Plus de 50 pays
Une utilisation mondiale, un impact local
47 ans d’activité
Fondée en 1979
Plus de 50 salariés
Europe, États-Unis et Asie
Plus de 2 000 clients
Plus de 20 000 utilisateurs
Blog : Modification du calcul des limites de contrôle dans le nouveau manuel VDA-AIAG sur le contrôle statistique des processus (SPC) : un guide pratique de mise en œuvre
À propos de l’auteur
Marc Schaeffers est directeur général de Datalyzer et possède plus de 35 ans d’expérience dans la mise en œuvre de systèmes de contrôle statistique des processus (SPC) pour des fabricants du monde entier. Il a accompagné des entreprises des secteurs de l’automobile, de l’aérospatiale, des hautes technologies, de l’agroalimentaire et du médical dans la mise en œuvre de solutions avancées de gestion de la qualité et de l’Industrie 4.0.
Résumé analytique
Le manuel SPC 2026 de la VDA-AIAG introduit une nouvelle approche pour le calcul des limites de contrôle en permettant aux utilisateurs de choisir différents niveaux de confiance, au lieu de se fonder uniquement sur la méthode traditionnelle des trois sigmas. Ce changement tient compte du fait que l’industrie manufacturière moderne collecte aujourd’hui un volume de données bien plus important qu’à l’époque où le contrôle statistique des processus (SPC) a été mis au point.
Si cette nouvelle approche offre une plus grande souplesse, elle soulève également des questions d’ordre pratique. Comment choisir les niveaux de confiance ? Quels sont les compromis à faire entre la détection des variations de processus et la réduction au minimum des fausses alertes ? Et la modification du niveau de confiance constitue-t-elle réellement le meilleur moyen d’améliorer l’efficacité du contrôle statistique des processus (SPC) ?
Cet article explique les concepts statistiques qui sous-tendent ces nouvelles recommandations et examine leurs implications pratiques en s’appuyant sur l’expérience de Datalyzer dans la mise en œuvre de systèmes de contrôle statistique des processus (SPC) dans des environnements de production à travers le monde. Nous concluons que cette nouvelle approche fondée sur le niveau de confiance constitue un atout précieux pour la boîte à outils SPC. Toutefois, la réussite de sa mise en œuvre dépend moins du choix de limites de contrôle différentes que de la garantie que les opérateurs reçoivent des alertes pertinentes et exploitables. Pour la plupart des organisations, une gestion intelligente des alarmes apportera davantage d’avantages que la simple modification des calculs statistiques. Dans un autre article de blog, nous avons abordé les conséquences des indices de capacité nouvellement définis.
Points clés à retenir
1. Introduction
La publication, en juillet 2026, du nouveau manuel VDA AIAG sur le contrôle statistique des processus (SPC) a marqué l’un des changements les plus importants apportés à ce domaine depuis des décennies. Si les nouveaux indices de capacité des processus ont retenu une grande partie de l’attention, l’introduction d’une nouvelle approche pour le calcul des limites de contrôle constitue un changement tout aussi important. Depuis près d’un siècle, les limites de contrôle à trois sigmas de Shewhart constituent le fondement du SPC. Elles se sont révélées remarquablement efficaces et sont encore largement utilisées aujourd’hui dans les industries manufacturières. Alors pourquoi le nouveau manuel propose-t-il une approche alternative ? Le manuel recommande de permettre aux organisations de choisir différents niveaux de confiance lors du calcul des limites de contrôle. Bien qu’il explique comment ces limites peuvent être calculées, il fournit relativement peu d’indications sur les raisons pour lesquelles cette flexibilité a été introduite ni sur la manière dont elle doit être appliquée dans la pratique. Sur la base de notre expérience dans la mise en œuvre de systèmes de SPC dans des environnements de production à travers le monde, nous pensons que cette évolution est étroitement liée à l’augmentation spectaculaire de la collecte automatisée de données. Les usines modernes génèrent bien plus de données que Walter Shewhart n’aurait jamais pu l’imaginer en 1931, ce qui crée des défis pratiques auxquels la SPC traditionnelle n’a jamais été conçue pour répondre.
