Maîtrise Statistique des

Procédés (MSP)
Ou
Statistical Process
Control (SPC)

Pr A. Jrifi 2016/2017
1/26
Pr A. Jrifi 2016/2017
2/26
 «Si nos fabriques
imposent à force de soin
la qualité supérieure de
nos produits, les
étrangers trouveront
avantage à se fournir
chez nous et leur argent
Pr A. Jrifi 3/26
2016/2017
 Qu’est-ce que la qualité?
 La qualité d’un
produit ou d’un
service est son
aptitude à satisfaire
les besoins d’un
utilisateur au moindre
Pr A. Jrifi 4/26
2016/2017
 Qu’est-ceque la non-
qualité?
La non qualité est
l'écart global
constaté entre la
qualité visée et la
Pr A. Jrifi
qualité 5/26
2016/2017
 Qu’est-ce que le
contrôle?
 LE CONTRÔLE EST
GENERALEMENT
CONSIDERE COMME LA
PIERRE ESSENTIELLE DE
LA QUALITE: IL EST LE
Pr A. Jrifi
FILTRE QUI PERMET DE6/26
2016/2017
 Définition d'un processus :
 C'est la combinaison des éléments suivants :
 Equipements de production et de tests
 Hommes et organisations
 Matière première à transformer
 Méthodes et instructions
 Procédures
 le tout dans un environnement social et économique
donné

Il est également caractérisé par :

- une entrée mesurable
- une valeur ajoutée
- une sortie mesurable
- et une répétabilité
Pr A. Jrifi 7/26
2016/2017
 Principe:
Un procédé ne peut être amélioré que s'il est :
mesurable
 maîtrisé, c'est-à-dire que son
comportement est prédictible
Un processus est naturellement
variable
Il s'agit donc :
d'en accepter la variation;
de la maîtriser;
Pr A. Jrifi
puis de la réduire pour améliorer les
8/26
2016/2017
 Principes et définitions (MSP):

 La « Maîtrise Statistique des Procédés » est
parfois plus connue sous son appellation
« Statistical Process Control » et son sigle SPC.
 La MSP est un élément d'assurance qualité.
 Son objectif est de maîtriser un processus
mesurable par suivi graphique temporel basé
sur des fondements statistiques.
 Convient uniquement pour la grande série.

Pr A. Jrifi 9/26
2016/2017
  a) L'idée: Le processus est la cause des défauts du produit . C'est le processus qu'il
faut maitriser puisqu'il est instable et a naturellement tendance à se dérégler.
 b) La démarche :L'objectif est de contrôler les paramètres influant du processus. Les
différentes étapes vont de la sensibilisation du personnel à la mise en place des
cartes de contrôle.
 c) L'outil: C'est la carte de contrôle , outil simple et efficace , qui est à la base de la
MSP.
 d) Le concept :Il faut rechercher sans cesse l'amélioration des performances.
 e) Ce qu'est la MSP :
 Un élément de l'Assurance Qualité et un outil d'amélioration continue
 Il faut impérativement maîtriser le Processus afin de diminuer les coûts de non-qualité qui
sont générés par le processus lui-même.
 La responsabilité de la maîtrise des processus incombe d'abord et avant tout au
Management.
 Les procédés sont conduits par des opérateurs. Le seul outil proposé par la MSP est la carte
de contrôle, qui est simple d'utilisation et à la portée de tout le personnel d'une entreprise.
 f) Ce que n'est pas la MSP
 Les différentes théories des Statistiques.
 - Ce n'est pas la Qualité Totale et ne garantit pas le ZERO DEFAUT.

