Université Cadi Ayyad ﺟﺎﻣﻌـﺔ ﺍﻟﻘﺎﺿـﻲ ﻋﻳـﺎﺽ
Ecole Nationale des Sciences ﺍﻟﻣﺩﺭﺳـﺔ ﺍﻟﻭﻁﻧﻳـﺔ ﻟﻠﻌﻠـﻭﻡ ﺍﻟﺗﻁﺑﻳﻘﻳـﺔ
Appliquées de Safi ﺁﺳﻔــﻲ
Lean Six Sigma
Mme TOURIKI Fatima Ezahra
Département Génie Industriel
Université Cadi Ayyad ﺟﺎﻣﻌـﺔ ﺍﻟﻘﺎﺿـﻲ ﻋﻳـﺎﺽ
Ecole Nationale des Sciences Appliquées ﺍﻟﻣﺩﺭﺳـﺔ ﺍﻟﻭﻁﻧﻳـﺔ ﻟﻠﻌﻠـﻭﻡ ﺍﻟﺗﻁﺑﻳﻘﻳـﺔ
Département Génie Industriel ﺁﺳﻔــﻲ
Module: Lean Manufacturing
8ère et 9ème Séance:
Le Lean Six Sigma
Objectifs:
1) Être capable d’expliquer la démarche DMAIC
2) Etre capable de réaliser une étude R&R
3) Être en mesure de maitriser les outils nécessaires au traitement
statistique des résultats d’essais,
4) Être capable de tracer et interpréter une carte de contrôle pour maîtriser
des caractéristiques qualité associées à des grandeurs mesurables ou
Lean 6 Sigma
Définir
Plan Démarche
Mesurer
Analyser
DMAIC
Innover
Contrôler
Le processus caractérisé par une répétabilité
PILOTAGE Clients
Fournisseurs
Matières
RESSOURCES (matérielles, humaines, organisationnelles, Produit fini
premières
documentaires…)
ÉLEMENTS ÉLEMENTS
ENTRANTS Valeur Ajoutée SORTANTS
X1 , X2 , X3 … Y
Fonction de transfert f
Paramètres mesurables Caractéristiques
Y= f(X1, X2…)
4et contrôlables de sortie
Les fluctuations du processus résultent
De la multiplicité et de la non constance des paramètres du processus:
o La MP hétérogène ou difficile à travailler,
o La machine est défectueuse, réglages variables d’une équipe à l’autre,
o L’instrument de mesure est défectueux,
o Paramètres processus variables : ex T° et l’humidité,
o L’opérateur n’est pas suffisamment formé,
o Il n’y a pas de définition de ce qu’est un travail acceptable et un travail non
acceptable,
5
Le Lean
6 Sigma
Production de Lean
qualité parfois
Production rapide
6 σ
Lean génératrice
parfois en dépit de 6 σ
d’activités à non
la qualité
Valeur Ajoutée
Satisfaction du client
Approches
complémentaires
6 Sigma de parle-t-on?
Méthodologie d’amélioration de la qualité orienté CLIENT,
qui permet de réduire la variabilité du PROCESSUS ,
Indicateur de performance (3,34 DPMO).
6 Sigma de parle-t-on?
• Objectifs:
– Centrage des processus
sur les valeurs cibles
– Diminution des
défaillances et des défauts,
– Réduction des coûts,
– Réduction de la variabilité
(dispersion) au sein des
processus,
DMAIC
1.Définir 2. Mesurer 3. Analyser 4. Améliorer 5. Maitriser
1.1
Ecouter le client et 1.2 1.3
identifier ses Cartographier le Définir charte
attentes processus projet
DMAIC
1.Définir 2. Mesurer 3. Analyser 4. Améliorer 5. Maitriser
– Définir l’objet et le périmètre du
projet (Processus‐atelier)
– Identifier les gains potentiels/ Préciser
les objectifs 1.3
Définir charte
– Définir l’équipe projet: responsabilité, projet
tâches…
1.Définir
1.1
Ecouter le client et identifier
ses attentes:
Résultats:
1. Identification critère
qualité
2. Identification du moyen
de mesure
3. Définition de
l’amélioration souhaitée
1.Définir
1.2
Cartographier le
processus
Résultats:
1. Identification des
activités processus
2. Identification des
paramètres influents
1.Définir
1.3
Définir charte projet
Résultats:
1. Définition des objectifs
opérationnels et financiers,
2. Identification de l’équipe et
des responsabilités
3. Planning projet …
2. Mesurer
Objectif : Mesurer la performance du processus au regard des attentes clients.
