Cartes de contrôle et maîtrise statistique des processus

Maîtrise statistique des processus : le fondement de la qualité

Les cartes de contrôle sont la pierre angulaire de la maîtrise statistique des processus (MSP), utilisant l’écart type pour surveiller la stabilité des processus au fil du temps. Développées par Walter Shewhart aux laboratoires Bell dans les années 1920, ces outils puissants distinguent la variation de cause commune (inhérente au processus) de la variation de cause spéciale (indiquant des problèmes nécessitant une attention).

Le génie des cartes de contrôle réside dans leur simplicité : tracez vos mesures au fil du temps, ajoutez des limites de contrôle basées sur l’écart type et surveillez les points ou les patrons qui signalent des problèmes. Cette surveillance en temps réel prévient les défauts avant qu’ils ne se produisent, plutôt que de les détecter par inspection après coup.

La fabrication moderne, les soins de santé et les industries de services s’appuient sur les cartes de contrôle pour maintenir la qualité. De la fabrication de semi-conducteurs nécessitant une précision nanométrique aux taux d’infection hospitalière, la MSP fournit un cadre universel pour l’amélioration des processus.

Types de cartes de contrôle

Différents types de données nécessitent différentes cartes de contrôle. Choisir la bonne carte assure une surveillance précise du processus :

Pour les données continues (mesures comme la longueur, le poids, la température), la carte X̄-R est la plus courante. Vous collectez des sous-groupes d’échantillons, tracez la moyenne (X̄) sur une carte et l’étendue (R) sur une autre. Ensemble, elles surveillent à la fois le centrage et la variabilité du processus.

Calculer les limites de contrôle

Les limites de contrôle définissent les bornes de la variation attendue. Elles sont fixées à ±3 écarts types de la ligne centrale, capturant 99,73 % des points quand le processus est sous contrôle :

Pour une carte X̄ utilisant la méthode de l’étendue, les formules deviennent :

Où X̿ est la grande moyenne, R̄ est l’étendue moyenne, et A₂ est une constante qui dépend de la taille du sous-groupe (p. ex., A₂ = 0,577 pour n=5).

Constantes des limites de contrôle

Règles de Western Electric pour détecter les problèmes

Un seul point en dehors des limites de contrôle n’est pas le seul signal de problème. Les règles de Western Electric détectent des patrons plus subtils en divisant la carte en zones basées sur les écarts types :

• Zone C:À moins de 1σ de la ligne centrale
• Zone B:Entre 1σ et 2σ du centre
• Zone A:Entre 2σ et 3σ du centre

Les quatre règles principales

Reconnaître les patrons courants

Les praticiens expérimentés apprennent à reconnaître des patrons visuels qui indiquent des problèmes spécifiques :

Implémentation en Python

Créez une carte de contrôle X̄-R avec vérification automatique des règles :

import numpy as np
import matplotlib.pyplot as plt

def create_xbar_chart(data, subgroup_size=5):
    """Create X-bar control chart with control limits."""
    # Reshape data into subgroups
    n_subgroups = len(data) // subgroup_size
    subgroups = data[:n_subgroups * subgroup_size].reshape(n_subgroups, subgroup_size)

    # Calculate subgroup means and ranges
    xbar = subgroups.mean(axis=1)
    R = subgroups.max(axis=1) - subgroups.min(axis=1)

    # Control chart constants (for n=5)
    A2 = 0.577
    D3, D4 = 0, 2.114

    # Calculate control limits
    xbar_bar = xbar.mean()
    R_bar = R.mean()

    UCL = xbar_bar + A2 * R_bar
    LCL = xbar_bar - A2 * R_bar

    # Check for out-of-control points
    ooc = (xbar > UCL) | (xbar < LCL)

    # Plot
    plt.figure(figsize=(12, 5))
    plt.plot(xbar, 'b-o', markersize=4)
    plt.axhline(xbar_bar, color='g', linestyle='-', label='CL')
    plt.axhline(UCL, color='r', linestyle='--', label='UCL')
    plt.axhline(LCL, color='r', linestyle='--', label='LCL')
    plt.scatter(np.where(ooc)[0], xbar[ooc], color='red', s=100, zorder=5)
    plt.xlabel('Subgroup')
    plt.ylabel('X-bar')
    plt.title('X-bar Control Chart')
    plt.legend()
    plt.show()

    return {'xbar': xbar, 'UCL': UCL, 'LCL': LCL, 'ooc': ooc}

# Example: Monitor a manufacturing process
np.random.seed(42)
# Simulate 100 measurements (20 subgroups of 5)
measurements = np.random.normal(100, 2, 100)
# Add a shift at subgroup 15
measurements[75:] += 3

result = create_xbar_chart(measurements)