LA SIGNATURE DES PROCESSUS DETALONNAGE : LES ETALONNAGES VUS SOUS LANGLE STATISTIQUE

Jean-Michel POU, Dimitri VAISSIERE DELTA MU Conseil Parc Technologique La Pardieu 25, Rue Joseph Desaymard 63000 Clermont-Ferrand FRANCE

Rsum
Ce texte fait suite au sujet prsent en 2001, loccasion du 10me congrs de Mtrologie Saint Louis ( Et si le V.I.M stait tromp ? [1]). Cet article mettait en vidence quau moment dun talonnage, on naccde pas lerreur de linstrument mais lerreur de mesure dun processus de mesure particulier quest le processus dtalonnage. Il sagit donc dextraire de ces erreurs de mesure la part qui revient linstrument, sous rserve que cela soit possible !

The signature of the calibration process

This paper follows the paper discussed in the 10th international metrology congress called And if the VIM was wrong ? [1]. In this last paper we highlighted that the measurement error came from the whole calibration process including the instrument. The aim now is to evaluate only the errors from the instrument

graduations quil assemble ensuite pour offrir une tendue. On peut alors estimer que, comme dans tous les process de fabrication en srie, la valeur moyenne obtenue pour les n graduations ralises nest pas rigoureusement la valeur attendue (rsolution). Cette diffrence est lorigine de lerreur systmatique de linstrument qui devrait tre corrige. Dautre part, chaque graduation est diffrente car il est impossible de raliser n fois le mme objet (la mme graduation). Cette dispersion des graduations individuelles peut tre prsume gaussienne (cf throme central limite) mme si cette hypothse est sans consquence dans la suite de lexpos. En effet, seule la variance de cette dispersion nous intresse car cest elle qui devra tre estime et dlivre lutilisateur de linstrument.

Remarque importante au sujet des incertitudes de mesure

Le G.UM [2], repris aujourdhui sous forme de norme (NF ENV 13005 [3]), dcrit une mthode analytique pour lestimation de lincertitude de mesure. Cette estimation se base sur lanalyse des variances des facteurs qui composent le processus de mesure. Le but est destimer quelle est la variation maximale de tel ou tel facteur de faon estimer limpact de cette variation sur le rsultat de mesure. Dans cette analyse, on estime une incertitude qui sapplique tout au long de lanne sauf dgradation particulire au moment dune mesure. Or, la ralisation dun talonnage par exemple ne dure en gnral pas toute lanne ! Ainsi, certains facteurs variables sur du long terme ne le sont pas pendant le temps de ltalonnage et se comportent alors comme des erreurs systmatiques quil ne faudrait pas attribuer linstrument sous prtexte quon aimerait lobserver lui uniquement ! On peut donc pousser lanalyse des causes dincertitude de mesure en se demandant si, pendant le temps de la mesure, elles ont ou non le temps de varier. On peut alors parler de variances courtes ou longues , suivant quelles varient ou pas dans un intervalle de temps donn. Une variance courte varie en permanence, comme par exemple la rptabilit. Une variance longue ne varie pas ou peu pendant la mesure, comme par exemple la temprature. En effet, dans un laboratoire climatis la temprature varie de 1C dans le temps mais seulement de 0,1 ou 0,2C au cours de ltalonnage dun pied coulisse. Il sagit donc ici dune variance longue ! Si, pour prendre un autre exemple, on a dtect un effet inter-oprateur dans un processus, tant que loprateur ne

