SlideShare a Scribd company logo
Evaluate and quantify the drift of a
measuring instrument
Jean-Michel POU (Deltamu), Laurent LEBLOND (PSA Groupe - France)
Speaker: Peggy COURTOIS (Deltamu)
Measuring instruments
• Instruments measuring a range of
measurements
• Example:
• Caliper
• Ammeter
• Temperature probe
• pH-meter
• …
• Measuring instruments
• How is the drift calculated?
• New approach
• Conclusion
• Measuring instruments
• How is the drift calculated?
• New approach
• Conclusion
x
Time
Measurement
Calibration Results
for a fixed point
x
x
x
Maximum
Difference
* See LAB GTA-10
x
Standard
Measurement
Calibration Results
x
x
x
Drift contribution to the
final uncertainty
𝑴𝒂𝒙 𝑴𝒂𝒙 𝑫𝒊𝒇𝒇
𝟑
How is the drift calculated?
Usual approach
• Measuring instruments
• How is the drift calculated?
• New approach
• Conclusion
• Point to point analysis of
the drift
• Same points for future
calibration
• The maximum is not
representative
• Calibration points non
independent (covariance)
x
Standard
Measurement
Calibration Results
x
x
x
How is the drift calculated?
Disadvantages
x
Time
Measurement
Calibration Results
for a fixed point
x
x
x
Maximum
Difference
New approach
VIM3-2008
International Vocabulary of Metrology
(VIM3 – 2008)
Calibration (§2.39)
Operation that, under specified conditions:
1. Establishes a relation between the quantity values with
measurement uncertainties provided by measurement
standards and corresponding indications with
associated measurement uncertainties
2. Uses this information to establish a relation for
obtaining a measurement result from an indication
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 + 𝒃 𝟐 𝒙 𝟐
+ ⋯ + 𝒃 𝒏 𝒙 𝒏
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
x
Standard
Measurement
Calibration Results
x
x
x
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to identify a drift?
Standard
Measurement
Calibration Results
x
x
x
x
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to identify a drift?
Standard
Measurement
Calibration Results
x
x
x
x
b0
b1
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
𝒚 = 𝒙
Perfect
Instrument
𝒃 𝟎 = 𝟎
𝒃 𝟏 = 𝟏
𝒃 𝟎 = 𝟎
𝒃 𝟏 = 𝟏
1
0
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to identify a drift?
Standard
Measurement
Calibration Results
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
Standard
Measurement
Calibration Results
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
b0
b1
b0
b1
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
Etalonnage 1
Etalonnage 2
Etalonnage 3
Etalonnage 4
Etalonnage 5
Etalonnage 6
Etalonnage 7
Etalonnage 8
Etalonnage 9
Etalonnage 10
0,9985
0,999
0,9995
1
1,0005
1,001
1,0015
-0,15 -0,1 -0,05 0 0,05 0,1 0,15
Penteb1
Ordonnéeà l'origine b0
Evolution du point de coordonnées (b0;b1)
au fil des étalonnages
New approach
How to identify a drift?
Etalonnage 1
Etalonnage 2
Etalonnage 3
Etalonnage 4
Etalonnage 5
Etalonnage 6
Etalonnage 7
Etalonnage 8
Etalonnage 9
Etalonnage 10
1
1,00005
1,0001
1,00015
1,0002
1,00025
1,0003
1,00035
1,0004
1,00045
-0,02 0 0,02 0,04 0,06 0,08 0,1 0,12
Penteb1
Ordonnéeà l'origine b0
Evolution du point de coordonnées (b0;b1)
au fil des étalonnages
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to identify a drift?
b0
b1
time
b0
time
b1
b0
b1
Etalonnage 1
Etalonnage 2
Etalonnage 3
Etalonnage 4
Etalonnage 5
Etalonnage 6
Etalonnage 7
Etalonnage 8
Etalonnage 9
Etalonnage 10
1
1,00005
1,0001
1,00015
1,0002
1,00025
1,0003
1,00035
1,0004
1,00045
-0,02 0 0,02 0,04 0,06 0,08 0,1 0,12
Penteb1
Ordonnéeà l'origine b0
Evolution du point de coordonnées (b0;b1)
au fil des étalonnages
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to identify a drift?
-0,02
0
0,02
0,04
0,06
0,08
0,1
0,12
0 500 1000 1500 2000 2500 3000 3500
b0
Nombre de jours
Evolution de l'ordonnée à l'origine b0
au fil des étalonnages
1
1,00005
1,0001
1,00015
1,0002
1,00025
1,0003
1,00035
1,0004
1,00045
0 500 1000 1500 2000 2500 3000 3500
b1
Nombre de jours
Evolution de l'ordonnée à l'origine b1
au fil des étalonnages
b0
b1
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to identify a drift?
Standard
Measurement
Calibration Results
x
x
x
x
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
𝒚 = 𝒙
time
b0
time
b1
b0
b1
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to quantify the drift?
Standard
Measurement
Calibration Results
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
time
b0
time
b1
T0
t
b0
b1
Last
Calibration
Future
Calibration
(b0,b1)
at T0
(b0(t),b1(t))
b0(t)
b1(t)
t
T0
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
New approach
How to quantify the drift?
Standard
Measurement
Calibration Results
(b0,b1)
Contribution of the drift uncertainty to
the measurement process:
• Mean error:
𝒖 𝒔 𝒕 =
𝒆 𝒕
𝟑
• Random error:
𝒖 𝒓 𝒕 = 𝒔 𝒆 𝒕
𝑒 𝑡 : Deviation mean
𝑠 𝑒 𝑡 : Standard deviation
Future
Calibration
(b0(t),b1(t))
Last
Calibration
• New approach
• VIM3 – 2008
• How to identify a drift?
• How to quantify a drift?
• Further analysis
Further analysis
• Drift model uncertainty:
• Drift uncertainty based on the b0 and b1
coefficients
• Monte Carlo simulation
𝑏0 𝑡 = 𝑎00 + 𝑎01 ∗ 𝑡
𝑏1 𝑡 = 𝑎10 + 𝑎11 ∗ 𝑡
• Drift from the residues in the calibration
• Drift from the residues in the calibration is not
taken into account
• Fisher-Snédécor test
x
Standard
Measurement
Calibration Results
x
x
x
𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
• Uncertainty in the measurement process
• How is the drift calculated?
• New approach
• Conclusion
Conclusion
Uncertainties for the instrument:
• Calibration
• Specifications
• Drift
• …
New method
• Behavior of the instrument in
its full domain
• Used for defining calibration
periodicity
• Mathematically more rigorous

