RISK FOR SIX SIGMA 5.5 - Logiciel PALISADE - Notice d'utilisation et mode d'emploi gratuit
Retrouvez gratuitement la notice de l'appareil RISK FOR SIX SIGMA 5.5 PALISADE au format PDF.
| Type de produit | Logiciel d'analyse de risque Six Sigma |
| Marque | PALISADE |
| Modèle | RISK FOR SIX SIGMA 5.5 |
| Version | 5.5 (juin 2009) |
| Compatibilité système | Microsoft Windows, Microsoft Excel |
| Langue de l'interface | Anglais (manuel en français disponible) |
| Fonctions principales | Simulation Monte Carlo, ajustement de distributions, calcul d'indices de capacité (Cp, Cpk, Cpm, etc.), analyse de sensibilité, optimisation avec RISKOptimizer |
| Méthodologies supportées | DMAIC, DFSS, Lean Six Sigma, DOE |
| Nombre de distributions | Plus de 35 fonctions de distribution de probabilités |
| Fonctions statistiques Six Sigma | RiskCp, RiskCpk, RiskCpm, RiskDPM, RiskSigmaLevel, RiskZMin, RiskPNC, etc. |
| Indices de capacité | Cp, Cpk (inférieur, supérieur), Cpm, DPM, PPM, niveau Sigma |
| Graphiques | Histogrammes avec marqueurs LSI, LSS, cible |
| Rapports | Exportation vers Excel, fenêtre Synthèse des résultats |
| Optimisation intégrée | RISKOptimizer (édition Industrial) - algorithmes génétiques |
| Entretien | Mises à jour logicielles, documentation en ligne |
| Assistance technique | Support par email (sales@palisade.com), site web |
| Sécurité | Protection des données par saisie sécurisée (chiffrement standard) |
| Licence | Licence perpétuelle ou abonnement |
| Documentation | Guide de l'utilisateur, didacticiels en ligne, 9 études de cas |
| Pièces détachées et réparabilité | Licence logicielle, support technique, forum utilisateurs |
FOIRE AUX QUESTIONS - RISK FOR SIX SIGMA 5.5 PALISADE
RiskOutput("Hauteur"; RiskSixSigma(LSI; LSS; Cible; Décalage; NbEcartsTypes)). Vous pouvez aussi les définir via l'onglet Six Sigma de la boîte de dialogue Propriétés de la sortie.Questions des utilisateurs sur RISK FOR SIX SIGMA 5.5 PALISADE
0 question sur cet appareil. Repondez a celles que vous connaissez ou posez la votre.
Poser une nouvelle question sur cet appareil
Téléchargez la notice de votre Logiciel au format PDF gratuitement ! Retrouvez votre notice RISK FOR SIX SIGMA 5.5 - PALISADE et reprennez votre appareil électronique en main. Sur cette page sont publiés tous les documents nécessaires à l'utilisation de votre appareil RISK FOR SIX SIGMA 5.5 de la marque PALISADE.
MODE D'EMPLOI RISK FOR SIX SIGMA 5.5 PALISADE
@RISK pour Six Sigma
Version 5.5
juin, 2009
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850
États-Unis
+1-607-277-8000
+1-607-277-8001 (fax)
http://www.palisade.com (site Web)
sales@palisade.com (courriel)
Avis de copyright
Microsoft, Excel et Windows sont des marques déposées de Microsoft Corporation
IBM est une marque déposée d'International Business Machines, Inc.
Palisade, TopRank, BestFit et RISKview sont des marques déposées de Palisade
Corporation.
RISK est une marque commerciale de Parker Brothers, une division de Tonka Corporation, exploitée sous licence.
Bienvenue
Bienvenue à @RISK, l'outil d'analyse du risque le plus puissant au monde ! Dans tous les domaines, @RISK sert depuis longue date à analyser le risque et l'incertitude. Aussiouplequ'Excel même, @RISK trouvessesapplications dans les secteurs des finances, du petrole et du gaz,des assurances,de la production,des soins de santé, de la pharmaceutique, de la science et bien d'autres encore. Chaque jour, des dizaines de milliers de professionnels font confiance à @RISK pour estimer leurs coûts,analyser leur VAN et TRI,étudier leursvrétiblesoptions,déterminer leurs prix,explorer leursressourcespétrolièreset autres,et bien davantage encore.
Six Sigma et l'analyse de qualité représentent une application clé de @RISK. Qu'il s'agisse de l'approche DMAIC, DFSS, Lean, DOE ou autre, l'incertitude et la variabilité sont au cœur de l'analyse Six Sigma. @RISK recourt à la simulation Monte Carlo pour identifier, mesurer et éliminer les causes de variabilité dans vos processus de production et de service. Une série complète de mesures de capacité assure les calculs nécessaires à la réalisation rapide et précise des méthodes Six Sigma. Graphiques et tableaux illustrent clairément les statistiques Six Sigma, pour faciliter, en toute efficacité, la démonstration de cette puissant technique à l'encadrement. L'édition Industrial de @RISK ajoute RISKOptimizer aux analyses Six Sigma, rendant possible l'optimisation de la sélection de projet, de l'allocation de ressources, etc.
Des usines de fabrication de moteurs aux raffineries de métaux précieux et aux compagnies aériennes et producteurs de biens de consommation, @RISK améliore chaque jour les processus, la qualité des produits et services et les économies de coûts. Ce guide déscrit les fonctions, statistiques, graphiques et rapport Six Sigma de @RISK, pour vous montré l'utilité du programme à tous les niveaux d'un projet Six Sigma. Quelques études de cas sont égalementprésentées en fin de guide. Vous y trouvez des modèles prédéfinis évientulement adaptables à vos propres analyses.
Les fonctionnalités standard de @RISK, telles que l'entrée de fonctions de distribution, l'ajustement de distributions aux données, l'exécution de simulations et la réalisation d'analyses de sensibilité, sont également applicables aux modèles Six Sigma. Il vous sera utile, pour la modélisation @RISK pour Six Sigma, de vous familiariser avec ces fonctionnalités. Elles sont décrites dans le Guide de l'utilisateur de @RISK pour Excel et dans les didactériels en ligne.
Table des matières
Chapitre 1 : @RISK et les méthodologies Six Sigma 1
Introduction 3
Methodologies Six Sigma 7
@RISK et Six Sigma 11
Chapitre 2 : Utiliser @RISK pour Six Sigma 15
Introduction 17
Fonction de propriété RiskSixSigma 19
Fonctions statistiques Six Sigma 23
Six Sigma et la fenetre Synthese des résultats 35
Marqueurs graphiques Six Sigma 37
Études de cas 39
Example 1-Conception d'expériences (DOE) : Catapulte. 41
Example 2-Conception d'expériences (DOE) : Soudage. 47
Example 3-Conception d'expériences (DOE) avec optimisation. 53
Example 4 - DFSS : Circuitélectrique 59
Example 5 - Lean Six Sigma : Analyse de processus de devis. 63
Example 6 - DMAIC : Analyse de rendement global combiné .... 71
Example 7 - Sélection de fournisseur 75
Example 8-Taux d'échec DMAIC Six Sigma. 79
Example 9 - Taux d'échec DMAIC Six Sigma avec RiskTheo ....83
Chapitre 1 : @RISK et les méthodologies Six Sigma
Introduction 3
Qu'est-ce que Six Sigma? 3
L'importance de la variation 5
Methodologies Six Sigma 7
Six Sigma/DMAIC 7
DFSS (Design for Six Sigma - Conception pour Six Sigma) 8
Lean ou Lean Six Sigma 9
@RISK et Six Sigma 11
@RISK et DMAIC. 11
@RISK et DFSS 12
@RISK et Lean Six Sigma 13
Introduction
Dans ce monde régi par la concurrence, la qualité est plus importante que jamais. Avec @RISK, le professionnel dispose du compagnon idéal pour ses analyses Six Sigma ou de qualité. Cette puissant solution permet l'analyse rapide de l'effet de la variation au sein des processus et des concepts.
Outre l'analyse Six Sigma et de qualité, @RISK peut servir à l'analyse de toute situation sujette à l'incertitude. @RISK trouve ses applications dans l'analyse de VAN, de TRI et d'options réelles, l'estimation des coûts, l'analyse de portefeuille, l'exploration de gaz et petrole, les réserves d'assurance, la tarification, et bien davantage encore. Pour plus de détails sur les autres applications de @RISK et son'utilisation en général, voir le Guide de l'utilisateur @RISK joint au logiciel.
Qu'est-ce que Six Sigma ?
Six Sigma est un ensemble de pratiques destinées à améliorer systématiquement les processus par réduction de la variation et, par conséquent, élimination des défants. Une défaut se définit comme la non-conformité d'un produit ou service à ses spécifications. Si la formulation originale des détails de la méthodologie revient à la société Motorola vers le milieu des années 1980, Six Sigma s'inspire largement des efforts d'amélioration de la qualité des six décennies antérieures, déployés sous les appellations de contrôle de qualité, management par la qualité (TQM) et zéro défaut. Comme ces méthodologies précédentes, Six Sigma pose pour principes :
- Les efforts continus de réduction de la variation des sorties de processus sont essentiels au succès de l'entreprise.
- Les processus de fabrication et d'entreprise peuvent être mesurés, analysés, améliorés et contrôleés.
L'amélioration durable de la qualité exige l'engagement de l'organisation tout entière, et en particulier de la haute direction.
Six Sigma est une question de données. Les variables « X » et « Y » sont souvent mentionnées. Les variables X sont tout simplement des variables en entrée indépendantes, qui affectent les variables de sortie dépendantes, Y. Six Sigma se concentre sur l'identification et le contrôle de la variation des variables X dans le but de maximiser la qualité et de minimiser la variation des variables Y.
L'expression Six Sigma, ou 6σ, est descriptive. La dette grecque sigma (σ) désigne l'écart type, importante mesure de variation. La variation d'un processus fait référence au degré de concentration de tous les résultats autour de la moyenne. La probabilité de susciter un défaut peut être estimée et traduite en « niveau Sigma ». Plus le niveau Sigma est élevé, plus la performance est bonne. Six Sigma fait ↔ évidence à l'existence de six écarts types entre la moyenne du centre de processus et la limite de Specification ou niveau de service le plus proche. Cela veut dire moins de 3,4 défauts par million d'opportunités (DPMO). Le graphique ci-dessous illustré le concept Six Sigma.
