« La qualité ne vient pas de l'inspection, mais de l'amélioration du processus de production », a notamment déclaré William Edwards Deming, largement reconnu comme le principal penseur en management dans le domaine de la qualité. Cette citation résonne fortement avec l'objectif principal du contrôle statistique des processus (CSP), l'une de ses stratégies pionnières en management de la qualité.

Alors, qu'est-ce que le CSP ? En résumé, il s'agit d'une approche de contrôle qualité qui utilise des techniques statistiques pour la supervision et la régulation d'un processus afin de garantir son adhésion à des spécifications prédéfinies. Le CSP est utilisé pour gérer et améliorer les processus de production, dans le but d'augmenter à la fois l'efficacité des processus et la qualité des produits résultants.

À mesure que les temps changent avec la sophistication et la modernisation de la chaîne d'approvisionnement alimentaire, le CSP, en tant qu'aspect important du paradigme traditionnel de la qualité, a gagné en importance dans la gestion de la qualité alimentaire ces dernières années. Bien qu'utilisé principalement comme stratégie de management de la qualité, le CSP a de multiples fonctionnalités dans l'industrie alimentaire en collectant et analysant des données en temps réel lors des différentes étapes de production pour identifier et corriger les variations, déviations ou anomalies qui pourraient affecter l'intégrité et la sécurité du produit.

Dans cet article, nous explorerons les différents éléments que les transformateurs alimentaires doivent garder à l'esprit pour établir avec succès un contrôle statistique des processus dans leur unité de fabrication dans le cadre de leurs efforts de gestion de la qualité alimentaire.

Le contrôle statistique des processus en tant qu'outil subset du Six Sigma

Le Six Sigma est une initiative d'amélioration de la qualité dont le but principal est de minimiser les défauts à un niveau de 3,4 parties par million (PPM) par la réduction des variations de processus. Le terme « Six Sigma » est dérivé d'un concept statistique où l'objectif est d'atteindre une performance de processus qui est à six écarts-types de la moyenne, résultant en un niveau extrêmement élevé de qualité et de cohérence. Le CSP est un outil subset du Six Sigma utilisé pour surveiller de près les opérations de production afin de repérer toute anomalie et alerter l'entreprise afin qu'elle puisse la corriger avant qu'elle ne s'aggrave.

Référence: https://asq.org/quality-resources/six-sigma

Au cœur du Six Sigma se trouve un focus sur la mesure et l'analyse de la performance des processus afin d'identifier et d'éliminer les variations qui peuvent mener à des défauts ou des erreurs. Cela est réalisé à travers une méthodologie structurée connue sous le nom de DMAIC, qui signifie Define (Définir), Measure (Mesurer), Analyze (Analyser), Improve (Améliorer) et Control (Contrôler). Chaque phase de DMAIC a des objectifs et des activités spécifiques :

• Définir : Dans cette phase, les objectifs du projet, la portée et les exigences des clients sont clairement définis. Cela aide à s'assurer que les efforts d'amélioration sont alignés avec les besoins des parties prenantes internes et externes.
• Mesurer : Pendant cette phase, les données pertinentes sont collectées et les mesures sont prises pour évaluer la performance actuelle du processus. Cette étape aide à quantifier l'étendue de la variabilité et à identifier les domaines clés de préoccupation.
• Analyser : Les données collectées dans la phase précédente sont analysées pour identifier les causes racines des défauts ou des inefficacités. Des outils et techniques statistiques sont employés pour identifier les facteurs contribuant aux variations de processus.
• Améliorer : Dans cette phase, des solutions sont développées et implémentées pour aborder les causes racines identifiées. Ces solutions sont testées et affinées pour s'assurer qu'elles ont un impact positif sur la performance du processus.
• Contrôler : Les améliorations réalisées dans la phase précédente sont intégrées au processus, et des mesures sont mises en place pour surveiller et maintenir la performance améliorée au fil du temps. Des mécanismes de contrôle sont établis pour prévenir la réapparition des défauts et variations.

