Méthodes du contrôle (maîtrise) statistique de la qualité
Transcription
Méthodes du contrôle (maîtrise) statistique de la qualité
Méthodes du contrôle (maîtrise) statistique de la qualité MTH 2301 Méthodes statistiques maîtrise statistique des processus : SPC SPC 1 Méthodes statistiques de la qualité : Statistical Quality Control échantillonnage des lots : Acceptance Sampling cartes de contrôle de Shewhart: Statistical Process Control (SPC) planification d’expériences : Design Of Experiment (DOE) - Taguchi analyse des modes défaillances : Failure Mode Effect Analysis (FMEA) déploiement fonction qualité : Quality Function Deployment (QFD) analyse de fiabilité Contrôle Statistique des Processus : SPC de base types de cartes : attribut – comptage – mesure processus d’implantation exemples avec Statistica SPC 2 SPC 3 SPC 4 Analyse de capacité (capabilité) des processus méthodologie indices lien avec la stratégie 6 sigma Analyse de capacité des processus de mesure : R&R Reproductible & Répétitivité méthodologie critères exemples SPC : cartes avancées moyenne mobile MA moyenne mobile à poids exponentiel EWMA cumulative à somme CUSUM 2 multivariables T de Hotelling SPC 5 Stratégie de management qualité SIX SIGMA stratégie organisationnelle méthodologie DMAIC : Define Mesure Analyze Improve Control méthodologie DFSS : Design For Six Sigma ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 1 OÙ ? RÉCEPTION et EXPÉDITION QUOI : MÉTHODES matières premières produits semi finis PLANS D'ÉCHANTILLONNAGE LOTS (Acceptance sampling) PRODUCTION et ASSEMBLAGE CARTES de CONTRÔLE et ANALYSE de CAPACITÉ (SPC) OPTIMISATION PRODUITS PROCÉDÉS PLANIFICATION D'EXPÉRIENCES (DOE - Taguchi) TESTS ESSAIS en ACCÉLÉRÉS ÉTUDES FIABILITÉ (accelerated testing) produits regroupés en lots SUIVI QUALITÉ et FIABILITÉ PRODUITS en SERVICE MÉTHODES D'ANALYSE STATISTIQUE DESIGN de PRODUITS et PROCÉDÉS et SERVICES QFD (Quality Function Deployment) PLANS D'EXPÉRIENCES ANALYSE TOLÉRANCE ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 2 concept central : P R O C E S S U S 2 PROCESSUS INSÉPARABLES RESSOURCES APPROVISIONNEMENT PROCESSUS MATÉRIAUX étapes méthodes procédures ÉQUIPEMENTS rôle 2 PRODUIT ou SERVICE Fabrication X1, X2, X3, … Mesurage Résultat Y rôle 3 PERSONNEL PARAMÈTRES MESURABLES et CONTRÔLABLES pièce rôle 1 Y CARACTÉRISTIQUES CRITIQUES pour la QUALITÉ : VALEUR AJOUTÉE Fonction de transfert f Y =f (X1, X2,..) TYPE inspection : humain comptage mesure : appareil - MESURES - COMPTAGES - ATTRIBUTS Classement 0, 1, 2, … 34.582 …. DISTRIBUTION de Y • • • Y Classement …………..… Binomiale : 0 ou 1 Comptage ……………….. Poisson Mesure (variable) .… Normale (gaussienne) Les 3 RÔLES DES DONNÉES Les cartes de Shewhart (contrôle) sont appliquées à ces variables ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 3 rôle 1 analyser le processus de mesurage : R&R REPRODUCTIBLE ? RÉPÉTIVITÉ ? rôle 2 classer la pièce : conforme ou non conforme ? (exigences, spécifications, tolérances) rôle 3 analyser le processus de fabrication : étude de capacité STABLE ? CAPABLE ? ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 4 CONSTATS UNIVERSELS Les 4 ÉTATS POSSIBLES d'un PROCESSUS La qualité du produit dépend du processus. Le processus doit être étudié avec le produit. OUI Le comportement du processus varie dans le temps OUI VARIABILITÉ est TOUJOURS PRÉSENTE Sans surveillance, TOUS les processus se désorganisent et se dégradent : ENTROPIE STABLE ? NON 1 3 2 4 CAPABLE ? NON Pour s'en sortir, une solution qui a fait ses preuves : CARTES de CONTRÔLE des PROCESSUS remarque : le terme CONTRÔLE prête à beaucoup de confusion. Les cartes ne contrôle pas le processus mais elles donnent une image du COMPORTEMENT du processus par l’intermédiaire de mesures sur le produit. Il serait nettement préférable d’appeler ces cartes : cartes de comportement du processus 1 Situation confortable