Tolerancement Inertiel - Maurice Pillet

Maurice Pillet
Amliorer la productivit
Dploiement industriel du tolrancement inertiel
Groupe Eyrolles, 2010 ISBN : 978-2-212-54754-2
Sommaire
Remerciements ............................................................................... Introduction De linterchangeabilit Six Sigma ...........................
V 1
CHAPITRE 1 Du tolrancement traditionnel au tolrancement inertiel .............................. 1. Les trois incohrences du tolrancement traditionnel ................ 1.1. Incohrence fonctionnelle ....................................................... 1.1.1. Incohrence de lapproche au pire des cas .......................... 1.2. Incohrence de conformit ..................................................... 1.3. Incohrence conomique ........................................................ 1.4. Le cot de ces trois incohrences ........................................... 2. De la ncessit de dfinir autrement la conformit .................... 2.1. Dfinition de linertie............................................................... 2.2. Le tolrancement inertiel et les trois incohrences ................. 2.2.1. Incohrence fonctionnelle ................................................... 2.2.2. Incohrence de conformit ................................................. 2.2.3. Incohrence conomique .................................................... 3. Les implications culturelles du tolrancement inertiel ................ 3.1. Avoir une vision chane logistique plutt que de se focaliser sur chaque caractristique ....................................................... 3.2. Avoir une vision statistique du processus de production ......... 3.3. Limiter la variabilit, ce nest pas automatiquement accepter une excursion de la moyenne autour de la cible ...................... 3.4. Changer de paradigme .............................................................
Groupe Eyrolles
9 9 9 13 15 17 21 22 22 26 26 32 34 35 36 37 37 38
CHAPITRE 2 Le tolrancement inertiel, une autre vision de la conformit ............................................... 45 1. Le tolrancement inertiel dans le cas bilatral ............................ 45 1.1. Rappel de la dfinition du tolrancement inertiel .................... 46
VIII
1.2. Reprsentation graphique du tolrancement inertiel ............... 1.2.1. Reprsentation graphique de la conformit associe un histogramme ................................................................ 1.2.2. Cas extrmes ...................................................................... 1.2.3. Reprsentation graphique de la conformit dans un graphe | .............................................................. 1.2.4. Dclaration de conformit dun lot, dune pice .................. 1.2.5. Utilisation du graphe |2 .................................................... 2. Les indicateurs de capabilit en tolrancement inertiel .............. 2.1. Dfinition ................................................................................ 2.2. Exemple de calcul .................................................................... 2.3. Interprtation de ces indicateurs de capabilit ........................ 3. Le cas des limites unilatrales ..................................................... 3.1. Cas des caractristiques unilatrales limite suprieure ......... 3.2. Cas des caractristiques unilatrales limite infrieure ...........
48 48 50 51 52 53 55 55 56 58 59 59 61
80
Groupe Eyrolles
CHAPITRE 3 Comment calculer une tolrance inertielle 1. Calcul standard dune tolrance inertielle................................... 1.1. Dfinition de lobjectif sur lexigence fonctionnelle .................. 1.2. Calcul des cibles ...................................................................... 1.3. Calcul de linertie rpartition uniforme des tolrances ......... 1.4. Calcul de linertie rpartition non uniforme des tolrances .. 1.5. Calcul de linertie cas de tolrances figes ............................ 2. Garantir un taux de non-conformit sur lexigence fonctionnelle 2.1. Situation dassemblage la plus dfavorable ............................... 2.2. Calculer linertie pour garantir un Ppk sur lexigence fonctionnelle 3. Garantir une inertie sur lexigence fonctionnelle ........................ 3.1. Combinaison des inerties ........................................................ 3.2. Hypothse 1 : distribution alatoire des moyennes, dcentrage moyen nul ............................................................. 3.3. Hypothse 2 : Pire des cas, dcentrage maximal ..................... 3.4. Hypothse 3 : dcentrage dune valeur k de tous les composants ........................................................................ 3.5. Hypothse 4 : dcentrage de m caractristiques sur n ............ 4. Exemple de calcul de rpartition de tolrances inertielles .......... 4.1. Calcul des cibles ...................................................................... 4.2. Dtermination des pondrations de faisabilit ......................... 4.3. Calcul en tolrancement traditionnel dans lhypothse pire des cas .............................................................................
63 63 64 66 67 68 70 71 71 72 74 75 77 77 78 79 79 80 80
Sommaire
IX
4.4. Calcul en tolrancement traditionnel dans lhypothse statistique quadratique ............................................................ 4.5. Calcul en tolrancement inertiel ............................................. 4.6. Calcul en tolrancement inertiel pour garantir un Ppk ............ 4.7. Rcapitulatif des diffrents calculs ...........................................
81 83 84 85
Groupe Eyrolles
CHAPITRE 4 Matrise Inertielle de Processus ................... 1. De la MSP la MIP ..................................................................... 2. Les outils traditionnels de la MSP ............................................... 2.1. Utilisation des cartes de Shewhart .......................................... 2.1.1. Le principe de Shewhart ...................................................... 2.1.2. La carte de contrle des moyennes ..................................... 2.1.3. La carte de contrle des tendues ...................................... 2.1.4. Exemple de suivi par cartes de contrle moyennes/tendues 2.1.5. Autres cartes utilisables ....................................................... 2.2. Cartes de Shewhart limites largies ...................................... 2.3. Exemple de calculs de limites de contrle avec les cartes de type Shewhart .................................................................... 2.4. Condition dexistence dune limite largie ............................... 3. La carte de contrle inertielle .................................................... 3.1. Loi de distribution des inerties de Scheff ............................... 3.2. Carte de contrle inertielle ..................................................... 3.2.1. Inertie historique court terme ............................................. 3.2.2. Zone verte .......................................................................... 3.2.3. Zone orange ........................................................................ 3.2.4. Zone rouge ......................................................................... 3.2.5. Zone noire .......................................................................... 3.3. Reprsentation locale de lchantillon ..................................... 3.4. Carte en tunnel ....................................................................... 3.5. Condition dexistence des diffrentes zones............................ 3.6. Exemple de carte de contrle inertielle ................................... 3.6.1. Prsentation de lexemple ................................................... 3.6.2. Calcul de la carte de contrle des inerties .......................... 4. Autres cartes de contrle inertielles .......................................... 4.1. Carte une inertie ................................................................. 4.2. Carte inertielle sans drive ...................................................... 4.3. Choix entre la carte de contrle ............................................. 5. Conclusion .................................................................................
87 87 88 89 89 90 91 91 92 93 95 96 97 97 98 99 99 100 101 101 102 103 103 105 105 106 109 109 112 113 115
CHAPITRE 5 Pilotage inertiel multicritre ......................... 1. Le problme multicritre ........................................................... 2. Principe du pilotage inertiel multicritre..................................... 2.1. Solution du problme de pilotage inertiel multicritre ............ 2.2. Exemple de pilotage inertiel multicritre ................................. 2.3. Prise en compte des cartes inertielles ..................................... 3. Pilotage inertiel pondr par la svrit relative des cotes ......... 4. Pilotage inertiel multicritres dans le cas dune presse injecter 4.1. Dtermination de la matrice dincidence et de la matrice de pilotage inertielle ................................................................ 4.2. Exemple de pilotage ................................................................ 5. Conclusion ................................................................................. CHAPITRE 6 Tolrancement inertiel total ......................... 1. Faire voluer le tolrancement gomtrique .............................. 2. tablir la conformit par linertie totale ...................................... 2.1. Dfinition de linertie totale .................................................... 2.1.1. Inertie dune surface ............................................................ 2.1.2. Inertie dun ensemble de surfaces ........................................ 2.2. Spcifier une pice en inertie totale ........................................ 2.2.1. Cas o il y a plusieurs rfrences ........................................ 2.2.2. Rfrence avec une direction privilgie ............................. 2.3. Intrt dune spcification en inertie totale ............................. 3. Piloter une production en inertiel total ...................................... 3.1. Lapproche pilotage inertiel total ............................................. 3.2. Exemple de pilotage en inertie totale ...................................... 3.2.1. Lexemple ............................................................................ 3.2.2. Dtermination de la matrice dincidence A.......................... 3.2.3. Calcul de la matrice de pilotage inertielle ............................ 3.2.4. Calcul de la correction ........................................................ 3.2.5. Hirarchisation des corrections .......................................... 3.3. Intrt du pilotage en inertie totale ......................................... 3.4. Calcul de la matrice dincidence dans diffrents cas ................. 3.5. Pondration en fonction de linertie maximale ........................ 3.5.1. Le problme ........................................................................ 3.5.2. Pilotage inertiel total pondr ............................................. 4. Pilotage par carte inertielle ......................................................... 5. Conclusion .................................................................................
117 117 119 120 121 123 126 129 130 133 134
137 139 141 141 142 142 143 145 145 147 148 148 150 150 151 153 154 155 156 157 157 157 160 162 163
Groupe Eyrolles
Sommaire
XI
CHAPITRE 7 Rception de lots en tolrancement inertiel 1. Rgle de prlvement et dacceptation Mthode , cart-type connu ........................................................................ 1.1. Le problme ............................................................................ 1.2. Dtermination du plan de contrle ......................................... 1.3. Carte de contrle rception avec sigma connu ....................... 2. Rgle de prlvement et dacceptation Cas sigma inconnu mthode S .................................................................................. 2.1. Loi de distribution des inerties ................................................ 2.2. Calcul de la taille des chantillons............................................ 2.3. Calcul de linertie maximale admissible .................................... 2.4. Approche pragmatique ............................................................ 2.5. Exemple dapplication .............................................................. 2.5.1. Calcul partir des risques ................................................... 2.5.2. Calcul partir de la taille dchantillon ................................ 3. Dfinition des limites de tri dans le cas du refus dun lot ............ 3.1. Cas de la loi uniforme ............................................................. 3.1.1. Cas dune distribution centre autour de la cible ................ 3.1.2. Cas dune distribution dcentre autour de la cible ............ 3.2. Cas de la loi normale ............................................................... 3.3. Cas dune loi non spcifie ...................................................... 3.4. Exemple de tri en contrle de rception ................................. 3.4.1. Calcul des limites de tri ....................................................... 3.4.2. Rsum des calculs .............................................................. CHAPITRE 8 Validation dun processus de mesure en inertiel ........................................................... 1. Justesse et Dispersion ................................................................ 2. Capabilit des processus de contrle inertielle CpcI .................. 2.1. Estimation de la dispersion de mesure .................................... 2.2. Estimation du biais ................................................................... 2.3. Estimation du CpcI .................................................................. 3. Calcul du ndcI, nombre de catgories distinctes inertiel .............
Groupe Eyrolles
165 167 167 168 169 171 171 171 172 173 174 174 176 177 177 177 179 180 183 183 184 185
187 187 189 190 193 195 196
ANNEXE Tables et rsums .................................................. 201 Bibliographie .................................................................................... 215 Index ............................................................................................... 218
Chapitre 1
Du tolrancement traditionnel au tolrancement inertiel

1. LES TROIS INCOHRENCES DU TOLRANCEMENT
TRADITIONNEL
Nous utilisons le systme de tolrancement par intervalle depuis tant de temps que nous nous sommes habitus vivre avec un certain nombre dincohrences. Celles-ci sont si importantes quon peut se demander pourquoi elles ne sont pas plus dnonces. Nous avons identi trois incohrences majeures : une incohrence fonctionnelle ; une incohrence de conformit ; une incohrence conomique. Une fois ces incohrences rvles, le systme de tolrancement classique montre ses limites. Cest parce que le systme actuel est incohrent quil faut le faire voluer !
1.1. Incohrence fonctionnelle

