6sigma Ibtissamelhassani Chapitre2015 2016 160107144954

+
Diapositives du cours :
ibtissamelhassani.blogspot.com
+ Avant de commencer… 2
Références pour réviser, compléter et approfondir ce cours :
n  Duret, D., & Pillet, M. (2011). Qualité en production: de l'ISO 9000 à
Six Sigma. Editions Eyrolles.
n  Pillet, M. (2008). Six sigma. Comment l’appliquer, Éditions

d’Organisation, Paris.

Diapositives du cours : ibtissamelhassani.blogspot.com
2
+ Amélioration continue 3
Kai Zen
Changement Meilleur

+ Pourquoi s’Améliorer? 4
+ Progrès Permanent et 5
Amélioration Continue
Performance
Amélioration
continue
Besoin de
Maîtrise
Temps
Gain
Performance
Amélioration
continue
Temps
Investissement
Performance
Rupture
Besoin de
Rupture
Amélioration
continue
Besoin de
Maîtrise
Temps
+ Progrès Permanent 8
Performance
Rupture
Amélioration
continue
Besoin de
Maîtrise
Rupture
Amélioration
continue
Besoin de
Maîtrise
Temps
+ Méthodes et outils 9
Matrice
des Méthodes d’Amélioration
+
Chapitre 1 : Introduction à Six Sigma

+ Satisfaction du Client 11
États-Unis
Les années 1980
Motorola
Concentrer les caractéristiques du produit

vendu autour de la cible attendue par le client
+ La variabilité 12
n Variabilitédans le
processus de tir :

n  Fatigue, stress
n  La variabilité des flèches
n  Le vent
n  La distance au blason…
+ La variabilité 13
Avant 6 sigma Après 6 sigma

+ 6 sigma 14
La probabilité que X se trouve dans l'intervalle [ µ - σ ; µ + σ ] est de plus de 68 %
La probabilité que X se trouve dans l'intervalle [ µ - 2σ ; µ + 2σ ] est de plus de 95 %
La probabilité que X se trouve dans l'intervalle [ µ - 3σ ; µ + 3σ ] est de plus de 99,7 %
La probabilité que X se trouve dans l'intervalle [ µ - 4σ ; µ + 4σ ] est de plus de 99,99 %

+ Sigma varie 15
15
+ La Réduction de la 16
Variabilité
16
+ Z : Indicateur de Qualité 17
17
+ Les acteurs du Six Sigma 18
Le
Cha
mpi
on
Le
Master
Black
Belt
Le Black Belt
Le Green Belt
Le Yellow Belt
Le White Belt
18
+ La loi normale 19
Exemple d’application :
Une embouteilleuse semi-automatique
remplit des bouteilles de 1 litre d’eau. Le
contenu d'une bouteille suit une loi normale
dont l’écart-type est de 1,5 cl. On souhaite
qu’au moins 95 % des bouteilles contiennent
99 cl ou plus.
Le contenu moyen d'une bouteille étant
réglable, sur quelle valeur doit on régler la
machine ?
19
+ Etape de la Mise en Place de 20
20
6 sigma
+
Chapitre 2 : L’Etape Définir dans 6sigma

+ L’Etape Définir dans 6sigma 22
22
+ Vote Pondérée 23
+ QQOQCP 24
+ Définir les CTQ (Critical To 25
Quality)
n Diagramme CTQ
n Classification de KANO
n Diagramme de Performances/Exigences
n Matrice QFD
+ Diagramme CTQ 26
Restaurant
26
+ Classification de Kano 27
27
+ Questionnaire de Kano 28
28
+ Traduction du questionnaire de 29
Kano en catégorie
+ Diagramme « Exigences/ 30
Performances »
30
La matrice QFD – Quality
+ 31
Function Deployment
31
+ 32
32
+ Diagramme SIPOC 33
SIPOC : Suppliers, Input, Process, Output, Customers
33
+ Boîte noire 34
+ Diagramme « dedans/ 35
dehors »
+ 36
La charte
du Projet
+ Exemple CTQ 37
+ 38
+ 39
+
Chapitre 3 : L’Etape Mesurer dans 6sigma

41
+ Introduction – MESURER 42
Vérifier le Moyen de Mesure
+ 43
R&R
+ 44
Analyse de la Variance
+ 45
L’analyse R&R va consister à analyser la décomposition de la variance

totale par rapport aux différentes sources de dispersion :
1  les pièces sont différentes (écarts du mesurande) ;
2  les opérateurs sont différents (reproductibilité) ;
3  il peut y avoir une interaction entre les opérateurs et les pièces
(reproductibilité) ;
4  la variance résiduelle (répétabilité).

la mesure de l’opérateur i pour la pièce j lors de la répétition r =
è Analyse de la variance
R&R et Cmc
+ 46
R&R = Dispersion de l’instrument
Cmc > 4 (ou R&R% < 25 %), l’instrument est jugé acceptable.
+ Analyse 5 M 47
+ 48
+ 49
Matrice
d’Impact
+ Campagne de Relevés 50
+ Indicateurs 51
n  de la qualité Z.
n  de capabilité Cp, Cpk et Cpm.
n  de performance Pp, Ppk et Ppm.

