Appliquer la maîtrise statistique des processus (MSP/SPC)

Transcription

1 Maurice PILLET Professeur des Universités IUT Annecy Université de Savoie, Laboratoire LISTIC Ancien élève de l'ecole Normale Supérieure de CACHAN Appliquer la maîtrise statistique des processus (MSP/SPC) Quatrième édition Éditions d Organisation, 1995, 2000, 2002, 2005 ISBN :

2 Chapitre 2 Les concepts de la Maîtrise Statistique des Processus (MSP) Après avoir détaillé dans le premier chapitre les aspects culturels qui conduisent les entreprises à maîtriser la variabilité des productions, nous aborderons dans ce chapitre les concepts de base de la MSP qui sont : le suivi de la variabilité et le pilotage par les cartes de contrôle l'évaluation de l'aptitude des processus par les capabilités Ce chapitre est volontairement dépourvu de calculs statistiques afin que le lecteur se consacre à l'essentiel : la compréhension des principes de base. Nous profiterons des chapitres suivants pour approfondir les concepts énoncés notamment en ce qui concerne les aspects statistiques et les cas d'application dans les situations particulières telles que les petites séries. Toutes les bases statistiques nécessaires dans cet ouvrage se trouvent dans l'annexe statistique en fin d'ouvrage. Éditions d Organisation 31

3 Appliquer la maîtrise statistique des processus (MSP/SPC) 1. Les 5 «M» du processus Tous les processus, quels qu ils soient, sont incapables de produire toujours exactement le même produit. Cela tous les opérateurs le savent bien et c est d ailleurs un des problèmes principaux auxquels les régleurs sont confrontés tous les jours. Quelle que soit la machine étudiée, la caractéristique observée, on note toujours une dispersion dans la répartition de la caractéristique. Une cote sur un lot de pièces ne fera jamais exactement 10 mm, mais sera répartie entre 9,97 et 10,03 mm par exemple. Un lot de résistances électriques dont la valeur nominale est de 10 ohms, aura en fait des valeurs comprises entre 9,9 et 10,1 ohms. Cette variabilité est incontournable et il faut être capable de «vivre avec». Ces variations proviennent de l'ensemble du processus de production. L'analyse des processus de fabrication permet de dissocier 5 éléments élémentaires qui contribuent à créer cette dispersion. On désigne généralement par les 5 M ces 5 causes fondamentales responsables de dispersion, et donc de non-qualité : Machine Main-d œuvre Matière Méthodes Milieu Méthodes Matière Gamme Milieu Machine Main-d'œuvre Figure 1 Les 5 M du Processus La méthode MSP a pour objectif la maîtrise des processus en partant de l analyse de ces 5 M. Elle apporte une plus grande rigueur et des outils méthodologiques qui vont aider les opérateurs et la maîtrise dans leur tâche d amélioration de la qualité. 32 Éditions d Organisation

4 Les concepts de la Maîtrise Statistique des Processus (MSP) Et la mesure! Nous avons coutume de ne pas placer la «Mesure» parmi les M. En effet, la mesure ne modifie pas la vraie dispersion vendue au client, mais l'image que l'on a de cette dispersion. La dispersion vue dans un histogramme sera la «somme» de la vraie dispersion de la production et de la dispersion due à l'instrument de mesure. Or ce qui crée la non qualité, ce n'est pas la dispersion vue mais la dispersion vraie. La mesure est un processus à lui tout seul avec ses propres 5M. Un préalable à la maîtrise d'un processus de fabrication et la maîtrise du processus de mesure. 2. Analyse de la forme de la dispersion 2.1. Répartition en forme de cloche L'analyse des productions sur une machine montre que, en l'absence de déréglage, la répartition des produits suit une courbe en cloche selon une loi : la loi normale. On trouve également d'autres appellations pour cette loi telle que loi de Gauss, loi de Laplace Gauss, mais nous ne rentrerons pas dans les détails statistiques au cours de ce chapitre. moyenne µ Écart type σ Modèle : loi de Gauss Observation d'un échantillon Dispersion = 6 σ Figure 2 Courbe en cloche Éditions d Organisation 33