Dans le cas gnral du tolrancement dun assemblage, le problme consiste dterminer les tolrances sur les caractristiques lmentaires Xi pour obtenir une caractristique nale Y satisfaisant le besoin des clients. Les deux approches les plus classiques actuelles sont les approches au pire des cas (tolrancement arithmtique) et statistique (tolrancement statistique quadratique). Le lecteur qui dsire en connatre davantage sur ces tolrancements peut se reporter aux encadrs 1 et 2 que lon trouvera respectivement en milieu et en n de ce chapitre et qui dcrivent ces deux approches traditionnelles du tolrancement dune chane fonctionnelle. La norme XP E 04 008-2009 dnit ces modes de tolrancement.
Groupe Eyrolles
10
Rappelons simplement les principaux rsultats pour une chane de cote telle que : Y = A + B C o on souhaite calculer les tolrances sur A, B, C (ITA, ITB, ITC) pour obtenir une tolrance sur Y (ITY). Avec le tolrancement au pire des cas, on veut garantir dans toutes les situations possibles la tolrance sur Y. Ainsi, on divise la tolrance sur Y par le nombre de composants (ici 3) et il vient : ITA = ITB = ITC = ITY/3. Avec le tolrancement statistique, on considre que la probabilit davoir en mme temps les trois caractristiques A, B, C aux extrmes est faible, et on veut garantir statistiquement la tolrance sur Y. Alors, on divise la tolrance sur Y par la racine carre du nombre de composants (ici 3) et il vient : ITA = ITB = ITC = ITY / 3 . Le tolrancement au pire des cas est trs svre et le tolrancement statistique permet dlargir les tolrances dun facteur n , ce qui est trs important. Une pratique largement rpandue dans le milieu de la mcanique consiste utiliser lune ou lautre pratique sans jamais prciser sur les plans quelle a t la mthode de calcul des tolrances. Dautres pratiques intermdiaires ont t proposes telles que le tolrancement statistique pondr (Nigam 1995), le tolrancement probabiliste (Anselmetti 2000), le tolrancement semi-quadratique (Anselmetti 2007), et aboutissent des compromis plus ou moins bons entre lapproche statistique et pire des cas, mais toujours avec un objectif de fournir un intervalle [min max]. Adragna (Adragna 2007) et Denimal (Denimal 2009) ont propos des tudes comparatives intressantes entre les diffrentes approches dans leurs travaux de doctorat. Toutes ces mthodes conduisent une incohrence fonctionnelle grave que nous allons illustrer dans les congurations pire des cas et statistique. cet effet, utilisons lassemblage dune roue dhorlogerie entre une platine et un pont. Le jeu fonctionnel ncessaire est connu de faon exprimentale, et doit tre de 0,02 0,015. La Figure 1 dcrit le principe de cet assemblage. Le tolrancement au pire des cas consiste xer les limites de tolrances de telle sorte que dans tous les cas de gure le jeu fonctionnel soit satisfait. Les deux conditions extrmes sont lorsque la cote de
Groupe Eyrolles
11
Figure 1 Exemple dassemblage
longueur de la roue c est maxi alors que les cotes de positionnement des pierres a et b sont mini et inversement. Le tolrancement statistique part du principe quil est peu probable que sur le mme assemblage on trouve, la fois, la caractristique c au mini et les caractristiques a et b au maxi. Il faut tenir compte des lois statistiques daddition des variabilits qui peuvent se rsumer de la faon suivante : lorsquon additionne ou quon soustrait des variables alatoires, la moyenne de la rsultante est gale la somme (ou la soustraction) des moyennes ; la variance (carr de lcart-type) de la somme est gale la somme des variances. Comme indiqu dans lencadr 2, le tolrancement statistique quadratique conduit, dans une chane de cotes, augmenter les tolrances dun facteur racine (n) ; n tant le nombre de maillons de la chane de cote. Ce mode de tolrancement est donc extrmement intressant. Cest pourquoi, ds que lon aboutit par lapproche au pire des cas des tolrances trop serres, les concepteurs ont lhabitude de vite passer au tolrancement statistique. Le problme est que ce tolrancement fait lhypothse que les productions seront centres sur la cible. Or, aucune norme jusqu la toute dernire norme AFNOR XP E 04-008 (2009) ne permet de prciser comment indiquer sur le plan si une caractristique est tolrance de faon statistique ou arithmtique. De mme, aucune norme ne prcise la faon dont il faut valider lhypothse de centrage. En revenant notre exemple, la relation linaire entre le jeu et les caractristiques fonctionnelles lmentaires est la suivante : Jeu = a + b c
Groupe Eyrolles
12
Dans cet exemple, on considre que lon souhaite une rpartition uniforme des tolrances. On xe ainsi toutes les pondrations de faisabilit 1. En appliquant les relations de lencadr 1, rsumes en annexe de cet ouvrage, on trouve les cotes et les tolrances par lapproche arithmtique :
Tableau 1 Calcul des tolrances en arithmtique (pire des cas)
Y 0,02 0,003 Coefcient dinuence Pondration de faisabilit Tolrances
Caractristique Cible
a j .b j
3 3 3
bj
ITY
a j .b j
0, 03/3 = 0, 01 0, 03/3 = 0, 01 0, 03/3 = 0, 01
a b c
0,74 1,38 2,10
1 1 1
1 1 1
De mme, en appliquant les relations de lencadr 2 on trouve les tolrances suivantes sur les caractristiques a, b, c :
Tableau 2 Calcul des tolrances en statistique quadratique
Y 0,02 0,003 Tolrances Caractristique Cible Coefcient dinuence Pondration de faisabilit
a2j .b2j
3 3 3
bj
ITY
a2j .b2j
0, 03/ 3 = 0, 017 0, 03/ 3 = 0, 017 0, 03/ 3 = 0, 017
a b c
0,74 1,38 2,10
1 1 1
1 1 1
On constate que le calcul statistique donne des tolrances 1,732 fois suprieure au calcul au pire des cas.
Groupe Eyrolles
13
1.1.1. Incohrence de lapproche au pire des cas
Cas#1 Les caractristiques fonctionnelles lmentaires sont juste capables, pourtant la rsultante fonctionnelle est parfaitement conforme
Cas#2 Les caractristiques fonctionnelles lmentaires sont non capables, pourtant la rsultante fonctionnelle est conforme Figure 2 Incohrence du tolrancement au pire des cas
Si le concepteur retient le tolrancement au pire des cas, et que les productions sont centres sur la cible (Figure 2) deux cas peuvent se produire : soit la production sur les caractristiques lmentaires semble juste adapte (on dnit traditionnellement le Ppk = 1), mais on obtient alors une caractristique fonctionnelle trs au-del de ce qui est requis ; soit la production sur les caractristiques lmentaires est juge non conforme (ici Ppk < 1) alors que la caractristique fonctionnelle la seule qui intresse le client est conforme. Le tolrancement au pire des cas est donc un tolrancement extrmement svre, qui juge non conformes des pices lmentaires qui pourtant pourraient donner des caractristiques fonctionnelles par-
Groupe Eyrolles
14
faitement adaptes. Cette mauvaise cohrence entre la conformit de la caractristique fonctionnelle et la conformit des caractristiques lmentaires fait perdre beaucoup dargent nos industriels. Cest un norme gaspillage soit de pices dclares non conformes alors quelles pourraient ltre sans pnaliser le client, soit de moyens de production surdimensionns par rapport la capabilit juste ncessaire. Combien dentreprises ont livr pendant des annes des pices qui nont pos aucun problme sur le produit nal et qui, tout dun coup, deviennent non conformes simplement parce quun nouveau contrleur plus pointilleux est arriv chez le client ? Incohrence de lapproche statistique quadratique Pour viter ce gaspillage, le tolrancement statistique quadratique pourrait sembler tre la solution. Pourtant (Figure 3), si dans le cas dun centrage parfait, il y a bien cohrence entre la conformit de la caractristique fonctionnelle (le jeu) et la conformit des caractristiques lmentaires, ce nest plus le cas ds que lon est en prsence de situations non centres. La seconde illustration de la Figure 3 montre que lon peut avoir prs de 100 % dassemblage non conforme avec des capabilits Ppk > 1.33 norme gnralement admise sur chacune des caractristiques lmentaires. Des caractristiques lmentaires conformes assembles entre elles peuvent donner des assemblages non conformes ! La Figure 2 et la Figure 3 illustrent bien ce que nous appelons lincohrence fonctionnelle des systmes traditionnels de tolrancement. Voila deux sicles que lon ne sait pas dnir quelles sont les bonnes tolrances sur les caractristiques lmentaires pour satisfaire une caractristique rsultante, mais pourtant on reste persuad que le systme que nous utilisons est lunique possible. Le tolrancement inertiel sait rsoudre cette incohrence. Nous verrons plus loin dans ce chapitre que le tolrancement inertiel permet davoir une approche statistique de la rpartition des tolrances et donc une plus grande variabilit , tout en garantissant la conformit de lassemblage. Ce compromis permis par le tolrancement inertiel nest pas possible avec une tolrance exprime sous la forme dun intervalle !
Groupe Eyrolles
15
Cas#3 Les caractristiques fonctionnelles lmentaires sont juste capables, la rsultante fonctionnelle est juste conforme
Cas#4 Les caractristiques fonctionnelles lmentaires sont capables, mais dcentres. La rsultante fonctionnelle est hors spcication Figure 3 Incohrence du tolrancement statistique
1.2. Incohrence de conformit

Si lon veut tre cohrent au niveau de la conformit, il faut que le mlange de pices conformes donne forcment un lot conforme. Par exemple, un donneur dordre qui accepte dix lots qui ont chacun t jugs conformes mais qui sont ensuite mlangs devrait retrouver un lot global conforme. Ce nest pas le cas avec les approches de tolrancement et de capabilit actuellement utilises. La Figure 4 illustre ce point. Le lecteur qui ne connat pas les notions de capabilit pourra se rapporter lencadr 3 sur les capabilits situ en n de ce chapitre. Prenons lexemple dans linjection plastique dun moule multiempreintes huit empreintes. On fait une tude de capabilit sur toutes les empreintes (Figure 4) qui sont chacune suprieures au minimum exig (Ppk > 1.33). Les pices sont donc acceptes et mlanges dans un seul contenant pour tre utilises par prlvements alatoires.
Groupe Eyrolles
16
Si on refait une capabilit partir de ce contenant unique, par exemple en prlevant 40 pices (soit 5 pices de chaque empreinte), on trouve le rsultat fourni en Figure 5 avec un Ppk de 0.98 (soit trs infrieur 1.33) pour un chantillon dont on ne peut refuser lhypothse de normalit. Un mlange de lots dont le Ppk est conforme pour chacun des lots donne un lot global qui est non conforme ! Voil un point qui est un peu surprenant mais qui ntonne personne, voire mme est parfois dfendu ! Cest la seconde incohrence majeure du systme actuel de tolrancement : le mlange de lots conformes peut donner un lot non conforme. Cette incohrence nit par coter cher dans les relations client-fournisseur. Par exemple, il est coutumier pour les entreprises dinjection plastique de valider une production en ralisant une capabilit sur chacune des empreintes pour chacune des caractristiques, ce qui est extrmement coteux. Si le systme de dclaration de conformit tait adapt, une capabilit sur lensemble des empreintes devrait donner des rsultats cohrents avec lacceptation de chacune des empreintes. Le bon sens voudrait quun systme correct de capabilit dclare conforme un lot
1 18,8 1,14 1,41 2 18,0 0,97 1,39 3 18,9 1,07 1,53 4 19,9 1,15 1,73 5 21,0 0,85 1,94 6 22,1 0,95 1,36 7 22,4 0,81 1,50 8 22,2 0,91 1,40
Empreintes Moyenne cart-type Ppk
Figure 4 Cas des mlanges de lots
Groupe Eyrolles
17
Figure 5 Capabilit partir du mlange des huit empreintes
sil provient du mlange de plusieurs lots eux-mmes dclars conformes ! L encore, nous verrons que le tolrancement inertiel corrige cette incohrence. Linertie dun mlange de lots est forcment accepte si chacune des empreintes a une inertie qui est conforme.
1.3. Incohrence conomique