Que recherche-t-on ?
Le but dun talonnage est dvaluer les erreurs de linstrument afin de pouvoir estimer, ensuite, lincertitude de mesure du (des) processus qui lutilise(nt). Il faut ici distinguer les erreurs qui sont : de type systmatique qui devraient tre corriges par lutilisateur. De fait seule lincertitude sur cette correction intervient dans lestimation de lincertitude de mesure du processus, de type alatoire qui participent en tant que variance lincertitude du processus de mesure. Ces dernires devraient tre dtermines directement sous forme de variances (car cest sous cette forme quelles seront utilises) et non sous le forme dune erreur maximale (qui na vraisemblablement rien de maximale compte tenu du faible nombre de points dtalonnage raliss !) tel que cest souvent le cas aujourdhui ! Ces deux types derreurs existent dans linstrument de mesure que lon peut interprter de la faon suivante : linstrument de mesure peut se reprsenter comme une succession de traits de graduation rgulirement espacs de la valeur de la rsolution. Ainsi, le fabricant dinstruments de mesure est un fabricant de

change pas (ce qui est souvent le cas lors dun talonnage), cette variance est longue . Il est simple dajouter ce caractre dans un bilan de causes dincertitude. Il suffit dexprimer un coefficient dautocorrlation (ou interdpendance de la cause sur ellemme). Ce coefficient, exprim en % (comme tout coefficient de corrlation), prend la valeur 0 pour une variance courte puis toutes les valeurs comprises entre 0 et 100 suivant que la variance de la cause est plus ou Causes d'incertitude Lecture Rptabilit Reproductibilit inter-oprateurs Diffrence de temprature entre ambiance et rfrence Diffrence de temprature entre instrument et talons Incertitude d'talonnage des talons Drive des talons Erreur Maxi 0,01 / / 20.10-6.L 5.10-6.L 0,002 + 4.106.L 0,001 Loi Uniforme / / ArcSinus Normale Normale (95%) Normale

moins longue. Dans les exemples ci-dessus, les effets de la temprature prendraient un coefficient de 80 100%, la reproductibilit un coefficient de 100%. Il est ensuite possible, par la simple multiplication de ce nouveau coefficient par la variance totale de la cause de dterminer la part qui entre dans la variance longue globale du processus dtalonnage qui se dtermine, la fin, par la simple somme des variances longues. Le tableau cidessous montre un exemple dapplication. Interdpendance 0% 0% 100% 80% 0% 50% 100%

Variance 3,33333E-05 0,0001 0,0004 (20.10-6.L / 2) (5.10-6.L / 3) (0,001 + 2.10-6.L) 1,11111E-07

Variance longue 0 0 0,0004 0,8 x (20.10-6.L / 2) 0 0,5 x (0,001 + 2.10-6.L) 1,11111E-07

Evidemment, les coefficients dinter-dpendance ne sont que des estimations, des ordres de grandeur. Il sagit de prendre en compte de faon physique le phnomne des variances longues qui vont perturber lvaluation de lerreur systmatique de linstrument en se faisant passer pour elle ! . Les variances courtes, quant elles, perturbent lestimation de la variance rsiduelle de linstrument (la dispersion de ses graduations) en se mlangeant avec. Note : Les variances longues sont lorigine de la corrlation entre deux valeurs mesures. Si je cherche valuer la surface dun chantillon rectangulaire en mesurant, laide de mon pied coulisse, sa largeur et sa longueur, les variances longues du processus de mesure composent la covariance entre les incertitudes sur la mesure de la largeur et de la longueur que la loi de propagation nous demande de considrer. Nanmoins, lorsque les mesures sont ralises avec des processus diffrents (une section et une force pour estimer une contrainte par exemple), on ne peut alors estimer la covariance qui restera malheureusement dtermine via un coefficient de corrlation. On remarque que la variance longue, comme la variance totale, sexprime proportionnellement la valeur mesure (une longueur dans le cas du tableau) et nest donc pas une constante. Cest typiquement cet effet l quon pourrait prendre analyser - pour un effet de gain (ou damplification). Le terme constant de la variance longue peut quant lui tre pris pour un dfaut doffset.

Simulation numrique : la cl du problme !

