You are on page 1of 369

CONTRIBUTION A LAMELIORATION DUN SYSTEME DE

PRODUCTION : INTEGRATION
DE LA METHODE SIX SIGMA ET APPROCHE
MULTICRITERE DAIDE A LA DECISION DANS SIDELEC
INTERNATIONALE

THESE DE DOCTORAT EN COTUTELLE
Spcialit : Science de lingnieur
ECOLE DOCTORALE DANGERS
Spcialit : Mthodes Quantitatives
ECOLE DOCTORALE DE SFAX
Prsent et soutenu publiquement le 1/10/2010
A lInstitut des Sciences et Techniques de lIngnieur dAngers
Par LOTFI AZZABI
Devant le jury:

Habib CHABCHOUB Prsident Professeur lInstitut des Hautes Etudes Commerciales
de Sfax.
Zohra CHERFI Rapporteur Professeur lUniversit de Technologie de Compigne.
Taoufik DJEMAL Rapporteur Professeur lUniversit de Gestion de Tunis.
Abdessamad KOBI Examinateur Professeur lInstitut des Sciences et Technologies de
lIngnieur dAngers
Younes BOUJELBENNE Examinateur Professeur lInstitut Suprieur d'Administration des
Affaires de Sfax
Christian ROBLEDO Examinateur Matre de confrences lInstitut des Sciences et
Technologies de lIngnieur dAngers

Directeurs de thse : Pr. Abdessamad KOBI et Pr. Younes BOUJELBENNE
Co-encadrant: Mr. Christian ROBLEDO

Laboratoire :


UNIVERSITE DANGERS
UNIVERSITE DE SFAX
ANNEE 2010
N 1056
LASQUO : Laboratoire en Sret de fonctionnement, Qualit et Organisation
lISTIA d'Angers.
GIAD : Unit de recherche en Gestion Industrielle et Aide la Dcision FSEG
Sfax.


ED 305
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2




























t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Remerciements

Jexprime mes profonds remerciements mes directeurs de thse,
professeur Abdessamad KOBI et professeur Younes BOUJELBENNE,
qui mont permis deffectuer cette thse. Leurs soutiens, leurs confiances
et leurs disponibilits mont permis de mpanouir sereinement tout au
long de mes travaux.
Jadresse galement mes vifs remerciements Mr Christian ROBLEDO
pour son aide, sa disponibilit, ses judicieux conseils pendant toute la
dure de ma thse. Sa patience et sa pdagogie sont exemplaires, son il
critique ma t trs prcieux pour guider et structurer ces trois annes de
travail.
Je remercie aussi Mr Majdi ChALLOUF directeur service qualit dans
lentreprise SIDELEC pour son accueil sympa, ses aides prcieuses pour
effectuer ce travail de recherche.
Je ne saurais assez exprimer mes remerciements les plus sincres aux
membres de jury qui ont bien accept dvaluer ce travail.
Mes remerciements vont tous les membres du laboratoire LASQUO et
GIAD qui mont accueilli durant ces trois annes, Lambiance chaleureuse
est propice un travail efficace.
Je remercie infiniment ma femme Dorra AYADI pour ses aides prcieuses
la comprhension des impratifs quentrane un tel travail, et pour ses
encouragements rguliers.



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Ddicaces



Je ddie cette thse
A Dorra et Mohamed Rayen
A toute la famille
AZZABI
Et toute la famille
AYADI












t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Table des matires
INTRODUCTION GENERALE ............................................................................ 1
CHAPITRE 1 :AIDE METHODOLOGIQUE POUR LA RESOLUTION
DES PROBLEMES QUALITE............................................................................... 7
INTRODUCTION .................................................................................................... 9
1. Le systme de management industriel de la qualit.......................................... 9
1.1. Dfinition de la qualit ...................................................................................... 9
1.2. Lvolution du concept qualit ....................................................................... 12
1.2.1 De lartisan au contrle unitaire ..................................................................... 12
1.2.2 Le contrle statistique de la qualit et la standardisation .................................... 13
1.2.3 La qualit totale .......................................................................................... 13
1.3. La gestion de la qualit ................................................................................... 14
2. Les outils de rsolution des problmes qualit ................................................ 15
2.1. La rsolution des problmes qualit ............................................................ 15
2.2. Dfinition des outils ......................................................................................... 15
2.3. Classification des outils qualit ...................................................................... 16
2.3.1 Les outils de premire gnration ................................................................... 17
2.3.2 Les outils de deuxime gnration ................................................................. 28
2.4. Les outils de la MSP ........................................................................................ 34
2.4.1 Les 5 M du processus .................................................................................. 37
2.4.2 Les cartes de contrle .................................................................................. 38
2.4.3 Interprtation des cartes de contrle ............................................................... 50
2.4.4 La courbe defficacit des cartes de contrle ................................................... 52
2.4.5 La capabilit du processus ............................................................................ 54
2.4.6 Processus sous contrle et hors contrle ......................................................... 57
3. Les mthodes damlioration de la qualit: Six Sigma ................................... 58
3.1. Etude et comparaison des mthodes existantes ............................................ 58
3.2. Dfinition de la mthode Six Sigma ............................................................... 61
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


3.3. Historique de la mthode Six Sigma .............................................................. 62
3.4. Pourquoi le Six Sigma ..................................................................................... 63
3.5. Les tapes de la mthode Six Sigma .............................................................. 66
3.5.1 Dfinir....................................................................................................... 66
3.5.2 Mesurer ..................................................................................................... 67
3.5.3 Analyser .................................................................................................... 68
3.5.4 Amliorer .................................................................................................. 69
3.5.5 Contrler ................................................................................................... 70
4. Six Sigma un outil damlioration .................................................................... 72
4.1. Six Sigma dans un contexte ISO 9000 ........................................................... 73
4.2. Six Sigma dans un environnement Lean management ................................ 74
4.3. Intgrer Six Sigma dans une dmarche de performance industrielle ........ 76
CONCLUSION ....................................................................................................... 77
CHAPITRE 2 : LAPPROCHE MULTICRITERE DAIDE A LA
DECISION .............................................................................................................. 79
INTRODUCTION .................................................................................................. 81
1. Dfinition et concept fondamentaux ................................................................. 82
1.1. Aide la dcision ............................................................................................. 82
1.2. Type de la problmatique de dcision ........................................................... 84
1.3. Les actions ........................................................................................................ 84
1.4. Le paradoxe de Condorcet ............................................................................. 85
1.5. Types de critres .............................................................................................. 86
2. Panorama des mthodes multicritre ............................................................... 87
2.1. Les mthodes lmentaires ............................................................................. 88
2.1.1 La mthode catgorique ............................................................................... 88
2.1.2 Le cost ratio method .................................................................................... 89
2.1.3 Mthode de la somme pondre .................................................................... 89
2.1.4 Mthode conjonctive ................................................................................... 90
2.1.5 Mthode disjonctive .................................................................................... 90
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


2.1.6 Mthode de MaxMin ................................................................................... 91
2.1.7 Mthode Lexicographique ............................................................................ 91
2.2. Les mthodes doptimisation mathmatiques .............................................. 92
2.2.1 Goal Programming ...................................................................................... 93
2.2.2 La mthode du critre globale ...................................................................... 94
2.2.3 La programmation mathmatique objectif multiple ........................................ 94
2.2.4 - Constraint Method ................................................................................. 95
2.2.5 Compromise programming ........................................................................... 95
2.3. Les mthodes daide la dcision multicritre ............................................ 96
2.3.1 Mthode de lapproche du critre unique de synthse ....................................... 97
2.3.2 Les mthodes de lapproche de surclassement ............................................... 108
3. Procdure de choix dune mthode multicritre daide la dcision ......... 123
3.1. Caractrisation des inputs ............................................................................ 125
3.2. Caractrisation des outputs .......................................................................... 126
3.3. Procdure de choix dune mthode de slection ......................................... 127
4. Critique des mthodes daide la dcision multicritre et doptimisation
mathmatique multicritre .................................................................................. 129
4.1. Avantages et inconvnients des mthodes daide la dcision
multicritre ............................................................................................................ 129
4.2. Avantages et inconvnients des mthodes doptimisation mathmatique
multicritre ............................................................................................................ 131
CONCLUSION ..................................................................................................... 132
CHAPITRE 3 : CONSTRUCTION DUNE DEMARCHE SIX SIGMA
BASE SUR LAPPROCHE MULTICRITERE DAIDE A LA DECISION
POUR LAMELIORATION DUN SYSTEME DE PRODUCTION ............ 133
INTRODUCTION ................................................................................................ 134
1. Dmarche de recherche ................................................................................... 135
2. La proposition dune mthode Six Sigma et approche multicritre daide
la dcision ........................................................................................................... 137
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


2.1. Etape 1 : Dfinir ............................................................................................ 137
2.1.1 La conduite de ltape ............................................................................................. 137
2.1.2 Identifier les CTQ ................................................................................................... 138
2.2. Etape 2 : Mesurer .......................................................................................... 142
2.2.1 La conduite de ltape ............................................................................................. 148
2.2.2 Le concept de la capabilit(aptitude) ...................................................................... 149
2.3. Etape 3 : Analyser ......................................................................................... 150
2.3.1 Les causes de variation ........................................................................................... 151
2.3.2 La mthode MACBETH ......................................................................................... 153
2.4. Etape 4 : Innover/Amliorer ........................................................................ 153
2.4.1 La gnration des solutions..................................................................................... 153
2.4.2 Contribution llaboration dune dmarche globale daide la dcision pour
amliorer un processus de production ................................................................................. 154
2.5. Etape 5 : Contrler ........................................................................................ 165
2.5.1 Les diffrentes natures de contrle de variable ...................................................... 166
2.5.2 Les cartes de contrles ............................................................................................ 168
CONCLUSION ..................................................................................................... 170
CHAPITRE 4 : LA FONCTION DE PRODUCTION DANS LES
ENTREPRISES DE FABRICATION DES FAISCEAUX DE CABLES
ELECTRIQUES POUR LE SECTEUR INDUSTRIEL AUTOMOBILE ..... 171
INTRODUCTION ................................................................................................ 173
1. Le dveloppement dentreprise des faisceaux de cbles lectriques
automobiles ........................................................................................................... 173
1.1. Pourquoi ce dveloppement.......................................................................... 174
1.1.1 Mondialisation et globalisation de la concurrence.......................................... 174
1.1.2 Acclration des changements ................................................................................ 175
1.1.3 Ncessit dinnover.................................................................................................. 175
1.2. Caractristiques des entreprises des faisceaux des cbles lectriques
automobiles ........................................................................................................... 176
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


2. Lamlioration dun systme de production complexe ................................. 178
2.1. Dfinition dun systme ................................................................................ 178
2.2. Les systmes complexes ................................................................................ 179
2.3. La thorie gnrale des systmes de Bertalanffy ........................................ 181
2.4. Quest ce que cest un systme de production ............................................ 183
2.4.1 Les objectifs associs la fonction de production ........................................... 184
2.4.2 Les modles de gestion de production .......................................................... 186
2.4.3 Structure de production multi-niveaux .......................................................... 186
3. Le systme de fabrication ................................................................................ 188
3.1. La maitrise des systmes de production ...................................................... 188
3.2. Diversit des systmes de production .......................................................... 189
3.3. Les critres dvaluation dun systme de production .............................. 191
3.4. Les mthodes analytiques ............................................................................. 192
3.5. Analyse qualitative et analyse quantitative ................................................ 193
CONCLUSION ..................................................................................................... 194
CHAPITRE 5: APPLICATION INDUSTRIELLE .......................................... 195
INTRODUCTION ................................................................................................ 197
1. Entreprise SIDELEC international ................................................................ 197
1.1. Prsentation de SIDELEC international .................................................... 197
1.2. Organigramme de lentreprise ..................................................................... 199
1.3. Etude et prsentation de lexistant .............................................................. 199
1.3.1 Prsentation des diffrents services au sein de SIDELEC international .............. 199
1.3.2 Description du flux informationnel entre ces services ..................................... 200
1.4. Processus de fabrication ............................................................................... 202
1.4.1 Lopration de sertissage ............................................................................ 202
1.4.2 Lpissure ................................................................................................ 203
1.4.3 Lencliquetage .......................................................................................... 203
1.4.4 Lhabillage ............................................................................................... 204
1.4.5 Le montage des agrafes .............................................................................. 204
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


1.4.6 La soudure ultrason ................................................................................... 205
1.4.7 Le contrle lectrique ................................................................................ 205
1.5. Dcoupage de latelier de production par zones ........................................ 206
1.5.1 Zone de coupe .......................................................................................... 206
1.5.2 Zone de prparation ................................................................................... 206
1.5.3 Zone dassemblage .................................................................................... 207
2. Prsentation des produits de lentreprise SIDELEC international ............ 208
3.Exprimentation du modle pour lamlioration du processus de
production (processus coupe) sous linitiative de lapplication de la mthode
six sigma et approche multicritre daide la dcision .................................... 211
3.1. Construction de la dmarche suivre ......................................................... 212
3.2. Etape 1: Dfinir ............................................................................................. 214
3.2.1 Principe de fonctionnement ........................................................................ 214
3.2.2 Description des 5M et identification des problmes ........................................ 218
3.2.3 Dfinir lobjectif atteindre ........................................................................ 226
3.3. Etape 2 : Mesurer .......................................................................................... 227
3.3.1 Etude de laptitude du processus coupe ......................................................... 228
3.3.2 Cartes de contrle ..................................................................................... 230
3.3.3 Capabilit de procd de processus coupe ..................................................... 231
3.3.4 La capabilit de la machine KOMAX cm et cmk ........................................... 232
3.4. Etape 3 : Analyser ......................................................................................... 234
3.4.1 Identification des causes de dysfonctionnement ............................................. 234
3.4.2 Application de la mthode MACBETH ........................................................ 237
3.5. Etape 4 : Amliorer ....................................................................................... 238
3.5.1 La gnration des solutions ......................................................................... 239
3.5.2 La prise de dcision ................................................................................... 242
3.5.3 Analyse des relations inter dcisionnelles ..................................................... 244
3.5.4 Analyse dimpact des cinq dcisions ............................................................ 244
3.5.5 Dmarche daide la dcision ..................................................................... 258
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


3.5.6 Application numrique ............................................................................... 285
3.6. Etape : Contrler ........................................................................................... 297
CONCLUSION ..................................................................................................... 299
CONCLUSION GENERALE ............................................................................. 301
BIBLIOGRAPHIE ............................................................................................... 305
ANNEXE 1 ............................................................................................................ 319
ANNEXE 2 ............................................................................................................ 320
ANNEXE 3 ............................................................................................................ 321
ANNEXE 4 ............................................................................................................ 322
ANNEXE 5 ............................................................................................................ 334
ANNEXE 6 ............................................................................................................ 343


















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2






















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Liste des figures
Figure 1 : Lvolution du concept de la qualit .................................................... 14
Figure 2 : Matrice des frquences .......................................................................... 18
Figure 3 : Diagramme de pareto ............................................................................ 18
Figure 4 : Les 5M dishikawa ................................................................................. 19
Figure 5: Reprsentation dun Diagramme dishikawa ...................................... 19
Figure 6 : Reprsentation des feuilles de releves ................................................ 20
Figure7 : Reprsentation dun histogramme de rpartition de la masse des
rations alimentaires ................................................................................................ 23
Figure 8 : Reprsentation dun Diagramme des affinits................................... 24
Figure 9 : Reprsentation dun diagramme des relations ................................... 25
Figure 10 : Reprsentation dun diagramme de dcision .................................... 27
Figure 11 : Reprsentation du diagramme sagittal .............................................. 28
Figure 12 : Matrice QFD maison de la qualit ................................................. 29
Figure 13 : Graphe des effets des facteurs ............................................................ 30
Figure 14 : Graphe des effets des interactions ...................................................... 31
Figure 15 : Les types dAMDEC ............................................................................ 32
Figure 16 : Diagramme pieuvre ............................................................................. 33
Figure 17 : Les causes communes et les causes spciales ..................................... 35
Figure 18 : Dmarche gnrale de la MSP ............................................................ 36
Figure 19 : Carte de contrle X ............................................................................ 40
Figure 20 : Carte de contrle R .............................................................................. 41
Figure 21 : Carte de contrle P .............................................................................. 43
Figure 22 : Carte de contrle MA .......................................................................... 47
Figure 23 : Carte de contrle EWMA ................................................................... 48
Figure 24 : Carte de contrle T2 ............................................................................ 49
Figure 25 : Reprsentation graphique dun Modle normal .............................. 50
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Figure26 : Reprsentation graphique dun Modle contient des causes
assignables ............................................................................................................... 50
Figure 27 : Reprsentation graphique dun Modle contient une srie de 8
points ........................................................................................................................ 50
Figure 28 : Reprsentation graphique dun Modle contient une tendance
centrale .................................................................................................................... 51
Figure 29 : Reprsentation graphique dun Modle contient la prsence de
cycles de points au voisinage des limites suprieure et infrieure ..................... 51
Figure 30 : Courbe defficacit ............................................................................... 53
Figure 31 : Les situations de la capabilit du processus ...................................... 54
Figure 32 : La figure indices Cp............................................................................. 55
Figure 33 : La figure indices Cpk .......................................................................... 56
Figure 34 : Processus sous contrle et processus hors contrle .......................... 57
Figure 35 : La mthode Six Sigma ......................................................................... 64
Figure 36 : tape dfinir ......................................................................................... 67
Figure 37 : tape Mesurer ...................................................................................... 68
Figure 38 : tape Analyser ..................................................................................... 69
Figure 39 : tape Amliorer ................................................................................... 70
Figure 40 : tape contrler ..................................................................................... 71
Figure 41 : Six Sigma et la rduction de la variabilit ......................................... 72
Figure 42 : Rduction des cycles de production avec Lean Six Sigma ............... 75
Figure 43 : Le vrai critre ....................................................................................... 86
Figure 44 : Le quasi critre ................................................................................... 86
Figure 45 : Le pr- critre....................................................................................... 86
Figure 46 : Illustration des distances lidal et lanti-idal ........................... 98
Figure 47 : Matrice de dcision ............................................................................ 101
Figure 48 : Matrice des fonctions de valeur partielle ........................................ 101
Figure 49 : Structure hirarchique dun problme selon la mthode AHP .... 105
Figure 50 : Diffrents types de critres ............................................................... 113
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Figure 51 : La procdure MACBETH ................................................................ 121
Figure 52 : Philosophie Six Sigma........................................................................ 134
Figure 53 : Six Sigma et outils multicritres daide la dcision ..................... 136
Figure 54 : Diffrents types dtats de processus ............................................... 136
Figure 55 : Prsentation des outils de mesure .................................................... 144
Figure 56 : Distribution normale et aires de probabilit ................................... 145
Figure 57 : Comparaison des distributions ......................................................... 146
Figure 58 : Les trois tapes principales de la dmarche dintgrit ................. 156
Figure 59 : Architecture des faisceaux de cblages automobile ....................... 169
Figure 60 : Topologie dun systme complexe .................................................... 176
Figure 61 : Processus de production .................................................................... 180
Figure 62 : Diffrences entre causes communes et causes spciales ................. 184
Figure 63 : Rseau de fabrication internationale de SIDELEC ....................... 198
Figure 64 : Organigramme de lentreprise ......................................................... 199
Figure 65 : Cartographie des processus de lentreprise ................................... 202
Figure 66 : Opration de sertissage ..................................................................... 203
Figure 67 : Opration dpissure ......................................................................... 203
Figure 68 : Opration dencliquetage .................................................................. 203
Figure 69 : Habillage continue ............................................................................. 204
Figure 70 : Habillage discontinue ........................................................................ 204
Figure 71 : Schma dune agrafe ......................................................................... 205
Figure 72 : Soudure ultrason ................................................................................ 205
Figure 73 : Diagramme de flux de production ................................................... 207
Figure 74 : Diffrents cycles de production ........................................................ 208
Figure 75 : Architectures cblage dune automobile ......................................... 211
Figure 76 : Etat mthodologique de la dmarche suivre ................................ 212
Figure 77 : Approche Six Sigma et approche multicritre daide la
dcision .................................................................................................................. 213
Figure 78 : Logigramme processus coupe sertissage marquage ....................... 217
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Figure 79 : Logigramme processus coupe sertissage marquage_New1 ........... 218
Figure 80 : Lay-out Usine ..................................................................................... 218
Figure 81 : Graphique dIshikawa pour les problmes de M1 ......................... 220
Figure 82 : Graphique dIshikawa pour les problmes de M1 et M2 .............. 223
Figure 83 : Graphique dIshikawa pour les problmes de M1, M2 et M3 ...... 224
Figure 84 : Graphique dIshikawa pour les problmes de M1, M2, M3 et M4225
Figure 85 : Graphique dIshikawa pour les problmes de M1, M2, M3, M4
et M5 ...................................................................................................................... 226
Figure 86 : Dmarche de rorganisation ............................................................. 227
Figure 87 : Droite de Henri .................................................................................. 229
Figure 88 : Carte de contrle individuel ............................................................. 230
Figure 89 : Carte EWMA pour la surveillance du processus coupe ................ 231
Figure 90 : Capabilit du processus coupe avant Six Sigma ............................. 232
Figure 91 : Rsultat dapplication de la mthode MACBETH ......................... 237
Figure 92 : Classement des causes ....................................................................... 238
Figure 93 : Proposition des critres de choix ...................................................... 242
Figure 94 : Reprsentation graphique danalyse dimpact de M1 ................... 246
Figure 95 : Reprsentation graphique danalyse dimpact de M2 ................... 249
Figure 96 : Reprsentation graphique danalyse dimpact de M3 ................... 251
Figure 97 : Reprsentation graphique danalyse dimpact de M4 ................... 253
Figure 98 : Reprsentation graphique danalyse dimpact de M5 ................... 256
Figure 99 : Les impacts inter dcisionnelles ....................................................... 258
Figure 100 : Dmarche daide la dcision ........................................................ 259
Figure 101 : Structure hirarchique du problme ............................................. 261
Figure 102 : Comparaison par paires des critres ............................................. 262
Figure 103 : Vecteur propre correspondant au critre Qualit du milieu de
travail ................................................................................................................... 262
Figure 104 : Vecteur propre correspondant au critre Cot damlioration
du milieu .............................................................................................................. 263
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Figure 105 : Vecteur propre correspondant au critre Dure ..................... 263
Figure 106 : Performance des actions ................................................................. 264
Figure 107 : Classement finale des solutions de M1 ........................................... 265
Figure 108 : Structure hirarchique du problme ............................................. 266
Figure 109 : Comparaison par paires des critres ............................................. 267
Figure 110 : Vecteur propre correspondant au critre Maintenance ......... 267
Figure111 : Vecteur propre correspondant au critre Cot damlioration
du matriel .......................................................................................................... 268
Figure 112 : Vecteur propre correspondant au critre Dure ..................... 268
Figure 113 : Performance des actions ................................................................. 269
Figure 114 : Classement finale des solutions de M2 ........................................... 270
Figure 115 : Structure hirarchique du problme ............................................. 271
Figure 116 : Comparaison par paires des critres ............................................. 271
Figure117 : Vecteur propre correspondant au critre Les avantages
concurrentiels ........................................................................................................ 272
Figure 118 : Vecteur propre correspondant au critre Cot damlioration
de la mthode ...................................................................................................... 272
Figure 119 : Vecteur propre correspondant au critre Dure ..................... 273
Figure 120 : Performance des actions ................................................................. 274
Figure 121 : Classement final des solutions de M3 ............................................ 274
Figure 122 : Structure hirarchique du problme ............................................. 276
Figure 123 : Comparaison par paires des critres ............................................. 276
Figure 124 :Vecteur propre correspondant au critre Formation et
sensibilisation de louvrier ................................................................................. 277
Figure 125 : Vecteur propre correspondant au critre Cot damlioration
de la main duvre ............................................................................................. 277
Figure 126 : Vecteur propre correspondant au critre Dure .................... 278
Figure 127 : Performance des actions ................................................................. 279
Figure 128 : Classement final des solutions de M4 ............................................ 279
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Figure 129 : Structure hirarchique du problme ............................................. 281
Figure 130 : Comparaison par paires des critres ............................................. 281
Figure 131 : Vecteur propre correspondant au critre Cot damlioration
de la matire ........................................................................................................ 282
Figure 132 : Vecteur propre correspondant au critre Dure .................... 282
Figure 133 : Performance des actions ................................................................. 283
Figure 134 : Classement final des solutions de M5 ............................................ 284
Figure 135 : Interaction entre les dcisions ........................................................ 291
Figure 136 : les modalits de calcul des valeurs Uijd qui correspondent la
dcision damliorer M1 ...................................................................................... 295
Figure 137 : Reprsentation graphique des rsultats optimaux ....................... 296
Figure 138 : Carte EWMA pour la surveillance du processus coupe aprs
Six Sigma. .............................................................................................................. 297
Figure 139 : Capabilit de processus aprs Six Sigma....................................... 298










t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Liste des tableaux
Tableau 1 : La feuille de relevs. ............................................................................ 20
Tableau 2 : Mesure des rations alimentaires .................................... 22
Tableau 3 : Reprsentation schmatique du diagramme multicritre. .............. 26
Tableau 4 : Matrice de lAMDEC. ......................................................................... 32
Tableau 5 : Tableau fonctionnel ............................................................................. 33
Tableau 6 : Les rgles de pilotages des cartes de contrles ................................ 52
Tableau 7 : Rapprochement des mthodes de rsolutions des problmes Six
Sigma ....................................................................................................................... 61
Tableau 8 : Echelle de Saaty. ................................................................................ 106
Tableau 9 : Ratios alatoires ................................................................................. 107
Tableau 10 : Catgorie de jugement .................................................................... 122
Tableau 11 : Matrice des jugements du dcideur par rapport au critre
qualit .................................................................................................................... 122
Tableau 12 : Classification des MADMC selon la matrice inputs/outputs ...... 124
Tableau 13 : Caractrisation des inputs ............................................................. 125
Tableau 14 : Caractrisation des outputs ........................................................... 126
Tableau 15 : Tableau comparatif des MOM et des MADMC. .......................... 127
Tableau 16 : Positionnement des mthodes doptimisation mathmatique sur
la matrice inputs/outputs. .................................................................................... 128
Tableau 17 : Les avantages et inconvnients des mthodes daides la
dcision multicritre ............................................................................................. 130
Tableau 18 : Les avantages et inconvnients des mthodes doptimisation
mathmatique multicritre .................................................................................. 131
Tableau 19 : Charte du projet. ............................................................................. 141
Tableau 20 : Les mesures de processus. .............................................................. 143
Tableau 21 : La matrice A du modle de programmation linaire 0-1. ........... 162
Tableau 22 : classification des causes communes. .............................................. 166
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Tableau 23 : Les causes de dysfonctionnement de M1 ....................................... 235
Tableau 24 : Les causes de dysfonctionnement de M2. ..................................... 235
Tableau 25 : Les causes de dysfonctionnement de M3. ...................................... 236
Tableau 26 : Les causes de dysfonctionnement de M4. ...................................... 236
Tableau 27 : Les causes de dysfonctionnement de M5. ...................................... 236
Tableau 28 : Gnration des solutions proposes. .............................................. 240
Tableau 29 : Tableaux des abrviations. ............................................................. 241
Tableau 30 : Classification des solutions de chaque M ...................................... 284
Tableau 31 : Solutions pour M1............................................................................ 285
Tableau 32 : Solutions pour M2............................................................................ 285
Tableau 33 : Solutions pour M3. .......................................................................... 285
Tableau 34 : Solutions pour M4............................................................................ 285
Tableau 35 : Solutions pour M5. .......................................................................... 285
Tableau 36 : Les utilits de la solution 1 pour les cinq M simultanment. ...... 286
Tableau 37 : Les utilits de la solution 2 pour les cinq M simultanment. ....... 286
Tableau 38 : Les utilits de la solution 3 pour les cinq M simultanment. ...... 286
Tableau 39 : Les utilits de la solution 4 pour les cinq M simultanment. ...... 286
Tableau 40 : Les utilits de la solution 5 pour les cinq M simultanment. ....... 286
Tableau 41 : Les utilits de la solution 1 pour les cinq M simultanment. ...... 286
Tableau 42 : Les utilits de la solution 2 pour les cinq M simultanment. ....... 286
Tableau 43 : Les utilits de la solution 3 pour les cinq M simultanment. ....... 286
Tableau 44 : Les utilits de la solution 4 pour les cinq M simultanment. ....... 287
Tableau 45 : Les utilits de la solution 5 pour les cinq M simultanment. ...... 287
Tableau 46 : Les utilits de la solution 1pour les cinq M simultanment ........ 287
Tableau 47 : Les utilits de la solution 2 pour les cinq M simultanment. ...... 287
Tableau 48 : Les utilits de la solution 3 pour les cinq M simultanment. ....... 287
Tableau 49 : Les utilits de la solution 4 pour les cinq M simultanment. ....... 287
Tableau 50 : Les utilits de la solution 5 pour les cinq M simultanment. ....... 287
Tableau 51 : Les utilits de la solution 1 pour les cinq M simultanment. ....... 287
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Tableau 52 : Les utilits de la solution 2 pour les cinq M simultanment. ...... 288
Tableau 53 : Les utilits de la solution 3 pour les cinq M simultanment. ....... 288
Tableau 54 : Les utilits de la solution 4 pour les cinq M simultanment. ....... 288
Tableau 55 : Les utilits de la solution 5 pour les cinq M simultanment. ...... 288
Tableau 56 : Les utilits de la solution 1 pour les cinq M simultanment ....... 288
Tableau 57 : Les utilits de la solution 2 pour les cinq M simultanment. ...... 288
Tableau 58 : Les utilits de la solution 3 pour les cinq M simultanment ....... 288
Tableau 59 : Les utilits de la solution 4 pour les cinq M simultanment ....... 288
Tableau 60 : Les utilits de la solution 5 pour les cinq M simultanment ....... 288
Tableau 61 : Nombre des solutions pour chaque M ........................................... 289
Tableau 62 : Les solutions optimaux pour d=1 ................................................... 289
Tableau 63 : Les solutions optimaux pour d=2 ................................................... 289
Tableau 64 : Les solutions optimaux pour d=3 ................................................... 289
Tableau 65 : Les solutions optimaux pour d=4 ................................................... 290
Tableau 66 : Les solutions optimaux pour d=5 ................................................... 290
Tableau 67 : Les critres des dcisions ............................................................... 290
Tableau 68 : Les poids des critres des 5 dcisions ............................................ 292
Tableau 69 : Evaluation du critre A de M1 ....................................................... 293
Tableau 70 : Evaluation du critre B de M1 ....................................................... 293
Tableau 71 : Evaluation du critre A de M2 ....................................................... 293
Tableau 72 : Evaluation du critre B de M2 ....................................................... 293
Tableau 73 : Evaluation du critre A de M3 ....................................................... 293
Tableau 74 : Evaluation du critre B de M3 ....................................................... 293
Tableau 75 : Evaluation du critre A de M4 ....................................................... 294
Tableau 76 : Evaluation du critre B de M4 ....................................................... 294
Tableau 77 : Evaluation du critre A de M5 ....................................................... 294
Tableau 78 : Evaluation du critre B de M5 ....................................................... 294
Tableau 79 : Echelle dvaluation des critres.................................................... 294

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2


Liste des photos
Photo 1 : Table dassemblage ............................................................................... 177
Photo 2 : Opration de contrle ........................................................................... 177
Photo 3 : Opration dassemblage ....................................................................... 177
Photo 4 : Machine de contrle lectrique ........................................................... 206
Photo 5 : Table dassemblage ............................................................................... 207
Photo 6 : Cble batterie ........................................................................................ 209
Photo 7 : Les produits de lentreprise SIDELEC INTERNATIONAL ........... 210
Photo 8 : Zone de coupe ........................................................................................ 219
Photo 9 : La machine Komax ............................................................................... 221
Photo 10 : La surface utilisateur .......................................................................... 221
Photo 11 : La configuration sertissage ................................................................ 222
Photo 12 : La tte de coupe Gamma 255 ............................................................. 222


















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Introduction Gnrale


1

Introduction Gnrale

Depuis plusieurs annes, le contexte de mondialisation et laccroissement de la concurrence
ont dfini un nouvel ordre conomique et industriel pour les entreprises de production de
biens. En effet, ces entreprises sont quotidiennement confrontes la matrise et
lamlioration des performances de lensemble de leurs processus afin de garantir leur
prennit et leur comptitivit.
En raison de louverture des marchs et de la concurrence accrue, plusieurs phnomnes
concourants ont lieu.
Tout dabord, le phnomne le plus notable concerne lattente des clients de plus en plus
forte, non seulement en ce qui concerne le prix et la qualit, mais galement sur linnovation
des produits ainsi que sur leur disponibilit.
Nous pouvons aussi noter dautres phnomnes comme la personnalisation des produits
grande chelle (mass-customization), la mondialisation des marchs (clients et fournisseurs) et
les dlocalisations qui peuvent avoir un effet nfaste sur le phnomne daide la dcision au
sein de lentreprise.
En effet, lactivit daide la dcision est une activit faite par tous presque chaque jour.
Nous prenons des dcisions sans arrt. Des plus simples aux plus complexes ; tous les
niveaux: individuel, organisationnel, inter-organisationnel.
Laide la dcision dborde aujourdhui le strict cadre du dcideur traditionnel qui sisole
pour prendre une dcision. Ainsi, laide la de dcision au sein des organisations ncessite
une synergie defforts de plusieurs membres ayant diffrents intrts, comptences et
expriences afin que chacun deux mette contribution son savoir-faire. Dailleurs, cest
grce cette synergie que les membres peuvent atteindre des rsultats suprieurs ceux quils
auraient pu raliser individuellement [POOLE D. 1992].
Aussi, la recherche de la qualit est devenue un point-cl et un autre crneau de la comptition
du fait de limportance de loffre par rapport la demande. Ainsi, lobtention de la qualit des
services et des produits passe le plus souvent par la mise en place dun systme dassurance
qualit et par lutilisation des outils de la qualit tant au niveau de la conception quau niveau
de la ralisation des produits.
De plus la qualit est actuellement, et pour longtemps encore, au centre des proccupations
des organismes industriels, qui fournissent des produits destins satisfaire les besoins des
clients. Face tous ces phnomnes, dans le domaine de production un des objectifs de la
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Introduction Gnrale


2

recherche est de trouver des mthodes formelles danalyse et de modlisation des procds
industriels afin de faciliter leur pilotage.
Dun point de vue stratgique, la qualit est considre comme une dmarche globale dans
lentreprise devant assurer la satisfaction de lensemble de ses partenaires. Ce niveau intgre
toutes les activits qualit relatives lamlioration de la performance globale, la
certification selon la norme ISO 9000 ainsi quau management de la qualit en tant que
dmarche [DEEB S. 2008].
Du point de vue tactique, le processus qualit opre ce niveau plus spcifiquement sur les
processus de type techniques tels que la production et la maintenance. Il contient des activits
relatives la matrise de la qualit des produits et la qualit de processus de production au
sens large [DEEB S. 2008]. Ces activits peuvent tre mesures par exemple en utilisant le
Balanced Scorecard. Le Balanced Scorecard (ou le tableau de bord prospectif) est un outil de
contrle de gestion qui ne se limite pas aux indicateurs financiers, il permet ainsi aux
organisations de clarifier leurs visions globales et leurs stratgies en les transformant en
actions ralisables et quantifiables. Il permet aux excutants de transformer les objectifs
stratgiques en indicateurs mesurables. Il peut tre un outil de ralisation de stratgie ou
dlaboration et conception de stratgie [KAPLAN R. et al 2001].
Enfin, le point de vue oprationnel a pour objectif de mettre en place les moyens et les actions
pour vrifier que les rsultats des processus techniques sont conformes aux exigences
spcifies en terme de qualit, raliser les contrles et traiter les non-conformits. Cette
activit doit tre coordonne avec les activits du niveau tactique [DEEB S. 2008]. En effet
un produit final complexe est gnralement le rsultat de plusieurs combinaisons et/ou de
transformations physico-chimiques, dans diffrentes phases, de plusieurs produits
intermdiaires. La performance globale du procd et la qualit de sa production dpendent
dune part des caractristiques des produits intermdiaires et dautre part des paramtres de
fonctionnement de processus.
En effet les travaux antrieurs raliss dans le contexte de notre recherche tels que ceux de
[DUCLOS E. et al 1997] la contribution la matrise statistique des procds : cas des
procds non normaux , montrant que l'utilisation de mthodes non paramtriques, permet
de fournir une solution qui soit applicable pour un vaste ensemble de lois. Il sest intress
des estimateurs construits partir de statistiques d'ordre. Le but est de mettre en place une
carte de contrle de type Shewhart, utilisant le L-estimateur des moindres carrs, dont l'une
des caractristiques est de fournir une estimation sans biais variance minimale quelle que
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Introduction Gnrale


3

soit la loi des observations. De son ct, [BASSETTO S. 2005] prsente dans ses travaux de
recherche une problmatique de recherche lie la difficult de mise en place dune
dmarche qualit damlioration continue. Les tudes de cas menes sappuient sur des
besoins oprationnels. Elles ont permis dexplorer la faon dont il fallait sy prendre pour
qualifier et amliorer les moyens de production et ce, de manire oprationnelle, dynamique,
en supportant les connaissances mtiers.
Vers la fin de la seconde guerre mondiale, un courant important voit le jour avec le
dveloppement doutils doptimisation mathmatique (la recherche oprationnelle). Lide
directrice consiste ici tenter doptimiser des dcisions en sappuyant sur des simulations et
optimisations a priori. Bien que ces mthodes sduisent largement les chercheurs et
consultants, elles nintgrent que lentement les sphres dcisionnelles des entreprises.
En plus de ces travaux, [VERRON S. 2007] propose dans ses travaux de recherches une
mthode de surveillance complte, base sur un outil de classification particulier : le rseau
baysien. Il a propos un algorithme de slection de variables bas sur un nouveau rsultat
concernant linformation mutuelle. Ensuite, il a propos une mthode de diagnostic non
supervise pour identifier une structure complte dun rseau baysien ddi la surveillance
des procds.
Les problmes conomiques actuels sont devenus trs complexes pour qu'une seule personne
puisse les apprhender dans leur globalit. Le temps est pass o un stratge d'entreprise avait
la capacit de s'informer et de comprendre seul son environnement. L'entreprise doit donc
organiser ses activits de faon plus globale. Dans un environnement toujours plus confus o
la visibilit se rduit, o toute prospective est fragile, la stratgie dune entreprise doit
sappuyer sur une surveillance bien organise et particulire dans la fonction production.
Dans de telles situations nous proposons de suivre la variabilit du processus par lintgration
de la mthode Six Sigma, afin de dtecter toute preuve de changement significatif de la
variabilit. Notre recherche sinscrit dans une logique damliorer un systme de production
complexe par la mthode Six Sigma et lApproche Multicritre daide la dcision.
La mise en place dune approche Six Sigma constitue une approche globale de lamlioration
de la qualit du produit et des services rendus aux clients. Lobjectif principal de Six Sigma
est daugmenter la rentabilit de lentreprise en rduisant le gaspillage, tout en ayant lintrt
du client cur. Elle est aussi une mesure statistique de la performance des processus qui
permet de dterminer avec une grande prcision la qualit des produits ou services. Un niveau
de performance Six Sigma correspond 3,4 erreurs par million de transactions.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Introduction Gnrale


4

La nouveaut rside plutt dans le fait quelle apporte une nouvelle philosophie de gestion au
niveau de lentreprise et dans lapplication des outils multicritres daide la dcision.
Cette philosophie vise mettre en place une culture dentreprise oriente client et qui se base
sur des faits concrets et des donnes pour laide la de dcision. De plus, Six Sigma sappuie
sur une infrastructure dagents de changement qui travaillent dans tous les dpartements de
lentreprise, pas uniquement dans un dpartement Qualit . Ces individus sont appels
Green Belt (personnes temps partiel), Black Belt (personnes temps plein), et Master Black
Belt (gestionnaires chevronns en stratgie damlioration des processus). Enfin, les efforts
damlioration sont toujours organiss en projets selon le modle DMAIC qui signifie en
anglais Define, Measure, Analyze, Improve, Control ou en franais DMAAC : Dfinir,
Mesurer, Analyser, Amliorer, Contrler.
De plus, nous considrons qu'une approche mono-dcideur n'est pas l'abri de plusieurs
reproches. D'une part, elle ne reflte pas les ralits concernant le processus d'aide la
dcision (conflits et influences) dans une tape de la mthode Six Sigma DMAAC. D'autre
part dans la pratique, on constate que la plupart des dcisions se font dans le cadre d'une
dcision de groupe, que se soit pour :
- Dfinir : dterminer le problme rsoudre, mesurer comprendre lampleur du
problme ;
- Analyser : trouver les causes et les confirmer de faon statistique ;
- Amliorer : liminer les causes du problme et amliorer la performance du processus ;
- Contrler : mettre en place des mcanismes afin dassurer que la nouvelle performance
ne se dtriore pas.
Se pose alors le problme de l'valuation des actions aux yeux de critres et de la pondration
des critres. Dans certaines situations la dfinition mme de critres est remise en question ;
chacun tient compte de ses propres critres dans son systme de valeurs (subjectivit,
ignorance). L'ide est de formuler le problme dans le cadre d'une approche multicritre
daide la dcision (A.M.C).
Par la suite, sur la base du degr dimportance et du rle primordial de la mthode Six
Sigma, notre problmatique qui recoupe la mission damlioration dun systme de
production est la suivante:
Comment amliorer un systme de production complexe par la mthode Six
Sigma et A.M.C.?
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Introduction Gnrale


5

Pour rpondre simultanment cette question, notre contribution porte sur la proposition
dune approche Six Sigma et une approche multicritre daide la dcision permettant
damliorer un processus de production complexe.
Lobjectif de notre travail de recherche, est de fournir une vision oprationnelle, structure
travers lintgration de la mthode Six Sigma base sur les outils multicritres daide la
dcision afin damliorer un systme de production. Il sagit de comprendre et savoir
comment optimiser les processus de production dans le but de rduire le nombre de dfauts et
la variabilit des processus.
Notre contribution est ainsi expose dans ce manuscrit sous la forme de 5 chapitres
complmentaires. Le premier chapitre nous permet de prsenter lvolution mthodologique
qui sest opre en matire de rsolution de problmes depuis lavnement des cercles qualit.
Nous analyserons ainsi ladquation de ces outils et mthodes qualit. Le deuxime chapitre
dcrit une revue de la littrature sur les outils multicritres daide la dcision. Le troisime
chapitre nous permet de visualiser le modle de notre travail de recherche. Le quatrime
chapitre nous permet de visualiser le concept de la fonction production dans les entreprises de
production des cbles lectriques pour le secteur industriel automobile, afin de cerner les
contraintes prendre en compte pour la proposition dune dmarche de rsolution de
problmes adapte. Enfin, dans le cinquime chapitre nous exposerons lapplication
industrielle de la dmarche propose dans lentreprise SIDILEC international.














t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Introduction Gnrale


6














t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


7

Chapitre 1

Aide mthodologique pour la rsolution des
problmes qualit

Sommaire
INTRODUCTION ................................................................................................ 9
1. Le systme de management industriel de la qualit ..................................... 9
1.1. Dfinition de la qualit ............................................................................... 9
1.2. Lvolution du concept qualit ................................................................. 12
1.2.1 De lartisan au contrle unitaire ................................................................. 12
1.2.2 Le contrle statistique de la qualit et la standardisation ............................. 13
1.2.3 La qualit totale ........................................................................................ 13
1.3. La gestion de la qualit ............................................................................. 14
2. Les outils de rsolution des problmes qualit .......................................... 15
2.1. La rsolution des problmes qualit ........................................................ 15
2.2. Dfinition des outils .................................................................................. 15
2.3. Classification des outils qualit ................................................................ 16
2.3.1 Les outils de premire gnration ............................................................... 17
2.3.2 Les outils de deuxime gnration ............................................................. 28
2.4. Les outils de la MSP .................................................................................. 34
2.4.1 Les 5 M du processus ................................................................................. 37
2.4.2 Les cartes de contrle ................................................................................ 38
2.4.3 Interprtation des cartes de contrle .......................................................... 50
2.4.4 La courbe defficacit des cartes de contrle ............................................... 52
2.4.5 La capabilit du processus ......................................................................... 54
2.4.6 Processus sous contrle et processus hors contrle ..................................... 57
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


8

3. Les mthodes damlioration de la qualit: Six Sigma ............................... 58
3.1. Etude et comparaison des mthodes existantes ..................................... 58
3.2. Dfinition de la mthode Six Sigma ......................................................... 61
3.3. Historique de la mthode Six Sigma ........................................................ 62
3.4. Pourquoi le Six Sigma ............................................................................... 63
3.5. Les tapes de la mthode Six Sigma ......................................................... 66
3.5.1 Dfinir ...................................................................................................... 66
3.5.2 Mesurer .................................................................................................... 67
3.5.3 Analyser ................................................................................................... 68
3.5.4 Amliorer ................................................................................................. 69
3.5.5 Contrler .................................................................................................. 70
4. Six Sigma un outil damlioration ................................................................. 72
4.1. Six Sigma dans un contexte ISO 9000 ...................................................... 73
4.2. Six Sigma dans un environnement Lean management .......................... 74
4.3. Intgrer Six Sigma dans une dmarche de performance industrielle .... 76
CONCLUSION .................................................................................................... 77











t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


9

Introduction

La globalisation de la concurrence, la complexit de lconomie et la plthore dinformations
disponibles aujourdhui placent les entreprises dans un contexte plus que mouvant avec lequel
elles doivent composer. Les entreprises ont donc plus de mal prvoir les volutions
politiques, sociales, conomiques, technologiques et industrielles. Elles doivent cependant
pouvoir dfinir une vision lointaine du futur tout en grant des changements plus frquents.
Le raccourcissement des dlais entre les innovations, des horizons de planification et la
rduction des cots de dveloppement sont un impratif. Lacclration des changements
devient une constante de la vie des entreprises [VILLEMUS P. 2001]. Les entreprises ont
donc besoin daide mthodologique leur permettant dexplorer plusieurs domaines, de traiter
des montagnes dinformations pour trier linformation pertinente et ce, pour dfinir leur
stratgie future, dvelopper de nouveaux produits de plus en plus complexes et les
industrialiser rapidement.
Ce chapitre a pour objectif de prsenter les diffrents outils qualit indispensable pour la
rsolution dun problme dans le contexte dun processus de production, dans une premire
partie. La seconde partie est consacre lidentification de la mthode damlioration de la
qualit : Six Sigma.
1. Le systme de management industriel de
la qualit
1.1 Dfinition de la qualit
La qualit est un objectif important depuis que les besoins de consommateurs ont t intgrs
dans la boucle de dcision et elle devient un vritable outil stratgique et offensif pour faire
face aux nouveaux enjeux de lentreprise [GRANT D. et al 2006]. Elle est actuellement
considre comme un des leviers principaux avec lesquels une entreprise peut augmenter sa
position concurrentielle globale.
Quest ce que la qualit ? Question brve, mais quelque peu embarrassante. Vouloir dfinir ce
que lon entend par qualit est une tche difficile. Lutilisation de ce terme nest pas
rcente dans le langage courant. Ses premiers utilisateurs ont probablement cru quil existait
un consensus sur sa signification. Lorsque le mot est apparu dans le dictionnaire, sa dfinition
ntait ni claire ni convaincante. Aujourdhui encore, sa dfinition reste ambigu et prsente
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


10

beaucoup dquivoques. Son sens varie selon la situation dans laquelle ce terme est utilis et
aussi selon la vision des uns et des autres. Cependant, comme le souligne [GLASSER W.
1992], mme sil semble difficile de dfinir ce que lon entend par la qualit dun objet, on
peut quand mme la reconnatre lorsquon voit un objet de qualit.
Le mot qualit est de plus en plus utilis dans les entreprises, que ce soit dans le secteur
alimentaire, industriel ou mme dans le secteur des services. La notion de qualit est apparue
avec le contrle des produits visant rduire le nombre de leurs dfauts. Cette notion de
qualit a volu avec le temps et a tendu son champ d'action vers les phases de conception,
production, installation, marketing, aprs-vente et soutien logistique [LOPEZ R. 2006]. En
particulier dans le monde industriel, cette notion est complexe et peut se voir assigner un sens
diffrent suivant les personnes et les entits considres [REEVES C. et al 1994]. La norme
[NF X 50-120 1992] dfinit la qualit comme tant : lensemble des caractristiques dune
entit qui lui confrent laptitude satisfaire des besoins exprims et implicites . Cette
dfinition est doublement gnrique, il faut prciser la qualit de quoi (dun produit, dun
processus, dun service, ) et aussi les besoins de qui (un utilisateur, un consommateur,
un chef de projet). Le terme qualit ne peut donc pas tre dfini dans labsolu mais toujours
relativement quelque chose et pour une entit donne. En effet, le terme qualit regroupe
plusieurs aspects en fonction du besoin ou de la phase aborde [CHOVE J. 1992],
[DOMINIQUE H. 2003], [ISO8402 1995]:
- pour un client ou pour un utilisateur : la qualit cest laptitude dun produit ou dun
service satisfaire les besoins de ses utilisateurs;
- pour la production : la qualit d'un systme de production rside dans son aptitude
produire au moindre cot et dans un court dlai des produits satisfaisant les besoins
des consommateurs;
- pour lentreprise ou une organisation : la qualit consiste en la mise en oeuvre dune
politique qui tend la mobilisation permanente de tout son personnel pour amliorer:
- la qualit de ses produits et services,
- lefficacit de son fonctionnement,
- la pertinence et la cohrence de ses objectifs.
Dans le mme sens, le dictionnaire de lAPICS (American Production and Inventory Control
Society) a propos une dfinition plus complte de la qualit selon diffrents points de vue de
la qualit conformit au besoin ou aptitude lemploi [APICS 1992]:
- une qualit transcende est un idal, une condition de lexcellence,
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


11

- lapproche produit de la qualit est fonde sur les attributs du produit,
- lapproche utilisateur de la qualit est laptitude lemploi,
- lapproche production de la qualit est la conformit au besoin,
- lapproche valeur de la qualit est le degr dexcellence pour un prix acceptable.
Cette qualit a t dfinie sur sa partie mathmatique (statistique), de faon plus conceptuelle
et globale comme inversement proportionnelle la variabilit. L'accroissement de la qualit
s'obtient donc par la rduction de cette variabilit. Le but des mthodologies et mthodes
qualit est ainsi de rduire la variabilit sur des caractristiques cls essentielles la
satisfaction du client [DEEB S. 2008].
La norme [ISO9000 V 2000] de son cot donne une dfinition de la qualit aptitude dun
ensemble de caractristiques intrinsques satisfaire des exigences . Elle prcise de plus que
le terme Qualit nest pas utilis pour exprimer un degr dexcellence dans un sens
comparatif... non plus dans un sens quantitatif pour des valuations techniques...
La qualit dun produit ou service est influence par de nombreuses phases dactivits
interdpendantes, telles que la conception, la production, le service aprs-vente et la
maintenance... . En effet, dans la pratique, les diffrents aspects de la qualit peuvent se
runir sous deux formes [FLEURQUIN R. 1996]:
La qualit externe, correspondant la satisfaction des clients. Il s'agit de fournir un produit
ou des services conformes aux attentes des clients afin de les fidliser et ainsi amliorer sa
part de march.
La qualit interne, correspondant l'amlioration du fonctionnement interne de l'entreprise.
L'objet de la qualit interne est de mettre en uvre des moyens permettant de dcrire au
mieux l'organisation, de reprer et de limiter les dysfonctionnements. Son objectif essentiel
est de mieux matriser et amliorer la qualit des produits et aussi la qualit de tous les
processus de lentreprise. Cette qualit interne passe gnralement par une tape
d'identification et de formalisation des processus internes ralise grce une dmarche
participative.
En conclusion, le terme Qualit nest pas utilis pour exprimer un degr dexcellence dans un
sens comparatif... les plus que dans un sens quantitatif pour des valuations techniques. La
qualit est un rsultat qui se constate en utilisation donc, en gnral, quand il est trop tard pour
faire quelque chose. Aussi est-il important de mettre en place, tout au long du processus
dlaboration dun produit nouveau, des mthodes et des outils de travail pour construire et
assurer sa qualit. En nous appuyant sur ces dfinitions, nous constatons que pour rpondre au
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


12

critre normatif de la qualit nous avons besoin de mettre en place non pas uniquement des
contrles qualit, mais un vritable systme qui permettra dune part de dterminer les
exigences des clients, mais aussi de les satisfaire. Pour atteindre cet objectif les entreprises
mettent en place des systmes de management de la qualit.
1.2 Lvolution du concept qualit
[JURAN J. 1995], dans son ouvrage A history of Managing for Quality , a soulign que la
gestion de la qualit nest pas une activit rcente. On trouve des textes traitant de
normalisations et de contrle de la qualit dans pratiquement toutes les grandes civilisations
anciennes. Toutefois, la vague de popularit que connat la qualit dans les annes quatre
vingt est sans prcdent.
Les exigences du management de la qualit ne sont pas un phnomne de mode. Depuis
toujours, les crateurs de produits divers, les btisseurs des temples antiques et des
cathdrales, les fabricants d'armes ou de navires travaillaient avec mthode. La notion de
qualit est apparue avec le contrle de la fabrication des produits et le caractre systmatique
de dispositions visant rduire le nombre de dfauts de ces produits. Ces concepts ont volu
et ont tendu leur champ d'action en amont (marketing, conception...) et en aval (installation,
aprs-vente, soutien logistique, etc.). Cette gnralisation de l'application de la qualit,
appele "matrise totale de la qualit", est la base des systmes qualit modernes. Lorsque
ces principes deviennent vritablement des modes de management de la qualit et de
management par la qualit, on parle alors de "qualit totale". Ils prconisent en particulier, la
prvention, la mesure, l'amlioration progressive et permanente, la matrise des processus.
1.2.1 De lartisan au contrle unitaire
A la fin du XVIme sicle, la conception et la fabrication des produits sont motives par leur
usage pratique. Les produits sont fabriqus par les artisans du village, forms la rude cole
du compagnonnage qui dveloppe la crativit et la notion dexcellence. Le travail est
essentiellement manuel et lartisan est proche de son client, utilisateur du produit. Cela cre
une relation privilgie entre lartisan et le produit, ainsi quentre lartisan et lutilisateur du
produit. Avec lessor des moyens de communication entre le XVIme et le XXme sicle, le
dveloppement des villes et des ports de commerce, on assiste une modification du paysage
conomique international. La notion de concurrence apparat et le consommateur devient
critique et exigeant. Des manufactures se crent pour produire en quantit et ceci contribue
une perte de la qualit du produit selon [HAMALIAN E. et al 1996]. Mais cest aussi le
dbut de la perte de contact entre lartisan et le client. Ceci entrane une perte de motivation
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


13

des artisans devenus ouvriers travaillant dans des conditions de travail trs rudes, peu propices
la qualit. Il apparat que cette poque ne conduira pas de grandes proccupations en
matire de qualit [LAMBUSSON A., 1988]. Cest en pleine priode de crise que Taylor
fait ses dbuts dans latelier de construction mcanique de la Midvale Steel Company en
1878. Avec lui, nat lorganisation scientifique du travail dont le but est damliorer la
productivit des ouvriers et de lappareil de production, qui est devenu de plus en plus
mcanis. Le travail est divis en tches lmentaires et rptitives. La qualit devient
troitement lie aux performances des machines. De plus la prime la quantit pousse les
ouvriers faire beaucoup de pices plutt qu faire de bonnes pices . Lobjet produit
na plus de sens et passe au second plan devant la machine toute puissante, que lon respecte
et qui fait lobjet de la fiert des ouvriers qualifis. Le contrle de la qualit est assur par la
matrise qui procde au tri entre les pices conformes et celles qui ne le sont pas. Selon
[CHIAVENATO. I 1983], il y avait parfois plus dinspecteurs que douvriers dans un
secteur de production. Linspection des produits devient une activit coteuse, car elle est
faite sur toutes les units produites.
1.2.2 Le contrle statistique de la qualit et la standardisation
La priode entre les deux guerres voit se dvelopper le contrle statistique de la qualit
comme solution la persistance des problmes rencontrs en fabrication. En 1924, la Western
Electric Company demanda un de ses ingnieurs, "de garantir la qualit finale des appareils
tlphoniques, cest dire datteindre la satisfaction des clients au moindre cot [FEY R. et
al 1981]. Ce qui fait apparaitre le concept de Quality Assurance Departement .
Dautre part, des normes apparaissent, en particulier aux Etats Unis avec les Military
Standard . La deuxime guerre mondiale entrane un renforcement de ces normes, du
contrle statistique de la qualit, ainsi que le dveloppement de la standardisation dans le
domaine de larmement. Le problme tait de livrer avec certitude et en grande quantit, du
matriel en parfait tat de marche. Ainsi, la norme de guerre nord-amricaine ZI.1-Z1.3 est
labore pour garantir la qualit des produits fabriqus en grandes quantits ncessaires
l'effort de guerre, comme nous le rappelle [TODOROV B. 1994].
1.2.3 La qualit totale
La qualit totale est une mthode de management qui vise le succs long terme grce la
satisfaction client. Elle est base sur la participation de tous les membres dune organisation
lamlioration des processus, des produits et des services de leur organisation.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


14

Au dbut des annes 1980, nous sommes entrs dans lre de mondialisation des marchs
do on observe aussi limmense succs que connat la philosophie de gestion Japonaise
propage par deux gourous amricains, Deming et Juran, et qui concerne la qualit totale.
Les deux concepts: Assurance de la qualit et qualit totale deviennent une base importante
pour la construction et le dploiement de la fonction qualit dans lentreprise [FOURNIER P.
et al 1999]. La figure 4 montre lvolution du concept de la qualit daprs de MFQ
(Mouvement Franais pour la qualit).

Figure. 1 Lvolution du concept de la qualit

1.3 La gestion de la qualit
Le concept de la qualit a fait apparition dans le monde des affaires dans les annes 60 au
Japon, au dbut des annes 80 aux USA et en Europe. A lorigine de cette qualit se trouve un
concept de gestion dentreprise dvelopp par Edward Deming, dorigine amricaine,
dnomm Total Quality Management. Comme le souligne [ANSARI M. 1999], le
dveloppement de TQM est associ dautres personnalits importantes telles que Juran,
Feigenbaum, Crosby, Ishikawa, Taguichi, Son dveloppement est li aux apports dexperts
en management comme Peter Drucker ou Mc Gregor, et aussi celui de lcole japonaise.
Le concept de gestion de la qualit apparat, entre autres sous limpulsion du docteur
[JURAN. J. M 1995], [DEMING W. 1994] [ISHIKAWA K. et al 1985] et de la J.U.S.E.
(Japan Union of Scientifics and Engineers) en 1954. Les promoteurs de la gestion de la
qualit constatent que de nombreux aspects organisationnels gnent la qualit. Vouloir
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


15

rsoudre le problme de la qualit par des contrles de spcification au niveau de la
production nest pas suffisant. Il faut repenser lorganisation de la conception et de la
production de faon diminuer le nombre et le cot des contrles, mais galement introduire
le concept qualit dans les services connexes la production [LAMBUSSON A. 1988].
2.Les outils de rsolution des problmes qualit
2.1 La rsolution des problmes qualit
Avant de dfinir ce quest la rsolution dun problme qualit, tudions le terme problme
dans son acceptation courante ; Question scientifique rsoudre, problme de gomtrie,
problme d'algbre, proposer un problme, rsoudre un problme, la solution d'un problme,
un problme insoluble, difficile rsoudre. Il se dit, dans le langage courant, d'une question
difficile rsoudre. Problme historique, problme de morale, de mtaphysique, ce fait est
encore un problme. Cette question est un vrai problme, un vritable problme. Il se dit
encore, en gnral, de tout ce qui est difficile concevoir. L'homme est pour lui-mme un
grand problme. Cet homme est un problme, sa conduite est un vrai problme se dit d'un
homme dont il est difficile de dfinir le caractre ou d'expliquer la conduite. On dit de mme
d'une affaire embrouille : Cette affaire est un vrai problme.
Difficult quil faut rsoudre pour obtenir un certain rsultat : situation instable ou dangereuse
exigeant une dcision.
La diffrence entre la dernire dfinition et les deux autres tient surtout de la connaissance ou
non du rsultat attendre. Dans le cadre de nos travaux de recherche, nous nous intressons
aux problmes de production c'est--dire aux problmes dans le systme de production.
Dans la littrature, on distingue plusieurs types de problmes qualit [DEMING W. 1982]
[KEPNER C. et al, 1980], tel que:
Les problmes de cause spciale: se sont des instabilits soudaines et imprvisibles et qui
provoquent une baisse du niveau de performance et empchent le retour ce niveau.
Les problmes de causes communes: cest le niveau de performance stable qui est le
problme, en dautre terme, le niveau escompt de performance le plus lev.
2.2.Dfinition des outils
Outil : pour le domaine de la qualit, un outil est un moyen conu pour raliser de faon
efficace un certain type daction. Dans le domaine de la qualit : outils de base de la qualit et
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


16

outils de management de la qualit. Ainsi, un outil possde un mode opratoire prcis, il
sinscrit gnralement dans le cadre dune mthode.
Ainsi un outil qualit est un ensemble cohrent de dispositions pratiques mises en place dans
lentreprise en vue damliorer les performances dune ou de plusieurs caractristiques dun
produit ou service.
Les outils de la qualit ont parfois t dsigns comme les 7 outils de la qualit (feuille de
relev, diagramme de Pareto, diagramme causes-effets, graphiques et histogrammes, cartes de
contrle, remue-mninges, Q, Q, O, Q, C, P). Il sagit des moyens mis en uvre dans les
actions damlioration. Ce sont des outils de rsolution de problme.
Par ailleurs, les outils de management de la qualit reprsentent les outils de management de
la qualit, appels aussi les nouveaux outils de la qualit (diagramme des affinits, diagramme
des relations, diagramme matriciel, diagramme en arbre, diagramme des dcisions,
diagramme en flche (ou sagittal), analyse factorielle des donnes).Ils ont t mis au point au
Japon en complment des 7 outils de base de la qualit. Ils donnent les moyens de comprendre
les situations complexes et de faire des plans pertinents. Ces outils, en particulier les 6
premiers, permettent de prendre en compte les ides des membres dun groupe pour construire
un consensus. Ils aident poser clairement un problme flou pour fonder la formulation du
problme sur des faits. Ils aident rechercher les causes, focaliser les efforts sur lessentiel,
prparer laction [ANAES 2000].
2.3 Classification des outils qualit
La qualit en production demande une organisation rigoureuse base sur un modle.
Cependant, le systme qualit nest pas suffisant pour obtenir seuls des produits de bonne
qualit, donc il faut galement des outils, souvent trs simples qui permettent la rsolution des
problmes quotidiens de lentreprise.
Nous prsentons ainsi les sept outils de base de rsolution des problmes qui facilitent le
travail de groupe et qui sont indispensables tous les cercles de qualit. Ces outils doivent
naturellement tre complts par dautre plus sophistiqus tels que les plans dexpriences, le
QFD et les 3A de la qualit en conception (AF Analyse Fonctionnelle, AV Analyse de
la Valeur, AMDEC Analyse des Modes de Dfaillances leurs Effets, leurs Criticits) pour
donner toute leur efficacit [GOGUE F. 1991].



