L'analyse d'accord d'attributs est une méthode d'analyse des systèmes de mesure (MSA) qui teste si les inspecteurs rendant des jugements acceptation/rejet ou autres jugements catégoriels sont cohérents avec eux-mêmes, entre eux et avec une référence connue. C'est l'équivalent pour données attributives de l'étude Gauge R&R utilisée pour les mesures continues. Les contrôles visuels, les calibres go/no-go et le classement cosmétique dépendent tous du jugement humain, et ce jugement peut dériver et faillir comme un pied à coulisse usé. Avant de vous fier suffisamment aux données acceptation/rejet pour en tirer des actions, vous avez besoin de preuves que l'inspection elle-même est répétable et correcte.
Une étude de jauge variable exprime l'erreur de mesure dans les mêmes unités que la caractéristique. L'inspection attributive produit des catégories, pas des nombres, donc la répétabilité et la reproductibilité doivent s'exprimer en taux d'accord. Cela importe car une inspection défaillante corrompt silencieusement toutes les décisions en aval. Les cartes SPC construites sur des comptages de défauts, le reporting de rebut et l'acceptation de lots héritent tous de l'erreur. Une inspection avec un taux de non-détection de 10 % expédie une unité défectueuse sur dix avec un dossier de conformité attaché.
Une cellule d'usinage réalise une analyse d'accord d'attributs sur une inspection visuelle des bavures : 20 pièces de référence conformes et 10 défectueuses, trois inspecteurs, chacun évaluant les 30 pièces deux fois, à l'aveugle et dans un ordre randomisé. Les résultats :
En creusant l'inspecteur B : sur 20 décisions concernant des pièces défectueuses (10 pièces, 2 essais), B en a accepté 3, soit un taux de non-détection de 15 %. Sur 40 décisions concernant des pièces bonnes, B en a rejeté 3, soit un taux de fausse alarme de 7,5 %. L'efficacité globale de B est de 54 décisions sur 60, soit 90 %, ce qui paraît acceptable isolément. Le taux de non-détection de 15 % raconte la vraie histoire, et le score équipe-versus-étalon de 70 % montre que c'est le système, pas une seule personne, qui doit être amélioré.
Le pourcentage d'accord flatte le système car deux personnes lançant une pièce pourraient quand même être d'accord parfois. La statistique kappa corrige cela : kappa = (Po moins Pe) divisé par (1 moins Pe), où Po est l'accord observé et Pe l'accord attendu par hasard. Pour l'inspecteur B versus l'étalon, Po = 0,90. B a accepté des pièces dans 40 des 60 décisions tandis que l'étalon considère 40 des 60 comme bonnes, donc Pe = (0,667 x 0,667) + (0,333 x 0,333) = 0,556. Kappa = (0,90 − 0,556) / (1 − 0,556) = 0,78. À titre indicatif, un kappa supérieur à 0,75 indique un bon accord, inférieur à 0,40 indique un mauvais accord, et de nombreux clients du secteur automobile exigent 0,90 ou plus pour les caractéristiques liées à la sécurité. B se situe dans la zone marginale.
Directives de type AIAG largement utilisées : efficacité de 90 % ou plus acceptable et 80 à 90 % marginale ; taux de non-détection de 2 % ou moins acceptable et au-dessus de 5 % inacceptable ; taux de fausse alarme de 5 % ou moins acceptable et au-dessus de 10 % inacceptable. Lorsqu'une étude échoue, les corrections sont généralement procédurales, pas personnelles :
Si la définition du défaut elle-même est contestée, lancez un projet DMAIC structuré plutôt que de débattre au poste d'inspection.
L'analyse d'accord d'attributs valide le jugement ; Fabrico fournit les données de production fiables qui l'entourent. Fabrico délivre du suivi OEE et de la surveillance de production en temps réel, y compris de la vision par ordinateur sur des machines sans automate (PLC), de sorte que les chiffres de production et de qualité reflètent ce qui s'est réellement passé sur la ligne. Sa GMAO (CMMS) prête pour le terrain gère l'aspect opérationnel d'un système de mesure sain : ordres de travail récurrents pour l'étalonnage des jauges, re-études MSA planifiées, revues d'échantillons limites et historique complet des équipements pour chaque poste d'inspection. Fabrico est développé dans l'UE et assure la résidence des données dans l'UE, de sorte que l'enregistrement reste auditable pour les exigences de conformité européennes.
Un minimum courant est de 30 pièces, 3 inspecteurs et 2 essais (180 décisions). Utilisez 50 pièces lorsque les défauts sont subtils. L'échantillon doit inclure des pièces limites près de la frontière acceptation/rejet, là où les systèmes d'inspection échouent réellement.
Un kappa supérieur à 0,75 est généralement considéré comme bon et inférieur à 0,40 comme mauvais. De nombreux clients dans l'automobile et le médical exigent 0,90 ou plus pour les caractéristiques critiques. Lisez toujours le kappa en parallèle avec le taux de non-détection, car un kappa correct peut masquer un risque d'échappement inacceptable.
Relancez l'étude lorsque les inspecteurs changent, lorsque la définition du défaut ou les échantillons limites changent, après une fuite client, et selon une cadence fixe (annuelle est typique). Traitez-la comme l'étalonnage d'une jauge : un responsable, une date d'échéance et un enregistrement.
Vous voulez que les résultats d'inspection, les rebuts et l'OEE proviennent d'une source fiable en temps réel ? Réservez une démo Fabrico et voyez vos données qualité comme un auditeur le ferait.
Connexion
Blog
