Vous êtes sur la page 1sur 20

Plan dexprience

Prface
Pour celui dont la caisse outils ne contient quun marteau, tous les problmes sont des problmes de clous. Quand on veut amliorer la QUALITE, bien des problmes se posent ; pour les rsoudre il faut avoir une bote outils bien garnie, faute de quoi on reste la surface des choses. Nous avons tous commenc par exploiter statistiquement les rsultats de mesures faites plus ou moins rationnellement pour extraire linformation utile. Plus rarement nous nous sommes poss le problme de savoir comment organiser, a priori, ces campagnes de mesures pour maximiser la qualit dinformations contenue sous forme latente dans leurs rsultats bruts. Pour connaitre leffet dun facteur, il faut isoler ce facteur en le faisant varier seul. Lorsque plusieurs facteurs varient, le plan dexprience rsultant de ce principe se complique et stend exponentiellement. Explorer n paramtres p niveaux (sans rptition) ncessite n ncessite np expriences ; knp si on veut avoir k rsultats pour chaque combinaison ; un niveau de plus multiplie par p le nombre des essais, un paramtre de plus ajoute 2 knp+k expriences. Qui na pas l-devant prouv le vertige du combinatoire et baiss les bras ? Comment rduire drastiquement le nombre dexprience en conservant aux rsultats leur qualit, comment organiser la variation des facteurs contrler pour optimiser le nombre et donc le cot et le dlai des expriences ncessaires lvaluation de leur influence ? Le but de ce chapitre est de fournir aux praticiens les mthodes statistiques et mathmatiques appliqus lexprimentation ncessaires une meilleure conduite dune exprience.

1 Introduction
1.1 Quest ce quune exprience ?
Le petit Larousse dfinit le mot exprience comme suit : Connaissance acquise par une longue pratique jointe lobservation preuve- Essai effectu pour dmontrer ou vrifier quelque chose. 1.2 Quest ce quune exprience ? Dans plan dexpriences, il y a un plan et exprience. Nous avons vu ce quest une exprience. Plan est pris dans le sens de plan de travail dtaill. Mais alors, direz vous, quiconque conduit des expriences au sens du 1.1 a forcment un plan. Il ne fait pas nimporte quoi !
1

Nous rpondons quen gnral quelquun qui conduit des expriences parfois un plan mais quil avance souvent lintuition ou dans le dsordre. Dans le cas o il y a un plan, ce plan est un des plans possibles. Mais : -Est-ce un bon plan ? -Est-ce le meilleur plan ? Ce que nous entendons par plan dexpriences ncessite donc un adjectif. On pourrait dire plan dexprience optimal . Les plans que nous allons tudier sont bass sur des considrations rationnelles et font appel des rgles statistiques et des rgles algbriques.

1.3 Le plan dexprience, de quoi sagit-il ?


La notion de plan dexprience est ancienne mais lutilisation systmatique de protocoles dexprience dfinis lavance dans lindustrie et particulirement dans lindustrie est une chose rcente. Pour illustrer la dmarche, prenons un exemple. Un industriel gazifie du bois. Il dsire bien entendu avoir le meilleur rendement possible. Pour produire le gaz, il a le choix entre deux types de gazogne, entre deux essences darbre : le htre ou lpica. Le bois tant coup, il se demande quelle est la dimension optimale des plaquettes de bois utilises, quel degr dhumidit des dites plaquettes prendre. Voil quatre facteurs noncs ; on pourrait en faire intervenir dautres : conditions mtorologiques par exemple et, pourquoi pas, lge moyen de la main duvre. Face ce problme, tout individu rationnel commencera observer le phnomne afin den tirer des informations. Il nest pas le premier utiliser ce processus, il existe des manipulations antrieures quil importe de connatre. Mais cette connaissance par observation est trs souvent insuffisante. Alors il faut se lancer dans une tude de phnomnes et donc exprimenter. Mais lexprience cote cher en temps, en moyens matriels mettre en uvre. On sefforcera donc de tirer des expriences pour avoir le maximum dinformations. Pour cela il ne faudra pas faire ces expriences nimporte comment. On cherchera donc les planifier. Cest cette ide qui est mise en uvre dans les plans dexprience.

1.4 Processus dacquisition des donnes


Lorsque lon dsire augmenter les connaissances que lon a dun systme, on commence par se poser un certains nombre de questions. Le questionnement permet de dlimiter le problme rsoudre et fixent les travaux excuter pour y rpondre (Figure 1). Lexprimentateur effectue un inventaire des connaissances, soit une bibliographie, soit la consultation dexpert, soit un calcul thorique soit tout autre dmarche ayant pour but de rpondre, sans exprience, aux questions poses. Aprs cette dmarche certains questions peuvent tre rsolus et certains restent sans rponse : il est alors ncessaire dentreprendre des expriences pour rpondre dune manire complte la problmatique.