2.1 2.3 2.4
2.2 Mesurer
Valider le Estimer le
Collecte des capabilité
processus de sigma du
données processus
mesure processus
Phase
Mesurer
Deux processus toujours en parallèle :
Processus de fabrication et processus de contrôle
Fabrication Pièce Contrôle/évaluation Résultat Y
Distribution de Y Type:
Y
‐ Mesure (Variable): Normale ‐ Mesure (34,41,39...)
Gaussienne ‐ Inspection humain
‐ Classement : Loi Binomiale (0,1) (classement)
‐ Comptage: Loi de Poisson ‐ Comptage (1,2,3…)
Phase
Cas de Variable Continue Mesurer
2.1 Valider le processus de mesure:
– tude R&R : Répétabilité et Reproductibilité.
Phase
Définition R&R:
Mesurer
Outil statistique permettant de qualifier un système de mesure en calculant un Méthodologie
pourcentage qui indique les variations totales du processus de mesure. Plus ce
pourcentage est faible et meilleur est le système.
Choisir une dizaine de pièces, mesurées au
moins deux fois par au moins 2 opérateurs
Intérêt
Vérifier que la mesure réalisée n’est pas trop sensible au problème de répétabilité
et de reproductibilité.
Calcul de la variation du à la répétabilité
et à la reproductibilité, et la variation
La Reproductibilité totale
La Répétabilité
Variations de mesures
Variations de mesures obtenues sur un même Calcul du pourcentage R&R
successives obtenues sur un mesurande en faisant varier
même mesurande dans les une condition (notamment)
mêmes conditions. l’opérateur
10% 30% Déterminer niveau performance du
0
processus de mesure et définir si
Acceptable mais besoin les actions à mettre en place
Processus
satisfaisant
améliorations Inacceptable
possibles
Exemple Nous devons évaluer la précision d’un instrument conçu pour mesurer l’épaisseur d’une
poutre métallique utilisée en construction. La spécification est fixée à 50+/- 10 mm. Le
tableau ci-dessous montre les résultats obtenus par deux opérateurs en effectuant 2
mesures sur 10 pièces.
Opérateur1 Opérateur2
Echantillon Mesure Mesure
1 2 Etendue 1 2 Etendue
1 46,0 46,3 0,3 54,6 54,8 0,2
2 52,2 51,9 0,3 53,9 54,0 0,1
3 55,4 55,7 0,3 47,9 48,1 0,2
4 53,5 53,6 0,1 46,5 46,7 0,2
5 49,0 48,8 0,2 57,5 57,4 0,1
6 48,8 48,8 0,0 54,3 54,2 0,1
7 53,8 54,1 0,3 49,7 50,0 0,3
8 52,8 52,5 0,3 51,5 51,4 0,1
9 50,1 50,4 0,3 55,0 55,0 0,0
10 49,8 50,1 0,3 49,0 49,1 0,1
Phase
Mesurer
2.2 Collecte des données:
• Fiche de relevé,
• Réduire la variabilité du processus à travers une analyse 5 M
Collecte des données
Diamètres de tiges tournées en mm
39,5 38,7 40 40 38,9 39,1
39 41,5 42,6 39,4 40,8 38,8
39,9 39,1 39,9 41,3 37,2 39,9
39,7 39,7 43,1 40,6 41,5 40,7
38,5 39,4 38,6 37 39,4 42,2
40 39 37 40,4 39 40,6
39,2 39,5 39,7 40 39,5 37,8
40,9 40,9 40,4 39,4 39,4 38,5
37,6 41,2 37,8 40,1 39,6 38,4
37,9 38,4 37,6 41,2 42,1 40,3
Données incompréhensibles à l’état brute !!
