Boulanger

Réf.
: R290 V2
Maîtrise statistique des

Date de publication :
10 mars 2006
processus - Utilisation des
cartes de contrôle
Cet article est issu de : Génie industriel | Métier : responsable qualité
par Françoise BOULANGER, Georges CHÉROUTE,

Valérie JOLIVET
Résumé lément dynamique du système qualité, la maîtrise statistique du processus

(MSP) est l’ensemble des méthodes et des actions préventives qui vise à amener un
processus au niveau requis de qualité. Pour ce faire, les performances du processus de
production sont évaluées, adaptées et surveillées statistiquement de façon à éviter les
dérives et à maintenir la conformité du produit. Les paramètres de position et de
dispersion de la population étudiée sont reportés sous forme de tracés sur les cartes de
contrôle. Leur facilité de lecture en fait un outil visuel efficace pour suivre l’évolution du
processus.
Abstract
Pour toute question :

Service Relation clientèle
Techniques de l’Ingénieur
Immeuble Pleyad 1 Document téléchargé le : 19/01/2022
39, boulevard Ornano
93288 Saint-Denis Cedex Pour le compte : 7200051538 - cnam // 163.173.128.143
Par mail :
infos.clients@teching.com
Par téléphone :
00 33 (0)1 53 35 20 20 © Techniques de l'Ingénieur | tous droits réservés
Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143
Maîtrise statistique des processus

Utilisation des cartes de contrôle
par Françoise BOULANGER
Statisticienne, Rohm et Haas
Georges CHÉROUTE
Consultant, Institut Renault
et Valérie JOLIVET
Responsable qualité, Essilor
Ce texte est la nouvelle édition du dossier rédigé par Gérard BRUNSCHWIG et Alain PALSKY.
1. Paramètres des processus et caractéristiques des produits

à maîtriser .................................................................................................. R 290v2 — 3
1.1 Paramètres du processus............................................................................ — 3
1.2 Caractéristiques du produit ........................................................................ — 3
2. Variabilité d’un processus ..................................................................... — 3
3. Capabilité d’un moyen de production, d’un processus,
d’un moyen de mesure ........................................................................... — 4
3.1 Capabilité du moyen de production........................................................... — 5
3.2 Capabilité du processus de production ..................................................... — 5
3.3 Critères d’acceptation.................................................................................. — 5
3.4 Capabilité du moyen de mesure ................................................................ — 6
Parution : mars 2006 - Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143
4. Contrôle en cours de fabrication ........................................................ — 6

4.1 Cartes de contrôle aux mesures................................................................. — 7
4.2 Cartes de contrôle aux attributs ................................................................. — 13
4.3 Fréquence d’échantillonnage...................................................................... — 16
Pour en savoir plus ........................................................................................... Doc. R 290v2
n processus transforme des entrants, par exemple des matières premières,

U en sortants. Les sortants peuvent être des produits physiques ou des servi-
ces. Le produit obtenu, physique ou non, présente des caractéristiques dont cer-
taines sont importantes pour le client ou l’utilisateur. Cette transformation peut
être différente selon le réglage de différents paramètres réglables du processus
ou selon le niveau d’autres facteurs qui peuvent être subis (par exemple, la tem-
pérature extérieure).
Maîtriser le processus, c’est être capable de prévoir les caractéristiques du pro-
duit étant donné le niveau de l’ensemble des paramètres influents du processus.
C’est aussi être capable d’ajuster les paramètres réglables du processus en fonc-
tion du niveau des facteurs influents subis pour que les caractéristiques du pro-
duit soient conformes aux attentes.
Parmi les facteurs agissant sur les caractéristiques du produit, que ces facteurs
soient subis ou non, certains ont une influence très importante, d’autres
moyenne, d’autres encore très faible. Comme lorsque l’on définit un produit, on
admet une variabilité des caractéristiques du produit (intervalle de tolérance), on
admet que certains facteurs peu influents sur les caractéristiques du produit ne
soient pas identifiés et engendrent, du fait de leur fluctuation inconnue, une
variabilité des caractéristiques des produits, dès lors que les caractéristiques du
produit restent largement acceptables.
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur R 290v2 − 1
tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________
Pour garantir un produit conforme à des spécifications, deux solutions

s’offrent au pilote du processus :
— contrôler tous les produits si cela est possible (dans le cas d’un contrôle
destructif, cela n’est pas possible) ;
— avoir identifié l’ensemble des facteurs influents, avoir effectué les réglages
pour que les caractéristiques des produits soient conformes aux attentes et avoir
vérifié par le contrôle d’échantillons qu’aucun autre facteur inconnu jusque-là
n’est apparu, c’est-à-dire que le résultat est conforme aux relations causes-effets
déjà identifiées.
Du fait de ces définitions, deux cas d’application de la maîtrise statistique des
processus (MSP) sont à distinguer :
— les facteurs influents ne sont pas totalement identifiés : il faut observer les
fluctuations du processus, déterminer lorsque des paramètres influents non
identifiés apparaissent, identifier ces facteurs et trouver des parades à leur
influence. Des investigations techniques sont nécessaires ;
— les facteurs influents sont déjà totalement identifiés : il ne s’agit que de
vérifier qu’il n’en apparaît pas de nouveau. Une technique de suivi avec de sim-
ples règles de réactivité en fonction d’observations, sans nécessairement l’utili-
sation de cartes de contrôle, peut s’avérer suffisante.
La mise en œuvre dans le premier cas (facteurs influents non totalement identi-
fiés) ne se fera que si le rapport « bénéfices qualitatifs et quantitatifs attendus/
investissement » est jugé satisfaisant. En revanche, dans le deuxième cas (facteurs
influents totalement identifiés), il n’y a aucune raison de ne pas chercher à maîtri-
ser le processus. Mais le plan de surveillance du processus doit clairement faire
ressortir l’ensemble des paramètres du processus à verrouiller (et leur réglage
éventuel en fonction des facteurs subis) pour garantir les produits conformes.
Ainsi, on appelle maîtrise statistique de processus (MSP), ou en anglais
« statistical process control » (SPC), l’ensemble des méthodes et des actions
permettant d’évaluer de façon statistique les performances d’un processus de
production (au sens large), et de décider de le régler, si nécessaire, pour mainte-
nir les caractéristiques des produits stables et conformes aux spécifications rete-
nues. C’est un des éléments dynamiques du système qualité qui concourt à
l’amélioration permanente des productions (cf. fascicule de documentation
Afnor X06-030).
On entend par processus de production l’ensemble des éléments qui concou-
rent à la production : matières premières, moyen, main-d’œuvre, milieu,
méthode, que l’on représente souvent schématiquement par le diagramme des
5M (figure A).
Moyen Milieu Matière
Processus
Main-d'œuvre Méthode
Figure A – Diagramme des 5M
La MSP ne se limite pas à l’établissement de cartes de contrôle et à leur exploi-

tation pour régler des « moyens » et maîtriser des processus : c’est une suite
d’analyses qui comprend :
— une réflexion sur le processus ;
— une étude de l’aptitude des processus de fabrication et de contrôle, ce qui
permet de choisir ou de modifier les appareillages à utiliser et de fixer correcte-
ment les spécifications ;
— le choix et la mise en œuvre de méthodes statistiques de contrôle en cours
de fabrication ;
— le contrôle final, si nécessaire, des produits ;
— l’exploitation des informations accumulées afin d’améliorer la connaissance
du processus (identification et suppression progressive des causes de dérives).
R 290v2 − 2 © Techniques de l’Ingénieur

__________________________________________________________________________________________________ MAÎTRISE STATISTIQUE DES PROCESSUS
La MSP est une méthode préventive de gestion de la qualité qui vise à amener
tout processus au niveau requis de régularité de qualité et à l’y maintenir grâce
à un système de surveillance statistique permettant de réagir rapidement et effi-
cacement à des dérives, évitant ainsi la production de produits non conformes.
La MSP concerne essentiellement des fabrications de moyennes et grandes
séries.
1. Paramètres des processus 1.2.1 Pour un produit nouveau
et caractéristiques des ■ Si la technologie d’élaboration est connue, on fera l’analogie avec

des produits existants utilisant le même type de technologie.
produits à maîtriser
■ Si la technologie est nouvelle, il faudra identifier les points à ris-
que en utilisant des outils de fiabilité comme par exemple l’AMDEC
produits/processus (analyse des modes de défaillance, de leurs
1.1 Paramètres du processus effets et de leur criticité).
Lors du démarrage du produit, on mettra en place des cartes
d’investigation puis de contrôle pour vérifier que les études et
Pour maîtriser un processus, il est nécessaire de travailler sur les recherches préalables étaient suffisantes pour garantir les produits
paramètres de ce processus plutôt que sur les caractéristiques du conformes, ou pour déclencher les actions nécessaires afin de maî-
produit, c’est-à-dire d’identifier les relations causes-effets et de les triser le processus.
quantifier au moins sommairement (par exemple, l’effet de la tem-
pérature sur la viscosité d’un polymère).
Différents outils peuvent être utilisés pour cette recherche, parmi 1.2.2 Pour un produit existant
lesquels :
La MSP en tant qu’outil d’amélioration (facteurs influents non
— arbre de défaillance ou arbre des causes ;
totalement identifiés) doit être utilisée conjointement aux actions
— diagramme causes-effets (appelé aussi en « arêtes de suivantes :
poisson » ou d’« Ishikawa ») ;

— examen des réclamations et classement de ces réclamations
— études de corrélations et de régressions ; en fonction des coûts, fréquence et gravité : diagramme de Pareto ;
— plans d’expérience ; — analyse des raisons de ces réclamations : arbre des causes ;
— analyse de données : en composantes principales... — mise en place de moyens ou procédures (modes opératoires)
évitant ces réclamations ;
— analyse des surcoûts internes (retouches, reprises, recyclages,
tris...) : diagramme de Pareto.
1.2 Caractéristiques du produit
La MSP étant un outil de prévention, elle doit être utilisée là où il

y a nécessité de réduire la probabilité d’apparition d’une non-con- 2. Variabilité d’un processus
formité sur :
— une caractéristique essentielle d’un produit qui, non respectée, L’utilisation de techniques statistiques simples pour conduire un
causera une insatisfaction du client ; processus de fabrication permet :
— une caractéristique non essentielle à l’usage chez le client mais — de prévenir les effets de déréglages au lieu de les subir et de
qui, si elle n’est pas respectée, peut générer des surcoûts, des man- trier la production a posteriori ;
ques à gagner importants pour l’entreprise. — d’éviter le contrôle à 100 % (contrôle de toutes les unités
La mise en place d’un suivi MSP ne se fait pas nécessairement sur produites) ;
la caractéristique causant une insatisfaction du client, mais souvent — de rationaliser les plans d’échantillonnage (nombre et fré-
de façon plus efficace sur une caractéristique permettant l’identifica- quence des contrôles) plutôt que de les choisir « par expérience »
tion d’une cause influente, d’où une règle de réactivité. Prenons un (souvent à l’inspiration).
exemple : l’épaisseur de peinture déposée par un robot sur une Ces techniques statistiques utilisent la méthode d’évaluation par
pièce métallique est la caractéristique jugée importante pour le le contrôle d’un échantillon limité à quelques unités (n) pour estimer
client. Le réglage du robot a été déterminé pour que l’épaisseur sur la valeur moyenne et la dispersion de toutes les unités produites.
la partie verticale soit à peu près égale à celle sur la partie horizon- Pour la caractéristique X choisie, la valeur x moyenne des
tale. Une fluctuation de la différence d’épaisseur entre la partie ver- n mesures effectuées sur les n unités prélevées est une estimation
ticale et la partie horizontale peut être l’indicateur d’un changement de la valeur moyenne de X pour les N unités produites.
de la viscosité de la peinture, d’où l’évolution de la probabilité
d’apparition de coulures, etc. La variabilité peut être appréhendée par la variance Vt(x) ou par
l’écart-type de la distribution σ (variance Vt(x) = σ2). La variance
Nota : les termes «produit », « fournisseur » et « client » sont pris au sens de la maîtrise
totale de la qualité : il peut s’agir d’un produit intermédiaire et d’une relation client-fournis- totale d’un processus est la somme des variances ( V i ( x ) = σ i2 )
seur au sein d’une même entreprise. engendrées par les i éléments (matières premières, moyen de