+ Estimer le z du processus 52
+ Estimer le z du processus 53
+ Calcul du zprocess en tenant 54
compte d’un décentrage

+ Capabilité du procédé Cp 55
Capabilité du procédé
+ 56
avec décentrage Cpk

+ Prise en
57
compte du
décentrage
Cpm
+ Performance Pp, Ppk, Ppm 58
+ Application 59
Calculer Cp, Cpk, Pp et Ppk.
On donne :
Cible = 10mm
Moyenne de l’échantillon = 10,01mm
Intervalle de tolérance :
LSS = 10,03mm
LSI = 9,97mm
σCT = 0,015
σLT = 0,02

+ Estimation du sigma long terme 60
et court terme
calculer l’estimateur σn-1 sur un échantillon

σlong représentatif de la production sur le long
terme.
Méthode 1 : Par prélèvement d’un échantillon représentatif.
Méthode 2 : Par prélèvement d’un échantillon exhaustif sur

σcourt une période de production.
Méthode 3 : Par prélèvement de petits échantillons à des

moments différents (cas des cartes de contrôle)
+ Estimation du sigma long terme 61
et court terme
n  Méthode 1
n  Méthode 2
R : la moyenne des étendues mesurées sur deux unités consécutives
n  Méthode 3
1/ Comme la méthode 2.
2/
+ Estimation d2* 62
+ Estimation c4 63
+ La chute des capabilités 64
La chute de Capabilité entre Cp et Pp è instabilité du procédé

+ La Chute des Capabilités 65
n Rendement de stabilité (Rs) :

Rs % = 100(Pp/Cp)
n Rendement de réglage (Rr) :

Rr % = 100(Ppk/Pp)
+ L’origine de la non-qualité 66
+
68
+ But de l’étape Analyser 69
Définir
1 000 X potentiels
Mesurer 100 X potentiels
Étape 10 X potentiels
Analyser : un Analyser analyse descriptive des X et des Y et
entonnoir à X
l’analyse relationnelle entre les X et Y.
Innover
On ne touche à rien avant d'être à l'étape

Contrôler Innover
Standardiser
+ La conduite de l’étape 70
Analyser
1  • une analyse descriptive : détecter d’éventuelles
anomalies telles que la présence de valeurs aberrantes,
une non-normalité…
2  • une analyse relationnelle : comprendre en quoi les X

ont une influence sur la caractéristique Y que l’on
cherche à améliorer.
+ Analyse du comportement 71
des Y et des X
Etape Collecte des tableaux Analyser ces

Mesurer données d’observation données :
u  une étude du comportement par rapport aux spécifications existantes;
u  une analyse statistique : moyenne, écart type, présence de valeurs

aberrantes… ;
u  une analyse de normalité et l’analyse des causes en cas de non

normalité ;
u  une analyse des variations dans le temps des caractéristiques afin de
vérifier si la caractéristique est sous contrôle (utilisation des cartes de
contrôle) ;
u  une analyse des chutes de Capabilité.

+ Analyser les relations entre 72
les X et les Y
n  Quels sont les X qui expliquent la variabilité des Y ?
On dissocie en général trois types dans l’origine des variations :
Variations de position
• Variations cycliques
– Position sur une
machine multi-
Variations temporelles
posages.
– Variation d’un lot à
– Chip particulier
un autre.
dans un wafer.
– Variation d’une
– Empreinte dans un – Variation d’une
coulée à une autre.
moule sur une presse équipe à l’autre, matin
– Variation parmi un
à injecter. et soir, jours de la
groupe d’unités
– Variation entre 2 semaine...
(usure d’outils).
machines, 2
– ...
opérateurs, 2 ateliers.
– ...
+ Représentation Graphique 73
des données
Diagramme des effets et
Boxplot Le Diagramme multi-vari diagramme des interactions
des données
La boîte à moustache :
Pour définir une valeur aberrante, on calcule :

