Un histogramme regroupe vos valeurs de mesure en classes et montre combien tombent dans chacune. C'est la façon la plus simple de voir si votre processus est centré, sa variation, et si la forme de distribution est normale ou cache un problème. En SPC, les histogrammes complètent les cartes de contrôle : la carte montre les tendances dans le temps, l'histogramme montre la forme globale de la distribution.
Comment lire un histogramme
L'axe x montre les valeurs de mesure. L'axe y montre le nombre de points par classe. Un processus bien contrôlé produit une courbe en cloche (distribution normale) centrée entre les limites.
Trois choses à regarder :
Centre. Le pic est-il aligné avec la valeur cible, ou décalé vers une limite ? Un histogramme décalé signifie que la moyenne a dérivé.
Dispersion. Quelle est la largeur par rapport aux limites ? Distribution étroite dans des limites larges = haute capabilité (Cp élevé). Distribution qui remplit la fenêtre = faible capabilité.
Forme. Une courbe en cloche symétrique est normale. Toute autre forme mérite investigation.
Formes de distribution
| Forme | Apparence | Cause probable | Action |
|---|---|---|---|
| Normale (cloche) | Symétrique, un pic centré | Processus stable et prévisible | Surveiller. C'est l'état cible. |
| Normale décalée | Cloche décentrée vers une limite | La moyenne a dérivé | Recentrer : étalonnage, offset outil, recette |
| Asymétrique droite | Queue vers les hautes valeurs | Contrainte physique bas, ou processus log-normal | Vérifier si la spec est appropriée. |
| Asymétrique gauche | Queue vers les basses valeurs | Contrainte physique haut | Idem, direction opposée |
| Bimodale (deux pics) | Deux bosses au lieu d'une | Deux populations mélangées | Séparer par station, opérateur, équipe ou lot. |
| Tronquée | Coupée nettement d'un côté | Pièces triées ou mesure qui sature | Vérifier si le tri est intentionnel. |
| Plate (uniforme) | Pas de pic clair | Processus non contrôlé | Investigation majeure nécessaire. |
| Peigne (alternance haut/bas) | Pattern en dents de scie | Résolution de mesure trop grossière | Augmenter la résolution de l'instrument |
La courbe normale superposée
TofuPilot superpose une courbe normale (gaussienne) sur l'histogramme. Quand les barres suivent la courbe, vos données sont approximativement normales et les formules standard (Cp, Cpk) s'appliquent.
Quand les barres divergent (queues lourdes, asymétrie, pics multiples), les formules standard peuvent ne pas représenter fidèlement le processus. L'histogramme rend cela visible.
Limites de spécification sur l'histogramme
TofuPilot trace USL et LSL comme des lignes verticales quand les limites sont définies. Cela montre :
- Quelle part de la distribution est dans les specs
- Si la distribution est centrée entre les limites
- La marge de chaque côté
Si les queues dépassent une ligne de spec, des unités échouent de ce côté.
Lignes moyenne et sigma
L'histogramme montre aussi la moyenne et les bandes sigma (±1σ, ±2σ, ±3σ). En distribution normale :
| Plage | Contient |
|---|---|
| ±1σ | 68,3 % des données |
| ±2σ | 95,4 % des données |
| ±3σ | 99,7 % des données |
Si les lignes 3σ sont dans les limites de spécification, le processus est capable (Cp > 1,0).
Alimenter TofuPilot en données
Les histogrammes nécessitent des mesures numériques avec assez de points. Définissez des mesures avec des limites.
import openhtf as htf
from openhtf.util import units
from tofupilot.openhtf import TofuPilot
@htf.measures(
htf.Measurement("output_voltage")
.in_range(minimum=3.25, maximum=3.35)
.with_units(units.VOLT),
htf.Measurement("clock_frequency")
.in_range(minimum=7.99, maximum=8.01)
.with_units(units.HERTZ),
)
def measure_board(test):
test.measurements.output_voltage = 3.301
test.measurements.clock_frequency = 8.002
def main():
test = htf.Test(measure_board)
with TofuPilot(test):
test.execute(test_start=lambda: "UNIT-0001")
if __name__ == "__main__":
main()Ouvrez la page Contrôle de Processus, sélectionnez une mesure numérique, et l'histogramme apparaît à côté de la carte de contrôle. Courbe normale, limites et moyenne se calculent automatiquement. Faites un clic droit sur une classe pour sélectionner les points dans cette plage de valeurs ou filtrer la vue.
Utiliser les histogrammes pour améliorer
Les histogrammes sont des outils de diagnostic. Quand vous repérez une forme anormale, investiguez :
Bimodal ? Divisez les données. Filtrez par station, opérateur ou lot dans la barre latérale. Chaque sous-ensemble peut former sa propre distribution normale.
Asymétrique ? Vérifiez si la mesure est naturellement bornée ou si une contrainte du processus cause l'asymétrie.
Décalé ? Comparez à la cible. Si le pic est proche d'une limite, recentrez avant les échecs.
Trop large ? La distribution remplit la fenêtre. Réduire la variation ou élargir les limites si le design le permet.