More Related Content

What's hot

Evaluation des incertitudes de mesure avec biais eil ou crm
Evaluation des incertitudes de mesure avec biais eil ou crmEvaluation des incertitudes de mesure avec biais eil ou crm
Evaluation des incertitudes de mesure avec biais eil ou crm
Maurice Maeck
 
audit qualité.pptx
audit qualité.pptxaudit qualité.pptx
audit qualité.pptx
KhadidjaMedjahdi1
 
Statistique descriptive
Statistique descriptiveStatistique descriptive
Statistique descriptive
eninioo
 
La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...
La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...
La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...
Jean-Michel POU
 
METROLOGIE ET CONTROLE QUALITE
METROLOGIE ET CONTROLE QUALITEMETROLOGIE ET CONTROLE QUALITE
METROLOGIE ET CONTROLE QUALITE
Mounir Frija
 
Approche GUM
Approche GUMApproche GUM
Approche GUM
chris5712
 
Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...
Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...
Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...
Jean-Michel POU
 
audit comptable et financier
audit comptable et financieraudit comptable et financier
audit comptable et financier
Samira RIFKI
 
Metrologie
MetrologieMetrologie
Metrologie
abdelkhalek26
 
Codification et documentation
Codification et documentationCodification et documentation
Codification et documentation
Hamza MERIOUT
 
Les arbres de décisions
Les arbres de décisionsLes arbres de décisions
Les arbres de décisions
Mariem Chaaben
 
Metrologie
MetrologieMetrologie
Metrologie
taktakghazi
 
Introduction à la qualité
Introduction à la qualitéIntroduction à la qualité
Introduction à la qualité
Charles Duchêne
 
Comment tenir une Revue De Processus?
Comment tenir une Revue De Processus?Comment tenir une Revue De Processus?
Comment tenir une Revue De Processus?
DJEBBAR Ahmed Zakaria
 
8 Outils Qualité pour toutes les fonctions de l'entreprise
8 Outils Qualité pour toutes les fonctions de l'entreprise8 Outils Qualité pour toutes les fonctions de l'entreprise
8 Outils Qualité pour toutes les fonctions de l'entreprise
TOOL_Z
 
COURS AUDIT COMPTABLE ET FINANCIER
COURS AUDIT COMPTABLE ET FINANCIER COURS AUDIT COMPTABLE ET FINANCIER
COURS AUDIT COMPTABLE ET FINANCIER
Hajar EL GUERI
 
L'indispensable transformation du secteur hospitalier : l'apport du managemen...
L'indispensable transformation du secteur hospitalier : l'apport du managemen...L'indispensable transformation du secteur hospitalier : l'apport du managemen...
L'indispensable transformation du secteur hospitalier : l'apport du managemen...
Institut Lean France
 
5.2 Régression linéaire
5.2 Régression linéaire5.2 Régression linéaire
5.2 Régression linéaire
Boris Guarisma
 

What's hot (20)

Evaluation des incertitudes de mesure avec biais eil ou crm
Evaluation des incertitudes de mesure avec biais eil ou crmEvaluation des incertitudes de mesure avec biais eil ou crm
Evaluation des incertitudes de mesure avec biais eil ou crm
 
audit qualité.pptx
audit qualité.pptxaudit qualité.pptx
audit qualité.pptx
 
Statistique descriptive
Statistique descriptiveStatistique descriptive
Statistique descriptive
 
La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...
La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...
La métrologie n'est pas ce que vous croyez, elle peut vous faire gagner beauc...
 
METROLOGIE ET CONTROLE QUALITE
METROLOGIE ET CONTROLE QUALITEMETROLOGIE ET CONTROLE QUALITE
METROLOGIE ET CONTROLE QUALITE
 
Approche GUM
Approche GUMApproche GUM
Approche GUM
 
Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...
Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...
Exemple de Smart Metrology dans un laboratoire d'étalonnage (Conférence CIM 2...
 
Gestion qualité
Gestion qualitéGestion qualité
Gestion qualité
 
audit comptable et financier
audit comptable et financieraudit comptable et financier
audit comptable et financier
 
Metrologie
MetrologieMetrologie
Metrologie
 
Codification et documentation
Codification et documentationCodification et documentation
Codification et documentation
 
Les arbres de décisions
Les arbres de décisionsLes arbres de décisions
Les arbres de décisions
 
Metrologie
MetrologieMetrologie
Metrologie
 
Analyse abc
Analyse abcAnalyse abc
Analyse abc
 
Introduction à la qualité
Introduction à la qualitéIntroduction à la qualité
Introduction à la qualité
 
Comment tenir une Revue De Processus?
Comment tenir une Revue De Processus?Comment tenir une Revue De Processus?
Comment tenir une Revue De Processus?
 
8 Outils Qualité pour toutes les fonctions de l'entreprise
8 Outils Qualité pour toutes les fonctions de l'entreprise8 Outils Qualité pour toutes les fonctions de l'entreprise
8 Outils Qualité pour toutes les fonctions de l'entreprise
 
COURS AUDIT COMPTABLE ET FINANCIER
COURS AUDIT COMPTABLE ET FINANCIER COURS AUDIT COMPTABLE ET FINANCIER
COURS AUDIT COMPTABLE ET FINANCIER
 
L'indispensable transformation du secteur hospitalier : l'apport du managemen...
L'indispensable transformation du secteur hospitalier : l'apport du managemen...L'indispensable transformation du secteur hospitalier : l'apport du managemen...
L'indispensable transformation du secteur hospitalier : l'apport du managemen...
 