Six sigma - ou écarts types - de la moyenne.
Les économies de coûts et les améliorations de qualité réalisées grâce aux applications de Six Sigma en entreprise sont considérables.
Motorala a fait état de 17 milliards de dollars d'économies depuis sa mise en œuvre vers le milieu des années 1980. Lockheed Martin, GE, Honeywell et bien d'autres entreprises ont également récolte les fruits de Six Sigma.
L'importance de la variation
Trop d'analystes Six Sigma travaillent sur des modeles statiques qui ne tiennent pas compte de l'incertitude et de la variabilité inherentes à leurs processus ou concepts. Dans la quête d'une qualité maximale, il est essentiel d'envisager autant de scénarios que possible.
@RISK répond à cette nécessité : à travers la simulation Monte Carlo et l'analyse de milliers d'issues différentes possibles, il indique la probabilité de réalisation de chacune. Les facteurs incertains se définissant à l'aide de plus de 35 fonctions de distribution de probabilités, lesquilles décrivent avec précision la plage possible des valeurs en entrée. Mieux encore, @RISK permet la définition des valeurs de limite de Specification supérieure, limite de specifications inférieure et cible de chaque sortie. Il propose en outre de nombreuses statistiques Six Sigma et mesures de capacité.
Avec RISKOptimizer, l'edition @RISK Industrial combine la puissance de la simulation Monte Carlo à l'optimisation par algorithms génétiques, pour la résolution de problèmes d'optimisation sujets à une incertitude inherente, tels que :
- allocation de ressources en vue de minimiser les coûts
- sélection de projet en vue de maximiser les profits
- optimisation des paramètres de processus en vue de maximiser le rendissement ou de minimiser les coûts
- optimisation de l'allocation de tolérance en vue de maximiser la qualité
- optimisation des programmes de personnel en vue de maximiser le service
Methodologies Six Sigma
@RISK peut être utile à différents types d'analyses Six Sigma et autres. Les trois principaux niveaux d'analyse sont :
Six Sigma/DMAIC/DOE
DFSS (Design for Six Sigma - Conception pour Six Sigma)
- Lean ou Lean Six Sigma
Six Sigma / DMAIC
La mention de Six Sigma fait généralement reférence à la méthodologie DMAIC. Cette méthodologie est utile lorsqu'un produit ou un processus existe déjà mais qu'il ne répond pas aux spécifications client ou n'atteint pas une performance adequate.
DMAIC se concentre sur l'amélioration évolutive et continue des processus de fabrication et de services. Elle se définit presque universellement selon les cinq phases suivantes : Définir, Mesurer, Analyser, Améliorer et Contrôler.
1) Définir les objectifs du projet et les exigences du client (VOC, voix du client interne et externe).
2) Mesurer le processus afin d'en déterminer la performance actuelle.
3) Analyser et déterminer la ou les causes profundes des défauts.
4) Améliorer le processus par élimination de ces causes profondes.
5) Contrôler la performance futuro du processus.
DFSS (Design for Six Sigma – Conception pour Six Sigma)
La méthodologie DFSS sert à la conception ou re-conception totale d'un produit ou service. Le niveau Sigma de processus attendu pour un produit ou service DFSS est d'au moins 4,5 (soit pas plus d'environ 1 défaut par milliers d'opportunités), mais peut atteindre 6 Sigma ou même mistroux suivant le produit. L'assurance d'un tel niveau de faible défectuosité lors du lancement d'un produit ou service implique que les attentes et les besoin des clients (CTQ) doivent être bien compris avant la réalisation et mise en œuvre d'une conception. Les programmes DFSS réussis peuvent réduire les gaspillages inutiles au niveau de la planification et introduire plusrapidement les produits sur le marché.
Contrairement à la méthodologie DMAIC, les phases ou étapes de DFSS ne sont pas universellement reconnues ou même définies : chaque entreprise ou organisation de formation les définit à sa manière. L'une des méthodologies DFSS relativement connue est identifiée par l'acronyme DMADV. Elle conserve le même nombre de lettres et de phases, ainsi qu'une approche générale proche de celle de DMAIC. Les cinq phases de la méthodologie DMADV se définissent comme suit : Définir, Mesurer, Analyser, Concevoir et Vérifier.
1) Définir les objectifs du projet et les exigences du client (VOC interne et externe).
2) Mesurer et déterminer les besoin et specifications du client; mesurer aussi la concurrence et l'industrie.
3) Analyser les options de processus pour répondre aux besoin du client.
4) Concevoir (en détail) le processus pour répondre aux besoin du client.
5) Vérifier la performance de la conception et son aptitude à satisfaire aux besoin du client.
Lean ou Lean Six Sigma
« Lean Six Sigma » combine la production « Lean » (au plus juste, développée par Toyota) et les méthodologies statistiques Six Sigma en un outil synergique. « Lean » concerne l'accelération d'un processus par réduction des déchets et gaspillages et élimination des étapes sans valeur ajoutée. Lean se concentre sur une stratégie d'attraction (« pull ») du client, avec production des seuils produits demandés sous livraison « juste à temps ». Six Sigma améliore la performance en concentrant l'attention sur les aspects du processus qui sont critiques à la qualité dans la perspective du client et en éliminant la variation au niveau de ce processus. De nombreuses organisations de services, notamment, ont d'ores et déjà commencé à combiner la qualité supérieure de Six Sigma à l'efficacité de l'approche Lean dans la méthodeologie Lean Six Sigma.
Lean utilise les « événements Kaizen » -- sessions d'amélioration intensives, sur une durée d'une seule généralement - pour identifier rapidement les occasions d'amélioration, portant plus avant la cartographie de la chaine de valeur. Six Sigma fait appel à la méthodeologie DMAIC formelle pour assurer des résultats mesurables et reproductibles.
Lean et Six Sigma reposent tous deux sur le principe que les entreprises sont faites de processus qui commencent par les besoin du client et doivent aboutir sur des clients satisfaits de leur produit ou service.
@RISK et Six Sigma
Qu'il s'agisse de DMAIC, DFSS, DOE ou de Lean Six Sigma,
l'incertitude et la variabilité sont au cœur de l'analyse Six Sigma.
@RISK recourt à la simulation Monte Carlo pour identifier, mesurer et éliminer les causes de variabilité dans vos processus de production et de service. Chaque méthodologie Six Sigma peut profiter de l'approche @RISK à tous les niveaux de l'analyse.
@RISK et DMAIC
@RISK est utile à chaque étape du processus DMAIC : il permet de tener compte de la variation et de cerner les zones problèmes de produits existants.
1) Définir. On définit les objectifs d'amélioration du processus, par incorporation de la demande du client et de la(Strategie)d'entreprise.La cartographie de la chaîne de valeur,l'estimation des coûts et l'identification des attentes du client (CTQ) représentent autant d'aspects ou @RISK peut aider à moins concentrer l'analyse et fixer les objectifs.
L'analyse de sensibilité @RISK identifie clairément les CTQ qui affectent l'ultimate profitability.
2) Mesurer. On mesure les niveaux de performance actuels et leurs variations. L'ajustement de distribution et plus de 35 distributions de probabilités précisent la définition des variations de performance. Les statistiques des simulations @RISK apportent des données comparatives par rapport aux critères de la phase d'analyse.
3) Analyser. On analyse pour vérifier la causality des défauts et onessaie de tener compte de tous les facteurs. La simulation @RISK assure la prise en compte de tous les facteurs en entrée et la presentation de toutes les issues possibles. L'analyse de sensibilité et de scenario permit d'identifier clairément les causes de la variabilité et du risque, avec analyse aussi des tolérances. Les fonctions statistiques Six Sigma de @RISK calculent les mesures de capacité aptes à identifier les écarts entre les mesures et les exigences. On doit apparaitre ici la fréquence des défauts des produits et processus et on se fait une idée de la fiabilité.
4) Améliorer. On améliore ou on optimise le processus, en fonction de l'analyse, selon des techniques telles que DOE. DOE, ou conception d'expériences, inclut la conception de tous les exercices de collecte d'information en présence de variation, sous le contrôle de l'expérienceateur ou non. Grâce à la simulation @RISK, différents concepts et changements de processus peuvent être testés. @RISK est aussi utile à l'analyse de fiabilité et - avec RISKOptimizer - à l'optimisation des ressources.
5) Contrôler. On contrôle pour assurer la correction des variances avant qu'elles ne donnent lieu à des définuts. À la phase de contrôle, on peut organiser des essais pilotes pour étabrir la capacité du processus, assurer la transition vers la production puis mesurer en permanence le processus et instaurer les mécanismes de contrôle. @RISK calcule automatiquement la capacité du processus et valide les modèles pour assurer la satisfaction des normes de qualité et des exigences du client.
@RISK et DFSS
@RISK est particulièrement utile à la méthodologie Six Sigma DFSS au niveau de l' étape de planification d'un nouveau projet. L' essai de différents processus sur des modèles ou prototypes de production ou service réels peut être excessivement onéreux. @RISK permet aux ingénieurs de simuler des milliers d'issues différentes sur leurs modèles, sans avoir à encourir le coût ni la durée d'une simulation physique. Comme pour DMAIC, @RISK est utile à chaque étape de la méthodologie DFSS. Les ingénieurs y gagnent les avantages suivants :
- Expérimération de conceptions différentes/DOE
- Identification des attentes du client (CTQ)
- Prédiction de capacité de processus
- Réélation des contraintes de conception du produit
Estimation des coûts - Sélection de projet - à l'aide de RISKOptimizer pour identifier le portefeuille optimal
- Analyse de tolérance statistique
- Allocation de ressources - à l'aide de RISKOptimizer pour maximiser l'efficacité
@RISK et Lean Six Sigma
@RISK est le compagnon idéal de la synergie Lean Six Sigma. Les modèles Six Sigma limités à la qualité peuvent échoucher lors de leur application à la réduction de la variation en une simple étape de processus, ou à des processus dénués de valeur ajoutée pour le client. Par exemple, une analyse Six Sigma pourrait recommender l'ajout d'un contrôle durant le processus de fabrication pour repérer et éliminer les unités défectueuses. Le gaspillage représenté par le traitement des unités défectueuses est peut-être éliminé, mais au prix de l'ajout d'un contrôle, représentant une nouvelle perte en soi. Dans l'analyse Lean Six Sigma, @RISK identifie les causes des défauts. Mieux encore, @RISK peut représenter l'incertitude dans les mesures de qualité (ppm) et de vitesse (temps de cycle).
