Contrôle du procédé pour les analyses de capabilité
Ajouter une analyse de capabilité
Pour ajouter une analyse de capabilité, faites glisser et placez l’analyse à partir du Actifs volet
sur la toile. Minitab Solution Center Ajoute une carte d’actif d’espace réservé qui contient le titre par défaut, une représentation de l’actif et une liste déroulante qui contient les données associées au tableau de bord. Sélectionnez les données que vous souhaitez utiliser. Sélectionnez Ouvrir ensuite pour ouvrir la boîte de dialogue de l’analyse de capabilité.
Entrez vos données
L’analyse de capabilité nécessite que vos données se trouvent dans une seule colonne de la feuille de calcul.
Colonne de données
Indiquez la colonne de données numériques que vous souhaitez analyser.
Effectif des sous-groupes
Remarque
Les observations à l'intérieur de chaque sous-groupe doivent se trouver dans des lignes adjacentes de la feuille de travail. Pour plus d’informations sur l’utilisation des colonnes pour définir des sous-groupes, reportez-vous à la rubrique Utilisation de sous-groupes pour évaluer la capabilité du processus.
| C1 | C2 |
|---|---|
| Diamètre | ID de sous-groupe |
| 74,030 | 1 |
| 74,002 | 1 |
| 74,019 | 1 |
| 73,992 | 1 |
| 73,995 | 2 |
| 73,992 | 2 |
Ajustement de la distribution
Pour Capabilité normale, sélectionnez une distribution non normale pour s’adapter à vos données. Pour générer une estimation fiable de la capabilité du procédé, les données doivent suivre la loi que vous sélectionnez. Pour plus d’informations sur le choix d’une distribution appropriée pour les données non normales, reportez-vous à la rubrique Analyses de capabilité avec des données non normales.
Spécification inférieure et Spécification supérieure
Entrez la valeur minimale ou maximale acceptable pour le produit ou le service. S’il n’est pas possible que les mesures soient supérieures ou inférieures à cette valeur, sélectionnez cette option Limite pour définir la limite de spécification en tant que limite.
Remarque
Lorsque vous définissez une limite de spécification comme borne, Connexion signale les indices de capabilité attendue par rapport à cette limite de spécification/borne sous forme de valeurs manquantes (*). Par conséquent, définissez une limite comme borne uniquement s'il est théoriquement impossible que les mesures se situent au-delà de la limite. Par exemple, une limite de spécification supérieure d'une pureté de 100 % constitue une borne puisqu'il est impossible de dépasser une pureté de 100 %. Une limite de spécification d'une pureté de 0 % constitue une borne puisqu'il est impossible d'obtenir une pureté inférieure à 0 %.
Paramètres historiques (en option)
Pour Capabilité normale, si vous connaissez la moyenne historique ou l’écart-type historique de votre procédé, ou si vous disposez d’une estimation obtenue à partir de données passées, entrez la valeur à utiliser dans l’analyse.
- Moyenne historique
- Entrez une valeur pour la moyenne de la distribution de la population.
- Ecart type historique
- Entrez une valeur pour l'écart type à l'intérieur des sous-groupes de la distribution de la population.
Si vous n'entrez aucun paramètre historique, Connexion estime la moyenne et les écarts types à partir de vos données échantillons et utilise ces estimations pour calculer la capabilité du procédé.
Remarque
Si vous souhaitez spécifier la méthode utilisée par Connect pour estimer l’écart type par rapport à vos données d’échantillonnage, sélectionnez Estimation.
Transformation
- Aucune transformation
- N'utilisez pas de transformation si vos données suivent déjà une loi normale.
- Transformation par puissance de Box-Cox (W = Y^λ)
- utilisez la transformation de Box-Cox si vos données non normales sont toutes positives (> 0) et que vous souhaitez obtenir des estimations de la capabilité (potentielle) à l'intérieur des sous-groupes, ainsi que de la capabilité globale. La transformation de Box-Cox est une transformation simple et facile à comprendre.
Sélectionnez la valeur lambda (λ) que Connect utilise pour transformer les données.
- Utiliser λ optimal: Utilisez la valeur lambda optimale afin de produire la transformation la plus appropriée. Connect arrondit la fonction lambda optimale à 0,5 ou à l’entier le plus proche, sauf si l’intervalle de confiance pour lambda ne contient pas de valeur arrondie.
- λ = 0 (ln): Utilisez le logarithme népérien de vos données.
- λ = 0,5 (racine carrée): Utilisez la racine carrée de vos données.
