Vous êtes sur la page 1sur 10

MTH 2301 Méthodes statistiques Méthodes du contrôle (maîtrise)

maîtrise statistique des processus : SPC statistique de la qualité

SPC 1 Méthodes statistiques de la qualité : Statistical Quality Control OÙ ? QUOI : MÉTHODES


 échantillonnage des lots : Acceptance Sampling
 cartes de contrôle de Shewhart: Statistical Process Control (SPC) RÉCEPTION et EXPÉDITION PLANS
 planification d’expériences : Design Of Experiment (DOE) - Taguchi matières premières D'ÉCHANTILLONNAGE
 analyse des modes défaillances : Failure Mode Effect Analysis (FMEA) produits semi finis LOTS
 déploiement fonction qualité : Quality Function Deployment (QFD) produits regroupés en lots (Acceptance sampling)
 analyse de fiabilité
Contrôle Statistique des Processus : SPC de base
 types de cartes : attribut – comptage – mesure
PRODUCTION CARTES de CONTRÔLE
 processus d’implantation
et et
 exemples avec Statistica
ANALYSE de CAPACITÉ
ASSEMBLAGE
SPC 2
Analyse de capacité (capabilité) des processus (SPC)
 méthodologie
 indices OPTIMISATION PLANIFICATION
 lien avec la stratégie 6 sigma PRODUITS D'EXPÉRIENCES
(DOE - Taguchi)
SPC 3 Analyse de capacité des processus de mesure : R&R PROCÉDÉS
Reproductible & Répétitivité
 méthodologie
TESTS ÉTUDES
 critères
ESSAIS en ACCÉLÉRÉS FIABILITÉ
 exemples
(accelerated testing)
SPC 4 SPC : cartes avancées
 moyenne mobile MA
 moyenne mobile à poids exponentiel EWMA SUIVI QUALITÉ MÉTHODES
 cumulative à somme CUSUM et FIABILITÉ D'ANALYSE
2 STATISTIQUE
 multivariables T de Hotelling PRODUITS en SERVICE
SPC 5 Stratégie de management qualité SIX SIGMA
 stratégie organisationnelle
 méthodologie DMAIC : DESIGN de QFD (Quality Function Deployment)
Define Mesure Analyze Improve Control PRODUITS et PROCÉDÉS PLANS D'EXPÉRIENCES
 méthodologie DFSS : Design For Six Sigma et SERVICES ANALYSE TOLÉRANCE

______________________________________________________________________________ 1 ______________________________________________________________________________ 2
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
concept central : 2 PROCESSUS INSÉPARABLES
P R O C E S S U S

RESSOURCES

PROCESSUS rôle 2
APPROVISIONNEMENT rôle 1

étapes PRODUIT
MATÉRIAUX méthodes pièce
ou Résultat Y
procédures Fabrication Mesurage
SERVICE
ÉQUIPEMENTS

rôle 3
PERSONNEL
Y
CARACTÉRISTIQUES
CRITIQUES
pour la
TYPE
PARAMÈTRES
MESURABLES QUALITÉ : inspection : humain Classement
et VALEUR AJOUTÉE comptage 0, 1, 2, …
CONTRÔLABLES - MESURES
mesure : appareil 34.582 ….
- COMPTAGES
- ATTRIBUTS
DISTRIBUTION de Y

Fonction de • Classement …………..… Binomiale : 0 ou 1


transfert f
X1, X2, X3, … Y • Comptage ……………….. Poisson
• Mesure (variable) .… Normale (gaussienne)
Y =f (X1, X2,..)
Les 3 RÔLES DES DONNÉES

rôle 1 analyser le processus de mesurage : R&R


Les cartes de REPRODUCTIBLE ? RÉPÉTIVITÉ ?
Shewhart (contrôle)
sont appliquées à ces classer la pièce : conforme ou non conforme ?
variables rôle 2
(exigences, spécifications, tolérances)

analyser le processus de fabrication : étude de capacité


rôle 3
STABLE ? CAPABLE ?

