FORMATION EN CORE TOOLS :

Measurement System Analysis

M. Hicham BATIOUA

25 Avril 2022

Pour le compte de : FICOSA

1
 Présentation
 Nom et Prénom : Hicham BATIOUA

 20 ans d’ expérience dans l’industrie automobile et aéronautique

(Plusieurs postes occupés : Directeur Qualité ,Recherche et

Développement / Responsable industriel/ Responsable KAIZEN…)

 Responsable d’audit ISO9001 depuis 2013 (Certifié IRCA)

 Responsable d’audit IATF 16949 depuis 2016 ( TUV Rheinland) green

status

Certificat IATF N° 5-ADP-18-07-2815

2
 Présentation :

 Veuillez vous présenter en indiquant votre :

o Nom et Prénom
o Expérience professionnelle
o Fonction dans l’entreprise
o Attentes de ce cours

3
 Sommaire
Chapitre 1
 Incertitude de mesure
 Causes de variation
Chapitre 2:
 Analyse des systèmes de mesure §7.1.5.1.1 de la norme IATF 16949:2016

 Méthode d’analyse des système de mesure

 Méthode des étendues
 Méthode des étendues et moyennes
 Analyse du Biais et de linéarité
 Analyse de la variance ( ANOVA)
 Analyse de système de mesure pour les contrôles aux attributs
 Analyse des systèmes de mesure pour les contrôles destructifs
 Cas d’application ( en laboratoire)
 Objectif de la formation

 Connaitre le vocabulaire lié à la métrologie

 Maitriser les sources de variation d’un système de mesure

 Maitriser les méthodes d’analyse d’un système de mesure

selon l’AIAG pour les variables

 Maitriser les méthodes d’analyse d’un système de mesure

selon l’AIAG pour les Attributs

Chapitre 1: Incertitude de
mesure
Notion d’incertitude de mesure

La question qu’on se pose face à un résultat de mesure ou d’essai est

la suivante:
quelle confiance peut on avoir dans ce résultat ????
L’incertitude a donc pour objectif de quantifier cette confiance, elle
traduit la dispersion des valeurs associées au mesurande. Elle doit
être établie d’une manière raisonnable et s’exprime sous forme d’un
ou des écart-type(s).
Le but ultime de cette incertitude est de fixer un intervalle que l’on
aimerait le plus étroit possible et dont on espère (avec une grande
probabilité) que la valeur vraie du mesurande soit incluse.
 Définition de l’incertitude de mesure

D’après le Vocabulaire International des termes fondamentaux et généraux de la Metrologie

l’incertitude de mesure est définie comme suit:
Paramètre, associé au résultat d’un mesurage, qui caractérise la dispersion des valeurs qui
pourraient raisonnablement être attribuées au mesurande.
Note:
- Le paramètre peut être, par exemple, un écart-type (ou un multiple de celui-ci) ou la demi
largeur d’un intervalle de niveau de confiance déterminé.
- L’incertitude de mesure comprend, en général, plusieurs composantes.
Certaines peuvent être évaluées à partir de la distribution statistique des résultats de séries
de mesurage et peuvent être caractérisées par des écart-types expérimentaux. les autres
composantes, qui peuvent aussi être caractérisées par des écart-types, sont évaluées en
admettant des distributions de probabilité, d’après l’expérience acquise ou d’après d’autres
informations ( Méthode A et B de GUM).
 Définition de l’incertitude de mesure (suite)

Dans la mémoire collective, l’étalonnage renvoie souvent à la

notion d’ajustage.

En réalité, l’étalonnage permet d’évaluer les erreurs provenant

de l’instrument de mesure, erreurs qui se « mélangeront » aux
autres erreurs du processus de mesure pour donner
l’incertitude globale.
AIAG :

True measurement = observed measurement (result) +/- U

Incertitude et déclaration de conformité

La mesure, dans le monde industriel, a pour objectif

principal de déclarer la conformité des produits à des
spécifications associées.
Incertitude et déclaration de conformité (suite)

Avec l’incertitude de mesure, la décision est moins évidente:

tout résultat de mesure étant attaché d’un doute ou d’une
Incertitude: Résultat de mesure = Valeur vraie + Incertitude
Dans ce cas les décisions prises ne sont pas certaines:
il subsiste un risque (cette situation est inéluctable).
Incertitude et déclaration de conformité (suite)
Incertitude et déclaration de conformité (suite)

Pour palier à ce problème, la norme ISO 14253-1 préconise de

soustraire de la spécification l’incertitude de mesure.
Incertitude et déclaration de conformité (suite)

Aujourd’hui, en général, les industriels ne tiennent pas compte des incertitudes

de mesure pour déclarer la conformité des produits :
Incertitude et déclaration de conformité (suite)

Une autre stratégie consiste à travailler à partir de la notion de coefficient de capabilité

(Suivant la norme ISO 14253-4).

Dans cette méthode, le processus de mesure (et non l’instrument de mesure) est déclaré

qualifié ou apte s’il respecte la condition :

Note : Le rapport C doit être contractuel !

( accord entre client / Fournisseur)
Incertitude et déclaration de conformité (suite)

U doit être négligeable

Exemples de critères de décision:

CM >3
Cm >10 ou 15
Incertitude et déclaration de conformité (suite)

En plus du coefficient de Capabilité, il convient de fixer

les conditions
d’acceptation. Faute d’accord, la norme NF E 02- 204
propose les
règles suivantes :
Incertitude et déclaration de conformité (suite)

Illustration:
Donnée initiale : Valeur Nominale & Tolérance (T)

Choix de la méthode et de l’instrument de mesure

Détermination de l’incertitude de mesure du

N Processus (en fonction de l’opérateur, de
O L’environnement, de l’instrument choisi, …)
N suivant la norme NF ENV 13005 (U) ou autre

T/U≥C
Oui

Avis final suivant conditions d’acceptation

Incertitude et déclaration de conformité (suite)

La norme NF E 02-204 indique qu’un processus est capable s’il respecte la condition :

Ce qui est équivalent à : T ≥ C.U

Où le terme C.U représente la tolérance à partir de laquelle il est possible d’utiliser le

processus de mesure étudié

La Tolérance Minimale Vérifiable (Tmin)

 Causes de variation des résultats de mesure

 Entre autres la norme NF ENV 13005 ( Guide pour l’expression de l’incertitude de

mesure) nous fait prendre conscience que l’instrument n’est pas le seul élément
intervenant dans l’incertitude de mesure (Interviennent également l’opérateur,
l’environnement, la matière et la méthode).

