Метрология: где спотыкаемся

Можно ли говорить о том, что присущая системе вариабельность сохраниться в будущем? Иными словами, можно ли прогнозировать поведение системы по прошлым данным, упорядоченным во времени? Это же извечная человеческая мечта! Оказывается, что сама карта может пролить свет на эту проблему. Действительно, если нанести на контрольную карту линию, параллельную оси времени и идущую на высоте, соответствующей среднему арифметическому на вертикальной оси, и прибавить к среднему три квадратичных ошибки, как предлагает Шухарт, а потом отнять от среднего те же три квадратичных ошибки, то можно про вести ещё две линии, которые параллельны линии среднего, но одна из них идёт выше, а другая ниже линии среднего. Они образу ют полосу, внутри которой должны оказаться практически все результаты измерений. Если хоть одна экспериментальная точка окажется вне этой полосы, неважно выше или ниже, то система будет не стабильной, не статистически управляемой, а при такой системе предсказания её будущего состояния не могут быть надёжными. Но этого мало. Даже если все точки лежат внутри полосы, всё равно они могут нести в себе информацию о трендах, регулярных колебаниях или иных характерных особенностях изучаемой системы. Во всех таких случаях предсказание оказывается невозможным.

Более того, во всех таких случаях система нуждается во вмешательстве ради возвращения её в статистически стабильное состояние. Работать со статистически неуправляемой системой не имеет смысла, поскольку её поведение непредсказуемо. Но как же вернуть систему в статистически управляемое состояние? Снова нам на помощь приходит команда, которая осуществляет данное измерение. Чтобы команда могла помочь в этом важном деле, её надо вооружить соответствующим инструментарием. Подходящий инструментарий был разработан в Японии после Второй мировой войны профессором Исикава Каору и его учениками. Он получил широкое распространение во всём мире и известен как «семь простых инструментов статистического контроля качества». Эти инструменты предназначены для регулярного сбора информации о процессе, её наглядного представления и предварительного анализа. Благодаря данным, собранным с помощью семи инструментов, команда получает информацию для выдвижения гипотез о возможных путях и методах возврата процесса измерения в управляемое состояние. Остаётся «только» проверить эту гипотезу экспериментально. Для этого удобно пользоваться ещё одним инструментом, который Эдвардс Деминг привёз в Японию в 1950 году под именем «цикла Шухарта». Японцы стали называть его «циклом Демин га», а мы теперь называем его «циклом Шухарта Деминга». Он представляет собой стандартный алгоритм проверки гипотез, сформулированный в удобной форме: «планируй - делай - проверяй - воздействуй». Предполагается, что этот цикл будет повторяться, меняя неудачные гипотезы на новые, до тех пор, пока не удастся достичь стабильного состояния. Деятельность по возвращению системы в стабильное состояние будет иметь систематический характер, поскольку стабильное состояние не естественно, чего нельзя сказать о нестабильном состоянии. Борьба с энтропией - это навсегда, но всё таки время от времени мы будем наслаждаться стабильными состояниями, во время которых возможны как прогноз, так и совершенствование системы.

Прежде чем идти дальше, сделаем ещё одно важное замечание. Ясно, что для того, чтобы пользоваться новыми понятиями, надо дать им определения. Но не всякие определения подходят, не всякими удобно пользоваться. Шухарт и Деминг призывают нас пользоваться так называемыми «операциональными» определениями, представление о которых ввёл американский физик и философ, лауреат Нобелевской премии Пол Бриджмен в 1928 году. Смысл таких определений заключается в том, чтобы оно содержало, если возможно, алгоритм построения данного понятия с указанием измерений, которые проводятся при его построении. Так операционным определением статистически управляемого состояния будет контрольная карта, в которой все результаты измерений укладываются в полосу, и в них нет видимых структурных особенностей. Для перехода в неуправляемое состояние должна быть «причина», которая обычно называется «особой». А вариация в управляемом состоянии объясняется «обычной» причиной.

