Upload
sismael
View
213
Download
0
Embed Size (px)
Citation preview
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
1/36
MAITRISE STATISTIQUE
DES PROCEDES
GENERALITES
A. LAMURE
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
2/36
2
MAITRISESTATISTIQUEDESPROCEDES
INTRODUCTION :DEFINITIONS
QUEST-CE-QUELAMSP ?MSP = ensemble actions pour valuer, rgler et maintenir processus de
production en tat de fabriquer produits conformes aux spcifications et aveccaractristiques stables dans le temps.
MSP = suite analyses qui comprennent : rflexion sur processus,
caractristiques significatives de ce processus, du produit, des tolrances
ncessaires ; validation outil de production et de son aptitude fournir ce que
lon attend de lui et enfin mise en place de cartes de contrle.MSP = mthode prventive qui vise amener processus au niveau de qualit
requis et ly maintenir grce systme de surveillance qui permet de ragir
rapidement et efficacement toute drive. Mthode bases + particulirementsur statistiques.
REMARQUE : "Statistical Processus Control (SPC)" Matrise Statistiquedes Procds ("Contrle Statistique du Procd")
DEMARCHEMSPREFERENCE : pendant une ou plusieurs priode stable, dtermination, pour
caractristique produit ou paramtre fonctionnement, rfrence statistique
(minimum 100 valeurs) caractristique du processus (moyenne et dispersion) :rfrence englobe variations "naturelles" processus fabrication + contrle.
ECHANTILLONNAGE : pilotage du processus avec chantillon constitu dequelques prlvements analyss : moyenne et dispersion rsultats obtenus =
moyenne et dispersion processus instant considr.
COMPARAISON DE LECHANTILLON AVEC LA REFERENCE :si chantillon ne
diffre pas statistiquement de rfrence pas daction sur processus, sinonrecentrage du processus.
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
3/36
MAITRISESTATISTIQUEDESPROCEDES
INTRODUCTION :PROCESSUS DE PRODUCTI ON
PROCESSUS = ensemble moyens et activits lies qui transforment lments
entrants en lments sortants" (norme ISO 8402).
PROCESSUS DE FABRICATION peut comporter plusieurs tapes depuis matires
premires j produit fini allant chez client externe : chaque tape = processusavec interfaces fournisseur-client.
PROCESSUS DE CONTROLE : produit doit tre conforme des spcifications,
exprimes par tolrances. Vrification du produit sinscrit dans processus de
contrle constitu de plusieurs processus individuels de mesure (pour chaquespcification et chaque tape de fabrication). Processus individuel de mesure
ne concerne pas uniquement appareil de mesure mais aussi prparation lmentde fabrication tester.
PROCESSUS DE PRODUCTION = ensemble processus de fabrication +processus de contrle.
Remarque : notion de processus de fabrication non limite transformation de
matires ou dobjets. Processus de formation = processus de fabrication
(acquisition des connaissances) + processus de contrle (valuations, tests).
3
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
4/36
MAITRISESTATISTIQUEDESPROCEDES
INTRODUCTION :CARTES DE CONTROLE
Pour reprsenter rsultat tests statistiques, SHEWHART a invent un
graphique dnomm "Control Chart" ("Carte de contrle" ou "Carte de
matrise"). Classement des cartes de contrle en 2 grands groupes :SCHEMA DUNE CARTE SHEWART : pour maintenir centre une caractristique
dun processus, graphique propos par SHEWHART comporte :
ligne centrale = cible (l o on aimerait que se trouve le processus)2 limites de contrleinfrieure et suprieureLci et Lcs (ou Lmi et Lmslimites de matrise infrieure et suprieure) dont position est fonction effectif n
des chantillons et des risques de dcision.
CARTE DE CONTROLE PAR MESURES : caractrisant processus mesurable parcentrage chantillon et sa dispersion. On trouve cartes xw (moyenne),
s (cart-type) et w ou R (tendue) groupes normalement par 2 : cartes (xw
, w)
ou cartes (xw
, s).
CARTE DE CONTROLE PAR ATTRIBUTS : information porte sur carte fonction
du nombre individus de chantillon quipossdent un ou de plusieurs caractres
dont on ne peut que constater prsence ou absence. On distingue cartes p(pourcentage ou proportion de non-conformes), cartes np (nombre dunitsnon-conformes), cartes c (nombre de non-conformits), cartes u (nombre
moyen de non-conformits par unit),cartes D (dmrites = comptage pondrdu pourcentage de non-conformits).
Remarques : caractre mesurable peut tre soumis contrle par attributs en le
considrant comme conforme si sa valeur intervalle de tolrance et non-conforme dans le cas contraire.
4
Dans tous les types de cartes, dcision action ou pas prise au vu du dernierchantillon prlev. Analyse priodique (fonction volumes fabriqus et
matrise atteinte) des cartes remplies pendant priode considre.
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
5/36
MAITRISESTATISTIQUEDESPROCEDES
INTRODUCTION :NOTION DE RISQUE DECISIONNEL
PRISE DE RISQUE : estimation statistique quun vnement se produise ou non
ne peut svaluer que par rapport situation antrieure connue tablissement
rfrence correctement et rigoureusement tablie sur processus considr pour pronostiquer son comportement futur. Dans dcisions prises suite contrle
statistique ("agir" ou "ne pas agir") proposition choisie = la + favorable.
Comme obtention chantillon hors des limites de contrle peu probable (ex.
0,1%) quand processus centr action lorsque chantillon limites : on aura99,9% de chance davoir eu raison dagir.
CONTROLES : soit 100% de toutes units produites, soit sur quelques
prlvements dont moyenne constitue chantillon . estimation qualit delensemble des units produites. Cots de contrle nombre n de mesurestandis que sret de jugement n contrle 100% trs onreux et peupratiqu (ncessaire que pour raisons impratives scurit, renomme) car ne
met pas 100% labri de rclamations (vnement ponctuel peut fausser un
contrle). Contrle quelques units : nombre dunits contrles risque
RISQUES ET : : soit un oprateur qui vrifie diamtre axes d = 3 mm avecpied coulisse idalement rgl. Limites de tolrances fixes Ti = 2,9 mm et
Ts = 3,1 mm. Si une cendre de cigarette tombe malencontreusement entre morsdu pied coulisse sans quil sen aperoive, il se peut que :
axe pris ait un diamtre bon maisproche de Ts et que surpaisseur cendre
valeur lue > Ts pice plac dansrebuts.
5
pice ait un diamtre rel < Ti et quesurppaisseur de la cendre piceconsidre bonne expdie au client.
Risque (1re espce, risque fournisseur, fausse alarme) = risque de trouvermauvaise quelque chose qui est bonne ou dagir sur un processus alorsquil ne le faudraitpas.
Risque (2me espce, risque client) = risque de trouver bonne quelquechose qui est mauvaise ou de ne pas agir alors quil le faudrait.
