Qu Cqos

Contrôle qualité et outils statistiques
Table des Matières

Chapitre 1. Introduction − Présentation du contrôle qualité.........................................................................1
1.1. Objectifs et définitions......................................................................................................................1
1.1.1 Objectifs...................................................................................................................................1
1.1.2 Définitions................................................................................................................................1
1.2. Les différentes visions de la validation des produits ou services.....................................................2
1.2.1 Vision tout ou rien....................................................................................................................2
1.2.2 Vision progressive....................................................................................................................2
1.3. Perception de la qualité.....................................................................................................................3
1.4. Exercices...........................................................................................................................................4
1.4.1 Détermination de la fonction du coût.......................................................................................4
1.4.2 Fixation des limites de validation des produits........................................................................5
Résumé.....................................................................................................................................................6
Chapitre 2. Les différentes natures de contrôle...............................................................................................8

2.1. Introduction :.....................................................................................................................................8
2.2. Contrôle d'interférences vis−à−vis de l'environnement....................................................................8
2.3. Contrôle des qualités de construction...............................................................................................9
2.4. Contrôle des qualités métrologiques.................................................................................................9
2.4.1 Introduction..............................................................................................................................9
2.4.2 Les erreurs de justesse............................................................................................................10
2.4.3 Erreur de fidélité.....................................................................................................................11
2.4.4 Erreur Hystérésis....................................................................................................................11
2.4.5 Erreur due à la lecture............................................................................................................12
2.5. Les différents types de contrôle......................................................................................................13
2.5.1 Le contrôle de qualification....................................................................................................13
2.5.2 Le contrôle de réception.........................................................................................................14
2.5.3 Le contrôle périodique............................................................................................................14
2.5.4 Méthodologie du contrôle périodique....................................................................................15
2.5.5 Les sanctions à l'issue d'un contrôle.......................................................................................17
2.6. Exercices.........................................................................................................................................18
2.6.1 Etude de la conformité d'un instrument de mesure :..............................................................19
2.6.2 Exploitation des courbes d'étalonnage :.................................................................................20
Résumé...................................................................................................................................................21
Chapitre 3. Les Incertitudes de mesure..........................................................................................................22

3.1. Introduction aux incertitudes..........................................................................................................22
3.2. Estimation des erreurs de mesure...................................................................................................22
3.2.1 Erreur absolue sur une grandeur.............................................................................................23
3.2.2 Estimation de la borne d'erreur absolue.................................................................................24
3.2.3 Erreur relative sur une grandeur.............................................................................................25
3.3. Incertitude sur un mesurage............................................................................................................26
3.3.1 Mesurage................................................................................................................................26
3.3.2 Erreur sur un mesurage Notion d'erreur.................................................................................26
3.3.3 Erreur sur un mesurage Composantes de l'erreur...................................................................27
3.4. Erreur sur un mesurage − Incertitude.............................................................................................28
3.4.1 Notion d'incertitude type........................................................................................................28
3.4.2 Différents modes d'évaluation de l'incertitude sur une grandeur...........................................29
3.4.3 Evaluation de type A d'une incertitude−type.........................................................................29
i
Table des Matières

Chapitre 3. Les Incertitudes de mesure
3.4.4 Evaluation de type B d'une incertitude−type..........................................................................31
3.4.5 Un rappel des lois de probabilité............................................................................................31
3.4.6 Détermination d'incertitudes de type B..................................................................................33
3.4.7 Recommandations pratiques...................................................................................................35
3.5. Incertitude−type composée.............................................................................................................36
3.5.1 Incertitude−type composée sur un mesurage.........................................................................36
3.5.2 Détermination de l'incertitude type composée.......................................................................36
3.6. Incertitude élargie...........................................................................................................................39
3.7. Présentation des résultats................................................................................................................40
3.7.1 Arrondissage...........................................................................................................................40
3.7.2 Présentation des résultats........................................................................................................40
3.8. Organigramme de la détermination d'une incertitude sur une grandeur Y.....................................41
3.9. Exercice...........................................................................................................................................42
3.9.1 Présentation du sujet :.............................................................................................................42
3.9.2 Détermination du diamètre primitif à partir des mesures effectuées......................................44
3.9.3 Détermination des incertitudes de mesure sur la mesure du diamètre primitif......................44
Résumé...................................................................................................................................................46
Chapitre 4. Utilisation des outils statistiques pour le contrôle.....................................................................48

4.1. Introduction.....................................................................................................................................48
4.2. Calcul et exploitation des erreurs....................................................................................................49
4.2.1 Indice de performance :..........................................................................................................49
4.2.2 Application.............................................................................................................................50
4.3. Calcul et exploitation du nombre de rebuts d'une production :......................................................51
4.3.1 Réductions des rebuts :...........................................................................................................51
4.3.2 Interprétation statistique des PPM..........................................................................................52
4.4. Exercices.........................................................................................................................................53
4.4.1 Histogramme : Création et Interprétation...............................................................................53
4.4.2 Histogramme : Rebuts et Incertitude de mesure....................................................................54
Résumé...................................................................................................................................................55
Chapitre 5. Maîtrise Statistique des Procédés................................................................................................56

5.1. Nécessité de la maîtrise des procédés donc de l'amélioration continue..........................................56
5.2. La capabilité − La performance......................................................................................................56
5.2.1 Préliminaires...........................................................................................................................56
5.2.2 Indices de capabilité et indices de performances...................................................................57
5.2.3 Les deux familles d'indices de capabilité et de performance.................................................58
5.2.4 Calcul des différents indices de capabilité.............................................................................59
5.2.5 Illustration de valeurs types de capabilité..............................................................................60
5.3. Le contrôle statistique des procédés : grandes séries......................................................................61
5.3.1 Démarche générale de mise en Suvre.....................................................................................62
5.3.2 Mise en Suvre.........................................................................................................................62
5.3.3 Différents types de données exploitées..................................................................................63
5.3.4 La carte de contrôle et ses annexes........................................................................................63
5.3.5 Notions de procédé sous contrôle statistique.........................................................................64
5.3.6 Exemple d'application : phase préliminaire, procédé sous contrôle.......................................65
5.3.7 Exemple d'application : phase préliminaire, procédé hors contrôle.......................................67
ii
Table des Matières

Chapitre 5. Maîtrise Statistique des Procédés
5.3.8 Exemple d'application d'une carte de contrôle par attribut....................................................68
5.3.9 Calcul des limites des cartes de contrôle par mesures............................................................68
5.3.10 Calcul des limites des cartes de contrôle par attribut...........................................................69
5.3.11 Exploitation des cartes de contrôle.......................................................................................71
5.4. Exercice...........................................................................................................................................72
Résumé...................................................................................................................................................73
Chapitre 6. Les plans d'expériences (Méthode Taguchi)..............................................................................75

6.1. Les plans d'expériences...................................................................................................................75
6.2. Les plans d'expériences complets ou fractionnaires.......................................................................75
6.3. Domaines d'emploi des plans d'expériences...................................................................................76
6.4. Mise en Suvre des plans d'expériences...........................................................................................77
6.4.1 Définir l'objectif et sa mesure.................................................................................................78
6.4.2 Sélectionner les facteurs − Choisir les niveaux......................................................................79
6.4.3 Choisir la table orthogonale...................................................................................................81
6.4.4 Réaliser les essais...................................................................................................................82
6.4.5 Analyser les résultats..............................................................................................................82
6.4.6 Vérifier les résultats (réaliser l'expérience de confirmation).................................................84
6.5. Exemples de tables orthogonales....................................................................................................85
6.5.1 La table L4..............................................................................................................................85
6.5.2 La table L8..............................................................................................................................86
6.5.3 La table L9 à 3 niveaux..........................................................................................................87
6.6. Traitements des intéractions selon la Méthode Taguchi.................................................................87
6.7. Exercices.........................................................................................................................................89
6.7.1 Exercice 1 plans d'expériences : Réglages Machine..............................................................89
6.7.2 Exercice plans d'expériences : Salaires..................................................................................90
Résumé...................................................................................................................................................90
glossaire..............................................................................................................................................................93
iii
Chapitre 1. Introduction − Présentation du contrôle
qualité
1.1. Objectifs et définitions
1.1.1 Objectifs
OBJECTIF N°1 :
Valider tout produit ou service par :

La maîtrise des moyens mis en Suvre (Métrologie des Equipements)
La garantie des mesures par le calcul de leurs incertitudes,
Le respect des tolérances ou le juste nécessaire sont un but pour certains alors que la qualité
implique l'amélioration continue des résultats et des performances (y compris les coûts).
Ce qui nous permet de définir le deuxième objectif.
OBJECTIF N°2 :
Maîtriser et améliorer la qualité par la mise en Suvre d'outils et de méthodes spécifiques.
1.1.2 Définitions
Définition n°1
ENSEMBLE DES PROPRIETES ET CARACTERISTIQUES D'UN PRODUIT OU D'UN SERVICE QUI

LUI CONFERENT L'APTITUDE A SATISFAIRE DES BESOINS EXPRIMES OU IMPLICITES.
(NF X 50−120 ISO 8402)
Cette définition prend en compte toutes les caractéristiques du produit ou du service y

compris le prix qui constitue une caractéristique comme les autres.
Définition n°2
APTITUDE D'UN PRODUIT OU D'UN SERVICE A SATISFAIRE LES BESOINS DES UTILISATEURS.
(selon norme X 50−109 annulée)
C'est une définition de la normalisation française maintenant périmée. Elle a l'avantage d'être
plus simple à comprendre par le plus grand nombre.
Chapitre 1. Introduction − Présentation du contrôle qualité 1

Définition n°3
LA QUALITE D'UN PRODUIT EST LA PERTE (à minimiser) QUE L'UTILISATION DE CE PRODUIT

FAIT SUBIR A LA SOCIETE A PARTIR DU MOMENT OU CE PRODUIT SORT DE L'USINE.
(selon Genichi TAGUCHI)
Elle s'inscrit dans la logique de la méthodologie de Genichi Taguchi. Elle propose de prendre
en compte les pertes subies par l'entreprise en cas de traitement d'une non−conformité mais
aussi les pertes engendrées pour l'utilisateur à la suite de l'acquisition et de l'usage d'un bien
ou d'un service non idéal.
Cette approche prend en compte l'intérêt de l'entreprise, l'intérêt des clients mais aussi l'intérêt
général.
1.2. Les différentes visions de la validation des produits ou

services
1.2.1 Vision tout ou rien
1.2.2 Vision progressive
1.1.2 Définitions 2
* Ces coûts (pertes) sont proportionnels au carré de l'écart par rapport à l'idéal (valeur visée du produit).
Si le produit est rebuté ou retouché c'est l'entreprise qui supporte ces coûts.
Si le produit est vendu, c'est le client qui supporte ces coûts puisque le produit n'est pas idéal.
En conclusion, on cherche à réduire les écarts de façon permanente afin de réduire les coûts
globaux de façon indifférencié (clients ou entreprise).
1.3. Perception de la qualité

Concernant la qualité, les perceptions qu'en ont les clients et le fournisseur peuvent être très différentes.
Les notions de tolérances et de zéro défaut peuvent, en particulier, illustrer ces contradictions :
La position du fournisseur
− Le respect des tolérances constitue un objectif. Le zéro défaut est un but ultime.
− La réalisation du juste nécessaire constitue un idéal qu'il ne faut pas dépasser.
− Faire plus est considéré comme de la "sur qualité". Il faut donc l'éviter pour des considérations de coût.
On peut toutefois remarquer :

− Les limites de tolérances sont souvent fixées à partir de considérations techniques.
− Les tolérances ne sont prévues que parce que l'on ne sait pas fabriquer toutes les pièces aux
valeurs nominales (valeurs cibles).
− La conformité aux tolérances n'assure pas un fonctionnement idéal si les valeurs optimales
(les cibles) ne sont pas obtenues.
La position du client
− Le respect des tolérances entraîne des variations de performances perçues négativement.

− Le zéro défaut est le minimum attendu. Le client paie pour cela.
1.2.2 Vision progressive 3

− 75% des clients restent fidèles à une marque s'ils obtiennent des produits à zéro défaut. En conséquence 25
% d'entre eux sont, dans ce cas, disposés à en changer.
CONSEQUENCES
Le producteur qui considère que le strict respect des tolérances constitue un objectif de qualité
mécontente ses clients. Ses coûts de non−qualité sont élevés.
Le producteur qui diminue sans cesse ses dispersions pour se centrer sur la cible contente ses
clients mais il est assuré de perdre une fraction de ceux−ci attirée par la concurrence.
Le producteur qui apporte des "Plus" à ses clients sous la forme d'innovations ou de service
supplémentaire est assuré de la fidélité de ses clients.
1.4. Exercices
1.4.1 Détermination de la fonction du coût
Pour déterminer la fonction, il suffit de connaître la valeur de k. Ce coefficient peut être estimé à partir des
pertes de qualité occasionnées par une valeur donnée du facteur.
Exemple :
On sait que le jeu idéal dans un assemblage est y = 0,02 mm. Les pertes occasionnées au client par un jeu de y
= 0,025 m ont été évaluées à P1 = 125 francs.
6
Doù k =
= = 5 × 10
1.3. Perception de la qualité 4

La fonction est donc :
Pi = 5 × 106 × (yi − yN) 2

Avec (yi − yN) écart du produit ou service
En retour, on peut évaluer les pertes correspondant à une valeur donnée du produit.
Exemple avec y2 = 0,03 mm
P2 = 5 × 106 ×(0,030 0,020) 2 = 500 francs.
On remarque que les pertes de qualité croissent rapidement avec l'augmentation de l'écart par rapport à la
valeur de la cible (le nominal dans ce cas).
1.4.2 Fixation des limites de validation des produits
La fixation des limites de validation des produits permet de déterminer les pertes subies par la société en
général. Si le produit atteint le client c'est lui qui supporte le préjudice (sauf si une garantie couvre tout ou une
partie des frais).
Le produit dont les caractéristiques ne sont pas optimales, est soit rebuté, soit retouché ou subit une
intervention, l'entreprise supporte les pertes de qualité.
L'idée de Genichi Taguchi est que les pertes de qualité subies par le client pour une caractéristique non
optimale ne doivent jamais être supérieures aux gains procurés par une production hors des valeurs optimales
(affectées par des dispersions).
Il dit que c'est du vol vis−à−vis du client.

Les limites de tolérance de fabrication sont donc fixées pour respecter cet équilibre.
Exemple d'application :
Soit un produit y dont la valeur cible est 200.

Des enquêtes en clientèle ont montré que, si les produits étaient réalisés à y1 = 225, les pertes de qualité subies
par le client étaient de 500 francs (y1 représente la tolérance fonctionnelle).
On peut donc écrire :
2
P = k (y y ) soit k = = 0,8
1 1 N
=
Figure 5 :
1.4.1 Détermination de la fonction du coût 5

On sait par ailleurs que les coûts, pour l'entreprise du traitement d'une non−conformité, hors tolérance
supérieure (rebut, retouche, etc...) est Pt = 150 francs.
Si yt est la limite de tolérance équilibrant les pertes entre le client et le fournisseur alors
k=
Nous pouvons écrire : k =

=
d'où y y = × (225 200)

t N
=
yt yN = 13,7 représente l'écart de la limite de tolérance par rapport à la valeur cible (valeur nominale) qui
peut être toléré pour équilibrer les pertes qualité.
La limite de tolérance sera donc yt = 200 + 13,7 = 213,7
Nota : On peut choisir une limite de tolérance de fabrication inférieure par symétrie ou effectuer un nouveau
calcul correspondant à des valeurs de pertes de qualité différentes.
Résumé
Le but de toutes prestations (services produits &) implique l'amélioration continue des résultats et des
performances (y compris les coûts). Il est donc primordial de maîtriser et daméliorer la qualité par la mise
en Suvre d'outils et de méthodes spécifiques. La performance toujours améliorée pourra être constaté par la
gestion des écarts et de leurs coûts associés. La perception des écarts peut être très différentes suivant la
position que lon occupe.
• La position du fournisseur
◊ Le respect des tolérances constitue un objectif. Le zéro défaut est un but ultime.
◊ La réalisation du juste nécessaire constitue un idéal qu'il ne faut pas dépasser.
1.4.2 Fixation des limites de validation des produits 6

◊ Faire plus est considéré comme de la "sur qualité". Il faut donc l'éviter pour des
considérations de coût.
• La position du client
◊ Le respect des tolérances entraîne des variations de performances perçues
négativement.
◊ Le zéro défaut est le minimum attendu. Le client paie pour cela.
◊ 75% des clients restent fidèles à une marque s'ils obtiennent des produits à zéro
défaut. En conséquence 25 % d'entre eux sont, dans ce cas, disposés à en changer.
Résumé 7
Chapitre 2. Les différentes natures de contrôle
2.1. Introduction :
Nous avons vu précédemment quil était nécessaire de diminuer les variations des produits ou services pour
diminuer les coûts. Cela impose de mettre en place une politique de contrôle à deux niveaux :
• Contrôle des produits et services

• Contrôle des process (principalement contrôle des équipements de mesure)
Le contrôle des produits et services sera abordé de manière spécifique et devra répondre aux exigences des
spécifications prescrites avec une adéquation entre lincertitude de mesure (chapitre 3) et la spécification
(tolérancement) du produit.
Il existe plusieurs natures de contrôles des équipements de mesure :
• Contrôle des qualités d'interférence vis−à−vis de l'environnement

• Contrôle des qualités métrologiques
• Contrôle des qualités de construction
Il existe plusieurs types de contrôles des équipements de mesure :
• Qualification
• Réception
• Contrôle périodique
2.2. Contrôle d'interférences vis−à−vis de l'environnement
Tout appareillage doit avoir une construction telle que l'environnement de celui−ci ne doit pas se trouver
affecté par sa présence.
L'interférence sur l'environnement peut avoir plusieurs risques :
• Pollution.
• Rayonnement électromagnétique : celui−ci fait actuellement l'objet de beaucoup d'attention vu le
nombre de systèmes gérés par électronique qui peuvent s'en trouver affectés (surtout pour les
systèmes de sécurité).
• Poids qui peut déformer une géométrie primordiale d'un autre ensemble.
• Vibrations.
• Rayonnement thermique.
• Rayonnements autres (x, gamma. Souvent présents dans les contrôles non destructifs).
• Etc.
La conformité du matériel vis−à−vis des normes définies par le code du travail ne doit en aucun cas
être omise ainsi que toutes les sécurités nécessaires lors de la mise en Suvre d'une mesure et la
formation adéquate du personnel.
Chapitre 2. Les différentes natures de contrôle 8

