Professional Documents
Culture Documents
Professeur des Universits IUT Annecy Universit de Savoie, Laboratoire LISTIC Ancien lve de l'Ecole Normale Suprieure de CACHAN
Chapitre 2
ditions dOrganisation
31
1.
Les 5 M du processus
Tous les processus, quels quils soient, sont incapables de produire toujours exactement le mme produit. Cela tous les oprateurs le savent bien et cest dailleurs un des problmes principaux auxquels les rgleurs sont confronts tous les jours. Quelle que soit la machine tudie, la caractristique observe, on note toujours une dispersion dans la rpartition de la caractristique. Une cote sur un lot de pices ne fera jamais exactement 10 mm, mais sera rpartie entre 9,97 et 10,03 mm par exemple. Un lot de rsistances lectriques dont la valeur nominale est de 10 ohms, aura en fait des valeurs comprises entre 9,9 et 10,1 ohms. Cette variabilit est incontournable et il faut tre capable de vivre avec . Ces variations proviennent de l'ensemble du processus de production. L'analyse des processus de fabrication permet de dissocier 5 lments lmentaires qui contribuent crer cette dispersion. On dsigne gnralement par les 5 M ces 5 causes fondamentales responsables de dispersion, et donc de non-qualit :
Mthodes
Milieu
Gamme
Machine Matire
Main-d'uvre
Figure 1 Les 5 M du Processus La mthode MSP a pour objectif la matrise des processus en partant de lanalyse de ces 5 M. Elle apporte une plus grande rigueur et des outils mthodologiques qui vont aider les oprateurs et la matrise dans leur tche damlioration de la qualit.
32
ditions dOrganisation
Et la mesure ! Nous avons coutume de ne pas placer la Mesure parmi les M. En effet, la mesure ne modie pas la vraie dispersion vendue au client, mais l'image que l'on a de cette dispersion. La dispersion vue dans un histogramme sera la somme de la vraie dispersion de la production et de la dispersion due l'instrument de mesure. Or ce qui cre la non qualit, ce n'est pas la dispersion vue mais la dispersion vraie. La mesure est un processus lui tout seul avec ses propres 5M. Un pralable la matrise d'un processus de fabrication et la matrise du processus de mesure.
2.
Dispersion = 6
ditions dOrganisation
33
Cette rpartition se rencontre trs frquemment dans la nature et pas seulement dans le cas des machines de production. Ainsi, la hauteur des hommes en Europe suit une telle rpartition. De nombreuses personnes mesurent autour de 1,73 m (la moyenne) mais peu d'hommes mesurent aux environs de 1,95 m ou de 1,50 m. Le thorme statistique l'origine de cette convergence vers la loi normale est appel thorme central limite . On peut l'crire sous la forme suivante : Tout systme, soumis de nombreux facteurs, indpendants les uns des autres, et d'un ordre de grandeur quivalent, gnre une loi normale. Dans le cas d'une machine de production, nous sommes bien dans le cadre de ce thorme. En effet, de nombreux facteurs (les 5M) agissent sur la caractristique. Ces facteurs sont en grande partie indpendants et l'ordre de grandeur de ces effets est faible dans un processus matris. Dsormais, lorsque nous parlerons de la production d'une machine, nous la modliserons par une courbe en cloche, dont les deux caractristiques importantes seront la position et l'chelle. La position moyenne (note X ) des pices donne une bonne indication de la position de rglage de la machine. X reprsente la moyenne de l'chantillon alors que reprsente la vraie moyenne de la production (voir annexe statistique). Pour mesurer limportance des variations autour de la moyenne (facteur d'chelle), il suft de mesurer la largeur de base de la courbe. La largeur de base de la courbe est appele : dispersion. Nous verrons plus loin que l'on dnit cette largeur de base de la courbe par un calcul statistique D = 6. Dans ce cas galement nous devrons diffrentier qui est le vrai cart type de la population et S qui est l'estimateur de ce calcul partir des donnes de l'chantillon. Et si la courbe obtenue n'est pas une cloche? Pour la plupart des caractristiques obtenues en production, on devrait obtenir une courbe en cloche. Il y a quelques exceptions comme les dfauts de forme ou les dfauts de position o il est normal de ne pas obtenir une courbe en cloche. Mais ces cas sortent de l'objectif de ce chapitre.
34
ditions dOrganisation
Causes Communes
-3
Cible
+3
Figure 3 Courbe bimodale Dans les cas traditionnels, si une distribution na pas la courbe en forme de cloche, cest quil se passe quelque chose, le thorme central limite n'est pas vri. Il y a donc un (ou plusieurs) facteur qui agit avec un ordre de grandeur plus important que les autres. Le processus nest pas rgl sur la mme position. En effet, si lon produit 50 pices rgles sur la valeur -3, et 50 pices rgles sur +3, on obtient la courbe gure 3. Il est donc important lorsquon regarde une distribution de bien vrier que la courbe la forme dune cloche. Si ce nest pas le cas cest probablement le signe qu'un ou plusieurs drglages importants se sont produits pendant la production.
ditions dOrganisation
35
Cette dichotomie entre les causes de dispersion est une des bases fondamentales de la mthode MSP. Il convient donc de les expliciter davantage.
Causes spciales
Causes communes
36
ditions dOrganisation
ditions dOrganisation
37
Un processus sous contrle est un processus dans lequel seules subsistent les causes communes. La rpartition de la production suit alors une courbe en cloche et elle est centre sur la cible. Un processus hors contrle est soumis la prsence de causes spciales. Le rsultat de la production ne suit donc pas ncessairement une courbe en cloche et la production peut tre dcentre par rapport la cible. La matrise de la variabilit dont nous avons montr la ncessit dans le premier chapitre consiste donc mettre tous les processus sous contrle , c'est l'objectif de la MSP.