5 Appliquer la maîtrise statistique des processus (MSP/SPC) Cette répartition se rencontre très fréquemment dans la nature et pas seulement dans le cas des machines de production. Ainsi, la hauteur des hommes en Europe suit une telle répartition. De nombreuses personnes mesurent autour de 1,73 m (la moyenne) mais peu d'hommes mesurent aux environs de 1,95 m ou de 1,50 m. Le théorème statistique à l'origine de cette convergence vers la loi normale est appelé «théorème central limite». On peut l'écrire sous la forme suivante : Tout système, soumis à de nombreux facteurs, indépendants les uns des autres, et d'un ordre de grandeur équivalent, génère une loi normale. Dans le cas d'une machine de production, nous sommes bien dans le cadre de ce théorème. En effet, de nombreux facteurs (les 5M) agissent sur la caractéristique. Ces facteurs sont en grande partie indépendants et l'ordre de grandeur de ces effets est faible dans un processus maîtrisé. Désormais, lorsque nous parlerons de la production d'une machine, nous la modéliserons par une courbe en cloche, dont les deux caractéristiques importantes seront la position et l'échelle. La position moyenne (notée X ) des pièces donne une bonne indication de la position de réglage de la machine. X représente la moyenne de l'échantillon alors que µ représente la vraie moyenne de la production (voir annexe statistique). Pour mesurer l importance des variations autour de la moyenne (facteur d'échelle), il suffit de mesurer la largeur de base de la courbe. La largeur de base de la courbe est appelée : dispersion. Nous verrons plus loin que l'on définit cette largeur de base de la courbe par un calcul statistique D = 6σ. Dans ce cas également nous devrons différentier σ qui est le vrai écart type de la population et S qui est l'estimateur de ce σ calculé à partir des données de l'échantillon. Et si la courbe obtenue n'est pas une cloche? Pour la plupart des caractéristiques obtenues en production, on devrait obtenir une courbe en cloche. Il y a quelques exceptions comme les défauts de forme ou les défauts de position où il est normal de ne pas obtenir une courbe en cloche. Mais ces cas sortent de l'objectif de ce chapitre. 34 Éditions d Organisation

6 Les concepts de la Maîtrise Statistique des Processus (MSP) Premier réglage Cause spéciale Second réglage Causes Communes -3 Cible +3 Figure 3 Courbe bimodale Dans les cas traditionnels, si une distribution n a pas la courbe en forme de cloche, c est qu il se passe quelque chose, le théorème central limite n'est pas vérifié. Il y a donc un (ou plusieurs) facteur qui agit avec un ordre de grandeur plus important que les autres. Le processus n est pas réglé sur la même position. En effet, si l on produit 50 pièces réglées sur la valeur -3, et 50 pièces réglées sur +3, on obtient la courbe figure 3. Il est donc important lorsqu on regarde une distribution de bien vérifier que la courbe à la forme d une cloche. Si ce n est pas le cas c est probablement le signe qu'un ou plusieurs déréglages importants se sont produits pendant la production Causes communes Causes spéciales On sait que dans une production, deux pièces ne sont jamais parfaitement identiques. Les dimensions précises d une pièce usinée sur une machine outil dépendent de nombreux facteurs. Il s ensuit une dispersion sur la cote que l on peut séparer en deux catégories : les dispersions dues aux causes communes, les dispersions dues aux causes spéciales. Éditions d Organisation 35

