R EVUE DE STATISTIQUE APPLIQUÉE
J. J. D AUDIN C. D UBY P. T RÉCOURT
Plans de contrôle double optimaux (maîtrise des procédés et contrôle de réception)
Revue de statistique appliquée, tome 38, n
o4 (1990), p. 45-59
<http://www.numdam.org/item?id=RSA_1990__38_4_45_0>
© Société française de statistique, 1990, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
PLANS DE CONTRÔLE DOUBLE OPTIMAUX (MAITRISE DES PROCÉDÉS
ET CONTRÔLE DE RÉCEPTION)
J.J.
DAUDIN,
C.DUBY,
P.TRÉCOURT
Statistique Appliquée,
Institut National
Agronomique
ParisGrignon Département
deMathématique
etInformatique
16 rue Claude Bernard 75231 Paris Cedex 05
RÉSUMÉ
Il y a
plusieurs plans
doubles de contrôle deréception (par
attribut ou par variable) ayant une même efficacité. Parmi ceux-ci, on peut chercher celuiqui
est leplus économique
en nombre moyen
d’objets
échantillonnés. Dans cet article, nous proposons desalgorithmes d’optimisation
desplans
doubles, et nous donnons une illustration desgains
que l’on peutespérer.
Nous traitonségalement
leproblème
des cartes de contrôle doubles.Mots-clés : Carte de contrôle, Carte de contrôle double, Contrôle de
qualité, Optimisation,
Plan double.
SUMMARY
For a same
given efficiency,
there are several doublesampling plans, by
attribute orby
variable. It is thenpossible
topick
off among them the most economical, i. e. the one whose averagesample
size is minimum.Optimization algorithms
areproposed
in this paper for double attribute and variablesampling plans
and for the double Shewhart control chart.Some
examples
aregiven
whichgive
some indication about the save ofsample
size whichmay be attained
by
this method.Key-words :
AttributeSampling
Plan, DoubleSampling
Plan, DoubleSampling X -chart,
Variable
Sampling
Plan.1. Introduction
Le calcul des
risques statistiques
est un outilindispensable
au contrôle de laqualité
desproduits
et des processus deproduction.
Enparticulier
le choix deplans d’échantillonnage
dans le contrôle deréception
est fondé sur le calcul desrisques
de mauvaises décisions
(risque
du consommateur et duproducteur),
c’est à dire surla courbe d’efficacité
statistique.
Demême,
le choix de la taille des échantillons dans le cas de la carte de contrôle deShewhart,
celui des limites de contrôle et celui de l’intervalle entre 2 échantillons successifs doit être fondé sur l’efficacité46 JJ. DAUDIN, C. DUBY, P. TRÉCOURT
statistique
de la carte et notamment sur le rang moyen d’arrivée dupremier point
hors des limites de contrôle
(Average
RunLength).
En réalité le choix final est uncompromis
entre la volonté de diminuer lesrisques
et le coût du contrôle(que
l’on considère ici comme
proportionnel
à l’effortd’échantillonnage),
ainsi que sa faisabilité sur le terrain. On sait en effet que pour obtenir desrisques
d’erreurnuls,
il faut contrôler toute la
production
et que lesrisques augmentent quand
diminuela taille de
l’échantillon.
Cet article
développe
des méthodes deplans
doublesoptimaux,
basées surdes
algorithmes d’optimisation, qui permettent
d’obtenir un meilleurcompromis
que les méthodes
anciennes;
onpeut
ainsi obtenir la même efficacitéstatistique (c’est
à dire les mêmesrisques d’erreur)
tout en diminuant fortement le coût du contrôle. Inversement à coûtégal,
on obtient desprotocoles
de contrôleplus
efficaces
statistiquement,
c’est à dire desrisques
d’erreursplus
faibles que lesprotocoles
anciens(plans simples
ouplans
doubles nonoptimaux).
Cetype
de méthode est une illustration desprogrès
quepermet l’optimisation
etl’informatique
dans l’amélioration des méthodes de contrôle
statistique.
Il est connu que l’utilisation de
l’échantillonnage
doubleapporte
ungain
d’efficacité
statistique,
à taille moyenne d’échantillonégale,
parrapport
à l’échan-tillonnage simple.
Lesplans
de contrôle double sontlargement
utilisés dans le contrôle deréception
par attribut(Voir
parexemple
AFNOR(1988)
ou SCHIL-LING
( 1982)).
On les utiliseégalement
dans le cadre du contrôle deréception
par variable(Voir
SCHILLING(1982)).