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


17

2.3.1 Les outils de premire gnration
Les outils de premires gnrations sont des instruments qui permettent de dgager les dfauts
possibles.
- QQOQCP (Qui, Quoi, O, Quand, Comment, Pourquoi)
Cest un outil qui permet de se poser les bonnes questions avant daborder un problme. Il
vise dterminer avec exactitude quelle est la cause principale. Le QQOQCP peut tre utilis
aussi pour btir le plan daction de solution propose. Pour tre sr dapprhender le plus
compltement possible un problme, il faut se poser les questions (Qui ? Quoi ? O ? Quand ?
Comment ? Pourquoi ? ). La rponse ces questions permet didentifier les aspects essentiels
dun problme.
Qui ? : Qui est concern par le problme ?
Quoi ? : De quoi sagit-il ? Quel est le problme ?
O ? : En quel lieu le problme se pose t-il ?
Quand ? : A quel moment le problme apparat-il ?
Comment ? : Sous quelle forme le problme apparat-il ?
Pourquoi ? : Quelles sont les raisons qui poussent rsoudre ce problme ? [ANAES 2000].
- Diagramme de Pareto
Le diagramme de Pareto permet de classer les donnes de la plus importante la moins
importante. Il permet de hirarchiser les informations, afin de se consacrer lessentiel. Il est
en effet indispensable dordonner ce qui a t relev pour rvler la signification des faits. Ce
diagramme constitue la premire tape dans la dmarche permanente damlioration des
produits et des procds de lentreprise. Cest un indicateur sur ltat de lavancement de la
rsolution du problme, car pour chaque action corrective la construction dun nouveau
diagramme de Pareto rend compte de lamlioration de la qualit. [ANAES 2000].
Exemple numrique:
Parfois, ton auto refuse de dmarrer, les causes probables sont les suivants :
- Il manque de lssence,
- La batterie est plat,
- Les bougies ne sont pas charges,
- Le chauffeur narrive pas.
La matrice des frquences est la suivante:


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


18


Figure. 2 Matrice des frquences

La reprsentation graphique est la suivante:

Figure. 3 Diagramme de Pareto


- Diagramme dIshikawa
Ce diagramme est utilis pour associer des causes multiples un seul effet. Il sert mettre en
vidence les relations des causes effet suivant une mthode dfinie par le professeur Kariou
Ishikawa.
Cet outils est connu galement sous le nom Diagramme des causes effets ou Arte de
poisson et aussi la famille de 5Mou 6M. Et cette srie de M facilite lidentification rapide
de toutes les causes possibles qui sont classes par famille [ANAES 2000].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


19


Figure. 4 Les 5M dIshikawa
Exemple numrique:
La figure ci-dessous reprsente le diagramme dIshikawa, pour traiter les causes du problme
pourquoi les lgres coupures aux doigts ?
La reprsentation de diagramme dIshikawa est comme suit:

Figure. 5 Reprsentation dun diagramme dIshikawa [BACCOU BONNEVILLE C.
2007]

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


20

Comme les autres outils le diagramme dIshikawa est utilis dans le but de mettre en vidence
les causes dun problme et les regrouper dans des catgories distinctes (matriel, milieu et
manire).
- La feuille de relevs
La feuille de relevs permet de faciliter la saisie des informations. Cet outil est une collecte de
donnes prcises, fiables, en relation avec lobjectif dfini et il contribue viter des erreurs
denregistrements. La feuille de relevs peut vrifier les modes et les effets de dfaillance sur
le processus de production et permet de rechercher des causes de dysfonctionnements. Elle
constitue une pratique pralable toute analyse statistique de donnes [ANAES 2000].
Exemple numrique:
Instructions loprateur des fours (responsable du relev) : Relever la temprature (grandeur
qui fait lobjet du relev) en sortie du four X35 (lieu o seffectue le relev) durant le mois de
juillet (dure et la frquence du relev) chaque heure (critre de classement) laide du
thermomtre fixe T9 (mthode pour effectuer le relev).
Les rsultats sont rsums dans le tableau si dessous:

Tableau. 1 feuille de relev
La reprsentation des donnes des tempratures du four sont comme suit :

Figure. 6 Reprsentation de feuilles releves
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


21

- Brainstorming
Cet outil ne fait pas partie des sept outils traditionnels, il a pourtant un rle essentiel dans la
rsolution de problme. Le travail de groupe cote cher, il faut donc quil soit efficace pour
tre rentable. Il permet de gagner un temps prcieux et se base sur un groupe
pluridisciplinaire. Il doit toujours commencer par lcriture claire de lobjectif de ltude.
Ses Synonymes sont, Remue-mninges, tempte d'ides, crativit, brassage d'ides.
Sont but est de rsoudre un problme en recherchant les causes et les solutions possibles, en
dveloppant la crativit et l'mergence d'ides nouvelles auxquelles personne,
individuellement, n'auraient pens. Rechercher des causes, l'origine d'un dysfonctionnement,
ou des solutions en favorisant l'expression de chacun.
C'est un travail de groupe compos de 8 15 personnes, choisis de prfrence dans plusieurs
disciplines, et un animateur. Le maximum d'ides devra tre exprim et not sur un tableau
(paper-board) visible de tous. Quoi qu'il en soit, des pauses seront mnages entre chaque
runion pour laisser reposer les ides mises pour mieux les rexaminer par la suite.
Le droulement du Brainstorming peut-tre dcrit en trois phases :
- Phase de Recherche :
Les participants exprimeront les uns aprs les autres toutes les ides leur venant l'esprit sans
restriction. L'exercice doit se drouler dans la discipline : on coute ce que l'autre dit et on ne
critique en aucune manire.
Aucune ide, aussi trange soit elle, ne doit tre rprime : le brainstorming a lieu dans un
esprit de progression du bien commun. Pas de censure ni de critique. Il faut exprimer le
maximum d'ides : plus il y a d'ides, plus on a de chances de trouver la solution.
- Phase de regroupement et de combinaison des ides :
Le groupe cherchera exploiter, amliorer les ides mises. On pourra faire des analogies,
exprimer des variables ou des modifications. Certaines ides se verront compltement
dnigres, et d'autres aux contraires encenses. Mais attention ! Ces critiques ne s'adresseront
jamais l'auteur de l'ide, et il faudra savoir garder le sens de l'humilit.
L'important n'est pas de savoir qui a eu l'ide, mais de voir ce que l'on peut en tirer.
- Phase de Conclusion :
Au terme de l'exercice, il faudra faire l'analyse des causes suspectes et des solutions
proposes discerner celles du domaine du ralisable, de celle du domaine de l'utopie.
Les solutions et les causes dgages devront alors tre confrontes aux exigences de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


22

l'entreprise, ainsi qu'aux autres outils. On adoptera donc la meilleure des solutions [ANAES
2000].
- Lhistogramme
Lhistogramme est un outil danalyse qui permet de reprsenter les donnes sous forme
graphique. Il permet didentifier lexistence dun modle applicable et illustre les relations
entre les valeurs releves et les valeurs de rfrence. Il visualise la rpartition de ces valeurs
en diffrentes classes [ANAES 2000].
Exemple numrique:
Soit la fabrication de rations alimentaires, la pese des rations avant emballage donne la srie
de mesures suivantes en kg:
0,547 0,563 0,532 0,521 0,514 0,547 0,578 0,532 0,552 0,526 0,534 0,560 0,502 0,503 0,516 0,565
0,532 0,574 0,521 0,523 0,542 0,539 0,543 0,548 0,565 0,569 0,574 0,596 0,547 0,578 0,532 0,552
0,554 0,596 0,529 0,555 0,559 0,503 0,499 0,526 0,551 0,589 0,588 0,568 0,564 0,568 0,556 0,523
0,526 0,579 0,551 0,584 0,551 0,512 0,536 0,567 0,512 0,553 0,534 0,559 0,498 0,567 0,589 0,579
Tableau. 2 Mesure des rations alimentaires
Les caractristiques du relev sont les suivantes:
- Le nombre d'chantillons: N = 64,
- L'tendue: w = 0,098 kg,
- Valeur minimale: 0,498 kg,
- Valeur maximale: 0,596 kg.
On en dduit les paramtres suivants pour l'histogramme:
- Le nombre de classes est de 7,
- L'amplitude de classe est 0,098/7 = 0,014 kg que l'on arrondit 0,015 kg (rsolution de la
balance: 0,001 kg);
- La valeur minimale de la premire classe est de 0,498 (0,001/2) = 0,4975. Par souci de
facilit pour l'interprtation, on peut arrondir cette valeur 0,495 kg.
On obtient l'histogramme suivant:
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


23


Figure. 7 Reprsentation dun histogramme de rpartition de la masse des rations
alimentaires
La distribution de beaucoup de paramtres industriels correspond souvent une loi normale.
On compare souvent l'histogramme obtenu au profil en cloche de la loi normale. Cette
comparaison est visuelle et mme si elle peut tre une premire approche, elle ne constitue
pas un test de normalit. Pour cela, il faut excuter un test dont un des plus classiques est la
droite de Henry [WIKIPEDIA 2009 a].
- Diagramme des affinits
Un Diagramme des affinits est un Outil dvelopp au Japon dans les annes 50 permettant
de dfinir plus clairement une situation mal connue, de structurer des ides floues.
Son objectif est de cerner plus clairement un problme apparaissant peu prcis, en labsence
de donnes objectives. Rassembler et structurer des ides pour mettre en vidence leur
appartenance une logique commune [ANAES 2000].
Exemple numrique:
Question de dpart
Quest-ce qui fait que les incidents et les vnements indsirables ne sont pas signals la
direction et/ou la cellule de gestion des risques ?
Diagnostic
Les incidents et les vnements indsirables ne sont pas signals la direction et/ou la
cellule de gestion des risques en raison dune communication verticale et par manque
didentification professionnelle se manifestant par une sous-dclaration
dincidents/accidents/vnements indsirables.
La reprsentation du diagramme des affinits est comme suit:
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


24


Figure. 8 Reprsentation dun Diagramme des affinits [ANAES 2000]
- Diagramme des relations
Diagramme des relations est une reprsentation permettant de clarifier et de mieux cerner la
structure des causes dune situation ou dun problme complexe.
Son objectif est didentifier tous les paramtres caractrisant le problme ou la situation.
Classer, ordonner ces paramtres en fonction de leurs liens de cause effet. Identifier les
causes successives induisant un problme donn et remonter jusqu la cause principale. la
diffrence du diagramme causes-effets, il prend en compte les interactions entre les causes
[ANAES 2000].
Exemple numrique:
La directrice des finances et de la gestion de Dbut, une jeune entreprise de formation multimdia, a
relev, par un diagramme daffinit, les facteurs ralentissant limplantation dun tableau de bord dans
son organisation. Elle demande maintenant la mme quipe de retravailler ces facteurs pour en faire
un diagramme de relations.
Les diffrents enjeux et leurs relations sont schmatiss comme suit:
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


25

Figure. 9 Reprsentation dun Diagramme des relations [GILLES E. et al 2003]
On a donc, comme principales causes : la crainte des coupures, le manque de formation et de
vision stratgique et le fait de ne pas avoir de points de comparaison dans lindustrie. La
rsistance au changement est aussi une cause importante, mais elle rsulte aussi dautres
causes; il semble donc ncessaire dagir plus en amont dans ce cas.
- Diagramme multicritre
Diagramme multicritre est une matrice se prsentant sous la forme dun tableau 2 entres
permettant danalyser plusieurs sujets en fonction de critres prdtermins, pour raliser un
choix. Les critres reprsentent les attributs subjectifs ou objectifs qui caractrisent les
lments de choix. Son objectif est de choisir un problme ou un dysfonctionnement et de
slectionner des solutions [ANAES 2000].
Exemple numrique:
Objectif : Aller seul de Lyon Paris, dans les meilleures conditions de dlai, confort, cot et
scurit.
Cahier des charges : ....Pondration
Rapidit : Moins de 3 heures de centre ville centre ville...4
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


26

Confort : Possibilit d'crire pendant le trajet et d'tendre ses jambes.3
Scurit : Risque d'accident et d'agression < 1/10002
Cot : < 500 ...1
Notation de 0 3 en fonction de la satisfaction au critre;

Tableau. 3 Reprsentation schmatique du diagramme multicritre

- Diagramme de dcision
Cest un outil daide au choix du meilleur processus de dcision en valuant les situations
possibles et leurs consquences probables. Il permet danticiper les alas lis la mise en
place des solutions retenues et de prvoir les mesures alternatives permettant de garantir le
bon droulement des actions depuis le dbut et jusqu la fin dun processus bien dfini.
Son objectif est de:
- Mettre en lumire les difficults qui peuvent surgir dans la mise en uvre dun nouveau
processus,
- analyser les diffrents procds possibles pour atteindre un rsultat voulu,
- sadapter aux nouvelles informations disponibles, pour une dmarche donne,
- aider faire face des situations par nature changeantes,
- donner une vue systmatique des actions entreprendre,
- minimiser les pertes de temps occasionnes par les vnements imprvus,
- implanter de manire fiable des solutions dans un environnement bien dfini [ANAES
2000].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


27

Exemple numrique:
Comment beurrer une tartine: cas peu dtaill

Figure. 10 Reprsentation du Diagramme de dcision
- Diagramme sagittal

Outil de planification et de suivi de projet, prsent sous forme graphique, qui dtermine la
dure prvisible des diffrentes tapes et permet dassurer un suivi du projet. Son objectif est
de: [ANAES 2000]
- optimiser le planning dun projet,
- assurer le suivi du projet,
- faire apparatre le chemin critique, en termes de dlais,
- dtecter rapidement les risques de retard.
Exemple numrique:
Systme tudier: protection par camra dans une banque
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


28


Figure. 11 Reprsentation du Diagramme sagittal [ANAES 2000]

2.3.2 Les outils de deuxime gnration
Les outils de deuxime gnration permettent de dgager les problmes ds la conception.
- Le QFD (Quality Function Deployment)
Le QFD est une mthode permettant de traduire de faon approprie les attentes du
consommateur en spcifications internes lentreprise et ceci tout au long du dveloppement
dun produit. Il est indispensable dutiliser une mthode qui permet de leur transmettre la
voix de client dans leur langage avec le moins de dformation possible. De plus, il est
capital ds lors que nous nous focalisons sur lessentiel pour le client, de comparer les
performances de lentreprise avec les concurrents.
La mthode QFD est une mthode prventive qui permettra dviter des actions correctives et
permet dentrer les attentes des clients dans lentreprise et traduire ses attentes en diffrentes
tapes [GOGUE F. 1991].
Exemple numrique:
Conception d'une cafetire-filtre

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


29


Figure. 12 matrices QFD maison de la qualit
- Les plans dexpriences
Les plans dexpriences font partie de lensemble des outils de la qualit qui permettent aux
entreprises de progresser dans la matrise de la conception de produits nouveaux et dans la
matrise des procds de fabrication. Ils permettent de rsoudre de nombreux problmes de
qualit et de rduire le nombre dessais sans perdre en prcision. La mthode des plans
dexpriences permet de conduire de faon rigoureuse les essais en vue dun objectif
parfaitement dfini [GOGUE F. 1991].
Ainsi les avantages des plans d'expriences sont:
- permettent une diminution considrable du nombre d'essais et une interprtation rapide et
sans quivoque. Ils fournissent des rsultats faciles prsenter des non spcialistes.
- permettent d'tudier un trs grand nombre de facteurs, de dtecter des interactions
ventuelles, et de dterminer des rsultats avec une bonne prcision.


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


30

Exemple numrique:
Nous considrons maintenant la mise en uvre de la mthode des plans d'exprience pour
minimiser la rugosit de pices usines.
- Moyenne gnrale : elle correspond la moyenne de la rponse sur les m essais.

- Effet d'un facteur : l'effet EAij du facteur A au niveau j correspond la moyenne des
rponses lorsque le facteur A est au niveau j soustrait de la moyenne M.

- Effet d'une interaction : l'effet de l'interaction IAijAkl entre le facteur Ai au niveau j
et le facteur Ak au niveau l est donn par la moyenne des rponses lorsque Ai est au
niveau j et Ak est au niveau l laquelle on soustrait l'effet EAij, l'effet EAkl et la
moyenne M.

- Graphe des effets des facteurs : il s'agit d'une manire commode de reprsenter
l'volution de la rponse en fonction des niveaux des diffrents facteurs. Il consiste
tracer, pour chaque facteur, la moyenne des rponses obtenues lorsqu'il prend ses
diffrents niveaux. L'exemple de la Figure 4 correspond un facteur A1 trois
niveaux, un facteur A2 deux niveaux et un facteur A3 quatre niveaux.

Figure. 13 Graphe des effets des facteurs
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


31

- Graphe des effets des interactions : il est construit sur le mme principe que le
graphe des effets des facteurs, ceci prs que l'on trace plusieurs courbes par facteur,
correspondant aux effets moyens calculs selon le niveau d'un autre facteur. Des
courbes confondues traduisent une interaction nulle ; des courbes trs diffrentes
traduisent une interaction forte. La Figure 5 donne des exemples d'interactions entre
deux facteurs deux niveaux.

Figure. 14 Graphe des effets des interactions [MELLA P. 2009]
- AMDEC (Analyse des Modes de Dfaillance leurs Effets et leurs Criticits)
LAMDEC est une mthode utilise comme technique dvaluation de fiabilit afin de
dterminer les effets des dfaillances de systme. Cette mthode permet de prvenir les
dfaillances potentielles dun produit dun processus de fabrication ou dune organisation.
Elle sappuie sur une analyse mthodique des risques potentiels qui permet de les hirarchiser
afin de traiter les plus importants de manire prventive. LAMDEC permet dobtenir la
qualit par une action prventive.
Cet outil a pour objectif de dtecter les dfaillances dun produit, dfinir les actions
entreprendre pour liminer ces dfaillances, rduire leurs effets et pour en empcher ou en
dtecter les causes et documenter le processus du dveloppement [GOGUE F. 1991].
Parmi plusieurs types dAMDEC les plus utiliss sont:
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


32


Figure. 15 Les types dAMDEC
Exemple numrique:
En gnral on utilise des grilles d'valuations adaptes au problme tudier. Souvent on
utilise une notation allant de 1 10 (il ne faut jamais coter zro). Cependant l'exprience peut
amener certaines entreprises utiliser une notation de 1 5.

Tableau. 4 Matrice de lAMDEC [WIKIPEDIA 2009 b]
- Lanalyse de la valeur
La norme NF X 50-152 donne la dfinition suivante:
Mthode de comptitivit organise et crative, visant la satisfaction du besoin de
lutilisateur par une dmarche la fois fonctionnelle, conomique et pluridisciplinaire.
Cette mthode permet de concevoir un produit parfaitement adapt aux besoins de son
utilisateur et ce, moindre cot.
Lanalyse de la valeur est largement dveloppe dans les organismes qui sont fortement elle
est utilise ds la conception dun produit qui peut tre un produit existant ou nouveau, un
processus ou un service.
- Lanalyse fonctionnelle

Selon la norme NF X 50-150, lanalyse fonctionnelle consiste rechercher, ordonner,
caractriser et hirarchiser les fonctions dun produit. Il sagit dexprimer le besoin en termes
AMDEC Produit Assurer la fiabilit dun produit en amliorant les
oprations de celui-ci.
AMDEC
Processus
Assurer la qualit dun produit en amliorant les
oprations de production de celui-ci.
AMDEC Machine
Assurer la disponibilit et la scurit dun moyen de
production en amliorant la conception,
lexploitation ou la maintenance de celui-ci.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


33

de fonctions pour tablir un cahier des charges fonctionnel : donne dentre de la conception.
Les donnes dentres sont le cahier des charges marketing ou STB (Spcification Technique
du Besoin), expression des besoins du client. La donne de sortie sera le CdCF (Cahier des
Charges Fonctionnel).
Exemple numrique:
Il sagit dtudier lanalyse fonctionnelle du produit Logement,

Figure. 16 Diagramme pieuvre
Le tableau fonctionnel est comme suit:
Tableau. 5 Tableau fonctionnel [SEVERIN P. 2009]




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


34

2.4 Les outils de la MSP
La MSP (Matrise Statistique du Procd) appele aussi SPC (Statistical Process Control)
runit un ensemble de mthodes permettant de surveiller et damliorer un processus de
production de point de vue statistique.
La MSP constitue la mthode la plus adquate pour le suivi dun processus de production
complexe; elle est dfini comme un ensemble dactions permettant dvaluer, de rgler et de
maintenir un processus de production en tat de fabriquer tous ses produits conformes aux
spcifications retenues, avec des caractristiques stables dans le temps [AZZABI. L et al
2008 b].
De plus la matrise statistique du Procd (MSP) est une mthode qui permet de contrler et
damliorer la qualit dun produit ou dun processus grce une analyse statistique. Le
contrle, qui porte sur des paramtres prdfinis dun produit ou dun processus, seffectue au
cours de son laboration ; il permet ainsi danticiper en intervenant sur le procd avant que le
dfaut ne se produise. La MSP fait voluer le contrle dune mthode a posteriori (contrle du
produit fini) une mthode danticipation (contrle en cours dlaboration) [ANAES 2000].
Ses objectifs sont:
- analyser le procd et identifier les paramtres suivre par les plans dexpriences,
- stabiliser le procd,
- rduire la variation du procd,
- obtenir un produit ou un processus conformes des exigences prdfinies.
Cest une excellente mthode scientifique danalyse des donnes, son rle est de contribuer
Aussi, la MSP a pass par trois phases essentielles telle que:
- Les volutions conceptuelles concernent principalement la notion de conformit du produit
qui tait largement fonde sur le simple respect des tolrances, elle est plus lie dsormais au
centrage sur la cible.
- Les volutions mthodologiques concernent tous les aspects de la MSP, avec lapplication
de nouvelles cartes de contrle, les volutions sur les calculs des capacits interne et externe
de lentreprise; elle permet dassurer une qualit optimum par lutilisation de loutil statistique
en donnant les moyens aux oprateurs de raliser une production centre de dispersion la plus
faible possible [AZZABI. L et al 2008 b].
Daprs [PILLET. M 2002] La MSP reprsente une des marches importantes permettant
damliorer de faon importante la qualit et la fiabilit des produits par une plus grande
matrise des procds .
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


35

La MSP vise lamlioration de la qualit dun produit ou dun processus en sappuyant sur
une analyse statistique. Les dispersions dans un procd sont dues deux types de causes :
[ANAES 2000]
- Les causes communes sont les nombreuses sources de variations dues au hasard. Les
statistiques permettent de les modliser et elles sont reprsentes par une courbe de Gauss.
Exemples de causes communes :
jeux dans la chane cinmatique de la machine ;
dfaut de la broche de la machine.
- Les causes spciales sont les causes de dispersion identifiables, irrgulires, instables et
difficiles prvoir. Lapparition dune cause spciale ncessite une intervention sur le
processus ; les causes spciales sont peu nombreuses. La MSP prvient leur apparition. La
dispersion sera visualise en temps rel sur une carte de contrle, ce qui permettra une
intervention rapide de loprateur ds quune drive provoque par une cause spciale sera
mise en vidence.
Exemple de causes spciales :
drglage d'un outil ;
usure d'un outil ;
mauvaise lubrification.

Figure. 17 les causes communes et les causes spciales



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


36



Figure. 18 Dmarche gnrale de la M.S.P [ANAES 2000]
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


37

A la base de ces techniques, on trouve les cartes de contrle du Shewhart qui sont lorigine
de la thorie des variations. Plus gnralement, le but de la MSP est de surveiller lvolution
temporelle dun processus et de dtecter les changements qui peuvent affecter ses
performances. La MSP est fonde sur le concept de ltat stable. Il est indispensable de bien
connatre ce concept pour utiliser correctement la mthode. Un systme stable est un systme
qui a les performances prvisibles. Au contraire un systme instable est absolument
imprvisible. Le jugement sur la stabilit entrane deux approches diffrentes et
complmentaires [LA JAUNE ET LA ROUGE 2001]:
- Systme instable : Stratgie daction intensive pour identifier le plus tt possible les
causes dinstabilit, puis les liminer autant que possible, ou au moins y remdier.
- Systme stable : Stratgie de veille pour dtecter des signes ventuels dinstabilit. Il
est possible galement dans un tel systme de dplacer la moyenne et de diminuer la
variabilit, pour des raisons conomiques. Des problmes existent aussi bien dans un
systme stable que dans un systme instable, mais dans le premier cas ils sont
imputables au systme lui-mme, alors que dans le second ils sont imputables des
vnements particuliers.
Dans ce contexte, la MSP est considr le plus souvent comme un ensemble des outils : carte
de contrle, capabilit; [STOUBOS Z. 2002], [PHILLIPS A. et al 1997] et [TIPLICA T.
et al 2002] ... La notion de MSP na pas eu toujours de significations claires pour les
ingnieurs de diffrents domaines : lectronique, automatique, mcanique. Ils associent
souvent la notion de la MSP avec le contrle prdictif, avec le contrle adaptatif ou avec le
contrle proportionnel- intgral driv [TIPLICA T. et al 2002].
2.4.1 Les 5 M du processus
Tous les processus, quels quils soient, sont incapables de produire toujours exactement le
mme produit. Cela tous les oprateurs le savent bien et cest dailleurs un des problmes
principaux auxquels les rgleurs sont confronts tous les jours [PILLET M. 2005].
Quelle que soit la machine tudie, la caractristique observe, on note toujours une
dispersion dans la rpartition de la caractristique [PILLET M. 2005].
Cette variabilit est incontournable et il faut tre capable de vivre avec . Ces variations
proviennent de l'ensemble du processus de production. L'analyse des processus de fabrication
permet de dissocier 5 lments lmentaires qui contribuent crer cette dispersion. On
dsigne gnralement par les 5 M ces 5 causes fondamentales responsables de dispersion, et
donc de non-qualit : [PILLET M. 2005]
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


38

La mthode MSP a pour objectif la matrise des processus en partant de lanalyse de ces 5 M.
Elle apporte une plus grande rigueur et des outils mthodologiques qui vont aider les
oprateurs et la matrise dans leur tche damlioration de la qualit.
2.4.2 Les cartes de contrle
Aujourdhui, les cartes de contrle classiques sont utilises dans plusieurs applications en
temps rel . Lutilisation dune carte de contrle repose sur lchantillonnage dun
processus qui volue dans le temps. Il faut tablir la variable mesure, la taille dchantillon,
lintervalle entre deux prlvements successifs et les rgles de dcision appliques. [PAGES
E. 1954] et [ROBERTS S. 1959] ont dvelopp des cartes de contrle CUSUM (Cumulative
Sum) et EWMA (Exponentially Weighted Moving Average) plus performantes pour dtecter
des drglages de faible amplitude dans le cas uni vari (le contrle seffectue pour une seule
dimension). La plupart des systmes actuels sont caractriss par des ensembles de variables
corrles ou non dans le cas multi vari (le contrle seffectue pour plusieurs dimensions la
fois) et pour ces systmes ont t dvelopps des procdures de contrle bases sur la
statistique T
2
de Hotteling et lanalyse en composante principale. [TIPLICA T. et al 2001] a
prsent une tude comparative de ces diffrentes techniques dans le cas de processus multi
vari.
La carte de contrle est lun des outils de base utilis pour la matrise statistique des procds.
Cest une reprsentation graphique constitue dune suite dimage de la production. Elle
permet de visualiser la variabilit du procd en distinguant les causes alatoires des causes
assignables [DUCLOS E. et al 1997].
Une carte de contrle est un graphique reprsentant des images successives de la production,
prises une certaine frquence de prlvement , partir dchantillons prlevs sur la
production. On reporte sur le ou les graphiques de la carte les diffrents calculs effectus sur
les chantillons (moyenne, cart-type, tendue, nombre, pourcentage, ...). De ce fait on peut
citer une multitude des types des cartes de contrle qui diffres selon les caractristiques
mesurer ou contrler, on peut citer : [AYADI. D et al 2008 a]
Cest loutil statistique qui permet de suivre les fluctuations dune caractristique mesurable
ou dnombrable et den diagnostiquer les situations non matrises. Cest un outil de qualit
de rfrence normative dans les normes ISO.



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


39

- Les cartes de contrle aux mesures
comprend deux graphiques, un pour suivre la tendance centrale, lautre pour suivre la
dispersion du procd,
- Les cartes de contrle par mesure (
X R
): Ces cartes sont utilises pour une tude
rtrospective, c'est--dire pour analyser des donnes rassembles prcdemment, leurs lignes
centrales et leurs limites de contrle sont calculs partir destimation des paramtres de la
caractristique de suivie, ces cartes sont appeles cartes de contrles pour la matrise ou cartes
de contrle dtendue initiale [JAUPI L. 2002].
-La carte de contrle moyenne
X
:
La carte de contrle moyenne est utilise pour dtecter la prsence des causes spciales qui
affectent la tendance centrale du processus, elle permet de montrer les variations de la
moyenne des chantillons. La moyenne ainsi que les limites de contrle sont calcules comme
suit:

i
i
X
X
n
=


LC=
1 2 ...... m X X X
m
+ +

LIC=
2
X R
A

LSC=
2
X R
A
+
Avec : n = taille de lchantillon;
m = nombre de lchantillon;
A
2
= dpend uniquement de la taille de lchantillon;
R = ltendue.
La rgle de dcision : si tous les points
i
X
sont lintrieur des limites de contrles, le
processus est dclar stable, dans le cas contraire, le processus est dclar instable [JAUPI L.
2002].


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


40

Exemple numrique:
Lobjectif du contrle du produit fini bidon relax 4l est de dterminer ladquation des
produits de lchantillon selon la caractristique poids, et linstrument utilis pour le contrle
du caractristique poids est la balance; Lchantillon pris comprend 25 prlvement, pour
chacun de ces exemplaires on a pris 5 mesures pour un dlai de contrle 30mn, les rsultats
des suivis sont dans la cartes qui suit:

Figure. 19 Carte de contrle X [AYADI. D et al 2008 c]

-La carte de contrle tendue R:
La carte de contrle de ltendue est utilise pour dtecter toute cause assignable qui affecte la
variabilit du processus puisquelle met en vidence les variations de ltendue des
chantillons. La moyenne ainsi que les limites de contrle sont calcules comme suit :
max min i
R X X =
LC=
1 2
.....
m
R R R
m
+ + +

LIC=
3
D R
LSC=
4
D R
Avec: D
3
et D
4
qui dpendent uniquement de la taille de lchantillon;
La rgle de dcision : si tous les points Ri sont lintrieur des limites de contrles, le
processus est dclar matris, sinon le processus est dclar non matris [JAUPI L. 2002].
Exemple
La cartographie de lchantillon dcrit dans la section La carte de contrle moyenne
X

selon ltendue est schmatise dans la carte R comme suit:
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


41


Figure. 20 Carte de contrle R [AYADI. D et al 2008]
Elles sont utilises pour plusieurs raisons:
Leurs champs dapplication: la majorit des procds et leur production ont des
caractristiques mesurables. Le champ dapplication de la carte par variable est donc trs
large et adaptable sous diffrentes formes des procds de nature trs diffrentes, de la
production en srie aux procds continus.
La richesse de linformation: une valeur mesure (le diamtre est de 4,2 mm) apporte plus
dinformations quun seul contrle au gabarit (le diamtre est bon). On peut ainsi suivre
lvolution dune caractristique dans le temps et avoir une action prventive sans que la
drive ne cre des non conformits [AYADI. D et al 2008].
Un cot plus faible : gnralement elle est moins coteuse car lobservation de la conformit
et de la non conformit du produit, pour tre fiable, exige le contrle dun grand nombre de
pices.
Une raction plus rapide : le nombre de mesures tant faible (se limite en gnral 5
mesures) le temps de raction pour prendre une mesure corrective ou prventive peut tre
raccourci. Ainsi le pilote a un retour dinformations immdiat sur la performance de son
procd et peut donc ragir en temps rel et constater limpact de la mesure corrective ou
prventive quil aura prise.
Enfin, elle favorise lamlioration continue: avec des donnes mesures, la performance du
procd peut tre value et analyse, mme si toutes les valeurs sont dans les spcifications
du client.
Cest un atout important pour promouvoir une dynamique damlioration continue. Le pilote
du procd ne travaille plus uniquement pour faire un produit bon au regard des
spcifications mais surtout pour raliser la production la moins disperse qui soit, compte tenu
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


42

de la capabilit de son procd. Il gre un potentiel qui est la performance du procd dont il
doit maximiser limpact.
- Les cartes de contrle aux attributs :
Pour des donnes de type attribut, telles que BON/MAUVAIS, les cartes les plus utilises
affichent des taux ou des proportions. Lorsque les tailles des chantillons varient, les limites
de contrle dpendent de ces tailles.
-La carte de contrle p :
Les tapes suivre sont:
-constitution des chantillons,
-choix de la taille de lchantillon (de 50 200),
-frquence dchantillonnage : doit permettre un suivi raliste par rapport aux mesures
correctives apporter,
-nombre dchantillon : 20 30,
-calcul des proportions (%).
Avec: p = proportion darticles non conformes : Nombre de non conformes / Taille de
lchantillon
n = nombre darticles contrls dans un chantillon ou sous-groupe
np = le nombre de non-conformes
k = le nombre dchantillon
= la proportion moyenne de non-conformes qui dfinie la ligne moyenne

Les limites sont calcules de la faon suivante : [JAUPI L. 2002]
Calcul des limites:




LC=




Exemple numrique:
Il sagit dtudier la conformit du produit pharmaceutique, le calcul des cartes de contrle est
comme suit:
n
p p
p LSC
) 1 (
3

+ =
n
p p
p LIC
) 1 (
3

=
p
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


43

LSC=0.13
LC=0.06
LIC=0

Figure. 21 Carte de contrle P
-La carte de contrle np:
La carte p permet le suivi de la proportion d'units non conformes ; la carte np permet le suivi
du nombre d'units non conformes. Cette carte est une carte de Shewhart : les limites de
contrle sont situes trois carts types. Pour cette carte, les chantillons doivent tous tre de
mme taille. Comme pour la carte p, la carte np ncessite de prlever des chantillons de
grande taille (quelques centaines d'objets) [JAUPI L. 2002].
Le nombre d'units non conforme est np. C'est le produit de la taille des chantillons : n, avec
la proportion d'units non conformes : p.
On suppose que le nombre thorique d'units non conformes dans les chantillons de n units
est : np.
On pose q = 1 - p. Les paramtres de la carte de phase II sont alors : [JAUPI L. 2002]



Si la valeur LSC calcule ci-dessus est ngative, elle est remplace par 0 pour la construction
de la carte. Sur la carte de contrle, on porte la ligne centrale, les limites de contrle et les
points Mi de coordonnes (i; ni), ni tant le nombre d'units non conformes dans l'chantillon i.
Si tous les points Mi sont situs entre les limites de contrle, le processus est dclar matris ;
dans le cas contraire, le processus est dclar non matris.


npq np LIC 3 =
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


44

-La carte de contrle c:
La carte c est la carte utilise pour le suivi du nombre de non conformits, de dfauts, par
unit de contrle. Cette carte est assez basique puisque l'on ne distingue pas les dfauts et que
l'on considre qu'ils ont tous la mme importance. En principe, on estime que la variable
alatoire C qui associe chaque unit de contrle le nombre de non conformits par unit de
contrle, suit une loi de Poisson. On rappelle qu'alors la moyenne et la variance de C sont
gales. La carte C est une carte de Shewhart.
Soit c le nombre moyen de non conformit par unit de contrle. Ce nombre c est le
paramtre de la loi de Poisson suivie par la variable alatoire C. Les paramtres de la carte c
de phase II sont :



On prlve un certain nombre d'units de contrle. Ces units de contrles sont des
chantillons tous de mme taille. Si le calcul de LIC donne un rsultat ngatif, ce rsultat est
remplac par 0. Sur la carte de contrle, on porte la ligne centrale, les limites de contrle et les
points Mi de coordonnes (i; ci), ci tant le nombre de dfauts de l'unit de contrle i. Si tous
les points Mi sont situs entre les limites de contrle, le processus est dclar matris ; dans
le cas contraire, le processus est dclar non matriser [JAUPI L. 2002].
-La carte de contrle u:
La carte u est semblable la carte c. Dans la carte u on ne suit pas le nombre de non
conformits par unit de contrle, mais le taux de non conformits par unit de contrle. Les
units de contrle : les chantillons d'units de production, peuvent tre de taille variable,
mais dans ce cas, les limites de contrle dpendent, pour chaque unit de contrle, de la taille
de l'unit de contrle.
On suppose que le taux de dfauts par units de contrle est u. Les limites de la carte u sont
alors :





c c LIC 3 =
i
n
u
u LIC 3 =
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


45

O est la taille de l'unit de contrle i. Si le calcul de LIC donne un rsultat ngatif, on
pose
LIC = 0. On prlve un certain nombre d'units de contrle. Ces units de contrles sont des
chantillons dont la taille peut varier. Sur la carte de contrle, on porte la ligne centrale, les
limites de contrle et les points de coordonnes (i; ), = tant le taux de dfauts de
l'unit de contrle i. Si tous les points Mi sont situs entre les limites de contrle, le processus
est dclar matris ; dans le cas contraire, le processus est dclar non matriser [JAUPI L.
2002].
-La carte de contrle D:
La carte de contrle D est une carte de contrle des dmrites. C'est un raffinement de la
carte C. Dans le cadre d'une carte D, les dfauts sont classs par type, en fonction de leur
gravit. chaque classe de dfaut est associ un poids : la valeur du dmrite, d'autant plus
important que le dfaut est majeure.
Notons C1, C2, , Ck les classes de dfauts et w1,w2, ..., wk leurs poids respectifs.
On fixe le nombre n d'units lmentaires dans chaque unit de contrle (la taille des
chantillons).
Pour chaque nombre n d'units lmentaires dans les chantillons, on fixe l'indice dmrite D
par :


O ci est le nombre moyen de dfauts de classe Ci dans les chantillons de taille n. Notons que
si n = 1, alors ci est le nombre de dfauts de classe Ci par unit produite.
Les paramtres de la carte D sont :



Si < 0, on pose = 0. On prlve m units de contrle (m chantillons de taille n).
On calcule, pour chaque unit de contrle, son nombre dmrite :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


46



O est le nombre de dfauts de classe i dans l'unit de contrle j. On trace sur la carte D la
ligne centrale et les limites de contrle. On porte sur cette carte les points de coordonnes
(j; ), j allant de 1 m. La rgle de dcision est identique celle des autres cartes de
contrle. Ainsi les avantages des cartes de contrle par attributs sont souvent les premires
cartes implantes dans les entreprises car elles offrent des avantages facilitant leur mise en
uvre et les rendant immdiatement oprationnelles. Ainsi, les donnes ncessaires
ltablissement de ces cartes sont :
- pratiquement identifiables pour tout procd,
- souvent dj disponibles,
- rapides et simples obtenir,
- frquemment utilises dans les rapports de production,
- efficaces pour dfinir les zones prioritaires pour les amliorations,
- faciles comprendre sous forme de carte de contrle.
En effet, la mesure de la conformit est le plus souvent le rsultat de lexpression dun
jugement. Or ce jugement peut varier dune personne lautre, et pour une mme personne
varier dans le temps [JAUPI L. 2002].
- Les cartes de contrle spcifiques :
Les cartes de contrle spcifiques sont essentiellement utilises lorsque les caractristiques du
processus que lon cherche matriser prsentent des drglages de petites tailles et qui ne
peuvent pas tre dtects par les cartes de contrle aux mesures ou aux attributs. Ces cartes
spcifiques englobent les types suivants:
- La carte de contrles moyennes mobiles (MA) :
La carte de contrle moyennes mobile (MA) est plus efficace que la carte de contrle de
Shewhart pour la dtection des petits drglages de processus. Elle est simple mettre en
place et exploiter. Supposons que la caractristique de qualit suivie est et que
lon prlve des chantillons de taille constante n. Soient les moyennes
respectives des chantillons prlevs. La moyenne mobile de dure b linstant t, note ,
est dfinie par:
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


47


Avec ; b : horizon, ordre ou amplitude de la moyenne mobile.
Les limites de contrle de la carte MA dordre b sont donnes par :
LC = x 3
nb
o
pour 1 t b s >
LC = x 3
nb
o
pour t b >
Exemple numrique:
Nous proposons dappliquer la carte de contrle moyenne mobile (MA) pour la dtection des
petits drglages de processus de contrle de produit fini bidon.
LSC = 201.76
LC = 199.93
LIC = 197.50

Figure. 22 Carte de contrle MA [AYADI. D et al 2008]


- La carte de contrles moyennes mobiles avec pondration exponentielle (EWMA)
La carte EWMA reprsente les initiales dExponentially Weighted Moving Average qui peut
se traduire par moyenne mobile pondration exponentielle. Ces cartes sont trs adaptes
dans les cas suivants:
- dtection de petits carts par rapport la cible;
- suivi des valeurs individuelles.
La carte EWMA est base sur la statistique est une moyenne pondre quoi exploite tout
le pass du processus.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


48

Les limites de contrle de la carte EWMA sont variables. Pour la priode initiale de la mise
en service dune carte EWMA, c'est--dire pour de petites valeurs de t, elles sont donnes
par [AYADI. D et al 2008]:


Pour de grandes valeurs de t, en exploitant lquation (a) on obtient:

Exemple numrique:
Nous proposons dappliquer la carte de contrles moyens mobiles avec pondration
exponentielle (EWMA) pour la dtection des petits drglages de processus de contrle de
produit fini bidon. Le but quon veut atteindre cest la dtection de petits carts par rapport
la cible et le suivi des valeurs individuelles.
LSC=22.24
LC=21.50
LIC=20.75

Figure. 23 Carte de contrle EWMA [AYADI. D et al 2008]
- Les cartes de contrle multidimensionnel:
La carte de contrle multidimensionnel est un graphique utilis pour le contrle de plusieurs
caractristiques de la qualit [FEY R. et al 1981].
- La carte de contrle multimodale T
2

Soit un vecteur de dimension p o chaque composante reprsente une caractristique
Produit/processus [JAUPI L. 2002].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


49

Nous ferons lhypothse que la connaissance disponible sur lhistorique du processus se limite
M modes de fonctionnement :
Etat sous contrle statistique : fonctionnement normal (pas danomalie): tat 0,
Etats hors contrle : type danomalie 1: tat , type danomalie 2: tat
Par rapport chaque tat , on dfinit une statistique :[AYADI. D et al 2008]
O:

i
et dsignent respectivement le vecteur moyenne et la matrice de covariance estims sur
un ensemble de donnes historiques de taille n caractrisant ltat du processus .
Exemple numrique:
Il sagit de donnes extraites de mesures concernant un racteur chimique pilote, en phase
dtude, donnes quil nest pas possible de dtailler pour des raisons de confidentialits.
Lchantillon de contrle est compos de 4 groupes de variables Hydro, qui ont
particulirement intress les responsables du groupe. Le graphique de la carte T2 est comme
suit:



Figure. 24 Carte de contrle T2 [MICHEAUX DL. 2000]

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


50

2.4.3 I nterprtation des cartes de contrle
Les cartes de contrle reclent des informations qui peuvent aider la prise dactions
correctives.
- Modle normal

Figure. 25 Reprsentation graphique dun Modle normal
Dans cette carte de contrle, les points sont distribus de faon peu prs symtrique de part
et dautre de la tendance centrale. Aucun point nest en dehors des limites et il ny a pas de
successions de points qui pourraient indiquer la prsence de causes assignables.
- Prsence de causes assignables

Figure. 26 Reprsentation graphique dun Modle contient des causes assignables
Sur cette carte de contrle est reprsent un point en dehors des limites. Dans le cas dune
carte tendue ou cart-type, il peut par exemple traduire une dispersion trop importante.

Figure. 27 Reprsentation graphique dun Modle contient une srie de 8 points
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


51

La srie de 8 points au-dessus de la moyenne, indique quil existe une grande tendance dans le
procd de fabrication et quil y a l aussi une variabilit qui nest pas normale.
A linverse de la carte prcdente, tous les points sont regroups sur la tendance centrale. La
variabilit normale du procd nest pas montre, et cette disposition des points souligne que
les limites doivent tre recalcules.

Figure 28 Reprsentation graphique dun Modle contient une tendance
centrale
Cette carte souligne des tendances rgulires dune succession de grands nombres de points
crotre vers le haut. La tendance gnrale montre le dpassement des limites de contrle.

Figure. 29 Reprsentation graphique dun Modle contient la prsence de cycles
de points au voisinage des limites suprieure et infrieure
Cette carte indique la prsence de cycles de points au voisinage des limites suprieure et
infrieure, de faon presque rgulire. Il doit donc sagir dune cause assignable.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


52


Tableau. 6 Les rgles de pilotages des cartes de contrles [PILLET M. 2005]
2.4.4 Courbe defficacit des cartes de contrle
Les risques lis lutilisation des cartes de contrle sont de deux sortes :
- conclure quil y a un drglage alors quil nen est rien,
- poursuivre une fabrication alors quun drglage sest produit.
Par dfinition des limites de contrle, le premier risque est gal 0.2%. Il est assimiler au
risque du fournisseur dans le contrle de rception.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


53

Le second risque correspond au cas o une cause assignable est intervenue mais na pas
suffisamment marqu la statistique calcule sur lchantillon pour que le premier point inscrit
aprs un drglage se trouve en dehors des limites de contrle. Il y a poursuite dune fabrique
drgle.
Ces risques peuvent tre prciss en utilisant la courbe defficacit. Si p est la probabilit de
ne pas dtecter un drglage d. p dcrot lorsque d crot. Ce drglage peut porter sur la
moyenne ou la dispersion, ou encore correspondre une augmentation de la proportion de
dfectueux. La courbe prcise lefficacit du contrle : plus la dcroissance de la courbe est
rapide, plus le contrle est efficace, comme le montre le modle suivant :

Figure. 30 Courbe defficacit [BAVENT P. 2001]
-Efficacit des cartes de contrle de la moyenne :
Lefficacit des cartes de contrle de la moyenne est dfinie par le dcalage de la moyenne
mexprime en nombre dcart-type.
-Efficacit des cartes de contrle de lcart-type:
Le drglage est dfini par le paramtre r qui correspond une augmentation de lcart-type

-Efficacit des cartes de contrle aux attributs:
Lefficacit des cartes de contrle aux attributs se dfinit en fonction du nombre de dfauts
par units de contrle ou par la proportion de dfectueux.
Dune faon gnrale, les cartes de contrle aux mesures permettent une meilleure
surveillance du fonctionnement du procd que les cartes de contrle aux attributs, qui ne
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


54

sattachent qu la qualit du produit a posteriori. On retiendra que seules les cartes de
contrle aux mesures permettent de faire de la prvention, surtout si elles prsentent la
variation des paramtres influents du procd.
Quant lamlioration du procd, mesure par le resserrement de la dispersion et des limites
de contrle, cest une tche permanente extrmement valorisante pour le personnel. Il faut
toutefois souligner quelle rencontre des limites technologiques inhrentes au procd lui-
mme : on ne peut amliorer indfiniment le procd. Il arrive un moment o lamlioration
ne peut sobtenir que par linvestissement dans un procd nouveau.
2.4.5 La capabilit du processus
Les indices daptitude ou indices de capabilit dun processus de fabrication permettent de
sassurer de la qualit des produits, mais galement de leur processus de fabrication.
La capabilit est la mesure tablissant le rapport entre la performance relle d'une machine
(ou procds) et la performance demande. Une capabilit s'exprime par un chiffre.
Elle permet de mesurer la capacit d'une machine ou d'un procd raliser des pices dans
l'intervalle de tolrance fix par le cahier des charges. Le fait d'utiliser un chiffre pour
caractriser la capabilite est fondamental. [PILLET M. 2005]

Figure. 31 Les situations de la capabilit du processus [PILLET M. 2005]

-Cp, Cpk:
Les calculs de ces indices sont faits sur une srie de pices produites dans la continuit, et
sans changer de rglage. Cet indicateur tend a ne plus tre utilis car il ne reflte pas la ralit
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


55

des pices produites en srie contrles par chantillon, il reflte une capabilite a un instant
donn. Cp, Cpk capabilit procd, ces deux indices, calculs partir des rsultats ports sur
une carte de contrle permettent de vrifier la capabilit intrinsque du procd sans tenir
compte des causes assignables ventuelles.
Les indices Cp et Cpk ne sont reprsentatifs de la qualit livre que si le procd est stable en
moyenne et en dispersion (sous contrle - absence de causes assignables).
- Cp
Cet indicateur compare la performance attendue du procd (l'intervalle de tolrance) et la
performance obtenue sur celui-ci (la dispersion).

Figure. 32 La figure indices Cp [PILLET M. 2005]
Dans une premire approche, un procd sera dit capable si l'intervalle de tolrance est plus
grand que la dispersion alatoire du procd, c'est--dire lorsque le Cp est suprieur 1. La
figure montre deux situations extrmes, la premire correspond un procd non capable car
la dispersion est plus importante que l'intervalle de tolrance, dans la seconde, la dispersion
est faible au regard de l'intervalle de tolrance, le procd est donc capable Cependant, une
capabilit telle que Cp = 1 s'avre tre insuffisante, et le minimum de capabilit exig
aujourd'hui est de 1,33 voie 1.67 pour certains constructeurs automobiles (PSA, Ford )
[PILLET M . 2005].
Une capabilit de 1,33 correspond une marge de 1 cart-type de chaque ct de la
dispersion.
Prcisons que la dispersion alatoire est dfinie comme tant gale six fois l'cart-type de la
dispersion du procd, c'est--dire l'intervalle contenant 99,7% des pices fabriques. La
dispersion utilise pour le calcul de la capabilit Cp est la dispersion globale du procd. En
effet, la mesure de la capabilit du procd doit traduire la capabilit fabriquer des pices
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


56

sur le long terme. Il faut donc en tenir compte dans le calcul de la dispersion globale de
l'ensemble des influences qui peuvent perturber le procd pendant le temps de production.
Cette dispersion est constitue des dispersions court terme (dispersions dues la machine),
et des dispersions conscutives aux variations de consignes (drglages) incontournables sur
le long terme. Le calcul du Cp sera donc ralis partir d'un chantillon reprsentatif de
l'ensemble d'une production. Ainsi, le Cp calcule donnera une bonne indication de la qualit
de la production livre au client.
Indicateur de drglage Cpk, nous venons de voir qu'une des conditions pour qu'un procd
soit capable est que l'indicateur Cp soit suprieur a 1,33.
Cette condition est-elle suffisante ?
Dans la figure ci dessous, les deux situations ont un Cp suprieur 1,33, et pourtant, lorsque
la production est dcentre, il existe des pices hors tolrance. L'indicateur Cp est donc
insuffisant, et il faut mettre en place un autre indicateur Cpk, qui tiendra compte du drglage
du procd.
Ainsi, le Cp donnera la capabilit intrinsque du procd, et le Cpk la capabilit relle.

Figure. 33 La figure indices Cpk [PILLET M .2005]
-cpm capabilit machine
Le Cpm est de capabilit machine critre de TAGUCHI. C'est un indice unique qui prend en
compte les concepts de la fonction perte de qualit de Genichi Taguchi. Il tient compte la
fois, du centrage de la dispersion et de l'cart de moyenne par rapport a la cible.
La capabilit machine selon le critre de TAGUCHI est encore peu utilise, elle est dcrite
dans le manuel SPC de Ford, GM et Chrysler dition 1995.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


57

Elle prend simultanment en compte les carts par rapport la valeur cible et la dispersion par
rapport la moyenne des rsultats. Elle exploite la notion de qualit de Taguchi.
Cpm se calcule partir de l'cart type dtermin par la formule : [PILLET M. 2005]


2.4.6 Processus sous contrle et hors contrle
Un processus sous contrle est un processus dans lequel seules subsistent les causes
communes. La rpartition de la production suit alors une courbe en cloche et elle est centre
sur la cible.
Un processus hors contrle est soumis la prsence de causes spciales. Le rsultat de la
production ne suit donc pas ncessairement une courbe en cloche et la production peut tre
dcentre par rapport la cible [PILLET M. 2005].



Figure. 34 processus sous contrle et processus hors contrle [PILLET M. 2005]










t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


58

3. Les mthodes damlioration de la
Qualit: Six Sigma
3.1Etude et comparaison des mthodes existantesAujourdhui,
une multitude de mthodes dapproche des problmes qualit pour lindustrie est disponible
sur le march et dans la littrature. On compte presque autant de mthodes que dentreprises !
Chacune se faonne un nom accrocheur et des particularits tant sur le dcoupage des tapes
que sur les outils utiliss. On retrouve cependant deux orientations majeures (qui peuvent tre
combines) :
Lanalyse statistique des donnes (ex : Six Sigma, G8D, Shainin) [ MAST J. 2004].
Le croisement des faits, de la connaissance et de la crativit (ex : Kepner Tregoe, G8D)
[KEPNER C. et al 1980]. Nous avons choisi dtudier quatre de ces mthodes : Six Sigma,
Shainin, G8D et Kepner Tregoe car dune part elles sont bien reprsentatives des deux
orientations voques ci-dessus et dautre part elles font parties des mthodes les plus
rpandues dans les industries.
Le dsormais clbre DMAIC [PIZDEK T. 2001] (Define, Measure, Analyse, Improve,
Control) de Six Sigma cr par Motorola est lapproche la plus statistique des quatre
mthodes tudies. Elle est centre sur la mesure et comprend une panoplie entire de tests
statistiques, de plans dexpriences, de cartes de contrle [PIZDEK T. 2001]. Shainin
propose un systme dont le dcoupage est similaire au DMAIC. Loriginalit de cette
mthode rside en larticulation doutils simples et conviviaux dvelopps ou repris par
Dorian Shainin pour faire parler les pices . La recherche de causes ne commence pas par
un brainstorming comme la plupart des autres mthodes mais par lutilisation doutils de
gnration dindices. [SHAININ R. 1993a]: La mthode Global 8D, galement trs rpandue,
est squence en huit phases. La liste des outils utiliser nest volontairement pas dfinie
comme exhaustive et dautres outils peuvent tre ajouts au besoin. Cette mthode est centre
sur la description du problme dans toutes ses dimensions (temporelle, gographique )
[BAUER-KURZ I. 2000].
Contrairement aux approches prcdemment dcrites, lapproche de Kepner et Tregoe
correspondante est constitue de deux mthodes distinctes : lanalyse de problme et lanalyse
de dcision. La premire part de la dfinition du problme jusqu la validation de la cause
relle, la seconde consiste choisir la solution implmenter. Cette approche est la moins
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


59

statistique des quatre, elle illustre parfaitement la deuxime des orientations voques ci-
dessus. [KEPNER C. et al 1980] Le tableau ci-dessous prsente les diffrentes mthodes
cites [AVRILLON L. et al 2002], [BAUER-KURZ I. 2000], [DE MAST J. 2004],
[HARRY N. et al 2000], [KEPNER C. et al 1980], [PILLET M. 2004], [PIZDEK T.
2001], [SHAININ R. 1993a], [SHAININ P. 1993b] La premire colonne reprend les
diffrentes phases, toutes mthodes confondues. Les tapes en italique correspondent des
supplments ajouts par certains auteurs par rapport la prsentation initiale des mthodes.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


60




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


61


Tableau. 7 Rapprochement des mthodes de rsolutions des problmes Six Sigma
[AVRILLON L. et al 2002]

Lanalyse de ce tableau nous montre que chacune des mthodes prsente des tapes et des
outils supplmentaires par rapport aux autres. Le DMAIC de Six Sigma propose par exemple
de nombreux outils pour analyser des donnes consquentes ou pour planifier au mieux des
essais. Lapproche de Kepner Tregoe permet quant elle dorienter la collecte de donnes.
Lutilisation de telle ou telle mthode va donc dpendre du type de problme ou du type du
contexte du problme rsoudre. Il ny a pas de mthode idale, universelle.
3.2 Dfinition de la mthode Six Sigma
- Quest-ce que Six Sigma?
Six Sigma est le systme de management qui se dveloppe le plus vite aujourdhui dans
lindustrie. Centr sur une puissante mthodologie de rsolution de problme et
doptimisation des processus, Six Sigma a permis dconomiser des millions de dinars dans
les socits qui ont appliqu la dmarche ces dix dernires annes [AZZABI L. et al 2007].
La puissance de Six Sigma vient de lapplication doutils statistiques dans le contexte dune
mthodologie structure et facile mettre en oeuvre. Ces outils, utiliss le plus souvent dans
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


62

un environnement oprationnel de production, s'appliquent galement tous les processus, y
compris administratifs.
Cette dmarche se dcline de plusieurs faons, Cest:
- une certaine philosophie de la qualit oriente vers la satisfaction totale du client.
-un indicateur de performance permettant de savoir o se situe lentreprise en matire de
qualit.
-une mthode de rsolution de problmes par limplication totale des hommes permettant de
rduire la variabilit sur les produits et services.
-une organisation des comptences et des responsabilits des hommes de lentreprise.
-un mode de management par la qualit qui sappuie fortement sur une gestion par projet.
-en dautres termes Six Sigma va au del de la simple dmarche de rsolution de problme
et devient une vritable stratgie pour lentreprise [AZZABI L. et al 2007].
La dfinition dune approche Six Sigma
Lapproche Six Sigma est une approche globale de lamlioration de la qualit des
produits et des services rendus aux clients. Partant de cette meilleure satisfaction des clients,
Six Sigma apporte un accroissement de la rentabilit lentreprise avec les effets cumul
suivants: [AZZABI L. et al 2008 a]
-une amlioration de la disponibilit des machines et des installations et par consquent une
optimisation dans leur utilisation,
-une rduction des dpenses suite une diminution des rebuts, retouches, des gaspillages et
dysfonctionnements et plus gnralement des cots de non qualit,
-de meilleures parts de march la suite la rduction des cots de lamlioration de la
qualit des produits et des services,
-une augmentation de la satisfaction des clients et une plus grande fidlisation par
lamlioration de la qualit.
3.3 Historique de la mthode Six Sigma
Six Sigma est non seulement une mthode, mais aussi un systme de management centr sur
une puissante mthodologie de rsolution de problme et doptimisation des processus.
Dveloppe par Mikel Harry chez Motorola au milieu des annes 80 [ROGER G. et al
2008], la mthodologie nest devenue bien connue quaprs que Jack Welch, le prsident de
General Electric, lait place au coeur de sa stratgie dentreprise en 1995. Depuis, de
nombreuses entreprises ont fait connatre leur attachement la dmarche Six Sigma" : IBM,
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


63

Texas Instrument, ABB, Ford Motor Company, Sony, DuPont, Nokia, etc [PANDE P. et al
2000] [SANDERS D. et al 2000]. La puissance de Six Sigma vient essentiellement de
lapplication doutils statistiques dans le contexte dune mthodologie structure et
relativement facile mettre en oeuvre. Ces outils, utiliss le plus souvent dans un
environnement oprationnel de production, s'appliquent galement tous les processus, y
compris administratifs.
3.4 Pourquoi le Six Sigma?
Tous les procds, quels que soit leur degr de prcision, sont incapables de produire toujours
exactement le mme produit. Il y aura toujours une petite variation entre les produits rputs
identiques, et ce sont ces variabilits qui conduisent la non qualit. Quelle que soit la
machine tudie et la caractristique observe, on note toujours une dispersion dans la
rpartition de la caractristique [AZZABI L. et al 2008 a].
Lorigine du 6 Sigma est, en statistiques, la lettre grecque sigma dsignant l'cart type ;
six sigma signifie donc six fois l'cart type .
Un processus industriel ou un service comprend un certain nombre de tches rptitives,
l'exemple le plus caricatural tant la production d'une pice en grande srie. Une pice ou un
service est conforme si elle respecte un certain nombre de critres, mais les pices ou
prestations ne sauraient tre strictement identiques. Une des proccupations majeures de la
gestion de la qualit est donc de matriser les conditions de production ou de prestation afin
qu'il y ait le moins de rebut, le moins d'insatisfaction possible.
Prenons le cas d'une pice mcanique dont la longueur nominale est L. La pice est utilisable
si la longueur est comprise entre L-L et L+L (L est la tolrance). Le processus de
production, lui, produit des pices dont la longueur varie, la longueur moyenne est L, et avec
un cart type (on suppose que cette longueur suit une loi normale). En gnral, le processus
est rgl afin que l'on ait = L/3 ; on crit en gnral plutt L = 3, mais c'est bien L qui
est une contrainte (la pice est utilisable ou pas), et qui est ajust (les machines sont plus ou
moins bien rgles). Ceci conduit un taux de rebut de 0,3 %, soit 3 000 pices au rebut pour
une production de un million de pices. Si l'on amliore le processus et que l'on diminue
jusqu' avoir L = 6, on aura un taux de rebut de 210
-9
,(0,000 000 2 %), soit deux pices au
rebut par milliard produit [QUALITE ONLINE 2007].