7 Appliquer la maîtrise statistique des processus (MSP/SPC) Cette dichotomie entre les causes de dispersion est une des bases fondamentales de la méthode MSP. Il convient donc de les expliciter davantage. Causes spéciales Causes communes Tolérance Maxi Cible Tolérance Mini Figure 4 Causes communes et causes spéciales Les causes communes Ce sont les nombreuses sources de variation attribuables au hasard qui sont toujours présentes à des degrés divers dans différents processus. Les statistiques étant l étude des phénomènes perturbés par le hasard, on sait modéliser le comportement des causes aléatoires, et par conséquent, prévoir la performance d un processus qui n est soumis qu à des causes communes de dispersion. De toutes manières, ces causes étant toujours présentes et de plus, en grand nombre, il faudra «vivre avec». L'ensemble de ces causes communes forme la variabilité intrinsèque du processus. Si toutes les nombreuses causes qui agissent sont d'un ordre de grandeur équivalent, alors la caractéristique doit suivre une répartition en forme de cloche. Le but de la MSP sera de ne laisser subsister que les dispersions dues aux causes communes. On parlera alors de processus «sous contrôle» Exemples de causes communes : jeux dans la chaîne cinématique de la machine ; défaut de la broche de la machine ; Éditions d Organisation

8 Les concepts de la Maîtrise Statistique des Processus (MSP) Les causes spéciales Ce sont les causes de dispersion identifiables, souvent irrégulières et instables, et par conséquent difficiles à prévoir. L apparition d une cause spéciale nécessite une intervention sur le processus. Contrairement aux causes communes, les causes spéciales sont en général peu nombreuses. Exemple de causes spéciales : déréglage d'un outil ; usure d'un outil ; mauvaise lubrification ;... En fait, lorsqu'on analyse les causes spéciales qui interviennent sur le processus, on s'aperçoit qu'on peut classer les causes spéciales en 2 catégories (figure 4) : celles qui agissent sur la position de la valeur surveillée (déréglage d'un outil par exemple) ; celles qui agissent sur la dispersion et donc sur la capabilité du processus (défaut de lubrification par exemple). Les cartes de contrôle (développées au 5) ont pour objectifs de prévenir l'apparition des causes spéciales et de dissocier celles qui ne nécessiteront qu'un réglage de celles qui risquent de modifier la capabilité habituellement rencontrée Processus «sous contrôle» et «hors contrôle» Processus «sous contrôle» Processus «hors contrôle» Figure 5 Processus «sous et hors contrôle» Éditions d Organisation 37

9 Appliquer la maîtrise statistique des processus (MSP/SPC) Un processus «sous contrôle» est un processus dans lequel seules subsistent les causes communes. La répartition de la production suit alors une courbe en cloche et elle est centrée sur la cible. Un processus «hors contrôle» est soumis à la présence de causes spéciales. Le résultat de la production ne suit donc pas nécessairement une courbe en cloche et la production peut être décentrée par rapport à la cible. La maîtrise de la variabilité dont nous avons montré la nécessité dans le premier chapitre consiste donc à mettre tous les processus «sous contrôle», c'est l'objectif de la MSP. 3. Surveiller un processus par cartes de contrôle 3.1. Le principe de la carte de contrôle Les limites naturelles d'un processus On a vu au paragraphe précédent, que les processus de production et même tous les systèmes étaient soumis à des variations naturelles aléatoires. Ces variations ont pour origine de très nombreuses causes que nous avons appelées les causes communes. Ces causes communes agissent de manière aléatoire sur le processus de fabrication. Ainsi, les caractéristiques fabriquées ne sont pas toujours identiques et suivent une loi de Gauss (théorème central limite). Cible - 3σ Limite naturelle inférieure σ cible Dispersion naturelle du processus Cible + 3σ Limite naturelle supérieure Figure 6 Dispersion naturelle du processus 38 Éditions d Organisation

