Académique Documents
Professionnel Documents
Culture Documents
1
61
Jean-Michel Pou
0
33
www.afnor.org/editions
t:
tta
Laurent Leblond
Se
s-
ue
niq
ch
Préface de Didier Nordon
Te
et
es
nc
La Smart
cie
sS
de
lté
cu
:Fa
om
Metrology
x.c
rvo
ola
ch
1.s
uh
trologie des instru
mé me
la nts
De ...
...à
la mét ions
rologie des décis
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
57
1
0 61
33
t:
tta
Se
s-
ue
Les auteurs
niq
ch
Te
Jean-Michel Pou, président fondateur de la société Delta Mu, membre
et
es
de la commission AFNOR X07b « Métrologie », est aussi président du
nc
cie
cluster d’excellence Auvergne Efficience Industrielle. Son blog en ligne :
sS
http://www.smart-metrology.com. Antérieurement, il a été responsable
de
lté
d’accréditation COFRAC (Auvergne Qualité), directeur technique et com-
cu
:Fa
mercial (BEA Métrologie), directeur général délégué (A+Métrologie)
om
et président du GIE (groupement d’intérêt économique) Quantum Metwork.
x.c
rvo
Laurent Leblond, expert en Statistique Industrielle pour le Groupe PSA
ola
ch
à la direction Qualité, diplômé de l’École nationale de la statistique et
1.s
uh
de l’administration économique (ENSAE), a débuté sa carrière comme
ingénieur d’étude à l’Institut national de la santé et de la recherche médicale
(INSERM). Aujourd’hui, il réalise et déploie des référentiels appliqués
à la qualité, accompagne et conseille les métiers de la conception et de
la fabrication automobile en statistique industrielle dont la métrologie est
une composante d’application. Il est également expert auprès de la commis-
sion « Statistique » d’AFNOR et membre de la Société Française de Statis-
tique.
© AFNOR 2016
Couverture : création AFNOR Éditions – Crédit photo © 2016 Fotolia
ISBN 978-2-12-465545-8
Toute reproduction ou représentation intégrale ou partielle, par quelque procédé que ce soit, des pages
publiées dans le présent ouvrage, faite sans l’autorisation de l’éditeur est illicite et constitue une
contrefaçon. Seules sont autorisées, d’une part, les reproductions strictement réservées à l’usage privé du
copiste et non destinées à une utilisation collective et, d’autre part, les analyses et courtes citations
justifiées par le caractère scientifique ou d’information de l’œuvre dans laquelle elles sont incorporées (loi
du 1er juillet 1992, art. L 122-4 et L 122-5, et Code pénal, art. 425).
AFNOR – 11, rue Francis de Pressensé, 93571 La Plaine Saint-Denis Cedex
Tél. : + 33 (0) 1 41 62 80 00 – www.afnor.org/editions
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
Sommaire
ola
ch
1.s
uh
Préface................................................................................................... IX
Avant-propos......................................................................................... XIII
Remerciements..................................................................................... XV
Partie I
La métrologie ?
C’est quoi, au juste ?
1 Savoir d’où nous venons pour comprendre où nous sommes
– Quelques mots d’histoire de la métrologie............................ 3
1.1 Des mesures communes................................................................ 4
1.2 Une organisation internationale...................................................... 4
1.3 La métrologie légale : garantir la loyauté des mesures.................. 5
1.4 Métrologie industrielle..................................................................... 7
1.5 Métrologie industrielle et qualité..................................................... 8
2 Les mesures ne peuvent pas être justes !................................. 11
2.1 L’objet mesuré (ou la grandeur d’intérêt)......................................... 13
2.2 Les conditions environnementales.................................................. 15
2.3 Répétabilité et opérateurs............................................................... 19
2.4 L’étalon............................................................................................ 22
2.5 L’instrument..................................................................................... 24
2.6 D’autres sources d’incertitudes....................................................... 28
2.7 Incertitudes et modèle de mesure................................................... 28
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
3 Point de certitude ici-bas… où règne l’aléa !............................. 31
niq
ch
3.1 L’estimation des paramètres de la représentation
Te
et
d’un « phénomène prévisible »....................................................... 32
es
nc
3.2 Expression d’un « phénomène aléatoire »...................................... 37
cie
sS
3.3 La qualité des estimations............................................................... 46
de
lté
cu
3.4 La qualité des échantillons.............................................................. 52
:Fa
om
4 La métrologie : une intime de la statistique.............................. 57
x.c
rvo
4.1 L’approche « expérimentale »......................................................... 61
ola
ch
4.2 L’approche « analytique »............................................................... 68
1.s
uh
5 Bilan… d’incertitude..................................................................... 83
5.1 Quelques termes utiles du bilan des causes d’incertitude.............. 85
5.2 La propagation des incertitudes via un modèle de mesure............ 87
5.3 Les limites de l’approche probabiliste............................................. 94
Conclusion de la première partie........................................................ 97
Partie II
« – Les mesures ne sont pas justes.
– Très bien ! Mais que fait-on alors ! ? »
6 Le métrologue ne travaille pas pour les auditeurs !................. 101
7 La gestion d’un parc d’instruments de mesure
ou comment gagner le temps nécessaire pour faire
de la Smart Metrology !................................................................ 111
7.1 La périodicité d’étalonnage/vérification........................................... 113
7.2 Étalonnage/vérification versus surveillance.................................... 124
8 De l’inutilité apparente de l’incertitude de mesure................... 131
8.1 Norme AFNOR NF EN ISO 14253-1 :
comprendre pourquoi l’incertitude est ignorée................................ 132
8.2 Du tolérancement « au pire des cas »
au tolérancement quadratique........................................................ 134
8.3 La probable surperformance des procédés industriels.................. 137
8.4 Quelques mots sur les conséquences des incertitudes
en Recherche et développement.................................................... 140
VI
57
1
0 61
33
Sommaire
t:
tta
Se
s-
ue
9 La Smart Metrology au service du pilotage des procédés...... 143
niq
ch
9.1 Les principes pour juger de l’aptitude d’un procédé........................ 144
Te
et
9.2 Les cartes de contrôle..................................................................... 151
es
nc
cie
9.3 La Smart Metrology et la Maîtrise statistique des processus......... 153
sS
de
10 La Smart Metrology : métrologie des décisions....................... 157
lté
cu
:Fa
10.1 La norme AFNOR NF E 02-204 :
om
capabilité des processus de mesure et « partage » des risques...... 158
x.c
rvo
10.2 La norme AFNOR NF ISO/CEI GUIDE 98-4 :
ola
ch
incertitude de mesure et conformité............................................... 161
1.s
uh
10.3 Les « bandes de garde » :
réconcilier les concepts d’aptitude et de risque.............................. 164
10.4 Risque global, risque spécifique..................................................... 167
11 La Smart Metrology : métrologie (de l’usine) du futur.............. 171
11.1 Production industrielle et marketing commercial :
un (des) point(s) commun(s) ?......................................................... 172
11.2 Un aperçu du data mining (fouille de données) par Élodie............. 174
12 Smart Metrology et ISO 9001 version 2015................................ 183
Conclusion – La métrologie pourrait de nouveau changer le monde :
pour cela, elle doit changer de monde !............................................. 191
Postface – Lettre ouverte
aux auditrices et auditeurs tierce partie............................................ 195
Bibliographie......................................................................................... 201
VII
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
Préface
ola
ch
1.s
uh
Erreur propitiatoire
Einstein jouait du violon. Mais jouait-il bien ? Les témoignages divergent. Il s’en
trouve selon lesquels il n’avait pas le sens du rythme. « Monsieur Einstein,
votre temps est très relatif », lui fut-il dit un jour. Ce mot est trop beau pour
qu’on se risque à en vérifier l’authenticité. Einstein était un physicien fâché
avec la mesure !
t:
tta
Se
s-
ue
en mesure, je ne fais pas honte à ma profession. Hélas pour ma défense,
niq
ch
ce raisonnement est vicié. Les mathématiques n’échappent pas au sort
Te
commun : il leur arrive d’être dans le flou, de manier des objets dont elles ont
et
es
une appréhension lacunaire et qu’elles ne peuvent pas serrer d’aussi près
nc
cie
qu’elles serrent un triangle. Elles ont là affaire à l’incertitude. Pour en évaluer
sS
de
l’ampleur (et pour d’autres raisons), il leur faut établir une notion de mesure
lté
qui leur soit appropriée. La tâche est tellement délicate que plusieurs théories
cu
:Fa
se disputent les faveurs des mathématiciens. Lors de mes études, je fus
om
x.c
initié à la « mesure de Lebesgue ». Voici, entre autres, ce qu’on m’a révélé.
rvo
La mesure d’un ensemble est un nombre réel positif. Elle peut, le cas échéant,
ola
ch
être égale à plus l’infini. Elle peut aussi être nulle : bien qu’il contienne
1.s
uh
une infinité d’éléments, l’ensemble des nombres entiers a une mesure égale
à zéro. Certains résultats sont vrais « presque partout », c’est-à-dire partout
sauf peut-être sur un ensemble de mesure nulle… Je suis assez loin des
mathématiques, désormais, pour percevoir combien des considérations
pareilles peuvent sembler loufoques. Éternel problème des mots. Le mot
« mesure » est-il le même pour un mathématicien, pour un métrologue ou
pour un joueur de pétanque qui détermine avec un bout de ficelle quelle boule
est la plus proche du cochonnet ? La réponse, je crois, est à la fois « oui »
et « non ». L’idée de départ est bien la même pour tous. Mais, poussées par
leurs besoins spécifiques, les mathématiques font bifurquer le sens du mot au
point que l’entendement courant finit par ne plus le reconnaître. La métrologie
élabore des procédures dont l’extrême technicité est sans proportion avec
l’arbitrage d’un litige à la pétanque.
X
57
1
0 61
33
Préface
t:
tta
Se
s-
ue
le dieu cruel qui exige au moins une erreur dans chaque livre. Grâce à quoi,
niq
ch
le corps de l’ouvrage proprement dit se présente sous de meilleurs auspices :
Te
il n’y a plus rien d’impossible à ce qu’il soit vierge de toute erreur, lui.
et
es
nc
cie
Didier Nordon
sS
de
Site : http://www.didiernordon.org/
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
XI
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
Avant-propos
ola
ch
1.s
uh
Cet ouvrage a pour objet de partager ce qui, pour nous, auteurs, paraît une
évidence : bien que la métrologie, cette science de la mesure, fasse l’objet
de beaucoup de discussions – essentiellement dans le cadre des systèmes
Qualité des entreprises – il semble qu’elle n’ait pas encore trouvé sa véritable
place dans les organisations industrielles. Ce livre a ainsi pour ambition
de partager, avec la communauté des métrologues actifs ou en devenir –
et plus généralement avec toutes les personnes concernées par les
mesures – une vision de cette discipline à la hauteur des enjeux d’un avenir
encore à inventer. À cette échéance, dont le terme nous est inconnu,
les mesures seront omniprésentes et l’exploitation que nous en ferons devra
être réalisée en toute connaissance des potentialités qu’elles offrent.
La première partie de cet ouvrage est consacrée à une description de
la métrologie en général et des raisons pour lesquelles elle nous paraît
si mal comprise, si mal utilisée et surtout si mal exploitée. C’est dans une
seconde partie que nous exposerons les évolutions qui nous semblent
souhaitables dans le cadre d’une approche rénovée de la mesure.
Ce sujet est si vaste qu’il n’est pas possible, en un seul ouvrage, d’aborder
dans le détail tous les aspects qu’il faudrait néanmoins comprendre et
maîtriser pour devenir un « Smart Métrologue ». Nous avons donc fait le choix
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
de décrire l’essentiel de chacun des principes et des concepts nécessaires
niq
ch
puis de renvoyer le lecteur vers une littérature choisie pour approfondir
Te
chaque sujet spécifique. Le lecteur constatera que notre ouvrage comporte
et
es
de nombreux renvois vers des notes de bas de page. Il peut d’ailleurs être
nc
cie
lu et les concepts compris sans les lire, mais ces notes nous permettent
sS
de
d’apporter des précisions que nous jugeons indispensables à qui souhaite
lté
explorer davantage ce domaine.
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
XIV
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
Remerciements
ola
ch
1.s
uh
Nous tenons à remercier très chaleureusement Didier Nordon qui nous a fait
l’honneur, avec son style inimitable, de préfacer cet ouvrage. Nous souhai-
tions surtout que cette préface invite le lecteur, par un trait d’intelligence et
d’humour décalé, à entamer ce livre dans un esprit critique parce qu’en toute
chose (presque) sérieuse, il faut savoir garder la mesure ! Nous ne pouvions
espérer mieux.
Un grand merci à Olec Kovalevsky qui nous a fait bénéficier de son talent
de qualiticien en rédigeant le dernier chapitre. Sa contribution témoigne
d’une éthique professionnelle qu’il partage avec nous et qui s’appuie sur
la créativité et la responsabilité de chacun pour la sauvegarde de tous.
Nous adressons également notre immense gratitude à Christine Silvand
et Catherine Dô-duc pour leurs inestimables corrections du manuscrit.
La lecture de cet ouvrage s’en trouve nettement améliorée.
Pour finir, il faut rendre hommage à celui sans lequel rien n’aurait été possible.
Il a présidé à nos existences, à nos trajectoires professionnelles et à notre
rencontre. Le lecteur aura compris que les auteurs lui vouent une certaine
forme d’admiration, presque une dévotion. Chacun aura reconnu, dans cette
courte description, celui auquel nous devons tant : le hasard ! Et puisqu’il est
également au cœur de la Smart Metrology, il méritait bien cet hommage.
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
Partie I
ola
ch
1.s
uh
La métrologie ?
C’est quoi, au juste ?
t:
tta
Se
s-
ue
faisait ce constat au cours du Xe Congrès International de Métrologie en 2001
niq
ch
à Saint-Louis (68). Par cette remarque, il signifiait que la perception que nous
Te
avons de la mesure date de notre prime enfance et qu’elle est acquise de
et
es
façon quasi inconsciente. En effet, nous entendons chaque jour ou presque,
nc
cie
et depuis toujours, des résultats de mesures. Celles-ci sont exprimées par
sS
de
une valeur unique, donc implicitement juste. Dès lors, tout comme l’enfant
lté
connaît la vis et l’écrou par leur fonction, et non par leur technologie très
cu
:Fa
compliquée, il connaît la mesure par sa fonction mais non par sa technologie,
om
x.c
elle aussi très compliquée.
rvo
ola
Cette première partie a pour objet d’analyser, à partir de l’histoire de la mesure,
ch
1.s
la manière dont elle est perçue et de donner les éléments « techniques » pour
uh
comprendre ce qu’est un résultat de mesure. Nous montrerons ainsi à quel
point notre intuition est éloignée de la réalité.
2
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
1
ola
ch
1.s
uh
Savoir d’où nous venons
pour comprendre
où nous sommes
Quelques mots d’histoire
de la métrologie
t:
tta
Se
s-
ue
1.1 Des mesures communes
niq
ch
Te
et
À la veille de la Révolution française, le peuple faisait connaître, dans
es
nc
les cahiers de doléances, sa volonté de voir enfin émerger « un poids et
cie
une mesure ». L’histoire prête, même s’il y a débat, à Charles Maurice
sS
de
de Talleyrand-Périgord, évêque d’Autun puis homme politique, le principe
lté
cu
fondateur d’un système d’unités devant être partagé par l’ensemble de
:Fa
la communauté savante et des peuples : « considérant […] que le seul
om
x.c
moyen d’étendre cette uniformité aux nations étrangères, et de les engager
rvo
ola
à convenir d’un même système de mesure, est de choisir une unité qui,
ch
dans une détermination, ne renferme rien ni d’arbitraire ni de particulier
1.s
uh
à la formation d’aucun peuple sur le globe ». Une fois ce principe accepté,
et après de nombreux débats, la première définition du mètre2 a été votée
le 26 mars 1791 par l’Assemblée constituante. Le mètre est alors défini comme
« la grandeur du quart du méridien terrestre, pour base du nouveau système
de mesure ». Le système métrique décimal est ensuite institué le 18 germinal
an III (7 avril 1795) par la loi « relative aux poids et mesures ».
Une fois la définition adoptée, il a fallu la « matérialiser ». Sept ans environ
seront nécessaires pour connaître enfin la longueur de ce nouveau « mètre »
en « mesurant » la distance entre Dunkerque et Barcelone.
4
57
1
0 61
33
Savoir d’où nous venons pour comprendre où nous sommes...
t:
tta
Se
s-
ue
déterminations métrologiques fondamentales et prend des résolutions
niq
ch
scientifiques de portée internationale dans le domaine de la métrologie
Te
(science des mesures et ses applications) ainsi que des décisions impor-
et
es
tantes concernant l’organisation, le développement du BIPM et sa dotation.
nc
cie
sS
Le BIPM est chargé5 :
de
►► « d’établir et de maintenir des étalons de référence appropriés, utilisés
lté
cu
pour conduire, au plus haut niveau métrologique, un nombre limité
:Fa
om
de comparaisons clés internationales ;
x.c
►► de coordonner les comparaisons internationales des étalons de mesure
rvo
ola
nationaux par l’intermédiaire des Comités consultatifs du Comité
ch
1.s
international des poids et mesures, en jouant le rôle de laboratoire pilote
uh
pour certaines comparaisons considérées prioritaires et en menant
les travaux scientifiques requis pour ce faire ;
►► de proposer certains services d’étalonnage aux États membres ;
►► de coordonner des activités entre les laboratoires nationaux de métrologie
des États membres, notamment par l’intermédiaire de l’arrangement
de reconnaissance mutuelle du CIPM6 et de leur fournir des services
techniques afin de soutenir leur travail ;
►► de collaborer, selon les besoins, avec d’autres organisations inter-
gouvernementales et organismes internationaux, directement ou par
l’intermédiaire de comités communs ;
►► d’organiser des réunions scientifiques visant à identifier les évolutions
futures du système mondial de mesure qui seront nécessaires pour
répondre aux exigences actuelles et à venir en matière de mesures dans
l’industrie, les sciences et la société ;
►► d’informer, par le biais de publications et de réunions, la communauté
scientifique, le grand public et les décideurs sur les questions liées à
la métrologie et à ses avantages. »
5
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
échanges commerciaux (« un poids et une mesure »). Le 3 novembre 1801,
niq
ch
un décret rend légal le système métrique en France. Un corps d’inspecteurs
Te
des Poids et mesures est créé. Le 4 juillet 1837, une loi promulguée par
et
es
Louis Philippe interdit, sous peine de sanctions (art. 479 du Code Pénal),
nc
cie
l’utilisation d’autres unités que celles définies par la loi du 18 germinal An III.
sS
de
Cette loi entre en vigueur le 1er janvier 1840, date à laquelle le corps des
lté
inspecteurs de 1801 est transformé en un corps officiel des vérificateurs
cu
:Fa
des poids et mesures, fonctionnaires assermentés chargés de lutter
om
x.c
efficacement contre la fraude.
rvo
ola
Ces vérificateurs des Poids et mesures peuvent dresser des procès-verbaux
ch
1.s
en dehors de la présence d’un magistrat. Lesdits procès-verbaux sont ensuite
uh
transmis au juge de paix dans le cas de l’usage de faux poids ou au tribunal
correctionnel dans le cas d’usage d’instruments faux7.
L’ordonnance du 16 juin 1839 fixe par exemple les limites d’acceptation
des erreurs des balances8 : ces limites servent de base à la déclaration
de conformité desdites balances. Dans le cadre de sa mission qui consiste
à garantir la loyauté des échanges commerciaux (et puisque l’usage des
instruments concernés est connu « à l’avance »), le Service des poids
et mesures9 peut appliquer des limites d’erreurs maximales identiques sur
tout le territoire. L’étalonnage, dans ce cadre, n’est qu’une étape intermé-
diaire qui permet de définir les erreurs de l’instrument afin de les comparer
aux limites acceptables pour déclarer sa conformité (ou procéder à son
ajustage voire à sa réforme), ce qui importe finalement aux marchands et
aux consommateurs.
6
57
1
0 61
33
Savoir d’où nous venons pour comprendre où nous sommes...
t:
tta
Se
s-
ue
de vérification, et d’une périodicité fixée par décret. Il est important de
niq
ch
préciser ici que cette stratégie n’est pas uniquement française. L’Organi-
Te
sation internationale de la métrologie légale (OIML) joue en quelque sorte
et
es
le même rôle que le BIPM, mais dans le monde de la métrologie légale.
nc
cie
L’OIML propose notamment des modèles de réglementation pour les
sS
de
différentes catégories d’instruments de mesure. Les États membres prennent
lté
l’engagement moral de mettre ces modèles en application autant que
cu
:Fa
possible.
om
x.c
Le succès du BNM et, avant lui, de toutes les instances qui se sont chargées
rvo
ola
de rassurer le consommateur depuis 1837, est éclatant. À l’inverse d’il y a
ch
1.s
plus de 200 ans, plus personne, de nos jours, ne se tracasse « du poids
uh
et de la mesure », si ce n’est au sens figuré. Du fait de ce succès, et dans
notre mémoire collective, le doute sur les mesures a totalement disparu.
Les notions « d’instrument conforme » et de « mesure juste » apparais-
sent « associées ». Le besoin exprimé par le peuple (« Un poids et une
mesure ») est donc satisfait.
7
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
Dans le cadre industriel, la question de la mesure est beaucoup plus
niq
ch
complexe. Comme nous le verrons par la suite, et contrairement à la per-
Te
ception inconsciente que nous avons évoquée précédemment (« un poids
et
es
et une mesure »), les mesures ne peuvent pas être justes et les étalonnages
nc
cie
périodiques ne changent rien à cette fatalité. La seule prise en compte des
sS
de
étalonnages pour envisager la qualité des mesures est une réflexion aussi
lté
stupide que le fait de croire qu’en voiture, il suffit d’avoir de bonnes plaquettes
cu
:Fa
pour bien freiner !
om
x.c
rvo
ola
1.5 Métrologie industrielle et qualité
ch
1.s
uh
Malgré des démarches entamées dans les années 1980 par le BNM afin
de sensibiliser les industriels à cette discipline, il faut bien admettre que
le véritable essor de cette dernière, ou plutôt le succès des prestations
d’étalonnage, est essentiellement dû à l’avènement des référentiels qualité,
la série des normes « ISO 9000 » en tête.
Aujourd’hui encore, si le besoin technique de maîtrise de la mesure est
rarement ressenti11 comme essentiel par les industriels, il leur faut, pour
déclarer la conformité aux référentiels, prouver au minimum qu’ils ont bien
étalonné leurs instruments. Si chacun peut constater que le raccordement12
est devenu une pratique acceptée, l’évaluation des incertitudes de mesure
n’en est, quant à elle, qu’à ses débuts. La difficulté conceptuelle13 et
la difficulté mathématique n’ont pas aidé à faire accepter ce besoin, tant
du côté des industriels que de celui des auditeurs14. Il est en effet plus simple
de s’assurer que le moyen a été vérifié15 que d’évaluer la pertinence d’un
calcul d’incertitude !
Pour les vérifications, et faute de décret, les industriels s’appuient la plu-
part du temps sur des normes forcément généralistes pour s’assurer
de la conformité de leurs instruments. Dans certains domaines (l’électricité
notamment), les spécifications « constructeur » servent ainsi de base à
11 Tout se passe, en effet, pour les industriels comme pour les consommateurs : les mesures
sont apparemment justes.
12 Il s’agit de la traçabilité métrologique, c’est-à-dire la propriété d’un résultat de mesure
selon laquelle ce résultat peut être relié à une référence par l’intermédiaire d’une chaîne
ininterrompue et documentée d’étalonnages.
13 On a mis des années, à partir de 1837, pour oublier les erreurs de mesure dans notre vie
de consommateur.
14 Ceci est d’autant plus vrai que tout le monde se passe de ces calculs d’incertitudes depuis
toujours.
15 Il suffit de consulter un document et de regarder une étiquette.
8
57
1
0 61
33
Savoir d’où nous venons pour comprendre où nous sommes...
t:
tta
Se
s-
ue
la déclaration de conformité. Sachant que l’incertitude de mesure finale
niq
ch
dépend en grande partie de composantes propres aux conditions d’utilisation
Te
(et strictement indépendantes des caractéristiques intrinsèques du moyen),
et
es
une telle stratégie (norme ou spécification) ne peut pas être satisfaisante
nc
cie
du point de vue technique.
sS
de
En revanche, on se satisfait de la sécurité « inconsciente et séculaire »
lté
cu
associée au mot « conforme », résultante d’une simple vérification
:Fa
om
de l’instrument. Les normes sont trop généralistes pour être universelles.
x.c
Elles décrivent les erreurs que la technologie de tel ou tel instrument peut
rvo
ola
générer et la façon de les déterminer. Cependant, elles ne peuvent en aucun
ch
1.s
cas fixer une limite16 cohérente avec tous les usages. Il en va de même pour
uh
les spécifications « constructeur » qui représentent l’engagement du fabricant
mais ne présument en rien de l’incertitude qui s’exprimera finalement
à l’utilisation du moyen.