3.
cible Cible - 3
Limite naturelle infrieure Dispersion naturelle du processus
Cible + 3
Limite naturelle suprieure
38
ditions dOrganisation
Si la moyenne de la production est centre sur la cible, il est donc naturel de trouver des valeurs comprises entre 3 carts types () de cette cible. Les valeurs cible + 3. et cible - 3. reprsentent les limites naturelles du processus. Tant qu'une valeur est dans ces limites, il n'y a pas de raison d'agir sur le processus, on risquerait de dcentrer un processus bien centr. Si une valeur sort de ces limites, on a une forte probabilit que le processus ne soit plus centr sur la cible, il faut alors le recentrer.
Tolrance
Tolrance
Pice prleve
Cas 1
Cas 2
Limite Naturelle
Figure 7 Pilotage partir des tolrances Dans le cas 1, processus capable, l'oprateur prlve une pice qui se situe l'intrieur des tolrances. Traditionnellement, cette pice tant bonne , il continue sa production. Pourtant, la pice est en dehors des limites naturelles. Le processus n'est pas centr sur la cible, il faut rgler. Dans le cas 2, processus non capable, l'oprateur prlve une pice qui se situe l'extrieur des tolrances. Traditionnellement, cette pice tant mauvaise , il rgle le processus. Pourtant, la pice est dans les limites naturelles. Il est possible que le processus soit parfaitement centr. Dans ce cas on ne doit pas toucher au processus.
ditions dOrganisation
39
Comme le montrent les deux exemples prcdents, il faut dissocier l'action sur le processus (rglage) et l'action sur le produit (acceptation, tri, contrle). Les tolrances servent dterminer si les pices qu'on vient de faire sont bonnes ou mauvaises. Elles servent agir sur les pices pour dcider de l'acceptation ou du refus des pices que l'on a fabriques. On regarde en arrire. Les limites naturelles servent dterminer si le processus de fabrication est toujours centr sur la cible. Elles servent agir sur le processus pour que les prochaines pices raliser restent bonnes. On regarde en avant. La gure 8 montre clairement l'avantage utiliser les limites naturelles pour piloter un processus plutt que les limites de tolrance. Et ceci mme dans le cas de petites sries avec un contrle 100 %. En effet, nous avons souvent entendu certains commentaires sur la MSP tels que : Cela ne s'applique pas dans mon entreprise, je fais des petites sries ou encore Les statistiques me sont inutiles, je fais du contrle 100 % . Nous montrerons tout au long de cet ouvrage que ces raisonnements sont faux et prouvent que les personnes qui tiennent ces discours n'ont pas bien compris les fondements de la dmarche MSP.
Figure 8 Limites naturelles et tolrances Considrons un processus qui fabrique un lot de 25 produits au rythme de un produit par heure (petite srie). Chaque produit est contrl (contrle 100 %). Si on pilote le processus partir des tolrances, on attend de trouver un produit hors tolrance (ou au
40
ditions dOrganisation
voisinage avant d'intervenir). Si on fait un raisonnement statistique, on note beaucoup plus rapidement le dcentrage du processus (hors des limites naturelles). Les produits fabriqus sont plus proches de la cible, de meilleure qualit. Le contrle 100 % valide les produits qui sont dj fabriqus, le raisonnement statistique prvoit la qualit des produits que l'on va fabriquer ! Dans le cas de la gure 8, ds le produit n11, nous avions le signal statistique de dcentrage, conrm par le produit 13 (voir les rgles en 4.5). Il fallait recentrer le processus avant de faire un produit dfectueux. Ainsi, mme dans le cas d'un contrle 100 % en petite srie, on a intrt d'utiliser un raisonnement statistique.
Dispersion
ditions dOrganisation
41
Pour tre capable de piloter une machine, il faut arriver liminer l'effet de la dispersion an de dterminer o se trouve le rglage de la machine. La seule solution est de ne pas raisonner sur une seule valeur, mais sur la moyenne de plusieurs valeurs. Le fait de faire une moyenne limine en grande partie l'effet de la dispersion. La gure 10 et la gure 11 illustrent l'efcacit d'une moyenne par rapport une valeur individuelle pour dtecter un petit dcentrage. En effet, la dispersion sur les moyennes est plus faible que la dispersion sur les valeurs individuelles dans un rapport de n (avec n le nombre de valeurs de l'chantillon). Ainsi, lorsque le processus se dcentre, comme dans le cas de la gure 11, on note que la probabilit de sortir des limites naturelles est suprieure 50 % dans le cas de la moyenne, alors qu'elle n'est que de quelques pour cent dans le cas des valeurs individuelles. On privilgiera donc systmatiquement un prlvement d'chantillons par rapport un prlvement de valeurs individuelles.
Dispersion sur la moyenne Dispersion Probabilit de dtecter le dcentrage avec une seule valeur Limite naturelle sur les valeurs individuelles Limite naturelle sur la moyenne
42
ditions dOrganisation
Rpartition des valeurs Rpartition des moyennes Limite naturelle dans le cas d'une moyenne Limite naturelle dans le cas d'une valeur Tolrance maxi Tolrance mini
Figure 11 Intrt de faire une moyenne Il existe cependant des cas o le prlvement d'un chantillon n'a pas de sens ou n'est pas souhaitable. C'est le cas notamment lorsque l'on suit des paramtres procd comme un cart de temprature. Dans ce cas, on raisonnera sur des valeurs individuelles. Nous traiterons ce cas dans les prochains chapitres.
1. W. Shewhart Economic Control of Quality of Manufactured Product Van Nostrand Co. Inc Princeton. 1931
ditions dOrganisation
43
2 1 0
Moyenne de l'chantillon
Limite infrieure -1 de contrle -2 Limite suprieure de contrle Moyenne tendues Journal de bord tendue de l'chantillon
6 4 2
Vrification du rglage
Rglage
Figure 12 Principe d'une carte de pilotage La gure 14 montre un exemple de carte de contrle moyennes/ tendues. Pour suivre lvolution du processus, on prlve rgulirement (par exemple toutes les heures) un chantillon de pices conscutives (par exemple 5 pices) de la production. Dans lexemple, on note sur la carte les carts par rapport la cible.