2.3. Contrôle des qualités de construction

Un appareillage de mesure doit pouvoir, pour être utilisable pouvoir s'intégrer dans un environnement.
On remarque 3 liaisons principales d'un appareillage de mesure par rapport à son environnement :
• L'entrée d'une valeur dont on doit évaluer la grandeur :

♦ Celle−ci doit être accessible et quantifiable.
• L'alimentation de l'appareillage :
♦ Par exemple : tension 220 V + 50 Hz
• La sortie de la valeur :
♦ Il y a 2 grands cas de figures :
a. Une sortie dans une autre grandeur
(Acquisition pour traitement numérique)
Cas typique des capteurs. Exemple : capteur de pression qui délivre une tension
proportionnelle à la pression. Elle doit être compatible avec l'appareil
d'enregistrement ou de lecture.
b. Une sortie directement lisible
(Acquisition pour affichage)
1. Cas d'une lecture numérique :
La résolution, l'étendue et la fréquence de rafraîchissement de l'affichage

doivent être pris en compte.
Si la fréquence est :
• trop faible : les variations de la grandeur mesure seront appréhendées

avec trop de retard.
• trop rapide : le dernier digit peut devenir illisible.
2. Cas d'une lecture analogique :
La qualité de l'affichage doit être compatible avec la sortie du capteur : Les

normes définissent en général le dessin de ces graduations suivant la classe
de précision des appareils (présence ou non d'un miroir destiné à minimiser
l'erreur de parallaxe, finesse des graduations... etc.)
2.4. Contrôle des qualités métrologiques

2.4.1 Introduction
L'appareil doit être capable de délivrer des valeurs aussi proches que nécessaire de la valeur vraie de la
grandeur mesurée.
Les écarts existants doivent être évalués pour vérifier la compatibilité avec la fonction désirée.
Ceci se fait lors de l'opération d'étalonnage de l'appareil.
2.3. Contrôle des qualités de construction 9

On distingue quatre grandes erreurs métrologiques :
• Les erreurs de justesse

• Erreur de fidélité
• Erreur Hystérésis
• Erreur due à la lecture
2.4.2 Les erreurs de justesse
Elles caractérisent l'aptitude d'un appareil à délivrer des valeurs proches de la valeur vraie (composante
principale de lerreur systématique (confère chapitre 3)). On distingue plusieurs types d'erreurs de justesse :
♦ L'erreur de justesse maximale :
C'est l'écart maximum entre l'indication de l'appareil de mesure et la valeur vraie, sur
l'étendue de mesure. Pour lobtenir il suffit de mesurer sur le domaine étudié des
cales étalons réparties sur ce domaine et détablir la courbe suivante (courbe
détalonnage) :
Courbe d'étalonnage :
L'erreur de justesse maximale pouvant intervenir lors d'une mesure

avec linstrument considéré est ejt max.
♦ L'erreur de justesse totale :
La courbe détalonnage peut faire apparaître deux courbes si lappareil de mesure

peut être utilisé de deux manières différentes. Lerreur de justesse totale correspond à
lécart sur toute l'étendue de mesure des deux courbes.
♦ L'erreur de justesse locale :
C'est l'étendue des erreurs sur une portion définie de l'étendue de mesure de l'appareil.
2.4.1 Introduction 10
ejl est
définie
comme
étendue
d'erreur
maxi entre
2 pts de
mesure
(avec 10
pts de
mesure sur
l'étendue).
Lerreur de justesse locale peut être déterminée sur un domaine limité à une
dimension (une seule cale étalon mesurée). Lerreur de justesse locale sera alors
égale à la valeur de la cale la moyenne des 10 mesures de la cale étalon.
2.4.3 Erreur de fidélité
Cette donnée caractérise la faculté d'un appareil à donner des mesures identiques pour une même pièce
mesurée. Cette erreur est souvent associée à lerreur de répétabilité calculée comme suit :
Répétabilité : estimée à partir de 10 mesures faites sur une pièce dans les conditions de production
Faire 10 mesures :
Estimateur de l'écart−type à l'aide des

dix mesures
Ecart−type des dix
uf ou ur =
valeurs
Le calcul des différents paramètres de lerreur aléatoire est exposé dans le chapitre 3 portant sur les
incertitudes de mesure.
2.4.4 Erreur Hystérésis
Cette donnée caractérise le fait que l'indication d'un appareil de mesure soit différente pour une mesure valeur
d'entrée donnée suivant que cette valeur a été amenée de façon croissante ou décroissante.
2.4.2 Les erreurs de justesse 11

Eh est définie comme la demi différence

maximale d'erreur entre 2 pts de mesure située
au même endroit de la course de mesure, mais
accostée d'une part dans le sens croissant et
d'autre part dans le sens décroissant.
Cette erreur est très présente sur les machines−outils traditionnelles avec lesquelles il est nécessaire de
rattraper les jeux lors des différents mouvements.
2.4.5 Erreur due à la lecture
La lecture d'une valeur sur un appareil de mesure est en général le dernier maillon de la chaîne de mesure.
Deux cas de figure peuvent se présenter :
• Cas d'une lecture sur un cadran gradué :
On estime de façon générale l'erreur de lecture à une fraction de l'échelon .En général, la valeur
retenue se situe dans un intervalle de 0.1 e à 0.25 e.
Le choix dépend principalement des caractéristiques de l'organe d'affichage :
c. Type d'aiguille : Normale ou couteau

d. Présence ou non de miroir minimisant l'erreur de parallaxe
e. Finesse de la graduation
Un autre aspect dont on doit tenir compte est la faculté de l'opérateur à lire l'indication.
• Cas d'une lecture sur un affichage numérique :
On a tendance à penser en général que la valeur lue sur ce type d'affichage est exacte. Ceci serait sans
compter avec l'erreur de quantification que fait l'appareil sur la valeur affichée, en effet :
♦ L'affichage ne peut donc aller de 0000 à 19.99.

♦ Dans notre cas la valeur indiquée sera, si l'erreur de justesse de l'appareil est nulle :
de 18.375 à
Valeur mesurée de 18.345 à 18.355 De 18.355 à 18.365 de 18.365 à 18.375
18.385
Valeur affichée 18.34 18.35 18.36 18.37
Exemple :
Avec un multimètre numérique doté d'un affichage 2000 points, on mesure une tension de 18.367 Volt.
On se place pour cela sur le calibre 20 V.
On lira donc : 18.36 Volt
L'erreur de quantification sera donc de 18.36−18.367 = 0.007 V
Ceci est chiffré en général par l'écart−type de quantification. Quand une valeur V est affichée sur l'appareil, on
sait que la valeur vraie a une équiprobabilité de se situer dans le domaine [V−0,5 e ; V+0,5 e] (Si le système
2.4.4 Erreur Hystérésis 12

est parfait.....)
Calcul : L'écart type de quantification est défini comme la moyenne quadratique des écarts.
Dans notre cas :
On a donc :
Voir chapitre 3
2.5. Les différents types de contrôle

2.5.1 Le contrôle de qualification
Ce contrôle se situe chronologiquement lors de l'élaboration du prototype ou à la sortie des premiers appareils
d'une chaîne de production sur un échantillon.
L'intégralité de l'appareil est contrôlée :
• Qualités métrologiques :
♦ La norme définit les erreurs maximales admissibles dans le cas d'appareils neufs.
• Qualités de constructions ex :
♦ Lisibilité du cadran (Cf. norme)

♦ Dimensions de différents organes externes&
• Conformité vis à vis du règlement du travail.
2.4.5 Erreur due à la lecture 13

2.5.2 Le contrôle de réception
Ce contrôle s'effectue par l'entreprise réceptrice d'un nouveau matériel. En effet, il est hors de question pour le
service achat de faire confiance aux contrôles de la société productrice qui serait alors juge et partie. Le
contrôle est cependant moins poussé, la plupart du temps par manque de moyens et de temps (Le contrôle de
compatibilité magnétique n'est pas à la portée de tout le monde.....), et d'autre part, certains contrôles déjà
effectués sont fiables (Par exemple, la conformité par rapport à la législation du travail).
2.5.3 Le contrôle périodique
Sont principalement concernés dans le cas général toutes les qualités de l'appareil à contrôler. Cependant
l'entreprise utilisatrice, dans certains cas, vérifie uniquement le défaut de répétabilité de l'appareil, seule erreur
qui risque de se dégrader lors de l'utilisation.
On s'intéresse de façon générale surtout aux qualités métrologiques des appareils, ceci est parfois une erreur
car d'autres erreurs peuvent influer sur une mesure ou être significatives d'un changement fondamental dans le
fonctionnement.
Les trois questions fondamentales à se poser pour ce type de vérification sont :
• Que contrôler ?
• Quand le faire ?
• Comment le faire ? (Chapitre 2.5.4− Méthodologie du contrôle périodique)
Que contrôler :
Dans le cas d'un contrôle habituel, une procédure fiable a été établie qui prend en compte l'incertitude de
mesure sur l'évaluation de la valeur mesurée, les paramètres métrologiques à suivre sont logiquement ceux
intervenant dans le calcul des incertitudes voir chapitre 3.
Les autres vérifications peuvent porter sur d'autres paramètres :
• Efforts de mesurage dans le cas de mesures mécaniques de longueurs.

• Spectre de vibration d'un sol support (surtout dans le cas de mesure de défauts micro géométriques).
• Echauffement local ou général de la structure.
• Dans le cas ou il y a élaboration d'un produit, mesure et suivi des caractéristiques de ce produit (poids,
longueurs caractéristiques, ....... etc.).
Quand le faire :
Sauf cas particulier, le contrôle d'un instrument de mesure doit être fait de façon périodique. Le principal
problème est en général de déterminer cette périodicité.
2.5.2 Le contrôle de réception 14

Cas extrêmes :
♦ Appareils ne subissant qu'un seul contrôle : C'est le cas des étalons de rugosité
viso−tactiles, leur usure étant inexistante.
♦ Appareils contrôlés à chaque utilisation : Cas des appareils dont dépendent des
systèmes de haute sécurité ou appareils dont la fréquence d'utilisation est très faible.
Cas général :
La périodicité dépend essentiellement de la pérennité du système, c'est à dire de son aptitude

à garder ses caractéristiques métrologiques dans le temps.
Il est donc nécessaire de posséder un solide historique de l'évolution des caractéristiques des
qualités métrologiques dans le temps, de déterminer les écarts admissibles sur celles−ci et
den déduire la périodicité de contrôle.
Le problème est bien sûr de déterminer la périodicité dans le cas d'un matériel neuf ou non
suivi. Il y a plusieurs façons dappréhender le problème :
♦ On peut se fier à l'historique d'un matériel similaire ou proche.

♦ Des données du constructeur peuvent être une base d'estimation.
♦ Pour une personne possédant une certaine expérience de façon instinctive.
♦ On peut commencer par une périodicité très courte que l'on allonge peu à peu.
♦ Les normes donnent parfois quelques conseils.
Une valeur typique d'une périodicité de contrôle se situe entre 6 mois et 2 ans.
La valeur de cette périodicité est toutefois quelque chose de critique, en effet :
Si trop courte :
Le matériel d'étalonnage devra être mobilisé plus souvent : C'est un matériel qui en général
coûte cher et pour lequel le personnel utilisateur doit être qualifié.
Le matériel à étalonner est mobilisé pendant tout le temps d'étalonnage, ce qui le rend
indisponible et peut parfois demander dans les cas extrêmes une redondance de ce matériel.
Dans certains cas extrêmes, des manipulations trop fréquentes d'étalon de haute qualité
peuvent nuire à la pérennité de celui ci (doù l'utilité dans certains cas d'étalons de travail et
de transfert).
Si trop longue :
Si les variations de la valeur d'un étalon ou d'un générateur entre deux étalonnages sont trop
grandes cela augmente l'incertitude du contrôle. Ainsi il sera d'autant plus difficile de
découvrir une variation accidentelle de la valeur de létalon.
2.5.4 Méthodologie du contrôle périodique
Moyens à mettre en Suvre :
Il va de soi que ceux−ci doivent être plus précis que l'instrument que l'on cherche à contrôler. Le rapport
(incertitude de l'appareil étalonné/ incertitude du système détalonnage) peut être compris entre 2 et 10. Pour
2.5.3 Le contrôle périodique 15

une valeur de 10, on met en jeu un système d'étalonnage qui peut être onéreux, voire dans certains cas
impossible techniquement à mettre en Suvre. Pour une valeur de 2, on est techniquement dans des rapports de
précision relativement proches.
L'appareillage employé doit être raccordé pour une vérification sérieuse à la chaîne nationale d'étalonnage afin
d'assurer la traçabilité de l'appareillage contrôlé aux étalons nationaux. On doit de ce fait être en possession de
document le justifiant. Un certificat d'étalonnage doit comporter en ce sens le n° du certificat d'étalonnage de
l'étalon ayant servi au contrôle sauf s'il s'agit d'un certificat COFRAC (Comité Français dAccréditation) où
cette traçabilité est garantie.
Remarque :
Il est possible que dans certains cas une chaîne nationale d'étalonnage soit inexistante. Une référence est dans
ce cas créée par inter comparaison d'étalons d'entreprises.
Conditions à respecter :
Environnement :
Pour être étalonné, un appareil doit être dans un environnement correspondant à ses conditions de
fonctionnement. Les valeurs influentes les plus courantes sont en général :
La température :
La valeur de référence varie suivant le domaine :
• 20°C pour les mesures mécaniques

• 23°C ou 20°C pour les mesures électriques
• 25°C pour certaines mesures en chimie
L'hygrométrie (en général, on retient 50% d'humidité) :
Certains appareils sont sensibles aux variations d'hygrométrie, les lasers par exemple dans le cas de mesures
mécaniques, certains condensateurs dans le cas de mesures électriques.
Gravité :
C'est un facteur primordial dans bien des cas de mesures (cf. dans "Organisation de la métrologie en entreprise
" l'écrasement d'une cale étalon sous son propre poids rend difficile l'utilisation d'une cale de grande
dimension en position verticale), soit comme facteur perturbateur, soit comme donnée de mesure dans le cas
de mesures à l'aide de balances de pression par exemple.
Vibrations :
Elles peuvent rendre impossibles des mesures dans le domaine micro géométrique. On utilise dans certains cas
des baudruches gonflables qui constituent un filtre de fréquence variable suivant la pression de gonflage.
Pression atmosphérique :
2.5.4 Méthodologie du contrôle périodique 16

La présence d'air autour d'objets crée une poussée d'Archimède dont la valeur dépend de la densité de l'air,
donc de la pression atmosphérique. Ce facteur peut être important dans le cas de mesures de masses de haute
précision.
Mise en oeuvre :
Préchauffage :
Les appareils de mesures ou étalons constitués de mécanismes ou systèmes électroniques voient souvent leurs
caractéristiques varier puis se stabiliser après un certain temps ou un certain nombre de cycles de
fonctionnement. Pour palier à ceci on met en général les appareils en fonctionnement pour un temps de
préchauffage avant leurs contrôles. (On peut par exemple laisser une balance chargée d'un poids
correspondant à la moitié de la charge maximale).
Nettoyage :
Les appareils, surtout dans le domaine mécanique doivent être dans état de propreté irréprochable. Si le
nettoyage est évident à faire dans le cas d'étalons habituels (nettoyage à lalcool), il peut être plus
problématique pour des étalons de rugosité où les détails dimensionnels de l'étalon sont de faibles amplitudes
(nettoyage à l'aide de procédés ultrasonores).
Processus de contrôle :
Il doit être tel qu'il met en évidence les différents défauts de mesurage qui peuvent intervenir lors de
l'évaluation d'une grandeur par l'appareil concerné.
Les défauts les plus souvent recherchés sont la justesse, l'hystérésis et la fidélité.
Ils sont déterminés en général de deux façons :
• Dans le cas général, on contrôle tous les défauts métrologiques pouvant intervenir lors d'un mesurage
sur l'étendue de mesure. Les normes sont dans ce cas un très bon support tant pour définir les
grandeurs à mesurer que pour définir les maxima admissibles.
• Il se peut, si l'appareil est utilisé dans des conditions particulières (balance utilisée en comparateur de
masses) que lon ne contrôle que certaines spécifications sur un domaine de mesure particulier, voire
en un point de fonctionnement particulier.
2.5.5 Les sanctions à l'issue d'un contrôle
Les documents :
Deux grands cas de figure se présentent :
Les documents attestant la validité ou non de linstrument de mesure à remplir sa tâche, son appartenance à
une classe donnée : Cest le constat de vérification.
Les documents chiffrant les différentes erreurs de linstrument : cest le certificat détalonnage
Les actions :
• La remise en service
• Lajustage
2.5.5 Les sanctions à l'issue d'un contrôle 17

• La réparation
• Le déclassement
• La réforme
Contrôle et diagnostic
On distingue plusieurs types de défauts :
a. les défauts géométriques :
◊ Défaut de rectitudes dans les plans orthogonaux à laxe de la glissière

◊ Défaut angulaire dune glissière : Tangage, Roulis, lacet
◊ Défaut de linéarité de la règle de mesure.
b. Les défauts dynamiques :
◊ Erreur de poursuite
◊ Temps de montée
◊ Jeux dinversion
◊ Jeux des glissières
◊ Broutage
◊ vibrations induites (moteurs, coupe, vis à bille, autres machines)
c. Les dérives :
◊ Dérives thermiques
◊ Stabilité des sols
◊ Usures
◊ Répétabilité
◊ Flexion dune colonne en fonction de la position de loutil
La somme de tous ces défauts donne la signature dune machine, la pièce

que celle ci usine en est le témoin.
Cest par la force des choses lélément de contrôle le plus utilisé.
Lorsquune machine fait des pièces conformes, il faut contrôler sa dérive.
Cf. chapitre SPC sur les cartes de contrôle.
Les outils traditionnels de contrôle :
• Comparateurs
• Règles
• cales étalons
• Equerres
• Niveau à bulle
2.6. Exercices
2.6. Exercices 18
2.6.1 Etude de la conformité d'un instrument de mesure :
Je vous propose dexploiter cette fiche de calcul pour déterminer vos premières erreurs de justesse, de
fidélité, de résolution et dinfluence de paramètre externe (la température)
2.6.1 Etude de la conformité d'un instrument de mesure : 19