La troisime incohrence est lie directement au cot de non-qualit qui est accept avec le tolrancement traditionnel par zone. Une fois que lon a dcid quelle est la cote cible que lon doit viser, toute variabilit autour de cette cible est une non-qualit. Cest la raison pour laquelle on limite cette variabilit par une tolrance. Dans le raisonnement traditionnel, on considre que lorsque la pice est conforme, le cot de non-qualit est nul. Lorsque la pice est lextrieur des tolrances, le cot de non-qualit est gal au prix de la pice. Cette faon de voir les choses, illustre par la Figure 6, conduit la troisime incohrence. Dans la vision classique des tolrances [Min ; Max], un lot tel que celui de la Figure 6 tant dans la tolrance ne gnre pas de nonqualit car toutes les valeurs sont conformes. Il ny a pas de diffrence dun point de vue cot avec un lot de mme cart-type, mais qui serait centr sur la cible ! Cependant Genichi Taguchi (Taguchi 1987) a dmontr que la perte nancire pour un produit tait proportionnelle au carr de lcart qui spare la valeur de la cible. L = K ( X - Cible )2
Groupe Eyrolles
18
Figure 6 Fonction perte de la qualit traditionnelle
Avec, K : un coefcient de proportionnalit X Cible : cart la cible Dans le cas dun lot de moyenne m et dcart-type s , la perte moyenne par produit est de : L = K ( s 2 + d 2 ) avec d = m - Cible Lencadr 4 donne la dmonstration de ces deux relations avec les hypothses de Taguchi, mais le simple bon sens lui donne raison. Il est trs clair que le cot de la non-qualit augmente selon une fonction continue, et quil ny a pas de discontinuit dans la fonction comme cest le cas pour la Figure 6. Par ailleurs, on imagine bien que, dans un exemple mcanique, le premier micron dcart va gnrer un cot de non-qualit trs faible, mais plus ce micron dcart sera loign de la cible plus lincidence de ce micron supplmentaire sera critique. Cest ce bon sens qui est modlis dans la fonction perte de Taguchi. Dans le cas de la fonction perte de Taguchi (Figure 7) le lot a une perte non nulle. On peut calculer la perte moyenne par pice partir de la fonction perte : L = Ks 2 + Kd 2 avec d = X - Cible Le cot de la non-qualit imputable au dcentrage est gal K2. Pour calculer le coefcient K, il suft de prendre la limite pour laquelle individuellement on prfre mettre le produit la poubelle par exemple la limite du calcul en tolrancement statistique ou inertiel comme nous apprendrons le faire par la suite.
Groupe Eyrolles
19
Figure 7 Fonction perte de Taguchi
Supposons que cette limite soit 24. Dans ce cas, un produit suprieur 24 est refus, entranant une perte nancire gale au prix de la pice. Dans le cas dun produit infrieur 24, on accepte le produit mme si celui-ci nest pas parfaitement sur la cible mais la perte nancire tant infrieure au prix de la pice, on a intrt la conserver. Le cas dun produit gal 24 est donc le point dquilibre entre le cot de la pice (P) et la perte nancire, on a donc : P = K ( 24 - 20 )2 do K = P ( 24 - 20 )2
Dans le cas dun produit dune valeur de 1 euro, avec une moyenne 22, une cible 20 et un cart-type de 0,5 (correspondant la Figure 7), le coefcient K est donc gal 1/16 = 0, 0625 et la perte moyenne slve 0, 0625 x 0, 52 + 0, 0625 x 22 = 0, 265. Ce qui est trs signicativement diffrent de zro comme dans le cas du tolrancement traditionnel. Prenons maintenant deux lots (Figure 8) dont la dcision de conformit est diffrente. Le premier lot est centr sur la cible mais avec une dispersion importante qui gnre 2 700 pices par million hors tolrances et un Ppk de 1 : le lot est rejet. Le second a une dispersion plus faible mais il est dcentr. Son Ppk est de 1,5 ce qui correspond 3,4 pices par million hors tolrance ! Ce lot est accept. Comparons le cot de non-qualit avec les deux approches. Avec lapproche traditionnelle, le cot de non-qualit est nul lintrieur
Groupe Eyrolles
20
Encadr 1 Fonction perte de Taguchi et calcul de la perte dans le cas dun lot Origine de la fonction perte L (Loss Function) On considre que la perte est une fonction continue au voisinage de la cible. Comme on ne la connat pas, on peut lapproximer par un dveloppement de Taylor en liminant les termes dordre suprieur 3 et en considrant les hypothses suivantes : la perte est nulle pour X = Cible soit L(Cible) = 0 ; la perte est minimale pour X = Cible (la drive est nulle) soit L(Cible) = 0 Le dveloppement limit de la fonction perte au voisinage de la cible scrit : L( X ) = L(Cible) + ( X - Cible)L '(Cible) + =0 Nous obtenons L(X) = =0 ( X - Cible)2 L"(Cible) + e 2!
L ''(Cible) ( X - Cible)2 soit L(X) = K(X Cible)2 2! Fonction perte moyenne dans le cas dun chantillon de moyenne et dcart-type Pour chaque pice la perte scrit L(Xi) = K(Xi Cible)2. La perte moyenne est donc : 1 K K ( Xi - Cible)2 = n ( Xi - m + m - Cible)2 n K = ( X i - m )2 + ( m - Cible)2 + 2 ( X i - m )( m - Cible) n ( X - Cible)2 =0 + ( m - Cible)2 L = K i n L= Soit L = K ( s 2 + d 2 ) .
de la tolrance et constant lextrieur ; il est donc proportionnel au nombre de pices hors tolrance. De ce point de vue, il y a une cohrence. Le cot de non-qualit est suprieur pour le lot 1. Prenons dsormais le cot dune non-qualit avec la fonction perte de Taguchi, qui est un modle beaucoup plus raliste. Lot 1 : L = 0, 0625(1, 332 ) = 0, 11 Lot 2 : L = 0, 0625( 0, 4442 + 22 ) = 0, 26
Groupe Eyrolles
21
Figure 8 Deux lots dont la dcision de conformit est diffrente
Dans ce cas, le cot de non-qualit pour le premier lot est 2,4 fois infrieur au second lot. Ce cot de non-qualit est, en effet, directement li limpact sur lassemblage nal. On a vu prcdemment quun dcentrage avait un impact trs important sur lassemblage nal. Daprs la fonction perte de Taguchi, le lot 1 qui a t refus donnerait pourtant un cot de non-qualit trs infrieur au lot qui a t accept. En n de compte, ce sera le client nal qui sera pnalis par cette troisime incohrence. Le systme actuel privilgie des lots qui cotent nalement plus cher lentreprise que des lots quelle refuse ! Nous reviendrons par la suite sur ce point, mais posons-nous dj la question suivante : quest-ce qui est important : garantir un niveau de ppm (pices par million) sur le produit ni ou sur chacune des caractristiques ?
1.4. Le cot de ces trois incohrences

Au nal, les trois incohrences nissent par coter trs cher aux entreprises : on privilgie un tolrancement au pire des cas cause des risques du tolrancement statistique, mais on augmente incroyablement les cots de production ; on fait du tolrancement statistique mais, comme on ne lindique pas sur les plans, on interprte une tolrance statistique de la mme faon quune tolrance au pire des cas et la qualit du produit est dramatique ;
Groupe Eyrolles
22
on utilise des procdures de dclaration de conformit qui ne sont pas cohrentes, cela entrane des surcots de contrle et de nombreux litiges inutiles entre client et fournisseurs ; force de privilgier les ppm sur chacune des caractristiques lmentaires alors que la seule exigence conomiquement raliste est de garantir le ppm sur le produit nal, on a enclench une machine gnrer des cots colossaux ; on travaille sur des tolrances trs serres qui cotent trs cher mais comme on ne privilgie pas le respect de la cible, ce surcot ne se traduit mme pas par une amlioration de la qualit du produit vendu au client ; au contraire, cest un vrai gaspillage ! Tout cela, ne loublions pas, se rpte tous les jours sur toutes les caractristiques des produits. Si on prend une montre mcanique qui comporte plusieurs centaines de pices, chaque pice comportant au moins une dizaine de caractristiques, on a l une vritable passoire cots quil serait temps de boucher si on veut encore avoir une industrie en Europe. Si nous prenons lindustrie automobile, avec le nombre de caractristiques lmentaires qui contribuent la satisfaction du client nal, lenjeu est encore plus important. Cest lenjeu du tolrancement inertiel : innover dans les approches pour une matrise de la qualit au cot juste ncessaire.
2. DE LA NCESSIT DE DFINIR AUTREMENT LA CONFORMIT

2.1. Dnition de linertie
Si le tolrancement par intervalle pose autant de problmes, il est ncessaire de trouver dautres solutions. Alors, quelle pourrait tre, si ce nest LA solution, en tout cas une solution de meilleure qualit ? Lobjectif du tolrancement est de limiter la variabilit autour de la cible. Comme tout systme de production cre une variabilit, il faut tre capable daccepter des carts par rapport une situation idale, mais en tenant compte de laspect statistique de la reprsentation de cette variabilit. En effet, ce qui nous intresse, cest de garantir la qualit du produit ni, qui est le rsultat de la combinaison de plusieurs caractristiques lmentaires. En reprenant la reprsentation de Taguchi, qui est galement conforme au bon sens, on dnit que la perte nancire subie,
Groupe Eyrolles
23
Figure 9 Inertie dun lot
cause dun cart par rapport la cible, est proportionnelle au carr de cet cart. Si on a plusieurs produits, la perte moyenne sera gale la moyenne des carrs des carts. Si lobjectif est daccepter une variabilit tout en limitant la perte nancire cause par cette variabilit, ce quil faut limiter ce ne sont pas les carts, mais la moyenne des carrs des carts. Dans lexemple de la Figure 9, si on imagine chaque pice comme une boule dun certain poids, cette moyenne du carr des carts peut tre assimile linertie mcanique. Si les boules sont trs resserres autour de la cible (#1), linertie de rotation autour de la cible sera faible. Si les boules sont trs disperses (#2) ou pire si les boules ne sont pas centres sur la cible (#3), linertie sera importante. Do la dnition du tolrancement inertiel. Dnition Dans le cas o on dispose des valeurs individuelles dune population, linertie de cet chantillon est calcule par la relation :
n
( xi - Cible )2
I =
i =1
On prend la racine carre de la moyenne des carts pour se ramener dans la dimension de la grandeur mesure.
Groupe Eyrolles
Dans le cas o on ne connat pas lensemble des valeurs de la population, mais que lon dispose dun chantillon reprsentatif, linertie est estime par la relation : I = s 2 + ( m - cible )2 S 2 + ( X - cible )2
24
Dmonstration
n n
( xi - Cible)2
I=
n i =1
( xi - m + m - Cible)2
=
i =1
( xi - m)2 + (m - Cible)2 + 2( xi - m)(m - Cible)

I=
n i =1
I=
( x i - m )2 n ( m - Cible)2 + + 2 m - Cible n n i =1 i =1
- m) ) ( xi n
i =1
Le troisime terme tant gal zro il vient : I=
( x i - m )2 +( m - Cible)2 = s 2 + ( m - Cible)2 n i =1
Lorsque lesprance mathmatique nest pas connue (ce qui est quasiment toujours le cas), on estime linertie par la relation : I = s 2 + ( m - Cible)2 @ S 2 + ( X - Cible)2 Avec S et X respectivement lestimateur de lcart-type et de la moyenne, calculs par les relations : X = xi i =1 n
n
S=
( x i - X )2 n -1 i =1
Le tolrancement inertiel consiste tolrancer linertie maximale que lon admet sur la caractristique, et donc tolrancer la variabilit maximale admise autour de la cible. Si on revient la fonction perte de Taguchi, on peut dnir linertie comme la racine carre de la partie variable de la fonction perte de Taguchi. Ainsi, dans le tolrancement inertiel, une tolrance ne sexprime plus par lexpression dun intervalle X X, mais par une tolrance X(IX). IX reprsente linertie maximale que lon accepte sur la variable X. Cette nouvelle faon de dterminer les tolrances possde les proprits dadditivit dans le cas de relation linaire entre les X et les Y qui permettent de rpondre de faon trs intressante au difcile
Groupe Eyrolles
25
Figure 10 Le tolrancement inertiel versus la tolrancement traditionnel
compromis entre le tolrancement au pire des cas et le tolrancement statistique. La Figure 10 montre bien lvolution culturelle induite par le tolrancement inertiel. Dans le tolrancement traditionnel, on met laccent sur les tolrances ; dans le tolrancement inertiel, laccent est mis sur la cible. Dans le tolrancement traditionnel, la conformit est visuellement donne par le fait que les valeurs mesures sont dans les tolrances ; dans le tolrancement inertiel, la conformit est visuellement donne par le fait que la moyenne reste lintrieur de la barre dexcursion maximale autour de la cible. Nous reviendrons en dtail sur la reprsentation graphique en tolrancement inertiel dans le chapitre 2. Pour dclarer la conformit dun lot, on calcule linertie du lot (I = 2 dans la gure). Si cette inertie est infrieure linertie maximale (Imax = 2,5 dans la gure), le lot est accept. Exemple de calcul dune inertie Considrons une caractristique dont la cible est gale 5. On suppose que le concepteur a x 0,03 linertie maximale sur une caractristique (nous verrons au chapitre 3 comment dterminer cette valeur en fonction de conditions fonctionnelles). On a mesur un chantillon de 10 pices :
N Valeurs
Groupe Eyrolles
1 5,02
2 4,99
3 5,00
4 5,02
5 4,99
6 5,03
7 5,00
8 5,01
9 5,00
10 4,98
26
Dans ce cas, comme on connat un chantillon de la population, on prend la formule destimation de linertie : I = S 2 + d2 Les estimateurs de la moyenne et de lcart-type sont respectivement : Moyenne : X = 5, 004 cart-type S = 0,01578
On en dduit linertie : I = S 2 + ( X - cible )2 = 0, 01627.
2.2. Le tolrancement inertiel et les trois incohrences

