Thèse Plan D'expériences (Mec Exp 12)

N° d'ordre : 2509 Année 2007
THÈSE
Présentée pour obtenir
le titre de
Docteur de l'Institut National Polytechnique de Toulouse

ECOLE DOCTORALE MATERIAUX – STRUCTURE - MECANIQUE
Spécialité : Génie Mécanique
Par
François RABIER
Modélisation par la méthode des plans

d’expériences du comportement dynamique d’un
module IGBT utilisé en traction ferroviaire
Soutenue le 14 septembre 2007 devant le jury composé de :
M. Serge CAPERAA Professeur des universités à l’ENI de Trabes Examinateur

M. Abdelkhalek EL HAMI Professeur des universités à l'INSA de Rouen Rapporteur
M. Abdelaziz HIHI Professeur à la faculté des sciences de RABAT Examinateur
M. Moussa KARAMA Professeur des universités à l’ENI de Tarbes Directeur de thèse
M. Zoubir KHATIR Chargé de recherche à l'INRETS Rapporteur
Mme Carmen MARTIN Maître de conférence à L’ENI de Trabes Examinateur
M. Michel MERMET-GUYENNET Directeur du laboratoire PEARL Examinateur
M. Michel PITON Ingénieur à ALSTOM Examinateur
Equipe d'accueil : Calcul Mécanique Assisté par Ordinateur - Laboratoire Génie de Production
UPRES EA N°1905 - ENI de Tarbes
Pour toutes les personnes qui m’ont
aidé et soutenu durant ces trois années,
Remerciements
La rédaction de ces remerciements marque la fin de trois années de travail au sein du
laboratoire PEARL et du LGP. J’en profite donc pour associer au succès de ce travail les
personnes qui ont contribué de quelques manières que ce soit à la bonne conduite de cette
thèse.
Je souhaite tout d’abord présenter mes sincères remerciements à messieurs Malville et

Darthoux, responsables successifs du site ALSTOM Transport de Tarbes, pour avoir accepté
ma présence et le déroulement de cette thèse au sein de leur usine ainsi que Daniel Noyes,
directeur du Laboratoire Génie de Production de l’Ecole Nationale d’Ingénieur de Tarbes
pour m’avoir accueilli dans son établissement.
Mes plus vifs remerciements vont également à l’équipe qui a encadré ce travail de thèse,
Moussa Karama, Professeur des Universités à l’ENIT et directeur de thèse, Carmen Martin,
Maître de Conférence à l’ENIT et Michel Mermet-Guyennet, directeur du laboratoire PEARL
avec qui ce fut un plaisir de travailler.
Je souhaite également remercier Zoubir Khatir, chargé de recherche à l’INRETS, et

Abdelkhalek Elhami, Professeur des Universités de l’INSA de Rouen, pour avoir accepté de
rapporter sur ce travail ainsi que l’ensemble des membres du jury devant lequel j’ai eu le
bonheur de soutenir mon travail.
Merci à Michel Piton, Ingénieur ALSTOM Transport et expert en IGBT et José SAIZ dit
« Le ZEP », ingénieur ALSTOM au sein de PEARL pour le soutien technique qu’ils m’ont
apporté sur l’IGBT, composant si mystérieux pour le mécanicien que je suis. Merci également
à l’ensemble des acteurs du programme PORTES pour leur apport technique.
Un grand merci à l’ensemble des Pearliens et Pearlienne, d’hier et d’aujourd’hui pour leur
bonne humeur. Ce fut un réel bonheur de travailler dans cet environnement et j’espère que ce
laboratoire continuera à se développer et à innover comme il l’a fait jusqu’à présent. Une
pensée spéciale à Mr Duts pour les coups de mains salvateurs.
Merci aussi aux collègues du LGP, les fragueurs du midi, les footeux du mercredi, les
fragueurs footeux et les autres notamment ceux qui récupèrent des sujet de DEA un peu
bizarre (elle est pour toi celle-là Alex !!!) et ceux qui présentent une tolérance auditive hors
du commun (ça c’est pour toi Bibi !!!).
Je ne saurais oublier Henri Machoukow, instigateur de ce sujet de thèse innovant et qui

m’a fait confiance durant mon DEA en me proposant ce travail peu commun.
Enfin je finirai ces remerciements par un grand merci à mes parents, ma sœur et les amis
qui m’ont soutenu et ont su trouver les mots ou simplement être là dans les moments de doute.
MERCI à tous …
Table des matières
Table des matières
INTRODUCTION GENERALE .......................................................................................... 15
CHAPITRE I : ........................................................................................................................ 17
ETUDE BIBLIOGRAPHIQUE SUR LES MODULES IGBT
1. INTRODUCTION............................................................................................................ 19
2. LES TRANSISTORS ....................................................................................................... 20
2.1. Historique ..................................................................................................................... 21
2.2. Le MOSFET ................................................................................................................. 22
2.3. Le Bipolaire.................................................................................................................. 24
3. L’IGBT .............................................................................................................................. 26
3.1. Gammes et usages ........................................................................................................ 26
3.2. Structure ....................................................................................................................... 27
3.3. Les différentes technologies d’IGBT ........................................................................... 28
3.3.1. Technologie Punch Through (à base non homogène)......................................... 28
3.3.2. Technologie Non Punch Through (à base homogène) ........................................ 29
3.3.3. Technologie Trench Gate (grille enterrée) ......................................................... 29
3.4. Procédé de fabrication .................................................................................................. 30
3.4.1. Formation des jonctions...................................................................................... 30
3.4.2. Traitement des surfaces, préparation des connexions ........................................ 30
3.5. Principe de fonctionnement.......................................................................................... 32
3.5.1. Fonctionnement d’une diode ............................................................................... 32
3.5.2. Fonctionnement d’un IGBT................................................................................. 33
3.6. Les mécanismes de dégradation et modes de défaillance des modules IGBT ............. 35
3.6.1. Le cyclage thermique .......................................................................................... 35
3.6.2. La corrosion ........................................................................................................ 40
3.6.3. L’électromigration .............................................................................................. 41
3.6.4. Les décharges partielles...................................................................................... 41
3.6.5. Le rayonnement cosmique ................................................................................... 42
3.6.6. Le vieillissement des oxydes de grille.................................................................. 42
3.6.7. Récapitulatif des mécanismes de dégradation .................................................... 42
3.7. Contraintes limites........................................................................................................ 43
3.7.1. Limites thermiques locales .................................................................................. 44
3.7.2. Avalanche électronique ....................................................................................... 45
3.7.3. Retournement ou latch-up ................................................................................... 45
3.7.4. Claquage de la grille........................................................................................... 46
3.7.5. Cas particulier de la diode.................................................................................. 46
3.7.6. Résumé des limites de fonctionnement ................................................................ 46
3.8. Modélisation des transistors IGBT............................................................................... 48
4. CONCLUSION DU CHAPITRE I ................................................................................. 50
REFERENCES DU CHAPITRE I........................................................................................ 51
7
Table des matières
CHAPITRE II : ...................................................................................................................... 55
LES PLANS D’EXPERIENCES,ETUDE DE CRIBLAGE
1. INTRODUCTION A LA METHODE DES PLANS D’EXPERIENCES ................... 57

2. HISTORIQUE DES PLANS DE CRIBLAGE .............................................................. 59
3. METHODE DE CRIBLAGE OU SCREENING .......................................................... 60
3.1. Définition de l’objectif et de la/des réponse(s) ............................................................ 61
3.1.1. Définition de l’objectif de l’étude........................................................................ 61
3.1.2. Définition de la/les réponse(s) caractérisant l’objectif....................................... 61
3.2. Choix d’une stratégie expérimentale............................................................................ 62
3.3. Définition des facteurs ................................................................................................. 62
3.3.1. Codage associé aux modèles additifs sans interaction ....................................... 64
3.3.2. Codage associé aux modèles additifs avec ou sans interactions ........................ 65
3.4. Définition du domaine expérimental............................................................................ 67
3.5. Définition du modèle empirique .................................................................................. 68
3.6. Construction du plan d’expériences ............................................................................. 68
3.7. Expérimentation ........................................................................................................... 70
3.8. Analyse globale des résultats d’essais.......................................................................... 70
3.9. Analyse mathématique des résultats d’essais............................................................... 71
3.9.1. Grille de dépouillement ....................................................................................... 71
3.9.2. Calcul des coefficients du modèle additif............................................................ 72
3.9.3. Calcul des résidus ............................................................................................... 73
3.10. Analyse statistique du modèle...................................................................................... 73
3.10.1. Méthode de Daniel .............................................................................................. 73
3.10.2. Méthode de Lenth ................................................................................................ 74
3.10.3. Analyse de la variance ........................................................................................ 75
3.11. Analyse graphique du modèle ...................................................................................... 80
3.11.1. Tracé des effets moyens....................................................................................... 80
3.11.2. Tracé des interactions ......................................................................................... 81
3.11.3. Diagramme de Pareto ......................................................................................... 82
3.11.4. Graphe d’adéquation du modèle......................................................................... 83
3.11.5. Diagramme des coefficients ................................................................................ 83
3.12. Validation du modèle et des informations obtenues .................................................... 84
4. APPLICATION DES METHODES DE CRIBLAGE .................................................. 85
4.1. Définition des objectifs et des réponses ....................................................................... 85
4.2. Définition des facteurs ................................................................................................. 87
4.3. Plan 1 (U, I, T, caractéristiques statiques).................................................................... 88
4.3.1. Etude des étendues statistiques des caractéristiques statiques ........................... 89
4.3.2. Définition du domaine expérimental ................................................................... 92
4.3.3. Définition du modèle empirique.......................................................................... 93
4.3.4. Construction du plan d’expériences.................................................................... 94
4.3.5. Expérimentation .................................................................................................. 95
4.3.6. Analyse globale des résultats d’essais ................................................................ 96
4.3.7. Analyse mathématique des résultats d’essais...................................................... 99
4.3.8. Analyse statistique du modèle, ............................................................................ 99
4.3.9. Analyse graphique des résultats........................................................................ 101
4.3.10. Résultats du plan 1 ............................................................................................ 104
4.4. Plan 2 (Lcom, Lge, Rgoff, ton) ................................................................................... 104
4.4.1. Définition du domaine expérimental ................................................................. 106
4.4.2. Définition du modèle empirique........................................................................ 106
8
Table des matières
4.4.3. Construction du plan d’expériences.................................................................. 107

4.4.4. Expérimentation ................................................................................................ 107
4.4.5. Analyse globale des résultats d’essais .............................................................. 108
4.4.6. Analyse mathématique des résultats d’essais.................................................... 109
4.4.7. Analyse statistique du modèle ........................................................................... 110
4.4.8. Analyse graphique du modèle ........................................................................... 114
4.4.9. Résultats du plan 2 ............................................................................................ 115
5. CONCLUSION............................................................................................................... 115
REFERENCES DU CHAPITRE II .................................................................................... 116
CHAPITRE III :................................................................................................................... 119

LES PLANS D’EXPERIENCES, ETUDE DE SURFACE DE REPONSE
1. INTRODUCTION.......................................................................................................... 121
2. HISTORIQUE DES PLANS DE SURFACE DE REPONSE .................................... 121
3. METHODE DE SURFACE DE REPONSE ................................................................ 123
3.1. Définition des l’objectifs et de la/les réponse(s) ........................................................ 124
3.1.1. Définition du ou des objectif(s) de l’étude ........................................................ 124
3.1.2. Définition de la/les réponse(s) caractérisant l’objectif..................................... 124
3.2. Choix d’une stratégie expérimentale.......................................................................... 124
3.3. Définition des facteurs et des niveaux........................................................................ 125
3.3.1. Définition des niveaux ....................................................................................... 125
3.3.2. Codage de la matrice d’expériences ................................................................. 126
3.4. Définition du domaine expérimental.......................................................................... 126
3.5. Définition du modèle empirique ................................................................................ 128
3.6. Construction du plan d’expériences ........................................................................... 129
3.6.1. Les constructions historiques ............................................................................ 129
3.6.2. Les constructions algorithmiques...................................................................... 131
3.7. Expérimentation ......................................................................................................... 137
3.8. Analyse globale des résultats d’essais........................................................................ 138
3.9. Analyse mathématique des résultats d’essais............................................................. 138
3.9.1. Calcul des coefficients du modèle additif.......................................................... 138
3.9.2. Calcul des résidus ............................................................................................. 139
3.10. Analyse statistique du modèle.................................................................................... 139
3.10.1. L’analyse du modèle dans sa globalité ............................................................. 139
3.10.2. Analyse statistiques des coefficients du modèle ................................................ 142
3.10.3. Analyse statistique des résidus .......................................................................... 143
3.11. Analyse graphique du modèle .................................................................................... 144
3.11.1. Graphe d’adéquation du modèle....................................................................... 144
3.11.2. Surfaces de réponse........................................................................................... 144
3.11.3. Courbes iso-réponse.......................................................................................... 145
3.12. Validation du modèle et des informations obtenues .................................................. 145
4. APPLICATION DE LA METHODE DE SURFACE DE REPONSE ...................... 146
4.1. Définition des objectifs et des réponses ..................................................................... 146
4.2. Choix d’une stratégie expérimentale.......................................................................... 147
4.3. Définition des facteurs ............................................................................................... 147
4.4. Définition du domaine expérimental.......................................................................... 148
4.5. Définition du modèle empirique ................................................................................ 150
4.6. Construction du plan d’expériences ........................................................................... 150
9
Table des matières
4.6.1. Utilisation du K-algorithme de MODDE .......................................................... 151

4.6.2. Identification des points leviers dans la matrice G-optimale ........................... 155
4.7. Expérimentation ......................................................................................................... 155
4.8. Analyse globale des résultats d’essais........................................................................ 156
4.9. Analyse mathématique des résultats d’essais............................................................. 157
4.10. Analyse statistique du modèle.................................................................................... 157
4.10.1. Analyse statistique globale des modèles ........................................................... 158
4.10.2. Analyse statistique des éléments des modèles ................................................... 158
4.10.3. Analyse statistique des résidus .......................................................................... 161
4.11. Analyse graphique du modèle .................................................................................... 162
4.11.1. Graphiques d’adéquation des modèles ............................................................. 162
4.11.2. Représentation graphique des surfaces de réponses......................................... 163
4.12. Validation du modèle et des informations obtenues .................................................. 164
5. CONCLUSION............................................................................................................... 165
RÉFÉRENCES DU CHAPITRE III .................................................................................. 166
CONCLUSION ET PERSPECTIVES ............................................................................... 171
REFERENCES ..................................................................................................................... 173
ANNEXES............................................................................................................................. 181
10
Table des illustrations

Table des illustrations (Figures)
Figures du chapitre I :
Fig 1. La chaîne de traction ............................................................................................................. 19

Fig 2. Le premier transistor ............................................................................................................. 21
Fig 3. Principe d'un MOSFET à canal N : les zones hachurées sont de type N [Cand, 86] ............ 22
Fig 4. Pincement du canal en fonction de VD [Chatelain, 79] ......................................................... 23
Fig 5. Caractéristiques des différents types de transistors MOS [Cand, 86] ................................... 24
Fig 6. Structure PNP et NPN de transistors bipolaires.................................................................... 25
Fig 7. Structure de l’IGBT .............................................................................................................. 27
Fig 8. Structure Punch Trough ........................................................................................................ 28
Fig 9. Structure Non Punch Through .............................................................................................. 29
Fig 10. Structure Trench.................................................................................................................... 29
Fig 11. Connexion de type bonding sur un puce silicium ................................................................. 31
Fig 12. Module IGBT 3300V 1200A EUPEC................................................................................... 31
Fig 13. Structure d’une diode PIN..................................................................................................... 32
Fig 14. Diode polarisée en direct....................................................................................................... 33
Fig 15. Diode polarisée en inverse .................................................................................................... 33
Fig 16. L’IGBT : structure (a) et schéma équivalent (b) ................................................................... 33
Fig 17. Etat passant de l’IGBT .......................................................................................................... 34
Fig 18. Etat bloqué de l’IGBT........................................................................................................... 35
Fig 19. Décollement d’un fil de bonding [Ciappa, 02]...................................................................... 36
Fig 20. Fissuration au pied d’un fil de bonding [Ciappa, 02]............................................................ 37
Fig 21. Définition des paramètres de bonding pour le modèle de durée de vie ................................ 38
Fig 22. Déformation de la surface d’une métallisation [Ciappa, 02]................................................. 38
Fig 23. Rupture du substrat d’un module IGBT [Ciappa, 02]........................................................... 39
Fig 24. Délaminage d’une puce IGBT [Ciappa, 02].......................................................................... 39
Fig 25. Rupture d’un bonding due à la corrosion [Ciappa, 02] ......................................................... 40
Fig 26. Aire de sécurité pour un composant de puissance................................................................. 47
Fig 27. Circuit équivalent d’un transistor IGBT selon A.R. Hefner [Hefner, 94]............................. 49
Fig 28. Circuit équivalent d’un transistor IGBT selon S. Musumeci [Musumeci, 96]...................... 49
Figures du chapitre II :
Fig 1. Evolution des techniques de criblage [Louvet, 06] ............................................................... 59

Fig 2. Exemple de représentation graphique d’un domaine expérimental ...................................... 67
Fig 3. Exemple de tracé des effets moyens ..................................................................................... 81
Fig 4. Exemple de tracé des interactions ......................................................................................... 81
Fig 5. Exemple de diagramme de Pareto......................................................................................... 83
Fig 6. Exemple de diagramme des coefficients pour un plan à 3 facteurs à 2 modalités ................ 84
Fig 7. IGBT 3,3 kV Eupec .............................................................................................................. 85
Fig 8. Signal envoyé par la commande à la grille du module IGBT ............................................... 86
Fig 9. Schématisation des formes d’onde du courant et de la tension pendant l’essai .................... 86
Fig 10. Blocage du module IGBT ..................................................................................................... 87
Fig 11. Schéma électrique du montage.............................................................................................. 87
11
Fig 12. Effet de la température sur Vcesat ........................................................................................ 91

Fig 13. Effet de la température sur Vf............................................................................................... 91
Fig 14. Effet de la température sur Ices............................................................................................. 92
Fig 15. Illustration du domaine expérimental.................................................................................... 93
Fig 16. Semelle usinée pour essais à froid ........................................................................................ 95
Fig 17. Banc de test utilisé ................................................................................................................ 96
Fig 18. Réponses obtenues pour différentes valeurs de Vf ............................................................... 98
Fig 19. Effet des facteurs U, I et T°C sur la surtension................................................................... 101
Fig 20. Effet des facteurs U, I et T°C sur la vitesse de commutation.............................................. 102
Fig 21. Diagramme de Pareto pour la vitesse de commutation ....................................................... 102
Fig 22. Interaction entre U et T°C sur la surtension........................................................................ 103
Fig 23. Interaction entre U et I sur la vitesse de commutation........................................................ 103
Fig 24. Montage utilisé pour le second plan de criblage ................................................................. 105
Fig 25. Pâtes de cuivre utilisées pour augmenter l’inductance Lcom ............................................. 105
Fig 26. Câbles de commande utilisés .............................................................................................. 105
Fig 27. Ensemble des points candidats............................................................................................ 106
Fig 28. Graphe de Daniel pour la vitesse de commutation au point a............................................. 110
Fig 29. Méthode de Lenth appliquée au modèle de dV/dt au point a.............................................. 111
Fig 30. Graphe d’adéquation du modèle de surtension au point b .................................................. 114
Figures du chapitre III :
Fig 1. Evolution des techniques de surfaces de réponse [Louvet, 06]........................................... 122

Fig 2. Illustration de la notion de contrainte dans un domaine expérimental................................ 127
Fig 3. Exemple de surface de réponse ........................................................................................... 145
Fig 4. Exemple de courbes iso-réponse......................................................................................... 145
Fig 5. Blocage du module IGBT ................................................................................................... 147
Fig 6. Schéma électrique du montage expérimental...................................................................... 147
Fig 7. Evolution de la G-efficacité en fonction de la taille N de la matrice d’expériences ........... 152
Fig 8. Evolution de la D-efficacité en fonction de la taille N de la matrice d’expériences ........... 153
Fig 9. Evolution de la A-efficacité en fonction de la taille N de la matrice d’expériences ........... 153
Fig 10. Graphe des leviers de la matrice G-optimale ...................................................................... 155
Fig 11. Montage en étuve pour les essais à -40°C et 42°C.............................................................. 156
Fig 12. Evolution des coefficients d'ajustement des modèles de surtension ................................... 159
Fig 13. Evolution des coefficients d'ajustement des modèles de vitesse de commutation .............. 159
Fig 14. Droite d’Henry des résidus du modèle de surtension.......................................................... 161
Fig 15. Droite d’Henry du modèle de vitesse de commutation ....................................................... 161
Fig 16. Graphe d’adéquation du modèle de surtension ................................................................... 162
Fig 17. Graphe d’adéquation du modèle de vitesse de commutation.............................................. 162
Fig 18. Surface de réponse matérialisant les variations de surtension ............................................ 163
Fig 19. Surface de réponse matérialisant les variations de vitesse de commutation ....................... 163
Fig 20. Validation du modèle de surtension.................................................................................... 165
Fig 21. Validation du modèle de vitesse de commutation............................................................... 165
12
Table des illustrations (Table)
Tables du chapitre I :
Table 1 Caractéristiques moyennes comparées pour différents transistors [Carubelli, 03] ............... 26
Table 2 Matériaux utilisés dans les modules IGBT [Ciappa, 02] ...................................................... 27
Table 3 Récapitulatif des mécanismes de dégradation....................................................................... 43
Tables du chapitre II :
Table 1 Passage du plan d’expérimentation à la matrice d’expériences ............................................ 63

Table 2 Table L9(34) non codée.......................................................................................................... 64
Table 3 Table L9(34) codée................................................................................................................. 64
Table 4 Matrice du modèle ................................................................................................................ 65
Table 5 Codage d’un facteur A .......................................................................................................... 65
Table 6 Table L9(34) codée................................................................................................................. 66
Table 7 Matrice du modèle ................................................................................................................ 66
Table 8 Exemple de codage ............................................................................................................... 66
Table 9 Illustration du calcul d’interaction ........................................................................................ 67
Table 10 matrice d’expérience et tableaux de contingence associés.................................................... 69
Table 11 Grille de dépouillement associé à un arrangement L9(34) ..................................................... 72
Table 12 Tableau d’analyse de variance .............................................................................................. 79
Table 13 Bornes des distributions des caractéristiques statiques de 223 modules IGBT .................... 89
Table 14 Bornes des distributions des caractéristiques statiques des 30 modules IGBT ..................... 89
Table 15 Modules IGBT utilisés à 25°C .............................................................................................. 90
Table 16 Modules IGBT utilisés à 125°C ............................................................................................ 91
Table 17 Facteurs et modalités associées............................................................................................. 92
Table 18 Matrice d’expérience ξ.......................................................................................................... 94
Table 19 Matrice du modèle X............................................................................................................. 95
Table 20 Résultats obtenus en surtension ............................................................................................ 97
Table 21 Résultats obtenus en vitesse de commutation ....................................................................... 97
Table 22 Résultats de l’essai 10 pour différentes valeurs de Vf .......................................................... 98
Table 23 Poids des éléments des modèles............................................................................................ 99
Table 24 Analyse de variance sur la surtension ................................................................................... 99
Table 25 Vérification de l’analyse de variance sur la surtension....................................................... 100
Table 26 Modalités utilisées pour chacun des facteurs ...................................................................... 106
Table 27 Matrice du modèle X........................................................................................................... 107
Table 28 Points de fonctionnement.................................................................................................... 108
Table 29 Résultat du plan d’expériences............................................................................................ 108
Table 30 Calcul des coefficients du modèle de surtension au point a................................................ 109
Table 31 Coefficients des modèles de surtension et de vitesse de commutation ............................... 110
Table 32 Tableau d’analyse de variance pour dV/dt au point a ......................................................... 112
Table 33 Vérification du caractère significatif des variables ............................................................. 112
Table 34 Tableau récapitulatif des résultats d’analyses statistiques .................................................. 113
Table 35 Indicateurs d’analyse de régression des modèles................................................................ 114
Tables du chapitre III :
Table 1 Tableau d’analyse de régression ......................................................................................... 141

Table 2 Tableau d’analyse statistique des coefficients .................................................................... 143
Table 3 Bornes des facteurs utilisés pour la surface de réponse ...................................................... 148
Table 4 Niveaux maximaux de tension et courant dans le domaine expérimental .......................... 149
Table 5 Modalités utilisées dans le domaine expérimental.............................................................. 150
13
Table 6 Matrice d’expériences G-Optimale ..................................................................................... 154

Table 7 Résultats d’essais ................................................................................................................ 157
Table 8 Coefficients des modèles complets ..................................................................................... 157
Table 9 Analyse de variance du modèle de surtension .................................................................... 158
Table 10 Analyse de variance du modèle de vitesse de commutation ............................................... 158
Table 11 Qualité descriptive et prédictive des modèles..................................................................... 158
Table 12 Coefficients des modèles de surtension (a) et de vitesse de commutation (b) .................... 160
Table 13 Qualité descriptives et prédictive des modèles ................................................................... 160
Table 14 Points et résultats de validation........................................................................................... 164
14
Introduction générale
Cette thèse effectuée sous contrat Alstom dans le cadre d’une convention CIFFRE s’est
déroulée principalement au sein du laboratoire P.E.A.R.L. (Power Electronic Associated
Research Laboratory). P.E.A.R.L est un laboratoire commun d’application né en 2001, à
vocation européenne et internationale, qui associe industriels et laboratoires publics.
Initialement orienté vers des problématiques ferroviaires dues à son principal partenariat avec
ALSTOM Transport, le laboratoire s’est ouvert à l’avionique en 2005 à travers la convention
associant P.E.A.R.L. à THALES AVIONICS et HISPANO-SUIZA. Le Laboratoire Génie de
Production de l’ENI de Tarbes assure l’encadrement scientifique de ce travail.
Si la productivité a été incontestablement le moteur du 20ème siècle, le 21ème siècle sera

celui de la qualité, comme l’a prédit le pionnier de cette discipline J.M. Juran. C’est dans cette
optique que ce travail de recherche a été mené. Cette thèse s’intègre en effet dans le
programme européen PORTES (Power Reliability for Traction Electronics), programme
Marie Curie regroupant le constructeur ferroviaire ALSTOM Transport, le fabricant allemand
de modules IGBT EUPEC, le Centre National de Microélectronique de Barcelone, le
Laboratoire Systèmes Intégrés du Swiss Federal Institute of Technologie de Zurich et le
Laboratoire Génie de Production de l’Ecole Nationale d’Ingénieur de Tarbes. Ce programme
a été mis en place dans le but d’augmenter la qualité et la fiabilité des équipements de traction
ferroviaire en améliorant les connaissances aux niveaux de l’allumeur, du semi-conducteur et
du module IGBT. Ce travail de thèse aborde, pour sa part, l’IGBT de façon globale et cherche
à apporter de nouvelles connaissances sur son comportement.
Dans le contexte concurrentiel actuel, les objectifs de qualité et de fiabilité sont au cœur
de la conception des produits. Sur son site de Tarbes, Alstom Transport conçoit et fabrique les
chaînes de traction utilisées dans les applications TGV, RER, métro, Loco fret ou encore
tramway du constructeur ferroviaire français. Le cœur d’une chaîne de traction est l’onduleur,
dont le rôle est de convertir un signal continu monophasé en signal alternatif triphasé utilisé
pour alimenter le moteur asynchrone de la motrice. La majeure partie des onduleurs de
traction de nouvelle génération utilise la technologie IGBT (Insulated Gate Bipolar
Transistor).
Le dimensionnement d’un onduleur de traction à IGBT est aujourd’hui basé

essentiellement sur les caractéristiques des modules IGBT et notamment son aire de sécurité,
définie par le fournisseur dans des conditions particulières de fonctionnement. Cependant, ces
conditions ne représentent qu’une infime partie des conditions réelles d’utilisation que peut
subir l’IGBT lors de son fonctionnement. Il parait alors primordial d’approfondir cette notion
d’aire de sécurité des modules et de la redéfinir en faisant intervenir l’ensemble des
paramètres liés à son l’utilisation. Pour cela, nous avons considéré la surtension et la vitesse
de commutation présentes au blocage de l’IGBT comme des performances dynamiques
susceptibles de provoquer la casse du composant et nous avons cherché à les traduire à travers
des modèles faisant intervenir l’ensemble des paramètres liés aux conditions de
fonctionnement des modules.
15
Pour réaliser cette modélisation, nous avons opté pour les méthodes des plans
d’expériences. Ces méthodes permettent notamment d’établir des modèles quadratiques
faisant intervenir des paramètres de différentes natures (thermique, mécanique, électrique,
temporelle,…). Ces méthodes de modélisation sont basées sur l’expérimentation. Le but des
plans d’expériences est d’obtenir un maximum d’information en ne réalisant qu’un minimum
d’essais, ce qui répond parfaitement au défi qu’impose le contexte économique actuel.
Le premier chapitre traite de l’IGBT. Cette synthèse bibliographique présente la

problématique soulevée par cette thèse. Le fonctionnement de ce type de transistor y est
également développé ainsi que ses contraintes limites, ses mécanismes de dégradation et les
modélisations existantes.
Dans le second chapitre, une introduction présente les méthodes de plan d’expériences et
la forme des modèles recherchés. L’obtention de ces modèles nécessite dans un premier temps
de limiter l’étude aux facteurs ayant une influence statistiquement significative sur les
réponses observées. On utilise pour cela des plans dits de criblage afin de mesurer l’effet des
facteurs et des interactions sur les réponses et d’éliminer les paramètres n’ayant pas
d’influence.
Enfin, le troisième chapitre reprend les facteurs précédemment identifiés comme influents
et aborde la modélisation des réponses en fonction de ces derniers. La construction du plan
utilisé pour réaliser cette modélisation se base sur un algorithmique d’échange prévu pour
maximiser un critère d’efficacité associé à la matrice d’expériences. Dans notre application, le
critère utilisé cherche à minimiser l’incertitude maximale de prédiction dans l’ensemble du
domaine de validité des modèles.
16
Chapitre 1 : Etude bibliographique sur les modules IGBT
Chapitre I :
Etude bibliographique sur les modules
IGBT
17
18
1. Introduction
Sur son site de Tarbes, la filière transport du groupe Alstom fabrique différents éléments
des chaînes de traction utilisées dans ses trains, métros ou encore tramways. Une chaîne de
traction ferroviaire se compose d’un pantographe, dont le rôle est d’assurer la captation de
l’énergie, d’un disjoncteur pour protéger le système et d’un convertisseur qui met en forme le
signal d’alimentation du moteur de traction, élément ultime de cette chaîne. La figure 1
présente la structure classique des chaînes de traction ferroviaire :
Fig 1. La chaîne de traction
La partie essentielle du travail de conception d’une chaîne de traction réside dans le

dimensionnement de l’onduleur présent au sein du convertisseur. C’est l’élément central de
cette chaîne, son rôle est de transformer le signal continu monophasé obtenu en sortie d’un
redresseur (dans le cas d’une alimentation alternative) en un signal alternatif triphasé de
fréquence variable qui alimentera le moteur asynchrone du véhicule.
Pour dimensionner l’onduleur, le bureau d’études doit prendre en compte les différents
paramètres précisés dans le cahier des charges fourni par le client. Ce cahier des charges
précise notamment la tension d’alimentation du réseau sur lequel fonctionnera le véhicule et
que l’onduleur devra couper. Cette tension d’entrée présente une grande variabilité. Il n’est
pas rare par exemple, pour une tension d’alimentation annoncée à 1500V continu, d’atteindre
les 1800V permanent et même des valeurs plus importantes pour des temps courts. Le cahier
des charges précise également diverses caractéristiques liées aux conditions de
fonctionnement du matériel telles que la température de fonctionnement qui peut varier entre -
40°C à 125°C suivant les applications. A partir de ces éléments, on cherche à établir un
courant maximal de commutation garantissant une fiabilité du système acceptable pour le
client et le fabricant.
Ce niveau maximal de courant de commutation est établi en fonction de la technologie de

transistor utilisée dans l’onduleur. Aujourd’hui la technologie la plus utilisée est l’IGBT
(Insulated Gate Bipolar Transistor). Les modules IGBT sont le cœur de la chaîne de traction
et les éléments les plus sensibles du système. Ainsi en augmentant la fiabilité de ces modules
on augmente la fiabilité de l’onduleur et de la chaîne de traction dans sa globalité.
19
Comme tout transistor, l’IGBT peut être assimilé à un interrupteur. Dans l’idéal, un
interrupteur doit posséder une impédance nulle à l’état fermé et infinie à l’état ouvert, une
puissance consommée et un temps de commutation nuls. On peut donc en conclure qu’un
interrupteur idéal n’existe pas et n’existera pas d’avantage demain. Cependant les transistors
actuels s’efforcent de satisfaire au mieux ces conditions.
Les deux plus célèbres transistors sont le MOSFET et le Bipolaire. L’avantage du

Bipolaire est qu’il possède une faible tension de déchet à l’état passant ainsi que le pouvoir de
commuter de forts courants. Cependant, il nécessite une puissance de commande importante
et sa fréquence de travail est relativement basse. Le MOSFET quant à lui est plus connu pour
ses fréquences de travail élevées et sa puissance de commande presque nulle. En revanche sa
tension de déchet est importante pour des dispositifs mettant en jeu des hautes tensions
(quelques centaines de Volts).
Depuis 1979, s’est développé l’idée d’intégrer les avantages de ces deux technologies sur
une même puce tout en évitant au mieux leurs inconvénients. De cette idée sont nées
différents dispositifs :
• L’IGT (Insulated Gate Transistor) de General Electric en 84 [Baliga, 84],

• Le GEMFET (Gain Enhaced MOSFET) de Motorola,
• Le COMFET (Conductivity Modulated FET) de RCA en 83 [Russel, 95].
Toutes ces technologies ont permis d’aboutir à ce qu’on appelle aujourd’hui l’IGBT.
Ce travail de thèse porte sur certaines performances en commutation des modules IGBT
de forte puissance utilisés en traction ferroviaire. L’objectif visé est d’améliorer la
connaissance du comportement des modules au sein de leur aire de sécurité afin de permettre
une conception plus sûre des onduleurs de tractions.
Pour mieux comprendre le fonctionnement de l’IGBT, ses avantages et son apparition

dans le monde des transistors, nous présenterons l’évolution des transistors et des semi
conducteurs assurant cette fonction. Nous nous concentrerons ensuite plus précisément sur les
principales caractéristiques des modules IGBT de forte puissance, leur fabrication, leur
fonctionnement, leurs principaux modes de dégradation et leurs limites qui représentent
aujourd’hui les conséquences d’une conception parfois trop hasardeuse de ces onduleurs.
L’objectif final de ce travail de recherche étant l’obtention de modèles comportementaux par
une approche expérimentale, nous conclurons ce chapitre en présentant les diverses natures de
modèles existants dans le cadre de l’IGBT.
2. Les transistors
L’IGBT, comme son nom l’indique, fait partie de la grande famille des transistors. Dans
l’univers de l’électronique, le transistor est le composant actif fondamental. Il est
principalement utilisé en tant qu’interrupteur commandé ou dans un but d’amplification de
signal mais aussi pour stabiliser une tension, moduler un signal ainsi que de nombreuses
autres utilisations.
20
On trouve dans la littérature, bon nombre d’ouvrages tels que [Baliga, 87], [Aloïsi, 01],
[Blot, 95], [Chatelain, 79], [Lefebvre, 04], [Mathieu, 01] qui développent les technologies de
transistors bipolaires, à effet de champs et autre.
Le terme transistor provient de l’anglais « transfer resistor » (résistance de transfert). Il
désigne un dispositif semi-conducteur à trois ou quatre électrodes, selon son type, qui permet
le contrôle, grâce à une électrode d'entrée, d'un courant ou d'une tension sur l'une des
électrodes de sorties.
Par extension, le terme transistor désigne également les récepteurs radio équipés de
transistors.
L’effet transistor se base sur une propriété particulière que possèdent certains matériaux
dits semi-conducteurs [Aloïsi, 01]. Les semi-conducteurs sont des matériaux présentant une
conductivité électrique intermédiaire entre les métaux et les isolants. Ils sont cependant
parfaitement isolant à 0°K. Aujourd’hui les matériaux assurant cette fonction sont le SiC,
l’AsGa, l’InSb, le ZnO, le ZnS ou encore PbS mais surtout plus couramment le Silicium (Si).
Le silicium est le matériau principal utilisé en microélectronique. Il est abondant dans la
nature, donc peu cher, et fournit des composant fiables et stables.
Il existe deux grandes familles de transistors :
• Les transistors unipolaires qui n’utilisent qu’un seul type de pôle, électrons ou trous.
Ce sont les Transistors à Effet de Champ qui sont soit à Jonction (JFET) soit des
structures métal-oxyde-semiconducteurs (MOSFET). [Blot, 95], [Chatelain, 79],
[Mathieu, 01]
• Les Transistors Bipolaires qui utilisent simultanément la conduction par trous et par
électrons. Ce sont par exemple les Transistors Bipolaires à Jonction ou BJT.
[Blot, 95], [Chatelain, 79], [Mathieu, 01]
2.1. Historique
En 1933, [Lilienfeld, 33] avait déjà déposé un brevet concernant le principe du transistor à
effet de champ. L’effet transistor a été découvert en 1947 par les américains John Bardeen,
William Shockley et Walter Brattain, chercheurs de la compagnie Bell Téléphone. Ils ont reçu
le prix Nobel de physique en 1956.
Fig 2. Le premier transistor
21
Le transistor fut considéré comme un énorme progrès face au tube électronique. Il est en
effet plus robuste, il fonctionne avec des tensions faibles, il peut donc être alimenté par des
piles et il fonctionne instantanément une fois mis sous tension contrairement aux tubes
électroniques qui demandaient une dizaine de secondes de chauffage.
Il a été rapidement assemblé, avec d'autres composants, au sein de circuits intégrés, ce qui
lui permit de conquérir encore plus de terrain sur les autres formes d'électronique active.
Le transistor a constitué une invention déterminante sans laquelle l'électronique et

l'informatique ne posséderaient pas leurs formes actuelles; il a permis à la société de
l’information électronique de se développer.
Nous avons dit plus tôt que la technologie IGBT est née du désir de regrouper les
avantages à la fois du MOSFET et du Bipolaire au sein d’un même composant. Avant de
détailler le fonctionnement et les caractéristiques des modules IGBT, nous allons revenir sur
ces deux technologies.
2.2. Le MOSFET
Le MOSFET pour « Metal Oxide Semiconductor Field Effect Transistor » soit en français
« Transistor à Effet de Champ (à grille) Métal-Oxyde », fait parti de la famille des transistors
à effet de champ. Le principe des transistors à effet de champ consiste à faire varier la
conductivité d’un barreau de semi-conducteur dopé N ou P, en lui appliquant un champ
électrique transversal. Ces transistors sont qualifiés d’unipolaire car ils ne mettent en œuvre
qu’un seul type de porteurs à savoir les majoritaires [Mathieu, 01].
Pour faire varier la conductance du barreau de semi-conducteur, c'est-à-dire sa résistance

lorsqu’il est passant, la technologie des MOSFET utilise le phénomène d’accumulation des
charges sur les armatures d’un condensateur plan dont l’une d’elle est le matériau semi-
conducteur dopé. Le signe de la tension appliquée sur la grille de commande permet
d’appauvrir ou d’enrichir le canal.
Le principe de fonctionnement du MOSFET se base sur la présence d’un canal dont la

conductance est pilotée par une grille. L'électrode de commande étant isolée du canal par un
diélectrique, sa commande est de type capacitif [Blot, 95].
Fig 3. Principe d'un MOSFET à canal N : les zones hachurées sont de type N [Cand, 86]
22
La figure 3 illustre parfaitement le principe d'un transistor MOSFET à canal N. Le dopage

de la source et du drain (hachures obliques) sont de type N+ et la grille est isolée du semi-
conducteur par une couche d'oxyde. Lorsque la grille est polarisée positivement elle crée à
l'interface diélectrique semi-conducteur une couche dite d'inversion (hachures verticales)
comportant un grand nombre d'électrons (porteurs minoritaires de la zone P), dès que la
tension de grille VG est supérieure à une valeur de seuil VT cette couche est suffisamment
importante pour créer un canal conducteur entre les deux zones N+. Mais ceci suppose que le
potentiel VD, la tension du drain, soit très inférieur à ce seuil. La relation liant ID à VD est
linéaire et le canal se comporte comme une simple résistance. Ce mode de fonctionnement est
fréquemment utilisé dans les dispositifs logiques ainsi qu'analogiques.
Si VD croit, alors on obtient un effet de pincement, illustré ci-dessous, car la capacité du

fait du potentiel positif appliqué sur le drain est moins polarisée de ce côté. Ce qui en d'autres
termes revient à dire que la couche d'inversion présente une épaisseur non uniforme et
décroissante de la source vers le drain. Pour une valeur de VD = VDsat on atteint la limite du
pincement. A ce moment, malgré une tension de grille supérieure à la tension de seuil, le
transistor n’est plus conducteur.
Fig 4. Pincement du canal en fonction de VD [Chatelain, 79]
On distingue 4 types de transistors MOSFET en jouant, d'une part, sur les 2 types de
substrat et, d'autre part, sur le fait que le canal est réalisé par construction (diffusion) ou,
comme dans l'exemple ci-dessus, résulte du champ appliqué : dans le premier cas on parle de
MOS à appauvrissement et, dans le second, de MOS à enrichissement. La figure 5 donne un
résumé des caractéristiques des 4 types.
23
Fig 5. Caractéristiques des différents types de transistors MOS [Cand, 86]
Notons que les MOS à enrichissement sont les plus faciles à fabriquer (il n'y a qu'à
diffuser la source et le drain). Cependant ces transistors présentent un inconvénient majeur par
rapport aux JFET, c'est leur sensibilité aux charges statiques liée à leur très grande impédance
d'entrée (>1000MW). En effet, si la tension entre la source et la grille, VGS, est trop important,
en raison de la très faible épaisseur du diélectrique (< 0.1µm) un arc se crée et le diélectrique
n’assure plus sa fonction isolante.
Malgré une commande aisée en tension et des temps de commutation très courts, le
transistor MOSFET présente l’inconvénient de posséder une chute de tension directe
relativement importante par rapport à ses concurrents comme par exemple le bipolaire.
2.3. Le Bipolaire
Un transistor bipolaire est constitué d’un bloc monocristallin de semi-conducteur
comportant deux régions de même type (P ou N) séparées par une région de type opposé (N
ou P). Les régions extrêmes sont appelées Emetteur (E) et Collecteur (C) alors que la région
centrale est appelée Base (B) [Mathieu, 01]. La figure 6 présente ces deux types de transistors
bipolaires.
24
Fig 6. Structure PNP et NPN de transistors bipolaires
Le transistor bipolaire se commande, en courant, à la fermeture et à l’ouverture. C’est un

élément bipolaire puisque la conduction est assurée par les porteurs majoritaires et
minoritaires.
Il existe 2 types de transistors bipolaires : de type NPN et de type PNP. Nous prendrons
ici le cas d'un type NPN qui se caractérise par des tensions positives et un courant à la base
positif.
Le secret du transistor bipolaire réside dans sa géométrie : la base, faite dans ce cas de
matériau dopé P, présente des dimensions négligeables par rapport aux deux régions dopées
N. Ceci a deux effets :
• Le courant inverse de porteurs majoritaires type trous dans le substrat P est

négligeable par rapport à l'injection d'électrons venus de l'émetteur, les
recombinaisons restent donc marginales ;
• Un grand nombre d'électrons injectés par l'émetteur se retrouvent projetés vers la
jonction base-collecteur, le champ électrique n'ayant pas le temps d'agir sur les
électrons en transit dans la base.
Dans ce type de transistor, l'émetteur, relié à la première zone N, se trouve polarisé à une
tension inférieure à celle de la base, reliée à la zone P. La diode émetteur/base se trouve donc
polarisée en direct, et du courant (injection d'électrons) circule entre l'émetteur et la base.
En fonctionnement normal, la jonction base-collecteur est polarisée en inverse, ce qui

signifie que le potentiel du collecteur est bien supérieur à celui de la base. Les électrons se
trouvent donc projetés contre une jonction polarisée en inverse. Cependant, la différence de
potentiel, et donc de niveaux d'énergie, induit un effet tunnel important qui permet à la quasi-
totalité de ces électrons de franchir la zone de charge d'espace et de se retrouver « collectés »
dans le collecteur (d'où le nom).
Approximativement donc, tout le courant issu de l'émetteur se retrouve dans le collecteur.