5.2 Régression linéaire
5.2 Régression linéaire5.2 Régression linéaire
5.2 Régression linéaire
 

Similar to Evaluate and quantify the drift of a measuring

02_4-Conventional Decline Curve Analysis.ppt
02_4-Conventional Decline Curve Analysis.ppt02_4-Conventional Decline Curve Analysis.ppt
02_4-Conventional Decline Curve Analysis.ppt
rokur4099
 
6 data envelopment_analysis
6 data envelopment_analysis6 data envelopment_analysis
6 data envelopment_analysis
FEG
 
Incremental Volumetric Remapping Method - Analysis and Error Evaluation
Incremental Volumetric Remapping Method - Analysis and Error EvaluationIncremental Volumetric Remapping Method - Analysis and Error Evaluation
Incremental Volumetric Remapping Method - Analysis and Error Evaluation
António J. Baptista
 
Meetup_FGVA_Uplift @ Dataiku
Meetup_FGVA_Uplift @ DataikuMeetup_FGVA_Uplift @ Dataiku
Meetup_FGVA_Uplift @ Dataiku
Johan-André Jeanville
 
1b7 quality control
1b7 quality control1b7 quality control
1b7 quality control
AHMED NADIM JILANI
 
Business Process Monitoring and Mining
Business Process Monitoring and MiningBusiness Process Monitoring and Mining
Business Process Monitoring and Mining
Marlon Dumas
 
Bridging the Gap: Machine Learning for Ubiquitous Computing -- Evaluation
Bridging the Gap: Machine Learning for Ubiquitous Computing -- EvaluationBridging the Gap: Machine Learning for Ubiquitous Computing -- Evaluation
Bridging the Gap: Machine Learning for Ubiquitous Computing -- Evaluation
Thomas Ploetz
 
Week_3_Lecture.pdf
Week_3_Lecture.pdfWeek_3_Lecture.pdf
Week_3_Lecture.pdf
AlbertoLugoGonzalez
 
Attribute MSA
Attribute MSAAttribute MSA
Attribute MSA
dishashah4993
 
Attribute MSA
Attribute MSA Attribute MSA
Attribute MSA
dishashah4993
 
A/B Testing at SweetIM
A/B Testing at SweetIMA/B Testing at SweetIM
A/B Testing at SweetIM
Slava Borodovsky
 
Location based sales forecast for superstores
Location based sales forecast for superstoresLocation based sales forecast for superstores
Location based sales forecast for superstores
ThaiQuants
 
Control Chart Basics.ppt
Control Chart Basics.pptControl Chart Basics.ppt
Control Chart Basics.ppt
VishnuCRajan1
 
Control Chart Basics.ppt
Control Chart Basics.pptControl Chart Basics.ppt
Control Chart Basics.ppt
SulavGiri3
 
Regression vs Neural Net
Regression vs Neural NetRegression vs Neural Net
Regression vs Neural Net
Ratul Alahy
 
Lean6sigma Project Template
Lean6sigma Project TemplateLean6sigma Project Template
Lean6sigma Project Template
Taco Bakker
 
Sampling-SDM2012_Jun
Sampling-SDM2012_JunSampling-SDM2012_Jun
Sampling-SDM2012_Jun
MDO_Lab
 
Statistical process control
Statistical process controlStatistical process control
Statistical process control
jsembiring
 
problem-solving.pptx
problem-solving.pptxproblem-solving.pptx
problem-solving.pptx
hadi261715
 
Beyond Churn Prediction : An Introduction to uplift modeling
Beyond Churn Prediction : An Introduction to uplift modelingBeyond Churn Prediction : An Introduction to uplift modeling
Beyond Churn Prediction : An Introduction to uplift modeling
Pierre Gutierrez
 

Similar to Evaluate and quantify the drift of a measuring (20)

02_4-Conventional Decline Curve Analysis.ppt
02_4-Conventional Decline Curve Analysis.ppt02_4-Conventional Decline Curve Analysis.ppt
02_4-Conventional Decline Curve Analysis.ppt
 
6 data envelopment_analysis
6 data envelopment_analysis6 data envelopment_analysis
6 data envelopment_analysis
 
Incremental Volumetric Remapping Method - Analysis and Error Evaluation
Incremental Volumetric Remapping Method - Analysis and Error EvaluationIncremental Volumetric Remapping Method - Analysis and Error Evaluation
Incremental Volumetric Remapping Method - Analysis and Error Evaluation
 
Meetup_FGVA_Uplift @ Dataiku
Meetup_FGVA_Uplift @ DataikuMeetup_FGVA_Uplift @ Dataiku
Meetup_FGVA_Uplift @ Dataiku
 
1b7 quality control
1b7 quality control1b7 quality control
1b7 quality control
 
Business Process Monitoring and Mining
Business Process Monitoring and MiningBusiness Process Monitoring and Mining
Business Process Monitoring and Mining
 
Bridging the Gap: Machine Learning for Ubiquitous Computing -- Evaluation
Bridging the Gap: Machine Learning for Ubiquitous Computing -- EvaluationBridging the Gap: Machine Learning for Ubiquitous Computing -- Evaluation
Bridging the Gap: Machine Learning for Ubiquitous Computing -- Evaluation
 
Week_3_Lecture.pdf
Week_3_Lecture.pdfWeek_3_Lecture.pdf
Week_3_Lecture.pdf
 
Attribute MSA
Attribute MSAAttribute MSA
Attribute MSA
 
Attribute MSA
Attribute MSA Attribute MSA
Attribute MSA
 
A/B Testing at SweetIM
A/B Testing at SweetIMA/B Testing at SweetIM
A/B Testing at SweetIM
 
Location based sales forecast for superstores
Location based sales forecast for superstoresLocation based sales forecast for superstores
Location based sales forecast for superstores
 
Control Chart Basics.ppt
Control Chart Basics.pptControl Chart Basics.ppt
Control Chart Basics.ppt
 
Control Chart Basics.ppt
Control Chart Basics.pptControl Chart Basics.ppt
Control Chart Basics.ppt
 
Regression vs Neural Net
Regression vs Neural NetRegression vs Neural Net
Regression vs Neural Net
 
