La concurrence entre industriels est rude suite Il faut produire mieux

à l’ouverture des marchés internationaux et à moindre coût Qualité

La Maitrise Statistique des Procédés est un outil qui permet d’augmenter la qualité d’un produit
produit se rapprochant au maximum des exigences des clients

adopter une stratégie de prévention plutôt qu’un contrôle à posteriori

(coûteux, n’améliore pas la qualité, allonge les délais)

Or, impossibilité de contrôler le processus et ses résultats

dans son ensemble statistique descriptive

1
Master Spécialisé – Génie des Procédés Industriels : A. Habsaoui 2020-2021 FS-UIT Kénitra
Généralités

A - la maîtrise statistique d’un processus

B - les outils statistiques

C - les cartes de contrôle

D – La Capabilité
2
Dans une chaine de production, on peut étudier une caractéristique des entités produites :
dimension d’une pièce, poids d’un article…

En absence de déréglage, la répartition de ces entités suit une courbe en cloche :

loi normale ou loi de gauss

Cette loi mathématique est caractérisée par 2 paramètres m et σ (sigma) qui sont :

m : la moyenne qui caractérise la tendance centrale de la distribution

σ : écart type qui caractérise la dispersion de cette tendance centrale

3
Pour une distribution donnée, dans l’intervalle :

m + σ et m - σ on trouve 68,26% de l’effectif de l’échantillon

m + 2σ et m - 2σ 95,44%
99,73%
m + 3σ et m - 3σ 99,73%
95,44%

68,26%

1σ 1σ
2σ 2σ
3σ m 3σ
4
On peut donc avec le calcul de la moyenne et de l’écart type caractériser une distribution.
Il existe plusieurs types de contrôle :

ex : normalité de la distribution à la sortie des machines

On se base sur un certain nombre de prélèvements (Echantillon). Mais
comment à partir de cet effectif, peut-on caractériser le lot tout entier ?

=> Utilisation de tests statistiques (test d’hypothèse)

Pour éviter ces calculs, W. A. Shewhart a proposé la construction

de cartes de contrôle

5
Le principe des cartes de contrôles est assez simple :

sur un graphique, on fixe un objectif à atteindre de part et d ’autres duquel on établit

des limites de contrôle.

Une fois ces limites établies, il suffit de prélever périodiquement un échantillon sur la chaîne
de production et de porter la mesure en fonction du numéro de l ’échantillon.

2 observations à noter :
- les points dépassent les limites de contrôle
- comportements particuliers des points

On retrouve :
- contrôle du procédé grâce aux variables ( poids, dimension)
- contrôle du procédé grâce aux attributs ( conforme/ non conforme) 6
= élément d’Assurance Qualité ; Outil d’amélioration continue

Processus combinaison des éléments suivants :

- Equipements de production et de tests
- Hommes et organisations
- Matières premières à transformer
- Méthodes et instructions
- Environnement (climatique,.. )

Le processus doit être caractérisé par une :

- entrée mesurable
- valeur ajoutée
- sortie mesurable
- répétabilité 7
L’idée de base est celle d’une stratégie de prévention

La prévention = démarche planifiée et systématique supposant une

rigueur dans les raisonnements et les comportements

La MSP part de 3 constats :

1) processus fait qu’un produit est conforme ou non-conforme

2) le comportement d’un processus fluctue dans le temps
3) les processus sont entropiques : tendance naturelle à se
désorganiser et à se dégrader dans le temps
8
 1 - Le processus fabrique la qualité
En recherchant les causes des défauts, on retrouve l’une ou l’autre
des causes suivantes :
- machine défectueuse
- instrument de mesure défectueux
- Mat. 1er difficile à travailler ou hétérogène
- opérateur insuffisamment formé ou non qualifié
- absence de définition d’un travail acceptable ou non acceptable
……

Agir sur les causes des défauts (donc sur le processus) plutôt que
sur les effets (produits défectueux)

=> Remplacer l’inspection par le contrôle du processus 9

 1 - Le processus fabrique la qualité

L’intervention sur le procédé peut consister en changements dans

les opérations (formation des opérateurs, changement des Mat. 1ere…)
ou en changements d’éléments plus essentiels du procédé lui-même
(matériel à remettre en état, conception du procédé).

10
 2 - Les fluctuations du processus
Les processus fluctuent en permanence, ils ne sont jamais stables.
Quand ils apparaissent stables, c’est que la période d’observation
est trop courte ou que la précision de la mesure est insuffisante.

