L'impératif de la raison statistique dans le contrôle de la qualité

Dans la production de haute qualité, la décision d'accepter ou de rejeter un lot de production est rarement fondée sur une inspection à 100 %. Le coût, le temps et la nature destructrice de nombreux tests rendent l'inspection impossible. L'échantillonnage d'acceptation, fondé sur la théorie statistique, fournit un cadre discipliné pour prendre ces décisions avec un risque quantifiable.Au lieu d'examiner chaque unité, les ingénieurs procèdent à un échantillonnage aléatoire, le testent et, en fonction du nombre de défauts constatés, acceptent ou rejettent l'ensemble du lot.Cette approche, officialisée dans des normes comme ISO 2859 et ANSI/ASQ Z1.4[, équilibre le coût de l'inspection contre le risque de passer un produit non conforme.

Les sous-objectifs statistiques fondamentaux

L'échantillonnage d'acceptation repose sur la théorie des probabilités pour lier les résultats de l'échantillon aux caractéristiques de la population. L'hypothèse fondamentale est que l'échantillon est prélevé au hasard sur le lot et que le processus de production est suffisamment stable pour que le lot soit représentatif. Les principales distributions statistiques en cause sont la distribution binomiale (pour les données sur les attributs comme le passage/échec) et la distribution de Poisson (souvent utilisée pour les défauts par unité).

Producteurs et consommateurs Risques

Chaque plan d'échantillonnage comporte deux types d'erreurs. Erreur de type I, ou risque de production (α), est la probabilité de rejeter un lot qui répond réellement au niveau de qualité acceptable (AQL). Cela pénalise le fournisseur pour une bonne production. erreur de type II, ou risque de consommation (β)[, est la probabilité d'accepter un lot dont le taux de défaut dépasse le pourcentage de tolérance du lot défectueux (LTD).

La courbe caractéristique de fonctionnement (OC)

La courbe OC est l'outil graphique le plus important pour l'échantillonnage d'acceptation. Elle trace la probabilité d'accepter un lot (axe y) contre la fraction réelle du lot (axe x). Une courbe OC idéale serait une fonction étape : accepter tous les lots sous l'AQL, rejeter tout ci-dessus. En réalité, la courbe est une forme lisse S. Plus la courbe est raide, plus le plan est discriminant. Les ingénieurs utilisent la courbe OC pour évaluer comment un plan fonctionne pour différents niveaux de qualité.

Conception d'un plan d'échantillonnage

Pour concevoir un plan efficace, il faut préciser quatre paramètres : la taille du lot (N), la taille de l'échantillon (n), le numéro d'acceptation (c – le nombre maximal de défauts admis dans l'échantillon) et le numéro de rejet (r – généralement c+1 pour les plans uniques). Ceux-ci sont choisis pour répondre à l'AQL, LTPD, α et β. Le processus implique souvent un calcul itératif : sélectionner l'essai n et c, calculer la courbe OC, puis ajuster jusqu'à ce que les deux risques soient dans des limites acceptables.

Plans simples, doubles et séquentiels

L'échantillonnage unique est le plus simple: prélever un échantillon de taille n. Si le nombre de défauts ≤ c, accepter; rejeter autrement. L'échantillonnage double offre une deuxième chance: prélever un échantillon initial de taille n1. Si les défauts ≤ c1, accepter; si > r1, rejeter; si c1 à r1, prélever un deuxième échantillon de taille n2. Les défauts combinés sont comparés à un deuxième numéro d'acceptation c2. Ce plan réduit souvent l'inspection totale pour les bons lots.

L'échantillonnage séquentiel[ va encore plus loin : les unités sont inspectées une à la fois. Après chaque unité, le nombre cumulatif de défauts est comparé à une limite supérieure (rejet) et à une limite inférieure (acceptation). L'inspection se poursuit jusqu'à ce qu'une limite soit franchie. Il s'agit du plan le plus efficace en termes de taille moyenne de l'échantillon, surtout lorsque la qualité du lot est très bonne ou très mauvaise. ANSI/ASQ Z1.4 comprend des tableaux pour les plans d'échantillonnage double et multiple.

Choisir le bon type de plan

Les plans uniques sont faciles à administrer, mais peuvent nécessiter des échantillons plus importants. Les plans doubles et séquentiels réduisent la taille moyenne de l'échantillon, mais nécessitent des règles de décision plus complexes. Dans la fabrication de dispositifs aérospatiaux et médicaux, où les tests sont destructeurs, l'échantillonnage séquentiel est souvent préféré pour réduire le nombre d'unités détruites.