Lean6sigma Project Template
Lean6sigma Project TemplateLean6sigma Project Template
Lean6sigma Project Template
 
Sampling-SDM2012_Jun
Sampling-SDM2012_JunSampling-SDM2012_Jun
Sampling-SDM2012_Jun
 
Statistical process control
Statistical process controlStatistical process control
Statistical process control
 
problem-solving.pptx
problem-solving.pptxproblem-solving.pptx
problem-solving.pptx
 
Beyond Churn Prediction : An Introduction to uplift modeling
Beyond Churn Prediction : An Introduction to uplift modelingBeyond Churn Prediction : An Introduction to uplift modeling
Beyond Churn Prediction : An Introduction to uplift modeling
 

More from Jean-Michel POU

Comment analyser des données multivariées pour suivre une production
Comment analyser des données multivariées pour suivre une productionComment analyser des données multivariées pour suivre une production
Comment analyser des données multivariées pour suivre une production
Jean-Michel POU
 
Conformité multidimensionnelle
Conformité multidimensionnelleConformité multidimensionnelle
Conformité multidimensionnelle
Jean-Michel POU
 
Révolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologieRévolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologie
Jean-Michel POU
 
Digitalisation des entreprises : pour faire quoi, et quand ?
Digitalisation des entreprises : pour faire quoi, et quand ?Digitalisation des entreprises : pour faire quoi, et quand ?
Digitalisation des entreprises : pour faire quoi, et quand ?
Jean-Michel POU
 
Congrès International de Métrologie - Paris 2017
Congrès International de Métrologie - Paris 2017Congrès International de Métrologie - Paris 2017
Congrès International de Métrologie - Paris 2017
Jean-Michel POU
 
Pourquoi le concept de capabilité est insuffisant
Pourquoi le concept de capabilité est insuffisantPourquoi le concept de capabilité est insuffisant
Pourquoi le concept de capabilité est insuffisant
Jean-Michel POU
 
Alliance Industrie du Futur
Alliance Industrie du FuturAlliance Industrie du Futur
Alliance Industrie du Futur
Jean-Michel POU
 
Photos caravane région auvergne rhône alpes
Photos caravane région auvergne rhône alpesPhotos caravane région auvergne rhône alpes
Photos caravane région auvergne rhône alpes
Jean-Michel POU
 
Deltamu 2016
Deltamu 2016Deltamu 2016
Deltamu 2016
Jean-Michel POU
 
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-FdPrésentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Jean-Michel POU
 
Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...
Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...
Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...
Jean-Michel POU
 
Des mesures pour des décisions
Des mesures pour des décisionsDes mesures pour des décisions
Des mesures pour des décisions
Jean-Michel POU
 
Métrologie : Jusqu'où ne pas aller trop loin ?
Métrologie : Jusqu'où ne pas aller trop loin ?Métrologie : Jusqu'où ne pas aller trop loin ?
Métrologie : Jusqu'où ne pas aller trop loin ?
Jean-Michel POU
 
C.2.I
C.2.IC.2.I
Métrologie source de profits
Métrologie source de profitsMétrologie source de profits
Métrologie source de profits
Jean-Michel POU
 
Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...
Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...
Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...
Jean-Michel POU
 
Ecart type experimental : quelle formule choisir ?
Ecart type experimental : quelle formule choisir ?Ecart type experimental : quelle formule choisir ?
Ecart type experimental : quelle formule choisir ?
Jean-Michel POU
 
Pour une métrologie efficace et économique
Pour une métrologie efficace et économiquePour une métrologie efficace et économique
Pour une métrologie efficace et économique
Jean-Michel POU
 
Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...
Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...
Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...
Jean-Michel POU
 

More from Jean-Michel POU (19)

Comment analyser des données multivariées pour suivre une production
Comment analyser des données multivariées pour suivre une productionComment analyser des données multivariées pour suivre une production
Comment analyser des données multivariées pour suivre une production
 
Conformité multidimensionnelle
Conformité multidimensionnelleConformité multidimensionnelle
Conformité multidimensionnelle
 
Révolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologieRévolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologie
 
Digitalisation des entreprises : pour faire quoi, et quand ?
Digitalisation des entreprises : pour faire quoi, et quand ?Digitalisation des entreprises : pour faire quoi, et quand ?
Digitalisation des entreprises : pour faire quoi, et quand ?
 
Congrès International de Métrologie - Paris 2017
Congrès International de Métrologie - Paris 2017Congrès International de Métrologie - Paris 2017
Congrès International de Métrologie - Paris 2017
 
Pourquoi le concept de capabilité est insuffisant
Pourquoi le concept de capabilité est insuffisantPourquoi le concept de capabilité est insuffisant
Pourquoi le concept de capabilité est insuffisant
 
Alliance Industrie du Futur
Alliance Industrie du FuturAlliance Industrie du Futur
Alliance Industrie du Futur
 
Photos caravane région auvergne rhône alpes
Photos caravane région auvergne rhône alpesPhotos caravane région auvergne rhône alpes
Photos caravane région auvergne rhône alpes
 
Deltamu 2016
Deltamu 2016Deltamu 2016
Deltamu 2016
 
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-FdPrésentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
 
Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...
Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...
Inférence bayésienne : Une approche enthousiasmante pour l'exploitation des i...
 
Des mesures pour des décisions
Des mesures pour des décisionsDes mesures pour des décisions
Des mesures pour des décisions
 
Métrologie : Jusqu'où ne pas aller trop loin ?
Métrologie : Jusqu'où ne pas aller trop loin ?Métrologie : Jusqu'où ne pas aller trop loin ?
Métrologie : Jusqu'où ne pas aller trop loin ?
 
C.2.I
C.2.IC.2.I
C.2.I
 
Métrologie source de profits
Métrologie source de profitsMétrologie source de profits
Métrologie source de profits
 
Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...
Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...
Logiciel de gestion de parcs d'instruments de mesure : Quelles fonctionnalité...
 
Ecart type experimental : quelle formule choisir ?
Ecart type experimental : quelle formule choisir ?Ecart type experimental : quelle formule choisir ?
Ecart type experimental : quelle formule choisir ?
 