10 Les concepts de la Maîtrise Statistique des Processus (MSP) Si la moyenne de la production est centrée sur la cible, il est donc naturel de trouver des valeurs comprises entre ± 3 écarts types (σ) de cette cible. Les valeurs «cible + 3.σ» et «cible - 3.σ» représentent les limites naturelles du processus. Tant qu'une valeur est dans ces limites, il n'y a pas de raison d'agir sur le processus, on risquerait de décentrer un processus bien centré. Si une valeur sort de ces limites, on a une forte probabilité que le processus ne soit plus centré sur la cible, il faut alors le recentrer Le pilotage par les limites naturelles Souvent, les opérateurs pilotent les processus à partir des limites de tolérance plutôt que d'utiliser les limites naturelles. Cela peut conduire à deux types d'erreurs illustrées par la figure 7. Tolérance Tolérance Pièce prélevée Limite Naturelle Dispersion Dispersion Limite Limite Cas 1 Naturelle Naturelle Cas 2 Limite Naturelle Figure 7 Pilotage à partir des tolérances Dans le cas 1, processus capable, l'opérateur prélève une pièce qui se situe à l'intérieur des tolérances. Traditionnellement, cette pièce étant «bonne», il continue sa production. Pourtant, la pièce est en dehors des limites naturelles. Le processus n'est pas centré sur la cible, il faut régler. Dans le cas 2, processus non capable, l'opérateur prélève une pièce qui se situe à l'extérieur des tolérances. Traditionnellement, cette pièce étant «mauvaise», il règle le processus. Pourtant, la pièce est dans les limites naturelles. Il est possible que le processus soit parfaitement centré. Dans ce cas on ne doit pas toucher au processus. Éditions d Organisation 39

11 Appliquer la maîtrise statistique des processus (MSP/SPC) Comme le montrent les deux exemples précédents, il faut dissocier l'action sur le processus (réglage) et l'action sur le produit (acceptation, tri, contrôle ). Les tolérances servent à déterminer si les pièces qu'on vient de faire sont bonnes ou mauvaises. Elles servent à agir sur les pièces pour décider de l'acceptation ou du refus des pièces que l'on a fabriquées. On regarde en arrière. Les limites naturelles servent à déterminer si le processus de fabrication est toujours centré sur la cible. Elles servent à agir sur le processus pour que les prochaines pièces à réaliser restent bonnes. On regarde en avant. La figure 8 montre clairement l'avantage à utiliser les limites naturelles pour piloter un processus plutôt que les limites de tolérance. Et ceci même dans le cas de petites séries avec un contrôle à 100 %. En effet, nous avons souvent entendu certains commentaires sur la MSP tels que : «Cela ne s'applique pas dans mon entreprise, je fais des petites séries» ou encore «Les statistiques me sont inutiles, je fais du contrôle à 100 %». Nous montrerons tout au long de cet ouvrage que ces raisonnements sont faux et prouvent que les personnes qui tiennent ces discours n'ont pas bien compris les fondements de la démarche MSP. Figure 8 Limites naturelles et tolérances Considérons un processus qui fabrique un lot de 25 produits au rythme de un produit par heure (petite série). Chaque produit est contrôlé (contrôle à 100 %). Si on pilote le processus à partir des tolérances, on attend de trouver un produit hors tolérance (ou au 40 Éditions d Organisation

