Vous êtes sur la page 1sur 49

Université Cadi Ayyad ‫ﺟﺎﻣﻌـﺔ ﺍﻟﻘﺎﺿـﻲ ﻋﻳـﺎﺽ‬

Ecole Nationale des Sciences ‫ﺍﻟﻣﺩﺭﺳـﺔ ﺍﻟﻭﻁﻧﻳـﺔ ﻟﻠﻌﻠـﻭﻡ ﺍﻟﺗﻁﺑﻳﻘﻳـﺔ‬


Appliquées de Safi ‫ﺁﺳﻔــﻲ‬

Lean Six Sigma

Mme TOURIKI Fatima Ezahra
Département Génie Industriel
Année Universitaire 2016/ 2017
Université Cadi Ayyad ‫ﺟﺎﻣﻌـﺔ ﺍﻟﻘﺎﺿـﻲ ﻋﻳـﺎﺽ‬
Ecole Nationale des Sciences Appliquées ‫ﺍﻟﻣﺩﺭﺳـﺔ ﺍﻟﻭﻁﻧﻳـﺔ ﻟﻠﻌﻠـﻭﻡ ﺍﻟﺗﻁﺑﻳﻘﻳـﺔ‬
Département Génie Industriel ‫ﺁﺳﻔــﻲ‬

Module:  Lean Manufacturing

8ère et 9ème Séance:


Le Lean Six Sigma
Objectifs:
1) Être capable d’expliquer la démarche DMAIC
2) Etre capable de réaliser une étude R&R
3) Être en mesure de maitriser les outils nécessaires au traitement
statistique des résultats d’essais,
4) Être capable de tracer et interpréter une carte de contrôle pour maîtriser
des caractéristiques qualité associées à des grandeurs mesurables ou
Lean 6 Sigma

Définir

Plan Démarche
Mesurer

Analyser
DMAIC
Innover

Contrôler
Le processus caractérisé par une répétabilité

PILOTAGE Clients
Fournisseurs

Matières
RESSOURCES (matérielles, humaines, organisationnelles, Produit fini
premières
documentaires…)
ÉLEMENTS ÉLEMENTS
ENTRANTS Valeur Ajoutée SORTANTS

X1 , X2 , X3 … Y
Fonction de transfert f
Paramètres mesurables Caractéristiques
Y= f(X1, X2…)
4et contrôlables de sortie
Les fluctuations du processus résultent

De la multiplicité et de la non constance des paramètres du processus:


o La MP hétérogène ou difficile à travailler,
o La machine est défectueuse, réglages variables d’une équipe à l’autre,
o L’instrument de mesure est défectueux,
o Paramètres processus variables : ex T° et l’humidité,
o L’opérateur n’est pas suffisamment formé,
o Il n’y a pas de définition de ce qu’est un travail acceptable et un travail non
acceptable,
5
Le Lean
6 Sigma

Production de  Lean
qualité parfois 
Production rapide 
6 σ
Lean génératrice 
parfois en dépit de  6 σ
d’activités à non 
la qualité
Valeur Ajoutée
Satisfaction du client
Approches
complémentaires
6 Sigma de parle-t-on?

Méthodologie d’amélioration de la qualité orienté CLIENT,
qui permet de réduire la variabilité du PROCESSUS ,
Indicateur de performance (3,34 DPMO).
6 Sigma de parle-t-on?

• Objectifs: 
– Centrage des processus 
sur les valeurs cibles
– Diminution des 
défaillances et des défauts, 
– Réduction des coûts,
– Réduction de la variabilité 
(dispersion) au sein des 
processus,
DMAIC

1.Définir 2. Mesurer 3. Analyser 4. Améliorer 5. Maitriser

1.1
Ecouter le client et  1.2  1.3
identifier ses  Cartographier le  Définir charte 
attentes processus projet
DMAIC

1.Définir 2. Mesurer 3. Analyser 4. Améliorer 5. Maitriser

– Définir l’objet et le périmètre du 
projet (Processus‐atelier)

