Application de la Smart Metrology pour le suivi de la production.
- Lundi 25 mars
- 14h00
- Salle AMPHITEC
Une conférence orale animée par C. Dubois, P. Courtois et J-M. Pou
Confronté à la question des périodicités d’étalonnage arbitraires, les industriels dépensent beaucoup de budget pour un service sans valeur ajoutée. En effet, les instruments sont étalonnés soit trop tôt (quand ils sont déclarés conformes), soit trop tard (quand ils sont déclarés non conformes). A cela s’ajoute l’émergence de la digitalisation (révolution 4.0) au sein des industries, où une quantité importante de données commence à s’accumuler sans être utilisées.
La Smart Metrology
Dans notre approche, le Smart Métrologue, en pratiquant les périodicités conditionnelles (Norme NF ISO/CEI GUIDE 98-4), étalonne ses instruments que lorsqu’il doute d’eux. En connaissant l’a priori de notre processus de mesure, qu’il est nécessaire de définir pour appliquer cette norme, nous pouvons fiabiliser les résultats de mesure en calculant la loi a posteriori (c’est à dire en combinant ce qu’on connait via la mesure et ce qu’on connaissait avant la mesure), mais aussi en surveillant dynamiquement les processus de mesure. En intégrant les notions du Big Data et des algorithmes de l’Intelligence Artificielle, nous visons la fin des étalonnages arbitraires, pour enfin détecter les anomalies dès qu’elles se produisent. Le Smart Métrologue peut alors se consacrer à manager la fiabilité des mesures, et pas uniquement la conformité des instruments.
Illustration
Nous présentons une étude, en cours de validation, réalisée sur les données de surveillance fournies par un de nos clients. Il s’agit d’étudier les mesures de température fournies par un banc de scellage de blisters. En utilisant des outils statistiques, nous avons défini de nouvelles cartes de contrôle de l’a priori, basées sur la probabilité que tel échantillon appartienne effectivement à une loi connue a priori. Cette approche est innovante dans le sens où nous implémentons une méthode « automatisée » d’une inférence Bayésienne sur chaque résultat de mesure, c’est à dire l’estimation de la loi a posteriori à partir de l’a priori, de la mesure et de son incertitude. Cette étape est indispensable pour fiabiliser une mesure, notamment dans le cadre d’une utilisation via les algorithmes de l’intelligence artificielle.