Cartes de contrôle et maîtrise statistique des procédés

Maîtrise statistique des procédés : le fondement de la qualité

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

Le génie des cartes de contrôle réside dans leur simplicité : tracer vos mesures dans le temps, ajouter des limites de contrôle basées sur l’écart type, et surveiller les points ou schémas signalant un problème. Cette surveillance en temps réel prévient les défauts avant qu’ils ne surviennent, plutôt que de les détecter a posteriori par inspection.

L’industrie moderne, la santé et les services s’appuient sur les cartes de contrôle pour maintenir la qualité. De la fabrication de semi-conducteurs exigeant une précision nanométrique aux taux d’infection hospitalière, la MSP offre un cadre universel d’amélioration des processus.

Types de cartes de contrôle

Différents types de données nécessitent différentes cartes de contrôle. Choisir la bonne carte assure un suivi précis du processus :

Pour les données continues (mesures de longueur, poids, température), la carte X̄-R est la plus courante. On collecte des sous-groupes d’échantillons, on trace la moyenne (X̄) sur une carte et l’étendue (R) sur une autre. Ensemble, elles surveillent le centrage et la variabilité du processus.

Calcul des 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 lorsque le processus est sous contrôle :

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

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

Constantes des limites de contrôle

Règles de Western Electric pour détecter les problèmes

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

• Zone C:Dans 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 schémas courants

Les praticiens expérimentés apprennent à reconnaître des schémas visuels indiquant des problèmes spécifiques :

Implémentation en Python

Créer 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)