Systme tudier

Question Q1, Q2,.Q4 Inventaire des informations Choix dune mthode dexprimentation Acquisition progressive des rsultats Exprimentation Analyse des rsultats Connaissance du systme tudi
Figure 1 : processus dacquisition des connaissances A lexprimentation, il faut rflchir aux expriences raliser, et le problme est de savoir comment slectionner celles qui sont ncessaires de celles qui ne le sont pas. Existe-t-il une meilleure stratgie quune autre ? On entend par meilleure, une stratgie : - qui conduirait le plus rapidement possible aux rsultats esprs, - qui vitera de raliser des expriences inutiles, - qui apporterait la meilleure prcision possible sur les rsultats, - qui permettrait davancer coup sr, - qui conduirait la modlisation et loptimisation des phnomnes tudis. Cette stratgie existe et elle est efficace car elle prend en considration, en mme temps, trois aspects essentiels du processus dacquisition des connaissances : - lacquisition progressive des rsultats, - le choix de la mthode dexprimentation tout en organisant les expriences de manire que lexploitation des rsultats soit facilite, - lanalyse des rsultats 1.4.1 Acquisition progressive des rsultats Lexprimentateur qui entreprend une tude ne connat pas les rsultats, il est donc sage davancer progressivement et de rorienter les tudes en fonction des premiers essais. Une premire bauche permettra de mieux choisir les nouvelles orientations prendre pour prciser les seuls points intressants de ltude et les directions de recherche abandonner pour viter de perdre son temps.

1.4.2 Stratgie dans le choix des mthodes dexprimentation Cette stratgie doit faciliter lorganisation progressive de lacquisition des connaissances. Elle doit galement minimiser le plus possible le nombre dexpriences mais elle ne doit pas sacrifier la qualit des rsultats, au contraire, on recherche la meilleure prcision possible. 1.4.3 Lanalyse des rsultats Lanalyse des rsultats dexpriences doit tre facilite par le choix initial des expriences elles-mmes. Les rsultats doivent tre aiss interprter et prsenter aussi bien des spcialistes qu des non initis. Les calculs longs et fastidieux peuvent nos jours tre rsolus par ordinateur. Ils sont dans la plupart des cas, raliss en un instant et les reprsentations graphiques illustrent de manire spectaculaire les rsultats.

1.5 Etude dun phnomne


Ltude dun phnomne peut se schmatiser de la manire suivante : lexprimentateur sintresse une grandeur, par exemple le rendement en bl dune parcelle de terre ou lusure dune pice de moteur automobile. Cette grandeur, rendement ou usure, dpendra dun grand nombre de variables. Le rendement en bl sera fonction de la nature du terrain, de la qualit dengrais incorpor, de lexposition au soleil, du climat, de la varit de bl ensemenc, etc. Lusure de la pice du moteur automobile dpendra de la qualit des matires premires, des spcifications imposes, des conditions de fabrication, etc. Sous une forme mathmatique, on peut crire la grandeur dintrt y, que nous appellerons galement rponse par la suite, est en fonction de plusieurs variables xi (variables sont appeles facteurs) : y = f(x1,x2,xk) Ltude du phnomne se ramne alors la mesure de la rponse en fonction des diffrentes valeurs que lon peut donner aux facteurs. Une description de la mthode classique et de celle des plans dexprience sera prsente pour tudier la fonction y. 1.5.1 La mthode classique On fixe le niveau de toutes les variables sauf une et lon mesure la rponse y en fonction de plusieurs valeurs de la variable non fixe de x1. Par exemple, loptimisation de la croissance de Brevibacterium Linens en fonction du pH et de la temprature (T). On trace une courbe de la premire variable (taux de croissance en fonction du pH) en fixant la deuxime variable (T). Pour tudier la deuxime variable, on fixe le pH et on trace une courbe : taux de croissance en fonction du T. Loptimum de la croissance sera dfinit en prenant en compte les deux rsultats, donc un pH 9 et T=21C (Figure 2).