Ces dernières années, les métrologues, conscients du caractère insatisfaisant
de ces usages, ont pu observer que la quantification des incertitudes de
mesure (et pas uniquement des erreurs de l’instrument) est une question
récurrente mais également une pratique qui devient progressivement
incontournable. Cette nouvelle orientation, plus technique, vise à adapter une
stratégie à la réalité de l’entreprise et ne pourra que valoriser le travail des
métrologues. Aussi, et plutôt que d’obtenir un simple tampon de conformité,
les métrologues devront exprimer et justifier un besoin spécifique qui manque
à ce jour.
16 Les normes françaises donnent encore des limites, notamment dans le domaine de la métro-
logie dimensionnelle, alors qu’une norme internationale (ISO 14978:2006, Spécification
géométrique des produits (GPS) – Concepts et exigences généraux pour les équipements
de mesure GPS) s’y oppose.
9
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
ch
niq
ue
s-
Se
tta
t: 33
0 61
1 57
57
1
0 61
33
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
2
ola
ch
1.s
uh
Les mesures
ne peuvent pas être justes !
Malgré l’idée que nous nous en faisons, les mesures ne peuvent pas être
justes. Il n’est pas nécessaire d’avoir fait de longues études en mécanique
pour convenir, par exemple, que la longueur d’une pièce en aluminium est
une propriété qui ne signifie rien par elle-même. En effet, cette longueur
dépend directement de la température d’observation17. De ce fait, exprimer
cette longueur sans fixer la température reviendrait à exprimer, par exemple,
une distance par rapport à un lieu sans point d’origine. Ce simple constat
physique et accepté par tout le monde permet de rappeler ce qui devrait être
une évidence : la mesure n’est pas juste car il est tout simplement impossible
de mesurer « juste », c’est-à-dire en maîtrisant toutes les influences.
Pour rester sur l’exemple de la dilatation, la mesure est quotidiennement
réalisée dans des conditions industrielles, voire de laboratoire, alors que
lesdites conditions ne peuvent pas être parfaites18. Cette incertitude sur les
17 Il s’agit de la dilatation des matériaux. La longueur est une fonction linéaire de la température
dans une plage donnée, eu égard à la taille et au coefficient de dilatation de la matière
concernée suivant la formule Lθ = Lθref × (1 + λ × θ) où λ représente le coefficient de dilatation
du matériau et θ la température d’observation.
18 Même si ces conditions étaient en réalité parfaites, nous ne le saurions pas, puisqu’il nous
faut les mesurer pour les connaître…
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
conditions de la mesure entraîne une incertitude sur le résultat de la mesure.
niq
ch
Cette réalité, qui heurte nos croyances, n’a pas été – en général – suffisam-
Te
ment prise en compte par l’industrie. Cette dernière s’est organisée comme
et
es
si les mesures étaient justes. Elle s’impose ainsi des exigences qui ne sont
nc
cie
pas nécessairement l’expression d’un besoin réel. Aussi, les résultats actuels
sS
de
étant souvent probants19, l’industrie se prive potentiellement de sources
lté
importantes de gains, tant en termes de productivité que de consommation
cu
:Fa
de matières premières et d’énergie. Croire que l’on mesure « juste », c’est
om
x.c
aussi croire qu’on a fonctionnellement besoin de « tant » alors qu’on pourrait
rvo
peut-être se contenter de « moins ». Autrement dit, la question que pose
ola
ch
la non-prise en compte de l’incertitude de la mesure est la suivante : les pro-
1.s
uh
duits qui fonctionnent aujourd’hui sont-ils des produits qui « sur-fonctionnent »,
donc qui coûtent trop cher ?
L’obtention d’un résultat de mesure relève d’un processus faisant intervenir
plusieurs facteurs, notamment le mesurande20 lui-même mais aussi
l’environnement de la mesure, l’opérateur, l’instrument, la méthode de mesure,
etc. Comme tous les processus industriels, le résultat d’une mesure varie
du fait des inévitables variations (ou imperfections) de chacun des facteurs
qui participe à l’obtention d’une mesure (voir figure 2.1).
12
57
1
0 61
33
Les mesures ne peuvent pas être justes !
t:
tta
Se
s-
ue
Chacun des facteurs apporte sa nécessaire contribution à l’obtention
niq
ch
du résultat mais aussi ses propres imperfections. Ni l’objet mesuré, ni l’opé-
Te
rateur, ni les conditions de mesure ne sont parfaits et le résultat obtenu ne
et
es
peut donc pas l’être lui non plus. Nous aborderons l’évaluation des imper-
nc
cie
fections des facteurs et de l’imperfection globale qui en résulte au chapitre
sS
de
suivant (chapitre 3 « Point de certitude ici-bas… où règne l’aléa ! »). Il faut
lté
d’abord se convaincre des imperfections de chaque contributeur (facteur)
cu
:Fa
et de leur nature.
om
x.c
rvo
ola
2.1 L’objet mesuré (ou la grandeur d’intérêt)
ch
1.s
uh
Si on vous demande de mesurer la température d’une pièce, vous allez être
immédiatement confronté à une difficulté qui vous paraîtra probablement
évidente pour cet exemple mais qui est la même quel que soit le type
de mesure à réaliser : la température d’une pièce n’étant pas physiquement
homogène21, le résultat de la mesure varie en fonction de l’endroit où le
thermomètre est placé. Si la température, en un point donné de la pièce,
est ce qu’elle est, elle n’est pas identique en tout point de ladite pièce.
De surcroît, il est probable qu’elle varie au cours du temps. Le résultat de
la mesure a donc un caractère aléatoire, dû à l’inhomogénéité de la tempé-
rature réelle dans un volume donné et à l’instant où la mesure est réalisée.
Ce phénomène, facilement compréhensible ici, se produit pour tout type
de mesure. Pour prendre un autre exemple explicite, la mesure d’une
concentration en éthanol d’une solution quelconque sera impactée
par l’inhomogénéité de la solution et dépendra, elle aussi, de la localisation
du prélèvement. Évidemment, plus la solution sera homogène, moins
l’effet « prélèvement » sera perceptible mais, la perfection n’existant pas,
cet effet sera bel et bien présent et ce, dans toutes les mesures.
Plus surprenant peut-être pour les esprits habitués aux certitudes, les pro-
blèmes de ce type se rencontrent également dans le monde des pièces
mécaniques. Quoi de plus simple en effet que d’imaginer un alésage22
comme un cercle défini par un centre (localisé quelque part sur une pièce)
et un diamètre ? Nous avons tous appris les propriétés du cercle à l’école et
cela ne nous pose donc aucun problème de visualisation. Malheureusement,
un cercle théorique reste un objet mathématique impossible à réaliser
21 Puisque l’air chaud est plus léger que l’air froid, il monte naturellement, ce qui crée un
gradient de température entre le sol et le plafond.
22 Un trou rond pour les non-initiés.
13
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
physiquement. S’il est possible de fabriquer des pièces qui sont très proches
niq
ch
d’un cercle, ce ne sont pas pour autant des cercles au sens théorique
Te
du terme (voir figure 2.2).
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
Figure 2.2 Théorie versus réalité : cas d’un alésage
23 Ce qui n’est, là encore, qu’une hypothèse théorique, compte tenu du fait de l’influence de
la température au moment de l’observation et éventuellement de bien d’autres facteurs.
24 Il existe de nos jours des technologies, le scanning par exemple, qui permettent de mieux
appréhender « la réalité » de la pièce mais elles ont également leurs propres limites.
25 Ou, dans la collection française des normes AFNOR : la norme AFNOR NF ISO/CEI
GUIDE 99:2011, Vocabulaire international de métrologie – Concepts fondamentaux et
généraux et termes associés (VIM).
14
57
1
0 61
33
Les mesures ne peuvent pas être justes !
t:
tta
Se
s-
ue
ci-après) dans sa dernière édition, définition qui invite à réfléchir à ce phé-
niq
ch
nomène pour tout processus de mesure :
Te
et
« 2.27 – Incertitude définitionnelle, f : composante de l’incertitude de mesure
es
nc
qui résulte de la quantité finie de détails dans la définition d’un mesurande.
cie
sS
NOTE 1 : l’incertitude définitionnelle est l’incertitude minimale que l’on peut
de
lté
obtenir en pratique par tout mesurage d’un mesurande donné.
cu
:Fa
NOTE 2 : toute modification des détails descriptifs conduit à une autre
om
x.c
incertitude définitionnelle.
rvo
ola
NOTE 3 : dans le GUM26:1995, D.3.4, et dans la CEI 6035927, le concept
ch
1.s
d’incertitude définitionnelle est appelé "incertitude intrinsèque". »
uh
Pour finir sur ce thème de l’objet lui-même, il convient de signaler la problé-
matique des essais et notamment des essais destructifs. S’il est intéressant
de savoir qu’une voiture d’un type donné a passé avec succès l’épreuve
du crash-test, il faut également noter que le véhicule utilisé dans ce cadre
ne sera jamais sur les routes. Or, c’est pourtant bien la capacité de toutes
les voitures du type donné à résister à ce test que nous cherchons à évaluer
et pas uniquement celle du véhicule testé. Il en est ainsi pour quasiment
tous les essais, quel que soit leur type. L’incertitude définitionnelle doit donc
être considérée pour une production globale dont quelques échantillons
seulement sont mesurés.
15
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
Dans un environnement industriel, la température ne peut pas être main-
niq
ch
tenue à strictement 20 °C en permanence. Les mesures deviennent alors
Te
aléatoires du fait du caractère aléatoire de la température, même si ce dernier
et
es
paramètre peut être contenu à l’aide notamment d’un système de climatisation.
nc
cie
Il est important de prendre conscience que cette température apporte de
sS
la dispersion (puisqu’elle n’est pas constante), mais également un biais
de
lté
si elle n’est pas en moyenne égale à la température de référence.
cu
:Fa
Ce point est important à retenir : au-delà des aspects environnementaux,
om
x.c
tous les facteurs participant au processus de mesure peuvent potentiellement
rvo
apporter des dispersions (effets aléatoires) mais aussi des biais (effets
ola
ch
systématiques). Ces deux phénomènes, dispersion et biais, seront analysés
1.s
uh
en détail dans le chapitre suivant (chapitre 3 « Point de certitude ici-bas…
où règne l’aléa ! »). Avant d’aborder ces derniers avec des formules,
il est essentiel de bien comprendre ce dont il est question. Les profils
de température (voir figures 2.3 et 2.4 ci-après) montrent des dispersions
identiques mais, dans le cas de l’environnement décrit par la figure 2.4,
le biais sur la température apportera une source d’incertitude supplémen-
taire dans le processus.
La température n’est pas le seul facteur environnemental susceptible
d’influencer les processus de mesure. Il n’est pas possible de faire la liste
de tous les comportements de l’ensemble des objets mesurables par rapport
aux paramètres du milieu dans lequel ils sont mesurés. Nombre d’entre
eux sont d’ailleurs certainement inconnus. Néanmoins, quelques exemples
classiques peuvent être cités.
Dans la mesure de masses, il faut tenir compte de la poussée d’Archimède.
Celle-ci est liée à la masse volumique de l’air ambiant30 (qui dépend de
la température et de l’humidité) mais également à l’accélération locale de la
pesanteur31 puisqu’il s’agit en fait de la mesure d’une force. Si les paramètres
« température et humidité » sont ici des phénomènes aléatoires, l’accélération
locale ne l’est pas car elle reste constante en un lieu donné32. On retrouve donc
un phénomène (la poussée d’Archimède) dont la participation dans l’incertitude
globale de mesure est composée d’effets aléatoires et systématiques.
Dans le cas des pièces plastiques, mais également des « papiers et cartons »,
l’humidité ambiante (comme la température) peut modifier les caractéris-
tiques dimensionnelles.
16
57
1
0 61
33
Les mesures ne peuvent pas être justes !
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
17
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
niq
ch
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
18
57
1
0 61
33
Les mesures ne peuvent pas être justes !
t:
tta
Se
s-
ue
Pour finir sur un exemple moins traditionnel, certains résultats d’essais
niq
ch
peuvent être influencés par la luminosité ambiante. Lorsqu’il s’agit de noter
Te
le niveau d’usure d’un spécimen33 par comparaison à des « usures types »,
et
es
la lumière ambiante, au moment de la comparaison, peut impacter le résultat
nc
cie
de mesure suivant son intensité.
sS
de
lté
C’est probablement dans ce domaine des causes environnementales
cu
:Fa
(température, humidité, accélération, environnement électromagnétique,
om
luminosité, etc.) que l’expertise du métrologue, au sens de l’homme
x.c
rvo
qui fait les mesures, est probablement la plus importante. En effet,
ola
et même s’il ne sait pas toujours l’exprimer de façon théorique, le praticien
ch
1.s
a remarqué que tel ou tel paramètre influence son résultat de mesure.
uh
Une recherche bibliographique sérieuse permettra généralement de recueillir
des informations précieuses quant aux lois de comportement de la grandeur
d’intérêt compte tenu des facteurs incriminés. Si cette bibliographie n’est
pas disponible, il sera inévitable, soit de modéliser le comportement34, soit de
quantifier la dispersion possible du résultat liée aux conditions de mesure35.
33 Certains essais cherchent à quantifier la résistance à l’abrasion d’un revêtement (les par-
quets mélaminés par exemple).
34 Ce qui nécessite d’effectuer des plans d’expérience. Pour plus d’informations, on pourra
consulter l’ouvrage de Walter Tinsson, Mathématiques & applications 67 – Plans d’expérience :
constructions et analyses statistiques, Springer-Verlag Berlin, Heidelberg Gmbh (2010).
35 Ce qui suppose également des expériences à réaliser dans des conditions plus souples
que les plans d’expérience et avec des traitements mathématiques plus simples mais moins
informatifs.
36 Exemple des mesures de couple ou des pipetages.
19
57
1
0 61
33
La Smart Metrology
t:
tta
Se
s-
ue
Cet effet, que le VIM appelle la répétabilité de mesure (voir les définitions
niq
ch
ci-après) est inhérent à tous les processus de mesure, tout comme la disper-
Te
sion des impacts d’un tireur d’élite est inévitable malgré un entraînement
et
es
intensif. Il s’agit en quelque sorte d’un bruit de mesure que seule une
nc
cie
résolution37 de l’instrument de mesure trop importante peut masquer :
sS
de
lté
« 2.21 – Répétabilité de mesure, f : fidélité de mesure selon un ensemble
cu
:Fa
de conditions de répétabilité.
om
x.c
2.15 – Fidélité de mesure, f : étroitesse de l’accord entre les indications ou
rvo
les valeurs mesurées obtenues par des mesurages répétés du même objet
ola
ch
ou d’objets similaires dans des conditions spécifiées.
1.s
uh
2.20 – Condition de répétabilité, f : condition de mesurage dans un en-
semble de conditions qui comprennent la même procédure de mesure,
les mêmes opérateurs, le même système de mesure, les mêmes conditions
de fonctionnement et le même lieu, ainsi que des mesurages répétés sur
le même objet ou des objets similaires pendant une courte période de temps. »
20
Les mesures ne peuvent pas être justes !
34
88
3:8
57
11
06
33
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
38 Attention également au fait que la répétabilité de mesure n’est pas liée qu’à l’opérateur.
1.s
21
La Smart Metrology
34
ne permet pas de bien appréhender ce phénomène.
88
3:8
Dans le monde automobile, ces études dites « R&R40 » sont d’ailleurs
57
11
quasiment imposées par le référentiel FD ISO/TS 1694941. Depuis longtemps,
06
33
les constructeurs américains ont intégré cette qualification des processus
at:
ett
de mesure, notamment dans le cadre de la mise en œuvre de la Maîtrise
-S
statistique des processus (MSP). Même si la R&R ne suffit pas à quantifier es
iqu
2.4 L’étalon
lté
cu
:Fa
om
Toute mesure est par nature une comparaison. Cette réalité s’exprime dans
x.c
rvo
40 Répétabilité et reproductibilité.
41 FD ISO/TS 16949:2009, Systèmes de management de la qualité – Exigences particulières
pour l’application de l’ISO 9001:2008 pour la production de série et de pièces de rechange
dans l’industrie automobile.
42 Sous réserve que d’autres causes trop influentes ne soient pas présentes dans le processus
de mesure et faussent cette conclusion.
22
Les mesures ne peuvent pas être justes !
ou 23 fois la valeur de 1 °C. La base de toute mesure est donc l’unité dans
laquelle elle est donnée et cette unité doit être universellement partagée pour
assurer la comparaison des résultats. Il suffit d’imaginer un monde dans
lequel les unités de mesure physique seraient aussi diverses que les unités
monétaires pour appréhender les difficultés insurmontables auxquelles
nous serions tous exposés.
34
88
logy institute), structure technique essentielle dans chaque pays membre
3:8
du BIPM, est justement d’être en mesure d’assurer le raccordement
57
11
des étalons, des instruments de mesure et des matériaux de référence
06
33
aux définitions des unités du SI. Ces laboratoires nationaux de métrologie
at:
ett
participent à « l’arrangement de reconnaissance mutuelle » du CIPM qui est
la structure permettant de démontrer l’équivalence internationale de leurs -S
es
iqu
qu’ils émettent.
et
es
nc
dans une unité du SI. Les laboratoires primaires sont, dans chaque pays,
:Fa
43 On comprend aisément que malgré tous leurs efforts, Mechain et Delambre – les deux
astronomes chargés d’évaluer la valeur du mètre à partir de la mesure d’un bout de méridien
terrestre situé entre Dunkerque et Barcelone – n’aient pas réussi, après sept ans de travail,
à déterminer cette valeur sans la moindre erreur… (lire par exemple Le Mètre du monde par
Denis Guedj, Points, 2011).
23
La Smart Metrology
2.5 L’instrument
L’instrument est le facteur le plus souvent perçu comme cause d’incertitude.
La métrologie légale l’a mis au centre du processus de mesure car, dans
le cadre de l’exigence de loyauté, il était le seul à pouvoir être adminis-
trativement maîtrisé. Son étalonnage44 et sa vérification45 font partie du
quotidien du métrologue industriel46, par mimétisme avec la métrologie
légale, sans parfois que ce concept soit réellement compris.
34
88
3:8
57
11
06
33
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
45 La vérification consiste à s’assurer que les écarts obtenus lors de l’étalonnage restent
inférieurs à des limites, souvent appelées Erreur maximale tolérée (EMT). La vérification
est donc une action qui impose un étalonnage préalable. Certaines vérifications peuvent
néanmoins être faites sans étalonnage, par exemple la vérification de bagues filetées
à l’aide de tampons filetés rapporteurs.
46 Notamment depuis l’avènement des référentiels qualité.
24
Les mesures ne peuvent pas être justes !
34
88
3:8
57
11
06
33
at:
ett
-S
es
iqu
c hn
Te
« entachée » par cet écart auquel s’additionne une erreur aléatoire. Aussi,
om
x.c
à la nième graduation, l’erreur cumulée est égale à la somme des erreurs des
rvo
47 Qui représente la différence entre la valeur réalisée et la valeur théorique par rapport à
la valeur théorique. Nous parlons ici de « courbe de réponse » plutôt que de « courbe
d’étalonnage ». Il s’agit du comportement de l’instrument en dehors de toute incertitude.
Dans une courbe d’étalonnage, beaucoup d’autres facteurs interviennent (répétabilité,
conditions d’étalonnage, etc.) et perturbent la courbe de réponse.
25
La Smart Metrology
0,2
Courbe de réponse
0,1
0,05
0
-0,01 0 0,01 0,02 0,03 0,04 0 20 40 60 80 100 120
Répartition de l'erreur pour une graduation Valeur théorique
0,006
Courbe de réponse
réalisée et valeur théorique
0,004
Différence entre valeur
0,002
0
-0,002
-0,004
-0,006
-0,01 0 0,01 0,02 0,03 0,04 0 20 40 60 80 100 120
Répartition de l'erreur pour une graduation Valeur théorique
34
88
3:8
57
Figure 2.9 Exemple de répartitions et de courbes de réponse
11
selon deux erreurs systématiques différentes49
06
33
at:
ett
Pour l’exemple, nous avons envisagé dans la figure 2.9 le cas simple d’erreur
systématique linéaire. Il est cependant possible de rencontrer beaucoup -S
es
iqu
en une première étape une relation entre les valeurs et les incertitudes
om
x.c
rvo
48 Qui serait en œuvre si toutes les graduations étaient égales à la graduation moyenne,
ola
49 Dans cet exemple, la « valeur visée » (quantification) vaut 0,01 et la dispersion (écart-type)
1.s
vaut 0,005.
uh
26
Les mesures ne peuvent pas être justes !
de mesure associées qui sont fournies par des étalons et les indications
correspondantes avec les incertitudes associées, puis utilise en une seconde
étape cette information pour établir une relation permettant d’obtenir un
résultat de mesure à partir d’une indication.
34
des « erreurs de position des graduations51 ». La technologie de certains
88
instruments induit d’autres types d’erreurs. On peut citer par exemple
5:8
89
des erreurs d’hystérésis pour certains moyens (comparateur mécanique,
28
02
manomètres, etc.), d’homogénéité (enceinte climatique, bain thermostaté)
34
at:
ou encore de géométrie (parallélisme des faces de micromètres ou des becs
ett
-S
de mesure des pieds à coulisse). iqu
es
S’il est important de les lire pour connaître l’état d’avancement des réflexions
ola
ch
51 Les termes consacrés sont plutôt « erreur de justesse » ou « erreur d’indication » mais nous
avons vu que ces écarts sont composés de deux types d’erreur (biais et dispersion) qui ne
peuvent pas être englobés dans un seul terme tel qu’on le fait classiquement pour simplifier.
27
La Smart Metrology
34
88
Les évolutions technologiques en matière de mesure – notamment pour ce
5:8
89
qui concerne la partie « traitement numérique du signal » qui est de plus
28
02
en plus présente dans les nouveaux moyens de mesure – sont une source,
34
parmi d’autres, d’incertitude spécifique. Il est en effet difficile, voire
at:
ett
impossible, d’avoir accès aux codes de calculs qui traitent l’information
-S
es
mesurée physiquement pour énoncer les valeurs recherchées. L’exemple des
iqu
hn
« n » points palpés par la machine et, par conséquent, quelle est l’incertitude
es
nc
cie
52 Potentiel d’hydrogène.
28
Les mesures ne peuvent pas être justes !
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
53 Même si certaines approximations sont faites dans la méthode la plus utilisée et qu’elles
amènent donc aussi leur part d’incertitude sur le résultat final.
29
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
3
Point de certitude ici-bas…
où règne l’aléa !
34
88
5:8
89
28
02
34
at:
ett
-S
es
Pour chacun des facteurs qui participent à la réalisation d’une mesure,
iqu
que le dé ne soit pas pipé, que la probabilité (la chance) d’obtenir une
des valeurs réalisables (1, 2, 3, 4, 5 ou 6) est identique pour chacune
d’elles et à chaque lancer. On a une chance sur six que l’une ou l’autre
des valeurs possibles se réalise.
34
88
données échantillonnées des connaissances sur une population parente54.
5:8
Moins connue mais essentielle, cette seconde partie est dite « statistique
89
28
inférentielle ». Elle consiste à étudier les informations décrites dans la
02
34
perspective de les étendre à un domaine de validité non exploré direc-
at:
ett
tement55 en bénéficiant, si possible, d’une maîtrise des risques encourus.
-S
es
iqu
hn
de la représentation
nc
cie
met en rapport une grandeur de sortie (ce qui est étudié) avec des gran-
x.c
rvo
54 On parlera de « population parente » pour désigner la population dont les échantillons qui
sont à disposition de l’analyste sont supposés extraits.
55 Lorsqu’on calcule une moyenne ou un écart-type sur un échantillon d’une population
parente, on pratique une « inférence statistique ».
56 Il s’agit ici d’une traduction minimaliste d’un « principe de causalité déterministe ».
32
Point de certitude ici-bas… où règne l’aléa !
Notons que :
►► représente la température réelle (inconnue) au moment de la
mesure ;
►► représente la température de référence (fixée à 20 °C pour
les mesures dimensionnelles) ;
►► représente le coefficient de dilatation linéaire du matériau de
la pièce. C’est un paramètre de la relation précédente liant les variables
« température » et « longueur ». Ce coefficient est connu pour un grand
nombre de matériaux. Il peut être déterminé pour un matériau donné
dans le cadre d’un essai relativement simple (mesure d’une longueur
à différentes températures).