Ясно, что при длительной эксплуатации любой измерительной системы неизбежны ситуации, где требуются наладки, настройки, юстировки измерительных систем, то есть их обслуживание и ремонт. Поэтому мы вынуждены обсудить этот круг вопросов. Обслуживание измерительных систем в принципе не отличается от обслуживания любого другого оборудования, разве что оно часто «тоньше» и требует более аккуратного и более квалифицированного обращения. Этому приходится специально обучать сотрудников. Поэтому часто бывает так, что обслуживают оборудование одни люди, а работают на нём другие. Это тем более требует организации командной работы. В 70 -е годы прошлого века в Японии возник новый подход к обслуживанию и ремонту оборудования, который, думается, надо сделать обычным для обслуживания измерительных систем. Он существенно отличается от концепции ППР планово-предупредительного ремонта, причём он гораздо выгодней экономически. Выгода возникает в связи с тем, что создатели этого подхода в полной мере обладают тем, что называется статистическим мышлением, поэтому они не проводят профилактических работ, когда в них нет необходимости. Из теории надёжности технических систем известно, что новое оборудование сначала часто отказывает. Это связано с освоением персоналом навыков работы с новым оборудованием и процессами приработки самого оборудования. Затем наступает период нормальной эксплуатации системы и её поломки и отказы наблюдаются относительно редко. Но со временем всякая система начинает стареть, что неизбежно ведёт к постепенному росту числа отказов в единицу времени. В конце концов оборудование приходит в негодность и его приходится либо ремонтировать, либо заменять.

Японский подход, который называется TPM (мы уже упоминали его во введении), не имеет устойчивого перевода на русский язык. Предпочтительным видится термин “Всеобщая эксплуатация оборудования”. Он предполагает создание команды, в которую входят все, кто работают с этим оборудованием, то есть операторы, наладчики, менеджеры, а также специалисты по метрологии, статистики и, возможно, другие специалисты. В отличие от команды, о которой мы говорили выше, и которая предполагает добровольное участие, в данном случае речь идёт об административной структуре. Создав команду, администрация организует её систематическое обучение, в программу которого входят: изучение материальной части оборудования, теория его работы, классификация возможных отказов и поломок, методы ранней диагностики отказов, охрана труда и техника безопасности. Кроме того, команду обучают средствам и методам сбора и первичной об работки информации о работе оборудования и об его состоянии. Обычно это «семь простых инструментов статистического контроля качества». А ещё их знакомят с началами методов бережливого производства, прежде всего, с концепцией 5С, предназначенной для создания и поддержания порядка на рабочих местах, что полезно всегда.

После первоначального обучения команда начинает регулярно собирать данных о работе оборудования и собираться для их об суждения. Возникает рефлексия, направленная на осмысление собираемой информации, на выдвижение гипотез о возможностях совершенствования работы. Попутно может возникнуть информация, важная для тех, кто разрабатывает следующие поколения оборудования, на котором мы работаем. Вывод прост: не имеет смысла «просто работать на оборудовании, просто его эксплуатировать», поскольку при этом теряется огромная бесценная информация, помогающая понимать, улучшать, совершенствовать все системы и процессы, связанные с оборудованием. И этот вывод универсален. Он относится ко всему, что мы делаем или собираемся делать.

Вернёмся к мониторингу измерительных систем. В сущности, он предназначен для того, чтобы минимизировать наши потери, возникающие из за того, что иногда мы ошибочно принимаем статистически управляемый процесс за неуправляемый. Тогда мы вмешиваемся в нормально работающий процесс, пытаясь вернуть его в управляемое состояние, а это, конечно, делает его неуправляемым. Но бывает и наоборот, когда мы благодушно полагаем, что всё в порядке, что процесс управляем, а он уже утратил это важное состояние. И мы ничего не делаем, когда ситуация требует вмешательства. Обе ошибки неизбежны, но контрольная карта Шухарта минимизирует число случаев их появления. Ни глубокие знания, ни общие соображения, ни большой практический опыт не могут конкурировать с картой Шухарта. Карты, в среднем, всегда лучше.

