Matrise Statistique des

Procds
 Plan du chapitre
1. Introduction
2. Les concepts de la MSP
3. Analyse de capabilit
4. Les cartes de contrle
5. Cartes moyenne-tendue de
SHEWHART
6. Aptitude du systme de mesure
1 Introduction la dmarche MSP
Pour expliquer la MSP, on peut partir du postulat de
Montgomery :
La qualit est inversement proportionnelle la
variabilit
Dans un systme de production quel qu'il soit
(production de produits manufacturiers, de services ou
d'information), la variabilit provient de l'absence de
rptitivit parfaite
Les causes principales en sont l'usure des machines et
des matriaux, les oprateurs, les mthodes de
fabrication et l'environnement
1 Introduction la dmarche MSP
La Matrise Statistique des Procds (MSP) ou Statistical
Process Control (SPC) tente de modliser ces causes et
leurs effets
Il s'agit plus d'une mthodologie que d'une simple liste
d'outils
Cette mthodologie est compose de trois objectifs :
Le Process control qui tente de maintenir le
processus sur sa cible en termes de positionnement
nominal et de tolrances
Le Process capability qui tente de dterminer la
variabilit inhrente un processus pour tablir des
spcifications ralistes utilisables en particulier des
fins de comparaisons
Le Process change qui induit des modifications du
processus dans un but d'amlioration (c'est la partie
action de la MSP)
1 Introduction la dmarche MSP
La MSP est associe une grande liste d'outils comme
lanalyse de Pareto, le diagramme dIshikawa, les
histogrammes de frquence, lAMDEC, les plans
dexprience, etc..
La MSP nest pas un concept nouveau : elle a t
invente chez Bell Telephone par Shewhart en 1924
Tout dabord oublie, cest Deming qui dans les annes
60 lui a redonn de lintrt
En effet, le passage une conomie de march aprs la
crise de 1973 poussa les entreprises europennes
mettre en place leur systme qualit
Dans la dmarche qualit dune entreprise
manufacturire, elle reprsente un lment trs important
de la qualit des productions
1 Introduction la dmarche MSP
La MSP s'applique aux productions en srie,
dont l'adquation aux exigences du cahier des
charges passe par au moins une caractristique
mesurable ou comptable
Fortement dveloppe dans certains secteurs
industriels comme ceux de l'automobile ou de
l'lectronique, la MSP s'applique galement aux
productions en flux continu, aux travaux
administratifs, etc..
Elle peut mme constituer un mode de
management (dvelopp par Deming)
1 Introduction la dmarche MSP

Elle constitue, comme on va le voir travers cet

expos, le fer de lance dune stratgie de
prvention
Mais, au del du simple outil, elle intgre une
culture dentreprise
Or beaucoup dentreprises ont chou parce
quelles navaient pas cette culture et quelles ny
voyaient quun simple outil pour faire plaisir
leurs clients
 2 Concepts de MSP

1. Qualit dun produit

2. Problmatique
3. Causes de variabilit
4. Principe de la MSP
5. Stratgie de la MSP
2.1 - Qualit produit
Qualit dun produit : il doit
A la poubelle au bout satisfaire les exigences du
dune semaine! Cest client le plus longtemps
un scandale!.. possible
Elle inclut donc la notion de
performance
Le produit doit donc tre apte
maintenir cette performance le
plus longtemps possible

Do la ncessit didentifier les

paramtres ou caractristiques
susceptibles de mettre en
vidence cette aptitude
2.1 - Qualit produit

Qualit associe un
paramtre ou une
caractristique : tolrance
sur une cote par exemple
Le produit est de qualit si
le paramtre est conforme
au cahier des charges

Pour tre sr de son coup, on adopte des tolrances de

plus en plus serres : cest une erreur puisquon
augmente ainsi les cots de production !
 2.1 Qualit dun produit
Il faut donc viter den arriver l, dautant plus
quun contrle unique en bout de ligne ne
donne pas de valeur ajoute au produit, au
contraire
Do lide de base de la MSP :
c'est la qualit du procd qui fait la
qualit du produit

En dautres termes, pour garantir la qualit,

plutt que de contrler et trier le produit fini, il
vaut mieux agir sur les procds
2.2 - Problmatique

Quel que soit le processus de

production et quel que soit le
niveau o lon se place
(conception, fabrication,
maintenance, matires
premires, etc..), il ne sera
jamais possible de crer des
produits ou des caractristiques
exactement identiques

Des exemples : couleur de peinture, diamtre dun

alsage, poids dune glule pharmaceutique, etc..
2.2 - Problmatique

Cest le problme
quotidien des oprateurs
de production
Par exemple, une cote
dun lot de pices alses
ne fera jamais
exactement 15mm, mais
sera rpartie entre 14,97
et 15,03 mm

Il y a donc toujours une dispersion dans la rpartition

du paramtre (ou caractristique) tudi
 Cette dispersion sappelle variabilit du processus
En production, la variabilit dun paramtre est un
phnomne incontournable
Les variations proviennent de lensemble du procd
de fabrication ( 5 sources possibles = 5M)