production, conditions de production, prélèvements, préparation et

analyse des prélèvements...) qui la composent :
Vt ( x ) = ∑ Vi ( x ) (1)
i 0,135% 0,135% 0,135% 0,135%
99,73% 99,73%
Exemple : une ligne de fabrication d’un produit hygroscopique pos-
sède sa propre variabilité du « moyen » appréhendée par la variance dispersion = 6s dispersion
VM. Mais on ne peut juger cette variabilité que par la mesure du taux a loi normale b loi non normale
d’humidité du produit qui a elle-même sa variance Vm (variance de la
mesure). On peut écrire : s = estimation de l'écart-type σ
Figure 1 – Définition de la dispersion

variance totale = variance du + variance de (2)
du processus moyen la mesure
L’écart-type vrai de la population est noté σ. Cet écart-type est
Vt(X) = VM(X) + Vm(X) (3) estimé à partir d’un échantillon. L’estimation la plus couramment
La variance de la mesure peut elle-même être scindée en différents utilisée est :
éléments Vmi : l’opérateur qui prélève ce produit apporte sa propre
variabilité selon qu’il ferme le flacon plus ou moins rapidement ; il faut ∑ ( xi – x ) 2
ajouter trois gouttes d’acide au produit avant analyse et, si la même s = ---------------------------
-
n–1
pipette n’est pas utilisée à chaque fois, c’est une cause de variabilité
supplémentaire ; en se conformant à la procédure d’analyse, il faut σ est estimé par s.
attendre 10 min de stabilisation de la préparation avant analyse : en
fonction du chronomètre utilisé, ce temps sera variable ; enfin, il faut Remarques importantes :
ajouter la variance intrinsèque de l’appareil de mesure qui ne fournira
— contrairement aux variances, ces indicateurs ne peuvent
jamais, a priori, le même résultat sur la même préparation.
s’additionner ni se soustraire ;
De façon plus générale, on pourra donc dire : — ces indicateurs n’ont de sens précis que si les lois utilisées
pour estimer les dispersions correspondent approximativement
à la réalité physique.
V t ( X ) = V M ( X ) + ∑ V mi ( X ) + V ε ( X ) (4)
i
Deux grands types de dispersion sont à distinguer :
νε(x) étant la partie résiduelle de variance pour laquelle les facteurs — la dispersion intrinsèque du moyen de production qui est la
influents n’ont pas été identifiés ou pris en considération. variabilité observable sur un temps court pendant lequel on peut
L’analyse des variances propres à chacune des étapes s’appelle supposer que les paramètres de mise en œuvre du moyen de pro-
une analyse de variance. Elle peut être particulièrement utile, dans duction n’ont pas varié (même lot de matière première, même opé-
rateur, même environnement thermique, hygrométrique, etc.). Cette
le cas où un processus n’est pas ou est peu capable de respecter les

limites de tolérance et pour savoir où il faut faire porter les efforts de dispersion est aussi appelée dispersion du moyen de production car
progrès : le moyen ou le processus de mesure. En effet, on connaît on l’attribue principalement à la définition du moyen de production.
d’une part la variance totale du processus et il est possible d’estimer Un certain nombre de moyens de production ont une largeur de dis-
d’autre part la variance du processus de mesure par une étude persion stable dans le temps même si les réglages amènent à faire
(NF ISO 5725 et NF ENV 13005). Par différence, à la variance rési- fluctuer la moyenne ;
duelle près, on peut estimer la variance du moyen de production. — la dispersion du processus de production qui est la variabilité
observable sur un temps long pendant lequel les paramètres de
mise en œuvre du moyen de production ont varié (lots de matière
première, opérateurs, environnement thermique, hygrométrique,
3. Capabilité d’un moyen de etc.). Cette dispersion est nécessairement au moins aussi large que
la dispersion intrinsèque. Elle englobe les fluctuations inhérentes à
production, d’un processus, la vie du processus. Si les largeurs des deux dispersions (intrinsè-
que et production) sont à peu près égales, c’est que le processus est
d’un moyen de mesure resté stable dans le temps.
La distribution statistique de la dispersion intrinsèque peut sou-
vent (en fonction du principe physique sous-jacent) être approximée
Quelle que soit la loi de distribution statistique utilisée d’une par une loi normale. En revanche, s’il y a réactivité sur le processus
caractéristique mesurée, sa dispersion est définie comme étant en fonction des mesures observées (réglages), la distribution statis-
l’intervalle centré contenant 99,73 % des valeurs ; cet intervalle est tique de la dispersion de production n’est plus une loi normale, mais
de six écarts-types dans le cas d’une loi normale (figure 1). le mélange de lois normales. Selon les cas de figure, il est alors pos-
Pour une caractéristique donnée, la comparaison de la dispersion sible de raisonner sur les cas extrêmes de dispersion intrinsèque
d’un processus, d’un moyen de production ou d’un moyen de rencontrés ou sur la dispersion de production si la distribution sta-
mesure à l’intervalle de tolérance IT s’appelle une étude de capabi- tistique de cette dispersion est identifiable.
lité (de l’anglais capability) qui s’exprime par un indicateur de forme
générale :
Intervalle de tolérance de la caractéristique

C = -------------------------------------------------------------------------------------------------------------------------------------- (5)
3.1 Capabilité du moyen de production
Largeur de la dispersion D de la caractéristique
Dans le cas d’une loi normale :
L’étude de la capabilité du moyen de production revêt un
IT caractère particulièrement important lors de la réception et de la
C = ------ (6) qualification d’un nouveau moyen de production.
6s

On peut prélever, dans des conditions optimales de stabilité de Pour chacun des k échantillons, on calcule la moyenne x j et un
fonctionnement, un nombre limité de produits sur une courte écart-type sj.
durée ; on calcule la moyenne de la caractéristique considérée et sa
dispersion qu’on appelle ici dispersion intrinsèque du moyen de L’écart-type intrinsèque peut être estimé par :
production (bien qu’elle fasse aussi intervenir la dispersion de répé-
tabilité de la mesure). k
Il est aussi possible de prélever k échantillons de n produits ∑ s j2

chacun pour estimer la largeur de la dispersion intrinsèque si l’on si = j=1
------------------
suppose que ladite dispersion intrinsèque ne fluctue pas en k
largeur au cours du temps, mais uniquement en position. La véri-
fication de cette hypothèse fait l’objet d’un test statistique. On dès lors que les valeurs sj ne sont pas trop différentes. On pourra uti-
pourra se référer aux normes NF X06-033 et NF E60-181. Dans le liser le test statistique figurant dans la norme NF E60-181 (test de
cas où la position de la dispersion intrinsèque aurait fluctué, Cochran) ou le test de Bartlett si aucune des variances sj n’est nulle
l’indicateur Cmk [relation (9)] ne peut pas être calculé. (bonne résolution de l’appareil de mesure) ou utiliser le test lié aux
limites de contrôle de l’écart-type (utilisation des tableaux 4 et 5).
On compare la dispersion trouvée à l’intervalle de tolérance IT
choisi au moyen des indices suivants : Et pour l’ensemble des valeurs, on calcule la moyenne x et un
écart-type sp. La comparaison de si et sp permet d’évaluer la stabilité
Intervalle de tolérance de la caractéristique du processus. Si le processus est stable, les distributions statisti-
Cam = -----------------------------------------------------------------------------------------------------------------------------------------------------------------(7)
Largeur de la dispersion intrinsèque de la caractéristique ques de la dispersion intrinsèque et de la dispersion de production
sont identiques. Sinon, il faut identifier les raisons physiques de
Dans le cas d’une loi normale : fluctuation pour savoir quelle loi de distribution statistique utiliser.
L’emploi des formules avec l’écart-type sp peut en effet amener à
IT surestimer la largeur de la dispersion de production. Cependant, en
Cam = -------- (8) préproduction, certains industriels préfèrent utiliser la formule avec
6s i
sp de façon systématique, car peu de paramètres liés à la mise en
Distance entre moyenne observée et limite de tolérance la plu s proche œuvre du moyen ont varié.
Cmk = -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- (9)
Demi-largeur de la dispersion intrinsèque de la caractéristiq ue Les indicateurs de capabilité Cap et Cpk sont calculés par :
Dans le cas d’une loi normale :
Intervalle de tolérance de la caractéristique
Cap = ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ (11)
Largeur de la dispersion de production de la caractéristique
Ts – x x – Ti
Cmk = min --------------- ; -------------- (10) Si la distribution de production peut être approximée par une loi
3s i 3 si
normale :
avec Ts limite de tolérance supérieure,
IT
Ti limite de tolérance inférieure, Cap = --------- (12)

6s p
x moyenne,
si estimation de l’écart-type intrinsèque. Distance entre moyenne observée et limite de tolérance la plus proche
Cpk = -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------(13)
-
Demi-largeur de la dispersion intrinsèque de la caractéristiq ue
Dans le cas de lois dissymétriques, les demi-dispersions infé-
rieure et supérieure ne sont pas égales. Le Cmk retenu est toujours Si la distribution de production peut être approximée par une loi
celui du côté le plus défavorable (Cmk le plus petit possible). normale :
Ts – x x – Ti
3.2 Capabilité du processus Cpk = min --------------- ; --------------
3s p 3 sp
(14)
de production
L’objectif de cette étude est de s’assurer que la variabilité naturelle

et le centrage du processus de production sont compatibles avec les 3.3 Critères d’acceptation
tolérances de la caractéristique sélectionnée.
On prélève k échantillons de n produits (les n produits sont consé- Trois cas peuvent se présenter (figure 2).
cutifs, mais les échantillons sont répartis dans le temps). À partir de
ces k observations, on cherche à estimer les deux types de
dispersion : dispersion intrinsèque et dispersion de production.
Ti Ts Ti Ts Ti Ts
Remarque : deux écueils sont à éviter :
— prélever sur une trop longue période, incluant des modifi-
cations de consignes de marche, voire de matériel, qui seraient
assimilées à des variations du processus alors que ce sont diffé- x x x x x x
rents processus qui sont concernés ; Cap ou Cam correct Cap ou Cam correct Cap ou Cam incorrect
— prélever sur une période trop courte, avec le risque que Cmk ou Cpk correct Cmk ou Cpk incorrect Cmk ou Cpk incorrect
certains facteurs aléatoires n’aient pas eu le temps de jouer (par
a processus capable b recentrer le processus c diminuer la dispersion
exemple, températures diurnes et nocturnes), et donc de sous-
estimer la variabilité.
Figure 2 – Cas types pour la capabilité du processus