– Identifier les gains potentiels/ Préciser 
les objectifs 1.3
Définir charte 
– Définir l’équipe projet: responsabilité,  projet

tâches…
1.Définir

1.1
Ecouter le client et identifier 
ses attentes:

Résultats: 
1. Identification critère  
qualité
2. Identification du moyen 
de mesure
3. Définition de 
l’amélioration souhaitée
1.Définir

1.2 
Cartographier le 
processus

Résultats: 
1. Identification des 
activités processus
2. Identification des 
paramètres influents
1.Définir

1.3
Définir charte projet

Résultats:
1. Définition des objectifs 
opérationnels et financiers,
2. Identification de l’équipe et 
des responsabilités
3. Planning projet …
2. Mesurer

Objectif : Mesurer la performance du processus au regard des attentes clients.

2.1 2.3 2.4


2.2 Mesurer 
Valider le  Estimer le 
Collecte des  capabilité
processus de  sigma du 
données processus
mesure processus
Phase
Mesurer

Deux processus toujours en parallèle :  
Processus de fabrication et processus de contrôle

Fabrication Pièce Contrôle/évaluation Résultat Y

Distribution de Y Type:
Y
‐ Mesure (Variable):  Normale  ‐ Mesure (34,41,39...)
Gaussienne ‐ Inspection humain 
‐ Classement : Loi Binomiale (0,1) (classement) 
‐ Comptage: Loi de Poisson ‐ Comptage (1,2,3…)
Phase
Cas de Variable Continue Mesurer

2.1 Valider le processus de mesure:
– tude R&R : Répétabilité et Reproductibilité. 
Phase
Définition R&R:
Mesurer
Outil statistique permettant de qualifier un système de mesure en calculant un Méthodologie
pourcentage qui indique les variations totales du processus de mesure. Plus ce
pourcentage est faible et meilleur est le système.
Choisir une dizaine de pièces, mesurées au 
moins deux fois par au moins 2 opérateurs
Intérêt
Vérifier que la mesure réalisée n’est pas trop sensible au problème de répétabilité
et de reproductibilité.
Calcul de la variation du à la répétabilité
et à la reproductibilité, et la variation
La Reproductibilité totale
La Répétabilité

Variations de mesures
Variations de mesures obtenues sur un même Calcul du pourcentage R&R
successives obtenues sur un mesurande en faisant varier
même mesurande dans les une condition (notamment)
mêmes conditions. l’opérateur
10% 30% Déterminer niveau performance du
0
processus de mesure et définir si
Acceptable mais besoin les actions à mettre en place
Processus 
satisfaisant
améliorations  Inacceptable
possibles
Phase
Mesurer
2.2 Collecte des données:
• Fiche de relevé,
• Réduire la variabilité du processus à travers une analyse 5 M
Collecte des données

Diamètres de tiges tournées en mm
39,5 38,7 40 40 38,9 39,1
39 41,5 42,6 39,4 40,8 38,8
39,9 39,1 39,9 41,3 37,2 39,9
39,7 39,7 43,1 40,6 41,5 40,7
38,5 39,4 38,6 37 39,4 42,2
40 39 37 40,4 39 40,6
39,2 39,5 39,7 40 39,5 37,8
40,9 40,9 40,4 39,4 39,4 38,5
37,6 41,2 37,8 40,1 39,6 38,4
37,9 38,4 37,6 41,2 42,1 40,3

Données incompréhensibles à l’état brute !!
19
Vocabulaire générique

– Population: Ensemble des mesures observées de  la 
variable X. Population de taille N
– Échantillon: Sous ensemble de la population 
(recensement partiel)

– Paramètre : Propriété caractéristique associée à la 
population ou à l’échantillon 
– Exemple: Moyenne, écart type, étendue…
– Caractère/ Variable: C’est la propriété mesurée 
associée à l’individu (unité statistique) 
– Exemple: Diamètre, longueur  Échantillon de taille n
20
Rappel Statistique Phase
Mesurer

