50+ pays
Utilisation mondiale, impact local
47 ans d’activité
Créé en 1979
50+ employés
Europe, États-Unis et Asie
plus de 2000 clients
Plus de 20 000 utilisateurs
Processus parallèles et contrôle statistique des processus
Introduction
Le contrôle statistique des processus (CSP) a fait ses preuves dans de nombreux secteurs et types de processus. L’une des applications intéressantes et stimulantes de la maîtrise statistique des processus est la mise en œuvre de processus parallèles. Il existe de nombreux exemples de processus parallèles dans la production :
La théorie de la CPS est assez claire : si vous avez un processus différent avec des variations différentes, vous devez établir des cartes de contrôle distinctes pour chaque processus séparé. Dans la pratique, ce n’est pas si simple. Par exemple, dans le cas du moulage par injection de préformes, le nombre de cavités peut être de 96, voire plus. Si vous mesurez 2 ou 3 dimensions, vous aurez 192 cartes de contrôle à 2 dimensions pour un seul moule. Il doit donc y avoir des alternatives pour définir un plan d’échantillonnage tout en étant capable de trouver des différences entre les processus parallèles. La manière de mettre en œuvre la MSP et de configurer vos cartes de contrôle dépend fortement du type de variation que l’on trouve dans le processus.
Variation et processus parallèles
Dans les processus parallèles, trois types de variation peuvent être pris en compte. La figure 1 donne un exemple de 4 processus parallèles dans lesquels des piles ou des boîtes de conserve sont produites et pour lesquels vous souhaitez mesurer une dimension des produits.
Dans cet exemple, les trois types de variation sont les suivants :
La meilleure façon d’analyser les données est d’établir une carte de contrôle par processus avec une taille de sous-groupe de 3, par exemple. Cela signifie que dans une carte de contrôle, vous voyez la variation entre les cycles comme la variation à l’intérieur du sous-groupe. La variation dans le temps est la variation entre les sous-groupes. La variation entre les processus peut être analysée en comparant des résultats tels que Cpk et Ppk pour différentes cartes (comme expliqué plus loin dans ce blog).
Dans de nombreux cas, il n’est pas économiquement possible d’effectuer une telle analyse, de sorte que dans la plupart de ces cas, les sous-groupes sont constitués à partir de processus parallèles. Il est également judicieux de prendre des sous-groupes dans plusieurs processus si la variation de cycle à cycle est faible par rapport aux deux autres types de variation. L’application de la deuxième méthode peut également être choisie après un certain temps, lorsque le processus est totalement maîtrisé et que toutes les causes particulières de variation sont éliminées.
Si vous prenez des sous-groupes dans des processus parallèles, la carte de gamme montre généralement la variation entre les processus et la carte de contrôle montre la variation dans le temps. La variation d’un cycle à l’autre est absente et les valeurs Cpk et Ppk représentent d’autres résultats que ceux que vous obtiendriez normalement si vous combiniez des produits consécutifs dans un sous-groupe. Si vous décidez de mettre en œuvre la MSP à l’aide de cette méthode, vous souhaitez toujours pouvoir analyser la variation d’un processus spécifique. DataLyzer SPC est capable de mettre en œuvre cette méthode et de faire la bonne analyse.
Dans la pratique, vous pouvez également combiner les méthodes décrites ci-dessus en utilisant des graphiques distincts en cas de perte de contrôle sur le graphique de la gamme. Toutefois, la combinaison des méthodes ne facilite généralement pas la tâche des opérateurs dans la pratique.
Comparaison de plusieurs cartes de contrôle pour la même caractéristique des processus parallèles
DataLyzer Qualis SPC propose plusieurs outils pour comparer les données de différentes caractéristiques/processus :
Les méthodes du logiciel SPC DataLyzer offrent à l’ingénieur plus de possibilités qu’il n’en faut pour comparer les processus. S’il est important de surveiller la moyenne de différents processus parallèles, il est facile de créer un graphique supplémentaire qui calcule simplement la moyenne des autres graphiques.
Comparaison des processus parallèles au sein d’un sous-groupe
Datalyzer Qualis SPC dispose de plusieurs fonctionnalités pour montrer la variation entre des processus parallèles s’ils sont combinés dans une carte de contrôle / sous-groupe, comme par exemple :
La carte de contrôle indiquant la valeur la plus élevée et la plus basse montre les lignes correspondant aux valeurs maximales et minimales du sous-groupe et indique le numéro du processus à côté (voir figure 4). Si vous voyez trop souvent le même chiffre, vous devez étudier ce processus spécifique (par exemple, la cavité) parce que la moyenne du processus s’écarte de la moyenne générale. L’étape suivante pourrait consister à analyser les données à l’aide de l’analyse Box and Whisker ou Multi-Vari. Pour comparer les processus, les opérateurs ou les ingénieurs commencent souvent par examiner les mesures individuelles dans un tableau de données brutes, puis poursuivent avec l’analyse multi-variable (boîte et moustaches). Supposons que l’utilisateur veuille voir la variation entre les processus parallèles pour les 10 derniers sous-groupes. L’utilisateur filtre sur les 10 derniers sous-groupes et affiche ensuite les résultats (voir figure 6).
Situations exceptionnelles
Si vous choisissez une méthode spécifique pour appliquer la MSP dans le cas de processus parallèles, vous devez tenir compte du fait qu’il existe des situations de production exceptionnelles qui influenceront les résultats ou réduiront l’efficacité de la solution MSP mise en œuvre. Il existe différentes exceptions selon les types d’industries, mais nous nous limitons ici à deux exceptions courantes :
1. L’un des sous-processus n’est pas actif
2. Les sous-processus fonctionnent à un niveau différent.
Ad 1 : Dans de nombreuses situations de processus parallèles, il peut arriver que l’un des sous-processus soit (temporairement) inactif. Par exemple, une cavité bloquée dans le moulage par injection, une voie qui n’est pas utilisée dans la fabrication de cellules solaires, etc. Votre programme SPC doit vous permettre de gérer efficacement ces exceptions en temps réel dans l’atelier. DataLyzer Qualis SPC couvre ce point en autorisant un certain niveau de « sous-groupes incomplets ».
Ad 2 : Si les processus fonctionnent à un niveau différent et que vous combinez des sous-processus dans un sous-groupe sans pouvoir éliminer la différence, cela influencera fortement les calculs de vos limites de contrôle ; cela élargira vos limites de contrôle. Dans ce cas, vous devez utiliser une méthode différente pour calculer vos limites de contrôle.
Conclusion
Datalyzer Qualis SPC facilite le SPC pour les processus parallèles de plusieurs façons, notamment en gérant efficacement toutes les exceptions.
L’aspect le plus important de la mise en place d’une méthode SPC correcte est l’analyse des trois types de variation et la prise en compte des conséquences de la sélection de l’une des deux méthodes ou d’une combinaison de ces méthodes.
Les conséquences doivent être définies en termes de temps et d’argent pour les mesures, mais certainement aussi en termes de convivialité et d’acceptation de la méthode choisie par l’organisation et les clients.
9%
Réduction des coûts réalisée par les clients
Ce que disent les clients
« Datalyzer nous a permis de relier automatiquement les données de qualité de tous les processus en vue d’une analyse avancée
Dave Beeren
Ingénieur de rendement, Philips
Industries que nous servons
Certifié ISO
ISO 27001 & SOC2
