Académique Documents
Professionnel Documents
Culture Documents
Projet d’intégrateur
Sujet :
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1 la maîtrise statistique de procédés . . . . . . . . . . . . . . . . . . . . . . . . 3
1 Définition de la maîtrise statistique de procédé . . . . . . . . . . . . . 3
2 les objectifs de la Maîtrise Statistique des procédés . . . . . . . . . . . 3
3 les avantages de la méthode maîtrise statistique des procédés . . . . . . 3
4 les inconvénients de la maîtrise statistique des procédés . . . . . . . . . 4
5 Études de Capabilité d’un processus . . . . . . . . . . . . . . . . . . . 4
5.1 définition de processus . . . . . . . . . . . . . . . . . . . . 4
5.2 définition de la Capabilité d’un processus . . . . . . . . . . . 4
6 Définitions des 5M du processus . . . . . . . . . . . . . . . . . . . . . 6
7 Les cartes de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7.1 Définition de cartes de contrôle . . . . . . . . . . . . . . . . 7
7.2 Mise en place d’une carte de contrôle . . . . . . . . . . . . 7
7.3 Avantages des cartes de contrôle . . . . . . . . . . . . . . . 7
7.4 Inconvénients des cartes de contrôle : . . . . . . . . . . . . . 7
7.5 Les différents types de cartes de contrôle . . . . . . . . . . . 8
2 Concepts de base de la maintenance industrielle . . . . . . . . . . . . . . . . . 11
1 Définition de la maintenance . . . . . . . . . . . . . . . . . . . . . . . 11
2 Objectif principal de la maintenance . . . . . . . . . . . . . . . . . . . 11
3 Types de maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 Optimisation de la maintenance . . . . . . . . . . . . . . . . . . . . . 12
3 Étude de cas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Calculer des paramètres . . . . . . . . . . . . . . . . . . . . . . . . . 15
4 Code Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Perspective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Table des figures
1
Introduction
La maîtrise statistique des procédés est une approche utilisée dans l’industrie pour surveiller
et contrôler la qualité de la production. C’est un système qui combine plusieurs éléments agis-
sant en même temps pour l’obtention d’une production de biens ou de services en particulier la
gestion des cinq facteurs principaux qui peuvent influencer la qualité des processus de fabrica-
tion : Matière, Main-d’œuvre, Méthode, Machine et Milieu définis par Ishikawa.
Dans le cadre de notre première année de Master Ingénierie Des Systèmes Complexes à
l’UFR MIM de Metz, il nous est proposé un projet intégrateur nous permettant de mettre en
pratique nos connaissances et nos compétences techniques et théorique ayant pour finalité la
maintenance et la qualité de production dans une industrie. Cette étude a pour objectifs d’iden-
tifier les problèmes et de minimiser le taux de pourcentage de non-conformité lié à la production
tout en optimisant le bénéfice de l’entreprise.
Pour notre travail, tout d’abord nous présenterons la maîtrise statistique des procédés.
En seconde lieu, on travaillera sur la maintenance
Ensuite, on se concentrera sur la qualité en effectuant les cartes de contrôle dans un cas d’ap-
plication.
Et enfin, nous allons proposé la meilleure solution adaptée à cette étude de projet .
2
1 la maîtrise statistique de procédés
1 Définition de la maîtrise statistique de procédé
La maîtrise statistique de procédés c’est une méthode qui permet de mesurer la capabilité,
la surveillance des processus de production dans le temps et de permettre à la production de
limiter la non-qualité et notamment les rebuts.
Définition de la maîtrise statistique de procédé selon NF X 06-030 la MSP est "un en-
semble d’action pour évaluer, régler et maintenir un processus en état de livrer tous ses produits
conformes aux spécifications retenues" [1].
3
— Amélioration de la satisfaction des clients : En améliorant la qualité des produits, la
MSP va aider à augmenter la satisfaction des clients, ce qui conduira à une fidélisation
et à une meilleure réputation de l’entreprise.
Le terme fait référence à l’état normal d’un processus sous contrôle statistique, c’est-à-dire
quand le travail n’est pas affecté par des facteurs externes. Dans la fabrication, cela fait référence
à sa capacité à produire des objets similaires. Il est important de maintenir le contrôle statistique
sur une temps suffisamment long dans des conditions données. La capacité du processus peut
s’exprimer en fonction du pourcentage de produits défectueux ou d’une distribution. La capa-
bilité d’un processus diffère de sa performance, car la performance généralise toutes sortes de
variables supplémentaires et de perturbations indésirables provenant du système de causes. Elle
représente la performance intrinsèque du processus une fois les influences externes éliminées.
