مقالات

تعیین فاصله کالیبراسیون تجهیزات؛ مدل هوشمند و AI ایزو ۱۷۰۲۵

تعیین فاصله کالیبراسیون تجهیزات با هوش مصنوعی
فهرست مطالب
  1. ۱. چرا تعیین فاصله کالیبراسیون اهمیت دارد؟
  2. کالیبراسیون بیش از حد متراکم
  3. فاصله بیش از حد طولانی
  4. تصمیم مبتنی بر شواهد
  5. ۲. استانداردها و مراجع معتبر بین‌المللی
  6. ISO/IEC 17025:2017
  7. ILAC-G24:2022 / OIML D 10:2022
  8. JCGM 100:2008 – GUM
  9. JCGM 101:2008 – Monte Carlo
  10. JCGM 106:2012
  11. ISO 10012:2003
  12. ۳. روش‌های تعیین و بازنگری فاصله کالیبراسیون در ILAC-G24
  13. ۴. چه داده‌هایی برای تعیین فاصله کالیبراسیون لازم است؟
  14. ۵. تحلیل رانش خطا (Drift Analysis)
  15. مدل خطی اولیه برای پیش‌بینی خطا
  16. چرا As-Found اهمیت ویژه دارد؟
  17. ۶. ارزیابی ریسک و ارتباط آن با فاصله کالیبراسیون
  18. S – Severity
  19. O – Occurrence
  20. Dc – Detection
  21. ۷. مطالعه موردی عددی: ترانسمیتر فشار
  22. مشخصات ورودی مثال
  23. گام اول: محاسبه نرخ رانش
  24. گام دوم: تعیین حد عملیاتی نمونه
  25. گام سوم: پیش‌بینی زمان رسیدن به حد عملیاتی
  26. گام چهارم: اعمال محدودیت‌های مصوب
  27. ۸. مدل پیشرفته: شبیه‌سازی مونت‌کارلو و احتمال خروج از حدود مجاز
  28. محاسبه احتمال خروج از MPE
  29. مراحل اجرای شبیه‌سازی
  30. ۹. نقش یادگیری ماشین در پیش‌بینی فاصله کالیبراسیون
  31. Linear Regression
  32. Random Forest
  33. K-Nearest Neighbors
  34. معیارهای ارزیابی مدل یادگیری ماشین
  35. ۱۰. ارتباط مدل با الزامات ISO/IEC ۱۷۰۲۵:۲۰۱۷
  36. ۱۱. روش اجرایی پیشنهادی برای آزمایشگاه
  37. حداقل سوابق موردنیاز
  38. ۱۲. محدودیت‌ها، اعتبارسنجی و مسیر توسعه مدل AQ-CIM
  39. محدودیت داده
  40. محدودیت مدل
  41. محدودیت ریسک
  42. محدودیت هوش مصنوعی
  43. پیشنهاد فازهای پژوهش و توسعه
  44. ۱۳. پرسش‌های متداول درباره تعیین فاصله کالیبراسیون
  45. ۱۴. منابع علمی و مراجع برای مطالعه بیشتر
  46. آموزش کاربرد هوش مصنوعی در آزمایشگاه‌های آزمون و کالیبراسیون
AGE OF QUALITY پژوهش و توسعه

تعیین فاصله کالیبراسیون تجهیزات؛ مدل هوشمند مبتنی بر ریسک، تحلیل آماری و یادگیری ماشین

چگونه با استفاده از سوابق کالیبراسیون، تحلیل رانش خطا، عدم قطعیت اندازه‌گیری و هوش مصنوعی، فاصله مناسب کالیبراسیون مجدد را علمی‌تر و قابل دفاع‌تر تعیین کنیم؟

موضوع: ISO/IEC ۱۷۰۲۵:۲۰۱۷ راهنمای کلیدی: ILAC-G24:۲۰۲۲ سطح: تخصصی و کاربردی به‌روزرسانی: آبان ۱۴۰۵

چکیده: تعیین فاصله کالیبراسیون تجهیزات اندازه‌گیری یکی از تصمیم‌های مهم در مدیریت تجهیزات آزمایشگاه‌های آزمون و کالیبراسیون است. فاصله کوتاه‌تر از نیاز واقعی می‌تواند هزینه و توقف تجهیز را افزایش دهد و فاصله بیش از حد نیز ممکن است احتمال استفاده از تجهیز خارج از حدود مجاز را بالا ببرد. این مقاله یک چارچوب مرحله‌ای برای تعیین و بازنگری فاصله کالیبراسیون بر پایه سوابق واقعی، رفتار اندازه‌شناختی تجهیز، ارزیابی ریسک و روش‌های آماری ارائه می‌کند و مسیر توسعه آن با شبیه‌سازی مونت‌کارلو و یادگیری ماشین را توضیح می‌دهد.