– une limite basse par la relation Q1 – 1,5 (Q3 – Q1)
– une limite haute par la relation Q3 + 1,5 (Q3 – Q1)
+ 75
n 
des données
Le
diagramme
multi-vari
Quelles sont les

causes de
dispersion :
– La position sur
le plateau ?
– Le lot matière ?
– Le matin ou
soir ?
des données
n  Diagramme des
effets
des données
Graphe des
interactions :
Y a t-il une interactions

entre l’heure et le
poste ?
+ Statistiques Descriptive 79
La statistique descriptive a pour objectif de donner une

description statistique d’un ensemble de données se
décomposant en trois éléments :
Paramètres de Position
la moyenne
la médiane
intervalle de confiance

+ 81
Exemple :
n  calculer l’intervalle dans lequel on a 95 % de chances

de trouver μ ?
n  Moy =7,7037
n  S = 0,0077
n  n = 50 soit 49 ddl
n  tα/2 = 2,0096
+ Solution 82
Paramètres d’échelle
n  l’étendue ;
n  l’écart type ;
n  la variance ;
n  la position des quartiles.

Paramètres d’échelle
n  Il est important lorsque l’on observe une répartition de

savoir si elle suit une répartition normale ou non.
n  À cette fin, on peut mettre en oeuvre différents tests, tels

que :
n  • test du χ2 ;
n  • test d’ANDERSON-DARLING ;
n  • test de SHAPIRO-WILK ;
n  • test de KOLMORONOV-SMIRNOV…
+ Statistique Inférentielle – 85
tests de comparaison
n  Problème de type 1 – Comparaison à une valeur théorique
Mon produit possède actuellement une caractéristique que

je souhaite améliorer. Je fais un essai et les résultats
semblent indiquer une amélioration. Puis-je réellement
conclure à une amélioration ou est-ce simplement dû à l’effet
de la dispersion ?
n  Problème de type 2 – Comparaison de deux (ou plusieurs)
Valeurs J’hésite entre le choix de deux types de colle, la colle

numéro 2 testée sur 2 prototypes semble donner de
meilleurs résultats que la colle 1 testée sur 5 prototypes ; la
différence que présentent ces produits est elle suffisante
pour conclure ?
+ Notion de risque alpha (α) 88
et de risque bêta (β)

n  Risque alpha (α) = c’est le risque de conclure qu’il y a une
différence significative (H1) alors que cela n’est pas vrai.
n  Risque bêta (β) = c’est le risque de conclure qu’il n’y a pas de
différence significative (H0) alors que cette différence existe bien.
+ Notion de risque alpha (α) 89
et de risque bêta (β)
n 
n  on veut vérifier l’influence de la position d’une pièce et
d’un type d’outil sur une caractéristique Y. On a réalisé
deux relevés pour chaque combinaison position/outil. Les
données disponibles sont présentées dans le tableau
suivant. Peut-on conclure à l’influence de la position et de
l’outil ? L’interaction position*outil est elle significative ?
ANAVAR
+ L’étude de Corrélations 91
n  Pour étudier la relation qu’entretiennent deux variables, on

utilise le diagramme de corrélation. Il y a corrélation si ces
deux variables évoluent de façon commune.
n  La régression linéaire

+ Hiérarchiser les X 92
n  Tout ce que nous avons vu comme outils statistiques

peuvent être utilisés pour analyser les relations entre les X
et les Y.
n  Résultats : mettre en évidence les principales causes de

variation par les analyses statistiques que l’on a réalisées
sur les données récoltées.
n  Etape suivante : hiérarchiser les causes afin de connaître

quels sont les X sur lesquels les efforts les plus importants
devront être apportés lors de l’étape Innover/Améliorer
Exemple : Supposons qu’une CTQ Y dépend de deux variables X1 et
X2 : Y = X1 + X2 ,σX1 = 5 et σX2 = 1.
Qu’apporterait sur Y une amélioration qui consisterait à diminuer de 1
l’écart type sur un X ?
+ Hiérarchiser les X 93
n  La hiérarchisation des X peut se présenter sous la forme

d’un Pareto des effets
+ Différents tests de 94
comparaison
comparaison
comparaison
comparaison
comparaison
comparaison
comparaison
comparaison
+ Exercice 102
n  On étudie l’influence de la position d’une pièce et d’un type

d’outil sur une CTQ notée Y. Tracer le graphe des effets et le
graphe des interactions.
+ Exercice 103
n 
+ Exercice 104
n 
+ Étape 3 – ANALYSER Résumé 105
Durant cette étape, on analyse les Y (sorties du processus), les X (variables du

