ED 363

Universit dAngers Anne 2008

N 960

Contrle de processus industriels complexes et instables par le
biais des techniques statistiques et automatiques

Thse de doctorat
Spcialit : Sciences de lingnieur
ECOLE DOCTORALE DANGERS

Prsente et soutenue publiquement
le 15 dcembre 2008
lInstitut des Sciences et Techniques de lIngnieur dAngers
par
Florina BABUS
Devant le jury ci dessous :
Ioan BACIVAROV Examinateur Professeur lUniversit Polytechnique de Bucarest
Alain BARREAU Prsident Professeur luniversit dAngers
Zohra CHERFI Rapporteur Professeur lUniversit de Technologie de Compigne
Abdessamad KOBI Examinateur Professeur lUniversit dAngers
Mihai POPESCU Rapporteur Professeur lUniversit Polytechnique de Bucarest
Teodor TIPLICA Examinateur Matre de confrences lUniversit dAngers


Directeurs de thse : Abdessamad KOBI et Ioan BACIVAROV
Co-encadrant : Teodor TIPLICA

Laboratoires: LASQUO, LAboratoire en Sret de fonctionnement, QUalit et
Organisation
EUROQUAL, Laboratoire en Qualit, Fiabilit et Techniques
informatiques
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0



t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0



Remerciements
Le travail prsent dans ce mmoire a t ralis au sein du LAboratoire en Sret de
fonctionnement, QUalit et Organisation, LASQUO, ISTIA Angers, dirig par Abdessamad
Kobi. Je tiens lui adresser mes remerciements pour ses conseils prcieux et son implication
dans mes travaux en tant que directeur de thse.
Jadresse mes sincres remerciements Ioan Bacivarov pour son soutien et pour la qualit de
ses conseils. Cest grce son encadrement pendant mon DEA au sein du Laboratoire
EUROQUAL que je me suis dirig vers ces travaux de recherche, et je lui resterai trs
reconnaissante.
Je remercie vivement Teodor Tiplica pour sa disponibilit, pour son support et pour la qualit
de nos relations de travail. Ses comptences dans le domaine de MSP dont il ma fait part, ses
ides et ses conseils ont contribu de faon incontournable lavancement de mes travaux de
recherche.
Je suis trs reconnaissante Mme. Zohra CHERFI davoir accept dtre rapporteur de ces
travaux et de participer au jury. Son exprience et sa notorit dans la fiabilit et la qualit
industrielle mhonorent de sa prsence.
Je remercie chaleureusement M. POPESCU, davoir accept dtre rapporteur de ce travail et
de participer au jury.
Je voudrais adresser mes vifs remerciements M. Alain Barreau pour avoir accepter dtre le
prsident de jury. Sa prsence me fait beaucoup dhonneur et je lui suis reconnaissante.
Je remercie galement tous les professeurs du laboratoire LASQUO pour les prcieux
renseignements quils mont apports et tous les membres du Dpartement Qualit et
Organisation de ISTIA pour la bonne ambiance de travail quils mont offert.
Cest avec plaisir que jai pass mes quatre annes des recherches auprs de mes collgues de
laboratoire. Les souvenirs de notre quipe me resteront toujours au cur et je leurs remercie
fortement pour ces annes passs ensemble.
Je remercie profondment ma famille qui malgr la distance ma toujours soutenue dans tous
mes projets. Leur appui ma aid dpasser tous les moments difficiles dans mon travail et je
leur suis trs reconnaissante.
Jadresse un merci spcial mon fianc, Eric MENARD, qui na pas hsit maider avec ses
conseils et avec son soutien dans laboutissement de mes travaux.

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0




t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0










Je ddie cette thse
la mmoire de mon pre.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0


Table des matires
Introduction gnrale................................................................................................................ 1
Chapitre I. Etat de lart sur lincidence de la non normalit dans la MSP............................ 5
1 Gnralits .................................................................................................................... 5
2 Lincidence de la non normalit dans la MSP. Principales approches. ................ 18
2.1 La famille des lois de Burr ................................................................................... 22
2.2 Les familles de lois de Johnson et de Pearson ..................................................... 25
2.3 La mthode de re-chantillonnage de Bootstrap.................................................. 28
2.4 Les cartes de contrle avec des paramtres variables .......................................... 31
3 Synthse des mthodes de traitement de donnes non gaussiennes....................... 36
Chapitre II : Contributions aux nouvelles dmarches dans la MSP des processus non
gaussiennes.............................................................................................................................. 39
1 Introduction................................................................................................................ 39
1.1 Processus non gaussiens - quelques exemples ..................................................... 40
1.2 Une catgorie de processus reprsents par des distributions non gaussiennes.
Tolrances gomtriques et variations de formes ............................................................ 46
1.3 Distributions asymtriques . La loi de Rayleigh .................................................. 53
1.3.1 Mthodes destimation du paramtre de la loi de Rayleigh......................... 56
1.3.2 Quelques particularits de la loi de Rayleigh. Domaines dincidence......... 58
2 Application des cartes de contrle avec paramtres variables pour les lois des
distributions asymtriques ................................................................................................ 60
2.1 La conception dune carte VP pour la loi de distribution de Rayleigh ................ 61
3 Les cartes de contrle bases sur lestimation des quantiles.................................. 78
3.1 Mise en place de la mthode pour la loi de distribution de Rayleigh .................. 79
3.2 Analyse critique sur la pertinence dutilisation des cartes de contrle non
gaussienne dans la pratique dinspection de la coaxialit................................................ 86
3.2.1 Etude de cas I : le drglage intervient soit sur la variable X soit sur la
variable Y..................................................................................................................... 88
3.2.2 Etude de cas II : le drglage intervient sur les deux variable, X et Y ........ 92
3.2.3 Etude de cas III : Les variables X et Y ne sont pas indpendantes, tude
dune carte de contrle multi varie............................................................................. 94
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0


4 Conclusions ................................................................................................................. 98
Chapitre III : Contributions au contrle des processus par le biais des modles intgrs
APC/MSP............................................................................................................................... 101
1 Introduction.............................................................................................................. 101
2 Le contrle automatique de processus ................................................................... 102
3 Lintgration des techniques MSP et APC ............................................................ 108
4 Contributions lamlioration des modles de contrle APC MSP................. 115
4.1 Le modle intgr de Gultekin........................................................................... 116
4.1.1. Propositions damlioration de la dtection des faibles drglages pour le
modle intgr de Gultekin : lintgration dune carte de contrle de type EWMA. 125
4.1.2. Propositions damlioration de la dtection des faibles drglages pour le
modle intgr de Gultekin : lintgration dune carte de contrle de type VP......... 129
4.1.3. Conclusions sur nos propositions damlioration de la dtection des faibles
drglages pour le modle intgr de Gultekin.......................................................... 131
4.2 Le racteur de Tennessee Eastman. Gnralits ................................................ 134
4.2.1 Proposition damlioration. Lintgration dune carte de contrle dans le
schma du racteur de Tennessee Eastman................................................................ 141
4.2.2 Mise en place de lalgorithme propos. Rsultats et interprtations.......... 148
5 Conclusions. Perspectives ........................................................................................ 157
Conclusions gnrales........................................................................................................... 159
Annexe 1 : Elments de contrle automatique..................................................................... 162
A1.1 Notions lmentaires des systmes automatique ............................................... 162
A1.2 Cadre mathematique uitlis dans lautomatique ................................................ 168
A1.3 Principe de fonctionnement dun rgulateur automatique ................................. 170
A1.4 Prcisions sur limplmentation du modle intgr dans le model Simulink
Multiloop_Mode3.mdl : ................................................................................................. 173
Rfrences.............................................................................................................................. 176
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

1
Introduction gnrale

Dans lenvironnement conomique - industriel actuel, face la concurrence ardue et la
demande des produits performants pour des cots rduits, les entreprises accordent une place
de choix leur systme de management par la qualit. Une attention spciale est accorde ces
dernires annes au systme de management visant la qualit totale, TQM
1
, qui englobe, entre
autres, de techniques de contrle de fabrication permettant dassurer le fonctionnement
optimal dun processus industriel (stabilit, variabilit minimale, robustesse, respect des
contraintes prvues dans le cahier des charges, etc.).

Ceci permet lentreprise datteindre un niveau de contrle satisfaisant de son processus de
fabrication en parfait accord avec les diffrents standards ou normes qualit. On peut citer par
exemple la norme ISO9001V2000 pour la conception, le dveloppement et la production, la
norme ISO9004 pour l'amlioration de la performance, ou bien des normes spcifiques un
secteur d'activit ou un produit, comme la norme ISO TS 16949 dans l'automobile, la norme
EN 9100 dans l'aronautique et la norme ISO 13488 pour les dispositifs mdicaux, etc.

Le contexte gnral dans lequel sinscrivent les travaux dvelopps dans ce mmoire est le
contrle des processus industriels. Plus particulirement, nous nous sommes intresss aux
processus industriels complexes (processus prsentant des caractristiques distribues selon
des distributions non-gaussiennes, processus instables en boucle ouverte et par consquent
rguls par des rgulateurs PID, PI ou PD et plus gnralement par toute technique relevant
du contrle automatique de processus).

De manire gnrale, il est considr que le contrle de processus intgre quatre grands
champs dapplication et de recherche :

lidentification de lensemble des variables permettant de dtecter le plus rapidement
et le plus facilement les fautes intervenues au cours du fonctionnement dun processus.


1
TQM= Total Quality Management
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

2
la dtection des fautes, qui consiste mettre clairement en vidence lapparition de la
faute laide de lensemble de variables retenues ltape didentification.

le diagnostic de processus, qui consiste tablir la nature de la faute dtecte ltape
de dtection.

la reconfiguration du systme, qui suppose ramener le processus dans des
conditions oprationnelles nominales ou de le modifier afin de rduire, voir annuler,
limpact de la faute sur la qualit du produit fabriqu.

Dans ce contexte la MSP (Matrise Statistique de Processus) fournit les techniques de base
didentification et de la dtection et permet des prvisions temporelles sur le comportement
des processus. Presque toutes les dmarches existantes lheure actuelle dans le domaine du
contrle statistique de processus sont bases sur lhypothse de normalit des caractristiques
contrles, alors que dans bon nombre de situations industrielles ce nest pas toujours le cas
(linspection de certaines caractristiques gomtriques des pices mcaniques, les mesures de
la rugosit, concentricit ou coaxialit, la dure de vie de composants lectroniques, le suivi
dune caractristique au caractre continu, comme par exemple la concentration dune
substance chimique, les mesures de positions pour des systmes asservis, par exemple le
positionnement de la pante de lancement de missiles dans laronautique, etc.).
Le sujet de non normalit de processus constitue le point de dpart des travaux prsents dans
ce mmoire. Lobjectif principal de nos travaux de recherche a t davancer des nouvelles
propositions damlioration du contrle statistique des processus non gaussiens partir dune
tude bibliographique oriente vers lidentification des dmarches et travaux effectues dans
le domaine.
Comme il est connu dans la MSP, le suivi des caractristiques est bas sur lchantillonnage
des donnes relles afin de construire une image de leur comportement temporel pour pouvoir
dtecter et prvenir les situations critiques. La loi de distribution normale est ainsi devenue un
modle statistique reprsentatif pour la plupart des processus qui permettent le prlvement
dchantillons des tailles suffisantes.
Cependant il existe des situations quand le contrle individuel est exig (quand il est
indispensable de mesurer une caractristique tout instant), ou tout simplement quand le
prlvement par chantillonnage nest pas possible (suivi des caractristiques continues du
domaine chimique, lectronique, automatique, le cas des productions petites sries, etc.).
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

3
Dans ces situations il est impratif dtablir des techniques spciales de contrle, car
lutilisation des outils classiques de MSP fondes sur le modle de la loi normale, peut
entraner des graves consquences.
Laugmentation du taux des fausses alertes (qui, par exemple, est dtermine par lutilisation
de la carte de contrle de Shewhart pour une population distribue asymtriquement) peut
conduire labandon du contrle par le biais des techniques MSP, et implicitement des
pertes financires. Une dtection insatisfaisante des situations hors contrle ou une
interprtation errone de la capabilit de processus peuvent engendrer des mauvais
diagnostics et des dcisions incorrectes, ce qui finalement se reflte dans des cots de contrle
levs, des dlais et des dficits dans la qualit des productions.
Le contrle des processus non gaussiens prsente ainsi une importance pratique majeure et
ncessite une analyse rigoureuse. Notre motivation aborder ce sujet de recherche a t
galement soutenue par le manque des approches MSP destines aux processus non gaussiens.
Cependant, nous avons identifi une autre direction de recherches, aussi nouvelle
quimportante au cadre de contrle des processus complexes et instables, respectivement
lamlioration de contrle automatique par le biais des mthodes de la MSP.
Le deuxime objectif des travaux prsents dans ce mmoire est danalyser la problmatique
dintgration des outils des domaines de lAPC (Automatic Process Control) et de la MSP au
sujet damlioration du contrle des processus complexes et instables.
Gnralement un procd instable est un procd pour lequel des paramtres comme la
moyenne et/ou la variance changent dans le temps. De tels procds peuvent arriver plus ou
moins rapidement dans des situations critiques (caractrises par la mise en danger de la
scurit des oprateurs ou la fabrication des produits non conformes), ce qui finalement
conduit invariablement larrt du procd. Pour viter ce genre des situations, souvent en
pratique on stabilise le procd laide de moyens automatiss comme par exemple les
rgulateurs PI, PD ou PID, selon le type de caractristique analyse.
Dans le domaine du contrle de processus, lutilisation conjointe des techniques issues de la
MSP et de lAPC est dun trs grand intrt pratique. Tandis que les techniques de dtection
de type MSP permettent faire des prvisions et amliorent le contrle long terme, les
mthodes automatiques assurent un contrle ponctuel, local, contribuant dune manire
fondamentale la stabilit du procd. Nanmoins, le diagnostic de processus, qui exige
naturellement les tapes didentification et de dtection, implique lexploration conjointe des
outils de contrle statistique et automatique.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

4
Les modles automatiques assurent la stabilit du processus autour dune valeur de rfrence
ainsi quun bon fonctionnement pour une priode dlimite, et sans lintervention humaine. Il
existe toutefois des situations quand seul le modle automatique peut ignorer des petites
variations autour dune valeur de rfrence (par exemple les variations de la composition
dune substance chimique soumise dans le temps aux diverses ractions, autour de sa valeur
cible, les variations des mesures fournies par des capteurs de position dans les bancs de tests
de laronautique, etc.).
Il est galement important de pouvoir prvoir lvolution du comportement dun systme
pendant un priode tendue de fonctionnement. La dtection des petites variations autour
dune moyenne du processus automatique, ainsi que le diagnostic et les prvisions sur son
comportement long terme pourraient tre amliore avec des outils de la MSP, tels quune
carte de contrle.
Cependant lanalyse statistique de ces variations apparaissant autour dune valeur de rfrence
conduit souvent des caractristiques particulires (une tendance linaire, un chelon, etc.) et
on retrouve la ncessit de contrle des caractristiques non gaussiennes.
En consquence, lamlioration des techniques de contrle statistique pour les distributions
non gaussiennes implique lamlioration du contrle par les modles intgrs. Lide
dutilisation conjointe des ces deux domaines dans le contrle des processus complexes
prsente aussi lavantage de loriginalit, car le sujet na pas encore t aborde dans le
monde de recherche franais.
Lesprit des travaux prsents dans ce mmoire porte sur deux directions de recherche
dfinies comme par la suite: le dveloppement des nouvelles mthodes de contrle pour les
processus non gaussiens et lintgration des mthodes de la MSP et dAPC dans le contrle
des processus complexes et instables.
Le chapitre I de ce mmoire aborde lincidence de la non normalit au cadre de la MSP et
reprsente ltat de lart sur les diffrents travaux dans le domaine du contrle statistique de
processus non gaussiens.
Le chapitre II runit lensemble de nos travaux et les rsultats exprimentaux concernant la
conception dune carte de contrle pour les caractristiques aux distributions asymtriques.
Enfin le chapitre III regroupe nos travaux au sujet de lintgration des modles APC et MSP
dans le contrle des processus complexes et instables. Lintrt pratique de lintgration de
ces deux techniques est argument par le biais des deux exemples pratiques et des rsultats de
nos simulations exprimentales.
Nos conclusions et perspectives sont prsentes dans la partie finale de ce mmoire.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

5

Chapitre I. Etat de lart sur lincidence de la non normalit
dans la MSP

1 Gnralits
Pour mieux comprendre lobjectif de nos recherches au sujet de lamlioration des techniques
de la MSP dans le contrle des processus non gaussiens, une brve introduction dans le
domaine de MSP simpose, avec la prsentation de ses techniques les plus reprsentatives.
Le fondateur du concept de MSP (Matrise Statistique de Processus) a t Walter Shewhart
(Bell Laboratories, les annes 30), le parent de la carte de contrle X [Shewhart, 1931]. Le
constructeur dautomobiles Ford complte le concept de MSP avec sa mthode de calcul pour
les indicateurs de capabilit. Il est aujourdhui considr un des principaux promoteurs de la
MSP.
La matrise statistique des processus occupe une place de choix parmi les outils de contrle
statistique de la qualit (CSQ). Elle regroupe un ensemble de mthodes statistiques permettant
de surveiller et damliorer un processus de production. Daprs Maurice Pillet [Pillet, 2002]
La MSP reprsente une des marches importantes permettant damliorer la qualit et la
fiabilit des produits par une plus grande matrise de procds .
Plus gnralement, le but de la MSP est de surveiller lvolution temporelle dun processus et
de dtecter les changements qui peuvent affecter ses performances, donc de mettre le procd
industriel sous contrle. Pour un procd industriel complexe, les facteurs responsables de
lapparition des drglages peuvent tre runis sous le nom de 5M du procd (Machine,
Main duvre, Matire, Mthodes, Milieu).
En consquence, la rduction de la variabilit ncessite une analyse rigoureuse de 5M. Cette
analyse implique dtablir les limites naturelles et les intervalles de tolrance (pour dcider
sur lacceptation ou le refus dun lot des produits), dvaluer la capabilit du processus, de
suivre les paramtres de procds en utilisant des outils adapts (les cartes de contrle), etc.
On parle alors de stabilit du procd, de la conformit avec les spcifications, de la
capabilit, de la performance, etc.

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

6

Maurice Pillet [Pillet, 2002] considre que le domaine de la MSP prsente trois objectifs
principaux:

Donner aux oprateurs un outil de pilotage de la machine
Formaliser la notion de capabilit dun moyen de production
Faire le tri entre les situations ordinaires et les situations extraordinaires qui
ncessitent une action

La MSP est fonde sur le concept dtat stable. Il est indispensable de bien connatre ce
concept pour utiliser correctement la mthode. Un systme stable est un systme qui a les
performances prvisibles, puisque les donnes sont distribues de faon alatoire avec une
dispersion constante autour dune moyenne invariable dans le temps. Au contraire un systme
instable est absolument imprvisible. Le jugement sur la stabilit entrane deux approches
diffrentes et complmentaires [La Jaune et la Rouge, 2001]:

a) Systme instable: Stratgie daction intensive pour identifier le plus tt possible les
causes dinstabilit, puis les liminer autant que possible, ou au moins y remdier.
b) Systme stable: Stratgie de veille pour dtecter des signes ventuels dinstabilit.
Il est possible galement dans un tel systme de dplacer la moyenne et de diminuer la
variabilit, pour des raisons conomiques.

Des problmes existent aussi bien dans un systme stable que dans un systme instable, mais
dans le premier cas ils sont imputables au systme lui-mme, alors que dans le second ils sont
imputables aux vnements particuliers.
Dans ce contexte, la MSP est considr le plus souvent comme un ensemble doutils
statistiques: cartes de contrle, indicateurs de capabilit. Pourtant la notion de MSP na pas eu
toujours de signification claire pour les ingnieurs. Ils associent souvent la MSP avec le
contrle prdictif, avec le contrle adaptatif, ou avec le contrle proportionnel - intgral
driv.
Le qualiticien associe la MSP la mise en place dune carte de contrle : tant que la
caractristique suivie volue entre les deux limites de contrle, on considre que le processus
est sous contrle (stable, matris). Pour le statisticien le problme est souvent pos sous
forme dun test dhypothse: lhypothse H
0
(hypothse nulle) qui traduit le fonctionnement
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

7
normal du processus et lhypothse H
1
(hypothse alternative) qui reprsente le drglage ou
le dfaut sur une des caractristiques du processus.
Les cartes de contrle sont des outils graphiques utiliss pour le suivi de la production qui
permettent la dtection des causes spciales de disfonctionnement. Il existe lheure actuelle
deux catgories principales des cartes de contrle : les cartes de contrle par mesures,
destines au traitement des donnes au caractre quantitatif et les cartes de contrle par
attributs, destines au traitement des paramtres non mesurables. Ces derniers sont des
paramtres qui ne peuvent pas tre exprims par une mesure physique, tel quun diamtre, un
poids, une temprature, etc., mais elles sont gnralement dcrites en utilisant des indicateurs
qualitatifs, qui dans la plupart des cas prennent deux valeur seulement (bon/mouvais,
conforme/non conforme, succs/chec).
Le sujet de nos recherches porte sur les cartes de contrle par mesures. La mise en place des
cartes de contrle se ralise partir dchantillonnage (dans les situations usuelles on prfre
extraire au minimum 20 chantillons de taille 4 ou 5), les donnes ainsi collectes tant
soumises une analyse rtrospective pour dterminer les situations hors contrle.
Les performances des cartes de contrle sont values en termes de POM
0
(Priode
Oprationnelle Moyenne sous contrle) et POM
1
(Priode Oprationnelle Moyenne hors
contrle). La POM
0
est le nombre moyen dchantillons prlevs dun processus sous-
contrle, jusqu' ce quun point sur la carte de contrle dpasse la limite de contrle. Elle
traduit, donc, la frquence des fausses alertes. La POM
1
reprsente le nombre moyen
dchantillons que lon doit prlever ds lapparition dune cause assignable jusqu sa
dtection sur la carte de contrle.



Figure 1.1 : Carte de contrle par mesures
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

8
Les cartes de contrle classiques (comme la carte ( X , R) de Shewhart ou les cartes EWMA et
CUSUM) traitent le cas uni-vari (une seule caractristique est surveille). mesure quon
prlve des chantillons on obtient une image graphique de lvolution du processus (figure
1.1). Pour simplifier, on considre que le processus est sous contrle si les points sont entre
les limites de contrle. Si on aperoit un point qui est situ lextrieur des limites de
contrle (LIC - limite de contrle infrieure, LSC-limite de contrle suprieure, voir figure
1.1), le processus nest plus sous contrle et il faut intervenir pour remdier cet aspect.
Lintervalle de tolrance spcifi par lutilisateur na rien voir avec lintervalle de variation
naturelle dun processus. En effet, lintervalle de variation naturelle reprsente la diffrence
entre LSC et LIC qui se calculent en fonction de la carte de contrle choisie. Dans le cas dune
carte de contrle de Shewhart, pour une distribution normale cette diffrence correspond
lintervalle de six carts-type, symtrique par rapport la valeur centrale et couvre une
surface graphique dapproximatif 99,73% de la population. La notion de tolrance traduit les
exigences de performance imposes par lutilisateur.
Malgr la facilit de mise en place et la dtection rapide des grands drglages de la moyenne
du processus (plus dun cart type de la distribution des mesures suivies), la carte de contrle
de Shewhart est relativement insensible aux petits drglages. Pour les procds continus,
souvent le drglage du processus peut tre lent et progressif. Pour ce type des drglages une
dtection plus rapide est ncessaire afin dagir avant que le processus ne scarte fortement de
la valeur cible. Laugmentation de la taille dchantillon parat la premire mesure prendre,
mais souvent cette mesure entrane des cots et de dlais de temps supplmentaires.
Pour palier les inconvnients de la carte X de Shewhart [Shewhart, 1931], des modles de
plus en plus complexes ont t dvelopps. Parmi les plus connus nous citons la carte de
contrle CUSUM (Cumulative Sum) propose par Pages [Pages, 1954], qui repose sur la
reprsentation du cumul des carts du processus par rapport sa valeur cible, ou la carte de
contrle EWMA (Exponentially Weighted Moving Averages) [Roberts, 1959] qui considre
lhistorique de lvolution de la caractristique suivie. Lavantage majeur de ces cartes est la
dtection rapide des drglages de faible amplitude de la moyenne du processus.
Pour plus dinformations sur lapplication de ces outils nous recommandons les travaux de
Box et Luceno [Box et Luceno, 1997] ou Annadi et al. [Annadi et al., 1995] pour la carte
CUSUM et respectivement les travaux de Lucas et Sacucci [Lucas et Saccucci, 1990],
Mongomery [Montgomery, 1991], ou Zhang [Zhang, 2006], pour la carte EWMA.
Souvent lanalyse dun processus complexe comporte la surveillance des plusieurs
caractristiques et ltude des liens entre plusieurs variables. Il existe actuellement plusieurs
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

9
types des cartes de contrle multi varis, conues de manire analogue avec les cartes uni
varies, mais qui prennent en compte des ventuelles corrlations existantes entre les
variables du processus.
Des nombreux auteurs comme M. Pillet [Pillet, 2002], Montgomery [Montgomery et al.,
1994], [Montgomery, 1996], ainsi que Kano [Kano et al., 2004], Mac Gregor [MacGregor et
Kourtl, 1995], Qiu [Qiu et Hawkins, 2001], Yoo [Yoo et al., 2006] ou Choi [Choi et al.,
2006] ont conduit leurs travaux vers les mthodes damlioration des cartes de contrle multi
varis, et dautres comme Kurti [Kurti, 2006], Chan [Chan et al., 2004], Mastrangelo
[Mastrangelo et al., 1996] ont proposs diffrentes techniques statistiques pour des systmes
multi variables.
Lessentiel de nos travaux porte sur lamlioration du contrle des caractristiques non
gaussiennes et nous avons choisi davancer nos recherches sur la voie de la dtection uni-
varie.
Les outils traditionnels de la MSP uni -vari sont fonds sur lhypothse de normalit de la
caractristique suivie. Dans leur application pratique, trois situations distinctes gnratrices
des problmes ont t identifies [Duclos, 1997] :

1) Le processus prsente des points hors les limites spcifies sur la carte de contrle
(figure1.1)
2) Le processus nest pas centr sur la valeur cible (figure 1.3)
3) Le processus nest pas capable, il nest pas adroit rpondre aux performances
spcifies par lintervalle de tolrance (figure 1.4).





Figure 1.2: Prlvement des donnes, Image dun processus sous contrle
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

10
Prcisment, si la loi de distribution des donnes est une loi de Gauss (figure 1.3) et la courbe
nest pas centre sur la valeur cible, mme si les mesurs prleves se retrouvent entre les
limites de contrle, elles sont disperses loin de la valeur souhaite (cible).






Pour le modle dune loi normale de distribution, ltat stable signifie que les donnes soient
centres sur la valeur cible (la moyenne pour une loi de Gauss), et que les causes spciales des
variations soient identifies et limines.





Pour avoir une image correcte de la dispersion globale, on a besoin de faire la distinction entre
les variations naturelles et celles dues un rglage. Les cartes de contrle rpondent au
problme didentification des causes (communes et spciales) intervenant dans chaque tape
dun procd. Cependant elles permettent de raliser des prvisions long terme sur les
processus surveills.
Figure 1.3: Image dun processus non centr
Figure 1.4: Processus non capable. LTI et LTS sont, respectivement, les limites inferieure et
suprieure de tolrance du processus
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

11
Le pilotage par les cartes de contrle comporte quelques tapes lmentaires: le prlvement
des chantillons, la reprsentation et linterprtation graphique des donnes collectes,
lapplication des tableaux de dcision pour vrifier les rglages et pour gnrer les produits
hors spcifications .
Cependant, comme on la dj soulign, dans la plupart des processus le prlvement par
chantillonnage permet dmettre lhypothse de normalit. Plus lchantillon est important,
plus la distribution des moyennes dchantillons se rapproche dune loi de Gauss, dont la
fonction de densit de probabilit exprime par la relation :

e
x
x f
2
2
1
2
1
) (
|

\
|

(1.1)
o f reprsente la fonction de densit de probabilit des moyennes dchantillons, est la
moyenne des donnes collectes et est la variance des donnes collectes.
Pour argumenter, considrons une suite:
n X X X ,...., , 2 1
des variables alatoires indpendantes
ayant la mme loi de distribution (esprance et variance ). A partir de cette suite,
dfinissons deux nouvelles variables:

n n X X X S + + + = .... 2 1
et
n
S
n
X X X
M
n n
=
+ +
=
.. 2 1
(1.2)

Avec les expressions de leurs esprances mathmatiques, respectivement:

n S E
n
= ) ( , = ) (M E (1.3)

La variance de M est:
n M V / ) (
2
= (1.4)

Prenons la variable centre rduite :
n
n S
Z
n
n

= (1.5)

Dans la thorie statistique, quel que soit R t , la fonction de rpartition dfinie par:

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

12
) ( ) ( t Z P t F
n n
< = (1.6)
correspond :

dz e t F
t
z
n


=
2
2
2
1
) (

, quand n (1.7)

Lquation dcrite dans 1.7 est lexpression de la fonction de rpartition de la loi normale
centre et rduite, N (0; 1).
Par consquence, les mthodes classiques de MSP dveloppes sur lhypothse du modle de
la loi normale de distribution sappliquent correctement pour les caractristiques contrles
distribues suivant la loi normale ou pour les productions o le contrle par chantillonnage
est permis, condition que la taille dchantillons soit suffisamment grande. Car mme si la
distribution dune population de base est autre que la loi normale, la distribution des
moyennes dchantillons, partir dune certaine taille, va suivre une loi normale de
distribution.





Figure 1.5. Laspect de la distribution des moyennes dune population non normale, pour diffrents
tailles dchantillons
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

13
Comme on peut voir dans la figure 1.5 pour une loi asymtrique, dans le cas
dchantillonnage avec de petites tailles (n= 1, 3), la distribution des moyennes reste
asymtrique alors qu partir des tailles dchantillons plus grandes on retrouve une forme de
plus en plus proche dune distribution normale.
En effet, si pour des tailles suffisantes dchantillons on peut appliquer une carte de contrle
classique, ces mthodes savrent inefficaces quand la distribution des donnes contrles est
non normale (contrle individuel, par exemple).
Comme nous lavons prcis dans la partie introductive de ce mmoire, le contrle des
processus complexes doit, naturellement, commencer par lidentification des paramtres
critiques.
Le pilotage par la carte de contrle adquate et le calcul de la capabilit du procd seront
ensuite conduits par une observation continue, comme dcrit dans le schma doptimisation
(figure 1.6) propos par Maurice Pillet [Pillet, 2002]. Nous avons identifi sur ce schma les
tapes les plus susceptibles dtre affectes par la non normalit de certaines caractristiques
ou paramtres du processus.
On peut voir sur la figure 1.6 que la dcision sur la non normalit des caractristiques suivies
naffecte pas seulement le choix des mthodes de contrle adquates (sur le schma cest
ltape de calcul des limites de contrle et calcul de la capabilit, etc.) mais aussi la mise en
place des cartes de contrle (tape de la mise sous contrle de processus ).
Evidement, lobservation continue du procd permet de lancer dhypothses sur la nature des
donnes considres. La carte de contrle et la mthode de calcul des indicateurs de capabilit
seront choisies en fonction de ces hypotheses. Si les hypothses de normalit ne sont pas
satisfaites, les limites de contrle traditionnelles ne resteront plus valables.
Pour exemplifier considrons lhypothse H
0
qui correspond au fonctionnement correct (sans
faute/drglage) dun processus distribu normalement et considrons lhypothse H
1
qui
correspond au processus affect par un drglage. Evidement, dans le suivi des moyennes par
une carte de contrle, les limites LCI et LCS doivent prendre en compte les risques associs
ces deux hypothses.
Ainsi il existe toujours un risque de rejeter lhypothse H
0
alors que le processus fonctionne
correctement (risque ) et il existe toujours un risque daccepter lhypothse H
0
alors quil y
a un drglage de la moyenne du processus (risque ).

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

14





Les valeurs des risques et sont dtermines facilement sur la surface graphique couverte
par la loi normale (figure 1.7). Ces reprsentent respectivement la probabilit de se retrouver
en dehors des limites de contrle pour la mme moyenne du processus (risque ) et la
probabilit de se retrouver lintrieur des limites de contrle conditionne par lapparition
dun drglage de la moyenne (risque ).
Figure 1.6: Schma complexe doptimisation de processus, Maurice Pillet [Pillet, 2002]

Loi
normale ?
Loi
normale ?
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

15




Avec la valeur du risque dfinie, on peut fixer convenablement les limites de contrle, en
respectant un nombre souhait de fausses alarmes. Les valeurs les plus usuelles utilises dans
la pratique MSP sont 3 , 3 + = = LCS LCI (o est la moyenne et lcart type des
moyennes dchantillons contrles) qui assurent un risque de seulement 0.0027,
quivalent dun POM
0
de 370 chantillons.
Cependant, il est simple dimaginer que si la loi de distribution nest pas normale, des erreurs
peuvent tre commises facilement quand on applique le test dhypothse. Comme on peut voir
dans la figure 1.8, assumer la normalit dans une situation quand la loi de distribution nest
pas normale, peut engendrer des graves consquences dans les dcisions sur la carte de
contrle adquate et dans le jugement sur la capabilit de notre processus.
Pour une loi normale et une loi de Rayleigh de mme moyenne et de mme cart type, les
risques et ne sont pas les mmes (figure 1.8) et les limites de contrle classiques ne
peuvent plus rester valables. Prenons par exemple le cas du contrle individuel. Si le risque
alpha est interprt comme dans le cas dune loi normale, couvrant deux surfaces symtriques
par rapport la moyenne, le nombre des fausses alertes sera augment. Cependant, si la
tendance centrale ne correspond pas la moyenne des observations, il est vident que les
Figure 1.7. Les tests dhypothse sur la loi normale
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

16
drglages de trs petite amplitude ne seront facile dtecter avec les limites classiques de
contrle.





Les risques et associs au test dhypothse doivent tre calculs par rapport la loi relle
de distribution et non pas comme dans le cas dune loi normale. Cela implique dtudier la
fonction de distribution et ses paramtres afin de dterminer les limites de contrle les plus
appropries.
Le dveloppement des nouvelles limites de contrle en fonction de la spcificit des donnes,
par le biais du calcul des probabilits et des quantiles associes, reprsente une partie de nos
contributions aux mthodes de contrle pour les processus non gaussiens et se retrouvent dans
le chapitre II de ce mmoire. Les limites de contrle que nous allons proposer sont des limites
idales de contrle, et leur dveloppement ncessite la connaissance a priori de la distribution
des donnes.
Dans une vision globale de la MSP, seule lapplication dune carte de contrle ne suffit pas
dans le contrle des caractristiques, car des prvisions pertinentes ne pourraient tre faites
sans une analyse statistique adquate de la nature des distributions des donnes contrler.
Figure 1.8. Les tests dhypothse quand la loi de distribution est non normale (Rayleigh) et on
assume la normalit
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

17
Le statisticien utilise des tests dadquation, qui seffectuent partir dun chantillon des
donnes et permettent de dterminer si les prvisions sur les donnes relles ont t correctes.
Le problme peut tre mis sous la forme dun test dhypothse de la manire suivante :
Lhypothse nulle, H
0
, correspond :

H
0
: F= F
0
(1.8)

Cependant lhypothse alternative, H
1
, se traduit par:

H
1
: F<> F
0
(1.9)

o F est la fonction de rpartition inconnue de la population sous - jacente et F
0
est la
fonction de rpartition prsume. On rejette lhypothse nulle si la distribution empirique
nest pas suffisamment proche de la distribution prsume. Les rgles de rejet ou
dacceptation dpendent du test utilis.
Pour ladquation la loi normale de distribution, parmi les plus usuels nous citons tests de
Shapiro Wilk, le test dAnderson Darling, le test de
2
et le test de Kolmogorov Smirnoff.
Bas sur un principe simple, le test du Shapiro-Wilk est le plus facile manier et il est
recommandable pour les chantillons de petites dimensions (3 < n < 50). Pour les donnes de
grande taille, il est recommandable dutiliser dautres tests plus robustes, comme par exemple
le test dAnderson Darlington.
On note galement le test de Kolmogorov Smirnoff, qui est souvent employ pour tester
ladquation une loi de distribution non gaussienne. Son avantage vient de la mthode de
calcul base sur la fonction de rpartition de donnes, mais son inconvnient est reprsent
par la difficult de le mettre en place, car souvent il ncessite un trs grand volume de calcul.
Le test de
2
est galement souvent utilis dans la pratique mais son aire dapplication peut
tre limit par la quantit des donnes disponibles quand les critres de son application ne
sont pas respects (nombre des classes imposes, largeur des classes, etc.). Pour plus
dinformation sur lapplication de chaque de ces tests dadquation nous recommandons
Militaru [Militaru, 2001] ou Fournier [Fournier et al., 2006].
Ces tests statistiques sont utiliss souvent dans ltape prliminaire lapplication des
mthodes de MSP et entranent les dcisions sur le choix des outils MSP le plus adquates la
nature des donnes contrler.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

18
En manque de mthodes de contrle statistique appropries aux diffrentes formes de
distributions prises par les donnes relles, les relations mathmatiques entre ces distributions
sont souvent exploites pour estimer des paramtres dans des conditions particulires, qui
permettent dappliquer des mthodes de contrle existantes. Dans nos dmarches nous
abordons ces relations entre les diffrentes lois de distributions, car la plupart des approches
non - gaussiennes existantes dans la MSP les utilisent comme cadre mathmatique de base.
Dans la section suivante nous allons explorer le sujet de la non normalit dans la MSP
travers diverses approches identifies au cours de nos recherches bibliographiques.


2 Lincidence de la non normalit dans la MSP. Principales approches.
La tendance dindustriels de nos jours vers la qualit totale et vers lhypothtique zro
dfauts , implique une amlioration continue des techniques de conception pour rduire
autant que possible les variations et les effets imprvus dans la qualit de leurs produits
finaux [Bacivarov, 2005].
Dans la plupart des processus industriels, on souhaite contrler tous les paramtres de
procd, mais ces paramtres ne sont pas tous identifiables. On se limite donc, en rgle
gnrale, au suivi de quelques paramtres considrs comme critiques. Il existe lheure
actuelle plusieurs mthodes step forward ou step backward pour trouver lensemble des
variables de procd qui permettent la dtection derreurs.
Nous avons montr dans la section I ( figure 1.6) que la non normalit affecte plusieurs tapes
dans la mise en place des mthodes de la MSP, partir de ltape du calcul des limites de
contrle, ltape dtude de lefficacit des cartes de contrle, ltape de dtection des causes
spciales, ou bien ltape dtude de la capabilit du processus.
Malheureusement on retrouve dans la ralit industrielle une grande catgorie des processus
qui nobissent pas des lois de distributions normales. Des donnes provenant des diffrents
domaines dactivit sont mieux reprsentes par une autre loi de distribution que la loi
normale, exemple : des caractristiques comme une dimension, les phnomnes darrondi, de
concentricit, de perpendicularit, de paralllisme, coaxiaux et de rtrcissement.
Nous rappelons galement les donnes au caractre conomique : les dures dattente des
clients ou les dlais de payes des factures, le nombre des dfectueux dans la manufacture, la
contamination de particules (chimie), linductance ou les effets dlments parasites dans un
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

19
schma lectrique, toutes ces caractristiques sont dcrites par des lois non normales de
distribution.
Souvent les ractions chimiques peuvent tre reprsentes par la distribution logistique, le
nombre des dfauts dans la manufacture par la distribution de Poisson, tandis que les
phnomnes mcaniques tels que les dfauts coaxiaux sont mieux reprsentes par une loi de
distribution de Rayleigh [Souvay, 1999] ou par la distribution valeurs extrmes [Stanard,
2001].
Mme si le problme est dbattu depuis longtemps, il existe lheure actuelle peu de
mthodes qui rpondent vraiment au problme du contrle statistique des caractristiques non
gaussiennes. Et, comme on la dj prcis, souvent lapproximation grossire par la loi de
distribution normale peut conduire aux graves erreurs dinterprtation et de dcision ce qui
finalement affecte la qualit globale du processus tudi.
Dans la MSP des caractristiques non gaussiennes nous avons identifi trois catgories des
problmes : une premire catgorie est lie lestimation pertinente de la capabilit des
processus engendrant des caractristiques non normales.
Les indicateurs de capabilit seront les premiers affects par la non normalit, car on ne
peut pas obtenir les vraies valeurs en considrant lintervalle de 6 sigma comme dans le
cas dune loi normale, alors que la distribution relle est diffrente. On peut ici rappeler les
travaux de L. Guidez [Guidez. et al., 1997] sur la capabilit des procds non normaux, ou de
Surajit Pal [Pal, 2005] qui intgre la distribution lambda gnralis dans le calcul des
indicateurs de capabilit.
Dautres tudes ont t avances par S. E. Somerville et D. C. Montgomery [Somerville et
Montgomery, 1997]. Ils analysent les PPM
2
de non conformit pour les distributions t de
Student, gamma, Weibull etc., tandis que dautres tiennent signaler les risques induits dans
le calcul des indicateurs de capabilit des processus non normaux [Pillet, 2002].
Le problme dtude de la capabilit des processus non gaussiens a t trait avec le mme
intrt par Pierre Souvay [Souvay, 1999] ou D. Grau [Grau, 2006].
Les deux autres catgories des problmes gnrs par la non normalit concernent la dtection
des disfonctionnements. Deux situations distinctes sont dtermines ici, en fonction de la
nature des distributions des donnes soumises ltude. Il existe des mthodes non
paramtriques, approches gnrales qui ne ncessitent pas dinformations sur les paramtres

2
Parts Per Million
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

20
de la distribution reprsentative et il existe des mthodes paramtriques quand certains
paramtres de la distribution sont connus et des approches sur mesures sont avances.
Dans la littrature statistique, la ncessit de nouvelles dmarches pour traiter les processus
non gaussiens se manifeste constamment. Pour la catgorie des approches non paramtriques
plusieurs auteurs ont avanc des travaux sur les cartes de contrle en proposant des mthodes
gnrales destimation, comme par exemple lestimation de Bootstrap, etc.
Nous rappelons les travaux de Phillipe Castagliola [Castagliola, 1999], qui portent sur
llaboration des modles des cartes de contrle pour les lois non normales, ou de Wheeler
and Chambers qui tudient leffet de la distribution des mesures sur le taux dobservations en
dehors des limites de contrle [Wheeler and Chambers, 1992].
Dans le mme contexte nous retrouvons les dmarches avances par P. Castagliola
[Castagliola, 1996], [Castagliola, 1998] et P. Sauvay [Souvay, 1999]. Mayer [Mayer et al.,
2004] intgrent les processus Markov avec des modles mathmatiques pour le calcul des
limites de contrle dans le cas uni vari. Dautres auteurs analysent galement les effets de la
non normalit sur le risque li aux tests dhypothses [Duclos, 1997].
Quant aux approches paramtriques il existe diffrentes techniques qui aident lanalyse
dune population de donnes de nature inconnue. Pour dterminer la valeur dun certain
paramtre de la population tudie les plus usuelles sont les techniques destimation
ponctuelle ou par des intervalles de confiance, partir de lchantillonnage de cette
population.
Nous rappelons les techniques destimation de moindre carres partir dun chantillon
ordonn [Lloyd, 1952]. A base de ces techniques la robustesse de lestimateur L a t tudie
dans le cas des populations non normales [Duclos, 1997].
Dune manire plus gnrale un tel estimateur comporte minimiser le paramtre dun
modle dcrit par lquation:
+ = Y
(2.1)

o Y reprsente la sortie du systme tudi, et est lerreur induite. Dans certaines situations,
prcisment dans le cas des distributions asymtriques, le choix de la mdiane dune
population considre comme estimateur de est pertinente pour minimiser . A ce sujet
Emmanuel Duclos [Duclos, 1997] dveloppe une carte de contrle base sur la statistique L et
ralise une synthse des mthodes de contrle existantes dans le domaine non gaussien.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

21
Une autre mthode destimation connue dans le domaine non gaussien est la mthode Jaknife
introduite en 1958 par J.W.Tukey [Tukey, 1958], qui permet de dterminer de manire
artificielle lintervalle de confiance un seuil de signification choisi dune statistique
inconnue. La mthode consiste dans lextraction des sous chantillons des donnes partir
dun chantillon complet. La mthode de Jaknife est de plus en plus utilise du fait de sa
robustesse et de sa prcision dans lestimation.
Dans le contrle statistique des distributions paramtriques on retrouve souvent la ncessit
danalyser les diffrentes relations existantes entre les diffrentes lois de distributions. Des
estimations adaptes peuvent tre ainsi incluses dans le dveloppement des outils MSP,
comme une carte de contrle non gaussienne.
Nous citons les travaux de Norman L. Johnson [Johnson et al., 1994] qui tudie les
distributions discrtes et continues, aussi pour le cas uni-vari comme pour le cas multi-vari,
et fait une analyse de leurs caractristiques: moments principaux, domaines dapplication,
relations avec diffrents autres loi de distribution. Ses travaux reprsentent un instrument
dexception, dtaill et complet, pour la bonne comprhension des relations existantes entre
diffrentes lois de distribution.
A titre dexemple, partir de la distribution de
2
[Johnson et al., 1994] on peut obtenir les
principaux paramtres dune loi de distribution de Rayleigh. Les lois de distribution de
2
et
de Weibull ayant un caractre gnrale, offrent, dans des cas particuliers, des informations
importantes sur les paramtres des plusieurs autres distributions: la loi normale, la loi de
Gamma, la loi t de Student, la loi de distribution F de Ficher, la loi de Rayleigh.
Dans le mme contexte, des transformations de nature probabiliste, dautres auteurs comme P.
Castagliola, et F. Tsung [Castagliola et Tsung, 2005], Mayers et Montgomery, [Mayers et
Montgomery, 1997], ou Jearkpaporn [Jearkpaporn et al., 2003] tudient les distributions non
normales, telles que la loi log-normale, la loi de Gamma ou la loi de Weibull.
Cependant les transformations qui relient diffrentes distributions sont galement utilises
dans les dmarches concernant la capabilit la capabilit des processus non gaussiens. Nous
citons ici les travaux de Surajit Pal [Pal, 2005] qui propose la distribution lambda gnralis,
pour calculer les indicateurs de capabilit dun processus industriel non gaussien.
Lavantage de son approche par rapport aux mthodes classiques dapproximation (les
courbes de Johnson ou Pearson [Clements, 1989]) rside dans la simplicit des calculs. La
dmarche de Surajit Pal [Pal, 2005] est reprsentative pour une vaste catgorie des dfauts de
forme du domaine mcanique: concentricit, conicit, asymtrie, dpassement.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

22
Diffrents ouvrages abordent galement la mise en place des cartes de contrle et ltude de la
capabilit, notamment les travaux de Castagliola P. [Castagliola, 1999], [Castagliola, 1996],
Pyzdek Th. [Pyzdek, 1995], Montgomery D.C. [Montgomery, 1996], [Somerville et
Montgomery, 1997] ainsi que P. Souvay [Souvay, 1999] nous ont servi comme rfrences
dans nos travaux sur le contrle MSP des processus non gaussiens.