@RISK apporte les avantages suivants à l'analyse Lean Six Sigma :
- Sélection de projet - à l'aide de RISKOptimizer pour identifier le portefeuille optimal
- Cartographie de la chaîne de valeur
- Identification des CTQ responsables de la variation
- Optimisation de processus
- Découverte et réduction des étapes de processus inutiles
- Optimisation des stocks - à l'aide de RISKOptimizer pour minimiser les coûts
- Allocation de ressources - à l'aide de RISKOptimizer pour maximiser l'efficacité
Chapitre 2 : Utiliser @RISK pour Six Sigma
Introduction 17
Fonction de propriété RiskSixSigma 19
Entrée d'une fonction de propriété RiskSixSigma. 20
Fonctions statistiques Six Sigma 23
RiskCp. 25
RiskCpm 25
RiskCpk 26
RiskCpkLower 26
RiskCpkUpper 27
RiskDPM 27
RiskK 28
RiskLowerXBound 28
RiskPNC. 29
RiskPNCLower 29
RiskPNCUpper 30
RiskPPMLower 30
RiskPPMUpper 31
RiskSignalLevel 31
RiskUpperXBound 32
RiskYV 32
RiskZlower 33
RiskZMin. 33
RiskZUpper 34
Six Sigma et la fenêtre Synthese des résultats 35
Marqueurs graphiques Six Sigma 37
Introduction
Les capacités de simulation standard de @RISK ont été améliorées en vue de leur application à la modélisation Six Sigma, moyen l'ajout de quatre fonctionnalités importantes :
1) la fonction de propriété RiskSixSigma, pour l'entrée de limites de specifications et des valeurs cibles des sorties de simulation.
2) les fonctions statistiques Six Sigma, y compris les indices de capacité de processus tels que RiskCpk, RiskCpm et d'autres, qui renvoie leurs statistiques Six Sigma relatives aux résultats de simulation directement dans les cellules du tableau.
3) de nouvelles colonnes dans la fenêtre Synthese des résultats, pour partager les statistiques Six Sigma relatives aux résultats de simulation sous forme de tableau.
4) des marqueurs sur les graphiques de résultats de simulation, pour indiquer les limites de Specification et la valeur cible.
Les fonctionnalités standard de @RISK, telles que l'entrée de fonctions de distribution, l'ajustement de distributions aux données, l'exécution de simulations et la réalisation d'analyses de sensibilité, sont également applicables aux modèles Six Sigma. Il vous sera utile, pour la modélisation @RISK pour Six Sigma, de vous familiariser avec ces fonctionnalités. Elles sont décrites dans le Guide de l'utilisateur de @RISK pour Excel et dans les didactériels en ligne.
Fonction de propriété RiskSixSigma
Dans une simulation @RISK, la fonction RiskOutput identifie une cellule de tableau comme sortie de simulation. Une distribution des issues possibles est généree pour chaque cellule de sortie selectionnée. Ces distributions de probabilités se créent moyonnant la collecte des valeurs calculées pour la cellule à chaque iteration d'une simulation.
Lorsque les statistiques Six Sigma doivent être calculées pour une sortie, la fonction de propriété RiskSixSigma s'introduit sous forme d'argument de la fonction RiskOutput. Elle spécifie la limite de specifications inférieure, la limite de specifications supérieure, la valeur cible, le décalage à long terme et le nombre d'écarts types à considérer dans les calculs six sigma d'une sortie. Ces valeurs servent au calcul des statistiques six sigma affichées dans la fenêtre des résultats et sur les graphiques de la sortie. Par exemple :
RiskOutput("Hauteur de piece"; RiskSixSigma(0,88;0,95;0,915,1,5;6))
spécifie une LSI de 0,88, une LSS de 0,95, une valeur cible de 0,915, un décalage à long terme de 1,5 et un nombre d'écarts types de 6 pour la sortie Hauteur de piece. Vous pouvez aussi procéder par ↔reference aux cellules dans la fonction de propriété RiskSixSigma.
Ces valeurs servent au calcul des statistiques Six Sigma affichées dans la fenêtre des résultats et comme marqueurs sur les graphiques de la sortie.
En présence d'une fonction de propriété RiskSixSigma dans une sortie, @RISK affiche automatiquement les statistiques Six Sigma relatives aux résultats de simulation de la sortie dans la fenetre Synthese des résultats et ajoute les marqueurs correspondant aux valeurs LSI, LSS et Cible entrées aux graphiques des résultats de simulation de la sortie.
Entrée d'une fonction de propriété RiskSixSigma
La fonction de propriété RiskSixSigma peut être tapée directement dans la formule d'une cellule, comme argument d'une fonction RiskOutput. L'Assistant Fonction d'Excel peut aussi servir à l'entrée directe d'une fonction dans la formule d'une cellule.
La commande Insérer une fonction de @RISK permet d'insérer rapidement une fonction RiskOutput assorted'une fonction de propriété RiskSixSigma.À partir du menu Insérer une fonction de @RISK, il suffit de désir la commande RiskOutput (Format Six Sigma) du menu Sortie pour que la fonction appropriée s'ajoute à la formule de la cellule active.
Propriétés des sortie - Onglet Six Sigma
La fenêtre @RISK Propriétés de la fonction permet aussi l'entrée d'une fonction de propriété RiskSixSigma dans une fonction RiskOutput. Les arguments de la fonction RiskSixSigma se spécifient sous l'onglet Six Sigma de cette fenêtre. Pour acceder à la fenêtre Propriétés de la fonction RiskOutput, cliquez sur le bouton Propriétés de la fenêtre @RISK Ajouter une sortie.
Les paramètres par défaut d'une sortie à utiliser dans les calculs Six Sigma se configurent sous l'onglet Six Sigma. Les propriétés concernées sont les suivantes :
- Calculer les mesures de capacité de cette sortie. Spécifie l'affichage des mesures de capacité dans les rapport et graphiques relatifs à la sortie. Ces mesures reposent sur les valeurs LSI, LSS et Cible entrées.
- LSI, LSS et Cible. Définit les valeurs LSI (limite de specifications inférieure), LSS (limite de specifications supérieure) et Cible de la sortie.
Utiliser le décalage long terme et Décalage. Spécifient un décalage facultatif pour le calcul des mesures de capacité à long terme. - Limite X supérieure/inférieure. Nombre d'écarts types, à droite ou à gauche de la moyenne, pour le calcul des valeurs X supérieure et inférieure.
Les paramètres Six Sigma définis s'inscrivent dans une fonction de propriété RiskSixSigma ajoutée à la fonction RiskOutput. Seules les sorties dotées de la fonction de propriété RiskSixSigma affichent les marqueurs et statistiques Six Sigma dans les graphiques et rapport. Les fonctions statistiques Six Sigma @RISK des feuilles de calcul Excel peuvent faire référence à n'importe qu'elle cellule de sortie porteuse d'une fonction de propriété RiskSixSigma.
Remarque : Tous les graphiques et rapport @RISK utiliser les valeurs LSI, LSS, Cible, Décalage à long terme et Nombre d'écarts types des fonctions de propriété RiskSixSigma en place au moment du démarrage d'une simulation. Si vous changez les limites de Specification d'une sortie (et sa fonction de propriété RiskSixSigma associée), veillez à réexécuter la simulation pour en afficher l'effect sur les graphiques et rapport.
Fonctions statistiques Six Sigma
Un ensemble de fonctions statistiques @RISK renvoie la statistique Six Sigma désirée sur une sortie de la simulation. Par exemple, la fonction RiskCPK(A10) renvoie la valeur CPK de la sortie de simulation de la cellule A10. Ces fonctions s'actualisent en temps réel, en cours d'exécution de la simulation. Elles sont similaires aux fonctions statistiques @RISK standard (telles que RiskMean) en ce qu'elles calculent les statistiques relatives aux résultats de simulation. La différence est qu'elles calculent les statistiques généralement requises dans les modèles Six Sigma. Ces fonctions sont universalement admises dans les cellules de tableau et les formules du modele.
Remarques importantes concernant les fonctions statistiques Six Sigma de @RISK :
- Si une référence de cellule est précisé comme premier argument de la fonction statistique et que la cellule contient une fonction RiskOutput assorted'une fonction de propriété RiskSixSigma, @RISK utilise les valeurs LSI, LSS, Cible, Décalage à long terme et Nombre d'écarts types de cette sortie lors du calcul de la statistique désirée.
- Si une référence de cellule est spécifiée comme premier argument, la cellule ne doit pas nécessairement être une sortie de simulation identifiée par une fonction RiskOutput. Toutefois, s'il ne s'agit pas d'une sortie, une fonction de propriété RiskSixSigma facultative doit être ajoutée à la fonction statistique en soi pour que @RISK dispose des paramètres nécessaires au calcul de la statistique désirée.
- Lorsqu'une fonction de propriété RiskSixSigma facultative est entrée directement dans une fonction statistique, @RISK ignore les paramètres Six Sigma spécifiés dans la fonction de propriété RiskSixSigma d'une sortie de simulation référencée, ce qui permet de calculer les statistiques Six Sigma à différentes valeurs LSI, LSS, Cible, Décalage long terme et Nombre d'écarts types pour une même sortie.
-
Si un nom particulier est entre au lieu d'une reférence de cellule, @RISK commence par rechercher une sortie désignée par ce nom, avant d'en dire les paramètres de fonction de propriété RiskSixSigma. Il incombe à l'utilisateur d'assurer la désignation sous un nom unique des sorties référencées dans les fonctions statistiques.