2.2.1. Incohrence fonctionnelle Nous avons dni lincohrence fonctionnelle par linadaptation des mthodes traditionnelles de tolrancement (mthode arithmtique au pire des cas et mthode statistique quadratique) modliser correctement le comportement statistique dun assemblage de pices mcaniques, ou plus gnralement dune fonction linaire de caractristiques lmentaires. En reprenant lexemple de la Figure 1, pour garantir un Ppk de 1 sur le jeu nal (0,02 0,015) partir des trois caractristiques lmentaires, il faut une inertie de 0,003 sur chacune des trois caractristiques lmentaires. Nous verrons dans les chapitres suivants comment on calcule cette inertie. Comparons le tolrancement inertiel avec le tolrancement au pire des cas. La Figure 11 se place dans une situation o les productions de chaque composant sont centres, avec une dispersion telle que lassemblage soit conforme (avec un Ppk de 1). Les graphiques des distributions sont dans lordre suivant : distribution du jeu, distribution de laxe (c), du pont (a) et de la roue (b). Cette situation est refuse tort au pire des cas ; le Ppk sur chacun des composants est de 0,58 (8,4 % de produits non conformes) alors que lassemblage est acceptable (si on accepte un Ppk de 1). Cette situation est accepte juste titre en tolrancement inertiel ; linertie est gale linertie maximale, le Ppi est 1 donc en limite dacceptation.
Groupe Eyrolles
27
Indice de capabilit assemblage Pp Ppk Ppm
Indice de capabilit des composants
Pp
Ppk Ppm TncMin TncMax
1,00
1,00
1,00
c a b
2,1
0,003 0,58 0,58 0,58
4,2 % 4,2 % 4,2 %
4,2 % 4,2 % 4,2 %
TNC Max (ppm) 1 350 TNC Min (ppm) 1 350
0,74 0,003 0,58 0,58 0,58 1,38 0,003 0,58 0,58 0,58
Situation centre avec un tolrancement au pire des cas
Inertie
Pp
Ppi
1,00
1,00
1,00 1 350 1 350
c a b
2,1 0,74 1,38
0,003 0,003 0,003
0,003 0,003 0,003
1 1 1
1 1 1
TNC Max (ppm) TNC Min (ppm)
Situation centre avec un tolrancement inertiel Figure 11 Comparaison inertiel versus pire des cas
On note que linertie permet daccepter des composants qui sont refuss dans le cas du tolrancement au pire des cas, mais qui pourtant donnent satisfaction au niveau de lassemblage. Comparons le tolrancement inertiel avec le tolrancement statistique quadratique. Dans lexemple de la Figure 12, o les composants sont dcentrs par rapport la cible de faon importante, ils sont nanmoins accepts tort en tolrancement statistique quadratique. En effet, bien que la conformit de chacun des composants soit
Groupe Eyrolles
28
Pp
2,59
0,14
0,27
c a b
2,0945 0,001 3,57 1,29 0,52 0,00 % 0,00 % 0,7438 0,002 1,85 1,04 0,70 0,00 % 0,09 % 1,3848 0,001 3,57 1,57 0,59 0,00 % 0,00 %
TNC Max (ppm) 34 024 TNC Min (ppm) 0
Situation dcentre avec un tolrancement statistique quadratique
Inertie
Pp
Ppi
2,59
0,14
0,27 34 024 0
c a b
2,0945 0,001 0,7438 0,002 1,3848 0,001
0,006 0,004 0,005
3,57 1,85 3,57
0,52 0,70 0,59
Situation dcentre avec un tolrancement inertiel Figure 12 Comparaison inertiel versus statistique quadratique
acceptable, le rsultat sur le jeu est absolument catastrophique avec 34 % dassemblages non conformes.
Groupe Eyrolles
On note que, dans cette conguration, le tolrancement inertiel ne laisse pas passer une telle situation. Tous les lots ont une inertie suprieure linertie maximale (0,003), ils sont tous refuss. Ainsi, on voit bien que le tolrancement inertiel permet dlargir la dispersion possible par rapport un tolrancement au pire des cas,
29
mais sans mettre en pril la fonctionnalit du produit comme le fait le tolrancement statistique quadratique. La Figure 13 illustre une situation limite en tolrancement inertiel, qui est pourtant juge largement acceptable en tolrancement statistique. Ces trois exemples montrent bien la cohrence quil y a entre la conformit des caractristiques lmentaires et la conformit des conditions fonctionnelles dans le tolrancement inertiel.
Inertie
Pp
Ppi
2,78
1,43
0,27 9 0
c a b
2,098 0,742 1,382
0,001 0,001 0,001
0,006 0,004 0,005
2,78 2,78 2,78
1,09 1,09 1,09
Situation limite en tolrancement inertiel
Pp
Ppk
Ppm TncMin TncMax
2,78
Groupe Eyrolles
1,43
0,27 9 0
c a b
2,098 0,001 2,78 2,00 1,09 0,00 % 0,00 % 0,742 0,001 2,78 2,00 1,09 0,00 % 0,09 % 1,382 0,001 2,78 2,00 1,09 0,00 % 0,00 %
Situation limite en tolrancement statistique quadratique Figure 13 Situation limite non dtecte en tolrancement statistique
30
Cas le plus dfavorable dun assemblage On montrera dans la suite de cet ouvrage que lassemblage le plus dfavorable correspond un assemblage o tous les lments sont dcentrs du ct dfavorable de la valeur ITCF /18 (pour un Cpi vis de 1 et pour une inuence uniforme des composants). Dans notre exemple, ce dcalage serait donc gal (Jeu nal)/18 soit 0, 03/18 = 0, 016 . La Figure 14 illustre cette situation. Cela conduit un Ppk = 0,83 sur le jeu lorsque linertie est en limite. Il est tout fait possible, pour viter cette situation particulire trs improbable, dutiliser linertie corrige propose par P. A. Adragna (Adragna 2007) qui consiste calculer linertie maximale ncessaire pour garantir dans tous les cas de gure un Ppk souhait sur la caractristique fonctionnelle (nous reviendrons sur ce point au chapitre 3).
Inertie
Pp
Ppi
1,22
0,83
0,31 6 427 0
c a b
2,0984 0,7416 1,3816
0,002 0,002 0,002
0,003 0,003 0,003
1,22 1,22 1,22
1,00 1,00 1,00
Figure 14 Cas le plus dfavorable
On calcule cette inertie par la relation : I Maximal = I

2 PpkCF
Avec, PpkCF : Le Ppk vis sur la caractristique fonctionnelle (par exemple ici Ppk = 1)
Groupe Eyrolles
n + 9
0, 003 3 1+ 9
= 0, 0026
31
n : Nombre de composants dans la relation (ici 3) I : Inertie calcule par la mthode classique (ici 0,003) La Figure 15 illustre cette situation. Si on garantit une inertie infrieure cette limite de 0,0026, dans TOUTES les situations dassemblage, le Ppk sur la condition fonctionnelle sera garanti, tout en donnant des liberts de production beaucoup plus larges que le traditionnel tolrancement au pire des cas. La gure 16 donne la mme conguration critique dans un tolrancement au pire des cas qui devrait tre refus puisquil a un Ppk trs
Inertie
Pp
Ppi
1,22
1,00
0,30 1 350 0
c a b
2,0984 0,002 0,0025 1,52 0,7416 0,002 0,0025 1,52 1,3816 0,002 0,002 1,52
1,16 1,16 1,16
Figure 15 Garantir dans tous les cas un Ppk sur la condition fonctionnelle
Pp
1,22
Groupe Eyrolles
1,00
0,30
c a b
2,0984 0,002 0,87 0,59 0,67 3,72 % 0,03 % 0,7416 0,002 0,87 0,59 0,67 0,03 % 3,72 % 1,3816 0,002 0,87 0,59 0,67 0,03 % 3,72 %
TNC Max (ppm) 1 350 TNC Min (ppm) 0
Figure 16 Situation critique au pire des cas
32
mauvais de 0,59, soit 4 % de non conformes, alors que cette situation est satisfaisante avec un Ppk sur la condition fonctionnelle suprieure 1. Comme nous venons de le voir, le tolrancement inertiel permet de garantir le Ppk vis sur la caractristique rsultante en donnant le plus de libert possible la production. Il vite lincohrence fonctionnelle des deux mthodes classiques de tolrancement qui ne savent pas bien modliser le comportement statistique dun assemblage. Tolrancer un produit en inertiel, cest assurer la cohrence fonctionnelle entre ce que lon souhaite sur le produit ni et ce que lon demande aux producteurs. Le tolrancement inertiel, cest le juste ncessaire. 2.2.2. Incohrence de conformit Nous avons dni lincohrence de conformit dans le cas dun mlange de lots. Dans le tolrancement traditionnel, le mlange de lots individuellement conformes donne un lot non conforme. Ce point qui pourrait sembler rdhibitoire pour un novice du tolrancement ne semble pas choquer le monde industriel, cest assez surprenant. Nous allons montrer que cette incohrence nexiste pas en tolrancement inertiel. Prenons lexemple de la Figure 4 qui reprsente un mlange de lots.
Empreintes Moyenne cart-type Inertie Dcision
1 18,8 1,14 1,62
2 18,0 0,97 2,20
3 18,9 1,07 1,53
4 19,9 1,15 1,15
5 21,0 0,85 1,35
6 22,1 0,95 2,32
7 22,4 0,81 2,51
8 22,2 0,91 2,35
Accept Accept Accept Accept Accept Accept Accept Accept
Moyenne : 20,4433 cart-type : 1,88612 Inertie : ( 20, 4433 - 20 )2 + 1, 886122 = 1, 94
Groupe Eyrolles
En supposant que la tolrance inertielle soit de 2,6, on vrie que pour lensemble des lots linertie est infrieure linertie maximale. Chaque lot est donc accept. Si on calcule linertie sur le mlange des lots partir de lcart-type et de la moyenne de lensemble des pices, on trouve :
33
Cette inertie tant infrieure linertie maximale, le mlange des lots est accept. En fait, on dmontre facilement que linertie calcule sur le mlange de plusieurs lots de taille identique est telle que linertie carre sur le lot mlang est gale la moyenne des inerties carres de chacun des lots :
k 2 Ik 2 I lot = mlang i =1
Dmonstration
k n 2 ( xij - Cible)2 Ik i =1 j =1 k
I2 =
kn
i =1
Linertie calcule sur le mlange de plusieurs lots conformes est donc forcment infrieure linertie maximale calcule sur chacun des lots. Elle sera donc conforme. En revanche, un lot qui individuellement est jug non conforme peut nalement tre accept sil est mlang un ensemble de lots centrs sur la cible. En effet, si le lot est assembl seul, cent pour cent des assemblages seront confronts ce lot non conforme. Sil est mlang dautres lots, la probabilit quune pice de ce lot tombe avec dautres pices de lassemblage chute normment. Il va de soi que le calcul de linertie dun lot doit tre compatible avec lutilisation qui est faite de ce lot. Ainsi, avec une presse injecter pour laquelle toutes les empreintes tombent dans le mme carton, il faut calculer linertie sur lensemble des empreintes. En revanche, si chaque empreinte fait lobjet dun emballage diffrent, le calcul de linertie sur le mlange des empreintes na pas de sens.
Groupe Eyrolles
Ce qui est vrai pour un mlange de lots est galement vrai pour un mlange de pices. Prenons lexemple de la Figure 17. Linertie maximale est suppose gale 1. On produit une pice carte de la cible de 1,2. Linertie sur une pice est gale lcart entre cette pice et la cible. En effet, la
34
Figure 17 Mlange de plusieurs pices
moyenne sur une pice est gale sa valeur et lcart-type sur une pice est gal 0. Linertie est donc gale : I = S 2 + ( X - cible )2 = 0 + 1, 22 = 1, 2 Linertie de la pice tant suprieure linertie maximale, elle est refuse. En revanche, si on prend le lot constitu de cinq pices respectivement loignes de la cible de 1,2 0,0 0,3 0,8 0,1. On calcule : Moyenne = 0,48 cart-type = 0,51 Inertie = 0,70 Le lot est accept bien quil contienne une valeur qui, individuellement, a une inertie suprieure linertie maximale admise. Ainsi, le tolrancement inertiel correspond au bon sens. Le mlange de lots dont linertie est acceptable donne forcment un lot dinertie acceptable. 2.2.3. Incohrence conomique Nous avons dni lincohrence conomique en calculant le cot de la non-qualit induite par diffrents lots. Nous avons montr que le principe de la relation fournisseur fond sur des tolrances par intervalle associes un critre de capabilit Ppk conduisait refuser des lots ayant pourtant un cot de non-qualit trs infrieur au cot dautres lots accepts.
Groupe Eyrolles
Si nous reprenons la Figure 8, linertie du premier lot centr sur la cible de moyenne 20 et dcart-type 1,33 est gale I = 02 + 1, 332 = 1, 33 . Linertie du second lot dcentr par rapport la cible, de moyenne 22 et dcart-type 0,444 est gale I = ( 22 - 20 )2 + 0, 4442 = 2, 04 .
35
Nous avons calcul le cot de non-qualit par la fonction perte de Taguchi, soit respectivement 0,11 pour le premier et 0,26 pour le second. Nous retrouvons naturellement la mme relation dordre que donnait linertie. Cest, en effet, vident puisque linertie reprsente la racine carre de la partie variable de la fonction perte de Taguchi. Il y a donc bien cohrence entre la perte de qualit entrane par la variabilit et la dnition de la conformit si on utilise le tolrancement inertiel. En fait, derrire cette cohrence se cache un point fondamental du tolrancement inertiel. Le tolrancement traditionnel xe par des limites lcart maximal que lon ne doit pas dpasser pour chacune des caractristiques lmentaires. On concentre lattention des producteurs sur le respect de cet intervalle et le nombre de ppm en dehors de cet intervalle. force de se concentrer sur le respect de cet intervalle, les producteurs oublient parfois la fonction de la pice. Pourvu que la caractristique soit conforme aux tolrances, le contrat est rempli. Pourtant, on a montr dans ce chapitre que ce qui fait la qualit du produit ni cest la variabilit autour de la cible. En utilisant le tolrancement inertiel, on focalise lattention des producteurs sur le centrage des processus sur la cible. On ne sintresse pas aux ppm en dehors dun intervalle mal dni, mais ce que statistiquement le lot va gnrer comme non-qualit sur le produit nal. La non-qualit se rvle sur le produit nal, tout au long de la chane logistique, il faut orienter les efforts vers la satisfaction du client nal. Cest bien lesprit du tolrancement inertiel : arrter de regarder chacun de son ct son petit optimum local, et diriger tous les efforts vers un but unique : la fabrication des produits de grande qualit au moindre cot.
3. LES IMPLICATIONS CULTURELLES