Ces fluctuations sont synonymes de la multiplicité et de la non constance des

paramètres du processus (Mat. 1ere ; température ; humidité …)

Fluctuations du processus => fluctuations sur les caractéristiques du produit fini

But de la MSP :
- analyser ces fluctuations
- les comprendre
- les quantifier 11
- les diminuer dans les limites compatibles avec les objectifs
 2 - Les fluctuations du processus
2 types de causes :
- les causes aléatoires (communes)
- les causes assignables (spéciales)

causes aléatoires : nombreuses petites sources de variation dont on ne peut

jamais se débarrasser.
(ex: un tireur n’atteint jamais la cible systématiquement au même endroit)

causes assignables : moins nombreuses mais provoquent des variations

plus importantes. Eléments ponctuels sur lesquels il est possibles d ’agir.
(ex: mauvaise tare d’une balance, toute les pesées seront affectée de la
même erreur. Possibilité de corriger si on a identifié la cause) 12
 3 – Les processus entropiques
La tendance naturelle des processus est de se désorganiser et de se
dégrader dans le temps. Il s’agit des dérive.

Les causes sont multiples : usure d ’une machine, corrosion, accumulation

de poussière, démotivation…

Pour les minimiser : il existe des procédures, des instructions, des révisions,
des formations… « MAIS pas d ’indicateurs » pour signaler que les
procédures ne sont pas respectées…

La MSP doit permettre d’inverser la tendance (amélioration continue au lieu

dégradation continue).
13
Les données = des informations au sein de l ’entreprise

=> importance de la qualité de ces données (collecte ou traitement)

Traitement réalisé à partir de statistiques. On distingue :

1) les statistiques descriptives

2) les distributions des données
3) variable centrée réduite

14
1- Les statistiques descriptives = outil de synthèse
Décrire et synthétiser de nombreuses données par :
- représentation graphique (courbe, histogramme …)
- plusieurs valeurs

HISTOGRAMME
Représentation graphique d’un tableau de données qui permet de se
faire une idée globale sur :
- la moyenne
- la valeur minimale et maximale
- la symétrie ou la dissymétrie
- le % de chaque classe
15
Importance de bien choisir le nombre de classes !
 1- Les statistiques descriptives
Construction de l ’histogramme d’une série de mesures
1) ranger les mesures collectées par ordre croissant
2) déterminer le nombre de classe (k)
3) calculer l’étendue : E = Vmax - Vmin
4) déterminer l’amplitude des classes : A = E / k
5) déterminer les fréquences absolue, relative et cumulée
Nombre de données : n Nombre de classes : k

10 4
10 < n ≤ 22 5 Formule de Sturges :
OU
22 < n ≤ 44 6 k ≈ 1 + 3,322log10n
44 < n ≤ 90 7
90 < n ≤ 180 8
180 < n ≤ 360 9
360 < n ≤ 720 10
720 < n ≤ 1000 11
16
 1- Les statistiques descriptives
Exemple (poids en g d’un joint d’étanchéité)
n = 40 k=6
Vmin = 255,8 ; Vmax = 272,9 Etendue = 17,1
Amplitude : 17,1 / 6 = 2,85 ≈ 3

Classes Dépouillement Fq Absolue Fq relative Fq cumulée

(%) (%)
255,5 - 258,5 / 1 2,5 2,5
258,5 – 261,5 /// /// / 7 17,5 20,0
261,5 – 264,5 /// /// /// /// // 11 27,5 47,5
264,5 – 267,5 /// /// /// /// // 14 35,0 82,5
267,5 – 270,5 /// // 5 12,5 95,0
270,5 – 273,5 // 2 5,0 100,0
Total 40 100
17
 1- Les statistiques descriptives
Histogramme du poids en grammes
Donne une idée
16 sur la distribution
14
12
Fréquence absolue

10
8
6
4
2
0
255,5 258,5 261,5 264,5 267,5 270,5 273,5

Poids en grammes
18
 1- Les statistiques descriptives
DIAGRAMME D’ ISHIKAWA

19
 1- Les statistiques descriptives
DIAGRAMME D’ ISHIKAWA - Recherche des causes

20
 2 - Les distributions des données mesurées
L’histogramme peut se révéler insuffisant car il existe de nombreux
types de distributions dont chacun possède ses caractéristiques propres.

Ces distributions peuvent être distinguées sur la base de leur forme,

de leur dispersion et de leur position ou d ’une combinaison quelconque
de ces facteurs.

S1 S2

21
X1 X2
Position Dispersion Forme
 2 - Les distributions des données mesurées
LOI NORMALE
En recommençant la même mesure plusieurs fois, on obtient, en général,
un histogramme assez typique, plus au moins aplati mais toujours
symétrique
=> distribution normale
99,73%
95,44% Aire totale
=100%

68,26%

1s 1s 22
2s 2s
3s 3s
 2 - Les distributions des données mesurées
LOI NORMALE
S et Xo suffisent pour définir la distribution

La probabilité qu’une mesure se trouve dans un intervalle X1,X2 est

égale à l’aire sous la courbe et délimitée par les deux verticales X1 et X2

99,994% des mesures sont comprises entre Xo-4s et Xo+4s

La loi est normale chaque fois que

- les causes de variation sont multiples
- ces causes sont indépendantes les unes des autres

Ces deux conditions sont souvent réunies dans un processus de mesures

- L’hypothèse de normalité est vérifiée par :
- Construction d’histogramme - Droite de Henry - Test χ2 (Khi deux) 23
2 - Les distributions des données mesurées
ANOMALIES DE LA LOI NORMALE
Hormis les points aberrants situés à gauche, ou à droite / à la base de l’histogramme, la
distribution peut présenter 2 principales anomalies de la distribution / à la distribution
normale.