2.6.2 Exploitation des courbes d'étalonnage :
Cet exercice vous permettra détablir vos courbes détalonnage et de les analyser.
1. Analyse de létalonnage : (données des erreurs en microns)
Dimensions des Erreur de justesse en Erreur de justesse en

cales montant descendant
0 −8 −2
50 2 5
100 −1 −4
150 5 8
200 6 6
250 12 15
300 12 15
350 11 16
400 20 18
450 19 25
500 21 21
a. Tracer les courbes des Ej.
b. Déduire lerreur dhystérésis
c. Déduire les erreurs de justesse max pour les deux méthodes de mesures (montant et
descendant) Ej max
d. Déduire lerreur de justesse totale Ejt.
2. Exploitations des données détalonnage :
2.6.2 Exploitation des courbes d'étalonnage : 20

♦ Trouver les dimensions corrigées
Correction avec
Dimension Correction
courbe
mesurée avec Ejt
détalonnage
0m
50 d
100 d
150 m
210 m
250 d
320 d
3. Conclusion quand à la réelle correction à effectuer.
Résumé
Il existe plusieurs natures de contrôles des équipements de mesure :

Tout appareillage ne doit pas affecter par sa présence son environnement.
• Contrôle des qualités métrologiques
Un appareillage doit s'intégrer dans son environnement
• Contrôle des qualités de construction
L'appareil doit être capable de délivrer des valeurs aussi proches que nécessaire de la valeur vraie de
la grandeur mesurée.
Il existe plusieurs types de contrôles des équipements :
• Qualification
Validation dun prototype ou dune présérie.
• Réception
Validation d'un nouveau matériel.
• Contrôle périodique
Validation périodique dun matériel.
Résumé 21
Chapitre 3. Les Incertitudes de mesure
3.1. Introduction aux incertitudes
Lorsqu'on rend compte du résultat d'un mesurage d'une grandeur physique, il faut obligatoirement donner une
indication quantitative sur la qualité du résultat pour que ceux qui l'utiliseront puissent estimer sa fiabilité. En
l'absence d'une telle indication, les résultats de mesure ne peuvent pas être comparés, soit entre eux, soit par
rapport à des valeurs de référence données dans une spécification ou une norme. Aussi est−il nécessaire qu'il
existe une procédure facilement applicable, aisément compréhensible et largement acceptée pour caractériser
la qualité du résultat d'un mesurage, c'est−à−dire pour évaluer et exprimer son incertitude.
Le concept d'incertitude comme attribut quantifiable est relativement nouveau dans l'histoire de la mesure
bien que l'erreur et l'analyse des erreurs soient des concepts depuis longtemps pratiqués dans la science de la
mesure, c'est−à−dire en métrologie. On reconnaît maintenant largement que, lorsqu'on a évalué la totalité des
composantes de l'erreur connues ou soupçonnées et que les corrections appropriées ont été appliquées, il
subsiste encore une incertitude sur la validité du résultat exprimé, c'est−à−dire un doute sur la manière dont le
résultat de mesure représente correctement la valeur de la grandeur mesurée.
De même que l'utilisation quasi universelle du Système international d'unités (SI) a apporté la cohérence pour
tous les mesurages scientifiques et technologiques, de même un consensus universel sur l'évaluation et
l'expression de l'incertitude de mesure permettrait la compréhension aisée et l'interprétation correcte d'un vaste
spectre de résultats de mesure en science, ingénierie, commerce, industrie et réglementation. A notre époque
de développement mondial du commerce, il est impératif que la méthode d'évaluation et d'expression des
incertitudes soit uniforme dans le monde entier pour pouvoir comparer facilement des mesurages effectués
dans des pays différents.
• La méthode idéale d'évaluation et d'expression de l'incertitude du résultat d'un mesurage devrait être :
♦ universelle : la méthode devrait pouvoir s'appliquer à tous les types de mesurages et à tous les
types de données d'entrée utilisés dans les mesurages.
• La grandeur effectivement utilisée pour exprimer l'incertitude devrait être :
♦ logique en elle−même : elle devrait pouvoir se déduire directement des composantes
constitutives tout en étant indépendante du groupement de ces composantes ou de leur
décomposition en sous−composantes;
♦ transférable :l'incertitude évaluée pour un résultat devrait pouvoir être utilisée directement
comme composante dans l'évaluation de l'incertitude d'un autre mesurage où l'on utilise le
premier résultat.
De plus, dans de nombreuses applications industrielles et commerciales de même que dans les domaines de la
santé et de la sécurité, il est souvent nécessaire de fournir, autour du résultat d'un mesurage, un intervalle dont
on puisse s'attendre à ce qu'il comprenne une fraction élevée de la distribution des valeurs qui pourraient
raisonnablement être attribuées au mesurande. Aussi, la méthode idéale d'évaluation et d'expression de mesure
devrait pouvoir fournir aisément un tel intervalle, en particulier avec une probabilité ou un niveau de
confiance qui corresponde dune manière réaliste à ce qui est exigé.
« extrait du guide pour lexpression de lincertitude de mesure »
3.2. Estimation des erreurs de mesure
Chapitre 3. Les Incertitudes de mesure 22

3.2.1 Erreur absolue sur une grandeur
1) Définition :
Une grandeur A étant donnée, on appelle valeur approchée a de A toute valeur «proche» de A. Le nombre a
étant choisi comme valeur approchée ou estimation de A, il est dusage dentendre par erreur sur A (ou sur a)
le nombre a − A et par erreur absolue sur A (ou sur a) le nombre |a − A|
En général, la grandeur A nest pas connue et on ne peut pas connaître lerreur |a − A| mais seulement une
borne supérieure de cette erreur que lon notera ΔA ? (Par abus on dira borne de lerreur au lieu de
borne supérieure de lerreur absolue)
On a donc |a − A| ≤ ΔA et par conséquent a − ΔA ≤ a ≤ a + ΔA

On écrit alors a= A ± ΔA ou A= a ± ΔA
On verra que cette notation est ambiguë car elle peut avoir plusieurs sens.
Exemple : si lon choisit a = 3,14 comme valeur approchée de Π, lencadrement 3,14 ≤ Π ≤ 3,15
alors
|a −Π|≤ 0,01 et par conséquent on prendra ΔA = 0,01
Remarquez que si on considère lencadrement 3,14 ≤ Π ≤ 3,142, on peut choisir ΔA = 0,002
Le choix de la borne de lerreur dépend donc des données du problème
Chercher une borne derreur sur un résultat, cest déterminer un encadrement de ce résultat
Exemple : Si on considère deux résistances R1 et R2 connues avec une erreur respective ΔR1 et
ΔR2 montées en parallèle, on appelle R la résistance équivalente.
On donne R1 = 500Ω± 5Ω et R2 = 1000Ω ± 5Ω
• Déterminer une borne de lerreur commise sur R
On a donc R = R1R2 / (R1 + R2)

495 ≤ R1 ≤ 505 et 995 ≤ R2 ≤ 1005
Par conséquent, 1490 ≤ R1 + R2 ≤ 1510 et 492 525≤ R1R2 ≤ 507 525
Et 492 525/1510 ≤ R1R2/R1 + R2 ≤ 507 525/1490
Soit 326,175... ≤ R1R2/R1 + R2 ≤ 340,621....

Et donc 326 ≤ R1R2/R1 + R2 ≤ 341
Soit 326 ≤ R ≤ 341
Par conséquent lerreur produite sur R sera au maximum de 15Ω si on choisit les cas les plus
défavorables 326 ou 341 comme valeur approchée
On peut limiter la borne derreur en choisissant la valeur moyenne 333,5 et présenter les résultats sous la
forme R = 333,5Ω ± 7,5Ω
Cependant lencadrement obtenu est «grossier» ; il peut être amélioré en étudiant les variations
de la fonction de deux variables :

pour x variant de 495 à 995 et y de 995 à 1005
Une étude de cette fonction montre que sur ce domaine on a : 330,55 ≤ ’(x,y) ≤ 336,11
3.2.1 Erreur absolue sur une grandeur 23

On peut alors proposer R = 333,3Ω ± 2,8Ω
Pour une formule plus compliquée ou pour une recherche littérale de la borne derreur les calculs peuvent
devenir lourds ; on va donc donner une estimation de cette borne derreur.
3.2.2 Estimation de la borne d'erreur absolue
Problème :
Soit où les variables sont connues avec une borne derreur

, peut−on donner une estimation de la borne derreur Δy ?
•
Soient tels que pour toute valeur de i
Les valeurs possibles de y sont données par et donc lerreur
est une majoration de
:
• Le développement en série de Taylor de f au voisinage de ( ) donne :

=
+ + + .....
• En négligeant les termes dordre supérieur à deux, ce qui est possible en particulier lorsque
est négligeable devant on peut estimer :
par =| |
Or | |≤
En conclusion on choisit généralement (sous les hypothèses simplificatrices signalées plus haut) :
Δy=
Remarque1 : La formule précédente nest exacte que si f est linéaire
En particulier si = ou =
Reprenons lexemple du début du paragraphe

R1 = 500Ω ± 5Ω et R2 = 1000Ω ± 5Ω donc ΔR1 et ΔR2 valent
5Ω
Or R = R1R2/(R1 + R2)
3.2.2 Estimation de la borne d'erreur absolue 24

et par conséquent et . En prenant les valeurs de ces dérivées aux
valeurs R1 = 500 et R2 = 1000, on obtient ΔR = =
On en déduit que R = Ω ± Ω ce qui donne un encadrement de 330 ≤ R ≤ 337.
En comparant avec lencadrement obtenu dans le paragraphe précédent, on peut noter la qualité de
lapproximation.
3.2.3 Erreur relative sur une grandeur
1) Définition :
Si une grandeur A est connue par une valeur approchée a, on appelle erreur relative sur A le nombre
En général, ni lerreur sur A, ni A ne sont connus, on détermine donc une borne derreur relative sur A que
lon note δA
Or ≤ ≤
Cette dernière quantité est proche de dès que ce nombre est très petit devant 1, ce qui est vérifié le plus
souvent.
On prendra donc en général δA =
Exemple : Si R1 = 500Ω ± 5Ω alors = 5/500 = 0.01 = 1%
2) Utilisation des bornes derreur relative
Soit
Alors
Et par conséquent
Et donc on peut choisir
3.2.3 Erreur relative sur une grandeur 25

Exemple : soit avec Π≈ 3,14 m = 500 ± 1 g et k = 400 ± 2 Nm−1
On a donc et donc
doù ≈ 0,0067 et par conséquent on peut estimer :
= 0,2220 s et dT = 0,0067 x 0,2220 ≈ 0,0015
doù T = 0.2220 ± 0,0015 s.
3.3. Incertitude sur un mesurage

3.3.1 Mesurage
Lobjectif dun mesurage consiste à donner «la» valeur du mesurande. En général, le résultat dun mesurage
est seulement une approximation ou estimation de la valeur du mesurande et nécessite dêtre accompagné de
lincertitude de cette estimation . Le but de ce chapitre est de définir ce que lon entend par incertitude et de
caractériser une méthode déterminant son évaluation
Quelques définitions (V.I.M) :
Mesurage :Ensemble dopérations ayant pour but de déterminer une valeur dune grandeur
Mesurande :grandeur particulière soumise à mesurage
Valeur vraie dun mesurande : mesure que lon obtiendrait par un mesurage parfait
Grandeur dinfluence : grandeur qui nest pas le mesurande mais qui a un effet sur le résultat du mesurage
3.3.2 Erreur sur un mesurage Notion d'erreur
Un mesurage présente, en général, des imperfections qui occasionnent une erreur pour le résultat de mesure.
Ce concept derreur est idéal et les erreurs ne peuvent pas être connues exactement ; il représente le résultat
dun mesurage moins une valeur vraie du mesurande.
Ainsi, on peut le modéliser par :
• où est le résultat dun mesurage.

• est la valeur vraie du mesurande
• est lerreur commise sur le mesurage
3.3. Incertitude sur un mesurage 26

Si lon répète le mesurage, on obtient une série de valeurs qui sont les valeurs prises par une
variable aléatoire Y et une série de valeurs qui sont les erreurs définies sur chacune des
observations ; ces valeurs définissent une variable aléatoire E :
Lerreur de mesure est une variable aléatoire
On peut modéliser le mesurage par

Y= +E
Lhypothèse fondamentale du traitement probabiliste de lerreur est que la variable E obéit à une loi de
probabilité bien définie.
Lobjet de ce chapitre sera de déterminer les paramètres de la loi de probabilité de E, appelée loi de
propagation de lerreur.
3.3.3 Erreur sur un mesurage Composantes de l'erreur
On envisage traditionnellement quune erreur possède deux composantes, à savoir une composante aléatoire
et une composante systématique.
a) Composante aléatoire de lerreur
Lerreur aléatoire Δ provient des variations temporelles et spatiales non prévisibles de grandeurs
dinfluence . Les effets de telles variations appelés effets aléatoires entrainent des variations pour les
observations répétées du mesurande (bien que le mesurage soit effectué dans des conditions aussi constantes
que possible.
Lerreur aléatoire sur un mesurage est le: « résultat dun mesurage moins la moyenne dun nombre infini de
mesurages du même mesurande, effectués dans des conditions de répétabilité. » (VIM 93)
Lerreur aléatoire est liée aux conditions opératoires.

Bien quil ne soit pas possible de compenser lerreur aléatoire dun résultat de mesure, elle peut être réduite
en augmentant le nombre dobservations.
b) Composante systématique de lerreur
Lerreur systématique ε se produit sur un résultat de mesure à partir dun effet reconnu dune
grandeur dinfluence ; cet effet, appelé effet systématique, peut être quantifié et sil est significatif par
rapport à la précision requise du mesurage, une correction est appliquée au résultat.
La correction est une opération difficile car elle nécessite une connaissance approfondie du processus de
mesure afin didentifier au mieux les causes derreurs puis estimer les corrections à apporter.
• Il existe de nombreuses sources derreurs systématiques, comme par exemple :

♦ leffet des grandeurs dinfluence (température, pression,....)
♦ lerreur de justesse des instruments
♦ la position de lobjet mesuré
♦ la perturbation due à la présence des instruments dobservation
• Dans la pratique, différentes méthodes sont utilisées pour détecter et évaluer ces erreurs, comme par
exemple :
3.3.2 Erreur sur un mesurage Notion d'erreur 27

♦ mesurer la même grandeur avec un instrument différent

♦ mesurer la même grandeur avec des méthodes différentes
♦ mesurer une grandeur étalon (contrôle de la justesse)
♦ mesurer un même mesurande dans des laboratoires différents
Lerreur systématique sur un mesurage est la: « moyenne qui résulterait dun nombre infini de mesurages du
même mesurande, effectués dans des conditions de répétabilité, moins une valeur vraie du mesurande. » (VIM
93)
Lerreur systématique peut être considérée comme une erreur constante qui affecte chacune des observations.
Lerreur systématique dun résultat de mesure ne peut être réduite en augmentant le nombre dobservations,
mais par lapplication dune correction.
Les corrections étant faites le mieux possible, il subsiste un doute sur la valeur des corrections
On admettra que les variations de lerreur systématique autour de la correction effectuée sont aléatoires, ce
qui permet de supposer que lerreur systématique ε suit une loi de probabilité bien définie.
c) Modélisation du mesurage
On suppose que le résultat dun mesurage a été corrigé pour tous les effets systématiques reconnus comme
significatifs et quon a fait tous les efforts pour leur identification. On dit alors que la méthode de mesure est
correcte.
On peut donc modéliser le mesurage par : Y = +ε+Δ
On fera lhypothèse dans la suite que la méthode de mesure est correcte, ce qui se traduit mathématiquement
par :
Lespérance mathématique des variables ε et Δ est nulle.
Il reste à déterminer un autre paramètre important, la variance de la variable Y

Cest lobjet de la détermination de lincertitude sur le résultat du mesurage.
3.4. Erreur sur un mesurage − Incertitude

Le mot incertitude signifie doute ; lincertitude du résultat dun mesurage reflète limpossibilité de connaître
exactement la valeur du mesurande.
Nous avons privilégié une approche probabiliste du concept derreur, nous allons définir le concept
dincertitude en accord avec cette approche et proposer une définition :
Incertitude : paramètre, associé au résultat dun mesurage, qui caractérise la dispersion des valeurs qui
pourraient être raisonnablement attribuées au mesurande. « VIM 93 ».
3.4.1 Notion d'incertitude type
Nous avons vu que le mesurage peut être modélisé par une variable aléatoire Y despérance
La détermination de lincertitude sur le mesurage va être exprimée en fonction de lécart−type de Y
Lécart−type de Y est appelé incertitude−type sur le résultat du mesurage
3.3.3 Erreur sur un mesurage Composantes de l'erreur 28

En général Y est dépendant de plusieurs autres variables.
Par exemple si on applique une différence de potentiel V aux bornes dune résistance dont la valeur dépend
de la température, de résistance à la température et de coefficient linéaire de température α, la
puissance dissipée P (le mesurande) dissipée par la résistance est fonction de V, , α,
Δt selon :
Lincertitude−type sur Y dépend des incertitudes−types sur chacune des variables.
3.4.2 Différents modes d'évaluation de l'incertitude sur une grandeur
Si on fait varier la totalité des grandeurs dont dépend le résultat dun mesurage, lincertitude−type sur
chacune des variables peut être évaluée par des moyens statistiques.
Cependant, comme cela est rarement possible en pratique, lincertitude−type sur certaines variables peut être
estimée par utilisation dun modèle mathématique décrivant la loi de propagation de lerreur sur cette
variable.
• Si une grandeur est estimée par des moyens statistiques ,on dit quon a une évaluation de type A de
lincertitude−type sur cette grandeur.
• Si une grandeur est estimée par un modèle mathématique ,on dit quon a une évaluation de type B de
3.4.3 Evaluation de type A d'une incertitude−type
On suppose dans ce cas que la grandeur X est estimée à partir dune série statistique (on établit par exemple
une série de 15 mesures de la longueur dune pièce)
Pour une grandeur X estimée à partir de n observations répétées indépendantes obtenues dans les mêmes
conditions de mesure (ce qui implique que chaque opération de mesurage nécessite le
démontage et le remontage du dispositif de mesure !), la moyenne arithmétique des valeurs est
en général la meilleure estimation possible de E( X ) lespérance de X
• représente un échantillon des valeurs de X
on prend donc comme estimation de X le nombre x défini par : x= =
Le nombre s²(X) = est le meilleur estimateur de la variance de X notée
• s représente une estimation de la dispersion des valeurs prises par X autour de leur moyenne
E(X).
s(X) est appelé écart−type expérimental dune mesure ou écart−type de répétabilité.
3.4.1 Notion d'incertitude type 29