______________________________________________________________________________ 3 ______________________________________________________________________________ 4
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
CONSTATS UNIVERSELS
Les 4 ÉTATS POSSIBLES d'un PROCESSUS

 La qualité du produit dépend du processus.

 Le processus doit être étudié avec le produit. STABLE ?


OUI NON
 Le comportement du processus varie dans le temps
VARIABILITÉ est TOUJOURS PRÉSENTE OUI
1 3
 Sans surveillance, TOUS les processus se désorganisent
CAPABLE ?
et se dégradent : ENTROPIE

Pour s'en sortir, une solution qui a fait ses preuves : NON 2 4

CARTES de CONTRÔLE des PROCESSUS

remarque : le terme CONTRÔLE prête à beaucoup de confusion.


1 Situation confortable
Les cartes ne contrôle pas le processus mais elles donnent une image
produits conformes à 100%
du COMPORTEMENT du processus par l’intermédiaire de mesures sur
le produit. Il serait nettement préférable d’appeler ces cartes : situation jamais acquise de manière permanente
cartes de comportement du processus en profiter pour améliorer le processus

Les cartes permettent 2. Cas limite


• d'analyser les fluctuations de Y Améliorer le processus pour aller en 1 :
• de quantifier ces fluctuations Diminuer la dispersion ou revoir les limites de spécification
• de comprendre deux catégories de variabilité
3. Processus au bord du chaos
• de réduire la variabilité
• de statuer si le processus est STABLE ( concept à définir) produits conformes à 100% mais état de courte durée
• d'évaluer la capacité du processus (indices) relativement à processus instable et tout peut arriver
des limites de spécification (tolérances) il faut trouver les causes assignables (spéciales)
et stabiliser le processus pour se ramener au cas 1 ou 2
En résumé
4. Situation chaotique
les cartes de contrôle = un BILAN de SANTÉ du PROCESSUS Il faut faire des améliorations importantes pour stabiliser

PRIORITÉ : STABILISER en premier


et ensuite
RENDRE CAPABLE

______________________________________________________________________________ 5 ______________________________________________________________________________ 6
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Genèse des cartes
Distinction entre 2 types de variabilité
 inventeur : Walter Shewhart en 1924 ( General Electric )
 idée de base : séparer les 2 types de variabilité
TYPE
CAS σ
ÉLÉMENT type 1 type 2 2
N ( µ, σ )
µ, σ
Shewhart cause assignable cause non assignable CONNUS X
Deming cause spéciale cause commune
LCLX = µ – 3σ CLX = µ UCLX = µ + 3σ
source causes externe processus interne au processus
nombre causes petit grand P ( LCLX ‹ X ‹ UCLX ) = 0.9973
effet cause fort faible 1 échantillon de taille n : x 1 , x 2 ,

x n : X = ∑ x i / n = Xbar
présence sporadique chronique LCLXbar = µ – A σ ; UCLXbar = µ + A σ ; A = 3/√n
P [ LCLXbar ‹ X ‹ UCLXbar ] = 0.9973
Exemples hommes, - défaut de design,
matériaux, - formation insuffisante, CAS ( µ ,σ ) INCONNUS
méthodes -documentation inadéquate, estimation des paramètres
machines, - matières premières, k échantillons de taille n : x i 1 , x i 2 ,

