Click here to load reader
Upload
werner-schrammel
View
35
Download
0
Embed Size (px)
Citation preview
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
1
Méthodes statistiques de la qualité : Statistical Quality Control
� échantillonnage des lots : Acceptance Sampling� cartes de contrôle de Shewhart: Statistical Process Control (SPC)� planification d’expériences : Design Of Experiment (DOE) - Taguchi� analyse des modes défaillances : Failure Mode Effect Analysis (FMEA)� déploiement fonction qualité : Quality Function Deployment (QFD)� analyse de fiabilitéContrôle Statistique des Processus : SPC de base� types de cartes : attribut – comptage – mesure� processus d’implantation� exemples avec Statistica
Analyse de capacité (capabilité) des processus� méthodologie� indices� lien avec la stratégie 6 sigma
Analyse de capacité des processus de mesure : R&RReproductible & Répétitivité
� méthodologie� critères� exemples
SPC : cartes avancées� moyenne mobile MA� moyenne mobile à poids exponentiel EWMA� cumulative à somme CUSUM� multivariables T2 de Hotelling
Stratégie de management qualité SIX SIGMA� stratégie organisationnelle� méthodologie DMAIC :
Define Mesure Analyze Improve Control� méthodologie DFSS : Design For Six Sigma
SPC 1
SPC 2
SPC 3
SPC 4
SPC 5
MTH 2301 Méthodes statistiques
maîtrise statistique des processus : SPC
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
2
OÙ ? QUOI : MÉTHODES
RÉCEPTION et EXPÉDITIONmatières premièresproduits semi finis
produits regroupés en lots
PLANSD'ÉCHANTILLONNAGE
LOTS(Acceptance sampling)
PRODUCTIONet
ASSEMBLAGE
CARTES de CONTRÔLEet
ANALYSE de CAPACITÉ(SPC)
OPTIMISATIONPRODUITSPROCÉDÉS
PLANIFICATIOND'EXPÉRIENCES(DOE - Taguchi)
TESTSESSAIS en ACCÉLÉRÉS
ÉTUDESFIABILITÉ
(accelerated testing)
SUIVI QUALITÉet FIABILITÉ
PRODUITS en SERVICE
MÉTHODESD'ANALYSE
STATISTIQUE
DESIGN dePRODUITS et PROCÉDÉS
et SERVICES
QFD (Quality Function Deployment)
PLANS D'EXPÉRIENCESANALYSE TOLÉRANCE
Méthodes du contrôle (maîtrise)statistique de la qualité
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
3
concept central :P R O C E S S U S
RESSOURCES
APPROVISIONNEMENT
MATÉRIAUX
ÉQUIPEMENTS
PERSONNEL
PROCESSUS
étapesméthodes
procédures
PRODUITou
SERVICE
PARAMÈTRESMESURABLES
etCONTRÔLABLES
VALEUR AJOUTÉE
CARACTÉRISTIQUESCRITIQUES
pour laQUALITÉ :
- MESURES- COMPTAGES- ATTRIBUTS
X1, X2, X3, … YFonction detransfert f
Y =f (X1, X2,..)
Les cartes deShewhart (contrôle)sont appliquées à ces
variables
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
4
DISTRIBUTION de Y
• Classement …………..… Binomiale : 0 ou 1• Comptage ……………….. Poisson• Mesure (variable) .… Normale (gaussienne)
Les 3 RÔLES DES DONNÉES
analyser le processus de mesurage : R&RREPRODUCTIBLE ? RÉPÉTIVITÉ ?
classer la pièce : conforme ou non conforme ?(exigences, spécifications, tolérances)
analyser le processus de fabrication : étude de capacitéSTABLE ? CAPABLE ?
2 PROCESSUS INSÉPARABLES
Fabricationpièce
Mesurage Résultat Y
TYPEinspection : humain
comptagemesure : appareil
Classement0, 1, 2, …34.582 ….
Y
rôle 1rôle 2
rôle 3
rôle 1
rôle 2
rôle 3
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
5
� La qualité du produit dépend du processus.
� Le processus doit être étudié avec le produit.