Cet article explique tout d’abord les concepts statistiques présentés dans le nouveau manuel, puis aborde les aspects pratiques liés à leur mise en œuvre dans des systèmes de contrôle statistique de la production (SPC) à grande échelle.
2. Les origines des limites de contrôle à trois sigma
Les origines des limites de contrôle à trois sigma
Le contrôle statistique des processus a été introduit par Walter A. Shewhart dans son ouvrage de référence publié en 1931, intitulé *Economic Control of Quality of Manufactured Product*. Ses travaux ont établi les principes qui constituent encore aujourd’hui le fondement des cartes de contrôle modernes. Le choix par Shewhart de trois écarts-types (3σ) pour les limites de contrôle représentait un compromis pratique permettant de détecter rapidement les véritables changements de processus tout en évitant un nombre excessif de fausses alertes. Comme l’a démontré Donald Wheeler dans de nombreuses publications, les limites de contrôle à trois sigmas sont remarquablement robustes et efficaces pour les processus de fabrication stables.
Le secteur industriel a évolué
Lorsque Shewhart a mis au point le contrôle statistique des processus (SPC), les mesures étaient relevées manuellement et le nombre de caractéristiques de processus surveillées était relativement faible. Aujourd’hui, les systèmes de production modernes collectent en continu des données provenant d’automates programmables (PLC), de systèmes de vision, de machines à mesurer tridimensionnelles (MMT), d’équipements de contrôle automatisés et d’appareils connectés à l’Internet des objets (IoT). Dans de nombreux secteurs, le SPC a évolué : alors qu’il se limitait autrefois à la surveillance d’une poignée de caractéristiques, il permet désormais d’analyser en continu des millions de mesures chaque jour.
Le problème des fausses alertes
Les cartes de contrôle traditionnelles à trois sigma présentent un niveau de confiance d’environ 99,73 %, ce qui signifie qu’environ 0,27 % des sous-groupes stables devraient dépasser les limites de contrôle uniquement en raison d’une variation aléatoire. Avec des milliers de cartes, cela se traduit par un nombre important de signaux statistiques chaque jour, ce qui entraîne une « fatigue des alarmes » et rend difficile pour les opérateurs d’identifier les changements de processus réellement importants.
Bien que le manuel ne mentionne pas explicitement la surcharge d’alarmes comme raison justifiant l’introduction de niveaux de confiance configurables, il souligne toutefois que des règles supplémentaires pour les cartes de contrôle ne doivent être appliquées que lorsqu’elles répondent à un objectif précis.
Qu’est-ce qui a changé ?
Le nouveau manuel permet aux organisations de choisir différents niveaux de confiance lors du calcul des limites de contrôle. Cela modifie les constantes utilisées pour les cartes de contrôle (par exemple A2, D3 et D4), ce qui permet aux organisations de trouver un juste équilibre entre la sensibilité et les fausses alertes. Cela offre une flexibilité nettement accrue.
Par exemple :
À l’inverse,
Aucune de ces deux approches n’est intrinsèquement meilleure. Chacune d’entre elles représente un équilibre différent entre sensibilité et stabilité.
Pour comprendre ces compromis, nous allons tout d’abord examiner trois concepts statistiques : le taux de fausses alarmes, la courbe caractéristique (OC) et la longueur moyenne de série (ARL).
3. Niveau de confiance, courbe OC et ARL
Comprendre le compromis
Le choix d’un niveau de confiance a une incidence sur trois caractéristiques de performance importantes de tout graphique de contrôle.
Taux de fausses alertes
La conséquence la plus évidente concerne le taux de fausses alarmes. Avec les limites traditionnelles à trois sigmas, on s’attend à ce qu’environ 0,27 % des sous-groupes stables dépassent les limites de contrôle. La réduction du niveau de confiance augmente ce pourcentage, tandis que son augmentation le diminue. D’un point de vue opérationnel, cela a une incidence directe sur la charge de travail des opérateurs et des ingénieurs.
