Présentation

Bien que les études univariées traditionnelles examinent une caractéristique de qualité à la fois, de nombreux processus réels comportent de multiples variables interdépendantes qui doivent être considérées ensemble. La réalisation d'une étude de la capacité de procédé dans un contexte multivarié est essentielle lorsque les caractéristiques sont corrélées, car l'évaluation de chaque variable séparément peut conduire à des conclusions trompeuses sur le rendement global du processus. Cet article fournit un guide détaillé et étape par étape pour réaliser une étude efficace de la capacité de procédé multivariée, à partir de concepts fondamentaux, par des techniques d'analyse avancées et une interprétation pratique.

Comprendre la capacité de processus à variables multiples

La capacité de traitement multivariée étend les principes de l'analyse univariée de la capacité aux situations où deux caractéristiques de qualité ou plus sont simultanément importantes et souvent corrélées. Par exemple, dans un procédé de fabrication chimique, la concentration et la température d'un produit peuvent devoir rester dans des limites spécifiques, et ces variables interagissent fréquemment.

La différence clé entre la capacité univariée et la capacité multivariée est le traitement de la corrélation. Un processus peut apparaître capable pour chaque variable individuellement, mais la combinaison de variables pourrait produire une forte proportion d'unités non conformes qui ne sont pas une région de spécification multivariée. Les indices de capacité multivariée comme le Cp multivariée (CpMV) et le Cpk (CpkMV rendent compte de la distribution conjointe des variables, utilisant souvent le concept de distribution normale multivariée et une région de spécification définie par un ellipsoïde ou une boîte rectangulaire dans l'espace variable.

Un autre concept important est l'utilisation de l'analyse des composantes principales (APC) pour réduire la dimensionnalité tout en préservant la structure essentielle des données. En transformant les variables corrélées originales en composantes principales non corrélées, les analystes peuvent calculer des indices de capacité sur ces composantes ou directement dans l'espace original en utilisant la statistique T2 de Hotelling. Le choix de la méthode dépend de la nature des spécifications et des hypothèses sous-jacentes de normalité et de linéarité.

Étapes à suivre pour réaliser une étude multivariée des capacités de processus

1. Définir le processus et les variables

Commencez par identifier clairement les limites du processus et les principales caractéristiques de qualité qui doivent être contrôlées. Engagez-vous avec les ingénieurs de processus, les exploitants et les gestionnaires de la qualité à choisir des variables qui sont à la fois critiques pour les besoins des clients et susceptibles d'être corrélés. Documentez les limites de spécification pour chaque variable, en indiquant si elles sont bilatérales (upper et lower) ou unilatérales.

Il est également important de déterminer si le processus est stable et dans un état de contrôle statistique avant de tenter d'analyser les capacités. Utilisez des cartes de contrôle (comme le tableau de contrôle T2 de Hotelling) pour vérifier que le processus ne présente pas de variation de cause particulière pendant la période de collecte des données.

2. Collecte de données représentatives

La collecte de données pour la capacité multivariée exige une planification minutieuse pour s'assurer que l'échantillon représente adéquatement la variation du processus dans des conditions normales d'exploitation. Une règle courante consiste à recueillir au moins 100 à 150 observations lorsque le nombre de variables est faible (p. ex., 2-5), mais que les échantillons plus importants deviennent nécessaires à mesure que la dimensionnalité augmente.

Consigner les données dans le temps afin de permettre des vérifications de l'autocorrélation et des tendances. Si le processus est axé sur les lots, envisager l'échantillonnage entre les lots et au sein des lots pour saisir les variations à court terme et à long terme.

3. Évaluer la qualité des données et les hypothèses

Avant de construire un modèle multivarié, inspectez les données pour déterminer les valeurs aberrantes, les valeurs manquantes et les écarts par rapport à la normale. Pour déterminer la normalité multivariée, vous pouvez utiliser le test Mardia ou un tracé quantile-quantile des distances au carré Mahalanobis. Si les données s'écartent significativement de la normalité, envisagez des transformations (p. ex., Box-Cox) ou des approches non paramétriques.

Vérifiez la multicollinéarité en utilisant des matrices de corrélation et des facteurs d'inflation de variance (FIV). La multicollinéarité élevée peut déstabiliser les calculs d'indice de capacité et peut nécessiter une réduction de dimensionnalité via PCA ou la sélection de sous-ensembles variables.

4. Analyser les relations variables

Comprendre la structure de corrélation est central à multivariée. Calculer la matrice de corrélation de l'échantillon et la visualiser à l'aide de matrices de spreadplot ou de cartes thermiques. Si les variables sont fortement corrélées, considérer l'analyse des composantes principales (APC) pour les transformer en composantes non corrélés. L'APC non seulement simplifie l'analyse mais révèle également quelles directions dans l'espace variable contribuent le plus à la variation globale.