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


64


Figure. 35 La mthode Six Sigma
Six Sigma pourrait tre class parmi les mthodes de pilotage de type top-down [ECKES G.
2001], puisque cest la hirarchie qui initie et entretient la dmarche. Mais, sa mise en uvre
particulire fait que cette approche est en fait exploite et pilote par les services qualit,
habitus valuer les processus et leurs performances.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


65

Au del des principes de base que la dmarche met en avant (la ncessit de recourir la
mesure pour comprendre les phnomnes, celle de disposer de donnes pertinentes et
quantifies, celle de devoir sortir de la pense conventionnelle en changeant de questions pour
changer de rponses), la mthode Six Sigma est fonde sur deux grands principes :
[SAHOOA A. et al 2008]
- optimiser les rsultats et la performance par le management des processus ;
-la nouveaut, c'est que la mthode s'applique tous les processus de l'entreprise (faciliter la
prise de commande des clients, rduire le dlai de livraison, ...), et cela la simple condition
que le rsultat du processus considr puisse tre associ des donnes mesurables sur
lesquelles des analyses statistiques pourront tre menes ;
- rduire la variabilit des processus de manire faire diminuer les non-conformits et les
effets qu'ils induisent.
Pour Six Sigma, tous les processus ont de la variabilit et cette variabilit a un nombre rduit
de causes premires (20% des causes, 80% des effets). Identifier ces causes, c'est se donner la
possibilit de les contrler, et donc d'amliorer rapidement, de faon continue et importante,
les processus en liminant leur variabilit. L'objectif est d'amener six fois l'cart-type (ou
sigma) de la courbe de production du processus entre la limite basse et la limite haute de la
spcification client. Au final, c'est une apparition rduite 3,4 dfauts par millions
d'opportunits qui est vise. Pour y parvenir, la dmarche prconise de raliser les tapes
situes en amont de la matrise statistique des procds (les cartes de contrles qui servent
piloter le processus), avec en particulier, une dfinition prcise des paramtres cls du
processus et l'identification des activits amliorer. Le Six Sigma apporte ainsi une valeur
ajoute dans l'analyse, en passant de la dmarche classique de rsolution pratique, sans
caractrisation chiffre du problme, la recherche d'une solution dduite de l'analyse
statistique d'un chantillon [AZZABI L. et al 2008 b].
- lobjectif de Six Sigma est didentifier des processus mal cibls ou peu capables, les centrer
et rduire leur dispersion ; alors le but de Six Sigma est d'amliorer rapidement, de faon
continue et importante les processus en liminant ces variabilits. Cette mthodologie est
utilise pour amliorer les processus, les produits et les services, pour rduire les cots de
toutes sortes et amliorer la qualit ; l'objectif est simple : satisfaire le client en ayant des
processus sans dfaut avec des outils avancs de progrs et rduire la variabilit ; de plus, le
Six Sigma est un changement de culture positive et profonde avec des rsultats financiers
rels.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


66

- Six Sigma qui fait quoi :
- Le champion ou sponsor de lquipe :
-Le champion a de multiples responsabilits :
- participer la slection de lquipe ;
- dfinir son orientation stratgique (dfinir les projets, lobjectif atteindre, raison de
cration de lquipe,) ;
- fixer des objectifs aux Black Belts ;
- dcrire quoi peut mener le projet sil russit ;
- faciliter le dploiement de la philosophie Six Sigma.
-Le responsable de lquipe (Black Belt ou Green Belt) :
Le Black Belt est un responsable de la gestion tactique du travail de lquipe. Il prend comme
tche lorganisation et la direction des runions, il doit affirmer que chacun de lquipe
respecte le calendrier des tches tabli et guider lquipe dans lapplication de la mthode.
- Le conseil de lquipe (Master Black Belt )
Le Master Black Belt ou animateur Six Sigma a pour rle de piloter le groupe de travail, ce
rle peut prendre laspect ducatif travers les formations rapides quil peut les faire, si
ncessaire, en utilisant les outils Six Sigma afin daider lquipe rsoudre des problmes
techniques.
3.5 Les tapes de la mthode Six Sigma
La mise en oeuvre de cette mthode s'effectue au cours de projets trs encadrs et
judicieusement choisis. Tous ces projets sont mens partir de la ralisation de cinq tapes
DM-A-I-C: [ROGER G. et al 2008] sobtenir que par linvestissement dans un procd
nouveau.
3.5.1 Dfinir
Cette premire tape vise dgager tous les problmes et les classer par ordre de priorit. Le
problme est ensuite dfini dans le temps et dans l'espace, gnralement l'aide d'un
QQOQCP en vue de le formuler en termes de faiblesses et d'insatisfactions clients. Une charte
d'quipe (Project Charter) est ensuite rdige pour dtailler l'ensemble des composantes du
projet : dpartement, description du projet, contexte, objectifs, rsultats financiers, membres
de l'quipe, bnfices pour le client, planning, matriel requis... [AZZABI L. et al 2008 c]
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


67


Figure. 36 tape dfinir
3.5.2 Mesurer
Il s'agit ensuite de rechercher les donnes pertinentes caractrisant le processus concern et de
mesurer les rsultats existants. L'tape donne lieu une description de la situation actuelle o
sont listes les variables qui participent au processus et o sont dcrits prcisment les
problmes rencontrs [AZZABI L. et al 2008 c].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


68


Figure. 37 tape Mesurer
3.5.3 Analyser
Les informations caches sont mises en vidence par une analyse statistique des donnes.
Cette tape inclut la dtermination ainsi que la formalisation des causes premires des
problmes rencontrs. Les dysfonctionnements sont ensuite confirms par des tests raliss
sur le processus [AZZABI L. et al 2008 c].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


69


Figure. 38 tape Analyser
3.5.4 Amliorer
Les solutions sont recherches, mises en oeuvre puis valides. Un contrle est effectu pour
vrifier que les solutions implmentes agissent effectivement sur les causes identifies
[AZZABI L. et al 2008 c].

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


70


Figure. 39 tape Amliorer
3.5.5 Contrler
L'cart entre les donnes initiales et les rsultats obtenus est analys de manire dresser un
premier bilan des amliorations obtenues. Ce bilan permet galement, au besoin, d'ajuster la
solution en fonction des effets non prvus [AZZABI L. et al 2008 c].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


71


Figure. 40 tape contrler
Les nouvelles rgles de travail sont ensuite formalises et un audit rgulier est planifi de
manire prenniser les amliorations acquises.
L'application de la dmarche requiert de nombreux outils sappuyant sur des techniques
statistiques (MSP, PDCA, AMDEC, Rsolution de problmes, Plans d'expriences, ...). De
nombreux outils informatiques (SEWSS, StatGraphics, WinSPC, Statistica, Minitab,) et/ou
outils d'analyse de processus peuvent donc tre utiliss pour mener un projet Six Sigma.
L'application d'un projet Six Sigma s'appuie sur une organisation compose :
- De Black Belts : experts en outils qualit et/ou statistiques, ils sont chargs de piloter
les projets d'amlioration fort potentiel. Souvent ingnieurs ou responsables qualit,
ils peuvent venir de tous les processus de l'entreprise
- De Green Belts : spcialistes de leur processus, ils interviennent sur des projets
d'amlioration plus petits ou sur les sous-projets des Blacks Belts. Ils appliquent leur
connaissance du Six Sigma en local leurs processus.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


72

- De Master Black Belts : experts de la mthode Six Sigma, ils dirigent les Blacks Belts
et assurent leur formation Six Sigma. Ils ont gnralement en charge la slection des
projets Six Sigma.
- De Champions ou Sponsors : ils ont en charge l'affectation des ressources aux projets
Six Sigma et assurent la communication en interne et en externe sur l'avancement et
les rsultats des projets en cours.
4. Six Sigma un outil damlioration
Un des principes de base de Six Sigma est la rduction de la variabilit. En effet,
linsatisfaction dun client rsulte toujours dun cart entre une situation attendue et une
situation relle. Cet cart provient en grande partie de la variabilit des processus, qui trouve
son origine, notamment, dans :
- les variabilits sur les matriaux ;
- les variabilits dans les procdures ;
- les variabilits sur les conditions dans lesquelles volue le processus [PILLET. M 2004]
Lobjectif de Six Sigma nest autre que de concentrer les caractristiques du produit vendu
autour de la cible attendue par le client.

Figure. 41 Six Sigma et la rduction de la variabilit [PILLET M. 2004]
Cette approche globale se dcline de plusieurs faons. Six Sigma, cest :
une certaine philosophie de la qualit tourne vers la satisfaction totale du client ;
un indicateur de performance permettant de savoir o se situe lentreprise en matire de
qualit ;
une mthode de rsolution de problmes en quatre huit tapes selon les auteurs dont
lobjectif est de : Dfinir, Mesurer, Analyser, Innover/Amliorer, Contrler, Standardiser et
Intgrer, approche qui permet de rduire la variabilit et datteindre la cible sur les produits ou
dans les services ; [PILLET M. 2004]
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


73

une organisation des comptences et des responsabilits des hommes de lentreprise ;
un mode de management par la qualit qui sappuie fortement sur une gestion par projet.
Pour comprendre Six Sigma, on doit bien cerner ces diffrents aspects. En effet, lapplication
de Six Sigma peut prendre diffrentes dimensions, de la simple dmarche de rsolution de
problmes une vritable stratgie pour lentreprise. La diffrence entre ces deux applications
extrmes rside dans la dmultiplication de la dmarche et la structure qui est mise en place
pour organiser et piloter les chantiers [AZZABI L. et al 2008 c].
Le premier point que lon doit avoir lesprit dans une dmarche Six Sigma est la satisfaction
du client. Un projet Six Sigma doit apporter une amlioration significative au client. Pour
cela, on doit sintresser ce que souhaite rellement le client, non pas ce quon pense quil
souhaite. Il faut tre capable de dterminer les caractristiques critiques pour la qualit (CTQ,
pour Critical To Quality) afin de fixer une cible et une plage de tolrance [PILLET M.
2004].
Limpact de Six Sigma dpasse la simple amlioration de la qualit des produits de
lentreprise, son objectif est financier. Six Sigma a pour objectif damliorer la performance
globale de lentreprise, par le biais de quatre actions spcifiques :
Laugmentation de la satisfaction des clients et une plus grande fidlisation par une
meilleure qualit ;
La rduction des dpenses en abaissant fortement le nombre de rebuts, retouches et
gaspillages ;
Loptimisation de lutilisation des actifs de lentreprise en augmentant le taux de rendement
synthtique (TRS) des moyens de production ;
Laugmentation du chiffre daffaires conscutif la rduction des cots et lamlioration
de la qualit.
4.1 Six Sigma dans un contexte I SO 9000
Six Sigma sinscrit parfaitement dans cette dynamique de progrs en matire de qualit, et la
faon dont on conoit aujourdhui Six Sigma traduit lhritage de tous les progrs antrieurs.
Dans les diffrentes volutions de lISO 87, 94, 2000, la faon daborder la qualit a
profondment volu et la dernire version offre un point de vue extrmement favorable au
dveloppement de Six Sigma. En effet, alors que les versions 87 et 94 taient tournes vers les
principaux dysfonctionnements dune entreprise, la version 2000 est rsolument tourne vers
la satisfaction du client au travers dune organisation en processus [PILLET M. 2004].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


74

Six Sigma donne le moyen de crer cette dynamique. Il peut reprsenter le moteur de lISO :
savoir, amliorer les processus en partant du besoin du client. Pour ce faire, Six Sigma va
sappuyer sur la dcomposition en processus de lISO 9000, mais en allant beaucoup plus loin
dans la description. On cherchera mettre en vidence les caractristiques essentielles dans ce
domaine, tant au niveau de la sortie (les CTQ pour Critical To Quality) que des entres (les
X essentiels).
Six Sigma est une mthode capable de rsoudre des problmes ponctuels afin damliorer la
satisfaction des clients. Son fondement mme est la rduction de la variabilit dans les
processus. De ce point de vue, en forant les entreprises dcrire leur fonctionnement, les
dmarches qualit fondes sur des rfrentiels ont le mme objectif : rduire la variabilit
dans la mthode. En effet, lorsquaucun processus nest pas dcrit, il y a fort parier que la
faon de le conduire subira des variations dans le temps nuisibles la satisfaction du client
[PILLET M. 2004].
4.2 Six Sigma dans un environnement Lean Management
Le Lean Management a pour objectif damliorer la performance industrielle tout en
dpensant moins. Pour atteindre ce niveau dans une entreprise, on doit sappuyer sur un
certain nombre de points cls :
la suppression de tous les gaspillages ;
une production en flux tendus ;
une gestion de la qualit favorisant lamlioration continue et lamlioration par perce ;
la rduction des cycles de dveloppement des produits ;
une attitude prospective vis--vis de ses clients.
Sur un poste de production, les sept principales sources de gaspillage sont identifies : on les
appelle les 7 Muda (gaspillage en japonais) [PILLET M. 2004].
1. Surproduction : on continue produire alors que lordre de fabrication est sold.
2. Attentes : loprateur passe un pourcentage de temps important attendre la fin des cycles
de la machine. Les temps de cycles ne sont pas quilibrs, les processus ne sont pas en ligne.
3. Dplacements inutiles : par exemple lorsquune surproduction a t ralise, on doit
emmener le surplus dans le stock puis le ressortir, do deux dplacements sans apport de
valeur ajoute.
4. Oprations inutiles : tendance de tous les oprateurs atteindre des niveaux de spcification
qui vont au-del des attentes des clients. Cela est particulirement vrai pour des dfauts
visuels. Il en rsulte une augmentation des temps de production, du nombre de retouches, de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


75

rebuts, et donc des cots. Do lintrt de dfinir le niveau attendu pour chaque spcification
et de se donner les moyens de mesurer correctement ces spcifications.
5. Stocks excessifs : outre les aspects cots, les stocks excessifs conduisent des gaspillages
de temps pour retrouver la rfrence.
6. Gestes inutiles : par une mauvaise conception des postes de travail, on diminue
considrablement lefficacit de ces derniers en imposant des dplacements, des gestes, des
transports inutiles.
7. Dfauts : le processus gnre de la non-valeur ajoute, il faut attendre pour avoir de
nouvelles matires premires, les dfauts peuvent ne pas tre vus alors que lon passe
lopration suivante [PILLET M. 2004].



Figure. 42 Rduction des cycles de production avec Lean Six Sigma [PILLET M. 2004]

La rduction de tous ces gaspillages doit se traduire par une rduction considrable des cycles
de production. Certaines entreprises ont adopt Lean Six Sigma en tant que dmarche globale.
Cela consiste adopter le Lean Management en le combinant avec la logique et la dynamique
de progrs fournies par Six Sigma. Lapproche Six Sigma apporte sa mthodologie rigoureuse
dans lapproche de lamlioration des dlais de production et de rduction des gaspillages.
Elle apporte galement la structure managriale qui fait toute sa force. En effet, comme nous
avons pu le souligner dans les premires lignes de ce chapitre, Six Sigma nest pas quune
mthode : cest aussi une faon dorganiser lentreprise afin que lon puisse tre en mesure de
raliser des perces [PILLET M. 2004].



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


76

4.3 I ntgrer Six Sigma dans une dmarche de performance
industrielle
On vient de voir que Six Sigma sintgre parfaitement dans un environnement qualit, dans un
environnement Lean Production et mme dans un environnement Supply Chain. Cest donc
vritablement un outil de la performance industrielle !
En outre, la mthode Six Sigma est centre sur la mesure de la performance, et comprend une
panoplie entire de tests statistiques, des cartes de contrles...
Aujourdhui, pour continuer jouer son rle, lentreprise doit tre sans cesse en mouvement,
sadapter aux conditions changeantes, amliorer son niveau de qualit. Elle doit sattaquer aux
problmes majeurs, teindre des incendies, prparer les produits de demain mais avec des
ressources limites [PILLET M. 2004].
Pour tenir ce pari, il faut donc tre Lean dans lorganisation. Il faut amliorer la
productivit dans la conduite dactions de progrs. Comment rsoudre rapidement tous ces
problmes qui se posent ? Comment grer lensemble des projets qui sont conduits dans
lentreprise ? Comment coordonner tous ces projets afin quils restent cohrents avec la
stratgie de lentreprise ? [PILLET M. 2004] Rpondre toutes ces questions, cest
prcisment lobjectif de la mise en place dun programme Six Sigma. Mais pour russir, il
est important que les entreprises comprennent quel point les valeurs et la philosophie de Six
Sigma peuvent diffrer des croyances, valeurs et priorits sur lesquelles on met laccent avant
le dploiement de Six Sigma. Pour implmenter Six Sigma, il faut tre ouvert, prt au
changement, avide dapprendre. [AZZABI. L et al 2007 a] On ne change pas la culture par
des incantations : les valeurs reposent sur des croyances et pour changer les valeurs il faut
changer les croyances. Le cycle de changement commence par la mesure. [HARRY M. et al
2000] nous dit : De nouvelles mesures apportent de nouvelles donnes, de nouvelles
donnes apportent de nouvelles connaissances, de nouvelles connaissances apportent de
nouvelles croyances et de nouvelles croyances apportent de nouvelles valeurs. Cest en se
fondant sur ces nouvelles valeurs que lon pourra crer les changements profonds capables de
mettre lentreprise sur le chemin de la performance industrielle [PILLET M. 2004].



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


77

Conclusion

Six Sigma est une dmarche structurante et trs efficace. Elle ne se dploie toutefois pas
comme d'autres dmarches ou mthodes participatives, car mal apprhende par une partie de
la population. En outre elle restitue une vision du terrain essentiellement partir de donnes
chiffres et bien qu'apportant des amliorations et progrs consquents, ceux-ci s'obtiennent
plus par des ruptures en travaux dirigs quen amlioration continue et autonome.
La mthodologie Six Sigma a t conue dans le but de permettre aux entreprises d'optimiser
les processus afin d'viter tout gaspillage et tout risque d'erreur. En effet, de nombreux
responsables d'entreprises s'avouent dus par les programmes qualit qu'ils ont lancs depuis
de nombreuses annes. Cercles de qualit, Qualit Totale ou encore Gemba Kaizen ont certes
contribu amliorer la qualit des produits. Mais le bilan est mitig : lnergie colossale
investie dans ces programmes ne s'est pas traduite par une amlioration notable des rsultats,
et on observe une forte rsistance au sein des entreprises face aux drives bureaucratiques et
l'avalanche de procdures qui en rsulte.
Cette mthode reprsente cet gard un progrs important. Son objectif est en effet de
rconcilier satisfaction du client et intrt de l'entreprise. Six Sigma a ainsi permis plusieurs
groupes d'envergure mondiale, comme General Electric ou Motorola, d'atteindre le zro
dfaut tout en amliorant considrablement leur rentabilit. Ces dernires se plaignaient des
cots excessifs engendrs par leurs dmarches qualit. Elles s'interrogeaient, par exemple, sur
la valeur ajoute des dmarches de certification. Pourtant, la qualit peut tre un formidable
levier de rentabilit. A condition toutefois de ne pas se tromper d'objectif. Une dmarche
qualit ne doit pas se rsumer assurer la conformit des produits.
Six Sigma vise assurer le zro dfaut en tout point des processus cls pour la performance
de lentreprise. Comme nous l'avons vu, cette dmarche consiste identifier les processus
vitaux pour augmenter la satisfaction du client et la rentabilit de l'entreprise, les analyser en
profondeur, puis les optimiser jusqu' atteindre le zro dfaut. On distingue quatre
principales tapes : identifier les critres de qualit essentiels aux yeux des clients,
comprendre l'impact des processus de l'entreprise sur ces critres, mesurer finement
l'efficacit de ces processus, optimiser ces processus pour atteindre le zro dfaut sur les
critres de qualit essentiels.
La russite d'un projet Six Sigma requiert l'implication de toute l'entreprise. Les dirigeants des
entreprises qui ont lanc des dmarches Six Sigma ne manquent jamais de souligner l'nergie
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 1 : Aide mthodologique pour la rsolution des problmes qualit


78

considrable requise de tous les salaris. En effet, les processus optimiss traversent
gnralement l'ensemble de l'organisation : c'est pourquoi des individus sont concerns dans
un grand nombre de dpartements. De plus, si les premiers rsultats se manifestent
rapidement, atteindre l'excellence suppose d'appliquer progressivement la dmarche
l'ensemble de l'entreprise et de veiller l'optimisation continuelle pour s'adapter aux
changements de l'environnement.
La mthode Six Sigma repose en effet sur l'utilisation combine de certains concepts et outils
qualit qui doivent tre dj prsents dans l'entreprise. En fait, Six Sigma ne propose en effet
pas de nouveaux outils ou concepts qualit (la plupart existait bien avant la mthode), mais, et
c'est en cela que la mthode est rvolutionnaire, propose une mthodologie intgrant de
manire cohrente l'ensemble de ces outils et concepts.

































t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


79

Chapitre 2

Lapproche multicritre daide la dcision

Sommaire
INTRODUCTION .................................................................................................. 81
1. Dfinition et concept fondamentaux .................................................................... 82
1.1. Aide la dcision .............................................................................................. 82
1.2. Type de la problmatique de dcision ............................................................... 84
1.3. Les actions ......................................................................................................... 84
1.4. Le paradoxe de Condorcet ................................................................................. 85
1.5. Types de critres ................................................................................................ 86
2. Panorama des mthodes multicritre ................................................................... 87
2.1. Les mthodes lmentaires ................................................................................ 88
2.1.1 La mthode catgorique ................................................................................. 88
2.1.2 Le cost ratio method ....................................................................................... 89
2.1.3 Mthode de la somme pondre ..................................................................... 89
2.1.4 Mthode conjonctive ...................................................................................... 90
2.1.5 Mthode disjonctive ....................................................................................... 90
2.1.6 Mthode de MaxMin ...................................................................................... 91
2.1.7 Mthode Lexicographique .............................................................................. 91
2.2. Les mthodes doptimisation mathmatiques ................................................... 92
2.2.1 Goal Programming ......................................................................................... 93
2.2.2 La mthode du critre globale ....................................................................... 94
2.2.3 La programmation mathmatique objectif multiple .................................... 94
2.2.4 - Constraint Method ...................................................................................... 95
2.2.5 Compromise programming ............................................................................ 95
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


80

2.3. Les mthodes daide la dcision multicritre ................................................. 96
2.3.1 Mthode de lapproche du critre unique de synthse ................................... 97
2.3.2 Les mthodes de lapproche de surclassement ............................................ 108
3. Procdure de choix dune mthode multicritre daide la dcision ................ 123
3.1. Caractrisation des inputs ................................................................................ 125
3.2. Caractrisation des outputs .............................................................................. 126
3.3. Procdure de choix dune mthode de slection ............................................. 127
4. Critique des mthodes daide la dcision multicritre et doptimisation
mathmatique multicritre ...................................................................................... 129
4.1. Avantages et inconvnients des mthodes daide la dcision multicritre .. 129
4.2. Avantages et inconvnients des mthodes doptimisation mathmatique
multicritre ............................................................................................................. 131
CONCLUSION ..................................................................................................... 132









t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


81

Introduction
Laide la dcision dborde aujourdhui le strict cadre du dcideur traditionnel qui sisole
pour prendre une dcision. cet effet, plusieurs raisons peuvent tre voques : lvolution
conomique et concurrentielle, la modification de la structure hirarchique, la matrise de la
complexit, lamlioration de lefficacit, lvolution technologique, ... En effet, Laide la
dcision au sein des organisations ncessite une synergie defforts de plusieurs membres
ayant diffrents intrts, comptences et expriences afin que chacun deux mette
contribution son savoir-faire. Dailleurs, cest grce cette synergie que les membres peuvent
atteindre des rsultats suprieurs ceux quils auraient pu raliser individuellement. Pour
lensemble de ces raisons, plusieurs travaux de recherche ont t entrepris pour amliorer le
fonctionnement et la performance des groupes dans la rsolution dun problme de dcision.
Ces travaux ont essay dune part, de structurer ce processus en diffrentes tapes et dautre
part, dlaborer un ensemble doutils et de mthodes permettant un groupe dindividus de
progresser dans la rsolution dun problme de dcision. Dans la littrature, ces travaux ont
souvent tudi la dcision en groupe selon trois grandes perspectives : [MARTEL J. et al
1999]
- Une perspective structurelle : les travaux dvelopps selon cette perspective
sintressent essentiellement aux structures et aux rgles de fonctionnement des
groupes restreints. Ainsi, ils cherchent apporter des lments de rponses aux
questions relatives la structuration des processus de dcision en groupe, la
rsolution des problmes relis aux interactions interpersonnelles, la comprhension
des attitudes et des comportements des individus dans ces processus ;
- Une perspective mathmatique : les travaux dvelopps selon cette perspective
sintressent aux problmes relis lagrgation des prfrences individuelles en vue
dtablir une prfrence collective ou de consensus. De ce fait, ils cherchent
essentiellement dvelopper de nouvelles procdures dagrgation qui peuvent tre
appliques dans divers contextes dcisionnels ;
- Une perspective technologique : les travaux dvelopps selon cette perspective
sintressent aux apports des Nouvelles Technologies de lInformation (NTI) pour
supporter la prise de dcision en groupe. Ainsi, ils cherchent, par exemple,
dvelopper des outils permettant de faciliter laccs des membres linformation
approprie, la communication, la collaboration et linteraction entre ces derniers.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


82

Lapproche de lanalyse multicritre, ou encore appele analyse objectifs multiples , se
distingue de lapproche classique de la recherche oprationnelle par le fait quil ne sagit pas
de rpondre un problme doptimisation dune seule fonction objectif (encore appele
fonction conomique ), mais un problme plus proche de la ralit o plusieurs fonctions
objectifs doivent tre prises en compte.
1. dfinition et concepts fondamentaux
1.1 Aide la dcision
[ROY B. 1985] dfinit laide la dcision ainsi :
Laide la dcision est lactivit, prenant appui sur des modles clairement explicits mais
non ncessairement compltement formaliss, aide obtenir des lments de rponse aux
questions que se pose un intervenant dans un processus de dcision, lments concourant
clairer la dcision et normalement prescrire, ou simplement favoriser, un comportement
de nature accrotre la cohrence entre lvolution du processus dune part, les objectifs et le
systme de valeurs au service desquels cet intervenant se trouve plac dautre part.
Selon cette dfinition, une activit daide la dcision sarticule autour dun processus de
dcision. En effet, [MARTEL J. 1999] soutient le fait quune activit daide la dcision
implique un minimum dinsertion dans le processus de dcision. Pour [ROY B. 1992], un
"problme" de dcision nest pas un objet qui prexiste.
La formulation quon en donne ne peut pas, en gnral, tre totalement objective et ne peut
tre envisage indpendamment des rapports entre lindividu et la ralit. Il ajoute quil est
normal que cette formulation volue au fur et mesure de lavancement dans le processus de
dcision.
Dans ce sens, [LANDRY M. 1998] remarque que le succs dune dmarche daide la
dcision dans une organisation ncessite la comprhension de lensemble du processus de
dcision dans lequel sinsre cette aide, ce qui implique une capacit apprhender
adquatement le problme qui justifie lorigine et qui alimente par la suite ce processus.
Toute activit daide la dcision fait intervenir un dcideur et assez souvent un homme
dtude. Le dcideur (decision-maker en anglais), est un intervenant principal qui on
sadresse.
Laide la dcision occupe une place centrale dans le processus de dcision. La notion de
dcideur "dsigne en dernier ressort lentit qui apprcie le "possible" et les finalits, exprime
les prfrences et est sens les faire prvaloir dans lvolution du processus" [ROY B. 1985].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


83

Remarquons que dans cette thse on se met dans un cadre de mono-dcideur, o la dcision
relve dune seule entit. Nanmoins, en pratique la dcision concerne souvent plusieurs
parties, que ce soient plusieurs personnes individuelles ou des entits.
Historiquement, le concept de la dcision multicritre est parvenu essentiellement suite au
paradoxe de vote de Condorcet en 1785. Ainsi, Condorcet montre comment le vote
majoritaire peut conduire une prfrence collective non transitive, en particulier cyclique
[NURMI H.1999]. Dans son Essai sur lapplication de lanalyse la probabilit des dcisions
rendues la pluralit des voix, le Marquis de Condorcet montre que le vote la pluralit,
cest--dire le vote la majorit simple, ne donne pas toujours des rsultats satisfaisants
lorsque les votants doivent choisir entre trois options ou plus. Il se peut dans certains cas que
le rsultat de llection ne corresponde pas aux souhaits des lecteurs. Il est ais de voir
dabord que la manire employe dans les lections ordinaires est dfectueuse [NURMI
H.1987].
Il existe donc une rgle implicite de libert des choix (dans la littrature arrowienne,
d'"unrestricted domain") ou rgle U. Si un tel profil "rvle" un choix illogique, alors profitant
de cette rgle U et abusant de la proprit axiomatique de non-validit (faux pour au moins
une assignation), il sera possible de gnraliser l'impossibilit l'ensemble du systme [NIOU
E.2001].
Traditionnellement, lactivit de laide la dcision se base sur lide de lexistence dune
fonction objectif (ou un critre) bien dfinie et unique et qui simpose aux yeux de tous pour
caractriser la bonne direction dans laquelle il convenait de faire voluer le systme dont on
sintressait [ROY B. 1988]. En procdant ainsi, on a lavantage daboutir un problme
"bien pos" mathmatiquement dans ce sens quil est pos en des termes tels que la solution
optimale, est entirement dtermine par sa formulation [MARTEL J. 1999].
Nanmoins, en pratique les consquences sont suffisamment complexes, cest le cas surtout
dans le cadre spatial, pour quune seule fonction objective (un seul critre) ne puisse
apprhender adquatement toute linformation ncessaire la comparaison globale des
diffrentes alternatives daction possibles [MARTEL J. 1999], ces consquences sont
multiples et sapprcient en des termes forts varis (conomiques, techniques, de confort, ...).
Pour [BOUYSSOU D. 1993], largument raliste selon lequel la ralit tant
multidimensionnelle, il est naturel que lon prenne en compte plusieurs points de vue pour
aider la dcision et donc quon utilise des mthodes multicritres, ne peut lui seul justifier
dadopter une dmarche multicritre pour aider la dcision. Utiliser un tel argument
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


84

conduirait voir le monocritre comme un cas limite et dgnr du multicritre. Toujours
selon [BOUYSSOU D. 1993], adopter une dmarche multicritre, ce nest pas postuler que
"dans la ralit" un seul critre est luvre mais cest, plus simplement, vouloir aider la
dcision en nexhibant quun seul critre. Il y a, selon lui, la base dune dmarche
multicritre en aide la dcision, un "acte de foi" consistant croire que construire
explicitement plusieurs critres peut avoir un "rle positif" dans le processus de modlisation.
1.2. Types de la problmatique de dcision

[ROY B. 1985] a propos quatre problmatiques dcisionnelles de rfrence :
(1) La problmatique de choix (P.) : il sagit de choisir un sous-ensemble dactions aussi
retreint que possible en vue dun choix final dune seule action, ce sous-ensemble contenant
des meilleures actions (optima) ou dfaut, des actions satisfaisantes (satisfecums).
(2) La problmatique du tri (P.) : il sagit de trier les actions daprs des normes ou
laborer une procdure daffectation. Le rsultat du tri est une affectation de chaque action
une catgorie. Les catgories tant dfinies apriori.
(3) La problmatique de rangement P. : elle consiste ranger les actions selon un ordre de
prfrence dcroissante.
(4) La problmatique de description P. : son objectif est dclairer la dcision par une
description, dans un langage appropri, des actions et de leurs consquences.
1.3 Les actions
Lensemble des actions peut tre :
dfini en extension : (par numration de ses lments) lorsquil est fini et suffisamment
petit pour que lnumration soit possible.
dfini en comprhension : lorsquil est infini ou fini mais trop grand pour que lnumration
soit possible.
stable : il est dfini a priori et nest pas susceptible dtre chang en cours de procdure.
volutif : il peut tre modifi en cours de procdure.
globalis : chaque lment de A est exclusif de tout autre.
fragment : les rsultats du processus de dcision font intervenir des combinaisons de
plusieurs lments de A.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


85

1.4 Le paradoxe de Condorcet
Cest historiquement le premier exemple de paradoxe de vote. Condorcet montre comment le
vote majoritaire peut conduire une prfrence collective non transitive, en particulier
cyclique [CONDORCET. 1785 ] .
Dans son Essai sur lapplication de lanalyse la probabilit des dcisions rendues la
pluralit des voix [BORDA, J. 1784 ], le Marquis de Condorcet montre que le vote la
pluralit, cest--dire le vote la majorit simple, ne donne pas toujours des rsultats
satisfaisants lorsque les votants doivent choisir entre trois options plus. Il se peut dans certains
cas que le rsultat de llection ne corresponde pas aux souhaits des lecteurs.
Chronologiquement, il semble que Condorcet ait t prcd en cela par Borda [BORDA, J.
1784]. En 1770, ce dernier proposait dj une solution aux problmes de la rgle majoritaire
avec la fameuse rgle de Borda. Il sagit, pour chaque candidat, de classer les m candidats
selon sa prfrence. Un candidat class la place k reoit alors a+b(mk) points. Les
quantits a & b, peuvent tre tout ce quon voudra, on pourra donc supposer a = 1 & b = 1 .
Chaque candidat reoit alors m points chaque fois quil est class en premire place, m1
lorsquil est class la deuxime, etc. Le candidat lu est celui qui a reu le plus de points.
Expose devant lAcadmie des Sciences en juin 1770, cette mthode ne sera publie quen
1784 dans Mmoire sur les lections au scrutin , Mmoires de lAcadmie Royale des
Sciences pour 1781. Il y critique dj la difficult pratique deffectuer les comparaisons par
paires entre tous les candidats, cette faon tant depuis appele procdure de Condorcet.
[CONDORCET 1785]
Dfinition (Vainqueur de Condorcet) : Une alternative qui bat toutes les autres en duel est
appele vainqueur de Condorcet (VC). Un cycle peut cependant exister parmi les candidats
moins bien classs. On pourrait arguer que cela nen est pas moins dommageable. En ralit,
le but dun vote, plus que dobtenir une prfrence sociale totale cest--dire le classement
complet des prfrences de la socit, est dobtenir un choix entre plusieurs alternatives ou
candidats.
la limite, sil existe une alternative largement en tte et que les autres sont toutes ex quo,
ce nest pas gnant du moment quil sagit de nlire quun candidat. Le but du vote nest
jamais, du moins au niveau politique, de dterminer la pire des alternatives, mais toujours la
meilleure. Un cycle nest donc problmatique que lorsquil concerne le haut des
prfrences, ce quon appelle top cycle en anglais.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


86

1.5 Types de critres
Un critre permet dvaluer et de comparer des actions potentielles selon un objectif bien
dfini. A chaque critre est associe une donne descriptive unique.
Il existe plusieurs types de critres :
Le vrai critre : Nous parlons de vrai critre lorsque laction qui reoit la meilleure note sera
prfre lautre. Il ny a indiffrence que si les deux notes sont gales.

Figure. 43 Le vrai critre
Le quasi-critre : Nous parlons de quasi-critre lorsquil y a une plage dindiffrence [-q, q].
Il y a indiffrence entre les actions a et b lorsque lcart de leur valuation tombe dans la
plage [-q, q].

Figure. 44 Le quasi critre

Le pr-critre : Un pr-critre est un vrai critre auquel on a introduit une plage de
prfrence faible.

Figure. 45 Le pr- critre

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


87

Laspect compensatoire dune mthode traduit la plus ou moins grande possibilit de
contrebalancer un dsavantage sur un critre [COLSON G. et al 1989] dclarent que toute
mthode de dcision multicritre peut tre soit :
Compensatoire : dans ce cas, on admet une compensation absolue entre les diffrentes
valuations. Ainsi, une bonne performance sur un critre peut tre facilement
contrebalance par une faible performance sur un autre critre. Plusieurs mthodes
figurent dans cette catgorie par exemple la mthode de la somme pondre.
Non compensatoire : aucune compensation nest accepte entre les diffrentes
dimensions. Le dcideur peut noncer que les dimensions sont suffisamment
importantes pour refuser toute sorte de compensation ou de compromis. On peut citer
la mthode lexicographique.
Partiellement compensatoire : dans ce cas, une sorte de compensation est accepte
entre les diffrentes dimensions ou critres. La plupart des mthodes multicritres se
trouvent dans cette catgorie. Le problme majeur est dvaluer le degr de
compensation de chacune des mthodes [ZELENY M. 1982].
2. Panorama des mthodes multicritre
L'optimisation unicritre, cest- dire celle qui ne prend en compte quun seul critre, n'est en
fait, en gnral, qu'une simplification des problmes qui se passent dans la vie courante.
En effet, la plupart des problmes de dcision auxquels nous sommes confronts sont
multicritres.
Dans les problmes de production, on ne vise pas uniquement un bnfice maximum mais
galement des cots de production minimaux, un dveloppement maximum de certains
produits compte tenu d'une stratgie de march, la minimalisation d'investissements
nouveaux, la minimalisation des risques d'exportation, ...
L'optimisation multicritre constitue cependant un problme dont la solution est
mathmatiquement impossible ! Ce n'est en effet que dans des cas exceptionnels que l'on
pourra trouver une solution qui optimise tous les critres simultanment.
Les mthodes danalyse multicritre ou, plus exactement, les mthodes daide multicritre
la dcision sont des techniques assez rcentes et en plein dveloppement. Par leur manire
dintgrer tout type de critres, ces procdures semblent mieux permettre de se diriger vers un
judicieux compromis plutt quun optimum souvent dsuet [BEN MENA S. 2005].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


88

Les mthodes multicritres semblent donc mieux reflter la ralit humaine qui est points
de vue multiples. Elle constitue une sorte de prolongement de la recherche oprationnelle,
mais certainement pas une rivale qui cherche lliminer.
Nous pouvons distinguer trois classes de mthodes multicritres: les mthodes lmentaires,
les mthodes d'optimisation mathmatiques et les mthodes d'aide la dcision multicritres.
Le choix de l'une ou de l'autre des trois classes de mthodes peut dpendre soit des donnes
dont on dispose pour traiter le problme multicritres considr, soit de la faon avec laquelle
le dcideur modlise ses prfrences :
- Les mthodes lmentaires ou les mthodes d'aide la dcision multicritres : ces
mthodes sont utilises quand le problme pos possde plusieurs solutions. Dans ce cas, le
problme considr se rduit au choix de la meilleure solution. Nanmoins, le choix de la
meilleure solution est conditionn par la faon avec laquelle le dcideur exprime ses
prfrences, ce qu'on appelle en thorie de la dcision, la modlisation des prfrences. C'est
ce qui diffrencie les deux types de mthodes. En effet, dans les mthodes d'aide la
dcision multicritres, le dcideur peut se montrer indiffrent entre deux solutions possibles.
- Les mthodes d'optimisation mathmatiques : ce type de mthode permet le
traitement de problmes avec contraintes mais dont les solutions ne sont pas connues. Les
modles obtenus peuvent tre linaires, linaires avec variables entires, linaires mixtes,
quadratiques, non linaires, ...
- Les mthodes daide la dcision multicritres (MADMC) : ce type de mthode
permet aux dcideurs de faire un bon choix . Pour certain expert du domaine, ce choix
existe dans lesprit du dcideur, et le processus daide la dcision doit le faire ressortir
pour dautres, le processus daide la dcision doit crer ce choix. [CAILLET. R 2003]
2.1. Les mthodes lmentaires
2.1.1 La mthode catgorique : (Categorical method)
La mthode catgorique consiste faire une valuation des performances de chaque action par
rapport chaque critre, et ce en affectant un grade : un terme catgorique simple, par
exemple Bon , insatisfaisant , neutre . On effectue dans une deuxime tape la
somme des valuations de chaque action pour obtenir un score global par action.
Cependant, la mthode catgorique est lune des mthodes les plus simples pour traiter un
problme de slection. Elle est facile mettre en oeuvre. Toutefois, elle fait appel des
jugements bass sur la mmoire et lexprience du dcideur.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


89

La mthode catgorique permet la classification des actions les unes par rapport aux autres.
La mthode catgorique utilise le mme ordre dimportance pour tous les critres. La mthode
catgorique est compensatoire [TIMMERMAN E. 1986].

2.1.2 Le Cost-ratio Method
La mthode consiste dterminer un cot global par produit : cest la somme des cots
dacquisition et des cots internes relatifs la qualit, au dlai et aux services associs.
La mthode cost-ratio se prsente comme suit :
-Etape 1 : Dterminer les cots internes associs la qualit, au dlai et aux services.
-Etape 2 : Convertir ces cots en des ratios traduisant les pourcentages de ces cots par
rapport au cot dacquisition.
-Etape 3 : Faire la somme des ratios relatifs chacun des cots pour obtenir un ratio global
(cest la pnalit globale).
-Etape 4 : Appliquer le ratio global au cot unitaire dacquisition du produit pour obtenir un
cot net ajust.
Par ailleurs, la mthode Cost Ratio est plus prcise que la mthode catgorique. Sa mise
en place reste trs complexe car elle exige une comprhension du systme des cots. Le cost-
ratio method est une mthode compensatoire [TIMMERMAN E. 1986].
2.1.3 La mthode de la somme pondre (the linear averaging method
or weighted point method)
Cette mthode consiste se fixer un ensemble de critres et les classer en affectant chacun
deux un poids. La mthode de la somme pondre se prsente comme suit :
-Etape 1 : Identifier les critres pertinents la problmatique ;
-Etape 2 : Arranger les lments identifis en catgories homognes ;
-Etape 3 : Affecter des poids (traduisant limportance relative des critres) aux critres lists ;
-Etape 4 : Construire une matrice pour procder une moyenne linaire ;
-Etape 5 : Dvelopper des procdures spcifiques pour mesurer les performances des actions ;
-Etape 6 : valuer chaque action (fournisseur) sur chacun des critres en se rfrant aux
procdures dveloppes ltape prcdente ;
-Etape 7 : Calculer le score global (weighted-ratings) pour chaque action.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


90

La mthode de la somme pondre est lune des mthodes les plus utilises. Elle a lavantage
dtre facile comprendre et mettre en oeuvre. Toutefois, sa difficult rside dans la
dfinition de procdures de conversion des valuations qualitatives en des valuations
quantitatives. La mthode de la somme pondre est compensatoire [TIMMERMAN E.
1986].
2.1.4. Mthode conjonctive
La mthode conjonctive consiste se fixer des niveaux minima dacceptation sur chacun des
critres. Les actions qui ne respectent pas ces niveaux minima dadmissibilit seront cartes.
La mthode conjonctive se prsente comme suit :
-Etape 1 : Fixer un niveau minimal e
j
0
pour chaque critre j (niveau de coupe),
-Etape 2 : Vrifier pour chaque action si sa performance sur chaque critre gale ou excde
ce niveau minimal fix (eij > e
j
0
).
La procdure conjonctive est facile utiliser. Elle permet la mesure des critres sur des
chelles htrognes. Elle exige de fixer des seuils dadmissibilit pour chaque critre. La
mthode conjonctive permet dextraire un ensemble dactions juges assez bonnes parmi
toutes les actions possibles. Par ailleurs, elle nassure pas la comparaison des bonnes actions
les unes par rapport aux autres : elle est ainsi totalement non compensatoire. Dans le cas o le
dcideur est intress par le choix dune seule action, il doit appliquer une autre mthode de
slection aux rsultats obtenus par lapplication de la mthode conjonctive.
tape 3 : Rejeter les actions qui ne respectent pas les exigences minimales [TIMMERMAN
E. 1986].
2.1.5. Mthode disjonctive
La mthode disjonctive consiste se fixer des niveaux de satisfaction dsirs pour chacun des
critres et slectionner les actions qui ont les valuations les plus leves sur nimporte
lequel des critres. Elle conduit slectionner les actions qui ont des performances
exceptionnelles sur certains critres.
La mthode disjonctive se prsente comme suit :
-Etape 1 : Fixer un niveau dsir e
j
*
pour chaque critre,
-Etape 2 : Pour chaque action i, vrifier si sa performance sur au moins un critre est gale ou
excde ce niveau dsir ( j/ eij > e
j
*
),
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


91

-Etape 3 : Rejeter les actions qui ne satisfont pas cette condition.
La procdure disjonctive est facile utiliser. Elle permet la mesure des critres sur des
chelles htrognes. La mthode disjonctive est totalement non compensatoire.
Puisquil est trs rare quune action soit la meilleure sur tous les critres, le rsultat de
lapplication de la mthode disjonctive est souvent un ensemble dactions et non pas une
solution unique. Ainsi, dans le cas o le dcideur est intress par le choix dune seule action,
il doit appliquer une autre mthode de slection aux rsultats obtenus par lapplication de la
mthode disjonctive.
2.1.6. Mthode du MaxMin
La mthode MaxMin est utilise pour choisir une action (considre comme la meilleure
action) parmi un ensemble dactions et ce selon lexpression suivante :
a* = {ai A, Miax (Mjin(g j[ai ])) , i = 1, 2,...., m; j=1, 2,...., n}
Le terme MaxMin indique que la procdure cherche slectionner le maximum (selon les
actions) des valuations minimums (selon les critres). Ainsi, la performance globale dune
action est dtermine par sa pire performance, la force dune chane correspond celle de
son maillon le plus faible. Cette procdure est approprie dans le cas o le dcideur a une
attitude pessimiste [GUITOUNI A. 1998].
La procdure MaxMin exige que les critres dvaluation des actions soient commensurables.
Une faon de faire est la normalisation. La mthode est facile appliquer. Elle est totalement
non compensatoire.
2.1.7 Mthode lexicographique
La mthode lexicographique sapplique dans certaines situations o on est en mesure dtablir
une relation de dominance dictatoriale entre les critres (g(1) >> g(2) >> g(3)>>..>> g(n) ).
Ainsi, on ne tiendra compte des critres les moins importants que lorsque les comparaisons
effectues sur ceux de plus grande importance ne permettent pas la discrimination entre les
actions.
-Etape 1 : Ranger les critres par ordre dimportance,
-Etape 2 : Comparer toutes les actions par rapport au critre le plus important,
-Etape 3 : Choisir celle(s) qui a (ont) la meilleure performance par rapport au critre retenu
(le plus important en premier lieu),
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


92

-Etape 4 : Si plus dune action sont retenues et sil reste des critres non encore considrs,
alors procder de la mme manire sur la base du critre suivant en terme dimportance.
La mthode lexicographique a le mrite dtre facile utiliser. Elle permet la mesure des
critres sur des chelles htrognes. Par ailleurs, elle nexige pas de fixer des coefficients
dimportance pour les critres. La mthode lexicographique est totalement non compensatoire
[GUITOUNI A . 1998].
2.2 Les mthodes d'optimisation mathmatiques
Les mthodes doptimisation mathmatique sont les plus utilises, dans le domaine de la
recherche scientifique, pour traiter le problme de slection. Le problme est souvent
formalis sous la forme dune ou de plusieurs fonctions objectifs et dun ensemble de
contraintes respecter. Les modles obtenus peuvent tre linaires, linaires avec variables
entires, linaires mixtes, quadratiques, non linaires et ce en fonction du problme
formaliser.
Les mthodes doptimisation mathmatique sont souvent exploites en deux tapes :
tape de modlisation : elle consiste formaliser le problme tudi en un modle
doptimisation.
tape de rsolution : elle consiste rsoudre le modle propos.
Le problme de slection est multicritre dans le sens o lvaluation dune action se fait
souvent en considrant plusieurs critres la fois. Dans cette section, on se limite la
prsentation de mthodes doptimisation mathmatique permettant lintgration de plusieurs
critres. Cette intgration se fait de trois faons diffrentes :
(1) Lagrgation des critres en une seule fonction objective (Compromise Programming,
Goal Programming, mthode du critre global).
(2) Loptimisation dun critre dans la fonction objectif et lintgration des autres critres
dans les contraintes du modle (-Constraint Method).
(3) La formulation du problme en un programme mathmatique objectifs multiples
[HILLIER F. et al 2001].





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


93

2.2.1 Goal Programming(GP)
Lessence du goal programming (GP) rside dans le concept de satisfaction dobjectifs: on se
fixe un but bj atteindre pour chacun des critres, et on procde de la manire suivante (selon
la variante du GP) :
(1) Variante 1 (Standard Goal Programming) : il sagit de minimiser la somme des valeurs
absolues des carts par rapport aux buts [CHARNES A. et al 1961].
(2) Variante 2 (MinMax Goal Programming) : il sagit de minimiser lcart maximum par
rapport aux buts [FLAVELL R. 1976].
(3) Variante 3 (Lexicographic Goal Programming) : il sagit de minimiser la somme des
carts par rapport aux buts dune manire lexicographique [IJIRI Y. 1965] .Pour ce faire, on
procde comme suit :
Etape 1 : Classer les critres par ordre dimportance.
Etape 2: Slectionner les actions qui minimisent lcart par rapport au premier critre
seulement appelle ce sous-ensemble dactions A1.
Etape 3 : Parmi les actions de A1, slectionner celles qui minimisent la somme des carts (ou
bien la somme pondre des carts) par rapport aux 2 premiers critres (les 2 critres ayant les
plus grandes importances)- le sous-ensemble obtenu est A2.
Etape 4 : Procder de la mme manire pour obtenir un sous-ensemble A3 partir des actions
de A2.
Etape 5 : Continuer la procdure de proche en proche et arrter lorsque la condition darrt
(obtention du nombre dactions dsires ou bien arrt au kme critre ou bien ) est satisfaite.
La reprsentation algbrique du LGP scrit comme suit :
La formulation du modle standard du Goal Programming est comme suit [OGRYCZAK W.
2001]:

Sujet :
-
,

Avec : : lcart positif de par rapport au but.
: Lcart ngatif de par rapport au but.
: Lvaluation de la solution x par rapport au critre i.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


94


Le produit des dviations positifs et ngatifs est toujours nul, car les vecteurs et
ne peuvent tre actifs (c'est--dire une solution de base) simultanment. En d'autres termes,
pour un objectif i quelconque, nous ne pouvons tre en mme temps en dessous ( ) et en
dessus ( ) du but fix [JAHANSHAHLOO G. et al 2008].
Dans le Goal Programming standard, le dcideur est principalement appel fixer des buts
pour les objectifs quil a pralablement dtermins. Son implication dans le processus
dcisionnel sarrte en gnral ce stade.
Le modle du Goal Programming a connu plusieurs variantes. A titre d'indications, nous
citons: le GP pondr, le GP lexicographique, le GP minimax, le GP non linaire, le GP
incluant des fonctions de satisfaction, le GP avec intervalles, le GP flou, le GP interactif
[KETTANI O. et al 2004].
2.2.2 La mthode de critre global
La mthode du critre global dveloppe par VINCKE 1989 sarticule dans une optique de
minimisation des carts par rapport la solution idale sans procder une articulation a
priori des prfrences. Sa formulation algbrique est la suivante :

Avec, : est lvaluation de la meilleure des solutions sur le critre j.
Si r est un entier pair, alors le dcideur est indiffrent par rapport aux carts positifs et
ngatifs.
Si r est un entier impair, alors le dcideur est sensible aux carts positifs et ngatifs
[HAMMAMI A. 2003].
2.2.3 La Programmation Mathmatique Objectifs Multiples (PMOM)
La programmation mathmatique objectifs multiples dvelopp par [STEWART S. and al
1991] est une technique qui prend en compte plusieurs fonctions conomiques, chacune
jouant le rle dun critre (on parle aussi de fonction critre). Chacune de ces fonctions
possde un optimum, qui ne sera- en gnral - pas celui des autres fonctions. Ainsi, une
solution optimale nexiste pas; car ce qui est optimal selon un critre ne lest pas selon les
autres critres. Il va donc falloir choisir une solution de compromis : solution juge
satisfaisante.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


95

La formulation algbrique dune programmation mathmatique objectifs multiples (PMOM)
est la suivante : [HAMMAMI A. 2003]




Sujet :

Dans un PMOM, on sintresse essentiellement la dtermination de lensemble des solutions
efficaces.
2.2.4 - Constraint Method
La mthode du - Constraint dvelopp par VANHENTENRYCK 1989 consiste
transformer un programme doptimisation multi-objectif en un problme doptimisation
mono-objectif comportant des contraintes supplmentaires. La formulation mathmatique de
la mthode est la suivante : [HAMMAMI A. 2003]

Sujet :

,
La mthode du - Constraint est facile mettre en place. Elle exige de fixer un seuil de
performance sur n-1 critres.
2.2.5 Compromise Programming(CP)
La technique compromise programming (CP) dveloppe par [ZELENY M. 1973] sarticule
autour dune optique de minimisation des carts par rapport la solution idale tout en
procdant une articulation a-priori des prfrences ( ). Sa formulation algbrique est la
suivante :


Avec, : est lvaluation de la meilleure des solutions sur le critre j.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


96

: est lvaluation de la pire des solutions sur le critre j.
Par sa dfinition, la fonction objective de la technique de compromise programming nexige
pas de normalisation des valuations. En effet, les valuations sont dune certaine faon
normalises puisque la performance dune action par rapport un critre est divise par le
terme , et par consquent le terme na pas dunit [ANDRE F
J. et al 2007].
2.3 Les mthodes daide la dcision multicritre
(MADMC)
[GUITOUNI A. 1998] stipule que le processus daide multicritre la dcision peut
gnralement tre vu comme un processus rcursif (itratif), non linaire, compos de cinq
tapes principales :
(1) La structuration de la situation (problme) de dcision ;
(2) Larticulation et la modlisation des prfrences au niveau de chaque point de vue
(modlisation des prfrences locales) ;
(3) Lagrgation de ces prfrences locales en vue dtablir un ou plusieurs systmes
relationnels de prfrences globaux ;
(4) Lexploitation de cette agrgation ;
(5) La recommandation.
La structuration de la situation consiste :
- Dterminer le type de problmatique rsoudre : problmatique de choix,
problmatique de tri, problmatique de rangement ou problmatique de description,
- Dterminer lensemble des actions tudier,
- Recenser les critres selon lesquels les actions seront values,
- Dterminer les valuations de chacune des actions sur chacun des critres.
Larticulation et la modlisation des prfrences consiste :
- Dfinir les types de critres : vrai critre, pseudo critre, quasi critre, critre gaussien,
- Dfinir lordre dimportance des critres ainsi que leur poids si besoin est,
- Dfinir, et ce selon la mthode dagrgation retenue, les fonctions dutilit partielle, les
fonctions de valeur, les comparaisons par paires dactions
Lagrgation des prfrences locales consiste traiter les valuations partielles des actions sur
les diffrents critres afin de gnrer une valuation globale.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


97

Lexploitation consiste exploiter les rsultats obtenus ltape dagrgation des prfrences
locales pour choisir, ranger ou trier les actions.
Selon [ROY B. 1985], dans certains contextes dcisionnels, une modlisation labore des
prfrences du dcideur est requise. Selon la manire dagrgation des prfrences du
dcideur, il est possible de distinguer les approches :
- Lapproche du critre unique de synthse vacuant lincomparabilit. Ces approches
sont exploites dans le cas o le dcideur est capable de juger toute paire dactions {a,
b} et ce selon un des cas suivant : soit a est prfre b, soit b est prfre a, soit le
dcideur est indiffrent entre a et b. Il ny a donc pas dincomparabilit entre deux
actions.
- Lapproche du surclassement de synthse. Ces approches permettent lincomparabilit
entre actions. Certaines sont caractrises par des structures de prfrences fortes,
faible, indiffrence, incomparabilit.
- Lapproche du jugement local interactif. Ces approches sont caractrises par une
interaction continue entre lhomme dtude et le dcideur tout au long du processus
daide la dcision.
2.3.1 Mthodes de lapproche du critre unique de synthse

- La mthode TOPSIS: Technique for Order by Similarity to Ideal
Solution
Lide fondamentale de cette mthode qui est dveloppe par HWANG et YOON T 1981
consiste choisir une solution qui se rapproche le plus de la solution idale (meilleure sur
tous les critres) et de sloigner le plus possible de la pire solution (qui dgrade tous les
critres)


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


98


Figure. 46 Illustration des distances lidal et lanti-idal [MNDEZ M. et al 2006]

Sur cette figure cinq alternatives A, B, C, D, E deux critres C1 et C2, et les points idaux
(cest la solution optimale),et anti idal sont reprsents. En utilisant la distance euclidienne
habituelle avec des poids gaux, on constate que C est le point le plus proche de lidal, alors
que D est le plus loign de lanti-idal. TOPSIS rsout ce dilemme du choix entre idal et
anti idal en utilisant pour chaque alternative les distances pondres lidal et lanti idal
[POMEROL J. et al 1993] [MNDEZ M. et al 2006].
Les tapes de la mthode TOPSIS sont comme suit :
- Etape 1 : Normaliser les performances



Avec: i=1, 2,..,
j=1, 2,..,
gj (ai) correspondent aux valeurs dterministes des actions i pour le critre j.

- Etape 2 : Calculer le produit des performances normalises par les coefficients
dimportance relative des attributs :



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


99

Avec: i=1, 2,..,
j=1, 2,..,
j est le poids du j
ime
critre.

- Etape 3 : Dterminer les solutions idal ( ) et les solutions anti-idal ( ).
i=1, 2,.., et j=1, 2.., ;
j=1, 2,.., = ;
.
i=1, 2,.., et j=1, 2.., ;
j=1, 2,.., = ;
.
- Etape 4 : Calculer la distance euclidienne par rapport aux profils ( ) et ( ).
,
i=1, 2,..,

,
i=1, 2,..,

- Etape 5: Calculer un coefficient de mesure du rapprochement au profil idal.


i=1, 2,.., , et

- Etape 6: Ranger les actions en fonction des valeurs dcroissantes de [YANG T. et
al 1996].
La mthode TOPSIS permet dordonner les actions. Son grand apport est lintroduction des
notions didal et danti-idal. Elle est facile appliquer. En outre, elle est sensible la
volont du dcideur.
Toutefois, certaines limites caractrisent cette mthode : les attributs doivent tre de nature
cardinale, les prfrences sont fixes a priori. Par ailleurs, si toutes les actions sont mauvaises,
la mthode propose la meilleure action parmi les mauvaises. La mthode TOPSIS est
partiellement compensatoire.
- La mthode SMART : Simple Multi-Attribute Rating Technique
La mthode SMART dveloppe par [EDWARDS.W 1971] consiste utiliser la forme
additive pour lagrgation des valuations sur les diffrents critres. Ceci a t justifi par le
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


100

fait quon obtient daussi bonnes approximations avec la forme additive quavec dautres
formes non linaires qui sont beaucoup plus complexes.
La mthode SMART se prsente comme suit :
- Etape 1 : Mettre les critres selon lordre dcroissant dimportance ;
- Etape 2 : Dterminer le poids de chaque critre ;
- Etape 3 : Normaliser les coefficients dimportance relative entre 0 et 1 : faire la somme des
coefficients dimportance et diviser chaque poids par cette somme.
- Etape 4 : Mesurer la localisation de chaque action sur chaque critre . Les valuations
des actions se font sur une chelle variant de 0 (minimum plausible) 100 (maximum
plausible).
- Etape 5 : Dterminer la valeur de chaque action selon la somme pondre suivante :


i=1, 2,..,

- Etape 6 : Classer les actions selon lordre dcroissant de
Cependant la mthode SMART est facile exploiter. Elle exige une articulation a priori des
prfrences, et une valuation des actions sur une chelle unique (chelle cardinale). La
mthode SMART utilise la forme additive, elle est ainsi compensatoire.
-La mthode MAVT : Multiple Attribute Value Theory
La mthode MAVT dveloppe par KEENEY et RAIFA en 1976 repose sur lide
fondamentale suivante : tout dcideur essaie inconsciemment (ou implicitement) de
maximiser une fonction V = V[g1,.....,gn] qui agrge tous les attributs. La particularit de la
mthode MAVT rside dans lide de construction dune fonction de valeur partielle pour
chaque attribut. La meilleure action sur un attribut aura une valeur partielle (par rapport
lattribut tudi) gale 1 et la pire des actions aura une valeur partielle gale 0. En posant
des questions au dcideur, nous construisons les fonctions de valeur partielle. Nous
construisons ensuite, et ce en fonction des caractristiques des prfrences du dcideur, la
fonction de valeur V. La mthode MAVT sapplique dans un contexte caractris par un
ensemble dactions explicite, une articulation a priori des prfrences et un univers
dterministe (les valuations des actions par rapport chaque attribut sont certaines).
[HWANG C. et al 1981]
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


101

Cette mthode est dinspiration anglo-saxonne et est notamment utilise aux Etats-Unis dans
des problmes daide la dcision, des problmes dconomie, de finance et dactuariat
[VINCKE P. 1994].
Les tapes de la mthode MAVT sont comme suit :
-Etape 1 : valuer chacune des actions selon chaque critre (construire la matrice de
dcision: tableau multicritre).






.. .. .. ..
.. .. .. ..
.. .. .. ..

..

.. ..
.. .. .. ..

.. .. .. ..


..


Figure. 47 Matrice de dcision

-Etape 2 : Construire des fonctions de valeur partielle pour chaque critre (traduire le tableau
multicritre en utilisant les valeurs).






.. .. .. ..

..

.. ..
.. .. .. ..

.. .. .. ..