نکته مهم: استاندارد ISO/IEC ۱۷۰۲۵:۲۰۱۷ برای همه تجهیزات یک فاصله ثابت مانند ۶ یا ۱۲ ماه تعیین نمی‌کند. آزمایشگاه باید برنامه کالیبراسیون را متناسب با کاربرد تجهیز ایجاد و در صورت نیاز بازنگری کند. راهنمای اصلی برای انتخاب و بازنگری فاصله‌ها، ILAC-G24:۲۰۲۲ / OIML D ۱۰:۲۰۲۲ است. مشاهده وضعیت استاندارد در وب‌سایت ISO و دریافت راهنمای ILAC-G24/OIML D10.

۱. چرا تعیین فاصله کالیبراسیون اهمیت دارد؟

فاصله کالیبراسیون (Calibration Interval یا Recalibration Interval) مدت‌زمان یا میزان استفاده مجاز بین دو کالیبراسیون متوالی یک تجهیز است. این فاصله باید به شکلی انتخاب شود که وضعیت اندازه‌شناختی تجهیز برای کاربرد موردنظر قابل قبول باقی بماند و ریسک تصمیم‌گیری بر اساس نتایج نامعتبر کنترل شود.

۱

کالیبراسیون بیش از حد متراکم

افزایش هزینه کالیبراسیون، حمل‌ونقل، توقف تجهیز و بار کاری آزمایشگاه، بدون آنکه لزوماً ارزش فنی متناسبی ایجاد شود.

۲

فاصله بیش از حد طولانی

افزایش احتمال رانش، خروج از حدود مجاز و اثرگذاری بر نتایج آزمون یا کالیبراسیون در فاصله بین دو کالیبراسیون.

۳

تصمیم مبتنی بر شواهد

استفاده از سوابق، کنترل‌های میانی، شرایط استفاده و پیامد خطا برای انتخاب فاصله متناسب با هر تجهیز.

دو تجهیز هم‌مدل الزاماً رفتار یکسانی ندارند. شدت استفاده، شرایط محیطی، شوک مکانیکی، تعمیرات، سابقه تنظیم و حساسیت فرآیند اندازه‌گیری می‌تواند رفتار آن‌ها را متفاوت کند. بنابراین تصمیم یکسان برای همه تجهیزات، بدون تحلیل سوابق و کاربرد، ممکن است مناسب نباشد.

۲. استانداردها و مراجع معتبر بین‌المللی

ISO/IEC 17025:2017

الزامات صلاحیت، بی‌طرفی و عملکرد یکنواخت آزمایشگاه‌های آزمون و کالیبراسیون. بندهای مرتبط با این مقاله به‌ویژه ۶.۴، ۶.۵، ۷.۶، ۷.۷ و ۸.۵ هستند.

صفحه رسمی استاندارد در ISO

ILAC-G24:2022 / OIML D 10:2022

راهنمای تعیین و بازنگری فواصل کالیبراسیون تجهیزات اندازه‌گیری. مرجع اصلی روش‌های Staircase، نمودار کنترل، زمان استفاده و رویکردهای آماری.

دریافت PDF رسمی از OIML

JCGM 100:2008 – GUM

راهنمای بیان عدم قطعیت اندازه‌گیری؛ برای شناخت و ترکیب مؤلفه‌های عدم قطعیت در مدل اندازه‌گیری.

دریافت سند از BIPM

JCGM 101:2008 – Monte Carlo

مکمل GUM برای انتشار توزیع‌ها با روش مونت‌کارلو؛ مرجع روش‌شناختی برای شبیه‌سازی عدم قطعیت.

مجموعه راهنماهای JCGM

JCGM 106:2012

نقش عدم قطعیت اندازه‌گیری در ارزیابی انطباق؛ برای پیوند دادن عدم قطعیت، حدود مشخصات و ریسک تصمیم‌گیری.

مشاهده انتشارات JCGM

ISO 10012:2003

سیستم‌های مدیریت اندازه‌گیری؛ مرجع مکمل برای مدیریت فرآیندهای اندازه‌گیری و تجهیزات اندازه‌گیری.

صفحه رسمی ISO ۱۰۰۱۲
به‌روزرسانی مرجع اندازه‌شناختی: در مجموعه انتشارات JCGM، اصلاحیه ۲۰۲۶ برای JCGM ۱۰۰:۲۰۰۸ درباره غیرخطی بودن مدل‌های اندازه‌گیری و نیز JCGM GUM-۵:۲۰۲۶ منتشر شده است. در پروژه‌های جدید، وضعیت آخرین نسخه و اصلاحیه‌ها را در صفحه رسمی BIPM کنترل کنید. مشاهده فهرست به‌روز راهنماهای JCGM.

۳. روش‌های تعیین و بازنگری فاصله کالیبراسیون در ILAC-G24

بخش ۶ راهنمای ILAC-G24:۲۰۲۲ پنج رویکرد را برای بازنگری فاصله کالیبراسیون شرح می‌دهد. این راهنما تصریح می‌کند که هیچ روش واحدی برای همه تجهیزات و همه آزمایشگاه‌ها بهترین انتخاب نیست؛ انتخاب روش باید متناسب با ویژگی تجهیز، داده‌های موجود، ریسک و منابع آزمایشگاه باشد.