,xin i = 1, 2, … , k
- réglages imprécis, Xbar i = ∑ x i n / n ; R i = max( x i j) – min (x i j) ; S i = ∑ 2
( x i j - Xbari ) /( n-1)
- conditions de travail,
- équipement inadéquat, ..
X = ∑ Xbar i / k ; R = ∑ R i / k ; S= ∑Si/k
correctif local global estimation sans biais de σ : σ = R / d2 ; σ = S / c4
responsabilité personnel 1er niveau management remarque : les constantes d2 et c4 dépendent de n ( voir p. 11)

limites de contrôle : Xbar et R ; Xbar et S


DÉFINITION
Le PROCESSUS est STABLE si seulement des causes communes des moyennes Xbar avec R : X ± A 2R ; A 2 = 3 / ( d2 √n )
sont en jeu dans le processus.
des moyennes Xbar avec S : X ± A 3S ; A 3 = 3 / ( c4 √n )
définition statistique : les paramètres de la distribution
(population) de X sont constants et ne changent pas dans le temps des étendues R : LCL R = D 3 R et UCL = D 4 R

des écarts types S : LCL S = B 3 S et UCL = B 4 S


COMMENT SAVOIR ?
La SEULE Méthode est l'utilisation d'une carte de contrôle.
AUTRES CAS : attributs et comptages
base : loi binomiale et loi de Poisson

______________________________________________________________________________ 7 ______________________________________________________________________________ 8
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Cartes de contrôle de Shewart Limites de contrôle : formules
CARTES pour des variables de type mesure
EXEMPLE : carte Xbar (moyenne) & R (étendue) Données groupe i ( i = 1, 2 , … , k ) : x i1 , x i2 , …… , x in
X-bar and R Chart; variable: X_E6
Xbar i moyenne du groupe i de n observations = ∑ x ij / n
Ri étendue du groupe i = max( x ij ) – min( x ij )
Histogram of Mean X-bar: 143.52 (143.52); Sigma: 19.927 (19.927)
260
2
/( n-1)
240
220 Si écart type du groupe i = ∑ ( x ij – Xbar i )
200

mR i étendue mobile = | X i – X i-1 | : observ. ordonnées dans le temps et n = 1


180 178.03
160
140 143.52
120
Xbar moyenne des k moyennes Xbar = ∑ Xbar i / k
109.00
100
80
60
0 1 2 3 4 5 6 7 8 5 10 15 20 25 30
Rbar moyenne des k étendues R = ∑ R i / k
Histogram of Ranges Range: 33.727 (33.727); Sigma: 17.702 (17.702)
140 Sbar moyenne des k écarts types S = ∑ S i
120
100
80
86.834 mR moyenne des étendues mobiles mR = ∑ mR i /( k – 1 )
60
40
20
33.727 Caractéristique CL LCL UCL
0 0.0000

n ≥ 2 moyennes ( Xbar & R ) Xbar Xbar - A2* Rbar Xabr + A2* Rbar
-20
0 2 4 6 8 10 12 14 16 18 5 10 15 20 25 30

(Xbar & S) Xbar Xbar – A3* Sbar Xabr + A3* Sbar


DONNÉES
étendues ( R ) Rbar D3* Rbar D4* Rbar
Jour mesures Xbar R
Xbar = ( X1 + X2 + X3 ) / 3 écarts types ( S ) Sbar B3* Sbar B4* Sbar
1 144 150 180 158.0 36
2 193 210 225 209.9 32 R = max ( X1, X2 ,X3)
3 235 233 228 209.3 7 n = 1 individuelles ( X ) Xbar Xbar – 2.66* mR Xbar + 2.66* mR
-
. . . . . . min ( X1, X2, X3) CARTES pour des attributs et comptages
33 127 135 130 130.7 8 type CL LCL UCL
0.5 0.5
np npbar npbar – 3 [ n pbar( 1 – pbar )] npbar + 3 [ n pbar ( 1 – pbar )]
LIMITES de CONTRÔLE STATISTIQUE 0.5 0.5
p pbar pbar – 3 [ pbar ( 1 – pbar ) /n i ] pbar + 3 [ pbar ( 1 – pbar ) /n i ]
Règle 3 sigma de Shewhart 0.5 0.5
c cbar cbar – 3 ( cbar ) cbar + 3 ( cbar )
Ligne Centrale CL = moyenne u ubar ubar - 3 ( ubar /n i )
0.5
ubar + 3 ( ubar / n i )
0.5