Figure 2 : Optimisation du taux de croissance en fonction de pH et de la temprature Si lon veut tudier plusieurs les variables les variables, il faut recommencer pour chacune. Si lon dsire tudier simplement 7 facteurs et que lon dsire prendre 5 points exprimentaux par variable, il faut excuter 57=78125 expriences. Ce chiffre reprsente un travail gigantesque qui dpasse les limites de faisable. Lexprimentateur doit donc rduire le nombre des essais. Deux attitudes sont possibles : Diminuer le nombre de points exprimentaux Pour trois points au lieu de 5 par variable, il y aura 37 = 2187 expriences raliser. Pour deux points, il faut faire 27 = 128 expriences. Ce qui est encore beaucoup et dpasse souvent les budgets disponibles ou le temps que lon peut consacrer ltude. Comme il est impossible de raliser moins de 2 expriences par variables, lexprimentateur doit se rsoudre rduire le nombre de variables. Diminuer le nombre de variables Pour 4 variables prenant chacune trois valeurs, il faudra excuter 34= 81 essais. Cette manire doprer laisse toujours un sentiment damertume et dinsatisfaction. Labandon de certaines variables laisse toujours planer un doute sur la valeur des rsultats et lexprimentateur car ses conclusions sont forcment incompltes. 1.5.2 La mthode des plans dexprience La diffrence capitale avec la mthode classique tient au fait que lon fait varier les niveaux de tous les facteurs la fois chaque exprience, mais de manire programme et raisonne.

Le fait de faire varier tous les facteurs la fois nest pas un inconvnient mais au contraire offre de nombreux avantages parmi lesquels : - diminution du nombre des essais - dtection des interactions entre facteurs - dtection des optimaux - meilleure prcision sur les rsultats - optimisation des rsultats - modlisation des rsultats Les plans dexpriences permettent ltude de nombreux facteurs avec un nombre dessai raisonnable, cest pourquoi lune de leurs applications principales est la recherche des facteurs influents.

2. Les plans dexpriences


2.1 Notion despace exprimental
Au lieu de limiter le nombre de facteurs tudier, on rduira le nombre de points dexprience par facteur. La recherche des facteurs influents consiste : - fixer deux valeurs seulement pour chaque facteur. Ces valeurs seront dnommes niveaux. - tudier le plus grand nombre possible de facteurs. On dmontre que la meilleure prcision est obtenue quand les points exprimentaux sont aux extrmits du domaine. On a donc intrt mettre les points dtude la borne infrieure (niveau bas) et la borne suprieure (niveau haut) du domaine (Figure 3).

Figure 3 : Le niveau bas du facteur est not par - 1 et le niveau haut par +1. Le domaine de variation du facteur est constitu de toutes les valeurs comprises entre le niveau bas et le niveau haut.

L'ensemble de toutes les valeurs que peut prendre le facteur entre le niveau bas et le niveau haut, s'appelle le domaine de variation du facteur ou plus simplement le domaine du facteur. On a l'habitude de noter le niveau bas par 1 et le niveau haut par +1. S'il y a un second facteur, il est reprsent, lui aussi, par un axe gradu et orient. On dfinit, comme pour le premier facteur, son niveau haut, son niveau bas et son domaine de variation. Ce second axe est dispos orthogonalement au premier. On obtient ainsi un repre cartsien qui dfinit un espace euclidien deux dimensions. Cet espace est appel l'espace exprimental. Le niveau x du facteur 1 et le niveau x du facteur 2 peuvent tre considrs
1 2

comme les coordonnes d'un point de l'espace exprimental (Figure 4). Une exprience donne est alors reprsente par un point dans ce systme d'axes. Un plan d'expriences est reprsent par un ensemble de points exprimentaux.

Figure 4 : Dans lespace exprimental, les niveaux des facteurs dfinissent des points exprimentaux. Cette faon de reprsenter une exprimentation par des points dans un espace cartsien est une reprsentation gomtrique de ltude. Cette reprsentation est limite lespace tridimensionnel. Dans le cas de 4 dimensions et au-del, une autre reprsentation de ltude doit tre utilise et sera prsente dans le paragraphe 3.1.2.

2.2 Les modles mathmatiques


Les modles mathmatiques utiliss pour les plans dexpriences sont : Modle polynomial du 1er ordre ou modle linaire :
= a0 + a1 x1 + a2 x2 + a12 x1x2 + e y

Modle polynomial du 2nd ordre ou modle quadratique :


