”, IEEE/SEMI Advanced Semiconductor
Manufacturing Conference, 1995

[Ricker, 1996] N. L. Ricker, “Decentralized control of the Tennessee Eastman Challenge

Process”, J. Proc. Cont., Vol. 6, No. 4, pp. 205-221, 1996

[Roberts, 1959] Roberts S.W., “Control chart tests based on geometric moving averages”,
Technometrics, Vol.1, pp. 239-250, 1959

[Ruhhal et al., 2000] Ruhhal N. H., Runger G. C., Dumitrescu M., “Control Charts and
Feedabck Adjustements for a Jump Disturbance model”, Journal of Quality Technology, Vol.
32, No. 4, 2000

[Runger et Montgomery, 1997] Runger G. C., Montgomery D. C., “Multivariate and

univariate Process Control: Geometry and Shift Detections”, Qual. Reliab. Engng. Int., Vol.
13, pp. 153-158, 1997

[Shetty et al., 2004] Shetty P. K., Srikanth R., Ramu T.S., “Modeling and on-line recognition
of PD signal buried in excessive noise”, Signal Processing, No. 84, pp 2389-2401, 2004

188
[Shewhart, 1931] Shewhart W. A., “Economic Control of Quality of Manufactured Product”,
New York, D. Van Nostrand Co, 1931

[Shi et Tsung, 2003] Shi D, Tsung F., “Modeling and diagnosis of feedback-controlled
processes using dynamic PCA and neural networks”, INT. J. PROD, 2003

[Somerville et Montgomery, 1997] Somerville S. E., Montgomery D.C., “Process capability

indices and non normal distributions”, Quality Engineering, Vol. 9, No.2, pp. 305-316, 1996 –
1997

[Souvay, 1999] Souvay P., Magnien P., “SPC, symetriés et coaxialités”, Technologies et
Formations, No. 54, 1999

[Sriniwas et Arkun, 1997] Sriniwas G. R., Arkun Y., “Control of the Tennessee Eastman
process using input-output models”, J. Proc. Cont., Vol. 7, No. 5, pp. 387- 400, 1997

[Stanard, 2001] Stanard C. L., “Six Sigma Special Topics: Z-Shifts, Statistics & Non-Standard
Data Analysis”, General Electric Corporate Research and Development, Quality and
Productivity Conference, July 2001,
http://www.isixsigma.com/offsite.asp?A=Fr&Url=http://www.crd.ge.com/cooltechnologies/pdf
/2001crd120.pdf

[Stoumbos, 2002] Stoumbos Z.G., “Process capability indices: overview and extensions”,
Nonlinear Analysis: Real World Applications No. 3, pp.191 – 210, 2002

[Sun et al., 2001] Sun F. B., Yang J., Del Rosario R., Murphy R., “A conditional reliability
control chart for the post-production extended reliability - test”, Proceedings Annual
Relaibility and Maintainability Symposium, pp. 64-73, 2001

[Sweet et Tu, 2006] Sweet A. L., Tu J. F., “Evaluating tolerances and process capability
when using truncated probability density functions”, International Journal of Production
Research, No. 17, Vol. 44., pp. 3493 – 3508, 2006

189
[Taylor Hobson Ltd.] Taylor Hobson Ltd., “Roundness Terms and Definitions”,
http://www.taylor-hobson.com

[TEC –EASE INC., 2005] TEC –EASE INC., GD&T Tips, “Circularity Size - Controlling
Form”, “Concentricity and Position - Coaxiality Controls”, http://www.tec-
ease.com/tips/november-04.htm, 2005

[Teyarachakuèl et al., 2006] Teyarachakuèl S., Chand S., Tang J., “Estimating the limit for
statistical process control charts: A direct method improving upon the bootstrap”, European
Journal of Operational Research, 11 January 2006

[Tian et Hoo, 2005] Tian Z. et Hoo A., “Multiple Model-Based Control of the Tennessee-
Eastman Process”, Ind. Eng. Chem. Res., No. 44, pp. 3187-3202, 2005

[Tiplica et al., 2001] T., Kobi A., Barreau A., Bacivarov I., “Synthèse et comparaison des
méthodes pour la maîtrise statistique des processus multivariés”, QUALITA 2001, 22-23
Mars, Annecy France, 2001