Cetype d’échantillonnage
estgénéralement
utilisé pour obtenir un contrôle de même efficacité
statistique
que leplan simple correspondant
et de coûtplus
faible. Eneffet,
à efficacitéégale,
lesplans
doublespermettent
une réduction du coûtd’échantillonnage
de l’ordre de 10 à 40%. Cetype
deplans
n’est pasbeaucoup plus compliqué
que leplan simple
à mettre enoeuvre et à faire
appliquer
par les contrôleurs. Il est, deplus,
asseznaturel,
dans lamesure où il
correspond
à une notionlargement répandue
de « deuxième chance » : il donne à un lot douteux lapossibilité
de « se racheter » au deuxième échantillon.En ce sens, il est
généralement
mieuxaccepté
à la fois par le fournisseur et par leclient,
que leplan simple qui apparaît
comme uncouperet
sans recours.La même idée
peut s’appliquer
aux cartes de contrôle sur la moyenne : certainspratiquent
larègle
suivante pourgarder
un processus de fabrication sous contrôle : si la moyenne de l’échantillon est à l’intérieur des limites desurveillance,
on considère que le processus est sous
contrôle,
si elle est au delà des limites decontrôle,
on décide que le processus est horscontrôle,
etenfin,
si la moyennese situe entre la limite de contrôle et celle de
surveillance,
on décide deprendre
un nouvel échantillon. Il
s’agit
en fait d’une carte de contrôle double. DAUDIN(1990)
a étudié lespropriétés statistiques
de cetype
de carte,qui possède
uneefficacité
statistique qui
se compare favorablement à différentes tentatives faites pour améliorer la carte deShewhart,
comme les tests de séries et les cartes avec intervalle variable entre deuxprélèvements.
Les
procédures d’échantillonnage
doublepossèdent
5paramètres (au
lieu de2 pour
l’échantillonnage simple).
Parconséquent,
il existe engénéral plusieurs (une
infinité
de) plans
de cetype passant
par 2points
donnés de la courbed’efficacité,
comme par
exemple (NQA,a)
et(NQT,03B2),
oùNQA
est laproportion d’objets
nonconformes dans le
lot, appelé
Niveau deQualité Acceptable, qui correspond
à unlot de
qualité standard, qui doit,
leplus
souvent, êtreaccepté
par lecontrôle; NQT
est la
proportion d’objets
nonconformes, appelé
Niveau deQualité Toléré, qui correspond
à un lot de mauvaisequalité, qui
doit être leplus
souventrejeté
par lecontrôle;
a est laprobabilité
derejeter
un lot dequalité NQA,
et enfin(3
estla
probabilité d’accepter
un lot dequalité NQT.
Si on veut mettre enplace
uncontrôle d’efficacité
donnée,
il y a donc ungrand
choix deplans
satisfaisants. Onpeut exiger
que leplan
double satisfasse des contraintessupplémentaires,
commepar
exemple
que les deux échantillons successifs soient de tailleégale,
ou que la valeur derejet
soit lamême,
mais il estplus logique
de chercher àoptimiser
lecoût du contrôle : on cherche alors le
plan
double minimisant le nombre moyend’objets
échantillonnés(si
on admet que le coût du contrôle estproportionnel
auxnombre
d’objets échantillonnés),
etpossédant
une efficacité donnée.Cependant,
lenombre moyen
d’objets
échantillonnésdépend
non seulement de laprocédure
decontrôle,
mais aussi de laqualité
du lot que l’onconsidère,
ou de la moyenne du processus que l’on surveille. On cherchera donc le contrôle double minimisant le coûtd’échantillonnage
pour unequalité
donnée de lot( telle
que laqualité
moyenneou la
plus fréquente);
dans le cas de la maîtrise d’un processus, on cherchera la carte double minimisant le coûtd’échantillonnage quand
le processus est sous contrôle.Dans cet article nous traitons le
problème
de la détermination deplans
doubles
optimaux
au sens défini ci-dessus. Ce choix faitappel
à desalgorithmes d’optimisation
souscontrainte,
que nous décrivons. Nousprésentons également quelques exemples
montrant legain
que l’onpeut
attendre de cetype
deprocédure.
2. Plan double
optimum (réception
parattributs)
Le contrôle de
réception
par attributss’applique
à des lotsd’objets que
l’onpeut
classer comme bons ou mauvais. Il est décrit defaçon
détaillée dans lesnormes AFNOR
(1988)
ou dans SCHILLING(1982).