Courbe caractéristique de fonctionnement
Un concept moins connu — mais tout aussi important — est celui de la courbe caractéristique de fonctionnement (OC). La courbe OC indique la probabilité qu’un décalage particulier du processus soit détecté par la carte de contrôle. Les petits décalages du processus sont difficiles à détecter, car ils sont difficiles à distinguer de la variation normale du processus. À mesure que l’ampleur du décalage du processus augmente, la probabilité de détection augmente également.
Les figures 1 et 2 comparent les courbes OC pour deux niveaux de confiance différents. Ces figures illustrent un principe important. La réduction du niveau de confiance augmente la probabilité de détecter de légers décalages dans le processus, mais cette sensibilité accrue s’accompagne d’une augmentation de la fréquence des fausses alertes. À l’inverse, l’augmentation du niveau de confiance réduit les alertes inutiles, mais retarde la détection des changements réels dans le processus.
Il convient de noter que ces courbes OC ne prennent en compte que les dépassements des limites de contrôle. L’application de règles supplémentaires de Western Electric ou de Nelson aura une incidence supplémentaire sur les performances réelles de détection.
Figure 1 : Probabilité d’alerte sur un graphique de contrôle avec un niveau de confiance de 99,73 %
Figure 2 : Probabilité d’alerte sur un graphique de contrôle avec un niveau de confiance de 99 %
Longueur moyenne des séries
Une autre mesure utile est la longueur moyenne de série (ARL). L’ARL correspond au nombre moyen de sous-groupes qui seront collectés avant qu’un changement de processus ne soit détecté. Des niveaux de confiance plus faibles réduisent généralement l’ARL, car les changements sont détectés plus tôt. Des niveaux de confiance plus élevés augmentent l’ARL, car des changements plus importants sont nécessaires avant que la carte de contrôle ne signale un écart.
Pour les organisations qui produisent de grands volumes de produits, cette différence peut avoir un impact significatif sur la quantité de matériel non conforme produite avant que des mesures correctives ne soient prises.
Comparaison de différents niveaux de confiance
Afin d’illustrer ces compromis, le tableau 1 compare trois niveaux de confiance couramment évoqués pour un diagramme X̄-R avec une taille de sous-groupe égale à cinq.
| % change detecting sigma change | ARL | ||||||
| A2 | D4 | % False alarms | 0.5 sigma | 1 sigma | 2 sigma | 1 sigma | |
| 99% | 0.5 | 1.96 | 1% | 7.30% | 36.70% | 97.10% | 2.7 |
| 99.73% (AIAG) | 0.58 | 2.11 | 0.27% | 3% | 22.20% | 92.30% | 4.5 |
| 99.99% | 0.75 | 2.45 | 0.01% | 0.30% | 4.90% | 72.00% | 20.4 |
Tableau 1 : Résultats pour différents niveaux de confiance, sur la base d’un graphique XR avec n = 5
Plusieurs remarques s’imposent d’emblée. Un niveau de confiance de 99 % augmente considérablement la probabilité de détecter de légers changements dans le processus. Cependant, cela s’accompagne d’une augmentation correspondante du nombre de fausses alertes. À l’extrême opposé, un niveau de confiance de 99,99 % réduit considérablement les fausses alertes, mais diminue de manière significative la capacité du graphique à détecter en temps utile les changements significatifs du processus. Le niveau de confiance traditionnel de 99,73 % reste un compromis bien équilibré entre ces deux extrêmes.
Il est intéressant de noter que les exemples fournis dans le nouveau manuel VDA AIAG portent principalement sur des niveaux de confiance de 99 % et 99,73 %, ce qui laisse supposer que les auteurs s’attendent à ce que les utilisateurs envisagent des limites un peu plus strictes lorsque cela s’avère approprié, plutôt que d’élargir systématiquement les limites de contrôle.
Modifier le niveau de confiance ne permet pas d’améliorer la capacité du processus.
Cela ne fait que modifier la sensibilité de la carte de contrôle aux variations du processus. Des limites de contrôle plus larges réduisent les fausses alertes, mais retardent également la détection des véritables changements de processus. Les fabricants doivent donc choisir les niveaux de confiance en fonction des exigences opérationnelles plutôt que dans l’espoir d’améliorer les performances du processus.