USL − LSL
Cp =
6σ
4
— C p : Capabilité de dispersion du procédé
— USL : Limite Supérieure de Spécification
— LSL : Limite Inférieure de Spécification
— 6 fois l’écart type σ de l’échantillon.
Ou par :
min(USL − µ, µ − LSL)
C pk =
3σ
LSL µ −σ µ +σ USL
0.3
n(x)
0.2
σ σ
0.1
−4 −3 −2 −1 0 1 2 3 4
n
Capabilité Cp Classement
< 0.67 Très mauvaise
0.67 Très mauvaise
1 Mauvaise
1.33 Très moyenne à moyenne
1.67 Moyenne à bonne
2 Bonne à très bonne
>2 Excellente
5
6 Définitions des 5M du processus
Le modèle des 5M s’organise en cinq catégories distinctes : le milieu, la matière, la mé-
thode, la machine et la main d’oeuvre. Il est utilisé pour identifier et déterminer l’origine lors-
qu’il s’agit d’analyser un processus et il permet de classer et d’organiser des réflections.
1. Matière : Ce sont les matières premières, utilisés dans le processus de production. Leurs
qualité peut varier et avoir une influence significatif sur la qualité du produit final. La maîtrise de
ce matériaux consiste à sélectionner et utiliser des matières premières adapter aux spécifications.
4. Machine : Il s’agit des équipements mécaniques et des outils utilisés dans le processus de
production. Les machines doivent être calibrées, entretenues et réglées pour garantir des perfor-
mances optimales et une qualité constante. La surveillance, l’entretien préventif et l’utilisation
de dispositifs de contrôle appropriés sont des pratiques clés pour assurer la qualité de produc-
tion.
6
7 Les cartes de contrôle
7.1 Définition de cartes de contrôle
Une carte de contrôle est un outil utilisé pour déterminer quand une dérive dans le processus
de fabrication se produit en raison de causes attribuables. Ainsi, le processus sera arrêté au bon
moment, c’est-à-dire avant qu’il ne produise des pièces non conformes (hors de l’intervalle de
tolérance) [4].
• Détection précoce des variations : Les cartes de contrôle permettent une détection rapide
des variations et des écarts par rapport aux normes ou aux moyens attendus. Cela per-
met d’identifier les problèmes potentiels avant qu’ils ne se manifestent de manière plus
significative, ce qui permet de prendre des mesures correctives précoces.
• Visualisation des données : Les cartes de contrôle sont constituer des données sous
forme graphique, ce qui facilite la compréhension et l’interprétation des tendances et
des modèles. Cela permet une prise de décision éclairée et une analyse intuitive des
performances du processus.
• Amélioration continue : En surveillant systématiquement les performances des proces-
sus à l’aide de cartes de contrôle, il est possible d’identifier les opportunités d’améliora-
tion continue. Les variations indiquent les zones qui nécessitent des ajustements ou des
changements, facilitant l’optimisation et l’efficacité des processus.
— Limitations des données : Les cartes de contrôle sont basées sur des données statistiques
et peuvent ne pas prendre en compte tous les aspects qualitatifs du processus. Elles se
concentrent principalement sur les mesures quantitatives, ce qui peut limiter leur appli-
cabilité dans certains contextes.
— Sensibilité aux erreurs de mesure : Les cartes de contrôle sont influencées par la qualité
et l’exactitude des mesures prises. Des erreurs de mesure ou des biais peuvent fausser
les résultats et conduire à des interprétations erronées. Il est donc important de s’assurer
de la fiabilité des données collectées.
7
— Interprétation subjective : L’interprétation des cartes de contrôle peut varier d’une per-
sonne à l’autre, ce qui peut entraîner des décisions subjectives ou des divergences d’opi-
nions. Il est essentiel de former correctement les utilisateurs à l’interprétation des cartes
de contrôle pour garantir une utilisation cohérente et fiable.
Il existe deux (2) types de cartes de contrôle utilisées pour surveiller et contrôler les proces-
sus.
▶ Cartes de contrôle à valeurs individuelles
Les cartes de contrôle aux mesures sont des outils essentiels utilisés dans le domaine du
contrôle de la qualité dès lors que la caractéristique suivie d’un processus est mesurable, telle
que la longueur, la densité ou la dureté d’un produit. Lorsqu’il est nécessaire de surveiller une
caractéristique mesurable, deux paramètres clés sont généralement suivis : la valeur de tendance
centrale et la dispersion.
