Post on 15-Oct-2015
1C1 MSP : Matrise Statistique des ProcdsC2 MSA : Analyse des quipements de mesure
1. Histoire de la qualit en gnral2. Approche conomique de la qualit3. MSP SPC
a. MSP => Dfinitions et gnralitsb. Statistique Descriptivec. Les indices de capabilitd. Les cartes de contrle
2Histoire de la qualit
IntroductionLa qualit, cette notion minemment subjective, peut sans doute tre associe aux
premires proccupations de l'homme ds son origine, puisqu'elle traduit fondamentalement la recherche de l'adaptation de chaque chose son usage prvu,
c'est--dire le soucis initialement tout intuitif de l'efficacit et du confort. Tout d'abord, une rapide histoire de la qualit. On peut en effet se demander pourquoi
cette notion de qualit, partie intgrante du processus de fabrication d'un produit, est devenue aujourd'hui si importante dans l'tude des phases de
production, qu'un organisme international a dict une srie de normes sur ce sujet. Il suffit de comprendre l'volution du rapport producteur/acheteur pour expliquer
cette apparition de notion de qualit dans le monde conomique.
1. Histoire de la qualit
L're industrielle 1800 1917 : Taylorisme ou contrle a posteriori TAYLOR (1856-1915)
Naissance des grandes fabriques. Tout se vend mme ce qui est de mauvaise qualit. La qualit reste encore lie au prix que l'on paie lors de l'achat du produit : plus on paie cher, plus le produit est de bonne qualit. Mutation des mthodes de production, qui suivent l'volution des techniques : perfectionnement des machines, forte augmentation de la demande, complexification des produits. La notion de sous-traitance apparat. Apparition des chanes de production industrielle, qui emploient un personnel peu qualifi, mal pay, o les tches se divisent en lments simples et rptitifs (Taylorisme). Dveloppement du contrle.
1. Histoire de la qualit
31918 1960 : ESSOR DE LA NORMALISATION 1960 1980,Avant ISO 9000 : Etatisation (mtrologie, normalisation...)
Accroissement spectaculaire des besoins : crises conomiques, deux guerres mondiales. Forte augmentation des quantits produites. Produits toujours de plus en plus complexes. Mthodes de contrle statistiques, pour veiller la bonne gestion qualitsans permettre de prvenir une ventuelle volution. Notion de qualit par prvention : l'assurance qualit. Apparition du Contrle Qualit.(approche scientifique) et des "papes de la Qualit : DEMING, JURAN, CROSBY ...
1. Histoire de la qualit
L're industrielle, aprs 1980
Les produits japonais inondent les marchs avec une qualit meilleure pour un prix moindre. Les clients deviennent de plus en plus exigeants. L'offre est suprieure la demande. 1987 : Premire version des normes ISO 9000.
Une prise de conscience beaucoup plus globale de l'importance stratgique et conomique de la qualit pour l'entreprise et pour l'conomie, provoque notamment par l'exacerbation de la concurrence mondiale, conduit ne plus ngliger aucun gisement de comptitivit.
1. Histoire de la qualit
4Conclusion
La qualit a donc travers une longue priode en subissant au fur et mesure des volutions. Les dmarches mthodologiques qui la composent ont volu du simple contrle a posteriori de la qualit au management (gestion) de lentreprise par la qualit. Une prise de conscience beaucoup plus globale de l'importance stratgique et conomique de la qualit pour l'entreprise et pour l'conomie, provoque notamment par l'exacerbation de la concurrence mondiale, conduit ne plus ngliger aucun gisement de comptitivit. On peut ainsi dire que, de nos jours, la "qualit" n'est dsormais plus le problme des seuls "services qualit" mais est devenue une des proccupations majeures du management des entreprises. Ce sont d'ailleurs dsormais les dirigeants qui se mobilisent pour la certification et pour la qualit dite "totale".
1. Histoire de la qualit
Ce qui cote, c'est l'absence de qualit, c'est dire toutes les activits qui ont pour consquence que les choses ne sont pas faites comme il faut du premier coup.
Philip B. CROSBY
2. Approche conomique de la qualit
51. La MSP et lhistoire de la qualit
Avant
CA
Accroissement de la marge
Diminution des cots
Aprs
Accroissement du CA
2. Approche conomique de la qualit
6Les Cots de Non-Qualit lusine Fantme
AttentesDchets
Dfauts
Papiers
TrisRetouches
Rebuts
Stocks RetoursRclamations
Btimentsinutiles
Contrles Pannes
Gaspillages : nergie, heures, matires,
2. Approche conomique de la qualit
MUDA : les 7 fantmes japonais (ref Toyota)
Surproduction Attentes (y compris le temps d'observation d'un oprateur devant une machine en fonctionnement) Mouvements au poste (ergonomie) Dplacements Rebuts Stocks inter-oprations Procd non adapt
Attentes
Dchets
Dfauts
Papiers
TrisRetouche
sRebuts
Stocks RetoursRclamation
s
Btimentsinutiles
Contrles Pannes
Gaspillages : nergie, heures, matires,
2. Approche conomique de la qualit
7Phase 1 Constat : les dfauts externes sont nombreux
1 2 3 4
Dfauts externesDfauts internesDtectionPrvention
2. Approche conomique de la qualit
Phase 2 : On a fait le ncessaire pour que le client ne soit plus mcontent
1 2 3 4
Dfauts externesDfauts internesDtectionPrvention
2. Approche conomique de la qualit
8Phase 3 : On cherche rduire les cots
1 2 3 4
Dfauts externesDfauts internesDtectionPrvention
2. Approche conomique de la qualit
Phase 4 : On sait prvenir les dfauts
1 2 3 4
Dfauts externesDfauts internesDtectionPrvention
2. Approche conomique de la qualit
93. MSP - SPC
Matrise Statistique du ProcdeStatistical Process Control
MAITRISE : on dsire que quelque chose se comporte comme on le veut
STATISTIQUE : dans le but d'estimer puis de matriser la dispersion, autrement dit la variabilit du processus.
PROCEDE : enchanement de tches dont le but est de fabriquer un produit final rpondant aux besoins du client.