Examen du concept de contrôle statistique des processus

Histoire

Le CSP a acquis sa première prominence après la Seconde Guerre mondiale, en 1950, dans le développement rapide de l'économie et du secteur manufacturier japonais en promouvant des outils statistiques, grâce à William E. Deming, qui a étendu les concepts originellement formulés par Walter A. Shewhart en 1920. Néanmoins, ce n'est qu'en 1980 que l'industrie manufacturière occidentale a rapidement adopté cette méthode pour ses propres fins.

Avec la croissance des industries et de la technologie, le CSP est devenu bien connu et s'est répandu au-delà de la fabrication dans divers secteurs, y compris l'industrie alimentaire, façonnant la façon dont les organisations gèrent et optimisent les processus pour répondre aux normes de qualité.

Objectif

Le CSP vise à prendre les données générées par les processus de fabrication et à les utiliser de manière plus productive. L'objectif clé est d'exploiter des outils statistiques et des techniques analytiques pour extraire des données afin d'obtenir des informations et des insights sur les processus de fabrication. Ces insights sont ensuite utilisés pour implémenter et installer des contrôles efficaces au sein des processus.

Le CSP aide à s'assurer que le processus fonctionne efficacement, résultant en une production accrue de produits qui correspondent aux spécifications tout en minimisant les déchets, les reprises ou les rebuts, et il peut être appliqué à tout processus où la sortie de « produit conforme » peut être mesurée, comme les lignes de fabrication.

Importance du CSP pour les fabricants alimentaires

Chaque aspect de la chaîne d'approvisionnement alimentaire génère des données, et une part significative de ces données collectées par les entreprises alimentaires est conservée comme preuve de conformité. Cela présente également une opportunité pour les établissements alimentaires de comprendre les processus ou de propulser l'amélioration, car ces données incarnent un océan d'insights qui, s'ils sont utilisés efficacement, peuvent aider à augmenter la productivité des processus, la conformité et l'expérience des travailleurs.

Les normes de sécurité et de qualité alimentaire évoluent pour mettre l'accent sur une approche basée sur les processus pour développer, implémenter et améliorer les systèmes de management de la qualité alimentaire alignés sur des modèles de conformité et basés sur les risques. Le CSP aide simplement les entreprises à passer à un contrôle qualité basé sur la prévention plutôt que sur la détection. C'est pourquoi plusieurs normes GFSI ont commencé à réaliser et intégrer le CSP dans leurs directives.

Les révisions récentes de multiples normes obligent les entreprises à reconnaître la nécessité d'identifier et d'implémenter le CSP et d'autres analyses statistiques. Par exemple, la norme de management de la qualité alimentaire largement reconnue ISO 22000 englobe le cycle Plan-Do-Check-Act (PDCA), dans lequel la phase « Check » fait référence à la surveillance, la mesure et la vérification des processus et des produits et services conséquents, suivie de l'évaluation des informations et données, et du rapport des résultats. Le CSP devient hautement pertinent dans ce contexte en étant un outil pour faciliter la surveillance continue des processus et l'analyse des données d'opération, permettant aux fabricants de démontrer efficacement la conformité aux exigences ISO 22000. La méthodologie basée sur les données du CSP assure que les déviations sont rapidement détectées et traitées, réduisant le risque de problèmes de qualité alimentaire.

Composants clés pour comprendre le CSP

Variation de processus

L'hypothèse de base du CSP est que tous les processus sont généralement soumis à des variations. La variation est la tendance inhérente d'un processus à dévier, se déplacer, se décaler ou varier autour d'un point central moyen. C'est un phénomène qui peut être observé dans toute la nature car tous les processus ont des variations et il est impossible de les éliminer. Les variations peuvent appartenir à l'une ou l'autre de ces deux catégories :

• Cause commune : Ce type de variation dans un processus survient par hasard et ne peut être attribué à un facteur spécifique. Il représente la variabilité inhérente au sein du processus. Quand un processus est affecté par une variation de cause commune, il reste stable et son comportement est prévisible.
• Cause assignable : Alternativement appelée « cause spéciale », c'est le type de variation dans un processus qui n'est pas due au hasard. Elle peut être identifiée et éliminée en identifiant sa cause racine. Quand un processus est influencé par une cause assignable, il devient instable et son comportement ne peut pas être facilement prédit.