Pour une métrologie efficace et économique
Pour une métrologie efficace et économiquePour une métrologie efficace et économique
Pour une métrologie efficace et économique
 
Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...
Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...
Pourquoi avons nous tant de mal à appréhender le concept d'incertitude de mes...
 

Recently uploaded

Coordinate Systems in FME 101 - Webinar Slides
Coordinate Systems in FME 101 - Webinar SlidesCoordinate Systems in FME 101 - Webinar Slides
Coordinate Systems in FME 101 - Webinar Slides
Safe Software
 
Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...
Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...
Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...
MarceloMiranda38200
 
Calgary MuleSoft Meetup APM and IDP .pptx
Calgary MuleSoft Meetup APM and IDP .pptxCalgary MuleSoft Meetup APM and IDP .pptx
Calgary MuleSoft Meetup APM and IDP .pptx
ishalveerrandhawa1
 
Recent Advancements in the NIST-JARVIS Infrastructure
Recent Advancements in the NIST-JARVIS InfrastructureRecent Advancements in the NIST-JARVIS Infrastructure
Recent Advancements in the NIST-JARVIS Infrastructure
KAMAL CHOUDHARY
 
IPLOOK Remote-Sensing Satellite Solution
IPLOOK Remote-Sensing Satellite SolutionIPLOOK Remote-Sensing Satellite Solution
IPLOOK Remote-Sensing Satellite Solution
IPLOOK Networks
 
Dublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptx
Dublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptxDublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptx
Dublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptx
Kunal Gupta
 
Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...
Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...
Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...
Chris Swan
 
Pigging Solutions Sustainability brochure.pdf
Pigging Solutions Sustainability brochure.pdfPigging Solutions Sustainability brochure.pdf
Pigging Solutions Sustainability brochure.pdf
Pigging Solutions
 
Salesforce AI & Einstein Copilot Workshop
Salesforce AI & Einstein Copilot WorkshopSalesforce AI & Einstein Copilot Workshop
Salesforce AI & Einstein Copilot Workshop
CEPTES Software Inc
 
BEGINNER’S GUIDE TO AI AGENTS (1).pptx...
BEGINNER’S GUIDE TO AI AGENTS (1).pptx...BEGINNER’S GUIDE TO AI AGENTS (1).pptx...
BEGINNER’S GUIDE TO AI AGENTS (1).pptx...
WriteMe
 
Active Inference is a veryyyyyyyyyyyyyyyyyyyyyyyy
Active Inference is a veryyyyyyyyyyyyyyyyyyyyyyyyActive Inference is a veryyyyyyyyyyyyyyyyyyyyyyyy
Active Inference is a veryyyyyyyyyyyyyyyyyyyyyyyy
RaminGhanbari2
 
Advanced Techniques for Cyber Security Analysis and Anomaly Detection
Advanced Techniques for Cyber Security Analysis and Anomaly DetectionAdvanced Techniques for Cyber Security Analysis and Anomaly Detection
Advanced Techniques for Cyber Security Analysis and Anomaly Detection
Bert Blevins
 
Comparison Table of DiskWarrior Alternatives.pdf
Comparison Table of DiskWarrior Alternatives.pdfComparison Table of DiskWarrior Alternatives.pdf
Comparison Table of DiskWarrior Alternatives.pdf
Andrey Yasko
 
Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...
Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...
Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...
Bert Blevins
 
How RPA Help in the Transportation and Logistics Industry.pptx
How RPA Help in the Transportation and Logistics Industry.pptxHow RPA Help in the Transportation and Logistics Industry.pptx
How RPA Help in the Transportation and Logistics Industry.pptx
SynapseIndia
 
Password Rotation in 2024 is still Relevant
Password Rotation in 2024 is still RelevantPassword Rotation in 2024 is still Relevant
Password Rotation in 2024 is still Relevant
Bert Blevins
 
ScrumGathering New Orleans 2024 Catherine Louis.pdf
ScrumGathering New Orleans 2024  Catherine Louis.pdfScrumGathering New Orleans 2024  Catherine Louis.pdf
ScrumGathering New Orleans 2024 Catherine Louis.pdf
Global Agile Consulting- CLL-Group, LLC
 
TrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-In
TrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-InTrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-In
TrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-In
TrustArc
 
Quantum Communications Q&A with Gemini LLM
Quantum Communications Q&A with Gemini LLMQuantum Communications Q&A with Gemini LLM
Quantum Communications Q&A with Gemini LLM
Vijayananda Mohire
 
7 Most Powerful Solar Storms in the History of Earth.pdf
7 Most Powerful Solar Storms in the History of Earth.pdf7 Most Powerful Solar Storms in the History of Earth.pdf
7 Most Powerful Solar Storms in the History of Earth.pdf
Enterprise Wired
 

Recently uploaded (20)

Coordinate Systems in FME 101 - Webinar Slides
Coordinate Systems in FME 101 - Webinar SlidesCoordinate Systems in FME 101 - Webinar Slides
Coordinate Systems in FME 101 - Webinar Slides
 
Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...
Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...
Overview of Enterprise-scale landing zones using Cloud Adoption Framework Rea...
 
Calgary MuleSoft Meetup APM and IDP .pptx
Calgary MuleSoft Meetup APM and IDP .pptxCalgary MuleSoft Meetup APM and IDP .pptx
Calgary MuleSoft Meetup APM and IDP .pptx
 
Recent Advancements in the NIST-JARVIS Infrastructure
Recent Advancements in the NIST-JARVIS InfrastructureRecent Advancements in the NIST-JARVIS Infrastructure
Recent Advancements in the NIST-JARVIS Infrastructure
 
IPLOOK Remote-Sensing Satellite Solution
IPLOOK Remote-Sensing Satellite SolutionIPLOOK Remote-Sensing Satellite Solution
IPLOOK Remote-Sensing Satellite Solution
 
Dublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptx
Dublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptxDublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptx
Dublin_mulesoft_meetup_Mulesoft_Salesforce_Integration (1).pptx
 
Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...
Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...
Fluttercon 2024: Showing that you care about security - OpenSSF Scorecards fo...
 