Milieu

Mthode
Machine

Matire Main duvre

 Variabilit dun processus
Si la variabilit du processus de fabrication est
importante, le fabricant va avoir du mal satisfaire le
client ou alors il faudra quil dpense beaucoup
dargent pour retravailler ou recycler la production
rebute
Il ne sera plus concurrentiel
Pour tre concurrentiel, il est ncessaire damliorer
constamment la qualit du produit afin de satisfaire le
client
La cl de lamlioration consiste donc diminuer la
variabilit du processus de production
2.3 Causes de variabilit
Les dispersions sur la dimension dune pice
sont dues deux familles de causes :

A - Les causes communes ou alatoires

Elles sont dues aux nombreuses sources de
variations non identifiables, donc difficilement
matrisables, et toujours prsentes en grand
nombre sur un procd de fabrication
(temprature, hygromtrie, main duvre plus
ou moins bien rveille, etc..)
Il faut vivre avec !
Elles forment la variabilit intrinsque du
procd
2.3 - Causes de variabilit
B - Les causes spciales ou assignables
Elles sont identifiables, souvent rgulires et
instables
Elles ncessitent lintervention sur le processus
et sont de deux sortes:
celles qui participent au drglage de la
valeur surveille (usure doutil, matire
premire non homogne par exemple)
celles qui agissent sur la dispersion (dfaut
de lubrification par exemple)
 2.4 Principes de la MSP
Comportement
imprvisible Temps

Modification de
Modification tendance centrale
de dispersion

Lorsque des causes spciales de variabilit sont

prsentes, on dit que le processus est non matris,
hors contrle ou non stable
 2.4 Principes de la MSP
Comportement
prvisible Temps

Inversement, lorsque la variabilit du processus nest

plus d quaux causes alatoires, on dit que le
processus est matris, stable ou quil est sous
contrle
 2.4 Principes de la MSP
On supposera toujours que, lorsque le
procd est sous contrle, la qualit du
produit est acceptable
Qualit acceptable signifie encore que la
dispersion naturelle du processus est
comparable lintervalle de spcifications
demandes
L'objectif de la MSP est de se dbarrasser des
causes spciales et de rduire les causes
communes
 2.4 Principes de la MSP
Pour cela, on s'attaque dabord aux causes spciales
responsables des variabilits accidentelles du
produit
L'AMDEC (Analyse des modes de dfaillances) est
un outil privilgi pour proposer les solutions aptes
stabiliser le processus, et donc rduire la variabilit
Ces solutions sont mises en application en
impliquant la Maintenance, dont le rle prventif est
de ce fait encourag et valoris
Il est important de savoir et de faire savoir que cette
phase est la plus longue et la plus difficile, et que sa
russite conditionne la poursuite de la dmarche
 2.4 Principes de la MSP
Quand le processus est stabilis, la variabilit
nest plus due qu des causes communes
(difficilement compressibles sans
reconcevoir les processus)
On vrifie alors que le processus est apte
rpondre aux exigences imposes au produit
final (aptitude satisfaire aux limites de
spcifications)

Le processus est alors dit capable

 2.4 Principes de la MSP
Ensuite, on dtermine les facteurs influents sur les
caractristiques du produit final et donc sur sa
conformit
On dit quon les met sous contrle
L'outil final de la MSP est la carte de contrle, portant
de prfrence, sur des paramtres du processus
Les cartes de contrles ont pour vertu principale la
simplicit
En effet la mthode intgre, dans ses rgles
d'interprtation et de dcision, tous les calculs de
statistique ncessaires
2.4 Principes de la MSP
La MSP libre ainsi l'utilisateur
de l'apprentissage fastidieux
de la statistique

Cette dmarche remet donc

les cartes de contrle aux
mains des oprateurs, comme
un outil d'auto-contrle, pour
le pilotage en direct du
procd
 La dmarche
Les variations alatoires dun paramtre suivent
trs souvent une loi normale
Moyenne

)
Dispersion (6

On prend donc comme hypothse que le processus

a une dispersion qui suit la loi de Gauss
 La dmarche

Dans une dmarche classique, on fixe ensuite

un intervalle de tolrance (IT) dans lequel on
doit retrouver toutes les valeurs

Attention : ne pas confondre limites naturelles

et tolrances !
Il faut en effet dissocier :
laction sur le processus (rglage)
laction sur le produit (tri, acceptation,
contrle)
 La dmarche
LIT et LST sot les limites infrieure et suprieure de
lintervalle

LIT Moyenne LST

IT

)
Dispersion (6

Lintervalle IT peut tre diffrent de la dispersion

Si le paramtre contrl nest pas dans cet intervalle,
on obtient un non-conforme quon carte
 La dmarche
LIT Moyenne LST

IT

)
Dispersion (6

On montre que le taux de non-conformes est minimum

si le processus est centr
Avec une dispersion de 6 , le taux de non-conformes
est alors 0,27%
Par contre, on ne matrise pas les variations du
paramtre dans lIT et on peut donc pas anticiper ses
drives
Exemple : assemblage dun arbre et dun
alsage
alsage
arbre

Souhait du client : que lassemblage

fonctionne
Caractristiques participant au bon fonctionnement de
lassemblage :
Diamtre de lalsage
Diamtre de larbre
Cylindricit
Rugosit des surfaces
Mais il y en a dautres !