Существование управляемого процесса вовсе не означает отсутствие ошибок и дефектов. Оно говорит лишь о том, что они случайны, и что пределы их чисел предсказуемы. Да и вообще управляемость ведь не цель, а только условие, позволяющее заниматься непрерывным совершенствованием. Только совершенствование способно повлиять на среднее число ошибок или дефектов, а, следовательно, и на экономику. Когда речь идёт о массовых измерениях, выполняемых постоянно во многих лабораториях и в разных странах, проблема управляемости включает в себя ещё различия разных экземпляров оборудования и разных исполнителей.

Настройка, наладка, юстировка измерительной системы существенно зависит от статистической управляемости этой системы. Если система статистически неуправляема, нестабильна, то её нет смысла настраивать. Вместо этого самое время заняться созданием команды, которая с помощью семи простых инструментов может собрать информацию, чтобы на её основании выдвинуть содержательную вероятною гипотезу о причине разладки системы и разработать процесс возврата в управляемое состояние, после чего естественно запустить цикл Шухарта-Деминга для поиска стабильного состояния. А когда это получится, дальнейшая настройка не имеет смысла, что прекрасно иллюстрируют эксперименты с воронкой, которые предлагает Деминг. Значит в стабильном состоянии любая попытка настройки только ухудшает точность результата, и даже может разрушить стабильность, не говоря уж о том, что при этом увеличиваются затраты, растут потери, снижается конкурентоспособность, а в нестабильном состоянии она не имеет смысла. Все элементы измерительной системы, включая людей, должны находиться в статистически управляемом состоянии. Иначе измерение становится профанацией.

Пробоотбор и выборки по Демингу. Во многих случаях измерений нам недоступен весь объект измерения и можно воспользоваться только его частью, называемой выборочной пробой (образцом). Особенно это характерно для аналитической химии. Кроме того, измерения могут приводить к разрушению объекта или образца, тогда они называются разрушающими, как, например, при измерении прочности на разрыв стального стержня, или измерения могут быть не разрушающими, как, например, при измерении длины того же стержня. При разрушающем характере измерений выборочный процесс становится неизбежным.

Важно ещё различать измерения в потоке, например, производимой продукции по мере её производства, и однократные или единичные измерения. Первый случай гораздо более интересен, поэтому мы на нём остановимся. В этом случае мы рассматриваем систему, которая в свою очередь состоит из двух взаимодействующих систем: производственной системы, дающей продукцию и измерительной системы, вырабатывающей информацию, важную для принятия решений. Если мы будем измерять каждое про изведённое изделие, то получится сплошной контроль. Классические представления говорят нам, что это по крайней мере эконом чески не целесообразно. Да и не оправдано, поскольку выборочных измерений вполне достаточно. Но всё оказалось не так просто. Профессор Сигео Синго в Японии в 70-е годы прошлого века предложил подход, названный пока - ёкэ. Смысл этого японского термина можно передать на русском языке словами: «защита от непреднамеренных нарушений». Суть дела сводится к тому, что почти во всякий производственный процесс можно встроить внутреннюю систему измерений (обычно, косвенных), которые автоматически останавливают процесс при выявлении каких-либо нарушений. И работа не может продолжаться до устранения обнаруженных несоответствий. Практически это эквивалентно сплошному контролю, но без его чрезвычайных затрат. Синго предложил сотни инженерных решений, способных обеспечить реализацию этой идеи.