Pigging Solutions Sustainability brochure.pdf
Pigging Solutions Sustainability brochure.pdfPigging Solutions Sustainability brochure.pdf
Pigging Solutions Sustainability brochure.pdf
 
Salesforce AI & Einstein Copilot Workshop
Salesforce AI & Einstein Copilot WorkshopSalesforce AI & Einstein Copilot Workshop
Salesforce AI & Einstein Copilot Workshop
 
BEGINNER’S GUIDE TO AI AGENTS (1).pptx...
BEGINNER’S GUIDE TO AI AGENTS (1).pptx...BEGINNER’S GUIDE TO AI AGENTS (1).pptx...
BEGINNER’S GUIDE TO AI AGENTS (1).pptx...
 
Active Inference is a veryyyyyyyyyyyyyyyyyyyyyyyy
Active Inference is a veryyyyyyyyyyyyyyyyyyyyyyyyActive Inference is a veryyyyyyyyyyyyyyyyyyyyyyyy
Active Inference is a veryyyyyyyyyyyyyyyyyyyyyyyy
 
Advanced Techniques for Cyber Security Analysis and Anomaly Detection
Advanced Techniques for Cyber Security Analysis and Anomaly DetectionAdvanced Techniques for Cyber Security Analysis and Anomaly Detection
Advanced Techniques for Cyber Security Analysis and Anomaly Detection
 
Comparison Table of DiskWarrior Alternatives.pdf
Comparison Table of DiskWarrior Alternatives.pdfComparison Table of DiskWarrior Alternatives.pdf
Comparison Table of DiskWarrior Alternatives.pdf
 
Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...
Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...
Understanding Insider Security Threats: Types, Examples, Effects, and Mitigat...
 
How RPA Help in the Transportation and Logistics Industry.pptx
How RPA Help in the Transportation and Logistics Industry.pptxHow RPA Help in the Transportation and Logistics Industry.pptx
How RPA Help in the Transportation and Logistics Industry.pptx
 
Password Rotation in 2024 is still Relevant
Password Rotation in 2024 is still RelevantPassword Rotation in 2024 is still Relevant
Password Rotation in 2024 is still Relevant
 
ScrumGathering New Orleans 2024 Catherine Louis.pdf
ScrumGathering New Orleans 2024  Catherine Louis.pdfScrumGathering New Orleans 2024  Catherine Louis.pdf
ScrumGathering New Orleans 2024 Catherine Louis.pdf
 
TrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-In
TrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-InTrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-In
TrustArc Webinar - 2024 Data Privacy Trends: A Mid-Year Check-In
 
Quantum Communications Q&A with Gemini LLM
Quantum Communications Q&A with Gemini LLMQuantum Communications Q&A with Gemini LLM
Quantum Communications Q&A with Gemini LLM
 
7 Most Powerful Solar Storms in the History of Earth.pdf
7 Most Powerful Solar Storms in the History of Earth.pdf7 Most Powerful Solar Storms in the History of Earth.pdf
7 Most Powerful Solar Storms in the History of Earth.pdf
 