34
Bien que ces relations soient le plus souvent explicitées sur la base de
88
5:8
considérations physiques, il existe une méthode empirique pour les établir,
89
nommée « plans d’expériences57 ».
28
02
34
at:
La plus connue des techniques d’inférence utilisées pour la détermination
ett
-S
de paramètres inconnus est la « méthode de régression par moindres
es
carrés58 ». Simple en apparence et notamment disponible sur Excel,
iqu
hn
permet de spécifier le type d’ajustement aux données le plus adéquat. La thématique des
1.s
plans d’expériences est largement traitée dans différents ouvrages (voir par exemple :
uh
33
La Smart Metrology
Le graphique réalisé sur Excel (voir figure 3.1) permet de visualiser ces don-
nées et d’ajouter une « courbe de tendance » qui quantifie la relation linéaire
par un simple « clic droit ». Le coefficient directeur de cette droite59 exprime
en principe la valeur recherchée : .
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
Nous sommes ici dans le cadre le plus simple de cette méthode, celui des
de
estimation des paramètres, qu’il n’y ait pas d’incertitude sur X (la température
x.c
indépendantes sur Y (la longueur)60. Même si nous n’évoquons pas encore ici
ch
34
Point de certitude ici-bas… où règne l’aléa !
34
incertitudes sur les valeurs mesurées de densité optique (Y) soient ici
88
5:8
beaucoup plus faibles que les incertitudes sur les concentrations des solutions
89
28
(X) servant à faire l’étalonnage (voir tableau 3.2 et figure 3.2). Par ailleurs,
02
34
le lecteur comprendra que « l’erreur64 » sur la concentration de la solution
at:
ett
« mère » initiale s’est « propagée » dans les calculs faits pour déterminer
les concentrations des solutions « filles ». De ce fait, au moins, les incertitudes -S
es
iqu
10 % 0,0212 0,0021 70 2
lté
cu
30 % 0,0636 0,0064 90 2
:Fa
om
x.c
rvo
61 En revanche, leur indépendance est beaucoup plus discutable, ce qui n’est pas sans
ola
conséquence. Le résultat exposé ci-dessus n’est pas satisfaisant parce que les valeurs
ch
mesurées n’étant pas parfaites, le résultat ne peut pas être parfait non plus. La méthode
1.s
MCO prévoit notamment d’estimer l’incertitude sur les paramètres du modèle et plus
uh
35
La Smart Metrology
34
88
5:8
89
28
Figure 3.2 Représentation graphique des résultats du tableau 3.2
02
34
at:
ett
Les conditions d’utilisation de la méthode MCO ne sont ici plus du tout
-S
es
respectées. Le polynôme obtenu n’est par conséquent pas représentatif
iqu
hn
polynôme d’ordre 2 comme c’est le cas ici, il n’est pas rare de faire le calcul
et
es
exprimée dans le sens dont l’utilisateur final a besoin. Dans le cas d’une telle
de
lté
même si elle peut parfois rendre service (sous réserve de bien maîtriser
la pertinence des approximations réalisées). Il existe néanmoins une méthode
36
Point de certitude ici-bas… où règne l’aléa !
b2 b1 b0
Valeur 1986,6 498,65 55,68
Incertitude-type 1005,15 218,98 9,83
34
88
5:8
3.2 Expression d’un « phénomène aléatoire »
89
28
02
34
at:
La description d’un phénomène aléatoire est forcément plus complexe que
ett
-S
celle d’un phénomène prévisible puisqu’il n’est pas possible de savoir quelle es
sera la valeur du phénomène au regard des grandeurs d’entrée, ladite valeur
iqu
hn
66 Le lecteur trouvera toutes les informations nécessaires à sa mise en œuvre dans l’article
« Generalised Gauss-Markov regression », Alistair B. Forbes, Peter M. Harris et Ian M. Smith,
in Algorithms For Approximation IV – Proceedings of the 2001 International Symposium.
67 Les valeurs obtenues ont d’autant moins de chances d’être identiques que « n » est grand.
37
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
38
Point de certitude ici-bas… où règne l’aléa !
Dans le cas d’un lancer de dé, une réalisation de la variable aléatoire « résultat
du lancer d’un dé » est, par exemple, « 2 ». L’ensemble des valeurs réali-
sables que peut prendre une variable aléatoire est dit « support » de cette
variable.
34
fonction mathématique, dite « densité », à partir de laquelle il est possible
88
5:8
de calculer la probabilité qu’une valeur observée soit comprise entre
89
28
deux valeurs limites définies. Par exemple, imaginons un phénomène aléatoire
02
34
variant uniformément entre - 5 et + 5. Rechercher la probabilité d’obtenir une
at:
valeur comprise entre - 3 et + 1,5 revient à calculer le ratio entre la surface
ett
-S
du rectangle blanc et la surface de la totalité du rectangle (qui vaut 1 par es
iqu
69 Une variable aléatoire X n’a rien d’aléatoire en soit : c’est un nom donné à un objet
sS
mathématique qui permet de qualifier un événement, par exemple « obtenir 6 » (id est
de
« X = 6 ») dans le cas du lancer d’un dé. La qualification « d’aléatoire » est liée au fait que
lté
l’information manipulée est une loi de probabilité des événements que la variable permet
cu
:Fa
d’exprimer. Pour parler de la loi de probabilité spécifiée d’une variable aléatoire, on dit que
om
70 Dans ce cas particulier, on parle également de loi discrète car ce phénomène ne peut
rvo
prendre qu’un ensemble de valeurs que l’on peut compter. Il n’y aura jamais de valeur égale
ola
à 2,35 ou 5,72. Un exemple classique de loi discrète est celui des valeurs obtenues avec
ch
donner que des valeurs avec deux chiffres derrière la virgule. Il n’indiquera jamais 1,213 mm
uh
par exemple.
71 La probabilité recherchée est : P(X[-3;+1,5]) = 45%. L’expression de cette probabilité
est simple parce que la représentation de la loi de probabilité est un rectangle et que
les surfaces rectangulaires se calculent aisément. Pour d’autres lois, le calcul s’effectue via
des intégrales dont se charge l’ordinateur. Ce n’est donc pas le calcul qui importe, aussi
compliqué soit-il, mais davantage le fait de comprendre son principe.
39
La Smart Metrology
-5 -3 0 1,5 5
Figure 3.4 Exemple de calcul d’une probabilité pour une loi uniforme continue
34
88
possibles du phénomène aléatoire. En effet, une moyenne de 3,25 ou
5:8
de 3,5 ne permet pas de dire que les valeurs qui ont permis de la calculer
89
28
peuvent, unitairement, varier entre 1 et 6. Il en va de même lorsqu’on mesure
02
34
une production. La moyenne de quelques pièces ne donne pas d’information
at:
ett
sur un caractère important des phénomènes aléatoires, celui de la dispersion.
L’indicateur statistique qui donne une telle information s’appelle l’écart-type72. -S
es
iqu
hn
72 Ce mot laisse souvent un mauvais souvenir car il est synonyme, pour beaucoup, d’une
x.c
formule à l’apparence compliquée dont l’aspect théorique n’est que peu ou pas compris.
rvo
Rappelons utilement que, de nos jours, la formule de l’écart-type se résume par exemple,
ola
à « ECARTYPE(…) » sur Excel. L’apparente difficulté mathématique n’est donc plus une
ch
excuse…
1.s
uh
73 Il existe d’autres paramètres de position dont le plus connu est la médiane. Il s’agit
de la valeur qui sépare en deux ensembles d’effectifs égaux un ensemble de valeurs
(par exemple le salaire médian des Français représente le salaire en dessous duquel
la moitié des salariés français est rémunérée, l’autre moitié gagnant plus). Le mode qui,
lorsqu’il existe, est la valeur la plus fréquente réalisée est souvent donné comme un exemple
de paramètre de position. Dans le cas du lancer d’un dé, il n’y a pas de mode, toutes les
valeurs ayant la même chance de se produire.
40
Point de certitude ici-bas… où règne l’aléa !
34
88
de « loi normale », « loi de Gauss » ou encore « loi de Laplace-Gauss ».
5:8
89
La popularité de cette loi tient à un théorème énonçant qu’un phénomène
28
02
aléatoire qui additionne un grand nombre de phénomènes aléatoires
34
at:
indépendants de même loi, se distribue approximativement suivant une
ett
-S
loi normale (dans l’exemple précédent, il s’agissait d’une somme de lois iqu
es
uniformes).
c hn
Te
74 Pour des raisons calculatoires, la dispersion a pu être quantifiée, par le passé, par l’étendue
et
es
des valeurs observées. Cette pratique ne donne pas une bonne estimation de la dispersion
nc
de la population parente. Par ailleurs, rien ne garantit d’avoir eu la chance, dans l’échantillon
cie
observé, de trouver la plus petite et la plus grande des valeurs possibles. Dans l’exemple
sS
donné de quatre lancers d’un dé, l’étendue apparente va de deux à cinq alors que nous
de
savons que la réalité va de un à six. Cette ancienne pratique doit être proscrite tant que
lté
cu
75 Cette expérience nous permet d’introduire une propriété importante des probabilités. Lorsque
om
nous considérons des événements indépendants (ici, le cas du lancer des trois dés)
x.c
la probabilité que l’événement A se produise ET que l’événement B se produise est égale aux
rvo
que l’événement B se produise est égale à la somme des probabilités. Ainsi, l’événement
ch
1.s
« somme des faces égale 3 » suppose que les trois dés produisent ensemble un 1 (1 ET 1
uh
ET 1). De ce fait, la probabilité de faire « 3 » est égale à 1/6 × 1/6 × 1/6 = 1/216. Pour faire
« 4 », il existe trois décompositions possibles (2+1+1 OU 1+2+1 OU 1+1+2), la probabilité
est donc égale à 1/216 pour la première décomposition plus 1/216 pour la deuxième plus
1/216 pour la troisième, soit une probabilité de produire un « 4 » égale à 3/216. Le lecteur
comprendra que pour « 10 », « 11 » ou « 12 », il existe beaucoup plus de décompositions
que pour « 17 » ou « 18 ». Ainsi, la figure 3.5 représente en ordonnée le nombre de façons
de réaliser un total indiqué en abscisse rapporté à 216.
41
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
Or, les phénomènes que nous observons s’expliquent souvent par le mélange
x.c
étudiée.
uh
Elle est caractérisée par deux quantités : m qui est une moyenne théorique
qualifiant sa « position » et s un écart-type théorique qui qualifie son
« étalement », paramètres que l’on observerait dans l’exemple précédent
avec une infinité de lancers (voir figure 3.6 ci-après).
42
Point de certitude ici-bas… où règne l’aléa !
Loi normale
34,135 % 34,135 %
13,59 % 13,59 %
2,14 % 2,14 %
m − 3s m − 2s m −s m m +s m + 2s m + 3s
68,27%
95,45%
99,73%
34
88
Figure 3.6 Propriétés de la loi normale
5:8
89
28
Un intervalle de dispersion de probabilité connue ne peut pas toujours être
02
34
calculé à l’aide de la moyenne et de l’écart-type théorique76. Un tel intervalle
at:
ett
est intimement lié à la forme de loi de probabilité parente.
-S
es
iqu
76 Ces notions théoriques correspondent aux moyennes et écarts types que l’on obtiendrait
hn
s’il était possible de connaître la population parente exhaustivement. Ces notions ne sont
c
Te
pas à confondre avec les moyennes et écarts types calculés à partir d’un échantillon
et
qui sont qualifiés de moyennes et écarts types expérimentaux parce que portant sur
es
nc
un échantillon.
cie
Par convention, nous utilisons les lettres majuscules scriptes (N par exemple) pour désigner
sS
une loi de probabilité. Lorsqu’une telle loi dépend de paramètres, lesdits paramètres sont
de
associés à des lettres, entre parenthèses (N(µ,σ) par exemple). En général, la lettre utilisée
lté
cu
Une variable aléatoire est, en général, désignée par une lettre majuscule de l’alphabet
latin (X, Y, etc.) et une réalisation de cette variable par la minuscule correspondante
ola
ch
(x, y, etc.). Très souvent en métrologie, nous ferons appel à des « erreurs » qui se réalisent
1.s
au moment d’une mesure. La lettre minuscule consacrée est alors souvent « e ». Si nous
uh
sommes en présence de plusieurs réalisations, chacune d’elles est indicée par son « rang »,
par exemple « e1 », « e2 », « en », etc. pour une série de « n » réalisations.
Pour en finir avec les conventions, les lettres grecques minuscules (par exemple µ, σ)
sont réservées aux valeurs vraies des paramètres d’une loi de probabilité. Lorsque nous
évoquons les estimations de ces valeurs (quantités expérimentales), nous utilisons des
lettres minuscules spécifiques.
43
La Smart Metrology
34
que les moyennes expérimentales et les écarts types expérimentaux varient
88
5:8
avec les échantillons alors que m et s sont constants. C’est ce que l’on nomme
89
la fluctuation d’échantillonnage d’un phénomène aléatoire. Nous verrons
28
02
à de nombreuses reprises que la simulation numérique est un outil précieux
34
at:
pour le métrologue.
ett
-S
es
Le lecteur ayant intégré la différence entre « réalité » et « observation
iqu
hn
d’une dispersion. Cette erreur consiste à calculer une étendue des valeurs
nc
cie
L’une des questions qui est posée dans l’estimation d’une dispersion
lté
cu
est d’avoir une idée de l’intervalle réel dans lequel les réalisations du
:Fa
om
44
Point de certitude ici-bas… où règne l’aléa !
+ 3 écart-type
– 3 écart-type
Expérience
Écart-type
Maximum
Minimum
Moyenne
Moyenne
Moyenne
Étendue
1 2 3 4 5 6 7 8 9 10
34
88
5 17,3 5 16 8 24 3,4 31,2 19 19 12 24 17 19 17 22 16 8
5:8
89
6 16,9 3 9 12 21 9,4 24,4 18 14 17 12 17 19 21 18 16 17
28
02
7 17,1 4 11 12 23 4,3 29,9 23 15 21 23 15 20 16 12 13 13
34
at:
8 20,3 3 9 16 25 10,3 30,3 19 25 17 20 16 24 18 21 25 18
ett
-S
Moyenne
es
17,8 3,6 11,6 12,1 23,8 6,9 28,7
iqu
chn
Te
et
(en moyenne sur les huit expériences) entre 6,9 (au lieu de 5) et 28,7 (au lieu
de
et 23,8. Il est donc clair que l’écart-type expérimental, même s’il n’est pas
:Fa
om
parfait, est un outil plus puissant que l’étendue pour estimer, sur la base
x.c
rvo
45
La Smart Metrology
3.3.1 L’écart-type
34
88
Dans un monde idéal, il suffirait de deux valeurs pour déterminer l’estimation
5:8
89
d’un écart-type théorique. Nul besoin de réaliser une grande expérience
28
02
pour imaginer que la valeur de l’écart-type expérimental obtenue sur la base
34
at:
de deux valeurs ne peut pas être d’une très grande qualité pour estimer
ett
-S
l’écart-type théorique. Elle est très dépendante du hasard, c’est-à-dire des es
échantillons sélectionnés. Intuitivement, on comprend aisément que plus
iqu
hn
n’est pas du goût des statisticiens, puisqu’il est en effet « biaisé ». Dès lors,
de
non seulement l’estimation d’un écart-type théorique est d’autant moins fiable
lté
cu
que l’effectif d’échantillon est faible, mais en plus cette estimation est en
:Fa
78 Le carré de l’écart-type est dit variance. La variance théorique d’une somme de phénomènes
aléatoires quelconques mais indépendants est donc la somme des variances théoriques
de ces phénomènes.
79 Loi parente normale signifie que la distribution des valeurs de laquelle les échantillons sont
issus est une loi normale.
46
Point de certitude ici-bas… où règne l’aléa !
34
88
5:8
89
28
02
34
at:
ett
-S
Figure 3.7 Qualité d’estimation d’un écart-type théorique es
iqu
Il est donc nécessaire, pour aboutir à une estimation fiable, d’avoir un échan-
es
nc
Cela signifie qu’il y a peu de chance qu’un échantillon qui relève du phénomène
ola
La longueur d’un tel intervalle est d’autant plus petite que l’effectif d’échantillon
uh
est important.
47
La Smart Metrology
3.3.2 La moyenne
Pour la moyenne, l’effectif de l’échantillon impacte également sa qualité
34
d’estimation. Dans la même expérience de simulation que précédemment,
88
5:8
pour observer un éventuel biais, on peut regarder l’évolution de la différence
89
28
entre la moyenne théorique et les moyennes expérimentales moyennées sur
02
34
l’ensemble des échantillons82. Par ailleurs, comme précédemment, le rapport
at:
entre la dispersion des moyennes expérimentales et l’écart-type théorique
ett
-S
qualifie la fiabilité de l’estimation de la moyenne théorique83 (voir figure 3.8 es
iqu
ci-après).
c hn
Te
expérimental s :
sS
de
lté
cu
:Fa
est un coefficient dit fractile d’une loi de Student à n - 1 degrés de liberté qui est
rvo
ola
sous Excel. Cet intervalle reste valable lorsque n est grand (supérieur à 30 en
uh
pratique) même lorsque l’échantillon n’est pas issu d’une loi parente normale.
82 Cette différence doit être de 0 pour qu’il n’y ait pas de biais.
83 Là encore, ces quantités ne dépendent pas du choix de la moyenne et de l’écart-type
théoriques de la loi parente normale.
48
Point de certitude ici-bas… où règne l’aléa !
34
88
ou écart-type ici). Les valeurs numériques que nous manipulons ne sont pas
5:8
des valeurs « vraies ». Elles ne sont que des valeurs plus ou moins proches de
89
28
la réalité. Aussi, pour comparer la moyenne de deux échantillons différents,
02
34
il ne suffit pas de le faire algébriquement84. Deux moyennes expérimentales
at:
ett
apparemment différentes peuvent en effet être deux estimations de la même
-S
es
moyenne théorique. De même, deux écarts types expérimentaux différents
iqu
fait des échantillons. Les comparaisons entre estimations doivent donc être
et
3.3.3 La covariance
de
lté
cu
pendance entre les phénomènes n’est pas totale, ce qui induit des compor-
rvo
ola
tements particuliers. Imaginons, par exemple, que lors d’un lancer de trois dés
ch
1.s
84 C’est-à-dire comparer avec un simple signe « > » ou « < » les valeurs expérimentales.
uh
85 Ces tests sont, pour les moyennes, le test dit de « Student » ou encore « Test T » et
pour les écarts types, le test dit de « Fisher-Snédécor » ou « Test F ». Ces tests sont
développés par exemple dans les fiches pratiques des Techniques de l’ingénieur intitulées
« Des bonnes pratiques en laboratoire à l’accréditation – Les outils statistiques qu’il faut
connaître et comprendre en métrologie », Leblond Laurent, Pou Jean-Michel et al., Techniques
de l’ingénieur.
49
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
50
Point de certitude ici-bas… où règne l’aléa !
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
51
La Smart Metrology
En pratique cependant, il est rare que les variables à disposition soient tota-
lement indépendantes. Il faut alors en tenir compte pour ne pas fausser
totalement les résultats, ce qui complexifie les analyses mais qui est
une condition indispensable à la robustesse des décisions qui en résultent.
34
88
5:8
L’effectif de l’échantillon n’est pas la seule problématique qui altère l’évalua-
89
tion des paramètres des lois parentes. La qualité des données disponibles,
28
02
et notamment leur caractère réellement aléatoire, est un facteur essentiel
34
at:
dont il faut s’assurer avant de faire les calculs.
ett
-S
es
La moindre erreur dans l’acquisition ou la retranscription d’une valeur peut
iqu
hn
52
Point de certitude ici-bas… où règne l’aléa !
34
88
2 0,00029475 2,62
5:8
89
3 0,00023836 - 0,25
28
02
4 0,00023529 - 0,40
34
at:
5 0,0002235 - 1,00
ett
-S
6 0,00024415 0,05 iqu
es
7 0,00024048 - 0,14
c hn
8 0,00022896 - 0,72
Te
et
9 0,00024984 0,34
es
nc
10 0,0002331 - 0,51
cie
sS
87 Les tests de Mandel, Cochran (pour les écarts types) ou Grubbs (pour une ou deux valeurs
rvo
à la norme AFNOR NF ISO 5725 (Parties 1 à 6, Exactitude (justesse et fidélité) des résultats
ch
le lecteur pourra consulter l’article « Critical values of Mandel’s h and k, the Grubbs and
uh
the Cochran test statistic », Wilrich Peter T, in Advances in Statistical Analysis, 2013.
88 Nous parlerons également de valeurs « surreprésentées ». Par exemple, un yam de « 6 »
dans un lancer de cinq dés (id est les cinq dés tombent en même temps sur la même valeur
« 6 ») est assez improbable mais n’est pas aberrant. En revanche, dans un échantillon de
dix lancers de cinq dès, une valeur égale à « 30 » va forcément perturber les estimations
de la moyenne et de l’écart-type théoriques.
53
La Smart Metrology
Dans l’exemple du tableau 3.5, la seule lecture des valeurs ne permet pas
de détecter le fait que la deuxième est possiblement « surreprésentée ».
La normalisation des valeurs permet en revanche de voir qu’il y a peut-être
un souci sur celle-ci et donc de s’interroger sur le fait de la conserver ou non
pour évaluer la moyenne et l’écart-type.
Que ce soit dans ce contexte ou dans un autre, il est important de retenir que
ce ne sont pas les calculs et les tests qui décident de garder ou pas telle ou
telle valeur. Les tests permettent d’identifier des valeurs (ou des situations)
douteuses mais il revient seulement à l’analyste averti de statuer. De même,
la décision de garder ou de rejeter une valeur ne relève pas des compétences
d’un algorithme. La connaissance de la « physique » du phénomène observé,
et donc de la cohérence des données disponibles, est une composante
essentielle pour prendre de bonnes décisions qui relèvent naturellement,
elles, de la responsabilité de l’analyste.
34
Comme nous l’avons vu précédemment, tous les phénomènes ne sont pas
88
5:8
aléatoires. Il n’est notamment pas rare que des effets prévisibles se glissent
89
28
dans des données supposées parfaitement aléatoires. Il convient d’effectuer
02
34
un test dit « d’homogénéité » qui cherche à vérifier le fait qu’une série ne
at:
présente pas de caractère non aléatoire.
ett
-S
es
Le test dit de « Von Neumann » est l’un de ces tests. Pour un échantillon
iqu
hn
cule ainsi :
et
es
nc
cie
avec
sS
de
lté
cu
:Fa
pour contenir (1 - a) %
ola
des valeurs. Cette limite est déterminée par la syntaxe suivante sous Excel :
uh
54
Point de certitude ici-bas… où règne l’aléa !
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
Dans cet exemple, il est aisé de comprendre la raison d’une telle non-
de
linéaire.
:Fa
om
x.c
rvo
ola
ch
1.s
uh
55
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
4
La métrologie :
une intime de la statistique
34
88
5:8
89
28
02
34
at:
ett
-S
Les développements qui précèdent trouvent toute leur pertinence au regard iqu
es
de la description d’un processus de mesure. Lors d’un mesurage, de nom-
hn
breux facteurs sont en effet mis en jeu (voir le chapitre 2 « Les mesures ne
c
Te
peuvent pas être justes ! »), ils sont souvent aléatoires (Quelle température
et
es
etc.).
:Fa
om
Dans les faits, on considère souvent qu’une valeur mesurée est le résultat
x.c
34
88
de mesure » :
5:8
89
« 2.9 – Résultat de mesure, m : ensemble de valeurs attribuées à un
28
02
mesurande, complété par toute autre information pertinente disponible.
34
at:
ett
NOTE 1 : un résultat de mesure contient généralement des informations
-S
pertinentes sur l’ensemble de valeurs, certaines pouvant être plus repré- es
iqu
Les métrologues ont, pour leur part, l’habitude de faire plus souvent référence
nc
cie
de probabilité » est bien plus pertinente pour décrire la réalité d’un mesurage :
ch
1.s
uh
58
La métrologie : une intime de la statistique
34
l’incertitude de mesure est associée à une valeur déterminée attribuée au
88
5:8
mesurande. Une modification de cette valeur entraîne une modification
89
28
de l’incertitude associée. »
02
34
Dans l’équation posée en début de ce chapitre, la somme des termes
at:
ett
d’erreurs est donc la réalisation d’une variable aléatoire Eglobal qui,
-S
es
par hypothèse, suit une loi approximativement normale90 de paramètres :
iqu
c hn
Te
et
es
nc
cie
sS
de
ignoré : la valeur mesurée vmes est une réalisation de la variable aléatoire Vmes
rvo
ola
et, en ce sens, elle n’a aucune raison d’être la valeur la plus probable que
ch
1.s
90 On considère ici que les conditions qui s’imposent pour que l’approximation normale soit
vérifiée sont réunies (indépendance des erreurs élémentaires et écart-type de chacune des
erreurs environ du même ordre).