A partir de diffrents modles damlioration qui ont t proposs ces dernires annes, et
selon les critres dfinis auparavant nous avons distingu quatre directions de recherche dans
les travaux sur les processus non gaussiens. Suivant ces quatre directions, nous allons raliser
par la suite un classement et une analyse critique des dmarches les plus signifiantes dans la
MSP pour des processus non normaux.

2.1 La famille des lois de Burr

Une premire mthode aborde dans le monde scientifique est une mthode paramtrique
fonde sur la famille des lois de Burr. La fonction algbrique de Burr a la proprit de dcrire
un grand nombre de distributions et sutilise avec succs pour dterminer les limites
dissymtriques dune carte de contrle. Une loi de Burr est dfinie par une fonction continue,
f(x), avec une fonction de rpartition de la forme gnrale:

k c
x x F

+ = ) 1 ( 1 ) ( (2.2)

o c>0 et k>0 sont paramtres de fonction.
La spcificit de la mthode consiste dans lexploration directe de la fonction de rpartition
F(x), contrairement la plupart des dmarches au sujet des lois de distribution non
gaussiennes qui tudient la fonction de probabilit de distribution (note ici f(x)).
La fonction de rpartition de Burr dcrite par la relation 2.2 satisfait lquation diffrentielle :

) ( )] ( 1 )[ ( ) (
'
x g x F x F x F = (2.3)

La solution pour cette quation diffrentielle a t dveloppe par Duclos [Duclos, 1997]:

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

23
)] ( 1 /[ ) ( ) ( / ) ( ) (
' '
x F x F x F x F x g + = (2.4)

Aprs lintgration de cette fonction, nous obtenons la fonction G(x) :

)]} ( 1 /[ ) ( ln{ ) ( x F x F x G = (2.5)

La fonction de Burr sobtient aprs quelques artifices mathmatiques (intgration,
exponentiel) et est exprime en fonction de G(x):

{ }
1
)) ( exp( 1
)) ( exp( ) ( '
) (

=
x G
x G x G
x f
(2.6)

Lide gnrale dans la mise en uvre de cette mthode est de calculer les quatre premiers
moments cumulatifs de la distribution des moyennes dune population empirique. Les
moments cumulatifs centraux sobtiennent avec la relation 2.7:

dx x F dx x F M
a
k
a
k
k
x x

+
= ) ( )] ( 1 [
(2.7)

Avec les moments dordre trois et quatre calculs, nous associons notre population relle la
courbe de Burr la plus reprsentative, selon le tableau des coefficients de Burr. Les limites de
contrle seront dtermines avec les p - quantiles de linverse de la fonction de rpartition de
type Burr [Yourstone et Zimmer, 1992].
La mthode de Burr est une mthode gnrale qui sapplique avec succs spcialement quand
les limites de contrle sont placs 3 par rapport lestimateur considr [Duclos, 1997],
[Yourstone et Zimmer, 1992]. Le calcul des quatre premiers moments de la population
empirique ncessite un chantillon dau moins 50 - 100 observations.
Cependant, pour viter linstabilit des rsultats souvent on est contraints dutiliser des
grandes tailles de donnes. De mme, nous considrons que lhypothse de base de la
mthode, selon laquelle deux distributions ayant les mmes valeurs des quatre premiers
moments sont identiques, est trop relative et nest pas exclusive. Lutilisation de la fonction
de Burr dans le suivi et contrle des mesures par le biais des cartes de contrle devient un
sujet dlicat quand les limites de contrle ne sont pas symtriques.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

24
Plusieurs auteurs se sont intresss la mthode de Burr, nous citons Yourstone et Zimmer
[Yourstone et Zimmer, 1992] et Duclos [Duclos, 1997], qui proposent la distribution de Burr
pour dterminer les limites des cartes de contrle non - symtriques, ou Castagliola
[Castagliola, 1996], qui intgre cette technique dans ses tudes sur la capabilit des processus
non-normaux.
Pour dautres, [Lin et Chou, 2005a], [Chen, 2004], la technique savre intressante pour
lvaluation des paramtres des certaines distributions non normales (bta, gamma). Ils lont
galement inclus dans ltude des cartes de contrle multi-vari [Chen, 2004].
Dans ses travaux sur la non-normalit, Duclos [Duclos, 1997] analyse les avantages et les
inconvnients de la mthode de Burr. La manipulation de la fonction cumulative au lieu de la
fonction de densit de probabilit reprsente un avantage de cette mthode, car de point de
vue pratique elle est plus accessible. Cependant le choix de la fonction positive la plus
adquate, g(x), peut tre difficile, et consquemment lassociation avec la fonction de
rpartition cumulative approprie ainsi que le calcul des quatre premiers moments peuvent
devenir compliqus.
Pour amliorer cet aspect, une alternative la mthode base sur les moments a t propose
par Philippe Castagliola [Castagliola, 1996]. Ainsi pour un chantillon,
n
x x x ,..., ,
2 1
, de
variables supposes indpendantes, qui proviennent dune population de donnes reprsente
par une distribution F(x), lauteur propose lexpression de la fonction empirique de
distribution, ) (x F
e
pour lchantillon ordonne:
] [ ] 4 [ ] 3 [
,..., ,
n
x x x . Cette fonction est
dcrite dans lquation 2.8:







(2.8)



0 ,
] 3 [
x x <

n k / ,
] 1 [ ] [ +

k k
x x x , k>3

1,
] [n
x x
= ) ( x F
e
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

25
La fonction de rpartition correspondante, de type Burr, sobtient en appliquant la mthode
des moindres carrs sur les couples { } 1 ,..., 2 , 1 , ) ( ,
] [ ] [
= n k x G x
k e k
, la fonction discrte ) (x G
e
,
tant remplace par le polynme dordre r, ) (x G
r
.
Lavantage de la mthode du Castagliola rside dans la simplicit des calculs de la proportion
de non conformits. Mme si les problmes gnrs par le calcul des moments sont limins,
les contraintes de cette approche sont lies la nature croissante de la fonction g(x). Elle doit
tre croissante et ncessite un ordre impair du polynme ) (x G
r
[Duclos, 1997], [Castagliola,
1996].
Bien que la mthode de Burr a reprsent un pas en avant vers lamlioration du contrle des
processus non gaussiens, nous avons identifi certaines contraintes et inconvnients qui
limiteront le domaine dapplication de la mthode. La premire contrainte est lie
lapproche base sur les moments, o lestimation de loi normale de distribution des
moyennes oblige une taille leve dchantillons (thorme limite centrale).
Quand le contrle est individuel ou pour les petits sries lutilisation de cette mthode peut
gnrer des graves erreurs dinterprtation dans le traitement des donnes.
Au mme temps, une fois satisfaite la condition de normalit de la distribution des moyennes,
nous considrons pertinent dappliquer les outils classiques de contrle, comme une carte de
Shewhart, sans avoir besoin de parcourir toutes les tapes de calcul des moments et
dajustement vers la courbe de Burr la plus approprie.
Quant la mthode base sur la fonction empirique propose par Castagliola, il est vident
que le choix du polynme impair G(x) reste une limitation pour son applicabilit. Nous
considrons que la mthode est plus flexible que celle base sur lestimation des moments,
elle ne ncessite plus destimations de paramtres, et en omettant les calculs lis au polynme
reprsentatif, elle se rapproche dune mthode non paramtrique de contrle.

2.2 Les familles de lois de Johnson et de Pearson

Introduite par Clements [Clements, 1989] pour le calcul des indicateurs de capabilit, la
mthode paramtrique des familles de lois de Pearson est fonde sur le calcul des quatre
premiers moments des donnes exprimentales : la moyenne, lcart type et les moments
dordre trois et quatre (coefficient dasymtrie et daplatissement).
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

26
Dune manire similaire la mthode de Burr, les coefficients dasymtrie et daplatissement
sont dtermins partir dun chantillon dau moins 20 observations exprimentales. Les
probabilits associes sont calcules dans les tableaux de la loi de Pearson rduite (sous
lhypothse dune moyenne, , 0 = et lcart type, 1 = ) [Clements, 1989].
La mthode sapplique dans ltude de la capabilit des processus qui impliquent de grandes
tailles de donnes. Lindice de capabilit de processus est calcul comme rapport entre
lintervalle de tolrance et la variabilit du processus :

i s
p
p p
LTI LTS
C

(2.9)

(

=
i s
pk
p M
LTI M
M p
M LTS
C ; min

(2.10)

o
i
p est la limite infrieure et
s
p la limite suprieure dintervalle de dispersion (lintervalle
p
s
-p
i
est lquivalent des 6 carts type dans le cas dune loi normale). LTS et LTI reprsentent
respectivement les limites de tolrance suprieure et infrieure, et M reprsente la mdiane,
comme estimateur de la tendance centrale de la population.
Lalternative la mthode base sur la loi de Pearson est la famille des lois de Johnson. Elle
prsente lavantage de synthtiser trois formes reprsentatives des courbes qui modlisent les
observations relles. Cette mthode transfre nimporte quelle loi de distribution continue
vers une loi de distribution normale centre rduite. La mthode offre une plus grande libert
pour le choix de la courbe qui caractrise le mieux la population tudie.
Les paramtres de ces courbes sont estims par le calcul des p - quantiles dun chantillon
ncessitant un minimum de 100 observations. Le choix de la courbe de Johnson est dtermin
par les tests de type Slifker Shapiro [Duclos, 1997].
Les trois formes standard des courbes de Johnson sont respectivement : les courbes non
bornes, S
u
, quand lensemble des donnes relles est dfini sur un intervalle infini, les
courbes bornes, S
b
, qui couvrent les distributions dfinies sur un intervalle ouvert, et les
courbes de type log normal, S
L
, qui incluent les dfauts de forme [Pyzdek, 1995]. Les trois
fonctions de transformation associes sont dcrites dans les quations 2.11 2.13 :

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

27
|

\
|
=

x
x S
b
1
sinh ) , , ( : (2.11)

|

\
|
+

=
x
x
x S
u

ln ) , , ( : (2.12)

|

\
|
=

x
x S
L
ln ) , , ( : (2.13)

Une fois la variable x identifie et associe la courbe de Johnson adquate, les p quantiles
seront calculs partir des tableaux des valeurs caractristiques. La transformation vers la
variable centrale rduite, z, prend la forme:

) , , ( x z + = (2.14)

o , , , sont les paramtres de position et dchelle. Lensemble dquations de ces
paramtres pour les trois formes des courbes de Johnson a t dcrit par Emmanuel Duclos
[Duclos, 1997].
Des exemples intgrant les familles des courbes de type Pearson ou Johnson se retrouvent
dans les travaux de Thomas Pyzdek [Pyzdek, 1995], Philippe Castagliola [Castagliola, 1999],
Chen et Cheng [Chen et Cheng, 2005], ou Surajit Pal [Pal, 2005] qui sest proccup par de
phnomnes mcaniques tels que lasymtrie et la conicit.
De mme, la mthode est explore par Pearn et Chen, [Pearn et Chen, 1997] qui appliquent le
modle de Pearson dans ltude de la capabilit dun processus de fabrication des
condensateurs lectrolytiques, et par Pearn et al [Pearn et al., 2002] qui analysent les
indicateurs de performances dans le domaine de llectronique.
Il y a aujourdhui des programmes informatiques (par exemple le logiciel Statistica) qui
intgrent les transformations de Johnson ou Pearson. A partir des informations disponibles
pour lchantillon des observations relles, lordinateur peut chercher la meilleure famille
Johnson et calculer les paramtres adquats.
Le principal avantage des familles de courbes de Pearson ou de Johnson est leur facilit
dapplication. Cependant, malgr la gamme plus large dapplicabilit, lestimation des p
quantiles ncessite souvent le prlvement dun grand nombre dobservations, ce qui peut
reprsenter un inconvnient de point de vue conomique dans le contrle des processus.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

28

2.3 La mthode de re-chantillonnage de Bootstrap

Introduite par Efron [Efron, 1979], la technique de Bootstrap est constamment utilise dans
lestimation non paramtrique dune statistique dintrt. Le principe dchantillonnage rpt
avec remise dans lchantillon dorigine sapplique mme pour un nombre restreint des
donnes et permet de construire un intervalle de confiance.
Rpandue dans la thorie destimation des paramtres pour des populations inconnues, la
mthode prsente une grande utilit dans les dmarches concernant les mthodes de contrle
pour des distributions non gaussiennes.
Lalgorithme de mise en place comporte quelques tapes principales. Sans la connaissance
priori de la population tudier, on extrait un chantillon indpendant de dimension < =100.
Sur cet chantillon on effectue des prlvements rpts de taille N (N<100), avec la remise
dans lchantillon de base.
Pour chaque prlvement la statistique dintrt est calcule, par exemple la moyenne, lcart
type, etc. Aprs un nombre suffisamment des itrations (au moins 1000 rptitions [Efron,
1979]), on obtient une approximation fiable de la statistique bootstrape .
Selon la nature des observations soumises ltude, on identifie la mthode de Bootstrap
standard ou naf, le Bootstrap par les p quantiles et le Bootstrap biais corrig par les p
quantiles [Duclos, 1997].
Considrons la mesure statistique T estimer, et son intervalle de confiance, 1 . La
mthode de Bootstrap standard fournit les limites de lintervalle de confiance de manire
classique, avec les p-quantiles dune loi normale centre et rduite :

) ( ) (
*
2 / 1
*
T T E



(2.15)

o ) ( ), (
* *
T T E reprsentent la moyenne et lcart type de lensemble des ralisations de la
statistique considre, T . reprsente la p-quantile de la loi normale rduite pour une
probabilit : 2 / 1 = p .
Au contraire, le Bootstrap par les p-quantiles construit lintervalle de confiance partir de la
statistique dordre de la mesure considre (T ). Le Bootstrap biais corrig par les p-
quantiles tient compte dun ventuel dcentrage des distributions des ralisations obtenues, et
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

29
considre les probabilits des limites suprieure et infrieure de lintervalle de confiance
[Duclos, 1997]. Phillipe Castagliola a ralis une tude sur le Bootstrap bas sur les p
quantiles dans lestimation des limites de contrle pour les cartes non symtriques
[Castagliola, 1999].
Du fait de sa gnralit, la mthode de Bootstrap est largement utilise dans la MSP des
processus non gaussiens. La mthode peut fournir des bonnes approximations des grandeurs
spcifiques, comme par exemple les indicateurs de capabilit
p
C
,
pk
C
et
pm
C
[Duclos,
1997], [Castagliola, 1999].
Un schma simplifi de la mise en place de la mthode de Bootsrtrap (figure 2.1) est propos
par Emmanuel Duclos [Duclos, 1997], qui inclut dans ses travaux une classification des
principaux algorithmes de type Botstrap et prsente leur implication dans la MSP des
processus non normaux.
La mthode a ressuscit lintrt des diffrents auteurs qui lont inclus dans leurs dmarches.
Elle savre robuste dans lestimation dun cart type, dun intervalle de confiance ou bien du
biais dun estimateur pour des populations non gaussiennes.
Dans une synthse des mthodes statistiques utilises dans le domaine mdicale, lauteur A.
R. Henderson [Henderson, 2005] dcrit la technique de re-chantillonnage base la mthode
de Jakniffe [Tukey, 1958], qui se retrouve aux origines de la mthode de Bootstrap.
Cette technique est utile pour lapproximation du biais des estimateurs partir des sous
chantillons. Henderson [Henderson, 2005] propose la mthode de Bootstrap pour le calcul de
lintervalle de confiance de la statistique L dans le cas uni vari, et suggre son utilisation
dans lanalyse statistique des populations non-gaussiennes. Une tude dtaille de la mthode
de Bootstrap contenant une panoplie dapplications pratiques est ralise par M. Chernick
dans sont guide dapplication pour les praticiens [Chernick, 1999].


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

30





Plusieurs exemples ont retenus notre attention, car par rapport aux mthodes dcrites
auparavant la mthode de Bootstrap est plus souvent rencontre dans la MSP et les domaines
de son applicabilit sont trs varis. Les tudes avances sur cette mthode appuient
prcisment sur la gnralit et la vulgarit de la mthode.
Nichols et Padgett [Nichols et Padgett, 2006] utilisent le Bootstrap par les p-quantiles dans la
construction des cartes de contrle non paramtriques. Leurs tudes portent sur les
dfaillances dun processus de fabrication de fibre de carbone, dfaillances dont la
distribution est caractrise par la loi de Weibull. Th. Harris [Harris, 2004] et Mudelsee et
Alkio [Mudelsee et Alkio, 2006] encouragent lutilisation de la mthode de Bootstrap dans
lestimation des erreurs de nature non-gaussienne qui affectent les systmes automatiques.

Figure 2.1 : La mthode de Bootstrap
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

31
Dans le domaine mdical la mthode sapplique dans les estimations ncessaires dans la
surveillance et le traitement des maladies cardiovasculaires. Wisnowski, Simpson et
Montgomery [Wisnowski et al., 2003] appliquent la mthode de Bootstrap pour obtenir des
modles acceptables de prdictions des erreurs. Dautres combinent la technique dans leurs
tudes sur lefficacit des tests dhypothse pour une loi de distribution de Rayleigh, ou de
Weibull [Baklizi, 2005].
Vernaat M.B. [Vernaat et al., 2003], Teyarachakul S. [Teyarachakul et al., 2006], etc.
sintressent aux cartes de contrle pour les caractristiques non gaussiennes et comparent les
limites de contrle obtenues par la mthode de Bootstrap avec celles des cartes classiques de
Shewhart, pour des observations individuelles, ou avec des nouvelles mthodes [Vernaat et
al., 2003].
Les exemples les plus reprsentatifs de lapplication de la mthode dans la MSP des processus
non gaussiens sont les travaux de Philippe Castagliola et dEmmanuel Duclos [Castagliola,
1999], [Duclos, 1997]. Tandis que P. Castagliola, [Castagliola, 1999], propose des nouvelles
limites de contrle bases sur le Bootstrap par les p-quantiles, E. Duclos [Duclos, 1997]
sintresse au calcul des indicateurs de capabilit pour les distributions inconnues.
Destine aux procds volution rapide, la technique de Bootstrap ncessite
lchantillonnage alatoire. Toutefois, pour que lchantillon de base soit reprsentatif de la
population tudie, le procd doit tre stable pendant la priode danalyse. La mthode
sapplique avec plus de succs aux donnes de grande taille o la stabilit ne pose pas trop de
problme. Il est confortable de disposer dau moins 1000 chantillons qui sobtiennent
facilement par la remise dans lchantillon original.
Nanmoins la mthode ncessite des moyens de calcul relativement puissants et cela peut
reprsenter un inconvnient dans son application.

2.4 Les cartes de contrle avec des paramtres variables

Nous analysons les cartes de contrle avec paramtres variables comme un nouveau concept
dans le contrle de processus non gaussiens. Lide dutiliser des paramtres dynamiques, qui
changent au cours de lapplication des cartes de contrle et en fonction de lvolution du
processus, est apparue comme une alternative intressante pour la mise sous contrle
statistique des distributions non gaussiennes.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

32
Les bases de ce concept ont t introduites par Costa [Costa, 1999], qui a dvelopp les
formules de calcul pour ce quon appelle, respectivement, les coefficients de contrle et les
coefficients davertissement. Les limites davertissement, dlimitant une zone plus restreinte
autour de la valeur cible par rapport aux limites de contrle, sont introduites.
Lapproche de Costa [Costa, 1999] est construite sous lhypothse de normalit,
respectivement dtat initial stable pour le processus tudi. Les probabilits associes aux
diffrentes positions possibles pour la variable surveille sont dtermines laide des chanes
de Markov. Costa considre comme connus une partie de paramtres intervenant dans le
calcul des limites de contrle et davertissement, et met en place les formules de calcul pour
les autres paramtres, qui restent inconnus.
Les promoteurs de lapplication des cartes avec paramtres variables sont Lin Y.C. et Chou
C.Y. [Lin et Chou, 2005a], [Lin et Chou, 2005b], qui dveloppent des limites de contrle et
testent ces types de cartes galement pour la loi normale, pour la loi de distribution de
Gamma, et pour la distribution t de Student. Le fonctionnement dune carte de contrle des
moyennes, de type paramtre variable est illustr par le schma dans la figure 2.2.
Lalgorithme de mise en uvre est bas sur lchantillonnage et nest pas compliqu.





Figure 2.2 : La mthode de paramtres variables
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

33
En principe si la valeur observe est situe dans la zone proche de la valeur cible, nous
utilisons des chantillons de petites taille, n
1
et de grandes intervalles de prlvements, h
1
,
ainsi quun large domaine pour le choix du coefficient de contrle, k
1
(figure 2.2, cas A).
Au contraire, sil y a un signe dinstabilit, la valeur mesure se retrouve entre les limites
mais elle ne se situe pas si proche de la cible, nous appliquons une deuxime catgorie de
paramtres (cas B), qui impose des chantillons plus grands, de taille n
2
, des petits intervalles
de prlvement (h
2
) et une gamme retreinte pour le choix du coefficient de contrle (k
2
). Une
carte de contrle construite de telle manire, comportera trois rgions principales, comme il
est indiqu dans la figure 2.3.
On note avec 0 la moyenne du processus dans ltat stable. Les limites de contrle se
calculent avec les formules :





Respectivement :




o i=1;2.

Tant que la valeur porte sur la carte de contrle (la moyenne dchantillon prlev dans notre
cas) est situe dans la zone centrale, les limites de contrle sont calcules base de la
configuration A (figure 2.2).
Si la valeur se situe dans la zone davertissement, nous utilisons pour le prochain prlvement
les paramtres de la configuration B (figure 2.2). Si la valeur est dans la zone daction, le
processus est considr hors contrle et des mesures correctives seront ncessaires.





(2.16)
i
i i
n
k UCL

+ = 0
i
i i
n
k LCL

= 0
(2.17)
i
i i
n
w UWL

+ = 0
(2.18)

i
i i
n
w LWL

= 0 (2.19)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

34














La probabilit de se situer dans la zone centrale se calcule laide des paramtres de contrle
k
1,2
, le paramtre n
0
(la taille du premier chantillon, dans ltat stable) et h
0
(intervalle de
prlvement pour le dpart dans ltat stable). Ces paramtres sont considrs comme connus
a priori. On leurs attribue les valeurs usuelles comme dans lapplication des cartes de contrle
classiques X (par exemple 4, 5 pices par chantillon, lintervalle dchantillonnage dune
heure). Les indicateurs de performance classiques sont remplacs par dautres, car nous
navons plus une dimension constante de lchantillon prlev.
Par ailleurs, Lin Y.C. et Chou C.Y., [Lin et Chou, 2005b], proposent AATS (Adjusted Average
Time to Signal) qui reprsente lintervalle de temps entre lapparition dune cause spciale et
la dtection de la situation hors contrle correspondante.
De mme, lindicateur ANSS (Average Number of Samples to Signal) estime le nombre moyen
dchantillons successifs jusqu' lapparition de la situation hors contrle. Un autre indicateur,
ANOS (Average Number of Observations to Signal) reprsente le nombre dobservations
individuelles jusqu' lapparition de la situation hors contrle. Finalement le ATS (Average
Time to Signal) est utilis pour estimer lintervalle de temps du dbut du processus et jusqu'
lapparition de la situation hors contrle.
Pour comparer les performances de la carte VP dans le cas des distributions de Gamma et t de
Student, Lin Y.C. et Chou C.Y., [Lin et Chou, 2005b] fixent la valeur dATS une valeur
constante (la valeur classique du POM de 370, associ aux hypothses de dpart de
Figure 2.3 : La carte de contrle X aux paramtres variables
Zone
centrale
0

Zone
davertissement
Zone
daction
Zone
daction
UWL
i
LWL
i
UCL
i
LCL
i
Cas A
Cas B
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

35
normalit). Les indicateurs ainsi obtenus indiquent une meilleure performance dans le cas o
plusieurs paramtres de la carte de contrle varient en mme temps. Leurs rsultats sont
nettement suprieurs aux valeurs obtenues dans le cas o un seul paramtre est variable, par
exemple, seulement la dimension de lchantillon.
Par rapport aux tendances dj existantes dans la MSP, de varier un seul paramtre de la
construction des cartes de contrle, comme la dimension dchantillon, ou bien lintervalle de
prlvement, les cartes de Lin et Chou [Lin et Chou, 2005b] quon les a appel cartes avec
paramtres variables (ou cartes VP), ralisent un bon compromis entre les performances de
dtection et le taux de fausses alarmes. Ce fait a suscit notre intrt pour valuer leurs
performances dans ltude dautres lois de distributions.
Etant donn que la technique de paramtres variables est une technique relativement nouvelle,
il existe lheure actuelle peu dapproches sur ce sujet. Certains auteurs lont introduit dans
leurs dmarches, nous citons Chen [Chen, 2004], Lin et Chou [Lin et Chou, 2005a], Chou,
Chen et Liu [Chou et al., 2001a], ou bien Chou, Li et Wang [Chou et al., 2001b]. Ils
manifestent leur intrt pour la variation des paramtres dfinissant une carte de contrle et
intgrent la famille de loi de Burr pour lidentification des diffrentes populations non
gaussiennes abords dans leurs travaux.
La carte de contrle VP a retenu toute notre attention, du fait de sa gnralit, et de sa facilit
de mise en uvre. Les rsultats fournis dans le cas dune loi de distribution non-gaussienne
comme celle de Gamma ou t de Student [Lin et Chou, 2005b] nous encouragent largir son
champ dapplication pour dautres lois de distribution. Nous avons cherch au mme temps
des amliorations concernant les hypothses de dpart et laspect paramtrique. Nos nouvelles
propositions ainsi que les rsultats de nos travaux seront dcrits en dtail dans le chapitre II.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

36

3 Synthse des mthodes de traitement de donnes non gaussiennes
Comment on a pu remarquer au cours de nos recherches, la littrature est peu riche dans
approches spcifiques au contrle des caractristiques non gaussiens. Nous avons auparavant
identifi et classifi quatre principales directions saisies dans les travaux des diffrents auteurs
portant sur le contrle MSP des donnes non gaussiennes. Dans le tableau 3.1 sont regroupes
les avantages et les inconvnients de ces mthodes.
Les deux premires (la mthode des familles de Burr et la mthode des familles de Johnson et
Pearson) sont des mthodes paramtriques comportant lapproximation des distributions
relles avec une famille thorique de distribution, comme la famille de courbes de Burr, ou les
courbes de Johnson. Cette approximation est base sur le calcul de premiers quatre moments
de la distribution empirique, et prsente linconvnient dune plage rduite dapplication. Les
contraintes concernent la ncessit dune quantit importante des donnes pour lestimation
des grandeurs dintrt afin de se rapporter au modle thorique.
Par ailleurs ces mthodes, dans des conditions adquates, ont fournit des bonnes rsultats,
meilleurs que les mthodes classiques, dans le contrle des certaines processus non
gaussiennes et prcisment dans lestimation de leur capabilit, comme il a t prouv pour
les courbes de Johnson [Pyzdek, 1995].
Cependant, il existe un intervalle derreur assez lev de cas cas, et en fonction de la
mthode utilise. Si on pense lestimation des moments par la mthode de Burr, a partir
dun chantillon de 20 observations, il est indispensable davoir galement une analyse du
risque derreur associ cette estimation. Les tapes et les calcules suivre pour se
rapprocher des modles thoriques sont parfois mathmatiquement complexes et dans la
pratique on prfre toujours appliquer une mthode de contrle directement sur les donnes
empiriques, sans avoir besoin de les transformer.
Une deuxime catgorie des mthodes proposes dans la MSP pour des processus non
gaussiennes ont plutt un caractre non paramtrique, et prsentent plus dintrt de point de
vue pratique. Ainsi nous avons not lestimation de type Boostrap, qui, mme si nest pas
proprement dit une mthode de contrle, intervient souvent dans destimations ncessaires
pour le dveloppement des limites de contrle dune population inconnue [Castagliola, 1999]
ou dans lapproximation des indicateurs de la capabilit [Duclos, 1997].
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

37
La mthode prsente une grande gnralit dans la thorie destimation et peut tre exploite
dans tous les contextes non paramtriques. La prcision dintervalles de confiance, peut
servir, par exemple lapplication dun test dhypothse (teste de Khi deux, pour populations
non gaussienne etc.). Nous considrons que la mthode destimation de Boostrap ne doit pas
tre ignore, est son intgration dans les dmarches sur le contrle des caractristiques non
gaussiennes reste encore explorer.
Enfin, au cadre des mthodes non paramtriques de contrle nous avons dfini les cartes de
contrle aux paramtres variables. Parmi les quatre types des mthodes discutes, la carte de
contrle avec paramtre variable prsente un intrt spcial.
Cest grce son caractre gnral et la facilit de mise en place que cette mthode est
applicable pour toutes les lois de distribution. Son principal apport concerne la dtection des
trs petit drglages autour de la valeur de rfrence, et les rsultats obtenus dans le cas dune
loi de distribution de Gamma mais galement dans le cas dune loi normale, dpassent les
performances offertes par les mthodes non paramtriques.
La mthode tant relativement nouvelle dans la MSP, nous avons choisi de diriger nos
recherches vers llargissement de son applicabilit. A base de leur efficacit prouve dans le
contrle des certaines caractristiques asymtriques [Lin et Chou 2005b], nous avons ainsi
avanc lanalyse de ladquation de la mthode VP pour cette classe des distributions. Nos
travaux incluant des particularisations et des simulations pratiques, ainsi que le jugement des
performances de la mthode VP en comparaison avec dautres mthodes, seront dvelopps
dans le chapitre II.













t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

38




Mthode

Courbes de Burr
Les familles des
lois de Pearson
et de Johnson
Mthode de
Bootsrap
Mthode de
paramtres
variables (VP)
Construction
des cartes de
contrle

+

++

++


Utilisation

Etude de la
capabilit


++

++

++


Paramtrique



++

++



Non paramtrique



++

++

Domaine dapplication
Lois non normales
uni modales et
multi modales
Lois non
normales uni
modales et
asymtriques
Toutes les lois de
distribution
Lois de
distribution
asymtriques





Avantages
Dcrit un grand
nombre de
distributions
parmi lesquelles
celles
dissymtriques
Facilit de mise
en place
Fiable pour un
nombre retreint
dobservations
Une vaste
application due la
nature paramtrique
Peut tre combine
avec dautres
techniques (les p
quantiles pour
fournir des limites de
contrle
satisfaisantes)
Utilisation
in line et
facilit de mise en
place
Permet
lexploration et
lintgration
dautres
techniques ( Burr,
Bootstrap)




Inconvnients
Nombre trs
lev des
observations
empiriques
Difficults en
choisir la
fonction
cumulative de
distribution
Parfois il est
ncessaire de
prlever un
nombre trs
important
dobservations
Moyennes de calcul
puissantes
ncessaires au re -
chantillonnage
Contraint lies
aux hypothses de
dpart, mthode
peu explore


Tableau 3.1. Classification des mthodes existantes dans la MSP des processus non gaussiens.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

39
Chapitre II : Contributions aux nouvelles dmarches dans
la MSP des processus non gaussiennes

1 Introduction
Comme nous lavons dj prcis, les mthodes de contrle statistique font partie intgrante
du systme qualit pour une large catgorie de processus industriels. Elles sont des outils
performants intervenant de ltape de conception, dans les procdures dinspection ou bien
directement dans ltape de production afin de rduire la variabilit des caractristiques ou
damliorer lvolution temporelle vers des performances souhaites et demandes par des
cahiers des charges.
Dans le premier chapitre de ce mmoire nous avons ralis un tour dhorizon sur les
inconvnients majeurs dans le contrle des processus qui prsentent des distributions non
gaussiennes ainsi que sur les solutions MSP existantes.
Dans une classification primaire, les lois de distribution non gaussiennes peuvent tre
partages selon lallure de la courbe reprsentative en lois de distribution symtriques
(comme par exemple la loi de distribution uniforme, la loi t de Student etc.) et lois de
distribution asymtriques qui incluent la distribution F, Gamma, Rayleigh etc. Certaines
auteurs classifient encore la catgorie des distributions asymtriques en asymtriques
positives et ngatives [Chung et al., 2007].
Nous introduisons dans ce chapitre une catgorie de procds ou lincidence des lois de
distributions non normales est vidente et la ncessit de dveloppement des techniques MSP
spcifiques imprative. Il sagit de processus dinspection des pices mcaniques et des
variations de formes intervenues par rapport aux spcifications. Dans ces procds la plupart
des caractristiques sont non gaussiennes et prsentent une tendance asymtrique.
Les sections 1.1 - 1.3 de ce chapitre sont destines dfinir la direction prise par nos
recherches sur la MSP des processus non gaussiennes. Tout dabord nous allons prsenter
quelques exemples des processus caractriss par des lois de distributions non normales.
Nous allons par la suite aborder la classe de lois de distribution asymtriques par le biais des
phnomnes mcaniques normaliss ISO. Nous avons choisi davancer nos tudes sur la loi
de distribution de Rayleigh, reprsentative pour la description des certains dfauts de forme
qui seront discuts par la suite.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

40
Dans notre choix nous sommes galement motivs par un manque dinformations sur cette
distribution relativement nouvelle, alors que son applicabilit dans les domaines dimportance
comme laronautique est dj mentionne partir des annes 1999 [Sauvay, 1999]. Le but de
ces travaux est de trouver une meilleure mthode de contrle valable pour une classe assez
large de distributions qui pourrait aussi rsoudre des problmes dinspection intervenus dans
les productions industrielles.
Par la suite de ce chapitre nous allons proposer deux mthodes de contrle pour la catgorie
de distributions asymtriques. Une premire est la carte de contrle avec des paramtres
variables (section 2) qui a eu comme point de dpart les travaux de Lin et Chou [Lin et Chou,
2005a]. Lautre est une carte de contrle btie sur la distribution de Rayleigh, dont les limites
seront calcules a laide des p-quantiles (section 3).
Lanalyse de ces mthodes et la comparaison avec les cartes de contrle traditionnelles seront
compltes par des exemples de simulations numriques.
Bien videment, les solutions de contrle proposes dans ce mmoire ne sont pas testes sur
toutes les lois asymtriques existantes. Cependant les rsultats obtenus ouvrent un chemin
nouveau de recherche et prouvent lexistence des outils de contrle plus performants que les
cartes de contrle classiques, et plus adquats une classe des distributions non gaussiennes.
Les conclusions et les perspectives de nos travaux au sujet des mthodes de contrle pour les
distributions asymtriques seront prsentes dans la dernire partie de ce chapitre.

1.1 Processus non gaussiens - quelques exemples

Gnralement, dans lanalyse dune srie de donnes statistiques les premires indications sur
la non normalit sont fournies par les paramtres reprsentatifs : moyenne, cart type, etc. La
loi de distribution normale tant une loi symtrique, elle est caractrise par lgalit entre les
principales mesures de la tendance centrale:

0 M Md = = (1.1)

o reprsente la moyenne arithmtique du processus tudie, d M est la mdiane et 0 M est
le mode. Il existe des situations quand le paramtre de position ne correspond plus la
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

41
moyenne statistique de la population tudie. Par exemple pour une distribution uni modale et
tire droite (figure 1.1), nous obtenons lingalit 1.2.

0 M Md (1.2)






Dans la pratique, lensemble dobservations peut tre caractris par une de ces mesures,
dpendantes de la nature des observations tudies. La moyenne arithmtique de lchantillon
est trs simple interprter et souvent utilise comme estimateur de la tendance centrale de la
population. Cependant, la mdiane est prfrable comme estimateur de la tendance centrale,
notamment pour les distributions asymtriques qui comportent des observations aberrantes
[Duclos, 1997].
Dans la catgorie des distributions asymtriques on retrouve la variable dcrivant la
circularit dune pice mcanique (figure 2.1), qui se calcule comme la diffrence entre le
diamtre du cercle inscrit et celui du cercle circonscrit. Cest un exemple reprsentatif pour ce
quon appelle dans la mcanique un dfaut de forme [Souvay, 1999]. Dans la mme
catgorie des dfauts on trouve galement les rugosits, les planits, etc.
Considrons les variables
min
R et
max
R qui sont distribues selon une loi normale, ainsi que leur
diffrence:
min max
R R z = . Dans une reprsentation dans un systme orthogonal daxes
(figure 1.2.) la variable |z| prend, naturellement, que des valeurs positives.
Figure 1.1 : Principaux paramtres dune loi asymtrique uni modale
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

42

min max
R R z = (1.3)




En supposant que
max
R et
min
R prsentent un mme cart type (
n
), la variable z sera
distribue selon ) , (
2
n n
N . Pour les valeurs positives de la variable z, lexpression pour la loi
de dfaut de forme sexprime par lexpression 1.4. [Souvay, 1999] [Duclos, 1997] :

0 ,
2
1
) (
2 2
2
1
2
1

(
(

+ =
|
|

\
| +

|
|

\
|

z e e z f
n
n
n
n
z z
n

(1.4)

La moyenne et la variance de la loi de dfaut de forme sont donnes par:

( )
( ) ( )
n n n n
n n
e

/ 2 1
2
2
2
/
=
|

\
|

(1.5)

2 2 2 2
+ =
n n
(1.6)

La non normalit se manifeste galement dans les critres de position dune certaine
caractristique autour dun point central. Dans la mcanique ce sont les phnomnes
coaxiaux. Ces dfauts sont dcrits dune manire approprie par une loi de distribution de
Rayleigh [Duclos, 1997], [Castagliola, 1999], [Souvay, 1999]. Les phnomnes coaxiaux
min
R
max
R
Figure 1.2: Le dfaut de forme
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

43
prsentent un impact majeur dans plusieurs domaines comme laronautique, lautomobile,
llectronique, mcanique, etc.
Par ailleurs les distributions non normales, et notamment celles asymtriques, ont une
incidence constante dans les domaines chimique, des semi-conducteurs, automatique, dans la
conception des bancs de test ou dessai destination industrielle, etc.
Dans la mtallurgie, les fabrications dalliages fournissent souvent des distributions non
gaussiennes. Thomas Pyzdek [Pyzdek, 1995], le fondateur du concept six sigma et lauteur
des nombreuses tudes sur les processus non normaux, dfinit trois principaux facteurs qui
restent lorigine de la non-normalit des donnes.
Ils sont, respectivement, le comportement humain, linspection des rsultats et les lois
physiques. Tous les facteurs responsables de la non normalit des donnes sollicitent une trs
claire comprhension de fonctionnement du processus avant de dvelopper le plan
damlioration de la qualit.
Le comportement humain se manifeste quand le facteur humain influence dune manire
perceptible les mesures destines caractriser un processus rel. Les erreurs intervenant dans
linspection des rsultats, peuvent galement constituer une source de non-normalit des
donnes. Le phnomne connu sur le nom de perpendicularit, souvent rencontr dans le
domaine de laronautique, est un facteur gnrateur des distributions non gaussiennes
[Pyzdek, 1995].
Le phnomne de non-normalit induite par une loi physique reste incontrlable pour le
facteur humain : la force de la pression du vent sur les btiments, ou sur les ailes dun avion,
le temps de survie des patients aprs les transplants, lintolrance au glucose. Nanmoins des
lois non normales touchent tous les domaines (conomique, industriel, construction,
manufacture, mdicale, gotechnique, hydrologie, transports et mme la musique [Grigoriu,
1995]).
Pour mettre en vidence linfluence des lois physiques sur la distribution des caractristiques
dun processus, Th. Pyzdek [Pyzdek, 1995], propose un exemple du domaine de la
mtallurgie, ltude dun processus de fabrication dun alliage mtallique. Lalliage de zinc
fer analys sobtient quand le matriel de base arrive la temprature du zinc fondu. Une fois
la couche dalliage forme, le zinc pur commence saccumuler. Si la rgion de contact est
dplace avant dobtenir la temprature limite, le zinc ne va pas adhrer au mtal de base. La
distribution des mesures effectues sur la couche de lalliage est non-gaussienne (figure 1.3).