Pr A. Jrifi 10/26
2016/2017
  Le but est d’améliorer la qualité afin
d’arriver à la qualité totale.
 Le principe de la « Maîtrise Statistique des
Procédés » consiste à faire très
fréquemment des prélèvements d’une
quantité assez réduite de produits pour
s’assurer que ses différentes
caractéristiques restent dans les
tolérances et, s’il advient que ce n’est pas
le cas, à intervenir immédiatement pour
corriger la situation. Les résultats sont
reportés sur une « carte de contrôle » qui
Pr A. Jrifi fixe les limites que doivent respecter 2016/2017
les
11/26
  Importance de la méthode
 Souvent la MSP est présentée comme la
simple mise en place de cartes de
contrôle pour surveiller quelques
caractéristiques. Cela donne
l’impression d’un travail assez réduit et
simple. La réalité est tout autre. Il faut
distinguer deux phases:
Une phase d’étude et de modifications du
procédé préalable à la mise en place de la
carte de contrôle. Celle-ci demande une
organisation structurée, un travail
Pr A. Jrifi 12/26
2016/2017
  Objectifs de la Maîtrise Statistique
des Procédés (MSP) :.
 C’est sans doute le seul outil qui tend
vers le « 0 » défaut. C’est un moyen
d’analyse statistique permettant
l’amélioration des procédés de
production par une meilleure
connaissance des résultats et
l’élimination systématique des
causes d’anomalie.
 La MSP s’appuie donc sur deux
concepts de base :
Pr A. Jrifi Suivi de la variabilité et pilotage des procédés par carte2016/2017
de
13/26
 Les causes de dispersions :
De multiples phénomènes viennent influencer la
qualité d’un produit :
- Les causes assignables ou
spéciales : Ce sont des causes de dispersion
identifiables, souvent irrégulières et instables, et
par conséquent difficiles à prévoir. L’apparition
d’une cause spéciale nécessite une intervention
sur le procédé. En règle générale les causes
spéciales sont peu nombreuses. Les causes
spéciales peuvent être classées en deux
catégories:
 celles qui agissent sur le réglage de la valeur
surveillée ( la moyenne représentant un niveau de
Pr A. Jrifi réglage) 14/26
2016/2017
 Elles ne sont pas inhérentes au processus et il en
résulte une dispersion variable dans le temps .
Ex : - Cassure d'un outil
- Coupure du courant dans un cycle de chauffe
- Défaillance humaine
- Fuite dans un tuyau sous pression
- Grippage d'un palier
- Dégel, chaleur ou froid exceptionnel
- Changement d'opérateur
- Lot de matière première défectueux
Ce sont des causes que l'on peut souvent identifier
et que l'on peut contrôler. Les causes spéciales ne
concernent que certaines pièces; elles sont peu
nombreuses, mais avec des effets importants. En
principe, les causes spéciales ne durent pas
longtemps puisqu'on les élimine au fur et à mesure
Pr A. Jrifi 15/26
2016/2017
 Les causes aléatoires ou communes : Ce sont les
nombreuses sources de variations attribuables au hasard appelées
encore causes aléatoires. Elles sont présentes à des degrés divers
dans les procédés. Comme ces causes communes seront toujours
présentes il faudra faire avec. L’ensemble de ces causes communes
forme la variabilité intrinsèque du procédé. Si toutes les
nombreuses causes communes qui agissent sont d’un ordre de
grandeur équivalent, alors la caractéristique doit suivre une
répartition dite en forme de cloche suivant une loi normale

Pr A. Jrifi 16/26
2016/2017
 Ce sont des causes inhérentes au processus lui-
même.
Ex : - Jeux dans les différents éléments de la machine
- Elasticité des organes
-Hétérogénéité de la matière travaillée
- Température de l'atelier
- Erreurs dans le processus de mesure
Les causes aléatoires se caractérisent par :
-leur nombre très important
- leurs variations faibles en règle générale
- leur indépendance les unes des autres
- par le fait qu'elles sont toujours présentes
- elles se retrouvent dans toutes les pièces fabriquées;
c'est d'ailleurs pour ces raisons que la distribution est le
plus souvent normale. Les causes communes ne sont pas
identifiables et sont incontrôlables. Elles sont responsables
Pr A. Jrifi 17/26
2016/2017
Pr A. Jrifi 18/26
2016/2017
Pr A. Jrifi 19/26
2016/2017
Pr A. Jrifi 20/26
2016/2017
Pr A. Jrifi 21/26
2016/2017
 OUTILS STATISTIQUES