-
L'argument « n° sim » sélectionne la simulation pour laquelle la statistique est renvoyée lors de l'exécution de simulations multiples. Cet argument est facultatif. Il peut être omis pour les executions à simulation unique.
- Quand une fonction de propriété RiskSixSigma facultative est introduite directement dans une fonction statistique Six Sigma, différents arguments sont utilisés suivant le calcul effectué.
- Les fonctions statistiques définies dans les masques de rapportes de résultats personalisés ne s'actualisent qu'en fin de simulation.
La commande Insérer une fonction de @RISK permet d'insérer rapidement une fonction statistique Six Sigma. Sélectionnez simplement la commande Six Sigma, dans la catégorie Fonctions statistiques du menu Insérer une fonction de @RISK, puis sélectionnez la fonction désirée. La fonction sélectionnée s'ajoute à la formule de la cellule active.
RiskCp
| Description | RiskCp( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule la capacité de processus pour refl_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI et LSS de la fonction de propriété RiskSixSigma incluse. Cette fonction calcule le niveau de qualité de la sortie spécifique et ce qu'elle est potentiellement capable de produit. |
| Exemples | RiskCP(A10) renvoie la capacité de processus de la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskCP(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie la capacité de processus de la cellule de sortie A10, en fonction d'une LSI de 100 et d'une LSS de 120. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refl_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskCpm
| Description | RiskCpm( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) renvoie l'indice de capacité Taguchi pour refin_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI, LSS et Cible de la fonction de propriété RiskSixSigma. Cette fonction est essentiellement identique à Cpk, si ce n'est qu'elle incorpore la valeur cible, parfois extérieur aux limites de specifications. |
| Exemples | RiskCpm(A10) renvoie l'indice de capacité Taguchi pour la cellule A10. RiskCpm(A10; ;RiskSixSigma(100;120;110;0;6)) renvoie l'indice de capacité Taguchi de la cellule de sortie A10, en fonction d'une LSS de 120, d'une LSI de 100 et d'une Cible de 110. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refin_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskCpk
| Description | RiskCpk( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule l'indice de capacité de processus pour refin_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI et LSS de la fonction de propriété RiskSixSigma incluse. Cette fonction est similaire à la fonction Cp, si ce n'est qu'elle prend en considération un ajustement de la Cp pour tener compte de l'effect d'une distribution décentrée. Comme formule, Cpk = la plus petite des valeurs (LLS-Moyenne) / (3 x sigma) ou (Moyenne-LSI) / (3 x sigma). |
| Examples | RiskCpk(A10) renvoie l'indice de capacité de processus de la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskCpk(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie l'indice de capacité de processus de la cellule de sortie A10, en fonction d'une LSI de 100 et d'une LSS de 120. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refin_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskCpkLower
| Description | RiskCpkLower(réf_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible;Décalage long terme; Nombre d'écarts types)) calcule l'indice de capacitéunilatéral en fonction de la limite de spécification inférieure de réf_cell ou nomsortie à la simulation n° sim, en fonction, facultativement de la LSI spécifiée dans la fonction de propriété RiskSixSigma. |
| Examples | RiskCpkLower(A10) renvoie l'indice de capacité unilatéral basé sur la limite de spécification inférieure de la cellule de sortie A10. Une fonction de propriétéRiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskCpkLower(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie l'indice decapacité unilatéral de la cellule de sortie A10, en fonction d'une LSI de 100. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour réf_cell ou nomsortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskCpkUpper
| Description | RiskCpkUpper(rik_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule l'indice de capacité unilatéral en fonction de la limite de spécification supérieure derik_cell ou nom sortie à la simulation n° sim, en fonction, facultativement de la LSS spécifiée dans la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskCpkUpper(A10) renvoie l'indice de capacité unilatéral basé sur la limite de spécification supérieure de la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskCpkUpper(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie l'indice de capacité unilatéral de la cellule de sortie A10, en fonction d'une LSS de 100. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pourrik_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskDPM
| Description | RiskDPM( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule les parties par million défectueuses pour refin_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI et LSS de la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskDPM(A10) renvoie les parties par million défectueuses pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskDPM(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie les parties par million défectueuses pour la cellule de sortie A10, en fonction d'une LSI de 100 et d'une LSS de 120. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refin_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskK
| Description | RiskK( réf_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule une mesure de centre de processus pour réf_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI et LSS de la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskK(A10) renvoie une mesure de centre de processus pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskK(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie une mesure de centre de processus pour la cellule de sortie A10, en fonction d'une LSI de 100 et d'une LSS de 120. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour réf_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskLowerXBound
| Description | RiskLowerXBound(réf_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) renvoie la valeur X inférieure d'un nombre spécifique d'écarts type par rapport à la moyenne pour réf_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, du nombre d'écarts types spécifique dans la fonction de propriété RiskSixSigma. |
| Examples | RiskLowerXBound(A10) renvoie la valeur X inférieure d'un nombre d'écarts types spécifique par rapport à la moyenne pour la cellule A10.RiskLowerXBound(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie la valeur X inférieure de -6 écarts types par rapport à la moyenne pour la cellule de sortie A10, en fonction d'un nombre d'écarts types égal à 6. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour réf_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskPNC
| Description | RiskPNC( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule la probabilité totale de défectuosité en dehors des limites de specifications inférieure et supérieure pour refin_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI, LSS et Décalage long terme spécifique dans la fonction de propriété de RiskSixSigma incluse. |
| Exemples | RiskPNC(A10) renvoie la probabilité de défectuosité en dehors des limites de specifications inférieure et supérieure pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskPNC(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie la probabilité de défectuosité en dehors des limites de specifications inférieure et supérieure pour la cellule de sortie A10, en fonction d'une LSI de 100, d'une LSS de 120 et d'un décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refin_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskPNCLower
| Description | RiskPNCLower( réf_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule la probabilité de défectuosité en dehors de la limite de specifications inférieure pour réf_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI, LSS et Décalage long terme spécifique dans la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskPNCLower (A10) renvoie la probabilité de défectuosité en dehors de la limite de specifications inférieure pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskPNCLower(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie la probabilité de défectuosité en dehors de la limite de specifications inférieure pour la cellule de sortie A10, en fonction d'une LSI de 100, d'une LSS de 120 et d'un décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour réf_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskPNCUpper
| Description | RiskPNCUpper(rik_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Decalage long terme; Nombre d'écarts types)) calcule la probabilité de défectuosité en dehors de la limite de specifications supérieure pourrik_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI, LSS et Decalage long terme spécifique dans la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskPNCUpper(A10) renvoie la probabilité de défectuosité en dehors de la limite de specifications supérieure pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskPNCUpper(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie la probabilité de défectuosité en dehors de la limite de specifications supérieure pour la cellule de sortie A10, en fonction d'une LSI de 100, d'une LSS de 120 et d'un décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pourrik_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskPPMLower
| Description | RiskPPMLower( réf_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule le nombre de défauts en-deçà de la limite de spécification inférieure pour réf_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI et Décalage long terme spécifique dans la fonction de propriété RiskSixSigma incluse. |
| Examples | RiskPPMLower(A10) renvoie le nombre de défauts en-deçà de la limite de spécification inférieure pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10. RiskPPMLower(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le nombre de défauts en-deçà de la limite de spécification inférieure pour la cellule de sortie A10, en fonction d'une LSI de 100 et d'un décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour réf_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskPPMUpper
| Description | RiskPPMUpper( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule le nombre de défauts au-delà de la limite de specifications supérieure pour refl_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSS et Décalage long terme spécifiés dans la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskPPMUpper(A10) renvoie le nombre de défauts au-delà de la limite de specifications supérieure pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10. RiskPPMUpper(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le nombre de défauts au-delà de la limite de specifications supérieure pour la cellule de sortie A10, en fonction d'une LSS de 120 et d'un décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refl_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskSignalLevel
| Description | RiskSigmaLevel( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule le niveau Sigma de processus pour refin_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSS, LSI et Décalage long terme spécifiés dans la fonction de propriété RiskSixSigma incluse. (Remarque : Cette fonction présume que la sortie est distribuée normalement et centrefe dans les limites de Specification.) |
| Examples | RiskSigmaLevel(A10) renvoie le niveau Sigma de processus de la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskSigmaLevel(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le niveau Sigma de processus pour la cellule de sortie A10, en fonction d'une LSS de 120, d'une LSI de 100 et d'une Décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refin_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskUpperXBound
| Description | RiskUpperXBound(吵架 ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) renvoie la valeur X supérieure d'un nombre spécifique d'écarts type par rapport à la moyenne pour吵架 ou nom sortie à la simulation n° sim, en fonction, facultativement, du nombre d'écarts types spécifique dans la fonction de propriété RiskSixSigma. |
| Examples | RiskUpperXBound(A10) renvoie la valeur X supérieure d'un nombre d'écarts types spécifique par rapport à la moyenne pour la cellule A10.RiskUpperXBound(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie la valeur X supérieure de -6 écarts types par rapport à la moyenne pour la cellule de sortie A10, en fonction d'un nombre d'écarts types égal à 6. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour吵架 ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskYV
| Description | RiskYV(Longrightarrow cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule le produit ou le pourcentage du processus sans défaut pour réf_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSI, LSS et Décalage long terme spécifiés dans la fonction de propriété RiskSixSigma incluse. |
| Examples | RiskYV(A10) renvoie le produit ou le pourcentage du processus sans défaut pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskYV(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le produit ou le pourcentage du processus sans défaut pour la cellule de sortie A10, en fonction d'une LSI de 100, d'une LSS de 120 et d'un décalage long terme de 1,5. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour réf_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskZlower
| Description | RiskZlower( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule le nombre d'écarts types qui séparent la limite de specifications inférieure de la moyenne pour refl_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, de la LSI spécifique dans la fonction de propriété RiskSixSigma incluse. |
| Exemples | RiskZlower(A10) renvoie le nombre d'écarts types qui séparent la limite de specifications inférieure de la moyenne pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskZlower(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le nombre d'écarts types qui séparent la limite de specifications inférieure de la moyenne pour la cellule de sortie A10, en fonction d'une LSI de 100. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refl_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskZMin
| Description | RiskZMin( refin_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Décalage long terme; Nombre d'écarts types)) calcule le minimum Z-inf et Z-sup pour refin_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, des LSS et LSI spécifiées dans la fonction de propriété RiskSixSigma incluse. |
| Examples | RiskZMin(A10) renvoie le minimum Z-inf et Z-sup pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10. RiskZMin(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le minimum Z-inf et Z-sup pour la cellule de sortie A10, en fonction d'une LSS de 120 et d'une LSI de 100. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour refin_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
RiskZUpper
| Description | RiskZUpper(REF_cell ou nom sortie; n° sim; RiskSixSigma(LSI; LSS; Cible; Decalage long terme; Nombre d'écarts types)) calcule le nombre d'écarts types qui séparent la limite de specifications supérieure de la moyenne pour ref_cell ou nom sortie à la simulation n° sim, en fonction, facultativement, de la LSS spécifique dans la fonction de propriété RiskSixSigma incluse. |
| Examples | RiskZUpper(A10) renvoie le nombre d'écarts types qui séparent la limite de specifications supérieure de la moyenne pour la cellule de sortie A10. Une fonction de propriété RiskSixSigma doit être entrée dans la fonction RiskOutput de la cellule A10.RiskZUpper(A10; ;RiskSixSigma(100;120;110;1,5;6)) renvoie le nombre d'écarts types qui séparent la limite de specifications supérieure de la moyenne pour la cellule de sortie A10, en fonction d'une LSS de 120. |
| Directives | Une fonction de propriété RiskSixSigma doit être entrée pour ref_cell ou nom sortie, ou une fonction de propriété RiskSixSigma doit être incluse. |
Six Sigma et la fenêtre Synthese des résultats
La fenêtre @RISK - Synthese des résultats affiche la synthese des résultats du modele ainsi que des vignettes graphiques et statistiques de synthese des cellules de sortie simulées et des distributions en entrée.
