SMART

METROLOGY
by DELTA MU

BIG DATA ET MESURE INDUSTRIELLE

4 cas pour comprendre les enjeux
 SMART
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
que les mesures sont justes, qu’il suffit de
les analyser. D’autres croient qu’il suffit
d’étalonner ou de vérifier les instruments
de mesure pour qu’il en soit ainsi. En
réalité, toutes les mesures sont fausses.
A l’heure du big data, il devient impératif
de s’assurer de leur fiabilité, c’est à dire de
leur capacité à représenter la réalité
inconnue qu’elles cherchent à quantifier.
Comme chaque expérience compte, chaque
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

Même les machines à mesurer

tridimensionnelles
ne détiennent pas la vérité !
 SMART
METROLOGY
by DELTA MU

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 :

L’incertitude de mesure est trois fois plus grande que la tolérance.

 SMART
METROLOGY
by DELTA MU

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 :

Le process de fabrication est excellent

 SMART
METROLOGY
by DELTA MU

CAS N°1

Conclusion

Les pièces sont bonnes

mais les mesures peuvent laisser croire le contraire

Vous commencez à comprendre où nous voulons en venir ?

Intéressons nous à un autre exemple …
 SMART
METROLOGY
by DELTA MU

CAS N°2

Quand l’un des leaders mondiaux du vaccin découvre

que ses vérifications périodiques sont trompeuses
 SMART
METROLOGY
by DELTA MU

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.

Objectif attendu de la vérification périodique :

Écarter les micropipettes qui ne distribuent pas le volume souhaité
 SMART
METROLOGY
by DELTA MU

CAS N°2
Méthode de vérification :
- Analyse des écarts entre le « volume mesuré » et « sa masse »

Cette vérification est réalisée à l’aide de balances de précision,

mais elle met en jeu également d’autres facteurs,
notamment les opérateurs …
 SMART
METROLOGY
by DELTA MU

CAS N°2
L’analyse des données recueillies est formelle :

La dispersion des mesures est essentiellement due aux opérateurs,

et pas aux micropipettes …

La preuve : La dispersion des résultats est identique, quand on

considère les résultats obtenus sur une seule pipette et les résultats
obtenus avec toutes les pipettes !

Ici, c’est certain, vous commencez à comprendre la

question importante que nous souhaitons aborder.
Confirmons avec un nouvel exemple …
 SMART
METROLOGY
by DELTA MU

CAS N°3

Dur dur la trempe !!!

Ou une situation quotidienne dans le monde du
traitement thermique …
 SMART
METROLOGY
by DELTA MU

CAS N°3
Contexte :
Une société spécialisée depuis plus de 20 ans dans le traitement
thermique de pièces métalliques.

Ses principaux clients lui demandent de s’assurer de la capabilité

de ses processus de mesure, notamment au regard de la norme
FD ISO/TS 16949.
 SMART
METROLOGY
by DELTA MU

CAS N°3
Méthode :

- Mesure de la qualité de la production par échantillonnage

- Mesures réalisées sur les pièces, pour quantifier la dureté
obtenue une fois réalisé le process de trempe
 SMART
METROLOGY
by DELTA MU

CAS N°3
L’analyse des données recueillies est formelle :

Comme dans l’exemple précédent, la dispersion de répétabilité est

nettement supérieure (3 fois) à la dispersion de la production.

La preuve : il suffit de mesurer plusieurs fois la même pièce pour se

rendre compte que la dispersion des mesures est la même que lorsque
nous mesurons plusieurs pièces différentes.

Maintenant, les choses sont claires, mais nous ne résistons pas à vous
soumettre un dernier exemple …
 SMART
METROLOGY
by DELTA MU

CAS N°4

Et dire que mesurer semble simple…

 SMART
METROLOGY
by DELTA MU

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)

L’analyse des données recueillies est formelle :

La dispersion observée du process est comparable à la dispersion de
mesure étudiée

Nous y voilà ...

 SMART
METROLOGY
by DELTA MU

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

Dans le contexte actuel de l’industrie où les tolérances sont fixées

«  a priori  », le fait que les mesures dispersent plus que le process
n’est pas préjudiciable.

Nous vivons depuis longtemps avec…

 SMART
METROLOGY
by DELTA MU

CONCLUSION

Dans le monde du Big Data, les règles sont déterminées «  a

posteriori  ». Il s’agit de retrouver les conditions qui ont permis
d’obtenir la qualité attendue. Dans les cas évoqués ci-avant, le
constat de l’insuffisance de représentativité des données (ces
mesures ne matérialisent pas la réalité, elles dispersent trop, elles
ne sont pas assez fiables) pose deux problèmes :
 SMART
METROLOGY
by DELTA MU

CONCLUSION
Problème N°1 :

Puisque l’interprétation des résultats dépend essentiellement des

mesures, cette interprétation peut être très éloignée de la réalité du
phénomène étudié :

En effet, comment puis-je correctement conclure sur mes données si le

résultat dépend plus de la mesure que de la réalité de ma production ?
 SMART
METROLOGY
by DELTA MU

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

POUR ALLER PLUS LOIN

À l’heure du Big Data, découvrez la métrologie de process
Forte d’une compétence reconnue dans le domaine de l’évaluation de la qualité
et de la fiabilité des mesures, Delta Mu intervient à différents niveaux :
 
þ  évaluation sur site de la qualité des mesures, c’est-à-dire leur capacité à
représenter le plus fidèlement possible la grandeur recherchée ;
þ  préconisations en vue de l’amélioration de la qualité des mesures (si nécessaire) ;
þ  préconisations quant au maintien de la qualité des mesures dans le temps ;
þ  préconisations quant à la robustesse (ou compatibilité) des mesures en cas de
changement de capteurs.
  

Nos prestations : diagnostic/expertise sur site, rapport de préconisations,

développement de briques logicielles spécifiques, formation, …
 SMART
METROLOGY
by DELTA MU

A TRÈS BIENTÔT

À l’heure du Big Data, découvrez la smart metrology et

augmentez, grâce à la fiabilisation de vos mesures, la
connaissance de vos processus de production.

Vos données en sont la clé, elles doivent être fiables !

Contacts :  
Delta Mu
bigdata@deltamu.fr www.mesuronsbienlebigdata.com
Tél. : 04 73 15 13 06 www.deltamu.fr