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

44


Dans lanalyse des diffrentes caractristiques de nature non gaussienne, les travaux de Th.
Pyzdek [Pyzdek, 1995] appuient sur la mise en pratique de la mthode des familles de
Johnson. Un autre exemple est ltude des donnes provenant des mesures d'une opration de
cisaillement(figure 1.4).



Les spcifications rclament une dimension spcifique entre 10 units et 23 units. Lanalyse
avec la carte X rclame un processus sous contrle et la carte R par 26 sous-groupes 5
Figure 1.3 : Distribution de mesures de lpaisseur pour la couche dalliage zinc/ fer[Pyzdek, 1995]
Figure 1.4 : Analyse de la capabilit des donnes non normales, Pyzdek [Pyzdek, 1995]
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

45
units par sous-groupe ne signale aucune pice hors de tolrance. Les rsultats des mesures
fournissent une distribution borne et asymtrique.
Lalternative propose par Pyzdek consiste dans lapplication des courbes de Johnson de type
b
S
[Pyzdek, 1995]. Lindicateur de capabilit ainsi obtenu, 48 . 1 =
p
C , permet desprer 100
% des valeurs rels dans lintervalle de tolrance spcifi (figure 1.4).
Dautres exemples de non normalit tiennent des systmes automatiques. Ainsi G. Falkovich
[Falkovich et al., 2004] tudie un systme de transmission optique sous linfluence des
diffrents rglages (le filtrage, la modlisation en phase, techniques in line). Les petites
dviations remarques dans le systme tudi provoquent des graves erreurs dans lestimation
de la rponse de la transmission. Cela impose une analyse statistique rigoureuse des
caractristiques non-gaussiennes qui affectent le processus.
Pour certains phnomnes, tels que les rponses dynamiques des systmes non-linaires aux
excitations alatoires, une mixture des lois normales doit tre prise en compte pour mieux le
dcrire (figure 1.5). Nous citons un processus de dformation dun systme physique soumis
laction dune force stationnaire [Grigoriu, 1995].












Dans notre tude sur les diffrentes sources de donnes non normales nous avons not que si
on souhaite appliquer des techniques de contrle statistique, la forme de la distribution des
donnes observes est un facteur dcisif. Cela est valable dans tous les domaines cits, tels
que la mcanique, lconomie, la mdicine, llectronique, manufacture, laronautique.
Considrons une situation particulire dun systme automatique, le systme de freinage
dune automobile. On peut regarder la frquence darrt des roues comme le signal de sortie
f(x)
x
-2 0 2
0.1
0.2
0.3
Figure 1.5: La dformation du processus pour un systme non-linaire, [Grigoriu, 1995]
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

46
du systme dont lentre (ou consigne), est reprsente par laction sur la pdale. Pour ce
systme nous associons comme causes alatoires toutes les situations habituelles qui
ncessitent le freinage (un feu, lagglomration constate pendant une dure dtermine).
Cependant les causes spciales sont des phnomnes incontrlables (la fatigue du chauffeur,
la glace sur la chausse, lapparition inattendue dun obstacle). La frquence dapparition de
ces dernires causes nest pas alatoire et peut conduire une distribution non-gaussienne de
la sortie du systme considr.
Ainsi le systme de freinage sera actionn rgulirement pour les situations habituelles, mais
galement aux moments prcis et inattendus, ce qui va induire des arrts spontans. Sur un
graphique de reprsentation de la frquence darrts, cela se traduit par des sauts autour de la
valeur cible, correspondants aux moments ou les phnomnes incontrlables se manifestent
(facteur bruit du systme).
Gnralement, mme si les perturbations qui affectent un systme sont alatoires, donc
prsentent une distribution gaussienne, il y a des situations dans lesquelles la rponse du
systme ne suit plus une loi de distribution de Gauss. Lanalyse statistique de ces
caractristique est impossible avec les mthodes classiques connues (cartes de contrle par
moyennes, X , ou par tendues, R). Il en rsulte le besoin des techniques destines matriser
et amliorer le comportement des caractristiques relles des processus qui ne sencadrent pas
dans les limites du modle idal de la loi normale.


1.2 Une catgorie de processus reprsents par des distributions non gaussiennes.
Tolrances gomtriques et variations de formes

Dans les domaines dimportance majeure de nos jours, comme le domaine de lautomobile, de
laronautique, de llectronique et de semi-conducteurs, les demandes de tolrances de plus
en plus exigeantes sur des surfaces de plus en plus petites imposent un contrle rigoureux des
dimensions spcifiques. Ce contrle implique des systmes de mtrologie adapts mais aussi
une bonne interprtation de mesures collectes.
Les variations de forme en dehors des limites dacceptation peuvent induire des effets
indsirables au niveau des proprits mcaniques, chimiques ou optiques de pices ainsi que
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

47
dans leurs dures de vie (due au frottement, une forte vitesse de rotation, ou lusure par
exemple).
Il existe lheure actuelle des appareils de mesure de plus en plus volus et prcis qui
intgrent des modules informatiques pour lanalyse des donnes collectes. La plupart de ces
logiciels malheureusement implmentent des mthodes MSP classiques, qui sont labores
sur lhypothse de lois normales de distribution. Or, pour la plupart des dfauts de forme
tudis dans la mcanique, tel quune cylindricit, une concentricit ou une circularit, etc., la
loi de distribution reprsentative est non gaussienne.
Mme si lappareil de mesure est le plus performant au niveau de la prcision, une
information errone concernant la variation des donnes, parfois de dimensions
micromtriques, conduira une dcision errone et engendra de graves consquences.
La mise en uvre dune carte de contrle gnrale pour les variations de forme pourrait
amliorer visiblement la procdure dinspection dans les productions des pices aux
gomtries particulires, notamment cylindriques ou circulaires qui sont spcifiques aux
domaines de lautomobile et de laronautique.
Pour une meilleure comprhension du sujet abord dans ce chapitre, le fil conducteur de nos
travaux implique davantage une prsentation gnrale des principaux phnomnes intervenus
dans la mcanique des pices. Pour plus de documentation nous citons les manuels des
spcifications gomtriques de produits (GPS Geometry Product Specification) pour les
grands producteurs, comme Renault ( Cotisations ISO ), o sont dcrits les principaux
dfauts de gomtrie ainsi que les terminologies associes.
Les normes internationales telles que ISO 4288 :1996, ISO 4287 :1997, NF EN ISO 14660-
1:1999, le projet ISO 1101 : 2001, Tolranement Gomtrique Gnralit , ISO 1101 :
2004, etc. tablissent des termes gnraux et des rfrences et dfinissent le concept de GPS.
Ainsi la zone de tolrance est dfinie comme une portion despace de gomtrie parfaite,
devant contenir llment rel et dont les frontires dpendent de la caractristique
tolranant : la forme, lorientation, la position ou le battement (ISO 1101 : 2001).
Subsquemment les paramtres descriptifs de la forme, de lorientation ou du battement
ncessitent doivent imprativement respecter la tolrance de conception prescrite. Nous allons
analyser les paramtres de forme et en particulier ceux qui dcrivent les profils aux
gomtries circulaires, rondes ou cylindriques. Parmi les plus populaires de ces paramtres
nous citons le paramtre de circularit, de concentricit, o bien de coaxialit.
La circularit des pices est dfinie comme la diffrence minimale (R
max
-R
min
) entre les rayons
des cercles concentriques inscrit et circonscrit du profil (figure 1.6). Cest la diffrence entre
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

48
le profil dune pice cylindrique et un cercle gomtrique vritable [Zani, 2004], [TEC
EASE INC., 2005].




Le centre de rfrence est le centre dun cercle obtenu par la mthode de moindres carrs ou
par le calcul du minimum de la somme des carrs des carts avec le profil de la pice, ou par
le biais du cercle maximal inscrit dans le profil de mesure dune alsage ou le cercle minimal
circonscrit du profil prsentant la plus faible diffrence radiale [Zani, 2004].
Le modle statistique associ la circularit est dcrit dans le chapitre I de ce mmoire
(section 2.2). La loi de distribution reprsentative est connue sur le nom de loi de distribution
dfaut de forme [Pillet, 1993], [Duclos, 1997].
Une caractristique mcanique aussi importante que reprsentative dans nos tudes porte le
nom de coaxialit, spcifique aux pices de forme cylindrique et rpandue notamment dans le
domaine des connecteurs de laronautique. Dans une terminologie plus gnrale la coaxialit
est connue sous deux formes distinctes (figure 1.7.), la coaxialit ISO et la coaxialit DIN
[Taylor Hobson Ltd.].

Figure 1.6. Circularit et zone de tolrance de la circularit
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

49




La coaxialit ISO correspond au diamtre dun cercle gal deux fois la distance qui spare le
centre du profil de la section circulaire ou du cylindre par rapport laxe de rotation de
rfrence dtermin comme tant laxe central du second cylindre [Zani, 2004].
La coaxialit DIN est dfinie par le diamtre gal deux fois la distance qui spare sur un
mme plan perpendiculaire laxe de rotation, le centre du cercle valu par rapport au centre
du cercle de rfrence, et qui enferme totalement le centre des plans qui forment les axes du
cylindre en cours d'valuation (figure 1.7). Le paramtre est dcrit par le symbole normalis
ISO : , et souvent il est identifi avec le paramtre de concentricit, ce qui dans la vision
de certains producteurs nest pas toujours correct [TEC EASE INC., 2005].
Pour obtenir la mesure de coaxialit il faut mesurer deux sections circulaires afin dtablir
laxe de rfrence, puis mesurer la section du cylindre valuer. Dans la figure 1.8 il est
illustr un exemple de mesure des variations de ce paramtre au cadre dintervalle de
tolrance spcifi.
Les instruments de mesure actuels, tels que les appareils contact, sont de plus en plus
performants et capables de mesurer plusieurs paramtres (la circularit, la planit, le
battement, etc.) avec une prcision de lordre du micron. Les mesures ainsi collectes sont
transfres par intervalles rguliers vers un module informatique afin dtre analyses.
A condition dtre utiliss correctement et dans des conditions atmosphriques et physiques
adquates, les appareils de mesure assurent la meilleure rsolution des donnes acquises.
Dans ces conditions, un problme rel dans la conception de telles pices reste damliorer le
Figure 1.7. Coaxialit ISO et coaxialit DIN [Taylor Hobson Ltd.]

.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

50
processus dinspection de leurs caractristiques gomtriques par une interprtation correcte
des modles statistiques associs.





Tous les dispositifs de contrle de la coaxialit peuvent contrler galement les
caractristiques de concentricit. Pour cette raison, les concepteurs et les ingnieurs parfois
choisissent de contrler la concentricit comme paramtre reprsentatif.
Malheureusement, la concentricit ignore la taille, l'arrondi et la forme cylindrique des pices.
Elle exige une ligne mdiane (figure 1.8) dsigne par lutilisateur. Nanmoins dans tous les
processus de conception la mesure de la concentricit ne suffit pas, car les paramtres de
taille, darrondi et de forme cylindrique ne peuvent pas tre ignors [TEC EASE INC.,
2005]. Une analyse rigoureuse simpose, donc, de la gomtrie des profils tudies, afin de
bien choisir le paramtre surveiller.
Diffrents tests dadquation sur les jeux de mesures de ces paramtres permettent dtablir
avec une marge derreur minimale, la nature de leur distribution reprsentative [Baklizi,
2005], [Militaru, 2001].
Toutefois ces tests ncessitent un nombre plus ou moins lev dobservations, et on ne
dispose pas toujours de la quantit dinformations requise. Malgr cela, il est prouv que le
nombre des mesures ncessaires la rejection de lhypothse nulle pour la distribution
normale este dans la plupart de cas trs rduit [Fournier et al., 2006].
Pour les distributions qui modlisent les paramtres de forme mentionns, soit une loi de
distribution log normale, demi normale, ou une loi de Rayleigh., il existe certaines
Figure 1.8. La mesure de la coaxialit [TEC EASE INC., 2005]
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

51
propositions de mthodes destines tablir les limites de contrle adquates leur nature
asymtrique ou uni modale, laide des principaux paramtres statistiques associs.
En dehors des mthodes dj discutes dans le chapitre I, comme la loi de distribution de Burr
[Yourstone et Zimmer, 1992], ou la famille des distributions de Johnson [Clements, 1989], la
famille des distributions de lambda gnralise, GLD (Generalized Lambda Distribution),
savre efficace dans la modlisation dune large catgorie de distributions [Fournier et al.,
2006]. Les limites de contrle sont ainsi tablies par le biais de quantiles et de calcul des
quatre paramtres des GLD.
Une alternative attirante concerne le dveloppement dune mthode non paramtrique et plus
gnrale de calcul des limites de contrle. Cela dispenserait lutilisateur de la tche du test
dadquation. Toutefois il est difficile dimaginer une solution gnral valable de contrle qui
ne tient pas compte au moins des relations existantes entre les diffrentes lois des
distributions.
Dans la figure 1.8, la zone de tolrance de 0.3 units sadresse aux carts mesurs entre la
ligne mdiane dvoile dans les plans daxes des deux cylindres et laxe de rfrence.
Supposons que lappareil de mesure est parfaitement rgl et talonn, des chantillons de
donnes mesures seront soumis lanalyse pour la dtection des pices non conformes aux
spcifications.
Il a t dmontr que la mesure de la coaxialit peut tre dcompose selon les deux
directions daxes dun systme cartsien, ce qui conduira deux variables indpendants
[Sauvay, 1999], correspondant respectivement aux mesures sur les deux axes, labscisse, X, et
lordonne, Y. Comme il est dcrit dans le chapitre I, les deux variables ainsi obtenues seront
identiquement distribues daprs une loi normale de distribution, de moyenne 0 et dcart
type [Sauvay, 1999].
Les mesurs des variations de la coaxialit suivent une loi de distribution de Rayleigh, dont le
paramtre de forme peut tre facilement calcul partir de la dcomposition daprs les axes
X, Y. Dans cette optique, une approche dtaille sur les proprits de transformation existantes
entre la loi de Rayleigh et la loi normale seront introduites dans ce mmoire.
Cette approche thorique nous servira pour une meilleure comprhension des relations
existantes et pour certains calculs ncessaires dans nos dmarches. Par ailleurs, dans la
pratique seule une mthode MSP performante, impliquant la stabilit des mesures suivies et
une bonne dtection des pices hors contrle, est intressante.
La matrise statistique du processus dinspection de la coaxialit comporte la dtection des
variations hors contrle par rapport lintervalle de tolrance exig (par exemple 0. 3 units
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

52
dans la figure 1.3). Par consquent, il nest pas conomique construire des cartes de contrle
pour les deux variables composant la mesure de coaxialit, qui sont normal distribues. Cela
parat une solution assez simple car les cartes classiques pourraient facilement tre mises en
place.
Cependant lutilisateur ne dispose pas des spcifications en termes de limites de tolrance
pour de telles variables. Lanalyse des variables suivant les deux directions du systme
cartsien ncessitait le double des moyennes de contrle et serait consommatrice de temps. Il
pourrait alors tre intressant dappliquer une carte de contrle avec des limites adquates sur
les mesures relles des carts de coaxialit.
La particularit mentionner sur les processus dinspection des paramtres mcaniques est le
fait que les mesures sont, dans presque tous les cas, positives. Par consquent, les lois de
distributions seront uni - bornes, dont les donnes ne sont pas obligatoirement symtriques
autour dune valeur centrale. Les variations de symtrie seront plus prcisment les mieux
dcrites par une loi de distribution log normale, les variations de la coaxialit par une loi de
distribution de Rayleigh, etc. [Sauvay, 1999], [Duclos, 1997].
Pour offrir une image densemble sur lincidence des distributions non gaussiennes et
asymtriques dans les diffrents processus rels, quelques exemples des caractristiques de
diffrentes provenances avec les lois de distributions reprsentatives sont runis dans le
tableau 1.1 :

Type de caractristique/dfaut Loi de distribution
Donnes financires Log normale
Temps de dfaut Gamma
Dure de vie des composants, fatigue Weibull, Valeur extrme
Nombre des dfauts de manufacture Poisson
Ractions chimiques Logistique
Proprits mcaniques de matriel (en gnral) Valeur extrme
Coaxialite, concentricit Rayleigh, Valeur extrme
Variations de symtries Log normale



Nous avons choisi davancer nos travaux sur les problmes des tolrances gomtriques et des
variations de forme, et prcisment dur lamlioration des mthodes de contrle de la
caractristique de la coaxialit.
Tableau 1.1 : Les lois de distributions reprsentatives pour quelques caractristiques non gaussiennes

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

53
Nous allons prsenter par la suite quelques proprits gnrales des distributions bornes
unilatral ou asymtriques avec en particulier la description des proprits probabiliste de la
distribution de Rayleigh. Nos propositions damliorations des mthodes MSP pour les
distributions non gaussiennes et asymtriques seront prsentes dans les sections 2 - 5.

1.3 Distributions asymtriques . La loi de Rayleigh

Sous le nom des distributions bornes unilatral, ou asymtriques nous runissons les
distributions pour lesquelles les valeurs sont toutes suprieures une valeur infrieure finie.
Pour les processus dinspections dcrits antrieurement, cette valeur infrieure est fixe
zro, car les mesures des variations sont toutes positives.
Dans cette situation, la distribution de mesures ne reste plus symtrique par rapport une
valeur cible centrale, comme dans le cas de la distribution normale. Dans cette catgorie, on
peut citer la loi de distribution log normale, la distribution de gamma, la distribution de valeur
extrme, ou la distribution de Weibull, etc.
Ces lois de distribution interviennent dans la description des caractristiques pour des
domaines varies, tels que dans le domaine lectronique, mdical, chimique et de
lautomobile. Si, par exemple, dans ltude des tolrances dajustement et de la capabilit
dun processus de ralisation dun alsage le modle dune loi normale tronque est
suffisamment reprsentatif [Sweet et Tu, 2006], les variations de coaxialit ou de symtrie
impliquent une loi de distributions de Rayleigh, o de dfaut de forme [Sauvay, 1999].
A ses origines, la loi de Rayleigh apparat souvent pour dcrire le bruit en sortie de certains
rcepteurs. Elle a t introduite pour la premire fois par Lord Rayleigh (1880) pour les
problmes intervenus dans le domaine acoustique. Une premire forme de sa densit de
probabilit est introduite par lauteur Miller dans les annes 1964 pour reprsenter la densit
de probabilit des distances entre lorigine et les points dun espace euclidien, dans le
domaine atomique/chimie molculaire (tude de rsonance et de changement des spectres
dans la dispersion des lectrons).
La densit de probabilit de type Rayleigh est un cas particulier des lois de distributions
classiques, telle que la loi de distribution de
2
, la loi de Weibull ou la loi normale, dans des
conditions particulires et bien dfinies. Ainsi une premire forme gnrale a t obtenue
partir de la loi chi-deux,
2
[Johnson et al., 1994]. La loi de Chi-deux avec N degrs de
libert une fonction densit de probabilit de la forme :
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

54

0 ,
)
2
(
1
) (
1
2 2
2
2
2

=
|

\
|
x
N
x
x e
p
N x
N
v

(1.7)

o () est la fonction gamma. La loi de Rayleigh reprsente, en effet, un cas particulier de la
loi Chi-deux, pour N=2. Pour dmontrer la relation de transition, considrons lespace
euclidien N-dimensionnel ( )
N
Y Y Y Y ,..., , ,
3 2 1
, avec
i
Y , variables indpendantes identiquement
distribues daprs une loi de distribution normale, ) , 0 (
2
N . Introduisons une nouvelle
variable, X, dfinie par :

=
=
N
i
i Y
X
1
2
(1.8)

La densit de probabilit la nouvelle variable, X, a lexpression :

0 , 0 ,
)
2
(
2
2
) , , (
1
) 2 (
2
2
2
) 2 (
> >

x
x
N
N x
x e
p
N
N
X
(1. 9)

Cette forme gnrale, (1. 9), est connue dans la littrature sous le nom de la distribution Chi-
deux avec N degrs de libert et le paramtre dchelle . La fonction exprime par (1.9)
est uni modale de mode : 1 N .
Dans la figure 1.9 est illustre la densit de probabilit de la loi de Rayleigh pour diffrents
valeurs de son paramtre de forme, . On remarque la tendance daplatissement de la courbe,
mesure que le paramtre augmente, ce qui est normal compte tenu de la variation
directement proportionnelle de lcart type de la distribution de Rayleigh, par rapport son
paramtre dchelle, (voir tableau 1.2).
A partir de la forme gnrale de la loi de Rayleigh (quation 1.9), pour diffrentes valeurs du
N nous pouvons galement obtenir les expressions dautres densits des probabilits connues,
parmi lesquelles la distribution de Rayleigh. Ainsi pour N=1 la relation (1. 9) devient :



t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

55
0 , 0 ,
2 1
) 2 (
2
2
> >

x
x
e
, (1.10)






ce qui reprsente la densit de probabilit demi - normale, un cas particulier de la loi normale
tronqu [Johnson et al., 1994].
Pour N=3 nous obtenons la forme :

0 , 0 ,
2
) , 3 , (
2
) 2 (
3
2
3
2
2
> > =

x
x
x
p x e
X
, (1.11)

qui est la fonction densit de probabilit de Maxwell- Boltzmann.
Pour N=2 on obtient la forme la plus connu de la loi de Rayleigh, qui est une loi continue
avec la fonction densit de probabilit :
0 , 0 ,
2 /
) (
2 2
2
>

x
x
e
x
x px
(1.12)

Avec la formule (1. 6), la fonction de rpartition pour une loi de Rayleigh est exprime par la
relation suivante:
Figure 1.9 : La densit de probabilit de Rayleigh, ) ( x p
x
, pour 3 : 5 . 0 =
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

56
0 , 0 , 1 ) (
2
2
2
> =

x e x F
x
X
, (1.13)



1.3.1 Mthodes destimation du paramtre de la loi de Rayleigh

Les principales caractristiques statistiques de la loi de distribution de Rayleigh peuvent tre
facilement exprimes en fonction de son paramtre de forme, . Leurs expressions se
retrouvent dans le tableau 1.2.
En ce qui concerne lestimation du paramtre , diffrentes mthodes ont t proposes.
Notamment la mthode de maximum de vraisemblance et particulirement les mthodes
destimation linaires sont le plus frquemment adoptes [Johnson et al., 1994], [D. Kundu et
al., 2004] .
La mthode BLUE (Best Linear Unbiased Estimation), par exemple, propose par Norman
[Johnson et al., 1994] est base sur la construction dune statistique dordre,
' '
2
'
1 ..... s n r r X X X + + avec r et s, respectivement, la plus petite et la plus grande observation
omise cause des contraintes exprimentales. Par le biais de la mthode gnralise de
moindres carres, il obtient lestimateur BLUE pour dune loi de distribution de Rayleigh,
qui prend la forme:

+ =

= =
s n
r i
i
i
T
T
X
a
1
'
1
1
*

(1.14)
o :
)
'
,.....,
'
2
,
'
1
(
s n
X
r
X
r
X
T
+ + = , [ ] = E

1
, ) (
1
2
= Var

,
ai sont des paramtres avec des
valeurs standard [Johnson et al., 1994], et la variance de lestimateur BLUE est :

=
1
2
) (
*
T
Var (1.15)





t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

57
Statistique Expression
Le Mode
= 1 N
La Mdiane
17741 . 1 4 log =
Le moment dordre r
[ ] ( ) 1
2
2
2
'
+ = =
r
E
r r r
r
X

La moyenne
[ ]

25331 . 1
2
= X E
La variance

2
2
42920 . 0
2
) 4 (
) (

= X Var

Le coefficient dasymtrie (skewness )
( )
( )
63111 . 0
4
3 2
) (
2
3
1

X

Le coefficient daplatissement ( kurtosis)
( )
( )
24509 . 3
4
3 32
) (
2
2
2

X





Une autre mthode destimation, ABLUE (Asymptotique Best Lineair Unbiased Estimation)
considre k statistiques dordre,
k
,..., ,
2 1
, [Johnson et al., 1994]. Lestimateur ABLUE
sexprime par :
[ ] X b
i
n
k
i
i
'
1
1
**
+
=

(1.16)

o
bi est un paramtre standard, introduit par Johnson et al.[Johnson et al., 1994].
Essayons de dtailler pour le paramtre dune distribution de Rayleigh, la mthode
destimation de maximum de vraisemblance, connue aussi comme MLE (Maximum
Likelihood Estimation). Pour un chantillon n X X X ,...., , 2 1 , de la population
distribue selon la loi de Rayleigh, on a :
( )
e
n
i
i X
X
X X X L
n
i
i
n
n |

\
|

)
`

=
=

2
1
2
2
1
2
2 1
1
; ,...., , (1.17)

Le MLE du paramtre est donn dans la relation (1. 18):


Tableau 1.2 : Les expressions des principaux paramtres statistiques de la distribution de Rayleigh

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

58


(1.18)


Lintervalle de confiance de est : [Johnson et al., 1994] :

|
|
|
|

\
|

2
2
, 2
2
2
2
1 , 2
2

2
,

2
n n
n n
(1.19)

o

2
2
, 2n
et

2
2
1 , 2 n sont les quantiles de la distribution Chi - deux avec 2n degrs de libert.

1.3.2 Quelques particularits de la loi de Rayleigh. Domaines dincidence

Comme nous avons dj soulign, la loi de Rayleigh est une distribution Chi-deux avec deux
degrs de libert et avec un paramtre chelle, . 0 > La loi de Rayleigh est dfinie par une
variable :

x x
R
2
2
2
1
+ =
(1.20)

o x1
et
x2
sont des variables alatoires normales centres rduites.
On peut galement obtenir sa fonction de probabilit partir de la particularisation de la loi de
Weibull.
Une variable alatoire X suit la loi de Weibull de paramtres 0 , 0 > > si elle est absolument
continue et admet pour densit :

x e
x
x f
1
) (

, 0 x
0 ) ( = x f , 0 < x

Pour les paramtres 2 / 1 , 2 = = on retrouve la loi de distribution de Rayleigh.
=
1
2
1
2n
i
2
X
i=1
n

`

)

(1.21)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

59

Les relations de transfert entre la distribution de Rayleigh et dautres lois de distribution
peuvent intervenir dans les dmarches statistiques qui concernent la loi de Rayleigh, mais
elles sont applicables seulement dans des conditions particulires. Ce rappel sur les
transformations possibles et sur les liens entre la distribution de Rayleigh et dautres modles
statistiques est destin largir la vision sur ses principales proprits qui serviront dans nos
prochaines dmarches.
Ayant ses bases dans le domaine de transmission rception, la distribution de Rayleigh a t
obtenue en analysant les signaux bruits en bande troite dfinis par Rice dans le journal Bell
Laboratories (1944 1945). La variable de type Rayleigh caractrisait lamplitude de
lenveloppe du bruit associ au processus de transmission des signaux.
Ds nos jours lapplication de la loi de Rayleigh ne se limite pas au domaine de la
transmission. Certains auteurs se sont intresss de prs la loi de Rayleigh et lont utilis
dans leurs dmarches. D. Kundu, par exemple, [D. Kundu et al., 2004], considre que la
distribution de Burr de type X introduite par Padgett est une distribution de Rayleigh
gnralise.
A partir des simulations de type Monte Carlo, il analyse les mthodes destimation pour le
paramtre de loi de Rayleigh. Dautres [Hu et Lin, 2000] utilisent la distribution de Rayleigh
avec le paramtre 1 = afin dtudier les couples des variables identiquement distribues selon
une loi normale.
La distribution de Rayleigh est suggre galement dans linspection de la propret dun
processus de production du domaine arospatiale o le phnomne de coaxialit demande de
linvestigation, ou bien pour des problmes de symtrie [Woodward, 1997], ainsi que les
tudes sur la fiabilit des systmes mcatroniques [Mihalache et al., 2005].
Cest grace son incidence dans les procdures dinspection des caractristiques
gomtriques dcrites ci dessus, que nous lavons intgr dans nos propositions
damlioration des mthodes de contrle statistique des caractristiques non gaussiennes.
Dans ce contexte deux nouvelles mthodes de contrle seront proposes par la suite de ce
chapitre. Une premiere est la carte de contrle aux paramtres variables et la seconde est une
mthode thorique base sur lestimation des quantiles associes la distribution tudie.
Lapplication de ces mthodes pour la loi de distribution de Rayleigh sera prsente par la
suite de nos travaux.


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

60

2 Application des cartes de contrle avec paramtres variables pour les
lois des distributions asymtriques

A partir des travaux de Lin et Chou [Lin et Chou, 2005b], qui ouvrent le chemin de recherche
sur la carte de contrle aux paramtres variables, nous nous sommes intresss explorer
cette mthode pour les processus reprsents par des lois des distributions asymtriques ou
unilatrales bornes.
Pour cette catgorie des lois de distribution nous navons pas identifi pendant nos recherches
une mthode MSP qui rpond vraiment aux problmes de dtection des petits drglages
autour dune valeur centrale, ou qui assure un contrle adapt pour les productions petite srie
ou celles o le contrle individuel (pice par pice) est exig.
Alors quil sagit de leurs incidence dans des processus dinspection, o les erreurs de
contrle de dimensions parfois dordre micromtrique peuvent entraner des rpercussions
graves dans les secteurs majeurs de lindustrie (aronautique, automobiles, semi-conducteurs,
etc.), la mise au point des mthodes de contrle plus exigeantes est imprative.
Grce aux rsultats obtenues par Lin et Chou [Lin et Chou, 2005b] pour une distribution
Gamma et Student, nous esprons de prouver les performances de la mthode, prcisment
dans la dtection des petits drglages dans le cas dune loi de distribution asymtrique,
comme la loi de distribution de Rayleigh.
Le principe de la carte de contrle X avec paramtres variables (pour plus simplicit elle sera
note la carte VP- Variable Parameter) est bas sur les travaux de Costa [Costa, 1999], qui
sintresse sur le calcul des probabilits dobservations relles de se retrouver dans diffrentes
zones par rapport la valeur cible.
Les approches de Lin et Chou [Lin et Chou, 2005a], [Lin et Chou, 2005b] utilisent
lalgorithme de Costa dans la construction dune carte de contrle qui prsente la particularit
de pouvoir varier tous les paramtres reprsentatifs.
Gnralement dans la pratique, la construction dune carte de contrle rclame trois
paramtres essentiels. Ce sont respectivement la taille dchantillon prlev, lintervalle de
prlvement, et les limites de contrle calcules laide des coefficients spcifiques, choisis
selon le cas. Pour simplifier nous appelons ces coefficients coefficients de contrle .
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

61
Le principe de fonctionnement de la carte VP est dcrit en dtail dans le chapitre I de ce
mmoire. Dans une premire tape nous avons ralis une analyse du protocole de mise en
place de la carte VP pour les distributions analyses. Par le biais des simulations numriques
(de type Monte Carlo) nous avons vrifi en pratique les rsultats obtenus par ces auteurs pour
les distributions Gamma et Student. Le module de simulation nous servira galement pour une
premire valuation de lapplication de la carte VP pour la distribution de Rayleigh.
Nous avons identifi dans les approches existantes un manque danalyse quantitative propos
des configurations des paramtres choisis pour exprimenter les cartes VP. Les rsultats ne
sont pas compltement analyss et compars avec des valeurs de rfrence, ce qui relativise
leur utilit.
En consquence nous essayons par la suite rpondre galement au problme dinterprtation
des rsultats du contrle par cartes VP, en introduisant des nouveaux indicateurs de
performances et en analysant les rsultats obtenus par rapport aux mthodes connues.

2.1 La conception dune carte VP pour la loi de distribution de Rayleigh

Nous dtaillons dans cette section les tapes de conception dune carte de contrle aux
paramtres variables pour la distribution de Rayleigh. La plupart des tudes sur les cartes de
contrle avec des paramtres variables comportent la variation dun seul des trois paramtres
reprsentatifs. Pour contrler les moyennes de populations non normales il a t montr
quune bonne solution est la variation d'un ou plusieurs paramtres [Chou et al. 2001b], [Lin
et Chou, 2005b].
Ainsi on change dun prlvement lautre soit la taille dchantillon, soit la dimension
dintervalle de prlvement, soit les limites de contrle. Une meilleure mthode est de
combiner la variation de la taille dchantillons avec des intervalles de prlvement variables
et des coefficients de contrle variables.
Le principe, introduit par Costa Costa [Costa, 1999], est simple et il est bas sur la variation
entre deux valeurs possibles des trois paramtres intervenant dans la construction dune carte
de contrle : la taille dchantillon, lintervalle de prlvement et les limites de contrle. Nous
notons ces paramtres reprsentatifs par T
i
pour les intervalles de prlvements et N
i
pour les
tailles dchantillons.
En ce qui concerne les limites, elles sont dtermines comme dcrit par les relations 2.1, 2.2,
laide des coefficients K
i
et W
i
qui son respectivement les coefficients de contrle et
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

62
davertissement qui dlimiteront respectivement la zone centrale et la zone davertissement
[Lin et Chou, 2005b].
Sous lhypothse dtat initial stable, le premire chantillon est prlev avec des valeurs
classiques de ces paramtres, comme pour lapplication dune carte de Shewhart [Lin et Chou,
2005b]. Consquemment, dans nos calculs lindice i (T
i
, N
i
, K
i
, W
i
) est compris entre 0 et 2
qui corresponde aux trois valeurs possibles prises par ces paramtres de contrle. Pour les
chantillons suivant le premier prlvement, lune parmi les deux catgories des paramtres
correspondants aux zones dlimites sur la carte de contrle, sera utilise.
Pour exemplifier, supposons
0
la moyenne et
0
s lcart type dune population soumise
ltude. Considrons a priori quelle suit une loi de distribution de Rayleigh et que, dans une
tape initiale le processus est stable et il ny a pas des causes assignables qui peuvent
influencer la nature de nos donnes. Sous ces hypothses, dfinissons comme Lin et Chou
[Lin et Chou, 2005b] la rgion centrale limite par les coefficients W
1,2
et la rgion
d'avertissement dcrite par les coefficients de contrle, K
1,2
.
Pour les deux tailles dchantillons, N
1
et N
2
, les limites de contrle et davertissement son
calcules avec les formules ci dessous, rappeles dans le chapitre I:

+ =
=
i
i i
i
i i
N
s
K UCL
N
s
K LCL
0
0
0
0

(2.1)

+ =
=
i
i i
i
i i
N
s
W UWL
N
s
W LWL
0
0
0
0

(2.2)

o i= 1, 2, correspondant aux deux valeurs des paramtres de contrle. Dans la figure 2.1 est
illustr le schma bloc de la mise en place de la carte de contrle VP propose.
En considrant que les mesures surveilles sont chantillonnes partir de ltat stable du
processus nous devons tablir les conditions dchantillonnage pour le dpart. Nous associons
typiquement N
0
, la taille du premier chantillon prlev, la valeur classique de 5
observations. A partir de cette valeur on se rapproche dune loi normale quand on reprsente
la distribution des moyennes dune loi de Rayleigh.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

63
Lintervalle de prlvement, T
0
, est gal lunit de temps de production et nous assignons la
valeur 3 au coefficient K
0
car lhypothse de processus stable pour le dpart permette
lapplication dune carte de Shewhart [Lin et Chou, 2005a].
La moyenne et lcart type seront estims pour le premier prlvement. La carte VP a t
applique pour diffrentes valeurs du paramtre de forme de la loi de Rayleigh, : = 0.5, 1,
1.5, 2, 2.5, 3. Le premier chantillon tant considr sous contrle, nous associons pour le
dpart les limites de contrle associes au cas le plus favorable (cas A dcrit dans le
diagramme 2.3, chapitre I), quand il ny a pas de signes dinstabilit dans le processus :

1 0 1 0
, UCL UCL LCL LCL = =
1 0 1 0
, UWL UWL LWL LWL = =

(2.3)

Lalgorithme figur dans le diagramme 2.1 dcrit lapplication de notre carte de contrle. Il a
t implment dans un module de logiciel Matlab qui serve calculer le nombre moyen des
chantillons des diffrentes tailles, avec et sans drglage de la moyenne de la distribution de
donnes.
Nos rsultats sont obtenus par le biais des simulations de type Monte Carlo. Nos conditions
exprimentales consistent en a gnrer des donnes thoriques suivant une distribution de
Rayleigh. Ces donnes en pratique sont associes aux mesures prleves au cours dun
processus continu (par exemple les mesures de la coaxialit en temps rel dans la production
des cylindres mcanique). Notre processus est considr stable pour le dpart.
Les diffrents scnarios dvolution (lapparition des dfauts) sont gnrs par des modules
de calcul ddis. On tudie la rapidit de dtection dun dfaut avec la mthode des cartes de
contrle aux paramtres variables en comparant ses performances avec celles dune carte de
contrle classique telle quune carte de contrle de Shewhart.
Pour une interprtation approprie des performances des cartes VP pour la loi de distribution
de Rayleigh, nous utilisons un grand nombre des simulations de lalgorithme (500 1000) en
considrant approximativement 15000 observations par simulation. De point de vue
statistique cela permettra une estimation cohrente (moyenne et cart type) pour la valeur de
chaque indicateur analys : intervalle de temps ou nombre dobservations avant la dtection,
etc.

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

64





En pratique, seulement quelques paramtres de contrle sont choisis et connus par lutilisateur
Costa [Costa, 1999]. Le reste est dtermin par le biais dune approche thorique base sur les
probabilits associes aux donnes sous ltude, de se retrouver dans les diffrentes rgions de
la carte de contrle. Subsquemment, les paramtres N
0
, T
0
, K
0
, N
1
, T
2
, N
2
, K
1
sont les
paramtres connus, tandis que les paramtres T
1
, K
2
, W
1
et W
2
seront dtermins avec les
formules:

Figure 2.1 : Schma bloc dapplication des cartes VP pour une distribution de Rayleigh
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

65
0 2
1 0 2 1 2 0
1
) ( ) (
N N
N N T N N T
T

=

(2.4)

1 0
0 2 1 1 2 0 1
2
) )( ( ) )( (
N N
N N K N N K
K

=




(2.5)

2 , 1 ],
) ( 2
) )( ( 2
[
1 2
1 0 0 2 1
=

+
=

i
N N
N N N N K
W
i
i

(2.6)

Dans les relations (2. 4) (2.6) ) (x reprsente la loi normale centre rduite [Costa, 1999].
Dans ce contexte quelques prcisions seront ncessaires concernant le choix des valeurs des
paramtres variables. Conformment la dmarche de Costa [Costa, 1999], qui a tablit le
critre du choix de ces paramtres, quand le processus vient de commencer (ou quand il est
remis en marche juste aprs la dtection dune cause assignable), la taille du premier
chantillon est alatoire et peut tre fix par lutilisateur (cest N
0
).
Tant que le processus est sous contrle, il existe toujours une probabilit p
0
pour la taille
dchantillon dtre petite, et une probabilit 1- p
0
dtre grande (figure 2.2).






Figure 2.2 : Le chois des paramtres de la carte VP. Carte de contrle avec taille dchantillons variable pour
le dpart dtat stable
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

66
La probabilit p
0
est donne par :

2 , 1 ], [
0
= < < = i K Z W Z P p
i i
(2.7)

o Z est une variable distribue selon la loi normale centre rduite.
Dans le design des cartes VP on doit normalement dterminer huit paramtres : (N
1
, N
2
), (T
1
,
T
2
), (K
1
, K
2
) et, respectivement, (W
1
, W
2
). Avec la probabilit p
0
ces paramtres vont
satisfaire les relations :
0 0 2 0 1
) 1 ( N p N p N = + (2.8)

0 0 2 0 1
) 1 ( T p T p T = + (2.9)

] [ ) 1 ]( [ ] [
0 0 2 0 1
K Z P p K Z P p K Z P > = > + > (2.10)

O la valeur de N
0
est choisie comme 4, 5 (valeurs classiques, dune carte X de Shewhart qui
peuvent tre employe pour le dpart dans ltat stable). Lintervalle de temps T
0
est une unit
de production est la valeur de K
0
est fixe gnralement 3 ou bien 3.09. Il reste dfinir
les paramtres qui sont varier et les paramtres dtermins par le calcul, avec les quations
2.9 2.11. Costa [Costa, 1999] montre quil est prfrable de fixer les valeurs des paramtres
(N
1
, N
2
), T
2
et K
1
, pour les raisons suivantes :

Les valeurs de N
2
et T
2
dpendent du temps ncessaire prlever une observation,
ainsi le choix de (N
1
, N
2
) permet dviter les erreurs dapproximation vers le plus
proche entier, qui interviennent dans le calcul base des probabilits.