� Le comportement du processus varie dans le tempsVARIABILITÉ est TOUJOURS PRÉSENTE
� Sans surveillance, TOUS les processus se désorganisentet se dégradent : ENTROPIE
Pour s'en sortir, une solution qui a fait ses preuves :CARTES de CONTRÔLE des PROCESSUS
remarque : le terme CONTRÔLE prête à beaucoup de confusion.Les cartes ne contrôle pas le processus mais elles donnent une imagedu COMPORTEMENT du processus par l’intermédiaire de mesures surle produit. Il serait nettement préférable d’appeler ces cartes :
cartes de comportement du processus
Les cartes permettent
• d'analyser les fluctuations de Y• de quantifier ces fluctuations• de comprendre deux catégories de variabilité• de réduire la variabilité• de statuer si le processus est STABLE ( concept à définir)• d'évaluer la capacité du processus (indices) relativement à
des limites de spécification (tolérances)
En résumé
les cartes de contrôle = un BILAN de SANTÉ du PROCESSUS
CONSTATS UNIVERSELS
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
6
STABLE ?OUI NON
OUI
CAPABLE ?
NON
1 Situation confortableproduits conformes à 100%situation jamais acquise de manière permanenteen profiter pour améliorer le processus
2. Cas limiteAméliorer le processus pour aller en 1 :Diminuer la dispersion ou revoir les limites de spécification
3. Processus au bord du chaosproduits conformes à 100% mais état de courte duréeprocessus instable et tout peut arriveril faut trouver les causes assignables (spéciales)et stabiliser le processus pour se ramener au cas 1 ou 2
4. Situation chaotiqueIl faut faire des améliorations importantes pour stabiliser
PRIORITÉ : STABILISER en premieret ensuite
RENDRE CAPABLE
Les 4 ÉTATS POSSIBLES d'un PROCESSUS
1 3
2 4
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
7
TYPE
ÉLÉMENT type 1 type 2
Shewhart cause assignable cause non assignableDeming cause spéciale cause communesource causes externe processus interne au processusnombre causes petit grandeffet cause fort faibleprésence sporadique chronique
Exemples hommes, - défaut de design,matériaux, - formation insuffisante,méthodes -documentation inadéquate,machines, - matières premières,
- réglages imprécis,- conditions de travail,- équipement inadéquat, ..
correctif local globalresponsabilité personnel 1er niveau management
DÉFINITIONLe PROCESSUS est STABLE si seulement des causes communessont en jeu dans le processus.
définition statistique : les paramètres de la distribution(population) de X sont constants et ne changent pas dans le temps
COMMENT SAVOIR ?La SEULE Méthode est l'utilisation d'une carte de contrôle.
Distinction entre 2 types de variabilité
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
8
� inventeur : Walter Shewhart en 1924 ( General Electric )� idée de base : séparer les 2 types de variabilité
P ( LCLX ‹ X ‹ UCLX ) = 0.9973
1 échantillon de taille n : x 1 , x 2 , … x n : X = ∑ x i / n = Xbar
LCLXbar = µ – A σ ; UCLXbar = µ + A σ ; A = 3/√n
P [ LCLXbar ‹ X ‹ UCLXbar ] = 0.9973
estimation des paramètresk échantillons de taille n : x i 1 , x i 2 , … , x i n i = 1, 2, … , k
Xbar i = ∑ x i n / n ; R i = max( x i j) – min (x i j) ; S i = ∑ ( x i j - Xbari )2 /( n-1)
X = ∑ Xbar i / k ; R = ∑ R i / k ; S = ∑ S i / k
estimation sans biais de σ : σ = R / d2 ; σ = S / c4remarque : les constantes d2 et c4 dépendent de n ( voir p. 11)
limites de contrôle : Xbar et R ; Xbar et S
des moyennes Xbar avec R : X ± A 2 R ; A 2 = 3 / ( d2 √n )
des moyennes Xbar avec S : X ± A 3 S ; A 3 = 3 / ( c4 √n )
des étendues R : LCL R = D 3 R et UCL = D 4 R
des écarts types S : LCL S = B 3 S et UCL = B 4 S
Genèse des cartes
X
CAS
N ( µ, σ2 )µ, σ
CONNUS
LCLX = µ – 3σ CLX = µ UCLX = µ + 3σ
σ
CAS ( µ ,σ ) INCONNUS
AUTRES CAS : attributs et comptagesbase : loi binomiale et loi de Poisson
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
9
EXEMPLE : carte Xbar (moyenne) & R (étendue)
X-bar and R Chart; variable: X_E6Histogram of Mean
0 1 2 3 4 5 6 7 86080
100120140160180200220240260
X-bar: 143.52 (143.52); Sigma: 19.927 (19.927)
5 10 15 20 25 30
109.00
143.52
178.03
Histogram of Ranges
0 2 4 6 8 10 12 14 16 18-20
0
20
40
60
80
100
120
140
Range: 33.727 (33.727); Sigma: 17.702 (17.702)
5 10 15 20 25 30
0.0000
33.727
86.834
DONNÉESJour mesures Xbar R
1 144 150 180 158.0 362 193 210 225 209.9 323 235 233 228 209.3 7. . . . . .