Dans toute dcision que nous prenons, existence de ces 2 risques derreur. Pour
assurer tolrances aux clients, cartes de matrisecalcules de faon quellespermettent de dcider avec minimum de risques ( et ) si action correctivencessaire ou pas sur processus.
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
6/36
6
MAITRISESTATISTIQUEDESPROCEDES
INTRODUCTION :SECTEURS DAPPLICATIONS
MSP prconise mise en place, en cours de fabrication, de cartes de matrise qui
assureront en permanence tolrances et permettent de supprimer contrles a
posteriori. Deux cas peuvent se prsenter :si client dj form MSP : envoi de photocopies de la (les) carte(s) dematrise sur priode de fabrication correspondant au lot expdi ou lots livrs
sans chiffre mais contrles priodiques par client ("audit") du systme Qualit
de son fournisseur.
si client non form MSP : envoi de bulletins danalyse, moyenne desrsultats obtenus avec cartes de matrise sur priode de fabrication
correspondant commande.
Utilisation MSP sur tout processus utilisant ou fournissant produits au sens trs
large du terme (rsultats contrle analytique, de scurit ou denvironnement produits). Fabrication produits industriels passe par contrles :
qualit des matires premires (jugement qualitatif proportion units nonconformes dit aux attributs [norme AFNOR NF X06-022] ou de qualit partir
de mesures [norme AFNOR NF X06-023]). Contrle de rception matires
premires devrait disparatre (ISO 9000, contrles fournisseur et non client).
reproductibilit chanes de mesure puisque processus de production = processus de fabrication + mesure, variabilit du produit = variabilits
fabrication + mesure. Variance de fabrication inconnue (jugement au traversde mesures) mais variance chane de mesure mesurable (tude statistique de
reproductibilit sur un seul prlvement) connaissance du domaine(fabrication ou contrle) amliorer en priorit.
vrification dtalonnage appareils de mesure : qualit dun produit lieau couple (fabrication, contrle). Si caractristique X dun produit ou
paramtre Y de fonctionnement = majeurs/critiques talonnage processus demesures de X ou Y aussi majeurs/critiques ( ne jamais mettre en place cartesde contrle sur caractristiques de produits ou paramtres de fonctionnement
sans avoir pralablement tabli cartes de matrise sur vrification dtalonnage
chanes de mesure correspondantes).
matrise des caractristiques des produits et des paramtres defonctionnement : tablir dabord carte sur produit final dun processus dont
aptitude nest ni trop faible, ni excellente (ne pas commencer par essayer de
rsoudre problme jusque l insoluble ou cas dj trait avec satisfaction).
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
7/36
MAITRISESTATISTIQUEDESPROCEDES
INTRODUCTION :EXEMPLE DE MAU VAIS PILOTAGE
Suivi dans atelier de la quantit dacide rsiduaire dun mlange dans racteur.
Chaque analyse individuelle servait dcider si quantit dacide introduite
pour oprations suivantes devait tre modifie ou pas. Responsable ateliervoulant mettre en place carte de matrise sur cette quantit dacide, calcula
limites, en fonction risques de mauvaises dcisions et tolrances, avec effectif
dchantillon n = 3. Pour sassurer de la validit de la carte, rsultats
individuels ayant servi aux oprateurs pour piloter processus sur cette priode,
ont t groups sous forme dchantillons (moyennes de 3 mesures) et reports
sur carte calcule.
premire action effectue par oprateurs sur une valeur individuelle inutile,seconde action tout fait justifie.troisime action inutile. De + action entreprise dmesure poste suivant,correction dans autre sens encore disproportionne processus hors limite parvaleur infrieure.
comme procd joue au yo-yo, oprateur poste suivant ragit faiblement processus non recentr et 2 postes suivants oprateur oblig de redonner
nouveau coup de barre.
Pendant 2,5 jours, homme nagissant qu partir dinformations ponctuelles, a
fait drailler sa machine, ...en tant persuad de bien faire ! Seule dernireaction tait justifie. Exemple montre que, non seulement on agit souvent trop
prcipitamment, avec rsultats ponctuels, mais aussi souvent de faon
inconsidre ; seulescartes permettent dadapter intensit des corrections
apporter pour corriger drives juste ce quil faut.
7
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
8/36
MAITRISESTATISTIQUEDES PROCEDES
PROCESSUS :DIAGRAMM E DE PARETO
MAITRISE PROCESSUS minimum de connaissances sur : paramtres majeurs qui conditionnent qualit du produit, scurit deshommes et du matriel,caractristiques majeures du produit,savoir sur quoi agir et de combien si paramtres ou caractristiques sortentlimites de tolrance.
Commencer par rpertorier tout ce qui est mesur, ce qui est surveill
qualitativement et oprer classement par ordre dimportance (critique > majeur
> moyen > mineur). Mettre en place en priorit cartes de matrise sur variables
les + critiques non matrises : les + onreuses ou les + dangereuses.
DIAGRAMME DE PARETO = formalisation du processus pour dfinir pointsles + prjudiciables qualit. Pour cela reprsenter et classer non conformits
sur un histogramme, en frquence ou en cots dcroissants.
EXEMPLE : fabrication de rsine polyester, recensement des non conformits
Classement et reprsentation des rsultats sur diagramme montre quil faut
porter ses efforts dabord sur E puis sur D, etc.
8
Nombre des non
conformitsFamilles
Nombre dobservation Pourcentages
Contamination (inclusions)Taux dhumidit
Taux de manganse
Coloration
Viscosit
Taux de cendre
AB
C
D
E
F
102
3
39
73
18
6,91,4
2,1
26,9
50,3
12,4
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
9/36
MAITRISESTATISTIQUEDESPROCEDES
PROCESSUS :DIAGRAMME D ISHIKAWA
CAUSES DES NON CONFORMITES : diagramme dISHIKAWA (ou en "artes
de poisson") = reprsentation des causes directes et indirectes possibles dune
non conformit. Pour tablir diagramme efficace, travail de groupe avec personnes comptentes, concernes (fabricants, contrleurs, technico-
commerciaux, responsables du transport, ...). Groupe de travail doit non
seulement dfinir mais aussi classer principales causes potentielles de non
conformits.
Distinction parfois entre causes "alatoires" (nombreuses et faibles effets sur
processus) et causes "assignables" (moins nombreuses mais effets importants).
Classement prfrable en causes "connues et matrisables" (= facteurs
principaux PEX) et "inconnues ou non matrisables" ( = facteurs bruit).Lorsque causes non matrisables font driver processus agir sur un facteur
connu pour le redresser.
EXEMPLE : voiture roulant une piste, parfaitement rectiligne mais prsentant
des dvers statistiquement rpartis gauche et droite (= causes alatoires non
matrisables). Sur ensemble de la piste autant de dvers des 2 cts, mais sries
de plusieurs dvers successifs droite et gauche. Avec une voiture parcourant
cette piste, on ne devrait jamais rgler le volant puisque piste rectiligne.