Un résultat classique de statistique sur les lois déchantillonnage montre que la meilleure estimation sur
, variance de la moyenne de X est =

Lécart−type expérimental de la moyenne est utilisé comme estimation de lincertitude de
En conclusion :
Si une grandeur X est estimée à partir de n observations répétées indépendantes , alors
lincertitude type u(x) de son estimation x = est =

Cependant dans la pratique, pour des problèmes de coût on aura souvent une estimation de s(X), produite dans
des conditions similaires par un autre opérateur ou à un autre moment que celui de lévaluation de
lincertitude.
La formule précédente nest donc pas applicable.
On considère que lestimation de s(X) reste lécart−type expérimental dune mesure.
Si on effectue p observations indépendantes, alors on prendra u(x) =
En conclusion :
Si une grandeur X est estimée à partir de p observations répétées indépendantes ,on prendra
comme estimation de X et s(X) comme lécart−type expérimental dune mesure.
et lincertitude−type u(x) de son estimation x = est
Exemple :
On effectue 20 mesures du diamètre dun cylindre à laide dun pied à coulisse et on obtient s(X) = 0,018
mm
− Si lon effectue lévaluation de lincertitude sur ces 20 observations, lincertitude−type retenue sur la
moyenne de ces 20 observations sera u(x) = mm

− Si on estime que cette évaluation représente convenablement lécart−type de la dispersion dune mesure
de ce cylindre autour de sa moyenne, on peut prendre s(X) = 0,018mm comme lécart−type expérimental
dune mesure établie à laide du même type dinstrument.
Lincertitude−type sur une mesure sera alors u(x) = 0,018 mm.
Lincertitude−type sur la moyenne de trois mesures sera alors u(x) = mm.
3.4.3 Evaluation de type A d'une incertitude−type 30

3.4.4 Evaluation de type B d'une incertitude−type
Lorsque lestimation dune grandeur X ne peut être obtenue à partir dobservations répétées, la variance
estimée u²(x) ou lincertitude−type u(x) sont évaluées par un jugement fondé sur des lois de probabilité
supposées à priori.
La détermination de la loi de propagation de lerreur est liée à la maîtrise du processus de mesure et à

lexpérience de lopérateur ; elle dépend dun ensemble dinformations qui peuvent être :
• des résultats de mesures antérieures

• lexpérience ou la connaissance du comportement et des propriétés des matériaux et instruments
utilisés
• des facteurs dinfluence (température, pression,.....)
• des spécifications du fabricant
• les données fournies par des certificats détalonnage ou autres
• lincertitude assignée à des valeurs de référence et donnée avec ces valeurs
Nous donnerons des exemples de lois retenues pour des variables habituellement rencontrées dans les calculs
dincertitude ainsi que les incertitudes−types correspondantes.
3.4.5 Un rappel des lois de probabilité
Lois normales (ou lois du hasard)
Ces lois sont dune grande importance car elles se trouvent être lois limites de la moyenne de nombreuses
lois, lors dobservations répétées de manière indépendante.
allure de la densité
• si une variable X suit une loi normale de moyenne m et décart−type σ alors on a
approximativement :
♦ prob( −σ ≤ X ≤ s ) ≈ 0.68
♦ prob( −2σ ≤ X ≤ 2s ) ≈ 0.95
♦ prob( −3σ ≤ X ≤ 3s ) ≈ 0.997
Cette dernière inégalité indique que quasiment la totalité des données sont situées entre −3σ et
3σ
3.4.4 Evaluation de type B d'une incertitude−type 31

Lois rectangulaires (ou lois uniformes)
Une variable X suit une loi uniforme sur un intervalle [ a,b ] si sa fonction de densité f est définie par :
f(x)= pour a ≤ x ≤ b et f(x) = 0 sinon
La moyenne de X est et son écart−type est σ =
Lois triangulaires
Une variable X suit une loi triangulaire sur un intervalle[ a,b ] si sa fonction de densité f est définie par :
f(x) = pour a ≤ x ≤ ; f(x)= pour ≤ x

≤ b ; f(x) = 0 sinon
La moyenne de X est et son écart−type est σ =
3.4.5 Un rappel des lois de probabilité 32

3.4.6 Détermination d'incertitudes de type B
Le travail du métrologue va être de choisir , en fonction des informations recueillies ou des connaissances des
processus, la loi de probabilité qui lui semble être le mieux représentative du phénomène étudié.
Ainsi, si on sait raisonnablement que les valeurs de la grandeur X sont comprises entre −d et d, le choix de la
loi de propagation de X entre −d et d va décider de lincertitude type retenue :
•
Si on suppose que la loi est normale on prendra u(x) =
•
Si on suppose que la loi est triangulaire, on prendra u(x) =
•
Si on suppose que la loi est rectangulaire on prendra u(x) =
On remarque sur les résultats précédents que lhypothèse dune loi triangulaire est un bon compromis entre
les lois normales et rectangulaires.
Les cas suivants résument les dispositions qui, sans information supplémentaire, sont prises dans la pratique
Résolution dune indication numérique
Si la résolution dun instrument numérique est d, la valeur X du signal mesuré peut se situer avec une égale
probabilité à nimporte quel endroit de lintervalle allant de X −d/2 à X +d/2
• Le signal mesuré suit donc une loi rectangulaire de largeur d

On prendra donc :
u(x) =
Exemple : si un instrument de pesage a un dispositif indicateur dont le dernier chiffre significatif correspond à
1g, lincertitude type sur la résolution est u = g soit environ 0,29g
Hystérésis
Lindication dun instrument peut varier selon que les lectures se font par valeurs croissantes ou
décroissantes. Lopérateur prudent note le sens des lectures successives et fait les corrections nécessaires.
Cependant le sens de lhystérésis nest pas toujours décelable ( oscillations autour dun point déquilibre
par exemple) et on suppose alors que la loi de probabilité suivie par lhystérésis est une loi rectangulaire .
Si létendue des lectures possibles dues à cette cause est δx, alors u(x) =
3.4.6 Détermination d'incertitudes de type B 33

Arrondissage, calculs à précision limitée
Larrondissage ou la troncature des nombres qui se produit dans les réductions automatiques de données par
les ordinateurs peut aussi être source dincertitude (problème de soustractions de nombres proches par
exemple). Si une simulation de données proches sur les grandeurs dentrées permet de déceler une variation
sur la valeur de sortie, on suppose que cette valeur suit une loi rectangulaire.
Si δx est la plus petite variation de la grandeur de sortie , alors u(x) =
Incertitude−type sur un instrument vérifié
Si le métrologue utilise un instrument vérifié, ce dernier est conforme à une classe qui est définie par une
limite ±α.
• Si on suppose que les valeurs affichées suivent une loi rectangulaire, on prendra donc alors :
u(x) =
Cependant, sil y a des raisons de penser que les valeurs situées près de 0 sont plus probables que celles
situées près de α ou −α on pourra penser que la loi de propagation de lerreur est normale ou par
prudence triangulaire ; on prendra alors :
u(x) = (choix de normalité) ou u(x) =
Incertitude−type sur un instrument étalonné
Dans le cas dun instrument étalonné, le certificat détalonnage annonce une incertitude U. En fait cette
valeur U est égale à lincertitude−type u(x) multipliée par un facteur délargissement k (nous justifierons
cette pratique en fin de chapitre).
On prendra donc :
u(x) =
En principe, le facteur délargissement devrait être précisé avec lincertitude donnée par le constructeur.
Si aucune précision nest faite , on supposera que k = 2
Remarque : on suppose en général que la détermination de lincertitude−type obtenue sappuie sur une loi
de distribution de lerreur normale.
Incertitude−type due aux effets de la température
3.4.6 Détermination d'incertitudes de type B 34

En métrologie dimensionnelle, la température est un facteur dinfluence de premier ordre. Pour en minimiser
les effets, une méthode souvent employée est de comparer le mesurande à un étalon de référence de même
longueur dont on connait la valeur « vraie » à la température de 20°C.
La température intervient à différents niveaux :
• écart de température avec 20°C noté Δt

♦ La loi de propagation de lerreur sur des grandeurs sous contrôle (par exemple température
dans un bain régulé) demande une analyse fine de la nature des régulations ou une analyse
statistique pertinente.
Dans un milieu climatisé, la loi de propagation de lerreur sur lécart à 20°C est en général
assimilée à une loi en « dérivée darcsinus ». Dans ces conditions, on prendra :
u(Dt) =
• écart de température entre le mesurande et les cales étalons noté δt
En général, on fait lhypothèse que δt suit une loi normale et on prend alors
u(δt) =
3.4.7 Recommandations pratiques
Choix des composantes de lincertitude
Dans la pratique il existe de nombreuses sources possibles dincertitudes dans un mesurage, telles que :
• la définition incomplète du mesurande

• un échantillonnage non représentatif
• une connaissance insuffisante ou un mesurage imparfait des conditions denvironnement
• un biais (dû à lobservateur ) dans la lecture des instruments analogiques
• la résolution de linstrument
• des valeurs inexactes des étalons et matériaux de référence
• des valeurs inexactes des constantes et paramètres retenus (obtenus par des sources extérieures par
exemple)
• des approximations dans la méthode de calcul des incertitudes ou dans le processus de mesure
Ces sources ne sont pas nécessairement indépendantes, et certaines contribuent aux variations entre les
observations répétées du mesurande dans des conditions identiques.
Il est important de ne pas compter deux fois les mêmes composantes de lincertitude. Si une composante de
lincertitude provenant dun effet particulier est obtenue par une évaluation de type B, elle ne doit être
introduite comme composante indépendante dans le calcul de lincertitude finale du résultat de mesure que
dans la limite où leffet ne contribue pas à la variabilité des observations répétées.
Par exemple, la résolution dun instrument de mesure contribue à la variabilité des observations répétées, par
la précision des résultats obtenus.Par contre une erreur éventuelle de justesse de cet instrument ny contribue
pas.
3.4.7 Recommandations pratiques 35

Incertitude−type sur une grandeur
Le mesurage dune grandeur Y peut être modélisé par Y = +

où les variables représentent les différentes composantes aléatoires ou systématiques
indépendantes de lerreur.
•
On a alors et par conséquent
Par exemple :
Y représente le mesurage dune pièce dans des conditions denvironnement contrôlées. On suppose quon
effectue une série dobservations à laide dun instrument de mesure et que les composantes retenues de
lerreur amènent au calcul de :
, incertitude−type déterminée statistiquement sur la moyenne des observations
, incertitude−type déterminée sur la justesse de linstrument de mesure
Alors :
3.5. Incertitude−type composée

3.5.1 Incertitude−type composée sur un mesurage
En général pour déterminer lincertitude de mesure associée à un résultat , il faut décrire le processus de
mesure et déterminer le modèle mathématique qui relie la valeur mesurée y du mesurande Y aux différentes
grandeurs qui interviennent dans le processus :
• où les sont des grandeurs mesurées, des corrections derreurs systématiques, des constantes
physiques, des grandeurs dinfluence estimées,....
Par exemple
On connait les lois de répartition des erreurs sur chacune des grandeurs et donc lincertitude−type
sur chacune de ces grandeurs. Lobjet de ce paragraphe est de déterminer lécart−type sur la variable Y
qui représentera lincertitude−type sur y, appelée incertitude−type composée de y et notée .
3.5.2 Détermination de l'incertitude type composée
Soit E ( )= la moyenne de chacune des variables et μ =
Remarque : en général les moyennes ne sont pas connues exactement mais estimées par En particulier
3.5. Incertitude−type composée 36

on peut estimer E(Y) par f(μ) ou par n observations répétées avec

Si la fonction f est linéaire, cest à dire si on a E(Y) = f(μ) et ces deux
approches sont équivalentes.
Supposons la fonction f linéaire
Les dérivées dordre 2 sont alors toutes nulles et un développement de Taylor de f au voisinage de μ se
réduira à
et par conséquent :
• on en déduit :
soit +
Dans le cas où les variables sont indépendantes et que f est linéaire , on a donc :
et donc
remarque : dans la pratique on estime µ par et on remplace la notation par
On écrit donc
Cas général
Si , dans un voisinage de on assimile f à une fonction linéaire,

cest à dire quen un point, on assimile une courbe à sa tangente, une surface à son plan tangent. On calcule
donc lincertitude composée sur y par la formule déterminée dans le paragraphe précédent.
3.5.2 Détermination de l'incertitude type composée 37

En conclusion : Si avec indépendantes alors on prend généralement
où est lincertitude−type sur et est lincertitude−type composée

sur y
La variance composée peut être considérée comme une somme de termes dont chacun représente la
variance estimée de la contribution de chaque estimation dentrée .
Exemple :
On en déduit que
Remarque 1 :
le cas où les variables ne sont pas indépendantes est nettement plus délicat à traiter et dépasse le cadre de ce
cours. On pourra alors se reporter au guide ISO sur le calcul dincertitude qui proposera des formules à
appliquer.
Remarque 2 :
si Y est de la forme , un calcul simple des dérivées partielles montre quà partir de la
formule déterminant ,on peut écrire une relation déterminant lincertitude−type composée relative
en fonction des incertitudes−types composées
On obtient alors :
Remarque 3 :
Dans la grande majorité des cas lapproximation de proposée dans ce paragraphe est satisfaisante.
Cependant, lorsque la non−linéarité de f au voisinage de devient significative, il est
nécessaire dinclure dans le développement de Taylor de f au voisinage de x des termes dordre plus élevé.
La formule suivante donne alors une meilleure estimation de :
3.5.2 Détermination de l'incertitude type composée 38

3.6. Incertitude élargie

Bien que lincertitude composée puisse être utilisée pour exprimer lincertitude dun résultat de mesure, il
est souvent nécessaire, pour certaines applications commerciales, industrielles ou réglementaires, ou lorsque
cela concerne la santé ou la sécurité, de donner une mesure de lincertitude qui définisse, autour du résultat
de mesure, un intervalle à lintérieur duquel on puisse espérer voir se situer une large fraction de la
distribution des valeurs qui pourraient être raisonnablement attribuées au mesurande.
Idéalement, on aimerait déterminer un nombre k tel que si Y est estimé par y avec une incertitude
U(y)=k , alors on peut affirmer que : y − U(y) ≤ Y ≤ y + U(y) avec une probabilité p proche de 1.
Pour obtenir ce facteur k, il est nécessaire davoir une connaissance précise de la loi de probabilité de la
variable représentée par le résultat de mesure.
Dans la pratique nous navons au mieux quune estimation de cette loi et de lécart−type associé.
Une première estimation est de considérer que la loi de estimée par suit une loi de Student
dont on peut estimer les degrés de liberté par la formule de Welch−Satterthwaite.
Dans ce cours nous nous limiterons à un cas limite généralement suffisant.
Une utilisation du théorème central limite montre que suit approximativement une loi normale centrée
réduite dès que lune des conditions suivantes est vérifiée :
• u(y) nest pas dominée par une composante de type A et une composante de type B fondée sur moins
de trois lois rectangulaires.
•
les composante de fondées sur des lois normales sont significativement beaucoup plus grandes
que toute autre composante.
Pour de nombreux mesurages pratiques dans une large étendue de domaines, les conditions suivantes
prédominent :
• Lestimation y du mesurande Y est obtenue à partir des estimations dun nombre significatif de
grandeurs dentrée qui peuvent être décrites par des lois de probabilités raisonnables telles que
des lois normales ou rectangulaires.
• Les incertitudes−types de ces estimations, qui peuvent−être obtenues par des évaluations de
Type A ou de Type B, contribuent de manière comparable à lincertitude−type composée du
résultat de mesure y.
• Lapproximation linéaire supposée par la loi de propagation de lincertitude est convenable
Dans ces conditions, on peut supposer que la loi de probabilité caractérisée par le résultat de mesure et son
3.6. Incertitude élargie 39

incertitude−type composée est normale en raison du théorème central limite ; et peut être considéré
comme une estimation raisonnablement fiable de lécart−type de cette loi normale.
On peut alors :
• Prendre k = 2 et supposer que U = 2 définit un intervalle ayant un niveau de confiance

denviron 95 %.
• Prendre k = 3 et supposer que U = 3 définit un intervalle ayant un niveau de confiance
denviron 99 %.
3.7. Présentation des résultats

3.7.1 Arrondissage
Les résultats mesurés ou calculés peuvent comporter des chiffres qui nont pas de sens en regard à
lincertitude déterminée sur la mesure.
Il est donc nécessaire de procéder à un arrondissage du résultat obtenu comme indiqué ci−dessous:
• Si lincertitude élargie est U, alors on arrondit de façon que lerreur due à larrondissage soit
inférieure à 1/10 de lincertitude U retenue
• Le dernier chiffre retenu suit les règles darrondissage « au plus près » habituelles
Remarques : Pour conserver une cohérence, les incertitudes seront données avec au plus deux chiffres
significatifs. Tout arrondissage des incertitudes se fera, par prudence, par excès.
Pour limiter le cumul derreurs sur les arrondis, larrondissage est effectué sur le résultat final. Pour les
calculs intermédiaires on gardera donc des chiffres qui peuvent être non significatifs.
Exemples :
• Si y = 12,3257 et estimé à 0,232 avec k = 2. Alors U = 0,46 .