processus) et les relations entre les X et les Y afin d’identifier les quelques X
responsables en grande partie de la variabilité sur Y.
1. Analyse de Y
• Étude de la normalité.
• Étude des variations temporelles.
• Étude de la chute des capabilités.
2. Analyse des X
• Rédiger le diagramme d’Ishikawa afin de déterminer les facteurs X qui peuvent

influer sur les résultats précédents (variation de positions, cycliques, temporelles).
• Faire une observation sur la normalité, les variations temporelles et la chute des
capabilités sur les X.
3. Analyse des symptômes
• Faire une liste des symptômes (d’après un jugement technique et l’expérience du

groupe).
• Faire des hypothèses sur les causes des variations observées.
4. Analyser les relations entre les Y et les X
• Mettre en évidence graphiquement les relations entre Y et les X (boîte à

moustache, multi-vari, graphe des effets…).
• Réaliser les tests statistiques permettant d’apporter la preuve statistique attendue.
• Donner une explication rationnelle pour les effets observés.

5. Hiérarchiser les X
• Mettre en évidence le poids des X pertinents avec Anova ou

Regression.
• Focalisation sur les X les plus pertinents.
• Prévoir un éventuel plan d’expériences pour formaliser la relation.
6. Gains mesurables et gains non mesurables (réactualisation)
• À nouveau, une analyse des gains et des coûts doit être faite afin
d’évaluer si le gain recherché peut être obtenu.

+
+ Etape de la Mise en Place de 109
109
6 sigma : Innover
110
Innover
Synthèse Planifier
des la mise
Générer Valider Analyser en
connais- des les les
oeuvre
sances solutions solutions risques
de la
acquises solution
111
Innover
Synthèse Planifier
des la mise
oeuvre
de la
acquises solution
+ Générer des solutions 112
112
n  le déballage d’idées (ou Brainstorming) qui permet de

développer la créativité du groupe ;
n  le vote pondéré qui permet de choisir parmi plusieurs

solutions.
+ Le déballage d’idées 113
113
+ Le vote pondéré 114
114
n  Afin d’éviter de longues et stériles discussions >> vote
n  on trouve trois catégories de solutions :

n  Celles qui ont reçu l’unanimité ou presque des votes è
retenues
n  Celles qui n’ont pas eu ou très peu de votes è ne seront pas
retenues (au moins dans un premier temps).
n  Celles qui obtiennent des avis partagés è à discuter
+ L’importance de la 115
115
démarche expérimentale
n  Dans une relation Y = f(X), nous devons rechercher une

configuration optimale des X pour atteindre l’objectif sur
Y.
n  Les étapes précédentes : identifier les facteurs clés et

orienter la recherche de solutions.
n  Maintenant : tester et optimiser les configurations au

moyen d’expériences.
116
Innover
Synthèse Planifier
des la mise
oeuvre
de la
acquises solution
+ Plan d’expérience pour 117
117
6sigma
Réponse & Modèle Expérience Essais Interprétation

Facteur
118
6sigma

Facteur
119
6sigma
Modèle
Y = a0 + ΣaiXi + ΣaijXiXj + ΣaijkXiXjXk + …

120
6sigma

Facteur
+ Plan d’expérience pour
121
121
Expérience
6sigma
B
B2
M2
M4
M3
Plan
Traditionnels
M1
B1
A
A1 A2
Effet de A = M3 – M4

122
122
Expérience
6sigma
B
B1
Y3 Y4
Plan
d’Expérience
Y1 Y2
B2
A
A1 A2
Effet de A = (Y2 + Y4)/2 − (Y1 + Y3)/2 = (Y4 − Y3)/2 + (Y2 − Y1)/2
123
123
Expérience
6sigma
ü Toutes les mesures sont utilisées.

ü Nombre plus faible d'expériences.
124
124
Expérience
6sigma
Y = a0 + ΣaiXi + ΣaijXiXj +ΣaijkXiXjXk + …

B
B1
Y3 Y4
B2 Y1 Y2
A
A1 A2
125
125
Expérience
6sigma
Y = a0 + a1 . X
Y ?
Régression
linéaire
a0? a1 ?
X
126
6sigma
Y = a0 + ΣaiXi + ΣaijXiXj +ΣaijkXiXjXk + …

Régression multilinéaire
a0? ai ? aij ? aijk ?
Nombre d’expérience >= Nombre de coefficients