روششرح کاربردمزیتمحدودیت
۱. Staircaseافزایش یا کاهش تدریجی فاصله بر اساس نتیجه کالیبراسیون و معیارهای از پیش تعریف‌شده.ساده و کم‌هزینه برای اجرا.نیازمند قواعد تصمیم‌گیری و سقف فاصله مشخص؛ ممکن است برنامه کاری را نامتوازن کند.
۲. Control Chartثبت نقاط مهم کالیبراسیون در طول زمان و تحلیل پراکندگی و رانش.دید مناسب از روند و تغییرپذیری.به داده تاریخی کافی و رفتار نسبتاً قابل مدل‌سازی نیاز دارد.
۳. In-use Timeتعیین فاصله بر اساس زمان واقعی استفاده یا تعداد چرخه‌های کاری.مناسب تجهیزاتی که استهلاک آن‌ها تابع میزان استفاده است.ثبت دقیق ساعات یا چرخه‌های استفاده ضروری است.
۴. In-service / Black Boxکنترل عملکرد تجهیز در فاصله بین دو کالیبراسیون با استاندارد یا آزمون کنترلی مناسب.می‌تواند شواهدی از وضعیت تجهیز در حین استفاده فراهم کند.مرجع کنترل، روش آزمون و حدود پذیرش باید معتبر باشند.
۵. Statistical Methodsتحلیل آماری تجهیز منفرد یا گروهی از تجهیزات با نرم‌افزار و داده‌های کافی.امکان تحلیل پیچیده‌تر و گروه‌بندی تجهیزات.نیازمند داده باکیفیت، تخصص آماری و اعتبارسنجی مدل.

در متن راهنما، روش‌های Staircase و Control Chart به‌طور مشخص در بندهای ۶.۲ و ۶.۳ و رویکردهای آماری در بند ۶.۶ مطرح شده‌اند. مقایسه روش‌ها در بند ۶.۷ نشان می‌دهد که انتخاب روش باید موردی باشد.

منبع مستقیم: ILAC-G24:۲۰۲۲ / OIML D ۱۰:۲۰۲۲، بخش ۶.

۴. چه داده‌هایی برای تعیین فاصله کالیبراسیون لازم است؟

کیفیت خروجی مدل، به کیفیت و قابلیت مقایسه داده‌های ورودی وابسته است. برای هر تجهیز باید حداقل شناسه یکتا، مشخصات فنی، کاربرد، حدود مجاز، نتایج کالیبراسیون و شرایط استفاده ثبت شود.

گروه دادهمتغیرهای پیشنهادیهدف استفاده
شناسه و مشخصاتشناسه تجهیز، سازنده، مدل، شماره سریال، محدوده، تفکیک‌پذیریردیابی و گروه‌بندی تجهیزات مشابه
حدود فنیMPE، تلرانس کاربرد، محدوده کاری، قاعده تصمیم‌گیریتعریف معیار عملکرد قابل قبول
نتایج کالیبراسیونAs-Found، As-Left، نقاط اندازه‌گیری، واحد، تصحیح، عدم قطعیت، ضریب پوششتحلیل رفتار و تغییرات بین دوره‌ها
زمان و استفادهتاریخ کالیبراسیون، مدت استفاده، تعداد چرخه، ساعات کارمدل‌سازی وابستگی خطا به زمان یا میزان استفاده
شرایط محیطیدما، رطوبت، ارتعاش، گردوغبار، شوک و شرایط نگهداریتحلیل عوامل مؤثر بر پایداری
نگهداریتعمیر، تنظیم، ضربه، اضافه‌بار، خرابی و تعویض قطعهتشخیص نقاط شکست در سری زمانی
کاربرد و ریسکاهمیت اندازه‌گیری، اثر بر محصول یا نتیجه، احتمال کشف خطاتعیین سطح کنترل و اولویت اقدام
کنترل کیفیت داده: مقایسه As-Left یک دوره با As-Found دوره بعد فقط زمانی برای برآورد رانش معتبر است که نقاط اندازه‌گیری، واحد، جهت، محدوده و شرایط مقایسه همسان یا تبدیل آن‌ها مستند باشد. اگر تجهیز در فاصله بین دو کالیبراسیون تعمیر، تنظیم یا دچار شوک شده باشد، باید اثر آن رویداد در تحلیل لحاظ شود. نتایج As-Found و As-Left را نباید بدون تفکیک در یک سری زمانی واحد ادغام کرد.

۵. تحلیل رانش خطا (Drift Analysis)

رانش، تغییر تدریجی یا سیستماتیک ویژگی اندازه‌شناختی تجهیز در طول زمان است. برای تحلیل اولیه، اگر دو نتیجه قابل مقایسه در اختیار باشد، می‌توان نرخ تغییر خطا را به‌صورت ساده محاسبه کرد.

