Ecole Supérieure de

Atlas peintures Qualité & de Métrologie

Formation sur :

LA MAÎTRISE STATISTIQUE DES PROCEDES

‘MSP’
1 & 2 Novembre 2008

M. Zaidi
Ingénieur Consultant Industriel
 Objectifs de la formation

A l’issue de cette formation les participants

pourront :

Faire le suivi et le pilotage des processus

industriels au laboratoire par cartes de contrôle,

Mesurer des capabilités (aptitude) des
systèmes de production .
 Sommaire

Partie I : Les notions fondamentales :

•Les causes communes et causes spéciales
•Surveiller un procédé par carte de contrôle
* Principe de la carte de contrôle
* Les limites naturelles d’un procédé
* Le pilotage par les limites naturelles
* Carte de contrôle moyenne et étendu
Partie II : Le concept de capabilité (aptitude) :
•Définition de la capabilité
•Pp et Ppk (Performances du processus)
•Cp et Cpk (Capabilité procédés)
•Exemple de calcul de capabilité
•Analyse Répétabilité et Reproductibilité
Partie III : Mise en place des cartes de contrôle spécifiques aux
cas pratiques de l’entreprise sur un progiciel spécifique
L’origine de la MSP Introduction

Maîtrise statistique des procédés (MSP)

Statistical Process Control (SPC)

 aux US dans les années 30

 Walter A. Shewhart, physicien de Bell Labs
 publication d’un ouvrage de référence : « economic
control of quality of manufactured products »
 idées ont été reprises par Deming qui a essayé,
mais sans succès de persuader les firmes
américaines de considérer le SPC comme une
méthodologie résidante dans tous les processus de
production…
 INTRODUCTION
LA MAÎTRISE STATISTIQUE DES PROCEDES
‘MSP’
STATISTICAL PROCESS CONTROL
‘SPC’
procédé : 34 synonymes.
: accompli, agi, agissements, attitude,
comportement, conduite, découlé, dérivé,
façon, manière, méthode, moyen, opéré,
pratiqué, procédure, processus,
réalisé, recette, résulté, style, système.;;;;;

avoir le contrôle
de (quelque chose)

Activité unitaire d’un processus = procédé

 Processus

Toute activité qui utilise des ressources pour

transformer des éléments entrants en éléments de
sortie.

L’élément de sortie d’un processus constitue souvent

l’élément d’entrée du processus suivant.
(Source: Norme ISO 9000 version 2 000, chapitre 2.4
Approche processus)
processus) .
 Processus

Le processus est un enchainement d’activités réalisé

à l’aide de moyens ( personnel équippement /matériel
information) et dont le résultat final attendu est un
produit
• des éléments entrants mesurables
• des éléments de sortie mesurables, conformes
à des critères d’acceptation

• un caractère reproductible
• une valeur ajoutée

A
Une entreprise ne peut pas vivre que si elle a des
clients…satisfaits. La satisfaction du client devient donc un
souci constant de toute entreprise.
Cette quête de satisfaction des clients pousse les entreprises à
rechercher l’excellence sur le triplet Q,C,D.
Or on sait que l’ennemi de l’excellence c’est la variabilité .
Variabilité sur toutes ces formes sur le process , sur le produit
sur les délais et ce ci tout le long du processus de production.
Maitriser la variabilité dans un processus c’est avoir des délais
plus fiables ,….
En fait il n y a pas de qualité sans la maitrise de la variabilité On
peut maitriser les processus avec des approches empiriques..
Mais il y a quand même une approche très efficaces et bien
approuvée incontournable pour maitriser la variabilité c’est donc
La MSP.
 MSP c’est quoi ?
Et Pourquoi contrôler ?...
 Introduction
Pourquoi contrôler ?

« Sans le contrôle la qualité sera erronée »

Dans la vie :

 Le conducteur contrôle régulièrement sa vitesse,

son niveau d’essence…
 La mère vérifie que le biberon de bébé n’est pas
trop chaud
 …

Dans l’entreprise :

Le contrôle se fait à tous les niveaux

 Introduction
Aljawda

La qualité est faite

Système
qualité
 MSP un outil, une méthode une culture ?
Démarche MSP
DMAICS

On note sur ce diagramme les deux étapes préalables très importantes qui sont :
• définir le choix des caractéristiques à suivre ;
• l'étude de la capabilité du moyen de mesure.
C’est un peu de tous à la fois suivant le degré d’implication de
l’entreprise dans la démarche; au début on cherche des outils
pour mieux piloter ses processus, ou pour disposer des
indicateurs de performance, vite on s’aperçoit que l’utilisation
des outils sans la méthode est voué à l’échec . Pour les
entreprises les plus impliquées dans la démarche , l’important
n’est plus l’outil mais la méthode de mise en œuvre ‘ les
chinois disent « pour pouvoir travailler sans méthode, travaille
avec méthode » c’est exactement ce que doit faire l’entreprise
qui veut tirer de très grand bénéfice de la démarche MSP , en
effet pour cueillir les meilleurs fruits de son investissement il
faut arriver à dépasser le stade de la méthode pour atteindre
le stade de la culture .
Mètre en place la MSP n’est pas mètre en place des cartes de
control , c’est un processus de maitrise de la variabilité qui
doit se faire selon une démarche rigoureuse
Objectifs de la MSP
 améliorer les réglages
 appréhender et diminuer les dérives ‘les dispersions ‘
(qualité du produit plus constante)
 augmenter la performance et la stabilité des procédés
 élever le niveau de qualité des produits
 faire baisser les coûts de non qualité (moins de rebuts,
moins de retouches, moins de temps morts, moins de
contrôles)
 mieux prévoir la production future en assurant une plus
grande sécurité et une meilleur fiabilité du fonctionnement
du procédé
 motiver les personnel en le responsabilisant
‘ M S P ’ Est basé sur le principe « mieux vaut Prévenir
que guérir »

3. Intervention 2. Renseignement 4. Intervention

sur le processus sur la performance sur la production
Prévenir la détérioration Détecter les défauts
et régler Paramètres Caractéristiques et trier
1. Processus
5M procédé produit

Main d ’œuvre Milieu

(pilotage) (environnement)

Matières
(entrées) Produit
Machine Méthode
(ressources matérielles, …) (façon de procéder)

C’est un système régulé

On doit donc maitriser notre processus en utilisant des outils
statistiques pour reproduire une bonne qualité du produit fini =
MSP
 Quelques Rappels
statistiques
Présentation des données

Exemple :
Un processus de fabrication de peinture automatisé réalise un
‘mélange + remplissage des récipients + pesage « 3000
récipients de 30 kg » par jour. Afin de contrôler le processus on
prélève, à intervalle régulier, un échantillon de 50 récipients.