Suivant les valeurs de Cap et Cpk, on peut classer par exemple la 3.4 Capabilité du moyen de mesure
capabilité comme :
C 0 ,67 ........................................................ très mauvaise ; Il sera bon que la variance du moyen n’excède pas 15 % (au
0 ,67 < C 1 ,00 ............................................ mauvaise ; pire 40 %) de l’intervalle de tolérance de la caractéristique, sous
1 ,00 < C 1 ,33 ............................................ très moyenne ; peine que la mesure conduise à décider de régler le moyen de
1 ,33 < C 1 ,67 ............................................ moyenne ; production alors qu’il est centré.
1 ,67 < C 2 ,00 ............................................ bonne ;
C > 2,00.......................................................... très bonne. On pourra estimer la justesse du système de mesure, c’est-à-dire
l’étroitesse d’accord entre la moyenne d’une grande série de résul-
tats et une valeur de référence acceptée.
Ces indicateurs de qualité sont fondés sur une dispersion centrée On pourra estimer la répétabilité, dispersion de résultats obtenus
contenant 99,73 % des valeurs. Ils sont internationalement reconnus dans un temps court à partir d’un seul « objet », par un même opé-
et permettent donc un langage commun. Cependant, dans la prati- rateur dans un même lieu, sur un seul appareil, avec le même mode
que, le pourcentage de valeurs pouvant dépasser les tolérances ne opératoire. Elle est surtout utilisée pour la comparaison de métho-
sera pas choisi de la même façon qu’il s’agisse d’un produit pour des de mesure, car elle ne représente pas la dispersion de la mesure
détergence ou d’un médicament, qu’il s’agisse d’une boîte de jeux dans la vie réelle du processus.
ou d’un équipement de sécurité automobile ou aéronautique. C’est On pourra enfin estimer la reproductibilité à partir d’un même
une des raisons pour lesquelles les seuils d’acceptation peuvent « objet » et par la même méthode, mais avec des opérateurs diffé-
être variables selon les contextes d’application. rents, des appareils différents, etc. C’est en général la dispersion de
reproductibilité qui est utilisée pour les études de variances et de
À noter que deux autres aspects sont à prendre en considération capabilités de la chaîne de mesure, car c’est elle qui intervient dans
pour déterminer les seuils d’acceptation : la vie du processus.
— l’échantillonnage effectué pour estimer la ou les dispersions et
le risque que des paramètres de mise en œuvre n’ayant pas fluctué
lors de l’échantillonnage aient une influence importante sur la 4. Contrôle en cours
caractéristique. Ainsi, si on n’a cherché qu’à estimer la dispersion
intrinsèque et les paramètres d’environnement ont une grande de fabrication
influence, difficile à contrer, un indicateur Cam égal à 2 peut être
totalement insatisfaisant ; L’idée des cartes de contrôle est due à l’américain W. Shewhart
(1931) ; leur utilisation, d’abord lente, a connu un premier dévelop-
— le risque statistique accepté, lié à l’effectif des échantillons pré-
pement en 1939-1945 aux États-Unis, et en Europe dix ans plus tard.
levés. On peut chercher à n’accepter que les processus pour les-
Quelques grandes industries françaises les ont employées plus sys-
quels on est sûr (statistiquement parlant) que la capabilité est tématiquement vers 1965 (par exemple, l’industrie textile), et des
satisfaisante, ou ne chercher à refuser que les processus pour les- centres de formation, particulièrement en France le Centre d’ensei-
quels on est sûr (statistiquement parlant) que la capabilité n’est pas gnement et de recherche de la statistique appliquée (CERESTA), ont
satisfaisante. Pour cela, on se référera à la norme NF X06-034. fortement contribué dès cette époque à leur utilisation. Mais le
Exemple : on fabrique des boîtes en carton sur lesquelles il y a des moteur de leur développement actuel est les normes qualité
tolérances de cotes ; on a trouvé sur l’une des cotes une loi normale, NF EN ISO 9000 ; leur vulgarisation a été facilitée par les normes
un écart-type s = 0,2 mm et les tolérances sont Ts = 350 mm, statistiques Afnor/ISO et l’enseignement pratique des statistiques
Ti = 348,5 mm ; d’où : dans les écoles d’ingénieurs.
Les méthodes statistiques de contrôle utilisées pour maîtriser un
Ts – Ti 1 ,5 processus font appel à la théorie de l’échantillonnage et permettent
Cap = ------------------- = ---------------------- = 1 ,25 de définir quand un processus a probablement dérivé (en position ou
6s 6 × 0 ,2
en dispersion) en s’aidant de tracés, appelés cartes de contrôle, où
Cette valeur du Cap a été estimée avec un grand pas de mesure, l’on reporte les paramètres de position et de dispersion de la popula-
d’où une certaine certitude de la valeur de l’indicateur. Dans la pratique, tion estimés à partir d’un échantillon par rapport à des limites de
il a été convenu avec le client qu’il n’est pas gênant de trouver, à la contrôle. Le franchissement involontaire des limites de contrôle indi-
limite, jusqu’à une valeur sur cent hors tolérances de part et d’autre de que que l’on a perdu le contrôle du processus. L’usage a consacré ces
la distribution, c’est-à-dire qu’il faut un minimum de 98 % des valeurs tracés sous l’expression de « cartes de contrôle » (de l’anglais control
entre tolérances. 1 % correspond à 2,33 écarts-types (voir dossier charts), bien qu’il aurait été plus judicieux de les appeler en français
[R 270]), c’est-à-dire qu’un Cpk minimum de 2,33/3 = 0,78 est satis- « cartes de maîtrise » ou « cartes de conduite ». Le caractère visuel
faisant. des cartes de contrôle, qui permet une identification rapide et aisée
de l’évolution du processus, est un atout pour leur utilisation.
Quelle que soit la valeur des indicateurs, mais plus particuliè- Pour un caractère mesuré (par exemple, une cote de pièce), on
rement lorsque la capabilité du processus n’est pas satisfaisante, il construira une carte de contrôle de la cible centrale (souvent la
faut déterminer où se trouvent les variances les plus importantes moyenne de N pièces, mais parfois une valeur nominale ou une
(machine ou processus de mesure) et s’attacher à les diminuer pour valeur souhaitée non centrée) et un paramètre de dispersion tel que
améliorer la capabilité (§ 2). l’écart-type s des échantillons, ou l’étendue w (différence entre les
valeurs extrêmes de l’échantillon).
Enfin, si le centrage d’une caractéristique est souhaitable d’un Pour un caractère qualitatif (pièces conformes ou non confor-
point de vue statistique, il peut ne pas l’être d’un point de vue mes), on estimera à l’aide de cartes de contrôle la proportion de piè-
économique : un axe en alliage fondu devra, si la capabilité est ces non conformes produites, ou le nombre de non-conformités par
limite, avoir un diamètre moyen supérieur à la moyenne centrée, pièce s’il peut en exister plusieurs. Pour les caractères qualitatifs, il
permettant la reprise des diamètres trop importants, plutôt qu’un est impossible de « garantir » la conformité puisqu’il est impossible
diamètre centré obligeant à de nombreux retours en fonderie des de prédire la conformité de la n + 1e pièce même si les n premières
pièces trop petites. pièces contrôlées sont conformes.

On discernera donc les cartes de contrôle « aux mesures » des Sur une période de fonctionnement stable du processus, prise
cartes de contrôle « aux attributs » qui ne font pas intervenir les comme référence, on estime les paramètres moyenne et écart-type
mêmes lois statistiques : dans le premier cas, il s’agit de lois norma- (µ0, σ0) de la loi normale à partir de N valeurs individuelles xi
les, dans le second, ce sont des lois binomiales ou de Poisson. (N > 100) en s’assurant au préalable qu’on n’est pas trop éloigné de
Il y a lieu de distinguer différents cas d’application des cartes de l’hypothèse de normalité (tests de normalité : NF X06-050) :
contrôle : — estimation de µ0 :
— les cartes de pilotage du processus : elles concernent des carac-
téristiques qui, lorsqu’elles évoluent, indiquent à l’opérateur une caté- ∑ xi
gorie d’actions à mener. Par exemple, la caractéristique suivie est la m 0 = ------------- (15)
N
différence d’épaisseur de peinture entre deux parties d’une pièce
métallique peinte. Une des parties est horizontale, l’autre est verticale. — estimation de σ0 :
La pièce est peinte par un robot. Une variation de la différence d’épais-
seur est significative d’une évolution de la viscosité de la peinture ;
— les cartes qui permettent de suivre des caractéristiques du ∑ ( xi – m0 ) 2
client : elles indiquent une évolution du résultat sans que les causes s0 = ------------------------------------ (16)
N–1
soient nécessairement identifiables facilement ;
— les cartes qui indiquent que des facteurs non clairement identi- Si des tolérances (Ti, Ts) sur valeurs individuelles ont été données,
fiés apparaissent. Un modèle a été préalablement établi qui relie la on calcule les indicateurs de capabilité du processus Cap et Cpk (§
caractéristique résultante et les paramètres du processus dont cer- 3). Si Cpk est très différent de Cap, on regarde si le procédé peut être
tains ne peuvent pas être maîtrisés. C’est l’écart entre la valeur de la recentré : on adopte alors a priori cette valeur centrée pour cible et
caractéristique et la valeur obtenue par le modèle qui est suivi. Par non m0 calculée.
exemple, une étude a montré que l’effort nécessaire pour arracher une
soudure par point d’une pièce donnée était de 30 ± 5 daN si l’électrode
était neuve et de 20 ± 7 daN lorsque l’électrode était en fin de vie. La 4.1.1.2 Assurance qualité et déplacement limite δ de la
moyenne
tolérance est un minimum de 10 daN. Le fait de trouver 22 daN avec
une électrode neuve indique une évolution certaine du processus. La maîtrise totale de la qualité vise à assurer le « zéro défaut » au
client. Dans le cas d’une loi normale, statistiquement « aucune
valeur en dehors d’un intervalle donné » n’existe que pour l’inter-
valle compris entre – ∞ et + ∞. Quel que soit l’intervalle considéré,
4.1 Cartes de contrôle aux mesures pour la loi normale, le pourcentage de la population dans l’intervalle
est inférieur à 100 %. Il faut donc statistiquement assimiler ce « zéro
défaut » à une très faible probabilité qu’il existe une valeur hors
Le principe du contrôle statistique aux mesures consiste, tolérance.
après avoir établi une « référence » à partir d’un nombre suffi- Il y a deux raisons à cela : d’une part, la liaison « zéro défaut pour
sant de « pièces » (N > 100) pendant une période stable de fabri- l’utilisateur » et aucune valeur hors tolérance (zéro non conforme)
cation, à prélever régulièrement des échantillons de taille n et à n’est pas totale. Si tout non-conforme à des spécifications entraînait
comparer leurs moyennes et dispersions à la moyenne et à la des problèmes pour le client, il n’existerait pas de dérogation aux spé-
dispersion de référence. cifications. D’autre part, la loi de distribution normale est basée sur
On distinguera les cartes aux moyennes, permettant de détec- des hypothèses qui n’existent pas totalement dans la réalité physi-
ter si la position de la dispersion dérive, des cartes de disper- que. La probabilité de produire une pièce de dimension négative n’est
sion, permettant de mettre en évidence des changements de pas nulle d’après la loi normale alors qu’en physique, cela est impos-
largeur de la dispersion. sible. La distribution normale est une bonne approximation de la réa-
lité jusque ± 3 écarts-types si les conditions sous-tendant son
existence sont respectées (infinité de causes indépendantes de varia-
tion, chaque cause ayant un effet individuel faible, etc.). Au-delà de
4.1.1 Cartes aux moyennes 3 écarts-types, la loi normale doit être utilisée avec prudence.
C’est pourquoi on prend souvent comme seuil inacceptable
4.1.1.1 Référence et capabilité du processus
d’avoir plus de 0,135 % de non-conformes, ce qui correspond à une
Les valeurs individuelles mesurées d’une caractéristique X sui- moyenne éloignée d’une valeur de 3 écarts-types de la limite de
vent le plus souvent une loi de distribution proche de la loi normale tolérance.
pour la dispersion intrinsèque dès lors qu’elles sont issues d’un Si la moyenne du processus dérive d’une quantité δ à partir de
même moyen. Il existe des exceptions. m0, il faudra donc qu’elle ne dépasse pas une certaine valeur
Exemples de ces exceptions : limite m1 qui assurera encore ce « zéro non-conforme » (figure 3).
Pour cela, il faudra avoir une efficacité de contrôle telle (taille
■ Pureté d’un métal qui tend vers 100 %, siccité d’un produit chimi- d’échantillon) qu’elle assure de détecter cette dérive avec de faibles
que qui tend vers 0 : ces grandeurs, physiquement bornées, suivent risques de se tromper. Dans le cas de deux limites de tolérances, on
souvent une loi log-normale : on se ramène dans ce cas à une loi nor- aura deux limites m1 et m 1′ .
male par une transformation de la variable X en X′ = lg ( X ) .
Les limites de déplacement de la moyenne se trouveront à
■ Caractéristique géométrique telle que planéité, circularité, etc. 3 écarts-types en retrait des tolérances ; mais si la caractéristique
concerne un équipement touchant à la sécurité humaine, ces limites
■ Mélange de lois normales pour des pièces issues d’un moule à qua- devront être bien plus en retrait ; à l’inverse, si le client peut admet-
tre empreintes : les empreintes présentant des différences, les pièces tre sans risque pour l’utilisation un produit dont le pourcentage de
issues d’une même empreinte peuvent suivre une loi normale. Mais valeurs hors tolérances puisse atteindre 1 %, ces limites ne seront
l’ensemble des empreintes peut ne pas suivre une loi normale. Il ne en retrait des tolérances que de 2,33 écarts-types (§ 3.3).
faut donc pas prendre pour chaque échantillon n pièces au hasard sans
tenir compte de l’empreinte. Tout processus évolue dans le temps :
— sous l’effet de causes déterminées (on dit aussi « assignables »
Nota : si les lois suivies ne sont pas normales, il existe des solutions pour traiter les don-
nées, mais elles ne sont pas traitées dans ce dossier, étant trop spécifiques aux cas de ou « spéciales ») qu’on s’efforcera de réduire pas à pas (les cartes de
figure rencontrés. contrôle sont un très bon outil pour les découvrir) ;