Pourtant dans zones o existe davantage de dvers gauche vhicule va tre
entran gauche et volant devra tre tir droite : direction du vhicule =paramtre de fonctionnement qui corrige drives dues aux causes alatoires.
9
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
10/36
MAITRISESTATISTIQUEDESPROCEDES
PROCESSUS :CORRELATIONS
OBJECTIF ETUDE = dterminer si 2 variables X et Y lies, c.a.d. si en
modifiant variable X ("cause suppose") "effet" sur Y. Cas uniquement
corrlations linaires 2 variables. Pour corrlations non linaires, il fauttrouver transformes qui ramnent des corrlations linaires (log(x), x
n, ...).
Pour construire diagramme de corrlation, disposerau moins de 20 couples de
valeurs (X, Y). Tracer 2 axes et graduer axes de telle sorte que segmentreprsentant tendue valeurs de X longueur reprsentant tenduevaleurs de Y.
INTERPRETATION VISUELLE DU DIAGRAMME : lorsque nuage de points forme
bande assez troite et que valeurs de Y
(
) globalement quand celles de X : corrlation positive (ngative) ; lorsque nuage de points ne forme pas unebande trs troite, possibilit davoir corrlation mais analyse + approfondie
ncessaire. Il ny a probablement pas corrlation sauf si donnes collectescouvrent domaine de variation insuffisant ou rassemblent rsultats obtenus
dans conditions et mlanges sans discernement (ex. matires premires ,modification consignes de fonctionnement durant priode considre, ...).
10
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
11/36
MAITRISESTATISTIQUEDESPROCEDES
PROCESSUS :TEST DE CORRELAT IONS
Tracer sur diagramme de corrlation 2 axes passant par x et y (moyennevaleurs X et Y) 4 quadrants numrots I, II, III et IV. Compter n i = nombre points dans chacun des quadrants, sans prendre en compte points qui setrouvent sur axes x et y . Effectuer somme n = nombre points dans les 2
quadrants opposs les - peupls (n = n1 + n3 = 4) et N = nombre total points
dans 4 quadrants (N = 28). Regarder dans table de corrlation probabilit de
trouver seulement n points sur N dans ces quadrants (ex. table avec risque de se
tromper = 5% : n0 = 8) : n0 = limite pour dire avec risque = 5% de setromper quil y a une corrlation
REMARQUE : test de corrlation appel "test des signes" car regroupementpoints de quadrants opposs pour lesquels i = [(xi - x )][(yi - y ] > 0 ou < 0.
N n0 N n0 N n0 N n0 N n0 N n0 N n0 N n0 N n0
1011
12
13
14
15
1617
18
19
-
11
2
2
2
3
34
4
4
-
20
21
22
23
24
25
26
27
28
29
-
5
5
5
6
6
7
7
7
8
8
-
30
31
32
33
34
35
36
37
38
39
-
9
9
9
10
10
11
11
12
12
12
-
40
41
42
43
44
45
46
47
48
49
-
13
13
14
14
15
15
15
16
16
17
-
50
51
52
53
54
55
56
57
58
59
-
17
18
18
18
19
19
20
20
21
21
-
60
61
62
63
64
65
66
67
68
69
-
21
22
22
23
23
24
24
25
25
25
-
70
71
72
73
74
75
76
77
78
79
-
26
26
27
27
28
28
28
29
29
30
-
80
81
82
83
84
85
86
87
88
89
-
30
31
31
32
32
32
33
33
34
34
-
90
91
92
93
94
95
96
97
98
99
100
35
35
36
36
37
37
37
38
38
39
39
11
Table de corrlation pour un risque derreur = 5%
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
12/36
MAITRISESTATISTIQUEDESPROCEDES
PROCESSUS :COEFFICIENT DE CORRELATI ON A 2 VARIABLES
COEFFICIENT DE CORRELATION VRAI ENTRE 2 VARIABLES X et Y, pour
nombre de mesures = nombre inconnu tel que -1 < < +1. Valeur estime
par r sur nombre restreint de mesures : ( )( ) ( )[ ] ( )[ ]
=22
yyxx
yyxxr
ii
ii .
TABLE DE CORRELATION DE : premire colonne nombre degrs delibert : (pour 2 variables, = N - 2 , pourk variables = N - k). Autrescolonnes probabilit de trouver valeur valeur de r donne.
P = 10% P = 5% P = 2% P = 1%12
34
5
0,9877
0,9000
0,80540,7293
0,6694
0,9969
0,9500
0,87830,8114
0,7545
0,9995
0,9800
0,93430,8822
0,8329
0,9999
0,9900
0,95870,9172
0,8745
6
7
89
10
0,6215
0,5822
0,5494
0,5214
0,4973
0,7067
0,6664
0,6319
0,6021
0,5760
0,7887
0,7498
0,7155
0,6851
0,6581
0,8343
0,7977
0,7646
0,7348
0,7079
1112
13
1415
0,4762
0,4575
0,4409
0,42590,4124
0,5529
0,5324
0,5139
0,49730,4821
0,6339
0,6120
0,5923
0,57420,5577
0,6835
0,6614
0,6411
0,62260,6055
1617
18
1920
0,4000
0,3887
0,3783
0,3687
0,3598
0,4683
0,4555
0,4438
0,4329
0,4227
0,5425
0,5285
0,5155
0,5034
0,4921
0,5897
0,5751
0,5614
0,5487
0,5368
25
3035
40
45
0,3233
0,2960
0,2746
0,02573
0,2428
0,3809
0,3494
0,3246
0,3044
0,2875
0,4451
0,4093
0,3810
0,3578
0,3384
0,4869
0,4487
0,4182
0,3932
0,3721
50
6070
8090
100
0,2306
0,2108
0,1954
0,1829
0,1726
0,1638
0,2732
0,2500
0,2319
0,2172
0,2050
0,1946
0,3218
0,2948
0,2737
0,2565
0,2422
0,2301
0,3541
0,3248
0,3017
0,2830
0,2673
0,2540
Pour N > 100,
=
3
2/
N
kthr P avec k = nombre dcarts-types pour la probabilit P/2 (Loi
Normale Rduite) et th = fonction tangente hyperbolique.
12
Table de corrlation 2 variables
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
13/36
MAITRISESTATISTIQUEDESPROCEDES
PROCESSUS :REGRESSIONS
Lorsque tests prcdents montrent corrlation entre X et Y volont dedterminer relation linaire qui lie effet de X sur Y de faon pouvoir agir sur
Y par intermdiaire de X.Rgression linaire de la forme : y = a x + b avec a = r sY/sX et
b = y - a x o r = coefficient de corrlation, sX et sY = carts-types respectifs
sur X et Y,x et y = moyennes respectives de X et Y.
