des mesures pour des décisions
TRANSCRIPT
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 1
Métrologie industrielle : comment enrichir vos décisions en
exploitantles études visant la maîtrise
des procédés ?
Laurent Leblond – P.S.A Peugeot CitroënChristophe Dubois – Delta MuJean-Michel POU – Delta Mu
Rencontres francophonessur la Qualité et la Mesure
Angers – 28, 29 et 30 Avril 2015
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 2
Sommaire
• Le contexte• Les objectifs• La problématique• L’approche choisie• Quelques premiers résultats• Suite des travaux• Vos questions
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 3
Le contexte
Sous l’impulsion du WG1 du JCGM, la Métrologie semble s’orienter vers une approche bayésienne :
• JCGM 106 (NF ISO/CEI Guide 98-4)
• Révision du G.U.M
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 4
Le contexte
1. Les décisions industrielles reposent sur des mesures
2. Toutes les mesures sont fausses (mais certaines sont utiles !)
3. Comment l’incertitude impacte nos décisions :
a) Risque « Client » ?
b) Risque « Fournisseur » ?
• JCGM 106 (NF ISO/CEI Guide 98-4)
• Révision du G.U.M
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 5
Le contexte
Le Guide 98-4 propose des solutions :
• Lorsque toutes les entités d’un lot sont mesurées : Risque Global
• Pour une entité en particulier d’un lot : Risque Spécifique
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 6
Le contexte
Le Guide 98-4 ne propose pas de solution dans le cas des phénomènes d’intérêt (production industrielle ou autres contextes)
connus uniquement à partir d’échantillons mesurés …
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 7
L’objectif
Estimer un intervalle contenant :
Le taux d’entités réellement « non conformes »
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 8
Les moyens
Proposer une approche qui prenne en compte :• L’effet échantillonnage• Les propriétés des incertitudes de
mesure (Part HO et LO)• La répétition des échantillonnages
tout au long de l’observation du « Phénomène d’Intérêt »
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 9
Définition
Phénomène d’Intérêt
On appelle ici « phénomène d’intérêt » tout ensemble « d’entités » possédant des propriétés que l’on cherche à connaitre, par exemple :
• Une production de pièces industrielles;• « L’ambiance » climatique dans une enceinte;• La qualité d’une production agro-alimentaire;• …
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 10
La problématique
Lors des mesures par échantillonnage, on obtient, pour chaque entité mesurée :
Avec :
UNE réalisation de la variable aléatoire « Phénomène d’intérêt »
: UNE réalisation de la variable aléatoire « Incertitude de mesure » notée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 11
La problématique
est la variable aléatoire qui décrit la réalité du « phénomène d’intérêt ».
Si peut être modélisé par une loi de probabilité, les paramètres de la modalisation sont indiqués de la façon suivante :
Note : Sans paramètres associés, est une loi empirique qui peut être décrite par son histogramme des fréquences
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 12
La problématique
est une variable aléatoire permettant de décrire la distribution des erreurs de mesure.
Dans le cas le plus fréquemment admis, suit une loi de distribution Normale, de paramètres :• Moyenne = • Variance =
Elle sera notée :
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 13
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 14
Dans un premier temps, nos travaux se limitent au cas gaussien, pour et pour .
On considère donc :• suit une loi normale de moyenne et
de variance • suit une loi normale de moyenne et
de variance
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 15
Remarque :
Lorsqu’on mesure entités dans un même contexte, le et « une partie de (la )» restent constants entre les mesures.
Propriété : La des erreurs de mesure ne varie pas entre les mesures de chaque entité.
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 16
Ainsi, pour chaque entité mesurée d’un échantillon, on obtient :
….
Où représente le nombre d’entités dans l’échantillon.
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 17
Avec :
….
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 18
Pour un échantillon donné, il est possible d’obtenir :
• Une estimation de via la moyenne empirique des valeurs mesurées des échantillons;
• Une estimation de via la variance empirique de l’échantillon;
En tenant compte des propriétés de
Les premiers résultats
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 19
Mais :
est une estimation de .