Dans le cas des cartes Shewhart, on peut réellement évaluer les ris-
δ ques α et β, puisque les échantillons successifs sont traités de façon
Ts indépendante les uns des autres (α et β identiques d’un échantillon
à l’autre). Pour les cartes CUSUM et EWMA (§ 4.1.1.5) en revanche,
où l’on combine les informations présentes avec celles du passé, les
risques α et β évoluent chronologiquement avec les échantillons
0,135% successifs. Ces concepts de risque doivent être traduits en termes
de périodes opérationnelles moyennes (POM), c’est-à-dire en nom-
bre moyen d’échantillons successifs nécessaires pour que la carte
m0 m1
de contrôle signale qu’il y a déréglage, soit qu’il y en ait réellement
3s une (POM1, concept type β), soit qu’il n’y en ait pas (POM0, concept
type α). Pour les cartes Shewhart, on peut aussi parler de POM. Cela
Figure 3 – Déplacement limite de la moyenne permet, pour un déplacement δ et un effectif d’échantillon donnés,
de comparer l’efficacité de ces trois types de cartes.
— sous les effets de causes aléatoires qui peuvent se conjuguer En revanche, on peut n’avoir pour seul objectif que de vérifier si la
momentanément dans le même sens : il faudra alors agir sur un para- dispersion intrinsèque reste stable, sans envisager spécifiquement
mètre connu pour en minimiser les effets sur la période considérée. que l’intervalle de tolérance soit respecté : c’est d’ailleurs dans cet
La dérive maximale de la position de la dispersion que l’on peut esprit que Shewhart a proposé sa méthode de contrôle en 1931 ; on
tolérer pour assurer le « zéro non-conforme » peut s’exprimer en ne tient compte alors que du risque α, et l’effectif des échantillons
nombre d’écarts-types par : est fixé a priori. Cela peut être justifié quand la liaison entre confor-
mité du produit à des spécifications et défaut client n’est pas claire-
m 1 – m 0 m 0 – m 1′ ment établie ou quand la caractéristique suivie n’est pas une
δ = min ---------------------- ; ---------------------- caractéristique intéressant le client mais une caractéristique permet-
s s (17) tant une réactivité sur le processus (§ 1.2).
Il faudra avoir une efficacité de contrôle qui assure une très forte C’est également le cas si on se place dans le contexte suivant :
probabilité de détecter ce déréglage δ (§ 4.1.1.3). l’étude de capabilité faite sur la période de référence (§ 4.1.1.1) a
Exemple : la valeur ciblée de la cote d’une pièce est m0 = 75 mm. montré un résultat largement satisfaisant. La connaissance du
processus est telle qu’a priori, les facteurs influents sont clairement
Sur une période stable, on a déterminé un écart-type du processus
identifiés et que le processus est maîtrisé. Le prélèvement n’est pas
s0 = 0,5 mm. Du fait que la période était stable, si, écart-type intrinsè-
réalisé pour garantir la conformité mais pour identifier l’apparition
que, est égal à sip, écart-type de production (§ 3). Il est noté ici s0.
d’un facteur influent jusque-là inconnu ou pour vérifier qu’aucun
Les tolérances en valeurs individuelles sont ± 2 mm. facteur influent connu n’a pas évolué sans que l’on s’en aperçoive.
L’équivalent du « zéro défaut » est une probabilité de 0,135 % de
On exposera donc les deux points de vue : prélèvement pour
valeurs hors tolérances.
détecter des facteurs influents non cernés (cartes de Shewhart) et
■ Capabilité du processus [relation (12)] : prélèvement pour assurer le respect de l’intervalle de tolérance (car-
tes de type Shewhart).
4
Cap = ---------------------- = 1 ,33 (18)
6 × 0 ,5 4.1.1.4 Cartes de Shewhart et cartes de type Shewhart
■ Moyennes limites : Un échantillon, constitué de n valeurs prélevées dans la fabrica-
tion en cours, donne respectivement des estimations x et s de la
⎧ m 1 = T s – 3s = 77 – ( 3 × 0 ,5 ) = 75 ,5 tendance centrale réelle µ et de la dispersion réelle σ actuelles du
⎨
⎩ m 1′ = T i + 3s = 73 + ( 3 × 0 ,5 ) = 74 ,5 (19)
processus. Ces estimations, même si la fabrication ne s’est pas
déréglée, varient d’un échantillon à l’autre : ce sont des variables
■ Déplacement maximal de la moyenne en nombre d’écarts-types : aléatoires dont on peut calculer les lois de probabilité et donc des
intervalles, dépendant de n, à l’extérieur desquels on a une très fai-
m1 – m0 75 ,5 – 75 ble probabilité de trouver chacun de ces deux paramètres si le pro-
δ = -------------------------
- = ----------------------------- = 1 ,0 (20) cessus n’a pas évolué. Les bornes de ces intervalles sont les limites
s 0 ,5
de contrôle (Lci et Lcs).
(suite de l’exemple : § 4.1.1.4 et § 4.1.1.6).
Le processus étant centré, si la caractéristique considérée a une
Au lieu ou en plus d’une dérive de la moyenne, il peut y avoir une distribution normale (µ, s), la distribution des valeurs x des échan-
dérive de la largeur de la dispersion du processus : c’est pourquoi il tillons suit une loi normale ( µ, σ ⁄ n ) . Si l’on place les limites de
est indispensable que chaque carte de contrôle d’une moyenne (§ contrôle des échantillons à plus ou moins 3 écarts-types de la
4.1.1.4) soit accompagnée d’une carte de contrôle de la dispersion (§ moyenne ( µ ± 3 σ ⁄ n ) , cela voudra dire que l’on n’a qu’une proba-
4.1.2). bilité α = 2 × 0,135 % = 0,27 % (cf. loi normale réduite) de trouver des
valeurs à l’extérieur (figure 4). Cette probabilité α étant très faible, si
l’on trouve des valeurs extérieures, on en conclura que le processus
4.1.1.3 Risques décisionnels, périodes opérationnelles a très probablement évolué et qu’il faut intervenir (identification de
moyennes
la cause, règle de réactivité...).
Quel que soit le type de décision que l’on ait à prendre, statistique La carte de contrôle (figure 5) est un diagramme, centré sur m0 et
ou non, il y a toujours deux risques de se tromper : borné par Lcs et Lci, sur lequel on reporte les valeurs successives du
— le risque de décider qu’il faut agir alors qu’il ne le faudrait pas paramètre de position retenu, la moyenne de l’échantillon.
(risque α de fausse alarme) ;
La probabilité α est le risque de dérégler le processus en croyant
— le risque de décider qu’il ne faut pas agir alors qu’il le faudrait le régler. α est le plus souvent choisi égal à 0,27 %, ce qui conduit à
(risque β, ou risque de ne pas voir que la moyenne a atteint m1 ou des limites de contrôle à 3 écarts-types de la valeur cible ; mais il
m 1′ ). n’est pas interdit de prendre d’autres valeurs en fonction de la spé-
Si l’on veut assurer des tolérances, on devra tenir compte de ces cificité du procédé, c’est-à-dire de la difficulté qu’il y aura à le régler
deux risques pour la détermination de l’effectif des échantillons. ultérieurement après un déréglage inopiné.

régler le processus, qu’aux limites de contrôle et, éventuellement,

Distribution aux limites de surveillance après confirmation sur un nouvel échan-
Distribution des moyennes des valeurs individuelles
d'échantillons tillon prélevé immédiatement après.
■ Cartes de Shewhart (ne cherchant pas à assurer les tolérances) :
s arrivé à ce niveau, si l’on prend n quelconque, on aura défini une
s/√n carte de Shewhart (NF X06-031-1). S’il est admis que le processus
évolue sans que la cause ne soit réellement identifiée et si le but du
prélèvement est de garantir la conformité, on passera systématique-
α/2 = 0,135% α/2 = 0,135% ment aux cartes de type Shewhart. De toute façon, la détermination
de l’effectif de l’échantillon pour garantir la conformité est une infor-
mation utile. On ne saurait trop conseiller aux utilisateurs de tou-
jours considérer l’effectif nécessaire pour les échantillons afin de
garantir la mise en évidence d’évolutions non souhaitées de la dis-
Lci m0 Lcs persion.
■ Cartes de type Shewhart (cherchant à assurer les tolérances) :
Carte de contrôle pour faire intervenir les tolérances, il suffit de déterminer le déplace-
ment limite δ de la moyenne qu’il faudra déceler (§ 4.1.1.2) et de tenir
Figure 4 – Risque α compte du risque β (souvent entre 5 et 15 % et au maximum 20 %)
de ne pas déceler ce déréglage. Les courbes d’efficacité (figure 6)
permettent, ayant choisi β, de déterminer l’effectif n des échan-
tillons.
✦ On peut calculer ce faisceau de courbes pour n’importe quel
Lcs
✦
risque α en raisonnant à partir de la figure 7.
✦ ✦ ✦
✦
✦ Le déplacement δ de la moyenne peut être scindé en :
✦ ✦ m0 ou cible
✦
L cs – m 0 m 1 – L cs uα ⁄ 2 ⋅ s ⁄ n uβ ⋅ s ⁄ n uα ⁄ 2 + uβ
Lci δ = ---------------------- + ---------------------- = ------------------------------- + ------------------------- = ------------------------- (21)
s s s s n
Figure 5 – Carte de contrôle
où uα/2 et uβ sont respectivement les nombres d’écarts-types liés
aux risques α/2 et β pour une distribution normale des échantillons
(cf. loi normale réduite).
On ajoute parfois aux limites de contrôle des limites de sur-
D’où :
veillance (Lsi et Lss ; en anglais warning limits) placées à
m 0 ± 2 σ ⁄ n , c’est-à-dire bornant 95 % des valeurs. δ n = uα ⁄ 2 + uβ (22)
Les types d’actions que l’on entreprend aux limites de contrôle et

de surveillance ne sont pas les mêmes. On peut par exemple décider L’équation (22) montre que, pour un déplacement δ de la moyenne
de régler le moyen et production en marche aux limites de sur- que l’on veut détecter, les risques α et β étant choisis, l’effectif des
veillance (si cela est aisé), et d’arrêter le moyen pour le remettre en échantillons ne peut pas être pris arbitrairement si l’on veut chercher
état aux limites de contrôle. Pour les procédés continus où l’on ne à assurer les tolérances (sous l’hypothèse non garantie que la lar-
peut arrêter la production sans de gros dommages, on n’agira, pour geur de la dispersion intrinsèque n’ait pas évolué).
Figure 6 – Courbes d’efficacité aux mesures

(pour α = 0,27 %)