59
La Smart Metrology
(voir figure 4.1) est une très mauvaise représentation dont nous verrons
que les conséquences ne sont absolument pas neutres.
34
88
une réalité qui s’impose pour que les décisions réalisées à partir de mesu-
5:8
89
res soient pertinentes.
28
02
34
Dans notre monde « citoyen », l’adéquation entre l’incertitude de mesure
at:
ett
et les risques liés à l’utilisation du résultat de la mesure est garantie par
l’État via les services de la Sous-direction de la métrologie légale. -S
es
iqu
hn
adéquation ne peut pas relever d’une unique stratégie contenue dans une
de
lté
norme et fonctionnant pour tous. Les enjeux ne sont en effet pas les mêmes
cu
:Fa
60
La métrologie : une intime de la statistique
34
méthode purement expérimentale, il faut se mettre en situation de pouvoir
88
5:8
faire varier les facteurs du processus de mesure92. Ceci impose de réaliser
89
la mesure dans des contextes différents. En modifiant le contexte,
28
02
il est également possible de changer les opérateurs, les conditions
34
at:
environnementales, les instruments utilisés, la mise en œuvre, etc. Si l’on
ett
-S
peut, dès lors, espérer que la dispersion des résultats ainsi obtenus est iqu
es
représentative de l’effet cumulé de tous les facteurs, il reste encore une
hn
92 Évidemment, selon l’expérience menée, il est rare que tous les facteurs aient l’occasion
de
d’exprimer une variation. Il est utile d’introduire ici les concepts d’opportunités de variations
lté
cu
H.O. et L.O. des facteurs d’un processus de mesure. Si de nombreux facteurs du processus
:Fa
est démonstratif à cet égard. La valeur vraie d’un g local ne pourra jamais être connue
rvo
parfaitement car elle relève d’une mesure. Il y a donc inévitablement une erreur entre
ola
la valeur vraie de cette accélération et sa valeur mesurée localement. Cette erreur est
ch
1.s
inconnue mais on sait qu’elle ne varie pas entre des mesures réalisées en un même lieu.
uh
Ce facteur est un facteur L.O. pour le processus de mesure. Nous retrouvons ce type de
comportement pour d’autres facteurs. Imaginons un environnement qui impacte, du fait
de la température, un processus de mesure. Si la température peut disperser au cours
du temps (elle est donc aléatoire), il est peu probable qu’elle ait l’opportunité de varier
beaucoup entre deux mesures consécutives sur un temps bref. Elle a donc un caractère L.O.
dans le cadre de ces deux mesures. La répétabilité en revanche est un facteur purement
H.O. C’est d’ailleurs, en quelque sorte, sa définition.
61
La Smart Metrology
34
88
aux laboratoires (voir tableau 4.1 ci-après).
5:8
89
Afin d’énoncer un résultat, nous ne nous sommes pas contentés ici de cal-
28
02
culer une moyenne et un écart-type mais nous avons également déterminé
34
at:
des intervalles de confiance94 associés. Nous constatons que l’hypothèse
ett
-S
« biais = 0 » est acceptable dans la mesure où « 0 » fait partie de l’intervalle es
de confiance95. Pour l’écart-type, il est d’usage de retenir la valeur obtenue
iqu
hn
(0,00016). Cependant et hors choix précis imposé, le métrologue est tout à fait
c
Te
93 Nous considérons ici, pour simplifier, que la valeur étalon (1,001) est connue sans incertitude.
x.c
rvo
94 Voir le chapitre 3 « Point de certitude ici-bas… où règne l’aléa ! » pour les formules utilisées.
ola
95 Cette règle est ici équivalente au test sur une moyenne : « µGlobal = 0 », mais il n’en est
ch
pas toujours ainsi. Un intervalle de confiance est une estimation d’un paramètre théorique
1.s
dite par intervalle alors qu’un test statistique est une décision quant à une valeur choisie de
uh
62
La métrologie : une intime de la statistique
34
14 1,00124 Niveau de confiance 95 %
88
5:8
15 1,00126 Borne inférieure Borne supérieure
89
Moyenne 1,00097 1,00063 1,00131
28
02
Écart-type 0,00016 0,00012 0,00025
34
at:
Biais -0,00003 -0,00037 0,00031
ett
-S
Pour en savoir plus sur les raisons de l’incertitude, il est possible de mettre es
iqu
(n = 3 ici) dans chaque laboratoire est réalisée (voir tableau 4.2 ci-après).
lté
cu
Il est alors possible de faire la part des choses entre l’effet « répétabilité »
:Fa
la répétabilité99.
rvo
ola
ch
98 Cet effet contient, par exemple, l’effet de l’accélération locale de la pesanteur comme évoqué
précédemment ou de l’instrument, de la mise en œuvre du processus de mesure ou encore
de la poussée d’Archimède…
99 Pour représenter des mesures répétées, il faut introduire dans le modèle un double indexage
(laboratoire, répétition), ce qui est différent d’une simple addition d’erreurs portant sur
des unités distinctes mesurées une fois (simple indexage).
63
La Smart Metrology
Moyenne Variance
Répétition de trois mesures Laboratoire
des trois mesures des trois mesures
1,0013 1,0011 1,0009 1 1,00111 3,28E-08
1,0009 1,0010 1,0010 2 1,00099 3,39E-09
1,0011 1,0008 1,0009 3 1,00091 3,39E-08
1,0010 1,0006 1,0008 4 1,00078 2,87E-08
1,0009 1,0005 1,0012 5 1,00085 1,01E-07
1,0009 1,0008 1,0009 6 1,00089 1,88E-09
1,0011 1,0009 1,0014 7 1,00114 6,39E-08
1,0009 1,0010 1,0009 8 1,00092 2,89E-09
1,0010 1,0011 1,0007 9 1,00094 4,15E-08
1,0010 1,0010 1,0007 10 1,00090 2,10E-08
1,0008 1,0015 1,0008 11 1,00106 1,60E-07
1,0010 1,0007 1,0006 12 1,00077 5,88E-08
34
88
1,0007 1,0006 1,0010 13 1,00081 4,24E-08
5:8
89
1,0011 1,0015 1,0012 14 1,00124 4,08E-08
28
02
1,0014 1,0010 1,0013 15 1,00126 4,77E-08
34
at:
Moyenne 1,00097 4,53E-08
ett
-S
Écart-type 0,00016 iqu
es
hn
la variance de chaque série des trois valeurs (qui est une estimation
es
nc
Sous réserve que ces variances soient comparables100 (ce qui est le cas ici),
sS
de
Par ailleurs, la moyenne des trois valeurs pour chaque laboratoire représente
ola
ch
100 Ce que l’on vérifie en toute rigueur par ce que l’on nomme un test d’homoscédasticité.
64
La métrologie : une intime de la statistique
elle contient également un résiduel de répétabilité des valeurs qui ont per-
34
88
(voir tableau 4.3).
5:8
89
Tableau 4.3 Poids des causes d’incertitudes
28
02
34
Estimation Poids
at:
ett
Écart-type de répétabilité 0,00021 82 %
-S
es
Écart-type de l’effet laboratoire 0,00010 18 %
iqu
hn
101 Il est toujours possible, du fait des effets échantillonnage, que le terme sous la racine carré
x.c
soit négatif, ce qui est impossible car une estimation de variance ne peut pas être négative !
rvo
Elle ne fait donc que signifier que la cause dont nous cherchons à évaluer la dispersion
ola
est négligeable devant le phénomène global sous réserve, bien sûr, de la qualité des esti-
ch
mations.
1.s
102 Le poids de chaque facteur se calcule comme étant le ratio de la variance dudit facteur
uh
65
La Smart Metrology
la longueur dépend de , intervalle qui est donc d’autant plus petit que
34
88
5:8
Les calculs précédents pourraient être conduits de façon différente. Plutôt
89
que de s’intéresser à l’effet « laboratoire », il est également possible de cal-
28
02
culer la variance de toutes les valeurs mesurées (variance expérimentale
34
at:
totale ) qui, elle, intervient dans la décomposition suivante, dite « dé-
ett
-S
composition de la somme des carrés » : iqu
es
c hn
Te
ou encore :
et
es
nc
cie
sS
de
Selon cette approche, on obtient le tableau 4.4 suivant où les poids sont
lté
Estimation Poids
ch
1.s
104 Multiplier les mesures ne change pas la valeur de l’écart-type théorique sGlobal mais améliore
la qualité de son estimation, sglobal.
66
La métrologie : une intime de la statistique
34
88
et « laboratoire » peut être effectué à l’intérieur de chaque laboratoire,
5:8
89
mais en faisant varier de façon ordonnée les facteurs internes qui contribuent
28
02
à la dispersion. Il est possible, par exemple, de prévoir une expérience
34
dans laquelle on décide de faire mesurer, en des jours différents (pour
at:
ett
faire varier l’environnement), par des opérateurs différents (pour faire varier
-S
es
les opérateurs) et avec des moyens différents (si on en dispose), trois fois
iqu
hn
d’écarts types qui sont associés à des facteurs différents. Dès lors, l’analyse
cu
:Fa
des effets croisés), demande une formation et une pratique qu’un métrologue
x.c
rvo
averti devra acquérir graduellement. Bien que des analyses facteur par
ola
67
La Smart Metrology
34
88
facteurs d’influence et, ainsi d’éviter d’en oublier, ou tout du moins essayer
5:8
de ne pas passer à côté des plus importants. Cette phase d’écriture du
89
28
modèle de mesure n’est pas toujours très simple et implique une véritable
02
34
compétence que le métrologue doit développer. Elle fait appel à diverses
at:
ett
connaissances, tant sur les principes physiques mis en jeu que sur la mise en
œuvre du processus de mesure lui-même. Pour illustrer cette démarche, nous -S
es
iqu
précédemment. On verra plus tard que pour des modèles plus compliqués,
1.s
uh
105 Le GUM est repris entièrement dans la collection des normes françaises sous la référence
NF ISO/CEI GUIDE 98-3, Incertitude de mesure – Partie 3 : guide pour l’expression
de l’incertitude de mesure (GUM:1995), 2014.
106 Il faut alors être sûr d’identifier effectivement tous les facteurs qui contribuent et perturbent
la mesure, ce qui n’est pas toujours très simple ni très sûr.
68
La métrologie : une intime de la statistique
le GUM (ainsi que son supplément 1107) propose deux solutions présentant
chacune des avantages et des inconvénients.
À partir de ce modèle de mesure, le métrologue doit estimer les paramètres
de chaque terme du modèle de mesure pour pouvoir les combiner. L’image
de la réalisation d’une recette de cuisine semble correspondre en partie
à la problématique du métrologue :
►► identifier tous les ingrédients : dresser le bilan des causes d’incertitude
à partir du modèle de mesure ;
►► doser les ingrédients : quantifier toutes les composantes aléatoires
(lois de probabilités souvent résumées par moyennes et écarts types) ;
►► mélanger les ingrédients : additionner les effets prévisibles (pour les
corriger) et les effets aléatoires.
Par ailleurs, comme dans une recette de cake par exemple, l’incertitude
de mesure comporte des ingrédients « incontournables » et d’autres plus
spécifiques à chaque processus de mesure.
34
88
5:8
89
28
La répétabilité
02
34
at:
Ce nom barbare à l’oreille de certains108 n’exprime finalement que ce que
ett
-S
d’autres nomment « le bruit de mesure ». Elle est une composante présente es
dans tous les processus de mesure. La répétition d’une même mesure,
iqu
hn
dans les mêmes conditions (même objet mesuré, même opérateur, même
c
Te
107 Norme AFNOR NF ISO/CEI GUIDE 98-3/S1:2008, Incertitude de mesure – Partie 3 : guide
rvo
108 Il s’agit d’une mauvaise traduction de l’anglais « repetability » qui aurait dû être traduit
1.s
69
La Smart Metrology
34
88
inutilement dans des séries de mesures interminables. D’un point de vue
5:8
89
purement mathématique, on ne gagne plus beaucoup en qualité d’estimation
28
02
au-delà de quinze répétitions de la mesure. Cependant, dans bien des cas,
34
il est possible de faire moins, sous réserves de précautions utiles à rappeler.
at:
ett
À partir de deux mesures112, on peut estimer un intervalle de dispersion
-S
es
contenant σ et donc estimer la valeur maximale qui pourrait être celle de σ
iqu
hn
111 Le terme« niveau » est en général utilisé pour faire référence à la quantité, à la taille ou
ch
70
La métrologie : une intime de la statistique
34
88
5:8
89
28
02
34
at:
ett
-S
Figure 4.2 Exemple d’une étude de répétabilité dépendant de niveaux iqu
es
N° de mesure Valeur
nc
1 100,3
cie
sS
2 99,891 4,612
de
3 99,574 1,607
lté
4 100,358 1,077
cu
:Fa
5 99,978 0,759
om
6 100,185 0,615
x.c
7 99,862 0,532
rvo
8 99,649 0,519
ola
ch
9 99,851 0,467
1.s
10 99,935 0,424
uh
11 100,117 0,397
12 100,181 0,380
13 100,161 0,363
14 100,026 0,342
15 100,154 0,328
71
La Smart Metrology
L’imperfection de l’objet
C’est souvent un facteur d’incertitude important. Un rond n’est pas rond,
une température n’est pas constante dans un volume, pas plus qu’une
concentration ne l’est dans une solution. Cette imperfection ne produit
rien d’autre qu’une dispersion de la valeur mesurée quand on l’effectue
en des « points » différents. Pour l’estimer, il suffit, là encore, de mesurer
l’objet en différents « points » puis de calculer la dispersion. En réalisant
de telles mesures, le lecteur comprendra que se mélangent alors
l’imperfection de l’objet et la répétabilité que nous venons de détailler. Ainsi,
on peut supposer que chaque mesure réalisée en des « points » différents
34
peut être représentée sous la forme suivante avec des notations évidentes :
88
5:8
114
. On peut alors écrire la relation suivante sur
89
28
les variances : .
02
34
at:
Dans cette dernière égalité, le terme recherché est . Cette décompo-
ett
-S
sition de variances permet, à partir de , estimation de , et iqu
es
(une estimation préalablement connue de ), d’estimer la dispersion due
c hn
Te
114 Attention au fait que ce modèle est différent de celui représentant des mesures répétées
uh
puisqu’il n’y a, sous-entendu ici, qu’un seul index pour distinguer les différentes valeurs :
le point de mesure sur l’objet.
115 Lors d’une telle décomposition, il n’est pas impossible que le terme sous la racine soit négatif.
Cela vient du fait que les valeurs numériques mises en jeu ne sont que des estimations.
Comme nous l’avons déjà signalé, dans ce cas, cela signifie que l’écart-type recherché est
négligeable devant les autres et peut donc être pris égal à 0.
72
La métrologie : une intime de la statistique
L’effet inter-opérateurs
L’expérience montre que cet effet existe dans bien plus de cas qu’il n’y
paraît. Nous ne pouvons que conseiller de vérifier si l’opérateur, dans sa
façon de pratiquer, induit ou non une erreur dans le processus de mesure.
En général, il n’est pas très compliqué de déterminer cette fidélité inter-
médiaire. Lors des études de répétabilité, il suffit de faire réaliser les mesures
par différents opérateurs, comme cela a été fait précédemment pour l’effet
laboratoire. Ce sont évidemment les mêmes calculs qui s’appliquent.
Un document de référence, le MSA (destiné à l’industrie automobile116), décrit
une méthode dite R&R pour évaluer cet effet. Cette méthode correspond
34
88
exactement à une ANOVA à deux facteurs117.
5:8
89
28
Lorsqu’il n’est pas possible d’envisager une telle expérience, il faut tenter de
02
34
décrire les raisons qui feraient que des opérateurs différents trouvent des
at:
ett
résultats différents pour le même objet mesuré. Il peut s’agir, notamment,
-S
de différences au niveau de la préhension de l’objet et de l’instrument, es
iqu
qui le pratiquent sont les clés d’une vision objective des raisons (facteurs)
cie
une information quantitative pour chaque facteur sous la forme d’un écart-
om
x.c
117 Dans le MSA, une estimation des différents écarts types est proposée en utilisant l’étendue
uh
des mesures. Cette méthode, dite « moyenne et étendue », est à proscrire pour des raisons
théoriques que nous ne pouvons détailler ici. Elle n’a été développée que pour simplifier
les calculs à une époque où les ordinateurs n’étaient pas aussi répandus. L’estimation par
écarts types expérimentaux (ANOVA) est également détaillée.
118 Interpolation de lecture sur un appareil à cadran ou détermination de la couleur d’un papier
indicateur de Ph par exemple (il existe une multitude d’autres cas).
73
La Smart Metrology
Dans de tels cas, et ils sont fréquents, le GUM propose une méthode, dite
de « type B ». Il suffit, pour cela, de considérer une loi de probabilité a priori
associée au phénomène119. Lorsque cette loi est bornée sur un intervalle
[a,b] et que cette loi ne dépend que de deux paramètres, il est possible
de déterminer son écart-type en fonction de a et de b. Par exemple,
pour une loi uniforme120 sur et pour une loi dite en dérivée
tation ci-après pour [a,b] = [-1;1] (elle est alors dite loi Arc-sinus,
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
119 Lorsque la réalisation de mesures n’est pas envisageable pour estimer la répétabilité
(cas des essais très coûteux par exemple), il est toujours possible d’en donner une estimation
par une méthode de type B.
120 Cette loi est souvent utilisée pour les erreurs de lecture des appareils à affichage numérique.
74
La métrologie : une intime de la statistique
Pour une loi dont le support n’est pas borné, il faut considérer un intervalle
dit de fluctuation couvrant un certain pourcentage de valeurs. Pour une
loi normale de moyenne m et d’écart-type s par exemple, si l’on considère
l’intervalle de fluctuation qui couvre environ 95 %
des valeurs : 121
.
Nous avons vu que la qualité des estimations122 était fortement dépendante
du nombre de données disponibles. Dans le cas des méthodes de type B,
la qualité du choix du support ou des intervalles de fluctuation a priori des
lois est tout aussi délicate. Elle est impactée non seulement par la définition
des bornes d’un intervalle contenant le phénomène mais aussi par la loi
de probabilité rarement connue, souvent admise.
En pratique, la véritable difficulté de l’évaluation des incertitudes de mesure
réside dans l’inventaire des facteurs qui perturbent la mesure123, dans l’esti-
mation des bornes entre lesquelles le facteur peut prendre des valeurs
et dans la détermination de la loi de probabilité dont sont supposées être
issues ces valeurs.
34
Les erreurs de l’instrument (et la relation aux étalons)
88
5:8
89
À la suite d’une modification de la définition d’un étalonnage intervenue pour
28
02
la version 3 du VIM, le CFM a produit, en 2012, un guide détaillé124. À l’heure
34
at:
où sont écrites ces lignes, il est rare que les laboratoires le mettent en œuvre.
ett
-S
En conséquence, les métrologues doivent fréquemment exploiter par eux- es
mêmes les données d’étalonnage qui se résument souvent à un tableau avec
iqu
hn
des valeurs étalons, des valeurs mesurées, des écarts et des incertitudes.
c
Te
121 Il est d’usage, lorsque nous supposons que le phénomène suit une loi de probabilité normale,
sS
de considérer que les bornes de l’intervalle de fluctuation sont données à plus ou moins
de
trois écarts types de µ au lieu de deux écarts types et alors σ = (b - a / 6). Il faut signaler au
lté
lecteur que cette relation n’est vraie que si la borne est effectivement la borne d’un intervalle
cu
de diviser b - a par 2 × 2,575 = 5,15 au lieu de 6. La différence semble peu importante mais
om
x.c
elle induit une différence significative sur la variance : une erreur de 0,73 % sur l’évaluation
rvo
la variance !
ch
122 Le GUM parle de méthode de type A lorsqu’il s’agit d’évaluer un écart-type à partir d’une
1.s
série de données.
uh
123 On fait souvent référence à la méthode des 5M (Matière, Matériel, Main d’œuvre, Méthode,
Milieu) pour traiter cet aspect de la question.
124 Ce guide explique comment modéliser le comportement de l’instrument de mesure et
comment calculer l’incertitude résiduelle en tenant compte des incertitudes d’étalonnage
et du résiduel de l’instrument lui-même. Suite à ces travaux, et avec le financement de l’État,
le CFM a fait développer un logiciel M-CARE qui permet de mettre en œuvre tous les calculs.
75
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
125 Les données mesurées utilisées pour estimer les paramètres d’un modèle d’étalonnage
x.c
il convient donc d’en tenir compte en ne se limitant pas à une simple expression numérique.
ola
(validation) mais également à vérifier la significativité d’une différence par rapport à une
1.s
situation idéale afin de justifier, le cas échéant, une correction de l’instrument. On pourra
uh
76
La métrologie : une intime de la statistique
34
88
d’un diagnostic médical pour ne citer que quelques exemples, peut avoir
5:8
89
des conséquences dramatiques pouvant aller jusqu’aux décès de per-
28
02
sonnes. Lente et monotone ou accidentelle, la dérive devrait être l’ennemi
34
juré du métrologue, qu’elle intervienne au niveau de l’instrument ou de tout
at:
ett
autre facteur contribuant à la mesure.
-S
es
Dès lors que l’on prend conscience de ces enjeux, on comprend que
iqu
hn
tuelle du moyen sur la qualité des mesures qu’il participe à produire soit
nc
cie
L’analyse d’une dérive s’effectue différemment selon que l’on considère, soit
1.s
uh
des étalons matérialisés, lesquels sont des instruments dits « à cotes fixes »
(masse, cale, diode Zener, shunt par exemple) caractérisés par une seule
valeur, soit des instruments (« mesureurs » au sens plus commun du terme)
dits à « cotes variables » qui possèdent la propriété de mettre en relation
un objet et une indication sur une plage de valeurs.
77
La Smart Metrology
34
88
un échantillonnage dans le sens où nous n’observons pas toutes les gra-
5:8
duations. Pour traiter cette question, il n’est pas rare que les métrologues
89
28
se contentent d’observer l’écart entre deux étalonnages successifs et
02
34
en chaque point (ce qui suppose en corollaire de toujours faire les étalon-
at:
ett
nages sur les mêmes points). On peut légitimement s’interroger sur la
pertinence d’une telle pratique. En effet, quelle est la représentativité d’un -S
es
iqu
hn
128 Prenons par exemple une droite obtenue par moindres carrés ordinaires (adaptée parce qu’il
c
Te
n’y a pas d’incertitude sur les dates) : une analyse des résidus du modèle permet de juger
et
de l’adéquation de l’approximation linéaire aux données. Dans ce cas, la pente de droite est
es
nc
129 Certains phénomènes peuvent s’expliquer physiquement. Dans ce cas, le modèle peut être
sS
prédictif et être utilisé pour corriger la valeur de l’étalon en un temps donné. Par exemple,
de
l’austénite résiduelle qui provoque dans les aciers un gonflement de la matière (diminution
lté
elle s’exprimera continûment et l’étalon concerné subira donc une évolution régulière.
om
130 Lorsque l’ensemble des étalons ont des valeurs de référence distinctes, il est parfois
x.c
nécessaire de ramener les dérives individuelles en pourcentage. Par exemple, une masse
rvo
de 1 kilogramme a plus de chance de perdre plus de masse entre deux étalonnages qu’une
ola
masse de 1 milligramme : considérer leurs dérives individuelles ensemble n’a alors pas
ch
de sens.
1.s
uh
131 Le réflexe est de vouloir considérer la dérive observée d’un étalon dans un calcul d’incertitude.
Très souvent, dans ces cas-là, on constate que le poids de cette dérive est parfaitement
dérisoire dans l’incertitude globale. En fait, la question n’est pas de savoir quelle est la
valeur de la dérive pour le calcul d’incertitude mais de savoir quelle est la dérive admissible
sur l’étalon sans que cela dégrade la qualité de la mesure ? Vu sous cet angle, cette valeur
de « dérive la plus grande admissible » permet de définir la périodicité à partir du
comportement extrême possible pour un étalon donné.
78
La métrologie : une intime de la statistique
écart entre deux mesures pour quantifier une dérive, sachant que les
mesures ne sont que des réalisations de variables aléatoires et qu’un écart
entre deux réalisations ne traduit pas nécessairement une dérive ?