20
Vocabulaire générique
– Population: Ensemble des mesures observées de la
variable X. Population de taille N
– Échantillon: Sous ensemble de la population
(recensement partiel)
– Paramètre : Propriété caractéristique associée à la
population ou à l’échantillon
– Exemple: Moyenne, écart type, étendue…
– Caractère/ Variable: C’est la propriété mesurée
associée à l’individu (unité statistique)
– Exemple: Diamètre, longueur Échantillon de taille n
21
Rappel Statistique Phase
Mesurer
Variable Qualitative
Variables Non mesurable: prend des états appelés
Qualitatives MODALITÉS ou des niveaux dans un
ensemble quelconque.
Variables
Statistiques
Variable Quantitative:
Variables
Quantitatives Mesurable: Variable qu’on peut
exprimer NUMÉRIQUEMENT.
Phase
Mesurer
L’ensemble de ses modalités est
Variable ordonné, exemple: faible, moyen
Ordonnée ou peu important, assez
Variables important,….
Qualitatives
Variable Ph d’une solution, aspect externe
Nominale d’un produit, couleur…
Variables
Statistiques Peut prendre n’importe quelle valeur
Variable dans un intervalle fini ou infini. Ex:
Continue longueur, diamètre, Volume, poids,
Variables Température…
Quantitatives
Variable Peut prendre que quelques valeurs
Discrète dans un intervalle fini ou infini. Ex:
nombre de pièces non conformes;
Nombre de défauts de surface…
Donnez du sens
Dans un atelier mécanique, on a vérifié le diamètre de tiges tournées sur un tour automatique. Le diamètre
des tiges devrait normalement se situer entre 36 et 44 mm (tolérance) avec une valeur nominale de 40
mm. Soixante tiges ont été mesurées avec un micromètre de précision et les résultats sont présentés dans
le tableau suivant:
Diamètres de tiges tournées en mm
39,5 38,7 40 40 38,9 39,1
39 41,5 42,6 39,4 40,8 38,8
39,9 39,1 39,9 41,3 37,2 39,9
39,7 39,7 43,1 40,6 41,5 40,7
38,5 39,4 38,6 37 39,4 42,2
40 39 37 40,4 39 40,6
39,2 39,5 39,7 40 39,5 37,8
40,9 40,9 40,4 39,4 39,4 38,5
37,6 41,2 37,8 40,1 39,6 38,4
37,9 38,4 37,6 41,2 42,1 40,3 24
Représentation graphique: Histogramme
But: visualiser un ensemble de données relatif à une caractéristique mesurable
afin de déterminer la répartition.
–Sous-Forme de diagramme composé de
RECTANGLES JUXTAPOSÉS dont la
base correspond à la largeur de la
classe et la hauteur à la fréquence de la
classe.
–La variable mesurée se trouve sur l’axe
horizontal et la fréquence sur l’axe
vertical.
Procédure de construction d’histogramme
Taille échantillon =60
1. Collecte des données: taille échantillon, Valeur Max =43,1
valeur min et max,
Valeur Min =37
Nombre de données à dépouiller Nombre de classe
n K
2. Choix de nombre de 10 4
classes, 10<n≤22 5
22<n≤44 6
44<n≤90 7
90<n≤180 8
K= 1+ (10*log10n)/3 180<n≤360 9
360<n≤720 10
720<n≤1000 11
Procédure de construction d’histogramme
Diamètres de tiges tournées
39,5 38,7 40 40 38,9 39,1
39 41,5 42,6 39,4 40,8 38,8
3. Calcul de l’étendue: 39,9
39,7
39,1
39,7
39,9
43,1
41,3
40,6
37,2
41,5
39,9
40,7
38,5 39,4 38,6 37 39,4 42,2
40 39 37 40,4 39 40,6
Étendue= Vmax(X) – Vmin(X) 39,2 39,5 39,7 40 39,5 37,8
40,9 40,9 40,4 39,4 39,4 38,5
37,6 41,2 37,8 40,1 39,6 38,4
37,9 38,4 37,6 41,2 42,1 40,3
4. Calcul de la largeur des classes, Nombre de classes= 7
Etendue= 6,1
Largeur des classes = Etendue/nb de classe Largeur des classes= 0,87
Dans cet exemple : la largeur des classes sera arrondie au plus grand entier, donc chaque classe aura une largeur de 1 mm.
Procédure de construction d’histogramme
5. Recenser les effectifs ni de chaque classe: on compte le nombre de
mesures apparaissant pour chaque intervalle.