Avant daller plus loin, il convient de revenir sur un outil qui va bientt intgrer officiellement les mthodes dvaluation de lincertitude de mesure : la simulation numrique. Cette dernire permet de simuler des valeurs de mesure plausibles, compte tenu de lincertitude dfinie par sa loi de distribution (gaussienne sous rserve de correction des effets systmatiques) et par son cart type. On fait alors lconomie des mesures relles. On comprend aisment quun des avantages principaux est que lon peut gnrer des centaines dtalonnages possibles. De plus, par cette technique, il est possible par exemple de rsoudre le problme de la propagation des incertitudes sans appliquer les drives partielles dans le cas des fonctions. En effet, il suffit de calculer un grand nombre de fois la fonction en faisant varier chaque paramtre dans sa plage Valeur mesure Incertitude tout en respectant la loi de distribution de lintervalle et de calculer, au final, la moyenne et lcart-type des rsultats obtenus. Ce dernier reprsente lincertitude type de mesure du processus compos via le modle (lquation) des carttypes sur les paramtres. La comparaison des rsultats obtenus par lune et lautre des mthodes (propagation et simulation) permet notamment de valider le simulateur numrique utilis. Un autre avantage important de la simulation numrique rside dans le fait quelle permet dobserver la loi de distribution du mesurande qui peut tre diffrente dune loi normale compte-tenu de la distorsion amene ventuellement par les coefficients de sensibilit.

Linconvnient est quelle ne sait pas prendre en compte les covariances entre les incertitudes sur les paramtres sils sont mesurs par des processus diffrents. Il faudrait, pour cela, connatre lquation mathmatique qui lie les erreurs de mesure de chacun des paramtres du modle. Dans le cas particuliers des talonnages, les mesures sont ralises en gnral par un seul processus compos des facteurs du laboratoire (talons, mthodes, oprateurs, ) et de linstrument talonner. Ainsi, nous allons pouvoir utiliser la simulation numrique pour dterminer si linstrument observ a ou pas une erreur de type systmatique et, le cas chant, valuer lincertitude sur cette correction. On pourra galement dterminer son ventuel rsiduel de justesse, ou en tout cas, une valeur en dessous de laquelle il se situe !

Erreur longue
0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 0 5 10 15 20 25 30

On tire ensuite en chaque point une valeur dans la variance courte du processus dtalonnage :
Erreur courte
0,015 0,01

La signature des processus dtalonnage

En premier lieu il faut se convaincre quau moment de ltalonnage, on ne mesure pas lerreur ponctuelle de linstrument mais on estime lerreur de mesure dun processus particulier. En effet, on mesure un objet connu (un talon) et on trouve un cart entre la valeur observe et la valeur attendue. Cet cart provient videmment de limperfection de linstrument en cours dtalonnage mais galement de tous les autres facteurs qui participent la mesure. Ainsi, on faisant lhypothse de ltalonnage dun instrument parfait, on aurait quand mme des erreurs de mesure que lon attribue malheureusement aujourdhui linstrument du fait des dfinitions du V.I.M [4] ! Par la simulation numrique, on peut donc obtenir les erreurs de mesure qui pourraient tre observes si linstrument tait parfait car on matrise les causes dincertitude provenant du laboratoire. Ces erreurs sont issues des cart-types qui composent lincertitude dtalonnage. Il suffit de tirer alatoirement, suivant la loi retenue, une valeur dans cette incertitude. Cette valeur reprsente lerreur apparente quon risque dattribuer linstrument au cours de ltalonnage. On retire, pour chaque mesure simule, une valeur alatoire qui reprsente une nouvelle erreur qui pourrait se produire lors de ltalonnage dun instrument parfait. Le simulateur doit videmment tenir compte des variances longues et courtes du processus dtalonnage. Lerreur, en chaque point de mesure simule, est compose dune part de variance longue, tire alatoirement au dbut de la simulation et qui sappliquera en chaque point et dune part de variance courte retire en chaque point simul. On peut rsumer lopration par les graphiques suivants : Simulation dun talonnage en 5 points de rfrence : On tire alatoirement une valeur dans la variance longue qui sapplique sur tout le domaine et qui peut prsenter un effet de gain :