Les notations sont définies de lafaçon
suivante :On extrait du lot un échantillon de taille n1,
puis ensuite,
si cela estnécessaire,
un deuxième échantillon de taille n2. Soit
dl
le nombred’objets
défectueux dans lepremier
échantillon etd2
dans le deuxième. Larègle
de décision concernant le lot est la suivante :Si
d1 ~
al onaccepte
le lotSi al
dl
r1 on tire le 2° échantillon et :Si
dl
+d2
a2 onaccepte
le lotSi
dl
+d2
r2 onrejette
le lot(avec
r2 = a2 +1)
Si
d1 ~
ri onrejette
le lot.Les
caractéristiques
d’unplan
double sont donc ni, n2, a1, a2, r, et r2.Dans un contrôle de
réception,
il convient d’abord de déterminer les niveaux dequalité acceptable (NQA)
et toléré(NQT)
ainsi que lesrisques
duproducteur (a)
et du consommateur
«(3)
associés à chacun d’eux. Cesparamètres
sont lesobjectifs
48 JJ. DAUDIN, C. DUBY, P. TRÉCOURT
de
qualité
que le contrôle doit satisfaire. Nous ne traitons pas ici de la détermination de cesparamètres ;
leproblème
est de déterminer unplan
de contrôle satisfaisantces contraintes et de coût minimum. Si nous nous limitons aux
plans doubles,
ilen existe un
grand
nombrequi
satisfont lesobjectifs
fixés. La recherche de celui d’entre euxqui
utilise en moyenne leplus petit
nombred’objets
échantillonnés est unproblème d’optimisation
en nombre entiersLe
problème peut
êtreposé
dans les termes suivants : ils’agit
de trouver leplan
doublerespectant
unrisque
a(respectivement {3)
donné pour un niveau dequalité admissible, NQA
fixé(respectivement
un niveau dequalité
toléréNQT)
minimisant le nombre moyend’objets échantillonnés, NME,
si laproduction
a unequalité
moyenne mesurée par laproportion
de défectueux po.En termes
formels,
ils’agit
de trouver les valeurs de nl, n2, al, rl, r2 tels quesous les contraintes suivantes :
2.1.
Description
del’algorithme
Pour des raisons de
rapidité
decalcul,
et pourpouvoir
travailler sur des valeurs réelles de ni, al , r1, n2, et r2, nous utilisonsl’approximation
deCamp-
Paulson de la fonction de
répartition
de la loi binomiale.(CAMP(1953)-PAULSON (1942)).
L’algorithme
que nous utilisonsprocède
en 2étapes :
unpremier algorithme, Al, permet
avec ni, ai, et rifixés,
de trouver les valeurs de n2 et r2, si ellesexistent, qui respectent
les 2équations (1)
et(2).
Un deuxièmealgorithme, A2,
utilisant A 1 de
façon répétée,
recherche les valeursoptimales
de ni, ai, et ri,non entières. La recherche des solutions entières est faite
plus
tard dans la mise aupoint
finale.Algorithme
Aln2 et r2 sont racines de
(1)
et(2),
que l’onpeut
écriref1(n2,r2)
= 0 etf2(n2,r2)
= 0. La méthodeclassique
de linéarisation donne auvoisinage
de lasolution :
x
et y
sont donc obtenus àchaque
itération par inversion de la matrice des dérivées defl
etf2.
Les dérivées sont calculéesnumériquement.
Algorithme
A2A
chaque triplet (ni, ai, ri),
onpeut associer,
s’ilexiste,
lecouple (n2, r2) grâce
à Al. Le critère àminimiser, (0),
est donc une fonctionnumérique
de 3 varia-bles, g(n1,
a 1,7*1 ).
Il faut annuler les dérivées de g parrapport
àchaque
variable n 1,al, et ri.
L’algorithme
deNewton-Raphson (voir
parexemple
MINOUX(1983)),
utilisant l’inverse de la matrice des dérivées secondes de g,
permet
d’obtenir la solution. Les dérivées sont calculéesnumériquement.
Réglages
de Al et A2Pour éviter certains
problèmes
de fuite à l’infini ou de non convergence, des modifications de Al et A2 sontindispensables.
Enparticulier,
il faut délimiter correctement la zone admissible pour n1, ai, et ri, c’est à dire celle pourlaquelle
il existe des valeurs de n2 et r2 satisfaisant
(1)
et(2).
Mise au
point finale
Une fois trouvées les valeurs de n1, al, ri, n2, et r2, il faut trouver les meilleures solutions entières : on choisit les valeurs entières situées au
voisinage
de la solution réelle. En
effet,
la fonction àoptimiser
est une fonction assezrégulière
et varie très peu pour de
petits changements
desparamètres.
Les calculs finaux sont faits avec la loi binomiale exacte.2.2 Résultats et
exemples
Cette
optimisation permet
d’obtenir une diminution nonnégligeable
du coûtdu contrôle par
rapport
auxplans
donnés dans les tables. En effet ces dernièresobligent
àprendre
nl - n2 ou au moins nl -kn2 (avec k entier),
cequi
donnegénéralement
une solution loin d’êtreoptimale.
Deplus
il n’existe pastoujours
dans les tables de
plans répondant
aux valeursNQA,
a,NQT, 3
fixées apriori.