APPLICATION 1 :POLYMERISEUR NYLON
Etude de linfluence V de la vis dextraction (X) sur la porosit des pastilles de
polymres obtenus (Y). On a relev les donnes suivantes
n chantillon X =vitesse Y = porosit n chantillon X =vitesse Y = porosit
1
2
3
4
5
6
7
8
910
56
59
61
52
54
65
53
57
6355
15
22
20
10
16
23
13
16
2412
11
12
13
14
15
16
17
18
1920
57
60
66
56
59
59
63
62
5551
17
24
27
20
20
17
21
18
1713
Construire le diagramme de corrlation. En dduire si la porosit est corrle
V ? Dans le cas positif, donner la relation linaire qui lie la porosit la vitesse
V de la vis dextraction pour la polymrisation du nylon.
Remarque avec Excel, si valeurs X places dans colonnes B2-B21 et Y dans
colonnes C2-C21 :
Etendue wx = MAX (B2 : B21) MIN (B2 : B21),Moyenne x = MOYENNE (B2 : B21),Ecart-type sx = ECARTYPE (B2 : B21),
13
Coefficient corrlation r = COEFFICIENT.CORRELATION (B2 : B21 ; C2 : C21)
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
14/36
MAITRISESTATISTIQUEDESPROCEDES
STATISTIQUES:H ISTOGRAMME
STATISTIQUE = rsum chiffr nombre important de donnes ( perteinformations) obtenu par .
regroupement donnes individuelles en classes : 6 15 valeurs rsument40 plusieurs milliers de donnes
moyenne + dispersion donnes individuelles autour valeur centrale : valeurscalcules selon loi de distribution choisie qui rsument ensemble des donnes.
GRAPHIQUES = reprsentation valeurs sous forme histogramme, "camembert",
courbe de distribution en frquences, etc. Pour construire correctement
histogramme, partir de N donnes individuelles, 4 rgles :
Nombre de classes K tel que 6 < K < 15. Estimation parK = N ou rglede STURGES : K = 1 + 3,3 log10 (N).Largeur L classes calcule partir tendue (w ou R) des donnes etnombre K de classes : L = w /K. Arrondir L selon prcision voulue diminution ou augmentation parfois de K de 1.
Limites basse (haute) 1re (dernire) classe telles que + petite (grande)des donnes se trouve dans classeet non en limite de classe.Si une valeur se trouve une interclasse, la mettre par convention dansclasse immdiatement droite (rgle dite "priorit droite").
REMARQUES : Forme symtrique histogramme indique normalitdistribution des donnes mais test de normalit ncessaire. Si intervalle des
classes de lhistogramme valeur infinitsimale dx (nombre de classes ),polygone de distribution en frquences des valeurs courbe de distribution.Recherche loi de distribution la + proche de la distribution exprimentale puis
utilisation modle mathmatique pour reprsenter processus.
14
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
15/36
MAITRISESTATISTIQUEDESPROCEDES
STATISTIQUES :DISTRIBUT ION NORMALE
DISTRIBUTION LOI NORMALE caractrise, pour rfrence N 100 parmoyenne = x/N et cart-type des valeurs ( ) = Nx /2 .Pourchantillon taille n : m = xi/n et ( ) ( ) = 1/2 nmxs i Commencer par tracer donnes sur diagramme chronologique et liminer
points "singuliers" de cause connue. Si aucune tendance discernable :
Calculer moyenne et cart-type sur ensemble des points (N 100) avecformules pour rfrence afin dobtenirdispersion ensemble des donnes.Dissocier srie des N donnes en r sous-groupes de taille n voisine deschantillons afin dobtenir dispersion "intrinsque" ou "instantane". Si
trac met en vidence plusieurs populations, calculer cart-type de chacunedes populations ou des r sous-groupes puis cart-type moyen partir desvariances. Pour tracer histogramme, recentrer valeurs individuelles sur
moyenne cible.
Si tendance chronologique (cas frquent pour indicateurs) diviser
artificiellement donnes en sous-groupes de quelques valeurs (minimum = 2) et
calculer cart-type intrinsque moyen comme prcdemment.
aucune tendance n = 2 populations tendance chronologique
Lorsque N donnes divises en sous-groupes, cart-type moyen calcul
soit directement partir de ceux des sous groupes (mthode la plus
prcise), soit partir tendue moyenne w de ces sous-groupes.
Avec 1re mthode, = rss i /2 si taille n des r sous-groupes ne varie pasde 10% et [ ] ( ) = 11 /2 iii nsns autrement.
Avec 2nde mthode, taille n des sous-groupes rigoureusement identiques ets = w /d2 o d2 donne en fonction taille n des sous groupes.
n 2 3 4 5 6 7 8 9 10 11 12
d2 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258
15
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
16/36
MAITRISESTATISTIQUEDESPROCEDES
STATISTIQUES:PROPRIETES DE LA LOI N ORMALE
DISTRIBUTION NORMALE reprsente par une courbe symtrique centre suret probabilit P(x) de trouver valeur donne x dtermine par fonction
( )
=
2
2
2exp
21)(
xxP . Probabilit de trouver des valeurs entre deux limites
x1 et x2 vaut :( )
dxx
xxxPx
x
= 2
12
2
212
exp2
1)(
( surface S)
COORDONNEES CENTREES REDUITES = nombre dcarts-types k = (x-)/,probabilit de trouver valeurs situes au-del de k carts-types de la moyenne
sexprime par la LOI NORMALE REDUITE (LNR) :
P (x tel que (x-)/ k) = dxk
k
2exp2
1 2
Par dfinition, distribution LNR a pour moyenne = 0 et cart-type = 1.VALEURS CARACTERISTIQUES DE LA LOI NORMALE REDUITE
Entre % de valeurs A lextrieur de % de valeurs
1 cart-type 68,3 % 1 cart-type 31,7 % 2 carts-types 95,4% 2 carts-types 4,6%
3 carts-types 99,73% 3 carts-types 0,27%Tableur EXCEL : PROBABILITE P = LOI.NORMALE.STANDARD (k)Inversement si P = 5% k = LOI.NORMALE.STANDARD.INVERSE(0,05)
16
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
17/36
MAITRISESTATISTIQUEDESPROCEDES
STATISTIQUES :INTERVALLE DE CONFIAN CE DUNE MOYENNE
Pour juger tat statistique dun processus prlvements (chantillons) dont on
dtermine moyennex
et cart-type sx.
THEOREME LIMITE CENTRALE : si, dans une population normale (moyenne et cart-type ), on prlve des chantillons de taille n, distribution de ceschantillons suivra une loi normale (moyenne et cart-type sx = / n ).Pour chantillon, ix peut se trouver loigne de la vritablemoyenne .Intervalle de confiance de la moyenne, avec probabilit P donne, =
estimation [inf- sup] autour de ix . Vritable moyenne a P% de chance de se
trouver dans intervalle : inf= ix - k.s/ n ix + k.s/ n = sup o k =nombre carts-types loi LNR correspondant probabilitP = (100-P)/2 detrouver cette moyenne et s= estimation de connu.
COMPARAISON DE 2 MOYENNES :acuit du jugement = fonction du nombre nde mesures individuelles et calcul de la dispersion des donnes tablie de faon
sre (variance "connue") ou sur sries (variance "inconnue").