0,005 0 -0,005 -0,01 -0,015 -0,02 0 5 10 15 20 25 30

Ltalonnage quon aurait ainsi obtenu est la somme des deux courbes : Cette simulation tient donc compte du nombre de points de rfrence choisis et du nombre de rptitions de mesures ralises en chaque point.
Erreur totale 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 0 5 10 15 20 25 30

Ainsi, en comparant les erreurs observes lors de ltalonnage dun instrument rel avec celles obtenues par simulation, il est possible de savoir si oui ou non linstrument en cours dtalonnage a des erreurs. Leffet des variances longues Comme on la vu prcdemment, les variances longues se comportent, au moment dun talonnage, comme des erreurs systmatiques. Ce sont elles qui, dans le graphique ci-dessus, font penser un problme de gain. Si on connat par avance lordre du gain que peut produire le type dinstrument que lon va talonner avec ce processus, il est possible de dterminer, par la mthode des moindres carrs, lquation de gain apparent provenant des variances longues au degr choisi (cf. figure ci-dessous) :

Erreur totale 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 0 5 10 15 20 25 30

Lincertitude sur la correction

Dans le cas 2 du graphe ci-dessus, il convient de dterminer lincertitude sur les coefficients du modle, incertitude qui provient de lincertitude dtalonnage ellemme constitue de variances longues et de variances courtes. La mthode des moindres carrs donne les formules qui permettent de dterminer lincertitude sur les coefficients. Cependant, elle impose 3 hypothses qui ne sont pas respectes lors dun talonnage. Premire hypothse : il ne doit pas y avoir dincertitude en X (abscisse). Or, en mtrologie, les talons ont toujours une incertitude ce qui ne permet pas de respecter cette hypothse. Deuxime hypothse : lincertitude en Y est constante sur le domaine. L encore, lhypothse nest pas respecte dans la mesure o lincertitude dtalonnage augmente, en gnral, en fonction de la valeur de ltalon. Troisime hypothse : les incertitudes, en Y, doivent tre indpendantes. L, ce sont les variances longues qui ne permettent pas de respecter cette dernire hypothse. De plus, lincertitude calcule par la mthode des moindres carrs cherche inclure tous les carts mesurs (faire passer le modle par tous les points mesurs) alors que nous souhaitons discriminer la part systmatique (le modle) et la part alatoire (les rsidus). Ici aussi, la simulation numrique se prsente comme une solution. En effet, il suffit de simuler les rsultats dtalonnage quon obtiendrait en talonnant un instrument qui prsente une erreur systmatique telle que celle observe. On obtient ainsi n valeurs de coefficients du modle possible, n valeurs qui permettent de dterminer les moyennes et cart type de chaque coefficient mais aussi les covariances entre les coefficients. Il est alors possible de dterminer lincertitude sur la correction observe. A la fin de cette premire tape, on sait se prononcer sur la question dune ventuelle erreur systmatique provenant de linstrument et, le cas chant, valuer lincertitude sur cette correction. Cette mthode ne permet videmment pas de contourner les problmes lis lchantillonnage. Ici, cest la connaissance du modle attendu qui doit permettre de dterminer le nombre de points de rfrence quil convient de considrer pour dtecter lerreur de linstrument. Ensuite, la simulation permet, via la signature, doptimiser ce nombre de points.

y = 0,0046x + 0,0072

En simulant n fois ltalonnage dun instrument parfait, on va trouver n quations provenant des variances longues, au degr et la forme choisie, qui reprsenteront n quations de gain attribuable au processus dtalonnage et non linstrument talonn. Pour les quations de gain de forme polynomiale au premier degr (a + b.x), nous obtenons n doublets ai,bi issus des n simulations. Ces doublets peuvent tre matrialiss graphiquement en portant par exemple en abscisse la coordonne ai du doublet et en ordonne la coordonne bi : Dans le cas dun modle de degr suprieur, on obtient autant de graphes que de degrs du polynme. Ces graphes reprsentent la signature du processus dtalonnage.