DU TOLRANCEMENT INERTIEL
Groupe Eyrolles
Bien au-del du simple changement calculatoire, passer du tolrancement traditionnel au tolrancement inertiel implique un certain nombre de changements culturels quil nous semble intressant de discuter ds ce premier chapitre.
36
3.1. Avoir une vision chane logistique plutt que de se focaliser sur chaque caractristique
Fabriquer un produit pour un client, cest mettre en musique toute une chane logistique qui a pour but de satisfaire le client nal qui utilisera le produit. Au fond, quimporte la caractristique lmentaire, la seule caractristique qui compte est celle vue par le client. Dans cette chane logistique, chaque branche apporte sa contribution la variabilit. La caractristique nale traduit en quelque sorte le rsultat de lensemble de cette variabilit. Le tolrancement traditionnel part du principe que lon peut dcomposer ce problme en sous-problmes pour que chacun puisse satisfaire son petit optimum local, an que globalement loptimum pour le client nal soit atteint. Le tolrancement inertiel renverse cette vision des choses, lobjectif de la qualit nale du produit prend le pas sur loptimisation locale. Dans cette logique, tout cart la cible pnalise la satisfaction du client nal. En aucun cas il ny a de relation qui permette de relier le nombre de non-conformits sur chacune des caractristiques lmentaires la qualit du produit ni. En revanche, on sait mettre une relation qui lie les moyennes individuelles de chaque caractristique et les variances cette qualit nale. Cest donc l-dessus que lon doit se concentrer. Cest lobjectif du tolrancement inertiel : matriser la variabilit autour de la cible !
Figure 18 La chane des variabilits
Groupe Eyrolles
37
3.2. Avoir une vision statistique du processus de production

Linertie privilgie le lot sur la valeur individuelle. Un lot est accept si son inertie est infrieure linertie maximale admise. Pour la valeur individuelle, la norme AFNOR XP E 04-008 (2009) a prvu nanmoins une limite pour les valeurs individuelles qui ne peuvent excder un cart la cible suprieur quatre inerties. Mais ce qui importe, cest linertie du lot. Dans le tolrancement traditionnel, la pice est bonne si elle est dans les tolrances ! la priorit nest pas la statistique, mais la valeur individuelle. Ce changement de priorit est fondamental. Il force dnir un nouveau paradigme du tolrancement. Dans un management o lon applique le tolrancement inertiel, la matrise inertielle des processus devient naturelle puisque le raisonnement de conformit est par nature statistique. Avec le tolrancement inertiel, il y a une cohrence entre lobjectif (avoir une inertie conforme) et les moyens (la matrise inertielle de processus) qui nexiste pas dans le tolrancement traditionnel. Lchec relatif de lapplication de la MSP (matrise statistique de processus) dans les entreprises vient sans doute en partie de l. Comment expliquer quil est ncessaire dagir sur un processus qui fabrique des produits conformes ? On parle alors de sur-qualit alors quon devrait parler de matrise de la variabilit. Toute variabilit dun processus de la chane logistique se retrouve dans le produit nal !
3.3. Limiter la variabilit, ce nest pas automatiquement accepter une excursion de la moyenne autour de la cible
En fait, si on rchit au besoin initial du concepteur qui indique des tolrances, quel est son objectif ? Il xe des limites parce quil sait quun processus a de la variabilit. Il faut donc que cette variabilit puisse sexprimer gnralement sous la forme dune courbe de Gauss. Les limites de tolrance traditionnelles sont donc initialement prvues pour quune dispersion autour de la cible puisse tre accepte. Mais, bien sr, le concepteur imagine que la moyenne de la production restera centre sur la cible. Cest dailleurs dans ces conditions quil fait souvent ses simulations.
Groupe Eyrolles
38
Cependant, une fois en production, un produit dans lintervalle est dclar conforme quelle que soit lorigine de lcart : un dcentrage ou une dispersion. Les tolrances dans les ateliers de production sont dailleurs souvent interprtes comme un droit laisser driver le processus ! Mais la consquence dun dcentrage ou dune variabilit autour de la cible nest pas la mme, comme nous lavons montr dans ce chapitre. Ds lors, comment dissocier, avec un simple intervalle, ces deux sources de variabilit ? L encore, le tolrancement inertiel apporte une cohrence entre la volont du concepteur et la ralisation en production. En tolrancement inertiel, lexcursion de la moyenne est au maximum gale une inertie alors que les produits individuels peuvent avoir une valeur qui scarte de quatre inerties. En tolrancement inertiel, il y a bien dissociation entre variabilit sur les produits individuels et lexcursion de la moyenne autorise.
3.4. Changer de paradigme

Le plus gros changement est le changement de paradigme. Voil dsormais plusieurs annes que jai acquis la conviction profonde que lon avait atteint les limites de la complexit avec le tolrancement traditionnel. Les normes actuelles du tolrancement GPS et leurs complexits sont telles que lorsquon prsente un plan plusieurs spcialistes, ils ne sont jamais daccord entre eux sur la qualit de la spcication. Ce mode de tolrancement dnit la conformit, parfois avec ambigut, et devient un casse-tte pour les ateliers de production tant ce mode de dnition de la conformit est loign de leurs pratiques. Nous verrons, dans le chapitre sur le tolrancement inertiel total, quun changement de paradigme permet de reconsidrer lensemble du mode de pense du tolrancement pour arriver nouveau des choses simples, cohrentes et comprhensibles chacun, donc utiles tous. Imaginez que nous puissions dnir la conformit autrement que par un intervalle un monde nouveau soffre nous. Linertiel mritera sans doute encore bien des amliorations, voire de nouvelles propositions. Cependant, jai lintime conviction que le tolrancement par zone nous a permis de passer de la lime la machine-outil, mais quil nest plus adapt pour le monde numrique vers lequel nous allons.
Groupe Eyrolles
39
Encadr 2 Tolrancement arithmtique (au pire des cas) Soit une exigence fonctionnelle Y (par exemple un jeu) dont lintervalle de tolrance est dni par la valeur ITY . On suppose tre capable de relier lexigence fonctionnelle (Y) aux caractristiques fonctionnelles lmentaires (Xj) par une relation linaire :
j =n
Y = a j X j
j =1
avec i le coefcient dinuence (ou de sensibilit). Ainsi, dans lexemple de la Figure 1 on a la relation : Jeu = a + b c, les coefcients sont respectivement de + 1, + 1 et 1. La mthode arithmtique consiste dnir les tolrances sur les caractristiques Xj de telle sorte que dans tous les cas de gure la combinaison des Xj donne systmatiquement un Y lintrieur des tolrances. On a donc la relation :
j =n
ITY = a j ITX j
j =1
La tolrance sur la caractristique rsultante est gale la somme des tolrances. On calcule les tolrances sur chaque Xj par la relation suivante : ITX j = b j ITY
a j .b j
avec i, la pondration de faisabilit, valeur positive associe la caractristique fonctionnelle lmentaire et proportionnelle sa dispersion de fabrication prvisionnelle comparativement aux autres caractristiques. Si toutes les caractristiques sont quivalentes en termes de difcult de production, on prendra les coefcients i identiques. Si une des caractristiques est suppose avoir une dispersion deux fois plus importante que les autres du fait des processus de production diffrents, on prendra un coefcient j gal 2 sur cette caractristique et de 1 sur les autres caractristiques. Dans les cas simples, avec les coefcients gaux 1 et en prenant des pondrations toutes gales 1, on a la relation : ITX j =
Groupe Eyrolles
ITY nombre de caractristiques
Un exemple de calcul au pire des cas est donn au paragraphe 1.1.
40
Encadr 3 Tolrancement statistique quadratique Soit une exigence fonctionnelle Y (par exemple un jeu) dont lintervalle de tolrance est dni par la valeur ITY relie aux caractristiques fonctionnelles lmentaires (Xj) par une relation linaire :
j =n
Y = a j X j
j =1
Si on suppose que les caractristiques sont indpendantes, on a les relations statistiques suivantes : La moyenne de la rsultante est gale la somme algbrique des moyennes
j =n
m(Y ) = a j m( X j )
j =1
La variance (carr de lcart-type) est gale la somme des variances