Figure. 48 Matrice des fonctions de valeur partielle

- Etape 3 : tablir les poids des critres.
- Etape 4 : Calculer lvaluation globale pour chaque action en utilisant une forme
dagrgation approprie
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


102

- Etape 5 : Dterminer la meilleure action (laction qui maximise la valeur V : celle qui a le
plus grand score).
- Etape 6 : Faire des analyses de sensibilit [GUITOUNI A. 2000].
La mthode MAVT est une procdure trs exigeante de point de vue informationnel. Par
ailleurs, la construction des fonctions de valeur nest pas toujours une tche vidente. La
mthode MAVT exige une articulation a-priori des prfrences, et une valuation des actions
sur des chelles cardinales (on utilise les loteries pour dterminer les fonctions de valeur). La
construction de la fonction analytique V est une tche ardue. Lexploitation de la forme
additive nest possible que sous des hypothques trs restrictives du point de vue thorique
([POMEROL J. et al 1993] , [ KEENEY R . et al 1976]). La structure de prfrence utilise
dans la mthode MAVT est du type {P,I}. La mthode MAVT est partiellement
compensatoire.
- La mthode MAUT : Multiple Attribute Utility Theory
La mthode MAUT dveloppe par [ KEENEY R . et al 1976] repose sur la mme ide que
la mthode MAVT. En revanche, elle sapplique dans le cas o les valuations des actions par
rapport aux attributs sont imprgnes dincertitude (alatoire). A ce moment, on parle de
fonction dutilit et non plus de fonction de valeur.
La mthode MAUT sapplique alors dans un contexte caractris par un ensemble dactions
explicite (fini), une articulation a priori des prfrences, et un univers incertain (les
valuations des actions par rapport chaque attribut sont incertaines).
La mthode MAUT repose sur la mme ide que la mthode MAVT. En revanche, elle
sapplique dans le cas o les valuations des actions par rapport aux attributs sont imprgnes
dincertitude (alatoire).
Lide est assez simple, le dcideur doit associer une utilit chacune des actions considres.
Ainsi, lutilit associ laction , valuer sur les critres 1, 2,. , peut
se dcomposer sous la forme : , (

tant lutilit gnre au
vu du critre i, si laction considre la performance ), condition que les critres
considrs soient indpendant [ANANDA J. et al 2005].
Comme la mthode MAVT, la mthode MAUT est trs exigeante dun point de vue
informationnel. Les fonctions dutilit sont difficiles concevoir. En outre, MAUT exige
plusieurs vrifications telles que lindpendance mutuelle au sens de lutilit.
La mthode MAUT exige une articulation a-priori des prfrences, et une valuation des
actions sur des chelles cardinales (on utilise les loteries pour dterminer les fonctions de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


103

valeur). La structure de prfrence est du type {P,I}. La mthode MAUT est partiellement
compensatoire.
- La mthode UTA : Utility Theory Additive
La mthode UTA par JACQUET-LAGREZE ET SISKOS en 1982 se base sur lide suivante
: nous supposons que le dcideur connat bien un sous ensemble dactions ( ). Nous
cherchons estimer la fonction dutilit (ayant une forme additive) en sapprochant le plus
possible des jugements ports par le dcideur sur le sous-ensemble . Pour ce faire, on
slectionne un sous-ensemble ( ) dactions que le dcideur connat bien et on
demande ensuite au dcideur de :
- Classer les actions de ,
- Donner les critres significatifs 1, 2,j,.n ;
- Donner les valuations des actions de par rapport aux critres1, 2,j,.n (matrice des
jugements), cette tape consiste dterminer la fonction dutilit totale qui colle le mieux
avec les donnes (classement des actions et la matrice des jugements).
La fonction dutilit obtenue peut tre considre comme une estimation, un terme derreur
prs, de la vraie fonction dutilit :

O : dsigne lutilit de laction sur le critre , et dsigne lerreur associe
lestimation de .
La mthode UTA sapplique en procdant comme suit :
-Etape 1 : Dterminer les valuations extrmes et et crire les valeurs des actions de
selon lexpression de .
-Etape 2 : crire la contrainte de normalisation des poids des critres
)= 1
-Etape 3 : Diviser, pour chaque critre
,
lintervalle [ , ] en intervalles nots
[ , ] , avec

= + ( ), =1, 2, .
-Etape 4 : Appliquer la transformation ci-aprs
[ , ] est un intervalle de valeurs de Ce qui revient
dire que les fonctions dutilit partielle sont monotones.
-Etape 5 : Dterminer les valeurs dans la mthode UTA, on dtermine les et on
effectue des interpolations linaires entre ces points. En dautres termes, si
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


104

, on aura [
-Etape 6 : Formuler le problme sous la forme dun programme linaire en se basant sur
lensemble .
-Etape 7 : Rsoudre le programme linaire et appliquer la fonction dutilit obtenue
lensemble des actions de [BEUTHE M. et al 2000].
-La mthode AHP : Analytic Hierarchy Process
La mthode A.H.P (analytic hierarchy process) dveloppe par SAATY en 1980 ou encore
"mthode hirarchisation multicritres" ; est une mthode daide la dcision multicritre
dveloppe de "THOMAS SAATY" vers la fin des annes 70, elle a t utilise avec succs
dans les domaines de planification telle que planification stratgique, choix de projet, choix
dquipement, choix dinvestissement [AZZABI. L et al 2007 b].
Cette mthode part des matrices de comparaisons binaires pour arriver aprs des tapes
valuer un vecteur de poids qui nous permet de comparer le choix de notre problme de
dcision.
La mthode AHP consiste reprsenter un problme de dcision par une structure
hirarchique refltant les interactions entre les divers lments du problme, procder
ensuite des comparaisons par paires des lments de la hirarchie, et enfin dterminer les
priorits des actions. Les tapes de la mthode AHP sont comme suit :
-Etape 1 : Construction de la matrice carre ( )
ij
u = U dordre m si les entits compares sont
des critres, ou dordre n si les entits compares sont des alternatives.
Cette matrice des jugements par paires dentits doit tre positive et vrifier la condition de
rciprocit. C'est--dire quon doit avoir [SAATY T. 2007]:

0
ij
u > et . 1
ij ji
u u = .
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


105


Figure. 49 Structure hirarchique dun problme selon la mthode AHP

-Etape 2 : Procder des comparaisons par paires des lments de chaque niveau
hirarchique par rapport un lment du niveau hirarchique suprieur. Cette tape permet de
construire des matrices de comparaisons. Les valeurs de ces matrices sont obtenues par la
transformation des jugements en valeurs numriques selon lchelle de Saaty (Echelle de
comparaisons binaires), tout en respectant le principe de rciprocit [AZZABI. L et al 2008
d].
Dterminons ainsi la priorit relative w
i
de chaque entit mesure selon lchelle de ratio, en
calculant le vecteur propre de la matrice ( )
ij
u = U par la rsolution du systme :

max
1
1
pour i=1,...,n
n
ij j i
j
n
i
i
u w w
w

=
=






t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


106


Tableau. 8 Echelle de Saaty [SAATY T. 2003]

-Etape 3 : Dterminer limportance relative des lments en calculant les vecteurs propres
correspondants aux valeurs propres maximales des matrices de comparaisons.
-Etape 4 : La validit de lestimation des priorits
i
w dpend du degr de consistance de la
matrice des jugements par paires. Pour vrifier cette consistance, on applique la dmarche
suivante :
(1) Calcul de lindice de cohrence C.I. en utilisant successivement les relations :
max
1 1
max
. .
1
n n
ij j
i j
u w
n
C I
n

= =
=


(2) Dtermination du coefficient o par la lecture de la table des ratios alatoires laide du
nombre dentits n.
(3) Dtermination du ratio de cohrence

. . C R en utilisant la relation :
. .
. .
C I
C R
o
=


Degree
dimportance
Definition Explication
1
Importance gale des deux
lments
Deux lments contribuent la
proprit
3
Faible importance dun
lment par rapport un
autre
Lexprience et lapprciation
personnelle favorisent lgrement un
lment un autre
5
Importance forte ou
dterminante dun lment
par rapport autre
Lexprience et lapprciation
personnelle favorisent fortement un
lment un autre
7
Importance atteste dun
lment par rapport un
autre
un lment est fortement favoris et sa
dominance est atteste dans la pratique
9
Importance absolue dun
lment par rapport un
autre
Les preuves favorisant un lment par
rapport un autre sont aussi
convaincantes que possible
2,4,6,8
Valeurs intermdiaires
entre deux valeurs voisines
un compromise est ncessaire entre
deux apprciations
rciprocit
Si llment i se voit attribuer lun des chiffres prcdents lorsque
elle est compare llment j, j aura donc la valeur inverse lorsque
on la compare i
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


107

Si C.R.>0.10 alors il est ncessaire dajuster les jugements en procdant une nouvelle
consultation du dcideur et des experts.
Si 0 . . 0.10 C R < s les ajustements apporter aux jugements seraient faibles par rapport
aux composantes relles du vecteur propre w. Dans ce cas on conclut la validit du
classement obtenu.
Si . . 0 C I = , donc . . 0 C R = , du fait que
max
n = , alors les jugements sont totalement
consistants et le classement obtenu peut tre adopt. Nanmoins et dans tous les cas, seule
lanalyse de sensibilit peut apporter une confirmation dfinitive de la validit du
classement.
Si on se situe au Niveau 1, rpter le Bloc de calcul des priorits pour chaque critre sur la
base des comparaisons par paires des alternatives [AZZABI L. et al 2010].
n (alternatives) 1 2 3 4 5 6 7 8 9 10
Ratio de
consistance
alatoire (o)
0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49

Tableau. 9 Ratios alatoires

Ainsi les points forts de la mthode AHP sont la modlisation du problme de dcision par
une structure hirarchique et lutilisation dune chelle smantique pour exprimer les
prfrences du dcideur [AYADI. D et al 2008 b]. Bien quelle soit trs populaire, la
mthode AHP a fait lobjet de plusieurs critiques :
Un grand nombre dlments dans le problme de dcision fait exploser le nombre de
comparaisons par paires.
Le problme de renversement de rang (deux actions peuvent voir leur ordre de priorit
sinverser suite une modification (ajout ou suppression dune ou de plusieurs actions) de
lensemble des actions.
Lassociation dune chelle numrique lchelle smantique est restrictive et introduit des
biais. La mthode AHP a fait lobjet de plusieurs extensions telles que la prise en compte de
lincertitude (AHP stochastique) et du flou (AHP flou) dans lexpression des jugements
[AZZABI L. et al 2008 b].
- La mthode EVAMIX : EVAluation of MIXed Criteria
La mthode EVAMIX dveloppe par VOOGD 1983 reprsente les valuations ordinales et
cardinales. Afin dvaluer une action par rapport une autre, on calcule deux indices de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


108

dominance, le premier pour les valuations ordinales et le second pour les valuations
cardinales. Ces deux indices sont par la suite normaliss puis combins pour donner une
mesure globale de la dominance. Enfin, un score global par action est calcul, ce qui
permettra de classer les actions.
-Etape 1 : Calculer les indices de dominance (de laction i par rapport laction ) et
respectivement pour les attributs ordinaux(O) et cardinaux(C).
, avec =
-Etape 2 : Normaliser les indices de la manire suivante :


-Etape 3 : Calculer la dominance globale de laction i par rapport laction . Cest
simplement la somme pondre des indices de dominance normaliss.
=

-Etape 4 : Calculer le score global par action comme suit :

O est le nombre dactions, et permet de ranger les actions [VOOGD H. 1983].

2.3 .2 Les mthodes de lapproche de surclassement :

-Les mthodes PROMETHEE: Preference Ranking Organization METHod
for Enrichment Evaluation
Le principe de la mthode PROMETHEE dveloppes par [BRANS J P. et al 1986]
consiste tablir un processus de comparaison numrique de chaque action par rapport
toutes les autres actions. Ainsi il est possible de calculer le plus (mrite) ou le moins
(dmrite) de chaque action par rapport toutes les autres.
Le rsultat de cette comparaison permet le classement ordonn des actions.
La mise en oeuvre de la mthode peut tre ramene lexcution des trois tapes
suivantes:

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


109

-Etape 1 : Choix de critres gnraliss A chaque critre C
1
, C
2
, ... C
m
sera associ un
critre gnralis choisi sur base d'une fonction de prfrence et les effets d'chelle seront
limins.

-Etape 2 : Dtermination d'une relation de surclassement. Dans une deuxime phase, il
convient de dterminer une relation de surclassement par le biais d'un indice de prfrence
(par exemple: l'cart maximum entre 2 actions) qui quantifiera les prfrences du
dcideur.
-Etape 3 : Evaluation des prfrences L'valuation de la prfrence du dcideur par la
prise en compte des flux entrant et sortant [AYADI. D et al 2010].
-Choix des fonctions de prfrence
Rappelons que le contexte de mise en uvre de la suite PROMETHEE ncessite la
disposition de poids de limportance relative et dune fonction de prfrence, attachs
chaque critre, et que nous avons formaliss de la sorte :
- { }
1...
k
k m
w
=
dsigne le vecteur des poids relatifs des critres, avec : 0
k
w > et
1
1
m
k
k
w
=
=

.
- { }
1...
k
k m
f
=
dsigne le vecteur des fonctions de prfrence du dcideur, individu ou
groupe dindividus.
Dans le cas de PROMETHEE,
k
f est une fonction croissante des carts de jugement. Si
( , )
i j
A A dsigne une paire dalternatives,
k
ij ik jk
x V V = et ( )
k
k ij
f x dsigne la mesure de la
prfrence du dcideur, de lalternative
i
A par rapport lalternative
j
A alors la fonction
( )
k
k ij
f x est parfois reprsente de faon commode par ( , )
k i j
f A A et vrifie :
0 ( ) 1,
k
k ij
f x k s s ; avec comme cas particuliers :
-Si ( , ) 0
k i j
f A A = alors il nexiste pas de prfrence de
i
A sur
j
A

;
-Si ( , ) 1
k i j
f A A = alors
i
A est prfre
j
A ; i.e.
i j
A A .
Les cinq formes standards que peut prendre la fonction de prfrence sont dcrites ci-dessous,
tant entendu que le dcideur est libre de choisir une autre forme plus conforme son systme
de valeurs, condition quelle soit croissante en
k
ij
x [AZZABI L. et al 2009 a].
- Forme 1 : Vrai-critre
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


110

Il sagit du critre au sens classique, puisque aucun paramtre supplmentaire nest exig en
dehors des poids. Lindiffrence entre
i
A et
j
A est vrifie ds que 0
k
ij
x = , et les situations de
prfrence de lune sur lautre quand 0
k
ij
x = .
Dans ce cas, on a :
0 0
( )
1 0
k
ij
k
k ij
k
ij
x
f x
x
s

=
`
>

)

- Forme 2 : Quasi-critre
La construction de la fonction de prfrence exige lintroduction dun seuil qui dtermine
lintervalle dindiffrence, le domaine de prfrence stricte et permet dtablir un ordre partiel
sur lensemble des alternatives. Bien que considr comme un simple paramtre, ce seuil est
semblable au seuil dindiffrence tel que dfini pour ELECTRE.
Dans ces conditions, on a :
0
( )
1
k
ij k
k
k ij
k
ij k
x S
f x
x S
s

=
`
>

)

- Forme 3 : Fonction de prfrence linaire
Cette forme repose sur lhypothse que le dcideur, dans certains cas, considre que sa
prfrence crot progressivement jusqu atteindre une certaine valeur
k
S partir de laquelle,
elle devient stricte.
Autrement dit :
( )
pour
1 pour
k
ij k
ij k
k
k k ij
k
ij k
x
x S
S f x
x S

s

=
`

>
)

- Forme 4 : Critre de niveau
Cette quatrime forme des fonctions de prfrence suggre lintroduction de deux paramtres
k
S et
k
P qui tablissent deux niveaux de prfrence et bien sr un niveau dindiffrence. Cela
nous rappelle le systme de prfrences associ un pseudo-critre tel que dfini dans
ELECTRE et qui introduit une zone de prfrence faible entre lindiffrence et la prfrence
stricte. Mais ici, la prfrence faible est considre comme une intensit et non comme une
zone tampon perue comme marquant un flottement entre les deux.
Au plan formel, lexpression de la fonction de prfrence associe un critre de niveau est :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


111

( )
0 pour
1
pour
2
1 pour
k
ij K
k k
k ij k ij k k
k
ij k k
x S
f x S x S P
x S P
s


= < s +
`

> +
)

- Forme 5 : Fonction de prfrence linaire combine une zone dindiffrence.
Globalement, cest une extension de la forme 4, qui prvoit que dans lintervalle sparant les
deux seuils
k
S et
k
P , la fonction de prfrence est linaire et crot progressivement jusqu
atteindre la somme des deux seuils.
Cette proprit se traduit par la formulation :
( )
0 pour
pour +
1 pour +
k
ij k
k
ij k k k
k ij k ij k k
k
k
ij k k
x S
x P
f x S x S P
P
x S P
s


= s s
`


>
)

- Forme 6 : Critre gaussien
La fonction de prfrence est de type gaussien et crot avec lcart de jugement.
( )
2
2
0 pour 0
1- pour 0
k
ij
k
ij
k
x
k ij
k
ij
x
f x
e x
o

s

=
`

>
)

La valeur de o en Statistiques reprsente la distance entre lorigine et le point dinflexion de
la courbe de Gauss. Dans ce cas prcis, elle est fixe par le dcideur. Tous les seuils, ainsi que
le paramtre o sont considrs comme constants dans PROMETHEE [AZZABI L. et al
2009 b].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


112

Les types de fonction de prfrence utiliss sont donns ci aprs :



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


113


Figure. 50 Diffrents types de critres [VINCKE P. 1989]

La fonction type I est gnralement employe lorsque les donnes prsentent un caractre
discret tel un classement ou ordinal ou encore une valeur de type tout ou rien.
La fonction type II est employe lorsque les seuils dindiffrence sont clairement apparents
dans les donnes du problme pos.
La fonction type III est gnralement employe lorsque les donnes sont telles que les carts
entre elles prsentent un caractre continu, ou encore lorsque toutes les valeurs intermdiaires
entre les valeurs maximales et minimales de ces carts sont possibles.
La fonction type IV est parfois employe dans des cas d'espce, en particulier lorsqu'on peut
affirmer qu'un candidat n'est la fois ni strictement prfr un autre, ni indiffrent. Ce
candidat caractris par un cart donn par rapport un autre se verra attribuer 1/2 point.
La fonction type V est employe lorsque les seuils d'indiffrence et de prfrence stricte sont
clairement apparents dans les donnes du problme multicritre pos.
La fonction type VI (distribution gaussienne) est la fonction la plus employe dans les
applications pratiques et est particulirement indique en cas d'un nombre de candidats
suffisamment lev (en principe minimum 30). Dans ce cas il convient de calculer l'cart type
o de cette distribution.


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


114

Description de la procdure :
-Etape 1 : Dtermination des matrices des prfrences

{ }
1...
k k
ij
k m
F f
=
=

et ( ) ( ) pour 1,..., ; 1,..., ; 1,...,
k k
ij k ij
f f x i n j n k m = = = =


-Etape 2 : Dtermination des vecteurs des puissances et des faiblesses des alternatives

Puissance de lalternative A
i
:
1 1
1
.
1
m n
k
i ij k
k j
f w
n
|
+
= =
=



Faiblesse de lalternative A
i
:
1 1
1
.
1
m n
k
i ji k
k j
f w
n
|

= =
=



Aller ltape 5, Pas (1)

-Etape 3 : Dtermination de la matrice des flux nets partiels
Il est possible de dfinir un flux net partiel
k
i
| de lalternative A
i
pour le critre C
k
qui peut
servir la conduite danalyses par critre, via, par exemple, de reprsentations graphiques,
mais aussi pour dterminer autrement les flux nets agrgs.
{ }
1
1
1
n
k k k
i ij ji
j
f f
n
|
=
=



Aller ltape 5, Pas (3) ou continuer.

-Etape 4 : Dtermination du vecteur des flux nets agrgs
Le flux net agrg associ lalternative A
i
est dtermin directement partir de sa puissance
et sa faiblesse ou en passant par la somme pondre des flux nets partiels.
(1)
i i j
| | |
+
=
(2)
1
m
k
i i k
k
w | |
=
=


-Etape 5a : Formation des classements PROMETHEE I
Formation du classement par puissance dcroissante Z
1
et du classement par faiblesse
croissante Z
2
.
Le classement final Z

est obtenu par lintersection de Z
1
et Z
2
: =
1 2
Z Z Z .
C'est--dire que si une relation entre A
i
et A
j
(indiffrence ou prfrence) est vraie dans Z1 et
Z2, elle vraie aussi dans Z. Si ce nest pas le cas, A
i
et A
j
sont incomparables.
On peut aussi utiliser la procdure de synthse de deux classements pour dterminer un pr
ordre partiel et un pr ordre total. Le pr ordre partiel obtenu Z permet de mettre en vidence
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


115

des relations dindiffrence, de prfrence stricte et dincomparabilit, par paire dalternatives
[AZZABI L. et al 2008 a].
Etape 5b : Formation des classements PROMETHEE II
Formation du classement final par flux net agrg dcroissant.
Le pr ordre complet obtenu met en vidence lindiffrence et la prfrence stricte par paire
dalternatives :
- Indiffrence :

A
i
= A
j
u
i
= u
j

- Prfrence stricte :
Analyse du couple ( )
1... ; 1...
,
i k
i n k m
A C
= =

Reprsentation du profil de chaque alternative
( )
,
k
i k i
g C | et analyse de performance.
Les mthodes PROMETHEE sont faciles et comprhensibles par lutilisateur. Dautres
variantes des mthodes PROMETHEE ont dj vu le jour : PROMETHEE III (conduit un
ordre dintervalle), PROMETHEE IV(Lorsque lensemble des solutions admissibles est un
continuum) et enfin PROMETHEE V (cette mthode a t conue pour des choix
multicritres avec contraintes de segmentation).

-Les mthodes ELECTRE : Limination Et Choix Traduisant la REalit
- ELECTRE I : La procdure dexploitation multicritre ELECTRE I, dans sa version
initiale, est fonde sur deux notions de base : lindice de concordance et lindice de
discordance. Si on considre lhypothse lalternative A
i
surclasse lalternative A
j
, c'est--
dire que A
i

est au moins aussi bonne que A
j
, on dit quun critre est concordant sil vrifie
cette hypothse, sinon on dit quil est discordant.
Dans ces conditions la validit de lhypothse de surclassement est caractrise par
limportance des critres concordants par rapport aux critres discordants, ce que vise la
dtermination des indices [AYADI D. et al 2008 c].
- Etape 1 : Calculer Lindice de concordance
A chaque couple dactions (ai, ak); on associe lindice de concordance suivant :

- Etape 2 : Calculer Lindice de discordance
A chaque couple dactions (ai, ak); on associe lindice de discordance suivant :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


116



Avec : E est ltendue de la plus grande chelle associe lun des critres.

- Etape 3 : Construire les relations de surclassement :
On conclut au surclassement de a
k
par a
i
si un test de concordance et un test de non
discordance sont satisfaits :

Si lun ou lautre des tests ou les deux ne sont pas satisfaits, on se trouve dans une situation
dincomparabilit.

c : est le seuil de concordance : il est relativement grand. c[1/2, 1]
d : est le seuil de discordance : il relativement petit.
- Etape 4 : Exploiter les relations de surclassement :
Cette tape consiste dterminer le sous-ensemble dactions N appel noyau tel que toute
action qui nest pas dans N est surclasse par au moins une action de N et les actions de N
sont incomparables entre elles.

- ELECTRE II : La mthode Electre II utilise le mme indice de concordance que Electre I.
Toutefois, on associe trois seuils cet indice (0.5 <c3<c2<c11). Lindice de discordance ne
change pas non plus dans sa dfinition (Electre I), mais on le calcule pour chaque critre
discordant, et on lui donne 2 seuils (2 seuils par critre : 0<dj1<dj2<Ej) [TAYEB L. et al
2008].
La mthode Electre II se prsente comme suit :
On attribut chaque critre j, un poids j dautant plus grand que le critre est important.
- Etape 1 : Calculer les indices de concordance
A chaque couple dactions (ai, ak); on associe lindice de concordance suivant :

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


117

- Etape 2 : Calculer les indices de discordance
A chaque couple dactions (ai, ak); et pour tout critre j, on associe lindice de discordance
suivant :

- Etape 3 : Construire les relations de surclassement :
On conclut au surclassement fort de a
k
par a
i
(a
i
S
F
a
k
) si un test de concordance et un test de
non discordance sont satisfaits :

On conclut au surclassement faible de ak par ai (a
i
S
F
a
k
) si les tests de concordance et de non
discordance suivants sont satisfaits :

Si aucun des deux tests prcdents nest satisfait, alors on conclut lincomparabilit des
actions ai et ak (ak R ai).
-Etape 4 : Exploiter les relations de surclassement :
On tablit deux pr-ordres totaux P1 et P2, ainsi quun pr-ordre partiel P.
- Le premier pr-ordre total P1 est obtenu par classement direct en utilisant uniquement
les surclassements forts : la premire classe est celle des actions non surclasses : cest
dire celles auxquelles aboutit un chemin de longueur nulle. La deuxime classe est celle
des actions auxquelles aboutit un chemin de longueur 1, et ainsi de suite.
- Le second pr-ordre P2 est obtenu par classement inverse : on classe cette fois les
actions en fonction de la longueur des chemins toujours en surclassement fort- qui en
sont issus. On utilise ensuite les surclassements faibles pour dpartager les actions
lintrieur des classes.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


118

- Le pr-odre P est lintersection de P1 et P2.

- ELECTRE III : On attribut chaque critre j, un poids j dautant plus grand que critre
est important [TAYEB L. et al 2008].
La mthode Electre III se distingue des mthodes Electre I et II par lexploitation de pseudo-
critres : on peut alors se trouver dans une situation dindiffrence, de prfrence faible ou de
prfrence stricte lors de la comparaison des carts de prfrence de deux actions selon un
critre.
- Etape 1 : Calcul de lindice de concordance

Avec :
j
=e
ij
e
kj
et q
j
, p
j
sont les seuils de discrimination.
- Etape 2 : Calcul de lindice de discordance (par critre)

Avec : vj tant le seuil de veto du critre j.

- Etape 3: Dterminer les degrs de crdibilit des surclassements :



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


119

Cette tape nous permet de dterminer des relations de surclassement values [0,1], pour
toute paire dactions (ai , ak ).
- Etape 4: Exploiter les relations de surclassement :
Cette tape consiste dterminer un rangement des actions. Pour ce faire, on joue sur le
niveau de signification du degr de crdibilit et on procde des distillations successives
descendantes et ascendantes qui aboutissent deux rangements (pr-ordre complet).
- ELECTRE IS : Les proprits des critres comprennent les poids, un seuil de prfrence,
un seuil dindiffrence et un seuil de veto.
Les seuils peuvent varier le long de lchelle des critres et on peut agir sur le seuil de veto
pour augmenter ou diminuer limportance de lensemble des critres concordants, quon
dsigne sous le vocable de coalition concordante .
La dmarche de mise en uvre dELECTRE IS est dcrite ci-dessous.
- Etape 1 : Calcul de lindice de concordance

Avec : j= eijekj et qj , pj sont les seuils de discrimination.

- Etape 2 : Calcul de lindice de discordance
A chaque couple dactions (ai, ak); on associe lindice de discordance suivant :

E est ltendue de la plus grande chelle associe lun des critres.

- Etape 3 : Construire les relations de surclassement

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


120




- Etape 4 : Exploiter les relations de surclassement : Cette tape consiste dterminer le
noyau du graphe de surclassement.

- ELECTRE IV : Les conditions dapplication dELECTRE IV sont identiques celles
dELECTRE III la diffrence prs que cette mthode ne tient pas compte des poids des
critres. Cela peut tre trs utile dans les cas o il nest pas possible de les dterminer de
faon relativement prcise, ou lorsque le dcideur ne souhaite pas faire une diffrenciation
entre les critres en terme dimportance.
Il est clair quen labsence des poids, on ne peut considrer lindice de crdibilit tel quutilis
dans ELECTRE III, comme un moyen sr de vrifier la solidit dun surclassement, mme en
cherchant attribuer aux critres des poids gaux une certaine valeur, ce qui revient
finalement les intgrer dans le processus [TAYEB L. et al 2008].
La mthode Electre IV se prsente comme suit :
-Etape 1 : valuer toute paire dactions selon chaque critre
Pour chaque paire dactions confronte au jugement dun critre, on se demande simplement
laquelle des deux actions est prfre lautre selon ce critre. Cest ce niveau
quinterviennent les seuils (qj, pj, vj)
4
.
- Etape 2: Dterminer les relations de surclassement de toute paire dactions.
- Etape 3: Exploiter les relations de surclassement [HAMMAMI A. 2003].
- La mthode MACBETH : Measuring Attractiveness by a Categorial Based Evaluation
TecHnique
La mthode MACBETH est une mthode multicritre de dcision. Elle permet de traduire
les jugements smantiques noncs par un dcideur sur une chelle numrique travers des
comparaisons par des experts de diffrentes situations.
Le principe de la mthode est dexploiter une expertise humaine sous forme de comparaisons.
Par exemple, si lexpert prfre le choix A au choix B selon le critre i alors P
i
A
> P
i
B
. Cet
ordre est transform en informations quantitatives concernant les expressions de performances
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


121

(P
i
A
= P
i
B
=). Une dmarche similaire est mene pour dterminer les poids W
i
de la
moyenne pondre, sur la base de la comparaison de projets particuliers, comme nous le
verrons ultrieurement [CLIVELLE V. et al 2006].
La mthode prconise une procdure structure en 4 tapes principales schmatises dans la
figure 57.

Figure. 51 La procdure MACBETH adapte par [BANA E COSTA .CA et al 1999]

Aprs une dfinition du contexte o sont retenus les critres et les situations envisages (tape
1), la mthode permet aux experts de dfinir en parallle les vecteurs dexpressions
lmentaires (tape 2) et les paramtres de loprateur dagrgation (tape 3). Lorsque ces 2
types dinformation sont disponibles, MACBETH fournit les expressions de performance
correspondantes (tape 4). Les experts peuvent revenir sur leurs comparaisons si des
contradictions sont dtectes (consistance) ou si les rsultats obtenus ne les satisfont pas
[BANA E COSTA C. et al 2003].
La mthode MACBETH est en effet une procdure interactive qui consiste demander au
dcideur de juger verbalement la diffrence dattractivit entre deux actions x et y de S (avec
x est plus attractive que y) en utilisant les catgories smantiques suivantes :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


122


C
0


Diffrence dattractivit nulle.
C
1


Diffrence dattractivit trs faible.
C
2


Diffrence dattractivit faible.
C
3


Diffrence dattractivit modre.
C
4


Diffrence dattractivit forte.
C
5


Diffrence dattractivit trs forte.
C
6


Diffrence dattractivit extrme.
Tableau. 10 Catgorie de jugement
Durant ce processus interactif, une matrice de jugements catgoriques sera construite. Par
exemple si le dcideur value les 6 actions A, B, C, D, E et F selon le critre Qualit, on aura
une matrice limage de celle prsente ci-dessous [CLIVELLE V. et al 2006].
Supposons que X = {A, B, C, D, E, F} et que J ait formul les jugements suivants :

Qualit A B C D E F
A Nulle Faible Faible Modre Modre Trs forte
B Nulle Faible Modre Extrme Extrme
C Nulle Forte Trs forte Extrme
D Nulle Trs forte modre
E Nulle Trs forte
F Nulle
Tableau. 11 Matrice des jugements du dcideur par rapport au critre qualit
Les termes faible en ligne A colonne B signifient que J a dit que A P (prfr) B.
Les termes trs forte en ligne A colonne F signifient que J a dit que A P F.
La mthode MACBETH traite des informations semblables celles rcapitules la matrice
des jugements ci-dessus. Elle associe un score chacune des actions et fait en sorte que la
diffrence des scores des actions D et E est suprieure la diffrence des scores des actions B
et C. Par ailleurs, tant donne la relation de prfrence P et la matrice des jugements,
MACBETH vrifie lexistence dune chelle numrique sur S qui satisfait les deux
conditions suivantes :

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


123

Condition 1 : (Condition ordinale)
x, y S : (x) > (y) x est plus attractive que y.
Condition 2 : (Condition smantique)
k, k appartenant au tableau des catgories smantique, et le choix de dcideur soit x, y,
w, z avec le couple de choix (x, y) qui appartient Ck (catgories smantique), et le couple
(w, z) qui appartient Ck(catgories smantique), avec k k + 1 ce qui signifie que la
diffrence entre lchelle numrique de x et de y soit suprieur la diffrence entre lchelle
numrique de w et de z.
En rsum : k, k {1, 2, 3, 4, 5, 6}, x, y, w, z S avec (x, y) Ck et (w, z) Ck :
k k + 1 (x) - (y) > (w) - (z)
Si ces deux conditions ne sont pas satisfaites, alors les jugements smantiques ne peuvent tre
reprsents sur une chelle (intervalle) numrique. Dans ce cas, on dit que la matrice des
jugements est incompatible avec la construction dune chelle cardinale sur S. Les cas
dincompatibilit seront traits plus en dtail au paragraphe intitul Traitement des cas
dincompatibilit .
En revanche, si les conditions (1), (2) sont satisfaites, alors la matrice des jugements est dite
consistante [AYADI. D et al 2009].
3. Procdure de choix dune mthode daide
la dcision multicritre (MADMC)
Daprs ltude des mthodes MADMC prsente aux paragraphes prcdents, nous
constatons que ces mthodes se diffrencient par la faon de modliser les prfrences du
dcideur, la dcision de pondrer ou non les critres ainsi que les attentes du dcideur
relatives aux rsultats de lapplication dune MADMC (rangement daction, possibilit
davoir des incomparabilits entre actions, ).





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


124

Inputs
Outputs
O1 O2 O3 O4 O5 O6 O7
I1
I2
I3 ELECTRE IV
I4
I5
I6
I7
I8
I9
I10
I11
I12
I13
I14
I15
I16
I17 ELECTRE II MACBETH ELECTRE I
I18
PROMETHEE
II
PROMETHEE
I

ELECTRE
TRI
I19 EVAMIX ELECTRE III
ELECTRE
IS

I20
MAUT
TOPSIS

MAVT
SMART
UTA

I21 AHP
I22
I23

Tableau. 12 Classification des MADMC selon la matrice inputs/outputs
[HAMMAMI A. 2003]


La description des diffrents inputs et outputs de la matrice ci-dessus dpasse le cadre de cette
section. Nous nous limitons expliciter les inputs et outputs correspondant des cases pleines
de la matrice.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


125

3.1 Caractrisation des inputs

Tableau. 13 Caractrisation des inputs [HAMMAMI A. 2003]

Avec :







t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


126

3.2 Caractrisation des outputs


Tableau. 14 Caractrisation des outputs [HAMMAMI. A 2003]

Avec :


Les MADMC se diffrencient par les informations utilises lentre (Input) et les rsultats
obtenus la sortie (Output). Ainsi, la dfinition des inputs et des outputs permet de classer les
MADMC, ce qui aidera la conception dune procdure de choix dune MADMC. En effet,
cette ide est la base de la classification des MADMC propose dans [GUITOUNI A. et al
1999] et que nous retenons pour concevoir une procdure de choix dune MADMC.
[GUITOUNI A. et al 1999] ont dfini 24 inputs et 7 outputs. Ce qui correspond une
matrice de taille (24 x 7). Les MADMC ont t places dans les cases correspondantes de la
matrice. [HAMMAMI A. 2003].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


127

Dans [GUITOUNI A. et al 1999] , trois relations de propagation ont t dfinies. Elles
permettent de propager une MADMC qui se trouve dans une case dautres (Exemple : les
mthodes TOPSIS et AHP ont t associes naturellement aux case (I20, O1) et (I21, O1).
Lapplication dune des relations de propagation a permis de placer ces mthodes
respectivement dans les cases (I20, O3) et (I21, O3). Cette propagation sexplique par la
raison suivante : rien nempche dutiliser les scores obtenus par les actions pour faire un
classement de ces mmes actions). Cependant, mme avec les relations de propagation, on ne
peut propager une MADMC vers nimporte quelle position de la matrice.
3.3 Procdure de choix dune mthode de slection
Dans le Tableau 15, nous rcapitulons les diffrences entre les mthodes doptimisation
mathmatique et les mthodes daide la dcision multicritre, et ce afin de servir de base au
dveloppement dune procdure de choix dune mthode de slection.

Tableau. 15 Tableau comparatif des MOM et des MADMC [HAMMAMI. A 2003]

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


128

De plus les MOM permettent la rsolution et la slection simultanment et les MADMC ne
permettent que la slection dune solution parmi plusieurs.
Nous prsentons ci aprs un synoptique pour la procdure propose pour laide au choix
dune mthode de slection.
Dans le cas o lensemble des actions est connu a priori, nous pouvons placer les mthodes
mathmatiques (nous considrons lide conceptuelle la base de chacune des mthodes)
dans la matrice des inputs/outputs prsente au paragraphe prcdent.
Inputs
Outputs
O1 O2 O3 O4 O5 O6 O7
I21
-La mthode du critre global
-La programmation mathmatique
objectifs multiples
-La mthode du - Constraint
-La technique compromise
programming
-Le Goal Programming


Tableau. 16 Positionnement des mthodes doptimisation mathmatique sur la matrice
inputs/outputs [HAMMAMI A. 2003]

La classification des MADMC selon le couple (input / output) rend le choix plus facile faire
Il suffit de se placer dans la case correspondante pour savoir quelles sont les mthodes
susceptibles dtre appliques au problme. La question qui se pose ds lors sera la suivante :
comment faire pour choisir, parmi plusieurs mthodes se trouvant dans une mme case, la
mthode que le dcideur souhaiterait appliquer ? Pour rpondre cette question, nous
tudions les cases regroupant plusieurs mthodes une une. Les cases contenant des
mthodes non explicites dans ce rapport ne feront pas lobjet dune tude mme case
[HAMMAMI A. 2003].










t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


129

4. Critiques des mthodes daide la
dcision multicritre et doptimisation
mathmatique multicritre

Les mthodes daide la dcision multicritre et doptimisation mathmatique multicritre
constituent chacune des avantages et des inconvnients dans leurs applications et diffre selon
le besoin dutilisation, cependant elles permettent tous daider le dcideur faire un choix
judicieux et une meilleure slection.
4.1 Avantages et inconvnients des mthodes daide la
dcision multicritre
Mthodes Avantages Inconvnients
TOPSIS
Lapport de la mthode TOPSIS est lintroduction
des notions didal et danti-idal.
Elle est facile appliquer.
Les attributs doivent tre de nature cardinale,
les prfrences sont fixes a priori.
Si toutes les actions sont mauvaises, la
mthode propose la meilleure action parmi les
mauvaises.
SMART
La mthode SMART est facile exploiter.
Elle exige une articulation a- priori des
prfrences, et une valuation des actions sur
une chelle unique.
MAVT
La mthode MAVT est trs pratique pour les
problmes daide la dcision, les problmes
dconomie, de finance et dactuariat.
Cest une procdure trs exigeante de point de
vue informationnel. Par ailleurs, la construction
des fonctions de valeur nest pas toujours une
tche vidente.
La construction de la fonction analytique V est
une tche ardue.
Lexploitation de la forme additive nest
possible que sous des hypothques trs
restrictives du point de vue thorique.
MAUT
La mthode MAUT permet les valuations des
actions par rapport aux attributs qui sont imprgnes
dincertitude (alatoire).
Cest une procdure trs exigeante de point de
vue informationnel. Par ailleurs, la construction
des fonctions de valeur nest pas toujours une
tche vidente.
La construction de la fonction analytique V est
une tche ardue.
Lexploitation de la forme additive nest
possible que sous des hypothques trs
restrictives du point de vue thorique.
UTA
Dans UTA, les fonctions dutilit partielles
dcoulent toutes la fois de la prfrence globale
exprime par le dcideur.

La mthode UTA exige des donnes
cardinales, une articulation a-priori des
prfrences, une famille de vrai-critres.
UTA exige lindpendance au sens des
prfrences.
AHP
la mthode AHP permet la modlisation du
problme de dcision par une structure hirarchique.
Elle utilise une chelle smantique pour exprimer les
prfrences du dcideur.
Un grand nombre dlments dans le problme
de dcision fait exploser le nombre de
comparaisons par paires.
Le problme de renversement de rang (deux
actions peuvent voir leur ordre de priorit
sinverser suite une modification (ajout ou
suppression dune ou de plusieurs actions) de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


130

lensemble des actions.
Lassociation dune chelle numrique
lchelle smantique est restrictive et introduit
des biais.
EVAMIX
La mthode EVAMIX est facile mettre en uvre.
-Elle a lavantage de traiter les valuations ordinales
et cardinales.
La mthode EVAMIX exige une articulation a-
priori des prfrences, et une structure de
prfrence du type {P,I}.
PROMETHEE I
La mthode PROMETHEE I construit une relation
de surclassement value traduisant une intensit de
prfrence.
L'indiffrence est en pratique trs rare vu les
nombreux calculs pour obtenir les flux.
PROMETHEE II
La mthode PROMETHEE II construit un pr-ordre
total excluant l'incomparabilit et rduisant fortement
l'indiffrence.
La mthode PROMETHEE II apparat
clairement comme une mthode d'utilit, les
comparaisons 2 2 ne servant qu' masquer le
calcul du score final u(a) de chaque action.
PROMETHEE III
La mthode PROMETHEE III introduit des seuils
d'indiffrence sur les flux, ce qui minimise les
nombreux calculs pour lobtention de ces flux.
Dans cette mthode les seuils dindiffrences
n'ayant pas d'interprtation concrte pour le
dcideur, ils font l'objet de calculs statistiques
qui rendent la mthode moins "accessible".
PROMETHEE IV

La mthode PROMETHEE IV a un intrt plutt
thorique et concerne des ensembles infinis d'actions.
La mthode ncessite le calcul d'intgrales au
lieu de sommes.
ELECTRE I
La mthode ELECTRE I est utilise pour des
problmatiques de slection.
Elle introduit la notion de noyau qui permet de
restreindre le domaine de ltude pour sintresser
uniquement aux meilleures actions.
Elle exige de traduire les performances des
actions en notes, ce qui suscite une gne chez
certains utilisateurs qui y voient une perte de
matrise de leurs donnes.
ELECTRE II
La mthode ELECTRE II relve des problmatiques
de classement.
Elle vise classer les actions depuis les meilleurs
jusqu'aux moins bonnes, en tolrant les ex-aequo.
Il est difficile de dterminer le pr-ordre
partiel P car les rangs des actions bougent
beaucoup entre le classement direct et le
classement inverse.
Elle exige des valuations cardinales et une
articulation a priori des prfrences.
ELECTRE III
La mthode ELECTRE III relve des
problmatiques de classement. Le but est de classer
les actions des meilleures aux moins bonnes.
L'originalit de cette mthode est d'admettre une part
de flou dans les choix du dcideur, et l'introduction
d'un seuil vto.
Elle exige un grand nombre de paramtres
techniques.
Elle est juge trop complexe et parfois difficile
interprter.
ELECTRE IV
La mthode ELECTRE IV relve des
problmatiques de classement.
Elle associe chaque critre des seuils de
prfrences, mais l'originalit rside dans le fait de
supprimer la pondration attache chaque critre.
Elle exige un grand nombre de paramtres
techniques.
ELECTRE Is
La mthode ELECTRE Is est utilise pour des
problmatiques de slection.
Elle introduit la notion de noyau qui permet de
restreindre le domaine de ltude pour sintresser
uniquement aux meilleures actions.
Elle exige de traduire les performances des
actions, ce qui suscite une gne chez certains
utilisateurs qui y voient une perte de matrise de
leurs donnes.
ELECTRE TRI
Relve des problmatiques d'affectation.
Le but est de classer les actions qui seront proposes
au dcideur dans une des catgories prdfinies.
Elle exige un grand nombre de paramtres
techniques.

MACBETH
La mthode MACBETH permet de combiner deux
types d'information une information sur les
prfrences rvles
par le dcideur, une information sur l'importance des
critres et leurs interactions, limites aux paires de
critres.
les chelles de La mthode MACBETH ne
sont pas bornes.
Dans la mthode MACBETH, la dtermination
des constantes dchelle suit le mme processus
que pour la dtermination des chelles
dattractivit.
Tableau. 17 Les avantages et inconvnients des mthodes daide la dcision
multicritre
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


131

4.2.Avantages et inconvnients des mthodes doptimisation
mathmatique multicritre
Mthodes Avantages inconvnients
La mthode du
critre globale
La mthode du critre global a lavantage
davoir une fonction objective facile
formuler.
La normalisation des valuations est faite
implicitement par la dfinition mme de la
fonction objective.
La mthode du critre global nexige pas
une articulation a- priori des prfrences.
Elle gnre une solution mdiocre si
toutes les actions ne sont pas bonnes.
PMOM
La mthode PMOM constitue un axe de
recherche trs porteur du domaine de la
recherche oprationnelle et de lanalyse de
la dcision.
Elle exige une articulation a posteriori
des prfrences.
Le traitement dun programme
mathmatique objectifs multiples peut,
tord, nous paratre ais.
- Constraint
Method
La mthode du - Constraint est facile
mettre en place.
Elle fixe le seuil de performance sur n-1
critres.
le principal inconvnient de cette
mthode est le fait quelle soit
gourmande en temps de calcul sil y a
trop de contraintes.
Compromise
Programming
Le compromise programming a lavantage
davoir une fonction objectif facile
formuler.

la rsolution du modle Compromise
Programming peut tre beaucoup plus
difficile dans le cas o on dispose dun
ensemble de contraintes respecter.
Le dfaut du Compromise Programming
est de proposer une action mdiocre si
toutes les actions ne sont pas bonnes.
Le Compromise Programming exige une
articulation a- priori des prfrences.
Goal
Programming
Le Goal Programming a lavantage
daborder les problmes sous langle de
satisfaction dobjectifs.
Le Goal Programming savre utile pour
modliser des problmes qui nont pas de
solution optimale.
un modle Goal Programming qui permet
de choisir laction qui se rapproche le plus
de ces souhaits.
Le Goal Programming dans sa forme
standard peut gnrer des solutions non
performantes dans le cas o les
objectifs sur les critres sont fixs de
faon pessimiste.

Tableau. 18 Les avantages et inconvnients des mthodes doptimisation mathmatique
multicritre


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 2 :Lapproche multicritre daide la dcision


132

Conclusion
Nous avons tudi les mthodes de traitement dun problme multicritre. Nous avons
prsent les mthodes multicritres daide la dcision. Nous avons montr limpact de la
modlisation des prfrences du dcideur sur le choix dune mthode dagrgation.
Lanalyse multicritre semble tre un outil parfaitement adapt pour intgrer de nouveaux
facteurs, difficilement quantifiables et de grande importance dans la prise de dcision.
Il ne faut toutefois pas considrer lanalyse multicritre comme un outil magique, permettant
de rsoudre lpineux problme de la pondration. La pondration restera subjective, mais
lanalyse multicritre peut permettre de faciliter cette tape, et dappliquer au problme de
pondration une lgitimit plus importante. On peut utiliser certain logiciels pour structurer le
raisonnement menant une pondration. Ainsi, le logiciel MACBETH, qui par tapes permet
de crer une pondration. Lanalyse multicritre est avant tout un outil permettant et aidant
les dcideurs faire un choix rflchi et structur. Mener de front, deux analyses multicritres
lune avec une mthode compensatoire, et lautre avec une mthode non compensatoire,
permettrait davoir un point de vue plus large quand aux choix considrs.
Ainsi, dans ce qui suit, dans notre modle de recherche nous sommes bass sur lapplication
des mthodes multicritres de surclassement telle que : AHP et MACBETH ; et aussi la
programmation mathmatique.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


133

Chapitre 3
Construction dune dmarche Six Sigma base
sur Approche Multicritre dAide la Dcision
pour lamlioration dun systme de
production
Sommaire
INTRODUCTION ...................................................................................................................... 134
1. Dmarche de recherche .................................................................................................. 135
2. La proposition dune mthode Six Sigma et approche multicritre daide la
dcision ................................................................................................................................. 137
2.1. Etape 1 : Dfinir .......................................................................................................... 137
2.1.1 La conduite de ltape .............................................................................................. 137
2.1.2 Identifier les CTQ .................................................................................................... 138
2.2. Etape 2 : Mesurer ........................................................................................................ 142
2.2.1 La conduite de ltape .............................................................................................. 148
2.2.2 Le concept de la capabilit(aptitude) ....................................................................... 149
2.3. Etape 3 : Analyser ....................................................................................................... 150
2.3.1 Les causes de variation ............................................................................................ 151
2.3.2 La mthode MACBETH .......................................................................................... 153
2.4. Etape 4 : Innover/Amliorer ....................................................................................... 153
2.4.1 La gnration des solutions...................................................................................... 153
2.4.2 Contribution llaboration dune dmarche globale daide la dcision pour
amliorer un processus de production .................................................................................. 154
2.5. Etape 5 : Contrler ...................................................................................................... 165
2.5.1 Les diffrentes natures de contrle de variable ....................................................... 166
2.5.2 Les cartes de contrles ............................................................................................. 168
CONCLUSION .................................................................................................................. 170


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


134

Introduction
Chaque priode nous amne de nouvelles mthodes, de nouveaux outils et de nouvelles
dmarches. Plusieurs dmarches sont apparues et ont marqu lhistoire de la qualit. On peut
citer le contrle qualit, lassurance qualit, le TQM (Total Quality Management) La
stratgie Six Sigma est lune des dernires dmarches qualit qui se dveloppent rapidement
dans le monde des affaires.
Six Sigma est le systme de management qui se dveloppe le plus vite aujourdhui dans
lindustrie. Centr sur une puissante mthodologie de rsolution de problme et
doptimisation des processus, Six Sigma a permis dconomiser des millions de dinars dans
les socits qui ont appliqu la dmarche ces dix dernires annes.
La puissance de Six Sigma vient de lapplication doutils statistiques dans le contexte dune
mthodologie structure et facile mettre en uvre. Ces outils, utiliss le plus souvent dans
un environnement oprationnel de production, s'appliquent galement tous les processus, y
compris administratifs [ECKES G. 2005].

Figure. 52 Philosophie Six Sigma
La dmarche 6 Sigma possde lavantage de mixer la fois la formalisation des processus par
une cartographie prcise et une analyse de la variabilit des paramtres par analyse statistique.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


135

Tous les procds, quel que soit leur degr de prcision, sont incapables de produire toujours
exactement le mme produit. Il y aura toujours une petite variation entre les produits rputs
identiques, et ce sont ces variabilits qui conduisent la non qualit [PILLET M. 2005].
Quelles que soient la machine tudie et la caractristique observe, on note toujours une
dispersion dans la rpartition de la caractristique.
Ces variations proviennent de lensemble du procd de production. Lanalyse de ces
procds permet de dissocier 5 lments source de cette dispersion, on les dsigne
gnralement par les 5 M . Ces 5 causes fondamentales sont responsables de dispersion et
donc de non qualit.
Alors le but de Six Sigma est d'amliorer rapidement, de faon continue et importante les
processus en liminant ces variabilits. Cette mthodologie est utilise pour amliorer les
processus, les produits et les services, pour rduire les cots de toutes sortes et amliorer la
qualit [ECKES G. 2005].
1. Dmarche de recherche
Cette recherche tente de rpondre un besoin damlioration prsent dans de nombreuses
entreprises : Ladaptation des dmarches de rsolution de problmes leur contexte pour
amliorer lefficacit des mthodes.
La question principale de ce travail de recherche peut donc snoncer comme suit :
Comment une entreprise peut elle valuer judicieusement la performance de son systme de
production en slectionnant tous les problmes dans les 5 M et en identifiant les causes relles
en minimisant les essais ?
Lobjectif de nos travaux est donc de rpondre la question prcdente.
Pour apporter une solution cette problmatique nous avons vu quil faut proposer une
mthode adapte et adaptable aux diffrents problmes rencontr dans les 5 M de processus
de production.
Ltude bibliographique des mthodes et des outils existants (outils qualits et outils
multicritre daide la dcision) de rsolution des problmes nous aide orienter la structure
de rsolution de problmes prsente dans la partie suivante.
La structure de notre proposition se base essentiellement sur la mthode Six Sigma et les
outils multicritres daide la dcision.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


136


Figure. 53 Six Sigma et outils multicritres daide la dcision


Figure. 54 Diffrents types dtats de processus
La mthode Six Sigma sur les notions de client, processus et mesure; il s'appuie en particulier
sur :
1. les attentes mesurables du client (CTQ - Critical To Quality),
2. des mesures fiables permettant valuer la performance du processus mtier de l'entreprise,
3. des outils statistiques pour analyser les causes sources influant sur la performance,
4. des solutions attaquant ces causes sources.
5. des outils pour contrler que les solutions ont bien l'impact escompt sur la performance.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


137

La mthode se base ainsi sur 5 tapes qui se contractent dans l'acronyme DMAAC (ou
DMAIC en anglais) pour Dfinir, Mesurer, Analyser, Amliorer et Contrler.
On retrouve dans quelques tape possde des outils qualit et des outils multicritres daide
la dcision diffrents qui sont regroups dans une dmarche cohrente [LAMPRECHT J.
2003].
2. La proposition dune mthode Six Sigma
et A.M.C. Les tapes Six Sigma
2.1 tape 1: Dfinir
Pour obtenir les niveaux de capabilit relatifs six carts types de la moyenne, lapproche
Six Sigma propose une mthodologie damlioration qui se dcline en cinq tapes DMAIC.
Cette approche aborde lamlioration de la production selon les mthodes de rsolution des
problmes. La phase de dpart consiste valuer la situation actuelle du fonctionnement de
lentreprise et se fixer des objectifs concrets damlioration.
Lobjectif atteindre doit tre concret et clairement dfini, mme si ce nest pas toujours
facile. Il faut que toutes les nergies des membres de lentreprise soient focalises sur la
rsolution dun problme. Le processus didentification des problmes doit tre mis en oeuvre
mthodiquement jusqu la dcouverte du problme rel et plusieurs ides seront testes avant
de parvenir la meilleure solution.
Cette tape nous permet de rdiger la charte du projet en dfinissant les acteurs du projet, le
cadre du projet, et les objectifs atteindre.
2.1.1 La conduite de ltape
- Prdfinition du projet
Il sagit de lidentification :
- Dun vrai problme : lexistence dun cart remarquable entre ce qui est attendu et ce
qui est mesur.
- Dun vrai client : un client motiv par la rduction de lcart.
- Des gains significatifs : justifiant le temps et lnergie que lon va dpenser.
- Dun primtre limit : garantissant une dure daction entre six mois et un an.
Cette sous tape aide tout dabord identifier les projets susceptibles dtre conduits, ensuite
de les classer en fonction du potentiel de gain et de difficult quils prsentent, et enfin
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


138

slectionner le bon projet en fonction des critres qui sont en adquation avec la stratgie de
lentreprise.
- Dfinition du projet
Aprs avoir slectionn le problme sur lequel on doit se ponctuer, on cherche dans cette
tape parfaitement dcrire qui est le client, quelle est son insatisfaction et quelle est la
grandeur Y qui permet de traduire cette insatisfaction. Ce travail doit impliquer le plus
rapidement possible lquipe du projet. La premire phase de la dfinition sera donc la
formation de lquipe.
Cette tape consiste identifier les diffrents acteurs du projet qui sont :
- Le Master Black Belt ou pilote qui va conduire le projet en matrisant la mthode
Six Sigma.
- Le champion qui va dployer le Six Sigma et librer les ressources ncessaires.
- Le Black Belt (ou green Belt) qui a un rle de direction et dorganisation.
- Lquipe compose de personnes formes la mthode Six Sigma [PILLET M. et al
2004].
La mise en oeuvre de Six Sigma ncessite une trs importante formation spcifique pour
chaque acteur du projet. Cette formation se fait par une introduction la mthode, lexpos
des diffrents outils qui seront utiliss et des revues qui seront ralises entre chaque tape de
la dmarche.
Aprs avoir dfini et form lquipe du projet, on va prsenter les outils les plus souvent
utiliss pour mener cette tape dfinir .
2. 1.2 I dentifier les CTQ
- couter la voix du client
Le but du Six Sigma est datteindre la satisfaction du client et pour se faire il faut se mettre
son coute travers une tude complte du march pour bien identifier ses besoins. Donc il
faut:
- Identifier les diffrentes catgories de clients potentiels.
- Analyser les produits.
- Ecouter la voix des personnes intresses, directement ou indirectement, par le
produit.
- Identifier toutes les attentes clients par rapport au produit.
Cette tude doit couvrir les aspects techniques et motionnels.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


139

Une bonne coute du client permet de complter les colonnes du diagramme CTQ.
- le diagramme CTQ (Critical To Quality)
But de loutil : le diagramme CTQ a pour objectif de dcomposer le besoin du client en
exigences (Qualit, cot, dlais) qui doivent pouvoir tre mises en face des caractristiques
que lon sait valuer par une mesure.
Les CTQ sont trs importants, car le respect des spcifications portes sur ces caractristiques
formera le socle de la dmarche.
- cartographier le processus
La cartographie du processus est un excellent moyen de raliser une phase danalyse dun
processus de production.
Son but cest dillustrer les flux physiques et les flux dinformations depuis les
approvisionnements en matires premires jusquau client.
- cartographie Lean Six Sigma

Dans une dmarche Lean Six Sigma, la cartographie consiste suivre lensemble du
processus pour identifier les foyers importants de perte de performance sur chaque tape.
On cherchera identifier :
- Tous les dlais.
- Tous les temps de cycle, de valeur ajoute.
- Tous les rebuts, retouches
- Temps de changement de sries.
- Tous les problmes rencontrs.
- dfinir les limites du projet

Les limites du projet se sont les primtres qui doivent tre dfini.
Lorsquon nonce un problme, on sengage directement rechercher une solution sans avoir
positionn correctement le problme. Pour cela, on utilise plusieurs outils de base de la qualit
qui nous permettent de remonter les causes qui sont la racine du problme.
- dfinir les gains et les cots
Au dpart du projet Six Sigma, on doit tenir compte du contrle de gestion et suivre les gains
et les cots.
- Dfinir les cots prvisionnels

Les cots prvisionnels peuvent tre directs et indirects tels que :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


140

- Temps pass par les membres du groupe de travail ;
- Rcolte de donnes sur le terrain ;
- Ralentissement et arrt de production pour cause dessais ou de modification de
processus ;
- Essais et contrles ncessaires dans le projet ;
On ne peut pas fixer au dpart les cots qui seront engags mais la liaison entre la gestion du
projet et la gestion financire permet daffirmer une premire estimation.
- Dfinir les gains prvisionnels
On distingue deux parties :
- Une partie des gains facilement identifiable, se sont en gnral les conomies raliss
(la diminution de taux de rebut, retouche, ).
- Une grosse partie des gains difficilement quantifiables (gains non mesurables) comme
lamlioration de limage de la socit auprs des clients.
- La charte du projet :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


141


Tableau .19 Charte du projet

La charte du projet est un fichier qui rsume les principaux rsultats quon a obtenu:
- La dfinition de problme ;
- Lidentification des caractristiques critiques pour les clients ;
- La mise en vidence de ltat actuel et de ltat souhait, qui doit faire apparatre les
limites du projet ;
- La dfinition du groupe de travail et lengagement des principaux acteurs
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


142

La charte est une fiche de base sur laquelle se droule la premire revue de projet R0 entre
(Black belt) et le responsable du dploiement (champion) [PILLET M. 2005].
2.2 tape 2: Mesurer
Pourquoi mesurer ? On ne progresse que sur ce qui est mesur , exprience
personnellement vcue dans lindustrie automobile o lintgration des technologies ne
permet pas de raisonner sans mesures prcises de donnes techniques et physiques et en
particulier en maintenance ou le retour dexprience est incontestablement la seule valeur
ajoute au progrs condition que la qualit des donnes soit prise en compte.
La dmarche 6 Sigma apporte une dimension indniable sur ce sujet par la focalisation sur
lexplication des comportements de processus par les chiffres et leur exploitation statistique.
On constate dans un grand nombre dentreprises une faiblesse dans la culture de la mesure,
donc des moyens de mesures inadapts, mais galement une abondance de relevs dont on ne
sait que faire et se retrouvant dans des fichiers Excel et des tableaux de bord inexploits, car
le processus danalyse est incomplet. La mesure cote, mais lexploitation rapporte,
condition de savoir comment faire les calculs et utiliser les bons outils, dou limportance de
la culture statistique.
La mesure nest crdible, que si les lments pris en compte dans le calcul ont t identifis
pour participer un rsultat. On trouve trop souvent, et ce dans de nombreux domaines, la
situation denregistrer des donnes, sans se soucier de leur exploitation, des rsultats attendus
et de leur exploitation oprationnelle.
Les zones mesurer sont dans trois domaines, compltement compatibles avec la dmarche
par processus :
- Celle venant des entrs (essentiellement des fournisseurs) ;
- Celles tant produites par la valeur ajoute du processus intress ;
- Celles constates par le client du processus.
Le tableau suivant en fait une synthse :





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


143

Mesure des entres
Mesure de lefficience du
processus
Mesure de la sortie
Variables dentre (Xi)
provenant des fournisseurs
identifis comme VIS et
pouvant influencer le rsultat
final
Indicateur defficience du
processus :
Dlai
Dure
Cot
Qualit
Etat de sortie (le Y)
caractrisant la satisfaction
du client interne ou externe
et identifies par les VOS
Tableau. 20 Les mesures de processus
Les donnes sont de plusieurs natures, essentiellement catgorises en donnes discrtes et
donnes continues.
- Les donnes discrtes sont du type : oui/non, bon/mauvais, machine1/machine2,
quipe1/quipe2, oprateur 1/oprateur 2,
- Les donnes continues sont caractrises par des valeurs numriques qui se suivent et
sur lesquelles des calculs peuvent tre effectues (prise en compte de lamplitude des
rsultats, regroupement en zones de distribution de frquence, calcul des moyennes).
Avec les donnes continues il est judicieux den faire lexploitation suivante :
- Calcul de lamplitude (diffrence entre les valeurs maxi et mini et enregistres).
- Dfinitions de zones caractristiques (on divise lamplitude par 5 et distribue les
enregistrements par zones) [PILLET M. 2004].
A partir de cette catgorisation, on peut faire des prsentations graphiques de distribution ou
des prsentations hirarchises de toutes sortes comme prsentes ci-aprs :

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


144


Figure. 55 Prsentation des outils de mesure
A cette tape, une question peut se poser, est-ce ncessaire de tout mesurer, ny a til pas une
possibilit de travailler sur un chantillon caractristique dune population ? Effectivement les
outils statistiques le permettent condition de bien choisir la taille de lchantillon (mme
problmatique que les enqutes dopinion ou les parts de marchs la tlvision). Cela pose
le problme de la taille de lchantillon et la mthodologie de slection.
Certaines prcautions sont cependant ncessaires :
- Vrifier que lchantillon porte sur tout le primtre considr ;
- Vrifier quil porte sur toute la priode denregistrement (calendaire) ;
- Faire attention ne pas prendre en compte des informations dans des priodes
anormales (hors de lactivit moyenne de fonctionnement ou dexploitation).
La taille dun chantillon de donnes continue se calcule partir des donnes suivantes :
- La plage de variabilit des donnes ;
- Lamplitude souhaite.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


145

Pour les donnes discrtes, il faut galement prendre en compte le taux de dfaut.
Pour pouvoir calculer le Sigma dun processus, il est ncessaire dobtenir un certain nombre
dinformations fondamentales, car il nest pas suffisant denregistrer des dfauts, il faut savoir
sur quelles activits ces dfauts sont identifis connus et enregistrs [PILLET M. 2004].
La thorie de 6 Sigma repose sur le principe de variabilit, parce ce que tout ce qui existe
varie dans le temps, quil soit de nature statique ou dynamique. La reprsentation des mesures
se prsente sous la forme dune courbe de Gauss pouvant tre exploite en nombre dcarts
type selon la reprsentation suivante :


Figure. 56 Distribution normale et aires de probabilit

Laire sous la courbe permet dvaluer les chances sur 100 de fabriquer des pices dans les
spcifications.
Quelques remarques sur la distribution :
- la courbe reprsente globalement tout ce qui est mesur, mme si des rsultats tendent se
positionner aux limites infrieures ou suprieures,
- la distribution est gnralement symtrique, mais il peut exister des distributions spcifiques,
- il est important de prendre en compte les positions respectives de la moyenne et de la
mdiane,
-la courbe se divise en segments correspondant lcart type. On utilise souvent le nombre Z
qui est le nombre dcarts type entre la moyenne et les limites extrieures.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


146

Les lois empiriques de lcart type sont les suivantes :
Loi 1
environ de 60 75% des valeurs sont comprises entre une distance de un cart type de
chaque ct de la moyenne.
Loi 2
de mme 90 98% des valeurs sont comprises entre une distance de deux carts types de
chaque ct de la moyenne.
Loi 3
et 99 100% des valeurs sont comprises entre une distance de trois carts types de chaque
ct de la moyenne.
Il existe des prsentations de toutes sortes o la distribution nest pas toujours centre mais
dcale, ce qui entrane les calculs de capabilit (Cp et Cpk).