44
ditions dOrganisation
On calcule la moyenne (note X ) de la caractristique surveiller et on porte cette moyenne sur le graphique (les points dans l'exemple). De mme, on calcule l'tendue sur l'chantillon, c'est--dire la distance entre la plus forte valeur et la plus faible. On porte galement cette valeur (note R = Range en anglais) sur le graphique. mesure que lon prlve des chantillons, la carte va se remplir et donner une image de lvolution du processus. Sur la carte des moyennes, la ligne en pointill matrialise la valeur sur laquelle on souhaite tre rgl (la cible). La ligne suprieure est appele limite suprieure de contrle des moyennes ( LSC X ), la ligne infrieure est appele limite infrieure de contrle des moyennes ( LIC X ). Les limites de contrle infrieure et suprieure (limites naturelles du processus) dterminent une zone dans laquelle doivent se situer les valeurs portes sur la carte. Un processus sera dit sous contrle lorsque les points seront rpartis en forme de courbe en cloche l'intrieur des limites de contrle. Si un point sort de la carte de contrle, il faut intervenir et noter cette intervention dans le journal de bord. Sur la carte des tendues, c'est le mme principe de fonctionnement.
Carteprcdente Cp Pp Ppk Carteactuelle Cp Pp Ppk
ditions dOrganisation
45
La gure 13 montre un autre exemple de carte de contrle : La carte de contrle mdiane/tendue. Sur cette carte, on ne fait pas de calcul. On note les points mesurs, et on fait ressortir la tendance centrale en entourant le point central (la mdiane). Cette carte est prfrable la carte aux moyennes dans le cas de remplissage manuel. En effet, bien qu'un peu moins efcace que la moyenne, elle est beaucoup plus simple remplir et passe beaucoup mieux auprs des oprateurs. Nous reviendrons sur cette carte dans le chapitre 5. Pour la suite de ce chapitre nous nous focaliserons sur la carte la plus connue : la carte moyenne/tendue.
Cible
Cas 1
Cas 2
46
ditions dOrganisation
La gure 15 illustre les deux types de causes spciales. Dans lexemple de la voiture qui dpasse le car, il y a prsence de cause spciale, on note ce type de cause (les drglages) sur la carte des moyennes. En effet, le chauffeur sent une variation de la position de son vhicule suprieure aux variations communes et il corrige par un coup de volant. En revanche, pour lexemple de la conduite hasardeuse d'un conducteur en tat d'brit, il ny a pas forcment variation de la position moyenne (certains arrivent rentrer !), il y a modication de la dispersion du processus. Cest donc sur la carte des tendues que lon notera ce type de causes spciales.
Figure 15 Deux cartes pour deux fonctions diffrentes Les deux exemples prcdents sont signicatifs. Dans le premier cas, un rglage suft pour ramener le processus sur la cible, dans le deuxime cas, la position moyenne est peut-tre bonne, mais la dispersion devient importante. Il est impratif darrter le processus, car il risque fortement de gnrer du rebut !
ditions dOrganisation
47
4.
Dnir Mesurer Analyser Contrler Standardise r Innover Amliorer
Problmes de capabilit
Amlioration continue
Analyser Recherche des sources de variabilit Contrler Suivi et pilotage par carte de contrle Dtection des causes spciales Mise sous contrle du processus Analyse des 5 M Analyse de la variance Etudes des corrlations Innover - Amliorer Rduction de la variabilit Plans dexpriences, plans produits Mise en place des amliorations
Standardiser Optimisation du processus, Le processus est mis sur rails Diminution de la frquence des contrles
Figure 16 Mise en sous contrle d'un processus La gure 16 illustre les tapes de mise sous contrle d'un processus. On note sur ce diagramme les deux tapes pralables trs importantes qui sont : dnir le choix des caractristiques suivre ; l'tude de la capabilit du moyen de mesure.
48
ditions dOrganisation
En fait la mise sous contrle d'un processus consiste suivre la dmarche DMAICS (Dnir, Mesurer, Analyser, Innover, Contrler, Standardiser) de Six Sigma. Les tapes Analyser et Amliorer pouvant parfois tre court-circuites lorsque les capabilits du processus sont bonnes.
4.2. Dnir
4.2.1. Le choix des caractristiques piloter en MSP
Le nombre de caractristiques suivies en production est en rgle gnral trs important et il n'est pas concevable ni mme souhaitable de suivre toutes les caractristiques par cartes de contrle. La premire tape dans la matrise de la variabilit consiste donc choisir les caractristiques candidates au suivi par carte. En rgle gnrale, on retient trois critres de slection de ces caractristiques candidates : 1. L'importance de la caractristique pour la satisfaction du client nal ou d'un client sur un processus aval. Comme nous l'avons soulign dans le premier chapitre, seule compte la satisfaction totale du client nal. Il est donc indispensable de slectionner les caractristiques corrles fortement aux fonctions attendues du produit ni. 2. L'historique de non-qualit sur cette caractristique. Il est bien sr inutile de suivre par carte de contrle une caractristique qui n'a jamais pos de problmes de qualit. On privilgiera les caractristiques ayant dj un historique de rebut, de retouche ou qui sont difciles garantir. Lors de l'industrialisation, on choisira les caractristiques qui potentiellement (en fonction de l'historique de l'entreprise, de la prcision demande) vont poser des problmes lors de la ralisation. 3. La corrlation existante entre plusieurs caractristiques. Dans le cas par exemple o plusieurs cotes sont ralises par le mme outil, il y a souvent une forte corrlation entre les diffrentes caractristiques. Il est dans ce cas inutile de les suivre toutes, une seule carte est mise en place.
ditions dOrganisation
49
5 3 2 5
9 9 3 3 3 72 24 1 11 27 9 54 9 3
47
Longueur 9 1
Figure 17 Matrice dimpact Exemple Dans un premier temps on donne une note d'importance chaque caractristique client, puis on pondre l'impact de chaque caractristique lmentaire sur les caractristiques clients. Exemple : le diamtre 2 de la pice B impacte fortement (9) la abilit du produit et moyennement (3) le jeu. L'importance de cette caractristique est alors calcule par : Importance = 9x5 + 3x3 = 54 Dans un second temps en fonction de l'historique ou de la connaissance des experts, on value la capabilit prvisionnelle de chaque caractristique. Enn, les caractristiques candidates au suivi MSP sont parmi celles les plus importantes pour les clients et celles qui ont une capabilit attendue faible.