Une autre technique utile est l'analyse des facteurs, qui peut identifier les facteurs latents qui motivent les corrélations. Cependant, pour la plupart des études de capacité, l'APC est préférable parce qu'elle est directement liée à la variance comptabilisée et peut être utilisée pour calculer les indices de capacité sur les scores des composantes.

5. Modéliser le processus

Plusieurs approches de modélisation existent pour l'analyse des capacités à variables multiples :

  • Hotelling , T2 statistique:[ Pour un processus qui est multivarié normalement distribué, la statistique T2 mesure la distance de la moyenne de l'échantillon à la cible. Vous pouvez calculer la proportion de points de données qui se situent dans une limite de contrôle T2 spécifiée, qui sert de mesure de capacité.
  • Analyse des composants principaux (PCA):[ Après PCA, vous pouvez calculer des indices de capacité univariés pour chaque composant principal, parce que les composants sont indépendants. Cependant, les limites de spécification originales doivent être transformées en espace composant, ce qui peut être complexe si les limites ne sont pas elliptiques.
  • Indices de capacité multivariés (CpMV et Cpk[MV[):[ Ces indices sont des extensions de Cp et de Cpk qui utilisent le concept d'une région de tolérance multivariée (souvent ellipsoïde) par rapport à la variation de processus ellipsoïde définie par la matrice de covariance.

Lorsque les spécifications forment une région rectangulaire (le cas le plus courant dans la pratique), une approche commune consiste à utiliser la proportion d'unités non conformes estimée à partir de la distribution normale multivariée. Cette proportion peut être convertie en un indice de capacité analogue à Cpk en utilisant une transformation normale inverse.

6. Calculer les indices de capacité

Supposons que nous ayons deux variables (X1, X2) avec une distribution normale bivariée. La région de spécification est définie par des limites de spécification inférieures et supérieures (LSL1, USL1, LSL2, USL2). La variation du processus est décrite par la matrice de covariance . L'indice Cp[MV est calculé comme suit:

Cp[MV = (Volume de la région de spécification) / (Volume de la région de variation du processus)

La région de variation du processus est définie comme étant la plus petite ellipsoïde qui contient une certaine proportion (habituellement 99,73 %) de la sortie du processus, correspondant à une sphère 3-sigma dans l'espace multivarié. Le volume d'un ellipsoïde p-dimensionnel est proportionnel à la racine carrée du déterminant de la matrice de covariance. CpMV peut donc être exprimé comme suit:

Cp[MV = [=[USLi - LSL[i) / [(x2p, 0.9973)[p/2 × √=]] )

où χ2p, 0,9973 est la valeur critique chi-carré avec p degrés de liberté pour la couverture de 99,73%.

Pour CpkMV[, qui explique le centrement du processus, un indice commun est celui proposé par Chan, Cheng et Spiring (1988). Il utilise le rapport de la distance de la moyenne du processus à la limite de spécification la plus proche le long de la direction multivariée à la variation du processus dans cette direction. Vous pouvez aussi utiliser la proportion d'unités non conformes approche: convertir la fraction estimée non conforme en une valeur Z et ensuite exprimer CpkMV = Zmin] / 3, où Zmin] est la plus petite valeur Z à face.

7. Interpréter les résultats et identifier les domaines d'amélioration

Une valeur de CpMV[ supérieure à 1 indique que la variation du processus occupe une région plus petite que la région de spécification, mais ne garantit pas que le processus est centré. Cpk[MV devrait être utilisé pour évaluer le centreage. Lorsque CpkMV[ est significativement inférieur à CpMV, le processus nécessite un ajustement moyen.

Examiner les variables qui contribuent le plus au manque de capacité. Les charges de PCA peuvent indiquer quelles variables originales conduisent aux composantes principales à faible capacité. Par exemple, si le premier composant principal (qui explique la plus grande variation) montre un indice de faible capacité, les variables à forte charge sur ce composant sont les principaux candidats à l'amélioration du processus.

Placer les données et la région de spécification (p. ex., superposer une ellipse de confiance de 99,73 % sur un graphique de dispersion) pour évaluer visuellement la comparaison du processus avec les spécifications.

Outils et techniques

Analyse des composantes principales (APC)

PCA transforme un ensemble de variables corrélées en un plus petit ensemble de composantes principales non corrélées qui capturent la variance maximale. Il est particulièrement utile lorsque le nombre de variables est important (p. ex., 10 ou plus) ou lorsque la multicolinéarité existe. Après PCA, vous pouvez calculer des indices de capacité univariés sur les premiers composants qui expliquent la plupart des variations.