Données de processus

Comme Deming l'a justement déclaré, « La variation non contrôlée est l'ennemie de la qualité. » Alors, comment contrôler la variation de processus ? Toutes les données de processus ont une distribution typique ou normale autour de la moyenne, et la plupart des lectures tomberont près de la moyenne tandis que moins de lectures tomberont plus loin de la valeur moyenne. En comprenant et en connaissant le degré et la nature de la variabilité, il est possible de contrôler la variation. Afin de décomposer les caractéristiques des variations, la collecte de données est essentielle. Les données se présentent sous deux types : données variables (numériques) et attributs (non-numériques). Dans les industries alimentaires, les données se présentent sous de nombreuses formes, notamment les paramètres de processus tels que le temps, la température, la pression, le pH, etc., les résultats d'audits, les non-conformités, les données de surveillance des points critiques de contrôle, et les résultats de sanitation et de nettoyage.

Surveillance des données

Contrôler les variations de processus nécessite de surveiller et mesurer les données collectées, et dans les entreprises alimentaires, le principe de l'Analyse des dangers et points critiques de contrôle (HACCP) accomplit cet objectif. La surveillance des données dans la gestion de la qualité alimentaire est basée sur deux exigences :

1. Conformité aux réglementations et aux demandes des clients
2. Risque dans le processus ou le produit

Analyse des données

Mesurer une quantité ample de données peut être suivi simplement en déterminant si le point de données respecte la spécification ou en analysant les données en utilisant des techniques CSP pour décrire le processus en termes de capacité à respecter la spécification de manière cohérente. Même si les données de processus produisent une conformité aux spécifications mandatées, de légers décalages dans le processus pourraient éventuellement mener à des résultats hors-spécifications au fil du temps. Avec l'application du CSP, ces variations peuvent être révélées et rectifiées à temps, prévenant ainsi proactivement leur occurrence à long terme.

Étapes générales pour implémenter le CSP dans le processus

1. Identifier les processus : Pour commencer, spécifiez les processus cruciaux qui influencent significativement la sortie du produit ou le processus qui est d'une importance primordiale pour le client.
2. Définir les attributs de processus mesurables : Reconnaître les attributs spécifiques qui doivent être mesurés tout au long de la phase de production.
3. Déterminer la méthode de mesure : Formuler des instructions ou une procédure pour la méthode de mesure, incluant les instruments utilisés pour la mesure.
4. Développer une stratégie de sous-groupe et un plan d'échantillonnage : Avancer, en stratifiant la taille des sous-groupes et la fréquence des échantillons à collecter en fonction de la nature critique du produit.
5. Collecter les données et tracer le graphique CSP : Procéder à la collecte des données selon la taille d'échantillon définie. Choisir un graphique CSP approprié en considérant le type de données (continues ou discrètes) et la taille des sous-groupes.
6. Décrire la variation naturelle des attributs : Calculer les limites de contrôle. Dériver la limite de contrôle supérieure (LCS) et la limite de contrôle inférieure (LCI) pour X-Bar et Range. Pour le graphique X-Bar, la LCS et la LCI indiquent si la moyenne du processus est cohérente et dans des bornes acceptables. Pour le graphique Range, elles aident à évaluer la variabilité ou l'étendue des données au sein des sous-groupes.
7. Surveiller la variation de processus : Interpréter le graphique de contrôle, examiner tout point hors contrôle et discerner les patterns. Comme c’est un effort continu, surveiller constamment la variabilité du processus.
8. Exécuter des actions correctives : Si des points hors contrôle ou des patterns sont identifiés, implémenter des actions correctives appropriées pour ramener le processus sous contrôle et prévenir d'autres déviations.
9. Assurer l'amélioration continue : Analyser continuellement les données collectées et les insights du graphique de contrôle pour identifier des opportunités d'amélioration et de raffinement du processus, visant une amélioration continue.