Pour illustrer les diminutions de coût de contrôle
produit
parl’optimisation,
on considère le
problème
du contrôle de lapureté spécifique
de semences decéréales tel
qu’il
estpratiqué
par lesproducteurs
de semences.Considérons,
pour fixer les idées unNQA
de 1%. Dans les tablesMilitary
standard 105-D(normes
AFNOR)
la lettre codeQ correspondant
à des lots de taille trèsimportante (le
50 JJ. DAUDIN, C. DUBY, P. TRÉCOURT
nombre de
graines
dans un lot est deplusieurs millions)
et à un contrôle normal donne leplan
double suivant :qui possède
lesrisques
suivantsLa
proportion
moyenned’impuretés
dans laproduction
est de0,5%.
Lenombre moyen de
graines
échantillonnées par lot est de 801. Bien que laqualité
soit bonne on ne
peut
passer à un contrôle réduit dans la mesure où le nombre de lots parproducteur
pour uneespèce
donnée est faible et où le service officiel de contrôle duGroupement
National de l’Industrie des Semencesqui
certifie laqualité
des lotsauprès
desagriculteurs, exige
que laqualité
soitrespectée
pourchaque
lot individuel et non pas en moyenne. Dans cesconditions,
on nepeut
pasappliquer
lesrègles
dechangement
deplan
du standard mais on doit utiliser unplan
de contrôle immuable.Le
plan optimum respectant
les mêmesrisques (a = 1.17%
pour unNQA
de 1% et
{3
=2.61%
pour unNQT
de2,5%)
est :qui exige
en moyenne d’échantillonner 488graines,
soit une économie de 313graines,
soit une diminution du coût de contrôle de 39%.Ce
plan peut
n’être paspratique
en raison des chiffres non arrondisqu’il comporte ;
onpeut
proposer unplan plus
facile à réaliser et decaractéristiques
trèsproches
duplan optimum :
qui possède
lescaractéristiques
suivantesa =
1.06%
pour unNQA
de1%
et/? = 3.04%
pour unNQT
de2,5%
qui exige
en moyenne d’échantillonner 470graines.
Cetexemple
montre quel’optimisation
desplans
de contrôlepeut
conduire à des diminutions de coût du contrôle trèsimportantes.
Enpratique
l’utilisation deplans
doubles avec nl = n2n’est pas à conseiller d’un
point
de vueéconomique :
onperd
de 10 à 40% parrapport
à la solutionoptimale.
Cet
exemple
montreégalement
que lapanoplie
desplans
contenus dans lesstandards est très limitée et manque
beaucoup
desouplesse,
alors que la micro-informatique permet
de se libérer de ces contraintes. Parexemple
SCHILLING(1982,
pp.132-134)
propose d’utiliser unerègle,
basée sur uneapproximation
Poissonienne, permettant
d’obtenir unplan
doublerespectant
desobjectifs
fixés dequalité
à l’aide d’une tablespéciale.
Parexemple
pourNQA
=1%, NQT
=5%,
a =
5%
et{3
=10%,
il obtient ni = n2 =88,
ai=1,7-1= 4,
et r2 = 5(plan 1).
Ce
plan
nerépond
pas exactement auxobjectifs
définis et estplus
coûteux que leplan optimal (obtenu
en 30 secondes sur unmicro-ordinateur) qui
est le suivant : nl =59,
n2 =83,
a1 =0,
ri =4,
et r2 = 4(plan 2).
Si on veut comparer 2plans
de mêmeefficacité,
onpeut
chercher leplan
doubleoptimum
ayant la même efficacité que leplan
donné parSCHILLING;
on obtient alors ni =55, n2
=126,
al =
0,
ri =4,
et r2 = 5(plan 3).
Le tableau suivantpermet
de comparer les troisplans :
Il se trouve ici que la
règle
de SCHILLING donne unplan plus
efficace que lesobjectifs demandés;
l’inversepeut
aussi seproduire,
cequi
estplus
grave. Il estaujourd’hui possible, rapide
et sûr d’obtenir desplans optimaux,
avec des résultatssans
approximation,
et cela sansposséder
unemontagne
de tables danslesquelles
il n’est pas
toujours
facile de se reconnaître.3. Plan double
optimum (réception
parvariables)
3.1. Le contrôle de
réception
par variableCe
type
de contrôles’applique
à desproduits
surlesquels
on mesure unecaractéristique (contrôle
parvariable).
Une ou des tolérances(inférieure et/ou supérieure) s’appliquent
à cettecaractéristique :
leproduit
estjugé
bon oumauvais selon que la
caractéristique
mesurée est satisfaisante vis à vis de la(des) tolérance(s).
