fq03 10 Complet

Sommaire
• Introduction
UV FQ03 : Les plans d’expériences et • Rappels Statistiques
conception robuste • Les p
plans complets
p
• Les plans factoriels 2k
• Les plans fractionnaires 2kk-pp
• La démarche Taguchi
• Les plans à surface de réponse
• Les p
plans de mélanges
g
N. Boudaoud Z.Cherfi Plans d’expériences 1 N. Boudaoud Z.Cherfi Plans d’expériences 2
PRELIMINAIRES PRELIMINAIRES
• Qu’est-ce qu’un plan d’expériences? • Qu’est-ce qu’un facteur?

• Qu’est- ce qu’une modalité (ou un niveau)
Un plan d’expériences est une suite d’essais • Q
Qu’est-ce q
qu’une réponse?
p
organisée de manière à déterminer avec un minimum
d’essais et avec un maximum de précision l’influence
de plusieurs paramètres (facteurs) sur une ou
plusieurs réponses
N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

PRELIMINAIRES PRELIMINAIRES
• Quand fait-on un plan d’expériences? • Intérêt de la méthode

• Efficacité supérieure à toute autres suite d’essais de
même taille non planifiée
• Optimisation
p de la conception
p d’un produit
p
• Pas
P d de « un facteur
f t à lla ffois
i »
• Réglage d’un moyen de production ou plus • Quantifie et hiérarchise l’influence des facteurs et de
généralement d’un
d un processus leur interaction
• Investigation pour mieux comprendre un • Estimation a priori de la durée et des coûts des essais
phénomène • Conclusions
C l i fiables
fi bl ett reproductibles
d tibl
• Interprétation aisée des résultats.
PRELIMINAIRES Exemples
• Conditions d’utilisation: • Système de lève vitre

– Paramètres :
• Type de moteur
• Groupe de travail composé de plusieurs personnes • Poids de la vitre
• Jeu de Tôlerie
• Le problème à traiter doit être formalisable • Type de coulisse
• L’expérimentation est possible (les moyens et les – Réponse (objectif) : Bruit émis mesuré en dB à minimiser
p
délais impartis bien définis)) • Système
y de fonderie
• La (ou les) réponses doivent être quantifiables et – Paramètres :
• Pression
mesurables avec précision (pour le traitement qui en • Température
p
sera fait) • Force de fermeture
• Exemples • Matière
– Réponse (objectif) : taux de rebut à minimiser

Ré i t
Résistance d’
d’une ti
tige pour différents
diffé t
types d’alliages
Résistance à l’arrachement
FORCE Colle
Exercer une pression sur une tige Pièce 1 Pièce 2
pour différentes compositions
d’alliage.
Tige
Ti
Force Force
Entrée
ée (Facteur)
( c eu ) So e vvaleur
Sortie eu maximalee de
type d’alliages pression exercée sur la tige Facteurs Sortie
• Type de colle la résistance à l'arrachement
• Carbone, Titanium, avant la déformation • Epaisseur
p de la couche de colle
Composite permanente • Nature des pièces : acier, aluminuim,..
Méthodologie des PE La démarche générale
• Quelles expériences doit comporter un PE ? 1. Formalisation

– Cela dépend de : 2
2. C
Construction
t ti d
du plan
l
• Informations que l’on souhaite obtenir
3. Réalisation des essais
• Exigences de « ll’expérimentation
expérimentation »
• Principales Etapes
4. Dépouillement : outils statistiques
– Quels sont les facteurs susceptibles d’influer
d influer sur le a) Recherche des Facteurs significatifs
phénomène étudié? Recherche des facteurs et b) Modélisation de l’influence des facteurs
interactions influents sur la réponse : linéaire, non linéaire
– Quelle
Q ll est lal forme
f de
d l’influence?
l’i fl ? Modélisation
déli i c) Optimisation : choix des niveaux des
– Quelle est la solution optimale? Optimisation facteurs
5 Conclusion
5.
1. Formalisation
1. Formalisation 2. Construction du plan
2. Construction du plan 3. Réalisation des essais
3. Réalisation des essais 4. p
Dépouillement
Formalisation
4. Dépouillement 5. Conclusion
5. Conclusion
Définir les objectifs de l’étude
• Définir le problème • Poser clairement le problème : Méthode

• Déterminer l’objectif de l’étude QQCOQP
– Quoi ? : En quoi consiste le problème ?
• Recenser les contraintes
– Qui ? : qui est le demandeur et qui est gêné par le
• Définir la réponse (s) : problème ?
– mesurer l’objectif à atteindre (quantifiable,
(quantifiable – Combien
C bi ? : Combien
C bi ça coûte û ?
maîtrisable) – Où ? Où cela se passe t-il ?
• Choix des facteurs – Quand ? Quand cela arrive ?
• Définir les modalités des facteurs – Pourquoi ? Pourquoi est ce un problème
• Choix des interactions : difficile a priori
1. Formalisation 1. Formalisation
2. Construction du plan 2. Construction du plan
3. Réalisation des essais 3. Réalisation des essais
4. p
Dépouillement 4. p
Dépouillement
5. Conclusion 5. Conclusion
Recenser les contraintes Définir la réponse
• Pour mettre en place un plan d’expériences • Définir la grandeur à mesurer la moins sensible aux
réalisable
é li bl on a besoin
b i de
d connaître
ît : fluctuations aléatoires,
aléatoires maîtrisable,
maîtrisable quantifiable
(exprimée sous forme numérique)
– Délai imparti à l’étude : 1 mois par exemple
– Lève vitre :
– Ressources disponibles : matériels (moyens • réponse : Nombre de décibels émis, objectif : minimiser le bruit
d’essais), personnel, finances (budget) émis
– Limites
Li i de
d l’étude
l’é d : conditions
di i dans
d lesquels
l l • Définir
Défi i lle protocole
t l dde mesure :
seront menés les essais ( domaine expérimental : – Instrument de mesure
domaine de T T°, de Pression,
Pression ….)) – Opérateur
– La connaissance de certaines personnes – Conditions dans lesquels la mesure doit être réalisée

4. p
Dépouillement 4. p
Dépouillement
Choix des facteurs Choix des modalités des facteurs
• Un facteur (paramètre) est une cause possible de • Déterminer le domaine expérimental: valeurs que les
variation de la réponse facteurs sont susceptibles de prendre
prendre, 2 types de
facteurs :
• Recensement des facteurs : un outil, le diagramme
– Facteur Qualitatif : type de produit, type de matériau, :
cause-effet
cause effet (Ishikawa) • Nombre de modalités
é (niveaux): Nombre de produits testés,
é
nombre de matériaux
Conception globale Conception locale
– Facteur Quantitatif ( Température, Pression, …)
• Niveaux : choix du nombre de niveaux que peut prendre le
facteur
Réponse
p – Généralement on limite le nombre de niveaux pour réduire
le nombre d’essais :
• 2 niveaux le plus souvent, on prend les niveaux extrêmes.
• 3 niveaux si risque de non linéarité de l’effet d’un facteur
fabrication Environnement
1. Formalisation
2. Construction du plan 1. Formalisation
3. Réalisation des essais 2. Construction du
4. p
Dépouillement plan
5. Conclusion L différentes
Les diffé t possibilités
ibilité 3.4. Réalisation
é des essais
Les interactions à étudier ? d’expérimentation

Dépouillement
5. Conclusion
• L’interaction entre deux facteurs : manière dont les • Après avoir défini le domaine d’expérimentation ( les
g
deux facteurs interagissent sur la réponse.
p Une niveaux des facteurs )), comment faire varier les
interaction existe si l’effet d’un facteur dépend de la niveaux des facteurs pour avoir un minimum d’essais
modalité de l’autre. et une bonne caractérisation des effets des facteurs
• Difficile à définir a priori sur le
l critère
itè à optimiser
ti i (bruit,
(b it rendement,
d t
résistance,…) ?
• Exemple : Interaction taux d’alcoolémie, absorption – Approche
pp oc e « ttraditionnelle
ad t o e e » : u
un facteur
acteu à laa fois
os
d’un tranquillisant sur le temps de réaction
é au – Approche « exhaustive » : plan complet
freinage. Temps de – Approche « fractionnaire » : plan fractionnaire
réaction
Existence
d’une interaction
Alcoolémie
q
Tranquillisant
N. Boudaoud Z.Cherfi Plans d’expériences 0 verre 2 verres N. Boudaoud Z.Cherfi Plans d’expériences
2. Construction du 2. Construction du
plan plan
3. Réalisation
é des essais 3. Réalisation
é des essais
Approche « Traditionnelle » 4. Dépouillement

5. Conclusion Approche « Exhaustive » 4. Dépouillement
5. Conclusion
• On ne fait varier qu’un seul facteur à la fois de • Plan factoriel complet : combinaison de
manière à mettre en évidence l’effet
l effet de chacun des t t lles modalités
toutes d lité d
des facteurs
f t
facteurs toutes choses étant égale par ailleurs
Essai A B C D E F G
– Effets estimés sont valables dans le domaine
1 1 1 1 1 1 1 1 d’
d’expérimentation
éi t ti
2 2 1 1 1 1 1 1
3 2 2 1 1 1 1 1 Essai A B C D E F G
4 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1
5 2 2 2 2 1 1 1 2 1 1 1 2 2 2 2
6 2 2 2 2 2 1 1 3 1 2 2 1 1 2 2
7 2 2 2 2 2 2 1 4 1 2 2 2 2 1 1
8 2 2 2 2 2 2 2 … … … … … … … …
.. … … … … … … …
Mise en évidence de l’effet de chaque facteur pour une combinaison 127 2 2 1 1 2 2 1
128 2 2 1 2 1 1 2
particulière des autres facteurs
Inconvénient : effets estimés non généralisables à des combinaisons non testées. Table pour tester 7 facteurs à deux modalités : 27 =128 essais
1. Formalisation
2. Construction du
plan
Exemple de plan 3. Réalisation des essais
4. Dépouillement
5. Conclusion Définition d’un plan orthogonal
pour facteurs à 2 niveaux
Plan fractionnaire orthogonal • Plans orthogonaux
Essai X1 X2 X3 X4 X5 X6 X7 – Tables d’essais prédéfinies en fonction du nombre de
1 1 1 1 1 1 1 1 facteurs et interactions à analyser
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2 – Lg(mf) :
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
• f : nombre de facteurs
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2 • m : nombre de modalité
• g : nombre d’expériences
Permet de tester jusqu’à 7 facteurs à 2 modalités

3. Réalisation des 3. Réalisation des
Dépouillement essais essais
Essais - Dépouillement
4. Dépouillement 4. Dépouillement
Plan à 1 facteur
1 facteur A à nA modalités, r répétitions, réponse y • Estimation des effets et représentation
Résultats
é l d’expériences
d éi
Répetitions\Modalités A1 A2 AnA EA
1 y11 y11 ynA1
2 y12 y22 ynA2
A2 Effet moyen
.
.
r y1r y2r ynAr
EAi = yi⋅− y
Notations 1 2 3 A
nA r
∑∑ y ij
• Propriété
P iété
Moyenne globale y = i =1 j =1 on posera N=r.nA ( nombre total d’expériences)
r⋅nA nA
Réponse moyenne du facteur A au niveau i : y i⋅ =

r
∑y
j =1
ij
∑E i=1
Ai =0
r⋅
Exemple Calcul de l’effet Moyen
Expérience Carbone (1) Titan (2) Composite (3) Secret (4)
Un plan à 5 essais a été réalisé sur une tige en acier. Ces essais consistent à exercer une 1 13.550 13.440 16.430 17.130 5 répétitions
pression sur une tige pour différentes compositions d’alliage. 4 types d’alliages sont testés: le
carbone, le titanium, un alliage composite et un alliage secret. A chaque essai on mesure la
2
3
0
14.240
11.970
13.750
3 50
12.880
15.880
5 880
16.930
17.770
16.550
0
1 facteur
valeur maximale de pression exercée sur la tige avant la déformation permanente. Le tableau 4 12.560 14.110 17.330 16.230 4 modalités
suivant récapitule les réponses issues du plan d’expérience. 5 13.220 12.330 15.350 18.030
Moyenne
y 13.108 13.302 16.384 17.142
Alliage (Traitement)
Expérience Carbone (1) Titanium (2) Composite (3) Secret (4)
Moyenne Totale 14.984
1 13.550 13.440 16.430 17.130 Effet moyen 1 2 3 4
2 14 240
14.240 13 750
13.750 15 880
15.880 17 770
17.770 EAi = yi⋅− y -1.876 -1.682 1.4 2.158
3 11.970 12.880 16.930 16.550
Effet du facteur
4 12.560 14.110 17.330 16.230
5 13.220 12.330 15.350 18.030 3
2
FORCE
Exercer une pression sur une tige pour différentes
compositions d’alliage.
1
0
Le facteur est il significatif ?
-1 1 2 3 4
-2
-3
Tige modalités

Le facteur est il significatif ?
Deux approches possibles

L’analyse de variances
Analyse de variances Analyse des effets ANAVAR

Test de Fisher Test de student
ANAVAR – démarche générale

5 Conclusion
5. C l i
ANAVAR 5 Conclusion
5. C l i
cas d’un 1 facteur à nA modalités

• L’analyse de variance : ANAVAR o Equation d’analyse de variance :
∑∑(y − y ) =r∑(y − y ) +∑∑(y − y )

nA r 2 nA 2 nA r 2
– Objectif : déterminer les facteurs et/ou i =1 j =1

ij
i =1
i⋅
i =1 j =1
ij i⋅
interactions ayant une influence significative

– Principe : Comparer la variabilité induite par le SCETotaux SCE Facteur SCE Résiduelle
changement
h des
d niveaux d’un
d’ facteur
f aux
fluctuations aléatoires de la réponse ( o Calcul de la somme des carrés des écarts du facteur : SCE A
variabilité expérimentale)
nA
SCEA = N ∑ EA2i
nA i =1
– Procédure : ddl=nA-1
• Somme des carrés des écarts des facteurs et interactions o Calcul de la somme des carrés de écarts totale : SCET
• Somme des carrés des écarts résiduels
nA
SCET =∑∑ yij − y
r
( ) 2
• Détermination des facteurs significatifs :test de Fisher i =1 j =1
ddl=N-1

ANAVAR 1 facteur 5 Conclusion
5. C l i 5 Conclusion
5. C l i
Exemple : Tige
test de Fisher
o Déduction de la SCER résiduelle : SCER=SCET−SCEA Analyse de Variances
ddl==nA(r-1)=N-n
(r 1)=N nA mA
SCE(A)= N ∑EAi
2
SCE(R)=SCE(T )−SCE(A)
o Calcul des variances : CME(A)= Var(A)= SCE A N A i=1
ddl(A)
SCE ( R ) Source de variation ddl SCE Variances F F0,01
Résidu : CME ( R ) = var( R ) =
ddl ( R ) Traitement alliage 3 64.827 21.609 34.700 5.29
résidus (5-1)*4=16
(5 1)*4=16 9 964
9.964 0 623
0.623
Total 19 74.791
o Test de Fisher : le facteur est significatif si F>Fc Le facteur matériau

Rapport des variances des facteurs sur la variance résiduelle :
a un effet Significatif
( )
g r
F = VarA SCE(T)=∑∑ yij −Y
2
Var(R) i =1 j =1
Avec Fc=F(ddl(A),ddl(R)) au niveau de confiance 1-α.