VARIANCE "CONNUE" : soit n1 et n2 = nombre de mesures pour chacune des
moyennes 1x et 2x , leur diffrence D = | 1x - 2x | est significativement 0,
avec probabilit choisie (risque ) de se tromper si D + k d avecd = 2212 // nn + et k = nombre dcarts-types de la loi LNR correspondant probabilit de dclarer diffrence significative alors quelle ne lest pas.
17
VARIANCE "INCONNUE" (test dAspin-Welch) : utilisation de la loi de
Student au lieu de loi normale. Test de lhypothse D t sd avecsd = 2
2
21
2
1 // nsns + et t = variable correspondant probabilit de dclarerdiffrence significative alors quelle ne lest pas, pour nombre de degrs de
libert calcul et arrondi valeur entire la plus proche par :
+
=
2
2
2
2
2
2
2
2
1
2
1
1 1
1
1
11
dd sn
s
nsn
s
n
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
18/36
MAITRISESTATISTIQUEDESPROCEDES
STATISTIQUES :INTERVALLE DE CONFIAN CE DUN ECART-TYPE
INTERVALLE DE CONFIANCEDE LECART-TYPE :comme celui de la moyenne
il dpend de la taille n de lchantillon considr. Contrairement celui de la
moyenne, ce paramtre ne suit pas une LNR maisune LOI dite DE2. Pourune valeur dcart-type donne sx dchantillon, vritable cart-type peut setrouver loign de sx : on appelle intervalle de confiance de lcart-type,pour une probabilit P donne, lestimation (inf- sup) autour de sxinf= sx ( ) ( ) 2/10021 Pn sx ( ) ( ) 2/10021 Pn + = supRemarque : loi du 2 dissymtrique conduit a une faible prcision sur cart-type pour des tailles dchantillons faibles. Cest pourquoi, il faut dterminer la
dispersion sur minimum 100 valeurs.
COMPARAISON DE DEUX VARIANCES : soit 2 chantillons sur lesquels on adtermin les carts-types s1 sur n1 mesures et s2 sur n2 mesures. Pour
dterminer si les deux carts-types sont significativement diffrents, on calcule
le rapport F = s12/ s2
2en portant toujours au numrateur la variance la plus
leve. On cherche ensuite sur la table de "F" (FISHER-SNEDECOR), pour
1 = n1 -1 et 2 = n2 -1 degrs de libert, la valeurF0au-del de laquelle on nepeut trouver que P% (risque ) de valeurs si les carts-types sont gaux etconclure tort quils sont diffrents. Ecarts-types non significativement siFcalcul F0 et si Fcalcul F0 avec un risque = 5% de se tromper
18
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
19/36
MAITRISESTATISTIQUEDESPROCEDES
STATISTIQUES:TEST DE NORMAL ITE
TEST DE LA DROITE DE HENRY (norme AFNOR X06-050) : test de normalitpour juger ajustement dune partie de la distribution des valeurs exprimentales
une courbe de Gauss. Sur un papier chelle Gausso-arithmtique(ordonnes - abscisses) porter, en ordonnes, les frquences cumules auxcentres de classes, sauf le premier et le dernier point (trop grande
imprcision). Plus valeurs exprimentales se rapprochent dune loi normale,
plus les points sont aligns. Pour conclure que la distribution est ou nest pas
normale, tablir un "couloir" de confiance tel quon na que 5% de risque detrouver des points extrieurs en portant les intervalles de confiance de la
moyenne et de la dispersion.
A mmin = m - k2,5% s/ N = m - 1,96 s/ N pour 50% des valeurs
B mmax = m + k2,5% s/ N = m + 1,96 s/ N pour 50% des valeurs
C mmin + smin = mmin + s ( )%5,2
2/1 N pour 84% des
valeurs
D mmax + smax = mmax + s ( )
%5,97
2/1 N pour 84% des valeurs
E mmin - smax = mmin - s ( )%5,97
2/1 N pour 16% des valeurs
F mmax - smin = mmin - s ( )%5,2
2/1 N pour 16% des valeurs
TRACES TYPIQUES DU GRAPHIQUE DE HENRY
Loi normale
19
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
20/36
MAITRISE STATISTIQUE
DES PROCEDES
ANALYSES
A. LAMURE
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
21/36
MAITRISESTATISTIQUEDESPROCEDES
APTITUDE:APTITUDE STANDARD
OBJECTIF = vrifier que variabilit naturelle et centrage du processus deproduction compatibles avec tolrances de la caractristique slectionne.
Sur une priode stable de rfrence, prlever, de faon alatoire, N = 100valeurs non conscutives. Eviter :
prlvement sur une trop longue priode : risque de modifications deconsigne de marche, de matriel, assimilables des variations alatoires du
processus surestimation de la dispersion, prlvement sur une priode trop courte : risque que certains facteursalatoires naient pas eu le temps de jouersous estimation de la variabilit.
Moyenne m trouve sur la (ou les) priode(s) de rfrence peut treremplace par une valeur "cible" m0 fixe en gnral par rapport auxtolrances [Ti ; Ts] centre ou non.
INDICATEURS DAPTITUDE STANDARD : Cp =s
TT is
.6
lorsque cible centre
sinon Cpk =
s
Tm
s
mTMin is
.3;
.3
.. 00 (norme NF X06-033). Indicateurs standard
fonds surdispersion standard de 6 carts-types (99,73% des valeurs). Troiscas :
Suivant valeurs de Cp ou Cpk, aptitude des processus classe comme :
Cp 0,67 0,67 Cp 1,001,00 Cp 1,33
1,33 Cp 1,671,67 Cp 2,00
2,00 Cptrs
mauvaise
mauvaise trs moyenne
moyenne
moyenne
bonne
bonne
trs bonne
excellente
21
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
22/36
MAITRISESTATISTIQUEDESPROCEDES
APTITUDE:APTITUDES DUN MOYEN DE PRODUCTION ET DE CONTROLE
APTITUDE SPECIFIQUE :pour prciser la notion de "risque lutilisation du
produit" utilisation dindicateurs dAptitude plus spcifiques ( coefficients
dAptitude spcifique) nots Apou Apk se rapportant une dispersion de 2 kcarts-types (2 k = nombre dcarts-types dfini par loi LNR en fonction dupourcentage de valeurs qui doivent se trouver entre les tolrances) :
Ap =sk
TT is
.2
et Apk =
sk
Tm
sk
mTMin is
.2;
.2
.. 00
APTITUDES = indicateurs dtat a posteriori. Dans cart-type s de la priodede rfrence, tous les facteurs (matires premires, moyens de fabrication,moyens de contrle) ont contribu la dispersion de la production. Afin
de faire la part de chacun deux, distinction entre : APTITUDE OPTIMALE (OU INTRINSEQUE) DUN MOYEN DEPRODUCTION : Prlever, dans conditions optimales de stabilit defonctionnement, une cinquantaine de pices sur une courte dure dont
dispersion si = "dispersion intrinsque du moyen de production" Cam =IT/ 6si(rapport intervalle de tolrance sur dispersion intrinsque du moyende production sur une courte priode) ou Cmk = min.[(Ts - m)/ 3si ; (m - Ti)/3si] (rapport distance entre moyenne et tolrance la plus proche sur demi -
dispersion intrinsque du moyen de production sur une courte priode).Remarque : aptitude optimale (ou intrinsque) aptitude defabrication (influence de la variance de la chane de mesure).