[Tiplica, 2002] Tiplica T, “Contributions a la maîtrise statistique des processus industriels

multi varies”, Institut des Sciences et Techniques de l’Ingenieurs d’Angers, 2002

[Tsacle et Aly, 1996] Tsacle E. G., Aly N. A., “Expert System model for implementing
statistical process control in the heakth care industry”, Computers & Industriel Egineering,
Vol. 31, No. 1/2, pp. 447-450, 1996

[Tsung, 1999] Tsung F, “Improving automatic-controlled process quality using adaptive

principal component monitoring”, Quality and Reliability Engineering International, No .15,
1999, pp. 135-142, 1999

[Tsung et Shi, 1999] Tsung F, Shi J., “Integrated design of run - to – run PID controller and
SPC monitoring for process disturbance rejection”, IIE Transactions, No. 31, pp.517-527,
1999

190
[Tsung et al., 1999] Tsung F., Shi J. and Wu C. F.J. “Joint monitoring of PID-Controlled
Processes”, Journal of Quality Technology, Vol. 31, No. 3, 1999

[Tsung et Apley, 2002] Tsung F., Apley D. W., “The dynamic T2 chart for monitoring
feedback- controlled processes”, IIE Transactions, No. 34, 2002, pp. 1043-1053, 2002

[Tukey, 1958] Tukey J. W., “Bias and confidence in not quite large samples”, Ann. Math.
Statist., Vol. 29, No 614, 1958

[Vernaat et al., 2003] Vernaat M.B., Ion R.A., Does R.J.M.M., Klaassen C.A.J, “A
Comparison of Shewhart Individuals control charts Based on Normal, Non - parametric, and
Extreme-value Theory”, Quality and Reliability Engineering International, No 19, 337-353,
2003

[Vlachos et al., 2002] Vlachos C., Williams D., Gomm J.B, “Solution to the Shell standard
control problem using genetically tuned PID controllers”, Control Engineering Practice, No.
10, 2002, pp. 151-163, 2002

[Wardell et Candia, 1996] Wardell D.G., Candia M.R., “Statistical Process monitoring of
customer satisfaction survey data”, Quality Management Journal, Vol. 3, No. 4, pp. 36-50,
1996

[Wheeler and Chambers, 1992] Wheeler D.J., Chambers D. S., “Understanding Statistical
Process Control”, Second Edition, Ed. SPC Press, Knoxville, Tennessee, 1992

[Wisnowski et al., 2003] Wisnowski J. W., Simpson J. R., Montgomery D. C., Runger G. C.,
“Resampling methods for variable selection in robust regression”, Computational Statistic
and Data Analysis, Vol. 43, pp. 341-355, 2003

[Woodward, 1997] Woodward P., “Of skewed distributions in SPC”, Technical paper, « The
world’s knowledge », www.bl.uk, 1997

191
[Wright et Ralston, 1994] Wright A.L., Ralston P.A.S., “A Preliminary study of hybrid
Fuzzy/Statistically-Based Controllers”, IEEE, pp. 549-554, 1994

[Xie et al., 2002] Xie M., Goh T.N., Ranjan P., “Some effective control chart procedures for
reliability monitoring”, Reliability Engineering and system safety, Vol. 77, 2002, pp. 143-150

[Yang et Lu, 2000] Yang A, Lu M.L., “A formulation of the collaboration mechanism for
integrated abnormal situation management”, Computers and chemical engineering No.24, pp.
539 – 544, 2000

[Yoo et al., 2006] Yoo C. K., Villez K., In-Beum Lee, Vanrolleghem P. A., “Multivariate
Nonlinear Statistical Process Control of a Sequencing Batch Reactor”, Journal of Chemical
Engineering of Japan, Vol. 39, No. 1, pp. 43-51, 2006

[Yourstone et Zimmer, 1992] Yourstone S.A., Zimmer W. J., “Non-normality and the Design
of Control Charts for Averages”, Decision Sciences, Vol. 23, 1992

[Zani, 2004] Marie-Line Zani, Guide d’achat “Les appareils de mesure d’écart de forme”,
MESURES, No. 762, pp. 58-64, février 2004

[Zhang, 2006] Zhang F., “AEWMA Control Charts for Monitoring Variability Sources of
Solder Joints Quality”, IEEE Transactions on components and Packaging Technologies, Vol.
29, No. 1, pp. 80-88, 2006

192