Comme le rle de la carte VP est la dtection des trs faibles drglages de la
moyenne du processus, il est prfrable dutiliser des valeurs trs grandes pour K
1
,
qui peuvent pratiquement assurer un risque des fausses alarmes de zro (K
1
>=4)

Avec ce raisonnement, les valeurs des paramtres (W
1
, W
2
) T
1
et K
2
seront calcules avec les
relations 2. 4 2. 6. Quant lvaluation des performances dune carte de contrle aux
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

67
paramtres variables, Costa [Costa, 1999] ou Lin [Lin et Chou, 2005b] proposent des
indicateurs dvelopps base des approches statistiques de Mongomery [Montgomery, 1997].
Ainsi, partir de lhypothse que le temps entre lapparition des causes spciales suit une loi
de distribution exponentielle, Costa [Costa, 1999] propose un algorithme bas sur les chaines
de Markov pour dterminer le temps de dtection comme fonction du paramtre de la loi
exponentielle [Costa, 1999]. Cet intervalle de temps est quivalent au temps dapparition dun
drglage de la moyenne du processus de la forme
+ = = 0 , ks
, avec
0
et s la
moyenne et lcart du dpart, dans ltat stable.
D'autre part, la mthode thorique destimation des performances propose par Costa ne nous
a sembl pas la plus approprie au jugement defficacit de la carte VP car les conditions
initiales de cette approche prsentent diffrentes contraintes. Dans bon nombre des cas
lhypothse de distribution normale ou dtat stable ne sont pas respectes.
De mme, on ne peut pas se limiter calculer les performances dune carte VP en utilisant
uniquement les moyennes dchantillons prlevs, sans une interprtation relle du nombre
dobservations prleves.
Afin de mieux interprter les rsultats de notre analyse, et de pouvoir comparer les
performances des diffrentes cartes de contrle nous introduisons deux nouveaux indicateurs
appels NO
0
et respectivement NO
1
. NO
0
reprsente le nombre moyen dobservations avant
lapparition dune premire alerte fausse tandis que NO
1
correspond au nombre moyen
dobservations avant la dtection dun certain drglage.
Lutilisation des indicateurs de performances NO
0
et NO
1
permet davancer une analyse
pertinente des rsultats obtenus, car on ne dpend plus des tailles variables dchantillons.
Afin dvaluer les performances en dtection de la carte VP nous avons gnr dans la
moyenne des donnes tudies des drglages de diffrents amplitudes (figure 2.3), exprims
par :
+ = = 0 , ks

(2.11)
o 3 5 . 0 = k ,
0
est la moyenne du processus dans ltat initial stable, et respectivement
et s sont la moyenne et lcart type courants, calculs pendant le prlvement. Comme
attendu, sous leffet des drglages introduits (figure 2.3), la courbe de densit de probabilit
de Rayleigh est visiblement aplatie, car la variance augmente avec le drglage, laire
dlimite restant unitaire.

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

68




A partir des travaux de Lin et Chou [Lin et Chou, 2005b] nous avons considr ncessaire de
raliser une analyse quantitative des combinaisons possibles des tailles dchantillons, N
1
et
N
2
. Les auteurs cits ont prouv que les cartes de contrle avec des paramtres variables
amliorent la dtection des drglages trs petites de la moyenne du processus en employant
une taille N
1
trs petite et une taille N
2
trs grande.
Nous considrons quune explication supplmentaire est ncessaire pour argumenter notre
choix de contrle avec les tailles variables des chantillons. De point de vue statistique, pour
une taille dchantillon de 1, le contrle sera fait sur la loi de distribution de base
(asymtrique). Plus la taille dchantillon est grande, plus on se rapproche de la loi normale de
distribution pour les moyennes. En consquence, pour une loi asymtrique, le contrle avec
des chantillons de petites tailles (N
1
) laisse passer plusieurs faux signaux du cot de la limite
suprieure de contrle, tant donne que en ralit la limite infrieure est zro.
Ces faux signaux ne seront pas interprts comme des faux signaux par ensemble, ils seront
repris dans le contrle avec la taille plus grande (N2) qui est fait sur une loi normale de
distribution et les limites de contrle dans ce cas sont symtriques par rapport la moyenne.
Nous nous sommes intresses galement au risque de ne pas dtecter un vrai drglage, qui
pourrait tre signal par les limites davertissement (le contrle avec la taille N
1
) et ne sera
pas dtect avec les limites de contrle (le contrle avec la taille N
2
).
Cet aspect nous lavons analys par le biais des risques alpha associes a deux paires des
limites de contrle, ce qui a conduit au dveloppement dune nouvelle carte de contrle qui
Figure 2.3. : La distribution de Rayleigh sans drglages et avec diffrents drglages, ; 3 5 . 0 = k
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

69
combine la thorie des quartiles avec le principe des cartes VP. Cette carte de contrle sera
introduite dans la section 4 de ce chapitre.
Concernant lapplication de la carte VP, comme elle a t introduite par Lin et Chou [Lin et
Chou, 2005b], nous avons soulign dans ltat de lart certaines inconvnients lis au choix de
la meilleure configuration des tailles dchantillons N
1,
N
2
. Rappelons que les auteurs
analysent la configuration des paramtres fixer : N
1
=2, N
2
=22, K
1
=6, T
2
=0.1, dans les
conditions dun processus continu avec ltat initial stable. Cette carte de contrle offre des
bons rsultats pour la loi de Gamma, mais les auteurs najoutent pas dexplications ni de
justification de ce choix.
Dans le cas dune loi de Rayleigh, nous avons ralis une tude des toutes configurations
possibles de ces paramtres. Notre tude est faite par le biais des simulations de type Monte
Carlo et applique le principe des plans dexpriences pour les paramtres NO
0
et NO
1
obtenus,
en fonction de toutes les combinaisons des valeurs des paramtres N
1
, N
2
, K
1
, T
2
, comme
indiqu dans le tableau 2.1.

Paramtre N
1
N
2
K
1
T
2

Intervalle des valeurs [1 ; 4] [6 ; 22] [4, 5, 6] [0.01, 0.05, 0.1, 0.2]



Le choix de ces valeurs sinscrit dans les critres dcrites auparavant et les intervalles
prsents dans le tableau 2.1 couvrent une gamme des valeurs suffisante pour nous permettre
destimer lvolution des paramtres calculs correspondants (T
1
, W
1
, K
2
, W
2
) et aussi des
termes NO
0
, NO
1
de rsultats exprimentaux.
La valeur du facteur K
1
qui sert dfinir les limites de contrle a t choisie pour assurer un
risque des fausses alertes pratiquement gal zro pour les prlvements avec la taille N
2
. La
rgion de contrle couvre lensemble des valeurs possibles pour notre srie des donnes.
Durant le prlvement avec des chantillons de grandes tailles on y retrouve la loi de
distribution normale et cela limine le risque des fausses alertes (en dehors de la rgion de
contrle).
Nous avons fait varier les diffrentes valeurs des paramtres dsigns dans le tableau 2.1.
Pour plus de pertinence de nos rsultats exprimentaux nous avons retenu les configurations
des paramtres de la carte VP qui assurent un NO
0
gal ou proche des valeurs les plus usuelles
Tableau 2.1 : Les valeur des paramtres a fixer avant lapplication de la carte VP
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

70
(le nombre moyen des fausses alertes, aprs 500 simulations). Ce sont les valeurs inscrites
dans les normes dapplication dune carte de Shewhart individuelle : 370, 500 et
respectivement 1000 observations avant lapparition dun signal hors contrle.
Les hypothses de nos simulations de type Monte Carlo considrent une population de 40000
observations, provenant dun processus dinspection de la coaxialit dune pice cylindrique.
Afin de mieux manipuler les paramtres intervalle de prlvement, on doit dfinir la
production hypothtique, cest dire le nombre des pices inspectes par unit de temps.
Ce nombre nous lavons calcul partir de la valeur du NO
0
souhaite, en suivant la logique
suivante :
Pour arriver dtecter un signal hors contrle il faudrait utiliser au moins une fois chacune
des deux valeurs de lintervalle de prlvement, T
0
et T
1
. Supposons quun seul chantillon de
chaque taille suffirait pour quaprs 370 observations, un signal hors contrle soit dtect. La
production minimale devrait alors tre gale 370 divis par la somme des T
0
et

T
1
. Compte
tenu de la formule de calcul de T
1
(voir tableau 2.2), nous avons estim cette somme autour de
la valeur de 2.2 units de temps. En consquence, si lon veut obtenir une fausse alerte aprs
chaque 370 observations, une valeur pertinente pour lestimation de la production est de
maximum 170 observations/unit de temps. En suivant la mme logique on peut considrer un
maximum de 230 observations/unit de temps pour le cas dun NO
0
gal 500 observations,
ou un maximum de 455 observations/unit de temps pour le cas dun NO
0
gal 1000
observations.
La valeur de 170 suffit pour lanalyse des trois cas de figure mentionns. Bien videment le
choix des valeurs des intervalles de prlvement dpendant fortement de la valeur de la
production per unit de temps, il est prfrable dans la pratique de les choisir en fonction de la
production relle, donc de transformer les valeurs de T
1
, T
2
en nombre des pices. Notre tude
reste purement thorique mais lalgorithme des cartes VP test ici peut sadapter toute
production relle.
Prenant en compte toutes ces contraintes, lanalyse avec des plans dexprience nous a fournit
les configurations des paramtres dune carte VP qui, pour les valeurs de NO
0
dfinies,
assurent la meilleure dtection des diffrentes drglages.
Ainsi pour un NO
0
de 370 observations les meilleures configurations des
paramtres contiennent les couples des valeurs (N
1
=1, N
2
=8) ou (N1=1, N
2
=9), avec K
1

suprieur ou gal 4 et T
2
inferieur ou gal 0.2. En variant les paramtres K
1
et T
2
nous
avons retenu la configuration : N
1
=1, N
2
=8, K
1
=6, T
2
=0.2, comme la plus efficace de point de
vue dtection des dfauts ainsi que la plus conomique de point de vue pratique. La taille de 8
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

71
observations par chantillons assure bien une distribution normale des moyennes des
prlvements partir dune loi de Rayleigh, comme nous lavons signal dans le chapitre I
(Chapitre I, Section 1).
Avec un K
1
=6 on vite les dpassements inutiles des limits suprieures ou inferieures de
contrle tandis que la valeur de T
2
=0.2 assure un contrle renforc dans la rgion
davertissement sans le risque dune grande concentration des prlvements, qui en ralit
ncessitait des cots supplmentaires de contrle. En effet toutes les autres valeurs de T
2

(tableau 2.1) nous ont conduit aux pratiquement les mmes rsultats, avec les mmes valeurs
des paramtres de configuration.
Dans le cas dun NO
0
=500 observations nous avons remarqu une tendance
inverse proportionnelle des valeurs de K
1
et N
2
. Ainsi pour un K
1
trs large (K
1
=6) la valeur
de N
2
est de 11 observations, pour K
1
=5, on retrouve N
2
=12 observations et pour un K
1
=4, N
2

=13 observations. Avec le mme raisonnement comme dans le cas de NO
0
=370, nous
recommandons pour le cas NO
0
=500 observations la configuration des paramtres : N
1
=1,
N
2
=11, K
1
=6, T
2
=0.2.
En suivant les mmes principes, dans le cas ou lon souhait avoir un NO
0
de
1000 observations avant la premire fausse alerte, la combinaison idale trouve par le biais
des plans dexprience comporte les valeurs suivantes: N
1
=2, N
2
=10, K
1
=5, T
2
=0.2.
Par la suite nous appellerons respectivement la configuration I de paramtres la configuration
qui comporte : N
1
=1, N
2
=8, K
1
=6, T
2
=0.2,(NO
0
=370), la configuration II pour N
1
=1, N
2
=11,
K
1
=6, T
2
=0.2 (NO
0
=500) et la configuration III pour N
1
=2, N
2
=10, K
1
=5, T
2
=0.2
(NO
0
=1000). Les valeurs correspondantes des paramtres calcules pour ces trois
configurations des paramtres sont regroupes dans le tableau 2.2.

Configuration T
1
W
1
K
2
W
2

I 1.04 1.9808 1.9056 1.6371
II 1.04 1.9808 1.9056 1.6371
III 1.04 1.9807 1.9057 1.6371



Dans nos calculs nous avons tenu compte des formules de la moyenne et de lcart type dune
loi de Rayleigh en fonction du paramtre de forme (appel usuellement pour une
Tableau 2.2 : Les paramtres calculs pour les trois plus performantes configurations des
paramtres applicables pour une loi de Rayleigh
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

72
distribution de Rayleigh). Pour viter les confusions avec lcart type nous appelons ce
paramtre b (voir tableau 1.2 de ce chapitre). Nos avons galement considr les hypothses
du contrle individuel (pice par pice).
Pour ces trois configurations des paramtres, les rsultats de nos simulations numriques (500
de simulations de type Monte Carlo pour un set dobservations de taille 40.000 observations)
sont inclus dans les tableaux 2.3 2.5. Nous avons compars ces rsultats avec les rsultats
dune carte de Shewhart classique: les premires valeurs sont les valeurs normes dune carte
de Shewhart et les deuximes sont les valeurs obtenus en thorie, quand les limites classiques
sappliqueraient sur une loi de Rayleigh, sans connaissance de la nature de loi de distribution.

Cartes VP Cartes Shewhart
Lamplitude du
drglage

NO

Err(NO)

Valeurs normes
Application
sur loi de Rayleigh de
b=1
0 372.946 124.53 370 370,00
0.5 157.956 124.89 155 78,47
1 32.904 28.42 44 14,22
1.5 10.628 6.04 15 4,19
2 6.216 1.66 6,3 1,92
2.5 5.364 0.85 3,2 1,26
3 5.048 0.30 2 1,06



Cartes VP Cartes Shewhart
Lamplitude du
drglage

NO

Err(NO)

Valeurs normes
Application
sur loi de Rayleigh de
b=1
0 499.79 161.31 500.00 500,00
0.5 196.70 168.47 263.08 99,60
1 42.9 39.77 90.96 16,97
1.5 13.15 8.51 34.29 4,72
2 7.27 2.37 14.81 2,06
2.5 5.76 1.10 7.32 1,31
3 5.32 0.75 4.11 1,07


Tableau 2.3 : Les valeurs de NO
0
et de NO
1
obtenues par simulations pour la configuration I de
paramtres de contrle
Tableau 2.4 : Les valeurs de NO
0
et de NO
1
obtenues par simulations pour la configuration II de
paramtres de contrle

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

73
Cartes VP Cartes Shewhart
Lamplitude du
drglage

NO

Err(NO)

Valeurs normes
Application
sur loi de Rayleigh de
b=1
0 1006.19 352.34 1000 1000,00
0.5 385.94 337.83 492.78 173,25
1 82.82 82.60 157.17 25,74
1.5 20.4 16.73 55.10 6,31
2 9 5.32 22.19 2,46
2.5 6.04 2.08 10.25 1,43
3 5.256 0.97 5.41 1,11




Les limites de contrle de type Shewhart sappliquent en suivant lapproche classique : calcul
de la moyenne et de lcart type des donnes, rduction la forme centr rduite et calcul du
risque beta associ lapparition des diffrentes drglages.
Il est vident que pour lanalyse illustre ci-dessus, les rsultats dune carte de Shewhart
restent les meilleurs. En consquence les limites de la carte de Shewhart pourraient
sappliquer sans problmes dans le cas dune loi de Rayleigh de paramtre b=1.
Cependant nous lavons suppos que la loi de distribution nest pas connue, or la question qui
se pose est si la carte de Shewhart pourrait sappliquer avec le mme succs sur nimporte
quelle forme dune loi de distribution de Rayeigh.
Dans le tableau suivant quelques cas particuliers de lapplication dune carte de Shewhart sur
les diffrentes formes dune loi de distribution de Rayleigh indiquent des valeurs de NO
1

compltement diffrents de cas cas :







Tableau 2.5 : Les valeurs de NO
0
et de NO
1
obtenues par simulations pour la configuration III de
paramtres de contrle
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

74
Valeurs de la priode de dtection avec les limites de Shewhart pour
diffrents paramtres de loi de Rayleigh

Lamplitude du
drglage/paramtre
de loi b=1 b=2 b=3
0 370,00 370,00 370,00
0.5 78,47 209,11 278,41
1 14,22 78,47 151,59
1.5 4,19 31,42 78,47
2 1,92 14,22 42,08
2.5 1,26 7,27 23,79
3 1,06 4,19 14,22



On voit bien que dans le cas dune loi de Rayleigh de paramtre b= 3 les valeurs de dtection
dune carte de Shewhart sont beaucoup plus mauvaises par rapport aux rsultats fournis par la
mthode de cartes VP.

Cartes VP Cartes Shewhart
Lamplitude du
drglage

NO

Err(NO)

Valeurs normes
Application
sur loi de Rayleigh de
b=3
0 372.946 124.53 370 370
0.5 157.956 124.89 155 279
1 32.904 28.42 44 152
1.5 10.628 6.04 15 78
2 6.216 1.66 6,3 42
2.5 5.364 0.85 3,2 24
3 5.048 0.30 2 14


Comme on peut voir dans les tableaux 2.3 2.5, si on se rapporte aux valeurs des normes
pour les cartes de contrle classiques de Shewhart (NF X06-031), les cartes VP offrent des
rsultats satisfaisants pour cette tude de cas, prcisment dans la dtection des petits
drglages.
Au mme temps, nos valeurs pour lapplication de la carte VP sont obtenues par simulations
numriques de type Monte Carlo et les erreurs (carts type de nos rsultats sur 500
Tableau 2.6 : Les valeurs de NO
0
et de NO
1
pour lapplication dune carte de Shewhart pour diffrentes
formes de la distribution de Rayleigh
Tableau 2.7 : Les valeurs de NO
0
et de NO
1
pour une loi de Rayleigh de paramtre b=3

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

75
simulations) sont considrables. Pour rsoudre cet aspect nous avons ralis une tude de
lintervalle de confiance dans lequel on retrouve 95% de ces valeurs. Supposons que les
moyennes sur les 500 simulations sont distribues selon la loi normale, les limites suprieure
et infrieure de lintervalle de confiance (IC) 95% seront calcules avec les quartiles Z
/2
de
la loi normale centre rduite, en respectant la relation :

n X Err Z X NO n X Err Z X / ) ( / ) ( 2 / 2 / +

(2.12)
o /2 est gal 0.025 (cest le risque alpha correspondant au seuil fix, 95%), X est la
moyenne de NO obtenue empiriquement et Err ( X ) son cart type, et n est le nombre total
des simulations (500). Dans la figure 2.4 nous avons illustr graphiquement la comparaison
entre les performances de la carte VP (configuration I des paramtres de contrle) et celles de
la carte de Shewhart :
Comparaison VP/Shewhart pour POM0=370
0
50
100
150
200
250
300
350
0 0,5 1,0 1,5 2,0 2,5 3,0
amplitude drglage
N
O
0
Shewhart
pour b=3
VP



Pour ltude de cas prsente on peut affirmer avec une prcision de 95% que dans le cas dune
loi de Rayleigh de paramtre gal 3, la carte VP dtecte les diffrentes drglages plus
rapidement quune carte de contrle de Shewhart.
La mme conclusion dans le cas dun risque alpha plus rduit. Cest qui relve notre analyse
galement les configurations II et III des cartes VP, correspondantes aux valeurs POM0=500
Figure 2.4 : Les performances de la carte VP pour la configuration I de paramtres de contrle

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

76
et POM0 =1000, pour la distribution de Rayleigh de paramtre 3. Dans les deux cas
mentionns la carte VP dtecte plus vite que celle de Shewhart :
Comparaison VP/Shewhart pour POM0=500
0
100
200
300
400
500
0 0,5 1,0 1,5 2,0 2,5 3,0
amplitude drglage
N
O
0
Shewhart pour b=3
VP



Comparaison VP/Shewhart pour POM0=1000
0
200
400
600
800
1000
0 0,5 1,0 1,5 2,0 2,5 3,0
amplitude drglage
N
O
0
Shewhart pour b=3
VP



Si pour le paramtre de loi gal 1 la carte de Shewhart pouvait sappliquer sans problmes
sur une loi de Rayleigh, quand ce paramtre change la mthode de cartes VP donne des
meilleurs rsultats. Dans le tableau 2.8 nous avons illustr les rsultats de notre analyse
comparative pour les paramtres de loi 2 et 3 :
Figure 2.6 : Les performances de la carte VP pour la configuration III de paramtres de contrle

Figure 2.5 : Les performances de la carte VP pour la configuration II de paramtres de contrle

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

77

Analyse des distributions de Rayleigh de parametre 2 et 3
POM0=370
amplitude drglage VP Limite sup IC Limite inf IC Normes Shewhart pour b=3 Shewhart pour b=2
0 372,95
383,86 362,03 370,00 370,00 370,00
0,5 157,96
168,90 147,01 155,00 279,00 209,11
1,0 32,90
35,40 30,41 44,00 152,00 78,47
1,5 10,63
11,16 10,10 15,00 78,00 31,42
2,0 6,22
6,36 6,07 6,30 42,00 14,22
2,5 5,36
5,44 5,29 3,20 24,00 7,27
3,0 5,05
5,07 5,02 2,00 14,00 4,19
POM0=500
amplitude drglage VP Limite sup IC Limite inf IC Normes Shewhart pour b=3 Shewhart pour b=2
0
499,79 513,93 485,65 500,00 500,00 500,00
0,5 196,70
211,47 181,93 263,08 370,74 274,99
1,0 42,90
46,39 39,41 90,96 196,88 99,60
1,5 13,15
13,90 12,40 34,29 99,60 38,65
2,0 7,27
7,48 7,06 14,81 52,29 16,97
2,5 5,76
5,86 5,66 7,32 28,97 8,43
3,0 5,32
5,39 5,25 4,11 16,97 4,72
POM0=1000
amplitude drglage VP Limite sup IC Limite inf IC Normes Shewhart pour b=3 Shewhart pour b=2
0
1006,19 1037,07 975,31 1000,00 1000,00 1000,00
0,5 385,94
415,55 356,33 492,78 717,08 517,16
1,0 82,82
90,06 75,58 157,17 360,22 173,25
1,5 20,40
21,87 18,93 55,10 173,25 62,69
2,0 9,00
9,47 8,53 22,19 86,78 25,74
2,5 6,04
6,22 5,86 10,25 45,93 11,99
3,0 5,26
5,34 5,17 5,41 25,74 6,31




Rappelons que dans le cas prsent ci dessous lutilisation des valeurs dune carte de
Shewhart (valeurs normes) est impropre, car elle a t dveloppe pour une loi de
distribution symtrique (la loi normale de distribution). Dans notre cas la loi tant
asymtrique il est clair que lapplication des limites classiques (symtriques) nest pas
adquate.
Nous avons ensuite suppos que les limites classiques de Shewhart sont appliques
(
s UCL 3 0 + =
,
s LCL 3 0 =
) sans avoir a priori ralis un test dadquation la loi normale
(cest souvent le cas dans lindustrie).
Tandis que pour le paramtre de loi de Rayleigh gal 1 la carte de Shewhart dtecte mieux
les diffrentes drglages, quand ce paramtre change la carte avec paramtre variable est
plus adapte.
Tableau 2.8 : Comparaison de la dtection des drglages avec la carte VP et avec la carte de Shewhart
pour une loi de distribution de Rayleigh de paramtre gal 3
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

78
Dans cette section nous avons accompli une analyse de la mise en place de la carte de
contrle VP pour la loi de distribution de Rayleigh. Parmi les avantages de cette mthode
nous citons la facilit de mise en place et son caractre non paramtrique car nous navons pas
besoin de connatre la distribution des donnes a priori. La perspective dune bonne dtection
des trs faibles drglages encourage lexploration de la mthode et permet desprer son
amlioration vers la mise en place pour la catgorie des processus dinspection introduite dans
ce chapitre.
Plusieurs aspects doivent tre pris en compte pour le choix dune configuration optimale,
partir des conditions lies aux cots, performances souhaites, et aprs une analyse des
plusieurs combinaisons possibles entre les paramtres varis. Pour avancer dans notre analyse
nous avons considr toutes les configurations possibles de ces paramtres. Ainsi, en utilisant
la technique des plans dexprience nous avons identifi trois configurations des paramtres
les plus performantes pour la loi de distribution de Rayleigh.
En ce qui suit nous allons introduire pour comparaison la mthode de contrle thorique,
idale , qui est base sur lestimation des quartiles. Nos recherches seront ainsi diriges
vers le dveloppement dune mthode de contrle plus approprie aux distributions
asymtriques, la mthode base sur lestimation des quartiles, qui va servir au mme temps
pour le jugement correct des performances de la carte VP. Aprs la description de cette
mthode et sa mise en place pour la distribution de Rayleigh, une tude comparative sera
dtaille, ainsi quune tude critique sur la ncessit du contrle statistique daprs une
variable distribu selon la loi de Rayleigh.

3 Les cartes de contrle bases sur lestimation des quantiles

Nous considrons par la suite un contexte paramtrique, quand la distribution des donnes
relles est connue et ses principaux paramtres (la moyenne, les moments, etc.) peuvent tre
dtermins. En analysant les caractristiques de la loi de probabilit, on peut calculer les
performances thoriques de la dtection des drglages induites dans la moyenne de cette
distribution, partir dune valeur donne pour la priode dapparition des fausses alertes
(risque alpha).
Cette valeur peut tre une valeur dsire en pratique, dpendant du processus tudi, o plus
prcisment dans notre analyse, la valeur empirique de NO
0
, obtenue par simulation des cartes
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

79
de contrle VP. Cela permettra danalyser les performances en dtection des mthodes
proposes, pour un mme taux des fausses alertes.
Dans notre approche les limites de contrle sont calcules base des probabilits statistiques
de l'incidence fausse d'alarme et respectivement de la priode de dtection pour de petits ou
grands dcalages de la moyenne. Nous proposons par la suite la mthode des quantiles pour
une loi de Rayleigh.
Les indicateurs utiliss pour le jugement des performances de contrle expriment le nombre
moyen dobservations avant lapparition de la fausse alerte, NO
0
et avant la dtection dun
drglage, NO
1
et permettront lanalyse raisonnable des rsultats offerts par dautres
mthodes de contrle, telle que la carte VP o une carte de contrle individuel classique.

3.1 Mise en place de la mthode pour la loi de distribution de Rayleigh

Dans un processus dinspection mcanique, supposons un set de mesures du paramtre de
coaxialit. Notons avec x, la variable statistique qui reprsente ces mesures. Sachant que la loi
de distribution reprsentative de la variable x est une loi de distribution de Rayleigh [Sauvay,
1999], les limites de notre carte de contrle thorique sont dveloppes base de la relation
existante entre les paramtres dune loi normale et ceux dune loi de Rayleigh (voir le tableau
1, section 1.3 de ce chapitre).
Considrons, par exemple, que nous souhaitons assurer entre les limites de contrle
approximativement un pourcentage de 99.73% de la distribution de x, quand le processus est
sous contrle. Les positions rectangulaires seront deux variables indpendantes et distribues
aprs une loi normale, ) , ( b N N . Nous notons le paramtre de forme de la loi de Rayleigh avec
b, afin dviter les confusions qui pourraient tre gnres entre ce paramtre, (qui
gnralement est not avec ) et les diffrents carts type intervenus dans nos calculs.
Nous notons galement
R
la moyenne et
R
lcart type de la loi de distribution de
Rayleigh. Conformment la figure 3.1 et en tenant compte de la relation entre la moyenne
R
de la distribution de Rayleigh et son paramtre de forme (tableau 1.2), nous avons :

b b
R
25 . 1
2
=

(3.1)
Respectivement :
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

80
b b
R
655 . 0
2
2 =

(3.2)
o le paramtre de forme, b, est gal
N
, lcart type de la loi normale correspondante
(figure 3.1). Afin dtablir les limites de contrle pour la variable considre, x, nous
calculons la probabilit statistique davoir 99.73% de sa distribution dans lintervalle [0,
UCL], o 0 reprsente la limite infrieure (les mesures contrles sont positives) et UCL
(Upper Control Limit) est la limite suprieure de contrle, qui reste dduire.





9973 . 0 ) 0 ( = UCL x p

(3.3)
e e
b
UCL UCL
UCL
dx
b
x
x
dx x f
N
2
2
2
2
2
2
0 0
1
2
) (

=

(3.4)

En remplaant lgalit 3.2 dans lquation 3.4, lexpression de la limite de contrle
suprieure sera :
R
b UCL 25 . 5 4393 . 3 = =

(3.5)

Figure 3.1 : La relation entre la distribution normale reprsentant les coordonnes polaires et la
distribution de Rayleigh (tude du paramtre de coaxialit)
b=1,2,3
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

81
Les limites de contrle thoriques pour la loi de Rayleigh seront ainsi :

=
=
R
UCL
LCL
25 . 5
0

(3.6)
Ce sont les limites de contrle thoriques quand on souhaite avoir un risque des fausses
alertes 0027 , 0 = , ce qui dans un contrle individuel correspond un nombre des 370
dobservations avant lapparition de la fausse alerte.
Nous allons par la suite gnraliser cet algorithme pour obtenir les formules des limites de
contrle idales pour nimport quelle valeur du risque . Selon la thorie statistique, la
probabilit des observations de se retrouver en dessus de la limite suprieure de contrle
correspond :

= 1 ) 0 ( UCL x p
(3.7)

o reprsente le risque associ lapparition des fausses alertes. La formule 3.7 est valable
pour toute loi de distribution asymtrique et borne gauche en zro (les valeurs des
observations sont positives).
Avec les nouveaux indicateurs nous pouvons alors crire :

0
/ 1 NO =
(3.7)

Cependant, il existe un risque, , associ la probabilit de ne pas dtecter un drglage
alors quil a t intervenu dans la moyenne de notre processus.

1
/ 1 1 NO =
(3.8)
A partir de la fonction de rpartition dune loi de Rayleigh (expression 3.4) la limite de
contrle suprieure peut sexprimer en fonction du risque , selon la formule 3.9 :

)
1
ln(
2

b UCL =
(3.9)

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

82
Considrons quun drglage est intervenu ainsi que la moyenne,
0 R
de la loi de base soit
drgl, le drglage ayant lamplitude :
0 R
o
0 R
est lcart type avant lapparition de
drglage et 3 5 . 0 = . Les valeurs affectes par le drglage suivront une loi de distribution de
Rayleigh de mme cart type comme dans ltat initial, et de moyenne
1 R
, exprime par la
relation 3.10.
b
R R R R 2
2
0 0 1

+ = + =
(3.10)

Dici on a lexpression de la nouvelle moyenne, comme fonction de paramtre b :

b b
R 2
2
2 1

+ =
(3.11)

La nouvelle variable cre aprs le drglage est une variable distribue selon la loi de
Rayleigh, de moyenne
1 R
et dcart type
1 R
. Notons avec b
1
le paramtre de cette nouvelle
distribution de Rayleigh. La fonction densit de probabilit de notre variable sexprime dans
ces conditions par:
(
(

=
2
1
2
2
2
1
1
) (
b
x
R
e
b
x
x f

(3.12)

Do on peut obtenir lexpression du risque :
(
(

= = < =
2
1
2
2
1
1 ) (
b
UCL
R R
e UCL x P
(3.13)

Avec les relations 3.7 et 3.8 et en remplaant lexpression de UCL dans la relation 3.9, on
obtient lexpression de NO
1
, lintervalle de dtection, en fonction du risque et
consquemment, comme fonction de NO
0
:
2
1
2
1
0 1
1
(

=
(

= b
b
b
b
NO NO

(3.14)

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

83
A base des proprits du paramtre de loi Rayleigh (tableau 1.1) cherchons maintenant
exprimer la relation entre le paramtre de distribution avant le drglage, b, et celui de la
distribution aprs le drglage, b
1
.
Sachant que
1 1
2
b
R

=
et en tenant compte de la relation 3.11 nous allons trouver le
rapport
1
b
b
:
1
4
1
1
1
+
=

b
b
(3.15)

Pour plus de simplicit nous allons noter ce rapport avec ) ( f . Avec la relation 3.14 nous
pouvons maintenant tablir la relation entre le taux de fausses alertes, NO
0
et la rate de
dtection, NO
1
comme une fonction du coefficient de drglage, (relation 3.16).

2
) (
0 1
) (

f
NO NO =
(3.16)

Cette expression permet dvaluer les performances idales en dtection, partir dun taux de
fausses alertes, NO
0
souhait. Pour illustrer, nous avons fix comme valeur de NO
0
la valeur
classique de 370 observations, considrant le contrle individuel. Les valeurs idales de
dtection des diffrentes drglages de la moyenne dune variable distribue selon Rayleigh
seront celles incluses dans le tableau 3.1.

Coefficient de drglage, NO
1
0.5 41,13
1 12,81
1.5 6,41
2 4,11
2.5 3,03
3 2,4



On peut voir toute de suite que les valeurs sont trs petites, ce qui suggre une dtection
rapide mme pour les drglages de trs faible amplitude. Cependant il est pertinent de faire
Tableau 3.1 : La dtection avec la carte thorique base sur les quantiles, pour un taux de fausses
alertes NO
0
=370
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

84
une analyse comparative entre les rsultats fournis par le contrle avec une carte de type VP
et ces valeurs idales.
La valeur 370 de NO
0
traduit un risque des fausses alertes de 0.0027 qui est une valeur usuelle
pour le contrle avec les mthodes classiques. Les formules tablies par les relations 3.15 et
3.16 assurent les valeurs les plus performantes de NO
1
en fonction du taux des fausses alertes
souhait (NO
0
).
Consquemment nous considrons que les limites de contrle dcrites par la relation 3.6
peuvent tre mises en place comme limites idales de contrle pour la distribution de
Rayleigh pour nimporte quelle valeur de NO
0
.
Nous avons repris, pour exemplifier, les valeurs obtenues avec la carte VP pour les
configurations I-III des paramtres. Pour ces configurations de paramtres les intervalles de
dtection par ensemble taient acceptables, et en plus, pour un risque trs rduit dincidence
des fausses alertes, ils taient meilleurs que les priodes de dtection dune carte de contrle
individuelle de Shewhart pour la distribution normale.
Dans les tableaux 3.2 3.4 on peut analyser les performances de la carte VP par rapport aux
valeurs thoriques idales pour un risque alpha gal 0.0027, 0.002 et 0.001
respectivement.

NO
1
Valeur du coefficient
de drglage, Carte de contrle VP
Simulations numriques
Mthode thorique
0.5 157,956 41,13
1 32,904 12,81
1.5 10,628 6,41
2 6,216 4,11
2.5 5,364 3,03
3 5,048 2,4








Tableau 3.2 : Comparaison entre la mthode empirique et la mthode thorique, base dun taux
des fausses alertes, NO
0
=370
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

85
NO
1
Valeur du coefficient
de drglage, Carte de contrle VP
Simulations numriques
Mthode thorique
0.5 196,70 49,70
1 42,9 14,58
1.5 13,15 7,04
2 7,27 4,41
2.5 5,76 3,21
3 5,32 2,56




NO
1
Valeur du coefficient
de drglage, Carte de contrle VP
Simulations numriques
Mthode thorique
0.5 385,94 76,84
1 82,82 19,67
1.5 20,4 8,76
2 9 5,21
2.5 6,04 3,66
3 5,256 2,85




Conformment aux tableaux 3.2 3.4, la mthode base sur les quartiles offre les meilleurs
rsultats dans toutes les situations sans exception. Par ailleurs les rsultats de lapplication de
la carte VP ont t obtenus par voie empirique et ils doivent tre rapports un intervalle de
confiance dtermin par les carts types (erreurs) associs, tandis que la mthode des
quartiles est exacte.
Les travaux que nous avons raliss dans ces dernires sections ont ports sur le
dveloppement des deux mthodes de contrle statistique pour une distribution de Rayleigh,
qui est applicable dans les procdures dinspection de la coaxialit.
Une premire mthode, non paramtrique, est la carte de contrle aux paramtres variables.
Elle prsente lavantage doffrir une bonne dtection des petites drglages, mais induit le
risque des couts levs lorsquon doit dtecter des drglages importantes. Visiblement, un
Tableau 3.3 : Comparaison entre la mthode empirique et la mthode thorique, base dun taux
des fausses alertes, NO
0
=500
Tableau 3.4 : Comparaison entre la mthode empirique et la mthode thorique, base dun taux
des fausses alertes, NO
0
=1000
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

86
avantage majeur de cette mthode est le fait quelle ne ncessite pas la connaissance a priori
de la distribution.
On peut esprer lappliquer pour une catgorie des mesures relles et positives susceptible
davoir une distribution tendance unilatrale, avec la certitude que la dtection des
diffrentes dviations sera plus rapide que celle dune carte de contrle de Shewhart.
La deuxime mthode de contrle est plutt une approche thorique, et peut offrir un support
pour la vrification des outils de contrle pour des processus complexes qui sont susceptible
dtre affects par drglages des amplitudes variables.
Une contrainte apparente est son caractre paramtrique, car la connaissance de la distribution
des mesures est imprative. Cela peut tre rsolu par le biais dun test dadquation adquat
aux mesures contrler. Cette approche peut reprsenter un rfrentiel MSP pour le jugement
des performances des nouvelles mthodes proposes pour les distributions non gaussiennes.
Dans nos dmarches concernant le contrle dun processus dinspection de la coaxialit, nous
avons analys une variable abstraite, suivant une distribution de Rayleigh et la question
vidente concerne son applicabilit dans la pratique, pour linspection des dfauts de la
coaxialit.
Lorsque linspection des deux composantes de cette variable (respectivement les mesures
suivant les deux axes du systme cartsien) pourrait tre mise en place, a quoi a peut servir
alors une mthode de contrle pour la distribution de Rayeigh ? La section suivante est
destine analyser cette problmatique et traite le cas du contrle par composante de la
variable de la coaxialit.

3.2 Analyse critique sur la pertinence dutilisation des cartes de contrle non
gaussiennes dans la pratique dinspection de la coaxialit

La question qui semble naturelle dans le contrle statistique des mesures de la coaxialit est
pourquoi ne pas appliquer une carte de contrle classique sur chaque des deux mesures selon
les axes du systme orthogonal, sachant que ces mesures sont reprsentes par deux lois de
distribution normales ?
Nous avons dcrit dans la section 1.1 le principe dinspection de la caractristique de
coaxialit (figure 1.3). Une fois laxe de rfrence, A, tablie, la variable de coaxialit est
obtenue comme une rsultante des ces deux mesures selon les directions horizontale et
verticale du systme daxes.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

87
Dans la figure 3.2 nous avons not avec X et respectivement Y les variables reprsentants les
deux mesures composantes de la mesure de coaxialit. Notons avec R la variable
reprsentante de ces mesures, qui est distribue selon la loi de Rayleigh.




Les variables X et Y tant deux variables normalement distribues, la variable R est
dtermine par la relation 3.18 :
2 2
Y X R + =

(3.17)

La problmatique aborde dans cette section est lutilit de la mise en place dune carte de
contrle pour la variable compose, R, dans les conditions o cette variable est abstraite et le
drglage intervenu un moment donn dans le recueil des mesures peut survenir selon laxe
horizontale, selon laxe verticale, o bien selon les deux axes, verticale et horizontale.
Dans ces conditions le contrle statistique de la variable X o Y avec une carte de Shewhart
par exemple, pourrait rsoudre le problme du contrle des dfauts de la coaxialit, car on
peut identifier et remdier directement le problme, par composants de la variable R.
Un premier argument qui contrevient au contrle indpendant de ces deux variables, X et Y
est le fait que les spcifications finales concernent la coaxialit (dans la figure 3.2, la tolrance
sadresse au paramtre de la coaxialit et non une des mesures composantes). En
consquence les rsultats du contrle par composantes devraient en tout cas tre transposs
dans des rsultats concernant une seule variable, celle de la coaxialit. Un autre inconvnient
du contrle individuel peut concerner les cots de mise en place car on applique deux cartes
de contrle en lieu dune seule.
Figure 3.2 : Linspection de la coaxialit. Dcomposition dune variable de Rayleigh.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

88
Tous ces lments doivent prises en compte avant de choisir la mthode la plus adquate, et
ceci nous a dtermin raliser une analyse comparative entre le contrle statistique dune
variable de Rayleigh et le contrle statistique de ses composantes.
Nous imaginons deux situations possibles :
le drglage est intervenu soit sur la variable X, soit sur la variable Y
le drglage affecte les deux variables, X et Y


3.2.1 Etude de cas I : le drglage intervient soit sur la variable X soit sur la variable Y

Considrons que lon applique une des cartes de contrle classique sur les variables X et Y
qui suivent une loi normale :
) 1 , 0 (
) 1 , 0 (
N Y
N X

(3.18)

o 1 reprsente le paramtre de la loi de distribution de Rayleigh descriptive de la variable R.
Nos hypothses considrent que les mesures suivant les deux directions peuvent tre
transformes pour que le contrle soit ralis sur les variables centr rduites, X et Y.
Considrons le contrle individuel de ces composants et considrons que le drglage
intervenu est de taille b k = , b tant au mme temps lcart type de la loi normale avant le
drglage, et est le coefficient de drglage. Si le drglage affecte seulement une des deux
variables X ou Y, nous pouvons exprimer limpact de ce drglage sur la variable de la
coaxialit (distribue Rayleigh).
Supposons que la variable X a souffert un drglage k, la nouvelle variable reprsentant les
mesures selon laxe horizontale sera : k X X + =
1
. De mme, si on considr que le problme
est intervenu dans les mesures sur laxe verticale, on va obtenir une nouvelle
variable k Y Y + =
1
. La nouvelle variable de coaxialit sera note avec R
1
et est exprimes
dans la relation 3.19 :
2 2
1
2
1
Y X R + =

(3.19)
On peut maintenant calculer le drglage induit dans la variable de coaxialit :

2 2 2
1
2 k kX R R + =

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

89
(3.20)
Naturellement, la nouvelle variable, R
1
a un paramtre b
1
diffrent de paramtre b (de la
variable R). Avec les expressions de lesprance et de la variance probabiliste, nous allons
exprimer la relation entre ce nouveau paramtre de loi, b
1
et le paramtre b, avant le
drglage :
] 2 [ ] [ ] [ ] [
2 2 2
1
2 2
1
k kX E R E R E R R E + = =
(3.21)

Comme :
0 ] [ 2 ] 2 [ = = X kE kX E (3.22)

Il en rsulte dici que:

2 2 2
1
] [ k R R E =
(3.23)

Au mme temps on peut dterminer lesprance mathmatique des variables R
1
2
et R
2
via les
formules du tableau 1.2 section 1.3, qui expriment les relations entre le paramtre de loi de
Rayleigh, son esprance et son cart type :


2
1
2
1
2
1 1 1
2 2
1
2 )
2
4
(
2
] var[ ] [ ] [ b b b R R E R E =

+ = =



2 2 2 2 2
2 )
2
4
(
2
] var[ ] [ ] [ b b b R R E R E =

+ = =




(3.24)
Avec les relations 3.24 on obtient la relation entre les paramtres b et b
1
en fonction du
drglage k sur une des deux variables composantes de R :


2 2
1
2
2
1
1
1
|

\
|
+
=
b
k
b
b

(3.25)
Dans notre analyse nous prfrons garder les mmes indicateurs des performances dfinis
dans la section 3.1 de ce chapitre, respectivement NO
0
pour le taux des fausses alertes et NO
1

pour la rate de dtection. Si on tient compte des relations 3.15 et 3.16 dveloppes dans la
section 3.1 on peut exprimer lintervalle de dtection comme une fonction de NO
0
et de la
taille du drglage intervenu.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

90

2
2
1
1
1
0 1
|

\
|
+
=
b
k
NO NO

(3.26)
Les valeurs ainsi obtenues sont thoriques, reprsentant les valeurs idales pour la dtection,
dans les conditions tablies (drglage sur une des composantes de la variable de Rayleigh).
Pour simplifier, nous tudions pour toutes les deux situations prsentes le cas o la valeur du
paramtre b est gale 1, mais lanalyse pourrait tre gnralise aux diffrentes valeurs de b.
Ainsi, comme les deux variables X et Y sont normales centres rduites, et b=1, le paramtre
k reprsente lamplitude du drglage et sera gale (cart type de loi normale gal 1) et
lexpression du taux de dtection sera :

2
2
1
1
1
0 1
k
NO NO
+
=


(3.27)
Nous avons compar les valeurs thorique obtenues pour NO
1
avec la relation 3.27, avec les
valeurs qui pourraient tre obtenues suite lapplication dune carte de contrle classique
(Shewhart, EWMA, CUSUM) directement sur la variable X (ou Y) qui tait affect par le
drglage(tableau 3.5).