12 Les concepts de la Maîtrise Statistique des Processus (MSP) voisinage avant d'intervenir). Si on fait un raisonnement statistique, on note beaucoup plus rapidement le décentrage du processus (hors des limites naturelles). Les produits fabriqués sont plus proches de la cible, de meilleure qualité. Le contrôle à 100 % valide les produits qui sont déjà fabriqués, le raisonnement statistique prévoit la qualité des produits que l'on va fabriquer! Dans le cas de la figure 8, dès le produit n 11, nous avions le signal statistique de décentrage, confirmé par le produit 13 (voir les règles en 4.5). Il fallait recentrer le processus avant de faire un produit défectueux. Ainsi, même dans le cas d'un contrôle à 100 % en petite série, on a intérêt d'utiliser un raisonnement statistique Pourquoi prélever des échantillons? Le travail d un régleur consiste principalement à bien régler sa machine, puis à veiller à ce que celle-ci ne se dérègle pas. Pour surveiller la position, les régleurs ont l habitude de prélever une pièce de temps en temps et de régler la machine en fonction de la mesure qu ils ont faite. Lorsque les capabilités ne sont pas excellentes, cette méthode conduit généralement à des erreurs de jugement, car on confond la dispersion de la machine avec son décentrage. L'origine de ces erreurs de jugement provient de la dispersion. En fait une mesure effectuée représente la somme de deux effets (figure 9) : un effet d'écart de réglage de la machine (systématique) ; un effet de la dispersion (aléatoire). Tolérance inférieure 1 valeur = déréglage + dispersion Cible Déréglage Tolérance supérieure Moyenne de plusieurs valeurs (on élimine en partie l'effet de la dispersion) Dispersion Figure 9 Addition du réglage et de la dispersion Éditions d Organisation 41

13 Appliquer la maîtrise statistique des processus (MSP/SPC) Pour être capable de piloter une machine, il faut arriver à éliminer l'effet de la dispersion afin de déterminer où se trouve le réglage de la machine. La seule solution est de ne pas raisonner sur une seule valeur, mais sur la moyenne de plusieurs valeurs. Le fait de faire une moyenne élimine en grande partie l'effet de la dispersion. La figure 10 et la figure 11 illustrent l'efficacité d'une moyenne par rapport à une valeur individuelle pour détecter un petit décentrage. En effet, la dispersion sur les moyennes est plus faible que la dispersion sur les valeurs individuelles dans un rapport de n (avec n le nombre de valeurs de l'échantillon). Ainsi, lorsque le processus se décentre, comme dans le cas de la figure 11, on note que la probabilité de sortir des limites naturelles est supérieure à 50 % dans le cas de la moyenne, alors qu'elle n'est que de quelques pour cent dans le cas des valeurs individuelles. On privilégiera donc systématiquement un prélèvement d'échantillons par rapport à un prélèvement de valeurs individuelles. Dispersion sur la moyenne Dispersion Probabilité de détecter le décentrage avec une seule valeur Limite naturelle sur les valeurs individuelles Limite naturelle sur la moyenne Figure 10 Pouvoir de détection d'une moyenne 42 Éditions d Organisation

14 Les concepts de la Maîtrise Statistique des Processus (MSP) Répartition des valeurs Répartition des moyennes Limite naturelle dans le cas d'une moyenne Limite naturelle dans le cas d'une valeur Probabilité de détecter le décentrage avec la moyenne Tolérance maxi Tolérance mini Probabilité de détecter le décentrage avec une seule valeur Figure 11 Intérêt de faire une moyenne Il existe cependant des cas où le prélèvement d'un échantillon n'a pas de sens ou n'est pas souhaitable. C'est le cas notamment lorsque l'on suit des paramètres «procédé» comme un écart de température. Dans ce cas, on raisonnera sur des valeurs individuelles. Nous traiterons ce cas dans les prochains chapitres La carte de pilotage (de contrôle) moyenne/étendue Dans le but d'aider l'opérateur à détecter si le processus qu'il conduit ne subit que des causes communes ou s'il y a présence de causes spéciales, Shewhart 1 a, dès le début du 20 ème siècle, mis au point un outil graphique performant appelé : la carte de contrôle. Nous avons choisi de présenter dans ce chapitre la carte moyenne/étendue car c'est historiquement la plus importante et probablement la plus utilisée. Pour une utilisation manuelle des cartes de contrôle au poste de travail par un opérateur, nous préférons cependant utiliser la carte médiane/étendue qui est plus simple. 1. W. Shewhart Economic Control of Quality of Manufactured Product Van Nostrand Co. Inc Princeton Éditions d Organisation 43