 Histogramme
 Loi normale

Pr A. Jrifi 22/26
2016/2017
 Les 5 « M » du processus
 Tous les processus, quels qu’ils soient, sont
incapables de produire toujours exactement le
même produit. Cela, les opérateurs le savent bien
et c’est d’ailleurs un des problèmes principaux
auxquels les régleurs sont confrontés tous les jours.
 Quelle que soit la machine étudiée, la
caractéristique observée, on note toujours une
dispersion dans la répartition de la caractéristique.
 Exemple: Une cote sur un lot de pièces ne fera jamais
exactement 10 mm, mais sera répartie entre 9,97 et
10,03 mm par exemple. Un lot de résistances électriques
dont la valeur nominale est de 10 ohms, aura en fait des
valeurs comprises entre 9,9 et 10,1 ohms. Cette
variabilité est incontournable et il faut être capable de «
vivre avec ».
Pr A. Jrifi 23/26
2016/2017
  Ces variations proviennent de l'ensemble
du processus de production. L'analyse des
processus de fabrication permet de
dissocier 5 éléments élémentaires qui
contribuent à créer cette dispersion. On
désigne généralement par les 5 M ces 5
causes fondamentales responsables de
dispersion, et donc de non-qualité :

Pr A. Jrifi 24/26
2016/2017
  La méthode MSP a pour objectif la maîtrise des
processus en partant de l’analyse de ces 5 M. Elle
apporte une plus grande rigueur et des outils
méthodologiques qui vont aider les opérateurs et la
maîtrise dans leur tâche d’amélioration de la qualité.
 Nous avons coutume de ne pas placer la « Mesure »
parmi les M. En effet, la mesure ne modifie pas la
vraie dispersion vendue au client, mais l'image que
l'on a de cette dispersion. La dispersion vue dans un
histogramme sera la « somme » de la vraie dispersion
de la production et de la dispersion due à l'instrument
de mesure. Or ce qui crée la non qualité, ce n'est pas
la dispersion vue mais la dispersion vraie. La mesure
est un processus à lui tout seul avec ses propres 5M.
Un préalable à la maîtrise d'un processus de
fabrication et la maîtrise du processus de mesure.

Pr A. Jrifi 25/26
2016/2017
 Variabilité

Pr A. Jrifi 26/26
2016/2017
Pr A. Jrifi 27/26
2016/2017
Pr A. Jrifi 28/26
2016/2017
Pr A. Jrifi 29/26
2016/2017
Pr A. Jrifi 30/26
2016/2017
 Analyse de la forme de la
dispersion, loi normale
L’histogramme

- C'est un outil qui nous permet d'observer la répartition des

valeurs mesurées par rapport à la moyenne, regroupées par
classe.
- Cette moyenne doit être le plus près possible de la cote visée.
- L'allure générale doit correspondre à une courbe en cloche ou
courbe de Gauss.

Pr A. Jrifi 31/26
2016/2017
 + 0.05
Une entreprise X vérifie le diamètre d’une surface cylindrique coté 20 - 0.08
Un opérateur prélève un lot de 40 pièces, il mesure à l’aide d’un micromètre (résolution
= 0,01 mm) les 40 diamètres et trouvent les résultats suivants:

N° 1 2 3 4 5 6 7 8 9 10 11 12 13 14

cote 19.97 19.96 19.99 19.99 20.00 19.93 20.01 19.99 20.02 19.99 19.95 20.01 19.97 20.00

N° 15 16 17 18 19 20 21 22 23 24 25 26 27 28

cote 20.00 19.98 20.01 19.95 19.97 20.00 19.99 20.02 19.97 20.03 20.00 19.96 20.03 19.99

N° 29 30 31 32 33 34 35 36 37 38 39 40 41 42

cote 19.99 20.02 19.98 19.99 20.04 19.97 20.02 20.00 20.02 20.00 20.00 19.98

Elle veut connaître la représentation graphique de la distribution des pièces: il faut donc tracer
l’histogramme

