le %EV est égal à 20/Cg. Si Cg = 1,33, le %EV sera de 15 %.

Si le %EV (répétabilité et biais) est supérieur à 15 %, la variation de la mesure est supérieure à la tolérance de la pièce et, en même temps, le biais (différence entre la moyenne Xm et Xref) est significatif. Notez que l’on utilise généralement 10 ou 15 % comme seuil limite, alors que l’on souhaite idéalement un pourcentage inférieur au seuil.

Les quatre mesures ci-dessus (Cg, Cgk, %EV Répétabilité et %EV Répétabilité et Biais) permettent d’observer que le biais de la jauge par rapport aux références est également fréquemment pris en compte et vérifié. Par conséquent, il est courant d’inclure un test T à un échantillon dans les études de reconnaissance et de résolution de type 1 afin de renforcer la signification statistique si le Xm est différent/éloigné du Xref. Pour évaluer l’utilisation d’un test T à un échantillon, la valeur p associée doit être supérieure à 0,05 pour conclure qu’il n’y a pas de différence significative entre Xref et Xm.

Dans Datalyzer Qualis 4.0 MSA Gage Management, entre 25 et 50 pièces peuvent être sélectionnées pour réaliser une étude de type 1. Lorsque la valeur de référence, la limite de spécification inférieure (LSI) et la limite de spécification supérieure (LSU) sont ajoutées, les informations résumées s’affichent dans l’onglet « Dataset » comme ci-dessous.

Le jugement sera affiché dans l’onglet « Résultats » où les critères métriques mentionnés seront utilisés. Les résultats de l’étude ci-dessous montrent que l’étude de type 1 GR&R est « réussie » car la valeur p est supérieure à 0,05, Cg et Cgk sont supérieurs à 1,33, et les deux %EV sont inférieurs à 10 %.

Certaines organisations n’utilisent que la valeur p pour l’étude de type 1, tandis que d’autres n’utilisent que Cg/Cgk. Tout choix de critère peut être configuré comme règle par défaut pour votre entreprise dans le logiciel Datalyzer Qualis 4.0 MSA Gage Management.

Critères de jugement :

Différents critères sont utilisés dans différentes industries, ce qui peut prêter à confusion pour les utilisateurs finaux. le %EV (répétabilité et biais) n’est pas le même que le %EV dans les études GRR de type 2, car le biais n’est pas inclus dans une étude de type 2. Les critères peuvent donc être différents selon le type d’étude. Les clients peuvent également exiger d’autres critères.

Par exemple, pour les études de type 2 dans le manuel AIAG (automobile), les exigences en matière de GR&R sont les suivantes : GRR < 10 % est bon, 10 % < GRR < 30 % est marginal et GRR > 30 % est mauvais.

Minitab utilise 2 critères : GRR < 15 % est bon et GRR > 15 % est mauvais. Pour Cg et Cgk, nous utiliserons les critères correspondants. Dans Datalyzer, nous proposons par défaut les mêmes critères que l’AIAG, mais le client final pourra modifier les critères s’il souhaite s’écarter de la norme automobile.

Étude R&R sur les jauges de type 2

L’étude de type 2 Gage R&R est la méthode de GR&R la plus appliquée dans les organisations qui réalisent des études MSA. Il existe trois approches ou méthodes pour évaluer les résultats d’une étude GR&R de type 2 :

1. Méthode de l’intervalle
2. Méthode de la moyenne et de la fourchette
3. Méthode ANOVA

Dans Datalyzer Qualis 4.0 MSA Gage Management, nous prenons en charge ces trois méthodes.

La méthode de l’étendue (également connue sous le nom de « Short Study » ou « Short Form ») est une méthode simplifiée de GR&R variable et ne doit pas être utilisée pour évaluer un système de mesure complet entièrement à partir de ses résultats. Elle est souvent utilisée comme une approximation rapide de la variation de la mesure et pour détecter tout changement majeur dans la GR&R pour les jauges existantes.

