دوره آموزشی کنترل آماری فرآیندSPC در صنایع شیمیایی
⚙️ کنترل آماری فرآیند (SPC) در صنایع شیمیایی: راهنمای عملیاتی با مبانی نظری، Minitab و استانداردهای VDA & AIAG
در این مقاله، ضمن پوشش مبانی ریاضی و آماری هر ابزار، به صورت عملی نحوه پیادهسازی در Minitab، تحلیل نمودارها و اقدامات اصلاحی را فرا خواهید گرفت. تمامی مطالب بر اساس مراجع معتبر AIAG (ویرایش دوم) و VDA Volume 4 & 5 تدوین شده است.
📐 مقدمهای بر تئوری کنترل فرآیند در محیطهای شیمیایی
در صنایع گسسته (مثل قطعات فلزی)، فرض بر استقلال مشاهدات و توزیع نرمال است. اما در فرآیندهای شیمیایی (رنگ، فوم، پلیمر) پدیدههایی مانند خودهمبستگی (Autocorrelation) و چندمتغیره بودن (Multivariate) نقضکنندهی این فروض هستند. بر اساس قضیه حد مرکزی و تعمیمهای آن، روشهایی مانند میانگینهای متحرک وزنی (EWMA) و مجموع تجمعی (CUSUM) برای غلبه بر این چالشها توسعه یافتهاند (Montgomery, 2009).
📈 ۱. نمودار EWMA (میانگین متحرک موزون نمایی)
AIAG VDA 4 Minitab
📐 مبانی نظری
نمودار EWMA بر اساس تئوری هموارسازی نمایی (Exponential Smoothing) بنا شده است. آماره Zt ترکیب خطی از مشاهدات فعلی و گذشته است. واریانس این آماره به صورت همگرا به σ²[λ/(2-λ)] میل میکند. انتخاب λ بهینه با توجه به اندازه شیفت مورد نظر تعیین میشود (مقدار کوچک λ برای تشخیص شیفتهای کوچک). مبنای تئوریک این روش به تئوری تشخیص تغییر (Change Point Detection) و فیلتر کالمن نیز مرتبط است.
🔹 فرمول محاسباتی
حدود کنترل: UCL/LCL = μ₀ ± L·σ·√(λ/(2-λ))
ویسکوزیته هدف = ۱۰۰ واحد، σ=۲، λ=۰.۲. دادههای ۱۰ بچ متوالی: ۱۰۲, ۱۰۱, ۹۹, ۹۸, ۹۷, ۹۶, ۹۸, ۱۰۰, ۹۹, ۹۷.
مسیر در Minitab: Stat → Control Charts → Time-Weighted Charts → EWMA
ورودی: دادهها در یک ستون. در پنجره EWMA، گزینه "Parameters" را انتخاب و میانگین هدف (۱۰۰) و انحراف معیار (۲) را وارد کنید. λ = ۰.۲ و L = ۳.
خروجی: Minitab حدود کنترل را محاسبه میکند: UCL ≈ ۱۰۰.۹ , LCL ≈ ۹۹.۱. نقاط ۵ (۹۷) و ۶ (۹۶) خارج از حد پایین هستند.
- توقف فوری خط یا بررسی بچهای بعدی با دقت بیشتر.
- بررسی دمای راکتور، نسبت مواد اولیه، کالیبراسیون سنسور ویسکوزیته.
- نمونهگیری مجدد و آزمون تعیین ویسکوزیته در آزمایشگاه مرجع.
- در صورت تأیید انحراف، بچ مردود اعلام و ریشهیابی کامل انجام شود.
📉 ۲. نمودار CUSUM (مجموع تجمعی)
AIAG VDA Minitab
📐 مبانی نظری
نمودار CUSUM ریشه در آزمون نسبت درستنمایی متوالی (SPRT) دارد که توسط پیج (Page) در دهه ۱۹۵۰ فرموله شد. ایده اصلی: جمعآوری انحرافات جزئی از هدف در طول زمان. اگر فرآیند در حالت کنترل باشد، مجموع انحرافات حول صفر نوسان میکند. اگر میانگین فرآیند به اندازه Δ جابجا شود، آماره CUSUM به صورت خطی رشد میکند. پارامتر K (مجاز) معمولاً نصف بزرگی شیفتی که میخواهیم سریع تشخیص دهیم انتخاب میشود (K = Δ/2). مقدار آستانه H (تصمیم) معمولاً ۴ یا ۵ برابر انحراف معیار فرآیند در نظر گرفته میشود.