 Population étudiée : des milliers de récipients

 Échantillon : 50 récipients prélevés dans la population.
 Individu = chaque récipient de la population.
 Rappels statistiques

Présentation des données de l’échantillon de 50 récipients

30.009 30.000 29.967 30.045 29.928
29.961 29.994 29.991 30.009 30.057
30.045 29.988 30.123 30.105 29.979
30.003 29.946 30.030 29.925 30.078
29.961 30.075 29.910 30.036 30.018
30.051 29.988 30.003 29.925 29.991
30.030 30.018 30.021 29.979 30.069
30.012 29.961 30.063 30.021 29.937
29.973 29.910 29.994 30.084 29.889
30.144 29.970 29.973 30.039 29.904
 Rappels statistiques

Moyenne

Série statistique donnée par (xi) i = 1, . . . N

n
X =
x1 + x2 + . . . = 1 xi = µ
n n i=1

Cas recipients X=? = 30,003

 Rappels statistiques

Variance
 Variance
n
V = σ 2 ( X i ) = 1− ∑ ( X i − X i )2
n 1 i =1

( x - x ) 2 + (x - x)2 + (x - x)2 + . . .
V= 1 2 3

n-1

⇒ pour des échantillons < 30 l’utilisation de (n-1) à la

place de n donne des résultats meilleurs.
⇒ pour des échantillons > 30 l’utilisation de n ou (n-1)
n’entraîne aucun changement
⇒ Pour n=30 entraîne une différence de 2%.
 Rappels statistiques
Écart type
 Écart type ou écart quadratique moyen ou déviation
standard = étendue d’une distribution ou rendement d’un
processus

σ = V

Pour l’exemple de 50 récipients

50
s 2 = 1 ∑ ( X − 30.003 )2 = 0.0033
49 i =1i

Ecart type=s = 0.057

S: étant l’écart type de l’échantillon
Définition
On appelle loi normale (ou gaussienne) centrée réduite la loi définie par la densité de
probabilité .
La représentation graphique de cette densité est une courbe en cloche (ou
courbe de Gauss).
 Rappels statistiques

l'intervalle de confiance

l'intervalle de confiance sur une valeur xi est donné

par :

xi±tσ

t est le coefficient de Fisher-Student

 Rappels statistiques

l'intervalle de confiance

σ grand
%
Fréquences

µ-tσ µ+tσ
µ
 Rappels statistiques

l'intervalle de confiance

Pour notre exemple de récipients :

Pour un intervalle de confiance de 99,73% qui correspond

à une dispersion de 6 σ, on a :

X + 3 s = 30,003 + 3 x 0.057 = 30.1743

X - 3 s = 30,003 - 3 x 0.057 = 29.8323

Il y a donc 99,73% des récipients qui pèsent entre

30.17 kg et 29.83 kg
Pourcentage Hors tolérance Rappels statistiques

Pour notre exemple de 50 récipients

Tolérance de fabrication : 30 ± 0,15
Moyenne de l’échantillon : 30,003
Ecart type de l’échantillon : 0,057
Intervalle de tolérance

29.85 30 30.15

% hors tolérance

29.83 30,003 30.17

 Rappels statistiques
Pourcentage hors tolérance
z1
Les valeurs de Q(Zi) sont tabulées. Q(z1) = F(z) dz
Tolérance maxi : -∞
Xi - X
Xi = 30,15 càd : z= = 2.58
s
On lit directement sur la table de Gauss : z = u = 2,58
p = 0.00494. Ce qui correspond à 0,5% de pièces hors
tolérance.
Tolérance mini :
Xi - X
Xi = 29,85 z= = - 2.68
s
Pour u = 2,68 : p = 0,00368 soit 0,37% de défectueux.
exercice ‘Pourcentage Hors tolérance’ Rappels statistiques
Echantillon de 60 pièces
Tolérance de fabrication : 10 ± 2
Moyenne de l’échantillon : 10,5
Ecart type de l’échantillon : 0,75
Objectif recherché : estimer le % de la production situant à l’exterieur
des limites spécifiées ? 8,25 et 12,25 intervalle de confiance
spec

8 10 12

% hors tolérance

8.25 10,5 12.25

 Rappels statistiques
Pourcentage hors tolérance
z1
Les valeurs de Q(Zi) sont tabulées. Q(z1) = F(z) dz
Tolérance maxi : -∞
Xi - X
Xi = 12 càd : z= =2
s
On lit directement sur la table de Gauss : z = u = 2
p = 0.0228. Ce qui correspond à 2,28% de pièces hors
tolérance.
Tolérance mini :
Xi - X
Xi = 8 z= = - 3.33
s
Pour u = 3,33 : p = 0,00048 soit 0,048% de défectueux.
% total situé hors tolérance est de 2,33
 A lire
Tous les processus, quels qu’ils soient, sont incapables de
produire toujours exactement le même produit. Cela tous les
opérateurs le savent bien et c’est d’ailleurs un des problèmes
principaux auxquels les régleurs sont confrontés tous les
jours.
Quelle que soit la machine étudiée, la caractéristique
observée, on note toujours une dispersion dans la répartition
de la caractéristique. Une cote sur un lot de pièces ne fera
jamais exactement 10 mm, mais sera répartie entre 9,97 et
10,03 mm Cette variabilité est incontournable et il faut être
capable de « vivre avec ».
Are we convinced?
 A lire
Ces variations proviennent de l'ensemble du processus de production.
L'analyse des processus de fabrication permet de dissocier 5 éléments
élémentaires qui contribuent à créer cette dispersion. On
désigne généralement par les 5 M ces 5 causes fondamentales
responsables de dispersion, et donc de non-qualité :– Les 5 M du
Processus
La méthode MSP a pour objectif la maîtrise des processus en partant
de l’analyse de ces 5 M.
Et la mesure !
Nous avons coutume de ne pas placer la « Mesure » parmi les M. En effet, la mesure ne
modifie pas la vraie dispersion vendue au client, mais l'image que l'on a de cette dispersion.
La dispersion vue dans un histogramme sera la « somme » de la vraie dispersion de la
production et de la dispersion due à l'instrument de mesure. Or ce qui
crée la non qualité, ce n'est pas la dispersion vue mais la dispersion vraie.

