Académique Documents
Professionnel Documents
Culture Documents
SPC 1 M é t hode s st a t ist iqu e s de la qu a lit é : St at ist ica l Qu a lit y Cont r ol OÙ ? QUOI : M ÉTH OD ES
! échantillonnage des lots : Acceptance Sampling
! cartes de contrôle de Shewhart: Statistical Process Control (SPC) RÉCEPTION et EXPÉDITION PLANS
! planification d’expériences : Design Of Experiment (DOE) - Taguchi matières premières D'ÉCHANTILLONNAGE
! analyse des modes défaillances : Failure Mode Effect Analysis (FMEA) produits semi finis LOTS
! déploiement fonction qualité : Quality Function Deployment (QFD) produits regroupés en lots (Acceptance sampling)
! analyse de fiabilité
Con t r ôle St a t ist iqu e de s Pr ocessu s : SPC de ba se
! types de cartes : attribut – comptage – mesure
PRODUCTION CARTES de CONTRÔLE
! processus d’implantation
et et
! exemples avec Statistica
ANALYSE de CAPACITÉ
ASSEMBLAGE
SPC 2
An a lyse de capa cit é ( ca pa bilit é ) d e s pr oce ssu s (SPC)
! méthodologie
! indices OPTIMISATION PLANIFICATION
! lien avec la stratégie 6 sigma PRODUITS D'EXPÉRIENCES
(DOE - Taguchi)
SPC 3 An a lyse de capa cit é de s pr oce ssu s de m e su r e : R& R PROCÉDÉS
Reproductible & Répétitivité
! méthodologie
TESTS ÉTUDES
! critères
ESSAIS en ACCÉLÉRÉS FIABILITÉ
! exemples
(accelerated testing)
SPC 4 SPC : car t e s ava n cée s
! moyenne mobile MA
! moyenne mobile à poids exponentiel EWMA SUIVI QUALITÉ MÉTHODES
! cumulative à somme CUSUM et FIABILITÉ D'ANALYSE
2 STATISTIQUE
! multivariables T de Hotelling PRODUITS en SERVICE
SPC 5 St r a t é gie de m a n a ge m e n t qu a lit é SI X SI GM A
! stratégie organisationnelle
! méthodologie DMAIC : DESIGN de QFD (Quality Function Deployment)
Define Mesure Analyze Improve Control PRODUITS et PROCÉDÉS PLANS D'EXPÉRIENCES
! méthodologie DFSS : Design For Six Sigma et SERVICES ANALYSE TOLÉRANCE
______________________________________________________________________________ 1 ______________________________________________________________________________ 2
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
concept central : 2 PROCESSUS INSÉPARABLES
P R O C E S S U S
RESSOURCES
PROCESSUS rôle 2
APPROVISIONNEMENT rôle 1
é t a pe s PRODUIT
MATÉRIAUX pièce
m é t h ode s ou Résultat Y
Fabrication Mesurage
pr océ du r e s SERVICE
ÉQUIPEMENTS
rôle 3
PERSONNEL
Y
CARACTÉRISTIQUES
CRITIQUES
pour la
TYPE
PARAMÈTRES
MESURABLES QUALITÉ : inspection : humain Classement
et VALEUR AJOUTÉE comptage 0, 1, 2, …
- MESURES
CONTRÔLABLES mesure : appareil 34.582 ….