50
ditions dOrganisation
4.3. Mesurer
4.3.1. La capabilit des moyens de mesure
Ce point est un point essentiel dans la russite de la mise sous contrle d'un processus. Il est inutile de placer une carte de contrle si la dispersion de l'instrument de mesure occupe dj la presque totalit de la tolrance comme nous l'avons vu parfois ! La premire tape consiste vrier si on sait mesurer dans de bonnes conditions de rptabilit et de reproductibilit. Nous conseillons vivement au lecteur de se reporter au chapitre 3 sur les capabilits des moyens de mesure notamment de la mthode R&R avant de mettre en place une carte d'observation.
ditions dOrganisation
51
Pour faire ce travail pralable, on observe attentivement le processus, et on note toutes les oprations susceptibles de crer de la variabilit. On utilise pour cela des diagrammes de processus, des lms Un fois la phase d'analyse termine, on cherche des mthodes de travail nouvelles qui liminent le plus possible les variabilits. Le but de ce travail tant d'liminer toutes les variabilits qui peuvent tre supprimes par la simple observation du processus. Une fois cette tape ralise, on peut mettre en place la carte d'observation. Slection de la taille des chantillons Souvent la taille des chantillons est xe 5 et ceci pour une raison historique. En effet, lorsque les cartes sont calcules la main, le chiffre 5 est pratique pour le calcul de la moyenne car une division par 5 revient une multiplication par 2 suivie d'une division par 10. Mais part cette facilit de calcul, le chiffre 5 n'est pas toujours le chiffre le plus adapt. Lors des prlvements des pices, il faut respecter les conditions essentielles suivantes : 1. les pices lintrieur de chacun des sous-groupes doivent tre produites dans des conditions trs similaires sur un trs court intervalle de temps. Il est donc hors de question qu'un rglage ait lieu l'intrieur d'un prlvement. Mais, il est tout fait possible de raliser des corrections entre deux prlvements. 2. la taille des chantillons doit demeurer constante pour tous les sous-groupes. Le choix de la taille se fera donc en respectant ces deux conditions. En mcanique, le chiffre 5 convient gnralement parfaitement lorsque la capabilit court terme est bonne. On trouvera au chapitre 5 une rgle pour dterminer la taille de l'chantillon en fonction de la capabilit court terme et des deux risques statistiques : le risque de drgler un processus bien rgl ; le risque de ne pas dtecter un dcentrage. Lorsqu'on travaille sur des machines multipostes telles que les transferts rotatifs, les tours multibroches, nous montrerons qu'il est prfrable de prlever des chantillons de taille gale au nombre de postes. On prendra par exemple 6 pices sur une machine
52
ditions dOrganisation
multibroche 6 broches. L'inconvnient d'un nombre tel que 6 ou 8 rside dans les calculs de moyenne qui ncessitent l'utilisation d'une calculette. Bien entendu cet inconvnient disparat si le calcul des cartes a t automatis par un logiciel MSP. Frquence dchantillonnage Le but du prlvement tant de donner une image du processus sans pour autant mesurer toutes les pices, il faut que la frquence dchantillonnage donne une image la plus juste possible du processus.
Figure 18 Incidence de la frquence d'chantillonnage Si nous prenons l'exemple de la gure 18, l'image de lvolution relle du processus va dpendre de la frquence dchantillonnage que lon va choisir. Il est vident que la solution points noirs est meilleure que la solution points blancs . On remarque galement quune frquence plus leve ne donnerait que peu dinformations supplmentaires. Il est donc ncessaire de connatre la frquence dvolution du processus pour dterminer la frquence dchantillonnage. Certains auteurs proposent des abaques pour dterminer la frquence de prlvement. Nous prfrons en gnral suivre la rgle empirique suivante : la frquence des actions correctives sur un processus doit tre au moins quatre fois plus faible que la frquence de prlvement .
ditions dOrganisation
53
Exemples Le processus est assez stable, il ncessite en moyenne une action (rglage, changement d'outil...) par demi-journe. Une frquence de prlvement d'un chantillon par heure convient dans ce cas. Un autre processus ncessite en moyenne une action par heure. Il faudra alors passer un prlvement tous les quarts d'heure. En gnral, on choisit une frquence relativement leve au dbut de la mise en place dune carte et, mesure que lon amliore la stabilit, on diminue la frquence de prlvement. Pour afner ds la mise en place des cartes de contrle la frquence de prlvement, il faut absolument noter durant la phase d'observation toutes les actions et tous les incidents intervenants sur le processus. Nombre de sous-groupes ncessaires Pour avoir une bonne image de la variabilit naturelle du processus, il faut avoir sufsamment de relevs. En effet, si nous nous satisfaisons de 5 chantillons par exemple, la abilit des donnes de base pour les calculs des cartes serait de pitre qualit. Il faut attendre d'avoir sufsamment de donnes. Lorsque la premire carte sans limite est remplie, cela correspond gnralement une vingtaine d'chantillons qui reprsentent une centaine d'informations individuelles. Cela suft pour donner une bonne image du processus. Durant la phase d'observation, on calculera pour chaque sous-groupe prlev : la moyenne du sous-groupe i ; lcart type ou l'tendue (suivant la carte choisie) du sousgroupe i. Nous recommandons de reprsenter les donnes observes sur les graphiques des moyennes et des tendues. Cette reprsentation donnera une bien meilleure ide du comportement du processus, en l'absence de pilotage par cartes de contrle, qu'une srie de chiffres.