La mesure est un processus à lui tout seul avec ses propres 5M. Un préalable à la maîtrise
d'un processus de fabrication et la maîtrise du processus de mesure.

Analyse de la forme de la dispersion

L'analyse des productions sur une machine montre que, en l'absence
de déréglage, la répartition des produits suit une courbe en cloche
selon une loi : la loi normale. Appelé aussi de loi de Gauss, loi de Laplace Gauss,
 A lire
Cette répartition se rencontre très fréquemment dans la nature et pas seulement dans le cas des
machines de production. Ainsi, la hauteur des hommes en Europe suit une telle répartition. De
nombreuses personnes mesurent autour de 1,73 m (la moyenne) mais peu d'hommes mesurent aux
environs de 1,95 m ou de 1,50 m. Le théorème statistique à l'origine de cette convergence vers la loi
normale est appelé « théorème central limite ». On peut l'écrire sous la forme suivante :
Tout système, soumis à de nombreux facteurs, indépendants les uns des autres, et d'un ordre de
grandeur équivalent, génère une loi normale.
Dans le cas d'une machine de production, nous sommes bien dans le cadre de ce théorème. En effet, de
nombreux facteurs (les 5M) agissent sur la caractéristique. Ces facteurs sont en grande partie
indépendants et l'ordre de grandeur de ces effets est faible dans un processus maîtrisé.
Désormais, lorsque nous parlerons de la production d'une machine, nous la modéliserons par une courbe
en cloche, dont les deux caractéristiques importantes seront la position et l'échelle. La position moyenne
(notée X ) des pièces donne une bonne indication de la position de réglage de la machine. X représente la
moyenne de l'échantillon alors que µ représente la vraie moyenne de la production
Pour mesurer l’importance des variations autour de la moyenne (facteur d'échelle), il suffit de mesurer la
largeur de base de la courbe.
La largeur de base de la courbe est appelée : dispersion.
Nous verrons plus loin que l'on définit cette largeur de base de la courbe par un calcul statistique D = 6σ.
Dans ce cas également nous devrons différentier σ qui est le vrai écart type de la population et S qui est
l'estimateur de ce σ calculé à partir des données de l'échantillon.
Dans les cas traditionnels, si une distribution n’a pas la courbe en forme de
cloche, c’est qu’il se passe quelque chose, le théorème central limite n'est pas
vérifié. Il y a donc un (ou plusieurs) facteur qui agit avec un ordre de grandeur
plus important que les autres. Le processus n’est pas réglé sur la même position.
En effet, si l’on produit 50 pièces réglées sur la valeur -3, et 50 pièces réglées sur
+3, on obtient la courbe en bas Il est donc important lorsqu’on regarde une
distribution de bien vérifier que la courbe à la forme d’une cloche. Si ce n’est pas
le cas c’est probablement le signe qu'un ou plusieurs déréglages importants
se sont produits pendant la production.
 Causes communes – Causes spéciales
On sait que dans une production, deux pièces ne sont jamais parfaitement identiques. Les
dimensions précises d’une pièce usinée sur une machine outil dépendent de nombreux
facteurs. Il s’ensuit une dispersion sur la cote que l’on peut séparer en deux catégories :
• les dispersions dues aux causes communes,
• les dispersions dues aux causes spéciales.-
 Les causes communes
Ce sont les nombreuses sources de variation attribuables au hasard qui sont toujours
présentes à des degrés divers dans différents processus. Les statistiques étant l’étude des
phénomènes perturbés par le hasard, on sait modéliser le comportement des causes
aléatoires, et par conséquent, prévoir la performance d’un processus qui n’est soumis qu’à
des causes communes de dispersion. De toutes manières, ces causes étant toujours
présentes et de plus, en grand nombre, il faudra « vivre avec ». L'ensemble de ces causes
communes forme la variabilité intrinsèque du processus.
Si toutes les nombreuses causes qui agissent sont d'un ordre de grandeur
équivalent, alors la caractéristique doit suivre une répartition en forme de cloche. Le but de
la MSP sera de ne laisser subsister que les dispersions dues aux causes communes. On
parlera alors de processus « sous contrôle »
Exemples de causes communes :
• jeux dans la chaîne cinématique de la machine ;
• défaut de la broche de la machine
 Les causes spéciales ‘accidentelles’
Ce sont les causes de dispersion identifiables, souvent
irrégulières et instables, et par conséquent difficiles à
prévoir. L’apparition d’une cause spéciale nécessite une
intervention sur le processus.
Contrairement aux causes communes, les causes spéciales
sont en général peu nombreuses.
Exemple de causes spéciales :
• déréglage d'un outil ;
• usure d'un outil ;
• mauvaise lubrification ;
 Les causes spéciales ‘accidentelles’
En fait, lorsqu'on analyse les causes spéciales qui interviennent sur le
processus, on s'aperçoit qu'on peut classer les causes spéciales en 2
catégories (voir figure) :
• celles qui agissent sur la position de la valeur surveillée (déréglage d'un outil par
exemple) ;
• celles qui agissent sur la dispersion et donc sur la capabilité du processus
(défaut de lubrification par exemple).
Les cartes de contrôle ont pour objectifs de prévenir l'apparition des causes
spéciales et de dissocier celles qui ne nécessiteront qu'un réglage de celles qui
risquent de modifier la capabilité habituellement rencontrée.