Evaluate and quantify the drift of a measuring

  • 1. Evaluate and quantify the drift of a measuring instrument Jean-Michel POU (Deltamu), Laurent LEBLOND (PSA Groupe - France) Speaker: Peggy COURTOIS (Deltamu)
  • 2. Measuring instruments • Instruments measuring a range of measurements • Example: • Caliper • Ammeter • Temperature probe • pH-meter • … • Measuring instruments • How is the drift calculated? • New approach • Conclusion
  • 3. • Measuring instruments • How is the drift calculated? • New approach • Conclusion x Time Measurement Calibration Results for a fixed point x x x Maximum Difference * See LAB GTA-10 x Standard Measurement Calibration Results x x x Drift contribution to the final uncertainty 𝑴𝒂𝒙 𝑴𝒂𝒙 𝑫𝒊𝒇𝒇 𝟑 How is the drift calculated? Usual approach
  • 4. • Measuring instruments • How is the drift calculated? • New approach • Conclusion • Point to point analysis of the drift • Same points for future calibration • The maximum is not representative • Calibration points non independent (covariance) x Standard Measurement Calibration Results x x x How is the drift calculated? Disadvantages x Time Measurement Calibration Results for a fixed point x x x Maximum Difference
  • 5. New approach VIM3-2008 International Vocabulary of Metrology (VIM3 – 2008) Calibration (§2.39) Operation that, under specified conditions: 1. Establishes a relation between the quantity values with measurement uncertainties provided by measurement standards and corresponding indications with associated measurement uncertainties 2. Uses this information to establish a relation for obtaining a measurement result from an indication 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 + 𝒃 𝟐 𝒙 𝟐 + ⋯ + 𝒃 𝒏 𝒙 𝒏 • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis x Standard Measurement Calibration Results x x x 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
  • 6. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to identify a drift? Standard Measurement Calibration Results x x x x 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
  • 7. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to identify a drift? Standard Measurement Calibration Results x x x x b0 b1 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 𝒚 = 𝒙 Perfect Instrument 𝒃 𝟎 = 𝟎 𝒃 𝟏 = 𝟏 𝒃 𝟎 = 𝟎 𝒃 𝟏 = 𝟏 1 0
  • 8. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to identify a drift? Standard Measurement Calibration Results 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 Standard Measurement Calibration Results 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 b0 b1 b0 b1
  • 9. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis Etalonnage 1 Etalonnage 2 Etalonnage 3 Etalonnage 4 Etalonnage 5 Etalonnage 6 Etalonnage 7 Etalonnage 8 Etalonnage 9 Etalonnage 10 0,9985 0,999 0,9995 1 1,0005 1,001 1,0015 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 Penteb1 Ordonnéeà l'origine b0 Evolution du point de coordonnées (b0;b1) au fil des étalonnages New approach How to identify a drift? Etalonnage 1 Etalonnage 2 Etalonnage 3 Etalonnage 4 Etalonnage 5 Etalonnage 6 Etalonnage 7 Etalonnage 8 Etalonnage 9 Etalonnage 10 1 1,00005 1,0001 1,00015 1,0002 1,00025 1,0003 1,00035 1,0004 1,00045 -0,02 0 0,02 0,04 0,06 0,08 0,1 0,12 Penteb1 Ordonnéeà l'origine b0 Evolution du point de coordonnées (b0;b1) au fil des étalonnages
  • 10. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to identify a drift? b0 b1 time b0 time b1 b0 b1
  • 11. Etalonnage 1 Etalonnage 2 Etalonnage 3 Etalonnage 4 Etalonnage 5 Etalonnage 6 Etalonnage 7 Etalonnage 8 Etalonnage 9 Etalonnage 10 1 1,00005 1,0001 1,00015 1,0002 1,00025 1,0003 1,00035 1,0004 1,00045 -0,02 0 0,02 0,04 0,06 0,08 0,1 0,12 Penteb1 Ordonnéeà l'origine b0 Evolution du point de coordonnées (b0;b1) au fil des étalonnages • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to identify a drift? -0,02 0 0,02 0,04 0,06 0,08 0,1 0,12 0 500 1000 1500 2000 2500 3000 3500 b0 Nombre de jours Evolution de l'ordonnée à l'origine b0 au fil des étalonnages 1 1,00005 1,0001 1,00015 1,0002 1,00025 1,0003 1,00035 1,0004 1,00045 0 500 1000 1500 2000 2500 3000 3500 b1 Nombre de jours Evolution de l'ordonnée à l'origine b1 au fil des étalonnages b0 b1
  • 12. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to identify a drift? Standard Measurement Calibration Results x x x x 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 𝒚 = 𝒙 time b0 time b1 b0 b1
  • 13. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to quantify the drift? Standard Measurement Calibration Results 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙 time b0 time b1 T0 t b0 b1 Last Calibration Future Calibration (b0,b1) at T0 (b0(t),b1(t)) b0(t) b1(t) t T0
  • 14. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis New approach How to quantify the drift? Standard Measurement Calibration Results (b0,b1) Contribution of the drift uncertainty to the measurement process: • Mean error: 𝒖 𝒔 𝒕 = 𝒆 𝒕 𝟑 • Random error: 𝒖 𝒓 𝒕 = 𝒔 𝒆 𝒕 𝑒 𝑡 : Deviation mean 𝑠 𝑒 𝑡 : Standard deviation Future Calibration (b0(t),b1(t)) Last Calibration
  • 15. • New approach • VIM3 – 2008 • How to identify a drift? • How to quantify a drift? • Further analysis Further analysis • Drift model uncertainty: • Drift uncertainty based on the b0 and b1 coefficients • Monte Carlo simulation 𝑏0 𝑡 = 𝑎00 + 𝑎01 ∗ 𝑡 𝑏1 𝑡 = 𝑎10 + 𝑎11 ∗ 𝑡 • Drift from the residues in the calibration • Drift from the residues in the calibration is not taken into account • Fisher-Snédécor test x Standard Measurement Calibration Results x x x 𝒚 = 𝒃 𝟎 + 𝒃 𝟏 𝒙
  • 16. • Uncertainty in the measurement process • How is the drift calculated? • New approach • Conclusion Conclusion Uncertainties for the instrument: • Calibration • Specifications • Drift • … New method • Behavior of the instrument in its full domain • Used for defining calibration periodicity • Mathematically more rigorous