♦ Lerreur darrondissage devra alors être inférieure à 0,04. On arrondit donc au 1/100 près.
Par conséquent, on prendra :
y = 12,32 ± 0,46
♦ Lerreur darrondissage devra alors être inférieure à 0,57. On arrondit donc au 1/10 près. Par
conséquent, on prendra :
y = 123,4 ± 5,8
♦ Lerreur darrondissage devra alors être inférieure à 0,11. On arrondit donc au 1/10 près. Par
conséquent, on prendra :
y = 35,4 ± 1,2 ou y = 35,5 ± 1,2
3.7.2 Présentation des résultats
Lorsquon exprime le résultat dun mesurage et son incertitude, il est bon de donner un maximum
dinformations sur les conditions dobtention des résultats annoncés , par exemple:
3.7. Présentation des résultats 40

• Décrire les méthodes utilisées.
• Donner la listes des composantes de lincertitude et la manière dont elles ont été évaluées.
• Présenter lanalyse des résultats de telle façon que ces derniers puissent être réutilisés.
• Les résultats préciseront, au minimum, le facteur délargissement et le niveau de confiance de
lintervalle estimé.
Par exemple :
y = 52,00532 ± 0,00046 où lincertitude exprimée est une incertitude élargie dun facteur k =3. Cette
incertitude définit un intervalle estimé avoir un niveau de confiance proche de 99 %.
3.8. Organigramme de la détermination d'une incertitude sur une

grandeur Y
3.7.2 Présentation des résultats 41

3.9. Exercice
3.9.1 Présentation du sujet :
Cet exercice est volontairement pratique et permettra lassimilation des données théoriques de ce chapitre.
Validation dun poste de contrôle dune vis sans fin.
3.8. Organigramme de la détermination d'une incertitude sur unegrandeur Y 42

Tout au long de sa fabrication la vis sans fin sera contrôlée soit

avec du matériel de contrôle traditionnel utilisé dans latelier
(calibres, bagues, tampons) soit à laide de montages dédiés.
Ces montages, réalisés à partir de comparateurs mécaniques, permettent un

contrôle plus rapide et plus aisé pour les opérateurs.
Exemples de postes de contrôle
montage de contrôle des pièces 0554573 montage de contrôle des 0554112
Chacun des comparateurs présents sur ces montages

montage de contrôle des 0554180 mesure une cote précise sur la pièce.
Pour vérifier le bon fonctionnement du montage, on utilise une des pièces de référence. Ces pièces sont des
pièces plus précises ( intervalle de tolérance dix fois inférieur à lintervalle de tolérance indiqué pour les
pièces de série (en général 0,02 mm)).
Représentation du poste de contrôle de la cote critique de la vis sans fin
La cote critique mentionnée sur le dessin de définition de la vis sans fin est la cote fonctionnelle du diamètre
primitif. Elle nécessite un contrôle à laide de piges.
3.9.1 Présentation du sujet : 43

3.9.2 Détermination du diamètre primitif à partir des mesures effectuées
Daprès le schéma on a :
Dp = Lm − W− A + H
Avec :
Données numériques obtenues soit par mesure soit par les

données de la « crémaillère »
• Longueur mesurée : Lm
♦ 16,403 mm
• Diamètre des piges : W
Corrigé : A=4,595 mm H=3,200 mm
♦ 2,93 mm
Dp=12,078 mm
• Pas : P
♦ 5,529 mm (module*π)
• Angle de filet : α 41° 08 min.
♦ soit 0,721 rad
• Angle dhélice : β 18° 36 min.
♦ soit 0,325 rad
3.9.3 Détermination des incertitudes de mesure sur la mesure du diamètre

primitif
Les variations sont les suivantes :
3.9.2 Détermination du diamètre primitif à partir des mesures effectuées 44

• variation sur la longueur : liée à la référence (cale, défaut de parallélisme de la touche, répétabilité)
♦ Δl = 0,01 mm doù ul = 0,01/6 = 0,00167 mm
• Variation sur langle de filet : liée à la crémaillère (hypothèse même variation sur la pièce)
♦ Δα = 0,7° soit 0,01745 rad doù uα = 0,01745/3^0,5 = 0,01 rad
• Variation sur langle dhélice : liée à la crémaillère (hypothèse même variation sur la pièce)
♦ Δβ= 0,4° soit 0,0087 rad doù uβ = 0,0087/3^0,5 = 0,005 rad
• Variation sur le pas : liée à la crémaillère (hypothèse même variation sur la pièce)
♦ Δp = 0,018 mm doù up = 0,018/3^0,5 = 0,01 mm
• Variation sur le diamètre des piges

♦ Δw = 0,002 mm doù uw = 0,002/3^0,5 = 0,001 mm
Déterminer les dérivées partielles :
Déterminer lincertitude de mesure : uc
Avec :
Corrigé :Tableau de calcul
Dp 12,0782548 A 41,13 DA 0,7

A 4,59532939 B 18,6 DB 0,4
H 3,20058416
Dérivée
V mes Δ(Delta) U
Partielle *
Lm 16,403 0,01 0,00166667 2,7778E−06 1 1 2,7778E−06
W 2,93 0,002 0,00057735 3,3333E−07 −2,568371807 6,59653374 2,1988E−06
P 5,59 0,018 0,00519615 0,000027 0,572555307 0,32781958 8,8511E−06
A 0,71785392 0,01221729 0,00352683 1,2439E−05 2,650059282 7,0228142 8,7353E−05
B 0,32463124 0,00698131 0,00201533 4,0616E−06 −0,946814657 0,89645799 3,641E−06
3.9.3 Détermination des incertitudes de mesure sur la mesure du diamètreprimitif 45

Uc 0,01023827 K 2 U 0,02047654
Lincertitude de cette mesure est : uc = 0,010 mm et U = 0.020 mm avec un K=2.
Résumé
Lorsqu'on rend compte du résultat d'un mesurage d'une grandeur physique, il faut obligatoirement donner
une indication quantitative sur la qualité du résultat pour que ceux qui l'utiliseront puissent estimer sa
fiabilité. En l'absence d'une telle indication, les résultats de mesure ne peuvent pas être comparés, soit entre
eux, soit par rapport à des valeurs de référence données dans une spécification ou une norme. Aussi est−il
nécessaire qu'il existe une procédure facilement applicable, aisément compréhensible et largement acceptée
pour caractériser la qualité du résultat d'un mesurage, c'est−à−dire pour évaluer et exprimer son incertitude.
Modes dévaluation de lincertitude sur une grandeur
Si une grandeur est estimée par des moyens statistiques, on dit quon a une évaluation de type A de
Lécart−type expérimental de la moyenne est utilisé comme estimation de lincertitude de .
• En conclusion :
Si une grandeur X est estimée à partir de n observations répétées indépendantes , alors
lincertitude type u(x) de son estimation x = est =
Si une grandeur est estimée par un modèle mathématique, on dit quon a une évaluation de type B de
lincertitude−type sur cette grandeur
Ainsi, si on sait raisonnablement que les valeurs de la grandeur X sont comprises entre −d et d, le choix de la
loi de propagation de X entre −d et d va décider de lincertitude type retenue :
♦
Si on suppose que la loi est normale on prendra u(x) =
♦
Si on suppose que la loi est triangulaire, on prendra u(x) = &
Détermination de lincertitude type composée
Si avec indépendantes alors on prend généralement
où est lincertitude−type sur et est lincertitude−type composée

sur y.
Détermination de lincertitude type élargie
Résumé 46
U = k u avec k facteur délargissement lincertitude de mesure sera alors +− U soit 2U
Nous pouvons alors calculer la Capabilité de linstrument de mesure (Cmm)

Cmm = Intervalle de Tolérance / Incertitude de mesure
Les valeurs prises par lindustrie pour les Cmm sont de 4 à 10 suivant le niveau de risque.
Résumé 47
Chapitre 4. Utilisation des outils statistiques pour le
contrôle
4.1. Introduction
Rappel :
Tout écart engendre des pertes pour la société, quelle que soit sa valeur :
• sur un produit, les pertes de qualité seront subies par le client (mauvais fonctionnement, réparations,
usure prématurée, etc.)
• sur un procédé, les pertes de qualité seront subies par l'entreprise (rebuts, retouches, arrêts de
production, etc.)
Il est donc nécessaire de visualiser la production sur un graphique où apparaîtront :
• les écarts de la production Chapitre 1

• lerreur de justesse et lerreur de fidélité Chapitre 2
• lincertitude de mesure Chapitre 3
Méthodologie :
1ère étape : On positionne les données de contrôle du produit (cote à contrôler)
2ème étape : Après avoir choisi linstrument de mesure et déterminé son incertitude associée on met en place
le nouvel intervalle de tolérance pour définir la nouvelle zone de conformité (cela permet de ne jamais prendre
le risque lié aux incertitudes de la mesure daccepter une pièce mesurée bonne alors quelle est mauvaise).
Chapitre 4. Utilisation des outils statistiques pour le contrôle 48

3ème étape : Après avoir fabriqué un lot de pièces significatif on pourra calculer les différentes erreurs de la
production ainsi que le nombre de rebuts de la production.
4.2. Calcul et exploitation des erreurs

4.2.1 Indice de performance :
Une série de résultats numériques peut faire l'objet du calcul de sa moyenne qui renseigne sur la position de la
série. On peut également calculer l'écart type qui est un indicateur de la dispersion de cette série.
On sait qu'en production, la meilleure qualité est obtenue lorsque la moyenne est proche de la valeur cible et
que la dispersion est faible autour de cette cible soit quand lerreur de justesse et lerreur de fidélité sont
minimisées.
Genichi Taguchi a élaboré un indice unique qui permet de rendre compte simultanément de ces deux erreurs :
4.1. Introduction 49
Lutilisation du log permet dobtenir un indice fort pour des erreurs faibles donc plus lindice est fort mieux
cest.
Le calcul « sommant les erreurs » est semblable à un calcul de variance dont les composantes sont les deux
erreurs. Cela permet de ne pas avoir derreurs se compensant (comme une somme simple derreurs positive
et négative).
Remarque : nous ne traiterons ici que les cibles « fixes ».
4.2.2 Application
Une entreprise est livrée par deux sous traitants pour un produit (composant de leur ensemble). La cote
sensible est le poids 5 Kg avec des variations autorisées de +90 gr à −90 gr.
Les fournisseurs respectent les tolérances cependant nous désirons connaître la qualité de leur production.
Données : la mesure de leur production est la suivante :

Figure 4 :
Figure 5 :
4.2.1 Indice de performance : 50

Tableau des résultats
Fournisseur Nb pièces Moyenne Ecart type Signal sur bruit

A 80 5,00000 0,0272029 31,31 dB
B 80 5,03075 0,0343429 26,73 dB
Les deux sous traitants respectent les tolérances prescrites. Le sous traitant A livre une production
parfaitement centrée sur la cible et ayant une dispersion plus faible que le sous traitant B.
4.3. Calcul et exploitation du nombre de rebuts d'une

production :
4.3.1 Réductions des rebuts :
La réduction du nombre de rebuts est une obligation et aujourdhui on exprime le taux de rebuts en PPM.
La notion de parties par millions (PPM), empruntée aux chimistes, permet de représenter les taux de
défectueux par les nombres entiers ayant plus de signification que les nombres décimaux.
Tableau comparatif dexpression dun même taux de défectueux en Nombre entier, en % et en PPM :
Nombres
0,001 0,01 0,1 1
décimaux
% 0,001 0,01 0,1 1 10 100
PPM 0,1 1 10 100 1000
4.2.2 Application 51
On conçoit aisément que si le taux de défectueux est par exemple de 0,1%, l'exprimer en PPM (1000 PPM)
sera plus expressif et incitera à envisager des améliorations.
Nécessité de faibles taux de défectueux :
Tout produit ou service résulte d'un ensemble d'opérations élémentaires souvent très nombreuses. Si à chaque
opération correspond un taux de défectueux élevé, la probabilité d'obtenir un produit parfait est d'autant plus
faible que le nombre d'opérations est élevé.
Un produit nécessite n opérations pour être réalisé. Chaque opération a un taux de rebuts de 1%. Le taux de
rebuts des produits sera alors 1%^n.
Nombre d'opérations Taux de défectueux Proportion de produits sans défauts
10 1% 90 %
10 0,01%100 PPM 100 %
100 1% 37 %
100 100 PPM 99 %
A noter à titre d'exemple, qu'une fiche de paie nécessite plus de 30 opérations et que le montage d'une voiture
en nécessite plus de 4000.
Ces deux exemples montrent l'intérêt de la notion de PPM si l'on cherche le zéro défaut sur le produit final.
4.3.2 Interprétation statistique des PPM
Les propriétés de la loi normale centrée réduite nous permettent de déterminer le taux de défectueux dans une
population.
Cette proportion dépend essentiellement de la position de la moyenne produite par rapport aux limites de
tolérances.
Résultat des améliorations
4.3.1 Réductions des rebuts : 52

4.4. Exercices
4.4.1 Histogramme : Création et Interprétation
Sujet :
Lobjectif de ce TD est destimer le nombre de rebuts dune production. Un échantillon de 50 pièces a été
réalisé. La cote sensible à respecter est de 4,8 +−0,1
4.85 4.82 4.75 4.72 4.62 4.71 4.7 4.77 4.71 4.64
4.65 4.74 4.65 4.68 4.72 4.7 4.67 4.69 4.69 4.79
4.71 4.74 4.77 4.67 4.63 4.65 4.77 4.66 4.71 4.67
4.58 4.79 4.67 4.74 4.75 4.7 4.71 4.78 4.68 4.67
4.6 4.81 4.78 4.65 4.72 4.7 4.81 4.8 4.72 4.75
1 Vérifier la normalité de la production
(Créer lhistogramme de la production)
2 Représenter graphiquement lintervalle de tolérance

(Sur le graphe précédent)
3 Déduire le nombre de rebuts estimé de la production
• Calculer A et B et les exprimer en nombre décart type (a=A/s et b=B/s)

• Calculer ensuite sous Excel par exemple le nombre de rebuts des deux cotés :
♦ taper dans une cellule : =LOI.NORMALE.STANDARD(a)
♦ taper dans une autre : =LOI.NORMALE.STANDARD(b)
4.3.2 Interprétation statistique des PPM 53

♦ taper dans la troisième = somme des deux premières pour obtenir le nombre de rebuts
♦ le multiplier par 100 pour lexprimer en % ou par 1000000 pour lexprimer en PPM)
4 Quelle opération vous permettra de réduire le nombre de rebuts

(Penser au recentrage donc à la disparition de lerreur de justesse)
5 Calculer le nouveau nombre de rebuts estimé de la production

(Hypothèse : la dispersion (erreur de fidélité) reste inchangée)
6 Conclusion
4.4.2 Histogramme : Rebuts et Incertitude de mesure
Sujet :
Lobjectif de ce TD est destimer le nombre de rebuts dune production corrigés (par lincertitude). Un
échantillon de 50 pièces a été réalisé. Linstrument de mesure a une incertitude U de 0,007 (3*σ). La
cote sensible à respecter est de 5 +0−0,2
4,99 4,97 4,96 4,95 4,94 5 4,96 5 4,95 4,95
4,91 4,94 4,95 4,95 4,92 4,98 4,98 4,97 4,96 4,95
4,96 4,95 4,95 4,96 4,91 4,94 4,94 4,94 4,88 4,89
4,95 4,95 4,96 4,96 4,95 4,94 4,94 4,96 4,95 4,95
4,98 4,98 4,97 4,92 4,98 4,9 4,95 4,95 4,96 4,94
1 Vérifier la normalité de la production
2 Représenter graphiquement lhistogramme, lincertitude du contrôle et lintervalle de tolérance. (Sur le

graphe précédent)
3 Déduire le nombre de rebuts estimé de la production
4 Quelle opération vous permettra de réduire le nombre de rebuts
4.4.1 Histogramme : Création et Interprétation 54

5 Calculer le nouveau nombre de rebuts estimé de la production (hypothèse : la dispersion (erreur de fidélité)
reste inchangé)
6 Conclusion
Résumé
Nous pouvons visualiser la production sur un graphique ou apparaîtra :
• les écarts de la production Chapitre 1

• lerreur de justesse et lerreur de fidélité Chapitre 2
• lincertitude de mesure Chapitre 3
Ce graphique nous permet destimer le nombre de rebut de la production estimée.
Indice de performance :
On sait qu'en production, la meilleure qualité est obtenue lorsque la moyenne est proche de la valeur cible
et que la dispersion est faible autour de cette cible soit quand lerreur de justesse et lerreur de fidélité
sont minimisées.
Lindice de performance suivant (S/B) permet de calculer pour chaque production un niveau de qualité
atteint.
S/B = −10 Log10( )
4.4.2 Histogramme : Rebuts et Incertitude de mesure 55

Chapitre 5. Maîtrise Statistique des Procédés
5.1. Nécessité de la maîtrise des procédés donc de
l'amélioration continue
La Maîtrise Statistique de Procédé (MSP) (Statistical Process Control (SPC)) 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 met en Suvre trois éléments essentiels :
• les cartes de contrôle qui permettent le recueil des résultats en cours de production et fournissent des
directives concernant les décisions à prendre quant aux actions de réglage et d'intervention sur le
procédé,
• les outils d'évaluation de la capabilité machine ou procédé qui permettent d'estimer le niveau de
performance des moyens mis en Suvre en comparaison avec les spécifications prescrites,
• les histogrammes qui permettent de visualiser la nature de la distribution statistique des résultats.
5.2. La capabilité − La performance

5.2.1 Préliminaires
L'objectif des études de capabilité et de performance est de déterminer des relations entre les tolérances
définies par les bureaux d'études et les résultats obtenus sur les moyens de production.
Elles sont rendues nécessaires par le fait que les tolérances sont exprimées en valeurs limites et que les
résultats obtenus sur les moyens de production sont estimés sous la forme de résultats statistiques.
Illustration de la liaison entre tolérances et résultats obtenus sur un procédé de production.
Figure 3
Chapitre 5. Maîtrise Statistique des Procédés 56

