LA SIGNATURE DES PROCESSUS D’ETALONNAGE :

LES ETALONNAGES VUS SOUS L’ANGLE STATISTIQUE

Jean-Michel POU, Dimitri VAISSIERE

DELTA MU Conseil
Parc Technologique La Pardieu
25, Rue Joseph Desaymard
63000 – Clermont-Ferrand
FRANCE

Résumé graduations » qu’il assemble ensuite pour offrir une

étendue. On peut alors estimer que, comme dans tous les
Ce texte fait suite au sujet présenté en 2001, à l’occasion process de fabrication en série, la valeur moyenne obtenue
du 10ème congrès de Métrologie à Saint Louis (« Et si le pour les n graduations réalisées n’est pas rigoureusement
V.I.M s’était trompé ? » [1]). Cet article mettait en la valeur attendue (résolution). Cette différence est à
évidence qu’au moment d’un étalonnage, on n’accède pas l’origine de l’erreur systématique de l’instrument qui
à l’erreur de l’instrument mais à l’erreur de mesure d’un devrait être corrigée. D’autre part, chaque graduation est
processus de mesure particulier qu’est le processus différente car il est impossible de réaliser n fois le même
d’étalonnage. Il s’agit donc d’extraire de ces erreurs de objet (la même graduation). Cette dispersion des
mesure la part qui revient à l’instrument, sous réserve que graduations individuelles peut être présumée gaussienne
cela soit possible ! (cf théroème central limite) même si cette hypothèse est
sans conséquence dans la suite de l’exposé. En effet, seule
la variance de cette dispersion nous intéresse car c’est elle
The signature of the calibration process qui devra être estimée et délivrée à l’utilisateur de
l’instrument.
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 Remarque importante au sujet des
process including the instrument. The aim now is to incertitudes de mesure
evaluate only the errors from the instrument
Le G.UM [2], repris aujourd’hui sous forme de norme (NF
ENV 13005 [3]), décrit une méthode analytique pour
Que recherche-t-on ? l’estimation de l’incertitude de mesure. Cette estimation se
base sur l’analyse des variances des facteurs qui
Le but d’un étalonnage est d’évaluer les erreurs de composent le processus de mesure. Le but est d’estimer
l’instrument afin de pouvoir estimer, ensuite, l’incertitude quelle est la variation maximale de tel ou tel facteur de
de mesure du (des) processus qui l’utilise(nt). Il faut ici façon à estimer l’impact de cette variation sur le résultat de
distinguer les erreurs qui sont : mesure. Dans cette analyse, on estime une incertitude qui
s’applique « tout au long de l’année » sauf dégradation
• de type systématique qui devraient être corrigées particulière au moment d’une mesure. Or, la réalisation
par l’utilisateur. De fait seule l’incertitude sur cette d’un étalonnage par exemple ne dure en général pas toute
correction intervient dans l’estimation de l’incertitude l’année ! Ainsi, certains facteurs variables sur du long
de mesure du processus, terme ne le sont pas pendant le temps de l’étalonnage et se
comportent alors comme des erreurs systématiques qu’il
• de type aléatoire qui participent en tant que ne faudrait pas attribuer à l’instrument sous prétexte qu’on
variance à l’incertitude du processus de mesure. Ces aimerait l’observer lui uniquement ! On peut donc pousser
dernières devraient être déterminées directement sous l’analyse des causes d’incertitude de mesure en se
forme de variances (car c’est sous cette forme qu’elles demandant si, pendant le temps de la mesure, elles ont ou
seront utilisées) et non sous le forme d’une erreur non le temps de varier. On peut alors parler de variances
maximale (qui n’a vraisemblablement rien de « courtes » ou « longues », suivant qu’elles varient ou pas
maximale compte tenu du faible nombre de points dans un intervalle de temps donné.
d’étalonnage réalisés !) tel que c’est souvent le cas Une variance « courte » varie en permanence, comme par
aujourd’hui ! exemple la répétabilité. Une variance « longue » ne varie
pas ou peu pendant la mesure, comme par exemple la
Ces deux types d’erreurs existent dans l’instrument de température. En effet, dans un laboratoire climatisé la
mesure que l’on peut interpréter de la façon suivante : température varie de ± 1°C dans le temps mais seulement
l’instrument de mesure peut se représenter comme une de 0,1 ou 0,2°C au cours de l’étalonnage d’un pied à
succession de traits de graduation régulièrement espacés coulisse. Il s’agit donc ici d’une variance « longue » !
de la valeur de la résolution. Ainsi, le fabricant Si, pour prendre un autre exemple, on a détecté un effet
d’instruments de mesure est un « fabricant de inter-opérateur dans un processus, tant que l’opérateur ne
change pas (ce qui est souvent le cas lors d’un étalonnage), → moins longue. Dans les exemples ci-dessus, les effets
cette variance est « longue ». de la température prendraient un coefficient de 80 à 100%,
la reproductibilité un coefficient de 100%. Il est ensuite
Il est simple d’ajouter ce caractère dans un bilan de causes possible, par la simple multiplication de ce nouveau
d’incertitude. Il suffit d’exprimer un coefficient d’auto- coefficient par la variance totale de la cause de déterminer
corrélation (ou interdépendance de la cause sur elle- la part qui entre dans la variance longue globale du
même). Ce coefficient, exprimé en % (comme tout processus d’étalonnage qui se détermine, à la fin, par la
coefficient de corrélation), prend la valeur 0 pour une simple somme des variances longues. Le tableau ci-
variance courte puis toutes les valeurs comprises entre 0 et dessous montre un exemple d’application.
100 suivant que la variance de la cause est plus ou →