 En réduisant ces causes de variations on peut garantir que l’incertitude de mesure

du système de mesure serait compatible avec le besoin (notamment l’intervalle de

tolérance IT).
 Causes de variation des résultats de mesure (suite)

La mise en maîtrise des équipements de surveillance et de mesure nous ramène

donc à répondre de façon rigoureuse aux questions suivantes:

 La méthode de mesure est – elle suffisamment définie ?

 Le moyen de mesure est – il étalonné et/ou vérifié?
 le changement d´opérateur influe –t-il sur le résultat de la mesure ? (la
reproductibilité est – elle bonne ? ) .
 La pièce (matière) en tant qu’objet soumis à la mesure n’a-t-elle pas une
influence sur le résultat de mesure (une bavure sur la pièce peut entacher le
résultat, problème de circularité ou/et de déformation…).
 Le milieu, l’environnement dans lequel la mesure est effectuée, est il sans
incidence sur le résultat? (la température , pression, vibration, humidité,
bruit…..).
Causes de variation des résultats de mesure (suite)
Causes de variation des résultats de mesure (suite)

Toutes ces causes de variation, surtout quand elles

sont cumulées, peuvent aboutir à une incertitude de
mesure globale incompatible avec le besoin (IT).
Chapitre 3: Analyse des
systèmes de mesure
 Définition d’un système de mesure
Un système de mesure est l’ensemble des composants qui influent sur la
détermination de la valeur de mesure d’une caractéristique déterminée tels
que:
 L’instrument de mesure
 L’ opérateur
 Le logiciel
 Les moyens/équipements de mesure
 Étalon(s)
 Procédure et étapes de mesure

Autrement dit le système de mesurage est le processus complet qui fournie

le résultat de mesure d’une grandeur déterminée.
 Définition de La MSA:
Analyse du système de mesure

L’ analyse d’un système de mesurage est une étude statistique qui permet

d’évaluer le biais ( location) et la variance ( dispersion)

La capabilité d’un << système de mesurage choisi>> est à la capacité de

fournir à court terme un résultat de mesure (valeur) d’une grandeur

bien déterminée; avec une répétabilité et une reproductibilité

suffisantes.
 Nécessité de La MSA

Dans quelques situations la variabilité du système de mesure sera ignorée

ou bien imprévue. Cette situation peut engendrer la perte énorme de

ressources et du temps vu que l’effort est concentré sur la variabilité de

processus de fabrication alors que la variabilité significative est due au

système de mesure.
 Nécessité de La MSA
Impact sur le Produit
 Nécessité de La MSA

Impact sur le Process

Une erreur au niveau de la mesure peut causer une décision incorecte

coté produit , l’impact sur le process pourrait être comme suit:

 Appellation d’une cause commune par cause spéciale

 Appellation d’une cause spéciale par une cause commune

Nécessité de La MSA

1,79 2
1,33
Nécessité de La MSA
Nécessité de La MSA
 MSA et IATF
Des études statistiques doivent être menées pour analyser les variations
des résultats de chaque système de:
 contrôle
 mesure
 d’essai
identifié dans le plan de surveillance.

Les méthodes analytiques et les critères d’acceptation utilisés doivent être

conformes à ceux qui figurent dans les manuels de référence sur l’analyse
des systèmes de mesure. D’autres méthodes d'analyse et d'autres critères
d'acceptation peuvent être utilisés s'ils sont approuvés par le client.

 Des enregistrements de l'accord du client pour l'utilisation de

méthodes alternatives doivent être conservés avec les résultats de
l'analyse des systèmes de mesure alternatifs
 MSA et IATF

https://www.youtube.com/watch?v=B9hbc3lFl2k&list=PLlMFslTM33021SH
F48LgV42X7FCefZlF7&index=9
MSA et FAQs

Question :
Des études d’analyse du système de mesure (MSA) sont-elles requises pour chaque
instrument ou dispositif ?

Réponse :
Non. Une étude statistique complète sur chaque pièce d’équipement n’est pas requise.
Des instruments possédant des caractéristiques communes (p.ex. étendue de mesure,
résolution, répétabilité, etc.) peuvent être regroupés, et un instrument échantillon
(représentatif de la famille d’instruments) peut être utilisé pour l’étude statistique.
QUESTION:
Are MSA studies required for each instrument or device?