Более того, практически в то же время доктор Деминг в США развил представления о статистически управляемых системах, с которыми мы уже сталкивались выше. Применение этой концепции к теории выборочного метода привело к неожиданным результатам. Классическая теория развивалась на протяжении всего прошлого века и пришла к идее построения планов выборок в зависимости от приемлемого риска и приемлемых долей несоответствий в партии продукции. Додж и Ромиг в США построили таблицы планов выборок, реализованные в знаменитом американском военном стандарте MSШ5E, который был протиражирован в большинстве стран мира, в том числе и странах СНГ. Этот стандарт, как и вся классическая теория, не учитывал состояния системы, из которой предполагается взять выборку. Но, если система находится в статистически неуправляемом состоянии, то не имеет смысла вообще брать выборку, остаётся только сплошной контроль, на котором далеко не уедешь. Значит в неуправляемой системе надо начинать с возврата её в управляемое состояние. Алгоритм известен.

Рано или поздно настаёт момент, когда система достигает статистически управляемого состояния. И тут выясняется, что никакие выборки оказываются просто не нужными для получения информации о системе. Всё, что нужно, содержится в текущих оценках среднего процесса и выборочного размаха, полученных на контрольной карте, свидетельствующей о том, что нет оснований считать процесс неуправляемым. Здесь можно, наконец, менеджменту заняться попытка ми радикального улучшения процесса, но любые настройки, наладки и проч., не требуются, что хорошо видно из экспериментов с воронкой. Так что вопрос об объёме выборки отпадает.

Но радоваться рано. Статистически управляемое состояние не вечно. И нам важно зафиксировать момент, когда возникнут первые признаки разладки системы. Единственное доступное средство мы уже обсуждали - это мониторинг системы. Конечно, снова нужен план выборки. Но он будет гораздо менее затратным, чем планы в традиционной схеме, поскольку у мониторинга иная цель, чем у выборочного контроля. Понятно, что при отборе образцов для измерений в ходе мониторинга важно, как обычно, использовать процедуру рандомизации. И конечно, к планам мониторинга, как и ко всему на свете, приложима идея непрерывного совершенствования, к которой мы ещё вернёмся.

Таким образом, для успеха измерений важно, чтобы производственная система и измерительная система одновременно находились в статистически управляемом состоянии.

Между получением образца и самим процессом измерения часто лежит ещё процесс подготовки образца к измерению. Так, если, например, мы хотим посмотреть под микро скопом структуру некоторого образца металла или сплава, то нам предстоит создать на образце горизонтальную поверхность, затем её шлифовать и полировать, а потом травить специальным раствором, чтобы выявить интересующую нас структуру и провести на ней соответствующие измерения. В аналитической химии встречаются весьма разнообразные процессы подготовки пробы к анализу, которые могут включать, например, измельчение, растворение, разделение, выпаривание, кристаллизацию и многие другие процессы. Их цель обеспечение требуемой точности анализа. При этом, конечно, каждая операция в процессе пробоподготовки неизбежно вносит свой вклад с неопределённость конечного результата. Для разработки требуемого процесса пробоподготовки часто требуются методы планирования эксперимента и экономический анализ. Вот вам ещё один аргумент в пользу командной работы.

5. Стандартные образцы

Как ни крути, а результат, выданный измерительной системой, надо с че -то сравнить [1]. Причём дважды. Сначала с неким эталоном или стандартным образцом, чтобы понять, например, какой концентрации интересующего нас химического элемента соответствует, скажем, высота пика на кривой, нарисованной измерительной системой. А затем нам предстоит сравнить полученную концентрацию с требованиями заказчика с техническими условиями на продукцию или с любым другим условием, важным для лица, которое будет принимать решение на основе, в частности, полученного нами значения концентрации. И при этом, конечно, не забыть об оценке элемента неопределённости, присущего данному результату.