APTITUDE DUN MOYEN DE CONTROLE. : "justesse" du systme decontrle (dispersion entre moyenne dune srie de rsultats et une valeur de
rfrence). Essais de "rptabilit" partir dun seul prlvement defabrication, par le mme oprateur, dans un mme lieu, sur un seul appareil,
avec le mme mode opratoire) non raliss en MSP.
22
Essais de "Reproductibilit" (dispersion sR des rsultats obtenus partirdun mme prlvement de fabrication, par mme mthode mais avec des
oprateurs diffrents, des appareils diffrents et des temps ventuellement
variables) pour dterminer les variations de lensemble de la chane qui
auront des rpercussions sur pilotage de fabrication. Cmc = IT/6sR (rapportintervalle de tolrance du moyen de production sur dispersion dereproductibilit du moyen de contrle sur une courte priode).
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
23/36
MAITRISESTATISTIQUEDESPROCEDES
APTITUDE:ETUDE COMPARATIVE DES VARIANCES
INDICATEURS DAPTITUDE prsentent plusieurs inconvnients :
aptitudes dun niveau de qualit ne peuvent servir au pilotage des processus,
aptitude intrinsque juge quau travers de mesures valeurs ne donnentpas aptitude propre du processus de fabrication, aptitudes non additives : aptitude globale du processus de production aptitudes processus fabrication + processus contrle (inverse racine carre),
aptitudes ne permettent pas de dfinir objectifs relatifs de variabilit duprocessus de contrle vis--vis du processus de fabrication.
VARIANCES DE FABRICATION ET DE CONTROLE : variance VP du processusde production, pour caractristique donne dun produit = somme variances
des lments qui le compose : matires premires, opration de fabrication
(hommes et machines) et ensemble des oprations qui amnent aux rsultats de
mesure (chane de mesure).
Si Vp = variance globale de production (Vp = s2
processus de production) et
VC = variance processus de contrle (VC = sR2
reproductibilit) variancematires premires Vmp Vp + VC et Vmp + VF = estimation de la variance delensemble (matires premires + fabrication). La part de la variance decontrle ne doit pas dpasser 20% de la variance totale. La variance nestpas un indicateur passif : cest un outil damlioration de la Qualit.
Exemple : rduction en priorit de la dispersion du processus de :fabrication. Contrle
23
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
24/36
MAITRISESTATISTIQUEDESPROCEDES
APTITUDE:FABRICATION DE FIL METALLIQUE
APPLICATION :FABRICATION FILS METALLIQUESDans une usine de fabrication de fil mtallique pour pneumatique, on contrle
la charge la rupture des fils avec un dynamomtre. Les fils de diamtres0,175 mm ont une charge la rupture moyenne de 80 N et les tolrances sont
de 3,6 N. On sait centrer cette charge la rupture en jouant sur le diamtre
Durant une priode de rfre
du fil initial avant trfilage.
nce, on a trouv cart-type global sP = 1,08 N sur
fil, le laboratoire de
n dduire les pourcentages respectifs des variances de fabrication et de
rt de la variance de contrle est trop importante pour
uelle est, dans ce cas, laptitude globale du processus Cp ?
la production. En dduire lAptitude de la production Ap
ur la mme priode, partir dune seule bobine deS
contrle a estim la reproductibilit de la mesure dynamomtrique sR= 0,75 N.
En dduire laptitude du moyen de contrle Cmc
E
contrle VF% et VC%n saperoit que la paO
pouvoir piloter le processus de trfilage avec une seule mesure par bobine. Le
seul moyen de diminuer cette part de variance et, par l mme, augmenter
laptitude de lensemble (fabrication + contrle) est de faire n mesures surchaque bobines. Calculer avec n = 8 les nouvelles variances de contrle VC
et de production ainsi que les nouveaux pourcentages respectifs des variances
Q
24
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
25/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE:DEPLACEMENT LIMITE DE LA MOYENNE
ZERO DEFAUT nexiste statistiquement que pour intervalle compris entre "zro dfaut" trs faible probabilit statistique p, dfinie enfonction du risque que client trouve rsultats hors tolrances. Toutprocessus drive avec le temps sous effet de causes indtermines quon
sefforce de supprimer pas pas ou alatoires qui peuvent se conjuguer
momentanment pour donner des effets dans le mme sens. Si
caractristique dun processus drive dune quantit vers la tolrancesuprieure Ts, il ne faut pas que sa moyenne m dpasse une certaine valeur
limite mrs (= "moyenne refusable suprieure") qui assure encore probabilit p choisie (quivalente au "zro dfaut"). Dans le cas de 2
tolrances Ti infrieure et Ts suprieure limites infrieure mri etsuprieure mrs. Exemple si quivalence du "zro dfaut" est p = 0,135%mri et mrs se trouveront 3 carts-types en retrait des tolrances Ti et Ts
POSITIONS DE mri ET mrsdfinies par loi LNR, ds que p fix : mrs = Ts -ks et mri = Ti + ks avec k = nombre carts-types correspondent p%. Pour
simplifier formules, drive maximale de la moyenne exprime ennombre dcarts-types = Min.[(mrs - m0)/s ; (m0 - mri)/s]. Plus grand,plus processus apte respecter tolrances et moins contrle cote
cher et optimum quand Ti et Ts symtriques par rapport m0. Lorsqueprocessus est centr, probabilit que client trouve des valeurs horstolrances est minime : ce nest que lorsque moyenne atteint mri ou mrsquelle est de p%. Comme cartes de matrise calcules de faon dtecter
toute drive D, probabilit moyenne relle quun client trouve unevaleur hors tolrances est toujours infrieure p.
25
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
26/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE:PERIODES OPERATIONNELLES
Pour la dtermination de leffectif n des chantillons, il faut tenir compte
des deux risques et de se tromper.
CARTES SHEWHART : risques valus en probabilits carinformationsdonnes par chantillons successifs traites de faon indpendante les
unes des autres ( et constants dun chantillon lautre).CARTES CUSUM ET EWMA : informations prsentes combines avec
celles du pass risques et voluent chronologiquement etconcepts de risque traduits en termes de "Priodes Oprationnelles".