1. Formalisation
2. Construction du plan
4. Dépouillement
Autre approche 5 Conclusion
5. C l i
Autre analyse possible

test des effets
Effet du facteur
o Test de Student : Significativité de l’effet du facteur au
niveau i 3
Ti = EAi , avec VarA = nA −1Var (R)
i
2 L’écart est il significatif ?
VarAi N 1
0
-1 1 2 3 4
Test -2
-3
modalités
si |Ti||>tt1-α/2(N
(N-nnA) alors l’effet
l effet est déclaré significatif
où t1-α/2(N-na) désigne le fractile de la loi de student à N-na Mise en place d’un test Test de Student sur
ddl St ti ti
Statistique
yi⋅− yk⋅
Significativité des écarts entre réponses
Deux facteurs sans répétitions
moyennes : Test de student
Test de Student : Hypothèse nulle : H : µ i= µ j pour tout i≠j
• Pour la conception d’ampoules électriques, on
0
y i⋅ − y k ⋅
t0 =
2 Var (R ) suit une distribution de student à N-nA ddl d it choisir
doit h i i entre
t 4 types
t de
d filaments
fil t ett 4
r types de gaz, l’objectif étant d’avoir des
Test ampoulesl dont
d t la
l durée
d é de d vie
i estt maximale.
i l
si |t0|>t1-α/2(N
(N-nnA) alors les deux réponses moyennes
• Un plan d’expériences sans répétitions a été
Sont significativement différentes réalisé.
Deux facteurs sans répétitions Deux facteurs sans répétitions
B1 B2 B3 B4 • ANAVAR
S
Source SCE ddl V
Var F l
Fcal Fthé
Fthéo
A1 44 22 36 34
A 3063,19 3 1021,06 11,34 3,9 ***
A2 47 43 41 53
B 510,19 3 170,06 1,89 3,9
A3 0 9 10 17
Rés 810,56 9 90,6
A4 36 14 1 34
Totale 4383,4 15

Deux facteurs avec répétitions Deux facteurs avec répétitions
• Pour minimiser le taux de solvant résiduel

A
d
dans la
l mise
i en œuvre d’und’ vernisi industriel,
i d ti l
il a été réalisé le plan complet à deux facteurs
suivant.
i t A1 A2 A3 A4
• A: température du four: 4 modalités
• B: temps d’émaillage: 2 modalités B1 1,9 1,7 1,8 2,2 2,9 3,1 3,5 3,4
B
B2 1,6 1,6 1,9 1,3 1,0 O,6 0,5 0,8
Exemple 2 : analyse du plan

Représentation graphique des effets
d’expériences
Estimation des effets et interactions Effet facteur B
Effets Facteurs 1
0.5 Yij
EAi = yi⋅⋅− y
1 2 3 4
Facteur A 0
A 1 2
-0.5
05 1 18
1,8 2 3 34
3,4
Facteur B EBj = y⋅ j⋅− y 1

1.9
2
1.8
3
2.9
4
3.5
Moyennes Effets Moy.
-1 B 2 1,6 1,3 1 0,8
1 1.7 2.2 3.1 3.4 2.5625 0.7

1.6 1.9 1 0.5 1.1625 -0.7
0.7 Interaction AB
B 2 1.6 1.3 0.6 0.8
Moyennes 1.7 1.8 1.9 2.05 1.8625 4
( )
Interaction Sont ils significatifs
g ?
Effets Moyens -0.16 -0.06 0.04 0.19
Moyenne globale
Carré des effets 0.0264 0.0039 0.0014 0.0352 3
1
2
EAiBj = yij⋅− y+EAi +EBj

2
zz
1
0
Interactions 1 2 3 4 1 2 3 4
1 -0.6 -0.5 0.4 0.7
B 2 0.6 0.5 -0.4 -0.7
Analyse de variances Exemple : conclusion
nA nB
SCE(A)= N ∑EAi SCE(B)= N ∑EBi
Pour minimiser le taux de solvant résiduel il faut prendre un temps
2 2
nA i=1 nB i=1 d'émaillage de 60 s (B=2) et une température de four de 110°C (A=4)
( )
nA nB
SCE(AB)= N ∑∑EAiB j
nA nB r 2
SCE(T)=∑∑∑ yijk − y
2
nAnB i=1 j=1 i=1 j =1 k =1
Effet facteur B
4
1
ANAVAR 3
Facteur SCE ddl CME F Fseuil Décision 0.5 1
2
A 0.27 3 0.09 1.66 4.07 Non Significatif 2
B 7 84
7.84 1 7 84
7.84 145 86
145.86 5 32
5.32 Significatif 0 1
AB 5.04 3 1.68 31.26 4.07 Significatif 1 2 0

-0.5
R 0.43 8 0.05 1 2 3 4
Total 13.58 15 -1
5 Conclusion
5. C l i 5 Conclusion
5. C l i
Remarque sur les tests statistiques Remarque sur les tests statistiques
• Le test de Student permet de tester individuellement • Hypothèses à vérifier pour la validité de

ll’effet
effet du facteur pour chaque modalité (niveau du
facteur) l’ANAVAR
• Le test de Fisher p permet de tester l’effet g
global de – Normalité des observations yij :
chaque de facteur ou interaction. • Droite d’Henry ou test de normalité
• Les deux tests sont équivalents dans le cas de – Egalité des variances en cas de répétitions :
facteurs à deux modalités. • Test de Cochran
Le test de Student a un intérêt pour les facteurs à

plus de deux modalités pour préciser l’analyse des
effets.
ff t
La modélisation
• Objectifs
– Estimation de la valeur de la réponse pour toutes
Modélisation de la réponse les combinaisons possibles appartenant au
domaine dd’expérimentation
expérimentation
• Types de modèles
Validation
a dat o de modèle
odè e
– Linéaire
é : y=a0+a1X1+a2 X 2+L+ap X p
p n i
– Polynomial : y=∑∑ai X ki
i=1 k =1
– Non linéaire
é y= f (X )
Modèle linéaire généralisé Plan factoriel complet 2n
• 2 facteurs significatifs, sans interactions • Ce sont des plans d’expériences où on teste n

 A1 facteurs ayant chacun deux modalités,
modalités
[
yˆ = y + E A1 E A2 E A3  A2 + EB1 EB2] [ ] BB12 sachant qu’on réalise un plan complet, c-à-d,
un plan où toutes les combinaisons dd’essais
essais
 A3   des facteurs à leur différentes modalités sont
• 2 facteurs + interaction significatifs réalisées.
 A1  E A1B1 E A1B 2 
• Ces deux modalités sont notées
[ ] [
yˆ = y + E A1 E A2 E A3  A2 + E B1 E B2 ] BB12 + [A1 A2 A3] E A 2 B1
 B1
E A 2 B 2   
B2
• niv(+) pour un des deux niveaux
  E A 2 B 2   
 A3  E A3 B1 • niv(-) pour l’autre niveaux

Plan factoriel 23 Plan factoriel 23
Essai A B C AB AC BC ABC Y Essai A B C AB AC BC ABC Y

1 - - - Y1 1 - - - + + + Y1
2 + - - Y2 2 + - - - - + Y2
3 - + - Y3 3 - + - - + - Y3
4 + + - Y4 4 + + - + - - Y4
5 - - + Y5 5 - - + + - - Y5
6 + - + Y6 6 + - + - + - Y6
7 - + + - - + Y7
7 - + + Y7
8 + + + + + + Y8
8 + + + Y8 Som
Som Alg
Alg Effet(+)
Effet(+) Effet (-)
Effet (-)
Particularités Particularités
• Le calcul de la SCE des facteurs et • Facteurs avec un nombre de

i t
interactions
ti estt simplifié
i lifié
modalités quelconque: anavar pour
• Chaque facteur à deux modalités, donc 1 ddl.
tester la significativité des facteurs
facteurs,
• Le ddl d’une interaction étant égal au produit
des ddl des facteurs q qui la composent:
p toutes puis test de student pour affiner
les interactions ont chacune 1 ddl l’analyse sur les effets.
• On se sert du même F théorique pour tous

1. Formalisation
2. Construction du plan
4. Dépouillement
5 Conclusion
5. C l i
Remarque sur les tests statistiques Optimisation

02
0,2
0,15
• Le test de Student permet de tester individuellement • Trouver les niveaux de 0,1
ll’effet
effet du facteur pour chaque modalité (niveau du A B et C qui minimisent
A,B 0 05
0,05
facteur) la réponse ( défaut de 0
• Le test de Fisher p permet de tester l’effet g

global de ccircularité)
cu a té) -0,05
-0,1
chaque de facteur ou interaction. -0,15
• Les deux tests sont équivalents dans le cas de -0,2
(+1) ( 1)
(-1)
facteurs à deux modalités. EA -0,16875 0,16875
Choix EB 0,015625 -0,015625
A(+1) : épaisseur outil 1 mm EAB -00,03125
03125 0 03125
0,03125
Le test de Student a un intérêt pour les facteurs à B(-1) : Vitesse rotation 460 t/mn EC -0,058125 0,058125
plus de deux modalités pour préciser l’analyse des C(+1) : Vitesse de battement : 15m/mn EAC 0,03625
-0,045625
-0,03625
0,045625
EBC
effets.
ff t EABC 0,05375 -0,05375
Modèle Validation de modèle

Var ( EM )
yˆ = y + E A(+ ) X A + EC (+ ) X C + E ABC (+ ) X ABC Si F=
Var ( ER)
< Fcrit Alors le modèle est valide
Fcrit=F(ddlEM,ddl(RésiduGlobzl))
F it=F(ddlEM ddl(Ré iduGl b l)) au niveau
ni e de
confiance 1-α.
X A , X C , X ABC ∈ [- 1,+1]
Calcul de la variance de l’erreur
l erreur de modélisation
SCE( EM ) = ∑ SCE(Fact.Non Signif.) = SCE( B) + SCE( AB) + SCE( AC ) + SCE( BC ) = 0,1477
Validation du modèle ?
SCE ((EM
EM ) 0,1477
0 1477
Var ( EM ) = = = 0,0369
ddl ( B ) + ddl ( AB ) + ddl ( AC ) + ddl ( BC ) 4

Validation de modèle Plans complets non répétés
Var ( EM ) 0,0369 • Si pas de répétition: problème pour évaluer la

F= = = 1,84 < F 0,95(4,24 ) = 2,78 variabilité expérimentale (celle induite par les
Var (ER) 0,0201
répétitions).
• Trois possibilités
• 1) On répète une combinaison r fois et on estime la
Le modèle est valide résiduelle avec ces répétitions
• 2) On fait quelques essais au centre du domaine
• 3) On fait un « pooled error »: cc’est-à-dire
est à dire qu
qu’on
on
estime la résiduelle par la somme de toutes les SCE
des interactions que l’on juge faibles.
L plans
Les l Factoriels
F t i l Fractionnaires
F ti i Approche fractionnaire
2 k-p
• Dans un plan factoriel complet,

le nombre d’essais augmente de
façon exponentielle avec le
• La notation signifie que l’on utilise un nombre de facteurs 3.5
x 10
4
plan d
d’expériences
expériences pour k facteurs à – 4 facteurs
f t : 24=16
16 essais
i
3
deux niveaux, en faisant 2k-p essais (et

2.5
Nombre d’essais
– 5 facteurs : 25=32 essais 2
non 2k essais ce qui serait un plan – 7 facteurs : 27=128

128 essais 1.5
complet)
1
Les plans fractionnaires sont 0.5
des plans optimaux qui se focalisent 0

2 4 6 8 10 12 14 16
sur les effets les plus intéressant Nombre de facteurs

Plans Fractionnaires à 2 niveaux Approche fractionnaire
• Objectif : Réduction du nombre d’essais • Admettons que Essais A B AB C AC BC ABC
– Focalisation sur les effets les plus intéressants
nous ayons à
• Hypothèse : 1 - - + - + + -
étudier l’influence
– Interactions d’ordre supérieur à 2 sont souvent
négligeables : ABC
ABC, ABCD
ABCD, ABCDE…
ABCDE
de trois facteurs 2 + - - - - + +
ABC 3 - + - - + - +
• Ex: 5 facteurs A,B,C,D,E 32 essais
– Les informations utiles : 4 + + + - - - -
• A,B,C,D,E : 5 5 - - + + - - +
• Interaction d’ordre 1 : 10
6 + - - + + - -
– Une table avec 16 essais (255-11) suffirait…
suffirait
7 - + - + - + -
Pour faire un plan fractionnaire, 8 + + + + + + +
il faut avoir une connaissance a priori du phénomène étudié
R l ti nombre
Relation b d’essais
d’ i ett nombre
b ded
Plans fractionnaires ddl
• Admettons que nous ne fassions que les • Règle
essais
i (2,3,
(2 3 5,
5 8) – le nombre minimal d’essais à réalisé est égal au
essai A B AB C AC BC ABC I réponse
nombre de ddl du modèle étudié (nombre de
coefficients du modèle)
2 + - - - - + + + Y2
3 - + - - + - + + Y3 • Exemple : 3 facteurs à 2 niveaux A,B,C et 2

