Matrise Statistique des Procds et Six sigma

1. Histoire
Dans les annes 1960, les bases de la philosophie "Qualit Totale" sont formalises chez General Electrics. Le contrle de la qualit du produit fini commence cder la place au contrle du procd. Le fabricant de semi-conducteurs Motorola initie en 1980 une dmarche de matrise de la dispersion des procds de fabrication. C'est en 1986, dans cette mme entreprise, que Bill SMITH dcrit la dmarche d'amlioration base sur l'utilisation des outils statistiques connue sous le nom de "6sigma". Depuis, de nombreuses entreprises ont fait connatre leur engagement dans une dmarche "6-sigma ": ABB, General Electric, l'avionneur canadien Bombardier, Nokia, l'avionneur amricain Lockheed Martin, Sony, Polaroid, DuPont, Ford Motor Company, Toshiba, American Express. Rponses Le contrle 100% est bien sr ncessaire lorsquil y a un risque pour la vie des personnes ; aussi, le contrle par ultrasons doit se faire sur toutes les pices. Pour des raisons videntes, le contrle par chantillonnage devra tre utilis pour tous les contrles destructifs (dtruire la pice). La rotule aprs le test de rsistance aux chocs nest plus utilisable donc on adoptera un contrle chantillonn. Il est possible de rsumer grossirement lutilisation des deux types de contrle sous forme de tableau :

2. Lobjectif de Six sigma

Cette dmarche a tout dabord consist en lapplication des concepts de la Matrise statistique de processus (MSP/SPC) et sest ensuite largement toffe en intgrant tous les aspects de la matrise de la variabilit.

Bien sr d'autres critres interviennent dans le choix des types de contrle : Tailles des sries, valeur ajoute des produits, cot du contrle (est-il raisonnable d'effectuer un contrle coteux lorsque trois ou quatre pices sur 1000 sont dfectueuses ?), choix des caractristiques contrler etc. Remarque : un contrle 100% ne veut pas dire que lon contrle toutes les caractristiques du produit mais une seule. Avant de parler des risques dus l'chantillonnage, prcisons que le contrle 100% nest pas sans risque. En effet, le caractre rptitif et monotone des oprations de contrle peut conduire des erreurs et notamment lacceptation de pices dfectueuses. Il peut conduire aussi au refus de pices bonnes car certains contrleurs considrent quils doivent ncessairement rejeter certaines pices pour que leurs chefs considrent quils ont bien fait leur travail.

3. Contrle statistique des lots

Un procd de fabrication produit environ 20 produits non-conformes sur un lot de 20000. Est-ce qu'on accepte le lot sans contrle ? Est-ce qu'on contrle tout le lot? Est-ce qu'on contrle une partie du lot (chantillon) ? Quelle taille d'chantillon doit-on choisir ? A partir de combien darticles dfectueux dans l'chantillon refuse-t-on le lot ? Avec quels risques ? Un procd de fabrication ralise des produits conformes un instant t, comment puis-je m'assurer qu'il produira des produits de qualit dans une semaine, dans deux semaines ou dans une heure sans contrler toutes les pices ? Voici un certain nombre de questions auxquelles sont confronts les fabricants de produits en srie et auxquelles les techniques statistiques permettent de rpondre.

4. Niveau de qualit acceptable, risque client, risque fournisseur, choix taille d'chantillon
4.1 Risque client, risque fournisseur
Il existe deux types de risque pour le contrle par chantillon : - Le risque client (risque ) est la probabilit, pour un plan d'chantillonnage donn, daccepter un lot alors quil est mauvais. - Le risque fournisseur (risque ) est, de se voir refuser un lot considr comme mauvais alors quil est bon.

Champ d'application
en contrle final chez le fournisseur ; ou en contrle de rception chez le client, Ce contrle statistique des lots ou contrle par chantillonnage soppose au contrle 100%. En effet, dans le contrle 100%, chaque produit est contrl. Lors du contrle par chantillonnage, on ne contrle quun chantillon (une partie du lot) pour accepter ou refuser tout le lot. Quand faut-il contrler 100% ? Quand peut-on contrler par chantillonnage ? Prenons lexemple dune rotule de direction et deux types de contrle: Le premier est un contrle par ultrasons permettant de dtecter la prsence de "pailles" dans lacier, dfauts pouvant apparatre lors de la fabrication de lacier et pouvant crer des amorces de rupture. Le second est un contrle de rsistance aux chocs (la rotule est une pice de scurit, elle peut plier en cas de choc mais ne doit pas casser).