Graphiques de contrôle multivariés

Avant d'effectuer une analyse de la capacité, utilisez des cartes de contrôle multivariées comme les cartes T2 de Hotelling (pour l'analyse de la phase I) et MEWMA ou MCUSUM (pour la surveillance de la phase II).Un processus stable est une condition préalable pour des estimations de capacité valides.

Indices de capacité multivariés

Outre CpMV[ et CpkMV[, d'autres indices existent, tels que l'indice de capacité multivariée proposé par Wierda (1992) basé sur la proportion d'unités non conformes. Les paquets logiciels comme Minitab, JMP et R (en utilisant les paquets ou ) offrent des fonctions pour calculer ces indices.

Interprétation des résultats des capacités multivariées

Pour interpréter les résultats d'une étude multivariée, il faut tenir compte des lignes directrices suivantes :

  • Cp[MV > 1,33: La variation du processus se situe bien dans la région de spécification, ce qui indique une excellente capacité potentielle.
  • 1.00 ≤ CpMV ≤ 1.33: Le processus est capable, mais peut nécessiter une surveillance pour empêcher la détérioration.
  • Cp[MV < 1.00: La variation du processus dépasse la région de spécification; une amélioration immédiate est nécessaire.
  • CpkMV[ vs. Cp[MV[: Un écart important indique que le processus est hors centre.
  • Indices univariables par rapport aux indices multivariés : Si les valeurs univariées de Cp/Cpk sont toutes élevées, mais que les indices multivariables sont faibles, la corrélation entre les variables est probablement la cause.

Si les données ne sont pas normales, envisager d'utiliser des méthodes non paramétriques qui évaluent la proportion d'unités non conformes directement de la distribution empirique, comme l'approche multivariée décrite par Shore (2005).

Meilleures pratiques et pièges communs

Meilleures pratiques

  • Collectez suffisamment de données:[ visez au moins 100 observations pour les cas à faible dimension, plus pour les dimensions supérieures. Utilisez l'analyse de puissance pour déterminer la taille de l'échantillon pour obtenir la précision requise.
  • Vérifier les hypothèses: Toujours tester la normalité et la structure de corrélation multivariées avant de calculer les indices.
  • Utiliser un logiciel approprié: Tirer parti des paquets statistiques qui supportent l'analyse des capacités multivariées, tels que Minitab, JMP, R ou Python avec des bibliothèques comme et . Le manuel électronique NIST/SEMATECH des méthodes statistiques fournit des conseils et des exemples détaillés. Visitez le manuel électronique NIST.
  • Collaborer avec des experts du domaine : Travailler avec des ingénieurs de processus et des statisticiens pour s'assurer que les variables et spécifications choisies sont significatives et que l'analyse s'harmonise avec des contraintes pratiques.
  • Valider le modèle:[ Utiliser des données de rétention ou de validation croisée pour confirmer que les estimations de capacité sont fiables et stables au fil du temps.

Pièges fréquents

  • Ignorer la corrélation:[ C'est l'erreur la plus fréquente. La capacité univariée peut sembler bonne, mais les variables corrélées peuvent causer un pourcentage élevé d'unités non conformes.
  • En utilisant des données insuffisantes:[ De petits échantillons entraînent de grandes erreurs d'échantillonnage dans les estimations de la matrice de covariance, ce qui entraîne des indices de capacité peu fiables.
  • La qualité des données :[ Les valeurs aberrantes et les données manquantes peuvent fausser gravement les indices multivariés.
  • Cp[MV[ ne tient pas compte du centrage; toujours utiliser Cpk[MV[ en conjonction. N'oubliez pas que de nombreux indices dépendent de la forme de la région de spécification; les spécifications rectangulaires peuvent nécessiter une approche différente de celles elliptiques.
  • Appliquer des méthodes multivariées à des processus instables : L'analyse de la capacité est sans signification si le processus n'est pas sous contrôle statistique.

Conclusion

En définissant avec soin les variables, en recueillant des données représentatives, en vérifiant les hypothèses, en utilisant des outils statistiques appropriés comme PCA et Hotellings T2, et en calculant des indices de capacité multivariables robustes, les organisations peuvent identifier l'état réel des capacités de processus et cibler efficacement les améliorations. L'analyse multivariée des capacités est un outil puissant pour obtenir des résultats de haute qualité et réduire les déchets dans les procédés modernes de fabrication et de service. Pour plus d'étude, l'American Society for Quality (ASQ) offre des cours et des Ressources de qualité sur la capacité de processus. De plus, le livre ="Statistical Quality Control=" de Montgomery fournit un traitement approfondi des méthodes multivariées.