Variable Qualitative
Variables  Non mesurable: prend des états appelés 
Qualitatives MODALITÉS ou des niveaux dans un 
ensemble quelconque.
Variables 
Statistiques
Variable Quantitative:
Variables 
Quantitatives Mesurable: Variable qu’on peut 
exprimer NUMÉRIQUEMENT.
Phase
Mesurer
L’ensemble de ses modalités est 
Variable ordonné, exemple: faible, moyen 
Ordonnée ou peu important, assez 
Variables  important,….
Qualitatives
Variable Ph d’une solution, aspect externe 
Nominale d’un produit, couleur…
Variables 
Statistiques Peut prendre n’importe quelle valeur 
Variable dans un intervalle fini ou infini. Ex: 
Continue longueur, diamètre, Volume, poids, 
Variables  Température…
Quantitatives
Variable Peut prendre que quelques valeurs 
Discrète dans un intervalle fini ou infini. Ex: 
nombre de pièces non conformes; 
Nombre de défauts de surface…
Donnez du sens
Dans un atelier mécanique, on a vérifié le diamètre de tiges tournées sur un tour automatique. Le diamètre
des tiges devrait normalement se situer entre 36 et 44 mm (tolérance) avec une valeur nominale de 40
mm. Soixante tiges ont été mesurées avec un micromètre de précision et les résultats sont présentés dans
le tableau suivant:

Diamètres de tiges tournées en mm
39,5 38,7 40 40 38,9 39,1
39 41,5 42,6 39,4 40,8 38,8
39,9 39,1 39,9 41,3 37,2 39,9
39,7 39,7 43,1 40,6 41,5 40,7
38,5 39,4 38,6 37 39,4 42,2
40 39 37 40,4 39 40,6
39,2 39,5 39,7 40 39,5 37,8
40,9 40,9 40,4 39,4 39,4 38,5
37,6 41,2 37,8 40,1 39,6 38,4
37,9 38,4 37,6 41,2 42,1 40,3 23
Représentation graphique: Histogramme
But: visualiser un ensemble de données relatif à une caractéristique mesurable
afin de déterminer la répartition.
–Sous-Forme de diagramme composé de
RECTANGLES JUXTAPOSÉS dont la
base correspond à la largeur de la
classe et la hauteur à la fréquence de la
classe.

–La variable mesurée se trouve sur l’axe


horizontal et la fréquence sur l’axe
vertical.
Procédure de construction d’histogramme
Taille échantillon =60
1. Collecte des données: taille échantillon, Valeur Max =43,1
valeur min et max,
Valeur Min =37

Nombre de données à dépouiller  Nombre de classe
n K
2. Choix de nombre de 10 4
classes, 10<n≤22 5
22<n≤44 6
44<n≤90 7
90<n≤180 8
K= 1+ (10*log10n)/3 180<n≤360 9
360<n≤720 10
720<n≤1000 11
Procédure de construction d’histogramme
Diamètres de tiges tournées
39,5 38,7 40 40 38,9 39,1
39 41,5 42,6 39,4 40,8 38,8
3. Calcul de l’étendue: 39,9
39,7
39,1
39,7
39,9
43,1
41,3
40,6
37,2
41,5
39,9
40,7
38,5 39,4 38,6 37 39,4 42,2
40 39 37 40,4 39 40,6
Étendue= Vmax(X) – Vmin(X) 39,2 39,5 39,7 40 39,5 37,8
40,9 40,9 40,4 39,4 39,4 38,5
37,6 41,2 37,8 40,1 39,6 38,4
37,9 38,4 37,6 41,2 42,1 40,3
4. Calcul de la largeur des classes, Nombre de classes= 7
Etendue= 6,1
Largeur des classes = Etendue/nb de classe Largeur des classes= 0,87
Dans cet exemple : la largeur des classes sera arrondie au plus grand entier, donc chaque classe aura une largeur de 1 mm.
Procédure de construction d’histogramme

5. Recenser les effectifs ni de chaque classe: on compte le nombre de


mesures apparaissant pour chaque intervalle.