5 - - + + - - + + Y5
interactions AB, AC
– ddlA+ddlB+ddlC+ddlAB+ddlAC+1=6
8 + + + + + + + + Y6
ddl de la moyenne
N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences 68
Démarche pour le choix d’une table
d expérimentation
d’expérimentation Démarche
Dé h pour le
l choix
h i d’une
d’ table
t bl
• Faire le bilan sur • Tables orthogonales et tables
– le nombre de facteurs (+ nombre de modalités) des interactions associée
– Le nombre d’interactions A B C
– Le nombre de degrés de liberté (ddl) au total : donne le nombre 1 2 3 4 5 6 7
d’essais minimal nécessaire. −1
1 −1
1 +1 −1
1 +1 +1 −1
1
L8(23)
• ddl(total)=somme des ddl des facteurs −1 −1 +1 +1 −1 −1 +1
• ddl(Facteur)=Nombre de modalité du facteur moins 1 3 facteurs
A,B,C −1 +1 −1 −1 +1 −1 +1
+ 3 interactions
i t ti −1
1 +1 −1
1 +1 −1
1 +1 −1
1
• Choisir la table en adéquation avec le nombre d’essais +1 −1 −1 −1 −1 +1 +1
minimum Sans confusion
+1 −1 −1 +1 +1 −1 −1
+1 +1 +1 −1 −1 _1 −1
• Affecter les facteurs aux colonnes +1 +1 +1 +1 +1 +1 +1
– Le choix de colonnes se fait selon des contraintes de coût sur la 1x2 1x4 2x4
fréquence de variation des niveaux des facteurs d’un
d un essai à ll’autre
autre.
Démarche
Dé h pour le
l choix
h i d’une
d’ table
t bl
Plan 24-1 : Etude de 4 facteurs
• Tables orthogonales et tables des interactions associée • Plan complet : 24=16 essais
A B C D • Liste des facteurs et interactions :
1 2 3 4 5 6 7
– A,B,C,D : 4
−1 −1 +1 −1 +1 +1 −1
L8(23) −1 −1 +1 +1 −1 −1 +1 – AB AC AD BC BD CD : 6 interactions ordre 1
AB,AC,AD,BC,BD,CD
4 facteurs −1 +1 −1 −1 +1 −1 +1 – ABC,ABD,ACD,BCD : 4 interactions ordre 2
A,B,C, D −1 +1 −1 +1 −1 +1 −1
+ interactions
i t ti – ABCD : 1 interaction ordre 3
+1 −1 −1 −1 −1 +1 +1
Sans confusion +1 −1 −1 +1 +1 −1 −1 – Total de 15 facteurs : nécessite 16 essais 15
+1 +1 +1 −1 −1 _1 −1 colonnes
+1 +1 +1 +1 +1 +1 +1
1x2 1x4 2x4 Réduire le nombre d’essais

4x7 2x7 1x7 Réaliser le plan fractionnaire 244-11 ( 8 essais) ?
N. Boudaoud Z.Cherfi Plans d’expériences 71 N. Boudaoud Z.Cherfi Plans d’expériences
Table à 16 essais ((4 facteurs ABCD))
L8(23)
L16 Le plan 24-1
Chaque facteur (A,B,C) et les interactions occupent une colonne.

Pour tester le facteur D et les interactions avec (A,B,C,AB,AC,BC,AC,ABC)
avec seulement 8 essais : il faut donc les affecter à des colonnes déjà
occupées
ABC interaction probablement négligeable

A quelle colonne affecter D est affecté à la colonne ABC
le facteur D ? q
Conséquences :Niveaux de D et ABC suivent
les mêmes changements de signes
Affectation des Facteurs et

Détermination des aliases
interactions : Alias
Essai A B C D Y
Propriétés
1 − − − − Y1
2 + − − + Y2
• Commutativité : AB=BA
3 − Comment
+ déterminer
− + Y3 • Associativité : A(BC)=(AB)C=ABC
4 + +tous les aliases
− ? − Y4 • Elément Neutre I ((colonne de (+)):
( )) I.A=A.I=A
5 − − + + Y5 • A.A=I quel que soit A
6 + − + − Y6
Conséquences
7 − + + − Y7
8 + + + + Y8
• L’égalité D=ABC peut s’écrire I=D.D=DABC=ABCD
• D et ABC sont donc aliasés : D=ABC • I=ABCD pp
appelé GENERATEUR D’ALIAS
• Les autres colonnes A, B, C, AB,.. vont être • Détermination de tous les alias :
aliasés
sés avec
vec les
es interactions
e c o s de D – I.A=ABCD.A=BCD A=BCD
– I.B=ABCD.B=ACD B=ACD
Liste des alias Calcul des contrastes
• Colonne 1 : A et BCD
– Contraste : h1=A+BCD=1/8(-y1+y2-y3+y4-..+y8)
/ (y y y y y )
• Colonne 2 : B et ACD
– Contraste : h1=B+ACD=1/8(-y1-y2+y3+y4-..+y8)
• Etc..
Exemple : Etude de l’influence

l influence sur Y = allongement à la
rupture d’un élastomère (en %) des facteurs :
A : nature de l’élastomère
Comment calculer les effets des facteurs et B : taux d’additif ( autour de la valeur préconisée)
interactions à partir des colonnes aliasées ? C : Système de vulcanisation
O parle de C
On Contrastes D : taux de kaolin
Exemple ( suite) Interprétation

• Hypothèses
• Plan fractionnaire 24-1 Essai A B C D Y
– Conditions de l’étude : les contrastes
• Alias
Ali D=ABC
D ABC 1 − − − − 275 d
dont la
l valeur
l absolue
b l est inférieur
i fé i à8
2 + − − + 325 sont supposés négligeables
• Générateur d’alias 3 − + − + 210 – Compte tenu de la nature des facteurs Conclusion
– I=ABCD
I ABCD 4 + + − − 220
les interactions dd’ordre
ordre 2 sont Effet A et de C sont du même ordre de
probablement négligeables grandeur
5 − − + + 290
Contrastes Effet de B important, D insignifiant.
6 + − + − 370 • Conséquences :
75 =A+BCD
h1=+18.75
h1=+18 A+BCD On peut donc penser que dans h5
7 − + + − 260 – h1=+18.75≈ A
h2=−37.5 =B+ACD l’interaction AB et plus significative que
– h2= −37.50≈ B CD AB=-13.75
h3=+20.0 =C+ABD 8 + + + + 270
– h3= +18.75≈ C
h4 3.75 =D+ABC
h4=−3.75 D ABC Niveau 1 6 1 20
h5=−13.75 =AB+CD (-1) – h4=-3.75≈D ≈ 0 Interprétation physique :
h6=+ 5.0 = BC+AD Niveau 2 10 2 40 – h5=AB+CD=-13.75 ? Quel est une interaction élastomère-additif (AB) est plus
(+1) l’interaction la plus prépondérante ? plausible qu’une interaction entre système de
h7=+3.75 = AC+BD vulcanisation et kaolin (CD) (charge inerte)
– H6 et h7 négligeables
é : interactions
négligeables ou de signes opposés
Conclusion Remarques
• Facteurs significatifs : A (Elastomère), B (taux additif) C (Syst. Vulc), AB
–EA=+18.75 • L’utilisation des plans fractionnaires est conseillée
–EEB= −37.50
37 50 l on a une connaissance minimum a priori
lorsque l’on
–EC=+18.75 sur les interactions.
–EAB=-13.75
• Un excès d’additif diminue l’allongement à la rupture, surtout avec
• A ll’issue
issue de l’exploitation
l exploitation d
d’un
un plan fractionnaire,
fractionnaire si
l’élastomère 2. L’élastomère 2 et préférable au 1. l’information obtenue est jugée insuffisante, le plan
• Système de vulcanisation 2 est meilleur peut être complété
p p par
p une autre fraction du plan
p
• Kaolin sans influence complet à condition qu’elle soit choisie de façon
judicieuse.
Nous avons pu conclure de façon satisfaisante
Bilan avec 8=24-1 essais pour 4 facteurs.
Nous avons effectué la moitié d’un pplan complet
p
24
Plan 25-2 (groupe d’alias) A B C AB AC BC ABC D AD

Plan 25 plan complet
BD CD ABD BCD ACD ABCD E AE BE CE ABE ACE BCE ABCE DE ADE BDE CDE ABDE BCDE ACDE ABCDE
1 -1 -1 -1 1 1 1 -1 -1 1 1 1 -1 -1 -1 1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 -1 1 1 1 -1
2 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 -1 1 -1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 -1 -1 1 -1 1
3 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 1 -1 -1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 -1 -1 -1 1 1
• Cas d’un plan fractionnaire à 5 facteurs ABCDE 4

5
1
-1
1
-1
-1
1
1
1
-1
-1
-1 -1 -1 -1
-1 1 -1 1
-1
1
1 -1
-1 -1
1
1
1
1
1
-1
-1 -1
-1 1
-1
1
-1 -1
-1 -1
1
1
1
1
1
-1
1
1
1
-1
1
-1
-1
1
1
1
-1
-1
-1
-1
-1
1
6 1 -1 1 -1 1 -1 -1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 -1 1 1 1 1 -1 1 -1 -1 1 -1
– plan complet 32 essais 7
8
-1
1 1
1
1
1 -1
1
-1
1
1
1
-1 -1 1
1 -1 -1
-1
-1
-1
-1 -1
1 -1
-1
1
-1
1
-1
-1 1
-1 -1
-1
-1
-1
-1 -1
1 1
-1
-1
-1
1
-1
1
1
-1
1
1
1
1
1
-1
1
1
1
-1
1
-1
1
9 -1 -1 -1 1 1 1 -1 1 -1 -1 -1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 -1 1 1 1 -1 -1 -1 1
10 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 1 -1 1 -1 -1 1 -1 1 1 -1 -1 -1 -1 1 1 1 -1 1 -1
11 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 -1 -1 1 -1 1 1 1 -1 -1
12 1 1 -1 1 -1 -1 -1 1 1 1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1 1 -1 1 1 1
13 -1
1 -1
1 1 1 -1
1 -1
1 1 1 -1
1 -1
1 1 1 -1
1 -1
1 1 -1
1 1 1 -1
1 -11 1 1 -1
1 -1
1 1 1 -1
1 -1
1 1 1 -1
1
14 1 -1 1 -1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 -1 -1 1 -1 1 -1 1 1 -1 -1 1 -1 1 1 -1 1
15 -1 1 1 -1 -1 1 -1 1 -1 1 1 -1 1 -1 -1 -1 1 -1 -1 1 1 -1 1 -1 1 -1 -1 1 -1 1 1
16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
17 -1 -1 -1 1 1 1 -1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 1 -1 -1 -1 1
18 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 -1 1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 1 1 -1 1 -1
19 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 1 -1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 1 1 1 -1 -1
20 1 1 -1 1 -1 -1 -1 -1 -1 -1 1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 -1 1 1 1
21 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1
22 1 -1 1 -1 1 -1 -1 -1 -1 1 -1 1 1 -1 1 1 1 -1 1 -1 1 -1 -1 -1 -1 1 -1 1 1 -1 1
23 -1 1 1 -1 -1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 1 1 -1 -1 1 -1 -1 1 -1 -1 1 -1 1 1
24 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1
25 -1
1 -1
1 -1
1 1 1 1 -1
1 1 -11 -1
1 -1
1 1 1 1 -1
1 1 -1
1 -1
1 1 1 1 1 -1
1 1 -1
1 -1
1 -1
1 1 1 1 -1
1
26 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 1 -1 1 1 1 -1 1 -1 -1 1 1 1 1 -1 -1 -1 1 -1 1
27 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 -1 1 1 1 -1 1 1 -1 1 -1 1 1 -1 1 -1 -1 -1 1 1
28 1 1 -1 1 -1 -1 -1 1 1 1 -1 1 -1 -1 -1 1 1 1 1 1 -1 -1 -1 1 1 1 -1 1 -1 -1 -1
29 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
30 1 -1 1 -1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 1 -1 -1 1 1 -1 1 -1 -1 1 -1
31 -1
1 1 1 -1
1 -1
1 1 -1
1 1 -11 1 1 -1
1 1 -1
1 -1
1 1 -1
1 1 1 -1
1 -1
1 1 -1
1 1 -1
1 1 1 -1
1 1 -1
1 -1
1
32 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Plan 25-2 (groupe d’alias) Générateurs d’Alias
Réduction du nombre d’essais de 32 à 8 essais D=ABC
D ABC et E E= AC.
AC
Il y a donc 3 générateurs d'alias : I=ABCD, I=ACE et I=BDE
A B AB C AC BC ABC
−1 −1 1 −1 1 1 −1 A B C D E AB BC I
CE DE AE BE AC CD AD ACE
Affectation des facteurs D et E
1 −1 −1 −1 −1 1 1 Essais
BCD ACD ABD ABC BD ADE ABE BDE
• Choix des colonnes 1

ABDE
−11
ABCE
−11
BCDE
−11
ACDE
−11
ABCDE
1
BCE
1
CDE
1
ABCD
1
• Détermination du groupe −1 1 −1 −1 1 −1 1 2 1 −1 −1 1 −1 −1 1 1
3 −1 1 −1 1 1 −1 −1 1
de générateurs d’alias 1 1 1 −1 −1 −1 −1 4 1 1 −1 −1 −1 1 −1 1
−1 −1 1 1 −1 1 −1 1
- indépendants −1 −1 1 1 −1 −1 1
5
6 1 −1 1 −1 1 −1 −1 1
- dépendants 7 −1 1 1 −1 −1 −1 1 1
1 −1 −1 1 1 −1 −1 1 1 1 1 1 1 1 1
• Détermination des alias 8
−1 1 −1 1 −1 1 −1
1 1 1 1 1 1 1
Généralisation
• Choix d
d’un Plan
un plan fractionnaire 2k-p
fractionnaire
– pour un plan complet avec k facteurs à deux niveaux : 2k expériences
– on réduit ce plan en prenant 2k-p expériences avec
– k-p=3
p si k=4,5,6 et k-p=4
p si k=7,..15.
– On a donc recours au plan 23 ou 24.
• Alias et générateurs d’aliases Essais par blocs
– Dans un plan 2k-p on dispose de p aliases indépendants dont on déduit des
aliases dépendants par multiplication 2 à 2, 3 à 3 de tous les aliases
indépendants, ce qui représente finalement 2p-1 générateurs d’alias.
• Exemples :
– 4 facteurs :
– p=1, 1 alias D=ABC,
• 1 générateur d’aliases I=ABCD
– 5 facteurs : p
p=2
2, 2 aliases D
D=ABC
ABC E E=AB
AB,
• 3 générateurs d’aliases I=ABCD, I=ABE, I=CDE
– 6 facteurs : p=3, 3 aliases et 7 générateurs d’aliases .