PERIODE OPERATIONNELLE P = nombre N dchantillons successifsjusqu' en trouver un qui conduise penser que le processus a driv.
si processus na pas driv en ralit, priode note P0 correspond auconcept de "fausse alarme",
si le processus a driv effectivement, priode note P1 correspond auconcept "(100 - )" chance de dtecter rapidement cette drive.Remarque : on dsire P1 la plus petite possible (dtection rapide desvritables drives 1 < P1 < 4) et P0 la plus grande possible (le moins
possible de fausses alarmes 100 < P0 < 1 000) consquences sur effectif
n des chantillons, c.a.d sur cot de contrle.
Drive Fausse alarme
26
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
27/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE:PERIODES OPERATIONNELLES MOYENNES
PERIODE OPERATIONNELLE dune squence dchantillons, jusqu'obtenir un chantillon qui sort des limites de contrle = nombre entier.
Mais si processus plac une position dtermine (exemple mrs) et que plusieurs squences successives sont lances, nombre dchantillons au
bout duquel on est alert dune drive nest pas le mme chaque
squence : on a une distribution alatoire des frquences de PriodesOprationnelles.
PERIODE OPERATIONNELLE MOYENNE : pour carte SHEWHARTdistribution des Priodes Oprationnelles toujours dcroissante et a une
longue trane tandis que celle des cartes CUSUM et EWMA est beaucoup
plus resserre, dissymtrique, avec un maximum (continment que simoyenne < 1,5). Moyenne de cette distribution = "PriodeOprationnelle Moyenne" note POM0 si cest une fausse alarme
(conventionnellement P0= 100/) et POM1 si cest une vritable alarme(P1 = 100/(100-)).
PERIODE OPERATIONNELLE MAXIMALE : normes font apparatre, pour lesvritables alarmes, la notion de POMAX, = valeur de PriodeOprationnelle Maximale nayant que 5% de risque dtre dpasse : lesPOMAX peuvent tre :
calcules pour cartes SHEWHART : POMAX = ENT.1 + 3/Ln[P1/(P1-1])estims pour les 2 autres cartes : POMAXCUSUM = ENT. 2P1
1,1- 0,75
et POMAXEWMA = ENT. 2P11,1
- 0,5).
27
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
28/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE:CARTES DE LA MOYENNE SHEWHART
RISQUE : cartes SHEWWART + adaptes aux processus discontinus.Le processus tant centr, si distribution suit loi LN (moyenne m0 et cart-
type s), distribution chantillons suit loi normale (moyenne m0 et cart-type s/ n ). Si limites de matrise 3 carts-types de cible (Lm = m03s/ n ), probabilit = 2 x 0,135% = 0,27% de trouver valeurs hors destolrances : risque "bilatral" (gale probabilit de chaque ct).Remarque : limites de matrise sont soit fixes k1 s/ n de la valeurcible, k1 = nombre carts-types correspondant probabilit /2 (0,1% /2 1% 3,09 k1 2,33) soit exprimes en Priodes OprationnellesP0 = 100/, (1 fausse alarme tous les 500 50 chantillons en moyenne).RISQUE : pour calculer taille n des chantillons, il suffit, aprs avoircalcul dplacement maximal de la moyenne, de tenir compte du risque de ne pas dceler ce drglage. Si moyenne du processus se dplace de carts-types ( = .s) et atteint moyenne "refusable", trs forteprobabilit de trouver une valeur dchantillon (= moyenne de n valeurs
individuelles) > limite de matrise Lms mais probabilit de trouver une
valeur < Lms (= risque ) et dcider, tort, de ne pas rgler. Risque "unilatral" (nexiste que dun seul ct de la distribution lorsqueprocessus est centr sur mrs ou sur mri). Pour un risque donn, nombrecarts-types entre Lms et mrs = k2 (loi LNR). En gnral : 5% 20% 1,645 k2 0,842DEPLACEMENTDE LA MOYENNE : = (Lms -m0)/s + (mrs - Lms)/s = (k1 s/ n )/s + (k2 s/ n )/s = (k1 + k2)/ n Equation defficacit carteSHEWHART : n = k1 + k2 o k1 et k2 = nombres carts-types lis auxrisques /2et .
28
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
29/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE:EFFICACITE DES CARTES SHEWHART
EFFECTIF N DES ECHANTILLONS : quation defficacit n = k1 + k2 pour un dplacement de la moyenne fix et des risques et choisis,
effectif n des chantillons ne peut tre quelconque si on veut assurer lestolrances. Courbes defficacit traditionnelles (risque = 0,27%)permettent, aprs avoir choisi , de dterminer cet effectif n. Cescourbes montrent quune carte SHEWHART nest efficace et conomique
que pour de grandes drives ( > 1,33 soit Cp >145). Limites de matrisedune carte de SHEWHART assurant tolrances sont Lm = m0 k1 s/ n avec n calcul par quation defficacit
ABAQUE permet de trouver rapidement meilleur compromis entre n (cotde contrle) et P0 (fausse alarme) et donne les limites de matrise
correspondantes. Calculer et choisir P1 (nombre moyen dchantillonssuccessifs pour dtecter drive ) puis lire sur abaque couples (n, P0)correspondants et le paramtre k1 des limites de matrise.
29
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
30/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE:ABAQUE DES CARTES SHEWHART
30
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
31/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE :CARTES DE LA DISPERSION SHEWHART
Construction carte matrise de la moyenne sappuie sur valeur cart-type s
de rfrence surveillance de sa relative constance. Gnralement,
utilisation CARTE DES ETENDUES"wx" pour n < 10 - 12 et des ECARTS-TYPES"sx" au-dessus. Pour ces 2 cartes approximation loi en 2 en loinormale et limites se dduisent de tables normalises. Si dispersion doit
tre matrise, recalculer limites partir loi en 2. Intervalle de confiancecart-type 0 compris entre :
inf= sx ( )( ) 2/100
21P
n
0 sx ( )( ) 2/100
21P
n+
= supInversement, 0 ayant t estim par s, carts-types sx des chantillons ont
une probabilit p de se trouver entre limites Lci et Lcs telle que :
Lci =
( )1
2/1002
0 +
n
P
et Lcs =
( )1
2/1002
0
n
P
avec risque /2 de
fausse alarme identique pour chaque limite et gal (100 - P)/2
Cartes Cible limite infrieure limite suprieure
sx c4 s B5 s B6 s
wx
d2
s D1
s D2
s
n c4 B5 B6 d2 D1 D22 0,7979 0 2,606 1,128 0 3,686
3 0,8862 0 2,276 1,693 0 4,358
4 0,9213 0 2,088 2,059 0 4,698
5 0,9400 0 1,964 2,326 0 4,918
6 0,9515 0,029 1,874 2,534 0 5,078
7 0,9594 0,113 1,806 2,704 0,205 5,203
8 0,9650 0,179 1,751 2,847 0,387 5,307
9 0,9693 0,232 1,707 2,970 0,546 5,394
10 0,9727 0,276 1,669 3,078 0,687 5,469
11 0,8754 0,313 1,637 3,173 0,811 5,535
12 0,8776 0,346 1,610 3,258 0,922 5,594
13 0,9794 0,374 1,585
14 0,9810 0,399 1,563
15 0,9823 0,421 1,544
20 0,9869 0,504 1,471
250,9896 0,559 1,421
31
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
32/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE :PRINCIPE DES CARTES EWMA
Efficacit cartes SHEWHART mdiocre pour petites drives
CARTES EWMA ("Exponentially Weighted Moving Average") : prise en
compte valeur chantillon actuel et rsultats prcdents de faonpondre. A partir des valeurs moyennes1
x ,2
x , ....i
x des chantillons
successifs, calcul et suivi de : Zi = ix + (1 - ) Z(i-1) avec 0 < 1:VALEUR CIBLE : au dmarrage dune squence : Z0 = m0
ensuite : Zi = ix + (1 - ) Z(i-1) = coefficient de pondration tel que si = 1 carte de SHEWHART etplus petites drives mieux dceles mais pas drives brusques et
importantes gnralement pour processus continus, 0,25 0,50 etsouvent = 0,33.APPROXIMATION DE EN FONCTION DE LA PERIODE OPERATIONNELLE P1 1 - 0,7 tg[(P1 - 1)/P1] pour 1 < P1 5 et (P1 - 1)/P1 = angle en radians
LIMITES DE MAITRISE : . Lm = m0L sZ/ n avec :
sZ = s ( ) ( ) + 1211 i s ( ) 2 quand rang i chantillon . Audbut dune squence, limites = segments // qui convergent trs vite vers Lm
et ds 4me
chantillon, limites de matrise droites parallles. Paramtres des limites L soit lu sur abaque defficacit vraie, soitapproxim par L = k1 0,3 (. n )
-2,32 0,019 o k1 = nombre dcarts-types
de loi LNR pour probabilit (100/2P0) exprime en %. Obtention galementdu paramtre L par : L = k1 - ( )
5,2
41
nLorsque n > 2,5 L k1.