127
127
Expérience
6sigma
Variables Centrées Réduites ?
10° T 25° 40°
-1 t 0 +1
t = (T-T0)/ΔT
128
128
Expérience
6sigma
Points Expérimentaux
N° essai Pression température masse réponse

catalyseur

1 1 1 1 Y1
2 -1 1 1 Y2
3 1 -1 1 Y3
4 1 1 -1 Y4
Niveau -1 2 bars 50 °C 1 kg
Niveau +1 4 bars 70 °C 2 kg
Niveau 0 3 bars 60 °C 1,5 kg
129
6sigma
Expérience
N° essai Pression température masse réponse

catalyseur

1 1 1 1 Y1
2 -1 1 1 Y2
Plan 1 3 1 -1 1 Y3
4 1 1 -1 Y4
130
6sigma
Expérience
N° essai pression température masse réponse

catalyseur

1 -1 -1 1 Y5
2 1 -1 -1 Y6
Plan 2 3 -1 1 -1 Y7
4 1 1 1 Y8
131
6sigma
Expérience
N° essai pression température masse réponse

catalyseur

1 0 0 0 Y9
2 1 1 0 Y10
Plan 3 3 1 0 1 Y11
4 0 1 1 Y12
132
6sigma
Plan 1 Plan 2 Plan 3
Y = a0+ a1X1+a2X2+a3X3
Y1 = a0- a1 - a2+ a3 a0 = (-Y1+ Y2 – Y3+ Y4)/2

Y2 = a0+ a1 - a2- a3 a1 = (Y1- Y2)/2
Y3 = a0- a1 + a2- a3 a2 = (Y1- Y3)/2
Y4 = a0+ a1 + a2+ a3 a3 = (Y1- Y4)/2
133
6sigma
Plan 1 Plan 2 Plan 3
a0 = (-Y1+ Y2 – Y3+ Y4)/2 a0 = (+Y5+ Y6 + Y7+ Y8)/4 a0 = Y9

a1 = (Y1- Y2)/2 a1 = (-Y5+ Y6 – Y7+ Y8)/4 a1 = (-Y9+ Y10 + Y11- Y12)/2
a2 = (Y1- Y3)/2 a2 = (-Y5- Y6 + Y7+ Y8)/4 a2 = (-Y9+ Y10 – Y11+ Y12)/2
a3 = (Y1- Y4)/2 a3 = (+Y5- Y6 – Y7+ Y8)/4 a3 = (-Y9- Y10 + Y11+ Y12)/2
+ 134
134
+ 135
135
’ Ea u
m e nt d
r a i t e
de T
sin e
U
+ Illustration : 136
136
Application au traitement d'eau polluée par des ions Cu2+ et Zn2+

+ Illustration :
137
137

A = Nature de
l’Hydroxyde
B = Excès Durée de la
stœchiométrique décantation
en hydroxyde
C = Pourcentage
de floculant
A B C
Niveau -1 chaux x2 2%
Niveau +1 soude x4 10%
Niveau 0 --- --- 6%
138
N° Moy A B C AB AC BC ABC Y
1 + - - - + + + - 27
2 + + - - - - + + 19,5
3 + - + - - + - + 43,5
4 + + + - + - - - 21,5
5 + - - + + - - + 20,5
6 + + - + - + - - 16,5
7 + - + + - - + - 30
8 + + + + + + + + 12,5
coef 23,9 -6,4 3 -4 -3,5 1 -1,6 0,13
139
1 + - - - + + + - 27
2 + + - - - - + + 19,5
3 + - + - - + - + 43,5
4 + + + - + - - - 21,5
5 + - - + + - - + 20,5
6 + + - + - + - - 16,5
7 + - + + - - + - 30
8 + + + + + + + + 12,5
coef 23,9 -6,4 3 -4 -3,5 1 -1,6 0,13
140

141

+ 142
142
Intervalle de confiance des coefficients ?
Modèle ?
Optimum ?
+ Plans Factoriels Complets 143
143
n  Variance minimale

n  Sans risque
n  Nombre d'essais importants

+ Les Plans Fractionnaires 2k-p
144
144
Plan complet 23
Y = a0 + a1A + a2B + a3B + a12AB + a13AC + a23BC + a123ABC

Effets Interactions d’ordre 2 d’ordre 3
è 23 = 8 coefficients à estimer
è 8 expériences nécessaires
145
145
Plan complet 23
Y = a0 + a1A + a2B + a3C + a12AB + a13AC + a23BC + a123ABC

Effets Interactions d’ordre 2 d’ordre 3
è 4 coefficients à estimer
è 4 expériences nécessaires
è Plan fractionnaire 23-1

146
146
n Réduire le nombre d'expériences

n Qualités des matrices d'Hadamard

n  Choix de p ?
n  Conception plus longue
147
147
Les matrices des effets carrées