Matriser le procd de fabrication signifie : Matriser la dispersion (Tolrances) Matriser les rglages (Cotes nominales)
3. MSP SPCa. MSP => Dfinitions et gnralitsb. Statistique Descriptivec. Capabilit
1) Les 6M- diagramme dHishikawa2) Les indices de capabilit3) Ecarts type4) Capabilit machine5) Capabilit prliminaire6) Capabilit procd
3. MSP - SPC
10
But de la M.S.P
connatre les paramtres influents d'un processus, amliorer le processus jusqu' un niveau de qualit requis, maintenir le processus ce niveau grce un systme de surveillance (cartes de contrle, journal de bord), chercher amliorer les performances du processus.
3. MSP SPC a. Dfinitions et Gnralits
Domaine d'application
La mthode M.S.P. concerne les processus de fabrication de moyenne et grande srie (le contrle de petites sries est nanmoins possible avec des cartes spcifiques).
Elle peut s'appliquer des fabrications manuelles aussi bien qu' des fabrications fortement automatises.
C'est une mthode qui peut s'appliquer aussi bien un produit nouveau qu' un produit existant.
3. MSP SPC a. Dfinitions et Gnralits
11
Place de la M.S.P dans le rfrentiel ISO 9001Le chapitre 8.1 de la Norme ISO 9001, intitul Mesure, analyse et
amlioration / gnralits , annonce :Lorganisme doit planifier et mettre en uvre les processus de surveillance, de mesure, danalyse et damlioration ncessaires pour dmontrer la conformit du produit, assurer la conformit du systme de management de la qualit et amliorer en permanence lefficacit du systme de management de la qualit. Ceci doit inclure la dtermination des mthodes applicables, y compris les techniques statistiques, ainsi que ltendue de leur utilisation
De plus, les chapitres 8.2.3 et 8.2.4 impose lorganisme de vrifier l'aptitude des processus, de surveiller et de mesurer les processus et les produits en utilisant des mthodes appropries.Dans le Rfrentiel ISO 9001, la MSP n'est donc jamais impose mais est un outil utile permettant de rpondre aux exigences de la Norme.
3. MSP SPC a. Dfinitions et Gnralits
Documents de rfrence
Guide pour la mise en place de la Matrise Statistique des Processus. Norme X 06-030 (1992), Statistical Process Control (Chrysler, Ford, GM) (1995), VDA 4 Teil 1 Partnerschaftliche Zusammenarbeit AblufeMethoden (1996), Cartes de contrle : principes gnraux. Norme NT X 06-031-0 (1995), Cartes de contrle : cartes de contrle de Shewart aux mesures. Norme NF X 06-031-1 (1995), Cartes de contrle : cartes de contrle aux attributs. Norme NF X 06-031-2 (1995).
3. MSP SPC a. Dfinitions et Gnralits
12
PRINCIPE DE LA MAITRISE STATISTIQUE DES PROCESSUSModliser le comportement d'un processus (ou d'un moyen) par l'intermdiaire de l'outil statistique. La statistique permettant d'estimer et de prvoir le comportement d'un processus dans le temps avec un petitnombre de prlvements.
3. MSP SPC a. Dfinitions et Gnralits
OBJECTIF FONDAMENTAL
Rduire et matriser la variabilit d'un procd afin de minimiser celle du produit
PROCEDE STABLE
Un procd est stable ou sous contrle statistique si toutes les causes assignables sont limines
3. MSP SPC a. Dfinitions et Gnralits
13
LES TYPES DE CAUSES
Causes assignables Identifiable Peu nombreuses D'effet isol pouvant tre important (exemples: erreur de manipulation, usure, casse d'un outil, etc.)
Causes non assignables Constamment prsentes Nombreuses De faible effet individuel Indpendantes les unes des autres
3. MSP SPC a. Dfinitions et Gnralits
QUESTION :QUELS SONT LES OUTILS NECESSAIRES AU BON CHOIX DES CARACTERISTIQUES, LEURS NOMINALES ET LEURS TOLERANCES ?
L'analyse fonctionnelle
L'analyse factorielle des donnes : ACP, AFC
L'AMDEC (L'Analyse des Modes de Dfaillances de leurs Effets et de leurs Criticits) Les plans d'expriences
3. MSP SPC a. Dfinitions et Gnralits
14
LA DEMARCHE STATISTIQUEOUTIL D'AIDE A LA DECISION
5 - CONCLUSIONS
1 - POPULATION
2 - ECHANTILLON
3 - HISTOGRAMME
4 - LOI DE DISTRIBUTION
Prlvement
Statistique Descriptive
Modlisation
Estimation et tests
3. MSP SPC b. Statistique Descriptive
Echantillon
a. Sur l'chantillon prlev, on relve la ou les caractristiques tudier :
Proportion de produits dfectueux Mesure d'une cote Note d'apprciation
b. Ensuite, on cherche la nature de cette caractristique : Proportion Grandeur quantitative Grandeur qualitative
Statistique Descriptive
1 - POPULATION
Prlvement
2 - ECHANTILLON
3 - HISTOGRAMME
Modlisation
4 - LOI DE DISTRIBUTION
Estimation et tests
5 - CONCLUSIONS
3. MSP SPC b. Statistique Descriptive
15
Statistique Descriptive
1 - POPULATION
Prlvement
2 - ECHANTILLON
3 - HISTOGRAMME
Modlisation
4 - LOI DE DISTRIBUTION
Estimation et tests
5 - CONCLUSIONS
Histogramme
a. Tableau de rsultatsN mesures
b. Calcul de l'tendue : diffrence entre la plus grande et la plus petite valeur, note R (Range) ou W
c. Nombre de classes
d. Largeur d'une classe =
e. Calcul des Frquences par classe
3. MSP SPC b. Statistique Descriptive
Exemple
On mesure la cote d'une pice usine. L'chantillon comporte 50 pices.
20,53 20,47 20,34 20,87 20,6920,49 20,53 20,64 20,45 20,7520,25 20,43 20,73 20,57 20,5920,57 20,67 20,37 20,44 20,5220,48 20,51 20,54 20,22 20,7820,51 20,62 20,55 20,71 20,4520,68 20,31 20,65 20,58 20,7720,57 20,65 20,47 20,35 20,5120,72 20,28 20,63 20,59 20,6320,42 20,84 20,53 20,68 20,38
Tableau des rsultats
HistogrammeR =
k = 50 = 7,07 ou k = l+(10/3) Iog(50) =6,66
k =
Largeur de la classe =
Classe Nbremesure
Frqen%
[20,2 20,3[[20,3 20,4[[20,4 20,5[[20,5 20,6[[20,6 20,7[[20,7 20,8[[20,8 20,9[
3. MSP SPC b. Statistique Descriptive
16
Caractristiques de tendance : Moyenne : Egale la somme des valeurs divise par le nombre d'observations.