32
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
33/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE :EFFICACITE DES CARTES EWMA
EFFECTIF n DES ECHANTILLONS :
Efficacit vraie de la forme n = ),( 10 PfPfF avec :F(Pf0, Pf1) =2 1/Pf1 Ln(Pf0/Pf1) - (Pf1 - 1)/Pf1 Ln[Pf1/(Pf1 - 1) (Pf0 - 1)/ Pf0] utilisation dalgorithmes complexes (logiciels spcifiques) pour obtenir n.
Utilisation de lquation defficacit approche des cartes EWMA : n = [k1 + k2].e
[(f1
P1
)/f2
] ] pour 1 < P1 5 et k1 = nombre dcarts-types loiLNR pour la probabilit [100/2P0] %, k2 = nombre dcarts-types loi LNR
pour la probabilit [100(P1 1)/P1] %, f1 = 0,628 (P0 + 20)0,0221
+ 0,457 et
f2 = 16,33 (P0 - 20)-0,058
1,07
Utilisation dabaque de lefficacit vraie des cartes EWMA, en fonctiondes Priodes Oprationnelles Moyennes. Abaque permet trouver meilleurcompromis entre n (cot de contrle) et P0 (fausses alarmes) et donne
directement limites de matrise correspondantes : calcul dabord de etchoix de P1 (nombre moyen dchantillons successifs pour dtecter drive). Abaque donne couples (n, P0) correspondants et paramtres L des limitesde matrise. En fixant ensuite de faon intermdiaire n une valeur entire,
calcul de la valeur estime de P0 correspondant cette valeur intermdiaire.
33
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
34/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE :PRINCIPE DES CARTES CUSUM
PRINCIPE DES CARTES CUSUM : prise en compte informations passes enfaisant cumuls algbriques des carts entre valeurs des chantillons 1x ,
2x , ix et une moyenne dobservation m0. Suivi de 2 tracs sur carte dematrise :
celui des Si+
dont on ne prend que valeurs 0 (valeurs < 0 ramenes 0),
celui des Si-
dont on ne prend que valeurs 0 (valeurs >0 ramenes
0).
VALEUR CIBLE : m0 = 0
LIMITES DE MAITRISE dune carte CUSUM sont : Lm = 0 h s/ n o h = coefficient appel paramtre des limites de matrise qui peut tre :
lu sur labaque defficacit vraie approxim par h = k1 (. n /2)
+ 0,3 e
[1,2 k1
(1,55 . n )]
Comme cart direct valeur cible nombre trs important de fausses
alarmes, calculs dmarrs que lorsquune valeur dchantillon sort du
"couloir" [moi, mos] minimisation fausses alarmes. Moyennesdobservation habituellement places mi-chemin entre cible et
moyennes refusables. : Si+
= Si-1+
+ (xi - m0) 0 Si- = Si-1- + (xi - m0) 0avec mos = (m0 + mrs)/2 et moi = (m0 + mri)/2
Lorsquune valeur de S+
ou S-
sort des limites de matrise actionpour recentrer processus, arrt descalculs et dmarrage dune nouvelle
squence sans tenir compte des rsultats antrieurs.
34
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
35/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE :EFFICACITE DES CARTES CUSUM
EFFECTIF N DES ECHANTILLONS
Efficacit vraie de la forme n = ),( 10 PfPfF avec :F(Pf0, Pf1) =2 1/Pf1 Ln(Pf0/Pf1) - (Pf1 - 1)/Pf1 Ln[Pf1/(Pf1 - 1) (Pf0 - 1)/Pf0] utilisation dalgorithmes complexes (logiciels spcifiques) pourobtenir n.
Utilisation dabaque de lefficacit vraie des cartes CUSUM, enfonction des Priodes Oprationnelles Moyennes. Abaque permettrouver meilleur compromis entre n (cot de contrle) et P0 (faussesalarmes) et donne directement limites de matrise correspondantes:
Utilisation de lquation defficacit approche des cartes CUSUM : n = [k1 + k2].e
[(f1
P1
)/f2
] ] pour 1 < P1 5 et k1 = nombre dcarts-typesloi LNR pour la probabilit [100/2P0] %, k2 = nombre dcarts-types loi
LNR pour la probabilit [100(P1 1)/P1] %, f1 = 1,209 (P0 + 20)
0,0186
+ 0,003et
f2 = 11,50 (P0 - 40)-0,07
1,50
35
8/7/2019 03Extrait_Maitrise_Statistique_des_Procedes
36/36
MAITRISESTATISTIQUEDESPROCEDES
CARTESDECONTROLE :COMPARAISON DES CARTES DE MAITRISE
si n < 3,5 prendre une carte CUSUM ou EWMA, si n > 3,5 prendre la carte SHEWHART car elle a la mmeefficacit et est plus simple calculer et tenir pour les oprateurs.
CARTES SHEWHART CUSUM EWMA 0,75Caractristiques oui non lisse presque
Limites de contrle oui oui non au dbut non au dbut
Efficacit pour dtecter :
petites drives drives importantes
mauvaise
bonne
bonne
moyenne
bonne
moyenne
moyenne
bonne
Cot contrle pour petit lev plus faible plus faible moyen