🔹 فرمول محاسباتی (روش جدولبندی)
C⁻t = max[0, (μ₀ - K) - Xt + C⁻t-1]
(آستانه H: معمولاً ۴σ یا ۵σ)
دانسیته هدف فوم = ۳۰ kg/m³، σ=۱. دادههای ۱۰ بچ: ۳۰.۲, ۳۰.۵, ۳۰.۹, ۳۱.۲, ۳۱.۶, ۳۱.۸, ۳۲.۱, ۳۲.۰, ۳۱.۷, ۳۲.۲.
مسیر در Minitab: Stat → Control Charts → Time-Weighted Charts → CUSUM
ورودی: در پنجره CUSUM، گزینه "Parameters" را انتخاب و μ₀=۳۰, σ=۱ وارد کنید. معمولاً Minitab K=۰.۵ و H=۵ را پیشنهاد میدهد.
خروجی: از بچ چهارم به بعد، آماره C⁺ از H=۵ عبور میکند و فرآیند خارج از کنترل اعلام میشود.
- بررسی نسبت ایزوسیانات/پلیال که ممکن است باعث افزایش دانسیته شده باشد.
- کنترل دمای قالب و زمان پخت.
- کالیبراسیون ترازوی اندازهگیری دانسیته.
- در صورت تداوم، تنظیم مجدد نسبتها.
🔬 ۳. نمودار Hotelling T² (کنترل چندمتغیره)
VDA (Q-DAS) Minitab
📐 مبانی نظری
آماره T² تعمیم چندمتغیره آماره t تکمتغیره است. هتلینگ در دهه ۱۹۳۰ این آماره را بر اساس توزیع نرمال چندمتغیره معرفی کرد. آماره T² فاصله ماهالانوبیس بین میانگین نمونه و میانگین هدف را اندازهگیری میکند. حدود کنترل با استفاده از توزیع F به دست میآید. این آماره همبستگی بین متغیرها را در ماتریس کوواریانس لحاظ میکند و به تغییرات در ساختار همبستگی حساس است.
🔹 فرمول محاسباتی
حدود کنترل: UCL = [p(m+1)(n-1)] / [m n - m - p + 1] · Fα, p, m n - m - p + 1
سه ویژگی مهم: ویسکوزیته (هدف ۱۵۰۰ cP)، اسیدیته (هدف ۵ mgKOH/g)، و شفافیت (هدف ۹۵%). دادههای ۱۰ بچ در سه ستون.
مسیر در Minitab: Stat → Control Charts → Multivariate Charts → T²
ورودی: هر سه ستون را انتخاب کنید. اگر زیرگروه ندارید، از "Single column" استفاده کنید.
خروجی: Minitab آماره T² را برای هر بچ رسم کرده و حد بالای کنترل (مثلاً UCL=۱۳.۵) را نمایش میدهد. بچ ۷ T²=۱۸ دارد (خارج از کنترل).
- بررسی کیفیت مواد اولیه (مونومرها، حلالها).
- کنترل دقیق دما و فشار راکتور.
- بررسی ماتریس همبستگی و شناسایی متغیر بحرانی.
🎯 ۴. نمودار انحراف از هدف (DNOM) برای تولیدات متنوع
AIAG Short Run Minitab
📐 مبانی نظری
در شرایطی که محصولات مختلف با اهداف متفاوت (Ti) داریم، نمیتوان دادههای خام را مستقیماً مقایسه کرد. روش DNOM (Deviation from Nominal) بر پایه استانداردسازی (Standardization) استوار است. با تعریف متغیر جدید Y = X - T، موقعیت هر محصول را نسبت به هدف خود میسنجیم. اگر فرض کنیم برای همه محصولات، پراکندگی حول هدف یکسان است (یا با استفاده از انحراف معیار تلفیقی Pooled)، آنگاه میتوان یک نمودار کنترلی واحد با حدود ۳σ برای Y رسم کرد.
🔹 فرمول محاسباتی
حدود کنترل: 0 ± 3·σpooled
سه نوع چسب با گرانروی هدف متفاوت: ۵۰۰, ۱۰۰۰, ۲۰۰۰ cP. دادهها در دو ستون: ستون اول گرانروی واقعی، ستون دوم مقدار هدف.