33 127 135 130 130.7 8
LIMITES de CONTRÔLE STATISTIQUERègle 3 sigma de Shewhart
Ligne Centrale CL = moyenneLimite Supérieure UCL = moyenne + 3 * (variabilité)Limite Inférieure LCL = moyenne - 3 * (variabilité)
CRITÈRES - tout point situé à l'extérieur de l'intervalle (LCL , UCL)est le signal d'une instabilité du processus
- autres règles (Western Electric)7 points consécutifs croissants (décroissants)8 points consécutifs d'un seul côté de CL
…autres ….
Cartes de contrôle de Shewart
Xbar = ( X1 + X2 + X3 ) / 3
R = max ( X1, X2 ,X3)-
min ( X1, X2, X3)
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
10
CARTES pour des variables de type mesureDonnées groupe i ( i = 1, 2 , … , k ) : x i1 , x i2 , …… , x in
Xbar i moyenne du groupe i de n observations = ∑ x ij / n
R i étendue du groupe i = max( x ij ) – min( x ij )
S i écart type du groupe i = ∑ ( x ij – Xbar i ) 2 /( n-1)
mR i étendue mobile = | X i – X i-1 | : observ. ordonnées dans le temps et n = 1
Xbar moyenne des k moyennes Xbar = ∑ Xbar i / k
Rbar moyenne des k étendues R = ∑ R i / k
Sbar moyenne des k écarts types S = ∑ S i
mR moyenne des étendues mobiles mR = ∑ mR i /( k – 1 )
Caractéristique CL LCL UCL
n ≥ 2 moyennes ( Xbar & R ) Xbar Xbar - A2* Rbar Xabr + A2* Rbar
(Xbar & S) Xbar Xbar – A3* Sbar Xabr + A3* Sbarétendues ( R ) Rbar D3* Rbar D4* Rbarécarts types ( S ) Sbar B3* Sbar B4* Sbar
n = 1 individuelles ( X ) Xbar Xbar – 2.66* mR Xbar + 2.66* mR
CARTES pour des attributs et comptagestype CL LCL UCL
np npbar npbar – 3 [ n pbar( 1 – pbar )]0.5 npbar + 3 [ n pbar ( 1 – pbar )]0.5
p pbar pbar – 3 [ pbar ( 1 – pbar ) /n i ]0.5 pbar + 3 [ pbar ( 1 – pbar ) /n i ]0.5
c cbar cbar – 3 ( cbar )0.5 cbar + 3 ( cbar )0.5
u ubar ubar - 3 ( ubar /n i )0.5 ubar + 3 ( ubar / n i )0.5
CONSTANTESn A 2 A 3 B 3 B 4 D 3 D 4 d 2 c 4_2 1.880 2.659 0 3.267 0 3.268 1.128 0.798 3 1.023 1.954 0 2.568 0 2.574 1.693 0.8864 0.729 1.628 0 2.226 0 2.282 2.059 0.9215 0.577 1.427 0 2.089 0 2.114 2.326 0.9406 0.483 1.287 0.300 1.970 0 2.096 2.534 0.9527 0.419 1.182 0.118 1.882 0.076 1.924 2.704 0.9598 0.373 1.099 0.185 1.815 0.136 1.864 2.847 0.9659 0.337 1.032 0.239 1.761 0.184 1.816 2.970 0.969
10 0.308 0.975 0.284 1.716 0.223 1.777 3.078 0.973
Limites de contrôle : formules
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
11
1. Les limites de contrôle sont toujours placées à 3 écarts types de la ligne centrale.
2. Les limites pour les mesures doivent toujours être basées une estimation de lavariabilité du processus (sigma) calculée avec la moyenne d’un ensemble de kindicateurs de dispersion.
important : ne jamais calculer l’estimation de la variabilité du processus (sigma)avec toutes les données en seul groupe
3. Les données doivent provenir d’un plan d’échantillonnage et doivent être organiséesen groupes rationels pour quelles soient utiles.
4. L’organisation ou entreprise doit réagir d’une manière appropriée aux connaissancesnouvelles qui résultent de l’application des cartes.
Il est FAUX que :
� les mesures doivent provenir d’une distribution gaussienne.exception : la carte à valeurs individuelles et étendues mobiles XmR.