Где же взять подходящий эталон? Оказывается, это длинный вопрос. Чтобы на него ответить, надо начать издалека. Есть на свете романтически настроенные люди, которые полагают, что если вы купили, на пример, в одной стране килограмм картошки, которую взвесили на весах с точностью до одного грамма, а потом привезли свою покупку в другую страну, то взвешивание её на других весах того же класса точности должно показать тот же вес, с той же неопределённостью. Велики ли шансы, что будет именно так, как описано? Думается, что шансы не велики. И если для картошки это не столь важно, то во многих случаях это имеет огромное значение. Поэтому метрология исповедует принцип «единства измерений». Результат измерения плюс его неопределённость не должны в статистическом смысле различаться, в какой бы точке земного шара они не были проведены. Тогда мы не будем волноваться по поводу нашей картошки.

Но как можно этого достичь? В настоящий момент в мире реализована следующая идея. Создана международная организация по метрологии, которая хранит образцы (эталоны) всех основных мер, используемых людьми. Благодаря этому теперь достаточно сличить тот измерительный инструмент, которым мы пользуемся с эталоном, и если различия статистически не значимы, то пользоваться нашим измерительным инструментом так, как будто мы работали с самим эталоном. Звучит красиво, но на практике не работает по многим причинам. Прежде всего, одним эталоном трудно обойтись, поэтому обычно создаются «вторичные» эталоны, обычно на уровне государств. Хранение и поддержание эталонов, дело настолько дорогое и ответственное, что кроме государства за него просто некому взяться, а без этого не обойтись. Но и этого не достаточно, поскольку эталонов на все случаи жизни не напасёшься. Приходится производить ещё «стандартные образцы» или «меры», которые можно проследить до вторичных эталонов. Тут возникает важное для нас слово «прослеживаемость». Важно про следить путь от первичных эталонов, до не посредственных конкретных измерений. Не секрет, что каждый следующий шаг в цепочке прослеживаемости неизбежно ведёт к росту неопределённости конечного результата. Поэтому не удивительно, что к первичным эталонам предъявляются фантастические требования по точности, воспроизводимости и стабильности во времени.

Конечно, все люди в принципе должны понимать, как это устроено, но на практике мы обычно имеем дело со стандартными образцами или мерами, их мы и будем рас сматривать в дальнейшем. Производство стандартных образцов, особенно в аналитической химии, это отрасль производства, к которой так и надо подходить. Её особенность высокие требования к характеристикам, которые не остаются постоянными во времени: жизнь постоянно их ужесточает. Она остро нуждается в современной системе менеджмента качества (речь идет о системе, а не о сертификате). В производстве стандартных образцов можно увидеть практически все проблемы, о которых мы говорили выше, плюс всё то, что характерно для производства. Пусть, например, мы производим некоторый сплав, концентрация лигирующей добавки в котором может меняться от 0 до 5%. После того, как мы провели очередную плавку, мы хотим знать, сколько же этой добавки на самом деле оказалось в сплаве в результате данной плавки? Тогда нам предстоит заказать специализированной организации, или, на худой конец, сделать самим серию образцов нашего сплава с заранее заданными концентрациями этой добавки в интересующем нас диапазоне. Сколько и каких образцов надо изготовить - это задача планирования эксперимента, и дань традиции здесь часто приводит к потерям. Мы обсудим это подробнее, когда вскоре доберёмся до градуировок. Это не обязательно должны быть сплавы, аналогично можно говорить о любых материальных системах.