Inter-
Causes d'incertitude Erreur Maxi Loi Variance Variance longue
dépendance
Lecture 0,01 Uniforme 3,33333E-05 0% 0
Répétabilité / / 0,0001 0% 0
Reproductibilité inter-opérateurs / / 0,0004 100% 0,0004
Différence de température entre
20.10-6.L ArcSinus (20.10-6.L / √2)² 80% 0,8 x (20.10-6.L / √2)²
ambiance et référence
Différence de température entre
5.10-6.L Normale (5.10-6.L / 3)² 0% 0
instrument et étalons
Incertitude d'étalonnage des 0,002 + 4.10- Normale
(0,001 + 2.10-6.L)² 50% 0,5 x (0,001 + 2.10-6.L)²
étalons 6.L (95%)
Dérive des étalons 0,001 Normale 1,11111E-07 100% 1,11111E-07

Evidemment, les coefficients d’inter-dépendance ne sont

que des estimations, des ordres de grandeur. Il s’agit de Simulation numérique : la clé du
prendre en compte de façon physique le phénomène des
variances longues qui vont perturber l’évaluation de problème !
l’erreur systématique de l’instrument en « se faisant passer
pour elle ! ». Les variances courtes, quant à elles,
perturbent l’estimation de la variance résiduelle de
l’instrument (la dispersion de ses graduations) en se Avant d’aller plus loin, il convient de revenir sur un outil
mélangeant avec. qui va bientôt intégrer officiellement les méthodes
d’évaluation de l’incertitude de mesure : la simulation
Note : Les variances longues sont à l’origine de la numérique.
corrélation entre deux valeurs mesurées. Si je cherche à Cette dernière permet de simuler des valeurs de mesure
évaluer la surface d’un échantillon rectangulaire en plausibles, compte tenu de l’incertitude définie par sa loi
mesurant, à l’aide de mon pied à coulisse, sa largeur et sa de distribution (gaussienne sous réserve de correction des
longueur, les variances longues du processus de mesure effets systématiques) et par son écart type. On fait alors
composent la covariance entre les incertitudes sur la l’économie des mesures réelles.
mesure de la largeur et de la longueur que la loi de
propagation nous demande de considérer. Néanmoins, On comprend aisément qu’un des avantages principaux est
lorsque les mesures sont réalisées avec des processus que l’on peut générer des centaines d’étalonnages
différents (une section et une force pour estimer une possibles. De plus, par cette technique, il est possible par
contrainte par exemple), on ne peut alors estimer la exemple de résoudre le problème de la propagation des
covariance qui restera malheureusement déterminée via un incertitudes sans appliquer les dérivées partielles dans le
coefficient de corrélation. cas des fonctions. En effet, il suffit de calculer un grand
nombre de fois la fonction en faisant varier chaque
On remarque que la variance longue, comme la variance paramètre dans sa plage Valeur mesurée ± Incertitude tout
totale, s’exprime proportionnellement à la valeur mesurée en respectant la loi de distribution de l’intervalle et de
(une longueur dans le cas du tableau) et n’est donc pas une calculer, au final, la moyenne et l’écart-type des résultats
constante. C’est typiquement cet effet là qu’on pourrait obtenus. Ce dernier représente l’incertitude type de mesure
prendre – analyser - pour un effet de gain (ou du processus composé via le modèle (l’équation) des écart-
d’amplification). Le terme constant de la variance longue types sur les paramètres. La comparaison des résultats
peut quant à lui être pris pour un défaut d’offset. obtenus par l’une et l’autre des méthodes (propagation et
simulation) permet notamment de valider le simulateur
numérique utilisé. Un autre avantage important de la
simulation numérique réside dans le fait qu’elle permet
d’observer la loi de distribution du mesurande qui peut être
différente d’une loi normale compte-tenu de la distorsion
amenée éventuellement par les coefficients de sensibilité.
L’inconvénient est qu’elle ne sait pas prendre en compte Erreur longue
les covariances entre les incertitudes sur les paramètres
s’ils sont mesurés par des processus différents. Il faudrait, 0,14