On trouvera unedescription
détaillée de cette forme de contrôle dans SCHILLING(1982),
ou dans le volume 2 des normesstatistiques
AFNOR(1988).
On considère une mesure
X,
dont on admetqu’elle
est distribuée selon une loi normale de moyenne M etd’écart-type
o-. Onconsidère,
parexemple,
une limitede tolérance
inférieure, Ti.
Laproportion d’objets
non conformes dans un lot de taille infinie estégale
àProb(X Ti).
On a :Prob
(X Ti)
=F((Ti - 03BC)/03C3),
où F est la fonction derépartition
de laloi Normale centrée réduite.
Dans le cas d’une limite de tolérance
supérieure,
on aProb(X
>Ts )
=F((03BC - Ts)/03C3)
Le
plan
de contrôle double est défini de lafaçon
suivantequand u
est connu :On extrait du lot un échantillon de taille nl
puis ensuite,
si cela estnécessaire,
un deuxième échantillon de taille n2. Soit ml la moyenne de la
caractéristique
mesurée, X,
dans lepremier
échantillon et m2 dans ledeuxième,
et m(où
52 JJ. DAUDIN, C. D UBY, P. TRÉCOURT
m =
(nl ml
+n2m2)/(n1
+n2))
la moyenne de X dans l’échantillon total(de
taille ni +
n2).
Si on a une tolérance
inférieure,
larègle
de décision concernant le lot est la suivante :On calcule
Q(1)i = (ml - Ti)/a
Si Q(1)i ~ ka
onaccepte
le lotSi Q(1)i ~ kr on rejette le lot
Si
kr Q(1)i ka
on tire le 2° échantillon On calculeQ(2)i = (m - Ti)/03C3
Si
Q(2)i ~ k2
onaccepte
lelot,
sinon on lerejette.
Si on a une tolérance
supérieure,
larègle
de décision concernant le lot est la suivante :On calcule
Q(1)s = (Ts - m1)/03C3
Si Q(1)s ~ ka on accepte le lot
Si
Q(1)s ~ kr
onrejette
le lotSi
kr Q(1)s ka
on tire le 2° échantillon On calculeQ(2)s = (Ti - m)/03C3
Si
Q(s)s k2
onaccepte
lelot,
sinon on lerejette.
Les
caractéristiques
d’unplan
double sont donc nl, n2,ka, kr
etk2.
3.2
Optimisation
duplan
double :exemples
La
première qualité
que l’onexige
d’unplan
de contrôle estqu’il respecte
l’efficacité demandée.Cependant plusieurs plans
doubles peuvent touscorrespondre
aux
objectifs qualité (NQA, NQTa, 03B2).
Pour choisirparmi
cesplans,
un deuxièmecritère est fondamental : c’est le coût du contrôle
exprimé
en nombre moyend’objets
échantillonnés. Pour ungrand
nombre de lots de mêmequalité P,
onpeut
calculer le nombre moyend’objets
échantillonnés. Parmi un ensemble deplans ayant
la même efficacité on choisira celuiqui
a le nombre moyend’objets
échantillonnés le
plus
faible pour la valeur laplus fréquente
deP,
po. Leproblème d’optimisation peut
donc se formaliser de lafaçon
suivante :Les contraintes d’efficacité sont les suivantes : si- le lot a une
proportion
deNQA objets
nonconformes,
il doit êtreaccepté
avec uneprobabilité
1 - a, ets’il contient une
proportion
deNQT objets
nonconformes,
il doit êtreaccepté
avec une
probabilité /3.
Laquantité
à minimiser est le nombre moyend’objets
échantillonnés.
Formellement,
dans le cas d’une toléranceinférieure,
leproblème d’optimisation
est le suivant : ils’agit
de trouver nl, n2,ka, kr
etk2,
tels que :ni +
n2Pi(p0)
soit minimumsous les contraintes
Pa(NQA)
= 1 - a etPa(NQT)
=bo,
probabilité
de tirer le deuxième échantillon(Pi :
Probabilité d’indécision aupremier échantillon).
où 03BC
est une fonction de p : J1 =Ti
+03C3F-1(1 - p),
etf
est la densité de la loi NormaleN(O, 1).
L’algorithme
de résolution de ceproblème d’optimisation
sous contraintes est un casparticulier
de celui de la carte de contrôle doublequi
est décrit auparagraphe
suivant.
Les
exemples
suivants montrent legain
que l’onpeut espérer
dans ce cas :a) Exemple
1 :comparaison
avec unplan simple.