La fréquence: associée à une valeur de la variable est le nombre de


foisLimite
que cette
sup valeur est rencontré
Fréquence dans l’ensemble observé.
% cumulé
1 38 8 13%
2 39 11 32%
3 40 22 68% 68% des tiges ont un
4 41 10 85% diamètre inférieur à 40
5 42 5 93% mm
6 43 3 98%
7 44 1 100%
Procédure de construction d’histogramme

6. Construction de l’histogramme.

Histogramme diamètres tiges tournées
25 Tolérance 
22
max=44 mm
Fréquence par classe

20
15 11 10
10 8
5
5 3
1
0
38 39 40 41 42 43 44
Limite sup des classes
28
Interprétation d’histogramme

– L’histogramme « renseigne » sur la normalité des données à partir de:


– La distribution des données (symétrique ou pas),
– L’étendue des données individuelles,
– La valeur centrale de la distribution,
– Le lien entre la moyenne, mode et médiane.

– Forme ± symétrique histogramme indique normalité distribution des données mais


test de normalité nécessaire.

29
Calcul des paramètres de position et de dispersion

1. Paramètres de position/ tendance centrale


- Objectif: fixent la position autour de laquelle vont se disperser les
mesures (x):
- Ce sont essentiellement:
- MOYENNE,
- Mode,
- Médiane,
Calcul des paramètres de position et de dispersion

- Mode= Valeur la plus fréquente observée dans la série


statistique.
- Exemples:
- 36, 37,38, 40, 42, 38, 37, 41, 38, 38
• Mode = 38 (Ensemble Unimodal)
- 9, 15, 8, 6, 16, 15, 8, 13, 15, 8
• Mode = 8 et mode = 15 (Ensemble Bimodal)
Calcul des paramètres de position et de dispersion

- Médiane= Valeur qui sépare en deux parties égales l’ensemble des données d’une
distribution rangées par ordre de grandeurs croissantes.
- Si n = pair Médiane= n/2
- Si n = impair Médiane = (n+1)/2
- Exemple : sur les 11 mesures suivantes: 7; 16; 11; 20; 23; 19; 12; 8; 3; 1; 21
- Classées par ordre croissant: 1; 3 ;7 ; 8 ; 11 ; 12 ; 16 ; 19 ; 20 ; 21 ; 23
- La valeur 12 représente la médiane

- Elle tient compte du nombre de donnée et non de leur valeur, de ce fait, elle n’est
pas influencée par la valeur des données extrêmes.
- Inconvénient : se prête peu aux calculs mathématiques.
Leur relation
Fréquences
8
7
Distribution des données 
6
SYMÉTRIQUE : 5
Cas d’une courbe normale 4
3
2
1
0
80 85 90 95 100 105 110 115 120

Moyenne = Mode = Médiane

33
Leur relation

20
18
16
14
12
10

Asymétrie Positive 8
6
Sk >0
4
2
0
200 500 800 1100 1400 1700 2000

Mode < Médiane < Moyenne
34
Leur relation

Fréquences
8

5
Sk < 0
4

1
Asymétrie Négative 0
2500 5000 7500 10000 12500

Moyenne < Médiane < Mode
35
Calcul des paramètres de position et de dispersion

2. Paramètres de dispersion

‐ Objectif: Quantifier LES FLUCTUATIONS des valeurs


autour de la valeur centrale et permettent
d’apprécier l’étalement des valeurs.

1. Étendue (désignée par R ou W) différence entre la valeur maximale


et la valeur minimale de toutes les valeurs prises par la variable X.
Calcul des paramètres de position et de dispersion

– Ecart type = la racine carrée de la variance

• Exprimé dans la même unité que la variable.


• Donne une idée de la variation des observations autour
d’une valeur centrale (moyenne arithmétique)

– Variance est la somme des carrées des écarts à la


moyenne.
Indicateur d’homogénéité de deux distributions

• Coefficient de variation: CV
– Est obtenu en divisant l’écart‐type par la moyenne
arithmétique.
CV= (s/xbar ) * 100

– Plus le coefficient de variation est faible, plus la série


de données est homogène (concentré autour de la
moyenne).
3, Paramètres de forme

– Objectif: donnent une idée de la symétrie et de


l’aplatissement d’une distribution.

– Coefficient d’aplatissement de Kurtosis :


– Renseigne sur l’aplatissement relatif d’une distribution comparée à la
distribution de la loi normale; sa formule est indiquée dans l’aide d’Excel. Pour
une DISTRIBUTION NORMALE LE COEFFICIENT EST NUL; une valeur positive
indique une distribution plus pointue que la loi normale, une valeur négative
indique à l’inverse une distribution plus aplatie.
3, Paramètres de forme

– Coefficient d’asymétrie: Sk
• Formule indiquée dans l’aide d’Excel renseigne sur l’asymétrie de la
distribution par rapport à sa moyenne.