Les cartes de mesure les plus couramment utilisées sont [3] :
Carte (X, R) : La carte (X, R) est une carte de contrôle utilisée pour surveiller un processus en
termes de moyenne (X) et étendue (R). Elle est fréquemment utilisée dans le contrôle
statistique de la qualité pour garantir la stabilité et la maîtrise des processus.
8
Calcul des limites pour la carte de contrôle de la moyenne (X) :
LC = X
LSCX = X + A2 × R
Carte X : LICX = X − A2 × R
LSSX = X + 23 A2 × R
LISX = X − 23 A2 × R
9
Carte de contrôle aux attributs
Les cartes de contrôle aux attributs sont utilisées en gestion de la qualité pour surveiller et
contrôler les caractéristiques qualitatives d’un processus. Contrairement aux cartes de contrôle
pour les mesures continues, elles sont adaptées aux données discrètes et catégoriques. Elles vont
permettre de suivre des caractéristiques telles que le taux de non-conformité ou la présence/ab-
sence de défauts spécifiques. Ces cartes mesurent la fréquence d’occurrence des attributs dans
un échantillon ou un processus [3].
Carte p
Les cartes P sont employé pour surveiller et contrôler la proportion de défauts ou de non-
conformités dans un processus donné. Ceci est particulièrement vrai lorsque les données col-
lectées sont binaires, ce qui signifie qu’elles peuvent être classées comme conformes ou non
conformes avec p (proportion moyenne d’unités défectueuses ou non-conformités).
Carte np
Carte c
10
Carte u
11
3 Types de maintenance
Il existe différents types de maintenance industrielle, chacun ayant ses propres caractéris-
tiques et objectifs.
Maintenance
Maintenance Maintenance
systématique conditionnelle
4 Optimisation de la maintenance
L’optimisation de la maintenance se résume à trouver la balance optimale entre maintenance
préventive et corrective tout en respectant les objectifs fixés. Il faut donc déterminer les instants
de maintenance et les actions à réaliser de manière à optimiser un critère de décision fixé. Ce
critère de décision peut reposer aussi bien sur le coût, par exemple un coût moyen de mainte-
nance à long terme ou le coût d’opération par unité de temps, que sur la disponibilité du système
ou encore la sécurité [5].
12
140 Coûts du corrective
Coûts du préventive
Coûts total
120
100
Zone optimale
Coûts
80
m*
60
40
Trop de correctif Trop de correctif
20
0
1 2 3 4 5 6 7 8 9 10
Fréquence des interventions
La figure 3 est une illustration des effets de la fréquence des opérations de maintenance sur
les coûts liés soit à la maintenance corrective, soit à la maintenance préventive. L’augmentation
du nombre d’interventions sur le système favorise la réduction des effets indésirables causés
par une panne mais pénalise le fonctionnement du système et peut entraîner une augmentation
du coût global d’exploitation du système dans la mesure où chaque opération de maintenance
engendre un coût.
13
3 Étude de cas
Cette étude est cibler sur la mise en place de carte de contrôle d’un processus de production,
ensuite l’identification des alertes et non-conformités liées aux inspections et interventions. La
finalité de la démarche est d’optimiser les coût d’interventions/inspection et non-qualité d’en
le but d’obtenir une rentabilité optimale, donc il est primordial de collecter les donner et de
réaliser une carte de contrôle qui nous permettra de maîtriser le comportement du procédé.
1 Problématique
La mise en place de ces cartes de contrôle des moyennes et des étendues est de déterminer
si le processus est stable et sous contrôle, tout en identifiant les variations susceptibles d’avoir
un impact sur sa qualité. Les questions clés à résoudre sont les suivantes :
— Identifier les points qui se situent en dehors des limites de contrôles établies pour les
moyennes et les étendues du processus.
— Déterminer si six (6) points consécutifs ou plus se situent au-dessus ou en-dessous des
moyennes et des étendues, indiquant ainsi une tendance significative dans le processus.
— Déterminer si six (6) points consécutifs ou plus sont montants ou descendants par rapport
aux moyennes et étendues.
— Identifier les points qui se situent en dehors des limites de surveillance établies pour les
moyennes et les étendues du processus.
2 Hypothèses
Pour répondre à notre problématique posée, Nous entreprendrons la création d’un pro-
gramme informatique en utilisant Matlab pour générer des valeurs aléatoires conformes à une
distribution normale, avec une moyenne de 80 et un écart-type de 0.05, pour les mesures des
cartes de contrôle des moyennes et des étendues. À chaque intervalle de temps, nous prélevons
cinq valeurs consécutives pour former un échantillon, et ce processus est répété jusqu’à obtenir
un total de 100 échantillons.