(0)
Distribution δ Tableau 1 – Périodes opérationnelles moyennes

des moyennes pour une carte de type Shewhart
Ts
d'échantillons
δ⁄ n Valeur de la POM
s/√n s/√n
0 POM0 = 100 POM0 = 370 POM0 = 500 POM0 = 1 000
β α/2 uα/2 = 2,576 uα/2 = 3,00 uα/2 = 3,09 uα/2 = 3,29
0,5 POM1 = 50 POM1 = 155 POM1 = 201 POM1 = 369
0,75 POM1 = 29,1 POM1 = 81 POM1 = 103 POM1 = 180
m0 m1
Lcs
1,0 POM1 = 17,3 POM1 = 44 POM1 = 55 POM1 = 91
Figure 7 – Déplacement de la moyenne et efficacité 1,5 POM1 = 7,1 POM1 = 15,0 POM1 = 18,0 POM1 = 27,2
2,0 POM1 = 3,5 POM1 = 6,3 POM1 = 7,25 POM1 = 10,1
Les limites de contrôle d’une carte de type Shewhart assurant les 2,5 POM1 = 2,13 POM1 = 3,24 POM1 = 3,60 POM1 = 4,66
tolérances sont :
3,0 POM1 = 1,50 POM1 = 2,00 POM1 = 2,15 POM1 = 2,59
Lc = m0 uα ⁄ 2 ⋅ s ⁄ n (23) 3,5 POM1 = 1,21 POM1 = 1,45 POM1 = 1,52 POM1 = 1,71
On prend souvent uα/2 = 3,0. 4,0 POM1 = 1,08 POM1 = 1,19 POM1 = 1,22 POM1 = 1,31
Exemple (suite du § 4.1.1.2 avec δ = 1) : les courbes d’efficacité Pour tenter d’améliorer l’efficacité des cartes Shewhart pour les
(figure 7) montrent (par interpolation) qu’avec une carte de type petites dérives, sans accroître le coût de contrôle de façon prohibi-
Shewhart, il faut prendre des échantillons d’effectif n = 14 pour n’avoir tive, on a proposé d’ajouter à ces cartes des « règles de séries »
pas plus de 20 % de risque de ne pas déceler cette dérive. Avec une (NF X06-031-1) : le principe est de détecter une dérive, même si le
carte de Shewhart utilisant fréquemment et a priori des échantillons de dernier échantillon est dans les limites de contrôle, à partir de la
taille n = 5, on a 80 % de risque de ne pas détecter une telle dérive. On configuration de la position des p derniers points sur la carte. Mais
ajoute parfois aux limites de contrôle des limites de surveillance (Lsi ces règles provoquent une hausse importante des fausses alarmes,
et Lss ; en anglais warning limits) placées à m ± 2s ⁄ n , c’est-à-dire elles sont souvent interprétées de façons différentes par les opéra-
bornant 95 % des valeurs. teurs, et leur efficacité n’est pas très bonne.
On obtient évidemment les mêmes résultats avec l’équation géné-
rale (voir dossier [R 270]) :
Pour déceler des petits déréglages, on préfère donc utiliser
α/2 = 0,135 % ⇒ uα/2 = 3,0 (24) des cartes plus spécifiques, CUSUM (cartes des sommes cumu-
lées) ou EWMA (cartes des moyennes mobiles avec pondération
et : β = 20 % ⇒ uβ = 0,84 (25) exponentielle), qui, tenant compte systématiquement du passé,
ne mettent en jeu qu’une seule règle de décision et ont une

3 ,0 + 0 ,84 bonne efficacité avec un coût de contrôle modéré. Le principe de
n = --------------------------------- = 3 ,84 (26)
1 ces cartes est que, si à un instant donné la valeur moyenne d’un
échantillon n’est pas significativement différente de celle de la
et : n ≈ 14 cible et n’incite donc pas à une action, la prise en compte systé-
En posant par contre n = 5 a priori : matique des informations fournies par les échantillons précé-
dents peut conduire raisonnablement à une action.
u β = 1 × 5 – 3 ,0 = – 0 ,764 (27)
Historiquement, les cartes CUSUM étaient utilisées bien avant les
et : β ≈ 78 % cartes EWMA. Leur mise en œuvre était quelque peu compliquée car
il fallait calculer deux indicateurs. Les cartes EWMA sont apparues
(suite de l’exemple : § 4.1.1.6)
dans les années 1980. Elles ont à peu près la même efficacité que les
Pour les cartes de type Shewhart, on peut aussi parler de risques cartes CUSUM pour détecter les petits déréglages mais leur mise en
en termes de période opérationnelle moyenne (POM0 pour δ = 0 et œuvre est bien plus aisée. Elles ont donc supplanté les cartes
POM1 pour δ quelconque ; § 4.1.1.3) : cela permet de comparer les CUSUM. Les normes NF X06-031-3 et NF X06-031-4 décrivent cha-
efficacités de ces cartes avec celles des cartes CUSUM et EWMA (§ cune une pratique. Seules les cartes EWMA sont décrites ici car elles
4.1.1.5) où seule cette notion de période opérationnelle moyenne est correspondent à la bonne pratique actuelle.
applicable. Le tableau 1 donne les POM1 et uα/2 (ce qui permet de Le principe des cartes EWMA (NF X06-031-3) est de tenir compte
calculer les limites de contrôle) pour δ ⁄ n et POM0 donnés. des résultats précédents de façon pondérée. À partir des échan-
Exemple d’utilisation du tableau 1 : pour une POM0 = 370, avec n tillons x 1 , et x 2 , ..., x i (chacun moyenne de n résultats individuels
= 1, on détectera en moyenne un déréglage de δ = 1 au bout de successifs), on calcule et on suit une grandeur Zi telle que :
44 échantillons successifs ( δ ⁄ n = 1 ) , alors qu’avec des échantillons
de taille 4, on mettra en évidence cette dérive en 6,3 échantillons seu- Zi = λ ⋅ xi + ( 1 – λ ) ⋅ Zi – 1 (28)
lement ( δ ⁄ n = 2 ) et avec n = 9 ( δ ⁄ n = 3 ) en 2 échantillons.
avec 0 < λ 1 .
4.1.1.5 Cartes tenant compte des résultats antérieurs Le paramètre λ est le coefficient de pondération : si λ est égal à 1,
on revient à une carte Shewhart ne tenant compte que du résultat
On peut avoir intérêt à détecter le plus rapidement possible de fai- présent et permettant seulement de détecter des dérives
bles dérives des caractéristiques des produits ou des paramètres de importantes ; plus λ est petit, mieux on décèlera de petites dérives,
marche. Les cartes Shewhart permettent de détecter rapidement des mais moins on sera sensible aux dérives brusques et importantes.
déréglages de grande amplitude mais pas des déréglages de petite On devra donc choisir λ en fonction de la connaissance du
ou moyenne amplitude, sinon en accroissant très fortement l’effectif processus : le plus souvent 0 ,25 λ 0 ,75 et assez souvent
des échantillons, c’est-à-dire le coût de contrôle. λ ≈ 0,33.

une moyenne (POM), une valeur maximale (POMAX) telle que 95 %

des valeurs que l’on peut trouver lui soient inférieures (figure 9).
Lcs
La POM0, correspondant aux fausses alarmes (δ = 0), est en géné-
m0 ou cible ral choisie entre 100 et 1 000 et la POM1, correspondant à la rapidité
1 2 3 4 Rang de l'échantillon de détection de la dérive maximale δ calculée, est le plus souvent
Lci prise inférieure à 4.
POM et POMAX dépendent évidemment de δ n , mais aussi de λ
Figure 8 – Limites de contrôle des cartes EWMA
et des limites de contrôle (L) de la carte. Le tableau 2 donne les
combinaisons optimales pour obtenir des POM0 maximales avec
des POM1 minimales.
Fréquence
Le tableau 2 donne les POM0, POM1 et le coefficient L optimaux
pour différentes valeurs de δ n et de λ.
Exemple d’utilisation du tableau 2 : pour une POM0 = 370, avec
5%
λ = 0,5 et n = 1, on détectera un déréglage de δ = 1 au bout en
0 moyenne de 9,6 échantillons successifs ( δ n = 1 ) , alors qu’avec des
0 POM POMAX Périodes échantillons de taille n = 4 ( δ n = 2 ) , on mettra en évidence cette
opérationnelles dérive en moyenne en 3,3 échantillons seulement et avec n = 9
( δ n = 3 ) en moins de 2 échantillons.
Figure 9 – POM et POMAX pour un déréglage δ donné
Supposons que l’on veuille au maximum une fausse alarme tous les
500 contrôles (POM0 = 500), et que l’on veuille déceler en moyenne un
Les limites de contrôle de la variable Zi sont : déréglage de 1,25 écart-type en moins de 3 échantillons. Dans la
L ⋅ sZ colonne POM0 = 500, on choisit la valeur de POM1 permettant d’être
L c = m 0 ± ------------- (29) inférieur à 3, d’où :
n
avec sZ = s λ ⁄ (2 – λ) , δ n = 2 ,5 (30)
L ≈ 3,0 (souvent). 2
2 ,5
n = ⎛ --------------⎞ = 4 (31)
i ⎝ 1 ,25⎠
En fait, λ ( 2 – λ ) est la limite de la série λ ∑ (1 – λ) 2j
lorsque i λ = 0,52 et L = 3,07
j=0
tend vers l’infini : les limites de contrôle sont donc dépendantes du La seule règle de décision pour les cartes EWMA est que, lorsque
rang de l’échantillon ; mais cette série converge très vite et, prati- la valeur de Zi dépasse l’une des limites de contrôle, on agit sur le
quement dès le 4e échantillon, les limites de contrôle peuvent être processus pour le recentrer et on arrête la carte. On reprend ensuite
considérées comme des droites parallèles (figure 8) : il faut cepen- la carte en la réinitialisant, c’est-à-dire avec Z0 = m0 ou la cible : cela
dant en tenir compte pour les premiers échantillons lorsque l’on signifie que l’on ne tient plus compte des échantillons précédents
redémarre la carte après une action, si l’on n’est pas sûr d’avoir qui ont été obtenus dans des conditions de réglage différentes.
recentré correctement le processus. Les cartes EWMA sont faites pour protéger des petites dérives
Les risques α et β ne sont pas constants et on juge de l’efficacité des mais sont lentes à détecter des dérives brusques comme le permet-
cartes EWMA par les périodes opérationnelles moyennes (§ 4.1.1.3) tent les cartes Shewhart : lorsque, sur un processus, on peut avoir
pour un déréglage donné δ de la moyenne. La période opérationnelle les deux types de dérives, on peut tenir les deux types de cartes
est une variable aléatoire, non gaussienne, dont on peut déterminer simultanément.
(0)
Tableau 2 – Périodes opérationnelles moyennes pour une carte EWMA
δ⁄ n Valeur de la POM
0 POM0 = 100 POM0 = 370 POM0 = 500 POM0 = 1 000
0,5 POM1 = 17,3 POM1 = 26,5 POM1 = 28,7 POM1 = 34,3

λ = 0,07 ; L = 2,01 λ = 0,06 ; L = 2,55 λ = 0,05 ; L = 2,62 λ = 0,04 ; L = 2,82
POM1 = 10,3 POM1 = 14,7 POM1 = 15,8 POM1 = 18,4
0,75
λ = 0,12 ; L = 2,21 λ = 0,10 ; L = 2,70 λ = 0,09 ; L = 2,79 λ = 0,07 ; L = 2,97
POM1 = 7,0 POM1 = 9,6 POM1 = 10,2 POM1 = 11,7
1,0
λ = 0,19 ; L = 2,35 λ = 0,15 ; L = 2,80 λ = 0,15 ; L = 2,91 λ = 0,13 ; L = 3,11
POM1 = 3,9 POM1 = 5,2 POM1 = 5,5 POM1 = 6,1
1,5 λ = 0,33 ; L = 2,47 λ = 0,26 ; L = 2,90 λ = 0,24 ; L = 2,99 λ = 0,22 ; L = 3,20
POM1 = 2,6 POM1 = 3,3 POM1 = 3,5 POM1 = 3,9
2,0
λ = 0,52 ; L = 2,54 λ = 0,40 ; L = 2,96 λ = 0,37 ; L = 3,05 λ = 0,35 ; L = 3,25
2,5 POM1 = 1,89 POM1 = 2,38 POM1 = 2,50 POM1 = 2,76

λ = 0,66 ; L = 2,56 λ = 0,54 ; L = 2,98 λ = 0,52 ; L = 3,07 λ = 0,46 ; L = 3,27
POM1 = 1,45 POM1 = 1,78 POM1 = 1,86 POM1 = 2,06
3,0
λ = 0,81 ; L = 2,57 λ = 0,70 ; L = 2,99 λ = 0,70 ; L = 3,09 λ = 0,66 ; L = 3,29
4,0 Prendre une carte Shewhart