ANSWER:
No. A complete statistical study on each single piece of equipment is not required. Instruments
with the same characteristics (e.g. measurement range, resolution, repeatability, etc.) can be
grouped and a sample instrument (representative of the gauge family) can be used for the statistical
study.
MSA et OEM CSR
FORD: All gauges used for checking Ford components/parts per the control plan
shall have a gauge R&R performed in accordance with the appropriate methods
described by the latest AIAG Measurement Systems Analysis Manual (MSA) to
determine measurement system variability. The Gauge R&R is to be completed
using Ford parts.
The control plan identifies which gauges are used for each measurement.
Any measurement equipment not meeting the MSA guidelines must be
approved by STA.
MSA et OEM CSR
Family of gauges:Where multiple gauges of the same make, model, size, method
of use and application (including range of use) are implemented for the same
part, use of a single gauge R&R covering those multiple gauges (family of gauges)
requires STA approval.
Parts and operators for Gauge R&R studies
At a minimum:
Variable gauge studies should utilize a minimum of 10 parts, 3 operators and 3
trials.
Attribute gauge studies should utilize a minimum of 50 parts, 3 operators, 3
trials.
See the Ford PPAP customer specifics for details on attribute gauge
measurement systems analysis
requirementshttps://web.qpr.ford.com/sta/Ford_Specifics_for_PPAP.pdf
DAIMLER AG: Pas d’exigence spécifique
MSA et OEM CSR
VW: Pas d’exigence spécifique
PSA: Pas d’exigence spécifique

RENAULT: The use of MSA is accepted. However the use of the CNOMO

standard or Renault specific methods are recommended.

MSA et OEM CSR

JLR: Where measurement analysis studies are performed using software, the

software is to be validated using standard input data sets and checked using

corresponding expected output results.

The preferred method for calculating Gauge R&R is by using the ANOVA

method, since the ANOVA method allows identification of the operator

contribution, whereas the Average and Range or Range methods do not. Refer

to the AIAG published MSA manual, and the ANOVA method is available

through commercial statistical software packages and the AIAG APQP forms

disk available from AIAG.

 MSA et OEM CSR
JLR CSR:
The organisation shall report the number of distinct categories (ndc). All
variable gauge R&R studies should have a minimum of 5 distinct categories
(See Measurement Systems Analysis Reference Manual published by AIAG,
refer to "ndc" in the index). Gauge R&R as a percent of study < 10% is
acceptable (the parts used for the Gauge R&R study must be representative of
a production run). If Gauge R&R as a percent of study is greater than 10%, but
less than 30%, contact STA to determine if the Gauge R&R is acceptable. If
Gauge R&R > 30%, it is unacceptable and the organisation shall implement a
corrective action plan to improve measurement capability.

FCA: Pas d’exigence spécifique

GM: Pas d’exigence spécifique
Les catégories d’erreurs d’un système de mesurage
Il y a cinq catégories d’erreurs d’un système de mesure:

- Le biais: l’écart systématique entre la valeur vraie et la valeur moyenne

donnée par le système de mesurage.
- La répétabilité : étroitesse de l’accord, entre les résultats des mesurages
successifs du même mesurande, mesurages effectués dans la totalité des
même conditions de mesure
- La reproductibilité : étroitesse de l’accord entre les résultats des mesurages
du même mesurande, mesurages effectués en faisant varier les conditions de
mesure.
- La stabilité (drift): la différence de biais dans le temps
Note : le biais se détermine après avoir approuvé que la stabilité est assurée
- La linéarité: biais sur l'ensemble de la plage de mesure
 Les préalables à l’étude MSA

Avant de présenter les méthodes qui permettent de valider la

capabilité (aptitude) d'un processus (ou système) de mesure, il nous faut
dissiper un malentendu souvent rencontré.

Dans la démarche de mise sous contrôle d'un procédé, nous utilisons des
instruments de mesures tels que des ampèremètres, des micromètres, des
voltmètres …. Ces instruments doivent être gérés, rattachés à une chaîne
d'étalonnage et vérifiés périodiquement dans le cadre d'une gestion des
moyens de mesure.
 Les préalables à l’étude MSA

Nous n'aborderons pas ce point dans cette formation.

Nous supposons que la justesse de l'instrument est correcte (compatible avec

la classe de l'instrument) et qu'il est à jour en terme d’étalonnage et/ou
vérification. Par contre, nous allons vérifier que le processus (ou bien le
système ) de mesure (qui utilise l'instrument) ne crée <<ni dispersion ni de
biais>> significatifs par rapport à la mesure vraie (conventionnellement
vraie).
 Objectifs de l’étude d'un processus de mesure

Objectifs:

Pour pouvoir mesurer des capabilités de processus ou piloter par carte de

contrôle, il faut pouvoir s'assurer que le processus de mesure choisi soit adapté.
Pour cela plusieurs vérifications doivent être réalisées :

 Vérifier la résolution de l’instrument de mesure;

La résolution, est le plus petit différentiel de mesure que l'instrument est

capable de détecter. On choisit en général un instrument qui a une définition de
mesure au moins égale au dixième de l'intervalle de tolérance de la spécification
contrôlée.

 Vérifier la répétabilité et la reproductibilité du processus (capabilité court terme)

 Objectifs de l’étude d'un processus de mesure

Objectifs:

 Évaluer le biais de la mesure;

Le biais est un écart systématique entre la valeur vraie et la valeur moyenne

trouvée par le système de mesurage.

 Évaluer la linéarité sur la plage d'utilisation du processus;

Linéarité = biais sur l'ensemble de la plage de mesure

 Contrôler la stabilité du processus au cours du temps (capabilité long terme):

Stabilité = la différence de biais dans le temps

 Lignes directrices pour l’étude R&R

Habituellement il y a 6 méthodes qui servent à l’analyse de systèmes de mesure

pour les caractéristiques mesurables basiques:

- Méthode des étendues: cette méthode permet une évaluation rapide sur

l’aptitude de système de mesurage et ne permet pas de dissocier la répétabilité

de la reproductibilité. Cette méthode sert à affirmer qu’il y a pas un
changement significatif relatif à un système de mesurage déjà jugé capable.
C’est une méthode applicable en production comme outil de vérification rapide
mais pas en réception d’un moyen de contrôle. typiquement cette méthode fait
recours à deux opérateurs et 5 pièces:
 Lignes directrices pour l’étude R&R

Méthode avec les moyennes et les étendues:

Cette méthode plus complète consiste à différentier les dispersions de mesure

dues à la Répétabilité et à la reproductibilité. Cette méthode est préconisée

dans le manuel MSA.

