Gains :
- Capacité à interpréter des cartes de contrôle (X-bar/R, p, c) et des indices de capacité de processus (Cp, Cpk)
- Capacité à accélérer l'analyse et le reporting des signaux hors de contrôle (règles de Western Electric) avec l'IA
- Capacité à valider l'interprétation statistique de l'IA avec des données brutes et la réalité des processus physiques
La qualité n’est pas « triée » par l’inspection, elle est « produite » par le processus. Le contrôle statistique des processus (SPC) vise exactement cela : surveiller le processus en temps réel et détecter les signaux avant que les erreurs ne se transforment en produits. La force du SPC réside dans la distinction entre la variabilité naturelle (cause commune) et la variabilité anormale (cause particulière). Dans ce domaine, l’IA accélère l’interprétation des cartes de contrôle, l’analyse des règles et les rapports de compétences ; mais c'est le travail de l'homme de mélanger l'interprétation statistique avec la réalité du processus physique. Dans cette unité, nous aborderons les cartes de contrôle, les indices de compétence Cp/Cpk et le rôle approprié de l'IA dans la SPC.
Deux visages de la variabilité
Chaque processus implique de la variabilité. SPC divise cette variabilité en deux :
- Cause commune : Fluctuation aléatoire et prévisible inhérente au processus. Le processus est « sous contrôle ».
- Cause particulière : Un événement externe attribuable (casse d'outil, changement de lot de matière première, décalage de réglage). Le processus est « hors de contrôle ».
Le seul but de la carte de contrôle est de séparer les deux. Répondre à une fluctuation de cause commune (surajustement / « falsification ») augmente en réalité la variabilité. L'expérience classique en entonnoir de Deming le montre : intervenir à chaque écart ne fait qu'empirer les choses.
Astuce : Ne confondez jamais les limites de contrôle (UCL/LCL) avec les limites de tolérance (spécification). Les limites de contrôle sont la « voix » du processus (calculées à partir des données) ; les limites de tolérance sont la « voix » du client (proviennent de la conception). L’IA les confond parfois ; Expliquez clairement de quoi vous parlez dans chaque commentaire.
Types de cartes de contrôle
Le graphique est sélectionné en fonction du type de données.
Graphiques
Type de données
exemple
Barre X/R
Continu (mesure), sous-groupe
Moyenne du diamètre de l'arbre et jeu
Barre X/S
Grand sous-groupe continu
Poids de remplissage
I-IRM
Mesure continue et unique
Une seule mesure par jour
p/np
Taux/numéro discret et défectueux
Taux de pièces défectueuses
c/tu
Discret, nombre de défauts
Défauts par unité
Sur une carte X-bar/R, les limites de contrôle sont calculées à partir des moyennes et des étendues des sous-groupes :
UCL_xbar = X-double-barre + A2 × R-barLCL_xbar =
Signaux hors de contrôle (Western Electric Rules)
Un point hors limites n’est pas le seul signal. Les règles de Western Electric (Nelson) capturent également des modèles :
- Un point est en dehors de 3σ (hors limites).
- Consécutifs 2/3 points au-delà de 2σ (du même côté).
- 4/5 points consécutifs au-delà de 1σ.
- 8 points consécutifs du même côté de la ligne médiane (shift).
- 6 points en constante augmentation/diminution (tendance).
Rôle : Vous êtes un ingénieur qualité expérimenté en SPC. Tâche : Scannez les valeurs de la barre X suivantes avec les règles de Western Electric en fonction de l'UCL/LCL et de la ligne médiane données. Pour chaque signal hors de contrôle : numéro de règle, quels points, interprétation physique possible et étape d'investigation suggérée. Centre=50,2 UCL=52,1 LCL=48,3 σ=0,63Données (ordonnées) : {{ valeurs }}Règle : Ne génèrez pas de signal parasite ; Marquage des points qui ne satisfont pas pleinement à la règle. Présentez les raisons possibles comme des « hypothèses », n’écrivez pas dans un langage précis.
L’IA accélère ce contrôle, mais rappelez-vous : la fourniture de règles est une alerte statistique ; L'enquête sur le terrain trouve la véritable cause. L'IA pourrait dire « probablement l'usure des outils » ; C'est la mesure de l'outil qui le confirme.
Capacité du processus : Cp et Cpk
Même si le processus est sous contrôle, respecte-t-il les tolérances du client ? Les indices de suffisance le disent.