Par ailleurs, en s’imposant des points d’étalonnage systématiques, on ne
profite pas de l’opportunité procurée par chaque étalonnage de recueillir,
au fil du temps, des informations complémentaires sur l’instrument.
En fait, dans ce cas, la dérive devrait être analysée en étudiant l’évolution
des paramètres du modèle qualifiant un étalonnage (pour une droite,
il s’agit de la pente et de l’ordonnée à l’origine dite « intercepte »).
Cette analyse est délicate dans la mesure où ces paramètres estimés sont
entachés d’incertitudes corrélées132. Une solution graphique simple peut
être envisagée pour détecter une dérive effective. Dans le cas de modèles
d’étalonnages linéaires par exemple, en reliant entre eux les points définis
sur un plan portant en abscisse la valeur de la pente et en ordonnée la valeur
de l’intercepte dans l’ordre des étalonnages successifs, une régularité obser-
vée (« les segments ne se croisent pas ») peut permettre de décider d’une
dérive prédictible. Une modélisation de la pente et de l’intercepte en fonction
du temps est alors envisageable. Si une dérive est constatée, elle doit être
34
88
prise en compte comme un effet à considérer dans les causes d’incertitudes.
5:8
89
28
02
4.2.2 Les « ingrédients » spécifiques
34
at:
ett
-S
Les effets environnementaux iqu
es
132 La question se pose ainsi : « Les écarts apparents entre les derniers paramètres et les
précédents sont-ils dus à une dérive ou à une fluctuation naturelle conséquence de
l’incertitude ? » On pourra consulter à ce sujet l’article : http://www.lametrologieautrement.
com/2015/03/une-piste-pour-evaluer-limpact-de-la-derive-dans-lincertitude-des-processus-
de-mesure-faisant-appel-a-des-instruments-mesureur/
79
La Smart Metrology
Ces effets ne doivent pas être confondus avec les caractéristiques métro-
logiques intrinsèques de l’instrument car dans ce cas, ce sont bien
les conditions de la mesure qui doivent être considérées comme à l’origine
de l’incertitude et pas l’instrument lui-même133.
Avec ces relations, en tenant compte de la dispersion des facteurs
environnementaux, il est possible de définir l’impact sur le processus
de mesure, généralement par une méthode de type B. On évalue les variations
maximales possibles des paramètres environnementaux, leurs impacts
maxima sur le processus de mesure (sur l’objet, sur l’instrument, etc.) et
on les transforme enfin en écart-type en tenant compte de la loi de proba-
bilité supposée des paramètres environnementaux considérés. Ici, il faut
également être attentif aux moyennes des phénomènes environnementaux
considérés. Par exemple si, dans un contexte donné, la température moyenne
n’est pas égale aux 20 °C de référence, l’écart entre la moyenne du contexte
et lesdits 20 °C induit une erreur de type « prévisible » dans le processus
de mesure.
La littérature disponible ne peut être strictement exhaustive en matière
de recueil de phénomènes. Il est donc possible que certains n’y soient
34
pas modélisés. L’évolution des techniques, des matériaux, voire même de
88
5:8
la connaissance acquise peut, par ailleurs, nous mettre dans des situations
89
où nous pensons qu’il existe un effet de tel paramètre sur telle caractéris-
28
02
tique sans que soit connue la relation. L’expérimentation devient alors
34
at:
nécessaire et la technique des « plans d’expériences » peut être utilisée pour
ett
-S
limiter le nombre d’expériences et avoir un modèle approximatif. iqu
es
mesure elle-même qui peut être à l’origine d’une dispersion. Par exemple,
sS
de
133 Par exemple, la dilatation d’une cale-étalon ou d’un pied à coulisse exposés à une tem-
rvo
pérature différente de 20 °C n’est pas une erreur liée à la cale ou au pied à coulisse mais
ola
134 Nous évoquons également souvent, en métrologie dimensionnelle, toutes les problématiques
1.s
liées aux déformations de contacts. Ces déformations dépendent du type de contact mis
uh
80
La métrologie : une intime de la statistique
34
pas un problème de calcul, mais bel et bien de connaissance du processus
88
de mesure, de l’objet mesuré et des principes physiques et mathématiques
5:8
89
mis en œuvre pour tenter de le caractériser. On touche du doigt, dans
28
02
l’énumération des facteurs d’incertitude qui précède, toute la difficulté de
34
at:
la méthode analytique qui est, pourtant, souvent privilégiée. Si toutes ces
ett
-S
réflexions autour des causes d’incertitude sont indispensables, nul ne peut es
prétendre avoir fait le tour de la question. Dans le cadre des étalonnages et
iqu
hn
des essais accrédités, des experts se sont concertés pour statuer sur les
c
Te
donc pas surprenant que, parfois, la méthode analytique donne des résultats
sS
136 Les algorithmes ne sont pas les seuls facteurs susceptibles de provoquer des écarts entre
différentes méthodes de mesure. Il existe de nombreux cas de méthodes développées
qui doivent être comparées, lorsqu’elles existent, à des méthodes de référence acceptées
comme faisant foi par la profession concernée. Lorsqu’il n’existe pas de méthodes
reconnues comme méthode de référence, la dispersion inter-méthodes doit être considérée
dans l’incertitude globale.
81
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
5
Bilan… d’incertitude
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
d’un tel bilan mais les organismes accréditeurs sont parfois sensibles à
:Fa
om
une forme standardisée. Il faut donc s’assurer de ce point pour éviter des
x.c
type qui quantifie la part aléatoire sont indiqués. Pour ce dernier, puisqu’il
ch
1.s
137 Nous mettons ici « erreur maximale » entre guillemets car ce concept d’erreur maximale
n’a qu’une signification limitée dans le monde probabiliste.
84
Exemple d’un bilan d’incertitude d’un processus de mesure
Modèle
Causes d’incertitude « Erreur maximale » Loi de probabilité Écart-type Variance Poids Lk Part H.O. Part L.O.
(effet prévisible)
La Smart Metrology
Incertitude d’étalonnage 0,005 Normale (95%) 0,0025 0,00000625 1,9 % 0 100 % 0,0E + 00 6,3E - 06
Dérive de l’instrument / / 0,0020 0,000004 1,2 % Non significatif 100 % 0,0E + 00 4,0E - 06
uh
Tableau 5.1 Exemple de bilan d’incertitude
1.s
Condition de température ch
ola 0,01 Normale 0,0033 1,11111E-05 3,3 % 0,001 80 % 2,2E - 06 8,9E - 06
(dilatation) rvox
.co
… m:
Fa … … … … …
cu
lté
de Somme 0,000331861 Somme 2,7E - 04 5,5E - 05
sS
cie Correction
nc Incertitude-type composée 0,0182 +0,001
es à appliquer
et
Te
Incertitude élargie (k=2) 0,036
ch
niq
ue
s-
Se
tta
t:3
40
22
889
5:8
88
34
Bilan… d’incertitude
34
88
5:8
La valeur Lk, qui quantifie la part de caractère L.O. pour chaque cause
89
d’incertitude, est estimée en fonction des conditions de réalisation des
28
02
mesures. Par exemple, si l’opérateur ne change pas entre les mesures,
34
at:
Lk prend la valeur 100 % puisque l’erreur spécifique produite par l’opérateur
ett
-S
n’a pas l’opportunité de changer. En revanche, si l’opérateur était amené iqu
es
à changer, Lk passerait alors à 0 %, cet effet ayant, à chaque changement
hn
maximale » sur un temps long, l’année par exemple. Or, entre deux mesures
cie
sS
20 % (= 1 - 80 %) de cette étendue.
om
x.c
rvo
repose sur une réalité physique des processus de mesure. Son évaluation
ch
1.s
85
La Smart Metrology
34
88
plus performant(s). Les réponses à ces problématiques fréquentes ne peuvent
5:8
89
passer que par l’étude de la composition de l’incertitude de mesure, étude
28
02
qui permet au métrologue de fonder ses choix et de prendre des décisions
34
réellement efficientes.
at:
ett
-S
es
5.1.3 Les expressions fonctionnelles
iqu
c hn
Te
Il est fréquent que l’expression des écarts types ne se limite pas à une valeur
et
es
possible. Lorsqu’il en est ainsi, les écarts types individuels peuvent faire
de
lté
que mathématique141.
om
x.c
rvo
140 Le terme « niveau » est en général utilisé pour faire référence à la quantité, la taille ou
ola
encore l’importance de l’entité mesurée. Il fait référence par exemple à la longueur d’une
ch
pièce, à la concentration d’une substance, etc. (voir le chapitre 4 « Métrologie : une intime
1.s
de la statistique »).
uh
141 Dans le cas le plus fréquent où tous les écarts types considérés sont modélisés par des
droites (Cste + b × L où L représente généralement la lecture sur l’instrument), l’écart-type
global est la racine carrée d’un polynôme d’ordre 2 sur le domaine de mesure. Cette fonction
est généralement approximée par ce que l’on nomme « linéarisation de la corde », laquelle
consiste à prendre la droite qui joint les points extrêmes de cette fonction obtenus
aux bornes du domaine de mesure.
86
Bilan… d’incertitude
34
à évaluer de la façon la plus fiable possible les estimations des écarts-types
88
5:8
les plus importants. Pour ce faire, la méthode expérimentale est souvent
89
28
la plus performante, sauf à disposer d’une documentation très fiable sur
02
34
les composantes incriminées.
at:
ett
5.2 La propagation des incertitudes -S
es
iqu
hn
Tout ce que nous venons de décrire concerne le cas d’une mesure directe,
nc
cie
calculer la grandeur d’intérêt via une fonction dite « modèle de mesure » qui
om
L’exemple classique est la mise en pratique de la loi d’Ohm qui stipule qu’une
ola
ch
tension électrique continue aux bornes d’un composant est égale au produit de
1.s
87
La Smart Metrology
34
88
approximée à l’aide des incertitudes uXi sur les Xi lorsque ces dernières sont
5:8
89
supposées indépendantes par la formule suivante, qui est un simple calcul
28
de variance 143 :
02
34
at:
144
ett
-S
es
iqu
hn
142 Ceci est une condition importante qu’il conviendrait de vérifier systématiquement avant
d’utiliser aveuglément le GUM pour traiter de cette question.
143 Un phénomène aléatoire, somme de phénomènes eux-mêmes aléatoires, a comme variance
la somme des variances des phénomènes qui le composent.
144 Le poids de chaque grandeur d’entrée dans le processus de mesure doit être analysé
en tenant compte du coefficient de sensibilité de chaque facteur.
88
Bilan… d’incertitude
Modèle de mesure : f
Courbe en pointillée
Normale (f(µ),b×σ)
f(µ)
Tangente en µ de f :
a+b×µ
µ
Normale (µ,σ)
34
Figure 5.1 Exemple d’approximation de l’incertitude propagée
88
5:8
89
28
Par ailleurs, on suppose ici que les incertitudes sur les grandeurs d’entrée
02
34
sont indépendantes. Or, il est fréquent que cette dernière hypothèse soit
at:
ett
fausse au regard de la physique du phénomène. Imaginons par exemple que
-S
es
nous nous intéressions à la surface d’un échantillon rectangulaire (S = L x l).
iqu
de la même manière sur ces quantités créant une « co-variation » entre leurs
cu
:Fa
erreurs de mesure respectives qui additionnent une part L.O. et une part
om
H.O. : et de même .
x.c
rvo
ola
ch
sT
1.s
145 Dans ce cas, la température est un facteur totalement L.O., son Lk prend la valeur 1 dans
le bilan d’incertitude. Elle n’est d’ailleurs probablement pas la seule cause L.O. dans un tel
bilan d’incertitude de la mesure d’une distance entre deux points.
89
La Smart Metrology
Ces covariances entre les erreurs sur les grandeurs d’entrée146 impactent
l’incertitude sur Y et on démontre qu’elles ajoutent un terme à l’expression
« À » précédente :
147
34
88
5:8
).
89
28
02
Il est alors aisé de montrer la relation suivante justifiant l’utilisation de cette
34
at:
pondération :
ett
où -S
es
iqu
chn
Te
et
es
Elle repose sur les causes qui sont communes aux processus concernés.
rvo
ola
90
Bilan… d’incertitude
tous les deux sensibles à la température ambiante et qu’ils sont aux mêmes
endroits lors de la mesure, alors la température ambiante qui est aléatoire
mais qui s’exprime identiquement pour R et I au moment de la mesure
contribue à la covariance148.
L’estimation de la covariance peut également s’effectuer via le concept du
coefficient de corrélation qui exprime une intensité de la liaison pouvant
exister entre deux variables. Son évaluation qui s’exprime en pourcentage149
de - 100 % à 100 %, est une forme d’estimation de type « B » fondée sur
la connaissance du métrologue, voire sur son intuition. La relation entre
« covariance » et « coefficient de corrélation » (noté r) est donnée par
la formule : et donc .
34
88
5:8
89
28
02
Dans cette matrice carrée, les « en-têtes » des lignes et des colonnes
34
portent le nom des grandeurs d’entrée. À l’intersection d’une ligne et d’une
at:
ett
colonne, on trouve la covariance entre les incertitudes sur les grandeurs
-S
es
concernées et, dans le cas particulier de la diagonale, les variances
iqu
hn
sur les grandeurs d’entrée dans l’incertitude finale permet, au prix du calcul
sS
de
porter son intérêt. Elle reste néanmoins limitée pour au moins deux raisons,
om
x.c
elle :
rvo
ola
91
La Smart Metrology
34
88
connus et, dans l’idéal, la loi de probabilité l’est également153. Dès lors, il est
5:8
possible de simuler, selon ces lois, des réalisations des grandeurs d’entrée
89
28
qui sont autant de valeurs mesurées possibles puis d’appliquer le modèle de
02
34
mesure sur ces valeurs pour obtenir des réalisations de Y. L’histogramme
at:
ett
de ces réalisations simulées est une approximation de la loi de probabilité
de Y d’autant plus précise que le nombre de valeurs simulées est important. -S
es
iqu
indépendantes. Par exemple, pour simuler sur Excel une réalisation d’une
cie
sS
151 Repris, sous forme de norme française sous la référence NF ISO/CEI GUIDE 98-3/S1
ola
92
Bilan… d’incertitude
Le tableau 5.2 ci-après présente, dans le cas de la loi d’Ohm et sous hypo-
thèse d’indépendance des erreurs sur la mesure de R et de I, les résultats
obtenus avec 5 000 simulations. Ils sont comparés à ce que l’on obtiendrait
en utilisant la méthode analytique : les valeurs obtenues sont similaires mais
ne sont évidemment pas exactement identiques puisque, dans les deux cas,
il ne s’agit que d’estimations.
Modèle de mesure : U = R × I
Valeur Incertitude-type Loi
R (en ohm) 234,52 0,02 Normale
34
I (en ampère) 1,274 0,002 Normale
88
5:8
89
28
N° de simulation R « possible » I « possible » U « possible »
02
34
1 234,496 1,2784 299,7720
at:
ett
2 234,536 1,2784 298,6474
-S
es
3 234,508 1,2759 299,2027
iqu
hn
… … … …
nc
cie
U moyen 298,7718
lté
cu
Incertitude-type 0,4670
:Fa
om
x.c
rvo
GUM classique
ola
ch
U estimé 298,7785
1.s
uh
Incertitude-type 0,4697
93
La Smart Metrology
34
lyser le poids de chaque grandeur d’entrée dans le résultat final154.
88
5:8
Pour finir sur ce thème, le GUM S1 préconise de rechercher, à partir des
89
28
valeurs simulées du mesurande, des intervalles de fluctuations à 95 %.
02
34
Lorsque l’histogramme met en évidence une loi qui n’est pas normale,
at:
ett
il convient de rechercher les limites de l’intervalle de plus faible étendue
-S
es
qui contient le pourcentage de valeurs attendues. Évidemment, les bornes
iqu
des incertitudes sur les grandeurs d’entrée ne pourra jamais être compensée
lté
cu
L’évaluation des incertitudes, suivant le GUM, repose sur les propriétés des
uh
94
Bilan… d’incertitude
sous réserve que l’évaluation de tous les facteurs ait été faite avec pertinence,
cela signifie que dans 5 % des cas, la valeur vraie du mesurande sera
en dehors de l’intervalle annoncé.
Dans le cas d’une masse par exemple, l’incertitude d’étalonnage est l’expres-
sion de l’imperfection de l’étalonneur, pas de celle de la masse elle-même.
Si l’incertitude d’étalonnage a un caractère indubitablement aléatoire,
la valeur « vraie » de la masse étalonnée, en un temps donné, n’a rien d’aléa-
toire.
34
l’évaluation de la masse du livre impose de disposer de masses étalons
88
5:8
permettant d’équilibrer la balance. Quelle que soit l’analyse produite sur
89
28
les facteurs d’incertitude, il n’est pas possible d’y trouver une incertitude
02
34
d’étalonnage des masses susceptibles d’avoir participé au processus
at:
de mesure. En effet, l’erreur qui s’est produite au moment de l’étalonnage
ett
-S
n’intervient en aucune manière au moment de la mesure du livre. Les masses es
iqu
n’ont rien d’aléatoire par elles-mêmes, en revanche leur poids peut varier en
c hn
mènes aléatoires, elle bute sur la prise en compte des effets systématiques
cu
:Fa
155 La balance Roberval à deux fléaux est un instrument de pesage qui doit son nom à son
inventeur Gilles Personne de Roberval, mathématicien et physicien français né en 1602
[qui] avait [eu] l’ingénieuse idée de placer les plateaux au-dessus du fléau, alors que
traditionnellement ils étaient suspendus en dessous (source : Wikipédia).
95
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
96
Conclusion
de la première partie
34
88
5:8
89
28
02
34
at:
ett
La plus grande difficulté du métrologue, de nos jours, tient essentiellement
-S
es
en la croyance de nos contemporains quant à la justesse des résultats
iqu
les raisons de cette difficulté. Imaginons l’effort que nos aïeux ont dû consentir,
et
l’idée selon laquelle la Terre n’était pas plate et qu’elle tournait autour
cie
sS
34
parce qu’il « sur-marche », et certainement qu’il « sur-coûte ».
88
5:8
Les véritables enjeux de la Smart Metrology ne résident pas dans les calculs
89
28
d’incertitude, même s’il faudra savoir les faire. Nous venons de voir que les
02
34
outils sont accessibles pour qui veut se donner les moyens de comprendre.
at:
ett
Une métrologie rénovée au XXIe siècle peut se révéler être un véritable outil
de productivité, de compétitivité et de développement durable. En contournant -S
es
iqu
être par exemple : l’efficacité auX justeS coûtS, pluriels qui impliquent le fait
cie
sS
c’est trop de matière première, trop d’énergie, trop de temps (dont celui
:Fa
om
98
Partie II
« – Les mesures
ne sont pas justes.
– Très bien !
34
88
5:8
Mais que fait-on alors ! ? »
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
Toute notre société, voire notre civilisation, repose sur la croyance en des
nc
cie
grâce aux mesures, nous avons développé des technologies qui sous-tendent
x.c
rvo
nos activités industrielles grâce aux mesures, nous avons amélioré la santé
ola
ch
humaine et, par voie de conséquence, l’espérance de vie grâce aux mesures.
1.s
Dans tous ces domaines (et tant d’autres !), les mesures servent à prendre
uh
des décisions. Et même si les mesures ne sont pas justes, les décisions
semblent adéquates. Voilà qui semble paradoxal : comment, sur la base
de mesures que nous croyons, à tort, justes, les décisions prises
peuvent-elles être pertinentes ?
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
100
6
Le métrologue
ne travaille pas
pour les auditeurs !
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
34
c) protégé contre les réglages, les dommages ou les détériorations
88
5:8
susceptibles d’invalider l’étalonnage et les résultats de mesure ultérieurs.
89
28
02
Lorsqu’un équipement de mesure s’avère inadapté à l’usage prévu,
34
l’organisme doit déterminer si la validité des résultats de mesure antérieurs
at:
ett
a été compromise et mener l’action appropriée, si nécessaire. »
-S
es
iqu
résultats de mesure ». Dans la note a) qui suit l’exigence et qui est censée
de
les étalonnages, les deux autres notes restant quant à elles dans le domaine
:Fa
om
du « bon sens ». S’il est vrai qu’un instrument « conforme » est nécessaire
x.c
à une mesure fiable, ce n’est pas une condition suffisante. Nous venons de
rvo
ola
102
Le métrologue ne travaille pas pour les auditeurs !
La métrologie, en tant que science des mesures, ne peut se limiter aux seuls
instruments de mesure. Notons d’ailleurs que dans un processus de mesure,
il est fréquent que l’instrument soit le facteur le moins influant, puisque sa
maîtrise a été assurée par son fabricant. Les causes d’incertitude les plus
importantes sont souvent cachées au niveau de l’entité mesurée elle-même
et des conditions environnementales voire de la méthode mise en œuvre.
Cette vision réductrice de la métrologie comme « science des instruments »
trouve ses origines bien avant les normes « qualité », ce qui les a d’ailleurs
probablement orientées involontairement vers une forme de sacralisation des
étalonnages.
Le lecteur se rappellera que dans le cadre de la métrologie légale, le légis-
lateur connaît par avance l’utilisation des moyens de mesure et les enjeux
de la mesure. Puisqu’il s’agit de garantir la loyauté des mesures (versus
la fonctionnalité dans le monde industriel), il est en capacité de définir des
conditions de vérification uniques pour chaque type de moyens afin de tous
les y soumettre. Les décrets qui servent de base aux vérifications ont donc
été réfléchis pour tenir compte du contexte des mesures, des technologies,
des instruments et des « risques ». Les procédures à suivre, le type d’étalons
34
à utiliser, les périodicités et les écarts maximum tolérés (EMT) sont détaillés
88
5:8
et imposés à tous. Même sans tenir compte de tous les facteurs d’incertitude,
89
28
la métrologie légale remplit son objectif consistant à garantir la loyauté. L’idée
02
34
selon laquelle la vérification des instruments de mesure garantit la qualité des
at:
ett
mesures est ancrée dans les esprits, à tel point que la plupart des personnes
assimilent « étalonnage » et « réglage » ainsi que « vérification conforme » -S
es
iqu
conforme au réel besoin, les notes, comme dans la version de 2015, orientent
om
« Le fournisseur doit :
ola
ch
1.s
103
La Smart Metrology
34
88
en dehors des limites fixées pour l’étalonnage ;
5:8
89
g) assurer que les conditions d’environnement sont appropriées pour la
28
02
réalisation des étalonnages, contrôle, mesures et essais ;
34
at:
ett
h) assurer que la manutention, la préservation et le stockage des équipe-
ments de contrôle, de mesure et d’essai sont tels que l’exactitude et -S
es
iqu
Nous ne disserterons pas ici sur chacune de ces notes mais nous pouvons
lté
cu
malgré d’autres exigences qui ont souvent été oubliées (la note a), bien sûr,
1.s
uh
mais aussi, par exemple, la note g) qui évoque la maîtrise et donc la prise en
compte des conditions environnementales pour les mesures). En insistant sur
l’étalonnage, le normalisateur a oublié ce que nous avons répété plusieurs
fois : métrologie légale et métrologie industrielle n’ont pas les mêmes objectifs.
104
Le métrologue ne travaille pas pour les auditeurs !
34
au final, la satisfaction du client. On ne demande pas à un auditeur de donner
88
5:8
son avis sur la technologie utilisée pour fabriquer un moteur d’avion. On lui
89
demande de juger si l’organisation mise en place, notamment via les retours
28
02
clients et le pilotage managérial, sont dignes de confiance. On lui demande
34
at:
également de s’assurer que l’entreprise s’est bien dotée des moyens qui lui
ett
-S
permettent de garantir la pertinence de ses actions dans le temps. iqu
es
aux erreurs de saisie !). Pas étonnant, dans un tel cadre, que les métrologues
om
105
La Smart Metrology
34
88
5:8
La mesure intervient également dans la qualification et le suivi des fournis-
89
seurs ainsi que dans la validation des produits finaux. De fait, son importance
28
02
dans les relations voulues de confiance entre l’entreprise, ses fournisseurs
34
at:
et ses clients, n’est plus à démontrer. Nous aborderons par la suite les
ett
-S
notions de risques client et fournisseur, risques dont la qualité des mesures es
est l’une des clés essentielles.
iqu
c hn
Te
Évoquons enfin les entreprises, et elles sont nombreuses, dont le métier est
et
mesure (c’est leur métier de mesurer et les mesures ne sont pas justes !),
lté
cu
il faut bien constater qu’il reste encore beaucoup de chemin à parcourir pour
:Fa
om
constater que les incertitudes sont ensuite rarement considérées. Pour les
ch
1.s
Les technologies avancent et, à l’aube du xxie siècle, il n’est pas utopiste
de penser que la mesure continuera à jouer un rôle majeur, notamment
dans la mise en œuvre des nouvelles technologies. On évoque de plus
106
Le métrologue ne travaille pas pour les auditeurs !