Pour assurer un fonctionnement idal, il faut contrler

ces quatre caractristiques sur lensemble des
assemblages
Le problme est quil nest pas possible de tous les
surveiller pour des raisons de faisabilit et de cot
Do la ncessit dchantillonner
Exemple
On se limite donc suivre les diamtres (cest le plus
facile raliser) et on accepte quils soient considrs
comme paramtres critiques afin dassurer la qualit
finale du produit

Dans ces conditions, quelles doivent tre les bonnes

tolrances sur ces deux paramtres?

lassemblage fonctionnera si le jeu entre lalsage et

laxe est gal au jeu idal (fix par des normes ou bien
par lexprience)
cest ce jeu idal quon appelle encore cible

Exemple
 Conditions de ralisation

Pour obtenir la cible,

on fixe des tolrances
sur les diamtres de Toutefois, le
lalsage et de larbre, fonctionnement de
calcules en fonction lassemblage ne sera
de lintervalle de idal que si les 2 autres
tolrance souhait sur paramtres non
le jeu surveills restent dans
des limites
raisonnables, ce qui est
loin dtre vident !

Exemple
 Prise de dcision
1er cas :
Lalsage est au minimum et larbre est au maximum
Ces paramtres sont acceptables
Mais si la cylindricit et la rugosit sont en limite, il
est clair que lon va vers un fonctionnement dgrad,
donc la qualit nest plus assure

2me cas :
Lalsage et larbre sont quasiment sur la cible
Le jeu est donc idal
Mme si la cylindricit et la rugosit sont en limite, il
est clair que la qualit est assure

Exemple
2.5 - Stratgie de la MSP

Systme de contrle qui consiste :

SPC, MSP
Qusaco? prlever au cours dune production
srielle des chantillons du produit
effectuer le mesurage de certaines
grandeurs
effectuer une estimation statistique
partir des grandeurs mesures
conclure en proposant des actions
entreprendre pour piloter le
procd
 Les mthodes possibles
Mthodes off-line :
Pareto
Diagramme dIshikawa
Plans dexprience
Analyse de capabilit

Mthodes on-line = suivi de production

Cartes de contrle aux mesures
Cartes de contrle aux attributs
Carte de contrles moyennes mobiles,
sommes cumules, etc..
 2.5 - Stratgie de la MSP
En se limitant aux outils ddis aux critres mesurables,
la MSP sappuie sur deux concepts essentiels :
lanalyse de capabilit
le pilotage par carte de contrle
Ces deux concepts fondamentaux nont pas t
introduits en mme temps, mais pourtant il sont
troitement lis :
une tude de capabilit permet de dfinir si le
processus est apte fournir un produit avec le niveau de
qualit requis
la carte de contrle permet de piloter le processus afin
de maintenir voire damliorer sa capabilit
lun ne va pas sans lautre, et il est inutile de vouloir
mettre en place une carte de contrle si le processus
nest pas capable
 2.5 - Stratgie de la MSP

Do la stratgie :
1. Etude de la capabilit
2. Dtermination de la loi de probabilit
3. Ralisation de cartes de contrle pour un
suivi de l'volution
4. Dtermination des ractions adopter pour
chacun des phnomnes dfaillants mis en
vidence par les autocontrles
5. Formation sur les autocontrles pour les
oprateurs directement concerns
6. Mise en place dfinitive des autocontrles
dans les ateliers
 Les tapes dune mise sous contrle

Lobjectif de la MSP est de viser une

valeur cible milieu de lIT
Les deux paramtres essentiels de cette
courbe sont la moyenne et la dispersion

La position moyenne, La dispersion, note R

note X , donne une (Range en anglais), fixe le
bonne indication de la plus souvent 6 fois lcart-
position de rglage de type, donne une bonne
la machine indication de limportance
des variations observes
Etape 1
Moyenne

IT

La rpartition des valeurs de la caractristique

contrle nest pas gaussienne
Les rebuts sont importants et non matriss
Le procd nest pas sous contrle : il faut
rechercher et corriger les causes spciales
 Moyenne

Etape 2

IT

On a limin les principales causes spciales : la

rpartition des valeurs de la caractristique contrle
est gaussienne
Il y a toutefois encore des rebuts : le procd nest
pas encore capable
Par contre, le procd est sous contrle, car
prvisible
 Moyenne

Etape 3

IT

Il ny a plus de rebut : le procd est capable

Le procd est sous contrle
On matrise le procd
Conclusion
Chaque paramtre surveill en production doit
avoir une cible dfinie consensuellement par
tous les services concerns
La cible reprsente le niveau idal du paramtre
Tous les oprateurs doivent sefforcer de
centrer leur procd sur la cible
La cible doit apparatre clairement dans les
plans de fabrication
Pour satisfaire le centrage du procd sur cette
cible, les services de production doivent utiliser
les outils de la MSP
 3 Analyse de capabilit
3.1 - Dfinition
Daprs la norme AFNOR X06-030, un processus sera
dclar apte s'il a dmontr, pour les caractristiques
slectionnes, qu'il tait capable :
de produire pendant une priode suffisamment
longue
avec un taux thorique de non-conformits infrieur
aux exigences internes l'entreprise ou
contractuelles (taux fix 0,27%)
La capabilit est la quantification de la performance
relle du processus par rapport la performance
souhaite
La capabilit sexprime donc par un nombre
 3.1 - Dfinition
Deux questions se posent de suite :
quelle est la traduction de la performance
souhaite ?
comment mesurer la performance relle ?