• Une valeur nulle ou approximativement nulle de ce coefficient


indique une symétrie de la distribution par rapport à la moyenne.

• Si la valeur est positive, la distribution est étalée vers la droite.

• Une valeur négative indique l’inverse.


Loi de distribution

Mesurage – Comptage –
Variable continue Variable discrète

Lois: Lois :
NORMALE‐ Binomiale 
Uniforme‐ Poisson
Exponentielle Hypergéométrique
Théorème Central Limite: 
Si plusieurs FACTEURS DISTINCTS ET INDÉPENDANTS influencent 
l’issue d’un processus chacun avec sa loi propre, alors la résultante 
tend vers une loi gaussienne.

La loi est normale chaque fois que:
‐ Les causes de variations sont multiples,
‐ Ses causes sont indépendantes les unes des autres
Loi Gaussienne
Densité en forme de cloche Notation : N ( μ ,σ² )
f(x)
Paramètres caractéristiques:

  μ (mu) : Moyenne centre de la 
distribution.

σ (sigma) : écart type de la 
  + x distribution.
Variable Centrée réduite
Soit X une caractéristique de qualité mesurable sur une échelle continue, distribuée
selon une loi normale de moyenne  et de variance ².

La variable Z, obtenue de la transformation z=(x‐μ)/σ, est dite variable normale centrée


réduite.
Loi Gaussienne centrée réduite

Notation : Z ~ N ( μ = 0,σ² = 1 )
Tel que z=(x‐μ)/σ

Densité de probabilité
Variable Centrée réduite
– Pour le calcul, il faudra transformer la caractéristique X en
une variable centrée réduite,

– Table « Standardisée » permet d’obtenir l’aire sous la courbe


normale, peut importe les valeurs de  et .

– L’aire qu’on peut obtenir sous la courbe normale permet


d’évaluer les chances sur 100, ou encore la probabilité que
la valeur éventuelle d’une caractéristique de qualité se situe
entre deux valeurs données, ou encore qu’elle soit
supérieure ou inférieure à une valeur particulière;
Propriétés importantes de la loi normale

1. La courbe normale est une distribution statistique théorique et la


caractéristique X qui obéit à cette distribution peut prendre toutes le
valeurs entre – ∞ et + ∞
2. L’aire sous la courbe normale et l’axe horizontal correspond à une fréquence
relative de sorte que l’aire totale correspond à 1 ou (100%)

3. Le graphe de la courbe normale est symétrique par rapport à la moyenne. Par


conséquent 50% de l’aire se situe à la gauche de  et 50% à droite.

4. La loi normale étant symétrique et unimodale, on a


moyenne=médiane=mode.
Propriétés importantes de la loi normale

5. Pour toute distribution normale de moyenne  et d’écart‐


type , on peut affirmer que :

68,26 % des individus entre  et 

95,44 % des individus entre ‐2  et +2

99,7 % des individus entre  et 


La table de la loi normale centrée
réduite ne donne que l’aire ou la
probabilité sous la courbe pour des
valeurs positives de Z :
Aire entre 0 et Z1 = Aire ente –Z1
et 0

On cherche la valeur de l’aire sous la


courbe entre z=0 et z= 0,5
P(0<z<0,86) = 0,3051

Et puisque la loi normale est


symétrique ceci donne également :
P(‐ 0,86 <z<0) = 0,3051
Exercice

• Un client commande des barres métalliques de 12 m de long. Il tolère


une erreur maximale de 5mm. Il s’est adressé à deux fournisseurs:

• Le fournisseur A qui produit des barres dont la longueur suit une


distribution normale de moyenne 12 m et d’écart type 4 mm.

• Le fournisseur B qui produit des barres dont la longueur suit une


distribution normale de moyenne 12,001 et écart type 4 mm.

• Calculez le pourcentage des barres qui seront rejetées par le client chez
le fournisseur A et le fournisseur B?

Vous aimerez peut-être aussi