Anomalie de type I : caractérisée par un décalage du sommet par rapport

à la moyenne. Cette anomalie peut traduire une dérive dans le temps de
la caractéristique mesurée, une anomalie dans le processus de mesure...

Anomalie de type II : caractérisée par la présence de 2 bosses, elle traduit

souvent la présence de 2 populations différentes.

I
II
24
Ces anomalies empêchent l’application des propriétés de la loi normale
2 - Les distributions des données mesurées
ANOMALIES DE LA LOI NORMALE

Les problèmes peuvent être de natures diverses :

- mode opératoire inadéquat

- instruments de mesure défectueux
- environnement non contrôlé (ex: température…)
- erreurs de mesure, lecture, calcul, transcription
- dérive du processus

25
3 – Variable centrée réduite
Si la distribution est définie (loi normale) avec la moyenne et l’écart-type, de bornes supérieure
et inférieure d’acceptation, on peut calculer les fractions de population hors norme en
procédant à un changement de variable

Z = variable centrée réduite

µ = moyenne population
σ = écart-type

Aire sous la courbe = 1

Table de la loi normale

s Changement de variable
centrée réduite
X- µ
Z=
X µ
s
z 0 26
 3 – Variable centrée réduite
Exemple : µ =70 kg ; σ = 4 kg ;
Probabilité Pr(X > 74,8) ?
X- µ 74,8 - 70
Z= = = 1,2 Pr(X > 74,8) Pr(Z > 1,2)
s 4

Pr(X > 74,8) Pr(Z > 1,2)

X 70 74,8 z 0 1,2

P( Z ≤ - x) = 1 – P (Z ≤ x) P ( Z ≥ 1,2) = 1 – P (Z ≤ 1,2)
P ( Z ≥ x) = 1 – P (Z ≤ x) = 1 – 0,8849 27
= 0,1151 11,51 %
Exercice d’application
Sur une chaine de production de pièces, on suppose que la fabrication d’une pièce de
119 +/- 8 cm de diamètre (X) suit une loi normal (X ∼ N (120; 5)).

Pour quelle pourcentage de pièces X ≤ 125 ?

Faites apparaitre cette situation sur les courbes avant d’effectuer le calcul ?

On cherche P(X ≤ 125)

On change de variable X : (x−120)/5 ∼ N (0, 1).

P(X ≤ 125) = P [(X − 120)/5 ≤ (125 − 120)/5] = P(Z ≤ 1,0)

On cherche 1,0 dans la table

On trouve P(X ≤ 125) = 0,8413.

84,13% de trouver X ≤ 125 cm

28
Une carte de contrôle est :

- un enregistrement chronologique des données

- des règles de décision

Un processus est dit « sous contrôle » lorsque seules les causes aléatoires sont
présentes.

Distinction entre les - causes aléatoires (loi Normale)

- causes assignables

Loi Normale 99,73% des valeurs sont comprises entre -3σ et +3σ
29
 Les 2 frontières X0-3σ et X0+3σ constituent une frontière naturelle
entre les variations aléatoires et les variations non aléatoires.

Ces 2 frontières = limites de contrôle

LSC : limite supérieure de contrôle = X0 +3σ

LIC : limite inférieure de contrôle = X0 - 3σ
Variations non aléatoires

3σ
Variations Variations
Variations
non non
aléatoires aléatoires aléatoires

3 σ X0 3 σ
3σ 30
Variations non aléatoires
Variations aléatoires
La carte de contrôle a été développée en 1924 par Shewhart

BUT :
- vérifier si le processus est sous contrôle
- signaler la présence des causes assignables.

2 CATÉGORIES de cartes de contrôle :

- pour grandeurs mesurables (contrôle qualité par mesure)
- pour grandeurs non mesurables (contrôle qualité par attributs)

A chaque type de variation correspond un type de causes :

- variations aléatoires => causes communes
- variations non aléatoires => causes spéciales
31
 LES 2 CAUSES DE VARIATIONS
A) Les causes communes
Causes inhérentes au processus lui-même (jeux dans les serrages,
hétérogénéité dans les Mat. 1er, T° ambiante..). Elles sont en grand
nombre avec de faibles effets. Elles sont indépendantes les unes des
autres, et sont toujours présentes. Tous les lots sont concernés.
Si on veut les réduire, il faut revoir tout le processus.
Limites de contrôle

B) Les causes spéciales

Pas inhérentes au processus (cassure d’un outil, coupure de courant…)
C’est une cause que l’on peut identifier et contrôler. Elles concernent
que certains lots avec des effets importants.
Elles sont de courte durée.
Il existe des causes spéciales qui agissent sur la position de la valeur surveillée (ex. déréglage d’un outil)
et celle de dispersion (ex. mauvaise lubrification)
32
 TRACÉ DE LA CARTE DE CONTRÔLE

L’amélioration du processus est un procédé itératif ; 3 phases seront

répétées continuellement :
- collecte des données
- contrôle des données
- vérification de la capabilité du processus

Dans un premier temps, les données sont rassemblées selon un plan

précis, puis elles sont utilisées pour calculer les limites.