Il est dlicat de dterminer facilement le plan qui convient aux deux risques. Lutilisation de tables standard nous permet de dfinir le plan d'chantillonnage, c..d. de dterminer : la taille n de lchantillon ; le critre dacceptation c (ou k) (le nombre de dfectueux admis dans lchantillon avant de rejeter le lot). Exemple : Pour une production dagrume, supposons que nous acceptions des lots dont le taux de dfectueux p0= 2%, sur la base dun contrle du diamtre, et que ceux dont le taux p1 =12%, seront rejets. En vous aidant de la table dterminer la taille de lchantillon et le nombre de dfectueux autoriss.

Rponses : La premire table correspond un niveau de contrle II (le plus utilis). Elle permet de dterminer la lettre code (L) ainsi que la taille de l'chantillon : n=200. La deuxime table nous permet de dterminer partir de la lettre code et du NQA (1%) les critres A d'acceptation et R de rejet : A=5 et R=6. Cela signifie que pour valider le lot nous allons contrler un chantillon de 200 pices. Si l'chantillon comporte A (5) ou moins de A pices dfectueuses le lot sera accept et si l'chantillon comporte R (6) ou plus de R pices dfectueuses le lot sera refus.

4.3 Plans de contrle

Lorsque les risques et les niveaux de qualit sont choisis par un accord commun entre client et fournisseur, il faut dterminer le type de plan de contrle : Plan de contrle simple L'utilisation du tableau nous permet de trouver n=40 et c=2 partir des deux valeurs de p0 et p1, avec un risque client de 10% et un risque fournisseur de 5%. Remarque : La mthode propose ne prend pas en compte pour la taille de lchantillon, la taille du lot Il consiste prlever un chantillon de n individus et contrler le nombre k de dfectueux. Puis en fonction de deux critres A (acceptation du lot) et R (critre de rejet), de rejeter ou d'accepter le lot.

4.2 Niveau de qualit acceptable

Niveau de qualit acceptable (NQA): le pourcentage maximum p0 dindividus dfectueux dun lot qui peut tre considr comme satisfaisant en tant que moyenne dun processus. Il est dtermin par un accord commun entre le fournisseur et le client. Dans la pratique, lorsque la taille des lots, le niveau de contrle et le NQA sont dfinis, on peut dterminer l'aide de tables la taille des chantillons et le nombre de dfectueux dans lchantillon au-del duquel on va refuser le lot. Plans doubles Le principe est identique mais on donne une 2me "chance" avant de rejeter le lot en prlevant un 2me chantillon

Exemple dutilisation de tables standard pour un plan simple.

Contrle de lots de 4 000 pices niveau de contrle II avec un NQA de 1%. Dterminer la taille de lchantillon et les critres dacceptation et de rejet.

4.4 Contrle rduit, contrle renforc

Les interprtations des rsultats des contrles de rception permettent une classification des fournisseurs. Si un fournisseur est douteux quant la qualit de ses produits, le client pratiquera un contrle renforc, dans le cas contraire on utilisera un plan rduit. La norme prvoit pour le passage entre les diffrents plans :

Le principe de la matrise du processus

5. Matrise Statistique des Procds

5.1 M.S.P. et exigences ISO
La norme exige que tous les procds de production qui ont une incidence sur la qualit du produit fini soient mis en uvre dans des conditions matrises (sous contrle). La norme exige que des contrles et essais soient effectus aux diffrentes tapes du procd pour assurer la conformit avec les exigences spcifies. La norme exige que l'entreprise conserve des enregistrements qui serviront dmontrer la conformit du produit aux exigences spcifies. La norme exige que des techniques statistiques appropries soient utilises pour vrifier l'aptitude des procds et les caractristiques du produit. Vrification de la qualit : l'inspection 100% o toutes les pices produites ; plan d'chantillonnage la base conu pour accepter un lot de produits avec un certain nombre de produits non conforme ; l'inspection automatise. Ces mthodes prsentent le mme problme majeur : elles mettent laccent sur la dtection des produits dfectueux plutt que de se concentrer sur la prvention. MSP