NO
1
Contrle sur une des variables composantes, X ou Y
Valeur du coefficient
de drglage, Contrle de la
variable R (mthode
thorique)
Carte de contrle
de Shewhart
Carte de contrle
EWMA
Carte de contrle
CUSUM
0.5 191,80 155 26,5 28,8
1 51,54 44 9,6 9,9
1.5 16,16 15 5,2 5,2
2 7,18 6,3 3,3 3,3
2.5 4,19 3,2 2,38 2,29
3 2,93 2 1,78 1,72


La valeur de NO
0
est gale 370 observations. Les valeurs de NO
1
pour le contrle des
variables X/Y sont les valeurs de POM
1
trouves dans les normes pour le contrle individuel
par le biais des cartes de Shewhart, EWMA et respectivement CUSUM.
Daprs les valeurs du tableau 3.5 on voit bien que les valeurs idales pour le contrle de la
variable de la coaxialit ( lexception de la dtection dun drglage dtaille 0.5) sont
Tableau 3.5 : Comparaison entre le contrle dune variable Rayleigh et le contrle par composante X ou Y.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

91
proches des valeurs offertes dans le contrle classique par composante X/Y, sans jamais les
atteindre.
Cela suggre une dtection plus rapide de la faute gnratrice du dfaut de la coaxialit, si on
contrle la fois les mesures effectues selon les deux axes du systme orthogonal. La carte
EWMA est la plus adquate si on veut en plus dtecter les plus petits drglages sur une de
ces deux composantes (figure 3.3).





Il reste un seuil point rsoudre, celui de transfert des rsultats dune carte de contrle
applique sur une des variables X/Y et les spcifications attribues la variable R de la
coaxialit. Sans indications prcises sur les limites de tolrance selon la direction horizontale
ou verticale, le jugement seulement sur les variables X o Y ne sera pas raisonnable.
La valeur de NO
1
dtermine par voie thorique pour un drglage damplitude 0.5 signifie
quun petit drglage sur une des deux mesures composantes, est presque imperceptible sur la
rsultante, R, ce qui est normal si on regarde lexpression de la variable R (une valeur trs
baisse dune des deux composantes peut tre compense par une valeur plus grande de
lautre).
Au mme temps, ce drglage sur une des composantes ne conduit toujours pas un
drglage de la mesure de la coaxialit et le processus risque dtre arrt sans que la
caractristique soit hors contrle.
Figure 3.3 : Comparaison entre le contrle dune variable Rayleigh et le contrle par composante X ou Y.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

92


3.2.2 Etude de cas II : le drglage intervient sur les deux variable, X et Y

Nous avons analys les rpercussions sur la distribution de rsultante R dans le cas o seule
une variable X ou Y prsente une faute. Nous avons trouv que le contrle par variable
composante est plus efficace, les pr requis tant dune part lapplication des deux cartes de
contrle au lieu dune et dautre part le risque daugmentation des fausses alertes (car le
drglage sur la composante na pas toujours un impact rel sur la variable rsultante).
Imaginons maintenant que les deux variables sont affectes par un drglage de taille b k = ,
avec b=1, lcart type des variables X, Y( ) 1 , 0 ( , N Y X ). Les nouvelles variables seront :

k Y Y
k X X
+ =
+ =
1
1


(3.28)

De la mme manire comme dans notre premire tude, on exprime par le biais des grandeurs
mathmatiques, la relation entre la variable de Rayleigh, avant et aprs lapparition de ces
drglages :

2 2 2
1
2 ) ( 2 k Y X k R R + + =

2 2 2 2
1
2 ] [ 2 ] [ 2 ] [ 2 ] [ k k E Y kE X kE R R E = + + =
(3.29)

La relation entre les paramtres de loi Rayleigh, b avant le drglage et b
1
aprs le drglage,
devient :

2 2
1
2
1
1
|

\
|
+
=
b
k
b
b

(3.30)

Comme nous avons considr le cas de b=1 il rsulte lexpression suivante pour lintervalle
de dtection, NO
1
:
2
0 1
1
1
k
NO NO
+
=


(3.31)

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

93
Dans le tableau 3.6 nous avons inclus la comparaison entre les valeurs thoriques dtermines
avec la relation 3.31 et les valeurs normes dun contrle individuel sur une des deux
composantes de R, a partir dun NO
0
=370.

NO
1
Contrle dune des deux variables composantes, X ou Y
Valeur du coefficient
de drglage, Contrle de la
variable R (mthode
thorique)
Carte de contrle
de Shewhart
Carte de contrle
EWMA
Carte de contrle
CUSUM
0.5 113,39 155 26,5 28,8
1 19,24 44 9,6 9,9
1.5 6,17 15 5,2 5,2
2 3,26 6,3 3,3 3,3
2.5 2,26 3,2 2,38 2,29
3 1,81 2 1,78 1,72




On peut dj remarquer que dans ce cas, sauf si le drglage est trs petit sur les deux
composants (k=0.5), les valeurs de NO
1
sont trs semblables dans le cas dun contrle par
variable compose, R, comme dans le cas dun contrle par composante. A partir damplitude
1 du drglage les valeurs thoriques de contrle uni variable se rapprochent des valeurs
obtenues avec la carte EWMA optimale, et on peut voir dans la figure 3.4, que pour des
drglages plus signifiantes, (amplitude 3) les valeurs de dtection thoriques sont les
meilleures.
Si on prend en considration le fait que, pour arriver au mme rsultats obtenus dans le
contrle sur R, les deux variables X et Y doivent tre contrles et que cela ncessite
lapplication des deux cartes de contrle avec le prlvement et les couts associs, nous
estimons que la mthode directe de contrle sur la variable de la coaxialit est plus
conomique.

Tableau 3.6 : Comparaison entre le contrle dune variable Rayleigh et le contrle par composante X ou Y,
quand les deux variables sont drgles
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

94




Toutefois il faut spcifier que les valeurs normes donnes dans les tableaux 3.5 et 3.6 pour
les trois cartes de contrle traditionnelles, sont les valeurs optimales. Dans le cas dune carte
de contrle de type EWMA ou CUSUM ces valeurs sont obtenues pour diffrents paramtres
de la carte et nest pas pour une mme configuration. Dans la pratique pour arriver ces
valeurs videment on doit changer la carte de contrle selon la taille du drglage dtecter,
ce qui nest pas toujours trs confortable.


3.2.3 Etude de cas III : Les variables X et Y ne sont pas indpendantes, tude dune carte de
contrle multi varie

Les deux tudes prcdentes considrent que les deux variables, X, Y sont indpendantes. Par
contre, si entre les deux variables existe une corrlation, le drglage dune des deux va
entraner de changements dans les valeurs de lautre, et aussi dans la variable de coaxialit.
Dans une dernire tape de notre tude analytique nous avons tudi cet aspect par le biais
dune carte de contrle de type T
2
de Hotteling qui tient compte dventuelle corrlation entre
les variables composantes X et Y.
Nous avons considr les deux situations possibles, quand seulement une des variables X ou
Y est affecte par une drglage, et respectivement quand les deux variables, X et Y sont
Figure 3.4 : Comparaison entre le contrle dune variable Rayleigh et le contrle par composante X ou Y.
cas dun drglage gnr sur toutes les deux composantes
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

95
affectes par un drglage. Les valeurs de NO
1
et NO
0
pour la carte de Hotteling ont t
obtenus par simulations de type Monte Carlo.
Dans le tableau 3.7 nous avons retenu les valeurs de dtection dune carte T
2
de Hotteling
quand le drglage est survenu seulement sur une des deux variables composantes de la
variable de la coaxialit.
Les valeurs de NO
1
obtenues pour les trois diffrentes valeurs du coefficient de corrlation,
2
T
sont compares avec celles obtenues avec une carte de Shewhat, EWMA ou CUSUM
appliques directement sur la variable affecte et aussi avec les taux de dtection dune carte
base sur les quartiles, applique sur la variable, R, de la coaxialit.




NO
1

Contrle des deux variables
composantes, X et Y
avec la carte T
2
de Hotteling, pour le
coefficients de corrlation,
2
T
:
Mthode
des
quartiles
sur la
variable
R

La carte
EWMA

La carte
CUSUM

Lamplitude
du
drglage,



La carte de
contrle
individuelle
de
Shewhart
1 . 0
2
=
T

6 . 0 2 = T

8 . 0
2
=
T


NO
0
=370 NO
0
=372,8 NO
0
=383 NO
0
=371 NO0=370 NO
0
=370 NO
0
=370
0.5 155 182,97 159,05 95,298 191,80 26,5 28,8
1 44 66,522 39,806 17,682 51,54 9,6 9,9
1.5 15 22,648 11,684 4,412 16,16 5,2 5,2
2 6,3 9,674 4,77 1,948 7,18 3,3 3,3
2.5 3,2 4,724 2,316 1,264 4,19 2,38 2,29
3 2 2,43 1,492 1,054 2,93 1,78 1,72




Nous pouvons facilement remarquer que les valeurs fournies par la carte de Hotteling ne sont
pas les plus satisfaisantes. La seule situation o la dtection avec la carte multi varie est plus
rapide est quand il existe une forte corrlation entre les deux variables, X et Y, ( 8 . 0
2
=
T
), et
quand le drglage survenu sur une de ces composant est important ( >1.5 carts type).
Une des cartes traditionnelles, EWMA ou CUSUM, reste la plus efficace. Cependant nous
devrons tenir compte dans leur application de deux contraintes possibles :
Tableau 3.7 : Le contrle avec la carte T
2
de Hotteling quand seulement une des deux variables, X ou Y,
est affecte par un drglage
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

96

Par prcaution dans la pratique est prfrables dappliquer deux cartes de contrle
traditionnelles sur les deux variables X et Y, mme si le drglage est survenu
seulement sur une des ces composantes. En effet en ralit lutilisateur ne peut pas
savoir quelle est la composante affecte
Si on choisit dappliquer la carte EWMA ou CUSUM, la corrlation possible entre les
variables X et Y est ignore ce qui entrane des fautes dans linterprtation de leurs
rsultats

Considrons maintenant le cas o les deux variables composantes de la coaxialit sont
affectes par un drglage et il existe une certaine corrlation entre ces variables. Selon les
valeurs du tableau 3.8 on voit que la dtection devient lente avec la carte multi varie, ce qui
nest pas tonnant car certaines drglages induites sur une des variables, X, Y, peut
compenser un drglage existent sur lautre composante.
Les cots associs la mise en place des deux cartes traditionnelles ainsi que la corrlation
sont dans ce cas des inconvnients. En plus, pour la deuxime situation la dtection avec la
carte de contrle base sur les quartiles est plus rapide (comparatif avec le cas o une seule
des variables composantes est drgle).
Par contre, avec la carte thorique on ne peut pas juger sur lventuelle corrlation existante.
Lavantage majeur de la carte thorique reste que dans les conditions dune faible corrlation
elle sapplique directement sur la variable de la coaxialit et pratiquement rduit les cots de
prlvement par deux.
Les rsultats de cette analyse comparative entre le contrle sur la variable de coaxialit et le
contrle par composante de la variable de coaxialit montrent que le choix de la mthode de
contrle des mesures de la coaxialit ne doit pas tre fait au hasard.
Si on souhaite raliser le contrle le moins conomique (cest dire directement sur la
variable de la coaxialit), une analyse des donnes empiriques est imprative dans un premier
temps, pour tablir la loi de distribution, et ses paramtres reprsentatifs. Avec ces
informations le contrle par le biais dune carte de contrle thoriques sera le plus efficace.




t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

97



NO
1

Contrle des deux variables
composantes, X et Y
avec la carte T
2
de Hotteling, pour le
coefficients de corrlation,
2
T
:
Mthode
des
quartiles
sur la
variable
R

La carte
EWMA

La carte
CUSUM
Lamplitude
du
drglage,


La carte de
contrle
individuelle
de
Shewhart
1 . 0
2
=
T

6 . 0 2 = T

8 . 0
2
=
T


NO
0
=370 NO
0
=380 NO
0
= 367 NO
0
=354 NO
0
=370 NO
0
=370 NO
0
=370
0.5 155 251,47 226,70 252,14 113,39 26,5 28,8
1 44 76,29 108,15 125,51 19,24 9,6 9,9
1.5 15 26,29 45,55 50,08 6,17 5,2 5,2
2 6,3 11,34 20,12 23,94 3,26 3,3 3,3
2.5 3,2 5,15 9,69 11,94 2,26 2,38 2,29
3 2 3,02 5,63 6,50 1,81 1,78 1,72




Dans la situation o les conditions pratiques ne permettent pas de dterminer la nature de la
distribution des mesures relles (trop peu des donnes, les tests dadquation ne fournirent pas
une distribution reprsentative, etc.) nous encourageons la mise en place de la carte de
contrle aux paramtres variables qui dtecte mieux les plus petits drglages.
Une carte classique comme la carte dEWMA pourrait galement fournir des rsultats
satisfaisants, sil nexiste pas de corrlation et si lon choisit de contrler individuellement les
deux composantes de la variable de coaxialit, X et Y.
Concernant laspect pratique de la mise en place des outils prsents, nous considrons que le
plus conomique est dappliquer une carte base sur les quartiles, si entre les deux variables
nexiste pas de corrlation, o elle nest pas trs forte, et une carte multi varie de Hotteling
quand il existe une forte corrlation entre les deux composantes de la variable sous tude.



Tableau 3.8 : Le contrle avec la carte T
2
de Hotteling quand toutes les deux variables, X et Y, sont
affectes par un drglage
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

98
4 Conclusions

Dans ce chapitre nous avons avanc des nouvelles propositions damliorations pour le
contrle statistique des distributions asymtriques. Dans un premier temps nous avons tudi
lapplication des cartes de contrle avec paramtres variables. L'avantage principal de la
mthode est reprsent par la gnralit de son application pour une grande classe de
distributions, incluant les distributions normales.
En outre, la mthode applique selon les indications de Lin et Chou [Lin et Chou, 2005a],
[Lin et Chou, 2005b] est non paramtrique et en consquence son application en pratique ne
ncessite pas de connaissances de la nature des caractristiques tudies.
Dans un premier temps nous avons souhait tester les performances de cette carte pour la
classe des distributions asymtriques. Pour cela, nous avons vrifi de manire empirique
(simulations Monte Carlo) les rsultats obtenus avec la thorie des chanes de Markov [Lin et
Chou, 2005b] pour une distribution normale, pour une distribution de Gamma et pour une
distribution t de Student [Lin et Chou, 2005b]. Les rsultats obtenus avec le modle de Lin et
Chou [Lin et Chou, 2005b] tant tout a fait satisfaisants nous ont encourag continuer nos
recherches pour largir le champ dapplication des cartes VP.
Nous avons choisi danalyser la mthode pour des lois asymtriques qui interviennent souvent
dans les processus dinspections des pices mcaniques des domaines de laronautique et de
lautomobile. Une prsentation de quelques caractristiques dimensionnelles reprsentes par
des lois non gaussiennes qui sont spcifiques ces processus, est incluse dans la premire
partie de ce chapitre.
Nous avons tudi en particulier la loi de distribution de Rayleigh qui est reprsentative dans
la description des variations de coaxialit. Nous avons ralis une analyse par le biais des
plans dexprience, afin de retrouver les meilleures configurations des paramtres choisir
dans lapplication des cartes VP. Cependant la carte de contrle base sur les variations des
paramtres, seule, ne nous fournit pas les plus satisfaisants rsultats pour la loi de Rayleigh,
car la gnralisation des trois configurations des paramtres tudies est hasardeuse.
Les rsultats de nos simulations numriques ont laiss de la place aux discussions sur les
conditions du choix des valeurs des paramtres fixes et varis introduites par Lin et Chou.
Pour avoir des termes pertinents de comparaison, dans une deuxime tape de nos travaux
nous avons dvelopp une mthode thorique, que nous lavons appelle mthode des
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

99
quantiles. Celle-ci est base su le calcul des limites de contrle idales partir dun risque
souhait des fausses alertes.
Cette approche permet de juger les performances dune carte de type VP aussi que les
rsultats de nimporte quelle autre carte de contrle, car les valeurs obtenues tiennent compte
de la distribution tudie et peuvent tre considres comme des valeurs de rfrence. Cette
mthode peut tre dveloppe pour toutes les lois de distribution, normale et non normales.
Concernant lapplication de la carte VP nos prvisions de dpart sur la mutualisation de
lapplication de la carte VP pour une classe des distributions (toutes les distributions
asymtriques par exemple) ont t contredtes. En effet la mthode de quantile offre des
meilleurs rsultats que la mthode VP pour une distribution de Rayleigh.
Cependant, en fonction de processus et des ses contraints conomiques, la mthode peut tre
choisie en pratique pour sa rapidit de dtection des petits drglages. Une perspective
intressante a t danalyser toutes les configurations possibles des paramtres qui
interviennent dans la construction dune carte de contrle VP pour la distribution de Rayleigh.
Les configurations plus performantes ont t discutes dans la section 2 de ce chapitre.
Un autre problme soumis la discussion par rapport a linspection et au contrle des mesures
de coaxialit a t le choix de la variable contrler dans la pratique. Nous avons inclus dans
la section III de ce chapitre une analyse critique sur les avantages et les inconvnients du
contrle de la variable distribue selon la loi de Rayleigh versus le contrle de chaque des
deux composantes de ce variable.
La deuxime carte de contrle que nous avons dveloppe pour la loi de Rayleigh est une
mthode paramtrique, base sur lhypothse de connaissance de la loi de distribution des
donnes ainsi que des proprits probabilistes de cette distribution.
Cette mthode offre les rsultats idaux pour le contrle individuel (pice par pice), et peut
tre utilise comme rfrence dans la classification des rsultats fournis par dautres mthodes
de contrle.
Bien que le dveloppement thorique des limites de contrle est complexe et peut ncessiter
beaucoup danalyse statistique, nous soutenons fortement les travaux futures pour la
conception de ce type des cartes de contrle pour dautres lois non gaussiennes.
Pour rsumer, les travaux prsents dans ce chapitre ont port sur le dveloppement des
nouvelles mthodes de contrle des distributions asymtriques. Nous avons souhait
dvelopper une mthode non paramtrique valable pour toute une classe de distributions, o
en particulier pour une catgorie des mesures avec une tendance unilatrale (par exemples
toutes les mesures intervenues dans les inspections des pices mcaniques).
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

100
Nos rsultats exprimentaux complts par des dveloppements thoriques montrent quon ne
peut pas dvelopper une mthode gnrale de contrle.
Les cartes classiques de Shewhart peuvent sappliquer sans problmes et offrent des rsultats
satisfaisants pour une seule forme de la distribution de Rayleigh.
Les cartes de contrle bases sur les quantiles offrent les valeurs de rfrence dans la
dtection des dfauts dune loi de Rayleigh.
Les cartes VP sont plus faciles appliquer en pratique et donnent des bons rsultats pour
plusieurs formes de la distribution de Rayleigh.
Enfin lanalyse de certains liens entre les diffrentes distributions non gaussiennes, et ltude
de leurs proprits statistiques viennent amliorer les mthodes paramtriques, en tablissant
des valeurs de rfrence qui permettent lanalyse correcte des rsultats empiriques.
Les perspectives dune continuation des travaux sur le sujet abord dans ce chapitre devraient
inclure une application pratique et un retour dexprience pour un processus dinspection
dune pice mcanique. Il est galement intressant dinvestiguer les mthodes proposes ci-
dessous pour une autre loi de distribution, telle que la distribution lognnormale, ou la loi de
Weibull.


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

101
Chapitre III : Contributions au contrle des processus par
le biais des modles intgrs APC/MSP


1 Introduction
Les systmes industriels de nos jours sont de plus en plus automatiss et de plus en plus
complexes (plusieurs caractristiques, distribution non gaussienne, corrlation, ). Il est donc
primordial de concevoir et de dvelopper des techniques capables de diagnostiquer ltat du
systme tout moment, et de pouvoir rgler les paramtres pour assurer le bon
fonctionnement et surtout linsensibilit aux diffrentes perturbations.
Dans la littrature, on trouve plusieurs techniques permettant dassurer la stabilit du systme
et le rglage de paramtres. Selon les communauts scientifiques, ces techniques sont
rpertories dans des termes diffrents (Diagnostic, Accommodation aux dfauts, Sret de
Fonctionnement, Fiabilit des systmes, Thorie de la commande, Reconfiguration, Ingnierie
robuste,).
Les techniques du contrle automatique de processus font partie intgrante de ces concepts.
Elles sont devenues au fil des annes des outils incontournables dans le domaine de la
production et de la conception en particulier en qualit et sret de fonctionnement. Ces outils
permettent dassurer la stabilit de systme et datteindre les performances souhaites mme
en prsence des perturbations (robustesse).
Nanmoins la ncessit de performance et stabilit de ces systmes pour des priodes
entendues de fonctionnement conduit lintgration des techniques spcifiques de MSP. Les
modles de contrle intgrs APC (Automatic Process Control)/MSP (Matrise Statistique
des Processus) suscitent lintrt de plus en plus souvent. Malgr cela il existe lheure
actuelle peu de dmarches ddies ltude des performances offertes par ces modles.
Pour un systme rel, qui gnralement est soumis aux diffrents facteurs perturbateurs au
cours de son fonctionnement, la simple utilisation des modles dterministes automatiss
nest pas suffisante, car souvent elles resteront insensibles aux perturbations ou drglages
apparus au parcours du fonctionnement (une fois la correction automatique applique, le
fonctionnement est considr normal).
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

102
Lintgration des mthodes statistiques, comme superviseur du fonctionnement des schmas
automatiques, limine ces risques en assurant un contrle prvisionnel afin de rendre le
systme plus robuste [Elsayed et al., 1995], [Gultekin et al., 2002], [Gob et al., 1999].
Dans ce chapitre nous allons tudier la problmatique de lintgration des modles de contrle
APC et MSP. Aprs une brve rvision des notions et des techniques de base du domaine
automatique de contrle, quelques modles reprsentatifs seront discuts et deux tudes de cas
seront introduites.
Nos propositions damlioration des systmes intgres seront ainsi conduites sur deux
modles de contrle automatique pour deux processus continus. Nous proposons des
nouveaux modles intgrs de contrle pour ces processus, dont les rsultats seront prsents
par le biais des simulations numriques.
Nous utiliserons la terminologie anglophone de techniques dAPC (Automatique Process
Control), car nous navons pas encore aperu un autre acronyme adopt en France. Au
contraire, du fait de son apparition relativement rcente, le domaine est connu dans la plupart
douvrages sous labrviation dAPC.

2 Le contrle automatique de processus

Comme nous lavons dj mentionn dans la partie introductive, les procds industriels sont
soumis des perturbations inhrentes, dtermines par des facteurs externes (la temprature
ambiante, la pression atmosphrique etc.) ou des perturbations internes
(dysfonctionnements, drglages dun appareil de mesure).
Quelque soit le problme rel intervenu dans le fonctionnement dun systme, il doit tre
transpos dans un modle doptimisation bien choisi. Ayant en vue que le comportement des
systmes physiques rels est loin dtre idal, lautomaticien cherche toujours amliorer son
comportement laide des lois mathmatiques qui modlisent diffrentes variables
caractristiques pour le processus tudi (le bruit, la consigne, la sortie).
Dans une interprtation plus gnrale sous le nom de APC on trouve des techniques et
mthodes utilises pour concevoir des modles de contrle automatique de processus. Dans
ce domaine, un systme ou un processus est vu comme un ensemble des relations entre les
grandeurs dentres (causes) et les grandeurs de sorties (effets) [Larminat, 1993].
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

103
Un systme causal standard peut tre reprsent sous forme graphique, trs simplement,
comme dans la figure 2.1. Un exemple classique de systme standard est un moteur de
courant continu (lectromcanique) o lentre est la tension dalimentation et la sortie est la
position angulaire du rotor, [Larminat, 1993]. Selon diffrentes valeurs pour la tension
dalimentation, on obtient diffrentes valeurs la sortie (les effets).











Dans ltude comportementale dun systme il faut bien dfinir la notion de ltat du systme
[Larminat, 1993], [Noura et al., 1996] . Le modle le plus souvent utilis par lautomaticien
est le modle en boucle ferme, dans lequel le signal de la sortie est inject lentre.

Lobjectif principal de lautomatique est celui dlaborer les lois de commande qui
ont comme but de modliser le signal de consigne afin dobtenir le signal de
commande, u(t). Selon le nombre des grandeurs de commande il existe des systmes
uni varis ou multi varis. Le processus ainsi command ncessite une modlisation
mathmatique afin de rduire autant que possible linfluence entre les perturbations
inhrentes et la rponse finale.
Lobjectif secondaire de lautomatique est de contrler lcart entre la sortie et la
consigne du processus. Le modle en boucle ferme ralise galement une
compensation de leffet des perturbations sur la sortie du processus.

De manire gnrale un systme automatique intgre deux parties : une partie commande
qui labore les lois mathmatiques qui modlisent la rfrence et fournissent le signal de
commande, et une partie oprationnelle , qui contient le processus mme, et modlise les

Processus
Sorties (effets)
Perturbations
externes
Figure 2.1 Systme causal standard
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

104
grandeurs dentre (la commande) et les perturbations afin de minimiser leurs impact sur
lcart de la sortie (figure 2.2):













Le support mathmatique utilis par lautomaticien comporte des systmes dquations
diffrentielles, linaires ou non linaires, qui expriment les sorties par une forme linaire des
variables dtat et des variables dentre. Lanalyse mathmatique des systmes algbriques
induit des notions primaires comme la rponse indicielle, la rponse impulsionnelle, etc.
Dans lintgration des mthodes de contrle et de prvision spcifiques la MSP dans un
schma automatique, quelques techniques spcifiques au domaine dautomatique ncessitent
tre dfinies.
Ainsi une technique courante dans lAPC est la commande par retour dtat qui consiste
estimer ou reconstruire ltat du systme afin de ramener la sortie du systme la valeur
souhaite de la consigne. Laccommodation aux dfauts comporte le pilotage du systme en
laborant des lois de commande afin de saccommoder aux perturbations. La reconfiguration
cest la technique ncessaire pour modifier la loi de commande afin dobtenir les mmes
performances du systme dans la prsence de perturbations comme dans le cas du
fonctionnement normal (sans dfaillance).
Nous citons galement les techniques du filtrage qui consistent dterminer des estimateurs
de variable du systme lorsque lenvironnement prsente des perturbations alatoires. Pour la
bonne comprhension de la mise en place de ces techniques nous indiquons les travaux de P.
Borne [Borne et al., 1992], H.Noura [Noura et al., 1996] ou Larminant [Larminant, 1993].
Partie
oprationnelle
(Processus)

Sortie
Figure 2.2 : Les principales composantes du systme automatique
Partie de
commande


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

105
Figure 2.3 : Schma en boucle ferme
Bloc de
commande
Processus
u(t)
rfrence
sortie
sortie y(t)

Dans un schma classique dasservissement en boucle ferme (figure 2.3), le rle central est
dtenu par un bloc de commande qui gnre le signal de commande u(t). La sortie du
processus sert de signal dentre dans le bloc de commande.








Gnralement le bloc de commande (figure 2.3) contient un rgulateur qui a comme signal
dentre lcart dfini par la diffrence entre le signal de sortie, y(t), et le signal rfrence, r(t).
En ce qui concerne ltat du systme, son expression mathmatique la plus gnrale est
dcrite par les quations suivantes :
) , , (
) , , (
t u x h y
t u x f x
=
= &
(2.1)

o le vecteur x reprsente ltat du systme, u le signal de commande, t la variable temporelle,
et y la sortie du systme.
Dans ce contexte, une tape essentielle dans ltude des systmes automatiques concerne le
choix du modle le plus reprsentatif pour lanalyse du systme rel soumis ltude.
Lanalyse des spectres des signaux dentre-sortie dvoile trois configurations possibles de
systmes (figure 2.4).











Figure 2.5 : Classement des systmes daprs la nature des signaux dentre et de sortie
Systme
linaire
Entre
non
gaussienne

Rponse non
gaussienne
Systme
linaire
Entre

gaussienne

Rponse
gaussienne
Systme non
linaire
Rponse non
gaussienne
Entre gaussienne

/non gaussienne

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

106
y(t)
Rgulateur Processus
u(t)
r(t)
y(t)
z(t)
Perturbations
w
1
(t)
Perturbations
w
2
(t)
Dans le cas le plus gnral les systmes linaires sont frquemment utiliss pour dcrire un
systme non linaire, dans deux situations possibles et distinctes : une premire situation
comporte le traitement direct des systmes non linaires par lintermdiaire des systmes
linaires.
Cest le cas des systmes non linarit sparable, pour lesquels, les modles linaires
offrent de bons rsultats. Ils ignorent les petites non - linarits dans l'hypothse des
mouvements ngligeables (cas des systmes oscillants un degr de libert) ; au contraire la
deuxime situation est le traitement indirect des systmes linaire par le biais des systmes
linaires en procdant la linarisation du systme non linaire.
Pour les lecteurs intresss de la conception des systmes automatiques nous recommandons
les ouvrages de P. Borne, Larminant o Noura [Borne et al., 1992], [Larminant, 1993],
[Noura et al.,1996].
Les modles automatiques laborent ainsi des lois mathmatiques qui tiennent compte de la
variable dtat du systme et tablissent les relations du transfert entre ltat du systme, les
donnes dentre et de sortie et les perturbations intervenues au cours de son fonctionnement.
A partir du modle classique en boucle ferme (figure 2.3), diffrents schmas reprsentatifs
peuvent tre dvelopps, selon la nature du systme et en tenant compte des facteurs
perturbateurs qui peut laffecter pendant son fonctionnement.










Sur le schma de figure 2.5 sont illustrs les perturbations qui peuvent intervenir dans
diffrents blocs composants du systme. Dans ce contexte, le contrle automatique doit
minimiser limpact des perturbations w
1
(t) et w
2
(t) sur la sortie du processus et implicitement
sur lcart z(t). Il faut donc chercher lensemble de lois mathmatiques qui caractrisent le
rgulateur afin dobtenir un transfert minimum entre les perturbations totales.
Figure 2.5 : Schma de principe dAPC
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

107
Llment essentiel du bloc de commande, est le rgulateur. Ce rgulateur rsout 90% des
problmes dasservissement et de rgulation [Larminant, 1993]. On retrouve les modles PID
dans diffrentes applications relles car ils assurent le meilleur compromis entre la stabilit et
la vitesse de rponse des systmes.
Les schmas automatiques dasservissement et de rgulation interviennent dans de systmes
uni varis (les asservissements de positions, la rgulation de la temprature dun four, etc.)
mais aussi dans des systmes multi varis et plus complexes o la problmatique la plus
prgnante est de matriser toutes les variables du modle reprsentatif du systme.
Les processus de production continue du domaine de la chimie [Tsung, 1999], le racteur
Tenneasse Eastmen [McAvoy et Ye, 1994], les processus de fabrication chez les usines Shell
[Vlachos et al., 2002], ainsi que les processus fabrication des semi-conducteurs [Tsung et Shi,
1999] comportent des modles automatiques multi varis et complexes dvelopps a partir
des techniques de PID dcrites ci dessus.
En spcial pour ces systmes avec un nombre lev des variables qui peuvent avoir des
fluctuations incontrlables, lintrt est port vers lintgration des mthodes capables de
matriser les changements non souhaits de chaque variable participante au fonctionnement du
processus.
Certains modles runissent la configuration proportionnelle intgre, PI, avec des modles
ARMA (1,1) dans le contrle de type MMSE (Minimum Mean Squared Error) [Jiang et Tsui,
2002]. Cependant les outils de contrle statistiques, tel quune carte de contrle de type
EWMA, interviennent dune faon systmatique dans les applications automatiques pour
interprter le fonctionnement dun correcteur de type PID [Tsung et Apley, 2002], [Argon et
Elsayed, 2002], [Apley et Jianjun, 2001].
Cela suscite lintrt de plus en plus manifest vers la rapprochement et lintgration des
performances offertes par les techniques de MSP et dAPC [Elsayed et al., 1995], [Box et al.,
1997].
Nous nous sommes intresss prcisment au sujet de lintgration des outils de contrle
spcifiques la MSP, comme une carte de contrle, dans les structures de contrle dAPC.
Pour pouvoir entrer plus en dtails sur les possibilits damliorer le comportement des
schmas de contrle automatique par le biais des techniques MSP, nous considrons
ncessaire dexpliciter quelques notions propres au domaine dAPC. Une succincte
prsentation des principales notions du contrle automatique, du support mathmatique utilis
ainsi que du principe de fonctionnement dun rgulateur automatique se retrouvent dans
lAnnexe 1 de ce mmoire.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

108
Nos travaux portant sur lintgration des diffrentes techniques statistiques dans les schmas
automatiques ont t stimuls galement par lapparition des certaines dmarches qui
signalant les possibilits damlioration de contrle automatique par lintgration des outils
spcifiques.
Dans ce contexte nous citons les travaux de C. Pereira [Pereira et al., 2000] qui ralise une
analyse des systmes automatiques linaires et non linaires et combine les rseaux
neuronaux avec lapplication des modles non linaires de contrle.
Limpact de la non normalit dans les systmes automatiques a t tudi par G. Falkovich
[Falkovich et al., 2004] qui analyse les techniques de filtrage et de modlisation en phase. Il
tudie la stabilit dun systme qui modlise une transmission en fibre optique gouverne par
les quations non linaires de Schrodinger.
Les outils de contrle de la MSP et celles dAPC sont considrs comme complmentaires par
plusieurs auteurs qui joignent les performances ponctuelles des models automatiques avec le
contrle long terme par le biais des outils statistiques comme les cartes de contrle [Elsayed et
al., 1995], [Gultekin et al., 2002], [Jiang et Tsui, 2002].
Dans la section suivante nous allons prsenter la problmatique dintgration des outils APC
avec des techniques spcifiques au domaine MSP ainsi que les directions prises par nos
travaux concernant ce sujet.

*********
3 Lintgration des techniques MSP et APC

Comme dcrit auparavant le sujet de nos travaux de recherche porte sur les processus
industriels reprsentant des systmes complexes dont le comportement est dtermin par des
nombreux paramtres internes (qui font partie du processus mme) ou externes. Certains
parmi ces paramtres sont non matriss car ils sont mconnus ou incontrlables.
De ce fait, les caractristiques dun produit sont disperses et peuvent tre hors tolrances.
Plus la dispersion (la variabilit) du procd est grande, plus le pourcentage des produits non-
conformes est lev. Quant au contrle dune ou plusieurs caractristiques dun processus
rel, on peut facilement linterprter comme tant la ralisation dun simple test dhypothse.
Supposons la variable alatoire X de moyenne et de variance , qui reprsente une certaine
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

109
caractristique de processus. Cette caractristique doit respecter certaines spcifications (des
tolrances) et en particulier elle doit tre le plus proche possible de la cible,
0
.
Les drglages par rapport la valeur cible sexpriment souvent sous forme des multiples
units dcart type,
+ = 0 1
, o reprsente le drglage en nombre dcarts - type. Ce
dernier peut tre de diffrentes natures: un saut de moyenne (positif ou ngatif), une drive,
une valeur aberrante etc.
Comme nous lavons dj prcis dans le chapitre I de ce mmoire, les tests dhypothse
induisent deux risques derreur: risque connu dans la statistique aussi sous le nom de risque
de premire espce, et risque , le risque de deuxime espce (voir figure 3.1). Lefficacit du
test le rsultat dun compromis entre ces deux risques derreur.
Pour une carte de contrle lefficacit est mesure gnralement par la Priode Oprationnelle
Moyenne
0
POM
0
(ARL
0
3
) et la Priode Oprationnelle Moyenne
1
POM
1
(ARL
1
4
) [Shewhart,
1931] . En pratique, la POM
0
doit tre la plus grande possible et la POM
1
la plus petite
possible.






Une tape assez importante du contrle de processus est bien entendu le choix de la
caractristique ou des caractristiques suivre. Ce choix doit tre le plus pertinent et le plus
reprsentatif du fonctionnement dun processus. A.Kobi [Kobi, 2004] a introduit deux
approches distinctes qui lucident le problme du suivi des caractristiques.

3
Average Run Length :

=
1
ARL0
4
Average Run Length :

=
1
1
ARL1
Figure 3 .1 risque et
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

110
La premire, lapproche directe ou approche MSP, consiste surveiller directement la mesure
de la caractristique considre travers une carte de contrle adquate. Par contre, la
deuxime approche, lapproche indirecte, est base sur la gnration des rsidus et le suivi de
ces rsidus en utilisant soit des cartes de contrle, soit dautres techniques statistiques (test de
Khi-deux, test de Student, test de Fisher, etc.).
Ces rsidus, cart entre la mesure et lestimation, sont labors partir des modles plus ou
moins sophistiqus selon la complexit du processus tudi (corrlation ou non, linaire ou
non), on peut citer ici les travaux de Patton et Frank [Patton et Frank, 2000], Gertler [Gertler,
1998], Basseville et Nikiforov [Basseville et Nikiforov, 2002] .
La premire approche, figure 3.2, est plus facile expliquer et interprter pour un oprateur.
En effet, ce dernier rcupre directement, laide dun moyen de mesure, la valeur
correspondante la caractristique suivie (poids, diamtre, temprature, etc.). Il suffit alors de
reporter cette valeur sur la carte de contrle adquate. Cette approche permet ainsi de prendre
des dcisions et des actions correctives ou prventives directement sur le processus suivi.








Par contre, linconvnient majeur de cette approche est le fait que la mesure (la valeur
observe) peut tre entache derreurs, ce qui peut induire des dcisions errones. Certains
auteurs tels quAbraham [Abraham, 1977], Kanazuka [Kanazuka, 1986] se sont intresss
ce problme et aux consquences de ces erreurs sur lefficacit de la carte de contrle et sur le
diagnostic que lon peut prendre.
Dans la pratique, pour pallier ce problme, il faut raliser au pralable une tude complte
de capabilit (capabilit des moyens de contrle et talonnage des appareils de mesure). En ce
qui concerne la deuxime approche, figure 3.3, elle est intressante quand tout le processus de
surveillance est automatis.