مسیر در Minitab: Stat → Control Charts → Variables Charts for Subgroups → DNOM
ورودی: در DNOM Chart، "Observations" را گرانروی واقعی و "Target" را ستون اهداف وارد کنید.
خروجی: یک نقطه DNOM=+۱۲۰ (هدف ۱۰۰۰، مقدار واقعی ۱۱۲۰) خارج از حدود (مثلاً ۳σ≈۹۰).
- بررسی دستورالعمل کاری مربوط به آن محصول.
- بررسی دمای فرآیند و زمان اختلاط برای آن بچ خاص.
- آزمایش مجدد نمونه و اطمینان از صحت اندازهگیری.
📊 ۵. پروفایل مانیتورینگ (Profile Monitoring) برای فرآیندهای بچ
VDA Minitab (ماکرو/PLS)
📐 مبانی نظری
در بسیاری از فرآیندهای شیمیایی (مثل پخت رزین، واکنش پلیمریزاسیون)، کیفیت نهایی به شکل منحنی دما-زمان یا فشار-زمان وابسته است. پروفایل مانیتورینگ از آنالیز رگرسیون تابعی (Functional Regression) و آماره T² چندمتغیره برای منحنیها استفاده میکند. ابتدا یک منحنی مرجع (Reference Profile) با استفاده از دادههای تاریخی برازش داده میشود. سپس برای هر منحنی جدید، بردار انحرافات محاسبه و آماره T² حاصل با حد کنترل مقایسه میشود.
🔹 فرمول پایه
منحنی استاندارد دما-زمان: t=1:25°C, t=5:80°C, t=10:120°C. یک بچ جدید: t=5:60°C (انحراف شدید).
مسیر در Minitab: ابزار دقیق نیاز به ماکرو نویسی یا استفاده از نرمافزار Q-DAS دارد. با ثبت نقاط کلیدی و محاسبه T² میتوان انحراف را سنجید.
هشدار: انحراف از منحنی مرجع نشاندهنده کمفعالیتی کاتالیست یا افت دما است.
- بررسی نسبت کاتالیست تزریقی.
- بررسی عایقبندی راکتور و عملکرد هیترها.
- در صورت انحراف شدید، بچ را متوقف کرده و ریشهیابی کنید.
🎓 دوره آموزشی تخصصی SPC در صنایع شیمیایی
با تدریس عمیق مبانی نظری، حل مسائل با Minitab و کاربرد استانداردهای AIAG/VDA
سرفصلها: EWMA، CUSUM، Hotelling T²، DNOM، پروفایل مانیتورینگ، تحلیل خودهمبستگی و …
📞 09125076715ظرفیت محدود - مشاوره رایگان
چرا SPC سنتی (مثل نمودارهای X̅ & R) در صنایع شیمیایی جواب نمیدهد؟
در صنایع فلزی، قطعات پشت سر هم تولید میشوند و ما به راحتی میتوانیم ۵ قطعه متوالی را به عنوان یک زیرگروه (Subgroup) انتخاب کنیم. اما در صنایع شیمیایی:
فرآیندهای پیوسته یا بطهای (Batch): مواد شیمیایی معمولاً در تانکهای بزرگ و به صورت پیوسته یا بچ تولید میشوند. مفهوم “قطعه پنجم” معنا ندارد.
خودهمبستگی (Autocorrelation): در فرآیندهای شیمیایی، مقدار فعلی (مثلاً ویسکوزیته) به شدت به مقدار لحظه قبل وابسته است. این ویژگی باعث میشود نمودارهای سنتی خطاهای زیادی نشان دهند.
تنظیم مکرر (Frequent Adjustments): اپراتورها مدام دما یا فشار را تنظیم میکنند. این کار باعث میشود فرآیند هرگز در حالت ایستا (Stable) قرار نگیرد که شرط اصلی استفاده از نمودارهای استاندارد است .