Dans cette étude, nous focalisons notre attention sur un système de production qui génère
un seul type de produit. Nous identifions que les problèmes de non-conformité et de mauvaise
qualité des pièces produites sont exclusivement liée à l’état de la machine.
On suppose un coût de non-conformité des produits qui vaut 100 euros par pièces pour les
points hors limite de contrôle et un coût d’intervention de 50 euros. On réalisera un inspection
toutes les 20 unités de temps et on effectuera une intervention pour les conditions suivante et
dans le cas contraire on poursuit la production :
— six ou plus de points consécutifs ascendant ou descendant,
— six ou plus de points consécutifs au-dessus ou en dessous de la moyenne étendues et des
moyennes,
On considère ainsi que le système ne produit qu’un seul type de produit, la non-conformité et
la mauvaise qualité des pièces produites sont dues seulement à la dégradation de l’état de la
machine.
14
3 Calculer des paramètres
Ce code, permet de calculer les limites de cartes de contrôle suivant les formules de la
TABLE 1. Par la suite il va tracer la carte de contrôle des moyennes ainsi que celle des étendue.
En finalité il permet d’afficher tous les critères répondant à l’analyse de carte de contrôle
4 Code Matlab
1 % Donnees
2 D4 = 2.282;
3 d2 = 2.326;
4 D3 = 0;
5 A2 = 0.729;
6 n = 100;
7 % Couts
8 cout_non_qualite = 100;
9 cout_intervention = 50;
10 % Initialiser la premiere valeur de temps
11 T = 0:1*10: n ;
12 % Generer des valeurs aleatoires pour les mesures
13 Valeurs = randn (5 , n ) * 0.05 + 80;
14 % Calcul des moyennes
15 Moyenne = mean ( Valeurs ) ;
16 % Calcul de la moyenne des moyennes
17 Moyenne_glob = mean ( Moyenne ) ;
18 % Calcul des etendues
19 Etendues = max ( Valeurs ) - min ( Valeurs ) ;
20 % Calcul de la moyenne des etendues
21 Moyenne_Etendues = mean ( Etendues ) ;
22 % Calcul des limites de carte de controle des moyennes X
23 LSCX = Moyenne_glob + A2 * Moyenne_Etendues ;
24 LICX = Moyenne_glob - A2 * Moyenne_Etendues ;
25 LSSX = Moyenne_glob + 2/3 * ( A2 * Moyenne_Etendues ) ;
26 LISX = Moyenne_glob - 2/3 * ( A2 * Moyenne_Etendues ) ;
27 % Calcul des limites de carte de controle des etendues R
28 LSCR = D4 * Moyenne_Etendues ;
29 LICR = D3 * Moyenne_Etendues ;
30 LSSR = Moyenne_Etendues + 2/3*( D4 * Moyenne_Etendues -
Moyenne_Etendues ) ;
31 LISR = Moyenne_Etendues + 2/3*( D3 * Moyenne_Etendues -
Moyenne_Etendues ) ;
32 Cp = ( LSCX - LICX ) / (6 * Moyenne_Etendues ) ;
33 Cpk = min (( LSCX - Moyenne_glob ) / (3 * Moyenne_Etendues ) , (
Moyenne_glob - LICX ) / (3 * Moyenne_Etendues ) ) ;
15
34 % Tracer de la carte de controle
35 figure ;
36 subplot (2 ,1 ,1) ;
37 plot ( Moyenne , 'o - ' , ' linew ' , 2)
38 hold on
39 yline ( Moyenne_glob , ' black ' , ' linew ' , 2)
40 yline ( LSCX , 'r ' , ' linew ' , 2)
41 yline ( LICX , 'g ' , ' linew ' , 2)
42 yline ( LSSX , 'r - - ' , ' linew ' , 2)
43 yline ( LISX , 'g - - ' , ' linew ' , 2)
44 title ( ' Carte de controle des moyennes X ')
45 xlabel ( ' Temps ')