j =n 2 s 2(Y ) = a 2 js (Xj ) j =1
La mthode statistique quadratique consiste dnir les tolrances sur les caractristiques Xj de telle sorte que dans tous les cas de gure la combinaison des Xj donne systmatiquement un Y lintrieur des tolrances. Si on suppose que lintervalle de tolrance que lon peut accepter est proportionnel lcart-type, on peut crire :
j =n 2 IT 2(Y ) = a 2 j IT ( X j ) j =1
La tolrance au carr sur la caractristique rsultante est gale la somme des tolrances au carr. On calcule les tolrances sur chaque Xj par la relation suivante : ITX j = b j ITY
a2j .b2j
Groupe Eyrolles
Dans les cas simples avec les coefcients gaux 1 et en prenant des pondrations toutes gales 1, on a la relation : ITX j = ITY nombre de caractristiques
41
Le calcul statistique quadratique augmente donc les tolrances dun facteur nombre de caractristiques , ce qui est considrable. Cependant, cette augmentation nest pas sans risque. Un exemple de calcul statistique est donn au paragraphe 1.1.
Encadr 4 Calcul des capabilits La capabilit mesure laptitude dun processus raliser une caractristique par rapport son cahier des charges. Nous dissocierons deux types dindicateurs de capabilit : Les indicateurs long terme qui traduisent la ralit des produits livrs. On parlera alors de performance du processus. Les indicateurs court terme qui traduisent la dispersion sur un temps trs court. On parlera alors de capabilit du processus. Dans le suivi dun processus on dissocie deux types de dispersion : la dispersion court terme qui, par dnition, est gale six fois lcart-type court terme ; la dispersion long terme qui, par dnition, est gale six fois lcarttype long terme. Les indicateurs Pp et Ppk dans le cas dun tolrancement traditionnel Lindicateur Pp calcule le ratio entre la tolrance (LSS (Limite Suprieure de Spcication) LIS (Limite Infrieure de Spcication)) et la dispersion long terme du processus (six carts-types). On a donc la relation : Pp = LSS - LIS 6s LT
Groupe Eyrolles
Figure 19 Long terme et court terme
42
Lindicateur Pp ne prend pas en compte le dcentrage, il donne simplement ladquation de la dispersion par rapport la tolrance. Lindicateur Ppk a pour but de garantir la conformit. cet effet, il calcule la distance entre la moyenne et la limite de spcication la plus proche quil compare la demi-dispersion. On a donc la relation : Ppk = Min[(LSS - m ) ; ( m - LIS )] 3s LT
Les indicateurs Cp et Cpk dans le cas dun tolrancement traditionnel Les relations qui permettent de calculer Cp et Cpk sont les mmes respectivement que celles qui permettent de calculer Pp et Ppk. Cependant, au lieu de prlever un chantillon long terme, on utilise un chantillonnage donnant la possibilit de calculer lcart-type court terme. On prend soit un chantillon de taille sufsante ralis en un temps trs court, soit plusieurs petits chantillons chacun raliss dans un temps trs court. Les indicateurs Cpm et Ppm Ces indicateurs sont trs proches du tolrancement inertiel. Ils ont t introduits par Chan (Chan 1988) en se fondant sur la fonction perte de Taguchi. Cpm est calcul pour la dispersion court terme, Ppm sur la dispersion long terme. On calcule le Ppm par la relation : Ppm = LSS - LIS 6 ( m - cible)2 + s 2 LT
Le Cpm est calcul par la mme relation partir de la dispersion court terme.
Figure 20 Illustration Pp, Ppk, Ppm
Groupe Eyrolles
Comment calculer une tolrance inertielle
75
Nous avons donc un tolrancement par intervalle sur les exigences fonctionnelles et un tolrancement inertiel sur les caractristiques fonctionnelles lmentaires. Cependant, dans des mcanismes complexes, il arrive parfois que lexigence fonctionnelle soit elle-mme une caractristique lmentaire fonctionnelle dune exigence fonctionnelle dun niveau suprieur. Il y a donc une combinaison statistique de cette exigence fonctionnelle lmentaire, et on peut dcider de mettre une tolrance inertielle sur cette exigence. Ds lors, lobjectif ne sera plus de respecter un Ppk sur une exigence fonctionnelle tolrance par intervalle, mais un Ppi sur une exigence fonctionnelle tolrance en inertiel.
3.1. Combinaison des inerties

Nous prendrons lhypothse que lexigence fonctionnelle Y peut scrire en fonction de caractristiques fonctionnelles lmentaires (X) sous la forme dune relation linaire telle que : Y = i =1 a i X i Sous lhypothse dune rpartition uniforme des tolrances et dindpendance sur les composants, on peut calculer la moyenne et lcarttype sur Y en fonction des moyennes et des carts-types sur chaque caractristique X. On trouve : sY =
n
i =1 ai2s 2 Xi
et dY = i =1 a i di
Linertie de la caractristique rsultante Y est dnie par la relation :

2 + d2 IY = sY Y
Si lon dveloppe la relation prcdente, on trouve la relation qui relie linertie sur Y en fonction des inerties de chaque composant et de leurs dcalages :
Groupe Eyrolles
IY =
2 +2 ai2 I Xi ai a j di d j i =1 i j
76
La premire partie de lquation correspond laddition du carr des diffrentes inerties. Le double produit des dcalages correspond au cas o tous les dcalages se trouvent du ct dfavorable. Si les productions sont centres, ce double produit est videmment nul. Il est galement nul si les dcalages sont alatoirement rpartis. Il y a donc diffrentes hypothses que lon peut faire pour traiter cette situation. Nous avons imagin quatre hypothses de calcul : Hypothse 1 : la distribution des moyennes est alatoire, en moyenne les dcentrages sont nuls. Hypothse 2 : tous les dcentrages sont au pire des cas, ce qui maximise le dcentrage sur lexigence fonctionnelle Y. Hypothse 3 : les dcentrages sont dfavorables, mais dune valeur limite k. Hypothse 4 : le dcentrage dfavorable est craindre sur m caractristiques parmi les n de la relation linaire. Suivant ces hypothses, le calcul de linertie des caractristiques fonctionnelles lmentaires diffre. Le Tableau 8 rcapitule les diffrentes hypothses.
Tableau 8 Rcapitulatif des diffrents calculs
Hypothse Formulation Remarque
Dcentrage moyen nul I XiMAX = b i
IY
2 i bi i =1a2 n
La rpartition sur Y sera centre.
Dcentrage maximal I XiMAX = b i Dcentrage dfavorable dune valeur k. de tous les composants
n
IY
i =1 a i bi
IY nk 2 + 1 n 1+ k 2 IY
Dcentrages dans le sens et la position les plus dfavorables. La formule nest valable que pour les cas o les i = 1 et i = 1.
Groupe Eyrolles
I XiMAX =
Dcentrage dfavorable dune valeur k. de m caractristiques sur n (n-m caractristiques centres)
I XiMAX =
n( k 2 + 1) + mk 2 ( m - 1) 1+ k 2
77
3.2. Hypothse 1 : distribution alatoire des moyennes, dcentrage moyen nul

Cette hypothse est proche de la considration faite pour le cas du tolrancement statistique traditionnel. Dans ce cas, le double produit ai a j di d j est nul. Linertie sur lexigence fonctionnelle Y scrit :
i j n
IY =
2 ai2 I Xi i =1
La rpartition des tolrances se fait dans la position centre. Dans le cas gnral de rpartition non uniforme o on considre I Xi = bi s , on obtient :
n
IY = Do la relation :
ai2bi2s 2
i =1
I Xi MAX = bi
IY
i =1ai2bi2
Dans le cas o les i = 1 et les i = 1, la relation prcdente se simplie et on obtient alors : I I Xi MAX = Y n
3.3. Hypothse 2 : Pire des cas, dcentrage maximal

Cette hypothse de composants au pire des cas est faite en considrant que linertie des composants est seulement due au dcalage de la moyenne par rapport la cible, I Xi = d 2 Xi = d Xi , linertie scrit alors :
n
IY =
ai2d2 Xi + 2a i a j di d j
i =1 i j
Groupe Eyrolles
Si on introduit un coefcient de proportionnalit i entre les inerties IXi on obtient :

n
IY =
ai2bi2d2 + 2d2 ai a j bib j

i =1 i j
78
Do la relation : d= IY
n a 2b2 i =1 i i
+ 2 i ja i a j bi b j
Il vient la relation permettant de calculer les I Xi MAX : I Xi MAX = bi IY

n i =1
a i bi
Dans le cas o les i = 1 et les i = 1, la relation prcdente se simplie et on obtient alors : I Xi MAX = IY n
3.4. Hypothse 3 : dcentrage dune valeur k de tous les composants

Cette hypothse considre que tous les composants ont un dcalage systmatique limit d = k.s . Dans ce cas, linertie dun composant vaut :
2 2 I X = s2 X + k sX
Soit : sX = IX 1 + k2 et d X = I X 1 1 1 + k2
Linertie sur lexigence fonctionnelle Y scrit alors :

n
IY =
i =1
2 +2 1I Xi I Xj ai2 I Xi ai a j 1 + k2 i j
1 2 2 + n.(n - 1) 1 IY = nI Xi I Xi 1 + k2
Groupe Eyrolles
Dans le cas o les a i = 1 , avec une rpartition uniforme des tolrances inertielles, on obtient alors au pire des cas :
79
Soit : I Xi MAX = IY nk 2 + 1 n 1 + k2
3.5. Hypothse 4 : dcentrage de m caractristiques sur n

Dans cette hypothse, le concepteur dtermine le nombre de caractristiques susceptibles davoir un dcalage systmatique. Sous ces conditions, le double produit est rduit. Dans le cas o a i = 1 , avec une rpartition uniforme des tolrances inertielle, on obtient alors : 1 2 2 + m.(m - 1) 1 IY = nI Xi I Xi 1 + k2 Soit : I Xi MAX = IY n( k 2 + 1) + mk 2 (m - 1) 1 + k2
4. EXEMPLE DE CALCUL DE RPARTITION

DE TOLRANCES INERTIELLES
Lexemple didactique ci-dessous servira dapplication pour comparer les diffrents types de tolrancement. Il comporte deux exigences fonctionnelles J1 et J2 qui sont traduites par des tolrances sur chacune de ces exigences, et dune relation linaire qui relie les exigences fonctionnelles aux conditions fonctionnelles lmentaires X1X6.
Groupe Eyrolles
Figure 3 Exemple dapplication
80
4.1. Calcul des cibles

La premire tche effectuer consiste calculer les cibles pour satisfaire les deux exigences fonctionnelles J1 et J2. Une innit de solutions existent. Nous choisissons :
Caractristiques X1 X2 X3 X4 X5 X6
Cibles
25,3
15
25,1
On vrie que lon a bien : J 1 = X1 - X 2 - X 3 - X 4 - X 5 = 0, 3 J 2 = X1 - X 6 = 0, 2
4.2. Dtermination des pondrations de faisabilit

Les pices 2, 3, 4, 5 et 6 sont dcolletes. La pice 1 est plie, on souhaite lui donner des tolrances deux fois plus larges que les pices usines. On choisit donc :
Pondrations
4.3. Calcul en tolrancement traditionnel dans lhypothse pire des cas

Lorsquil y a plusieurs chanes de cotes, on doit utiliser une approche itrative. On commence par rechercher la chane de cote la plus restrictive pour les cotes. cet effet, on calcule la valeur R = IT EF / bi . On a donc pour la chane 1 : R1 = 0, 5 / 6 = 0, 083 et R 2 = 0, 3 / 3 = 0, 1. R1 tant plus faible que R2, on commence par calculer les tolrances sur lensemble des cotes de la premire relation linaire avec lquation : ITi = bi IT EF i ai .bi
Groupe Eyrolles
81
Exigence fonctionnelle J1 = 0,30 0,25 Caractristiques X1 X2 X3 X4 X5 X6
Tolrances ges Coefcients Pondrations Tolrances calcules 1 2 0,17 1 1 0,08 1 1 0,08 1 1 0,08 1 1 0,08
Ce pas de calcul tant fait, on calcule les cotes restantes en geant les r tolrances dj calcules avec la relation : ITi = bi IT EF - i =1 a i .ITi
r
i =r +1 ai .bi
Tolrances ges Coefcients Pondrations Tolrances calcules
0,17 1 2
0,08
0,08
0,08
0,08 1 1 0,13
Lapplication numrique tant : IT6 = 1 0, 3 - 0, 17 = 0, 13 1
4.4. Calcul en tolrancement traditionnel dans lhypothse statistique quadratique

Comme prcdemment, on doit utiliser une approche itrative. Pour 2 / cela, on calcule la valeur R = IT EF bi2 .
Groupe Eyrolles
On a donc pour la R 2 = 0, 32 / 5 = 0, 018 .
chane
1:
R1 = 0, 52 / 8 = 0, 031
et
R2 tant plus faible que R1, on commence par calculer les tolrances sur lensemble des cotes de la seconde relation linaire avec lquation :
82
ITi = bi
ITEF
ia i2 xbi2
Comme on peut le voir, en tolrancement statistique, les plus fortes contraintes ne sont pas forcment sur les mmes caractristiques que dans la situation au pire des cas.
Exigence fonctionnelle J2 = 0,200,15 Caractristiques X1 X2 X3 X4 X5 X6
Tolrances ges Coefcients Pondrations Tolrances calcules 1 2 0,27 1 1 0,13
Lapplication numrique est : IT1 = 2 0, 3 (12 x 22 + ( -1)2 x 12 ) = 0, 268
Ce pas de calcul tant fait, on calcule les cotes restantes en geant les r tolrances dj calcules avec la relation : ITi = bi
2 IT EF i =1 ( ai .ITi ) r 2
i =r +1ai2 xbi2
Tolrances ges Coefcients Pondrations Tolrances calcules
0,27 1 2 1 1 0,21 1 1 0,21 1 1 0,21 1 1 0,21
0,13
Lapplication numrique est : IT2 = 1 0, 52 - 0, 2682 = 0, 21 4 x (12 x 12 )
Groupe Eyrolles
83
4.5. Calcul en tolrancement inertiel