Ce courant est une fonction non-linéaire de la tension base-émetteur. Le transistor bipolaire
fait donc également partie des dispositifs à transconductance qui produisent un courant
modulé par une tension. Cependant, dans la plupart des cas, le transistor opère dans un régime
de petits signaux, quasi-linéaire, où l'on préfère l'utiliser comme amplificateur de courant, le
courant collecteur est alors un simple multiple du courant de base.
En principe, le transistor bipolaire devrait être un dispositif symétrique donc réversible,

mais, en pratique, pour fonctionner correctement, les dimensions des trois parties sont très
différentes et ne permettent pas un fonctionnement symétrique.
25
Malgré un gain intéressant, le temps de commutation important ainsi que la commande en

courant du bipolaire reste pénalisante aux fortes puissances. C’est pour palier à ce problème et
à l’importante chute de tension que possède le MOSFET que l’IGBT a été conçu.
3. L’IGBT
L’IGBT est un transistor hybride, MOSFET côté commande et bipolaire côté sortie.
Comme un transistor à effet de champ, il est commandé par la tension de grille (entre grille et
émetteur) qui lui est appliquée, mais ses caractéristiques de conduction (entre collecteur et
émetteur) sont celles d'un bipolaire [Aloïsi, 01]. Ceci lui donne le faible coût énergétique de
commande d'un MOSFET, avec les pertes de conduction plus faibles (à surface de puce
donnée) d'un bipolaire. De plus, on sait faire des IGBT de tension bien plus élevée que pour le
MOSFET.
Ces caractéristiques font qu'aujourd’hui l'IGBT a presque totalement supplanté les autres
types de composants pour les gammes de tension 600V à 3300V, et qu'il perce dans les
tensions supérieures face au GTO (Gate Turn Off), ainsi que dans les tensions inférieures face
au MOSFET, bien qu'il soit plus lent. Le tableau 1 précise quelques caractéristiques de
différents transistors.
MOSFET IGBT IGBT IGBT IGBT GTO

600V 600V 1700V 3300V 6500V 6000V
Chute de
tension à 2,2 V 1,8 V 2,5 V 3,5 V 5,3 V 3V
125°C
Fréquence 15-30 0,8-1,5 300-600
6-12 kHz 3-6 kHz 1-2 kHz
typique kHz kHz Hz
Table 1 Caractéristiques moyennes comparées pour différents transistors [Carubelli, 03]
3.1. Gammes et usages

L'IGBT est utilisé presque exclusivement en commutation, c'est-à-dire où seul les états
saturés et bloqués sont souhaitables. Néanmoins, comme tout transistor, il possède une zone
de fonctionnement « linéaire », ou active, qui peut être utilisée pour des applications
particulières.
Les IGBT sont utilisés dans une gamme de tensions allant de 600 volts (et moins) à 6500
volts, et des courants jusqu'à 2400 ampères par module. Les valeurs de tension les plus
courantes sont:
• 600V : adapté à la connexion sur un réseau 230V alternatif,

• 3300V : utilisé en traction ferroviaire 1500V continu,
• 6500V : utilisé en traction ferroviaire 3000V continu.
26
Les IGBT trouvent de très vastes domaines d'application dans les branches les plus
diverses de l'électronique et de l'industrie telles que la commutation de puissance dans les
secteurs civils et militaires, l’alimentation pour courant élevé, l’appareillage médical, le
contrôle des moteurs en robotique, les amplificateurs de puissance HI-FI, les fours à induction
magnétique, les charges dynamiques de puissance, l’alimentation à découpage ou la soudure
électrique à l'arc.
3.2. Structure
Un module est constitué d’un empilement complexe de couches de différents matériaux
qui doivent avoir une bonne stabilité mécanique, de bonnes propriétés d’isolation et une
bonne conduction thermique [Ciappa, 02].
Les puces silicium IGBT et diode sont brasées sur un substrat DBC (Direct Bonded
Copper) composé d’un substrat céramique (Al2O3 ou AlN) métallisé au cuivre sur chacune de
ces faces. Ce substrat est lui-même brasé sur une semelle de cuivre ou plus récemment
d’AlSiC. Les brasures utilisées sont constituées d’étain et d’argent (SnAg). La connectique
entre ces puces et les pistes de cuivres du DBC est assurée par les fils de bonding en
aluminium. Ces fils d’aluminium sont soudés par ultrason sur les métallisations aluminium
des puces. Le schéma de la figure 7 représente cet assemblage de couches et le tableau 2
associé précise la nature du matériau, son coefficient d’expansion thermique (CTE) et
l’épaisseur de la couche utilisée.
Fig 7. Structure de l’IGBT
Couche Matière Épaisseur (µm) CTE (ppm/°C)

i Fil de bonding Al 300 22
h Métallisation Al Quelques µm 22
g Puce Si 250 3
f Brasure SnAg 100 20
e Cu 280 17
Substrat
d Al2O3 ou AlN 1000 7 ou 4
métallisé
c Cu 280 17
b Brasure SnAg 180 8
a Semelle Cu ou AlSiC 4000 17 ou 8
Table 2 Matériaux utilisés dans les modules IGBT [Ciappa, 02]
27
Les IGBT sont fabriqués avec des techniques similaires à celles des circuits intégrés
(comme les MOSFET, mais contrairement aux GTO et thyristors de puissance). Ceci a pour
conséquence que la taille de la puce est limitée à environ 1 cm2, alors qu'on sait faire des
diodes de 150 mm de diamètre (176 cm2).
Les IGBT de forte puissance sont donc des modules multi-puces, constitués de
nombreuses puces souvent montées en parallèle et généralement brasées sur une semelle de
cuivre ou d'AlSiC à travers laquelle on assure leur refroidissement. La plupart intègrent aussi
une diode anti-parallèle (ou roue-libre), elle-même multi-puces. Cette diode est en fait une
partie très importante du module IGBT, car ses caractéristiques (en particulier de
recouvrement) doivent être compatibles avec l'IGBT lui-même, ce qui n'est pas trivial. C'est
d'ailleurs une des premières applications à se développer pour les semi-conducteurs en
carbure de silicium.
Il est a noter qu'on ne trouve que des IGBT «canal N». La structure complémentaire est
théoriquement possible, mais, comme pour les bipolaires et les MOSFET, les caractéristiques
obtenues sont moins bonnes (pertes en commutation supérieures par exemple).
3.3. Les différentes technologies d’IGBT

Il existe 3 types d’IGBT :
• Technologie Punch Through (à base non homogène),

• Technologie Non Punch Through (à base homogène),
• Technologie Trench Gate (grille enterrée).
3.3.1. Technologie Punch Through (à base non homogène)
Elle est basée sur l’introduction d’une couche supplémentaire N+ intercalée entre le
substrat P+ et l’épitaxie N- qui en diminuant la quantité de charges stockées dans la base
permet de « casser » la pente du champ électrique. Grâce à cela, l’épaisseur de la couche N-
est diminuée et du même coup la chute de tension. Elle conduit également à réduire la durée
de vie des porteurs et ainsi le courant de traînage lors d’un blocage au dépens d’une sensibilité
en température [Lefebvre, 04].
Fig 8. Structure Punch Trough
28
3.3.2. Technologie Non Punch Through (à base homogène)
Cette technique vise à limiter l’efficacité d’injection des trous dans la base au moyen
d’une couche P+ très fine en face arrière. Comme pour la PT, la quantité de charges stockées
dans la base est diminuée et donc l’amplitude de la queue de courant à l’ouverture est plus
faible qu’une structure classique. Cependant, cette technologie ne fait appel ni à
l’implantation ionique ni à l’irradiation comme pour la PT. Il en résulte donc un meilleur
comportement à haute température [Lefebvre, 04].
Fig 9. Structure Non Punch Through
3.3.3. Technologie Trench Gate (grille enterrée)
Le canal N a une forme verticale dans cette structure contrairement à la structure planar et
cela grâce à une nouvelle disposition de l’oxyde de grille (isolant inter couches) sous forme de
tranchée verticale. Cela a pour effet de supprimer la résistance intercellulaire et donc d’avoir
une densité de cellules plus importante [Iwamoto, 99] ; en d’autres termes, à même surface de
silicium le choix peut se tourner soit vers une augmentation du calibre en courant pour une
même chute de tension ou vers une diminution de la chute de tension pour un même calibre en
courant. Il peut aussi être choisi de réduire la surface du silicium. En pratique, c’est
évidemment un mélange de ces trois critères. Il est démontré que cette technologie d’IGBT est
la plus performante aussi bien au niveau des pertes par conduction qu’au niveau des pertes par
commutation [Iwamoto, 01].
Fig 10. Structure Trench
29
Dans cette étude, les modules IGBT utilisés sont de type Non Punch Trough, développés
par la société allemande Eupec, et doté d’un calibre de 3,3 kV.
3.4. Procédé de fabrication

Dans ce paragraphe nous verrons comment sont fabriqués les modules IGBT, depuis le
wafer jusqu’au module IGBT complet.
3.4.1. Formation des jonctions
Ces techniques sont mises en œuvre sur les barreaux de silicium dopé N-. Les couches N
et P sont obtenues par formation d’une sous-couche qui présentera le dopage approprié par
l’introduction des impuretés de dopage dans le matériau de base.
Voici une liste des techniques de formation des sous-couches les plus utilisées :
• L’épitaxie, qui consiste à soumettre la puce au flux d’un composé gazeux du silicium
additionné d’un composé gazeux de l’agent dopant.
• La diffusion, qui consiste à porter à une température de l’ordre de 1200°C un tube de
quartz dans lequel se trouve le substrat à doper ainsi que l’agent dopant.
• L’implantation ionique, qui consiste à projeter sur la pastille de silicium un faisceau
d’ions de forte énergie (≈100KeV).
Les mêmes techniques sont utilisées pour réaliser aussi bien des puces diode que des
puces IGBT.
3.4.2. Traitement des surfaces, préparation des connexions
Une fois les jonctions réalisées, les puces diodes et IGBT doivent subir divers étapes avant
d’être encapsulés dans un boîtier.
Le contournage : à l’état bloqué, le champ électrique dans le volume de la puce peut

atteindre 10kV/mm. On risque donc d’observer une rupture diélectrique en surface
(contournement de la puce). Pour éviter ceci il faut biseauter la tranche de la puce de silicium
de façon à répartir aussi uniformément que possible les équipotentiels autours des puces.
La passivation : cette opération consiste à recouvrir les surfaces libres du composant

d’une couche de diélectrique présentant une grande rigidité diélectrique, une grande stabilité
vis-à-vis des contraintes électriques, thermiques et mécaniques et assurer une bonne
protection du silicium contre la pollution extérieure.
La métallisation : la prise de contact sur une pastille de silicium nécessite une

métallisation des zones concernées. Un choix judicieux du métal utilisé permet d’atténuer
l’effet Schottky, c'est à dire la perturbation résultant de la présence d'un champ électrique à
l’interface entre le métal et le semi-conducteur due à la différence entre le niveau de Fermi
(énergie maximale des états occupés par les électrons au zéro absolu) du semi-conducteur et
la bande de valence du métal en contact, limitant le passage du porteur de charges.
30
Les techniques de métallisation les plus utilisés sont :
• Dépôt d’aluminium ou de nickel par évaporation sous vide,

• Dépôt chimique d’or,
• Technique de frittage consistant à presser le métal contre le silicium, sous une
température inférieure à la température de fusion du métal, de façon à créer une
pénétration de ce métal dans le silicium.
Ce choix de métal dépend du type de prise de contact et d’encapsulation des puces.
La connexion : dans le cas d’une encapsulation de type module de puissance (puces

siliciums brasées sur un substrat isolant) les techniques de prise de contact sont les suivantes :
• Le soudage de fil d’aluminium ou d’or par thermocompression ultrasonique

(bonding) sur un dépôt du même métal. C’est ce type de connexion qui est utilisé
dans les modules servant à notre étude. La figure 11 présente ce genre de connexion.
Fig 11. Connexion de type bonding sur un puce silicium
• Le brasage dit « tendre », réalisé sur une pièce de contact, généralement en cuivre,
avec un matériau à basse température de fusion (entre 180°C et 300°C) comme par
exemple l’étain-plomb ou le plomb-indium-argent.
L’encapsulation : afin de pouvoir être facilement intégrées dans un équipement les puces
IGBT et diode formant un interrupteur sont placées dans un boîtier rempli de gel diélectrique.
La figure 12 présente le boîtier final dans le cas d’une utilisation de type « bras
d’onduleur ».
Fig 12. Module IGBT 3300V 1200A EUPEC
31
3.5. Principe de fonctionnement

Pour expliquer le fonctionnement d’une puce IGBT, nous commencerons par illustrer le
principe du semi conducteur (passage du courant dans une jonction PN) par le biais de la
diode.
3.5.1. Fonctionnement d’une diode
La diode est un composant passif qui fait partie de la famille des semi-conducteurs, il en
constitue d’ailleurs le plus simple élément.
Une diode de puissance de type PIN est un barreau de silicium dopé N sur une face (les
électrons sont les porteurs majoritaires et les trous sont les porteurs minoritaires) et P+ sur
l’autre face (inversement, les électrons sont les porteurs minoritaires et les trous sont les
porteurs majoritaires). Pour assurer le contact électrique, ce barreau est métallisé sur ses deux
faces. De manière à tenir une tension importante à l’état bloqué, la couche inférieure est
composée d’une région N- faiblement dopée et de forte épaisseur et d’une région N+.
Fig 13. Structure d’une diode PIN
L’effet de semi-conducteur s’obtient par le déplacement d’électrons, ces derniers

changeant d’atomes grâce à une addition d’impuretés (dopage) lors de sa fabrication.
La diode suivant son sens par rapport à un courant électrique se présente sous deux
aspects : direct et inverse.
• Direct : On appelle sens direct ou encore sens passant, celui qui laisse passer le
courant (figure 14), un seuil de 0,65V est atteint lorsque la diode est passante, (1,5V
pour une LED). Le courant traversera la diode de l’anode vers la cathode (anneau de
repérage).
• Inverse : A contrario, le sens inverse bloquera le passage du courant (figure 15), on
dit alors que la diode est bloquée. Il faudra veiller à ne jamais dépasser la tension
maximale admissible en inverse, sous peine de claquage de la jonction.
32
Fig 14. Diode polarisée en direct
Fig 15. Diode polarisée en inverse
3.5.2. Fonctionnement d’un IGBT
L’IGBT se constitue de quatre couches semi-conductrices différentes (P+, N-, P+, N+)
créées sur le même cristal de silicium. Ce transistor associe les deux technologies vues
précédemment (MOSFET et Bipolaire) afin d’obtenir leurs avantages tout en réduisant leurs
inconvénients.
Il est possible, à partir de la structure interne d’un IGBT, d’extraire un schéma équivalent
[Baliga, 87]. Celui-ci fait apparaître un transistor MOS à canal N, deux transistors bipolaires
NPN et PNP et une résistance entre les couches N+ et P+ ainsi qu’une résistance de
modulation (Rmod) relative au comportement de la couche faiblement dopée N-. Une
simplification de ce modèle est alors possible en supprimant la résistance entre la zone N+ et
P+, et le transistor parasite N+P+N-. Cette dernière simplification se justifie par le fait que de
nombreuses études sur la structure de l’IGBT ont permis de diminuer l’influence de ce
transistor, limitant donc le risque de latch-up (amorçage du thyristor constitué des jonctions
N+P+N-P+) [Vallon, 03]. Le schéma équivalent se ramène donc à un Darlington MOSFET-
Bipolaire PNP avec une résistance modulable Rmod qui doit tenir la tension à l’état bloqué et
avoir une faible valeur à l’état passant. Ceci implique que la couche N (ou région de base)
doit être faiblement dopée, épaisse et associée à une zone d’injection P+ pour réduire la chute
de tension à l’état passant.
Fig 16. L’IGBT : structure (a) et schéma équivalent (b)
Nous allons maintenant nous intéresser aux 2 phases de fonctionnement d’un IGBT à
savoir l’amorçage et le blocage.
33
3.5.2.1. Amorçage d’un IGBT
En appliquant une tension positive entre la grille et l’émetteur, supérieur à une certaine
tension de seuil (Vth=5 à 7V), on crée un canal N dans la couche P+, entre les couches N+
(émetteur de l’IGBT) et N-. Ce canal se crée par effet MOS. Le transistor MOS du schéma
équivalent devient conducteur et un flux d’électrons est injecté dans la couche N-. Ce flux
d’électrons stimule la jonction N-P+ en diminuant la taille de la zone de charge d’espace au
niveau de cette jonction. Cet abaissement de la barrière de potentiel permet le passage des
trous de la région P+ vers la région N- (ainsi que celui des électrons dans le sens opposé). La
couche N- se trouve donc en forte injection de trous.
La double injection de trous et d’électrons en quantité voisine permet de moduler la

résistivité de la région de base du transistor PNP. Cette modulation entraîne la diminution du
champ électrique dans cette région, champ initialement intense dû à l’état bloqué du
transistor.
Cela permet d’avoir une faible chute de tension aux bornes de l’IGBT, à l’état passant.
Les trous transitant dans la région de base sont aspirés par la jonction N-P+ polarisée en
inverse, ce qui constitue le courant du PNP. Le courant conduit dans le transistor est donc issu
d’un flux d’électrons dû à la partie MOS et d’un flux de trous dû à la partie bipolaire.
Fig 17. Etat passant de l’IGBT
3.5.2.2. Blocage d’un IGBT
Une fois le transistor passant, si on applique une tension nulle ou négative entre la grille et
l’émetteur, le canal N formé dans la région P+ se referme très rapidement (effet MOS) et donc
le flux d’électrons injecté dans la base du bipolaire PNP est stoppé suite à cette fermeture, la
région de base du bipolaire se retrouve en l’air avec une quantité de charges stockées
importante.
Ces charges stockées agissent toujours sur la base N- et donc maintiennent le PNP en
conduction. Pour que le transistor IGBT se bloque, il faut annuler la quantité de charges
stockées dans la région de base. Cette annulation peut se faire par recombinaison naturelle des
porteurs dans la zone N- (dépendante de la durée de vie de ces dits porteurs dans cette zone et
34
de la quantité de charges initialement présente) et par évacuation de charges via la jonction

P+N-.
Fig 18. Etat bloqué de l’IGBT
Le fonctionnement en commutation d’une puce IGBT ayant été présenté, nous nous
intéresserons maintenant aux principaux modes de dégradation visibles dans les modules
IGBT utilisés dans les applications de forte puissance telles que le domaine ferroviaires.
3.6. Les mécanismes de dégradation et modes de défaillance des modules

IGBT
Les modules IGBT utilisé en traction ferroviaire tels que les boîtiers 3,3 kV que nous
utilisons pour notre étude sont sujets à différents mécanismes de dégradation. Ils représentent
les conséquences du dépassement de l’aire de sécurité qui leur est associée et qui sera
présentée au paragraphe suivant ou des phénomènes de vieillissement dus au stress engendrés
par les commutations et notamment les phénomènes de surtension et de vitesse de
commutation trop importantes.
3.6.1. Le cyclage thermique
Pour les composants de moyenne et forte puissance utilisés en traction (entraînement

ferroviaire, véhicule électriques,…), le cyclage thermique est la principale cause de
défaillance.
Ces cyclages thermiques résultent de l’application de cycles de marche et d’arrêt et des

variations de fréquence du signal envoyé aux modules. Ces variations de températures
internes du modules, couplées aux disparités au niveau des coefficients de dilatation
thermique (CTE) et des épaisseurs entre les couches en contact engendrent des contraintes de
cisaillement aux interfaces.
En ce qui concerne les différences de CTE, les écarts les plus important se situent entre
l’aluminium des fils de bonding et le silicium de la puce, entre le substrat et la semelle (en
particulier le couplage Al2O3 et cuivre) et entre la puce silicium et le substrat céramique (en
particulier avec un substrat en Al2O3).
35
3.6.1.1. La fatigue des fils de bonding
Un module IGBT de forte puissance contient plus de 800 bonding dont la moitié est
utilisée dans la zone active des semi-conducteurs. Ces fils sont exposés aux élévations de
température provoquées à la fois par la dissipation de la puissance à travers le silicium et
également par son propre échauffement ohmique. Un fil de bonding fait entre 300 à 500 µm
de diamètre. Il est constitué d’aluminium auquel s’ajoute quelques composants tels que le
magnésium, le nickel ou le silicium afin de le rendre plus solide et moins sensible à la
corrosion.
La capacité du fil de bonding à faire circuler un courant est inversement proportionnel à sa

longueur alors qu’elle ne dépend que peu de la température du substrat. En conditions
normales, le courant parcouru par un fil de bonding n’excède pas 10 A et la dissipation de
puissance se situe entre 100 et 400 mW suivant le diamètre du fil.
3.6.1.1.1. Décollement des fils de bonding
Ce phénomène affecte les fils de bonding présents sur les puces IGBT et diode. Le
décollement des fils de bonding est dû à l’apparition de microfissures entre l’extrémité du fil
et la métallisation sur laquelle il est soudé. Ce phénomène arrive après plusieurs cycles de
croissance et décroissance de la température qui engendre des efforts mécaniques sur la
soudure du bonding. Les simulations par éléments finis de [Ramminger, 98] permettent de
déterminer l’amplitude des ces efforts et ainsi le nombre de cycles admissibles avant
décollement. La figure 20 illustre ce phénomène :
Fig 19. Décollement d’un fil de bonding [Ciappa, 02]
Des techniques permettent également de mesurer l’effet de ce décollement, par exemple la

mesure de la chute de tension de la puce à l’état passant [Farokhzad, 96], et ainsi donner une
indication sur la fiabilité du module vis-à-vis de ce mode de défaillance.
Aujourd’hui, deux techniques permettent de contrer ce problème. La première solution

consiste à ajouter une fine couche de molybdène-aluminium sur la puce IGBT et la diode.
Ceci permet de répartir la différence de CTE présente entre l’aluminium et le silicium à
travers cette fine couche [Hamidi, 99]. La seconde méthode consiste en une simple action
corrective. En effet, l’application d’un enrobage polymère (coating) juste après la soudure des
fils par ultrason permet une meilleure solidité et ainsi, évite le décollement des fils. En
revanche, des solutions comme le refroidissement direct de la puce se sont révélées peu
convaincantes [Ciappa, 02].
36
3.6.1.1.2. Fissuration des fils de bonding
Les fissurations de fils de bonding arrivent peu sur les modules récents mais peuvent
cependant apparaître après de longs tests d’endurance en particulier dans le cas où le process
(soudure par ultrason) n’est pas optimisé. Ce phénomène est dû à la fatigue en flexion
engendrée par les cycles de température. Pour le cas classique d’un fils de 1 cm subissant des
différences de température de 50°C, le déplacement de la boucle est de 10 µm ce qui
provoque une variation d’angle entre le fil et la métallisation d’environ 0,05°. A cette
contrainte s’ajoute le déplacement rapide du fil (par exemple lors de l’amorçage de l’IGBT)
dans le gel silicone considéré comme un fluide visqueux. La figure 21 illustre ce phénomène :
Fig 20. Fissuration au pied d’un fil de bonding [Ciappa, 02]
Certains modèles permettant de calculer le nombre de cycles admissibles avant la

fissuration du pied de bonding. Nous pouvons citer ici les modèles de Shafft [Ciappa, 02]
[Schafft, 72] et un autre modèle basé sur le calcul de la contrainte mécanique générée lors du
cyclage sur le bonding [Mehrotra, 99].
N f = Aε nf (1.1)
Avec A et n constantes pour un matériaux donné, dans la littérature [Garry, 90], on trouve
fréquemment des valeurs respectives pour A et n de 3,9.10-10 et -5,13 dans le cas des
application en microélectronique de fils de bonding en aluminium dont le diamètre est
inférieur à 100µm.
ε f est l’effort dans le fil calculé par la relation suivante :
r  ar cos((cosψ 0 )(1 − ∆α∆T )) 

εf =  − 1 (1.2)
ρ 0  ψ0 
Avec :
∆α la différence de CTE entre l’aluminium et le silicium,
ψ 0 , ρ 0 et r sont des paramètres géométriques définies sur la figure 22.
37
Fig 21. Définition des paramètres de bonding pour le modèle de durée de vie
Un autre modèle basé sur le calcul de la contrainte mécanique générée lors du cyclage sur
le bonding [Mehrotra, 99] permet de calculer ce nombre de cycles.
3.6.1.2. Déformation des métallisations en surface des puces
Lors des cyclages thermiques, la couche de métallisation située à la surface de la puce

silicium subie des efforts de traction et compression. Ces efforts sont causés par la différence
de CTE entre l’aluminium de la métallisation et le silicium de la puce. Les contraintes
engendrées dépassent la limite élastique admissible par le contact métallisation/silicium. Au
moment de la relaxation du phénomène, on peut alors assister au fluage de la métallisation, au
glissement des grains au niveau du contact ou à la dislocation de la métallisation.
L’apparition de ces différents phénomènes dépend de la température des puces. En

fonction de la texture de la métallisation, ce phénomène engendre l’extrusion ou la cavitation
des grains d’aluminium au niveau de la métallisation. La figure 23 illustre ce phénomène :
Fig 22. Déformation de la surface d’une métallisation [Ciappa, 02]
La déformation des métallisations aluminium en surface des puces a pour conséquence de

réduire la section effective de la métallisation et de faire augmenter sa résistance. Ceci
contribue à l’évolution linéaire du VCE en fonction du nombre de cycles observés pendant les
tests de cyclage actif [Ciappa, 02]. Ces déformations sont plus évidentes sur les métallisations
situées au centre de la puce, où la variation de température est maximale. En revanche on peut
montrer par thermographie infrarouge [Ciappa, 96] que les zones périphériques des puces ne
sont pas soumises à ce phénomène, la température de jonction maximale ne dépassant pas
110°C.
38
3.6.1.3. Cassures au niveau des substrats et des puces
La céramique des substrats isolant et le silicium des puces sont les matériaux les plus
cassant utilisés dans la conception des modules IGBT. Les microfissures présentes dans ces
matériaux peuvent croître, par effet du cyclage thermique et des contraintes engendrées,
jusqu’à la rupture. La figure 24 montre une fissure dans un substrat :
Fig 23. Rupture du substrat d’un module IGBT [Ciappa, 02]
Un substrat céramique fissuré n’assurera plus sa fonction diélectrique et peut provoquer la

mise en court-circuit de la puce. La rupture d’une puce quant à elle peut être causée par un
dommage initial induit par la soudure par ultrason des fils de bonding.
3.6.1.4. Fatigue des brasures, délaminage des puces et du substrat
Le vieillissement et le délaminage des brasures constituent le mode de défaillance le plus

courant pour les modules IGBT de puissance soumis à du cyclage thermique.Les brasures les
plus fréquemment rencontrées dans les modules IGBT sont constituées d’un alliage étain-
argent ou étain-plomb. Lorsque le cuivre est brasé avec un mélange étain-plomb, une réaction
a lieu et forme une fine couche de Cu5Sn6 près de la semelle cuivre. Durant la solidification,
deux couches se forment, l’une d’étain et l’autre de cuivre. Cette couche de cuivre est très
friable et lors des cyclages thermomécaniques il y a un risque de délaminage. D’autre part, les
cavités présentes dans la brasure augmentent le pic de température et ainsi accélèrent les
phénomènes de défaillance tel que le décollement des bondings ou le délaminage de la
brasure. La figure 25 montre le délaminage d’une puce silicium :
Fig 24. Délaminage d’une puce IGBT [Ciappa, 02]
39
Le délaminage du substrat commence au bord de la brasure, où le cisaillement est

maximal, et se propage vers le centre de la brasure.
Le nombre de cycles admissible par une brasure avant délaminage est donné par la loi de
Coffin-Mansson [Ciappa, 02].
1
 L∆α∆T  c (1.3)
N f = 0,5 
 γχ 
Avec : N f , le nombre de cycles avant la défaillance,

L , la dimension latérale de la brasure,
∆α , la différence de CTE entre les faces supérieures et inférieures,
∆T , la chute de température,
γ , épaisseur de la brasure,
χ , facteur de ductilité de la brasure,
c, constante ; pour une brasure In70% Pb30%, Sn40% Pb60% ou Sn10% Pb90%, cette
constante vaut c=-0,49 [Ciappa, 94] [Tech, 90].
Il existe plusieurs moyens pour déterminer l’état de fatigue des brasures : l’utilisation de
la microscopie acoustique permet de voir les cavités [Herr, 97], la mesure de la résistance
thermique du module ou encore les test de type « effort de décollement du substrat » (DIN
41850) [Mitic, 99].
3.6.2. La corrosion
Dans un module IGBT, le phénomène de corrosion touche principalement les fils de

bonding. Lorsque l’aluminium pur de ces fils se trouve en contact avec l’oxygène de
l’atmosphère, une couche d’Al2O3 se forme ce qui provoque la passivation du métal. Cette
passivation s’opère également en présence d’eau pure. L’oxyde d’aluminium se transforme
alors en une couche très soluble d’hydroxyde d’aluminium (Al(OH)3). En présence d’une
autre solution, cet hydroxyde d’aluminium est dissous par des acides forts (par exemple acide
hydrochlorique) et des bases fortes (par exemple hydroxyde de potassium). En présence d’un
électrolyte, l’aluminium est corrodé [Ciappa, 02]. La figure 26 est un exemple de
conséquence de la corrosion sur le pied d’un fil de bonding.
Fig 25. Rupture d’un bonding due à la corrosion [Ciappa, 02]
40
L’immunité de l’aluminium dépend à la fois du pH de l’électrolyte et de la tension

appliquée à cet électrolyte [Vallon, 03]. La corrosion touche l’anode et la cathode du
composant. La corrosion anodique se produit en présence d’halogénure (chlorure et bromure)
issue des résidus laissés par les processus de fabrication de ces modules, en particulier lors de
l’étape permettant d’augmenter la mouillabilité des surfaces des puces avant soudure. En
effet, de l’halogénure est utilisée pour augmenter cette mouillabilité. La corrosion cathodique
affecte les composants utilisant des verres phosphosilicate comme passivation ou en tant que
couche isolante. En effet, le phosphore sert de dopant aux puces. Si ce phosphore excède 5%,
il peut alors être transformé en acide phosphorique et corroder les métallisations [Vallon, 03].
La corrosion des fils de bonding est fortement corrélée au stress mécanique dû aux cyclages
thermomécaniques ou aux déformation résiduelles dans le fil. [Ciappa, 02]
3.6.3. L’électromigration
L’électromigration est un phénomène observé sur les composant de microélectronique.

Cependant, [Vallon, 03] fait remarquer qu’en électronique de puissance, toutes les conditions
sont réunies pour voir apparaître ce phénomène. L’électromigration est le déplacement
d'atomes, dans un conducteur, sous l'effet du passage d'un courant électrique. Ce phénomène
est connu dans le cas des circuits intégrés lorsque la densité de courant est supérieure à
0,5.106 A/cm². Lorsqu’un courant traverse un conducteur, une certaine quantité de
mouvement des électrons est transférée aux atomes du conducteur provoquant un déplacement
de ces atomes dans la direction du flux d’électrons [Jensen, 95]. L’atome se déplaçant crée
alors un vide qui peut se développer et donner naissance à une craquelure entraînant une
augmentation de la résistance de la métallisation. La quantité d’aluminium étant conservée, la
présence d’un vide à un endroit implique la présence d’une accumulation d’atomes
d’aluminium ailleurs. Ces accumulations peuvent créer des contacts entre les métallisations
ou causer la rupture d’un diélectrique.
Un autre type d’électromigration concerne la puce silicium et les métallisations aluminium
dont elle est dotée. Des atomes d’aluminium migrent dans le silicium et créent des « spikes »
d’aluminium qui se développent de plus en plus profondément dans le silicium jusqu’à former
un court circuit. On peut également assister à une rupture de la métallisation due à la
migration des atomes d’aluminium. L’application de barrières de diffusion en Tungstène
freine l’évolution de ce phénomène.
3.6.4. Les décharges partielles
Les décharges partielles concernent tous les matériaux isolants soumis à un champ
électrique et contenant des inclusions gazeuses. Dans le cas du module IGBT, les décharges
partielles concernent le substrat céramique. On parle de décharge partielle lorsque des micro-
décharges ont lieu dans les inclusions, le gaz contenu dans ces inclusions ayant une rigidité
diélectrique inférieure à celle d’un matériau isolant [Petraca, 99]. Ce phénomène participe à la
dégradation locale du diélectrique et à l’agrandissement de ces inclusions gazeuses qui
peuvent à long terme perforer l’isolant. La norme [IEC270, 81] présente les techniques
normalisées de mesure de ces décharges. De plus [Breit, 02] propose dans sa thèse une
technique de mesure à tension plus faible par application d’une tension sinusoïdale. Pour
parer à ce phénomène, le fabricant allemand d’IGBT Eupec, utilise de l’AlN en lieu et place
de l’ Al2O3, depuis 1996 [Schütze, 98].
41
3.6.5. Le rayonnement cosmique
Le rayonnement cosmique est le flux de particules hautement énergétique (plusieurs

Krad), issue de l’espace et du soleil, reçues quotidiennement sur Terre. Les aurores boréales
au niveau des pôles sont la plus belle illustration de ce phénomène. Sur les composants
électriques tel que les modules IGBT, ce rayonnement génère des charges par collision dans
les oxydes de grille et dans le corps du composant. La conséquence de la présence de cette
nouvelle charge est d’abaisser la tension seuil du composant ce qui le rend plus sensible aux
perturbations. L’indicateur d’une dégradation des puces est une augmentation du courant de
fuite de ces puces à l’état bloqué [Vallon, 03]. La collecte d’information concernant ce mode
de défaillance est très longue. Il existe cependant des techniques pour accélérer ce phénomène
comme par exemple le bombardement des composant avec un canon à neutron (800 MeV) ou
les essais à haute altitude pour augmenter le flux de particules reçue [Findeisen, 98].
3.6.6. Le vieillissement des oxydes de grille
L’oxyde de grille est la partie isolante située entre la métallisation de la commande (la
grille) et le silicium. L’oxyde de grille est le siège de deux causes de défaillance, l’une
concerne les interfaces silicium/oxyde et oxyde/métallisation ; et l’autre touche la couche
d’oxyde elle-même.
3.6.6.1. Effet aux interfaces
Les avancées technologiques actuelles ont permis de diminuer l’épaisseur de cette couche
(quelques dizaines de nanomètres sur les IGBT actuels). En revanche la tension
d’alimentation est quant à elle restée la même, ce qui engendre une augmentation des champs
électriques appliqués à ces oxydes qui atteignent aujourd’hui 2 MV/cm². Ce champ électrique
participe à l’injection de charge à travers les interfaces silicium/oxyde et oxyde/métallisation.
Les deux mécanismes physiques d’injection de charges sont l’injection thermoélectronique
(Shottkey) et l’effet tunnel (Fowler-Nordheim) [Vallon, 03]. Le résultat de cette injection est
une dégradation des performances du composant, se traduisant par une augmentation de la
tension de seuil et une diminution du gain du transistor [Jensen, 95].
3.6.6.2. Dégradation de l’oxyde de grille
La physique liée au vieillissement des oxydes de grille est très complexe. On peut dire
d’une manière générale que ce vieillissement se traduit par l’insertion de défauts dans la
couche d’oxyde. La défaillance d’un oxyde se traduisant par un fort courant local traversant la
couche et formant un court-circuit.
3.6.7. Récapitulatif des mécanismes de dégradation
Le tableau 3 résume ces différents mécanismes de dégradations et présente pour chacune

de ces causes, les conséquences, modes de défaillance et indicateurs associés [Vallon, 03].
42
Conséquences Conséquences Mode de

Causes Indicateur
physiques électriques/thermiques défaillance
Décollement des
bondings
Dégradations des Augmentation locale de Puces en
bondings la température. circuit ouvert Chute de tension,
Cyclage Dégradation des Augmentation du ou en court Résistance
thermique métallisations Vcesat et de la circuit selon thermique
Fissures des puces et résistance thermique le mode de jonction/semelle
des substrats jonction/boîtier. dégradation.
Délaminage des
brasures
Attaque chimique des Puce en
Déconnexion des
Corrosion bondings et des circuit Chute de tension.
faisceaux de bonding.
métallisations. ouvert.
Infiltration Diminution de la
Electro- Puce en
d’aluminium dans les résistance de contact Courant de fuite.
migration court- circuit.
puces silicium. Si/métallisation.
Agrandissement des
Mesures
microcavités dans le Pertes d’isolation entre
spécifiques
Décharges substrat isolant, collecteur et radiateur Puce en
(quantité de
partielles création d’un canal pour une puce. court- circuit.
charges lors des
conducteur dans le Court-circuit.
décharges)
substrat.
Génération de Commande
Rupture diélectrique de
Rayonne- charges dans les en court
l’oxyde de grille. Tension de seuil.
ment oxydes de grille. circuit.
Court-circuit de la Courant de fuite.
cosmique Dégradation physique Puce en
puce.
des puces silicium. court-circuit.
Injection et piégeage Commande
Vieillisse- de charges dans en court-
Rupture diélectrique de
ment de l’oxyde. circuit. Tension de seuil.
l’oxyde de grille.
l’oxyde Dégradation de la Puce en
qualité de l’oxyde. court-circuit.
Table 3 Récapitulatif des mécanismes de dégradation
Aux mécanismes de dégradation associés à l’utilisation des modules, s’ajoute les limites
de fonctionnement que nous allons maintenant détailler.
3.7. Contraintes limites

Dans le champ des contraintes que l’on peut appliquer aux composants de puissance, il
existe une frontière entre régime de fonctionnement normal et régime extrême. Cette frontière
est définie par les contraintes limites applicables au composant [Vallon, 03].
Ces contraintes limites peuvent être liées au packaging ou aux puces semi-conductrices
(IGBT et diode).
En ce qui concerne le packaging, ces limites sont d’ordre :
43
• Thermique : en effet l’assemblage d’un module IGBT (bonding / puces / brasures /

substrat / semelle) est très sensible au cyclage thermique. La durée de vie de cet
assemblage dépend de l’amplitude de ce cyclage.
• Electrique : les puces étant soumises à des potentiels élevés, il est nécessaire d’avoir
une bonne isolation entre les puces ainsi qu’entre ces puces et l’environnement
extérieur. Le substrat AlN ainsi que le gel silicone joue ce rôle ; cependant une
tension trop importante peut provoquer un défaut d’isolement.
• Environnementale : le boîtier du composant protège les puces contre les agressions
liées à l’environnement du module (humidité, attaques chimiques…). Un
environnement trop sévère peut altérer le fonctionnement du composant (corrosion).
Il y a ensuite les contraintes électriques limites applicables aux puces semi-conductrices.

Ces limites forment la frontière entre le régime de fonctionnement normal et les différents
régimes extrêmes.
Les passages entre le régime normal et les régimes extrêmes peuvent être de deux types :
• Contraintes statiques trop importantes (tension à l’état bloqué, courant à l’état

passant, température des puces),
• Contraintes dynamiques trop élevées (vitesses de commutation à l’amorçage et au
blocage).
Ces contraintes trop élevées appliquées à une puce peuvent provenir soit de l’extérieur de
la cellule de commutation (surtension sur le bus continu…) soit de la cellule en elle-même
(court-circuit au sein de la cellule,…).
Nous allons maintenant lister les différents régimes extrêmes que peuvent subir les puces
diodes et IGBT au sein d’une cellule de commutation.
3.7.1. Limites thermiques locales
La température critique en fonctionnement normal peut être définie comme une des quatre
températures ci-dessous :
• La valeur spécifiée par les constructeurs de modules IGBT est égale à 125°C en
fonctionnement continu et 150°C en régime de surcharge de courte durée.
• La température de fusion des brasures se situe entre 180°C et 200°C. Elle dépend du
mélange étain-plomb utilisé. [Thebaud, 00]
• La température intrinsèque du silicium non traité se situe entre 200°C et 300°C.
Cette température dépend de la quantité de dopant [Duong, 97] en particulier de la
base. La règle couramment admise est que la limite en température est atteinte
lorsque le nombre d’électrons intrinsèque est égal au nombre de porteurs lié au
dopage [Baliga, 87]. A titre d’exemple, nous pouvons cité les boîtiers IGBT 3300 V
tels que ceux utilisé dans cette étude, disposant d’un dopage ni=2.1013/cm3 et dont la
température limite de fonctionnement se situe à 149°C. Au-delà de cette
température, les propriétés du silicium sont considérablement dégradées. La
résistivité de la puce décroît très rapidement ce qui génère un échauffement fatal
pour le module IGBT.
44
• La température de fusion des métallisations se situe à 600°C pour les métallisations

en aluminium.
La première température citée ci-dessus ne présente pas une limite en soi. Il est en effet
possible de faire fonctionner certaines puces IGBT à une température moyenne de 150°C
[Vallon, 03]. La deuxième température peut, quant à elle, être considérée comme étant une
limite de même que la troisième à ne pas dépasser sous peine de perte de contrôle du
composant. De plus les limites physiques des composant sont modifiées à haute température
[Wondrak, 99].
3.7.2. Avalanche électronique
Lorsque le champ électrique est élevé (>105 V/cm), les porteurs libres peuvent acquérir,
entre collisions successives sur le réseau cristallin, une énergie cinétique suffisante pour briser
une liaison de covalence, c’est-à-dire pour créer une paire électron-trou. Les porteurs ainsi
générés peuvent à leur tour provoquer la création d’autres paires en un processus d’avalanche
[Leturcq, 99].
Ce phénomène qualifié d’avalanche électronique se traduit par une augmentation brutale

du courant inverse. Au-delà d’un certain seuil, le processus est autonome et entraîne le
claquage de la puce. Si le courant d’avalanche n’est pas maîtrisé, l’énergie dissipée au sein du
composant peut devenir très importante, entraînant sa destruction par dépassement de la
température de fusion du silicium [Vallon, 03].
La tension de claquage par avalanche électronique dans le silicium représente une limite à
ne pas atteindre, en statique comme en dynamique. Cette valeur dépend de la quantité de
dopant, de la température et est rarement atteinte. Elle correspond à une valeur idéale pour
une jonction semi-infinie. La tenue en tension de la terminaison de jonction peut faire chuter
cette valeur de 10 à 20 % selon la technologie choisie (terminaison plane diffusée, anneau
flottant, puce biseautée…) [Baliga, 87].
3.7.3. Retournement ou latch-up
Le latch up est lié à la formation d'une structure NPNP parasite résultant de la proximité
de deux transistors bipolaires (réels ou parasites) l'un NPN l'autre PNP.
Le retournement dit statique se produit lorsque ce transistor parasite intrinsèque à l’IGBT

entre en conduction. Cette mise en conduction est due à un fort courant parcourant la
résistance parasite de la couche P+ prise entre les couches N- et N+. Dans ce cas la grille de
l’IGBT ne peut plus bloquer le composant et ce défaut irréversible provoque la destruction du
composant de puissance. Le latch-up est sensible à la température par l’intermédiaire de la
mobilité des trous de la couche P+. Sur les composants actuels, ce retournement se produit
lorsque l’IGBT conduit de forts courants.
Le retournement dynamique se produit quant à lui lorsque l’IGBT est soumis à un

transitoire de forte puissance correspondant à la présence simultanée d’un fort courant et
d’une forte tension localisés dans la couche vitale du composant. Ce retournement peut se
produire lors de la commutation ou lors d’un court-circuit. Le champ électrique dans la région
45
de base N dépend du dopage et du nombre des porteurs qui y transite. Si la densité de courant
est importante (300A/cm²), elle peut modifier la répartition du camp électrique
[Baudesson, 00]. D’une manière générale, la valeur de courant pour laquelle se produit le
latch-up dynamique est inférieure à celle du latch-up statique [Baliga, 87].
3.7.4. Claquage de la grille
Une tension entre grille et émetteur trop importante induit un champ électrique important
dans l’oxyde de silicium. Au-delà d’une certaine valeur (100V en statique et 50V à 20kHz) la
grille entre en avalanche électronique entraînant la destruction de l’oxyde et l’impossibilité de
commander le composant. Avec un champ de rupture de 107V/cm, et une épaisseur de 100nm,
la tension de rupture est supérieure à 100V. Pour une épaisseur de 50nm, cette tension est
inférieure à 50V [Baliga, 87].
3.7.5. Cas particulier de la diode
La limite de la diode en commutation est définie à travers une aire de sécurité appelée
RRSOA (Reverse Recovery Safe Operating Area). Cette aire de sécurité de la diode est
définie par les fournisseurs de module par rapport à la puissance instantanée dissipée lors de
la commutation.
Une dynamique trop importante sur le courant à la fermeture de l’IGBT peut causer la
défaillance de la diode de roue libre au blocage. Ce phénomène est d’autant plus important
que les diodes de puissance utilisées dans les applications de type onduleur sont rapides. Ce
phénomène survient lorsque le courant de recouvrement est trop élevé. La dynamique du
recouvrement est alors augmentée ce qui génère une surtension inverse aux bornes de la
diode. Le cas le plus critique est obtenu lorsque le recouvrement du courant s’effectue
brutalement (snap off). La forte augmentation du di/dt entraîne alors une très forte surtension
aux bornes de l’interrupteur pouvant provoquer la défaillance (court-circuit) de la diode ou de
l’IGBT en parallèle.
Un autre mode de défaut possible pour une diode de roue libre est sa mise en avalanche
dynamique. Ce phénomène apparaît lorsque les conditions de fort courant, forte tension, haute
température et di/dt important sont réunies [Shammas, 95].
3.7.6. Résumé des limites de fonctionnement
La figure 19 représente les différentes limites de fonctionnement et les risques associés

autour de l’aire de sécurité appelée RBSOA (Reverse Bias Safe Operating Area). En pratique,
cette aire de sécurité est établie par le fabricant et fournie dans la fiche technique du
composant.
46
Fig 26. Aire de sécurité pour un composant de puissance
La tension maximale admissible Umax correspond au calibre en tension des puces IGBT
inclues dans le module (1700V, 3300V, 6500V par exemple), la limite en courant Imax
équivaut généralement au double du courant nominal, fourni par le fabricant dans la fiche
technique du composant. Le fournisseur garanti le respect de la RBSOA pas un essai au point
maximal sur 100% des pièces. Cependant, la détermination de cette aire est effectuée dans des
conditions de fonctionnement ne correspondant pas forcément aux conditions que
rencontreront les modules lors de leur utilisation. On constate donc ici une première zone de
flou concernant la notion de RBSOA pour les utilisateurs de modules IGBT.
L’autre zone floue qui concerne la RBSOA vient du fait que les marges comprises entre
cette aire de sécurité et la casse du composant sont inconnues même de façon qualitative et
variable d’une famille de composant à l’autre.
Le retour d’expérience sur les modules IGBT utilisés en traction tend à montrer que les
défaillances rencontrées au sein de la chaîne de traction sont essentiellement dues à des
problèmes de robustesse en commutation des IGBT. De ce constat est né l’idée d’investiguer
sur la notion d’aire de sécurité des modules IGBT et d’approfondir la connaissance du
comportement de ces modules au sein de cette aire.
L’idéal pour tout utilisateur de module IGBT est de connaître son comportement dans
l’ensemble de son aire de fonctionnement et jusqu’à la casse du composant en fonction de
l’ensemble des différents paramètres, liés à l’utilisation, qui influent sur le comportement des
modules. Cette connaissance permettrait au bureau d’études de définir des règles de
conception afin de répondre plus précisément aux demandes des clients et d’assurer une
meilleure fiabilité de ses produits.
Aujourd’hui, la validation des modules IGBT est effectuée seulement aux points jugés les
plus critiques par les experts, le nombre d’essais étant rédhibitoire si on veut couvrir
l’ensemble du domaine d’utilisation du module IGBT. Ainsi, aucun outil ne permet de
connaître l’effet de la variation d’un facteur tel que la tension ou la température sur le
comportement des modules IGBT et d’assurer, lors de l’utilisation, le non franchissement des
limites de fonctionnement des modules IGBT. A fortiori, la présence d’interactions entre
différents facteurs est totalement inconnue.
Pour étudier le comportement d’un module IGBT, tenter d’optimiser le positionnement de

son point de fonctionnement par rapport à ses limites et mieux anticiper les distributions
statistiques des paramètres caractéristiques de son fonctionnement, il est nécessaire
47
d’identifier des performances clés qui présentent un seuil de fonctionnement qu’il est
important de ne pas dépasser.
Il est admis que les modules IGBT sont plus tolérants en courant et que le stress du
composant est surtout dû à la tension commutée [Azzopardi, 03]. Les performances sur
lesquelles notre attention se portera seront donc associées à cette tension.
Un pic de tension, appelé surtension, a lieu lors du blocage des IGBT. Cette surtension
génère un champ électrique responsable d’un stress important sur le composant IGBT. De
plus, les fabricants des modules donnent une limite de vitesse de commutation au blocage,
appelée dV/dt, ce qui laisse à penser à la présence d’un risque en cas de commutation trop
rapide. On sait notamment que la vitesse de commutation influe sur la dissipation, dans le
composant, du champ électrique, générateur de stress à l’intérieur des puces semi-
conductrices. A l’amorçage du composant, le stress engendré par une vitesse de commutation
élevée est ressenti par la diode anti-parallèle, plus résistante que l’IGBT, ce qui rend le
phénomène moins dangereux pour le module.
Nous nous pencherons donc, dans ce travail, sur la surtension et la vitesse de commutation
ayant lieu au blocage de l’IGBT.
Le respect de cette aire de sécurité lors du fonctionnement des modules IGBT doit
permettre de ralentir les phénomènes de vieillissement qui se traduisent par les mécanismes de
dégradation développés ci-après.
Après avoir présenté la structure, le fonctionnement, les mécanismes de dégradation et les

limites que présentent les IGBT, nous consacrerons la dernière partie de ce chapitre à la
modélisation de ces modules.
3.8. Modélisation des transistors IGBT

Il existe plusieurs familles de modèles inspirés soit par une analyse de la physique du
semi-conducteur, soit par une observation comportementale. On peut définir cinq groupes
principaux :
• Les modèles mathématiques ; ils sont basés sur l’analyse des principes physiques du
semi-conducteur. Les différences d’une version à l’autre résident essentiellement
dans les simplifications apportées en vue de réduire le temps de calcul. [Hefner, 94]
a développé le premier modèle unidimensionnel complet avec contrôle de la charge
donnant lieu à d’excellents résultats en commutation dure (figure 27). Cependant les
simplification apportées à l’expression de la conductivité de la base conduisent à de
mauvais résultats en commutation à tension nulle ou a courant nul.
48
Fig 27. Circuit équivalent d’un transistor IGBT selon A.R. Hefner [Hefner, 94]
L’expression de la conductivité en régime statique a été améliorée par [Sheng, 96] en

considérant une analyse bidimensionnelle de la modulation de la base. Ce modèle donne de
très bons résultats mais nécessite l’extraction d’une centaine de paramètres et sa gestion est
difficile.
• Les modèles semi mathématiques ; ils combinent des modèles existants avec des
équations basées sur la physique des semi-conducteurs. Ils sont en général composés
de modèles de transistors MOSFET et bipolaires simples augmentés d’un ou
plusieurs éléments permettant une meilleure description de certains effets. L’accent
est en général donné vers une meilleure représentation des capacités non linéaires
grille-emetteur et grille-collecteur du transistor MOSFET [Protiwa, 96] ou de la
queue de courant au déclenchement, comme dans le modèle développé par
[Musumeci, 96] pour le logiciel PSpice et dont le circuit équivalent est fourni en
figure 28.
Fig 28. Circuit équivalent d’un transistor IGBT selon S. Musumeci [Musumeci, 96]
• Les modèles comportementaux ; des éléments simples tels que des résistances, des
sources de courants, et des capacités sont adaptés à partir d’une base de données
contenant des valeurs de paramètres pour divers points de fonctionnement
49
[Tzou, 93] ou à partir d’extrapolation mathématiques [Hsu, 96]. On remarquera que

l’interrupteur idéal fait partie de cette catégorie.
• Les modèles numériques ; les dopages sont représentés en deux ou trois dimensions
et traités par un simulateur dédié utilisant les équations de base de la physique des
semi-conducteurs sur un certain nombre de nœuds (éléments finis).
• Les modèles semi numériques ; ils contiennent une représentation par éléments finis
de la base alors que les autres parties de l’éléments sont simulé par d’autres
méthodes.
Dans [Sheng, 00], on retrouve un état de l’art des modèles d’IGBT développé entre 1985
et 1998, leur nature (mathématique, semi-numérique…), leur complexité, le simulateur utilisé
et quelques commentaires associés.
Dans ce travail de recherche, nous souhaitons améliorer la connaissance du comportement

dynamique des modules IGBT dans leur aire de sécurité. Nous voulons pour cela établir des
modèles comportementaux traduisant la surtension et la vitesse de commutation au blocage de
l’IGBT, performances jugées critiques pour le module.
N’ayant pas suivi un parcours orienté vers l’électronique et a fortiori vers l’électronique
de puissance, nous avons opté pour une méthode de modélisation basée sur l’expérimentation
et plus précisément sur la méthode des plans d’expériences. L’application de cette méthode
permet d’établir des modèles quadratiques qui, de l’avis des experts IGBT d’ALSTOM
Transport, permettront de traduire correctement les performances étudiées.
L’objectif visé par ce travail est donc la mise en place de modèles quadratiques de
surtension et de vitesse de commutation par application des méthodes de plans d’expériences.
4. Conclusion du chapitre I
Nous avons commencé ce premier chapitre en présentant les deux principaux

représentants de la famille des transistors avant d’aborder l’IGBT, Transistor Bipolaire à
Grille Isolée sur lequel porte notre étude. Le blocage de l’IGBT est plus précisément ce qui
nous intéresse ici ainsi que les limites de fonctionnements définies par une aire de sécurité
appelée RBSOA (Reverse Bias Safe Operating Area).Outre les phénomènes rencontrés en cas
de dépassement de cette aire de sécurité, les mécanismes de dégradation, résultant du stress
subi par le module lors de son fonctionnement ont également été répertoriés dans ce chapitre.
Enfin, les différentes natures de modèle d’IGBT existant ont été présentées.
La problématique de cette thèse réside dans l’amélioration de la connaissance du

comportement d’un module IGBT utilisé en traction ferroviaire au sein de son aire de sécurité
(RBSOA). C’est sur cette aire de sécurité que se base la conception des onduleurs de traction
fabriqués par Alstom Transport. Pour améliorer cette connaissance, nous chercherons à établir
des modèles comportementaux de modules IGBT 3,3kV, utilisés en traction ferroviaire, à
l’intérieur de leur aire de sécurité. L’objectif recherché derrière le développement de la
connaissance du comportement dynamique des modules réside dans l’amélioration de leur
robustesse en commutation, cause principale des défaillances observées sur les onduleurs.
50
Plus précisément, ce sont la surtension et la vitesse de commutation au blocage de l’IGBT

qui ont été choisies pour symboliser les performances du module présentant un seuil critique
pouvant l’affecter. Ces deux performances sont associées à la tension, principal contributeur
du stress subi par le composant lors de son fonctionnement. Ce sont donc ces performances
que nous allons modéliser.
L’hypothèse retenue concernant ces modèles est qu’une forme quadratique permettra de
traduire correctement ces performances. L’obtention de ces modèles se fera par l’application
des méthodes de plans d’expériences. Ces méthodes, pouvant être décrites comme un
ensemble raisonné d’essais permettent, par l’analyse de résultats d’expérimentation, d’obtenir
des modèles polynomiaux du second degré. Les facteurs utilisés dans les modèles seront ceux
jugés influent parmi les paramètres présents lors de la conception de l’onduleur comme
présenté dans le deuxième chapitre dédié aux plans d’expériences utilisés pour les études de
criblage.
Références du chapitre I
[Aloïsi, 01] J. Aloïsi, “Les semiconducteurs de puissance – De la physique du solide
aux applications”, Ellipses, 2001.
[Azzopardi, 03] S. Azzopardi, E. Woirgard, J.-M. Vinassa, O. Briat, C. Zardini, “IGBT

power modules thermal characterization: what is the optimum between a
low current - high voltage or a high current - low voltage test condition for
the same electrical power?”, Microelectronics Reliability 43, p.1901-1906,
2003."
[Baliga, 84] B.J. Baliga, M.S. Adler, R.P. Love, P.V. Gray, M.S. Zommer, “The
insulated gate transistor, a new three-terminal-MOS-controlled bipolar
power device”, IEEE Trans. Electron. Devices, vol. 31, pp. 821-828, 1984.
[Baliga, 87] B.J. Baliga, “Modern power devices”, New York, John Wiley & Sons,
1987.
[Baudesson, 00] Philippe Baudesson, “Sûreté de fonctionnement, reconfiguration et

marches degradées des onduleurs multiniveaux à IGBT”, thèse de l’INPT,
2000.
[Blot, 95] J. Blot, “Les transistors–Eléments d’intégration des circuits analogiques”,

Dunod, 1995.
[Breit, 02] F. Breit, E. Dutarde, J. Saiz, T Lebey, D. Malec, S. Dinculescu,“Partial

discharge detection in power modules”, IEEE PESC, 2002.
[Cand, 86] M. Cand, E. Demoulin, J.-L. Laroy, D. Senn, “Conception des circuits
intégrés MOS”, Eyrolles & CNET-ENST, 1986.
[Carubelli, 03] S. Carubelli, “Contribution à l’identification et à l’estimation des

contraintes de fatigue thermique des convertisseurs intégrés pour la
traction électrique”, thèse de l’UHPN, 2003.
51
[Chatelain, 79] J.D. Chatelain, “Dispositifs à semiconducteurs”, Dunod, 1979.
[Ciappa, 02] M. Ciappa, “Selected failure mechanisms of modern power modules”,

Microelectronics Reliability 42, p. 653-667, 2002.
[Ciappa, 94] M. Ciappa, “Package reliability in microelectronics : a review”,