(matrices d'Hadamard)

une solution ?
Fixer le choix de quelques colonnes

148
148
Y = a0 + a1A + a2B + a3C + a12AB + a13AC + a23BC + a123ABC

C = AB è C est aliasé avec AB
C = AB
CA=B Y = (a0+a123)+ (a1+a23)A + (a2+a13)B + (a3+a12)C
BC=A
ABC=1
Les nouveaux coefficients = contrastes

149
149
C = AB è C est aliasé avec AB
Y = (a0+a123)+ (a1+a23)A + (a2+a13)B + (a3+a12)C

1 + - - - + + + - 27
2 + + - - - - + + 19,5
3 + - + - - + - + 43,5
4 + + + - + - - - 21,5
5 + - - + + - - + 20,5
6 + + - + - + - - 16,5
7 + - + + - - + - 30
8 + + + + + + + + 12,5
coef h0 h1 h2 h3
150
6sigma

Facteur
151
6sigma

Facteur
+ La Méthode Taguchi 152
152
153
Représentation graphique
Facteurs
Groupe 1 Groupe 2 Groupe 3 Groupe 4
Les plus Assez Un peu plus Très faciles à

difficile à difficiles à faciles à modifier
modifier modifier modifier
154
Interactions
155
Modèle
Y = I+A+B+C+D+AB+AD+AC
A C
D
156
Modèle
Exemple :
Y = I+A+B+C+D+E+AB+BC+CD+DE+EA

A B è groupe 3
C D E è groupe 1
157
Table orthogonales de Taguchi
Tables orthogonales de Taguchi
Matrice d’expériences
Graphes linéaires
Tableau des interactions

158
Table orthogonales de Taguchi
L9(34)
Variables
L4(23) Exp.
Num X1 X2 X3 X4
Nombre de Variables
Exp. 1 1 1 1 1
niveaux Nombre de X1 X2 X3
Num 2 1 2 2 2
facteurs
L4(23) 1
2
1
1
1
2
1
2
3
4
1
2
3
1
3
2
3
3
Nombre 3 2 1 2 5 2 2 3 1
d’expériences 4 2 2 1 6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
9 3 3 2 1
159
Utilisation des tables de Taguchi : exemple
Définition du modèle
Facteurs : A, B, C, D
Niveaux : 2
Interactions : AB, AD
Y = M + A + B + C + D + AB +
AD
160
Recherche de la table de Taguchi
Critère du nombre de ddl : n>=ddl
Critère d’orthogonalité : n>=PPCM
Y = M + A + B + C + D + AB +
AD
2 2 2 2 4 4
ddl = 7
1 1 1 1 1 1 1
161
Recherche de la table de Taguchi
Critère du nombre de ddl : n>=ddl
Critère d’orthogonalité : n>=PPCM
A B C D AB AD
A 2x2 2x2 2x2
* * *
B 2x2 2x2 2x4
* *
C * 2x2 2x4 2x4 PPCM= 8
D 2x4
* *
AB * * Table L8(27)
AD *
162
Graphe linéaire du modèle
Rechercher le graphe qui se

superpose au notre
Affectation des facteurs
D C
B
163
Exemple :
n Facteurs : A, B, C, D, E, F, G
n Interactions : AB, AC, BC, AD, AE
n  2 niveaux
+ La Méthode Taguchi - 164
164
Annexe
Un plan d’expérience est orthogonal vis à vis d’un modèle, si tous les facteurs et
n 
Représentation
interactions disjointsgraphique
du modèle sont orthogonaux dans le plan d’expériences.
Condition nécessaire d’orthogonalité
n  Un plan devra compter un nombre d’essai égal au PPCM des produits du nombre de
niveau de toutes les entrées disjointes prise 2 à 2.
Degré de liberté (ddl)
n  Le nombre de ddl d’un modèle indique le nombre de valeurs qu’il est nécessaire de
calculer pour connaître l’ensemble des coefficients du modèle.
n  Il est nécessaire de faire au moins autant d’essai qu’il y a de ddl dans le modèle.
Règle de ddl
n  Le nombre minimale d’expérience à réaliser est égale au nombre de ddl du modèle.
165
Innover
Synthèse Planifier
des la mise
oeuvre
de la
acquises solution
Management des Risques
MOZAR
APR
Plan de Prévention
HAZOP
AMDEC
….
166
Innover
Synthèse Planifier
des la mise
oeuvre
de la
acquises solution
1.  Acteurs
2.  Etapes
3.  Planification
4.  Actualiser les gains et les coûts
+ Résumé - INNOVER 167
167
Synthèse Planifier
des la mise
oeuvre
de la
acquises solution
1. processus
1. amélioration 1. Management 1. Acteurs
1. Lister les X expérimental
s possibles des Risques 2. Etapes
2. Sélectionne 2. niveau des X
2. Évaluation 3. Planification
r les X pour réduction de
des 4. gains + coûts
la dispersion
propositions
3. Nouvelles
capabilités
+ 168
168
+ 169
169
Chapitre 6
Etape de la Mise en Place de
6 sigma : Contrôler
+ Objectifs de Contrôler 170
170
Mettre sous Contrôle le Processus
valider les formaliser les maîtrise