Comme prcdemment, on doit utiliser une approche itrative. Pour 2 / cela, on calcule la valeur R = IT EF bi2 . On a donc pour la R 2 = 0, 32 / 5 = 0, 018 . chane 1: R1 = 0, 52 / 8 = 0, 031 et
R2 tant plus faible que R1, on commence par calculer les tolrances sur lensemble des cotes de la seconde relation linaire avec lquation : I iMax = bi IT EF 6
iai2 xbi2
X3 X4 X5 X6
Exigence fonctionnelle J2 = 0,20 0,15 Caractristiques X1 X2
Inerties ges Coefcients Pondrations Inerties calcules 1 2 0,045 1 1 0,022
Lapplication numrique est : I 1 Max = 2 0, 3 6 (12 x 22 + ( -1)2 x 12 ) = 0, 045
Ce pas de calcul tant fait, on calcule les cotes restantes en geant les r tolrances dj calcules avec la relation : I iMax b = i 6
2 IT EF i =1( 6ai .I iMax )2 r
i =r +1ai2 xbi2
X2 X3 X4 X5 X6
Exigence fonctionnelle J1 = 0,30 0,25 Caractristiques

Groupe Eyrolles
X1
Inerties ges Coefcients Pondrations Inerties calcules
0,045 1 2 1 1 0,035 1 1 0,035 1 1 0,035 1 1 0,035
0,022
84
Lapplication numrique est : IT2 = 1 6 0, 52 - ( 6 x 0, 045 )2 = 0, 035 4 x (12 x 12 )
4.6. Calcul en tolrancement inertiel pour garantir un Ppk

On souhaite, dans tous les cas de gure, garantir un Ppk minimal de 1 sur les exigences fonctionnelles, en exigeant une Ppi de 1 sur les caractristiques fonctionnelles lmentaires. Dans ce cas, on calcule les coefcients correcteurs par la relation : C= PpiEF
2 + Ppk EF
n 9
Pour la relation 1, on a n = 5, ce qui donne : C= 1 12 5 + 9 = 0, 8
Pour la relation 2, on a n = 2, ce qui donne : C= 1 12 5 + 9

X2
= 0, 9
Caractristiques
X1
X3
X4
X5
X6
Inerties standards IS Coefcient C le plus svre Inerties corriges IC = IS x C
0,045 0,8 0,036
0,035 0,8 0,028
0,035 0,8 0,028
0,035 0,8 0,028
0,035 0,8 0,028
0,022 0,9 0,020

Groupe Eyrolles
En ralit, comme on a utilis un coefcient C sur X1 plus serr dans la seconde relation, on pourrait relcher un peu de contrainte sur les tolrances de X6. Mais cette optimisation sort du cadre de cet ouvrage.
85
4.7. Rcapitulatif des diffrents calculs

Tolrances mthode arithmtique Tolrances statistique quadratique Inerties standards IS Inerties corriges
0,17 0,27
0,08 0,21
0,08 0,21
0,08 0,21
0,08 0,21
0,13 0,13
0,045 0,035 0,035 0,035 0,035 0,022 0,036 0,028 0,028 0,028 0,028 0,020
Dans ce tableau, les seules lignes qui garantissent une proportion de non-conformits maximale sur les exigences fonctionnelles sont les lignes 1 et 4. Comparons, pour une population centre, la plage de variation permise en mthode arithmtique et en inertiel corrig.
Tableau 9 Comparaison des approches arithmtique et Inertiel
Tolrances mthode arithmtique Augmentation relative Dispersion en inertiel corrig (6xI) Inerties corriges
0,17
0,08
0,08
0,08
0,08
0,13
30 % 102 % 102 % 102 % 102 % 11 % 0,216 0,168 0,04 0,03 0,168 0,03 0,168 0,03 0,168 0,03 0,119 0,02
Comme on le constate, lapproche inertielle, tout en garantissant un Ppk minimal de 1 sur lexigence fonctionnelle, conduit une augmentation de la plage de variation qui peut dpasser les 100 %. Elle induit une rduction de cette plage de 11 % sur la caractristique 6 qui avait t particulirement privilgie dans le calcul par la mthode arithmtique.
Groupe Eyrolles
43
On reconnat au dnominateur la fonction perte de Taguchi. Ainsi, le Cpm permet de garantir le centrage sur la cible mais possde limmense dsavantage de conserver ces tolrances traditionnelles par intervalle, qui empchent le changement culturel ncessaire lamlioration de la qualit des produits. Dans lexemple de la Figure 20, on calcule les indicateurs de capabilit par les relations : Lot 1 :
Pp = Min 24 - 16 (24 - 20) ; (20 - 16) = 1 Ppm = = 1 Ppk = 3 x1, 33 6 x1, 33 8 02 + 1, 332 =1
Lot 2 :
Pp = Min[(24 - 22) ; (22 - 16)] 24 - 16 = 1, 5 Ppm = = 3 Ppk = 6 x 0, 44 3 x 0, 444 8 22 + 0, 442 = 0, 65
Avec ces indicateurs, on a toujours lincohrence de conformit, un lot de pices individuellement conformes donne un lot non conforme ! Si on veut changer de faon de voir les choses, il faut que le tolrancement porte dabord sur le lot, et aprs, ventuellement, sur les valeurs individuelles.
Groupe Eyrolles
Chapitre 8
Validation dun processus de mesure en inertiel

1. JUSTESSE ET DISPERSION
La mesure est la base de la qualit ; pour savoir o lon se trouve, il faut disposer dun processus de mesure capable de donner une information pertinente. En effet, une inertie se calcule par la relation : I = s 2 + d2
2 est, en fait, la Mais la variance totale apparente du processus sT somme de deux variances : la vraie variance du processus s 2 P et la 2 . De mme, lcart la cible variance du processus de mesure s G dT est la somme algbrique de deux carts : lcart la cible du processus de production d P et lerreur de justesse de linstrument de mesure dG .
On a donc :
2 = s 2 + s 2 + ( d + d )2 IT P G P G
Soit,
2 = s 2 + d 2 + s 2 + d 2 + 2d d IT P G P G G P 2 2 La partie s P + d P reprsente la vraie inertie du processus, la par2 2 tie s + d + 2 d d P G G G est un terme qui biaise lestimation de linertie du processus. On a donc tout intrt minimiser les deux lments lis la mesure : la dispersion et lerreur de justesse.
Groupe Eyrolles
Les deux lments qui perturbent la mesure (Figure 1) sont donc : la dispersion de mesure s G ; la justesse dG .
188
Les tudes traditionnelles de capabilit des moyens de mesure telles quelles sont proposes dans les normes actuelles (AIAG 2002) tudient de manire spare la justesse et la dispersion. La dispersion est analyse avec une tude de Rptabilit et de Reproductibilit1 (R&R), tandis que la justesse est analyse au travers de ses diffrentes composantes (le biais, la linarit, la stabilit). Cependant, la justesse et la dispersion ne sont pas indpendantes sur limpact de la qualit dune mesure. La Figure 2 montre trois situations de cumul de problmes de biais et de dispersion. Les situations #1 et #3 sont peut-tre acceptables, mais la situation #2 qui cumule les problmes de biais et de dispersion nest sans doute pas acceptable. Ainsi, accepter de faon indpendante la dispersion de mesure et la justesse dun instrument ne rete pas ce que lon souhaiterait avec le bon sens.
Figure 1 Justesse et dispersion
Figure 2 Diffrentes situations

Groupe Eyrolles
1. Le lecteur pourra se reporter louvrage Appliquer la matrise statistique des processus MSP/SPC, op. cit. pour une description dtaille de ces procdures, ou louvrage Qualit de la mesure en production de Daniel Duret, ditions dOrganisation, 2008.
189
Plutt que de sparer les deux approches, Daniel Duret a propos une approche inertielle des processus de mesure. Si on dnit liner2 + d 2 et la vraie inertie du produit par tie de mesure par I M = s G G 2 I P = s2 P + d P , on peut alors crire linertie totale sous la forme : IT =
2 + I 2 + 2d d IP P G G
Pour savoir si un processus de mesure est adapt ou non la situation, on peut dissocier deux cas de gure : la validation de la conformit ; le pilotage dun processus de production. Pour valider la conformit dun produit des spcications, nous aurons besoin de comparer linertie de la mesure la spcication client. Dans le cas dun tolrancement inertiel, la spcication tant sous forme dune inertie maximale (IMax), on utilisera alors un indicateur de capabilit du processus de contrle : CpcI. En revanche, si on veut piloter un processus de production, il est ncessaire que indpendamment de la spcication linertie de mesure soit faible par rapport linertie du processus que lon cherche piloter. Nous utiliserons donc de prfrence lindicateur du nombre de catgories distinctes : ndcI.
2. CAPABILIT DES PROCESSUS DE CONTRLE INERTIELLE CPCI

Une premire approche de la capabilit des processus de mesure inertielle consiste simplement comparer linertie de mesure IG linertie maximale permise par le plan IMax. I Max , valeur qui doit tre suprieure une IG limite que lon xe gnralement 4. On dnit ainsi Cpc I =
Groupe Eyrolles
Pour estimer le CpcI, il faut estimer les deux lments : la dispersion de mesure et le biais.
190
2.1. Estimation de la dispersion de mesure

Pour estimer la dispersion de la mesure, on utilise la procdure R&R (Rptabilit et Reproductibilit) classique qui est dcrite dans les ouvrages cits en rfrence. Nous rappellerons brivement les calculs sur un exemple. On veut estimer la dispersion de mesure sur un processus dont 0,005 linertie est tolrance par 8,25 . On prend dix pices reprsentatives de la production, que lon fait mesurer deux fois, par un premier contrleur et par un second contrleur. On rpte nouveau ce contrle par les deux contrleurs. On obtient alors le tableau de mesures (Tableau 1). Lanalyse des sources de dispersion se fait au travers dune analyse de la variance (on trouvera une explication dtaille dans les ouvrages cits en rfrence). Avec les notations suivantes : a : nombre doprateurs (a = 2 dans lexemple) ; b : nombre de pices (b = 10 dans lexemple) ;
Tableau 1 Relev des mesures
Contrleur 1 N de pices Mesure 1 Mesure 2 Mesure 1 Mesure 2 Contrleur 2
1 2 3 4 5 6 7 8 9 10
8,2484 8,2492 8,2533 8,2492 8,2896 8,2483 8,2477 8,2560 8,2512 8,2488
8,2499 8,2525 8,2577 8,2487 8,2875 8,2494 8,2455 8,2547 8,2521 8,2475
8,2501 8,2497 8,2594 8,2501 8,2879 8,2507 8,2463 8,2559 8,2470 8,2497
8,2482 8,2529 8,2596 8,249 8,2877 8,2503 8,2466

Groupe Eyrolles
8,2563 8,2471 8,2483
191
Tableau 2 Analyse de la variance

Source SS2 ddl Moyenne des carrs Test stat
Pices
SSP
P = b 1
MSP =
SSP b -1 SSO a -1
F0 =
MSP MSOP MSO MSOP MSOP MSR
Oprateurs (reproductibilit)
SSO
o = a 1 OP = (a 1)(b 1) R = ab(n 1) T = abn 1
MSO =
F1 =
Interaction
SSOP
MSOP =
SSOP ( a - 1)( b - 1) SSR ab( n - 1) s2 N -1
F2 =
Rsidus (rptabilit) Total
SSR SST
MSR =
n : nombre de rptitions de mesures (n = 2 dans lexemple) ; Yijk reprsente la mesure de loprateur i, sur la pice j, pour la kime rptition ; Y... = moyenne gnrale = 1 a b n Yijk ; abn i =1 j =1 k =1 1 n yijk ; n k =1 1 a n yijk . an i =1 k =1
Y ij reprsente la notation abrge de
Y j reprsente la notation abrge de
Rappelons que lanalyse de la variance part de la dcomposition de la somme totale des carrs des carts de toutes les observations : SST = SSO + SSP + SSOP + SSR
Groupe Eyrolles
192
Avec : Somme totale des carrs :

a b n 2
SST =
i =1 j =1 k =1
Yijk - Y
Somme des carrs oprateurs :

a
SSO = bn yi - y
i =1
Somme des carrs pices :

b
SS P = an y j - y
j =1
Somme des carrs interactions :

a b 2
SSOP = n yij - yi - y j + y
i =1 j =1
En cas dinteraction non signicative, on fusionne linteraction avec la dispersion rsiduelle, les ratios MSR, F0 et F1 se calculent alors par la relation : MS R = SS R + SSOP ab (n - 1) + ( a - 1)(b - 1) F0 = MS P MS R F1 = MSO MS R
Lapplication numrique dans notre exemple donne :