Proceeding of International Workshop on Electronics and Detector
Cooling, WELDEC, Vol. 1, pp 133-149, 1994.
[Ciappa, 96] M. Ciappa, P. Malberti, “Plastic Strain of aluminium interconnection

during pulsed operation of IGBT multichip modules”, Qual. Reliab Eng Int,
Vol 12, pp. 297-303, 1996.
[Duong, 97] Viet-Son Duong, “Etude de l’intégration d’une protection par fusible dans
les convertisseurs à IGBT”, Thèse de l’INPG, Grenoble, 1997.
[Farokhzad, 96] B. Farokhzad, P. Türkes, E. Wolfgang, K. Goser, “Reliability indicator for

lift-off of bond wires in IGBT power modules”, Microelectronics reliability,
Vol 36, N° 11/12, pp. 1863-1866, 1996.
[Findeisen, 98] C. Findeisen, E. Herr, M. Schenkel, H.R. Zeller, “Extrapolation of cosmic

ray induced failures from test to field conditions for IGBT modules”,
ESREF 98: Copenhagen, Vol 38, N° 6-8, pp. 1335-1339, 1998.
[Garry, 90] W.J. Garry, R.H. Seilh, T.A. Jennings, “Reliability analysis/assessment of
advanced technologies”, Final Technical report, 1990.
[Hamidi, 99] A. Hamidi, N. Beck, K. Thomas, E. Herr, “Reliability and lifetime

evaluation of different wire bonding technologies for high power IGBT
modules”, Microelectronics Reliability 39, pp.1153-1158, 1999.
[Hefner, 94] A.R. Hefner, “An experimentally verified IGBT model implemented in the
Saber circuit simulator”, IEEE transaction on Power Electronics, 1994.
[Herr, 97] E. Herr, T. Frey, R. Schlegel, A. Struck, R. Zehringer, “Substrate-to-

substrate solder joint reliability in high power IGBT modules”,
Microelectronics reliability, Vol 37, N° 10/11, pp. 1719-1722, 1997.
[Hsu, 96] T.S. Hsu, “Behavioural modeling of the IGBT using the Hammerstein
configuration”, IEEE transaction on Power Electronics, 1996.
[IEC270, 81] “Partial discharge measurements”, Norme IEC, 1981.
[Iwamoto, 99] H. Iwamoto, M. Tabata, H. Takahashi, N. Wheeler, E. Thal, “A new 1200V

PT IGBT Module using Trench Gate structure and Local Life Time
Control”, EPE, Lausanne, 1999.
[Iwamoto, 01] H. Iwamoto, H. Kondo, Y. Yu, A. Kawakami, M. Nakaoka, “Turn-off

behaviour of epitaxial planar and trench gate IGBTs and nonepitaxial
planar gate IGBT under hard and soft switchings” IEE Proceedings
Electric Power Applications, vol. 148, N°5, 2001.
52
[Jensen, 95] F. Jensen, “Electronic component reliability”, Wiley, 1995.
[Lefebvre, 04] S. Lefebvre, F. Miserey, “Composants à semi-conducteur pour

l’électronique de puissance”, Tech & Doc, 2004.
[Leturcq, 99] P. Leturcq, “Physique des semi-conducteurs de puissance, propriétés

électroniques du silicium”, Techniques de l’ingénieur, D 3102, 1999.
[Lilienfeld, 33] Brevet U.S. 1900018, 7 mars 1933.
[Mathieu, 01] H. Mathieu, “Physique des semi-conducteurs et des composants

électroniques”, Dunod, 2001.
[Mehrotra, 99] Mehrotra, V.; Jun He; Dadkhah, M.S.; Rugg, K.; Shaw, M.C., “Wirebond
reliability in IGBT-power modules: application of high resolution strain
and temperature mapping”, Power Semiconductor Devices and ICs, 1999.
ISPSD '99. Proceedings., The 11th International Symposium, pp. 113 –
116, 1999.
[Mitic, 99] G. Mitic, R. Beinert, P. Klofac, H.J. Schultz, G. Lefranc, “Reliability of

AlN substrates and their solder joints in IGBT power module”,
Microelectronics reliability, Vol. 39, pp. 1159-1164, 1999.
[Musumeci, 96] S. Musumeci, “PT-IGBT model with new parameters extraction for life-
time and Epy dependent behaviour simulation”, 27th Annual IEEE Power
Electronics Specialists Conference, 1996.
[Petraca, 99] C. Petrarca, B. Cascone, L. Fratelli, M. Vitelli, “Partial discharge

diagnostics on 3.3 kV, 1.2 kA IGBT modules”, High Voltage Engineering,
Eleventh International Symposium on, Vol 4, pp. 324 – 327, 1999.
[Protiwa, 96] F.F. Protiwa, “New IGBT model for PSpice”, Electronics Letters, Vol 32
N° 25, 1996.
[Ramminger, 98] S. Ramminger, P. Türkes and G. Wachutka, “Crack mechanism in wire

bonding joints”, Microelectronics Reliability, Volume 38, Issues 6-8, pp.
1301-1305, 1998.
[Russel, 95] J.P. Russel, “The COMFET – A new high conductance MOS-gated device”,
IEEE Electronic Device Lett, vol. 38, N°3, pp. 561-566, 1995.
[Schafft, 72] Schafft H., “Testing and fabrication of wire bonds electrical connections –
A comprehensive survey”, National Bureau of Standards, Technical Note,
Vol. 726, pp. 106-109, 1972.
[Schütze, 98] T. Schütze, H. Berg, M. Hierholzer, “Further improvement in the

reliability of IGBT module”, IEEE IAS, 1998.
[Shammas, 95] N.Y.A. Shammas, Munaf Rahimo,P.T. Hoban, “Effects of temperature,

forward current, and commutating di/dt on the reverse recovery behaviour
of fast power diodes”, EPE’95, Seville, Vol 1, pp. 1577-1582, 1995.
53
[Sheng, 96] K. Sheng, “A new analytical IGBT model with Improved Electrical
Characteristics” IEEE transaction on Power Electronics and Application,
1996.
[Sheng, 00] K. Sheng, B.W. Williams, S.J. Finney, “A review of IGBT models”, IEEE
Transactions on Power Electronics, Vol 15, Issue 6, pp 1250-1266, 2000.
[Thebaud, 00] J.-M. Thebaud, E. Woirgard, C. Zardini, K.-H. Sommer, “Thermal fatigue
resistance evaluation of solder joints in IGBT power modules for traction
applications”, PESC Record - IEEE Annual Power Electronics Specialists
Conference, pp. 1285 – 1290, 2000.
[Tzou, 93] J.T. Tzou, “Practical Spice macro model for IGBT”, IECON Proceeding,
1993.
[Vallon, 03] J. Vallon, “Introduction à l’étude de l fiabilité des cellules de commutation

à IGBT sous fortes contraintes”, these de l’INPT, 2003.
[Wondrak, 99] W. Wondrak, “Physical limits and lifetime limitations of semi conductor
devices at high temperature”, Microelectronic Reliability, Vol 39, issue 6-
7, pp.1113-1120, 1999.
54
Chapitre II : Les plans d’expériences, étude de criblage
Chapitre II :
Les plans d’expériences,
Etude de criblage
55
56
1. Introduction à la méthode des plans d’expériences
Le premier chapitre de cette thèse a permis de présenter l’IGBT, transistor sur lequel porte
ce travail de recherche. L’objectif exposé dans ce premier chapitre réside dans la modélisation
de deux performances ayant lieu lors du blocage d’un IGBT utilisé en traction ferroviaire. Ces
deux performances sont la surtension et la vitesse de commutation. Pour effectuer cette
modélisation nous avons opté pour une méthode empirique, celle des plans d’expériences. Les
second et troisième chapitres traiteront de cette méthode et présenteront leur application à
notre cas d’étude.
La méthode des plans d’expériences (MPE) cherche à déterminer une relation entre 2
types de grandeurs :
• La réponse : qui correspond à la grandeur physique étudiée ;

• Les facteurs : qui correspondent aux grandeurs physiques modifiables par
l’expérimentateur et sensées influer sur les variations de la réponse.
La construction d’un plan d’expériences consiste à extraire du domaine expérimental, un

nombre suffisant N de combinaisons particulières afin d’estimer, avec une incertitude à la fois
minimale mais aussi homogène, les p inconnues du modèle (additif ou polynomial) tout en
respectant au mieux les contraintes techniques et économiques de l’étude.
La méthode des plans d’expériences peut être utilisée dans deux types d’investigations :
• Les études de criblage ou screening,

• Les études de surface de réponse (MSR).
La technique du screening permet de déterminer, parmi les facteurs recensés par

l’expérimentateur, ceux qui ont une influence statistiquement non négligeable sur les
variations de la réponse. On procède ainsi implicitement à une simplification du problème. On
recherche pourquoi la réponse varie (en fonction de quels facteurs). En plus des facteurs
influents il est également possible d’identifier les interactions de facteurs qui auront une
influence significative sur la réponse. Ce sera l’objet de ce second chapitre.
Dans une application de la méthodologie de surface de réponse (MSR), les variations de la

réponse sont calculées en fonction des facteurs et interactions précédemment jugés influents.
Cette étude est davantage quantitative, le but étant de déterminer comment la réponse varie.
La présentation et l’application de cette méthode se feront dans le troisième chapitre.
Une dépendance fondamentale existe entre l’objectif recherché (screening ou MSR) et la

définition du plan d’expériences. Cependant, dans les deux cas, les étapes de la démarche se
déroulent dans un ordre similaire à savoir :
• Définition des objectifs et des réponses,

• Choix d’une stratégie expérimentale,
• Définition des facteurs,
• Définition du domaine expérimental,
57
• Définition du modèle empirique,

• Construction du plan d’expériences,
• Expérimentation,
• Analyse globale des résultats d’essais,
• Analyse mathématique des résultats d’essais,
• Analyse statistique du modèle,
• Analyse graphique du modèle,
• Validation du modèle et des informations obtenues.
Nous cherchons dans ce travail à traduire la surtension et la vitesse de commutation

présentes au blocage des IGBT à travers des modèles quadratiques. Pour cela nous utiliserons
la méthode des plans d’expériences pour l’étude des surfaces de réponses qui nous permettra
d’obtenir des modèles de la forme suivante [Goupy, 99] :
k k k −1 k
η = α 0 + ∑ α i xi + ∑ α ii xi ² + ∑ ∑ α ij xi x j (2.1)
i =1 i =1 i =1 j =i +1
Dans lequel, α représente les coefficients du modèle à identifier (α0 la constante, αi les
coefficients associés aux facteurs, αii les coefficients associés aux termes quadratiques et αij
les coefficients associés aux interactions d’ordre 1), k désigne le nombre de facteurs xi pris en
considération dans le modèle.
Comme nous le verrons au chapitre III consacré aux plans pour l’étude des surfaces de
réponse, ces plans nécessitent un nombre important d’essais. Ce nombre d’essais doit être au
moins égale au nombre p de coefficients à déterminer dans le modèle. Cependant, ce nombre
p est étroitement lié au nombre k de facteurs présent dans le modèle comme nous l’indique la
formule du calcul de p dans le cas d’un modèle d’ordre 2 :
( k + 1)( k + 2)
p= (2.2)
2
Rappelons que dans le contexte industriel qui englobe cette thèse en contrat CIFRE au
sein de la société Alstom Transport de Tarbes, il est important de minimiser les dépenses et
donc dans notre cas, le nombre d’essais sans pour autant perdre en efficacité.
On comprend alors mieux la nécessité d’identifier les facteurs ayant une influence
statistiquement significative sur nos réponses avant de chercher à établir ces modèles. Les
études de criblage répondent à ce besoin et font l’objet de ce deuxième chapitre.
Ce second chapitre sera construit de la manière suivante : un rapide historique reviendra

sur l’évolution au cours du temps des méthodes de plans d’expériences pour étude de criblage.
Une deuxième partie décrira ensuite de manière théorique le contenu des 12 étapes présentes
dans une étude de criblage par plans d’expériences. Enfin, les 12 étapes de cette méthode
seront appliquées à notre étude des modules IGBT.
Un certain nombre de termes de vocabulaire couramment utilisés dans une étude par plan
d’expériences [ISO 3534-3, 98] est donné en annexe 1.
58
2. Historique des plans de criblage
On peut représenter l’évolution des méthodes de plan d’expériences pour l’étude des
effets des facteurs (études de criblage) par la figure 1 :
Fig 1. Evolution des techniques de criblage [Louvet, 06]
Le père fondateur des plans d’expériences est le britannique Sir Ronald Aymler Fisher
(1890-1962). Les dispositifs d’expérimentations qu’il proposa permettent hélas de ne prendre
en considération que peu de facteurs qui, de plus, doivent posséder un même nombre de
modalité [Fisher, 25], [Fisher, 35]. La taille du plan d’expériences correspond alors au carré
du nombre de modalités et le modèle sous-jacent est un modèle additif sans interactions. Ces
plans sont les plans en carré gréco-latin. On peut citer par exemple le plan en carré gréco-latin
destiné à l’étude des effets de 4 facteurs à 3 modalités nécessitant 9 essais.
Sir Ronald Aymler Fisher, professeur de mathématiques, développa et utilisa les plans en
carré gréco-latin à la station agronomique de Rothamsted, près de Londres, dès 1924. Il fut
rejoint un peu plus tard par Franck Yates (1902-1994), plus connu pour les notations qu’il
proposa pour l’étude des plans factoriels.
Le nombre de dispositifs expérimentaux proposés par Fisher est faible, cependant il a

introduit des notions fondamentales dans l’organisation d’une expérimentation, afin de
minimiser les incertitudes. Il s’agit des techniques de création de blocs homogènes, de
randomisation à l’intérieur des blocs et de répétitions.
C’est en 1946 qu’une nouvelle famille de plans d’expériences apparaît. Ces nouveaux
plans permettent l’étude d’un grand nombre de facteurs auxquelles on affecte 2 modalités et
respectent les règles d’orthogonalité ce qui facilite l’analyse des résultats d’essais. Il s’agit des
plans proposés par R.L. Plackett et J.P. Burman auxquels on associe immédiatement les
problèmes de criblage [Plackett, 46]. La taille des plans de ce type est égale au multiple de 4
directement supérieur au nombre d’inconnues du modèle additif sans interactions.
59
En 1961, G.E.P. Box et J.S. Hunter montrent qu’il est possible de préciser l’effet d’un
facteur à l’aide d’interactions en ne réalisant qu’une fraction régulière du plan factoriel
complet. Ils créent ainsi les méthodes de construction et d’analyse des plans factorielles
fractionnaires, notés 2k-p dans [Box, 62].
Toutefois, une fraction d’un plan complet reste encore une puissance de 2 et peut
occasionner un grand nombre d’essais à réaliser. En 1962, pour estimer les interactions en
présence de 4 facteurs, P.J.M. John propose de ne réaliser que les ¾ du plan complet soit 12
essais [John, 62]. Malheureusement cette méthode n’est pas suffisamment généralisable.
Les dispositifs expérimentaux cités ci-dessus sont tous symétriques. C’est en 1962 que S.
Addelmann [Addelmann, 62] a proposé des dispositifs asymétriques respectant des règles
d’orthogonalité, marquant ainsi la fin des grands développements associés à la construction
des plans d’expériences pour l’étude des effets des facteurs à partir de règles combinatoires.
En 1967, R.L. Rechtschaffner propose dans son article [Rechtschaffner, 67] une méthode
de construction de matrices d’expériences par permutation circulaire, permettant d’estimer les
interactions à partir d’un nombre d’expériences distinctes rigoureusement identique au
nombre d’inconnues du modèle empirique (plan saturé).
Enfin, il n’est pas envisageable de parler des plans d’expériences pour l’étude des effets
des facteurs sans évoquer Genichi Taguchi. Les dispositifs expérimentaux proposés par
Taguchi ne sont pas originaux, ils reprennent les travaux antérieurs en les présentant de façon
pragmatique [Taguchi, 87]. Mais Taguchi va plus au-delà de simples matrices d’expériences
rendues prêtes à l’emploi, en proposant une méthode qui donnera naissance à l’ingénierie
robuste. Pour Taguchi, la mise en œuvre d’un plan d’expériences doit permettre la
minimisation du coût de la non-qualité, traduite par le ratio Signal/Bruit, notion introduite en
1962.
Les dernières évolutions des plans d’expériences concernent les plans optimaux. Les
méthodes d’optimisation permettent aux expérimentateurs de construire une matrice
d’expériences « à la carte ». Cette technique permet d’outrepasser les limites des plans
traditionnels, en particulier en laissant la possibilité d’affecter à chaque facteur un nombre
spécifique de modalités et en permettant de ne choisir que certaines interactions à mettre dans
le modèle additif.
Les plans optimaux doivent beaucoup au progrès de l’informatique qui a permis un

interfaçage convivial des algorithmes d’échange proposés dans les années 70. Ces algorithmes
optimisent des critères algébriques définis quelques 10 années auparavant par J. Kiefer et J.
Wolfowitz [Kiefer, 59].
3. Méthode de criblage ou Screening
La première famille de problèmes auxquels les plans d’expériences peuvent apporter une
aide concerne les plans dits de criblage ou screening. Ces plans concernent la compréhension
de l’effet des facteurs qui affectent le processus.
Pour illustrer la technique du sceerning, nous pouvons nous référer à [Srinivasaiah, 04]
dans lequel l’auteur utilise un plan en 28 essais, proposé par Plackett et Burman et identifie 10
facteurs ayant une influence significative sur le comportement du CMOS (Complementary
60
Metal Oxide Semi-conductor) étudié parmi un ensemble de 21 facteurs potentiellement

influents. Le but de cette phase d’identification est, tout comme dans notre cas, de limiter le
nombre de facteur en vue d’une étude de surface de réponse.
Nous allons maintenant revenir sur le contenu des 12 étapes citées dans le premier
paragraphe dans le cas d’une étude de criblage avant de les appliquer à notre cas.
3.1. Définition de l’objectif et de la/des réponse(s)

Nous avons vu dans l’introduction de ce chapitre que les plans d’expériences peuvent
répondre à deux sortes de problèmes et que la construction du plan dépend étroitement de
l’objectif visé. Il est donc capital de définir l’objectif de l’étude ainsi que la réponse observée
de façon précise.
3.1.1. Définition de l’objectif de l’étude
Il s’agit ici de la première étape de la démarche méthodologique qui consiste à bien

décrire le problème et en particulier à clairement préciser ce qu’on attend de la campagne
expérimentale.
Voici quelques voies d’investigation pour lesquelles les plans d’expériences de criblage
peuvent s’appliquer :
• Hiérarchiser les conséquences des changements de modalité des facteurs sur une
variable réponse et identifier ainsi les facteurs ayant une influence significative sur
cette réponse, comme ce sera le cas dans notre étude.
• Estimer les effets moyens des facteurs avec une incertitude minimale.
• Préciser les effets moyens des facteurs par des interactions.
• Proposer une orientation de réglage pour un processus.
• Mettre en œuvre l’ingénierie robuste.
Il est également nécessaire de définir la/les réponses observées lors de l’expérimentation.
3.1.2. Définition de la/les réponse(s) caractérisant l’objectif
L’estimation et la comparaison des effets des facteurs s’appuient sur l’analyse de résultats
d’essais qui représentent les valeurs particulières de grandeurs que la terminologie des plans
d’expériences appelle des réponses. Les modifications des réglages de tout processus
conduisent à l’observation des variations d’une ou plusieurs réponses.
Les réponses d’une étude correspondent à des traductions métrologiques des besoins
industriels. Il est important de mener une réflexion approfondie sur le choix, la définition et
les méthodes d’obtention des réponses.
Les réponses doivent être de nature quantitative afin de permettre l’utilisation de

méthodes d’analyses statistiques telles que l’analyse de la variance ou de régression dont les
hypothèses sont généralement admises lors de la mise en œuvre d’un plan d’expériences.
61
Les réponses quantitatives peuvent être de deux types :
• Discrètes, si la valeur de la réponse appartient à l’ensemble des entiers naturels.

C’est le cas par exemple pour une étude portant sur le nombre de soufflures
observées suite à une soudure laser présentée dans [Louvet, 06].
• Continue, si la valeur de la réponse appartient à l’ensemble des nombres réels. C’est
le cas de la majorité des études basées sur les méthodes de plan d’expériences. Pour
un réglage donné des facteurs, les valeurs de la réponse obéissent à une variable
aléatoire dont il n’est pas nécessaire de connaître systématiquement la distribution.
Dans notre application, nous observerons deux réponses de type continu sur lesquelles
nous reviendrons dans la partie applicative de ce chapitre.
3.2. Choix d’une stratégie expérimentale

Choisir une stratégie expérimentale consiste à évoquer la/les méthodes à mettre en œuvre
afin d’apporter des éléments de réponse aux questions que se posent les expérimentateurs.
Parmi les différentes solutions envisageables, il est possible d’évoquer l’analyse de

données existantes, l’étude d’un facteur à la fois et le recours à un modèle empirique pour la
recherche d’éléments d’information. Notre choix se tournera naturellement vers cette dernière
option et l’utilisation d’un plan de criblage pour y parvenir.
Les plans d’expériences pour l’étude des effets des facteurs constituent la méthode qui
semble s’imposer, dès lors qu’il est impossible, pour des raisons souvent matérielles, de
réaliser un plan complet c'est-à-dire l’ensemble des combinaisons des modalités des facteurs.
Lorsqu’on décide d’estimer et de comparer les effets des facteurs, il faut rendre les
comparaisons les plus équitables possible de façon à uniformiser et à minimiser les
incertitudes qui affectent les inconnues du problème.
Quand le nombre de facteurs et de modalités augmente, il n’est plus possible de concevoir

de manière intuitive, une stratégie expérimentale qui permette d’atteindre de façon rationnelle
les objectifs fixés. Il faut alors remplacer la stratégie qui consiste à ne faire varier qu’un seul
facteur à la fois par un plan d’expériences pour l’étude des effets des facteurs. On choisit dans
ce cas de s’appuyer sur un modèle additif avec ou sans interactions pour traduire la/les
réponse(s) observée(s).
3.3. Définition des facteurs

Après avoir précisé les objectifs d’une étude et les réponses les caractérisant, il est
nécessaire de définir les facteurs, c'est-à-dire les variables sur lesquelles l’expérimentateur va
agir de manière à créer une variation de la/les réponse(s), qui sera restituée au travers d’un
modèle.
Un diagramme d’Ishikawa [Ishikawa, 96] ou un P-Diagramme permet de compiler

l’ensemble des facteurs présents dans une étude et de les présenter dans un même graphique.
Il peut également être utile de préciser pour chaque facteur les difficultés que représente le
62
changement de son niveau. En effet, lors du choix de la matrice d’expériences cela permettra
d’éviter d’avoir à modifier à chaque expérimentation, un facteur difficilement modifiable.
Une étude par plan d’expériences peut mettre en jeu des facteurs de toute nature
(qualitative, quantitative, temporelle). Cependant, lorsque l’objectif d’une étude est d’estimer
puis de comparer les effets des facteurs, la stratégie expérimentale conduit à postuler à un
modèle additif, préalablement à la construction d’un plan d’expériences adapté à l’objectif. En
conséquence de quoi et d’après la définition de l’effet d’un facteur, tous les paramètres de
réglage mis en œuvre au cours du plan d’expériences seront considérés comme étant des
variables quantitatives, auxquelles on associe au moins deux états distincts appelés modalités.
Le nombre de facteurs indépendants utilisé dans l’étude est noté k et le nombre de

modalité est noté mi pour chaque facteur qualitatif i.
Le passage du plan d’expérimentation, composé des valeurs utilisées pour les différents
facteurs lors des essais, à la matrice d’expérience ξN, composée des diverses modalités des
facteurs s’illustre avec l’exemple d’une table L4 à trois facteurs (plan en carré gréco-latin)
présenté dans la table 1 :
Plan d’expérimentation Matrice d’expériences ξN

essais Température Pression Couple essais X1 X2 X3
1 25°C 1 MPa 5 Nm 1 A A A
2 25°C 3 MPa 10 Nm 2 A B B
3 70°C 1 MPa 10 Nm 3 B A B
4 70°C 3 MPa 5 Nm 4 B B A
Table 1 Passage du plan d’expérimentation à la matrice d’expériences
Il ne s’agit là que de remplacer les valeurs réelles des niveaux des facteurs par les
modalités A, B, …Il est également courant de voir les modalités A, B de la matrice
d’expériences remplacées par les modalités +/- notamment dans les plans du type
Rechtschaffner [Rechtschaffner, 67] utilisés pour l’étude des interactions lorsque les facteurs
ne prennent que 2 modalités.
Comme nous le montre l’exemple de la table 1, la matrice d’expérience (ξN) est une entité
mathématique présentée sous forme de tableau comportant autant de colonnes que de facteurs
(k ici égal à 3) et autant de lignes que de combinaisons (N ici égal à 4) de modalités retenues
dans le plan d’expériences.
Il est maintenant nécessaire de passer de la matrice d’expérience (ξN) à la matrice du

modèle. La matrice du modèle est notée X, c’est une matrice comportant autant de colonnes
que d’inconnues dans le modèle (p) et autant de lignes que la matrice d’expériences (N). La
matrice du modèle permet la construction de nombreuses matrices dont les invariants ou les
éléments permettent d’estimer la qualité de la matrice d’expérience retenue. On citera par
exemple la matrice d’information définie par :
Matrice d’information = (tXX) (2.3)
Pour passer de la matrice d’expériences à la matrice du modèle, un codage des modalités

des facteurs est nécessaire.
63
Peu d’ouvrages présentent les relations de codage utilisées dans les logiciels dédiés à la
construction des plans d’expériences pour les études de criblage. Dans [Louvet, 06], on trouve
explicitées les 2 relations de codage utilisées pour les études de criblage qui sont définies dans
les paragraphes 3.3.1 et 3.3.2.
3.3.1. Codage associé aux modèles additifs sans interaction
Pour cette première relation de codage, le nombre de colonnes du tableau disjonctif

complet est égal à la somme du nombre de modalités affectées à chacun des facteurs. Cette
relation est utilisée et commentée dans [Dagnelie, 97].
k
Nombre de colonnes du tableau disjonctif complet = ∑m
i =1
i (2.4)
Rappelons que k est le nombre de facteurs et mi le nombre de modalités associées au

facteur i.
On illustre cette relation avec le plan proposé par Ronald Aylmer Fisher et repris par
Genichi Taguchi sous la notation L9(34) dans la table 2 :
A B C D
1 A1 B1 C1 D1
2 A1 B2 C2 D2
3 A1 B3 C3 D3
4 A2 B1 C2 D3
5 A2 B2 C3 D1
6 A2 B3 C1 D2
7 A3 B1 C3 D2
8 A3 B2 C1 D3
9 A3 B3 C2 D1
Table 2 Table L9(34) non codée
On attribue une colonne à chacune des modalités de chacun des facteurs. Cette matrice
d’expérience donne après codage la table 3 :
A1 A2 A3 B1 B2 B3 C1 C2 C3 D1 D2 D3
1 1 0 0 1 0 0 1 0 0 1 0 0
2 1 0 0 0 1 0 0 1 0 0 1 0
3 1 0 0 0 0 1 0 0 1 0 0 1
4 0 1 0 1 0 0 0 1 0 0 0 1
5 0 1 0 0 1 0 0 0 1 1 0 0
6 0 1 0 0 0 1 1 0 0 0 1 0
7 0 0 1 1 0 0 0 0 1 0 1 0
8 0 0 1 0 1 0 1 0 0 0 0 1
9 0 0 1 0 0 1 0 1 0 1 0 0
Table 3 Table L9(34) codée
On définit alors un état de référence, c'est-à-dire une combinaison particulière des

modalités des facteurs. Cet état de référence est souvent défini arbitrairement dans les
64
logiciels comme la combinaison des dernières modalités de chacun des facteurs. Dans le cas
présent, l’état de référence serait donc défini à partir de la combinaison :
Etat de référence = A3B3C3D3 (2.5)
La matrice du modèle se compose d’une première colonne composée exclusivement de 1.

Cette colonne servira au calcul de la constante du modèle. Les colonnes suivantes proviennent
de la table codée, en supprimant dans ce dernier les colonnes correspondant aux modalités de
références. On obtient ainsi les p colonnes de la matrice du modèle associée chacune à une
inconnue du modèle.
Dans l’exemple de la table L9(34), on obtient la matrice de la table 4 issue de la table

codée présentée en table 3 à laquelle on ôte les colonnes relatives au modalités A3, B3, C3 et
D3, associés à l’état de référence et on ajoute une première colonne composée exclusivement
de 1 :
1 1 0 1 0 1 0 1 0
 
1 1 0 0 1 0 1 0 1
1 1 0 0 0 0 0 0 0
 
1 0 1 1 0 0 1 0 0
X = 1 0 1 0 1 0 0 1 0
 
1 0 1 0 0 1 0 0 1
1 0 0 1 0 0 0 0 1 

1 0 0 0 1 1 0 0 0
 
1 0 0 0 0 0 1 1 0
Table 4 Matrice du modèle
3.3.2. Codage associé aux modèles additifs avec ou sans interactions
Il existe une deuxième relation de codage, définie par [Eriksson, 00], qui offre l’avantage
d’être facilement applicable au problème d’estimation des interactions d’ordre 1. Cette
relation consiste à coder chaque colonne de la matrice d’expériences en (mi-1) colonnes
comme le montre la table 5 :
Facteur A x(A2) x(A3)

m1 A1 m1 -1 -1
m2 A2 m2 1 0
m3 A3 m3 0 1
Table 5 Codage d’un facteur A
En reprenant l’exemple du plan en carré gréco-latin L9(34) de la table 2, ce codage donne

les résultats de la table 6 :
65
x(A2) x(A3) x(B2) x(B3) x(C2) x(C3) x(D2) x(D3)

1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 1 0 1 0 1 0
3 -1 -1 0 1 0 1 0 1
4 1 0 -1 -1 1 0 0 1
5 1 0 1 0 0 1 -1 -1
6 1 0 0 1 -1 -1 1 0
7 0 1 -1 -1 0 1 1 0
8 0 1 1 0 -1 -1 0 1
9 0 1 0 1 1 0 -1 -1
Table 6 Table L9(34) codée
La matrice du modèle s’écrit alors en ajoutant à la table 7 une colonne contenant

exclusivement la valeur 1, correspondant au calcul de la constante du modèle, soit la matrice
de la table 8 :
1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1
 
1 − 1 − 1 1 0 1 0 1 0
1 − 1 − 1 0 1 0 1 0 1
 
1 1 0 −1 −1 1 0 0 1
X = 1 1 0 1 0 0 1 − 1 − 1
 
1 1 0 0 1 −1 −1 1 0
1 0 1 −1 −1 0 1 1 0 

1 0 1 1 0 −1 −1 0 1
 
1 0 1 0 1 1 0 − 1 − 1
Table 7 Matrice du modèle
Cette relation permet notamment de retrouver la notation +1/-1 souvent rencontrée lors de
l’utilisation des plans d’expériences mettant en jeu 2 modalités par facteurs, comme le montre
l’exemple de la table 8 :
essais A B C essais x(A2) x(B2) x(C2)

1 A1 B1 C1 1 -1 -1 -1
2 A2 B1 C2 2 1 -1 1
3 A1 B2 C2 3 -1 1 1
4 A2 B2 C1 4 1 1 -1
(a) Table non codée (b) Table codée
Table 8 Exemple de codage
Lorsqu’on décide de préciser l’effet moyen d’un premier facteur en fonction des modalités
d’un second facteur (interaction d’ordre 1), la matrice du modèle est complétée par une ou
plusieurs colonnes résultat du produit des colonnes relatives aux facteurs concernés. Voyons
dans la table 9 comment s’effectue ce calcul d’interactions avec cet exemple d’un plan
complet mettant en jeu un facteur A à 2 modalités et un facteur B à 3 modalités.
66
Essais x(A) x(B2) x(B3) x(A)*x(B2) x(A)*x(B3)

1 -1 -1 -1 1 1
2 -1 1 0 -1 0
3 -1 0 1 0 -1
4 1 -1 -1 -1 -1
5 1 1 0 1 0
6 1 0 1 0 1
Table 9 Illustration du calcul d’interaction
C’est ce type de codage que nous utiliserons dans notre application présenté dans le 4ème
paragraphe de ce chapitre.
3.4. Définition du domaine expérimental

La définition du domaine expérimental découle directement de l’étape précédente, à
savoir de la définition des facteurs et de leurs modalités. En effet le domaine est définie
comme étant l’ensemble des combinaisons réalisables à partir des modalités des facteurs.
Lorsque tous les facteurs ont le même nombre de modalités, le domaine est dit
symétrique, dans le cas contraire, il est asymétrique. Par exemple pour 3 facteurs à 4
modalités, 2 facteurs à 3 modalités et 1 facteur à 2 modalités, le domaine expérimental est
asymétrique et se compose de 4x4x4x3x3x2=1152 combinaisons possibles.
La partie applicative de ce chapitre présentera deux études de criblage, l’une utilisant un

domaine expérimental symétrique au paragraphe 4.3 et l’autre un domaine asymétrique au
paragraphe 4.4.
La visualisation du domaine expérimental paraît délicate au-delà de trois facteurs.

Toutefois des techniques de représentation en perspective ou de projection particulière
permettent d’obtenir une cartographie plane du domaine expérimental dans un espace
multidimensionnel. La figure 2 présente un exemple de représentation du domaine
expérimental pour une étude faisant intervenir 3 facteurs à 3 modalités (A, B et C) et 1 facteur
à 2 modalités (D).
Fig 2. Exemple de représentation graphique d’un domaine expérimental
67
3.5. Définition du modèle empirique

Cette étape revient à choisir une forme de modèle adaptée aux objectifs de l’étude et à
estimer le nombre d’inconnues p associées au modèle :
• Adopter un modèle additif sans couplage pour estimer et comparer les effets moyens
des facteurs :
k k
Y = C te + ∑Wi et p = 1 + ∑ ( mi − 1) (2.6)
i =1 i =1
• Adopter un modèle additif avec interactions pour préciser les effets moyens des
facteurs par des interactions (généralement limités au 1er ordre) comme ce sera le cas
dans notre application :
k k −1 k k k −1 k
Y = C te + ∑Wi + ∑ ∑ Cij et p = 1 + ∑ (mi − 1) + ∑ ∑ (mi − 1)( m j − 1) (2.7)
i =1 i =1 j =i +1 i =1 i =1 j =i +1
Dans les relations 2.6 et 2.7 :

mi désigne le nombre de modalités du facteur i,
k désigne le nombre de facteurs considérés,
Wi désigne le poids du facteur i
Cij désigne le poids de l’interaction entre les facteurs i et j.
3.6. Construction du plan d’expériences

La construction d’un plan d’expériences pour l’étude des effets des facteurs peut
s’appuyer sur deux grandes familles de critères :
• Les critères d’orthogonalité, la construction des plans se fait à partir de règles

combinatoires.
• Les critères d’optimalité, la construction des plans se fait à partir de règles
algorithmiques.
Parmi les plans construits à partir des règles d’orthogonalité, les plus souvent rencontrés
sont les plans en carré gréco-latin de Fisher [Fisher, 49], les plans de Plackett et Burman
[Plackett, 46] ou les plans de Box et Hunter [Box-Hunter, 62]. Le but de ces plans est
d’extraire du domaine expérimental, généralement symétrique, tout ou une partie des
combinaisons des modalités des facteurs, à partir de règles basées sur des permutations
circulaires, de manière à estimer avec une incertitude minimale les inconnues du modèle et les
informations recherchées en terme d’effet des facteurs.
Les plans optimaux cherchent quant à eux à extraire du domaine expérimental,

généralement asymétrique, un sous-ensemble des combinaisons des modalités des facteurs, à
partir de règles algorithmiques, de manière à estimer avec une incertitude minimale les
inconnues du modèle et les informations recherchées en terme d’effet des facteurs. Ce type de
plan nécessite l’utilisation d’un logiciel adapté.
68
L’utilisation des uns ou des autres de ces critères étant indépendant de l’objectif recherché
par l’étude, nous détaillerons dans ce chapitre la notion de critères d’orthogonalité tandis que
le chapitre suivant, portant sur la méthode de surface de réponse, présentera les critères
d’optimalité et l’utilisation des algorithmes d’échange.
Historiquement, le premier critère utilisé pour la réalisation d’une matrice d’expérience

fut le critère d’orthogonalité et ce pour plusieurs raisons exposées dans [Louvet, 06] :
• Un dispositif expérimental orthogonal est facile à construire à partir de simples

règles de permutation circulaire.
• Un dispositif expérimental orthogonal offre une incertitude minimale pour
l’estimation des inconnues d’un problème, en particulier parce que les combinaisons
retenues dans sa structure sont parfaitement équilibrées. Toutes les modalités
apparaissent un même nombre de fois pour chacun des facteurs.
• L’analyse des résultats d’essais provenant d’un dispositif expérimental orthogonal
est facile à mettre en œuvre ; elle ne requiert pas systématiquement d’expliciter le
modèle mathématique. La construction du tracé des effets moyens et la
représentation graphique des couplages peuvent s’effectuer à partir du calcul de
simples moyennes arithmétiques.
D’après la norme [ISO 3534-3, 98], un arrangement orthogonal est un ensemble de

combinaisons de traitements tels que pour chaque paire de facteurs, chaque combinaison de
traitement survient un même nombre de fois pour tous les niveaux possibles de facteurs.
Pour vérifier l’orthogonalité d’un arrangement, il suffit de réaliser autant de tableaux de

contingence qu’il y a de paires de facteurs. On complète ensuite chacun des tableaux en
dénombrant, dans la matrice d’expériences, le nombre de combinaisons observées
correspondant au croisement des lignes et des colonnes de chaque tableau de contingence. Si
pour chacun des tableaux, la valeur des cellules est constante, la matrice d’expérience est
alors orthogonale.
L’exemple de la table 10, d’un plan de Plackett et Burman mettant en jeu trois facteurs à
deux modalités illustre cette notion d’orthogonalité :
A B C
1 A2 B2 C1
2 A1 B2 C2
3 A2 B1 C2
4 A1 B1 C1
A1 A2 A1 A2 B1 B2
B1 1 1 C1 1 1 C1 1 1
B2 1 1 C2 1 1 C2 1 1
Table 10 matrice d’expérience et tableaux de contingence associés
Cette matrice est bien orthogonale, chaque tableau de contingence est rempli d’une même
valeur (ici 1) dans chacune de ces cases. En effet, dans cette table, l’association A1-B1 par
exemple n’apparaît qu’une seule fois (lors de l’essai 4). De plus ici, le fait que chaque facteur
69
soit doté d’un même nombre de modalités engendre le fait que cette valeur est la même dans
chacun des tableaux de contingence.
On peut citer parmi les plans basés sur ce critère d’orthogonalité les plans en carré gréco-
latin et hyper gréco-latin et les plans de Plackett et Burman sans oublier les plans Taguchi qui
pour l’essentiel reprennent les tables citées précédemment.
3.7. Expérimentation
Avant l’expérimentation, il convient de préparer pour chacun des essais, une fiche
indiquant les modalités des facteurs à respecter. De plus, il est préférable d’effectuer une
randomisation des essais si cela est possible. Cette randomisation permet de limiter
l’éventuelle influence perturbatrice de facteurs non contrôlés.
Cependant cette randomisation peu s’avérer coûteuse lorsque la modification de la

modalité d’un ou plusieurs facteurs nécessite de lourdes manipulations. Ce sera le cas dans
notre étude où la modification de modalité de certain facteurs c’est avérée très contraignante.
3.8. Analyse globale des résultats d’essais

Avant de mettre en œuvre des outils mathématiques pour estimer les p inconnues du
modèle et visualiser ensuite les effets moyens des facteurs et les éventuelles interactions, il est
important de porter un jugement global sur l’ensemble des résultats d’essais.
L’analyse globale des résultats d’essais permet notamment :
• D’apprécier la variation des réponses observées au cours du plan d’expériences

(c'est-à-dire de s’assurer d’un écart significatif entre les valeurs minimales et
maximales de la réponse observée),
• De détecter des valeurs suspectes et procéder à une reproduction d’expérience le cas
échéant,
• De repérer une combinaison des modalités des facteurs dont les résultats peuvent se
révéler industriellement intéressants, indépendamment de l’estimation et de la
comparaison des effets des facteurs.
Pour effectuer cette analyse, on fera appel à des constructions graphiques sous forme de
nuages de point ou de « boîtes à moustaches » lorsque les traitements du plan d’expériences
donnent lieu à des répétitions.
La représentation de « boîtes à moustaches » (Box and Whiskers Plot) est une technique
récente de statistique descriptive pour résumer des distributions unidimensionnelles de
données.
Ce mode de visualisation graphique a été initialement proposé par John W. Tukey (1915-
2000) en 1977 [Tukey, 97]. Il connaît de nombreuses variantes développées par différents
auteurs. L’objectif consiste à représenter sur un même graphique les caractéristiques
suivantes :
70
• La caractéristique de tendance centrale choisie comme étant la valeur médiane de la

distribution est représentée par un trait horizontal à l’intérieur de la boite.
• La caractéristique de dispersion autour de la tendance centrale est représentée par
l’intervalle interquartile défini par la différence entre le 3ème et le 1er quartile. Cet
intervalle constitue la boîte.
• L’étendue de la distribution est signalé par la longueur des moustaches, traits
verticaux reliant les extrémités de la boite aux valeurs minimales et maximales
observées.
• L’asymétrie de la distribution peut être mise en évidence par l’écart entre la
moyenne arithmétique, matérialisée par un cercle plein, et la médiane matérialisée
par un trait.
3.9. Analyse mathématique des résultats d’essais

L’analyse mathématique des résultats d’essais a pour objectif de calculer les coefficients
du modèle et par la suite les résidus qu’engendre ce modèle.
3.9.1. Grille de dépouillement
Cette méthode a été proposée en 1990, par Robert H. Lochner et Joseph E. Matar dans un
ouvrage intitulé designing for quality [Lochner, 90]. Elle répond parfaitement à un besoin
d’analyse rapide et manuelle des résultats d’essais.
Si aujourd’hui le déploiement des outils informatiques dédiés à la construction et l’analyse

de plans d’expériences ou encore une programmation simple de feuille de calcul à l’aide de
tableur informatique permet d’éviter cette opération, cette présentation reste néanmoins utile
pour bien comprendre le principe d’analyse des résultats d’essais.
Chaque grille de dépouillement comporte 3 zones :
• La zone destinée au report des valeurs de la réponse à analyser correspond à la

colonne Y de la grille de dépouillement. En présence de répétitions, on remplira
cette colonne par les moyennes observées en chaque point d’essai.
• La zone des facteurs contient autant de blocs qu’il y a de facteurs. Le nombre de
colonnes de chacun des blocs correspond au nombre de modalités affectées à chacun
des facteurs présent dans le plan d’expériences. Pour chacune des lignes, on
complète les cellules vides par la valeur de la réponse à analyser.
• La zone de calcul et d’affichage des résultats permet d’établir, pour chacune des
modalités des facteurs, la moyenne arithmétique caractérisant la modalité étudiée.
Nous retrouvons ces trois zones sur dans la table 11 :
71
Facteur A Facteur B Facteur C Facteur D

Traitement Y
A1 A2 A3 B1 B2 B3 C1 C2 C3 D1 D2 D3
1
2
3
4
5
6
7
8
9
Total
Nombre 9 3 3 3 3 3 3 3 3 3 3 3 3
Moyenne
Table 11 Grille de dépouillement associé à un arrangement L9(34)
La structure des cellules vides correspond aux combinaisons particulières des modalités
des facteurs retenues dans le plan d’expériences. Cette présentation facilite ainsi le calcul des
moyennes propres à chacune des modalités des différents facteurs.
3.9.2. Calcul des coefficients du modèle additif
Le plan d’expériences peut se retranscrire sous la forme :
{Y } = ( X ){Coefficients}+ {E} (2.8)
Avec :
{Y} le vecteur des résultats d’essais,
(X) la matrice du modèle,
{Coefficients} le vecteur des estimations des coefficients.
{E} le vecteur d’erreur.
La matrice (X) n’étant pas souvent une matrice carrée, nous avons recourt pour résoudre
ce problème à l’écriture matricielle de la méthode des moindres carrés [Dodge, 99]
[Goupy, 06] dont l’équation est :
{Coefficients} = (t XX )−1 (t X ){Y } (2.9)
Cette équation fait appel au calcul de la pseudo inverse de la matrice du modèle (X). La
matrice (X) étant de rang plein en colonne (le nombre de colonnes indépendantes est inférieur
au nombre de lignes), cette pseudo inverse se calcule de la façon suivante [Rotella, 95] :
(X ) = ( XX ) ( X )
+ t −1 t
(2.10)
Voici quelques propriétés de la méthode des moindres carrés :
• L’estimation des coefficients s’effectue à partir de la recherche d’un critère

d’optimisation qui consiste à minimiser la somme des carrés des résidus. La
72
méthode des moindres carrés offre ainsi le meilleur ajustement des résultats par le
modèle mathématique.
• La somme des résidus est nulle, ce qui implique que la moyenne des résultats
observés est égale à la moyenne des résultats calculés à partir du modèle. Il s’agit
d’un critère de vérification lorsqu’on met en œuvre la méthode des moindres carrés à
l’aide d’un tableur.
• La méthode des moindres carrés suppose que les résidus sont distribués suivant une
loi normale d’espérance mathématique nulle, la dispersion des résidus autour de la
moyenne servant à estimer un écart type résiduel, utilisé dans la mise en œuvre des
tests statistiques quand on ne dispose pas d’informations sur la variabilité naturelle
des résultats.
3.9.3. Calcul des résidus
Connaissant une estimation des coefficients du modèle, il est possible d’utiliser ce dernier
afin de calculer une estimation de la réponse pour chacun des traitements du plan
d’expériences. Il suffit pour cela d’utiliser le produit scalaire entre le vecteur des estimations
des coefficients et le vecteur représentant la fonction du modèle, pour une combinaison x0 des
modalités des facteurs donnée [Draper, 81] :
∧
y ( x0 )= t f (x0 ){Coefficients} (2.11)
Pour une combinaison x0 donnée du plan d’expériences, le résidu est défini à partir de la
relation suivante :
∧
Résidu = y(x0 ) − y(x0 ) (2.12)
La méthode des moindres carrés, utilisée dans le calcul des coefficients du modèle, est
basée sur la minimisation de la somme des carrés de ces résidus.
3.10. Analyse statistique du modèle

L’analyse statistique du modèle est l’étape principale de l’analyse des résultats. Elle se
base dans certains cas sur les données de l’analyse mathématique comme pour l’application
de la méthode de Daniel ou de Lenth. Son objectif est d’identifier les facteurs statistiquement
influents sur la/les réponse(s) observée(s).
3.10.1. Méthode de Daniel
Le graphe de Daniel [Daniel, 59] permet de tester graphiquement la normalité de la

répartition des valeurs des effets [Goupy, 96] [Droesbeke, 97].
Cette méthode d’analyse repose sur la construction d’un graphique. On ordonne dans un
premier temps la valeur absolue des effets moyens dans un ordre croissant, ce qui permet
d’obtenir le rang i de chacune de ces valeurs absolues (i=1,…, k).
73
La valeur des effets moyens constitue l’axe des abscisses du graphe de Daniel. On calcul
alors la fréquence correspondante à partir de la relation :
i − 0,5
P= (2.13)
k
L’application de l’inverse de la fonction de répartition de la loi normale centrée réduite

noté F-1 permet d’obtenir les ordonnées du graphique, appelé fractiles théoriques semi-
normaux notés :
 P +1
F −1   (2.14)
 2 
Si tous les effets moyens étaient nuls, le nuage de point s’alignerait alors sur une droite
passant par l’origine du graphique, la dispersion des points autour de cette droite étant due à la
variabilité naturelle des résultats d’essais. Dès qu’il n’y a plus alignement, les points qui se
détachent de la droite traduisent des facteurs aux effets moyens probablement actifs.
3.10.2. Méthode de Lenth
La méthode de Lenth [Lenth, 89] consiste à estimer une pseudo erreur-type, pour mettre
en œuvre un test statistique dont le résultat se traduit sous forme graphique semblable à une
carte de contrôle.
La première étape de l’application de cette méthode consiste à classer les valeurs absolues
des coefficients aj du modèle obtenu dans l’ordre croissant. On défini ensuite la grandeur s0 à
partir de la médiane de ces valeurs absolues :
s0 = 1,5 × médiane a j (2.15)
On élimine les coefficients dont la valeur absolue est supérieure à 2,5 s0. En appliquant la
même démarche aux coefficients restants, on estime à nouveau s0.
Il n’y a plus de coefficients à éliminer. On a atteint ainsi la valeur d’une pseudo erreur-
type, désignant l’écart-type sur l’estimation d’un coefficient :
PSE = 1,5 médiane a j (2.16)

a j < 2 ,5 s0
Ce dernier résultat est utilisé de façon classique pour construire un intervalle bilatéral de
confiance associé aux coefficients dont les limites sont définies par :
ME = ± td1−α / 2 PSE (2.17)
La valeur du facteur d’élargissement t dépend d’une part du niveau de signification α

choisi, généralement égal à 5%, et d’autre part du nombre de degrés de liberté d que R.V.
74
Lenth définit de façon empirique par le tiers du nombre m de coefficients restants [Lenth, 89].
La valeur du coefficient t est définie à partir de la loi de Student.
Par ailleurs, R.V. Lenth propose la construction d’autres limites à partir d’une probabilité
γ définie par :
1
(1 + 0,95 m ) (2.18)
γ =
2
On obtient alors :
ME = ± tdγ PSE (2.19)
La valeur du coefficient t est ici aussi définie à partir de la loi de Student.
Les coefficients aj dont les valeurs estimées sont situées à l’extérieur des limites définies
par la valeur de ME correspondent à des effets actifs. Inversement, les coefficients aj dont les
valeurs estimées sont situées à l’intérieur des limites définies par la valeur de ME
correspondent à des effets non actifs.
L’application de cette méthode peut amener parfois à ne considérer aucun facteur comme
actif. Ce n’est pas pour autant que les résultats de l’analyse mathématique ne sont pas
exploitables. Il est alors préférable d’analyser ces résultats à l’aide d’une autre méthode
comme la méthode de Daniel ou l’analyse de la variance et d’associer à cette analyse les
connaissances du groupe de travail.
Remarque : la méthode de Daniel tout comme celle de Lenth repose sur l’hypothèse qui
stipule que 20% seulement des facteurs expliquent 80% de la variation de la réponse. En cas
de non respect de cette hypothèse il sera plus hasardeux de différencier les facteurs influents
des non influents.
3.10.3. Analyse de la variance
L’analyse de la variance est appelé « Analysis of Variance » dans la littérature anglo-

saxonne ; son appellation est couramment abrégée en ANOVA.
Contrairement à ce que laisse penser son nom, l’analyse de variance n’étudie pas les
différences de variances entre populations mais les différences de moyenne. Cette méthode
doit son nom au fait qu’elle utilise des mesures de variance afin de juger du caractère
significatif ou non, c'est-à-dire de la significativité des différences de moyenne mesurées entre
populations.
Il s’agit d’une généralisation à p populations du classique test de comparaison de deux