Figure. 57 Comparaison des distributions
Il existe plusieurs approches du calcul du Sigma de lexistant, le DPMO (Dfauts Par Millions
dOpportunits) et le DPU (Dfauts Par Units).
Le DPMO est souvent appel mthode discrte, il ncessite la prsence des donnes ou
descriptions suivantes :
- LUnit, qui est la caractrisation des activits fondamentales
- La liste des dfauts potentiels (Opportunits non apparues mais potentielles)
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


147

- Le nombre de Dfauts, ce qui est considr comme anormal par rapport aux exigences de
sortie du processus (autrement dit les non-conformits)
Le calcul seffectue de la manire suivante :
6
DPMO 10
NBD
NBO NBU
=


Avec :
NBD : nombre de dfauts
NBO : nombre dOpportunits
NBU : nombre dUnits
Une fois le problme bien dfini, on peut commencer par mesurer laptitude du processus en
question en mesurant par exemple le rapport des nombres de non conformits ralises sur le
nombre des non conformits possibles.
Certaines entreprises comptent le nombre de non conformits qui se produisent, mais pas le
nombre dvnements, elles ne savent donc pas vraiment de quoi le processus est capable, ni
son niveau actuel.
Faire du benchmarking, en comparant les rsultats ceux de la concurrence, en se demandant
quelle est leur performance par rapport au problme tudi. Certaines entreprises pensent
parfois quelles sont les meilleures en termes de qualit, defficacit et de satisfaction client.
Mais partir du moment o elles commencent se comparer la concurrence, elles se
rendent compte en gnral quelles ne sont pas si performantes que a. Il peut tre utile de
toujours supposer que chacun de nos concurrents fait au moins une chose mieux que nous.
Il convient de chercher qui, dans le mme secteur, est le meilleur; on peut aussi
ventuellement observer ce qui se passe dans dautres secteurs. Grce au Benchmarking, on
peut avoir une ide de ce quil est possible de raliser et se fixer ainsi des objectifs
raisonnables, on peut aussi dterminer ce que les autres font alors que nous ne faisons pas.
Pendant tout ce processus de mesure, il est important de se concentrer sur les paramtres qui
sont critiques pour la qualit (CPQ), cest--dire ceux dont linfluence sur le rsultat sont les
plus grands.
La seconde phase de cette tape de mesure consiste vrifier que la variabilit de notre
systme de mesure est faible par rapport la variabilit des lments que l'on cherche
mesurer c'est--dire vrifier que la chane de mesure utilise nait pas dj une source de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


148

variabilit et que la variabilit due aux dfauts de rptabilit (plusieurs mesure dun
oprateur) et de reproductibilit (plusieurs oprateurs) nest pas trop forte (R&R).
Cette tape a pour objectif de trouver un moyen de mesure des CTQ, valuer la capacit
actuelle (lvaluation du z : spcification de processus partir des Y processus). Cest pour
cela nous allons mettre en place un moyen de mesure nous permettant de mesurer le z du
processus, valider les processus de mesure (vrifier que la chane de mesure nest pas une
source importante de variabilit), et rcolter des donnes permettant dvaluer la performance
du processus (pour bien analyser la situation actuelle travers des donnes fiables).
2.2.1 La conduite de ltape
- valider le processus de mesure
Alors il faut identifier deux processus lmentaires :
Le processus principal (processus de production) et ces 5 M (Moyen, Milieu, Mthodes,
Matire, Main-doeuvre) permet la production du produit ou de service.
- Le processus de mesure et ces 5 M (Moyen, Milieu, Mthodes, Mesure, Main-
duvre) : permet lvaluation de la satisfaction du client.
- Le moyen de contrle est considr comme un lment important du processus.
Donc il faut vrifier quil possde des proprits de justesse, de linarit et de stabilit sans
oublier les quatre autre M (Milieu, Mesure, Main-duvre, Mthode).
Le processus de mesure doit avoir des proprits de rptabilit (plusieurs mesures dans les
mmes conditions doivent donner un rsultat similaire) et de reproductibilit (indpendance
de la mesure un changement de condition tel que loprateur) afin que sa dispersion soit
faible par rapport aux variations de la rponse Y.
- mesurer le processus
Pour mesurer un processus il faut assembler des informations travers une campagne de
mesure et des rsultats disponibles sur le processus. Mais certaines mesures prsentent des
variabilits, pour cela on doit rduire ces variabilits partir dune analyse des 5 M.
- analyse des 5 M du processus

Lanalyse des 5 M est une analyse qui tend vers les sources de dispersion. On doit alors poser
la question suivante : quelles sont les causes de la variabilit sur le processus ?
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


149

Pour cela on utilise le diagramme en arte de poisson (diagramme dIshikawa) : cest un outil
qui aide comprendre les causes dun dfaut de qualit, il sert analyser le rapport existant
entre un problme et ses causes.
- mettre en uvre une compagne de relevs
La mise en uvre dune compagne de relevs est base sur lanalyse des 5 M .
La campagne de relev permet :
- De mesurer le z du processus (sur le Y) ;
- Dtablir des relations entre les X et les Y ;
- De mettre en vidence linfluence des diffrents facteurs (soulevs partir des sources
de variabilit prsent dans lanalyse des 5 M du processus) en ralisant un tableau des
donnes mettant en relation le Y (la rponse) avec les X potentiels (les entres).
2.2.2 Le concept de la capabilit (aptitude)

Il est indispensable pour toutes les entreprises davoir un langage commun en matire de
capabilit entre lensemble des services et des personnes de lentreprise afin dviter les
runions inutiles par lutilisation des mmes notions de capabilit et le mme vocabulaire.
La capabilit est une analyse importante car la qualit est la satisfaction du client. Or le calcul
de capabilit fait entrer dans le calcul statistique des besoins du client. C'est le moment o
l'entreprise peut vrifier qu'elle est en mesure de rpondre un cahier des charges. La
capabilit se mesure par le rapport entre la performance demande et la performance relle
dun procd.
Le fait dutiliser un chiffre pour caractriser la capabilit est fondamentale donc elle permet
de mesurer la capabilit dune machine ou dun procd raliser des pices dans lintervalle
de tolrance fix par le cahier des charges.
La compagne de relev est simplifie sous forme dune feuille de relev dont lutilisation est
simple.
On peut caractriser un processus quel quil soit (manufacturier ou administratif) en termes de
performance par son Sigma. (cart type reprsentant la dispersion des donnes par rapport
leur moyenne) ; il est ncessaire de dvelopper sur quelques points les concepts statistiques
utiliss dans la dmarche.
Sigma est une unit de mesure qui reflte l'aptitude, donc la capabilit du processus. Lchelle
de mesure de Sigma est parfaitement adapte des caractristiques telles que dfauts par unit
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


150

(dpu), nombre de dfauts par pices Produite par million (ppm), et les probabilits de
dfauts/erreurs. Chaque donne mesure est frquemment distribue de faon normale et donc
reprsente selon une distribution classiquement appele Gaussienne.
Mme lorsquune distribution nest pas normale, la prise dchantillon alatoire et le thorme
de la limite centre permettent de faire des analyses avec les mmes moyens de calculs
statistiques.
La dmarche 6 Sigma consiste donc obtenir non plus 3 Sigma mais 6 entre la moyenne et
les deux limites infrieures et suprieures.
2.3 tape 3: Analyser
Si toutes les phases de la dmarche DMAIC sont importantes, la phase dAnalyse est souvent
considre comme majeure car elle oriente sur les solutions mettre en oeuvre partir des
donnes pralablement recueillies.
Les informations pralablement recueillies sont de deux ordres :
- Les variables (les X
i
),
- La cartographie des processus.
Dans ltape mesurer le groupe de travail de projet Six Sigma a rcolt des donnes danalyse
qui doivent tre par la suite conduite dune manire rigoureuse en utilisant des outils
statistiques afin de dcouvrir les causes racines de variabilit et la performance insuffisante.
Dans les tapes suivantes ces mesures vont tre analyses, amliores et contrles pour les
synthtiser dans la dernire tape standardise.
Dans cette tape, on recourt principalement aux outils de visualisation des donnes, aux outils
de comparaison de moyenne, des variances, aux tests danalyse de la variance et aux tests de
corrlation.
Lanalyse va consister rechercher les variables influentes en saidant des reprsentations
graphiques qui utilisent principalement la distribution de frquences et les histogrammes.
Ces donnes doivent tre analyses afin didentifier un nombre de X, restreint par rapport
tous les X potentiels, responsable dune grande partie de variabilit. Lanalyse portera sur les
Y, sur les X et sur les relations qui existent entre eux.
- Pour analyser les X et les Y on fait appel la reprsentation graphique et la statistique
descriptive.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


151

- Pour ltablissement de relation des X et des Y, on sappuie sur la statistique
infrentielle.
2.3.1 Les causes de variation
Chaque produit fabriqu, chaque service effectu, chaque dmarche mise en oeuvre, sont
sources de variation par rapport aux spcifications qui caractrisent leur efficacit propre.
Les causes principales de variations proviennent des sources principales suivantes :
tolrances inadquates par rapport la capabilit du processus raliser les lments
constituants,
approvisionnements des fournisseurs non conformes ou instables,
capabilit des processus insuffisants ou instables,
Ces trois sources et/ou causes de variation amnent les remarques suivantes :
il existe une relation indissociable entre les tolrances dfinies par le bureau dtudes et la
capabilit des processus raliser effectivement, sur le long terme, les composants de base
constituant le produit final,
il est important de matriser les approvisionnements des fournisseurs et de suivre lincidence
de la non-qualit induite sur le processus interne de lentreprise,
il est indispensable de suivre le rsultat qualit du processus en permanence pour mesurer
sa capabilit travers les plans de surveillance,
La matrise de la variabilit des processus, passe par la comprhension du fonctionnement du
processus avec lidentification prcise des paramtres participants au rsultat.
Tout produit ou service est le rsultat dune quation fondamentale, Y = f(x
i
), ou Y est le
produit ou le service et les xi, toutes les variables indpendantes qui ont une influence sur le
rsultat final.
Le principe est dans un premier temps de :
rechercher les variables indpendantes qui peuvent, par leur variabilit propre, expliquer la
variabilit du rsultat ;
hirarchiser l'importance ou l'influence qu'elles ont ;
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


152

Ces variables sont de plusieurs types :
les variables de sorties qui reprsentent la sortie ou la rponse ;
les variables d'entres appeles facteurs contrls, elles peuvent tre continues comme la
temprature, les niveaux, ou discrtes comme des tats ; sale/propre, matin/aprs-midi, etc ;
les variables de bruit, appeles galement les facteurs non contrls comme le
comportement humain, les conditions climatiques, etc.
A la fin de cette tape on doit avoir une ide trs prcise des sources dinsatisfaction et des
paramtres qui devront tre modifis pour atteindre la performance attendue.
Pour cela nous allons dterminer toutes les causes qui ont gnr les problmes et les classer
par la mthode multicritre daide la dcision MACBETH .
Le choix de cette mthode tait la base des informations utilises lentre (Input) et les
rsultats obtenus la sortie (Output) de la matrice [GUITOUNI A. et al 1999], tels que :
- lobjectif dans ltape analyser est de faire le classement des causes des dysfonctionnements,
afin de dtecter la cause indispensable dapparition des problmes et ceci pour les 5M,
- en plus, ce classement des causes ncessite lapplication dune mthode multicritre de sur
classement qui se caractrise par lidentification de deux types dinformations : la premire
cest que toutes les causes sont interelies, la deuxime concerne les prfrences des
dcideurs dans la dtermination de lordre de priorit.
A partir de toutes ces informations et sur la base de la matrice de [GUITOUNI A. et al 1999],
notre input (causes classer)= I17 (n structures {Pj, Ij} de pr ordres plus un vecteur de
coefficients dimportance relative () des attributs) du tableau des inputs, et notre outputs
(causes hirarchiser) = O5(Choix de la meilleure action ou dune classe dquivalence des
meilleures actions) du tableau des outputs, donc selon la matrice la mthode utiliser pour le
classement multicritre cest la mthode MACBETH.
Ainsi, la dfinition des inputs et des outputs permet de classer les MADMC (mthode
multicritre daide la dcision) , ce qui aidera la conception dune procdure de choix
dune MADMC. En effet, cette ide est la base de la classification des MADMC propose
dans [GUITOUNI et al 1999] qui a t mentionn prcdemment et que nous avons retenu
pour concevoir une procdure de choix dune MADMC.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


153

2.3.2 La mthode MACBETH
La mthode MACBETH est en effet une procdure interactive qui consiste demander au
dcideur de juger verbalement la diffrence dattractivit entre deux actions x et y de S (avec
x est plus attractive que y).
La mthode MACBETH traite des informations semblables celles rcapitules la matrice
des jugements ci-dessus. Nous avons class les causes racine par la mthode MACBETH
nous passons ensuite ltape amliorer.
2.4 Etape 4 : I nnover/Amliorer
Logiquement, aprs la phase dAnalyse, les variables influentes ont t identifies, il sagit de
trouver les solutions et de les mettre en oeuvre. Il existe rarement une seule solution une
seule cause identifie et un certain nombre doutils sont encore utiliser.
On peut noter principalement :
- Les sances de crativit (brainstorming) ;
- Le diagramme des affinits ;
- Les critres de dcision ;
- La matrice de dcision comportant les donnes chiffres ;
- Le plan de contrle des rsultats obtenir ;
- Le plan de mise en oeuvre.
La difficult de cette tape se trouve dans le comportement des acteurs intresss et le rsultat
dfinitif ne peut tre quun consensus.
Ltape innover est une tape damlioration de processus.
Les trois tapes prcdentes nous ont permis de connatre les facteurs X responsables de la
variabilit de Y. Dans cette tape nous cherchons amliorer le processus afin de le centrer et
de diminuer sa variabilit.
2.4.1 La gnration des solutions
La premire des choses faire avec le groupe projet est de bien reformaliser ce que lon
connat sur le processus intress et de vrifier la ou les causes premires. Il ne doit pas rester
de points obscurs afin dviter dalimenter des dbats au dtriment des ides.
Ce quil faut retenir, cest que chaque nouvelle phase doit faire le point de la prcdente afin
dclairer ventuellement les nouveaux acteurs de cette phase, ce qui nest pas toujours
possible au dbut de ltude.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


154

Un brainstorming va permettre de faire merger des ides de solutions. On utilisera dans cette
phase toutes les techniques classiques de rsolution de problmes utilises dans lentreprise en
fonction de la culture et des autres projets damlioration continue mises en oeuvre.
Il ne reste plus qu combiner les ides et les solutions.
De plus pour gnrer des solutions on utilise de nombreux outils, pour assister le groupe de
Six Sigma dans son domaine, tels que:
- Le dballage dides ou brainstorming,
- Le vote pondr.
Lefficacit dun groupe de travail de Six Sigma est base sur des principes de cractivit, de
discipline, de motivation et dharmonisation. Ces derniers nous permettent davoir un
dballage dides, qui se dissocie en trois phases :
- La dfinition de lobjectif : lobjectif de ltude doit tre bien formul et crit avant
dtre accept.
- Le dballage : chaque membre de groupe propose son ide, un animateur doit inscrire
toutes les ides sur des bouts de papier puis, il les affiche en dsordre sur un mur
laide dun adhsif repositionnable. Lanimateur nonce clairement les ides afin de
les donner aux autres membres de groupe.
- La classification : il sagit de classer les ides crites en vrac (en dsordre) au tableau
puis, les regrouper dune faon cohrente en utilisant le diagramme dIshikawa autour
des cinq M. Ensuite on limine les redondances et enfin on regroupe sous la forme de
macro-ides les lments les plus proches.
2.4.2 Contribution llaboration dune dmarche globale daide la
dcision pour amliorer un processus de production
Nous entendons par dmarche globale une approche qui puisse considrer les diffrentes
caractristiques dune dcision damlioration.
Pour servir de support notre dmarche nous avons choisi cinq dcisions damlioration qui
sont trs importante pour amliorer un systme de production, ce qui influe normment sur la
performance globale du systme de production. Ce sont :
Amlioration de Milieu (M1),
Amlioration de Matriel (M2),
Amlioration de Mthode (M3),
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


155

Amlioration de Main duvre (M4),
Amlioration de Matire (M5).
Ces cinq dcisions sont parmi les actions prendre pour amliorer un systme de production.
- Contribution llaboration dune dmarche spare
Dans cette dmarche nous allons prendre la dcision damliorer chaque M part.
Le dcideur va ragir pour limplantation de cinq programmes damlioration pour se trouver
la fin devant cinq solutions optimales.
- Contribution llaboration dune dmarche intgre
Les cinq dcisions voques dans la section prcdente peuvent se poser simultanment. Une
autre ambition de ce travail est donc de proposer une dmarche daide la dcision qui puisse
traiter ces cinq dcisions, comme pour les dmarches particulires lies chacune des
dcisions, cest la dmarche intgre :
- Prciser tous les critres de dcisions pour chacune des dcisions.
1. Prciser lobjectif de lentreprise vis--vis de chaque critre. Par exemple pour le
critre du taux doccupation dune machine lobjectif peut tre la maximisation du taux
doccupation.
2. Prciser les facteurs intervenants pour chaque objectif. Un facteur intervenant est un
facteur qui influe lobjectif choisis par exemple minimiser le taux darrt des machines
(comme objectif), maintenance (qui est un facteur intervenant).
3. Prciser les donnes ncessaires. Les donnes ncessaires sont les donnes
essentielles pour mesurer les facteurs intervenants. Par exemple tudier bien le produit
client pour prparer la fiche de lancement coupe sertissage.
4. Prciser la dcision influente : une dcision influente est une dcision qui influe les
donnes ncessaires . Par exemple la dcision du choix du programme damlioration
des mthodes de travail est une dcision qui influe sur le choix du programme
damlioration de main duvre.
Ainsi, cette dmarche intgre daide la dcision doit considrer les points suivant pour
chaque dcision :
- la stratgie concurrentielle de lentreprise,
- les critres subjectifs et objectifs,
- les interactions entre ces cinq dcisions.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


156

Dans cette section, la dmarche daide la dcision pour lintgration des dcisions
damlioration est prsente dans la figure 58 qui montre les deux tapes principales de cette
dmarche.

Figure. 58 Les trois tapes principales de la dmarche dintgrit

Une fois les solutions dfinies, on pourra entamer la premire tape de la dmarche.
- Etape 1 : Prslection des solutions
La premire tape a pour but de prciser les solutions damlioration pour les cinq M. En
effet dans cette tape, les solutions qui ne sont pas importantes vont tre prises en compte
prochainement. Cette tape de prslection diminue le nombre des solutions potentielles
examiner dans la troisime tape de la dmarche. Ceci permettra au modle mathmatique de
la troisime tape de trouver la solution optimale dans un dlai raisonnable. Dans cette tape
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


157

nous allons appliquer la mthode AHP afin de slectionner les meilleures solutions de chaque
M.
Le choix de la mthode AHP est justifi par le fait que :
- lobjectif dans ltape Classement des solutions , est la hirarchisation des solutions, afin
de dtecter un ordre de priorit des solutions pour chaque M,
- ce classement ncessite lintgration du dcideur en amont du processus de dcision, ainsi
que lapplication dune chelle smantique pour le choix de prodre des solutions, afin daider
le dcideur et lorienter pour dcider du degr dimportance de chaque solution.
A partir de toutes ces informations et sur la base de la matrice de [GUITOUNI A. et al 1999],
notre input (solutions classer)= I21 (n fonctions dutilit (uj) (dutilit (valeur) partielle)
exprimes sur des chelles ratios plus un vecteur de coefficient dimportance relative () des
attributs.) du tableau des inputs, et notre outputs (solutions hirarchiser) = O1 (valuation
globale: cette situation traduit la volont de construire un critre unique de synthse. Le score
global est de niveau cardinal.) du tableau des outputs. Lintersection des inputs et des outputs
selon la matrice de [GUITOUNI A. et al 1999], nous permet de choisir la mthode de sur-
classement AHP pour le classement des solutions.
- Etape 2 : Slection finale
Dans cette tape un modle hybride propos sera utilis. Ce modle hybride peut considrer
les critres objectifs et subjectifs. Ce modle prcise les amliorations des cinq M faire (les
amliorations pour les quelles la dcision nest pas faite pour la premire tape).
Dans cette tape nous allons appliquer la mthode optimisation mathmatique .
- Le modle optimisation mathmatique :
Dans cette section nous allons proposer deux modles doptimisation mathmatique.
Evidemment, nous ne pouvons pas proposer un modle qui peut sadopter toutes les
entreprises. Le premier modle qui sera propos dans cette section est un modle de base mais
par contre il dispose des proprits mathmatiques qui le rendent trs intressant. Le
deuxime modle est propos afin de montrer quelques conditions et contraintes qui peuvent
tre dans un cas particulier.
Modle A : Un modle de programmation linaire 0-1
Dans cette section, nous allons prsenter un modle doptimisation mathmatique qui sera
utilis dans la deuxime tape de la dmarche intgre.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


158

Ce modle mathmatique, a pour but de proposer les solutions faire dans un processus de
production et en particulier dans un processus de coupe tous en tenant compte des 5 M de ce
processus. Ce modle mathmatique tient compte de critres subjectifs et objectifs. Il permet
de retenir un nombre prdtermin des solutions pour chaque M.
Indices : i : Les solutions (i = 1 5),
j : Les 5 M, (j =1, 2 ,3 ,4 et 5),
d : dcision damliorer Mj Paramtres :
uij = lutilit obtenue si la solution i est appliqu avec succs pour Mj .
nj = le nombre des solutions pour M j.
Variables de dcision :
Xijd = 1, si la solution i de Mj est applique avec succs et que la dcision d damliorer
Mj est retenue,
= 0 si non.
Zd = 1, si la dcision d de Mj est retenue,
= 0, si non.
Yij = 1, si la solution i est de Mj,
= 0, si non.
Formulation :
!********************************************************
! Objective function
!********************************************************;
Max U =

i j k
ijd ijd
X U
!*************************************************************
! Anteriority constraints
!*************************************************************;

Xijd Zd s 0 i, j, d (1)
Xijd Yij s 0 i, j, d (2)

d
d
Z = 5 (3)

i
ij
Y = ni j (4)
Xijd, Yij, Zd = 0 ou 1 (5)


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


159

Dans ce modle, la fonction objective maximise lutilit totale. Ainsi les Uijd sont calculs
partir dune mthode multicritre et ce en considrant les critres subjectifs et objectifs.
Autrement dit, ce modle cherche une solution ayant une valeur maximum vis--vis de
lensemble des critres.
Les deux premiers critres montrent la relation entre les variables de dcision. La contrainte 3
assure que le modle choisit la dcision damliorer Mi cela peut tre M1 et M2 ou M1et M5,
)
La contrainte 4 garantit que le modle retient un nombre prdtermin de solutions pour
chaque Mi. Cette contrainte est importante pour lentreprise parce que sans solution on ne
peut pas amliorer notre processus de production.
Nous rappelons que, si j = 1 et i =1, alors la solution slectionne est la solution 1 de M1.
Aussi, ce modle propose nj solutions pour chaque M i, ces solutions ont t slectionnes
par la mthode multicritre daide la dcision AHP. Ainsi pour chaque M on a pris
uniquement les cinq solutions classes les premires.
Le modle propos dans la section prcdente est un modle de programmation en 0-1 qui
peut prendre un temps trs important de calcul. Pour rsoudre ce problme, nous proposons de
remplacer ce modle par d modle o d est le nombre des dcisions damliorations
(dcision damliorer M1, dcision damliorer M2, dcision damliorer M3, dcision
damliorer M4 et dcision damliorer M5).
Nous dmontrons que ces d modles totalement uni modulaire sont calculables par la mthode
du Simplexe de programmation linaire continue.
Nous allons prsenter le concept de Matrice totalement uni-modulaire et ensuite nous
montrons comment le modle peut tre divis en K modle totalement uni- modulaire.
- Matrice totalement uni- modulaire : le modle A
Le modle P1 suivant est un modle de programmation linaire en nombre entier :
P1 : Min cx
Tel que :
Ax = b
x > 0, x
n
Z e
O A est une matrice mn entire et b est un m-vecteur entier. Les variables x sont positives
et entires.
Si on relaxe la contrainte x
n
Z e , on aura le modle P2 qui est un modle linaire continu.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


160

P2 : Min cx
Tel que
Ax = b
x > 0
Nous savons quen pratique P2 se rsout facilement par lalgorithme du Simplexe. Nous nous
intressons donc savoir pour quelles conditions, une solution optimale de P2 est aussi la
solution optimale de P1 ? Autrement dit pour quelles conditions la solution optimale de P2 est
elle entire ?
En se basant sur le thorme de Hoffman et Kruskal [OFFMAN A. et al 1956], une solution
optimale de P2 est entire, quel que soient le vecteur b coordonnes entires et le vecteur
des cots c, si et seulement si la matrice A est totalement uni modulaire.
Une matrice A est dite totalement uni modulaire si toute matrice carre extraite de A, a
son dterminant gal 0, +1 ou -1. Cela entrane, en particulier, que les coefficients dune
matrice totalement uni modulaire sont eux mme gaux 0, +1 ou -1 puisquils sont les
dterminants de sous- matrices dordre 1.
Les thormes suivants nous aident vrifier quune matrice est totalement uni modulaire ou
non :
Le thorme de Heller et Tompkins [HELLER I. et al 1956] : soit une matrice de coefficient
0, +1 ou -1, ayant au plus deux coefficients non nuls par colonne ; alors A est totalement uni
modulaire si et seulement si ses lignes peuvent tre divises en deux ensembles disjoints. I1 et
I2 avec les deux conditions suivantes :
- Si deux coefficients non nuls dune mme colonne ont le mme signe lun est dans I1
et lautre dans I2.
- Si deux coefficients non nuls dune mme colonne ont des signes contraires, ils sont
tous deux dans I1 ou tous deux dans I2.
Le thorme de Ghouila [GHOUILA A. 1962] : une matrice A= (aij), i eI, et j eJ dont les
coefficients sont gaux 0, +1, ou -1 est totalement uni modulaire si est seulement si tout
sous-ensemble non vide Kc I peut tre divis en deux sous-ensembles K1 et K2 de manire
que :
1
1 2
s

e e K i K i
ij ij
a a , j e J
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


161


Transformation en d modles uni modulaires. Le modle mathmatique propos (modle
A) est un modle linaire en 0-1. Mais on peut le transformer en d modles linaires
continus. d cest le nombre des dcisions damlioration prendre. Nous proposons
chaque passage de fixer la valeur de d de 1 d. Ceci permet de supprimer la contrainte
numro 3 et abandonner lindice d dans la variable de dcision Xijd. Les variables Yij
deviennent superflues. Nous relaxons aussi la contrainte des variables en 0 ou 1 pour que le
modle devienne un modle continu. Mais par contre nous ajoutons une contrainte qui assure
que les variables Xij soient infrieures ou gales 1. Le nouveau modle sera le suivant :
Indices : i : Les solutions (i = 1 20),
j : Les 5 M, (j =1, 2, 3 ,4 et 5).
Paramtres : uij = lutilit obtenu si la solution i est appliquer avec succs pour Mj.
nj = le nombre des solution pour M j,
mj = la somme des 5 M.
Variables de dcision :
Xij = 1, si la solution i est de M j,
= 0, si non.

!********************************************************
! Objective function
!********************************************************;
Max Z =
ij
i j
ij
X U


!*************************************************************
! Anteriority constraints
!*************************************************************;

i
j
ij
n X =

, I (1)
ij
X 1 s , i, j (2)

ij
X 0 > , i, j



Par suite en utilisant le thorme de Heller et Tompkins nous pouvons dmontrer que la
matrice A de ce modle est totalement uni- modulaire :
- La matrice A (selon la dfinition du modle P2) de ce modle est donne par le
tableau 21 Tous les coefficients sont 0 ou +1.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


162

- Dans chaque colonne se trouve aux plus deux coefficients non nuls.
- On peut diviser cette matrice en deux ensembles disjoints I1 et I2. I1 correspond aux
contraintes (1) et (2).
- En considrant la premire condition du thorme de Heller et Tompkins, on peut
constater que dans chaque colonne on trouve au maximum un seul +1 dans I1 et un
seul +1 dans I2.
- Les points susmentionns montrent que toutes les conditions du thorme de Heller et
Tompkins sont valides. La matrice A de ce modle est donc totalement uni
modulaire.


Tableau. 21 La matrice A du modle de programmation linaire 0-1
Modle B : Extension de modle A
Dans certain cas, lentreprise souhaite limiter la varit des solutions pour chaque M.
Autrement dit, elle ne souhaite pas que lamlioration de Mj ncessite plus de mj solutions.
Cette contrainte est traduite par la contrainte 5.




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


163

!********************************************************
! Objective function
!********************************************************;
Max U =

i j k
ijd ijd
X U
!*************************************************************
! Anteriority constraints
!*************************************************************;
Xijd Zd s 0 i, j, d (1)
Xijd Yij s 0 i, j, d (2)

d
d
Z = 5 (3)

j
ij
Y = ni i (4)
mj Y
i
ij
s

j (5)
Xijd, Yij, Zd = 0 ou 1 (6)
Ce modle est plus complexe que le modle A, mais nous pouvons le rsoudre de manire trs
efficace. Pour cela nous proposons de relaxer les contraintes 3 (comme le modle A) et
ensuite de rsoudre d fois le modle simplifi.
Nous montrons par la suite que le modle simplifi A, nouveau une matrice A totalement
uni- modulaire, et le Simplexe nous donneront une solution entire.
Le modle simplifi est le suivant :
!********************************************************
! Objective function
!********************************************************;
Max Z =
ij
i j
ij
X U


!*************************************************************
! Anteriority constraints
!*************************************************************;
i
j
ij
n X =

i (1)
j
i
ij
m X =

j (2)
1 s
ij
X i, j (3)
0 >
ij
X (4)


Nous avons ajout la contrainte 3 qui assure que la solution entire du Simplexe soit 0 ou 1.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


164

Nous rappelons que le thorme de Ghouila et Houri une matrice A = (aij), i e I et j eJ dont
les coefficients sont gaux 0, +1, ou -1 est totalement unimodulaire si et seulement si tout
sous ensemble non vide Kc I peut tre divis en deux sous-ensembles K1 et K2 de manire
que :
1
1 2
s

e e K i K i
ij ij
a a , j e J
Le tableau 21 qui montre la matrice A nous aide dmonter que A est totalement uni-
modulaire.
On peut considrer trois parties A1, A2 et A3 dans cette matrice. Concernant le sous-
ensemble non vide Kc I du thorme de Ghouila et Houri, on peut distinguer les quatre
situations suivantes :
- La matrice est constitue dlments dune seule partie (A1 ou A2 ou A3). Dans cette
situation la condition spcifique de ce thorme qui est :

1
1 2
s

e e K i K i
ij ij
a a , j e J
Sera satisfaite car dans chaque colonne de K il y a un seul coefficient de valeur 1.
- La matrice K est un sous ensemble des lments de A1 et A2 ou A1 et A3. Pour cette
situation il est suffisant que nous attribuions un signe - aux lments de A1. Dans ce
cas laddition des lments de chaque colonne de K sera 0.
- La matrice K est un sous ensemble des lments de A2 et A3. Pour cette situation il
est suffisant que nous attribuions un signe aux lments de A2. Dans ce cas
laddition des lments de chaque colonne de K sera 0.
- La matrice K est un sous ensemble des lments de A1 et A2 et A3. pour cette
situation il est suffisant que nous attribuions un signe - aux lments de A1. Dans ce
cas laddition des lments de chaque colonne de K sera 1.
Donc les conditions du thorme de Ghouila et Houri sont respectes.
Trouver la meilleure solution
A. Dmarche spare
Comme dans ltape de prslection nous avons class les solutions damlioration nous
avons dcid de choisir pour chaque M les 4 solutions classes les premires par la mthode
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


165

AHP. Selon la mthode propose dans le modle B, nous devons rsoudre cinq fois (d = 5), le
modle simplifi.
B. dmarche intgre
Dans cette stratgie nous allons calculer les utilits Uijd et, partir du modle mathmatique
B, nous trouverons la solution qui maximise lutilit totale. En effet on multiple la note de
chaque solution vis--vis de chaque M par les poids des critres concerns et puis on
additionne les valeurs obtenues.
2.5 Etape 5 : Contrler
Le processus ayant t amlior lors de ltape 4, il convient dsormais de tout mettre en
oeuvre pour garantir que ces amliorations seront maintenues et que le processus ne se
dgradera pas. Le but de cette tape est donc de mettre en place la structure permettant de
placer sous contrle le processus. Il convient de bien faire la distinction entre surveillance
statistique et matrise statistique des processus.
Et puisque les variations des lments qui interviennent dans le processus se traduisent dans le
produit final par une variabilit des caractristiques. Il sagit de mettre en place des cartes de
contrle pour suivre ces caractristiques essentielles.
Les contrles sont deux niveaux : Technique (du type Quantitatif) pour la vrification des
rsultats directement oprationnels obtenus et Stratgiques (du type Qualitatif) pour la mesure des
rsultats au niveau comptable, financier, stratgique,
Les outils de contrle utiliss dans cette phase sont les suivants :
- Les cartes de contrle ( -R) pour la mesure de la variabilit,
- Le Yield pour constater laugmentation de la capacit respecter les spcifications,
- La collecte des Donnes (dj utilis en phase de Mesure),
- La cartographie des processus (dj utilis en phase dAnalyse),
- Les graphiques de comparaisons (Diagramme de frquence, Pareto),
- Diagrammes de contrle de la qualit (PDCA),
- Economiques en identifiant limpact des modifications sur les rsultats financiers, sur les
Non Valeurs Ajoutes,
- Le Benchmarking pour lextension dautres processus identiques (Standardisation),
- Llaboration du bilan du projet pour lenrichissement de la base de donnes,
- Lvnement de reconnaissance.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


166


2.5.1 Les diffrentes natures de contrle des variables
Les natures de contrle des variables sont de trois ordres ; les fixer, les minimiser, les
standardiser.
Les fixer, cest mettre en oeuvre des moyens matriels sur les quipements pour viter les
variabilits mcaniques, mettre en place des poka-yok, cest mieux valider les logiciels de
contrle/commande en particulier dans le domaine de lhygine alimentaire et la pharmacie,
cest liminer la variation de base.
Les minimiser, cest changer le processus ou lamliorer pour quil soit plus robuste aux
variations de bruits, cest rduire les effets.
Les standardiser, cest revoir les procdures, redfinir les spcifications, identifier les
meilleures pratiques appliquer sur des processus identiques ou proches, mettre en oeuvre les
formations ncessaires pour apporter aux acteurs les informations utiles la matrise des
processus.
-Les Causes de dfauts contrler
On classifie gnralement les causes communes en 10 points :

1. Oubli dans les tapes du processus 6. Erreur dutilisation dune pice, dun outil
2. Erreur dans la conduite du procd 7. Erreur dans lenchanement des oprations
3. Erreur dans les rglages de base des
quipements
8. Erreur dans le systme de mesure
4. Manques de pices 9. Erreur dans les oprations de maintenance
5. Prsence dimpuret 10. Erreurs des oprateurs

Tableau. 22 Classification des causes communes

Loprateur est justement considr parfois comme une variable de bruit, car incontrlable.
Les erreurs humaines se caractrisent de la manire suivante :
- Absence (et donc mise en place dun remplaant qui na pas forcment la mme
connaissance, ni la mme formation pour conduire le processus),
- Manque de concentration, distraction, fatigue,
- Dcision de faire une action personnelle sans passer par une analyse statistique du
problme qui est apparu (aller directement la solution sans rflexion pralable),
- Erreur didentification, de lecture dinformation (interface homme/machine),
- Manque caractris de formation (capacit faire),
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


167

- Manque de procdures,
- Ignorance ou inapplication des procdures existantes,
- Dlai de raction trop lent devant un problme constat,
- Actions volontaires ngatives (sabotage).
- Pilotage du contrle
Les activits pralablement dcrites trs orientes sur laspect court terme et pratique de la
mesure des rsultats doivent tre suivies dun complment stratgique. A partir de la dcision
damlioration et de sa mise en oeuvre, il doit tre dfini les points suivants, qui en fait sont le
retour dexprience du projet concern :
- La dsignation dun propritaire de processus (garant de la suite des rsultats),
- La mise au point dun tableaux de bord de surveillance des rsultats acquis,
- La dfinition des moyens denregistrement des donnes,
- Lvolution des critres initiaux de slection des projets,
Le rle du management ce sujet est de ne pas discuter sur le contenu du projet. Il doit
analyser les rsultats et faire confiance lquipe projet qui dans la majorit des cas, et sur la
proposition du Champion, a t valide par eux. Il doit aussi tre prenne dans son suivi pour
que la pression mise sur lamlioration des rsultats ne se dilue pas dans le manque de
surveillance dans le temps.
La formation dans le domaine dun projet 6 Sigma ne peut tre considre comme une
formation classique. Dj dans les faits elle nest crdible que si un projet est li cette
formation et quil amne un gain notable lentreprise. Les autres formations de cadres
dirigeants suites aux expriences doivent suivre la mme ide.
Mme si un participant est satisfait dune formation, lobjectif nest pas atteint. Cest
lentreprise qui doit en tirer une amlioration par le niveau de connaissance quil a acquis et
les rsultats de la mise en oeuvre quil a enregistr dans le cadre de son action avec les acteurs
concerns de lentreprise.
Il faut aussi prendre en compte que dans les formations pointues (ce qui est la cas de la
Formation Black Belt ), on ne comprend pas toujours tout sur tout et que le fait de revenir sur
des sujets mal compris nest en aucun cas dgradant. LISO 9001 annonce elle-mme que
lerreur est acceptable . Dans le pilotage du contrle, une tape importante est la
reconnaissance et la rcompense de lquipe ayant abouti des rsultats. En fait la
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


168

rcompense sappuie sur la rmunration en fonction des rsultats obtenus et la
reconnaissance sur la notorit, la valorisation personnelle.
La principale est la reconnaissance car il a t prouv que la rcompense financire navait
quun effet trs court terme ce qui nest pas le cas pour la reconnaissance sur la notorit. Il
est donc important que le management associe de manire quilibre et reconnaissance pour
rcompenser les rsultats enregistrs du travail accompli.
Un projet est russi grce aux gains dans diffrents domaines ( certains sont directement
visibles, comme la rduction des rebuts et des retouches, la rduction des stocks). Ils se
retrouvent dans les rsultats de la comptabilit analytique dans ce qui est couramment appel,
le Hard Saving. Parfois des effets induits entranent des rductions de temps de traitement, des
Non Valeurs Ajoutes, des non investissements par lamlioration des processus en termes
damlioration de la disponibilit, damlioration du service au client.
2.5.2 Les cartes de contrle :
Il existe un grand nombre de cartes de contrle et tous les progiciels danalyse statistique
calculent les limites de spcifications sans peine plus ou moins 3 Sigma par rapport la
moyenne.
Lorsque lon analyse le comportement dun processus (avant ou aprs modification), la carte
( -R) permet de visualiser si le processus est contrl par lvolution des causes communes
ou non contrl par la prsence de causes spciales hors limites.
Le principe de base du calcul des cartes de contrle est le suivant :
- On considre que lorsque le procd est sur la cible, il est naturel de trouver des
valeurs entre 3 ;
- Lorsque lon trouve un point au-del de cette limite, cela signifie que le processus
nest probablement plus centr sur sa cible.
Le principe des cartes de contrle est de dtecter par un outil graphique simple les cas o le
procd nest plus sous contrle et o il faut ragir.
Donc il faut identifier les causes des variations qui ncessitent une correction. On distingue
deux types de causes :
- les causes spciales ou assignables : introduisent toutes les sources de variabilit
identifiables. Lors de la prsence de ces causes le procd est dit hors contrle .
- les causes alatoires ou communes : introduisent toutes les autres sources de variabilit non
identifiables. Lors de la prsence de ces causes le procd est dit sous contrle .
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


169

Il nest pas inutile de rappeler que les causes communes sont celles qui sont inhrentes la
variabilit propre du processus, les causes spciales sont lies des vnements extrieurs.


Figure. 59 Diffrences entre causes communes et causes spciales
Lerreur faite rgulirement pas des dirigeants dentreprises qui analysent des donnes qui
prsentent des volutions positives ou ngatives, sont de ragir sur les responsables en
critiquant leur efficacit en propre sans stre pralablement inquits si cette volution tait
matrise en + ou 3 Sigma dans la logique de la loi normale. Question vraisemblablement
dducation lanalyse des chiffres.
La prsence dun statisticien dans lentreprise (quil soit Master Black Belt dans le cadre dun
programme 6 Sigma ou spcialiste) est une garantie danalyse des donnes et daide la
dcision.








t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 3 : Construction dune dmarche Six Sigma bas sur Approche
Multicritre dAide la Dcision pour lamlioration dun systme de
production


170

Conclusion

Ce chapitre a pour objectif de proposer une dmarche damlioration dun systme de
production travers la mthode Six Sigma et A.M.C.
En effet laide la dcision multicritre vise fournir un dcideur des outils lui permettant
de progresser dans la rsolution dun problme de dcision o plusieurs points de vue
(critres), souvent contradictoires, doivent tre pris en compte. Ainsi lapplication de ces
outils multicritres dans la mthode Six Sigma va aider le dcideur prendre les meilleures
dcisions dune part, dautre part va donner une autre vu pour la mthode Six Sigma dont
laquelle on nutilise pas uniquement les outils qualit mais aussi les outils multicritres daide
la dcision.
Lapplication industrielle de lensemble de cette dmarche sera aborde dans le chapitre 5.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 171 -

Chapitre 4
La fonction production dans les entreprises de
fabrication des faisceaux de cbles lectriques
pour le secteur industriel automobile

Sommaire

INTRODUCTION ............................................................................................. 173
1. Le dveloppement dentreprise des faisceaux de cbles lectriques
automobiles .................................................................................................... 173
1.1. Pourquoi ce dveloppement ......................................................................... 174
1.1.1 Mondialisation et globalisation de la concurrence.......................................... 174
1.1.2 Acclration des changements ................................................................. 175
1.1.3 Ncessit dinnover ................................................................................ 175
1.2. Caractristiques des entreprises des faisceaux des cbles lectriques
automobiles ......................................................................................................... 176
2. Lamlioration dun systme de production complexe ................................... 178
2.1. Dfinition dun systme ............................................................................... 178
2.2. Les systmes complexes .............................................................................. 179
2.3. La thorie gnrale de Bertalanffy ............................................................... 181
2.4. Quest ce que cest un systme de production ............................................. 183
2.4.1 Les objectifs associs la fonction de production ........................................... 184
2.4.2 Les modles de gestion de production .......................................................... 186
2.4.3 Structure de production multi-niveaux .......................................................... 186
3. Le systme de fabrication ................................................................................ 188
3.1. La maitrise des systmes de production ....................................................... 188
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 172 -

3.2. Diversit des systmes de production .......................................................... 189
3.3. Les critres dvaluation dun systme de production ................................. 191
3.4. Les mthodes analytiques ............................................................................ 192
3.5. Analyse qualitative et analyse quantitative .................................................. 193
CONCLUSION .................................................................................................. 194




















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 173 -

Introduction

La fonction de production est la plus importante en conomie. En effet, elle assure la
combinaison de facteurs de production (main-duvre, machines, matires premires,
capitaux et direction). Ce sont les entreprises qui participent le plus la production. A tous
les stades de la production, les entreprises ajoutent de la valeur aux produits qu'elles
fabriquent et commercialisent. C'est ce que l'on appelle la valeur ajoute (VA).
Ainsi, la fonction production est une fonction vitale et occupe une place primordiale au sein
des entreprises. Son importance est vidente : sans produit, les autres fonctions n'ont pas de
justification. La dfaillance et la performance insuffisante de la production peuvent en trs
peu de temps anantir les efforts des autres fonctions. En effet, cette fonction a pour
principale mission d'assurer la mise disposition sur le march, en temps voulu, des produits
que l'entreprise a dcid de dvelopper, vendre, commercialiser dans le cadre des
spcifications acceptes et pour un cot qui permette de dgager une marge suffisante pour
couvrir l'ensemble des autres cots de l'entreprise [MAIMI L. et al 2007].
Dans la premire partie de ce chapitre nous verrons quelles sont plus exactement les
particularits du contexte actuel expliquant le dveloppement de nouvelle entreprise de
fabrication des faisceaux de cbles lectriques automobiles. Puis nous dtaillons les
caractristiques de ce type dentreprise ainsi que celles de leurs produits afin de mieux cerner
le cadre de cette tude.
Dans la deuxime partie, nous rappellerons les particularits de la fonction production comme
tant la fonction principale responsable de la qualit de fabrication des produits faisceaux de
cbles lectriques automobiles.
1. Le dveloppement dentreprise des
faisceaux de cbles lectriques
automobiles
Depuis quelques dizaines dannes, une part importante des systmes mcaniques dune
automobile fait intervenir des systmes lectroniques. Le remplacement intgral des organes
de freinage ou de direction par des systmes tout-lectrique /lectronique - les systmes X-
by-Wire [NOUVEL F. et al 2005] - pose cependant des problmes nouveaux. Dun point de
vue conomique, lensemble des composants et systmes lectroniques dans un vhicule
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 174 -

reprsente une part importante de son prix en sortie dusine et a mme tendance crotre
rapidement [GOURET W. et al 2006]. Lvolution prvisible devrait amener accrotre
encore la part de llectronique dans le cot total du vhicule [GOURET W. et al 2006].
Lensemble de ces amliorations a pour but daccrotre la scurit ainsi que la fiabilit des
systmes. Ces progrs vont sans dire quil est impossible de multiplier le nombre dorganes
lectroniques sans augmenter le nombre de connexions et de rseaux ddis pour rendre
possible les communications entre les divers capteurs, actionneurs et calculateurs. court
terme, une dgradation de la fiabilit des systmes est craindre, lie la multiplicit des
connectiques et un nombre excessif de cbles, engendrant un surpoids et un cot lev.
1.1 Pourquoi ce dveloppement
Depuis ces trente dernires annes, une volution fulgurante de llectronique dans
lautomobile est constate. Dun point de vue conomique, lensemble des fonctions et
systmes lectroniques dans une voiture reprsente actuellement plus de 30% de son prix en
sortie dusine et ce pourcentage ne cesse de crotre. De nos jours, le cot des systmes
lectriques dun vhicule est plus lev que celui de la propulsion. Lvolution prvisible
devrait amener accrotre encore la part de llectronique dans le cot total de la voiture.
Les progrs de llectronique ont pour but damliorer la scurit, la fiabilit des systmes, le
confort de conduite tout en diminuant les cots de production. A titre dillustration, les futurs
systmes daide la conduite tel que le systme dvitement dobstacle, qui permet desquiver
un obstacle en cas de relle urgence influe ainsi sur le freinage ; mais aussi sur la direction.
Remarquons aussi que la colonne de direction ne tend plus tre mcanique mais gre par
une transmission lectronique sans fils, qui permet aussi de prmunir de risques dangereux
pour le conducteur en cas de choc frontal tout en restant fiable. Toutes ces innovations
devraient apparatre dans les prochaines annes dans les vhicules de srie. Pour gnraliser
ces ensembles de systmes, il faut donc dvelopper des solutions conomiques.
1.1.1 Mondialisation et globalisation de la concurrence
Le contexte industriel actuel est avant tout marqu par la mondialisation et la globalisation de
la concurrence. Pour survivre, les entreprises doivent donc trouver la taille critique de leur
activit. Et cette taille na pas de limite suprieure, son plafond slve avec le dveloppement
de la mondialisation [VILLEMUS P. 2001].
La volont est de grandir en se recentrant sur les activits forte rentabilit pour accrotre la
productivit ; Gnralement, on accroit la productivit pour augmenter la rentabilit.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 175 -

Dans un contexte o les innovations jouent un rle majeur dans la comptitivit des firmes,
les actifs concerns par de tels arrangements organisationnels sont de plus en plus spcifiques
[MONTCHAUD S. 2003].
Cette multiplication et mondialisation des interactions complexifient lenvironnement
conomique des entreprises.
1.1.2 Acclration des changements
Il y a aujourdhui de plus en plus dvnements qui interagissent sur et dans lentreprise. Elle
est soumise des contraintes externes et internes. Les changements sont moins explicables. Il
est de plus en plus difficiles pour une entreprise dexpliquer la russite ou lchec dun
produit. Les besoins des individus se diversifient, les motivations des individus se combinent
de manire de plus en plus complexe, en interaction avec lenvironnement, les habitudes
voluent trs vite [MONTCHAUD S. 2003].
1.1.3 Ncessit dinnover
Les efforts de productivit ont longtemps port sur loutil de production : comment produire.
plus vite, moins cher, en moins de temps ?
Mais aujourdhui, cela ne suffit plus. Se distinguer, innover, sortir de la moyenne, sont
devenus les cls de la russite dans lconomie contemporaine. Linnovation se porte sur des
produits plus intelligents, plus autonomes et plus compatibles pour suivre la naissance des
besoins, la complexit et lvolution grandissante des besoins actuels. La sophistication des
produits devient ainsi de plus en plus avance en termes de nombre de composants ou de
mtiers qui interviennent dans leur conception et leur fabrication. Par exemple lautomobile
compte aujourdhui jusqu quatre vingt sous systmes ou modules lectriques qui
interagissent par lintermdiaire de diffrents rseaux de communication [MONTCHAUD S.
2003].



1.2 Caractristiques des entreprises des faisceaux de
cbles lectriques automobiles
Les entreprises des faisceaux de cbles lectriques automobiles se caractrisent par
limportance de leurs produits. En effet le faisceau lectrique dun vhicule a pour fonctions
principales dalimenter en nergie ses quipements de confort (lve-vitres,.) et certains
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 176 -

quipements de scurit (Airbag, clairage.), mais aussi de transmettre les informations aux
calculateurs, de plus en plus nombreux avec lintgration massive de llectronique dans
lautomobile. Ce produit est constitu de fils lectriques et dlments de connectique. Le
parcours du cblage dans le vhicule dfinit son architecture qui peut tre ainsi complexe et
surtout varie. Lassemblage fils composants est donc une tche qui ne peut pas tre
automatise, et qui pour un vhicule complet ncessite en moyenne plus de 6 heures de main
duvre. Il sagit donc dun lment parmi les plus coteux dans une voiture.

Figure. 60 Architecture des faisceaux de cblages automobile


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


- 177 -

Photo. 1 Table dassemblage


Photo. 2 Opration de contrle





Photo. 3 Opration dassemblage
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


178

2. Lamlioration dun systme de
production complexe
Lamlioration dun Systme de Production en vue den dgager davantage de richesses est
un souci constant de tout dcideur. Ces systmes doivent aujourdhui tre conduit de faon de
plus en plus fine afin den amliorer continuellement les performances, principalement dans
les domaines du cot, du dlai, de la qualit des produits, voire de la ractivit ou de la
flexibilit du systme. Les outils traditionnels de gestion montrent aussi leurs limites au
niveau de lvaluation et le pilotage des performances technico-conomique des systmes de
production.
2.1 Dfinition dun systme
[DE ROSNAY J. 1977] a dfini un systme comme : un ensemble dlments en
interaction dynamique organiss en fonction dun but . Quatre catgories de systmes sont
gnralement admises : physiques, vivants, sociaux et techniques.
[GALLOU F. et al 1994] dfinit un systme comme tant un ensemble, formant une unit
cohrente et autonome dobjets rels ou conceptuels (lments matriels, individus, actions,
...) organiss en fonction dun but (ou dun ensemble de buts, objectifs, finalits, projets, ...)
au moyen dun jeu de relations (interactions mutuelles, interactions dynamiques...), le tout
immerg dans un environnement. .
Il existe de nombreuses autres dfinitions [LARVET P. 1994] qui saccordent gnralement
sur diffrents points. Tout dabord un systme est un ensemble dlments. Selon les
domaines, ces lments sont appels constituants, composants, objets ou agents. Un
composant peut tre lui-mme un systme. Dans ce cas on parlera alors de la caractristique
hirarchique dun systme ou de rcurions. Cet ensemble dlments est dot dune structure
qui prcise la nature des liens (relations, interfaces etc.). Ils sont en interaction entre eux cest-
-dire quils peuvent schanger des informations, de la matire de lnergie. Ils sont aussi en
interaction avec lenvironnement car les systmes ne sont jamais isols au sens physique du
terme. Ainsi un systme peut tre sollicit par son environnement et y rpondre. Il peut donc
raliser des fonctions, assurer un ensemble dactivits. Ainsi le systme transforme de
linformation, de la matire ou de lnergie, il volue dans le temps et il possde des objectifs.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


179

2.2 Les systmes complexes
Les systmes complexes font lobjet dtudes actives dans bien des domaines : la physique, la
biologie, les sciences humaines et sociales, les sciences cognitives. Il sagit donc dun
domaine dtudes trs pluridisciplinaire. Les mathmaticiens, les physiciens thoriciens mais
aussi les informaticiens ont permis la cration de mthodes, de formalismes et doutils de
modlisation. Dun point de vue terminologique, le terme "complexe" vient du latin
complexus qui signifie embrasser et englober [DURAND D. 1998]. Un problme est qualifi
de complexe lorsquon prouve de la difficult le rendre intelligible. Cette difficult peut
provenir dun manque de connaissance, de mthode, de modle ou de temps. A lorigine de la
complexit serait donc linteraction et la globalit. La dfinition dun systme ayant t
aborde prcdemment, le systme serait dont complexe de part la diversit et la multitude
des interactions [SIMON H. 1991].
La figure 2 illustre les systmes complexes en procdant une dcomposition topologique.
Elle met en vidence les diffrents niveaux dinteraction qui permettent des lments
simples dtre agrgs en des composants plus volus qui donnent eux-mmes naissance
des structures organises et hirarchises. Les structures qui mergent alors ne peuvent pas
tre comprises simplement partir des entits mises en jeu. La figure fait apparatre le nom
des diffrents concepts infrs - Composition, Auto-organisation, Structures hirarchiques,
Emergence - au niveau o ils interviennent.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


180


Figure. 61 Topologie dun systme complexe [CONSULTING I. 2005]

Nous adoptons comme dfinition dun systme complexe un systme compos de nombreux
lments qui interagissent fortement entre eux et sur leur environnement . Ces interactions
sont souvent non-linaires et contiennent gnralement des boucles de rtroaction. Au niveau
global, ces systmes se caractrisent par lmergence de phnomnes non observables au
niveau des lments constitus : un observateur externe apprhendera et comprendra
diffremment le systme quun observateur interne au systme. Il se caractrise donc par
lmergence au niveau global de proprits nouvelles et par une dynamique de
fonctionnement global difficilement prdictible partir de lobservation et de lanalyse des
interactions lmentaires.
Gnralement cette famille de systmes se distingue des autres par limpossibilit didentifier
tous les lments et/ou de comprendre les interactions mises en jeu. Cela entrane
gnralement labsence de contrle total et lirrversibilit (aucune action ne peut inverser la
dynamique pour retrouver avec certitude un des tats dquilibre prcdents).
Lvaluation des rsultats ainsi que la comparaison avec dautres donnes ncessite une
mthode de mesure de la performance. En dautres termes, il convient davoir un moyen
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


181

objectif et fiable de comparaison et dvaluation des rsultats obtenus par une personne, un
service, une entreprise
Le but premier de lvaluation de la performance dun systme de production est dvaluer
la contribution de la fonction production dans la performance de lentreprise.
Une valuation de la performance, quelle que soit son domaine dapplication, peut galement
entraner des consquences positives quant la motivation des acteurs et la reconnaissance
de leur travail. En effet, suivant les indicateurs utiliss et leurs rsultats, ce travail de remise
en question et dvaluation peut permettre par exemple :
- une meilleure reconnaissance des acteurs (permet de promouvoir les russites),
meilleure crdibilit,
- un encouragement faire mieux ,
- dtablir des rgles de base pour le travail,
- de motiver les acteurs (disposer dun moyen de sanction et de rcompense),
- de rorganiser le travail quand les rsultats sont insuffisants,
- meilleure communication,
- meilleure prise de dcisions,
- rendre les rsultats transparents.
Ces consquences peuvent elles mme tre lorigine de la cration du systme dvaluation
de la performance [CONSULTING I. 2005]. En effet, il est important de dterminer les
lments qui ont induit la mise en place dun systme dvaluation de la performance. Ceux ci
traduisent les objectifs rels de la dmarche de mesure de la performance qui peuvent tre non
seulement un besoin de contrle mais aussi une valorisation du travail et de la fonction en
gnral.
2.3. La thorie gnrale des systmes de Bertalanffy :
Bertalanffy sintresse la conception de lorganisme comme systme ouvert. Il participe
lmergence de la thorie holiste de la vie et de la nature. Sa thorie de la biologie est la
base de sa thorie gnrale des systmes. Cest dans ce cadre que le scientifique est amen
explorer les divers champs dapplication de sa thorie psychologie, sociologie ou histoire
comme autant de niveaux dorganisation. Le paradigme systmique conoit la fois la
matire et lesprit comme les lments indissociables dun processus volutif qui se
dveloppe de faon non-linaire dans un systme complexe. Par thorie gnrale des
systmes , il ne faut donc pas entendre une thorie particulire (comme la thorie des
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


182

nombres complexes), mais un modle pouvant sillustrer dans diverses branches du savoir
(comme la thorie de lvolution). [BERTALANFFY L. 1993]
Il y a en fait trois niveaux danalyse distinguer :
- la science des systmes, consistant la fois dans une tude des systmes particuliers
dans les diffrentes sciences et une thorie gnrale des systmes comme ensemble de
principes sappliquant tous les systmes. Lide essentielle ici est que lidentification
et lanalyse des lments ne suffisent pas pour comprendre une totalit (comme un
organisme ou une socit) ; il faut encore tudier leurs relations. Bertalanffy sest
attach mettre en lumire les correspondances et les isomorphismes des systmes en
gnral : cest tout lobjet dune thorie gnrale des systmes [ BERTALANFFY L.
1993].
- la technologie des systmes, concernant la fois les proprits des hardwares et les
principes de dveloppement des softwares. Les problmes techniques, notamment
dans lorganisation et la gestion des phnomnes sociaux globaux (pollutions
cologiques, rformes ducation, les rgulations montaires et conomiques, relations
internationales), constituent des problmes incluant un grand nombre de variables en
interrelation. Des thories globales comme la thorie cyberntique, la thorie de
linformation, la thorie des jeux et de la dcision, la thorie des circuits et des files
dattente, etc., en sont des illustrations. De telles thories ne sont pas fermes ,
spcifiques, mais au contraire interdisciplinaires [BERTALANFFY L. 1993].
- la philosophie des systmes, promouvant le nouveau paradigme systmique, ct du
paradigme analytique et mcaniste de la science classique. La systmique constitue,
selon les propres termes de Bertalanffy, une nouvelle philosophie de la nature ,
oppose aux lois aveugles du mcanisme, au profit dune vision du monde comme
une grande organisation . Une telle philosophie doit par exemple soigneusement
distinguer systmes rels (une galaxie, une chien, une cellule), qui existent
indpendamment de lobservateur, systmes conceptuels (thories logiques,
mathmatiques), qui sont des constructions symboliques, et systmes abstraits (les
thories exprimentales), comme cette sous-classe particulire des systmes
conceptuels qui correspondent la ralit. A noter, la suite des travaux sur la
psychologie de la forme et les dterminismes culturels, que la diffrence entre
systmes rels et systmes conceptuels est loin dtre tranche. Cette ontologie des
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


183

systmes ouvre donc sur une pistmologie, rflchissant sur le statut de ltre
connaissant, le rapport observateur/observ, les limites du rductionnisme, etc.
Lhorizon ultime est alors de comprendre la culture comme un systme de valeurs
dans lequel lvolution humaine est enchsse [BERTALANFFY L. 1993].
2.4. Quest-ce quun systme de production ?
La notion de systme de production doit tre prise au sens large de systme industriel
manufacturier ou de processus caractre discret, continu ou hybride et doit intgrer les
points de vue sociaux, conomiques, technologiques et environnementaux. Elle doit aussi
intgrer la notion de production de services (hpitaux, banques,...) et peut inclure le secteur du
btiment.
Le systme de production peut tre :
- constitu par un ensemble de ressources humaines, techniques et financires,
- fonctionnant pour sa propre prennit, le bien de ses membres, de ses utilisateurs, de la
socit en gnral,
- ralisant des produits matriels (biens) ou immatriels (services) [HENNET J. 2001
a].
Si l'on considre qu'une entreprise utilise des ressources, telle la matire premire, la main
d'uvre et les machines pour transformer la matire premire en produits finis satisfaisant ses
clients en leur apportant de la valeur ajoute, alors le systme de production est l'ensemble des
pratiques, des rgles, des outils et mthodes qui forment la culture industrielle de l'entreprise.
Ces pratiques, rgles, outils et mthodes permettent la main d'uvre de faire bon usage des
machines et matires afin de produire de manire efficiente les produits attendus par les
clients.
Le systme de production permet de structurer la culture industrielle et de la partager,
d'aligner toutes les units et tous les personnels sur une mme vision, d'avoir une approche
uniforme de l'organisation est de mettre en uvre les mmes pratiques.
Dun point de vue systmique, il est classique de dcomposer le systme entreprise en
trois sous-systmes qui cooprent :
- le sous-systme physique reprsentant le systme oprant,
- le sous-systme dinformation permettant lacquisition, le traitement et la gestion des
donnes du systme et de son environnement,
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


184

- le sous-systme de dcision qui pilote (identifie, analyse et corrige les drives en
proposant des actions correctives ou prventives) le systme physique.



Figure. 62 Processus de production
Le systme de production dcrit lensemble du processus grce auquel lentreprise produit un
bien ou un service apte satisfaire une demande laide de facteurs de production acquis sur
le march [CHELBI A. et al 2006]. Dans le cadre dune entreprise, le systme de
production, outre sa finalit premire qui est de produire un bien conomique, cherche
satisfaire dautres objectifs secondaires :
2.4.1 Les objectifs associs la fonction de production
Objectif en termes de quantits produites :
La fonction de production doit permettre lentreprise de satisfaire la demande qui lui est
adresse ce qui suppose que lentreprise adapte sa capacit de production au volume des
ventes. Ceci passe par des actions visant maintenir en ltat les capacits productives ou par
la mise au point de plans dinvestissements en capacit.
Objectif en termes de qualit :
Les biens conomiques produits doivent tre de bonne qualit, cest--dire doivent permettre
de satisfaire les besoins de la clientle. Mais la production doit aussi tre de qualit en termes
dutilisation de ressources afin de respecter le critre defficience attach au systme
productif. Le systme productif doit donc tre conome en ressources et constant en terme de
qualit.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


185

Objectif de cot :
Le systme productif adopt par lentreprise doit proposer les plus faibles cots de production
possibles de manire garantir la comptitivit de lentreprise. De plus, les cots de
production calculs doivent aussi tre mis en relation avec les cots de production prvus par
le centre oprationnel. Sur la longue priode, cet objectif de cot se traduit par la recherche
permanente de gains de productivit afin de dtenir ou de conserver un avantage comptitif
cot pour lentreprise.
Objectif en termes de dlai :
Le systme de production doit certes produire, mais dans des dlais raisonnables, cest--dire
en conformit avec le niveau de la demande laquelle doit faire face lentreprise. Ceci
suppose la mise en place dun mode de production ractif qui permettra soit dviter des
stocks de biens finaux, soit de ne pas connatre de goulets dtranglement. En terme de
productivit, lobjectif de dlai signifie aussi rduire les dlais de fabrication.
Objectif de flexibilit :
Le systme productif doit tre flexible soit pour pouvoir sadapter aux variations de la
demande, soit pour tenir compte des volutions de lenvironnement productif de lentreprise
(innovations technologiques), soit pour permettre une production simultane de plusieurs
types de produits diffrents en mme temps.
Minimiser les stocks intermdiaires
A chaque niveau de fonctionnalit, les diffrents intervenants ne cernant pas de manire
prcise les flux et l'ensemble des paramtres entrant dans un processus complexe de
fabrication, ne cherchent pas ou ne peuvent pas optimiser les stocks de matires et pices en
cours de fabrication ou d'assemblage. Une tendance naturelle, mais coteuse, est d'accrotre
les quantits de produits intermdiaires pour viter toute rupture d'enchanement.
Optimiser l'utilisation des moyens
L'adquation des charges et des capacits est un problme important, qui ncessite des outils
d'aide au diagnostic et d'analyse. Il faut en particulier, optimiser en permanence la charge des
moyens chers et dtecter la prsence de goulots d'tranglement limitant le dbit de sortie des
produits. Un goulot d'tranglement ou goulet est un moyen de production dont la capacit est
infrieure la charge rsultant d'une demande [MAIMI L. et al 2007].