produits conformes à 100% situation jamais acquise de manière permanente en profiter pour améliorer le processus Les cartes permettent 2. Cas limite Améliorer le processus pour aller en 1 : Diminuer la dispersion ou revoir les limites de spécification • • • • • • d'analyser les fluctuations de Y de quantifier ces fluctuations de comprendre deux catégories de variabilité de réduire la variabilité de statuer si le processus est STABLE ( concept à définir) d'évaluer la capacité du processus (indices) relativement à des limites de spécification (tolérances) 3. Processus au bord du chaos produits conformes à 100% mais état de courte durée processus instable et tout peut arriver il faut trouver les causes assignables (spéciales) et stabiliser le processus pour se ramener au cas 1 ou 2 En résumé 4. Situation chaotique Il faut faire des améliorations importantes pour stabiliser les cartes de contrôle = un BILAN de SANTÉ du PROCESSUS PRIORITÉ ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 5 : STABILISER en premier et ensuite RENDRE CAPABLE ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 6 Genèse des cartes Distinction entre 2 types de variabilité TYPE ÉLÉMENT type 1 Shewhart cause assignable Deming cause spéciale source causes externe processus nombre causes petit effet cause fort présence sporadique Exemples correctif responsabilité hommes, matériaux, méthodes machines, local personnel 1er niveau CAS type 2 X LCLX = µ – 3σ CLX = µ UCLX = µ + 3σ P ( LCLX ‹ X ‹ UCLX ) = 0.9973 1 échantillon de taille n : x 1 , x 2 , x n : X = ∑ x i / n = Xbar … A = 3/√n LCLXbar = µ – A σ ; UCLXbar = µ + A σ ; P [ LCLXbar ‹ X ‹ UCLXbar ] = 0.9973 - défaut de design, - formation insuffisante, -documentation inadéquate, - matières premières, - réglages imprécis, - conditions de travail, - équipement inadéquat, .. CAS ( µ ,σ ) INCONNUS estimation des paramètres k échantillons de taille n : x i 1 , x i 2 , … ,xin i = 1, 2, … , k Xbar i = ∑ x i n / n ; R i = max( x i j) – min (x i j) ; S i = X global management = ∑ Xbar i / k ; R = ∑ R i / k estimation sans biais de σ : ; S= σ = R / d2 ∑ 2 ( x i j - Xbari ) /( n-1) ∑Si/k ; σ = S / c4 remarque : les constantes d2 et c4 dépendent de n ( voir p. 11) limites de contrôle : Xbar et R DÉFINITION Le PROCESSUS est STABLE si seulement des causes communes sont en jeu dans le processus. définition statistique : les paramètres de la distribution (population) de X sont constants et ne changent pas dans le temps carte de contrôle. ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 σ 2 N ( µ, σ ) µ, σ CONNUS cause non assignable cause commune interne au processus grand faible chronique COMMENT SAVOIR ? La SEULE Méthode est l'utilisation d'une inventeur : Walter Shewhart en 1924 ( General Electric ) idée de base : séparer les 2 types de variabilité ; Xbar et S des moyennes Xbar avec R : X ± A 2R ; A 2 = 3 / ( d2 √n ) des moyennes Xbar avec S : X ± A 3S ; A 3 = 3 / ( c4 √n ) des étendues R : LCL R = D 3 R et UCL = D des écarts types S : LCL S = B et UCL = B 4 S 3 S 4 R AUTRES CAS : attributs et comptages base : loi binomiale et loi de Poisson 7 ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 8 Limites de contrôle : formules Cartes de contrôle de Shewart CARTES pour des variables de type mesure EXEMPLE : carte Xbar (moyenne) & R (étendue) Données groupe i ( i = 1, 2 , … , k ) : Xbar i moyenne du groupe i de n observations = ∑ x ij / n X-bar and R Chart; variable: X_E6 Histogram of Mean 260 240 220 200 180 160 140 120 100 80 60 0 X-bar: 143.52 (143.52); Sigma: 19.927 (19.927) 178.03 143.52 109.00 1 2 3 4 5 6 7 8 5 Histogram of Ranges 10 15 20 x i1 , x i2 , …… , x in 25 30 Range: 33.727 (33.727); Sigma: 17.702 (17.702) 140 Ri étendue du groupe i = max( x ij ) – min( x ij ) Si écart type du groupe i = ∑ ( x ij – Xbar i ) mR i étendue mobile = | X i – X i-1 | : observ. ordonnées dans le temps et n = 1 Xbar moyenne des k moyennes Xbar = ∑ Xbar i / k Rbar moyenne des k étendues R = ∑ R i / k Sbar moyenne des k écarts types S = ∑ S i mR moyenne des étendues mobiles mR = ∑ mR i /( k – 1 ) 120 100 86.834 80 60 40 Caractéristique 33.727 20 0 2 /( n-1) CL LCL UCL Xbar Xbar - A2* Rbar (Xbar & S) Xbar Xbar – A3* Sbar 0.0000 -20 0 DONNÉES Jour 1 2 3 . 