La carte de contrôle est un document dit vivant. Elle se remplit au fur

et à mesure que les données sont produites.

33
TRACÉ DE LA CARTE DE CONTRÔLE

On trace 2 axes :
- axe horizontal = numéro d’ordre chronologique de la mesure
- axe vertical = la valeur de la mesure

X0 + 3S

X0

X0 – 3S

Dès qu’une mesure est collectée, on la représente par un point sur le graphique et on
relie le point au point précédent par un segment de droite.
Lorsque le nombre de points devient suffisant, on calcule : 34
- X0 et on la représente par une droite sur la carte de contrôle.
- S et on trace les limites inférieure (X0 – 3s) et supérieure (X0 + 3s)
CONSIDÉRATIONS PRATIQUES AVANT L’ÉLABORATION D’UNE CARTE

Il faut savoir :

- Quels types de caractéristiques on veut contrôler (quantitatif / qualitatif) ?

- Quels instruments de mesure ou calibres doit-on utiliser ?
- Quels types de carte de contrôle / données ?
- Taille échantillon à prélever ?
- Fréquence de contrôle ?

35
1 – Contrôle pour grandeurs mesurables
Les cartes de contrôle sont utilisées par paire, pour piloter la même
caractéristique :

- l’une des cartes sert au contrôle de la tendance centrale

- l’autre sert au contrôle de la dispersion

X0 et s sont les 2 caractéristiques de la distribution mais sont

indépendantes X0 peut augmenter et s constant ou l’inverse

36
1 – Contrôle pour grandeurs mesurables
Principales cartes en milieu industriel :

X et R = cartes de contrôle pour moyenne et étendue

X et s = cartes de contrôle pour moyenne et écart-type
X et R = cartes de contrôle pour valeur médiane et étendue
X et REM = cartes de contrôle pour valeurs individuelles et étendue
(EM pour étendue mobile)

Carte St = cartes de contrôle pour somme cumulative

37
 1 – Contrôle pour grandeurs mesurables
PROCÉDÉ SOUS CONTRÔLE
Les cartes permettent de détecter les variations d’une caractéristique et montrent donc si le
procédé est sous contrôle (ou stable).
Procédé est sous contrôle, s’il n’est affecté que par des causes aléatoires ou naturelles
(causes communes).
La répartition de la production suit alors une courbe en cloche qui est centrée sur la cible
Cette variabilité est prévisible à l’intérieur des limites
Modification
dispersion

Modification 38
tendance
Sous contrôle centrale
Hors contrôle
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R

Carte X : graphique / valeurs, reliées, des moyennes des échantillons (ordre chrono.)
Carte R : graphique / valeurs, reliées, des étendues des échantillons (ordre chrono.)
R (Range en Anglais)

Mise en œuvre :
- modalités de prélèvement des échantillons
- calcul des moyennes et étendues
- représentation graphique des moyennes et étendue
- calcul des limites provisoires de contrôle
- identification des limites de contrôle
- diagnostic 39
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R
1 – modalités de prélèvement
Taille de l’échantillon :
4 – 5 unités pour chaque sous-groupe (5 pratique pour les calculs manuels des moyennes). Mais il faut
un compromis entre sensibilité et coût
Respecter : conditions similaires, court intervalle de temps, taille constant

Fréquence de contrôle : selon cadence de production (min, h …). Il faut veiller à ce que la
fréquence d’échantillonnage donne une image la plus juste possible du processus.
La fréquence diminue avec la stabilité du processus

Nombre de sous-groupes : Il doit satisfaire à deux critères

- faire en sorte que les plus importantes sources de variation aient pu se manifester
- constituer du point de vu statistique un bon test de stabilité du procédé et une bonne
estimation de sa position et de sa dispersion
Le minimum de sous-groupe recommandé est de 20
40
Une des méthodes

La fréquence de prélèvement est n pièces toutes les n N

pièces et toutes les nN 60min
c

c la cadence horaire de la machine

n le nombre de pièces à prélever
N le nombre de pièces fabriquées entre 2 réglages

41
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R
1 – modalités de prélèvement (suite)

Enregistrement des données : les cartes X, R, sont établies avec le graphique

X au dessus du graphique R et un bloc de données en haut ou en bas de page

2 – calcul de X et R
Ex : entreprise MECANEX, dureté pièce mécanique
n= 5 sous-groupes : k = 20 et Fq = 30’
X1 + X2 + ….+ Xn
X= N° X1 X2 X3 X4 X5 X R
n 1 80 86 88 83 82 83.8 8
2 85 83 81 82 83 82,8 4

et R = Xmax - Xmin 3 87 87 87 88 82 86,2 6

20 84 86 85 85 87 85,4 3
42
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R
3 – représentation graphique

- Axe horizontal = n° échantillon ou instant

- Axe vertical = moyenne des sous-groupes (carte X) ou des étendues (carte R)

La différence entre la valeur la plus élevée et la moins élevée de l’échelle doit
représenter 2 fois au moins la différence entre la X la plus élevée et la moins
élevée des sous groupes.