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


186

2.4.2 Les modles de gestion de production
Les modles permettant de reprsenter les activits de production, de transfert et de stockage
dans un atelier de production manufacturire relvent de deux approches diffrentes et
complmentaires : l'approche systme et l'approche produit.
Dans l'approche " systme ", on s'attache principalement dcrire le fonctionnement
dynamique des machines et de toutes les ressources qui contribuent la production:
oprateurs, robots, chariots, palettes,... Cette approche est gnralement utilise en
automatisation et valuation de performance d'ateliers.
L'organisation des activits dans une entreprise rseau fait maintenant appel de nouveaux
supports de communication et de traitement : ERP (Entreprise Ressource Planning), APS
(Advanced Planning and Scheduling), Gestion des connaissances, workflow,...
Plusieurs types de modles permettent de dcrire les composantes d'une entreprise rseau et la
dynamique d'laboration de projets, d'organisation des processus et de suivi des activits:
- les modles semi-formels, comme UML (Unified Modelling Language), SADT
(Structured and Analysis Desing Technic), qui permettent de reprsenter diffrentes
activits, leurs flux d'entres et de sorties, informationnels et matriels, diffrents
niveaux de dtail;
- les modles formels, comme les automates, les rseaux de Ptri et les rseaux de files
d'attente, qui permettent dvaluer analytiquement les performances de systmes
existants ou concevoir [CHELBI A. et al 2006] ;
L'approche " produits " nous semble bien adapte la modlisation structures de production
multi-niveaux. Dans ce cadre, nous nous intressons principalement la nature des produits,
aux diffrentes tapes de fabrication avec, pour chaque tape, la caractrisation des flux de
produits en entre et en sortie, les dlais et les stocks. Cette approche correspond une vision
plus conomique, voire gestionnaire de l'atelier [HENNET J. 1998].
2.4.3. Structure de production multi- niveaux
Une approche intgre en planification de production
La complexit croissante de l'industrie manufacturire moderne tient principalement au
caractre de plus en plus rparti de son organisation, li en partie la spcialisation des
mtiers et l'optimisation des cots. Dans les approches modernes, planification et ractivit
sont de mieux en mieux associes en tant qu'approches complmentaires permettant d'assurer
suffisamment d'autonomie aux niveaux oprationnels par la construction de plans
suffisamment robustes. Un plan de fabrication doit en effet ragir aux donnes courantes de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


187

production, de stockage et de demande. Mais les dcisions qu'il gnre doivent aussi prendre
en compte l'volution future du systme en intgrant les donnes prvisionnelles. Cette
intgration doit porter sur les deux composantes fondamentales de toute prdiction : le
prvisible et l'alatoire. Une bonne connaissance du systme manufacturier et du carnet de
commandes est dterminante pour l'optimisation du plan en dbut d'horizon. Mais le caractre
incertain des donnes futures, conjugu la ncessit de leur prise en compte dans le plan,
incitent combiner les outils de planification en boucle ouverte et en boucle ferme
[HENNET J. 2001 b].
Planification optimale en boucle ouverte
La formulation linaire classique du problme de planification optimale, sous contraintes de
satisfaction des demandes et de capacits de production, a t tendue, dans le cadre des
structures de production multi-tapes. Les extensions ont port principalement sur l'addition
de conditions terminales, la reprsentation des ruptures de stocks et l'intgration dans le
modle des temps de cycle (dures de fabrication) de chaque produit, primaire (dure
d'approvisionnement), intermdiaire ou final. Le problme ainsi formul permet d'optimiser la
production sur le dbut de l'horizon de planification, dure pendant laquelle le carnet de
commande est fixe et connu. Les conditions terminales imposent l'appartenance de l'tat final
au domaine invariant associ au rgime permanent, suppos alatoire mais stationnaire
[HENNET J. 2001 a], [HENNET J. 2001 b].
Planification robuste en boucle ferme
Adaptabilit et robustesse tant des objectifs frquemment antagonistes, il est difficile de
concilier la ractivit conjoncturelle et l'insensibilit aux perturbations alatoires. La voie
explore dans nos travaux est celle de la planification en boucle ferme avec attnuation de
perturbations alatoires bornes. L'approche par invariance positive de polydres permet de
traiter ce problme sous contraintes sur les capacits de production et de stockage de faon
numriquement efficace. Le problme de planification de production est traduit en un
problme de commande robuste par retour d'tat, pour lequel l'tat du systme est dcrit par
les valeurs courantes des stocks et des lancements de fabrication, ainsi que les valeurs passes
des lancements de fabrication, permettant de reprsenter les dures de fabrication comme des
retards. Une approche sous-optimale cot garanti avec construction de lois de commande
linaires fournit des solutions simples et faciles mettre en uvre [HENNET J. et al 1998],
[HENNET J. 1999]. Une voie alternative avec rsolution d'ingalits matricielles linaires a
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


188

aussi t teste. Elle donne des rsultats satisfaisants mais reste limite des systmes de
production peu complexes [HENNETJ. et al 1998].
3. Le systme de fabrication
Le systme de fabrication est compos de ressources et dentits. Les ressources
comprennent les machines, les stocks, les oprateurs, les moyens de transfert... et les entits
comprennent les produits, les matires premires, les pices, les lots...
Lanalyse des composantes dun systme de fabrication montre que les ressources prsentent
simultanment un aspect machine et un aspect stock . En effet, une machine peut
prsenter un aspect stock dans des conditions de blocage. Les stocks et les moyens de
transfert prsentent un aspect machine si le temps de transit nest pas nul. Selon ce point
de vue, un systme de fabrication est un ensemble de ressources qui effectuent des oprations
de transformation sur les entits. Les ressources peuvent tre identifies par deux types :
Les ressources principales
(Machines, robots, moyens de transfert, stocks,) qui sont actives et qui ont une certaine
autonomie vis--vis du reste du systme. Elles peuvent voluer dans certaines limites,
indpendamment du reste du systme ;
Les ressources auxiliaires
(Outils, palettes,) qui sont passives et qui permettent des ressources principales
daccomplir une opration. Ce type de ressource est caractris par son exclusivit ou sa
partageabilit [MAIMI L. et al 2007].

3.1 La matrise des systmes de production
Matriser un systme de production cest supposer que celui-ci est totalement contrl,
apprhend, pilot, Un systme qui subit une drive, suite larrive dun ala, et remettant
en cause lobjectif initial, est un systme dont la matrise nest pas compltement assure.
Ainsi, la matrise des systmes de production consiste assurer, en permanence, une
utilisation optimale de lensemble des ressources de production et une ralisation bonne et
dans les dlais des produits. Cet exercice est guid (pilot) par un ensemble de rgles dont les
dcisions dpendent des informations actualises sur ltat du systme un instant donn.
Ainsi, la matrise dun systme de production passe ncessairement par une bonne acquisition
de linformation et une bonne capacit de prise de dcision en cas de ncessit [AFNOR
1988].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


189

La matrise dun systme de production est une tche ardue et difficilement ralisable pour
des raisons de natures diffrentes (technologique, organisationnelle, dcisionnelle,
dynamique...). De ce fait, la matrise du systme est conditionne par plusieurs paramtres et
dpend gnralement de diffrents aspects :
Les paramtres : qui conditionnent un systme de production sont trs nombreux. Il
y a des paramtres physiques lis aux ressources et produits, des paramtres
organisationnels, des paramtres dcisionnels, des paramtres de gestion... ;
La dynamique : un systme de production nest ni linaire ni permanent. Le systme
est soumis continuellement des risques et des incertitudes qui surviennent de tout
bord (clients, prvisions, pannes, absentisme, dlais, qualit...) ;
La distribution : un systme de production est un systme de type distribu o des
tches multiples sont ralises simultanment, des oprations de synchronisation et
de partageabilit sont souvent ncessaires accomplir ;
Les objectifs : les objectifs des diffrentes fonctions du systme sont souvent
antagonistes. La satisfaction dobjectifs lmentaires ne sinscrit pas ncessairement
dans la satisfaction dobjectifs globaux [AKROUT M. et al 2009].
3.2 Diversit des systmes de production
Actuellement, toute entreprise se doit d'tre plus performante et d'avoir un niveau suprieur,
sur le plan technique et conomique, aux entreprises concurrentes. L'amlioration de la
gestion de production est la base de toute recherche dans le domaine de la productivit.
La productivit est la clef de la survie et du dveloppement des entreprises industrielles.
La loi du march ncessite une remise en cause des produits fabriqus et il n'est plus possible
d'investir d'importantes sommes pour laborer puis vendre un produit.
La concurrence exige que l'entreprise se dote d'un systme de production efficace qui ragisse
rapidement aux contraintes du monde environnant et en particulier aux exigences et
volutions du march.
Deux types d'volutions non antagonistes, bien au contraire, semblent merger pour tenter de
rpondre au problme de la survie de l'entreprise :
- Intgration cohrente de la gestion de production avec une importance particulire
pour la transmission des informations et de la communication ;
- Automatisation de la fabrication pour l'amlioration de l'excution des tches et de
l'ensemble des flux physiques [MAIMI L. et al 2007].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


190

Production unitaire
Ce type de production appel aussi projet dans le cas d'une unit importante de construction
est celui de la production artisanale et aussi celui de la ralisation de grands ouvrages
[AFNOR 1988]. Leur point commun est la taille du produit qui oblige tout. Du fait mme
de la taille du produit par rapport aux moyens mis en uvre et de la production sur site, on
s'efforce en gnral d'adapter l'outil de production au produit construire [AKROUT M. et
al 2009]. Le problme de la production est, dans ce cas essentiellement, de runir chaque
tape du projet tous les moyens ncessaires. La technique principalement utilise pour
coordonner ces moyens est la mthode PERT (Program Evaluation Review Technique) et le
CPM (Critical Path Method) [ROY B. 1970].
Production en petite et moyenne srie
Ce type de production, que l'on qualifie aussi parfois de production par lots [AFNOR 1988] ,
se caractrise par la production des produits de taille suffisamment modestes. Le procd de
fabrication d'un produit est, dans ce cas, exprim par la gamme de fabrication ou routage.
[AKROUT M. et al 2009].
Production en grande srie
Ce type de production est aussi parfois qualifi de production de masse. En effet, si le nombre
de produits identiques fabriquer la suite augmente suffisamment, il est alors intressant de
constituer des installations ddies. Une chane de production reprsente un ensemble de
machines diffrentes disposes dans l'ordre mme dans lequel on doit effectuer les oprations
aboutissant l'laboration du produit. Dans ce type de production les temps d'attente ainsi que
les temps de transfert entre machines sont fortement diminus. Un certain nombre de
problmes se pose tout de mme pour que ces conditions soient runies et que les stocks
intermdiaires soient le plus faible possible. En effet, il faut que les machines aient le mme
rendement et le mme dbit et que les problmes des alas puissent tre rsolus rapidement
avant d'entraner l'arrt complet de la chane. Toutes ces conditions font que gnralement il
est ncessaire d'avoir une surcapacit en ressources humaines et matrielles impliquant des
investissements importants.
Suivant l'importance de la srie et la valeur du produit, la chane de production peut tre
continue ou discontinue, complte ou partielle [AKROUT M. et al 2009]. Une chane est
discontinue lorsque l'on aura pu installer quelques machines en chane mais que certains des
traitements se feront au sein de groupes de machines en amont et en aval de cette chane. Une
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


191

chane est partielle si les gammes des produits traites par celle-ci sont analogues mais pas
rigoureusement identiques et si on peut avoir les mmes squences d'oprations mais avec des
temps opratoires diffrents. Il faut alors pouvoir absorber des variations de la charge par la
mise en place de stocks intermdiaires.
Production en continu
La production en continu est en fait un cas particulier de la production en grande srie. Pour
cette raison, on trouve parfois une classification voisine en trois types de production : unitaire,
discontinue et continue. Une chane parfaitement quilibr, c'est--dire pour laquelle il n'y a
plus de stocks intermdiaires et pour laquelle toutes les machines qui la composent ont le
mme dbit, est une vritable production en continu. Cependant, traditionnellement, on
rserve ce terme au cas o les matires et les produits se prsentent sous forme liquide (ou du
moins pouvant circuler dans des canalisations) ou sous forme gazeuse. Ce type de production
concerne par exemple la production en chimie, ou en industrie du verre et du ciment. Il fait
souvent intervenir des matires premires [AKROUT M. et al 2009].
3.3 Les critres dvaluation dun systme de production
La conception et lexploitation de ces systmes ncessite des techniques dvaluation se
basant sur deux aspects principaux : la performance et la sret de fonctionnement.
La performance
Dans le domaine industriel la performance peut tre dfinie comme tant un attribut
mesurable par la quel se dfinit la qualit dun produit ou la rapidit dun service.
Elle est lie tout le cycle de vie du systme de production,
- a sa productivit ;
- aux cots de production ;
- aux dlais de livraison ;
- a la qualit de production ;
- Etc.
La mesure quantitative de la performance conomique reste trs souvent llment principal
qui guide lvaluation de systme de production [MONTES F G L. et al 2003]. La
rentabilit ou le rendement dun processus de fabrication peut aussi sanalyser en termes de
formation de rsultat et en termes de ratios caractristiques.


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


192

La sret de fonctionnement
La sret de fonctionnement permet didentifier le degr de fonctionnement que lon peut
attribuer un systme dans le cadre de la mission quil doit assurer. Elle est lie tout le
cycle de vie du systme de production,
- sa disponibilit ;
- la fiabilit ;
- la maintenabilit de ces machines [POINT G.2000] ;
- Etc.
La sret de fonctionnement consiste connatre, valuer, prvoir, mesurer et matriser les
dfaillances des machines. Elle se caractrise par ltude structurelle (statistique) et
dynamique des systmes du point de vue prvisionnel mais aussi oprationnel et exprimental
en tenant compte des aspects probabilistes et consquences des dfaillances [BIEBER R. et
al 2001].
Les mesures directes sont pratiques directement sur le systme rel ou sur une maquette ou
un prototype physique reprsentant ce systme. Ces simulations en grandeur relle sont
ralises quand elles ne peuvent tre remplaces par des simulations informatiques, le systme
tant trs complexe pour tre remplac par un modle fiable. La ralisation de mesures
directes sur des systmes de production ne peut tre accepte que dans le cas dune dmarche
de progrs, damlioration continue ou de pilotage par indicateurs de processus. Les mesures
directes ne peuvent tre pratiques dans le cas de systmes non existants et si la ralisation de
prototypes physiques cote trop chre. Dans plusieurs cas, les autres mthodes permettent
avec des hypothses suffisantes dvaluer la performance de ces systmes avant que la
ralisation soit engage.
3.4 Les mthodes analytiques
Les fondements des mthodes analytiques sont la base doutils assez pratiques,
frquemment utiliss dans lvaluation des performances des systmes de production. Ces
mthodes exigent quun modle mathmatique soit dabord trouv pour reprsenter le systme
tudi et que lon dispose des outils mathmatiques qui permettent dtudier ce modle. Une
dmarche analytique se dcompose en trois tapes :
Recherche dune approche analytique adquate (modle mathmatique qui sadapte au
cas tudi) ;
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


193

Dveloppement du modle (mission des hypothses adaptatives du systme rel la
thorie adopte et dduction du modle) ;
Implmentation, utilisation et exploitation du modle.
Les techniques permettant dtudier de manire analytique un systme de production sont
nombreuses telle que : [PROTH J. et al 1987]
- la programmation linaire consiste optimiser une fonction objective sous certaines
contraintes linaires conduisant une solution statique,
- la programmation dynamique ou il faut trouver une solution optimale partir de
solutions optimales partielles comme dans le cas dun programme PERT,
- les chanes de Markov sont utilises dans la modlisation des systmes stochastiques
et dans lesquelles on dfinit ltat dun systme par un comportement entirement
probabiliste,
- les graphes potentiels de tches et lalgbre des diodes ncessitent de connatre les
squences dactivits pour tous les objets considrs au sein du systme,
- la thorie des files dattente consiste reprsenter le systme sous forme dun rseau
de serveurs, de zones dattente et de clients,
- les rseaux de Ptri constituent un outil graphique bas sur deux sortes de nuds, les
places et les transitions. A partir de ce graphe, on dduit des quations qui dcrivent
les caractristiques du systme (vivacit, synchronisation,) [COHEN G. et al
1983].
3.5 Analyse qualitative et analyse quantitative
La phase analyse est une tude des propriets dun modle pour en dduire des proprits
associes du systme initial. Il existe deux types danalyse :
Lanalyse qualitative :
A partir de modles de type vnementiel comme les rseaux de Petri ou les automates on
peut tudier des questions telles que [DEMRI A. et al 2007] :
- les possibilits de blocage du modle, gnralement rvlatrices d'erreurs de
conception dans le systme rel,
- certaines proprits d'atteignabilit pour des tats donns du systme,
- la dtermination de certains invariants du modle qui ont gnralement des proprits
physiques intressantes,
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 4 : La fonction production dans les entreprises de fabrication des
faisceaux de cbles lectriques pour le secteur industriel automobile


194

- la bornitude des tats du modle dont l'absence rvle gnralement une possibilit
d'explosion du nombre de certaines entits dans le systme rel,
- la possibilit de construire une commande imposant au systme un comportement
dcrit par un cahier des charges.
Lanalyse quantitative ou valuation des performances
Ce sont des mthodes qui permettent de connatre a priori le comportement d'un systme de
production pour une configuration donne. Le comportement d'un systme de production est
dfini par des performances du type : production maximale, encours, temps de rponse, temps
d'attente des demandes [KAPLAN R. et al 1992]. Ces performances sont calcules pour une
configuration donne par des caractristiques sur les machines (nombre de machines, taux de
panne), sur le routage des pices, sur l'environnement (arrive des pices, des demandes),
Pour valuer les performances d'un systme de production, deux approches peuvent tre
utilises: la simulation ou le recours des mthodes analytiques [CHOW WS. et al 2001].
Conclusion

La production est actuellement, et pour longtemps encore, au centre des proccupations des
organismes industriels, qui fournissent des produits destins satisfaire les besoins des
clients. La performance globale du procd et sa production dpendent dune part des
caractristiques des produits intermdiaires et dautre part des paramtres de fonctionnements
de processus de fabrication. Ainsi, la matrise et lamlioration sont toujours le rsultat de
plusieurs dcisions appuyes sur des paramtres mesurs, valus ou estims. En effet, dans le
cas de fabrication complexe, un temps considrable est perdu en ttonnements pour trouver le
bon rglage. En outre lamlioration de la productivit est obtenue suite lutilisation des
outils de pilotage qui permet denregistrer les informations pour piloter donc un gain direct
pour loprateur. Ainsi faire fonctionner un systme de production cest dimensionner et
grer au mieux ces ressources pour fabriquer des produits de faon satisfaire le client tout en
respectant les rgles opratoires.



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


195

Chapitre 5
Application industrielle
Sommaire
INTRODUCTION ............................................................................................. 197
1. Entreprise SIDELEC international .................................................................. 197
1.1. Prsentation de SIDELEC international ....................................................... 197
1.2. Organigramme de lentreprise ...................................................................... 199
1.3. Etude et prsentation de lexistant................................................................ 199
1.3.1 Prsentation des diffrents services au sein de SIDELEC international .............. 199
1.3.2 Description du flux informationnel entre ces services ...................................... 200
1.4. Processus de fabrication ............................................................................... 202
1.4.1 Lopration de sertissage ............................................................................ 202
1.4.2 Lpissure ................................................................................................ 203
1.4.3 Lencliquetage .......................................................................................... 203
1.4.4 Lhabillage ............................................................................................... 204
1.4.5 Le montage des agrafes .............................................................................. 204
1.4.6 La soudure ultrason ................................................................................... 205
1.4.7 Le contrle lectrique ................................................................................ 205
1.5. Dcoupage de latelier de production par zones .......................................... 206
1.5.1 Zone de coupe .......................................................................................... 206
1.5.2 Zone de prparation ................................................................................... 206
1.5.3 Zone dassemblage .................................................................................... 207
2. Prsentation des produits de lentreprise SIDELEC international .................. 208
3.Exprimentation du modle pour lamlioration du processus de production
(processus coupe) sous linitiative de lapplication de la mthode six sigma et
approche multicritre daide la dcision ........................................................... 211
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


196

3.1. Construction de la dmarche suivre .......................................................... 212
3.2. Etape : Dfinir .............................................................................................. 214
3.2.1 Principe de fonctionnement ......................................................................... 214
3.2.2 Description des 5M et identification des problmes ........................................ 218
3.2.3 Dfinir lobjectif atteindre ........................................................................ 226
3.3. Etape : Mesurer ............................................................................................. 227
3.3.1 Etude de laptitude du processus coupe ...................................................... 228
3.3.2 Cartes de contrle ................................................................................... 230
3.3.3 Capabilit de procd de processus coupe ..................................................... 231
3.3.4 La capabilit de la machine KOMAX cm et cmk ............................................ 232
3.4. Etape : Analyser ........................................................................................... 234
3.4.1 Identification des causes de dysfonctionnement ........................................... 234
3.4.2 Application de la mthode MACBETH......................................................... 237
3.5. Etape : Amliorer ......................................................................................... 238
3.5.1 La gnration des solutions ......................................................................... 239
3.5.2 La prise de dcision ................................................................................ 242
3.5.3 Analyse des relations inter dcisionnelles ...................................................... 244
3.5.4 Analyse dimpact des cinq dcisions ............................................................ 244
3.5.5 Dmarche daide la dcision ..................................................................... 258
3.5.6 Application numrique ............................................................................... 285
3.6. Etape : Contrler ........................................................................................... 297
CONCLUSION .................................................................................................. 299




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


197

Introduction
Le secteur automobile volue une vitesse de plus en plus importante. En effet, lvolution
rapide des techniques et des technologies accompagne dune explosion de linformatique, a
mis les entreprises face une concurrence acharne.
Face cette situation, lentreprise doits orient tourner son souci vers la recherche dune
meilleure dmarche lui permettant datteindre le niveau de comptitivit recherch et de
satisfaire les clients.
Dans cette optique, lamlioration continue reprsente llment capital pour russir lactivit
de ce secteur. Elle nest assure que par llimination de toutes formes de gaspillages qui
causent les surcharges et linsatisfaction des clients.
Lamlioration continue contient plusieurs dmarches : le Lean, le Kaizen, Six Sigma,
Pour cette raison, nous allons intgrer la dmarche Six Sigma lentreprise SIDELEC
internationale, fabricant des faisceaux de cbles pour automobile, le but est dliminer les
diffrentes formes de gaspillages afin damliorer le taux de satisfaction des clients.
Dans le chapitre prcdent, nous avons prsent les particularits de processus de coupe et nous
avons propos une structure de rsolution de problme adapte et adaptable ce contexte.
La dmarche propose et son instrumentation associe ont t appliqu pour tout les 5 M de
processus coupe de la SIDILEC.
Lobjectif de ce chapitre nest pas de prsenter lensemble de ces cas mais de montrer comment
la dmarche peut tre applique concrtement, quelle est lorganisation mettre en place,
quelles sont les difficults rencontres et les apports retirs.
Nous commenons dans un premier temps par une brve description de la socit SIDILEC
international et de ses produits complexes.
Dans un deuxime temps, nous prsenterons lorganisation et la gestion de la rsolution de
problmes et plus gnralement de la qualit en production qui peut tre mise en place.
Nous dtaillons dans un troisime temps un cas concret dapplication de dmarche de
rsolution de problme dans les 5 M de processus coupe.
1. Entreprise SIDILEC international
1.1 Prsentation de SI DI LEC international
Les travaux se droulent dans une usine de production spcialise dans ltude et la ralisation
de faisceaux de cbles lectriques pour les secteurs industriels automobiles et ferroviaires.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


198

Lusine est implante Sfax (une ville dynamique de la Tunisie) dans une nouvelle zone
industrielle et employant actuellement 180 personnes guides par des cadres qualifis et
ralisant plus 3 millions dEuros de chiffre daffaires en 2009.
Actuellement SIDILEC international fabrique des faisceaux de cbles lectriques pour les
constructeurs des voitures avec et sans permis, constructeurs des cabines pour les engins et les
constructeurs des trains et mtros.

Figure. 63 Rseau de fabrication internationale de SIDELEC
Pour accomplir cette mission SIDILEC international juge incontournable damliorer en
permanence ses comptences et ses performances, et ce par limplantation dune organisation
base sur les meilleures pratiques, oriente vers la satisfaction des clients.
SIDILEC international sest engage depuis sa cration dans une dmarche volutive et trs
ambitieuse qui sarticule autour de sept axes se prsentant comme suit :
- Amlioration de la comptitivit et de lefficacit des systmes de production.
- Amlioration de la satisfaction de ses Clients.
- Implication et motivation du personnel.
- Dveloppement du chiffre daffaires et des activits.
- Dveloppement et entretien du systme de management de la qualit.
- Dveloppement technique et technologique.
- Respect des exigences lgales et prservation de lenvironnement.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


199

1.2 Organigramme de lentreprise


Figure. 64 Organigramme de lentreprise

1.3 Etude et prsentation de lexistant
1.3.1 Prsentation des diffrents services au sein de SI DI LEC
I NTERNATI ONAL
Service production : Ce service est dirig par un groupe qui assure la planification,
lordonnancement et le suivi des commandes clients pour assurer la fabrication des
quantits demandes dans les dlais avec une bonne qualit. Le suivi de la production
dans lusine est de la responsabilit du directeur dusine en collaboration avec les
responsables de production et de planification.
Service Qualit : Le service qualit assure la mise en place du systme de management
global et le contrle des produits finis de lentr de matire premire la rception
jusqu' la livraison de la marchandise. Il est constitu dun groupe de contrle et de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


200

suivi dirig par directeur qualit, lhomologation et la validation des procs de
fabrication ainsi que la gestion de la formation est sous la responsabilit du directeur
Qualit.
Service Maintenance : Lingnieur responsable de se service maintenance dirige un
groupe maintenance pour la gestion et lapplication des actions correctives et
prventives et ce par des planifications bien dfinie sur le logiciel GMAO (Gestion
Maintenance Assiste par Ordinateur).
Bureau dtude et Engineering : Le travail dans le bureau Etude et Engineering se
base sur la dfinition, le calcul et lapplication.
Service financier et comptabilit : Diriger par une gestionnaire, qui assure le
rglement et la comptabilisation des factures fournisseurs, ltablissement du bilan
comptable ainsi que le paiement du personnel.
Service achats et approvisionnement : Ce service assure la recherche et lvaluation
des besoins en composants ncessaires la production. La gestion des stocks et
lapplication du systme FIFO (First In First Out) est sous la responsabilit de ce
service.
1.3.2 Description du flux informationnel entre ces services
-Sous systme production : Aprs accord commercial, un planning dindustrialisation doit tre
labor par le chef du projet avec une quipe pluridisciplinaire (Directeur Achat , Directeur
qualit, responsable engineering, Directeur commercial, responsable maintenance et le
responsable production).
La planification de lindustrialisation du produit doit prendre en considration les tapes
suivantes :
la dfinition et la mise disposition des composants ncessaires ;
la dfinition et la mise disposition des moyens de fabrication ncessaires en fonction des
exigences du client et en fonction de la capacit de production mettre en place ;
la dfinition de la documentation ncessaire la matrise de la qualit du produit : modes
opratoires, instructions, formulaires ;
la dfinition et la mise disposition des moyens de contrle ncessaires pour surveiller la
conformit du produit et la conformit du procs ;
lidentification, la mise disposition et la qualification des ressources humaines ncessaires
la ralisation de la commande du client en terme quantitatif et qualitatif ;
la validation du produit et du processus en fonction des exigences du client.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


201

Le responsable engineering assure le suivi de la ralisation des tches identifies avec les
responsables concerns et reporte la direction toutes les difficults pouvant mettre en cause la
satisfaction des exigences client en terme de qualit ou de dlais.
Suite la mise en place du processus de fabrication, le service qualit assure la validation des
moyens de fabrication en fonction des procdures en vigueur et des exigences client.
A la suite de la mise en uvre du processus, le responsable qualit procde la validation du
produit en fonction des exigences du client et tablit les rapports de validation du produit et le
communique au client si celui-ci lexige.
Une fois le processus valid, un programme de production est transmis vers lusine de
production.
Le responsable de planification dfinit un planning de fabrication selon les lments dentre
reus et fait le suivi ncessaire. Un plan daction sera ralis en cas dun cart.
La sortie des matires premires ncessaires est assure par les chefs datelier suite au
remplissage dun bon de sortie donn au magasinier.
-Sous systme dapprovisionnement : Le responsable achat et le responsable production sont
toujours informs de ltat du stock. La commande des composants est tablie en fonction des
paramtres introduits dans le systme de gestion du stock savoir :
Dlai de livraison du composant ;
Unit de conditionnement standard ;
Minimum de commande chez le fournisseur ;
Besoin du client en produit fini (commande prvisionnelle du client).
Une fois tabli, un bon de commande est transmis vers le fournisseur. Le magasinier est le
responsable de la rception des composants commands. Il doit vrifier sur le bon de livraison
fournisseurs la conformit des rfrences et des quantits de matire commande. Un contrle
qualit est ralis afin dautoriser lentre de la matire en magasin ou non.
Suite cette opration, le bon de livraison et le bon de rception seront transfrs vers le
service comptabilit qui doit vrifier la conformit des prix du fournisseur. Une fois vrifis,
tous ces documents passent au service financier pour rglementation.
- Sous systmes contrle qualit : Une copie du programme de production sera transmise au
service qualit pour quil puisse prendre les mesures ncessaires afin de garantir une bonne
qualit lors de la production et pour planifier ses ressources.
Les problmes de non qualit rencontrs seront inscrits dans un registre des produits non
conformes.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


202

Suite la rception de la matire premire, le service qualit doit assurer le contrle la
rception de celle-ci.
- Sous systmes maintenance : Lors de lapparition dune panne, un formulaire nomme
demande dintervention sera adress au service maintenance de la part du responsable
production. Suite lintervention, le mme formulaire sera complt par lagent de
maintenance qui indique une description de la panne et la dure dintervention. Lorsquil y a un
besoin dachat des pices de rechanges, une demande dachat sera communique au service
achat.

Figure. 65 Cartographie des processus de lentreprise

1.4 Processus de fabrication
1.4.1 Lopration de sertissage
Le sertissage est la liaison entre un fil lectrique et un contact sur la partie isolante et la partie
conductrice. Cette opration est ralise par un outil de sertissage.
Plusieurs types de sertissage existent :
Exemples. Sertissage simple - Sertissage double - Sertissage avec seal (joint)
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


203


Figure. 66 Opration de sertissage
1.4.2 Lpissure
L'pissure est le fait dassembler deux ou plusieurs fils, ayant la mme fonction lectrique dans
le vhicule, par un contact appel clip dpissure qui assure le serrage sur la partie spcialement
dnude des fils l'aide dun outil de sertissage.

Figure. 67 Opration dpissure
1.4.3 Lencliquetage
Lencliquetage est le fait dintroduire le contact dans le botier et viter la rparation sauf par
les moyens adquats. On doit entendre un bruit de Clic.

Figure. 68 Opration dencliquetage



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


204

1.4.4 Lhabillage
Lhabillage est le fait de couvrir les fils lectriques dun cblage par les rubans, les tubes et les
goulottes suivant des exigences et spcifications clients bien dtermines.
Habillage continue
Cest le fait de couvrir totalement les fils du cblage par les rubans.

Figure. 69 Habillage continue
Habillage discontinue
Cest le fait de couvrir partiellement les fils dun cblage par les rubans. La distance entre les
spires peut tre gale la largeur du ruban (pas court) ou deux fois la largeur du ruban (pas
long) suivant les exigences clients.

Figure. 70 Habillage discontinue
1.4.5 Le Montage des agrafes
Il sagit de la fixation dun composant en plastique qui assure la fixation et facilite le montage
du cblage suivant un chemin exig dans le chssis de la voiture.
Le montage des agrafes sur le cblage est une opration qui se fait suivant les exigences clients.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


205


Figure. 71 Schma dune agrafe
Pour ce type dagrafe la partie active sert monter le cblage sur le chssis de la voiture. Le
moyen de fixer lagrafe sur le cblage est la ceinture attache pour cet exemple.
1.4.6 La soudure ultrason
Pour certains types de produits, les fils sont souds entre eux par change dnergie. La soudure
est assure par une machine appele "machine ultrason" qui gnre des vibrations ultrasoniques
capables de souder une combinaison bien dtermine.

Figure. 72 Soudure ultrason
1.4.7 Le contrle lectrique
Cette opration est considre comme tant une opration de production, car lorsque le client
exige un contrle lectrique, cette opration sera intgre dans le processus de production du
cblage.
Le contrle lectrique est le faite de tester lectriquement un cblage tout en sassurant des
caractristiques suivantes :
- La continuit lectrique.
- Pas de court circuit.
- Lexistence des composants du cblage : agrafes, verrouillages
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


206

- La conformit des composants.
- Autres options : test dtanchit, test djection automatique, test de branchement, test de
verrouillage

Photo. 4 Machine de contrle lectrique

1.5 Dcoupage de latelier de production par zones
Les oprations de production sont regroupes par zone : une zone de coupe, une zone de
prparation et une zone dassemblage.
Cette classification par zone est lie la nature de lopration et du synoptique de fabrication.
1.5.1 Zone de coupe
Dans cette zone on trouve des machines quipes dautomates programmables, et qui assurent
lopration de coupe avec possibilit de raliser dautres oprations savoir le sertissage,
dnudage et ltamage. Selon les spcifications indiques dans le plan de coupe mis par le
bureau de mthodes, loprateur de coupe est charg de bien saisir ces spcifications (les
diffrentes tches raliser par la machine ainsi que le paramtrage de chaque tche) et suite
des essais pour contrler la qualit du produit, on se lance dans la production.
1.5.2 Zone de prparation
Cest une zone qui regroupe des oprations intermdiaires entre coupe et assemblage. Ce sont
des oprations manuelles que les machines de coupe ne peuvent pas ralises savoir
lpissure, sertissage sur Seal, protection des pissures et des contacts
Il sagit dune prparation pour la phase dassemblage.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


207

1.5.3. Zone dassemblage
La majorit des oprations sont manuelles. Lopratrice utilise une planche dassemblage fixe,
carrosserie ou autres moyen pour regrouper les diffrentes parties dun cblage et surtout pour
raliser lhabillage des cbles. Ces moyens dassemblage permettent dassurer le respect des
dimensions spcifies dans le plan du cblage.

Figure. 73 Diagramme de flux de production

Photo. 5 Table dassemblage

Vu que la production chez SIDILEC est une production sur commande, les produits diffrent
par leurs cycles de production. Les diffrentes oprations lmentaires qui constituent le cycle
de fabrication dun cblage bien dtermin sont dgages partir du cahier des charges du
client. La figure. 74 illustre les diffrents cas possibles dun cycle de fabrication.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


208


Figure. 74 Diffrents cycles de production
2. Prsentation des produits de Entreprise
SIDILEC international
-Cble Batterie
-Faisceaux Tableau de bord
Il est difficile d'imaginer les vhicules modernes sans lectronique embarque. Ordinateur de
bord, contrle de lampe, capteurs de recul, ... ont t conus pour accrotre le niveau de confort
et de scurit de l'automobiliste.
En lectricit automobile, les intensits mises en jeu s'tendent sur une plage allant d'environ
0,5 A, pour une ampoule de tableau de bord et jusqu' plusieurs centaines d'ampres pour un
dmarreur.
Les tensions utilises en lectricit automobile sont de 6 Volts ou de 12 volts (voir 24 Volts sur
les gros utilitaires et les vhicules militaires).
Par contre, le moindre court-circuit met en jeu des courants trs importants et peut facilement
mettre le feu au vhicule et provoquer de graves brlures par simple contact des lments en
court-circuit.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


209

Les cbles utiliss en lectricit automobile sont en cuivre (certains vieux montages taient en
aluminium, mais ce type de cble n'existe plus). Dans un vhicule automobile, il y a un grand
nombre de faisceaux lectriques dont le faisceau principal, la climatisation ou encore le sige,...
Leur longueur totale est d'environ 2m pour un poids total de 5kg. En ce qui concerne les
faisceaux siges, ils ont une longueur comprise entre 400 et 1500 mm et possdent diffrents
connecteurs. Le connecteur principal est linterconnexion vhicule, il permet de relier le
faisceau lectrique au reste du vhicule. Les autres connecteurs dpendent des options prsentes
dans votre vhicule, comme par exemple les airbags latraux ou les siges chauffants.
En lectricit automobile, tant donn que le () (ngatif) est toujours connect la masse de la
carrosserie (sauf coques plastiques), il n'y a pas de couleurs spcifiques du ngatif, sauf pour les
cosses de batterie qui sont de couleur verte pour le (-) rouge pour le (+). On retrouve sur les
faisceaux lectriques toutes les couleurs possibles, y compris des couleurs panaches. Ce qui
compte, c'est la continuit du cble, et lorsque le fil est repr, son numro. En principe, dans
un mme faisceau, il n'y a pas deux cbles de la mme couleur.



Photo. 6 Cble batterie





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


210


















Photo. 7 Les produits de lentreprise SIDELEC INTERNATIONAL



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


211



Figure. 75 Architectures cblage dune automobile

3.Exprimentation du modle pour
lamlioration du processus de production
(processus coupe) sous linitiative de
lapplication de la mthode Six Sigma et Aide
Multicritre la Dcision :
La matrise des processus de production comporte deux volets :
- La mise en place dun systme de production permettant de rduire la variabilit
sous toutes formes (mthodologique, procd, produit) afin de rduire loccurrence
de non performance.
- La mise en place dune dmarche de rsolution de problme adapte et adaptable
pour lentreprise et capable de rpondre efficacement aux non conformits
constates.
Pour cela nous avons appliqu notre modle SIDELEC INTERNATIONAL et cette tude
faite sur une dure de neuf mois.


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


212

3.1 Construction de la dmarche suivre
Ltablissement de ltat mthodologique est prsent dans la Figure. 76


Figure. 76 Etat mthodologique de la dmarche suivre








t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


213


Figure. 77 Approche Six Sigma et A.M.C

La Figure. 77 identifie notre dmarche propose suivre, portant sur lapplication des 5M au
niveau de chaque phase de la dmarche Six Sigma avec intgration de laide multicritre la
dcision dans le processus coupe de SIDELEC internationale.






t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


214

3.2 tape 1 : Dfinir
Le processus Coupe Sertissage Marquage KOMAX dcrit toutes les tapes suivre
pour la prsentation automatique dun produit semi-fini conforme et disponible une phase de
production ultrieure.
Nous avons choisi ce processus car ce dernier est applicable pour tous les produits fabriqus par
SIDILEC.
3.2.1 Principe de fonctionnement
- En fonction de lordre de fabrication (code : PR16F03) le responsable de production zone de
coupe prpare la fiche de lancement coupe (code PR22F01) ordre loprateur pour dmarrer
la coupe de fils sous forme de modules. La fiche de lancement est tablie et mise jour pour
nouveaux produits ou modifications produits. Elle prend en compte toute considration
doptimisation qui vise rduire au maximum le temps mort entre le passage dune rfrence
de fil une autre. Cette fiche est communique au poste dsign pour la fabrication.
- le dmarrage doit se faire selon linstruction dutilisation de la machine par loprateur
qualifi.
- loprateur slectionne un code fil partir de la fiche de lancement coupe / sertissage et fait
les rglages ncessaires tel que alimentation du fil, alimentation contact, mise au point de loutil
de sertissage, mise au point de la tte du marquage, suivant les spcifications mentionnes dans
la fiche de lancement : coupe/sertissage/marquage. Il introduit aussi dans le logiciel les
informations suivantes :
le code marquage,
La longueur du fil,
Choix de la section du fil,
Extrmit avec contact ou sans contact.
- loprateur fabrique des chantillons avec des longueurs dites maquettes (longueur courte), et
mesure leffort de la tenue mcanique de charge de sertissage tout en respectant linstruction
contrle en respectant les hauteurs de sertissage sur cuivre et isolant demands sur la relation
de sertissage. Si les rsultats sont conformes il en registre lopration dapprentissage sur
machine et lance un chantillon tout en respectant la longueur demande sur la fiche de
lancement. Les rsultats obtenus seront enregistrs par loprateur sur la fiche de lancement
coupe sertissage. En plus loprateur met la disposition du service qualit une pice type pour
le contrle.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


215

- loprateur lance la fabrication en srie et assure lopration dautocontrle visuel tel que
mentionn dans le plan de surveillance.
- en cas de dtection de non conformit en cours du fabrication par rapport aux exigences
indiques dans la fiche de coupe /sertissage/marquage, la liste des hauteurs de sertissage o
linstruction de contrle de tenu mcanique soit par le service qualit en cours du contrle
destructif de la pice type, soit par le service production qui doit informer lanimatrice qualit
ou le responsable qualit en cours. Dans les 2 cas lanimatrice qualit doit traiter la non
conformit conformment la procdure traitement du produit non conforme.
- loprateur assure lidentification et le conditionnement des fils coups suivant linstruction
affiche dans le lieu du travail.
-Le contrleur Qualit doit faire des audits sur les fils coups et cela conformment au
processus "Surveillance du produit"(Code : PR 19).
- les produits semi-finis valids conformes par le service qualit, seront chargs et stocks dans
des chariots destins cet effet par un oprateur dsign par le responsable production zone de
coupe.
- le responsable production travers la collecte des donnes enregistrs dans le formulaire
"Fiche de relev zone de coupe" (Code : PR22F01). Si le responsable zone de coupe sertissage
remarque un cart entre le dlai prvu et les dlais ralis qui peut engendrer certaines
perturbations au niveau de la zone dassemblage, il doit organiser une runion durgence avec
les services concernes pour remdier la situation. Une runion trimestrielle pilote par le
responsable zone de coupe /sertissage ou la prsence des responsables planification est
obligatoire.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


216


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


217




Figure. 78 Logigramme processus coupe sertissage marquage

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


218



Figure. 79 Logigramme processus coupe sertissage marquage_New1



Figure. 80 Lay-out Usine

3.2.2 Description des 5 M et identification des problmes
(M1) : Milieu
- Description de Milieu
Le Milieu correspond lenvironnement physique de lentreprise SIDILEC est plus
prcisment la zone de coupe.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


219


Photo. 8 zones de coupe

Dans cette premire tape, nous allons essayer de dgager tous les problmes dans tout le
milieu de processus coupe et les classer par ordre de priorit en utilisant un outil multicritre
daide la dcision.
- Identification des problmes
A chaque fois on dlimitera le problme dans le temps et dans l'espace grce au QQOQCC
afin de le formuler en termes de faiblesse et d'insatisfaction:
Qui est concern ?
De Quoi sagit-il ?
O cela se passe-t-il ?
Quand cela arrive-t-il ?
Comment cela se passe t-il ?
Combien de fois cela arrive t-il ?
Nous allons dterminer tous les problmes qui se passent dans le processus coupe et plus
particulirement dans le Milieu de SIDILEC.
Les problmes rencontrs dans cette zone sont :
- Des problmes de poussire ;
- Des problmes de nature de sol ;
- Des problmes de bruit ;
- Des problmes dhumidit ;
- Des problmes de localisation (bobines).

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


220



Figure. 81 Graphique dIshikawa pour les problmes de M1

(M2) : Matriel
-Description des Matriel
(Prsentation des Machines du processus Coupe Sertissage Marquage KOMAX de
SIDILEC : Principe de fonctionnement).
Le Matriel reprsente le moyen de production et prcisment les machines dans la zone de
coupe. Cette M permet didentifier les causes relatives aux Machines, aux quipements et
moyens concerns.
La Komax Gamma est une machine pour sertissage automatique flexible pour un usinage de
cbles efficace.
Elle permet dusiner des sections allant de 0.0123 mm
2
/AWG 36 2.5 mm
2
/ AWG 14 dans
une qualit suprieure.
Des cbles sertis sur les deux faces sont dj possibles partir dune longueur de 20 mm.
Lusinage de toute la section de cble se fait via des entranements asservis ultra dynamiques
programmables et avec des couteaux de dnudage en V. Le prefeeder qui fait partie de
lquipement standard de la machine, permet une dtection dpaisseurs, une dtection de fin de
cble, une dtection de nuds ainsi que deux stations de dressage de cble.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


221

Le prfeeder intgr garantit une alimentation en douceur des cbles partir de fts en vrac ou
de bobines, et ceci galement avec des vitesses dinsertion levs. Un traitement des cbles
dfectueux avec production ultrieure automatique.

Photo. 9 La machine Komax


Photo. 10 La surface utilisateur





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


222


Photo. 11 La configuration sertissage

Photo. 12 La tte de coupe Gamma 255
Dans cette premire tape, nous allons essayer de dgager tous les problmes qui affectent les
machines Komax et les classer par ordre de priorit en utilisant un outil multicritre daide la
dcision.
- Identification des problmes
Nous allons dterminer tous les problmes qui se passent dans le processus coupe et plus
particulirement dans M machine de SIDILEC.
Les problmes rencontrs dans cette zone sont :
- Ailette isolant,
- Coupure de brin,
- Pane marquage,
- Variation de fentre,
- Contact nest pas sur lenclime,
- Axe de lentranement de cbles.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


223


Figure. 82 Graphique dIshikawa pour les problmes de M1 et M2

(M3) : Mthode
- Description des Mthodes appliques dans le processus coupe
Cest la faon de faire, les modes opratoires, les instructions, les programmes, les procds,
crits ou non, imposs ou non, personnels ou collectifs. En rsum ce sont les procdures ou
modes opratoires utiliss.
- Identification des problmes
Nous allons dterminer tous les problmes qui se passent dans les mthodes de processus
coupe.
Les problmes sont :
- Absence de suivi du programme de maintenance,
- Pas danalyse des causes de panne. Les actions dintervention sont plutt curatives,
- Les interventions ne sont pas systmatiquement enregistres,
- Les fiches techniques de certaines machines ne sont pas disponibles,
- Il ny a pas un moyen de suivre la consommation des machines en pices de rechanges,
- Absence de suivi de la capabilit des machines ce qui engendre des non conformits.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


224



Figure. 83 Graphique dIshikawa pour les problmes de M1 ,M2 et M3

(M4) : Main duvre
- Description des Main duvre
Cest le personnel, les membres, la hirarchie... toute personne qui contribue la marche de
lentreprise nest plus prcisment au processus de coupe qui est :
Le responsable de production,
Les oprateurs qualifis,
Les personnes de maintenance,
Contrleur qualit,
Animatrice qualit.
- Identification des problmes
Les problmes des Main duvre, sont :
- Problme de comptence,
- Problme dorganisation,
- Problme de management,
- Problme de formation.


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


225



Figure. 84 Graphique dIshikawa pour les problmes de M1,M2,M3 et M4

(M5) : Matire
- Description des Matires
Cest tout ce qui est consommable, les fluides, les matires premires, le papier...
Dans notre cas dtude il sagit des bobines des fils,
- Identification des problmes
- Il ny a pas un guichet auquel sadressent les cheftaines pour prendre leurs besoins en matire
premire, donc il y a un risque de prendre de la matire premire sans enregistrer la sortie de
ces composants.
- Les demandes de sortie matire sont verbales, il y a un risque que le magasinier oubli
denregistrer ces sorties.
- Il ny a pas un logiciel fiable qui aide faire lapprovisionnement et il y a un risque derreurs
humaines lorsquon travaille sans logiciel cause du grand nombre des rfrences matire
premire.




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


226



Figure. 85 Graphique dIshikawa pour les problmes de M1, M2, M3, M4 et M5

3.2.3 Dfinir lobjectif atteindre
Lobjectif de notre tude est :
Lamlioration de systme de production et plus particulirement le processus coupe
(Amliorations des 5 M de processus coupe) et ceci par la maximisation de lutilit des
solutions proposes et de leurs niveaux de ralisation.




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


227


Figure. 86 Dmarche de rorganisation

3.3 Etape 2: Mesurer
Une fois les problmes dfinis, on peut commencer par dcrire la situation actuelle par la
mesure. Le recueil des informations se focalise sur les donnes les plus pertinentes. Pour cela
nous allons rechercher les donnes mesurables caractrisant le processus concern, mesurer le
rsultat existant.
Aprs avoir dtermin les problmes rencontrs, on peut commencer par mesurer laptitude du
processus en question en mesurant par exemple le rapport du nombre de non conformits
ralises sur le nombre des non conformits possibles.
Certaines entreprises comptent le nombre de non conformits qui se produisent, mais pas le
nombre dvnements, elles ne savent donc pas vraiment de quoi le processus est capable, ni
son niveau actuel.
Pour cela nous allons valider notre processus de mesure par identification de deux processus
lmentaire :
Le processus principal (processus coupe),
Ces 5 M (Moyen, Milieu, Mthodes, Matire, Main-duvre).
Le processus de mesure doit avoir des proprits de rptabilit (plusieurs mesures dans les
mmes conditions doivent donner un rsultat similaire) et de reproductibilit (indpendance de
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


228

la mesure un changement de condition tel que loprateur) afin que sa dispersion soit faible
par rapport aux variations de la rponse Y.
Un des objectifs de ltape Mesurer est de mettre en place un processus de mesure capable
de traduire la faon dont on peut satisfaire le client. Et il faut bien matriser le processus avant
de lutiliser.
Une partie de la dispersion provient du processus de production, et une autre du processus de
mesure.

3.3.1 Etude de laptitude du processus coupe
Etude de la stabilit
-Donnes
Une fois les problmes bien dfinis, on peut commencer par mesurer laptitude du processus en
question. Des fils sont coups par la machine KOMAX, on prlve sur le court terme des
chantillons intervalles rguliers pour contrler leurs hauteurs. On veut vrifier que cette
machine est capable de produire des pices dans les tolrances fixes par la norme.
Prenons lexemple de client : EAGLE. Dsignation de l'quipement : Outil de sertissage pour
terminal de rf: 7114-4103-02,
Code interne : EA-06,
Caractristique de contrle : Mesure des hauteurs sur cuivre pour 50 chantillons,
Valeur de la caractristique (Vc) : 1,4 mm pour la section 0,75 mm,
Type de l'action de capabilit : Phase contrle ordinaire Cmk 1,67,
Moyen de Contrle : Dynamomtre,
Tolrance maxi : TM : 1,45,
Tolrance mini : Tm : 1,35.

Etude de la normalit

Avant de tracer la carte (, S) de Shewhart, il faut vrifier lhypothse de normalit des
observations.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


229


Figure. 87 Coeficient de Shapiro (ANNEXE 1).




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


230

3.3.2 Cartes de contrle
Carte de contrle individuelle
Pour mieux visualiser les prlvements nous avons trac une carte de contrle individuelle pour
voir sil y a prsence des points qui dpassent les limites de contrle. La figure n88 montre le
rsultat de mesure .on attend que quelque point sont hors limites.


Figure. 88 Carte de contrle individuel (ANNEXE 2)

- Carte de contrle EWMA
Lorsque lon cherche mettre en vidence de petit drglage du procd, il convient dutiliser
la carte de contrles moyens mobiles avec pondrations exponentielles (La carte EWMA).
Ainsi en examinant la carte EWMA nous trouvons la prsence des points lextrieur des
limites de contrle, le procd est dclar hors contrle. Les points hors limites indiquent les
moments o les causes spciales sont prsentes dans le procd.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


231

181 161 141 121 101 81 61 41 21 1
1,45
1,44
1,43
1,42
1,41
1,40
Echantillon
E
W
M
A
_
_
X=1,42
LCS=1,43134
LCI =1,40866
carte EWMA pour la surveillace du processus coupe avant Six Sigma


Figure. 89 Carte EWMA pour la surveillance du processus coupe (ANNEXE 3)

Donc il faut dterminer les causes de ces anomalies qui seront lobjet de ltape analyser.
3.3.3 Capabilit de procd de processus coupe
La capabilit est une analyse importante car la qualit est la satisfaction du client. Or le calcul
de capabilit fait entrer dans le calcul statistique les besoins du client. C'est le moment o
l'entreprise peut vrifier qu'elle est en mesure de rpondre un cahier des charges. Les calculs
prsents ci dessous se font donc avec des pices dj produites.
Notre procd correspond une combinaison des 5 M (Main-d'uvre, Matriaux, Machines,
Mthodes, matires)
Selon AFNOR X06-030 : Un processus sera dclar "apte" s'il a dmontr, pour les
caractristiques slectionnes, qu'il tait capable de produire pendant une priode suffisamment
longue, avec un taux thorique de non-conformits infrieur aux exigences internes
l'entreprise ou contractuelles. Ce taux est frquemment fix partir de la valeur de lcart type
( 6 ).
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


232

1,47 1,44 1,41 1,38 1,35 1,32
LSI LSS
LSI 1,35
Cible *
LSS 1,45
Moy enne de l'chantillon 1,42
N de l'chantillon 200
Ecart ty pe ( l'intrieur) 0,01
Ecart ty pe (global) 0,0159735
Donnes de procd
Z.Rfrence 3,00
Z.LSI 7,00
Z.LSS 3,00
Cpk 1,00
Z.Rfrence 1,88
Z.LSI 4,38
Z.LSS 1,88
Ppk 0,63
Cpm *
Capabilit globale
Capabilit potentielle ( l'intrieur)
PPM < LSI 10000,00
PPM > LSS 45000,00
Total de PPM 55000,00
Performances observ es
PPM < LSI 0,00
PPM > LSS 1349,90
Total de PPM 1349,90
Performances l'intrieur esp.
PPM < LSI 5,87
PPM > LSS 30183,16
Total de PPM 30189,03
Performances globales esp.
A l'intrieur
Global
capapilit de processus avant six sigma

Figure. 90 Capabilit du processus coupe avant Six Sigma (ANNEXE 3)

Cp n'exige pas la connaissance de la moyenne pour son valuation. L'indice Cpk est introduit
afin de donner une certaine influence la moyenne.
Cp et Cpk suprieurs 1 procd capable et bien centr,
Cp>1 et Cpk<1 procd capable et mal centr,
Cp<1 procd non capable.
Ainsi dans notre cas le cpk <1 donc le proced capable et mal centr.
3.3.4 La capabilit de la machine KOMAX Cm et Cmk
La capabilitd'une machine est l'aptitude de cette machine raliser des pices bonnes.
Avec une distribution normale des valeurs, lindicateur de capabilit C
m
tient compte la fois,
de la dispersion de la machine et du centrage de la valeur moyenne X , par rapport aux
spcifications.
La capabilit dune machine ou dun systme est donne par la relation :
C
ms
=
T
S
- X
3
et C
mi
=
X - T
i

3

Avec , T
S
et T
i
:sont respectivement limite suprieure et limite infrieure de la tolrance,
X : moyenne ; : cart - type de la dispersion de la machine.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


233

Lamplitude de la capabilit est reconnue bonne si chacun de ces deux termes est gal ou
suprieur 1.
Autrement dit C
m
=
T
s
T
i

6
> 1 en considrant lingalit strict dans les deux relations
prcdentes.
Avec :
T
S
- T
i
, limite suprieure de tolrance - limite infrieure = intervalle de tolrance.
cart - type de la dispersion de la machine.
Les industriels se basent sur des normes bien donnes pour dfinir la capabilit de leurs
procds et de leurs machines. Comme par exemple la norme AFNOR X06-030 .
La capabilit machine Cm et Cmk : Ces calculs se font partir de 50 pices fabriques de
manire conscutive sans changer de rglage. Lorsqu'une pice passe travers diffrentes
machines, les variances s'ajoutent.
Pour les industriels le Cm doit tre suprieure 1,33.
Si Cm et Cmk suprieurs 1,33 machine capable et bien centre,
Si Cm > 1,33 et Cmk < 1,33 machine capable et mal centre,
Si Cm <1,33 machine non capable.
Pour notre cas Cm = 1, 66 > 1,33 et Cmk < 1,33 donc Komax est capable de produire mais
elle est mal centre.
Utiliser l'histogramme des capabilits comme dans la Figure. 90 cest pour valuer la
normalit des donnes et pour comparer les lois de distribution avec des valeurs hypothtiques
de la variation l'intrieur des sous-groupes et de la variation globale . L'histogramme des
mesures comporte les lments suivants :
Les courbes " l'intrieur" (rouge) et globale (noire) sont superposes dans l'histogramme.
Ces courbes sont des fonctions de densit de probabilit normales utilisant la moyenne du
procd et diffrentes variances. La courbe " l'intrieur" utilise la variance l'intrieur des
sous-groupes alors que la courbe globale utilise la variance globale de l'chantillon.
Evaluer la normalit des donnes en comparant la courbe et l'histogramme. Une loi normale est
symtrique et en forme de cloche. Examiner les courbes pour vrifier si elles sont proches l'une
de l'autre. Une diffrence substantielle entre les courbes " l'intrieur" et globale peut indiquer
que le procd est hors contrle ou qu'il existe des sources de variation que la composante "
l'intrieur" n'a pas estimes.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


234

La cible et les limites de spcification suprieure et infrieure sont reprsentes sur
l'histogramme par les lignes pointilles verticales vertes et rouges. Comparer les barres de
l'histogramme aux lignes pour valuer :
Si les mesures sont centres sur la cible,
Si les mesures sont l'intrieur des limites de spcification.
Dans le graphique d'analyse de capabilit, la section sur les donnes du procd comporte les
lments suivants :
Limites de spcification suprieure et infrieure (LSS et LSI ) : ce sont les limites que nous
avons spcifies,
Cible : valeur de la cible que nous avons spcifie,
Moyenne : moyenne de toutes les mesures, autour de laquelle le procd est centr,
N de l'chantillon : nombre total d'observations dans les donnes,
Ecart type " l'intrieur" : mesure de la variation l'intrieur des sous-groupes,
Ecart type global : mesure de la variation de l'ensemble des mesures.
Une diffrence substantielle entre les indices de capabilit globale et " l'intrieur" peut
indiquer que le procd est hors contrle ou que les sources de variation ne sont pas estimes
par la composante de variation l'intrieur des sous-groupes.
Il est noter qu'un cart de 1,5 Sigma correspond un cart de 0,5 de Cp. Autrement dit un
rsultat de 6 Sigma sur le long terme reprsente un Cp de 2, et sur le court terme un CP de 1,5.
3.4 Etape 3: Analyser
Si toutes les phases de la dmarche DMAIC sont importantes, la phase dAnalyse est souvent
considre comme majeure car elle oriente sur les solutions mettre en uvre partir des
donnes pralablement recueillies. Lanalyse va consister rechercher les causes qui ont un
effet ngatif sur le dysfonctionnement du processus coupe. Pour cela nous allons dterminer
toutes les causes. Nous allons appliquer lapproche MACBETH qui est une approche
pratique daide la dcision destine valuer des options compte tenu de critres multiples.
3.4.1 I dentification des causes de dysfonctionnement
Suite la phase de mesure, on arrive mieux comprendre le fonctionnement des diffrents sous
systme et analyser la situation courante de lentreprise. Donc il devient plus ais de dgager
les diffrents dysfonctionnements du systme.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


235

Ce travail est prsent sous forme des tableaux qui prsentent les causes des 5 M du processus
coupe comme suit :

Tableau. 23 Les causes de dysfonctionnement de M1
Tableau. 24 Les causes de dysfonctionnement de M2
Causes 1 : les causes qui ont un impact direct sur M1
Le milieu de travail sain par la mise en uvre dun programme de scurit nest
pas assez satisfait.
Absence dun systme de contrle de lhumidit.
La frquence du bruit nest pas mesure.
Causes 2 : les causes qui ont un impact direct sur M2
La frquence de suivi de la capabilit des machines ce qui engendre des non
conformits est insuffisante.
Le suivi de la maintenance des machines pour quelques interventions est non
justifi.
La planification de la maintenance est parfois mal dfinie ou mal appliqu.
Les causes racines des pannes sont mal dfinis et les actions dinterventions sont
plutt curative que prventives.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


236



Tableau. 25 Les causes de dysfonctionnement de M3

Causes 4: les causes qui ont un impact direct sur M4 (Main duvre)
Manque de qualification absolue pour certaines opratrices.
Mauvaise rpartition des oprateurs dans leurs postes par apport au planning.
Mauvaises utilisations des instructions des postes de travail.

Tableau. 26 Les causes de dysfonctionnement de M4

Causes5: les causes qui ont un impact direct sur M5 (Matire Premire)
Les rfrences sur des bobines sont ignores.
Les sorties et les appels des M.P ne sont pas maitrises.

Tableau. 27 Les causes de dysfonctionnement de M5
Causes 3 : les causes qui ont un impact direct sur M3(Mthode)
Les interventions ne sont pas systmatiquement enregistres.
Les interventions ne sont pas planifies et gnent la production dans la plupart des
cas.
Les fiches techniques de certaines machines ne sont pas disponibles.
Absence de suivi des cots relatifs la maintenance.
Les cots engendrs par larrt de la production (Le manque gagner) ne sont pas
valoriss
Mauvais gestion des pices de rechanges par le service maintenance.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


237

3.4.2 Application de la mthode MACBETH
Nous allons appliquer loutil logiciel MACBETH qui permet au dcideur de formuler ses
prfrences et dobtenir rapidement une valuation des actions sur une chelle numrique sans
avoir formuler le programme linaire. Loutil MACBETH est trs convivial, facile
apprendre et manipuler. Par ailleurs, il englobe plusieurs options dont notamment la dtection
des incompatibilits (situation dincohrence et / ou situation dinconsistance smantique).
Loutil suggre des alternatives pour traiter lincompatibilit. Lutilisation de cet outil pour la
matrice des jugements de la Figure. 91 a permis de gnrer lchelle numrique de base
prsente ci-dessous.

Figure. 91 Rsultat dapplication de la mthode MACBETH
Nous avons utilis le terme chelle intervalle dans notre exemple. Cette terminologie est
due au fait suivant : chacune des catgories {C0 : nulle, C1: trs faible,. C2, C3, C4, C5, C6 :
extrme}, nous associons un intervalle. Par exemple, dans la Figure. 91, la diffrence
dattractivit entre deux actions est considre forte si lcart de leurs valuations respective
appartient lintervalle [17.39 ; 47.83].
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


238

La dtermination des intervalles correspondant aux catgories est trs simple. Elle se fait de la
faon suivante : dabord, slectionner une catgorie (par exemple : C5 : trs forte). Ensuite,
dterminer la diffrence des scores de chaque paire dactions appartenant la catgorie objet de
ltude (pour la catgorie C5 : (cause 1) (cause 4) = 82.61, (cause 2) (cause 4) =
30.44, (cause 3) (cause 5) = 30.43, (cause 4) (cause 5) = 17.39). La diffrence de
score la plus faible et la diffrence la plus forte constituent les bornes de lintervalle (Ainsi,
pour la catgorie C5, lintervalle est [17.39; 82.61]).
Donc la classification des causes sera :


Figure. 92 Classement des causes
Aprs avoir reprer les causes principales pour le dysfonctionnement de processus coupe nous
allons passer ltape amliorer afin de dfinir les solutions correspondant aux causes
profondes
3.5 Etape 4: Amliorer
Il faudra alors innover pour amliorer les processus concerns, ceux dont les paramtres sont
critiques pour la qualit, et mettre en uvre des solutions innovantes.
Aprs avoir analys touts les causes qui sont responsables de tous les problmes dans le
processus coupe, nous allons dterminer les solutions possibles afin damliorer ce dernier.



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


239

3.5.1 La gnration des solutions
Aprs des sances de brainstorming nous avons gnr les solutions suivantes :
Les solutions
- Un systme de sant efficace grce un milieu de travail sain (SM11),
- Amliorer les voies de circulations (SM12),
- Cration dun milieu de travail sain par la mise en uvre dun programme de scurit
(SM13),
- Projet de cration dun plan daction prventif sur la sant en milieu de travail par lanalyse
intgre de donnes (SM14),
- Cration dun protocole d'valuation des risques professionnels au poste de travail afin de
minimiser le bruit (SM15),
- Rsoudre le problme de lhumidit car elle a un effet ngatif pour les fils lectrique et
pour les personnelles (SM16),
- Amliorer la luminosit de milieu travail (SM17),
- Sintresser lapplication de la maintenance prventive rgulire (SM21),
- Amliorer la performance des machines, rduire les temps darrt machine et par la suite
garantir la qualit et les dlais (SM22),
- changer Komax par bt 722 qui a une presse de sertissage de table qui se caractrise par une
dure de cycle rapide, des temps de conversion et de rglage courts ainsi quune surface
utilisateur TopTouch conviviale. Livrable en option avec le dispositif programmable de
dnudage et le dispositif de coupe de pices dfectueuses, cette presse garantit une
confection de cbles de trs haute qualit, sans intervention de loprateur (SM23),
- Les fiches de suivi des pannes machines doivent tre remplit avec rigueur (SM24),
- Consigner les dpenses et bien estimer les cots des travaux dentretien et de maintenance
afin de tenter de les rduire, car il sagit dune charge indirecte relative un service non
productif au sein de lentreprise (SM25),
- Utiliser des indicateurs de performance au niveau maintenance qui indiquent la
disponibilit des machines, et qui donnent une ide sur leurs tats de fonctionnement,
ainsi que sur la consommation des pices de rechanges (SM26),
- Amliorer les systmes darrt automatique (affichage du type darrt ainsi que des causes),
(SM27),
- Amliorer limplantation des 5S (application du PDCA) (SM31),
- Introduire la mthode Six Sigma dans les bureaux (SM32),
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


240

- Amliorer davantage les standards de layout et dentreposage (SM33),
- Dvelopper des outils adquats de matrise et gestion du temps (SM34),
- Consolider les indicateurs de performances clients (SM35),
- Appliquer la MSP "Matrise statistique des processus" qui permet de dtecter le drglage
du processus avant lapparition de la non-conformit et par la suite donner la possibilit
dagir pour rgler le processus au bon moment (SM36),
- Appliquer la mthode AMDEC afin dagir directement sur la cause, viter la rapparition
des dfauts (SM37),
- Sensibiliser les oprateurs de production ainsi que celles du contrle qualit la notion de
TQM "Total Quality Management" en faisant des formations afin de garantir la qualit au
niveau production et par la suite rduire les cots de non-conformit (SM41),
- Former les ouvriers sur les modes de scurit et mettre leur disponibilit les moyens
ncessaires pour leur scurit et en particulier pour le bruit (SM42),
- Focaliser les formations sur le dveloppement de lesprit Six Sigma (SM43),
- Formation continue sur les besoins de lentreprise (SM44),
- Etre plus flexibles aux modifications clients : les causes de dfaillances, les actions
correctives adquates, (SM45),
- Assurer efficacement la formation technique du personnel, pour quil matrise les tches
quil est en train daccomplir et pour assurer une polyvalence des oprateurs (SM46),
- Dvelopper des indicateurs de sant et scurit (SM47),
- Optimiser lanalyse des flux de stocks et des encours (SM51),
- Renouveler les objectifs (en termes du Lead time et du cot) en ce qui concerne le JAT
client (SM52),
- Dvelopper des mthodes efficaces pour diminuer les stocks et les encours (SM53),
- Assurer le suivi du logiciel avec le fournisseur afin de ladopter aux besoins de SEDILEC
(SM54),
- Affecter le magasin pices de rechange ainsi que sa gestion au responsable magasin
matire premire afin de bien grer les entres et sorties des PDR (SM55),
- Rendre le magasin inaccessible que pour le magasinier afin dviter les erreurs au niveau
de la valorisation de la quantit disponible en stock (SM56),
- Prparer des baguis de besoin quotidien de chaque ligne de production afin deffectuer une
seule opration de livraison par jour vers la zone de production (SM57).