Limite Supérieure UCL = moyenne + 3 * (variabilité) CONSTANTES


Limite Inférieure LCL = moyenne - 3 * (variabilité) n A2 A 3 B 3 B 4 D 3 D 4 d 2 c 4_
2 1.880 2.659 0 3.267 0 3.268 1.128 0.798
CRITÈRES - tout point situé à l'extérieur de l'intervalle (LCL , UCL) 3 1.023 1.954 0 2.568 0 2.574 1.693 0.886
est le signal d'une instabilité du processus 4 0.729 1.628 0 2.226 0 2.282 2.059 0.921
5 0.577 1.427 0 2.089 0 2.114 2.326 0.940
- autres règles (Western Electric) 6 0.483 1.287 0.300 1.970 0 2.096 2.534 0.952
7 points consécutifs croissants (décroissants) 7 0.419 1.182 0.118 1.882 0.076 1.924 2.704 0.959
8 points consécutifs d'un seul côté de CL 8 0.373 1.099 0.185 1.815 0.136 1.864 2.847 0.965
…autres …. 9 0.337 1.032 0.239 1.761 0.184 1.816 2.970 0.969
10 0.308 0.975 0.284 1.716 0.223 1.777 3.078 0.973
______________________________________________________________________________ 9 ______________________________________________________________________________ 10
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Démonstration de la règle 3 sigma de Shewhart :
Principes de Shewhart pour la construction des cartes
simulation de 10 000 observations provenant de
4 distributions avec µ = 0 et σ = 1
1. Les limites de contrôle sont toujours placées à 3 écarts types de la ligne centrale.

2. Les limites pour les mesures doivent toujours être basées une estimation de la DISTRIBUTION figure % dans n % moyennes Xbar % étendues R
variabilité du processus (sigma) calculée avec la moyenne d’un ensemble de k ( -3 , 3 ) (LCLXBar, UCLXbar) (LCLR, UCLR )
indicateurs de dispersion. n = 1

important : ne jamais calculer l’estimation de la variabilité du processus (sigma) Uniforme 100 2 100 100
avec toutes les données en seul groupe -√3 0 √3 4 100 100
10 99.7 100
3. Les données doivent provenir d’un plan d’échantillonnage et doivent être organisées
en groupes rationels pour quelles soient utiles.
Triangulaire 100 2 99.5 99.9
4. L’organisation ou entreprise doit réagir d’une manière appropriée aux connaissances -1.45 0 2.95 4 99.9 100
nouvelles qui résultent de l’application des cartes. 10 99.5 100

Gaussienne 99.7 2 99.7 99.0


Les mythes en SPC
-3 0 3 4 99.7 99.5
10 99.6 99.5
Il est FAUX que :
 les mesures doivent provenir d’une distribution gaussienne.
Exponentielle 98.2 2 98.8 97.4
exception : la carte à valeurs individuelles et étendues mobiles XmR.
-1 0 4 99.0 97.4
 la base du SPC est le théorème central limite. 10 99.3 96.0

 les mesures doivent être indépendantes : à moins d’une auto corrélation


élevée (au moins 0.80) on peut employer les cartes de base comme la
CONCLUSION
carte Xbar et R.
 les observations doivent être en contrôle statistique pour être placées La forme de la distribution ( population ) d’origine n’est pas importante
o sur une carte. lorsque l’on applique la règle de 3 sigmas de Shewhart pour détecter des
 les limites de contrôle peuvent être placées à ± 2 * sigma. causes spéciales de variabilité.