Pour R, les valeurs doivent aller d’une valeur 0 à une valeur supérieure, égale
à 2 fois l’étendue la plus forte (R) rencontré au cours de la période initiale.

Pour faciliter la visualisation des modèles et des tendances, les points sont reliés
entre eux.
43
Constante de Burr – Lecture

Exemple : Pour un échantillon de taille n = 5 , A2 = 0,557

44
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R
4 – calcul des limites provisoires de contrôle
Ces calculs utilisent des constantes qui diffèrent en fonction de la taille du sous-groupe et qui
sont donnés dans des tables.

4 -1) Calcul de X (moyenne globale) de l’ensemble des données et R (étendue moyenne)

X1 + X2 + ..+ Xk Xj R1 + R2 + ..+ Rk Rj
X= =Σ R= =Σ
k k k k

X1 … Xk = moyennes des sous-groupes R1 … Rk = étendues des sous-groupes

4 -2) Les limites provisoires (LSC et LIC = limites naturelles du processus)

Carte X : LSCx = X + A2 R
LICx = X - A2 R
Carte R : LSCR = D4 R
LICR = D3 R
45
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R
Exemple : entreprise MECANEX, dureté pièce mécanique
Échantillon : n= 5 sous-groupes : k = 20 et Fq = 30’
N° X1 X2 X3 X4 X5 X R
Xj 1690
1 80 86 88 83 82 83.8 8 X= Σ = = 84,5
2 85 83 81 82 83 82,8 4 k 20
.3 .
87 .
87 .
87 .
88 .
82 .
86,2 6.
. . . . . . . . Rj 115
. . . . . . . . R= Σ = 5,75
=
k 20
20 84 86 85 85 87 85,4 3

Carte X : LSCx = X + A2 R = 84,5 + (0,577)(5,75) = 87,82

LICx = X - A2 R = 84,5 - (0,577)(5,75) = 81,18
n=5
A2 = 0,577
D3 = 0

Carte R : LSCR = D4 R = (2,115)(5,75) = 12,161

D4 = 2,115 46
Données extraites
LICR = D3 R = (0)(5,75) = 0 de la table
 1 – Contrôle pour grandeurs mesurables
CARTES X ET R

Diagnostic
Aucun point en dehors des limites de contrôle. Pas de comportement particulier
47
Procédé sous contrôle ou stable
 1 – Contrôle pour grandeurs mesurables
5 – Interprétation

Les 6 zones d’une carte de contrôle :

LSC
Zone A

•
Zone B
• •
• • • Zone C 1 écart-type
• Ligne centrale
• • • Zone C 1 écart-type
•
Zone B
•
Zone A LIC

Fluctuations normales :
Zone C : majorité des points 68 % soit 34 % de part et d’autre
Zone B : environ 27% 48
Zone A : moins de 5 %
 1 – Contrôle pour grandeurs mesurables
Fluctuations anormales et causes spéciales :
- point hors limites (test 1) : - suite de point d’un même coté (test 2) :

- tendance croissante ou décroissante(test 3) - fluctuation en dents de scie (test 4) :

49
 1 – Contrôle pour grandeurs mesurables
Fluctuations anormales et causes spéciales :

- points proches des limites de contrôle ou de la ligne centrale (test 5 et 7) :

- carte présentant des sommets creux

(test 8) :

50
- effet cyclique ou périodicité
 1 – Contrôle pour grandeurs mesurables
Pour toute identification de causes assignables, il va falloir analyser le
processus pour déterminer la cause

6 – Diagnostic et calcul des nouvelles limites de contrôle

L’interprétation des cartes X et R est liée à la variabilité de la caractéristique à l’intérieur de
chaque sous-groupe (étendue R).