4. Considérations relatives à la mise en œuvre pratique
Dans nos chapitres précédents, nous avons expliqué le contexte statistique qui sous-tend le nouveau manuel VDA AIAG SPC et examiné les raisons pour lesquelles ce manuel propose de choisir différents niveaux de confiance pour le calcul des limites de contrôle. S’il est important de bien comprendre ces concepts statistiques, la mise en œuvre de ces recommandations dans un environnement de production représente un défi tout à fait différent. Le choix d’un niveau de confiance pour une carte de contrôle unique est relativement simple. Appliquer cette même approche de manière cohérente à des centaines, voire des milliers, de cartes de contrôle est nettement plus complexe.
Forts de notre expérience dans la mise en œuvre de systèmes SPC au sein d’usines de production à travers le monde, nous estimons que le principal défi ne réside pas dans le calcul de nouvelles limites de contrôle. Le véritable défi consiste à veiller à ce que le SPC reste un outil efficace pour les opérateurs et les ingénieurs, sans les submerger d’alertes inutiles. Ce chapitre aborde les aspects pratiques de la mise en œuvre des nouvelles recommandations et fournit nos conseils aux organisations souhaitant adopter la nouvelle approche VDA-AIAG.
La flexibilité a un coût
L’un des atouts du nouveau manuel réside dans le fait qu’il ne part plus du principe qu’un seul niveau de confiance convient à toutes les situations. D’un point de vue statistique, cela est tout à fait logique. Chaque processus a en effet des objectifs et des niveaux de risque qui lui sont propres. Du point de vue de la mise en œuvre, cependant, cette flexibilité introduit une complexité supplémentaire.
Prenons l’exemple d’une entreprise disposant de 5 000 cartes de contrôle. Si chaque caractéristique peut avoir son propre niveau de confiance, quelqu’un doit décider :
- Quel niveau de confiance convient-il d’utiliser ?
- À qui revient-il de prendre cette décision ?
- Comment ces décisions seront-elles consignées ?
- Comment assurerez-vous la cohérence entre les chaînes de production et les usines ?
- Que se passe-t-il lorsque les besoins des clients évoluent ?
Bien qu’il soit facile de choisir un niveau de confiance pour une carte de contrôle donnée, la gestion de paramètres différents pour des milliers de caractéristiques peut rapidement se transformer en une charge de travail technique et administrative considérable. Ne serait-ce que pour cette raison, nous pensons que de nombreux fabricants continueront à utiliser un niveau de confiance par défaut commun pour la plupart de leurs cartes de contrôle.
Limites de contrôle dynamiques et limites de contrôle fixes
La nouvelle approche fondée sur le niveau de confiance peut être utilisée aussi bien avec des limites de contrôle calculées de manière dynamique qu’avec des limites de contrôle fixes établies lors d’une étude initiale de la capacité du processus. Ces deux approches présentent des avantages.
Les limites dynamiques s’adaptent automatiquement à l’évolution du processus. Elles ne nécessitent que peu d’entretien et reflètent en permanence les variations actuelles du processus.
Il existe toutefois un inconvénient majeur. Lorsqu’un processus subit une dérive progressive au fil du temps, les limites calculées de manière dynamique peuvent évoluer progressivement en même temps que le processus. Par conséquent, une véritable détérioration des performances du processus peut ne pas déclencher immédiatement un signal de sortie de contrôle, car ce sont les limites elles-mêmes qui changent. Pour les caractéristiques critiques, cette situation est souvent indésirable.
D’après notre expérience, les caractéristiques de sécurité, les exigences réglementaires et les paramètres critiques pour le client sont généralement mieux surveillés à l’aide de limites de contrôle fixes établies à partir d’un processus stable. Ces limites constituent une référence cohérente par rapport à laquelle les performances futures peuvent être évaluées.
Les limites dynamiques restent utiles lors du développement d’un procédé ou lors de l’établissement d’une référence initiale, mais elles ne doivent pas être automatiquement considérées comme le meilleur choix pour toutes les applications.