échantillons, le célèbre test de t de Student.
D’une façon générale, en matière de régression, le principe de l’analyse de la variance est

de subdiviser la variation totale en une composante factorielle relative à l’équation de
régression ou au modèle utilisé, et une composante résiduelle, la première devant être testée
75
par rapport à la deuxième [Droesbeke, 97]. Les composantes factorielle et résiduelle seront
mathématiquement représentées par des carrés moyens, c'est-à-dire des variances.
En définitive, l’intérêt de l’analyse de la variance est de pouvoir tester de manière absolue

l’influence des facteurs sur les variations d’une réponse donnée [Vivier, 02].
3.10.3.1. Calcul du carré moyen des facteurs et des interactions
La variance des facteurs s’obtient en calculant la somme des carrés des écarts (SCE) que
l’on divise par le nombre de degré de liberté (ddl) associés au facteur f considéré.
• Pour les facteurs :
Le nombre de ddl associés à un facteur f correspond à son nombre de modalité (nombre

de valeurs distinctes que l’on prend lors de la réalisation du plan) minoré de 1, soit :
ddl f = Nn f − 1 (2.20)
Avec Nn f le nombre de modalité du facteur f .
La somme des carrés des écarts associés au facteur f vaut :
( ) = γ ∑ (y − y )
Nn f Nn f
2
SCE f = γ f ∑ E f f i
(2.21)
f =i
i =1 i =1
Avec :
1 N
y=
N
∑y
i =1
i la moyenne des réponses,
N
γf = le nombre d’expériences pour lesquelles le facteur f prend un de ses Nn f
Nn f
niveaux,
yi la moyenne des réponses observées pour les expériences où le facteur f prend son
i ème niveau.
• Pour les interactions :
Le nombre de ddl associés à une interaction de facteur correspond au produit des ddl des
facteurs mis en jeu dans cette interaction, soit :
ddl fg ...l = ddl f × ddl g × ... × ddll (2.22)
Pour les interactions mettant en jeu 2 facteurs f et g, la somme des carrés des écarts vaut :
76
Nni Nn j
(
SCE fg = δ fg ∑∑ yij − yi − y j + y )
2
(2.23)
i =1 j =1
Avec :
N
δ fg = le nombre d’expériences pour lesquelles le facteur f prend un de ces Nnf
Nn f .Nn g
niveaux et lorsque le facteur g adopte un de ces Nng niveaux,
yij la moyenne des réponses observées pour les expériences où le facteur f prend son
ième niveau et où le facteur g prend son jème niveau,
La généralisation aux interactions d’ordre supérieur se fait de la même façon. Par exemple
pour une interaction d’ordre 3 mettant en jeu les facteurs f, g et l, on aura :
Nni Nn j Nnk
(
SCE fgl = φ fgl ∑ ∑ ∑ y ijl + y i + y j + y l − y ij − y il − y jl − y )
2
(2.24)
i =1 j =1 k =1
On déduit alors la valeur des carrés moyens, associés au facteur ou à l’interaction

considéré(e) x, comme étant :
SCE x
CM x = (2.25)
ddl x
3.10.3.2. Calcul de la variance résiduelle
Pour 2 facteurs on peut écrire la décomposition suivante :
( ) (
yij − y = yi − y + y j − y + yij − yi − y j + y ) ( ) (2.26)
On réalise alors une somme sur i et j, des deux cotés de l’égalité mis préalablement au
carré. La somme se fait ainsi sur les niveaux de tous les facteurs. On aboutit alors à l’équation
de variance, démontrant l’additivité des sommes des carrés des écarts (membres de droite) :
Nni Nn j
(
SCEt = ∑∑ yij − y = ∑ SCE x )2
(2.27)
i =1 j =1
Avec :
SCEt la somme totale des carrés des écarts ;
SCEx la somme factorielle des carrés (x désignant un facteur ou une interaction).
Enfin notons la relation donnant entre autre la valeur de ddlt (le nombre total de degrés de
liberté) :
ddlt = ∑ ddl
facteur
i + ∑ ddl
int eraction
ij (2.28)
On a donc également additivité des degrés de liberté.
77
Lorsqu’il existe une erreur expérimentale non nulle, l’équation de variance fait apparaître
un nouveau terme appelé communément variance résiduelle (SCEr) :
SCEt = ∑ SCE x + SCEr (2.29)
C’est à cette variance résiduelle SCEr que les SCEx sont comparés afin de déterminer les
caractères significatifs des facteurs et des interactions x. La variance résiduelle est un point de
comparaison. Elle doit traduire une variation des valeurs de réponse, dont l’amplitude est
arbitrairement considérée comme faible. Tout facteur influent doit donc posséder des
caractéristiques fortement différenciées de celles de cette composante.
Dans le cas des expérimentations réelles, la variation résiduelle est prise comme étant un
estimateur de la variance expérimentale, qui traduit la variabilité inhérente des résultats sur
plusieurs réalisations d’expériences identiques. L’utilisation d’expériences virtuelles exclut
donc cette possibilité [Vivier, 02].
La variance résiduelle est le plus souvent calculée comme étant la somme des carrés des
résidus, i.e. des écart entre les réponses mesurées (y) et les réponses correspondantes,
calculées grâce au modèle (ymod) [Pillet, 94] [Schimmerling, 98].
N 2
SCEr = ∑ ( y (i x ) − y mod (i x )) (2.30)

i =1
Avec ix le vecteur des coordonnées du ième point d’expérience du plan.
Le nombre de degrés de liberté ddlr associé vaut N-p. On comprend en effet que les
résidus n’existent que grâce aux N-p (>0) expériences réalisées en plus des p simulations
absolument nécessaires au calcul des p coefficients du modèle.
On calcul alors un carré moyen résiduel tel que :
2
SCEr 1 N
CM r =
ddlr
= ∑
N − p i =1
( y (i x ) − y mod (i x )) (2.31)
Calculer le SCEr de cette façon permet, en définitive, de tester le caractère significatif des
facteurs et des interactions et dans le même temps d’évaluer la qualité du modèle utilisé (ymod)
[Vivier, 02].
Cette solution n’est pas applicable dans le cas de plans saturés. Dans ces cas précis,
certains auteurs ([Goupy, 96], [Droesbeke, 97], [Sapora, 90]) proposent la construction de la
variance résiduelle à partir des interactions dont les variances (carrés moyens) sont les plus
faibles ; leurs valeurs devant être du même ordre de grandeur.
3.10.3.3. Test de Fisher-Snedecor
Le test de Fisher-Snedecor permet de comparer 2 variances, par l’utilisation de la loi

statistique de Fisher (loi F) [NF X 06-063, 87]. Celle-ci travaille sur le quotient de variance et
78
prend en compte le nombre de degrés de liberté de chacune d’elles. Les variances concernées
doivent être celles de variables aléatoires suivant une distribution normale et à variance
constante.
Pour effectuer ce test on calcule le ratio suivant pour le terme du modèle considéré
(facteur ou interaction) :
CM x
Fobs = (2.32)
CM r
On compare ensuite cette valeur à une valeur critique Fcrit extraite de la table de la loi F.
Si la valeur de Fobs est inférieure à celle de Fcrit, on considère la variance associée au facteur
ou à l’interaction (CMx) comme égale à la variance résiduelle (CMr). On définie ainsi
l’hypothèse H0, selon laquelle l’affirmation précédente est vraie. Si c’est le cas, Fobs est alors
une valeur observée d’une variable F de Fisher-Snedecor, à ddlf et ddlr degrés de liberté.
Il est courant de résumer les calculs réalisés dans un tableau d’analyse de variance dont la
structure est donnée dans la table 12
Somme des
Source de
ddl carrés des Carrés moyens Fobs Fcrit Conclusion
variation
écarts
Facteur 1 ddl1 SCE1 CM1=SCE1/ddl1 CM1/CMr
… … … … … Source
Facteur k ddlk SCEk CMk=SCEk/ddlk CMk/CMr F1-α/2(ddlx ;ddlr) influente ?
Interaction ddlfg SCEfg Fobs>Fcrit ?
CMfg=SCEfg/ddlfg CMfg/CMr
fg… … …
Variation
ddlr SCEr CMr=SCEr/ddlr
résiduelle
Totaux ddlt SCEt
Table 12 Tableau d’analyse de variance
Ce tableau d’analyse de variance est fréquemment complété d’une colonne indiquant pour
chaque élément du modèle (facteurs et interactions) la probabilité P de rejeter à tord
l’hypothèse H0 qui qualifie de non significatif l’élément qui lui est associé.
Ces résultats permettent donc de déterminer la significativité des facteurs et des

interactions. Dans le cas de non significativité, les termes concernés peuvent être exclus du
modèle. Il est alors préférable de refaire une analyse de variance afin de s’assurer que tous les
éléments restants sont bien significatifs. En effet, il est à noter qu’en supprimant des termes
du modèle, on augmente la variance résiduelle ce qui peut avoir pour conséquence le rejet
d’autre termes.
Cette opération est très importante dans une étude de screening car en diminuant le
nombre de dimensions du problème, elle autorise l’utilisation de démarches coûteuses et
généralement dépendantes du nombre de facteurs : il s’agit principalement d’applications de
la méthode des surfaces de réponses et des optimisations par plans d’expériences [Vivier, 02].
79
Les modèles obtenus peuvent Le tableau d’analyse de régression permet d’établir

immédiatement le coefficient de détermination à partir de la relation 3.38 [Eriksson, 00] :
2 SCM SCE
R = =1− (3.38)
SCT SCT
Ce coefficient traduit la contribution du modèle dans la restitution de la variation de la

réponse observée. Par définition, le coefficient de détermination appartient à l’intervalle
[0 ; 1].
En présence de plusieurs variables explicatives, ce qui est généralement le cas dans

l’analyse des résultats d’essais provenant d’un plan d’expériences, il faut impérativement
éviter l’utilisation du coefficient de détermination R² pour comparer la qualité descriptive de
différents modèles. Il faut recourir à l’utilisation du coefficient de détermination ajusté R²ajusté.
Ce coefficient tient compte du nombre de coefficients présents dans un modèle et se calcul à
partir de la relation (3.39) :
SCE
2 N−p
Rajusté = 1 − SCT (3.39)
N −1
Plus la valeur du coefficient de détermination est proche de 1 et plus les réponses

calculées par le modèle sont proches de celles mesurées lors de l’expérimentation.
3.11. Analyse graphique du modèle

L’analyse graphique des résultats d’essais permet une restitution plus visuelle des résultats
d’essais et de leur analyse.
3.11.1. Tracé des effets moyens
L’effet moyen d’un facteur est définie comme étant la variation de la réponse observée ou
modélisée lorsque le facteur change de modalité [Droesbeke, 97]. Le tracé des effets moyens
des facteurs, comme présenté sur la figure 3, consiste à reporter les valeurs calculées à la
dernière ligne de la grille de dépouillement en regard de chacune des modalités des facteurs.
Pour chacun des facteurs, on relie par un trait les moyennes des résultats d’essais
correspondant à chacune des modalités.
80
Fig 3. Exemple de tracé des effets moyens
La représentation des effets par un segment de droite permettant de juger du signe et de

l’amplitude de ces derniers est conventionnellement admise dans la littérature et dans la
majorité des logiciels. Il ne faut en aucun cas que cette représentation laisse suggérer une
quelconque interpolation entre les modalités des facteurs, que ces derniers soit quantitatifs ou
qualitatifs.
L’effet moyen d’un facteur est défini à partir de la différence observée ou modélisée d’une
variable de réponse, lorsque ce facteur subit un changement de modalité. La grille de
dépouillement et le tracé des effets moyens facilitent l’estimation et la visualisation des effets
moyens. Le tracé des effets moyens facilite la restitution de l’information. C’est un atout
incontestable de la démarche méthodologique associée aux plans d’expériences.
3.11.2. Tracé des interactions
Dans un système complexe, les paramètres sont souvent couplés. La connaissance des
effets de chaque paramètre n'est pas suffisante pour pouvoir estimer une réponse. Il faut donc
une information sur l’influence de la variation de chacun des facteurs sur l’effet des autres
facteurs. Cette notion, appelée interaction, est représentée graphiquement par la figure 4 :
Fig 4. Exemple de tracé des interactions
81
Dans le premier compartiment de la figure 4, le remplacement de la modalité A1 par la

modalité A2 occasionne une diminution de la réponse observée, ceci indépendamment de la
modalité retenue pour le facteur B. D’un point de vue graphique, les effets réels sont
matérialisés par des droites parallèles. L’effet moyen est égal aux effets réels : il y a absence
d’interaction.
Dans le deuxième compartiment de la figure 4, le remplacement de la modalité A1 par la

modalité A2 occasionne une diminution de la réponse observée, mais l’amplitude des effets
réels dépend de la modalité retenue pour le facteur B. Ainsi, en adoptant la modalité B1, on
observe un effet égal à -10, tandis qu’avec la modalité B2 on observe un effet égal à -30. On
constate que la moyenne des effets réels correspond à la valeur de l’effet moyen. On est en
présence d’une interaction faible qui d’un point de vue graphique, se traduit par des droites
faiblement non parallèles. En pratique, la présence d’interaction faible perturbe peu
l’additivité des effets moyens.
Dans le troisième compartiment de la figure 4, l’effet moyen du facteur A n’est pas

représentatif du signe et de l’amplitude des effets réels. En adoptant la modalité B1, on
observe un effet égal à +20, tandis qu’avec la modalité B2 on observe un effet égal à -60. On
constate que la moyenne des effets réels correspond à la valeur de l’effet moyen, mais la seule
interprétation de ce dernier représenterait une source d’erreur pour les expérimentateurs. On
est en présence d’une interaction forte qui, d’un point de vue graphique, se traduit par des
droites fortement non parallèles. Les interactions fortes perturbent de manière importante
l’additivité des effets moyens.
3.11.3. Diagramme de Pareto
Il est possible de décomposer la variation d’une réponse à partir des contributions

apportées par chacun des facteurs dans un modèle à partir de la relation suivante :
CTR j =
a j
k (2.34)
∑a
2
j
j =1
Avec :
CTRj la contribution du facteur j à la variation de la réponse.
aj le coefficient du modèle associé au facteur j,
k le nombre de facteurs de l’étude.
Les contributions des facteurs sont alors ordonnées par ordre croissant puis représentées
sous forme de diagramme en bâtons associé à une représentation cumulative tel que
représentée figure 5 :
82
100 100
s
80 80
Contribution d'un facteur
Contribution cumulée
60 60
40 40
20 20
0 0
B D E F A C
Facteur
Fig 5. Exemple de diagramme de Pareto
Dans cet exemple, nous voyons que l’effet des facteurs B, D et E est important et
contribue à eux trois à expliquer près de 90% des variations de la réponse. En revanche, les
facteurs A et C ne semblent pas significatifs. Il est alors nécessaire de vérifier que ces facteurs
ne sont pas impliqués dans une interaction, si cela n’est pas le cas, ces facteurs peuvent être
supprimés de l’étude.
3.11.4. Graphe d’adéquation du modèle
La construction du graphe d’adéquation du modèle repose sur un nuage de points qui

matérialise en abscisse la variation de la réponse mesurée et en ordonnée la variation de la
réponse calculée à partir du modèle obtenu.
La représentation de la première bissectrice permet de porter visuellement un jugement

sur l’alignement des points : plus le nuage est proche de cette première bissectrice, plus le
modèle décrit convenablement la variation des résultats d’essais. Le graphe d’adéquation
permet alors de traduire graphiquement la qualité descriptive R²ajusté du modèle.
3.11.5. Diagramme des coefficients
Le diagramme des coefficients est obtenu directement à partir des résultats de l’analyse
mathématique des résultats d’essais. Les estimations des coefficients des monômes du
premier degré traduisent les effets moyens des facteurs. Les estimations des coefficients des
monômes du second degré présents dans le modèle sont représentatives de la nature des
interactions.
On utilise un histogramme comme celui de la figure 6 pour représenter ces estimations.
83
20
15
s
10
Estimation des coefficients
5
0
A B C AB AC BC
-5
-10
-15
-20
-25
-30
Mônomes de degré 1 et 2
Fig 6. Exemple de diagramme des coefficients pour un plan à 3 facteurs à 2 modalités
L’axe horizontal précise les différents termes du modèle polynomial en distinguant les
monômes de degré 1 et les monômes de degré 2, respectivement représentatifs des effets
moyens et de la nature des interactions. L’axe vertical indique la valeur des estimations des
coefficients. On distingue alors immédiatement les effets moyens et les interactions
importants.
Dans cet exemple on remarque que les facteurs A et B semblent avoir un effet important,
en ce qui concerne les interactions, on peut suggérer que les interactions A*B et A*C sont
importantes.
3.12. Validation du modèle et des informations obtenues

Enfin, la dernière étape d’une étude de screening concerne la validation du modèle qui est
primordiale afin de capitaliser, par la suite, les résultats et les conclusions du plan
d’expériences.
La mise en œuvre de la démarche a conduit à effectuer deux hypothèses qu’il convient

maintenant de vérifier :
• La première hypothèse porte sur le recourt à un modèle empirique dont

l’interprétation doit permettre à l’utilisateur d’apporter des éléments de réponse aux
questions posées.
• La deuxième hypothèse porte sur l’écriture particulière du modèle mathématique
sous forme additive.
Une validation expérimentale des hypothèses doit toujours venir compléter et enrichir une
analyse mathématique et statistique du modèle.
Cette validation passe par la définition de nouveaux traitements expérimentaux. Ces

derniers contribueront à conforter l’interprétation industrielle des premiers résultats.
84
4. Application des méthodes de criblage
Nous avons, dans le paragraphe précédent, présenté de manière théorique la démarche à

suivre lors d’une étude de criblage par plan d’expériences. Cette démarche par étape va
maintenant être appliquée à notre étude afin de limiter le nombre de facteurs à prendre en
compte dans la modélisation des performances observées.
On utilise pour cette étude des modules IGBT du fabricant allemand Eupec fréquemment
utilisés dans les onduleurs de tractions fabriqués par Alstom. La figure 7 présente un IGBT
utilisé pour cette étude :
Fig 7. IGBT 3,3 kV Eupec
Ces modules sont de technologie NPT (Non Punch Through) de calibre 3,3 kV et dont le
courant nominale est de 1200 A. On retrouve ces modules dans les onduleurs des RER, loco
Fret, et TGV première génération à IGBT.
4.1. Définition des objectifs et des réponses

Le but de cette première étude est d’estimer l’effet des facteurs identifiés comme
potentiellement influent par les experts IGBT d’Alstom et d’identifier ceux ayant une
influence statistiquement significative sur les performances observées. Les interactions seront
également observées afin de compléter l’estimation des effets moyens des facteurs.
Comme nous l’avons précisé dans le premier chapitre, les réponses observées dans ce
travail sont :
• La surtension ∆V, considérée comme la valeur maximale de tension obtenue lors du

blocage de l’IGBT mesurée en V,
• La vitesse de commutation dV/dt mesurée en kV/µs.
Ces performances sont observées lors du deuxième blocage d’un test double impulsion,
test couramment utilisé par les fabricants et les utilisateurs d’IGBT. Pour effectuer ce type de
test, le signal envoyé par la commande est programmé pour avoir une forme telle que celle
présenté sur la figure 8 :
85
Fig 8. Signal envoyé par la commande à la grille du module IGBT
L’évolution de la tension et du courant aux bornes du module IGBT pendant ce test est
schématisée par la figure 9 :
Fig 9. Schématisation des formes d’onde du courant et de la tension pendant l’essai
Initialement, le signal envoyé par la commande à la grille du module IGBT est de -12V.
Pendant le premier pulse, d’une durée t1, la commande envoie un signal de +15 V, l’IGBT se
ferme (Amorçage 1) et le courant se charge dans une inductance Lload. Au bout du temps t1, le
signal de commande repasse au niveau bas (-12 V), l’IGBT est bloqué, le courant devient nul
et la tension passe de 0 V au niveau de tension délivrée par l’alimentation, c’est le premier
blocage (Blocage 1). Lorsque le signal de commande repasse au niveau haut (+15 V) après un
temps t2 resté à -12 V, on assiste au deuxième amorçage (Amorçage 2), la tension chute et le
courant retrouve quasiment la valeur qu’il avait au moment du premier blocage. Ce courant va
alors continuer à charger l’inductance pendant un temps t3, jusqu’au deuxième blocage
(Blocage 2). C’est lors de ce deuxième blocage que les réponses sont observées. Le courant
est alors au niveau souhaité pour l’observation des performances. Ce courant repasse alors à
0 A alors que la tension jusqu’ici nulle atteint la valeur délivrée par l’alimentation à une
vitesse dV/dt et en passant par une surtension ∆V. Les temps t1, t2 et t3 dépendent du couple
tension-courant désiré.
La figure 10 montre le blocage d’un module IGBT sur lequel sont précisées les
performances observées, surtension et vitesse de commutation :
86
Fig 10. Blocage du module IGBT
La surtension est considérée ici comme le pic de tension maximal atteint lors de la
commutation et la vitesse de commutation se mesure entre 60% et 100% de la tension
commutée. Cette mesure du dV/dt est définie par le fournisseur et tend à maximiser la vitesse
de commutation.

L’étape de définition des facteurs, réalisée à l’aide des experts IGBT d’Alstom transport
de Séméac, a permis d’identifier 10 facteurs potentiellement influents sur les réponses
observées. On retrouve ces facteurs sur le schéma électrique du montage donné figure 11 :
Fig 11. Schéma électrique du montage
Des facteurs de 3 natures différentes ont été identifiés :
• Les facteurs liés aux conditions de fonctionnement :

o La tension commutée U,
o Le courant commuté I,
o La température de fonctionnement T°C.
• Les facteurs liés au module IGBT (caractéristiques intrinsèques) :
o La chute de tension aux bornes de l’IGBT Vcesat,
o La chute de tension aux bornes de la diode Vf,
87
o Le courant de fuite Ices.

• Les facteurs liés aux paramètres de conception :
o L’inductance de boucle Lcom due à la connectique entre la capacité et le module
IGBT,
o L’inductance grille-emetteur Lge, due à la connectique entre le module IGBT et
l’allumeur,
o La résistance Rgoff présente sur l’allumeur.
o Le temps ton pendant lequel l’IGBT est passant avant son blocage.
Le choix a été fait, dans un premier temps, de dissocier ces 10 facteurs en deux groupes.
Un premier groupe concerne les facteurs liés aux conditions de fonctionnement et au module
IGBT (ces caractéristiques intrinsèques). Un second groupe de facteur se compose des
paramètres liés aux paramètres de conception.
Une étude de criblage est effectuée indépendamment sur ces deux groupes de facteurs.
Ceci nous permet d’éviter les contraintes relationnelles présentes entre certains facteurs de ces
deux groupes comme par exemple entre la tension, le courant et l’inductance Lcom. Ces
contraintes seront définies dans le chapitre 3 lors de la définition du domaine expérimental.
En ce qui concerne les facteurs liés aux conditions de fonctionnement (tension et courant
commutés, température de fonctionnement), l’avis des experts, a priori, est qu’ils sont tous les
trois influents sur les réponses mais ne savent pas en quelle mesure ni s’il existe des
interactions entre certains de ces facteurs. De plus, la définition donnée à la surtension dans
notre étude tend à supposer un effet prépondérant de la tension sur cette dernière. En ce qui
concerne les caractéristiques statiques intrinsèques à chacun des modules IGBT, il est
intéressant de connaître leurs effets, s’ils existent, sur les performances dynamiques des
modules. Un premier plan de criblage concernera donc ces 6 facteurs (3 conditions de
fonctionnement et 3 caractéristiques statiques).
En ce qui concerne les facteurs liés aux paramètres de conception, l’objectif est
classiquement d’identifier les facteurs et les interactions influentes sur les réponses. Un
second plan de criblage concernera ces quatre facteurs.
Dans un premier temps l’étude de criblage portant sur les facteurs liés aux conditions de
fonctionnement et les caractéristiques statiques sera présentée. Ensuite les étapes seront
redéfinies à partir de ce point en s’intéressant au plan de criblage utilisant les facteurs liés aux
paramètres de conception.
4.3. Plan 1 (U, I, T, caractéristiques statiques)

L’objectif est ici d’identifier les facteurs ayant une influence statistiquement significative
sur les réponses observées afin d’éliminer les autres et minimiser ainsi le nombre de
coefficients à identifier dans les modèles traduisant ces réponses.
Cette première étude de criblage cherche mesurer les effets des facteurs et des interactions
sur la surtension et la vitesse de commutation en considérant les 6 facteurs suivants :
• Tension commutée (U),

• Courant commuté (I),
88
• Température de fonctionnement (T°C),

• Caractéristiques statiques :
o Chute de tension aux bornes de l’IGBT (Vcesat),
o Chute de tension aux bornes de la diode (Vf),
o Courant de fuite (Ices).
S’il est relativement aisé de faire varier les niveaux de U, I ou T°C, il est plus compliqué
de faire varier les caractéristiques statiques des modules testés. En effet, ces caractéristiques
étant intrinsèques à chacun des modules, le seul moyen de les faire varier est d’utiliser
différents modules.
Le choix des modules fera suite à une analyse succincte des distributions statistiques des
caractéristiques statiques Vcesat, Vf et Ices intrinsèques à chacun des modules.
4.3.1. Etude des étendues statistiques des caractéristiques statiques
L’objectif de cette étude est d’observer les distributions statistiques des caractéristiques
statiques intrinsèques aux modules IGBT afin de choisir les modules sur lesquelles réaliser le
premier plan de criblage. Il est d’autant plus facile de mesurer l’effet d’un paramètre lorsque
les modalités qu’il prend sont distinctes. Nous nous intéresserons donc plus particulièrement
aux bornes de ces distributions et aux modules possédant ces caractéristiques extrêmes.
Pour cela, nous disposons des mesures du fabricant réalisées à 25°C et 125°C sur un
échantillon de 223 modules. Les étendues des distributions statistiques sont résumées dans la
table 13 :
A 25°C A 125°C
Vcesat (V) Vf (V) Ices (mA) Vcesat (V) Vf (V) Ices (mA)
Minimum 3,484 2,485 0,003 4,285 2,569 4
Maximum 3,661 3,091 0,296 4,579 2,993 49,34
Table 13 Bornes des distributions des caractéristiques statiques de 223 modules IGBT
Ne disposant pas de ces 223 modules mais de 30 seulement, nous avons observé ces
mêmes caractéristiques sur notre échantillon ce qui donne les résultats fournis dans la table
14 :
A 25°C A 125°C
Vcesat (V) Vf (V) Ices (mA) Vcesat (V) Vf (V) Ices (mA)
Minimum 3,484 2,779 0,005 4,285 2,778 4
Maximum 3,661 3,091 0,081 4,579 2,993 34
Table 14 Bornes des distributions des caractéristiques statiques des 30 modules IGBT
Nous constatons donc que, malgré un léger manque au niveau des faibles valeurs de Vf et
des valeurs élevées d’Ices, notre échantillon représente convenablement la population de ces
modules IGBT du point de vue des bornes des distributions. Nous pourrons donc choisir les
modules à tester parmi ces 30 packs.
89
Afin de mesurer l’effet des caractéristiques statiques sur les réponses observées dans notre
étude, il est nécessaire de disposer de modules possédant des caractéristiques statiques
proches de ces bornes. Mathématiquement, cela nécessite un lot de 6 modules à tester (2
modules pour chacune des trois caractéristiques). Cependant, la présence de corrélations entre
certaines de ces caractéristiques pourrait limiter ce nombre.
Nous nous sommes donc intéressés à la présence possible de corrélations entre les
caractéristiques statiques des modules IGBT. La seule corrélation ayant un sens physique est
celle pouvant être au niveau de l’IGBT entre la chute de tension Vcesat et le courant de fuite
Ices, les autres corrélations n’ayant pas de sens physique (par exemple, une corrélation entre
les chute de tension aux bornes de IGBT et des diode ne peut pas être réelle).
En utilisant le r de Pearson défini ci-dessous, nous avons observé les corrélations aux deux
températures fournies par le fournisseur.
s xy
rxy = (2.36)
sx s y
Où :
Sxy désigne la covariance entre les variables x et y,
Sx et Sy désignent les écart-types des variables x et y.
Ces tests fournis en annexe 2 nous ont permis d’identifier une corrélation à 125°C entre la
chute de tension (Vcesat) et le courant de fuite (Ices) aux bornes de l’IGBT.
Cette corrélation peut s’expliquer grâce à la physique du composant. En effet ces deux
caractéristiques dépendent d’un même élément à savoir la couche N- de la puce silicium. De
plus cette dépendance est accentuée à haute température c’est pourquoi cette observation se
fait à 125°C et non à 25°C.
Six modules IGBT ont donc été sélectionnés pour leurs caractéristiques statiques à 25°C
et quatre modules pour leurs caractéristiques à 125°C. Ces paramètres intrinsèques à chacun
de ces modules sont donnés dans les tables 15 et 16. Les caractéristiques déterminantes pour
le choix de ces modules sont soulignées dans les tables, il s’agit des bornes des distributions
statistiques de ces paramètres.
IGBT. Vcesat Vf Ices

1-25°C 3,484 V 3,008V 0,024 mA
2-25°C 3,661 V 3,077 V 0,027 mA
3-25°C 3,565 V 2,779 V 0,025 mA
4-25°C 3,620 V 3,091 V 0,016 mA
5-25°C 3,598 V 2,932 V 0,005 mA
6-25°C 3,573 V 2,989 V 0,081 mA
Table 15 Modules IGBT utilisés à 25°C
90
IGBT Vcesat Vf Ices

1-125°C 4,285 V 2,914 V 4 mA
2-125°C 4,579 V 2,951 V 34 mA
3-125°C 4,409 V 2,778 V 10 mA
4-125°C 4,475 V 2,993 V 19 mA
Table 16 Modules IGBT utilisés à 125°C
Nous verrons par la suite que les niveaux de températures utilisés dans ce plan sont -40°C,
25°C et 125°C. Si les valeurs des caractéristiques statiques sont connues à 25°C et 125°C,
elles ne le sont pas à -40°C et leur mesure nous est impossible avec les moyens dont nous
disposons.
En observant les valeurs des caractéristiques statiques à 125°C en fonction de celles à

25°C, nous pouvons supposer la présence d’un effet homogène, ou non, de la température sur
ces paramètres. Ces diagrammes sont donnés en figure 12, 13 et 14 :
4,600
4,550
s
4,500
Vcesat 125°C (V)
4,450
4,400
4,350
4,300
4,250
3,460 3,480 3,500 3,520 3,540 3,560 3,580 3,600 3,620 3,640 3,660 3,680
Vcesat 25°C (V)
Fig 12. Effet de la température sur Vcesat
3,050
3,000
2,950
2,900
2,850
Vf 125°C s
2,800
2,750
2,700
2,650
2,600
2,550
2,500
2,400 2,500 2,600 2,700 2,800 2,900 3,000 3,100 3,200
Vf 25°C
Fig 13. Effet de la température sur Vf
91
60
50
40
Ices 125°C s
30
20
10
0
0,000 0,050 0,100 0,150 0,200 0,250 0,300 0,350
Ices 25°C
Fig 14. Effet de la température sur Ices
Aux vues des résultats fournis en figure 12 et 13, il semble que la température ait un effet
homogène sur la chute de tension aux bornes de l’IGBT (Vcesat) et de la diode (Vf). En
revanche, en ce qui concerne le courant de fuite, la température a une influence différente
selon les modules comme nous le montre la figure 14.
De ce constat, nous pouvons donc émettre l’hypothèse qu’à -40°C, les modules possédant
des valeurs limites de Vcesat ou Vf sont les mêmes que ceux en possédant à 25°C. Les
modules IGBT testés à -40°C sont donc les mêmes que ceux utilisés pour les tests à 25°C
possédant des valeurs extrêmes de Vcesat et Vf. En revanche, aucune hypothèse n’est faite
concernant les module possédant des valeur extrême de courant de fuite Ices à -40°C.
Nous avons donc identifié un lot de 4 modules pour les essais à -40°C, un lot de 6
modules pour les essais à 25°C et un lot de 4 modules pour les tests à 125°C.
4.3.2. Définition du domaine expérimental
Le domaine expérimental est constitué de l’ensemble des combinaisons de facteurs qu’il

est possible de réaliser. Dans notre cas, nous étudions 6 facteurs pourvus d’un nombre
différent de modalités. La table 17 résume les différentes modalités des facteurs. Dans un
souci de simplification, les 3 caractéristiques statiques sont réunies en un même facteur
nommé IGBT.
Facteurs Modalités
Tension U 500V ; 2400V
Courant I 600A ; 1200A ; 2400A
Température T°C -40°C ; 25°C ; 125°C
IGBT 4 à 6 modules suivant la température
Table 17 Facteurs et modalités associées
Le domaine expérimental peut être représenté à travers la schématisation de la figure 15, il

est composé de 84 traitements expérimentaux :
92
Fig 15. Illustration du domaine expérimental
4.3.3. Définition du modèle empirique
Nous avons vu dans la partie théorique de ce chapitre que les modèles associés aux études
de criblage sont des modèles additifs. Nous souhaitons affiner la connaissance des effets
moyens des facteurs pris en considération par le calcul des interactions présentes entre ces
facteurs et éviter ainsi le phénomène d’aliase. En ne considérant pas les interactions dans les
modèles, les effets calculés pour chaque facteur seraient en réalité la combinaison de ce
dernier et de certaines interactions. Par exemple, en considérant un modèle sans interaction,
l’effet calculé pour la tension regrouperait en réalité l’effet de la tension et l’effet de
l’interaction entre le courant et la température. On dit alors que la tension est aliasée à
l’interaction courant-température.
Les modèles que nous recherchons sont donc de la forme :
Y = cst + WU + WI + WT + WUI + WUT + WIT (2.37)
Dans lesquels :
Y représente la réponse observée (surtension ou vitesse de commutation),
Wi est le poids du facteur i,
Wij est le poids de l’interaction entre les facteurs i et j.
On remarque dans ces modèles l’absence des caractéristiques statiques intrinsèques aux
modules. En effet, l’observation de l’effet de ces paramètres et des interactions les mettant en
jeu devra se faire graphiquement dans un premier temps. Pour cela, les résultats en chaque
point seront observés en fonction des valeurs des caractéristiques Vcesat, Vf et Ices des
modules utilisés. Si une tendance est observée, une étude plus approfondie sera effectuée afin
d’estimer avec précision l’effet de la/les caractéristique(s) statique(s) présentant une influence
sur la/les réponse(s).
Les facteurs courant (I) et température (T°C) possèdent chacun trois modalités alors que la
tension n’en possède que deux. Le nombre total d’inconnues du modèle est donc :
93
k k −1 k
p = 1 + ∑ ( mi − 1) + ∑ ∑ (mi − 1)( m j − 1) = 1 + 1 + 2 + 2 + 2 + 2 + 4 = 14 (2.38)
i =1 i =1 j =i +1
mi désigne ici le nombre de modalité du facteur i et k le nombre de facteurs.
Le modèle possède 14 inconnues à déterminer. Ces 14 coefficients permettent de

connaître l’effet de la tension, du courant, de la température et des interactions entre ces
facteurs sur la surtension et la vitesse de commutation. L’effet des caractéristiques statique
sera identifié graphiquement.
4.3.4. Construction du plan d’expériences
Nos modèles possèdent 14 inconnues et nécessitent donc au moins 14 traitements

expérimentaux. Nous avons choisi de réaliser les 18 (=3x3x2) expériences du plan complet
pour déterminer les coefficients des modèles. Ces 18 traitements expérimentaux seront
réalisés sur les groupes de 4 à 6 IGBT afin de visualiser les effets des caractéristiques
statiques.
La matrice d’expériences est donc celle fournie dans la table 18 :
Essai U I T°C
1 500 600 -40
2 2400 600 -40
3 500 1200 -40
4 2400 1200 -40
5 500 2400 -40
6 2400 2400 -40
7 500 600 25
8 2400 600 25
9 500 1200 25
10 2400 1200 25
11 500 2400 25
12 2400 2400 25
13 500 600 125
14 2400 600 125
15 500 1200 125
16 2400 1200 125
17 500 2400 125
18 2400 2400 125
Table 18 Matrice d’expérience ξ
Le codage de cette matrice se fait grâce à la relation de codage donnée en 3.3.2 et donne la
matrice du modèle X de la table 19 :
94
Essai X0 U I1 I2 T1 T2 U*I1 U*I2 U*T1 U*T2 I1*T1 I1*T2 I2*T1 I2*T2

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
3 1 -1 1 0 -1 -1 -1 0 1 1 -1 -1 0 0
4 1 1 1 0 -1 -1 1 0 -1 -1 -1 -1 0 0
5 1 -1 0 1 -1 -1 0 -1 1 1 0 0 -1 -1
6 1 1 0 1 -1 -1 0 1 -1 -1 0 0 -1 -1
7 1 -1 -1 -1 1 0 1 1 -1 0 -1 0 -1 0
8 1 1 -1 -1 1 0 -1 -1 1 0 -1 0 -1 0
9 1 -1 1 0 1 0 -1 0 -1 0 1 0 0 0
10 1 1 1 0 1 0 1 0 1 0 1 0 0 0
11 1 -1 0 1 1 0 0 -1 -1 0 0 0 1 0
12 1 1 0 1 1 0 0 1 1 0 0 0 1 0
13 1 -1 -1 -1 0 1 1 1 0 -1 0 -1 0 -1
14 1 1 -1 -1 0 1 -1 -1 0 1 0 -1 0 -1
15 1 -1 1 0 0 1 -1 0 0 -1 0 1 0 0
16 1 1 1 0 0 1 1 0 0 1 0 1 0 0
17 1 -1 0 1 0 1 0 -1 0 -1 0 0 0 1
18 1 1 0 1 0 1 0 1 0 1 0 0 0 1
Table 19 Matrice du modèle X
On retrouve dans cette matrice la colonne X0 attribué à la constante du modèle et

composée exclusivement de 1, les 5 colonnes associées aux facteurs et les 8 colonnes associés
aux interactions entre les facteurs. On obtient les colonnes associées aux interactions en
multipliant les colonnes des facteurs utilisés dans l’interaction. La matrice comporte donc 14
colonnes associées aux 14 inconnues du modèle.
4.3.5. Expérimentation
La température pour les essais 1 à 6 est fixée à -40°C, ces essais sont réalisés sur 4
modules IGBT. Pour obtenir cette température sans recourir à une étuve, non disponible lors
de cette étude de criblage, nous avons utilisé une centrale à air. Les modules IGBT sont alors
fixés sur une semelle usinée sur laquelle est branché la centrale à air et qui permet un
refroidissement des modules par une lame d’air qui vient lécher la semelle AlSiC des modules
IGBT testés. La semelle utilisée est présentée en figure 16 :
Fig 16. Semelle usinée pour essais à froid
95
Les essais à 25°C sont réalisés sur 6 modules IGBT et les essais à 125°C sur un lot de 4
modules IGBT. On utilise une plaque chauffante pour les essais à 125°C.
Pour les essais réalisés à -40°C et 125°C, un temps de mise en température de 2h a été
respecté. Le dispositif expérimental est présenté en figure 17 :
Fig 17. Banc de test utilisé
Lors des essais, il existe trois sources d’erreurs :
• Le dispositif de prise de mesure, soit ici l’oscilloscope TDS 5054B et la sonde de

tension P5210 tous deux de la marque Tektronix,
• L’expérimentateur,
• Les conditions d’essai (comme par exemple la température).
Le dispositif de mesure reste inchangé tout comme l’expérimentateur, en revanche, en ce

qui concerne les conditions d’essais, celles-ci varient de façon volontaire. L’erreur de mesure
va donc changer selon l’essai réalisé.
Pour palier à ce phénomène et avoir une idée des dispersions des résultats en chacun des
points d’essai, chacune des expériences du plan complet à été répétée trois fois pour chaque
module IGBT. L’écart observé entre les valeurs maximale et minimale obtenues lors de ces
trois répétitions est associé au dispositif de mesure.
4.3.6. Analyse globale des résultats d’essais
Les résultats d’essais pour la surtension et la vitesse de commutation sont présentés

respectivement dans les tables 20 et 21.
L’analyse de ces résultats va permettre de calculer les coefficients des modèles recherchés
et surtout d’identifier les facteurs ne présentant pas d’influence significative sur les réponses
mesurées et qui, par conséquent, pourront être supprimés de notre étude.
96
Essai U I T°C Vcesat faible Vcesat fort Vf faible Vf fort Ices faible Ices fort
1 500 600 -40 765 773 770 758
2 2400 600 -40 2754 2753 2762 2768
3 500 1200 -40 901 893 896 893
4 2400 1200 -40 2922 2927 2921 2907
5 500 2400 -40 1007 1014 1018 1018
6 2400 2400 -40 3087 3063 3053 3061
7 500 600 25 770 766 769 755 766 768
8 2400 600 25 2776 2781 2780 2780 2781 2776
9 500 1200 25 880 885 888 883 889 883
10 2400 1200 25 2959 2967 2962 2948 2949 2943
11 500 2400 25 1013 1008 1026 1016 1019 1025
12 2400 2400 25 3107 3098 3100 3093 3109 3082
13 500 600 125 716 723 714 716 716 723
14 2400 600 125 2827 2802 2808 2808 2827 2802
15 500 1200 125 823 834 819 825 823 834
16 2400 1200 125 3000 3033 3001 3020 3000 3033
17 500 2400 125 954 944 933 942 954 944
18 2400 2400 125 3160 3147 3135 3141 3160 3147
Table 20 Résultats obtenus en surtension
Essai U I T°C Vcesat faible Vcesat fort Vf faible Vf fort Ices faible Ices fort
1 500 600 -40 1,387 1,450 1,409 1,412
2 2400 600 -40 2,954 2,998 2,961 3,020
3 500 1200 -40 1,389 1,388 1,430 1,473
4 2400 1200 -40 2,994 3,070 3,041 3,083
5 500 2400 -40 1,340 1,378 1,373 1,383
6 2400 2400 -40 3,185 3,267 3,259 3,280
7 500 600 25 1,321 1,318 1,367 1,279 1,339 1,334
8 2400 600 25 2,853 2,911 2,902 2,904 2,949 2,924
9 500 1200 25 1,294 1,298 1,316 1,343 1,367 1,286
10 2400 1200 25 2,941 2,997 2,962 2,993 3,009 3,029
11 500 2400 25 1,215 1,269 1,269 1,313 1,295 1,320
12 2400 2400 25 3,080 3,112 3,105 3,116 3,144 3,085
13 500 600 125 1,092 1,221 1,125 1,144 1,092 1,221
14 2400 600 125 2,728 2,732 2,750 2,736 2,728 2,732
15 500 1200 125 1,114 1,225 1,189 1,195 1,114 1,225
16 2400 1200 125 2,816 2,817 2,830 2,796 2,816 2,817
17 500 2400 125 1,190 1,217 1,174 1,180 1,190 1,217
18 2400 2400 125 2,837 2,859 2,796 2,871 2,837 2,859
Table 21 Résultats obtenus en vitesse de commutation
On remarque dans ces tableaux que les résultats obtenus à 125°C pour les valeurs faibles
et fortes d’Ices sont les mêmes que celles obtenues pour les valeurs faibles et fortes de Vcesat.
En effet nous avons vu au paragraphe 4.3.1 qu’une corrélation a lieu entre ces deux
caractéristiques à 125°C. En réalité, seulement 4 modules ont été testés.
Il est alors possible pour chacun des essais d’observer les résultats en fonction de la valeur
des caractéristiques statiques des modules utilisés. Par exemple, les résultats de l’essai 10 en
fonction de la chute de tension aux bornes de la diode (Vf) donne le tableau 22 :
97
IGBT 1 2 3 4 5 6
Essai 10
Vf 2,779V 2,932V 2,989V 3,008V 3,077V 3,091V
Surtension
Tension 2400V 2962 2949 2943 2967 2959 2948
(V)
Courant 1200A
dV/dt
Température 25°C 2,962 3,009 3,029 2,941 2,997 2,993
(kV/µs)
Table 22 Résultats de l’essai 10 pour différentes valeurs de Vf
L’essai 10, utilisé pour cet exemple est réalisé à 25°C, 6 modules IGBT sont donc testés et
chacun de ces modules possède sa propre valeur de chute de tension aux bornes de la diode
Vf. Nous pouvons donc observer graphiquement sur la figure 18 l’effet de la chute de tension
aux bornes de la diode sur la surtension et la vitesse de commutation.
2970 3,040
3,030
2965 3,020
3,010
2960
Surtension s
3,000
dV/dt s
2,990 Surtension
2955
2,980 dV/dt
2,970
2950
2,960
2945 2,950
2,940
2940 2,930
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Fig 18. Réponses obtenues pour différentes valeurs de Vf
A première vue on ne remarque aucune tendance indiquant une quelconque influence de la

chute de tension aux bornes de la diode sur l’une ou l’autre des réponses observées.
On note la faible disparité des résultats, inférieur à 1% pour la surtension et à 3% pour la

vitesse de commutation. Ces écarts peuvent être associés à l’erreur expérimentale liée au
dispositif de mesure.
Ce constat étant général à l’ensemble des points et sur les trois caractéristiques statiques,
comme peut le voir le lecteur en se référant à l’annexe 3, nous avons conclu à l’absence
d’effet des caractéristiques statiques sur la surtension ou la vitesse de commutation. Ces 3
facteurs peuvent d’ores et déjà être supprimé de l’étude.
La suite de l’analyse sera donc réalisée sur les résultats obtenus pour les 4 à 6 répétitions
suivant la température (4 répétitions à -40°C et 125°C, 6 répétitions à 25°C).
98
4.3.7. Analyse mathématique des résultats d’essais
La méthode des moindres carrés permet d’obtenir les coefficients des modèles fournis
dans la table 23 :
Surtension dV/dt
Cste 1909,8305 2,1294
WU 1039,7746 0,835
WI1 5,7322 -0,0011
WI2 137,6975 0,0439
WT1 6,7672 0,0272
WT2 -0,4727 -0,1444
WU*I1 7,173 -0,0133
WU*I2 15,9173 0,0583
WU*T1 -12,5087 0,0117
WU*T2 40,9818 -0,0233
WI1*T1 -2,6405 -0,0006
WI1*T2 4,3792 0,0111
WI2*T1 3,629 -0,0056
WI2*T2 -2,5655 -0,0139
Table 23 Poids des éléments des modèles
La constante du modèle représente la valeur moyenne des résultats mesurés. On remarque

l’importance du poids de la tension dans le modèle de surtension ce qui était prévisible étant
donné la définition donnée ici à la surtension. Le poids de certains termes des modèles est
faible, par exemple le poids des termes liés à l’interaction entre le courant et la température
sur la vitesse de commutation. Pour statuer quant au caractère significatif des termes dans ces
deux modèles, une analyse statistique est nécessaire.
4.3.8. Analyse statistique du modèle,
Une analyse de variance effectuée sur les résultats d’essais permet d’identifier les
éléments statistiquement significatifs dans les modèles. L’effet des caractéristiques
intrinsèques aux modules IGBT n’étant pas significatif sur les réponses observées, nous
considérons pour l’analyse des modèles 4 répétitions pour les essais réalisés à -40°C et 125°C
et 6 répétitions pour ceux réalisés à 25°C. Ces répétitions étant associées aux différents
modules utilisés aux différentes températures. Dans ces conditions nous obtenons pour la
surtension, l’analyse de variance présentée dans la table 24 :
SCEi ddl Cmi Fobs=Cmi/Cmr Fcrit=F(0,975)(ddli;ddlr) Conclusion P

U 90503146 1 90503146 903699,20 5,25 influent 1,242E-143
I 1112857,5 2 556428,73 5556,10 3,89 influent 7,585E-76
T°C 2526,4 2 1263,21 12,61 3,89 influent 0,002
U*I 22645,6 2 11322,78 113,06 3,89 influent 1,193E-20
U*T°C 65130,2 2 32565,08 325,17 3,89 influent 3,669E-34
I*T°C 569,8 4 142,45 1,42 2,97 non influent 23,56
Résidu 7010,3 70 100,15
Total 91713886 83
Table 24 Analyse de variance sur la surtension
99
D’après cette analyse de variance, l’effet de l’interaction entre le courant I et la

température T°C n’est pas significatif. On vérifie, à travers la table 25, qu’en supprimant cet
élément du modèle on ne trouve que des éléments influents :

U 90503146,3 1 90503146,35 883525,50 5,23 influent 1,306E-150
I 1112857,5 2 556428,73 5432,06 3,88 influent 5,256E-79
T°C 2526,4 2 1263,21 12,33 3,88 influent 0,00238
U*I 22645,6 2 11322,78 110,54 3,88 influent 5,944E-21
U*T°C 65130,2 2 32565,08 317,91 3,88 influent 4,666E-35
Résidu 7580,1 74 102,43
Total 91713886,1 83
Table 25 Vérification de l’analyse de variance sur la surtension
Les éléments influents dans le modèle de surtension sont donc la tension U, le courant I, la
température T°C, l’interaction entre U et I ainsi que celle entre U et T°C.
Le modèle additif faisant intervenir le poids des facteurs et des interactions influentes
s’écrit donc :
U max = 1910 + 1039 ,77U + 5,73 I 1 + 137 ,7 I 2 + 6,77T1 − 0,47T2 + 7,17U * I 1

(2.39)
+ 15,92U * I 2 − 12,51U * T1 + 40,98U * T2
On retrouve dans ce modèle les éléments jugés influents sur les variations de la surtension
ainsi que leur coefficient associé, calculés par la méthode des moindres carrés au paragraphe
4.3.7. Les valeurs des éléments influents utilisés dans ce modèle (U, I1,…, U*T2) proviennent
de la matrice du modèle, ce sont donc des valeurs codées et centrées réduites.
Le coefficient de détermination R²ajusté indique le pourcentage de variation de la réponse

expliqué par le modèle. La qualité descriptive associée à ce modèle est indiquée en (2.40).
2
Rajusté = 99,918 % (2.40)
La même démarche réalisée sur la vitesse de commutation fournie en annexe 4 nous

amène à considérer l’interaction entre la courant et la température comme non influente et à
obtenir le modèle suivant :
dV / dt = 2,129 + 0,835U − 0,001I 1 + 0,044 I 2 + 0,027T1 − 0,144T2 − 0,013U * I 1