Mdiane : Est la valeur de la variable dont la frquence cumule est gale 50%.
Mode : La valeur pour laquelle la frquence est maximale.
Statistique Descriptive
1 - POPULATION
Prlvement
2 - ECHANTILLON
3 - HISTOGRAMME
Modlisation
4 - LOI DE DISTRIBUTION
Estimation et tests
5 - CONCLUSIONS
3. MSP SPC b. Statistique Descriptive
Caractristiques de dispersion : Variance : La moyenne de la somme des carrs des carts la moyenne. Son estim est :
Etendue : La diffrence entre la plus grande et la plus petite valeur.
Coefficient de variation : Le rapport entre l'cart type et la moyenne..
Statistique Descriptive
1 - POPULATION
Prlvement
2 - ECHANTILLON
3 - HISTOGRAMME
Modlisation
4 - LOI DE DISTRIBUTION
Estimation et tests
5 - CONCLUSIONS
3. MSP SPC b. Statistique Descriptive
17
Statistique Descriptive
1 - POPULATION
Prlvement
2 - ECHANTILLON
3 - HISTOGRAMME
Modlisation
4 - LOI DE DISTRIBUTION
Estimation et tests
5 - CONCLUSIONS
LOI DE DISTRIBUTIONC'est la traduction de l'histogramme en MODELE MATHEMATIQUE, qui nous donne la PROBABILITE d'avoir un vnement donn.
Loi Normale, Loi Laplace Gauss
Loi Binomiale
Loi de Poisson
Loi Exponentielle
Loi Gamma
Loi de Weibull
3. MSP SPC b. Statistique Descriptive
LOI NORMALETout phnomne dont la variabilit dpend de paramtres :
trs nombreux, indpendant entre eux, d'effet individuel faible,
suit une loi NORMALE.C'est une loi continue deux paramtres N(,) :
La moyenne L'cart-type
La densit de probabilit :
La fonction de rpartition :
On obtient une loi normale centre rduite note avec N(0,1). Cette loi a l'avantage de ne dpendre d'aucun paramtre.
3. MSP SPC b. Statistique Descriptive
18
LOI NORMALEEXEMPLE :
L'entreprise Dupont fabrique des tiges mtalliques. La rsistance la rupture de ces tiges est distribue normalement avec une moyenne de 70 kg et un cart-type de 4 kg.
Quelle est la probabilit qu'une tige choisie au hasard de la production ait une rsistance la rupture suprieure 74,8kg ?
P(X>74,8)=
25% des tiges de la production auront une rsistance la rupture infrieure ou gale quelle valeur ?
P(Z
19
LOI BINOMIALEEXEMPLE :
Un agent technique vrifie, l'aide d'un calibre, le diamtre d'une pice usine par une machine-outil. La pice est place dfectueuse si le diamtre est trop petit ou trop grand. D'aprs les donnes recueillies depuis un certain temps, la machine prsente 10% de pices dfectueuses.
La variable concerne, X, est une variable discrte dont les valeurs possibles sont :
k = 0,1, 2, 3, 4, ou 5
Les paramtres de la loi sont :
n = 5 et p = 0,l
La loi de probabilit correspondante est la loi binomiale
Quelle est la probabilit d'observer 3 pices dfectueuses dans un chantillon de taille 5 ?On calcule : P(X = 3) =
3. MSP SPC b. Statistique Descriptive
LOI de POISSONLoi des petites probabilits
Une loi de probabilit d'une variable discrte.
Utile pour dcrire le comportement d'vnements dont les chances sont faibles.
Nombre d'accident de travail
Le nombre de dfauts dans une unit de fabrication.
Une variable alatoire X prenant les valeurs entires 0, 1, 2, 3, ... avec les probabilits :
est dite obir une loi POISSON, note p(), de paramtre .
PROPRIETES :
Esprance =
Variance =
peut tre interprt comme le taux moyen avec lequel un vnement particulier apparat. /
3. MSP SPC b. Statistique Descriptive
20
LOI de POISSONEXEMPLE :
Selon les donnes recueillies depuis plusieurs annes, le nombre de pannes hebdomadaire du systme informatique de l'entreprise Dupont est rgi par la loi de Poisson de paramtre = 0,05.
Quelle est la probabilit que le systme tombe en panne une fois au cours d'une semaine quelconque ?
P(X=1)=
Au cours d'une anne d'oprations (50 semaines), quelle est la probabilit d'observer
a) 2 pannes
b) 4 pannes
Sur 50 semaines le paramtre devient :
= 50 x 0,05 = 2,5 (soit 2,5 pannes par ans en moyenne)
a) P(X=2)= 0,257
b) P(X=4)= 0,134
3. MSP SPC b. Statistique Descriptive
LOI EXPONENTIELLECette loi a de nombreuses applications dans plusieurs domaines
la dure de vie d'un composant lectronique, le temps entre deux arrives conscutives un guichet automatique, le temps entre deux dfaillances conscutives d'un systme informatique, le temps de service un guichet de pices dtaches d'une usine...
Sa densit de probabilit est dfinie par :
Sa fonction de rpartition est :
PROPRIETES :
Esprance = 1/
Variance = 1/ 2
peut tre interprt comme le taux moyen de dfaillance et 1/ (MTBF) le temps moyen entre dfaillances.
3. MSP SPC b. Statistique Descriptive
21
LOI EXPONENTIELLEEXEMPLE :
Un fabricant de fours micro-ondes veut dterminer la priode de garantie qu'il devrait associer son tube. Des essais ont montr que la dure de vie utile (en annes) de ce composant possde une distribution exponentielle avec un taux moyen de dfaillance de 0,20 tube/an.La dure moyenne de vie des tubes est :
Moyenne = 1/0,2 = 5 ansQuelle est la probabilit qu'un tube opre sans dfaillance pour une priode excdant sa dure de vie espre ?
Sur 1000 tubes, combien seront dfaillants au cours des cinq premires annes ?
Pendant la priode de garantie, on ne veut pas remplacer plus de 10% de tubes. Quelle est cette priode ?P(X < x) = 0,10 x = 0,5268 an soit une garantie de 6 mois !!!
3. MSP SPC b. Statistique Descriptive
TEST D'AJUSTEMENTOBJECTIF
Examiner si la distribution de donnes semble s'apparenter une distribution thorique connue.