46 ylabel ( ' Moyenne ')
47 legend ( ' Moyenne ' , ' Moyenne globale ' , ' LSCX ' , ' LICX ' , ' LSSX ' ,
' LISX ')
48 grid minor
49 subplot (2 ,1 ,2) ;
50 plot ( Etendues , 'o - ' , ' linew ' , 2)
51 hold on
52 yline ( Moyenne_Etendues , ' black ' , ' linew ' , 2)
53 yline ( LSCR , 'r ' , ' linew ' , 2)
54 yline ( LICR , 'g ' , ' linew ' , 2)
55 yline ( LSSR , 'r - - ' , ' linew ' , 2)
56 yline ( LISR , 'g - - ' , ' linew ' , 2)
57 title ( ' Carte de controle des etendues R ')
58 xlabel ( ' Temps ')
59 ylabel ( ' Etendue ')
60 legend ( ' Etendue ' , ' Moyenne des etendues ' , ' LSCR ' , ' LICR ' , '
LSSR ' , ' LISR ')
61 grid minor
62
63 % = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
64 % Les points six consecutifs montant et descendant des
moyennes
65 compteur_montant = 0;
66 compteur_descendant = 0;
67 seuil = 6; % Nombre de points consecutifs requis
68 for i = 2: length ( Moyenne )
69 if Moyenne ( i ) > Moyenne (i -1)
70 compteur_montant = compteur_montant + 1;
71 compteur_descendant = 0; % Reinitialiser le compteur
descendant
72 elseif Moyenne ( i ) < Moyenne (i -1)
73 compteur_descendant = compteur_descendant + 1;
16
74 compteur_montant = 0; % Reinitialiser le compteur
montant
75 else
76 compteur_montant = 0; % Reinitialiser le compteur
montant
77 compteur_descendant = 0; % Reinitialiser le compteur
descendant
78 end
79 % Verifier si le seuil de points consecutifs a ete atteint
80 if compteur_montant >= seuil
81 disp ([ ' Points consecutifs ascendants du carte X ' ,
num2str (i -5) , ' jusqu ' ' l ' ' indice ' , num2str ( i )
])
82 elseif compteur_descendant >= seuil
83 disp ([ ' Points consecutifs descendants du carte X ' ,
num2str (i -5) , ' jusqu ' ' l ' ' indice ' , num2str ( i )
])
84 end
85 end
86 % Les points six consecutifs montant et descendant des
etendues
87 compteur_montant_etendues = 0;
88 co mpt eur_descendant_etendues = 0;
89 seuil = 6; % Nombre de points consecutifs requis
90 for i = 2: length ( Etendues )
91 if Etendues ( i ) > Etendues (i -1)
92 compteur_montant_etendues = compteur_montant_etendues
+ 1;
93 compteur_descendant_etendues = 0; % Reinitialiser le
compteur descendant
94 elseif Etendues ( i ) < Etendues (i -1)
95 compteur_descendant_etendues =
compteur_descendant_etendues + 1;
96 compteur_montant_etendues = 0; % Reinitialiser le
compteur montant
97 else
98 compteur_montant_etendues = 0; % Reinitialiser le
compteur montant
99 compteur_descendant_etendues = 0; % Reinitialiser le
compteur descendant
100 end
101
102 % Verifier si le seuil de points consecutifs a ete atteint
103 if compteur_montant_etendues >= seuil
17
104 disp ([ ' Points consecutifs ascendants du carte R : ' ,
num2str ( compteur_montant_etendues ) ])
105 elseif compteur_descendant_etendues >= seuil
106 disp ([ ' Points consecutifs descendants du carte R : ' ,
num2str ( compteur_descendant_etendues ) ])
107 end
108 end
109
110 % =========================================================
111 % les points hors des limites de surveillance .