Les chapitres qui suivent sont donc consacrés à décrire ce que sont, selon
nous, la « Smart Metrology » et son acteur principal, le Smart Métrologue.
Pour cela, commençons l’aventure par l’histoire d’une Smart Métrologue qui
appréhenderait ce nouveau métier.
Alors que la première action d’un métrologue traditionnel aurait été de prendre
connaissance du parc d’instruments, du logiciel de gestion, des étalonnages
34
88
réalisés en interne, des sous-traitants, etc. Élodie, nouvellement recrutée, s’est
5:8
avant tout intéressée aux enjeux de la mesure dans l’entreprise. Ces enjeux
89
28
sont notamment de comprendre les attentes, explicites ou non, des différents
02
34
acteurs qui utilisent d’une façon ou d’une autre un résultat de mesure pour
at:
ett
prendre leurs décisions. Voici la première mission qu’elle s’est fixée, dans le
but d’établir une cartographie des pratiques afin d’être en mesure de proposer -S
es
iqu
desiderata d’un auditeur. Elle sait en effet à quel point la qualité des mesures
nc
cie
tenter de les satisfaire, elle espère inscrire son travail dans une efficience
:Fa
la conformité finale ;
uh
159 Le big data (littéralement les « grosses données ») [...] désigne des ensembles de données
qui deviennent tellement volumineux qu’ils en deviennent difficiles à travailler avec des
outils classiques de gestion de base de données ou de gestion de l’information (source :
Wikipédia).
160 Spécifique, mesurable, acceptable, réaliste, temporellement défini.
107
La Smart Metrology
34
88
de « développement durable » et de maîtrise des risques industriels.
5:8
89
Cette liste non exhaustive, Élodie devra la compléter, selon son contexte,
28
02
en rencontrant de nombreux interlocuteurs aux aspirations éventuellement
34
at:
contradictoires.
ett
-S
es
Tous les acteurs de l’entreprise ont pour objectif partagé d’assurer la pérennité
iqu
contradictoires. L’opérateur voudra le meilleur moyen pour être sûr, tandis que
es
nc
le financier ne pourra pas forcément le lui offrir car ses choix sont dictés par
cie
sS
ne lui soit préjudiciable mais n’acceptera pas forcément les coûts associés
lté
cu
assumer les coûts forcément exorbitants (le zéro risque n’existe pas,
ch
1.s
rappelons-le !).
uh
108
Le métrologue ne travaille pas pour les auditeurs !
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
hn
épais) et du coût (trait pointillé fin) de la figure 6.1 ne sont pas aisées à
cie
déterminer. Pour le « coût », les choses peuvent être malgré tout assez
sS
de
simples puisqu’il s’agit d’euros : dès lors, une comptabilité analytique bien
lté
cu
161 Si des indicateurs existent déjà chez les métrologues, il est très fréquent qu’ils soient
rvo
tournés vers des problématiques spécifiquement « auditeur ». Un taux de retard par rap-
ola
par rapport à des exigences normatives qui ne sont pas forcément adaptées sont les
1.s
109
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
110
7
La gestion d’un parc
d’instruments de mesure
ou comment gagner
le temps nécessaire
34
88
5:8
89
pour faire
28
02
34
at:
de la Smart Metrology ! c
iqu
hn
-S
es
ett
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
Élodie est bien décidée à ne pas commettre cette erreur si naturelle qui
x.c
rvo
Pour eux, c’est simple ! La norme nous dit ce qu’il faut faire, on a acheté
les étalons et un stagiaire nous a fait un fichier Excel. Tu n’as plus qu’à
saisir les valeurs et ça te dit tout seul si c’est conforme ou pas… Et le mois
prochain, tu recommences. » lui a-t-il dit. Sachant que son rôle de métro-
logue dans l’entreprise ne pouvait pas se limiter à une activité aussi peu
intéressante que celle consistant à gérer un planning, Élodie a profité de
sa prise de fonction dans son nouveau poste pour appliquer les principes
auxquels elle croit.
Si tous les métrologues se plaignent de ne pas avoir de temps pour faire
prendre conscience de l’importance de leur métier dans l’entreprise, c’est
simplement parce qu’ils consomment ce temps à faire des choses souvent
inutiles. Techniquement et par analogie, la date de réétalonnage devrait être
considérée comme la date de rendez-vous à prendre chez le dentiste pour un
contrôle périodique et non comme la date du contrôle technique automobile
qui, elle, a un caractère obligatoire : une fois cette date dépassée, elle peut
se conclure par une amende si les forces de l’ordre s’en mêlent.
34
comme le ferait le dentiste (l’accident sur l’instrument s’apparentant à la rage
88
5:8
de dents !), qu’il n’y a pas de gros soucis à régler, épargnera à l’entreprise
89
bien des situations critiques. Dépasser une date arbitraire quand aucun
28
02
élément d’urgence n’a été démontré n’est pas le drame qu’en font parfois
34
at:
les auditeurs…
ett
Cette vision discrétionnaire des dates d’étalonnage provient probablement des -S
es
iqu
des dérives ou des accidents sur les instruments utilisés mais elle permet de
lté
cu
112
La gestion d’un parc d’instruments de mesure...
34
88
dont on peut aisément démontrer l’inadaptabilité au regard de la probléma-
5:8
89
tique industrielle. Il suffit, pour en prendre conscience, d’analyser les cas
28
suivants.
02
34
at:
Imaginons un ensemble de masses étalons en qualité M1164 ou un ensemble
ett
-S
de tampons filetés165. Ces ensembles font l’objet de normes qui fixent les es
limites de conformité (tolérances) pour chacun de leurs éléments. La figure 7.1
iqu
hn
individuelle.
rvo
ola
ch
164 Les masses étalons M servent à vérifier les balances en classe III, c’est-à-dire celles d’usage
uh
classique chez les bouchers notamment. Cette qualité est imposée pour certaines étendues
par la circulaire n° 92.00.600.001.1 du 15 octobre 1992.
165 Les tampons filetés font partie de la famille des calibres à limites. Ils sont utilisés pour vérifier
la conformité des taraudages (c’est-à-dire des « écrous » pour faire simple).
166 Pour simplifier les figures, nous ne faisons pas apparaître les incertitudes qui entachent
les valeurs mesurées des masses et des tampons.
113
La Smart Metrology
34
88
5:8
89
28
02
Figure 7.1 Exemples de tolérances
34
at:
(cas des tampons filetés et des masses étalons)
ett
-S
es
Lorsqu’une même périodicité est choisie pour s’appliquer à tous les éléments
iqu
d’un même ensemble, avec pour objectif de ne pas avoir (ou le moins
c hn
Te
convient au pire des éléments (celui le plus proche de la limite) soit un bon
nc
cie
cher, en temps et en argent, notamment pour ceux qui sont encore loin de
ola
leurs limites de conformité et qui sont donc vérifiés inutilement. Pour s’en
ch
1.s
convaincre, il suffit de faire un petit bilan de tous les étalonnages des années
uh
114
La gestion d’un parc d’instruments de mesure...
à donner le nom de GMM (pour Gestion des moyens de mesure) à ces outils.
Mais de quel étrange mode de gestion s’agit-il ?
Nous sommes tous, dans nos vies privées, amenés à gérer nos budgets :
dans ce cadre, nous nous attachons à prévoir les dépenses et les entrées
à venir. La gestion ne se limite pas en effet au constat quotidien déprimant
d’un solde bancaire. Il est impératif de comprendre les événements du passé
et de connaître au mieux son environnement pour savoir quelle décision
prendre face à une question, par exemple reporter un achat pour cause
d’un probable manque de liquidité.
34
celles-ci à partir de calculs réalisés par des outils s’appuyant sur l’exploitation
88
5:8
des données antérieures. Le Smart Métrologue peut également se référer
89
28
aux normes existantes afin d’élaborer sa propre stratégie de gestion.
02
34
at:
Le fascicule de documentation FD X 07-014167 propose notamment trois
ett
-S
méthodes pour déterminer des périodicités d’étalonnage. L’objectif n’est es
pas de les décrire dans cet ouvrage mais d’en définir les grandes lignes et
iqu
hn
Le comportement d’un tampon fileté ou d’une masse, pour rester sur les
lté
Il est utile de signaler qu’il existe d’autres normes internationales traitant de ce sujet :
uh
115
La Smart Metrology
34
En observant alors la distribution desdits comportements168 (voir figure 7.3
88
5:8
ci-après), il est possible d’en déduire un facteur d’usure maximal qu’un
89
28
élément risque de subir.
02
34
at:
Ce comportement devient alors la clé de la détermination des périodicités
ett
-S
individuelles169 (voir figure 7.4 ci-après). Il est ainsi possible de définir la iqu
es
date la plus proche, à un niveau de risque déterminé, à laquelle un élément
hn
Si cette date est trop proche (périodicité trop petite), il devient légitime
nc
cie
action qui vise à s’assurer que l’élément n’a pas subi le pire et qu’il reste
om
utilisable.
x.c
rvo
ola
ch
168 Il convient également de s’assurer de la cohérence des comportements et, le cas échéant,
1.s
116
La gestion d’un parc d’instruments de mesure...
Figure 7.2 Comportement d’un élément modélisé par une droite des moindres carrés
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
117
La Smart Metrology
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
Figure 7.5 Prise en compte de l’incertitude dans la mise en évidence d’une dérive
:Fa
om
x.c
rvo
118
La gestion d’un parc d’instruments de mesure...
34
l’instrument ?
88
5:8
Alors que nombreux sont ceux qui doutent de l’utilité de calculer les
89
28
incertitudes de mesure, les considérations qui suivent la justifient pleinement.
02
34
La périodicité d’étalonnage est en effet coûteuse si elle est trop courte
at:
ett
(étalonnage inutile) et coûteuse également si elle est trop longue (étude
d’impact pour les instruments non conformes). Or, cette périodicité peut être -S
es
iqu
►► si R Per tend vers 1 (c’est-à-dire que l’instrument est le seul facteur qui
x.c
rvo
toujours conforme) ;
uh
119
La Smart Metrology
Le point suivant est arbitraire mais il permet de fixer une relation de type
exponentielle entre périodicité et R Per :
►► si R Per tend vers 0,5 (c’est-à-dire que l’instrument participe pour 50 %
à l’incertitude de mesure), alors la périodicité tend vers 12 mois,
c’est-à-dire la périodicité la plus souvent pratiquée de nos jours.
34
88
autre approche, plus qualitative, qui n’impose pas de disposer préalablement
5:8
de résultats d’étalonnage : la méthode OPPERET.
89
28
02
34
at:
7.1.3 OPPERET : Optimisation des périodicités d’étalonnage
ett
-S
es
La méthode OPPERET a été initiée dans le monde aéronautique et plus
iqu
hn
170 Dans cette équation, Rper est exprimé en pourcentage, c’est pourquoi il convient de le mul-
ch
tiplier par 100 pour obtenir une valeur comprise entre 0 et 100 (et non entre 0 et 1).
1.s
171 Les lecteurs intéressés par ce sujet pourront notamment lire le billet suivant : http://www.
uh
lametrologieautrement.com/2015/03/une-piste-pour-evaluer-limpact-de-la-derive-dans-
lincertitude-des-processus-de-mesure-faisant-appel-a-des-instruments-mesureur/
172 Les normes donnent des principes qui permettent aux utilisateurs de bénéficier « d’une
pensée consensuelle » que des personnes s’intéressant aux mêmes sujets qu’eux ont eue.
Ces principes doivent servir de base à une réflexion plus personnelle dont rien ne dit qu’elle
sera moins intéressante à condition qu’elle soit proprement justifiée.
120
La gestion d’un parc d’instruments de mesure...
34
88
importants dans les informations nécessaires pour réaliser la mission de
5:8
la métrologie.
89
28
02
Nous avons vu que les méthodes développées précédemment (voir
34
at:
les paragraphes 7.1.1 et 7.1.2) nécessitaient de disposer des résultats
ett
-S
d’étalon-nage et de leurs dates. En revanche, bien d’autres éléments sont es
fréquemment indispensables si l’on souhaite utiliser la méthode OPPERET.
iqu
hn
Pour tous les critères173 retenus, chaque instrument reçoit une note dans
rvo
ola
173 Chaque critère fait également l’objet d’une pondération. En effet, les risques ne sont pas
les mêmes pour une pièce critique d’avion et pour un bouchon de stylo. Le critère « coût
d’étalonnage », fréquemment retenu, n’a donc nécessairement pas le même poids chez
l’un ou chez l’autre.
121
La Smart Metrology
Une fois tous les critères notés pour tous les instruments, la méthode invite
à transformer chaque note en son écart normalisé (critère par critère) puis à
faire la somme pondérée des écarts normalisés pour chaque instrument j :
174
Cette note ne suffit pas, par elle-même, à statuer sur la périodicité. Comme
chaque instrument a une note globale, son écart normalisé peut être calculé
par rapport à l’ensemble des notes globales des instruments :
34
88
et .
5:8
89
28
02
34
μ
at:
ett
-S
es
Périodicité minimale
iqu
(Confiance ≈ 2,5 %)
c hn
Te
et
3σ
es
nc
cie
sS
de
lté
2σ
cu
Périodicité maximale
:Fa
(Confiance ≈ 0,135%)
om
Figure 7.6 Distribution des périodicités suivant les hypothèses de la méthode OPPERET
x.c
rvo
ola
la formule : .
uh
174 L’indice i concerne un critère Pi (le poids du critère i) et Eni (l’écart normalisé de la note
du ième critère) pour l’instrument donné.
122
La gestion d’un parc d’instruments de mesure...
34
ne nécessite qu’une centaine d’instruments notés (par périmètre). Ainsi,
88
5:8
et en prenant au hasard 100 instruments, Élodie est en mesure d’estimer
89
les périodicités de tous ses instruments au fil de l’eau, c’est-à-dire au fur
28
02
et à mesure qu’ils apparaissent au planning. Il est, de fait, bien plus facile
34
at:
de noter 100 ou 200 instruments tous les mois (jusqu’à les avoir tous notés)
ett
-S
et de n’étalonner que les quelques unités qui le nécessiteront effectivement, iqu
es
plutôt que de tous les étalonner/vérifier « à l’aveugle » et se plaindre d’un
hn
manque de temps. Élodie sait qu’elle disposera ainsi d’un outil puissant qui
c
Te
lui permettra par ailleurs de se libérer du temps. Quand elle aura collecté
et
es
Focalisé sur ses plannings, le métrologue est, par ailleurs, concentré sur
om
informations qui lui permettront de prendre les bonnes décisions et, ainsi,
ola
123
La Smart Metrology
34
88
5:8
89
7.2 Étalonnage/vérification versus surveillance
28
02
34
Quel métrologue n’a jamais connu une situation dans laquelle l’opérateur
at:
ett
lui-même rapporte son instrument en soupçonnant une anomalie,
-S
es
voire en l’ayant identifiée et décrite ? Si l’étalonnage/vérification ressemble
iqu
En fait, les industriels font rarement des mesures sur des entités inconnues.
:Fa
om
x.c
priori » sur la valeur qu’il doit normalement trouver et, finalement, sa mesure
uh
ne sert bien souvent qu’à confirmer ledit a priori. Elle rassure, c’est certain,
mais elle est inutile puisqu’elle ne change rien à la situation. En revanche,
quand la mesure lui paraît bizarre, son premier réflexe est alors, très souvent,
de la refaire, de demander à un collègue son avis ou encore de changer
124
La gestion d’un parc d’instruments de mesure...
34
88
si en apparence tout va bien) plutôt que d’attendre une date arbitraire pour
5:8
savoir s’il est ou non endommagé. Sensibiliser les opérateurs à cette simple
89
28
démarche se révélera donc bien plus intéressant que les étalonnages.
02
34
Et ce sera tellement moins coûteux !
at:
ett
-S
La surveillance des processus de mesure peut prendre un grand nombre es
de formes. D’une simple sensibilisation des opérateurs aux bonnes pratiques
iqu
hn
Métrologue qui devra savoir utiliser les opportunités offertes par son contexte.
de
lté
Avec les bons outils statistiques, il pourra proposer de faire des choses
cu
:Fa
efficientes. Par ailleurs, nous ne devons pas oublier que nous sommes
om
à l’ère du big data et que la puissance de calcul des ordinateurs est chaque
x.c
rvo
jour plus importante. Nous disposons ainsi d’une technologie qui doit pouvoir
ola
ch
nous aider à améliorer sans trop de mal des pratiques vieilles de près
1.s
de deux siècles.
uh
176 On peut imaginer que les choses évolueront sur ce point, grâce la technologie des
objets connectés (IOT : Internet of things) qui pourrait, demain, rendre l’instrument plus
« conscient » de son propre état.
177 Le fameux exemple du caillou sur la balance.
125
La Smart Metrology
Niveaux de gravité
Fréquent 4 4 5 5 5
Niveaux
Probable 3 3 4 5 5
de probabilité
(combinaison Occasionnel 2 3 3 4 5
occurrence et Rare 1 2 3 3 4
non-détectabilité)
Improbable 1 1 2 3 4
34
88
Pour chacune des situations décrites par des numéros différents, le guide
5:8
89
propose de choisir les stratégies suivantes :
28
02
1. surveillance occasionnelle non enregistrée ;
34
at:
ett
2. surveillance fréquente et non enregistrée ;
3. surveillance occasionnelle et enregistrée (les résultats sont traités suivant -S
es
iqu
5. surveillance permanente.
sS
de
126
La gestion d’un parc d’instruments de mesure...
34
88
Le Smart Métrologue développe alors une compétence particulière
5:8
(l’utilisation de la statistique pouvant être assez sophistiquée suivant le niveau
89
28
auquel il veut accéder) et quasi-exclusive dans la mise en œuvre concrète
02
34
des instruments de mesure. Il peut ainsi prétendre à aider les utilisateurs
at:
ett
au quotidien.
-S
es
Terminons ce chapitre sur la gestion d’un parc d’instruments de mesure en
iqu
hn
évoquant les fameuses EMT qui occupent tant de monde. Dans la métrologie
c
Te
à tous les instruments ayant la même utilisation. On y vise une loyauté dont
nc
cie
des EMT identiques pour tout le monde sont probablement l’une des clés.
sS
industrielle (certifiée), ce sujet n’ait pas été traité mieux qu’il ne l’est aujourd’hui.
cu
:Fa
Dans la norme AFNOR NF EN ISO 14978180 qui décrit ce qu’il faut intégrer dans
om
une norme, il est signifié ce qui suit : « Exception faite de quelques exemples
x.c
rvo
(c’est-à-dire l’ISO 1938 et l’ISO 3650), les normes relatives aux équipements
ola
ch
1.s
uh
179 Il s’agit de faire en sorte qu’un maximum de causes d’incertitude ne puisse pas s’exprimer
(i. e. faire en sorte qu’elles soient de type L.O. : même opérateur, même méthode, même
lieu, même objet « au même endroit », etc.) afin de ne voir que la répétabilité et l’effet
« instrument ».
180 NF EN ISO 14978:2006, Spécification géométrique des produits (GPS) – Concepts et exi-
gences généraux pour les équipements de mesure GPS.
127
La Smart Metrology
34
et ne satisfait aucun besoin de ses parties prenantes, c’est une perte de valeur
88
que le Smart Métrologue ne peut pas admettre. En revanche, lire les normes
5:8
89
permet d’enrichir son propre avis grâce à ceux qu’émettent des personnes
28
02
compétentes extérieures. Cela ne peut être que positif. Aussi, satisfaire les
34
at:
intérêts des membres d’une commission de normalisation, lorsque la norme
ett
-S
n’est imposée par rien, n’est pas dans les objectifs d’Élodie qui, elle, a pour es
devise : « La norme : oui pour s’enrichir, non pour la subir lorsqu’elle n’est pas
iqu
hn
réglementaire ! »
c
Te
et
Nous l’avons déjà souvent écrit dans cet ouvrage, la qualité de l’instrument
es
nc
Or, Élodie se l’entend dire tous les jours : « Oui d’accord, mais il faut produire ! »
:Fa
om
Pour arriver au bout de cette mission qui est bien sa mission essentielle,
x.c
matrice des risques) lui seront bien utiles. Néanmoins, et avant de maîtriser
uh
l’ensemble des processus de mesure et leurs limites réelles, il lui faut trouver
des solutions pour sortir des EMT arbitraires et des études d’impact inutiles,
181 Maximum permissible error : erreurs maximales tolérées d’une caractéristique métrologique.
182 Maximum permissible limit : limites tolérées d’une caractéristique métrologique.
128
La gestion d’un parc d’instruments de mesure...
ce qui lui fera gagner non seulement un temps précieux mais aussi beaucoup
d’énergie.
Les C2I sont une partie de la réponse. En effet, pour les instruments
réputés identiques, c’est-à-dire ceux qui n’ont pas été détectés et envoyés
à l’étalonnage, il est possible de conclure immédiatement à leur conformité
pour l’utilisation habituelle. À n’en pas douter, l’entreprise se serait
probablement rendu compte des conséquences de l’utilisation d’instruments
inappropriés. Par ailleurs, et puisqu’ils sont statistiquement identiques, ils ne
peuvent pas tous être « non conformes ». Le bon sens nous conduit donc
à les accepter en l’état. Notons ici que la C2I n’est qu’une forme particulière
des comparaisons inter-laboratoires (CIL) que nous avons évoquées
précédemment. Les CIL permettent d’évaluer la répétabilité intralaboratoires
et la reproductibilité interlaboratoires. La C2I permet quant à elle d’estimer
la répétabilité (de l’opérateur qui la pratique) et l’effet inter-instruments :
ce dernier est exprimé directement sous forme d’un écart-type et est utilisable
dans un calcul d’incertitude de mesure, sans passer par une évaluation
de type B souvent très critiquable, comme nous l’avons indiqué.
34
Lorsque les instruments sont uniques ou peu nombreux, il est possible de
88
trouver une solution basée sur la notion de R Per. Faute de savoir qu’elle
5:8
89
est l’incertitude de mesure acceptable pour un processus donné, il reste
28
02
cependant souvent possible de constater que l’instrument n’est pas le facteur
34
at:
prédominant et de se fixer une limite par rapport à la notion de poids de
ett
-S
l’instrument dans l’incertitude de mesure. Une simple étude R&R permet es
d’estimer la participation des opérateurs à l’incertitude. Si cette participation
iqu
hn
est nettement supérieure aux erreurs d’un instrument, le tour est joué : la part
c
Te
Notons, pour finir sur ce point, qu’un test R&R permet aussi de détecter
de
nous le constatons sur ce sujet aussi, à miser sur les hommes plutôt que
1.s
uh
129
La Smart Metrology
de toutes les autres. Finalement, il a le même problème que les industriels qui
cherchent des valeurs vraies et qui ne disposent que de valeurs mesurées,
c’est-à-dire de la somme algébrique de la valeur vraie et de l’erreur de mesure
qui s’est produite au moment de la mesure. Ainsi, lorsque le laboratoire
ne voit pas clairement l’instrument parmi toutes les causes d’incertitudes,
il ne fait face finalement qu’à son propre « bruit » (c’est-à-dire ses propres
erreurs aléatoires). L’instrument n’est, dans ce cas, pas suffisamment impor-
tant dans le processus pour être observé. Lorsque cette situation se présente
(et elle n’est pas rare), l’instrument qui n’est pas perceptible dans des conditions
optimales d’utilisation le sera encore moins dans son utilisation quotidienne
où les conditions ne peuvent être que plus mauvaises. L’instrument peut alors
être déclaré « conforme » puisque, manifestement, ce sont les autres fac-
teurs d’incertitude qui feront la qualité finale de la mesure.
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
130
8
De l’inutilité apparente
de l’incertitude de mesure
34
88
5:8
89
28
02
34
at:
ett
-S
es
Élodie a hérité d’un monde où la fiabilité des mesures n’est plus discutée.
iqu
hn
Chacun est en effet convaincu que les mesures sont justes. Avant de prendre
c
Te
le paradoxe suivant, partagé par tous les métrologues (ou presque) : si les
nc
cie
décisions (ou presque) sont prises en considérant ladite valeur comme vraie.
x.c
rvo
Bien qu’elle ait conscience aujourd’hui que cette valeur vraie puisse parfois être
ola
ch
assez éloignée de la valeur mesurée, Élodie est bien obligée de constater que
1.s
34
Suivant cette norme, il s’agit simplement de « soustraire » l’incertitude de
88
5:8
mesure U aux bornes de la tolérance pour définir une zone, dite « zone
89
28
de conformité », qui a pour propriété de permettre de déclarer « conforme »
02
34
toute entité dont la valeur mesurée appartiendra à ladite zone. Autour des
at:
ett
bornes Tinf et Tsup, dans un intervalle de largeur ± U, la norme définit deux zones
de doute et préconise de mesurer à nouveau l’entité à l’aide d’un processus -S
es
iqu
de mesure exprimant une incertitude plus petite pour pouvoir statuer. Enfin,
c hn
une valeur mesurée au-delà des zones définies ci-avant conduit à déclarer
Te
et
la non-conformité de l’entité.
es
nc
cie
Si cette approche a tout pour séduire tant elle est simple, nous verrons
sS
de
183 Spécification géométrique des produits (GPS) – Vérification par la mesure des pièces et
1.s
la non-conformité à la spécification.