Tableau. 28 Gnration des solutions proposes
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


241


Abrviation Signification
SM11 Solution 1 de M1
SM12 Solution 2 de M1
SM13 Solution 3 de M1
SM14 Solution 4 de M1
SM15 Solution 5 de M1
SM16 Solution 6 de M1
SM17 Solution 7 de M1
SM21 Solution 1 de M2
SM22 Solution 2 de M2
SM23 Solution 3 de M2
SM24 Solution 4 de M2
SM25 Solution 5 de M2
SM26 Solution 6 de M2
SM27 Solution 7 de M2
SM31 Solution 1 de M3
SM32 Solution 2 de M3
SM33 Solution 3 de M3
SM34 Solution 4 de M3
SM35 Solution 5 de M3
SM36 Solution 6 de M3
SM37 Solution 7 de M3
SM41 Solution 1 de M4
SM42 Solution 2 de M4
SM43 Solution 3 de M4
SM44 Solution 4 de M4
SM45 Solution 5 de M4
SM46 Solution 6 de M4
SM47 Solution 7 de M4
SM51 Solution 1 de M5
SM52 Solution 2 de M5
SM53 Solution 3 de M5
SM54 Solution 4 de M5
SM55 Solution 5 de M5
SM56 Solution 6 de M5
SM57 Solution 7 de M5
Tableau. 29 Tableaux des abrviations





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


242

3.5.2. La prise de dcision

La question maintenant devant cette quantit de solutions est de dfinir quelle est la dcision
quon va prendre ? Pour cela nous allons proposer une dmarche intgre daide la dcision
pour amliorer le premier systme de production (processus coupe).
Dans la suite de travail, intgration signifie : regrouper diverses entits ayant des
interactions directes ou indirectes dans un ensemble unique afin de traiter cet ensemble et au
lieu de traiter sparment chaque entit.
Mais il faut remarquer que lintgration de toutes les dcisions ayant des interactions, risque de
ncessiter un modle trs grand et un ensemble dinformation trs important, ce qui peut rendre
trs difficile lapplication de ce type dintgration. Rappelons que dans ce travail nous nous
intressons lintgration des cinq dcisions oprationnelles dun processus de production
complexe qui sont :
Amlioration de Milieu (M1)
Amlioration de Matriel (M2)
Amlioration de Mthode (M3)
Amlioration de Main duvre (M4)
Amlioration de Matire (M5)



Figure. 93 Proposition des dcisions de choix

Lintgration dcisionnelle sera significative sil existe une dpendance mutuelle entre
dcisions. On peut distinguer trois types de situations entre deux ou plusieurs dcisions :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


243

- Il ny a pas de relation entre les dcisions : dans cette relation deux dcisions sont
compltement indpendantes lune de lautre. Ceci signifie que, quelle que soit la
solution retenue pour une dcision, elle ninfluera pas la solution optimale de lautre.
Dans cette situation une intgration dcisionnelle namne aucun avantage.
- Une relation hirarchise. Dans cette situation une dcision influe lautre mais la
rciproque nest pas vraie. Dans ce cas, une solution globalement optimale peut tre
trouve par une approche squentielle. On trouve la solution optimale de la dcision
influente et ensuite on cherche la solution optimale de la dcision domine.
- Une relation mutuelle. Dans cette situation il y a une dpendance mutuelle des
dcisions. Une dmarche indpendante ou une solution hirarchise ne garantissent pas
a arriver la solution optimale. Dans ce cas une dmarche intgre sera ncessaire pour
trouver la solution optimale. Ici, nous nous plaons dans loptique dune dmarche
intgre qui considre en mme temps les cinq dcisions. Vu limportance de ces
dcisions et leur influence sur lenchanement de processus de production, tout effort
pour amliorer le choix de lentreprise sera important.
En absence dune dmarche intgre lentreprise peut traiter ces dcisions en utilisant :
- Une dmarche spare. Selon cette approche chaque dcision est prise partir de critres
qui lui sont propres. Autrement dit, le dcideur ne considre pas les interactions entre les
dcisions,
- Une dmarche hirarchise (ou squentielle). On commence par la dcision que lentreprise
estime la plus importante, en ne retenant que des critres indpendants des autres dcisions.
La deuxime dcision sera prise en considrant le choix retenu pour la premire dcision et
videment sans tenir compte des critres qui ncessitent le rsultat de la troisime dcision.
La dernire dcision sera prise en considrant les choix retenus pour les deux premires
dcisions.
- Une numration complte des hirarchisations possibles (6 hirarchisations possibles dans
le cas de trois dcisions) on dtermine la solution de chacune des hirarchisations et on
choisit la hirarchisation qui donne la meilleure solution.
- Une dmarche hirarchise avec des allers-retours (cycliques), en commenant par une
dcision et en revenant sur cette dcision si ncessaire.
La premire dmarche ne propose pas gnralement une solution optimale, car les dcisions ne
sont pas prises partir de tous les critres. En effet dans cette dmarche les critres
dpendants ne sont pas pris en compte.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


244

La deuxime dmarche propose une solution meilleure que la premire dmarche, car on
considre partiellement les critres dpendants. Mais la solution propose par cette approche
nest pas toujours optimale car on ne considre pas la totalit des critres de dcisions.
Autrement dit la solution finale est le rsultat dune suite doptimisations locales qui ne donnent
pas toujours la solution optimale.
La troisime dmarche examine un ensemble plus important de solutions possibles. Donc elle
peut fournir une solution meilleure (en tout tat de cause, pas plus mauvaise) que les deux
premires approches.
La quatrime dmarche, se situe entre une dmarche intgre et une dmarche hirarchise.
Cette dmarche ncessite des rgles de retour souvent trs subjectives et difficiles dfinir et
mettre en uvre. Cette dmarche de manire gnrale, ne trouve pas la solution optimale. Cette
dmarche peut tre lobjet dun travail de recherche intressant.
3.5.3 Analyse des relations inter-dcisionnelles
Cette section prsente les interactions entre les cinq dcisions : dcision damliorer M1 :
DM1 , dcision damliorer M2 : DM2, dcision damliorer M3 : DM3 , dcision
damliorer M4 : DM4 et dcision damliorer M5 : DM5 . Cette analyse nous aide
mieux comprendre les dynamiques des relations entre ces dcisions. Cette connaissance est
essentielle pour dvelopper une dmarche intgre daide la dcision.
Les Figures (94,95, 96,97, 98) montrent les modalits dimpact de chaque dcision par apport
aux autres dcisions.
Rappelons que la dcision A, a un impact (ou une influence) sur la dcision B, si le choix
adopt pour la dcision A fournit des informations ncessaires pour dcider sur B.
Autrement dit nous disons que la dcision A, a un impact (ou une influence) sur la dcision
B, si le choix adopt pour la dcision A influe sur un ou plusieurs des critres de dcision de B.
Ces critres sont appels les critres influencs par la dcision A.
3.5.4 Analyse dimpact des cinq dcisions
Les critres damlioration de Milieu (M1)
Les abrviations utilises dans la Figure 94, sont les suivantes :
A : Qualit de milieu de travail :
A.O : Minimiser le bruit dans lentreprise.
AF1 : une culture de scurit.
AF2 : un milieu de travail sain par la mise en uvre dun programme de scurit.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


245

AF3 : un plan daction prventif sur la sant en milieu de travail par lanalyse intgre de
donnes.
AF4 : un protocole d'valuation des risques professionnels au poste de travail.
AF5 : les conditions de travail.
AF6 : les moyens damlioration.
AI1 : formation des ouvriers.
AI2 : Qualification des ouvriers.
AI3 : Sensibilisation des ouvriers.
B. Les vois de circulations :
BO : Maximiser la possibilit de circuler facilement.
BF1 : Distance entre les machines.
BF2 Position des chariots.
BF3 Localisation des machines et des bobines.
BI1 : lordonnancement des machines et des bobines.
C : Luminosit :
CO : Maximiser laccs cet avantage.
CF1 : les conditions de travail.
CF2 : nature des lampes.
CF3 : Position des lampes.
CI 1: Le matriel.
D : Humidit :
DO : Minimiser lhumidit :
DF1 : la condensation sur les murs extrieurs.
DF2 : Les infiltrations du sol.
DF3 : Les infiltrations pluviales.
DF4 : Les remontes capillaires.
DI1 : Le milieu.
E : Sauvegarde de lenvironnement.
EO : Minimiser leffet indsirable sur lenvironnement.
EF1 : Moyen de se dbarrasser des dchets.
EF2 : Technologie de production.
EI 1: Matire.
F : Cot damlioration de Milieu.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


246

FO : Minimiser le cot damlioration de Milieu.
FF1 : Les moyens damlioration.
FF2 : Le temps pour lamlioration.
FI 1: Les mthodes appliques.


Figure. 94 Reprsentation graphique danalyse dimpact de M1
Dcision damliorer M1(DM1)
Les critres influencs :
A : Qualit de milieu de travail
B. Les vois de circulations
C : Luminosit
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


247

D : Humidit
E : Sauvegarde de lenvironnement
F : Cot damlioration de Milieu
Les modalits dimpact :
A : Qualit de milieu de travail :
Lentreprise souhaite minimiser le bruit dans lentreprise (A.O) mais labsence dune culture de
scurit (AF1) et dun protocole dvaluation des risques professionnels au poste de travail
(AF4) conduisent un milieu de travail o la probabilit des risques professionnels est
importante. Alors la formation des ouvriers (AI1), la qualification des ouvriers (AI2) et la
sensibilisation des ouvriers (AI3) sont importantes pour crer un milieu de travail sain vis--vis
de critre A. Lamlioration de milieu de travail dpend donc de la dcision damlioration de
main duvre (DM4).
B. Les vois de circulations :
Lentreprise dsire maximiser la possibilit de circuler facilement, alors que la mauvaise
position des chariots (BF2), la mauvaise localisation des machines et des bobines (BF3)
conduisent une difficult de circuler pour les ouvriers. Alors lordonnancement des machines
et des bobines (BI1) est important pour largir les voies de circulations. Ceci prouve que la
dcision damliorer les matriels (DM2).
C : Luminosit :
Lentreprise dsire maximiser laccs cet avantage (CO), pour cela il faut dabord connatre
les conditions de travail (CF1), la nature des lampes (CF2) et les postions des lampes (CF3).
La luminosit joue un rle important pour lentreprise donc les lampes appartiennent
lensemble des matriels pour lentreprise, et si on veut amliorer ce dernier il faut donc
prendre la dcision damliorer le matriel (DM2).
D : Humidit :
Lentreprise souhaite minimiser lhumidit (DO), pour mesurer ce critre il faut dabord
connatre la condensation sur les murs extrieurs (DF1), les infiltrations du sol (DF2), les
infiltrations pluviales (DF3) et les remontes capillaires (DF4).
Lhumidit a un effet ngatif que se soit pour les ouvriers, pour les produits et pour les
machines par consquent la dcision damliorer le milieu (DM1), matriel(DM2) et matire
(DM5) influent ce critre de dcision.


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


248

E : Sauvegarde de lenvironnement :
Lentreprise dsire minimiser leffet indsirable sur lenvironnement (EO), pour cela il faut
dabord appliquer des technologies de production (EF2) et des matires premires peu
polluantes qui diminuent les effets ngatifs sur lenvironnement. Ceci prouve que la dcision
damliorer les matires (DM5) influe sur ce critre de dcision.

F : Cot damlioration de Milieu :
Le Cot damlioration de milieu dpend de la qualit des moyens, des mthodes appliqu et
des temps mis pour amliorer le milieu. Ceci prouve que la dcision damliorer les mthodes
(DM3) influe sur ce critre de dcision.
Les critres damlioration de Matriel (M2)
Les abrviations utilises dans la Figure 95, sont les suivantes :
G : Maintenance.
GO : Maximiser le rendement des machines.
GF1 : les machines.
GF2 : Le temps darrt machine.
GF3 : Les gaspillages.
GF4 : Ordonnancement des machines.
GF5 : Lhumidit.
GI1 : Formation des personnelles
H : Suivie de programme des machines.
HO : Minimiser la quantit des pices non-conformit.
HF1 : Oprateur.
HF2 : Responsable de production.
HF3 : Le contrleur de la qualit.
HI 1: Qualification des mains duvres.
I : Cot damlioration de Matriel.
IO : Minimiser le cot damlioration de matriel.
IF1 : Les moyens damlioration.
IF2 : les machines.
IF3 : les lampes.
IF4 : Les logiciels.
II1 : Les mthodes appliques.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


249


Figure. 95 Reprsentation graphique danalyse dimpact de M2

Amlioration de Matriel
Les critres influencs :
G : Maintenance
H : Suivie de programme des machines
I : Cot damlioration de matriel
Les modalits dimpact :

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


250


G : Maintenance :
Lentreprise souhaite maximiser le rendement des machines (GO) pour cela elle a besoin de
sintresser lapplication de la maintenance prventive rgulire et la rduction des temps
darrt machine (IF2). Alors la situation de rviser les mthodes de travail ainsi que la
formation des ouvriers sur les machines est importante. Donc les dcisions damliorer les
mains duvre (DM4) et les mthodes (DM3) influent sur ce critre de dcision.
H : Suivie de programme des machines :
Lentreprise souhaite minimiser la quantit des pices non-conformes (HO) et ceci par la
formation des oprateurs (HF1), des responsables de production (HF2) et de contrleur de la
qualit(HF3). Ceci prouve le suivie de programme des machines dpend de la dcision
damliorer la main duvre (DM4).
I : Cot damlioration de Matriel :
Le Cot damlioration de matriel dpend de la qualit des moyens ( les machines (IF2 ) ,
les lampes (IF3 ): et Les logiciels (IF4 )) et des temps mis pour amliorer les matriels . Ceci
prouve que la dcision damliorer les mthodes (DM3) influe sur ce critre.

Les critres damlioration de mthode (M3).
Les abrviations utilises dans la Figure 96, sont les suivantes :
K : les avantages concurrentiels (qualit de produit et de service, cot de produit, ...).
K1 : Qualit du produit.
K 2: Prix.
K 3 : Flexibilit.
K1O: maximiser laccs cet avantage.
K2O: maximiser laccs cet avantage.
K3O : maximiser laccs cet avantage.
KF1 : Matire premire
KF2 : flexibilit des personnelles
KI : Matire premire
L : Cot damlioration de mthode.
LO : Minimiser le cot damlioration de mthode.
LF1 : Les moyens damlioration.
LF2 : Le temps pour lamlioration.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


251

LI : Les mthodes appliques.


Figure. 96 Reprsentation graphique danalyse dimpact de M3
Lamlioration de Mthode
Les critres influencs :
K : les avantages concurrentiels (qualit de produit et de service, cot de produit, ...),
L : Cot damlioration des Mthodes,
Les modalits dimpact

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


252

K : les avantages concurrentiels (qualit de produit et de service, cot de produit, ...)
Les paramtres affectant les avantages concurrentiels sont la qualit du produit (K1), le prix
(K2), et la flexibilit des ouvriers (K3). Ceci veut dire que la dcision damliorer la main
duvre (DM4), le milieu (DM1) et la matire (DM5) affectent ce critre de la dcision qui
concerne lamlioration des mthodes.
L : Cot damlioration de Mthode :
Le Cot de programme damlioration de mthode dpend de la qualit des mthodes (Six
Sigma par exemple), des logiciels (IF4)) et des comptences de mains duvre. Ceci prouve
que la dcision damliorer les mains duvre (DM4) influe sur ce critre.

Les critres damlioration de main duvre (M4).
Les abrviations utilises dans la Figure 97, sont les suivantes :
M : Formation et sensibilisation prendre les protecteurs comme les bouchons pour les
orteils.
MO : Minimiser les risques pour les ouvriers.
MF1 : Les formations.
MF2 : Les moyens de les sensibiliser (les affiches).
MF3 : Lhumidit.
MI 1: Les mthodes appliques.
N : Rendement de louvrier.
NO : Amliorer le rendement de louvrier.
NF1 : Les motivations et les primes de rendements.
NF2 : Les aides visuels.
NF3 : Les conditions de travail.
NI 1: Les mthodes appliques.
O : Continuit de louvrier.
OO : Minimiser les taux dabsence pour les ouvriers.
OF1 : Sensibilisation.
OF2 : Motivation.
OI 1: les ouvriers.
P : Cot damlioration de main duvre.
PO : Minimiser le cot damlioration de main duvre.
PF1 : Les moyens damlioration.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


253

PF2 : Le temps pour lamlioration.
PI1 : Les mthodes appliques.




Figure. 97 Reprsentation graphique danalyse dimpact de M4
Lamlioration de la main duvre
Les critres influencs :
M : Formation et sensibilisation prendre les protecteurs comme les bouchons pour les orteils,
N: Rendement de louvrier,
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


254

O : Continuit de louvrier,
P : Cot damlioration de main duvre.
Les modalits dimpact
M : Formation et sensibilisation prendre les protecteurs comme les bouchons pour les
orteils :
Lentreprise souhaite minimiser les risques pour les ouvriers (MO) pour cela elle a besoin de
sintresser faire des formations afin de sensibiliser les ouvriers. Ainsi, la situation de rviser
les mthodes de travail et la formation des ouvriers sur les machines sont importantes. Donc
les dcisions damliorer les mthodes (DM3) influent sur ce critre.
N: Rendement de louvrier :
Lentreprise souhaite amliorer le rendement de louvrier (NO) et ceci par Les motivations et
les primes de rendements (NF1), les aides visuels(NF2) et les conditions de travail (NF3).
Ceci ncessite de rviser les mthodes appliques qui dpendent de la dcision damliorer la
main duvre (DM4), et les mthodes (DM3).
O : Continuit de louvrier :
Lentreprise souhaite minimiser les taux dabsence pour les ouvriers (OO) et ceci par la
sensibilisation (OF1) et la motivation (OF2).
Ceci ncessite une bonne continuation avec louvrier qui dpend de la dcision damliorer la
main duvre (DM4).
P : Cot damlioration de main duvre :
Le Cot de programme damlioration de la main duvre dpend des moyens damlioration
(PF1) et du temps pour lamlioration (PF2). Ceci prouve que la dcision damliorer les
mthodes (DM3) influe sur ce critre.

Les critres damlioration de matire (M5).
Les abrviations utilises dans la Figure 98, sont les suivantes :
Q : Intensit d'un courant.
QO: Maximiser laccs cet avantage.
QF1 : La quantit dlectricit.
QI1: Matriel.
R : La tension.
RO: Maximiser laccs cet avantage.
RF1 : la circulation dlectricit.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


255

RI 1: Mthode.
S : Rsistance.
SO: Maximiser laccs cet avantage.
SF1 : Longueur.
SF2 : Diamtre.
SF3 : La nature du matriau.
SI 1: Matire.
T : Cot de damlioration de Matire.
TO : Minimiser le cot damlioration de Matire.
TF1 : Les moyens damlioration.
TF2 : Le temps pour lamlioration.
TI1 : Les mthodes appliques.
U : La couleur des cbles.
UF1 : couleur rouge.
UF2 : Couleur bleue.
UF3 : Noire.
UF4 : Verte.
UI1 : Matire.
V : Lisolation des cbles.
VO: Maximiser laccs cet avantage.
VF1 : les cbles.
VF2 : matire plastique.
VI1 : Matire.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


256


Figure. 98 Reprsentation graphique danalyse dimpact de M5

Amlioration de matire
Les critres influencs
Q : Intensit du courant.
R : La tension.
S : Rsistance.
T : Cot de damlioration de Matire.
U : La couleur des cbles.
V : Lisolation des cbles.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


257

Q : Intensit d'un courant :
Lentreprise souhaite maximiser laccs cet avantage. Ceci passe la quantit dlectricit
(QO), et par consquent des dcisions damliorer les matriaux (DM2) sont prendre.
R : La tension :
Lentreprise souhaite maximiser la circulation dlectricit. Et ceci revient assurer un bon
achat des matires premires des fils lectriques. Par consquent les dcisions damliorer les
matriaux (DM2) et les matires (DM5) influent sur ce critre de dcision.
S : Rsistance :
Lentreprise souhaite assurer un bon achat des matires premires des fils lectriques sous
forme des bobines. Par consquent les dcisions damliorer les matires (DM5) et les mains
duvre (DM4) influent sur ce critre de dcision.
T : Cot de damlioration de Matire :
Le Cot damlioration de matriel dpend de la qualit des moyens (les machines (IF2),
moyens financiers), donc la dcision est damliorer les mthodes (DM3) influe ce critre.
U: La couleur des cbles :
Lentreprise souhaite identifier les couleurs des cbles, tel que ne couleur rouge (UF1), la
couleur bleu (UF2), la couleur noire (UF3) et la couleur vert (UF4) la dcision damliorer les
matires (DM5) ont un impact sur ce critre.
V : Lisolation des cbles :
Lentreprise souhaite Maximiser laccs cet avantage. Par consquent les dcisions
damliorer les matires (DM5) et les mains duvre (DM4) influent sur ce critre de dcision.



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


258



Figure. 99 Les impacts inter dcisionnelles

La figure 99 rsume les impacts entre les dcisions. Dans cette figure les arcs montrent les
impacts dune dcision sur lautre. Par exemple la dcision damliorer le milieu de travail
influe les critres B, C, D et E de la dcision damliorer les moyens de travail.
Comme on peut le voir sur la figure 99, ces cinq dcisions dpendent de lune de lautre. Do
ces relations montrent qu`une approche qui traite ces dcisions dune manire intgr.

3.5.5 Dmarche daide la dcision
Dans cette section, la dmarche daide la dcision pour lintgration des dcisions
damlioration est prsente dans la figure 100 qui montre les deux tapes principales de cette
dmarche.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


259


Figure. 100 Dmarche daide la dcision
-Etape 1 : Prslection des solutions
La premire tape a pour but de prciser les solutions damlioration pour les cinq M. Cette
tape de prslection diminue le nombre des solutions potentielles examiner dans la
troisime tape de la dmarche. Ceci permettra aussi que le modle mathmatique de la
troisime tape puisse trouver la solution optimale dans un dlai raisonnable. Dans cette
tape nous allons appliquer la mthode AHP afin de slectionner les meilleures solutions de
chaque M.

Amlioration de Milieu (M1) :
Les solutions :
- un systme de sant efficace grce un milieu de travail sain (SM11),
- amliorer les voies de circulations (SM12),
- cration dun milieu de travail sain par la mise en uvre dun programme de scurit
(SM13),
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


260

- projet de cration dun plan daction prventif sur la sant en milieu de travail par
lanalyse intgre de donnes (SM14),
- cration dun protocole d'valuation des risques professionnels au poste de travail afin
de minimiser le bruit (SM15),
- rsoudre le problme de lhumidit car elle a un effet ngatif pour les fils lectrique et
pour les personnelles. (SM16),
- amliorer la luminosit de milieu travail. (SM17),
Pour lamlioration de milieu, nous avons propos trois critres. qui sont :
Qualit de milieu de travail.
Cot de damlioration de Milieu.
Dure (jours.)
Application de la mthode AHP (Logiciel : Expert Choice):
tape 1 : Dcomposition du problme en une hirarchie dlments inter relis. La structure
hirarchique du problme est la suivantes.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


261


Figure. 101 Structure hirarchique du problme

-tape 2 : Comparaisons par paires des lments de chaque niveau hirarchique par rapport
un lment du niveau hirarchique suprieur.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


262



Figure. 102 Comparaison par paires des critres

La matrice de comparaison par paires des critres a pour objectif didentifier le classement
prioritaire du dcideur des critres dvaluations, selon une comparaison deux deux de ces
critres. Pour le dcideur, le critre le plus important par rapport aux autres critres est C1 :
Qualit de milieu de travail, par aprs le critre C2 : Cot damlioration de milieu, et enfin
C3 : Dure.
-tape 3 : Dtermination de limportance relative des lments en calculant les vecteurs
propres correspondants aux valeurs propres maximales des matrices de comparaisons.

Figure. 103 Vecteur propre correspondant au critre Qualit du milieu de travail.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


263

Le calcul du vecteur propre correspondant au critre C1 : Qualit du milieu de travail, a permis
de faire un classement des sept solutions selon lordre de priorit. Ainsi, la solution SM17 :
Amliorer la luminosit du milieu de travail est classe la plus adquate selon le critre C1, et
la solution SM12 : Amliorer les voies de circulations est considre selon ce critre comme
une solution non approprie.

Figure. 104 Vecteur propre correspondant au critre Cot damlioration du milieu.
Pour le deuxime critre : Cot damlioration du milieu, la solution qui a le poids dvaluation
du vecteur propre le plus lev est SM14 : Projet de cration dun plan daction prventif sur
la sant en milieu de travail. Et la solution SM12 est classe comme une solution non
approprie pour ce critre aussi.

Figure. 105 Vecteur propre correspondant au critre Dure.
Pour le critre C3 : Dure, le classement des solutions selon les prfrences d dcideur est
ralis aussi le poids dvaluation de chaque solution. Ainsi, la solution SM17 : Amliorer la
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


264

luminosit de milieu de travail est considre comme la plus exacte, et la solution SM14 Projet
de cration dun plan daction prventif sur la sant en milieu de travail est non approprie.
tape 4 : Vrification de la cohrence des jugements. Tous les jugements sont cohrents.
Selon SAATY La cohrence globale dapprciation est value au moyen de ce ratio de
cohrence RC. La valeur de ce dernier doit tre au plus gale 10%.
Dans le cas ou cette valeur dpasse 10%, les apprciations peuvent exiger certaines rvisions, et
la cohrence est dit non accepte.
C1 : cohrence accepte (0.06 < 10%),
C2 : cohrence accepte (0.07 < 10%),
C3 : cohrence accepte (0.06 < 10%).
tape 5 : Calcul de la performance relative de chacune des actions.


Figure. 106 Performance des actions

Le classement final des sept solutions selon la mthode AHP par ordre de priorit pour
amliorer M1 est schmatis comme suit :
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


265


Figure. 107 Classement final des solutions de M1
Amlioration de Matriel (M2)
Les solutions :
- sintresser lapplication de la maintenance prventive rgulire (SM21),
- amliorer la performance des machines, rduire les temps darrt machine et par la suite
garantir la qualit et les dlais (SM22),
- changer Komax par bt 722 qui une presse de sertissage de table qui se caractrise par une
dure de cycle rapide, des temps de conversion et de rglage courts ainsi quune surface
utilisateur TopTouch conviviale. Livrable en option avec le dispositif programmable de
dnudage et le dispositif de coupe de pices dfectueuses, cette presse garantit une
confection de cbles de trs haute qualit, sans intervention de loprateur (SM23),
- les fiches de suivi des pannes machines doivent tre remplit avec rigueur (SM24),
- consigner les dpenses et bien estimer les cots des travaux dentretien et de maintenance
afin de tenter de les rduire, car il sagit dune charge indirecte relative un service non
productif au sein de lentreprise (SM25),
- utiliser des indicateurs de performance au niveau maintenance qui indiquent la disponibilit des
machines, et qui donnent une ide sur leurs tats de fonctionnement, ainsi que sur la
consommation des pices de rechanges (SM26),
- amliorer les systmes darrt automatique (affichage du type darrt ainsi que des causes),
(SM27) .


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


266

Pour lamlioration Matriel, nous avons propos trois critres. Ce sont :
Maintenance
Cot damlioration de Matriel
Dure (jours)

Application de AHP (Logiciel : Expert Choice):
-tape 1 : Dcomposition du problme en une hirarchie dlments inter relis. La structure
hirarchique du problme est la suivante.

Figure. 108 Structure hirarchique du problme
- tape 2 : Comparaisons par paires des lments de chaque niveau hirarchique par rapport
un lment du niveau hirarchique suprieur.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


267


Figure. 109 Comparaison par paires des critres
A partir de la matrice de comparaison par paires des critres, le dcideur surclasse le critre C1
Maintenance comme un critre prioritaire, puis le critre C2 Cot damlioration de matriel
et enfin le critre C3 Dure est considr comme surabondant pour lamlioration de M2.
tape 3 : Dtermination de limportance relative des lments en calculant les vecteurs
propres correspondants aux valeurs propres maximales des matrices de comparaisons.

Figure. 110 Vecteur propre correspondant au critre Maintenance .
Selon le vecteur correspondant au critre C1 Maintenance, la solution la plus adquate est
SM23 Changer Komax par bt 722, avec un poids dvaluation de (0,531), tandis que les
solutions SM22 Amliorer la performance des machines et SM24 Les fiches de suivi des
pannes doivent tre remplies avec rigueur, sont considres comme non appropries avec des
vecteurs poids respectifs (0.038) et (0.022).
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


268


Figure. 111 Vecteur propre correspondant au critre Cot damlioration du matriel .
Mme pour ce critre C2 Cot damlioration du matriel, le dcideur surclasse la solution
SM23 Changer Komax par bt 722, comme une solution prioritaire damlioration de M2. Il
considre que SM24 Les fiches de suivi des pannes machines doivent tre remplit avec rigueur
et SM25 Consigner les dpenses et bien estimer les cots des travaux dentretien et de
maintenance comme des solutions faible importance pour amliorer M2.

Figure. 112 Vecteur propre correspondant au critre Dure .
Pour le critre C3 Dure, le poids du vecteur propre le plus lev est de (0.371) correspondant
la solution SM23 Changer Komax par bt 722. Et comme les autres critres, le dcideur
considre que la solution SM24 Les fiches de suivi des pannes machines doivent tre remplit
avec rigueur, est inadquate pour lamlioration de M2.
tape 4 : Vrification de la cohrence des jugements. Tous les jugements sont cohrents.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


269

Selon SAATY La cohrence globale dapprciation est value au moyen de ce ratio de
cohrence RC. La valeur de ce dernier doit tre au plus gale 10%.
Dans le cas ou cette valeur dpasse 10%, les apprciations peuvent exiger certaines rvisions, et
la cohrence est dit non accepte.
C1 : cohrence accepte (0.04 < 10%),
C2 : cohrence accepte (0.03 < 10%),
C3 : cohrence accepte (0.05 < 10%).

tape 5 : Calcul de la performance relative de chacune des actions.

Figure. 113 Performance des actions
Le classement final des sept solutions selon la mthode AHP par ordre de priorit pour
amliorer M2 est schmatis comme suit :

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


270


Figure. 114 Classement finale des solutions de M2

Amlioration de Mthode (M3)

Les solutions :
- amliorer limplantation des 5S (application du PDCA) (SM31),
- introduire la mthode Six Sigma dans les bureaux (SM32),
- amliorer davantage les standards de layout et dentreposage (SM33),
- dvelopper des outils adquats de matrise et gestion du temps (SM34),
- consolider les indicateurs de performances clients (SM35),
- appliquer la MSP qui permet de dtecter le drglage du processus avant lapparition de la
non-conformit et par la suite donner la possibilit dagir pour rgler le processus au bon
moment (SM36),
- appliquer la mthode AMDEC afin dagir directement sur la cause, viter la rapparition des
dfauts (SM37),
Pour lamlioration des Mthodes de travail, nous avons propos trois critres. Ce sont :
Les avantages concurrentiels (qualit de produit et de service, cot de produit,
etc.)
Cot damlioration de mthode
Dure (jours)
Application de AHP (Logiciel : Expert Choice):
-tape 1 : Dcomposition du problme en une hirarchie dlments inter relis. La structure
hirarchique du problme est la suivante.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


271



Figure. 115 Structure hirarchique du problme

tape 2 : Comparaisons par paires des lments de chaque niveau hirarchique par rapport
un lment du niveau hirarchique suprieur.

Figure. 116 Comparaison par paires des critres

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


272

A partir de la matrice des comparaisons par paires des critres, le dcideur surclasse C1 Les
avantages concurrentiels, par aprs le critre C3 Dure, et enfin, le critre C2 Cot
damlioration de mthode.
-tape 3 : Dtermination de limportance relative des lments en calculant les vecteurs
propres correspondants aux valeurs propres maximales des matrices de comparaisons.
Les crans ci-aprs dcrivent trois faons diffrentes de reprsenter les vecteurs propres.

Figure. 117 Vecteur propre correspondant au critre Les avantages concurrentiels .
Selon le critre C1 Les avantages concurrentiels, le dcideur ne considre que la solution
SM23 Introduire la mthode Six Sigma dans les bureaux comme la solution la plus efficace
avec un vecteur poids de (0.396), et nglige limportance de la solution SM31 Amliorer
limplantation des 5S avec un vecteur de (0.033) pour rviser de M3.

Figure. 118 Vecteur propre correspondant au critre Cot damlioration de la
mthode.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


273

Comme pour le critre C1, aussi, pour ce critre C2 Cot damlioration de la mthode, la
solution SM23 Introduire la mthode Six Sigma dans les bureaux est surclasse par rapport
aux autres solutions. Et la solution SM31 Amliorer limplantation des 5S est considr
comme non appropri pour amliorer M3.

Figure. 119 Vecteur propre correspondant au critre Dure .
Le dcideur tabli aussi le mme ordre de hirarchisation aussi pour ce troisime critre C3
Dure, il surclasse SM23 Introduire la mthode Six Sigma dans les bureaux par rapport aux
autres solutions, et nglige SM31 Amliorer limplantation des 5S.
tape 4 : Vrification de la cohrence des jugements. Tous les jugements sont cohrents.
Selon SAATY La cohrence globale dapprciation est value au moyen de ce ratio de
cohrence RC. La valeur de ce dernier doit tre au plus gale 10%.
Dans le cas ou cette valeur dpasse 10%, les apprciations peuvent exiger certaines rvisions, et
la cohrence est dit non accepte.
C1 : cohrence accepte (0.04 < 10%),
C2 : cohrence accepte (0.02 < 10%),
C3 : cohrence accepte (0.02 < 10%).
tape 5 : Calcul de la performance relative de chacune des actions.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


274


Figure. 120 Performance des actions

Le classement final des sept solutions selon la mthode AHP par ordre de priorit pour
amliorer M3 est schmatis comme suit :


Figure. 121 Classement final des solutions de M3
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


275


Amlioration de Main duvre (M4)
Les solutions :
- sensibiliser les oprateurs de production ainsi que celles du contrle qualit la notion
de TQM "Total Quality Management" en faisant des formations afin de garantir la
qualit au niveau production et par la suite rduire les cots de non-conformit (SM41),
- former les ouvriers sur les modes de scurit et mettre leur disponibilit les moyens
ncessaires pour leur scurit et en particulier pour le bruit (SM42),
- focaliser les formations sur le dveloppement de lesprit Six Sigma (SM43),
- formation continue sur les besoins de lentreprise (SM44),
- etre plus flexibles aux modifications clients : les causes de dfaillances, les actions
correctives adquates (SM45),
- assurer efficacement la formation technique du personnel, pour quil matrise les tches
quil est en train daccomplir et pour assurer une polyvalence des oprateurs (SM46),
- dvelopper des indicateurs de sant et scurit (SM47),
Pour lamlioration des Mains duvres, nous avons propos trois critres. Ce sont :
Formation et sensibilisation de louvrier.
Cot damlioration de main duvre
Dure (jours)


Application de AHP (Logiciel : Expert Choice):
tape 1 : Dcomposition du problme en une hirarchie dlments interrelis. La structure
hirarchique du problme est la suivante.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


276


Figure. 122 Structure hirarchique du problme

tape 2 : Comparaisons par paires des lments de chaque niveau hirarchique par rapport
un lment du niveau hirarchique suprieur.

Figure. 123 Comparaison par paires des critres

A partir de la matrice de comparaison par paires des critres, le dcideur sur classe le critre
C1 Formation et sensibilisation de louvrier, par aprs le critre C2 Cot damlioration de la
main duvre et enfin, le critre C3 Dure.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


277

tape 3 : Dtermination de limportance relative des lments en calculant les vecteurs
propres correspondants aux valeurs propres maximales des matrices de comparaisons.

Figure. 124 Vecteur propre correspondant au critre Formation et sensibilisation de
louvrier
Pour le premier critre C1 Formation et sensibilisation de louvrier, le dcideur hirarchise la
solution SM43 Focaliser les formations sur le dveloppement de lesprit Six Sigma avec un
poids dvaluation de (0.366), et considre que les solutions SM46 Assurer efficacement la
formation technique du personnel et SM45 Etre flexibles aux modifications clients, nont pas
un impact lev sur lamlioration de M4.

Figure. 125 Vecteur propre correspondant au critre Cot damlioration de la main
duvre

Le dcideur sur classe la solution SM43 Focaliser les formations sur le dveloppement de
lesprit Six Sigma, pour le critre C2 comme pour le critre C1, avec un vecteur poids
dvaluation de (0.356), et considre aussi que SM45 Etre flexibles aux modifications clients,
na pas un impact lev sur lamlioration de M4 .
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


278


Figure. 126 Vecteur propre correspondant au critre Dure .
Pour le critre C3 Dure, le dcideur priorise encore la solution SM43 Focaliser les formations
sur le dveloppement de lesprit Six Sigma par rapport aux autres solutions, et superflue la
solution SM41l Sensibiliser les oprateurs de production ainsi que celles du contrle qualit
la notion du TQM de lamlioration de M4.
- tape 4 : Vrification de la cohrence des jugements. Tous les jugements sont cohrents.
Selon SAATY La cohrence globale dapprciation est value au moyen de ce ratio de
cohrence RC. La valeur de ce dernier doit tre au plus gale 10%.
Dans le cas ou cette valeur dpasse 10%, les apprciations peuvent exiger certaines rvisions, et
la cohrence est dit non accepte.
C1 : cohrence accepte (0.06 < 10%),
C2 : cohrence accepte (0.05 < 10%),
C3 : cohrence accepte (0.06 < 10%).
-tape 5 : Calcul de la performance relative de chacune des actions.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


279


Figure. 127 Performance des actions
Le classement final des sept solutions selon la mthode AHP par ordre de priorit pour
amliorer M4 est schmatis comme suit :




Figure. 128 Classement final des solutions de M4
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


280

Amlioration de Matire (M5)

Les solutions :
- optimiser lanalyse des flux de stocks et des encours (SM51),
- renouveler les objectifs (en termes du Lead time et du cot) en ce qui concerne le JAT
client, (SM52),
- dvelopper des mthodes efficaces pour diminuer les stocks et les encours (SM53),
- assurer le suivi du logiciel avec le fournisseur afin de ladopter aux besoins de
SEDILEC (SM54),
- affecter le magasin pices de rechange ainsi que sa gestion au responsable magasin
matire premire afin de bien grer les entres et sorties des PDR (SM55),
- rendre le magasin inaccessible que pour le magasinier afin dviter les erreurs au niveau
de la valorisation de la quantit disponible en stock (SM56),
- prparer des baguis de besoin quotidien de chaque ligne de production afin deffectuer
une seule opration de livraison par jour vers la zone de production (SM57),
Pour lamlioration des Matires, nous avons propos deux critres. Ce sont :
Cots damlioration des Matire
Dure (jours)
Application de AHP (Logiciel : Expert Choice):
-tape 1 : Dcomposition du problme en une hirarchie dlments interrelis. La structure
hirarchique du problme est la suivante.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


281


Figure. 129 Structure hirarchique du problme

-tape 2 : Comparaisons par paires des lments de chaque niveau hirarchique par rapport
un lment du niveau hirarchique suprieur.


Figure. 130 Comparaison par paires des critres


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


282

A partir de la matrice de comparaison par paires des critres, le dcideur surclasse le critre
C1 Cot damlioration de la matire par rapport au critre, C2 : Dure.
-tape 3 : Dtermination de limportance relative des lments en calculant les vecteurs
propres correspondants aux valeurs propres maximales des matrices de comparaisons.
Les crans ci-aprs dcrivent trois faons diffrentes de reprsenter les vecteurs propres.

Figure. 131 Vecteur propre correspondant au critre Cot damlioration de la
matire.
Selon le critre C1, la solution la plus efficace pour amliorerM5 est SM51 Optimiser lanalyse
des flux de stocks et des encours avec un poids dvaluation de (0.284). Ainsi, la solution
SM55 Affecter le magasin pices de rechange est considre comme non approprie pour
amliorer M5.

Figure. 132 Vecteur propre correspondant au critre Dure .


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


283

Pour le critre C2, le dcideur sur classe la solution SM52 Renouveler les objectifs en ce qui
concerne le JAT, avec un poids dvaluation de (0.344), et considre encore la solution SM55 :
Affecter le magasin pices de rechange est considre comme non approprie pour amliorer
M5.
-tape 4 : Vrification de la cohrence des jugements. Tous les jugements sont cohrents.
Selon SAATY La cohrence globale dapprciation est value au moyen de ce ratio de
cohrence RC. La valeur de ce dernier doit tre au plus gale 10%.
Dans le cas ou cette valeur dpasse 10%, les apprciations peuvent exiger certaines rvisions, et
la cohrence est dit non accepte.
C1 : cohrence accepte (0.01 < 10%),
C2 : cohrence accepte (0.02 < 10%).

- tape 5 : Calcul de la performance relative de chacune des actions.

Figure. 133 Performance des actions

Le classement final des sept solutions selon la mthode AHP par ordre de priorit pour
amliorer M4 est schmatis comme suit
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


284



Figure. 134 Classement final des solutions de M5

Pour conclure la classification pour chaque M est :

Classement
de M1
Classement
de M2
Classement
de M3
Classement
de M4
Classement
de M5
SM17 SM23 SM32 SM43 SM51
SM14 SM21 SM37 SM47 SM52
SM16 SM27 SM36 SM42 SM53
SM15 SM22 SM34 SM44 SM56
SM11 SM26 SM35 SM45 SM54
SM13 SM25 SM33 SM46 SM57
SM12 SM24 SM31 SM41 SM55

Tableau. 30 Classification des solutions de chaque M
-Etape 2 : Slection finale
Dans cette tape un modle hybride propos sera utilis. Ce modle hybride peut considrer les
critres objectifs et subjectifs. Ce modle hybride prcise les amliorations des cinq M faire
(les amliorations pour les quelles la dcision nest pas faite pour la premire tape).


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


285

3.5.6 Application numrique
A. Dmarche spare
Supposons que lentreprise SIDILEC cherche amliorer son processus de production et en
particulier son processus de coupe pour cela lentreprise cherche quelle dcision prendre
parmi les cinq dcisions :
Amlioration de Milieu (M1) ; (d1),
Amlioration de Matriel (M2) ; (d2),
Amlioration de Mthode (M3) ; (d3),
Amlioration de Main duvre (M4) ; (d4),
Amlioration de Matire (M5) ; (d5).
Comme dans ltape de prslection o avons class les solutions damlioration nous avons
dcid de choisir pour chaque M les 5 solutions classes les premiers par la mthode AHP.
- Soit S1 lensemble des solutions choisies pour M1 :
S1 SM17 SM14 SM16 SM15 SM11
Tableau. 31 Solutions pour M1

- Soit S2 lensemble des solutions choisies pour M2 :
S2 SM23 SM21 SM27 SM22 SM26
Tableau. 32 Solutions pour M2

- Soit S3 lensemble des solutions choisies pour M3 :
S3 SM32 SM37 SM36 SM34 SM35
Tableau. 33 Solutions pour M3

- Soit S4 lensemble des solutions choisies pour M4 :
S4 SM43 SM47 SM42 SM44 SM45
Tableau. 34 Solutions pour M4

- Soit S5 lensemble des solutions choisies pour M5 :
S5 SM51 SM52 SM53 SM56 SM54
Tableau. 35 Solutions pour M5

Lentreprise SIDELEC cherche amliorer son processus coupe qui est le processus de base
pour lentreprise. Ainsi, pour des contraintes de temps SIDELEC vers quel domaine se tourner
en priorit pour amliorer sa performance de M1, M2, M3, M4 ou M5.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


286

Pour cela nous allons appliquer le modle B qui est une extension de modle A. Le dcideur a
propos des utilits pour les solutions de chaque M, qui sont reprsent dans les tableaux
suivants :
- Les utilits des solutions choisies de M1 pour les autres M :
Avec : Xij : la solution i de Mj, (i=1.......5), (j=1.....5)
Utilit X11 X12 X13 X14 X15
U SM11 1 0.3 0.2 0.2 0.6
Tableau. 36 Les utilits de la solution SM11 pour les cinq M simultanment
On lit par exemple 0,3 reprsente lutilit de la solution SM11 pour M2.
Utilit X21 X22 X23 X24 X25
U SM12 0.2 1 0.4 0.4 0.7
Tableau. 37 Les utilits de la solution SM12 pour les cinq M simultanment
Utilit X31 X32 X33 X34 X35
U SM13 0.2 0.2 1 0.3 0.7
Tableau. 38 Les utilits de la solution SM13 pour les cinq M simultanment

Utilit X41 X42 X43 X44 X45
U SM14 0.2 0.5 0.4 1 0.6
Tableau. 39 Les utilits de la solution SM14 pour les cinq M simultanment

Utilit X51 X52 X53 X54 X55
U SM15 0.3 0.4 0.6 0.4 1
Tableau. 40 Les utilits de la solution SM15 pour les cinq M simultanment
- Les utilits des solutions choisies de M2 pour les autres M :
Utilit X11 X12 X13 X14 X15
U SM21 1 0.5 0.6 0.7 0.8
Tableau. 41 Les utilits de la solution SM21 pour les cinq M simultanment
Utilit X21 X22 X23 X24 X25
U SM22 0.8 1 0.5 0.3 0.2
Tableau. 42 Les utilits de la solution SM22 pour les cinq M simultanment
Utilit X31 X32 X33 X34 X35
U SM23 0.4 0.5 1 0.5 0.7
Tableau. 43 Les utilits de la solution SM23 pour les cinq M simultanment
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


287


Utilit X41 X42 X43 X44 X45
U SM24 0.4 0.5 0.3 1 0.8
Tableau. 44 Les utilits de la solution SM24 pour les cinq M simultanment

Utilit X51 X52 X53 X54 X55
U SM25 0.5 0.4 0.6 0.3 1
Tableau. 45 Les utilits de la solution SM25 pour les cinq M simultanment

- Les utilits des solutions choisies de M3 pour les autres M :
Utilit X11 X12 X13 X14 X15
U SM31 1 0.6 0.3 0.8 0.4
Tableau. 46 Les utilits de la solution SM31 pour les cinq M simultanment

Utilit X21 X22 X23 X24 X25
U SM32 0.2 1 0.7 0.5 0.6
Tableau. 47 Les utilits de la solution SM32 pour les cinq M simultanment

Utilit X31 X32 X33 X34 X35
U SM33 0.5 0.8 1 0.6 0.4
Tableau. 48 Les utilits de la solution SM33 pour les cinq M simultanment

Utilit X41 X42 X43 X44 X45
U SM34 0.2 0.5 0.8 1 0.4
Tableau. 49 Les utilits de la solution SM34 pour les cinq M simultanment

Utilit X51 X52 X53 X54 X55
U SM35 0.25 0.5 0.7 0.6 1
Tableau. 50 Les utilits de la solution SM35 pour les cinq M simultanment
- Les utilits des solutions choisies de M4 pour les autres M :
Utilit X11 X12 X13 X14 X15
U SM41 1 0.4 0.36 0.45 0.8
Tableau. 51 Les utilits de la solution SM41 pour les cinq M simultanment
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


288


Utilit X21 X22 X23 X24 X25
U SM42 0.45 1 0.75 0.65 0.25
Tableau. 52 Les utilits de la solution SM42 pour les cinq M simultanment
Utilit X31 X32 X33 X34 X35
U SM43 0.45 0.65 1 0.7 0.8
Tableau. 53 Les utilits de la solution SM43 pour les cinq M simultanment
Utilit X41 X42 X43 X44 X45
U SM44 0.2 0.5 0.7 1 0.45
Tableau. 54 Les utilits de la solution SM44 pour les cinq M simultanment
Utilit X51 X52 X53 X54 X55
U SM45 0.25 0.75 0.8 0.45 1
Tableau. 55 Les utilits de la solution SM45 pour les cinq M simultanment
- Les utilits des solutions choisies de M5 pour les autres M :
Utilit X11 X12 X13 X14 X15
U SM51 1 0.45 0.45 0.55 0.7
Tableau. 56 Les utilits de la solution SM51 pour les cinq M simultanment
Utilit X21 X22 X23 X24 X25
U SM52 0.55 1 0.45 0.45 0.55
Tableau. 57 Les utilits de la solution SM52 pour les cinq M simultanment
Utilit X31 X32 X33 X34 X35
U SM53 0.45 0.65 1 0.7 0.8
Tableau. 58 Les utilits de la solution SM53 pour les cinq M simultanment
Utilit X41 X42 X43 X44 X45
U SM54 0.8 0.5 0.6 1 0.5
Tableau. 59 Les utilits de la solution SM54 pour les cinq M simultanment
Utilit X51 X52 X53 X54 X55
U SM55 0.25 0.75 0.87 0.55 1
Tableau. 60 Les utilits de la solution SM55 pour les cinq M simultanment




t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


289

Ainsi, le nombre de solution pour chaque M, est rsum dans le Tableau.60 :
Les solutions
Solutions
(M1)
Solutions
(M2)
Solutions
(M3)
Solutions
(M4)
Solutions
(M5)
Nombre de
solutions
5 5 5 5 5
Tableau. 61 Nombre des solutions pour chaque M
Selon la mthode propose modle B, nous devons rsoudre le modle simplifi cinq fois (d =
5.
Pour d =1 est en utilisant le progiciel LINGO 10, le montant de la fonction objectif est la
solution optimale sont :
Pour d = 1 c'est--dire dcision damliorer M1 :
U = 5
Tableau. 62 Les solutions optimales pour d=1

Pour d =2 est en utilisant le progiciel LINGO 10, le montant de la fonction objectif et la
solution optimale sont :
Pour d = 2 c'est--dire dcision damliorer M2 :
U = 5
d=2 X13 X14 X15 X21 X22 X23 X24 X25 X31 X32 X33 X34 X35 X41 X42 X43 X44 X45 X51
Xij 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0
Tableau. 63 Les solutions optimales pour d=2

Pour d =3 est en utilisant le progiciel LINGO 10, le montant de la fonction objectif et la
solution optimale sont :
Pour d = 3 c'est--dire dcision damliorer M3 :
U = 5
d=3 X13 X14 X15 X21 X22 X23 X24 X25 X31 X32 X33 X34 X35 X41 X42 X43 X44 X45 X51
Xij 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0
Tableau. 64 Les solutions optimales pour d=3

Pour d = 4 est en utilisant le progiciel LINGO 10, le montant de la fonction objectif et la
solution optimale sont :
Pour d = 4 c'est--dire dcision damliorer M4 :
U = 5
d=1 X13 X14 X15 X21 X22 X23 X24 X25 X31 X32 X33 X34 X35 X41 X42 X43 X44 X45 X51
Xij 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


290

d=4 X13 X14 X15 X21 X22 X23 X24 X25 X31 X32 X33 X34 X35 X41 X42 X43 X44 X45 X51
Xij 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0
Tableau. 65 Les solutions optimales pour d=4

Pour d =5 est en utilisant le progiciel LINGO 10, le montant de la fonction objectif et la
solution optimale sont :
Pour d = 5 c'est--dire dcision damliorer M5 :
U =5
d=5 X13 X14 X15 X21 X22 X23 X24 X25 X31 X32 X33 X34 X35 X41 X42 X43 X44 X45 X51
Xij 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0
Tableau. 66 Les solutions optimales pour d=5
Le dcideur va prendre la dcision o Uijd est importante c'est--dire la dcision qui a un Uijd
plus grand.
Cependant aprs avoir dtermin les sorties de LINGO nous avons trouv que la solution
optimale pour les 5 dcisions est gale 5 (ANNEXE 4).
Donc le dcideur se trouve devant 5 dcisions optimales ou il ne peut pas faire un choix sur ce
quil convient damliorer (quelle M ?).Et voil la ncessite dune dmarche intgr qui a
comme but de nous aider prendre les meilleures dcisions damlioration.
B. dmarche intgre :
Lentreprise a dcid damliorer son processus de production et en particulier le processus
coupe pour cela nous allons calculer les utilits Uij pour les 5 dcisions damliorations. Elle
cherche aussi des solutions pertinentes pour amliorer les 5 M de son processus, elle va prendre
les 5 dcisions eu mme temps. Cest--dire de manire simultane.
Pour cela les critres de dcisions retenues par cette entreprise sont les suivants :
M1 M2 M3 M4 M5
Dure A C E G I
Cots B D F H J
Tableau. 67 Les critres de dcisions
Limpact inter dcisionnel des dcisions damlioration donne le rsultat suivant (Figure.135).
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


291


Figure. 135 Interaction entre les dcisions
Dans cet exemple nous allons comparer les deux stratgies de prise de dcision suivantes.
- stratgie spare :
Dans cette stratgie, lentreprise traite chaque dcision de manire compltement spare.
- stratgie intgre :
Dans cette stratgie, le modle intgr propos dans cette thse sera appliqu.

B.1. Calculer le degr dimportance des critres de chaque dcision
Pour cela une approche de type A.H.P. peut nous aider trier des critres. Le rsultat de cette
tape est la suivante (Tableau. 68).
Nous prenons par exemple pour la dcision d'amliorer M1 on a pris les deux critres A et B o
le poids de A est 0.35 et B est de 0.65





t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


292


d = 1 : dcision
damliorer M1
d = 1 : dcision
damliorer M2
d = 1 : dcision
damliorer M3
d = 1 : dcision
damliorer M4
d = 1 : dcision
damliorer M5
Critres Poids Critres Poids Critres Poids Critres Poids Critres Poids
A 0.35 C 0.25 E 0.55 G 0.40 I 0.25
B 0.65 D 0.75 F 0.45 H 0.60 J 0.75
Somme 1 1 1 1 1

Tableau. 68 Les poids des critres des 5 dcisions
B.2. Calculer la note de chaque solution vis--vis de chaque critre.
Pour cela une chelle 5 9 peut nous servir, le 5 pour un degr dimportance trs faible et 9
pour un degr dimportance trs fort.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


293


-dcision damliorer M1


Tableau. 69 Evaluation du critre A de M1 Tableau. 70 Evaluation du critre B de M1
-dcision damliorer M2













Tableau. 71 Evaluation du critre A de M2 Tableau. 72 Evaluation du critre B de M2

- dcision damliorer M3











Tableau.73 Evaluation du critre A de M3 Tableau. 74 Evaluation du critre B de M3


Critre A

S1 S2 S3 S4 S5
M1 8 9 9 6 6
M2 9 8 8 8 9
M3 9 7 7 7 9
M4 8 9 8 8 7
M5 7 8 7 6 6
Critre B

S1 S2 S3 S4 S5
M1 8 6 8 7 9
M2 9 5 6 8 9
M3 7 5 6 8 6
M4 6 7 7 7 7
M5 5 8 8 9 7
Critre A

S1 S2 S3 S4 S5
M1 8 9 9 7 5
M2 9 7 6 8 9
M3 9 8 6 7 8
M4 5 7 7 7 7
M5 7 8 3 3 6
Critre B

S1 S2 S3 S4 S5
M1 8 7 8 9 8
M2 9 7 6 8 7
M3 7 5 5 5 6
M4 6 8 5 7 5
M5 5 7 8 8 8
Critre B

S1 S2 S3 S4 S5
M1 8 6 8 7 8
M2 9 3 6 8 9
M3 7 7 6 8 6
M4 6 8 7 7 7
M5 5 9 7 9 7
Critre A

S1 S2 S3 S4 S5
M1 7 9 9 6 6
M2 7 6 8 9 9
M3 5 7 7 9 9
M4 8 9 8 8 7
M5 6 8 7 7 6
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


294

dcision damliorer M4


Tableau. 75 Evaluation du critre A de M4 Tableau. 76 Evaluation du critre B de M4

- dcision damliorer M5












Tableau. 77 Evaluation du critre A de M5 Tableau. 78 Evaluation du critre B de M5
Echelle dvaluation des critres :
9 Trs important
8 Important
7 Moyen
6 Faible
5 Trs faible
Tableau. 79 Echelle dvaluation des critres
B.3. Trouver la meilleure solution
Dans cette stratgie nous allons calculer les utilits Uijd et , partir du modle mathmatique
B nous trouverons la solution qui maximise lutilit totale.
Critre A

S1 S2 S3 S4 S5
M1 6 8 9 6 6
M2 9 8 8 8 9
M3 9 8 7 9 9
M4 8 9 8 8 7
M5 7 6 7 8 6
Critre B

S1 S2 S3 S4 S5
M1 8 6 8 7 9
M2 9 5 9 8 9
M3 8 5 6 8 6
M4 6 7 7 8 7
M5 5 9 7 8 9
Critre A

S1 S2 S3 S4 S5
M1 8 9 8 6 7
M2 9 7 8 8 9
M3 8 7 6 7 9
M4 8 9 6 5 7
M5 9 8 7 8 6
Critre B

S1 S2 S3 S4 S5
M1 8 6 6 7 9
M2 7 6 8 9 9
M3 6 5 9 8 6
M4 6 7 6 7 7
M5 9 8 7 9 6
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


295

La figure. 136 montre les modalits de calcul des valeurs Uijd qui correspondent la dcision
damlioration de processus coupe. En effet on multiple la note de chaque solution vis--vis
de chaque M par les poids des critres concerns et puis on additionne les valeurs obtenues.
Dans le dernier tableau de cette figure les valeurs de Uijd sont prsentes.
Pour la dcision damliorer M1 :




Figure. 136 les modalits de calcul des valeurs Uijd qui correspondent la dcision
damliorer M1

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


296

De la mme faon on peut calculer les valeurs Uijd pour M2, M3, M4 et M5 (ANNEXE 5)

Figure. 137 Reprsentation graphique des rsultats optimaux

Le rsultat de cette tape calculer par le Programme d'excution de dmarche intgre Lotfi
AZZABI (ANNEXE 5) est donn par le tableau 79.
Dans ce graphique de cinq M, chaque M correspond une valeur Uij par rapport une
solution des cinq solutions. Dans ce tableau lutilit totale est la somme des utilits de chaque
M. Le choix de la dcision prendre pour amliorer les M est bas sur les valeurs des utilits.
On choisie le M qui a les valeurs dutilits les plus grandes.
Pour M2 elle a trois valeurs dutilits plus grandes qui sont respectivement (S1 : 42.15,
S4 :41.30 et S5 :43.50) donc la meilleure dcision pour la dmarche intgr est la dcision de
commencer par amliorer M2.
Enfin, on peut voir que lutilit de la stratgie intgre est nettement meilleure que la stratgie
spare.






t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


297

3.6 Etape 5: Contrler
Le fait davoir identifi les variables influentes et mis en uvre les solutions ne suffit pas
toujours pour prserver les gains et exploiter les solutions sur des processus identiques.
Pendant la phase dAmlioration, les solutions ont t trouves et la planification de la mise
en uvre prcise. Leur mise en place doit normalement les fixer, mais la phase de Contrle
est prciser pour tre sre que les problmes identifis seront rellement limins ou
minimiss non seulement court terme mais galement sur le moyen et le long terme.
Les objectifs de la phase de contrle sont de :



Dans notre cas nous avons appliqu la carte EWMA qui va nous aider surveiller le
processus coupe et le choix de ce carte repose sur sa capacit dtecter de petits drglages.
181 161 141 121 101 81 61 41 21 1
1,430
1,425
1,420
1,415
1,410
Echantillon
E
W
M
A _
_
X=1,42
LCS=1,43134
LCI =1,40866
carte EWMA pour la surveillace du processus coupe aprs Six Sigma


Figure. 138 Carte EWMA pour la surveillance du processus coupe aprs Six Sigma


Nous constatons que tous les points ne dpassent ni la limite suprieure ni la limite infrieur
donc, notre processus est sous contrle. Nous pouvons ainsi, enregistrer une amlioration
parfaite pour ce processus (processus coupe).