D = (E1 − E0) / Tنرخ تغییر خطا؛ واحد خطا بر واحد زمان

در این رابطه، E0 خطای قابل مقایسه در ابتدای بازه، E1 خطای متناظر در انتهای بازه و T فاصله زمانی واقعی بین دو مشاهده است.

مدل خطی اولیه برای پیش‌بینی خطا

E(t) = E0 + D × t

اگر حد عملیاتی تجهیز با Elim نشان داده شود، زمان تقریبی رسیدن به آن حد در مدل خطی ساده از رابطه زیر به دست می‌آید:

Tlim = (Elim − |E0|) / |D|
شرط استفاده از رابطه: صورت کسر باید مثبت باشد، نرخ رانش باید قابل برآورد و مدل خطی در بازه موردنظر معقول باشد. اگر D نزدیک صفر، متغیر یا غیرخطی باشد، این رابطه به‌تنهایی مبنای کافی برای تعیین فاصله نیست. در چنین شرایطی باید از چندین دوره داده، نمودار کنترل، مدل رگرسیون یا روش احتمالاتی استفاده شود.

چرا As-Found اهمیت ویژه دارد؟

برای تصمیم‌گیری درباره فاصله بعدی، مقدار As-Found نشان می‌دهد تجهیز در پایان بازه قبلی، پیش از هرگونه تنظیم، چه وضعیتی داشته است. مقدار As-Left وضعیت تجهیز پس از تنظیم یا کالیبراسیون را توصیف می‌کند. این دو مقدار پاسخ دو پرسش متفاوت‌اند و باید در سوابق جداگانه نگهداری شوند.

۶. ارزیابی ریسک و ارتباط آن با فاصله کالیبراسیون

رفتار اندازه‌شناختی تنها عامل تعیین فاصله نیست. پیامد استفاده از تجهیزی که خطای آن از حد قابل قبول فراتر رفته نیز اهمیت دارد. برای اولویت‌بندی اولیه می‌توان از FMEA استفاده کرد.

RPN = S × O × Dcشدت پیامد × احتمال وقوع × دشواری کشف

S – Severity

شدت پیامد خطا برای نتیجه، محصول، مشتری یا ایمنی.

O – Occurrence

احتمال یا فراوانی وقوع سناریوی خطا بر اساس مقیاس مصوب FMEA.

Dc – Detection

میزان دشواری کشف خطا پیش از اثرگذاری بر نتیجه.

در مقیاس متداول ۱ تا ۱۰، RPN بین ۱ تا ۱۰۰۰ قرار می‌گیرد. با این حال، آستانه‌های پایین، متوسط یا بالا باید توسط آزمایشگاه و بر اساس روش FMEA خودش تعریف شوند.

محدودیت مهم: RPN یک شاخص اولویت‌بندی است و به‌تنهایی احتمال آماری خروج از حدود مجاز نیست. نباید RPN را مستقیماً به درصد احتمال عدم انطباق تبدیل کرد. برای محاسبه احتمال خروج از MPE باید مدل احتمالاتی و داده‌های مناسب در اختیار باشد.

۷. مطالعه موردی عددی: ترانسمیتر فشار

در این مثال آموزشی، یک ترانسمیتر فشار با داده‌های فرضی بررسی می‌شود. هدف، نشان دادن منطق محاسبه است؛ اعداد زیر داده واقعی یک آزمایشگاه یا نتیجه اعتبارسنجی‌شده نیستند.

مشخصات ورودی مثال

حداکثر خطای مجاز فرضی (MPE)±0.50 bar
خطای As-Left قبلی (E0)+0.08 bar
خطای As-Found فعلی (E1)+0.32 bar
فاصله واقعی دو مشاهده (T)۱۲ ماه
عدم قطعیت گسترده فعلی (U)0.06 bar
نسبت حد عملیاتی فرضی به MPE۸۰ درصد

گام اول: محاسبه نرخ رانش

D = (0.32 − 0.08) / 12 = 0.02 bar/month

در فرض خطی این مثال، افزایش متوسط خطا برابر ۰.۰۲ bar در ماه است.

گام دوم: تعیین حد عملیاتی نمونه

Elim = 0.80 × 0.50 = 0.40 bar

عدد ۸۰ درصد صرفاً یک فرض آموزشی است. حد عملیاتی باید با توجه به کاربرد تجهیز، قاعده تصمیم‌گیری، مشخصات فنی و ریسک آزمایشگاه تصویب شود.

گام سوم: پیش‌بینی زمان رسیدن به حد عملیاتی

Tlim = (0.40 − 0.08) / 0.02 = 16 months
۱۶ ماه

زمان محاسباتی رسیدن به حد عملیاتی در مدل خطی فرضی.

۱۲ ماه

سقف سیاست داخلی فرضی و فاصله پیشنهادی اولیه در این سناریو.