pour cela, connaître l’équation mathématique qui lie les 0,12

erreurs de mesure de chacun des paramètres du modèle. 0,1

0,08
0,06
Dans le cas particuliers des étalonnages, les mesures sont
0,04
réalisées en général par un seul processus composé des 0,02
facteurs du laboratoire (étalons, méthodes, opérateurs, …) 0
et de l’instrument à étalonner. Ainsi, nous allons pouvoir 0 5 10 15 20 25 30
utiliser la simulation numérique pour déterminer si
l’instrument observé a ou pas une erreur de type On tire ensuite en chaque point une valeur dans la variance
systématique et, le cas échéant, évaluer l’incertitude sur courte du processus d’étalonnage :
cette correction. On pourra également déterminer son Erreur courte
éventuel résiduel de justesse, ou en tout cas, une valeur en
dessous de laquelle il se situe ! 0,015

0,01
0,005
La signature des processus 0
d’étalonnage -0,005
0 5 10 15 20 25 30

-0,01
En premier lieu il faut se convaincre qu’au moment de
l’étalonnage, on ne mesure pas l’erreur ponctuelle de -0,015

l’instrument mais on estime l’erreur de mesure d’un -0,02

processus particulier. En effet, on mesure un objet connu
(un étalon) et on trouve un écart entre la valeur observée et
la valeur attendue. Cet écart provient évidemment de L’étalonnage qu’on aurait ainsi obtenu est la somme des
l’imperfection de l’instrument en cours d’étalonnage mais deux courbes :
également de tous les autres facteurs qui participent à la Cette simulation tient donc compte du nombre de points de
mesure. Ainsi, on faisant l’hypothèse de l’étalonnage d’un référence choisis et du nombre de répétitions de mesures
instrument parfait, on aurait quand même des erreurs de réalisées en chaque point.
mesure que l’on attribue malheureusement aujourd’hui à Erreur totale
l’instrument du fait des définitions du V.I.M [4] !
0,14