On considère les
objectifs
dequalité
suivants(SCHILLING,
p.238) : NQA
=1,8%
avec a = 5% etNQT
= 18% avec{3
=10%. SCHILLING donne leplan simple
notéplan
1 dans le tableau 1. Leplan
doublequi possède
l’efficacité
voulue,
etqui
a leplus
faible nombre moyend’objets
échantillonnésquand
laproportion d’objets
non conformes dans le lot est de1 %,
est leplan
2. Ona donc un
gain
de 2.4objets
parrapport
auplan simple,
soit une réduction de 40%.C’est un
plan qui respecte
mieux lesobjectifs d’efficacité,
etqui
estlargement
moins coûteux.
b) Exemple
2. On considère lesobjectifs
dequalité
suivants(SCHILLING,
p.
263) :
NQA
= 1% avec a = 5% etNQT
= 5% avec{3
=10%.SOMMERS
(1981)
a construit une table danslaquelle
on obtient desplans
doubles pour différentes valeurs de
NQA
etNQT
et avec a et3
fixés àrespectivement
5 et 10%. Cesplans
doubles ont deux échantillons de tailleégale,
et la valeur de
rejet
est la même pour lepremier
et le deuxième échantillon. Cesrègles
font que leplan
est relativementsimple,
maisqu’il
est loin d’êtreoptimal
sur le
plan économique.
On obtient leplan
3(tableau 1).
Leplan
doubleoptimal qui correspond
auxobjectifs
dequalité
est leplan
4 du tableau 1. Il donne ungain
de 3.9
objets
parrapport
auplan
double deSOMMERS,
soit une réduction de 29%.Le
plan
double donné parl’algorithme d’optimisation
est donc à la foisplus proche
desobjectifs
d’efficacité visés etlargement plus économique
que leplan
donné par les tables de SOMMERS. De
plus,
il estplus
facile à obtenirgrâce
àl’outil
informatique, plus
convivial que l’utilisation de tables.54 JJ. DAUDIN, C. DUBY, P. TRÉCOURT
TABLEAU 1
Exemples
deplans
de contrôle par variable4. Carte de contrôle double
optimale
Les méthodes
d’échantillonnage double, plus
souvent utilisées dans le contrôle deréception, peuvent également
s’avérer utiles dans le contrôle d’un pro-cessus de
production.
DAUDIN(1991)
a étudié lespropriétés (probabilité
d’unsignal,
nombre moyen de contrôles avant de détecter undéréglage,
nombre moyend’objets échantillonnés...)
de la carte de contrôle double sur la moyenne. Cette carte améliore nettement l’efficacité de la carte de contrôleclassique
de Shewhartavec un nombre moyen
d’objets
échantillonnéségal, quand
le processus est sous contrôle. Onpeut,
au contraire utiliser cetype
de carte pour réduire le coût ducontrôle,
tout en conservant une efficacitéégale.
La carte de contrôlepossède
unesouplesse
d’utilisationappréciable,
car il y a 5paramètres
à fixer. Il est donc pos- sibled’adapter
lecomportement
du contrôle àchaque problème.
Il estégalement possible
de chercher la carte doublerespectant
certains critèresd’efficacité, qui
soitla
plus économique
en termes de nombre moyend’objets
échantillonnés. C’est ceque nous
faisons, après
avoirrappelé
la définition de la carte de contrôle double.4.1.
Définition
de la carte de contrôle double Lepremier
échantillon est de taille ni, xi est sa moyenne.Si xi E
I1
on décide que le processus est sous contrôle.Si xi E
12
on décide deprendre
un nouvel échantillon de taille n2 Si xi E13
on décide que le processus est hors contrôle.avec
où 03BC0 et 03C3 sont la moyenne et
l’écart-type
du processus sous contrôle.Quand
le deuxième échantillon estpris,
larègle
de décision est la suivante :On suppose que les moyennes ont une distribution
normale, d’espérance
03BC etd’écart-type 03C3/n,
pour un échantillon de taille n.Pa
est laprobabilité
de déciderque le processus est sous contrôle.
Pa = Pa1 + Pa2,
oùPa1
est laprobabilité
dedécider que le processus est sous contrôle au
premier échantillon,
etPa2
lors dusecond.
où 03B4 = (03BC - 03BC0)/03C3.
où
g(.)
est la densité normale de xl. Cettequantité
est encoreégale
à :56 JJ. DAUDIN, C. DUBY, P. TRÉCOURT
Ces deux
intégrales
doivent être calculéesnumériquement. f(.)
est dans cettedernière formule la densité de la loi Normale
N(0,1).
Enpratique,
nous avonsutilisé un
algorithme d’intégration numérique
de la famille deNewton-Cotes, appelé règle
de Boole(DAVIS,
RABINOWITZ(1975),
p.63).
La fonction derépartition
de la loi Normale est calculée par
l’approximation
de BEASLEY et SPRINGER(1985).
On cherche à construire la carte double
ayant
une efficacité donnée endeux
points
03BC0 et Mi, minimisant le nombre moyend’objets
échantillonnésquand
le processus est sous contrôle.