2 = a0 + a1 x1 + a2 x2 + a12 x1x2 + a11 x12 + a22 x2 +e y

Pour gnraliser : y = a0 +

a x + a x x
i i ij i

... aij xi2 aij...z xi x j ...xz +

est la valeur prdite de la grandeur d'intrt y y est mesure au cours de l'exprimentation et elle est obtenue avec une prcision donne. x reprsente le niveau attribu au facteur i par l'exprimentateur pour raliser un essai. Cette
i

valeur est parfaitement connue. On suppose mme que ce niveau est dtermin sans erreur (hypothse classique de la rgression). ai, aj, aij, aii sont les coefficients du modle mathmatique adopt a priori. Ils ne sont pas connus et doivent tre calculs partir des rsultats des expriences. reprsente les erreurs exprimentales et le "manque d'ajustement". Cette expression traduit le fait que le modle a priori est fort probablement diffrent du modle rel qui rgit le phnomne tudi. Il y a un cart entre ces deux modles. Cet cart est le manque d'ajustement (lack of fit en anglais). L'intrt de modliser la rponse par un polynme est de pouvoir calculer ensuite toutes les rponses du domaine d'tude sans tre oblig de faire les expriences. Les modles du premier ordre sont utiliss pour les plans factoriels complets, plans factoriels fractionnaires alors que les plans dexpriences pour la surface de rponse (plan composite centr et Box) utilisent les modles du second ordre. Remarques importantes: -Dans le cas de plan factoriel, les coefficients sont trs faciles obtenir. On peut dmontrer que le coefficient de chaque variable est gal son effet moyen. -Le coefficient a0 est dtermin en affectant le signe + une colonne entire ensuite on multiplie par la rponse puis on divise par n/2. Pour valuer leffet des facteurs, a0 nest pas prise en compte, cest la constante du modle.

Le modle peut tre crit sous forme matriciel Chaque point exprimental permet d'obtenir une valeur de la rponse. Cette rponse est modlise par un polynme dont les coefficients sont les inconnues qu'il faut dterminer. A la fin du plan d'expriences, on a un systme de n quations (s'il y a n essais) p inconnues (s'il y a p coefficients dans le modle choisi a priori). Ce systme s'crit d'une manire simple en notation matricielle : y= aX + e y est le vecteur des rponses. X est la matrice de calcul, ou matrice du modle, qui dpend des points exprimentaux choisis pour excuter le plan et du modle postul. a est le vecteur des coefficients. e est le vecteur des carts. Ce systme possde un nombre d'quations infrieur au nombre d'inconnues. Il y a n quations et p + n inconnues. Pour le rsoudre, on utilise une mthode de rgression base sur
8

le critre des moindres carrs. On obtient ainsi les estimations des coefficients que l'on note : Le rsultat de ce calcul est : A=(XX)-1Xy Formule dans laquelle la matrice X est la matrice transpose de X. De nombreux logiciels excutent ce calcul et donnent directement les valeurs des coefficients. Deux matrices interviennent constamment dans la thorie des plans dexpriences : La matrice dinformation XX La matrice de dispersion (XX)-1. Nous allons maintenant appliquer les notions et les proprits que nous venons de dcrire aux plans dexpriences les plus classiques. En effet, il existe diffrents plans dexpriences, nous allons voir deux types de plans les plus utiliss en industrie, nous verrons successivement les plans suivants : Les plans factoriels complets et fractionnaires qui sont des plans de criblage Les plans factoriels pour surface de rponse, le plan composite centr

3 Plans factoriels complets deux niveaux


Les plans factoriels deux niveaux sont les plus simples mais ils sont trs utiles car ils ont de nombreuses applications. Ces plans possdent un nombre de niveaux limit deux pour chaque facteur. Toutes les combinaisons de niveaux sont effectues au cours de l'exprimentation. Ces plans peuvent tre utiliss indistinctement pour les variables continues et pour les variables discrtes. On peut augmenter le nombre de facteurs car lespace exprimental possde autant de dimensions qu'il y a de facteurs et le modle mathmatique correspond la relation. Un plan comportant k facteurs deux niveaux est not 2k. Le k en exposant signifie qu'il y a k facteurs tudis. Le 2 indique le nombre de niveaux par facteur. On remarquera que cette notation indique galement le nombre d'essais raliser. Dans un premier temps on va tudier les plans factoriels complets deux facteurs. Au travers dun exemple, les prsentations des donnes, les calculs et les significations des facteurs seront prsents.