La méthode de la fourchette utilise souvent 2 évaluateurs et 5 pièces, chaque évaluateur mesurant une fois (un essai). Le %GRR est calculé à partir des résultats obtenus :

Le GRR sera calculé à partir de la moyenne de chaque gamme divisée par la constante d2 qui est obtenue à partir des tableaux de constantes statistiques. Le %GRR permet d’interpréter la proportion de la variation de la mesure par rapport à la variation totale. La variation de la mesure ne doit pas être trop importante par rapport à la variation totale.

Dans Datalyzer Qualis Gage Management, l’étude GR&R de type 2 propose une option « Type d’étude » dans laquelle l’utilisateur peut choisir « Étude courte » suivi de « Méthode d’intervalle » dans le champ « Méthode de calcul » pour opter pour la méthode d’intervalle dans l’étude GR&R.

Les résultats apparaîtront après la saisie des données, où les critères typiques de l’étude seront évalués en fonction du %GRR. Idéalement, le %GRR doit être inférieur à 10 % pour que l’étude de la méthode de l’intervalle soit considérée comme réussie.

La deuxième méthode de l’étude GR&R de type 2 est connue sous le nom de méthode de la moyenne et de la fourchette. Dans cette étude, 2 à 3 évaluateurs mesureront entre 10 et 35 pièces avec 2 à 4 essais pour chaque évaluateur. Dans Datalyzer Qualis Gage Management, plusieurs méthodes peuvent être utilisées pour calculer la variation totale. Dans l’exemple ci-dessous, c’est la méthode « Variation de l’étude » qui est choisie.

Il existe trois méthodes pour obtenir la variation totale dans une étude GR&R :

1. De la variation totale de l’étude, tirée des données de mesure GR&R elles-mêmes :

2. D’après la maîtrise statistique des processus (MSP), l’écart type est pris dans la MSP d’un processus stable.

3. De la tolérance totale du processus, à la LSU et à la LSL.

Datalyzer prend en charge toutes les méthodes ci-dessus pour obtenir la variation totale dans l’étude GR&R. Dans le logiciel Datalyzer Qualis 4.0 MSA Gage Management, si l’utilisateur active la case à cocher « SPC » montrée ci-dessous, l’utilisateur peut sélectionner une pièce et une caractéristique du système SPC et le logiciel Qualis Gage Management importera automatiquement la dernière variation du processus et la tolérance du processus (LSI et LSS) à partir du logiciel Datalyzer SPC.

L’exigence de la MSA selon laquelle la variation des pièces sélectionnées pour l’étude doit être représentative du processus n’est pas toujours facile à satisfaire. C’est pourquoi nous offrons la possibilité de prendre la variation réelle du processus pour nous assurer que cette exigence est toujours respectée.

En utilisant la méthode de la moyenne et de l’étendue, les résultats peuvent être visualisés dans l’onglet Résultats, comme indiqué ci-dessous :

Les critères d’évaluation d’une étude de type 2 sont basés sur le %GRR (pourcentage de répétabilité et de reproductibilité de la jauge) et le ndc (nombre de catégories distinctes). Pour que l’étude de type 2 soit considérée comme réussie, le %GRR doit être inférieur à 10 % et le ndc doit être égal ou supérieur à 5.

le %GRR de la moyenne et de la fourchette dépend de la variation de l’équipement (EV) ou de la variation de l’évaluateur (AV). Si le %GRR est supérieur à 10 %, l’étude de type 2 est marginale ou échoue et l’utilisateur peut consulter l’EV et l’AV pour trouver le facteur qui a le plus contribué à l’échec.

Un autre critère qui détermine le succès de l’étude de type 2 est le ndc. Ndc signifie nombre de catégories distinctes. Le ndc est souvent utilisé pour identifier la capacité d’un système de mesure à détecter une différence dans la caractéristique mesurée. Diverses industries utilisent l’approche commune du ndc énoncée par Wheeler, 1989, où le ndc peut être estimé à l’aide d’une formule :

Ensuite, le ndc est ramené à un nombre entier. Ainsi, un ndc de 5,67 sera un ndc de 5.