33 2 4 6 8 10 12 14 16 18 mesures 144 150 193 210 235 233 . . 127 135 180 225 228 . 130 5 Xbar 158.0 209.9 209.3 . 130.7 10 15 R 36 32 7 . 8 20 25 n ≥ 2 30 Xbar = ( X1 + X2 + X3 ) / 3 R = max ( X1, X2 ,X3) n = 1 - min ( X1, X2, X3) type Xabr + A3* Sbar étendues ( R ) Rbar D3* Rbar D4* Rbar écarts types ( S ) Sbar B3* Sbar B4* Sbar individuelles ( X ) Xbar Xbar – 2.66* mR CL LCL np npbar npbar – 3 [ n pbar( 1 – pbar )] p pbar pbar – 3 [ pbar ( 1 – pbar ) /n i ] c CL = moyenne UCL = moyenne + 3 * (variabilité) LCL = moyenne - 3 * (variabilité) cbar u ubar CONSTANTES CRITÈRES - tout point situé à l'extérieur de l'intervalle (LCL , UCL) est le signal d'une instabilité du processus - autres règles (Western Electric) 7 points consécutifs croissants (décroissants) 8 points consécutifs d'un seul côté de CL …autres …. ______________________________________________________________________________ Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Xabr + A2* Rbar Xbar + 2.66* mR CARTES pour des attributs et comptages LIMITES de CONTRÔLE STATISTIQUE Règle 3 sigma de Shewhart Ligne Centrale Limite Supérieure Limite Inférieure moyennes ( Xbar & R ) 9 n 2 3 4 5 6 7 8 9 10 A2 1.880 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308 UCL 0.5 0.5 0.5 cbar – 3 ( cbar ) 0.5 ubar - 3 ( ubar /n i ) A 3 2.659 1.954 1.628 1.427 1.287 1.182 1.099 1.032 0.975 B 3 0 0 0 0 0.300 0.118 0.185 0.239 0.284 B 4 3.267 2.568 2.226 2.089 1.970 1.882 1.815 1.761 1.716 0.5 npbar + 3 [ n pbar ( 1 – pbar )] 0.5 pbar + 3 [ pbar ( 1 – pbar ) /n i ] 0.5 cbar + 3 ( cbar ) 0.5 ubar + 3 ( ubar / n i ) D 3 0 0 0 0 0 0.076 0.136 0.184 0.223 D 4 3.268 2.574 2.282 2.114 2.096 1.924 1.864 1.816 1.777 d 2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078 c 4_ 0.798 0.886 0.921 0.940 0.952 0.959 0.965 0.969 0.973 ______________________________________________________________________________ 10 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Démonstration de la règle 3 sigma de Shewhart : simulation de 10 000 observations provenant de 4 distributions avec µ = 0 et σ = 1 Principes de Shewhart pour la construction des cartes 1. Les limites de contrôle sont toujours placées à 3 écarts types de la ligne centrale. 2. Les limites pour les mesures doivent toujours être basées une estimation de la variabilité du processus (sigma) calculée avec la moyenne d’un ensemble de k indicateurs de dispersion. important : ne jamais calculer l’estimation de la variabilité du processus (sigma) avec toutes les données en seul groupe 3. Les données doivent provenir d’un plan d’échantillonnage et doivent être organisées en groupes rationels pour quelles soient utiles. 4. L’organisation ou entreprise doit réagir d’une manière appropriée aux connaissances nouvelles qui résultent de l’application des cartes. Les mythes en SPC DISTRIBUTION figure % dans n ( -3 , 3 ) n = 1 Uniforme Triangulaire -√3 0 √3 -1.45 0 Gaussienne -3 2.95 0 3 % moyennes Xbar % étendues R (LCLXBar, UCLXbar) (LCLR, UCLR ) 100 2 100 100 100 2 99.5 99.9 99.7 4 10 4 10 2 4 10 100 99.7 99.9 99.5 99.7 99.7 99.6 100 100 100 100 99.0 99.5 99.5 Il est FAUX que : les mesures doivent provenir d’une distribution gaussienne. exception : la carte à valeurs individuelles et étendues mobiles XmR. la base du SPC est le théorème central limite. les mesures doivent être indépendantes : à moins d’une auto corrélation élevée (au moins 0.80) on peut employer les cartes de base comme la carte Xbar et R. les observations doivent être en contrôle statistique pour être placées sur une carte. o