Académique Documents
Professionnel Documents
Culture Documents
METROLOGY
by DELTA MU
INTRODUCTION
Bonne nouvelle :
Il y a de plus en plus de données pour produire mieux
Mauvaise nouvelle :
elles sont fausses
Dans l’industrie, beaucoup pensent encore A l’heure du big data, il devient impératif
que les mesures sont justes, qu’il suffit de de s’assurer de leur fiabilité, c’est à dire de
les analyser. D’autres croient qu’il suffit leur capacité à représenter la réalité
d’étalonner ou de vérifier les instruments inconnue qu’elles cherchent à quantifier.
de mesure pour qu’il en soit ainsi. En Comme chaque expérience compte, chaque
réalité, toutes les mesures sont fausses. mesure doit être à la hauteur des enjeux !
Delta Mu s’intéresse au Big Data sous un angle encore peu exploré. Cette PMI française
innovante a rassemblé 4 cas concrets qui illustrent le propos et, dans la perspective du Big
Data, vous inciteront probablement à la réflexion, et à l’action.
SMART
METROLOGY
by DELTA MU
CAS N°1
CAS N°1
Contexte :
- comparaison interlaboratoire sur machines tridimensionnelles
- 20 participants (prestataires en mesure et industriels)
Support de l’étude :
- Pièces de haute précision (dont des alésages de tolérance = 6 µm)
- 4 pièces issues d’un même lot d’un même process
SMART
METROLOGY
by DELTA MU
CAS N°1
L’analyse des données recueillies est formelle…
-1-
L’incertitude de mesure sur l’alésage est de l’ordre de ± 10 µm
1er constat :
CAS N°1
L’analyse des données recueillies est formelle…
-2-
- Les moyennes des 4 pièces sont proches, au milieu de la tolérance
- L’écart entre les 4 moyennes est très inférieure à l’incertitude
2e constat :
CAS N°1
Conclusion
CAS N°2
CAS N°2
Contexte :
Dans le cadre de la vérification de la qualité de ses productions de
vaccins, Sanofi Pasteur utilise de nombreuses micropipettes
vérifiées périodiquement.
CAS N°2
Méthode de vérification :
- Analyse des écarts entre le « volume mesuré » et « sa masse »
CAS N°2
L’analyse des données recueillies est formelle :
CAS N°3
CAS N°3
Contexte :
Une société spécialisée depuis plus de 20 ans dans le traitement
thermique de pièces métalliques.
CAS N°3
Méthode :
CAS N°3
L’analyse des données recueillies est formelle :
Maintenant, les choses sont claires, mais nous ne résistons pas à vous
soumettre un dernier exemple …
SMART
METROLOGY
by DELTA MU
CAS N°4
CAS N°4
Contexte :
Cette PMI française installée en région parisienne fabrique,
depuis des années, des pièces de caoutchouc intervenant dans le
Système de suspension des véhicules.
Le suivi de production mais aussi, et surtout, la satisfaction client démontrent une
maîtrise de la fabrication.
Ses clients lui demandent de s’assurer de la capabilité de
ses processus de mesure.
SMART
METROLOGY
by DELTA MU
CAS N°4
Méthode :
- Mesure de raideur (caractéristique fonctionnelle de la pièce qui
définit sa résistance à la déformation)
Remarque :
- Production à l’identique simple (tolérances larges par rapport à
la capacité des process de fabrication)
SMART
METROLOGY
by DELTA MU
CAS N°4
En revanche :
- la méthode de mesure de la raideur est complexe :
- la mise en œuvre est délicate (positionnement initial de la pièce)
- la réplication est difficile (pièce en caoutchouc)
CONCLUSION
Dans les exemples précédents, on a pu démontrer que les mesures
étaient moins fiables que les process de fabrication. La dispersion
des mesures est en effet souvent supérieure à celle des process.
Encore faut-il en avoir conscience, l’analyser et en tenir compte…
Tout ceci n’est ni étrange, ni exceptionnel pour une bonne raison :
toutes les mesures sont fausses car tous les facteurs qui
contribuent à leur obtention (moyens, main d’œuvre, milieu,
méthode, matière) sont imparfaits …
SMART
METROLOGY
by DELTA MU
CONCLUSION
CONCLUSION
CONCLUSION
Problème N°1 :
CONCLUSION
Problème N°2 :
Quelle peut être la fiabilité des règles « a posteriori » si ces dernières ne
reposent pas sur la réalité physique des phénomènes mais en partie sur
des incertitudes de mesure qui floutent les résultats ?
En effet, quelle confiance peut-on avoir sur des conclusions basées sur des
hypothèses de mesure « juste » alors que c’est précisément la mesure qui
peut amener la dispersion apparente ?
SMART
METROLOGY
by DELTA MU
EN RÉSUMÉ
Ces 4 exemples montrent qu’à l’heure du Big Data, l’assurance de la fiabilité
des mesures est un impératif.
Personne ne peut se permettre de remettre en cause la masse de
connaissances accumulées, à cause de mesures mal maitrisées. Des données
non fiables sont des données inutiles, voire néfastes. Elles ne sont pas
acceptables dans le contexte actuel de compétition internationale.
La dispersion apparente – donc mesurée – se compose de la réalité et des
erreurs de mesure. Elle est, de ce fait, d’autant moins représentative de la
réalité que les erreurs de mesure sont importantes…
SMART
METROLOGY
by DELTA MU
A TRÈS BIENTÔT
Contacts :
Delta Mu
bigdata@deltamu.fr www.mesuronsbienlebigdata.com
Tél. : 04 73 15 13 06 www.deltamu.fr