Limite sup Effectif ni % cumulé
1 38 8 13%
2 39 11 32%
3 40 22 68% 68% des tiges ont un
4 41 10 85% diamètre inférieur à 40
5 42 5 93% mm
6 43 3 98%
7 44 1 100%
Procédure de construction d’histogramme
6. Construction de l’histogramme.
Histogramme diamètres tiges tournées
25 Tolérance
22
max=44 mm
Fréquence par classe
20
15 11 10
10 8
5
5 3
1
0
38 39 40 41 42 43 44
Limite sup des classes
29
Interprétation d’histogramme
– L’histogramme « renseigne » sur la normalité des données à partir de:
– La distribution des données (symétrique ou pas),
– L’étendue des données individuelles,
– La valeur centrale de la distribution,
– Le lien entre la moyenne, mode et médiane.
– Forme ± symétrique histogramme indique normalité distribution des données mais
test de normalité nécessaire.
30
Calcul des paramètres de position et de dispersion
1. Paramètres de position/ tendance centrale
- Objectif: fixent la position autour de laquelle vont se disperser les
mesures (x):
- Ce sont essentiellement:
- MOYENNE,
- Mode,
- Médiane,
Calcul des paramètres de position et de dispersion
- Mode= Valeur la plus fréquente observée dans la série
statistique.
- Exemples:
- 36, 37,38, 40, 42, 38, 37, 41, 38, 38
• Mode = 38 (Ensemble Unimodal)
- 9, 15, 8, 6, 16, 15, 8, 13, 15, 8
• Mode = 8 et mode = 15 (Ensemble Bimodal)
Calcul des paramètres de position et de dispersion
- Médiane= Valeur qui sépare en deux parties égales l’ensemble des données d’une
distribution rangées par ordre de grandeurs croissantes.
- Si n = pair Médiane= n/2
- Si n = impair Médiane = (n+1)/2
- Exemple : sur les 11 mesures suivantes: 7; 16; 11; 20; 23; 19; 12; 8; 3; 1; 21
- Classées par ordre croissant: 1; 3 ;7 ; 8 ; 11 ; 12 ; 16 ; 19 ; 20 ; 21 ; 23
- La valeur 12 représente la médiane
- Elle tient compte du nombre de donnée et non de leur valeur, de ce fait, elle n’est
pas influencée par la valeur des données extrêmes.
- Inconvénient : se prête peu aux calculs mathématiques.
Leur relation
Fréquences
8
7
Distribution des données
6
SYMÉTRIQUE : 5
Cas d’une courbe normale 4
3
2
1
0
80 85 90 95 100 105 110 115 120
Moyenne = Mode = Médiane
34
Leur relation
20
18
16
14
12
10
Asymétrie Positive 8
6
Sk >0
4
2
0
200 500 800 1100 1400 1700 2000
Mode < Médiane < Moyenne
35
Leur relation
Fréquences
8
5
Sk < 0
4
1
Asymétrie Négative 0
2500 5000 7500 10000 12500
Moyenne < Médiane < Mode
36
Calcul des paramètres de position et de dispersion
2. Paramètres de dispersion
‐ Objectif: Quantifier LES FLUCTUATIONS des valeurs
autour de la valeur centrale et permettent
d’apprécier l’étalement des valeurs.
1. Étendue (désignée par R ou W) différence entre la valeur maximale
et la valeur minimale de toutes les valeurs prises par la variable X.
Calcul des paramètres de position et de dispersion
– Ecart type = la racine carrée de la variance
• Exprimé dans la même unité que la variable.
• Donne une idée de la variation des observations autour
d’une valeur centrale (moyenne arithmétique)
– Variance est la somme des carrées des écarts à la
moyenne.
Indicateur d’homogénéité de deux distributions
• Coefficient de variation: CV
– Est obtenu en divisant l’écart‐type par la moyenne
arithmétique.
CV= (s/xbar ) * 100
– Plus le coefficient de variation est faible, plus la série
de données est homogène (concentré autour de la
moyenne).
3, Paramètres de forme
– Objectif: donnent une idée de la symétrie et de
l’aplatissement d’une distribution.