 Lignes directrices pour l’étude R&R

- Méthode de la variance (ANOVA)

Supplémentairement à la méthode de la moyenne et des étendues , la

méthode ANOVA permet en plus de juger l’influence réciproque entre les

pièces et les opérateurs et l’influence des moyens de mesure sur les résultat de

mesure. Cette méthode relativement complexe demande des connaissances

pertinents en matière de statistique pour pouvoir bien interpréter les résultat

des études. l’influence des moyens de mesure introduits dans le système.

 Lignes directrices pour l’étude R&R

- Evaluation du biais
- Evaluation de la linéarité
- Evaluation de la stabilité
R&R: Répétabilité et Reproductibilité

Dispersion court terme :R&R(%GRR)

La dispersion court terme R&R d'un processus de mesure peut se
décomposer en deux parties: la répétabilité et la reproductibilité .

Reproductibilité

Op. A Op. B

9.98 9.99 10 10.01 10.02 10.03 10.04

R&R(GRR): Répétabilité et Reproductibilité
Répétabilité
Lorsqu'on répète une mesure plusieurs fois dans les mêmes conditions on ne
trouve pas toujours la même valeur. Ces écarts sont dus aux causes
communes de 5M du processus de mesure. On nomme répétabilité cette
dispersion.

Exemple : un opérateur mesure 10 fois à la suite la même

pièce (cote 10±0.05 mm), les résultats sont:

Mesure Résultat
1 10
2 10,01
3 10,02
4 9,98
5 9,99
6 10
7 10
8 10,01
9 9,99
10 10
9.98 9.99 10 10.01 10.02

Répétabilité
R&R(GRR): Répétabilité et Reproductibilité
Reproductibilité
La Répétabilité représente la dispersion d'une mesure répétée dans les mêmes
conditions. Cependant, il arrive souvent qu'une des conditions soit amenée à changer lors
des mesures. Par exemple on peut avoir plusieurs opérateurs, plusieurs lieux de mesure,
plusieurs moyens de contrôle... Lorsque l'on change une condition, on ne parle plus de
répétabilité mais de reproductibilité. La condition qui change, le plus souvent étant
l'opérateur, c'est ce que l'on testera principalement dans les procédures R&R (Répétabilité et
Reproductibilité) que nous présenterons plus loin.

Mesure
Résultat
Op. A Op. B
Reproductibilité
1 10 10
2 10,01 10,02
3 10,02 10,04
4 9,98 10,01 Op. A Op. B
5 9,99 10,01
6 10 10,03
7 10 10,02
8 10,01 10,03
9 9,99 10,02
10 10 10,02
9.98 9.99 10 10.01 10.02 10.03 10.04
Exemple : 2 opérateurs A et B mesurent 10 fois à la suite la
même pièce (cote 10±0.05 mm), les résultats sont:
Méthode 1
Etendue:
(Méthode R&R rapide)
 Démarche à suivre:

Le principe de la méthode consiste à demander à deux (ou trois) opérateurs

de mesurer 5 pièces (ou plus).

80% de probabilité de détection d’un système non acceptable avec 5 pièces

et 90% avec n= 10
- Pour chaque pièce contrôlée, on calcule l'étendue de mesure entre les
opérateurs.

- σ mesure est calculé à partir de la moyenne des étendues par la formule de

la loi de l'étendue réduite:

σ mesure = R / d
*
2

Le facteur d2 est donné par les tables statistique pour un m: le nombre

d’opérateur et g:le nombre de pièce
Démarche à suivre:

d* 2

10 échantillons
2 opérateurs
d2*=1,16
 Démarche à suivre:

- La dispersion de mesure est calculée par:

Dispersion =6σ mesure.

- On établit alors %GRR du moyen de contrôle par le rapport entre la dispersion

de mesure et la dispersion de processus de fabrication.

Note : en cas ou la dispersion de processus de fabrication n’est pas bien connue

on peut calculer

100%GRR = σ mesure /(IT/6)

avec IT intervalle de tolérance.

Validité des mesures

Note : Avant de commencer l’analyse de capabilité de processus de mesure il faut

s’assurer de validités de mesures réalisées par les différents opérateurs.

La validité des mesures est vérifiée si l'ensemble des étendues est homogène.
Pour vérifier cette validité, on peut tracer la carte des étendues à partir de la
moyenne générale des étendues R de différents operateurs .Plus simplement,
on peut calculer la limite supérieure de contrôle des étendues et vérifier que

les étendues sont inférieures à cette limite.

LSCR = D4. Rbb

Validité des mesures

Si toutes les étendues sont inférieures à cette limite, on peut donc accepter la
validité des mesures, et si l’une des étendue est hors limite il faut
recommencer les mesures y associées. Pour illustrer les étendues, il est
souhaitable de tracer une carte de contrôle des étendues en séparant les
opérateurs.
 Validité des mesures

Limite d ’étendue UCLR UCLR =R x d4

 d4 est un coefficient trouvé dans une table dépendant du nombre de
mesures réalisées par opérateur.
Ex.10 pièces mesurées par 2 opérateurs, 2 fois chacun : d4 = 3.267
 Le calcule de cette limite permet de déterminer :
1. Si les opérateurs ont le même mode opératoire : tous les points en
dessous de la limite
2. Si les opérateurs ont une façon différente de mesurer : points hors
limite pour un des 2 opérateurs
3. Si le système de mesure est trop sensible à la technique de
l ’opérateur : des points au dessus de la limite pour les 2 opérateurs
Op. A Op. B
UCLR

R
Méthode 2
Moyennes , étendues y compris les cartes
de contrôles
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
Méthode R&R avec les moyennes et les étendues
 Interprétation des résultats
Carte des moyennes

La revue des graphiques indique que le système de mesure semble avoir une discrimination
suffisante pour les processus avec variation décrits par l'échantillon les pièces.
Aucune différence entre évaluateurs n'est évidente.
 Interprétation des résultats
Carte des moyennes

La zone dans les limites de contrôle représente la sensibilité de la mesure.