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


298



Figure. 139 Capabilit de processus aprs Six Sigma

Enfin pour conclure nous pouvons dire que notre processus est sous contrle et la probabilit
des dfauts observe est de 0% (ANNEXE 6).









t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


299

Conclusion
Ce chapitre avait pour but dappliquer la mthode Six Sigma dans un processus de production
avec une nouvelle vu base sur les outils multicritre daide la dcision.
Dans un premier temps nous avons appliqu la mthode MACBETH pour classer les causes
de dysfonctionnements dans la phase Analyser. Dans un deuxime temps nous constatons
pour ltape Amliorer quil y a des dpendances entre les cinq dcisions damliorations
(Amliorer M1, Amliorer M2, Amliorer M3, Amliorer M4 ou Amliorer M5) et nous
avons vu quil y a des interactions importantes directes ou indirectes entre ces dcisions. La
dmarche propose pour lintgration de ces cinq dcisions se base sur deux tapes
principales. Dans la premire tape on considre les critres ou les contraintes critiques de
chacune des dcisions. Le rsultat de cette tape est une prslection des solutions, cette
premire tape nous permet de faire le choix pour certaine solution pour chaque M.
La deuxime tape, un modle hybride qui est constitu partir dun modle doptimisation
mathmatique et lapproche multicritres nous aide traiter les cinq dcisions de manire
intgre. Nous avons appliqu deux stratgies : spare et intgre pour traiter ces cinq
dcisions. Nous avons vu que la dmarche spare donner les mmes utilits pour les cinq
dcisions donc on ne peut pas choisir quelle dcision nous allons prendre et ce que nous
allons dcider damliorer M1 ou M2 ou M3 ou M4 ou M5. Pour cela nous avons appliqu la
stratgie intgre, et nous avons vu que la dmarche intgre propose une solution nettement
meilleure par rapport une dmarche spare.












t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Chapitre 5 : Application industrielle


300


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Conclusion gnrale et perspectives de recherches


301

Conclusion gnrale et perspectives
de recherches

Ce travail de thse s'intresse l'amlioration d'un systme de production par lintgration de
la mthode Six Sigma et lapproche multicritre daide la dcision.
Plus particulirement nous nous sommes intresss cinq dcisions qui nous paraissent
capitales pour chaque processus de production. Ce sont : dcision damliorer M1 (milieu),
dcision damliorer M2 (matriel), dcision damliorer M3 (mthode), dcision
damliorer M4 (main d'uvre) et dcision damliorer M5 (matire).
Dans un premier chapitre, nous avons tabli une aide mthodologique pour la rsolution
des problmes qualit pour cela nous avons cit tous les outils qualit et nous avons mis
laccent sur la mthode Six Sigma.
Dans le deuxime chapitre, nous avons une tude bibliographique sur les mthodes de
slection et dagrgation multicritre que nous avons class en 3 catgories : les mthodes
lmentaires, les mthodes doptimisation mathmatique et les mthodes daide la dcision
multicritre.
Dans le troisime chapitre, la construction dune dmarche Six Sigma et dune approche
multicritre daide la dcision pour amliorer un processus de production.
Ainsi, notre contribution consiste a intgr les outils multicritres daide la dcision (les
mthodes lmentaires, les mthodes doptimisation mathmatique et les mthodes daide la
dcision multicritre) dans la dmarche Six Sigma :
Le premier apport consiste intgrer la mthode Macbeth dans ltape analyser afin de
hirarchiser les causes de dysfonctionnement de systme de production. Une telle
hirarchisation permet une meilleure valuation des degrs de gravit de chaque cause.
Le deuxime apport est lintgration de la mthode A.H.P. pour classer les solution dans
ltape Amliorer afin de nous aider slectionner les solutions.
Le troisime apport est lintgration des mthodes doptimisation mathmatique et en
particulier les deux modles A et B. afin de nous aider choisir une dcision et dterminer
quels M faut-il amliorer. Aprs avoir appliqu le modle B nous avons constat que les 5 M
ont les mmes utilits il tait donc difficile de dfinir quel M fallait-il amliorer eu priorit.
Pour cette raison cette raison nous avons intgr les cinq Met ceci constitue le quatrime
apport par lintgration dune dmarche intgr pour amliorer les cinq M.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Conclusion gnrale et perspectives de recherches


302

Dans le quatrime chapitre, nous avons vu les entreprises des faisceaux de cbles
lectriques automobiles se multipliaient dans le contexte socioconomique actuel. Nous avons
ensuite tudi les particularits de ce type dentreprise et de leurs produits afin de les dcliner
en contraintes pour la rsolution de problmes qualit :
- Nombre important de problmes qualit.
- Difficult dtablir une liste exhaustive de causes possibles.
- Difficult daccder linformation pertinente.
Ensuite, toujours dans ce chapitre nous avons dfini un systme de production ainsi que les
objectifs associs tels que :
- Objectif en termes de quantits produites
- Objectif en termes de qualit
- Objectif de cot
- Objectif de dlai
- Objectif de flexibilit
Dun autre cot nous avons montr les modles de gestion de production comme les modles
semi formels, les modles formels et l'approche " produits. Ainsi que la structure de
production multi- niveaux
Dans le cinquime chapitre, nous avons mis laccent sur laspect pratique et ceci par
lexprimentation de modle dans une entreprise Tunisienne dans le secteur automobile
(SIDILEC international) afin damliorer son processus de production et en particulier le
processus coupe.
Enfin, nous considrons que notre travail ouvre la voie plusieurs extensions :
1. Dans ce travail et en particulier dans ltape Amliorer de la mthode Six Sigma, nous
avons opt essentiellement pour une approche dterministe. Autrement dit nous navons
pas vraiment considr laspect probabiliste des dcisions. Les facteurs et les critres
considrs pour chacune des dcisions peuvent pourtant tre lobjet dun comportement
probabiliste. Il est donc intressant dintroduire cet aspect probabiliste dans les dmarches
proposes. Vu la complexit et le nombre des facteurs et des critres intervenants, nous
estimons que la simulation est une mthode qui devrait tre introduire dans une dmarche
probabiliste.
2. Le poids dun critre et la note dune alternative vis--vis dun critre et de faon gnrale
lutilit, sont des concepts importants dans ce travail de thse et spcifiquement dans
ltape Amliorer de la mthode Six Sigma. Pour apprcier le poids dun critre et la note
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Conclusion gnrale et perspectives de recherches


303

dune alternative, il faut faire appel diffrentes mthodes dans le domaine de la thorie
multicritres. Lobjectif de ce travail ntait pas danalyser et de proposer une mthode
dapprciation parmi diffrentes mthodes existantes dans la littrature. Tout au long de ce
travail dans diffrents exemples nous avons utilis pour apprcier les poids de critres la
mthode A.H.P. largement utilise dans les contextes multicritres. Nous estimons
intressant dtudier diffrentes mthodes dapprciation et ventuellement de proposer
des mthodes plus pertinentes pour dterminer les valeurs des poids, des notes et utilits.
3. Nous tenons galement rappeler que lintgration des modles de production, de
transport, dassemblage, de distribution est un aspect qui est rarement trait dans la
littrature scientifique. Cet aspect est la pierre angulaire pour les problmes doptimisation
globale dans la fonction production. Il importe donc de le considrer. Toutefois, il ne faut
pas se limiter proposer des modles analytiques sans faire le lien avec la faon de les
rsoudre. En effet, la reprsentation de la ralit de faon fidle (prise en compte de
laspect dynamique, de lincertitude, vision globale travers lintgration des modles de
production, distribution) rend les modles trs complexes et trs difficiles rsoudre
avec les outils de rsolution disponibles actuellement. Alors quels compromis choisir : des
modles simples et faciles rsoudre moyennant beaucoup dhypothses simplificatrices
ou des modles fidles la ralit et trs compliqus ? La rponse cette question
demeure relative.
4. De mme, pour ltape contrler lutilisation de la carte EWMA, le filtrage des donnes
est peut tre suppos ralis avant lentre des donnes dans le rseau. Il serait
envisageable dtudier la possibilit dune carte de contrle MEWMA modlise par un
rseau baysien dynamique, permettant ainsi le filtrage des donnes directement dans le
rseau.
En effet les rseaux baysiens sont un outil prometteur dans le domaine de la surveillance
des procds complexes, une nouvelle voie trs peu exploite jusqu prsent et qui
mriterait dtre davantage approfondie dans lavenir.









t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Conclusion gnrale et perspectives de recherches


304















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


305

Bibliographie

[AFNOR 1988] AFNOR. : Concepts fondamentaux de la gestion de production .
Technical Report X50{310, Agence franaise de normalisation, 1988.
[AKROUT M. et al 2009] AKROUT M. MASMOUDI F. : FONCTION
ORDONNANCEMENT AU SEIN DUN SYSTEME DE GESTION DE PRODUCTION
ETUDE DUN CAS , Lebanese Science Journal, Vol. 10, No. 1, 2009.
[ANAES 2000] ANAES : Agence Nationale d'Accrditation et d'valuation en Sant
[ANANDA J . et al 2005] ANANDA J. HERATH G. : Analysis Evaluating public risk
preferences in forest land-use choices using multi-attribute utility theory, Ecological
Economics 55- 408 419, 2005.
[ANDRE. F.J et al 2007] ANDRE F J. CARDENETE MA. ROMERO C.: Using
compromise programming for macroeconomic policymaking in a general equilibrium
framework: theory and application to the Spanish economy, Journal of the Operational
Research Society 2007.
[ANSARI M. 1999] ANSARI M. : Les Mesures de Perception de la Qualit Totale dans
les PMI : Rsultats de Recherche , Revue internationale PME, vol, 12 n4.
[APICS 1992] APICS DICTIONARY. 7 th Edition. 1992.
[AVRILLON L. et al 2002] AVRILLON L . PILLET M. : Six sigma. Comparaison avec
dautres approches : Shainin , Journes Six Sigma de RUFEREQ (Rseau Universitaire
Franais pour l'Enseignement et la Recherche en Qualit), Cachan, France, 23 mai 2002.
[AYADI D. et al 2008 c] AYADI D. AZZABI L. KOBI A. ROBLEDO C. CHABCHOUB
H. BOUJELBENE Y. : Pilotage des processus du systme management de la qualit: une
approche multicritre pour la prise de dcision confrence internationale Matrise et
Management des Risques Industriels, M2RI 2008.
[AYADI. D et al 2008 a] AYADI D. AZZABI L. KOBI A. ROBLEDO C.
CHABCHOUB H. BOUJELBENE Y. : Application des cartes de contrle spcifiques
pour la matrise statistique des procds , International Metrology Conference
CAFMET,(2008).
[AYADI. D et al 2009] AYADI D. AZZABI L. KOBI A. ROBLEDO C. CHABCHOUB
H.: Hirarchisation des risques des matires dangereuses : application de la mthode
Macbeth 8me Congrs Qualit et Sret de Fonctionnement, QUALITA'2009.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


306

[AYADI. D et al 2010] AYADI D. AZZABI L. KOBI A. ROBLEDO C. CHABCHOUB
H.: Application de la mthode multicritre daide la dcision PROMETHEE pour le
systme HACCP , International Metrology Conference CAFMET, 2010.
[AZZABI L. et al 2008 a] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
BOUJELBENE Y. : Amlioration dun systme de production complexe: intgration de la
mthode Six Sigma, International Metrology Conference CAFMET, 2008.
[AZZABI L. et al 2008 b] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
BOUJELBENE Y. : Une approche multicritre pour la localisation des dfauts de
production, confrence internationale Matrise et Management des Risques Industriels,
M2RI, 2008.
[AZZABI L. et al 2008 c] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
BOUJELBENE Y.: Application of Six Sigma and Promethee Multicriteria method To
Select the Product System, the international conference a quality and dependability, CCF
2008.
[AZZABI L. et al 2009 a] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
CHABCHOUB H. BOUJELBENE Y. Six Sigma based multicriteria approach to
improve decision setting , Int. J. Quality Engineering and Technology, Vol. 1, No. 1, 2009.
[AZZABI L. et al 2009 b] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
BOUJELBENE Y. Application of Six Sigma and Promethee Multicriteria method To Select
the Product System Quality assurance , N 58, Avril -juin 2009.
[AZZABI L. et al 2010] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
BOUJELBENE Y. Outils multicritre daide la dcision pour le diagnostic des procds
industriels , International Metrology Conference CAFMET, 2010.
[AZZABI. L et al 2007 a] AZZABI L. AYADI D. KOBI A. ROBLEDO C.
CHABCHOUB H. BOUJELBENE Y. Improvement of human safety in the complex
system integration of Six Sigma methods 5th International Conference on Quality and
Reliability, ICQR 2007.
[AZZABI. L et al 2007 b] AZZABI L. KOBI A. ROBLEDO C. MASMOUDI F.
BOUJELBENE Y. Contribution a la performance dun systme intgration de la mthode
six sigma et lapproche multicritre daide a la dcision. 7me Congrs International
Pluridisciplinaire Qualit ET Sret de Fonctionnement, QUALITA'2007.
[AZZABI. L et al 2008 d] AZZABI L. AYADI D.KOBI A. ROBLEDO C.
BOUJELBENE Y.: The method analytic hierarchies process for the search and selection
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


307

supplier, Ninth International Probabilistic Safety Assessment and Management Conference,
PSAM , 2008.
[BACCOU BONNEVILLE C. 2007] BACCOU BONNEVILLE C. 2007: Le diagramme
de cause et effets dIshikawa ,Make IT strategic blog notes en franais,
http://makeitstrategic.com/index.php?blog=5.
[BANA E COSTA C. et al 2003] BANA E COSTA A. VANSNICK C.: MACBETH,
London School of Economics, Dpt of Operational Research, Working paper 03-56, 2003.
[BANA E COSTA. C.A et al 1999] BANA E COSTA. A et VANSNICK. J.C: The
MACBETH approach: Basic ideas, software and an application, in Advances in Decision
Analysis, Kluwer Academic Publishers, 1999.
[BASSETT S. 2005] BASSETT S. : Contribution a la qualification et amlioration des
moyens de production : application a une usine de recherche et production de semi
conducteurs , Thse de doctorat de lcole nationale suprieure darts et mtiers le 28 Juin
2005.
[BAUER-KURZ I. 2000] BAUER-KURZ I.: A comparison of the Global-8D-Process and
TRIZ, www.trizjournal. com/archives/2000/07/c/
[BAVENT P. 2001] BAVENT P.: SPC : bien identifier le besoin avant de choisir ,
progiciels de contrle statistique, MESURES 734 - AVRIL 2001.
[BEN MENA S. 2005] BEN MENA S. : Introduction aux mthodes multicritres daide a
la decision,biotechnol. agron. soc. environ., 2000 4 (2), pp. 83-93.
http://www.bib.fsagx.ac.be/library/base/text/v4n2/83.pdf (consulte le 13/08/2005).
[BERTALANFFY L. 1993] BERTALANFFY L. : Thorie gnrale des systmes ,
1993, Dunod.
[BEUTHE M. et al 2000] BEUTHE M. EECKHOUDT L. SCANNELLA G. : A
practical multicriteria methodology for assessing risky public investments, Socio-Economic
Planning Sciences 34, 2000.
[BIEBERP. et al 2001] BIEBER P. DEMOLOMBE R. EIZENBERG G. ZANON
G. : Argumentation de sret de fonctionnement : analyse des documents existants, modle
dargumentation et application lanalyse dun systme . Rapport technique final
n2/056666.01/DTIM, 2001.
[BORDA J. 1784] BORDA J. : Mmoire sur les lections au scrutin. Dans Mmoires de
lAcadmie Royale des Sciences, pp. 657665. Imprimerie Royale, Paris, 1784. Prsent
lAcadmie en 1770.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


308

[NURMI H.1987] NURMI H.: Comparing voting systems. D. Reidel, Dordrecht,
Holland, 1987. ISBN 90-277-2600-0.
[BOUYSSOU D. 1993]: BOUYSSOU D.: Dcision Multicritre ou aide multicritre? ,
Newsletter of the European Working Group Multicriteria Aid for Decisions, Series 2, 2,
Spring, 1-2. 1993.
[BRANS JP. et al 1986] BRANS JP. VINCKE PH. MARESCHAL B.: How to select
and how to rank projects: the PROMETHEE methods, European journal of operational
research, 1986.
[CAILLET R .2003] CAILLET R. : Analyse multicritre : tudes et comparaison des
mthodes existantes en vue dune application en analyse dun cycle de vie , Srie
scientifique, Montral.
[CHARNES A. et al 1961] CHARNES A. COOPER W.: Management Models and
Industrial Applications of Linear Programming. Wiley, New York, 1961.
[CHELBI A. et al 2006] CHELBI A. BENNOUR M. ZERHOUNI N. : Contribution a la
modlisation des approches de coopration en e-maintenance , 6e Confrence Francophone
de MOdlisation et SIMulation - MOSIM06 - du 3 au 5 avril 2006 Rabat- Maroc
Modlisation, Optimisation et Simulation des Systmes : Dfis et Opportunits .
[CHIAVENATO I. 1983]CHIAVENATO I.: Introduao a teorica geral da
administraao, McGraw-hill do Brasil, Sao Paulo, 1983.
[CHOVE J. 1992] CHOVE J. : La dernire avanc de lcole franaise de la qualit.
Dans grer et assurer la qualit . tome1. 1992.
[CHOW WS. et al 2001] CHOW W. S et LUI K. H: Discriminating Factors of
Information Systems Function Performance in Hong Kong Firms Practicing TQM,
International journal of operation and production management, Vol 21?N5/6.
[CLIVILLE V. et al 2006] : CLIVILLE V. BERRAH L. : Une approche multicritre
pour laide a la slection de portefeuilles de projets 6e Confrence Francophone de
Modlisation et Simulation - MOSIM06 - du 3 au 5 avril, 2006.
[COHEN G. et al 1983] COHEN G. DUBOIS D. : Analyse du comportement priodique
de systmes de production par la thorie des diodes , Rapport de recherche INRIA, No. 191,
1983
[COLSON G. et al 1989] COLSON G. DE BRUYN C.: Models and Methods in Multiple
Objectives Decision Making.Models and Methods in Multiple Criteria Decision Making.
Pergamon Press, Oxford, 1989.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


309

[CONDORCET 1785] CONDORCET : Essai sur lapplication de lanalyse la
probabilit des dcisions rendues la pluralit des voix . Imprimerie Royale, Paris, 1785.
[CONSULTING I. 2005] CONSULTING I. : .http://www.idiagram.com. (2005).
[DEEB S. 2008] DEEB S. : Contribution mthodologique la matrise conjointe de la
qualit dun produit et de ses processus de production par une modlisation des concepts
qualit, thse Prsente pour lobtention du titre de Docteur de lUniversit Henri Poincar,
Nancy I.
[DEMING W. 1994] DEMING W.:The New Economics for Industry, Education,
Government. 2nd ed. MIT Press, Cambridge, MA; 1994.
[DEMING W. 1982] DEMING W.: Out of the Crisis: Quality, Productivity and
Competitive Position, Cambridge University Press, New York.
[DEMRI A. et al 2007] DEMRI A. CHARKI A. GUERIN F. KAHN P. CHRISTOFOL
H. : Analyse Qualitative et Quantitative d'un Systme Mcatronique , CPI'2007.
[DUCLOS E. et al 1997] DUCLOS E. PILLET M. COURTOIS A.: An Optimal Control
Chart for non-Normal Processes IFAC Manufacturing Systems: Modeling, Management and
Control , Fevrier Viennes Autriche, 1997.
[DURAND D. 1998] DURAND D. : La systmique. Que sais-je?, 2nd dition , PUF.
1998.
[ECKES G. 2005] ECKES G: Objectif 6 , version 2005 1re edition.
[ECKES G. 2001] ECKES G.: Objectif Six Sigma, Ed. Village Mondial, Paris, 2001.
[EDWARDS W. 1971] EDWARDS W. : Social utilities. Engineering Economist,
Summer Symposium Series 6, pp.119-129, 1971.
[FEY R. et al 1981] FEY R. GOGUE J. : La matrise de la Qualit , Ed. Dorganisation,
Paris, 1981.
[FLAVELL R. 1976]FLAVELL R. : A New Goal Programming Formulation. Omega,
N4, 1976.
[FLEURQUIN R. 1996] FLEURQUIN R. : Proposition d'une dmarche qualit logicielle
pour les PME. Un modle d'valuation de la qualit et des critres et conseils permettant sa
mise en uvre travers les outils et les mthodes . Thse de doctorat de lInstitut National
des Sciences Appliques de Toulouse, France, 1996.
[FOURNIER P.et al 1999] FOURNIER P. MENARD J. : Gestion des
approvisionnements et des stocks (Broch), Gatan Morin (13 septembre 1999).
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


310

[GALLOU F. et al 1994] GALLOU F. BOUCHON M. : Introduction la Systmique ,
Herms 1994.
[GHOUILA A. 1962] GHOUILA A. : caractristique des matrices totalement uni-
modulaires . C.R. A.Cad. Sci. Paris, 254, P.1192-1194,1962.
[GILLES E. 2003] GILLES E.: Diagramme de relations , Fiche technique, version du 03-
04-15, Mise jour le 03-07-22. http://www.er.uqam.ca/ nobel/k15303/ DiagRel. Pdf.
[GLASSER W. 1992] GLASSER W.: The Quality School, Harpercollins 1992.
[GOGUE F. 1991] GOGUE F. : La matrise de la qualit ; Ed. Economica Paris, pp 28,
1991.
[GOURET W. et al 2006] GOURET W. NOUVEL F. EL ZEIN G. : Adaptation dun
systme Courant Porteur en Ligne aux normes CEM automobile , 13e Colloque International
sur la Compatibilit lectromagntique (CEM2006), St Malo, France, Avril 2006.
[GOURET W. et al 2006 ] GOURET W. NOUVEL F. EL ZEIN G. : Additional
Network Using Automotive Powerline Communication , The 6e International Conference on
ITS Telecommunications, Chengdu, Chine, Juin 2006.
[GRANT D. et al 2006] GRANT D. HALL R. WAILES N. WRIGHT C.: The false
promise of technological determinism: the case of enterprise resource planning system. New
Technology, Work & Employment 21 (1), pp. 215, 2006.
[GUITOUNI A. et al 1999] GUITOUNI A. MARTEL J-M. VINCKE PH. : Un Cadre
de Rfrence pour le Choix dune Procdure dAgrgation Multicritre . Document de
travail, FSA-1999-013, Universit Laval, Qubec, Canada. 1999.
[GUITOUNI A. 1998] GUITOUNI A. : L'Ingnierie du Choix d'une Procdure
d'Agrgation Multicritre . Thse de Doctorat, Universit Laval, 1998.
[GUITOUNI A. 1998] GUITOUNI A. : L'Ingnierie du Choix d'une Procdure
d'Agrgation Multicritre . Thse de Doctorat, Universit Laval, 1998.
[GUITOUNI A. 2000] GUITOUNI A. : Mthodes Multicritre dAide la Dcision.
Notes de cours MQT-60791, Universit Laval, 2000.
[HAMALIAN E. et al 1996] HAMALIAN E. SEGOT J.: La dmarche qualit 15
entreprises tmoignent , AFNOR, Paris, p142, 1996.
[HAMMAMI A. 2003] HAMMAMI A.: Modlisation technico-conomique dune chaine
logistique dans une entreprise rseau , Thse de doctorat spcialit Gnie industrielle,
LEcole Nationale Suprieure des Mines de Saint-Etienne.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


311

[HARRY M.et al 2000] HARRY M. SCHROEDER R.: Six Sigma The Breakthrough
Management Strategy, Doubleday, 2000.
[HARRY N. et al 2000] HARRY N.: Schroeder R., Six Sigma. The breakthrough
management strategy revolutionizing the worlds top corporations, Editions Currency
Doubleday, 2000.
[HELLER I. et al 1956] HELLER I, TOMPKINS C.: An extension of a theorem of
dantzigs, linear inequalities and related systems, Kuhn and tucker (eds) , Princeton
University Press, P. 247-252, 1956.
[HENNET J. 2001 a] HENNET J.: A common cycle approach to lot scheduling in
multistage manufacturing systems Production Planning and Control, Vol.12, N4, pp.362-371,
2001.
[HENNET J. 2001 b] HENNET J.: Prvision et planification Gestion de production,
fonctions, techniques et outils , Trait IC2 Information-Commande-Communication, Direction J.
Erschler, B. Grabot, Hermes Science, 2001, Chapitre 5, pp.113-155.
[HENNET J. 1999]HENNET J.: From the Aggregate Plan to Lot-Sizing in Multi-Level
Production Planning Modeling Manufacturing Systems. From aggregate planning to real-time
control, P.Brandimarte, A.Villa Eds, Springer, 1999, pp.5-23, 1999.
[HENNET J. et al 1998] HENNET J. , GOMES D.: Multistage production control: an
LMI approach, 5th IFAC Workshop on Intelligent Manufacturing Systems (IMS'98),
Gramado (Brsil), 9-11 Novembre 1998, pp.89-94.
[HILLIER F. et al. 2001] HILLIER F. LIEBERMAN G.: Introduction to Operations
Research. McGraw-Hill, 7th Edition, New York, NY, 2001.
[HWANG C. et al 1981] HWANG C. et YOON K.: Multiple Attribute Decision Making:
Methods and applications, a state of the art survey. Springer-Verlag, Berlin, 1981.
[IJIRI Y. 1965] IJIRI Y.: Management Goals and Accounting for Control. North Holland,
Amsterdam , 1965.
[ISHIKAWA K. et al 1985] ISHIKAWA K . LU D. J.: What is Total Quality Control?
The Japanese Way, Prentice-Hall, Englewood Cliffs, NJ, 1985.
[ISO 8402 1995] NORME NF EN ISO 8402. Management de la Qualit et assurance de la
Qualit : Vocabulaire. Edition ISO, 1995.
[JAHANSHAHLOO G. et al 2008] JAHANSHAHLOO G. AFZALINEJAD M. : Goal
programming in the context of the assignment problem and a computationally effective
solution method, Applied Mathematics and Computation 200 -3440, 2008.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


312

[JAUPI L. 2002] JAUPI L. : Contrle de la qualit MSP Analyse des performances
contrle de rception , dunod, Paris, 2002.
[JURAN J. 1995] JURAN J .: A History of Managing for Quality, The Evolution, Trends,
and Future Direction of Managing Quality, milwaikee: ASQC Quality Press 1995,
[KAPLAN R. et al 1992] KAPLAN R. NORTON D. : LEvaluation Globale de la
Performance : Outil de Motivation , Harvard dexpansion N65 ,Et.
[KAPLAN R. et al 2001] KAPLAN R. et NORTON D. : Comment utiliser le tableau de
bord prospectif . ditions dorganisation, chapitres 2 et 3, pp 31-113.
[KEENEY R . et al 1976] : KEENEY R. RAIFFA H. : Decisions with multiple
objectives, John Wiley & Sons, 1976
[KEPNER C. et al 1980] KEPNER C.TREGOE B. : Le manager rationnel. Mthodes
danalyse des problmes et de prise de dcision , Editions dOrganisation, Paris, 1980.
[KETTANI O. et al 2004] KETTANI O. AOUNI B. MARTEL J.: The double role of
the weight factor in the goal programming model, Computers & Operations Research 31-
18331845, 2004.
[LA JAUNE ET LA ROUGE 2001] LA JAUNE ET LA ROUGE. : La thorie des
variations et la MSP publi dans la revue La Jaune et la Rouge Revue des anciens lves
de lcole Polytechnique, Mars 2001.
[LAMBUSSON A. 1988]LAMBUSSON A. : Vers la recherche de la qualit totale : une
approche historique, des thories et une ralit concrte, Thse de Doctorat en Ingnierie et
Gestion, Ecole de Mines de Paris, Paris, 1988.
[LAMPRECHT J. 2003] LAMPRECHT J. : Dmystifier Six Sigma comment amliorer
vos processus version 2003 1re dition.
[LANDRY M. 1998] LANDRY M. : Laide la dcision comme support la
construction du sens dans lorganisation. Systmes dInformation et Management, 3(1) :539,
1998.
[LARVET P. 1994] LARVET P. : Analyse des systmes : de lapproche fonctionnelle
lapproche objet . InterEditions. 1994.
[LOPEZ R. 2006] LOPEZ R. : Dun systme de management de la qualit bas sur
lamlioration un systme de management de la qualit bas sur les connaissances . Thse
de doctorat de lInstitut National polytechnique de Grenoble, France, 2006.
[MAIMI L. et al 2007] MAIMI L. GILLET GOINARD F. : toute la fonction
production: savoir, savoir faire, savoir tre . dition DUNOD 2007.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


313

[MARTEL J. 1998] MARTEL J .: Multicriteria analysis under uncertainty : The
approach of outranking synthesis. Working Paper 1998-039, Facult des Sciences de
lAdministration, Universit Laval, 1998.
[MARTEL J. 1999] MARTEL J.: L'aide multicritre la dcision: mthodes et
applications , cors - scro 1999 annual conference june 7-9, 1999 windsor, ontario visit the
conference home page at http://www.cors.ca/windsor please sumbit abstracts by april 1, 1999.
[MAST J. 2004] MAST J.: A methodological comparison of three strategies for quality
improvement, International Journal of Quality and Reliability Management, Vol. 21, No. 2,
2004.
[MELLA P. 2009] MELLA P.: Application d'un plan d'expriences au contrle de la
rugosit , Science de lingnieur, http://www.si.ens cachan.fr/accueil_V2.php?page=
affiche_ressource &id=155.
[MNDEZ M. et al 2006] MNDEZ M. GALVN B. , SALAZAR D. GREINER D. :
Multiple-Objective Genetic Algorithm Using The Multiple Criteria Decision Making
Method TOPSIS, MOPGP06: 7th Int. Conf. on Multi-Objective Programming and Goal
Programming, (2006).
[MICHEAUX DL. 2000] MICHEAUX DL.: carte de contrle multidimensionnelles ,
collge statistique du MFQ.
[MONTCHAUD S. 2003] : MONTCHAUD S. : Les stratgies de dveloppements des
grands groupes industriels et lmergence de start-up technologiques , centre dconomie et
de finances internationales, octobre 2003.
[MONTES. 2003] MONTES F J L.: Factors Affecting the Relationship between Total
Quality Management and Organizational Performance, International journal of quality and
reliability management, vol 20, N21.
[NF X 50 1992] NORME NF X 50-120. : Qualit, vocabulaire in grer et assurer la
qualit tome 1. Edition AFNOR-paris, 1992.
[NIOU E. 2001] NIOU E.: Strategic voting under plurality rule: When does it matter and
who should vote strategically? Journal of Theoretical Politics, vol. 13, no 2 : pp. 209233,
2001.
[NOUVEL F. et al 2005] NOUVEL F. GOURET W. EL ZEIN G. :High Data Rate
Network In Automotive Over Battery Power Lines,The 5e International Conference on ITS
Telecommunications, Brest, France,Juin 2005.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


314

[NURMI H.1999] NURMI H.: Hannu. Voting paradoxes and how to deal with them.
Springer, Berlin, 1999. ISBN 3-540-43352-X. 85.
[OFFMAN A. et al 1956] OFFMAN A. KRUSKAL.: Integral boundray points of
complex polyhedra, linear inequalities and related systems, Kuhn and tucker (eds) ,
Princeton University Press, P.233-246,1956.
[OGRYCZAK W. 2001] OGRYCZAK W.: On goal programming formulations of the
reference point method , Journal of the Operational Research Society, 52, p. 691-698, 2001.
[PAGES E. 1954] PAGES E. Continuous Inspection Schemes , Biometrika, Vol. 41, pp.
100-114, 1954.
[PANDE P. et al 2000] PANDE P. NEUMANN R. CAVANAGH R.: The six sigma
way, Mc Graw-Hill, New York, 2000.
[Patrick B. 2004] Patrick B. : Paradoxes de vote et modes de scrutin en France , 2004
http://www.personal.lse.ac.uk/.../Paradoxes_de_vote_en_France_v-ecran.pdf.
[PHILLIPS A. et al 1997] PHILLIPS A. JEFFRIES R. SCHNEIDER J. FRANKOSKI
S.: Using Repeatbility and Reproductibility studies to evaluate a destructive test method ,
Quality Engineering , Vol. 10, N 2, 1997.
[PILLET M. 2002] PILLET M. Appliquer la matrise statistique des procdes
(MSP/SPC), Ed. d'Organisation, 2002.
[PILLET M. 2004] PILLET M. : Six Sigma : Comment lappliquer , Editions
dorganisation, 2004.
[PILLET M. 2005] PILLET M. : Appliquer la matrise statistique des processus
MSP/SPC Editions d'Organisation , 4e dition, 16/06/2005.
[PIZDEK T. 2001] PIZDEK T.: The Six Sigma Handbook, Editions Quality Publishing,
2001.
[PIZDEK T. 2001] PIZDEK T.: The Six Sigma Handbook, Editions Quality Publishing,
2001.
[POINT G. 2000] POINT G. : Contribution lunification des mthodes formelles et de
la sret de fonctionnement , Thse de lUniversit de Bordeaux I, 2000
[POMEROL J. et al 1993] POMEROL J. et SERGIO B.: Choix multicritre dans
lentreprise , Editions Herms, Paris, 1993.
[POOLE D. 1992] POOLE D.: Decision-theoretic defaults. In Proceedings of the Ninth
Biennial Conference of the Canadian Society for Computational Studies of Intelligence, pages
190197. Morgan Kaufmann, San Francisco, 1992.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


315

[PROTH J. et al 1987] PROTH J. CAVAILLE B. : Pratique de la simulation de
production discontinue , ditions Siprodis, 1987.
[QUALITE ONLINE 2007] QUALITE ONLINE : Dossier thmatique : Le 6 Sigma -
Page 3 sur www.qualiteonline.com.
[REEVES C. et al 1994] REEVES C. et BEDNAR D.: Defining quality. Alternatives and
implications. Academy of Management Review, Vol 19(3), pp. 419-445, 1994.
[ROBERTS S. 1959] ROBERTS S.: Control chart tests based on geometric moving
averages, Technometrics, Vol.1, pp. 239-250, 1959.
[ROGER G . et al 2008] ROGER G . KEVIN L. CHARLES L. ADRIAN S.: Six
Sigma: Definition and underlying theory, Journal of Operations Management 26 (2008) 536
554.
[ROY B. 1970] ROY B. : Algbre moderne et thorie des graphes , volume 2. Ed.
Dunod, 1970.
[ROY B. 1985] ROY B. : Mthodologie multicritre daide la dcision . Economica,
Paris, 1985.
[ROY B. et al 1996] ROY B. Et MOUSSEAU V. : A theoretical framework for analysing
the notion of relative importance of criteria , Journal of Multi-Criteria Decision Analysis, 5,
p. 145-159, 1996.
[ROY B. 1974] ROY B. : Critres Multiples et modlisation des prfrences (lapport des
relations de surclassement) . Revue dEconomie Politique, tome 84, N1, p. 1-44, janvier
1974.
[ROY B. 1988] ROY B. : Des critres multiples en recherche oprationnelle : Pourquoi ? In
Rand , editor Operational Research 87, pages 829842. North-Holland, Amsterdam, 1988.
[ROY B. 1992] ROY B. : Science de la dcision ou science de laide la dcision . Revue
Internationale de Systmique, 6(5) :497529, 1992.
[SAATY T. 2007] SAATY T. Time dependent decision-making; dynamic priorities in the
AHP/ANP: Generalizing from points to functions and from real to complex variables,
Mathematical and Computer Modelling 46 -860891, 2007.
[SAATY T. 2003] SAATY T.: Decision-making with the AHP: Why is the principal
Eigenvector necessary, European Journal of Operational Research 145 -8591, 2003.
[SAHOOA A. et al 2008] SAHOOA A. TIWARIB M. et MILEHAMC A. : Six Sigma
based approach to optimize radial forging operation variables, journal of materials
processing technology 2 0 2 ( 2 0 0 8 ) 125136.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


316

[SANDERS D. et al 2000] SANDERS D., HILD C.: A discussion of strategies for Six
Sigma Implementation , Quality Engineering, Vol. 12, No. 3, pp. 303-309, 2000.
[SEVERIN P. 2009] SEVERIN P.: Lanalyse fonctionnelle, de la mthode aux outils ,
Biotechnologies Sant Environnement, 2009.
[SHAININ P. 1993b] SHAININ P.: Managing Quality Improvement, 47th Annual
Quality Congress, May1993, Boston MA, Vol. 0, No. O, pp 554-560, May1993.
[SHAININ R. 1993a] SHAININ R.: Strategies for Technical Problem Solving, Quality
Engineering, Vol. 5, No. 3, pp 433-448, January 1993.
[SIMON H. 1991] SIMON H.: Sciences des systmes, science de lartificiel. Dunod
1991.
[STEWART S. and al 1991] STEWART.S et WHITE.C: Multiobjective A*, Journal of
the ACM, 38(4):775814, October 1991.
[STOUBOS Z. 2002] STOUBOS Z.: Process capability indices: overview and extensions
, Nonlinear Analysis:Real world applications, Vol. 3, 2002.
[TAYEB L. et al 2008] TAYEB L. FRANCIS-LUC P. : Crativit et innovation -
L'intelligence collective au service du management de projet , Editeur ppur, 2008.
[TIMMERMAN E. 1986]TIMMERMAN E.: An approach to Vendor Performance
Evaluation. Journal of Purchasing and Materials Management, winter 1986.
[TIPLICA T. 2002] TIPLICA T. : Contributions a la matrise statistique des processus
industriels multi varies , Institut des Sciences et Techniques de lIngenieurs dAngers, 2002.
[TIPLICA T. et al. 2001] TIPLICA T. KOBI A. BARREAU. A. BACIVAROV I. :
Synthse et comparaison des mthodes pour la matrise statistique des processus multivaris
, QUALITA 2001, 22-23 Mars, Annecy France.
[TODOROV B. 1994] TODOROV B. : ISO 9000- Un passeport mondial pour le
management de la qualit , Gatan Morin diteur, Paris 2me dition, 1994.
[VERRON S. 2007] VERRON S. : Diagnostic et surveillance des processus complexes
par rseaux bay siens , thse de doctorat spcialit : sciences de lingnieur cole doctorale
dAngers prsente et soutenue publiquement le 13 dcembre 2007.
[VILLEMUS P. 2001] VILLEMUS P. : Lentreprise audacieuse la conqute des
maechs de demain , Edition dorganisation 2001.
[VINCKE P. 1994] VINCKE P. : A short note on a methodology for choosing a decision-
aid method. Rapport Technique 94/07, Universit Libre de Bruxelles, Facult des Sciences
Appliques, May, 1994.
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


317

[VINCKE. P 1989] VINCKE P. : Laide multicritre la dcision . dition Ellipses,
1989.
[VOOGD H. 1983] VOOGD H. : Multicriteria Evaluation for Urban and Regional
Planning, Pion Ltd, London, 1983.
[WIKIPEDIA 2009 a] : Histogramme , WIKIPEDIA, lencyclopdie libre, 2009 Dernire
modification le 8 dcembre 2009, http://fr.wikipedia.org/wiki/Histogramme.
[WIKIPEDIA 2009 b] : Analyse des modes de dfaillances leurs effets leurs criticits,
WIKIPEDIA, lencyclopdie libre, (2009) Dernire modification de cette page le 22
dcembre
2009http://fr.wikipedia.org/wiki/Analyse_des_modes_de_d%C3%A9faillance,_de_leurs_
effets_ et_ de_leur_criticit%C3%A9.
[YANG J. et al 1996] YANG J. SEN. P: Preference modelling by estimating local
utility functions for multi-objective optimization, European Journal of Operational Research,
95, p. 115-138, 1996.
[ZELENY M. 1973] ZELENY M.: Compromise programming, In: Cochrane JL and
Zeleny M (eds). Multiple Criteria Decision Making. University of South Carolina Press:
Columbia,pp 262301.
[ZELENY M. 1982] ZELENY M.: Multiple criteria decision making, Mc Graw-Hill,
New-York,1982.http://www.has-sante.fr/portail/upload/docs/application/pdf/2009-
10/methodes.pdf.
LES LOGI CI ELS ET PROGI CI ELS:
-Statistica software version 8 (http://www.statsoft.fr/V8list.htm version dvaluation)
- Optimum software version 2004 (http://www.tdc.fr/en/products/tdc_fmea.php)
- Expert Choice version 11.5 (http://www.expertchoice.com/download/Default.htm version
dvaluation)
-Progiciel LINGO version 10 (http://www.ritme.com/fr/demos/accueil.html)
-Microsoft Visual C++ version 6.0
-MACBETH software (http://www.umh.ac.be/~smq/ version dvaluation)
-MINITAB version 15
http://www.minitab.com/fr-FR/default.aspx?WT.srch=1&WT.mc_id=SEFR000



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Bibliographie


318


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


319

Annexe 1


Tableau : prlvement de ltude de stabilit
























t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


320

Annexe 2

Tableau : prlvement de carte de contrle individuel












































1,42 1,42 1,42 1,42 1,41
1,42 1,42 1,42 1,42 1,42
1,42 1,42 1,42 1,41 1,42
1,42 1,42 1,42 1,41 1,42
1,42 1,42 1,42 1,42 1,42
1,37 1,37 1,42 1,42 1,42
1,41 1,41 1,37 1,41 1,37
1,42 1,42 1,41 1,42 1,41
1,41 1,41 1,42 1,41 1,42
1,42 1,42 1,41 1,35 1,41
1,42 1,42 1,42 1,41 1,42
1,41 1,41 1,42 1,42 1,42
1,42 1,42 1,41 1,41 1,41
1,42 1,42 1,42 1,42 1,42
1,41 1,41 1,42 1,42 1,42
1,42 1,42 1,41 1,41 1,41
1,30 1,30 1,42 1,42 1,42
1,41 1,41 1,30 1,41 1,30
1,42 1,42 1,41 1,35 1,41
1,45 1,45 1,42 1,41 1,42
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


321

Annexe 3


Tableau des prlvements avant lapplication de Six Sigma (date :05/01 /2009)

1,41 1,41 1,43 1,41 1,42 1,42 1,42 1,42 1,42 1,42
1,41 1,46 1,41 1,41 1,43 1,32 1,42 1,43 1,43 1,32
1,42 1,42 1,41 1,42 1,43 1,43 1,42 1,43 1,43 1,43
1,42 1,42 1,42 1,42 1,41 1,43 1,43 1,41 1,41 1,43
1,42 1,42 1,42 1,42 1,42 1,43 1,42 1,42 1,42 1,43
1,43 1,32 1,42 1,43 1,42 1,41 1,42 1,42 1,42 1,41
1,43 1,41 1,43 1,43 1,41 1,46 1,41 1,41 1,41 1,46
1,43 1,41 1,43 1,43 1,42 1,42 1,41 1,42 1,42 1,42
1,43 1,42 1,41 1,43 1,42 1,42 1,42 1,42 1,42 1,42
1,41 1,42 1,41 1,41 1,42 1,42 1,42 1,42 1,42 1,42
1,43 1,42 1,42 1,43 1,43 1,32 1,42 1,43 1,43 1,32
1,43 1,43 1,42 1,43 1,43 1,41 1,43 1,43 1,43 1,41
1,43 1,43 1,42 1,43 1,41 1,46 1,41 1,41 1,41 1,46
1,41 1,43 1,43 1,41 1,42 1,43 1,42 1,42 1,42 1,43
1,41 1,43 1,43 1,41 1,42 1,41 1,42 1,42 1,42 1,41
1,41 1,41 1,41 1,41 1,43 1,42 1,42 1,43 1,42 1,42
1,42 1,43 1,41 1,42 1,43 1,43 1,42 1,43 1,43 1,42
1,42 1,43 1,42 1,47 1,43 1,43 1,42 1,43 1,43 1,42
1,42 1,43 1,42 1,42 1,41 1,43 1,43 1,41 1,43 1,43
1,42 1,41 1,42 1,42 1,41 1,43 1,43 1,41 1,43 1,43






















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


322

Annexe 4

Liste des abrviations

X11 X1
X12 X2
X13 X3
X14 X4
X15 X5
X21 Y1
X22 Y2
X23 Y3
X24 Y4
X25 Y5
X31 Z1
X32 Z2
X33 Z3
X34 Z4
X35 Z5
X41 W1
X42 W2
X43 W3
X44 W4
X45 W5
X51 T1
X52 T2
X53 T3
X54 T4
X55 T5



























t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


323

!******************************************************************************************
! Objective function: M1:Middle
!******************************************************************************************
**;

MAX
=1*X1+0.30*X2+0.20*X3+0.20*X4+0.60*X5+0.20*Y1+1*Y2+0.40*Y3+0.40*Y4+0.70*Y5+
0.20*Z1+0.20*Z2+1*Z3+0.30*Z4+0.70*Z5+0.20*W1+0.50*W2+0.40*W3+1*W4+0.60*W5+0
.30*T1+0.40*T2+0.60*T3+0.40*T4+1*T5;

!******************************************************************************************
! Anteriority constraints
!******************************************************************************************
**;

X1+X2+X3+X4+X5+Y1+Y2+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+T5=
5;
X1+X2+X3+X4+X5+Y1+Y2+Y3+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+
T5<=5;

!******************************************************************************************
! Data constraints (General variables)
!******************************************************************************************
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


324

@BIN(X1);
@BIN(X2);
@BIN(X3);
@BIN(X4);
@BIN(X5);
@BIN(Y1);
@BIN(Y2);
@BIN(Y3);
@BIN(Y4);
@BIN(Y5);
@BIN(Z1);
@BIN(Z2);
@BIN(Z3);
@BIN(Z4);
@BIN(Z5);
@BIN(W1);
@BIN(W2);
@BIN(W3);
@BIN(W4);
@BIN(W5);
@BIN(T1);
@BIN(T2);
@BIN(T3);
@BIN(T4);
@BIN(T5);
end
Le rapport de rsolution gnr par LINGO10.0 est le suivant :
Global optimal solution found.
Objective value: 5.000000
Extended solver steps: 0
Total solver iterations: 0


Variable Value Reduced Cost
X1 1.000000 -1.000000
X2 0.000000 -0.3000000
X3 0.000000 -0.2000000
X4 0.000000 -0.2000000
X5 0.000000 -0.6000000
Y1 0.000000 -0.2000000
Y2 1.000000 -1.000000
Y3 0.000000 -0.4000000
Y4 0.000000 -0.4000000
Y5 0.000000 -0.7000000
Z1 0.000000 -0.2000000
Z2 0.000000 -0.2000000
Z3 1.000000 -1.000000
Z4 0.000000 -0.3000000
Z5 0.000000 -0.7000000
W1 0.000000 -0.2000000
W2 0.000000 -0.5000000
W3 0.000000 -0.4000000
W4 1.000000 -1.000000
W5 0.000000 -0.6000000
T1 0.000000 -0.3000000
T2 0.000000 -0.4000000
T3 0.000000 -0.6000000
T4 0.000000 -0.4000000
T5 1.000000 -1.000000

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


325

Row Slack or Surplus Dual Price
1 5.000000 1.000000
2 0.000000 0.000000
3 0.000000 0.000000


!******************************************************************************************
**
! Objective function: M2 : Equipment
!******************************************************************************************
**;

MAX
=1*X1+0.50*X2+0.60*X3+0.70*X4+0.80*X5+0.80*Y1+1*Y2+0.50*Y3+0.30*Y4+0.20*Y5+
0.40*Z1+0.50*Z2+1*Z3+0.50*Z4+0.70*Z5+0.40*W1+0.50*W2+0.30*W3+1*W4+0.80*W5+0
.50*T1+0.40*T2+0.60*T3+0.30*T4+1*T5;
!******************************************************************************************
**
! Anteriority constraints
!******************************************************************************************
**;


X1+X2+X3+X4+X5+Y1+Y2+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+T5=
5;
X1+X2+X3+X4+X5+Y1+Y2+Y3+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+
T5<=5;
!******************************************************************************************
**
! Data constraints (General variables)
!******************************************************************************************
**; @BIN(X1);
@BIN(X2);
@BIN(X3);
@BIN(X4);
@BIN(X5);
@BIN(Y1);
@BIN(Y2);
@BIN(Y3);
@BIN(Y4);
@BIN(Y5);
@BIN(Z1);
@BIN(Z2);
@BIN(Z3);
@BIN(Z4);
@BIN(Z5);
@BIN(W1);
@BIN(W2);
@BIN(W3);
@BIN(W4);
@BIN(W5);
@BIN(T1);
@BIN(T2);
@BIN(T3);
@BIN(T4);
@BIN(T5);
end


t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


326

Le rapport de rsolution gnr par LINGO10.0 est le suivant :
Global optimal solution found.
Objective value: 5.000000
Extended solver steps: 0
Total solver iterations: 0


Variable Value Reduced Cost
X1 1.000000 -1.000000
X2 0.000000 -0.5000000
X3 0.000000 -0.6000000
X4 0.000000 -0.7000000
X5 0.000000 -0.8000000
Y1 0.000000 -0.8000000
Y2 1.000000 -1.000000
Y3 0.000000 -0.5000000
Y4 0.000000 -0.3000000
Y5 0.000000 -0.2000000
Z1 0.000000 -0.4000000
Z2 0.000000 -0.5000000
Z3 1.000000 -1.000000
Z4 0.000000 -0.5000000
Z5 0.000000 -0.7000000
W1 0.000000 -0.4000000
W2 0.000000 -0.5000000
W3 0.000000 -0.3000000
W4 1.000000 -1.000000
W5 0.000000 -0.8000000
T1 0.000000 -0.5000000
T2 0.000000 -0.4000000


T3 0.000000 -0.6000000
T4 0.000000 -0.3000000
T5 1.000000 -1.000000

Row Slack or Surplus Dual Price
1 5.000000 1.000000
2 0.000000 0.000000
3 0.000000 0.000000


!******************************************************************************************
**
! Objective function: M3 :Methods
!******************************************************************************************
**;
MAX
=1*X1+0.60*X2+0.30*X3+0.80*X4+0.40*X5+0.2*Y1+1*Y2+0.70*Y3+0.50*Y4+0.60*Y5+0
.50*Z1+0.80*Z2+1*Z3+0.60*Z4+0.40*Z5+0.20*W1+0.50*W2+0.80*W3+1*W4+0.40*W5+0.
25*T1+0.50*T2+0.70*T3+0.60*T4+1*T5;

!******************************************************************************************
**
! Anteriority constraints
!******************************************************************************************
**;

X1+X2+X3+X4+X5+Y1+Y2+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+T5=
5;
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


327

X1+X2+X3+X4+X5+Y1+Y2+Y3+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+
T5<=5;

!******************************************************************************************
**
! Data constraints (General variables)
!******************************************************************************************
**; @BIN(X1);
@BIN(X2);
@BIN(X3);
@BIN(X4);
@BIN(X5);
@BIN(Y1);
@BIN(Y2);
@BIN(Y3);
@BIN(Y4);
@BIN(Y5);
@BIN(Z1);
@BIN(Z2);
@BIN(Z3);
@BIN(Z4);
@BIN(Z5);
@BIN(W1);
@BIN(W2);
@BIN(W3);
@BIN(W4);
@BIN(W5);
@BIN(T1);
@BIN(T2);
@BIN(T3);
@BIN(T4);
@BIN(T5);
end
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


328

Le rapport de rsolution gnr par LINGO10.0 est le suivant :
Global optimal solution found.
Objective value: 5.000000
Extended solver steps: 0
Total solver iterations: 0


Variable Value Reduced Cost
X1 1.000000 -1.000000
X2 0.000000 -0.6000000
X3 0.000000 -0.3000000
X4 0.000000 -0.8000000
X5 0.000000 -0.4000000
Y1 0.000000 -0.2000000
Y2 1.000000 -1.000000
Y3 0.000000 -0.7000000
Y4 0.000000 -0.5000000
Y5 0.000000 -0.6000000
Z1 0.000000 -0.5000000
Z2 0.000000 -0.8000000
Z3 1.000000 -1.000000
Z4 0.000000 -0.6000000
Z5 0.000000 -0.4000000
W1 0.000000 -0.2000000
W2 0.000000 -0.5000000
W3 0.000000 -0.8000000
W4 1.000000 -1.000000
W5 0.000000 -0.4000000
T1 0.000000 -0.2500000
T2 0.000000 -0.5000000
T3 0.000000 -0.7000000
T4 0.000000 -0.6000000
T5 1.000000 -1.000000

Row Slack or Surplus Dual Price
1 5.000000 1.000000
2 0.000000 0.000000
3 0.000000 0.000000

!******************************************************************************************
**
! Objective function: M4 :Labor
!******************************************************************************************
**;

MAX
=1*X1+0.40*X2+0.36*X3+0.45*X4+0.80*X5+0.45*Y1+1*Y2+0.75*Y3+0.65*Y4+0.25*Y5+
0.45*Z1+0.65*Z2+1*Z3+0.70*Z4+0.80*Z5+0.20*W1+0.50*W2+0.70*W3+1*W4+0.45*W5+0
.25*T1+0.75*T2+0.80*T3+0.45*T4+1*T5;


!******************************************************************************************
**
! Anteriority constraints
!******************************************************************************************
**;

X1+X2+X3+X4+X5+Y1+Y2+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+T5=
5;
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


329

X1+X2+X3+X4+X5+Y1+Y2+Y3+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+
T5<=5;

!******************************************************************************************
**
! Data constraints (General variables)
!******************************************************************************************
**;
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


330

@BIN(X1);
@BIN(X2);
@BIN(X3);
@BIN(X4);
@BIN(X5);
@BIN(Y1);
@BIN(Y2);
@BIN(Y3);
@BIN(Y4);
@BIN(Y5);
@BIN(Z1);
@BIN(Z2);
@BIN(Z3);
@BIN(Z4);
@BIN(Z5);
@BIN(W1);
@BIN(W2);
@BIN(W3);
@BIN(W4);
@BIN(W5);
@BIN(T1);
@BIN(T2);
@BIN(T3);
@BIN(T4);
@BIN(T5);
end
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


331


Le rapport de rsolution gnr par LINGO10.0 est le suivant :
Global optimal solution found.
Objective value: 5.000000
Extended solver steps: 0
Total solver iterations: 0


Variable Value Reduced Cost
X1 1.000000 -1.000000
X2 0.000000 -0.4000000
X3 0.000000 -0.3600000
X4 0.000000 -0.4500000
X5 0.000000 -0.8000000
Y1 0.000000 -0.4500000
Y2 1.000000 -1.000000
Y3 0.000000 -0.7500000
Y4 0.000000 -0.6500000
Y5 0.000000 -0.2500000
Z1 0.000000 -0.4500000
Z2 0.000000 -0.6500000
Z3 1.000000 -1.000000
Z4 0.000000 -0.7000000
Z5 0.000000 -0.8000000
W1 0.000000 -0.2000000
W2 0.000000 -0.5000000
W3 0.000000 -0.7000000
W4 1.000000 -1.000000
W5 0.000000 -0.4500000
T1 0.000000 -0.2500000
T2 0.000000 -0.7500000
T3 0.000000 -0.8000000
T4 0.000000 -0.4500000
T5 1.000000 -1.000000

Row Slack or Surplus Dual Price
1 5.000000 1.000000
2 0.000000 0.000000
3 0.000000 0.000000

!******************************************************************************************
**
! Objective function: M5 :Material
!******************************************************************************************
**;
MAX
=1*X1+0.45*X2+0.45*X3+0.55*X4+0.70*X5+0.55*Y1+1*Y2+0.45*Y3+0.45*Y4+0.55*Y5+
0.45*Z1+0.65*Z2+1*Z3+0.70*Z4+0.80*Z5+0.80*W1+0.50*W2+0.60*W3+1*W4+0.50*W5+0
.25*T1+0.75*T2+0.87*T3+0.55*T4+1*T5;
!******************************************************************************************
**
! Anteriority constraints
!******************************************************************************************
**;

X1+X2+X3+X4+X5+Y1+Y2+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+T5=
5;
X1+X2+X3+X4+X5+Y1+Y2+Y3+Y3+Y4+Y5+Z1+Z2+Z3+Z4+Z5+W1+W2+W3+W4+W5+T1+T2+T3+T4+
T5<=5;

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


332


@BIN(X1);
@BIN(X2);
@BIN(X3);
@BIN(X4);
@BIN(X5);
@BIN(Y1);
@BIN(Y2);
@BIN(Y3);
@BIN(Y4);
@BIN(Y5);
@BIN(Z1);
@BIN(Z2);
@BIN(Z3);
@BIN(Z4);
@BIN(Z5);
@BIN(W1);
@BIN(W2);
@BIN(W3);
@BIN(W4);
@BIN(W5);
@BIN(T1);
@BIN(T2);
@BIN(T3);
@BIN(T4);
@BIN(T5);
end
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


333

Le rapport de rsolution gnr par LINGO10.0 est le suivant :
Global optimal solution found.
Objective value: 5.000000
Extended solver steps: 0
Total solver iterations: 0


Variable Value Reduced Cost
X1 1.000000 -1.000000
X2 0.000000 -0.4500000
X3 0.000000 -0.4500000
X4 0.000000 -0.5500000
X5 0.000000 -0.7000000
Y1 0.000000 -0.5500000
Y2 1.000000 -1.000000
Y3 0.000000 -0.4500000
Y4 0.000000 -0.4500000
Y5 0.000000 -0.5500000
Z1 0.000000 -0.4500000
Z2 0.000000 -0.6500000
Z3 1.000000 -1.000000
Z4 0.000000 -0.7000000
Z5 0.000000 -0.8000000
W1 0.000000 -0.8000000
W2 0.000000 -0.5000000
W3 0.000000 -0.6000000
W4 1.000000 -1.000000
W5 0.000000 -0.5000000
T1 0.000000 -0.2500000
T2 0.000000 -0.7500000
T3 0.000000 -0.8700000
T4 0.000000 -0.5500000
T5 1.000000 -1.000000

Row Slack or Surplus Dual Price
1 5.000000 1.000000
2 0.000000 0.000000
3 0.000000 0.000000


















t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


334

Annexe 5



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


335



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


336



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


337


Annexe 5-1




Annexe 5-2











t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


338

Annexe 5-3




Annexe 5-4








t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


339


Annexe 5-5






Annexe 5-6







t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


340


Annexe 5-7





Annexe 5-8






t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


341


Annexe 5-9




Annexe 5-10



t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


342


Annexe 5-11







































t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


343

Annexe 6

Tableau des prlvements aprs lapplication de Six Sigma (date : 25/04/2009)
1,41 1,41 1,43 1,41
1,41 1,41 1,42 1,43
1,42 1,42 1,42 1,43
1,42 1,42 1,42 1,43
1,42 1,42 1,43 1,41
1,43 1,42 1,43 1,41
1,43 1,43 1,43 1,41
1,43 1,41 1,43 1,42
1,43 1,41 1,41 1,42
1,41 1,42 1,43 1,42
1,43 1,42 1,43 1,42
1,43 1,42 1,43 1,43
1,43 1,43 1,41 1,43
1,41 1,43 1,41 1,41
1,41 1,43 1,41 1,42
1,41 1,43 1,42 1,42
1,42 1,41 1,42 1,42
1,42 1,43 1,42 1,43
1,42 1,43 1,42 1,43
1,42 1,43 1,43 1,43
1,43 1,41 1,41 1,43
1,41 1,41 1,41 1,41
1,41 1,41 1,42 1,43
1,42 1,42 1,42 1,43
1,42 1,42 1,42 1,43
1,42 1,42 1,43 1,41
1,43 1,42 1,43 1,41
1,43 1,43 1,43 1,41
1,43 1,41 1,43 1,42
1,43 1,41 1,41 1,42
1,41 1,42 1,43 1,42
1,43 1,42 1,43 1,42
1,43 1,42 1,43 1,43
1,43 1,43 1,43 1,41
1,47 1,43 1,41 1,41
1,41 1,43 1,41 1,42
1,41 1,43 1,42 1,42
1,42 1,41 1,42 1,42
1,42 1,43 1,42 1,43
1,42 1,43 1,42 1,43
1,42 1,43 1,43 1,43
1,43 1,41 1,41 1,43
1,41 1,41 1,41 1,41
1,41 1,41 1,42 1,43
t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Annexes


344

1,42 1,42 1,42 1,43
1,42 1,42 1,42 1,43
1,42 1,42 1,43 1,41















































t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2
Rsume
Depuis plusieurs annes, le contexte de mondialisation et laccroissement de la concurrence ont dfini un nouvel ordre
conomique et industriel pour les entreprises de production de biens. En effet, ces entreprises sont quotidiennement confrontes la matrise
et lamlioration des performances de lensemble de leurs processus afin de garantir leur prennit et leur comptitivit. En raison de
louverture des marchs et de la concurrence accrue, plusieurs phnomnes concourants ont lieu.
Tout dabord, le phnomne le plus notable concerne lattente des clients de plus en plus forte, non seulement en ce qui concerne
le prix et la qualit, mais galement sur linnovation des produits ainsi que sur leur disponibilit. Dans de telles situations nous proposons
de suivre la variabilit du processus par lintgration de la mthode Six Sigma, afin de dtecter toute preuve de changement significatif de la
variabilit.
Lobjectif principal de Six Sigma est daugmenter la rentabilit de lentreprise en rduisant le gaspillage, tout en ayant lintrt du
client cur. Elle est aussi une mesure statistique de la performance des processus qui permet de dterminer avec une grande prcision la
qualit des produits ou services. Six Sigma est le systme de management qui se dveloppe le plus vite aujourdhui dans lindustrie. Centr
sur une puissante mthodologie de rsolution de problme et doptimisation des processus.
La puissance de Six Sigma vient de lapplication doutils statistiques dans le contexte dune mthodologie structure et facile
mettre en uvre. Ces outils, utiliss le plus souvent dans un environnement oprationnel de production, s'appliquent galement tous les
processus, y compris administratifs. Lobjectif de notre travail de recherche, est de fournir une vision oprationnelle, structure travers
lintgration de la mthodologie Six Sigma base sur les outils multicritres daide la dcision afin damliorer un systme de production,
cela se traduit par comprendre et savoir comment optimiser les processus de production dans le but de rduire le nombre de dfauts et la
variabilit des processus. La mthodologie propos est appliqu au sein de la socit SIDILEC international spcialise dans la fabrication
des faisceaux de cbles lectriques pour les constructeurs des voitures avec et sans permis.
Le secteur automobile volue une vitesse de plus en plus importante. En effet, lvolution rapide des techniques et des
technologies accompagne dune explosion de linformatique, a mis les entreprises face une concurrence acharne. Face cette situation,
lentreprise doit tourner son souci vers la recherche dune meilleure dmarche lui permettant datteindre le niveau de comptitivit recherch
et de satisfaire les clients. Les travaux se droulent dans une usine de production spcialise dans ltude et la ralisation de faisceaux de
cbles lectriques pour les secteurs industriels automobiles et ferroviaires.
Au terme de ce travail, nous considrons que nos objectifs identifis dans le support thorique sont bien raliss et justifis dans le
cadre de ce chapitre pratique. Lintgration de la mthode Six Sigma base sur les outils multicritres daide la dcision pour amliorer un
processus de production est parfaitement accomplie et cela se traduit par comprendre et savoir comment amliorer un processus de
production dans le but de rduire le nombre de dfauts et la variabilit des processus.
Mots cls : Six Sigma ; Systme de production complexe ; aide la dcision multicritre ; Analytical hierarchy process, la mthode
MACBETH.
Abstract :
For several years, the context of globalization and increased competition have defined a new economic and industrial companies
for production of goods. Indeed, these companies are confronted daily with the control and performance enhancement of all their processes
to ensure their sustainability and competitiveness. Due to the opening of markets and increased competition, several concurrent phenomena
occur. Firstly, the phenomenon most notable clients' expectations more and more strong, not only regarding the price and quality, but also on
innovation of products and their availability. In such situations we propose to follow the variability of the process through the integration of
Six Sigma, to detect evidence of significant change in variability. The main objective of Six Sigma is to increase profitability by reducing
waste, while having the client's interest at heart. It is a statistical measure of process performance that can determine with precision the
quality of products or services. Six Sigma is a management system that grows the fastest in the industry today. Centered on a powerful
problem solving methodology and process optimization.
The Power of Six Sigma is the application of statistical tools in the context of a structured and easy to implement. These tools,
used most often in an operational environment of production, also apply to all processes, including administrative. The aim of our research is
to provide an operational vision, structured through the integration of Six Sigma tools based multicriteria decision support to improve a
production system, this translates to understand and know how to optimize production processes in order to reduce the number of defects and
process variability.
The proposed methodology is applied to society SIDILEC International specializes in the manufacture of electrical wiring
harnesses for the manufacturers of cars with and without a license. The automotive industry is changing at a speed of more and more
important. Indeed, the rapidly changing techniques and technologies along with an explosion of information technology, has put companies
face fierce competition. Faced with this situation, the company must strive to turn the search for a better approach to enable it to achieve the
desired level of competitiveness and customer satisfaction. The work takes place in a production facility that specializes in the design and
manufacture of electric wiring harnesses for automotive and railway industries. Upon completion of this work, we consider that our
objectives identified in the theoretical support are well made and justified under this chapter practice.
The integration of Six Sigma tools based on multicriteria decision support to improve a production process is completely
accomplished and that means understanding and knowing how to improve a production process in order to reduce the number of defects and
process variability.

Key word : Six Sigma; Production System complex decision aid multicriteria Analytical hierarchy process, method MACBETH.

t
e
l
-
0
0
7
3
0
5
4
3
,

v
e
r
s
i
o
n

1

-

1
0

S
e
p

2
0
1
2

You might also like