6. Градуировочные графики и «обратная» регрессия

Итак, нам нужны стандартные образцы, чтобы иметь возможность с их помощью построить «градуировочные графики», с помощью которых, в конечном счёте, измерительный сигнал переводится на «язык» предметной области. Измерительный сигнал может говорить на языке, например, «степени почернения фотопластинки» или «изменения цвета раствора», или «не которой кривой, которую рисует компьютер, встроенный в измерительную систему», а мы хотим получить ответ на языке, например, концентраций некоторых компонентов. Естественным образом получается график в декартовых координат, где по горизонтальной оси откладываются значения, например, концентраций соответствующих стандартных образцов, которые заранее известны, а по вертикали откладываются эмпирические значения информационного сигнала. В результате на плоскости возникает график, позволяющий построить некоторую математическую модель, часто линейную. Для построения модели, как правило, используется метод наименьших квадратов. И в этом пока нет ничего плохого. Но дальше для оценок неопределённости используется классическая модель регрессионного анализа, и вот тут то и возникают две проблемы. Первая связана с так называемой «обратной регрессией». Дело в том, что при построении градуировочного графика на горизонтальной оси откладываются значения, известные нам с очень большой точностью, а на вертикальной случайные величины, которые порождают неопределённость. Но когда мы начинаем пользоваться этим графиком, смысл осей меняется. Теперь мы эмпирически определяем информационный сигнал, а считываем значение концентрации. И нас теперь интересует неопределённость относительно оси концентраций. На практике часто не понимают и не учитывают это различие. Понятно, что это ведёт к серьёзным ошибкам. Вторая проблема более фундаментальна. В модели классического регрессионного анализа кроме нереалистичного требования нормальности распределения измеряемой случайной величины, требуются ещё безошибочные знания о второй переменной, не зависимость, однородность дисперсии и ряд других, вовсе не реалистичных предположений. Несомненно, нужна глубокая ревизия сложившегося положения.

7. Стандартизация и непрерывное совершенствование

Если говорить о массовых измерениях, особенно в промышленности, или о единстве измерений, становится ясно, что нельзя обойтись без стандартизации всех аспектов измерительного процесса. И мы всегда стремимся чётко стандартизовать этот процесс. Это настолько очевидно, что даже не возникает никаких дискуссий. Однако, у этого есть и другая сторона. Любое измерение должно нести в себе не только результат и его неопределённость, важные для принятия решений, но и некоторую ин формацию, служащую для процесса рефлексии, для осмысливания текущей ситуации и обдумывания возможных путей её дальнейшего улучшения, ибо в конечном счёте именно непрерывное совершенствование оставляет надежду на сохранение организации в непрерывной конкурентной борьбе, да и прогресс вообще любит рядиться в одежды непрерывного совершенствования. Этим принципом руководствуются все современные концепции менеджмента. И здесь видится противоречие, которое нуждается в срочном обсуждении.

8. Оптимизация и планирование экспериментов

На предыдущих страницах не раз встречалась фраза о том, что та или иная задача относится к области планирования экспериментов. Что же это значит? Когда люди сознательно и целенаправленно проводят некоторые эксперименты, за ними всегда стоит или стоят некоторые гипотезы. Благодаря этому у эксперимента всегда есть цель отвергнуть или временно принять проверяемую гипотезу. Именно поэтому у эксперимента всегда есть конкретная цель. И об успехе или неудаче эксперимента можно судить по тому, насколько удалось достигнуть этой цели. Но достижение успеха возможно разными путями, например, при разном числе, проведённых опытов. Ясно, что достижение поставленной цели при наименьшем возможном числе опытов - это благо, если конечно соблюдены все дополнительные требования к точности, к возможным рискам и т. д. Планирование экспериментов - это наука о том, как достигать поставленной цели при минимальных возможных затратах, прежде всего, при наименьших числах опытов. Оно иногда используется в метрологических задачах, но почему -то очень однобоко. Как правило, это однофакторные и двухфакторные планы дисперсионного анализа. Этого совершенно не достаточно. Задача, например, разработки алгоритма анализа, несомненно, принадлежит к классу задач планирования эксперимента, но в литературе встречается очень мало примеров такого рода. И, как правило, это следствие отсутствия командного подхода к формулировке задачи, переоценка индивидуального опыта химика аналитика. Это огромная область, сулящая резкий рост качества разработок и значительную экономию времени и других ресурсов. Тоже самое, можно сказать и о разработке оборудования измерительных систем, и о многих других метрологических случаях.