- COMPTAGES
- ATTRIBUTS
DISTRIBUTION de Y
______________________________________________________________________________ 3 ______________________________________________________________________________ 4
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
CONSTATS UNIVERSELS
Les 4 ÉTATS POSSIBLES d'un PROCESSUS
Pour s'en sortir, une solution qui a fait ses preuves : NON 2 4
______________________________________________________________________________ 5 ______________________________________________________________________________ 6
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
Genèse des cartes
Distinction entre 2 types de variabilité
! inventeur : Walter Shewhart en 1924 ( General Electric )
! idée de base : séparer les 2 types de variabilité
TYPE
CAS σ
ÉLÉMENT type 1 type 2 2
N ( µ, σ )
µ, σ
Shewhart cause assignable cause non assignable CONNUS X
Deming cause spéciale cause commune
LCLX = µ – 3σ CLX = µ UCLX = µ + 3σ
source causes externe processus interne au processus
nombre causes petit grand P ( LCLX ‹ X ‹ UCLX ) = 0.9973
effet cause fort faible 1 échantillon de taille n : x 1 , x 2 ,
…
x n : X = ∑ x i / n = Xbar
présence sporadique chronique LCLXbar = µ – A σ ; UCLXbar = µ + A σ ; A = 3/√n
P [ LCLXbar ‹ X ‹ UCLXbar ] = 0.9973
Exemples hommes, - défaut de design,
matériaux, - formation insuffisante, CAS ( µ ,σ ) INCONNUS
méthodes -documentation inadéquate, estimation des paramètres
machines, - matières premières, k échantillons de taille n : x i 1 , x i 2 ,
…
,xin i = 1, 2, … , k
- réglages imprécis, Xbar i = ∑ x i n / n ; R i = max( x i j) – min (x i j) ; S i = ∑ 2
( x i j - Xbari ) /( n-1)
- conditions de travail,
- équipement inadéquat, ..
X = ∑ Xbar i / k ; R = ∑ R i / k ; S= ∑Si/k
correctif local global estimation sans biais de σ : σ = R / d2 ; σ = S / c4
responsabilité personnel 1er niveau management remarque : les constantes d2 et c4 dépendent de n ( voir p. 11)
______________________________________________________________________________ 7 ______________________________________________________________________________ 8
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
Cartes de contrôle de Shewart Limites de contrôle : formules
CARTES pour des variables de type mesure
EXEMPLE : carte Xbar (moyenne) & R (étendue) Données groupe i ( i = 1, 2 , … , k ) : x i1 , x i2 , …… , x in
X-bar and R Chart; variable: X_E6
Xbar i moyenne du groupe i de n observations = ∑ x ij / n
Ri étendue du groupe i = max( x ij ) – min( x ij )
Histogram of Mean X-bar: 143.52 (143.52); Sigma: 19.927 (19.927)
260
2
/( n-1)
240
220 Si écart type du groupe i = ∑ ( x ij – Xbar i )
200
n ≥ 2 moyennes ( Xbar & R ) Xbar Xbar - A2* Rbar Xabr + A2* Rbar
-20
0 2 4 6 8 10 12 14 16 18 5 10 15 20 25 30
2. Les limites pour les mesures doivent toujours être basées une estimation de la DISTRIBUTION figure % dans n % moyennes Xbar % étendues R
variabilité du processus (sigma) calculée avec la moyenne d’un ensemble de k ( -3 , 3 ) (LCLXBar, UCLXbar) (LCLR, UCLR )
indicateurs de dispersion. n = 1
important : ne jamais calculer l’estimation de la variabilité du processus (sigma) Uniforme 100 2 100 100
avec toutes les données en seul groupe -√3 0 √3 4 100 100
10 99.7 100
3. Les données doivent provenir d’un plan d’échantillonnage et doivent être organisées
en groupes rationels pour quelles soient utiles.
Triangulaire 100 2 99.5 99.9
4. L’organisation ou entreprise doit réagir d’une manière appropriée aux connaissances -1.45 0 2.95 4 99.9 100
nouvelles qui résultent de l’application des cartes. 10 99.5 100
Remarque
______________________________________________________________________________ 11 ______________________________________________________________________________ 12
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
Production de cartes avec STATISTICA IMPLANTATION d'une CARTE de CONTRÔLE
______________________________________________________________________________ 13 ______________________________________________________________________________ 14
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
EXEMPLES avec STATISTICA
EXEMPLE 1 : carte Xbar et R
MESURES (VARIABLES) base : loi gaussienne groupes de 4 pièces
mesure de résistance en ohm Y
1. Xbar et R : moyenne Xbar et étendue R ( si n ≤ 10 )
2. Xbar et S : moyenne Xbar et écart type S ( si n > 10 ) observations
groupe y1 y2 y3 y4
3. XmR : valeur individuelle X et étendue mobile mR 1 5045 4350 4350 3975
mR = | X i - X i - 1 | i = 2, 3, … 2 4290 4430 4485 4285
formation de groupes de n = 2 observations consécutives 3 3980 3925 3645 3760
remarque : il faut que cette différence fasse du sens; . . . . .
par exemple, si les valeurs X sont reliées au temps 51 5150 5250 5000 5000
7. u : nombre de non conformités (aire d'opportunité variable) Histogram of Ranges Range: 666.08 (666.08); Sigma: 284.65 (284.65); n: 4.