- Autre (entrez une valeur entre -5 et 5): Utilisez une valeur spécifiée pour lambda. Il existe d'autres transformations courantes comme le carré (λ = 2), la racine carrée inverse (λ = −0,5) et l'inverse (λ = −1). Dans la plupart des cas, vous ne devez pas utiliser de valeur en dehors de l'étendue allant de −2 à 2.
- Transformation de Johnson (pour une analyse globale uniquement)
- Utilisez la transformation de Johnson si vos données non normales contiennent des valeurs négatives (ou 0), ou si la transformation de Box-Cox n'est pas efficace. La fonction de transformation de Johnson est plus complexe que celle de Box-Cox, mais elle s'avère très puissante pour rechercher une transformation adaptée.
Estimation pour Capabilité normale
- (pour effectif de sous-groupes > 1)
- Sélectionnez une méthode d'estimation de l'écart type à l'intérieur des sous-groupes lorsque chaque groupe comporte plusieurs observations.
- R barre: R barre représente la moyenne des étendues des sous-groupes. Cette méthode fournit une estimation courante de l'écart type et fonctionne parfaitement avec des effectifs de sous-groupes compris entre 2 et 8.
- S barre: S barre représente la moyenne des écarts types de sous-groupes. Cette méthode fournit une estimation plus précise de l'écart type que la méthode R barre, notamment avec des effectifs de sous-groupes > 8.
- Ecart type regroupé: L'écart type regroupé est la moyenne pondérée des variances de sous-groupes, ce qui donne aux sous-groupes les plus grands une influence plus importante sur l'estimation globale. Cette méthode fournit l'estimation la plus précise de l'écart type lorsque le procédé est maîtrisé.
- (pour effectif de sous-groupes = 1)
- Sélectionnez une méthode d’estimation de l’écart-type au sein d’un sous-groupe lorsque vous avez des observations individuelles. Lorsque la taille du sous-groupe est de 1, les écarts-types de l’échantillon ou les plages au sein des sous-groupes ne peuvent pas être calculés. Au lieu de cela, Connect estime l’écart-type à l’aide de plages mobiles.
- Moyenne de l'étendue mobile: La moyenne de l'étendue mobile est la valeur moyenne de l'étendue mobile d'au moins deux points consécutifs. Cette méthode s'utilise couramment avec un effectif de sous-groupe de 1.
- Médiane de l'étendue mobile: La médiane de l'étendue mobile est la valeur médiane de l'étendue mobile d'au moins deux points consécutifs. Cette méthode est idéale lorsque les données présentent des étendues extrêmes qui pourraient influencer l'étendue mobile.
- Racine carrée de MSSD: La racine carrée de MSSD est la racine carrée de la moyenne des différences mises au carré entre des points consécutifs. Utilisez cette méthode lorsque vous n'êtes pas en mesure de supposer qu'au moins 2 points consécutifs ont été collectés dans des conditions similaires.
- Utiliser l'étendue mobile de longueur
- Saisissez le nombre d'observations utilisé pour calculer l'étendue mobile.La longueur doit être ≤ 100.La longueur par défaut est 2, car les valeurs consécutives ont de fortes chances d'être semblables.
- Constantes de correction de biais
- Vous pouvez choisir d'utiliser des constantes de correction de biais dans les calculs de l'écart type à l'intérieur des sous-groupes et de l'écart type global. Les constantes de correction de biais réduisent le biais pouvant survenir lorsqu'un paramètre est estimé à partir d'un petit nombre d'observations. A mesure que le nombre d'observations augmente, les constantes de correction de biais ont moins d'effet sur les résultats calculés.
- Utiliser la constante de correction de biais: Utiliser des constantes sans biais dans l’estimation de l’écart-type au sein du sous-groupe.Cette option s'applique aux méthodes de l'écart type regroupé, de la racine carrée de MSSD et S barre.
- Utiliser des constantes de correction de biais pour calculer les écarts types: utilisez les constantes de correction de biais lors de l'estimation de l'écart type global.
Remarque
En général, l'utilisation ou non de constantes de correction de biais dépend de la stratégie de l'entreprise ou des normes du secteur.
Estimation pour Capabilité non normale
Vous pouvez demander à Connexion d'estimer les paramètres de la loi non normale utilisée pour l'analyse de capabilité ou vous pouvez décider de saisir certains ou l'ensemble des paramètres ci-dessous.
- Estimation des paramètres de la loi de distribution
- estimez les paramètres de distribution à partir des données échantillons. Connect estime les paramètres suivants que vous ne spécifiez pas.
- Définir une forme (Weibull ou gamma) ou une échelle (autres lois de distribution) à: Entrez le paramètre de forme ou d'échelle, en fonction du type de loi choisi. Le paramètre de forme a une incidence sur la forme de la loi de distribution, telle que son asymétrie. Le paramètre d'échelle a une incidence sur la dispersion des données.