Lors de ltalonnage dun instrument rel, il suffit alors de positionner le couple de coefficients a,b obtenu dans le graphe de signature. Si le point rel appartient au nuage de points de la signature, on peut en dduire que leffet observ nest probablement pas du linstrument observ (Cas 1). A linverse, si le point obtenu se distingue de la signature (Cas 2), on en dduit alors que linstrument a une erreur de type systmatique dont on connat lquation (les coefficients obtenus) et dont il faut maintenant dterminer lincertitude.

Cas 1

Le rsiduel de justesse
Cas 2 Deux cas se dessinent ici. Soit linstrument prsente un effet systmatique et il convient alors de raisonner sur les rsidus observs autour du modle dtermin (sous forme de variance). Soit il nen prsente pas et il faut alors travailler sur la variance des carts observs.

L encore, la simulation numrique nous donnera des informations, soit autour du modle apparent li aux variances longues (variance des rsidus), soit autour du zro avec la variance des carts. Suite ltalonnage, et suivant le cas qui se prsente, il suffit de tester si la variance exprimentale retenue (carts ou rsidus) est diffrente de la variance obtenue par signature. Un test de type Fischer-Sndcor [5] [6] est particulirement adapt cette problmatique mme sil mrite quelques modifications. Il sagit de comparer la variance exprimentale obtenue au moment de ltalonnage la variance moyenne obtenue lors des simulations. Le test ne peut donc sappliquer directement car la variance (ou plus exactement la valeur du khi deux) qui se trouve au dnominateur ne disperse pas car elle est issue dune moyenne obtenue sur n simulations. Il convient donc de retrouver les valeurs de Fisher Sndcor (i.e. valeurs limites), au niveau de confiance choisi, qui permettront de tester si la variance du numrateur (variance exprimentale) est diffrente de celle du dnominateur (variance moyenne laboratoire). Une nouvelle fois, la simulation numrique nous a permis de dfinir ces valeurs. Pour rester cohrent, nous avons recherch les valeurs limites 95% puisquil semble tre acquis aujourdhui que ce niveau de confiance soit satisfaisant, ou au moins consensuel. Le tableau ci-dessous donne les valeurs limites pour un nombre de points de rfrence compris entre 3 et 15 : DDL 3 4 5 6 7 8 9 10 11 12 13 14 15 Confiance 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% 95,00% Valeurs. limites 2,551 2,215 2,145 2,035 1,979 1,904 1,826 1,786 1,693 1,71 1,672 1,669 1,618

La dtermination du facteur k a t ralise, une nouvelle fois, par simulation numrique. Nous avons fait varier la variance instrument entre 0 et 300 % (0<k<3) de la variance du dnominateur pour simuler des valeurs possibles du numrateur (instrument + laboratoire) afin dvaluer partir de quand le test devient positif dans plus de 5% des cas. Cette valeur reprsente le seuil de dtection du test, donc de la procdure dtalonnage utilise par le laboratoire. La courbe ci-dessous montre les rsultats obtenus pour diffrents nombres de points de rfrence :

120,00 100,00 80,00 Tests positifs (%) 60,00 40,00 20,00 0,00 0 100 200 300 400 Part de l'instrument Confiance 3 DDL 5DDL 7DDL 9DDL 11DDL 13DDL 15DDL

Si le test ne dtecte pas de diffrence, on peut conclure que linstrument reste en dessous dun seuil de dtection et la conclusion de ltalonnage se limite indiquer que le rsiduel de linstrument est infrieur au seuil du laboratoire. Le tableau et le graphe ci-dessous prsente les valeurs k conduisant 95% de tests positifs en fonction du nombre de points de rfrence. En dautres termes, il sagit du facteur multiplicatif de la variance du laboratoire qui dfinit le seuil de dtection de celui-ci. Nb Rfrences 3 5 7 9 11 13 15 k 3,7 2,35 1,9 1,6 1,4 1,4 1,3