Dispersion
Position
 En résumé Les deux types des causes dans la MSP
Les causes communes
Ce sont des causes de dispersions aléatoires et
permanentes :
 Jeux dans la chaîne cinématique de la machine,
 défaut de fonctionnement,…
Réductibles en agissant sur la conception du processus
Les causes spéciales
Ce sont des causes de dispersions identifiables :
 déréglage d’un outil,
 usure d’un outil,
 panne machine,…
2 types :
- Celles qui agissent sur le réglage,
- celles qui agissent sur la dispersion et donc sur la capabilité,
 Processus « sous contrôle » et « hors contrôle »

Un processus « sous contrôle » est un processus dans lequel seules

subsistent les causes communes. La répartition de la production suit
alors une courbe en cloche et elle est centrée sur la cible.

Un processus « hors contrôle » est soumis à la présence de causes spéciales.

Le résultat de la production ne suit donc pas nécessairement une courbe en
cloche et la production peut être décentrée par rapport à la cible.
La maîtrise de la variabilité = c'est l'objectif de la MSP.
 Surveiller un processus par cartes de contrôle
Principe de la carte de contrôle
Les limites naturelles d'un processus
On a vu au préalable , que les processus de production et même tous les systèmes étaient
soumis à des variations naturelles aléatoires. Ces variations ont pour origine de très
nombreuses causes que nous avons appelées les causes communes.
Ces causes communes agissent de manière aléatoire sur le processus de fabrication. Ainsi,
les caractéristiques fabriquées ne sont pas toujours identiques et suivent une loi de Gauss
(théorème loi de Gauss (théorème central limite).

Si la moyenne de la production est centrée sur la cible, il est donc

naturel de trouver des valeurs comprises entre ± 3 écarts types (σ) de
cette cible. Les valeurs « cible + 3.σ » et « cible - 3.σ » représentent les
limites naturelles du processus. Tant qu'une valeur est dans ces
limites, il n'y a pas de raison d'agir sur le processus, on risquerait de
décentrer un processus bien centré. Si une valeur sort de ces limites,
on a une forte probabilité que le processus ne soit plus centré sur la
cible, il faut alors le recentrer.
 Le pilotage par les limites naturelles
Souvent, les opérateurs pilotent les processus à partir des limites de
Tolérance «ex: 30+-0.15 » plutôt que d'utiliser les limites naturelles. Cela
peut conduire à deux types d'erreurs voir cas 1 et 2.
– Pilotage à partir des tolérances
Dans le cas 1, processus capable « que nous verrons plustard »,
l'opérateur prélève une pièce qui se situe à l'intérieur des tolérances.
Traditionnellement, cette pièce étant « bonne », il continue sa production.
Pourtant, la pièce est en dehors des limites naturelles. Le processus n'est
pas centré sur la cible, il faut régler.

Dans le cas 2, processus non capable, l'opérateur prélève une pièce qui se situe à
l'extérieur des tolérances. Traditionnellement, cette pièce étant « mauvaise », il
règle le processus. Pourtant, la pièce est dans les limites naturelles. Il est
possible que le processus soit parfaitement centré. Dans ce cas on ne doit pas
toucher au processus.
Comme le montrent les deux exemples précédents, il faut dissocier l'action sur le processus
(réglage) et l'action sur le produit (acceptation, tri, contrôle…).
• Les tolérances servent à déterminer si les pièces qu'on vient de faire sont bonnes ou
mauvaises. Elles servent à agir sur les pièces pour décider de l'acceptation ou du refus des
pièces que l'on a fabriquées. On regarde en arrière.
• Les limites naturelles servent à déterminer si le processus de fabrication est toujours
centré sur la cible. Elles servent à agir sur le processus pour que les prochaines pièces à
réaliser restent bonnes. On regarde en avant.
La figure montre clairement l'avantage à utiliser les limites naturelles pour piloter un
processus plutôt que les limites de tolérance. Et ceci même dans le cas de petites séries
avec un contrôle à 100 %.
Pourquoi prélever des échantillons ? « pour
information : Rappel »
Le travail d’un régleur consiste principalement à bien régler sa machine, puis à veiller à ce
que celle-ci ne se dérègle pas. Pour surveiller la position, les régleurs ont l’habitude de
prélever une pièce de temps en temps et de régler la machine en fonction de la mesure
qu’ils ont faite.
Lorsque les capabilités ne sont pas excellentes, cette méthode conduit généralement à des
erreurs de jugement, car on confond la dispersion de la machine avec son décentrage.
L'origine de ces erreurs de jugement provient de la dispersion. En fait une mesure effectuée
représente la somme de deux effets (figure ) :
• un effet d'écart de réglage de la machine (systématique) ;
• un effet de la dispersion (aléatoire).
 Cartes de contrôle

Définition

Une technique qui place les résultats sur un graphique

pour vérifier la stabilité d’un processus . Ces méthodes
utilisent la capacité du processus pour déterminer les
limites du contrôle
Ex carte de contrôle / Principe de remplissage
 Cartes de contrôle

Comment préparer les cartes X et R

1. Enregistrer les données

2. Calculer la somme de chaque échantillon
3. Calculer la moyenne et l’étendu de chaque échantillon
‘ en général 5’
4. Placer les valeurs X et R sous les colonnes respectives
de chaque échantillon
 Cartes de contrôle

Données : ‘caractéristiques critiques de la qualité’

• Les données peuvent avoir des caractéristiques

mesurables comme la longueur , le poids l’épaisseur ,la
largeur ; la température …
Les données attributs (non mesurables) ex;

.proportion d’un lot rencontrant ou non la spécification

• nbr de défaut dans une unité d’inspection

Atlas peinture ?????