Objectifs de la MSP
Le principe de base : Mieux vaut PRVENIR que gurir Cest la qualit du PROCD qui fait la qualit du produit Les rsultats viss : Connatre l'aptitude du processus rpondre aux spcifications et l' (s') adapter ; Anticiper l'apparition de produits dfectueux par le pilotage des procds ; Rduire la variabilit des procds et ainsi assurer la reproductibilit de la production Fournir une base concrte et objective pour : . Un dialogue entre les partenaires . Une valuation de l'amlioration de la qualit

Replacer la MSP dans la dmarche qualit

Que devons nous faire? Est-ce possible? Le fait-on bien ? L'avons-nous bien fait ? Peut-on mieux faire? Spcifications produits Aptitude des procds Cartes de contrle Contrle (par chantillon) Plans d'exprience Analyses statistiques

5.2 Dfinition dun processus

Daprs ISO 9000 : Ensemble dactivits corrles ou interactives qui transforme des lments dentre en lments de sortie. Ensemble de fonctions ordonnes et squentielles, chacune servant satisfaire un besoin particulier dans le contexte global de raliser ce bien ou ce service

Les acteurs concerns

Les responsables et agents de Fabrication ; Les responsables des Contrles ; Les responsables de la Maintenance ; Les Commerciaux et les Concepteurs ; Les Gestionnaires ; Les Consultants.

Lanalyse descriptive du processus

Pour chaque activit unitaire un processus : procd

5.3 La variabilit
Il n y a pas deux choses identiques. Statistiquement on dirait: il n'y a pas deux individus identiques . Elles proviennent des 5 M et de leurs combinaisons, ce qui reprsente un grand nombre de diffrences dues leurs influences combines.

 Ceci est vrai chaque tape du procd; on imagine aisment le nombre considrable de combinaisons ds l'instant o le nombre d'tapes est grand. Ces influences combines pour tout le procd sont appeles variations.

Description d'une rpartition Caractristiques de dispersion

Valeurs : Si lcart type est faible alors les valeurs sont proches de la moyenne, Si lcart type est grand, alors les valeurs sont loignes de la moyenne, Si toutes les donnes ont la mme valeur alors = 0 (notion thorique).

Les niveaux et les origines de la variabilit

Objectif industriel : Production de qualit si : lcart type est faible, la moyenne est centre sur la valeur cible (valeur idale). Causes des variations communes : Tous les procds sont soumis de telles variations. Ces causes ont la particularit de : provenir d'un grand nombre de petites sources ; concerner le procd ; rester relativement stables ; caractriser, le plus souvent, des phnomnes alatoires ; demeurer d'une prvision relativement possible ; se maintenir dans un tat quasi permanent, s'il n'existe aucune intervention extrieure ; exister dans toute l'entreprise. Causes des variations spciales : Ces causes ont la particularit de : provenir d'une seule source ou d'un grand nombre de sources importantes ; caractriser, des vnements fortuits (Inattendus), devenir irrgulires ; rester difficiles prvoir ; se manifester nouveau moins d'interventions extrieures ; pouvoir tre corriges localement. Or, l'exprience prouve que pour tout procd dans l'entreprise, 85% des causes sont communes (disons alatoires), 15% seulement sont spciales (disons inhabituelles). D'o l'OBJECTIF: 1. Se dbarrasser d'abord et dfinitivement des causes spciales, 2. ensuite rduire les causes communes. Caractristiques dune distribution

Rpartition normale
Intrt : Si la rpartition est normale alors : le procd ne prsente pas de facteur important de drglage; la rpartition est caractrise par la moyenne et l'cart type ; les lois statistiques peuvent tre employes pour tablir des prvisions. Problme industriel : partir des valeurs releves (chantillonnage), est-il possible de modliser le phnomne rel par une loi normale ?

La loi normale
Proprits : Chaque fois que les causes de variation sont multiples et sont indpendantes les unes des autres ; On retrouve les proprits de la loi normale.

KIT-SPC : Identification de lentreprise Nom: Groupe REDIX tablissement de: BASANCON Activit: Production dlment constructeurs automobiles

mcanique

pour

les

Principal moyen de production: machine SIM automates de production daxes sphrique se connectant sur un slecteur automatique de pice. Effectif: personnes 150 Dessin de la pice:

Les tests de normalit

Les histoires daprs les mesures nest jamais parfait: Soit parce que les mesures correspondent des variations dues des causes spciales ; Soit parce que les mesures ne sont pas nombreuses ; Soit parce que le processus de mesure comporte des anomalies ; Soit tout simplement la loi nest pas normale. Dans ce cas si on applique les proprits de la loi normale les rsultats seront errons, il est donc important de sassurer de la normalit de la loi cest--dire labsence danomalies.