Examiner d’abord la carte R pour identifier les éventuels points hors contrôle ou avec un
comportement particulier. Si c’est le cas, identifier et corriger ces situations :
- réévaluer les limites de contrôle de la carte R (éliminer les données des sous-groupes
présentant ces situations)
- identifier ensuite les éventuels points hors contrôle, les tendances ou les suites de
points de la carte X (cf. test)
- si la caractéristique de la qualité est maîtrisée cartes X et R seront utilisées 51
pour des résultats subséquents étendre les limites de contrôle
 1 – Contrôle pour grandeurs mesurables

Étendre les limites de contrôle : Ex (entreprise MECANEX)

N° X1 X2 X3 X4 X5 X X R
21 84 85 86 81 89 425 85 8
22 80 88 86 87 91 432 86,4 11
23 85 86 89 87 87 434 86,8 4
24 88 86 87 86 88 435 87 2
25 87 87 90 87 86 437 87,4 4
26 87 86 90 88 87 438 87,6 4

52
1 – Contrôle pour grandeurs mesurables

Diagnostic ?
●

●
La carte R est sous contrôle
● ● ●

Carte X
●
●●
● Test 3 positif.
●
● La dureté moyenne augmente
progressivement (tendance).

53
 Exemples de situations
Les deux cartes Moyenne / Etendue ne détectent pas le même type de causes spéciales.

Dans le cas 1, on note une dérive de la position du processus, on risque de fabriquer des
pièces mauvaises. La carte des moyennes détectera les dérives de position du processus.

Dans le cas 2, le processus reste centré sur la cible, mais la dispersion se dégrade
(par exemple une butée se desserre et prend du jeu). Il faut également détecter
ce type de dérives car il conduit également à une production de mauvaise qualité. 54
 REMARQUES

Dans le cas 1, processus capable, l'opérateur prélève une pièce qui se

situe à l'intérieur des tolérances. Normalement, 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.
Ces deux exemples montrent qu’il faut
dissocier l'action sur le processus
Dans le cas 2, processus non capable, l'opérateur prélève une pièce (réglage) et l'action sur le produit
qui se situe à l'extérieur des tolérances. Normalement, cette (acceptation, tri, contrôle…).
pièce étant « mauvaise », il règle le processus. Pourtant, la pièce est
dans les limites naturelles. Il est possible que le processus soit 55
parfaitement centré. Dans ce cas on ne doit pas toucher au processus
La figure montre
clairement l'avantage à
utiliser les limites
naturelles pour piloter un
processus plutôt que les
limites de tolérance.

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.
56
 1 – Contrôle pour grandeurs mesurables

CARTES X ET s
1 – modalités de prélèvement
Même modalités de prélèvement
n ≥ 10
Sous-groupes 10

2 – calcul de X et s


X1 + X2 + ….+ Xn (Xi – X)
2

X= s=
n n -1

3 – représentation graphique
57
 1 – Contrôle pour grandeurs mesurables
CARTES X ET s
4 – calcul des limites provisoires de contrôle
Ces calculs utilisent des constantes qui diffèrent en fonction de la taille du sous-groupe et qui
sont donnés dans des tables.

4 -1) Calcul de X (moyenne globale) de l’ensemble des données et s (écart-type moyen)

X1 + X2 + ..+ Xk Xj s1 + s2 + ..+ sk sj
X= =Σ s= =Σ
k k k k

X1 … Xk = moyennes des sous-groupes s1 … sk = écart-types des sous-groupes

4 -2) Les limites provisoires

Carte X : LSCx = X + A3 s
LICx = X - A3 s
Carte s : LSCs = B4 s
LICs = B3 s
58
 1 – Contrôle pour grandeurs mesurables
Exemple :
n = 10 k = 18

4,6 + 4,7 + ….+ 4,5


0,309
= 4,51 s= = 0,185
X=
10 9
Xj 78,36 4,775
X =Σ = = 4,35 mg s = Σ sj = = 0,265 mg
k 18 k 18

Carte X : LSCx = X + A3 s = 4,35 + (0,975) (0,265) = 4,61

LICx = X - A3 s = 4,35 – (0,975) (0,265) = 4,09

Carte s : LSCs = B4 s = (1,716) (0,265) = 0,455

LICs = B3 s = (0,284) (0,265) = 0,075 59
 1 – Contrôle pour grandeurs mesurables
Exemple :
Diagnostic :

Carte X : 1 point hors limite.

Carte s : aucun point sous les limites.

Dispersion du poids plus importante en début.
Possibilité réviser carte en supprimant les 6 1er
points
60
 1 – Contrôle pour grandeurs mesurables
Exemple :

Révision des limites de contrôle – données de l’éch. n°10 éliminées

4,775 – 0,288
X =Σ
Xj78,36 – 3,95
= 4,38 mg s = Σ sj = = 0,264 mg
=
17 17 17 17

Carte X : LSCx = X + A3 s = 4,38 + (0,975) (0,264) = 4,64

LICx = X - A3 s = 4,38 – (0,975) (0,264) = 4,12

Carte s : LSCs = B4 s = (1,716) (0,264) = 0,453

LICs = B3 s = (0,284) (0,264) = 0,075 61
 1 – Contrôle pour grandeurs mesurables
Exemple :

62
 2 – Contrôle par attribut

Les attributs sont basés sur 2 valeurs (conforme/ non conforme…)

Types de carte de contrôle aux attributs :

