Meetinstrumenten spelen een vitale rol binnen industriële processen. De gemeten waarden geven inzicht in procesomstandigheden die directe gevolgen hebben voor de productkwaliteit en -veiligheid. Natuurlijk worden meetinstrumenten daarom gekalibreerd, maar staat u wel eens stil bij de vraag waarom dat bij u met de huidige frequentie gebeurt?

Veel bedrijven kiezen voor een reactieve benadering en kalibreren alleen om aan de kwaliteitsnormen of lokale regelgeving te voldoen. Helaas wordt kalibreren vaak gezien als een kostbare administratieve verplichting in plaats van een potentiële bron van waarde. Zelfs bij de eenvoudigste processen kan een relatief kleine meetfout in de loop van de tijd leiden tot een aanzienlijke verspilling van middelen (energie, grondstoffen, verspilde productie), die veel kostbaarder is dan kalibreren.

Bij de afbeelding: Op het juiste moment meetinstrumenten kalibreren is van grote waarde voor een industrieel proces.

ISO 9001 norm over kalibratie-interval

Vaak zijn kalibratie-intervallen gesteld op één jaar, omdat dat goed aansluit op de jaarlijkse planningscyclus. Dit komt zo vaak voor dat de verantwoordelijken vaak beweren dat deze periode als vereiste is opgenomen in ISO 9001. Maar in die norm staat slechts dat instrumenten moeten worden gekalibreerd en/of geverifieerd maar er wordt nergens aangegeven dat de intervallen voor verschillende instrumenten gelijk moeten zijn of dat de periode één jaar moet zijn.

Conventionele werkwijze om intervallen te bepalen

Het meest holistische werk over het bepalen van intervallen tot nu toe is gepubliceerd door de NCSLI als recommended practice RP1. Daar worden twee groepen methodes beschreven: reactieve en statistische methodes.

Bij 'trendanalyse' wordt gekeken naar de voorgaande kalibratiegegevens en wordt het nieuwe kalibratieinterval vastgesteld volgens een bepaalde regel. Deze regel is bedrijfsspecifiek en wordt bepaald op basis van de risico/kostenbalans. Het kan gaan om een verdubbeling van het interval als het instrument consequent ‘binnen de specificaties’ blijft, of een verdrievoudiging van het interval. Deze methode houdt geen rekening met de (niet-) lineariteit van de drift en de grootte ervan en is een van meest gebruikte reactieve methodes.

Een meer uitgewerkte methode wordt beschreven in 'Good Automated Manufacturing Practice' of 'GAMP5', hoewel de daarin voorgestelde methode een aantal nadelen heeft:

• Als het kalibreren mislukt, wordt het verkorten van intervallen niet overwogen.
• De methode is reactief en doet geen voorspellingen.
• Het maximale interval is arbitrair op twee jaar gesteld.
• Er wordt alleen gekeken naar de conformiteit (geslaagd/ niet geslaagd) en niet naar de grootte van de meetfout.

Bij statistische methodes wordt complexe wiskunde gebruikt voor een zogenaamde ‘schatting van de maximale waarschijnlijkheid’. Hoewel dergelijke methodes bepaalde voordelen bieden ten opzichte van reactieve methodes erkent de NCSLI dat deze ‘veel geld kosten om te ontwerpen en te implementeren’. Er is meestal veel installed base en een significante hoeveelheid data nodig om deze uitvoerbaar en/of kosteneffectief te maken.

Methode om kalibratie-intervallen te bepalen

Op basis van verschillende gevestigde statistische methodes heeft Endress+Hauser twee verbeterde methodes ontwikkeld voor de optimalisatie van kalibratie-intervallen. De eerste methode is een verbeterde versie van de statistische methode gedefinieerd door NCSLI-RP1. Deze is zodanig aangepast dat er minder gegevens nodig zijn en alleen de meest recente kalibratieresultaten nodig zijn om een voorspelling te doen.

1.Standardised reliability method (SRM)

Deze methode is relatief eenvoudig toe te passen is. Er zijn weinig inputgegevens voor nodig zoals kritikaliteit en de kalibratiewaarden. Dit in tegenstelling tot alle eerder genoemde methodes, die alleen gebruikmaken van het kalibratieresultaat (pass/ fail) en niet van de kalibratiewaarden. Daarnaast heeft deze methode als voordeel dat hij ook bij weinig gegevens een robuuste predictieve benadering biedt voor het bepalen van kalibratie-intervallen. Daardoor kan actie worden ondernomen voordat een kalibratie mislukt.

2.Monte Carlo method (MCM)

Deze methode is gebaseerd op Monte Carlo-simulaties. Deze methode verschilt van de eerste omdat hij rekening houdt met de twee meest recente kalibratieresultaten in combinatie met de meetonzekerheid. Deze methode heeft als voordeel dat er rekening wordt gehouden met aanvullende informatie (meetonzekerheid, eerdere kalibratiewaarden). Dankzij het gebruik van aanvullende inputgegevens reageert hij sneller op veranderingen in de metrologische prestaties van instrumenten dan andere methodes.

Bij de afbeelding: Endress+Hauser heeft twee methodes ontwikkeld voor de optimalisatie van kalibratie-intervallen.

Vergelijking tussen verschillende optimalisatiemethodes

Endress+Hauser heeft verschillende opties gesimuleerd om de prestaties en beperkingen van bovengenoemde optimalisatiemethodes te begrijpen met betrekking tot verschillende driftscenario's: geen drift, lineaire drift en non-lineaire drift.

Conclusie: GAMP en trendanalyse zijn geen robuuste methoden voor interval-optimalisatie. Alleen SRM en MCM hebben aangetoond dat ze in staat zijn om:

• Intervallen te verlengen wanneer er geen drift is
• Iintervallen te verkorten wanneer er een afwijking is

De  kalibratieoptimalisatiedienst van Endress+Hauser baseert uw kalibratieintervallen op de kalibratiedata en niet op de conventionele of verouderde werkwijzen. Meer weten? Kijk ook eens hier.