M1: Prsentation du simulateur Machine capots- la baguette de production 5 par 5 pices. Production de 100 pices Constater la dispersion Prsenter le slecteur, les chelles de mesure M2: la mesure de la conformit Lentreprise reoit la lettre N1 du client Production de 100 pices Dessiner le contour de la production et envoyer cette image au client M3: Image de la production Lentreprise reoit la lettre N2 du client Production de 100 pices Dessiner le contour de la production et envoyer cette image au client Lentreprise reoit la lettre N3 du client Production de 100 pices Dessiner le contour de la production et envoyer cette image au client Lentreprise reoit la lettre N4 du client tapes de mise en place de la MSP

A/ La droite de Henry
Objectif : vrifier si la distribution est Gaussienne. . Le caractre normal de la distribution se reconnat la qualit de l'alignement des points. Principe : bas sur la transformation graphique : En abscisse: Les valeurs de Xien ordre croissant (en centre de classe) En ordonne: La probabilit cumule donne par :

Les tapes suivre : 1/ Calculer le nombre de classe: 2/ Calculer l'tendue d'une classe: 3/ Construire le tableau suivant:

4/ Reprsenter la droite de HENRY 5/ En suite on dtermine graphiquement: XO (la moyenne): correspond au point dont l'ordonne est 50% S (l'cart type): s'obtient en divisant par deux l'intervalle entre les abscisses qui correspond aux deux ordonnes 16% et 84%. Si les points ne sont pas aligns, la loi n'est pas normale Mise sous contrle Processus Interprtation du test : Si la distribution de la variable dans lchantillon tait de Gauss, les points seraient parfaitement aligns. Si la distribution de la variable dans la population est de Gauss, la courbe obtenue avec la distribution de lchantillon, qui na aucune raison dtre de Gauss, devrait tout de mme, puisque lchantillon est au hasard, tre voisin dune droite, et ceci dautant plus que cet chantillon est grand. Par consquent : Si les points obtenus sont sensiblement aligns, on conclut quil ny a aucune raison de rejeter lhypothse de normalit dans la population. Si les points obtenus ne sont pas sensiblement aligns, on conclut quon rejette lhypothse de normalit dans la population. Le jugement est, videmment, totalement subjectif, et le test est assez "rustique".

B/ Test de kolmogorov-smirnov
Ce test tudie l'cart entre : la fonction des probabilits cumules de l'chantillon et la fonction des probabilits cumules de la loi thorique. On regarde pour tous les points cet cart. Et on garde la valeur la plus leve en valeur absolue. Cas de la loi normale : 1/ trier les valeurs dans l'ordre croissant. 2 / calculer la moyenne et l'cart-type. 3 / faire le tableau pour le calcul des carts. NB : Ce test est assez puissant et prcis par rapport aux autres tests et ne ncessite, aucune restriction au niveau de ta taille dchantillon. Il demande moins de calculs et tient compte la fois de petits et grands chantillons. Procdure : Soit X1, X2, X3, Xn un chantillon de distribution thorique F(X) connue. Soit F*(X)= i/n+ 1 la fonction de rpartition empirique. On montre que la quantit Dn = Max lF *(X)- F(x)l ne dpend que de la taille de t'chantillon (n). En associant cette proprit au risque (niveau de confiance) on | ( ) obtient la probabilit : ( )| Au niveau de confiance , on conclut au rejet de l'hypothse de normalit si :
( )

Les limites de contrle et tolrances :

La dispersion est donne par le processus (daprs les mesures effectues). Elle permet de calculer les limites de contrle. La tolrance est donne par le plan. Les limites de contrle sont donc diffrentes de la tolrance. Les limites de contrle, tolrances et dfauts:

Les deux causes de variation :

Pour une loi normale :