Réalisation d’essais par Blocs Réalisation d’essais par Blocs
• Quand ? Si l’on souhaite réaliser des • On ne pourra pas distinguer l’effet de

Table L8
essais décalés dans le temps A de celui de ll’équipement
équipement
– Ex : pour des raisons de temps on • Idée pour éviter la confusion avec A :
ne peut réaliser tous les essais sur Equipement 1 – Rechercher 2 blocs tel que l’effet de
un même équipement l’é i
l’équipementt ne soit
it pas confondu
f d
• Utiliser 2 machines par exemple avec un facteur principal
• Tester l’effet de 4 facteurs A,B,C,D – Création d’un facteur fictif : X
Equipement
q p 2
– Solution : partager la table.
table (é i
(équipement)t)
Comment ? • Choix d’une colonne d’affectation
• On peut prendre les essais 1-4 sur le – Par exemple : ABC, AC, BC
1er équipement • Découpage
Dé d
des bl
blocs :
• puis 5 à 8 sur le second équipement – Bloc 1: 1,3,6,8
– Bloc 2 : 2,4,5,7
Effet de l’équipement
N. Boudaoud Z.Cherfi Plans d’expériences 89 l’effet de A
Confondu avec N. Boudaoud Z.Cherfi Plans d’expériences 90
Exemple Essai Température Gommes Additif Exemple

Réponse(%)
• Un plan factoriel 8 essai Essai Température Gommes Additif Réponse(%)
1 − − − 27 4
27.4
a été réalisé pour 1 − − − 27.4
2 + − − 31.1
minimiser le fluage (% 2 + − − 31.1
3 − + − 26.6
d’allongement
d allongement après 24 3 − + − 26 6
26.6
heures) d’une pièce. 4 + + − 32.4
4 + + − 32.4 Mélangeur 1
5 − − + 31.4
• Facteurs listés sont : 5 − − + 31 4
31.4
• A : la température 6 + − + 16.5
6 + − + 16.5
• B : la quantité de 7 − + + 27.5
7 − + + 27.5
gomme 8 + + + 15.5
• C : la quantité d’additif 8 + + + 15.5
Les essais sont répartis
p en 2 blocs de 4 : Mélangeur 2
Comment répartir les essais sur - essais : 1 4 6 7 Cela permet de ne pas
Les 2 mélangeurs ? - essais : 2 3 5 8 Confondre l’effet « changement de mélangeur »
Avec un facteur du plan
Le facteur Type de mélangeur est affecté à la colonne 7
N. Boudaoud Z.Cherfi Plans d’expériences
Mélangeur 1
91 Mélangeur 2 N. Boudaoud Z.Cherfi
De la table L8(23)
Plans d’expériences 92
Essai Température Gommes Exemple
Additif
Melangeur Réponse(%) Solution
((C7)) 6
1 − − − − 27.4 4
2 + − − + 31.1
2
3 − + − + 26 6
26.6 T°
Mélangeur 1 Gomme
4 + + − − 32.4 0
Additif
5 − − + + 31.4
-2
2 Melangeur
6 + − + − 5.0
7 − + + − 27.5 -4
8 + + + + 15 5
15.5
-6
effet Moy- effet Moy+
Mélangeur 2 T° 3.6125 -3.6125

Comment estimer l’effet bloc ? G
Gomme -0.8875
0 8875 0 8875
0.8875
Additif 4.7625 -4.7625
-1.5375 1.5375
Au travail !
Melangeur
Solution Plans screening

• Les plans screening (Plaket-Burman) sont utilisés
Facteur
A
SCE
208.80
ddl
1
V
208.80
F
43.44
pour tester les facteurs principaux
B 12.60 1 12.60 2.62 • Q
Qui ? Ne concerne qque les plans
p à 2 niveaux
C 362.90 1 362.90 75.51
Melangeur 37.82 1 37.82 7.87 • Quand ? Lorsque le nombre de facteurs est
R 14 42
14.42 3 4 81
4.81 élevé
Total 636.55 7 • Cela permet de filtrer ou de débroussailler des cas complexes
F0.95(1,3)=10.01 • Comment générer ces plans ?

Alors
l le l mélangeur
l a-t-il
il introduit
i d i un effet
ff bloc
bl ? – Algorithme
Algo ithme de permutation
pe m tation circulaire
ci c lai e

Plans screening Plans screening
• On donne la séquence de signes de la • Les premières lignes en fonction du nombre de facteurs

première
iè ligne
li principaux à analyser
• On réalise une permutation circulaire à partir – k inférieur ou égal à 3 (N=4): + + −

de la droite – k inférieur ou égal à 7 (N=8): + + +−+−−
p
• On complète la dernière ligne
g par
p -1 – k inférieur ou égal à 11(N
11(N=12)
12) : + + −+++−−−+−
– k inférieur ou égal à 15 (N=16) : + + + + − + − + + − − + − − −
– k inférieur ou égal à 19 (N=20): + + − − + + + + − + − + − − − − + + −
Essayons !
Exemple : tenue de soudage de supports Exemple

• Un plan d’expérience de type SCREENING a permis de tester l’influence de 4
facteurs de réglage sur la tenue de soudage de 2 supports : • 4 facteurs,
• Les réponses sont :
– Y1 : taux de microdéfauts souhaité < 20% – k inférieur ou égal à 7 : + + + − + − −
– Y2 : Dureté après soudure souhaité >70 HB
• Les facteurs sont : 8 essais
– A : type de décapage -1
1 (mécanique) +1 (non mécanique)
– B : jeu de supports -1 (0.1 mm) +1 (0.5 mm)
– C : nature de soudure -1 (C10) +1 (C20)
– D : montée en température -1 ( 5 min) +1 ( 10 min) Construire la table
Générer le plan d’expérience « screening »!

A B
Exemple
C D Y1 Y2
Analyse du plan
1 + + + − 60 75 • Estimation des effets moyens

2 − + + + 78 90 • Analyse de Variance
3 − − + + 97 82 • Écriture du modèle et validation
4 + − − + 38 40
5 − + − − 69 80
6 + − + − 35 32
7 + + − + 75 70
8 − − − − 58 32
Quelques éléments historiques

• Les premiers apports en Qualité sont américains. Ils
correspondent à des méthodes (plutôt statistiques) qui
Plans d’expériences et robustesse peuvent être mises en œuvre pour améliorer la qualité
d’une production (Shewart, Deming, Dodge et Romig…)
• Deuxième
è guerre mondiale: La situation ééconomique du
Japon est catastrophique et les produits japonais sont
Démarche
é a c e Taguchi
aguc de mauvaise qualité
• Le Japon reçoit Plusieurs spécialistes américains, dont
Deming pour s’approprier les méthodes et outils
d’amélioration
é de la qualité
é
Z.Boudaoud
N. CHERFI Z.Cherfi Plans d’expériences 103 N. Boudaoud Z.Cherfi Plans d’expériences 104
sym50A08
Introduction à la méthodologie Introduction à la méthodologie
Taguchi
g Taguchi
g
• Taguchi : propose une approche de
• LLa qualité
lité se maîtrise
ît i lel plus
l en amontt de
d la
l l’i é i i de
l’ingénierie d la
l qualité
lité (conception
( ti robuste),
b t )
conception alors qu’il y’avait prédominance de elle consiste à :
la conformité aux spécifications – Trouver la meilleure conception du produit
• Approche économique de la qualité: – Prendre en compte les coûts : en fabrication, en
quantifier en unités « monétaires » la perte cycle
l de
d vie
i du
d produit,
d it en pertes
t subies
bi par
subie par la société à cause de la non qualité l’entreprise,…
d’un
d un produit
• Taguchi propose une formule algébrique pour
quantifier cette perte
perte. C’est la diminution des coûts q
qui draine la qualité
q
Introduction à la méthodologie
Sommaire
Taguchi
g
• Introduction à la méthodologie Taguchi • Qu’est ce que la robustesse?
• La fonction perte qualité
• Tables orthogonales
g et g
graphes
p linéaires Capacité d’un système à maintenir ses
performances,
f malgré
l éd des changements
h t ddans
• L’approche de la détermination des les conditions d’utilisation ou la présence
paramètres d’incertitudes
d incertitudes liées à ses paramètres ou à ses
• Facteurs Bruit composants.
• Facteurs de contrôle
Première définition donnée par G. G Taguchi
– Les plans “Produit”
Suivi par des définitions américaines
– Le ratio signal/bruit
g /
(Garmin )
(Garmin…)
•N. Boudaoud
AnalyseZ.Cherfi
etPlans
validation
d’expériences 107 N. Boudaoud Z.Cherfi Plans d’expériences 108
La fonction perte qualité La fonction perte qualité
• Hypothèse: • Critère permettant l’évaluation des pertes résultant

du manque de qualité :
– Le coût résultant d’un écart par rapport à une
– La qualité est quantifiée en évaluant les conséquences
cible croît proportionnellement par rapport à cet économiques dûes au manque de qualité
écart • La fonction perte qualité L(x) : à un écart donné sur la
performance attendue, est associée une valeur monétaire de la
– La fonction perte de qualité permet d’évaluer perte :
quantitativement la perte pour le client due à une it µ la
• soit l performance
f attendue
tt d (cible)
( ibl ) ett x la
l performance
f
dispersion des caractéristiques fonctionnelles. obtenue. La fonction perte L(X) est un fonction croissante de
l’écart |x- µ | : 100
L(x) ≥ 0, L(µ ) = 0, L′(µ ) = 0

90
P
Propriétés
iété
80
70
60
50
Symétrie par rapport à la cible 40
L(x) = k (x − µ )
2
30
20
10
109 110
0 2 4 6 8 10 12 14 16 18 20
N. Boudaoud Z.Cherfi Plans d’expériences N. BoudaoudkZ.Cherfi

:constante économique positive
Plans d’expériences
Fonction perte qualité Types de fonction perte qualité

• La perte est • Il existe 3 types de fonctions perte :
proportionnelle au carré L( y ) = k ⋅ ( y − m)2 – Cas le nominal est le mieux (NLM)
de l’écart / au nominal • L(x)=k(y-m)2
Perte (Euros/piièce)
Tolérance inférieure Tolérance supérieure

100
90
– Cas
C lel plus
l petit
tit estt le
l mieux
i (PPLM)
C 80
k = 02 70
• L(x)=ky2
T
60
50
40
C0 – Cas le plus grand est le mieux (PGLM)
K est une const de • L(x)=k(1/y)2
30
20
proportionnalité dont la
10
0
0 2 4 6 8 10 12 14 16 18 20
valeur dépend de -T +T
p éco du critère
l’impact
de qualité défaut Pièce usinée
Exemple Remarques
• (Source journal Asahi Japon 1979) • Cette approche induit:

• 1-
1 La
L possibilité
ibilité de
d comparer plusieurs
l i
Usine % def capa var perte fournisseurs (à Cpk égal, la perte de qualité
Sony n’est
n est pas équivalente pour tous)
• 2- Il faut fonder la détermination des
Japon 0 27%
0,27% 1 100/36 8 35$
8,35$ tolérances sur la perception client (relation
entre tolérances de fabrication et tolérances
fonctionnelles)
USA 0,00 0,58 100/12
/ 25 $
Approche de conception robuste Approche de conception robuste
• Constat: • Taguchi introduit une démarche en trois

• Les
L japonais
j i prennentt beaucoup
b plus
l ded phase:
h
temps pour approuver un projet véhicule, Définition du système
mais la suite des opérations tend à se Détermination des paramètres
dérouler rapidement et sans incident Détermination des tolérances
• Principe de base: ce sont des études de
produits qui se vendent
L’approche traditionnelle fait références à deux
• La conquête de marché se fait au niveau des phases
BE et non au niveau des lignes de
productions
productions.
Approche de conception robuste Détermination des paramètres
• C’est la première fois qu’une démarche • C’est la phase essentielle où on parle de

structurée autour de ll’expérimentation
expérimentation pour robustesse
b t
maîtriser la qualité en conception est
proposée • On optimise ce qui sort de la phase
• Originalité: Tenir compte, lors de cette précédente
expérimentation, des facteurs que le produit p minimiser la dispersion
• Principe: p sous l’effet
va subir en production et en utilisation
• But: Choisir les facteurs de conception (et des facteurs incontrôlables (utilisateurs,
leur modalités)
modalités), les moins sensibles aux environnement…))
« bruits ».
• Intérêt: conception
p validée dès la fin de
l’expérimentation et de son analyse
Détermination des paramètres Facteurs bruits
• 1- On détermine le critère qualité objet de • Taguchi les classe en trois catégories:

notre
t ét
étude
d B it externe:
Bruit t ((pour une voiture:
it T°
• 2- Recherche de tous les facteurs ambiante, altitude…)
susceptibles de l’affecter B it iinterne
Bruit t (dété
(détérioration
i ti progressive i d
de la
l
batterie, encrassement des injecteurs…)
3- Classement de ces facteurs en deux
catégories: B it entre
Buit t produit
d it (fl
(fluctuation
t ti d des
caractéristiques des pièces fabriquées en
Facteurs q
qu’on peut
p maîtriser pendant
p série)
l’expérimentation et après (en production)
Facteurs bruits
Propositions Principe
• Catalogue de tables orthogonales et graphes • Objectif: double optimisation:

li é i
linéaires (permettant
( tt t dde construire
t i des
d plans
l Au niveau de la performance moyenne (classique)
sur mesure) Au niveau de la robustesse (c’est-à-dire une
• Introduction de la notion de plan produit: moindre
i d variabilité
i bilité autour
t de
d la
l valeur
l cible)
ibl )
arrangement permettant de combiner les
niveaux des facteurs contrôle avec les
niveaux des facteurs bruits.
• Introduction de la notion de rapport Signal /
Bruit
Tables E
Exemple
l
Soufflets de transmission en caoutchouc
• Les différentes tables L8, L9, L18 • Objectif : Réglage du procédé de moulage en vue
( h t
(photocopies)
i ) d’augmenter
d augmenter leur tenue en endurance
endurance.
• Réponses : module à 200%
• Paramètres : la température du moule (TM) qui
joue sur la viscosité du mélange, et sans doute sur sa
tenue mécanique, la pression d’injection(PI),
d injection(PI), la
température du pot de buse (TP) et la contre
pression sont les 4 paramètres à prendre en compte.
Construction du plan Choix de la table
• I- On décide d’étudier, par un plan, les influences des
paramètres suivantes :
p • Bilan des ddl : 7 L8(27)
• * Température du moule TM niveaux 100°C 200°C
• * Pression d’injection PI niveaux 80 bar 100 bar
• * Température du pot de buse TP niveaux 60°C
95°C • Affectation des facteurs
• * Contre pression CP niveaux 5 bar 12 bar
• Les interactions jugées
é importantes, a priori, sont TMxCP, G h 1
Graphe Ne convient pas !
1
G h 2
Graphe 2
TMxTP et TMxPI. 3 CP
TM
• 1) Construire le plan à l’aide des tables et graphes linéaires 3 5 5
de Taguchi. 6
1 4
TP
• 2) Quels sont les alias des interactions TMxCP, TMxTP et 6
TMxPI ? 2 4 7 7 PI
Détermination des alias Détermination des alias ( suite)