ابزارها و نمودارهای مناسب برای صنایع شیمیایی
خوشبختانه، هم مرجع AIAG (ویرایش دوم) و هم مراجع VDA روشهای مدرنتری را معرفی میکنند. در اینجا چند مورد کلیدی را با ذکر مثال توضیح میدهم:
۱. نمودارهای پروفایل (Profile Monitoring) – مناسب برای فرآیندهای بچ
در فرآیندهای بچ، شما یک منحنی رشد دارید. برای مثال، در فرآیند هیدروژناسیون روغن برای تولید مارگارین، نقطه ذوب در طول زمان افزایش مییابد. بجای اینکه هر بار یک نقطه را چک کنیم، کل منحنی را مانیتور میکنیم .
مثال عملی (صنعت فوم):
فرض کنید در تولید فوم پلییورتان، دما در طول ۱۰ دقیقه واکنش باید از ۲۵ درجه به ۱۲۰ درجه برسد. شما یک منحنی استاندارد دارید.
ابزار پیشنهادی: نمودار T² (هتلینگ) یا آماره AUGC.
کاربرد: اگر در یک بچ، شیب افزایش دما کندتر از حالت استاندارد باشد، سیستم هشدار میدهد که شاید کاتالیست به اندازه کافی موثر نیست .
۲. ادغام SPC با EPC (کنترل مهندسی فرآیند) – مناسب برای فرآیندهای پیوسته
در فرآیندهای پیوسته مانند تولید رنگ، شما نمیتوانید منتظر بمانید تا ۲۰ نمونه ویسکوزیته بالا بیاید تا بگویید فرآیند از کنترل خارج شده است. شما باید همزمان با کنترل فرآیند (توسط سیستمهای کنترلی)، آمار هم بگیرید .
مثال عملی (صنعت رنگ):
در راکتور پلیمریزاسیون الکید (ماده پایه رنگ)، ویسکوزیته تحت تاثیر دما و فشار است.
روش پیشنهادی: Run-to-Run (RTR) Control.
کاربرد: شما بین دو بچ، بر اساس دادههای بچ قبلی، پارامترهای بچ بعدی (مثلاً دمای پخت) را تنظیم میکنید، اما همزمان با نمودارهای SPC ساده (مثل Moving Range) بررسی میکنید که آیا این تنظیمات خود باعث ایجاد تغییر خاصی (Special Cause) نشده است.
۳. نمودارهای چندمتغیره (Multivariate Charts) – مناسب برای کیفیت نهایی
رنگ دارای چند مشخصه کلیدی است: ویسکوزیته، وزن مخصوص، و شفافیت. اینها به هم وابسته هستند. اگر فقط ویسکوزیته را چک کنید، ممکن است متوجه نشوید که فرآیند در آستانه مشکل است .
ابزار پیشنهادی: نمودار χ² یا T² چندمتغیره.
۴. نمودارهای CUSUM و EWMA – مناسب برای تشخیص تغییرات کوچک
در فرآیندهای شیمیایی، ممکن است کیفیت کاتالیست به تدریج کاهش یابد. این تغییر کوچک است، اما اگر زود تشخیص داده نشود، کل بچ خراب میشود .
مثال عملی (صنعت چسب):
شما در حال تولید چسب هستید و چسبندگی هر ساعت یکبار تست میشود.
نمودار EWMA: این نمودار به دادههای قدیمی وزن کمتری میدهد و به دادههای جدید وزن بیشتری میدهد. به این ترتیب، به محض اینکه چسبندگی شروع به کاهش جزئی کند، نمودار زنگ خطر را به صدا در میآورد.
۵. نمودارهای کوتاهمدت (Short Run SPC – CQI-26) – مناسب برای تولید متنوع
اگر شرکت شما تنوع محصول بالا و تعداد تولید کم دارد (مثلاً هر بار یک تانکر رنگ متفاوت)، نمیتوانید برای هر محصول یک نمودار جداگانه بکشید .
ابزار پیشنهادی: نمودار Z-MR (Z-Moving Range) یا نمودار انحراف از هدف (DNOM).
کاربرد: شما مقدار واقعی را منهای مقدار هدف (Target) میکنید. به این ترتیب، تمام محصولات مختلف را روی یک نمودار میآورید و تغییرات فرآیند را میبینید.
🔄 نرمافزارهای جایگزین Q-DAS برای پروفایل مانیتورینگ (Profile Monitoring)
نرمافزار Q-DAS یکی از قدرتمندترین ابزارها برای آنالیز دادههای کیفیت و پروفایل مانیتورینگ است، اما ممکن است به دلایلی مانند هزینه، دسترسی، یا نیاز به انعطافپذیری بیشتر، به دنبال گزینههای جایگزین باشید. در این مقاله، نرمافزارهای دیگری که قابلیت پروفایل مانیتورینگ را دارند معرفی کرده و مزایا و معایب هر یک را بررسی میکنیم.