(2.41)
+ 0,058U * I 2 + 0,012U * T1 − 0,023U * T2
La qualité descriptive associée à ce modèle est :
2
Rajusté = 99,79 % (2.42)
Les valeurs de R²ajusté sont proche de 100% et traduise donc la bonne qualité descriptive
des modèles.
100
Remarque : Pour cette étude nous nous contenterons des résultats de l’analyse statistique par
analyse de variance. En effet, la quasi-totalité des éléments des modèles étant influents,
l’hypothèse sur laquelle repose l’analyse par la droite de Daniel ou la méthode de Lenth qui
stipule que 80% des variations de la réponse est attribué à 20% des facteurs n’est pas
respectée.
4.3.9. Analyse graphique des résultats
Les effets des facteurs U, I et T°C sur la surtension peuvent être représentés de manière
graphique comme sur la figure 19 :
3500
3000
2500
2000
Surtension s
1500
1000
500
0
U=500V U=2400V I=600A I=1200A I=2400A T°C=-40°C T°C=25°C T°C=125°C
Tension Courant Température
Fig 19. Effet des facteurs U, I et T°C sur la surtension
Rappelons que les pointillés entre les points de mesure ne supposent en aucun cas une
évolution linéaire de la réponse entre les différentes modalités mais servent uniquement à
faciliter la lecture du graphique.
La tension est le facteur ayant le plus d’influence sur la surtension comme le montre la
figure 19. Ce phénomène se comprend aisément puisque la surtension observée dans cette
étude est définie comme la tension maximale atteinte lors de la commutation. Il est donc
normal que la valeur de la tension commutée ait sur elle un effet prépondérant. La
température semble ne pas avoir d’influence sur cette visualisation graphique des effets des
facteurs sur la surtension, cependant, l’analyse de variance effectuée au paragraphe 4.3.8 a
permis de juger ce facteur comme influent. L’analyse graphique des résultats ne semble donc
pas être la plus adéquate pour juger de l’influence d’un facteur.
Les effets des facteurs U, I et T°C sur la vitesse de commutation sont représentés de
manière graphique sur la figure 20 :
101
3,5
2,5
dV/dt .
1,5
0,5
0
U=500V U=2400V I=600A I=1200V I=2400A T°C=-40°C T°C=25°C T°C=125°C
Tension Courant Température
Fig 20. Effet des facteurs U, I et T°C sur la vitesse de commutation
La tension est également le facteur ayant le plus d’influence sur la vitesse de

commutation. Ce phénomène est d’autant plus marqué sur le diagramme de Pareto de la
figure 21 :
s
100 100
s
Contribution de chaque facteur
80 80
Contribution cumulée
60 60
40 40
20 20
0 0
U T°C U*I I U*I*T U*T I*T
Facteurs
Fig 21. Diagramme de Pareto pour la vitesse de commutation
D’après l’analyse de variance, l’interaction entre U et T°C est celle dont l’effet est le plus
important sur la surtension car elle possède la valeur de Fobs la plus élevée. Graphiquement
elle se représente par la figure 22 :
102
3500
3000
2500
Surtension s
2000
U=500V
U=2400V
1500
1000
500
0
T°C=-40°C T°C=25°C T°C=125°C
Fig 22. Interaction entre U et T°C sur la surtension
L’interaction est faible mais son poids a cependant été jugé significatif par l’analyse de
variance.
L’interaction présente entre U et I est celle jugée la plus influente sur la vitesse de
commutation, sa représentation graphique est donnée en figure 23 :
2,8
2,6
2,4
dV/dt s
2,2 U=500V
U=2400V
2
1,8
1,6
1,4
1,2
I=600A I=1200A I=2400A
Fig 23. Interaction entre U et I sur la vitesse de commutation
L’analyse graphique permet d’observer les tendances sur les réponses observées.
Cependant il est dangereux de conclure à la significativité des éléments du modèle à partir de
ces tendances. En effet, comme c’est le cas ici, certains facteurs ou interactions semblent ne
pas avoir d’effet sur la réponse d’un point de vu graphique mais sont jugés influents par une
analyse de variance.
103
4.3.10. Résultats du plan 1
Dans cette étude nous avons pris en considération 6 facteurs, soit dans la construction
d’un plan factoriel complet soit dans la répétition de ce plan sur plusieurs produits. Ceci nous
a permis d’identifier les facteurs influents et surtout d’éliminer les facteurs ne présentant pas
un effet statistiquement significatif sur les réponses observées.
La prise en compte des interactions au sein des modèles a permis d’éviter le phénomène
d’aliase. Ce phénomène fausse le jugement apporté par l’analyse statistique sur le caractère
significatif ou non d’un facteur et peut amener à supprimer un facteur influent sur les
variations de la réponse.
Les facteurs tension, courant et température ont donc été jugés influents et seront donc
présents dans la construction du plan d’expériences visant à modéliser la surtension et la
vitesse de commutation au chapitre suivant. En revanche, les caractéristiques statiques,
intrinsèques à chaque module IGBT ne présentent pas un effet significatif sur les
performances dynamiques observées dans cette étude.
Afin de compléter la liste des facteurs influents présents dans la mise en place du plan
d’expériences pour l’étude de surface de réponse, qui sera présenté dans le chapitre suivant,
une étude de criblage portant sur les 4 facteurs relatifs aux paramètres de conception a été
réalisée et est exposée dans le paragraphe 4.4.
4.4. Plan 2 (Lcom, Lge, Rgoff, ton)

L’objectif est de nouveau d’identifier les facteurs ayant une influence statistiquement
significative sur les réponses observées afin d’éliminer les autres et ainsi minimiser le nombre
de coefficients à déterminer dans les modèles traduisant ces réponses.
Ce deuxième plan de criblage cherche à identifier les éléments influents parmi 4 facteurs.
Ces 4 facteurs, liés aux paramètres de conception de l’onduleur, sont :
• L’inductance de boucle Lcom due à la connectique entre la capacité et le module

IGBT,
• L’inductance présente entre la grille et l’émetteur Lge, due au câble reliant la grille
du module IGBT à l’allumeur,
• La résistance Rgoff présente sur l’allumeur.
• Le temps ton pendant lequel l’IGBT est passant avant son blocage.
La figure 24 présente le montage utilisé sur lequel nous retrouvons les éléments associés
aux 4 facteurs pris en compte dans ce plan de criblage.
104
Fig 24. Montage utilisé pour le second plan de criblage
La connectique de type busbar est associée à l’inductance de boucle du montage appelé

Lcom. Pour faire augmenter sa valeur nous insérons des pâtes de cuivre, telles que celle
présenté sur la figure 25, entre la capacité et le busbar.
Fig 25. Pâtes de cuivre utilisées pour augmenter l’inductance Lcom
La longueur du câble de commande reliant l’allumeur à la commande du module IGBT est

liée à l’inductance entre la grille et l’émetteur Lge. Pour observer son effet sur la surtension et
la vitesse de commutation nous avons utilisé les deux câbles, de longueur différente, présentés
en figure 26.
Fig 26. Câbles de commande utilisés
La résistance de grille Rgoff est intégrée à l’allumeur. Différents allumeurs possédant des
résistances Rgoff de différentes valeurs ont été utilisés dans cette étude.
105
Le temps ton est obtenu par réglage du générateur basse fréquence (GBF) utilisé pour
généré les impulsions de commande.
4.4.1. Définition du domaine expérimental
Chacun des 4 facteurs utilisés pour cette étude de criblage est dotés de 2 modalités
correspondantes aux bornes minimales et maximales rencontrées en application. Ces niveaux
sont donnés dans la table 26 :
Mini Maxi
Lcom 60 nH 160 nH
Lge câble court (cc) câble long (cl)
Rgoff 3,7 Ω 6,8 Ω
ton 10 µs 100 µs
Table 26 Modalités utilisées pour chacun des facteurs
Chacun des 4 facteurs possédant 2 modalités, l’ensemble des 16 points candidats peut être
représenté par la figure 27 :
Fig 27. Ensemble des points candidats
4.4.2. Définition du modèle empirique
Tout comme lors de la précédente étude, le modèle recherché est un modèle additif faisant
intervenir les interactions afin d’éviter le phénomène d’aliase. Il se présente donc sous la
forme :
Y = cst + W Lcom + W Lge + W Rgoff + Wton + WLcom / Lge + WLcom / Rg off + W Lcom / ton + WLge / Rgoff +
(2.43)
W Lge / ton + WRg off / ton
Dans ce modèle :
Y représente la réponse observée (surtension ou vitesse de commutation),
Wi désigne le poids du facteur i,
Wij est le poids de l’interaction entre les facteurs i et j.
106
Ce modèle possède 11 inconnues à déterminer. Pour cela, nous avons utilisé une matrice
d’expériences de taille supérieure ou égale à 11 dont l’analyse des résultats permettra de
calculer la valeur de ces 11 inconnues.
4.4.3. Construction du plan d’expériences
Ne disposant pas de matrice fractionnaire permettant l’étude de 4 facteurs à 2 modalités et

de leurs interactions, nous avons opté pour le plan complet composé des 16 points du domaine
expérimental. Rappelons que le nombre minimale d’expériences est dans ce cas de 11 ce qui
est déjà proche du plan complet.
La relation de codage décrite dans le paragraphe 3.3.2 permet d’obtenir la matrice du

modèle X présentée dans la table 27 :
Cst Lcom Lge Rgoff ton Lcom/Lge Lcom/Rgoff Lcom/ton Lge/Rgoff Lge/ton Rgoff/ton
1 -1 -1 -1 -1 1 1 1 1 1 1
1 1 -1 -1 -1 -1 -1 -1 1 1 1
1 -1 1 -1 -1 -1 1 1 -1 -1 1
1 1 1 -1 -1 1 -1 -1 -1 -1 1
1 -1 -1 1 -1 1 -1 1 -1 1 -1
1 1 -1 1 -1 -1 1 -1 -1 1 -1
1 -1 1 1 -1 -1 -1 1 1 -1 -1
1 1 1 1 -1 1 1 -1 1 -1 -1
1 -1 -1 -1 1 1 1 -1 1 -1 -1
1 1 -1 -1 1 -1 -1 1 1 -1 -1
1 -1 1 -1 1 -1 1 -1 -1 1 -1
1 1 1 -1 1 1 -1 1 -1 1 -1
1 -1 -1 1 1 1 -1 -1 -1 -1 1
1 1 -1 1 1 -1 1 1 -1 -1 1
1 -1 1 1 1 -1 -1 -1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
Table 27 Matrice du modèle X
On retrouve dans cette matrice la première colonne consacrée au calcul de la constante du

modèle, les 4 colonnes dédiées à l’étude des facteurs et les 6 colonnes utilisées pour le calcul
des interactions.
4.4.4. Expérimentation
Le plan d’expériences choisi permet d’affiner l’estimation des effets moyens des 4
facteurs pris en compte en calculant les interactions présentes eux. En revanche, les
interactions entre ces facteurs liés et les facteurs associés aux conditions d’utilisation (tension,
courant, température) ne peuvent pas être calculer directement. Pour palier à ce problème, les
16 points de la matrice d’expériences ont été réalisés en 3 points de fonctionnement (tension-
courant). Si un facteur est jugé non influent aux trois points de fonctionnement, nous
vérifierons l’absence d’interaction avec la température avant de le supprimer. En effet, en
107
présence d’interaction, un facteur peut sembler ne pas avoir d’effet sur les réponses alors
qu’en réalité ce n’est vrai qu’à cette température.
Les réglages en tension et courant des trois points de fonctionnement auxquels les tests
ont été effectués sont fournis par la table 28 :
Tension Courant
a 500 V 600 A
b 1200 V 1000 A
c 2000 V 1500 A
Table 28 Points de fonctionnement
Ces trois points de fonctionnement on été choisis de façon à éviter la casse du module
pendant l’essai.
4.4.5. Analyse globale des résultats d’essais
Les résultats obtenus pour chacune des 2 réponses en chacun des 3 points de
fonctionnement sont résumés dans la table 29 :
point a point b point c

Lcom Lge Rgoff ton
Surtension dV/dt Surtension dV/dt Surtension dV/dt
-1 -1 -1 -1 792 2,2 1720 3,5 2740 4,222
-1 -1 -1 1 760 1,543 1620 2,667 2500 3,417
-1 -1 1 -1 760 1,3 1640 2,182 2560 3
-1 -1 1 1 736 1,12 1600 1,846 2520 2,438
-1 1 -1 -1 784 2,16 1700 3,286 2720 4
-1 1 -1 1 752 1,657 1620 2,778 2500 3,545
-1 1 1 -1 728 1,35 1640 2,2 2580 2,923
-1 1 1 1 736 1,111 1600 2 2520 2,471
1 -1 -1 -1 1024 2,08 2040 3,429 3040 4,111
1 -1 -1 1 912 1,533 1880 2,778 2720 3,5
1 -1 1 -1 936 1,35 1900 2,773 2960 2,786
1 -1 1 1 888 1,08 1820 2 2780 2,5
1 1 -1 -1 1008 2,16 2020 3,667 3020 4
1 1 -1 1 904 1,6 1860 2,667 2720 3,455
1 1 1 -1 928 1,35 1900 2,182 2860 2,786
1 1 1 1 888 1,04 1820 2 2780 2,563
Table 29 Résultat du plan d’expériences
Le point de fonctionnement joue un rôle déterminant dans le résultat des essais que ce soit
pour la surtension ou pour la vitesse de commutation. On remarque également l’importance
de l’effet de l’inductance Lcom sur la surtension et du couplage Rgoff/ton sur la vitesse de
commutation. Une analyse plus précise permet de confirmer ces premiers constats.
108
4.4.6. Analyse mathématique des résultats d’essais
On obtient les coefficients associés à chacune des variables du modèle grâce à la table 30
utilisant l’exemple de la surtension au point de fonctionnement noté a :
Lcom/ Lcom/ Lcom/ Lge/ Lge/ Rgoff/

Essais Cste Lcom Lge Rgoff ton point a
Lge Rgoff ton Rgoff ton ton
1 1 -1 -1 -1 -1 1 1 1 1 1 1 792
2 1 -1 -1 -1 1 1 1 -1 1 -1 -1 760
3 1 -1 -1 1 -1 1 -1 1 -1 1 -1 760
4 1 -1 -1 1 1 1 -1 -1 -1 -1 1 736
5 1 -1 1 -1 -1 -1 1 1 -1 -1 1 784
6 1 -1 1 -1 1 -1 1 -1 -1 1 -1 752
7 1 -1 1 1 -1 -1 -1 1 1 -1 -1 728
8 1 -1 1 1 1 -1 -1 -1 1 1 1 736
9 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1024
10 1 1 -1 -1 1 -1 -1 1 1 -1 -1 912
11 1 1 -1 1 -1 -1 1 -1 -1 1 -1 936
12 1 1 -1 1 1 -1 1 1 -1 -1 1 888
13 1 1 1 -1 -1 1 -1 -1 -1 -1 1 1008
14 1 1 1 -1 1 1 -1 1 -1 1 -1 904
15 1 1 1 1 -1 1 1 -1 1 -1 -1 928
16 1 1 1 1 1 1 1 1 1 1 1 888
Cœff. 846 90 -5 -21 -24 1 -5 -14 0 3 11
Table 30 Calcul des coefficients du modèle de surtension au point a
La matrice fournie dans la table 30 reprend les 11 colonnes de la matrice du modèle (X) et
la colonne de résultats. Dans le cas, comme ici, où nous sommes en présence de facteurs ne
possédant que deux modalités, il est possible de calculer le coefficient associé à la variable de
la colonne j de la façon suivante :
Cj =
∑X Y
ij i
(2.44)
N
Avec :
Xij issu de la ième ligne de la jème colonne de la matrice du modèle X.
Yi la réponse mesurée lors de l’essai i,
N le nombre total d’essais de la matrice d’expériences.
En calculant les coefficients de chaque modèle, on obtient les résultats fournis par la table
31 :
109
Point a Point b Point c

Coefficients
Cste 846 1,540 1773,75 2,622 2720 3,232
WLcom 90 -0,016 131,25 0,065 140 -0,020
WLge -5 0,014 -3,75 -0,025 -7,5 -0,014
WRgoff -21 -0,327 -33,75 -0,474 -25 -0,549
Wton -24 -0,204 -46,25 -0,280 -90 -0,246
WLcom/Lge 1 -0,001 -1,25 -0,033 -7,5 0,003
WLcom/Rgoff -5 0,008 -11,25 0,026 10 -0,005
WLcom/ton -14 -0,007 -13,75 -0,046 -20 0,038
WLge/Rgoff 0 -0,014 3,75 -0,028 -2,5 0,017
WLge/ton 3 0,003 1,25 0,044 7,5 0,037
WRgoff/ton 11 0,079 16,25 0,094 45 0,056
Table 31 Coefficients des modèles de surtension et de vitesse de commutation
Comme pressentie lors de l’analyse globale des résultats d’essais, nous pouvons observer,
dans la table 31, l’importance des coefficients attribués à l’inductance Lcom sur la surtension
et aux facteur Rgoff et ton sur la vitesse de commutation.
La pertinence des effets des facteurs va maintenant être jugée par le biais d’une analyse
statistique.
4.4.7. Analyse statistique du modèle
Le but de cette analyse est d’identifier les facteurs et interactions ayant une influence
statistiquement significative sur les réponses observées afin d’éliminer les autres. Dans le
paragraphe 3.10, consacré à ces méthodes d’analyses, 3 méthodes d’analyses sont décrites.
L’application de ces méthodes est présentée ici.
4.4.7.1. Application de la méthode de Daniel
L’application de la méthode de Daniel aux résultats obtenus en terme de vitesse de

commutation au point de fonctionnement a, c'est-à-dire 500V et 600A, donne le graphique de
la figure 28 :
s
2,5
Fractile théorique semi-normal
2
Rgoff
1,5
ton
1 Rgoff/ton
0,5
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
Valeur absolue des effets moyens
Fig 28. Graphe de Daniel pour la vitesse de commutation au point a
110
Les points alignés sur la droite passant par l’origine représentent les variables non
statistiquement influentes. Au contraire, le positionnement sur le graphique des points
associés à la résistance de grille, au temps de commutation et à leur interaction tend à montrer
que ces variables seraient statistiquement significatives sur la variance globale du modèle.
L’ensemble des graphiques issus de l’application de la méthode de Daniel pour

l’identification des facteurs influents sur les réponses observées est fourni en annexe 5.1.
L’application de cette méthode aux autres points de fonctionnement nous montre que les
variables influentes sur la vitesse de commutation semblent être la résistance de grille Rgoff, le
temps de commutation ton ainsi que l’interaction entre ces deux facteurs.
Sur la surtension, l’application de la méthode de Daniel tend à montrer que les variables
influentes seraient l’inductance de boucle Lcom, la résistance de grille Rgoff, le temps de
commutation ton ainsi que les 3 interactions issues des combinaison de ces facteurs.
L’inconvénient majeur rencontré dans l’application de cette méthode réside dans le tracé
de la droite, ce dernier étant subjectif et laissé à la libre appréciation de l’utilisateur. Il arrive
alors dans certains cas, que le tracé de 2 droites, paraissant pourtant toutes les deux correctes,
engendre des conclusions différentes.
4.4.7.2. Application de la méthode de Lenth
L’application de la méthode de Lenth à ce même modèle de vitesse de commutation au

point de fonctionnement a donne le résultat présenté par la figure 29:
0,15
0,1
0,05
0
s
ff
f
ge
on
n
n
om
Coefficients
of
e
-0,05
n
go
/to
of
to
Lg
/L
to
Rg
f/t
Rg
/R
e/
Lc
om
om
of
Lg
e/
om
Rg
Lc
Lg
Lc
-0,1
Lc
-0,15
-0,2
-0,25
-0,3
-0,35
Variables du modèle
Fig 29. Méthode de Lenth appliquée au modèle de dV/dt au point a
Sur ce graphique sont représentés les coefficients associés à chacune des variables du
modèle ainsi que les limites définies à partir des probabilités de 1-α/2 pour un niveau de
signification α =5% (en traits pleins) et de γ ici d’une valeur de 0,996 (en pointillés) calculée
comme indiqué dans le paragraphe 3.10.2.
La limite définie à partir du seuil de signification α = 5% nous donne des résultats

similaires à ceux donnés par la méthode de Daniel à savoir une influence jugée significative
111
pour la résistance de grille Rgoff, le temps de commutation ton et l’interaction entre ces deux
facteurs Rgoff/ton. En revanche, pour une probabilité γ, la limite est beaucoup plus restrictive et
ne laisse apparaître comme significatif que les facteurs Rgoff et ton. Les graphiques issus de
l’ensemble de ces applications sont fournis en annexe 5.2.
D’une manière générale, la méthode de Lenth, appliquée aux 6 modèles obtenus dans cette
étude, est plus restrictive que la méthode de Daniel.
4.4.7.3. Analyse de la variance
L’analyse de la variance est sans doute la plus rigoureuse des méthodes d’analyse
statistique utilisées lors de ce travail. Son application sur ces mêmes résultats obtenus dans le
cas de la vitesse de commutation au point de fonctionnement a donne le tableau d’analyse de
variance fourni dans la table 32 :

Lcom 0,004 1 0,004 1,675 10,007 non influent 25,216
Lge 0,003 1 0,003 1,342 10,007 non influent 29,899
Rgoff 1,711 1 1,711 745,426 10,007 influent 0,0001
ton 0,667 1 0,667 290,470 10,007 influent 0,0013
Lcom/Lge 0,000 1 0,000 0,002 10,007 non influent 96,832
Lcom/Rgoff 0,001 1 0,001 0,432 10,007 non influent 53,991
Lcom/ton 0,001 1 0,001 0,318 10,007 non influent 59,737
Lge/Rgoff 0,003 1 0,003 1,318 10,007 non influent 30,29
Lge/ton 0,000 1 0,000 0,048 10,007 non influent 83,518
Rgoff/ton 0,100 1 0,100 43,783 10,007 influent 0,1186
Résidu 0,011 5 0,002
Total 2,501 15
Table 32 Tableau d’analyse de variance pour dV/dt au point a
Les facteurs Rgoff, ton et leur interaction Rgoff/ton semblent être influents sur la vitesse de
commutation. Leur caractère influent est confirmé par une nouvelle analyse de variance,
présentée dans la table 33, réalisé seulement à partir de ces variables, jugées influentes dans la
table 32.

Rgoff 1,711 1 1,711 882,628 6,550 influent 1E-10
ton 0,667 1 0,667 343,934 6,550 influent 3E-08
Résidu 0,023 12 0,002
Total 2,501 15
Table 33 Vérification du caractère significatif des variables
On retrouve bien les conclusions trouvées précédemment avec les méthodes de Daniel et
de Lenth à savoir l’influence statistiquement significative des facteurs Rgoff, ton et de leur
interaction Rgoff/ton.
112
L’ensemble des analyses de variance réalisées sur chacune des deux réponses aux trois
points de fonctionnement est présenté en annexe 5.3.
4.4.7.4. Conclusion sur l’analyse statistique des modèles
La table 34 résume les résultats obtenus par les trois méthodes d’analyse statistiques
utilisées sur la surtension et la vitesse de commutation.
Y méthode Point a Point b Point c

Lcom, Rgoff, ton,
Lcom, Rgoff, ton, Lcom, Rgoff, ton,
Daniel Lcom/Rgoff, Lcom/ton,
Lcom/ton, Rgoff/ton Lcom/ton, Rgoff/ton
Rgoff/ton
0,975 Lcom, ton Lcom Lcom, ton
∆V Lenth
0,996 Lcom Lcom Lcom
Lcom, Rgoff, ton,
Lcom, Rgoff, ton, Lcom, Rgoff, ton,
ANOVA Lcom/Rgoff, Lcom/ton,
Lcom/ton, Rgoff/ton Lcom/ton, Rgoff/ton
Rgoff/ton
Daniel Rgoff, ton, Rgoff/ton Rgoff, ton, Rgoff/ton Rgoff, ton
0,975 Rgoff, ton, Rgoff/ton Rgoff, ton Rgoff, ton
dV/dt Lenth
0,996 Rgoff, ton - Rgoff, ton
ANOVA Rgoff, ton, Rgoff/ton Rgoff, ton Rgoff, ton
Table 34 Tableau récapitulatif des résultats d’analyses statistiques
Quelques différences apparaissent suivant la méthode d’analyse statistique utilisée. De

manière générale on constate que la méthode de Daniel et l’analyse de variance donnent des
résultats similaires. En revanche, comme il est indiqué plus tôt, la méthode de Lenth est plus
restrictive en particulier lorsque de nombreux facteurs ont une influence importante comme
c’est le cas avec les modèles de surtension. Il est à noter que cette méthode est d’autant plus
pertinente que le nombre de variables influentes reste faible par rapport au nombre total de
variables du modèle.
Les différences observées sur les variables influentes aux différents points de
fonctionnement laissent présumer la présence d’interactions entre les paramètres tension,
courant et certains des facteurs utilisés ici. La présence de ces interactions sera vérifiée dans
la modélisation des réponses par l’application de la méthode des plans d’expériences pour
l’étude de surfaces de réponses présentée dans le chapitre 3.
On retiendra dans les modèles additifs les variables jugées influentes par l’analyse de la
variance, cette méthode étant la plus précise. Les modèles obtenus sont donc les suivants :
Au point a :
Surtension = 846 + 90 Lcom − 21Rg off − 24ton − 14 Lcom * ton + 11Rg off * ton (2.45)
dV / dt = 1,54 − 0,327 Rg off − 0,204 ton + 0,079 Rg off * ton (2.46)
113
Au point b :
Surtension = 1773,75 + 131,25 Lcom − 33,75 Rg off − 46,25t on − 11,25 Lcom * Rg off
(2.47)
− 13,75 Lcom * t on + 16,25 Rg off * t on
dV / dt = 2,62 − 0,474 Rg off − 0,28ton (2.48)
Au point c :
Surtension = 2720 + 140 Lcom − 25 Rg off − 90ton − 20 Lcom * ton + 45 Rg off * ton (2.49)
dV / dt = 3,23 − 0,549 Rg off − 0,246ton (2.50)
Les indicateurs issus de l’analyse de régression de chacun des modèles sont restitués par
la table 35 :
Point a Point b Point c
R² 98,97 99,07 99,76 90,61 98,56 97,72
R²ajusté 98,46 98,84 99,59 89,17 97,84 97,37
Table 35 Indicateurs d’analyse de régression des modèles
Les indicateurs reflètent la qualité descriptive des modèles qui semblent bien traduire les
valeurs mesurées de surtension et de vitesse de commutation. Une analyse graphique des
résultats et plus précisément un graphe d’adéquation permettra d’observer cette qualité.
4.4.8. Analyse graphique du modèle
Il est possible d’observer la qualité descriptive grâce à un graphique d’adéquation du

modèle comme le montre la figure 30 dans le cas de la surtension au point b. Le tracé de la
première bissectrice favorise la visualisation, elle représente le cas ou le modèle décrit
exactement la réalité.
2100
s
2000
Réponses mesurées
1900
1800
1700
1600
1500
1500 1600 1700 1800 1900 2000 2100
Réponses calculées par le modèle
Fig 30. Graphe d’adéquation du modèle de surtension au point b
114
Ce graphique montre bien que les réponses calculées par le modèle traduisent bien la
réalité et par le fait, que les conclusions déduites des analyses statistiques sont correctes.
Le graphique d’adéquation attribué à chacun des 6 modèles est disponible en annexe 6.
4.4.9. Résultats du plan 2
L’objectif de cette étude de criblage réside dans l’identification des facteurs

statistiquement influents sur la surtension et la vitesse de commutation parmi 4 facteurs liés
aux paramètres de conception des onduleurs de traction.
L’inductance liée au câble reliant l’allumeur à la commande de l’IGBT, notée Lge dans
cette étude, n’a pas été retenue dans les modèles additifs présentés dans l’analyse statistique
des résultats. En effet son influence sur les réponses n’a été jugée influente en aucun des trois
points de fonctionnement. Avant d’éliminer définitivement ce facteur de l’étude, nous nous
avons vérifié qu’il ne présentait pas d’interaction avec la température. Cette vérification est
donnée en annexe 7.
Cette étude traitant des 4 facteurs liés aux paramètres de fonctionnement a permis
d’éliminer le facteur Lge, jugé non influent sur l’une et l’autre des réponses observées.
5. Conclusion
Ce deuxième chapitre a traité de l’application de la méthode des plans d’expériences dans

une étude de criblage. Ce type d’étude vise à estimer l’effet des facteurs, et au besoin, comme
c’est le cas ici, des interactions d’ordre 1, sur la réponse observée afin d’identifier parmi eux
les éléments statistiquement influents.
Ce type d’étude est une étape quasi obligatoire dans la modélisation d’une réponse par
l’utilisation des plans d’expériences. En effet, les plans d’expériences pour l’étude des
surfaces de réponse étant très gourmand en essais, et le nombre d’essais étant étroitement liés
au nombre de facteurs de l’étude, il est nécessaire de les aborder en ne prenant en
considération que les facteurs dont l’influence sur la réponse a été préalablement vérifiée.
Dans notre application, nous avons opté pour la réalisation de deux études de criblage
successives afin d’éviter dans un premier temps les problèmes posés par la présence de
contraintes relationnelles présentes entre les différents facteurs. La première étude utilisait 6
facteurs parmi lesquels 3 ont été jugés statistiquement significatifs sur la surtension et la
vitesse de commutation. La deuxième étude, quant à elle, a permis d’identifier 3 facteurs
influents dans un ensemble initial de 4.
Parmi les 10 facteurs potentiellement influents identifiés avec l’aide des experts IGBT
d’Alstom Transport de Tarbes, nous avons donc identifié 6 facteurs présentant une influence
significative sur la surtension et la vitesse de commutation.
L’équation (2.2) permet de calculer le nombre de coefficients présent dans un modèle

quadratique en fonction du nombre de facteurs considérés. Ce nombre d’éléments présent
115
dans le modèle correspond au nombre minimal d’expériences à réaliser pour effectuer la

modélisation et donc à la taille minimale de la matrice du modèle dans une étude de surface
de réponse. Initialement, 10 facteurs ont été pris en considération et identifiés comme
potentiellement influents. Pour une telle quantité de facteurs, l’application de la formule (2.2)
permet de calculer un nombre de coefficients à déterminer qui s’élève alors à 66. Suite aux
deux études de criblage présentées dans ce second chapitre, 4 facteurs ont été supprimés de
l’étude après avoir été jugés non statistiquement influents sur les réponses. Le nombre de
facteurs influents, présents dans les modèles, est donc seulement de 6. Le nombre de
coefficients présent dans un modèle quadratique pour 6 facteurs considérés est seulement de
28.
Par cette phase de criblage, nous avons donc diminué de plus de moitié le nombre
minimal de lignes nécessaire dans la matrice du modèle X qui servira à la modélisation des
réponses, présentée dans le chapitre suivant.
La modélisation par application de la méthode des plans d’expériences pour l’étude de

surface de réponse présentée dans le chapitre 3 utilisera ces 6 facteurs influents à savoir la
tension, le courant, la température, l’inductance de boucle Lcom, la résistance de grille Rgoff
et le temps ton.
Références du chapitre II
[Addelmann, 62] S. Addelmann, “Orthogonal main effect plans for asymmetrical factorial
experiment”, Technometrics, 1962.
[Box, 62] G.E.P. Box, J.S. Hunter, “The 2k-p fractional factorial plans”,
Technometrics, Vol 4, 1962.
[Dagnelie, 97] P. Dagnelie, “La planification des expériences et l’analyse de variance :

une introduction extrait de Plan d’expériences, Applications à
l’entreprise”, Technip, Ed Paris, 1997.
[Daniel, 59] C. Daniel, “Use of half-normal plots in interpreting factorial two-level

experiment”, Technométrics, Vol.1, N°4, 311-341, 1959.
[Dodge, 99] Y. Dodge, “Analyse de régression appliquée”, Ed. Paris, 1999.
[Draper, 81] N. Draper H. Smith, Wiley, “Applied regression analysis”, Ed New-

York, 1981.
[Droesbeke, 97] J.J. Droesbeke J. Fine G. Saporta,“Plan d’expériences – Application à

l’entreprise”, Ed. Technip, 1997.
[Eriksson, 00] L. Eriksson, E. Johansson, N. Kettaneh-Wold, C. Wilkström, S. Wold,

“Design of experiments, Principles and applications”, Umetrics, Ed.
Umeå, 2000.
[Fisher, 25] R.A. Fisher, “Statistical methods for research workers”, Oliver and
Boyd, Ed. Edinburgh, 1925.
116
[Fisher, 35] R.A. Fisher, “The design of experiments”, Oliver and Boyd, Ed.
Edinburgh, 1935.
[Goupy, 96] J. Goupy, “La méthode des plans d’expériences – Optimisation du choix
des essais et de l’interprétation des résultats”, Ed. Dunod, 1996.
[Goupy, 06] J. Goupy, “Tutorial, Les Plans d’Expériences”, Revus Modulad, N° 34,
2006.
[Ishikawa, 96] K. Hishikawa, “La gestion de la qualité, outils et applications

pratiques“, Dunod, Ed Paris, 1996.
[ISO 3534-3, 98] “Statistique, Vocabulaire et Symboles, Partie 3 : plans d’expériences”,

Norme ISO 3534-3, 1998.
[John, 62] P.W.M. John, “Three quarter replicates of 2n”, Biometrics, Vol 18,
1962.
[Kiefer, 59] J. Kiefer, “Optimum experimental designs”, J.R. Statist. Soc. B, Vol 21,
1959.
[Lenth, 89] R. V. Lenth, “Quick and easy analysis of unreplicated factorials”,

Technometrics, Vol. 31, N°4, 469-473, 1989.
[Lochner, 90] R.H. Lochner, J.E. Matar, “Designing for quality, an introduction to the
best of Taguchi and western methods and statistical experimental
design”, Productivity press, ed. Portland, Oregon, 1990.
[Louvet, 06] F. Louvet L. Delplanque, “Design of experiments : the French touch /

Les plans d’expériences : une approche pragmatique et illustrée”,
témoignage de l’association Expérimentique, 2006.
[NF X 06-063, 87] “Application de la statistique, comparaison du rapport de deux variances

(deux écart-types) à une valeur donnée”, Afnor, Ed Paris, 1987.
[Pillet, 94] M. Pillet, “Introduction aux plans d’expériences par la méthode

Taguchi”, Les Editions d’Organisation Université, 1994.
[Plackett, 46] R.L. Plackett J.P. Bur,man, “The design of optimum multifactorial
experiments”, Biometrika, 1946.
[Rechtschaffner, 67] R.L. Rechtschaffner, “Saturated fractions of 2n and 3n factorial

designs”, Technometrics, Vol 9, 1967.
[Rotella, 95] F. Rotella et P. Borne, “Théorie et pratique du calcul matriciel”, éditions

Technip, 1995.
[Sapora, 90] G. Sapora, “Probabilité, analyse des données statistiques”, Eds Technip,
1990.
117
[Schimmerling, 98] P. Schimmerling, J.C. Sisson, A. Zaidi, ”Pratique des plans

d’expériences“, Ed Lavoisier Tec & Doc, 1998.
[Srinivasaiah, 04] H.C. Srinivasaiah, N. Bhat, “Characterization of sub-100nm CMOS

process using screening experiment technique”, Proceedings 17th
International Conference on VLSI Design, pages 285 -290, Mumbai,
India, 2004.
[Taguchi, 87] G. Taguchi, S. Konishi, “Taguchi methods, Orthogonal arrays and linear
graphs, tools for quality”, ASI Press, Ed. Allen Park, 1987.
[Tukey, 97] J.W. Tukey, “Exploratory data analysis”, Reading Massachusetts,

Addison-Wesley Publishing Company, 1997.
[Vivier, 02] S. Vivier, “Stratégie d’optimisation par la méthode des plans

d’expériences et application aux dispositifs électrotechniques modélisés
par éléments finis”, thèse, 2002.
118
Chapitre III : Les plans d’expériences, étude de surface de réponse
Chapitre III :
Les plans d’expériences,
Etude de surface de réponse
119
120
1. Introduction
Les premiers plans d’expériences diffusés dans la littérature ont été destinés à l’estimation
des effets des facteurs. Cependant, du point de vue industriel, tous les problèmes rencontrés
ne consistent pas uniquement à estimer puis à comparer les effets des facteurs. De nombreuses
études consistent à trouver, s’il existe, un optimum dans un domaine d’étude appelé domaine
expérimental. Pour ce faire, on utilise la méthodologie des plans d’expériences pour surfaces
de réponse, traitée dans ce chapitre.
La méthodologie des surfaces de réponses (MSR) constitue donc le second volet de la

méthode des plans d’expériences. Cette technique vise à déterminer d’une façon quantitative
les variations de la réponse vis-à-vis des facteurs d’influence significative, identifiés si besoin
lors d’une première étude de screening [Goupy, 99] [Box, 87]. Aussi après avoir répondu,
dans le second chapitre, à la question « Pourquoi la réponse varie-t-elle ? » nous cherchons a
savoir « Comment la réponse varie-t-elle ? ».
Ce troisième et dernier chapitre sera construit de manière identique au second. Tout

d’abord, un rapide historique reviendra sur l’évolution des plans pour l’étude de surfaces de
réponse au cours du temps. Ensuite, une partie théorique présentera les éléments nécessaires
au bon déroulement d’une étude basée sur ce type de plans. Enfin, nous appliquerons ces
principes théoriques à notre étude afin d’obtenir les modèles de surtension et de vitesse de
commutation recherchés.
Dans le second chapitre, deux études de criblage ont permis d’identifier six facteurs ayant
une influence statistiquement significative sur la surtension et la vitesse de commutation
observées au blocage des modules IGBT. Nous avons ainsi limité le nombre de facteurs à
prendre en considération dans la modélisation des réponses. Le principal intérêt de cette
réduction du nombre de facteurs présents dans cette étude réside dans la minimisation du
nombre d’expérimentations à effectuer. Une fois validés, les modèles obtenus permettront de
calculer la surtension et la vitesse de commutation des modules IGBT en fonction de
l’ensemble des paramètres présents dans un onduleur et ainsi d’améliorer la connaissance du
comportement des modules IGBT en fonctionnement.
2. Historique des plans de surface de réponse
Les plans d’expériences pour l’étude des surfaces de réponses sont apparus dans la
seconde moitié du XXème siècle. Il s’agit de dispositifs expérimentaux plus onéreux que ceux
destinés à l’étude des effets des facteurs car nécessitant davantage d’essais, mais permettant
de répondre à un objectif spécifique qui correspond à la recherche d’un optimum. Le modèle
sous-jacent à la construction de ce type de plan est de forme polynomiale du second degré.
Les plans mis en place avant 1970 sont utilisables dans des domaines isotropes. En présence
d’une ou plusieurs contraintes rationnelles, il faut alors avoir recourt à la recherche d’un plan
optimal basée sur l’utilisation d’un algorithme d’échange dont la technique est apparue après
1970, comme l’indique la figure 1. Dans tous les cas, l’analyse des résultats d’essais, passant
par le calcul des coefficients du modèle, nécessite la mise en œuvre de la méthode des
moindres carrés.
121
L’évolution des plans d’expériences pour l’étude de surfaces de réponse peut se

schématiser comme l’indique la figure 1 :
Fig 1. Evolution des techniques de surfaces de réponse [Louvet, 06]
L’évolution des plans d’expérience pour l’étude des surfaces de réponse s’est faite dans
une période plus courte que celle des plans d’expériences pour l’étude des effets des facteurs.
En effet, l’évolution des plans d’expériences pour l’étude des surfaces de réponse s’étend de
1950 à 1970 alors qu’au cours du second chapitre, nous avons vu que l’évolution des plans
pour l’étude des effets des facteurs a débuté dès 1925 pour s’achever également vers 1970.
Si l’on fait exception des plans pour l’étude de mélange, cette période s’articule autour de
trois travaux :
• Les plans composites centrés proposés par G.E.P. Box et K.B. Wilson en 1951
[Box, 51].
• Les plans proposés par G.E.P. Box et D.W. Behnken en 1960 [Box, 60].
• Les réseaux uniformes proposés par D.H. Doehlert en 1970 [Doehlert, 70].
Il est possible de calculer le nombre de traitements expérimentaux N de manière générale

pour les plans composites centrés et les réseaux de Doehlert. En revanche pour les plans
proposés par Box et Behnken, le nombre N de traitement ne peut être calculé de manière
générale.
Pour les plans composites centrés on obtient pour k facteurs :
N = 2 k + 2k + 1 (3.1)
Et pour les réseaux de Doehlert on a pour k facteurs :
N = k2 + k +1 (3.2)
122
Bien qu’il y ait eu d’autres développements méthodologiques, proposant parfois des

matrices d’expériences d’excellente qualité, ce sont ces trois dispositifs expérimentaux que
l’on cite le plus régulièrement et que l’on rencontre le plus fréquemment dans les logiciels.
En ce qui concerne les plans optimaux pour l’étude de surfaces de réponse en présence
d’un domaine anisotrope comme ce sera le cas dans cette étude, ils reposent sur l’utilisation
d’un algorithme d’échange. Cet algorithme cherche les essais à intégrer dans la matrice
d’expériences, qui optimisent un critère d’efficacité parmi un ensemble de points candidats.
Les critères d’efficacité les plus fréquemment utilisés par les méthodes de plans d’expériences
pour l’étude de surfaces de réponses seront présentés dans le paragraphe 3.6.3.2.
3. Méthode de surface de réponse
Nous avons vu dans le second chapitre qu’une étude de criblage permet, à travers
l’obtention d’un modèle additif, d’identifier les éléments ayant une influence significative sur
une réponse parmi une liste de facteurs. Une étude de surface de réponse quant à elle permet,
à travers un modèle polynomiale le plus souvent, de traduire les variations d’une réponse dans
un domaine expérimental.
Les étapes à suivre dans le cas d’une étude de surface de réponse sont les mêmes que
celles réalisées lors d’une étude de criblage. Cependant, leur contenu est différent. En effet, le
modèle à établir lors d’une étude de surface de réponse n’a pas la même forme que celui
recherché dans une étude de criblage. Or, le contenu des étapes à suivre lorsqu’on mène une
étude par plan d’expériences est étroitement lié à la forme du modèle recherché.
Les étapes d’une étude par plan d’expériences sont rappelées ici :
• Définition des objectifs et des réponses,

• Choix d’une stratégie expérimentale,
• Définition des facteurs,
• Définition du domaine expérimental,
• Définition du modèle empirique,
• Construction du plan d’expériences,
• Expérimentation,
• Analyse globale des résultats d’essais,
• Analyse mathématique des résultats d’essais,
• Analyse statistique du modèle,
• Analyse graphique du modèle,
• Validation du modèle et des informations obtenues.
Nous allons maintenant décrire de manière théorique le contenu de chacune de ces étapes
dans le cas d’une étude basée sur la méthode des plans d’expériences pour l’étude de surface
de réponse avant de les appliquer à notre étude.
123
3.1. Définition des l’objectifs et de la/les réponse(s)
3.1.1. Définition du ou des objectif(s) de l’étude
Un grand nombre de problèmes industriels se pose souvent spontanément en terme

d’optimisation. En effet, on associe à la recherche d’une performance donnée, la minimisation
des coûts.
L’objectif visé lors d’une étude de surface de réponse peut être de différentes natures
[Goupy, 99] :
• Optimiser (maximiser/minimiser) une ou plusieurs variables de réponse,

• Trouver un compromis satisfaisant entre plusieurs variables de réponse,
• Construire une cartographie de la variation d’une réponse dans un plan, comme ce
sera le cas pour nous,
• Rechercher dans quelles proportions on peut mélanger des constituants
préalablement choisis.
La recherche d’un optimum nécessite généralement d’avoir délimité, au préalable, une

zone probable d’appartenance d’une solution au problème. C’est pourquoi, une étude
préliminaire des effets des facteurs (criblage) s’impose souvent et permet parfois d’apporter
des premiers éléments de réponse à ce type de problématique. N’oublions pas non plus qu’une
telle étude préliminaire s’impose dès que le nombre de facteurs pris en compte est trop
important afin d’éviter un plan matériellement irréalisable, comme ça a été le cas dans cette
application.
3.1.2. Définition de la/les réponse(s) caractérisant l’objectif
La modélisation d’une surface de réponse à partir d’un polynôme approprié nécessite de

disposer de réponses sous forme de grandeurs quantitatives à variation si possible continue.
Le nombre de réponses est spécifique à chaque étude, on parle d’optimisation multicritères
dès que l’on caractérise les objectifs d’un problème à partir d’au moins deux réponses
[Goupy, 99].
Les grandeurs traduites par les réponses étant le plus souvent de nature différente, il
convient, dans le cas d’une optimisation, de procéder à une transformation avant de
rechercher le meilleur réglage des facteurs permettant d’atteindre un compromis. Différentes
méthodes on été décrites dans la littérature, on peut citer la méthode utilisant la transformation
des réponse à partir des fonctions de désirabilité, initialement développé par E.C. Harrington
en 1965 [Harrington, 65], puis adapté par R. Derringer et R. Suich en 1980 [Derringer, 80].
La désirabilité traduit le degré de satisfaction des expérimentateurs, en fonction du niveau de
la réponse observée ou modélisée.

Dès lors que les objectifs et les réponses ont bien été définis, il convient d’adopter une
démarche pour atteindre le ou les objectifs fixés de la manière la plus efficace possible.
124
Lorsqu’on est confronté à un problème d’optimisation, deux grandes approches

expérimentales peuvent être appliquées :
• Les méthodes directes consistent à converger séquentiellement vers un optimum

local sans faire appel à une forme particulière de modélisation. Il s’agit par exemple
de la méthode du simplexe et de ses différentes variantes proposées par [Walters, 91]
[Nelder, 65] [Spendley, 62]. Les règles de progression séquentielle repose sur le
classement des résultats d’essais et sur des principes purement géométriques. On
cherche à chaque étape de s’éloigner du plus mauvais résultat. Ces méthodes ne
demandent pas à délimiter a priori un domaine expérimental et restent applicables en
présence de réponses qualitatives. Des facteurs peuvent être ajoutés ou supprimés à
tout instant. La limitation de ces méthodes est due à la nécessité de pouvoir obtenir
rapidement la valeur des résultats d’essais, sous peine d’un temps très long de mise
en œuvre.
• Les méthodes indirectes consistent à postuler a priori un modèle, pour explorer un
domaine expérimental dont les limites ont été fixées, au préalable, à partir de la
plage de variation des facteurs. C’est l’interprétation du modèle sous forme
numérique et/ou graphique qui permet d’obtenir des propositions de réglages
permettant d’atteindre un optimum. Comme le nombre de coefficients à estimer (p)
croît rapidement avec le nombre de facteurs (k), il est nécessaire de limiter le
domaine d’étude.
Lorsque l’objectif visé n’est pas une optimisation mais plutôt d’observer les variations
d’une ou plusieurs réponses dans un domaine expérimental, comme c’est le cas ici, il convient
d’utiliser les méthodes indirectes et de traduire ces variations à travers un modèle.
3.3. Définition des facteurs et des niveaux

La liste des facteurs potentiels à introduire dans un problème d’optimisation doit être
initialement la plus exhaustive possible afin d’éviter un plan trop lourd. Cependant, d’après
les auteurs de [Louvet, 06], limiter volontairement la liste des facteurs sous prétexte d’un coût
expérimental trop élevé représente un risque d’oubli d’une variable prépondérante pour
l’optimisation. Il est vrai que les plans d’expériences pour l’étude de surfaces de réponse
nécessitent un nombre important d’essais à réaliser. La pratique industrielle de tels dispositifs
restreint, d’un point de vue pratique, leur application à des domaines expérimentaux définis à
partir de la variation d’un nombre de facteurs généralement inférieur ou égal à 5
[Droesbeke, 97]. Le choix des facteurs peut provenir d’un premier plan de criblage, destiner à
identifier, parmi de nombreux facteurs, ceux dont l’effet sur la réponse est réel, comme cela a
été le cas dans le chapitre II.
Pour ce type d’études, les facteurs doivent être quantitatifs à variation continue de par la
nature polynomiale du modèle utilisé pour l’exploration du domaine expérimental.
3.3.1. Définition des niveaux
Dans l’approche traditionnelle des plans d’expériences pour l’étude des surfaces de
réponse, les niveaux sont fixés par la méthode de construction du plan, au sein d’un domaine
dont les bornes sont définies par l’utilisateur.
125
La présence d’un optimum au sein d’un domaine expérimental se traduit par des dérivées
partielles de la surface de réponse nulles. La recherche de réglages particuliers pour lesquels
les dérivées partielles du modèle polynomial sont nulles impose le choix d’un modèle du
deuxième degré au minimum. La construction d’un plan pour l’étude de surface de réponse
nécessite donc 3 niveaux au minimum pour chacun des facteurs. Toutefois pour respecter des
critères de qualité en terme de prédiction d’une réponse, certains dispositifs expérimentaux,
comme les réseaux de Doehlert [Doehlert, 70] par exemple, imposent parfois plus de trois
niveaux aux facteurs. Il est donc intéressant d’intégrer les difficultés de modification des
réglages des facteurs lors du choix d’un dispositif expérimental particulier.
Tout comme dans le cas des plans d’expériences pour l’étude des effets des facteurs, les
plans destinés à l’étude de surfaces de réponse utilisent une relation de codage.
3.3.2. Codage de la matrice d’expériences
Les paramètres de réglage d’un processus traduisent le plus souvent des grandeurs
différentes.
Il convient donc de standardiser les variations de ces paramètres pour avoir accès aux
outils généraux de construction des plans d’expériences. Pour cela on utilise une relation de
codage unique définie à partir de la transformation bijective définissant la valeur xi à partir de
la relation (3.3) que l’on peut retrouver dans l’ensemble des ouvrages traitant des plans pour
étude de surface de réponses comme par exemple [Goupy, 99] :
u + umin i 
ui −  max i 
 2 
xi = (3.3)
 umax i − u min i 
 
 2 
umaxi et umini étant les bornes définies par l’utilisateur et ui le niveau réel donné au facteur i
lors de l’expérimentation.
Il s’agit d’une relation de centrage et de réduction de la variable u. Le numérateur de la

relation précédente traduit un centrage par rapport au milieu de l’intervalle de variation des
facteurs. Le dénominateur traduit une réduction par rapport à la moitié de l’étendue de ce
même intervalle.
Le facteur codé x, transformé du facteur u, est sans dimension et ses valeurs sont
comprises dans l’intervalle borné [-1 ; 1].

La définition du domaine expérimental [Goupy, 99] découle directement de l’étape
précédente, à savoir de la définition des facteurs et de leurs niveaux et des contraintes
relationnelles pouvant éventuellement exister entre les niveaux des facteurs.
La nature quantitative continue des facteurs induit un nombre de combinaisons infini pour
le domaine expérimental, chacun des facteurs pouvant prendre un nombre infini de niveaux
126
particuliers, dans la plage de variation qui leur est associée [Droesbeke, 97]. Nous nous
intéressons donc, dans le cas d’un plan pour l’étude de surface de réponse, à l’enveloppe du
domaine expérimental qui, suite à la relation de codage présentée ci-dessus peut présenter
deux géométries :
• Un domaine isotrope : lorsqu’il n’existe pas de contraintes relationnelles définies

entre tout ou partie des k facteurs indépendants, le domaine expérimental est limité
par un hyper-cube, chacun des facteurs variant dans l’intervalle [-1 ; 1] d’après la
relation de codage. On parle alors de domaine expérimental isotrope. La géométrie
régulière d’un tel domaine facilitera la distribution uniforme des expériences en son
sein.
• Un domaine anisotrope : lorsqu’il existe une ou plusieurs contraintes relationnelles
définies entre tout ou partie des k facteurs indépendants, la géométrie du domaine
expérimental perd sa régularité. On parle alors de domaine expérimental anisotrope.
Nous serons en présence de ce type de domaine dans notre étude. En présence d’une
telle géométrie, il n’est plus possible d’établir une méthode généraliste produisant
une distribution uniforme des expériences au sein du domaine. Il faut alors procéder
à un maillage du domaine et extraire des combinaisons particulières à partir d’un
algorithme d’échange. Les logiciels proposent généralement un maillage bâti à partir
des sommets du domaine, des milieux des arêtes et des centres géométriques des
différentes faces du domaine.
La figure 2 illustre la notion de contrainte relationnelle entre 2 facteurs indépendants :
Fig 2. Illustration de la notion de contrainte dans un domaine expérimental
Dans cet exemple les facteurs température et pression ne peuvent pas prendre leur valeur
maximale en même temp. On défini donc une aire dans laquelle aucun traitement
expérimental ne doit se trouver (zone hachurée sur la figure 2).
Pour le cas particulier des plans de mélange, une contrainte s’impose. En effet dans ce cas
la somme des composantes du modèle (pourcentages respectifs des différents composants)
doit naturellement être égale à 1.
127

On veut ici choisir une forme de modèle qui définit correctement les variations de la
réponse. Il est aujourd’hui couramment admis qu’une forme quadratique satisfait cette
exigence dans un grand nombre de cas [Khuri, 96], [Droesbeke, 97], [Myers, 95]. Cette
hypothèse sera vérifiée a posteriori grâce à une analyse statistique du modèle obtenu, afin de
vérifier que la surface de régression donne une interprétation utilisable du phénomène réel.
Dans notre application, cette vérification sera présentée dans le paragraphe 4.10.1.
Le choix de modèle du second degré repose sur le fait que la recherche d’un optimum
nécessite la présence d’une dérivée nulle et qu’il est toujours possible de définir au voisinage
d’un point un développement en série de Taylor-McLaurin pour toute fonction [Goupy, 99],
[Faucher, 06].
On recherche donc classiquement un modèle de la forme :
k k k −1 k
i =1 i =1 i =1 j =i +1
Dans lequel, α représente les coefficients du modèle à identifier (α0 la constante, αi les
coefficients associés aux facteurs, αii les coefficients associés aux termes quadratiques et αij
les coefficients associés aux interactions d’ordre 1), k désigne le nombre de facteurs xi pris en
considération dans le modèle.
Le nombre d’inconnues p à déterminer dans un modèle polynomial du second ordre se

calcule, pour un nombre de facteurs noté k, à partir de la relation (3.5) :
( k + 1)( k + 2)
p= (3.5)
2
Dans le cas de problème de mélange, un modèle quadratique classique ne peut pas être
appliqué [Goupy, 00]. En effet en raison des contraintes particulière que présente un plan de
mélange (ex : somme des constituants = 1) les modèles quadratiques tels que ceux présentés
en (3.4), ne peuvent pas décrire les variations de la réponse. On utilise alors généralement un
modèle de forme canonique du second ordre de la forme :
q q
η = ∑ β i xi + ∑ β ij xi x j (3.6)
i =1 i< j
Dans lequel
q est le nombre de constituants,
βi et βij sont définis de la manière suivante :
β i = α 0 + α i + α ii (3.7)
β ij = α ij − α ii − α jj (3.8)
Dans lesquels αi est le coefficient associé au constituant i et αij est associé à l’interaction
entre les facteurs i et j.
128
Dans tous les cas, la matrice d’expériences doit posséder au moins autant de lignes (N)
que le modèle a de coefficients (p).
Notre étude ne traitant pas d’un problème de mélange, nous aurons, pour notre part,
recours à un modèle polynomiale du second degré de la forme donnée en (3.4).