184 Nous verrons dans les chapitres suivants que la vraie question n’est pas tant de savoir
si telle ou telle entité est conforme mais plutôt de faire en sorte, en prenant les bonnes
décisions aux bons moments, qu’elle le soit. Chacun admettra en effet que dans un souci
légitime d’efficience, il est nettement préférable de produire conforme plutôt que de vérifier
si on a produit conforme…
132
De l’inutilité apparente de l’incertitude de mesure
34
88
5:8
89
28
02
34
at:
ett
Figure 8.1 Prise en compte des incertitudes de mesure
-S
suivant norme la norme AFNOR NF EN ISO 14253-1:2013 iqu
es
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
courante et nous pouvons donc en conclure que les tolérances exprimées sur
les spécifications ont d’ores et déjà les propriétés de la « zone de conformité »
décrite dans la norme AFNOR NF EN ISO 14253-1. Ce constat n’est finalement
pas surprenant. Les tolérances actuelles ont été déterminées par un modèle
dans lequel la réalisation d’entités conformes fonctionnellement est souvent
133
La Smart Metrology
34
88
5:8
89
28
8.2 Du tolérancement « au pire des cas »
02
34
au tolérancement quadratique
at:
ett
-S
es
iqu
aussi par sa simplicité, un calcul de tolérance dit « au pire des cas » peut
cie
Imaginons le cas simple suivant : nous voulons agencer quatre cubes dans
:Fa
imposée. Elle est fixée à 0,1 mm. Les quatre cubes ayant la même difficulté
rvo
134
De l’inutilité apparente de l’incertitude de mesure
souvent une spécification de 0,02 mm, voire 0,015 mm à chacun des cubes.
Cette stratégie est dite « au pire des cas » car elle prévoit que quatre cubes
en cote maximale et quatre cubes en cote minimale puissent répondre
à l’exigence, c’est-à-dire se loger ensemble dans la boîte.
34
88
5:8
soit :
89
28
02
34
at:
Contrairement à l’intuition du déterministe, quatre cubes produits selon
ett
-S
un processus de fabrication sans décentrage et de tolérance individuelle es
iqu
de 0,05 mm peuvent entrer dans une boîte de tolérance 0,1 mm. Ce simple
c hn
On passe ici d’une tolérance calculée de 0,015 mm (au pire des cas)
sS
à 0,05 mm (approche quadratique), soit une exigence trois fois moins forte
de
lté
135
La Smart Metrology
d’un côté, il faut donc le payer d’un autre mais pour des gains qui s’avèrent
non négligeables au final185.
34
88
il convient également d’évaluer le risque de défaillance et, dans la mesure
5:8
89
du possible, de l’optimiser en agissant sur les « positions » des constituants.
28
02
34
Pour illustrer ce propos, considérons l’exemple du bouchon de stylo.
at:
ett
Dans le raisonnement « au pire des cas », le concepteur exige que tous
-S
les bouchons soient « plus grands » que tous les stylos (voir la figure 8.3). es
iqu
grands, soit trop petits pour les stylos qu’ils rencontreront (voir également
cie
sS
la figure 8.3).
de
lté
185 Nous verrons dans le prochain chapitre (chapitre 9 « La Smart Metrology au service du
1.s
pilotage des procédés ») consacré à la maîtrise des procédés de fabrication en quoi une
uh
136
De l’inutilité apparente de l’incertitude de mesure
Si les exemples précédents sont tous les deux pris dans le domaine
mécanique, l’approche probabiliste ne lui est pas réservée. Tous les procédés
sont concernés par les phénomènes aléatoires et peuvent être dimensionnés
par une approche probabiliste187.
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
Figure 8.3 Tolérancement au « pire des cas » (en haut) et « probabiliste » (en bas)
nc
cie
sS
de
lté
187 Le lecteur pourra par exemple lire l’article suivant qui traite du dimensionnement probabiliste
des caractéristiques métrologiques de micropipettes chez un leader mondial dans la
production de vaccins : www.deltamu.fr/Publications/TelechargerArticlePublication/21
137
La Smart Metrology
34
88
de production sont plus performants que les processus de mesure qui les
5:8
89
suivent.
28
02
34
Par exemple, sur l’étude des micropipettes évoquée précédemment,
at:
ett
nous avions pu démontrer que les erreurs observées lors de leur étalon-
nage provenaient très majoritairement de l’effet « opérateur ». Si, dans des -S
es
iqu
.
x.c
rvo
ola
138
De l’inutilité apparente de l’incertitude de mesure
Cette incertitude a été évaluée à partir de valeurs obtenues par une quin-
zaine de laboratoires habitués à mesurer des pièces de provenance très
différentes. Après un temps de discussion autour des incertitudes (comment
peut-on vérifier une tolérance de 0,006 mm avec une incertitude de ± 0,01 mm
sans que cela pose de problème ?), l’idée a été de s’intéresser aux moyennes
générales obtenues sur les nombreux alésages qui avaient été mesurés par
les laboratoires. Il est apparu que toutes les moyennes étaient quasiment
au nominal, c’est-à-dire au milieu de la tolérance. Sachant que ces moyennes
estiment la valeur « vraie » des alésages (car elles proviennent de plusieurs
mesures toutes indépendantes), le procédé de fabrication ne pouvait être
que beaucoup plus performant que le processus de mesure.
Ces cas ne sont pas exceptionnels et chaque Smart Métrologue, comme Élodie,
pourra le constater par lui-même. Une bonne compréhension des propriétés
des erreurs de mesure et l’observation de quelques dizaines d’échan-
tillons d’une production suffisent souvent à conclure… Pour faire simple,
et de manière caricaturale, si l’écart-type estimé à partir de trente entités
34
88
différentes est comparable à celui obtenu en mesurant trente fois une même
5:8
89
entité par le même processus de mesure (test de Fisher), alors cet écart-type
28
02
représente principalement la variabilité du processus de mesure.
34
at:
ett
Ce qui est fait est fait ! Nous n’avions peut-être pas besoin d’équipements
aussi performants que ceux disponibles aujourd’hui mais la combinaison de -S
es
iqu
La métrologie n’a en effet pas encore réellement été exploitée dans le cadre
:Fa
om
mité. En pensant que les mesures sont justes, les industriels ont pu com-
rvo
ola
139
La Smart Metrology
34
88
un quelconque potentiel ? Au contraire, combien de voies ont-elles été
5:8
89
suivies alors qu’elles ne menaient à rien ? Enfin, combien d’hypothèses ont-
28
02
elles été retenues sans tenir compte de leur fiabilité et des actions inutiles,
34
at:
voire néfastes, entreprises à tort ? Non seulement l’incertitude de mesure,
ett
-S
lorsqu’elle n’est pas considérée, peut augmenter le fameux « time to market189 »
es
mais elle peut également priver l’entreprise de potentiels d’innovation.
iqu
hn
La mesure est au cœur des décisions et la R&D n’est pas épargnée par cette
c
Te
modèles standards (moindre carré par exemple) met en évidence que seules
nc
cie
140
De l’inutilité apparente de l’incertitude de mesure
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
141
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
9
La Smart Metrology
au service du pilotage
des procédés
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
tifs partagés par la totalité des unités de production. Lorsque les productions
es
nc
séries (ou en grands volumes), chaque entité ne peut pas être mesurée190
:Fa
om
qu’est la Maîtrise statistique des procédés (MSP191). Ces outils reposent sur
rvo
ola
190 Ce constat se révèle de moins en moins vrai. Nous verrons, au chapitre 11 (« La Smart
Metrology : métrologie des décisions ») que la possibilité de plus en plus fréquente
de mesurer « en ligne » toute une production offre de nouvelles opportunités en termes de
gains de productivité.
191 Ou Statistical process control (SPC) en anglais.
La Smart Metrology
ladite population est compatible avec les spécifications clients (ou faire
en sorte qu’elle le devienne via des réglages) puis de suivre dans le temps
son évolution de façon à garantir le maintien de la conformité tout au long
du cycle de production. Si le métrologue traditionnel est rarement associé à
la mise en œuvre de la MSP, Élodie a rapidement compris que son expertise,
tant statistique que métrologique, était cruciale pour que cet outil soit exploité
dans les meilleures conditions par son entreprise. Elle a ainsi pu démontrer
que la métrologie ne se limite pas à la gestion d’instruments de mesure.
34
des entités produites
88
5:8
par un procédé de production
89
28
02
Le procédé de production, comme tout procédé, ne peut pas produire
34
at:
en permanence rigoureusement la même entité. Là encore, les 5M sont
ett
-S
à l’œuvre et le caractère aléatoire de chacun d’eux entraîne le caractère es
aléatoire du procédé global. De ce fait, chaque caractéristique des entités
iqu
hn
produites se distribue suivant une loi de probabilité qui, lorsqu’elle est connue,
c
Te
génère par rapport aux spécifications. Tout comme pour les incertitudes
nc
cie
elle n’est pas toujours vraie. Par exemple, les caractéristiques géométriques
x.c
rvo
tration d’une substance dans une matrice ne peut pas être inférieure à zéro.
192 Qui relèvent du même phénomène 5M, comme nous l’avons vu précédemment.
193 Les causes originelles étant nombreuses et souvent indépendantes (voir le théorème de
la limite centrale).
144
La Smart Metrology au service du pilotage des procédés
34
88
économique important. En cela, l’analyse de la variance constitue un outil
5:8
très important. Elle permet en effet d’identifier les facteurs qui, dans le temps,
89
28
dégradent significativement la performance du procédé et d’adapter ainsi
02
34
les stratégies de suivi.
at:
ett
-S
es
9.1.3 Conclure sur l’aptitude du procédé de production
iqu
c hn
Te
apte à produire des entités dont les caractéristiques sont conformes aux
rvo
ola
194 L’aptitude d’un procédé doit s’entendre comme la capacité à assurer la conformité de toutes
les caractéristiques importantes pour la fonctionnalité des entités que le procédé permet
de produire. On supposera dans le texte, par souci de simplification, que ces caractéris-
tiques sont indépendantes. Cette condition n’est évidemment pas toujours respectée,
par exemple dans les pièces moulées. Dans ces cas-là, il faut utiliser des techniques
multivariées.
145
La Smart Metrology
34
88
En effet, une exigence sur ce coefficient induit un coût de production car
5:8
89
la diminution de la dispersion naturelle d’un procédé de fabrication impose
28
02
souvent de lourds moyens tels qu’une ambiance maîtrisée, la constance dans
34
at:
les lots « matière », des outils de production plus performants, etc.
ett
-S
es
Dans la littérature, on trouve fréquemment l’exigence suivante :
iqu
hn
195 Il existe énormément de littérature sur le sujet et de nombreux indicateurs plus ou moins
dérivés de ceux présentés ici peuvent être imaginés. Le but de cet ouvrage n’étant pas de
faire un point exhaustif sur la MSP, nous nous limiterons aux indicateurs les plus usuels.
146
La Smart Metrology au service du pilotage des procédés
34
88
5:8
89
28
02
34
at:
ett
Figure 9.1 Distributions d’une même caractéristique
-S
pour deux procédés différemment décentrés es
iqu
c hn
Te
« capabilité potentielle corrigée (du décentrage) », appelé Cpk (ou Ppk pour
es
nc
où et est le décentrage.
ola
ch
1.s
uh
147
La Smart Metrology
Il est très souvent possible d’agir sur le décentrage via les réglages
du procédé. Si la dispersion naturelle impose de lourds moyens pour être
maîtrisée, le décentrage impose, quant à lui, de maîtriser les réglages,
ce qui suppose une métrologie performante. En complément de l’inégalité
précédente portant sur Cp, l’aptitude est jugée par l’inégalité
où l’objectif Cpkobj est choisi (nombre tel que ). Cet objectif
a également des impacts économiques et devrait être théoriquement fixé
par un accord client-fournisseur. En admettant la possibilité de régler
le procédé pour maintenir l’inégalité précédente, un important Cpkobj
imposera une stratégie de surveillance du procédé plus stricte et donc
des échantillonnages fréquents avec des effectifs d’échantillonnage plus
importants.
34
la dispersion relativisés à l’intervalle de tolérance. Aussi, en définissant
88
5:8
le rayon de tolérance par , il paraît naturel de considérer
89
28
02
les deux indicateurs suivants qui représentent les pourcentages de décen-
34
at:
trage et de dispersion par rapport à ce rayon : et .
ett
-S
es
iqu
et .
nc
cie
sS
de
Par ailleurs, ils permettent de définir très facilement des notions différentes
lté
(voir figure 9.2). Sur ce graphique, chaque point représente l’aptitude d’un
om
148
La Smart Metrology au service du pilotage des procédés
34
88
graphique correspondante est l’intérieur d’un trapèze délimité par le triangle
5:8
89
et la ligne supérieure du rectangle. Ce jugement de conformité souffre
28
02
de la même limite que celui qui est exprimé lorsque la zone triangulaire
34
est choisie. Ainsi, une caractéristique peut être jugée conforme en étant
at:
ett
très décentrée et très peu variable.
-S
es
iqu
de bon sens suivante : « être apte, c’est être peu décentré et peu
Te
et
( et ), mais par : .
sS
de
lté
cu
:Fa
196 Cette situation correspond à un point situé sur le sommet du triangle. Attention à ne pas
uh
confondre cette situation avec la condition précédente qui conduisait à 64 ppm et qui
correspondait à %δ = 0 et Cp = 4/3, c’est-à-dire %σ = 1/4.
197 Sur le graphique, l’inégalité « Cpobj inférieure à Cp » se traduit par une zone en dessous
d’une ligne horizontale.
198 Ce taux de « non conforme » maximal correspond à l’un ou l’autre des coins supérieurs
du rectangle.
149
La Smart Metrology
34
de tolérance TSup et TInf (si sa dispersion est très faible). Dans l’exemple
88
5:8
où il s’agit de faire entrer quatre cubes dans une boîte, un procédé qui ne
89
produirait que des cubes de longueur en limite maximale de tolérance (TSup)
28
02
34
engendrerait probablement des efforts pouvant mettre en péril la fiabilité
at:
du système. À l’inverse, si la longueur des cubes est proche de TInf, le jeu
ett
-S
induit par les cubes dans la boîte peut s’avérer trop important, compromettant es
iqu
limite est une situation que devraient détester les industriels (voir figure 9.3
es
nc
ci-après).
cie
sS
de
199 Ce type de conformité est lié au « tolérancement inertiel » développé par Maurice Pillet,
professeur des universités au département Qualité, logistique industrielle et organisation
de l’IUT d’Annecy et directeur de recherche au laboratoire Symme de l’Université de Savoie.
150
La Smart Metrology au service du pilotage des procédés
34
88
la valeur au centre de la tolérance .
5:8
89
28
02
9.2 Les cartes de contrôle
34
at:
ett
-S
Les cartes de contrôle sont le principal outil de la MSP. Elles se construisent es
iqu
progressivement. Elles ont pour objectif de vérifier que le procédé est maî-
hn
Pour réaliser ce suivi, des prélèvements à partir desquels sont calculés une
de
151
La Smart Metrology
des paramètres est due à l’effet échantillonnage, soit le procédé connaît une
évolution (dérive) monotone ou accidentelle. Les règles d’alertes sont défi-
nies par des tests statistiques qui servent à attirer l’attention sur un phéno-
mène jugé possiblement douteux, ce qui ne signifie pas que le phénomène
est réellement douteux. D’ailleurs, Élodie ne perd jamais de vue que,
lorsqu’elle doute, elle peut toujours augmenter le nombre d’observations
avant de statuer.
La littérature regorge de documentations sur la question des cartes
de contrôle, des plus simples (cartes de la moyenne ou de l’étendue)
aux plus compliquées. Néanmoins, Élodie s’est souvent interrogée sur le fait
que cette littérature fait peu de cas de la métrologie. En effet, et cela est
rarement rappelé, l’évolution d’une moyenne ou d’un écart-type de séries
mesurées périodiquement peut signifier deux choses :
1. soit le procédé de production évolue effectivement et des actions
pertinentes doivent être engagées pour maintenir la conformité des en-
tités produites ;
2. soit l’évolution observée, puisqu’elle est obtenue par des mesures,
est due en réalité à l’évolution du processus de mesure lui-même.
34
88
Des actions pertinentes pour le remettre à niveau doivent alors être
5:8
engagées. Ce cas est facilement révélé sous réserve d’avoir mis le
89
28
processus de mesure sous surveillance également, c’est-à-dire de l’avoir
02
34
confronté à des entités stables et transcrit les résultats sur… une carte
at:
ett
de contrôle. Pour prendre de bonnes décisions, Élodie n’a pas hésité à
mettre sous surveillance ses processus de mesure les plus sensibles, -S
es
iqu
ce qui est ici bien plus efficient que des étalonnages périodiques.
c hn
Te
On peut toujours craindre que les deux processus (le procédé de fabrication
et
es
et doit être considéré avec attention. Dans ce cas, une carte de contrôle
ola
152
La Smart Metrology au service du pilotage des procédés
34
elle sait qu’il ne suffit pas d’étalonner des instruments de mesure (pratique
88
5:8
commune) pour que les mesures soient suffisamment fiables et que,
89
par conséquent, les conclusions de l’étude d’aptitude soient pertinentes.
28
02
34
at:
Alors que l’hypothèse suivant laquelle lesdites incertitudes de mesure
ett
-S
peuvent être négligées est souvent formulée (et ordinairement de façon im- es
plicite), il est impératif de s’en assurer avant toute étude d’aptitude. Il convient
iqu
hn
délicate. Le référentiel qui semble faire consensus de nos jours est le MSA 201.
:Fa
om
Élodie, comme tous les Smart Métrologues, en a fait un temps son livre
x.c
153
La Smart Metrology
Dans sa version la plus simple, le MSA propose d’étudier les effets liés
aux moyens de mesure (notée EV pour Equipment variation – variation de
l’équipement) et aux opérateurs (notés AV pour Appraiser variation – variation
due à l’opérateur), effets qui sont souvent majoritaires notamment dans
le monde mécanique. En pratique, il convient donc de s’assurer que
la dispersion uc du processus de mesure est négligeable devant la dispersion
du procédé de fabrication. Par ailleurs, il convient de vérifier préalablement
que le processus de mesure ne présente pas de biais, biais qui aurait
un impact sur l’évaluation de la moyenne du procédé de fabrication,
donc sur le taux de non conforme que le procédé produit202.
34
88
En conséquence, nous ne pouvons qu’inciter le lecteur à l’étudier afin d’appro-
5:8
89
fondir cet aspect de la Smart Metrology appliquée au pilotage des procédés.
28
02
34
9.3.2 L’échantillonnage (effectif et représentativité)
at:
ett
Comme dans toutes les études statistiques, le prélèvement des entités -S
es
iqu
ont été discutées dans la Partie I (« La métrologie ? C’est quoi, au juste ? »).
cie
sS
de
Ce qui est essentiel ici est la prise en compte des facteurs de dispersion
lté
cu
202 Il nous faut ici préciser que les caractères L.O. et H.O. de certains facteurs des incertitudes
ola
ch
154
La Smart Metrology au service du pilotage des procédés
34
88
Même s’il est probable que l’évolution technologique permettra, dans un
5:8
89
avenir proche, de mesurer 100 % d’une production, il est encore difficile
28
02
et coûteux de le faire de nos jours. L’inférence statistique204 s’impose donc
34
at:
encore pour connaître (étude d’aptitude) et maintenir (cartes de contrôle)
ett
la qualité intrinsèque d’un procédé de fabrication. Le concept d’aptitude d’un
-S
es
processus de mesure, c’est-à-dire sa capacité à quantifier l’aptitude
iqu
hn
d’un procédé de fabrication, est une clé essentielle. Il répond à une question
c
Te
204 Rappelons que l’inférence statistique est la science qui permet d’estimer certaines quantités
d’une population parente à partir d’un échantillon de cette dernière.
155
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
10
La Smart Metrology :
métrologie des décisions
34
88
5:8
89
28
02
La métrologie est souvent associée à la qualité, c’est-à-dire, pour la plupart
34
at:
des professionnels, à la conformité qui assure cette qualité. Malheureu-
ett
sement, la qualité se vérifie plus qu’elle ne s’obtient et il est frappant
-S
es
de constater que le « contrôle » reste encore l’un des rôles principaux
iqu
hn
est, selon le cas, soit inutile s’il est effectivement conforme, soit trop tardif s’il
et
es
élevant ainsi son art au comble de l’inutilité, devrait induire une prise
sS
Comme nous l’avons vu, la capacité à donner satisfaction aux clients avec
om
x.c
que le client peut accepter, ce dernier devant alors « faire avec » les entités
ola
ch
205 Il ne faut pas confondre cette dénomination de « risque client » avec un risque décisionnel
qui apparaît dans un test statistique (risque alpha ou bêta) et qui peut avoir parfois le même
nom. Pour un test, les risques sont des probabilités conditionnelles, alors qu’ici, il s’agit de
la probabilité d’une conjonction : mesurer conforme et être non conforme.
La Smart Metrology
34
88
de mesure » en donnant la règle suivante :
5:8
89
28
02
34
at:
La norme précisait alors que le coefficient C devait être contractuel,
ett
-S
c’est-à-dire convenu entre les parties. Elle définissait également des règles es
iqu
de décision qui devaient, elles aussi, faire l’objet d’un accord (voir figure 10.1).
c hn
Te
Tolérance exprimée
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
NF EN ISO 14253-1. Toutes les deux définissent en effet des zones à partir
de la tolérance exprimée et de l’incertitude de mesure. Néanmoins, la norme
NF E 02-204 préconisait la règle suivante : « Dans le cas d’absence d’un
accord entre client et fournisseur, le produit sera déclaré conforme dans la
158
La Smart Metrology : métrologie des décisions
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
159
La Smart Metrology
34
la rentabilité nécessaire à la poursuite de son activité et de devoir fermer
88
5:8
ses portes.
89
28
02
Il en est de même dans tous les domaines. Par exemple, dans celui de la santé,
34
le risque lié au résultat obtenu lors d’une analyse de sang est de deux ordres :
at:
ett
soit cette analyse a conclu que vous n’êtes pas malade, alors que vous
-S
es
l’êtes en réalité et vous risquez donc de ne pas suivre le traitement adéquat
iqu
hn
(vous êtes alors peut-être en danger) ; soit elle a déterminé que vous étiez
c
Te
malade alors vous ne l’êtes pas et un traitement inutile vous est prescrit,
et
es
traitement dont les effets directs, voire secondaires, peuvent vous être
nc
cie
préjudiciables.
sS
de
Dans le domaine des vérifications métrologiques, qui nous est plus familier,
lté
208 Cette question est très perturbante dans notre société. La réponse évidente, lorsque la
ch
1.s
question est ainsi posée, est systématiquement : aucun. Malheureusement, le risque zéro
uh
n’existe pas : par exemple, en prenant votre voiture, vous prenez le risque d’un accident,
il est faible et c’est tant mieux, mais il n’est pas nul. De même, en voyageant en avion,
vous prenez aussi un risque car certains s’écrasent parfois. Par ailleurs, le terme
de risque n’est, quant à lui, même pas évoqué dans la norme NF EN ISO 14253-1. Il est en
revanche à la base du FD ISO/TR 14253-6:2013 (Spécification géométrique des produits
(GPS) – Vérification par la mesure des pièces et des équipements de mesure – Partie 6 :
règles de décision générales pour l’acceptation ou le rejet d’instruments et de pièces).
160
La Smart Metrology : métrologie des décisions
34
incertitude de mesure et conformité
88
5:8
89
28
En 2012, le JCGM a produit un document210 immédiatement repris sous
02
34
forme d’une norme ISO211, norme ISO elle-même rapidement traduite en
at:
ett
français pour rejoindre dès 2013 la collection française sous la référence
NF ISO/CEI GUIDE 98-4:2013 (Incertitude de mesure – Partie 4 : rôle de -S
es
iqu
« Dans le cas de la figure 10.3212, quel est le risque que l’entité soit réelle-
de
lté
209 Sous condition, souvent implicite, d’une aptitude donnée du processus de mesure.
ola
210 JCGM 106:2012, Évaluation des données de mesure – Le rôle de l’incertitude de mesure
ch
jcgm/JCGM_106_2012_E.pdf).
uh
211 ISO/CEI GUIDE 98-4:2012, Incertitude de mesure – Partie 4 : rôle de l’incertitude de mesure
dans l’évaluation de la conformité.