54
ditions dOrganisation
1 X1 X2 X3 X4 X5 Xb R 7 2 1 1 0
2 2 -3 0 1 -1
3 1 3 1 -2 2
4 0 0 -1 1 2
5 -1 2 1 3 0
6 5 2 1 3 2
7 1 3 1 3 0
8 0 0 1 2 3
9 0 1 2 2 -1
10 1 2 4 3 2
11 3 1 1 3 -3
12 2 0 0 3 0
13 0 0 3 0 2
14 2 3 2 3 -1
15 3 0 1 -1 1
16 0 1 3 0 3
17 1 -1 -1 -2 0
18 -1 -1 3 2 0
19 4 0 -1 0 2
20 1 -1 0 3 2
2.2 -0.2 1.0 0.4 1.0 2.6 1.6 1.2 0.8 2.4 1.0 1.0 1.0 1.8 0.8 1.4 -0.6 0.6 1.0 1.0 7 5 5 3 4 4 3 3 3 3 6 3 3 4 4 3 3 4 5 4
3.0 8 2.0
6
1.0
4 0.0
-1.0
-2.0
0 -3.0
10 11 12 13 14 15 16 17 18 19 20
10 11 12 13 14 15 16 17 18 19
20
4.4. Analyser
4.4.1. Calcul des capabilits
Connaissant la variabilit naturelle du processus, nous pourrons alors choisir et calculer les cartes de contrle adaptes la caractristique suivie. En utilisant les donnes de la carte d'observation, il sera
ditions dOrganisation
55
galement possible de calculer des indicateurs de capabilit sur le processus. Nous reviendrons galement en dtail sur cette tape dans le paragraphe suivant. Un chapitre complet de cet ouvrage est galement consacr aux calculs des capabilits. A ce stade deux cas peuvent se produire : Le processus est dclar capable et il est donc possible de piloter directement en utilisant la carte choisie en passant l'tape Contrler Le processus n'est pas dclar capable. Il est quand mme tout fait possible et mme souhaitable de piloter le processus partir des limites naturelles, mais il faut alors mettre en place en parallle la carte de contrle un chantier visant rduire cette variabilit avec les tapes Analyser et Innover .
56
ditions dOrganisation
Calcul des limites de contrle Les limites de contrle se calculent en utilisant les formules suivantes : Pour la carte des moyennes Limite de contrle suprieure : LSC X = Cible + A2. R Limite de contrle infrieure : LIC X = Cible A2. R Pour la carte de contrle des tendues Limite de contrle suprieure : LSC R = D4. R Limite de contrle infrieure : LIC R = D3. R La cible est la valeur sur laquelle il faut se centrer. Elle est souvent xe gale au milieu de l'intervalle de tolrance. Pour les processus qui ne peuvent tre centrs sur la cible idale (cote rsultant d'un moule par exemple), on xe la cible sur la moyenne des moyennes ( X ) de la carte d'observation. Les coefcients A2, D3, D4 sont fonction de la taille des chantillons. Nous montrerons dans le chapitre 5 l'origine de ces coefcients.
n A2 D3 D4 2 1,88 3,27 3 1,02 2,57 4 0,73 2,28 5 0,58 2,11 6 0,48 2,00 7 0,42 0,07 1,92 8 0,37 0,14 1,86 9 0,34 0,18 1,82 10 0,31 0,22 1,78
Figure 20 Tableau des coefficients pour le calcul des cartes Exemple de calcul d'une carte de contrle Prenons le cas d'une cote, obtenue sur machine-outil, de valeur nominale 10 mm et d'intervalle de tolrance 0,1 mm. Les chantillons prlevs sont des groupes de 5 pices. A l'issue de la phase d'observation du processus, nous avons calcul la moyenne des tendues de chaque sous-groupe R = 0,04 Comme il est possible de piloter la caractristique pour la ramener sur la cible, on xe la cible sur le milieu de l'intervalle de tolrance soit 10,00.
ditions dOrganisation
57
Choix des coefcients Les groupes tant de 5 pices, nous prenons les coefcients A2, D3, D4 dans la colonne 5 A2 = 0,58 D3 = D4 = 2,114 En appliquant les formules nous trouvons : Limite suprieure de contrle des moyennes LSC = 10, 00 + 0, 58 x 0, 04 = 10, 023 X Limite infrieure de contrle des moyennes LIC = 10, 00 0, 58 x 0, 04 = 9, 977 X Si on raisonne en carts par rapport la cible, les limites s'crivent : LC = 0, 58 x 0, 04 = 2.278 X Limite suprieure de contrle des tendues LSC R = 2, 114 x 0, 04 = 0, 085 Il n'y a pas de limite infrieure pour des groupes de 5 pices.
Carte X-bar-R
1 1
2
Moyennes
UCL=2.278 _ _ X=0
1 0 -1 -2
1 3 5 7 9 11 13 15 17 19
LCL=-2.278
8
tendues
UCL=8.352 _ R=3.95
6 4 2 0
1 3 5 7 9 11 chantillon 13 15 17 19
LCL=0
Figure 21 Exemple de carte de contrle Xbar-R La gure 21 montre la carte dobservation sur laquelle on a plac les limites naturelles (limites de contrle). Il apparat sur la carte des moyennes deux points qui sortent des limites et une srie de points
58
ditions dOrganisation
toujours du cot suprieur la cible. Cela tmoigne de la prsence dune cause spciale (un dcentrage ici) qui mriterait un recentrage de la production sur la cible.
4.5. Contrler
4.5.1. Pilotage du processus par cartes de contrle
Lors de cette phase, le processus est pilot en observant les cartes de contrle. Pour une efcacit maximale des cartes de contrle, il est indispensable que les dcisions d'actions sur le processus soient dictes par les cartes. Le pilotage par cartes de contrle doit se substituer et non s'additionner aux mthodes empiriques de pilotage. Cette remarque pralable peut sembler anodine, elle est pourtant fondamentale. De trs nombreuses applications de cartes de contrle ont chou faute d'avoir mis en pratique cette remarque.
Mthode de pilotage Prlever un chantillon de pices conscutives et sans intervention
Appliquer le tableau de dcision (figure 24) En cas de rglage, appliquer la rgle de vrification des rglages
Figure 22 Mthode de pilotage La phase de pilotage consiste donc observer les cartes, les interprter an de dtecter l'apparition de causes spciales et de ragir avant de gnrer des produits hors spcication. Les interprtations des cartes de contrle sont relativement simples, il suft de connatre les quelques situations de base. L'interprtation de la carte des tendues est diffrente de la carte des moyennes. L'une surveille le rglage du processus, l'autre surveille la dispersion du processus.
ditions dOrganisation
59
Lorsquon analyse des cartes de contrle, il faut toujours commencer par la carte de surveillance du paramtre de dispersion. En effet, si la dispersion du processus augmente, il faut arrter tout de suite la machine, car la capabilit court terme est en train de chuter. Par contre, une variation sur la carte des moyennes se rsoudra souvent par un rglage.