Pr A. Jrifi 32/26
2016/2017
 Méthode de tracé d’un histogramme
1: collecte des données:
2: calcul du nombre de classes
3: calcul de l’étendue R
4: calcul de la largeur d’une classe
5: calcul de la valeur mini de la
première classe
Pr A. Jrifi
Voir tableau précédent
Formule: Nb de classes =  n
AN :Nb de classes =  40 = 6,32.
Arrondi à 7
Formule: valeur mesurée maxi - valeur mesurée
mini
ou :AN
x maxi - x mini
: 20,04 - 19,93 = 0,11 mm
Formule: R / Nb de classes
arrondir à un multiple de la résolution
AN : 0,11 / 7 = 0,014 arrondi à 0,02 mm
Formule: valeur mesurée mini - moitié de la résolution
ou : x mini - 1/2 résolution
AN : 19,93 - (0,5 x 0,01) = 19,925 mm
33/26
2016/2017
 6: Relever le nombre de valeurs par classe tableau des résultats ( classes / fréquences )

Classes Fréquence ( Nb de valeurs )

19,925 - 19,945
1
19,945 - 19,965
4
19,965 - 19,985
8
19,985 - 20,005
16
20,005 - 20,025
8
20,025 - 20,045
3
20,045 - 20,065
0

Pr A. Jrifi 34/26
2016/2017
 7: Tracé de l’histogramme

fréquence

20

16
15

8 8
10

4
5 3
1
valeur

19,925 19,945 19,965 19,985 20,005 20,025 20,045 20,065

Pr A. Jrifi 35/26
2016/2017
 cote visée: cote moyenne
8: Tracer les caractéristiques de la cote
Cote maxi : tolérance supérieure
Cote mini : tolérance inférieure

fréquence
AN : cote visée = 19,985 mm
cote maxi = 20,05 mm
cote mini = 19,92 mm
20 Cote mini Cote visée
Cote maxi
16
15

8 8
10

4
5 3
1
valeur

19,925 19,945 19,965 19,985 20,005 20,025 20,045 20,065

Pr A. Jrifi 36/26
2016/2017
 n
9: calcul de la moyenne des valeurs et tracé formule: X = 1/n  xi
i=1
10: tracé de la courbe de Gauss ( facultatif ) AN : 19,992 mm

fréquence
X

20 Cote visée
Cote mini
Cote maxi
16
15

8 8
10

4
5 3

1
valeur

19,925 19,945 19,965 19,985 20,005 20,025 20,045 20,065

Pr A. Jrifi 37/26
2016/2017
 En conclusion:
L’histogramme permet d’observer la répartition des
valeurs mesurées par classes, par rapport à la moyenne.

La moyenne des valeurs doit être le plus prêt possible de la

cote visée.

L’allure générale doit correspondre à une courbe en cloche

ou courbe de Gauss.

Pr A. Jrifi 38/26
2016/2017
 ATTENTION ! Ne pas confondre ETENDUE et DISPERSION

Etendue: valeur mesurée maxi - valeur mesurée mini ou : x maxi - x mini

En relation avec l’histogramme

R
Dispersion: elle peut être évaluée à 6,18  ( correspond à 99,98% d’une population
distribuée suivant une loi normale ).

En relation avec la courbe de Gauss

dispersion

Pr A. Jrifi 39/26
2016/2017
 Analyse de la forme de
la dispersion
Répartition en forme de cloche
L'analyse des productions sur une machine montre
que, en l'absence de déréglage, la répartition des
produits suit une courbe en cloche selon une loi : la loi
normale. On trouve également d'autres appellations
pour cette loi telle que loi de Gauss, loi de Laplace
Gauss