Soulignons enfin que dans certains cas, comme pour les cartes
CUSUM, lorsque l’on n’est pas sûr de recentrer parfaitement le pro- Lcs pour n = 4
Xi
cessus, on peut réinitialiser la carte à Z0 = δ/2 au lieu de Z0 = m0, ce 75,8
qui conduit, si l’on est bien recentré, à deux tracés rapidement con- Lcs pour n = 14
75,4
vergents, sinon à une sortie rapide du côté où l’on est décentré.
75
1 2 3 4 5 6 7 8 9 10
4.1.1.6 Comparaison de l’efficacité des cartes Shewhart et 74,6
Lci pour n = 14
EWMA 74,2 Lci pour n = 4
Le choix d’un type de carte ne doit pas se faire sur des critères
subjectifs, mais en fonction de ce que l’on veut détecter, des carac-
téristiques du processus et des moyens de contrôle que l’on peut y Figure 10 – Carte de contrôle Shewhart
consacrer. L’exemple suivant allie volontairement dérive lente et
dérive importante et brusque.
Exemple [suite de § 4.1.1.2 et 4.1.1.4) avec δ = 1 (on rappelle que
s = 0,5, Ti = 73 et Ts = 77 et m0 = 75)] : supposons que l’on ait obtenu Zi 75,5 Lcs pour n = 4
♦
les deux séries d’échantillons successifs suivants : 75,3 ♦
75,1 ♦ ♦ ♦
75 ♦ ♦
x1 x2 x3 x4 x5 x6 x7 x8 x9 x 10 x 11 ♦
74,9
♦ ♦
74,85 75,30 75,15 74,90 74,65 74,65 74,70 74,35 75,3 75,8 75,75 74,7
Lci pour n = 4 ♦
74,5
■ Carte de Shewhart
n = 4 ; α/2 = 0,135 % Figure 11 – Carte de contrôle EWMA
3 × 0 ,5 ⎧ 75 ,75
L c = 75 ± ---------------------- = ⎨
4 ⎩ 74 ,25
(0)
Tableau 3 – Caractéristiques des cartes Shewhart et EWMA

La première série de mesures ne montre aucun décalage significatif
(figure 10). La deuxième série de mesures décèle en revanche un Cartes
Caractéristiques
déréglage important dès le deuxième échantillon. Type Shewhart EWMA
■ Carte de type Shewhart assurant les tolérances Représentation vraie oui presque
de la moyenne
α/2 = 0,135 % ; β = 20 %
non au début
d’où : n = 14 Limites de contrôle parallèles oui (cf. figure 11)
Efficacité pour détecter :
3 × 0 ,5 ⎧ 75 ,4 – de petites dérives faible bonne

et : L c = 75 ± ---------------------- = ⎨ – des dérives importantes bonne moyenne
14 ⎩ 74 ,6 Coût de contrôle élevé (1) moyen
La première série de mesures montre une dérive de la moyenne au (1) Pour de petits déréglages.
8e échantillon (figure 10), comme avec les cartes CUSUM et EWMA
(0)
(voir ci-après) mais avec un coût de contrôle plus que triple (ici n = 14
au lieu de n = 4). La deuxième série de mesures décèle un déréglage Tableau 4 – Paramètres des cartes de dispersion
important dès le deuxième échantillon.
Limites de
Limites de contrôle
■ Carte EWMA Valeur surveillance
Cartes
On désire POM0 = 500 et POM1 ≈ 3 ; on trouve dans le tableau 2 : centrale
inférieure supérieure inférieure supérieure
⎧ POM 1 = 3 ,5
⎪ si c4 · s B5 · s B6 · s B 5′ ⋅ s B 6′ ⋅ s
⎨λ = 0 ,37 et L = 3 ,05
⎪
⎩ δ n = 2⇒n = 4 wi d2 · s D1 · s D2 · s D 1′ ⋅ s D 2′ ⋅ s
3 ,05 × 0 ,5 0 ,37 ⁄ ( 2 – 0 ,37 ) ⎧ 75 ,36 = L cs

L c = 75 ± ----------------------------------------------------------------------------------------- = ⎨
4 ⎩ 74 ,64 = L ci 4.1.2 Cartes de la dispersion
Tableau des valeurs pondérées Z i = 0 ,37x i + 0 ,63Z i – 1 avec Les cartes aux moyennes sont calculées pour une valeur donnée s
Z0 = 75 : de l’écart-type. Elles perdent donc tout leur sens si, au lieu ou en
plus d’une variation de moyenne, il y a une variation notable de la
x i 74,85 75,30 75,15 74,90 74,65 74,65 74,70 74,35 75,30 75,80 75,75
dispersion. On doit donc contrôler soit l’écart-type si des échan-
Zi 74,94 75,08 75,10 75,03 74,89 74,80 74,76 74,59 75,11 75,35 75,44 tillons successifs, soit leur étendue wi (différence entre la plus
grande et la plus petite valeur individuelle ; notée R en anglais). Le
La carte EWMA (figure 11) répond aux deux types de dérive de la plus souvent, on suit l’écart-type pour des tailles d’échantillons
même façon que la carte CUSUM. n > 10 et l’étendue ou l’écart-type pour n < 10.
Cet exemple permet de résumer dans le tableau 3 les caractéristi- Les tableaux 4 et 5 donnent les formules et les coefficients
ques principales des trois types de cartes, les cartes CUSUM n’étant dépendant de n pour calculer la valeur centrale et les limites de
pas développées ici. contrôle de ces cartes.

(0)
Tableau 5 – Coefficients pour les cartes de dispersion
n c4 B5 B6 B 5′ B 6′ d2 D1 D2 D 1′ D 2′
2 0,797 9 0 2,606 0 2,003 1,128 0 3,686 0 2,834

3 0,886 2 0 2,276 0 1,813 1,693 0 4,358 0 3,469
4 0,921 3 0 2,088 0,144 1,699 2,059 0 4,698 0,299 3,819
5 0,940 0 0 1,964 0,258 1,622 2,326 0 4,918 0,598 4,054
6 0,951 5 0,029 1,874 0,336 1,567 2,534 0 5,078 0,838 4,230
7 0,959 4 0,113 1,806 0,395 1,523 2,704 0,205 5,203 1,038 4,370
8 0,965 0 0,179 1,751 0,441 1,489 2,847 0,387 5,307 1,207 4,487
9 0,969 3 0,232 1,707 0,478 1,461 2,970 0,546 5,394 1,354 4,586
10 0,972 7 0,276 1,669 0,509 1,437 3,078 0,687 5,469 1,484 4,672
11 0,975 4 0,313 1,637 0,535 1,416
12 0,977 6 0,346 1,610 0,557 1,399
13 0,979 4 0,374 1,585 0,576 1,383
14 0,981 0 0,399 1,563 0,593 1,369
15 0,982 3 0,421 1,544 0,608 1,357
20 0,986 9 0,504 1,471 0,664 1,310
25 0,989 6 0,559 1,421 0,702 1,277
4.2 Cartes de contrôle aux attributs conformes dans la production. Il est donc admis qu’un pourcentage
non négligeable de produits non conformes soit livré. Dans ce cas,
on ne réagit que si le pourcentage de produits non conformes
Lorsque l’on considère qualitativement les unités produites, c’est-à- devient prohibitif. On ne peut pas réellement parler de maîtrise du
dire lorsqu’on les classe en « conformes » et « non conformes » processus.
(exemples : rayées/non rayées, brillantes/mates, passant dans un cali-

bre ou non...), la variabilité est chiffrée par la proportion p d’unités non Dans ce cas, l’efficacité du contrôle aux attributs est faible en
conformes, ou le nombre de non-conformités par unité produite : les regard de celle du contrôle aux mesures que l’on devra toujours lui
variables ne sont pas continues, mais discrètes (discontinues). préférer sauf :
L’« unité produite » peut être une pièce simple (par exemple, un
— s’il n’existe aucun mode de contrôle aux mesures ;
boulon) ou complexe (par exemple, une automobile) ou une unité
convenue (par exemple, une unité de longueur, de surface, de — si la mesure est trop longue ou trop coûteuse (dans ce dernier
masse, de temps...). cas, bien prendre en compte la différence d’effectifs à contrôler dans
Si une fabrication de N unités contient en réalité une proportion p chaque cas pour une efficacité égale) ;
d’unités non conformes, la probabilité de trouver k unités non con-
formes dans un échantillon de taille n est donnée par la loi binomi- — si l’équipement de mesure est trop onéreux (là aussi, bien
nale si n < 0,1 N (prélèvement considéré comme non exhaustif) : vérifier la non-rentabilité de l’investissement de cet équipement par
rapport à la différence du nombre d’unités à contrôler pour une
n! même efficacité).
Prob ( k ) = C nk p k ( 1 – p ) n – k = ------------------------- p k ( 1 – p ) n – k (32)
k! ( n – k )!
On conseille souvent des effectifs n > 50 et même parfois supé-
où k est une variable aléatoire de moyenne np et d’écart-type rieurs à 100 ; ce n’est possible que pour des contrôles automatisés
np ( 1 – p ) . et rapides, sinon cela revient à faire du contrôle de réception a pos-
teriori.
Cette loi peut dans certains cas être avantageusement remplacée
par :
Pour des effectifs d’échantillons faibles, on a une faible probabilité
— la loi de Poisson si p < 10 % et n > 50 ; de déceler des déréglages. On peut calculer cette probabilité P par la
— la loi normale si np > 18, c’est-à-dire si n est grand et p n’est loi binomiale ou utiliser les courbes d’efficacité de la figure 12 :
pas trop proche de 0.
P = Prob (0) pour Lcs = 1 (33)
4.2.1 Utilisation et efficacité du contrôle
aux attributs P = Prob (0) + Prob (1) pour Lcs = 2 (34)
4.2.1.1 Utilisation dans le cas d’un contrôle industriel par P = Prob (0) + Prob (1) + Prob (2) pour Lcs = 3 (35)
attribut et par échantillonnage
Il s’agit de ne prélever qu’un échantillon d’une production et On peut aussi, comme dans le cas des mesures, faire intervenir la
d’estimer à partir de cet échantillon le pourcentage de produits non notion de période opérationnelle moyenne (NF X06-031-2).

5 15 25
100 50 25
100 50 25 15 10
100 50
Figure 12 – Courbes d’efficacité aux attributs
Dans le cas où l’on n’accepte aucune unité défectueuse dans un contrôle n’étant pas toujours vraiment valables. Mais il vaut mieux
échantillon (limite de contrôle Lcs = 1), la loi binomiale se réduit à : faciliter l’utilisation d’outils permettant l’amélioration et la progres-
sion de la maîtrise du processus qu’être puriste et ne pas permettre
P = Prob (0) = (1 − p)n (36) la progression.
Exemple : on contrôle des échantillons de 5 pièces d’une fabrication
et on intervient dès qu’on trouve une pièce hors spécification (limite de
contrôle Lcs = 1). 4.2.2 Référence du processus
On acceptera, avec une probabilité P = (1 − 0,01)5 = 0,95, c’est-à-dire
95 fois sur 100 une fabrication ayant 1 % de pièces non conformes La première étape consiste à estimer la proportion moyenne p0
(p = 0,01), et une fois sur 5 (P = 0,207) une fabrication ayant 27 % de d’unités non conformes sur une période de fabrication récente et
pièces non conformes (p = 0,27) ! relativement stable. On estime le plus souvent p0 à partir de
Si l’on avait pris n = 100, on n’accepterait que 13 fois sur 100 r échantillons de taille n quelconque (on conseille nr = 300 à 400).
(P = 0,132) une fabrication ayant 2 % de pièces non conformes On peut aussi estimer le nombre moyen u0 de non-conformités
(figure 12). par unité de production lorsqu’il peut en exister de plusieurs types
sur une même unité.
4.2.1.2 Utilisation dans le cas du suivi d’un contrôle ou d’un
comptage
Dans le cas d’un contrôle à 100 % ou dans le cas de suivi d’un
4.2.3 Cartes de contrôle aux attributs
dénombrement (par exemple, nombre de chutes de personnes dans
une maison de retraite), le suivi par carte de contrôle permet de met- On distingue trois types de cartes, chacun comportant deux sous-
tre en évidence l’efficacité ou la non-efficacité des actions menées groupes :
ou l’impact d’événements. — carte « p » pour la proportion d’unités non conformes (échan-
Dans ce cas, les limites de contrôle et de surveillance sont des tillons de tailles pouvant être différentes) et carte « np » (échan-
indicateurs pour étalonner le jugement de l’impact des actions tillons de taille pratiquement constante) ;
menées. Cependant, les deux limites de contrôle (ou de sur- — carte « u » pour le nombre de non-conformités par unité de
veillance) sont d’autant plus resserrées que les effectifs concernés production et carte « c » pour le nombre de non-conformités par
sont élevés, et d’autant plus espacées que les effectifs concernés échantillon ;
sont faibles. Le dilemme est alors soit d’accroître l’effectif en allon- — carte des « démérites » où l’on pondère les types de non-con-
geant la période concernée, ce qui permet d’avoir des effectifs éle- formités en fonction de leur gravité pour le client.
vés donc des limites resserrées et une bonne discrimination, mais
pose le problème d’identification des événements, la période étant 4.2.3.1 Carte « p »
longue, soit de diminuer l’effectif en diminuant la période conce-
rnée, ce qui a les effets inverses. La carte de contrôle est un diagramme, centré sur p0 (proportion
Pour interpréter les fluctuations, il est fortement conseillé moyenne d’unités non conformes) et borné par des limites de con-
d’adjoindre à ces cartes des « règles de séries » (NF X06-031-1) : le trôle Lcs et Lci, sur lequel on reporte les proportions pi d’unités non
principe est de détecter une dérive, même si le dernier échantillon conformes trouvées dans les échantillons successifs.
est dans les limites de contrôle, à partir de la configuration de la Les limites de contrôle varient d’un échantillon à l’autre si
position des p derniers points sur la carte. l’effectif ni des échantillons contrôlés n’est pas constant :
L’utilisation de cartes de contrôle aux attributs avec des effectifs
faibles ne correspond pas à un test statistique dans les règles de Lc = p0 ± 3 p0 ( 1 – p0 ) ⁄ ni (37)
l’art, les approximations utilisées pour calculer les limites de