Graphique Description Processus sous contrle
LSC
LIC
Les courbes X et R oscillent de chaque ct de la moyenne. 2/3 des points sont dans le tiers central de la carte.
Production
Production
LSC
Point hors limites Le dernier point trac a franchi une limite de contrle.
LIC
Cas limite suprieure La capabilit court terme se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir. Il y a une erreur de mesure Cas limite infrieure La capabilit court terme s'amliore Le systme de mesure est bloqu Cas tendance suprieure La capabilit court terme se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir. Cas tendance infrieure La capabilit court terme s'amliore. Il faut trouver l'origine de cette amlioration pour la maintenir. Cas srie croissante La capabilit court terme se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir. Cas srie dcroissante La capabilit court terme s'amliore. Il faut trouver l'origine de cette amlioration pour la maintenir. Cas limite suprieure Surveiller la capabilit Si plusieurs points de la carte sont galement proches de la limite suprieure, la capabilit se dtriore. Il faut trouver l'origine de cette dtrioration et intervenir.
LSC
LIC
LSC
Tendance croissante ou dcroissante 7 points conscutifs sont en augmentation rgulire ou en diminution rgulire.
Rgler le processus si le dernier point approche les limites de contrle de l'cart qui spare le dernier point la valeur cible
LIC
LSC
1 point proche des limites Le dernier point trac se situe dans le 1/6 au bord de la carte de contrle
LIC
Confirmer en prlevant immdiatement un autre chantillon. Si le point revient dans le tiers central production Si le point est galement proche des limites ou hors limites, rgler de la valeur moyenne des deux points
En cas de rglage : un nouvel chantillon est mesur et marqu sur la carte. Pour tre acceptable, le point doit se situer dans le tiers central de la carte des moyennes
60
ditions dOrganisation
IDENTIFIER et CORRIGER la cause spciale Le processus devient hors contrle MAIS toutes les valeurs individuelles du prlvement sont dans les tolrances TRIER les composants depuis le dernier point sous contrle de la carte de pilotage
IDENTIFIER et CORRIGER la cause spciale Le processus devient hors contrle ET une ou plusieurs valeurs individuelles du prlvement sont hors tolrances
TRIER les composants depuis le dernier point sous contrle de la carte de pilotage
ditions dOrganisation
61
4.7. Standardiser
Les cartes tant en place, il faudra interprter celles-ci an de dtecter l'apparition des causes spciales. Nous serons alors dans la phase d'utilisation des cartes de contrle. L'utilisation des cartes de contrle motive les oprateurs et l'encadrement amliorer le processus et ainsi, diminuer la variabilit naturelle de celui-ci. Lorsque cette variabilit aura diminu, il faudra alors recalculer les cartes... et continuer amliorer. Nous entrons alors dans la phase d'amlioration continue qui est en fait l'objectif de la MSP. Le but est de mettre le processus sous contrle, nous utilisons le mot sur rails pour bien imager le but de ce travail : limiter au maximum le nombre d'interventions ncessaires pour maintenir la caractristique sur la cible. Sur la gure 16 nous soulignons la boucle d'amlioration continue. Chaque fois qu'une amlioration permet de stabiliser le processus, on peut diminuer les contrles, et ainsi viter un gaspillage. Contrler n'apporte pas de valeur ajoute au produit, l'idal est de converger vers une mise sous contrle avec le minimum de mesures. Enn toutes les bonnes pratiques qui ont t mises en place dans le projet doivent tre dupliques aux autres processus. Les dmarches de pilotage doivent tre formalises an de garantir la prennit de la mise sous contrle.
2. Maurice Pillet Six Sigma Comment l'appliquer ditions d'organisation 2004
62
ditions dOrganisation
5.
ditions dOrganisation
63
64
ditions dOrganisation
Dans une premire approche, un processus sera dit capable si lintervalle de tolrance est plus grand que la dispersion alatoire du processus avec une petite marge, cest--dire lorsque le Pp est suprieur 1,33 (8/6).
Intervalle de tolrance Intervalle de tolrance
Figure 25 L'indicateur Pp La gure 25 montre deux situations typiques. La premire correspond un processus non capable car la dispersion est plus importante que l'intervalle de tolrance. Dans la seconde, la dispersion est faible au regard de l'intervalle de tolrance, le processus est donc capable. Prcisons que la dispersion alatoire est prise comme tant gale six fois lcart type de la dispersion du processus, cest--dire lintervalle contenant 99,7 % des pices fabriques (dans l'hypothse d'une distribution de Gauss). Pour calculer cette dispersion, il faut donc un nombre sufsamment lev de mesures (une centaine) et vrier que la distribution de ces mesures a bien une forme de cloche. Si ce n'est pas le cas, il faut prendre quelques prcautions sur lesquelles nous reviendrons dans les chapitres 4 et 10 sur les capabilits. La dispersion utilise pour le calcul de la performance Pp est la dispersion long terme du processus. En effet, la mesure de la performance processus doit traduire la capacit produire sur le long terme. Il faut donc tenir compte de l'ensemble des inuences qui peuvent perturber le processus pendant le temps de production. Cette dispersion est constitue des dispersions court terme et des dispersions conscutives aux variations de consignes (drglages) incontournables sur le long terme.
ditions dOrganisation
65
Le calcul du Pp sera donc ralis partir d'un chantillon reprsentatif de l'ensemble d'une production. En gnral, la priode retenue pour le calcul d'un Pp est au moins d'une semaine. Ainsi, le Pp calcul donnera une bonne indication de la qualit de la production livre au client.