3.1 Plan deux facteurs


3.1.1 Le modle Pour deux facteurs, le domaine d'tude est un carr (en units codes). Par exemple, la Figure 5 reprsente un plan factoriel complet deux facteurs. Le modle mathmatique postul est un modle du premier degr par rapport chaque facteur : y = a0 + a1 x1 + a2 x2 + a12 x1x2 + e
9

est la rponse prdite y x reprsente le niveau attribu au facteur i.

a est la valeur de la rponse au centre du domaine d'tude. a est l'effet (ou effet principal) du facteur 1. a est l'effet (ou effet principal) du facteur 2. a est l'interaction entre les facteurs1 et 2. e est l'cart. On dmontre que les meilleurs emplacements des points d'expriences sont situs aux sommets du domaine d'tude. 3.1.2 Reprsentation graphique et matrice des essais Exemple dapplication de plan complet deux facteurs: on tudie le rendement dune raction chimique en fonction de la temprature et de la concentration du ractif. Les limites de concentration varient entre 40 et 60 mol/L et la temprature varie entre 160 et 180C. On prsente le tableau des niveaux des deux facteurs : Tableau 1 : Identification des niveaux Niveau -1 T C 160 20 Niveau +1 180 40
12 2 1 0

La reprsentation gomtrique des emplacements des points exprimentaux sur les sommets du domaine dtude (figure 5 ).

10

Figure 5 : Reprsentation graphique du domaine exprimental Pour les espaces multidimensionnels, on adopte une reprsentation en forme de tableau. Pour montrer la correspondance entre les deux reprsentations, gomtrique et tableau, nous allons expliquer la construction du tableau rassemblant les expriences du plan 2 associ la Figure 5. Ce tableau comprend trois colonnes, la premire identifie les essais, la seconde et la troisime indiquent les coordonnes (codes ou signes) des points d'expriences. L'essai n1 est celui pour lequel les deux facteurs tudis sont aux niveaux bas, 160C (ou - 1 en units codes) et 20 mol/L (ou - 1 en en units codes). Cet essai n1 correspond au point A de la Figure 5. L'essai n2 est celui pour lequel le premier facteur est fix au niveau haut, 180 mol/L (ou +1 en units codes) et le second facteur est fix au niveau bas : 20 grammes (ou 1 en units codes). Cet essai n2 correspond au point B et ainsi de suite pour le point C et D. Le tableau suivant s'appelle Tableau d'exprimentation s'il est construit avec les units physiques habituelles (Tableau 2) et Plan d'expriences s'il emploie les units codes (Tableau 3). Dans ce dernier cas, on rappelle la signification des units codes en indiquant, pour chaque facteur, leurs valeurs en units physiques habituelles en bas du tableau. Tableau 2 : Tableau dexprimentation (units courantes) No. Essai 1; A 2; B 3; C 4; D T 160 180 160 180 C 20 20 40 40

La reprsentation qui utilise les units codes est plus gnrale que celle qui emploie les units physiques habituelles. C'est celle qui est le plus souvent adopte et cest celle que nous utiliserons par la suite. Tableau 3 : Matrice dessai pour 2 facteurs deux niveaux (units codes) No. Essai 1; A 2; B 3; C 4; D T -1 +1 -1 +1 C -1 -1 +1 +1

Les reprsentations gomtriques et les reprsentations par tableaux sont quivalentes. Les tableaux (ou matrices dessai) prsentent l'avantage de pouvoir tre utiliss quel que soit le nombre de facteurs, c'est--dire quel que soit le nombre de dimensions de l'espace exprimental. Le fait dattribuer les valeurs codes revient raliser un changement dunit de mesure qui permet de traiter tous les facteurs de la mme manire. Les variables sont alors dites centres rduites. Il est utile de savoir passer d'une reprsentation l'autre pour bien interprter les rsultats des plans d'expriences.
11

Pour un Plan 3 facteurs, il faut faire 23 expriences = 8 expriences. La matrice dessai est prsente dans le tableau suivant : Tableau 4: Matrice dessai pour 3 facteurs deux niveaux (units codes) A Essai n1 Essai n2 Essai n3 Essai n4 Essai n5 Essai n6 Essai n7 Essai n8 -1 +1 -1 +1 -1 +1 -1 +1 B -1 -1 +1 +1 -1 -1 +1 +1 C -1 -1 -1 -1 +1 +1 +1 +1

Gnralisation sur k facteurs de la matrice des essais Pour k facteurs, le nombre dessais raliser est de 2k Nom de plans 2k donn cette famille de plans Pour un plan 2k, la matrice des essais comporte k colonnes et 2k lignes : -Colonne du 1er facteur : alternance de -1 et +1 -Colonne du 2me facteur : alternance de -1 et +1 de 2 en 2 -Colonne du 3me facteur : alternance de -1 et +1 de 4 en 4 -Colonne du 4me facteur : alternance de -1 et +1 de 8 en 8 -

3.1.3 Calcul des effets principaux et des interactions Le calcul des effets permet destimer linfluence du facteur sur la rponse. On distingue deux types deffet : leffet moyen et leffet global

