MSP Principe

Maîtrise statistique des
processus (MSP/SPC)
1- Principe
Support de cours
Cycle ingénieur 2eme CPI
1
Maîtrise Statistique des Processus (MSP)
1. Les 5 « M » du processus
Tous les processus, quels qu’ils soient, sont incapables de produire toujours
exactement le même produit. Cela tous les opérateurs le savent bien et c’est
d’ailleurs un des problèmes principaux auxquels les régleurs sont confrontés
tous les jours.
Quelle que soit la machine étudiée, la caractéristique observée, on note

toujours une dispersion dans la répartition de la caractéristique. Une cote sur
un lot de pièces ne fera jamais exactement 10 mm, mais sera répartie entre
9,97 et 10,03 mm par exemple.
Ces variations proviennent de l'ensemble du processus de production.

L'analyse des processus de fabrication permet de dissocier 5 éléments
élémentaires qui contribuent à créer cette dispersion. On désigne
généralement par les 5 M ces 5 causes fondamentales responsables de
dispersion, et donc de non-qualité :
Méthodes Milieu
• Machine Gamme
• Main-d’œuvre
• Matière
Machine
• Méthodes
Matière
• Milieu
Main-d'œuvre
Figure 1 – Les 5 M du Processus
La méthode MSP a pour objectif la maîtrise des processus en partant de

l’analyse de ces 5 M. Elle apporte une plus grande rigueur et des outils
méthodologiques qui vont aider les opérateurs et la maîtrise dans leur tâche
d’amélioration de la qualité.
2
2. Analyse de la forme de la dispersion

2.1. Répartition en forme de cloche
L'analyse des productions sur une machine montre que, en l'absence de
déréglage, la répartition des produits suit une courbe en cloche selon une loi
: la loi normale. On trouve également d'autres appellations pour cette loi
telle que loi de Gauss, loi de Laplace Gauss, mais nous ne rentrerons pas
dans les détails statistiques au cours de ce chapitre.
moyenne µ
Modèle :
loi de Gauss
Écart type σ
Observation
d'un échantillon
Dispersion = 6 σ
Figure 2 – Courbe en cloche
Cette répartition se rencontre très fréquemment dans la nature et pas

seulement dans le cas des machines de production. Ainsi, la hauteur des
hommes en Europe suit une telle répartition. De nombreuses personnes
mesurent autour de 1,73 m (la moyenne) mais peu d'hommes mesurent aux
environs de 1,95 m ou de 1,50 m. Le théorème statistique à l'origine de cette
convergence vers la loi normale est appelé « théorème central limite ». On
peut l'écrire sous la forme suivante : Tout système, soumis à de nombreux
facteurs, indépendants les uns des autres, et d'un ordre de grandeur
équivalent, génère une loi normale.
Dans le cas d'une machine de production, nous sommes bien dans le cadre de
ce théorème. En effet, de nombreux facteurs (les 5M) agissent sur la
caractéristique. Ces facteurs sont en grande partie indépendants et l'ordre de
grandeur de ces effets est faible dans un processus maîtrisé.
La position moyenne (notée X ) des pièces donne une bonne indication de la

position de réglage de la machine. X représente la moyenne de l'échantillon
alors que µ représente la vraie moyenne de la production
Pour mesurer l’importance des variations autour de la moyenne (facteur

d'échelle), il suffit de mesurer la largeur de base de la courbe. La largeur de
3
base de la courbe est appelée : dispersion. Nous verrons plus loin que l'on
définit cette largeur de base de la courbe par un calcul statistique D = 6σ.
Dans ce cas également nous devrons différentier σ qui est le vrai écart type
de la population et S qui est l'estimateur de ce σ calculé à partir des données
de l'échantillon.
Et si la courbe obtenue n'est pas une cloche?
Pour la plupart des caractéristiques obtenues en production, on devrait