Carte p : proportion des articles non-conformes

Carte np : nombre d’unités non-conformes

Carte c : nombre de non-conformités

Carte u : nombre moyen de non conformités par sous-groupe

63
 2 – Contrôle par attribut
CARTE p : Entreprise Technoverre, (5000 unités/h)

1 – Modalités de prélèvement : n = 80 ; Fq = 1h ; k = 24
2 – Proportion de non-conforme p

N° Nbr d contenants Proportion p de

échantillon non conformes non conformes
8h30 1 3 0,0375
1er jour
15h30 8 8 0,1000
Nbr de non conformes
8h30 9 2 0,0250 p=
2e jour Taille échantillon (80)
15h30 16 4 0,0500
8h30 17 5 0,0625
3e jour
15h30 24 4 0,0500 64
 2 – Contrôle par attribut
3 – limites de contrôle

3 -1) proportion moyenne de non conformes (p) pour un ensemble de k échantillons :

Nbr total de non conformes Σ d 104

p= = = = 0,054
Nombre total d’unités observées Σ n (80) x (24)

3 -2) Les limites provisoires

LSCp = p + 3
√
p (1 – p)
n
= 0,054 + 3 √ 0,054 (1 – 0,054)
80
= 0,1299

LIC = p - 3 √ √
p (1 – p) 0,054 (1 – 0,054) = - 0,0219
p n = 0,054 - 3
80

65
Rq : Si LICp < 0 on la fixe à 0
 2 – Contrôle par attribut
4 – représentation graphique

LSCp = 0,13

p = 0,054

LICp = 0

5 – diagnostic
- 2 points au dessus LSCp : éch. 3 et 11
66
- 11 points sur 13 en dessous de p à partir éch.12
 3 – Contrôle par attribut
6 – révision des limites de contrôle
On élimine les résultats obtenus pour les échantillons n° 3 (d3 = 11) et n°11 (d11 = 14)

p=
Σ d
=
104 – (25)
= 0,045
LSCp = 0,045 + 3√ 0,045 (1 – 0,045)
80 = 0,114

√ 80
0,045 (1 – 0,045)
Σ n 1920 – (160)
LIC = 0,045 - 3
p
= - 0,024 = 0

LSCp = 0,114

Amélioration
de la qualité
p = 0,045

LICp = 0 67
Lundi 3/02 mardi 4/02 Mercr. 5/02 Jeudi 6 /02
 2 – Contrôle par attribut
CARTE np : cas d’un effectif constant. On reporte les données directement sans
diviser par n

CARTE c : cas où on ne peut pas appliquer les termes conformes et non-conformes.

On applique nombre de non-conformité

CARTE D : pondération des non conformités

Type de non-conformité Pondération Pondération selon

NXF 06- 022 AFNOR
Critique W0 500

Majeur A (très sérieux) WA 100

Majeur B (sérieux) WB 50

Majeur c (modérément sérieux) WC 10

Mineure D (pas sérieux) WD 1

68
D = WOCO + WACA + WBCB + WCCC + WDCD
JOURNAL DE BORD

Il faut y signaler :

. l'heure de prélèvement,
. l'heure des pauses et arrêts,
. les réglages,
. les pannes et incidents,
. les changements d'outils,
. les changements de lots de matière première,
. Les changements d'opérateurs

69
 Exemple de journal de bord
numéro échantillon 1 2 3 4 5 6 7 8 9 10

pièce n°1 6.15 6.21 6.14 6.15 6.18 6.18 6.19 6.12 6.18 6.18

pièce n°2 6.14 6.15 6.16 6.13 6.13 6.17 6.19 6.15 6.17 6.14

pièce n°3 6.21 6.13 6.18 6.10 6.14 6.14 6.17 6.15 6.2 6.15

pièce n°4 6.20 6.14 6.10 6.19 6.18 6.18 6.17 6.14 6.2 6.12

pièce n°5 6.13 6.10 6.18 6.17 6.20 6.17 6.13 6.15 6.1 6.14

Moyenne (Xi) 6.166 6.146 6.152 6.148 6.166 6.178 6.17 6.142 6.17 6.146
d'échantillon
Etendue (Wi) 0.08 0.11 0.08 0.09 0.07 0.02 0.06 0.03 0.1 0.06
d'échantillon
heure du 8h30 9h30 10h30 11h30 12h00 13h00 14h00 15h00 16h00 17h00
prélèvement
jour lundi lundi lundi lundi lundi lundi lundi lundi lundi lundi

événement pause de
midi 70
 1 – Capabilité d’un processus

La capabilité d’un procédé = variation d’un procédé, affecté que par les causes communes et maîtrisé
statistiquement.
Se mesure par le rapport entre la performance demandée et la performance réelle d’un processus

Ts
Intervalle de
LSCX tolérance pour les
Intervalle de contrôle pour
caractéristiques de
la moyenne
qualité et des unités
LICX
individuelles
Ti

71
 1 – Généralités

La capabilité se mesure par le rapport entre la performance demandée et la performance réelle d’un
processus