Remarque

 Il y a une seule définition pour les limites de contrôle : ± 3* sigma

 Tout autre choix ± k * sigma conduit à ;

• trop de fausses alarmes si k ‹ 3


• un manque de détection de signaux potentiels si k > 3

______________________________________________________________________________ 11 ______________________________________________________________________________ 12
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
Production de cartes avec STATISTICA IMPLANTATION d'une CARTE de CONTRÔLE

module : Quality Control Charts • Choisir les processus importants (critiques)

• Choix d'une variable de réponse Y : mesure, comptage, classement;


les mesures sont préférables aux attributs

• Plan de collecte des données -- échantillonnage de la production


n pièces à intervalle régulier; n entre 1 et 10 est suffisant;
fréquence : par exemple, à chaque heure
augmenter au début et réduire par la suite
recommandation : un petit groupe de n pièces souvent
est mieux qu'un grand nombre de pièces peu souvent

• Collecte des données et calcul des limites


Avoir au moins 100 observations; par exemple 20 groupes de 5

• Très important : ne jamais calculer l'estimation de la


variabilité avec toutes les données en seul groupe
les cartes sont alors trop insensibles (limites trop larges) pour
détecter des points hors contrôle sur le graphique.

• Pourquoi la règle 3 sigma de Shewhart ?


Cette règle est la SEULE définition opérationnelle du concept
de stabilité statistique.
Les cartes de Shewhart sont ROBUSTES.

• Continuer la collecte des données …..


TYPE de CARTES : 7 cartes de base
• Maintenir un journal de bord pour noter des évènements
MESURE Xbar&R XmR Xbar&S qui pourraient être reliés à des causes assignables
n 2à9 1 10 et plus
• Apprendre à interpréter les cartes :
ATTRIBUT p np c u  tendances
COMPTAGE n variable constant constant variable  dérives
 cycles
CARTES AVANCÉES : pour des mesures ( variables ) :  sauts
EWMA , CUSUM, MULTIVARIABLE, ….

______________________________________________________________________________ 13 ______________________________________________________________________________ 14
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
EXEMPLES avec STATISTICA
EXEMPLE 1 : carte Xbar et R
MESURES (VARIABLES) base : loi gaussienne groupes de 4 pièces
mesure de résistance en ohm Y
1. Xbar et R : moyenne Xbar et étendue R ( si n ≤ 10 )
2. Xbar et S : moyenne Xbar et écart type S ( si n > 10 ) observations
groupe y1 y2 y3 y4
3. XmR : valeur individuelle X et étendue mobile mR 1 5045 4350 4350 3975
mR = | X i - X i - 1 | i = 2, 3, … 2 4290 4430 4485 4285
formation de groupes de n = 2 observations consécutives 3 3980 3925 3645 3760
remarque : il faut que cette différence fasse du sens; . . . . .
par exemple, si les valeurs X sont reliées au temps 51 5150 5250 5000 5000

ATTRIBUT base : loi binomiale


X-bar and R Chart; variable: X_E7
4. p : fraction de pièces non conforme échantillon de n pièces Histogram of Means X-bar: 4503.2 (4503.2); Sigma: 323.54 (323.54); n: 4.

( n peut être variable) 5400


5200
5000 4988.6

5. np : nombre de pièces non conforme échantillon de n pièces 4800


4600
( n est fixe)
4503.2
4400
4200
4000 4017.9

COMPTAGES base : loi de Poisson 3800


3600
3400

6. c : nombre de non conformités (aire d'opportunité fixe)


3200
0 4 8 12 16 5 10 15 20 25 30 35 40 45 50
2 6 10 14

7. u : nombre de non conformités (aire d'opportunité variable) Histogram of Ranges Range: 666.08 (666.08); Sigma: 284.65 (284.65); n: 4.
2200
2000

REMARQUES 1800
1600
1520.0
Pour appliquer les cartes pour les attributs il faut que les 1400
1200

hypothèses de la loi binomiale soient vérifiées. 1000


800
600 666.08
400
Pour appliquer les cartes pour les comptages il faut que les 200
0 0.0000
hypothèses de la loi de Poisson soient vérifiées. -200
0 4 8 12 16 5 10 15 20 25 30 35 40 45 50
2 6 10 14 18

Si les hypothèses ne sont pas satisfaites :


employer une carte XmR avec les comptages et les taux.