Editor's Notes

  1. Présentation: Aujourd'hui, je vais vous parler de la dérive des instruments, mais surtout comment évaluer et quantifier l’incertitude liée a la dérive d’un instrument. Ce travail est le fruit d’une collaboration entre JMP de Deltamu et LL de PSA. Malheureusement aucun d’entre eux ne pouvait être présent, je vais donc faire cette présentation pour eux. La notion de dérive des instruments de mesure est une notion importante en métrologie. Quand on fait un étalonnage d’un instrument, on regarde l’état métrologique de l’instrument à l’instant t. Un étalonnage nous valide les mesures passées, mais en aucun cas on peut prédire de l’état de l’instrument demain, dans un mois, ou dans un an.
  2. Pour certains types d’instruments, spécialement pour les instruments à cote fixe, l’étude de la dérive est facilement traitée. Les instruments a cote fixes sont principalement des instruments qui nous renvoient une seule dimension (cales étalons, masses étalons, bagues lisses étalons, …), la famille des calibres. Le fascicule FD X 07-014 propose justement une méthode, la méthode de la dérive, pour optimiser la périodicité de ce genre d’instruments. Nous nous intéressons, dans cette présentation, seulement aux instruments à cote variable, qui sont eux aussi traites dans la FD X 07-014, mais en terme d’optimisation de périodicité, et non sur la dérive des instruments. Un instrument a cote variable, c’est principalement un instrument qui nous fournit un panel de mesure, par exemple, pied a coulisse, ampèremètre, PH-mètre, burette, débitmètre,… De nos jours, comment calcule t on la dérive pour les instruments a cote variable?
  3. De nos jours, comment calcule t on la dérive pour les instruments a cote variable? Pour evaluer la part d’incertitude de notre instrument liée a la dérive, il existe plusieurs approches, je vous réfère au Guide Technique d’Accreditation LAB GTA-10 qui est un exemple parmi d’autres. Une des méthodes la plus utilisée est la suivante: Tout d abord, on va faire un 1er étalonnage. Lors de ce 1er étalonnage, on va regarder l’état de l’instrument à différents points donnes (généralement 4 ou 5), puis au fil des etalonnages successifs, on va se construire un historique, et on va regarder l évolution de chacun de ces points a travers le temps. Pour determiner l’incertitude liee a la derive on va calculer pour chaque point l’ecart maximum entre la valeur attendue et la mesure entre 2, on va donc considerer le pire cas pour chaque point, ensuite on va prendre le maximum des maximums qu on va diviser par racine de trois car c est une loi uniforme sur le temps entre 2 etalonnages (GUM).
  4. Pourquoi ca nous plait pas: L’étalonnage n est fait que sur 3 ou 4 points maximum, on ne considère pas l’etendue de mesure de l appareil, donc on observe pas le comportement de l’instrument dans sa totalité Les etalonnages suivants sont bases sur ces memes points Le max fait sur la derive n est pas representatif Les points d’etalonnage sont consideres independants alors qu ils ne le sont pas JMP: on pourrait aussi préciser que dans cet écart, la contribution de l’incertitude d’étalonnage est souvent importante, voire très importante. Elle impacte donc l’évaluation de la dérive alors que ce n’est pas l’objet … (Les regressions faites en general ne prennent pas en compte les incertitudes des droites de regression) [en general on n a pas bp d’historique l’etude de la derive n’est faite que sur …]
  5. La méthode des auteurs: La méthode que les auteurs proposent est basée sur la définition d’etalonnage donnée par le VIM (la définition révisée de 2008). Que dit cette définition? Le VIM depuis 2008 décompose un étalonnage en 2 étapes: La première étape: c’est une comparaison entre les étalons i.e. les valeurs vraies que l’on cherche et nos mesures La deuxième étape: c’est d’etablir une relation pour etre capable de faire le chemin inverse ie. que qq soit la mesure on doit être capable de trouver la valeur vraie. Le VIM ne nous laisse libre sur la manière d’etablir cette relation. L outil le plus souvent utilise c est la régression mathématique. Pour notre présentation on s est contente d une régression linéaire, mais tout autre model peut être utilisé. La méthode que je vais vous présenter est compatible avec la définition du VIM dans le sens ou elle utilise cette relation définie dans la définition, dans le sens ou on va regarder l’instrument dans son ensemble et non a des points d’etalonnage particuliers. -> bien insister sur la notion de droite et non une analyse point a point
  6. Présentation de la nouvelle méthode: Presentation du graphe avec l’instrument parfait en bleu, notre instrument et l’etalonnage non parfaits. La droite d’etalonnage comme toute droite est caracterisee par la droite y=ax+b, dans notre cas et pour etre conforme aux modeles d’ordre superieur, on va garder la notation y=b0+b1*t, avec b0 l’ordonnee a l’origine et b1 la pente de la droite. Tout d abord, comme dans toute methode qui met en evidence une derive il nous faut un historique de droite d’etalonnage. Probleme, comment identifier une derive avec les droites que l on a? La reponse: dans les coefficients des droites qui sont uniques a chaque droite. (entouree rouge)
  7. Comment visualiser une dérive éventuelle dans une série de droite d’etalonnage? Tout simplement on va visualiser les informations données par les coefficients b0 et b1 sous une autre forme. Description d’un instrument parfait (y=x en bleu) -> transcription sur le graphe b0-b1. Bien sûr nos instruments ne sont pas parfaits -> premier point noir, puis on accumule les droits/points noirs Dans le graphe b0-b1 il manque la notion du temps d ou l ajout d une droite. Important: Vous voyez, on passe d un graphe a l autre pour mieux visualiser/extraire les informations, plus tard on verra par la suite que l’on fera le chemin inverse
  8. Slide pedagogique pour mieux comprendre l’aspect physique et le lien entre les 2 graphes: Cette slide est une petite slide rapide pour mieux comprendre l’impact de chaque coefficient sur le graphe b0-b1. D’un cote b0 est fixe et b1 varie, de l’autre c est l inverse.
  9. Exemples: Exemples de graphes b0-b1, l’un avec un instrument qui ne derive pas, l’autre qui derive. Description des graphes. Ce graphe va nous permettre de visualizer une derive et de voir si une etude plus approfondie est necessaire. Attention: exemples possible d instruments, ce ne sont pas des cas reels JMP a eu le cas d une sonde de temperature PT100 qui derivait sur 10 ans
  10. Approche qualitative de la derive: Une fois qu on a mis en evidence une derive dans le graphe b0-b1, on va regarder ou se trouve cette derive en regardant chaque parameter en fonction du temps. Donc on decompose, on visualize chaque parameter en function du temps
  11. La je reprends l’exemple precedent celui ou on a identifie une derive. On a ensuite decompose ce graphe pour chacun des parameters en function du temps.
  12. On a qualitativement identifie une derive, maintenant on va chercher a la quantifier, mais surtout a quantifier son incertitude. Petit recap: on est parti d’un historique d’etalonnage avec ses droites d’etalonnage, on a identifie une derive a l aide du graphe b0-b1. Enfin de mieux connaitre cette derive on a decompose chaque parametre en fonction du temps. La prochaine etape c est biensur de faire une regression lineaire sur chacun de ces parametres (rouge) et de determiner la prochaine date d’etalonnage.
  13. Quantification de l’incertitude issue de la derive: A partir de la, notre etude est finie, on a identifie la pente de notre derive. Du coup, on ne s occupe plus des etalonnages precedent mais on va se concentrer du le dernier etalonnage a T0. Avec la connaissance de la derive on va pouvoir projeter / anticiper pour obtenir les valeurs des coefficients b0 b1. Ensuite on revient sur notre graphe d origine d etalonnage, sur lequel on va pouvoir tracer la droite d etalonnage etimee. L ecart entre ces 2 courbes representent les etapes que va faire mon instrument pendant les 2 etalonnages. C est cette quantite qui va nous donner notre incertitude. Attention: la courbe de rouge n est qu une estimation, ca ne prend pas en compte la fluctuation de la courbe d etalonnage t : c est la date ou l on statue sur l instrument
  14. Comment quantifier numeriquement l’incertitude due a la derive A noter: le (t) correspond entre les 2 droites d etalonnage CD: La moyenne : erreur systematique de la derive L’ecart type: l’erreur aleatoire
  15. Un modele n est pas parfait , il faut prendre en compte sa qualite On peut tester la qualite du modele avec une simulation monte carlo Residu: test de fisher pour voir si les residus sont de la meme famille Ex: si mon instrument ne drive pas mais fatigue
  16. Petit recap a gauche Conclusion a droite Note: Calibration periodicity: une fois qu on a identifie l’incertitude de notre processus de mesure, si on connait nos besoins et donc nos limites, on en deduit quelle place il reste pour l incertitude liee a la derive de l instrument. Du coup on peut choisir la prochaine date d etalonnage en function de la place qui reste…