Elle s’exprime par un chiffre qui va mesurer l’aptitude d'un procédé/machine à réaliser des
pièces conforme aux spécifications imposées par le cahier des charges

On distingue deux types d’indicateurs de capabilité :

- Indicateur Long Terme (Performance du processus Pp - Ppk)

- Indicateur Court Terme (Capabilité du processus Cp - Cpk)

72
2 – Indicateurs à long terme
a. Performance du processus Pp Il faut un échantillon représentatif, se calcule sur
une longue durée (minimum 1 semaine)

73
 2 – Indicateurs à long terme
b. Indicateur de déréglage Ppk Pp n’est pas suffisant, il peut être > 1,33 alors qu’on a
un décentrage. Ppk Tiendra compte du déréglage
du processus : performance réelle

- Ppk > 1, 33 : Processus capable sur le long terme

Il ne faut pas négliger Pp, mais prendre en compte les 2 indicateurs. L’objectif est de
rapprocher Pp et Ppk le plus possible.

74
 2 – Indicateurs court terme (capabilité processus Cp et Cpk)

Deux méthodes possibles:

a. Prélèvement 1 seul échantillon

On calcule la dispersion sur un prélèvement consécutif d’une cinquantaine de pièces.

Valable pour les cadences rapides de production. (sinon on retombe dans le long terme)

75
 2 – Indicateurs court terme (capabilité processus Cp et Cpk)

b. Prélèvement plusieurs échantillons

On calcule la dispersion sur plusieurs prélèvements de petits échantillons (dès 3 pièces par
éch.) consécutifs ou à intervalle régulier. Il ne faut pas d’action au sein d’un même éch.

76
 Ts - Ti ^
Cp = s = R/d2 ou s/C4
^
6s

Si Cp ≥ 1 le procédé est d’une précision acceptable, capable de fabriquer

des pièces dans l’intervalle X ± 3 R/d2

Certaines entreprises qualifient comme suit l'indice Cp :

Valeur de Cp Evaluation
Cp > 2.0 Très performant
1.34  Cp  1.33 Bon
1.0  Cp  1.33
77
Minimum acceptable
Cp < 1.0 Procédé inacceptable
 Exemple : Mecanex
spécifications de la dureté de Rockwell des pièces : 85 ± 9
Les cartes X et R
Précision acceptable ?
n =5
fabrication maîtrisée

X = 84,5 et R = 5,75
?
s= R/d2 = 5,75 / 2,326 = 2,472 Ti = 76 et Ts = 94

Ts - Ti 94 – 76
Cp = = = 1,213 ≥1 Procédé acceptable
6 s^ 14,832

Le processus de fabrication est en mesure de fabriquer des pièces dont la dureté se

situe à l’intérieur de l’intervalle : X ± 3 R/d2 soit 77,084
84,5 ± 3 (5,75) / (2,326) =
91,916
Intervalle de fabrication

77,084 91,916
●
84,5
● 78
76 Intervalle de tolérance 94
85
 2 – Indicateurs liés à la cible : Cpm et Ppm

Le Ppk est admis comme indicateur de capabilité de référence pour l’acceptation d’un lot
entre Client et Fournisseur. Mais il arrive qu’un Ppk de 2 donne moins de satisfaction qu’un
Ppk de 1,33

Pour PpK = 2, on a un décentrage

et la densité de probabilité sur la
valeur cible est pratiquement nulle

Dans certains cas, ces indicateurs doivent être complétés

D’où introduction de Cpm pour le court terme et Ppm pour le long terme,
basé sur la fonction perte de Taguchi 79
 2 – Indicateurs liés à la cible : Cpm et Ppm

a. Indicateur court terme Cpm

Tient compte à la fois de la dispersion et le centrage et donne une image global du

processus par un seul indicateur.

Cpm = Cp lorsque le processus est parfaitement centré

Cpm décroit lorsque le décentrage augmonte

Cpm tient compte à la fois du centrage et de la dispersion

80
 2 – Indicateurs liés à la cible : Cpm et Ppm

a. Indicateur long terme Ppm

Mesure la performance du processus sur le long terme

Exercice sur la capabilité

Déterminer la performance du processus sur le long terme en se basant sur ces données :
Prélèvement aléatoire de 69 pièces
X bar = 50,009
s = 0,009
Cote 50 +/- 0,05 81
Solution
On cherche la performance du processus sur le long terme (donc Pp et Ppk)

Processus capable sur le long terme (Ppk > 1,33)

Ppm capable (Ppm >1,33)

2 solutions:

- Réduire l’intervalle de tolérance et imposer que tous les produits soient dans l’intervalle
quelle que soit la répartition.
- Laisser IT large mais imposer à la fabrication les conditions de centrage et répartition
verrouillées par le Ppm

- On cherche toujours des solutions optimales à moindre coût 82

83
Références

- Appliquer la maîtrise statistique des processus (MSP/SPC)

Maurice Pillet - 2005, eyrolles, 4eme édition

84