گام چهارم: اعمال محدودیت‌های مصوب

اگر سقف سیاست داخلی ۱۲ ماه و سقف مبتنی بر ریسک نیز ۱۲ ماه باشد، فاصله اولیه پیشنهادی از کمترین مقدار محدودیت‌ها انتخاب می‌شود:

Trecommended = min(16, 12, 12) = 12 months
تفسیر: خروجی این محاسبه، پیشنهاد اولیه برای بازنگری برنامه است؛ نه مجوز خودکار برای افزایش فاصله. مسئول فنی باید داده‌های چند دوره، کنترل‌های میانی، شرایط استفاده و الزامات مشتری یا مقررات را بررسی و تصمیم را مستند کند.

درباره عدم قطعیت: مقدار U = ۰.۰۶ bar در این مثال گزارش شده، اما به‌صورت خودکار از MPE کسر نشده است. وارد کردن عدم قطعیت در معیار پذیرش نیازمند تعریف روشن مدل اندازه‌گیری، توزیع‌ها، همبستگی‌ها و قاعده تصمیم‌گیری است. برای ارزیابی انطباق و ریسک تصمیم‌گیری، JCGM ۱۰۶ مرجع مکمل مناسبی است.

۸. مدل پیشرفته: شبیه‌سازی مونت‌کارلو و احتمال خروج از حدود مجاز

مدل خطی قطعی، تغییرپذیری نرخ رانش و عدم قطعیت پارامترها را به‌طور کامل نشان نمی‌دهد. روش مونت‌کارلو اجازه می‌دهد مؤلفه‌های تصادفی و توزیع‌های ورودی در تعداد زیادی تکرار شبیه‌سازی شوند و توزیع خطای پیش‌بینی‌شده در زمان‌های مختلف به دست آید.

e(t) = e0 + d × t + ε(t)

در این مدل، e0 خطای اولیه، d نرخ رانش و ε(t) مؤلفه تغییرپذیری یا خطای تصادفی است. در مدل واقعی ممکن است عدم قطعیت کالیبراسیون، تغییرات رانش، تکرارپذیری، اثر محیط و همبستگی میان ورودی‌ها نیز وارد شوند.

محاسبه احتمال خروج از MPE

POOS(t) = P(|e(t)| > MPE)

در هر زمان t، مدل تعداد زیادی مقدار شبیه‌سازی‌شده تولید می‌کند. نسبت تعداد خروجی‌هایی که قدر مطلق خطای آن‌ها از MPE بیشتر است به کل تکرارها، برآورد احتمال خروج از حدود مجاز خواهد بود.

P̂OOS(t) = Nout(t) / NMC

اگر آزمایشگاه یک آستانه ریسک قابل قبول را بر اساس کاربرد و قاعده تصمیم‌گیری خود تعیین کند، زمان عبور از آن آستانه می‌تواند یکی از معیارهای بازنگری فاصله باشد:

TMC = first { t : P̂OOS(t) ≥ Pcrit }
توجه روش‌شناختی: آستانه ریسک نباید به‌صورت عمومی و بدون توجیه انتخاب شود. مقاله پژوهشی Malakhov و همکاران از آستانه ۵ درصد در یک مثال عددی با داده‌های مصنوعی استفاده می‌کند؛ این عدد الزام ISO/IEC ۱۷۰۲۵ یا حد توصیه‌شده برای همه کاربردها نیست. مدل باید متناسب با ریسک کاربرد، مشخصات تجهیز و قاعده تصمیم‌گیری آزمایشگاه طراحی شود.

مراحل اجرای شبیه‌سازی

۱
تعریف ورودی‌ها: خطای اولیه، نرخ رانش، عدم قطعیت کالیبراسیون، تکرارپذیری، MPE و افق زمانی.
۲
تعریف توزیع‌ها: انتخاب توزیع آماری هر ورودی بر اساس داده یا شواهد معتبر؛ نه صرفاً انتخاب پیش‌فرض نرمال.
۳
نمونه‌گیری تصادفی: تولید تعداد کافی از مجموعه ورودی‌ها و ثبت فرض‌های استقلال یا همبستگی.
۴
انتشار خطا در زمان: محاسبه توزیع خطای تجهیز در هر گام زمانی.
۵
برآورد ریسک: محاسبه احتمال عبور از حد تعریف‌شده و بررسی حساسیت نتایج به فرض‌ها.
۶
تصمیم و مستندسازی: تعیین فاصله پیشنهادی، ثبت محدودیت‌ها و تأیید توسط مسئول فنی.

برای مبانی انتشار توزیع‌ها با روش مونت‌کارلو، به JCGM 101:2008 مراجعه کنید.

۹. نقش یادگیری ماشین در پیش‌بینی فاصله کالیبراسیون

یادگیری ماشین زمانی می‌تواند ارزش افزوده ایجاد کند که سوابق کافی، قابل اعتماد و نماینده رفتار واقعی تجهیزات وجود داشته باشد. الگوریتم نباید جایگزین الزامات اندازه‌شناختی یا قضاوت فنی شود؛ بلکه باید ابزار پشتیبان تصمیم‌گیری باشد.

Linear Regression

مدل پایه برای بررسی روند خطا و رابطه با زمان یا میزان استفاده.

