Transformer les données de contrôle en décisions : quatre stades d'affinage

La plupart des usines ne manquent pas de données. Les instruments produisent des résultats chaque jour, les rapports s'empilent sur le lecteur partagé, et des années d'historique restent consultables. Ce qui fait défaut, c'est le processus qui convertit ces chiffres en suite à donner. Le résultat est prévisible : toujours plus de données, et des décisions toujours prises à l'expérience.

Cet article découpe cette conversion en quatre stades, chacun avec son livrable et son épreuve d'acceptation définis. Ces stades ne peuvent pas être sautés. Vouloir passer directement d'un tas de relevés bruts à « faut-il modifier le procédé » s'enlise généralement quelque part au milieu.

Stade un : complétude des relevés bruts

Le livrable de ce stade est un enregistrement brut que l'on peut contrôler à nouveau. Il doit contenir les valeurs réelles de chaque mesure, et pas seulement OK ou NG.

Pourquoi insister sur les valeurs ? Considérons une zone qui relèverait 0.048 mm face à une limite de 0.05 mm — ce chiffre ne sert que d'illustration et ne provient pas du jeu de données de contrôle évoqué ici. Le verdict est OK. Mais cet OK n'a pas le même sens que le OK enregistré à 0.005 mm : le premier frôle la limite et peut changer de statut à tout moment, le second dispose d'une marge confortable. Ne stocker que OK/NG et cette distinction disparaît à jamais, emportant avec elle toute possibilité d'alerte de tendance.

Deux défaillances dominent ce stade. La première consiste à stocker les verdicts sans leurs valeurs. La seconde, tout aussi dommageable, consiste à stocker les valeurs sans les relier au lot, à l'heure, à l'empreinte ou à l'opérateur : des chiffres sans contexte ne peuvent pas soutenir une analyse d'attribution.

Stade deux : extraction des statistiques

Les valeurs brutes étant en place, comprimez-les en statistiques maniables : moyenne, étendue, écart type et effectif par zone. L'activité centrale est ici la stratification. Tout moyenner sans distinguer l'origine lisse précisément les écarts entre lots et entre empreintes qui importent.

La manière de stratifier découle de la question posée. Examiner la qualité dans le temps impose de stratifier par temps ; la cohérence des empreintes, de stratifier par empreinte ; les écarts entre postes, de stratifier par poste. Les mêmes données stratifiées autrement montrent fréquemment des choses entièrement différentes.

Une limite doit être énoncée. La moyenne, l'étendue et l'écart type décrivent la tendance centrale et la dispersion. Elles servent à repérer les anomalies et à suivre les tendances, mais elles ne constituent pas une évaluation de capacité procédé. Nous traitons cette distinction en détail ailleurs : un indice de capacité calculé sur un petit échantillon ne peut être lu que comme une statistique de cet échantillon.

Stade trois : visualisation et détection des anomalies

Le livrable de ce stade est un graphique dont on voit l'anomalie d'un coup d'œil, conçu pour la revue quotidienne plutôt que pour le reporting formel. Trois types méritent leur place : les courbes de tendance montrant la dérive de la moyenne et l'évolution de la dispersion dans le temps ; les boîtes à moustaches stratifiées comparant les distributions entre empreintes ou entre lots ; et les diagrammes de Pareto des catégories de défauts, pour situer la non-conformité dominante.

La propriété la plus importante d'une visualisation est que les gens consentent à la regarder. Un graphique qui réclame cinq minutes d'interprétation ne sera pas lu. Restez simple, répondez à une seule question par graphique et signalez les anomalies de manière visible.

Les règles d'anomalie relèvent aussi de ce stade. Quel changement déclenche une réponse ? L'approche usuelle consiste à fixer des limites de contrôle statistique avec alarmes en cas de dépassement. Au moment de les régler, distinguez un point isolé hors limite d'une suite continue toujours orientée dans le même sens : cette dernière indique plus sûrement une dérive réelle du procédé.

Stade quatre : refermer la boucle vers l'action

Le livrable de ce stade est une action concrète : qui change quoi, et quand cela est vérifié. Sans ce stade, les trois précédents ne sont que de la documentation.

Une boucle qui fonctionne comporte quatre éléments : la condition déclenchant le lancement de l'analyse ; la responsabilité de l'analyse ; l'autorité de décision, c'est-à-dire quelle part de l'écart se traite sur le terrain et quelle part remonte ; et le moment de la vérification, précisant au bout de combien de temps et avec combien d'échantillons l'efficacité est confirmée. Il en manque un seul et la boucle se rompt à cet endroit précis.