La qualité des p estimateurs des coefficients du modèle est étroitement lié au choix des N
lignes de la matrice du modèle [Goupy, 99]. La construction du plan d’expériences consiste
donc à sélectionner les N expériences qui composent cette matrice de façon à obtenir les
meilleurs résultats de l’analyse des réponses mesurées. On parle pour cela de matrice
optimale.
La théorie de l’optimalité en plan d’expériences se fonde historiquement dans le cadre du

modèle linéaire – régression et analyse de la variance – et débute avec les travaux de Kiefer
[Kiefer 59, 61, 74], Kiefer et Wolfowitz [Kiefer, 59, 60], Fedorov [Fedorov, 72], Wynn
[Wynn, 70], sans oublier l’article pionnier et particulièrement pédagogique de Box et Lucas
[Box2, 59].
Une matrice optimale peut être obtenue à l’aide de deux type de constructions :
• Les constructions historiques, basées sur des règles algébriques,

• Les constructions algorithmiques.
Les constructions historiques répondent en générale à un problème se présentant dans un

domaine isotrope alors que les domaines anisotropes, comme c’est le cas dans cette étude,
nécessitent une recherche algorithmique de la matrice optimale du modèle.
3.6.1. Les constructions historiques
Ce type de construction revient à positionner au sein du domaine expérimental et parfois à

l’extérieur de ce dernier, des combinaisons particulières des modalités des facteurs, à partir de
règles algébriques ou géométriques, de manière à minimiser et uniformiser les incertitudes sur
les prédictions de la réponse à partir du modèle.
Ces plans sont ceux cités dans l’historique présent au début de ce chapitre à savoir pour
les plus connus :
• Les plans composites centrés de G.E.P. Box et K.B. Wilson [Box, 51] : la
construction des plans composites centrés consiste à rajouter des points en étoile à
partir d’un plan factoriel complet. L’éloignement des points en étoile par rapport au
centre du domaine ainsi que le nombre de répétitions au point central obéit à certains
critères algébriques.
• Les plans de Box et Behnken [Box, 60] : les matrices d’expériences associées à ces
plans ne font appel qu’à trois niveaux par facteur. Ceci est intéressant lorsque le
changement de niveau des facteurs est long et délicat.
129
• Les réseaux de Doehlert [Doehlert, 70] : les matrices d’expérience associées à ces
plans sont construites de manière séquentielle à partir d’un simplexe. Il est ainsi
possible de faire glisser le domaine expérimental dans l’espace des facteurs, en
récupérant un nombre important d’expériences déjà réalisées. En contrepartie, tous
les facteurs n’ont pas le même nombre de niveaux. Cette dissymétrie dans le nombre
de niveaux est à prendre en compte, en particulier lorsque le réglage des facteurs est
délicat.
On peut également citer les plans hybrides mis au point par [Roquemore, 76], les plans de
[Mozzo, 90] ou les plans de [Rechtschaffner, 67] pour le second degré.
Les critères majoritairement utilisés pour la construction de ces matrices sont l’isovariance
par rotation et le critère de précision uniforme. Nous allons maintenant préciser ces notions.
3.6.1.1. Notion d’isovariance par rotation
Le fascicule de documentation [FD X 06-080, 89] précise qu’un dispositif expérimental

présente des propriétés d’isovariance par rotation quand la fonction de variance ne dépend que
de la distance au centre du domaine expérimental. Ainsi aucune direction n’est privilégiée.
La construction des réseaux de Doehlert [Doehlert, 70] et des plans composites-centrés de

Box et Wilson [Box, 51] se base sur cette propriété.
Les niveaux des facteurs sont des valeurs particulières de variables aléatoires définies
pour chacun des traitements d’un plan d’expériences. Par voie de conséquence, les
estimateurs des différents coefficients du modèle mathématique choisi pour la description des
variations de la réponse dans le domaine expérimental sont également des valeurs
particulières de variables aléatoires. En effet, les estimateurs des coefficients sont obtenus à
partir des combinaisons linéaires appropriées des résultats d’essais. Les prévisions faites à
partir du modèle sont donc également des valeurs particulières d’une variable aléatoire. Pour
quantifier leur dispersion autour de leur tendance centrale, on utilise la relation (3.9) :
∧  [
Var  y (x0 ) = σ 2 t f (x0 )(t XX ) f ( x0 )
 
−1
] (3.9)
Dans cette expression :

σ² est la variance expérimentale,
f(x0) représente sous forme de vecteur la fonction du modèle pour chaque combinaison
des niveaux des facteurs notée x0
X est la matrice du modèle.
On définit ensuite la fonction de variance à partir de la relation (3.10) :
Var  y ( x0 )
∧
  = t f ( x )(t XX )−1 f (x ) (3.10)

d (ξ N , x0 ) = 2 0 0
σ
130
Dans [Louvet, 06], les auteurs démontrent que la condition d’isovariance par rotation est
satisfaite pour une valeur de la distance des points en étoile au point central α définie comme
étant :
2 (3.11)
k
α =4
Où k est le nombre de facteurs.
La condition d’isovariance par rotation s’exprime donc de manière simple ; elle est
indépendante du nombre n0 de répétitions au centre du domaine expérimental.
3.6.1.2. Notion de précision uniforme
Le fascicule [FD X 06-080, 89] stipule qu’un dispositif expérimental présente des
propriétés de précision uniforme si la fonction de variance est constante à l’intérieur d’une
sphère ayant le même centre que le domaine expérimental. Elle ne peut être obtenue que si
l’isovariance par rotation est déjà assurée.
Dans [Louvet, 06], les auteurs démontrent que la condition de précision uniforme est
satisfaite pour un nombre de répétitions n0 au centre du domaine définie comme :
n0 ≈ γ ( 2 + 2 ) − 2 − 2k
k
2
(3.12)
Avec k le nombre de facteurs pris en compte et :
γ=
(k + 3) + 9k 2 + 14k − 7
(3.13)
4(k + 2 )
Les plans dont la construction est basée sur ces critères couvrent un domaine expérimental
isotrope. En présence d’une ou plusieurs contraintes relationnelles entre différents facteurs,
c'est-à-dire dans le cas d’un domaine anisotrope comme cela est le cas dans notre application,
ces plans ne conviennent plus. En effet, certains points exigés par ces plans se trouvant en
dehors du domaine expérimental ne peuvent pas être réalisés. On a alors recours à la
construction algorithmique d’une matrice d’expériences optimale.
3.6.2. Les constructions algorithmiques
Les contraintes expérimentales ne permettent pas toujours d’être dans les conditions
idéales des plans d’expériences précédemment décrits. Par exemple, les réglages de l’appareil
ne permettent pas d’atteindre le niveau préconisé par la théorie ou des combinaisons de
niveaux peuvent se révéler dangereuses (réaction explosive pour les chimistes, concentrations
toxique pour les médecins,…). Dans cette situation, l’obtention d’un plan optimal passe par
une construction algorithmique.
La construction d’un plan optimal consiste à extraire du domaine expérimental un certain

nombre de combinaisons permettant de satisfaire différents critères algébriques [Atkinson, 92]
131
[Gauchi, 05]. Il existe aujourd’hui de nombreux critères d’optimalité. L’objectif ici n’est pas
de les lister de façon exhaustive mais plutôt de présenter les critères les plus utilisés ainsi que
leurs formules de calcul pour une application concrète. Pour une description plus détaillée, le
lecteur pourra de se rapporter à [Gauchi, 97].
3.6.2.1. Les critères d’optimalité
Pour quantifier l’optimalité d’une matrice d’expériences, différents critères algébriques

ont été créés [Silvey, 80] [Gauchi, 05]. Parmi les critères le plus fréquemment utilisés, on peut
citer les critères de D-Optimalité, A-Optimalité, et G-Optimalité. Selon les publications, ces
critères d’optimalité pourront être appelé critères d’efficacité.
On distingue majoritairement 3 classes de critère :
• Les critères pour l’estimation de paramètres et de leurs fonctions,

• Les critères dans l’espace des observations,
• Les critères d’erreur quadratique moyenne.
3.6.2.1.1. Les critères pour l’estimation de paramètres et de leurs fonctions
Critère de D-optimalité
Un plan d’expériences D-Optimal (D comme déterminant) à N expériences minimise le

déterminant de la matrice de variance ou de façon équivalente maximise le déterminant de la
matrice d’information (tXX), ce qui est numériquement plus léger.
Ainsi, plus le déterminant de la matrice d’information sera grand et plus la précision sur
les coefficients du modèle sera fine. En effet, un plan D-optimal minimise le carré du volume
de l’ellipsoïde de confiance des coefficients du modèle.
Il est possible de calculer la D-efficacité d’un plan d’expérience grâce à la formule définie
dans [Gauchi, 05] par :
1
 det ( t XX )  p
Deff = 100 ×   (3.14)
( )
 det X (π D ) X (π D ) 
t
Avec πD la matrice d’information d’un plan D-optimal à mesure continue. Cette efficacité
présente un grand intérêt dès lors que l’on est en mesure de calculer un plan D-optimal à
mesure continue. La notion de plan D-optimal à mesure continue est une idée majeure et
originale due à [Kiefer, 59]. Il considère le plan d’expériences comme une mesure de
probabilité continue sur un domaine expérimental compact, on parle alors de plan à mesure
continue.
132
Cependant, il n’est pas toujours possible de calculer cette matrice πD, pour calculer
l’efficacité D d’une matrice, on peut utiliser alors la formule donnée dans [Chomtee, 03]
utilisant la matrice des moments élevé à la puissance 1/p :
1
det ( XX )
p
t
(3.15)
Deff = 100 ×
N
Critère de A-optimalité
Ce critère cherche à minimiser la trace de la matrice de dispersion, c'est-à-dire la somme

des variances des coefficients. Minimiser la trace de la matrice de dispersion revient à
minimiser la somme des variances des estimateurs.
On peut calculer la A-efficacité (A comme « average optimal ») d’une matrice

d’expériences à l’aide de la relation fournie par [Chomtee, 03] :
p
Aeff = 100 × (3.16)
[
trace N ( t XX )
−1
]
Numériquement, le calcul d’un plan A-optimal est plus coûteux que celui d’un plan D-
optimal puisqu’il nécessite l’inversion de la matrice d’information afin d’obtenir la matrice de
dispersion. Enfin, un plan A-optimal dépend des unités des variables explicatives, ce qui est
un handicap supplémentaire à l’utilisation de ce critère [Gauchi, 97].
Critère de E-optimalité
Soit λ1,…,λp les valeurs propres de la matrice d’information. Les valeurs propres de la
matrice de dispersion sont 1/λ1,…,1/λp. Un plan E-optimal (E comme « eigen value ») à N
expériences vise à minimiser la valeur propre maximale de la matrice de dispersion. En
d’autres termes, un plan E-optimal minimise la longueur du plus grand axe de l’ellipsoïde de
confiance. Il est possible de suivre l’évolution de la E-optimalité pour des matrices du modèle
de taille différentes en calculant pour chacune :
[
E eff = min λ ( t XX ) ] (3.17)
Avec λ (t XX ) les valeurs propres de la matrice d’information.
D’après l’ouvrage de Galil et Kiefer [Galil, 77] la E-optimalité traduit l’étalement des
expériences au sein du domaine expérimental, ce qui s’approche aux réseaux uniformes,
contrairement à la D-optimalité.
La détermination d’un plan E-optimal est une tâche mathématiquement lourde puisqu’elle
nécessite le calcul répété des valeurs propres de la matrice de dispersion. Ceci peut être une
raison de sa faible utilisation.
133
Critère de MV-optimalité
Ce critère, proche du critère de E-optimalité, est un critère de type min-max qui vise à
minimiser la variance maximale des estimateurs.
Critère de Turing
Ce critère est dû à Sutton et McGregor [Sutton, 77]. Il traduit la sphéricité des régions de
confiance. Il s’écrit :
Tu eff =
1
p
{
trace (t XX ) −1
× trace (t XX )} (3.18)
Il vaut 1 si la région de confiance est une hypersphère, il est supérieur à 1 si la région est
ellipsoïdale. Plus la région de confiance est sphérique, plus l’homogénéité des variances des
estimateurs est grande.
3.6.2.1.2. Les critères dans l’espace des observations
Critère de G-efficacité
Le critère de G-efficacité ou G-optimalité (G comme « general variance ») ne travail pas

directement sur la variance des coefficients comme le font les critères de D et A-optimalité,
mais plutôt sur la minimisation du maximum de la fonction de variance des valeurs prédites
par le modèle dans l’ensemble du domaine expérimental, en assurant ainsi une précision
maximale sur les prévisions.
Lorsqu’une matrice d’expériences est G-optimale, le maximum de la fonction de variance

standardisée est égal à p, nombre d’inconnues associées à la forme générale du modèle.
On définit ainsi un critère, appelé G-efficacité, à partir de la relation suivante

[Louvet, 06] :
p
G − efficacité = (3.19)
max{d (ξ N , x0 )}
Avec
{
d (ξ N , x0 ) = N t f ( x0 )(t XX ) f ( x0 )
−1
} (3.20)
Il est alors aisé de comparer les matrices d’expériences proposées par un algorithme
d’échange en observant leur G-efficacité. C’est ce critère que nous utiliserons dans notre
étude.
134
3.6.2.1.3. Les critères d’erreur quadratique moyenne
Critère de J-optimalité
Le critère J également appelé IMSE pour « Integrated Mean Square Error » est connu en
français sous le nom de critère de « variance+biais ». Il a été proposé par Box et Draper dans
[Box1, 59]. On le trouvera largement explicité dans [Khuri, 87].
L’originalité de ce critère réside dans le fait qu’il prend en compte à la fois la variance de
la prédiction de la réponse et le biais induit sur les estimateurs du modèle postulé quand celui-
ci n’est pas forcement le modèle idéal. En général, le modèle idéal est un sur-modèle, c'est-à-
dire un modèle englobant le modèle postulé et qui contient des termes supplémentaires. On
cherche à se protéger contre ce sur-modèle en minimisant l’impact de l’omission des termes
supplémentaires sur la qualité des estimateurs obtenus avec le modèle postulé.
La formulation et la décomposition de ce critère se trouve dans [Gauchi, 97] et

[Gauchi, 05].
3.6.2.2. Algorithme d’échange
Il existe de nombreux algorithmes d’échanges. Ces différents algorithmes ne sont pas

utilisés dans les mêmes conditions et dépendent souvent de la nature du modèle recherché et
des facteurs utilisés. On citera par exemple dans le cas de la construction d’un plan D-optimal
discret, les algorithmes de [Fedorov, 72] et de [Mitchell, 74] et dans le cas d’une construction
d’un plan D-Optimal continu, l’algorithme proposé par [Torsney, 88] complété de la
proposition de [Pronzato, 04].
Cependant, à notre connaissance, tous les algorithmes d’échange rencontrés dans les
logiciels de plan d’expériences utilisent le critère de D-optimalité et cherche donc à
maximiser le déterminant de la matrice d’information. Ce choix est dû à l’efficacité de cet
outil et à la rapidité du calcul nécessaire. En effet, à chaque itération, s’il est très rapide de
calculer le déterminant d’une matrice, il est en revanche assez long de calculer par exemple la
fonction de variance (3.10) en chacun des points candidats nécessaire au calcul de la G-
efficacité ou les valeurs propre de la matrice d’information (E-efficacité). Nous nous
concentrerons donc par la suite sur les algorithmes d’échanges basés sur le principe de D-
optimalité.
La minimisation des temps de calculs autorise aujourd’hui de nombreuses simulations

numériques, facilitant la convergence vers un ensemble de matrices optimales. Il est alors
possible de calculer les critères d’optimalité tels que la A- ou la G-efficacité de ces matrices
D-optimales et de choisir la meilleure. En observant graphiquement les variations des
indicateurs algébriques en fonction du nombre d’essais, il est possible de choisir de manière
raisonnée la meilleure matrice d’expériences permettant de répondre au problème. C’est cette
démarche que nous avons appliquée.
135
3.6.2.2.1. Principe d’un algorithme d’échange
Pour converger vers une matrice optimale, il faut établir une matrice de départ. Les
logiciels de plans d’expériences utilisent généralement un générateur de nombres aléatoires,
pour extraire du domaine expérimental une première matrice d’expériences de taille N
donnée.
Le principe de l’algorithme d’échange consiste alors à chercher, parmi les traitements

restants dans le domaine expérimental, celui qui fera croître le plus le déterminant de la
matrice d’information. Pour conserver des stratégies expérimentales de même taille, il
convient de retirer ensuite de la matrice d’expériences, le traitement dont l’extraction fait
décroître le moins le déterminant de la matrice d’information. On réitère cette opération tant
que les échanges provoquent une hausse significative de la valeur du déterminant.
Lorsqu’on a atteint une solution, il est recommandé de recommencer la démarche à partir

d’une nouvelle matrice initiale, plusieurs matrices optimales de qualités voisines ou
identiques pouvant être générées au sein d’un même domaine expérimental. Les temps de
calculs étant de plus en plus courts, il ne faut pas hésiter à effectuer un grand nombre de
tirages aléatoires.
Lorsqu’on dispose d’une ou plusieurs matrices optimales de taille N, on reproduit la

démarche en faisant croître la taille du plan d’expériences. Les différentes matrices optimales
seront ensuite comparées à partir du déterminant normé de la matrice des moments, afin de
distinguer le meilleur rapport qualité/prix en matière de matrice d’expériences.
On peut se demander comment trouver très rapidement l’expérience à rajouter, pour faire
croître au maximum le déterminant de la matrice d’information. Pour répondre à cette
question, on utilisera la fonction de variance standardisée.
3.6.2.2.2. Utilisation de la fonction de variance standardisée
Les coefficients du modèle étant affectés d’une incertitude, il en va de même pour les
prévisions que l’on pourra faire à partir de ce modèle, pour toute combinaison des modalités
des facteurs, notée symboliquement x0. La variance de prévision de la réponse pour toute
combinaison du domaine expérimental donnée en (3.9) et rappelée ici s’écrit sous la forme :
∧  { }
Var  y ( x0 ) = σ 2 t f ( x0 )(t XX ) f ( x0 )
 
−1
(3.21)
Cette dernière se traduit sous forme du produit entre la variance expérimentale σ² et un

scalaire, obtenu par un produit matriciel faisant intervenir la matrice de dispersion (tXX)-1 et la
fonction du modèle pour la combinaison des modalités considérée f(x0). La matrice de
dispersion étant définie à partir d’une matrice d’expériences donnée, et pour une variance
expérimentale supposée constante au sein du domaine expérimental, la variance de prévision
de la réponse ne dépend que de la nature de la combinaison des modalités des facteurs.
Il est alors possible de détecter la combinaison pour laquelle la variance de prévision est la
plus grande et c’est naturellement cette combinaison que l’on va introduire comme expérience
complémentaire dans la matrice d’expériences.
136
Pour ce faire on défini la fonction de variance standardisée à partir de la relation (3.22) :
NVar  y ( x0 )
∧
d (ξ N , x0 ) = 
σ 2
{ 0 0}
 = N t f ( x )(t XX )−1 f ( x ) (3.22)
Cette fonction est calculée systématiquement pour chacune des combinaisons du domaine
expérimental non retenue dans une matrice d’expérience, afin d’identifier celle pour laquelle
cette fonction présente un maximum. Si plusieurs combinaisons présentent une valeur
maximale pour la fonction de variance standardisée, on en retient une au hasard, pour
l’introduire dans la matrice d’expériences.
Il existe un lien entre le déterminant de la matrice d’information de taille N et le

déterminant de la matrice d’information de taille (N+1), provenant du rajout d’une
expérience :
 d (ξ N , x0 )
det (t X N +1 X N +1 ) = det (t X N X N )1 +  (3.23)
 N
3.6.2.3. Notion de points leviers
Avant de passer à la phase d’expérimentation et à la réalisation des essais, il est important

de vérifier l’absence de point levier parmi les traitements du plan d’expériences mis en place.
Par définition les points leviers sont des points du design qui déterminent très fortement le
modèle [Johnstone, 98], [Toutenburg, 02]. Pour identifier un point levier, il faut calculer les
termes diagonaux de la matrice H définie par :
H = X (X t X ) X t
−1
(3.24)
La matrice H est donc une matrice NxN dans laquelle chacun des termes diagonaux Hii est
associé au ième traitement du plan d’expériences. La trace de la matrice H est égale à p donc la
valeur moyenne des Hii est p/N. En pratique, un tracé de Hii est effectué et l’on cherche les
points leviers dont le Hii est supérieur à 3p/N ou 2 p/N ou alors qui semblent très différents
des autres.
En présence d’un ou plusieurs points leviers, il est possible de choisir un autre plan
d’expériences ne présentant pas de points leviers ou de réaliser les essais en portant une
attention particulière à la valeur de la réponse en ce(s) point(s).
Cette phase se déroule de la même façon que lors d’une étude des effets des facteurs. Les
recommandations sont donc les mêmes que celles établies dans le second chapitre.
Avant l’expérimentation, il convient de préparer pour chacun des essais, une fiche
indiquant les modalités des facteurs à respecter. De plus, il est préférable d’effectuer une
randomisation des essais si cela est possible. Cette randomisation permet de limiter
137
l’éventuelle influence perturbatrice de facteurs non contrôlés. Cependant cette randomisation

n’est parfois pas possible à cause des difficultés engendrées par la modification des modalités
des facteurs.

Avant de mettre en œuvre des outils mathématiques pour estimer les p inconnues du
modèle et réaliser la surface de réponse correspondante, il est important de porter un jugement
global sur l’ensemble des résultats d’essais.
L’analyse globale des résultats d’essais permet notamment :
• D’apprécier la variation des réponses observées au cours du plan d’expériences ;

s’assurer d’un écart significatif entre les valeurs minimales et maximales de la
réponse observée.
• De détecter des valeurs suspectes et procéder à une reproduction d’expériences le
cas échéant.
• De repérer une combinaison des modalités des facteurs dont les résultats peuvent se
révéler industriellement intéressants.

L’analyse mathématique consiste à estimer, grâce à la méthode des moindres carrés, les p
coefficients du modèle et les N résidus, à savoir les écarts entre les valeurs observées et les
valeurs prévues par le modèle pour chacun des N traitements du plan d’expériences. La
méthode des moindres carrés garantit une estimation non-biaisée des coefficients du modèle.
3.9.1. Calcul des coefficients du modèle additif
Le plan d’expériences peut se retranscrire sous la forme :
{Y } = ( X ){Coefficients}+ {E} (3.25)
Avec :
(Y) le vecteur des résultats d’essais,
(X) la matrice du modèle,
(Coefficients) le vecteur des estimations des coefficients.
(E) la matrice d’erreur.
La matrice (X) n’étant pas souvent une matrice carrée, nous avons recourt pour résoudre
ce problème à l’écriture matricielle de la méthode des moindres carrés [Dodge, 99] [Goupy,
06] présentée dans le chapitre précédent et rappelée ici, dont l’équation est :
{Coefficients} = (t XX )−1 (t X ){Y } (3.26)
Cette équation fait appel au calcul de la pseudo inverse de la matrice du modèle (X). La
matrice (X) étant de rang plein en colonnes (le nombre de colonnes indépendantes est
138
inférieur au nombre de lignes), cette pseudo inverse se calcule à partir de la relation (3.27)
[Rotella, 95] :
(X ) = ( XX ) ( X )
+ t −1 t
(3,27)
3.9.2. Calcul des résidus
Connaissant une estimation des coefficients du modèle, il est possible d’utiliser ce dernier
afin de prévoir la réponse pour chacun des traitements du plan d’expériences. Il suffit pour
cela d’utiliser le produit scalaire entre le vecteur des estimations des coefficients et le vecteur
représentant la fonction du modèle, pour une combinaison donnée, x0, des modalités des
facteurs [Draper, 81] :
∧
y ( x0 )= t f (x0 ){Coefficients} (3.28)
Pour une combinaison donnée, x0, du plan d’expériences, le résidu ei est défini à partir de
la relation (3.29) :
∧
ei = y(x0 ) − y(x0 ) (3.29)
La méthode des moindres carrés utilisée pour calculer les coefficients des modèles repose
en partie sur l’hypothèse de normalité des résidus, il sera donc nécessaire lors de l’analyse
statistique des résultats de vérifier cette normalité comme nous le verrons au paragraphe
3.10.3.

L’équation du modèle empirique n’est qu’une approximation de la réalité. L’estimation
des coefficients du modèle polynomial du second degré s’appuie sur des résultats d’essais qui
sont, pour chacun des traitements du plan d’expérience, des valeurs particulières d’une
variable aléatoire.
La mise en œuvre de tests statistiques doit permettre de porter un jugement sur les
résultats obtenus à savoir :
• Un modèle décrivant la variation de la réponse dans le domaine expérimental.

• Des estimations des coefficients associés aux différents monômes du modèle.
• Des résidus traduisant les écarts entre les valeurs mesurées et les valeurs calculées.
3.10.1. L’analyse du modèle dans sa globalité
Cette première étape de l’analyse statistique aboutit à la construction du tableau d’analyse

de régression et à la détermination de la qualité descriptive du modèle [Eriksson, 00],
[Droesbeke, 97].
139
L’analyse de régression consiste à expliquer la variation totale de la réponse à partir de la

somme des carrés des écarts entre les résultats d’essais et leur moyenne :
N
SCT = ∑ yi − y ( ) 2
(3.30)
i =1
Cette quantité est indépendante du modèle postulé. On décompose ensuite cette somme de
carrés en une somme de deux termes SCM et SCE.
Le premier terme traduit la variation des réponses calculées autour de leur moyenne, soit
encore :
N 2
SCM = ∑  y i − y 
∧
(3.31)
i =1  
On rappelle que l’application de la méthode des moindres carrés utilisée pour la
détermination des coefficients du modèle, induit la relation (3.32) :
1 N
1 N ∧
y=
N
∑y
i =1
i
=
N
∑y
i =1
i (3.32)
Le second terme traduit la somme des carrés des résidus, dont on sait qu’elle est minimale
grâce à l’utilisation de la méthode des moindres carrés :
N 2
SCE = ∑  yi − y i 
∧
(3.33)
i =1  
On vérifie immédiatement la relation suivante, encore appelée équation d’analyse de

variance ou équation d’analyse de régression :
SCT=SCM+SCE (3.34)
L’analyse statistique du modèle dans sa globalité se poursuit par la construction d’un test
statistique, visant à affecter une probabilité à l’hypothèse nulle (H0) qui dit que le modèle ne
permet pas de décrire la variation des résultats d’essais.
Il s’agit du test de comparaison du rapport de deux variances à une valeur donnée

[NF X 06-063, 87]. On définit pour cela la statistique, notée Fobs à partir de la relation (3.35) :
SCM
p −1
Fobs = (3.35)
SCE
N−p
Les quantités (p-1) et (N-P) correspondent respectivement au nombre de degrés de liberté

affectés à la somme des carrés associée au modèle (SCM) et à la somme des carrés associés
aux résidus (SCE). Le rapport Fobs exprime donc le rapport entre 2 variances. Pour le ième
traitement du plan d’expériences, la valeur observée yi du résultat d’essai représente une
140
valeur particulière de la variable aléatoire caractérisant la réponse pour ce traitement. Par voie
de conséquence, la statistique Fobs est elle-même une variable aléatoire dont les valeurs
suivent une fonction de répartition théorique, appelée loi de F ou loi de Snedecor.
On utilise cette loi pour savoir à partir de quelle valeur particulière, appelée valeur
critique, le numérateur de la quantité Fobs est significativement supérieur au dénominateur.
On peut également à partir de cette même fonction de répartition affecter une probabilité
P de rejeter à tort l’hypothèse nulle (H0) énoncée ci-dessus. En comparant cette probabilité au
seuil de significativité choisi on peut conclure quant à la véracité de l’hypothèse (H0).
Un tableau d’analyse de régression, tel que celui présenté en table 1, permet de regrouper
les différentes étapes permettant d’aboutir au calcul de cette probabilité.
Source Somme des carrés Degrés de liberté Carré moyen Fobs Probabilité
Modèle SCM p-1 SCM/(p-1)
Fobs P
Résidus SCE N-p SCE/(N-p)
Total SCT N
Table 1 Tableau d’analyse de régression
Dans le chapitre II, nous avons vu comment calculer la qualité descriptive d’un modèle à
partir du coefficient de régression ajusté :
SCE
2 N−p
Rajusté = 1 − SCT (3.36)
N −1
Plus la valeur du coefficient de régression est proche de 1 et plus la qualité descriptive du

modèle est satisfaisante.
Il est également possible de traduire la qualité prédictive d’un modèle à partir du

coefficient de corrélation prédictif Q² calculé grâce à la formule (3.37) [Chin, 98] :
PRESS
Q2 = 1− (3.37)
SCT
Dans lequel :
N
yi − yˆ i
PRESS = ∑ (3.38)
i =1 1 − hii
Avec :
yi la réponse mesurée au point i,
ŷi la réponse calculée par le modèle au point i,
hii le ième terme diagonal de la matrice H définie comme :
141
H = X (X t X ) X t
−1
(3.39)
Les valeurs de hii sont donc les valeurs de la fonction de variance au point i.
On conçoit qu’un modèle sera d’autant plus prédictif que l’erreur de prédiction sera faible
pour chacun des traitements expérimentaux du plan. Dans la relation (3.38), PRESS est
l’acronyme de la locution anglaise PRediction Error Sum of Square. Plus la valeur de PRESS
est faible, plus le modèle est prédictif.
3.10.2. Analyse statistiques des coefficients du modèle
Une autre étape de l’analyse statistique du modèle concerne l’analyse statistique des
coefficients basée sur l’hypothèse nulle (H0) qui affirme que le coefficients ai associé à
l’élément Xi du modèle (constante, facteur, terme quadratique ou interaction) est nul. La
probabilité associée à cette hypothèse est obtenue à partir du test statistique de comparaison à
la valeur 0.
Pour cela, on établit pour chaque coefficient la statistique, notée tobs, à partir de la relation
(3.40) :
ai − 0 a
tobs = = i (3.40)
s (ai ) s (ai )
La valeur de l’estimateur ai est une valeur particulière d’une variable aléatoire qui dépend
en effet directement des résultats d’essais et du modèle postulé. L’incertitude associée à sa
détermination est définie par le dénominateur s(ai) qui traduit l’erreur-type, à savoir l’écart-
type d’un estimateur.
L’erreur-type est définie à partir de la relation (3.41) :
s (ai ) = var (ai ) = ciiσ 2 (3.41)
Le coefficient de variance cii correspond au terme diagonal de rang i de la matrice de

dispersion notée (tXX)-1 dans la méthode des moindres carrés. La variance expérimentale est
notée σ² dans l’expression de l’erreur-type.
Lorsque la variance expérimentale est difficilement calculable ainsi que dans les logiciels,
on adopte comme estimation de la variance expérimentale, la variance résiduelle définie à
partir de la relation générale :
N 2
 y − y∧ 
SCE ∑
 i i
(3.42)
σ r = νE = N − p 
i =1 
2
Le tableau d’analyse de régression permet d’effectuer rapidement une estimation de

l’écart-type résiduel, qui s’écrit :
142
s r
= σ r2 (3.43)
La statistique tobs peut alors être exprimée sous la forme :
ai
tobs = (3.44)
sr cii
Cette statistique est une variable aléatoire dont les valeurs suivent une fonction de
répartition théorique, appelée loi de t ou encore loi de Student. On utilise cette fonction de
répartition pour savoir à partir de quelle valeur particulière, appelée valeur critique, le
numérateur de la quantité tobs est significativement différent de 0 pour une probabilité α.
tcritique = t(1−α ;ν ) (3.45)

2 E
On peut également, à partir de cette même fonction de répartition, affecter une probabilité
de rejeter à tort l’hypothèse nulle (H0).
Les résultats de l’analyse des coefficients sont généralement regroupés dans un tableau.
Facteur Coefficients Erreur-type tobs Probabilité

ai
Xi ai s(ai) tobs = P
sr cii
Table 2 Tableau d’analyse statistique des coefficients
En comparant la probabilité associée à chaque coefficient, il est possible de conclure

quant à la pertinence de la présence de ces coefficients dans le modèle. Il est alors intéressant
d’observer l’influence de la suppression de ces éléments sur les coefficients R²ajusté et Q².
3.10.3. Analyse statistique des résidus
L’analyse des résidus ei complète l’analyse statistique du modèle et l’analyse statistique

des coefficients. Bien que les écarts entre les valeurs observées et les valeurs calculées par le
modèle aient été minimisés par le choix de la méthode des moindres carrés, il faut s’assurer
que localement, les résidus ne soient pas anormalement importants [Draper, 81].
La normalité de la distribution des résidus est une hypothèse importante de la méthode des
moindres carrés. Compte tenu du nombre N d’essais on utilise généralement la méthode
graphique de la droite d’Henry.
On détermine tout d’abord le rang r des résidus, ces derniers étant ordonnés de manière
non décroissante. On affecte ensuite à chacun des résidus une fréquence dont la définition
respecte la relation (3.46) :
r−3 8
P= (3.46)
N −1 4
143
L’application de l’inverse noté F-1 de la fonction de répartition de la loi normale centrée

réduite, permet d’obtenir enfin les ordonnées correspondantes du graphique de Henry ; il
s’agit des fractiles de la loi normale réduite F-1(P).
Si le nuage de point est approximativement aligné le long d’une droite, on conclu que les
résidus sont normalement distribués. Seules des causes aléatoires sont alors à l’origine de la
dispersion des résidus autour de leur moyenne.
Les tests de normalité classique comme celui d’Anderson-Darling [Anderson, 52], ou de

Shapiro-Wilk [Shapiro, 65] peuvent également être utilisés à cette étape. Le test proposé par
T.W. Anderson et D.A. Darling en 1952 par exemple calcule une probabilité P de rejeter à
tord l’hypothèse H0 qui stipule que la population testée suit une loi normale.

Différents graphiques sont disponibles pour restituer de manière interprétable l’équation
du modèle empirique. Dans le contexte des plans d’expériences pour l’étude des surfaces de
réponse, cette restitution s’effectue essentiellement sous deux formes de surfaces de réponse
et de courbes iso-réponse.
Toutefois, avant de se livrer à la représentation de la surface de réponse et des courbes iso-

réponses, il est important de porter un jugement sur la qualité descriptive du modèle
empirique ; la construction d’un graphe d’adéquation permet d’atteindre cet objectif.
3.11.1. Graphe d’adéquation du modèle
La construction du graphe d’adéquation du modèle repose sur un nuage de points qui

matérialise en abscisse la variation de la réponse mesurée et en ordonnée la variation de la
réponse calculée à partir du modèle obtenu.
La représentation de la première bissectrice permet de porter visuellement un jugement

sur l’alignement des points plus le nuage est proche de cette première bissectrice, plus le
modèle décrit convenablement la variation des résultats d’essais. La construction d’un
graphique d’adéquation permet donc une représentation graphique de la qualité descriptive
R²ajusté du modèle.
3.11.2. Surfaces de réponse
La surface de réponse, comme celle présentée en figure 3, matérialise la surface de

régression à partir d’un graphique dans un espace à trois dimensions. Le plan horizontal de la
figure matérialise le domaine de variation de 2 facteurs ; l’axe vertical matérialise la variation
de la réponse à partir du modèle.
Au-delà de 2 facteurs, il est nécessaire de maintenir à un niveau constant les facteurs dont
les variations ne sont pas décrites dans le plan horizontal.
144
Fig 3. Exemple de surface de réponse
3.11.3. Courbes iso-réponse
Les courbes iso-réponses, comme celle présenté en figure 4, constituent une projection de
la surface de réponse dans le plan horizontal. Elles s’interprètent comme les courbes de
niveaux, dessinées sur une carte topographique. Tout comme pour les surfaces de réponse,
cette représentation ne fait intervenir que 2 facteurs à la fois, les autres devant être fixés à un
niveau constant.
Fig 4. Exemple de courbes iso-réponse

La validation du modèle est primordiale afin de capitaliser, par la suite, les résultats et les
conclusions du plan d’expériences.
La mise en œuvre de la démarche conduit à effectuer deux hypothèses qu’il convient

maintenant de vérifier :
145
• La première hypothèse porte sur le recours à un modèle empirique dont

l’interprétation doit permettre à l’utilisateur d’apporter des éléments de réponse aux
questions posés.
• La deuxième hypothèse porte sur l’écriture particulière du modèle mathématique
sous forme polynomiale.
Une validation expérimentale des hypothèses doit toujours venir compléter et enrichir une
analyse mathématique et statistique du modèle. Cette validation passe par la définition de
nouveaux traitements expérimentaux. Ces derniers contribueront à conforter l’interprétation
industrielle des premiers résultats. C’est cette validation expérimentale qui permettra de
vérifier les deux hypothèses exposées précédemment en comparant les réponses mesurées par
l’expérimentation à celles fournies par le modèle.
On défini un intervalle de confiance autour des prédictions :
(
CI = hi × S r × t 1 − α ; DFr
2
) (3.47)
Dans lequel :
hi est la valeur de la variance prédictive au point considéré dont le calcul est donné en
(3.10),
Sr est l’estimation de la variance expérimentale, lorsque celle-ci n’est pas calculable,
donnée en (3.43),
t(1-α/2 ; DFr) est la valeur du t de Student pour une valeur de seuil de 1-α/2 et le degré
de liberté du résidu.
Le modèle sera validé si les réponses mesurées pour les expériences de validation sont
comprises dans l’intervalle de tolérance prédit par le modèle au point considéré.
4. Application de la méthode de surface de réponse
L’application des techniques de criblage effectuée dans le second chapitre a permis

d’identifier les facteurs ayant une influence statistiquement significative sur la surtension et la
vitesse de commutation. Cette limitation du nombre de facteur à considérer a pour
conséquence directe la réduction du nombre de coefficients à déterminer dans les modèles et,
par le fait, le nombre d’expériences à réaliser. Ces modélisations de la surtension et de la
vitesse de commutation au blocage des modules IGBT en fonction des facteurs identifiés au
cours du second chapitre vont maintenant vous être présentées.
Nous allons pour cela reprendre les différentes étapes de la méthode des plans
d’expériences pour l’étude de surface de réponse présentées dans le paragraphe 3 et les mettre
en pratique dans le cas de notre application industrielle.
4.1. Définition des objectifs et des réponses

Comme nous l’avons précisé au cours du premier chapitre, nous cherchons à travers ce
travail à améliorer la connaissance du comportement d’un module IGBT utilisé en traction
ferroviaire. Pour cela, l’objectif visé est la mise en place de modèles polynomiaux traduisant
la surtension et la vitesse de commutation du module IGBT.
146
La figure 5 rappelle ces deux performances mesurées lors du blocage de ces modules.
Fig 5. Blocage du module IGBT
Nous cherchons, à travers cette étude, à établir une cartographie des variations de ces deux
performances dynamiques en fonction de paramètres liés aux conditions de fonctionnement,
identifiées dans le second chapitre et rappelées dans le paragraphe 4.3.

Nous avons vu dans le paragraphe 3.2 qu’un optimum peut être atteint par une méthode
directe comme la technique du simplexe ou indirecte comme la définition d’un modèle.
Dans cette étude, l’objectif n’est pas tant d’atteindre un réglage optimum des facteurs
considérés que de traduire les réponses pour chacune des combinaisons de facteurs qu’il est
possible de rencontrer en application.
Nous supposerons donc un modèle a priori dont le nombre d’inconnues dépendra du

nombre de facteurs pris en considération.

Les deux études de criblage présentées au chapitre II ont permis d’identifier 6 facteurs
ayant une influence statistiquement significative sur l’une et/ou l’autre des réponses
observées. Ces facteurs sont résumés dans le schéma électrique de la figure 6 :
Fig 6. Schéma électrique du montage expérimental
147
Ces 6 facteurs sont :
• 3 facteurs liés aux conditions de fonctionnement :

o La tension commutée U,
o Le courant commuté I,
o La température de fonctionnement T°C.
• 3 facteurs liés aux paramètres de conception :
o L’inductance de boucle Lcom due à la connectique entre la capacité et le
module IGBT,
o La résistance Rgoff présente sur l’allumeur.
o Le temps ton pendant lequel l’IGBT est passant avant son second blocage.
La modélisation de la surtension et de la vitesse de commutation du module IGBT sera

donc effectuée en fonction de ces 6 facteurs.

Nous avons vu au paragraphe 3.5 que le modèle recherché lorsqu’on utilise la méthode
des plans d’expériences pour l’étude de surface de réponse est un polynôme du second degré
et que, par conséquent, chacun des facteurs doit être doté d’au moins 3 modalités.
Les bornes utilisées pour chacun des facteurs sont identiques à celles utilisées lors des
études de criblage du chapitre II. Ces bornes sont rappelées dans la table 3 :
Facteurs Min Max
U (V) 500 2400
I (A) 600 2400
T (°C) -40 125
Lcom (nH) 60 200
Rgoff (Ω) 3,7 6,8
ton (µs) 10 100
Table 3 Bornes des facteurs utilisés pour la surface de réponse
Les facteurs température, inductance de boucle et résistance de grille sont difficilement

modifiables, nous n’avons donc utilisé que 3 modalités pour chacun de ces facteurs ce qui
correspond au nombre minimal de modalité pour un modèle du second degré. Les niveaux
choisis sont alors les valeurs extrêmes et une valeur centrale pour ces trois facteurs. En
revanche, la tension, le courant et le temps de commutation sont des facteurs facilement
modifiables, le maillage peut donc être plus fin sur ces facteurs.
Pour éviter la casse du module IGBT lors des tests de commutation, il est nécessaire de
contraindre le domaine expérimental. La mise en place de ces contraintes vise à limiter la
tension maximale que voit l’IGBT lors de la commutation, c'est-à-dire la surtension.
L’objectif n’étant pas ici de tester les limites de fonctionnement de l’IGBT, nous avons choisi
de fixer cette valeur maximale à 3,1 kV, le calibre de nos modules étant de 3,3 kV soit une
marge de sécurité de 200 V. Cette marge permettra de compenser les dispersions présentes
entre les différents modules et de s’assurer qu’aucun module ne cassera pendant les essais.
Une casse lors d’un essai et donc l’absence de mesure en un point du plan d’expériences
aurait des conséquences néfastes sur l’analyse des résultats et la détermination des modèles.
148
La modification de la température étant contraignante et n’ayant pas un effet très

important sur la surtension comme nous l’avons observé dans le second chapitre, les niveaux
de contraintes ont été identifiés à 25°C. La marge de sécurité permettra de prendre en
considération ce choix et d’assurer le bon fonctionnement des modules quelle que soit la
température.
Les limites du domaine ont alors été fixées en identifiant d’une part la valeur maximale de
tension admissible lorsque le courant est à sa valeur maximale (2400 A) dans chacune des
configurations Lcom/Rgoff/ton puis d’autre part, la valeur maximale de courant admissible
dans ces mêmes conditions lorsque la tension est à sa valeur maximale (2400V).
La table 4 présente les résultats obtenus et donc les limites du domaine expérimental au
niveau des tensions et courants commutés :
Lcom (nH) Rgoff (Ω) ton (µs) I si U=2400V U si I=2400A

10 600 A 1300 V
3,7 55 900 A 1700 V
100 1000 A 1800 V
10 600 A 1400 V
200 5,2 55 900 A 1700 V
100 900 A 1800 V
10 600 A 1500 V
6,8 55 1100 A 1700 V
100 1100 A 1800 V
10 900 A 1800 V
3,7 55 1400 A 2100 V
100 1400 A 2200 V
10 800 A 1900 V
120 5,2 55 1000 A 2000 V
100 1200 A 2000 V
10 1000 A 1900 V
6,8 55 1300 A 2000 V
100 1500 A 2000 V
10 1400 A 2000 V
3,7 55 2400 A 2400 V
100 2400 A 2400 V
10 1700 A 2100 V
60 5,2 55 2400 A 2400 V
100 2400 A 2400 V
10 2000 A 2200 V
6,8 55 2400 A 2400 V
100 2400 A 2400 V
Table 4 Niveaux maximaux de tension et courant dans le domaine expérimental
L’objectif de l’identification de ces seuils critiques est d’éviter la casse du composant

durant l’expérimentation. Le but n’étant pas d’atteindre la valeur exacte de 3100 V, le pas de
tension et de courant a été fixé à 100 V et 100 A, ce qui explique que les valeur fournies dans
la table 4 soit des multiples de 100 et non les valeurs exactes permettant d’atteindre 3100 V de
surtension au moment du blocage du module IGBT.
149
On résume les modalités des différents facteurs dans la table 5 :
Facteurs Modalités
Tension U Maillage fin respectant les contraintes à partir de 500 V.
Courant I Maillage fin respectant les contraintes à partir de 600 A.
Température T -40°C ; 42°C ; 125°C.
Inductance Lcom 60nH ; 120nH ; 200nH.
Résistance Rgoff 3,7Ω ; 4,2Ω ; 6,8Ω.
Temps ton Maillage fin entre 10µs et 100µs.
Table 5 Modalités utilisées dans le domaine expérimental
Après intégration des contraintes, le domaine expérimental se trouve constitué de 1311

points candidats. La construction de la matrice du modèle consistera donc à choisir parmi ces
1311 points, ceux permettant de déterminer la valeur des coefficients des modèles avec la plus
grande précision.

Nous avons vu dans le paragraphe 3.5 que le modèle recherché en appliquant la méthode
des plans d’expériences pour l’étude de surface de réponse est du second degré. N’étant pas
dans le cas d’une étude de mélange, les modèles recherchés sont des modèles polynomiaux
tels que ceux définis par l’équation (3.4) du paragraphe 3.5 et rappelés ici :
k k k −1 k
i =1 i =1 i =1 j =i +1
Les deux études de criblage présentées dans le second chapitre ont permis d’identifier 6
facteurs ayant une influence statistiquement significative sur les réponses observées. Dans ce
contexte il est aisé de calculer le nombre de coefficients à identifier dans chacun des modèles
à partir de la formule (3.5) rappelée ici :
( k + 1)( k + 2)
p= (3.49)
2
L’application de cette formule lorsque k=6 facteurs donne un total de 28 coefficients à

déterminer.
Le plan d’expériences devra donc être constitué d’au minimum 28 expériences. Il s’agit
alors d’identifier parmi les 1311 points candidats, les 28 traitements permettant d’obtenir la
meilleure matrice possible puis d’augmenter sa taille afin d’observer si la qualité de la matrice
ainsi obtenue justifie le surcoût engendré par l’ajout d’un traitement supplémentaire. Ce
travail constitue l’étape de construction du plan d’expériences.

Le domaine expérimental étant fortement contraint, le choix s’est porté sur une
construction algorithmique de la matrice d’expériences et l’utilisation d’un algorithme
d’échange.
150
4.6.1. Utilisation du K-algorithme de MODDE
Une construction algorithmique d’une matrice d’expérience nécessite un logiciel adapté.