Puisque le groupe de pièces utilisé dans l’étude représente le processus
variation, environ la moitié ou plus des moyennes devraient tomber en
dehors de limites de contrôle.
Si les données montrent cette tendance, le système de mesure devrait être
adéquat pour détecter les variations d'une pièce à l'autre le système de
mesure peut fournir des informations utiles pour l’analyse et le contrôle du
processus.
Si moins de la moitié se situe en dehors des limites de contrôle, soit le
système de mesure manque de résolution efficace adéquate ou l'échantillon
ne représente pas la variation réel du processus .
 Interprétation des résultats
Carte des moyennes

La revue des graphiques indique que le système de mesure semble avoir une discrimination
suffisante pour les processus avec variation décrits par l'échantillon les pièces.
Aucune différence entre évaluateurs n'est évidente.
 Interprétation des résultats
Carte des étendues

• Si tous les points sont à l’ intérieur des limites de contrôle, les operateurs réalisent
le travail de la même manière
• Si un évaluateur est hors de contrôle, la méthode utilisée diffère des autres
• Si tous les évaluateurs ont des fourchettes hors de contrôle, le système de mesure
est sensible à la technique de l'évaluateur et doit être amélioré pour obtenir des
données utiles.
 Analyse des résultats R&R

• Au sein de l'évaluateur: technique, poste, manque d'expérience, habileté ou

entraînement à la manipulation, sensation, fatigue
• Dans l'environnement: fluctuations de cycle court de la température, de
l'humidité, des vibrations, de l'éclairage, de la propreté
• Violation d'une hypothèse - fonctionnement stable et correct
• La conception ou la méthode de l'instrument manque de robustesse et
d'uniformité médiocre
• Mauvais gage pour l'application
• Distorsion (gage ou partie), manque de rigidité
• Application - taille de la pièce, position, erreur d'observation (lisibilité,
parallaxe)
 Analyse des résultats R&R

Les sources potentielles d’erreur de reproductibilité incluent :

• Entre pièces (échantillons): différence moyenne lors de la mesure des types de pièces A, B,
C, etc., en utilisant le même instrument, les mêmes opérateurs et la même méthode.
• Entre instruments: différence moyenne avec les instruments A, B, C, etc., pour les mêmes
pièces, opérateurs et environnement. Remarque: dans cette étude, les erreurs de
reproductibilité sont souvent confondues avec la méthode et / ou l'opérateur.
• Entre normes: influence moyenne de différentes normes de réglage dans le processus de
mesure.
• Entre méthodes: différence moyenne due à la variation de la densité de points, systèmes
manuels par rapport aux systèmes automatisés, méthodes de réduction à zéro, de
maintien ou de blocage, etc.
 Analyse des résultats R&R

• Inter-évaluateurs (opérateurs): différence moyenne entre les évaluateurs A, B, C, etc., due

à la formation, à la technique, aux compétences et à l'expérience. Il s'agit de l'étude
recommandée pour la qualification du produit et du processus, ainsi que pour un
instrument de mesure manuel.
• Entre environnements: différence moyenne des mesures dans le temps 1, 2, 3, etc.,
provoquée par les cycles environnementaux; Il s'agit de l'étude la plus courante pour les
systèmes hautement automatisés dans les qualifications de produits et de processus.
• Violation d'une hypothèse dans l'étude
• La conception ou la méthode de l'instrument manque de robustesse
• Efficacité de la formation des opérateurs
• Application - taille de la pièce, position, erreur d'observation (lisibilité, parallaxe)
 Analyse des résultats R&R
AIAG: Les causes possibles d’une mauvaise répétabilité incluent:
• Partie interne (échantillon): forme, position, état de surface, conicité,
consistance de l'échantillon
• Dans l'instrument: réparation; usure, défaillance de l'équipement ou des
appareils, mauvaise qualité ou mauvais entretien
• Dans les normes: qualité, classe, usure
• Méthode interne: variation de la configuration, de la technique, de la mise à
zéro, de la tenue, du serrage
Biais vs Répétabilité

According AIAG 4 édition:

► Bias and repeatability are independent of each other

► Controlling one of these sources of error does not guarantee the control of the other.

Consequently, measurement systems control programs (traditionally referred to as Gage Control

Programs) ought to quantify and track all relevant sources of variation.

 Discrimination du processus de mesure

La mesure d'une caractéristique produit ou processus consiste à

identifier quel est le niveau atteint par la caractéristique. Pour cela, il faut
que l'appareil soit capable de détecter une petite variation. Une des
règles de base est que la résolution de l'instrument doit être égale au
dixième de la tolérance. Cependant, pour pouvoir piloter correctement un
processus avec une carte de contrôle, il faut aussi que l'instrument dispose
d'un pouvoir de discrimination plus fin que la dispersion du processus que
l'on veut piloter. Nous apprendrons à déterminer un indice ndc (nombre de
catégories distinctes).

ndc = 1.41 ( Dispersion processus de fabrication )/( dispersion

processus de mesure)

NOTE: Cet indice devra être supérieur à 5 pour être satisfaisant.

Discrimination du processus de mesure
Discrimination du processus de mesure

Utilisation ndc=1 2 < ndc < 4 ndc > 5

Analyse Inaceptable Généralement Recommandé pour
- Processus de mesure non inacceptable (sauf piloter le processus
approprié pour pilotage du spécificité particulier)
processus pour piloter le processus
- Peut être utilisé que pour
déclarer la conformité ou
non
Pilotage par carte de non Non ( sauf cas particulier) Parfaitement adapté
contrôle pour le pilotage par
carte de contrôle
 Analyse des résultats de l’étude R&R

Les résultats d’étude R&R seront exploités pour juger la qualification

(adéquation) du système de mesurage vis-à-vis de l’application prévue. Le

préalable à l’étude R&R est la confirmation de la stabilité du système de

mesurage.
Critères d’acceptation pour le décentrage:
Le décentrage sera évalué à travers l’étude de biais et de linéarité.