PRINCIPE
Comparer la distribution exprimentale, (les frquences Observes), et la distribution thorique (les frquences thoriques).
LES DIFFERENTS TESTSTest de CHI-DEUX,Droite de Henry (Normalit), NF X 06-050Test de Kolmogorov-Smirnov, NF X 06-050 .Test de Shapiro-Wilk (Normalit), NF X 06-050
3. MSP SPC b. Statistique Descriptive
22
TEST DE CHI-DEUXTest de Pearson
CONDITIONS D'UTILISATION
N observations indpendantes tries d'une population inconnue.Ces N observations sont souvent rparties en k classes
N > 50 k > 5
HYPOTHESE
HO : La distribution observe = la distribution thorique
H1 : La distribution observe la distribution thorique
CRITERE
o Foi les frquences observes (exprimentales)Fth les frquences thoriques, Fth > 5
3. MSP SPC b. Statistique Descriptive
TEST DE CHI-DEUXINTERPRETATION DU TEST
risque d'erreur (la probabilit de se tromper en utilisant ce test) d.d.l. (degr de libert) = k -1 - rr tant le nombre de paramtres qu'il a fallu estimer pour obtenir la distribution thorique.
EXEMPLEOn s'intresse la dure de vie en heures au cours d'un essai de fiabilit de 60 dispositifs lectronique identiques. Les rsultats obtenus sont :
2527 2512 2402 2514 2504 2510 2491 26002562 2438 2608 2454 2343 2509 2617 26442463 2500 2475 2505 2250 2726 2573 25412737 2491 2492 2424 2556 2460 2378 24062517 2582 2570 2487 2560 2517 2509 25152458 2421 2499 2483 2378 2504 2437 25752306 2327 2551 2397 2630 2428 2482 24512423 2462 2579 260
3. MSP SPC b. Statistique Descriptive
23
TEST DE CHI-DEUXQUESTIONEst-ce que ces donnes permettent de supporter l'hypothse selon laquelle la dure de vie de ce dispositif est distribue selon une loi normale de moyenne 2500 heures et d'cart-type 90 heures ?
HYPOTHESEHO : La dure de vie est distribue selon une loi normale
Hl : La dure de vie n'est pas distribue selon une loi normale
DISTRIBUTION EXPERIMENTALEDure de vie (classe) Nombre de dispositifs (Foi)
2250
24
TEST DE CHI-DEUX
DECISION
Au seuil = 0,05
On peut rejeter l'hypothse HO. Le modle thorique ne peut tre considr comme plausible au seuil de signification (0,05).
3. MSP SPC b. Statistique Descriptive
DROITE de HENRYOBJECTIFS
Permet de tester la normalit.Donne une estimation de la moyenne et de la variance.
PRINCIPEOn reprsente les frquences cumules sur un papier Gausso arithmtique.
DECISIONSi le nuage de points peut tre ajust par une droite, on est en prsence d'une loi normale.EXEMPLEOn a relev le temps en minutes requis pour l'opration d'assemblage manuel d'un montage transistoris. L'tude a port sur 100 units. Les rsultats sont :
3. MSP SPC b. Statistique Descriptive
25
TEST DE SHAPIRO-WILKBUT
Comparer une distribution exprimentale avec une distribution NORMALE.
CONDITION D'UTILISATIONLe test est souvent utilis pour des valeurs individuelles (non regroupes par classe)Les valeurs sont classes par ordre croissant.
HYPOTHESEHO : La distribution est normale
Hl : La distribution n'est pas normale
CRITERE
3. MSP SPC b. Statistique Descriptive
26
TEST DE SHAPIRO-WILK
MODE OPERATOIREOn range les valeurs par ordre croissantOn calcule les tendues partielles di :
On dfinit une variable b :
o les valeurs de ai sont donnes par la table.
On dtermine la variable S par la relation :
3. MSP SPC b. Statistique Descriptive
TEST DE SHAPIRO-WILKINTERPRETATION DU TEST
Si W > W on accepte HO
Sinon on rejette HO risque d'erreur.
EXEMPLEOn dsire tudier la normalit de la distribution du nombre de cycles avant rupture d'un chantillon de 15 roulements :
89 342 580 31 115 442 251 39850 400 62 125 270 225 140.
Xi di ai aidi31 85039 58062 44289 400115 342125 270140 251225
S = S =
b = b2 =
W =
Daprs la table W 5% =
On ________ lhypothse.
3. MSP SPC b. Statistique Descriptive
27
3. MSP SPC b. Statistique Descriptive
TEST DE KOLMOGOROV SMIRNOVButComparer une distribution observe une distribution thorique.
1 er Cas: Valeurs individuelles Conditions d'utilisation:Valeurs individuelles non regroupes par classes.La distribution thorique doit avoir une fonction de rpartition continue et croissante.Valeurs classes par ordre croissant.
Hypothse:HO: Frquence empirique = frquence thorique.Hl: Frquence empirique frquence thorique.
Frquence empirique:
i : position
Critre:D= Max |Fem(x)-Fth(x)|
Interprtation du Test:Si D D On accepte HO : Risque d'erreurSinon On rejette HO
3. MSP SPC b. Statistique Descriptive
28
TEST DE KOLMOGOROV SMIRNOVExempleAu cours d'un essai de fiabilit on a relev les temps entre dfaillances.
68, 98, 80, 125, 88, 92, 112, 25, 75Peut-on admettre une distribution normale de moyenne u=80 et o=30
On prend =10 %Temps X Fem (X) Fth (X) |Fem(x)-Fth(x)|
3. MSP SPC b. Statistique Descriptive
TEST DE KOLMOGOROV SMIRNOV2 me Cas: Valeurs rparties par classes ( Test de Normalit)
Conditions d'utilisation : Taille de l'chantillon > 40 Distribution thorique doit avoir une fonction de rpartition continue et croissante.