______________________________________________________________________________ 15 ______________________________________________________________________________ 16
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
EXEMPLE 3 : carte p avec n variable
EXEMPLE 2 : carte XmR inspection à 100% d'un lot choisi parmi la production quotidienne
X = viscosité polymère en cours de production échantillonnage durant une période de 99 jours

observations durant 25 heures consécutives X : nombre de pièces non conformes dans le lot
la taille (n) du lot est variable d'une journée à l'autre
observations ( )
observations
2838 2785 3058 3064 2996 2782 2878 2920 3050 2870
jour n X f = X/n
3174 3102 2762 2975 2719 2861 2797 3078 2974 2805
1 3350 31 0.0093
3163 3199 3054 3147 3156 2 3354 113 0.0337
3 1509 28 0.0186
4 2190 20 0.0091
X and Moving R Chart; variable: X_E15 ……………………………………………………………..
Histogram of Observations X: 2967.9 (2967.9); Sigma: 134.71 (134.71); n: 1. 121 3323 3 0.0009
3500
3400 3372.0 2 cartes sont possibles : carte p et une carte XmR avec f
3300
3200 P Chart; variable: X_E31
3100 Histogram of P P: .00696 (.00696); Sigma: .00162 (.00162); n: 2645.4
3000 2967.9 0.09
2900 0.08
2800
0.07
2700
2600 0.06
2563.8
2500 0.05
2400 0.04
0 1 2 3 4 5 6 7 5 10 15 20 25
0.03
Histogram of Moving Ranges Moving R: 152.00 (152.00); Sigma: 114.84 (114.84); n: 1.
0.02
550 .01129
0.01
500 496.51 .00696
.00263
450 0.00
400 -0.01
350 0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
300 10 30 50 70 90
250
200
X and Moving R Chart; variable: f_nonconf
150 152.00
Histogram of Observations X: .00641 (.00641); Sigma: .00492 (.00492); n: 1.
100
50 0.09
0.08
0 0.0000 0.07
0.06
-50 0.05
0.04
0 1 2 3 4 5 6 7 5 10 15 20 25 0.03
0.02 .02117
0.01 .00641
0.00
-0.01 -.00836
-0.02
0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
10 30 50 70 90

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

0.08
0.07
0.06
0.05
0.04
0.03
0.02 .01814
0.01 .00555
0.00 0.0000
-0.01
0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
10 30 50 70 90

______________________________________________________________________________ 17 ______________________________________________________________________________ 18
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
EXEMPLE 4 : carte c EXEMPLE 5 : carte U
X : nombre de non conformité sur un circuit imprimé X = nombre d'imperfections sur des pièces de tissus
l’aire inspectée des tissus est variable
observations
21 – 24 – 16 – 12 – 15 – 5 – 28 – 20 – 31 – 25 – 20 – 24 - 16 observations
19 - 10 – 17 – 13 – 22 -19 - 39 – 30 – 24 – 16 – 19 - 17 - 25
Tissu 1 2 3 4 5 6 7 8 9 10
Aire 10 12 20 11 7 10 21 16 19 26
#Imp. 14 18 30 13 5 10 39 24 34 49
C Chart; variable: x_defaut
Histogram of C C: 20.269 (20.269); Sigma: 4.5021 (4.5021)
45

U Chart; variable: Imperf


40
Histogram of U U: 1.5526 (1.5526); Sigma: .31960 (.31960); n: 15.2
3.5
35
33.776

30 3.0

25 2.5
2.2857
20 20.269
2.0

15
1.5 1.5526

10

6.7628 1.0
5 .81952

0.5
0
0 2 4 6 8 10 5 10 15 20 25
1 3 5 7 9 11
0.0

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

______________________________________________________________________________ 19 ______________________________________________________________________________ 20
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002