Le résultat de cette étude doit prouver que l’écart détectée respecte la marge
d’erreur maximal toléré.
Critères d’acceptation pour la dispersion:

Le critère d’acceptation de la dispersion d’un système de mesure dépend de taux

de dispersion de ceci par rapport à la dispersion de processus de fabrication.

Analyse des résultats de l’étude R&R : suite
Critères d’acceptation pour la dispersion:

Le critère d’acceptation de la dispersion d’un système de mesurage dépend

de taux de dispersion de ce ci par rapport à la dispersion de processus

de fabrication. Pour les systèmes de mesure désignés pour la

surveillance de processus de fabrication, les critères doivent répondre

aux exigences suivantes:

 %GRR < 10% : le système de mesurage est acceptable

 10% < %GRR < 30% : le système de mesurage peut être accepté en Additional Width Error Metric
Another statistic of the measurement system
tenant compte de l’importance de domaine de l’application et coût de variability is the number of distinct categories
(ndc)
ce système et de sa réparation. This statistic indicates the number of categories
into which the measurement process can be
 %GRR > 30% : le système de mesurage est inacceptable (refusé ) et les divided. This value should be greater than or equal
to 5.
action d’amélioration (correctives) doivent être entreprises. Caution:
The use of the GRR guidelines as threshold
Supplémentairement aux critères indiqués ci-dessus le facteur ndc (nombre criteria alone is NOT an acceptable practice for
determining the acceptability of a measurement
de catégories distinctes) devrait être > à 5. ce facteur se calcule par la system

formule suivante:

ndc= 1.41 (dispersion pièces)/(dispersion système de mesurage)

Méthode 3
Evaluation du biais et stabilité
Évaluation de la stabilité, du biais

1) Choisir une pièce (pièce échantillon) dont la mesure est déterminée à partir
d'un moyen de référence métrologique (étalon).
Si on ne dispose pas d’un étalon qui nous fournit la valeur référence on peut
alors se référer à une pièce ayant une valeur dans le milieu de tolérance
et la marquer en tant que pièce référence pour l’évaluation de la stabilité.
2) La pièce échantillon est à mesurer 3 à 5 fois avec des périodicités
(journalières et hebdomadaires) bien déterminées :
Exp. : chaque jour 1 prélèvement (par équipe) à 5 mesures pendant 4
semaines.
3) Les valeurs moyennes mesurées sont à reporter sous forme des points sur
une carte de pilotage Xbarre/R ou bien Xbarre/s (v. figure 1)
Évaluation de la stabilité, du biais
L S C x
 X  A R 2

L S C x
 5, 0  (0 ,5 7 7  6, 7 )  8,9
L IC x
 X  A R2

L IC x
 5 , 0  ( 0 , 5 7 7  6 , 7 )  1,1

10,0
LSC
carte 8,0
6,0
4,0
2,0
LIC
0,0

16,0
LSC
carte 12,0
des
étendues 8,0
R
4,0

0,0
Évaluation de la stabilité, du biais

Analyse graphique du résultat :

4) calculer les limites de contrôle de la carte (exp. Xbarre/R) et évaluer le

résultat de la stabilité à partir de l’allure des courbes (Xbarre/R) sur la
carte de pilotage.
( en cas d’absence des erreurs systématiques (absences des points hors
limites de contrôle) on conclut alors à la présence de stabilité.
Pour la carte Xbarre :
LSC  X  A R
x 2

LSC  5, 0  (0,577  6, 7)  8,9

x

LIC  X  A R
x 2

LIC  5, 0  (0,577  6, 7)  1,1

x
 Évaluation de la stabilité, du biais

LSC  D R R 4

Pour la carte R :
LSC  2,114  6,7  14, 2
R

LIC  D R
R 3

LIC  0,000  6,7  0,0

R

Tableau de coefficients pour le calcul des cartes

taille du
sous
groupe (n) A2 D3 D4
2 1.880 0 3.26
3 1.023 0 2.57
4 0.729 0 2.28
5 0.577 0 2.11
 Évaluation de la stabilité, du biais

Remarque :
Si le processus de mesure est jugé stable on peut exploiter les valeurs
individuelles de mesures pour l’évaluation de biais.
Évaluation de la stabilité, du biais
 Évaluation du biais
Lignes directrices pour l’évaluation du biais (erreur systématique) :
1. Choisir une pièce dans le milieu de tolérance (pièce échantillon) dont la
mesure est déterminée à partir d'un moyen de référence métrologique
(étalon).
Cette pièce est alors mesurée au moins 10 fois en utilisant le processus de
mesure en question. Calculer la moyenne des n valeurs ,Utiliser cette
moyenne comme valeur de référence,
2. Charger une personne (qui effectue habituellement les mesurages) de
l’activité indiquée ci-dessus.
3. Les valeurs mesurées sont à enregistrer sur un histogramme pour conclure la
normalité de distribution et de répartition des valeurs mesurées.
 Évaluation de la stabilité, du biais
lignes directrices pour l’évaluation du biais (erreur systématique) :
4) Obtenir la moyenne de la carte de contrôle
Bias= - Valeur de référence
5. Déterminer l’écart type