� la base du SPC est le théorème central limite.
� les mesures doivent être indépendantes : à moins d’une auto corrélationélevée (au moins 0.80) on peut employer les cartes de base comme lacarte Xbar et R.
� les observations doivent être en contrôle statistique pour être placéeso sur une carte.
� les limites de contrôle peuvent être placées à ± 2 * sigma.
Remarque
� Il y a une seule définition pour les limites de contrôle : ± 3* sigma
� Tout autre choix ± k * sigma conduit à ;
• trop de fausses alarmes si k ‹ 3
• un manque de détection de signaux potentiels si k > 3
Principes de Shewhart pour la construction des cartes
Les mythes en SPC
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
12
DISTRIBUTION figure % dans n % moyennes Xbar % étendues R( -3 , 3 ) (LCLXBar, UCLXbar) (LCLR, UCLR )n = 1
Uniforme 100 2 100 100-√3 0 √3 4 100 100
10 99.7 100
Triangulaire 100 2 99.5 99.9-1.45 0 2.95 4 99.9 100
10 99.5 100
Gaussienne 99.7 2 99.7 99.0-3 0 3 4 99.7 99.5
10 99.6 99.5
Exponentielle 98.2 2 98.8 97.4-1 0 4 99.0 97.4
10 99.3 96.0
CONCLUSION
La forme de la distribution ( population ) d’origine n’est pas importantelorsque l’on applique la règle de 3 sigmas de Shewhart pour détecter descauses spéciales de variabilité.
Démonstration de la règle 3 sigma de Shewhart :simulation de 10 000 observations provenant de
4 distributions avec µ = 0 et σ = 1
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
13
module : Quality Control Charts
TYPE de CARTES : 7 cartes de base
MESURE Xbar&R XmR Xbar&Sn 2 à 9 1 10 et plus
ATTRIBUT p np c uCOMPTAGE n variable constant constant variable
CARTES AVANCÉES : pour des mesures ( variables ) :EWMA , CUSUM, MULTIVARIABLE, ….
Production de cartes avec STATISTICA
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
14
• Choisir les processus importants (critiques)
• Choix d'une variable de réponse Y : mesure, comptage, classement; les mesures sont préférables aux attributs
• Plan de collecte des données -- échantillonnage de la productionn pièces à intervalle régulier; n entre 1 et 10 est suffisant;fréquence : par exemple, à chaque heure
augmenter au début et réduire par la suiterecommandation : un petit groupe de n pièces souvent
est mieux qu'un grand nombre de pièces peu souvent
• Collecte des données et calcul des limitesAvoir au moins 100 observations; par exemple 20 groupes de 5
• Très important : ne jamais calculer l'estimation de lavariabilité avec toutes les données en seul groupeles cartes sont alors trop insensibles (limites trop larges) pourdétecter des points hors contrôle sur le graphique.
• Pourquoi la règle 3 sigma de Shewhart ?Cette règle est la SEULE définition opérationnelle du conceptde stabilité statistique.Les cartes de Shewhart sont ROBUSTES.
• Continuer la collecte des données …..
• Maintenir un journal de bord pour noter des évènementsqui pourraient être reliés à des causes assignables
• Apprendre à interpréter les cartes :� tendances� dérives� cycles� sauts
IMPLANTATION d'une CARTE de CONTRÔLE
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
15
MESURES (VARIABLES) base : loi gaussienne
1. Xbar et R : moyenne Xbar et étendue R ( si n ≤ 10 )2. Xbar et S : moyenne Xbar et écart type S ( si n > 10 )
3. XmR : valeur individuelle X et étendue mobile mRmR = | X i - X i - 1 | i = 2, 3, …formation de groupes de n = 2 observations consécutivesremarque : il faut que cette différence fasse du sens;
par exemple, si les valeurs X sont reliées au temps
ATTRIBUT base : loi binomiale
4. p : fraction de pièces non conforme échantillon de n pièces( n peut être variable)
5. np : nombre de pièces non conforme échantillon de n pièces( n est fixe)
COMPTAGES base : loi de Poisson
6. c : nombre de non conformités (aire d'opportunité fixe)
7. u : nombre de non conformités (aire d'opportunité variable)
REMARQUESPour appliquer les cartes pour les attributs il faut que leshypothèses de la loi binomiale soient vérifiées.
Pour appliquer les cartes pour les comptages il faut que leshypothèses de la loi de Poisson soient vérifiées.