Formellement,
leproblème d’optimisation
est lesuivant : il
s’agit
de trouver nl, n2,L, Ll, L2,
tels que nl +n2Pi(03BC0) (3)
soit minimumsous les contraintes
Pa(03BC0) = 1 - 03B1 (4)
etPa(03BC1) = 03B2 (5) ,
où 03BC0, a, IL, et
{3
sontfixés,
et oùPi(po)
=2[F(L) - F(L1)]
etPa(03BC)
est défini ci-dessus.4.2.
Description
del’algorithme
L’algorithme
que nous utilisonsprocède
en 2étapes :
unpremier algorithme, Bl, permet
avec nI, et n2fixés,
de trouver les valeurs deLI
etL2,
si ellesexistent, qui respectent
les 2équations (5)
et(4).
Un deuxièmealgorithme, B2,
utilisant B1 defaçon répétée,
recherche les valeursoptimales
de n1, et n2. La valeur de L n’aaucune influence sur
l’optimisation,
du momentqu’elle
est suffisament élevée. Enpratique,
il suffitqu’elle dépasse
4 ou 5. A la différence deA2,
dans cetalgorithme,
nl et n2 sont des nombres entiers
( Li
etL2
sont desréels).
Algorithme
Bl.LI
etL2
sont racines de(4)
et(5),
que l’onpeut
écriref1(L1,L2)
= 0 etf2 (Ll, L2) =
0. La méthodeclassique
de linéarisation donne auvoisinage
de lasolution :
x et y sont donc obtenus à
chaque
itération par inversion de la matrice des dérivées defl
etf2.
A la différence del’algorithme Al,
les dérivées sontcalculables;
il n’est donc pasindispensable
de les évaluernumériquement,
cequi
réduit letemps
de calcul. Par contre leur calcul nécessite l’évaluationnumérique
d’uneintégrale, qui
se fait en mêmetemps
que celle de la fonction.Algorithme
B2.A
chaque couple (n1,n2),
onpeut associer,
s’ilexiste,
lecouple (L1, L2) grâce
à BI. Le critère àminimiser, (3),
est donc une fonctionnumérique
de 2variables, g(n1,n2).
Comme ni et n2 sont desentiers, généralement faibles,
une recherche exhaustive dans la zone admissible estpossible.
Comme la fonction à minimiser est concave, l’incrémentation de ni ou de n2(par paliers
de1)
s’arrêtedès que la fonction
croît,
cequi optimise l’exploration
de la zone admissible.Réglages
de BI et B2.Pour éviter certains
problèmes
de fuite à l’infini ou de non convergence, des modifications de B 1 sont nécessaires. Enparticulier,
il faut délimiter correctement la zone admissible pour nl et n2, c’est à dire celle pourlaquelle
il existe des valeurs deLl
etL2
satisfaisant(4)
et(5).
Pour
B2,
le choix des bornes de variation pour ni et n2 est le suivant : nlaugmente
de 1jusqu’à
ce que la fonction à minimiser ne soitplus
décroissante. n2augmente
àpartir
de la valeur n - nl +1,
où n est la taille de l’échantillon de la carte de contrôlesimple
de Shewhart.4.3. Résultats et
exemples
a)
On considèrel’exemple
donné dans la Norme AFNOR NF X06031,
page 31. On y donne le cas d’une carte de contrôle sur la moyenne,qui,
pour undéréglage
de la moyenne d’unécart-type,
décèle cedéréglage
avec uneprobabilité
de 0.65 . Il
s’agit
de la cartesimple
de Shewhart avec n = 12 et L =3,09.
Lacarte double
optimum, ayant
la même efficacité est la suivante : ni =4,
n2 =13,
L =5, Ll
=1.524, L2
=2.887,
Cette carte
double,
si le processus est souscontrôle,
a recours au 2° échan- tillon dans12,7%
des cas, cequi
donne un nombre moyend’objets
échantillonnéségal
à 5.66. Pour une mêmeefficacité,
on a donc une économied’échantillonnage
de 53%. De
plus,
le contrôle est très souventallégé, puisque
l’on n’a recours leplus
souventqu’à
un échantillon de 4objets
au lieu de 12.b)
Dans la Norme AFNOR NF X06031,
page31,
on trouveégalement
unecarte de contrôle sur la moyenne,
qui
pour undéréglage de
la moyenne d’un écart-type
etdemi,
décèle cedéréglage
avec uneprobabilité
de 0.72. Ils’agit
de la cartesimple
de Shewhart avec n = 6 et L = 3.09. La carte doubleoptimum, ayant
la même efficacité est la suivante :nl =
2,
n2 =6,
L =5, LI
=1.415, L2
=2.929,
Cette carte
double,
si le processus est souscontrôle,
a recours au 2° échan- tillon dans15,7%
des cas, cequi
donne un nombre moyend’objets
échantillonnéségal
à 2.94. Pour une mêmeefficacité,
on a donc une économied’échantillonnage
de 51 %. De
plus,
le contrôle est très souventallégé, puisque
l’on n’a recours leplus
souventqu’à
un échantillon de 2objets
au lieu de 6.Pour un coût de contrôle
équivalent
à celui de la cartesimple
avec n =6,
onpeut
utiliser la carte double del’exemple a), qui
a une efficacitécomparable
à lacarte
simple
avec n = 12. Engénéral,
la carte doublepermet
de réduire d’environ 50% le coût du contrôle. La carte doubleoptimum
a une efficacitécomparable
auxcartes avec
lissage exponentiel (EWMA)
ou à certainstype
de CUSUM.(DAUDIN (1991)).