Tout le monde est peu prs daccord pour

prendre lintervalle de tolrance comme
rfrentiel de la performance
Par contre, le calcul de la performance relle
suscite encore des interrogations si le
processus ne suit pas une loi normale
 3.1 - Dfinition
Do les hypothses :
on supposera que le paramtre (ou la caractristique)
contrl(e) suit une loi normale (diffrentes mthodes
permettent de vrifier la normalit : droite de Henry,
etc..)
la capabilit mesurera la capacit du processus
fournir un produit dans lintervalle de tolrance fix par
le cahier des charges
On trouve deux types dindicateurs de capabilit :
ceux qui sappuient sur un calcul de dispersion des
mesures
ceux qui se basent sur une fonction perte introduite
par Taguchi
Notations
Si on effectue k observations X1, X2, , Xk, on a :
k

moyenne de lchantillon :
X i
X= i =1
k

(X )
k
2
i X
cart-type : = i =1
k 1

Etendue : R = Xmax Xmin

3.2 Capabilit procd
A Capabilit intrinsque du procd
Cest le rapport entre lintervalle de tolrance et
la dispersion globale :

CP = Intervalle de tolrance = IT
Dispersion globale 6

Un procd est dit capable si sa capabilit

intrinsque est suprieure 1,33
Dans le cas dun calcul court terme, la dispersion
globale est remplace par la dispersion instantane (gale
la dispersion globale si le procd est parfaitement
stable)
 Exemple 1

IT

Limite infrieure de Limite suprieure de

variabilit naturelle variabilit naturelle

Dispersion

CP < 1,33
Procd non capable : il y aura rebut mme
si le rglage est parfait
Exemple 2
IT

Dispersion
Limite
Limite
sup
inf
CP > 1,33
Procd capable : rglage et drive possibles
sans rebut
Exemple 3
IT

Dispersion Limite
Limite
sup
inf
CP = 1
Capabilit limite : aucun rglage possible
sans rebut
Valeurs de rfrence de Cp

Capabilit Commentaire
0,67 Trs mauvaise
1 Mauvaise
1,33 Trs moyenne
moyenne
1,67 Moyenne bonne
2 Bonne trs bonne
>2 Excellente
 Dans le cas o lon ne connat quune limite
et la moyenne :
si on a seulement la
Cp = LTS X
3 spcification suprieure

si on a seulement la
Cp = X LTI
3 spcification infrieure

L'amlioration de la capabilit peut tre obtenue :

soit par une rvision de l'intervalle de tolrance
dans le sens d'un largissement
soit par la fiabilisation du processus pour
diminuer la dispersion sur les valeurs
mesures
 L'importance des hypothses peut tre
montre sur le coefficient Cp
Lorsque celui-ci est faible, cela n'induit pas
obligatoirement que la qualit du processus
l'est galement
En effet, cela peut provenir de linadquation
de l'hypothse de normalit (ou au minimum
de l'hypothse de symtrie)
Le raisonnement est galement valable pour
les fortes valeurs de Cp
Un test d'adquation pralable toute
interprtation est donc requis
B Indicateur de drglement
Un procd peut tre capable dans deux situations
diffrentes

Processus centr Processus non centr

IT IT

Dispersion Dispersion

Sur le second procd, il est clair quil faut mettre en

place un autre indicateur qui tiendra compte du
drglement
 IT

D1 D1

D2

Dispersion
Lindicateur de drglage est not Cpk
Il compare les deux distances D1 (ou D1) et D2

LST X , X LIT
On a : CPk = Min
3
 Commentaires

Le Cp n'exige pas la connaissance de la

moyenne pour son valuation
L'indice Cpk est introduit justement afin de
donner une certaine influence la moyenne
Il inclut donc la capabilit intrinsque et le
drglage
Le procd est alors jug capable si Cpk > 1,33
Mais il ne faut pas pour autant ngliger le Cp.
Le CPk a toutefois ses IT
limites

IT
Dispersion
CP = 1,33 et CPk = 1,33
Rglage parfait

Dispersion
CP = 3 et CPk = 1,9 Le CPk nest donc pas
Le drglement est suffisant!
important alors que le Cpk
est meilleur
 Commentaires

Donc, plus le drglage est important, plus la

diffrence entre les deux indicateurs lest
aussi
Les oprateurs auront donc pour objectif
davoir un Cpk le plus proche possible du Cp

La capabilit procd Cp et Cpk fait intervenir

l'ensemble des variations dues aux 5 M
On parle aussi de capabilit globale
C Capabilit machine