 Cartes de contrôle

Objectifs de cartes de contrôle

• Visualiser la globalité du processus de production

• Détecter précocement des changements, des dérives
• Différencier les vrais changements, des « vibrations »
du processus
• Anticiper l’apparition de produits défectueux
• Faire participer les opérateurs aux décisions
 Cartes de contrôle
Principe

1. Réduire la dispersion

2. Ajuster le centrage

Carte des étendues= range

Carte des moyennes

Calcul des cartes Carte de contrôle

Limites de contrôle des moyennes

 dans le cas sigma connu, les limites de contrôle de la
moyenne sont :
3σ 3σ
LICx = x − LSCx = x +
n n

 dans le cas sigma inconnu, les limites de contrôle de la

moyenne sont:
R
LICx = x − A2 R LSCx = x + A2 R car : σestimé =
d2
A2 A3 d2 voir les tables
Ou :
s
LICx = x − A3 s LSCx = x + A3 s car : σestimé =
c2
Calcul des cartes Carte de contrôle
Limite de contrôle des moyennes

Grandeur de la
variable surveillée
Valeur moyenne d’un échantillon
ou valeurs individuelles

Limite supérieure de contrôle

6 écart-types

Valeur cible

Limite inférieure de contrôle

Suivi chronologique de la production

Calcul des cartes Carte de contrôle

Limites de contrôle des étendues

 Il est également important de savoir

– si l’amplitude des valeurs est stable dans le
temps.
 La carte de moyenne est seulement valide
– lorsque l’amplitude est sous contrôle.
 Pour cette raison, la carte d’amplitude est
habituellement tracée avant la carte de moyenne

LICR = D3 R LSCR = D 4 R
Ou

LICR = D5 σ LSCR =D6 σ

Calcul des cartes Carte de contrôle

Les coefficients des cartes de contrôle

n A2 A3 D3 D4 D5 D6 d2
2 1.880 2.659 .000 3.268 - 3.686 1,129
3 1.023 1.954 .000 2.574 - 4.358 1,693
4 .729 1.628 .000 2.282 - 4.698 2,059
5 .577 1.427 .000 2.114 0 4.918 2,326
6 .483 1.267 .000 2.004 - 5.078 2,534
7 .419 1.182 .076 1.924 0.205 5.203
8 .373 1.099 .136 1.864 0.387 5.307
9 .337 1.032 .184 1.816 0.546 5.394
10 .308 0.975 .223 1.777 0.687 5.469
11 .285 0.927 .256 1.744 0.812 5.534
12 .266 0.886 .284 1.717 0.924 5.592
13 .249 0.850 .308 1.692 1.026 5.646
14 .235 0.817 .329 1.671 1.121 5.693
15 .223 0.789 .348 1.652 1.207 5.937
Taille d’un échantillon Carte de contrôle

Quel est le nombre de pièces à prélever (taille de

l’échantillon) et à quelle fréquence doit-on le faire ?
En théorie c’est la cadence de la machine et la qualité de
fonctionnement du procédé qui nous donnent la réponse.
Cette qualité est appréciée par la moyenne de nombre de
réglages observée sur une production passée pendant un
temps déterminé.
 1ère méthode
Règle :
On prend de 5 à 10% du nombre de pièces fabriquées
par heure, sauf pour des cadences très élevées on
prend généralement des échantillons de taille 4,5 ou 6
Taille d’un échantillon Carte de contrôle

2ème méthode

• c la cadence horaire de la machine

• n le nombre de pièces à prélever

• N le nombre de pièces fabriquées entre 2 réglages

• La fréquence de prélèvement est n pièces

toutes les n×N pièces

et toutes les n×N ×60 min

c
Application Cartes de contrôle
Ex 1: Groupe de 2
carte-XREX1 file

Tracer sur la carte suivante les moyennes et l’étendu ‘range’:

 Qu’indique cette charte?
 Est-ce que le processus est stable ?
 Est-ce que le processus est sous contrôle statistique ’en
calculant les limites»?

Date

X1 12 15 17 17 17

X2 13 15 16 18 17

X3 14 16 15 16 18

X4 14 16 16 17 19

X5 15 16 15 16 20

X6
Date

X1 12 15 17 17 17
X2 13 15 16 18 17
X3 14 16 15 16 18
X4 14 16 16 17 19
X5 15 16 15 16 20
moyenne 13,6 15,6 15,8 16,8 18,2

Etendue 3 1 2 2 3
 Date

X1 12 15 17 17 17
X2 13 15 16 18 17
X3 14 16 15 16 18
X4 14 16 16 17 19
X5 15 16 15 16 20
moyenne 13,6 15,6 15,8 16,8 18,2 X=80/5=16
Etendue 3 1 2 2 3 R=11/5=2,2
A2R=0,577*2,2=1,27 LCSx=16+1,27 =17,27 LCIx = 16-1,27=14,73
D4=2,114 et D3=0 LCSR=D4*2,2=4,65 LCIR=0 car D3=0 éch <à 7
Le journal de bord ‘ qui parle ‘

Une carte de contrôle sans journal de bord ne sert à rien

Le journal de bord est la mémoire du procédé

Objectif :

Est de recenser toutes les événements ayant eu lieu pendant

la production
Ces interventions comportent :
- Les heures de mise en route et de panne,
- Les réglages,
- Les interventions sur les outils,
- Les pannes,
- Les incidents,
- L’introduction d’une autre matière,…
 La zone d’acceptation est
la région se trouvant entre
Réglage de vitesse de
la m/c les deux limites
2 Hors contrôle
Application Cartes de contrôle
Ex 2: SEE CARTE-XREX2 file Groupe de 2 ‘ utiliser la carte avec
formules
 Calculer les moyennes , l’étendue ,les limites de contrôle
de la carte. Tracez ces limites , et les cibles .
 Placez les points X barre et R sur leur portion respective
de la charte
 Encercler les points hors limites de contrôle.
Date

X1 19 19 18 20 19 22 18 22 17 21 23 20 24 18 18 15 21 21 23 24 20 23 19 16 21

X2 18 19 20 19 22 15 19 19 24 21 16 20 25 20 20 23 22 18 18 22 23 18 19 23 22

X3 19 19 17 20 23 18 23 20 20 17 21 13 22 16 21 18 20 22 20 17 19 17 23 18 16

X4 18 19 25 18 22 21 20 22 15 23 18 22 18 21 21 21 20 24 17 20 18 17 22 15 20

X5 19 19 20 18 21 22 18 20 22 20 21 23 20 19 20 19 18 23 20 18 21 22 21 19 20

X6
Application Cartes de contrôle
Ex 2: SEE CARTE-XREX2 file

 X=19,88
 R= 5,48 A2R=3,16
LCS X=23,04 LCIX= 16,72
LCSR= 11,58
 À lire Définition de la capabilité
La capabilité se mesure par le rapport entre la performance demandée et
la performance réelle d’un processus.