Procdure : Dterminer les frquences observes (cumules) par classe Dterminer les frquences thoriques (cumules) par classe
par exemple : pour la loi normale : Fth (x)=
Pour chaque classe: |Fth Fobs| Interprtation
Si On accepte H0
Sinon On rejette H0pour =1 % C = 1.63
pour =5 % C= 1.36
3. MSP SPC b. Statistique Descriptive
29
TEST DE KOLMOGOROV SMIRNOV3 me Cas: NFX 06 050 (utilis uniquement normalit)Le test de Kolmogorov Smirnov prsent dans la norme est une adaptation au cas de la loi normale dont le paramtres sont estims.But : Comparer les frquences thoriques de la loi normale (N(.,)) avec les frquences observes obtenues p partir d'un chantillon alatoire de n observations. et sont estims partir de x et s
ProcdureOn pose
F(x) dsigne la fonction de rpartition de la loi normale centre rduite.On calcule
3. MSP SPC b. Statistique Descriptive
TEST DE KOLMOGOROV SMIRNOV
Critre
Interprtation du testSi T(D) < Valeur table, On accepte l'hypothse de normalit
Valeurs critiques de T(D)
3. MSP SPC b. Statistique Descriptive
30
31
3. MSP SPCa. MSP => Dfinitions et gnralitsb. Statistique Descriptivec. Les indices de capabilit
1) Les 6M- diagramme dHishikawa2) Les indices de capabilit3) Ecarts type4) Capabilit machine5) Capabilit prliminaire6) Capabilit procd
DEFINITION
C'est l'aptitude d'un moyen de production ou d'un procd de fabrication respecter les spcifications.
Se dfinit comme le rapport entre la performance demande et la performance relle.
C'est aussi le rapport entre ce que je veux et ce que j'ai rellement.
3. MSP SPC c. Capabilit
32
Les pices sont variables
Taille Taille Taille Taille
En cas de stabilit, la forme obtenue est une distribution
Taille Taille Taille
Cette distribution peut diffre en fonction de : la position
Taille Taille Taille
ltendue la forme
3. MSP SPC c. Capabilit
Si les causes non assignables sont prsentes, le procd est stable et on peut faire du prvisionnel
Si les causes assignables sont prsentes, le procd est instable, on ne peut faire du prvisionnel
3. MSP SPC c. Capabilit
33
Pour faire du prdictif il faut par consquent liminer les causes assignables
3. MSP SPC c. Capabilit
Machine
Milieu
MainDuvre
MatireMthode
Mesure5M
Le procd
Les sources de variation du procd :les causes non assignables
3. MSP SPC c. Capabilit c1 - Les 6M : Diagramme dHishikawa
34
Les sources de variation du procd :les causes non assignables
3. MSP SPC c. Capabilit c1 - Les 6M : Diagramme dHishikawa
La capacit du Process
Lexigence du ClientTolrance infrieure Target
Tolrance suprieure
Cible
CapabilitTolrance infrieure
Tolrance suprieure
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
35
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
CustomerDissatisfaction
MeanCentering
Loss Function
Lower SpecLimit
Upper SpecLimit
VariationReduction
CustomerDissatisfaction
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
36
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
CustomerDissatisfaction
Customer Interface
Lower SpecLimit
Upper SpecLimit
CustomerDissatisfaction
MeanCentering
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
37
Hors contrle
Sous contrle
Sur la cibleVariation de dispersion
Sur la cibleVariation matrise
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
lcart type rel :
lcart type estim :Egale au ratio entre la moyenne des tendues des sous groupe par le coefficient d2 . La valeur d2 est fonction de la taille du sous groupe.
n 2 3 4 5 6 7 8d2 1.128 1.693 2.059 2.326 2.534 2.704 2.847
= R/d2^
S = N-1 (xi-x) 1 i=1i=N
3. MSP SPC c. Capabilit c3 - Ecarts type
38
La capabilit procd est laptitude dun procd( Mthode, Milieu, Matire, Machine, Main duvre )
raliser une caractristique donne long terme.
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
CustomerEnthusiasm
FeedbackAssessment &Corrective Action
Planning Product Design& DevProcess Design
& DevProduct &Process
ValidationAPQP
QualityPlan
Update SupplierAPQP Status
OperatorInstructions
Open IssuesList Closed
APQP Checklists
Pre-launchControl Plan
Process FlowDiagram
DesignVerification Plan
Preliminary List ofSpecial
Characteristics
DFMEA
OpenIssues List
TimingChart
Key Stakeholders'Meeting
Customer InputRequirements
TechnicalReview Risk
Assessment
FeasibilityLetters
DesignReviews
PrototypeControl Plan
Supplier APQPStatus
PFMEA
Tool & GageReview
PrototypeBuild
ProcessInstructions
Preliminary ProcessCapability Study
MeasurementSystems Analysis
Process CapabilityStudies
ProductionValidation TestingProduction
Control PlanEarly Production
Containment
Run@Rate
MQ1, MQ2
LessonsLearned
Update DFMEA,PFMEA, &
Control PlanReduceVariation
Activities
CustomerReview #2
PPAP
Packaging
CustomerReview #3
CustomerReview #4
CustomerReview #1
3. MSP SPC c. Capabilit c2 - Les indices de capabilit
39
But :
Mesurer la capabilit potentielle de la machine.On considre uniquement la machine et ce sur un temps assez court pour obtenir l'cart-type de la production.
Cas demploi :
- Vrifications pralables par le fournisseur.- tudes de capabilit priodiques.- Validation de modifications dun processus ne mettant pas en cause sa stabilit.
3. MSP SPC c. Capabilit c4 - Capabilit Machine
Pour tenir compte de la dispersion, l indice de capabilit machine (Cm) se calcule de la faon suivante:
Cm =IT6
Avec : IT : Valeur de lintervalle de tolrances : cart type
TolranceInfrieure
TolranceSuprieure
3. MSP SPC c. Capabilit c4 - Capabilit Machine
40
L indice de capabilit machine ( Cm ) ne tient pas compte du centrage des valeurs par rapport au nominal vis, on utilise alors un deuxime indice : le Cmk
Avec : X : moyenne des valeursLIT : Limite Infrieure de TolranceLST : Limite Suprieure de Tolrance
Cmk = minimum de( )X - LIT
3
LST - X3
TolranceInfrieure
TolranceSuprieure
3. MSP SPC c. Capabilit c4 - Capabilit Machine
But :
Mesurer la capabilit sur une priode de temps suffisamment longue pour sassurer de la stabilit et de labsence de cause assignable de variation.
Cas demploi :
Rception machine chez le constructeur Rception machine sur le site tudes de capabilit priodiques Validation de modifications pouvant avoir une incidence sur la stabilitde la machine
Pp =IT
6SPpk = minimum de ( X - LIT3S et LST - X3S )
3. MSP SPC c. Capabilit c5 - Capabilit Prliminaire
41
But :
Mesure de la capabilit des produits livrs lopration avale ou aux clients
Cas demploi :
Rception machine sur le site, Vrification priodique des Capabilits, Validation de modifications pouvant avoir une incidence sur la stabilit Lorsque le plan de surveillance produit comporte un suivi SPC ou des enregistrements rguliers.