Dans les 5M, quatre familles de causes sont

indpendantes de la machine (Mthodes, main
duvre, Milieu et Matire
Il est toujours plus facile dagir sur ces 4M que sur la
Machine, sauf reconcevoir celle-ci au prix
dinvestissements importants
Si on peut liminer les influences alatoires des 4M,
il ne restera que les causes communes lies la
Machine
On obtient alors une capabilit correspondant au
fonctionnement de la machine dans des conditions
donnes et pour une gamme de fabrication donne :
Cest la capabilit instantane
 Machine

Dispersion instantane

Processus

Dispersion globale

Les formules du Cm et du Cmk sont les mmes que

celles du Cp et du Cpk.
La seule diffrence provient de l'estimation de la
dispersion
 On appelle i la dispersion de la machine ou
dispersion instantane

On appelle g la dispersion du processus ou

dispersion globale

On suppose avoir prlev k chantillons de taille n

avec k 5 et n 20
n
X
j =1
ij
Moyenne de chaque
On a alors : Xi = chantillon
n
k
X i Moyenne des moyennes
X= i= 1
k
 (X )
n
2
ij Xi
j =1 dispersion de chaque
On a galement i =
n 1 chantillon

k
Un estimateur sans biais de la
dispersion instantane est
i2
i = i =1
k

(X )
2
Un estimateur sans biais de la
ij Xi
dispersion globale est
g = i, j
nk 1
3.3 Indicateur synthtique de capabilit
Lobjectif de la MSP est de viser une valeur cible
milieu de lintervalle de tolrance
Toutefois la fonction de rpartition dune
caractristique ne suit pas toujours une loi normale

Exemple La rpartition en vert est bien

centre, mais gnre du rebut

Moyenne La rpartition en rouge,

issue dun tri pralable, est
uniforme sur lIT et ne
gnre pas de rebut
On aurait tendance la
prfrer celle en vert
IT Or les qualits sont trs
proches lune de lautre
 3.3 Indicateur synthtique de capabilit
Autre exemple
IT
IT

Dispersion
Dispersion
Production b : Cpk
Production a : Cpk lev
faible
On pourrait en conclure que la production a est de
meilleure qualit
Or, ce nest pas le cas, puisque le processus est
drgl
 Il est donc difficile de comparer deux productions
lorsque leurs Cp et Cpk sont diffrents
Le besoin dun indicateur plus synthtique se fait donc
ressentir
Taguchi a mis en vidence une
fonction de perte qui L = K(X X0)2
sexprime par :
X0 est la valeur cible recherche
K constante dpendant du problme pos
X est la valeur prise par la caractristique
Moyenne
L
Le graphe de cette fonction
montre que la perte la plus
faible est obtenue avec une
rpartition de dispersion plus
IT faible !
3.3 Indicateur synthtique de capabilit

Son but est de donner une image globale du

procd en une seule valeur

IT CP
Cpm = =
6 2 (
+ X cible )
2
(
1 + 9. CPCpk )
2

Si le procd est bien centr alors Cpm = Cp

 Application

LST LIT IT = 16 LST

LIT
IT = 8

a Dispersion 6 b Dispersion 6

Cas a : Cp = 8/6 = 1,33 , Cpk = 4/3 = 1,33 , Cpm = 8/6 = 1,33

Cas b : Cp = 16/6 = 2,67 , Cpk = 4/3 = 1,33

16 = 0,65
Cpm =
6 17
Cpm pnalise normment le dcentrage dun procd, ce
que navaient pas su faire Cp et Cpk, bien au contraire !
4 Cartes de contrle

En plein
dans la
cible

1. Principes
2. Les types de cartes
de contrle
3. Exemple : cartes de
contrle en moyenne
et tendue
 Elles ont t inventes par Shewhart en 1924
Ce sont des outils indispensables pour raliser le
pilotage rationnel dun processus
Les cartes de contrle ont t dveloppes dans
le but de dtecter lapparition de causes
spciales qui ncessitent une intervention sur le
processus
Pour cela on va raliser deux tests statistiques :
le premier pour sassurer que le processus
nest pas drgl
le second pour vrifier que la dispersion
naturelle na pas chang
4.1 - Principes de la carte de contrle
A - Limites naturelles dun procd

Les causes communes agissent de manires

alatoires sur le procd de fabrication
Les paramtres du produits fabriqus ne sont
donc pas identiques et suivent une loi de Gauss
(thorme central limite)
Si la moyenne dun paramtre est centre sur la
cible, les valeurs de ce paramtre sont comprises
entre 3 de cette cible
Les valeurs cible + 3 et cible - 3

reprsentent les limites naturelles du procd

Cible 3 Cible

Cible + 3

Limite naturelle Limite naturelle

infrieure Dispersion naturelle suprieure
du procd
 B Pilotage par les limites naturelles

Attention : ne pas confondre limites

naturelles et tolrances !
Il faut dissocier laction sur le procd (rglage) et
laction sur le produit (tri, acceptation, contrle)