Processus X
Y
t
LIC
LSC
Y
Processus X
Y
t
LIC
LSC
t
LIC
LSC
Y
Figure 3.2 Approche directe
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

111








Et comme les rsidus suivent dans la majorit des cas une distribution normale, le suivi de ces
rsidus est assez facile en utilisant une carte de contrle ou un test statistique. Par contre, sil
y a prsence dun dfaut, loprateur na pas dindication sur lorigine du dfaut : dfaut
processus ou dfaut modle. En plus, dans le cas dun changement au niveau des paramtres
ou du processus, le modle mathmatique peut tre inadapt.
Une autre diffrence entre ces deux approches se situe au niveau du domaine dapplication.
Au dbut, la MSP a t dveloppe pour les processus de production (fabrication) de pices
unitaires (systmes discrets) alors que lapproche indirecte est plutt axe sur les processus
continus (lindustrie de la chimie par exemple). On constate nanmoins, depuis un certain
temps, que des travaux utilisant la MSP ont t raliss avec succs pour les processus
continus.
Depuis quelques annes, plusieurs auteurs se sont intresss ces deux approches. On peut
citer par exemple les travaux de Box [Box et al., 1997], Montgomery [Montgomery et al.,
1994] qui ont prsent les avantages et les inconvnients entre un asservissement de type PID
et les techniques de la MSP.
Tsung [Tsung et al., 1999] et Jiang [Jiang et al., 2002] ont labor une procdure de
surveillance (carte de contrle) base sur les principes du correcteur PID pour les donnes
corrles. Janakiram et Bert Keats [Janakiram et Keats, 1998] ont propos de combiner ces
deux approches dans le cas dun systme industriel hybride, pendant que Ruhhal [Ruhhal et
al., 2000] les tudient en prsence dune perturbation de type saut de moyenne.
Dautres recherches ont intgr des outils comme les statistiques baysiennes (Rao [Rao et al.,
1995] ), les systmes experts (Dagli [Dagli, 1988], Tsacle [Tsacle et Aly, 1996]), la logique
floue (Wright et Ralston [Wright et Ralston, 1994]) etc. Enfin, on peut noter que la MSP est
utilise de faon presque systmatique dans les entreprises manufacturires et de plus en plus
dans les entreprises de service : Wardell et Candia [Wardell et Candia, 1996] pour la
Processus
Modle
X
Y
Y

Y e =
t
LIC
LSC
e Processus
Modle
X
Y
Y

Y e =
t
LIC
LSC
t
LIC
LSC
e
Figure 3.3 Approche indirecte
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

112
satisfaction des patients dun hpital et Corbett et Pan [Corbett et Pan, 2002] pour valuer les
performances environnementales.
De mme on constate ces dernires annes lutilisation des cartes de contrle dans les
domaines de la maintenance et de la fiabilit : Cassady [Cassady et al., 2000], Sun [Sun et al.,
2001], Xie [Xie et al., 2002] .
Sur les techniques APC et MSP existe ainsi des opinions varies mais on rencontre
frquemment la ncessit de combiner les techniques de ces deux grands domaines afin
dobtenir les meilleures performances dun processus.
Le contrle automatique suppose toujours lexistence dun modle qui fournit toutes les
informations sur les performances et les rglages imposs, en fonction de lensemble de
facteurs qui affectent le processus. Lintgration des mthodes automatiques et statistiques
semble naturelle car les deux domaines visent le contrle et lamlioration du fonctionnement
des processus. Reste le problme dune meilleure collaboration entre les deux domaines afin
daugmenter les performances du contrle.
Malgr le nombre relativement restreint de dmarches scientifiques, les ides avances par
Elsayed [Elsayed et al., 1995], Argon et Elsayed [Argon et Elsayed, 2002], ou Gultekin
[Gultekin et al., 2002] difient un cadre favorable ltude de cette problmatique.
Une fois le sujet abord, on retrouve diffrents modles qui traitent ladjonction APC/MSP.
E.A. Elsayed [Elsayed et al., 1995] considre que lorigine des techniques de APC se retrouve
dans lindustrie de processus continus tandis que lorigine des techniques de MSP se retrouve
dans lindustrie des processus discrets.
Ils traitent des modles de lindustrie chimique qui incluent aussi des techniques statistiques.
Greg Carr [Carr, 1999] combine une carte EWMA avec les blocs PLC destins au calcul on -
line des diffrentes mesures, la moyenne, lcart type etc.
Wei Jiang et Kwork Leung Tsui [Jiang et Tsui, 2002] prsentent des proprits importantes
de contrle MMSE (Minimum Mean Squared Error) et de PI (Proportionnel Intgral) bas sur
un modle ARMA - AutoRegressive Moving Average.
Dongfeng Shi [Dongfeng et Tsung, 2003] proposent le schma dimplmentation APCM
(Adaptive Principal Component Monitoring) performant aussi pour les systmes SISO (single
input - single output) que pour les systmes MIMO (multiple input - multiple output).
Un schma hypothtique dintgration APC/MSP suppose tout dabord lexistence dun
modle APC destin au contrle des relations entre les entres et les sorties du systme. Cest
un contrle court terme , local, car il ninfluence pas le comportement long terme du
processus.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

113
Dune manire complmentaire, les techniques de MSP permettent lutilisateur de faire de
prvisions et de tenir le processus sous contrle pour une priode plus grande. Il existe dj
des schmas bass sur ce principe de complmentarit introduite par des auteurs comme M.
Gultekin.[Gultekin et al., 2002], S.O. Duffuaa [Duffuaa et al., 2004].
Le modle Tenneesse Eastman Process reprsente un bon exemple au sujet de
lintgration des techniques statistiques de contrle dans les modles automatiques [Chen et
al., 1998], [Sriniwas et Arkun, 1997], [Bakshi, 1998].
Argon et Elsayed [Argon et Elsayed, 2002] intgrent le principe des cartes de contrle de type
EWMA dans le contrle dun processus de production de semi-conducteurs. Les variations
dpaisseur de la couche de SIO
2
produite par le phnomne doxydation sont analyses. Les
cartes EWMA offrent des estimations pertinentes et agissent surveiller la production de
manire automatique.
Nous citons galement les travaux de Box [Box et al., 1997] et de Montgomery [Montgomery
et al., 1994], [Montgomery, 1996], portes sur les avantages et les inconvnients de la
combinaison des techniques MSP avec un asservissement de type PID.
Nous introduisons le concept de complmentarit comme hypothse de dpart dans
lintgration APC/MSP (figure 3.4). Le fonctionnement dun schma APC/MSP comporte
deux tapes essentielles :

dabord les techniques APC sont appliqus pour les rglages et la matrise des
variations entre les entres et sorties du modle
dans une deuxime tape, les sorties du modle automatique peuvent tre surveilles
avec des techniques de MSP (les cartes EWMA, CUSUM, etc.) afin de dtecter et
dliminer les causes spciales, voir figure 3.4
dautres variables du modle, comme le facteur bruit, etc. pourraient galement tre
soumises au contrle statistique

Dans le modle de contrleur introduit par M. Gultekin [Gultekin et al., 2002], par exemple,
qui sera dtaill dans la section 4 de ce chapitre, les cartes de contrle amliorent visiblement
le comportement du systme face aux perturbations identifies durant son fonctionnement.




t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

114















Les hypothses exprimentes considrent quelques perturbations possibles, connues, et le
bruit associ de nature gaussienne. Les cartes de contrle classique dterminent facilement les
petites drglages dans la moyenne du processus.
A partir de cette approche nous avons identifi quelques amliorations possibles
respectivement de vrifier la robustesse du systme face dautres perturbations
hypothtiques ou de tester des cartes de contrle plus adquates pour la dtection des
diffrents drglages intervenant dans le systme.
Avant de passer lexprimentation pratique des modles intgrs APC/MSP nous pouvons
prjuger que les performances comportementales dun processus seront amliores par
lutilisation commune des outils spcifiques de la MSP et des modles automatiques [Kobi,
2004].
Comme nous lavons illustr dans la figure 3.4, lintgration de ces deux techniques conduit
videmment une amlioration comportementale du processus, les variations sont rduites et
le processus est plus performant que dans le cas ou ces techniques sappliquent sparment.
Les exemples existantes dans la littrature [Elsayed et al., 1995], [Gultekin et al., 2002], [Gob
et al., 1999], utilisent des techniques de la MSP classiques, comme une carte de Shewhart ou
la carte de type EWMA, pour la surveillance des paramtres du modle automatique.
Sujet longtemps disput au cadre de la MSP, la non normalit des donnes apparat comme un
dfi aussi pour les automaticiens. Implicitement le sujet de non normalit au cadre des
Figure 3.4 : Schma de principe pour la combinaison de techniques MSP et APC
Systme de
commande
Paramtres
de rglage
PROCESSUS
Capteurs Sortie
Surveillance et suivi statistique
MSP
Robustesse
Rtroaction ou
Reconfiguration
Systme de
commande
Paramtres
de rglage
PROCESSUS
Capteurs Sortie
Surveillance et suivi statistique
MSP
Robustesse
Rtroaction ou
Reconfiguration
Systme de
commande
Systme de
commande
Paramtres
de rglage
Paramtres
de rglage
PROCESSUS PROCESSUS
Capteurs Capteurs Sortie
Surveillance et suivi statistique
MSP
Robustesse
Rtroaction ou
Reconfiguration
Rtroaction ou
Reconfiguration
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

115
schmas intgrs MSP/APC confre un plus doriginalit aux dmarches suivies dans ce
mmoire.
Au fur et mesure de lexposition de nos travaux sur lintgration des techniques de la MSP
et dAPC, laspect de non normalit sera galement abord, et les performances des schmas
intgrs MSP/APC seront interprtes.


4 Contributions lamlioration des modles de contrle APC MSP

Nous avons signal prcdemment (chapitre I) les quatre tapes couvertes par le contrle des
processus complexes. Ce sont respectivement la dtection, lidentification et le diagnostic de
faute et la reconfiguration.
La dtection de faute consiste dterminer en temps rel si les conditions oprationnelles du
processus sont anormales cause de la dfaillance ou la dgradation dun quipement, etc.
Lidentification de faute se traduit par lidentification des variables (paramtres) de processus
permettant de diagnostiquer le mieux le type de faute survenu. Lobjectif ici est de focaliser
lattention des oprateurs et des ingnieurs sur le sous-systme le plus pertinent pour le
diagnostic de faute afin dliminer le plus efficacement possible leffet de la faute.
Le diagnostic consiste prciser quelle faute sest produite, autrement-dit quelle est la cause
lorigine dune situation hors-contrle dtecte. Le diagnostic de faute est essentiel pour
contrecarrer ou liminer la faute. La reconfiguration du processus, appele aussi intervention,
consiste liminer leffet de la faute.
Ds nos jours, laugmentation de la complexit des processus industriels gnre des difficults
accrues au niveau de la modlisation physique du procd analys et par consquent au
niveau du contrle. La mise au point des modles informatiss et intgrs de management
pour de situations anormales bass sur des mcanismes collaboratrices est videment une
action indispensable dans ce contexte.
Ces modles doivent tre btis sur une architecture permettant aux agents physiques
(oprateurs, ingnieurs, agents de maintenance, etc.) de cooprer avec des agents fonctionnels
(systmes de dcision assists par ordinateur) par le biais de services fournis par les agents
dinterfaage [Yang et Lu, 2000].
Comme nous lavons dj soulign, il existe dans la littrature peu de dmarches sur
lintgration des outils MSP-APC. Sur les deux domaines les opinions ont t toujours
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

116
varies. Les techniques de MSP sont utilises dans le contrle de la variation naturelle dun
processus (processus discrets) o le but est de produire des composants individuels avec le
moins possible des variations. APC est bas sur un modle mathmatique afin de garder le
processus stable.
Dans cette situation, les processus ont la moyenne ajustable en permanence. APC donne une
solution court terme pour lamlioration des variations de la valeur cible. MSP assure une
solution long terme en ce qui concerne la surveillance et le contrle des variations du
processus.
Pour mieux raisonner limportance de ce sujet, nous prsentons par la suite deux exemples de
processus rels comportant lintgration des mthodes de contrle de la MSP et dAPC ainsi
que nos propositions damliorations.


4.1 Le modle intgr de Gultekin

Nous avons choisi comme modle reprsentatif pour lintgration des techniques MSP et APC
le modle dvelopp par Gultekin [Gultekin, 2000] qui provient du domaine de la chimie.
Grce un schma comprhensible et explicite il nous a servi comme base de recherche sur le
sujet de lintgration MSP/ APC.
Lauteur dfinit un schma de contrle pour un processus continu de fabrication dune
substance chimique. A partir des ingrdients ncessaires la raction chimique et au travers
trois racteurs identiques et un rgulateur de type PID, la sortie du modle est reprsente par
la concentration souhaite de la substance chimique (figure 4.1).
Dans chaque racteur les conditions atmosphriques sont identiques (pression, temprature) et
la densit est considre constante pendant la priode de fonctionnement du procd.


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

117




Le ractant est soumis une raction chimique de premier ordre dans chaque racteur. De ces
ractions rsulte le liquide. Les quations mathmatiques dcrivant les transformations du
processus considr sont dcrites dans les formules 4.1 4.3:

) (
1
) ( )
1
(
) (
0
2
1
2
1
1
t y
k
t y
k
k
dt
t dy
= + + (4.1)

) (
1
) ( )
1
(
) (
1
2
2
2
1
2
t y
k
t y
k
k
dt
t dy
= + + (4.2)

) (
1
) ( )
1
(
) (
3
2
3
2
1
3
t y
k
t y
k
k
dt
t dy
= + + (4.3)

o les y
i
(t), (i=1, 2, 3) reprsentent les concentrations de ractant dans chacun des trois
racteurs exprims en kgmol/m
3
. y
0
est, respectivement la concentration de dpart lentre
du premier racteur, et reprsente la sortie du contrleur PI affecte par lensemble des
perturbations dentre, d
e
(t)= d
d
(t) + d
r
(t). Les conditions initiales sont :

) 0 ( ) 0 ( ) 0 (
3 2 1
y y y = = (4.4)

La sortie du systme est en effet le signal y(t)=y
3
(t) et la rfrence pour la sortie, r(t)=0. Les
paramtres de raction, k
1
et k
2
, sont les mmes pour chaque racteur, k
1
=0.5min
-1
et,
respectivement, k
2
=2min. La sortie du contrleur sera not c(t) et est dcrite par la fonction :
Figure 4.1 : Le modle du racteur chimique de Gultekin
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

118

) ) (
1
) ( ( ) (

+ = dt t e t e K t c
I
C

(4.5)

o e(t) est lerreur de sortie, K
C
=30 reprsente le gain du contrleur et
i
=5min est la
constante dintgration.
Gnralement pour un modle automatique, le modle mathmatique associ et le signal
dentre du systme sont considrs connus ce qui permet de dterminer la sortie du systme.
Pourtant, autour dun systme rel il existe toujours des perturbations alatoires qui peuvent
induire des variations dans la sortie du systme.
Pour le modle de Gultekin ces variations sont attribues aux deux sources distinctes: les
perturbations alatoires sur lentre du systme et respectivement les erreurs de mesure, qui se
traduisent comme des perturbations alatoires sur la sortie du systme.
Dans le schma dcrit dans les figures 4.2.a 4.2.d nous avons illustr la rponse indicielle
du systme pour diffrentes amplitudes de la perturbation de sortie (point de mesure). Nous
pouvons remarquer facilement que leffet des perturbations alatoires dentre peut tre
diminu travers le systme et leur impact sur la sortie peut tre imperceptible.
Par contre, les erreurs de mesure agissent directement sur la sortie, et leur effet sera
automatiquement transfr dans la rponse du systme.




Figure 4.2.a : La sortie du systme avec un signal dentre de type chelon damplitude
unitaire
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

119








Il est vident que lidentification du signal chelon la sortie du systme est affecte
progressivement par la perturbation de sortie de diffrentes variances (figures 4.2.a 4.2.b).
Cela implique une analyse trs rigoureuse des perturbations alatoires dans la sortie car elles
ne doivent pas dpasser lamplitude des signaux alatoires ou dterministes de lentre. Si
lamplitude du signal erreur de mesure est grande, leffet des perturbations dentre risque
dtre non identifi.

Figure 4.2.b : La sortie du systme affect par la perturbation de sortie de variance 10
-7
Figure 4.2.c : La sortie du systme affect par la perturbation de sortie de variance 10
-4
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

120




Gultekin [Gultekin et al., 2002] dtermine le taux de reproduction du signal perturbateur
dentre, dans la sortie du systme tudi. Ainsi un signal dentre de variance
2
sera aperu
la sortie avec la variance 0.000029
2
, comme indiquent les figure 4.3.a 4.3.c. A partir
dune approche dterministe concernant le comportement du systme dans le domaine
temporel, et sous lhypothse des deux types possibles des perturbations dentre (chelon et
rampe), lauteur identifie les perturbations les plus reprsentatives qui affectent le modle
[Gultekin et al., 2002].






Figure 4.2.d : La sortie du systme affect par la perturbation de sortie de variance 10
-2
Figure 4.3.a : Une erreur dentre de variance 0.25 dtermine une variance en sortie de 7.25x10
-6
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

121








A partir dune approche dterministe concernant le comportement du systme dans le
domaine temporel, et sous lhypothse des deux types possibles des perturbations dentre
(chelon et rampe), lauteur identifie les perturbations les plus reprsentatives qui affectent le
modle [Gultekin et al., 2002].
Dans la boucle de rtroaction les paramtres du processus et du contrleur sont gnralement
connus. Ainsi les rglages effectus sur lentre du systme ont un effet dterministe sur la
sortie, qui peut tre calcul. En outre, la sortie du systme peut tre dtermine, mais les
Figure 4.3.c : Une erreur dentre de variance 2 dtermine une variance du sortie de 5.8x10
-5
Figure 4.3.b : Une erreur dentre de variance 1 dtermine une variance du sortie de 2.9x10
-5
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

122
perturbations dentre ne sont pas connues et ne peuvent pas tre directement mesures. Si le
processus est affect seulement par des causes communes de variation (erreur de mesure et
perturbation alatoire d'entre), la sortie est considr comme naturelle.
Par contre, les perturbations dterministes (telles quun drglage en rampe ou un chelon)
dans lentre du systme reprsentent des causes assignables et leur impact sur le processus
doit tre identifie aprs la dtection.
Dans ce contexte la dtection avec les cartes de contrle de la MSP est la solution adquate
qui limine le risque de propagation derreurs au parcours dune priode tendue de
fonctionnement.
Lalgorithme de fonctionnement de schma APC/MSP introduite par Gultekin comporte trois
tapes principales : une premire tape est la dtection de la perturbation avec les cartes de
contrle, suivie par lidentification de la perturbation et de lintervalle de temps affect
cette perturbation, et ltape finale est une action corrective applique au systme pour
remdier aux effets perturbateurs.
Lauteur propose lutilisation dun certain nombre de systmes parallles avec le systme
actuel, non perturb. Ces systmes identifient et traitent les diffrents types de perturbations
qui pourraient affecter le processus (figure 4.4.).
Les cartes de contrle MSP surveillent la diffrence (rsidus) entre deux signaux : la sortie du
systme rel, soumis aux perturbations inhrentes, et la sortie du systme en parallle, qui
modlise la moyenne du processus rel, sous laction des diffrents drglages identifis (saut
de la moyenne, drglages en rampe, etc.).
Quand un signal est apparu sur la carte de contrle, le systme en parallle correspondant est
mise en place pour remdier la perturbation modlise. Les perturbations susceptibles
dintervenir dans le processus dcrit dans la figure 4.1 ont t identifies comme des petits
drglages autour de la moyenne, de type chelon, rampe o impulsion.
Parmi les possibles drglages mentionnes prcdemment, seule la dtection des
perturbations de type chelon a t analyse par Gultekin [Gultekin et al., 2002]. Ainsi les
cartes de contrle individuelles de Shewhart intgres dans le modle agissent comme un
superviseur sur la sortie de la boucle de rtroaction du modle. Le dlai entre le systme
parallle et le systme rel est pris en compte.
Les donnes tant corrles, les performances des cartes de contrle sont analyses en termes
dATFS (Average Time to First Signal) qui reprsente la priode moyenne de temps (sur de
multiples simulations), jusquau premier signal hors contrle.

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

123





En absence de drglage et en prsence dune erreur de mesure de type bruit blanc de
variance 5x10E-7, la valeur de ATFS trouv par M. Gultekin tait de 6100 secondes. Cette
valeur tant obtenue dans ltat stable du processus, elle servira comme rfrence pour
Figure 4.4 : Le modle de systmes en parallle propos par Gultekin[Gultekin et al,. 2002]

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

124
lvaluation des performances de la carte de contrle de Shewhart dans la dtection de
diffrentes perturbations.
Les performances de dtection dun drglage dentre du systme de type chelon et de
diffrentes amplitudes sont indiques dans le tableau 4.1 :

Amplitude du drglage
chelon
Le pourcent de dtection
(%)
ATFS /variance de ATFS
(seconds)
0.25 95 112/39
2

0.50 100 74/18
2

0.75 100 61/14
2

1.00 100 54/12
2




Dans nos travaux, le modle des trois racteurs (figure 4.1) a t implment laide du
module Simulink (Matlab 07). Lauteur de lanalyse cite auparavant, Mme Mudge Gultekin,
avait utilis pour ses simulations le logiciel C++.
Nous avons tout dabord construit le schma du processus sous Simulink et retrouv les
rsultats de Gultekin par le biais des simulations numriques. Les conditions de nos
simulations ont t identiques aux celles utilises par Gultekin :
-un bruit alatoire de variance 0.25 associ au systme rel qui est aperue dans la
sortie du systme comme un signal de variance 7.25E
-6
;
-une erreur de mesure de variance 5E
-7
;
Malgr les changes avec lauteur des travaux mentionns, nous navons pas pu reconstituer
un modle Simulink qui fournit exactement les mmes valeurs de dtection comme celles de
rfrence. Notre modle Simulink retenue prsente ainsi les rsultats les plus proches possible
des valeurs de rfrence conformment au tableau ci-dessous :

Amplitude du drglage chelon ATFS : Rsultats de rfrence
(Gultekin C++)
ATFS : Rsultats Simulink
0 6100 6129
0.25 112 104
0.50 74 78
0.75 61 67
1.00 54 60

Table 4.1 : Les performances en dtection du schma intgr APC/MSP de Gultekin[Gultekin et al., 2002]

Table 4.2 : Comparaison des rsultats du modle Simulink avec les rsultats de rfrence

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

125

Une fois le drglage dtect, le systme en parallle correspondant sera mis en action pour
remdier ses effets. Face aux drglages de type chelon (pour toutes les quatre amplitudes
testes), la stabilit long terme du processus est garantie.
Parmi les drglages possibles identifis dans le cadre du modle de Gultekin [Gultekin et al.,
2002] certaines sont de trs faibles amplitudes (exemple lchelon damplitude 0.25) et
dautres, tel quun drglage en rampe ne sont pas tudis.
Nous remarquons dans un premier temps que notre schma Simulink offre des meilleures
performances de dtection des petits drglages. Cependant notre intrt ne porte pas sur la
validation dun modle existant mais sur la possibilit damliorer ce modle afin de mieux
traiter lincidence de tout petits drglages de la moyenne du processus.
A partir de notre modle Simulink nous allons par la suite proposer lutilisation dune carte de
contrle EWMA o dune carte de type VP intgres dans le modle du systme, afin
dtudier la dtection des trs faibles drglages. Les rsultats de nos applications
exprimentales seront dcrits par la suite.



4.1.1. Propositions damlioration de la dtection des faibles drglages pour le modle
intgr de Gultekin : lintgration dune carte de contrle de type EWMA

Lide dintgration des cartes de type EWMA dans le contrle automatique a t introduite
par Argon et Elsayed [Argon et Elsayed, 2002] qui utilisent le principe des cartes EWMA
dans la dtection des petites variations autour de la moyenne dans lindustrie de semi-
conducteurs.
Nous proposons damliorer la dtection des diffrents drglages de faible amplitude pour le
schma en parallle introduite par Gultekin, en utilisant la carte de contrle EWMA. Le
schma des trois racteurs de Gultekin est facile manipuler et le modle Simulink que nous
lui avons associ permet danalyser les signaux de sortie du systme indpendamment, avec la
carte de contrle souhaite (figure 4.5).
Ainsi nous avons mis au point un programme Matlab qui, pendant les simulations, rcupre la
sortie du systme et lanalyse avec diffrentes cartes de contrle.


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

126


Figure 4.5 : Systme intgr MSP/APC de Gultekin


Le remplacement des cartes individuelles de type Shewhart par les cartes EWMA devrait
naturellement conduire une meilleure dtection des faibles drglages. Cependant, pour que
la comparaison soit pertinente, nous devrons tenir compte dans le choix des paramtres de la
carte EWMA ( et L), du taux rduit des fausses alertes assur par la carte de Shewhart. Ainsi
la valeur du paramtre L devrait rester proche de 3 pour ne pas avoir trop de fausses alarmes
et la valeur de , comprise entre 0 et 1, doit assurer la plus rapide dtection dun faible
drglage.
En fixant comme objectif qualit un ATFS proche de la valeur de 6100 secondes nous avons
analys plusieurs configurations des cartes de contrle EWMA appliques sur la sortie du
systme de Gultekin.
Nous avons considr le contrle individuel, chaque instant (seconde) la valeur du signal
sortie du systme dcrit dans la figure 4.5 est compare avec les limites de la carte de contrle
EWMA. Les rsultats de nos simulations sont inclus dans le tableau 4.3 :



t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

127

ATFS : Rsultats Simulink


Amplitude du
drglage chelon
EWMA
(L=2.8,
=0.7)
EWMA
(L=2.8,
=0.8)
EWMA
(L=2.8,
=0.9)
EWMA
(L=2.9,
=0.7)
EWMA
(L=2.9,
=0.8)
EWMA
(L=2.9,
=0.9)
0 5077 5082 5992 3642 5082 5992
0.25 92 97 97 92 97 97
0.50 72 72 77 72 72 77
0.75 62 62 67 62 62 67
1.00 57 57 57 57 57 57



On voit bien que la plupart de ces configurations assurent une meilleure dtection des faibles
drglages (damplitude 0.25 et 0.5) que la carte de Shewhart, tout en assurant un faible
risque des fausses alarmes.
Dans la pratique, les cartes EWMA (L=2.8, =0.7) et EWMA (L=2.8, =0.8), par exemple,
peuvent assurer une dtection rapide de tous les drglages de taille 0.25 1. Si lon compare
avec les rsultats de M. Gultekin, la carte EWMA (L=2.8, =0.7) dtecte 20 secondes plus
vite que la carte de Shewhart un drglage damplitude 0.25, et 2 secondes plus vite que la
carte de Shewhart un drglage de 0.5.
Evidemment la dtection des drglages plus grandes (0.75 et 1) est ralentie (si on se rapporte
aux rsultats de Gultekin) avec la carte EWMA (L=2.8, =0.7), mais les valeurs sont
meilleures que les valeurs de dtection que nous avons obtenu pour une carte de Shewhart.
De mme, la carte EWMA avec le paramtre gal 0.9 dtecte trs facile les drglages de
faible amplitude et en plus prsente le taux le moins lev des fausses alertes (ATFS 5992
secondes).
En raison des conditions identiques de simulations (mme logiciel - Simulink) nous
considrons pertinent de poursuivre notre analyse en se rapportant aux valeurs de la carte de
Shewhart, telles que nous les avons obtenues.
Dans les figures 4.6 et 4.7 nous avons compar les performances de la carte EWMA (L=2.8,
=0.7) et de la carte de Shewhart dans la dtection dun drglage damplitude 0.25.

Tableau 4.3 : La carte de EWMA pour le modle intgr APC/SPC de Gultekin.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

128





Figure 4.6 : Dtection dun drglage chelon damplitude 0.25 avec EWMA et Shewhart
Figure 4.7 : Lefficacit de la carte EWMA(L=2.8, =0.7) dans la dtection dun drglage de taille 0.25
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

129
La carte EWMA (L=2.8, =0.7) est beaucoup plus rapide dans la dtection (12 secondes).
Comme signal par Gultekin, le systme soumis notre tude est en ralit susceptible dtre
affect par des trs faibles drglages. En utilisant la carte EWMA ces drglages seront
identifis plus rapidement et les mesures correctives seront apportes plus vite quen utilisant
une carte de contrle classique de Shewhart.


4.1.2. Propositions damlioration de la dtection des faibles drglages pour le modle
intgr de Gultekin : lintgration dune carte de contrle de type VP

Nous continuons nos recherches sur les possibles amliorations du modle de Gultekin
concernant la dtection des faibles drglages, par lintgration dune carte avec des
paramtres variables, VP.
Comme dcrit dans le chapitre II de ce mmoire, cette carte de contrle est adapte pour la
dtection des trs faibles drglages pour les lois de distribution non normales mais galement
pour les lois normales, car en effet lapplication des cartes VP ne ncessite pas la
connaissance a priori de la loi de distribution.
Nous avons tout dabord recherch les configurations des paramtres (notamment tailles
dchantillons N
1
et N
2)
qui nous permettent de se rapprocher du taux des fausses alertes
obtenu avec les cartes individuelles de Shewhart.
Ces valeurs sont faciles dterminer si on tient compte des relations entre les valeurs de N
0
,
N
1
, N
2
, T
0
, T
1
, T
2
, K
0
, K
1
, K
2
. Ces relations introduites par Lin et Chou [Lin et Chou, 2005b]
se retrouvent sous une forme plus gnrale dans les travaux de Magalhes et al. [Magalhes et
al., 2006] au sujet de lutilisation des cartes de contrle des moyennes et tendues avec
paramtres variables.
Pour rappel, N
0
, N
1
, N
2
, sont les tailles dchantillons, T
0
, T
1
, T
2
sont les intervalles de
prlvement et K
0
, K
1
, K
2
les coefficients de contrle correspondant respectivement ltat
initial stable, la zone centrale et la zone davertissement sur une carte de contrle aux
paramtres variables (voir la section 2.4 du chapitre I de ce mmoire).
Selon Magalhes et al. [Magalhes et al., 2006], les relations entre ces paramtres se
traduisent par le systme dquations 4.6 :



t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

130
.
0 0 2 0 1
) 1 ( N P N P N = +
0 0 2 0 1
) 1 ( T P T P T = +
) 2 ( ) 1 )( 2 ( ) 2 (
0 0 0 2 2 0 1 1
= + P P

Pour ltude prsente ici, P
0
est la probabilit dchantillonnage avec des petites tailles
quand le processus est sous contrle et
i

(i=0, 1, 2)
est la probabilit dun point dtre hors les
limites de contrle, dfinies avec les coefficients K
i
sur la carte de contrle VP. Ainsi nous
pouvons choisir les valeurs dune partie de ces paramtres et dduire les valeurs du reste des
paramtres, pour une valeur souhaite du taux des fausses alertes.
Nous avons cherch dterminer les configurations des paramtres assurant un ATFS
dapproximativement 6100 secondes pour le contrle du signal sortie du systme de Gultekin.
Pour les raisons dj dcrites dans nos applications des cartes VP (chapitre II), nous avons
choisi les valeurs des paramtres fixes de manire suivante : N
0
=5, T
0
=1 et K
0
=3 (valeurs
normes cartes classiques, pour ltat initial stable), K
1
=6 (grande intervalle de contrle afin de
rduire le risque des fausses alertes) et T
2
=0.05 (lintervalle de prlvement petit pour la zone
davertissement).
En variant les tailles dchantillons N
1
et N
2
et en utilisant les relations 4.6 on retrouve un taux
des fausses alertes de 6100 pour toute combinaison de N
1
=5 et N
2
6 (qui thoriquement
correspond un P
0
gal 1). De point de vue conomique nous avons retenu la valeur du N
2

de 6 observations par chantillon.
La valeur du T
1
sera gale 1 et la valeur du K
2
tend vers 0 (la valeur de P
0
impose des
limites de contrle trs serres quand lobservation se trouve dans zone davertissement). Les
rsultats de lapplication de la carte VP avec la configuration des paramtres ainsi dtermins,
sont inclus dans le tableau 4.4.
Comme attendu, la dtection de drglages trs petits est plus efficace avec les cartes VP
quavec les cartes de Shewhart. Pour la configuration choisie, si un drglage damplitude
0.25 affecte la moyenne du processus de Gultekin, les cartes VP le dtectent 7 secondes avant
la carte de Shewhart.




(4.6)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

131


La carte de control VP versus la carte de contrle
individuelle de Shewhart



Carte de contrle de
Shewhart


Carte de contrle de
type VP
Le taux des fausses alarmes (secondes) 6129 6121
0.25 104 97
0.5 78 79
0.75 67 67

Temps de dtection (secondes), pour une amplitude de
drglage de :
1 60 61



Cependant, si on compare ces rsultats avec les rsultats de dtection dune carte EWMA on
voit bien que cette dernire est prfrable dans le cas du processus de Gultekin. Car la carte
dEWMA assure galement une bonne dtection des drglages de taille plus importante, plus
rapide quune carte de Shewhart. Ce nest pas le cas des cartes VP.


4.1.3. Conclusions sur nos propositions damlioration de la dtection des faibles
drglages pour le modle intgr de Gultekin

Nous avons regroup les performances obtenues pour chaque type de carte de contrle test
avec notre modle Simulink pour le schma intgr de Gultekin (figure 4.8). Parmi les trois
cartes de contrle testes, les cartes de contrle de Shewhart, EWMA (L=2.8, =0.9) et VP
ont des performances proches, lexception de la dtection dun drglage de trs petite
amplitude (0.25).
La carte EWMA (L=2.8, =0.8) assure une meilleure dtection pour tous les drglages, le
seul pr requis dans son utilisation est le taux des fausses alertes plus lev que les deux
autres cartes.
Les diffrences entre les performances des cartes de contrle prsentes ici peuvent sembler
insignifiantes (dordre 7 seconds, par exemple). Cependant le processus de Gultekin provient
dun domaine (chimie) o les plus petites dviations de la valeur souhaite pour la
concentration dune substance peuvent avoir des effets dramatiques.
Tableau 4.4 : La carte de contrle de type VP dans le modle APC/MSP de Gultekin.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

132
Dans ces circonstances, sur lensemble des outils tudis dans ce paragraphe, nous
recommandons la carte EWMA (L=2.8, =0.8), qui malgr un risque sensiblement plus lev
des fausses alertes, est la plus adapte pour la dtection des drglages des diffrents tailles
qui pourraient affecter le processus de Gultekin.

0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
5500
6000
6500
SWH
VP
EWMA (L=2.8, =0.9)
EWMA (L=2.8, =0.8)
SWH 6129 104 78 67 60
VP 6121 97 79 67 61
EWMA (L=2.8, =0.9) 5992 97 77 67 57
EWMA (L=2.8, =0.8) 5082 97 72 62 57
0 0,25 0,5 0,75 1





Pour conclure, nous avons voulu dans un premier temps rendre plus comprhensible le sujet
dintgration des modles automatiques avec les outils SPC, prcisment avec les cartes de
contrle. Le modle introduit par Gultekin nous a ouvert le chemin des recherches vers
lamlioration de lassociation de ces deux outils : APC et SPC.
Aprs avoir reconstitu le modle propos par Gultekin dans un autre environnement que
celui dorigine (Simulink) nous avons propos le remplacement de la carte de contrle de type
Shewhart, afin damliorer la dtection des petits drglages, imminentes dans le processus
chimique analys.
Il est vident que les outils introduits dans le chapitre prcdent, les cartes VP, peuvent aussi
amliorer les performances dun schma APC. La mthode tant non paramtrique elle
Figure 4.8 : Lefficacit pour la dtection de diffrentes cartes de contrle intgres dans le modle
APC/MSP de Gultekin
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

133
sapplique sans risque pour nimporte quelle caractristique et pour nimporte quel type de
drglage susceptible daffecter le processus. Par contre pour ltude du processus de
Gultekin on a t obligs dimposer un taux trs rduit des fausses alertes, le mme comme
pour la carte de Shewhart. Avec cette contrainte, la mthode VP nous fournit des bons
rsultats uniquement pour la dtection du drglage le plus faible susceptible daffecter le
processus. Nous avons trouv quune configuration de carte EWMA serait plus adapte pour
lintgration dans le modle automatique du processus.
Ltude de ce schma simple et nos rsultats exprimentaux nous mnent conclure que
lintgration des outils MSP dans les schmas automatiques de contrle prsente une grande
importance pratique. Ces outils peuvent contribuer dune manire vidente la rduction de la
variabilit des caractristiques, des meilleures dcisions et consquemment lamlioration
de la qualit finale des caractristiques contrles automatiquement.
Nous voulons par la suite diriger notre recherche vers les processus rels et plus complexes
qui pourraient tre amliors par lintgration de ces deux outils. Nous avons choisi pour
ltude un racteur chimique dont le schma de fonctionnement, d sa complexit (une
multitude des caractristiques, tendances dinstabilit en boucle ferm, etc.), est
continuellement investigu.
Tout dabord nous allons introduire une courte description du mode de fonctionnement et du
schma associ au processus, qui est connu dans le monde industriel sous le nom de processus
Tennessee Eastman TEP (Tennessee Eastman Process). Nous allons ensuite proposer un
schma qui intgre des mthodes MSP dans le schma du modle automatique associ.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

134

4.2 Le racteur de Tennessee Eastman. Gnralits

Le problme de TEP provient d'une plate-forme chimique relle appartenant la compagnie
Eastman. Le processus instable, non-linaire et en boucle ouverte est affect par beaucoup de
perturbations inconnues.
Le plus grand dfi de la communaut de contrle de processus est la conception dun systme
de commande robuste et capable de matriser tous les problmes induits par la multitude des
fautes constates dans le processus. Il existe lheure actuelle diffrentes reprsentations du
processus TEP et des modles de simulations.
A partir de la simulation originale labore par les membres de la compagnie Eastman dans le
langage Fortran, les chercheurs de lUniversit de Washington ont dvelopp un code plus
convivial sous Matlab, accessible pour ltude tout utilisateur Internet. Bien que dans la
littrature il existe beaucoup de variantes du modle de commande de TEP, le plus populaire
est celui tablit par McAvoy et Ye en 1994 [McAvoy et Ye, 1994].
Ce modle a une structure dcentralise de commande avec des boucles de rgulation en
cascade et a t mis en application comme sous Matlab/Simulink par le groupe de contrle du
processus au dpartement du gnie chimique (figure 4.9).
Le schma comporte 4 units principales : un racteur biphas exothermique, un sparateur,
un dcolleur et un compresseur centrifuge. Le processus est pilot laide de 41 variables de
processus et 12 variables qualitatives relatives au produit fini sont suivies galement.
Huit substances chimiques sont utilises par le processus : les substances A, C, D et E sont les
ractants (gazeux), B est un contaminant inerte, G et H sont les produits dsirs, et F est un
sous-produit. Un mlange gazeux arrive dans le racteur o il est fortement mlang.


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

135






Dans le racteur (figure 4.10), quatre ractions irrversibles exothermiques interviennent dans
la phase de vapeur. Ces sont dcrites par les quations : 4.6 :

liq g g g G D C A + +

liq g g g H E C A + +

liq g g F E A +

liq g F D 5 . 1


o
g
et
liq
indiquent ltat gazeux respectivement liquide du produit.


Figure 4.9 : Schma de TEP bas sur la stratgie de contrle de McAvoy

(4.6)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

136





Le racteur est refroidi par un faisceau de tubes submerg dans la phase liquide du racteur,
travers par leau de refroidissement. Les ractions dcrites dans 4.6 comportent un catalyseur
appartenant la phase liquide du racteur, avec un apport nergtique ngligeable.
Les deux phases, liquide et gazeuse sont bien mlanges laide dun agitateur et on peut
considrer que les deux sont tout moment en quilibre de phase.
Lcoulement sous la forme de vapeur est conduit par la diffrence de pression entre le
racteur et le sparateur liquide/vapeur, la vitesse d'agitateur et la position de la tige de la
valve agissant par la suite la commande des leurs signaux de contrle, dont les valeurs
dquilibre sont connus.
Une multitude des perturbations affectent le processus TEP. Les spcialistes du management
de la qualit de Tennessee Eastman essaient de minimiser les pertes de lentreprise
provoques par la prsence de fautes dans diffrents points de fonctionnement du modle. On
dlimite sur le schma 4.9 les perturbations de sortie, traduites par la variation du taux de
production de % 15 , les changements de taux des gazes A/C dans le flux dalimentation 4,
ainsi que le changement du pourcentage de produit B dans le flux dalimentation 4.
Les principaux objectifs du contrle de TEP sont alors de maintenir les variables de processus
aux valeurs dsires, de rduire au minimum la variabilit du taux de produit et des ractifs
Figure 4.10 : Principe du racteur de TEP
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

137
d'alimentation qui ne prsentent pas une rtention significative, de rattraper rapidement les
perturbations induites par les changements de mlange de produit.
L'effusion d'alimentation qui implique les produits D, E, A, ou A+C, lcoulement de vapeur
du dcolleur, le dversement d'eau de refroidissement de racteur et de condensateur, la
vitesse d'agitateur, le taux de production, la pression dans le racteur sont quelques unes des
contraintes induites par les variables manipules.
Tian et Hoo [Tian et Hoo, 2005] identifient sept modes de fonctionnement possibles du TEP,
dtermines par trois rapports de masse diffrents des produits G/H (tableau 4.5).

Mode de fonctionnement Rapport de masse G/H Taux de production (faute11), kg h
-1

0,1 50/50 7038 G/7038 H
2 10/90 1048 G/12669 H
3 90/10 10000 G/1111 H
4 50/50 taux maximum de production
5 10/90 taux maximum de production
6 90/10 taux maximum de production



Le mode 0 est un mode de fonctionnement de base. Les modes 1-3 sont des tats de
fonctionnement aux frais d'exploitation minimum, pour trois diffrents rapports de masse de
G/H. Les modes 4-6 sont des modes de fonctionnement au taux maximum de production
daprs les trois rapports de masse de G/H. Il est impratif, donc, doptimiser galement les
transitions entre les diffrents modes de fonctionnement du processus [Tian et Hoo, 2005].
Face au nombre considrable des fautes, les modles de conception de TEP font appel de plus
en plus souvent aux techniques statistiques doptimisation.
En effet la MSP est intgre dans le management de lentreprise de Eastman partir des
modles conceptuels rcents (2000) qui esprent diminuer la quantit d'acide dcharge
l'usine dans le traitement des eaux rsiduelles. Dans leffort de rduire la quantit totale de
carbone organique dcharg, les stratgies statistiques du contrle du processus visent
lamlioration de la commande, de surveillance et de dcharge. Les nouveaux quipements
qui emploient la MSP amliorent la production et rduisent les pertes. Actuellement lacide
est rcupr et l'eau rutilis.
Du fait de la complexit du problme, le monde de recherche sest galement proccup par
loptimisation du TEP. Diffrents modles de conception intgrent des stratgies simples de
commande qui sappuient sur des boucle multiples de type SISO (Single Input Single Output),
Tableau 4.5 : modes de fonctionnement de TEP, (Tian et Hoo, 2005)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

138
ou de commande dynamique de type matriciel (DMC Dynamic Matrix Command). Ces
approches comportent un degr lev de difficult induite par le choix des points de rglages
optimaux. En outre la dynamique de processus gnre des non linarits qui affectent
loptimisation de la conception linaire du systme.
Certaines auteurs [Kano et al., 2000], ont effectu une tude comparative des performances
des diffrentes mthodes sur des donnes de simulations et sur des donnes issues du TEP.
Chen G. et al. [Chen G. et al., 1998] ont propos une mthode de contrle statistique base
sur lutilisation conjointe de lACPM et du PLS pour la dtection de faute au cadre du
racteur TEP. Ils ont dmontr que dans certaines situations le contrle statistique est plus
efficace (plus faible variation de la composition du produit) que le correcteur PID, car il
dtecte et compense plus rapidement les perturbations non-mesures dans la composition du
flux dentre dans le racteur. Ils ont conclu quune mthode de contrle statistique multi-
varie devrait chapoter un systme de contrle traditionnel (PID) afin damliorer les
performances du procd.
Chiang et al. [Chiang et al., 2004] ont abord galement le problme du diagnostic des fautes
difficiles discriminer dans le cadre du TEP. Il sagit, notamment, de la faute 4 (saut en
chelon de la temprature de leau dans le circuit de refroidissement du racteur), la faute 9
(variation alatoire de la temprature du constituant D) et la faute 11 (variation alatoire de la
temprature de leau dans le circuit de refroidissement du racteur).
Ces trois fautes sont difficiles sparer car elles se superposent dans lespace des variables (il
sagit des observations qui appartiennent des classes diffrentes mais ayant des valeurs
similaires pour les variables descriptives). Dans ce cas, les classificateurs utiliss
traditionnellement dans le cadre de lapprentissage supervis ont une complexit structurelle
importante ce qui se traduit par une capacit de gnralisation faible et un taux derreur de
classification significatif pour des donnes qui nont pas particip au processus
dapprentissage.
La conception des classificateurs a abouti avec la validation de transformations locales. Ils ont
une complexit structurelle moindre et une meilleure efficacit pour la classification des
nouvelles observations [Kulkarni et al., 2005]. Les performances de lanalyse discriminante
de Fisher et de lalgorithme de classification nomm SVM (Support Vector Machines) dont
une drive est le PSVM (Proximal Support Vector Machines) sont compares dans ce
contexte [Chiang et al., 2004].
Dans le mme contexte Sriniwas et Arkun [Sriniwas et Arkun, 1997] utilisent un contrleur
nomm MPC (Model Predictive Controller) pour le contrle du TEP. Le MPC agit en tant que
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

139
superviseur dune structure des correcteurs PID de bas niveau dont lobjectif majeur est de
stabiliser le fonctionnement du TEP. Le MPC (figure 4.12) dicte les consignes aux correcteurs
PID afin dobtenir la rponse souhait au niveau du produit.





Lavantage principal de ce contrleur MPC propos [Sriniwas et Arkun, 1997] rside dans sa
simplicit car, par exemple, avec seulement deux sorties contrles il permet daccomplir les
transitions entre les produits souhaits. Le fait dutiliser les correcteurs PID de niveau bas
offre la possibilit dutiliser des mthodes linaires didentification du modle de processus
car, ce dernier subi moins de perturbations et des instabilits de nature non-linaire.
Sriniwas et Arkun [Sriniwas et Arkun, 1997] montrent que le MPC bti sur une architecture
de modle de type entre-sortie, prsente des bonnes performances en boucle ferme et est
tout fait capable datteindre les objectifs de contrle imposs.
Dans la figure 4.13 sont illustres les performances en boucle ferme obtenues par
limplmentation dune stratgie MPC ltat partag qui ralise la transition entre le mode 0
et le mode 2 de fonctionnement du TEP [Tian et Hoo, 2005].