Outre les calculs numériques, le logiciel Datalyzer Qualis Gage Management offre également une visualisation graphique pour aider les utilisateurs à fournir plus d’informations sur l’étude GR&R. Les graphiques suivants sont disponibles dans la méthode de la moyenne et de l’étendue de type 2 :

La troisième méthode de l’étude GR&R de type 2 est la méthode ANOVA (analyse de la variance). Les mêmes données de mesure que celles utilisées dans la méthode de la moyenne et de l’étendue peuvent également être utilisées dans la méthode ANOVA, mais les méthodes de calcul sont différentes.

Dans la méthode de la moyenne et de la fourchette, les éléments de calcul sont uniquement divisés entre la variation de l’équipement (EV) et la variation de l’évaluateur (AV). Dans l’ANOVA, l’interaction entre les évaluateurs et les pièces est également prise en compte, c’est pourquoi l’ANOVA est souvent préférée à la méthode de la moyenne et de la fourchette. L’exemple ci-dessous explique l’interaction entre les évaluateurs et les pièces.

Dans une usine de fabrication automobile, deux opérateurs, Sarah et Mike, sont chargés de contrôler les dimensions des soupapes de moteur. L’objectif est d’évaluer la variabilité des mesures entre les opérateurs.

Scénario 1 : si Sarah mesure systématiquement des soupapes de moteur plus grandes que Mike, quel que soit le produit mesuré, il peut y avoir un effet principal des évaluateurs. Le scénario 1 ci-dessus peut être détecté à la fois par l’ANOVA et par la méthode de la moyenne et de l’étendue.

Scénario 2 : Toutefois, si la différence de mesures entre Sarah et Mike varie de manière significative selon qu’ils inspectent ou non des soupapes spécifiques, il est probable qu’il y ait un effet d’interaction. Le scénario 2 ci-dessus peut être facilement détecté par la méthode ANOVA, car celle-ci tient compte de l’interaction entre les facteurs, en l’occurrence entre Sarah/Mike et les soupapes spécifiques du moteur.

Dans le logiciel Datalyzer Qualis 4.0 MSA Gage Management, la méthode de calcul ANOVA peut être sélectionnée si vous le souhaitez.

Une fois les données de mesure saisies, les calculs de soutien de l’ANOVA sont illustrés dans l’exemple ci-dessous.

Les calculs ci-dessus peuvent fournir des informations aux utilisateurs sur la base du DF (degré de liberté), de la SS (somme des carrés), de la MS (moyenne des carrés) et de la statistique F.

Dans l’ANOVA GR&R, les degrés de liberté (DF) représentent le nombre d’éléments d’information indépendants disponibles pour estimer la variabilité du système de mesure. Plus précisément :

1. Degrés de liberté entre opérateurs : Il s’agit des degrés de liberté associés aux différences entre les opérateurs (évaluateurs) dans leurs mesures. Il est égal au nombre d’opérateurs moins un. 2. Degrés de liberté intra-opérateur : Il s’agit des degrés de liberté associés aux différences entre les mesures de chaque opérateur. Il est égal au nombre total de mesures moins le nombre total d’opérateurs.

Le carré moyen (MS) représente la variabilité moyenne au sein des opérateurs et entre eux. Plus précisément :

1. Carré moyen entre opérateurs : Il représente la variabilité moyenne entre les opérateurs et est calculé en divisant la somme des carrés entre les opérateurs par les degrés de liberté entre les opérateurs.2. Carré moyen à l’intérieur des opérateurs : Il représente la variabilité moyenne des mesures de chaque opérateur et est calculé en divisant la somme des carrés entre les opérateurs par les degrés de liberté entre les opérateurs.