3. MSP SPC c. Capabilit c6 - Capabilit Procd
Indice de capabilit procd Cp :
Indice de capabilit procd Cpk :
Avec : X : moyenne des valeursLIT : Limite Infrieure de TolranceLST : Limite Suprieure de Tolrance
ou3
( LST X )Cpk = min2/ DR 3
( X LIT )2/ DR
Cp = IT6 2/ DR
3. MSP SPC c. Capabilit c6 - Capabilit Procd
42
43
3. MSP SPCa. MSP => Dfinitions et gnralitsb. Statistique Descriptivec. Les indices de capabilitd. Les cartes de contrle
1) Gnralits2) Cartes de contrle aux mesures3) Cartes de contrle aux attributs4) Analyse dune carte de contrle5) Carte EWMA6) Carte CUSUM
Les cartes MSP permettent d'augmenter la rapidit de correction d'un drglage et contribuent diminuer la quantit des produits non-conformes fabriqus : elles sont donc un facteur d'amlioration de la qualit et de la productivit.
L'analyse a posteriori des cartes permet de traiter statistiquement l'ensemble des informations et de ce fait d'engager des actions d'amlioration.
Si les critres lis la dtermination des indices de capabilit sont vrifis (stabilit et normalit), un processus est modlis par une loi de distribution normale (loi de Gauss).
3. MSP SPC d. Les cartes de contrle d1. Gnralits
44
Cette loi se caractrise par :
- Un paramtre de position > L'estimation de ce paramtre est ralise par l'intermdiaire du calcul de la moyenne des chantillons prlevs.
- Un paramtre de dispersion > L'estimation du paramtre de dispersion est ralise par l'intermdiaire du calcul de l'tendue et/ou de l'cart-type des chantillons prlevs.
Paramtre de position
3. MSP SPC d. Les cartes de contrle d1. Gnralits
LA MISE EN PLACE DUNE CARTE
Choix de la caractristique
Type de carte
Taille de prlvement
Frquence de prlvement
Journal de bord du procd
3. MSP SPC d. Les cartes de contrle d1. Gnralits
45
Les cartes aux mesures : elles concernent toutes les caractristiques mesurables
Moyenne-Etendue Moyenne-Ecart type Mdiane-Etendue Valeur individuelle-Etendue EWMA (Exponentiel Weight Moving Average) CUSUM (Somme Cumule)
3. MSP SPC d. Les cartes de contrle d1. Gnralits
Les cartes aux attributs :elles concernent toutes les caractristiques non mesurables
np Nombre de dfectueux p Proportion de dfectueux c Nombre de dfauts u Nombre de dfauts par unit D Dmrite (pondration des dfauts)
3. MSP SPC d. Les cartes de contrle d1. Gnralits
46
TAILLE DE PRELEVEMENT Cartes aux mesures, on prlve 2 12. Cartes aux attributs, 10 50 (NFX 06.031). Le prlvement se fait gnralement toutes les 2 heures.
S'il y a deux fournisseurs de matire premire prlever sur les deux fournitures
S'il y a plus d'une quipe, la production de tout le personnel doit tre prleve
Si la temprature et l'humidit varient dans la journe, des pices produites entre ces diffrentes priodes doivent tre prleves
Si des rglages de machine, des entretiens et autres mthodes sont effectus rgulirement, on doit collecter un nombre suffisant de sous-groupes pour inclure les effets de ces changements.
3. MSP SPC d. Les cartes de contrle d1. Gnralits
FREQUENCE DECHANTILLONNAGELa frquence dchantillonnage dpend :
du cot d'un tri 100% de pices entre prlvements
du nombre de pices produites entre deux prlvements
du cot des rebuts ou des retouches
des interventions cycliques :
changement d'outillage
changement d'quipe
changement de lot de matire
des drives ventuelles
de l'analyse des cartes et du journal
3. MSP SPC d. Les cartes de contrle d1. Gnralits
47
LES CARTES ET LE JOURNAL DE BORD DU PROCEDE
Il faut tout d'abord s'assurer que le procd est stable, c'est--dire que la variabilit des caractristiques du produit n'est imputable qu'aux seules causes normales de variation
La carte de contrle permet de voir le film de la variabilit de la caractristique et de suivre le comportement du procd. Elle fournit un signal statistique permettant la dtection de causes anormales et leurs liminations.
Le journal de bord indiquera toutes les interventions sur les installations, tous les changements sur les personnes, la matire, l'environnement, ... Toutes les actions d'amlioration seront notes.
Les cartes aux mesures : elles concernent toutes les caractristiques mesurables
Moyenne-Etendue Moyenne-Ecart type Mdiane-Etendue Valeur individuelle-Etendue EWMA (Exponentiel Weight Moving Average) CUSUM (Somme Cumule)
3. MSP SPC d. Les cartes de contrle d2. Cartes de contrle aux mesures
48
CARTE MEDIANE ETENDUE X, R Principe : Le principe est similaire la carte X,R. La taille de l'chantillon est gale n avec 3 < n (impair)
49
CARTE MOYENNE - ETENDUE X, R Principe : on suit la moyenne X et l'tendue R d'une caractristique de chaque chantillon de taille n tel que 2 < n
50
CARTE MOYENNE ECART TYPE X, S Principe : on suit la moyenne X et l'cart type S d'une caractristique de chaque chantillon de taille n.
Calcul de l'cart-type
Les limites de contrle
Pour X LSC = X + A3SLIC = X - A3S
Pour S LSC = B4SLIC = B3S
3. MSP SPC d. Les cartes de contrle d2. Cartes de contrle aux mesures
CARTE VALEUR INDIVIDUELLE ETENDUE x, R Principe : Cette carte est utilise lorsque la taille du prlvement est n = 1. On peut choisir de faire l'tendue sur 2, 3 ou plus de valeurs
Les limites de contrle
Pour X LSC = X + E2 R LIC = X - E2 R
Pour R LSC = D4 RLIC = D3 R
Remarques :Les limites de contrle dfinies ci-dessus ne sont pas de nouvelles tolrances.Il est possible de calculer des limites plus resserres que les limites de contrle : les limites de surveillance. Un point situ entre la limite de surveillance et la limite de contrle peut tre le signe avant-coureur d'une drive.