Si l’effectif des échantillons varie peu, les limites de contrôle sont

(0)
des droites parallèles : Tableau 6 – Coefficient de gravité des non-conformités
Lc = p0 ± 3 p0 ( 1 – p0 ) ⁄ n (38) Non-conformités Familles Coefficients
avec n effectif moyen des échantillons. critiques A ga

Si p0 est petit et n grand, on fait l’approximation de Poisson et les majeures B gb
limites sont :
mineures C gc
L c = p 0 ± 3 p 0 ⁄ n i ou n 0 (39) légères D gd
Parfois, la valeur de Lci est négative : dans ce cas, il n’existe pas de

limite de contrôle inférieure (même pi = 0 se trouve dans les valeurs
attendues). Elle peut s’appliquer pour le suivi de la qualité, de la sécurité, de
l’environnement, pour des caractéristiques techniques ou dans des
On peut ajouter des limites de surveillance à p0 ± 2s. secteurs dits « de service » (services comptables, secrétariats, factu-
rations, expéditions, traitement des réclamations...).
4.2.3.2 Carte « np »
Le principe est de classer par famille (4 au maximum) les non-con-
On préfère la carte « np » lorsque la taille n des échantillons est formités trouvées dans un échantillon de n unités contrôlées en
constante, car les opérateurs n’ont qu’à compter des nombres d’uni- fonction de leur degré de gravité pour le client. On sera ainsi amené
tés non conformes et non à calculer des proportions. à loger, dans une même famille, des non-conformités de causes par-
La valeur centrale de la carte est np0. fois très différentes mais ayant la même incidence pour le client.
Toutes les non-conformités correspondant à chaque famille doivent
Les limites de contrôle sont constantes : être notées pour chacun des « objets » contrôlés.
L c = np 0 ± 3 np 0 ( 1 – p 0 ) (40) On détermine ensuite des coefficients de gravité gi tels que
On peut ajouter des limites de surveillance à np0 ± 2s. ∑ g i = 1 pour chaque famille (tableau 6).
4.2.3.3 Carte « u » Le point important est que cette cotation subjective des gravités
soit établie par un groupe de personnes concernées à divers titres,
Dans le cas où les unités produites peuvent comporter chacune et non par une seule personne.
plusieurs types de non-conformités, on doit utiliser la loi de Poisson
car le nombre de non-conformités peut dépasser l’effectif des Par définition, le démérite de la production totale estimé à partir
échantillons. de l’analyse des n unités est :
La valeur centrale de la carte est u0.
Les limites de contrôle sont :
∑ ( ni ⋅ gi )
D = ---------------------------- × 100 (44)
n
Lc = u0 ± 3 u ⁄ n (41)
0 avec ni le nombre de non-conformités observées pour la
On peut ajouter des limites de surveillance à u0 ± 2s. famille I.
Si on appelle pi le pourcentage de non-conformités de la famille I :
4.2.3.4 Carte « c »
Ces cartes sont utilisées également dans le cas où chaque unité D = ∑ ( gi pi ) (45)
peut comporter plusieurs non-conformités, mais où l’on juge de la
qualité sur un ensemble de plusieurs unités (un lot). Cette dernière expression permet de comparer des démérites de
périodes différentes si le nombre d’observations n’est pas constant.
Sur une période de référence récente et relativement stable, on a
déterminé la valeur centrale de la carte c0 = nu0. On détermine le démérite de référence à partir des démérites de
r périodes stables :
Si la taille ni des échantillons n’est pas constante, les limites de
contrôle sont variables en fonction de chaque échantillon :
∑ Di
D 0 = -------------- (46)
Lc = ni c0 ⁄ n ± 3 ni c0 ⁄ n (42) r
Si l’effectif des échantillons est relativement constant, les limites ou, si l’on appelle p i le pourcentage moyen de non-conformités
de contrôle sont : d’une famille I :
Lc = c0 ± 3 c0 (43)
D0 = ∑ ( gi ⋅ pi ) (47)
On peut ajouter des limites de surveillance à c0 ± 2s.
Les pi suivent une loi de Poisson de moyenne p i et d’écart-type
4.2.3.5 Carte des démérites
p i , mais non les démérites. On peut cependant calculer un écart-
L’objectif de ces cartes est de tenir compte non seulement du
type des démérites :
nombre ou de la proportion des non-conformités, mais aussi de leur
gravité.
Cette méthode de maîtrise de la qualité s’applique directement s d = 10 ∑ ( gi2 ⋅ pi ) ⁄ n en pourcentage (48)
aux contrôles par attributs mais peut aussi être utilisée pour des
contrôles aux mesures (il suffit par exemple de compter la sortie avec n moyenne des observations réalisées sur les
d’une carte de contrôle aux mesures comme une non-conformité). r périodes.

La carte de contrôle des démérites est un diagramme, centré sur N étant fixé par la capacité de production, R et n par la capabilité
D0 et borné par des limites de contrôle, sur lequel on reportera les du processus et sa stabilité à l’état présent, p étant fonction de la
valeurs successives des démérites. vitesse de dérive du processus entre deux réglages, on ne peut
Si les pi sont de l’ordre de quelques unités, on admet en pratique appliquer la règle de R. Cavé que si :
que la distribution des Di n’est pas trop éloignée d’une distribution
normale, d’autant que l’on s’intéressera surtout à la limite de con- N p 2 nR (52)
trôle supérieure Lcs :
Si l’on sort de cette condition, pour maintenir toujours en
Lcs = D0 + 2 à 3 sd (49) moyenne p échantillons entre deux réglages, il faut une fréquence
minimale d’échantillonnage :
On peut enfin appliquer aux démérites le tracé pondéré EWMA (§
4.1.1.5), ce qui permet de tempérer les actions et de déceler de plus
faibles tendances de dérive. F = pR ⁄ t (53)
Enfin, on considère souvent que lorsque N < 4nR, c’est-à-dire lors-

que l’on est amené à contrôler plus des trois quarts d’une produc-
4.3 Fréquence d’échantillonnage tion pour p = 3, il vaut mieux contrôler toute la production et
travailler à améliorer la capabilité et la stabilité du processus.
Les statistiques permettent de déterminer rigoureusement la taille ■ Pour des processus continus fournissant des produits non indivi-
des échantillons à contrôler pour détecter une dérive donnée d’un dualisables (gaz, liquides ou solides en vrac), on ne pourra utiliser que
processus avec des risques connus de se tromper dans les cette dernière équation (53) puisque N est par définition indéterminé.
décisions, mais ne permettent pas de déterminer à quelle fréquence On pourra cependant parfois se fixer par expérience des périodes ou
il faut échantillonner. Toutes les règles actuelles pour estimer cette des tonnages fictifs, jugés suffisamment « homogènes » (par exemple
fréquence font appel à la connaissance et à l’expérience que l’on a une demi-heure de production, 1 t de produit) et qui seront considérés
du processus. comme des individus : on pourra alors utiliser la règle de R. Cavé si
l’on se trouve dans sa condition d’application.
■ Le premier, R. Cavé [1] a énoncé une règle simple, fondée sur la
fréquence moyenne des réglages des machines, de façon à obtenir Signalons que, dans certaines industries, on utilise pour déte-
un coût de contrôle minimal pour la production de grandes séries de rminer la fréquence d’échantillonnage des équations empiriques ou
pièces mécaniques, c’est-à-dire de pièces individualisables. Cette des graphiques tenant compte du nombre moyen de déréglages
règle est citée ici pour que les lecteurs puissent s’en inspirer. La mais aussi de leur gravité.
règle de base est surtout d’adapter la fréquence à l’expérience que
l’on a du processus et à ses évolutions possibles : déréglage brus- ■ Pour la constitution des échantillons, des prélèvements groupés
que, déréglage lent, variabilité de la largeur de la dispersion instan- à un instant donné donnent une image instantanée de la moyenne
tanée, durée possible des variations. du processus, alors que des prélèvements étalés dans le temps don-
nent une image moyenne de la position de la moyenne du proces-
Soit n l’effectif calculé des échantillons et M le nombre moyen de sus.
pièces produites entre deux réglages, la proportion q de pièces à

prélever est : De façon générale, si le processus a des dérives lentes, on préfé-
rera des prélèvements étalés qui donnent une image moyenne du
q = n⁄M (50) processus et permettent d’identifier plus tôt (pour un même coût de
contrôle) des déréglages importants ; sur des procédés continus,
Si, à partir de cette règle, on exprime la fréquence minimale F en par exemple, faire 5 prélèvements en 10 min et les analyser revien-
nombre d’échantillons par unité de temps, N étant le nombre de piè- drait à faire une étude de répétabilité de la mesure ! Si le procédé
ces produites pendant un temps t et R étant le nombre moyen de peut avoir des dérives rapides, il sera préférable de faire des prélè-
réglages pendant ce même temps t : vements groupés. Mais, quelle que soit la technique adoptée, elle
devra être la même que celle choisie pour faire la « période de
1 référence » qui a permis d’évaluer ce que « sait faire » le processus
F = --- NR ⁄ n (51)
t (m0, s0), de façon à comparer des populations dans des conditions
identiques.
Le nombre de contrôles unitaires par unité de temps est donc nF.
C’est pourquoi la première période de référence est le plus sou-
Cependant, si l’on associe cette règle avec le principe des cartes vent assez imprécise, tant pour la détermination de la statistique
de contrôle, on s’aperçoit qu’elle ne peut être appliquée que pour (m0, s0) que pour la technique et la fréquence d’échantillonnage.
des valeurs élevées de N et qu’il faut postuler une condition impo-
sant une relation restrictive entre N, n et R. Cette condition est qu’il Enfin, il est utile d’étudier si la moyenne du paramètre contrôlé ne
faut au minimum p échantillons entre deux réglages. Le choix de p présente pas des variations dues à des facteurs périodiques incon-
peut être guidé par la période opérationnelle moyenne choisie pour nus, ou connus mais non maîtrisables (températures diurnes et noc-
détecter un déréglage (POM1) : si POM1 est pris, comme souvent, turnes par exemple), et d’en tenir compte dans la périodicité des
égal à 2 ou 3, on prendra p supérieur ou égal à 3 ou 4. prélèvements.

