L'analyse du système de mesure (MSA) : peut-on faire confiance à ses données ?

Les processus de mesure ont leur propre variation, indépendante du processus mesuré, et cette variation peut être suffisamment grande pour masquer le signal que vous cherchez à détecter. La MSA quantifie cette variation avant que vous ne vous appuyiez sur les données. Deux études en constituent le cœur. L'étude Gauge R&R sépare la variation totale de mesure en répétabilité (même opérateur, mêmes résultats ?) et en reproductibilité (opérateurs différents, mêmes résultats ?). L'étude de biais détermine si la moyenne des mesures est proche de la vraie valeur. Un système de mesure à faible variabilité mais à biais élevé est systématiquement dans l'erreur. Les critères d'acceptation standard : R&R < 10 % = excellent ; 10–30 % = acceptable selon les enjeux ; > 30 % = inacceptable.

Que faire quand un système de mesure échoue ?

Trois leviers d'amélioration s'offrent à vous. Corriger l'instrument : une forte variabilité de répétabilité pointe généralement vers l'instrument lui-même — recalibrage, réparation ou remplacement. Corriger la procédure de mesure : une forte variabilité de reproductibilité signale souvent que la procédure est ambiguë ou incomplète. Corriger la formation des opérateurs : lorsque la procédure est claire mais que la variation persiste entre opérateurs, la lacune est généralement dans la formation. La MSA est particulièrement justifiée pour les mesures automatisées, les mesures critiques pour la sécurité, et au début des projets d'amélioration à forts enjeux.

Si vos projets d'amélioration s'appuient sur des données sans que les systèmes de mesure aient été validés, la pratique de conseil stratégique de XNM travaille avec les organisations pour concevoir des protocoles de validation des systèmes de mesure adaptés aux décisions qu'ils soutiennent.