1. Les tolrances servent dterminer si les

pices que lon vient de fabriquer sont bonnes
ou mauvaises (on les accepte ou on les refuse)
2. Les limites naturelles servent dterminer si le
processus de fabrication est toujours centr
sur la cible. Elles servent agir sur le procd
pour que les pices suivantes soient toujours
bonnes
 Cas 1
Tolrances

Pice
prleve

Limite Limite
infrieure suprieure
Dispersion
Loprateur prlve une pice qui
se situe hors des tolrances Le procd est dclar non
(peut-tre trop serres) capable alors que la pice tait
Il la considre mauvaise et rgle dans les limites naturelles !
le procd!
 Cas 2
Tolrances

Pice
prleve

Limite Limite
infrieure suprieure
Dispersion
Loprateur prlve une pice
qui se situe lintrieur des Le procd est dclar
tolrances capable alors quil ntait
Il la considre bonne et continue pas centr sur la cible et
sa production! quil fallait le rgler !
Conclusion
Piloter un procd par les tolrances, cest
attendre de trouver un produit hors
tolrance avant dintervenir alors que le
procd est drgl
Piloter un procd par les limites naturelles
(raisonnement statistique), cest visualiser
trs rapidement le dcentrage du procd
(hors des limites) et intervenir en rglant :
les produits seront plus proches de la cible
et donc de meilleure qualit
 C Echantillonnage
Le travail de loprateur consiste donc bien rgler
sa machine et veiller ce quelle ne se drgle pas
Pour contrler son rglage, loprateur :
1. prlve rgulirement plusieurs pices
conscutives (n)
2. effectue sur un poste de mtrologie les n
mesurages de la caractristique surveille en
tolrant une erreur de mesurage prdtermine
3. calcule la moyenne de ces mesurages ce qui
permet dliminer leffet de dispersion (la
dispersion sur une moyenne est plus faible que la
dispersion sur des valeurs individuelles dans un
rapport n )
4. trace sa carte de contrle et applique des instructions
2.2 - Cartes de contrle
Les cartes de contrle peuvent tre classes
en deux grandes familles :
les cartes de contrle aux mesures dont
lobjectif est de sassurer de la valeur centrale
et de la dispersion de la grandeur X
les cartes de contrle aux attributs dont
lobjectif est de porter un jugement qualitatif
du genre conforme ou non conforme ou
bien de compter les non conformits
2.21 - Cartes de contrle aux mesures
Pour suivre lvolution dun procd, on prlve
rgulirement un chantillon de la production
Exemple : 5 pices conscutives toutes les heures
Pour prendre une dcision sur ltat de maintien sous
contrle de la tendance centrale du processus, on
peut utiliser plusieurs cartes :
la carte des moyennes X
la carte de la mdiane
~
X
Pour identifier toute preuve de changement de la
dispersion du procd, on peut utiliser :
la carte de ltendue R
la carte de lcart-type
4.21 - Cartes de contrle aux mesures
Dans le but de mettre en vidence les
facteurs qui affectent la tendance centrale
et/ou la dispersion, on met en place deux
cartes de contrle :
une surveillant la tendance centrale
lautre surveillant la variabilit

Les cartes de mesures les plus utilises sont :

la carte X ,
la carte X , R
La ligne pointille rouge reprsente la cible ou la
moyenne de la statistique suivie
Les lignes bleues reprsentent les limites de contrle
Variations alatoires normales
autour de la cible

Limite suprieure de contrle

Cible

Limite infrieure de contrle

Lu Ma Me Je Ve Lu Ma Me Je Ve

Calendrier
Un procd sera dit sous contrle lorsque les
points seront lintrieur des limites de contrle
Dans le cas contraire, il faut intervenir
4.22 - Cartes de contrle aux attributs
Pour prendre une dcision qualitative sur la
qualit des units produites, on peut utiliser
diffrentes cartes :
la carte p pour le suivi de la proportion de non
conformes
la carte np pour le suivi du nombre de non
conformes
la carte c pour le suivi des non-conformits
la carte u pour le suivi du taux de non conformits
la carte d pour les dmrites
 4.23 Autres cartes de contrle
Pour mettre en vidence des drives lentes
dun processus, on peut utiliser des cartes
exploitant les rsultats dun ensemble
dchantillons successifs :

la carte moyennes mobiles MA (= Moving Average)

la carte moyennes mobiles avec pondration
exponentielle EWMA (= Exponentially Weighted
Moving Average)
la carte de contrle sommes cumules CUSUM (=
Cumulative Sum)
 4.3 - Les limites de contrle
Limite suprieure
Causes spciales
de contrle