En présence d'une fonction de propriété RiskSixSigma dans une sortie, @RISK affiche automatiquement dans le tableau les statistiques Six Sigma disponibles sur les résultats de simulation relatifs à la sortie. Ces colonnes peuvent être masquées ou affichées à loisir.
Personnalisation des statistiques affichées
Les colonnes de la fenêtre Synthese des résultats peuvent être personalisées en fonction des statistiques à afficher. L'icone Colonnes, au bas de la fenêtre, ouvre la boîte de dialogue Sélectionner les colonnes du tableau.
Si vous choisissez d'inclure les valeurs de centile dans le tableau, le centile effectif s'inscrit sur les lignes Valeur au centile entre.
Génération d'un rapport Excel
La fenêtre Synthese des résultats peut être exportée vers Excel, sous forme de rapport contenant les statistiques affichées et les graphiques. Pour obtenir ce rapport, cliquez sur l'icone Modifier et Exporter au bas de la fenêtre et Sélectionnez Rapports Excel.
Marqueurs graphiques Six Sigma
En présence d'une fonction de propriété RiskSixSigma dans une sortie, @RISK ajoute automatiquement des marqueurs représentatifs des valeurs LSI, LSS et Cible aux graphiques des résultats de simulation relatifs à la sortie.
L'affichage ou non de ces marqueurs se configure sous l'onglet Marqueurs de la boîte de dialogue Options graphiques. D'autres marqueurs peuvent aussi être ajoutés. La boîte de dialogue Options graphiques s'ouvre d'un clïc droit sur un graphique ou d'un clïc sur l'icone Options graphiques (2e icone, en partant de la gauche, au bas de la fenêtre graphique).
Études de cas
Example 1 - Conception d'expériences (DOE) : Catapulte.... 41
Example 2-Conception d'expériences (DOE) : Soudage. 47
Example 3 - Conception d'expériences (DOE) avec optimisation. 53
Example 4 - DFSS : Circuitélectrique. 59
Example 5 - Lean Six Sigma : Analyse de processus de devis. 63
Example 6 - DMAIC : Analyse de rendement global combiné .... 71
Example 7-Sélection de fournisseur 75
Example 8-Taux d'échec DMAIC Six Sigma. 79
Example 9 - Taux d'échec DMAIC Six Sigma avec RiskTheo ....83
Exemple 1 - Conception d'expériences (DOE): Catapulte
Modèle type : Six Sigma DOE Catapulte.xls
Le modele de la catapulte ou du trébuchet offre un exemple classique de démonstration de la Conception d'expériences (DOE). Il illustrte la simulation Monte Carlo et l'analyse de tolérance.
Imaginez que vous estes fabricant de catapultles et que vos clients demandent une distance de lancer de boule standard de 25 metres, plus ou moins 1 metre. De nombreuses specifications conceptuelles entrent en jeu dans la production de vos catapultles. Notamment :
Angle
- Masse de la boule
- Distance tirée
- Constante du ressort
Entrée d'une distribution
Chaque facteur de conception contient une distribution de probabilités @RISK, pour représentier les différentes valeurs possibles de chacun. Les distributions de probabilités @RISK peuvent être entreées directement sous forme de formules, à l'aide de la commande Insérer une fonction de @RISK ou à travers l'icone Définir les distributions de la barre d'outils @RISK. Ainsi, une distribution uniforme représentée les valeurs possibles de Distance tirée.
Entrée de propriétés RiskSixSigma
La sortie, Distance du lancer, contient une fonction de propriété RiskSixSigma qui définit la limite de specifications inférieure, la limite de spécification supérieure et la cible de cette distance. À l'image des entrées, une sortie @RISK peut être tapée directement dans la barre de formule ou définie dans la boîte de dialogue qui s'ouvre en réponse au bouton Ajouter une sortie de la barre d'outils @RISK.
Les mesures de capacité Cpk, Cpk-Supérieur, Cpk-Inférieur, Niveau Sigma et DPM sont calculées pour la catapulte, pour vous permettre de déterminer si elle est prête à la production.
| 34 |
| 35 |
| 36 |
| 37 |
| 38 |
| 39 |
| 40 |
| 41 |
| Résultats Six Sigma | |
| Cpk | 0,1340 |
| Cpk supérieur | 0,2726 |
| Cpk inférieur | 0,1340 |
| Niveau Sigma | 0,5129 |
| DPM | 608000.00 |
Représentation graphique des résultats
La distribution réalisante de Distance du lancer indique que pres de 60% du temps, la distance depasse les limites de specifications.
L'analyse de sensibilité identifie la distance tirée, suivie de la masse de la boule, comme les facteurs de conception les plus importants qui affectent la distance du lancer.
Ce modele peutetre utile à l'exploration de la théorie de Taguchi ou de la conception paramétrique robuste. Selon la théorie de Taguchi, deux types devariablesdéfinissentun système:cellesdont les niveaux affectentla variation du processus et cellesdont les niveaux ne l'afecte pas.L'objectif estde fixer lesvariables du premier typeà un niveau apte à minimiser la variation totale du processus. Lesvariables sans effet sur la variation du processus servent à contrôler et/ouajusterleprocessus.
Dans le modele de la catapulte, on peut ajuster différents paramétres de conception (Distance tirée et Masse de la boule, notamment) pour essayer de minimiser la variation de la sortie Distance du lancer. Le dépassement des limites de specifications de 24 à 26 mètres dans une mesure de 60% est signe que la conception laisse s à désirer.
Exemple 2 - Conception d'expériences (DOE): Soudage
Modèle type : Six Sigma DOE Soudage.xls
Supposons que vous analysiez un godet d'éclatement métallique fabriqué par soudage d'un disque sur un anneau (voir ci-dessous). Le produit sert de joint et de dispositif de sécurité, capable de soutenir la pression sous usage normal mais devant se séparer si la pression interne excède la limite de sécurité.
Le modele met en rapport la robustesse de la soudure avec les facteurs de processus et de conception, modélise la variation de chaque facteur et prédict la performance du produit par rapport aux specifications techniques. La modélisation d'une réponse en fonction de facteurs multiples peut souvent être complie à travers la génération d'une fonction statistiquement significative par conception experimentale ou analyse de régression multiple.
Dans cet exemple, @RISK simule la variation au moyen de distributions normales pour chaque facteur. Les distributions @RISK gèrent les références aux cellules. Vous pouvez donc aisément configurer un modele sous forme de tableau et leMETRE à jour tout au long du cycle de développement du produit et du processus.
Les facteurs incertains sont :
Variables de conception
- Épaisseur du disque
- Épaisseur de la paroi du disque
Longueur de la corne
Variables de processus
Effort de soudage
Temps de soudage
- Point déclic
Amplitude
Fréquence
Ajout de distributions
Pour ajouter une distribution à chaque facteur, il suffit de cliquer sur l'icone Définir les distributions de la barre d'outils @RISK. On sélectionne une distribution normale et on en définit les paramètres ou références de cellule, comme illustré ci-dessous. On pourrait aussi taper la formule directement dans la barre de formule Excel de chaque entrée. Par exemple, la cellule Effort de soudage contient la formule
La sortie, Robustesse de soudure (N) dans la section Performance Conception et Processus, contient une fonction de propriété RiskSixSigma avec indication des limites de Specification inférieure (LSI) et supérieure (LSS), ainsi que de la valeur Cible. comme pour les distributions en entrée, la formule de sortie peut être tapée directement dans la cellule de sortie ou à travers la boîte de dialogue Ajouter une sortie. La formule serait
= RiskOutput("Robustesse de soudure (N)'' ;;RiskSixSigma(D82;E82;105;0;1))+ [calcul mathématique]
La boîte de dialogue Ajouter/Modifier une sortie se présente comme suit :
Un clc sur le bouton de propriétés (fx) ouvre la boite de dialogue Propriétés de sortie, onglet Six Sigma à l'avant-plan. Les propriétés LSI, LSS, Cible et autres propriétés Six Sigma de la sortie se définissant ici. Elles servent au calcul des statistiques Six Sigma.