15 Appliquer la maîtrise statistique des processus (MSP/SPC) Principe de remplissage Date 23/02 Heure 6h00 6h30 7h00 7h30 8h00 8h30 8h35 9h00 9h30 Mesure Mesure Mesure Mesure Mesure Total Moyenne 0,2-0,6-0,2-0,8 0,6 2,0-0,2 0-0,8 Étendue Limite supérieure de contrôle Cible Moyenne de l'échantillon Point hors contrôle Limite inférieure de contrôle -1-2 Vérification du réglage Limite supérieure de contrôle Moyenne étendues Journal de bord Réglage Étendue de l'échantillon Figure 12 Principe d'une carte de pilotage La figure 14 montre un exemple de carte de contrôle moyennes/ étendues. Pour suivre l évolution du processus, on prélève régulièrement (par exemple toutes les heures) un échantillon de pièces consécutives (par exemple 5 pièces) de la production. Dans l exemple, on note sur la carte les écarts par rapport à la cible. 44 Éditions d Organisation

16 Les concepts de la Maîtrise Statistique des Processus (MSP) On calcule la moyenne (notée X ) de la caractéristique à surveiller et on porte cette moyenne sur le graphique (les points dans l'exemple). De même, on calcule l'étendue sur l'échantillon, c'est-à-dire la distance entre la plus forte valeur et la plus faible. On porte également cette valeur (notée R = Range en anglais) sur le graphique. À mesure que l on prélève des échantillons, la carte va se remplir et donner une image de l évolution du processus. Sur la carte des moyennes, la ligne en pointillé matérialise la valeur sur laquelle on souhaite être réglé (la cible). La ligne supérieure est appelée limite supérieure de contrôle des moyennes ( LSC X ), la ligne inférieure est appelée limite inférieure de contrôle des moyennes ( LIC X ). Les limites de contrôle inférieure et supérieure (limites naturelles du processus) déterminent une zone dans laquelle doivent se situer les valeurs portées sur la carte. Un processus sera dit «sous contrôle» lorsque les points seront répartis en forme de courbe en cloche à l'intérieur des limites de contrôle. Si un point sort de la carte de contrôle, il faut intervenir et noter cette intervention dans le journal de bord. Sur la carte des étendues, c'est le même principe de fonctionnement. Carte précédente Carte actuelle Cp Pp Ppk Cp Pp Ppk Figure 13 Carte aux médianes Éditions d Organisation 45

17 Appliquer la maîtrise statistique des processus (MSP/SPC) La figure 13 montre un autre exemple de carte de contrôle : La carte de contrôle médiane/étendue. Sur cette carte, on ne fait pas de calcul. On note les points mesurés, et on fait ressortir la tendance centrale en entourant le point central (la médiane). Cette carte est préférable à la carte aux moyennes dans le cas de remplissage manuel. En effet, bien qu'un peu moins efficace que la moyenne, elle est beaucoup plus simple à remplir et passe beaucoup mieux auprès des opérateurs. Nous reviendrons sur cette carte dans le chapitre 5. Pour la suite de ce chapitre nous nous focaliserons sur la carte la plus connue : la carte moyenne/étendue Moyenne et étendue, deux fonctions différentes Sur la carte de contrôle on ne note pas seulement la moyenne, mais également l'étendue. Les deux graphiques ont une fonction très différente car ils ne détectent pas le même type de causes spéciales. La figure 14 illustre les deux fonctions. Dans le cas 1, on note une dérive de la position du processus, il faut détecter cette dérive pour ne pas fabriquer des pièces mauvaises. La carte des moyennes détectera les dérives de position du processus. Dans le cas 2, le processus reste centré sur la cible, mais la dispersion se dégrade (par exemple une butée se desserre et prend du jeu). Il faut également détecter ce type de dérives car il conduit également à une production de mauvaise qualité. C'est l'objectif de la carte de contrôle des étendues. Dérive détectée par la carte des moyennes Cible Cas 1 Cas 2 Dérive détectée par la carte des étendues Figure 14 Carte de contrôle des moyennes et des étendues 46 Éditions d Organisation