• Alias : effets confondus avec une colonne • Colonne 3 : TMxCP = TPxPI
lorsque le nombre de facteurs est supérieur
au nombre de colonnes • Colonne 5 : TMxTP=CPxPI
• Utilisation de la table des interactions • Colonne 6 : TMxPI=CPxTP
1 2 3 4 5 6 7
Colonne (1) 3 2 5 4 7 6
(2) 1 6 7 4 5
(3) 7 6 5 4
(4) 1 2 3
(5) 3 2
(6) 1
Alias de la colonne 1 : 2x3,4x5,6x7
2x3 4x5 6x7
Analyse du plan Estimation des effets
• II- Les réponses obtenues sont : 1

I
1
1
-1
2
-1
3
-1
4
-1
5
-1
6
-1
7
-1
Module200%
8,3
2 1 -1 -1 -1 1 1 1 1 7,7
83
8.3 77
7.7 81
8.1 82
8.2 8 65
8.65 89
8.9 85
8.5 92
9.2 3
4
1
1
-1
-1
1
1
1
1
-1
1
-1
1
1
-1
1
-1
8,1
8,2
5 1 1 -1 1 -1 1 -1 1 8,65
• 1) Estimer les effets et interactions ? 6
7
1
1
1
1
-1
1
1
-1
1
-1
-1
1
1
1
-1
-1
8,9
8,5
• 2) L interactions
Les i i peuvent-elles
ll provenir
i des
d
8 1 1 1 -1
1 1 -1
1 -1
1 1 92
9,2
Sommes 67,55 2,95 0,45 0,15 0,45 -1,45 -1,15 -0,25 8,44375
alias ? EffetMoy 8,44375

Alias
0,36875 0,05625 0,01875
TPxPI
0,05625 -0,18125
CPxPI
-0,14375
CPxTP
-0,03125 Moyenes
• 3) Trouver le réglage optimal (qui minimise le Facteurs TM CP TMxCP TP TMxTP TMxPI PI

Effets niveau +1 niveau -1
module) ? Au préalable, vous pouvez écrire le modèle TM 0,36875 -0,36875 ***
CP 0,05625 -0,05625
sous forme matricielle.
*
TP 0 05625
0,05625 -0,05625
0 05625 * TPxPI
Effets Négligeables Effets
Eff t
PI -0,03125 0,03125 * CPxPI
CP,TP,PI, TMxCP Négligeables
TMxCP -0,01875 0,01875 * CPxTP
Effets des Interactions ne
TMxTP -0,18125 0,18125 ** provient pas des alias
TMxPI -0,14375
, 0,14375
, **
Réglage optimal Plan mixte
• Modèle : • III- Au lieu de disposer de 8 essais, supposons que nous

désirons réaliser 16 essais pour examiner de plus près
l’influence de la température du moule.
Module 200 % =8 . 444 + − 0 . 369 , 0 . 369 TM[ ]
2 [ ]
CP 2 [ ]
TM 1 + − 0 . 056 , 0 . 056 CP 1 + − 0 . 056 , 0 . 056 TP 1
TP 2
Construire un plan mixte qui combine :
+ TM 1 ,TM 2 [−00. 019
. 019 0 . 019 ][
− 0 . 019 ⋅ CP 2 ]+ TM 1 ,TM 2 [− 0 . 144 0 . 144 ]⋅[PI 2 ]+ TM 1 ,TM 2 [− 0 . 189 0 . 189 ]⋅[TP 2 ]
CP 1 0 . 144 − 0 . 144 PI 1 0 . 189 − 0 . 189 TP 1
* 4 niveaux pour la
l température
é du
d moulel TM
* 2 niveaux pour la pression d’injection PI
Réglage optimal : * 2 niveaux pour la contre pression CP
TM=TM1=185°, * 2 niveaux pour la température du pot de buse
TP
TP TP2 95 ,
TP=TP2=95°
et qui révèle les interactions TMxPI et TMxTP.
PI=PI2=100bar,
CP=CP1=5 bar
Module200%=7,692
Plan proposé Table L16
• Bilan des ddl essai

1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8 9 10 11 12 13 14 15
• TM : 4 niveaux 3 2 1 1 1 1 1 1 1
• PI : 2 niveaux 1 3 1 1 1 2 2 2 2
4 1 1 1 2 2 2 2
• CP : 2 niveaux 1 5 1 2 2 1 1 2 2
• TP : 2 niveaux 1 6 1 2 2 1 1 2 2
7 1 2 2 2 2 1 1
• TMxPI : 4 niveaux 3 8 1 2 2 2 2 1 1
• TMxTP : 4 niveuax 3 9 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2
– Soit au total : 12 ddl L16(215) 11 2 1 2 2 1 2 1

12 2 1 2 2 1 2 1
13 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1
15 2 2 1 2 1 1 2
16 2 2 1 2 1 1 2
Affectation des facteurs Re-codage des niveaux des colonnes
• Graphe linéaire : un choix possible Facteur TM : 1 2 3

TM
3 ddl 3 colonnes 1
1
1
1
1
1 1
6 7 1 13 12 11 1
1
1
1
1
1
1 2 2
15 14 2
3
1 2 2
9 1 2 2
1 2 2
2 10 8 4 5
2 1 2
TM
2
2
1
1
2
2
3
2 1 2
2 2 1
2
2
2
2
1
1
4
2 2 1
Principe Identification des FB
Comment? • La phase de choix des facteurs bruit est

Planification des expériences de façon important :
originale:Les répétitions coûtent cher. Il faut donc – Car dans la phase d’optimisation la robustesse du
les réaliser de sorte à prendre en compte système sera effective uniquement contre les bruits
l’influence des facteurs bruits. Notion de plan pris en compte
produit – Ces facteurs bruits sont essentiellement ceux
Evaluation de la robustesse à travers le calcul d’un que le produit va subir en production ou dans
indicateur: le rapport pp S/B
/ son environnement d’utilisation
(Pour rappel: On savait trouver une combinaison
optimale nous permettons de prévoir la valeur (en
moyenne) du critère objectif) On doit avoir une liste exhaustive (ordonnée) de FB
Les facteurs de contrôle Planification
• Choix des facteurs de contrôle (de conception) • Dès lors que les facteurs (bruits et contrôle)
• Déterminer
Dét i lles niveaux
i à tester
t t : nombre
b dde sontt id
identifiés
tifié ((y compris
i les
l interactions
i t ti
modalités jugées a priori importante): construction de la
• Les interactions à prendre en compte t bl d’essais
table d’ i selon
l une structure
t t originale:
i i l le l
plan produit.
Construction du plan d
d’expériences
expériences
• Principe: on fait des répétitions des
FC+FB = Plan croisé
combinaisons du plan principal, qui sont de
Facteurs de Bruit (FB) « fausses répétitions » puisqu’elles sont
Facteurs de planifiées en fonction des différents niveaux
S tè
Système Réponses
Contrôle (FC) des facteurs bruits.
Plan croisé L8xL4 Expérimentation FC + FB
E 1 1 2 2 Facteurs
F 1 2 1 2 Bruit
• Le but de l’expérimentation est (double
Facteurs de contrôle G 1 1 2 2 optimisation)
ti i ti ) :
réponse – Identifier les FC permettant de réduire la
12 15 13 18
variabilité
i bilité causée
é par lles FB
– Identifier les FC pouvant être utilisés pour ajuster
la réponse moyenne sur la valeur cible
– Les FC ayant une faible influence sur la
réponse nous permettrons d
réponse, d’élargir
élargir les
tolérances
Le Ratio signal/Bruit : S/N Le rapport S/B

• Le ratio signal/bruit possède les propriétés suivantes • Il est calculé pour chaque combinaison
:
– Reflète la variabilité de la réponse due aux facteurs de bruit d’
d’essais
i du
d plan
l principal
i i l
– Est indépendant de l’ajustement de la moyenne sur la cible
dans certains cas • L’objectif sera toujours de rechercher le
rapport S/B maximum
• Le ratio S/N est conçu pour isoler les effets du bruit (sur
la réponse) de la valeur moyenne de la réponse : y p
• Son analyse permettra de proposer
p p la
– Il s’exprime à partir de l’écart quadratique moyen (CME). combinaison optimale des facteurs contrôle
S / N = −10 log10 (CMEIA )
– Unité : décibels (dB) garantissant la robustesse
g
Le Ratio signal/Bruit : S/N
Exemples de calculs de S/N
en fonction du type
yp d’optimisation
p
• Procédé de moulage (PPLM) : S/N
• Le nominal est le mieux (NLM)
– Facteur de contrôle 44,00
 s2 
• Type de machine (4 modalités) 42,00
CMEIA =  2 
– Facteur bruit :  y 
40,00
38,00
• Matière p
première plastique
p q (3( modalités))
– Réponse : retrait des pièces en pouces
36 00
36,00
• Le
L plus
l petit
i est le
l mieux
i (PPLM)
( )
34,00
• Valeur idéale 0 1 n 2
∑ yi = s 2 + y
2
CMEIA =
32,00
30,00
0 1 2 3 4
n i=1
Machine Bruit 1 Bruit 2 Bruit 3 S/N
• Le plus grand est le mieux (PGLM)
1 0,011 0,013 0,015 37,65
2 0,006 0,009 0,007 42,57
1 n 1
3 0,009 0,019 0,015 36,53 CMEIA = ∑
n i =1 yi2
4 0,020 0,026 0,022 32,84
Analyse de l’expérimentation Analyse de l’expérimentation
• Procédure d’analyse de robustesse • Analyse classique:

– Calculer le Ratio S/B pour chaque combinaison
d’essai du plan principal – Effets des FC, des FB, des interactions
jjugées
g a priori
p significatives
g entre FC et
– On
O obtient
bi la
l colonne
l d
des valeurs
l d
de S/B qu’on
’ entre FC et FB
traite exactement de la même façon qu’une colonne
– Représentations graphiques, Anavar….
réponse (habituelle)
• Analyse des effets moyens des FC sur S/B (voire anavar)
– Choix de la combinaison optimale des FC
• Représentation
p ggraphique
p q des effets moyens
y sur S/B
(uniquement)
• Choix de la combinaison optimale des facteurs contrôle
maximisant le rapport S/B • Confrontation des deux analyses et
synthèse
Validation de l’expérimentation Exemple d’application
• Cette étape sert à s’assurer que la combinaison
optimale (robuste) issue de l’expérimentation est • Optimisation de la qualité d’un distributeur de
pression pneumatique à commande électrique.
électrique
valide
– Réponse mesurée: taux de fuite global en cm3/min.
– Optimum prévisible, vérifiable et reproductible: souhaitée la + faible possible
Essais de confirmation – Facteurs de conception:
– A: type de joints : 2 niv et B: type de graisse: 2 niv
– Facteurs bruits
b
– T: 2 tps de fonctionnement (106 cycles et 3.106 cycles) et X:
Test de validation de modèles 2 pressions extrêmes d’alimentation
d alimentation
Exemple L4xL4 Exemple

T 1 1 2 2 Facteurs
X 1 2 1 2 Bruit
• Calcul des effets des FC, FB interactions: AB,
Facteurs de contrôle AT BT,
AT, BT AX
AX, BX
réponse
Essai A B AB 9 7 45 36
• EA1= 9.87; EB1= -1.125, …
1 1 1 2 7 12 35 60 • A l’issue
l’i de
d l’analyse
l’ l de
d variance:
i les
l facteurs
f t
2 1 2 1 1 3 6 15 significatifs sont: A; T et AT
3 2 1 1
4 2 2 2
2 25
2.5 11 13
• Représentez
R é t graphiquement
hi t l’i
l’interaction
t ti AT
• Confronter les deux analyses.
Exemple remarques
Fuite moy S/B Optimisation de la consommation spécifique

d’ moteur
d’un t en cours dde développement
dé l t
24.25 - 29.35
Combinaison retenue: A3; B2; C1, D3
28.5 -30.98 Cette combinaison n’a jamais été essayée dans
6 25
6.25 -18.3
18 3 le plan
p
Quelques essais de validation ont permis de
7.125 -18.75 confirmer l’intérêt
l intérêt de la solution retenue
retenue.
Moy= 16.5
Exemple 1
• Cette étude concerne une expérimentation

visant à améliorer la résistance à
Exemples de plans croisés l’arrachement d’un sous-ensemble
destiné à ll’habillage
habillage dd’un
un moteur
automobile.
• Objectif : assembler un collecteur en
élastomère et un tube en nylon en respectant
une spécification
p de résistance minimale à
l’arrachement.