112 % Les points hors des limites de surveillance pour la carte X
113 detecter = Moyenne <= LSCX & Moyenne >= LSSX | Moyenne >= LICX & Moyenne
<= LISX ;
114 % Affichage des points detectes en dehors des limites de
surveillance
115 % pour la carte X
116 indices_detecter = find ( detecter ) ;
117 if ~ isempty ( indices_detecter )
118 disp ([ ' Cause alerte detectee pour la carte X aux
echantillons : ' num2str ( indices_detecter ) ]) ;
119
120 else
121 disp ( ' Aucune cause alerte detectee pour la caret X . ') ;
122 end
123
124 % Les points hors des limites de surveillance pour la carte R
125 detecter = Etendues <= LSCR & Etendues >= LSSR | Etendues >= LICR &
Etendues <= LISR ;
126 % Affichage des points detectes en dehors des limites de
surveillance pour
127 % la carte R
128 indices_detecter = find ( detecter ) ;
129 if ~ isempty ( indices_detecter )
130 disp ([ ' Cause alerte detectee pour la carte R aux
echantillons : ' num2str ( indices_detecter ) ]) ;
131
132 else
133 disp ( ' Aucune cause alerte detectee pour la caret R . ') ;
134 end
135
136 % =========================================================
137 % les six points consecutifs pour la carte X
138 % Trouver tous les points superieurs a la valeur moyenne des
moyennes
18
139 indices_au_dessus_moyenne = find ( Moyenne > Moyenne_glob ) ;
140 % Trouver les indices des points inferieurs a la valeur
moyenne des
141 % moyennes
142 indices_au_dessous_Moyenne = find ( Moyenne < Moyenne_glob ) ;
143 % Trouver les indices des points consecutifs au - dele de la
valeur moyenne
144 % des moyennes
145 co nse cutive_points_au_dessus = [];
146 for i = 1: length ( indices_au_dessus_moyenne )
147 if i ==1|| indices_au_dessus_moyenne ( i ) ==
indices_au_dessus_moyenne (i -1) + 1
148 co nse cutive_points_au_dessus =[ consecutive_points_au_dessus
indices_au_dessus_moyenne ( i ) ];
149 else
150 % Afficher les points consecutifs au - dessus de la valeur
moyenne des moyennes
151 if length ( consecutive_points_au_dessus ) >= 6
152 disp ([ ' Points consecutifs au - dessus de la moyenne des
moyennes : ' num2str ( consecutive_points_au_dessus ) ]) ;
153 end
154 co nse cutive_points_au_dessus = indices_au_dessus_moyenne ( i ) ;
155 end
156 end
157 % Afficher les points consecutifs restants qui ont plus ou
egale de six
158 % points
159 if length ( consecutive_points_au_dessus ) >= 6
160 disp ([ ' Points consecutifs au - dessus de la moyenne des
moyennes : ' num2str ( consecutive_points_au_dessus ) ]) ;
161 end
162
163 % Trouver les indices des points consecutifs en - dessous de la
valeur
164 % moyenne des moyennes
165 co ns ec utive_points_au_dessous = [];
166 for i = 1: length ( indices_au_dessous_Moyenne )
167 if i == 1 || indices_au_dessous_Moyenne ( i ) ==
indices_au_dessous_Moyenne (i -1) + 1
168 consecutive_points_au_dessous = [
consecutive_points_au_dessous
indices_au_dessous_Moyenne ( i ) ];
169 else
19
170 % Afficher les points consecutifs en - dessous de la valeur
moyenne des moyennes
171 if length ( consecu tive_points_au_dessous ) >= 6
172 disp ([ ' Points consecutifs en - dessous de la
moyenne des moyennes : ' num2str (
consecutive_points_au_dessous ) ]) ;
173 end
174 consecutive_points_au_dessous =
indices_au_dessous_Moyenne ( i ) ;
175 end
176 end
177 % Afficher les points consecutifs restants qui ont plus ou
egale de six
178 % points
179 if length ( consecutive_points_au_dessous ) >= 6
180 disp ([ ' Points consecutifs en - dessous de la moyenne des
moyennes : ' num2str ( consecutive_points_au_dessous ) ]) ;
181 end
182
183 % = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
184 % Les six points consecutifs pour la carte R
185 % Trouver tous les points superieurs a la valeur moyenne des
etendues
186 i n d i c es _au_dessus_moyenne_Etendues = find ( Etendues >
Moyenne_Etendues ) ;
187 % Trouver les indices des points inferieurs la valeur
moyenne des
188 % etendues
189 i n d i c e s _au_dessous_moyenne_Etendues = find ( Etendues <
Moyenne_Etendues ) ;
190 % Trouver les indices des points consecutifs au - dela de la
valeur moyenne
191 % des etendues
192 consecutive_points = [];
193 for i = 1: length ( indices_au_dessus_moyenne_Etendues )
194 if i == 1 || indices_au_dessus_moyenne_Etendues ( i ) ==
i ndices_au_dessus_moyenne_Etendues (i -1) +1
195 consecutive_points = [ consecutive_points
indices_au_dessus_moyenne_Etendues ( i ) ];
196 else
197 % Afficher les points consecutifs qui ont plus de six points
198 if length ( consecutive_points ) >= 6
199 disp ([ ' Points consecutifs au - dessus la moyenne
des etendues : ' num2str ( consecutive_points ) ]) ;
20
200 end
201 consecutive_points =
indices_au_dessus_moyenne_Etendues ( i ) ;
202 end
203 end
204 % Afficher les points consecutifs restants qui ont plus de
six points
205 if length ( consecutive_points ) >= 6
206 disp ([ ' Points consecutifs au - dessus la moyenne des
etendues : ' ...