Remarques
On remarque le manque de cohérence entre la nature des limites de tolérances et celle des résultats obtenus sur
un procédé de production.
En fait les limites de tolérances, telles qu'elles sont fixées habituellement conviennent tout à fait en production
unitaire. Elles sont inadaptées aux concepts de production de série et dans les cas de contrôle par
échantillonnage(contrôle destructif ou non).
Une définition statistique des tolérances permettrait une transposition directe entre les définitions bureaux
d'études et les seuils d'acceptation sur échantillon.
Actuellement, il est encore nécessaire d'assurer la liaison entre les deux systèmes par la définition d'indices de
capabilité ou de performance.
5.2.2 Indices de capabilité et indices de performances
Dans le manuel SPC (2), les sociétés Ford, GM et Chrysler distinguent deux familles d'indices permettant
d'établir les relations entre les limites de tolérances et les résultats obtenus réellement sur les procédés. Ce
sont les indices Pp, Ppk et les indices Cp et Cpk.
Les indices Cm et Cmk ont fait l'objet d'éditions antérieures et ne sont plus retenus maintenant.
L'indice Cpm a été ajouté récemment. Il est sans doute appelé à se généraliser mais sa signification est plus
délicate à interpréter.
• Les indices de performances du procédé Pp et Ppk (Process Performance).
Ces deux indices, calculés à partir de résultats portés sur une carte de contrôle, permettent de vérifier si les
performances du procédé sont suffisantes.
Les indices Pp et Ppk sont représentatifs de la qualité livrée.
• Les indices de capabilité du procédé Cp et Cpk (Capability process).
Ces deux indices, calculés à partir des résultats portés sur une carte de contrôle permettent de vérifier la
capabilité intrinsèque du procédé sans tenir compte des causes assignables éventuelles.
Les indices Cp et Cpk ne sont représentatifs de la qualité livrée que si le procédé est stable en moyenne et en
dispersion (sous contrôle − absence de causes assignables).
5.2.1 Préliminaires 57
• Les indices de capabilité machine Cm et Cmk.
Ces indices ne sont plus retenus par la documentation éditée par les sociétés Ford, GM et Chrysler. Ils peuvent
toutefois être utilisés dans le cadre d'essais ponctuels. La démarche graphique utilisée peut rendre service dans
certains cas.
• L'indice de capabilité Cpm.
C'est un indice unique qui prend en compte les concepts de la fonction perte de qualité de Genichi Taguchi. Il
tient compte à la fois, du centrage de la dispersion et de l'écart de moyenne par rapport à la cible.
• Tableau des principaux indices de capabilité ou de performances.
Intérêt Symbole
Traduit la capacité du procédé à produire sur le
Indices de performance. long terme. Pp et Ppk
Intègre les effets des causes assignables.
Traduit les possibilités du procédé en l'absence de
Indicateur de la qualité livrée. Cp et Cpk
causes assignables.
Capabilité intrinsèque du procédé.
Traduit la capabilité du moyen de production à Cm et
Capabilité à court termeCapabilité
partir d'un essai ponctuel. Cmk
machine.
Capabilité. Indice global intégrant la moyenne et l'écart type. Cpm
Nota : Ce tableau a été établi à l'aide de la version 95 du guide SPC de Ford.
5.2.3 Les deux familles d'indices de capabilité et de performance
On distingue deux familles de capabilité et de performances :
• ceux qui permettent de déterminer si le moyen de production est capable de produire, sans tenir
compte des valeurs moyennes (Cm, Cp, Pp,&),
Figure 4 :
Les indices Cp, Pp ou Cm indiquent si le procédé est capable ou si les performances sont bonnes, pour cet
indicateur, malgré la présence de rebut éventuel causé par un déréglage de la moyenne.
Ce type d'indice est calculé de la façon suivante :
5.2.2 Indices de capabilité et indices de performances 58

Nota : C'est la nature du calcul de l'écart type et le mode d'échantillonnage qui déterminent la nature de
l'indice.
• ceux qui prennent également en compte les valeurs moyennes (Cpk, Ppk, Cmk,&).
Figure 5 :
Les indices de capabilité ou de performance Cpk, Ppk et Cmk mettront en évidence le déréglage de la
moyenne.
Les indices de capabilité ou de performance Cpk, Ppk et Cmk sont obtenus en retenant la plus petite des deux
valeurs suivantes :
ou
On constate que les derniers indices tiennent compte de la plus ou moins grande proximité des résultats avec
les limites de tolérances.
5.2.4 Calcul des différents indices de capabilité
On distingue différentes méthodes de détermination des capabilités selon les objectifs poursuivis et le type
d'information souhaité.
• a− La performance du procédé (Pp, Ppk)
C'est une capabilité opérationnelle qui est déterminée à partir des résultats portés sur les cartes de contrôle ou
éventuellement d'un échantillon prélevé dans un lot.
Ce sont les indices qui sont conseillés par Ford pour établir la capabilité préliminaire à partir d'au moins 25
échantillons et 100 individus.
L'écart type utilisé est l'écart type classique s obtenu par la formule :
5.2.3 Les deux familles d'indices de capabilité et de performance 59

• b− La capabilité procédé (Cp, Cpk)
C'est une capabilité opérationnelle qui est déterminée à partir des résultats portés sur les cartes de contrôle.
L'écart−type servant à la détermination des indices de capabilité Cp et Cpk est obtenu à partir des résultats
portés sur une carte de contrôle pendant une période suffisante.
est l'écart type estimé à partir de l'étendue ou de l'écart type moyen des échantillons.
ou
Les indices d2 et C4 sont donnés dans le manuel Ford et dans la norme ISO 8258 (1991).
Nota : la norme ISO 8258 (1991) nomme IAP (indice d'aptitude du procédé) la valeur de Cp.
• c− La capabilité machine (Cm, Cmk)
Elle n'est plus recommandée par Ford mais elle peut présenter un certain intérêt pour réaliser une réception sur
une nouvelle machine ou pour réaliser une étude ponctuelle concernant les performances d'un moyen de
production.
Les prélèvements s'effectuent en continu sur un moyen de production stabilisé. Aucun réglage n'intervient
pendant la production de 50 pièces successives.
• d− La capabilité machine (Cpm)
Encore peu utilisée, elle est décrite dans le manuel SPC de Ford, GM et Chrysler édition 1995.
Elle prend simultanément en compte les écarts par rapport à la valeur cible et la dispersion par rapport à la
moyenne des résultats. Elle exploite la notion de qualité de Taguchi.
Cpm se calcule à partir de l'écart type déterminé par la formule :
Cet écart−type est égal à la racine de la Moyenne Quadratique des Ecarts (MSD Mean Square Deviation)
utilisée dans la fonction perte de qualité de Taguchi.
On constate que les écarts sont déterminés par rapport à la valeur cible et non par rapport à la moyenne.
5.2.5 Illustration de valeurs types de capabilité
La réduction des dispersions améliore les indices de capabilité.
Indices de capabilité égaux à 1. C'est juste nécessaire, insuffisant pour satisfaire la plupart des clients. Il faut
améliorer le procédé.
5.2.4 Calcul des différents indices de capabilité 60

Indices de capabilité égaux à 1,33. C'est le minimum demandé par certains clients notamment dans
l'automobile.
Indices de capabilité égaux à 1,67. Certains clients exigent d'ores et déjà ce niveau de capabilité.
Indices de capabilité égaux à 2. De telles valeurs correspondent à des procédés bien fiabilisés.
5.3. Le contrôle statistique des procédés : grandes séries

ISO 8258:1 − NF X 06 031 − X 06 030
5.2.5 Illustration de valeurs types de capabilité 61

La MSP a pour objectif prioritaire la stabilisation des procédés quant au respect des valeurs cibles et la
réduction progressive des dispersions afin d'obtenir la sûreté de la réalisation des produits.
Elle permet de mieux connaître le comportement de ces procédés et ainsi de favoriser et d'orienter les actions
d'amélioration.
5.3.1 Démarche générale de mise en Suvre
Plusieurs possibilités sont offertes pour démarrer la démarche MSP :
• analyser les résultats sous forme de l'évaluation de la capabilité machine puis déterminer la carte
contrôle.
• exploiter une carte de contrôle ne comportant pas de limites de contrôle (limites de décision d'action).
Les résultats permettent ensuite de déterminer les limites de contrôle après élimination des causes
assignables. La vérification du respect des spécifications se fait par l'intermédiaire des indices de
capabilité.
C'est la démarche proposée par la norme ISO 8258 et pratiquée couramment dans l'industrie
automobile. C'est également cette démarche qui est préconisée par Walter A. Shewhart, le père du
SPC inventé dans les années 30 aux USA.
• déterminer les limites de la carte de contrôle à partir des spécifications et des performances du moyen
de production.
C'est la démarche proposée par la norme 06 031 (en cours de révision).
Elle est moins porteuse d'amélioration continue que la précédente démarche car elle n'induit pas la
réduction permanente des dispersions.
5.3.2 Mise en Suvre
Domaine d'application
La carte de contrôle est utilisable dans tous les cas de production répétitive. Si la production est fractionnée,
elle peut être également utilisée pour surveiller des facteurs d'influence.
Il existe une version de carte de contrôle adaptée à un début de production ou lors de la réalisation de séries
limitées (carte petite série non étudiée ici mais vue en fin du polycopié).
Pour un procédé en fonctionnement, la démarche générale d'utilisation est la suivante :
Phase préparatoire
• a relevé d'échantillons successifs en cours de production et établissement d'un graphique des résultats,
• b analyse de ces résultats avec identification des causes assignables,
• c élimination des causes assignables (mise sous contrôle),
• d lorsque le procédé est sous contrôle, détermination des indices de capabilité
• e établissement de la carte de contrôle comportant des limites de contrôle.
5.3. Le contrôle statistique des procédés : grandes séries 62

Phase d'exploitation
• a relevé périodique d'échantillons, calcul des données et report sur le graphique,

• b analyse des résultats et décision d'action.
Un bilan est effectué périodiquement avec calcul des indices de capabilité Cp et Cpk.
Poursuite de l'amélioration par la convergence vers la valeur cible et par la réduction progressive de la
dispersion.
5.3.3 Différents types de données exploitées
a− Contrôle par mesures :
Ce type de contrôle est à effectuer à chaque fois que l'on peut effectuer des mesures.
• Vérification de la tendance centrale (la cible) :

♦ moyenne : carte ,
♦ médiane : carte Me,
• Vérification de la dispersion :
♦ étendue : carte R (range) = W (étendue),
♦ écart−type : carte s ou σ.
b− Contrôle par attribut :
Ce type de contrôle nécessite une définition précise des critères observés (bons ou défectueux). L'ambiguïté
peut être levée par l'usage de schémas, photographies, pièces types, etc&
• Contrôle du nombre de défectueux :

♦ nombre d'unités non conformes : carte np,
♦ nombre de défauts : carte c.
• Contrôle de la proportion de défectueux :

♦ proportion d'unités non conformes : carte p,
♦ proportion de défauts : carte u.
5.3.4 La carte de contrôle et ses annexes
La carte de contrôle se présente généralement sous la forme d'un document papier permettant de noter les
résultats des échantillonnages successifs effectués sur le poste de travail.
• La carte de contrôle comporte plusieurs zones affectées :

♦ à l'identification (machine, opérateur, pièce, date des relevés, etc&),
♦ au relevé des valeurs prélevées et à certains résultats calculés (ex : , R),
♦ aux graphiques comportant des limites de décision dès lors que le procédé est sous contrôle,
♦ éventuellement à des calculs et observations bilan (histogramme, capabilité, etc&).
Plusieurs documents d'accompagnement sont indispensables pour assurer une bonne interprétation des
résultats :
5.3.2 Mise en Suvre 63

• la fiche d'instruction de contrôle qui définit les caractéristiques contrôlées, les moyens mis en Suvre,
etc.&,
• la fiche d'interprétation des résultats qui précise les attitudes à adopter suivant les circonstances,
• la fiche de suivi de procédé qui permet à l'opérateur, aux agents de maintenance, à la maîtrise de
noter les changements intervenus sur le procédé. Ces notes permettront une analyse des résultats
portés sur la carte et l'identification des causes assignables.
5.3.5 Notions de procédé sous contrôle statistique
Les variations des résultats d'un procédé résultent de deux types de causes :
• les causes assignables qui correspondent à des sources de défaut importantes, difficiles à prévoir.
Elles trouvent leur origine dans les variations plus ou moins importantes de facteurs tels que les
déréglages brusques ou progressifs (dérives), les changements de matière, les opérations de
maintenance, etc.&,
• les causes aléatoires qui résultent du procédé lui−même, de sa conception, de son état, des méthodes
employées. Chacune des sources a un effet limité et varie dans une plage restreinte.
Le procédé est dit sous contrôle lorsque les causes assignables ont été éliminées.
Les risques et l'efficacité des cartes MSP.
En phase d'exploitation, les cartes de contrôle sont assorties de limites de décision. Elles sont déterminées de
telle sorte que les probabilités de dépassement de l'indicateur concerné soient connues.
Les limites de contrôle LC correspondent à une probabilité de dépassement de quelques−uns pour 1000
lorsque le procédé est correct. Ce risque, inévitable en contrôle par échantillonnage, correspond au risque de
première espèce ou risque α (Fig.1).
Si un déréglage existe, il se peut que l'indicateur se situe entre les limites de contrôle. Les probabilités pour
qu'il en soit ainsi sont d'autant plus faibles que le déréglage est important. Ce risque correspond au risque de
deuxième espèce ou risque β.
Ces risques correspondent à chaque fois à un prélèvement individuel. Ils sont grandement atténués par les
répétitions. A titre d'exemple, les résultats portés sur la figure 2 montrent que le procédé accuse un déréglage
progressif de la moyenne nécessitant une surveillance particulière.
Figure1.
5.3.4 La carte de contrôle et ses annexes 64

Figure 2.
Les limites de surveillance
Les cartes de contrôle peuvent comporter des limites de surveillance (LS) associées aux limites de contrôle.
La méthode MSP n'envisage pas cette possibilité.
Elles sont situées à l'intérieur des limites de contrôle et elles correspondent à des probabilités de dépassement
unilatéral de 0,025 (voir norme NF 06 301).
Leur dépassement par une valeur d'échantillon correspond à une alerte et l'on préconise alors de renouveler le
prélèvement. Si le deuxième échantillon confirme le premier (nouveau dépassement), on considère qu'il y a
déréglage.
5.3.6 Exemple d'application : phase préliminaire, procédé sous contrôle
Carte de contrôle de procédé
5.3.5 Notions de procédé sous contrôle statistique 65

Observations
:
• les valeurs moyennes varient de façon aléatoire, sans dérive ni déréglage,

• les étendues varient également de la même manière.
On peut calculer les limites de contrôle à partir de ces prélèvements (les constantes sont issues du tableau de
la carte de contrôle vierge (document excel chap.5.4)) :
Nota : On remarque que toutes les valeurs d'échantillons sont comprises dans les limites de contrôle.
Pour information : les échantillons ont été prélevés dans une population de moyenne m = 3,1 mm et d'écart
type σ = 0,0405 mm. La distribution était normale et le procédé sous contrôle (pas de variation de la
moyenne et de la dispersion).
5.3.6 Exemple d'application : phase préliminaire, procédé sous contrôle 66

5.3.7 Exemple d'application : phase préliminaire, procédé hors contrôle
Figure 5 : Carte de contrôle de procédé
Observations :
• en amont de la zone A, le procédé était sous contrôle pour la moyenne. Cette zone A correspond à un
déréglage qui a subsisté pendant trois prélèvements avant intervention,
• la zone B correspond à une dérive lente qu'il faudra s'efforcer de réduire,
• la zone C correspond à une altération de la dispersion. l'analyse du procédé sous l'angle technique
peut permettre de l'expliquer (erreur de relevé, une pièce mal positionnée, etc.&),
• la zone D pourrait être considérée comme une amélioration bénéfique. Il n'en est sans doute rien et les
causes assignables peuvent être trouvées dans un appareil de contrôle défectueux (bloqué) ou encore
dans une tricherie de l'opérateur qui n'a réalisé qu'une mesure et l'a reproduite pour toutes les valeurs
de l'échantillon.
5.3.7 Exemple d'application : phase préliminaire, procédé hors contrôle 67

Nota : Ce procédé est hors contrôle. On ne peut donc y déterminer les limites de contrôle, ni évaluer la
capabilité du procédé.
5.3.8 Exemple d'application d'une carte de contrôle par attribut
Figure 6 : Carte de contrôle aux attributs.
Observations :
Cette carte a été testée avec un procédé produisant naturellement 8 % de défectueux (p = 0,08). La limite de
contrôle supérieure a été calculée sur cette base et pour les échantillons de 20 pièces (n = 20).
On a utilisé l'approximation d'une loi binomiale par une loi normale suivant le tableau figure 10.
Les résultats des prélèvements confirment la stabilité du procédé et aucune cause assignable n'est décelable.
le taux de défectueux constaté est de : 47 défectueux / 28 prélèvements / 20 = 0,0839 ce qui est très proche de
la réalité.
5.3.9 Calcul des limites des cartes de contrôle par mesures
Tableau 1 : Tableau des constantes SPC pour les variables mesurées
Tableau des constantes SPC Pour les variables mesurées

Taille des
échantillons
5.3.8 Exemple d'application d'une carte de contrôle par attribut 68
Constantes de calcul Constantes de calcul des limites de contrôle

de l'écart type carte de la carte de carte de carte
moyenne x l'étendue R l'écart type s médiane
N dn = d2 cn = C4 Bn A2 A3 D3 D4 B3 B4 A4
2 1,128 0,7979 0,564 1,880 2,659 − 3,267 − 3,267 1,880
3 1,693 0,8862 0,724 1,023 1,954 − 2,574 − 2,568 1,187
4 2,059 0,9213 0,798 0,729 1,628 − 2,282 − 2,266 0,796
5 2,326 0,9400 0,841 0,577 1,427 − 2,114 − 2,089 0,691
6 2,534 0,9515 0,869 0,483 1,287 − 2,004 0,030 1,970 0,548
7 2,704 0,9594 0,888 0,419 1,182 0,076 1,924 0,118 1,882 0,508
8 2,847 0,9650 0,903 0,373 1,099 0,136 1,864 0,185 1,815 0,433
9 2,970 0,9693 0,914 0,337 1,032 0,184 1,816 0,239 1,761 0,412
10 3,078 0,9727 0,923 0,308 0,975 0,223 1,777 0,284 1,716 0,362
11 3,173 0,9754 0,930 0,285 0,927 0,256 1,744 0,321 1,679 −
12 3,258 0,9776 0,936 0,266 0,886 0,283 1,717 0,354 1,646 −
13 − 0,9794 0,941 0,249 0,850 0,307 1,693 0,382 1,618 −
14 − 0,9810 0,945 0,235 0,817 0,328 1,672 0,406 1,594 −
15 − 0,9823 0,949 0,223 0,789 0,347 1,653 0,428 1,572 −
16 − 0,9835 0,952 0,212 0,763 0,363 1,637 0,448 1,552 −
17 − 0,9845 0,955 0,203 0,739 0,378 1,622 0,466 1,534 −
18 − 0,9854 0,958 0,194 0,718 0,391 1,608 0,482 1,518 −
19 − 0,9862 0,960 0,187 0,698 0,403 1,597 0,497 1,503 −
20 − 0,9869 0,962 0,180 0,680 0,415 1,585 0,510 1,490 −
Contrôle de la position : Contrôle de la dispersion :
Evaluation de la dispersion :
est un estimateur de σ calculé à partir
d'échantillons de tailles réduites.
5.3.10 Calcul des limites des cartes de contrôle par attribut
Calcul de limite des cartes de contrôle par attribut (Méthode SPC)