Formulation Plan croisé
E 2 2 2 2 1 1 1 1
F 2 2 1 1 2 2 1 1
Réponse Y : résistance à l’arrachement G 2 1 2 1 2 1 2 1
essai A B C D Y-bar SN
1 1 1 1 1 19.1
19 1 20 19.6
19 6 19.6
19 6 19.9
19 9 16.9
16 9 9.5
9 5 6 17.53
15.6
15 17 53 24.025
24 025
2 1 2 2 2 21.9 24.2 19.8 19.7 19.6 19.4 16.2 15 19.48 25.522
Facteurs de contrôle 3 1 3 3 3 20.4 23.3 18.2 22.6 15.6 19.1 16.7 16.3 19.03 25.335
4 2 1 2 3 24.7 23.2 18.9 21 18.6 18.9 17.4 18.3 20.13 25.904
• A : interférence : 3 niveaux 5 2 2 3 1 25 3
25.3 27 5
27.5 21 4
21.4 25 6 25.1
25.6 25 1 19 4
19.4 19 7 22.83
18 6 19.7
18.6 22 83 26.908
26 908
• B : épaisseur de paroi : 3 niveaux 6 2 3 1 2 24.7 22.5 19.6 14.7 19.8 20 16.3 16.2 19.23 25.326
• C : profondeur d’insertion : 3 niveaux 7 3 1 3 2 21.6 24.3 18.6 16.8 23.6 18.4 19.1 16.4 19.85 25.711
8 3 2 1 3 24.4 23.2 19.6 17.8 16.8 15.1 15.6 14.2 18.34 24.832
• D : pourcentage de substance adhésive : 3 niveaux 9 3 3 2 1 28.6 22.6 22.7 23.1 17.3 19.3 19.9 16.1 21.2 26.152
Y-bar 23.41 23.42 19.82 20.1 19.589 18.5 16.59 16.42
Facteurs Bruits
• E : Temps de conditionnement : 2 niveaux (24heures ; 120
heures)
• F : Température de conditionnement : 2 niveaux (25°C ; 50°C) Connaissance a priori : les interactions à analyser AG
• G : humidité relative pendant le conditionnement : 2 niveaux et DE
(25% ; 75%)
Analyse régulière Analyse régulière

• Effets moyens : facteurs
• ddl disponibles ? Reponses moyennes
1 2 3 22
A 18.68 20.73 19.8 21.5
B 19.17 20.21 19.82
Facteurs et interactions à analyser
y
21
C 18.36 20.27 20.57
20.5 A
D 20 52 19.52
20.52 19 52 19.16
19 16
B
• A, B,C,D,E,F,G
E 17.78 21.69 20
C
F 18.23 21.23 19.5 D
G 19.61 19.85
• AG,
AG DE
E
19
F
Effets 18.5 G
1 2 3 18
A -1.06 0.993 0.064
17.5
B -0
0.57
57 0 481
0.481 0 085
0.085
C -1.37 0.535 0.835 17
1 2 3
D 0.785 -0.22 -0.57
E -1.96 1.957
F -1.5
1.5 1.499
G -0.12 0.121

Analyse régulière Analyse régulière : ANAVAR
ANAVAR
• Effets moyens : Interactions AG, DE SCE ddl CME F F0,95
AG 24 A 50.577 2 25.29 6.993 3.16 S
G1 G2
B 13 384
13.384 2 6 692
6.692 1 85
1.85 3 16
3.16 NS
23
A1 19.31 18.04 22
A2 20.58 20.87 21
20
C 68.594 2 34.3 9.484 3.16 S
A3 18.94 20.65
E1
19 E2
D 23.674 2 11.84 3.273 3.16 S
18
DE 17 E 275.73 1 275.7 76.25 4.01 S

E1 E2 F 161.7 1 161.7 44.71 4.01 S
16
15
D1 18.11 22.93
G 4 01
4.01
D1 D2 D3
D2 18.33 20.7 1 0513

1.0513 1 1 051
1.051 0 291
0.291 NS
AG 26.568 2 13.28 3.673 3.16 S
21.5
D3 16.88 21.44 21
20.5
20
DE 21.745 2 10.87 3.007 3.16 NS
19.5
19
G1
G2
Residu 202.51 56 3.616
18.5
18
Total 845.54 71
17 5
17.5
17
16.5
A1 A2 A3
Optimisation Analyse Ratio – Signal Bruit

22
E
21.5
essai A B C D SN
21.5 21
21
F
20.5
1 1 1 1 1 24.025
20.5 D
A
C A 20
2 1 2 2 2 25.522
20
C
B B 19.5 3 1 3 3 3 25.335
G B
A C G1
19.5
G D D
19
G2 4 2 1 2 3 25.904
19
B D E 18.5
5 2 2 3 1 26.908
F 18
A
18.5
C G
17.5
6 2 3 1 2 25.326
F
A=2; B=?; C=3 D=1
18
E 17
7 3 1 3 2 25 711
25.711
17.5
16.5 8 3 2 1 3 24.832
A1 A2 A3
17
1 2 3
9 3 3 2 1 26.152
Effets moyens
Graphe des effets
Analyse régulière choix optimal : A2 B1(réduction matière) C
ANAVAR : si possible
Optimisation Robuste
Combinaison HORS PLAN : ESSAI DE VALIDATION !!
N. Boudaoud Z.Cherfi Plans d’expériences UTC/FQ03/N.

BOUDAOUD
Optimisation du Ration Signal
Analyse Ratio – Signal Bruit
Bruit
• Effets moyens
A
1
24.96
2
26.05
3
25.57 Effet moyen sur SN (db)
• Maximisation Effet moyen sur SN (db)
B
C
25 21
25.21
24.73
25 75
25.75
25.86
25 60
25.60
25.98
A2 26.50
26.50
D 25.69 25.52 25.36
B2(ou 3)
26.00
C3(ou 2) 26.00
ddl dispo pour ANAVAR ? 25.50 A

B
D1 25.50 A
B
C
25.00 C
D 25 00
25.00
D
24.50
24.50
24 00
24.00
1 2 3
24.00
1 2 3
Synthèse
Analyse
a yse Régulière
égu è e Analyse
a yse S/
S/B C
Choix
o final
a Exemple
p 2:
Optimisation de la consommation
A 2 2 2
B 1 (cout mini) 2 1 B: NS
C 3
d’ moteur
d’un t di
diesell
3 3
D 1 1 1
La combinaison retenue
essai A B C D SN
A2 B1 C3 D1
1
2
1
1
1
2
1
2
1
2
n’appartient pas au plan
24.025
25.522
3 1 3 3 3 25.335
4 2 1 2 3 25.904
5 2 2 3 1 26.908
6 2 3 1 2 25.326
7 3 1 3 2 Essai de validation a réaliser !!
25.711
8 3 2 1 3 24.832
9 3 3 2 1 26 152
26.152

Facteurs et réponse
Le moteur de PSA reste proche des modèles actuels, mais il
UTC/FQ03/N.
N. Boudaoud Z.Cherfi Plans d’expériences UTC/FQ03/N.
BOUDAOUD BOUDAOUD
Résultat des essais

Choix d’un plan d’expériences

Modélisation du ratio Signal Bruit Calcul des Ratio Signal Bruit
ANAVAR – Modèle S/B Optimisation Robuste
A3B1C1D3

Plan
• Optimisation dynamique
Démarche Taguchi – Principe
Bruit Dynamique
y q – Plan croisé dynamique
– Notion de fonction Perte
• Les facteurs dans le cas dynamique
• La robustesse dynamique
• Le Ration S/N dynamique
• Application
Principe Plan croisé dynamique

Conception
p 1 pplus robuste
Optimisation dynamique : plusieurs point de fonctionnement Signal
g 1 2 3 4
Que Bruit 1 2 3 1 2 3 1 2 3 1 2 3
• L’optimisation dynamique essai A B C
pp q au cas où la
s'applique La conception 2 Réponses
caractéristique qualité « 1 1 1 1
fonctionne » pour toute une 2 2 1 1
gamme 3 1 2 1
4 2 2 1
Température 5 1 1 2
6 2 1 2
7 1 2 2
Pressions Effort 8 2 2 2
• Généralement la fonction Effort T°
idéal est une droite Y=βX
Jeu, Graisse Le nombre d’essais !!!!
Vérin Hydraulique Pression

Exemples d’optimisations
Plan croisé dynamique : exemple
Direction d'une
d une automobile
y Signal q Angle de Réponse
dynamiques
Angle donné au volant braquage
Boîte de vitesse Régime du moteur Vitesse des roues
Machine-outil Position de l'outil Cote obtenue
Moulage par injection Dimension du moule Dimension de la pièce
Dépose d'un revêtement Durée du bain Epaisseur du dépôt
Appareil de mesure Mesure réelle de ll'objet
objet Mesure lue
Catapulte Angle d'armement Longueur de la trajectoire
Effort T°
Pression
Évaluer la robustesse :
Robustesse dans le cas Notion de fonction Perte Dynamique
dynamique
y q
• La fonction perte se détermine
é par rapport à
• On cherche à obtenir la fonction idéal et non par rapport à une
une fonction idéal Y=βX
cible :
• 3 axes pour rendre une L = k (Yi − β X i )
2
– Sur une mesure Yi
conception robuste :
– Diminuer la dispersion
– Sur n mesures Yi, la perte moyenne
autour de la fonction
idéale
é k n
– Linéariser la réponse L= ∑ (Yi − βX i )2
– Augmenter la
n i =1
sensibilité du système
2 premiers cas : On cherche à minimiser les écarts par rapport à la fon

3e cas : augmenter la sensibilité au facteur signal
Le Ration
• Pour chaque S/N
combinaison Dynamique
du plan on peut écrire : Ration S/N dynamique
pente ε : écart entre le point expérimental
Y=βX+ε (β pente,
Principe
p d’optimisation
p 1:
et la droite) • Minimiser la perte moyenne Q,
g
• Un critère : le ratio signal bruit η à maximiser
β2
η = 10 log10 2
σ
• Détermination de β :
– par minimisation de la moyenne des carrés de écarts par
rapport à la fonction idéale
Variance
i des
d écarts par
Minimiser (Q) par rapport à β rapport à la fonction
n idéale
2
∑ (Y − βX )
i i
σ =
2 i =1
N. Boudaoud Z.Cherfi N. Boudaoud Z.Cherfi

n −1
Plans d’expériences Plans d’expériences
Le Ration S/N Dynamique

Principe d’optimisation 2 :
Exemple : Vérin
• Augmenter la sensibilité au signal • Objectif : obtenir un effort en sortie maximal
– Faire évoluer les réponses pour rendre la sensibilité tel que pour une pression minimale en entrée
β=β’ ( maximiser la sensibilité au signal)
β2
η = 10 log10 L’optimisation
opt sat o consiste
co s ste à maximiser
a se
σ2 Simultanément β et η
Résultats de l’analyse Analyse
• Modèles
è (A: Jeu ; B:Graisse ; C = AB
Graphes
p des effets moyens
y
Représentation graphique de
l’optimisation Remarque
• Lorsque la fonction idéale n’est pas

di t
directementtY βX mais
Y=βX Y βX 0 faire
i Y=βX+a f i un
A2
changement d’échelle.
• Bibliographie
– LL'ingénierie
ingénierie robuste William Y.
Y Fowlkes,
Fowlkes Dunod
La figure montre bien l’intérêt de l’optimisation :
• A=2
A 2B B=1 1 ((optimale)
ti l ) estt plus l prés
é de
d la
l droite
d it
idéale que
N. Boudaoud Z.Cherfi
la configuration
Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences
Application Formalisation : diagrame
• Réduction des
vibrations
ib ti perçues
dans l’habitacle à
diffé t régimes
différents é i
moteurs ?
Formalisation Plan d’experiences

• 8 facteurs contrôle
ô
table répétée pour

chaque niveau
d ffacteur
du t Signal
Si l :
36 *4 =144
• 1 facteur Bruit : Kilometrage

g du vehicule
(Mileage), 2 niveaux
• Facteur signal :débit de carburant, 4 niveaux
Analyse des effets moyens S/N
Résultats du plan
dyn
y ((représentation
p non conventionnelle))
A l
Analyse des
d effets
ff t moyens B
Beta
t Optimisation S/N dyn
(représentation non conventionnelle)

Essai de validation Références Bibliographiques
• Ingénierie Robuste
– L’ingénierie robuste, W.Y. Fowlkes, Edition Dunod
– Amélioration de la qualité en phase de conception des produits et
de leur processus de fabrication, I. N. Vunchkov, Ecole supérieure
d’électricité
• Plans d
d’expériences
expériences
– Les plans d’expériences par la méthode Tacughi, M. Pillet, éditions
d’organisation, Paris, 1997
– Co
Comprendre
p e d e et mener
e e leses p
plans
a sdd’expériences,
e pé e ces, JJ. Demonsant,
e o sa t,
AFNOR, Paris, 1992
– Les plans d’expériences de l’expérimentation à l’assurance qualité,
AFNOR, Paris, 1991
– Pratique
P tiq e de
des pl
plans
n d’e
d’expériences,
pé ien e P. P Schimmerling,
S himme ling J-C.
J C Sisson,
Si on A.A
Zaidi, Lavoisier, Paris, 1998
Plan du cours
• Introduction
Modélisation en surfaces de réponse • Modèles
M dèl polynomiaux
l i
Modèle du 2e degré – 1er degré : plans factoriels
– 2ème
2è d
degré
é : plans
l composites
it centrés
té
• Estimation des coefficients du modèle
• Optimisation
– Tracé des isoréponses
– Méthode
é h d de
d la
l plus
l grande
d pente, Simplex
Si l
Plan composite
Pl it
Introduction Modèle du second degré
• Modélisation – plans factoriels – Si non valide tester :
– Modèle
M dèl linéaire
li é i : Détermination
des effets moyens Modèle polynomial du second degré
y = Y + E A X A + EB X B + E AB X A X B 4 coefficients
2 2
à déterminer y = Y + E A X A + EB X B + E AB X A X B + E AA X A + E BB X B
Plan complet
à 4 essais • 5 coefficients à déterminer + la moyenne, au moins 6
Test
es de validité
a d é du modèle
odè e essais : PLAN COMPOSITE
Essais au centre du domaine
En pratique le nombre total d’essai réalisé pour un plan composite
N = N F + Nα + N 0
Nombre d’essais du plan factoriel = 2k Nombre d’essais au centre≥1
≥
Nombre d’essais du plan en étoile= 2.k
Plan composite
Pl it Plan composite
Pl it
domaine d’expérimentation Essais au centre du domaine
Exemple : cas d’un plan composite avec 2 facteurs • Les essais au centre du domaine
contrôlent :
P ti factorielle
Partie f t i ll – La validité et la stabilité des plans factoriels et
en étoile
• Validité du modèle linéaire
• Stabilité entre les deux séries d’essais, (effets
Plan en étoile
blocs))
• Estimation de l’erreur expérimentale (naturelle)
Et 2+2 essais au centre du domaine
Optimalité du plan composite Optimalité du plan composite
• Matrice de calcul
• Matrice d’information : Xt.X
– Cas 2 facteurs :Modèle Quadratique
2
y = Y + E A X A + E B X B + E AB X A X B + E AA X A + E BB X B
2
N 12 0 0 0 4+2α2 4+2α2
0 4+2α2 0 0 0 0
– Matrice
M t i d’expérience
d’ éi I A B AB A2 B2
Nf 0 4+2α2 0 0 0
0 0 0 4 0 0
4+2α2 0 0 0 4+2α2 4
4+2α2 0 0 0 4 4+2α2
Optimalité du plan composite Optimalité du plan composite