La somme des carrés (SS) représente la variabilité totale du système de mesure, qui est divisée en variabilité entre les opérateurs et variabilité au sein des opérateurs. Plus précisément, la somme des carrés représente la variabilité totale du système de mesure :

1. Somme des carrés entre opérateurs : Il s’agit de la somme des écarts au carré des moyennes des opérateurs par rapport à la moyenne globale, pondérée par le nombre de mesures pour chaque opérateur2. Somme des carrés à l’intérieur des opérateurs : Il s’agit de la somme des écarts au carré des mesures individuelles par rapport à la moyenne de leur opérateur respectif.

La statistique F est un rapport entre deux carrés moyens. Une valeur F plus élevée indique une plus grande différence entre les opérateurs par rapport à la variation au sein des opérateurs, ce qui suggère que le système de mesure n’est peut-être pas fiable. L’écran suivant s’affiche pour les résultats de l’ANOVA pour une étude GR&R de type 2 :

Pour les résultats ci-dessus, l’utilisateur peut voir des critères similaires à ceux de la méthode de la moyenne et de la fourchette, à savoir le %GRR et la valeur ndc. L’étude de type 2 ci-dessus échoue en raison d’un %GRR élevé (supérieur à 10) et d’une faible valeur ndc (inférieure à 5). L’utilisateur peut également choisir de rechercher manuellement le %GRR dans le tableau ci-dessus, dans la dernière colonne (%SV), qui est la colonne de variation de l’étude.

Étude R&R des jauges de type 3

L’étude de type 3 est une version modifiée de l’étude de type 2, dans laquelle il n’y a pas d’influence de l’opérateur. Le type 3 est utilisé dans l’industrie pour les machines/essayeurs automatisés qui présentent un grand nombre de caractéristiques sans aucune influence humaine significative dans leur système de mesure.

Dans les études de type 3, 25 pièces sont généralement choisies pour être mesurées deux fois (deux essais) et aucun opérateur n’est impliqué, de sorte que les résultats sont obtenus à partir d’une seule machine. Dans ce cas, la machine est l’évaluateur lui-même.

Contrairement au type 1, les critères de jugement du type 3 sont les mêmes que ceux du type 2, à savoir le %GR&R, alors que le type 1 prend en compte le Cg/ Cgk et d’autres critères qui mettent davantage l’accent sur la répétabilité et le facteur de biais. La principale différence de calcul entre les études de type 3 et de type 2 est le %GRR qui est calculé uniquement sur la base de la variation de l’équipement (EV) alors que la variation de l’évaluateur (AV) n’est pas prise en compte dans le calcul du GRR. En d’autres termes, dans les études de type 3, la formule de calcul du GRR est la suivante :

Dans le logiciel Datalyzer Qualis Gage Management Software, les deux options ANOVA et Moyenne et étendue peuvent être sélectionnées pour une étude de type 3. Après la saisie des données, l’écran des résultats de l’étude de type 3 ressemblera à l’écran de présentation de l’étude de type 2.

Dans l’exemple ci-dessus, la méthode ANOVA est choisie pour l’étude de type 3. Veuillez noter que le facteur évaluateur et l’interaction entre l’évaluateur et les pièces seront omis du tableau de l’ANOVA (affichés comme zéro) en raison de l’absence d’effets de l’évaluateur.

L’écran ci-dessus montre les résultats de l’étude d’une caractéristique. Mais dans la plupart des cas, nous mesurons des centaines de caractéristiques (par exemple, MMT de pièces complexes ou test électrique d’une carte de circuit imprimé). Dans ce cas, le logiciel Datalyzer MSA Gage Management peut être utilisé en combinaison avec le module d’importation automatique pour importer toutes les caractéristiques en une seule fois et présenter une étude MSA complète de centaines de caractéristiques. Actuellement, la plupart des entreprises ne font qu’une sélection des caractéristiques les plus critiques parce qu’il est trop long d’effectuer des études pour des centaines de caractéristiques. En automatisant complètement ce processus, vous obtenez une indication immédiate des caractéristiques qui pourraient être critiques sur la base des résultats de l’AMS.