Résultats de la simulation
Aprèsexecutionde la simulation,lesstatistiques Six Sigma ont etegeneréesa l'aide des fonctions @ RISK Six Sigma pour Cpk-supérieur,Cpk-inferieur,Cpk et Defaute sPPM (ou DPM).Les fonctionsstatistiques @ RISK standard (telles que RiskMean) ont aussi eteutilisées.
| Performance Conception et Processus | ||||
| Robustesse de soudure (N) | LSI 110.96 | LSS 85 | Moyenne 125 | Éc.type 8.48 |
| Cpk supérieur | 0,55 | |||
| Cpk inférieur | 1,02 | |||
| Cpk | 0,55 | Coût et volume 1 | ||
| Défauts PPM | 58 000 | Coût pièce : Volume annuel : | 0,28 € 1,25 | chacune MM |
| Coût de défectuosiè年度 annuel | 20 300 € | |||
La distribution de sortie @RISK affiche la performance attendue en fonction de la variation de l'entrée de conception et processus et marque les LSI, LSS et Cible. On accede facilement aux statistiques de sortie, grâce aux fonctionnalités de rapport ou à travers les fonctions @RISK.
L'analyse de sensibilité @RISK indique clairment que les paramètres Temps de soudage et Amplitude régissant la variation de la robustesse de la soudure.
Les étapes suivantes de ce problème pourraient inclure deux options : l'ingénieur peut essayer de réduire ou de mieux contrôler la variation au niveau du Temps de soudage et de l'Amplitude, ou il peut recourir à RISKOptimizer pour identifier les cibles de processus et conception optimes pour maximiser le rendement et réduire les coûts de chute.
Exemple 3 - Conception d'expériences (DOE) avec optimisation
Modèle type : Six Sigma DOE Optimisation.xls
Ce modele démontré l'emploi de RISKOptimizer dans la conception experimentale. RISKOptimizer combine la simulation Monte Carlo avec l'optimisation par algorithms génétiques. Fort de ces deux techniques, RISKOptimizer peut résoudre de manière unique les problèmes d'optimisation complexes sujets à l'incertitude.
RISKOptimizer permit de maximiser une valeur cible, de la minimiser ou de s'en approcher pour une sortie donnée du modele. Pour atteindre son but, RISKOptimizer essaie de nombreuses combinaisons distinctes d'entries contrôables spécifiées. Chaque combinaison est appelée « solution » et le groupe total de solutions essayées représenté la « population ». La « mutation » désigne le processus d'essay aléatoire de nouvelles solutions indépendantes des essais précédents. L'optimisation par RISKOptimizer peut aussi être soumise à certaines contraintes définies.
Pour les facteurs incertains incontrôlables du modele, on définit des fonctions de distribution de probabilités @RISK. Pour chaque combinaison itérative d'entrées, RISKOptimizeré exécute aussi une simulation Monte Carlo, par échantillonnage de ces fonctions @RISK et enregistrement de la sortie obtenue pour l'itération. RISKOptimizerer peut exéctuer des milliers d'iterations, en vue de produit la(Meilleure) réponse possible. Parce qu'il tient compte de l'incertitude, RISKOptimizerer est bien plus précis que les programmes d'optimisation standard.
Dans cet exemple, comme dans le précédent, la pierce à l'étude est un godet d'éclatement métallique fabriqué par soudage d'un disque sur un anneau. Le produit sert de joint et de dispositif de sécurité, capable de soutenir la pression sous usage normal mais devant se séparer si la pression interne excède la limite de sécurité.
Le modele met en rapport la robustesse de la soudure avec les facteurs de processus et de conception, modélise la variation de chaque facteur et prédict la performance du produit. RISKOptimizer a été utilisé pour rechercher la combinaison optimale de paramètres de processus et de valeurs de conception nominales afin de minimiser les coûts de chute, désignés sous Coût de défectuosité annuel dans le modele. Il s'agit, en somme, de maximiser le rendement.
RISKOptimizer doit ajuster lesvariables de processus et de conception suivantes :
Variables de conception
- Épaisseur du disque
- Épaisseur de la paroi du disque
Longueur de la corne
Variables de processus
Effort de soudage
Temps de soudage
- Point déclic
Amplitude
Fréquence
Le but est de minimiser la sortie Coût de défectuosité annuel.
Barredoutils RISKOptimizer
La barre d'outils RISKOptimizer ajoutée à Excel 2000-2003 se présente comme suit :
Sous Excel 2007, elle se présente comme suit :
Modèle d'optimisation
Un clic sur l'icone Définition du modele ouvre la boite de dialogue illustrée ci-dessous, pour la définition des cellules à ajuster, de la sortie et des contraintes éventuelles. Outre les entrées et sorties décrites plus haut, nous allons définir une contrainte, selon laquelle le point déclic doit toujours être inférieur ou égal au temps de soudage.
Paramètres d'optimisation
On clique sur l'icone Paramètres d'optimisation pour ouvrir la boîte de dialogue illustrée ci-dessous, pour la configuration des conditions d'exécution de l'optimisation et des simulations.
Exécuter l'optimisation
Au démarrage de l'optimisation, la fenêtre de progression RISKOptimizer s'ouvre et affiche un état récapitulatif de l'analyse.
L'icone loupe ouvre l'utilitaire Suivi RISKOptimizer, qui présente une information plus détaillée sur l'optimisation et les simulations executées. Le tableau ci-dessous indique les simulations executées et les valeurs valeurs obtenues.
Suvi RISKOptimizer
Progression Synthese Journal Population Diversite Options darrt
Meilleure=14124 (Simulation 11) Originale=19260 Simulations accomplies=28 Durée=00:01:03
L'onglet Synthese affiche la valeur la meilleure, originale et la dernière calculée, ainsi que les paramètres d'optimisation tels que les taux de croissement et de mutation.
Suvi RISKOptimizer
Progression Synthese Journal Population Diversite Options d'arrêt
Valeurs des cellules ajustables
Paramétres de groupe de cellules ajustables
| Simul. | Résultat | D49 | D50 | D51 | D57 | |
| Meilleure | 11 | 14124 | 2,7231 | 2,2309 | 143 | 781 |
| Originale | 1 | 19260 | 2,1322 | 3,5468 | 162 | 432 |
| Dernière | 46 | 1284000 | 1,8742 | 9,3313 | 197 | 456 |
Groupe affché
Taux de croisement
Tau de mutation
L'onglet Diversité représentée visuellement les différentes cellules calculées et les différentes solutions possibles.
La simulation et l'optimisation de RISKOptimizer produisent efficacement une solution réduisant le Coût annuel de défectuosité à moins de 8000 dollars.
Le recours à RISKOptimizer permit aux efforts d'amélioration de la qualité et de réduction des coûts d'économiser temps et ressources. Les étapes suivantes de ce problème consisteraient à valider le modele et la solution optimisée par experimentation.
Exemple 4 - DFSS : Circuitélectrique
Modèle type : Six Sigma Circuit électrique.xls
Ce simple circuit c.c. comporte deux sources de tension - une indépendante et une dépendante - et deux résistances. La source indépendante spécifiée par l'ingénieur concepteur à une plage de puissance opérationnelle de 5550W + / - 300W . Si le tirage sur la source indépendante n'est pas conforme à la Specification, le circuit sera défectueux. Les résultats de performance théorique indiquent clairment l'incapacité de performance sous defaillance d'un pourcentage des circuits aux deux extrémités, haute et basse, des limites. Les valeurs PNC identifient le pourcentage d'unités non-conformes attendu aux extrémités supérieure et inférieure de la specification.
Le modele suit la logique decrite ci-dessous:
Le modele calcule l'ecart type de chaque composant en fonction de l'information connue et des hypothèses suivantes du modele :
1) La moyenne des valeurs des composants est centré dans les limites de tolérance.
2) Les valeurs de composant suivent une distribution normale. Remarquez que @RISK permet d'ajuster une distribution de probabilités à un ensemble de données ou de modéliser, au besoin, d'autres types de distributions de probabilités.
Une fonction de propriété RiskSixSigma, dans la cellule de sortie PowerDEP, définit la Limite supérieur, la Limite inférieure et la Cible utilisées pour les calculs de résultats Six Sigma. Les fonctions @RISK Six Sigma servent à calculer la capacité Cpk-Inférieure, Cpk-Supérieure, Cpk, Cp, DPM, PNC supérieur et PNC inférieur.
L'analyse de sensibilité @RISK identifie les variables en entrée responsables de la variation de la sortie. La sensibilité indique que les deux sources de tension sont les principaux facteurs de variation de la consommation. Cette information en main, les ingénieurs peuvent concentrer leur effort d'amélioration sur les sources de tension只想 que sur les résistances.
Ce modèle peut servir à l'essay de différents composants et tolérances, les performances et rendements peuvent être comparés et la solution optimale peut être selectionnée pour maximiser le rendement et réduire les coûts.
Exemple 5 – Lean Six Sigma : Analyse de processus de devis
Modèle type : Six Sigma Devis.xls
Dans les approches Lean comme Six Sigma de l'amélioration permanente, un aspect clé consiste à bien comprendre l'état actuel du processus à l'étude. L'approche commence par la phase de Cartographie de la chaîne de valeur d'une implémentation Lean ou par les phases Définir et Mesurer du processus Six Sigma DMAIC. Dans la plupart des cas, une ou plusieurs sessions servent à définir le processus et, après rapide évaluation, l'équipe passa à la résolution. Il est utile, pourtant, de prendre le temps de modéliser le processus et de démontré que les données et les hypothèses avancées sont justes, surtout dans les circonstances suivantes:
Le processus est essentiel (vital) au succès de l'entreprise.
Le besoin d'amélioration du processus est nié.
- Les coûts de l'amélioration seront considérables.
- Les résultats de l'effort d'amélioration permanente seront probablement examinés de près.
- Le processus est sujet à l'effet Hawthorne : plus on l'étudie, plus il s'améliore.