- Définir un seuil
à: Si vous avez sélectionné une loi à 3 paramètres, saisissez le paramètre de seuil. Le paramètre de seuil définit l'emplacement minimal de la distribution des données.
Remarque
Pour plus d’informations sur la forme, l’échelle ou le seuil d’une distribution, consultez Traiter les données pour l’analyse de capabilité anormale et cliquez sur le paramètre sur lequel vous souhaitez en savoir plus.
- Utiliser les estimations historiques
- spécifiez des estimations historiques des paramètres. Saisissez des constantes ou une colonne en utilisant de l'ordre des paramètres affiché. Le nombre de constantes et de lignes dans une colonne doit être égal au nombre de paramètres de la loi de distribution.
Options
Cette rubrique décrit l’ensemble des options de Capabilité normale. Si vous effectuez un Capabilité non normale, vous ne verrez qu’un sous-ensemble de ces options.
Cible (ajoute Cpm au tableau)
Si votre procédé contient une cible, entrez la valeur correspondante. Si vous entrez une valeur cible, Connexion calcule Cpm, un indice de capabilité qui examine également l'écart des données par rapport à la cible.
Utiliser la tolérance de K × σ pour les statistiques de capabilité
Entrez la largeur de la tolérance en nombre d'écarts types (σ). Par défaut, la tolérance est de 6 écarts types de large (3 écarts types de chaque côté de la moyenne du procédé).
Connect interprète la valeur K comme la largeur d’une tolérance bilatérale. Si vous souhaitez utiliser une tolérance unilatérale, entrez une valeur de tolérance bilatérale qui représente le double de la tolérance unilatérale. Par exemple, si vous souhaitez utiliser une tolérance unilatérale de 3 σ, entrez 6.
Exécution de l'analyse
Par défaut, Connect effectue des analyses de capabilité au sein d’un sous-groupe et globales. Si vous ne souhaitez pas effectuer l'une de ces analyses, décochez la case correspondante.
- Analyse à l'intérieur des sous-groupes
- Effectuez l'analyse à l'intérieur des sous-groupes, qui indique la capabilité potentielle (à court terme) de votre procédé. Cette analyse estime les performances de votre procédé les décalages et glissements étaient éliminés.
Remarque
Si vous utilisez la transformation de Johnson sur vos données, l'analyse à l'intérieur des sous-groupes ne peut pas être calculée. Dans ce cas, Connect signale uniquement la capacité globale.
- Analyse globale
- Effectuez l'analyse globale, qui indique la capabilité réelle (à long terme) de votre procédé. Cette analyse estime ce que le client obtient réellement.
Affichage
- Parties par million: affichez les valeurs en pièces par million (PPM).
- Pourcentages: affichez les valeurs sous forme de pourcentages.
- Inclure les intervalles de confiance
- Sélectionnez cette option pour afficher les intervalles de confiance des indices de capabilité.
- Niveau de confiance
- Entrez un niveau de confiance compris entre 0 et 100. Un niveau de confiance de 95 % est généralement efficace. Un niveau de confiance de 95 % indique que si vous collectez 100 échantillons aléatoires à partir du procédé, vous pouvez vous attendre à ce que 95 échantillons environ produisent des intervalles de confiance contenant la valeur réelle de l'indice de capabilité pour le procédé (si toutes les données du procédé peuvent être collectées et analysées).
- Intervalles de confiance
- Sélectionnez le type d'intervalle de confiance ou de borne à afficher :
- Unilatéral: affiche les bornes de confiance inférieures des indices de capabilité et les bornes de confiance supérieures de la proportion d'éléments hors spécification, exprimée en PPM ou en pourcentage. Utilisez des bornes de confiance unilatérales dans les cas suivants :
- Si vous souhaitez vous assurer avec plus de précision qu'un indice de capabilité est supérieur à une valeur de référence. Par exemple, pour vous assurer que la valeur Cp est supérieure à 1,33.
- Si vous souhaitez vous assurer avec plus de précision que la proportion d'éléments hors spécification, exprimée en PPM ou en pourcentage, est inférieure à une valeur de référence. Par exemple, pour vous assurer que la proportion totale d'éléments hors spécification en PPM est inférieure à 100.
- Bilatéral: affichez un intervalle de confiance avec une borne de confiance inférieure et supérieure.
- Unilatéral: affiche les bornes de confiance inférieures des indices de capabilité et les bornes de confiance supérieures de la proportion d'éléments hors spécification, exprimée en PPM ou en pourcentage. Utilisez des bornes de confiance unilatérales dans les cas suivants :