Par la simulation numérique, on peut donc obtenir les 0,12

erreurs de mesure qui pourraient être observées si 0,1

l’instrument était parfait car on maîtrise les causes 0,08

d’incertitude provenant du laboratoire. Ces erreurs sont 0,06

issues des écart-types qui composent l’incertitude 0,04

d’étalonnage. Il suffit de tirer aléatoirement, suivant la loi 0,02

retenue, une valeur dans cette incertitude. Cette valeur 0

0 5 10 15 20 25 30
représente l’erreur apparente qu’on risque d’attribuer à
l’instrument au cours de l’étalonnage. On retire, pour
chaque mesure simulée, une valeur aléatoire qui représente
Ainsi, en comparant les erreurs observées lors de
une nouvelle erreur qui pourrait se produire lors de
l’étalonnage d’un instrument réel avec celles obtenues par
l’étalonnage d’un instrument parfait. Le simulateur doit
simulation, il est possible de savoir si oui ou non
évidemment tenir compte des variances longues et courtes
l’instrument en cours d’étalonnage a des erreurs.
du processus d’étalonnage. L’erreur, en chaque point de
mesure simulée, est composée d’une part de variance
L’effet des variances longues
longue, tirée aléatoirement au début de la simulation et qui
s’appliquera en chaque point et d’une part de variance
Comme on l’a vu précédemment, les variances longues se
courte retirée en chaque point simulé. On peut résumer
comportent, au moment d’un étalonnage, comme des
l’opération par les graphiques suivants :
erreurs systématiques. Ce sont elles qui, dans le graphique
ci-dessus, font penser à un problème de gain. Si on connaît
Simulation d’un étalonnage en 5 points de référence :
par avance l’ordre du gain que peut produire le type
d’instrument que l’on va étalonner avec ce processus, il est
On tire aléatoirement une valeur dans la variance longue
possible de déterminer, par la méthode des moindres
qui s’applique sur tout le domaine et qui peut présenter un
carrés, l’équation de gain apparent provenant des variances
effet de gain :
longues au degré choisi (cf. figure ci-dessous) :
 Erreur totale

0,14
L’incertitude sur la correction
0,12
0,1 Dans le cas 2 du graphe ci-dessus, il convient de
0,08 déterminer l’incertitude sur les coefficients du modèle,
0,06 incertitude qui provient de l’incertitude d’étalonnage elle-
0,04 même constituée de variances longues et de variances
0,02
courtes. La méthode des moindres carrés donne les
0
0 5 10 15 20 25 30
formules qui permettent de déterminer l’incertitude sur les
coefficients. Cependant, elle impose 3 hypothèses qui ne
y = 0,0046x + 0,0072
sont pas respectées lors d’un étalonnage.
Première hypothèse : il ne doit pas y avoir d’incertitude en
En simulant n fois l’étalonnage d’un instrument parfait, on X (abscisse). Or, en métrologie, les étalons ont toujours
va trouver n équations provenant des variances longues, au une incertitude ce qui ne permet pas de respecter cette
degré et à la forme choisie, qui représenteront n équations hypothèse.
de gain attribuable au processus d’étalonnage et non à
l’instrument étalonné. Pour les équations de gain de forme Deuxième hypothèse : l’incertitude en Y est constante sur
polynomiale au premier degré (a + b.x), nous obtenons n le domaine. Là encore, l’hypothèse n’est pas respectée
doublets ai,bi issus des n simulations. Ces doublets peuvent dans la mesure où l’incertitude d’étalonnage augmente, en
être matérialisés graphiquement en portant par exemple en général, en fonction de la valeur de l’étalon.
abscisse la coordonnée ai du doublet et en ordonnée la
coordonnée bi : Troisième hypothèse : les incertitudes, en Y, doivent être
Dans le cas d’un modèle de degré supérieur, on obtient indépendantes. Là, ce sont les variances longues qui ne
autant de graphes que de degrés du polynôme. Ces graphes permettent pas de respecter cette dernière hypothèse.
représentent la signature du processus d’étalonnage.
De plus, l’incertitude calculée par la méthode des
moindres carrés cherche à inclure tous les écarts mesurés
(faire passer le modèle par tous les points mesurés) alors
que nous souhaitons discriminer la part systématique (le
modèle) et la part aléatoire (les résidus).