5.4 Capabilit dun processus

Les deux responsabilits : Les coefficients de capabilit sont des indicateurs fondamentaux de la MSP . preuve laptitude du procd respecter les spcifications ; indice dvaluation de lamlioration du procd, suite aux actions correctives envisages. Les instruments de mesure doivent tre capables et agrs, et doivent pouvoir mesurer le dixime de la tolrance prvue. Avant lvaluation de laptitude : le processus doivent tre stable, cd que la variabilit de production nest due qu des causes communes. 2 types de coefficients de capabilit : le 1er ne met en vidence que la dispersion (Cm capabilit machine, Cp capabilit procd) le 2nd ne met en vidence que le centrage et la dispersion (Cmk capabilit machine, Cpk capabilit procd)

A/ La capabilit Cp :
Capabilit machine Cm : reprsente la mesure de la performance de la machine seule, indpendamment des autres facteurs ; Capabilit du procd Cp : refltele fonctionnement de lensemble des facteurs de production. Se dfinit comme le rapport entre la performance demande (de la machine ou du procd selon le cas) et la performance relle.

B/ Indice de capabilit Cpk :

L'indice de capabilit Cpk tient compte des deux problmes que prsente l'indice Cp Il y a cependant deux formules pour calculer cet indice. Seulement la plus petite valeur est considre comme tant l'indice Cpk

Quelques valeurs remarquables de Cpk pour un Cp =1,33

Quelques valeurs remarquables de Cp :

Calcul capabilit machine :

tre dans le cas dun contrle de mesures ; Vrifier que la distribution suit une loi normale ; Comparer les possibilits de la machine aux tolrances spcifies : Car, avant dagir sur le procd et le mettre sous contrle, il faut sassurer que la machine est apte fabriquer des produits conformes aux spcifications.

Les deux caractristiques dune distribution :

Il sagit donc de situer la distribution par rapport aux spcifications et de calculer le rapport entre lintervalle de tolrance et six carts-types de la distribution : Ts : tolrance suprieure Ti : tolrance infrieure i : cart-type instantan Cm : capabilit machine Ts Ti = IT = intervalle de tolrance Avec lexigence que : On dira que la machine est apte si :

La capabilit machine doit se calculer partir de donnes releves dans un laps de temps trs court incluant seulement la dispersion de la machine, en dehors de toute modification des autres facteurs de production (matire, mains duvre).

Sil ny a pas de difficult pour calculer Ts Ti, lcart type instantan se calcule de la faon suivante : Soit 50 pices conscutives. Soit prlvements rapprochs de k chantillons de n pices chacun, dans ce cas on peut estimer i par la moyenne des tendues des chantillons. Taille : d2 2 :1,128 / 3 :1,693 / 4 :2,059 / 5 :2,326 / 6 :2,534 / 7 :2,704/ 8 :2,847 / 9 :2,970 / 10 :3,078 / 11 :3,173 / 12 :3,258

Lobjectif essentiel de la MSP tant lamlioration continue du procd, le Cpk sera le coefficient privilgi suivre pour valuer cette amlioration.

Un autre coefficient existe, inclut la fois le centrage et la dispersion :

(
Exploitation de lindice Cm

machine non apte produire des pices conformes aux spcifications. Des valeurs seront > ou < aux tolrances spcifies une partie de la production sera en dehors des tolrances machine tout juste apte. La dispersion est gale lintervalle de tolrance. Elle produit bien 99,8% de pices bonnes, mais la moindre variation entranera la production de pices non conformes machine apte et tolre une drive dautant plus grande que lindice Cm est plus lev

Exemple

Calcul capabilit procd

Indice capabilit procd Cp Lindice de capabilit procd ne peut tre calcul que lorsque le procd est sous contrle, c..d. quil ne reste comme causes de variabilit ou de dispersion que des causes alatoires.

Ts : tolrance suprieure Ti : tolrance infrieure S : moyenne des cart-types des chantillons R : moyenne des tendues des chantillons C4 selon tableau : 2: 0,7919 / 3: 0,8862 / 4: 0,9213 / 5: 0,940 / 6: 0,9515 / 7: 0,9594 / 8: 0,9650 / 9: 0,9693 / 10: 0,9727 / 11: 0,9754 / 12: 0,9776 Coefficient de capabilit procd Cpk Il permet dapprcier la dispersion et le centrage

(
Signification du coefficient Cpk Cpk < 1 1 < Cpk < 1,33 1,34 < Cpk < 2 Cpk > 2

procd nest pas capable de maintenir toute la production dans les spcifications cest le minimum acceptable : il faut amliorer le procd le coefficient est bon : il faut continuer les efforts le coefficient est excellent