Exponentielle les limites de contrôle peuvent être placées à ± 2 * sigma. -1 0 98.2 2 4 10 98.8 99.0 99.3 97.4 97.4 96.0 CONCLUSION La forme de la distribution ( population ) d’origine n’est pas importante lorsque l’on applique la règle de 3 sigmas de Shewhart pour détecter des causes spéciales de variabilité. Remarque Il y a une seule définition pour les limites de contrôle : ± 3* sigma Tout autre choix ± k * sigma conduit à ; k ‹ 3 • trop de fausses alarmes si • un manque de détection de signaux potentiels si k > 3 ______________________________________________________________________________ 11 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 ______________________________________________________________________________ 12 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 Production de cartes avec STATISTICA module : Quality Control Charts IMPLANTATION d'une CARTE de CONTRÔLE • Choisir les processus importants (critiques) • Choix d'une variable de réponse Y : mesure, comptage, classement; les mesures sont préférables aux attributs • Plan de collecte des données -- échantillonnage de la production n pièces à intervalle régulier; n entre 1 et 10 est suffisant; fréquence : par exemple, à chaque heure augmenter au début et réduire par la suite recommandation : un petit groupe de n pièces souvent est mieux qu'un grand nombre de pièces peu souvent TYPE de CARTES : 7 cartes de base MESURE ATTRIBUT COMPTAGE n Xbar&R 2à9 XmR 1 p np n variable constant Collecte des données et calcul des limites Avoir au moins 100 observations; par exemple 20 groupes de 5 • Très important : ne jamais calculer l'estimation de la variabilité avec toutes les données en seul groupe les cartes sont alors trop insensibles (limites trop larges) pour détecter des points hors contrôle sur le graphique. • Pourquoi la règle 3 sigma de Shewhart ? Cette règle est la SEULE définition opérationnelle du concept de stabilité statistique. Les cartes de Shewhart sont ROBUSTES. • Continuer la collecte des données ….. • Maintenir un journal de bord pour noter des évènements qui pourraient être reliés à des causes assignables Xbar&S 10 et plus c constant • u variable CARTES AVANCÉES : pour des mesures ( variables ) : EWMA , CUSUM, MULTIVARIABLE, …. ______________________________________________________________________________ 13 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 • Apprendre à interpréter les cartes : tendances dérives cycles sauts ______________________________________________________________________________ 14 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 EXEMPLES avec STATISTICA MESURES (VARIABLES) base : loi gaussienne 1. 2. Xbar et R : moyenne Xbar et étendue R ( si n ≤ 10 ) Xbar et S : moyenne Xbar et écart type S ( si n > 10 ) 3. XmR : valeur individuelle X et étendue mobile mR EXEMPLE 1 : carte Xbar et R groupes de 4 pièces mesure de résistance en ohm Y groupe 1 2 3 . 51 mR = | X i - X i - 1 | i = 2, 3, … formation de groupes de n = 2 observations consécutives remarque : il faut que cette différence fasse du sens; par exemple, si les valeurs X sont reliées au temps ATTRIBUT 4. 5. 6. y3 4350 4485 3645 . 5000 y4 3975 4285 3760 . 5000 np : nombre de pièces non conforme échantillon de n pièces ( n est fixe) base : loi de Poisson c : nombre de non conformités (aire d'opportunité fixe) X-bar and R Chart; variable: X_E7 Histogram of Means u : nombre de non conformités (aire d'opportunité variable) REMARQUES Pour appliquer les cartes pour les attributs il faut que les hypothèses de la loi binomiale soient vérifiées. Pour appliquer les cartes pour les comptages il faut que les hypothèses de la loi de Poisson soient vérifiées. X-bar: 4503.2 (4503.2); Sigma: 323.54 (323.54); n: 4. 5400 5200 5000 4800 4600 4400 4200 4000 3800 3600 3400 3200 4988.6 4503.2 4017.9 0 4 2 7. observations y2 4350 4430 3925 . 