Pour être réaliste, il convient de déterminer l’intervalle de dispersion dans lequel se trouve .
La « largeur » de cet intervalle dépend :– Du nombre d’échantillons (Student)– Du et des erreurs de mesure
Les premiers résultats
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 20
Mais :
est une estimation de
Pour être objectif, il convient de déterminer l’intervalle de dispersion dans lequel se trouve .
La « largeur » de cet intervalle dépend :– Du nombre d’échantillons (Khi Deux)– De la part des erreurs de mesure
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 21
Intervalle de dispersion de
La variance apparente (« phénomène d’intérêt » et « mesure » indépendants) est égale à :
est une estimation de . Donc, une estimation de est donnée par :
est une estimation de la de
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 22
Intervalle de dispersion de
Avec : est calculé à partir des données mesurées disponibles. se distribue suivant une loi du Khi Deux à degré de liberté.
Dans le cas d’une évaluation de type A, se distribue suivant une loi du Khi Deux.
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 23
Intervalle de dispersion de
En utilisant la simulation de Monté Carlo pour réaliser cette décomposition de variances, on obtient un intervalle de dispersion des dans lequel se trouve .
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 24
Intervalle de dispersion de
d’un échantillon se distribue suivant une loi de Student à degrés de liberté.
L’intervalle de confiance de est obtenu en tenant compte d’un intervalle d’incertitude de la
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 25
Connaissance du « phénomène d’intérêt »A ce stade, nous disposons :• De valeurs de possibles• De valeurs de possibles
Avec ces simulations (Couple possibles), on peut déterminer des taux de non-conformité possibles.
Approche envisagée
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 26
Paramètres théoriques
Soit :
Un coefficient de capabilité d’environ 7
Un taux de non conforme de 5% environ
Quelques premiers résultats
µ 𝜎prod 10 1mesure HO 0 0,3mesure LO 0 0,3
Cible 10borne inf 8borne sup 12
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 27
Sensibilité au nombre de mesures
Quelques premiers résultatsBorne Max (95%) de l’intervalle de dispersion du taux de Non conforme
0
10
20
30
40
50
60
70
80
90
Taux nc sup
Pour n = 30
0
20
40
60
80
100
120
Taux nc sup
Pour n = 1000
Pour n = 10 000
0102030405060708090
100
Taux nc sup
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 28
Sensibilité à la capabilité du processus de mesure ()
0
20
40
60
80
100
120
Taux nc sup
Pour C = 7
Pour C = 10
0
20
40
60
80
100
120
Taux nc sup
Pour C = 4
0
20
40
60
80
100
120
Taux nc sup
Quelques premiers résultatsBorne Max (95%) de l’intervalle de dispersion du taux de Non conforme
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 29
Sensibilité à la part HO et LO (C = 4; )
Pour 100%HO
0
10
20
30
40
50
60
70
80
90
0,95%1,34%1,73%2,11%2,50%2,89%3,28%3,67%4,06%4,45%4,84%5,23%5,62%6,01%6,39%
Taux nc sup
0
20
40
60
80
100
120
Taux nc sup
Pour 100%LO
Quelques premiers résultatsBorne Max (95%) de l’intervalle de dispersion du taux de Non conforme
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 30
• Ecrire les modèles analytiques pour retrouver (ou infirmer) les résultats obtenus;
• Etendre l’approche aux phénomènes « non gaussiens », tant pour le « Phénomène d’intérêt » que pour « Incertitude »;
• Augmenter le nombre n de résultats en « ajoutant » les résultats de chaque échantillonnage obtenus au cours du temps;
• Intégrer la révision bayésienne des valeurs mesurées en tenant compte de l’a priori
• Définir la qualité des estimateurs de l’incertitude de mesure (Biais, , )
Suite des travaux
Pour plus de modèles : Modèles Powerpoint PPT gratuits
Page 31
Jean-Michel POU• Président Fondateur de la société Delta Mu• Président du cluster « Auvergne Efficience
Industrielle »
Mail : [email protected]
Vos questions