obtenir une courbe en cloche. Il y a quelques exceptions comme les défauts
de forme ou les défauts de position où il est normal de ne pas obtenir une
courbe en cloche. Mais ces cas sortent de l'objectif de ce chapitre.
Il est donc important lorsqu’on regarde une distribution de bien vérifier que
la courbe à la forme d’une cloche. Si ce n’est pas le cas c’est probablement
le signe qu'un ou plusieurs déréglages importants se sont produits pendant la
production.
4
Cause
Spéciale
Premier Second
réglage réglage
Causes Communes
-3 Cible +3
Figure 3 – Cou
2.2. Causes communes – Causes spéciales
On sait que dans une production, deux pièces ne sont jamais parfaitement
identiques. Les dimensions précises d’une pièce usinée sur une machine outil
dépendent de nombreux facteurs. Il s’ensuit une dispersion sur la cote que
l’on peut séparer en deux catégories :
 les dispersions dues aux causes communes,
 les dispersions dues aux causes spéciales.
Cette dichotomie entre les causes de dispersion est une des bases
fondamentales de la méthode MSP. Il convient donc de les expliciter
davantage.
5
Causes spéciales
Causes
communes
Tolérance
Maxi
Tolérance Mini
Cible
Figure 4 – Causes communes et causes spéciales
2.2.1. Les causes communes

Ce sont les nombreuses sources de variation attribuables au hasard qui sont
toujours présentes à des degrés divers dans différents processus. L'ensemble
de ces causes communes forme la variabilité intrinsèque du processus. Si
toutes les nombreuses causes qui agissent sont d'un ordre de grandeur
équivalent, alors la caractéristique doit suivre une répartition en forme de
cloche. Le but de la MSP sera de ne laisser subsister que les dispersions dues
aux causes communes. On parlera alors de processus « sous contrôle »
Exemples de causes communes :

• jeux dans la chaîne cinématique de la machine ;
• défaut de la broche de la machine ;
• ...
6
2.2.2. Les causes spéciales

Ce sont les causes de dispersion identifiables, souvent irrégulières et
instables, et par conséquent difficiles à prévoir. L’apparition d’une cause
spéciale nécessite une intervention sur le processus. Contrairement aux
causes communes, les causes spéciales sont en général peu nombreuses.
Exemple de causes spéciales :

• déréglage d'un outil ;
• usure d'un outil ;
• mauvaise lubrification ;
• ...
Les cartes de contrôle ont pour objectifs de prévenir l'apparition des causes
spéciales et de dissocier celles qui ne nécessiteront qu'un réglage de celles
qui risquent de modifier la capabilité habituellement rencontrée.
2.3. Processus « sous contrôle » et « hors contrôle »

Processus Processus
« sous contrôle » « hors contrôle »
Figure 5 – Processus « sous et hors contrôle »
Bibliographie
- Maurice PILLET, Appliquer la maîtrise statistique des processus
(MSP/SPC), Livre Éditions d’Organisation
- La Statistique outil de la qualité, Livre, AFNOR
- https://fr.wikipedia.org/wiki/Ma%C3%AEtrise_statistique_des_proc
%C3%A9d%C3%A9s
7
8

MSP Principe

Transféré par

Droits d'auteur :

Formats disponibles

MSP Principe

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MSP Principe

Transféré par

Droits d'auteur :

Formats disponibles

Maîtrise statistique des

Cycle ingénieur 2eme CPI

Quelle que soit la machine étudiée, la caractéristique observée, on note

Ces variations proviennent de l'ensemble du processus de production.

Figure 1 – Les 5 M du Processus

La méthode MSP a pour objectif la maîtrise des processus en partant de

2. Analyse de la forme de la dispersion

Figure 2 – Courbe en cloche

Cette répartition se rencontre très fréquemment dans la nature et pas

La position moyenne (notée X ) des pièces donne une bonne indication de la

Pour mesurer l’importance des variations autour de la moyenne (facteur

Et si la courbe obtenue n'est pas une cloche?

Pour la plupart des caractéristiques obtenues en production, on devrait

 les dispersions dues aux causes communes,

 les dispersions dues aux causes spéciales.

Figure 4 – Causes communes et causes spéciales

2.2.1. Les causes communes

Exemples de causes communes :

2.2.2. Les causes spéciales

Exemple de causes spéciales :

2.3. Processus « sous contrôle » et « hors contrôle »

Figure 5 – Processus « sous et hors contrôle »

Vous aimerez peut-être aussi