3 Variations
alatoires
Cible normales
autour de
la cible

3 Causes
communes

Limite infrieure
de contrle

Exemple : limites de contrle pour la carte moyenne X

Exemple
On prlve un chantillon de 5 pices alses sur un
processus de fabrication
On suppose que le procd est matris et quil suit
une loi normale de moyenne = 34 mm et dcart-type
= 0,005 mm
La moyenne de lchantillon suit galement une loi
normale de moyenne
X = = 34 mm
et dcart-type (X) = x = = 0,002236 mm
5
On en dduit que cible = 34mm
LSC = + 3x = 34 + 3x0,002236 = 34,0067
LIC = 3x = 34 3x0,002236 = 33,9933
 5 - Cartes de contrle Moyenne-Etendue
de SHEWHART
Mthode :
intervalles rguliers, on prlve dans la production
des chantillons de taille fixe
la tendance centrale et la dispersion de ces
chantillons sont reportes sur des cartes
prdfinies o l'on examine la proximit des points
par rapport des cibles
dans ce contexte, les tolrances auxquelles pourrait
tre assujettie chaque mesure X n'interviennent pas

Caractristiques :
Taille de lchantillon n 10
Nombre dchantillons k 20
Frquence de contrle : toutes les 30 minutes
5.1 - Carte de contrle Moyenne

Pour chaque chantillon prlev, on calcule la

moyenne et ltendue

A Calcul de la moyenne sur les chantillons

Une estimation sans biais de la moyenne du procd

est donne par la moyenne des moyennes
Xi moyenne de lchantillon i
k le nombre dchantillons
alors k
X i
= X = i =1
k
 B Calcul de ltendue moyenne sur les
chantillons
Si on appelle :
Ri ltendue de lchantillon i
k le nombre dchantillons
alors
k
R i
R= i =1
k
C - Calcul de lestimateur de lcart-type

Pour une caractristique de qualit normalement

distribue, un estimateur sans biais de lcart-
type calcul partir des tendues des k
chantillons est :

= R
d2

Le coefficient d2 dpend uniquement de la

taille n de lchantillon dont les valeurs sont
donnes dans la table de Shewhart
D - Calcul des limites de contrle

Toute carte de contrle de Shewhart a des limites

de contrle fixes 3 de part et dautre de la
cible et se calculent de la manire suivante :
R R
LSC = + 3

= + 3

d2
LIC = 3

= 3

d2
k k k k
d2
On pose : A2 = 3
k
Le coefficient A2 dpend uniquement de la taille
n de lchantillon dont les valeurs sont donnes
dans la table de Shewhart
E - Paramtres de la carte de contrle moyenne

Limite suprieure de contrle

LSC =Cible + A2. R
Limite infrieure de contrle
LIC =Cible A2. R
La cible est la valeur sur laquelle il faut se centrer.
Elle souvent fixe au milieu de lintervalle de
tolrance
Pour des procds qui ne peuvent tre centrs sur la
cible idale, on fixe la cible sur la moyenne des
moyennes de la carte X
 5.2 - Carte de contrle Etendue
Les paramtres de la carte des tendues sont les suivants :
Limite suprieure de contrle
LSC = R + 3 d3 = R + 3 R d3
d2
Le coefficient d3 dpend uniquement de la taille de
lchantillon dont les valeurs sont donnes dans la
table de Shewhart
d3 LSC = D4.R
On pose : D4 = 1 + 3
d2
Limite infrieure de contrle LIC = D3.R
d3
avec : D3 = 1 3
d2
Les coefficients D3 et D4 sont lis la taille n de
lchantillon, comme le coefficient A2
k A2 D3 D4
2 1,8806 0,0000 3,2686
3 1,0230 0,0000 2,5735
4 0,7285 0,0000 2,2822
5 0,5768 0,0000 2,1144
6 0,4833 0,0000 2,0039
7 0,4193 0,0758 1,9242
8 0,3725 0,1359 1,8641
9 0,3367 0,1838 1,8162
10 0,3082 0,2232 1,7768

Pour k 6, D3 = 0, donc LICR = 0

 5.3 Signaux dalerte et actions

Interprtation
LSC un point hors limite
procd hors contrle
Cible
Actions
Carte de la moyenne :
rglage de lcart entre la
LIC valeur trouve et la cible
Carte de ltendue :
Points hors des vrifier sil existe une
limites de contrle valeur aberrante
 5.4 Signaux dalerte et actions

Interprtation
LSC 9 points conscutifs au-
dessus ou au-dessous
de la cible
Cible
procd sous contrle

Actions
LIC Carte de la moyenne :
rglage de lcart entre la
Srie dun ct moyenne des moyenne
de la cible des neufs points et la
cible
 5.4 Signaux dalerte et actions

Interprtation
LSC 6 segments conscutifs
rgulirement croissants
ou dcroissants
Cible
procd sous contrle

Actions
LIC Carte de la moyenne :
vrifier lusure de loutil
Srie croissante ou
dcroissante
 5.4 Signaux dalerte et actions

Interprtation
LSC 14 points conscutifs
alternativement
suprieur ou infrieur au
Cible point prcdent
procd sous contrle

Actions
LIC Carte de la moyenne :
vrifier les conditions de
Srie en dents prlvement et de
de scie transcription des donnes
 5.4 Signaux dalerte et actions

Interprtation
LSC 2 points sur 3
conscutifs proches des
limites suprieure ou
Cible infrieure
procd sous contrle

Actions
LIC Carte de la moyenne :
rglage de lcart entre la
Srie loigne moyenne des deux points
de la cible concerns et la cible
 5.4 Signaux dalerte et actions