• Critères d’optimalité
• Matrice d’information : Xt.X en fonction de N et Nf
– Hypothèse : tous les points axiaux sont à la même distance
( grandeur réduites) du centre du domaine
Ν 0 0 0 Nf+2α2 Nf+2α2
0 Nf+2α2 0 0 0 0
0 0 Nf +2α2 0 0 0
0 0 0 Nf 0 0
Nf+2α4 – Objectif : déterminer α en fonction de critères d’optimalité

Nf+2α2 0 0 0 Nf
Nf+2α2 0 0 0 Nf Nf+2α4
• Presque orthogonalité
• Isovariance p
par rotation
Détermination de α Détermination de α
• Presque orthogonalité • Presque orthogonalité

– Propriété : l’orthogonalité est obtenue si la matrice – Dans notre cas on ne peut annuler tous les
XtX est diagonale éléments de la matrice Xt X : termes constants et
carrés
1 1 1 1 4 0 0 0
X= 1 −1 −1 1 XtX= 0 4 0 0
1 1 −1 −1 0 0 4 0
1 −1 1 −1 0 0 0 4
Matrice non diagonale Détermination de α
• Matrice d’information : Xt.X en fonction de N et Nf • Presque orthogonalité

– Dans notre cas on ne peut annuler tous les
Ν 0 0 0 Nf+2α2 Nf+2α2
éléments de la matrice Xt X : termes constants et
0 Nf+2α2 0 0 0 0 carrés
0 0 Nf +2α2 0 0 0 • Presque orthogonalité : diagonaliser la sous matrice
0 0 0 Nf 0 0 – calculer (Xt X)-1
– Éliminer la 1ere ligne et colonne de (Xt X)-1 S
Nf+2α4
Nf+2α2 0 0 0 Nf – Trouver α pour que la matrice S soir diagonale
Nf +2α2 0 0 0 Nf Nf+2α4
P
Presque orthogonalité
h li é : Diagonalisation
Di li i ded la
l sous matrice
i
Détermination de α Tableau α presque orthogonalité
• On montre que :
( )
1
N N − Nf
2 4
Permet de garantir une presque
 f orthogonalité du plan
α = 
NF
 4 Nα
 
N0
N0
N0
N0
E
Exemple l : 2 facteurs,
f t N0 =4
4
Détermination
Dét i ti ded α Détermination
Dét i ti ded α
Presque orthogonalité Presque orthogonalité
• Exemple : Plan composite à 2 facteurs, Nf =4, Nα = 4, N0 =4 • Exemple
α=1.21 12 0 0 0 6.928 6.928 0.2388 0 0 0 -0.1347 -0.1347
0 6 928
6.928 0 0 0 0 0 0 1443
0.1443 0 0 0 0
0 0 6.928 0 0 0 0 0 0.1443 0 0 0
XtX= 0 0 0 4 0 0 ((XtX))-1 = 0 0 0 0 25
0.25 0 0
8.827
6.928 0 0 0 4 -0.1347 0 0 0 0.233 0
6.928 0 0 0 4 8.827 -0.1347 0 0 0 0 0.233
Sous Matrice Diagonale

Optimalité du plan composite
• Isovariance par rotation
α = (N F ) Estimation des paramètres du

1 Permet de ggarantir une
4 Erreur de prédiction constante pour des points
situés à égale distance du centre du domaine
modèle
Erreur de prédiction du modèle
Var(y)=constante
Effets
ets moyens
oye s
C l l des
Calcul d coefficients
ffi i t dud modèle
dèl ett des
d C l l des
Calcul d variances
i des
d coefficients
ffi i t dud
variances modèle
• Méthode matricielle • Coefficients du modèle
Matrice dd’expérience
expérience X 2 2
y = Y + E A X A + EB X B + E AB X A X B + E AA X A + EBB X B
 Y 
 
 EA 
 EB 
 = X X
t
( )
−1
Xty
 E AB 
E 
 AA 
I A B AB A2 B2  EBB 
C l l des
Calcul d variances
i des
d coefficients
ffi i t dud
modèle
Erreur de prédiction
• Variance des coefficients du modèle • Cas de deux facteurs

2 2 – Soit xp=(1,x
(1 xA,xxB, xAB ,xx2A,xx2B)t
y = Y + E A X A + EB X B + E AB X A X B + E AA X A + EBB X B
 Var (Y ) 
 
)
Var ( y p ) = x tp X t X( )
−1
xp
 Var (E A ) 
 Var (EB ) 
 (
 = Var ( R) ⋅ Diag X X
t
)
−1
 Var ( E )
AB 
Var (E )
 AA
 Variance
Var (EBB ) répétabilité
En résumé Exemple
• Les différentes étapes : • Processus d’usinage Rotation Outil tranchant

– Ré
Réaliser
li un plan
l comportant
t t Nf ou =2
2k
essais
i 2k-p
kp
augmentés de N01 points au centre du domaine Etat initial : état de surface

des pièces usinées non Avance
• tester
es e le
e modèle
odè e linéaire
éa e (Test
( es de FISHER),
S ), en
e cas
de non adéquation ajouter un plan en étoile satisfaisant
– Déterminer α et réaliser le plan en étoile de Pièces à usine
Nα=2k essais augmentés de N02 points au centre p
Critères à optimiser ((minimiser))
du domaine. • Rugosité < 0,15
• Nombre de pics par unité de longueur <50
Exemple Exemple
• Choix des facteurs • Domaine expérimental

– Vitesse d’avancement de l’outil (en mètres par – Vitesse d’avancement de l’outil (en mètres par
minutes) minutes) : 0.9 – 2.4
– Vitesse
Vit tangentielle
t ti ll de
d coupe (en
( mètres
èt par – Vitesse
Vit tangentielle
t ti ll de
d coupe (en
( mètres
èt par
secondes) secondes) : 15 – 25
– Facteurs fixes : forme et matière de l’outil
l’outil, qualité • Réponses
Ré
d’abrasion, métal travaillé, … – Rugosité, Pics
Exemple Tableau α presque orthogonalité
• Choix du plan
– On suppose que les surfaces de réponses
présentent des courbures (modèle non linéaire)
– plan
l compositeit , α=1.21
1 21 NF
Nα
N0
N0
N0
N0
2 ffacteurs,
t N0 =4
4
Exemple : expérimentation Résultats : Rugosité
Avance Coupe
• Modèles
Rugox1000 Pics
194 77,8 yrugo = 215,5 + 7,73 x A − 25,88 xB − 29,25 x A xB + 1.12 x A2 − 28.64 xB2
282 68,4
120 65,3
91 96,1
Modèles ? Diagramme de surface de Rugox100 G hi
Graphique d
de contour
t d
de R
Rugox100
100
233 63,8 EXCEL 100
150
235 61,9 1
200
300 250
154 52,3
300
Vitesse
195 60,4 200
0
278 87,0 Rugox1000 100
122 95 7
95,7 1,5
1
1,0
0 0,5
0,0
V
Vitesse -1
232 61,5 -1,5 -1,0
-0,5
-0,5 -1 0
-1,0
0,0 0,5 -1,5
230 60,5 Entrefer 1,0 1,5
-1 0 1
Entrefer
Pics Représentation graphique : superposée
• Courbes isoréponses
• Modèles
y Pics = 61.93 + 4.11x A + 3.44 xB + 10.05 x A xB − 2.03x A2 + 15.47 xB2
Critères à optimiser (minimiser)
Graphique de contour de Pics
Di
Diagramme d
de surface
f d
de Pi
Pics • Rugosité < 150
70
1
80
90
• Nombre de pics <50
100
110
120
Vitesse
110 0
100
90
Pics 80
70
60
-1
1,5
1,0
50 0,5
-1,5 -0,5
0,0
V
Vitesse
-1,0
-1 0 -0,5
05 -1,0
-1 0
0,0 -1,5
E
Entrefer 0,5 1,,0 1,5
-1 0 1
Entrefer
Choix d’un réglage pour la machine

Optimisation
O ti i ti graphique
hi :
Optimisation Courbes ISOREPONSES
• Recherche de la valeur • La connaissance des courbes isoréponses
optimale : minimiser,
minimiser permet de trouver les conditions
maximiser, ou cible optimales dans le domaine expérimental.
– Courbes d
d’isoréponses
isoréponses • Elle permettent de déterminer la région
ou du domaine où la réponse est optimale
– Méthode de la plus (satisfait les contraintes )
grande
d pente
– Méthode du simplex
Optimisation
O ti i ti :
Méthode de la plus grande pente
Principales étapes
• Objectif : une recherche rapide de l’optimum de la réponse,
lorsque :
– le domaine d’étude ne contient pas l’optimum
– Le modèle retenu ne peut être extrapolé à l’extérieur du domaine Surface de réponse
d’ é i
i
Domaine expérimental D
Dans lla région
é i ded l’optimum
l’ ti
• Etapes
– Recherche dd’un
un modèle linéaire du 1er degré dans le domaine dd’étude
étude Modèle linéaire
– Recherche de la plus grande pente pour trouver l’optimum approché
– Progression selon la plus grande pente
Progression selon
– S f de
Surface d réponse dud 2ème degré
d dans
d la
l région
i contenant
La plus grande pente
l’optimum
Modèle linéaire approché Direction de la plus grande pente
• Si le modèle ne dépendait que d’un seul
• Recherche d’un modèle linéaire :
facteur on aurait :
– Réaliser un plan factoriel 2k ou 2k-p
– Valider le modèle Y = y+ EA X A
y=Y +EA X A+EB X B + EC X C • Le maximum serait atteint en suivant la droit
Si le modèle est valide on recherche la plus grande pente de pente EA Y
g
Sinon on recherche un modèle du second degré
Direction de la
Pour maximiser
-1 0
N. Boudaoud Z.Cherfi Plans d’expériences 241 N. Boudaoud Z.Cherfi Plans d’expériences 242+1
Direction de la plus grande pente Sur un exemple
• Généralisation à plusieurs facteurs • Maximiser les variations de rendement (Y)

– Les composantes de la direction de la plus grande • 4 facteurs :
pente seraient :
– X1 : débit (cm3/min)
– X2 : concentration (ppm)
XC y=Y +EA X A+EB X B + EC X C
– X3 : Température (°C)
EA  – X4 : quantité d’additif (ug)
D =  EB 
 EC  XA
X
N. Boudaoud
B Z.Cherfi Plans d’expériences 243 N. Boudaoud Z.Cherfi Plans d’expériences 244
Le modèle linéaire Estimation des effets moyens
• Domaine d’expérimental et plan d’expérience fractionnaire:
• Effets au niveau (+1), moyenne=6.6
– EA=2.6
– EB=0.6
– EC=1.4
– ED=1.9
Le Modèle ?
E grandeurs
En d réelles
é ll (changement
( h t
Les paramètres du modèle d’échelle)
• Le modèle linéaire du 1er degré : validé 1+ 1-
EX1 EX1
2+ 2-
EX2 EX2
Droite
D i ded pente 2,6
2 6 sur l’axe
l’ X1
3+ 3-
Le maximum peut être EX3 EX3
maximum atteint en suivant la direction 4+ 4-

de la droite EX4 EX4
Direction du maximum :
2,6 selon l’axe X1, 0,6 selon l’axe X2, 1,4 selon l’axe 3 et
1,9 selon l’axe X4
Ch i du
Choix d pas de
d progression
i selon
l lal plus
l E i complémentaires
Essais lé t i selon
l les
l pas de
d
grande pente progressions
Point de départ le centre du domaine expérimental
Maximum
Recherche Précise du maximum
Diminution à partir de 5∆, le
maximum est atteint entre
3 ∆ et 4 ∆
R h h précise
Recherche é i à l’aide
l’ id d’un
d’ modèle
dèl à
surface de réponse
Etude de cas
• On réalise un plan composite avec • Modélisation d’une unité de production

– pour niveau (-1)
( 1) : Centre + 2∆
• X1 = 10.9, X2=243,2, X3=382,4, X4=120 – Procédé : sécheur sous vide de gazole
– pour niveau (+1) : Centre + 5∆ – Objectif : prévoir la quantité d’eau résiduelle dans
• X1 = 16,
16 X2=293,
X2 293 X3=393,5
X3 393 5 , X4=150
X4 150
le produit en fonction de :
2∆ 5∆ • La pression
• Déterminer un modèle linéaire, si valide : il • La température de traitement
fourni une nouvelle direction de recherche de • La Quantité d’eau dans la charge (%)
ll’optimum
optimum, sinon
– On cherche
h h àT Tracer ddes abaques
b ((courbes
b iiso
• Rechercher un modèle du 2è degré et trouver
l’optimum à l’aide des isoréponses
réponses plan à surface de réponses
Etude de cas Réponse
• Choix des niveaux des facteurs : • La réponse mesurée est la quantité d’eau
– P
Pression
i (P) : variations
i i de
d 0.035
0 035 à 0.145
0 145 bar
b résiduelle
é id ll en ppm
– Température (T) : de 60°C à 110°C
• La précision pour la mesure est de 2 ppm (
– Quantité dd’Eau
Eau (E) : de 0.4
0 4 à 2.6
26%
σ=1 ppm)
• Hypothèse initiale : modèle linéaire
• Niveaux
Ni retenus :
– P : 0.06 – 0.12 bar
– T : 70 – 100 °C
– E : 0.74 – 2.26 %
Premier plan complet Le modèle

Essai P T E Y
• Modèle obtenu
1 − − − 23 2
23.2
)
2 + − − 65.6 1 essai au centre du y = 30.3 + 12.2 X P − 14.2 X T + 0.7 X E
3 − + − 11.1 domaine : N0=1
4 + + − 18.7
La précision pour la mesure est de 2 ppm
5 − − + 25.6
Analyser le plan
- Modèle
M dèl linéaire
li é i ?
6 + − + 69.6
)
7 − + + 12.5 y = 30.3 + 12.2 X P − 14.2 X T
8 + + + 22.2
9 0 0 0 24.3
(centre du
domaine)
Est il valide ?
Validité du modèle linéaire Recherche d’un modèle du 2e degré
• Essai au centre du domaine • Plan composite

– Valeur expérimentale : 24.3 – Hypothèse : nous souposerons que le plan choisi est isovariant
par rotation :
– Valeur issue du modèle : 30.3 • α=(NF)1/4=(8)1/4=1.68
– Ecart : 6 ppm considéré comme significatif – Niveaux de facteurs
compte tenu de la précision sur la mesure. • P : (+ α) : 0.145 ; (- α) : 0.03
• T: 110°
110 60
• E: 2.6 0.4
Modèle linéaire non valide !