Limites de contrôles des
Type de carte Moyenne Exemples
cartes
5.3.9 Calcul des limites des cartes de contrôle par mesures 69

n = 10 pièces contrôlées2
np n défectueux à porter sur la carte
Approximation de la loi np=2
binomiale par une loi On porte le nombre de défectueux
Taille des normale sur la carte
Unités
échantillons
non−conformes
constante C
Nombre de Nombre
défauts dans moyen de C = 3+2+3+0+1 = 9 défauts à
défauts dans Approximation de la loi
le de Poisson par une loi porter sur la carte
sous−groupe les On porte le nombre de défectueux
sous−groupes normale
par sous−groupe sur la carte
n = 10
p 3 défectueux
La taille des p = 3/10 à porter sur la carte
échantillons Approximation de la On porte la proportion de
peut varier binomiale par une loi défectueux sur la carte
Proportion de de ± 25 %. normale
défectueux
= taille
moyenne de u
l'échantillon
Proportion Proportion
de moyenne de u =3/4 = 0,75 à porter sur la carte
défectueux défectueux Approximation de la loi On porte la proportion de
par unité par unité de Poisson par une loi défectueux par sous−groupe sur la
normale carte
Cas d'une carte np :
Sur un procédé sous contrôle statistique on a effectué une étude préalable qui a fourni les résultats suivants :
pour (soit 2 % de défectueux en moyenne)

On calcule :
Les limites de contrôle seront donc :
5.3.10 Calcul des limites des cartes de contrôle par attribut 70

soit 0 porté sur la carte puisque les valeurs négatives sont impossibles.
5.3.11 Exploitation des cartes de contrôle
• Consignes à l'opérateur :
Exemple :
Prélever 5 pièces toutes les 3 heures de fonctionnement,

mesurer la dimension,
porter toutes les valeurs dans les cases,
calculer la somme des valeurs, la moyenne et l'étendue,
reporter les points correspondants sur le graphique,
si la moyenne sort des limites contrôle, régler,
si l'étendue dépasse les limites, vérifier les points suivants :
− erreur de calcul,
− valeur anormale,
− appareil de mesure défectueux (bloqué).
• Exemple de fiche de suivi de procédé (indispensable)
Zone d'identification
Incidents (réglages, interventions de la maintenance, changements d'outils, de
Date Heure Nom
matière, etc.&)
• Quelques situations que l'on peut rencontrer :
5.3.11 Exploitation des cartes de contrôle 71

L'analyse à posteriori des cartes, par une personne compétente, permet d'analyser les procédés et le
remplissage des cartes (exactitude des résultats portés).
Un bilan régulier des capabilités doit être réalisé afin de mesurer l'amélioration progressive des résultats.
5.4. Exercice
L'objectif de cet exercice est de déterminer les capabilités dun procédé et de mettre sous contrôle statistique
une des cotes des pièces produites.
La cote mise sous contrôle est 16 +0−0.1
• La mesure dun premier échantillon de quarante huit pièces produites sans déréglage du procédé nous
donne:
15.93 15.94 15.94 15.93 15.92 15.95 15.94 15.93
15.94 15.93 15.92 15.96 15.93 15.94 15.93 15.94
15.95 15.96 15.96 15.95 15.95 15.95 15.94 15.93
15.93 15.95 15.94 15.95 15.95 15.94 15.96 15.96
15.95 15.96 15.96 15.95 15.94 15.96 15.95 15.95
15.97 15.97 15.95 15.95 15.94 15.95 15.96 15.95
• La mesure de huit prélèvements (5 toutes les 100) de cinq pièces produites sans déréglage du procédé
nous donne :
15.94 15.93 15.93 15.94 15.93 15.93 15.93 15.93
15.93 15.95 15.96 15.93 15.94 15.95 15.94 15.94
15.96 15.95 15.95 15.94 15.95 15.95 15.96 15.95

15.95 15.94 15.96 15.96 15.93 15.94 15.95 15.93
5.4. Exercice 72
15.95 15.94 15.97 15.95 15.95 15.94 15.96 15.95
♦ 1. Calculer les capabilités Cm et Cmk. La machine est−elle capable ?
♦ 2. Remplir la première carte et calculer les capabilités Cp et Cpk ainsi que les limites de
contrôle nécessaires pour létablissement de la deuxième carte de contrôle.
♦ 3. Mettre le procédé sous contrôle à laide de la deuxième carte de contrôle avec les
prélèvements suivant :
15.93 15.95 15.95 15.97 15.99 15.95
15.96 15.94 15.94 15.96 15.95 15.93
15.95 15.96 15.96 15.95 15.96 15.95
15.94 15.95 15.95 15.96 15.98 15.94
15.95 15.95 15.96 15.95 15.98 15.95

Carte de contrôle vierge (document Excel) − (image)
Résumé
et l'élimination systématique des causes d'anomalie. Son support dexploitation est lensemble des cartes de
contrôle.
Domaine d'application
La carte de contrôle est utilisable dans tous les cas de production répétitive. Si la production est fractionnée,
elle peut être également utilisée pour surveiller des facteurs d'influence.
Il existe une version de carte de contrôle adaptée à un début de production où lors de la réalisation de séries
limitées (carte petite série non étudiée ici mais vue en fin du polycopié).
Pour un procédé en fonctionnement, la démarche générale d'utilisation est la suivante :
Phase préparatoire
• a− relevé d'échantillons successifs en cours de production et établissement d'un graphique des

résultats,
• b− analyse de ces résultats avec identification des causes assignables,
• c− élimination des causes assignables (mise sous contrôle),
• d− lorsque le procédé est sous contrôle, détermination des indices de capabilité,
• e− établissement de la carte de contrôle comportant des limites de contrôle.
Phase d'exploitation
Résumé 73
• a− relevé périodique d'échantillons, calcul des données et report sur le graphique,
• b− analyse des résultats et décision d'action.
Un bilan est effectué périodiquement avec calcul des indices de capabilité Cp et Cpk.
Poursuite de l'amélioration par la convergence vers la valeur cible et par la réduction progressive de la
dispersion.
Résumé 74
Chapitre 6. Les plans d'expériences (Méthode
Taguchi)
6.1. Les plans d'expériences
L'origine des plans d'expériences remonte au début de ce siècle où un anglais Ronald A. Fisher les a mis au
point dans le cadre de recherches agronomiques.
Ils reposent essentiellement sur des expérimentations multifactorielles (on fait varier tous les paramètres
simultanément) et sur un traitement des résultats à l'aide de régressions multiples et d'analyse de la variance.
Ils sont restés du domaine de quelques spécialistes et leurs applications industrielles ont été réduites du fait de
la complexité des calculs qu'ils nécessitaient.
Toutefois, l'arrivée des moyens informatiques et de logiciels spécifiques permet d'exploiter les plans
d'expériences classiques avec plus de facilités.
Principe de ces plans :
Les résultats de l'expérimentation sont collectés sous la forme de tableaux à entrées multiples.
Tableau 1 : Tableaux à entrées multiples
A B C & Y Z Réponses R
A1 B1 C1 & Y1 Z1 R1
A2 B2 C2 & Y2 Z2 R2
& & & & & & &
An Bn Cn & Yn Zn Rn
Ces résultats permettent de définir un modèle mathématique de régression multiple comportant un coefficient
pour chacun des facteurs pris en compte (de A à Z).
L'analyse de la variance permet de déterminer quels sont ceux des facteurs qui ont une influence significative
(test de Fisher). Seuls les facteurs dont l'influence est significative sont retenus dans le modèle de régressions
retenu.
Un test de Student peut être également pratiqué.
L'influence de chacun des facteurs est donc testée et permet la prédiction des résultats prévisibles dans le
domaine testé.
6.2. Les plans d'expériences complets ou fractionnaires

Dans de nombreux cas, on peut organiser les essais de telle sorte que les calculs soient simplifiés.
Chapitre 6. Les plans d'expériences (Méthode Taguchi) 75

Un choix limité du nombre de variantes de chacun des facteurs permet d'atteindre ce but.
Par exemple, un plan d'expérience complet, concernant trois facteurs à deux niveaux, comporte 2³ = 8
combinaisons.
Si ces niveaux sont symbolisés par 1 (niveau 1) et par 2 (niveau 2), ces combinaisons sont les suivantes :
Tableau 2 : Plans d'expériences complets
On peut pourtant réduire les essais tout en obtenant les mêmes informations en utilisant une table orthogonale.
C'est le cas si l'on obtient les lignes 1, 4, 6 et 7 de la figure 2.
On réalise ainsi un plan d'expérience fractionnaire.
La table L4 (2³) de la figure 2 permet de ne réaliser que 4 essais au lieu des 8 essais du plan complet.
Tableau 3 : Plans d'expériences fractionnaires
Essai A B C Réponses
1 1 1 1 R1
2 1 2 2 R2
3 2 1 2 R3
4 2 2 1 R4
6.3. Domaines d'emploi des plans d'expériences
Genichi Taguchi a exploité les théories des plans d'expériences en les rendant plus accessibles et en les
améliorant.
La méthode de Taguchi est donc une méthode d'expérimentation tournée vers un usage industriel.
Elle consiste à combiner les techniques industrielles et celles de la statistique pour obtenir une amélioration
sensible de la qualité et des coûts.
Elle s'applique aux produits et aux procédés de production afin de les optimiser et de les rendre insensibles en
fixant les tolérances à partir des coûts.
Lors de la conception des produits, elle permet de définir et de dimensionner les facteurs clés, y compris en
fixant les tolérances à partir des coûts.
6.2. Les plans d'expériences complets ou fractionnaires 76

Lors du lancement d'une production, elle permet de déterminer les facteurs clés du réglage et d'en fixer les
valeurs pour obtenir la meilleure qualité de réalisation.
Diagrammes causes − effets et plans d'expériences.
Les plans d'expériences constituent la suite naturelle d'un diagramme causes − effet lorsque aucun historique
des causes n'est disponible (dans ce dernier cas, on peut analyser les résultats par un diagramme de Pareto).
6.4. Mise en Suvre des plans d'expériences
• a − Définir l'objectif et sa mesure
• b − Sélectionner les facteurs − Choisir les niveaux
• c − Choisir la table orthogonale (elle va définir les essais à réaliser)
• d − Réaliser des essais
• e − Analyser les résultats
6.3. Domaines d'emploi des plans d'expériences 77

• f − Vérifier les résultats (réaliser l'expérience de confirmation)
6.4.1 Définir l'objectif et sa mesure
Il n'y a pas de plan d'expériences sans objectif et il est impératif que la réalisation de l'objectif puisse être
appréciée par une évaluation de la performance réalisée pour chacun des essais.
Dans la mesure du possible, on préférera une mesure des résultats plus sensibles aux variations qu'un contrôle
par attribut (ex. : bon ou défectueux).
Différents types de cibles.
• la cible est une valeur nominale (masse, teneur en principe actif, dimension, etc.....),
• la cible est une valeur maximale (rendement, cohésion, etc.....),
• la cible est une valeur minimale (impuretés, dispersion, etc&.).
Cas des réponses multiples.
On peut envisager de définir plusieurs réponses : par exemple, on peut être conduit à vérifier simultanément
une uniformité de masse et la qualité de la dragéification.
Dans ce cas, il est important de se fixer des priorités. En effet, l'analyse des résultats peut conduire à des
dilemmes. Il est préférable de les prévoir afin de hiérarchiser les choix.
Répétition des essais (robustesse).
Les essais peuvent être répétés pour une même configuration des facteurs internes.
Dans ce cas, on peut traiter les résultats moyens, ce qui permet d'atteindre la valeur cible.
On peut aussi traiter l'écart type des résultats qui permet de maîtriser les dispersions autour de la valeur
moyenne.
Genichi Taguchi propose un traitement simultané de la moyenne et de la dispersion par l'intermédiaire du

ratio signal sur bruit évalué en décibels (dB). Dans ce cas, on obtient des solutions robustes (insensibles aux
facteurs externes).
6.4. Mise en Suvre des plans d'expériences 78

6.4.2 Sélectionner les facteurs − Choisir les niveaux
Cette phase préparatoire du projet est capitale car elle conditionne toute l'efficacité du plan.
Nature des facteurs.
Une erreur plus courante qu'on ne le croit consiste à mélanger les facteurs internes et les facteurs externes.
Les plans produits de Genichi Taguchi permettent pourtant de les traiter différemment.
Rappelons que :
• un facteur interne est un facteur que l'on propose de maîtriser. En conception, c'est un facteur dont le
concepteur est maître. En production, c'est un facteur sur lequel on peut agir par une action de
réglage.
Exemple :
une température de traitement, la teneur en additifs, le volume d'un moule, etc.....

− un facteur externe est un facteur que l'on subit. Le plan d'expérience doit permettre de s'affranchir des effets
de ces causes (on dit que la méthode Taguchi privilégie la suppression des effets des causes plutôt que les
causes des effets).
Exemple :
la température du local, les impuretés dans un produit, les erreurs de mesure, etc...
Les facteurs internes seront donc pris en compte dans la table des facteurs internes.
Pour ce qui est des facteurs externes, deux solutions sont possibles pour rendre la solution robuste :
• on répète les essais en laissant les facteurs externes varier naturellement,

• on répète les essais en organisant la variation des facteurs externes dans une table croisée avec la
précédente.
Choix des facteurs.
Une analyse du problème est nécessaire. L'avis des personnes compétentes est indispensable.
Par exemple, pour réglage d'un procédé de production, il faut réunir les techniciens du produit, les techniciens
de production et les techniciens du contrôle voire ceux de la maintenance.
Chacun doit pouvoir fournir son opinion (Brainstorming) sans contraintes.
Un diagramme causes − effets est construit pour chaque réponse envisagée.
Un choix est effectué parmi ces causes possibles en fonction de l'expérience de chacun et de la stratégie des
essais envisagée (une seule étape, plusieurs étapes, etc... ).
Choix des intéractions.
6.4.2 Sélectionner les facteurs − Choisir les niveaux 79

Les tables orthogonales prévues par Taguchi permettent de tester simplement les intéractions entre les
facteurs.
On peut choisir de tester toutes les intéractions entre les différents facteurs mais cela se fera au détriment du
nombre de facteurs testés.
On peut choisir de ne tester aucune intéraction si l'on a de bonnes raisons de penser qu'il n'en existe pas ou si
le plan est destiné à être suivi d'un autre plan qui pourra les prendre en compte.
Si l'on pense que certaines intéractions peuvent avoir une influence, il est préférable de réserver les colonnes
correspondantes quitte à prévoir un plan plus important.
Choix des niveaux.
Deux niveaux sont un minimum et conduisent aux plans les plus simples.
On peut choisir de tester 3 niveaux ou plus mais il faut savoir que le nombre d'essais à réaliser sera plus
important.
Le choix des valeurs présente également une très grande importance.
Aucune recette ne peut être fournie car tout dépend de la situation. Tout au plus pouvons nous donner
quelques conseils :
• les choix sont des choix techniques, les niveaux doivent être fixés par ceux qui connaissent le
problème posé,
• généralement, ceux qui connaissent le sujet, ont déjà effectué des essais non structurés et connaissent
la plage de réglage. On peut donc s'appuyer sur cette expérience,
• sur un procédé de production, on peut envisager d'exploiter les valeurs usuelles de réglage (Exemple :
valeurs des réglages généralement utilisés par chacune des équipes de travail)
• si on connaît la plage de variation sans pour autant posséder d'expérience, on peut diviser cette plage
en zones et choisir des niveaux situés dans ces zones (Par exemple au milieu de chacune d'elles),
Figure 4
• dans le cas où les valeurs standards seraient fournies dans une documentation ou dans une notice
technique, on peut encadrer cette valeur,
• les zones dangereuses pour les personnes ou pour le matériel doivent être testées au préalable et
exclues des essais,
• le choix de plus de deux niveaux permet de mieux explorer l'intervalle de variation et de détecter les
non−linéarités des réponses,
6.4.2 Sélectionner les facteurs − Choisir les niveaux 80

• on peut adopter une stratégie exploratoire avec le choix de plus de deux niveaux pour ensuite explorer
les abords du niveau le plus favorable en réalisant un second plan,
• l'amplitude entre les valeurs doit être suffisante pour produire des effets si le facteur a une influence.
Nous dirons pour conclure que les expérimentateurs se doivent de faire preuve d'imagination et de technicité.
Ces choix nécessitent une certaine dose de bon sens et de flair pour assurer la réussite.
Il ne faut jamais oublier également qu'un plan qui ne donne pas les résultats escomptés est tout de même plein
d'enseignements car il met l'accent sur l'insuffisance de connaissance du problème de la part des acteurs.
Un plan qui "échoue" est aussi porteur d'expérience acquise et doit permettre de renouveler l'essai dans de
meilleures conditions.
6.4.3 Choisir la table orthogonale
Choix de la constitution de la table.
En principe, le choix de la table est dicté par le nombre de facteurs, le nombre de niveaux et le nombre
d'intéractions à tester.
Il peut dépendre également de la stratégie envisagée, c'est−à−dire le nombre de plans successifs que l'on
propose de réaliser.
Les contraintes techniques, économiques, de délais, sont également à prendre en compte.
Le degré de connaissance de la méthode de la part des expérimentateurs peut aussi orienter certains choix à
court terme.
Nous ne donnons donc pas de recettes miracles mais nous nous bornerons à quelques conseils :
• sauf à disposer de moyens techniques importants, de temps et d'argent, il est souvent préférable de
limiter le nombre de facteurs et de niveaux afin de réussir à obtenir des résultats. Ce conseil est
d'autant plus important que l'expérience de la méthode est réduite,
• pour un début, ou pour une application didactique, il vaut mieux choisir une table à L8 ou une table
L16. Dans ce cas, on choisira les facteurs en fonction de la table envisagée,
• une table L9 peut aussi présenter un certain intérêt mais offre peu de possibilités concernant l'étude
des intéractions,
• une table L4 peut être utilisée à la suite d'autres tables afin d'affiner certains résultats,
• pour un procédé en service, il est souvent plus judicieux de procéder par étapes successives ce qui
correspond à une démarche d'amélioration continue,
• lors de la conception d'un produit, il est intéressant de réaliser un plan ambitieux qui permet la
constitution d'une banque de données exploitable ensuite pour des cas semblables.
Positionnement des facteurs dans la table.
La lecture des tables des intéractions et des graphes linéaires permet le positionnement des facteurs dans les
colonnes.
C'est à ce stade que l'on rencontre certaines difficultés si l'on est exigeant sur le nombre de facteurs, le nombre
de niveaux et la nature des interactions car il est souvent difficile de trouver la table et le graphe linéaire
correspondant aux désirs initiaux. Les compromis sont souvent inévitables.
Si l'on ne teste aucune intéraction, on peut tirer les placements au sort.
6.4.3 Choisir la table orthogonale 81