207 ' ' num2str ( consecutive_points ) ]) ;
208 end
209
210 P o i n t s _ i nfer ieurs _con secut ifs_E tend ues = [];
211 for i = 1: length ( indices_au_dessous_moyenne_Etendues )
212 if i == 1 || indices_au_dessous_moyenne_Etendues ( i ) ==
i ndices_au_dessous_moyenne_Etendues (i -1) +1
213 Poi nts_ infer ieurs _con secut ifs_ Etend ues = [
Poi nts_i nfer ieurs _con secut ifs_E tend ues
indices_au_dessous_moyenne_Etendues ( i ) ];
214 else
215 % Afficher les points consecutifs en - dessous de la valeur
moyenne des etendues
216 if length ( Poin ts_in feri eurs_ conse cuti fs_Et endue s ) >=
6
217 disp ([ ' Points consecutifs en - dessous la moyenne
des etendues : ' num2str (
Poi nts_ infer ieurs _con secut ifs_E tend ues ) ]) ;
218 end
219 Poi nts_ infer ieurs _con secut ifs_ Etend ues =
indices_au_dessous_moyenne_Etendues ( i ) ;
220 end
221 end
222 % Afficher les points consecutifs restants en - dessous de la
valeur moyenne
223 % des etendues
224 if length ( Poin ts_in feri eu rs_ conse cuti fs_Et endue s ) >= 6
225 disp ([ ' Points consecutifs en - dessous la moyenne des
etendues : ' ...
226 ' ' num2str ( Poi nts_ infer ieur s_con secut ifs_ Etend ues ) ]) ;
227 end
228
229 % = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
230 % Les points hors limites de controle
21
231 % Les points hors limites de controle pour la carte de
controle des moyennes X
232 non_qualites_X = Moyenne >= LSCX | Moyenne <= LICX ;
233 indices_non_qualites_X = find ( non_qualites_X ) ;
234 disp ([ ' Points non - qualite pour la carte de controle des
moyennes X : ' ...
235 ' ' num2str ( indices_non_qualites_X ) ]) ;
236 % Les points hors limites de controle pour la carte de
controle des etendues R
237 non_qualites_R = Etendues >= LSCR | Etendues <= LICR ;
238 indices_non_qualites_R = find ( non_qualites_R ) ;
239 disp ([ ' Points non - qualite pour la carte de controle des
etendues R : ' ...
240 ' ' num2str ( indices_non_qualites_R ) ]) ;
241
242 % = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
243 % Calcul des couts de non qualite
244 % Calcul des couts de non - qualite pour la carte de controle
des moyennes X
245 total_cout_non_qualite_X = sum ( non_qualites_X ) *
cout_non_qualite ;
246 disp ([ ' Cout total de non - qualite pour la carte de controle
des moyennes X : ' ...
247 ' ' num2str ( total_cout_non_qualite_X ) ]) ;
248 % Calcul des couts de non - qualite pour la carte de controle
des etendues R
249 total_cout_non_qualite_R = sum ( non_qualites_R ) *
cout_non_qualite ;
250 disp ([ ' Cout total de non - qualite pour la carte de controle
des etendues R : ' ...
251 ' ' num2str ( total_cout_non_qualite_R ) ]) ;
22
La courbe des cartes
Nous avons pu afficher ces résultats a partir du code Matlab respectant les conditions énu-
mérer dans la problématique.
23
Conclusion
Ce projet de maîtrise statistique des procédés axé sur la maintenance, la qualité et la pro-
duction a été réalisé dans le cadre de notre première année de Master Ingénierie des Systèmes
Complexes à l’UFR MIM de Metz. L’objectif principal était d’optimiser les coûts de mainte-
nance en relation avec les coûts de non-qualité en s’appuyant sur la méthode MSP.
Nous avons commencé par une introduction détaillée sur la maîtrise statistique des procé-
dés, en mettant l’accent sur les 5M (Matière, Main-d’œuvre, Méthode, Machine et Milieu) qui
influencent la qualité des processus de fabrication. Ensuite, nous nous sommes concentrés sur
la problématique de ce projet, qui était l’identification des non-conformité grâce aux alertes.
Notre approche a été basée sur l’utilisation de cartes de contrôle des moyennes et des éten-
dues pour surveiller la stabilité du processus de production et identifier les variations significa-
tives. Nous avons constaté que le système était devenu instable, de part une interprétation de la
capabilité C p =0,244.