Si les hypothèses ne sont pas satisfaites :employer une carte XmR avec les comptages et les taux.
EXEMPLES avec STATISTICA
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
16
EXEMPLE 1 : carte Xbar et Rgroupes de 4 piècesmesure de résistance en ohm Y
observationsgroupe y1 y2 y3 y41 5045 4350 4350 39752 4290 4430 4485 42853 3980 3925 3645 3760. . . . .51 5150 5250 5000 5000
X-bar and R Chart; variable: X_E7Histogram of Means
02
46
810
1214
16320034003600380040004200440046004800500052005400
X-bar: 4503.2 (4503.2); Sigma: 323.54 (323.54); n: 4.
5 10 15 20 25 30 35 40 45 50
4017.9
4503.2
4988.6
Histogram of Ranges
02
46
810
1214
1618
-2000
200400600800
1000120014001600180020002200
Range: 666.08 (666.08); Sigma: 284.65 (284.65); n: 4.
5 10 15 20 25 30 35 40 45 50
0.0000
666.08
1520.0
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
17
EXEMPLE 2 : carte XmRX = viscosité polymère en cours de production
observations durant 25 heures consécutives
observations ( )2838 2785 3058 3064 2996 2782 2878 2920 3050 28703174 3102 2762 2975 2719 2861 2797 3078 2974 28053163 3199 3054 3147 3156
X and Moving R Chart; variable: X_E15Histogram of Observations
0 1 2 3 4 5 6 7240025002600270028002900300031003200330034003500
X: 2967.9 (2967.9); Sigma: 134.71 (134.71); n: 1.
5 10 15 20 25
2563.8
2967.9
3372.0
Histogram of Moving Ranges
0 1 2 3 4 5 6 7-50
050
100150200250300350400450500550
Moving R: 152.00 (152.00); Sigma: 114.84 (114.84); n: 1.
5 10 15 20 25
0.0000
152.00
496.51
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
18
EXEMPLE 3 : carte p avec n variableinspection à 100% d'un lot choisi parmi la production quotidienneéchantillonnage durant une période de 99 jours
X : nombre de pièces non conformes dans le lotla taille (n) du lot est variable d'une journée à l'autre
observationsjour n X f = X/n1 3350 31 0.00932 3354 113 0.03373 1509 28 0.01864 2190 20 0.0091
……………………………………………………………..121 3323 3 0.0009
2 cartes sont possibles : carte p et une carte XmR avec fP Chart; variable: X_E31
Histogram of P
010
2030
4050
6070
8090
100-0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
P: .00696 (.00696); Sigma: .00162 (.00162); n: 2645.4
10 20 30 40 50 60 70 80 90
.00263
.00696
.01129
X and Moving R Chart; variable: f_nonconfHistogram of Observations
010
2030
4050
6070
8090
100-0.02-0.010.000.010.020.030.040.050.060.070.080.09
X: .00641 (.00641); Sigma: .00492 (.00492); n: 1.
10 20 30 40 50 60 70 80 90
-.00836.00641.02117
Histogram of Moving Ranges
010
2030
4050
6070
8090
100-0.010.000.010.020.030.040.050.060.070.08
Moving R: .00555 (.00555); Sigma: .00420 (.00420); n: 1.
10 20 30 40 50 60 70 80 90
0.0000.00555.01814
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
19
EXEMPLE 4 : carte cX : nombre de non conformité sur un circuit imprimé
observations21 – 24 – 16 – 12 – 15 – 5 – 28 – 20 – 31 – 25 – 20 – 24 - 1619 - 10 – 17 – 13 – 22 -19 - 39 – 30 – 24 – 16 – 19 - 17 - 25
C Chart; variable: x_defautHistogram of C
01
23
45
67
89
1011
0
5
10
15
20
25
30
35
40
45
C: 20.269 (20.269); Sigma: 4.5021 (4.5021)
5 10 15 20 25
6.7628
20.269
33.776
______________________________________________________________________________Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002
20
EXEMPLE 5 : carte UX = nombre d'imperfections sur des pièces de tissus
l’aire inspectée des tissus est variable
observations
Tissu 1 2 3 4 5 6 7 8 9 10Aire 10 12 20 11 7 10 21 16 19 26#Imp. 14 18 30 13 5 10 39 24 34 49
U Chart; variable: ImperfHistogram of U
0 1 2 3 4 5-0.5
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
U: 1.5526 (1.5526); Sigma: .31960 (.31960); n: 15.2
1 2 3 4 5 6 7 8 9 10
.81952
1.5526
2.2857