Pr A. Jrifi 40/26
2016/2017
 Cette répartition se rencontre très
fréquemment dans la nature et pas
seulement dans le cas des machines de
production. Ainsi, la hauteur des
hommes en Maroc suit une telle
répartition. De nombreuses personnes
mesurent autour de 1,73 m (la
moyenne) mais peu d'hommes mesurent
aux environs de 1,95 m ou de 1,50 m. Le
théorème statistique à l'origine de cette
convergence vers la loi normale est
appelé « théorème central limite ».2016/2017
Pr A. Jrifi On
41/26
 Dans le cas d'une machine de production, nous
sommes bien dans le cadre de ce théorème. En
effet, de nombreux facteurs (les 5M) agissent
sur la caractéristique. Ces facteurs sont en
grande partie indépendants et l'ordre de
grandeur de ces effets est faible dans un
processus maîtrisé.
Désormais, lorsque nous parlerons de la
production d'une machine, nous la
modéliserons par une courbe en cloche, dont
les deux caractéristiques importantes seront la
position et l'échelle.
Pr A. Jrifi 42/26
2016/2017
 Pour mesurer l’importance des
variations autour de la moyenne
(facteur d'échelle), il suffit de
mesurer la largeur de base de la
courbe. La largeur de base de la
courbe est appelée : dispersion.
Nous verrons plus loin que l'on
définit cette largeur de base de la
courbe par un calcul statistique D =
Pr A.6σ.
Jrifi Dans ce cas également nous 43/26
2016/2017
Pr A. Jrifi 44/26
2016/2017
Pr A. Jrifi 45/26
2016/2017
Pr A. Jrifi 46/26
2016/2017
Pr A. Jrifi 47/26
2016/2017
Pr A. Jrifi 48/26
2016/2017
Pr A. Jrifi 49/26
2016/2017
Pr A. Jrifi 50/26
2016/2017
Pr A. Jrifi 51/26
2016/2017
Pr A. Jrifi 52/26
2016/2017
Pr A. Jrifi 53/26
2016/2017
Pr A. Jrifi 54/26
2016/2017
Pr A. Jrifi 55/26
2016/2017
 Et si la courbe obtenue n'est pas une cloche?

Pour la plupart des

caractéristiques obtenues en
production, on devrait obtenir
une courbe en cloche. Il y a
quelques exceptions comme
les défauts de forme ou les
défauts de position où il est
Pr A. Jrifi 56/26
2016/2017
 Un processus « sous contrôle » est un processus dans
lequel seules subsistent les causes communes. La
répartition de la production suit alors une courbe en
cloche et elle est centrée sur la cible.
Un processus « hors contrôle » est soumis à la présence
de causes spéciales. Le résultat de la production ne suit
donc pas nécessairement une courbe en cloche et la
production peut être décentrée par rapport à la cible.
La maîtrise de la variabilité dont nous avons montré la
nécessité
Pr A. Jrifi dans le premier chapitre consiste donc 57/26 à
2016/2017
 Les cartes de contrôle

Pr A. Jrifi 58/26
2016/2017
Pr A. Jrifi 59/26
2016/2017
Pr A. Jrifi 60/26
2016/2017
Pr A. Jrifi 61/26
2016/2017
Pr A. Jrifi 62/26
2016/2017
Pr A. Jrifi 63/26
2016/2017
Pr A. Jrifi 64/26
2016/2017
Pr A. Jrifi 65/26
2016/2017
Pr A. Jrifi 66/26
2016/2017
Pr A. Jrifi 67/26
2016/2017
Pr A. Jrifi 68/26
2016/2017
Pr A. Jrifi 69/26
2016/2017
Pr A. Jrifi 70/26
2016/2017
Pr A. Jrifi 71/26
2016/2017
Pr A. Jrifi 72/26
2016/2017
Pr A. Jrifi 73/26
2016/2017
Pr A. Jrifi 74/26
2016/2017
Pr A. Jrifi 75/26
2016/2017
Pr A. Jrifi 76/26
2016/2017
Pr A. Jrifi 77/26
2016/2017
Pr A. Jrifi 78/26
2016/2017
Pr A. Jrifi 79/26
2016/2017
Pr A. Jrifi 80/26
2016/2017
Pr A. Jrifi 81/26
2016/2017
Pr A. Jrifi 82/26
2016/2017
Pr A. Jrifi 83/26
2016/2017