Une idée fausse répandue : faire de la conservation des données un but. La conservation existe pour étayer des décisions. Si une année s'écoule sans qu'une seule décision n'ait été prise à partir de ces archives, alors, si complet que soit le classement, il s'agit d'un coût.

Démarrer à partir d'un seul enregistrement de contrôle

Si le dispositif de données actuel est maigre, ne reconstruisez pas tout d'un coup. Choisissez une ligne et une caractéristique, et déroulez : définissez comment elle est évaluée, zone, échantillonnage et règle d'ajustement compris ; arrêtez les champs à enregistrer et configurez-les sur l'instrument ; construisez un seul graphique mis à jour chaque jour ; arrêtez la règle de réponse aux anomalies et nommez un responsable ; puis, au bout d'un cycle complet, demandez honnêtement si quelqu'un a réellement utilisé ce graphique.

Une fois qu'une ligne fonctionne, la reproduire sur d'autres caractéristiques coûte bien moins cher, et l'expérience du premier passage rend chaque déploiement suivant plus fluide.

À lire également

La lecture honnête des indicateurs de dispersion est traitée dans l'article sur la répétabilité ; l'interprétation du taux de NG possède son propre article.

Produits associes et notes de configuration

• POMEAS IMAGE 3 Instant Vision Measuring System - Produit des rapports par pièce, des rapports statistiques et des rapports sous forme de tableur pour l'analyse en aval
• POMEAS MX Automatic Vision Measuring Machine - Flux de travail par lots pilotés par programme, avec une sortie cohérente pour la surveillance de tendance

Lectures associees

• Contrôle de planéité d'une pièce plastique transparente : ce que deux jeux de données montrent réellement
• Deux zones de planéité, deux verdicts opposés sur une même pièce
• Planéité hors tolérance : un chemin de dépannage qui fonctionne vraiment
• Ce que la planéité signifie réellement, et avec quoi on la confond souvent
• Méthodes de mesure de la planéité comparées : marbre, machine à mesurer tridimensionnelle, vision, confocal
• La répétabilité n'est pas l'exactitude : lire étendue, sigma et Cpk en toute honnêteté
• Comment choisir un équipement de contrôle de planéité : une méthode inverse en cinq étapes
• Confocal spectral ponctuel pour plastiques transparents : atouts, limites et quatre erreurs
• Planéité multipoint ou à point unique : choisir la manière de collecter les points
• D'où vient le gauchissement des pièces injectées

Questions frequentes

Faut-il stocker les valeurs ou seulement le verdict ?

Les deux, en donnant la priorité aux valeurs. Les verdicts servent la réponse rapide sur le terrain ; les valeurs soutiennent l'analyse de tendance, l'investigation et l'amélioration. Des données qui ne portent que OK et NG ne peuvent soutenir aucune analyse quantitative et ne permettent pas de vérifier si la frontière du verdict elle-même était pertinente.

Où les données doivent-elles vivre ?

Cela dépend de l'échelle et des systèmes en place. Des fichiers structurés assortis d'une nomenclature rigoureuse conviennent à petite échelle ; dès que le volume le justifie, passez à une base de données ou à un système qualité dédié relié aux lots de production. Dans tous les cas, les définitions de champs doivent être normalisées et la nomenclature stable, faute de quoi rien ne pourra jamais être consolidé.

À quelle fréquence les courbes de tendance doivent-elles être revues ?

Cela découle de la stabilité du procédé et du rythme de production. Un procédé instable justifie une revue quotidienne ; un procédé stable peut passer à une cadence hebdomadaire, à condition que les alarmes de dépassement automatiques restent en place afin que rien ne soit découvert tardivement.

Comment les limites de contrôle sont-elles fixées ?

Le plus souvent à partir de données relevées pendant une période historiquement stable, recalculées périodiquement à mesure que le procédé s'améliore. Gardez les limites de contrôle distinctes des limites de spécification : les limites de contrôle énoncent ce que le procédé réalise réellement, les limites de spécification ce que le client exige. Elles ne sont pas interchangeables.

Comment préserver l'efficacité de l'analyse à fort volume de données ?

Par l'automatisation, et non par le tri manuel. Stockez sous forme structurée dès l'acquisition, générez les rapports automatiquement, signalez les anomalies automatiquement, et laissez le jugement comme la décision aux personnes. Le traitement manuel des données s'effondre toujours une fois le volume arrivé.

Comment savoir si la boucle tourne réellement ?

À deux signaux. Une action d'amélioration a-t-elle un jour été déclenchée par les données, et les données ont-elles réellement bougé ensuite. Le premier sans le second suggère que l'attribution est fausse ; l'absence des deux signifie que la boucle n'a jamais démarré.