2200
2000
REMARQUES 1800
1600
1520.0
Pour appliquer les cartes pour les attributs il faut que les 1400
1200
______________________________________________________________________________ 15 ______________________________________________________________________________ 16
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
EXEMPLE 3 : carte p avec n variable
EXEMPLE 2 : carte XmR inspection à 100% d'un lot choisi parmi la production quotidienne
X = viscosité polymère en cours de production échantillonnage durant une période de 99 jours
observations durant 25 heures consécutives X : nombre de pièces non conformes dans le lot
la taille (n) du lot est variable d'une journée à l'autre
observations ( )
observations
2838 2785 3058 3064 2996 2782 2878 2920 3050 2870
jour n X f = X/n
3174 3102 2762 2975 2719 2861 2797 3078 2974 2805
1 3350 31 0.0093
3163 3199 3054 3147 3156 2 3354 113 0.0337
3 1509 28 0.0186
4 2190 20 0.0091
X and Moving R Chart; variable: X_E15 ……………………………………………………………..
Histogram of Observations X: 2967.9 (2967.9); Sigma: 134.71 (134.71); n: 1. 121 3323 3 0.0009
3500
3400 3372.0 2 cartes sont possibles : carte p et une carte XmR avec f
3300
3200 P Chart; variable: X_E31
3100 Histogram of P P: .00696 (.00696); Sigma: .00162 (.00162); n: 2645.4
3000 2967.9 0.09
2900 0.08
2800
0.07
2700
2600 0.06
2563.8
2500 0.05
2400 0.04
0 1 2 3 4 5 6 7 5 10 15 20 25
0.03
Histogram of Moving Ranges Moving R: 152.00 (152.00); Sigma: 114.84 (114.84); n: 1.
0.02
550 .01129
0.01
500 496.51 .00696
.00263
450 0.00
400 -0.01
350 0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
300 10 30 50 70 90
250
200
X and Moving R Chart; variable: f_nonconf
150 152.00
Histogram of Observations X: .00641 (.00641); Sigma: .00492 (.00492); n: 1.
100
50 0.09
0.08
0 0.0000 0.07
0.06
-50 0.05
0.04
0 1 2 3 4 5 6 7 5 10 15 20 25 0.03
0.02 .02117
0.01 .00641
0.00
-0.01 -.00836
-0.02
0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
10 30 50 70 90
0.08
0.07
0.06
0.05
0.04
0.03
0.02 .01814
0.01 .00555
0.00 0.0000
-0.01
0 20 40 60 80 100 10 20 30 40 50 60 70 80 90
10 30 50 70 90
______________________________________________________________________________ 17 ______________________________________________________________________________ 18
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA
EXEMPLE 4 : carte c EXEMPLE 5 : carte U
X : nombre de non conformité sur un circuit imprimé X = nombre d'imperfections sur des pièces de tissus
l’aire inspectée des tissus est variable
observations
21 – 24 – 16 – 12 – 15 – 5 – 28 – 20 – 31 – 25 – 20 – 24 - 16 observations
19 - 10 – 17 – 13 – 22 -19 - 39 – 30 – 24 – 16 – 19 - 17 - 25
Tissu 1 2 3 4 5 6 7 8 9 10
Aire 10 12 20 11 7 10 21 16 19 26
#Imp. 14 18 30 13 5 10 39 24 34 49
C Chart; variable: x_defaut
Histogram of C C: 20.269 (20.269); Sigma: 4.5021 (4.5021)
45
30 3.0
25 2.5
2.2857
20 20.269
2.0
15
1.5 1.5526
10
6.7628 1.0
5 .81952
0.5
0
0 2 4 6 8 10 5 10 15 20 25
1 3 5 7 9 11
0.0
-0.5
0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
______________________________________________________________________________ 19 ______________________________________________________________________________ 20
Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
M.HASBI TSMPQA M.HASBI TSMPQA