Elle se compare très favorablement avec les cartes à intervalles variables(REYNOLDS, M.R., AMIN, R.W., ARNOLD, J.C., NACHLAS,
J.A.(1988)),
etcelles avec des
règles
de séries(CHAMP, C.W, WOODALL,
W.H.(1987)).
58 JJ. DAUDIN, C. DUBY, P. TRÉCOURT 5.
Apport
de lamicro-informatique
dans le choix des contrôles
statistiques
Durant les
quarante
dernièresannées,
de nombreuses tables sont apparues et ont rendu degrands
services. Ellescorrespondaient
à uneépoque
où les moyens de calculs dont chacundisposait
nepermettaient
pas de calculer l’efficacité dechaque procédure
de contrôlestatistique,
et encore moins d’obtenir uneprocédure qui corresponde
à desobjectifs
dequalité précis.
C’estaujourd’hui possible grâce
à la
puissance
de calculdisponible
danschaque entreprise.
Il suffit dedisposer
desalgorithmes
decalcul,
et d’une interface entre les modules de calcul etl’utilisateur, qui permette
à ce dernierd’exprimer
ses besoins et d’obtenir des résultatsqu’il puisse comprendre
et utiliser.L’utilisation de la
micro-informatique
dans le choix deplans
de contrôle satisfaisant à desobjectifs précis
rendbeaucoup
de services. Lesavantages
parrapports
aux standards deplans (Military Standard, AFNOR,...) qui
necomportent qu’un
nombre limité deplans,
sont lasouplesse d’emploi,
l’obtention deplans plus économiques
ainsiqu’une
meilleureadéquation
auxobjectifs
dequalité
recherchéset une
plus grande
convivialité.Un
logiciel
deplans
de contrôle de laqualité, Qalstat,
estdisponible
àl’I.N.A.P-G. Il
permet
àl’ingénieur
ou au technicien de laqualité
de connaître exactement lescaractéristiques
duplan
de contrôle à laréception (simple, double, multiple
ouséquentiel,
avec troncature ounon) qu’il utilise,
mais aussi d’obtenir leplan
leplus économique
satisfaisant à sesobjectifs
dequalité.
Il luipermet également
de choisir ledispositif
de surveillance d’un processus deproduction (
taille et
fréquence
deséchantillons)
grace à des cartes de contrôle sur la moyenne,l’écart-type
ou le nombre dedéfauts,
bienadaptées
à sesobjectifs
dequalité
et àses
possibilités
de contrôle.Références
AFNOR
(1988)
"Statistiques"
Tome 2 . AFNOR. La Défense. Paris.BEASLEY, J.D., SPRINGER,
S.G.(1985) "Algorithm
ASIII ;
thePercentage
Points of the Normal Distribution".
Applied
Statistics26, 1,
118-121.CAMP,
B.H.(1951) "Approximation
to the Point Binomial". Annals of Mathema- ticalStatistics, 22,
130-131.CHAMP, C.W, WOODALL,
W.H.(1987)
"Exact Results for Shewhart ControlCharts
withSupplementary
Runs Rules".Technometrics, 29, 4,
pp 393-399.DAUDIN,
J.J.(1991)
"Double control chart" Journal ofQuality
andTechnology.
A
paraître.
DAVIS, P.J., RABINOWITZ,
P.(1975)
"Methods of numericalintegration".
Aca-demic Press.
MINOUX,
M.(1983) "Programmation Mathématique;
Théorie etAlgorithmes.",
Tome1
Dunod,
Paris.PAULSON,
E.(1942)
"AnApproximate
Normalisation of theAnalysis
of Variance Distribution". Annals of MathematicalStatistics, 13,
233-35.REYNOLDS, M.R., AMIN, R.W., ARNOLD, J.C.,NACHLAS,
J.A.(1988)
"XCharts with Variable