Les standards de mesure, sources de problèmes ?

Les transformations de matière impliquent des couplages forts entre matière et conditions de mise en œuvre, tels qu’une même matière ou combinaison de matière donne lieu à des produits différents selon les conditions. Une telle particularité a des implications multiples que j’essaie de mettre en lumière et d’analyser depuis plusieurs articles.

Le paradoxe ne s’arrête pas là. Les standards de mesure, sur lesquels s’appuient la plupart des méthodes industrielles, sont susceptibles d’obscurcir l’identification des causes de difficultés et leur maîtrise. Au point de constituer paradoxalement des sources indirectes de problèmes. Essayons de voir de quelle façon.

La mesure, cette évidence

L’intérêt de la mesure pour quantifier des propriétés et comportements va généralement de soi dans les domaines techniques. Joseph Juran résume bien le consensus entourant le principe de la mesure : « Measurement is the most effective remedy for vagueness and multiple dialects — “Say it in numbers.”. Mesurer, c’est assigner des nombres à des propriétés ou des phénomènes par des procédés.

Dans le langage de la métrologie, la mesure (le mesurage) est un « processus consistant à obtenir expérimentalement une ou plusieurs valeurs que l’on peut raisonnablement attribuer à une grandeur » ; une grandeur étant une « propriété d’un phénomène, d’un corps ou d’une substance, que l’on peut exprimer quantitativement sous forme d’un nombre et d’une référence ». Notons qu’il s’agit de valeurs attribuées raisonnablement, pas précisément ou scientifiquement. Le lien entre la valeur mesurée et la grandeur n’est pas si strict et précis qu’on l’imagine généralement. J’y reviendrai.

L’importance de la mesure fait donc consensus et généralement ses modalités aussi : un acteur d’un secteur donné sait quelles mesures doivent être effectuées pour répondre aux contraintes normatives ou à ses besoins de R&D et comment le faire. En principe du moins.

Les standards de mesure, cœur de la politique de mesure

Les standards de mesure constituent le plus souvent l’ossature de la politique de mesure des entreprises, mise en oeuvre évidemment en contrôle qualité, mais aussi souvent reproduite ou déclinée en R&D.

Le constat tranchant d’Ishikawa

Le point de vue d’Ishikawa est sans équivoque : “There are no standards -whether they be national, international or company-wide- that are perfect. […] Standards that were adequate when they were first established, quickly become obsolete […] If standards and regulations are not revised in six months, it is proof that no one is seriously using them.”

Dans de nombreux secteurs de la transformation de matière, on peut noter que les standards de mesure datent de plusieurs dizaines d’années. L’évolution des propriétés des matières premières, de la complexification des fonctionnalités des produits finis, des attentes clients sont autant d’éléments pour abonder dans le sens d’une obsolescence progressive des standards pour des raisons techniques -la durée de six mois évoquée par Ishikawa mériterait une justification qu’il ne donne malheureusement pas.

L’imperfection des standards peut être mieux comprise à travers l’analyse de l’utilisation usuelle de la fiche technique.

Le biais de la fiche technique

Comment dans ce cas identifier l’origine de la variabilité entre deux produits considérés équivalents selon les mesures standards ? Quelle mesure permettra de qualifier le ou les paramètres associés à la différence réelle de comportement entre ces deux produits ? Cette problématique est celle de la représentativité de la mesure.

L’enjeu de la représentativité de la mesure

La question de la représentativité d’une mesure est cruciale, mais la plupart du temps considérée comme évidente. La mesure est dès lors réduite à des questions de précision, d’incertitude ou de répétabilité.

Si l’enseignement scientifique me semble en général ne pas vraiment aborder cette question, une telle lacune me semble toutefois trouver son origine à l’origine des théories de la mesure. En effet, la préoccupation des pionniers de la fin du XIXè s. (Helmoltz, Campbell) concernait des propriétés macroscopiques (poids, dimensions) directement associées à un corps et leur objectif était de construire une théorie de la validité d’une telle mesure, effectué grâce à un dispositif mesurant directement ladite propriété.

La représentativité de la mesure (plus précisément du mesurande pour parler le langage de la métrologie) est dans ces cas triviale : la propriété à mesurer est intuitivement identifiable.

Le cas des phénomènes complexes

Quand est-il par contre lorsque l’on rencontre une difficulté dans le conditionnement d’une émulsion par dosage dans des pots ? Quelle propriété est représentative de ce phénomène ? Y’en a-t-il seulement une seule ? Par quel miracle la viscosité mesurée dans des conditions arbitraires -de cisaillement notamment- peut-elle espérer être représentative, c’est-à-dire mener à discriminer des différences de comportement ? Et quand une telle mesure est effectivement représentative, quelle est sa limite de validité ?

De même, la granulométrie d’une poudre est un facteur d’influence important de son comportement ; pour autant, elle ne suffit dans la plupart des cas ni à discriminer ni à prédire des comportements problématiques.