Random Forest

مدل مناسب برای بررسی روابط غیرخطی و اهمیت متغیرهای ورودی.

K-Nearest Neighbors

پیش‌بینی گروه فاصله برای تجهیزات جدید بر اساس تجهیزات مشابه.

در مطالعه‌ای در مجله Computers & Industrial Engineering در سال ۲۰۲۵، اطلاعات ۲۲۰ ابزار اندازه‌گیری در یک شرکت فولادی بررسی شد. پژوهش از RPN و شاخص قابلیت اطمینان برای خوشه‌بندی فواصل ۱۲، ۱۸ و ۳۶ ماه و سپس مقایسه الگوریتم‌های K-NN، Random Forest و SVM استفاده کرد. نویسندگان عملکرد بهتر K-NN و Random Forest را در داده مورد مطالعه گزارش کردند.

مشاهده مقاله: Prediction of measuring instrument calibration interval based on risk priority number and reliability using machine learning.

پژوهش دیگری در سال ۲۰۲۶، چارچوبی مبتنی بر مونت‌کارلو برای پیوند دادن عدم قطعیت، رانش و احتمال عبور از MPE ارائه کرده است. داده‌های مثال آن مصنوعی و نماینده یک ابزار اندازه‌گیری ابعادی بوده‌اند؛ بنابراین نتایج عددی مقاله را نباید بدون اعتبارسنجی به تجهیزات دیگر تعمیم داد.

مشاهده مقاله: A Risk-Based Universal Calibration Interval Model Using Monte Carlo Simulation.

معیارهای ارزیابی مدل یادگیری ماشین

  • Confusion Matrix، Precision، Recall و F1-score برای مدل‌های طبقه‌بندی.
  • MAE و RMSE برای پیش‌بینی عددی فاصله یا نرخ رانش.
  • ارزیابی کالیبراسیون احتمال و قابلیت اعتماد برآورد ریسک.
  • آزمون مدل روی داده‌های مستقل و تجهیزات خارج از مجموعه آموزش.
  • بررسی سوگیری، داده‌های پرت، تغییر توزیع داده و عملکرد در گروه‌های مختلف تجهیز.
جلوگیری از نشت داده: داده‌های یک تجهیز نباید به‌صورت تصادفی بین آموزش و آزمون تقسیم شوند، به‌گونه‌ای که سوابق همان تجهیز در هر دو مجموعه حضور داشته باشد. بهتر است اعتبارسنجی بر مبنای شناسه تجهیز، زمان یا گروه تجهیز طراحی شود تا عملکرد مدل بیش از واقع برآورد نشود.

۱۰. ارتباط مدل با الزامات ISO/IEC ۱۷۰۲۵:۲۰۱۷

بندموضوع استانداردشواهد پیشنهادی در مدل
6.4.5مناسب بودن تجهیزات برای فعالیت آزمایشگاهیارزیابی تناسب تجهیز با کاربرد و حدود فنی
6.4.6مواردی که کالیبراسیون تجهیزات لازم استشناسایی تجهیزات مؤثر بر اعتبار نتایج و ردیابی اندازه‌شناختی
6.4.7ایجاد، بازنگری و تعدیل برنامه کالیبراسیونروش تعیین فاصله، شواهد بازنگری و تصویب فنی
6.4.10کنترل‌های بین دوره‌ای در صورت نیازبرنامه کنترل میانی و معیارهای پذیرش
6.4.13سوابق تجهیزاتتاریخچه کالیبراسیون، تعمیر، تنظیم و کنترل
6.5قابلیت ردیابی اندازه‌شناختیشواهد زنجیره ردیابی و منابع مرجع معتبر
7.6ارزیابی عدم قطعیت اندازه‌گیریبودجه عدم قطعیت و مدل انتشار عدم قطعیت
7.7تضمین اعتبار نتایجتحلیل روند، کنترل میانی و پایش عملکرد
7.10کار نامنطبقرسیدگی به تجهیز خارج از حدود و بررسی اثر بر نتایج قبلی
8.5اقدامات مرتبط با ریسک و فرصتتحلیل پیامد و اولویت‌بندی کنترل‌ها

این جدول نگاشت کاربردی و پیشنهادی است و جایگزین متن رسمی استاندارد یا تفسیر مرجع اعتباربخشی نیست. به‌ویژه بند ۶.۴.۷ باید در روش اجرایی آزمایشگاه به‌طور روشن پوشش داده شود.

۱۱. روش اجرایی پیشنهادی برای آزمایشگاه

برای استقرار مدل در آزمایشگاه، پیشنهاد می‌شود یک روش اجرایی مستقل با عنوان «تعیین، پایش و بازنگری فواصل کالیبراسیون تجهیزات اندازه‌گیری» تدوین شود.