5250 base : loi binomiale p : fraction de pièces non conforme échantillon de n pièces ( n peut être variable) COMPTAGES y1 5045 4290 3980 . 5150 8 6 12 10 16 5 10 15 20 25 30 35 40 45 50 14 Histogram of Ranges Range: 666.08 (666.08); Sigma: 284.65 (284.65); n: 4. 2200 2000 1800 1600 1400 1200 1000 800 600 400 200 0 -200 1520.0 666.08 0.0000 0 4 2 8 6 12 10 16 14 5 10 15 20 25 30 35 40 45 50 18 Si les hypothèses ne sont pas satisfaites : employer une carte XmR avec les comptages et les taux. ______________________________________________________________________________ 15 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 ______________________________________________________________________________ 16 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 EXEMPLE 2 : carte XmR X = viscosité polymère en cours de production observations durant 25 heures consécutives observations ( ) 2838 2785 3058 3064 2996 2782 2878 2920 3050 2870 3174 3102 2762 2975 2719 2861 2797 3078 2974 2805 3163 3199 3054 3147 3156 EXEMPLE 3 : carte p X : nombre de pièces non conformes dans le lot la taille (n) du lot est variable d'une journée à l'autre observations jour n X f = X/n 1 3350 31 0.0093 2 3354 113 0.0337 3 1509 28 0.0186 4 2190 20 0.0091 …………………………………………………………….. 121 3323 3 0.0009 X and Moving R Chart; variable: X_E15 Histogram of Observations X: 2967.9 (2967.9); Sigma: 134.71 (134.71); n: 1. 3500 3400 3372.0 3300 avec n variable inspection à 100% d'un lot choisi parmi la production quotidienne échantillonnage durant une période de 99 jours 2 cartes sont possibles : carte p et une carte XmR avec f P Chart; variable: X_E31 3200 Histogram of P 3100 3000 2967.9 2900 0.08 2800 2700 0.07 2600 2563.8 2500 2400 P: .00696 (.00696); Sigma: .00162 (.00162); n: 2645.4 0.09 0.06 0.05 0 1 2 3 4 5 6 7 5 10 15 20 0.04 25 0.03 Histogram of Moving Ranges Moving R: 152.00 (152.00); Sigma: 114.84 (114.84); n: 1. 0.02 550 500 450 400 350 300 250 200 150 100 50 0 -50 496.51 .01129 .00696 .00263 0.01 0.00 -0.01 0 20 10 0 1 2 3 4 5 6 7 5 10 15 20 25 60 50 70 80 100 90 10 20 30 40 50 60 70 80 90 X and Moving R Chart; variable: f_nonconf 152.00 0.0000 40 30 Histogram of Observations X: .00641 (.00641); Sigma: .00492 (.00492); n: 1. 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 -0.01 -0.02 .02117 .00641 -.00836 0 20 10 40 30 60 50 80 70 100 90 10 Histogram of Moving Ranges 20 30 40 50 60 70 80 90 Moving R: .00555 (.00555); Sigma: .00420 (.00420); n: 1. 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 -0.01 .01814 .00555 0.0000 0 20 10 ______________________________________________________________________________ 17 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 40 30 60 50 80 70 100 90 10 20 30 40 50 60 70 80 90 ______________________________________________________________________________ 18 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 EXEMPLE 4 : carte c X : nombre de non conformité sur un circuit imprimé observations 21 – 24 – 16 – 12 – 15 – 5 – 28 – 20 – 31 – 25 – 20 – 24 - 16 19 - 10 – 17 – 13 – 22 -19 - 39 – 30 – 24 – 16 – 19 - 17 - 25 EXEMPLE 5 : carte U X = nombre d'imperfections sur des pièces de tissus l’aire inspectée des tissus est variable observations Tissu Aire #Imp. C Chart; variable: x_defaut Histogram of C 1 10 14 2 12 18 3 20 30 4 11 13 5 7 5 6 10 10 7 21 39 8 16 24 9 19 34 10 26 49 C: 20.269 (20.269); Sigma: 4.5021 (4.5021) 45 U Chart; variable: Imperf 40 Histogram of U U: 1.5526 (1.5526); Sigma: .31960 (.31960); n: 15.2 3.5 35 33.776 30 3.0 25 2.5 2.2857 20.269 20 2.0 15 1.5526 1.5 10 6.7628 1.0 .81952 5 0.5 0 0 2 1 4 3 6 5 8 7 10 9 5 10 15 20 25 11 0.0 -0.5 0 ______________________________________________________________________________ 19 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10 ______________________________________________________________________________ 20 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques novembre 2002