12

Leffet global dun facteur donn est la diffrence entre la moyenne des rponses au niveau haut du facteur et la moyenne des rponses au niveau bas du mme facteur. Leffet moyen est selon la dfinition, la moiti de leffet globale. Il est trs facile de retrouver les formules qui donnent la valeur des effets : les rponses se succdent dans lordre des essais et elles sont affectes des signes ou + de la colonne qui est attribue au facteur tudi dans la matrice dexprience. Cette manire de calculer les effets se gnralise tous les plans factoriels deux niveaux quel que soit le nombre de facteur. Pour le calcul des effets globaux, on divise la somme de rponses affectes de signe par n/2 (avec n nombre dessais) alors que pour le calcul des effets moyens on divise par n. Cette mthode est galement valable pour le calcul des effets des interactions. Pour ce faire, il faut multiplier le signe de chacun des deux (ou trois) facteurs et puis le multiplier par la rponse et ensuite diviser le tout par n/2.

3.1.4 Signification des effets ANOVA A suivre le mme raisonnement dcrit dans le cours ANOVA. Signification des effets selon F (loi de Fischer) et/ou P (probabilit critique) Droite de Henry Cette mthode permet de classer les effets qui nont pas de signification autour de la droite. Par contre les effets (ou interactions) carts de la droite sont significatifs. La droite de Henry est donne sur la figure 6.

Droite de Henry des effets normaliss


(rponse : Y, Alpha = 0,05)
99 Effect Ty pe Non significatif Significatif
F acteur A B C D N om proteine pH S el S accharose

95 90 80 A

Pourcentage

70 60 50 40 30 20 10 5 D CD

-25

-20

-15

-10 -5 Effet normalis

13

Figure 6: Prsentation de la droite de Henry Diagramme de Pareto Ce diagramme est un moyen simple pour classer les effets globaux par ordre dimportance. Son objectif est de faire apparaitre les facteurs ou interactions essentielles dun phnomne, hirarchiser et valuer leur signification statistique. Lvaluation statistique se fait par un calcul du seuil de signification avec un risque . Linterprtation des donnes est dcrite sur la figure 7.

Figure 7: Prsentation du diagramme de Pareto

4. Plans factoriels fractionnaires deux niveaux 2k-q


Le nombre de facteur peut tre augment k facteurs dans un espace exprimental possdant autant de dimensions. Mais pour seulement 7 facteurs, il faudrait excuter 128 essais. Le nombre dessais reste consquent. Pour diminuer le nombre des essais en conservant la possibilit d'tudier tous les facteurs, les plans factoriels fractionnaires deux niveaux ont t introduits.

4.1 Principe
Les plans factoriels fractionnaires sont des plans factoriels qui permettent d'tudier tous les facteurs en diminuant considrablement le nombre dexprience par rapport au plan factoriel complet. Un plan factoriel fractionnaire 2k-q a 2q fois moins dessais que plan factoriel complet. A la fin d'un plan factoriel fractionnaire, on a un systme de n quations p coefficients inconnus avec p plus grand que n. On ne sait pas rsoudre un tel systme. Comme on ne peut pas augmenter le nombre d'quations, il faut diminuer le nombre d'inconnues. On y arrive en utilisant un artifice : on regroupe les coefficients de telle manire qu'il y ait n inconnues. On rsout donc un systme de n quations n groupes de coefficients. On appelle
14

ces groupes de coefficients, des contrastes ou des aliases et on dit que les coefficients sont aliases dans les contrastes.
k k-1

Le plan fractionnaire, moiti du plan complet possde 1/2 2 ou 2 signification chaque caractre de cette notation :

essais. On peut donner une

Le k signifie qu'il y a k facteurs tudis. Le 2 signifie que chaque facteur prend deux niveaux.
1

Le 1 signifie que le nombre d'essais du plan a t divis par 2 .


5-2

Un plan 2
k-q

permet d'tudier cinq facteurs prenant chacun deux niveaux en 8 essais. Le plan
2

complet a t divis par 2 = 4. Un plan 2


q

permet d'tudier k facteurs prenant chacun deux niveaux. Le plan complet a t

divis par 2 . On veut tudier 3 facteurs en ne faisant que 4 essais. On prend la prcaution de choisir les 4 essais qui sont disposs comme l'indique la Figure 8.

Figure 8 : Un plan factoriel complet 23 peut tre divis en deux plans factoriels fractionnaires 23-1, un plan noir et un plan gris.