Source Pices Oprateurs (reproductibilit) Interaction Rsidus (rptabilit) Total SS2 ddl Moyenne des carrs (MS) Test stat Conclusion
0,00544 7,78 107 4,15 105 3,25 105 0,0055
9 1 9 20 39
6,05 104 7,78 107 4,6 106 1,62 106 1,41 104
3,18 5,12 2,39
Signicatif Non signicatif Signicatif

Groupe Eyrolles
193
Lanalyse des sources de dispersion donne :

Source de dispersion Calculs
Rptabilit Equipment Variation (EV)
s rptabilit = MSR = 0, 00127 MSO - MSOP =0 bn
Oprateur b = nb pices n = nb rptitions
s op =
(MSOP > MSO) Interaction sint er = MSOP - MSR = 0, 00122 n
2 + s2 Reproductibilit Appraiser Variation (AV) s repro = s op inter = 0, 00122
Instrument Gage R&R (GRR)
2 s instrument = s 2 Rp + s Repro = 0, 00176
Pices Part Variation (PV) a = nb oprateurs n = nb rptitions
s pices = s pices =
MSP - MSOP an 6, 04.10-4 - 4, 6.10-6 = 0, 0131 2x 2
Total Total Variation (TV)
2 sTotal = s 2 instrument + s pices
sTotal = 0, 001792 + 0, 01312 = 0, 0132
Lestimation de la dispersion du processus de mesure est donne par le instrument = 0,00176
2.2. Estimation du biais

Pour valuer le biais, on choisit une pice (de prfrence, la plus proche possible de la rfrence talon de fait) dont la mesure est connue partir dun moyen de contrle de mtrologie. Cette pice est alors mesure au moins dix fois en utilisant le processus de mesure (Figure 3).
Groupe Eyrolles
Tolrance : 8,25
0,005
10 mesures conscutives dune pice mesurant 8,253
8,2578 8,2555 8,2566 8,2525 8,2577 8,2542 8,2567 8,2554 8,2567 8,2558
194
Figure 3 Donnes pour ltude du biais
Calculer la moyenne et lcart-type X = 8, 25589 s r = 0, 00162
Lorsquune tude R&R a t conduite, on peut galement utiliser lcart-type de rptabilit. Le biais estim est lcart entre la moyenne des dix mesures (8,25589) et la valeur rpute vraie (8,253) soit = 0,00289. Raliser le test dhypothse1 pour vrier labsence de biais au risque de 5 % En labsence de biais, les moyennes suivent une loi de Student de moyenne 8,253 et dcart-type s / n . 0, 00289 Biais On calcule la statistique t = = = 5, 66 ; s r n 0, 00162 10 On compare cette statistique la valeur limite de t pour n 1 degrs de libert et un risque /2 = 2,5 % dans la table de Student : tlimite(2,5%, 9 ddl) = 2,26 ; Si t > tlimite il existe un biais dans la mesure. Dans notre exemple, il y a un cart signicatif, on conclut la prsence dun biais dune valeur G = 0,00289. Dans un cas o le biais serait jug non signicatif, on considre que celui-ci est gal zro.
1. Pour plus de dtails sur ce test, le lecteur pourra consulter mon ouvrage Six Sigma Comment lappliquer, ditions dOrganisation, 2009.
Groupe Eyrolles
195
2.3. Estimation du CpcI

On dispose maintenant de lcart-type du processus de mesure (instrument = 0,00176) et de limportance du biais (G = 0,00289). On calcule linertie du processus de mesure par la relation de linertie :
2 I G = s instrument + d 2 = 0, 001762 + 0, 002892 = 0, 00338
On en dduit la valeur du CpcI : Cpc I = I Max 0, 005 = = 1, 47 IG 0, 00338
Cette valeur est trs infrieure quatre, linstrument est jug non capable au regard de linertie maximale de 0,005. La Figure 4 donne une reprsentation de lacceptation dun processus de mesure en inertiel. Le demi-cercle extrieur reprsente linertie maximale. Le demi-cercle intrieur, qui est gris, reprsente le quart de linertie maximale. Cest la zone dacceptation de linertie de mesure. On dessine sur ce graphique en abscisse sur laxe limportance du biais, et en ordonne sur laxe lcart-type de la dispersion de mesure. Cela dtermine les coordonnes de linertie du processus de mesure. Si cette inertie est lintrieur du cercle gris, le processus de mesure est acceptable ; sinon, il est jug non capable. Dans lexemple que nous avons pris, linertie de mesure est trs loin dtre accepte. Pour amliorer ce processus, il faut travailler rduire la fois le biais et la dispersion de mesure.
Groupe Eyrolles
Figure 4 Reprsentation de lacceptation dun processus de mesure en inertiel
196
3. CALCUL DU NDCI, NOMBRE DE CATGORIES

DISTINCTES INERTIEL
Le MSA (Measurement System Analysis) du groupe AIAG propose le concept de nombre de catgories distinctes ndc calcul par la relation ndc = 2 s PV , avec : sG
s PV lcart-type de la dispersion de la production (Part Variation) ; s G lcart-type de la dispersion de la mesure (Gage Repetability & Reproductibility). Daniel Duret a propos dtendre ce concept linertiel et de calculer de la mme faon un ndcI par la relation : ndc I = 2 Que lon peut galement crire : ndc I = 2 IP
2 IG
IP
2 + 2d d IG P G
+ 2( dT - dG )dG
Un encadr la n de ce chapitre donne lorigine de ce calcul. Si on pilote correctement le processus en inertiel avec les approches que nous avons dcrites dans cet ouvrage, on peut faire lhypothse que le dcentrage des produits va tendre vers zro. On peut alors crire : ndc I limite = 2 IP IG
On xe alors la limite dacceptation par la relation : IG = 2 IP ndc I limite

Groupe Eyrolles
Le ndcI limite tant pris par convention gal quatre, par exemple. Dans lexemple qui a servi illustrer le paragraphe prcdent, nous avions trouv :
2 2 = 0, 00176 2 + 0, 00289 2 = 0, 00338 I G = s instrument + dG
197
Pour calculer IP , plusieurs solutions sont possibles : Cas #1 : Processus que lon peut rgler sur la cible Dans ce cas, on peut supposer que le dcentrage du processus peut tre nul, linertie est dduite de lcart-type court terme du processus. On a alors deux solutions : soit utiliser lcart-type pice s Pices que lon a calcul dans ltude R&R, on a alors I P = s Pices . Linconvnient de cette mthode rside dans lestimation de linertie pices sur seulement dix pices ; soit utiliser lcart-type total issu dune tude de capabilit court terme, auquel il faut retrancher la partie de dispersion de mesure. On 2 - s2 . calcule alors linertie des pices par la relation : I P = s CT G Cas #2 : Processus que lon ne peut pas rgler sur la cible 2 = I 2 + I 2 + 2d d Dans ce cas, on calcule IP par la relation I T P G soit P G
2 = I 2 - I 2 - 2d d IP P G G T 2 = I 2 - I 2 , on Si on fait lhypothse que G = 0, la relation scrit I P G T peut alors comparer directement IG IT par la relation :
IG <
2 ndc I limite 2 + 2
.IT
Application sur lexemple (ndcI Limite pris gal 4) : Si on se place dans le cas #1, on avait calcul s Pices = 0,0131, on estime donc que IP = 0,0131. 2 On doit vrier la relation I G < I P soit ndc I limite 2 IG < 0, 0131 = 0, 0046 . 4
0, 0131 IP = 2 = 5, 58 ). 0, 00338 IG Si on se place dans le cas #2, avec G signicativement diffrent de zro, on avait calcul :
IG = 0,00338, la relation est accepte (ndcI = 2

Groupe Eyrolles
Moyenne des 40 mesures : 8,2545 soit T = 0,0045 ; cart-type des 40 mesures : T = 0,0119 ;
198
2 Inertie totale : IT = s 2 T + d T = 0, 0127 ;
Inertie de linstrument I G = 0, 00338 ; Biais de linstrument G = 0,00289. On en dduit P = T G = 0,0045 0,00289 = 0,0016, et on calcule ainsi :
IP =
2 - I 2 - 2d d = 0, 0127 2 - 0, 00338 2 - 2 * 0.00289 * 0.0016 = 0, 01186 IT P G G
On peut ainsi calculer le ndcI :

ndc I = 2 IP
2 IG
+ 2d P dG
= 2
0, 01186 0, 003382 + 2 * 0, 0016 * 0, 00289
= 3, 44
Le ndcI tant infrieur 4, le processus de mesure nest pas accept au regard de la dispersion des pices. Remarque Dans notre exemple, le CpcI nest pas accept, alors que le ndcI est accept (cas #1). En effet, les pices ayant servi faire ltude R&R taient particulirement disperses. Si on calcule le Cp sur ces dix pices on trouvera : Cp = I Max 0, 005 = = 0, 40 I 0, 0123
Linertie de mesure est donc importante au regard de la tolrance IMax, mais reste acceptable au regard de linertie relle des pices ralises.
Groupe Eyrolles

Tolerancement Inertiel - Maurice Pillet

Transféré par

Droits d'auteur :

Formats disponibles

Tolerancement Inertiel - Maurice Pillet

Transféré par

Informations du document

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

Tolerancement Inertiel - Maurice Pillet

Transféré par

Droits d'auteur :

Formats disponibles

Maurice Pillet

Groupe Eyrolles, 2010 ISBN : 978-2-212-54754-2

Remerciements ............................................................................... Introduction De linterchangeabilit Six Sigma ...........................

187 187 189 190 193 195 196

Du tolrancement traditionnel au tolrancement inertiel

1.1. Incohrence fonctionnelle

Du tolrancement traditionnel au tolrancement inertiel

Figure 1 Exemple dassemblage

0,74 1,38 2,10

0,74 1,38 2,10

Du tolrancement traditionnel au tolrancement inertiel

1.1.1. Incohrence de lapproche au pire des cas

Du tolrancement traditionnel au tolrancement inertiel

1.2. Incohrence de conformit

Empreintes Moyenne cart-type Ppk

Figure 4 Cas des mlanges de lots

Du tolrancement traditionnel au tolrancement inertiel

Figure 5 Capabilit partir du mlange des huit empreintes

1.3. Incohrence conomique

Figure 6 Fonction perte de la qualit traditionnelle

Du tolrancement traditionnel au tolrancement inertiel

Figure 7 Fonction perte de Taguchi

Du tolrancement traditionnel au tolrancement inertiel

Figure 8 Deux lots dont la dcision de conformit est diffrente

1.4. Le cot de ces trois incohrences

2. DE LA NCESSIT DE DFINIR AUTREMENT LA CONFORMIT

Du tolrancement traditionnel au tolrancement inertiel

Figure 9 Inertie dun lot

( xi - m)2 + (m - Cible)2 + 2( xi - m)(m - Cible)

Le troisime terme tant gal zro il vient : I=

Du tolrancement traditionnel au tolrancement inertiel

Figure 10 Le tolrancement inertiel versus la tolrancement traditionnel

On en dduit linertie : I = S 2 + ( X - cible )2 = 0, 01627.

2.2. Le tolrancement inertiel et les trois incohrences

Du tolrancement traditionnel au tolrancement inertiel

Indice de capabilit assemblage Pp Ppk Ppm

Indice de capabilit des composants

Ppk Ppm TncMin TncMax

0,003 0,58 0,58 0,58

4,2 % 4,2 % 4,2 %

4,2 % 4,2 % 4,2 %

TNC Max (ppm) 1 350 TNC Min (ppm) 1 350

Situation centre avec un tolrancement au pire des cas

Indice de capabilit assemblage Pp Ppk Ppm

Indice de capabilit des composants

1,00 1 350 1 350

2,1 0,74 1,38

0,003 0,003 0,003

0,003 0,003 0,003

TNC Max (ppm) TNC Min (ppm)

Indice de capabilit assemblage Pp Ppk Ppm

Indice de capabilit des composants

Ppk Ppm TncMin TncMax

TNC Max (ppm) 34 024 TNC Min (ppm) 0

Situation dcentre avec un tolrancement statistique quadratique

Indice de capabilit assemblage Pp Ppk Ppm

Indice de capabilit des composants

2,0945 0,001 0,7438 0,002 1,3848 0,001

0,006 0,004 0,005

3,57 1,85 3,57