Le logiciel que nous utilisons est le logiciel MODDE, pour MOdeling DEsign, distribué par
Umetrix. L’algorithme d’échange utilisé par MODDE est le K-algorithme de Johnson et
Nachtsheim [Johnson, 83] implémenté d’une modiffication Bayesienne telle que décrit par
[Dumouchel, 94]. Il s’agit d’un compromis entre l’algorithme de Wynn [Wynn, 70] où K=1 et
celui de Fedorov [Fedorov, 72] dans lequel K=N. Dans l’algorithme utilisé par MODDE K=3.
À chaque itération l’algorithme identifie les 3 points du design possédant la plus petite
variance prédictive et les remplace par des points du domaine expérimental choisis
aléatoirement. Si un, ou plusieurs, de ces échanges fait croître le déterminant de la matrice
d’information (XtX) de façon significative, le ou les points sont échangés. Cet algorithme se
base donc sur le critère de D-optimalité.
Malgré l’utilisation d’un algorithme d’échange basé sur la D-optimalité, nous avons choisi
pour cette étude d’utiliser le critère de G-efficacité. Les modèles obtenus étant utilisés dans un
but de prédiction dans l’ensemble du domaine expérimental, il est important de garantir une
incertitude minimale dans l’ensemble du domaine, ce sur quoi traite la G-efficacité. En effet
contrairement à d’autres critères plus fréquemment utilisés comme la D- ou la A-efficacité qui
se concentre sur la précision des coefficients, la G-efficacité va plus loin en proposant de
traiter l’ensemble du domaine expérimental.
Pour un nombre N défini, le logiciel MODDE permet de réaliser 200 tirages aléatoires
dans le domaine expérimental et l’algorithme d’échange fait converger chacun de ces tirages
vers un optimum local. Il est alors possible de classer les 200 matrices résultantes en fonction
de leur G-efficacité.
Pour augmenter la chance de trouver parmi ces optimums locaux l’optimum global, ces
200 tirages sont répétés plusieurs fois et la meilleure matrice est retenue. De plus, un lien
existe entre G- et D-optimalité. Il y a même équivalence entre G- et D-optimalité continues
[Gauchi, 05]. Cette similitude se base sur le théorème d’équivalence générale de [Kiefer, 60].
Nous pouvons donc dire que si une matrice D-optimale n’est pas toujours G-optimale, elle
possède, malgré tout, une bonne G-efficacité.
Le but de cet algorithme est d’identifier les N expérimentations parmi les 1311 points
candidats qui donnent les meilleurs résultats en terme d’efficacité. Le nombre de coefficients
p à déterminer étant de 28, le nombre N d’expérimentations, constituant la matrice
d’expériences, doit être au moins 28. Pour des raisons matérielles, la taille maximale de la
matrice X a été limitée à 50 expériences.
L’évolution de la G-efficacité en fonction de la taille N de la matrice d’expérience est

donnée par la figure 7 :
151
80
75
70
G-efficacité s
65
60
55
50
45
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
N
Fig 7. Evolution de la G-efficacité en fonction de la taille N de la matrice d’expériences
L’analyse de l’évolution de la G-efficacité permet d’identifier un premier plan optimal

intéressant en 37 expériences, il faudrait atteindre 46 traitements pour retrouver un niveau
identique d’efficacité.
On constate donc que rien ne sert d’accroître la taille de la matrice d’expériences

puisqu’on ne minimise pas pour autant la variance de prédiction sur la réponse, au moins
localement dans le domaine expérimental. Il est vrai qu’à partir de 47 expérimentations, la G-
efficacité de la matrice obtenue est supérieur à celle calculée pour 37 traitement, cependant il
faut réaliser 10 expériences supplémentaires.
L’augmentation de G-efficacité obtenue pour 47 expériences et plus ne justifiant pas les

moyens à mettre en œuvre pour réaliser les expériences supplémentaires, nous retiendrons
dans cette étude un plan optimal défini à partir de 37 combinaisons particulières de modalités
des facteurs. Cette matrice nous assure un niveau maximal d’incertitude de prédiction dans le
domaine expérimental le plus petit possible.
Comme nous le voyons sur les figures 8 et 9, cette matrice satisfait également le critère de
D-optimalité. En revanche, la matrice du modèle n’est pas A-optimal, la somme des erreurs
sur les coefficients n’est donc pas minimale ce qui ne l’empêche pas de garantir une précision
maximale sur ses prévisions (G-optimalité).
152
50
49
48
D-efficacité s
47
46
45
44
43
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
N
Fig 8. Evolution de la D-efficacité en fonction de la taille N de la matrice d’expériences
26
25
24
A-efficacité s
23
22
21
20
19
18
17
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
N
Fig 9. Evolution de la A-efficacité en fonction de la taille N de la matrice d’expériences
La matrice d’expériences optimale constituée de ces 37 expériences obtenues grâce au K-

algorithme d’échange présent dans MODDE est donnée dans la table 6 :
153
Point U (V) I (A) T (°C) Lcom (nH) Rgoff (Ω) ton (µs)
1 2400 600 -40 200 3,7 10
2 500 2400 -40 200 3,7 10
3 1800 2400 -40 200 3,7 100
4 500 600 -40 200 6,8 10
5 2400 1100 -40 200 6,8 55
6 500 2400 -40 200 6,8 100
7 1500 600 -40 200 5,2 100
8 1900 2400 -40 120 5,2 10
9 500 1500 -40 120 3,7 100
10 500 600 -40 60 6,8 100
11 2400 600 -40 60 6,8 10
12 500 2400 -40 60 6,8 10
13 2400 2400 -40 60 6,8 100
14 500 600 -40 60 3,7 10
15 1500 2400 -40 60 3,7 55
16 2400 600 -40 60 3,7 100
17 2400 1400 42 60 3,7 10
18 500 2400 42 60 5,2 100
19 2400 600 42 120 6,8 100
20 1500 2400 42 200 6,8 10
21 500 600 42 200 3,7 55
22 500 600 125 60 3,7 100
23 500 2400 125 60 3,7 10
24 2400 2400 125 60 3,7 100
25 2400 600 125 60 5,2 55
26 500 600 125 60 6,8 10
27 1500 1500 125 60 6,8 100
28 2200 2400 125 60 6,8 10
29 500 2400 125 120 6,8 55
30 1500 600 125 120 3,7 10
31 500 2400 125 200 3,7 100
32 2400 600 125 200 3,7 100
33 1700 2400 125 200 3,7 55
34 500 1500 125 200 5,2 10
35 500 600 125 200 6,8 100
36 2400 600 125 200 6,8 10
37 1800 2400 125 200 6,8 100
Table 6 Matrice d’expériences G-Optimale
Cette matrice nous assure un intervalle de tolérance optimal autour des prédictions
effectuées à partir des modèles qui en résulteront. En effet le critère de G-efficacité retenu
permet de minimiser la valeur maximale prise par cet intervalle dans le domaine
expérimental.
On remarque que cette matrice d’expériences est composée de points situés pour la plupart
sur l’extérieur du domaine, c'est-à-dire aux valeurs extrêmes des niveaux des facteurs et de
quelques points utilisant les valeurs centrales des niveaux des facteurs (120 nH, 55 µs,
4,2 Ω,…). Ceci rappele les formes géométriques utilisées dans les constructions historiques
citées au paragraphe 3.6.1. Les réseaux de Doehlert [Doehlert, 70] par exemple cherchent à
couvrir le domaine expérimental de plus uniformément possible et se rapproche alors d’une
figure géométrique en étoile.
154
Avant de réaliser les 37 expériences de cette matrice G-optimale dans de bonnes

conditions il est nécessaire de s’assurer de l’absence de points leviers parmi les traitements.
4.6.2. Identification des points leviers dans la matrice G-optimale
Nous avons vu au paragraphe 3.6.2.3 que les points leviers représentent des traitements
expérimentaux pour lesquels la réponse mesurée tient une place prépondérante dans le calcul
final des coefficients du modèle. La présence de points leviers n’est pas souhaitée et nécessite
une certitude absolue de la valeur de la réponse mesurée en ces points.
Le calcul des leviers de notre matrice d’expériences donne la figure 10 :
0,9
0,8
0,7
0,6
Leviers s
0,5
0,4
0,3
0,2
0,1
0
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
1
2
3
4
5
6
7
8
9
Points
Fig 10. Graphe des leviers de la matrice G-optimale
La présence d’un point levier se traduit par une valeur du terme diagonal de la matrice H
qui lui est associé supérieur à 2p/N ou très différent des autres. Dans notre cas 2p/N est
supérieur à 1,5 et aucun des termes diagonaux n’est très supérieur aux autres.
Nous pouvons donc conclure à l’absence de points leviers dans notre matrice
d’expériences. Les essais seront donc tous réalisés avec la même rigueur et aucune des
réponses mesurées aux différents points ne pèsera plus que les autres sur les calculs des
coefficients des modèles.
Les essais à -40°C et 42°C ont été réalisés en étuve. Les essais à 125°C quant à eux ont
été effectués sur plaque chauffante. Les allumeurs ne résistant qu’à 70°C, il était impossible
de pratiquer ces essais en étuve dans une atmosphère à 125°C. Le montage en étuve est
présenté en figure 11 :
155
Fig 11. Montage en étuve pour les essais à -40°C et 42°C
Le montage pour les essais à 125°C est le même que celui utilisé lors des études de
criblages et présenté dans le second chapitre excepté pour la mesure du courant. En effet lors
des études de criblage, le courant était mesuré à l’aide d’un shunt or dans cette étude et
notamment lors des essais dans une atmosphère à -40°C nous n’avons pas pu utiliser ce même
shunt sans risquer de le détruire. Nous avons donc mesuré le courant à l’aide d’un tore lors de
cette étude.

Chacun des essais a été réalisé 5 fois. Les valeurs relevées lors des mesures étant des
valeurs particulières de variables aléatoires, la répétition des mesures a permis de s’assurer de
ne pas être en présence d’une valeur extrême lors de l’expérimentation. En présence d’une
valeur suspecte, l’essai est réalisé de nouveau et la valeur suspecte est écartée. Les résultats
des 37 essais de la matrice d’expériences sont présentés dans la table 7, ils sont les valeurs
moyennes des 5 essais réalisés :
Essais ∆V dV/dt essais ∆V dV/dt
1 2980 4,42 20 2748 2,45
2 2100 2,63 21 1046,4 1,63
3 2940 3,74 22 752 1,27
4 1057,6 1,44 23 1176 2,40
5 3072 2,77 24 2960 3,00
6 1680 1,17 25 2700 2,80
7 2124 2,78 26 760 1,25
8 3000 3,44 27 2020 1,86
9 1318,4 1,84 28 2836 2,52
10 753,6 1,31 29 1304 0,92
11 2772 2,88 30 2080 3,67
12 1099,2 1,40 31 1840 1,22
13 3048 2,88 32 2780 3,23
14 884 2,22 33 2920 3,09
15 2320 3,69 34 1520 1,59
16 2644 4,23 35 944 0,91
17 3072 4,44 36 3040 2,65
18 1129,6 1,09 37 2968 2,26
19 2816 2,54
156
Table 7 Résultats d’essais
L’amplitude des variations des réponses est importante. Nous pouvons donc supposer que
les effets des facteurs sont supérieurs à l’erreur expérimentale. Dans ce cas seulement les
résultats peuvent être analysés correctement.
L’analyse mathématique de ces 37 expériences va permettre dans un premier temps de

calculer les 28 coefficients des modèles de surtension et de vitesse de commutation.

L’analyse mathématique consiste essentiellement à identifier les p coefficients des
modèles à partir des résultats des N expériences réalisées.
L’application de la méthode des moindres carrés sur les résultats d’essais a permis
d’obtenir les 28 coefficients de chacun des modèles, fournis en table 8 :
Variables ∆V dV/dt Variables ∆V dV/dt

Constante 2259,6519 2,4479 U*T 15,5969 -0,0807
U 931,6315 0,8664 U*Lcom -39,9246 -0,0193
I 257,2571 -0,0052 U*Rgoff 38,2548 -0,1546
T -21,4481 -0,236 U*ton -18,5017 0,0245
Lcom 199,1021 -0,0109 I*T -14,881 -0,0363
Rgoff -37,6301 -0,529 I*Lcom 85,981 -0,0007
ton -56,4683 -0,2605 I*Rgoff -25,7037 -0,0366
U*U -65,0035 -0,4312 I*ton -0,3223 -0,0478
I*I -58,2435 0,0066 T*Lcom 10,3284 0,0131
T*T 13,252 0,0451 T*Rgoff 10,9419 0,038
Lcom*Lcom -41,8027 0,0103 T*ton 4,5457 -0,1156
Rgoff*Rgoff -24,7858 0,2119 Lcom*Rgoff -2,7184 0,0303
ton*ton 50,946 0,1536 Lcom*ton -17,9197 -0,0096
U*I -21,0477 -0,0466 Rgoff*ton 24,7506 0,1289
Table 8 Coefficients des modèles complets
On note que dans ces modèles certains coefficients comme par exemple le coefficient
associé à l’interaction entre le courant I et le temps ton dans le modèle de surtension ont une
valeur très faible (-0,3223). On peut donc supposer que ces coefficients ne sont pas influents.
Une analyse statistique des éléments des modèles, qui sera présentée au paragraphe 4.10.2,
permettra de répondre à cette question.

L’analyse statistique a été réalisée en trois parties. Tout d’abord les modèles ont été
analysés dans leur globalité afin de vérifier si l’hypothèse choisie en retenant des modèles de
forme quadratique a bien été validée. Ensuite une analyse statistique des éléments des
modèles a été menée dans le but d’identifier le meilleur sous modèle pour chacune des
157
réponses. Enfin, nous avons vérifié la normalité de la distribution des résidus pour les
modèles retenus.
4.10.1. Analyse statistique globale des modèles
Cette première étape de l’analyse statistique permet de calculer la probabilité P de refuser

à tord l’hypothèse nulle H0 qui est dans notre cas : « Des modèles de forme quadratiques ne
permettent pas de décrire les variations de la surtension et de la vitesse de commutation ».
Cette analyse donne les résultats présentés en table 9 et 10 :
Source Somme des carrés Degrés de liberté Carré moyen Fobs Probabilité P
Modèle 26234959,751 27 971665,176 195,253 1,3597E-09
Résidus 44788,035 9 4976,448
Total 26279747,390 36
Table 9 Analyse de variance du modèle de surtension
Source Somme des carrés Degrés de liberté Carré moyen Fobs Probabilité P
Modèle 36,952 27 1,369 107,563 1,9488E-08
Résidus 0,115 9 0,013
Total 37,067 36
Table 10 Analyse de variance du modèle de vitesse de commutation
Nous obtenons pour nos deux réponses une valeur très faible de P ce qui conforte
l’hypothèse de l’utilisation des modèles quadratiques pour modéliser les réponses.
Les qualités descriptives (R²ajusté) et prédictives (Q²) ont été calculées pour ces modèles et
sont fournis en table 11 :
∆V dV/dt
R²ajusté 0,9932 0,9876
Q² 0,9711 0,9472
Table 11 Qualité descriptive et prédictive des modèles
Ces coefficients sont élevés et devraient augmenter grâce à l’analyse statistique des
coefficients des modèles qui permettra d’éliminer certains facteurs non influents.
4.10.2. Analyse statistique des éléments des modèles
Pour cette analyse, nous avons mené en parallèle une analyse de variance et un calcul des
coefficients R²ajusté et Q² associés à chacun des sous modèles obtenus.
A chaque itération, l’analyse de variance permet d’identifier l’élément du modèle dont

l’influence est la moins importante c'est-à-dire pour lequel P est le plus élevé. Il est alors
possible d’éliminer ce terme du modèle (d’où l’apparition d’un signe « – » devant les
158
éléments du modèle dans les figures 12 et 13) et de calculer les coefficients R²ajusté et Q²
associés à ce sous modèle. On réalise ensuite une nouvelle analyse de variance sur ce sous
modèle, on calcule R²ajusté et de Q² et ainsi de suite jusqu’à ce que chacun des éléments
présents dans les sous modèles soient jugés influents.
Cette méthode a permis d’observer l’évolution de R²ajusté et de Q² en fonction des éléments

présents dans le modèle. Ces évolutions sont données en figure 12 et 13 :
1
0,995
0,99
0,985
0,98
0,975
0,97
0,965
0,96
0,955
ff
n
ff
et
-T ff²
-R off
co
co n
n
co on
n²
.T
T
go
-I. .I
m
.to
to
-R ²
-I²
-T
-I²
go
o
.to
-T
pl
-U
go
-I.
-to
.L
-U
t
co
Rg
ff.
-L I.t
.R
m
m
.
.R
-U
-T
-T
go
-L
-
m
co
-L
R²adj Q²
Fig 12. Evolution des coefficients d'ajustement des modèles de surtension
0,99
0,98
0,97
0,96
0,95
0,94
0,93
0,92
ff
n
m
om
ff
om
et
f
m
T
go
.I
.to
of
-I²
²
-L -I
.to
go
-T
co
pl
-U
co
co
-I.
Rg
.R
Lc
.lc
m
.R
.L
-U
-L
-L
co
m
co
-T
-I.
-I.
-U
-T
co
-L
R²adj Q²
Fig 13. Evolution des coefficients d'ajustement des modèles de vitesse de commutation
Nous pouvons voir que, pour chacune des deux réponses, l’évolution des deux coefficients
R²ajusté et de Q² se fait en deux étapes. Dans un premier temps, le coefficient augmente et
atteint un maximum puis diminue dans un deuxième temps.
Nous avons donc sélectionné pour chaque réponse le modèle possédant les meilleurs
qualités descriptives (R²ajusté) et prédictives (Q²).
159
Dans le cas où l’optimum de R²ajusté et de Q² n’est pas atteint pour le même modèle, nous
avons choisi de privilégier la qualité prédictive Q² puisque l’utilisation de ces modèles sera
faite avant tout dans un but de prédiction. Ces modèles correspondent à ceux dont les qualités
descriptives et prédictives sont entourées sur les figures 12 et 13.
Les coefficients constituant les modèles résultant de cette analyse sont fournis en
table 12 :
Variables ∆V Variables dV/dt

Constante 2252,750 Constante 2,4878
U 929,972 U 0,8747
I 256,235 T -0,2361
T -22,890 Rgoff -0,5318
Lcom 199,067 ton -0,2619
Rgoff -37,440 U*U -0,4082
ton -56,682 Rgoff*Rgoff 0,209
U*U -73,873 ton*ton 0,1557
I*I -57,258 U*I -0,0337
Lcom*Lcom -41,234 U*T -0,0788
ton*ton 53,292 U*Rgoff -0,1594
U*I -22,886 I*T -0,0345
U*Lcom -40,558 I*Rgoff -0,0383
U*Rgoff 37,016 I*ton -0,0494
U*ton -17,849 T*Rgoff 0,0375
I*T -16,901 T*ton -0,1153
I*Lcom 85,354 Rgoff*ton 0,1306
I*Rgoff -25,050
Lcom*ton -17,996
Rgoff*ton 23,863
(a) (b)
Table 12 Coefficients des modèles de surtension (a) et de vitesse de commutation (b)
Les qualités descriptives (R²ajusté) et prédictives (Q²) de ces modèles sont fournies en
table 13 :
∆V dV/dt
R²ajusté 0,9953 0,9914
Q² 0,9896 0,9827
Table 13 Qualité descriptives et prédictive des modèles
Ces valeurs proches de 1 témoignent de la bonne qualité de nos modèles. Nous disposons
donc d’un modèle de surtension et d’un modèle de vitesse de commutation, il nous faut
maintenant vérifier la normalité de la distribution des résidus avant d’effectuer la validation
de ces modèles.
160
4.10.3. Analyse statistique des résidus
Bien que les résidus aient été minimisés grâce à l’utilisation de la méthode des moindres
carrés, il est important de s’assurer que ces résidus ne sont pas anormalement importants en
certains points.
Pour cela, nous avons utilisé la méthode graphique d’Henry présenté en figures 14 et 15 :
2,5
s
1,5
Fractile de la loi normale réduite
0,5
0
-110 -90 -70 -50 -30 -10 10 30 50 70 90
-0,5
-1
-1,5
-2
-2,5
Residus
Fig 14. Droite d’Henry des résidus du modèle de surtension
2,5
e
1,5
Fractile de la loi normale réduite
0,5
0
-0,15 -0,1 -0,05 0 0,05 0,1 0,15 0,2
-0,5
-1
-1,5
-2
-2,5
Résidus
Fig 15. Droite d’Henry du modèle de vitesse de commutation
La construction des droites d’Henry donne des nuages de points dont l’alignement est
proche d’une droite. Un test d’Anderson-Darling réalisé sur ces populations donne une valeur
de P pour la surtension et la vitesse de commutation de respectivement 0,504 et 0,146. La
condition de normalité des résidus est donc bien respectée pour chacun des deux modèles à un
seuil α supérieur à 14% pour la vitesse de commutation et 50% pour la surtension. En effet la
valeur P calculée par ce test correspond à la probabilité de rejeter à tord l’hypothèse « la
distribution de la population testée ne suit pas une loi normale ».
161

Avant de visualiser les surfaces de réponse traduites par les modèles, nous allons observer
de manière graphique la bonne qualité descriptive de nos modèles à travers leur graphique
d’adéquation associé.
4.11.1. Graphiques d’adéquation des modèles
La valeur élevée du coefficient de régression R²ajusté associée aux modèles de surtension et

de vitesse de commutation se traduit par des graphiques d’adéquation, fournis en figure 16 et
17, sur lesquels l’alignement des nuages de points est très proche de la première bissectrice
(représentée en pointillé).
3000
s
2500
Réponses Calculées
2000
1500
1000
500
500 1000 1500 2000 2500 3000
Réponses mesurées
Fig 16. Graphe d’adéquation du modèle de surtension
4,4
3,9
s
Réponses calculées
3,4
2,9
2,4
1,9
1,4
0,9
0,9 1,4 1,9 2,4 2,9 3,4 3,9 4,4
Réponses mesurées
Fig 17. Graphe d’adéquation du modèle de vitesse de commutation
Il est également à noter que les réponses obtenues pour les 37 essais réalisés couvrent
l’ensemble de la plage de variation des réponses sans laisser d’importantes zones de vide.
162
4.11.2. Représentation graphique des surfaces de réponses
Les surfaces de réponses peuvent présenter les variations des réponses en fonction de
seulement 2 facteurs à la fois, les autres facteurs étant réglés sur une valeur fixe. Les figures
18 et 19 représentent les surfaces de réponses associées aux modèles de surtension et de
vitesse de commutation. Nous avons choisi de présenter la variation de surtension en fonction
de l’inductance Lcom et du temps ton et la variation de vitesse de commutation en fonction de
la tension U et du temps ton, les autres facteurs étant fixés à des valeurs respectant le domaine
expérimental.
Fig 18. Surface de réponse matérialisant les variations de surtension
Fig 19. Surface de réponse matérialisant les variations de vitesse de commutation
163
Les modèles obtenus permettent d’obtenir ces surfaces de réponses pour tout réglage
appartenant au domaine expérimental.

Les graphiques d’adéquation des modèles fournis au paragraphe 4.11.1 dans les figures 16
et 17 ont permis de constater que les modèles retenus modélisent correctement les réponses
aux points présents dans la matrice d’expériences.
Pour valider entièrement les modèles, nous avons effectué de nouvelles expérimentations
dans le domaine expérimental en des points non testés par le plan d’expériences et utilisant si
possible des niveaux de facteurs non utilisés. La table 14 présente les points de validation et
les résultats obtenus d’une part par l’expérimentation et d’autre part par l’utilisation des
modèles.
Lcom Rgoff dV/dt (kV/µs) ∆V (V)

Point U (V) I (A) T (°C) ton (µs)
(nH) (Ω) Mesuré Calculé Mesuré Calculé
1 1400 1500 25 120 5,2 55 2,54 2,51 2188 2180,14
2 1800 1000 25 120 3,7 30 3,75 3,84 2536 2485,80
3 1000 800 25 200 5,2 80 2,06 1,96 1700 1646,40
4 800 1100 80 200 5,2 90 1,55 1,49 1616 1575,10
5 1800 1550 80 200 5,2 40 2,73 2,78 2852 2769,81
6 2000 1280 80 120 6,8 75 2,29 2,30 2700 2654,71
7 1200 800 25 120 6,8 30 2,06 2,09 1724 1747,98
8 1000 1000 25 120 5,2 90 2,00 1,95 1596 1604,68
9 1500 1270 70 120 5,2 65 2,40 2,42 2232 2191,69
10 900 1490 70 120 5,2 35 1,89 1,96 1688 1678,73
11 1500 1475 70 120 3,7 85 2,98 2,97 2340 2264,12
12 1500 2000 35 60 5,2 30 2,78 2,78 2232 2183,34
13 1000 1000 25 60 4,5 40 2,48 2,38 1484 1460,10
Table 14 Points et résultats de validation
La formule (3.47) du paragraphe 3.12 permet de calculer l’intervalle de confiance en

chacun des points du domaine expérimental.
Rappelons que l’utilisation du critère de G-efficacité lors de la construction algorithmique

de la matrice d’expérience a eu pour objectif de minimiser la valeur maximale que prend
l’intervalle de confiance dans le domaine expérimental.
Les figures 20 et 21 représentent les points de validation, l’intervalle de confiance associé

à chacun de ces points et les valeurs obtenues lors de l’expérimentation.
164
3100
2900
2700
2500
Surtension s
Mesuré
2300 Calculé
2100 Min
Max
1900
1700
1500
1300
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Points de validation
Fig 20. Validation du modèle de surtension
4,5
3,5
3
Mesuré
dV/dt s
2,5 Calculé
2 Min
Max
1,5
0,5
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Points de validation
Fig 21. Validation du modèle de vitesse de commutation
Bien que parfois proche des bornes de l’intervalle de confiance comme dans le cas de la
vitesse de commutation au point de validation n° 2, l’ensemble des points de validation se
situe à l’intérieur de l’intervalle de tolérance. Les modèles de surtension et de vitesse de
commutation des modules IGBT remplissent donc l’ensemble des conditions pour être
validés.
5. Conclusion
A travers les deux études de criblages présentées dans le second chapitre, 6 facteurs on été
identifiés comme ayant une influence statistiquement significative sur la surtension et la
vitesse de commutation. Un modèle polynomial du second degré prenant en considération 6
facteurs se compose de 28 coefficients.
165
La présence de nombreuses contraintes relationnelles au sein du domaine expérimental a

orienté notre travail vers une construction algorithmique du plan d’expériences. Pour cette
construction nous avons eu recours à l’utilisation du K-algorithme d’échange présent dans le
logiciel MODDE. Cet algorithme nous a permis de construire une matrice basée sur le critère
de G-efficacité et de garantir ainsi une précision optimale des prédictions effectuées par les
modèles dans l’ensemble du domaine expérimental.
La matrice G-optimale utilisée se compose de 37 expériences. Les analyses

mathématiques puis statistiques des 37 valeurs mesurées pour chacune des réponses ont
permis de calculer dans un premier temps les 28 coefficients des modèles et dans un deuxième
temps d’affiner ces modèles en maximisant leurs qualités descriptive et surtout prédictive. Au
final, les modèles de surtension et de vitesse de commutation ne se composent plus que de
respectivement 20 et 17 éléments et vous sont présentés par les équations (3.50) et (3.51).
∆U = 2253 + 930 xU + 256 x I − 23 x T °C + 199 x Lcom − 37 x Rgoff − 57 x ton − 74 xU *U − 57 x I * I − 41x Lcom*Lcom

+ 53 x ton*ton − 23 xU * I − 41xU *Lcom + 37 xU *Rgoff − 18 xU *ton − 17 x I *T °C + 85 x I *Lcom − 25 x I *Rgoff − 18 x Lcom*ton (3.50)
+ 24 x Rgoff *ton
dV dt = 2,48 + 0,87xU − 0,24xT °C − 0,53x Rgoff − 0,26xton − 0,41xU *U + 0,21x Rgoff *Rgoff + 0,16x ton*ton − 0,03xU *I
(3.51)
− 0,08xU *T °C − 0,16xU *Rgoff − 0,03x I *T − 0,04x I *Rgoff − 0,05x I *ton + 0,04xT *Rgoff − 0,12xT *ton + 0,13x Rgoffµton
Ces modèles, possédant des indicateurs de qualité descriptive et prédictive supérieur à

98%, ont été validés et traduisent donc correctement la surtension et la vitesse de
commutation dans l’aire définie par le domaine expérimental.
Ces modèles permettront d’obtenir, pour chaque application, à partir des valeurs des
paramètres de conception, un nuage de point représentant les valeurs de surtension et de
vitesse de commutation en fonction de l’ensemble des paramètres influents et de leurs
variations connues pour l’application traitée.
Références du chapitre III

[Atkinson, 92] A.C. Atkinson, A.N. Donev, “Optimum experimental design”,
Clarendon Press, Ed. Oxford, 1992.
[Anderson, 52] T.W. Anderson, D.A. Darling, “Asymptotic theory of certain

"goodness-of-fit" criteria based on stochastic processes”, Annals of
Mathematical Statistics, Vol. 23, pp. 193-212, 1952.
[Box, 60] G.E.P. Box, D.W. Behnken, “Some new three level designs for
study of quantitative variables”, Technometrics, Vol 2, N°4, 1960.
[Box2, 59] G.E.P. Box, N.R. Lucas, “Design of experiments in nonlinear

situations”, Biometrika, vol 46, 1959.
[Box, 51] G.E.P. Box, K.B. Behnken, “On the experimental attainment of
optimum conditions”, Journal of the Royal Statistical Society, serie
B, Vol 13, 1951.
166
[Box1, 59] G.E.P. Box, N.R. Draper, “A basis for selection of a response
surface design”, Journal of the ASA, 54, 1959.
[Box, 87] G.E.P. Box, N.R. Draper, “Empirical model-building and response
surfaces”, Ed John Wiley & Sons, 1987.
[Chin, 98] W.W. Chin, “The partial least square approach to structural
equation modelling”, Modern methods for business research, G.A.
Marcoulides. Mahwah/NJ/USA, 1998.
[Chomtee, 03] B. Chomtee, “Comparison of Design Optimality Criteria of

Reduced Models for Response Surface Designs in a Spherical
Design Region”, Phd Work, Montana States University, 2003.
[Derringer, 80] R. Derringer, R. Suich, “Simultaneous optimization of several

response variables”, Journal of Quality Technology, Vol 12, 1980.
[Doehlert, 70] D.H. Doehlert, “Uniform shell designs”, Journal of the Royal
Statistical Society, serie C, N° 19, 1970.
[Draper, 81] N. Draper, H. Smith, “Applied regression analysis”, Wiley, Ed

New-York, 1981.
[Droesbeke, 97] J.J. Droesbeke, J. Fine, G. Saporta, “Plans d’expériences,

Application à l’entreprise”, Technip, Ed Paris, 1997.
[Dumouchel, 94] W. Dumouchel, B. Jones, “A simple Bayesian modification of D-

optimal designs to reduce dependence on an assumed model”,
Technometrics, 1994.
[Eriksson, 00] L. Eriksson, E. Johansson, N. Kettaneh-Wold, C. Wilkstrom, S.

Wold, “Design of experiments, Principles and application”,
Umetrics Academy, 2000.
[Faucher, 06] J. Faucher, ”Les plans d’expériences pour le réglage de

commandes à base de logique floue”, Thèse de l’INPT, 2006.
[FD X 06-080, 89] “Application de la statistique, Plan d’expériences, Vocabulaire et

indications générales”, Afnor, Ed Paris, 1989.
[Fedorov, 72] V.V. Fedorov, “Theory of optimal experiments”, Academic Press,

Ed. New-York, 1972.
[Galil, 77] Z. Galil, J. Kiefer, “Comparison of simplex designs for quadratic

mixture model”, Technometrics, vol 19, 1977.
167
[Gauchi, 97] J.P. Gauchi, “Plan d’expériences optimaux pour modèles linéaires,
in : Plans d’expériences, Application à l’entreprise”, Technip, Ed
Paris, 1997.
[Gauchi, 05] J.P. Gauchi, “Plan d’expériences optimaux : un exposé didactique”,

revue Modulad, n° 33, 2005.
[Goupy, 99] J. Goupy, “Plan d’expériences pour surface de réponse”, Dunod,

1999.
[Goupy, 00] J. Goupy, “Plan d’expériences :les mélanges” Dunod, 2000.
[Goupy, 06] J. Goupy, “Tutorial, Les Plans d’Expériences”, Revue Modulad, N°

34, 2006.
[Harrington, 65] E.C. Harrington, “The desirability function”, Industrial Quality

Control, Vol 21, 1965.
[Johnson, 83] M.E. Johnson, C.J. Nachtsheim, “Some guidelines for constructing
exact D-optimal designs on convex design spaces”, Technometrics,
Vol. 25, n°3, pp.271-277, 1983.
[Johnstone, 98] P.D. Johnstone, “Planning and Managing Agricultural and

Ecological Experiments”, Routledge, 1998.
[Khuri, 87] A.I. Khuri, J.A. Cornell, “Response surfaces: designs and
analysis”, Marcel Dakker, 1987.
[Khuri, 96] A.I. Khuri, J.A. Cornell, “Response surfaces: designs and
analysis”, Marcel Dakker, seconde edition, 1996.
[Kiefer, 59] J. Kiefer, “Optimum experimental designs”, J.R. Statist. Soc. B, vol
21, 1959.
[Kiefer, 61] J. Kiefer, “Optimum designs in regression problems II”, Annals Of

Math. Stat., vol 32, 1961.
[Kiefer, 74] J. Kiefer, “General equivalence theory for optimum designs

(approximate theory)”, Annals of Statist., vol 2, 1974.
[Kiefer, 59] J. Kiefer, J. Wolfowitz, “Optimum designs in regression problems”,

Ann. of Math. Statist., vol 30, 1959.
[Kiefer, 60] J. Kiefer, J. Wolfowitz, “The equivalence of two extremum

problems”, Canad. J. Math., vol 12, 1960.
[Louvet, 06] F. Louvet, L. Delplanque, “Design of experiments : the French

touch / Les plans d’expériences : une approche pragmatique et
illustrée”, témoignage de l’association Expérimentique, 2006.
168
[Mitchell, 74] T.J. Mitchell, “An algorithm for the construction of D-Optimal
experimental designs”, Technometrics, vol 16, 1974.
[Mozzo, 90] G. Mozzo, “Plan quadratique Gigogne”, Revue de statistique

appliquée, Vol. 38, pp. 23-34, 1990.
[Myers, 95] R. Myers, D. Montgomery, “Response Surface Methodology,

Process and product Optimization Using designed Experiments”,
Wiley, 1995.
[Nelder, 65] J.A. Nelder R. Mead, “A simplex method for function

minimization”, Computer Journal, Vol. 7 1965.
[NF X 06-063, 87] “Application de la statistique, comparaison du rapport de deux

variances (deux écart-types) à une valeur donnée”, Afnor, Ed Paris,
1987.
[Pronzato, 04] L. Pronzato, “A minmax equivalence theorem for optimum bounded

design measure”, Statistics & Probability Letters, 68, 2004.
[Rechtschaffner, 67] R.L. Rechtschaffner, “Saturated fractions of 2n and 3 factorial

designs”, Technometrics, Vol. 9, pp. 569-575, 1967.
[Roquemore, 76] K.G. Roquemore, “Hybrid designs for quadratic response

surfaces”, Technometrics, Vol. 18, pp. 419-423, 1976.
[Rotella, 95] F. Rotella, P. Borne, “Théorie et pratique du calcul matriciel”,

éditions Technip, 1995.
[Shapiro, 65] S.S. Shapiro, M.B. Wilk, “An analysis of variance test for
normality (complete samples)”, Biometrika, Vol. 52, pp. 591-611,
1965.
[Silvey, 80] S.D. Silvey, “Optimal designs: an introduction to the theory for
parameters estimation”, London : Chapman and Hall, 1980.
[Sutton, 77] T.L. Sutton, J.F. McGregor, “The analysis and design of binary
vapour-liquid experiments, part II: The design”, The Canadian
journal of chemical engineering, vol 55, 1977.
[Spendley, 62] W. Spendley, G.R. Hext, F.M. Himsworth, “Sequential application

of simplex designs in optimization and evolutionary operation”,
[Torsney, 88] B. Torsney, “Computing optimizing distributions with applications

in design, estimation and image processing, in Optimal design and
ANalysis of experiments”, Dodge, Fedorov and Wynn Eds, 1988.
[Toutenburg, 02] H. Toutenburg, “Statistical Analysis of Designed Experiments”,

Springer, seconde édition, 2002.
169
[Walters, 91] F.H. Walter, R. Lloyd, J.R. Parker, S. Morgan, S. Deming,

“Séquential Simplex Optimisation, A Technique for Improving
Quality and Productibility in Research, Development and
Manufacturing“,CRC Press, Ed. Boca Raton, 1991.
[Wynn, 70] H.P. Wynn, “The sequential generation of D-optimum experimental

designs”, Ann. of Math. Stat., vol 41, 1970.
170
Conclusion et perspectives
Ce travail de thèse a été réalisé dans le but d’approfondir la notion d’aire de sécurité d’un
module IGBT de forte puissance utilisé en traction ferroviaire. C’est dans cette optique que
nous avons modélisé deux performances considérées comme critiques pour l’IGBT lors de
son fonctionnement, à savoir la surtension et la vitesse de commutation. L’application des
méthodes de plan d’expériences a permis de traduire ces deux performances dynamiques au
travers de modèles quadratiques.
Deux études de criblage ont permis d’éliminer les facteurs ne présentant pas une influence
statistiquement significative sur les réponses. La réduction du nombre de facteurs à prendre en
compte dans la modélisation a ainsi permis de minimiser le nombre de coefficients à identifier
dans les modèles et par conséquent le nombre minimal d’expériences à effectuer pour cette
modélisation. Au final, sur un ensemble de 10 paramètres considérés comme potentiellement
influents, six facteurs ont été identifiés comme présentant une influence significative sur les
réponses observées. Le nombre de coefficients présents dans les modèles quadratiques s’élève
alors à 28.
Le domaine expérimental étant fortement contraint, la construction du plan d’expériences

s’est basée sur l’utilisation d’un algorithme d’échange. Cet algorithme cherche ici à minimiser
l’incertitude maximale obtenue sur les prévisions dans l’ensemble du domaine de validité des
modèles en maximisant la G-efficacité de la matrice du modèle X utilisée. La matrice G-
optimale ainsi obtenue se compose de 37 expérimentations permettant de déterminer les 28
coefficients des modèles.
Suite à une analyse statistique des résultats, les modèles ont été affinés afin d’optimiser
leurs qualités descriptive et prédictive. Ces modèles ont ensuite été testés dans des régions du
domaine expérimental non explorées par le plan d’expériences. Les prédictions données par
les modèles ont alors été comparées aux résultats réels obtenus par expérimentation en ces
mêmes points ce qui a permis de les valider.
Pour chacune des applications des onduleurs de traction utilisant les modules IGBT
étudiés, il est possible de connaître les valeurs, fixes ou variables, des paramètres présents
dans les modèles. Ces derniers permettent désormais de visualiser la surtension et la vitesse de
commutation au travers d’un nuage de points correspondant aux conditions d’utilisation pour
chaque application. Le point de fonctionnement le plus critique est ensuite identifié et une
combinaison optimale des facteurs peut être trouvée.
Pour compléter cette étude et obtenir une idée précise des marges réelles de sécurité il
parait judicieux d’effectuer des tests à la casse en fonction des différents paramètres de
fonctionnement au point identifié comme étant le plus critique pour l’application. Les
ingénieurs d’Alstom disposeraient alors d’une définition exacte de l’aire de sécurité et
pourrait ajuster certains paramètres de fonctionnement dans le but d’assurer une qualité et une
fiabilité optimale de leurs onduleurs.
171
En ce qui concerne les plans d’expériences et plus précisément les algorithmes d’échange
utilisés dans la construction de matrices optimales, le développement d’un algorithme basé sur
le critère de G-efficacité semble intéressant. Ce travail a été entamé. En effet, nous avons
développé un algorithme basé sur ce critère dont le principe reprend celui de Fedorov adapté à
la G-optimalité. Cet algorithme extrait aléatoirement une matrice X à partir d’un ensemble de
points candidats, puis, à chaque itération, réalise l’inversion entre la ligne de la matrice X et la
ligne de l’ensemble des points candidats restant qui maximise l’augmentation de la G-
efficacité de la matrice X. L’algorithme s’arrête lorsque la G-efficacité de X a atteint un
optimum.
Cet algorithme nécessitant un temps de calcul très long, nous avons cherché à l’optimiser.
Le calcul de la G-efficacité nécessite en effet un calcul lourd en chacun des points candidats
du domaine expérimental. En revanche, le critère de D-optimalité, utilisé dans les algorithmes
d’échange des logiciels tels que MODDE, ne calcul lui que le déterminant d’une matrice
p x p, p étant, rappelons-le, le nombre de coefficients du modèle recherché, ce qui est
mathématiquement plus léger. Nous avons alors cherché à associer la puissance de la G-
efficacité à la rapidité de calcul de la D-efficacité. Pour cela, nous avons réalisé un algorithme
composé de deux parties. La première partie utilise un algorithme semblable à celui de
Fedorov basé sur la D-optimalité pour identifier une matrice D-optimale. Le programme
calcul ensuite la G-efficacité de cette matrice et une deuxième partie de l’algorithme, basée
cette fois sur la G-efficacité des matrices, utilisant toujours la même technique d’optimisation
que celle développé par Fedorov et décrite ci-dessus cherche à augmenter ce critère jusqu’à
identifier une matrice G-optimale.
172
Références
Références
[Aloïsi, 01] J. Aloïsi, “Les semiconducteurs de puissance – De la physique du

solide aux applications”, Ellipses, 2001.
[Addelmann, 62] S. Addelmann, “Orthogonal main effect plans for asymmetrical

factorial experiment”, Technometrics, 1962.
[Anderson, 52] T.W. Anderson, D.A. Darling, “Asymptotic theory of certain

"goodness-of-fit" criteria based on stochastic processes”, Annals of
Mathematical Statistics, Vol. 23, pp. 193-212, 1952.
[Atkinson, 92] A.C. Atkinson, A.N. Donev, “Optimum experimental design”,

Clarendon Press, Ed. Oxford, 1992.
[Azzopardi, 03] S. Azzopardi, E. Woirgard, J.-M. Vinassa, O. Briat, C. Zardini,

“IGBT power modules thermal characterization: what is the optimum
between a low current - high voltage or a high current - low voltage
test condition for the same electrical power?”, Microelectronics
Reliability 43, p.1901-1906, 2003."
[Baliga, 84] B.J. Baliga, M.S. Adler, R.P. Love, P.V. Gray, M.S. Zommer, “The
insulated gate transistor, a new three-terminal-MOS-controlled
bipolar power device”, IEEE Trans. Electron. Devices, vol. 31, pp.
821-828, 1984.
[Baliga, 87] B.J. Baliga, “Modern power devices”, New York, John Wiley &
Sons, 1987.
[Baudesson, 00] Philippe Baudesson, “Sûreté de fonctionnement, reconfiguration et

marches degradées des onduleurs multiniveaux à IGBT”, thèse de
l’INPT, 2000.
[Blot, 95] J. Blot, “Les transistors–Eléments d’intégration des circuits

analogiques”, Dunod, 1995.
[Box, 51] G.E.P. Box, K.B. Behnken, “On the experimental attainment of
optimum conditions”, Journal of the Royal Statistical Society, serie
B, Vol 13, 1951.
[Box1, 59] G.E.P. Box, N.R. Draper, “A basis for selection of a response surface
design”, Journal of the ASA, 54, 1959.
[Box2, 59] G.E.P. Box, N.R. Lucas, “Design of experiments in nonlinear

situations”, Biometrika, vol 46, 1959.
173
Références
[Box, 60] G.E.P. Box, D.W. Behnken, “Some new three level designs for study
of quantitative variables”, Technometrics, Vol 2, N°4, 1960.
[Box, 62] G.E.P. Box J.S. Hunter, “The 2k-p fractional factorial plans”,
[Box, 87] G.E.P. Box, N.R. Draper, “Empirical model-building and response
surfaces”, Ed John Wiley & Sons, 1987.
[Breit, 02] F. Breit, E. Dutarde, J. Saiz, T Lebey, D. Malec, S.

Dinculescu,“Partial discharge detection in power modules”, IEEE
PESC, 2002.
[Cand, 86] M. Cand, E. Demoulin, J.-L. Laroy, D. Senn, “Conception des

circuits intégrés MOS”, Eyrolles & CNET-ENST, 1986.
[Carubelli, 03] S. Carubelli, “Contribution à l’identification et à l’estimation des

contraintes de fatigue thermique des convertisseurs intégrés pour la
traction électrique”, thèse de l’UHPN, 2003.
[Chatelain, 79] J.D. Chatelain, “Dispositifs à semiconducteurs”, Dunod, 1979.
[Chin, 98] W.W. Chin, “The partial least square approach to structural equation
modelling”, Modern methods for business research, G.A.
Marcoulides. Mahwah/NJ/USA, 1998.
[Chomtee, 03] B. Chomtee, “Comparison of Design Optimality Criteria of Reduced

Models for Response Surface Designs in a Spherical Design Region”,
Phd Work, Montana States University, 2003.
[Ciappa, 02] M. Ciappa, “Selected failure mechanisms of modern power

modules”, Microelectronics Reliability 42, p. 653-667, 2002.
[Ciappa, 94] M. Ciappa, “Package reliability in microelectronics : a review”,

Proceeding of International Workshop on Electronics and Detector
Cooling, WELDEC, Vol. 1, pp 133-149, 1994.
[Ciappa, 96] M. Ciappa, P. Malberti, “Plastic Strain of aluminium interconnection

during pulsed operation of IGBT multichip modules”, Qual. Reliab
Eng Int, Vol 12, pp. 297-303, 1996.
[Dagnelie, 97] P. Dagnelie, “La planification des expériences et l’analyse de

variance : une introduction extrait de Plan d’expériences,
Applications à l’entreprise”, Technip, Ed Paris, 1997.
[Daniel, 59] C. Daniel, “Use of half-normal plots in interpreting factorial two-

level experiment”, Technométrics, Vol.1, N°4, 311-341, 1959.
[Derringer, 80] R. Derringer, R. Suich, “Simultaneous optimization of several

response variables”, Journal of Quality Technology, Vol 12, 1980.
174
Références
[Doehlert, 70] D.H. Doehlert, “Uniform shell designs”, Journal of the Royal
Statistical Society, serie C, N° 19, 1970.
[Draper, 81] N. Draper, H. Smith, “Applied regression analysis”, Wiley, Ed New-

York, 1981.
[Droesbeke, 97] J.J. Droesbeke, J. Fine, G. Saporta, “Plans d’expériences, Application

à l’entreprise”, Technip, Ed Paris, 1997.
[Dumouchel, 94] W. Dumouchel, B. Jones, “A simple Bayesian modification of D-

optimal designs to reduce dependence on an assumed model”,
Technometrics, 1994.
[Duong, 97] Viet-Son Duong, “Etude de l’intégration d’une protection par fusible
dans les convertisseurs à IGBT”, Thèse de l’INPG, Grenoble, 1997.
[Eriksson, 00] L. Eriksson, E. Johansson, N. Kettaneh-Wold, C. Wilkstrom, S.