📊 مقایسه کلی نرمافزارهای پروفایل مانیتورینگ
| نرمافزار | قابلیت پروفایل مانیتورینگ | نیاز به برنامهنویسی | هزینه | محبوبیت در صنعت |
|---|---|---|---|---|
| Q-DAS | ✔️ داخلی (ماژول CAMERA) | خیر | بالا | بسیار بالا (خودروسازی، شیمیایی) |
| Minitab | ⚠️ با ماکرو/اضافهافزار | متوسط | متوسط | بسیار بالا |
| MATLAB | ✔️ با جعبهابزار Statistics/Machine Learning | زیاد | بالا | متوسط (تحقیقاتی) |
| R | ✔️ با بستههای مختلف (fda، qcc، mdatools) | زیاد | رایگان | متوسط (آکادمیک) |
| SIMCA | ✔️ داخلی (PCA تابعی) | کم | بالا | متوسط (شیمیایی) |
| SAS | ✔️ با ماژول JMP/QC | متوسط | بالا | بالا (داروسازی) |
📊 Minitab
مزایا معایب
Minitab یکی از محبوبترین نرمافزارهای SPC در صنعت است. اگرچه به صورت پیشفرض گزینهای برای پروفایل مانیتورینگ ندارد، اما با استفاده از ماکروها یا اضافهافزارهای شخص ثالث میتوان این قابلیت را پیادهسازی کرد.
- رابط کاربری ساده و آشنا برای بسیاری از کاربران.
- امکان نوشتن ماکرو به زبان Minitab (MTB).
- قیمت پایینتر نسبت به Q-DAS.
- نیاز به برنامهنویسی برای پیادهسازی پروفایل مانیتورینگ.
- عدم پشتیبانی مستقیم از تحلیل تابعی.
- محدودیت در تحلیل دادههای حجیم.
مثال ماکرو ساده برای PCA:
PCA C1-C10;
Store 1 2.
Let C11 = T²
Let C12 = Q
...
📐 MATLAB
MATLAB با جعبهابزارهای Statistics and Machine Learning و System Identification امکان پیادهسازی کامل پروفایل مانیتورینگ را فراهم میکند.
- انعطافپذیری بسیار بالا برای پیادهسازی روشهای پیشرفته (PCA تابعی، رگرسیون تابعی).
- قابلیت پردازش دادههای حجیم و سریع.
- وجود جعبهابزارهای تخصصی مانند FDA (Functional Data Analysis).
- نیاز به دانش برنامهنویسی قوی.
- هزینه بالای لایسنس (اگرچه نسخه دانشجویی ارزانتر است).
- نیاز به توسعه کد برای هر پروژه.
نمونه کد MATLAB برای PCA تابعی:
X_ref = xlsread('reference_profiles.xlsx');
[coeff, score, latent, tsquared] = pca(X_ref);
% محاسبه T² و Q برای نمونه جدید
X_new = [48 58 68 77 85 91 96 99 100 100];
t_new = (X_new - mean(X_ref)) * coeff;
T2_new = sum(t_new.^2 ./ latent);
Q_new = sum((X_new - mean(X_ref) - t_new*coeff').^2);
📦 R
R یک محیط آماری رایگان و متنباز است که با بستههای متعدد، قابلیتهای بسیار پیشرفتهای برای پروفایل مانیتورینگ دارد.
- کاملاً رایگان و متنباز.
- بستههای تخصصی: fda (آنالیز دادههای تابعی)، mdatools (PCA و PLS برای پروفایل)، qcc (نمودارهای کنترلی).
- جامعه کاربری بزرگ و منابع آموزشی فراوان.
- نیاز به دانش برنامهنویسی و یادگیری R.
- رابط کاربری خط فرمانی (البته RStudio کمک میکند).
- ممکن است برای کاربران صنعتی کمی پیچیده باشد.