Application du contrôle statistique des processus dans l'industrie alimentaire

Avec les étapes générales de l'application du CSP en considération, plongeons dans l'application du CSP dans l'industrie alimentaire :

Collecte de données

Les points de données pertinents sont collectés pendant le processus de production. Ces points de données pourraient inclure des mesures de température, de pression, de pH, de teneur en humidité, de poids, et d'autres facteurs critiques qui influencent la qualité du produit final.

Graphiques de contrôle

Un graphique de contrôle est l'une des techniques principales de contrôle statistique des processus (CSP). Le graphique de contrôle est un graphique de comportement de processus pour l'affichage graphique des caractéristiques de qualité qui sont mesurées ou calculées à partir d'un échantillon versus le numéro d'échantillon ou le temps. De plus, le graphique de contrôle contient une ligne centrale qui représente la valeur moyenne des caractéristiques de qualité et deux autres lignes horizontales connues sous le nom de limite de contrôle supérieure (LCS) et limite de contrôle inférieure (LCI). Ces graphiques aident à visualiser les données collectées au fil du temps et fournissent des insights sur la stabilité et la variabilité du processus.

X-Bar et R-Chart – Les graphiques X-Bar et R sont des graphiques de contrôle qualité utilisés pour suivre la moyenne et la variation d'un processus à travers des échantillons collectés dans un laps de temps spécifié. Ils sont employés pour superviser la performance du processus de données continues, telles que le poids ou le volume, rassemblées en sous-groupes à des intervalles prédéterminés. Il surveille la moyenne (X-Bar) et l'étendue (R) d'un échantillon pris à intervalles réguliers.

Référence: https://support.minitab.com/en-us/minitab/21/help-and-how-to/quality-and-process-improvement/control-charts/how-to/variables-charts-for-subgroups/xbar-r-chart/interpret-the-results/key-results/

X-Bar – S Charts – Les graphiques X-Bar – S sont fréquemment utilisés comme graphiques de contrôle pour évaluer à la fois la moyenne du processus et l'écart-type au fil du temps. Ils entrent en jeu quand les sous-groupes ont de grandes tailles d'échantillons, et le graphique S fournit une meilleure compréhension de l'étendue des données de sous-groupe que l'étendue.

Référence: https://support.minitab.com/en-us/minitab/21/help-and-how-to/quality-and-process-improvement/control-charts/how-to/variables-charts-for-subgroups/xbar-s-chart/before-you-start/overview/

X-MR Charts (Individual-Moving Range Charts) – Un graphique Individual-Moving Range (I-MR) est le même qu'un graphique X-MR. Ce graphique est employé quand on collecte une observation à la fois et non comme données continues en groupes.

Référence: https://support.minitab.com/en-us/minitab/21/help-and-how-to/quality-and-process-improvement/control-charts/how-to/variables-charts-for-individuals/i-mr-chart/before-you-start/overview/

Run Charts – Un run chart affiche les données observées au fur et à mesure qu'elles évoluent dans le temps. Ce graphique basique arrange les valeurs de données dans un ordre séquentiel, servant d'outil pour tester la randomité dans le processus. Il est limité aux données à un seul point.

P Chart et NP Chart – Ce graphique est utilisé pour surveiller la proportion d'articles défectueux dans un échantillon (P) ou le nombre d'articles défectueux (NP). Ces graphiques sont adaptés aux données catégorielles. Optez pour un P chart quand les données affichent un pourcentage de défauts ou d'unités non conformes dans un nombre donné d'échantillons. Optez pour un NP chart quand les données sont collectées en sous-groupes de même taille, et ils démontrent comment le processus change au fil du temps, mesuré par le nombre d'articles non conformes (défauts).