3. MSP SPC d. Les cartes de contrle d2. Cartes de contrle aux mesures
51
Les cartes aux attributs :elles concernent toutes les caractristiques non mesurables
np Nombre de dfectueux p Proportion de dfectueux c Nombre de dfauts u Nombre de dfauts par unit D Dmrite (pondration des dfauts)
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
CARTE AUX ATTRIBUTSCes cartes concernent toutes les caractristiques mesurables, c'est--dire des caractristiques qualitatives.Le contrle ne peut amener que deux rponses :
bonne ou mauvaise prsent ou absent fonctionne ou ne fonctionne pas conforme ou non conforme.
p Proportion de dfectueux np Nombre de dfectueux c Nombre de dfauts u Nombre de dfauts par unit D Carte aux dmrites
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
52
CARTE pCette carte est utilise lorsque la taille des chantillons peut varier.
Procdure d'tablissement de la carte : On s'intresse la proportion d'units non conformes observes sur des chantillons de taille ni :
o di est le nombre d'units non conformes.
Calcul des limites de contrleLa proportion moyenne p :
Les limites de contrle sont :
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
CARTE pExemple :La fabrication de pices dans un atelier mcanique donne lieu, cause de l'importance de ces pices dans un assemblage complexe, un contrle exhaustif de toutes les pices produites. Les pices sont contrles au calibre. Les rsultats obtenus sont les suivants pour quinze lots conscutifs :
320132423100132
Nombre de pices dfectueuses
(di)P = di/ni
Lot N Nombre de pices contrles (ni)
1 292 383 364 365 376 307 288 329 4010 4211 4412 3813 3714 4015 33
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
53
CARTE pExemple suite :
1. Devrait-on mettre en uvre une carte de contrle pour le nombre de pices dfectueuses ou pour la proportion de pices dfectueuses ?
2. Calculer les limites de contrle pour la carte approprie
3. Est-ce que le processus de fabrication semble sous contrle statistique ?
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
CARTE np Procdure d'tablissement de la carte : on suit le nombre np d'units non conformes observes sur des chantillons de mme taille.
La taille de l'chantillon est constante et en gnral trs grande (n >> 10)Pour l'chelle, la valeur infrieure est gale 0 et la valeur suprieure est gale deux fois le nombre de dfectueux le plus lev.
Calcul des limites de contrleOn calcule, dans un premier temps, le nombre moyen de dfectueux p avec l'expression suivante :
Les limites de contrle sont :
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
54
CARTE c Procdure d'tablissement de la carte : on s'intresse au nombre de non conformits (dfauts) observes sur une unit de contrle.
Les dfauts sont compts indpendamment du caractre dfectueux ou acceptable de l'lment observ.
Calcul des limites de contrleOn calcule le nombre moyen de dfauts c :
Les limites de contrle sont :
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
CARTE u Procdure d'tablissement de la carte : cette carte est utilise lorsque l'unit de contrle est diffrente d'un prlvement l'autre.
L'tablissement de cette carte se fait de la mme manire qu'une carte c.
Calcul des limites de contrleOn calcule pour chaque chantillon, partir de sa taille et du nombre de dfauts constats c, la variable :
Ensuite, on dtermine le nombre moyen de dfaut par unit, soit :
Les limites de contrle sont :
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
55
CARTE D Procdure d'tablissement de la carte :
On classe les non conformits par familles selon la gravit.On dfinit gnralement 2 5 classes.On attribue chaque classe un coefficient g.
Calcul du dmriteLe dmrite du ime chantillon pour ni units contrles est :
O cik reprsente le nombre de non conformits de la classe k dans l'chantillon i. ou encore :
avec uik le taux de non conformits de la classe k dans l'chantillon i :
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
CARTE D Dmrite de rfrence
Soient Di les dmrites (journaliers, hebdomadaires, mensuels,...) sur une production pendant r priodes.
On dfinit le dmrite moyen de rfrence de deux manires :
Calcul des limites de contrle :
SD tant l'cart-type estim partir de l'expression suivante
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
56
CARTE D Exemple : NFX-06-03-2
Une entreprise fabrique des armoires de bureau.
Priode de rfrence : L'entreprise produit 1000 armoires par mois, elle contrle 150 armoires par mois et pendant un an.
Calcul des limites de contrle : LSC = LIC =
NC Classe Pondration gkPerage non align Trous non percs A 0,7
Glissires de portes dures B 0,3
3,422,881,943,022,772,042,763,903,122,042,314,00%NCB
Di%
Mois 1 2 3 4 5 6 7 8 9 10 11 12
%NCA 2,67 3,85 4,08 5,47 5,05 3,45 2,72 2,28 2,90 3,23 2,55 2,05
0,02 0,022 0,023 0,031 0,031 0,021 0,016 0,016 0,019 0,019 0,017 0,016
D1 = (2,67x0,7)/150 + (4x0,3)/150 SD = D0 = (Di / r) = 0,021
0,01126
0,358-1,055
3. MSP SPC d. Les cartes de contrle d3. Cartes de contrle aux attributs
ANALYSE D'UNE CARTELe processus est stable lorsque les conditions suivantes sont satisfaites
2/3 des points sont prs de la ligne centrale ( A et B) Peu de points sont situs prs des limites de contrle (E et F) Les points sont situs tantt au-dessus de la ligne centrale, tantt au-dessous. Les points sont rpartis par moiti des deux cts de la ligne centrale. Il n'y a pas de points en dehors des limites de contrle.
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
57
ANALYSE D'UNE CARTECritres permettant d'identifier qu'un procd est probablement instable
Critre 1 : Un point en dehors des limites de contrle
calcul inexact des limites de contrle pointage inexact sur la carte erreur de mesure ou de saisie nouvel oprateur mauvaise calibration de l'instrumentation dtrioration des conditions d'utilisation
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
ANALYSE D'UNE CARTE Critre 2 : 7 points conscutifs ou 10 points sur 11 ou 12 points sur 14 sont au dessus ou au dessous de la ligne centrale.
drglement subit attribuable un mauvais ajustement ajustement du procd un niveau trop lev ou trop faible nouvel oprateur ou oprateur inexpriment changement d'instrumentation changement du moyen de contrle changement de lot matire changement de matire premire
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
58
ANALYSE D'UNE CARTE Critre 3 : 7 points conscutifs ou 10 points sur 11 ou 12 points sur 14 sont en augmentation ou en diminution rgulire.
Cette anomalie est souvent appele drive, la cause peut tre : usure de l'outillage dtrioration de solutions chimiques dtrioration de la machine fatigue de l'oprateur volution graduelle des conditions de temprature, d'humidit, etc.