Chaque caractéristique doit-elle disposer de son propre niveau de confiance ?
Le nouveau manuel permet d’utiliser différents niveaux de confiance. Cela ne signifie pas pour autant qu’ils doivent être appliqués dans tous les cas. Certaines caractéristiques justifient clairement une plus grande sensibilité. C’est notamment le cas des dimensions liées à la sécurité, des caractéristiques ayant déjà présenté une instabilité ou des processus dans lesquels des variations très faibles ont des conséquences importantes. D’autres caractéristiques peuvent être moins critiques et tolérer des limites de contrôle plus larges sans pour autant accroître le risque pour l’entreprise.
Bien que cette approche soit statistiquement valable, sa mise en œuvre cohérente nécessite des connaissances techniques approfondies pour chaque caractéristique surveillée. Pour les organisations qui gèrent des milliers de graphiques SPC, cela devient rapidement difficile à gérer. Par conséquent, nous nous attendons à ce que de nombreux fabricants adoptent un compromis pratique :
Cette approche permet de tirer parti de la plupart des avantages tout en évitant toute complexité inutile.
Le véritable défi : la fatigue liée aux alarmes
À notre avis, le principal défi auquel sont confrontés les systèmes SPC modernes ne réside pas dans le calcul des limites de contrôle, mais bien dans la gestion des alertes. Les systèmes de production actuels génèrent bien plus de données que ce pour quoi le SPC traditionnel avait été conçu. Même lorsque les limites de contrôle sont calculées correctement, les opérateurs peuvent recevoir bien plus d’alertes qu’ils ne peuvent raisonnablement en examiner. Finalement, deux choses se produisent.
D’une part, les opérateurs s’habituent aux alarmes fréquentes et commencent à les ignorer. D’autre part, les changements de processus réellement importants se perdent parmi les nombreux signaux statistiques de routine. Aucune de ces deux situations ne contribue à améliorer la qualité. Pour que le contrôle statistique des processus (SPC) reste efficace, les opérateurs doivent avoir la certitude que, lorsqu’une alarme se déclenche, celle-ci mérite leur attention.
Une autre façon de réduire les alertes superflues
Une solution évidente pour réduire le nombre d’alarmes consiste à augmenter le niveau de confiance, ce qui élargit les limites de contrôle. Si cela permet de réduire les fausses alarmes, cela retarde également la détection des véritables changements de processus. D’après notre expérience, il existe souvent une meilleure solution. Au lieu de se demander si une valeur se situe en dehors des limites de contrôle, il convient également de se demander si le processus lui-même est performant.
Un processus dont la valeur Ppk est égale à 12 fonctionne bien en deçà de ses limites de spécification. Même si un sous-groupe particulier peut occasionnellement se situer en dehors des limites de contrôle statistique, le risque de produire des produits non conformes reste extrêmement faible. En revanche, un signal statistique exactement identique sur un processus dont la valeur Ppk est proche de 1,33 mérite une analyse immédiate. Bien que les deux graphiques génèrent des signaux SPC identiques, la réponse opérationnelle ne doit pas nécessairement être la même. Cela illustre un principe important : tous les signaux statistiques ne nécessitent pas la même réponse opérationnelle.
Gestion intelligente des alertes
Dans Datalyzer Qualis, nous avons relevé ce défi en permettant de hiérarchiser les alertes en fonction de la capacité du processus.
Par exemple, les alertes nécessitant une intervention de l’opérateur peuvent être automatiquement désactivées lorsque la valeur Ppk dépasse un seuil configurable. Cela n’implique pas pour autant que les informations statistiques soient ignorées. Le graphique de contrôle continue d’enregistrer chaque point et chaque non-conformité aux règles. La différence réside dans le fait que les opérateurs ne sont interrompus que lorsque le signal représente un risque opérationnel significatif. Le personnel d’ingénierie conserve la possibilité d’examiner toutes les informations issues du contrôle statistique des processus (SPC), tandis que les opérateurs de production peuvent concentrer leur attention sur les domaines où cela génère le plus de valeur.