Les colonnes des tables orthogonales sont parfois affectées d'une indication de groupe : le groupe 1
correspond au plus petit nombre de changement du niveau du facteur
Exemple :
la colonne N°1 d'une table L8 ou L16 ne comporte qu'un changement de niveau si l'on parcourt la table dans
l'ordre des colonnes.
Si le niveau d'un facteur est difficile à changer, on peut choisir de le placer dans une telle colonne. Toutefois,
si nécessaire, on peut s'affranchir de cette contrainte en réalisant les essais dans un ordre différent.
6.4.4 Réaliser les essais
Ordre des essais.
On peut choisir de réaliser les essais dans l'ordre de la table surtout si l'on a tenu compte de la difficulté du
changement des niveaux lors du placement des facteurs.
Certains préconisent un tirage au sort de l'ordre de réalisation si celui−ci est susceptible d'influencer les
résultats (Exemple : vieillissement d'un composant).
Conditions matérielles.
La réalisation des essais nécessite une grande rigueur.
En effet, la réduction du nombre d'essais impose que chacun d'entre eux soit strictement effectué dans les
conditions prévues.
Pour ce faire, il est souvent judicieux d'établir autant de fiches qu'il y a d'essais à réaliser. Chaque fiche est
identifiée.
Elle comporte :
• les conditions de l'essai,

• les éléments de traçabilité (dates, opérateurs, niveau des facteurs non pris en compte dans l'essai, etc...
),
• un tableau de collecte et de traitement des résultats pour chaque échantillon.
Traitements des incidents.
La répétition systématique des essais est souhaitable si les conditions de renouvellement en cas d'incident ne
sont pas possibles (délais, approvisionnement en matière première, etc... ).
Si toutefois un résultat vient à manquer on peut :
• lui affecter la valeur moyenne des autres essais,

• lui affecter la valeur la plus favorable du plan.
L'essai de confirmation validera ensuite les résultats ou non.
6.4.5 Analyser les résultats
Calcul des effets.
6.4.4 Réaliser les essais 82

Les réponses Ri constituent les résultats obtenus pour chacun des essais.
On calcule les réponses moyennes pour chacun des 2 niveaux de chaque facteur.
Exemple :
La réponse moyenne lorsque A est au niveau 1 est égale à :

La réponse moyenne lorsque A est au niveau 2 est égale à :
Tableau 5 :
Essai A B C Réponses
1 1 1 1 R1
2 1 2 2 R2
3 2 1 2 R3
4 2 2 1 R4
Un tableau des réponses est réalisé. Il fournit les réponses moyennes et les écarts qui caractérisent l'effet du
facteur lorsqu'il passe du niveau 1 au niveau 2.
Tableau 6 : Tableau des réponses
Facteurs A B C
Niveau 1
Niveau 2
Ecarts
Les réponses serviront au tracé des graphes de réponses.
Analyse graphique.
Les graphes des réponses permettent de visualiser les résultats. Leur examen est indispensable.
Ils permettent une vision globale des effets des facteurs et des intéractions.
Lorsque plusieurs réponses de nature différentes sont envisagées, ils permettent de lire rapidement les
convergences et les contradictions et constituent un excellent outil d'aide à la décision.
Bien que la lecture d'un graphique semble simple, il faut toutefois être vigilant car de mauvaises
interprétations sont possibles.
Exemple 1 :
Tous les effets ont même valeur. Ce cas a peu de chances de se produire et la lecture est influencée par
l'échelle du graphique.
Figure 5 :
6.4.5 Analyser les résultats 83

Exemple 2 :
Des pentes différentes permettent de différencier les effets des facteurs testés. Une pente faible par rapport
aux autres doit conduire à une conclusion d'effet nul (pente due aux aléas de l'échantillonnage).
Figure 6 :
6.4.6 Vérifier les résultats (réaliser l'expérience de confirmation)
Les résultats conduisent naturellement au choix d'une solution optimale théorique.
Un essai de confirmation est indispensable pour valider les résultats.
Prédiction Modélisation.
Dans la plupart des cas, il est possible de calculer une prédiction à partir d'un modèle mathématique.
Cette prédiction prend comme hypothèse que le niveau moyen des résultats est acquis et que les choix des
niveaux des facteurs dont l'influence est significative s'ajoutent à cette valeur moyenne.
Figure 7 :
6.4.6 Vérifier les résultats (réaliser l'expérience de confirmation) 84

Exemple :
si l'on choisit de retenir les effets des facteurs B et C, la réponse maximale prédite sera :
Prédiction
Essai de confirmation.
Les résultats de l'essai de confirmation sont comparés à la prédiction
• a Ils sont conformes à la prédiction : les résultats sont validés.

• b Ils ne sont pas conformes à la prédiction :
♦ d'autres facteurs non testés ont une influence importante,
♦ une ou plusieurs intéractions n'ont pas été prises en compte ou/et ont été confondues avec un
facteur,
♦ il y a eu une erreur matérielle (déroulement des essais, calculs, etc...).
L'analyse de ces résultats doit conduire à réaliser un nouveau plan en exploitant l'expérience acquise lors des
essais précédents.
6.5. Exemples de tables orthogonales

6.5.1 La table L4
C'est la table la plus simple qui est proposée à l'expérimentateur. Elle permet de tester 3 facteurs à 2 niveaux
ou encore 2 facteurs à 2 niveaux et leur intéraction.
Tableau 7 : Table orthogonale L4
L4 (2³)
N° Col. 1 2 3
1 1 1 1
2 1 2 2
3 2 1 2
4 2 2 1
La désignation L4 (2³) signifie que la table comporte 4 lignes (4 essais), que le nombre de colonnes est de 3 et
que chaque facteur sera testé pour 2 niveaux.
Le plan complet correspondant comporte 2³ = 8 combinaisons pour les 3 facteurs.
6.5. Exemples de tables orthogonales 85

Le graphe linéaire nous indique que la colonne 3 est le siège de l'intéraction entre le facteur placé dans la
colonne N°1 et celui qui est placé dans la colonne N°2.
La mention Gr.1 (groupe 1) repère la colonne comportant un seul changement de niveau si l'on effectue les
essais dans l'ordre de la table.
Les colonnes du groupe 2 comportent un nombre de changements plus important.
Sur le graphe linéaire le cercle simple est utilisé pour une colonne du groupe 1. Pour les colonnes du
groupe 2, on utilise un double cercle.
Pour les colonnes du groupe 3 (non présent ici) on utilise un double cercle et celui du centre est noirci.
6.5.2 La table L8
Cette table permet de tester 7 facteurs à 2 niveaux ou encore 3 facteurs à 2 niveaux et toutes leurs intéractions
(deux à deux et à trois).
Elle permet également de nombreuses autres combinaisons de facteurs et d'intéractions.
Tableau 8 :
Table L8 (2^7)
N° Col. 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
6.5.1 La table L4 86
La table des intéractions fournit le lieu des intéractions deux à deux.
On constate que chaque colonne est le siège de plusieurs intéractions. Il est donc utile d'identifier les
colonnes concernées.
Si l'on veut éviter les confusions entre les effets et ceux des intéractions, il faudra seulement placer un facteur
dans les colonnes N°1, N°2 et N°3. Les autres colonnes seront réservées aux intéractions, la colonne N°7
étant le siège de l'intéraction des 3 facteurs
Tableau 9 :
N° 1 2 3 4 5 6 7
Facteurs A B AB C AC BC ABC
6.5.3 La table L9 à 3 niveaux
La table L9 proposée comporte 3 niveaux pour chacun des facteurs.
Table L9 (3^9)
N° Col 1 2 3 4
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
9 3 3 2 1
6.6. Traitements des intéractions selon la Méthode Taguchi

Le traitement des intéractions constitue l'un des aspects importants de l'application des plans d'expériences.
Lorsqu'on parle d'intéraction, on pense immédiatement aux conséquences néfastes ou bénéfiques de

l'association de certains médicaments entre−eux ou/et avec d'autres substances (Ex. : l'alcool).
Les phénomènes industriels sont également soumis à certaines intéractions et lors de l'optimisation des
produits ou des procédés, il est souvent intéressant de les prendre en compte afin d'éviter les associations
6.5.2 La table L8 87
néfastes et de bénéficier des combinaisons favorables.
Pour mieux faire comprendre comment traiter les intéractions dans les plans d'expériences nous allons traiter
un exemple simple relatif à un plan à deux facteurs et à leur intéraction.
Objectif :
On cherche une réponse maximale pour la réponse R.
• Choix des niveaux
Niveau 1 Niveau 2
A Haut Bas
b 5 10
• Table orthogonale
N° A B C Réponses R
1 Haut 5 1 145
2 Haut 10 2 95
3 Bas 5 2 −10
4 Bas 10 1 60
Moyenne = 72.50
• Table des réponses
Facteur A B AB Interactions AB
A1
Niveau 1 120 67.5 102.5 A2
Niveau 2 25 77.5 42.5 B1 145 −10
Ecarts 95 −10 60 B2 95 60
Nota : Ce cas est particulier car il constitue un plan complet dans la mesure où toutes les combinaisons de A et
B ont été testées. Ceci explique que la table des intéractions reprend directement les valeurs des réponses de la
figure 3.
• Graphique des réponses
Figure 9 :
6.6. Traitements des intéractions selon la Méthode Taguchi 88

Le graphique des réponses montre que l'effet du facteur A est important. Celui de B est faible. Par contre,
l'effet de l'intéraction entre A et B est important et justifie une analyse plus complémentaire.
On remarque que les deux segments ne sont pas parallèles entre eux ce qui confirme l'intéraction.
Le niveau 1 pour B associé au niveau 1 pour A fournit la réponse la plus élevée.
Les niveaux 1 pour les deux facteurs seront donc retenus.
6.7. Exercices
6.7.1 Exercice 1 plans d'expériences : Réglages Machine
Sujet :
Un chef datelier décide de déterminer loptimum de production dune machine. Après une discussion avec
ses opérateurs, trois paramètres sont sélectionnés :
− la pression pouvant varier entre 2 bars et 10 bars
− le débit pouvant varier entre 50 litres et 300 litres
− la température pouvant varier entre 45° et 65°
6.7. Exercices 89
1. Rechercher loptimum en considérant les deux premiers paramètres et une intéraction possible.
données pièce 1
Pièces Pression débit Production

Pièce 1 2 50 25
Pièce 2 2 300 45
Pièce 3 10 50 35
Pièce 4 10 300 48
2. Rechercher loptimum en considérant les trois paramètres.
données pièce 1
Pièces Pression débit Température Production

Pièce 1 2 50 45 20
Pièce 2 2 300 65 30
Pièce 3 10 50 65 33
Pièce 4 10 300 45 42
3. Conclusion
6.7.2 Exercice plans d'expériences : Salaires
Sujet :
Un directeur des ressources humaines décide de déterminer loptimum des caractéristiques dun poste à
pourvoir au sein de son entreprise. Après enquête, quatre paramètres sont sélectionnés :
− Le salaire bas moyen haut
− Lintérêt ennuyeux moyen intéressant
− Lhoraire 35H 39H 48H
− La responsabilité rien un peu beaucoup
1. Rechercher Les paramètres influants et déterminer leur niveau optimum
données
Le salaire Lintérêt Lhoraire La responsabilité Enquête

Poste 1 1 1 1 1 155
Poste 2 1 2 2 2 132
Poste 3 1 3 3 3 137
Poste 4 2 1 2 3 106
Poste 5 2 2 3 1 81
Poste 6 2 3 1 2 60
Poste 7 3 1 3 2 55
Poste 8 3 2 1 3 52
Poste 9 3 3 2 1 32
2. Rédiger loffre demploi et conclure.
Résumé
Domaines d'emploi des plans d'expériences
6.7.1 Exercice 1 plans d'expériences : Réglages Machine 90

La méthode de Taguchi est donc une méthode d'expérimentation tournée vers un usage industriel. Elle
consiste à combiner les techniques industrielles et celles de la statistique pour obtenir une amélioration
sensible de la qualité et des coûts. Elle s'applique aux produits et aux procédés de production afin de les
optimiser et de les rendre insensibles en fixant les tolérances à partir des coûts.
Mise en Suvre des plans d'expériences
• a − Définir l'objectif et sa mesure
• b − Sélectionner les facteurs − Choisir les niveaux
• c − Choisir la table orthogonale (elle va définir les essais à réaliser)
• d − Réaliser des essais
• e −Analyser les résultats
Résumé 91
• f − Vérifier les résultats (réaliser l'expérience de confirmation)
Résumé 92
glossaire
• Mesurage : Ensemble d'opérations ayant pour but de déterminer une valeur d'une grandeur
• Mesurande : grandeur particulière soumise à mesurage
• Valeur vraie d'un mesurande : mesure que l'on obtiendrait par un mesurage parfait
• Grandeur d'influence : grandeur qui n'est pas le mesurande mais qui a un effet sur le résultat du
mesurage
• L'erreur aléatoire sur un mesurage est le : « résultat d'un mesurage moins la moyenne d'un nombre
infini de mesurages du même mesurande, effectués dans des conditions de répétabilité. » (VIM 93).
• L'erreur systématique sur un mesurage est la : « moyenne qui résulterait d'un nombre infini de
mesurages du même mesurande, effectués dans des conditions de répétabilité, moins une valeur vraie
du mesurande. » (VIM 93).
• Incertitude : paramètre, associé au résultat d'un mesurage, qui caractérise la dispersion des valeurs
qui pourraient être raisonnablement attribuées au mesurande. ( VIM 93).
et l'élimination systématique des causes d'anomalie.
glossaire 93

Qu Cqos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Qu Cqos

Transféré par

Droits d'auteur :

Formats disponibles

Contrôle qualité et outils statistiques

Contrôle qualité et outils statistiques

Table des Matières

Chapitre 2. Les différentes natures de contrôle...............................................................................................8

Chapitre 3. Les Incertitudes de mesure..........................................................................................................22

Table des Matières

Chapitre 4. Utilisation des outils statistiques pour le contrôle.....................................................................48

Chapitre 5. Maîtrise Statistique des Procédés................................................................................................56

Table des Matières

Chapitre 6. Les plans d'expériences (Méthode Taguchi)..............................................................................75

Valider tout produit ou service par :

Ce qui nous permet de définir le deuxième objectif.

Maîtriser et améliorer la qualité par la mise en Suvre d'outils et de méthodes spécifiques.

ENSEMBLE DES PROPRIETES ET CARACTERISTIQUES D'UN PRODUIT OU D'UN SERVICE QUI

(NF X 50−120 ISO 8402)

Cette définition prend en compte toutes les caractéristiques du produit ou du service y

Chapitre 1. Introduction − Présentation du contrôle qualité 1

LA QUALITE D'UN PRODUIT EST LA PERTE (à minimiser) QUE L'UTILISATION DE CE PRODUIT

1.2. Les différentes visions de la validation des produits ou

1.2.2 Vision progressive

1.3. Perception de la qualité

On peut toutefois remarquer :

− Le respect des tolérances entraîne des variations de performances perçues négativement.

1.2.2 Vision progressive 3

1.3. Perception de la qualité 4

La fonction est donc :

Pi = 5 × 106 × (yi − yN) 2

Exemple avec y2 = 0,03 mm

P2 = 5 × 106 ×(0,030 0,020) 2 = 500 francs.

1.4.2 Fixation des limites de validation des produits

Il dit que c'est du vol vis−à−vis du client.

Soit un produit y dont la valeur cible est 200.

On peut donc écrire :

1.4.1 Détermination de la fonction du coût 5

Nous pouvons écrire : k =

d'où y y = × (225 200)

La limite de tolérance sera donc yt = 200 + 13,7 = 213,7

1.4.2 Fixation des limites de validation des produits 6

• Contrôle des produits et services

Il existe plusieurs natures de contrôles des équipements de mesure :

• Contrôle des qualités d'interférence vis−à−vis de l'environnement

Il existe plusieurs types de contrôles des équipements de mesure :

2.2. Contrôle d'interférences vis−à−vis de l'environnement

L'interférence sur l'environnement peut avoir plusieurs risques :

Chapitre 2. Les différentes natures de contrôle 8

2.3. Contrôle des qualités de construction

• L'entrée d'une valeur dont on doit évaluer la grandeur :

1. Cas d'une lecture numérique :

La résolution, l'étendue et la fréquence de rafraîchissement de l'affichage

• trop faible : les variations de la grandeur mesure seront appréhendées

2. Cas d'une lecture analogique :

La qualité de l'affichage doit être compatible avec la sortie du capteur : Les

2.4. Contrôle des qualités métrologiques

Ceci se fait lors de l'opération d'étalonnage de l'appareil.

2.3. Contrôle des qualités de construction 9

• Les erreurs de justesse

2.4.2 Les erreurs de justesse

♦ L'erreur de justesse maximale :

L'erreur de justesse maximale pouvant intervenir lors d'une mesure

La courbe détalonnage peut faire apparaître deux courbes si lappareil de mesure

♦ L'erreur de justesse locale :

2.4.3 Erreur de fidélité

Estimateur de l'écart−type à l'aide des

On a donc |a − A| ≤ ΔA et par conséquent a − ΔA ≤ a ≤ a + ΔA

Soit 326,175... ≤ R1R2/R1 + R2 ≤ 340,621....

On peut alors proposer R = 333,3Ω ± 2,8Ω