Dans le cas de phénomènes concrets, on peut « raisonnablement » espérer que certaines propriétés soient en lien avec le phénomène. Raisonnablement signifie que les variations de certaines valeurs en lien avec la propriété mesurée peuvent être corrélées avec les variabilités observées dans l’occurrence du phénomène. Il s’agit d’investiguer pour le montrer. Le défaut de corrélation claire entre le paramètre mesurée et les occurences du phénomène contraint la plupart des acteurs à procéder selon la méthode traditionnelle de l’empirisme.

A l’inverse, des réponses précises à ces questions ouvrent la voie à des méthodes instrumentales prédictives permettant en R&D d’anticiper les comportements concrets en industrialisation et en production, ainsi que d’en orienter les réglages.

Mesure-Capteur, Mesure-Expérience et paramétrabilité

Dans les contextes où le couplage entre matière et conditions de mise en œuvre est fort -du stockage de poudres avec ses effets d’hygrométrie ou de voûtage en silo aux applications par pulvérisation ou enduction rouleau d’un produit liquide ou pâteux non-newtonien-, la plupart des phénomènes peuvent être considérés complexes.

Les données produites par le recours aux standards de mesure ne sont alors pas systématiquement, loin s’en faut, représentatives des phénomènes visés. Dans bien des cas, elles indiquent tout au plus des tendances entre matières très différentes. Mais cela est souvent insuffisant pour comparer des effets subtils de formulation ou de processing.

Afin de mettre en lumière cette limitation liée avant tout aux modalités de mise en œuvre d’une mesure -et pas uniquement à l’instrumentation-, j’ai proposé dans l’article « un autre regard sur la mesure » de distinguer deux types de mise en œuvre :

• La « mesure-capteur », visant à produire une valeur pour un paramètre associé au produit par des modalités arbitraires et fixées -soit nativement dans un dispositif non-paramétrable, soit paramétrées ;
• La « mesure-expérience », visant à mobiliser les réponses de la matière en conditions contrôlées selon les paramètres disponibles sur l’instrumentation.

Cette distinction simple vise à proposer une grille de lecture transverse des pratiques instrumentales capable de reconnaitre les mérites respectifs de ces approches selon les contextes. L’autre intérêt de cette lecture duale est de permettre de clarifier les contraintes pesant sur chaque type de modalité de mise en œuvre pour une utilisation efficace.

« Mesure-Capteur »

Le mode « Mesure-Capteur » est notamment représentatif de la mise en œuvre des standards de mesure, délivrant une valeur suite à la mobilisation de la matière ou du produit selon un protocole fixé.

Pour ce qui concerne le comportement physique de la matière, lorsque les conditions de mobilisation de la matière dans l’instrumentation ne sont pas représentatives des conditions réelles, la représentativité est généralement faible, voire nulle. L’exemple des limitations de l’usage de la coupe de viscosité développé dans l’article #3 illustre ce cas. Nous pourrions suivre la même démarche pour montrer les limitations des tests de coulabilité de poudres en entonnoir de Hall ou de densité tapée, comme des mesures de viscosimétrie en général et de bien d’autres techniques.

A l’inverse, lorsque l’instrumentation est paramétrable et que le protocole de mesure a été élaboré et validé de façon à être représentatif d’un phénomène, le mode « Mesure-Capteur » permet de capturer les caractéristiques essentielles du phénomène par une valeur unique.

Pour résumer, au risque de paraître trivial : quand on veut n’avoir à utiliser qu’une seule valeur pour caractériser le comportement d’une matière, cette valeur doit être « raisonnablement » représentative du comportement réel.

Développer les standards de mesure internes

En conclusion, de nombreux standards sectoriels sont utilisés, généralement par commodité, autant dans le cadre de contrôle normatif que pour des besoins de R&D.

Une certaine confusion naît du fait que les valeurs de mesure sont vues comme objectivement -et absolument- représentatives de différences entre produit. Or, selon le phénomène visé, les valeurs mesurées selon un certain standard peuvent n’être d’aucun recours. Au contraire, dans une situation de résolution de problème de variabilité, la mesure réalisée peut devenir une source de problème dès lors qu’elle fait passer pour identique ce qui est différent, empêchant par la même de qualifier ce qui dans la matière peut être à l’origine des variabilités observées.

Les standards de mesure sont par définition considérés capables de standardiser les vues, c’est-à-dire de les homogénéiser. En pratique pourtant, de nombreuses frictions tant en interne qu’entre client et fournisseurs sont clairement associés à la difficulté de construire une représentation commune des phénomènes et des facteurs qui les influencent.

A l’heure actuelle, où les outils de traitement de la Data prennent une place croissante dans les entreprises, l’enjeu de la mesure, sans laquelle aucune data n’existe, me parait d’autant plus crucial. « Garbage in, Garbage out » disent les Datascientists. En pratique, il ne s’agit pas seulement d’espérer détecter les données « à problème », il s’agit avant tout d’éviter de les générer.