4.2 Le modle
Le modle mathmatique de la rponse d'un plan factoriel 3 facteurs comporte 8 coefficients (modle 1) :

Comme il n'y a que 4 essais, on ne peut calculer que 4 inconnues. On adopte le modle (modle 2) :

15

Avec :

On sait calculer les contrastes li du modle 2. Mais la difficult est d'arriver interprter ces contrastes pour remonter aux coefficients. D'aprs les relations ci-dessus un contraste n'est gal un effet principal que si les interactions avec lesquelles il est alias sont ngligeables. C'est donc le pari que l'on fait quand on ralise un plan fractionnaire. On espre que les interactions sont assez faibles pour tre ngliges. A chaque fois que ce sera le cas, on aura gagn. Mais si l'interaction est forte il faudra faire des essais supplmentaires pour valuer individuellement l'effet principal d'un ct et les interactions de l'autre. Le problme qui se pose toujours est de savoir si un contraste contient ou non une interaction non ngligeable. C'est le point dlicat de l'interprtation des plans fractionnaires. On rsout ce problme en connaissant bien la thorie des aliases et en appliquant intelligemment les hypothses d'interprtation (paragraphe suivant). Mais rien n'est ici automatique et l'exprimentateur devra mettre en uvre son bon sens et les connaissances qu'il a du phnomne tudi.

4.3 Les hypothses d'interprtation


Tous les plans fractionnaires posent le mme problme d'interprtation des rsultats. Comme on n'effectue pas toutes les expriences du plan complet, on ne peut pas obtenir la valeur de toutes les interactions. Il faut crer soi mme des informations supplmentaires de remplacement. Ces informations supplmentaires doivent tre ralistes et compatibles avec l'tude mene. Elles sont introduites sous forme d'hypothses et elles demandent tre vrifies avant la conclusion de l'tude. Les hypothses de travail les plus souvent retenues sont les suivantes : Hypothse 1 : Les interactions d'ordre 2 (interaction entre 3 facteurs) ou d'ordre plus lev sont considres comme ngligeables. On limine ainsi un grand nombre d'inconnues. Mais attention cette hypothse peut parfois tre mise en dfaut. Hypothse 2 : Si un contraste est nul, cela peut signifier : - que les effets et les interactions aliass sont tous nuls. Cette hypothse est la plus probable et cest celle que nous retiendrons sous le nom dhypothse 2. - que les effets et les interactions aliass se compensent. Cette hypothse est peu probable et nous ne la retiendrons pas. Hypothse 3 : Si deux contrastes sont faibles, on supposera que leur interaction l'est aussi. Si un contraste est faible et l'autre fort, on supposera que leur interaction est faible. Hypothse 4 :
16

Si deux contrastes sont forts, on se mfiera de leur interaction qui peut l'tre galement. Les hypothses prsentes ici sont trs souvent vrifies mais, il arrive parfois qu'elles soient mises en dfaut. Il est toujours possible d'en adopter d'autres en fonction du problme trait et des risques encourus. Pour une bonne analyse des rsultats il est prudent de toujours bien prciser les hypothses d'interprtation que l'on a retenues.

4.4 Construction pratique d'un plan fractionnaire


On choisit un plan complet et l'on crit sa matrice de calcul. On appelle cette nouvelle matrice le plan de base. Dans ce plan de base, on choisit une colonne de signes correspondant une interaction et on l'attribue un facteur supplmentaire. Les signes de l'interaction choisie deviennent les niveaux d'tude (haut et bas) de ce facteur supplmentaire. Le facteur alias avec une interaction donne une matrice dessai, mais si on voulais lalias avec une autre interaction, on aurait eu d'autres points exprimentaux et d'autres aliases. On peut gnraliser cette mthode et utiliser toutes les colonnes d'un plan de base. Par exemple sur le plan de base bti sur la matrice de calcul d'un plan 23 on peut tudier sept facteurs. Sur le plan de base d'un plan 24, on peut tudier jusqu' quinze facteurs.