D’après notre expérience, cette approche permet de réduire bien davantage les interventions inutiles de l’opérateur que le simple fait de modifier les niveaux de confiance.
Nos recommandations
Sur la base de notre expérience en matière de mise en œuvre, nous vous recommandons l’approche suivante pour l’adoption du nouveau manuel VDA AIAG SPC.
1. À moins qu’une raison technique évidente ne s’y oppose, utilisez le niveau de confiance traditionnel de 99,73 % comme valeur par défaut au sein de l’organisation.
Cela reste un excellent compromis entre sensibilité et fausses alertes, tout en évitant une complexité de configuration inutile.
2. N’utilisez d’autres niveaux de confiance que s’il existe une justification technique claire.
On peut citer, à titre d’exemple, les caractéristiques critiques pour la sécurité, les exigences spécifiques aux clients ou la surveillance de processus spécialisés.
3. Envisagez de fixer des limites de contrôle fixes pour les caractéristiques critiques.
Des limites fixes constituent une référence stable et permettent de détecter plus facilement une dégradation progressive du processus.
4. Privilégiez la gestion des alarmes plutôt que de vous contenter de modifier les limites de contrôle.
La réduction des interventions inutiles de l’opérateur apporte souvent davantage d’avantages que la modification des calculs statistiques eux-mêmes.
5. Hiérarchisez les alertes en fonction de la capacité du processus.
Un processus performant et un processus marginal ne devraient pas nécessairement entraîner la même réaction opérationnelle, même lorsqu’ils produisent des signaux SPC identiques.
5. Conclusions
Le nouveau manuel VDA AIAG sur le contrôle statistique des processus (SPC) offre une grande souplesse en permettant aux fabricants de choisir différents niveaux de confiance pour le calcul des limites de contrôle. D’un point de vue statistique, il s’agit d’une évolution importante. Toutefois, une mise en œuvre réussie ne se limite pas au simple choix d’un niveau de confiance différent. Les organisations doivent également tenir compte des réalités pratiques liées à l’exploitation de systèmes SPC modernes qui surveillent simultanément des milliers de caractéristiques de processus.
D’après notre expérience, les améliorations les plus significatives ne proviennent pas d’une modification des calculs mathématiques qui sous-tendent les limites de contrôle, mais du fait de veiller à ce que les opérateurs reçoivent des informations pertinentes et exploitables. Un système de contrôle statistique des processus (SPC) bien conçu doit aider les opérateurs à se concentrer sur les quelques modifications de processus qui comptent vraiment, sans les submerger de signaux statistiques qui n’apportent que peu de valeur ajoutée sur le plan opérationnel.
En fin de compte, l’objectif du SPC n’a pas changé depuis que Shewhart l’a introduit il y a près d’un siècle : détecter suffisamment tôt les variations significatives du processus afin de prendre des mesures correctives efficaces. Les nouvelles recommandations de la VDA et de l’AIAG offrent une flexibilité supplémentaire pour atteindre cet objectif, mais elles doivent toujours être mises en œuvre dans le cadre d’une stratégie plus large visant à assurer une surveillance efficace des processus et une gestion intelligente des alarmes.
Près d’un siècle après que Shewhart eut introduit le contrôle statistique des processus (SPC), les mathématiques ont peut-être évolué, mais l’objectif reste exactement le même : fournir les bonnes informations aux bonnes personnes au bon moment, afin que les variations significatives des processus puissent être éliminées avant qu’elles n’affectent la qualité des produits.
Cet article reflète l’interprétation et l’expérience pratique des auteurs concernant le manuel SPC de l’AIAG et de la VDA. Il est destiné à servir de guide pratique et ne remplace pas le manuel officiel.
Vous préparez-vous à l’entrée en vigueur du nouveau manuel SPC de l’AIAG et de la VDA ? Contactez Datalyzer pour discuter de la manière dont votre mise en œuvre actuelle du SPC peut être alignée sur les nouvelles recommandations, ou inscrivez-vous à un webinaire gratuit au cours duquel les implications de ces changements seront abordées.
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