Dispersion
Dispersion
Pp = 1,5
Pp = 1,5
Figure 26 Ncessit d'un indicateur Ppk Dans la gure 26, les deux situations ont un Pp suprieur 1,33, et pourtant, lorsque la production est dcentre, il existe des pices hors tolrance. L'indicateur Pp est donc insufsant et il faut mettre en place un autre indicateur Ppk, qui tiendra compte du drglage du processus. Ainsi, le Pp donnera la performance intrinsque du processus et le Ppk la performance relle. Cet indicateur devra tre aussi simple d'interprtation que le Pp, c'est-dire que le processus sera capable si Ppk est suprieur 1 (dans un premier temps). Bien sr, comme pour le Pp, un Ppk de 1 sera trop risqu, nous retiendrons comme limite 1,33. Dans le cas de la gure 27, le processus est drgl du ct suprieur la moyenne. Dans ce cas, on note que la production est capable tant que la distance D1= k (Tolrance Suprieure Moyenne) est plus grande que la distance D2 (moiti de la dispersion alatoire).
66
ditions dOrganisation
k D1
Tolrance suprieure
D2
Dispersion
Figure 27 Processus drgl du ct suprieur la moyenne Ppk est donc un indicateur qui compare les deux distances D1 et D2 en tablissant le rapport entre les deux distances. Bien sr, dans le cas d'un drglage du ct infrieur la moyenne, ce n'est plus la distance D1 qu'il faudra considrer, mais une distance D'1 (Moyenne Tolrance infrieure). Nous pouvons donc crire la formule de calcul du Ppk
Ppk = Distance (Moyenne / Limite la plus proche) k LT = 1 2.(Dispersion Long Terme ) 3 LT
Le terme Ppk vient du fait que l'on calcule le Pp du cot le plus proche de la spcication en faisant le ratio entre la distance exprim en nombre d'cart type (k) divise par la moiti de la dispersion (3). On a donc Ppk = k/3
ditions dOrganisation
67
En cas de rglage parfait, on vrie aisment que Pp = Ppk. En revanche, plus le drglage est important et plus la diffrence entre Pp et Ppk devient importante. L'objectif des oprateurs sera donc d'avoir un Ppk le plus proche possible du Pp.
Caractristique Tolrance Suprieure Dispersion court terme DCT CT Dispersion long terme DLT LT Tolrance Infrieure Temps
Figure 28 Dispersion court terme et dispersion long terme Lorsqu'on observe un processus de production (gure 28), on constate que celui-ci n'est pas toujours centr sur la mme valeur, mais qu'il subit des variations de consignes. En fait, au cours d'une semaine de production, on dissocie deux types de dispersion : la dispersion court terme et la dispersion long terme. La dispersion long terme inclue les uctuations de consigne. Elle traduit la qualit des pices livres aux clients. La dispersion court terme dpend principalement du moyen retenu et des conditions de gamme retenue, mais galement des autres M qui sont le Milieu, la Main d'uvre, la Matire. Cette dispersion serait gale la dispersion long terme si le processus tait parfaitement stable. Cette dissociation nous conduit dnir deux nouveaux indicateurs : Cp et Cpk.
68
ditions dOrganisation
La Performance processus (Pp et Ppk) s'intressait la dispersion long terme, la Capabilit processus (Cp et Cpk) va s'intresser la dispersion court terme. Pour calculer les indicateurs Cp et Cpk, on mne une tude de dispersion permettant d'identier cette dispersion court terme. Pour cela deux mthodes sont possibles. Premire mthode On prlve une cinquantaine de pices conscutives fabriques par le processus tudi et on mesure la dispersion obtenue sur cet chantillon. Cette dispersion nous permet de calculer Cp et Cpk avec les mmes relations que Pp et Ppk. On aura donc les relations suivantes:
Cp = Intervalle de tolrance IT = Dispersion court terme du processus 6 CT
Cette mthode n'est possible que si la cadence du processus est sufsamment rapide pour ne laisser subsister dans cet chantillon que la dispersion court terme. Un processus pour lequel le cycle de production serait de 5 mn par produit, ncessiterait plus de 4 heures de production pour raliser un tel essai. Il est vident que l'on ne peut pas garantir la stabilit pendant ces 4 heures. On ne mesurerait donc pas la dispersion court terme mais dj une dispersion long terme. Cette mthode ne conviendrait pas dans ce cas. Deuxime mthode La deuxime mthode pour mesurer la dispersion court terme, consiste prlever de petits chantillons (3 pices conscutives par exemple) intervalles rguliers ou conscutifs, mais sans action sur le
ditions dOrganisation
69
processus pendant la production de ces trois pices. En revanche, il peut y avoir des actions de rglage entre deux chantillons. Dans ce cas, la dispersion court terme sera la moyenne des dispersions observes sur chacun des chantillons. Ces deux mthodes seront dtailles, notamment en ce qui concerne les calculs, dans le chapitre sur les capabilits (chapitre 4 et chapitre 10).
70
ditions dOrganisation
Figure 29 Le Ppk nest pas suffisant L'indicateur Cpm est bas sur la fonction perte de Taguchi.
Perte pour la socit Perte pour l'cart X - cible Fonction perte K(X-cible)_ L = K(X-cible) 2
L = K ( 2 + ( X cible ) 2 )
X
Cible
Figure 30 Fonction perte de Taguchi Le nouvel indicateur Cpm rete la perte (au sens de Taguchi) due un drglage. Cpm est dni par : Cpm = IT 6. i2 + X Cible
Cp 1 + 9(Cp Cpk) 2
La fonction perte intervient au dnominateur. On note que l'indicateur Cpm est gal Cp lorsque le processus est parfaitement centr. Cpm dcrot lorsque le dcentrage augmente. Comme on le constate, Cpm tient compte la fois du centrage et de la dispersion. En garantissant le Cpm, on assure que le processus est rellement centr sur la cible. La variabilit sur le produit ni sera faible.
ditions dOrganisation
71
On calcule galement sur le long terme la performance Ppm par la mme relation, mais en prenant l'cart type long terme. Ppm = IT
2 6. LT + X Cible
Pp 1 + 9(Pp Ppk) 2
= 0.009
49.950
49.965
49.980
49.995
50.010
50.025
50.040
n 1 = 0 ,009
Calcul des indicateurs de capabilit long terme Pp et Ppk : Pp = 0,1 = 1, 84 6x 0, 009 Ppk = 50, 05 50, 009 = 1, 52 3x 0, 009
Le processus est jug capable selon le critre Ppk (Ppk > 1,33). Le pourcentage hors tolrance est infrieur 32 ppm.