– Coefficient d’aplatissement de Kurtosis :
– Renseigne sur l’aplatissement relatif d’une distribution comparée à la
distribution de la loi normale; sa formule est indiquée dans l’aide d’Excel. Pour
une DISTRIBUTION NORMALE LE COEFFICIENT EST NUL; une valeur positive
indique une distribution plus pointue que la loi normale, une valeur négative
indique à l’inverse une distribution plus aplatie.
3, Paramètres de forme
– Coefficient d’asymétrie: Sk
• Formule indiquée dans l’aide d’Excel renseigne sur l’asymétrie de la
distribution par rapport à sa moyenne.
• Une valeur nulle ou approximativement nulle de ce coefficient
indique une symétrie de la distribution par rapport à la moyenne.
• Si la valeur est positive, la distribution est étalée vers la droite.
• Une valeur négative indique l’inverse.
Loi de distribution
Mesurage – Comptage –
Variable continue Variable discrète
Lois: Lois :
NORMALE‐ Binomiale
Uniforme‐ Poisson
Exponentielle Hypergéométrique
Théorème Central Limite:
Si plusieurs FACTEURS DISTINCTS ET INDÉPENDANTS influencent
l’issue d’un processus chacun avec sa loi propre, alors la résultante
tend vers une loi gaussienne.
La loi est normale chaque fois que:
‐ Les causes de variations sont multiples,
‐ Ses causes sont indépendantes les unes des autres
Loi Gaussienne
Densité en forme de cloche Notation : N ( μ ,σ² )
f(x)
Paramètres caractéristiques:
μ (mu) : Moyenne centre de la
distribution.
σ (sigma) : écart type de la
+ x distribution.
Variable Centrée réduite
Soit X une caractéristique de qualité mesurable sur une échelle continue, distribuée
selon une loi normale de moyenne et de variance ².
La variable Z, obtenue de la transformation z=(x‐μ)/σ, est dite variable normale centrée
réduite.
Loi Gaussienne centrée réduite
Notation : Z ~ N ( μ = 0,σ² = 1 )
Tel que z=(x‐μ)/σ
Densité de probabilité
Variable Centrée réduite
– Pour le calcul, il faudra transformer la caractéristique X en
une variable centrée réduite,
– Table « Standardisée » permet d’obtenir l’aire sous la courbe
normale, peut importe les valeurs de et .
– L’aire qu’on peut obtenir sous la courbe normale permet
d’évaluer les chances sur 100, ou encore la probabilité que
la valeur éventuelle d’une caractéristique de qualité se situe
entre deux valeurs données, ou encore qu’elle soit
supérieure ou inférieure à une valeur particulière;
Propriétés importantes de la loi normale
1. La courbe normale est une distribution statistique théorique et la
caractéristique X qui obéit à cette distribution peut prendre toutes le
valeurs entre – ∞ et + ∞
2. L’aire sous la courbe normale et l’axe horizontal correspond à une fréquence
relative de sorte que l’aire totale correspond à 1 ou (100%)
3. Le graphe de la courbe normale est symétrique par rapport à la moyenne. Par
conséquent 50% de l’aire se situe à la gauche de et 50% à droite.
4. La loi normale étant symétrique et unimodale, on a
moyenne=médiane=mode.
Propriétés importantes de la loi normale
5. Pour toute distribution normale de moyenne et d’écart‐
type , on peut affirmer que :
68,26 % des individus entre et
95,44 % des individus entre ‐2 et +2
99,7 % des individus entre et
La table de la loi normale centrée
réduite ne donne que l’aire ou la
probabilité sous la courbe pour des
valeurs positives de Z :
Aire entre 0 et Z1 = Aire ente –Z1
et 0
On cherche la valeur de l’aire sous la
courbe entre z=0 et z= 0,5
P(0<z<0,86) = 0,3051
Et puisque la loi normale est
symétrique ceci donne également :
P(‐ 0,86 <z<0) = 0,3051
Exercice
• Un client commande des barres métalliques de 12 m de long. Il tolère
une erreur maximale de 5mm. Il s’est adressé à deux fournisseurs:
• Le fournisseur A qui produit des barres dont la longueur suit une
distribution normale de moyenne 12 m et d’écart type 4 mm.
• Le fournisseur B qui produit des barres dont la longueur suit une
distribution normale de moyenne 12,001 et écart type 4 mm.
• Calculez le pourcentage des barres qui seront rejetées par le client chez
le fournisseur A et le fournisseur B?