6. Vérifier si la répétabilité est acceptable

7. Déterminer le tstatistic pour le biais

 Évaluation de la stabilité, du biais
lignes directrices pour l’évaluation du biais (erreur systématique) :
8) Le biais est acceptable s’il est statistiquement proche de 0
Analyse des de la stabilité, du biais
Possible causes for excessive bias are:
 Instrument needs calibration
Worn instrument, equipment or fixture
 Worn or damaged master, error in master
Improper calibration or use of the setting master
Poor quality instrument – design or conformance
Linearity error
Wrong gage for the application
Different measurement method – setup, loading, clamping, technique
Measuring the wrong characteristic
 Distortion (gage or part)
 Environment – temperature, humidity, vibration, cleanliness
Analyse des de la stabilité, du biais
Les causes possibles de biais excessifs sont:
• Instrument à étalonner
• Instrument, équipement ou équipement usé
• Master usé ou endommagé, erreur dans le mater
• Mauvais étalonnage ou utilisation du paramètre master
• Instrument de mauvaise qualité - conception ou conformité
• Erreur de linéarité
• Mauvais gage pour l'application
• Méthode de mesure différente - configuration, chargement, serrage, technique
• Mesurer la mauvaise caractéristique
• Distorsion (gage ou partie)
• Environnement - température, humidité, vibration, propreté
 Analyse des de la stabilité, du biais

Selon AIAG Les causes possibles d’instabilité comprennent:

• L'instrument doit être étalonné, réduire l'intervalle d'étalonnage
• Instrument, équipement ou équipement usé
• Vieillissement normal ou obsolescence
• Mauvais entretien - air, puissance, hydraulique, filtres, corrosion, rouille,
propreté
• Maître usé ou endommagé, erreur dans le maître
• Mauvais étalonnage ou utilisation du paramètre maître
• Instrument de mauvaise qualité - conception ou conformité
 Analyse des de la stabilité, du biais
• La conception ou la méthode de l'instrument manque de robustesse
• Méthode de mesure différente - configuration, chargement, serrage,
technique
• Distorsion (gage ou partie)
• Dérive environnementale - température, humidité, vibrations, propreté
• Violation d'une hypothèse, erreur dans une constante appliquée
• Application - taille de la pièce, position, compétence de l'opérateur, fatigue,
observation
• erreur (lisibilité, parallaxe)
Méthode 4
Linéarité
Analyse de la linéarité
Analyse de la linéarité
Analyse de la linéarité
Méthode 5
ANOVA
ANOVA

L'analyse de variance (ANOVA) est une technique statistique standard

qui peut être utilisée pour analyser l'erreur de mesure et d'autres sources

de variabilités des données dans une étude de système de mesure. Dans

l'analyse de variance, la variance peut être décomposée en quatre

catégories: pièces, évaluateurs, interaction entre pièces et évaluateurs et

erreur de répétabilité due au moyen de mesure.

ANOVA

Les avantages des techniques ANOVA par rapport aux méthodes Moyenne et

Plage sont les suivants:

 Ils sont capables de gérer n'importe quelle configuration expérimentale

 Peut estimer les variances plus précisément

 Extraire plus d'informations (telles que l'interaction entre les parties et

l'effet des évaluateurs) à partir des données expérimentales.

ANOVA

L’ inconvénient est que les calculs numériques sont plus complexes et que les

utilisateurs ont besoin d'un certain degré de connaissances statistiques pour

interpréter les résultats. La méthode ANOVA décrite dans les sections suivantes

est conseillée, en particulier si un ordinateur est disponible.

ANOVA

Les lignes sont parallèles= Pas d’interaction opérateur /pièce

 ANOVA

C'est ce qu'on appelle la table d'analyse de variance (ANOVA).

La table ANOVA est composée de six colonnes:

1. La colonne source qui est la cause de la variation.

2. La colonne DF est le degré de liberté associé à la source de la variation.

3. La colonne SS ou somme des carrés représente l’écart autour de la moyenne de

la source.

4. MS ou colonne carrée moyenne est la somme des carrés divisée par le degré de

liberté.
 ANOVA
6-La colonne EMS (Expected mean square) ou moyenne des carrés attendu,
détermine la combinaison linéaire de la de variance de chaque composant pour
chaque MS. Le tableau ANOVA décompose la source totale de variation en quatre
composantes: pièces, évaluateurs, interaction entre évaluateurs et pièces, et la
répétabilité de l’équipement.

7-La colonne du rapport F est calculée uniquement pour l'interaction dans un MSA.
ANOVA; il est déterminé par le carré moyen lié à d'interaction divisé par l’erreur
quadratique moyen
 ANOVA
L'analyse numérique GRR peut être effectuée en suivant les formules du
tableau ci-dessous

n= piéces r:essais k:opérateurs

 ANOVA
L'estimation des composantes de la variance pour chaque source est donnée
dans le tableau A 1.
n= piéces r:essais k:opérateurs
 ANOVA
L’écart type est plus facile à interpréter que la variance car il a le même unité de
mesure que l'observation originale. En pratique, la base de la mesure de la
dispersion est donnée par 6 fois l’écart type.

Le tableau ci-dessous montre la propagation de 6 sigma pour une mesure de

répétabilité appelée équipement variation (EV) et mesure de la reproductibilité
appelée Appraiser variation (AV).

Si l'interaction de la pièce et de l'évaluateur est significative, alors il existe une

méthode non additive. Le modèle et donc une estimation de ses composantes de
variance est donnée.