4.5 Nombre maximum de facteurs tudis sur un plan de base


On peut tudier autant de facteurs supplmentaires qu'il y a d'interactions dans le plan de base.
2

Sur un plan de base 2 il y a une interaction. On pourra donc tudier 3 facteurs, deux sur les colonnes 1 et 2, le troisime sur la colonne de l'interaction.
3

Sur un plan de base 2 , il y a quatre interactions. On pourra donc tudier 7 facteurs. Trois sur les colonnes 1, 2 et 3. Les quatre autres sur les colonnes d'interaction 12, 13, 23 et 123 (tableau 5). Tableau 5 : nombre maximum de facteurs tudis

5 Plan dexprience pour surface de rponse


Les plans de surface de rponse ont pour objectif de dterminer la combinaison optimale des facteurs qui permet d'optimiser la rponse toujours en un nombre minimal d'expriences. Dans ce genre des plans dexprience, on sintresse au plan composite centr.
17

Un plan dexprience est qualifi de composite car il est constitu de trois parties diffrentes utilisables pour divers types dajustement. - La premire partie est un plan factoriel complet ou fractionnaire 2 niveaux (les niveaux mini et maxi des facteurs pour le plan factoriel sont cods (ou affects de signe -1 et +1).. - La deuxime partie est forme dau moins un point exprimental situ au centre du domaine dtude (avec tous les facteurs fixs leur niveau moyen) - La troisime partie est la partie axiale constitue par des points sur les axes de repre utilis. Tous ces points sont situs une distance gale du centre du repre dans le but dobtenir la proprit disovariance par transformation orthogonale. En effet dans un plan composite, on peut tudier dans un premier temps les effets principaux et leurs interactions avec un plan factoriel complet ou fractionnaire, et, si les points au centre du domaine montrent une courbure significative, on poursuit ltude avec les points axiaux. Dans ce cas, il faut avoir anticip ces ventuels essais de sorte que les valeurs + ou - soient possibles. Par ailleurs, ces plans ncessitent 5 niveaux non rgulirement rpartis pour chacun des facteurs, ce qui est gnreux en nombre dessai. La Figure 9 reprsente un plan composite pour deux facteurs. Les points A, B, C et D sont les points exprimentaux d'un plan 22. Le point E est le point central. Ce point peut avoir t rpliqu une ou plusieurs fois. Les points F, G, H et I sont les points axiaux. Ces quatre derniers points forment ce que l'on appelle le plan en toile. Les plans composites prennent facilement la suite d'un premier plan factoriel dont les rsultats sont insuffisamment expliqus par un modle du premier degr. Il suffit d'effectuer les expriences correspondant aux points en toile et de faire les calculs sur l'ensemble de toutes les expriences. Les plans composites sont parfaitement adapts une acquisition progressive des rsultats.

Figure 9 : Plan composite pour deux facteurs

Exemple dapplication : Optimisation d'un produit collant On dsire optimiser la formulation d'un produit lgrement collant. En effet, il s'agit de maintenir une simple cohsion entre les fils d'une bobine pendant qu'on la droule. La colle
18

est un mlange de rsine silicone et de tension actifs dans du xylne. Les facteurs sont la masse de tensio actif et la masse de rsine silicone. Facteur 1 : La masse de tensio actif. Facteur 2 : La masse de rsine silicone. La rponse est la force de collage. Les objectifs sont Force de collage : entre 1,6 et 2. Le domaine dtude est prsent dans le tableau 6 Tableau 6 : Le produit collant. Domaine d'tude

Lexprimentateur ralise un plan composite avec 4 points au centre du domaine d'tude et choisit = 1,21 pour respecter le critre de presque orthogonalit. Les rsultats des essais sont rassembls dans le Tableau 7. Tableau 7 : Le produit faiblement collant. Plan d'expriences et rsultats.

Les rsultats de ce plan sont rsums dans les modles mathmatiques

Ce modle permet de tracer la courbe isorponse sur un mme graphique (Figure 10) et de dlimiter les zones d'intrt. En dautre terme, cela nous permet de choisir les conditions optimales. Dans notre cas, lobjectif est davoir une force de collage entre 1,6 et 2.
19

Figure 10 : Courbes d'isorponses pour la force ( gauche) et pour la rgularit ( droite). Les zones grises ne respectent pas les objectifs fixs. La Figure 10 indique la zone o les deux exigences sont respectes. Si on choisit de se mettre au milieu de cette zone on trouve une composition rpondant parfaitement aux objectifs de l'tude : Tensio actif : -0,3 Rsine : 0,25 Avant de prconiser cette composition pour la colle, il est prudent de faire une ou deux expriences de confirmation. C'est ce qui a t fait et les prvisions ont t confirmes. Remarque : Le logitiel Minitab prsente deux graphiques : Un graphique en 3D permettant de visualiser les tendances et le sens de variation des facteurs Le deuxime graphique est celui de la surface de rponse, qui permet de dlimiter la zone dintrt. Et il prsente un calcul permettant de dfinir dune manire prcise les conditions exactes (Ref TP et TD plan dexprience). Pour lanalyse des effets et interprtation tableau ANOVA et de lerreur rsiduelle (Ref TD et le cours).

20

Vous aimerez peut-être aussi