Seuil de dtection (en nombre de fois la variance du laboratoire) 4 3,5 3 2,5 2 1,5 1 0,5 0 0 2 4 6 8 10 12 14 16 Nombre de rfrences

Ainsi, si le rapport des variances est infrieur la valeur limite du tableau, on peut conclure quil y a 95% de chances que linstrument nait pas influenc la variance exprimentale observe. Il est alors possible de dterminer partir de quelle valeur de la variance instrument le test devient positif (linstrument a influenc le rsultat dtalonnage). Pour ce faire, la variance instrument est dfinie comme le produit dun facteur (k) avec la variance du dnominateur (variance labo).

A linverse, si le test dtecte une diffrence, on peut alors conclure un effet de linstrument et en dterminer, par soustraction des variances, la part qui lui revient. Evidemment, la valeur obtenue ne peut en aucun cas tre infrieure au seuil de dtection. Par consquent, si la diffrence des variances est infrieure au seuil, alors cest

la valeur du seuil qui sera retenue comme majorant de la variance instrument. Il est intressant de souligner que la rptition des mesures en chaque rfrence a pour consquence directe de diminuer le seuil de dtection du rsiduel de linstrument. Ceci permet de dterminer le nombre de points de rfrences ncessaires compte tenu de lincertitude de linstrument de mesure et de la variance du laboratoire.

Conclusions
Avec la signature des processus dtalonnage, le laboratoire possde un vritable outil qui lui permet de choisir le nombre de rfrences optimal retenir (en fonction du modle pressenti) et le nombre de rptitions par point (en fonction des variances courtes du laboratoire). Il peut ainsi optimiser sa prestation en fonction du besoin de son client et lui indiquer les valeurs dont il a vraiment besoin. En effet, on assiste aujourdhui trs souvent des discussions sur le caractre systmatique ou non de lerreur de justesse et sur la loi de distribution appliquer lerreur maximale mesure. La mthode dcrite ici permet de rpondre ces deux interrogations puisquelle permet de faire la part des choses entre systmatique et alatoire et dexprimer directement une variance pour les caractres alatoires. Evidemment, nous avons conscience des profondes modifications quelle impose mais les enjeux ne valent-ils pas ces efforts ? (Le lecteur remarquera nanmoins que cette mthode ninduit pas de travail supplmentaire car seul le traitement des informations est ralis diffremment). En effet, comprendre mieux ce qui se passe

dans un processus de mesure, dfinir rigoureusement lchantillonnage ncessaire lors de ltalonnage en raisonnant en variance plutt quen erreur maximale (qui videmment nen est jamais une 100 %) est ncessaire pour interprter un rsultat de mesure ou dtalonnage. Cest aussi, terme, mieux comprendre les process industriels et, en consquence, mieux les matriser. Derrire cette approche se joue donc des gains importants de productivit qui, au-del de laspect conomique, se prsentent comme impratifs pour maintenir lactivit industrielle dans nos pays et respecter les ressources naturelles. Rfrences [1] J-M POU, Et si le VIM stait tromp ?, dans Actes des Confrences 10me congrs international de mtrologie, 2001. [2] Guide to the expression of uncertainty in measurement, 1995. [3] Normes fondamentales Guide pour lexpression de lincertitude de mesure norme NF ENV 13005, 1999, 115 p. [4] NF X 07-001 (1994) Normes fondamentales Vocabulaire international des termes fondamentaux et gnraux de mtrologie [5] J. POIRIER, Estimateurs et tests dhypothses, Techniques de lIngnieur, R250. [6] J. POIRIER, Analyse de la variance et de la rgression. Plans dexprience, Techniques de lIngnieur, R260