Nous sommes convaincus que les résultats et les recommandations de ce projet contribueront
à l’amélioration des performances globales du système de production, en réduisant les pannes,
les coûts de maintenance et en améliorant la disponibilité et la qualité des produits. Ce projet
représente un jalon important dans notre formation d’ingénieurs en systèmes complexes, et
nous sommes fiers d’avoir eu l’opportunité de travailler sur des problématiques aussi concrètes
et pertinentes.
24
Conclusion
This statistical process control project focused on maintenance, quality and production was
carried out as part of our first year of Master in Complex Systems Engineering at the UFR MIM
in Metz. The main objective was to optimise maintenance costs in relation to non-quality costs
using the MSP method.
We began with a detailed introduction on statistical process control, with a focus on the 5M
(Material, Labour, Method, Machine and Medium) that influence the quality of manufacturing
processes. We then focused on the problem of this project, which was the identification of non-
compliance through alerts. Our approach has been based on the use of mean and range control
maps to monitor the stability of the production process and identify significant variations. We
found that the system had become unstable, due to an interpretation of capability Cp =0.244.
To solve this problem, we developed a computer program using Matlab. This program allo-
wed us to generate random values consistent with a normal distribution, representing the measu-
rements of the mean and extent control cards. By analysing these data, we were able to identify
points outside the control limits and detect significant trends in the production process.
In conclusion, this project allowed us to explore and apply mastery concepts process sta-
tistics in a maintenance and production quality context. Although we have not achieved our
final goal of optimizing the cost of integrated maintenance at the cost of quality, this project
represents an important step in our academic path and professional. He has provided us with
extensive knowledge in the field of systems complex and gave us the opportunity to develop
practical skills using tools such as control cards and computer programs.
We are confident that the results and recommendations of this project will contribute the
improvement of the overall performance of the production system, by reducing breakdowns,
maintenance costs and by improving the availability and quality of products. This project repre-
sents an important milestone in our training of engineers in complex systems, and we are proud
to have had the opportunity to work on such concrete issues and relevant.
25
Perspective
Nos perspectives sont d’apporter des améliorations de notre projet et de le rendre plus réa-
liste en intégrant :
— La prise en compte des dégradations.Pour cela il faudrait changer la fonction random
nommé f1,f2,f3,...,fn par rapport aux temps ; f1 corresponds aux 50 premiers échan-
tillons prélevés, puis il génère f2 de 50 à 100 points, ainsi de suite.
— Plus la fonction génère des valeurs en fonction du temps et plus il y aura des alertes de
non-conformité. A chaque intervention, la fonction se réinitialisera à f1.
1
f1 f2 f3
0
50 100 150 200
Temps
— Pour minimiser le coût de non-qualité, il faudra agir sur le temps d’inspection .En ef-
fet, une augmentation du temps d’inspection entraîne une multiplication des alertes(les
points hors limite croissant ou décroissant ). Cela se traduit par une augmentation du
nombre d’interventions.
26
140 Coûts non-qualité
Coûts de maintenance
Coûts total
120
100
Coûts
80
p*
60
40
20
0
1 2 3 4 5 6 7 8 9 10
Fréquence des interventions
La figure 5 est une illustration des effets de la fréquence des opérations d’inspection sur les
coûts liés soit à la non-conformités, soit aux interventions. L’augmentation du nombre d’inter-
ventions sur le système favorise la réduction des effets indésirables causés par une panne mais
pénalise le fonctionnement du système et peut entraîner une augmentation du coût global du
système dans la mesure où chaque opération engendre un coût.
27
Bibliographie
[2] KHOULOUD, B.. Préparation des cartes de contrôle pour deux chaînes de spectro-
métrie gamma spectrométrie gamma spectrométrie gamma spectrométrie gamma [en
ligne].Consulter le 02/01/2023 Disponible sur :
https ://docplayer.fr/9618361-Preparation-des-cartes-de-controle-pour-deux-chaines-de-
spectrometrie-gamma.html
[3] Maurice Pillet. Appliquer la maîtrise statistique des processus (MSP/SPC) Édition : 4/2005
[en ligne]. Disponible sur :
agiliste.fr/introduction-methodes-agiles
[4] Houda EL AOUFIR. Maîtrise statistique des procédés et les cartes de contrôle 2011[en
ligne] Format PDF. Disponible sur :
https ://docplayer.fr/9617957-Maitrise-statistique-des-procedes-et-les-cartes-de-
controle.html
28
Annexes
29