P
O
U
Maîtrise statistique des processus R
Utilisation des cartes de contrôle E
par Françoise BOULANGER
N
Statisticienne, Rohm et Haas
Georges CHÉROUTE
et
Consultant, Institut Renault
Valérie JOLIVET
S
Responsable qualité, Essilor
A
Ce texte est la nouvelle édition du dossier rédigé par Gérard BRUNSCHWIG et Alain PALSKY.
V
Bibliographie
O
Référence Aide-mémoire pratique des techniques statistiques Dans les Techniques de l’Ingénieur
I
pour ingénieurs et techniciens supérieurs.
[1] CAVÉ (R.). – Le contrôle statistique des fabri-
cations. Eyrolles (1966).
CERESTA (1986).
POIRIER (J.). – Observation statistique. [R 240],
Mesures : généralités (1992).
POIRIER (J.). – Tables statistiques. [R 270],
R
RYAN (T.). – Statistical methods for quality improve-
Autres Mesures : généralités (1992).
ment. Willey (1989).
JURAN (J.). – Planifier la qualité. Coll. Afnor Ges- Revues
tion (1989).
LAMOUILLE (J.L.), MURRY (B.) et POTIÉ (C.). – La maî-
LUCAS (J.M.). – Counted Data CUSUM. Technome-
trics, 27, 129-144 (1985).
Revue de statistique appliquée publiée par l’Ins-
titut Henri Poincaré de l’Université Pierre et Marie
Curie
P
trise statistique des procédés (SPC). Démarche et
outils. 126 p. Coll. Afnor Gestion (1989).
LUCAS (J.M.) et SACCUCCI (M.S.). – Exponentially
Weighted Moving Average Control Schemes :
Qualité en mouvement (MFQ)
L
SOUVAY (P.). – La statistique, outil de la qualité. Properties and Enhancements. Technometrics, Technometrics (ASQ)
289 p. Coll. Afnor Gestion (1986). 32, 1, 1-30 (1990). Journal of Quality Technology (ASQ)
U
S
Normalisation
NF ISO 2859-1 4-00 Règles d’échantillonnage pour les contrôles par attri- Partie 3 : mesures intermédiaires de la fidélité d’une
buts – Partie 1 : procédures d’échantillonnage pour méthode de mesure normalisée.
les contrôles lot par lot, indexés d’après le niveau de
qualité acceptable (NQA). NF ISO 5725-4 12-94 Application de la statistique – Exactitude (justesse et
fidélité) des résultats et méthodes de mesure –
NF ISO 2859-1 10-05 Règles d’échantillonnage pour les contrôles par attri- Partie 4 : méthodes de base pour la détermination de
buts – Partie 3 : procédures d’échantillonnage succes- la justesse d’une méthode de mesure normalisée.
sif partiel.
NF ISO 5725-5 10-98 Application de la statistique – Exactitude (justesse et
NF ISO 2859-4 5-03 Règles d’échantillonnage pour les contrôles par attri- fidélité) des résultats et méthodes de mesure –
buts – Partie 4 : procédures pour l’évaluation des Partie 5 : méthodes alternatives pour la détermination
niveaux déclarés de qualité. de la fidélité d’une méthode de mesure normalisée.
NF ISO 2859-5 10-05 Règles d’échantillonnage pour les contrôles par attri- NF ISO 5725-6 12-94 Application de la statistique – Exactitude (justesse et
buts – Partie 5 : systèmes de plans d’échantillonnage fidélité) des résultats et méthodes de mesure –
progressif pour le contrôle lot par lot, indexés d’après Partie 6 : utilisation pratique des valeurs d’exactitude.
la limite d’acceptation de qualité (LAQ).
NF ENV 13005 8-99 Guide de l’expression de l’incertitude de mesure.
fidélité) des résultats et méthodes de mesure – NF E60-181 1-01 Moyens de production – Conditions de réception –
Partie 1 : principes généraux et définitions. Méthode d’évaluation de l’aptitude à réaliser des piè-
ces.
fidélité) des résultats et méthodes de mesure – FD X06-001 12-96 Statistique – Termes et symboles (français et anglais)
Partie 2 : méthode de base pour la détermination de la des probabilités, de la statistique, de la maîtrise statis-
répétabilité et de la reproductibilité d’une méthode de tique de la qualité et des plans d’expérience.
mesure normalisée.
NF X06-023 12-97 Application de la statistique – Sélection de plans
NF ISO 5725-3 12-94 Application de la statistique – Exactitude (justesse et d’échantillonnage pour le contrôle du pourcentage
fidélité) des résultats et méthodes de mesure – d’unités non conformes par mesurage.
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. − © Techniques de l’Ingénieur Doc. R 290v2 − 1

P MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

O
U X06-030 9-92 Application de la statistique – Guide pour la mise en NF X06-033 10-95 Aptitude des moyens de production et des processus
R NF X06-031-0 12-95
place de la maîtrise statistique des processus.
Application de la statistique – Cartes de contrôle – NF X06-034 9-00
de fabrication – Généralités.
Aptitude des processus de production – Application

Partie 0 : principes généraux. lors de la réception de nouveaux processus de pro-
NF X06-031-1 12-95 Application de la statistique – Cartes de contrôle – duction ou du démarrage d’une nouvelle production.
Partie 1 : cartes de contrôle de Shewhart aux mesu-
NF X06-50 12-95 Application de la statistique – Étude de la normalité
E NF X06-031-2 12-95
res.
Application de la statistique – Cartes de contrôle –
d’une distribution.
Partie 2 : cartes de contrôle aux attributs. FD X06-100 9-02 Application de la statistique – Aide au choix de la
N NF X06-031-3 12-95 Application de la statistique – Cartes de contrôle –
Partie 3 : cartes de contrôle à moyennes mobiles avec
méthode statistique normalisée répondant à un
besoin d’utilisateur.
pondération exponentielle. Recueils de normes
NF X06-031-4 12-95 Application de la statistique – Cartes de contrôle – Échantillonnage. Méthodes statistiques. Afnor (2005).
Partie 4 : cartes de contrôle des sommes cumulées
S (CUSUM). Méthodes statistiques. Afnor (2003).
A
V Organismes
Mouvement français pour la qualité (MFQ)
O http://www.mfq-fc.asso.fr
American Society for Quality (ASQ)
I http://www.asq.org
European Organization for Quality (EOQ)
http://www.eoq.org
P
L
U
S
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

Doc. R 290v2 − 2 est strictement interdite. − © Techniques de l’Ingénieur

GAGNEZ DU TEMPS ET SÉCURISEZ VOS PROJETS
EN UTILISANT UNE SOURCE ACTUALISÉE ET FIABLE
Techniques de l’Ingénieur propose la plus importante

collection documentaire technique et scientifique
en français !
Grâce à vos droits d’accès, retrouvez l’ensemble
des articles et fiches pratiques de votre offre,
leurs compléments et mises à jour,
et bénéficiez des services inclus.
   
RÉDIGÉE ET VALIDÉE MISE À JOUR 100 % COMPATIBLE SERVICES INCLUS
PAR DES EXPERTS PERMANENTE SUR TOUS SUPPORTS DANS CHAQUE OFFRE
NUMÉRIQUES
 + de 350 000 utilisateurs

 + de 10 000 articles de référence
 + de 80 offres
 15 domaines d’expertise
Automatique - Robotique Innovation
Biomédical - Pharma Matériaux
Construction et travaux publics Mécanique
Électronique - Photonique Mesures - Analyses
Énergies Procédés chimie - Bio - Agro
Environnement - Sécurité Sciences fondamentales
Génie industriel Technologies de l’information
Ingénierie des transports
Pour des offres toujours plus adaptées à votre métier,

découvrez les offres dédiées à votre secteur d’activité
Depuis plus de 70 ans, Techniques de l’Ingénieur est la source

d’informations de référence des bureaux d’études,
de la R&D et de l’innovation.
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : infos.clients@teching.com
LES AVANTAGES ET SERVICES
compris dans les offres Techniques de l’Ingénieur
  
ACCÈS
Accès illimité Téléchargement des articles Consultation sur tous

aux articles en HTML au format PDF les supports numériques
Enrichis et mis à jour pendant Pour un usage en toute liberté Des contenus optimisés
toute la durée de la souscription pour ordinateurs, tablettes et mobiles
 
SERVICES ET OUTILS PRATIQUES
Questions aux experts* Articles Découverte Dictionnaire technique multilingue

Les meilleurs experts techniques La possibilité de consulter des articles 45 000 termes en français, anglais,
et scientifiques vous répondent en dehors de votre offre espagnol et allemand
 
Archives Impression à la demande Alertes actualisations
Technologies anciennes et versions Commandez les éditions papier Recevez par email toutes les nouveautés
antérieures des articles de vos ressources documentaires de vos ressources documentaires
*Questions aux experts est un service réservé aux entreprises, non proposé dans les offres écoles, universités ou pour tout autre organisme de formation.
ILS NOUS FONT CONFIANCE
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : infos.clients@teching.com

Boulanger

Transféré par

Droits d'auteur :

Formats disponibles

Boulanger

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Boulanger

Transféré par

Droits d'auteur :

Formats disponibles

Réf.

Maîtrise statistique des

Cet article est issu de : Génie industriel | Métier : responsable qualité

par Françoise BOULANGER, Georges CHÉROUTE,

Résumé lément dynamique du système qualité, la maîtrise statistique du processus

Pour toute question :

Maîtrise statistique des processus

1. Paramètres des processus et caractéristiques des produits

4. Contrôle en cours de fabrication ........................................................ — 6

n processus transforme des entrants, par exemple des matières premières,

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

Pour garantir un produit conforme à des spécifications, deux solutions

Moyen Milieu Matière

La MSP ne se limite pas à l’établissement de cartes de contrôle et à leur exploi-

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

__________________________________________________________________________________________________ MAÎTRISE STATISTIQUE DES PROCESSUS

1. Paramètres des processus 1.2.1 Pour un produit nouveau

et caractéristiques des ■ Si la technologie d’élaboration est connue, on fera l’analogie avec

poisson » ou d’« Ishikawa ») ;

La MSP étant un outil de prévention, elle doit être utilisée là où il

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

production, conditions de production, prélèvements, préparation et

Figure 1 – Définition de la dispersion

le cas où un processus n’est pas ou est peu capable de respecter les

Intervalle de tolérance de la caractéristique

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

__________________________________________________________________________________________________ MAÎTRISE STATISTIQUE DES PROCESSUS

Il est aussi possible de prélever k échantillons de n produits ∑ s j2

Ti limite de tolérance inférieure, Cap = --------- (12)

L’objectif de cette étude est de s’assurer que la variabilité naturelle

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

__________________________________________________________________________________________________ MAÎTRISE STATISTIQUE DES PROCESSUS

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

__________________________________________________________________________________________________ MAÎTRISE STATISTIQUE DES PROCESSUS

régler le processus, qu’aux limites de contrôle et, éventuellement,

Les types d’actions que l’on entreprend aux limites de contrôle et

Figure 6 – Courbes d’efficacité aux mesures

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

Distribution δ Tableau 1 – Périodes opérationnelles moyennes

ne mettent en jeu qu’une seule règle de décision et ont une

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

__________________________________________________________________________________________________ MAÎTRISE STATISTIQUE DES PROCESSUS

une moyenne (POM), une valeur maximale (POMAX) telle que 95 %

Tableau 2 – Périodes opérationnelles moyennes pour une carte EWMA

0 POM0 = 100 POM0 = 370 POM0 = 500 POM0 = 1 000

0,5 POM1 = 17,3 POM1 = 26,5 POM1 = 28,7 POM1 = 34,3

2,5 POM1 = 1,89 POM1 = 2,38 POM1 = 2,50 POM1 = 2,76

tiwekacontentpdf_r290 v2 Ce document a ete delivre pour le compte de 7200051538 - cnam // 163.173.128.143

MAÎTRISE STATISTIQUE DES PROCESSUS ___________________________________________________________________________________________________

Tableau 3 – Caractéristiques des cartes Shewhart et EWMA

3 × 0 ,5 ⎧ 75 ,4 – de petites dérives faible bonne

3 ,05 × 0 ,5 0 ,37 ⁄ ( 2 – 0 ,37 ) ⎧ 75 ,36 = L cs