Exploiter les corrélations entre mesures en production

Illustration d’une ligne de production avec des stations de mesure et des diagrammes de dispersion montrant la corrélation entre des mesures pour l’analyse du processus et la détection d’anomalies.

English summary — full article in French below

In serial production, products are often measured or tested at several stages of the assembly process. These measurements are usually related and should therefore show some level of correlation. When no correlation is observed, it is often a sign of a hidden problem such as a measurement system issue, an unstable adjustment, a process problem, or a traceability error. On the other hand, when a clear correlation exists, it can be used to detect abnormal products and inconsistencies. Analyzing correlations between measurements is therefore a simple and effective way to better understand, monitor, and improve production processes.

Dans de nombreux processus de production en série, les produits sont mesurés ou testés à plusieurs étapes de leur assemblage. Pourtant, les liens entre ces différentes mesures sont rarement exploités. C’est dommage, car les corrélations entre mesures constituent un outil très utile pour comprendre un processus, détecter des anomalies et identifier des problèmes de mesure, de réglage ou de traçabilité.

Des mesures liées doivent être corrélées

Lorsqu’un produit passe par plusieurs stations de test ou de réglage, il est fréquent que plusieurs mesures soient liées entre elles :

une étape d’ajustement suivie d’une mesure sur une station suivante,
une mesure d’un sous-ensemble puis une mesure après montage dans l’appareil,
deux mesures différentes influencées par la même caractéristique physique.

Dans ces situations, même si les mesures ne sont pas identiques, elles devraient évoluer ensemble.
Si une valeur augmente à la première station, la valeur mesurée à la station suivante devrait en général augmenter aussi. Lorsque l’on représente ces deux mesures sur un diagramme de dispersion, on devrait donc observer une corrélation.

Diagramme de dispersion montrant une corrélation positive visible mais imparfaite entre deux mesures. — *Un exemple de mesures corrélées comme on peut les rencontrer dans un cas réel. La corrélation n’est pas parfaite, entre autres à cause d’imprécisions dans les deux mesures.*

Quand il n’y a pas de corrélation, c’est souvent mauvais signe

Si deux mesures censées être liées ne montrent aucune corrélation, c’est généralement le symptôme d’un problème. Les causes possibles sont nombreuses.

Diagramme de dispersion montrant l’absence de corrélation entre deux mesures. — *Un exemple dans lequel il n’y a aucune corrélation entre les deux valeurs mesurées.*

1. Le système de mesure n’est pas fiable

Par exemple :

mauvaise répétabilité,
mauvaise reproductibilité,
méthode de mesure différente entre deux stations,
erreur de procédure.

Dans ce cas, le problème vient du système de mesure et non du produit.

2. La valeur se perd entre les deux stations

On pense faire un ajustement, mais en réalité :

la référence bouge,
le réglage n’est pas stable,
une opération suivante modifie la caractéristique réglée.

Dans ce cas, le processus n’est pas maîtrisé.

3. On ne mesure pas la même chose

Même si les deux mesures portent théoriquement sur la même caractéristique, il est possible que :

la méthode soit différente,
la mesure soit indirecte,
l’environnement de mesure influence le résultat,
une autre caractéristique domine la seconde mesure.

On croit mesurer la même chose, mais ce n’est pas le cas.

4. Problème de traçabilité

Il peut aussi arriver que les données ne correspondent pas au bon produit :

erreur d’identification,
mélange de pièces,
mauvais numéro de série,
problème de base de données.

C’est pour cela que la traçabilité des produits et des mesures entre les stations est essentielle si l’on veut exploiter les corrélations.

Quand il y a une corrélation, on peut détecter les anomalies

Si la corrélation entre deux mesures est claire, elle peut être utilisée pour détecter des produits anormaux.

La plupart des produits vont se situer dans une zone cohérente du diagramme de dispersion.
Si un point apparaît en dehors de cette zone, cela signifie qu’il y a une incohérence entre les deux mesures.

Diagramme de dispersion montrant une corrélation entre deux mesures avec des limites de variabilité et un point anormal en dehors de la zone attendue. — *Exemple où des limites ont été ajoutées. Les points particulièrement éloignés de la droite de régression et dépassant hors des limites sont suspects.*

Cette anomalie peut provenir de :

une erreur de mesure,
un problème sur un composant,
un problème d’assemblage,
une erreur de traçabilité,
un produit réellement défectueux.

La corrélation ne dit pas directement où est le problème, mais elle permet de détecter rapidement qu’il y a un problème.

Importance de l’analyse en temps réel

Pour que cette approche soit réellement utile en production, il ne suffit pas d’analyser les données plusieurs semaines plus tard.
Les corrélations doivent être analysées le plus tôt possible, idéalement en temps réel ou avec très peu de délai.

Cela permet :

d’arrêter rapidement la production si nécessaire,
de vérifier une station de mesure,
de corriger un réglage,
d’identifier un lot de composants problématique,
d’éviter de produire une grande quantité de produits non conformes.

Les données de production ne doivent pas seulement être stockées : elles doivent être utilisées pour piloter le processus.

Un outil encore trop peu utilisé

En production, on analyse souvent les mesures station par station, avec des moyennes, des écarts-types ou des cartes de contrôle.
Mais on oublie souvent de regarder le lien entre les mesures.

Pourtant, les corrélations entre mesures permettent de :

vérifier la cohérence du processus,
détecter des problèmes de mesure,
détecter des problèmes de réglage,
détecter des problèmes de traçabilité,
identifier des produits anormaux,
mieux comprendre le comportement du processus.

Les corrélations entre mesures sont donc un outil très utile à exploiter en production, en complément des approches classiques comme la MSP/SPC, l’analyse des systèmes de mesure (MSA), la traçabilité ou la détection d’anomalies.

Idée à retenir

Lorsque plusieurs mesures concernent le même produit à différentes étapes du processus, elles devraient raconter la même histoire.
Si ce n’est pas le cas, il y a probablement quelque chose que l’on ne comprend pas encore dans le processus.