Référence: https://support.minitab.com/en-us/minitab/21/help-and-how-to/quality-and-process-improvement/control-charts/how-to/attributes-charts/p-chart/before-you-start/overview/

Référence: https://support.minitab.com/en-us/minitab/21/help-and-how-to/quality-and-process-improvement/control-charts/how-to/attributes-charts/np-chart/before-you-start/example/

Graphique C et Graphique U – Similaires aux graphiques P et NP, ces graphiques servent à surveiller le nombre (C) ou le taux (U) de défauts dans un échantillon.

Référence: https://support.minitab.com/en-us/minitab/21/help-and-how-to/quality-and-process-improvement/control-charts/how-to/attributes-charts/u-chart/before-you-start/overview/

Choix du type de graphique de contrôle

Le choix du graphique de contrôle approprié dépend des facteurs suivants :

• Type de données suivies (continues ou attributs)
• Sensibilité requise du graphique (taille du changement à détecter)
• Provenance des données (un ou plusieurs emplacements)
• Facilité et coût de l’échantillonnage
• Volumes de production

Référence: https://www.qualitygurus.com/seven-quality-tools-control-charts/

Établissement des limites de contrôle

Les limites de contrôle sont fixées sur les graphiques pour définir la plage acceptable de variation. Elles sont généralement basées sur des données historiques ou des normes de l’industrie. Les points de données situés à l’intérieur des limites de contrôle sont considérés comme acceptables ; ceux situés à l’extérieur peuvent indiquer un problème dans le processus.

Calcul des limites de contrôle (méthode classique à ±3σ) :

1. Estimer l’écart-type (σ) des données de l’échantillon
2. Limite de contrôle supérieure (LCS) = Moyenne + 3 × σ
3. Limite de contrôle inférieure (LCI) = Moyenne – 3 × σ

Référence: https://opexresources.com/introduction-statistical-process-control/

Autres formules clés du CSP

Pour évaluer la capacité du processus à respecter les spécifications, on calcule :

• Cp (Capacité du processus) = (LSS – LSI) / (6 σ)
• Cpk (Performance du processus) = min[(LSS – X̄) / (3 σ) ; (X̄ – LSI) / (3 σ)]

où :

X̄ = moyenne du processus

LSI = Limite de spécification inférieure

LSS = Limite de spécification supérieure

σ = écart-type du processus

Surveillance et analyse

L’analyse régulière des graphiques de contrôle permet d’identifier les tendances, les décalages ou les schémas anormaux. Tout point hors limites de contrôle, répétition de motifs ou événement inhabituel signale la nécessité d’une investigation et d’actions correctives.

Actions correctives

Lorsque le processus sort des limites de contrôle ou présente des signes de dérives potentielles, des actions correctives sont mises en œuvre : ajustement des paramètres, dépannage d’équipements, modification des procédures ou amélioration du processus.

Amélioration continue

Le CSP n’est pas une activité ponctuelle, mais un processus continu. Les enseignements tirés des graphiques de contrôle et des actions correctives alimentent les efforts d’amélioration continue, permettant aux entreprises alimentaires de mieux comprendre la capacité réelle de leurs procédés à produire des produits conformes aux spécifications.

Mettez en œuvre le Contrôle Statistique des Processus dans votre industrie alimentaire avec Smart Food Safe

Grâce aux nombreuses fonctionnalités numériques de la suite de modules Smart Food Safe, les établissements alimentaires peuvent déployer un contrôle statistique des processus (CSP) puissant et robuste. Ce système facilite la détection rapide des variations et déviations dans les procédés de production, garantissant une qualité produit constante tout en limitant les pertes et les risques.

Notre fonctionnalité de rapports personnalisés permet de créer facilement des graphiques de contrôle spécifiques et d’identifier les écarts de conformité dans les processus de production. Des tableaux de bord intuitifs centralisent ces graphiques et offrent une représentation visuelle des indicateurs de performance clés et des points critiques de contrôle. Ainsi, les entreprises peuvent identifier de manière proactive les axes d’optimisation, affiner leurs procédés et renforcer durablement la sécurité et la qualité de leurs produits alimentaires.