9. Математическая теория измерений. Шкалы

Волею судьбы у метрологии есть строгая математическая теория, которая помогает понимать и анализировать многие процессы, происходящие в метрологии. До недавнего времени метрология открещивалась от измерений, которые касались «не физических величин». Речь шла об экспертных суждениях и вообще о всяческой «субъективной» измерительной информации. Трудно понять, с чем это связано. Ведь ещё со времени знаменитой дискуссии Н. Бора и А.Эйнштейна было ясно, что ни при каких обстоятельствах даже для самых автоматизированных измерительных систем нельзя изъять человека из процесса измерений. Но тогда «измерение физических величин» это миф. Мы убеждены, что неметрические шкалы должны вернуться в лоно метрологии и занять в ней подобающее место.

10. Международные стандарты в области метрологии и в смежных областях, и их переводы

В международной метрологии создан впечатляющий комплекс нормативных документов, многие из которых уже переведены. В целом они свидетельствуют о выдающихся достижениях в области метрологии. Хотя, конечно, среди них встречаются и неточности, и прямые ошибки, и неудачно выраженные мысли. Но если мы обратимся к переводам этих документов, то будем поражены огромным числом прямых ошибок, неточностей, пропусков и другого брака. Думается, что существующая ситуация нетерпима. Она требует немедленного вмешательства. А её главная причина кроется в отсутствии командной работы. Пере вод стандарта сложная задача, которая под силу только дружной команде профессионалов в различных областях, рассматриваемых в соответствующем стандарте.

11. Проектирование, конструирование и совершенствование измерительных систем

Традиция рассматривает эту область отдельно от метрологии. Думается, что эту важнейшую область надо обязательно рас сматривать вместе с метрологией. Хотя бы потому, что важно наладить связь между опытом людей, работающих на соответствующем оборудовании, и опытом тех, кто разрабатывает новые поколения этого оборудования. Само по себе - это обычная область человеческой деятельности, нуждающаяся в эффективном менеджменте и в эффективной системе менеджмента качества.

12. Компьютерные системы «Большие данные»

Мир быстро меняется. Теперь компьютер как часть измерительной системы не редкость. Вычислительные мощности быстро растут. Это не может не оказать сильного воздействия на многие аспекты метрологии. Мы на пороге новых возможностей. Важно быть к этому готовыми.

Заключение

В этом тексте есть общие отсылки к некоторым источникам справочного характера, хотя мы готовы сделать их буквально под каждой фразой. И собираемся сделать это в будущем в других публикациях. Но пока их отсутствие наш выбор. Кажется важным выделить и сделать удобными для обсуждения основные идеи без отвлечения на авторитеты. Метрология на пути больших перемен. Эти перемены витают в воздухе, прослеживаются при решении различных задач. И наша цель описать состояние, которое сейчас переживает метрология, обозначит ключевые точки и спорные моменты. А по сути, смоделировать первые шаги, которые позволят переменам в метрологии осуществиться.

метрология статистический качество обслуживание

Библиографические ссылки

1. Кумэ Х. Статистические методы повышения качества / Х. Кумэ.М.: Финансы и статистика, 1990.

2. Международный Стандарт КОЛЕС 17025 // Общие требования к компетентности испытательных и калибровочных лабораторий. Третья редакция 2017-11.

3. Системы менеджмента качестваОсновные положения и словарь // Международный КО Стандарт 9000. Четвертая редакция, 2015-09-15.

REFERENCES

1. Kumje, H. (1990). Statisticheskie metody povyshenija kachestva [Statistical methods of quality improvement]. Moscow: Finansy i statistika [in Russian].

2. Mezhdunarodnyj Standart ISO/IEC 17025 [International Standard ISO / IEC 17025]. Obshhie trebovanija k kompetentnosti ispytatel'nyh i kalibrovochnyh laboratorij. Tret'ja redakcija 2017-11 [in Russian].

3. Sistemy menedzhmenta kachestvaOsnovnye polozhenija i slovar' [Quality management systemsFundamentals and vocabulary]. Mezhdunarodnyj ISO Standart 9000. Chetvertaja redakcija, 2015-09-15 [in Russian].

Размещено на Allbest.ru