Distributions statistiques dans l'échantillonnage d'acceptation

Le modèle binôme

Lors de l'échantillonnage à partir de grands lots (généralement N > 10n) et de l'inspection de défauts d'attribut (p. ex., pass/fail), le modèle de distribution binomiale du nombre de défauts dans l'échantillon. La probabilité d'observer x défectueux dans n éléments, étant donné la fraction de lot défectueux p, est P(x) = C(n, x) p^x (1-p)^(n-x). La courbe de OC pour les plans d'attributs est calculée en additionnant ces probabilités pour x de 0 à c. Ce modèle suppose une population infinie ou un échantillonnage avec remplacement, qui est approximative par de grandes tailles de lots.

L'approximation Poisson

Lorsque les taux de défaut sont faibles (p < 0,1) et que les tailles des échantillons sont importantes, la distribution de Poisson fournit une approximation étroite. Le paramètre λ = n * p. Simplifie les calculs et est couramment utilisé dans les tableaux de l'industrie. La probabilité d'accepter un lot devient la somme des probabilités de Poisson pour les défauts de 0 à c. Le modèle Poisson est également utilisé pour les défauts par unité (non-conformités) plutôt que pour les unités défectueuses.

Considérations hypergéométriques

Pour les petits lots (p. ex., N < 10n), la correction de population finie devient importante. La distribution hypergéométrique devrait être utilisée au lieu du binôme parce que l'échantillonnage sans remplacement modifie considérablement les probabilités. Dans de tels cas, la courbe de CO est plus raide, et le risque de consommation est plus faible pour un plan donné.

Applications pratiques dans les industries

Industrie automobile

Par exemple, un fournisseur de niveau 1 peut prélever des plaquettes de frein sur une expédition de 5000. En utilisant un seul plan avec n=125 et c=3 (AQL=1,0 %, LTD=5,0 %), le fournisseur peut décider rapidement s'il accepte le lot ou s'il rejette et retourne au fournisseur. Cela empêche les pièces défectueuses d'entrer dans la chaîne de montage, réduisant ainsi les coûts de retravail.

Industrie de l'électronique et des semi-conducteurs

En électronique, il est impossible de tester chaque composant en raison du coût et du temps. L'échantillonnage est appliqué aux circuits intégrés, résistances et connecteurs. Comme les taux de défaut sont extrêmement faibles (parties par million), les plans utilisent souvent un numéro d'acceptation zéro (c=0) pour éviter d'accepter les mauvais lots.

Instruments pharmaceutiques et médicaux

Les organismes de réglementation comme la FDA exigent une validation rigoureuse des plans d'échantillonnage pour les tests de stérilité, où les tests sont destructeurs. Les plans séquentiels sont préférés parce qu'ils réduisent le nombre d'unités détruites tout en maintenant la confiance statistique.

Aérospatiale et défense

Les plans d'échantillonnage sont souvent utilisés pour réduire la taille des échantillons tout en maintenant une discrimination élevée. Les équipes d'ingénierie doivent documenter la justification statistique de chaque plan utilisé.

Au-delà des attributs : Prélèvement de variables

L'échantillonnage des attributs (défactif/non défectueux) est simple mais inefficace pour les mesures continues. L'échantillonnage des variables utilise des mesures réelles (p. ex., diamètre, résistance à la traction). Le plan suppose généralement une distribution normale et utilise l'écart moyen et standard de l'échantillon pour estimer le taux de défaut du lot. Les plans des variables exigent des tailles d'échantillon plus petites pour la même puissance discriminatoire, ce qui les rend attrayants lorsque les mesures sont faciles et la distribution est bien comprise.

Pièges et idées fausses communs

  • Confuser les résultats de l'échantillon avec la qualité du lot :[ Un bon échantillon ne garantit pas un bon lot ; il y a toujours une erreur d'échantillonnage. La courbe d'OC quantifie ce risque.
  • En utilisant des plans d'acceptation zéro sans base statistique appropriée:[ Beaucoup supposent que c=0 plans sont parfaits, - mais ils ont souvent un très petit risque de consommateur seulement si la taille de l'échantillon est assez grande.
  • Ignorer le risque du producteur: Des plans trop stricts peuvent rejeter de nombreux lots de bonne qualité, causant des perturbations de la chaîne d'approvisionnement.
  • Il faut vérifier l'homogénéité des lots, l'échantillonnage aléatoire et la stabilité des processus, et les défauts groupés peuvent invalider les hypothèses binomiales.
  • À mesure que les processus s'améliorent, le même plan pourrait devenir trop prudent.

Conclusion

Les bases statistiques de l'échantillonnage d'acceptation fournissent aux ingénieurs une méthode rationnelle d'assurance de la qualité fondée sur le risque. En comprenant les risques liés à la courbe d'acceptation, aux producteurs et aux consommateurs, et les types de plans d'échantillonnage appropriés, les équipes d'ingénierie peuvent concevoir des inspections qui équilibrent le coût, l'efficacité et la qualité. Que ce soit en utilisant des plans d'attributs ou de variables, la clé est un raisonnement statistique rigoureux plutôt que des règles arbitraires.