نمونه کد R با بسته mdatools:
# دادههای مرجع (ماتریس 20×10)
X_ref <- read.csv("reference.csv")
pca_model <- pca(X_ref, ncomp = 2)
# داده جدید
X_new <- c(48,58,68,77,85,91,96,99,100,100)
res <- predict(pca_model, X_new)
print(res$T2) # T²
print(res$Q) # Q
🧪 SIMCA
SIMCA توسط شرکت Sartorius توسعه یافته و یکی از تخصصیترین نرمافزارها برای تحلیل چندمتغیره و پروفایل مانیتورینگ است. این نرمافزار به طور خاص برای صنایع شیمیایی، دارویی و فرآیندی طراحی شده است.
- پشتیبانی داخلی از PCA تابعی (Multivariate Batch Analysis).
- رابط کاربری گرافیکی مناسب و بدون نیاز به کدنویسی.
- قابلیت آنالیز دادههای فرآیندی (Batch Process) با رویکردهای MPCA و MPLS.
- گزارشگیری و نمودارهای Contribution عالی.
- هزینه بالا (مشابه Q-DAS).
- یادگیری اولیه نیاز به آشنایی با مبانی PCA دارد.
- کمتر در صنعت ایران رایج است.
کاربرد در SIMCA: با وارد کردن دادههای بچها به صورت یک آرایه سهبعدی (Batch × Time × Variable)، به راحتی میتوان مدل MPCA ساخت و نمودارهای T² و Q را برای هر بچ جدید مشاهده کرد.
📈 SAS / JMP
SAS و نرمافزار تعاملی آن JMP نیز قابلیتهای پیشرفتهای برای پروفایل مانیتورینگ دارند. JMP با ماژول Profilers و Multivariate Methods امکان تحلیل دادههای تابعی را فراهم میکند.
- رابط کاربری JMP بسیار جذاب و آسان.
- قابلیتهای پیشرفته در آنالیز چندمتغیره.
- پشتیبانی از Functional Data Explorer (در نسخههای جدید).
- هزینه بالای لایسنس.
- نیاز به یادگیری محیط JMP (که نسبتاً ساده است).
- در ایران کمتر از Minitab رایج است.
🤔 کدام نرمافزار را انتخاب کنیم؟
انتخاب نرمافزار مناسب به عوامل زیر بستگی دارد:
- بودجه: اگر به دنبال راهحل رایگان هستید، R بهترین گزینه است. اگر بودجه کافی دارید، Q-DAS یا SIMCA انتخابهای ایدهآلی هستند.
- مهارت تیم: اگر تیم شما با برنامهنویسی آشناست، MATLAB یا R انعطافپذیری بالایی میدهند. اگر ترجیح میدهید با نرمافزارهای منویمحور کار کنید، Minitab (با ماکرو) یا SIMCA مناسبترند.
- کاربرد صنعتی: در صنایع خودروسازی و شیمیایی، Q-DAS استاندارد است. در داروسازی، SAS/JMP رایجتر است. در محیطهای آکادمیک، R و MATLAB محبوبیت دارند.
- پیچیدگی تحلیل: اگر نیاز به روشهای پیشرفته مانند رگرسیون تابعی دارید، MATLAB و R قویترین ابزارها را ارائه میدهند.
در نهایت، پیشنهاد ما این است: اگر در یک صنعت فرآیندی بزرگ کار میکنید و استانداردهای VDA/AIAG برایتان مهم است، سرمایهگذاری روی Q-DAS یا SIMCA ارزش بالایی دارد. اما اگر به دنبال یک راهحل کمهزینه و انعطافپذیر هستید، R همراه با بستههای mdatools یا fda گزینهای عالی است.
🎓 دوره آموزشی انتخاب و کار با نرمافزارهای SPC
آشنایی با Q-DAS، Minitab، R و SIMCA برای پروفایل مانیتورینگ
مشاوره تخصصی برای انتخاب بهترین نرمافزار متناسب با نیاز شما
📞 09125076715شرکت عصر کیفیت - ارائهدهنده خدمات مشاوره و آموزش در صنایع شیمیایی
مطالب زیر را حتما مطالعه کنید
ترجمه VDA5 Capability of Measurement Processes
ترجمه AIAG-VDA SPC 2026 PART2
ترجمه AIAG-VDA SPC 2026 PART1
مفهوم کار نامنطبق در ISO 17025:2017
مقررات عمومی(اتحادیه اروپا) حفاظت از داده ،طبقه بندی و مدیریت اطلاعات در آزمایشگاه
دیدگاهتان را بنویسید