18 Les concepts de la Maîtrise Statistique des Processus (MSP) La figure 15 illustre les deux types de causes spéciales. Dans l exemple de la voiture qui dépasse le car, il y a présence de cause spéciale, on note ce type de cause (les déréglages) sur la carte des moyennes. En effet, le chauffeur sent une variation de la position de son véhicule supérieure aux variations communes et il corrige par un coup de volant. En revanche, pour l exemple de la conduite «hasardeuse» d'un conducteur en état d'ébriété, il n y a pas forcément variation de la position moyenne (certains arrivent à rentrer!), il y a modification de la dispersion du processus. C est donc sur la carte des étendues que l on notera ce type de causes spéciales. Figure 15 Deux cartes pour deux fonctions différentes Les deux exemples précédents sont significatifs. Dans le premier cas, un réglage suffit pour ramener le «processus» sur la cible, dans le deuxième cas, la position moyenne est peut-être bonne, mais la dispersion devient importante. Il est impératif d arrêter le processus, car il risque fortement de générer du rebut! Éditions d Organisation 47

19 Appliquer la maîtrise statistique des processus (MSP/SPC) 4. Mise en place des cartes de contrôle Définir Mesurer Analyser Contrôler Standardise r Innover Améliorer 4.1. Démarche DMAICS Définir Identification des paramètres critiques du processus Mesurer Vérification de la capabilité du moyen de mesure Mesurer Observation du processus (Réaliser une carte de contrôle sans limite) Analyser Calcul des capabilités, Choix de la carte et calcul des limites de contrôle Problèmes de capabilité Amélioration continue Contrôler Suivi et pilotage par carte de contrôle Détection des causes spéciales Mise «sous contrôle» du processus Analyser Recherche des sources de variabilité Analyse des 5 M Analyse de la variance Etudes des corrélations Innover - Améliorer Réduction de la variabilité Plans d expériences, plans produits Mise en place des améliorations Standardiser Optimisation du processus, Le processus est mis «sur rails» Diminution de la fréquence des contrôles Figure 16 Mise en sous contrôle d'un processus La figure 16 illustre les étapes de mise sous contrôle d'un processus. On note sur ce diagramme les deux étapes préalables très importantes qui sont : définir le choix des caractéristiques à suivre ; l'étude de la capabilité du moyen de mesure. 48 Éditions d Organisation

20 Les concepts de la Maîtrise Statistique des Processus (MSP) En fait la mise sous contrôle d'un processus consiste à suivre la démarche DMAICS (Définir, Mesurer, Analyser, Innover, Contrôler, Standardiser) de Six Sigma. Les étapes Analyser et Améliorer pouvant parfois être court-circuitées lorsque les capabilités du processus sont bonnes Définir Le choix des caractéristiques à piloter en MSP Le nombre de caractéristiques suivies en production est en règle général très important et il n'est pas concevable ni même souhaitable de suivre toutes les caractéristiques par cartes de contrôle. La première étape dans la maîtrise de la variabilité consiste donc à choisir les caractéristiques candidates au suivi par carte. En règle générale, on retient trois critères de sélection de ces caractéristiques candidates : 1. L'importance de la caractéristique pour la satisfaction du client final ou d'un client sur un processus aval. Comme nous l'avons souligné dans le premier chapitre, seule compte la satisfaction totale du client final. Il est donc indispensable de sélectionner les caractéristiques corrélées fortement aux fonctions attendues du produit fini. 2. L'historique de non-qualité sur cette caractéristique. Il est bien sûr inutile de suivre par carte de contrôle une caractéristique qui n'a jamais posé de problèmes de qualité. On privilégiera les caractéristiques ayant déjà un historique de rebut, de retouche ou qui sont difficiles à garantir. Lors de l'industrialisation, on choisira les caractéristiques qui potentiellement (en fonction de l'historique de l'entreprise, de la précision demandée ) vont poser des problèmes lors de la réalisation. 3. La corrélation existante entre plusieurs caractéristiques. Dans le cas par exemple où plusieurs cotes sont réalisées par le même outil, il y a souvent une forte corrélation entre les différentes caractéristiques. Il est dans ce cas inutile de les suivre toutes, une seule carte est mise en place. Éditions d Organisation 49