Processus TEP
Leau de
refroidissement
D
Valve de recyclage du
compresseur
E
Point de Consigne de
processus
Consigne de D et E
MPC
Boucle PID
& contrleur
Taux de
production de G/H
Taux de
production
Pression racteur
Niveau racteur
Figure 4 .12 : Schma de surveillance MPC (Sriniwas et Arkun, 1997)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

140






Les lignes interrompues figurent les trajectoires de rfrence. Les diagrammes correspondent
respectivement, du haut en bas, : la pression dans le racteur et dans le sparateur (haut), la
pression dans le dcolleur et le pourcentage de produit G (images milieu), le taux de
production et le cot dopration (bas).
Figure 4.13 : Le contrle de transition entre les modes 0 et 2 de
fonctionnement avec MPC (Tian et Hoo, 2005)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

141
La stratgie de Tian et Hoo [Tian et Hoo, 2005] conduit aux rsultats satisfaisants pour la
rponse du racteur ainsi que pour la pression du dcolleur. Cependant les cots augmentent
atteignent dune valeur de $183.8/h aprs 12 heures tandis que le taux de production arriv a
la performance de 22.73 m
3
/h dans le mode 2 de fonctionnement.


4.2.1 Proposition damlioration. Lintgration dune carte de contrle dans le schma du
racteur de Tennessee Eastman

Nous avons choisi pour ltude le model propos par Ricker [Ricker, 1996] bas sur le modle
en boucle ouverte introduit par Downs et Vogel [Downs et Vogel, 1993]. Ce modle
comporte 12 variables dtat et 41 sorties.
Avec les entres, les sorties, les perturbations et les variables dcrites par McAvoy et Ye
[McAvoy et Ye, 1994] nous avons tout dabord tudi les rponses du systme pour toutes les
20 perturbations possibles. Ltude en boucle ouverte des 41 variables de sortie dvoile une
forte instabilit du systme sous laction des diffrentes perturbations.
En revanche, le modle multiloop introduit par Ricker stabilise les sorties par lintgration
des blocs PID correspondants. Le modle en boucle ferme que nous tudions ici correspond
au mode 3 de fonctionnement du processus et inclut un dpassement additionnel qui rduit le
pourcentage de rutilisation de la valve quand le liquide rfrigrant de sparateur va au-dessus
de 90%.
Si ceci n'est pas fait, la valve de liquide rfrigrant sature et le systme perd la commande du
niveau de racteur (pour le code Matlab associ voir les fichiers : Mode_3_Init.m,
Multiloop_Mode3.mdl, introduits par Ricker). Nous avons tudi le comportement en boucle
ferm des 41 variables de sortie de ce modle.
Pour avancer notre analyse, nous avons pris un cas simple de modle uni vari (les
ventuelles corrlations entre les variables sont ignores). Selon notre hypothse chaque
caractristique parmi les 41 pourrait tre surveille avec une carte de contrle uni vari,
indpendamment des autres caractristiques.
Notre proposition consiste dans la conception dun modle similaire avec celui de Gultekin,
qui introduit un module supplmentaire de control avec les outils MSP pour chacune des 41
caractristiques de sorties. On peut obtenir ainsi un systme en parallle, qui, au signal envoy
par la carte de contrle, commute le contrle vers le bloc de commande additionnel qui agit
sur lerreur consigne/sortie diffremment, en fonction du signal reu.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

142
Lide de base est de dterminer le plus vite possible les diffrentes tendances dune
caractristique qui finalement sera stabilise par le retour en boucle ferme, mais aprs une
priode oscillatoire. Il est vident que cette priode (temps de monte) ainsi que lamplitude
des oscillations sont dsires les plus petits possibles pour que les valeurs de notre
caractristique qualit soient proches de la valeur cible.
Les cartes de contrle facilitent lidentification du moment dapparition des tendances ou
variations de la caractristique tudie et permettront dagir pour lamlioration des
paramtres de bloc PID afin de stabiliser le mieux la rponse.
Pour exemplifier, nous avons tudi la caractristique de pression du racteur, qui est suspect
dtre trop sensible aux variations. Nous soulignons que les tapes de notre dmarche peuvent
tre tout moment appliques sur chacune des 40 autres variables de sortie du racteur.
Dans la figure 4.14 nous avons illustr le modle conceptuel dintgration des outils MSP
dans le schma automatique de contrle de la caractristique pression. On peut facilement
imaginer que la mise en place dun tel systme pour chacune des autres variables de sortie
peut se faire indpendamment sans affecter le fonctionnement global du systme.
Sur le schma de figure 4.14 le module intgr MSP (la carte de contrle) effectue lanalyse
de la caractristique avec une carte de contrle. Si un signal hors contrle est reu, les
paramtres du contrleur PID associ la caractristique tudie seront changs, et le
nouveau contrleur sera appliqu, qui fonctionne en parallle avec le systme de base. Ce
nouveau contrleur est illustr dans le nouveau bloc de commande (figure 4.14).
La valeur de rfrence est la valeur cible de la pression (valeur souhaite). Le bloc de dcision
prendra en compte ltat des signaux reus sur la carte de contrle : si le bloc MSP indique
ltat stable le commutateur sera sur la position zro et le signal pression sera transfr dans le
bloc de commande initial.
Sil y a des signaux hors contrle le bloc additionnel contenant le nouveau contrleur PID
sera activ. Les paramtres du nouveau contrleur seront dfinis en fonction du temps de
dtection sur la carte de contrle (le calcul de ces paramtres est dtaill dans la section
4.2.2).
Dans ce second cas le commutateur changera la position et transfra le signal pression dans le
nouveau bloc de commande. Lavantage principal de notre approche rside dans la facilit de
mise en place mais aussi dans la possibilit de contrle on line .
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

143






Le changement dans le bloc de commande (le calcul des paramtres du nouveau PID) sera
ralis en continu, en fonction des rponses du bloc MSP. Les deux outils, APC et MSP
correspondent en permanence pendant toute la dure de fonctionnement du processus.
Dans notre algorithme dintgration MSP/APC deux tapes sont distingues :

la premire concerne lapplication de la carte de contrle la plus adapte afin
dterminer le plus vite possible les variations de la pression

la deuxime consiste en trouver la correspondance entre le moment de dtection dune
tendance (un signal hors contrle) est les paramtres du contrleur PID, pour pouvoir
dcider sur lequel on peut mieux agir pour optimiser la rponse

Figure 4.14 : Proposition dun schma intgr pour lamlioration des variations de la caractristique
pression du racteur TE
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

144
Dans la figure 4.15 nous avons illustr titre dexemple la tendance du signal pression dans le
Mode I de fonctionnement en boucle ouverte [Downs et Vogel, 1993]. Linfluence de la
premire des 20 perturbations identifies (note IDV1 sur le schma propos par Downs et
Vogel [Downs et Vogel, 1993]) se manifeste par une forte tendance linaire de la
caractristique pression.
Le comportement est similaire pour les autres perturbations et le systme risque fortement
dtre arrt cause dun dpassement de pression. Pour la perturbation 13, par exemple, le
processus tomberait en panne aprs 80h de fonctionnement, ainsi quune restriction de la
dure de perturbation a t ncessaire (48h).






En rponse aux problmes dinstabilit en boucle ouverte, Ricker [Ricker, 1996] avait
propos un modle de rgulation afin de stabiliser le systme. Dans la figure 4.16 nous avons
illustr la rponse de la caractristique pression du racteur aprs la rgulation en boucle
ferme.
Avec le modle de Ricker, le signal est stabilis dans une certaine mesure autour de la valeur
de 2800 kPa, mais il prsente toujours une faible oscillation au dpart de la priode de
fonctionnement. Aprs 30h loscillation devient plus prononce. Sur une priode plus courte
on remarque facilement des lentes tendances linaires, comme dans la figure 4.17.
Figure 4.15 : Le comportement de la caractristique pression du racteur TEP en boucle ouverte

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

145






Figure 4.16 : Le comportement en boucle ferme de la caractristique pression du racteur [Modle de
Ricker, Mode 3 de fonctionnement]
Figure 4.17 : Le comportement en boucle ferme de la caractristique pression pendant les premires
10h de fonctionnement du TE
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

146
Nous considrons que cette variabilit autour de la valeur centrale de 2800 kPa pourrait
samliorer par lintgration de notre bloc MSP dans le schma de contrle. Nous avons
dbut notre analyse en appliquant tout dabord une carte classique de Shewhart dans le bloc
MSP du schma intgr de figure 4.14.
Cependant, comme les variations sont trop petites, la carte EWMA a t finalement choisie
pour plus de prcision dans la dtection. Les premires valeurs hors contrle sont ainsi
dtectes et des mesures sont prendre dans le bloc de contrle.
Aprs la dtection dun signal hors contrle, les paramtres du nouveau correcteur PID du
nouveau bloc de commande (figur 4.14) doivent changer par rapport au correcteur PID de
base, afin de rendre le systme plus stable et plus rapide. Ce correcteur comporte trois
paramtres qui peuvent tre manipuls, respectivement le gain proportionnel, Kp, le temps
dintgration, Ti et le temps de drivation, Td (figure 4.18).






Dans la figure 4.18 les signaux sont utiliss dans le domaine de Laplace. Ainsi E(p) reprsente
la rfrence qui dans notre cas reste une constante (gale 2800, la valeur dsire de la
pression). P(p) reprsente la sortie du nouveau bloc contenant le nouveau correcteur qui sera
par la suite analyse avec la carte de contrle MSP.
Avec (p) nous avons not lerreur entre la rfrence et la sortie du systme, E(p)-P(p). Les
trois blocs en parallle reprsentent les composants du correcteur PID en domaine de Laplace
et T(p) est la fonction de transfert du processus TEP. Cette fonction est applique au signal
Y(p) qui reprsente la sortie du correcteur PID. Dans le modle de Ricker, nous mettons
lhypothse que la fonction T(p) de transfert peut tre associe une forme du deuxime
ordre.
Figure 4.18 : Le correcteur PID associ au contrle de la pression du racteur
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

147
Typiquement dans le domaine complexe, la fonction de transfert dordre deux est de la
forme :
] ) / ( ) / ( 2 1 [
1
) ( ) (
2
n n
j j
j T p T

+ +
= =

avec 1 0 le coefficient damortissement du systme et 0 >
n
la pulsation naturelle
doscillation du systme.
Dans le systme dcrit par la figure 4.14 la caractristique pression, avant dtre stabilise par
le bloc PID de base, doit parcourir une priode oscillatoire que lon souhaite la plus petite
possible. Dans ces conditions on sintresse sur la frquence doscillation donne par notre
systme ou par la pulsation de rsonance, pour laquelle le gain en dB est maximal. Ce gain est
calcul avec la formule :
) ( log 20 j T G =

Dans une reprsentation frquentielle (diagramme de Bode) lamplitude du gain passe par un
maximum pour la pulsation pour laquelle sa drive sannule. Ainsi supposons que la
caractristique tudie se trouve dans le rgime oscillatoire (le coefficient damortissement
doit avoir des valeurs comprises entre 2 / 2 0 ). Nous devons retrouver la valeur de la
pulsation pour laquelle le gain prsentera un maximum. Cette pulsation sappelle pulsation de
rsonance et est exprime par :
2
2 1 =
n r


Le maximum du gain est not par M
r
et sexprime comme fonction du coefficient
damortissement du systme :

2
1 2
1

=
r
M

Nous avons introduit ces notions pour avoir plus de clart sur les principaux paramtres
intervenant dans lanalyse des systmes dordre deux et consquemment dans la conception
des correcteurs adquats.
(4.7)
(4.8)
(4.9)
(4.10)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

148
De point de vue automatique on sintresse la priode doscillation ou la pulsation naturelle
(propre) du systme. En dterminant la pulsation propre du systme nous pouvons tablir la
relation de transfert entre lerreur ) ( p et la sortie du systme reprsent dans la figure 4.18.
Cela nous permettra destimer les paramtres du correcteur PID (K
p
, T
d
ou T
i
) qui doivent
changer au signal de la carte de contrle.
Dornavant nous fixons comme paramtre dtude le temps de dtection, Tdetect, sur la carte
de contrle. Ce paramtre sera manipul dans la conception de nouvelles structures des
contrleurs. Cependant par rapport au schma simplifi reprsent dans la figure 4.14 nous
devons ajouter quelques explications techniques pour une meilleure comprhension du
modle. Sur le schma du modle Simulink de Ricker [Ricker, 1996], implment dans le
fichier Multiloop_Mode3.mdl, nous allons agir prcisment dans la structure de rgulation de
la caractristique pression du racteur (figure 4.19) qui comporte deux structures masques
(sous-systmes), un reprsentant le contrleur PID.






4.2.2 Mise en place de lalgorithme propos. Rsultats et interprtations

En simplifiant la structure de contrle de la caractristique pression du racteur TEP, nous
mettons les hypothses de rduction un systme dordre II. La fonction de transfert de ce
systme intgra la fois le processus TEP (bloc temex dans le schma
Multiloop_Mode3.mdl, les corrlations ventuelles tant ignores) et le rgulateur destin au
contrle du taux de purification (la variable correspondante est note avec [xmeas10] sur le
modle).
Ce rgulateur reoit comme entre la sortie du systme prsent dans la figure 4.19. Le
pourcentage dans la valve fournit par ce bloc de transfert sera transmis au processus (bloc
Figure 4.19 : Module Simulink contenant le correcteur PID pour la rgulation de la pression du racteur
(voir modle Multiloop_Mode3propos par Ricker)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

149
temex ) qui gnra la prochaine valeur de la pression. Celle ci est gre par la variable
[xmeas7] dans le modle conceptuel du systme. Le dtail de la mise en place du modle
intgr sous Simulink est introduit dans lAnnexe 1 de ce mmoire (section A1.4).
Nous avons essay tout dabord didentifier le systme hypothtique dordre II qui dcrit le
mieux le processus et qui a t figur sur le schma 4.14 par le bais du bloc TEP. Notre
approche exige agir le plus vite possible pour la correction dune variabilit apparue dans la
caractristique pression. En suivant la thorie classique de lautomatique, le systme pourrait
tre identifi en calculant certains paramtres propres parmi lesquels le premier dpassement,
D
1
, de la valeur finale de notre caractristique. La valeur finale est la valeur stabilise, que
lon souhaite plus proche possible de la valeur cible (dans notre cas 2800 kPa).
Nous mettons lhypothse que le premier dpassement sera le plus vite identifi avec la carte
de contrle appliqu sur la caractristique pression rgule par le contrleur PID de base. Au
vue des faibles variations, la carte EWMA avec les paramtres =0.25 et L=2.898 (voir la
norme NF 06-031-3, 1995) sera utilise.
Notons toutefois les valeurs de dpart des paramtres caractristiques au rgulateur PID de
base. Ces sont Kp=-0.0001, Ti=0.33 secondes et Td=0 secondes. Dans le modle de base la
structure de rgulation est un correcteur PI (proportionnel intgral). Il est ncessaire toutefois
de signaler que la sortie du PID de base (figure 4.17) na pas une allure symtrique par
rapport la valeur de rfrence. Dans ces conditions nous allons se rapporter dans le calcul
des limites de contrle de la carte EWMA la valeur cible, de 2800kPa.
Dans notre dmarche une premire application de la carte de contrle intressera seulement
lidentification du dpassement par rapport la valeur de rfrence. Ainsi nous allons
dterminer le temps dapparition dun premier signal hors de la limite suprieure de contrle.
Le paramtre D
1
du contrleur correspond la valeur de lamplitude du drglage enregistr
sur la carte EWMA.
Lapplication de la carte de contrle sur la caractristique de figure 4.17 fournit les valeurs :
D
1
=1.17 et respectivement T
detect
=0.19h (car le premier signal hors la limite suprieure de
contrle est dtect aprs 0.19h et il a lamplitude 2801, 17).
Cependant, comme nous associons le systme dordre II notre processus, la formule
suivante est valable dans la thorie de lautomatique :




2
1
1

= Ke D (4.11)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

150
o K reprsente le gain statique de notre systme, et le coefficient damortissement du
systme. Avec la valeur de D
1
dtecte sur la carte EWMA nous pouvons dterminer la valeur
du coefficient damortissement. Dans nos calcules, la valeur du gain statique, K a t
dtermine classiquement, comme limite linfini du rapport sortie/consigne. Avec la
fonction de transfert en boucle ferme du systme dordre II considr et en tenant compte du
gain K
p
du correcteur de base, cette valeur a t dtermine gale 1.
Consquemment, pour le coefficient damortissement nous avons obtenu pour valeur :


qui suggre un systme oscillant et avec rsonance ( 2 / 2 0 ).
La pulsation propre de ce systme est dtermine avec la formule :




avec la prcision que T
detect
a t considr le temps du premier dpassement.
La priode doscillation, note avec T
osc
sera ainsi dtermine en fonction de la valeur T
detect
,
fournie par la carte de contrle :



Avec lidentification du systme hypothtique reprsentatif de notre processus, nous
cherchons maintenant dterminer les meilleures valeurs du nouveau PID, destine rduire
la variabilit dtecte sur la carte de contrle.
Gnralement dans le choix de ces paramtres il faut tenir compte de leur influence sur la
sortie. Les valeurs trs grandes des facteurs intgrateur, 1/T
i
et proportionnel, K
p
, amliorent
le temps de monte (le temps pendant lequel le signal atteint 95% de sa valeur finale) et
agiront pour llimination de lerreur statique. De mme, une valeur croissante du facteur
drivateur, T
d
, augmenta la stabilit de la rponse du systme.
Selon la rponse du modle de Ricker, le temps de monte est trs rapide, mais la rponse
nest trop stable autour de la valeur de rfrence. Nous devrons donc concevoir un nouveau
PID afin damliorer la stabilit de la rponse et qui ventuellement sera capable de rduire
autant que possibles la valeur derreur statique.
0216 . 0 = (4.12)
s rad
T
ect
n
/ 0046 . 0
1
2
det
=

(4.13)
s T
n
osc
217
1
= =

(4.14)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

151
Pour cela il est vident que notre nouveau contrleur doit contenir aussi une action drive
(Td diffrent de zro). Notre dmarche est axe principalement sur la rapidit daction une
fois le premier dpassement enregistr.
Dans la synthse du nouveau contrleur nous utilisons la mthode de Ziegler- Nichols, avec
lhypothse dtat doscillation identifi par le biais du contrle MSP. Ainsi on na plus
besoin damener le processus dans ltat doscillation, par la mthode de pompage en boucle
ferme, car le systme oscille dj au moment dtect sur la carte de contrle, T
detect
.
Les valeurs du PID idal de Ziegler Nichols sont :




o la valeur de T
osc
est calcule laide de formule 4.14 et la valeur de K
osc
reprsente le gain
maximal de notre caractristique. Ayant en vue que le nouveau PID sera mis en place juste
aprs la dtection du premier dpassement, le plus important est de calculer le gain maximal
au moment de la dtection.
Avec la formule de calcul du gain (4.8) le gain maximal, est calcul en fonction des valeurs
fournies par la carte EWMA. Il devient :



Dans la formule 4.16, P
reel
reprsente la valeur du signal pression au moment T
detect
, et P
rf

reprsente la consigne de notre systme (2800kPa).
En consquence, en vitant les approches typiquement automatiques, nous avons dtermin
les valeurs des trois paramtres du nouveau correcteur uniquement base des rsultats fournis
par la carte de contrle.
En effet T
osc
devient une fonction du paramtre T
detect
de la carte de contrle (comme dcrit
dans la formule 4.14) et K
osc
devient une fonction du paramtre P
rel
, qui est la valeur du
signal dtect comme hors contrle sur la carte de contrle :





osc p
osc
osc i
K K
T Td
T T
6 . 0
125 . 0
5 . 0
=
=
=
(4.15)
rf
reel
osc r
P
P
K M log 20 = =
(4.16)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

152








A chaque dtection dun signal hors contrle sur la carte de contrle, le systme des quations
4.17 sera recalcul et le nouveau contrleur PID mis en place.
Pour notre tude de cas, en tenant compte des relations ci-dessus, les paramtres du nouveau
contrleur PID (aprs une seule application de la carte de contrle) ont pris les valeurs
suivantes :




Le systme sera rgul par ce nouveau contrleur partir du moment T
detect
, de lidentification
sur la carte de contrle. Pour chaque drglage dtect via le bloc MSP (carte EWMA), les
valeurs de T
i
, T
d
et K
r
sont recalculs de manire similaire. Pour notre exemple, les
dpassements ont t compltement limins avec le schma de fonctionnement en parallle,
comme illustr dans la figure 4.20.
Sur la mme priode de fonctionnement (10h) le signal est visiblement amlior par rapport
au signal obtenu avec le contrleur de base (figure 4.17). Le nouveau contrleur limine les
dpassements par laction drive, et conduit une sortie plus propre que la sortie du PID
de base. Toutefois la rponse nest compltement stable et prsente plusieurs variations en
dessous de la valeur de rfrence.
Lalgorithme continue, comme dcrit dans la figure 4.14, avec une deuxime application de la
carte de contrle, sur cette nouvelle rponse. Cette fois ci lapplication du contrle MSP sera
destine liminer les variations inferieures la valeur de rfrence.

0018 . 0
125 . 27
5 . 108
=
=
=
p
i
K
s Td
s T
(4.18)

2
det
1
5 . 0

=
ect
i
T
T

2
det
1
125 . 0

=
ect
d
T
T (4.17)
ref
rel
p
P
P
K log 20 6 . 0 =


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

153




Selon le schma de fonctionnement de notre mthode (figure 4.14) on garde la mme carte de
contrle, EWMA (=0.25 et L=2.898) pour dtecter les faibles dviations. On dtecte ainsi
un premier signal hors contrle au moment 0.21heures aprs les premires 22 observations sur
la carte de contrle.
Le systme dordre II associ la nouvelle rponse ne restera pas inchang. Cependant nous
considrons le point en dehors de la limite inferieure de contrle comme le dbut dun
nouveau rgime doscillation dans la rgion inferieure la valeur de rfrence. Il faut donc
recalculer dans les nouvelles conditions les paramtres D
1
et , ainsi que le temps doscillation
et les paramtres du contrleur le plus adapt liminer ces nouvelles tendances et
amliorer la rponse.
Au nouveau moment T
detect
=0.21h, le nouveau dpassement D
1
, qui cette fois est calcul en
module (car le dpassement est ngative) conduit une nouvelle valeur de la pulsation propre
du systme, respectivement
n
=0.0041. Avec cette valeur et en utilisant les formules 4.17,
comme dans le cas du dpassement de la limite suprieure de contrle, nous dterminons les
nouvelles valeurs de T
osc
et de K
osc :
Figure 4.20 : La caractristique pression rgule avec le nouveau contrleur (premire
application des cartes de contrle)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

154



Les paramtres du deuxime contrleur PID sont les suivants :





Dans la figure 4.21 nous avons illustr la rponse de la nouvelle rgulation, aprs la deuxime
application des cartes de contrle. Cette rponse est beaucoup plus stable que la rponse du
contrleur de base ou la rponse du premier contrleur (figure 4.17 et 4.20). Une seule
variation importante est visible aprs 7 heures de fonctionnement du racteur. Notre
algorithme tant recourrant (en cycle) comme dcrit par le schma 4.14, sur cette rponse
aussi sera applique une carte de contrle.
Dans ce cas a rponse du module MSP indique une caractristique stable, aucun signal hors
contrle nest enregistr et en consquence le commutateur reste sur sa position. Le TEP
continuera fonctionner avec ce nouveau contrleur.
Notre processus est ainsi stabilis aprs seulement deux applications de la carte de contrle.
Une fois stable, le processus est rgul par le dernier PID (rgulateur optimal) avec les
paramtres dtermins partir du bloc MSP, comme dcrit auparavant.
En pratique on peut facilement imaginer deux capteurs qui rcuprent les valeurs de T
detect
et
de D
1
enregistres sur la carte de contrle et les transmettent vers le module de calcul des
nouveaux paramtres du contrleur. Ainsi le passage dans le nouveau bloc de commande
de figure 4.14 est ralis en pratique tout simplement par les rglages ncessaires sur le
paramtres K
p
T
i
et T
d
.
Pour plus de prcision nous avons test lapplicabilit de schma intgr pour une priode
plus grande de fonctionnement (100h) du racteur TEP (figure 4.21).
Comme on peut le voir dans la figure 4.21, notre modle intgre assure un signal de sortie
plus attnu et suffisamment stable par rapport au signal du schma de base (modle de
Ricker). Le deuxime contrleur limine compltement les dpassements de la valeur de
rfrence et rduit les variations infrieures la valeur de rfrence.



0102 . 0
7 . 30
3 . 120
2
2
2
=
=
=
p
d
i
K
s T
s T
(4.21)
017 . 0
5 . 240
=
=
osc
osc
K
s T
(4.20)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

155

































Figure 4.22 : La caractristique pression stabilise avec le modle intgr, aprs 100h de
fonctionnement




Figure 4.21 : Limpact dun schma intgr MSP/APC sur la rgulation de la caractristique pression du
racteur, pour une priode plus tendue de fonctionnement du racteur de Tennessee Eastman
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

156
Le bloc MSP apporte au schma automatique plus de prcision, car les paramtres de
rgulation sont dtermins en temps rel et ils ne sont pas calculs avec les algorithmes
classiques dAPC. Notre mthode combine une approche classique dans lAPC (la mthode
de Ziegler-Nichols) avec les cartes de contrle MSP. Ces dernires prsentent lavantage de
prendre en compte le comportement de la caractristique dintrt chaque moment.
Grace au bloc MSP intgr dans le schma automatique, leffet des ventuelles causes
spciales (perturbations imprvues) peut tre dtect et remdi instantanment et la
configuration la plus adapte du contrleur sera mise en place.
Le modle intgr MSP/APC que nous avons introduit dans cette section ouvre des nouveaux
horizons dans la recherche sur la problmatique du processus de Tennessee Eastman.
Evidement, la mme procdure est applicable pour toutes les caractristiques de sortie du
processus, condition que ces variables soient indpendantes. Nous avons analys seulement
le Mode 3 de fonctionnement du TEP dcrit par Ricker [Ricker, 1996].
Dans notre analyse nous nous sommes intresss au paramtre du contrleur connu sous le
nom de lIer dpassement du signal, D
1.
Nos hypothses associent la valeur du D
1
avec la
valeur du premier signal hors contrle dtect avec la carte de contrle EWMA.
Bien videment le schma de dtection intgr MSP/APC pourrait encore tre amliore.
Nous suggrons, par exemple, le changement ventuel de la carte de contrle chaque fois,
en fonction de la nature rponse du systme automatique. Cela implique une analyse du signal
sortie avant lapplication de la carte de contrle, un test dadquation et le choix de la carte de
contrle la plus adquate.
Par exemple, on voit bien sur la figure 4.21 que la caractristique rponse du systme nest
plus normale, les variations en dessous de la valeur de rfrence dterminant une distribution
asymtrique et borne droite (autour de 2800 KPa). Cependant lanalyse du signal sortie
avec lapplication dune carte de contrle pour une distribution non gaussienne risque de
beaucoup compliquer le schma intgr MSP/APC.
Notre intrt tait dliminer le risque des dpassements suprieures de la valeur cible de la
pression, car pour le processus de Tennessee Eastman les dpassements de la pression
peuvent avoir des consquences nfastes (allant jusqu' larrt du processus). Notre objectif
est atteint, et la mthode que nous avons prsente permet de dterminer automatiquement la
configuration du nouveau contrleur partir seulement des deux valeurs fournies par la carte
de contrle EWMA.
Les rsultats de nos simulations prouvent une fois de plus lefficacit dintgration des outils
de contrle MSP dans le contrle des caractristiques qualits des processus qui fonctionnent
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

157
base dun schma APC. Nous avons montr que ces caractristiques (dans notre cas la
pression du racteur du processus TE) prsentent un niveau de variabilit et souvent des
dpassements dangereuses mme aprs la rgulation automatique.
Le modle intgr propos dans cette section limine visiblement la variabilit de la
caractristique pression et les dpassements de la valeur de rfrence. Pour une longue
priode de fonctionnement du racteur, la pression restera stabilise avec des faibles
variations sous la valeur de rfrence, et le risque daugmentation spontane qui conduirait
larrt du procd est pratiquement zro.


5 Conclusions. Perspectives

Nous avons trait dans ce chapitre un sujet aussi intressant que nouveau dans le domaine du
contrle des processus complexes. Malgr les opinions varies sur les techniques dAPC et de
la MSP, on rencontre de plus en plus la ncessit de combiner ces techniques afin dobtenir
les meilleures performances dun processus.
Nous avons ralis une synthse critique des diffrents approches labores par des
chercheurs du domaine de contrle automatique du processus et du contrle statistique du
processus, en soulignant la tendance de plus en plus forte de combiner les modles
automatises avec les outils statistiques.
On trouve de plus en plus souvent des schmas intgrs APC/MSP qui ont comme but
commun la rduction de la variabilit du processus par la dtection et llimination des causes
associes. Le principe de fonctionnement de ces schmas comporte la modlisation
automatique du processus rel, pour faire des rglages, et lapplication des outils statistiques
(les cartes EWMA, CUSUM, etc.) qui dtiennent un rle de superviseur du modle
automatique, afin de surveiller le processus et de dtecter et liminer les causes spciales.
Les deux applications prsentes dans ce chapitre ont t destines amliorer le contrle des
deux processus de provenance du domaine chimique. Le premire exemple concerne une
continuation des travaux de Gultekin [Gultekin et al., 2002] pour la rduction de la variabilit
dans un procd continu, uni-vari.
Bien que le modle propos par Gultekin soit purement thortique, il nous a relev
limportance danalyse de la nature des caractristiques contrles. Notre proposition
dintgration dune carte de contrle EWMA ou VP dans ce modle, fournit des meilleurs
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

158
rsultats que ceux obtenus avec une carte classique. Cela vient de confirmer limpact positif
que le dveloppement des techniques MSP peut avoir dans les systmes automatiques de
contrle.
La deuxime application porte sur un schma de contrle dun processus rel, beaucoup plus
complexe, multi vari, le racteur chimique de Tennessee Eastman (TEP) qui, au vue de ses
problmes dinstabilit, proccupe constamment les scientifiques et les industriels de nos
jours.
Grce notre modle qui intgre des techniques MSP, comme les cartes de contrle EWMA,
la variabilit de certaines caractristiques du TEP peut tre rduite, et les performances
temporelles du processus amliores. Notre modle assure une meilleure qualit de la
caractristique pression mme pour le fonctionnement long dure.
Nos rsultats encouragent limplmentation des modules similaires pour les autres
caractristiques qualits du racteur. Bien videment nos travaux ont t effectus base des
certaines hypothses de dpart, parmi lesquelles la plus importante concerne le caractre
indpendant de ces caractristiques. Limplmentation dans la pratique de notre schma
devrait inclure lanalyse des corrlations existantes entre les diffrentes variables du systme.
Avec notre modle combin MSP/APC nous avons dfini une nouvelle direction des travaux
destins rsoudre la problmatique du TEP.
Pour les deux exemples traits dans cette section, lintgration des techniques MSP dans le
modle automatique conduit aux meilleurs rsultats, en termes des performances du systme
(dtection rapide des tendances ou dviations, meilleure stabilisation caractristique finale) et
en termes de qualit finale des caractristiques surveilles (rduction de la variabilit).
Evidement, lintgration des techniques MSP dans les systmes automatiques actuels reste un
problme ouvert des futures recherches au sujet damlioration du contrle des processus
complexes.
Pour finir, les travaux effectus dans ce chapitre nous mnent conclure que la combinaison
entre les techniques dAPC et MSP conduit incontestablement une amlioration
comportementale du processus, les variations sont rduites et le processus est plus performant
que dans le cas o ces techniques sappliquent sparment.





t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

159
Conclusions gnrales
Les travaux prsents dans ce mmoire portent sur le sujet damlioration de contrle des
processus complexes et instables par le biais des techniques de la MSP. Dans ce contexte nous
avons identifi deux grandes directions de recherches, selon lesquels nos dmarches ont t
structures.
Une est la problmatique du contrle des caractristiques non gaussiennes, qui posent des
problmes constamment dans le contrle statistique quand les mthodes classiques (les cartes
de contrle de Shewhart), construites sur le modle de la loi normale, devient inefficaces.
Nous avons ainsi dirig nos dmarches vers une catgorie des processus qui sont sensibles
aux petites dviations de la valeur cible, et qui sont mieux reprsents par des distributions
asymtriques. Il sagit des processus de provenance mcanique, respectivement les
inspections des caractristiques gomtriques des pices aux profiles cylindriques.
Prcisment nos travaux ont t conduits sur la distribution de Rayleigh, reprsentative du
dfaut de la coaxialit.
A partir de la dcouverte des nouvelles mthodes qui ont amliore la dtection des faibles
drglages pour certaines distributions asymtriques, nous avons tout dabord dvelopp la
carte de contrle de type VP pour la distribution de Rayleigh. Les rsultats de notre
application nont pas tait suffisamment intressants. Malgr le caractre non paramtrique de
la mthode, qui la rend plus facile mettre en pratique, le choix des paramtres variables
restait un problme astringent. Les mthodes classiques, bases sur les chanes de Markov, ne
nous ont pas fournis les plus favorables configurations des paramtres. Consquemment nous
avons ralis une analyse des configurations possible des paramtres applicables dans le cas
dune loi de Rayleigh.
Cette analyse, base sur la technique des plans dexprience conduit aux meilleures
configurations des paramtres choisir dans le cas ou lutilisateur dcide lapplication de
cette mthode. Bien que les rsultats de la dtection des petites dviations aient t plus
satisfaisants avec la mthode VP quavec les mthodes classiques (Shewhart) nous avons
investigu la possibilit dobtenir une mthode plus efficace de contrle pour la loi de
Rayleigh.
Cest la mthode base sur lestimation des quantiles, une mthode paramtrique qui offre des
rsultats meilleurs que la carte VP.
Nos travaux apportent des nouvelles solutions au problme du contrle des variations de la
coaxialit et la mise en place de notre mthode thorique (des quantiles) assure une meilleure
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

160
qualit du processus dinspection de la coaxialit. La mise en place de la mthode des
quantiles pour un processus de production mcanique reprsente une premire de nos
perspectives.
Une autre direction prise par les travaux prsents ici a t lintgration des outils MSP dans
les schmas de contrle automatique, afin damliorer la variabilit des caractristiques, et de
rendre les systmes plus robustes. Lexploitation des dmarches avances dans la MSP pour
les processus non gaussiens doit invitablement joindre les modles intgrs, tant donn que
dans bon nombre des cas les signaux des systmes APC (rponses des systmes, signaux
bruit, etc.) peuvent tre des caractristiques non gaussiennes.
Notre intention initiale a t lintgration des mthodes non gaussiennes dans les schmas
automatiques de contrle. Nous avons propos lintgration de la carte de contrle VP dans un
schma conceptuel APC susceptible de gnrer des signaux non gaussiens.
Cependant la complexit des modles existants de contrle APC demande un temps
supplmentaire de comprhension de leur fonctionnement ce qui a rendu trs tardives les
rsultats de nos applications. Toutefois nous avons russi prouver lefficacit de
lintgration des outils MSP/APC pour deux modles des processus continus.
Pour un premier, hypothtique (le modle de Gultekin) nous avons apport une amlioration
du contrle de la variabilit par les mthodes MSP. En plus, les cartes de contrle de type VP
appliques dans un contexte non paramtrique (sans la connaissance de la distribution de la
caractristique suivie) savrent plus efficaces que les mthodes classiques de contrle.
Nous avons galement expriment un modle de contrle intgr sur un schma de contrle
dun processus rel, trs complexe, le processus de Tenneesse Eastmen, qui suscite de plus en
plus souvent lintrt du monde scientifique. Ce deuxime exemple reprsente notre plus
importante contribution lamlioration des schmas intgrs APC/MSP. Nous avons russi
rduire les dpassements et la variabilit de la pression du racteur par le biais de la
conception dun nouveau modle de commande, qui comporte une carte de contrle MSP.
Nous ouvrons ainsi les perspectives dapplication des schmas similaires, intgrs, pour les
autres caractristiques du processus TEP. Au mme temps, notre analys a t faite sous
lhypothse des variables de sorties indpendantes, uni varies.
Lanalyse de la corrlation doit tre prisse en compte par les spcialistes de la MSP multi -
varie. Evidement, une perspective intressante des prochaines recherches est la conception
des nouveaux modles intgrs APC/MSP pour les caractristiques non gaussiennes.
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

161

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

162

Annexe 1 : Elments de contrle automatique


A1.1 Notions lmentaires des systmes automatique

Parmi les principales notions avec lesquelles le praticien du domaine dAPC est familiaris,
nous notons tout dabord la notion de systme commandable. Un systme est dit
commandable quand par une action sur lentre on peut atteindre en temps fini nimporte quel
point de lespace dtat du systme.
Supposons un systme multi-vari, discret, dtat
n
R x , avec le vecteur des entres
p
R u ,
et le vecteur des sorties
r
R y . Il est dcrit par le systme des quations :

u x gx + =
Cx y =

A partir de x=0, on gnre le systme :

1 2 1
2
0
1
....

+ + + + = N N
N N
N Bu ABu Bu
A
Bu
A
xx
(1.1.2)


En termes de matrices, lexpression scrit de la faon suivante :

N N N
U C =

(1.1.3)

o :
[ ] . .....
1
B
A
AB B C
N
N

= (1.1.4)

reprsente la matrice de commandabilit.
(1.1.1)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

163
Un systme est dit tat entirement observable si par observation des entres et sorties sur
un intervalle de temps fini, on peut dterminer ltat initial du systme.
Un systme commandable peut tre stabilis par la technique de retour dtat [Larminant,
1993] (figure 1.1) :











La loi de commande est exprime dans cette situation par la relation: r u Gx = . Si ltat x est
observ directement, le rle du signal r est de permettre le suivi de la consigne et/ou le rejet
des perturbations.
Cependant le gain G contribue dune manire implicite la stabilit du systme. Le problme
du retour dtat consiste trouver un vecteur de gain G : [ ] n g g g G ,...., , 2 1 = , tel que
( ) BG soit une matrice de stabilit. Lorsque ltat nest pas mesurable, x est remplac par
une reconstruction de x dans la loi de commande.
Quant au reconstructeur dtat il existe bien des techniques de reconstruction dtat pour le
cas discret comme pour le cas continu [Noura et al., 1996]. Le reconstructeur mmoire finie,
correspondant au cas discret, comporte traiter les signaux de commande et de sortie par des
filtres mmoire finie. Ces filtres fourniront lestimateur x .
Au contraire, dans le cas continu, un oprateur ( )
0
+ = s g
def
(dinverse stable) est introduit, et
les quations descriptives dtat du systme sont drives [Noura et al., 1996] :

( ) ( ) u x x g + + =
0

Cx y =

(1.1.5)
Figure 1.1 : Schma de commande par retour dtat
y
u x gx + =
Cx y =
r u
x
rGx
G
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

164
Dans cette situation x devient une fonction algbrique dentres-sorties, traite par des filtres
passe-bas caractriss par la fonction de transfert:

( ) ( )I s
0
/ 1 + (1.1.6)

o
0
est un paramtre de synthse du reconstructeur. Ce reconstructeur sappelle mmoire
infinie. Des reconstructeurs dynamiques des systmes ont t introduits, qui portent sur le
dveloppement dun systme linaire, stable, ralisable (sans drivation ni avance) tel que
lon ait :
) ( ) ( t x t x = (1.1.7)

dans le cas idal, et, respectivement :

[ ] 0 ) ( ) ( lim

t x t x
t
(1.1.8)

dans le cas dterministe.
Un model de reconstructeur dynamique est celui de figure 1.2 [Larminant, 1993]:




On distingue deux mthodes de reconstruction dtat du systme. Une premire mthode est
lobservation directe des certains paramtres dtat. Cela nest pas toujours possible,
prcisment quand dans la sortie du systme on ne retrouve pas suffisamment dinformations
sur diffrents paramtres tudis.
Une seconde mthode est la simulation en boucle ouverte. Elle rclame la stabilit de la partie
du systme ainsi reconstruite. La solution trouve par les automaticiens est la reconstruction
Figure 1.2 : Schma de la reconstruction dtat
x
Reconstructeur
Systme
dynamique
causal
u(t) y(t)
Processus
(dans ltat x)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

165
dtat de systme en combinant la simulation avec lobservation [Noura et al.,1996]
[Larminant, 1993]
En considrant le gain par retour dtat, G, et le gain de reconstructeur, K, des lois de
commande par retour dtat reconstruit seront labors.
Les quations descriptives des lois de commande par retour dtat prennent la forme :

r u + = x G (1.1.9)

Ou, respectivement :
) x -C K(y Bu x A
.
+ + = x (1.1.10)

o r est le nouveau signal dentre pour le systme en boucle ferme, comme indique la figure
1.5, et C est la matrice de commandabilit.
Une fois les lois de commande dfinies, la stabilit du systme en boucle ferme (compose
par le rgulateur et le processus) reste un problme purement mathmatique. Le systme en
boucle ferme par retour dtat reconstruit est, selon les concepts dAPC, un systme stable.
La reconstruction dtat, x(t), est possible partir de la seule observation des entres et des
sorties.
Il existe plusieurs solutions pour trouver la matrice de gain K, pour que A-KC soit une matrice
de stabilit [Noura et al.,1996]. Nanmoins, la reconstruction est affecte par des
perturbations qui interviennent dans les signaux observes. Ces perturbations ncessitent des
techniques de filtrage adquates.
Lorsque lestimation dtat dun systme est obtenue, les filtres interviennent non seulement
dans la reconstruction mais aussi dans loptimisation de choix des gains. Pour mieux
expliquer le sens du filtrage on peut se rapporter aux techniques de filtrage frquentielle,
tablies par Wiener (1940) [Larminant, 1993], [Tiplica, 2002].
Le problme de Wiener peut tre rduit un systme simple entre - sortie, avec un signal
dentre de nature inconnue et le signal de sortie identifiable. La fonction de transfert du filtre
est dcrite dans lquation (1.1.11) :

) ( ) ( ) ( t b t t y + = (1.1.11)

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

166
o y (t) est le signal observ, ) (t est le signal inconnu, de spectre ) (

donn, et ) (t b est le
bruit de mesure de spectre ) ( bb donn.
A laide dune transmitance idale, H(s), le signal s(t) est obtenu de la manire suivante:

x(t)=H(s) (t) (1.1.12)

Plus gnralement, on essaie de dterminer le filtre F(s) qui, appliqu (t), permet dobtenir
lestimation :
) ( ) ( ) (

t y s F t x =
(1.1.13)
Si ) (t est lcart inconnu entre
) (

t x
et
) (t x
, il faut rechercher le filtre F(s) qui minimise la
variance de .