Le GRR dans le tableau ci-dessous est le total de la variation du système de

mesure.
ANOVA
 ANOVA
Numerical Calculations
Although the values can be calculated manually, most people will use a computer
program to generate what is called the Analysis of Variance (ANOVA)
ANOVA
ANOVA
ANOVA
Analyse du système relatif aux contrôles aux
attributs

1: Accepté
0: Refusé
Analyse du système relatif aux contrôles aux
attributs
Etape 1 :

Consiste à résumer les données observées. Passant en revue le tableau ci-dessus,

l’équipe a examiné les données pour des paires d’observateurs, en comptant quand
ils ont accepté et quand ils étaient en désaccord pour chaque série d’évaluations.
Il y a 34 fois où A-1 = 1 et B-1 = 1; il y a 32 fois où A-2 = 1 et B-2 = 1; et il y a 31 fois où
A-3 = 1 et B-3 =1 pour un total accord de 97.
Le tableau ci-dessous a été construit pour résumer la distribution des données pour
le paire d'observateurs A * B. des tables similaires ont été préparées
pour les paires d'observateurs B * C et A * C.
Analyse du système relatif aux contrôles aux
attributs

Tableau de paire d'observateurs A * B

Analyse du système relatif aux contrôles aux
attributs
Etape 2:

Consiste à estimer la distribution attendue des données. Quel est la

probabilité qu'un paire d'observateurs soit en accord ou en
désaccord sur une observation purement par hasard?
En 150 observations, l'observateur A a rejeté la pièce 50 fois.
et l'observateur B a rejeté la piéce 47 fois:
pA0 = 47/150 = 0,313
pB0 = 50/150 = 0,333
Analyse du système relatif aux contrôles aux
attributs

Les deux observateurs étant indépendants, la probabilité qu'ils s'accordent

pour dire que la pièce est mauvaise est donnée par:
p (A0 ∩ B0) = pA0 * pB0 = 0,104
Le nombre attendu de fois que les observateurs A et B s’accordent sur le faite
que la pièce est mauvais est estimé en multipliant la probabilité combinée par
le nombre de observations:
150 x (pA0 pB0) = 150 x (47/150) x (50/150) = 15,7
L'équipe a effectué des estimations similaires pour chaque paire de catégories
pour chaque observateur.
Analyse du système relatif aux contrôles aux
attributs

103/150*50/150=
0,687*0,333
=0,229
0,229*150=34,3
Analyse du système relatif aux contrôles aux
attributs
Analyse du système relatif aux contrôles aux
attributs
Etape 3:

Pour déterminer le niveau de cet accord, l'équipe utilise le kappa de (Cohen)

qui mesure la concordance entre les évaluations de deux évaluateurs lorsque
les deux évaluent le même objet.
Une valeur de 1 indique un accord parfait.
Une valeur 0 indique que l'accord n'est pas meilleur que le hasard.
 Analyse du système relatif aux contrôles aux
attributs
Kappa est une mesure d’accord entre inter-évaluateurs qui vérifie si les comptes
des cellules diagonales (les pièces qui reçoivent la même note) diffèrent de celles
attendu par hasard seul.

Soit po = la somme des proportions observées dans les cellules diagonales

pe = la somme de la proportion attendue dans les cellules diagonales

Une règle générale est que les valeurs de kappa supérieures à 0,75 indiquent un
accord bon à excellent (avec un maximum kappa = 1); les valeurs inférieures à
0,40 indiquent un accord faible.
Analyse du système relatif aux contrôles aux
attributs

Kappa ne tient pas compte de la taille du désaccord entre les évaluateurs,

mais seulement s'ils sont d'accord ou Après avoir calculé les mesures en kappa
pour les évaluateurs, l’équipe est arrivée avec ce qui suit:

P0= (44/150)+(97/150)=0,94
Pe= (15,7/150)+ (68,7/150)=0,56
Analyse du système relatif aux contrôles aux
attributs

Cette analyse indique que tous les évaluateurs montrent un bon accord entre
L'un et l'autre.
Cette analyse est nécessaire pour déterminer s’il existe des différences entre
les évaluateurs, mais il ne nous dit pas à quel point le système de mesure trie
bien les pièces mauvaises de celles bonnes.
Pour cette analyse, l’équipe a évalué les pièces à l’aide d’une système de
mesure variable et utilisé les résultats pour déterminer la référence décision.
Avec cette nouvelle information, un autre groupe de tableaux croisés a été
développé comparer chaque évaluateur à la décision de référence.
Analyse du système relatif aux contrôles aux
attributs

L’équipe a également calculé la mesure en kappa afin de déterminer l’accord de

chaque évaluateur à la décision de référence:

Ces valeurs peuvent être interprétées que les évaluateurs

ont un bon accord avec le standard.
Analyse du système relatif aux contrôles aux
attributs
Etape 4:

On calcule ensuite l’efficacité du système de mesure

par la formule suivante
Analyse du système relatif aux contrôles aux
attributs
Analyse du système relatif aux contrôles aux
attributs
Synthese

Type of Measurement System MSA Methods

Basic Variable Range, Average & Range, ANOVA,
Bias, Linearity, Control Charts
Basic Attribute ignal Detection, Hypothesis Test
Analyses
Non-Replicable (e.g., Destructive Tests) Alternate Approaches
 Cas des contrôles destructifs

Hypothèses :

• La duré de vie de la caractéristique dépasse la duré de l’étude ou la durée de

stockage des échantillons

• Les pièces couvrent l’ étendue de variation de la variation process

• La linéarité du système de mesure est connue

 Cas des contrôles destructifs (Etude de stabilité)
• Choisir une population homogène (Distribution unimodal)
• Tests réalisés par plusieurs opérateurs
• Déterminer la variation totale en réalisant une étude de capabilité
• Calculer le Cp avec n≥30
• σ²total= σ²process+σ²msa
• Mesurer une ou plusieurs pièces des échantillons isolés dans le temps en
utilisant les carte moyenne / Etendue
• Les limite de contrôles sont ceux déterminées lors de l’étude de capabilité
• Vérifier les tendances
• Du moment que les spécimens ne changent pas tous singe d’instabilité serait
attribué à une changement au niveau du système de mesure
•
 Merci pour votre attention

Tél: 212 6 61 19 75 34
Hicham,batioua@gmail,com

140