21 Appliquer la maîtrise statistique des processus (MSP/SPC) La matrice d'impact La matrice d'impact est un outil permettant de choisir les caractéristiques les plus importantes à suivre sous MSP. L'objectif de cet outil et de rechercher les caractéristiques qui ont un impact fort sur la satisfaction des clients. Il est facilement réalisable à partir d'un tableur Excel. Pièce A Pièce B Caractéristiques client sur le produit (Tous les clients Assemblage, produit fini ) Importance Largeur 10 Parallélisme Hauteur 8 Profondeur 2 Diamètre 2 Longueur Diam7tre4 Fonctionnement souple Pas de jeu visible Assemblage sans forcer Fiabilité Importance Capabilité prévisionelle Ppk L'impact est noté 1 (Faible); 3 (Moyen); 9 (Fort) Figure 17 Matrice d impact Exemple Dans un premier temps on donne une note d'importance à chaque caractéristique client, puis on pondère l'impact de chaque caractéristique élémentaire sur les caractéristiques clients. Exemple : le diamètre 2 de la pièce B impacte fortement (9) la fiabilité du produit et moyennement (3) le jeu. L'importance de cette caractéristique est alors calculée par : Importance = 9x5 + 3x3 = 54 Dans un second temps en fonction de l'historique ou de la connaissance des experts, on évalue la capabilité prévisionnelle de chaque caractéristique. Enfin, les caractéristiques candidates au suivi MSP sont parmi celles les plus importantes pour les clients et celles qui ont une capabilité attendue faible. 50 Éditions d Organisation

22 Les concepts de la Maîtrise Statistique des Processus (MSP) 4.3. Mesurer La capabilité des moyens de mesure Ce point est un point essentiel dans la réussite de la mise sous contrôle d'un processus. Il est inutile de placer une carte de contrôle si la dispersion de l'instrument de mesure occupe déjà la presque totalité de la tolérance comme nous l'avons vu parfois! La première étape consiste à vérifier si on sait mesurer dans de bonnes conditions de répétabilité et de reproductibilité. Nous conseillons vivement au lecteur de se reporter au chapitre 3 sur les capabilités des moyens de mesure notamment de la méthode R&R avant de mettre en place une carte d'observation Observation du processus Les cartes de contrôle ont pour objectif de surveiller que les variations observées sur le processus ne sont pas supérieures aux variations «normales» générées par les causes communes. Il faut donc connaître, avant de mettre en place une carte de contrôle, quelles sont ces variations. C'est le but de cette phase d'observation. Une méthode très simple pour réaliser cette phase d'observation consiste à remplir une carte de contrôle sur laquelle aucune limite n'aura été portée. Les prélèvements s effectuent par petits sousgroupes de taille constante et identique à celle qui sera retenue pour la carte de contrôle (on prend en général de 3 à 6 pièces consécutives prélevées de façon périodique par exemple toutes les 15 minutes, 2 fois par équipe, un prélèvement par bac...). Cependant, avant de mettre en place la carte d'observation, il faut éliminer au préalable toutes les sources de variations possibles. Lorsqu'on observe un processus, on trouve toujours de nombreuses petites actions qui contribuent à accroître la variabilité comme par exemple : la façon dont on dépose le produit sur le posage ; la force avec laquelle on serre un écrou ; un mélange de produits d'origine différente ; Éditions d Organisation 51