Elle permet de mesurer l'aptitude d’un processus à réaliser une

caractéristique dans l’intervalle de tolérance fixé par le cahier des
charges. Le fait d'utiliser un chiffre pour caractériser la capabilité est
fondamental. Un chiffre est objectif, il n'est pas sujet à interprétation.

Nous dissocierons deux types d'indicateurs de capabilité :

• Les indicateurs long terme qui traduisent la réalité des
produits livrés. On parlera alors de performance du
processus.
• Les indicateurs court terme qui traduisent la dispersion sur
un temps très court. On parlera alors de capabilité du
processus.
performance demandée ( tolérance)
Capabilité =
performance réelle (dispersion)
 À lire
Pp et Ppk (Performance du processus – long terme)
Performance intrinsèque du processus Pp appelé aussi Cp et Cpk
Pour préciser toutes ces notions un peu floues, la MSP
fournit un indicateur précis dans ce domaine, c’est
l’indicateur Pp (Performance du processus).
Cet indicateur est calculé de la façon suivante :
Une capabilité s’exprime par un chiffre

Dans une première approche, un processus sera dit

capable si l’intervalle de tolérance est plus grand que la
dispersion aléatoire du processus avec une petite marge,
c’est-à-dire lorsque le Pp est supérieur à 1,33 (8σ/6σ).
 À lire Pp et Ppk (Performance du processus)

La figure montre deux situations typiques. La première correspond à un processus non

capable car la dispersion est plus importante que l'intervalle de tolérance. Dans la seconde,
la dispersion est faible au regard de l'intervalle de tolérance, le processus est donc capable.
Précisons que la dispersion aléatoire est prise comme étant égale à six fois l’écart type de la
dispersion du processus, c’est-à-dire l’intervalle contenant 99,7 % des pièces fabriquées
(dans l'hypothèse d'une distribution de Gauss). Pour calculer cette dispersion, il faut donc
un nombre suffisamment élevé de mesures (une centaine) et vérifier que la distribution de
ces mesures a bien une forme de cloche.
La dispersion utilisée pour le calcul de la performance Pp est la dispersion long terme du
processus. En effet, la mesure de la performance processus doit traduire la capacité à
produire sur le long terme. Il faut donc tenir compte de l'ensemble des influences qui
peuvent perturber le processus pendant le temps de production. Cette dispersion est
constituée des dispersions à court terme et des dispersions consécutives aux variations de
consignes (déréglages) incontournables sur le long terme.
Le calcul du Pp sera donc réalisé à partir d'un échantillon représentatif de l'ensemble d'une
production. En général, la période retenue pour le calcul d'un Pp est au moins d'une
semaine. Ainsi, le Pp calculé donnera une bonne indication de la qualité de la production
livrée au client.
 À lire Indicateur de déréglage Ppk ‘centrage’
Nous avons vue la conditions nécessaires pour qu'un processus soit capable est que
l'indicateur Pp soit supérieur à 1,33.
Cette condition est-elle suffisante ?

Dans la fig , les deux situations ont un Pp supérieur

à 1,33, et pourtant, lorsque la production est décentrée,
il existe des pièces hors tolérance. L'indicateur Pp est donc insuffisant et il faut mettre en
place un autre indicateur Ppk, qui tiendra compte du déréglage du processus.
Ainsi, le Pp donnera la performance intrinsèque du processus et le Ppk la performance
réelle. Cet indicateur devra être aussi simple d'interprétation que le Pp, c'est à-dire que le
processus sera capable si Ppk est supérieur à 1 (dans un premier temps). Bien sûr, comme
pour le Pp, un Ppk de 1 sera trop risqué, nous retiendrons comme limite 1,33.
Dans le cas de la figure suivante, le processus est déréglé du côté supérieur à la moyenne.
Dans ce cas, on note que la production est capable tant que la distance D1= kσ (Tolérance
Supérieure – Moyenne) est plus grande que la distance D2 (moitié de la dispersion
aléatoire).
Cp et Cpk (Capabilité processus
– Court terme)

Dispersion court terme et dispersion long terme

Lorsqu'on observe un processus de production (figure), on

constate que celui-ci n'est pas toujours centré sur la même valeur,
mais qu'il subit des variations de consignes. En fait, au cours d'une
semaine de production, on dissocie deux types de dispersion : la
dispersion court terme et la dispersion long terme.
• La dispersion long terme inclue les fluctuations de consigne.
Elle traduit la qualité des pièces livrées aux clients.
• La dispersion court terme dépend principalement du moyen
retenu et des conditions de gamme retenue, mais également des
autres M qui sont le Milieu, la Main d'oeuvre, la Matière. Cette
dispersion serait égale à la dispersion long terme si le processus
était parfaitement stable.
Cette dissociation nous conduit à définir deux nouveaux indicateurs : Cp et Cpk.
 La capabilité

Définitions

 Capabilité machine Cm
– Représente la mesure de la performance de la machine
seule, indépendamment des autres facteurs (fonction de
la dispersion instantanée)

 Capabilité du procédé Cp
– Reflète le fonctionnement de l’ensemble des facteurs de
production (fonction de la dispersion globale)
 La capabilité

Dispersion globale
Dispersion instantanée
Définitions

valeur

• • • ••
• • • • •
• • • • • •• • •
• • • • • •
• • • • •• •
• • •• • •
• •
• •
• •

temps
 La capabilité
Capabilité machine
Avant d’agir sur le procédé et le mettre sous contrôle, il
faut en effet s’assurer que la machine en tant que telle
est apte à fabriquer des produits conformes aux
spécifications

Il s’agit de situer la distribution par rapport aux

spécifications et de calculer le rapport entre l’intervalle
de tolérance et six écarts-types de la distribution :

 Ts : tolérance supérieure
 Ti : tolérance inférieure Cm= Ts −Ti
 σi : écart-type instantané= estimé
6σ i
 Cm : capabilité machine
 Ts – Ti = IT = intervalle de tolérance
Les situations de capabilité
Ti Ts
Aucun réglage possible
1er Cas

Ti Ts Aucun réglage possible

et il y a des rebuts
2ème Cas

Ti Ts Les réglages sont

possibles ainsi qu’une
3ème Cas dérive

Ti Ts Les réglages sont

possibles ainsi qu’une
4ème Cas dérive et des rebuts
 La capabilité
Capabilité machine