Modèle postulé :
y = y + EP X P + ET X T + EE X E + E PT X PT + EPE X PE + ETE X TE + E PP X 2 P + ETT X 2T + E EE X 2 E
Plan composite Matrice de calcul

I P T E PT PE TE P2 T2 E2
• Analyse du plan Essai P T E Y + − − − + + + + + +
composite 10 -α 0 0 7.4
+
+
+
−
−
+
−
−
−
−
−
+
+
−
+
+
+
+
+
+
+ + + − + − − + + +
11 +α 0 0 54.9 + − − + + − − + + +
+ + − + − + − + + +
12 0 -α 0 64.8 + − + + − − + + + +
13 0 +α 0 12.3
X= + + + + + + + + + +
+ 0 0 0 0 0 0 0 0 0
+ −α 0 0 0 0 0 α2 0 0
14 0 0 -α 20.3
+ +α 0 0 0 0 0 α2 0 0
+ 0 −α 0 0 0 0 0 α2 0
15 0 0 +α 26.7
+ 0 +α 0 0 0 0 0 α2 0
+ 0 0 −α 0 0 0 0 0 α2
+ 0 0 +α 0 0 0 0 0 α2
Estimation des effets moyens Modèle quadratique retenu
 Y  • Les facteurs significatifs sont : P, T, E, PT,

  PE P2, T2
PE,
 EP 
 ET  • Modèle en grandeurs réelles :
 
 EE 
E 
 PT  = X X
E
t
( )
−1
Xty y = 114 + 1590 P − 3.3T − 19.2 PT − 24.4 PE + 2400 P 2 + 0.0236T 2
 PE 
 ETE  Tracé des isoréponses l’abaque est obtenu !
 
 EPP 
E 
 TT 
 EEE 
Surfaces de réponse Les courbes isoréponses

Diagramme de surface de Y
• On prend différents niveaux pour la réponse
70
60
50
y=cste
t ett on ttrace lles iisoréponses
é
Diagramme de surface de Y Y
40
30
Eau résiduelle
20
2
10 1
-2
2 -1
0
E
-1
1
0 -2
T 1
2
120
100
Valeurs de maintien : P : 0,0
10 11 (ppm)
80
60
Y 40
Diagramme de surface de Y
20
2
12
T°
1
0
-2
2 -1
0
T
-1
1
0 -2
P 1
2
60
50
40
30
10
Y
Valeurs de maintien : E : 0,0 20
10
2
1
0
-2
2 -1
0
E
-1
1
0 -2
P 1
2
Valeurs de maintien : T : 0,0

15
263
N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences P 264
Plan du cours
• Introduction
Les plans de mélanges • Caractérisation d’un mélange
– Composition d’un mélange,
– Représentation graphique
– Modélisation
• Les plans de type I, II, III et IV
• Domaine d’application (Chimie)

Introduction Concept utilisé
– optimisation des propriétés d’un
d un
produit (viscosité) à partir de la • Soit un mélange
é (M) constitué
é de k
composition (concentrations) des
constituants d’un mélange composants en proportions x1,x2,…,xk
• Exemple
E l :
• Viscosité (40° C- 100°C) et densité
– xi compris entre 0 et 1
d’une huile dépend des bases et
des additifs qui la constitue • Soit Y la p
propriété
p du mélange
g
– Huile moteur : constituants
» A: esters aliphatiques – Viscosité : que l’on chercher à optimiser
» B: esters phosphoriques
»
»
C: silicones et silicates
D: polyphényléthers
• Problématique posée :
» E: Polyalkylèneglycols Déterminer les concentrations (Ci) – Quelle doit être la composition du mélange
» Etc…
• Yaourt : acidité pour un niveau de viscosité fixé (proportions des constituants) pour que Y
– Lactose
– Acide lactique
0≤Ci≤1 satisfasse une contrainte
– Ferment lactique
– ex : Y>Ymin ou Y<Ymax Viscosité=V0

Démarche
• Classique (tâtonner !) :
– réaliser différents mélanges et les tester … Représentation graphique des
• Plus économique en nombre d’essai : mélanges
– traduire les variations de Y en fonction des
concentrations x1,x2,…,xk par une relation
Y=f(x1,x2,…,xk )
Plans d’expériences
Représentation graphique des mélanges Représentation graphique des mélanges
• Un mélange à k constituants est représenté • 3 constituants : X1+X2+X3=1

par un point
i t – k=3 : Représentation à l’intérieur d’un triangle
– Avec 2 constituants , k=2 : mélange binaire équilatéral de côté d 1 C 0 X1 =0.6 : Prop A
• X1+X2=1 X2 =0.2
02:P Prop B
MX1+MX2+MX3=d X3 X3 =0.2: Prop C
Variations de la composition du mélange
M M
A X1=MB/AB X2=MA/AB B X1 Impact sur Y
Impact
p sur Y 0 X2 1
A 1 B
B 0
Modèles polynomiaux
Cas linéaire (pas d
d’interactions)
interactions) : 3
constituants
– Contraintes
C t i t iimposées
é d dans le
l cas de
d mélanges
él
Modélisation de la réponse • ∑ xi=1 (i = A, B, C; somme des compositions du
mélange)
– Un modèle linéaire de mélanges n’a pas de
constante,,
)
y = E A x A + EB xB + EC xC
démonstration Modèles polynomiaux

• Pas de terme constant dans le modèle Cas du 2e degré
é : 3 constituants A, B , C
linéaire – Propriétés : pas de terme du 2e degré
)
y = y + E A x A + EB xB + EC xC  
∑x i =1 Nous pouvons écrire : xi2 = xi 1 − ∑ x j 
i  j ≠i 
)
x A + x B + xC = 1 ⇒ y = y (x A + x B + xC ) + E A x A + EB xB + EC xC xi
)
)
y = E A x A + EB xB + EC xC + E AB x A xB + E AC x A xC + EBC xB xC
y = E A' x A + EB' xB + EC' xC
Forme générale : i =A, B, C, D…..
) k
E A' = y + E A y = ∑ Ei xi + ∑ Eij xi x j k(k+1)/2 coefficients
dans le modèle
i =1 j >i
N. Boudaoud Z.Cherfi Plans d’expériences Démonstration

Plans !d’expériences
N. Boudaoud Z.Cherfi
Les plans de mélanges
• Différents
Diffé t ttypes d
de plans
l d
de mélanges
él :
– Contraintes sur les constituants :
• Type I : 0 ≤xi ≤ 1, pas de contraintes particulières
Quels essais réaliser ?
• Type II : xi≥ai, limite inférieure
• Type III : ai ≤xi ≤ bi, 2 limites (contraintes réglementaires)

Objectif : est
Object estimer
e les
es pa
paramètres
a èt es du
modèle • Type IV : ∑i=2,..,kxi « x1, cas des solutions où x1 est le solvant
Plans de mélanges de type I Plans de mélanges de type I

• Réseaux de Scheffé {{k: nb de constituants,n:
,
degré du modèle}
• Propriétés : 0 ≤xi ≤ 1, ∑xi=1
– Hypothèse
H thè : k constituants
tit t
2 constituants
– Définition des essais : Réseaux de Scheffé A B A B
Réseau {2,2} Réseau {{2,3}
, }
• Si on test différentes proportions xi dans la série :
– 0, 1/n, 2/n, ….n/n, avec n entier
» Ex: n=1 (lineaire), Valeurs possibles : 0,1 3 constituants
» n=2 , 0, ½, 1
– Il y a autant de combinaisons (de mélanges
différents)) q
que de coefficients dans le modèle
polynomial (ordre n avec k constituants)
– Ces différents mélanges possibles forment un
réseau
éseau de Scheffé
Sc e é {k,n}
{ , } Réseau {3,1} Réseau {3,2} Réseau {3,3}

Essais en fonction du modèle Essais en fonction du modèle
2 facteurs A
3 facteurs
)
y = E A x A + EB xB + EC xC
A Réseau {2,2}
B
B C
Réseau {3,1}
)
y = E A x A + EB xB + E AB x A xB
)
y = E A x A + E B xB + EC xC + E AB x A xB + E AC x A xC + EBC xB xC
Réseau {3
{3,2}
2}

• Exemple d’application • Exemple d’application : plan
– Comportement à froid d’un mélange de 3 d’expériences
constituants
– Précision sur la tenu au froid est +/- 0,5° Point A B C Tenu au
froid ((°C)
C)
– Hypothèse sur le modèle linéaire 1 1 0 0 −40.5
) A(1 0 0)
A(1,0,0)
2 0 1 0 −12.5
y = E A x A + EB xB + EC xC 3 0 0 1 −19
Essai au centre
du domaine 4 1/3 1/3 1/3 −26.9
B(0,1,0) )
C(0,0,1))
C(0,0, y = E A x A + EB xB + EC xC
Réseau {3,1} Estimer les effets moyens ???
Plans de mélanges de type I
• Exemple d’application : Validation du
modèle linéaire
Ymodele= - 40.5 xA -12.5 xB -19 xC

Rechercher un modèle du 2e degré
– Essai au centre : Y=-26.9°C
– Valeur donnée par le modèle : Ymodéle
dél =24
=24°C
C
E t absolu
Ecart b l = 2.9°C
2 9°C supérieur
éi à la
l précision
é i i ded mesure (+/-0.5°C),
(+/ 0 5°C)
le modèle est donc rejeté


• Modèle quadratique ( + interactions)
) • Modèle quadratique ( + interactions)
y = E A x A + E B xB + EC xC + E AB x A xB + E AC x A xC + E BC xB xC
Point A B C Tenu au )
froid ((°C)
C) y = −40.5 x A − 12.5 xB − 19.0 xC − 8.4 x A xB − 60.2 x A xC + 45.8 xB xC
1 1 0 0 −40.5
2 0 1 0 −12.5
3 0 0 1 −19
Validation du modèle ?
5 0.5 0.5 0 −28.6
6 0.5 0 0.5 −30.8 Ajouter
jou e des essa
essaiss ?
7 0 0.5 0.5 −18.5
Réseau {3,2}

Plans de mélanges de type I Tracé des isoréponses
A
• Validation du modèle Tenue au froid des mélanges
)
y = −40.5 x A − 12.5 xB − 19.0 xC − 8.4 x A xB − 60.2 x A xC + 45.8 xB xC -35
On pprend des essais au centres de Abaques

gravité des différents essais Modèle jugé Valide ! Recherche de l’optimum -30
Ecart <0.5°
8
Point A B C Tenu au Tenu au
froid (°C) froid (°C) 4 -25
9 10 -20
observée calculée
4 2/6 2/6 2/6 −26,9 −26,5 -25
8 4/6 1/6 1/6 −29,6 −29,8 Réseau {3,2} -20 -28
9 1/6 4/6 1/6 −24,2
, −24,6
, B C
10 1/6 1/6 4/6 −23,5 −23,3
Représentation 3D Références Bibliographiques

Diagramme de surface du mélange de Y • Introduction to statistical Quality Control, Douglas C.
Montgomery
0
• Plans d'expériences pour Surfaces de réponse, Goupy
-10
-20
20
-3
30
-4
40
A
00
0,0 1,0
-5
50
1,0
B 0,0
0,0
1,0
C

fq03 10 Complet

Transféré par

Droits d'auteur :

Formats disponibles

fq03 10 Complet

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

fq03 10 Complet

Transféré par

Droits d'auteur :

Formats disponibles

Sommaire

• Qu’est-ce qu’un plan d’expériences? • Qu’est-ce qu’un facteur?

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

• Quand fait-on un plan d’expériences? • Intérêt de la méthode

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

• Conditions d’utilisation: • Système de lève vitre

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Méthodologie des PE La démarche générale

• Quelles expériences doit comporter un PE ? 1. Formalisation

• Définir le problème • Poser clairement le problème : Méthode

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Les interactions à étudier ? d’expérimentation

Approche « Traditionnelle » 4. Dépouillement

Permet de tester jusqu’à 7 facteurs à 2 modalités

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Réponse moyenne du facteur A au niveau i : y i⋅ =

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Deux approches possibles

Analyse de variances Analyse des effets ANAVAR

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

ANAVAR – démarche générale

cas d’un 1 facteur à nA modalités

∑∑(y − y ) =r∑(y − y ) +∑∑(y − y )

– Objectif : déterminer les facteurs et/ou i =1 j =1

interactions ayant une influence significative

• Détermination des facteurs significatifs :test de Fisher i =1 j =1

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

o Test de Fisher : le facteur est significatif si F>Fc Le facteur matériau

Avec Fc=F(ddl(A),ddl(R)) au niveau de confiance 1-α.

Autre analyse possible

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Deux facteurs sans répétitions Deux facteurs sans répétitions

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

• Pour minimiser le taux de solvant résiduel

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Exemple 2 : analyse du plan

Facteur B EBj = y⋅ j⋅− y 1

1 1.7 2.2 3.1 3.4 2.5625 0.7

EAiBj = yij⋅− y+EAi +EBj

AB 5.04 3 1.68 31.26 4.07 Significatif 1 2 0

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

• Le test de Student permet de tester individuellement • Hypothèses à vérifier pour la validité de

Le test de Student a un intérêt pour les facteurs à

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Modèle linéaire généralisé Plan factoriel complet 2n

• 2 facteurs significatifs, sans interactions • Ce sont des plans d’expériences où on teste n

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Essai A B C AB AC BC ABC Y Essai A B C AB AC BC ABC Y

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

• Le calcul de la SCE des facteurs et • Facteurs avec un nombre de

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Remarque sur les tests statistiques Optimisation

facteur) la réponse ( défaut de 0

• Le test de Fisher p permet de tester l’effet g

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Modèle Validation de modèle

N. Boudaoud Z.Cherfi Plans d’expériences N. Boudaoud Z.Cherfi Plans d’expériences

Var ( EM ) 0,0369 • Si pas de répétition: problème pour évaluer la