72
ditions dOrganisation
Le processus est jug juste capable selon le critre Ppm (Ppm > 1,33). Cela signie que la perte moyenne gnre par les produits de cette population est gale la perte moyenne dune population centre ayant une performance Pp de 1,33. Le Ppm valide une nouvelle faon de voir lintervalle de tolrance en fabrication. En effet, avoir une cote en limite de tolrance nest pas grave si cette pice est isole. La probabilit dassemblages dfectueux est quasiment nulle. Par contre si plusieurs pices se situent cette limite, il y aura des consquences nfastes sur la qualit. Ainsi, le concepteur a deux solutions pour obtenir lassurance dun fonctionnement correct de son mcanisme : 1. rduire lintervalle de tolrance et imposer que les produits soient tous dans cet intervalle quelle que soit la rpartition ; 2. laisser un intervalle de tolrance large, mais en imposant la fabrication des conditions de centrage et de rpartition verrouilles par le Ppm. Bien que la seconde solution semble plus difcile respecter a priori, nous sommes persuads qu long terme cette solution est de loin la plus conomique en matire de moyens de production mettre en uvre. Cependant, si le Ppm offre une vision plus moderne des capabilits que le Pp, Ppk, il ne les remplace pas pour autant, mais plutt il les complte. Nous proposons au chapitre 11 une approche novatrice de tolrancement (le tolrancement inertiel) fonde sur cette approche. Remarque : si les mmes donnes avaient t issues d'un prlvement reprsentant la dispersion court terme (1/4 heure de production par exemple) avec les mmes calculs nous aurons calcul les indicateurs Cp, Cpk, Cpm.
ditions dOrganisation
73
Cp
Cpk
Cpm
Pp
Ppk
Ppm
Figure 32 Les diffrents calculs de capabilit Comme on le constate sur le tableau, il n'y a pas de diffrence de calculs entre les diffrents indicateurs, il y a seulement des diffrences dans ce qu'ils reprsentent en terme de temps de production.
74
ditions dOrganisation
Condition d'acceptation
Long terme centrage Ppk > 1,33 ou Ppm > 1,33 Ppm > 1,33
Perte de capabilit
Figure 33 La chute des capabilits L'analyse des chutes de capabilit pour un processus est souvent trs intressante. En effet, nous partons d'un processus avec un potentiel de capabilit Cp pour arriver un produit livr au client avec une performance Ppk. L'important est bien entendu d'avoir un Ppk ou un Ppm suprieur 1,33 selon le critre choisi. Si ce n'est pas le cas, il est fondamental, pour rsoudre le problme, de dterminer l'origine de ce manque de capabilit. La chute de capabilit entre Cp et Pp traduit l'instabilit du processus. En effet, si on sait stabiliser un processus, on limite les variations de consignes et la dispersion long terme sera proche de la dispersion court terme.
Caractristique Dispersion court terme Dispersion long terme Caractristique Dispersion court terme Dispersion long terme
ditions dOrganisation
75
Nous avons vu prcdemment que la chute de capabilit entre Pp et Ppk tait due au drglage. Nous pouvons alors interprter l'ensemble du tableau des capabilits comme dans l'exemple gure 35. Le tableau suivant concerne un produit comportant 5 caractristiques pour lesquelles le centrage est assez facile obtenir. Dans ce cas, le Cpk n'est pas d'une grande utilit car un drglage sur le court terme peut trs rapidement tre compens. Ce tableau permet une apprhension immdiate des problmes lors dune runion pour peu que l'ensemble des personnes concernes aient t formes la notion de capabilit. Nous avons gris dans le tableau tous les cas de gure o : le Ppk est infrieur 1,33 ; le Ppm est infrieur 1,33.
Caractristiques 1 - 100,05 2 - 120,05 3 - 80,02 4 - L 200,06 5 - L 100,04 Cp 2,5 2,5 Pp 2,2 Ppk 1,9 1,0 0,8 Ppm 1,63 1,05 0,86 0,57
1,1
0,9 2,5 2,2
1,1 1,6
1,07
Figure 35 Tableau des capabilits Chaque caractristique ayant une case grise doit tre discute pour permettre une amlioration. On note l'intrt du Ppm qui globalise l'ensemble de la chute de capabilit. L'interprtation du tableau gure 35 est la suivante : Caractristique 1 : aucun problme, Ppm est suprieur 1,33. Le Ppk est galement suprieur 1,33. Caractristique 2 : Ppm est infrieur 1,33 et il y a une chute entre Cp et Pp. Il faut stabiliser les variations de consigne au cours du temps. Une surveillance du processus par carte de contrle s'impose.
76
ditions dOrganisation
Caractristique 3 : Ppm est infrieur 1,33 et le Ppk est mdiocre. Au dpart, la capabilit court terme est insufsante. Une action mthode ou maintenance s'impose. Nous ne pouvons probablement pas rsoudre le problme dans l'atelier. Il faut, soit modier la gamme de fabrication, soit rparer la machine dans le cas d'une dtrioration de la capabilit court terme par rapport la capabilit court terme historique. Caractristique 4 : Ppm est infrieur 1,33. Il y a un gros cart entre le Pp et le Ppk d un dcentrage. Il est souvent ais de remdier ce type de problme en matrisant mieux le centrage de la caractristique. Une surveillance par carte de contrle s'impose. Caractristique 5 : Ppm est infrieur 1,33 et pourtant Ppk est suprieur 1,33. Une amlioration est encore possible en centrant mieux le processus pour tre plus sur la cible. Bien que le Ppk soit suprieur 1,33, ce cas de gure gnre une perte suprieure au cas Pp = 1,33 et Ppk = 1,33. Cela peut tre dlicat dans le cas d'un tolrancement statistique.
ditions dOrganisation
77