Wold, “Design of experiments, Principles and application”, Umetrics
Academy, 2000.
[Farokhzad, 96] B. Farokhzad, P. Türkes, E. Wolfgang, K. Goser, “Reliability

indicator for lift-off of bond wires in IGBT power modules”,
[Faucher, 06] J. Faucher, ”Les plans d’expériences pour le réglage de commandes à

base de logique floue”, Thèse de l’INPT, 2006.
[FD X 06-080, 89] “Application de la statistique, Plan d’expériences, Vocabulaire et

indications générales”, Afnor, Ed Paris, 1989.
[Fedorov, 72] V.V. Fedorov, “Theory of optimal experiments”, Academic Press,

Ed. New-York, 1972.
[Findeisen, 98] C. Findeisen, E. Herr, M. Schenkel, H.R. Zeller, “Extrapolation of

cosmic ray induced failures from test to field conditions for IGBT
modules”, ESREF 98: Copenhagen, Vol 38, N° 6-8, pp. 1335-1339,
1998.
[Fisher, 25] R.A. Fisher, “Statistical methods for research workers”, Oliver and
Boyd, Ed. Edinburgh, 1925.
[Fisher, 35] R.A. Fisher, “The design of experiments”, Oliver and Boyd, Ed.
Edinburgh, 1935.
[Galil, 77] Z. Galil, J. Kiefer, “Comparison of simplex designs for quadratic

mixture model”, Technometrics, vol 19, 1977.
[Garry, 90] W.J. Garry, R.H. Seilh, T.A. Jennings, “Reliability

analysis/assessment of advanced technologies”, Final Technical
report, 1990.
175
Références
[Gauchi, 05] J.P. Gauchi, “Plan d’expériences optimaux : un exposé didactique”,

revue Modulad, n° 33, 2005.
[Gauchi, 97] J.P. Gauchi, “Plan d’expériences optimaux pour modèles linéaires, in
: Plans d’expériences, Application à l’entreprise”, Technip, Ed Paris,
1997.
[Goupy, 06] J. Goupy, “Tutorial, Les Plans d’Expériences”, Revus Modulad, N°

34, 2006.
[Goupy, 00] J. Goupy, “Plan d’expériences :les mélanges” Dunod, 2000.
[Goupy, 96] J. Goupy, “La méthode des plans d’expériences – Optimisation du

choix des essais et de l’interprétation des résultats”, Ed. Dunod, 1996.
[Goupy, 99] J. Goupy, “Plan d’expériences pour surface de réponse”, Dunod,

1999.
[Hamidi, 99] A. Hamidi, N. Beck, K. Thomas, E. Herr, “Reliability and lifetime

evaluation of different wire bonding technologies for high power
IGBT modules”, Microelectronics Reliability 39, pp.1153-1158,
1999.
[Harrington, 65] E.C. Harrington, “The desirability function”, Industrial Quality

Control, Vol 21, 1965.
[Hefner, 94] A.R. Hefner, “An experimentally verified IGBT model implemented
in the Saber circuit simulator”, IEEE transaction on Power
Electronics, 1994.
[Herr, 97] E. Herr, T. Frey, R. Schlegel, A. Struck, R. Zehringer, “Substrate-to-

substrate solder joint reliability in high power IGBT modules”,
[Hsu, 96] T.S. Hsu, “Behavioural modeling of the IGBT using the
Hammerstein configuration”, IEEE transaction on Power Electronics,
1996.
[IEC270, 81] “Partial discharge measurements”, Norme IEC, 1981.
[Ishikawa, 96] K. Hishikawa, “La gestion de la qualité, outils et applications

pratiques“, Dunod, Ed Paris, 1996.
[ISO 3534-3, 98] “Statistique, Vocabulaire et Symboles, Partie 3 : plans

d’expériences”, Norme ISO 3534-3, 1998.
[Iwamoto, 01] H. Iwamoto, H. Kondo, Y. Yu, A. Kawakami, M. Nakaoka, “Turn-off

behaviour of epitaxial planar and trench gate IGBTs and nonepitaxial
planar gate IGBT under hard and soft switchings” IEE Proceedings
Electric Power Applications, vol. 148, N°5, 2001.
176
Références
[Iwamoto, 99] H. Iwamoto, M. Tabata, H. Takahashi, N. Wheeler, E. Thal, “A new

1200V PT IGBT Module using Trench Gate structure and Local Life
Time Control”, EPE, Lausanne, 1999.
[Jensen, 95] F. Jensen, “Electronic component reliability”, Wiley, 1995.
[John, 62] P.W.M. John, “Three quarter replicates of 2n”, Biometrics, Vol 18,
1962.
[Johnson, 83] M.E. Johnson, C.J. Nachtsheim, “Some guidelines for constructing
exact D-optimal designs on convex design spaces”, Technometrics,
Vol. 25, n°3, pp.271-277, 1983.
[Johnstone, 98] P.D. Johnstone, “Planning and Managing Agricultural and Ecological
Experiments”, Routledge, 1998.
[Khuri, 87] A.I. Khuri, J.A. Cornell, “Response surfaces: designs and analysis”,
Marcel Dakker, 1987.
[Khuri, 96] A.I. Khuri, J.A. Cornell, “Response surfaces: designs and analysis”,
Marcel Dakker, seconde edition, 1996.
[Kiefer, 59] J. Kiefer, “Optimum experimental designs”, J.R. Statist. Soc. B, Vol
21, 1959.
[Kiefer, 61] J. Kiefer, “Optimum designs in regression problems II”, Annals Of

Math. Stat., vol 32, 1961.
[Kiefer, 74] J. Kiefer, “General equivalence theory for optimum designs

(approximate theory)”, Annals of Statist., vol 2, 1974.
[Kiefer, 59] J. Kiefer, J. Wolfowitz, “Optimum designs in regression problems”,

Ann. of Math. Statist., vol 30, 1959.
[Kiefer, 60] J. Kiefer, J. Wolfowitz, “The equivalence of two extremum

problems”, Canad. J. Math., vol 12, 1960.
[Lefebvre, 04] S. Lefebvre, F. Miserey, “Composants à semi-conducteur pour

l’électronique de puissance”, Tech & Doc, 2004.
[Lenth, 89] R. V. Lenth, “Quick and easy analysis of unreplicated factorials”,

Technometrics, Vol. 31, N°4, 469-473, 1989.
[Leturcq, 99] P. Leturcq, “Physique des semi-conducteurs de puissance, propriétés

électroniques du silicium”, Techniques de l’ingénieur, D 3102, 1999.
[Lilienfeld, 33] Brevet U.S. 1900018, 7 mars 1933.
[Lochner, 90] R.H. Lochner, J.E. Matar, “Designing for quality, an introduction to
the best of Taguchi and western methods and statistical experimental
design”, Productivity press, ed. Portland, Oregon, 1990.
177
Références
[Louvet, 06] F. Louvet, L. Delplanque, “Design of experiments : the French touch

/ Les plans d’expériences : une approche pragmatique et illustrée”,
témoignage de l’association Expérimentique, 2006.
[Mathieu, 01] H. Mathieu, “Physique des semi-conducteurs et des composants

électroniques”, Dunod, 2001.
[Mehrotra, 99] Mehrotra, V.; Jun He; Dadkhah, M.S.; Rugg, K.; Shaw, M.C.,
“Wirebond reliability in IGBT-power modules: application of high
resolution strain and temperature mapping”, Power Semiconductor
Devices and ICs, 1999. ISPSD '99. Proceedings., The 11th
International Symposium, pp. 113 – 116, 1999.
[Mitchell, 74] T.J. Mitchell, “An algorithm for the construction of D-Optimal
experimental designs”, Technometrics, vol 16, 1974.
[Mitic, 99] G. Mitic, R. Beinert, P. Klofac, H.J. Schultz, G. Lefranc, “Reliability

of AlN substrates and their solder joints in IGBT power module”,
Microelectronics reliability, Vol. 39, pp. 1159-1164, 1999.
[Mozzo, 90] G. Mozzo, “Plan quadratique Gigogne”, Revue de statistique

appliquée, Vol. 38, pp. 23-34, 1990.
[Musumeci, 96] S. Musumeci, “PT-IGBT model with new parameters extraction for
life-time and Epy dependent behaviour simulation”, 27th Annual
IEEE Power Electronics Specialists Conference, 1996.
[Myers, 95] R. Myers, D. Montgomery, “Response Surface Methodology, Process

and product Optimization Using designed Experiments”, Wiley,
1995.
[Nelder, 65] J.A. Nelder R. Mead, “A simplex method for function minimization”,
Computer Journal, Vol. 7 1965.
[NF X 06-063, 87] “Application de la statistique, comparaison du rapport de deux

variances (deux écart-types) à une valeur donnée”, Afnor, Ed Paris,
1987.
[Petraca, 99] C. Petrarca, B. Cascone, L. Fratelli, M. Vitelli, “Partial discharge

diagnostics on 3.3 kV, 1.2 kA IGBT modules”, High Voltage
Engineering, Eleventh International Symposium on, Vol 4, pp. 324 –
327, 1999.
[Pillet, 94] M. Pillet, “Introduction aux plans d’expériences par la méthode

Taguchi”, Les Editions d’Organisation Université, 1994.
[Plackett, 46] R.L. Plackett J.P. Burman, “The design of optimum multifactorial
experiments”, Biometrika, 1946.
[Pronzato, 04] L. Pronzato, “A minmax equivalence theorem for optimum bounded

design measure”, Statistics & Probability Letters, 68, 2004.
178
Références
[Protiwa, 96] F.F. Protiwa, “New IGBT model for PSpice”, Electronics Letters, Vol
32 N° 25, 1996.
[Ramminger, 98] S. Ramminger, P. Türkes and G. Wachutka, “Crack mechanism in

wire bonding joints”, Microelectronics Reliability, Volume 38, Issues
6-8, pp. 1301-1305, 1998.
[Rechtschaffner, 67] R.L. Rechtschaffner, “Saturated fractions of 2n and 3 factorial

designs”, Technometrics, Vol. 9, pp. 569-575, 1967.
[Roquemore, 76] K.G. Roquemore, “Hybrid designs for quadratic response surfaces”,
Technometrics, Vol. 18, pp. 419-423, 1976.
[Rotella, 95] F. Rotella et P. Borne, “Théorie et pratique du calcul matriciel”,

éditions Technip, 1995.
[Russel, 95] J.P. Russel, “The COMFET – A new high conductance MOS-gated
device”, IEEE Electronic Device Lett, vol. 38, N°3, pp. 561-566,
1995.
[Sapora, 90] G. Sapora, “Probabilité, analyse des données statistiques”, Eds

Technip, 1990.
[Schafft, 72] Schafft H., “Testing and fabrication of wire bonds electrical
connections – A comprehensive survey”, National Bureau of
Standards, Technical Note, Vol. 726, pp. 106-109, 1972.
[Schimmerling, 98] P. Schimmerling J.C. Sisson A. Zaidi, ”Pratique des plans

d’expériences“, Ed Lavoisier Tec & Doc, 1998.
[Schütze, 98] T. Schütze, H. Berg, M. Hierholzer, “Further improvement in the

reliability of IGBT module”, IEEE IAS, 1998.
[Shammas, 95] N.Y.A. Shammas, Munaf Rahimo,P.T. Hoban, “Effects of

temperature, forward current, and commutating di/dt on the reverse
recovery behaviour of fast power diodes”, EPE’95, Seville, Vol 1, pp.
1577-1582, 1995.
[Shapiro, 65] S.S. Shapiro, M.B. Wilk, “An analysis of variance test for normality
(complete samples)”, Biometrika, Vol. 52, pp. 591-611, 1965.
[Sheng, 00] K. Sheng, B.W. Williams, S.J. Finney, “A review of IGBT models”,
IEEE Transactions on Power Electronics, Volume 15, Issue 6, pp
1250-1266, 2000.
[Sheng, 96] K. Sheng, “A new analytical IGBT model with Improved Electrical
Characteristics” IEEE transaction on Power Electronics and
Application, 1996.
[Silvey, 80] S.D. Silvey, “Optimal designs: an introduction to the theory for
parameters estimation”, London : Chapman and Hall, 1980.
179
Références
[Spendley, 62] W. Spendley, G.R. Hext, F.M. Himsworth, “Sequential application of

simplex designs in optimization and evolutionary operation”,
[Srinivasaiah, 04] H.C. Srinivasaiah, N. Bhat, “Characterization of sub-100nm CMOS

process using screening experiment technique”, Proceedings 17th
International Conference on VLSI Design, pages 285 -290, Mumbai,
India, 2004.
[Sutton, 77] T.L. Sutton, J.F. McGregor, “The analysis and design of binary
vapour-liquid experiments, part II: The design”, The Canadian
journal of chemical engineering, vol 55, 1977.
[Taguchi, 87] G. Taguchi S. Konishi, “Taguchi methods, Orthogonal arrays and

linear graphs, tools for quality”, ASI Press, Ed. Allen Park, 1987.
[Thebaud, 00] J.-M. Thebaud, E. Woirgard, C. Zardini, K.-H. Sommer, “Thermal

fatigue resistance evaluation of solder joints in IGBT power modules
for traction applications”, PESC Record - IEEE Annual Power
Electronics Specialists Conference, pp. 1285 – 1290, 2000.
[Torsney, 88] B. Torsney, “Computing optimizing distributions with applications in

design, estimation and image processing, in Optimal design and
ANalysis of experiments”, Dodge, Fedorov and Wynn Eds, 1988.
[Toutenburg, 02] H. Toutenburg, “Statistical Analysis of Designed Experiments”,

Springer, seconde édition, 2002.
[Tzou, 93] J.T. Tzou, “Practical Spice macro model for IGBT”, IECON
Proceeding, 1993.
[Tukey, 97] J.W. Tukey, “Exploratory data analysis”, Reading Massachusetts,

Addison-Wesley Publishing Company, 1997.
[Vallon, 03] J. Vallon, “Introduction à l’étude de l fiabilité des cellules de

commutation à IGBT sous fortes contraintes”, these de l’INPT, 2003.
[Vivier, 02] S. Vivier, “Stratégie d’optimisation par la méthode des plans

d’expériences et application aux dispositifs électrotechniques
modélisés par éléments finis”, thèse, 2002.
[Walters, 91] F.H. Walter, R. Lloyd, J.R. Parker, S. Morgan, S. Deming,

“Séquential Simplex Optimisation, A Technique for Improving
Quality and Productibility in Research, Development and
Manufacturing“,CRC Press, Ed. Boca Raton, 1991.
[Wondrak, 99] W. Wondrak, “Physical limits and lifetime limitations of semi

conductor devices at high temperature”, Microelectronic Reliability,
Vol 39, issue 6-7, pp.1113-1120, 1999.
[Wynn, 70] H.P. Wynn, “The sequential generation of D-optimum experimental

designs”, Ann. of Math. Stat., vol 41, 1970.
180
Annexes
Annexes
181
Annexes
182
Annexes
Table des matières des annexes :
Annexe 1 : Vocabulaire employé lors d’une étude par plan d’expériences ........................... 185
Annexe 2 :Tests de corrélations sur caractéristiques statiques .............................................. 189
Annexe 3 :Influence des caractéristiques statiques ................................................................ 193
Annexe 4 : Plan 1 ; Analyse de variance sur dV/dt ................................................................ 213
Annexe 5 : Plan 2 ; Analyse statistique des résultats ............................................................. 217
Annexe 5.1 : Méthode de Daniel......................................................................................... 219
Annexe 5.2 : Méthode de Lenth .......................................................................................... 221
Annexe 5.3 : Analyse de Variance ...................................................................................... 223
Annexe 6 : Plan 2 ; Analyse graphique des résultats ............................................................. 229
Annexe 7 : Etude de l’interaction entre l’inductance Lge et la température T°C .................. 233
183
Annexes
184
Annexe 1 : Vocabulaire employé lors d’une étude par plan d’expériences
Annexe 1 :
Vocabulaire employé lors d’une étude
par plan d’expériences
185
186
Algorithme d’échanges : procédure mathématique itérative permettant d’extraire d’un

domaine expérimental un ensemble d’essais à réaliser, afin d’estimer de la meilleur façon
possible, les coefficients d’un modèle.
Analyse de régression : ensemble de tests statistiques permettant de prendre une décision sur
un modèle dans sa globalité (test F de Fisher), sur chacun des coefficients (test t de
Student) et sur les résidus (test de la normalité des résidus…).
Analyse de variance (ANOVA ou ANAVAR) : test statistique (test F de Fisher) permettant
de décomposer la variation d’une réponse à partir des changements des modalités des
facteurs et du modèle postulé.
Arrangement orthogonal : selon la norme [ISO 3534-3, 98], un arrangement orthogonal est
un ensemble de combinaisons de traitements tel que pour chaque paire de facteurs, chaque
combinaison de traitement survient un même nombre de fois pour tous les niveaux
possibles des facteurs. Cette notion fait notamment appel à l’utilisation des tableaux de
contingence définis au paragraphe 4.6.1. traitant des critères d’orthogonalité utilisés pour
la construction de la matrice du modèle.
Bloc : groupement judicieux d’essais permettant de prendre en compte des difficultés de mise
en œuvre du plan d’expériences de façon à perturber le moins possible l’information
recherchée. La capacité d’un four par exemple impose un nombre maximal
d’expérimentation pouvant être réalisées en même temps.
Coefficients : valeur numérique à estimer dans l’équation du modèle.
Désirabilité : indice de satisfaction appartenant à l’intervalle [0 ; 1] caractérisant le niveaux
d’une réponse par rapport à un objectif fixé.
Domaine expérimental : espace défini par les variations des facteurs quantitatifs et/ou par les
combinaisons des modalités des facteurs qualitatifs. Le modèle n’est pas valide à
l’extérieur du domaine expérimental. Le domaine expérimental peut être de différentes
natures :
• Symétrique : adjectif désignant un plan d’expériences ou un domaine expérimental
pour lequel tous les facteurs présentent le même nombre de modalités.
• Asymétrique : adjectif désignant un plan d’expériences ou un domaine expérimental
pour lequel tous les facteurs ne présentent pas le même nombre de modalités.
• Isotrope : adjectif désignant un domaine expérimental pour lequel les niveaux des
facteurs indépendant ne sont pas soumis à des contraintes relationnelles.
• Anisotrope : adjectif désignant un domaine expérimental pour lequel les niveaux
des facteurs indépendants sont soumis à des contraintes relationnelles.
Effet moyen d’un facteur : variation de la réponse observée ou modélisée lorsque le facteur
change de modalité.
Estimation : approximation d’une valeur vraie par une valeur calculée à partir d’une analyse
appropriée des résultats d’essais.
Facteur : variable quantitative ou qualitative sur laquelle on agit au cours du plan
d’expériences.
Fonction de variance : expression mathématique permettant de traduire l’incertitude sur la
prévision ou la prédiction d’une réponse obtenue à partir d’un modèle.
Interaction ou couplage : modification de l’effet d’un facteur en fonction de la modalité d’un
autre facteur.
Iso variance par rotation : critère propre aux plans d’expérience pour l’étude des surfaces de
réponse traduisant le fait que la fonction de variance ne dépende que de la distance au
centre du modèle.
187
Matrice d’information : matrice définie à partir de la matrice du modèle (X), dont le

déterminant permet d’apprécier la qualité de l’information que l’on peut obtenir grâce à un
plan d’expérience. Cette matrice se calcule à l’aide de la formule (tXX).
Méthode des moindres carrés : méthode mathématique permettant d’obtenir une estimation
non biaisée des coefficients par minimisation de la somme des carrés des résidus.
Modalités : états distincts que l’on attribue à un facteur au cours du plan d’expériences.
Modèle : expression de la relation de cause à effet entre la variation d’une réponse et les
variations des facteurs. Ce modèle permet des représentations graphiques et des
prédictions dans le domaine expérimental. Il peut être de 2 types :
• Modèle additif : modèle utilisé pour estimer les effets des facteurs.
• Modèle polynomial : modèle utilisé pour estimer une surface de réponse.
Niveau : valeur numérique définie au sein de l’intervalle de variation d’un facteur quantitatif.
Optimisation : procédure permettant de fixer les niveaux des facteurs pour atteindre une
désirabilité.
Plan d’expériences : organisation raisonnée d’essai [ISO 3534-3, 98].
Plan de criblage : plan d’expériences visant à hiérarchiser les effets moyens d’un grand
nombre de facteurs.
Plan optimal : plan d’expériences dont les valeurs des niveaux des facteurs ou les
combinaisons des modalités de ces derniers sont déterminés afin d’optimiser un critère
algébrique particulier, associé à la mise en œuvre matricielle de la méthode des moindres
carrés.
Plan pour l’étude des surfaces de réponse : plan d’expériences destiné à optimiser une ou
plusieurs réponses.
Précision uniforme : critère propre aux plans d’expériences pour l’étude des surfaces de
réponse traduisant le fait que la fonction de variance reste quasi constante à l’intérieur
d’une sphère ayant le même centre que le domaine expérimental.
Prédiction : valeur de la réponse estimée par le modèle en tout point du domaine
expérimental.
Q² : indicateur permettant de préciser la qualité prédictive d’un modèle.
R² : indicateur permettant de préciser la qualité descriptive d’un modèle sans tenir compte de
sa complexité.
R²ajusté : indicateur permettant de préciser la qualité descriptive d’un modèle en tenant
compte de sa complexité.
Randomisation : affectation d’un ordre aléatoire à la réalisation des essais afin de neutraliser
l’éventuelle influence perturbatrice de facteurs non contrôlés.
Réponse : caractéristique mesurable d’un produit ou d’un processus dont on analyse
l’évolution en fonction des variations des facteurs. Il convient que la réponse soit
représentative du phénomène observé.
Résidu : écart entre la valeur observée d’une réponse et sa prévision par le modèle.
Significativité : traite du caractère significatif d’un facteur ou d’une interaction sur une
réponse.
Surface de réponse : représentation graphique de la relation liant une réponse quantitative à 2
facteurs quantitatifs continus selon le modèle d’exploration choisi et paramétré à partir des
réponses mesurées.
Test statistique : procédure permettant d’affecter une probabilité à une hypothèse. Dans le
cadre des plans d’expériences, les tests statistiques les plus utilisés sont le test F de Fisher,
pour l’analyse de variance et le test t de Student, pour l’analyse de régression.
Validation : vérification de l’adéquation du modèle paramétré par l’intermédiaire des
réponses du plan d’expériences, en utilisant de nouveaux essais dans le domaine
expérimental.
188
Annexe 2 : Tests de corrélation sur les caractéristiques statiques
Annexe 2 :
Tests de corrélations sur caractéristiques
statiques
189
190
Corrélation entre la chute de tension Vcesat et le courant de fuite Ices aux bornes de
l’IGBT à 25°C :
0,350
0,300
0,250
Ices à 25°C
0,200
0,150
0,100
0,050
0,000
3,460 3,480 3,500 3,520 3,540 3,560 3,580 3,600 3,620 3,640 3,660 3,680
Vcesat à 25°C
Test de corrélation entre Vcesat et Ices à 25°C
La valeur de r calculé est de 0,113 ce qui n’est pas significatif comme le laisse supposer
la représentation graphique.
Corrélation entre la chute de tension Vcesat et le courant de fuite Ices aux bornes de
l’IGBT à 125°C :
60
50
40
Ices 125°C
30
20
10
0
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat 125°C
Test de corrélation entre Vcesat et Ices à 125°C
La valeur de r calculé est de 0,714 ce qui est significatif, il existe donc une corrélation
entre la chute de tension Vcesat et le courant de fuite Ices aux bornes de l’IGBT.
191
192
Annexe 3 : Influence des caractéristiques statiques
Annexe 3 :
Influence des caractéristiques statiques
193
194
Les 18 réglages testés dans ce premier plan d’expériences sont les suivants :
Essai U (V) I (A) T (°C)

1 500 600 -40
2 2400 600 -40
3 500 1200 -40
4 2400 1200 -40
5 500 2400 -40
6 2400 2400 -40
7 500 600 25
8 2400 600 25
9 500 1200 25
10 2400 1200 25
11 500 2400 25
12 2400 2400 25
13 500 600 125
14 2400 600 125
15 500 1200 125
16 2400 1200 125
17 500 2400 125
18 2400 2400 125
Les résultats de surtension et de vitesse de commutation sont présentés en fonction de

chacune des caractéristiques intrinsèques aux modules en chacun de ces 18 points de mesure.
195
Evolution des performances dynamiques, surtension et vitesse de commutation, en fonction

de la chute de tension aux bornes de l’IGBT, Vcesat :
Point 1 :
774 1,46
772 1,45
770
1,44
768
Surtension s
1,43
dV/dt s
766 Surtension
1,42
764 dV/dt
1,41
762
1,40
760
758 1,39
756 1,38
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 2 :
2770 3,03
2768 3,02
2766
3,01
2764
Surtension s
3,00
2762 dV/dt s Surtension
2,99
2760 dV/dt
2,98
2758
2,97
2756
2754 2,96
2752 2,95
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 3 :
902 1,48
901 1,47
900 1,46
899 1,45
Surtension s
898 1,44
dV/dt s
Surtension
897 1,43
dV/dt
896 1,42
895 1,41
894 1,40
893 1,39
892 1,38
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
196
Point 4 :
2930 3,09
3,08
2925 3,07
3,06
Surtension s
3,05
2920
dV/dt s
3,04 Surtension
3,03 dV/dt
2915
3,02
3,01
2910 3,00
2,99
2905 2,98
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 5 :
1020 1,39
1,39
1018
1,38
1016 1,38
Surtension s
1,37
dV/dt s
1014 1,37 Surtension
1,36 dV/dt
1012
1,36
1010 1,35
1,35
1008
1,34
1006 1,34
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 6 :
3090 3,30
3085 3,28
3080
3,26
Surtension s
3075
dV/dt s
3,24
Surtension
3070
dV/dt
3,22
3065
3,20
3060
3055 3,18
3050 3,16
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
197
Point 7 :
772 1,38
770 1,37
768 1,36
1,35
766
Surtension s
1,34
764
dV/dt s
1,33 Surtension
762
1,32 dV/dt
760
1,31
758
1,30
756 1,29
754 1,28
752 1,27
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 8 :
2781 2,96
2780 2,94
2779 2,92
Surtension s
dV/dt s
Surtension
2778 2,90
dV/dt
2777 2,88
2776 2,86
2775 2,84
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 9 :
890 1,38
1,37
888
1,36
1,35
886
Surtension s
1,34
dV/dt s
Surtension
884 1,33
dV/dt
1,32
882
1,31
1,30
880
1,29
878 1,28
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
198
Point 10 :
2970 3,04
3,03
2965 3,02
3,01
2960
Surtension s
3,00
dV/dt s
2,99 Surtension
2955
2,98 dV/dt
2,97
2950
2,96
2945 2,95
2,94
2940 2,93
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 11 :
1030 1,34
1,32
1025
1,30
Surtension s
1020
dV/dt s
1,28
Surtension
dV/dt
1,26
1015
1,24
1010
1,22
1005 1,20
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
Point 12 :
3110 3,15
3,14
3105
3,13
3100
Surtension s
3,12
dV/dt s
Surtension
3095 3,11
dV/dt
3,10
3090
3,09
3085
3,08
3080 3,07
3,450 3,500 3,550 3,600 3,650 3,700
Vcesat
199
Point 13 :
723 1,24
722
1,22
721
1,20
720
Surtension s
1,18
719
dV/dt s
Surtension
718 1,16
dV/dt
717
1,14
716
1,12
715
1,10
714
713 1,08
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat
Point 14 :
2830 2,76
2825 2,75
2820 2,75
Surtension s
dV/dt s
Surtension
2815 2,74
dV/dt
2810 2,74
2805 2,73
2800 2,73
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat
Point 15 :
836 1,24
834
1,22
832
1,20
830
Surtension s
dV/dt s
828 1,18
Surtension
826 dV/dt
1,16
824
1,14
822
1,12
820
818 1,10
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat
200
Point 16 :
3035 2,84
3030 2,83
3025 2,83
2,82
Surtension s
3020
dV/dt s
2,82 Surtension
3015
2,81 dV/dt
3010
2,81
3005 2,80
3000 2,80
2995 2,79
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat
Point 17 :
960 1,22
1,22
955
1,21
1,21
950
Surtension s
1,20
dV/dt s
Surtension
945 1,20
dV/dt
1,19
940
1,19
1,18
935
1,18
930 1,17
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat
Point 18 :
3165 2,88
2,87
3160
2,86
3155
2,85
Surtension s
dV/dt s

2,83 dV/dt
3145
2,82
3140
2,81
3135
2,80
3130 2,79
4,250 4,300 4,350 4,400 4,450 4,500 4,550 4,600
Vcesat
201

de la chute de tension aux bornes de la diode, Vf :
Point 1 :
774 1,46
772 1,45
770
1,44
768
Surtension s
1,43
dV/dt s
766 Surtension
1,42
764 dV/dt
1,41
762
760 1,40
758 1,39
756 1,38
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 2 :
2770 3,03
2768 3,02
2766 3,01
2764
Surtension s
3,00
2762 dV/dt s Surtension
2,99
2760 dV/dt
2,98
2758
2756 2,97
2754 2,96
2752 2,95
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 3 :
902 1,48
901 1,47
900 1,46
899 1,45
Surtension s
898 1,44
dV/dt s
Surtension
897 1,43
dV/dt
896 1,42
895 1,41
894 1,40
893 1,39
892 1,38
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
202
Point 4 :
2930 3,09
3,08
2925 3,07
3,06
Surtension s
3,05
2920
dV/dt s
3,04 Surtension
3,03 dV/dt
2915
3,02
3,01
2910 3,00
2,99
2905 2,98
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 5 :
1020 1,39
1,39
1018
1,38
1016 1,38
Surtension s
1,37
dV/dt s
1,36 dV/dt
1012
1,36
1010 1,35
1,35
1008
1,34
1006 1,34
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 6 :
3090 3,30
3085 3,28
3080
3,26
Surtension s
3075
dV/dt s
3,24
Surtension
3070
dV/dt
3,22
3065
3,20
3060
3055 3,18
3050 3,16
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
203
Point 7 :
772 1,38
770 1,37
768 1,36
1,35
766
Surtension s
1,34
764
dV/dt s
1,33 Surtension
762
1,32 dV/dt
760
1,31
758
1,30
756 1,29
754 1,28
752 1,27
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 8 :
2781 2,96
2780 2,94
2779 2,92
Surtension s
dV/dt s
Surtension
2778 2,90
dV/dt
2777 2,88
2776 2,86
2775 2,84
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 9 :
890 1,38
1,37
888
1,36
1,35
886
Surtension s
1,34
dV/dt s
Surtension
884 1,33
dV/dt
1,32
882
1,31
1,30
880
1,29
878 1,28
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
204
Point 10 :
2970 3,04
3,03
2965 3,02
3,01
2960
Surtension s
3,00
dV/dt s
2,99 Surtension
2955
2,98 dV/dt
2,97
2950
2,96
2945 2,95
2,94
2940 2,93
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 11:
1030 1,34
1,32
1025
1,30
Surtension s
1020
dV/dt s
1,28
Surtension
dV/dt
1,26
1015
1,24
1010
1,22
1005 1,20
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
Point 12 :
3110 3,15
3,14
3105
3,13
3100
Surtension s
3,12
dV/dt s
Surtension
3095 3,11
dV/dt
3,10
3090
3,09
3085
3,08
3080 3,07
2,750 2,800 2,850 2,900 2,950 3,000 3,050 3,100 3,150
Vf
205
Point 13 :
723 1,24
722
1,22
721
1,20
720
Surtension s
1,18
719
dV/dt s
Surtension
718 1,16
dV/dt
717
1,14
716
1,12
715
1,10
714
713 1,08
2,750 2,800 2,850 2,900 2,950 3,000 3,050
Vf
Point 14 :
2830 2,76
2825 2,75
2820 2,75
Surtension s
dV/dt s
Surtension
2815 2,74
dV/dt
2810 2,74
2805 2,73
2800 2,73
2,750 2,800 2,850 2,900 2,950 3,000 3,050
Vf
Point 15 :
836 1,24
834
1,22
832
1,20
830
Surtension s
dV/dt s
828 1,18
Surtension
826 dV/dt
1,16
824
1,14
822
1,12
820
818 1,10
2,750 2,800 2,850 2,900 2,950 3,000 3,050
Vf
206
Point 16 :
3035 2,84
3030 2,83
3025 2,83
2,82
Surtension s
3020
dV/dt s
2,82 Surtension
3015
2,81 dV/dt
3010
2,81
3005 2,80
3000 2,80
2995 2,79
2,750 2,800 2,850 2,900 2,950 3,000 3,050
Vf
Point 17 :
960 1,22
1,22
955
1,21
1,21
950
Surtension s
1,20
dV/dt s
Surtension
945 1,20
dV/dt
1,19
940
1,19
1,18
935
1,18
930 1,17
2,750 2,800 2,850 2,900 2,950 3,000 3,050
Vf
Point 18 :
3165 2,88
2,87
3160
2,86
3155
2,85
Surtension s
dV/dt s

2,83 dV/dt
3145
2,82
3140
2,81
3135
2,80
3130 2,79
2,750 2,800 2,850 2,900 2,950 3,000 3,050
Vf
207

du courant de fuite, Ices :
Point 7 :
772 1,38
770 1,37
768 1,36
1,35
766
Surtension s
1,34
764
dV/dt s
1,33 Surtension
762
1,32 dV/dt
760
1,31
758
1,30
756 1,29
754 1,28
752 1,27
0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Ices
Point 8 :
2781 2,96
2780 2,94
2779 2,92
Surtension s
dV/dt s Surtension
2778 2,90
dV/dt
2777 2,88
2776 2,86
2775 2,84
0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Ices
Point 9 :
890 1,38
1,37
888
1,36
1,35
886
Surtension s
1,34
dV/dt s
Surtension
884 1,33
dV/dt
1,32
882
1,31
1,30
880
1,29
878 1,28
0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Ices
208
Point 10 :
2970 3,04
3,03
2965 3,02
3,01
2960
Surtension s
3,00
dV/dt s
2,99 Surtension
2955
2,98 dV/dt
2,97
2950
2,96
2945 2,95
2,94
2940 2,93
0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Ices
Point 11 :
1030 1,34
1,32
1025
1,30
Surtension s
1020
dV/dt s
1,28
Surtension
dV/dt
1,26
1015
1,24
1010
1,22
1005 1,20
0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Ices
Point 12 :
3110 3,15
3,14
3105
3,13
3100
Surtension s
3,12
dV/dt s
Surtension
3095 3,11
dV/dt
3,10
3090
3,09
3085
3,08
3080 3,07
0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Ices
209
Point 13 :
723 1,24
722
1,22
721
1,20
720
Surtension s
1,18
719
dV/dt s
Surtension
718 1,16
dV/dt
717
1,14
716
1,12
715
1,10
714
713 1,08
0 5 10 15 20 25 30 35 40
Ices
Point 14 :
2830 2,76
2825 2,75
2820 2,75
Surtension s
dV/dt s
Surtension
2815 2,74
dV/dt
2810 2,74
2805 2,73
2800 2,73
0 5 10 15 20 25 30 35 40
Ices
Point 15 :
836 1,24
834
1,22
832
1,20
830
Surtension s
dV/dt s
828 1,18
Surtension
826 dV/dt
1,16
824
1,14
822
1,12
820
818 1,10
0 5 10 15 20 25 30 35 40
Ices
210
Point 16 :
3035 2,84
3030 2,83
3025 2,83
2,82
Surtension s
3020
dV/dt s
2,82 Surtension
3015
2,81 dV/dt
3010
2,81
3005 2,80
3000 2,80
2995 2,79
0 5 10 15 20 25 30 35 40
Ices
Point 17 :
960 1,22
1,22
955
1,21
1,21
950
Surtension s
1,20
dV/dt s
Surtension
945 1,20
dV/dt
1,19
940
1,19
1,18
935
1,18
930 1,17
0 5 10 15 20 25 30 35 40
Ices
Point 18 :
3165 2,88
2,87
3160
2,86
3155
2,85
Surtension s
dV/dt s

2,83 dV/dt
3145
2,82
3140
2,81
3135
2,80
3130 2,79
0 5 10 15 20 25 30 35 40
Ices
211
212
Annexe 4 : Plan 1, analyse de variance sur dV/dt
Annexe 4 :
Plan 1 ; Analyse de variance sur dV/dt
213
214
Les résultats de vitesse de commutation mesurés ont fait l’objet d’une analyse de variance.
Cette analyse permet d’identifier les facteurs et interactions ayant une influence
statistiquement significative sur les variations de la vitesse de commutation.

U 58,7940 1 58,7940 35974,5297 5,2470 influent 1,1676E-94
I 0,1022 2 0,0511 31,2794 3,8903 influent 1,9685E-08
T°C 0,8548 2 0,4274 261,5209 3,8903 influent 3,3147E-31
U*I 0,1627 2 0,0814 49,7836 3,8903 influent 3,5602E-12
U*T°C 0,0194 2 0,0097 5,9355 3,8903 influent 0,4158
I*T°C 0,0073 4 0,0018 1,1223 2,9748 non influent 35,3063
Résidu 0,1144 70 0,0016
Total 60,0550 83
Après suppression des éléments jugés non influents, la significativité des éléments restant
est vérifiée.

U 58,7940 1 58,7940 35738,3400 5,2346 influent 4,253E-99
I 0,1022 2 0,0511 31,0741 3,8790 influent 1,5964E-08
T°C 0,8548 2 0,4274 259,8039 3,8790 influent 3,4841E-32
U*I 0,1627 2 0,0814 49,4567 3,8790 influent 2,301E-12
U*T°C 0,0194 2 0,0097 5,8965 3,8790 influent 0,4206
Résidu 0,1217 74 0,0016
Total 60,0550 83
Les trois facteurs étudiés et les interactions entre la tension et le courant et entre la tension
et la température ont une influence statistiquement significative sur la vitesse de commutation
des modules.
215
216
Annexe 5 : Plan 2 ; analyse statistique des résultats
Annexe 5 :
Plan 2 ; Analyse statistique des résultats
217
218
Annexe 5.1 : Méthode de Daniel

Surtension :
Au point a (500 V ; 600 A) :
s 2,5
2
Lcom
1,5 ton
Rgoff
1
Lcom/ton
Rgoff/ton
0,5
0
0 5 10 15 20 25 30 35 40
Droite de Daniel pour la surtension au point a
Au point b (1200 V ; 1000 A) :

2,5
s
2
Lcom
1,5 ton
Rgoff
1 Rgoff/ton
Lcom/ton
Lcom/Rgoff
0,5
0
0 5 10 15 20 25
Droite de Daniel pour la surtension au point b
Au point c (2000 V ; 1500 A) :

2,5
s
2
Lcom
1,5
Rgoff/ton ton
1 Rgoff
Lcom/ton
0,5
0
0 2 4 6 8 10 12 14 16
Droite de Daniel pour la surtension au point c
219
Vitesse de commutation :
Au point a (500 V ; 600 A) :
2,5
s
2
Rgoff
1,5
ton
0,5
0
Rgoff/ton
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
Droite de Daniel pour la vitesse de commutation au point a
Au point b (1200 V ; 1000 A) :

2,5
s
2
Rgoff
1,5
ton
0,5
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Droite de Daniel pour la vitesse de commutation au point b
Au point c (2000 V ; 1500 A) :

2,5
s
2
Rgoff
1,5
ton
0,5
0
0 0,2 0,4 0,6 0,8 1 1,2
Droite de Daniel pour la vitesse de commutation au point c
220
Annexe 5.2 : Méthode de Lenth

Surtension :
Au point a (500 V ; 600 A) :
100
80
60
Coefficients s
40
20
ff
f
ge
on
n
n
om
of
e
go
/to
of
to
Lg
/L
To
Rg
f/t
-20
Rg
/R
e/
om
Lc
om
of
Lg
e/
om
Rg
Lc
Lg
Lc
Lc
-40
-60
Méthode de Lenth pour la surtension au point a
Au point b (1200 V ; 1000 A) :

150
100
50
Coefficients s
0
ff
f
ge
on
n
n
of
om
f
e
go
n
/to
of
to
Lg
/L
to
f/t
Rg
Rg
/R
e/
om
Lc
om
of
Lg
e/
om
-50
Rg
Lc
Lg
Lc
Lc
-100
-150
Méthode de Lenth pour la surtension au point b
Au point c (2000 V ; 1500 A) :

200
150
100
Coefficients s
50
0
ff
f
ge
on
n
n
of
om
f
e
go
n
/to
of
to
Lg
/L
to
Rg
f/t
Rg
/R
e/
om
Lc
om
-50
of
Lg
e/
om
Rg
Lc
Lg
Lc
Lc
-100
-150
Méthode de Lenth pour la surtension au point c
221
Au point a (500 V ; 600 A) :
0,15
0,1
0,05
0
s
ff
f
ge
on
n
n
Coefficients
om
of
e
-0,05
go
of
/to
to
Lg
/L
to
f/t
Rg
Rg
/R
e/
Lc
om
om
of
Lg
e/
om
Rg
Lc
Lg
Lc
-0,1
Lc
-0,15
-0,2
-0,25
-0,3
-0,35
Méthode de Lenth pour la vitesse de commutation au point a
Au point b (1200 V ; 1000 A) :

0,6
0,4
s
0,2
Coefficients
0
ff
f
ge
on
n
n
f
om
of
e
go
of
/to
to
Lg
/L
to
f/t
Rg
Rg
/R
e/
om
Lc
om
of
Lg
e/
-0,2
om
Rg
Lc
Lg
Lc
Lc
-0,4
-0,6
Méthode de Lenth pour la vitesse de commutation au point b
Au point c (2000 V ; 1500 A) :

0,3
0,2
0,1
s
0
Coefficients
ff
f
ge
on
n
n
om
of
e
go
of
/to
to
-0,1
Lg
/L
to
f/t
Rg
Rg
/R
e/
Lc
om
om
of
Lg
e/
om
Rg
Lc
Lg
Lc
Lc
-0,2
-0,3
-0,4
-0,5
-0,6
Méthode de Lenth pour la vitesse de commutation au point c
222
Annexe 5.3 : Analyse de Variance
Surtension :
Au point a (500 V ; 600 A) :

Lcom 129600 1 129600 1065,7895 10,007 influent 5,06721E-07
Lge 400 1 400 3,2895 10,007 non influent 0,1295
Rgoff 7056 1 7056 58,0263 10,007 influent 0,0006
ton 9216 1 9216 75,7895 10,007 influent 0,0003
Lcom/Lge 16 1 16 0,1316 10,007 non influent 0,7316
Lcom/Rgoff 400 1 400 3,2895 10,007 non influent 0,1295
Lcom/ton 3136 1 3136 25,7895 10,007 influent 0,0038
Lge/Rgoff 0 1 0 0,0000 10,007 non influent 1
Lge/ton 144 1 144 1,1842 10,007 non influent 0,3262
Rgoff/ton 1936 1 1936 15,9211 10,007 influent 0,0104
Résidu 608 5 121,6
Total 152512 15
ANOVA sur la surtension au point a

Lcom 129600 1 129600 826,53 6,937 influent 6,037E-11
Rgoff 7056 1 7056 45,00 6,937 influent 5,310E-05
ton 9216 1 9216 58,78 6,937 influent 1,706E-05
Résidu 1568 10 156,8
Total 152512 15
Vérification du caractère significatif des variables sur la surtension au point a
223
Au point b (1200 V ; 1000 A) :

Lcom 275625 1 275625 4240,3846 10,007 influent 1,61694E-08
Lge 225 1 225 3,4615 10,007 non influent 0,1219
Rgoff 18225 1 18225 280,3846 10,007 influent 1,38824E-05
ton 34225 1 34225 526,5385 10,007 influent 2,92369E-06
Lcom/Rgoff 2025 1 2025 31,1538 10,007 influent 0,0025
Lge/Rgoff 225 1 225 3,4615 10,007 non influent 0,1219
Rgoff/ton 4225 1 4225 65 10,007 influent 0,0005
Résidu 325 5 65
Total 338175 15
ANOVA sur la surtension au point b

Lcom 275625 1 275625 3006,82 7,209 influent 1,12222E-12
Rgoff 18225 1 18225 198,82 7,209 influent 1,92813E-07
ton 34225 1 34225 373,36 7,209 influent 1,23013E-08
Lcom/Rgoff 2025 1 2025 22,09 7,209 influent 0,001120018
Rgoff/ton 4225 1 4225 46,09 7,209 influent 8,00382E-05
Résidu 825 9 91,67
Total 338175 15
Vérification du caractère significatif des variables sur la surtension au point b
224
Au point c (2000 V ; 1500 A) :

Lcom 313600 1 313600 560,0000 10,007 influent 2,5093E-06
Lge 900 1 900 1,6071 10,007 non influent 0,2607
Rgoff 10000 1 10000 17,8571 10,007 influent 0,0083
ton 129600 1 129600 231,4286 10,007 influent 2,2252E-05
Lcom/Rgoff 1600 1 1600 2,8571 10,007 non influent 0,1518
Lge/Rgoff 100 1 100 0,1786 10,007 non influent 0,6902
Résidu 2800 5 560
Total 499200 15
ANOVA sur la surtension au point c

Lcom 313600 1 313600 435,56 6,937 influent 1,4148E-09
Rgoff 10000 1 10000 13,89 6,937 influent 0,0039
ton 129600 1 129600 180 6,937 influent 1,0164E-07
Rgoff/ton 32400 1 32400 45 6,937 influent 5,31E-05
Résidu 7200 10 720
Total 499200 15
Vérification du caractère significatif des variables sur la surtension au point c
225
Au point a (500 V ; 600 A) :

Lge 0,0031 1 0,0031 1,3421 10,007 non influent 0,299
Rgoff 1,7109 1 1,7109 745,4258 10,007 influent 1,233E-06
ton 0,6667 1 0,6667 290,47 10,007 influent 1,273E-05
Lcom/Lge 4E-06 1 4E-06 0,0017 10,007 non influent 0,9683
Résidu 0,0115 5 0,002
Total 2,5013 15
ANOVA sur la vitesse de commutation au point a

Rgoff 1,7109 1 1,7109 882,6280 6,55 influent 1,321E-12
ton 0,6667 1 0,6667 343,9336 6,55 influent 3,362E-10
Rgoff/ton 0,1005 1 0,1005 51,8419 6,55 influent 1,087E-05
Résidu 0,0233 12 0,0019
Total 2,5013 15
Vérification du caractère significatif des variables sur la vitesse de commutation au point a
226
Au point b (1200 V ; 1000 A) :

Lge 0,0098 1 0,0098 0,2705 10,007 non influent 0,6252
Rgoff 3,5996 1 3,5996 99,8306 10,007 influent 0,0002
ton 1,2561 1 1,2561 34,8363 10,007 influent 0,0020
Rgoff/ton 0,1408 1 0,1408 3,9053 10,007 non influent 0,1051
Résidu 0,1803 5 0,036
Total 5,3587 15
ANOVA sur la vitesse de commutation au point b

Rgoff 3,5996 1 3,5996 93,021 6,41 influent 2,733E-07
ton 1,2561 1 1,2561 32,4601 6,41 influent 7,325E-05
Résidu 0,5031 13 0,0387
Total 5,3587 15
Vérification du caractère significatif des variables sur la vitesse de commutation au point b
227
Au point c (2000 V ; 1500 A) :

Lge 0,0033 1 0,0033 0,6442 10,007 non influent 0,4586
Rgoff 4,8213 1 4,8213 931,3385 10,007 influent 0,0000
ton 0,9697 1 0,9697 187,3241 10,007 influent 0,0000
Rgoff/ton 0,0498 1 0,0498 9,6277 10,007 non influent 0,0268
Résidu 0,0259 5 0,005
Total 5,9262 15
ANOVA sur la vitesse de commutation au point c

Rgoff 4,8213 1 4,8213 463,7158 6,41 influent 1,492E-11
ton 0,9697 1 0,9697 93,2692 6,41 influent 2,691E-07
Résidu 0,1352 13 0,0104
Total 5,9262 15
Vérification du caractère significatif des variables sur la vitesse de commutation au point c
228
Annexe 6 : Plan 2 ; analyse graphique des résultats
Annexe 6 :
Plan 2 ; Analyse graphique des résultats
229
230
Les graphiques d’adéquation de chacun des 6 modèles sont fournis ici.

Surtension :
Point a (500 V ; 600 A) :
1050
1000
s
950
Réponses mesurées
900
850
800
750
700
700 750 800 850 900 950 1000 1050
Graphe d’adéquation du modèle de surtension au point a
Point b (1200 V ; 1000 A) :

2100
2000
s
Réponses mesurées
1900
1800
1700
1600
1500
1500 1600 1700 1800 1900 2000 2100
Graphe d’adéquation du modèle de surtension au point b
Point c (2000 V ; 1500 A) :

3100
3000
s
2900
Réponses mesurées
2800
2700
2600
2500
2400
2400 2500 2600 2700 2800 2900 3000 3100
Graphe d’adéquation du modèle de surtension au point c
231
Vitesse de commutation
Point a (500 V ; 600 A) :
2,2
2
s
Réponses mesurées
1,8
1,6
1,4
1,2
1
1 1,2 1,4 1,6 1,8 2 2,2
Graphe d’adéquation du modèle de vitesse de commutation au point a
Point b (1200 V ; 1000 A) :

3,6
3,4
s
3,2
Réponses mesurées
2,8
2,6
2,4
2,2
2
2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6
Graphe d’adéquation du modèle de vitesse de commutation au point b
Point c (2000 V ; 1500 A) :

4,2
3,8
s
Réponses mesurées
3,6
3,4
3,2
2,8
2,6
2,4
2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2
Graphe d’adéquation du modèle de vitesse de commutation au point c
232
Annexe 7 : Etude de l’interaction entre Lge et T°C
Annexe 7 :
Etude de l’interaction entre l’inductance
Lge et la température T°C
233
234
Pour vérifier l’absence d’interaction entre l’inductance Lge, liée à la longueur du câble
reliant l’allumeur à la commande de l’IGBT, et la température de fonctionnement T°C, nous
avons réalisé un plan complet de 4 expériences.
Chacun des deux facteurs est doté de deux modalités :
Lge T°C
A Câble court (cc) 25°C
B Câble long (cl) 125°C
Les résultats obtenus pour les 4 essais sont résumés dans le tableau suivant :
Lge T°C dV/dt (kV/µs) Surtension (V)

cc 25°C 2,714 2340
cc 125°C 2,5 2380
cl 25°C 2,692 2320
cl 125°C 2,571 2380
Comme pour les autres essais, 5 répétitions ont été réalisés. Une analyse de variance
permet d’identifier les facteurs ayant une influence statistiquement significative sur les
réponses observées.
L’analyse de variance sur la vitesse de commutation donne les résultats suivants :

Lge 0,0002 1 0,0002 0,0303 6,11512713 non influent 86,4023823
T°C 0,0515 1 0,0515 7,4187 6,11512713 influent 1,50233768
Lge/T°C 0,0024 1 0,0024 0,3547 6,11512713 non influent 55,9800166
Résidus 0,1110 16 0,0069
Total 0,1652 19
Après suppression des élément non influents :

T°C 0,0515 1 0,0515 8,1499 5,9780 influent 1,0522
Résidus 0,1137 18 0,0063
Total 0,1652 19
235
L’analyse de variance sur la surtension donne les résultats suivants :

Lge 100 1 100 0,05015674 6,11512713 non influent 82,562
T°C 15000 1 15000 7,52351097 6,11512713 influent 1,4443
Lge/T°C 100 1 100 0,05015674 6,11512713 non influent 82,562
Résidus 31900 16 1993,75
Total 47100 19
Après suppression des élément non influents :

T°C 15000 1 15000 8,4112 5,9780 influent 0,9541
Résidus 32100 18 1783,33
Total 47100 19
Nous constatons donc que l’interaction entre l’inductance Lge et la température T°C n’est
pas statistiquement significative sur l’un ni l’autre des réponses mesurées.
236
237
238
Résumé
La conception des onduleurs de traction ferroviaire développés par Alstom Transport se base sur l’aire
de sécurité de ces modules. La surtension et la vitesse de commutation des modules IGBT de forte
puissance tels que ceux utilisé en traction ferroviaire peuvent être considérés comme des performances
critiques dans la définition de cette aire de sécurité. La modélisation de ces performances, effectuée dans ce
travail de recherche, repose sur l’utilisation des méthodes de plan d’expériences. Ces méthodes, définies
comme un agencement raisonné d’essais et considérées comme l’un des outils statistiques le plus puissant
développé au 20ème siècle, ont permis d’obtenir des modèles de façon empirique en n’effectuant qu’un
nombre minimal d’expérimentations. Ces modèles, de forme quadratique, prennent en compte l’ensemble
des facteurs préalablement jugés influents sur les performances observées et améliorent la connaissance du
comportement dynamique des modules IGBT dans chacune de leurs applications.
Mots clés :
Plan d’expériences, Criblage, Surface de réponse, Critère d’optimalité, IGBT, Surtension, Vitesse de
commutation.
Summary
Design of the IGBT power converter developed by Alstom Transport is based on the safety area of these
modules. Overvoltage and commutation speed of high power IGBT modules as these used in railway
traction can be considered as critical performances in the safety area definition for these modules. In this
PhD work, modelling of these performances is made using design of experiments methods. These methods
can be define as reasoned organisation of array and considered as one of the most powerful statistical tool
developed during the 20th century. Design of experiments allows to obtain empirical models using a
minimal number of experiments. These quadratic models take into account all the influent factors on the
observed performances previously identify and increase the knowledge of the dynamical behaviour of
IGBTs modules in each one of its applications.
Key-words :
Design of experiments, Screening, Response surface method, Optimality criteria, IGBT, Overvoltage,
Commutation speed.

Thèse Plan D'expériences (Mec Exp 12)

Transféré par

Droits d'auteur :

Formats disponibles

Thèse Plan D'expériences (Mec Exp 12)

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

Thèse Plan D'expériences (Mec Exp 12)

Transféré par

Droits d'auteur :

Formats disponibles

N° d'ordre : 2509 Année 2007

Docteur de l'Institut National Polytechnique de Toulouse

Spécialité : Génie Mécanique

Modélisation par la méthode des plans

M. Serge CAPERAA Professeur des universités à l’ENI de Trabes Examinateur

Je souhaite tout d’abord présenter mes sincères remerciements à messieurs Malville et

Je souhaite également remercier Zoubir Khatir, chargé de recherche à l’INRETS, et

Je ne saurais oublier Henri Machoukow, instigateur de ce sujet de thèse innovant et qui

Table des matières

INTRODUCTION GENERALE .......................................................................................... 15

1. INTRODUCTION A LA METHODE DES PLANS D’EXPERIENCES ................... 57

4.4.3. Construction du plan d’expériences.................................................................. 107

CHAPITRE III :................................................................................................................... 119

4.6.1. Utilisation du K-algorithme de MODDE .......................................................... 151

CONCLUSION ET PERSPECTIVES ............................................................................... 171

REFERENCES ..................................................................................................................... 173

Table des illustrations

Fig 1. La chaîne de traction ............................................................................................................. 19

Fig 1. Evolution des techniques de criblage [Louvet, 06] ............................................................... 59

Fig 12. Effet de la température sur Vcesat ........................................................................................ 91

Figures du chapitre III :

Fig 1. Evolution des techniques de surfaces de réponse [Louvet, 06]........................................... 122

Table des illustrations (Table)

Table 1 Passage du plan d’expérimentation à la matrice d’expériences ............................................ 63

Tables du chapitre III :

Table 1 Tableau d’analyse de régression ......................................................................................... 141

Table 6 Matrice d’expériences G-Optimale ..................................................................................... 154

Si la productivité a été incontestablement le moteur du 20ème siècle, le 21ème siècle sera

Le dimensionnement d’un onduleur de traction à IGBT est aujourd’hui basé

Le premier chapitre traite de l’IGBT. Cette synthèse bibliographique présente la

Fig 1. La chaîne de traction

La partie essentielle du travail de conception d’une chaîne de traction réside dans le

Ce niveau maximal de courant de commutation est établi en fonction de la technologie de

Les deux plus célèbres transistors sont le MOSFET et le Bipolaire. L’avantage du

• L’IGT (Insulated Gate Transistor) de General Electric en 84 [Baliga, 84],

Pour mieux comprendre le fonctionnement de l’IGBT, ses avantages et son apparition

Il existe deux grandes familles de transistors :

Fig 2. Le premier transistor

Le transistor a constitué une invention déterminante sans laquelle l'électronique et

Pour faire varier la conductance du barreau de semi-conducteur, c'est-à-dire sa résistance

Le principe de fonctionnement du MOSFET se base sur la présence d’un canal dont la

La figure 3 illustre parfaitement le principe d'un transistor MOSFET à canal N. Le dopage

Si VD croit, alors on obtient un effet de pincement, illustré ci-dessous, car la capacité du

Fig 4. Pincement du canal en fonction de VD [Chatelain, 79]

Fig 5. Caractéristiques des différents types de transistors MOS [Cand, 86]

Fig 6. Structure PNP et NPN de transistors bipolaires

Le transistor bipolaire se commande, en courant, à la fermeture et à l’ouverture. C’est un

• Le courant inverse de porteurs majoritaires type trous dans le substrat P est

En fonctionnement normal, la jonction base-collecteur est polarisée en inverse, ce qui

Approximativement donc, tout le courant issu de l'émetteur se retrouve dans le collecteur.

En principe, le transistor bipolaire devrait être un dispositif symétrique donc réversible,

Malgré un gain intéressant, le temps de commutation important ainsi que la commande en

MOSFET IGBT IGBT IGBT IGBT GTO

Table 1 Caractéristiques moyennes comparées pour différents transistors [Carubelli, 03]

3.1. Gammes et usages

• 600V : adapté à la connexion sur un réseau 230V alternatif,

Fig 7. Structure de l’IGBT

Couche Matière Épaisseur (µm) CTE (ppm/°C)

Table 2 Matériaux utilisés dans les modules IGBT [Ciappa, 02]