Cp = (USL − LSL) / (6σ) → mesure uniquement l'étalementCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → inclut le centrage
Exemple : USL = 10,5 ; LSL = 9,5 ; µ = 10,1 ; σ = 0,1.
Cp = (10,5 − 9,5) / (6 × 0,1) = 1,0 / 0,6 ≈ 1,67Cpk = min[ (10,5 − 10,1)/0,3 , (10,1 − 9,5)/0,3 ] = min[ 0,4/0,3 , 0,6/0,3 ] = min[1,33 , 2,0] = 1,33
Cp = 1,67 indique un bon spread, mais Cpk = 1,33 nous indique que le processus est décentré (moyenne 10,1, plus proche de l'USL que de la cible 10,0). Cpk < Cp indique toujours un problème de centrage. Même un processus avec une bonne dispersion produira un produit défectueux s'il est mal centré.
Invite faible/Invite forte
Invite faible :
Ce processus est-il bon ?
Il n’y a aucun critère pour « bon » ; L’IA ne fait qu’une supposition générale.
Invite puissante :
Calculez Cp et Cpk avec les données de mesure suivantes (USL=10,5, LSL=9,5). Calculez σ et la moyenne à partir des données, affichez la formule et chaque étape. Si Cpk < Cp, demander s'il s'agit d'un centrage ou d'un étalement, commenter. Estimez également le taux d’erreur approximatif (ppm) du processus et notez vos hypothèses. Données : {{ ... }}
Mini-boîtier : bon CP, mauvais produit
Sur une ligne de remplissage, la plupart des bouteilles sortent des spécifications, mais le procédé apparaît « stable » sur la carte de contrôle. L'ingénieur industriel Yağmur donne les données à l'IA et lui fait calculer Cp et Cpk : Cp = 1,5 (bon spread) mais Cpk = 0,7 (insuffisant). La différence est que la moyenne s’est considérablement éloignée de l’objectif. AI souligne le problème de centrage ; Il vérifie le réglage de la vanne de remplissage de pluie et constate effectivement un décalage. Lorsque vous corrigez le paramètre, Cpk augmente à 1,4 et les déchets diminuent. Leçon critique : le processus peut être « stable » (sous contrôle) mais néanmoins « déficient » (ne répondant pas aux spécifications). L'IA a démontré cette distinction numériquement ; C'est Yağmur qui a trouvé la cause profonde sur le terrain.
Erreurs courantes
- Confondre contrôle et limite de tolérance : assimiler les limites de contrôle à la tolérance du client.
- Falsification de cause commune : ajustement pour chaque fluctuation et variabilité croissante.
- Ignorer Cpk : il suffit de regarder Cp et de manquer le problème de centrage.
- Confondre les signaux de l'IA avec des preuves : ne pas vérifier la cause du signal de Western Electric sur le terrain.
- Mauvaise sélection de graphique : application d'un graphique de données continues (barre X) aux données de taux de défauts.
En résumé
- L’essence du SPC est de séparer la variabilité des causes communes et des causes spéciales ; Interférer avec la cause commune est nuisible.
- Les limites de contrôle proviennent du processus, les limites de tolérance proviennent de la conception ; Il ne faut jamais confondre les deux.
- Sélectionnez le graphique approprié au type de données (X-bar/R, p, c...) et recherchez des modèles avec les règles de Western Electric.
- Cp mesure la propagation et Cpk mesure le centrage ; Cpk < Cp indique un problème de centrage.
- L'IA génère rapidement un signal statistique ; L'inspection sur le terrain confirme la raison, la décision appartient à l'ingénieur.
Tâche de candidature
Prenez au moins 20 mesures continues d'un processus (réel ou fictif) et déterminez les valeurs USL/LSL. Demandez à l'IA de calculer Cp et Cpk avec ces données ; Faites calculer σ et la moyenne à partir des données et affichez chaque étape. Vérification critique : recalculez vous-même les valeurs σ, Cp et Cpk dans Excel ou Python et comparez-les avec la sortie de l'IA. Scannez ensuite les données avec les règles de Western Electric et demandez « comment puis-je vérifier cela sur le terrain ? » pour chaque signal trouvé. Répondez à la question. Enfin, si Cpk < Cp, décidez si le centrage ou l'écartement doit être corrigé en premier.