۱
تهیه فهرست تجهیزات: تعیین شناسه، گروه، کاربرد، محدوده، MPE و اهمیت تجهیز.
۲
تعیین فاصله اولیه: بررسی توصیه سازنده، الزامات قانونی، شرایط مشتری، شدت استفاده و سوابق موجود.
۳
انتخاب روش بازنگری: انتخاب Staircase، Control Chart، زمان استفاده، Black Box یا روش آماری مطابق ILAC-G24.
۴
ثبت داده‌ها: نگهداری نتایج As-Found و As-Left، عدم قطعیت، شرایط محیطی، تعمیرات و کنترل‌های میانی.
۵
تحلیل عملکرد: بررسی رانش، پراکندگی، خروج از حدود و پیامدهای احتمالی.
۶
بازنگری فاصله: مستندسازی دلیل افزایش، کاهش یا حفظ فاصله و تعیین محدودیت‌های جدید.
۷
تصویب و پایش: تأیید توسط مسئول فنی یا فرد مجاز، به‌روزرسانی برنامه و پایش اثربخشی تصمیم.

حداقل سوابق موردنیاز

  • فهرست تجهیزات و مشخصات فنی؛
  • گواهی‌های کالیبراسیون و نتایج As-Found / As-Left؛
  • محاسبات و تحلیل آماری مورد استفاده؛
  • ارزیابی ریسک و معیارهای تصمیم‌گیری؛
  • سوابق کنترل‌های بین دوره‌ای؛
  • مصوبه بازنگری فاصله و نام تأییدکننده؛
  • سوابق بررسی اثر نتایج قبلی در صورت کشف تجهیز خارج از حدود.

۱۲. محدودیت‌ها، اعتبارسنجی و مسیر توسعه مدل AQ-CIM

مدل پیشنهادی AGE QUALITY با نام AQ-CIM (Age Quality Calibration Interval Model) یک چارچوب پژوهشی و تصمیم‌یار است. پیش از استفاده عملیاتی باید برای هر گروه تجهیز با داده‌های واقعی ارزیابی و اعتبارسنجی شود.

محدودیت داده

تعداد کم دوره‌های کالیبراسیون، تغییر روش، تنظیم تجهیز یا ثبت ناقص As-Found می‌تواند برآورد رانش را نامعتبر کند.

محدودیت مدل

فرض رانش خطی برای همه تجهیزات مناسب نیست. رفتار غیرخطی، رانش ناگهانی و تغییر شرایط باید بررسی شود.

محدودیت ریسک

حد قابل قبول ریسک باید بر اساس کاربرد و قاعده تصمیم‌گیری توجیه شود؛ عدد عمومی واحدی برای همه تجهیزات وجود ندارد.

محدودیت هوش مصنوعی

پیش‌بینی مدل جایگزین شواهد اندازه‌شناختی، ردیابی، کنترل میانی و تصویب مسئول فنی نیست.

پیشنهاد فازهای پژوهش و توسعه

فازفعالیتخروجی
۱ساخت بانک اطلاعاتی و استانداردسازی سوابقساختار داده تجهیزات
۲تحلیل آماری رانش و نمودار کنترلمدل پایه و گزارش روند
۳مدل‌سازی عدم قطعیت و شبیه‌سازی مونت‌کارلوبرآورد احتمالاتی ریسک
۴آموزش و اعتبارسنجی الگوریتم‌های یادگیری ماشینمدل پیش‌بینی و گزارش عملکرد
۵مطالعه میدانی روی تجهیزات فشار و توسعه به گروه‌های دیگرمقاله پژوهشی و ابزار نرم‌افزاری
پیشنهاد شروع مطالعه میدانی: تجهیزات فشار انتخاب مناسبی برای فاز نخست هستند؛ مشروط بر اینکه چند دوره سوابق قابل مقایسه، نقاط کالیبراسیون مشخص، حدود مجاز و اطلاعات مربوط به استفاده و تعمیرات موجود باشد. سپس می‌توان مدل را به تجهیزات دما، جرم و الکتریکی تعمیم داد.

۱۳. پرسش‌های متداول درباره تعیین فاصله کالیبراسیون

آیا ISO/IEC ۱۷۰۲۵ فاصله کالیبراسیون ۶ یا ۱۲ ماهه را الزام می‌کند؟

خیر. بند ۶.۴.۷ آزمایشگاه را ملزم به ایجاد برنامه کالیبراسیون و بازنگری و تعدیل آن در صورت نیاز می‌کند؛ اما برای همه تجهیزات یک فاصله زمانی یکسان تعیین نمی‌کند. الزامات قانونی، مقرراتی، مشتری و توصیه سازنده نیز باید بررسی شوند.

مهم‌ترین مرجع برای تعیین فاصله کالیبراسیون چیست؟

ILAC-G24:۲۰۲۲ / OIML D ۱۰:۲۰۲۲ یکی از مراجع کلیدی برای انتخاب اولیه و بازنگری فاصله کالیبراسیون تجهیزات اندازه‌گیری است.

آیا می‌توان فقط با دو گواهی کالیبراسیون نرخ Drift را تعیین کرد؟

می‌توان یک برآورد اولیه محاسبه کرد، به شرط آنکه نتایج قابل مقایسه باشند؛ اما دو نقطه برای اثبات روند پایدار یا غیرخطی کافی نیستند. داده‌های بیشتر و کنترل میانی، اعتبار تحلیل را افزایش می‌دهند.