Au fait, le problme de filtrage consiste dterminer des estimateurs de variable du
systme lorsque lenvironnement prsente des perturbations alatoires [Noura et al., 1996].
Prcisment le rle dun filtre optimal est de minimiser la variance derreur entre la variable
relle et son estimation [Borne et al., 1992]. Il doit sparer parfaitement un signal tudi du
bruit de mesure qui laffecte (figure 1.4).
Quant la perturbation qui affecte le signal observ, elle peut tre associe au bruit blanc. Les
modles de filtres formeurs traitent facilement le problme et fournirent une fonction de
transmittance stable, souhaite pour le signal affect.
Lorsque dans la nature napparaissent que des excitations alatoires de type bruit blanc il est
indispensable dans lautomatique de concevoir les modles de bruits, consignes et

Figure 1.3 : Le problme de Wiener
) ( t
F(s)
H(s)
) (t
) (t b
) (t y ) (

t x

) (t x

Fi
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

167
perturbations en termes de filtres formeurs raisonnables ou de modles gnrateurs
lmentaires (Markov, Wiener etc.)[Tiplica, 2000], [Katayama et Sugimoto, 1997].






Toutefois, le modle statistique associ aux perturbations alatoires est celui de la loi normale
de distribution. De ce fait, lintgration des mthodes de dtection comme les cartes de
contrle pourraient aborder les problmes induits par de petits drglages ou par dautres
perturbations non alatoires qui affectent les systmes automatiques.
Les techniques de filtrage automatique collaborent couramment au dveloppement des
modles de contrle statistiques. Nous citons les travaux de T. Tiplica [Tiplica, 2000] qui a
dvelopp la mthodologie FNAD (Filtrage Numrique et de lAnalyse Discriminante)
contribuant diagnostiquer ltat de fonctionnement dun processus multi-vari.
Dautres [Shetty et al., 2004] se proccupent de la nature du bruit qui affecte les systmes
automatiques et intgrent des techniques statistiques multi-vari (lanalyse en composante
principale) avec la thorie des systmes.
Katayama et Sugimoto [Katayama et Sugimoto, 1997] runissent des notions fondamentaux
du domaine de traitement du signal : lanalyse temporelle, la dtection, la convolution et les
Figure 1.4 : Filtre optimal pour la sparation d'un signal sinusodal du bruit de mesure
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

168
techniques du filtrage dans le domaine de la modlisation de lespace dtat (le model
Markov, le filtre Kalman etc.).

A1.2 Cadre mathematique uitlis dans lautomatique

Nous avons rappel prcdemment quelques unes des techniques les plus courantes dans le
contrle automatique de processus. Le problme essentiel de lautomaticien est de concevoir
des modles standard robustes qui assurent un cadre flexible pour dcrire des configurations,
des problmes, pour dfinir des spcifications et pour introduire des paramtres de synthse.
La commande et la stabilit de systmes automatiques ne sont pas satisfaisantes que si le
modle standard a t convenablement choisi. Le modle du systme standard dans
lautomatique reprsente un instrument qui matrise le compromis entre performances,
robustesse, et sensibilit aux bruits.
En ce qui concerne le support mathmatique utilis par lautomaticien, il existe les modles
linaires et non linaires qui expriment lensemble des relations entre diffrents paramtres
du system dcrit. Les modles linaires comportent des fonctions ou des quations de transfert
exprimant les sorties par une forme linaire de variables dtat et de variables dentre
[Larminant, 1993].
Ces sont des systmes algbriques dquations diffrentielles ordinaires o dquations
rcurrentes coefficients constants (processus stationnaire), ou fonctions de temps (non
stationnaire) qui respectent le principe de super position [Noura et al.,1996], [Larminant,
1993].
Dans le cas dun systme lmentaire avec la commande u(t) et la sortie y(t) (figure 1.5), si on
considre que u(t) se dcompose en deux signaux u
1
(t) et u
2
(t), le principe de superposition
oblige :

) ( ) ( ) ( ) ( ) ( ) ( 2 2 1 1 2 2 1 1 t y t y t y t u t u t u + = + = (1.2.1)

o 1 et 2 sont des paramtres rels.




t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

169






Les systmes non linaires ne respectent pas le principe de superposition. De tels systmes
consistent dans une ou plusieurs variables qui prsentent diffrentes limitations (saturation,
seuil, hystrsis) et qui ont un comportement linaire pour un intervalle rduit de valeurs. Il
existe nanmoins des mthodes de linarisation qui facilitent le travail avec les modles non
linaires.
Dans le cas des systmes continus, lanalyse mathmatique des systmes algbriques est facile
grce la transformation de Laplace et ses proprits. Ainsi loprateur drivation , s
(s=d/dt) sert au transfert du domaine temporel vers le plan complexe, et la reprsentation
temporelle du processus sera remplace par la reprsentation en frquence.
Cette analyse comporte des notions primaires comme la rponse indicielle, qui reprsente la
rponse du systme lchelon unitaire, E(t), ou la rponse impulsionnelle qui reprsente la
driv par rapport au temps de la rponse indicielle [Noura et al.,1996], [Larminant, 1993]. La
stabilit dun systme linaire est obtenue seulement si la rponse impulsionnelle tend vers 0
quand t tend vers

.
En fonction de la nature du systme tudi (uni - vari ou multi - vari), on distingue deux
reprsentations principales dtermines par lapplication de la transformation de Laplace. Ces
sont: la fonction de transfert oprationnelle pour le systme uni-vari, respectivement la
matrice de transfert oprationnelle pour le systme multi-vari.
Dune manire similaire au cas continu, pour le cas discret la transformation en Z intervient et
les notions avance , z et retard , z
-1
, seront adoptes. Si lentre du systme est
reprsente par un signal harmonique de la forme t t u cos ) ( = , lanalyse frquentielle est
ralis a laide de la transformation de Fourier [Larminant, 1993], [Borne et al., 1992].
Les interprtations dans le plan complexe se traduisent dans des diagrammes de type Bode
reprsentant lamplitude et la phase de la fonction de transfert, ) ( j , ou dans des
diagrammes de type Nyquist qui reprsentent sur le mme graphe la pulsation, lamplitude et
la phase, etc.

Systme linaire ou
non linaire
u(t) y(t)
Figure 1.5 : Model lmentaire du systme automatique
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

170
A1.3 Principe de fonctionnement dun rgulateur automatique

Elment essentiel du bloc de commande, le rgulateur automatique peut tre reprsent par un
simple intgrateur (le cas de boucle ouverte), ou un correcteur dynamique dfini par le gain,
K(s) (boucle ferme). La partie oprationnelle est caractrise par le transfert entre les entres
et les sorties, ce transfert lon note avec G(s) (figure 1.6).












Le transfert total pour le systme est K(s)G(s), et lon exprime laide de la fonction de
transfert, H(s) :

H(s)=K(s)G(s) (1.3.1)

Afin dobtenir ltat stable du systme, lautomaticien essaie de minimiser ce quon appelle la
sensibilit du systme, S :

) ( 1
1
s H
S
+
= (1.3.2)

Dans la synthse du rgulateur dun bloc de commande on peut se baser sur un model aussi
reprsentatif que possible de la rponse indicielle observe. Le rgulateur de type PID
(Proportional Integrativ Derivative) [Larminant, 1993], [Tsung et Apley, 2002] permet
obtenir dexcellentes performances.
Figure 1.6 : Les transferts dans un system automatique
Rgulateur
K(s) G(s
Commande Processus
H(s)
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

171
De point de vue de la conception le rgulateur PID reprsente une combinaison entre le
rgulateur Proportionnel Driv, (PD), et Proportionnel Intgre, (PI). La fonction de transfert
dun rgulateur PD est obtenu partir dun schma lmentaire proportionnelle en boucle
ferme, comme dans la figure 1.7 :







Entre la consigne r, la sortie y et lentre u la relation suivante est valable [Larminant, 1993] :

( )( ) y r s K u = (1.3.3)

Notons T(s), le transfert en boucle ferme, alors on obtient:

r s T y ) ( = (1.3.4)

Pour la valeur maximale Kp de la fonction K, on peut tablir la sensibilit statique de la
boucle :

) 0 ( 1
1
) 0 (
G K
S
p
+
= (1.3.5)

Souvent cette sensibilit est trop grande et dans cette situation le correcteur proportionnel sera
remplac par un correcteur dynamique, K(s). Le gain proportionnel peut tre augment en
utilisant un rseau avance qui amne des frquences plus grandes que
r
(frquence de
rsonance), au voisinage dun domaine spcifi. Ainsi la vitesse de rponse du systme sera
augmente. Le rseau avance est caractris par la fonction transfert :

s
sT
s K
+
+
=
1
1
) ( , <<T (1.3.6)
Figure 1.7 : Boucle ferme
proportionnelle
L(s)
-

K G(x)
r

e

u

y

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

172

Si on considre = 0 et on note avec T
d
la valeur de T pour un rgulateur PD, la fonction de
transfert du correcteur prend la forme :

) 1 ( ) (
d p
sT K s K + = (1.3.7)

Tandis que le facteur proportionnel amliore notamment la prcision de la rponse du
systme, le rgulateur PD a un effet stabilisant car il soppose aux grandes oscillations (les
variations de lerreur) et amliore le temps de rponse.
Lintrt du correcteur PI est damliorer la prcision par lannulation de lerreur statique
(dans le rgime permanent). Cependant il modifie la frquence de la rsonance,
r
, et conduit
une fonction de transfert caractrise dans la relation :

|
|

\
|
+ =
i
p
sT
K s K
1
1 ) ( (1.3.8)

o T
i
est la valeur de T pour un correcteur de type PI. Contrairement au correcteur PD, le
facteur intgrateur ralenti le systme et introduit un dphasage supplmentaire qui en rgime
transitoire rend le systme instable.
En combinant les rseaux PI et PD on obtient un rseau boucle ferme avec la configuration
proportionnelle intgr driv, PID. En plus, si on considre T
i
>>T
d
, le gain du rgulateur
PID sera caractris par la relation 1.3.9:

|
|

\
|
+ +
d
i
p
sT
sT
K s K
1
1 ) ( (1.3.9)

Lintrt du correcteur PID est dintgrer les effets positifs des trois correcteurs prsents : le
choix des coefficients proportionnel, Kp, intgrateur, Ti, et drivative, Td du correcteur PID
permet damliorer la fois la prcision (Ti et Kp) la stabilit (Td) et la rapidit (Td, Kp).


t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

173
A1.4 Prcisions sur limplmentation du modle intgr dans le model Simulink
Multiloop_Mode3.mdl :


Concernant la manipulation des simulations du modle avec le module Simulink (logiciel
Matlab), nous avons prcis que la mthode a t implmente sur le schma propose par
Ricker [Ricker, 1996]. Quelques prcisions techniques sont ici ncessaires sur la manipulation
des paramtres concerns par notre tude prsente dans la section 4.2.2 du chapitre III de ce
mmoire.


Dans le schma Multiloop_Mode3.mdl, le contrleur de base (qui en ralit une
structure PI) est intgr au troisime niveau (sous - sous masque) du bloc fonctionnel
dcrit dans la figure 4.19 (section 4.2.2, chapitre III). La structure de ce contrleur
comporte un intgrateur en srie avec le bloc de gain proportionnel. Pour le nouveau
contrleur, un bloc supplmentaire pour laction drive sera introduit en parallle
avec le bloc intgrateur.
Les valeurs des paramtres des nouveaux contrleurs, calcules selon lalgorithme
dcrit dans la section 4.2.2 du chapitre III (quations 4.17 et 4.19) reprsentent les
valeurs des paramtres traditionnels dun correcteur PID, qui gnralement a une
structure en parallle (le gain proportionnel fait partie du bloc en parallle, comme
dans la figure 4.18). En consquence les valeurs calcules avec les quations 4.17 et
4.19 ont t converties dans les valeurs correspondants de ce schma en tenant compte
galement de la priode dchantillonnage du modle (les valeurs Ti et Td sont
divises par la valeur du gain proportionnel et multiplies avec sample time, ici Ts
=0.0005).
Dans le schma de base le gain proportionnel ressort ngatif et cela a t compens par
lutilisation du signe - pour le rglage de ce paramtre. En dehors de lutilisation du
bloc de drivation, les changements des diffrents paramtres ont t effectus dans le
module ( configuration parametres ) associ notre modle..
Avec ces considrent les valeurs rels des paramtres demandes par le module
Simulink ont tait :

t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

174
Premire rglage (premire nouveau PID):

sur le systme de base:
0018 . 0
(sec) 60277
2
=
=
p
i
K
T

dans la sous- sous masque du systme : (sec) 5069Ts T
d
=


Deuxime rglage (deuxime nouveau PID):

sur le systme de base:
0102 . 0
(sec) 11794
2
=
=
p
i
K
T

dans la sous- sous masque du systme : (sec) 2948Ts T
d
=
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

175
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

176

Rfrences
[Abraham, 1977] Abraham B., Control Charts and measurements errors, Conference of the
ASQC, 31, 1977
[Annadi et al., 1995] Annadi H.P., Keats J. B., Runger G. C., Montgomery D.C., An
Adaptive Sample Size CUSUM Control Chart, International Journal of Production Research,
Vol. 33, No. 6, 1995
[Apley et Jianjun, 2001] Apley D. W., Jianjun Shi, A Factor-Analysis Method for
Diagnosing Variability in Multivariate Manufacturing Processes, Technometrics, Vol. 43,
No. 1, pp. 84-94, 2001
[Argon et Elsayed, 2002] Argon C., Elsayed E.A., Design and Performance Analysis of the
Exponentially Weighted Moving Average Mean Estimate for Processes Subject to Random
Step Changes, Technometrics, vol 44, No 4, pp.379-389, 2002
[Bacivarov, 2005] Bacivarov I.C., Sisteme de management: calitate, mediu securitate,
siguranta, etica, responsabilitate sociala, Quality Assurance, Year XI, No. 43, july -
september 2005
[Baklizi, 2005] Baklizi A., Weighted Kolmogorov Smirnov type tests for grouped
Rayleigh data, Applied Mathematical Modelling, 2005
[Bakshi, 1998] Bakshi B.R., Multiscale PCA with application to multivariate statistical
process monitoring, AIChE Journal, 44, 1596 1610, 1998
[Basseville et Nikiforov, 2002] Basseville M, Nikiforov I.V., Fault isolation for diangnosis :
nuisance rejection and multiple hypotheses testing, Annual Review in Control, Vol. 26, No.
2, 2002
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

177
[Borne et al., 1992] Borne P., Dauphin-Tanguy G., Richard J.P., Modlisation et
identification des processus, Ed. Technique, 1992
[Box et Luceno, 1997] Box G. E., Luceno A., Statistical Control by Monitoring and
Feedback Adjustment, John Wiley & Sons, Incorporated, 1997
[Box et al., 1997] Box G. E. P, Coleman D.E, Baxley R.V, A comparison of Statistical
Process Control and Engineering Process Control, Journal of Quality Technology, Vol. 29,
No. 2, April 1997
[Carr, 1999] Carr G., MSP for continuous Processes, Intel Corp Chemical Engineering,
June 1999
[Castagliola, 1996] Castagliola P., Evaluation of non- normal process capability indices
using Burrs distributions, Quality Engineering Vol. 8, No. 4, pp. 587-593, 1996
[Castagliola, 1998] Castagliola P., Simple control charts for data having a symmetrical
leptokurtic distribution, 4th ISSAT International Conference on Reliability and Quality in
Design, ISBN: 0-9639998-3-4, pp159-162, Seattle WA, USA, 1998
[Castagliola, 1999] Castagliola P., Cartes de controle pour des processus non gaussiens, 29
mars 1999
[Castagliola et Tsung, 2005] Castagliola P., Tsung F., Autocorrelated SPC for Non-Normal
Situations, Quality And Reliability Engineering International, No 21, pp. 131-161, 2005
[Cassady et al., 2000] Cassady C.R., Bowden R.O., Liew L., Pohl E. A., Combining
preventive maintenance and statistical process control : a preliminary investigation, IIE
Transaction, Vol. 32, pp. 471-479, 2000
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

178
[Chan et al., 2004] Chan W. S., Cheung S. H., Wu K. H., Multiple forecasts with
autoregressive time series models: case studies, Mathematics and Computers in Simulation,
No. 64, pp. 421430, 2004
[Chen et al., 1998] Chen G., McAvoy T., J., Piovoso M., A multivariate statistical controller
for on line quality improvement, J. Proc. Cont., Vol. 8, No. 2, pp 139-149, 1998
[Chen, 2004] Chen Y. K., Economic design of X control charts for non normal data using
variable sampling policy, Int. J. Production Economics, Vol. 92 , pp. 61 74, 2004
[Chen et Cheng, 2005] Chen H., Cheng Y., Non - normality effects on the economic-statistical
design of charts with Weibull in-control time, European Journal of Operational Research, 3
august 2005
[Chernick, 1999] Chernick M. R., Bootstrap Methods A practitioners guide, Wiley Series in
Probability and Statistics, ISBN 0-471-34912-7, USA 1999
[Cherry et al., 2006] Cherry G. A., Qin S. J., Multiblock Principal Component Analysis Based
on a Combined Index for Semiconductor Fault Detection and Diagnosis, IEEE Transactions
on Semiconductor Manufacturing, Vol. 19, No. 2, pp. 159-172, 2006
[Chiang et Pell, 2004] Chiang L.H, Pell R.J., Genetic algorithms combined with discriminant
analysis for key variable identification, Journal of Process Control, No.14, pp. 143-155, 2004
[Chiang et al., 2004] Chiang et al., Fault diagnosis based on Fisher discriminant analysis and
support vector machines, Computers and chemical engineering No. 28, pp.1389-1401, 2004
[Choi et al., 2006] Choi S. W., Martin E. B., Morris A. J., Lee I. B., Adaptive Multivariate
statistical Process control for Monitoring time- Varying Processes, Ind. Eng. Chem.Research,
Vol. 45, pp. 3108-3118, 2006-12-06
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

179
[Chou et al., 2001a] Chou C. Y., Chen C. H., Liu H. R., Economic design of charts for non
normally correlated data, Int. J. Prod. Res., Vol. 39, No 9, pp. 1931-1941, 2001
[Chou et al., 2001b] C. Y., Li M. H. C., Wang P. H., Economic Statistical Design of Averages
Control charts for Monitoring a Process under Non - normality, International Journal of
Advanced Manufacturing Technology, pp. 603-609, 2001
[Clements, 1989] Clements J. A., Process capability calculations for non normal
distributions, Quality Progress, No. 22, pp. 995-100, 1989
[Corbett et Pan, 2002] Corbett C. J, Pan J.N., Evaluating environmental performance using
statistical peocess control techniques, European Journal of Operational Research, Vol. 139,
pp. 68-83, 2002
[Costa, 1999] Costa A.F.B., Joint chart with variable parameters, Journal of Quality
Technology, Vol. 31, pp. 408-416, 1999
[Crandall, 2004] Crandall S.H., On using non Gaussian distributions to perform statistical
linearization, International Journal of non- linear Mechanics No. 39, pp. 1395 1406, 2004
[Dagli, 1988] Dagli C.H., Expert system for selecting quality control charts, Expert systems
: Strategies and Solutions in Manufacturing Design and Planning, Society of Manufacturing
Engineers, MI, 1988
[Dongfeng et Tsung, 2003] Dongfeng Shi, Tsung F., Modeling and diagnosis of feedback-
controlled processes using dynamic PCA and neural networks, INT. J. PROD, 2003
[Downs et Vogel, 1993], Downs J.J., Vogel E.F., A plant wide industrial process control
problem, Computers Chemical Engineering, Vol. 17, No. 3, pp. 245-255, 1993
[Duclos, 1997] Duclos E., Contribution la Matrise Statistique des Procds. Cas des
procds non normaux, Universit de Savoie, 27 novembre 1997
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

180
[Duffuaa et al., 2004] Duffuaa S.O., Khursheed S.N., Noman S. M., Integrating statistical
engineering process control and Taguchis quality engineering, INT. J. PROD, oct. 2004
[Efron, 1979] Efron B., Bootstrap Methods: Another look at the Jacknife, Ann. Statist.,
No.7, pp.1 - 26, 1979
[Elsayed et al., 1995] Elsayed E.A., Ribeiro J.L., Lee M.K., Automated process control and
quality engineering for processes with damped controllers, INT.J. PROD.RES., Vol. 33, No
10, 1995
[Falkovich et al., 2004] Falkovich G., Kolokolov I., Lebedev V., Mezentsev V., Turitsyn S.,
Non-Gaussian error probability in optical soliton transmission, Physica D 195, pp 1 28,
2004
[Fournier et al., 2006] Fournier B., Rupin N., Bigerelle M. , Najjar D., Iost A., Application of
the generalized lambda distributions in a statistical process control methodology, Journal of
Process Control, No.16, pp. 1087 1098, 2006
[Fung et Mangasarian, 2001] Fung G. et Mangasarian O. L., Proximal Support Vector
Machine Classifiers, Data mining institute technical report 01-02, 2001
[Gertler, 1998] Gertler J.J., Fault detection and diagnosis in Engineering systems,
ED.Marcel Dekker, 1998
[Gob et al., 1999] Gob R, Del Castillo E., Drager K, Run length analysis of Shewhart charts
applied to drifting processes under an integrative SPC/EPC model, Metrika, No.50, pp. 137-
161, 1999
[Grau, 2006] Grau D., Indices de capabilit pour des lois non-normales en prsence de
tolrance asymtriques, Congrs Agrostat Papers (Agro-Industrie et Mthodes statistiques),
Montpellier, 25-27 January 2006
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

181
[Grigoriu, 1995] Grigoriu M., Applied non - gaussian processes. Examples, Theory,
simulation, Linear random vibration end Matlab Solutions, Prentice Hall PTR, New Jersey,
1995
[Guidez, 1997] Guidez L., Conception de cartes de contrle assiste par ordinateur et
calculs de capabilits appliqus au processus non gaussiens: Application la production
dembrayages, Universit Technologique de Compigne, 12 dcembre 1997
[Guidez et al., 1997] Guidez L., Barreau A., Cherfi Z., MSP : Impact de la non normalit sur
les indicateurs de capabilite, 2me Congrs pluridisciplinaire Qualit et Sret de
fonctionnement, pp. 145 152, 1997
[Gultekin, 2000] Gultekin M., Change point detection and control of automatic continuous
processes, Thse pour obtenir le titre de doctorat, New Brunswick, New Jersey, October,
2000
[Gultekin et al., 2002] Gultekin M., Elsayed E.A., English J.R., Monitoring automatically
controlled processes using statistical control charts, INT.J.PROD. RES, Vol. 40, No 10,
2002
[Harris, 2004] Harris Th. J., Statistical properties of quadratic type performance indices,
Journal of Process control, Vol.14, pp. 899 914, 2004
[Hawkins, 2002] Hawkins D.M., Diagnostics for conformity of paired quantitative
measurements, statistics in medicine, No 21, 1913-1935, 2002
[Hawkins et Zamba, 2005] Hawkins D.M., Zamba K.D., Statistical Process Control for
Shifts in Mean or Variance Using Changepoint Formulation, Technometrics, Vol. 47, No. 2,
May 2005
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

182
[Henderson, 2005] Henderson A. R., The bootstrap: A technique for data-driven statistics.
Using computer-intensive analyses to explore experimental data, Clinica Chimica Acta, 2
April 2005
[Hu et Lin, 2000] Chin Yuan Hu et Gwo Dong Lin, On an inequality for the Rayleigh
distribution, The Indian Journal of Statistics, Vol. 62, pp. 36-39, 2000
[Jackson, 1959] Jackson J.E., Quality control methods for several related variables,
Technometrics, No.1, pp.359 377, 1959
[Jackson et Mudholkar, 1979] Jackson J.E., Mudholkar G. S., Control procedures for
residuals associated with principal component analysis, Technometrics, No.21, pp.341-349,
1979
[Jackson, 1980] Jackson J.E., Principal components and factor analysis: Part I principal
components, J. of Quality Technology, No.12, pp.201-213, 1980
[Janakiram et Keats, 1998] Janakiram M., Keats B. J., Combining SPC and EPC in a Hybrid
Industry, Journal of Quality Technology, Vol. 30, No. 3, 1998
[Jearkpaporn et al., 2003] Jearkpaporn D. P., Montgomery D. C., Runger G.C., Borror C. M.,
Process Monitoring for correlated Gamma-Distributed Data Using Generalized-Linear-
Model-Based Control Charts, Qual. Reliab. Engng. Int., Vol. 19, pp. 477-491, 2003
[Jiang et Tsui, 2002] Jiang W, Tsui K.L., SPC monitoring of MMSE and PI - Controlled
Processes, Journal of Quality Technology, Vol. 34, No. 4, Octobre 2002
[Jiang et al., 2002] Jiang W., Wu H., Tsung F., Nair V. N. Tsui K.L., Proportional Integral
Derivative Charts for process monotoring, Technometrics, Vol. 44, No. 3, 2002
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

183
[Johnson et al., 1994] Johnson, Samuel Kotz, N. Balakrishnan Continuous univariate
distributions, Vol. I, Second Edition, Wiley Serie in Probability and Mathematical Statistics,
1994
[Kanazuka, 1986] Kanazuka T., The effects of measurements error on the power of X barre-
R charts, Journal of Quality Technology, Vol. 18, 1986
[Kano et al., 1999], Kano M., Nagao K., Ohno H., Hasebe S., Hashimoto I., New methods of
process monitoring using principal component analysis, AIChE Annual Meeting, Dallas,
TX, paper 224a, 1999
[Kano et al., 2000] Kano M., Nagao K., Ohno H., Hasebe S., Hashimotom I., Strauss R.,
Bakshi B., Comparison of Statistical Process Monitoring Methods: Application to the
Eastman Challenge Problem, Computers & Chemical Engineering, Vol.24, No.2-7, pp.175-
181, 2000
[Kano et al., 2001] Kano M., Ohno H., Hasebe S., Hashimoto I., A New Multivariate
Statistical Process Monitoring Method Using Principal Component Analysis, Computers &
Chemical Engineering, Vol.25, No.7-8, pp.1103-1113, 2001
[Kano et al., 2002a] Kano M., Ohno H., Hasebe S., Hashimoto I., Statistical Process
Monitoring Based on Dissimilarity of Process Data, AIChE Journal, Vol.48, No.6, pp.1231-
1240, 2002
[Kano et al., 2002b] Kano M., Nagao K., Ohno H., Hasebe S., Hashimoto I., Strauss R.,
Bakshi B, Comparison of Multivariate Statistical Process Monitoring Methods with
Applications to the Eastman Challenge Problem, Computers & Chemical Engineering,
Vol.26, No.2, pp.161-174, 2002
[Kano et al., 2004] Kano M., Hasebe Sh., Hashimoto I., Ohno H, Evolution of multivariate
statistical process control: application of independent component analysis and external
analysis, Computers and Chemical Engineering, Vol. 28, pp. 1157-1166, 2004
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

184
[Katayama et Sugimoto, 1997] Katayama T., Sugimoto S., Statistical methods in Control and
Signal Processing, Serie Electrical Engineering and Electronics, Marcel Dekker Inc., 1997
[Kobi, 1994] Kobi A., Diagnostic de processus continus: Application la dtection de
valeurs aberrantes dans les signaux dentre et de sortie de systmes, Institut National
Polytechnique de Lorraine, Juin, 1994
[Kobi, 2004] Kobi A., Contributions a loptimisation et a la matrise des processus
industriels, Habilitation Dirige de Recherche, ISTIA, Universit dAngers, septembre 2004
[Kulkarni et al., 2005] Kulkarni A. et al., Knowledge incorporated support vector machines
to detect faults in Tennessee Eastman Process, Computers and Chemical Engineering, No.
29, pp. 2128 2133, 2005
[Kundu, 2004] Debasis Kundu, Mohammad Z. Raqab, Generalized Rayleigh distribution:
different methods of estimation, http://home.iitk.ac.in/~kundu/, 2004
[Kurti, 2006] Kurti Th., The Process Analytical Technology Initiative and Multivariate
Process Analysis, Monitoring and Control, Anal. Bioanal. Chem., Vol.384, pp. 1043-1048,
2006
[La Jaune et la Rouge, 2001] La thorie des variations et la MSP, publi dans la revue La
Jaune et la Rouge, Revue des anciens lves de lcole Polytechnique, Mars 2001
[Larminat, 1993] Larminat P., Automatique commande des systmes linaires, Ed.
Hermes, 1993
[Lee et Mangasarian, 2001] Lee Y., Mangasarian O. L. , RSVM : Reduce Support Vector
Machines, Proceedings of the SIAM International Conference on Data Mining, Chicago,
Ilinois, 2001
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

185
[Lin et Chou, 2005a] C Lin Y. C., Chou C. Y., On the design of variable sample size and
sampling intervals X charts under non-normality, Int. J. Production Economics 96, pp. 249-
261, 2005
[Lin et Chou, 2005b] Lin Y.C., Chou C.Y.: Non-normality and the variable parameters X
control charts, European Journal of Operat. Research, June 2005
[Lloyd, 1952] Lloyd E. H., Least squares estimation of location and scale parameters using
order statistics, Biometrika, Vol. 39, No. 88-95, 1952
[Lucas et Saccucci, 1990] Lucas J. M., Saccuci M. S., Exponentially Weighted Moving
Average Control Schemes: Properties and Enhancement. Technometrics 32, pp. 129, 1990
[MacGregor et Kourtl, 1995] MacGregor J.F., Kourtl T., Statistical Process Control Of
Multivariate Processes, Control Fag. Practice, Vol. 3, No. 3, pp. 403-414, 1995
[Magalhes et al., 2006] Maysa S De Magalhes, Antonio F. B. Costa, Francisco D Moura
Neto, Adaptive control charts: a Markovian approach for process subject to independent
disturbances, Int. J. Production Economics 99, pp. 236-246, 2006
[Mastrangelo et al., 1996] Mastrangelo C. M., Runger G. C., Montgomery D. C., Statistical
Process Monitoring with Principal components, Quality and Reliability Engineering
International, Vol. 12, pp. 203-210, 1996
[Mayer et al., 2004] Mayer-Wolf E., Roitershtein A., Zeitouni O., Limit theorems for one-
dimensional transient random walks in Markov enviroments, Ann. I. H. Poincar PR 40,
pp. 635-659, 2004
[Mayers et Montgomery, 1997] Mayers R. H., Montgomery D. C., A Tutorial on
Generalized Linear Models, Journal of Quality Technology, Vol. 29, No. 3, July 1997
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

186
[McAvoy et Ye, 1994], McAvoy T.J., Ye N., Base control for Tennessee Eastmen problem,
Computers Chemical Engineering, Vol. 18, pp. 383-413, 1994
[Militaru, 2001] Militaru C., Dumitrescu A., Statistica Tehnica, Bucuresti, Ed. Bren 2001
[Militaru et Crisan, 2002] Militaru C., Crisan D. M., Capabilitatea proceselor de
fabricatie, TIPARG, ISBN 973-8029-68-6, Pitesti Romania, 2002
[Montgomery, 1991] Montgomery D. C., Introduction to Statistical Quality Control, 2nd
Edition. John Wiley & Sons, New York, NY, 1991
[Montgomery et al., 1994] Montgomery D.C., Keats. J.B., Runger G.C., Messina W.S.,
Integrating statistical process control and engineering process control, Journal of Quality
Technology, Vol. 26, 1994
[Montgomery, 1996] Montgomery D. C., Introduction to Statistical Quality Control, Third
Edition, Ed. John Wiley and Sons, Inc., 1996
[Mudelsee et Alkio, 2006] Mudelsee M, Alkio M., Quantifying effects in two-sample
environmental experiments using bootstrap confidence intervals, Environmental Modelling
& Software, 2006
[Mihalache et al., 2005] A. Mihalache, F. Guerin, M. Barreau, A. Todoskoff, B. Dumon,
Reliability estimation of embedded mechatronic systems, Proceeding of REM2005, Annecy,
France, Juin, 2005
[Nichols et Padgett, 2006] Nichols M. D., Padgett W. J., A Bootstrap control Chart for
Weibull Percentiles, Qual. Reliab. Engng. Int., Vol. 22, pp. 141-151, 2006
[Noura et al., 1996] Noura H., Aubrun C., Hamelin F., Sauter D., Accommodation aux
dfauts et reconfiguration des lois de commande, Journal Europen des systmes
Automatises, 1996
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

187
[Pages, 1954] Page E.S., Continuous Inspection Schemes, Biometrika, Vol. 41, pp. 100-114,
1954
[Pal, 2005] Pal S., Evaluation of nonnormal process capability indices using generalized
lambda distribution, Quality Engineering, 17, 77-85, 2005
[Patton et Frank, 2000] Patton R.J, Frank P.M., Issues of fault diagnosis for dynamic
system, Springer, New-York, 2000
[Pearn et Chen, 1997] Pearn W.L., Chen K. S., Capability indices for non normal
distributions with application in electrolytic capacitor manufacturing, Microelectronical
Reliability, Vol 37, No 12, pp 1853-1858, 1997
[Pearn et al., 2002] Pearn W.L., Ko C.H., Wang K. H., A multiprocess performance analysis
chart based on the capability index Cpp: an application to the chip resitors, Microelectronical
Reliability, Vol. 42, pp. 1121-1125, 2002
[Pereira et al., 2000] Pereira C, Henriques J., Dourado A., Adaptive RBFNN versus
conventional self-tuning : comparison of two parametric model approaches for non-linear
control, Control Engineering Practice, No. 8, pp. 3-12, 2000
[Perigord, 1990] Perigord M., Formation la matrise statistique des procds - une
dmarche participative, Les Editions dOrganisation, Collection Management 2000 ,
ISBN 2-7081-1172-8, France 1990
[Phillips et al., 1997] Phillips A.R., Jeffries R., Schneider J., Frankoski S.P., Using
Repeatbility and Reproductibility studies to evaluate a destructive test method, Quality
Engineering , Vol. 10, No. 2, 1997
[Pillet, 1993], Pillet M., Contribution la matrise statistique des procds - Cas particulier
des petites sries, Thse de Doctorat, Universit de Savoie, juillet 1993
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

188
[Pillet, 2002] Pillet M., Appliquer la matrise statistique des procdes (MSP/SPC), 4
e

Edition, Ed. DOrganisation, 2002
[Pyzdek, 1995] Pyzdek Th., Compilation Why Normal Distributions Arent [All That
Normal], Quality Engineering, Vol. 7 No. 4, 1995, pp.769-777, Process Capability
Analysis Using Personal Computing, Quality Engineering, Vol. 4, No. 3, 1992 , pp. 419
440, www.qualitydigest.com/dec99/html/nonnormal.html
[Qiu et Hawkins, 2001] Qiu P., Hawkins D., A Rank-Based Multivariate CUSUM
Procedure, Technometrics, Vol. 43, No. 2, pp. 120 132, 2001
[Rao et al., 1995] Rao S., Strojwas A., Lehoczky J., Schervish M., Monitoring VLSIC
fabrication processes : A bayesian Approach, IEEE/SEMI Advanced Semiconductor
Manufacturing Conference, 1995
[Ricker, 1996] N. L. Ricker, Decentralized control of the Tennessee Eastman Challenge
Process, J. Proc. Cont., Vol. 6, No. 4, pp. 205-221, 1996
[Roberts, 1959] Roberts S.W., Control chart tests based on geometric moving averages,
Technometrics, Vol.1, pp. 239-250, 1959
[Ruhhal et al., 2000] Ruhhal N. H., Runger G. C., Dumitrescu M., Control Charts and
Feedabck Adjustements for a Jump Disturbance model, Journal of Quality Technology, Vol.
32, No. 4, 2000
[Runger et Montgomery, 1997] Runger G. C., Montgomery D. C., Multivariate and
univariate Process Control: Geometry and Shift Detections, Qual. Reliab. Engng. Int., Vol.
13, pp. 153-158, 1997
[Shetty et al., 2004] Shetty P. K., Srikanth R., Ramu T.S., Modeling and on-line recognition
of PD signal buried in excessive noise, Signal Processing, No. 84, pp 2389-2401, 2004
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

189
[Shewhart, 1931] Shewhart W. A., Economic Control of Quality of Manufactured Product,
New York, D. Van Nostrand Co, 1931
[Shi et Tsung, 2003] Shi D, Tsung F., Modeling and diagnosis of feedback-controlled
processes using dynamic PCA and neural networks, INT. J. PROD, 2003
[Somerville et Montgomery, 1997] Somerville S. E., Montgomery D.C., Process capability
indices and non normal distributions, Quality Engineering, Vol. 9, No.2, pp. 305-316, 1996
1997
[Souvay, 1999] Souvay P., Magnien P., SPC, symetris et coaxialits, Technologies et
Formations, No. 54, 1999
[Sriniwas et Arkun, 1997] Sriniwas G. R., Arkun Y., Control of the Tennessee Eastman
process using input-output models, J. Proc. Cont., Vol. 7, No. 5, pp. 387- 400, 1997
[Stanard, 2001] Stanard C. L., Six Sigma Special Topics: Z-Shifts, Statistics & Non-Standard
Data Analysis, General Electric Corporate Research and Development, Quality and
Productivity Conference, July 2001,
http://www.isixsigma.com/offsite.asp?A=Fr&Url=http://www.crd.ge.com/cooltechnologies/pdf
/2001crd120.pdf
[Stoumbos, 2002] Stoumbos Z.G., Process capability indices: overview and extensions,
Nonlinear Analysis: Real World Applications No. 3, pp.191 210, 2002
[Sun et al., 2001] Sun F. B., Yang J., Del Rosario R., Murphy R., A conditional reliability
control chart for the post-production extended reliability - test, Proceedings Annual
Relaibility and Maintainability Symposium, pp. 64-73, 2001
[Sweet et Tu, 2006] Sweet A. L., Tu J. F., Evaluating tolerances and process capability
when using truncated probability density functions, International Journal of Production
Research, No. 17, Vol. 44., pp. 3493 3508, 2006
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

190
[Taylor Hobson Ltd.] Taylor Hobson Ltd., Roundness Terms and Definitions,
http://www.taylor-hobson.com
[TEC EASE INC., 2005] TEC EASE INC., GD&T Tips, Circularity Size - Controlling
Form, Concentricity and Position - Coaxiality Controls, http://www.tec-
ease.com/tips/november-04.htm, 2005
[Teyarachakul et al., 2006] Teyarachakul S., Chand S., Tang J., Estimating the limit for
statistical process control charts: A direct method improving upon the bootstrap, European
Journal of Operational Research, 11 January 2006
[Tian et Hoo, 2005] Tian Z. et Hoo A., Multiple Model-Based Control of the Tennessee-
Eastman Process, Ind. Eng. Chem. Res., No. 44, pp. 3187-3202, 2005
[Tiplica et al., 2001] T., Kobi A., Barreau A., Bacivarov I., Synthse et comparaison des
mthodes pour la matrise statistique des processus multivaris, QUALITA 2001, 22-23
Mars, Annecy France, 2001
[Tiplica, 2002] Tiplica T, Contributions a la matrise statistique des processus industriels
multi varies, Institut des Sciences et Techniques de lIngenieurs dAngers, 2002
[Tsacle et Aly, 1996] Tsacle E. G., Aly N. A., Expert System model for implementing
statistical process control in the heakth care industry, Computers & Industriel Egineering,
Vol. 31, No. 1/2, pp. 447-450, 1996
[Tsung, 1999] Tsung F, Improving automatic-controlled process quality using adaptive
principal component monitoring, Quality and Reliability Engineering International, No .15,
1999, pp. 135-142, 1999
[Tsung et Shi, 1999] Tsung F, Shi J., Integrated design of run - to run PID controller and
SPC monitoring for process disturbance rejection, IIE Transactions, No. 31, pp.517-527,
1999
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

191
[Tsung et al., 1999] Tsung F., Shi J. and Wu C. F.J. Joint monitoring of PID-Controlled
Processes, Journal of Quality Technology, Vol. 31, No. 3, 1999
[Tsung et Apley, 2002] Tsung F., Apley D. W., The dynamic T2 chart for monitoring
feedback- controlled processes, IIE Transactions, No. 34, 2002, pp. 1043-1053, 2002
[Tukey, 1958] Tukey J. W., Bias and confidence in not quite large samples, Ann. Math.
Statist., Vol. 29, No 614, 1958
[Vernaat et al., 2003] Vernaat M.B., Ion R.A., Does R.J.M.M., Klaassen C.A.J, A
Comparison of Shewhart Individuals control charts Based on Normal, Non - parametric, and
Extreme-value Theory, Quality and Reliability Engineering International, No 19, 337-353,
2003
[Vlachos et al., 2002] Vlachos C., Williams D., Gomm J.B, Solution to the Shell standard
control problem using genetically tuned PID controllers, Control Engineering Practice, No.
10, 2002, pp. 151-163, 2002
[Wardell et Candia, 1996] Wardell D.G., Candia M.R., Statistical Process monitoring of
customer satisfaction survey data, Quality Management Journal, Vol. 3, No. 4, pp. 36-50,
1996
[Wheeler and Chambers, 1992] Wheeler D.J., Chambers D. S., Understanding Statistical
Process Control, Second Edition, Ed. SPC Press, Knoxville, Tennessee, 1992
[Wisnowski et al., 2003] Wisnowski J. W., Simpson J. R., Montgomery D. C., Runger G. C.,
Resampling methods for variable selection in robust regression, Computational Statistic
and Data Analysis, Vol. 43, pp. 341-355, 2003
[Woodward, 1997] Woodward P., Of skewed distributions in SPC, Technical paper, The
worlds knowledge , www.bl.uk, 1997
t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0

192
[Wright et Ralston, 1994] Wright A.L., Ralston P.A.S., A Preliminary study of hybrid
Fuzzy/Statistically-Based Controllers, IEEE, pp. 549-554, 1994
[Xie et al., 2002] Xie M., Goh T.N., Ranjan P., Some effective control chart procedures for
reliability monitoring, Reliability Engineering and system safety, Vol. 77, 2002, pp. 143-150
[Yang et Lu, 2000] Yang A, Lu M.L., A formulation of the collaboration mechanism for
integrated abnormal situation management, Computers and chemical engineering No.24, pp.
539 544, 2000
[Yoo et al., 2006] Yoo C. K., Villez K., In-Beum Lee, Vanrolleghem P. A., Multivariate
Nonlinear Statistical Process Control of a Sequencing Batch Reactor, Journal of Chemical
Engineering of Japan, Vol. 39, No. 1, pp. 43-51, 2006
[Yourstone et Zimmer, 1992] Yourstone S.A., Zimmer W. J., Non-normality and the Design
of Control Charts for Averages, Decision Sciences, Vol. 23, 1992
[Zani, 2004] Marie-Line Zani, Guide dachat Les appareils de mesure dcart de forme,
MESURES, No. 762, pp. 58-64, fvrier 2004
[Zhang, 2006] Zhang F., AEWMA Control Charts for Monitoring Variability Sources of
Solder Joints Quality, IEEE Transactions on components and Packaging Technologies, Vol.
29, No. 1, pp. 80-88, 2006




t
e
l
-
0
0
5
3
5
6
6
8
,

v
e
r
s
i
o
n

1

-

1
2

N
o
v

2
0
1
0