Interprtation
LSC 4 points sur 5
conscutifs au del du
tiers central
Cible
procd sous contrle

Actions
LIC Carte de la moyenne :
rglage de lcart entre la
Srie proche des moyenne des quatre
limites de contrle points concerns et la
cible
 5.4 Signaux dalerte et actions

Interprtation
LSC 15 points conscutifs
dans le tiers central
autour de la cible
Cible
procd sous contrle

Actions
LIC Carte de la moyenne :
dispersion plus faible que
prvue
Srie dispersion Carte de ltendue : la vrifier
rduite pour valider cette hypothse
Si OK, pas dintervention
 5.4 Signaux dalerte et actions

Interprtation
LSC 8 points conscutifs
rpartis de chaque ct
de la cible sans point
Cible dans le tiers central
procd sous contrle

Actions
LIC Carte de la moyenne :
revoir les conditions de
Plusieurs sries prlvement et de
distinctes transcription des donnes
 6 Capabilit des moyens de
mesure et de contrle
Une bonne dmarche de MSP commence par
la vrification des moyens de contrle
En effet, la variabilit dun processus est
apprcie par ces moyens de contrle
Cela signifie que la variabilit mesure est
fonction de celle du processus de fabrication
et de celle du processus de mesure
On montre de manire formelle que :
2t = prod
2 + mes
2
 6 Capabilit des moyens de
mesure et de contrle
Cela signifie encore que si la traabilit de
lappareil de mesure nest pas assure
priodiquement, il y a de grandes chances
pour que la dispersion de lappareil de
mesure soit importante
Dans ces conditions, on a une surestimation
de celle du processus de fabrication
Il est donc illusoire de vouloir surveiller un
processus de fabrication si les instruments
utiliss pour faire les mesures sont eux-
mmes sujets caution
 6 Capabilit des moyens de
mesure et de contrle
Jusqu prsent, on avait lud la variabilit
de lappareil de mesure, simplement en sous-
entendant que celle-ci tait trs faible par
rapport la variabilit du processus de
fabrication ou par rapport lintervalle de
spcification du produit
Encore faut-il le vrifier !
Pour cela, on utilise la mthode R & R
(Rptabilit et Reproductibilit)
 6.1 Dfinitions
De nombreux facteurs contribuent la
variabilit du processus de mesure :
loprateur, le moyen de mesure et sa calibration
la mthode de mesure
le temps coul entre deux mesures
lenvironnement, etc..
Le terme gnral utilis pour la variabilit entre
des mesures rptes est la fidlit
La fidlit comporte deux composantes
essentielles :
la rptabilit
la reproductibilit
 6.1 Dfinitions
Rptabilit : dispersion de mesurage d'une
pice, rpte dans les mmes conditions
(mme mthode, mme lieu) sur le mme
appareil (mme calibre), par la mme personne,
sur une courte priode de temps
La rptabilit quantifie donc les variations propres
lies lappareil de mesure
Reproductibilit : cest la dispersion de
mesurage d'une pice lorsque celle-ci est
effectue par plusieurs personnes dans les
mmes conditions
La reproductibilit quantifie donc la dispersion des
oprateurs
 6.1 Dfinitions

On appelle :
rep la dispersion de l'instrument de mesure,
cest dire la dispersion de rptabilit
Rep la dispersion de reproductibilit
mes la dispersion du moyen de mesure (R&R)
Dune manire formelle, la dispersion globale du
moyen de mesure est :

mes
2 = rep
2 + 2
Rep
6.2 Capabilit du processus de mesure
Cest le rapport entre lintervalle de tolrance et
la dispersion globale du moyen de mesure :

CPI = Intervalle de tolrance = IT

Dispersion globale 6mes

Pour dterminer mes et donc la capabilit de

l'instrument de mesure, il existe plusieurs
mthodes
On utilisera la mthode de Charbonneau
6.2 Capabilit du processus de mesure
A Notation
n : nombre de pices mesures (en gnral 10)
r : nombre de mesures effectues sur une pice
par un oprateur (en gnral 2)
p : nombre d'oprateurs
R : tendue des mesures effectues sur une
pice par un oprateur
R : moyenne des n tendues obtenues par
un oprateur
R : moyenne des moyennes
X : moyenne de toutes les mesures (nr)
effectues par un oprateur
B Rptabilit
Pour chaque oprateur, on peut calculer avec la
mthode des moyennes-tendues lcart-type de la
rptabilit
Si lon suppose que les erreurs sont normalement
distribues, un estimateur sans biais de lcart-type
est donn par :
rep = R
d2

Le coefficient d2 est fonction de la valeur de r et est

donn par la table de Shewhart

r 2 3 4
d2 1,1280 1,6930 2,0590
C Reproductibilit
La composante de reproductibilit est issue des
diffrences entre les oprateurs
Ceux-ci mesurent les mmes produits, donc la
variabilit de la moyenne des moyennes donnera
lamplitude de la composante reproductibilit

RX
Repro =
d2

D - Influence du CPI sur le CP

CP observ
On calcule facilement
CP rel =
CP observ
1
CPI