Ici aussi, la simulation numérique se présente comme une

solution. En effet, il suffit de simuler les résultats
d’étalonnage qu’on obtiendrait en étalonnant un
instrument qui présente une erreur systématique telle que
celle observée. On obtient ainsi n valeurs de coefficients
du modèle possible, n valeurs qui permettent de déterminer
les moyennes et écart type de chaque coefficient mais
Lors de l’étalonnage d’un instrument réel, il suffit alors de aussi les covariances entre les coefficients. Il est alors
positionner le couple de coefficients a,b obtenu dans le possible de déterminer l’incertitude sur la correction
graphe de signature. Si le point réel appartient au nuage de observée.
points de la signature, on peut en déduire que l’effet
observé n’est probablement pas du à l’instrument observé A la fin de cette première étape, on sait se prononcer sur la
(Cas 1). A l’inverse, si le point obtenu se distingue de la question d’une éventuelle erreur systématique provenant
signature (Cas 2), on en déduit alors que l’instrument a une de l’instrument et, le cas échéant, évaluer l’incertitude sur
erreur de type systématique dont on connaît l’équation (les cette correction. Cette méthode ne permet évidemment pas
coefficients obtenus) et dont il faut maintenant déterminer de contourner les problèmes liés à l’échantillonnage. Ici,
l’incertitude. c’est la connaissance du modèle attendu qui doit permettre
de déterminer le nombre de points de référence qu’il
convient de considérer pour détecter l’erreur de
l’instrument. Ensuite, la simulation permet, via la
signature, d’optimiser ce nombre de points.
Cas 1

Le résiduel de justesse
Deux cas se dessinent ici. Soit l’instrument présente un
Cas 2 effet systématique et il convient alors de raisonner sur les
résidus observés autour du modèle déterminé (sous forme
de variance). Soit il n’en présente pas et il faut alors
travailler sur la variance des écarts observés.
Là encore, la simulation numérique nous donnera des La détermination du facteur k a été réalisée, une nouvelle
informations, soit autour du modèle apparent lié aux fois, par simulation numérique. Nous avons fait varier la
variances longues (variance des résidus), soit autour « du variance instrument entre 0 et 300 % (0<k<3) de la
zéro » avec la variance des écarts. variance du dénominateur pour simuler des valeurs
possibles du numérateur (instrument + laboratoire) afin
Suite à l’étalonnage, et suivant le cas qui se présente, il d’évaluer à partir de quand le test devient positif dans plus
suffit de tester si la variance expérimentale retenue (écarts de 5% des cas. Cette valeur représente le seuil de détection
ou résidus) est différente de la variance obtenue par du test, donc de la procédure d’étalonnage utilisée par le
signature. laboratoire. La courbe ci-dessous montre les résultats
obtenus pour différents nombres de points de référence :
Un test de type Fischer-Snédécor [5] [6] est
particulièrement adapté à cette problématique même s’il
mérite quelques modifications. Il s’agit de comparer la
120,00
variance expérimentale obtenue au moment de Confiance
100,00
l’étalonnage à la variance moyenne obtenue lors des 3 DDL
simulations. Le test ne peut donc s’appliquer directement 80,00 5DDL

Tests positifs (%)

car la variance (ou plus exactement la valeur du khi deux) 60,00
7DDL
9DDL
qui se trouve au dénominateur ne disperse pas car elle est 40,00 11DDL
issue d’une moyenne obtenue sur n simulations. Il 13DDL
20,00
convient donc de retrouver les valeurs de Fisher Snédécor 15DDL
(i.e. valeurs limites), au niveau de confiance choisi, qui 0,00
0 100 200 300 400
permettront de tester si la variance du numérateur
Part de l'instrument
(variance expérimentale) est différente de celle du
dénominateur (variance moyenne laboratoire). Une
Si le test ne détecte pas de différence, on peut conclure que
nouvelle fois, la simulation numérique nous a permis de
l’instrument reste en dessous d’un seuil de détection et la
définir ces valeurs.
conclusion de l’étalonnage se limite à indiquer que le
Pour rester cohérent, nous avons recherché les valeurs
résiduel de l’instrument est inférieur au seuil du
limites à 95% puisqu’il semble être acquis aujourd’hui que
laboratoire.
ce niveau de confiance soit satisfaisant, ou au moins
Le tableau et le graphe ci-dessous présente les valeurs k
consensuel. Le tableau ci-dessous donne les valeurs limites
conduisant à 95% de tests positifs en fonction du nombre
pour un nombre de points de référence compris entre 3 et
de points de référence. En d’autres termes, il s’agit du
15 :
facteur multiplicatif de la variance du laboratoire qui
définit le seuil de détection de celui-ci.
Valeurs.
DDL Confiance
limites
Nb Références k
3 95,00% 2,551
3 3,7
4 95,00% 2,215
5 2,35
5 95,00% 2,145
7 1,9
6 95,00% 2,035
9 1,6
7 95,00% 1,979
11 1,4
8 95,00% 1,904
13 1,4
9 95,00% 1,826
15 1,3
10 95,00% 1,786
11 95,00% 1,693
Seuil de détection
12 95,00% 1,71 (en nombre de fois la variance du laboratoire)
13 95,00% 1,672
4
14 95,00% 1,669 3,5
3
15 95,00% 1,618 2,5
2
1,5
Ainsi, si le rapport des variances est inférieur à la valeur 1
limite du tableau, on peut conclure qu’il y a 95% de 0,5
0
chances que l’instrument n’ait pas influencé la variance 0 2 4 6 8 10 12 14 16
expérimentale observée. Nombre de références