La simulation peut provenier l'analyse initiale de la situation actuelle et désenter la véritable situation rencontres par l'équipe responsable de l'analyse. Trois processus souvent très différents entrent en jeu : le processus que l'on croit exister, celui qu'on a documenté et celui qui existe vérifiablement, au jour le jour. Une simulation @RISK soigneusement élaborée peut documenter le processus réel et modéliser l'impact des améliorations à un stade ultérieur du cycle d'amélioration permanente. Le modele est facile à construire.
Élaboration du modele etcollectedesdonnées
Cet exemple repose sur le schéma du processus de devis estimatif interne d'une organisation. Il est tiré d'une situation d'entreprise réelle. Plusieurs outils permettent de représentier graphiquement le processus. Nous avons choisi le tableau de type couloir d'activité.
Le processus de devis considéré comportait plus de 36 étapes individuelles impliquant 10 individus ou services. Un coup d'œil rapide a indiqué qu'il fallait jusqu'à quatre semaines pour produit un devis, même si, pour les situations critiques, le processus pouvait être expédié et le devis produit en moins d'une seule. Les longs cycles d'élaboration des devis empêchaient l'entreprise d'offrir efficacement ses produits et services sur les marchés souvent lucratifs de l'urgence. Comme les devis pouvaient être expériés et produits en un quart du temps, la direction pensait que le problème se trouvait au niveau du personnel只想 que du processus. Les analystes soupconnaient cependant le processus et avaient besoin d'un outil pour le探测.
Le diagramme dressé, l'équipe s'est trouvée face à la question suivante : Combien de temps faut-il pour Traits un devis, du moment de la demande jusqu'à la soumission au service d'ingénierie ? Il s'agit ici de la première partie du processus : les données étaient relativement facies à Obtir et les conclusions tirées ici pouvaient s'appliquer à l'ensemble du processus.
Cette partie du processus de devis s'organise en quatre étapes. D'abord, les données sont collectées et saisies (etape A). Elles sont ensuite mises en file d'attente pour examen/revision par le Service clientèle (etape B). Les corrections et autres données sont apportées au formulaire et le numéro de suivi est affecté (etape C). Enfin, le dossier passée en file d'attente pourélaboration du devis par le service d'ingénierie (etape D).
Élaboration des distributions et définition de la sortie
L'équipe a élaboré un simple relevé de temps suivant l'évolution du dossier, et le temps passé, d'une étape à l'autre. L'analyse initiale des quatre étapes de cette portion du processus repose sur ces données.
Une simple distribution des données, dans le cas qui nous occupe, peut dire que les données doivent un cours be simple. Les distributions complexes se compose de plusieurs distributions distinctes et sont généralement plus difficiles à définir. Les données rasssemblées par l'équipe sont des deux types.
@RISK peut identifier la distribution applicable aux données à travers le bouton Ajuster les distributions de la barre d'outils. Une distribution ajustée peut alors être définie comme fonction de distribution dans le tableau. Données dans Excel, on clique sur le bouton Ajuster les distributions et on suit les invites affichées à l'écran. @RISK analyse les données et en vérifie l'ajustement à une série de fonctions de distributions.
Pour les données de l'equipe au niveau de l'étape C (Examen), le résultat de l'ajustement de distribution est illustré ci-dessous. La distribution resultante a ensuite été introduite directement dans la cellule du tableau sous le titre « C-Revision » à l'aide du bouton Écrire dans une cellule. (L'équipe a sélectionné la distribution normale只不过 que cette légèrement最好的 neux ajustée de Weibull car, pour ce petit ensemble de données, la différence entre les deux courbes était acceptable.)
L'équipe a procédé de même pour toutes les distributions, pour chaque des quatre étapes. Cela fait, elle a défini la durée totale des quatre étapes, A-D, comme sortie @RISK et executé la simulation.
Les résultats en sont révélateurs. La durée totale moyenne de traitement d'un devis était d'environ 1700 minutes, soit plus de 24 heures. La durée variait entre 350 minutes (presque 6 heures) et plus de 48 heures.
La seule portion de temps à valeur ajoutée est l'étape d'Examen-Revision. Cette étape prendait en moyenne 35 minutes (entre 6 et 64 minutes). L'observation a été représentée aux intéressés et, bien qu'étonnée, la direction en a convenu.
Statistiques relatives aux résultats de la simulation
@RISK a également permet à l'équipe de produit des statistiques élémentaires interactives avec la cellule de sortie. Elle désirait par exemple ajouter les valeurs de moyenne, maximum, minimum et d'ecart type de la cellule de sortie Durée totale à un tableau du tableau. Dans le menu Insérer une fonction de @RISK, elle a donc sélectionné Résultat de simulation dans la section Statistiques, avec RiskMean comme fonction et la cellule de sortie Durée totale comme argument. À chaque exécution de la simulation, cette cellule s'actualise ainsi suivant le temps total moyen.
L'équipe a repété l'opération pour les sélections de maximum, minimum et écarts type.
Entrée de fonctions Six Sigma
L'équipe a ensuite decide d'ajouter l'analyse Cpk de la cellule de sortie à travers les fonctions @RISK Six Sigma. Dans la cellule de sortie Durée totale, elle a entre une fonction RiskSixSigma, dans laquelle :
- une cellule de referencia identifie la cellule en-tête où le nom de la sortie est pris,
- une reférence de cellule identifie la limite de specifications inférieure du résultat attendu,
- une référence de cellule identifie la limite de specifications supérieure du résultat attendu,
- une reférence de cellule identifie la valeur cible du résultat attendu.
La fonction RiskSixSigma a ete configurue aisement dans la boite de dialogue Proprietes de sortie (ouverte d'un clc sur l'icone de proprietes de fonction f_x dans la boite de dialogue Ajouter/Modifier une sortie).
La sortie ainsi configurée, il fallait que la simulation calcule les fonctions @RISK Six Sigma de Cp, Cpk-Supérieur, Cpk-Inférieur et Cpk. Pour ce faire, on insère les fonctions correctes (RiskCp, RiskCpkUpper, etc.) de Six Sigma dans la section Statistiques du menu Insérer une fonction de @RISK ou en les tapant dans la barre de formule. Elles se recalculent ainsi à chaque simulation.
Représentation graphique de la sortie de simulation
À travers les graphiques de résultats @RISK et les marqueurs Six Sigma représentant les valeurs LSI, LSS et cible directement sur le graphique, la direction a été étonnée de voir qu'il fallait, en moyenne, plus d'une journée complète pouraccomplir une tâche de 35 minutes. Les résultats de simulation pour la sortie Durée totale et pour les valeurs échantillonnées depuis la distribution en entrée de l'Étape C - Examen, sont presentés ci-dessous.
Par la simulation, l'équipe a pu documenter les flux et détails réels du processus lorsque les devis n'était pas expériés. La direction a vu l'amélioration potentielle qui résulterait du suivi et de l'amélioration du processus tout entier. L'intérêt de la direction dés le début du projet s'est avéré essentiel à son succès à long terme.
À partir de ce modèle initial, l'équipe a élaboré le modele complet du processus intégral. Ce modele en main, elle a pu modéliser les efforts d'amélioration aux différentes étapes du projet et en vérifier les résultats positifs. La durée totale de génération de la simulation initiale et des résultats sous Excel aura été de moins d'une heures une fois les données entées dans Excel.
Exemple 6 - DMAIC : Analyse de rendement global combiné
Modèle type : Six Sigma DMAIC Analyse RTY.xls
La méthode DMAIC - Définir, Mesurer, Analyser, Améliorer et Contrôler - sert à améliorer les produits ou les processus existants. Imaginez que vous étés fabricant de bijoux de fantaisie et que vous recouvre de l'argent peu onéreux de fines couches d'or. Vous importez vos matières premières et vos composants de Chine. Un petit nombre de composants est toujours défectueux, mais vous en ignorez la quantité exacte et le coût.
Voues avec recueilli des données sur le nombre de composants défectieux ou qui le deviennent à différents points du processus de fabrication. Au premier abord, il semble que les pieces défectueuses ne représentent pas un problème major. Au moins 99% des composants sont acceptables à chaque étape du processus. L'effect combiné des pieces défectueuses donne cependant lieu à un gaspillage de 15 à 20% des produits finis, soit 200 mille unités défectueuses par million produit. Si les matières premières représentent un coût de €0,50 l'unité, nous avons la un gaspillage de €100 mille avant main-d'oeuvre, temps machine et autres frais.
Il vous faut réduire le nombre d'unités défectueuses produites. Mais le processus est long et compliqué, et vous ne savez pas par où commencer. Avec @RISK, vous pouvez simuler de nombreuses issues différentes et identifier l'étape de fabrication la plus responsable du problème. Vous pouvez aussi obtenir les mesures de capacité de processus clés de chaque étape ainsi que du processus tout entier pour vous aider à améliorer la qualité et à réduire le gaspillage. De cette manière, @RISK sert aux phases de Mesure et d'Analyse de la méthode DMAIC. @RISK mesure l'état existant du processus (par les mesures de capacité) et analyse la manière dont il pourrait être amélioré (par l'analyse de sensibilité).
Ajustement de distributions
Au moyen des données recueillies du processus de fabrication, la fonction d'ajustement de distributions de @RISK définit les fonctions de distribution qui décrivent le nombre de pieces défectueuses à chaque étape du processus : Déballage/Inspection, Découpe, Nettoyage et Placage. La distribution ajustée pour la phase de placage (Weibull) est illustrée ci-dessous.
Les distributions ajustées sont ajoutées directement au mode. La distribution du placage est illustrée ci-dessous.