– On dira que la machine est apte si

Cm = Ts −Ti ≥ 1 , 33
6 σi
– Et

min[ Ts-m ; m-Ti ]

Cmk = 3 σi ≥ 1 , 33
 La capabilité
Capabilité machine

La capabilité machine doit se calculer à partir de

données relevées dans un laps de temps très
court incluant seulement la dispersion de la
machine, en dehors de toute modification des
autres facteurs de production (matière, mains
d’œuvre…)
Méthodes :
1. Si la production est 1 pièce/5mn un essai toutes les 4
heures
2. La moyenne des prélèvements réguliers ou consécutifs
mais sans réglages
 La capabilité
Capabilité procédé ‘ long terme’

On dira que le procédé est capable si :

Cp = Ts −Ti ≥ 1 , 33
6σ

Et
min[ Ts-m ; m-Ti ]
Cpk = 3σ ≥ 1 , 33
Capabilité procédé La capabilité

8,0% Tolérance
Tolérance
inférieure supérieure
7,0%
Ts-Ti
Cp =
6,0% 6xσ
Moyenne = 5,05
5,0%

Cpk = min[ Ts-m ; m-Ti ]

4,0% 3xσ Écart-type= 0,05

3,0% Cp = 1,33
Valeur
nominale Cpk = 1,00
2,0%
4,80 5,20
1,0%

0,0%
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5
Capabilité procédé La capabilité
10,0%

9,0%
Tolérances = [4,80 - 5,20]
8,0%

7,0% Ti Ts
6,0%

5,0%

Moyenne = 5,15 Écart-type = 0,10

4,0%

3,0%

2,0% Cp = 0,67 Cpk = 0,17

1,0%

0,0%
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5 Le processus n’est pas apte
10,0%

9,0%

8,0%

7,0%

Moyenne = 5,15 Écart-type = 0,05

6,0%

5,0%

4,0% Cp = 1,33 Cpk = 0,33

3,0%

2,0%

1,0%
Le processus est potentiellement apte,
0,0%
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5
mais la production est mal centrée
10,0%

9,0%

8,0%

7,0%

6,0%

5,0%

4,0% Moyenne = 5,02 Écart-type = 0,05

3,0%

2,0%
Cp = 1,33 Cpk = 1,20
1,0%

0,0%
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5
Le processus est apte
Capabilité procédé La capabilité: Réponses
10,0%

9,0% Tolérances = [4,80 - 5,20]

8,0%

7,0% Ti Ts Moyenne = 5,15 Écart-type = 0,10

6,0%

5,0%
Cp=(5,20-4,8)/6*0,1= 0,67
4,0%

3,0% Cpk=min (4,8-5,15)/3*0,1 =

2,0%
ou (5,15-5,20)/3*0,1= 0,166
1,0%

0,0%
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5 donc Cp = 0,67 Cpk = 0,17 donc le processus
10,0%

9,0%
n’est pas apte
8,0% Moyenne = 5,15 Écart-type = 0,05
cp=(5,2-4,8)/6*0,05 donc Cp = 1,33
7,0%

6,0%

5,0% Cpk = min(5,15-4,8, ou 5,2-5,15)/3*0,05=0,33

4,0%

3,0%

2,0%
Le processus est potentiellement apte,
1,0%

0,0%
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5
mais la production est mal centrée
10,0%

9,0%

8,0%

7,0%
Moyenne = 5,02 Écart-type = 0,05
6,0% Donc Cp = (5,2-4,8)/6*0,05=1,33
5,0%

4,0%
Cpk = min(4,8-5,02; 5,2-5,02)/3*0,05=1,20 et
3,0% 1,33
2,0%

1,0%

0,0%
Le processus est apte
4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3 5,4 5,5
Exercice ‘ travail individuel’: de capabilité
A l'issue d'une production, on prélève aléatoirement 69 pièces
dans le lot fabriqué. On veut calculer la performance ‘capabilité’de
processus. Soit l’histogramme suivant pour une cote de 50 ± 0,05.

X=50,009
 Remarque ‘ dans certaines tables à formules on
utilise aussi Pp ipo Cp et PpK ipo Cpk
‘performance LT’.
Perf CT pour la machine on utilise Cm et Cmk ou
Cp et cpk

Calcul des indicateurs de capabilité processus Cp et le

centrage Cpk

Cp=0,1/6*0,009 = 1,84

Cpk= min(50,05-50,009 ou 49,95 -50,009)/3*0,009 on

prend le min =1,52

Le processus est jugé capable selon les critères CpK

Application
Ex 4: SEE CARTE-XREX4 file groupes de 2 feuille de données à distribuer

1. Calculer la X , R
2. Calculer les limites de contrôle , puis tracer ces limites
3. Estimer l’écart type en utilisant la formule R barre /d2
4. Calculer la capacité du processus Pc= 6 sigma estimé puis
son indice Cp=(LSS-LSI)/6sigma estimé

Date
X1 0,10 0,09 0,10 0,14 0,10 0,12 0,09 0,13 0,14 0,12
X2 0,09 0,09 0,13 0,11 0,13 0,14 0,13 0,11 0,09 0,13
X3 0,14 0,09 0,11 0,10 0,11 0,06 0,08 0,08 0,14 0,12
X4 0,09 0,10 0,14 0,09 0,11 0,12 0,11 0,07 0,08 0,15
X5 0,11 0,07 0,10 0,13 0,11 0,10 0,16 0,08 0,10 0,11
Maxi toléré 0,150
Mini toléré 0,05
Tolérance 0,1
Cible 0,1
Taille échantillon 5 Limite de specification LS=5,10+-0,05
Etendue Moyenne 0,0520 LSS=5,15 LSI=5,05 Tol= 5,15-5,05=0,1