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
ANALYSE D'UNE CARTE Critre 4 : 14 points conscutifs alternent en dents de scie
Les causes de cette anomalie sont diverses :donnes provenant alternativement de deux machines (si deux machines fabriquant un mme produit)matire premire provenant de deux fournisseursdeux oprateurs en alternancedeux mthodes de mesure en alternance
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
59
ANALYSE D'UNE CARTE Critre 5 : 2 points sur 3 situs dans la mme bande E ou F ou deux points conscutifs situs dans la bande E et F.
La prsence de 2 points ou plus prs de la mme limite de contrle est une situation anormale quelque soit le type de carte dont les causes peuvent tre :
ajustement incorrect du procd nouvel oprateur erreur de calcul des limites erreur de pointage
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
ANALYSE D'UNE CARTE Critre 6 : 4 points sur 5 situs dans les bandes C-E ou D-F.
Critre 7 : 14 points conscutifs situs de part et d'autre dans la bande A et B
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
60
ANALYSE D'UNE CARTE Critre 8 : 8 points conscutifs situs de part et d'autre dans la limite centrale hormis les bandes A et B.
Ce cas de figure prsente donc un effet cyclique ou une priodicit.L'origine de cette anomalie peut tre :
effet d'ambiance (temprature et/ou humidit)tat priodique de fatigue de l'oprateurintervention priodique sur le moyen (lubrification, nettoyage)livraison priodique de matirerotation priodique des oprateurs
3. MSP SPC d. Les cartes de contrle d4. Analyse dune carte de contrle
CARTE EWMAExponentially Weighted Moving Average
PRINCIPE :
Pour de petits chantillons (~ 2), avec la carte Shewhart des Moyennes (X, R), on nobserve pas systmatiquement les dcentrages et la dispersion ne prsente aucun drglage.
Solution : Pondrer la moyenne actuelle et tenir compte des valeurs passes.
La carte EWMA est base sur ces deux derniers principes
3. MSP SPC d. Les cartes de contrle d5. Carte de contrle EWMA
61
CARTE EWMA Procdure d'tablissement de la carte :
Si = 1, on retrouve la carte Shewhart X , R
Plus est petit, plus on donne de poids aux valeurs passes, mieux on dtecte les faibles drives. Par contre, les drglages importants et brusques sont moins bien dtects.
Plus est grand, moins on tient compte du pass et meilleure sera la ractivit aux drglages brusques et levs, alors que les drglages faibles sont moins bien dtects.
3. MSP SPC d. Les cartes de contrle d5. Carte de contrle EWMA
CARTE EWMA Variance de la variable Zi
Par la suite, on obtient :
Calcul des limites de contrle
3. MSP SPC d. Les cartes de contrle d5. Carte de contrle EWMA
62
3. MSP SPC d. Les cartes de contrle d5. Carte de contrle EWMA
CARTE CUSUMPRINCIPE :
Dtecter une augmentation ou une diminution de la moyenne.
Augmentation de la moyenne
Diminution de la moyenne
DcisionSi Si+ > h augmentation de la moyenne Si Si- < - h diminution de la moyenne
3. MSP SPC d. Les cartes de contrle d6. Carte de contrle CUSUM
63
3. MSP SPC d. Les cartes de contrle d6. Carte de contrle CUSUM
CONCLUSIONChoisir une carte de contrle
Pour les cartes de Shewart : X, R l'cart-type est souvent prfr l'tendue en raison de sa meilleure prcision. L'usage de l'tendue ne se justifie qu'en l'absence de moyens de calcul et d'acquisition (plus grande simplicitd'utilisation). L'tendue ne doit jamais tre utilise pour des chantillons suprieurs 10.L'efficacit du contrle par attributs est rduite par rapport au contrle aux mesures et conduit prendre des chantillons plus importants. Il est nanmoins appliqu lorsque : il y a impossibilit mesurer quantitativement la caractristique, il y a difficult effectuer les mesures (cot, dlai de mesure, ...), l'inspection est automatise.
3. MSP SPC
64
Rsum des diffrents types de cartes de contrle aux attributs :
p
np
Produitsnon-conformes: dfectueux
Caractristique
Taille de l'chantillon
Non-conformits :dfauts
Suivi de
Constante c nombre
Variable u Proportion
CONCLUSION
3. MSP SPC
CONCLUSIONAvantages de la mthode M.S.P.La mthode M.S.P., mise en place et fonctionnant dans de bonnes conditions, permet :
d'amliorer la production et la productivit. En effet le processus est identifiet stable. La qualit et la quantit sont constantes et prvisibles. Les cots engendrs par la non-qualit sont diminus (moins de rebuts, retouches,...).
d'amliorer les changes verticaux et horizontaux dans la structure hirarchique. En effet la mthode M.S.P. fournit un langage commun entre toutes les fonctions de l'entreprise (cartes de contrle, journal de bord).
3. MSP SPC
65
CONCLUSIONAvantages de la mthode M.S.P.
d'amliorer la dmarche de rsolution de problmes de qualit en production. En effet la mthode M.S.P. facilite la recherche des causes et la mesure du rsultat des actions.
d'amliorer les changes avec les clients. En effet, la mthode M.S.P. permet de fournir des lments chiffrs et un niveau de qualit constant. Elle permet de fidliser les clients face la concurrence.
de constituer une base solide pour l'amlioration permanente du processus. Il faut alors se concentrer sur les causes alatoires.
3. MSP SPC
CONCLUSIONLimites de la mthode M.S.P.
L'enchanement des phases doit tre respect car ce n'est pas la peine de mettre un suivi statistique sur un produit si le processus n'est pas matris.
La mthode doit tre mise en place de faon rigoureuse.
La mthode M.S.P. touche l'organisation du travail. Il faut donc que la mise en place de cette mthode soit bien prpare et que l'volution s'effectue en douceur.
3. MSP SPC
66
CONCLUSIONLimites de la mthode M.S.P.
La mthode M.S.P. ncessite de prvoir des investissements pour : la disponibilit des personnes, les formations adaptes, les moyens de suivi et d'exploitation, l'amlioration des procds.
Toutefois, si la mthode est correctement implante et applique, ces actions sont rentabilises par le gain de comptitivit que la mthode gnre.L'utilisation des mthodes statistiques permet d'optimiser le nombre de relevs mais comporte quand mme des risques connus.
3. MSP SPC