آیا عدم قطعیت باید از MPE کم شود؟

نه به‌صورت خودکار. رابطه میان عدم قطعیت، حدود مشخصات و تصمیم انطباق باید بر اساس قاعده تصمیم‌گیری مستند بررسی شود. JCGM ۱۰۶ برای این موضوع مرجع مهمی است.

آیا هوش مصنوعی می‌تواند فاصله کالیبراسیون را به‌طور خودکار تعیین کند؟

مدل می‌تواند پیشنهاد یا پیش‌بینی ارائه کند، اما استفاده عملیاتی مستلزم اعتبارسنجی، کنترل تغییرات، ارزیابی محدودیت‌ها و تأیید فرد دارای صلاحیت است. مسئولیت نهایی تصمیم با آزمایشگاه باقی می‌ماند.

برای اجرای مدل چه تعداد داده لازم است؟

حداقل داده ثابت و جهان‌شمولی وجود ندارد. نیاز داده به پیچیدگی مدل، تنوع تجهیزات، تعداد متغیرها و هدف پیش‌بینی بستگی دارد. برای شروع، تحلیل روند یک تجهیز با چند دوره قابل مقایسه ممکن است؛ اما آموزش و اعتبارسنجی مدل یادگیری ماشین به مجموعه داده بزرگ‌تر و مستقل نیاز دارد.

۱۴. منابع علمی و مراجع برای مطالعه بیشتر

۱. ILAC-G24:۲۰۲۲ / OIML D ۱۰:۲۰۲۲. Guidelines for the determination of calibration intervals of measuring instruments.
دریافت سند رسمی PDF
۲. ISO/IEC ۱۷۰۲۵:۲۰۱۷. General requirements for the competence of testing and calibration laboratories.
صفحه رسمی ISO
۳. JCGM ۱۰۰:۲۰۰۸. Evaluation of measurement data — Guide to the expression of uncertainty in measurement.
دریافت از BIPM
۴. JCGM ۱۰۱:۲۰۰۸. Propagation of distributions using a Monte Carlo method.
فهرست انتشارات JCGM
۵. JCGM ۱۰۶:۲۰۱۲. The role of measurement uncertainty in conformity assessment.
فهرست انتشارات JCGM
۶. Malakhov, D., Kelemenová, T., & Kelemen, M. (۲۰۲۶). A Risk-Based Universal Calibration Interval Model Using Monte Carlo Simulation. Applied Sciences, 16(5), 2230.
https://doi.org/10.3390/app16052230
۷. Prediction of measuring instrument calibration interval based on risk priority number and reliability using machine learning (۲۰۲۵). Computers & Industrial Engineering, 210, 111570.
https://doi.org/10.1016/j.cie.2025.111570
۸. ISO ۱۰۰۱۲:۲۰۰۳. Measurement management systems — Requirements for measurement processes and measuring equipment.
صفحه رسمی ISO

توجه: دسترسی به متن کامل برخی استانداردها و مقالات ممکن است تابع مجوز ناشر یا خرید باشد. برای استناد رسمی در مستندات آزمایشگاه، نسخه کنترل‌شده و معتبر سند را تهیه کنید.

AGE OF QUALITY • TRAINING & CONSULTING

آموزش کاربرد هوش مصنوعی در آزمایشگاه‌های آزمون و کالیبراسیون

آیا می‌خواهید از هوش مصنوعی برای تحلیل داده‌های آزمایشگاهی، ارزیابی ریسک، کنترل کیفیت نتایج، عدم قطعیت اندازه‌گیری و تعیین فواصل کالیبراسیون استفاده کنید؟

برای برگزاری دوره تخصصی «کاربرد هوش مصنوعی در آزمایشگاه» و دریافت مشاوره طراحی و پیاده‌سازی، با عصر کیفیت در ارتباط باشید.

درخواست برگزاری دوره وب‌سایت عصر کیفیت

ایمیل آموزش و آکادمی: ۱۷۰۲۵@hzeinal.ir

تهیه و تدوین: عصر کیفیت | AGE OF QUALITY

این مطلب محتوای علمی-آموزشی و چارچوب پیشنهادی پژوهش است و جایگزین متن استاندارد، الزامات مرجع اعتباربخشی، قضاوت حرفه‌ای مسئول فنی یا اعتبارسنجی اختصاصی مدل برای هر تجهیز نیست.

مطالب مرتبط

IATF16949

حسین زینل مشاور سیستم های مدیریت

فهرست مطالبفهرست مطالبمعرفی حسین زینل، مشاور سیستم های مدیریتتحصیلات حسین زینلتخصص حسین زینل در ISO/IEC ۱۷۰۲۵دوره‌های تخصصی ISO ۱۷۰۲۵ توسط حسین زینلIATF…
۵ دقیقه مطالعه

دیدگاه یا سوال خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.