Résultats de la simulation
Les pieces défectueuses par million (DPPM) à chaque étape, et pour le processus dans son ensemble, ont été définies comme sorties @RISK avec specifications Six Sigma des valeurs Limite de Specification supérieure, Limite de specification inférieure et Cible. Àpres simulation, diverses mesures Six Sigma ont été calculées pour chaque étape et pour le processus dans son ensemble.
| Processus Cp | Cpk Capacitéde processus | Cpk inférieur | Cpk supérieur | Niveau Sigma de processus(par méthode d'approximatio normale) | Z-inéfieur | Z-supérieur | Z Min | |
| Déballage / Inspection | 0.637703269 | 0.410955072 | 0.864451465 | 0.410955072 | 1.580466818 | 2.5933544 | 1.232865217 | 1.232865 |
| Découpe | 0.101729473 | 0.089036656 | 0.089036656 | 0.114422291 | 0.302855481 | 0.26710997 | 0.342366872 | 0.26711 |
| Nettoyage | 0.160407827 | 0.100056679 | 0.220758975 | 0.100056679 | 0.53838630 | 0.66272692 | 0.300170308 | 0.30017 |
| Placage | 0.111505282 | 0.091225218 | 0.131785345 | 0.091225218 | 0.314686099 | 0.39535604 | 0.273675654 | 0.273675 |
| Total | 0.596557497 | 0.404438418 | 0.404438418 | 0.788676575 | 1.542302919 | 1.21331525 | 2.366029725 | 1.213315 |
La distribution des issues DPPM est illustrée ci-dessous.
Enfin, l'analyse de sensibilité et un graphique tornado ont révélé que l'étape de Découpe était, globalement, la plus responsable des défauts de produit, en dépôt du fait qu'une autre étape - Nettoyage - présente un moindre premier rendement FTY (moins de défauts). Mème si le rendement FTY à la Découpe était plus élevé, le processus de Découpe en soi est moins constant et présente plus de variation que les autres processus.
Exemple 7 – Sélection de fournisseur
Modèle type : Six Sigma Sélection de fournisseur.xls
Imaginez que vous devez lancer un nouveau produit. Pendant la phase de mise en œuvre du lancement, votre entreprise prévoit la vente de 25 mille unités par mois. Un élément critique de votre produit est externalisé pour usinage de précision : ce composant doit répondre à de très précises specifications pour être utilisé dans votre produit. En particulier, sa longueur doit être de 66,6 mm, avec une tolérance de + / - 1 mm seulement.
Trois fournisseurs produit actuellement cet élément critique. Vous avez négocié un prix unitaire différent avec chacun de ces fournisseurs. La qualité du composant varie cependant d'un fournisseur à l'autre. Certains composants fournis ne sont pas conformes à la longueur spécifique. Pour deux des fournisseurs, vousdezvez inspector tous les composants à l'arrivée, pour vérifier leur conformité. Cette inspection ajoute des coûts de main-d'oeuvre et de chute au processus. Le troisième fournisseur est homologué et garantit la conformité à 100% de ses composants, éliminant le besoin d'inspection et les coûts de chute. Le prix unitaire de ce fournisseur est cependant le plus élevé des trois.
Vous aurez toujours besoin de plusieurs fournisseurs au cas où l'un d'entre eux ferais faillite. Vous voulez cependant savoir lequel représenté le plus haut cotu unitaire reel, de maniere à elaborer une toute nouvelle strategie de sourçage de vos composants.
Modélisation de la longueur du composant
La longueur des composants de chaque fournisseur est désrite par des fonctions de distribution @RISK. Ces cellules sont également définies comme sorties @RISK avec fonctions RiskSixSigma pour nous permettre de calculer la valeur Cpm de chaque fournisseur ainsi que générer des graphiques de distribution des longueurs de composant avec marqueurs de Specification. Les fonctions RiskSixSigma contiennent les LSS, LSI et valeur Cible de 66,6 mm, sous tolérance limitée à +/ - 1 mm.
| Spécifications du composant (mm) | ||
| LSI | Cible | LSS |
| 66,5 | 66,6 | 66,7 |
Ainsi, la longueur du composant du Fournisseur 1 est décrite par une distribution Pert, sous propriétés RiskSixSigma :
$$ = \text {R i s k O u t p u t} \left(;; \text {R i s k S i x S i g m a} (B 3 0; D 3 0; C 3 0; 0; 6)\right) + \text {R i s k P e r t} (6 6, 4; 6 6, 6; 6 6, 7) $$
Résultats de la simulation
Après la simulation, le Fournisseur 1 se révèle représentier le plus faible coût unitaire réel. La moyenne simulée du coût unitaire de chaque fournisseur est également indiquée, par la fonction RiskMean. Enfin, la valeur Cpm est calculée pour la longueur de composant de chaque fournisseur.
| Coût total réel des bons composants (unitaire) | Longueur Cpm | Moyenne du coût total réel unitaire | |
| Fournisseur 1 | €6,13 | 0.553 | €6,16 |
| Fournisseur 2 | €6,75 | 0,472 | €7,03 |
| Fournisseur 3 (homologué) | €6,40 | 0,686 | €6,40 |
La variation autour de la qualité du Fournisseur 1 est illustrée dans le graphique ci-dessous.
Vous disposez maintainant de l'information de coût et qualité qui vous permettra de définir une stratégie de commande plus rentable. L'étape suivante pourrait être d'analyser la manière de réduire davantage encore les coûts, en utilisant par exemple un événement Kaizen pour réduire les temps d'inspection interne.
Exemple 8 - Taux d'éché CMAIC Six Sigma
Modèle type : Six Sigma Échec DMAIC.xls
Cet exemple illustrate un modele de taux d'échec utile à la planification et au contrôle de qualité. Vous étés fabricant et vous doivent calculer le % probable de produits défectueux. Selon la méthode DMAIC (Définir, Mesurer, Analyser, Améliorer, Contrôler), il s'agit ici des phases Mesurer et Analyser, où l'on mesure l'état actuel de la qualité et on analyse les causes des problèmes ou des défauts.
Un produit est défectueux quand l'un quelconque de ses composants n'est pas conforme à la tolérance requise. Chaque composant est jugé satisfaissantès le moment où une propriété de son état fini (sa largeur, par exemple) est conforme aux tolérances définies.
Modélisation de la largeur du composant
Cette propriété de chaque composant fini (sa largeur, par exemple) est modélisée à l'aide d'une distribution normale dans la colonne Échantillon.
Ces cellules ont également été ajoutées comme sorties @RISK, avec les fonctions de propriété RiskSixSigma définissant les valeurs LSI, LSS et Cible de chaque composant. Formule de Compositant1 :
=RiskOutput(;;;RiskSixSigma(F26;G26;C26;0;0))+RiskNormal(C26;D26)
De cette manière, nous pourrons voir les graphiques de qualité des composants et calculer les statistiques Six Sigma relatives à chaque composant.
Utilisation de la fonction
RiskMean pour Broker le taux d'échéance
Le taux d'éché c de composant et cumulé se calcule au moyen de la fonction RiskMean qui, étant une fonction @RISK statistique, n'est applicable qu'après exécution de la simulation. Àpès simulation, on peut aussi voir les cote Z et DPM statistiques Six Sigma de composant et cumulés.
| Z Min | Fréquence d'échec | DPM |
| 2,999060375 | 1 sur 334 | 3 000 |
| 2,99523275 | 1 sur 334 | 3 000 |
| 2,990852805 | 1 sur 334 | 3 000 |
| 3,492267357 | 1 sur 1 000 | 1 000 |
| 3,002125568 | 1 sur 1 000 | 1 000 |
| 2,945880756 | 1 sur 91 | 11 000 |
Le graphique des échantillons de Composant1 est illustré ci-dessous, avec marqueurs LSS, LSI et Cible.
Exemple 9 - Taux d'échec DMAIC Six Sigma avec RiskTheo
Modèle type : Six Sigma Echec DMAIC RiskTheo.xls
Cet exemple est une extension du modele d'échec DMAIC utile à la planification et au contrôle de qualité. Il fait appel aux fonctions RiskTheo (en l'occurrence RiskTheoXtoP) pour déterminer le taux d'échec sans avoir à executer de simulation. Les fonctions RiskTheo renvoient les statistiques théoriques des distributions ou formules en entrée只想 que celles issues des données d'une simulation.
Vous estes fabricant et vous devez calculer le % probable de produits defectueux. Selon la methode DMAIC (Definir, Mesurer, Analyser, Amelierer, Contrer), il s'agit ici des phases Mesurer et Analyser, où l'on mesure I'etat actuel de la qualite et on analyse les causes des problèmes ou des defaults.
Un produit est défectueux quand l'un quelconque de ses composants n'est pas conforme à la tolérance requise. Chaque composant est jugé satisfaisantès le moment où une propriété de son état fini (sa largeur, par exemple) est conforme aux tolérances définies.
Modélisation de la largeur du composant
Cette propriété de chaque composant fini (sa largeur, par exemple) est modélisée à l'aide d'une distribution normale dans la colonne Échantillon.
| Échantillon |
| 10,00 |
| 5,00 |
| 8,00 |
| 12,00 |
| 6,00 |
Ces cellules ont également été ajoutées comme sorties @RISK, avec les fonctions de propriété RiskSixSigma définissant les valeurs LSI, LSS et Cible de chaque composant. Formule de Compositant1 :
=RiskOutput(;;RiskSixSigma(F26;G26;C26;0;0))+RiskNormal(C26;D26)
De cette manière, nous pourrons voir les graphiques de qualité des composants et calculer les statistiques Six Sigma sur chaque composant si nous choisissons d'exécuter une simulation.
Utilisation de la fonction RiskTheoXtoP pour obtenir le taux d'éché
Le taux d'échec de composant et cumulé se calcule d'après la fonction RiskTheoXtoP, depuis les distributions normales de la colonne Échantillon. Le taux d'échec après simulation peut aussi être calculé par la fonction RiskMean si vous désisissez d'exécuter une simulation. On peut ainsi comparer le taux d'échec simulé avec celui théorique de RiskTheo.
| Taux d'échec (%) après sim (%) | Taux d'échec par RiskTheo (%) |
| 0,30% | 0,270% |
| 0,20% | 0,158% |
| 0,20% | 0,138% |
| 0,00% | 0,047% |
| 0,10% | 0,135% |
| 1% |
Après simulation, on peut aussi voir les cote Z et DPM statistiques Six Sigma de composant et cumulés.
| Z Min après Sim | DPM après sim |
| 2,998616548 | 3 000 |
| 2,997415317 | 2 000 |
| 2,997730848 | 2 000 |
| 3,49840855 | 0 |
| 3,004560454 | 1 000 |
| 3,146403741 | 8 000 |