Capabilité Machine Cm = 0,7424

Moyenne des moy 0,1088 Capabilité Procédé Cp = 0,7302
Nb de ddl 40
Etendue Moyenne 0,0520
Ecart-type global 0,0228
Ecat-type cible 0,0224
Reprendre l’exercice de 50 récipients de peinture à traiter sur
logiciel excel
Tol 30+-0,15
Date
30,009 30,051 30 29,988 29,967 30,003 30,045 29,925 29,928 29,991
X1
29,961 30,03 29,994 30,018 29,991 30,021 30,009 29,979 30,057 30,069
X2
30,045 30,012 29,988 29,961 30,123 30,063 30,105 30,021 29,979 29,937
X3
30,003 29,973 29,946 29,91 30,03 29,994 29,925 30,084 30,078 29,889
X4
29,961 30,144 30,075 29,97 29,91 29,973 30,036 30,039 30,018 29,904
X5
Pilotage d’une carte de contrôle Carte de contrôle
Graphique Description carte de la moyenne carte de l'étendue

LSC procédé sous contrôle Poursuivre la production

les courbes de la moyenne et de
moy
l'étendue oscillent de chaque coté de
LIC
la moyenne

LSC point hors limites régler le procédé de l'écart la dispersion de la machine

moy
le dernier point tracé a qui sépare le point de la augmente : il faut trouver la
franchi une limite de contrôle valeur cible cause de cette dégradation et
LIC
intervenir

tendance supérieure ou régler le procédé de l'écart

LSC inférieure moyen qui sépare la tendance
moy
7 points consécutifs sont de la valeur cible
supérieurs ou inférieurs à la
LIC
moyenne

LSC
tendance croissante ou régler le procédé de l'écart la dispersion de la machine
décroissante qui sépare le dernier point de varie, il faut trouver la cause de
moy
7 points consécutifs sont en la valeur cible cette évolution et intervenir
LIC augmentation ou en
diminution régulière

1 point est proche des limites confirmer en prélevant si plusieurs points de la carte
LSC
le dernier point tracé se situe immédiatement un autre sont proches de la limite
moy dans le 1/6 au bord de la carte échantillon. Si celui-ci est supérieure, il faut trouver la
LIC
de contrôle aussi proche des limites, il cause de cette détérioration et y
faut effectuer un réglage remédier

En cas de réglage, il faut prélever immédiatement un nouvel échantillon

 Carte de contrôle
Règles de décision

Valeur du Cpk observé sur les cartes

présentes
Le dernier point sur la
Cpk < 1.33 1.33<Cpk<1.67 Cpk > 1.67
carte
Le procédé est sous Contrôle Accepter Accepter
contrôle Tri à 100% les pièces les pièces
Le procédé est « hors Identifier et corriger la cause spéciale
contrôle » Trier depuis le
Contrôle Accepter
Mais toutes les valeurs dernier point «
sont dans la tolérance Tri à 100% sous contrôle » les pièces

Le procédé est « hors Identifier et corriger la cause spéciale

contrôle »
Et une ou plusieurs Contrôle Trier depuis le dernier point «
valeurs sont dans hors Tri à 100% sous contrôle »
tolérance
 Processus de production et processus de mesure

Souvent le (processus de mesure est représenté

comme un processus de production donc un 6eme M
mesure mais cette représentation sous estime la place
de la mesure
On doit considérer deux processus
Processus de production et processus de mesure

+ dispersion
vue
Milieu
Méthode
Main d’œuvre
Moyen
Mesurande=déformation

Vraie dispersion
dispersion de mesure
La capabilité du processus de mesure est la base de la
mise sous control du processus de production.
Utiliser les moyens de mesure de capabilité largement
suffisante , géré et rataché à une chaine d’étalonnage.
 T°C Habileté
Matériau Vibrations Entraînement Incertitudes
Propreté de
Hygrométrie mesure
Formation
Gradient de …

Exactitude
Etalonnage
Corrections
Dérive
Nbre de
d’étalonnage
mesures
Résolution… R&R
L’aptitude du système de mesure consiste a quantifier sa
variabilité et à s’assurer qu’elle est faible par rapport à
l’intervalle de spécifications ou par rapport à la variabilité
du procédé de fabrication
Variabilité = fidélité= répétabilité et reproductibilité
La variabilité du système de mesure doit couvrir au moins
10% de l’intervalle de spécification et on dira que le
système de mesure est capable
Autrement dit une définition de mesure >=au dixième de
l’intervalle de tolérance de la spécification contrôlée

σ2 τοτ = σ2 prod + σ2 mes

 Répétabilité et Reproductivité
Méthode R&R rapide

Au moins 2 opérateurs mesurent au moins 10 pièces.

R : Etendue de mesure entre 2 opérateurs.
Dispersion = 6 mesures
= R moy/d2 par la loi de l'étendue réduite.
Indice de capabilité de l'instrument :
Dispersion x 100 6R moy x 100
Ici% = =
Intervalle de tolérance d2 x IT
 Répétabilité et reproductibilité
• Méthode R&R complète

opérateur1 opérateur2 opérateur3

pièces X X
mes1 mes2 R mes1 mes2 Xmoy R mes1 mes2 R
moy my
1 . . . . . . . . . . . .
2 . . . . . . . . . . . .
. . . . . . . . . . . . .
10 . . . . . . . . . . . .
Xmoy1 R1 Xmoy2 R2 Xmoy3 R3

Répétabilité : Répétabilité = Rmoy/d2*

Reproductibilité :
RXmoy = Xmoy Max - Xmoy Min
Opérateurs = RXmoy/d2*
r : nombre de mesures par opérateur.
²Répétabilité
Reproductibilité = ( ²Opérateurs - )
nxr
 Répétabilité et reproductibilité
• Méthode R&R complète

Répétabilité : Répétabilité = Rmoy/d2*

Reproductibilité :
RXmoy = Xmoy Max - Xmoy Min
Opérateurs = RXmoy/d2*
r : nombre de mesures par opérateur.
²Répétabilité
Reproductibilité = ( ²Opérateurs - )
nxr

Dispersion de l'instrument de mesure : ²inst = ²Répétabilité + Reproductibilité

Capabilité de l'instrument de mesure :
Intervalle de tolérance
Cmc
=
6 instrument
Dispersion x 100
Ici%
=
Intervalle de tolérance

Une mauvaise reproductibilité montre la nécessité d'un entraînement à l'utilisation de mesure et

un problème de maintenance ou de choix de l'instrument de contrôle
Merci