spécifications modes statistique
opératoires des
processus
+ Valider les spécifications 171
171
X1
X2 Y
X3
Spécification X ? Spécification Y :
Cible ? Cible
Tolérances ? Tolérances
+ Valider les spécifications 172
172
Parallélogramme des tolérances
Y Droite de Régression
Enveloppe
Spécification Y
Cible
Tolérances
X
Spécification X ?
Cible ?
Tolérances ?
173

opératoires des
processus
+ Formaliser les modes 174
174
opératoires
Constituer une mémoire de l’entreprise
Procédures génériques
Documents synthétiques
Check-lists
Feuilles de relevés
+ 175
175
Formaliser
n’est pas
synonyme
écrire!
d’
+ 176
176
n 
Bien du papier peut être évité

par les procédures…
177

opératoires des
processus
+ Cartes de Contrôle 178
178
179
180
181
Carte p
Taille cst ou varie
Nb NC/échantillon
n
Carte np
Taille Cst
Aux mesures
Carte u
Taille cst ou varie
Nb NC/
Unité de contrôle
Carte C
Taille Cst n=1
X/R
n = 4 ou 5 de 2 à 10
Sous groupe
d’unités
X/s
n>=10
Aux attributs
Une unité X/REM

+ Cartes de Contrôle X/R 182
182
+ Cartes de Contrôle X/R 183
183
184
n : est le nombre de produits contrôlés par échantillon.

np : est le nombre de produits non-conformes.
p : est la proportion de produits non-conformes.
k : est le nombre d'échantillons.
+ Carte de contrôle : 185
185
Interprétation
Décision carte Moy ?
Production
Décision carte R ?
Production
186
Interprétation
Régler le
processus
Décision carte R ?
Cas limite inférieure Cas limite supérieure

187
Interprétation
Régler le
processus

Décision carte R ?
Tendance inférieure Tendance supérieure

188
Interprétation
Régler le
processus

Décision carte R ?
Série décroissante Série croissante

189
Interprétation
Confirmer
Décision carte R ?
Production
+ CONTRÔLER : Suivi des 190
190
indicateurs
+ 191
191
Chapitre 6
Etape de la Mise en Place de
6 sigma : Contrôler
+ Étape 6 – STANDARDISER 192
192
le maintien des améliorations en empêchant le retour des erreurs

antérieures
Simplifier la Pérenniser la Bilan du Clore le

solution solution projet projet
1.  Réaliser un audit de poste

2.  Faire les transformations
193

antérieures

• Revoir les règles

• Finaliser la documentation
• base de connaissance.
• Identifier les « bonnes pratiques », les formaliser, les diffuser.
• Appliquer pour les nouveaux produits
• Indicateurs de performance.
194

antérieures

Bilan technique
Bilan financier
Bilan humain
Bilan méthodologique

195

antérieures

• Documenter les éléments de suivi des projets Six Sigma.

• Préparer un document de présentation du projet.
• Diffuser ce document à l’ensemble des Black Belts.
• Fêter la fin du projet

6sigma Ibtissamelhassani Chapitre2015 2016 160107144954

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

6sigma Ibtissamelhassani Chapitre2015 2016 160107144954

Încărcat de

Drepturi de autor:

Formate disponibile

+

Références pour réviser, compléter et approfondir ce cours :

n Pillet, M. (2008). Six sigma. Comment l’appliquer, Éditions

Chapitre 1 : Introduction à Six Sigma

Concentrer les caractéristiques du produit

Avant 6 sigma Après 6 sigma

La probabilité que X se trouve dans l'intervalle [ µ - σ ; µ + σ ] est de plus de 68 %

La probabilité que X se trouve dans l'intervalle [ µ - 2σ ; µ + 2σ ] est de plus de 95 %

La probabilité que X se trouve dans l'intervalle [ µ - 3σ ; µ + 3σ ] est de plus de 99,7 %

La probabilité que X se trouve dans l'intervalle [ µ - 4σ ; µ + 4σ ] est de plus de 99,99 %

Chapitre 2 : L’Etape Définir dans 6sigma

SIPOC : Suppliers, Input, Process, Output, Customers

Chapitre 3 : L’Etape Mesurer dans 6sigma

L’analyse R&R va consister à analyser la décomposition de la variance

R&R = Dispersion de l’instrument

compte d’un décentrage

avec décentrage Cpk

Calculer Cp, Cpk, Pp et Ppk.

calculer l’estimateur σn-1 sur un échantillon

Méthode 1 : Par prélèvement d’un échantillon représentatif.