212 Comme nous l’avons déjà dit, cette figure entretient une grave confusion puisque la valeur
mesurée n’est qu’une réalisation d’une loi de probabilité, elle n’a donc aucune raison de
correspondre à la moyenne pour une loi normale par exemple. C’est pourtant ce que suggère
cette figure trop souvent présente dans les manuels et les normes.
161
La Smart Metrology
Tolsup
Tolérance exprimée
Valeur mesurée
Figure 10.3 Situation d’une mesure sur la limite de tolérance supérieure
34
88
encore de nous jours se permettre de produire plus de 50 % d’entités
5:8
89
non conformes ?
28
02
En fait, la question du risque client (voir figure 10.4) doit être posée de
34
at:
la façon suivante : « Quel est le risque de mesurer «conforme» une entité
ett
-S
réellement «non conforme» ? » es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
uh
162
La Smart Metrology : métrologie des décisions
De plus, au regard du client, cette question doit se poser pour toutes les
entités potentiellement non conformes, c’est-à-dire toutes les entités que le
procédé, compte tenu de ses propriétés, peut générer en dehors des limites
de tolérances TInf et TSup. L’expression mathématique des risques client et
fournisseur est complexe213. Il est néanmoins fondamental de comprendre
que leurs évaluations imposent de connaître la loi de probabilité du procédé.
Définir les risques liés aux mesures grâce à une description et à une quan-
tification des procédés de l’entreprise est pour Élodie, sans conteste,
une tâche intéressante et pertinente.
La simulation numérique, outre le fait qu’elle permet de « voir » concrètement
les phénomènes, peut également contribuer à expliquer et évaluer les risques.
Il suffit en effet de simuler des valeurs possibles du procédé, de statuer
sur la conformité de l’entité générée (par simple comparaison à TInf et TSup
de la valeur générée), de générer une erreur de mesure, de l’additionner
à la valeur du procédé tirée précédemment puis de comparer cette somme
à TInf et TSup. En recommençant cette séquence un grand nombre de fois,
il est aisé de calculer les ratios correspondants aux définitions des risques
client et fournisseur.
34
88
La seule valeur de C ne suffit donc pas à répondre à la question mais Élodie
5:8
89
a tout de même pu mettre ce concept d’aptitude à profit. Dans son idée,
28
02
et puisque l’entreprise satisfait ses clients alors que les spécifications sont
34
at:
vérifiées sans tenir compte des incertitudes de mesure, les processus
ett
-S
de mesure mis en œuvre sont donc, a priori, « suffisamment capables ». es
En interrogeant les opérateurs sur les types de moyen de mesure214 qu’ils
iqu
hn
213 On pourra consulter à ce propos l’article intitulé « Control of customer and supplier risks
ch
of Metrology and Quality Engineering, 2015, Vol. 6, n° 2, 205. Le lecteur intéressé pourra
uh
télécharger gratuitement, sur le site de la société Delta Mu, un fichier Excel qui permet
de faire les calculs par simulation numérique (lien : http://www.deltamu.fr/Publications).
214 Le moyen de mesure induit un processus de mesure qui exprime une incertitude moyenne
qu’il est possible d’évaluer.
215 Il serait en effet malvenu qu’encore jeune, elle se permette de mettre en cause la compétence
des plus anciens généralement sûrs de leur fait et difficiles à contredire !
163
La Smart Metrology
34
88
les propriétés de la loi de probabilité du procédé sont connues, il est possible
5:8
89
de calculer le risque client sous-jacent.
28
02
34
Ce concept s’étant installé dans notre culture, il n’est pas rare qu’il soit
at:
ett
imposé par un cahier des charges ou une commande. Il n’est cependant
pas rare non plus qu’il ne soit pas raisonnablement tenable, ce qui peut -S
es
iqu
tenir compte d’une incertitude qui serait trop grande par rapport à l’incertitude
cie
sS
(voir la figure 10.5 ci-après). Ces bandes de garde sont en général bien
rvo
ola
L’idée de résoudre une telle équation complexe216 n’est pas pour rassurer
uh
216 Pour ne pas « effrayer » ceux des métrologues non aguerris aux expressions mathématiques
compliquées, nous avons décidé de ne pas écrire explicitement la formule des risques client
et fournisseur. Elle est aisément accessible sur le Web.
164
La Smart Metrology : métrologie des décisions
SLinf SLsup
Zone d’acceptation
34
lequel est également assumé par le client (voir figure 10.6).
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
effet très vite aller à l’encontre de celui qui pense en tirer parti puisqu’il peut
uh
217 Le facteur de garde se définit comme le ratio : 1 - (SLsup - SLinf)/(Tsup - Tinf). Ainsi, l’intervalle
[Tinf,Tsup] contient [SLinf,SLsup] lorsque le facteur de garde est positif et est inclus dans
[SLinf,SLsup] lorsque le facteur de garde est négatif. Le graphique est construit pour un
procédé de loi normale de moyenne 0 et d’écart-type 1, une incertitude-type de mesure de
0,2 et une tolérance de Tsup – Tinf = 4
165
La Smart Metrology
34
peut choisir de diminuer le poids du risque de réglages et de rebuts inutiles
88
5:8
devant celui de non-fonctionnalité. Et parce que choisir, c’est renoncer,
89
28
les consensus sont nécessaires pour disposer de stratégies efficientes.
02
34
Les missions de la métrologie contribuent alors au processus de décision.
at:
ett
Définir les pondérations des risques client et fournisseur que l’entreprise
est prête à assumer constitue l’une des plus valorisantes de ces missions -S
es
iqu
ne peut s’affranchir.
Te
et
es
Élodie, en tant que métrologue avertie, a bien compris tout l’intérêt de ces
nc
cie
même de les envoyer en vérification. Elle évite ainsi de trop subir un risque
om
fournisseur sur lequel elle n’a pas prise. En effet, lorsque le laboratoire
x.c
rvo
déclare non conforme un instrument qui ne l’est pas en réalité, elle n’a en
ola
pour l’envoyer dans un autre laboratoire qui confirmera (ou non) l’avis initial.
Elle subirait alors tous les coûts liés à cette opération dont l’indisponibilité
218 Voir le chapitre 7 « La gestion d’un parc d’instruments de mesure, ou comment gagner
le temps nécessaire pour faire de la Smart Metrology ».
166
La Smart Metrology : métrologie des décisions
Jusqu’ici, et sans l’avoir écrit, nous avons traité de ce que la norme appelle
le risque global, c’est-à-dire le taux calculé comme le rapport entre le
nombre de non-conformités vraies non détectées du fait de la mesure et
le nombre d’entités acceptées219. Cela sous-entend donc que nous mesurons
la totalité du lot d’entités. Or, à part quelques cas particuliers220, il est
34
88
rare que les lots soient mesurés à 100 % pour déclarer leur conformité.
5:8
89
Très souvent en revanche, les demandeurs s’intéressent à la conformité
28
02
d’une entité en particulier. C’est le cas notamment, par exemple, du patient
34
qui, en se soumettant à des analyses, souhaite déterminer s’il est malade
at:
ett
ou non. Ce qu’il en est des autres patients ne l’intéresse pas.
-S
es
iqu
à une mesure observée, quelle est la probabilité que la valeur vraie (qui n’est
es
nc
Or, dans bien des cas, l’entité d’intérêt (le patient qui demande à connaître sa
de
lté
glycémie par exemple) est, ainsi que l’erreur de mesure, la réalisation d’une
cu
:Fa
variable aléatoire : ce patient est l’un des patients possibles. Cette variable
om
aléatoire suit une loi dite « a priori » et lorsque l’on connaît la loi du processus
x.c
rvo
167
La Smart Metrology
Moyenne mapriori = 50
A priori
Écart-type sa priori = 1
Biais 0
Loi mesure
Écart-type smes = 1
Dans un tel contexte, si nous obtenons une valeur égale à vmes = 52222 suite
à la mesure, nous pouvons estimer la probabilité des valeurs « vraies »
conditionnellement à cette observation (voir figure 10.7).
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
de plus sur l’entité mesurée que ce qui est habituellement exprimé par
ch
1.s
uh
168
La Smart Metrology : métrologie des décisions
avec
34
88
de quantifier la probabilité que la valeur vraie soit ou non au-delà de la
5:8
89
tolérance exprimée. Il est alors possible de répondre, avec un risque maîtrisé,
28
02
à la question du type : ce patient est-il malade ?
34
at:
Dans ce chapitre, nous avons traité de la question des risques liés aux
ett
-S
décisions, pour des lots ou pour des entités. Cette question nous a permis de iqu
es
montrer comment, là encore, la connaissance de l’incertitude est primordiale
hn
de mesure n’est pas, de nos jours, une nécessité pour déclarer la conformité,
sS
de
169
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
11
La Smart Metrology :
métrologie (de l’usine)
du futur
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
data, est porté par une capacité de stockage de données colossale, une
sS
de
place, chaque jour un peu plus, dans le quotidien et les esprits de tout
om
x.c
34
88
permanence de clients, de prospects, d’analyse de profils, d’expérience
5:8
89
utilisateur, d’analyse de comportements, etc. Toute l’énergie y est souvent
28
02
focalisée sur le commerce.
34
at:
ett
Si les commerçants ont en effet besoin de comprendre les clients pour mieux
les convaincre, les industriels, eux, ont en revanche besoin de comprendre -S
es
iqu
monde », c’est agir de façon adaptée par des décisions justifiées et efficientes.
de
172
La Smart Metrology : métrologie (de l’usine) du futur
34
d’une entité ou d’un instrument de mesure, mais bel et bien de garantir que
88
la donnée (c’est-à-dire la mesure) représente le plus fidèlement possible
5:8
89
la réalité, condition sine qua non pour espérer en tirer de la « valeur ».
28
02
Cette révolution est une réelle opportunité pour une remise en cause des
34
at:
pratiques et tendre vers le « juste nécessaire ». Pour les métrologues,
ett
-S
l’opportunité est ainsi immense de participer à la réussite de leurs entreprises es
dans ce futur inattendu.
iqu
c hn
Alors que le big data se définissait, à ses débuts, par les 3V (volume, variété
Te
et
et vélocité), les précurseurs ont rapidement fini par comprendre, pour l’avoir
es
nc
aussi intuitif d’admettre que ces données doivent être impérativement fiables
:Fa
om
réseaux sociaux, Élodie s’est très vite passionnée pour ces nouveaux
uh
challenges.
224 Les anglo-saxons parlent de « fact driven » pour qualifier ceux qui prennent des décisions
à partir de « faits » en opposition aux « opinion driven », terme qualifiant ceux qui prennent
des décisions sur la base de leurs opinions.
173
La Smart Metrology
34
88
de qualité. La première révolution industrielle, avec le charbon comme
5:8
89
source d’énergie , date de 1790. La deuxième révolution naît autour de 1850
28
02
avec l’électricité. Depuis, l’activité industrielle n’a cessé de se développer
34
et de progresser, passant d’ateliers de quelques dizaines de personnes
at:
ett
à des firmes mondiales comptant plusieurs milliers de collaborateurs.
-S
es
Avec l’ouverture des frontières, le terrain de la compétition est désormais
iqu
hn
évolué depuis 1790, on peut constater (et regretter) que le mode de pensée
om
x.c
qui conditionne nos recettes n’a, quant à lui, que bien peu progressé. Or, il
rvo
225 La phase de validation peut conduire à revoir la conception initiale et ceci, autant de fois que
uh
nécessaire pour obtenir le résultat attendu. Cette mise au point récursive est consommatrice
de temps. Elle impacte non seulement le prix de revient de l’objet mais aussi le « time
to market », ce dernier pouvant remettre en cause la pertinence du produit lui-même.
226 Le concept de troisième révolution industrielle a été popularisé par Jeremy Rifkin. Elle se
traduit par le développement des nouvelles technologies de l’information et de la commu-
nication à partir du milieu du XXe siècle.
174
La Smart Metrology : métrologie (de l’usine) du futur
cause nos recettes d’antan. Nous venons en effet d’un monde « déterministe »
dans lequel le principe « deux et deux font quatre » suffisait à l’action.
La réalité est cependant bien plus « imprévisible ». Nous avons notamment vu
comment la statistique permet d’exploiter le caractère aléatoire des événe-
ments pour une meilleure appréhension de cette réalité. Cette science a
connu un essor important à partir de la seconde moitié du xxe siècle mais
a du mal à pénétrer le quotidien du monde industriel, même si la MSP et le
Six Sigma227 ont connu des fortunes diverses. Bertrand Russell228 résume
assez bien la difficulté quasi existentielle d’accepter le monde probabiliste
lorsqu’il écrit : « Ce que les hommes veulent, en fait, ce n’est pas la
connaissance, c’est la certitude. » La statistique ne propose finalement
que des doutes, des risques et, au final, tout ce qui nous angoisse…
Aussi, l’industrie est restée dans la pratique la plus courante symbolisée
par le principe discutable : « TOUS les bouchons doivent être plus grands
que TOUS les stylos pour que l’ensemble bouchon/stylo fonctionne. »
Les conséquences de cette pensée sont, comme nous l’avons vu, coûteuses,
très coûteuses… Or, en réalité, il suffit qu’un bouchon particulier soit plus
grand, mais pas trop, que le stylo particulier qu’il devra fermer. « Bouchon
34
particulier » et « stylo particulier » doivent être vus ici comme ils sont,
88
5:8
c’est-à-dire des réalisations des procédés industriels qui les produisent…
89
28
02
34
11.2.1 Big data et data mining :
at:
ett
la recherche du « Graal » dans l’hyperespace
-S
es
iqu
sortir de cette contrainte. Avec les capteurs actuels de toute sorte, filaires,
cie
sS
sur tous types de paramètres, nous sommes entrés dans l’ère du « 100 %
lté
cu
mesuré » ou, tout du moins, du « 100 % mesurable ». Toutes ces données qui
:Fa
om
227 Le Six Sigma désigne une méthode de gestion de projet s’appuyant essentiellement sur
les outils statistiques traditionnels que nous avons décrits.
228 Bertrand Russell (1872-1970) est un mathématicien, logicien, philosophe, épistémologue,
homme politique et moraliste britannique.
175
La Smart Metrology
Prenons un exemple simple pour illustrer l’une des techniques du data mining
dite « hypercube ». Imaginons que nous souhaitions trouver les paramètres
optimaux pour obtenir des plantes d’une longueur supérieure à une limite.
Nous pourrons, dans un premier temps, identifier les facteurs « arrosage »
et « lumière » comme des facteurs importants à considérer. En recueillant
chaque jour, tout au long d’une production, les données relatives aux quantités
de lumière et d’arrosage reçues par chaque plante, il est possible, au moment
de la récolte, d’associer le paramètre « longueur » (grandeur d’intérêt)
aux paramètres influents « arrosage cumulé » et « lumière cumulée ».
Chaque plante peut alors être représentée par un point de coordonnées
(« arrosage cumulé », « lumière cumulée ») dans un simple plan (X ; Y) tel
que présenté sur la figure 11.1. Dans la figure proposée, le point est blanc si
la longueur est supérieure à la limite, noir dans le cas contraire. En déplaçant
un rectangle dans le plan, on peut rechercher une zone dans laquelle ne
se trouvent que des points blancs229. Les côtés du rectangle dans lequel
se trouvent les points blancs donnent les quantités cumulées de lumière et
d’arrosage qui permettent d’obtenir des plantes de longueur au moins égale
à la longueur souhaitée.
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
229 On peut aussi rechercher une zone dans laquelle on trouve un maximum de densité
de points blancs.
176
La Smart Metrology : métrologie (de l’usine) du futur
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
En ajoutant un, deux, dix, cent, mille autres facteurs d’influence, on ajoute
de
il nous faut donc passer d’un « cube » à ce que l’on nomme un « hypercube ».
rvo
ola
ch
car ce sont sur elles que repose la recette optimale. Nous constatons que
chaque plante est – ou non – d’une longueur suffisante et nous recherchons
les conditions qui ont fait qu’elles s’avèrent conformes à nos exigences.
177
La Smart Metrology
Les techniques du data mining231 ont pour objet d’établir, à partir des données
à disposition, des règles prédictives comme dans l’exemple précédent.
La manière d’envisager la construction d’un modèle, objet qui est au cœur
de l’exploitation de la donnée, différencie les approches de la statistique et
34
du data mining. Dans le premier cas, il s’agit d’une construction spécifique
88
a priori (analyse physique par exemple, comme nous avons pu le voir),
5:8
89
les données étant utilisées pour confirmer ou infirmer l’a priori. Dans le
28
02
second cas, il s’agit d’une construction a posteriori dite « à partir des données ».
34
at:
L’objectif est de faire apprendre une correspondance entre données d’entrée
ett
-S
et données de sortie par optimisation d’une « structure adaptative ». Ainsi, es
les données servent à configurer un « modèle universel ». Malheureusement,
iqu
hn
cela entraîne une confusion entre le fait de posséder des données et le fait
c
Te
pour réussir, il faut également que les données disponibles soient de qualité.
ola
C’est ici une ambition forte de la Smart Metrology pour l’usine du futur.
ch
1.s
uh
231 Le lecteur pourra consulter l’ouvrage de Stéphane Tufféry, Data mining et statistique
décisionnelle, l’intelligence des données (Technip, 2005).
232 Il existe sur le marché quelques solutions informatiques dédiées à cette forme d’analyse.
Nous pouvons par exemple inviter le lecteur à consulter le site de la société Braincube
(lien : http://fr.braincube.com/).
178
La Smart Metrology : métrologie (de l’usine) du futur
34
88
(sachant les attributs sur les différents axes de l’hyperespace) de connaître
5:8
89
la probabilité de conformité des entités. Nous pouvons alors concevoir
28
02
un monde industriel dans lequel le contrôle final, à 100 % ou par échantillon-
34
nage, ne porterait que sur des entités douteuses triées à partir d’un
at:
ett
algorithme de machine learning se nourrissant de toutes sortes de données
-S
es
du procédé. Les autres, réputées conformes avec un risque connu, accepté
iqu
hn
des entités pour les mesurer afin de suivre les paramètres du procédé pourra
lté
cu
Chacun admettra que s’il devient possible de laisser une voiture nous
ch
1.s
233 Les classements sont essentiels pour organiser les connaissances et ainsi « donner
du sens ».
179
La Smart Metrology
34
plus fiable. De plus, une fois l’a priori connu, il est facile d’imaginer des
88
5:8
techniques de surveillance dynamique des processus de mesure afin
89
28
de détecter les éventuelles dérives de ces derniers. Par exemple, il n’y a
02
34
aucune raison, pour un laboratoire de biologie médicale, de constater une
at:
ett
dérive de la moyenne de la glycémie de ses patients dans le temps. Il est
-S
plus probable que cette évolution s’explique par une dérive du processus es
iqu
dimensionnelle, il n’est pas très naturel (pour des raisons physiques) d’avoir
Te
et
une évolution de la moyenne des valeurs mesurées pour des cales étalons de
es
nc
10 mm. L’indépendance des entités (pour la glycémie comme pour la cale) fait
cie
sS
que, logiquement, la moyenne devrait rester stable pour une population aux
de
changement sont aisément traitées grâce aux outils statistiques que nous
uh
234 Rappelons-le, le pluriel de « aux justes coûts » indique qu’il convient de considérer tous
les impacts d’une production (énergie, matières premières, rejets, etc.) et pas uniquement
un prix de revient classique.
180
La Smart Metrology : métrologie (de l’usine) du futur
34
88
5:8
89
28
02
34
at:
ett
-S
es
iqu
c hn
Te
et
es
nc
cie
sS
de
lté
cu
:Fa
om
x.c
rvo
ola
ch
1.s
235 « C’est d’ailleurs pour cela qu’elle ne fait pas son boulot », diront certaines mauvaises
uh
langues conservatrices !
236 Technologie à l’interface de la cognitique (science du traitement automatique de la connais-
sance) et du facteur humain, de la biomécanique et de la robotique.
237 On gardera en effet à l’esprit que la volonté de maîtriser le monde devrait être au service
d’une émancipation de l’humanité. Cette volonté ne devrait pas se retourner contre l’Homme
lui-même.
181
uh
1.s
ch
ola
rvo
x.c
om
:Fa
cu
lté
de
sS
cie
nc
es
et
Te
chn
iqu
es
-S
ett
at:
34
02
28
89
5:8
88
34
12
Smart Metrology
et ISO 9001 version 2015
34
88
5:8
Le professeur Deming238, s’il lisait la production actuelle de livres traitant de
89
28
qualité en général et de la performance des entreprises, serait certainement
02
34
heureux de constater que le flambeau de la promotion des statistiques
at:
ett
– pour l’obtention de la qualité au meilleur coût comme il l’a défendu toute
sa vie – a été repris avec force et détermination. Il pourrait cependant -S
es
iqu
s’attrister du fait que les progrès n’ont pas été plus rapides et qu’aujourd’hui
c hn
Te
la déterminent.
om
x.c
Certes et l’on pourrait remonter plus loin en disant que qualité et mesure
ola
ch
sont intrinsèquement liées. Dans un livre très instructif publié par le ministère
1.s
uh
238 William Edwards Deming (1900-1993) est un statisticien, professeur, auteur et consultant
américain (source : Wikipédia).
239 Petite histoire de la qualité, Crusilleau Martine, Dragomir Radu et Halais Bernard, Ministère
de l’Industrie, SQUALPI, 1995.
La Smart Metrology
34
88
lorsque les normes ISO 9000 ont été introduites afin d’apporter des garanties
5:8
en matière d’assurance de la qualité (c’est-à-dire d’établissement de relations
89
28
de confiance entre fournisseurs et clients), la mesure a tout naturellement
02
34
pris une place importante dans le référentiel.
at:
ett
-S
Les exigences portant sur le suivi des appareils de mesure (vérification, iqu
es
étalonnage, étiquetage, etc.) ont été rappelées dans les chapitres précédents
hn
On voit donc que dans le texte de l’ISO 9001:1987240, tous les ingrédients
pour des pratiques métrologiques intelligentes (matériels adaptés, personnes
184
Smart Metrology et ISO 9001 version 2015
34
parfois les idées reçues et les certitudes ont été présentés. Nous reviendrons
88
5:8
plus loin sur cette prospective, après avoir développé la part de la métro-
89
28
logie dans le nouveau référentiel ISO 9001:2015241.
02
34
at:
Un grand nombre d’exigences de l’ISO 9001:2015 peuvent aider l’entreprise
ett
-S
à maîtriser sa fonction métrologie au-delà de la seule question des appa- es
reils de mesure. Le nombre des exigences de l’ISO 9001 qui peuvent
iqu
hn
241 Également repris dans la collection AFNOR sous la référence NF EN ISO 9001:2015.
242 Les mentions font ici référence au chapitre du présent ouvrage.
185
La Smart Metrology
34
besoins de mesure et en déduire les ressources et les équipements
88
adaptés, ainsi que pour définir les méthodes et les techniques permettant
5:8
89
d’assurer la validité des résultats tels que les vérifications, les étalon-
28
02
nages, l’identification, etc. (voir les développements aux chapitres 6 et 7) ;
34
at:
►► « 7.1.6 Connaissances organisationnelles » : pour s’interroger sur les
ett
-S
connaissances et les informations métrologiques particulièrement utiles iqu
es
dans l’entreprise (voir les développements aux chapitres 3 et 4) ;
c hn
186
Smart Metrology et ISO 9001 version 2015
34
88
5:8
Cette liste d’exigences reformulées de l’ISO 9001:2015 montre comment
89
28
le référentiel peut aider à la mise en place de la fonction métrologie dans
02
l’entreprise. Elle devrait rassurer Élodie et tous les métrologues. En aucun
34
at:
cas, l’ISO 9001 n’encourage une vision réductrice de la métrologie.
ett
-S
es
Ce tour d’horizon de l’ISO 9001 illustre aussi une caractéristique de cette
iqu
norme qui se prête mal à une exploitation par rubriques ou par sections,
c hn
Te
gement de la qualité fait que, quel que soit le sujet d’application portant sur
cie
sS
dans tout le référentiel suivant le principe de plus en plus admis que c’est
:Fa
om
le système entrepris qui produit les résultats attendus et non pas un élé-
x.c
ment indépendant, aussi bon soit-il. Pour ceux qui en douteraient encore,
rvo
ola
187