Tester des améliorations potentielles peut devenir compliqué si vous collaborez avec plusieurs fournisseurs à différentes étapes d'un procédé. Toutefois, mener des expériences dans Minitab Statistical Software afin d'identifier les entrées importantes, puis importer votre modèle dans une simulation de Monte-Carlo dans Minitab Workspace peut vous aider à analyser les résultats obtenus. De plus, cette solution est plus rapide et moins coûteuse que la réalisation de nombreux tests sur des pièces réelles.
Prenons le cas de Spaceman Electronics (comme pour tous nos cas d'utilisation, nous nous appuyons sur des situations réelles et vécues, mais Spaceman est une entreprise fictive). Afin de réaliser une pièce pour l'un de ses produits, un fournisseur fabrique la partie principale et un autre la recouvre. L'entreprise assemble ensuite le produit fini.
Par le passé, Neil, un ingénieur produit chez Spaceman, a demandé aux responsables de la ligne de production d'appliquer un taux de rebut de 7 % pour tenir compte des unités qui ne s'insèrent pas assez bien dans le produit. Un taux de rebut est un pourcentage du lot dont vous pouvez prévoir la destruction ou la perte lors de la fabrication ou du traitement des opérations (par exemple, si vous produisez 100 unités, que vous avez généralement un taux de rebut de 7 % et que 93 % du lot est bon, vous divisez 100 par 0,93 et déterminez ainsi que vous devez produire 108 unités, une fois le résultat arrondi).
Si l'équipe de Neil parvient à réduire ce taux de rebut, qui lui coûte 0,70 $ par unité, elle peut réaliser plus de 165 000 $ d'économies chaque année. Toutefois, il pourrait s'avérer fastidieux et chronophage de tenter d'apporter des améliorations si l'équipe ne donne pas aux deux fournisseurs des instructions aussi précises que possible. Par conséquent, Neil a décidé de simuler certains résultats potentiels afin de prendre une décision éclairée avant d'indiquer aux fournisseurs les éléments à modifier dans leurs procédés.
FONCTIONNEMENT DE LA SIMULATION DE MONTE-CARLO
La simulation de Monte-Carlo utilise un modèle mathématique du système et fournit des valeurs attendues en fonction d'une équation définissant la corrélation entre les entrées et les résultats. Neil et son équipe ont planifié et mené une série d'expériences dans Minitab afin de déterminer les facteurs significatifs dans le procédé. Ils génèrent un diagramme de Pareto montrant que la position de transfert et la vitesse d'injection sont les facteurs sur lesquels se concentrer, ainsi que l'équation qu'ils vont utiliser dans Minitab Workspace :
IMPORTATION ET EXÉCUTION DE VOTRE MODÈLE DANS MINITAB WORKSPACE
Maintenant qu'il dispose de cette équation, Neil ouvre un projet dans Minitab Workspace et insère l'outil de simulation de Monte-Carlo. Il pourrait saisir manuellement les entrées et les résultats, ainsi qu'une équation via les options de cet outil disponible dans Minitab Workspace et Companion by Minitab (plus d'informations à ce sujet dans cet exemple), mais comme il dispose déjà de ces informations, il peut passer à l'étape suivante.
Neil clique sur l'option permettant d'importer le modèle à partir de Minitab et choisit son fichier Minitab.
L'équation définit automatiquement la position de transfert et la vitesse d'injection en tant qu'entrées X. Sachant que ces facteurs ont une distribution normale, il sélectionne Normale dans le menu déroulant, puis saisit les moyennes, les écarts types ainsi que les limites de spécification inférieure et supérieure. Il clique ensuite sur le bouton vert Simuler en haut et Minitab Workspace effectue 50 000 simulations pour le procédé en quelques secondes seulement :
COMPRÉHENSION DES RÉSULTATS ET OPTIMISATION DES PARAMÈTRES
La mesure des performances du procédé (Cpk) est de 0,4816, une valeur éloignée de la norme minimale de 1,33. Sous cette visualisation, un bouton vert Optimisation des paramètres apparaît et guide Neil jusqu'à la prochaine étape, à savoir l'optimisation des entrées. Il définit l'objectif (ciblage pour que la moyenne de la réponse soit de 0,935, à mi-chemin entre ses limites de spécification inférieure et supérieure) et saisit les valeurs inférieure et supérieure des entrées à explorer, puis Minitab Workspace s'occupe du reste. Il clique sur Optimiser les paramètres et voit ce qui suit.
Une fois les paramètres d'entrée optimaux identifiés dans les plages indiquées par Neil, Minitab Workspace présente les résultats simulés des modifications de procédé recommandées. La simulation révèle qu'avec une valeur Cpk de 2,34, les paramètres optimaux élimineront presque le produit hors spécification du procédé. Une avancée de taille, qui dépasse la norme Cpk de 1,33.
L'EXCELLENCE DES RÉSULTATS
Dès lors que Neil partage ses conclusions, les fournisseurs peuvent optimiser le dimensionnement géométrique et la tolérance de la pièce, en réduisant non seulement la quantité de produit mise au rebut mais également la durée du cycle de fabrication.
Merci à Antonio Vargas, Solutions Architect chez Minitab, pour ses recherches et son aide sur le plan technique dans cette étude de cas.