Méthode 2 : Par prélèvement d’un échantillon exhaustif sur

Méthode 3 : Par prélèvement de petits échantillons à des

R : la moyenne des étendues mesurées sur deux unités consécutives

La chute de Capabilité entre Cp et Pp è instabilité du procédé

n Rendement de stabilité (Rs) :

n Rendement de réglage (Rr) :

Mesurer 100 X potentiels

On ne touche à rien avant d'être à l'étape

2 • une analyse relationnelle : comprendre en quoi les X

Etape Collecte des tableaux Analyser ces

u une étude du comportement par rapport aux spécifications existantes;

u une analyse statistique : moyenne, écart type, présence de valeurs

u une analyse de normalité et l’analyse des causes en cas de non

u une analyse des chutes de Capabilité.

On dissocie en général trois types dans l’origine des variations :

Pour définir une valeur aberrante, on calcule :

Quelles sont les

Y a t-il une interactions

La statistique descriptive a pour objectif de donner une

n calculer l’intervalle dans lequel on a 95 % de chances

n l’écart type ;

n la position des quartiles.

n Il est important lorsque l’on observe une répartition de

n À cette fin, on peut mettre en oeuvre différents tests, tels

n Problème de type 1 – Comparaison à une valeur théorique

Mon produit possède actuellement une caractéristique que

n Problème de type 2 – Comparaison de deux (ou plusieurs)

Valeurs J’hésite entre le choix de deux types de colle, la colle

et de risque bêta (β)

et de risque bêta (β)

n Pour étudier la relation qu’entretiennent deux variables, on

n La régression linéaire

n Tout ce que nous avons vu comme outils statistiques

n Résultats : mettre en évidence les principales causes de

n Etape suivante : hiérarchiser les causes afin de connaître

n La hiérarchisation des X peut se présenter sous la forme

n On étudie l’influence de la position d’une pièce et d’un type

Durant cette étape, on analyse les Y (sorties du processus), les X (variables du

• Étude des variations temporelles.

• Étude de la chute des capabilités.

• Rédiger le diagramme d’Ishikawa afin de déterminer les facteurs X qui peuvent

3. Analyse des symptômes

• Faire une liste des symptômes (d’après un jugement technique et l’expérience du

• Faire des hypothèses sur les causes des variations observées.

n  Pillet, M. (2008). Six sigma. Comment l’appliquer, Éditions

n Rendement de stabilité (Rs) :

n Rendement de réglage (Rr) :

2  • une analyse relationnelle : comprendre en quoi les X

u  une étude du comportement par rapport aux spécifications existantes;

u  une analyse statistique : moyenne, écart type, présence de valeurs

u  une analyse de normalité et l’analyse des causes en cas de non

u  une analyse des chutes de Capabilité.

n  calculer l’intervalle dans lequel on a 95 % de chances

n  l’écart type ;

n  la position des quartiles.

n  Il est important lorsque l’on observe une répartition de

n  À cette fin, on peut mettre en oeuvre différents tests, tels

n  Problème de type 1 – Comparaison à une valeur théorique

n  Problème de type 2 – Comparaison de deux (ou plusieurs)

n  Pour étudier la relation qu’entretiennent deux variables, on

n  La régression linéaire

n  Tout ce que nous avons vu comme outils statistiques

n  Résultats : mettre en évidence les principales causes de

n  Etape suivante : hiérarchiser les causes afin de connaître

n  La hiérarchisation des X peut se présenter sous la forme

n  On étudie l’influence de la position d’une pièce et d’un type

n  le déballage d’idées (ou Brainstorming) qui permet de

n  le vote pondéré qui permet de choisir parmi plusieurs

n  Afin d’éviter de longues et stériles discussions >> vote

n  on trouve trois catégories de solutions :

n  Dans une relation Y = f(X), nous devons rechercher une

n  Les étapes précédentes : identifier les facteurs clés et

n  Maintenant : tester et optimiser les configurations au

ü Toutes les mesures sont utilisées.

n  Variance minimale

n  Nombre d'essais importants

n Réduire le nombre d'expériences