Il est alors possible de déterminer à partir de quelle valeur

de la variance « instrument » le test devient positif A l’inverse, si le test détecte une différence, on peut alors
(l’instrument a influencé le résultat d’étalonnage). Pour ce conclure à un effet de l’instrument et en déterminer, par
faire, la variance instrument est définie comme le produit soustraction des variances, la part qui lui revient.
d’un facteur (k) avec la variance du dénominateur Evidemment, la valeur obtenue ne peut en aucun cas être
(variance labo). inférieure au seuil de détection. Par conséquent, si la
différence des variances est inférieure au seuil, alors c’est
la valeur du seuil qui sera retenue comme majorant de la dans un processus de mesure, définir rigoureusement
variance instrument. l’échantillonnage nécessaire lors de l’étalonnage en
raisonnant en variance plutôt qu’en erreur maximale (qui
Il est intéressant de souligner que la répétition des mesures évidemment n’en est jamais une à 100 %) est nécessaire
en chaque référence a pour conséquence directe de pour interpréter un résultat de mesure ou d’étalonnage.
diminuer le seuil de détection du résiduel de l’instrument. C’est aussi, à terme, mieux comprendre les process
Ceci permet de déterminer le nombre de points de industriels et, en conséquence, mieux les maîtriser.
références nécessaires compte tenu de l’incertitude de Derrière cette approche se joue donc des gains importants
l’instrument de mesure et de la variance du laboratoire. de productivité qui, au-delà de l’aspect économique, se
présentent comme impératifs pour maintenir l’activité
industrielle dans nos pays et respecter les ressources
Conclusions naturelles.

Avec la signature des processus d’étalonnage, le

laboratoire possède un véritable outil qui lui permet de Références
choisir le nombre de références optimal à retenir (en
fonction du modèle pressenti) et le nombre de répétitions [1] J-M POU, Et si le VIM s’était trompé ?, dans Actes des
par point (en fonction des variances courtes du Conférences 10ème congrès international de métrologie,
laboratoire). Il peut ainsi optimiser sa prestation en 2001.
fonction du besoin de son client et lui indiquer les valeurs
dont il a vraiment besoin. [2] Guide to the expression of uncertainty in measurement,
1995.
En effet, on assiste aujourd’hui très souvent à des
discussions sur le caractère systématique ou non de [3] Normes fondamentales – Guide pour l’expression de
l’erreur de justesse et sur la loi de distribution à appliquer l’incertitude de mesure – norme NF ENV 13005, 1999,
à l’erreur maximale mesurée. La méthode décrite ici 115 p.
permet de répondre à ces deux interrogations puisqu’elle
permet de faire la part des choses entre systématique et [4] NF X 07-001 (1994) – Normes fondamentales -
aléatoire et d’exprimer directement une variance pour les Vocabulaire international des termes fondamentaux et
caractères aléatoires. généraux de métrologie

Evidemment, nous avons conscience des profondes [5] J. POIRIER, Estimateurs et tests d’hypothèses,
modifications qu’elle impose mais les enjeux ne valent-ils Techniques de l’Ingénieur, R250.
pas ces efforts ? (Le lecteur remarquera néanmoins que
cette méthode n’induit pas de travail supplémentaire car [6] J. POIRIER, Analyse de la variance et de la régression.
seul le traitement des informations est réalisé Plans d’expérience, Techniques de l’Ingénieur, R260
différemment). En effet, comprendre mieux ce qui se passe