La smart metrology ("métrologie intelligente") est une approche moderne de la métrologie industrielle.

Métrologie

modifier

L'approche traditionnelle de la métrologie industrielle tend à suivre ces étapes :

  • Le système de mesure est presque toujours étalonné avec une périodicité fixe et prédéterminée en envoyant l'instrument pour étalonnage à un laboratoire accrédité[réf. souhaitée] .
  • Les résultats d'étalonnage, fournis par le certificat d'étalonnage, sont très rarement utilisés pour corriger les valeurs mesurées par l'instrument étalonné et évaluer l'incertitude[réf. souhaitée] . Le plus souvent, le certificat d'étalonnage est conservé dans un dossier[réf. souhaitée] .
  • La seule façon dont le certificat d'étalonnage est utilisé est généralement lors des audits, pour offrir une preuve formelle que le système de mesure est surveillé et maintenu sous contrôle[réf. souhaitée] .

Ainsi, les résultats réels de l'étalonnage peuvent même ne pas être utilisés dans le processus de prise de décision. De cette façon, la métrologie est souvent considérée comme un centre de coûts et elle ne respecte pas[Interprétation personnelle ?] , en fait, l’esprit de la norme ISO 9001.

Principe

modifier

La smart metrology, introduite par Jean-Michel Pou et Laurent Leblond, respectivement métrologue et statisticien français, suit une approche différente pour maintenir les instruments sous contrôle[1].

L'approche de la smart metrology consiste principalement à exploiter pleinement toutes les données et informations disponibles, y compris celles fournies par le big data[2], pour permettre une approche plus efficiente[3] (incertitude de mesure[4], étalonnage et traçabilité)[5]. Les informations disponibles (a priori)[réf. souhaitée] sont utilisées en appliquant des approches statistiques avancées, telles que l'inférence bayésienne[6]. Les données de mesure obtenues et les connaissances a priori disponibles sont utilisées dans le processus de prise de décision[6],[7].

Références

modifier
  1. Jean-Michel Pou, Laurent Leblond et Didier Nordon, La smart metrology : de la métrologie des instruments à la métrologie des décisions, AFNOR Editions, (ISBN 978-2-12-465545-8 et 2-12-465545-0, OCLC 952466728, présentation en ligne)
  2. (en) Luca Mari (Cattaneo University — LIUC, Castellanza, Italy) et Dario Petri (Department of Industrial Engineering, University of Trento, Italy), « The metrological culture in the context of big data: managing data-driven decision confidence », IEEE Instrumentation & Measurement Magazine, vol. 20, no 5,‎ , p. 4–20 (ISSN 1094-6969, DOI 10.1109/MIM.2017.8036688, lire en ligne)
  3. (en) Alessandro Ferrero, « The pillars of metrology », IEEE Instrumentation & Measurement Magazine, vol. 18, no 6,‎ , p. 7–11 (ISSN 1094-6969, DOI 10.1109/MIM.2015.7335771, lire en ligne)
  4. JCGM 100:2008, « Évaluation des données de mesure — Guide pour l’expression de l’incertitude de mesure »,
  5. (en) Annarita Lazzari, Jean-Michel Pou, Christophe Dubois et Laurent Leblond, « Smart metrology: the importance of metrology of decisions in the big data era », IEEE Instrumentation & Measurement Magazine, vol. 20, no 6,‎ , p. 22–29 (ISSN 1094-6969, DOI 10.1109/MIM.2017.8121947, lire en ligne)
  6. a et b (en) Jean-Michel Pou et Laurent Leblond, « ISO / IEC guide 98-4: A copernican revolution for metrology », IEEE Instrumentation & Measurement Magazine, vol. 21, no 5,‎ , p. 6–10 (ISSN 1094-6969 et 1941-0123, DOI 10.1109/MIM.2018.8515699, lire en ligne)
  7. (en) Alessandro Ferrero, Simona Salicone et Harsha Vardhana Jetti, « Bayesian approach to uncertainty evaluation: is it always working? », 19th International Congress of Metrology (CIM2019), EDP Sciences,‎ , p. 16002 (ISBN 978-2-7598-9069-9, DOI 10.1051/metrology/201916002, lire en ligne)